CN113116297A - 医学成像系统和方法 - Google Patents

医学成像系统和方法 Download PDF

Info

Publication number
CN113116297A
CN113116297A CN202010534124.3A CN202010534124A CN113116297A CN 113116297 A CN113116297 A CN 113116297A CN 202010534124 A CN202010534124 A CN 202010534124A CN 113116297 A CN113116297 A CN 113116297A
Authority
CN
China
Prior art keywords
image
images
heart
determining
diastolic
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
CN202010534124.3A
Other languages
English (en)
Other versions
CN113116297B (zh
Inventor
吕靖原
丁彧
刘琦
徐健
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
Publication of CN113116297A publication Critical patent/CN113116297A/zh
Application granted granted Critical
Publication of CN113116297B publication Critical patent/CN113116297B/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
    • A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
    • A61B5/0044—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part for the heart
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7285—Specific aspects of physiological measurement analysis for synchronising or triggering a physiological measurement or image acquisition with a physiological event or waveform, e.g. an ECG signal
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7285—Specific aspects of physiological measurement analysis for synchronising or triggering a physiological measurement or image acquisition with a physiological event or waveform, e.g. an ECG signal
    • A61B5/7292—Prospective gating, i.e. predicting the occurrence of a physiological event for use as a synchronisation signal
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • 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
    • A61B6/02—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
    • A61B6/48—Diagnostic techniques
    • A61B6/486—Diagnostic techniques involving generating temporal series of image data
    • 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
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/503—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of the heart
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
    • 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
    • A61B5/24—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
    • 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
    • A61B6/56—Details of data transmission or power supply, e.g. use of slip rings
    • A61B6/563—Details of data transmission or power supply, e.g. use of slip rings involving image data transmission via a network
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30048—Heart; Cardiac
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • G06V2201/031—Recognition of patterns in medical or anatomical images of internal organs

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • General Health & Medical Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Surgery (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Pathology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • High Energy & Nuclear Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Optics & Photonics (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Data Mining & Analysis (AREA)
  • Cardiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Pulmonology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明提供一种医学成像系统和方法。所述系统可以获取感兴趣区域(ROI)的多个连续图像，所述感兴趣区域包括受试者心脏的至少一部分。其中，所述多个连续图像基于从ROI获取的成像数据，该成像数据由无心电(ECG)门控的扫描器获取，以及所述多个连续图像与所述受试者心脏的一个或多个心动周期相关。在所述多个连续图像中自动确定目标图像，其中所述目标图像对应于所述受试者心脏的一个或多个心动周期中的至少一个心动周期。

Description

医学成像系统和方法
技术领域
本发明涉及医学成像技术领域，特别是用于确定与受试者心脏的至少一个心动周期相对应的目标图像的系统和方法。
背景技术
心脏电影图像包括在心脏反复舒张和收缩期间获得的扫描目标心脏感兴趣区域(ROI)的多个连续图像。心脏电影图像按时间顺序排列，反映一段时间内的心脏运动。在获取心脏电影图像的过程中，通常使用心电图机(ECG)来监测心脏运动，并向成像系统提供同步(门控)信号。虽然ECG门控被认为是心脏成像的临床标准，但仍存在几个方面的问题。例如，首先，心电门控心脏成像需要扫描目标长时间屏气。其次，对于某些扫描目标(如心律失常、胸部多毛或胸部和心血管几何结构异常的扫描目标)，心电图信号可能不稳定，对于某些特殊应用(如胎儿心脏扫描)甚至难以获得。然而，没有ECG门控的心脏成像不能提供心脏信息，例如哪些图像对应于同一个心动周期，或者哪些图像对应于心脏舒张或心脏收缩的起始点或终点等，而这些信息对于医生诊断心脏状况和疾病很重要。然而，通过肉眼和医生的经验分析多幅图像来确定心脏信息不仅费时而且往往不准确。因此，十分有必要提供用于自动心脏成像的方法和/或系统，以克服上述问题。
发明内容
根据本发明的一个方面，提供了一种用于医学成像的系统，该系统可以包括至少一个存储设备，其存储有指令集；以及至少一个处理器，用于与所述至少一个存储设备通信，其中，当执行所述指令集时，所述至少一个处理器用于指示所述系统执行以下操作。所述至少一个处理器可以用于指示所述系统获取感兴趣区域(ROI)的多个连续图像，所述感兴趣区域包括受试者心脏的至少一部分。其中，所述多个连续图像基于从ROI获取的成像数据，该成像数据由无心电(ECG)门控的扫描器获取，以及所述多个连续图像与所述受试者心脏的一个或多个心动周期相关。所述至少一个处理器还可以用于指示所述系统在所述多个连续图像中自动确定目标图像，其中所述目标图像对应于所述受试者心脏的一个或多个心动周期中的至少一个心动周期。
在一些实施例中，对于至少一个所述目标图像，基于所述多个连续图像的时间分辨率确定相应的时间信息。
在一些实施例中，所述至少一个处理器可以用于指示所述系统基于所述多个连续图像确定参考图像，所述参考图像与所述受试者心脏的心脏舒张相关；确定所述参考图像与所述多个连续图像中的至少多个图像之间的相关性；在所述多个连续图像中，基于所述相关性确定与所述心脏舒张相关的舒张图像；在所述舒张图像中确定两个或多个终端图像；以及通过在所述多个连续图像中包括两个或多个终端图像的两个相邻终端图像之间的图像来确定目标图像。
在一些实施例中，所述至少一个处理器可以用于指示所述系统将所述多个连续图像分成两个或多个第一组群；从所述两个或多个第一组群中选择一个，所选中的第一组群中图像的数量在所述两个或多个第一组群中最大；基于所选中的第一组群的图像确定中值图像，所述中值图像中的每个像素的像素值是所选中的第一组群中图像的相应像素的像素值的中值；以及根据所述中值图像确定参考图像。
在一些实施例中，所述多个连续图像使用K-均值聚类被分成所述两个或多个第一组群。
在一些实施例中，所述至少一个处理器可以用于指示所述系统确定所述中值图像作为所述参考图像。
在一些实施例中，所述至少一个处理器可以用于指示所述系统通过比较所述中值图像的每个像素的像素值与所选中的第一组群中的至少一个图像中的对应像素的像素值来确定所述中值图像与所选中的第一组群中的至少一个图像之间的相似度；以及根据所述相似度确定所选中的第一组群中的一个图像作为参考图像。
在一些实施例中，所述至少一个处理器可以用于指示所述系统确定所述多个连续图像中至少多个图像的相关性的中值；以及根据所述相关性的中值确定舒张图像，所述舒张图像的相关性大于所述多个连续图像中至少多个图像的相关性的中值。
在一些实施例中，所述至少一个处理器可以用于指示所述系统利用K-均值聚类将所述舒张图像分为两个或更多第二组群；根据所述舒张图像的时间顺序确定每个舒张图像的编号；以及在所述两个或更多第二组群中的每一个组群中，确定编号为第二组群舒张图像编号中值的图像作为终端图像。
在一些实施例中，所述至少一个处理器可以用于指示所述系统利用机器学习确定所述目标图像。
在一些实施例中，基于第一训练的机器学习模型确定所述多个连续图像中的两个或多个终端图像；以及通过在所述多个连续图像中包含两个或多个所述终端图像的两个相邻终端图像之间的图像确定所述目标图像。
根据本发明的另一方面，提供了一种在具备一个或多个处理器和一个或多个存储设备的机器上实现医学成像的方法。所述方法可以包括获取感兴趣区域(ROI)的多个连续图像，所述感兴趣区域包括受试者心脏的至少一部分，其中：所述多个连续图像基于从ROI获取的成像数据，该成像数据由无心电(ECG)门控的扫描器获取，以及所述多个连续图像与所述受试者心脏的一个或多个心动周期相关；以及在所述多个连续图像中自动确定目标图像，其中所述目标图像对应于所述受试者心脏的一个或多个心动周期中的至少一个心动周期。
在一些实施例中，所述方法进一步包括：对于至少一个所述目标图像，基于所述多个连续图像的时间分辨率确定相应的时间信息。
在一些实施例中，基于所述多个连续图像确定参考图像，所述参考图像与所述受试者心脏的心脏舒张相关；确定所述参考图像与所述多个连续图像中的至少多个图像之间的相关性；在所述多个连续图像中，基于所述相关性确定与所述心脏舒张相关的舒张图像；在所述舒张图像中确定两个或多个终端图像；以及通过在所述多个连续图像中包括两个或多个终端图像的两个相邻终端图像之间的图像来确定目标图像。
在一些实施例中，所述基于所述多个连续图像确定所述参考图像包括：将所述多个连续图像分成两个或多个第一组群；从所述两个或多个第一组群中选择一个，所选中的第一组群中图像的数量在所述两个或多个第一组群中最大；基于所选中的第一组群的图像确定中值图像，所述中值图像中的每个像素的像素值是所选中的第一组群中图像的相应像素的像素值的中值；以及根据所述中值图像确定参考图像。
在一些实施例中，所述多个连续图像使用K-均值聚类被分成所述两个或多个第一组群。
在一些实施例中，所述根据所述中值图像确定参考图像包括：确定所述中值图像作为所述参考图像。
在一些实施例中，所述根据所述中值图像确定参考图像包括：通过比较所述中值图像的每个像素的像素值与所选中的第一组群中的至少一个图像中的对应像素的像素值来确定所述中值图像与所选中的第一组群中的至少一个图像之间的相似度；以及根据所述相似度确定所选中的第一组群中的一个图像作为参考图像。
在一些实施例中，所述在所述多个连续图像中，基于所述相关性确定与所述心脏舒张相关的舒张图像包括：确定所述多个连续图像中至少多个图像的相关性的中值；以及根据所述相关性的中值确定舒张图像，所述舒张图像的相关性大于所述多个连续图像中至少多个图像的相关性的中值。
在一些实施例中，所述在所述舒张图像中确定两个或多个终端图像包括：利用K-均值聚类将所述舒张图像分为两个或更多第二组群；根据所述舒张图像的时间顺序确定每个舒张图像的编号；以及在所述两个或更多第二组群中的每一个组群中，确定编号为第二组群舒张图像编号中值的图像作为终端图像。
在一些实施例中，所述在所述多个连续图像中自动确定所述目标图像包括：利用机器学习确定所述目标图像。
在一些实施例中，所述利用机器学习确定所述目标图像包括：基于第一训练的机器学习模型确定所述多个连续图像中的两个或多个终端图像；以及通过在所述多个连续图像中包含两个或多个所述终端图像的两个相邻终端图像之间的图像确定所述目标图像。
在一些实施例中，所述利用机器学习确定所述目标图像包括：使用第二训练的机器学习模型，在所述多个连续图像中确定与所述受试者心脏的舒张有关的舒张图像或与所述受试者心脏的收缩有关的收缩图像；在所述舒张图像或所述收缩图像中确定两个或多个终端图像；以及通过在所述多个连续图像中包含两个或多个所述终端图像的两个相邻终端图像之间的图像来确定所述目标图像。
在一些实施例中，所述多个连续图像使用压缩感知基于MR数据生成。
根据本发明的一个方面，提供了一种用于医学成像的系统，该系统可以包括图像获取模块，用于获取感兴趣区域(ROI)的多个连续图像，所述感兴趣区域包括受试者心脏的至少一部分，其中，所述多个连续图像基于从ROI获取的成像数据，该成像数据由无心电(ECG)门控的扫描器获取，以及所述多个连续图像与所述受试者心脏的一个或多个心动周期相关；以及图像选择模块，用于在所述多个连续图像中自动确定目标图像，其中所述目标图像对应于所述受试者心脏的一个或多个心动周期中的至少一个心动周期。
本发明的附加特征将在下面的描述中部分阐述，并且本领域技术人员在查阅下述内容和附图，或者通过示例进行实际操作或验证后，可以容易理解附加特征。本发明的特征可以通过实践或使用下面讨论的详细示例中阐述的方法、工具和其组合来实现。
附图说明
本发明还通过多个示例性实施例进一步描述本发明，参考附图详细描述这些示例性实施例。这些实施例是非限制性的示例性实施例，其中类似的附图标记在附图的多个视图中表示类似的结构，其中：
图1和图2为根据本发明的一些实施例的示例性图像处理系统的示意图；
图3为根据本发明的一些实施例的计算设备的示例性的硬件和/或软件组件的示意图；
图4为根据本发明的一些实施例的移动设备的示例性的硬件和/或软件组件的示意图；
图5为根据本发明的一些实施例的示例性的处理设备的示意框图；
图6为根据本发明的一些实施例的用于确定对应于受试者心脏的至少一个心动周期的目标图像的示例性过程的流程图；
图7为根据本发明的一些实施例的用于确定对应于受试者心脏的至少一个心动周期的目标图像的示例性过程的流程图；
图8为根据本发明的一些实施例的基于与心脏舒张相对应的参考图像和多个连续图像中的每一个之间的相关性生成的示例性相关曲线的示意图。
具体实施方式
在下面的详细描述中，通过示例阐述了许多具体细节，以便于对相关公开内容进行深入理解。然而，本领域技术人员应当清楚，本发明可以在没有这些细节的情况下实施。在一般情况下，为了避免不必要地混淆，本发明以相对较高的水平描述了众所周知的方法、过程、系统、组件和/或电路，而没有对其详细说明。对于本领域技术人员来说，对所公开的实施例的各种修改将是显而易见的，并且在不脱离本发明的构思和范围的情况下，本发明定义的一般原则可以应用于其他实施例和应用。因此，本发明不限于所列举的实施例，而是涵盖了与权利要求一致的最宽范围。
本发明中使用的术语仅用于描述特定示例实施例，并不旨在限制本发明。如本发明所用，“一”、“一个”以及“一种”可为单数形式，也可以指复数形式，除非上下文另有明确指示。可以进一步理解，术语“包括”和“包含”在本发明中使用时，规定了包括所述特征、整数、步骤、操作、元素和/或组件，但不排除存在或添加一个或多个其他特征、整体、步骤、操作、元件、组件和/或其组合。
应当理解，本发明中使用的术语“系统”、“单元”、“模块”和/或“块”是一种按升序区分不同级别的不同组件、元件、部件、部分或组件的方式。但是，如果另一种表达方式的其他术语也可达到相同的目的，则这些术语可能会被其取代。
通常，这里使用的“模块”、“单元”或“块”词语是指硬件或固件中包含的逻辑组件，或指软件指令的集合。本发明描述的模块、单元或块可以用软件和/或硬件来实现，并且可以存储在任何类型的非暂时性计算机可读介质或另一存储设备中。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/块或其自身调用，和/或可以响应检测到的事件或中断而调用。用于在计算设备(例如，如图3所示的处理器310)上执行的软件模块/单元/块可以设置在计算机可读介质上，例如光盘、数字视频光盘、闪存驱动器、磁盘或任何其他有形介质上，或者作为数字下载(并且最初以压缩或可安装的格式存储，在执行之前需要安装、解压缩或解密)。这些软件代码可以部分或全部存储在计算设备的存储设备上，以供计算设备执行。软件指令可以嵌入固件中，例如EPROM(可擦除可编程只读存储器)。进一步可理解，硬件模块/单元/块可以包括所连接的逻辑组件，例如门和触发器，和/或可包括可编程单元，例如可编程门阵列或处理器。本发明描述的模块/单元/块或计算设备功能可以用软件模块/单元/块来实现，但也可以用硬件或固件表示。一般来说，本发明所描述的模块/单元/块是指逻辑模块/单元/块，它们可以与其他模块/单元/块组合，或者尽管它们的物理组织或存储方式不同，但也可以划分为子模块/子单元/子块。其中，该描述可适用于系统、装置或其一部分。
可以理解，当一个单元、设备、模块或块被称为“开启”、“连接到”或“耦合到”另一个单元、设备、模块或块时，它可以直接开启、连接到、耦合到或通信到另一个单元、设备、模块或块，也可以是可能存在的中间单元、装置、模块或块，除非上下文另有明确说明。如本发明所使用的，术语“和/或”包括一个或多个相关的所列特征的任何和所有组合。
本发明的特征，以及相关结构元件的操作方法和功能，以及部件和结构制造的组合，在参考附图并考虑以下说明后，会变得更加明显，上述所有内容构成本发明披露的内容的一部分。然而，应明确理解，附图仅用于说明和描述，并不旨在限制本发明的保护范围。应当理解，附图是不按比例绘制的。
此处提供用于医学成像和/或医学治疗的系统和组件。在一些实施例中，医学系统可以包括成像系统。成像系统可以包括单模态成像系统和/或多模态成像系统。单模态成像系统可以包括，例如，磁共振成像(MRI)系统、计算机断层成像(CT)系统、正电子发射断层成像(PET)系统等。示例性核磁共振成像系统可包括超导磁共振成像系统、非超导磁共振成像系统等。多模态成像系统可包括，例如，计算机断层-磁共振成像(MRI-CT)系统、正电子发射断层-磁共振成像(PET-MRI)系统、单光子发射计算机断层-磁共振成像(SPECT-MRI)系统、数字减影血管造影-磁共振成像(DSA-MRI)系统、计算机断层-正电子发射断层成像(PET-CT)系统等。在一些实施例中，医学系统可以包括治疗系统。治疗系统可以包括治疗计划系统(TPS)、图像引导放射治疗(IGRT)等。图像引导放射治疗(IGRT)可以包括治疗装置和成像装置。治疗装置可以包括线性加速器、回旋加速器、同步加速器等，其被配置为对受试者进行放射治疗。治疗装置可包括粒子种类的加速器，例如包括光子、电子、质子或重离子。成像设备可以包括MRI扫描器、CT扫描器(例如，锥束计算机断层扫描(CBCT)扫描器)、数字放射学(DR)扫描器、电子射野影像装置(EPID)等。
应注意的是，在本发明中，与受试者(例如组织、器官、肿瘤等)相对应的图像或其部分(例如图像中的区域)可被称为受试者或受试者本身的图像或其部分(例如区域)。例如，图像中与心脏相对应或代表心脏的区域可以被描述为该区域包括心脏。又如，心脏的图像或包括心脏的图像可以被称为心脏图像，或简单地称为心脏。为简洁起见，图像中与受试者对应的部分被处理(例如，提取、分割等)，或图像中表示受试者的部分被处理(例如，提取、分割等)，可以描述为受试者被处理。例如，与心脏相对应的图像的一部分从图像的其余部分分割可以描述为心脏从图像分割。
可以在没有ECG门控的情况下获得受试者心脏感兴趣区域(ROI)的多个连续图像，例如心脏电影图像。然而，没有ECG门控的多个连续图像的心脏成像不能提供心脏信息，例如哪些图像对应于同一个心动周期，或者哪些图像对应于心脏舒张或心脏收缩期的起始点或终点等，上述信息对于医生诊断心脏状况和疾病是有重大影响的。本发明的一个方面提供了通过分析多个连续图像(例如，统计分析)和/或使用机器学习自动确定多个连续图像的心脏信息的系统和方法。
图1是根据本发明的一些实施例的示例性图像处理系统100的示意图。根据所示，所述图像处理系统100可以包括网络120、终端130、处理设备140和存储设备150。可选地，所述图像处理系统100可以进一步包括扫描器110(例如，如图2所示)。
所述图像处理系统100的组件可以以一种或多种方式连接。仅作为示例，如图2所示，所述扫描器110可以通过所述网络120连接到所述处理设备140。在另一实施例中，所述扫描器110可以直接连接到所述处理设备140(如连接所述扫描器110和所述处理设备140的虚线双向箭头所示)。在另一实施例中，如图1和图2所示，所述存储设备150可以直接或通过所述网络120连接到所述处理设备140。在另一实施例中，终端设备(例如131、132、133等)可以直接(如连接所述终端130和所述处理设备140的虚线双向箭头所示)或通过所述网络120连接到所述处理设备140。
所述扫描器110可以扫描位于其检测区域内的对象，并生成与该对象相关的多个数据(也称为成像数据)。在本发明中，“受试者”和“对象”可以互换使用。仅作为示例，所述对象可以包括扫描目标、人造对象等。作为另一示例，所述对象可以包括扫描目标的特定部分、器官和/或组织。例如，所述对象可包括头部、大脑、颈部、身体、肩部、手臂、胸部、心脏、胃、血管、软组织、膝盖、脚等，或其任何组合。
在一些实施例中，所述扫描器110可以是MRI扫描器、CT扫描器、PET扫描器等，或其任何组合。
所述网络120可包括可以促进所述图像处理系统100的信息和/或数据交换的任何合适的网络。在一些实施例中，所述图像处理系统100的一个或以上组件(例如，所述扫描器110、所述终端130、所述处理设备140或存储设备150)可以通过所述网络120与所述图像处理系统100的一个或以上其他组件交换信息和/或数据。例如，所述处理设备140可以通过所述网络120从所述扫描器110获取影像数据。所述网络120可以是任何类型的有线或无线网络，或其组合。所述网络120可以是和/或包括公共网络(例如，因特网)、专用网络(例如，局部区域网络(LAN)、广域网(WAN)等)、有线网络(例如，以太网网络)，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。仅作为示例，所述网络120可以包括电缆网络、有线网络、光纤网络、电信网络、内联网、无线局部区域网络(WLAN)、城域网(MAN)、公共电话交换网络(PSTN)、蓝牙TM网络、ZigBeeTM网络、近场通信(NFC)网络等，或其任意组合。在一些实施例中，所述网络120可以包括一个或以上网络接入点。例如，所述网络120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，通过它们所述图像处理系统100的一个或以上组件可以连接到所述网络120以交换数据和/或信息。
所述终端130包括移动设备131、平板计算机132、膝上型计算机133等，或其任意组合。在一些实施例中，所述移动设备131可以包括智能家居设备、可穿戴设备、智能移动设备、虚拟现实设备、增强现实设备等，或其任意组合。在一些实施例中，所述智能家居设备可以包括智能照明设备、智能电器控制设备、智能监控设备、智能电视、智能摄像机、对讲机等，或其任意组合。在一些实施例中，所述可穿戴设备可以包括智能手环、智能鞋袜、智能眼镜、智能头盔、智能手表、智能衣物、智能背包、智能智慧配饰等，或其任意组合。在一些实施例中，所述移动设备可以包括移动电话、个人数字助理(PDA)、游戏设备、导航设备、销售点(POS)设备等，或其任意组合。在一些实施例中，所述虚拟现实设备和/或所述增强现实设备包括虚拟现实头盔、虚拟现实眼镜、虚拟现实眼罩、增强现实头盔、增强现实眼镜、增强现实眼罩等，或其任意组合。例如，所述虚拟现实设备和/或增强现实设备可以包括GoogleGlassTM、Oculus RiftTM、HololensTM、Gear VRTM等。在一些实施例中，所述终端130可以远程操作所述扫描器110和/或所述处理设备140。在一些实施例中，所述终端130可以经由无线连接操作所述扫描器110和/或所述处理设备140。在一些实施例中，所述终端130可以接收用户输入的信息和/或指令，并且经由所述网络120将接收到的信息和/或指令发送到所述扫描器110或处理设备140。在一些实施例中，所述终端130可以从所述处理设备140接收数据和/或信息。在一些实施例中，所述终端130可以是所述处理设备140的一部分。在一些实施例中，可以省略所述终端130。
所述处理设备140可以处理从所述扫描器110、所述终端130和/或所述存储设备150获取的数据和/或信息。例如，所述处理设备140可以获得扫描目标心脏的感兴趣区域(ROI)的多个连续图像。所述多个连续图像可以基于成像数据生成，该成像数据获取自ROI且无需ECG门控。所述处理设备140可以在多个连续图像中自动确定对应于心脏的至少一个心动周期的目标图像。在一些实施例中，所述处理设备140可以是单个服务器或服务器组。服务器组可以是集中式的或分布式的。在一些实施例中，所述处理设备140可以是本地的也可以是远程的。例如，所述处理设备140可以经由所述网络120访问存储在所述扫描器110、所述终端130和/或所述存储设备150中的或由所述扫描器110、所述终端130和/或所述存储设备150获取的信息和/或数据。又例如，所述处理设备140可以直接连接到所述扫描器110(如图2中连接所述处理设备140和所述扫描器110的虚线双向箭头所示)、所述终端130(如图1和图2中连接所述处理设备140和所述终端130的虚线双向箭头所示)和/或所述存储设备150，以访问存储或获取的信息和/或数据。在一些实施例中，所述处理设备140可以在云平台上实现。仅作为示例，所述云平台可包括私有云、公共云、混合云、社区云、分布云、云间云、多层云等，或其任何组合。在一些实施例中，所述处理设备140可以在具有本发明图3所示的一个或多个组件的计算设备300上实现。
所述存储设备150可以存储数据和/或指令。在一些实施例中，所述存储设备150可以存储从所述扫描器110、所述终端130和/或所述处理设备140获得的数据。例如，所述存储设备150可以存储一个或多个医学图像。在一些实施例中，所述存储设备150可以存储数据和/或指令，所述处理设备140可以执行或使用上述数据和/或指令执行本发明中所描述的示例性方法。例如，所述存储设备150可以存储所述处理设备140可以执行的指令，以自动确定对应于至少一个心动周期的目标图像。在一些实施例中，所述存储设备150可包括大容量存储设备、可移动存储设备、易失性读写存储器、只读存储器(ROM)等，或其任何组合。示例性大容量存储器可以包括磁盘、光盘、固态驱动器等。示例性可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。示例性易失性读写存储器可以包括随机存取存储器(RAM)。示例性RAM可以包括动态RAM(DRAM)、双数据率同步动态RAM(DDR SDRAM)、静态RAM(SRAM)、晶闸管RAM(T-RAM)和零电容RAM(Z-RAM)等。示例性ROM可以包括掩模ROM(MROM)、可编程ROM(PROM)、可擦除可编程ROM(PEROM)，电可擦除可编程ROM(EEPROM)、光盘ROM(CD-ROM)和数字多用途磁盘ROM等。在一些实施例中，所述存储设备150可以在云平台上实现。仅作为示例，所述云平台可包括私有云、公共云、混合云、社区云、分布云、云间云、多层云等，或其任何组合。
在一些实施例中，所述存储设备150可以连接到所述网络120以与所述图像处理系统100的一个或多个组件(例如，所述扫描器110、所述处理设备140、所述终端130等)通信。所述图像处理系统100的一个或多个组件可以经由所述网络120访问所述存储设备150中存储的数据或指令。在一些实施例中，所述存储设备150可以直接连接到所述图像处理系统100的一个或多个组件(例如所述扫描器110、所述处理设备140、所述终端130等)或与上述一个或多个组件通信。在一些实施例中，所述存储设备150可以是所述处理设备140的一部分。
图3是根据本发明的一些实施例的计算设备的示例性的硬件和/或软件组件的示意图，所述处理设备140可以在该计算设备上实现。如图3所示，所述计算设备300可以包括处理器310、存储器320、输入/输出(I/O)330和通信端口340。
所述处理器310可以执行计算机指令(程序代码)以及根据在此描述的技术来执行所述处理设备140的功能。所述计算机指令可以包括执行在此描述的特定功能的例程、程序、对象、组件、信号、数据结构、过程、模块和功能。例如，所述处理器310可以自动确定对应于受试者心脏的至少一个心动周期的目标图像。在一些实施例中，所述处理器310可以包括微控制器、微处理器、精简指令集计算机(RISC)、特定应用集成电路(ASICs)、特定应用指令集处理器(ASIP)、中央处理单元(CPU)、图形处理单元(GPU)、物理处理单元(PPU)，微控制器单元、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、高级RISC机(ARM)、可编程逻辑器件(PLD)、能够执行一个或多个功能的任何电路或处理器等，或其任何组合。
仅为了说明，在所述计算设备300中仅描述了一个处理器。然而，应当注意的是，本发明中的计算设备300还可以包括多个处理器，因此，如本发明所描述的由一个处理器执行的方法的运算也可以由多个处理器联合或单独执行。例如，如果在本发明中，所述计算设备300的处理器执行运算A和B，则应当理解，运算A和运算B也可以由所述计算设备300中的两个不同的处理器共同或分别执行(例如，第一处理器执行运算A，第二处理器执行运算B；或者第一和第二处理器共同执行运算A和运算B)。
所述存储器320可以存储从所述扫描器110、所述终端130、所述存储设备150或从所述图像处理系统100的任何其他组件处获得的数据/信息。在一些实施例中，所述存储器320可以包括大容量存储设备、可移动存储设备、易失性读写存储器、只读存储器(ROM)等，或其任何组合。例如，所述大容量存储设备可以包括磁盘、光盘、固态驱动器等。所述可移动存储设备可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。所述易失性读写存储器可以包括随机存取存储器(RAM)。所述RAM可以包括动态RAM(DRAM)、双数据率同步动态RAM(DDR SDRAM)、静态RAM(SRAM)、晶闸管RAM(T-RAM)和零电容RAM(Z-RAM)等。所述ROM可以包括掩模ROM(MROM)、可编程ROM(PROM)、可擦除可编程ROM(PEROM)、电可擦除可编程ROM(EEPROM)、小型存储器磁盘ROM(CD-ROM)和数字多用途磁盘ROM等。在一些实施例中，所述存储器320可以存储一个或多个程序和/或指令，以执行本发明中描述的示例性方法。例如，所述存储器320可以存储用于所述处理设备140的用以确定与受试者心脏的至少一个心动周期相对应的目标图像的程序。
所述I/O 330可以输入或输出信号、数据或信息。在一些实施例中，所述I/O 330可以允许用户与所述处理设备140交互。在一些实施例中，所述I/O 330可以包括输入设备和输出设备。示例性的输入设备可包括键盘、鼠标、触摸屏、麦克风、轨迹球等，或其组合。示例性的输出设备可包括显示设备、扬声器、打印机、投影仪等，或其组合。示例性的显示设备可包括液晶显示器(LCD)、基于发光二极管(LED)的显示器、平板显示器、弯曲屏、电视设备、阴极射线管(CRT)等，或其组合。
所述通信端口340可以连接到网络(例如，所述网络120)以促进数据通信。所述通信端口340可以在所述处理设备140和所述扫描器110、所述终端130或所述存储设备150之间建立连接。所述连接可以是有线连接、无线连接，或者两者的组合，以实现数据传输和接收。所述有线连接可包括电缆、光缆、电话线等，或其任何组合。所述无线连接可包括蓝牙、Wi-Fi、WiMax、WLAN、ZigBee、移动网络(例如3G、4G、5G等)等，或其组合。在一些实施例中，所述通信端口340可以是标准化通信端口，例如RS232、RS485等。在一些实施例中，所述通信端口340可以是专门设计的通信端口。例如，所述通信端口340可以根据医学数字成像和通信(DICOM)协议来设计。
图4是根据本发明的一些实施例的移动设备的示例性的硬件和/或软件组件的示意图，所述终端130可以在该移动设备上实现。如图4所示，所述移动设备400可以包括通信平台410、显示器420、图形处理单元(GPU)430、中央处理单元(CPU)440、I/O 450、内存460和存储器490。在一些实施例中，任何其他合适组件，包括但不限于系统总线或控制器(未示出)，也可以包括在所述移动设备400中。在一些实施例中，移动操作系统470(例如iOS、Android、Windows Phone等)和一个或多个应用程序480可以从所述存储器490加载到所述内存460中，以便由所述CPU 440执行。所述应用程序480可以包括浏览器或任何其他合适的移动应用程序，用于从所述处理设备140接收和呈现与图像处理或其他信息有关的信息。用户与信息流的交互可以通过所述I/O 450来实现，并经由所述网络120提供给所述处理设备140和/或所述图像处理系统100的其他组件。
为了实现本发明中描述的各种模块、单元及其功能，可以将计算机硬件平台用作本文中描述的一个或多个组件的硬件平台。这些计算机的硬件组件、操作系统和编程语言在本质上是传统的，并且可以推定本领域技术人员充分熟悉这些技术，以将这些技术应用于本文所述的血压监测。具有用户接口组件的计算机可用于实现个人计算机(PC)或其他类型的工作站或终端设备，如果适当的编程，计算机也可用作服务器。相信本领域技术人员熟悉这些计算机设备的结构、编程和一般操作，因此附图应当是无需解释的。
图5是根据本发明一些实施例的示例性的处理设备的示意框图。所述处理设备140可以包括图像获取模块510和图像选择模块520。
所述图像获取模块510可以获取包含受试者心脏的至少一部分的感兴趣区域(ROI)的多个连续图像。在一些实施例中，多个连续图像中的每一个可以呈现在特定时间点的受试者心脏的ROI的状态。多个连续图像可以按时间顺序排列，并且可以反映受试者心脏在一段包含一个或多个心动周期的时间段内的心跳。
在一些实施例中，所述多个连续图像可以基于成像数据生成，该成像数据获取自ROI且由没有心电(ECG)门控的医学扫描器。该成像数据可以使用任何合适的采集技术来获取。该多个连续图像可以使用任何合适的图像重建技术生成。
在一些实施例中，多个连续图像可以是MR图像、CT图像、PET图像等，或其任何组合。在一些实施例中，多个连续图像可以是二维(2D)图像或三维(3D)图像。
所述图像选择模块520可以在多个连续图像中自动确定目标图像，该目标图像对应于受试者心脏的一个或多个心动周期中的至少一个周期。
通常，心脏的心动周期包括一系列的舒张和收缩，导致从心脏泵血以及血液回流心脏。在一些实施例中，如本发明中所使用的，心脏周期可指心脏在任一状态与下一个相同或基本相似的状态之间的一段时间内的表现(或活动)。
在一些实施例中，在心动周期期间，心脏可能经历两个事件，心脏舒张和心脏收缩。在心脏舒张过程中，心脏舒张并充满血液；在心脏收缩过程中，心脏收缩并泵出血液。随着心动周期的重复，心脏给血液补充氧气，并带动血液在全身流动。
根据上述对心脏活动的描述，在心脏的周期性运动中，心室和心房可以周期性地、重复地舒张和收缩。在一些实施例中，心脏的活动(例如心脏舒张和心脏收缩期)可以由心室或心房的活动来表示。例如，心室的舒张和收缩可称为心室舒张和心室收缩，并用于定义一个心动周期。再如，心房的舒张和收缩可以称为心房舒张和心房收缩，并用来定义一个心动周期。心房和心室活动在时间上的对应关系是众所周知的。
在一些实施例中，心动周期可对应于心脏舒张(或心脏收缩)中任何状态与下一心脏舒张(或心脏收缩)中相同或基本相似状态之间的间隔。例如，心动周期可对应于心脏舒张期起始点与下一心脏舒张期起始点之间的间隔。在这种情况下，在心动周期中，先发生心脏舒张，然后发生心脏收缩。换言之，在心动周期中，处于完全收缩状态的心脏(如心室或心房)可能会舒张，然后收缩，以回到完全收缩状态。再如，心动周期可对应于心脏收缩期起始点与下一个心脏收缩期起始点之间的间隔。在这种情况下，在心动周期中，先发生心脏收缩，然后发生心脏舒张。换言之，在心动周期中，处于完全舒张状态的心脏(如心室或心房)可能会收缩，然后舒张，以回到到完全舒张状态。
在一些实施例中，心动周期的起始点和/或终点可以是固定的。在一些实施例中，心动周期的起始点和/或终点可以由所述图像处理系统100的用户(例如医生、技术人员或工程师)定义，或者可以由所述图像选择模块520自动确定，该自动确定是基于例如受试者的状况(例如年龄、性别、健康状况等)、心脏疾病、成像过程的目标等，或其任何组合。在一些实施例中，可以通过随机地选择心脏的任何状态来定义心动周期的起始点和/或终点。
在一些实施例中，所述图像选择模块520可以在多个连续的图像中确定两个或多个终端图像，每个终端图像可以对应于心动周期的起始点或终点。在一些实施例中，两个或多个终端图像中的每一个可以对应于心脏的相同或基本上相似的状态，例如，心脏舒张期或心脏收缩期的起始点或终点。
在一些实施例中，所述图像选择模块520可以通过在多个连续图像中包含两个或多个终端图像中的两个相邻终端图像之间的图像来确定目标图像。在一些实施例中，所述图像选择模块520还可以将两个或多个终端图像中的至少一个包含到目标图像中。目标图像可以反映心脏在至少一个完整的心动周期内的运动。
在一些实施例中，当所述图像选择模块520确定两个以上的终端图像时，这表明多个连续图像可对应于至少两个完整的心动周期，可通过以下方式确定选择其中一组相邻终端图像以确定目标图像的指令用户或可由所述图像选择模块520基于例如对象的状况(例如年龄、性别、健康状况等)、心脏疾病等，或其任何组合自动确定。在一些实施例中，可以预先或在流程600期间确定指令。
例如，所述图像选择模块520可以确定按时间顺序排列的三个终端图像，图像A、图像B和图像C。在一些实施例中，所述图像选择模块520可以确定图像A和图像B之间的图像作为目标图像。所述图像选择模块520可以进一步确定图像A和/或图像B作为目标图像。在一些实施例中，所述图像选择模块520可以确定图像B和图像C之间的图像作为目标图像。所述图像选择模块520可以进一步确定图像B和/或图像C作为目标图像。在一些实施例中，所述图像选择模块520可以将图像A和图像B之间的图像以及图像B和图像C之间的图像确定为目标图像。所述图像选择模块520可以进一步确定图像A、图像B和图像C中的至少一个作为目标图像。
用于确定目标图像的实施例可以在本发明的其它地方找到(例如，与图7相关的描述)。
在一些实施例中，所述图像选择模块520可以使用机器学习来确定多个连续图像中的目标图像。
在一些实施例中，所述图像选择模块520可以在多个连续图像中，使用第一训练的机器学习模型来确定与心脏舒张相对应的舒张图像和与心脏收缩相对应的收缩图像。在一些实施例中，在舒张图像中显示的受试者心脏的ROI可以在心脏舒张期。在收缩图像中显示的受试者心脏的ROI可以在心脏收缩期。所述图像选择模块520可以基于预先定义的心动周期的起始点和/或终点来确定舒张图像和/或收缩图像中的两个或多个终端图像。或者，所述图像选择模块520可以在舒张图像和/或收缩图像中，确定与心脏的任何相同状态对应的两个或多个图像作为终端图像。例如，所述图像选择模块520可以将紧跟收缩图像的每个舒张图像确定为终端图像。在这种情况下，该终端图像可被视为对应于心脏舒张的起始。又如，所述图像选择模块520可以将紧挨在收缩图像之前的每个舒张图像确定为终端图像。在这种情况下，该终端图像可被视为对应于心脏舒张的末期。又如，所述图像选择模块520可以将紧跟舒张图像的每个收缩图像确定为终端图像。在这种情况下，该终端图像可被视为对应于心脏收缩期的起始。又如，所述图像选择模块520可以将紧挨在舒张图像之前的每个收缩图像确定为终端图像。在这种情况下，该终端图像可被视为对应于心脏收缩的末期。所述图像选择模块520可以通过在多个连续图像中，包含两个或多个终端图像的两个相邻终端图像之间的图像来确定目标图像。
在一些实施例中，所述图像选择模块520可以使用第二训练的机器学习模型来确定多个连续图像中的两个或多个终端图像。所述图像选择模块520可以通过在多个连续图像中，包含两个或多个终端图像的两个相邻终端图像之间的图像来确定目标图像。
例如，根据预先定义的心动周期的起始点或终点，第二训练的机器学习模型可以在多个连续图像中，直接确定对应于该预先定义的心动周期的起始点或终点的两个或多个终端图像。在一些实施例中，该第二训练的机器学习模型可以具有识别对应于心脏的一个或多个相同或基本相似状态的图像的能力。例如，该第二训练的机器学习模型可以具有识别对应于心脏舒张起始图像的能力和/或识别对应于心脏收缩起始图像的能力。
在一些实施例中，所述图像选择模块520可以基于第一训练的机器学习模型和第二训练的机器学习模型来确定目标图像。例如，所述图像选择模块520可以使用第一训练的机器学习模型来确定多个连续图像中的舒张图像和收缩图像。所述图像选择模块520可以使用第二训练的机器学习模型来确定舒张图像或收缩图像中的两个或多个终端图像。所述图像选择模块520可以通过在多个连续图像中，包含两个或多个终端图像的两个相邻终端图像之间的图像来确定目标图像。
在一些实施例中，在确定目标图像之后，所述图像选择模块520可以确定每个目标图像的时间戳。例如，所述图像选择模块520可以确定目标图像的第一图像(例如序列号为t)的时间戳，例如0.5×TempRes(TempRes为多个连续图像的时间分辨率)。从目标图像的第二图像(例如，序列号是t+1)开始，所述图像选择模块520可以通过将多个连续图像的时间分辨率添加到目标图像上一图像的时间戳来确定目标图像的时间戳，例如，目标图像的第二图像(例如，序列号是t+1)为1.5*TempRes，目标图像的第三个图像(例如，序列号为t+2，…)为2.5*TempRes，以及目标图像的最后一个图像(例如，序列号为t+n)为(0.5+n)*TempRes。
在一些实施例中，所述图像选择模块520可以用目标图像所对应的心脏状态标记至少一个目标图像。例如，所述图像选择模块520可以标记被认为与心脏舒张起始、心脏舒张结束、心脏收缩起始、心脏收缩结束、心室收缩起始、心室收缩结束、心室舒张起始，心室舒张结束，心房收缩起始，心房收缩结束，心房舒张起始，或心房舒张结束相对应的目标图像。
在一些实施例中，所述图像选择模块520可以确定与每个至少一个心动周期相对应的间隔。
所述处理设备140中的模块可以通过有线连接或无线连接的方式彼此连接或通信。所述有线连接可包括金属电缆、光缆、混合电缆等，或其任何组合。所述无线连接可包括局域网(LAN)、广域网(WAN)、蓝牙、ZigBee、近场通信(NFC)等，或其任何组合。两个或多个模块可以组合为单个模块，任何一个模块可以被划分为两个或多个单元。
应注意的是，上述描述仅为说明的目的，并不旨在限制本发明的范围。对于本领域技术人员而言，可以在本发明的教导下进行多种变化和修改。然而，这些变化和修改并不脱离本发明的范围。例如，所述处理设备140还可以包括存储模块(图5中未示出)。该存储模块可以被配置成存储由所述处理设备140中的任何组件在任何处理期间生成的数据。又如，所述处理设备140的每个组件都可以包括存储设备。另外或可选地，所述处理设备140的组件可以共享公共存储设备。
图6是根据本发明的一些实施例的用于确定对应于受试者心脏的至少一个心动周期的目标图像的示例性过程的流程图。在一些实施例中，流程600可以在图1或图2所示的所述图像处理系统100中实现。例如，流程600可以作为指令的形式存储在存储介质(例如，所述存储设备150或所述处理设备140的所述存储器320)中，并且可以由所述处理设备140(例如，所述处理设备140的所述处理器310，或图5所示的所述处理设备140中的一个或多个模块)调用和/或执行。下面给出的流程600的操作旨在说明。在一些实施例中，可以使用未描述的一个或多个附加操作和/或不使用所给出的一个或多个操作来完成流程600。另外，图6所示的以及下面所描述的内容并不是用来限制流程600的执行顺序。
在操作610中，所述处理设备140(例如，所述图像获取模块510)可以获取包括受试者心脏的至少部分的感兴趣区域(ROI)的多个连续图像。在一些实施例中，多个连续图像中的每一个图像可以呈现在特定时间点的受试者心脏ROI的状态。多个连续图像可以按时间顺序排列，以及可以反映受试者心脏在包含一个或多个心动周期期间内的心跳。
在一些实施例中，多个连续图像可基于从ROI获取的成像数据，该成像数据通过未采用心电(ECG)门控的医学扫描器获得。可以使用任何合适的采集技术来获取该成像数据。可以使用任何合适的图像重建技术生成该多个连续图像。以心脏磁共振成像(CMRI)为例，2019年1月7日提交的美国第16/241042号申请中有关MR数据获取和/或图像重建的描述可适用于本发明，用以获取MR数据和/或生成多个连续图像中的至少一个。美国第16/241042号申请的全部内容在此一并引用。
在一些实施例中，可以由图2中的所述图像处理系统100执行多个连续图像的成像数据获取和图像重建。例如，所述扫描器110可以从受试者心脏的ROI获取成像数据，并将该成像数据发送到所述处理设备140。所述处理设备140可以基于上述成像数据生成多个连续图像。在一些实施例中，可以由其他系统执行多个连续图像的成像数据获取和图像重建。所述处理设备140可以从该其他系统获得多个连续图像。
在一些实施例中，多个连续图像可以是MR图像、CT图像等，或其任何组合。在一些实施例中，多个连续图像可以是二维(2D)图像或三维(3D)图像。
在操作620中，所述处理设备140(例如，所述图像选择模块520)可以在多个连续图像中自动确定目标图像，该目标图像至少对应于受试者心脏的一个或多个心动周期中的一个心动周期。
心脏可以进行周期性运动来泵血和补血。心脏由四个腔室组成：顶部的两个心房以及底部的两个心室。心房接收来自身体的血液进入心脏，心室负责将血液泵出心脏。右心房通过上、下腔静脉从体内吸收缺氧血。由于右心房和心室舒张，两个腔室间的房室瓣打开，血液流入右心室。来自窦房结(SA)的电脉冲通知心房收缩并将剩余的血液和信号推入浦肯野纤维。浦肯野纤维使心室收缩，将半月瓣中的缺氧血泵入肺动脉。肺动脉把血液带到肺里，在那里血液可以被复氧。
含氧血液从肺部通过肺静脉回流到心脏，并在左心房接收。左心房舒张，房室瓣打开。血液通过瓣膜进入左心室。然后左心室从浦肯野纤维得到收缩的信息。这种收缩力将半月形主动脉瓣打开，血液被泵出到身体的其他部位。
由于血液是连续循环的，心脏不必等待血液从身体或肺部回流，因此它不断地充满和排出。因此，心脏一侧的充盈可视为与另一侧充盈同时发生，心脏一侧的收缩可视为与另一侧的收缩同时发生。
通常，心脏的心动周期包括一系列的舒张和收缩，导致从心脏泵血以及血液回流心脏。在一些实施例中，如本发明中所使用的，心脏周期可指心脏在任一状态与下一个相同或基本相似的状态之间的一段时间内的表现(或活动)。在一些实施例中，虽然心脏的一个特定状态被多个连续图像中的某一图像捕获，但在多个连续图像中可能没有与心脏的完全相同的特定状态对应的图像。在本发明中，在一些实施例中，当出现“不存在完全相同的图像”问题时(仅当出现这样的问题时)，另一张与“基本相似”状态相对应的图像可被接受用于定义心动周期。这里的“基本相似”指的是与其他图像中捕获的其他状态相比，在图像中捕获的心脏状态最接近心脏周期的“起始”中的完全相同状态。在本文描述的系统和方法中，“相同”状态的图像和“基本相似”状态的图像可以互换地使用。
在一些实施例中，在心动周期期间，心脏可能经历两个事件，心脏舒张和心脏收缩。在心脏舒张过程中，心脏舒张并充满血液；在心脏收缩过程中，心脏收缩并泵出血液。随着心动周期的重复，心脏给血液补充氧气，并带动血液在全身流动。
根据上述对心脏活动的描述，在心脏的周期性运动中，心室和心房可以周期性地、重复地舒张和收缩。在一些实施例中，心脏的活动(例如心脏舒张和心脏收缩期)可以由心室或心房的活动来表示。例如，心室的舒张和收缩可称为心室舒张和心室收缩，并用于定义一个心动周期。再如，心房的舒张和收缩可以称为心房舒张和心房收缩，并用来定义一个心动周期。心房和心室活动在时间上的对应关系是众所周知的。
在一些实施例中，心动周期可对应于心脏舒张(或心脏收缩)中任何状态与下一心脏舒张(或心脏收缩)中相同或基本相似状态之间的间隔。例如，心动周期可对应于心脏舒张期起始点与下一心脏舒张期起始点之间的间隔。在这种情况下，在心动周期中，先发生心脏舒张，然后发生心脏收缩。换言之，在心动周期中，处于完全收缩状态的心脏(如心室或心房)可能会舒张，然后收缩，以回到完全收缩状态。再如，心动周期可对应于心脏收缩期起始点与下一个心脏收缩期起始点之间的间隔。在这种情况下，在心动周期中，先发生心脏收缩，然后发生心脏舒张。换言之，在心动周期中，处于完全舒张状态的心脏(如心室或心房)可能会收缩，然后舒张，以回到到完全舒张状态。
在一些实施例中，心动周期的起始点和/或终点可以是固定的。在一些实施例中，心动周期的起始点和/或终点可以由所述图像处理系统100的用户(例如医生、技术人员或工程师)定义，或者可以由所述处理设备140自动确定，该自动确定是基于例如受试者的状况(例如年龄、性别、健康状况等)、心脏疾病、成像过程的目标等，或其任何组合。在一些实施例中，可以通过随机地选择心脏的任何状态来定义心动周期的起始点和/或终点。在一些实施例中，可以预先或在流程600期间(例如，当所述处理设备140确定两个或多个终端图像时)定义心动周期的起始点和/或终点。
在一些实施例中，所述处理设备140可以在多个连续的图像中确定两个或多个终端图像，每个终端图像可以对应于心动周期的起始点或终点。在一些实施例中，两个或多个终端图像中的每一个可以对应于心脏的相同或基本上相似的状态，例如，心脏舒张期或心脏收缩期的起始点或终点。
在一些实施例中，所述处理设备140可以通过在多个连续图像中包含两个或多个终端图像中的两个相邻终端图像之间的图像来确定目标图像。在一些实施例中，所述处理设备140还可以将两个或多个终端图像中的至少一个包含到目标图像中。目标图像可以反映心脏在至少一个完整的心动周期内的运动。
在一些实施例中，当所述处理设备140确定两个以上的终端图像时，这表明多个连续图像可对应于至少两个完整的心动周期，“选择其中一组相邻终端图像以确定目标图像”这一指令可由用户确定或可由所述处理设备140基于例如对象的状况(例如年龄、性别、健康状况等)、心脏疾病等，或其任何组合自动确定。在一些实施例中，可以预先或在流程600期间确定指令。
例如，所述处理设备140可以确定按时间顺序排列的三个终端图像，图像A、图像B和图像C。在一些实施例中，所述处理设备140可以确定图像A和图像B之间的图像作为目标图像。所述处理设备140可以进一步确定图像A和/或图像B作为目标图像。在一些实施例中，所述处理设备140可以确定图像B和图像C之间的图像作为目标图像。所述处理设备140可以进一步确定图像B和/或图像C作为目标图像。在一些实施例中，所述处理设备140可以将图像A和图像B之间的图像以及图像B和图像C之间的图像确定为目标图像。所述处理设备140可以进一步确定图像A、图像B和图像C中的至少一个作为目标图像。
用于确定目标图像的实施例可以在本发明的其它地方找到(例如，与图7相关的描述)。
在一些实施例中，所述处理设备140可以使用机器学习来确定多个连续图像中的目标图像。
在一些实施例中，所述处理设备140可以在多个连续图像中，使用第一训练的机器学习模型来确定与心脏舒张相对应的舒张图像和与心脏收缩相对应的收缩图像。在一些实施例中，在舒张图像中显示的受试者心脏的ROI可以在心脏舒张期。在收缩图像中显示的受试者心脏的ROI可以在心脏收缩期。所述处理设备140可以基于预先定义的心动周期的起始点和/或终点来确定舒张图像和/或收缩图像中的两个或多个终端图像。或者，所述处理设备140可以在舒张图像和/或收缩图像中，确定与心脏的任何相同状态对应的两个或多个图像作为终端图像。例如，所述处理设备140可以将紧跟收缩图像的每个舒张图像确定为终端图像。在这种情况下，该终端图像可被视为对应于心脏舒张的起始。又如，所述处理设备140可以将紧挨在收缩图像之前的每个舒张图像确定为终端图像。在这种情况下，该终端图像可被视为对应于心脏舒张的末期。又如，所述处理设备140可以将紧跟舒张图像的每个收缩图像确定为终端图像。在这种情况下，该终端图像可被视为对应于心脏收缩期的起始。又如，所述处理设备140可以将紧挨在舒张图像之前的每个收缩图像确定为终端图像。在这种情况下，该终端图像可被视为对应于心脏收缩的末期。所述处理设备140可以通过在多个连续图像中，包含两个或多个终端图像的两个相邻终端图像之间的图像来确定目标图像。
在一些实施例中，第一训练的机器学习模型可以通过使用第一样本数据训练第一初步模型来生成。所述第一样本数据可以包括不同扫描目标心脏不同部位的第一样本图像。在一些实施例中，所述第一样本图像可以包括MR图像、CT图像、PET图像等，或其任何组合。在一些实施例中，所述第一样本图像可标记为舒张图像或收缩图像。
在一些实施例中，所述处理设备140可以使用第二训练的机器学习模型来确定多个连续图像中的两个或多个终端图像。所述处理设备140可以通过在多个连续图像中，包含两个或多个终端图像的两个相邻终端图像之间的图像来确定目标图像。
例如，根据预先定义的心动周期的起始点或终点，第二训练的机器学习模型可以在多个连续图像中，直接确定对应于该预先定义的心动周期的起始点或终点的两个或多个终端图像。在一些实施例中，该第二训练的机器学习模型可以具有识别对应于心脏的一个或多个相同或基本相似状态的图像的能力。例如，该第二训练的机器学习模型可以具有识别对应于心脏舒张起始图像的能力和/或识别对应于心脏收缩起始图像的能力。
在一些实施例中，第二训练的机器学习模型可以通过使用第二样本数据训练第二初步模型来生成。所述第二样本数据可以包括不同扫描目标心脏不同部位的第二样本图像。在一些实施例中，所述第二样本图像可以包括MR图像、CT图像、PET图像等，或其任何组合。在一些实施例中，所述第二样本图像中的每一个可以用第二样本图像对应的心脏状态来标记。
在一些实施例中，所述处理设备140可以基于第一训练的机器学习模型和第二训练的机器学习模型来确定目标图像。例如，所述处理设备140可以使用第一训练的机器学习模型来确定多个连续图像中的舒张图像和收缩图像。所述处理设备140可以使用第二训练的机器学习模型来确定舒张图像或收缩图像中的两个或多个终端图像。所述处理设备140可以通过在多个连续图像中，包含两个或多个终端图像的两个相邻终端图像之间的图像来确定目标图像。
在一些实施例中，第一训练机器学习模型和/或第二训练机器学习模型可以包括有监督学习、无监督学习、半监督学习、强化学习等，或其组合。在一些实施例中，第一训练的机器学习模型和/或第二训练的机器学习模型可以包括回归算法、案例学习算法、形式学习算法、决策树学习算法、贝叶斯学习算法、核心学习算法、聚类算法，关联规则学习算法、神经网络学习算法、深度学习算法、降维算法等。所述回归算法可以包括logistic回归算法、逐步回归算法、多元自适应回归样条算法、局部估计的散点图平滑算法等。所述案例学习算法可以包括k近邻算法、学习矢量量化算法、自组织映射算法等。所述形式学习算法可以包括岭回归算法、最小绝对收缩和选择算子(LAASSO)算法、弹性网算法等。所述决策树学习算法可以包括分类和回归树算法、迭代二分法3(ID3)算法、C4.5算法、卡方自动交互检测(CHAID)算法、决策树桩算法、随机森林算法、mars算法、梯度提升机(GBM)算法等。所述贝叶斯学习算法可以包括朴素贝叶斯算法、平均单相关估计算法、贝叶斯信念网络(BBN)算法等。所述核学习算法可包括支持向量机算法、线性判别分析算法等。所述神经网络学习算法可包括感知器神经网络算法、反向传播算法、Hopfield网络算法、自组织映射(SOM)算法、学习矢量量化算法等。所述深度学习算法可包括限制玻尔兹曼机算法、深度信任网络(DBN)算法、卷积神经网络算法、堆叠自动编码器算法等。所述降维算法可包括主成分分析算法、偏最小二乘回归算法、Sammon映射算法、多维尺度算法、投影寻踪算法等。
在一些实施例中，第一训练的机器学习模型和/或第二训练的机器学习模型可以由所述图像处理系统100(例如，所述处理设备140)或其他系统生成。
在一些实施例中，在确定目标图像之后，所述处理设备140(例如，所述图像选择模块520)可以确定每个目标图像的时间戳。例如，所述处理设备140可以确定目标图像的第一图像(例如序列号为t)的时间戳，例如0.5×TempRes(TempRes为多个连续图像的时间分辨率)。从目标图像的第二图像(例如，序列号是t+1)开始，所述处理设备140可以通过将多个连续图像的时间分辨率添加到目标图像上一图像的时间戳来确定目标图像的时间戳，例如，目标图像的第二图像(例如，序列号是t+1)为1.5*TempRes，目标图像的第三个图像(例如，序列号为t+2，…)为2.5*TempRes，以及目标图像的最后一个图像(例如，序列号为t+n)为(0.5+n)*TempRes。
在一些实施例中，所述处理设备140可以用目标图像所对应的心脏状态标记至少一个目标图像。例如，所述处理设备140可以标记被认为与心脏舒张起始、心脏舒张结束、心脏收缩起始、心脏收缩结束、心室收缩起始、心室收缩结束、心室舒张起始，心室舒张结束，心房收缩起始，心房收缩结束，心房舒张起始，或心房舒张结束相对应的目标图像。
在一些实施例中，所述处理设备140可以确定与每个至少一个心动周期相对应的间隔。
在一些实施例中，所述处理设备140可以通过在生成多个连续图像之后立即或基本上立即执行流程600来处理多个连续图像以确定目标图像，例如，对于本领域技术人员而言，在一个确定的时间，该时间与生成多个连续图像的时间相当接近(例如，0.1s、1s、1分钟、5分钟或10分钟等)。在一些实施例中，所述处理设备140可以通过处理多个连续图像以确定目标图像，上述处理多个连续图像以确定目标图像是通过在规定的时间内执行流程600实现的，上述规定的时间对于本领域技术人员而言距离多个连续图像的生成时间足够长。(例如20分钟、1小时或1天等)。
应注意的是，上述描述仅为说明的目的，并不旨在限制本发明的范围。对于本领域技术人员而言，可以在本发明的教导下进行多种变化和修改。然而，这些变化和修改并不脱离本发明的范围。
图7是根据本发明的一些实施例的用于确定对应于受试者心脏的至少一个心动周期的目标图像的示例性过程的流程图。在一些实施例中，流程700可以在图1或图2所示的图像处理系统100中实现。
例如，流程700可以作为指令的形式存储在存储介质(例如，所述存储设备150或所述处理设备140的所述存储器320)中，并且可以由所述处理设备140(例如，所述处理设备140的所述处理器310，或图5所示的所述处理设备140中的一个或多个模块)调用和/或执行。下面给出的流程700的操作旨在说明。在一些实施例中，在一些实施例中，可以使用未描述的一个或多个附加操作和/或不使用所给出的一个或多个操作来完成流程700。另外，图7所示的以及下面所描述的内容并不是用来限制流程700的执行顺序。在一些实施例中，所述处理设备140可以基于流程700执行图6中流程600中的操作620。
在操作710中，所述处理设备140(例如，所述图像选择模块520)可以基于多个连续图像来确定参考图像。在一些实施例中，所述参考图像可用于确定多个连续图像中的舒张图像或收缩图像。在一些实施例中，所述参考图像可以是舒张图像或收缩图像。例如，如果参考图像是舒张图像，则该参考图像可用于确定多个连续图像中的舒张图像。又如，如果参考图像是收缩图像，则该参考图像可用于确定多个连续图像中的收缩图像。
由于在一个心动周期中，舒张图像的数量可能大于收缩图像的数量，因此在多个连续图像中，舒张图像可能多于收缩图像。根据多个连续图像，用于确定舒张图像的结果可能比用于确定收缩图像的结果更准确。因此，优选地，所述处理设备140可以从多个连续图像中选择与心脏舒张相对应的图像作为参考图像。
在一些实施例中，所述处理设备140可以通过执行以下操作来确定对应于心脏舒张的参考图像。
所述处理设备140可以基于多个连续图像中像素的像素值的相似性将多个连续图像分成两个或更多个第一组群。在一些实施例中，所述处理设备140可以使用K-均值聚类将多个连续图像分成两个或多个第一组群。
由于在一个心动周期中，舒张图像的数量可能大于收缩图像的数量，因此在多个连续图像中，舒张图像可能多于收缩图像。在两个或多个第一组群中，图像数量最大的第一组群最有可能只包括舒张图像。因此，所述处理设备140可以选择其中图像数量在两个或多个第一组群中最大的两个或多个第一组群中的一个。
所述处理设备140可以基于所选第一组群的图像来确定中值图像。中值图像中的每个像素的像素值可以是所选第一组群中的图像的相应像素的像素值的中值。
所述处理设备140可以基于中值图像来确定参考图像。所确定的参考图像可被视为对应于心脏舒张。
例如，所述处理设备140可以确定中值图像作为参考图像。又如，所述处理设备140可以基于中值图像确定所选第一组群中的图像作为参考图像。仅作为示例，所述处理设备140可以通过将中值图像的每个像素的像素值与所选第一组群中的至少一个图像中的对应像素的像素值进行比较来确定中值图像与所选第一组群中的至少一个图像之间的相似度。例如，所述处理设备140可以确定中值图像的每个像素的像素值与所选第一组群中的至少一个图像中的对应像素的像素值之间的差。所述处理装置140可以通过确定差的平均值、差的和、差的平方的平均值或差的平方的和来确定相似度。
所述处理设备140可以基于相似度来确定所选第一组群中的某一图像作为参考图像。例如，所述处理设备140可以确定与相似度最小的图像对应的图像作为参考图像。或者另外地，所述处理设备140可以确定与相似度小于相似度阈值的图像对应的图像作为参考图像。
在操作720中，所述处理设备140(例如，所述图像选择模块520)可以确定参考图像与多个连续图像中的至少多个图像之间的相关性。优选地，所述处理设备140可以确定参考图像和多个连续图像中的每一个之间的相关性。
仅作为示例，所述处理设备140可以基于以下公式(1)确定参考图像和多个连续图像中的每一个之间的相关性：
Figure BDA0002536427180000171
其中，I0表示参考图像；I(t)表示多个连续图像中的一个；C(t)表示参考图像与多个连续图像中的一个之间的相关性。
在操作730中，所述处理设备140(例如，所述图像选择模块520)可以在多个连续图像中基于相关性确定与受试者心脏的心脏舒张相对应的舒张图像和/或与受试者心脏的心脏收缩相对应的收缩图像。
在一些实施例中，所述处理设备140可以确定相关性的中值。所述处理设备140可以在多个连续图像中基于相关性的中值来确定舒张图像和/或收缩图像。例如，参考图像可以是舒张图像。所述处理设备140可以在多个连续图像中确定与相关性大于相关性中值的图像作为舒张图像。又如，参考图像可以是收缩图像。在多个连续图像中，所述处理设备140可以确定与相关性大于相关性中值的图像对应的图像作为收缩期图像。
仅作为示例，图8是根据本发明的一些实施例的基于与心脏舒张相对应的参考图像和多个连续图像中的每一个之间的相关性生成的示例性相关曲线的示意图。在图8的实施例中，参考图像可以是对应于心脏舒张的图像。
在一些实施例中，所述处理设备140可以基于多个连续图像的时间顺序来确定多个连续图像中的每个的序列号，例如，1-40分别代表40个连续图像。相关曲线800可以指示相关与对应于相关的图像序列号之间的关系。如图8所示，相关曲线800的横轴表示多个连续图像的序列号。相关曲线800的纵轴表示参考图像和多个连续图像中的每一个之间的相关性。
如图8所示，线段810表示相关性的中值。对应于相关曲线800中的820段和830段的图像(相关性大于相关性的中值)可以被确定为舒张图像。
在操作740中，所述处理设备140(例如，所述图像选择模块520)可以在舒张图像或收缩图像中确定两个或多个终端图像。
仅作为示例，所述处理设备140可以基于多个连续图像的时间顺序来确定多个连续图像中的每一个的序列号，例如，1-40分别代表40个连续图像。所述处理设备140可以基于对应于心脏舒张的参考图像来确定多个连续图像中的舒张图像。所述处理设备140可以基于所确定的舒张图像中像素的像素值的相似性和/或所确定的舒张图像的序列号，将所确定的舒张图像分成两个或更多的第二组群。在一些实施例中，所述处理设备140可以使用K-均值聚类将确定的舒张图像分成两个或更多第二组群。在一些实施例中，第二组群中的图像可被视为反映心脏舒张。对于两个或多个第二组群中的至少两个，所述处理设备140可以将两个或多个第二组群中的至少两个中的相同位置(例如，第一位置、最后位置或中间位置等)的图像确定为两个或多个终端图像。例如，对于两个或更多第二组群中的至少两个，所述处理设备140可以确定第二组群中的图像序列号的中值。序列号等于序列号中值的图像可以被确定为终端图像。
在一些实施例中，所述处理设备140可以使用机器学习来确定舒张图像或收缩图像中的两个或多个终端图像，例如，在图6流程600中的操作620中所描述的第二训练机器学习模型。
在操作750中，所述处理设备140(例如，所述图像选择模块520)可以通过在多个连续图像中包括两个或多个终端图像的两个相邻终端图像之间的图像来确定目标图像。
例如，所述处理设备140可以确定两个终端图像，即，图像j和图像j+h。所述处理设备140可以通过在多个连续图像中包括图像j+1到j+h-1来确定目标图像。在一些实施例中，所述处理设备140还可以在目标图像中包括图像j和/或图像j+h。
本领域技术人员将清楚地看到，在不脱离本发明的精神和范围的情况下，可以在本发明中进行各种改变和修改。以这种方式，如果本发明的修改和变更在所附权利要求及其等效权利要求的范围内，则本发明可以包括此类修改和变更。
在上述描述基本概念之后，本领域技术人员在阅读了本发明详细公开的内容之后可以相当明显地看到，上述详细公开的内容仅以示例的方式呈现，并非旨在限制。本领域技术人员可以进行各种改变、改进和修改，尽管这里没有明确说明。这些改变、改进和修改旨在由本发明提出，并且在本发明的示例性实施例的构思和范围内。
此外，某些术语被用于描述本发明的实施例。例如，术语“一个实施例”、“某个实施例”和“一些实施例”意味着结合该实施例描述的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，应当强调并且应当理解，在本说明书的各个部分中，对“一个实施例”或“某个实施例”或“可选实施例”的两个以上引用不一定都是指同一实施例。此外，可以在本发明的一个或多个实施例中适当地组合特定特征、结构或特征。
此外，本领域技术人员将理解，本发明的各个方面可以在许多可授予专利的文本中的任何一个中加以说明和描述，包括任何新的和有用的工艺、机器、制造或物质组成，或其任何新的和有用的改进。因此，本发明的各个方面可以完全通过硬件实现、完全通过软件实现(包括固件、驻留软件、微代码等)，或者结合软件和硬件实现，这些实现在本发明中通常被称为“模块”、“单元”、“组件”、“设备”或“系统”。此外，本发明的各个方面可以采用包括一个或多个计算机可读介质中的计算机程序产品的形式，该计算机可读介质具有体现在其上的计算机可读程序代码。
计算机可读信号介质可以包括传播的数据信号，其中包含计算机可读程序代码，例如，在基带中或作为载波的一部分。这种传播的信号可以采取各种形式中的任何一种，包括电磁、光学等，或者它们的任何适当组合。计算机可读信号介质可以是非计算机可读存储介质的任何计算机可读介质，并且可以通信、传播或传输供指令执行系统、设备或装置使用或与之相关的程序。包含在计算机可读信号介质上的程序代码可以使用任何适当的介质，包括无线、有线、光纤电缆、射频或类似，或以上的任何适当组合，来进行传输。
用于执行本发明的各方面操作的计算机程序代码可以用一种以上编程语言的任何组合来编写，包括面向对象的编程语言，如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.net、Python等，传统的程序化编程语言，如C语言、Visual Basic、Fortran 2103、Perl、COBOL 2102、PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其他编程语言。程序代码可以完全在用户的计算机上执行，一部分在用户的计算机上执行，作为独立的软件包，部分在用户的计算机上执行，一部分在远程计算机上执行，或者完全在远程计算机或服务器上执行。在后一种情况下，远程计算机可以通过任何类型的网络连接到用户的计算机，包括局域网(LAN)或广域网(WAN)，或者可以连接到外部计算机(例如，通过使用Internet服务提供商的Internet)，或在云计算环境中，或作为服务提供，如软件即服务(SaaS)。
此外，处理元件或序列的列举顺序，或因此而使用的数字、字母或其他名称，并不打算将所要求保护的过程和方法限制为任何顺序，除非权利要求中另有指定。尽管上述公开内容通过各种示例讨论了当前被认为是本发明的各种有用实施例的内容，但是应当理解，这些细节仅用于解释的目的，并且所附权利要求不限于所公开的实施例，而是旨在涵盖在所公开实施例的构思和范围内的修改和等效布置。例如，尽管上述各种组件的实现可以体现在硬件设备中，但也可以实现为仅软件的解决方案，例如，在现有服务器或移动设备上的安装。
类似地，应当理解，在本发明的实施例的前述描述中，各种特征有时在单个实施例、图或其描述中被组合在一起，以简化本发明，有助于理解一个或多个不同实施例。然而，这种披露方法不应被解释为反映了这样一种意图，即所要求保护的技术方案需要比每项权利要求中明确陈述的更多的特征。本发明实施例存在特征比单个前述公开实施例的所有特征更少的实施例。

Claims (12)

1.一种用于医学成像的系统，其特征在于，包括：
至少一个存储设备，其存储有指令集；以及
至少一个处理器，用于与所述至少一个存储设备通信，其中，当执行所述指令集时，所述至少一个处理器用于指示所述系统执行以下操作，包括：
获取感兴趣区域的多个连续图像，所述感兴趣区域包括受试者心脏的至少一部分，其中：
所述多个连续图像基于从所述感兴趣区域获取的成像数据，该成像数据由无心电门控的扫描器获取，以及
所述多个连续图像与所述受试者心脏的一个或多个心动周期相关；以及
在所述多个连续图像中自动确定目标图像，所述目标图像对应于所述受试者心脏的一个或多个心动周期中的至少一个心动周期。
2.根据权利要求1所述的系统，其特征在于，当执行所述指令集时，所述至少一个处理器还用于指示所述系统执行以下操作：
对于至少一个所述目标图像，基于所述多个连续图像的时间分辨率确定相应的时间信息。
3.根据权利要求1所述的系统，其特征在于，在所述多个连续图像中自动确定所述目标图像的操作中，所述至少一个处理器还用于指示所述系统执行以下操作：
基于所述多个连续图像确定参考图像，所述参考图像与所述受试者心脏的心脏舒张相关；
确定所述参考图像与所述多个连续图像中的至少多个图像之间的相关性；
在所述多个连续图像中，基于所述相关性确定与所述心脏舒张相关的舒张图像；
在所述舒张图像中确定两个或多个终端图像；以及
通过在所述多个连续图像中包括两个或多个终端图像的两个相邻终端图像之间的图像来确定目标图像。
4.根据权利要求3所述的系统，其特征在于，基于所述多个连续图像确定所述参考图像，所述至少一个处理器还用于指示所述系统执行以下操作：
将所述多个连续图像分成两个或多个第一组群；
从所述两个或多个第一组群中选择一个，所选中的第一组群中图像的数量在所述两个或多个第一组群中最大；
基于所选中的第一组群的图像确定中值图像，所述中值图像中的每个像素的像素值是所选中的第一组群中图像的相应像素的像素值的中值；以及
根据所述中值图像确定参考图像。
5.根据权利要求4所述的系统，其特征在于，根据所述中值图像确定参考图像，所述至少一个处理器还用于指示所述系统执行以下操作：
通过比较所述中值图像的每个像素的像素值与所选中的第一组群中的至少一个图像中的对应像素的像素值来确定所述中值图像与所选中的第一组群中的至少一个图像之间的相似度；以及
根据所述相似度确定所选中的第一组群中的一个图像作为参考图像。
6.根据权利要求3-5中任一权利要求所述的系统，其特征在于，在所述多个连续图像中，基于所述相关性确定与所述心脏舒张相关的舒张图像，所述至少一个处理器还用于指示所述系统执行以下操作：
确定所述多个连续图像中至少多个图像的相关性的中值；以及
根据所述相关性的中值确定舒张图像，所述舒张图像的相关性大于所述多个连续图像中至少多个图像的相关性的中值。
7.根据权利要求3-5中任一权利要求所述的系统，其特征在于，在所述舒张图像中确定两个或多个终端图像，所述至少一个处理器还用于指示所述系统执行以下操作：
利用K-均值聚类将所述舒张图像分为两个或更多第二组群；
根据所述舒张图像的时间顺序确定每个舒张图像的编号；以及
在所述两个或更多第二组群中的每一个组群中，确定编号为第二组群舒张图像编号中值的图像作为终端图像。
8.根据权利要求1或2所述的系统，其特征在于，在所述多个连续图像中自动确定所述目标图像，所述至少一个处理器还用于指示所述系统执行以下操作：
利用机器学习确定所述目标图像。
9.根据权利要求8所述的系统，其特征在于，利用机器学习确定所述目标图像，所述至少一个处理器还用于指示所述系统执行以下操作：
基于第一训练的机器学习模型确定所述多个连续图像中的两个或多个终端图像；以及
通过在所述多个连续图像中包含两个或多个所述终端图像的两个相邻终端图像之间的图像确定所述目标图像。
10.根据权利要求8所述的系统，其特征在于，利用机器学习确定所述目标图像，所述至少一个处理器还用于指示所述系统执行以下操作：
使用第二训练的机器学习模型，在所述多个连续图像中确定与所述受试者心脏的舒张有关的舒张图像或与所述受试者心脏的收缩有关的收缩图像；
在所述舒张图像或所述收缩图像中确定两个或多个终端图像；以及
通过在所述多个连续图像中包含两个或多个所述终端图像的两个相邻终端图像之间的图像来确定所述目标图像。
11.一种在具备一个或多个处理器和一个或多个存储设备的机器上实现医学成像的方法，所述方法包括：
获取感兴趣区域的多个连续图像，所述感兴趣区域包括受试者心脏的至少一部分，其中：
所述多个连续图像基于从所述感兴趣区域获取的成像数据，该成像数据由无心电门控的扫描器获取，以及
所述多个连续图像与所述受试者心脏的一个或多个心动周期相关；以及
在所述多个连续图像中自动确定目标图像，其中所述目标图像对应于所述受试者心脏的一个或多个心动周期中的至少一个心动周期。
12.一种非暂时性计算机可读存储介质，其特征在于，其包括用于医学成像的至少一组指令，当所述至少一组指令被计算设备的一个或多个处理器执行时，所述至少一组指令指示所述一个或多个处理器执行包括以下操作的方法：
获取感兴趣区域的多个连续图像，所述感兴趣区域包括受试者心脏的至少一部分，其中：
所述多个连续图像基于从所述感兴趣区域获取的成像数据，该成像数据由无心电门控的扫描器获取，以及
所述多个连续图像与所述受试者心脏的一个或多个心动周期相关；以及
在所述多个连续图像中自动确定目标图像，其中所述目标图像对应于所述受试者心脏的一个或多个心动周期中的至少一个心动周期。
CN202010534124.3A 2019-12-31 2020-06-12 医学成像系统和方法 Active CN113116297B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/731,407 2019-12-31
US16/731,407 US11367193B2 (en) 2019-12-31 2019-12-31 Systems and methods for medical imaging

Publications (2)

Publication Number Publication Date
CN113116297A true CN113116297A (zh) 2021-07-16
CN113116297B CN113116297B (zh) 2023-04-07

Family

ID=76546498

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010534124.3A Active CN113116297B (zh) 2019-12-31 2020-06-12 医学成像系统和方法

Country Status (2)

Country Link
US (2) US11367193B2 (zh)
CN (1) CN113116297B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11367193B2 (en) * 2019-12-31 2022-06-21 Uih America, Inc. Systems and methods for medical imaging
JP2022091341A (ja) * 2020-12-09 2022-06-21 日本電気株式会社 送信装置照合装置、学習装置、送信装置照合方法、学習方法、及びプログラム

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101238488A (zh) * 2005-08-04 2008-08-06 皇家飞利浦电子股份有限公司 3d-2d自适应形状模型支持的运动补偿重建
CN101625756A (zh) * 2009-08-13 2010-01-13 华北电力大学（保定） 一种提高冠状动脉内超声图像视觉效果的方法
CN101790351A (zh) * 2007-07-26 2010-07-28 皇家飞利浦电子股份有限公司 用于doppler超声成像系统中的自动图像选择的系统和方法
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
CN103792502A (zh) * 2012-10-26 2014-05-14 美国西门子医疗解决公司 用于成像中时序的自动系统
CN104486998A (zh) * 2012-07-20 2015-04-01 皇家飞利浦有限公司 多心音选通成像和对基于心音的成像数据的后处理
US20150192653A1 (en) * 2014-01-06 2015-07-09 Cedars-Sinai Medical Center Systems and methods for myocardial perfusion mri without the need for ecg gating and additional systems and methods for improved cardiac imaging
CN107730567A (zh) * 2017-10-30 2018-02-23 上海联影医疗科技有限公司 医学成像方法及系统
CN107978001A (zh) * 2016-10-24 2018-05-01 北京东软医疗设备有限公司 一种重建心脏ct图像的方法和装置
CN108364290A (zh) * 2018-01-08 2018-08-03 深圳科亚医疗科技有限公司 对周期性生理活动的图像序列进行分析的方法、介质和系统
CN108968996A (zh) * 2017-05-30 2018-12-11 通用电气公司 运动门控医学成像
CN109389587A (zh) * 2018-09-26 2019-02-26 上海联影智能医疗科技有限公司 一种医学图像分析系统、装置及存储介质
CN109389653A (zh) * 2018-09-27 2019-02-26 上海联影医疗科技有限公司 心脏图像重建方法、装置、计算机设备和可读存储介质
US20190154785A1 (en) * 2017-11-17 2019-05-23 University Of Virginia Patent Foundation Cardiac and Respiratory Self-Gated Motion-Corrected Free-Breathing Spiral Cine Imaging

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1106825C (zh) 1997-02-13 2003-04-30 通用电器横河医疗系统株式会社 识别被观察器官状态时间相位的超声波诊断装置
US6434412B1 (en) 1999-05-21 2002-08-13 Siemens Medical Systems, Inc. Cardiac cine imaging with a short repetition time and high contrast between the blood and the myocardium
US7020511B2 (en) 2002-02-22 2006-03-28 Ge Medical Systems Global Technology Company, Llc Method for three dimensional cine EBA/CTA imaging
EP2724319B1 (en) * 2011-06-21 2020-03-18 Koninklijke Philips N.V. Respiratory motion determination apparatus
WO2014120953A1 (en) 2013-01-31 2014-08-07 The Regents Of The University Of California Method for accurate and robust cardiac motion self-gating in magnetic resonance imaging
US9939509B2 (en) 2014-01-28 2018-04-10 Ohio State Innovation Foundation Variable density incoherent spatiotemporal acquisition (VISTA) for highly accelerated magnetic resonance imaging
US9655522B2 (en) 2014-10-10 2017-05-23 Cedars-Sinai Medical Center Method and system for “push-button” comprehensive cardiac MR examination using continuous self-gated 3D radial imaging
KR101652046B1 (ko) 2014-11-03 2016-08-29 삼성전자주식회사 의료 영상 장치 및 의료 영상을 처리하는 방법
US10436871B2 (en) 2017-04-24 2019-10-08 Cedars-Sinai Medical Center Low-rank tensor imaging for multidimensional cardiovascular MRI
US10672151B1 (en) 2019-01-07 2020-06-02 Uih America, Inc. Systems and methods for magnetic resonance image reconstruction
US11160523B2 (en) * 2019-09-30 2021-11-02 GE Precision Healthcare LLC Systems and methods for cardiac imaging
US11367193B2 (en) * 2019-12-31 2022-06-21 Uih America, Inc. Systems and methods for medical imaging

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101238488A (zh) * 2005-08-04 2008-08-06 皇家飞利浦电子股份有限公司 3d-2d自适应形状模型支持的运动补偿重建
CN101790351A (zh) * 2007-07-26 2010-07-28 皇家飞利浦电子股份有限公司 用于doppler超声成像系统中的自动图像选择的系统和方法
CN101625756A (zh) * 2009-08-13 2010-01-13 华北电力大学（保定） 一种提高冠状动脉内超声图像视觉效果的方法
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
CN104486998A (zh) * 2012-07-20 2015-04-01 皇家飞利浦有限公司 多心音选通成像和对基于心音的成像数据的后处理
CN103792502A (zh) * 2012-10-26 2014-05-14 美国西门子医疗解决公司 用于成像中时序的自动系统
US20150192653A1 (en) * 2014-01-06 2015-07-09 Cedars-Sinai Medical Center Systems and methods for myocardial perfusion mri without the need for ecg gating and additional systems and methods for improved cardiac imaging
CN107978001A (zh) * 2016-10-24 2018-05-01 北京东软医疗设备有限公司 一种重建心脏ct图像的方法和装置
CN108968996A (zh) * 2017-05-30 2018-12-11 通用电气公司 运动门控医学成像
CN107730567A (zh) * 2017-10-30 2018-02-23 上海联影医疗科技有限公司 医学成像方法及系统
US20190154785A1 (en) * 2017-11-17 2019-05-23 University Of Virginia Patent Foundation Cardiac and Respiratory Self-Gated Motion-Corrected Free-Breathing Spiral Cine Imaging
CN108364290A (zh) * 2018-01-08 2018-08-03 深圳科亚医疗科技有限公司 对周期性生理活动的图像序列进行分析的方法、介质和系统
CN109389587A (zh) * 2018-09-26 2019-02-26 上海联影智能医疗科技有限公司 一种医学图像分析系统、装置及存储介质
CN109389653A (zh) * 2018-09-27 2019-02-26 上海联影医疗科技有限公司 心脏图像重建方法、装置、计算机设备和可读存储介质

Also Published As

Publication number Publication date
CN113116297B (zh) 2023-04-07
US11367193B2 (en) 2022-06-21
US12082906B2 (en) 2024-09-10
US20220392073A1 (en) 2022-12-08
US20210201490A1 (en) 2021-07-01

Similar Documents

Publication Publication Date Title
US11957507B2 (en) Systems and methods for a deep neural network to enhance prediction of patient endpoints using videos of the heart
US11257585B2 (en) Systems and methods for predicting image quality scores of images by medical imaging scanners
US11696729B2 (en) Systems and methods for image data acquisition
US20190139641A1 (en) Artificial intelligence for physiological quantification in medical imaging
US11967429B2 (en) Systems and methods for scan preparation
US11816833B2 (en) Method for reconstructing series of slice images and apparatus using same
US12082906B2 (en) Systems and methods for medical imaging
CN109712217B (zh) 一种医学图像可视化方法和系统
US11842465B2 (en) Systems and methods for motion correction in medical imaging
US20210133984A1 (en) Systems and methods for machine learning based physiological motion measurement
CN112529919B (zh) 用于生成受试者的心脏的牛眼图生成的系统和方法
US20230154002A1 (en) Systems and methods for scanning data processing
US20230222709A1 (en) Systems and methods for correcting mismatch induced by respiratory motion in positron emission tomography image reconstruction
CN113822298A (zh) 一种时间活度曲线提取方法和系统
CN117015801A (zh) 图像分割的系统和方法
CN112446499A (zh) 改进用于自动量化冠状动脉疾病的机器学习模型的性能
WO2023030344A1 (en) Systems and methods for medical image processing
US20240202995A1 (en) Systems and methods for reconstructing cardiac images
WO2023051632A1 (en) Methods and systems for image processing
US20230045406A1 (en) System and method for hybrid imaging
WO2024131791A1 (en) Systems and methods for myocardial information determination
CN118475950A (zh) 医学图像运动校正系统和方法
CN117541742A (zh) 图像处理方法、装置、计算设备及存储介质
CN118396949A (zh) 一种心室室壁瘤评估方法及系统

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