CN113329688B - 用于确定组织体素的特征的方法、系统和计算机可读介质 - Google Patents

用于确定组织体素的特征的方法、系统和计算机可读介质 Download PDF

Info

Publication number
CN113329688B
CN113329688B CN202080010505.XA CN202080010505A CN113329688B CN 113329688 B CN113329688 B CN 113329688B CN 202080010505 A CN202080010505 A CN 202080010505A CN 113329688 B CN113329688 B CN 113329688B
Authority
CN
China
Prior art keywords
tissue
time
parameters
points
voxel
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.)
Active
Application number
CN202080010505.XA
Other languages
English (en)
Other versions
CN113329688A (zh
Inventor
A·尤伯三世
M·罗雷尔
G·克诺博罗齐
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.)
Bayer AG
Original Assignee
Bayer AG
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 Bayer AG filed Critical Bayer AG
Priority to CN202311628435.6A priority Critical patent/CN117582208A/zh
Publication of CN113329688A publication Critical patent/CN113329688A/zh
Application granted granted Critical
Publication of CN113329688B publication Critical patent/CN113329688B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T15/00—3D [Three Dimensional] image rendering
    • G06T15/08—Volume rendering
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/5608—Data processing and visualization specially adapted for MR, e.g. for feature analysis and pattern recognition on the basis of measured MR data, segmentation of measured MR data, edge contour detection on the basis of measured MR data, for enhancing measured MR data in terms of signal-to-noise ratio by means of noise filtering or apodization, for enhancing measured MR data in terms of resolution by means for deblurring, windowing, zero filling, or generation of gray-scaled images, colour-coded images or images displaying vectors instead of pixels
    • 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
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/42—Detecting, measuring or recording for evaluating the gastrointestinal, the endocrine or the exocrine systems
    • A61B5/4222—Evaluating particular parts, e.g. particular organs
    • A61B5/4244—Evaluating particular parts, e.g. particular organs liver
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/5601—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution involving use of a contrast agent for contrast manipulation, e.g. a paramagnetic, super-paramagnetic, ferromagnetic or hyperpolarised contrast agent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0499—Feedforward networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/563—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution of moving material, e.g. flow contrast angiography
    • G01R33/56366—Perfusion imaging
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G06T2207/10096—Dynamic contrast-enhanced magnetic resonance imaging [DCE-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]
    • 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
    • G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
    • 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
    • G06T2207/30056—Liver; Hepatic
    • 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
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Veterinary Medicine (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Pathology (AREA)
  • Quality & Reliability (AREA)
  • Gastroenterology & Hepatology (AREA)
  • Signal Processing (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Computer Graphics (AREA)
  • Multimedia (AREA)
  • Physiology (AREA)
  • Endocrinology (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

一种用于预测、预测和/或评估组织特征的系统、方法和计算机程序产品，获得与两个或更多个时间点处所测量的患者的组织体素的参数相关联的测量信息，所述两个或更多个时间点发生在基于所述两个或更多个时间点中的单个时间点处所测量的所述体素的参数所生成的图像中所述组织体素的一个或更多个特征可分离之前，以及基于所述两个或更多个时间点处的所述体素的参数，确定所述组织体素的所述一个或更多个特征。

Description

用于确定组织体素的特征的方法、系统和计算机可读介质
技术领域
本公开内容总体涉及诊断成像，且在一些非限制性实施方案或方面中，涉及预测、预期和/或评估来自选定时期的医学图像和/或组织特征的较晚时期。
背景技术
磁共振成像简称MRI，是一种成像方法，该成像方法尤其用于医学诊断中，用于描绘人体或动物体中的组织和器官的结构和功能。
在MRI中，检查对象中的质子的磁矩在基本磁场中被对准，从而沿着纵向方向存在宏观磁化。此随后通过高频(HF)脉冲(激励)的入射辐射而从静止位置偏转。从激励状态到静止位置的恢复(弛豫)或磁化动态随后被一个或更多个HF接收器线圈检测为弛豫信号。
为了空间编码，快速切换的磁梯度场被叠加在基本磁场上。所捕获的弛豫信号或者所检测到的且经空间解析的MRI数据初始地被呈现为空间频率空间中的原始数据，且可以通过随后的傅里叶变换被变换到实体空间(图像空间)中。
对于原始MRI，由不同的弛豫时间(T1和T2)和质子密度生成组织对比。
T1弛豫描述了纵向磁化向其平衡状态的转变，T1是在共振激励之前达到63.21％的平衡磁化所需要的时间。它还被称为纵向弛豫时间或自旋晶格弛豫时间。
类似地，T2弛豫描述了横向磁化向其平衡状态的转变。
MRI造影剂通过更改摄取造影剂的结构的弛豫时间来发挥它们的作用。可以在两组物质之间进行区分：顺磁性物质和超顺磁性物质。两组物质都具有未成对的电子，这些电子在单个原子或分子周围感应出磁场。
超顺磁性造影剂导致T2的显著缩短，而顺磁造影剂主要导致T1的缩短。T1时间的缩短导致T1加权MRI图像中的信号强度的增加，而T2时间的缩短导致T2加权MRI图像中的信号强度的降低。
所述造影剂的作用是间接的，因为造影剂本身不发出信号，而是仅影响其周围的氢质子的信号强度。
细胞外、细胞内和脉管内造影剂可以根据它们在组织中的扩散模式进行区分。
超顺磁性造影剂的一个实施例是氧化铁纳米颗粒(SPIO：超顺磁性氧化铁)。超顺磁性造影剂通常用作脉管内造影剂。
顺磁性造影剂的实施例是钆螯合物，诸如钆喷酸葡胺(商品名：等)、钆贝葡胺(商品名：/>)、钆特酸/> 钆双胺/>钆特醇/>和钆布醇/>
细胞外、细胞内和脉管内造影剂可以根据它们在组织中的扩散模式进行区分。
在CT中，当X射线辐射穿过患者时，造影剂会吸收由CT机所创建的X射线辐射。在核医学(分子成像的形式)中，造影剂包括放射性原子，这些放射性原子会衰变以产生由成像设备检测到的信号。在超极化MRI中，大部分原子核与磁场对准且被注射到患者中以用于成像。
基于钆塞酸的造影剂的特征在于肝脏细胞、肝细胞的特异性摄取，且在于功能组织(实质(parenchyma))中的富集，且在于健康肝脏组织中造影剂的增强。囊肿、转移瘤以及大多数肝脏细胞癌的细胞不再像正常肝脏细胞那样起作用，不摄取造影剂或几乎不摄取造影剂，不会通过增强进行描绘，因此可识别和可定位。
基于钆塞酸的造影剂的实施例在US6,039,931A中进行描述；它们可以例如以商品名或/>购得。
的造影剂增强效果通过稳定的钆络合物Gd-EOB-DTPA(钆塞酸二钠(gadolinium ethoxybenzyl diethylenetriaminepentaacetic acid))介导。DTPA与顺磁性钆离子形成具有极高热力学稳定性的络合物。乙氧基苄基自由基(EOB)是肝胆摄取造影剂的介体。
可以被用于检测肝脏中的肿瘤。健康的肝脏组织的血液供应主要经由门静脉(vena portae)实现，而肝脏动脉(arteria hepatica)供应大多数原发性肿瘤。在静脉注射一剂造影剂之后，相应地可以观察到健康肝脏实质的信号上升与肿瘤的信号上升之间的时间延迟。除了恶性肿瘤之外，肝脏中经常发现的是良性病变，诸如囊肿、血管瘤和局灶性结节增生(FNH)。恰当的治疗计划要求将这些良性病变与恶性肿瘤进行区分。可以被用于鉴别良性和恶性局灶性肝脏病变。通过T1加权MRI，提供了关于所述病变的特征的信息。通过利用肝脏和肿瘤的不同血液供应以及造影剂增强的时间分布来实现区分。
通过所实现的造影剂增强可以被分为至少两个时期：动态期(包括所谓的动脉期、门静脉期和晚期)和肝胆期(在肝胆期中，已经发生了/>在肝细胞中的显著摄取)。
在分配期由所实现的造影剂增强的情况下，观察到的是提供用于表征病变的信息的典型的灌注模式。描绘脉管化有助于表征病变类型以及确定肿瘤和血管之间的空间关系。
在T1加权MRI图像的情况下，在注射之后的10-20分钟(在肝胆期中)导致健康的肝脏实质中明显的信号增强，而病变不含肝细胞或仅含有少量肝细胞，例如转移或中度至低分化的肝细胞癌(HCC)显示为较暗的区域。
跟踪造影剂在动态期和肝胆期随时间的扩散为局灶性肝脏病变的检测和鉴别诊断提供了良好的可能性；然而，检查延续相对长的时间跨度。在所述时间跨度内，应避免患者的移动，从而最小化MRI图像中的移动伪影。长时间的移动限制对患者来说可能是不愉快的，且在实践中难以一贯地实现。
发明内容
本公开内容的非限制性实施方案或方面涉及诊断成像检查的改进，例如在扫描时间的加速或缩短方面(例如，用于通过动态对比增强磁共振成像(MRI)等来检测和区别诊断局灶性肝脏病变)。本公开内容的非限制性实施方案或方面提供了用于预测、预期和/或评估来自选定时期(例如，较早时期等)(例如，肝脏在肝胆期期间)的医学图像的较晚时期，从而减少图像数据获取时间的方法、系统和计算机程序产品。附加地或替代地，可以使用来自成像序列的可以替代和/或被用于合成较晚图像的数据来确定参数，例如组织体积(例如，体素等)的药代动力学参数。
尽管主要针对具有造影剂的肝脏组织的MRI进行描述，但本公开内容的非限制性实施方案或方面不限于此，且根据非限制性实施方案或方面的方法、系统和计算机程序产品可以预测、预期和/或评估从使用具有或不具有造影剂的任何成像模态所获取的任何器官的医学图像的选定时期(例如，较早时期等)的医学图像的较晚时期。
根据一些非限制性实施方案或方面，提供了一种方法，包括以下步骤：接收多个MRI图像，所述MRI图像示出第一时间跨度期间的检查区域；将所述多个MRI图像馈送到预测模型，所述预测模型已经通过监督学习进行训练，从而基于示出第一时间跨度期间的检查区域的MRI图像来预测示出第二时间跨度期间的所述检查区域的一个或更多个MRI图像；通过所述预测来生成示出第二时间跨度期间的所述检查区域的一个或更多个预测的MRI图像；以及，显示和/或输出所述一个或更多个预测的MRI图像和/或将所述一个或更多个预测的MRI图像存储在数据存储介质中。
根据一些非限制性实施方案或方面，提供了一种系统，所述系统包括接收单元、控制和计算单元以及输出单元，所述控制和计算单元被配置为提示所述接收单元接收多个MRI图像，所接收的MRI图像示出第一时间跨度期间的检查区域，所述控制和计算单元被配置为基于所接收的MRI图像来预测一个或更多个MRI图像，一个或更多个预测的MRI图像示出第二时间跨度期间的所述检查区域，所述控制和计算单元被配置为提示所述输出单元显示所述一个或更多个预测的MRI图像，输出所述一个或更多个预测的MRI图像或将所述一个或更多个预测的MRI图像存储在数据存储介质中。
根据一些非限制性实施方案或方面，提供了一种包括计算机程序的计算机程序产品，所述计算机程序可以被加载到计算机的存储器中，其中所述计算机程序提示所述计算机执行以下步骤：接收多个MRI图像，所述MRI图像示出第一时间跨度期间的检查区域；将所接收的MRI图像馈送到预测模型，所述预测模型已经通过监督学习进行训练，从而基于示出第一时间跨度期间的检查区域的MRI图像来预测示出第二时间跨度期间的所述检查区域的一个或更多个MRI图像；接收作为所述预测模型的输出的、示出第二时间跨度期间的所述检查区域的一个或更多个预测的MRI图像；显示和/或输出所述一个或更多个预测的MRI图像和/或将所述一个或更多个预测的MRI图像存储在数据存储介质中。
根据一些非限制性实施方案或方面，提供了造影剂在MRI方法中的用途，所述MRI方法包括以下步骤：施用所述造影剂，所述造影剂在检查区域中扩散；生成第一时间跨度期间的所述检查区域的多个MRI图像；将所生成的MRI图像馈送到预测模型，所述预测模型已经通过监督学习进行训练，从而基于示出第一时间跨度期间的检查区域的MRI图像来预测示出第二时间跨度期间的所述检查区域的一个或更多个MRI图像；接收作为所述预测模型的输出的、示出第二时间跨度期间的所述检查区域的一个或更多个预测的MRI图像；以及，显示和/或输出所述一个或更多个预测的MRI图像和/或将所述一个或更多个预测的MRI图像存储在数据存储介质中。
根据一些非限制性实施方案或方面，提供了一种用于在MRI方法中使用的造影剂，所述MRI方法包括以下步骤：施用造影剂，所述造影剂在检查区域中扩散；生成第一时间跨度期间的检查区域的多个MRI图像；将所生成的MRI图像馈送到预测模型，所述预测模型已经通过监督学习进行训练，从而基于示出第一时间跨度期间的检查区域的MRI图像来预测示出第二时间跨度期间的所述检查区域的一个或更多个MRI图像；接收作为所述预测模型的输出的、示出第二时间跨度期间的所述检查区域的一个或更多个预测的MRI图像；显示和/或输出所述一个或更多个预测的MRI图像和/或将所述一个或更多个预测的MRI图像存储在数据存储介质中。
进一步提供了一种成套组件，所述成套组件包含根据本公开内容的非限制性实施方案或方面的造影剂以及计算机程序产品。
以下在不对本发明的主题(方法、系统、计算机程序产品、用途、所使用的造影剂、成套组件)进行区分的情况下，对本公开内容的非限制性实施方案或方面进行更具体的阐述。相反，以下阐述旨在类似地应用于所有实施方案的所有主题，而与它们出现的上下文(方法、系统、计算机程序产品、用途、所使用的造影剂、成套组件)无关。
如果在本说明书或权利要求中以一种顺序陈述步骤，则这未必意味着实施方案或方面限于所陈述的顺序。相反，可以设想，还以不同的顺序或者彼此并行地执行所述步骤，除非一个步骤建立在另一步骤上，这绝对需要所建立的步骤随后执行(然而，这将在个体情况下是清晰的)。因此，所陈述的顺序可以是优选的实施方案。
本公开内容的非限制性实施方案或方面在MRI图像的生成中缩短了检查对象的检查的时间跨度。在一些非限制性实施方案或方面，这是通过第一时间跨度中所测量的检查对象的检查区域的MRI图像(磁共振测量)且然后在自学习算法的帮助下使用所测量的MRI图像来预测示出第二时间跨度中的所述检查区域的一个或更多个MRI图像来实现的。对检查对象的实际磁共振测量因此限于所述第一时间跨度且不包含所述第二时间跨度。示出所述第一时间跨度期间的所述检查区域的MRI图像包含允许对所述第二时间跨度进行预测的信息。
“检查对象”通常可以是活体，优选地是哺乳动物，非常特别优选地是人。检查区域可以是检查对象的一部分，例如器官或器官的一部分。在一个非限制性实施方案或方面，检查区域是哺乳动物(例如，人)的肝脏或肝脏的一部分。
“检查区域”还被称为图像体积(视场，FOV)，特别地可以是磁共振图像中所成像的体积。通常，可以认为三维视场由一个或更多个体积元素或体素组成。如果考虑二维FOV，可以认为它由一个或更多个体素或一个或更多个像素(图片元素)组成。检查区域通常可以由放射科医生限定，例如在概览图像(定位器)上。不言自明的是，还可以替代地或附加地例如在选定的协议的基础上自动地限定检查区域。
检查区域被引入基本磁场中。对检查区域采用MRI方法，且这生成示出第一时间跨度期间的检查区域的多个MRI图像。
术语“多个”意味着生成至少两个MRI图像或测量，优选地生成至少三个MRI图像或测量，非常特别优选地生成至少四个MRI图像或测量。
在检查区域中扩散的造影剂被施用到检查对象。优选地，以适应体重的方式以团注方式在静脉内施用造影剂。
“造影剂”被理解为意为一种物质或物质混合物，其在磁共振测量中的存在导致了更改的信号。优选地，造影剂导致T1弛豫时间和/或T2弛豫时间的缩短。
优选地，造影剂是肝胆造影剂，诸如例如Gd-EOB-DTPA或Gd-BOPTA。
在一个特别优选的实施方案中，造影剂是具有钆塞酸或钆塞酸盐作为对比增强的活性物质的物质或物质混合物。非常特别优选的是钆塞酸的二钠盐(Gd-EOB-DTPA二钠)。
优选地，第一时间跨度在施用造影剂之前开始或从施用造影剂开始。有利的是在生成示出不具有造影剂的检查区域的一个或更多个MRI图像时，因为放射科医生已经可以在这种图像中获得关于检查对象的健康状态的重要信息。例如，放射科医生可以在这种原始MRI图像中鉴别出血。
第一时间跨度优选地包括将造影剂分布在检查区域中。优选地，第一时间跨度包括检查对象的肝脏或肝脏的一部分的动态对比增强的磁共振断层扫描中的动脉期和/或门静脉期和/或晚期。所陈述的时期例如在以下出版物中进行了限定和描述：J.Magn.Reson.Imaging，2012，35(3):492-511，doi：10.1002/jmri.22833；ClujulMedical，2015，第88卷第4期：438-448，DOI：10.15386/cjmed-414；肝脏病学杂志，2019，第71卷：534-542，http://dx.doi.org/10.1016/j.jhep.2019.05.005。
在优选的实施方案中，第一时间跨度被选择为使得生成检查对象的肝脏或肝脏的一部分的这种MRI图像，
示出不具有造影剂的检查区域，
示出动脉期期间的检查区域，在所述动脉期中，所述造影剂经由动脉在所述检查区域中扩散，
示出门静脉期期间的检查区域，在所述门静脉期中，所述造影剂经由门静脉到达所述检查区域，以及
示出晚期期间的检查区域，在所述晚期中，所述造影剂在所述动脉和静脉中的浓度下降且所述造影剂在脉管外组织和/或肝脏细胞中的浓度上升。
优选地，所述第一时间跨度在施用所述造影剂之前的1分钟至1秒钟的时间跨度内开始，或从施用所述造影剂开始且从施用所述造影剂起持续2分钟至15分钟的时间跨度，优选地持续2分钟至13分钟的时间跨度，更优选地持续3分钟至10分钟的时间跨度。由于所述造影剂非常缓慢地经肾脏和/或胆汁排泄，所以较宽的时间跨度可以延长至施用所述造影剂之后的两小时或更长时间。
因为造影剂在不同的检查对象中会以不同的速度扩散，所以还可以通过所述造影剂在所述检查区域的不同区域中的浓度来限定所述第一时间跨度。图1中描绘了一种可能性。
图1示意性地示出了造影剂在肝脏动脉(A)、肝脏静脉(V)和健康肝脏细胞(P)中的浓度的时域剖面线。以磁共振测量中所陈述的区域(肝脏动脉、肝脏静脉、肝脏细胞)中的信号强度I作为时间t的函数的形式描绘浓度。一旦进行静脉团注，造影剂的浓度首先在肝脏动脉(A)中升高(短划线)。浓度经过最大值然后下降。肝脏静脉(V)中的浓度比肝脏动脉中的浓度更缓慢地上升，且稍后达到其最大值(虚线)。造影剂在健康肝脏细胞(P)中的浓度缓慢地上升(连续曲线)，且仅在非常晚的时间点达到其最大值(图1中未描绘)。可以限定几个特征时间点：在时间点TP0处，造影剂以团注方式在静脉中施用。在时间点TP1处，造影剂在肝脏动脉中的浓度(信号强度)达到其最大值。在时间点TP2处，肝脏动脉和肝脏静脉的信号强度的曲线相交。在时间点TP3处，造影剂在肝脏静脉中的浓度(信号强度)达到通过其最大值。在时间点TP4处，肝脏动脉和肝脏细胞的信号强度的曲线相交。在时间点T5处，肝脏动脉和肝脏静脉中的浓度已经下降到它们不再引起可测量的造影剂增强的水平。
在一个优选的实施方案中，第一时间跨度至少包括时间点TP0、TP1、TP2、TP3和TP4。
在一个优选的实施方案中，至少生成所有以下时期的MRI图像(通过测量)：从TP0到TP1的时间跨度内、从TP1到TP2的时间跨度内、从TP2到TP3的时间跨度内以及TP3到TP4的时间跨度内。
可以设想，在TP0到TP1、TP1到TP2、TP2到TP3、TP3到TP4的时间跨度内，在每种情况下(通过测量)生成一个或更多个MRI图像。还可以设想，在一个或更多个时间跨度期间，(通过测量)生成MRI图像序列。
术语“序列”意味着按时间的顺序，即生成的是示出连续时间点处的检查区域的多个MRI图像。
一个时间点被指派至每个MRI图像，或者一个时间点可以被指派至每个MRI图像。通常，此时间点是已经生成了MRI图像的时间点(绝对时间)。本领域技术人员知晓，MRI图像的生成使用一定的时间跨度。例如，可以指派至MRI图像的是开始获取的时间点或完成获取的时间点。然而，还可以设想，将任意时间点指派至MRI图像(例如，相对时间点)。
基于一个时间点，可以将一个MRI图像相对于另一MRI图像按时间顺序布置；基于一个MRI图像的时间点，可以确定该MRI图像中所示出的时刻按时间顺序发生在另一MRI图像中示出的一个时刻之前还是之后。
优选地，MRI图像按时间顺序排列成一个序列和多个序列，使得在所述序列和所述多个序列中，示出检查区域的较早状态的MRI图像被布置在示出所述检查区域的较晚状态的那些MRI图像之前。
优选地，在一个序列和/或多个序列中紧跟彼此的两个MRI图像之间的时间跨度对于所述序列和/或所述多个序列中紧跟彼此的所有MRI图像对是相同的，即MRI图像优选地以恒定的获取速率来生成。
基于第一时间跨度期间(通过测量)所生成的MRI图像，预测示出第二时间跨度期间的检查区域的单个MRI图像或多个MRI图像。
在一些非限制性实施方案或方面中，第二时间跨度在所述第一时间跨度之后。
第二时间跨度优选地是肝胆期内的时间跨度；优选地是在施用造影剂之后至少10分钟开始的时间跨度，优选地是在施用造影剂之后至少20分钟开始的时间跨度。
示出所述第一时间跨度期间的所述检查区域的多个测量的MRI图像被馈送到预测模型。所述预测模型是被配置为基于示出第一时间跨度期间的检查区域的多个MRI图像来预测示出第二时间跨度期间的所述检查区域的一个或更多个MRI图像的模型。
就此而言，术语“预测”是指使用示出第一时间跨度期间的检查区域的MRI图像来计算示出第二时间跨度期间的所述检查区域的MRI图像。
优选地，在监督机器学习过程中在自学习算法的帮助下创建所述预测模型。通过使用包括第一时间跨度和第二时间跨度的多个MRI图像的训练数据来实现学习。
自学习算法在机器学习期间生成基于训练数据的统计模型。这意味着，不是简单地背诵所述示例，而是算法“识别”训练数据中的模式和规律。因此，预测模型还可以评估未知数据。验证数据可以被用于测试未知数据的评估质量。
所述预测模型通过监督学习进行训练，即将来自第一时间跨度的多个MRI图像依次呈现给所述算法，且告知所述算法所述第二时间跨度中的哪些MRI图像与所述多个图像相关联。然后，所述算法学习所述第一时间跨度的多个MRI图像与所述第二时间跨度的MRI图像之间的关系，从而针对所述第一时间跨度的未知的多个MRI图像预测所述第二时间跨度中的一个或更多个MRI图像。
通过监督学习所训练的自学习系统得到广泛描述，例如，C.Perez:MachineLearning Techniques:Supervised Learning and Classification,Amazon DigitalServices LLC-Kdp Print Us,2019,ISBN 1096996545,9781096996545。
优选地，所述预测模型是人工神经网络。
这样的人工神经网络包括至少三层处理元件：具有输入神经元(节点)的第一层、具有至少一个输出神经元(节点)的第N层以及N-2个内层，其中N是自然数且大于2。
输入神经元用于接收数字MRI图像作为输入值。通常，针对数字MRI图像的每个像素或体素都存在一个输入神经元。可以存在针对附加输入值的附加输入神经元(例如，关于检查区域、关于检查对象和/或关于在生成MRI图像时普遍存在的条件的信息)。
在这样的网络中，输出神经元用于针对第一时间跨度的多个MRI图像来预测第二时间跨度的一个或更多个MRI图像。
输入神经元与输出神经元之间的层的处理元件以具有预定连接权重的预定模式彼此连接。
优选地，人工神经网络是所谓的卷积神经网络(简称CNN)。
卷积神经网络能够以矩阵的形式处理输入数据。这使得可以使用被描绘为矩阵(例如，宽度×高度×颜色通道)的数字MRI图像作为输入数据。与之相比，普通神经网络(例如，多层感知器(MLP)的形式的神经网络)需要向量作为输入，即使用MRI图像作为输入，该MRI图像的像素或体素将必须在长链中依次展开。结果，普通神经网络例如不能独立于对象在MRI图像中的位置来识别MRI图像中的对象。MRI图像中的不同位置处的同一对象将具有完全不同的输入向量。
CNN基本上由交替重复的过滤器(卷积层)以及聚合层(池化层)组成，最后由一层或多层“普通的”完全连接的神经元(密集/完全连接的层)组成。
在分析序列(MRI图像的序列)时，空间和时间可以被视为等效维度，并且例如通过3D折叠进行处理。这一点在由Baccouche等人的论文(Sequential Deep Learning forHuman Action Recognition；International Workshop on Human BehaviorUnderstanding,Springer 2011，第29-39页)和Ji等人的论文(3D Convolutional NeuralNetworks for Human Action Recognition,IEEE Transactions on Pattern Analysisand Machine Intelligence,35(1),221-231)中已经示出。此外，可以训练负责时间和空间的不同网络且最终合并特征，如Karpathy等人的出版物(Large-scale VideoClassification with Convolutional Neural Networks；Proceedings of the IEEEconference on Computer Vision and Pattern Recognition，2014年，第1725-1732页)和Simonyan&Zisserman的出版物(Two-stream Convolutional Networks for ActionRecognition in Videos；Advances in Neural Information Processing Systems，2014年，第568-576页)中所描述的。
循环神经网络(RNN)是一系列所谓的前馈神经网络，所述前馈神经网络包含层之间的反馈连接。RNN允许通过神经网络的不同部分共同利用参数数据来对序列数据进行建模。RNN的架构包含循环。循环表示变量的当前值对其自身在未来时间点的值的影响，因为来自RNN的输出数据的至少一部分被用作处理序列中的后续输入的反馈。可以从例如：S.Khan et al.:A Guide to Convolutional Neural Networks for Computer Vision,Morgan&Claypool Publishers 2018,ISBN 1681730227,9781681730226收集详细信息。
神经网络的训练可以例如通过反向传播方法执行。在这方面，网络所追求的是，尽可能可靠地进行给定输入向量到给定输出向量的映射。映射质量由误差函数描述。目标是最小化误差函数。在反向传播方法的情况下，通过更改连接权重来教导人工神经网络。
在训练状态下，处理元件之间的连接权重包含关于第一时间跨度的多个MRI图像与第二时间跨度的MRI图像之间的关系的信息，所述信息可以被用于针对示出所述第一时间跨度期间的检查区域的多个新的MRI图像，来预测示出第二时间跨度期间的检查区域的一个或更多个MRI图像。
可以使用交叉验证方法，以将数据划分为训练数据集与验证数据集。训练数据集被用于网络权重的反向传播训练。验证数据集被用于检查经训练的网络可以被应用于未知的多个MRI图像的预测精确性。
如已经指出的，关于检查对象、关于检查区域和/或关于检查条件的其他信息还可以用于训练、验证和预测。
关于检查对象的信息的实施例是：性别、年龄、体重、身高、既往病历、已服用的药物的性质和持续时间和量、血压、中心静脉压、呼吸率、血清白蛋白、总胆红素、血糖、铁含量、呼吸能力等。这些例如还可以从数据库或电子病历中收集。
关于检查区域的信息的实施例是：预先存在的条件、手术、部分切除、肝脏移植、铁肝、脂肪肝等。
可以设想，示出第一时间跨度期间的检查区域的多个MRI图像在被馈送到预测模型之前进行移动校正。这种移动校正确保第一MRI图像的像素或体素与在时间上处于下游的第二MRI图像的相应像素或体素示出相同的检查区域。移动校正方法在例如EP3118644、EP3322997、US20080317315、US20170269182、US20140062481、EP2626718中进行了描述。
根据非限制性实施方案或方面的系统可以执行根据非限制性实施方案或方面的方法。
所述系统包括接收单元、控制和计算单元以及输出单元。
可以设想，所陈述的单元是单个计算机系统的部件；然而，还可以设想，所陈述的单元是多个分离计算机系统的部件，所述多个分离计算机系统经由网络彼此连接，从而将数据和/或控制信号从一个单元传输到另一单元。
“计算机系统”是一种通过可编程计算规则来处理数据的电子数据处理系统。这样的系统通常包括“计算机”，包括用于执行逻辑操作的处理器的所述单元，以及外围设备。
在计算机技术中，“外围设备”是指所有与计算机连接且用于控制计算机和/或作为输入和输出设备的设备。外围设备的实施例是显示器(屏幕)、打印机、扫描仪、鼠标、键盘、驱动器、摄像机、麦克风、扬声器等。内部端口和扩展卡也被认为是计算机技术中的外围设备。
当今的计算机系统通常分为台式PC、便携式PC、膝上型电脑、笔记本电脑、上网本和平板PC以及所谓的手持设备(例如，智能电话)；所有这些系统都可以用于执行本公开内容的非限制性实施方案或方面。
经由输入装置(例如，键盘、鼠标、麦克风和/或诸如此类)实现计算机系统的输入。
该系统可以被配置为接收示出第一时间跨度期间的检查区域的多个MRI图像，且基于这些数据和可选的其他数据来生成(预测、计算)示出第二时间跨度期间的检查区域的一个或更多个MRI图像。
所述控制和计算单元用于所述接收单元的控制、多个单元之间的数据和信号流的协调以及MRI图像的计算。可以设想，存在多个控制和计算单元。
接收单元用于接收多个MRI图像。例如，多个MRI图像可以从磁共振系统传输或从数据存储介质中读取。磁共振系统可以是所述系统的部件。然而，还可以设想，所述系统是磁共振系统的部件。
将MRI图像的序列以及可选的其他数据从接收单元传输到控制和计算单元。
控制和计算单元被配置为基于示出第一时间跨度期间的检查区域的多个MRI图像来预测一个或更多个MRI图像，预测的MRI图像示出第二时间跨度期间的检查区域。优选地，用于计算第二时间跨度的MRI图像的预测模型可以被加载到控制和计算单元的存储器中。预测模型优选地通过监督学习在自学习算法的帮助下生成(训练)。
经由输出单元，预测的MRI图像可以被显示(例如，在屏幕上)、被输出(例如，经由打印机)或被存储在数据存储介质中。
在以下编号的条款中阐述了进一步的非限制性实施方案或方面：
条款1.一种计算机实施的方法，包括：获得与两个或更多个时间点处所测量的患者的组织体素的参数相关联的测量信息，其中所述两个或更多个时间点发生在基于所述两个或更多个时间点中的单个时间点处所测量的所述体素的参数所生成的图像中所述组织体素的一个或更多个特征可分离之前；以及基于所述两个或更多个时间点处的所述体素的参数，确定所述组织体素的所述一个或更多个特征。
条款2.根据条款1所述的计算机实施的方法，其中基于与所述患者以及所述患者的状况中的至少一个相关联的信息，进一步确定所述组织体素的所述一个或更多个特征。
条款3.根据条款1和2中的任一项所述的计算机实施的方法，其中针对对应于所述两个或更多个时间点中的至少一个时间点，确定所述组织体素的所述一个或更多个特征。
条款4.根据条款1-3中的任一项所述的计算机实施的方法，其中针对继所述两个或更多个时间点之后的一个时间点，确定所述组织体素的所述一个或更多个特征。
条款5.根据条款1-4中的任一项所述的计算机实施的方法，还包括：基于所述一个或更多个特征生成一个或更多个图像，所述一个或更多个图像包括所述两个或更多个时间点之后的时间点处的所述组织体素的所述一个或更多个特征。
条款6.根据条款1-5中的任一项所述的计算机实施的方法，还包括：确定与所述患者的所述组织体素的参数相关联的测量信息包括与确定所述组织体素的所述一个或更多个特征相关联的一阈值量的测量信息；以及，响应于确定所述测量信息包括该阈值量的测量信息，控制成像系统自动地停止所述测量信息的获取。
条款7.根据条款1-6中的任一项所述的计算机实施的方法，其中确定所述一个或更多个特征包括：将与所述患者的所述组织体素的参数相关联的测量信息馈送到预测模型，所述预测模型已经通过监督学习进行训练，从而基于与所述两个或更多个时间点处的参数相关联的测量信息来预测所述组织体素的所述一个或更多个特征。
条款8.根据条款1-7中的任一项所述的计算机实施的方法，其中确定所述一个或更多个特征包括：将所述组织体素的药代动力学/药效动力学(PK/PD)模型拟合到所述两个或更多个时间点处所测量的所述组织体素的参数；以及，基于拟合到所述两个或更多个时间点处所测量的所述组织体素的参数的所述PK/PD模型，确定所述组织体素的所述一个或更多个特征。
条款9.根据条款1-8中的任一项所述的计算机实施的方法，其中确定所述一个或更多个特征包括：将针对所述参数所预先计算的多个PK/PD曲线中的一个PK/PD曲线拟合到所述两个或更多个时间点处所测量的所述组织体素的参数；以及，基于拟合到所述两个或更多个时间点处的参数的PK/PD曲线来确定所述组织体素的所述一个或更多个特征。
条款10.根据条款1-9中的任一项所述的计算机实施的方法，其中确定所述一个或更多个特征包括：用基函数的集合来逼近表示所述组织体素的所述一个或更多个特征的曲线；将逼近曲线拟合到所述两个或更多个时间点处所测量的所述组织体素的参数；以及，基于拟合到所述两个或更多个时间点处所测量的所述组织体素的参数的逼近曲线，确定所述组织体素的所述一个或更多个特征。
条款11.根据条款1-10中的任一项所述的计算机实施的方法，其中确定所述一个或更多个特征包括：用基函数的集合将针对所述参数所预先计算的多个曲线中的一个曲线拟合到所述两个或更多个时间点处所测量的所述组织体素的参数；基于拟合到所述两个或更多个时间点处所测量的所述组织体素的参数的曲线，确定所述组织体素的所述一个或更多个特征。
条款12.一种系统，包括：一个或更多个处理器，所述一个或更多个处理器被编程和/或配置为：获得与两个或更多个时间点处所测量的患者的组织体素的参数相关联的测量信息，其中所述两个或更多个时间点发生在基于所述两个或更多个时间点中的单个时间点处所测量的所述体素的参数所生成的图像中所述组织体素的一个或更多个特征可分离之前；以及，基于所述两个或更多个时间点处的所述体素的参数，确定所述组织体素的所述一个或更多个特征。
条款13.根据条款12所述的系统，其中基于与所述患者以及所述患者的状况中的至少一个相关联的信息，进一步确定所述组织体素的所述一个或更多个特征。
条款14.根据条款12和13中的任一项所述的系统，其中针对对应于所述两个或更多个时间点中的至少一个时间点，确定所述组织体素的所述一个或更多个特征。
条款15.根据条款12-14中的任一项所述的系统，其中针对继所述两个或更多个时间点之后的时间点，确定所述组织体素的所述一个或更多个特征。
条款16.根据条款12-15中的任一项所述的系统，其中所述一个或更多个处理器还被编程和/或被配置为：基于所述一个或更多个特征，生成包括所述两个或更多个时间点之后的时间点处的所述组织体素的所述一个或更多个特征的一个或更多个图像。
条款17.根据条款12-16中的任一项所述的系统，其中所述一个或更多个处理器还被编程和/或被配置为：确定与所述患者的组织体素的参数相关联的测量信息包括与确定所述组织体素的所述一个或更多个特征相关联的一阈值量的测量信息；响应于确定所述测量信息包括该阈值量的测量信息，控制成像系统自动地停止所述测量信息的获取。
条款18.根据条款12-17中的任一项所述的系统，其中所述一个或更多个处理器还被编程和/或被配置为通过以下方式确定所述一个或更多个特征：将与所述患者的组织体素的参数相关联的测量信息馈送到预测模型，所述预测模型已经通过监督学习进行训练，从而基于与所述两个或更多个时间点处的参数相关联的测量信息来预测所述组织体素的所述一个或更多个特征。
条款19.根据条款12-18中的任一项所述的系统，其中所述一个或更多个处理器还被编程和/或被配置为通过以下方式确定所述一个或更多个特征：将所述组织体素的药代动力学/药效动力学(PK/PD)模型拟合到所述两个或更多个时间点处所测量的所述组织体素的参数；以及，基于拟合到所述两个或更多个时间点处所测量的所述组织体素的参数的PK/PD模型，确定所述组织体素的所述一个或更多个特征。
条款20.根据条款12-19中的任一项所述的系统，其中所述一个或更多个处理器还被编程和/或被配置为通过以下方式确定所述一个或更多个特征：将针对所述参数所预先计算的多个PK/PD曲线中的一个PK/PD曲线拟合到所述两个或更多个时间点处所测量的所述组织体素的参数；以及，基于拟合到所述两个或更多个时间点处的参数的PK/PD曲线，确定所述组织体素的所述一个或更多个特征。
条款21.根据条款12-20中的任一项所述的系统，其中所述一个或更多个处理器还被编程和/或被配置为通过以下方式确定所述一个或更多个特征：用基函数的集合逼近表示所述组织体素的所述一个或更多个特征的曲线；将逼近曲线拟合到所述两个或更多个时间点处所测量的所述组织体素的参数；以及，基于拟合到所述两个或更多个时间点处所测量的所述组织体素的参数的逼近曲线，确定所述组织体素的所述一个或更多个特征。
条款22.根据条款12-21中的任一项所述的系统，其中所述一个或更多个处理器还被编程和/或被配置为通过以下方式确定所述一个或更多个特征：用基函数的集合将针对参数所预先计算的多个曲线中的一个曲线拟合到所述两个或更多个时间点处所测量的所述组织体素的参数；基于拟合到所述两个或更多个时间点处所测量的所述组织体素的参数的曲线，确定所述组织体素的所述一个或更多个特征。
条款23.一种计算机程序产品，包括至少一个非暂时性计算机可读介质，所述至少一个非暂时性计算机可读介质包括程序指令，当由至少一个处理器执行所述程序指令时，所述程序指令导致所述至少一个处理器：获得与两个或更多个时间点处所测量的患者的组织体素的参数相关联的测量信息，其中所述两个或更多个时间点发生在基于所述两个或更多个时间点中的单个时间点处所测量的所述体素的参数所生成的图像中所述组织体素的一个或更多个特征可分离之前；以及，基于所述两个或更多个时间点处的所述体素的参数，确定所述组织体素的所述一个或更多个特征。
条款24.根据条款23所述的计算机程序产品，其中还基于与所述患者以及所述患者的状况中的至少一个相关联的信息来确定所述组织体素的所述一个或更多个特征。
条款25.根据条款23和24中的任一项所述的计算机程序产品，其中针对对应于所述两个或更多个时间点中的至少一个时间点，确定所述组织体素的所述一个或更多个特征。
条款26.根据条款23-25中的任一项所述的计算机程序产品，其中针对继所述两个或更多个时间点之后的时间点，确定所述组织体素的所述一个或更多个特征。
条款27.根据条款23-26中的任一项所述的计算机程序产品，其中所述指令还导致所述至少一个处理器：基于所述一个或更多个特征，生成包括所述两个或更多个时间点之后的时间点处的所述组织体素的所述一个或更多个特征的一个或更多个图像。
条款28.根据条款23-27中的任一项所述的计算机程序产品，其中所述指令还导致所述至少一个处理器：确定与所述患者的组织体素的参数相关联的测量信息包括与确定所述组织体素的所述一个或更多个特征相关联的一阈值量的测量信息；以及，响应于确定所述测量信息包括该阈值量的测量信息，控制成像系统自动地停止所述测量信息的获取。
条款29.根据条款23-28中的任一项所述的计算机程序产品，其中所述指令导致所述至少一个处理器通过以下方式确定所述一个或更多个特征：将与所述患者的组织体素的参数相关联的测量信息馈送到预测模型，所述预测模型通过监督学习进行训练，从而基于与所述两个或更多个时间点处的参数相关联的测量信息来预测所述组织体素的所述一个或更多个特征。
条款30.根据条款23-29中的任一项所述的计算机程序产品，其中所述指令导致所述至少一个处理器通过以下方式确定所述一个或更多个特征：将所述组织体素的药代动力学/药效动力学(PK/PD)模型拟合到所述两个或更多个时间点处所测量的所述组织体素的参数；以及，基于拟合到所述两个或更多个时间点处所测量的所述组织体素的参数的PK/PD模型，确定所述组织体素的所述一个或更多个特征。
条款31.根据条款23-30中的任一项所述的计算机程序产品，其中所述指令导致所述至少一个处理器通过以下方式确定所述一个或更多个特征：将针对所述参数所预先计算的多个PK/PD曲线中的一个PK/PD曲线拟合到所述两个或更多个时间点处所测量的所述组织体素的参数；以及，基于拟合到所述两个或更多个时间点处的参数的PK/PD曲线，确定所述组织体素的所述一个或更多个特征。
条款32.根据条款23-31中的任一项所述的计算机程序产品，其中所述指令导致所述至少一个处理器通过以下方式确定所述一个或更多个特征：用基函数的集合逼近表示所述组织体素的所述一个或更多个特征的曲线；将逼近曲线拟合到所述两个或更多个时间点处所测量的所述组织体素的参数；以及，基于拟合到所述两个或更多个时间点处所测量的所述组织体素的参数的逼近曲线，确定所述组织体素的所述一个或更多个特征。
条款33.根据条款23-32中的任一项所述的计算机程序产品，其中所述指令导致所述至少一个处理器通过以下方式确定所述一个或更多个特征：用基函数的集合将针对所述参数所预先计算的多个曲线中的一个曲线拟合到所述两个或更多个时间点处所测量的所述组织体素的参数；基于拟合到所述两个或更多个时间点处所测量的所述组织体素的参数的曲线，确定所述组织体素的所述一个或更多个特征。
附图说明
下面参考附图中所例示的示例性实施方案来更详细地解释本公开内容的实施方案或方面的其他优点和细节，在附图中：
图1是造影剂在肝脏动脉(A)、肝脏静脉(V)和肝脏细胞(P)中浓度以及包含肝脏动脉组织、肝脏静脉组织和肝脏细胞组织中的每一个的体素的总增强(S)的时域剖面线的曲线图；
图2是根据非限制性实施方案或方面的系统的示意图；
图3是用于预测、预期和/或评估组织特征的过程的非限制性实施方案或方面的流程图；
图4示出了肝脏在动态期和肝胆期的MRI图像；
图5示出了示出第一时间跨度中的肝脏的三个MRI图像(1)、(2)和(3)以及示出第二时间跨度中的肝脏的MRI图像(4)；
图6是可以实施本文中所描述的系统、设备、产品、装置和/或方法的环境的非限制性实施方案或方面的示意图；
图7是用于预测、预期和/或评估组织特征的过程的非限制性实施方案或方面的流程图；
图8是肝脏组织的药代动力学模型的一个非限制性实施例；
图9示出了MRI图像(3)，所述MRI图像(3)通过将从HBP所知晓的肝脏特异性造影剂的造影剂信息与肝脏的较早时期的MRI图像(1)、(2)组合以生成“纯白肝脏”图像来合成；
图10示出了从所测量的造影剂增强的图像合成的未增强的T1w图像(1)、(2)、(3)；以及
图11示出了示出与平衡摄取分离的血管增强的图像，所述平衡摄取通过从一个或更多个第二次注射后图像中减去一个或更多个平衡后更新图像导出。
具体实施方式
应理解，本公开内容可以假设多种替代变体和步骤顺序，但是明确相反规定的情况除外。还应理解，附图中所例示的以及以下说明书中所描述的特定设备和过程仅是示例性而非限制性的实施方案或方面。因此，本文中所公开的实施方案或方面所涉及的特定尺寸和其他物理特性不应被视为限制性的。
出于下文描述的目的，术语“端部”、“上部”、“下部”、“右”、“左”、“竖直”、“水平”、“顶部”、“底部”、“横向”、“纵向”及其派生词应涉及如它们在附图中定向的实施方案或方面。然而，应理解，实施方案或方面可以假定多种替代变体和步骤顺序，但是明确相反规定的情况除外。还应理解，附图中所例示的以及以下说明书中所描述的特定设备和过程仅是非限制性的示例性实施方案或方面。因此，除非另有说明，否则本文中所公开的实施方案或实施方案的方面或方面所涉及的特定尺寸和其他物理特性不应被视为限制性的。
除非明确地如此描述，否则本文中所使用的任何方面、部件、元件、结构、动作、步骤、功能、指令和/或类似物均不应被解释为关键或必要的。此外，如本文中所使用的，冠词“一(a)”和“一(an)”旨在包括一个或更多个项，且可以与“一个或更多个”和“至少一个”互换地使用。此外，如本文中所使用的，术语“集合”旨在包括一个或更多个项(例如，相关项、非相关项、相关项与非相关项的组合等)且可以与“一个或更多个”或“至少一个”互换地使用。如果意指仅一项，则使用术语“一个(one)”或类似语言。此外，如本文中所使用的，术语“具有(has)”、“具有(have)”、“具有(having)”等意味着是开放式术语。此外，除非另有明确说明，否则短语“基于”旨在表示“至少部分地基于”。
如在本文中所使用，术语“通信(communication)”和“通信(communicate)”可以指信息(例如，数据、信号、消息、指令、命令和/或诸如此类)的接收、收到、传输、传递、提供和/或诸如此类。对于一个单元(例如，设备、系统、设备或系统的部件、它们的组合和/或诸如此类)将与另一单元通信意味着，所述一个单元能够直接地或间接地从所述另一单元接收信息和/或向所述另一单元传输信息。这可以指本质上是有线的和/或无线的直接或间接连接。此外，两个单元可以彼此通信，即使所传输的信息可以在第一和第二单元之间修改、处理、中继和/或路由。例如，第一单元可以与第二单元通信，即使第一单元被动地接收信息且不主动地向第二单元发送信息。作为另一实施例，第一单元可以与第二单元通信，即使至少一个中间单元(例如，位于第一单元和第二单元之间的第三单元)处理从第一单元所接收的信息且将经处理的信息传达到第二单元。在一些非限制性实施方案或方面中，消息可以指包括数据的网络包(例如，数据包和/或诸如此类)。应理解，许多其他布置是可能的。
如本文中所使用的，术语“计算设备”可以指被配置为与一个或更多个网络直接地或间接地通信或者通过一个或更多个网络进行直接地或间接地通信的一个或更多个电子设备。计算设备可以是移动计算设备或便携式计算设备、台式计算机、服务器和/或诸如此类。此外，术语“计算机”可以指包括接收、处理和输出数据的必要部件且通常包括显示器、处理器、存储器、输入设备和网络接口的任何计算设备。“计算系统”可以包括一个或更多个计算设备或计算机。“应用”或“应用程序界面”(API)是指存储在计算机可读介质上的计算机代码或其他数据，所述计算机代码或其他数据可以由处理器执行，以促进软件部件(诸如，客户端侧前端和/或用于从客户端接收数据的服务器侧后端)之间的交互。“界面”是指所生成的显示(诸如，一个或更多个图形用户界面(GUI))，用户可以直接地或间接地(例如，通过键盘、鼠标、触摸屏等)与之交互。此外，在网络环境中直接地或间接地通信的多个计算机(例如，服务器或其他计算机化设备，诸如包括车辆计算系统的自主车辆)可以构成“系统”或“计算系统”。
将明显的是，本文中所描述的系统和/或方法可以以不同形式的硬件、软件或者硬件与软件的组合来实现。用于实施这些系统和/或方法的实际专用控制硬件或软件代码不限制实施方式。因此，在本文中不参考特定软件代码来描述系统和/或方法的操作和行为，应理解，软件和硬件可以被设计为实施基于本文中的描述的系统和/或方法。
在本文中结合阈值描述一些非限制性实施方案或方面。如本文所使用的，满足阈值可以指大于阈值、超过阈值、高于阈值、大于或等于阈值、小于阈值、少于阈值、低于阈值、小于或等于阈值、等于阈值等的值。
现在参考图1，图1示意性地示出了造影剂在肝脏动脉(A)、肝脏静脉(V)、肝脏细胞(P)中的浓度以及包含所有三种类型的组织(例如，肝脏动脉组织、肝脏静脉组织和肝脏细胞组织中的每一个)的体素的总增强(S)的时域剖面线，且图1已经在上文中进行了详细描述。
还参考图2，图2示意性地示出了根据非限制性实施方案或方面的系统。系统(10)包括接收单元(11)、控制和计算单元(12)以及输出单元(13)。
还参考图3，图3是根据非限制性实施方案或方面的方法的流程图。方法(100)包括以下步骤：
(110)接收多个MRI图像，所述MRI图像示出第一时间跨度期间的检查区域，
(120)将所述多个MRI图像馈送到预测模型，所述预测模型已经通过监督学习进行训练，从而基于示出第一时间跨度期间的检查区域的MRI图像来预测示出第二时间跨度期间的检查区域的一个或更多个MRI图像，
(130)通过预测模型来生成示出第二时间跨度期间的检查区域的一个或更多个预测的MRI图像，
(140)显示和/或输出一个或更多个预测的MRI图像和/或将一个或更多个预测的MRI图像存储在数据存储介质中。
还参考图4，图4示出了肝脏在动态期与肝胆期的MRI图像。在图4(a)、图4(b)、图4(c)、图4(d)、图4(e)和图4(f)中，始终描绘了在不同时间点处穿过肝脏的相同横截面。图4(a)、图4(b)、图4(d)和图4(f)中所录入的参考标记适用于所有的图4(a)、图4(b)、图4(c)、图4(d)、图4(e)和图4(f)；为清楚起见，它们各自仅录入一次。
图4(a)示出了在静脉内施用肝胆造影剂之前穿过肝脏(L)的横截面。在由图4(a)和图4(b)所描绘的时间点之间的时间点处，以团注方式在静脉内施用肝胆造影剂。这经由图4(b)中的肝脏动脉(A)到达肝脏。因此，肝脏动脉通过信号增强来描绘(动脉期)。主要经由动脉供血的肿瘤(T)同样在肝细胞组织中作为较明亮的(信号增强的)区域而突出。在图4(c)中所描绘的时间点处，造影剂经由静脉到达肝脏。在图4(d)中，静脉血管(V)在肝脏组织中作为明亮的(信号增强的)区域(静脉期)而突出。同时，主要经由静脉供应造影剂的健康肝脏细胞中的信号强度连续上升(图4(c)→图4(d)→图4(e)→图4(f))。在图4(f)所描绘的肝胆期中，通过信号增强来描绘肝细胞(P)；血管和肿瘤不再具有造影剂且相应地被描绘成深色。
还参考图5，图5示例性且示意性地示出了示出第一时间跨度中的肝脏的三个MRI图像(1)、(2)和(3)如何被馈送到预测模型(PM)。预测模型从三个MRI图像(1)、(2)和(3)计算示出第二时间跨度中的肝脏的MRI图像(4)。MRI图像(1)、(2)和(3)可以例如示出图4(b)、图4(c)和图4(d)中所示出的MRI图像，MRI图像(4)可以例如是图4(f)中所示出的MRI图像。
现有的成像系统和/或图像分析系统不能满足的医疗需求至少包括以下内容：健康组织和/或不同分级的病理组织的鉴别和评估、不同疾病和/或病理分期之间的区分、改进的成像/扫描工作流程、细胞特异性信息和/或细胞功能信息的生成以及关于中空或管状器官或器官系统的功能信息。
本公开内容的非限制性实施方案或方面提供和/或改进至少以下内容：健康组织和/或不同分级的病理组织(例如，弥漫性病变(诸如，组织纤维化/硬化、炎症、脂肪浸润、功能性损伤/死亡和/或诸如此类)、局灶性病变(诸如，良性或恶性肿瘤和/或诸如此类等))的鉴别和评估；不同疾病和/或病理分期(例如，弥漫性病变、局灶性病变等)之间的区分；成像/扫描工作流程(例如，更快的图像生成和/或获取等)；细胞特异性信息或细胞功能信息(例如，细胞功能(诸如，细胞摄取与排泄某些药物或代谢物的能力与速度和/或诸如此类)、分子信息(诸如，细胞氧合量、某些细胞抗原的表达、通道/膜蛋白和/或诸如此类)等)和/或关于中空或管状器官或器官系统(例如，血管系统、胆道系统、脉管压力(诸如，门静脉系统)等)的功能信息的生成。本公开内容的非限制性实施方案或方面提供动脉循环体积、门静脉体积、静脉体积、细胞外体积、胆管体积、正常肝细胞体积、脂肪细胞体积、纤维化体积、库普弗(Kupffur)细胞体积、干细胞体积、其他肝脏细胞体积和/或转移性或其他病变或非肝脏细胞体积中的一个或更多个的体素特异性估计。
现在参考图6，图6是可以实施本文中所描述的设备、系统、方法和/或产品的示例环境600的示意图。如图6中所示出的，环境600包括造影剂注射器602、注射器控制和计算系统604、注射器用户界面606、成像器608、成像器控制和计算系统610、成像器用户界面612、图像分析和计算系统614、图像分析界面616、图像和数据审核界面618、医院信息系统620和/或云计算和离线资源622。环境600的系统和/或设备可以经由有线连接、无线连接或者有线连接与无线连接的组合互连。例如，环境600的系统和/或设备可以经由蜂窝网络(例如，长期演进(LTE)网络、第三代(3G)网络、第四代(4G)网络、第五代网络(5G)、码分多址(CDMA)网络等)、公共陆地移动网络(PLMN)、局域网(LAN)、广域网(WAN)、城域网(MAN)、电话网(例如，公共交换电话网(PSTN))、专用网、ad hoc网络、内联网、互联网、基于光纤的网络、云计算网络、短距离无线通信网络和/或诸如此类和/或这些类型或其他类型的网络的任何组合互连(例如，对信息和/或数据等进行通信)。造影剂注射器602、注射器控制和计算系统604和/或注射器用户界面606可以包括具有相应的软件和/或硬件的造影剂注射系统，以设置一个或更多个注射方案，且根据所述一个或更多个注射方案向患者递送一种或更多种造影剂。在一些非限制性实施方案或方面中，造影剂注射器602、注射器控制和计算系统604和/或注射器用户界面606可以包括如美国专利Nos.6,643,537和7,937,134以及公开的国际申请No.WO2019046299A1中所描述的造影剂注射系统，这些美国专利和国际申请中的每一个的全部内容通过引用的方式纳入本文。在一些非限制性实施方案或方面，造影剂注射器602、注射器控制和计算系统604和/或注射器用户界面606可以包括Stellant FLEX CT注射系统、/>MRXperion MR注射系统、/>Mark7Arterion注射系统、/>Intego PET灌注系统、/>SpectrisSolaris EP MR注射系统、具有/>工作站的/>Stellant CT注射系统和/或诸如此类。
成像器608、成像器控制和计算系统610和/或成像器用户界面612可以包括具有相应的软件和/或硬件的成像系统，以设置成像方案且获取患者的无造影剂扫描以及造影剂增强扫描。在一些非限制性实施方案或方面，成像器608、成像器控制和计算系统610和/或成像器用户界面612可以包括：MRI系统(例如，基于T1、T2、TWI、PD、映射(脂肪、铁)、多参数方法的MRI；超极化的MRI；MR指纹识别；弹性成像等)；计算机断层扫描(CT)系统；超声系统；单光子发射计算机化断层扫描(SPECT)系统；正电子发射断层扫描-磁共振(PET/MRI)系统；正电子发射断层扫描-计算机化断层扫描(PET/CT)系统；和/或，其他诊断成像系统。在一些非限制性实施方案或方面，成像器608、成像器控制和计算系统610和/或成像器用户界面612可以包括如在2019年12月11日提交的美国专利申请No.16/710,118中所描述的成像系统，该美国专利申请的全部内容通过引入的方式纳入本文。在一些非限制性实施方案或方面中，成像器608、成像器控制和计算系统610和/或成像器用户界面612可以包括西门子医疗的Somatom Go CT系统、通用电气的Signa MR系统和/或诸如此类。
在一些非限制性实施方案或方面中，造影剂注射器602、注射器控制和计算系统604、注射器用户界面606、成像器608、成像器控制和计算系统610、成像器用户界面612、图像分析和计算系统614、图像分析界面616、图像和数据审核界面618、医院信息系统620和/或云计算和离线资源622中的一个或更多个可以包括如本文中所描述的计算机系统和/或计算机系统的一个或更多个部件和/或外围设备。
患者可以包括活体(例如，哺乳动物、人类等)，所述活体包括具有不同类型的细胞的多个组织和/或器官(例如，包括肝细胞、库普弗细胞、免疫细胞、干细胞等的肝脏)、传入和/或传出的供应/循环系统(例如，动脉、静脉、淋巴或胆道系统等)和/或不同的隔室/空间(例如，脉管空间、间质空间、细胞内空间等)。
可以根据用于扫描患者的成像系统的类型来选择或配置由造影剂注射系统递送给患者的造影剂。造影剂可包括基于钆的造影剂(GBCA)(例如，在MRI等中使用)、基于碘的造影剂(例如，在CT等中使用)、超声造影剂(例如，微泡等)和/或其他更不常见的造影剂(诸如，基于铁的制剂(例如，小型或超小超顺磁性氧化铁制剂、基于锰的制剂、CO2制剂或其他制剂))、血池剂(例如，具有较长的脉管内血液半衰期)、肾为主排泄或肝胆为主排泄的制剂、具有细胞内摄取与器官特异性摄取或细胞特异性摄取的制剂、具有器官特异性或细胞特异性结合(例如，无细胞内摄取)的制剂、具有长“滞留”的制剂(例如，FDG)和/或诸如此类。造影剂可以是放射性的。造影剂可以是细胞标记物特异性的，意味着它可以与某些细胞表面标记或细胞内部标记结合或相互作用。所涉及的造影剂可以是原始对比，例如血红蛋白中的氧水平。造影剂可以是阴性造影剂，例如，其降低血液中的血细胞比容从而降低红细胞信号，或者可以是用气体代替血液的微泡。在正常的MRI中，气体不产生信号，而在CT中，气体产生增加的传输从而减少的亨斯菲尔德(Hounsfield)单位。
造影剂注射系统可以递送单一制剂(例如，单独递送的单一造影剂等)或同时组合的多个造影剂(例如，多次平行注射、混合在一起的两种流体的注射，或者一个接一个(例如，多次连续注射))。成像系统可以在一个或更多个时间点(时期)处执行单一图像获取或扫描，在一个或更多个时间点处执行多次获取(例如，使用MR映射技术等)，和/或跨越连续的成像期间的获取。
在一些非限制性实施方案或方面中，可以将造影剂注射递送到一个或更多个不同的位置或隔室，诸如静脉脉管隔室、动脉脉管隔室、淋巴脉管隔室和/或诸如此类。
现在参考图7，图7是用于预测、预期和/或评估组织特征的过程700的非限制性实施方案或方面的流程图。在一些非限制性实施方案或方面中，过程700的一个或更多个步骤可以由图像分析和计算系统614(例如，图像分析和计算系统614的一个或更多个设备)执行(例如，完全地、部分地等)。在一些非限制性实施方案或方面中，过程700的一个或更多个步骤可由与图像分析和计算系统614分离的或包括图像分析和计算系统614的另一设备或一组设备执行(例如，完全地、部分地等)，诸如成像器控制和计算系统610(例如，成像器控制和计算系统610的一个或更多个设备)、医院信息系统620(例如，医院信息系统的一个或更多个设备)、云计算和离线资源系统622(例如，云计算和离线资源系统622的一个或更多个设备)和/或诸如此类。
如图7中所示出的，在步骤702处，过程700包括向患者递送造影剂。例如，造影剂注射系统可以向患者递送(例如，注射等)造影剂。作为一个实施例，造影剂注射器602、注射器控制和计算系统604和/或注射器用户界面606可以设置一个或更多个注射方案，且根据所述一个或更多个注射方案向患者递送一个或更多个造影剂。
在一些非限制性实施方案或方面中，造影剂可以以紧凑、短且相对快速的团注方式递送给患者，以使单独的时期(例如，动脉期、门静脉期、静脉期等)能够被区分。例如，在造影剂分配通过身体之前的短时段的“稳态”期间，造影剂浓度可能是相对均匀的，以允许短期的稳态成像。在一些非限制性实施方案或方面，如美国专利No.9,436,989中所描述的，造影剂可以被递送到患者，以减慢或延长造影剂的注射时间，该美国专利的全部内容通过引用纳入本文。在一些非限制性实施方案或方面，造影剂可以被递送到患者，以在血液中和/或在组织中实现期望的MR造影剂浓度，使得MR指纹可以包括与一个或更多个造影剂相关的参数，如2017年11月21日提交的美国专利申请No.16/462,410中所描述的，该美国专利申请的全部内容通过引用纳入本文。在一些非限制性实施方案或方面中，可以以单一快速团注(例如，以区分时期)方式、以实现从时间X到时间Y的实时成像的单一团注方式、以两个离散的图像周期(例如，0.5到2分钟，然后10或20分钟等)方式、以单一缓慢团注(例如，具有不可明显区分的正常时期等)方式或以双团注(例如，以包括第一次团注的递送、等待、成像、第二次团注的递送和成像的顺序等)方式执行造影剂的注射速度/递送。
如图7中示出的，在步骤704处，过程700包括获得与患者的组织相关联的测量信息。例如，成像系统可以设置一个或更多个成像方案,且根据所述一个或更多个成像方案来获取患者的组织的无造影剂扫描和/或造影剂增强扫描，从而获得与患者的组织相关联的测量信息(例如，患者的组织的一个或更多个图像或扫描等)。作为一个实施例，成像器608、成像器控制和计算系统610和/或成像器用户界面612(和/或图像分析和计算系统614)可以获得与两个或更多个时间点处所测量的患者的组织体素的参数相关联的测量信息(例如，所述两个或更多个时间点处的组织体素的参数值、包括或示出所述两个或更多个时间点处的参数的组织的图像或扫描等)。在一些非限制性实施方案或方面中，两个或更多个时间点发生在基于所述两个或更多个时间点中的单个时间点处的体素的参数生成的图像中组织体素的一个或更多个特征可分离(例如，与测量数据和/或由测量数据创建的图像等中的一个或更多个其他特征和/或噪声可分离)和/或可辨别(例如，由人眼等可辨别)之前。
在一些非限制性实施方案或方面中，测量信息可以在产生以下参数/图像获取时期中的一个或更多个的造影剂注射之前、期间和/或之后在不同的(例如，离散的)时间或连续地获得(例如，扫描、成像等)：原始期(例如，在造影剂之前)、动脉期、门静脉期、静脉期、平衡期、肝胆期(HBP)(在肝胆摄取和排泄的情况下)，和/或作为在一个或更多个时期内的连续图像捕获。
在一些非限制性实施方案或方面中，获得测量数据的图像获取或扫描可以在基于患者的循环时间所确定的时间点(例如，最佳时间点等)开始，如欧洲专利申请No.20161359.3中所描述的，该欧洲专利申请的全部内容通过引用方式纳入本文。
在一些非限制性实施方案或方面，可以使用以下技术中的至少一个来获得包括组织体素的一个或更多个参数的测量信息：MRI获取技术(例如，基于T1、T2、TWI、PD、映射(脂肪、铁)、多参数方法的MRI；超极化的MRI；MR指纹识别；弹性成像；等)、CT获取技术、超声技术、SPECT技术、PET/MRI技术、PET/CT技术、另一诊断成像技术或其任何组合。
在一些非限制性实施方案或方面中，由成像系统所测量的组织体素的参数可以包括以下中的至少一个：T1加权(T1w)、T2加权(T2w)、质子密度加权(PDw)、扩散加权(DWI)、x射线吸收量、T1和/或T2弛豫时间的缩短量、x射线吸收量的变化、示踪剂摄取量/辐射的代谢和配准、一个或更多个药代动力学模型参数或其任何组合。例如，由成像系统所获取的图像可以在由成像系统测量参数的时间处包括或示出组织体素的参数。
如图7中示出的，在步骤706处，过程700包括确定与患者的组织相关联的一个或更多个特征。例如，图像分析和计算系统614可以基于两个或更多个时间点处的体素的参数来确定一个或更多个特征。作为一个实施例，图像分析和计算系统614可以基于包括两个或更多个时间点处的体素的一个或更多个参数的测量信息(和/或包括或示出两个或更多个时间点处的体素的参数的图像)来生成包括或示出患者的组织体素的一个或更多个特征的一个或更多个图像。在这样的实施例中，图像分析和计算系统614可以合成、增强、组合和/或替换/消除由获取或测量包括两个或更多个时间点处的体素的参数的测量信息的成像系统所获取的和/或未获取的一个或更多个图像。例如，单个特征可以被显示为灰度图像。作为另一实施例，可以将两个或更多个特征显示为灰度图像上的颜色叠加。
在一些非限制性实施方案或方面中，可以针对与两个或更多个时间点中的一个或更多个时间点对应的时间点或时间段(例如，在与两个或更多个时间点中的一个或更多个时间点相同的时间处等)来确定一个或更多个特征(和/或包括或示出一个或更多个特征的一个或更多个图像)。在一些非限制性实施方案或方面中，可以针对在两个或更多个时间点之后(例如，在继两个或更多个时间点之后等)的时间点和/或时间段来确定一个或更多个特征(和/或包括或示出一个或更多个特征的一个或更多个图像)。
在一些非限制性实施方案或方面中，与患者的组织相关联的特征可以包括以下中的至少一个：造影剂在体素的动脉中(例如，在肝脏动脉(A)中，等)的浓度；造影剂在体素的静脉中(例如，在肝脏静脉(V)中，等)的浓度；造影剂在体素的细胞中(例如，在肝脏细胞(P)中，等)的浓度；造影剂在体素的动脉、静脉和细胞中的浓度的总增强(例如，造影剂在肝脏组织的体素的肝脏动脉(A)、肝脏静脉(V)、肝脏细胞(P)中的浓度的总增强，等)；与通过体素的组织空间的造影剂移动相关联的一个或更多个药代动力学参数；或其任何组合。在一些非限制性实施方案或方面中，与患者的组织相关联的特征可以包括与所注射的造影剂不相关联的至少一个特征，包括例如电子密度、氢密度、T1、T2、表观扩散系数(ADC)或其任何组合。
在医学成像的早期，数据的获取及图像的创建是通过使X射线穿过患者且通过与感光胶片配对的发光屏幕吸收来执行的，所述摄影胶片被冲洗以创建图像。然后，由做出诊断的放射科医生读那个胶片。使用当前的电子和计算机技术，存在多种成像模式，具有不同的方式来获取2D或3D数据阵列(随时间推移，4D)且将此数据转换为图像，意味着2D、3D或4D人类可理解的数据表示。也可以说是第5维，该第5维是针对感兴趣的患者区域中的每个体素在每个时间点收集多个数据参数的能力。如在图7进一步示出的，示例但非限制性的数据分析步骤可以包括数据分析711(例如，将所获取的数据或图像变成人类可读的图像)、数据分析712(例如，使用两个或更多个图像来创建人类可读的形式的先前不存在的图像)、数据分析713(例如，可以通知读者或者推荐或做出诊断以供相关医疗专业人员确认)。计算机辅助诊断算法是此数据分析的一个实施例。例如，图像分析和计算系统614可以基于包括两个或更多个时间点处的体素的参数的测量信息，使用以下技术中的至少一个来确定一个或更多个特征(和/或包括或示出一个或更多个特征的一个或更多个图像和/或与其相关联的诊断信息)：窗口&水平技术；伽马校正技术；滤波反投影技术；迭代重建技术；模型拟合技术；曲线拟合技术的字典模式(例如，MR指纹识别等)；空间、时间滤波和增强技术；使用CAD或AI的特征提取技术；分形分析技术；运动校正技术；灵活配准技术；参数量化技术；基于2D AI或机器学习的单个图像的分析；基于2D AI或机器学习的体素的时间序列的分析技术；基于3D AI或机器学习的图像技术的时间序列的分析技术；基于AI或机器学习的去噪或锐化技术；基于AI或机器学习的对比度放大技术；或其任何组合。
在一些非限制性实施方案或方面，图像分析和计算系统614(和/或成像器控制和计算系统610)可以确定，与患者的组织体素的参数相关联的测量信息包括与确定组织体素的一个或更多个特征相关联的一阈值量的测量信息(例如，足够量的信息和/或数据，以用于确定一个或更多个特征和/或用于确定包括一个或更多个特征的一个或更多个图像等)，且响应于确定测量信息包括该阈值量的测量信息，控制成像系统(例如，成像器608等)自动地停止获取测量信息(例如，停止对患者进行扫描或成像等)。在一些非限制性实施方案或方面中，与确定组织体素的一个或更多个特征相关联的该阈值量的测量信息可以包括与为患者提供一个或更多个选定的或预定的诊断相关联的一阈值量的信息，可选地具有预定水平的参数差异、预测置信度或误差界限。
在一些非限制性实施方案或方面，图像分析和计算系统614可以基于包括两个或更多个时间点处的体素的参数的测量信息(和/或包括或示出两个或更多个时间点处的体素的参数的一个或更多个图像)来合成患者的组织体素的一个或更多个图像(例如，生成或创建一个或更多个复合或增强的图像、一个或更多个未增强的/造影剂增强的/示踪剂的图像、一个或更多个T1w/T2w/PDw图像(和/或这些图像的变体，例如，具有/不具有脂肪饱和、具有反转脉冲等)、动脉期/门静脉期/静脉期/平衡期/HB期的一个或更多个图像、MRI连续获取的一个或更多个图像、一个或更多个未增强的/造影剂增强的/示踪剂的x射线吸收图像、一个或更多个动脉/门静脉/静脉/平衡/或连续获取的x射线吸收图像等)。作为一个实施例，图像分析和计算系统614可以从包括HBP之前发生的一个或更多个时期中所测量的两个或更多个时间点处的体素的参数的测量信息来合成HBP中的一个或更多个图像。作为一个实施例，图像分析和计算系统614可以通过将从HBP已知的肝脏特异性造影剂的造影剂信息与肝脏的较早时期的一个或更多个图像(例如，在动脉期、门静脉期和/或静脉期等中所测量或所获取的一个或更多个图像)组合(例如，相加、相减、相乘等)来合成一个或更多个图像，以生成“纯白色肝脏”，该“纯白色肝脏”如图9中所示且在2019年9月18日提交的欧洲专利申请No.19197986.3以及2020年9月10日提交的国际专利申请No.PCT/EP2020/075288中更详细地描述，这些专利申请中的每一个的全部内容通过引用纳入本文，它们可以包括将来自两个或更多个图像的全部信息或将来自两个或更多个图像的仅部分信息组合成新的合成图像。作为一个实施例，图像分析和计算系统614可以从(例如，在肝脏中的等)一个或更多个测量的造影剂增强的图像合成未增强的T1w图像，如图10中示出的且在2019年10月8日提交的欧洲专利申请No.19201919.8中更详细描述的，该欧洲专利申请的全部内容通过引用的方式纳入本文。作为一个实施例，图像分析和计算系统614可以增强某些图像对比度(例如，造影剂增强的T1w MR图像中动脉期增强的对比度，以用减少量的造影剂实现对组织和肿瘤的高对比度、高精度成像等)，如在2019年10月8日提交的欧洲专利申请No.19201937.0以及2019年12月5日提交的美国临时专利申请No.62/943,980中所描述的，这些专利申请中的每一个的全部内容通过引用的方式纳入本文。作为一个实施例，图像分析和计算系统614可以合成平衡期的造影剂增强的T1w图像(例如，虚拟血池造影剂图像等)，如在2020年4月3日提交的欧洲专利申请No.20167879.4中所描述的，该欧洲专利申请的全部内容通过引用的方式纳入本文。作为一个实施例，图像分析和计算系统614可以由常规钆塞酸增强的图像来合成过渡期或较后时期期间在肝细胞内没有钆塞酸引起的造影剂变化的图像。作为一个实施例，图像分析和计算系统614可以基于常规获取的映射序列的集合来合成“伪图像”，所述常规获取的映射序列的集合包含关于当物质(例如，造影剂)通过组织时在药代动力学时间范围内组织的全弛豫曲线的信息。
作为一个实施例，可以使用造影剂的双注射方案，如图11中示出的以及在2019年10月8日提交的欧洲专利申请No.19201919.8、2019年10月11日提交的欧洲专利申请No.19202711.8及2020年5月6日提交的欧洲专利申请No.20173089.2中更详细描述的，这些欧洲专利申请的每一个的全部内容通过引入的方式纳入本文。可以在患者不处于扫描仪中时执行双注射中的第一次注射。如果该研究是MRI研究，则第一次注射可以例如是钆塞酸。当造影剂在体内平衡且被目标组织摄取时，患者保持在扫描仪之外。患者被放置在扫描仪中，且一个或更多个图像以及不受摄取影响的图像可以从该平衡摄取拍摄。然后，提供双注射的第二次造影剂注射，且拍摄一个或更多个附加的图像。例如除了平衡摄取成像之外，这些第二次注射后图像可以被定时，以实现血管增强的可视化和/或测量。作为一个实施例，图像分析和计算系统614可以从一个或更多个第二次注射后图像中减去一个或更多个平衡后更新图像，以导出示出在对应时间点处与平衡摄取分离的血管增强的图像。第二次造影剂注射可以是与第一次注射相同类型的造影剂，或者因为摄取已经发生且已成像，它可以是不同类型的造影剂，例如钆布醇，钆布醇具有与钆塞酸不同的且在某些方面有利的特性。在一些非限制性实施方案或方面中，可以同时混合或注射两种不同的造影剂。例如，具有优选作为脉管造影剂的特性的造影剂可以与不像脉管期造影剂那样有用但是具有作为细胞或组织特异性标记物或造影剂的特性的造影剂混合。
如图7中示出的，在步骤708处，过程700包括分析与患者的组织相关联的一个或更多个特征。在一些非限制性实施方案或方面中，放射科医生和/或其他受过训练的专业人员可以读取包括与患者的组织相关联的一个或更多个特征的一个或更多个图像，以从所述一个或更多个图像中导出诊断信息。在一些非限制性实施方案或方面中，图像分析和计算系统614可以分析与患者的组织体素相关联的一个或更多个特征和/或与患者的组织相关联的一个或更多个特征的一个或更多个图像，以从所述一个或更多个图像中导出诊断信息。例如，图像分析和计算系统614可以将一个或更多个特征(和/或包括或示出一个或更多个特征的一个或更多个图像)馈送到分类模型，该分类模型已经通过监督学习进行训练，从而基于一个或更多个特征(和/或包括或示出一个或更多个特征的一个或更多个图像)将组织分类为与一个或更多个诊断相关联。作为一个实施例，图像分析和计算系统614可以使用本文中上面关于步骤706(步骤706用于确定组织的一个或更多个特征)所描述的技术中的一个或更多个来确定对组织的一个或更多个诊断。
在一些非限制性实施方案或方面中，诊断信息可以包括：患者的组织体素的状态(例如，健康组织、非健康组织、非健康组织的类型、与组织相关联的疾病的类型等)的识别；患者的组织体素的状态的鉴别的一个或更多个原因；或其任何组合。
如图7中示出的，在步骤710处，过程700包括提供与患者的组织相关联的诊断。例如，放射科医生和/或其他受过训练的专业人员可以提供与患者的组织相关联的诊断信息。例如，图像分析和计算系统614可以提供与患者的组织相关联的诊断信息。
仍然参考图7，在一些非限制性实施方案或方面，在步骤720处，关于患者和/或患者的状况的附加信息可以在阶段702-710中的一个或更多个处输入及使用，以关注或影响每个阶段处选项之间的选择和/或每个阶段所确定和/或所生成的信息和/或数据的确定。例如，关于患者和/或患者的状况的附加信息可以输入到用于确定注射方案、成像方案、测量信息、一个或更多个特征(和/或包括或示出一个或更多个特征的一个或更多个图像)、诊断信息和/或诊断的过程、算法、机器学习模型或神经网络、模型拟合分析和/或诸如此类。作为一个实施例，与患者和/或患者的状况和/或研究的期望状况相关联的附加信息可以包括以下中的至少一个：患者的身高；患者的体重；患者的年龄；患者的性别；患者的心率；患者的心输出量；患者的临床症状；患者的胆红素水平；递送给患者的造影剂的浓度的期望速率、上升和/或坪水平；或任何其组合。患者特定数据的其他实施例可以在美国专利Nos.5,840,026和9,616,166中找到，这些美国专利中的每一个的内容通过引用的方式纳入本文。
数据分析步骤711、712、713以及相关联的计算机硬件和/或软件(例如，图像分析和计算系统614)还可以访问和使用关于患者的附加数据720，该附加数据720例如可以从医院信息系统620和/或其他云计算数据存储器622获得。
现在参考图8，图8示出了被成像的患者的器官的体素800(例如，体积元素等)的简化示意图。此示意图代表了肝脏，但经过适当调整或简化，通常适用于其他器官。肝脏是医学和生理学中众所周知的相对复杂的器官。
示例元素中的每一个可以占据体素的某一小部分体积。肝脏从肝门静脉304和肝动脉302接收双重血液供应。肝门静脉304递送大约75％的肝脏的血液供应且携带从脾脏、胃肠道及其相关器官所排出的静脉血。肝脏静脉306携带血液回到心脏。在每个体素中，存在细胞。一些细胞311可以对成像时所使用的造影剂进行处理或摄取。这些细胞311可以将造影剂移动到胆管310中。体素可以包含并未有效地摄取造影剂的其他细胞313。还存在细胞外空间301，该细胞外空间301表示将所有这些其他组成部分保持在适当位置的流体和结缔分子。当然，在器官的一些部分中，可能存在完全处于一种类型的组成部分(例如，动脉、静脉或胆管)内的体素。另外的体素将具有体素元素的另外的小部分。
分子可以从血液移动到细胞外体积内，然后移动到细胞或胆管内，反之亦然。不同的分子根据它们的特性以及所涉及的结构或细胞的特性而以不同的速率扩散或运输。PK/PD建模(药代动力学/药效动力学建模)是一种结合药代动力学以及药效动力学这两种经典药理学学科的技术。它将药代动力学和药效动力学模型组件整合到一组数学表达式中，该组数学表达式允许描述响应于施用药物剂量的效应强度的时间进程。在简单的PK/PD模型中，K1A和K2A是分别离开和进入肝脏动脉302以及相关联的毛细血管的转运常数。K1V和K2V是门静脉304的常数。K3和K4是摄取造影剂的细胞的常数，K5和K6是运输到胆管中和从胆管中运输回来的常数。PK/PD模型还将每个体素的被多个隔室所占据的小部分体积中的一个或多个确定为参数：动脉血、门静脉血、静脉血、细胞外液、细胞外基质以及多种类型的细胞(例如，肝细胞和非肝细胞)。
在典型的MR成像中，所获取的图像具有足够高的质量，以使得放射科医生可以轻松地查看它们且可靠地读它们，以得出他的/她的诊断。这通常意味着，创建单个图像需要几十秒甚至几分钟的扫描时间。
正在开发技术以加速创建查看可接受的MRI图像。这些技术包括例如并行成像、压缩感知、稀疏成像以及许多其他技术。使用这些技术所创建的图像可以在本公开内容的多种非限制性实施方案或方面中使用，例如，以确定如本文中所描述的患者的组织体素的一个或更多个特征。
再次参考图7，在一些非限制性实施方案或方面，在步骤704处，可以使用仅几秒或几十秒的获取时间来创建较快但噪声较大的图像。因此，针对每个体素所捕获的数据(例如，测量信息、两个或更多个时间点处所测量的组织体素的参数等)可以更好地测量或逼近图1的曲线S的形状，尽管在测量中存在可能仍然令人类视觉观察者反感或感到困惑的一些噪声。
在一些非限制性实施方案或方面中，在图7的步骤706处，噪声较大的图像的时间序列(例如，测量信息、两个或更多个时间点处所测量的组织体素的参数等)可以被馈送到预测模型(例如，人工神经网络，如本文中所描述的预测模型等)，该预测模型已经通过监督学习进行训练，从而基于包括两个或更多个时间点处所测量的组织体素的参数的测量信息，预测在对应于两个或更多个时间点中的一个时间点的时间点和/或时间段处和/或在两个或更多个时间点之后(例如，在继两个或更多个时间点之后等)的时间点和/或时间段处的一个或更多个特征(和/或包括或示出所述一个或更多个特征的一个或更多个图像)。
在一些非限制性实施方案或方面中，在图7的步骤706处，噪声较大的图像的时间序列可以被用于将多个模型参数拟合到数据(例如，拟合到两个或更多个时间点处所测量的组织体素的参数等)。在一些非限制性实施方案或方面中，图8的PK/PD模型可以被拟合到两个或更多个时间点处所测量的组织体素的参数(例如，拟合到为每个体素所测量的曲线等)。例如，图像分析和计算系统614可以将组织体素的PK/PD模型拟合到两个或更多个时间点处所测量的组织体素的参数，且基于拟合到两个或更多个时间点处所测量的组织体素的参数的PK/PD模型，来确定组织体素的一个或更多个特征。作为一个实施例，可以使用完全是肝脏动脉和门静脉的体素来测量参数或必要的输入函数。文献中有许多已知的曲线拟合方法。最小二乘曲线拟合是一种简单但未必是最高效或最有效的方法。在本公开内容的非限制性实施方案或方面中所使用的可能有利的一种方法采用比较、匹配或指纹识别，从而在为离散参数的集合中的每一个所预先计算且放置在数据库或字典中的理想的PK/PD曲线的集合中找到的最佳拟合，如由Nicole Seiberlich博士在RSNA 2018期间针对简单的细胞外造影剂(意味着K3-K6为零)作为一种测量肝脏灌注的方式的讲座RC629C中所论述的。一旦通过字典查表找到每个体素的PK/PD参数，就可以通过将PK/PD方程针对每个体素向前推进且将浓度转化为信号强度来估计对应时间以及任何未来时间点处的图像，且可以从相对或绝对造影剂所引起的随时间推移的组织增强来确定随时间推移的PK/PD测量值(诸如，药物摄取、分布和排泄)，所述PK/PD测量值允许关于例如肾脏、肝脏和血脑屏障的细胞功能的某些结论。例如，图像分析和计算系统614可以将针对参数所预先计算的多个PK/PD曲线中的一个PK/PD曲线拟合到两个或更多个时间点处所测量的组织体素的参数，且基于拟合到两个或更多个时间点处的参数的PK/PD曲线，确定组织体素的一个或更多个特征。
在PK/PD分析中，通常使用输入函数。例如，可以在图像中(例如，在与肝脏相邻的主动脉的图像中)测量输入函数。通常认为，相对窄的输入函数是优选的，它在使用几秒钟的快速、短的灌注或团注造影剂之后，使用足够的盐水来将剂团通过手臂移动到中央循环，如美国专利申请No.16/346,219中所描述的，该美国专利申请的全部内容通过引用的方式纳入本文。这种短的造影剂团注的缺点是造影剂团注在移动通过患者的中央循环时扩大，扩大到10到15秒宽度的团注。附加的缺点是团注形状主要取决于患者。替代地，可以使用更长的团注，可选地>15秒，如美国专利No.9,867,589中所描述的，该美国专利的全部内容通过引用的方式纳入本文。更长的团注导致输入函数基于患者的可变性更小且更多地由注射持续时间决定。通过限制可以预期在模型中出现的参数范围，这在本文中所描述的一些类型的分析、建模或曲线拟合中可能是优选的。更长的团注的一个缺点可能是，由于时间重叠，正常动脉、门静脉或其他时期的图像不可用。如果希望将“标准”图像呈现给放射科医生，图像分析和计算系统614可以分析每个体素的模型的一个或更多个特征，且可以从该体素的模型参数构建“标准图像”。这种更长的团注方法可能尤其有益于PET成像，以避免探测器饱和或脉冲堆积以及死区校正效应。通过实现采取更少的扫描，也可能对CT是有益的，因为造影剂水平以较慢的速度变化且特定时间可以被更好地预测，而不是根据患者的生理变化而变化。在适合提出的诊断问题和评估的特征的情况下，使用简化的PK/PD模型，诸如Patlak分析和/或其他这样的模型。
在另一非限制性实施方案或方面，由选定的基函数的集合(例如，多项式函数集合、拉普拉斯函数集合、傅里叶函数集合等)逼近曲线S或将曲线S分解为选定的基函数的集合(例如，多项式函数集合、拉普拉斯函数集合、傅里叶函数集合等)。例如，基函数是函数空间的具体基的元素。函数空间中的每个连续函数都可以被表示为基函数的线性组合，如同向量空间中的每个向量都可以被表示为基向量的线性组合一样。作为一个实施例，图像分析和计算系统614可以用基函数的集合来逼近表示组织体素的一个或更多个特征的曲线，将逼近曲线拟合到两个或更多个时间点处所测量的组织体素的一个或更多个参数，且基于拟合到两个或更多个时间点处所测量的组织体素的参数的逼近曲线，确定组织体素的一个或更多个特征。如H K.Thompson等人在Circulation Research，第XIV卷，1964年6月，第502-515页的文章“Indicator Transit Time Considered as a Gamma Variate”(该文章的全部内容通过引用的方式纳入本文中)中所描述的，第一传递造影剂增强随时间变化的曲线可以根据以下方程(1)建模或逼近为伽马变量曲线：
C(t)＝K(t-AT)a.*exp(-(t-AT)/b (1)
其中，t＝注射后的时间，C(t)＝当时的浓度，K＝恒定比例因子，AT＝出现时间，a、b＝t>AT时的任意参数。
可以由表示A曲线的第一通过部分、V曲线的第一通过部分的两个或更多个伽马变量曲线以及可选的表示稳态再循环和再分配的第三伽马变量曲线以及一个线性增加曲线C(t)＝m(t-AT’)+n来逼近曲线S，其中m和n是任意参数，AT’是线性上升的开始，且t是t>AT’的注射后的时间。然而，非限制性实施方案或方面不限于使用伽马变量曲线进行建模，且任何其他基函数的集合(例如，多项式函数的集合、拉普拉斯函数的集合、傅里叶函数的集合等)可以被用于建模，且可以使用任何计算上有效的曲线拟合程序来确定所测量曲线S的最佳拟合参数。一旦通过曲线拟合过程找到针对每个体素的基函数参数，就可以通过针对每个体素向前或向后推进方程且将浓度转换为所需时间t的信号强度来估计对应时间和任何时间点处的图像。例如，图像分析和计算系统614可以用基函数的集合将针对一个或更多个参数所预先计算的多个曲线中的一个曲线拟合到两个或更多个时间点处所测量的组织体素的一个或更多个参数，且基于拟合到两个或更多个时间点处所测量的组织体素的参数的曲线，确定组织体素的一个或更多个特征。
如本文中其他地方所描述的，更长的造影剂团注或注射可能导致曲线S具有更慢的上升和下降，这可能影响或约束模型中所预期的基函数参数，且因此可能简化、加速或增加所得到的模型和/或曲线拟合活动的精确性。
一旦模型或算法(例如，PK/PD、基函数、AI或本领域技术人员已知的其他模型)被拟合到针对每个体素的两个或更多个时间点，就可以创建图像或导出在物理环境下无法独立测量的信息。图9的“白色肝脏”是其非限制性实施例。另一非限制性实施例或方面是所创建的图像或图像序列以示出造影剂随时间推移流动通过肝脏，如同造影剂仅通过门静脉进入肝脏且不通过门动脉进入(反之亦然)。类似地，可以创建在使用非常快或短的团注时会出现的图像，即使在整个成像方案中实际使用了更长的团注。创建鉴于所使用的实际成像方案而物理上无法测量的图像的这种能力可以产生对诊断、细微差别或条件或治疗和对疾病的治疗的反应的新理解。这是对当前由PK/PD参数(例如，血液容量的传递或各种K或复合常数映射)本身完成的图像的补充。
仍然参考图7，在一些非限制性实施方案或方面，在步骤708处，图像分析和计算系统614可以分析与患者的组织体素相关联的一个或更多个特征和/或与患者的组织相关联的一个或更多个特征的一个或更多个图像，从而计算与动脉期增强(例如，肝脏)相比，病变随时间推移的清除(wash-out)的绝对值。目前，通常在动脉期之后的造影剂期期间通过对周围组织的增强与病变的增强进行比较，在视觉上评估病变的清除。然而，这承担了曲解的风险，因为一些造影剂(诸如，肝脏特异性试剂)可能会被围绕病变(例如，潜在转移瘤或其他肿瘤)或作为病变的一部分的肝细胞摄取。/>的这种开始摄取可能随后在病变和周围组织之间创建更强对比的错觉，且会在实际上不存在清除时被曲解为清除。在没有分析本公开内容的非限制性实施方案或方面以实现这些方面的分离的或离散的分解和/或可视化的情况下，这承担了误诊的风险。
在一些非限制性实施方案或方面中，检查区域包括哺乳动物(优选地人)的肝脏或肝脏的一部分。在一些非限制性实施方案或方面中，检查区域可包括肺或肺的一部分。肺接收来自右心的脱氧血液以及来自左心的含氧血液的循环。此外，肺通过气道接收气体。因此，肺可以通过静脉接收造影剂或通过气道接收气体造影剂。因此，本公开内容的非限制性实施方案或方面可以应用于吸入的造影剂以及IV注射的造影剂。此外，大多数组织充当淋巴系统(例如，大脑中的类淋巴系统)，用于通过组织的细胞外空间的液体循环。本公开内容的非限制性实施方案或方面可以包括通过此淋巴或类淋巴系统的造影剂流动或不具有通过此淋巴或类淋巴系统的造影剂流动。
在本文中所描述的多种非限制性实施方案或方面中，已经列出多种组织特征和体素参数以用于理解和公开。应认识到，这些是示例性的而非限制性的或详尽的列表。可以使用医学领域中已知的其他特征和/或参数。此外，研究中或尚未发现的特征和/或参数也可以从本公开内容的非限制性实施方案或方面应用在对来自成像研究和/或一系列研究的数据进行处理、成像和/或分析中获益。

Claims (15)

1.一种用于确定组织体素的特征的计算机实施的方法，包括：
获得与两个或更多个时间点处所测量的患者的组织体素的参数相关联的测量信息，其中在基于所述两个或更多个时间点中的单个时间点处所测量的所述体素的参数所生成的图像中，所述组织体素的一个或更多个特征可分离或可辨别；
基于所述两个或更多个时间点处的所述组织体素的参数相关联的测量信息，针对继所述两个或更多个时间点之后的一个时间点，确定所述组织体素的所述一个或更多个特征；
其中确定所述一个或更多个特征包括：
将所述组织体素的药代动力学/药效动力学PK/PD模型拟合到所述两个或更多个时间点处所测量的所述组织体素的参数；以及
基于拟合到所述两个或更多个时间点处所测量的所述组织体素的参数的PK/PD模型，确定所述组织体素的所述一个或更多个特征。
2.根据权利要求1所述的计算机实施的方法，其中所述组织体素的所述一个或更多个特征进一步基于与所述患者以及所述患者的状况中的至少一个相关联的信息来确定。
3.根据权利要求1所述的计算机实施的方法，还包括：
基于所述一个或更多个特征来生成一个或更多个图像，所述一个或更多个图像包括所述组织体素在所述两个或更多个时间点之后的时间点处的所述一个或更多个特征。
4.根据权利要求1所述的计算机实施的方法，还包括：
确定与所述患者的所述组织体素的参数相关联的测量信息包括与确定所述组织体素的所述一个或更多个特征相关联的一阈值量的测量信息；以及
响应于确定所述测量信息包括该阈值量的测量信息，控制成像系统自动地停止所述测量信息的获取。
5.根据权利要求1所述的计算机实施的方法，其中确定所述一个或更多个特征包括：
将针对所述参数所预先计算的多个PK/PD曲线中的一个PK/PD曲线拟合到所述两个或更多个时间点处所测量的所述组织体素的参数；
基于拟合到所述两个或更多个时间点处的参数的PK/PD曲线，确定所述组织体素的所述一个或更多个特征。
6.一种用于确定组织体素的特征的系统，包括：
一个或更多个处理器，被编程和/或被配置为：
获得与两个或更多个时间点处所测量的患者的组织体素的参数相关联的测量信息，其中在基于所述两个或更多个时间点中的单个时间点处所测量的所述体素的参数所生成的图像中，所述组织体素的一个或更多个特征可分离或可辨别；以及
基于所述两个或更多个时间点处的所述组织体素的参数相关联的测量信息，针对继所述两个或更多个时间点之后的时间点，确定所述组织体素的所述一个或更多个特征；
其中所述一个或更多个处理器还被编程和/或被配置为通过以下方式确定所述一个或更多个特征：
将所述组织体素的药代动力学/药效动力学PK/PD模型拟合到所述两个或更多个时间点处所测量的所述组织体素的参数；以及
基于拟合到所述两个或更多个时间点处所测量的所述组织体素的参数的PK/PD模型，确定所述组织体素的所述一个或更多个特征。
7.根据权利要求6所述的系统，其中所述组织体素的所述一个或更多个特征还基于与所述患者以及所述患者的状况中的至少一个相关联的信息来确定。
8.根据权利要求6所述的系统，其中所述一个或更多个处理器还被编程和/或被配置为：
基于所述一个或更多个特征来生成一个或更多个图像，所述一个或更多个图像包括所述组织体素在所述两个或更多个时间点之后的时间点处的所述一个或更多个特征。
9.根据权利要求6所述的系统，其中所述一个或更多个处理器还被编程和/或被配置为：
确定与所述患者的所述组织体素的参数相关联的测量信息包括与确定所述组织体素的所述一个或更多个特征相关联的一阈值量的测量信息；以及
响应于确定所述测量信息包括该阈值量的测量信息，控制成像系统自动地停止所述测量信息的获取。
10.根据权利要求6所述的系统，其中所述一个或更多个处理器还被编程和/或被配置为通过以下方式确定所述一个或更多个特征：
将针对所述参数所预先计算的多个PK/PD曲线中的一个PK/PD曲线拟合到所述两个或更多个时间点处所测量的所述组织体素的参数；以及
基于拟合到所述两个或更多个时间点处的参数的PK/PD曲线，确定所述组织体素的所述一个或更多个特征。
11.一种用于确定组织体素的特征的非暂时性计算机可读介质，所述非暂时性计算机可读介质包括程序指令，当由至少一个处理器执行所述程序指令时，所述程序指令导致所述至少一个处理器：
获得与两个或多个时间点处所测量的患者的组织体素的参数相关联的测量信息，其中在基于所述两个或更多个时间点中的单个时间点处所测量的所述体素的参数所生成的图像中，所述组织体素的一个或更多个特征可分离或可辨别；以及
基于所述两个或更多个时间点处的所述组织体素的参数相关联的测量信息，针对继所述两个或更多个时间点之后的时间点，确定所述组织体素的所述一个或更多个特征；
其中所述指令导致所述至少一个处理器通过以下方式确定所述一个或更多个特征：
将所述组织体素的药代动力学/药效动力学PK/PD模型拟合到所述两个或更多个时间点处所测量的所述组织体素的参数；以及
基于拟合到所述两个或更多个时间点处所测量的所述组织体素的参数的PK/PD模型，确定所述组织体素的所述一个或更多个特征。
12.根据权利要求11所述的非暂时性计算机可读介质，其中所述组织体素的所述一个或更多个特征还基于与所述患者以及所述患者的状况中的至少一个相关联的信息来确定。
13.根据权利要求11所述的非暂时性计算机可读介质，其中所述指令还导致所述至少一个处理器：
基于所述一个或更多个特征，生成一个或更多个图像，所述一个或更多个图像包括所述组织体素在所述两个或更多个时间点之后的时间点处的所述一个或更多个特征。
14.根据权利要求11所述的非暂时性计算机可读介质，其中所述指令还导致所述至少一个处理器：
确定与所述患者的组织体素的参数相关联的测量信息包括与确定所述组织体素的所述一个或更多个特征相关联的一阈值量的测量信息；以及
响应于确定所述测量信息包括所述阈值量的测量信息，控制成像系统自动地停止所述测量信息的获取。
15.根据权利要求11所述的非暂时性计算机可读介质，其中所述指令导致所述至少一个处理器通过以下方式确定所述一个或更多个特征：
将针对所述参数所预先计算的多个PK/PD曲线中的一个PK/PD曲线拟合到所述两个或更多个时间点处所测量的所述组织体素的参数；以及
基于拟合到所述两个或更多个时间点处的参数的PK/PD曲线，确定所述组织体素的所述一个或更多个特征。
CN202080010505.XA 2019-09-18 2020-09-17 用于确定组织体素的特征的方法、系统和计算机可读介质 Active CN113329688B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311628435.6A CN117582208A (zh) 2019-09-18 2020-09-17 用于确定组织体素的特征的方法、系统和计算机可读介质

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
EP19197989 2019-09-18
EP19197989.7 2019-09-18
US201962943969P 2019-12-05 2019-12-05
US62/943,969 2019-12-05
PCT/IB2020/058688 WO2021053585A1 (en) 2019-09-18 2020-09-17 System, method, and computer program product for predicting, anticipating, and/or assessing tissue characteristics

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN202311628435.6A Division CN117582208A (zh) 2019-09-18 2020-09-17 用于确定组织体素的特征的方法、系统和计算机可读介质

Publications (2)

Publication Number Publication Date
CN113329688A CN113329688A (zh) 2021-08-31
CN113329688B true CN113329688B (zh) 2023-11-28

Family

ID=72521684

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202080010505.XA Active CN113329688B (zh) 2019-09-18 2020-09-17 用于确定组织体素的特征的方法、系统和计算机可读介质
CN202311628435.6A Pending CN117582208A (zh) 2019-09-18 2020-09-17 用于确定组织体素的特征的方法、系统和计算机可读介质

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN202311628435.6A Pending CN117582208A (zh) 2019-09-18 2020-09-17 用于确定组织体素的特征的方法、系统和计算机可读介质

Country Status (7)

Country Link
US (1) US11915361B2 (zh)
EP (1) EP4031895A1 (zh)
JP (1) JP2022548930A (zh)
CN (2) CN113329688B (zh)
AU (1) AU2020349121A1 (zh)
CA (1) CA3154689A1 (zh)
WO (1) WO2021053585A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11922314B1 (en) * 2018-11-30 2024-03-05 Ansys, Inc. Systems and methods for building dynamic reduced order physical models
WO2022076775A1 (en) * 2020-10-09 2022-04-14 Massachusetts Institute Of Technology Methods and systems for assessment of liver fibrosis and steatosis
CN112541876B (zh) * 2020-12-15 2023-08-04 北京百度网讯科技有限公司 卫星图像处理方法、网络训练方法、相关装置及电子设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101912262A (zh) * 2010-07-22 2010-12-15 中国科学院深圳先进技术研究院 磁共振成像定量参数计算方法及系统
WO2014068520A1 (en) * 2012-10-31 2014-05-08 Koninklijke Philips N.V. Perfusion imaging
WO2015051256A1 (en) * 2013-10-04 2015-04-09 Howard University Voxel-resolution myocardial blood flow analysis
CN107316334A (zh) * 2017-07-31 2017-11-03 华东师范大学 个性化精准磁共振影像方法
CN108324244A (zh) * 2018-01-03 2018-07-27 华东师范大学 用于ai+mri影像辅助诊断的自动增广训练样本的构建方法及系统
CN109726752A (zh) * 2018-12-25 2019-05-07 脑玺(上海)智能科技有限公司 基于时间信号曲线的灌注动态影像的分割方法及系统
CN109843176A (zh) * 2016-07-29 2019-06-04 诺瓦达克技术有限公司 用于利用机器学习来表征受验者的组织的方法和系统

Family Cites Families (104)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US732697A (en) 1903-02-19 1903-07-07 John Davis Bates Lumber-surface meter.
US6039931A (en) 1989-06-30 2000-03-21 Schering Aktiengesellschaft Derivatized DTPA complexes, pharmaceutical agents containing these compounds, their use, and processes for their production
US5840026A (en) 1994-09-21 1998-11-24 Medrad, Inc. Patient specific dosing contrast delivery systems and methods
US6397098B1 (en) 1994-09-21 2002-05-28 Medrad, Inc. Data communication and control for medical imaging systems
US5732697A (en) 1995-11-22 1998-03-31 Arch Development Corporation Shift-invariant artificial neural network for computerized detection of clustered microcalcifications in mammography
US6339718B1 (en) 1999-07-30 2002-01-15 Medrad, Inc. Programmable injector control
US6754376B1 (en) 2000-11-22 2004-06-22 General Electric Company Method for automatic segmentation of medical images
US6819790B2 (en) 2002-04-12 2004-11-16 The University Of Chicago Massive training artificial neural network (MTANN) for detecting abnormalities in medical images
US7458936B2 (en) 2003-03-12 2008-12-02 Siemens Medical Solutions Usa, Inc. System and method for performing probabilistic classification and decision support using multidimensional medical image databases
US7545965B2 (en) 2003-11-10 2009-06-09 The University Of Chicago Image modification and detection using massive training artificial neural networks (MTANN)
US20060018524A1 (en) 2004-07-15 2006-01-26 Uc Tech Computerized scheme for distinction between benign and malignant nodules in thoracic low-dose CT
EP1812101A4 (en) 2004-11-16 2014-04-23 Medrad Inc MODELING PHARMACEUTICAL DISSIPATION
US7738683B2 (en) 2005-07-22 2010-06-15 Carestream Health, Inc. Abnormality detection in medical images
US7564990B2 (en) 2005-08-18 2009-07-21 Nu Skin International, Inc. Imaging system and method for physical feature analysis
US7343032B2 (en) 2005-09-01 2008-03-11 Fujifilm Corporation Method and apparatus for automatic and dynamic vessel detection
EP1780677A1 (en) 2005-10-25 2007-05-02 BRACCO IMAGING S.p.A. Image processing system, particularly for use with diagnostics images
US7840044B2 (en) 2005-11-01 2010-11-23 Edda Technology Inc. Method and system for liver lobe segmentation and pre-operative surgical planning
US20220031270A1 (en) * 2007-03-08 2022-02-03 Sync-Rx, Ltd Identification an dpresentation of device-tovessel relative motion
US9370316B2 (en) 2007-05-18 2016-06-21 Henry Ford Health System MRI estimation of contrast agent concentration using a neural network approach
DE102007028660B3 (de) 2007-06-21 2009-01-29 Siemens Ag Verfahren zur Korrektur von Bewegungsartefakten bei der Aufnahme von MR-Bildern
JP5887057B2 (ja) 2008-02-07 2016-03-16 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． 患者の呼吸安定を測定及び予測する装置
WO2009135923A1 (en) 2008-05-08 2009-11-12 Oslo Universitetssykehus Hf Vessel segmentation in dce mr imaging
WO2009146388A1 (en) * 2008-05-28 2009-12-03 The Trustees Of Columbia University In The City Of New York Voxel-based methods for assessing subjects using positron emission tomography
US7949167B2 (en) 2008-06-12 2011-05-24 Siemens Medical Solutions Usa, Inc. Automatic learning of image features to predict disease
EP2528493B1 (en) * 2010-01-28 2017-04-19 Brainlab AG Method and apparatus for estimating temperature in a body
US8478698B1 (en) 2010-03-17 2013-07-02 James Mah Methods and systems for employing artificial intelligence in automated orthodontic diagnosis and treatment planning
ES2733922T3 (es) 2010-12-08 2019-12-03 Bayer Healthcare Llc Generación de una estimación de la dosis de radiación de un paciente resultante de escaneos de formación de imágenes medicas
JP6138766B2 (ja) 2011-06-03 2017-05-31 バイエル・ヘルスケア・エルエルシーＢａｙｅｒ ＨｅａｌｔｈＣａｒｅ ＬＬＣ 定量的動的分子画像化高速スキャンのためのシステムおよび方法
FR2979453B1 (fr) 2011-08-26 2016-01-08 Olea Medical Systeme et procede pour estimer une quantite d'interet d'un systeme dynamique artere/tissu/veine
WO2013036842A2 (en) 2011-09-08 2013-03-14 Radlogics, Inc. Methods and systems for analyzing and reporting medical images
JP5878009B2 (ja) 2011-12-12 2016-03-08 株式会社根本杏林堂 医療用画像処理ネットワークシステム
WO2016007734A1 (en) 2014-07-09 2016-01-14 The Trustees Of Dartmouth College Methods for quantitative and enhanced-contrast molecular medical imaging using cross-modality correction for differing tracer kinetics
EP2626718A1 (en) 2012-02-09 2013-08-14 Koninklijke Philips Electronics N.V. MRI with motion correction using navigators acquired using a Dixon technique
WO2013121374A2 (en) 2012-02-17 2013-08-22 Koninklijke Philips N.V. Acute lung injury (ali)/acute respiratory distress syndrome (ards) assessment and monitoring
US20150125398A1 (en) 2012-05-11 2015-05-07 University Of Iowa Research Foundation Multimodal imaging methods using mesoporous silica nanoparticles
TW201408262A (en) * 2012-08-30 2014-03-01 Univ Chang Gung Method of extracting arterial input function and its application for dynamic contrast enhanced magnetic resonance imaging (DCE-MRI)
DE102012215718B4 (de) 2012-09-05 2022-05-12 Siemens Healthcare Gmbh Verfahren und Magnetresonanzanlage zur MR-Bildgebung eines vorbestimmten Volumenabschnitts eines lebenden Untersuchungsobjekts mittels Stimulieren des Untersuchungsobjekts
US9449381B2 (en) 2012-09-10 2016-09-20 Arizona Board Of Regents, A Body Corporate Of The State Of Arizona, Acting For And On Behalf Of Arizona State University Methods, systems, and media for generating and analyzing medical images having elongated structures
EP2916738B1 (en) * 2012-09-13 2018-07-11 The Regents of the University of California Lung, lobe, and fissure imaging systems and methods
US20140094679A1 (en) * 2012-10-03 2014-04-03 General Electric Company Systems and methods for performing organ detection
EP2750102B1 (en) 2012-12-27 2023-03-15 General Electric Company Method, system and computer readable medium for liver analysis
CN105228652A (zh) 2013-02-21 2016-01-06 罗契斯特大学 评价全脑血管旁路径的废弃物清除功能的方法以及基于这种方法治疗神经退化性病症的方法
JP6530743B2 (ja) 2013-04-03 2019-06-12 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． 血管セグメント化
EP2988668B1 (en) 2013-04-24 2019-07-24 Tel HaShomer Medical Research Infrastructure and Services Ltd. Magnetic resonance maps for analyzing tissue
WO2016019347A1 (en) 2014-07-31 2016-02-04 California Institute Of Technology Multi modality brain mapping system (mbms) using artificial intelligence and pattern recognition
US20160038092A1 (en) 2014-08-11 2016-02-11 Douglas A. Golay Applying non-real time and non-user attended algorithms to stored non-imaging data and existing imaging data for obtaining a dental diagnosis
US10061003B2 (en) 2014-09-01 2018-08-28 bioProtonics, L.L.C. Selective sampling for assessing structural spatial frequencies with specific contrast mechanisms
US10176573B2 (en) * 2014-10-13 2019-01-08 Agency For Science, Technology And Research Automatic region-of-interest segmentation and registration of dynamic contrast-enhanced images of colorectal tumors
JP6740136B2 (ja) * 2014-11-27 2020-08-12 国立大学法人広島大学 シミュレータ、該シミュレータを備える注入装置又は撮像システム、及びシミュレーションプログラム
EP3261542A4 (en) 2015-02-27 2019-01-16 Bayer Healthcare LLC QUANTIFICATION SPHANTOM FOR USE WITH MULTIPLE IMAGING MODALITIES
US9959615B2 (en) 2015-07-01 2018-05-01 Arizona Board Of Regents On Behalf Of Arizona State University System and method for automatic pulmonary embolism detection
US20170016972A1 (en) 2015-07-13 2017-01-19 Siemens Medical Solutions Usa, Inc. Fast Prospective Motion Correction For MR Imaging
WO2017009391A1 (en) 2015-07-15 2017-01-19 Koninklijke Philips N.V. Mr imaging with motion detection
US10157467B2 (en) 2015-08-07 2018-12-18 Arizona Board Of Regents On Behalf Of Arizona State University System and method for detecting central pulmonary embolism in CT pulmonary angiography images
US10176408B2 (en) 2015-08-14 2019-01-08 Elucid Bioimaging Inc. Systems and methods for analyzing pathologies utilizing quantitative imaging
WO2017035097A1 (en) * 2015-08-21 2017-03-02 Duke University Systems and methods for determining image quality and models based on contrast injection protocols
PT3341048T (pt) 2015-08-28 2023-08-23 Bayer Healthcare Llc Sistema e método para verificação do enchimento de fluidos de seringas e reconhecimento de imagem das características de um sistema de injecção elétrico
US10645359B2 (en) 2015-12-16 2020-05-05 B<>Com Method for processing a digital image, device, terminal equipment and associated computer program
US9786058B2 (en) 2016-02-08 2017-10-10 Sony Corporation Method and system for segmentation of vascular structure in a volumetric image dataset
US20170245817A1 (en) 2016-02-10 2017-08-31 The Charles Stark Draper Laboratory, Inc. Systems and methods for imaging
DE102016204198B4 (de) 2016-03-15 2018-06-07 Siemens Healthcare Gmbh Verfahren zur Erzeugung von MR-Bildern mit prospektiver Bewegungskorrektur und teilvolumenspezifischer Gewichtung der Bildinformation
US10282588B2 (en) 2016-06-09 2019-05-07 Siemens Healthcare Gmbh Image-based tumor phenotyping with machine learning from synthetic data
US10650512B2 (en) * 2016-06-14 2020-05-12 The Regents Of The University Of Michigan Systems and methods for topographical characterization of medical image data
CN113822960A (zh) 2016-09-06 2021-12-21 医科达有限公司 用于生成合成成像数据的方法、系统及计算机可读介质
CN109690577A (zh) 2016-09-07 2019-04-26 皇家飞利浦有限公司 利用堆叠式自动编码器进行的半监督式分类
EP3525839B1 (en) 2016-10-17 2021-12-29 Bayer Healthcare LLC Fluid injector with syringe engagement mechanism
WO2018098130A1 (en) 2016-11-22 2018-05-31 Bayer Healthcare Llc System and method for delivering a fluid with a consistent total volumetric flowrate
CN109983474A (zh) 2016-11-22 2019-07-05 海珀菲纳研究股份有限公司 用于磁共振图像中的自动检测的系统和方法
US10096109B1 (en) 2017-03-31 2018-10-09 The Board Of Trustees Of The Leland Stanford Junior University Quality of medical images using multi-contrast and deep learning
JP7179757B2 (ja) 2017-04-25 2022-11-29 ザ ボード オブ トラスティーズ オブ ザ レランド スタンフォード ジュニア ユニバーシティー ディープ畳み込みニューラルネットワークを使用した医用画像化のための線量低減
US20180315183A1 (en) * 2017-04-28 2018-11-01 General Electric Company System and method for monitoring an amount of a contrast agent within an object
CA3061988A1 (en) 2017-05-02 2019-10-30 Bayer Aktiengesellschaft Improvements in the radiological detection of chronic thromboembolic pulmonary hypertension
JP6920904B2 (ja) 2017-07-04 2021-08-18 国立大学法人広島大学 シミュレータ、該シミュレータを備える注入装置又は撮像システム、及びシミュレーションプログラム
US11141535B2 (en) 2017-08-31 2021-10-12 Bayer Healthcare Llc Fluid path impedance assessment for improving fluid delivery performance
US11631485B2 (en) 2017-09-26 2023-04-18 Koninklijke Philips N.V. System and method for joint clinical decision for pharmaceuticals
US10335106B2 (en) 2017-09-29 2019-07-02 Infinitt Healthcare Co., Ltd. Computing system and method for identifying and visualizing cerebral thrombosis based on medical images
EP3694413A4 (en) 2017-10-09 2021-06-30 The Board of Trustees of the Leland Stanford Junior University CONTRAST DOSE REDUCTION FOR MEDICAL IMAGING USING DEEP LEARNING
US11100621B2 (en) 2017-10-20 2021-08-24 Imaging Biometrics, Llc Simulated post-contrast T1-weighted magnetic resonance imaging
EP3704712A1 (en) 2017-10-31 2020-09-09 GE Healthcare UK Limited Medical system for diagnosing cognitive disease pathology and/or outcome
CN110121293B (zh) 2017-11-24 2023-07-04 佳能医疗系统株式会社 医用数据处理装置、成像装置及学习完毕模型生成方法
KR102001398B1 (ko) 2018-01-25 2019-07-18 재단법인 아산사회복지재단 기계학습을 통한 뇌질환 상태변화 예측방법, 장치 및 프로그램
CN111656392B (zh) 2018-02-15 2024-01-05 通用电气公司 用于合成磁共振图像的系统和方法
US11640682B2 (en) * 2018-03-22 2023-05-02 The University Of North Carolina At Chapel Hill Methods, systems, and computer readable media for processing digital subtraction angiography (DSA) and computed tomography (CT) images for reducing radiation exposure in DSA and CT subjects
US11100632B2 (en) 2018-04-13 2021-08-24 Elekta, Inc. Image synthesis using adversarial networks such as for radiation therapy
US20190317171A1 (en) * 2018-04-13 2019-10-17 University Of Southern California Method for joint arterial input function and tracer kinetic parameter estimation in accelerated dce-mri using a model consistency constraint
WO2019204406A1 (en) 2018-04-19 2019-10-24 Subtle Medical, Inc. Systems and methods for improving magnetic resonance imaging using deep learning
CN108703764B (zh) * 2018-05-29 2021-11-05 北京东软医疗设备有限公司 血管造影方法、装置、系统、设备及存储介质
CN112313668A (zh) 2018-06-15 2021-02-02 深透医疗公司 使用深度学习进行磁共振成像标准化的系统和方法
EP3649955A1 (en) 2018-11-07 2020-05-13 Koninklijke Philips N.V. Deep learning based spectral bolus tracking
EP3657433B1 (en) 2018-11-22 2022-10-19 Siemens Healthcare GmbH Medical image data
DE102018222606A1 (de) 2018-12-20 2020-06-25 Siemens Healthcare Gmbh Verfahren und Vorrichtung zur Detektion eines anatomischen Merkmals eines Blutgefäßabschnittes
US10867375B2 (en) * 2019-01-30 2020-12-15 Siemens Healthcare Gmbh Forecasting images for image processing
US11398026B2 (en) 2019-03-28 2022-07-26 The Board Of Trustees Of The Leland Stanford Junior University Systems and methods for synthetic medical image generation
DE102019207639A1 (de) * 2019-05-24 2020-11-26 Siemens Healthcare Gmbh Verbesserte Berechnung der Kontrastmittelkonzentration
EP3756547A1 (en) * 2019-06-28 2020-12-30 Koninklijke Philips N.V. Automated coronary angiography analysis
US20210012486A1 (en) 2019-07-09 2021-01-14 Shenzhen Malong Technologies Co., Ltd. Image synthesis with generative adversarial network
CN110391016B (zh) * 2019-07-10 2021-11-09 浙江大学 一种动态对比增强磁共振图像的分析方法
AU2020347774A1 (en) 2019-09-18 2022-03-31 Bayer Aktiengesellschaft Generation of MRI images of the liver
CN114502068A (zh) 2019-10-08 2022-05-13 拜耳公司 生成肝脏的无对比度增强的mrt图像
EP3804615A1 (de) 2019-10-08 2021-04-14 Bayer AG Erzeugung von mrt-aufnahmen der leber
CN114502069A (zh) 2019-10-11 2022-05-13 拜耳公司 加速mrt检查
EP3875979A1 (de) 2020-03-06 2021-09-08 Bayer Aktiengesellschaft Optimiertes verfahren für dynamische kontrastverstärkende magnetresonanztomographie
CA3177210A1 (en) 2020-04-03 2021-10-07 Bayer Aktiengesellschaft Generation of radiological images
US11308613B2 (en) 2020-06-09 2022-04-19 Siemens Healthcare Gmbh Synthesis of contrast enhanced medical images

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101912262A (zh) * 2010-07-22 2010-12-15 中国科学院深圳先进技术研究院 磁共振成像定量参数计算方法及系统
WO2014068520A1 (en) * 2012-10-31 2014-05-08 Koninklijke Philips N.V. Perfusion imaging
WO2015051256A1 (en) * 2013-10-04 2015-04-09 Howard University Voxel-resolution myocardial blood flow analysis
CN109843176A (zh) * 2016-07-29 2019-06-04 诺瓦达克技术有限公司 用于利用机器学习来表征受验者的组织的方法和系统
CN107316334A (zh) * 2017-07-31 2017-11-03 华东师范大学 个性化精准磁共振影像方法
CN108324244A (zh) * 2018-01-03 2018-07-27 华东师范大学 用于ai+mri影像辅助诊断的自动增广训练样本的构建方法及系统
CN109726752A (zh) * 2018-12-25 2019-05-07 脑玺(上海)智能科技有限公司 基于时间信号曲线的灌注动态影像的分割方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Quantifying Perfusion Properties with DCE-MRI Using a Dictionary Matching Approach;Satyam Ghodasara et al;Scientific Reports;10210:1-10 *
利用MC方法计算小鼠体内辐射剂量的体素模型的建立;张晓敏 等;军事医学科学院院刊;第34卷(第1期);第43-45页 *

Also Published As

Publication number Publication date
CN117582208A (zh) 2024-02-23
JP2022548930A (ja) 2022-11-22
EP4031895A1 (en) 2022-07-27
AU2020349121A1 (en) 2022-03-31
CN113329688A (zh) 2021-08-31
CA3154689A1 (en) 2021-03-25
US11915361B2 (en) 2024-02-27
WO2021053585A1 (en) 2021-03-25
US20220414972A1 (en) 2022-12-29

Similar Documents

Publication Publication Date Title
CN113329688B (zh) 用于确定组织体素的特征的方法、系统和计算机可读介质
EP3552550B1 (en) Machine-learning based contrast agent administration
JP2011525408A (ja) イメージング法における対象領域の識別と時間値曲線の抽出
US11727571B2 (en) Forecast of MRI images by means of a forecast model trained by supervised learning
EP2271257B1 (en) Imaging technique
CN115398555A (zh) 生成放射线图像
US20220409145A1 (en) Generation of mri images of the liver without contrast enhancement
US20230120273A1 (en) Acceleration of mri examinations
CN108283017B (zh) 在使用磁共振系统的诊断成像中优化造影剂浓度的时间分布的预先确定的方法和磁共振系统
Sun et al. Motion Correction for Liver DCE-MRI with Time-Intensity Curve Constraint
CN117083629A (zh) 对比度增强放射学领域中的机器学习
JP2024512369A (ja) 造影放射線学の分野における機械学習
Venianaki Cancer tissue classification from DCE-MRI data using pattern recognition techniques
Kertes et al. IVIM-Morph: Motion-compensated quantitative Intra-voxel Incoherent Motion (IVIM) analysis for functional fetal lung maturity assessment from diffusion-weighted MRI data
Salm et al. Validation of a high-resolution, phase contrast cardiovascular magnetic resonance sequence for evaluation of flow in coronary artery bypass grafts
Kalafut A new paradigm for the personalized delivery of iodinated contrast material at cardiothoracic computed tomography angiography
WO2023135056A1 (en) Synthetic contrast-enhanced ct images
Liang et al. Development of contrast-enhanced rodent imaging using functional CT
Mehrabian Application of Independent Component Analysis (ICA) in Pharmacokinetic Modeling of Tumors Using Dynamic Contrast Enhanced (DCE)-MRI

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