CN113711076A - 狄克逊磁共振成像中的水-脂肪交换的自动检测 - Google Patents

狄克逊磁共振成像中的水-脂肪交换的自动检测 Download PDF

Info

Publication number
CN113711076A
CN113711076A CN202080029714.9A CN202080029714A CN113711076A CN 113711076 A CN113711076 A CN 113711076A CN 202080029714 A CN202080029714 A CN 202080029714A CN 113711076 A CN113711076 A CN 113711076A
Authority
CN
China
Prior art keywords
magnetic resonance
water
fat
dixon
image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202080029714.9A
Other languages
English (en)
Inventor
K·佐默
S·魏斯
H·埃格斯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Koninklijke Philips NV
Original Assignee
Koninklijke Philips NV
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 Koninklijke Philips NV filed Critical Koninklijke Philips NV
Publication of CN113711076A publication Critical patent/CN113711076A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G01R33/4828—Resolving the MR signals of different chemical species, e.g. water-fat imaging
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/5608—Data processing and visualization specially adapted for MR, e.g. for feature analysis and pattern recognition on the basis of measured MR data, segmentation of measured MR data, edge contour detection on the basis of measured MR data, for enhancing measured MR data in terms of signal-to-noise ratio by means of noise filtering or apodization, for enhancing measured MR data in terms of resolution by means for deblurring, windowing, zero filling, or generation of gray-scaled images, colour-coded images or images displaying vectors instead of pixels
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/565—Correction of image distortions, e.g. due to magnetic field inhomogeneities
    • G01R33/56563—Correction of image distortions, e.g. due to magnetic field inhomogeneities caused by a distortion of the main magnetic field B0, e.g. temporal variation of the magnitude or spatial inhomogeneity of B0
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • 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
    • G01R33/565—Correction of image distortions, e.g. due to magnetic field inhomogeneities
    • G01R33/56527—Correction of image distortions, e.g. due to magnetic field inhomogeneities due to chemical shift effects

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本文中公开了一种医学系统(100、300、500)，其包括存储机器可执行指令(120)和卷积神经网络(122)的存储器(110)。所述卷积神经网络被配置用于接收初始狄克逊磁共振图像(124、126)作为输入。所述卷积神经网络被配置用于识别所述初始狄克逊磁共振图像中的一个或多个水‑脂肪交换区域(128)。所述医学系统还包括用于控制所述医学系统的处理器(104)。所述机器可执行指令的运行使所述处理器：接收(200)所述初始狄克逊磁共振图像；并且响应于将所述初始狄克逊磁共振图像输入到所述卷积神经网络中而从所述卷积神经网络接收(204)所述一个或多个水‑脂肪交换区域。

Description

狄克逊磁共振成像中的水-脂肪交换的自动检测
技术领域
本发明涉及磁共振成像，特别地涉及磁共振成像的狄克逊方法。
背景技术
作为用于产生患者的身体内的图像的流程的部分，大静态磁场由磁共振成像(MRI)扫描器使用以对准原子的核自旋。该大静态磁场被称为B0场。
在MRI扫描期间，由发射器线圈生成的射频(RF)脉冲引起对局部磁场的干扰，并且由核自旋发射的RF信号由接收器线圈检测。这些RF信号被用于构建MRI图像。这些线圈还可以被称为天线。另外，发射器和接收器线圈还可以被集成到执行这两个功能的单个收发器线圈中。应理解，术语收发器线圈的使用还指代在其中分离的发射器和接收器线圈被使用的系统。发送的RF场被称为B1场。
MRI扫描器能够构建要么切片要么体积的图像。切片是仅是一个体素厚的薄体积。体素是在其上MRI信号被平均的小体积，并且表示MRI图像的分辨率。体素在本文中还可以被称为像素。
磁共振成像的狄克逊方法包括用于产生分离的水和脂质(脂肪)图像的技术的族。诸如但不限于两点狄克逊方法、三点狄克逊方法、四点狄克逊方法和六点狄克逊方法的各种狄克逊技术在本文中统称为狄克逊技术或方法。在重建水和脂肪图像时通常存在多个解决方案。在水和脂肪图像之间不经意地切换体素是可能的；这在本文中被称为水-脂肪交换。
美国专利申请公开US20170082713A1公开了一种用于将检查物体的至少一幅组合图像自动分配给组合图像中表示的自旋物种的方法和装置，根据现有数据库确定并且涉及自旋物种到组合图像的分配的关系被加载到计算机中。在至少两个回波时间之一处的至少两个MR数据集在每种情况下在借助于多对比测量的激励之后被提供给计算机。从至少两个MR数据集在计算机中确定至少一幅组合图像。基于加载的关系在计算机中分配至少一幅组合图像中表示的自旋物种。通过使用从现有数据库确定的关系，启用正确自旋物种的自动明确全局分配。
B.Glocker等人的文章“Correction of fat-water swaps in Dixon MRI”(在MICCAI 2016中)解决了狄克逊MRI中的脂肪-水发明的问题。这对应于本发明的目标。然而，本文提出了一种基于回归方法并且学习图像外观的条件分布的方案(Dixon-Fix)。
发明内容
本发明在独立权利要求中提供一种医学系统、一种计算机程序产品和一种方法。在从属权利要求中给出实施例。
在狄克逊磁共振成像协议期间重建脂肪图像和水图像时的困难是水-脂肪交换。水-脂肪交换区域的水-脂肪交换是在狄克逊磁共振图像(或狄克逊图像)内水区域和脂肪区域已被错误识别的区域或体素组。实施例提供了使用卷积神经网络来自动识别一个或多个水-脂肪交换的方法。一个或多个水-脂肪交换是对磁共振图像中的体素的识别。一个或多个水-脂肪交换能够例如以体素位置的形式给出。更方便地，能够使用掩模来识别一个或多个水-脂肪交换。掩模是可以识别一个或多个水-脂肪交换的位置的图像。如果不存在水-脂肪交换，则掩模能够是空的和/或指示不存在水-脂肪交换。在本文中对掩模的引用是指在狄克逊磁共振图像中存在水-脂肪交换的情况下可以用于识别水-脂肪交换的位置的图像。
所述卷积神经网络可以识别所述一个或多个水-脂肪交换区域的位置，以帮助人类解释或校正狄克逊图像。所述卷积神经网络也可以并入到自动算法中，其迭代地从狄克逊图像移除所述水-脂肪交换区域。
本发明提供一种包括存储机器可执行指令和卷积神经网络的存储器的医学系统。所述卷积神经网络被配置或训练用于接收初始狄克逊磁共振图像作为输入。所述卷积神经网络被配置用于识别所述初始狄克逊磁共振图像中的一个或多个水-脂肪交换区域。
如本文所使用的初始狄克逊磁共振图像包括根据狄克逊磁共振成像协议重建的脂肪和/或水图像和/或脂肪分数图像和/或R2*图像。水-脂肪交换将在使用狄克逊方法重建的任何这些图像中可见。所述卷积神经网络被配置用于采取不同类型的输入。所述卷积神经网络的输入可以例如是以下各项中的任一项：水狄克逊图像、脂肪狄克逊图像、或水狄克逊图像和脂肪狄克逊图像两者、脂肪分数图像、R2*图像和其组合。类似地，可能通过仅查看水狄克逊图像来识别水-脂肪交换区域，类似地如可能通过仅查看脂肪狄克逊图像来识别其。如果所述卷积神经网络将成对的水和脂肪狄克逊磁共振图像两者采取为输入进行训练，则可能更容易训练并且具有更高的准确度。然而，这不是必需的，因为所述卷积神经网络可以训练以还仅查看水或仅脂肪图像。
如本文所使用的医学系统包含被配置用于对医学数据或医学成像数据执行图像处理和/或数值技术的系统。
所述医学系统还包括被配置用于控制所述医学系统的处理器。所述机器可执行指令的运行使所述处理器接收初始狄克逊磁共振图像。所述机器可执行指令的运还使得所述处理器响应于将所述初始狄克逊磁共振图像输入到所述卷积神经网络中而从所述卷积神经网络接收所述一个或多个水-脂肪交换区域。该实施例可能是有益的，因为其可以提供识别狄克逊磁共振图像中的水-脂肪交换区域的自动方法。例如，这可用于狄克逊磁共振图像的质量控制以及并入用于重建狄克逊磁共振图像的自动算法中。
在另一实施例中，所述机器可执行指令的运行还使得所述处理器使用接收到的一个或多个水-脂肪交换区域重建经校正的狄克逊磁共振图像。该实施例可能是有益的，因为其可以提供一种提高狄克逊磁共振图像的质量的方法。
在另一实施例中，通过在所述脂肪图像和所述水图像之间交换一个或多个水-脂肪交换区域的体素来校正所述狄克逊磁共振图像。所述狄克逊磁共振图像包括所述脂肪图像和所述水图像。在特别适用于两点狄克逊方法的该范例中，被识别为所述水-脂肪交换区域的体素简单地彼此交换。这可以提供一种提供经校正的狄克逊磁共振图像的简单方法。
在另一实施例中，通过根据狄克逊磁共振成像重建算法从狄克逊磁共振成像数据重建所述狄克逊磁共振图像来校正所述狄克逊磁共振图像。所述狄克逊磁共振成像重建算法被配置为使用所述一个或多个水-脂肪交换区域作为约束和/或用于校正B0不均匀性估计。在存在约束的情况下，可以约束算法以在确定解决方案时正确地将所述区域识别为水或脂肪。同样地，使用所述一个或多个水-脂肪交换区域来校正B0不均匀性估计也可以提供经校正的狄克逊磁共振图像。
所述狄克逊磁共振成像数据是根据狄克逊磁共振成像协议采集的磁共振成像数据，并且可以根据狄克逊磁共振成像协议重建为水-脂肪图像。
在另一实施例中，所述机器可执行指令的运行还使所述处理器接收训练数据。所述训练数据中的每个包括训练狄克逊磁共振图像和训练水-脂肪交换掩模。所述训练水-脂肪交换掩模可以识别所述一个或多个水-脂肪交换区域的标准数据(ground truth)。训练狄克逊磁共振图像中一些将不具有水-脂肪交换，并且它们的掩模可以指示这一点。所述机器可执行指令的运行还使所述处理器使用所述训练数据训练所述卷积神经网络。同样地，在本实施例中，所述训练狄克逊磁共振图像可以简单地是水图像、脂肪图像或水和脂肪图像的组合。这样一来，可以训练所述卷积神经网络以将一个图像用作输入或两幅图像。如果存在单幅图像作为输入，则它可能仅是水或脂肪图像。如果两者都是，则输入一对匹配的水和脂肪图像两者。
在另一实施例中，所述机器可执行指令的运行还使得所述处理器接收无交换狄克逊磁共振图像。所述无交换狄克逊磁共振图像是正确的狄克逊磁共振图像，其中，它们不具有使它们的水和脂肪区域切换的区域。此外，无交换狄克逊磁共振图像可以仅是无交换水狄克逊磁共振图像、无交换脂肪狄克逊磁共振图像或水和脂肪图像的匹配对。所述机器可执行指令的运行还使所述处理器通过在所述无交换狄克逊磁共振图像中的无交换狄克逊磁共振图像中的每个中生成合成水-脂肪交换区域并且构建所述训练水-脂肪交换掩模来生成所述训练数据。该实施例可能是有益的，因为其从保证不具有任何水-脂肪交换区域的图像开始。为了制造所述训练数据，所述算法然后人工添加这些水-脂肪交换区域。这可以以各种方式执行，例如可以简单地交换区域或者它可以根据以下详述的以下算法中的任一种来完成。
在另一实施例中，所述训练数据通过首先确定一个或多个随机变量，然后通过将所述一个或多个随机变量输入到空间变量函数中，并且然后对所述空间变量函数进行阈值化处理以确定针对训练狄克逊磁共振图像的一个或多个水-脂肪交换区域来确定所述一个或多个合成水-脂肪交换区域中的至少一些来至少部分地生成。在该实施例中，水-脂肪交换区域的位置是随机确定的。
在另一实施例中，所述训练数据至少部分地通过识别具有高于预定水-脂肪阈值的脂肪含量和水含量两者的狄克逊磁共振图像中的高水-脂肪交换区至少部分地生成。所述训练数据至少部分通过选择所述高水-脂肪区的至少部分作为所述合成水-脂肪交换区域来生成。所述高水-脂肪区是包含高水和脂肪含量两者的区域或体素。如果所述体素包含相等部分的水和脂肪，则将存在50％水和50％脂肪。在这种情况下，狄克逊磁共振图像在其通过自动算法重建时更可能具有错误。当使用自动算法时，这些具有高水和脂肪含量两者的体素然后可能导致水-脂肪交换。识别这些高水-脂肪区并且然后选择其至少部分是产生现实训练水-脂肪交换区域的一种方式。
例如，具有水和脂肪两者的不可忽略的含量的体素表明两种分量的含量均高于30％可能合格。这能够例如发生在组织边界处或在诸如脂肪肝疾病的状况下。
在另一实施例中，所述训练数据至少部分地通过接收针对所述无交换狄克逊磁共振图像的B0不均匀性图来生成。例如，当采集针对所述无交换狄克逊磁共振图像的磁共振数据时，在这时也可以存储和使用B0不均匀性图。至少还部分地通过利用预定B0不均匀性阈值对所述B0不均匀性图进行阈值化处理来识别所述无交换狄克逊磁共振图像中的高B0不均匀性区来生成所述训练数据。至少还部分地通过选择高B0不均匀区的至少部分作为所述训练水-脂肪交换区域来生成训练数据。该实施例可能是有益的，因为在具有较高B0不均匀性的区域中，自动算法更可能将区域错误识别为水或脂肪。
这也可以被认为是发展风险因子或特定区域可能在真实狄克逊磁共振图像中被交换的交换概率。然后，可以基于该图或B0不均匀性图生成这些人工或合成交换区域。这可能导致比使用比如随机区域更真实的训练数据集。
在另一实施例中，所述训练数据至少部分地通过使用图像分割算法识别所述无交换狄克逊磁共振图像中的组织边界区来生成。例如，标准图像分割技术可以被用于识别不同的组织区域。训练数据通过选择所述组织边界区域的至少部分或围绕这些的区域作为所述训练水-脂肪交换区域来至少部分地生成。该实施例还可以是进一步有益的，因为在与组织类型之间的转变相邻的区中，也可以或可能的是，自动狄克逊磁共振成像算法不正确地将区域识别为水或脂肪。这是因为可能存在很强的局部信号梯度，其可能使更难以正确求解方程和在脂肪和水区域之间区分。
在另一实施例中，所述训练数据至少部分地通过确定针对所述狄克逊磁共振图像的空间相关的信噪比图来生成。还至少部分地通过使用利用所述空间相关的信噪比图确定的信噪比加权因子选择训练水-脂肪交换区域的至少部分以包括在所述训练数据集中来生成所述训练数据。所述信噪比加权因子随着所述空间相关的信噪比图减小而增加。例如，信噪比越低，水-脂肪交换在自动狄克逊磁共振成像算法中发生越可能。
在另一实施例中，所述训练数据至少部分地通过接收针对所述无交换狄克逊磁共振图像的等中心位置来生成。通还至少部分地过使用由距等中心位置的距离确定的距离加权因子选择合成水-脂肪交换区域的至少部分以用于包括在所述训练数据中来生成所述训练数据。所述距离加权因子随着距等中心位置的距离的增加而增加。通常，随着距等中心点距离增加，水-脂肪交换更可能增加。这常常与B0不均匀性的增加有关。然而，使用距等中心点的距离作为加权因子可以使能更好地选择区域以生成合成水-脂肪交换区域。
在另一实施例中，至少部分地通过将图像变换应用于所述训练狄克逊磁共振图像以及针对所述训练狄克逊磁共振图像中的每幅的训练水-脂肪交换掩模以生成额外的训练磁共振图像来增加训练数据的大小，来生成所述训练数据。所述图像变换包括以下各项中的任一项：图像平移、图像旋转、图像变形、图像翻转变换、镜像变换和其组合。这可能是增加用于训练所述卷积神经网络的训练数据库或数据的方式。这可以使能利用较少量的训练数据进行训练。
所述医学成像系统还包括磁共振成像系统。所述存储器还包含被配置用于控制所述磁共振成像系统以根据狄克逊磁共振成像协议采集磁共振成像数据的脉冲序列命令。所述机器可执行指令的运行还使得所述处理器通过利用所述脉冲序列命令控制所述磁共振成像系统采集所述磁共振图像。
所述机器可执行指令的运行还使得所述处理器根据所述狄克逊磁共振成像协议使用磁共振成像数据重建所述初始狄克逊磁共振图像。该实施例可能是有益的，因为当所述磁共振成像数据由所述磁共振成像系统采集时，所述卷积神经网络被用于自动识别所述一个或多个水-脂肪交换区域，并且可以例如被用于自动改进所述狄克逊磁共振图像的质量。
在以上实施例中，所述医学系统是磁共振成像系统。实施例也可以实现在其他类型的系统中。例如，在一个实施例中，所述医学系统是在线服务，其提供脂肪和/或水图像的校正作为图像重建软件的部分。在另一实施例中，所述医学系统是例如可以在诊断工作站上执行的回顾性水-脂肪交换校正工具。在又一范例中，所述医学系统可以是可以独立于所述医学系统的特定供应商或制造商的交换校正方法。例如，这可以作为可以提供的基于云的服务来实施或销售。
在另一方面中，本发明提供了一种计算机程序产品，包括用于由控制所述医学系统和卷积神经网络的处理器运行的机器可执行指令。所述卷积神经网络被配置用于接收初始狄克逊磁共振图像作为输入。此外，所述初始狄克逊磁共振图像可以是脂肪狄克逊磁共振图像、水狄克逊磁共振图像或脂肪和水狄克逊磁共振图像的匹配对。所述卷积神经网络被配置用于识别所述初始狄克逊磁共振图像中的一个或多个水-脂肪交换区域。所述机器可执行指令的运行还使得所述处理器接收初始狄克逊磁共振图像。所述机器可执行指令的运行还使所述处理器响应于将所述初始狄克逊磁共振图像输入到所述卷积神经网络中而从所述卷积神经网络接收所述一个或多个水-脂肪交换区域。已经先前地讨论了该系统的优点。
在另一方面中，本发明提供一种训练卷积神经网络的方法。所述卷积神经网络被配置用于接收初始狄克逊磁共振图像作为输入。所述卷积神经网络被配置用于识别或被训练用于识别所述初始狄克逊磁共振图像中的一个或多个水-脂肪交换区域。所述方法包括接收训练数据。所述训练数据中的每个包括训练狄克逊磁共振图像和训练水-脂肪交换掩模。所述训练狄克逊磁共振图像包括一个或多个水-脂肪交换区域。所述训练水-脂肪交换掩模识别所述一个或多个水-脂肪交换区域的标准数据。
所述方法还包括使用所述训练数据训练所述卷积神经网络。如上文先前所提到的，所述训练狄克逊磁共振图像可以是例如水狄克逊磁共振图像、脂肪狄克逊磁共振图像，或者可以是一对匹配图像，其中，一幅是水狄克逊磁共振图像，并且另一幅是脂肪狄克逊磁共振图像。
在另一实施例中，所述方法还包括接收无交换狄克逊磁共振图像。所述方法还包括通过在无交换狄克逊磁共振图像中生成合成水-脂肪交换区域来生成所述训练数据。所述合成水-脂肪交换区域然后用作所述训练水-脂肪交换掩模。
应理解，可以组合本发明的前述实施例中的一个或多个，只要组合的实施例不是互相排斥的。
如本领域的技术人员将认识到的，本发明的各个方面可以实现为装置、方法或计算机程序产品。相应地，本发明的各个方面可以采取完全硬件实施例、完全软件实施例(包括固件、常驻软件、微代码等)或组合软件和硬件方面的实施例(在本文中总体上全部可以被称为“电路”、“模块”或“系统”)的形式。此外，本发明的各个方面可以采取实现在一个或多个计算机可读介质中的计算机程序产品的形式，所述一个或多个计算机可读介质具有实现在其上的计算机可执行代码。
可以利用一个或多个计算机可读介质的任何组合。所述计算机可读介质可以是计算机可读信号介质或计算机可读存储介质。本文使用的“计算机可读存储介质”涵盖任何可以存储可由计算设备的处理器执行的指令的有形存储介质。可以将计算机可读存储介质称为计算机可读非暂态存储介质。也可以将计算机可读存储介质称为有形计算机可读介质。在一些实施例中，计算机可读存储介质还可以能够存储可以由计算设备的处理器访问的数据。计算机可读存储介质的范例包括但不限于：软盘、磁硬盘驱动器、固态硬盘、闪速存储器、USB拇指驱动器、随机存取存储器(RAM)、只读存储器(ROM)、光盘、磁光盘以及处理器的寄存器文件。光盘的范例包括压缩盘(CD)和数字通用盘(DVD)，例如，CD-ROM、CD-RW、CD-R、DVD-ROM、DVD-RW或DVD-R盘。术语计算机可读存储介质还指能够经由网络或通信链路由计算机设备访问的各种类型的记录介质。例如，可以在调制调解器、因特网或局域网上检索数据。可以使用任何适当介质发送实现在计算机可读介质上的计算机可执行代码，所述任何适当介质包括但不限于无线的、有线的、光纤线缆的、RF等或者前面的任何合适的组合。
计算机可读信号介质可以包括具有实现在其中的计算机可执行代码的传播的数据信号，例如，在基带中或作为载波的部分。这样的传播的信号可以采取任何各种形式，包括但不限于电磁的、光学的或它们的任何合适的组合。计算机可读信号介质可以是这样的任何计算机可读介质：不是计算机可读存储介质，并且能够传达、传播或传输由指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合使用的程序。
“计算机存储器”或“存储器”是计算机可读存储介质的范例。计算机存储器是可由处理器直接访问的任何存储器。“计算机存储设备”或“存储设备”是计算机可读存储介质的另外的范例。计算机存储设备是任何非易失性计算机可读存储介质。在一些实施例中，计算机存储设备也可以是计算机存储器，或者反之亦然。
如本文中所使用的“处理器”涵盖能够执行程序或机器可执行指令或计算机可执行代码的电子部件。对包括“处理器”的计算设备的引用应当被解读为能够包含多于一个的处理器或处理核。所述处理器可以例如是多核处理器。处理器也可以指在单个计算机系统之内的或分布在多个计算机系统之间的处理器的集合。术语计算设备也应当被解读为能够指每个包括一个或多个处理器的计算设备的集合或网络。计算机可执行代码可以由可以在相同的计算设备之内或甚至可以分布在多个计算设备之间的多个处理器来执行。
计算机可执行代码可以包括令处理器执行本发明的方面的机器可执行指令或程序。用于执行针对本发明的方面的操作的计算机可执行代码可以以一个或多个编程语言的任何组合来编写并且被编译为机器可执行指令，所述一个或多个编程语言包括诸如Java、Smalltalk、C++等的面向对象的编程语言以及诸如“C”编程语言或相似编程语言的常规过程性编程语言。在一些实例中，所述计算机可执行代码可以采取高级语言的形式或者采取预编译的形式并且结合在工作时生成机器可执行指令的解读器一起被使用。
所述计算机可执行代码可以完全在用户的计算机上、部分在用户的计算机上(作为独立的软件包)、部分在用户的计算机上并且部分在远程计算机上、或完全在远程计算机或服务器上执行。在后一种情形下，所述远程计算机可以通过包括局域网(LAN)或广域网(WAN)的任何类型的网络连接到用户的计算机，或者可以(例如，通过使用因特网服务提供商的因特网)对外部计算机进行连接。
参考根据本发明的实施例的方法、装置(系统)和计算机程序产品的流程图、图示和/或方框图来描述本发明的方面。应理解，当可应用时，能够通过采取计算机可执行代码的形式的计算机程序指令来实施流程图、图示和/或方框图的方框的每个方框或部分。还应理解，当互不排斥时，可以组合不同流程图、图示和/或方框图中的方框的组合。这些计算机程序指令可以被提供给通用计算机、专用计算机或产生机器的其他可编程数据处理装置的处理器，使得经由计算机或其他可编程数据处理装置的处理器执行的指令创建用于实施在流程图和/或一个或多个方框图框中指定的功能/动作的单元。
这些计算机程序指令还可以存储在计算机可读介质中，所述计算机可读介质能够指引计算机、其他可编程数据处理装置或其他设备以特定的方式来工作，使得在计算机可读介质中存储的指令产生包括实施在流程图和/或一个或多个方框图框中指定的功能/动作的指令的制品。
所述计算机程序指令还可以加载到计算机、其他可编程数据处理装置或其他设备上，以令在计算机、其他可编程装置或其他设备上执行一系列操作步骤，从而产生计算机实施的过程，使得在计算机或其他可编程装置上执行的指令提供用于在流程图和/或一个或多个方框图框中指定的功能/动作的过程。
如本文所使用的“用户接口”是允许用户或操作人员与计算机或计算机系统交互的接口。“用户接口”还可以被称为“人机接口设备”。用户接口可以向操作人员提供信息或数据和/或从操作人员接收信息或数据。用户接口可以使得来自操作人员的输入能够被计算机接收并且可以从计算机向用户提供输出。换言之，所述用户接口可以允许操作人员控制或操控计算机，并且所述接口可以允许计算机指示操作人员的控制或操控的效果。显示器或图形用户接口上的数据或信息的显示是向操作人员提供信息的范例。通过键盘、鼠标、跟踪球、触摸板、指点杆、图形输入板、操纵杆、游戏手柄、网络摄像头、耳机、踏板、有线手套、遥控器和加速度计对数据的接收全都是实现对来自操作人员的信息或数据的接收的用户接口部件的范例。
如本文所使用的“硬件接口”涵盖使得计算机系统的处理器能够与外部计算设备和/或装置交互和/或控制外部计算设备和/或装置的接口。硬件接口可以允许处理器将控制信号或指令发送到外部计算设备和/或装置。硬件接口也可以使得处理器能够与外部计算设备和/或装置交换数据。硬件接口的范例包括但不限于：通用串行总线、IEEE 1394端口、并行端口、IEEE 1284端口、串行端口、RS-232端口、IEEE-488端口、蓝牙连接、无线局域网连接、TCP/IP连接、以太网连接、控制电压接口、MIDI接口、模拟输入接口以及数字输入接口。
如本文所使用的“显示器”或“显示设备”涵盖适于显示图像或数据的输出设备或用户接口。显示器可以输出视觉、音频和/或触觉数据。显示器的范例包括但不限于：计算机监视器、电视屏幕、触摸屏、触觉电子显示器、盲文屏幕、阴极射线管(CRT)、存储管、双稳态显示器、电子纸、矢量显示器、平板显示器、真空荧光显示器(VF)、发光二极管(LED)显示器、电致发光显示器(ELD)、等离子体显示板(PDP)、液晶显示器(LCD)、有机发光二极管显示器(OLED)、投影仪和头戴式显示器。
磁共振(MR)数据在本文中被定义为在磁共振成像扫描期间使用磁共振装置的天线所记录的由原子自旋发射的射频信号的测量结果。磁共振数据是医学图像数据的范例。磁共振成像(MRI)图像或MR图像在本文中被定义为磁共振成像数据内包含的解剖数据的经重建的二维或三维可视化。能够使用计算机来执行这一可视化。
附图说明
在以下中将仅通过范例并且参考附图描述本发明的优选实施例，其中：
图1图示了医学系统的范例；
图2示出了图示操作图1的医学系统的方法的流程图；
图3图示了医学系统的另一范例；
图4示出了图示操作图1的医学系统的方法的流程图；
图5图示了医学系统的另一范例；
图6示出了图示操作图1的医学系统的方法的流程图；
图7图示了生成合成水-脂肪交换的方法；
图8图示了具有卷积神经网络的医学系统；并且
图9说明了图8的卷积神经网络的使用。
附图标记列表
100 医学系统
102 计算机
104 处理器
106 硬件接口
108 任选用户接口
110 存储器
120 机器可执行指令
122 卷积神经网络
124 初始狄克逊脂肪磁共振图像
126 初始狄克逊水磁共振图像
128 一个或多个水-脂肪交换区域
124 经校正狄克逊脂肪磁共振图像
132 经校正狄克逊水磁共振图像
200 接收初始狄克逊磁共振图像
204 响应于将初始狄克逊磁共振图像输入到卷积神经网络中从卷积神经网络接收一个或多个水-脂肪交换区域
206 使用接收到的一个或多个水-脂肪交换区域重建校正狄克逊磁共振图像
300 医学系统
302 无交换狄克逊磁共振图像
304 合成水-脂肪交换区域
306 训练狄克逊磁共振图像
308 训练水-脂肪交换掩模
400 接收无交换狄克逊磁共振图像
402 通过在无交换狄克逊磁共振图像的每个无交换狄克逊磁共振图像中生成合成水-脂肪交换区域并且构建训练水-脂肪交换掩模来生成训练数据
404 接收训练数据
406 使用训练数据训练卷积神经网络
500 医学系统
502 磁共振成像系统
504 磁体
506 磁体的膛
508 成像区
509 感兴趣区域
510 磁场梯度线圈
512 磁场梯度线圈电源
514 射频线圈
516 收发机
518 对象
520 对象支撑体
530 脉冲序列命令
532 磁共振图像数据
600 通过利用脉冲序列命令控制磁共振成像系统采集磁共振成像数据
602 根据狄克逊磁共振成像协议使用磁共振成像数据重建初始狄克逊磁共振图像
700 人工水-脂肪交换生成器
702 训练数据
900 具有交换伪影的狄克逊水图像
902 水-脂肪交换区域
904 经校正的狄克逊水图像
具体实施方式
在这些附图中，相似编号的元件是等效元件或执行相同功能。如果功能等效，则将不一定在后面的附图中讨论先前已经讨论的元件。
图1图示了医学系统100的范例。在该范例中，医学系统包括具有处理器104的计算机102。处理器被示出为连接到任选的硬件接口106。硬件接口106可以例如使得处理器104能够与医学系统100的其他部件通信或者甚至能够与其他计算机系统或信息系统交换数据。处理器104还被示出为连接到任选的用户接口108和存储器110。存储器110可以例如表示处理器104可以访问的不同类型的存储器。
存储器110可以是处理器104可访问的存储器的任何组合。这可以包括诸如主存储器、高速缓存存储器以及诸如闪存RAM、硬盘驱动器或其他存储设备之类的非易失性存储器的事物。在一些范例中，存储器110可以被认为是非瞬态计算机可读介质。
存储器110被示出为包含机器可执行指令120。机器可执行指令120使得处理器104能够执行各种控制功能和/或数据处理和图像处理技术。存储器110还被示出为包含卷积神经网络122的实施方式。卷积神经网络被配置用于响应于使初始狄克逊磁共振图像输入到其来识别一个或多个水-脂肪交换区域。存储器110被示出为包含初始狄克逊脂肪磁共振图像124和初始狄克逊水磁共振图像126。
卷积神经网络122可以被配置为与初始脂肪磁共振图像124或初始狄克逊磁共振图像126一起工作。在一些其他情况下，卷积神经网络122采用初始狄克逊脂肪磁共振图像124和初始狄克逊水磁共振图像126两者作为输入。在这些各种范例中，卷积神经网络然后作为响应输出一个或多个水-脂肪交换区域128。存储器110被示出为包含一个或多个水-脂肪交换区域128。一个或多个水-脂肪交换区域128是对初始狄克逊脂肪磁共振图像124或初始狄克逊水磁共振图像126内的水区域与脂肪区域已经交换的一个或多个体素的识别。对一个或多个水-脂肪交换区域128的识别对于评价狄克逊磁共振图像124、126是有用的。
在一些情况下，机器可执行指令120还将被编程以采用一个或多个水-脂肪交换区域128并计算经校正的狄克逊脂肪磁共振图像130和经校正的狄克逊水磁共振图像132。在一些情况下，这可能仅涉及两幅图像130和132之间的体素的切换。在其他情况下，被用于构建初始狄克逊磁共振图像124、126的磁共振数据被输入到使用一个或多个水-脂肪交换区域128进行校正的算法中。例如，一个或多个水-脂肪交换区域128可以用作约束或可以用于校正B0不均匀性估计。
图2示出了图示操作图1的医学系统100的方法的流程图。首先在步骤200中，接收初始狄克逊磁共振图像124和/或126。接下来在步骤202中，初始狄克逊磁共振图像124和/或126被输入到卷积神经网络122中，并且作为输出，接收一个或多个水-脂肪交换区域128。在一些范例中，执行步骤204。在步骤204中，经校正的狄克逊磁共振图像130和/或132使用一个或多个水-脂肪交换区域128来计算。
图3图示了医学系统300的另一范例。应当注意，医学系统300的特征可以与图1所图示的医学系统100的特征自由组合。该范例中的存储器110被示出为再次包含机器可执行指令120和卷积神经网络122。另外，存储器110被示出为包含无交换狄克逊磁共振图像302。无交换狄克逊磁共振图像是不包含任何水-脂肪交换的狄克逊磁共振图像。无交换狄克逊磁共振图像302可以是水图像、脂肪图像或水和作为对的脂肪图像两者。存储器110还被示出为包含合成水-脂肪交换区域304。各种算法可以应用于无交换狄克逊磁共振图像302以生成它们中的每个的水-脂肪交换区域304。
存储器110还被示出为包含组合训练狄克逊磁共振图像306和训练水-脂肪交换掩模308的训练数据。再次，训练狄克逊磁共振图像306可以是脂肪、水或与无交换狄克逊磁共振图像302匹配相同类型的这两种类型的图像。训练水-脂肪交换掩模308识别合成水-脂肪交换区域304的位置。训练数据306、308然后可以被用于训练卷积神经网络122，例如使用深度学习。
图4示出了图示使用图3的医学系统300的方法的流程图。图4的方法可以与图2的方法组合。例如，可以首先执行图4的方法，然后跟随有图2所图示的方法的步骤。
图4的方法从步骤400开始。在步骤400中，接收无交换狄克逊磁共振图像302。接下来在步骤402中，训练数据306、308通过为无交换狄克逊磁共振图像302创建合成水-脂肪交换区域304来生成。接下来在步骤404中，接收训练数据306、308。然后最后在步骤406中，使用训练数据306、308来训练卷积神经网络122。
图5图示了医学系统500的另一范例。医学系统500类似于图1所图示的医学系统，除了其额外地包含磁共振成像系统502。医学成像系统500也被示出为任选地包含图3的医学成像系统300的特征。
磁共振成像系统502包括磁体504。磁体504是具有通过其的膛506的超导圆柱型磁体。使用不同类型的磁体也是可能的；例如也可能使用分裂式圆柱形磁体和所谓的开放磁体两者。分裂圆柱形磁体类似于标准圆柱形磁体，除了低温恒温器已经分裂成两部分，以允许进入所述磁体的等平面，这样的磁体可以例如与带电粒子束治疗相结合地使用。开放磁体有两个磁体部分，一个在另一个之上，中间的空间足够大以容纳对象：两个部分区的布置类似于亥姆霍兹线圈的布置。开放式磁体是流行的，因为对象较少地受限。在圆柱形磁体的低温恒温器内部有超导线圈的集合。
在圆柱形磁体504的膛506内，存在成像区508，在成像区508中，磁场足够强和均匀以执行磁共振成像。示出了成像区508内的感兴趣区域509。磁共振数据通常针对感兴趣区域来进行采集。对象518被示出为由对象支撑件520支撑，使得对象518的至少部分在成像区508和感兴趣区域509内。
磁体的膛506内还有一组磁场梯度线圈510，其用于采集初步磁共振数据，以在磁体504的成像区508内对磁自旋进行空间编码。磁场梯度线圈510连接到磁场梯度线圈电源512。磁场梯度线圈510旨在是代表性的。通常磁场梯度线圈510包含用于在三个正交空间方向上空间地编码的三个独立的线圈组。磁场梯度电源将电流供应到所述磁场梯度线圈。供应给磁场梯度线圈510的电流根据时间来进行控制并且可以是斜变的或脉冲的。
邻近成像区508的是射频线圈514，其用于操纵成像区508内的磁自旋的取向，并且用于接收来自也在成像区508内的自旋的射频发送。射频天线可以包含多个线圈元件。射频天线还可以被称为通道或天线。射频线圈514连接到射频收发器516。射频线圈514和射频收发器516可以由独立的发送线圈和接收线圈以及独立的发射器和接收器替代。应理解，射频线圈514和射频收发器516是代表性的。射频线圈514旨在还表示专用的发送天线和专用的接收天线。类似地，收发器116也可以表示单独的发射器和接收器。射频线圈514也可以具有多个接收/发送元件，并且射频收发器516可以具有多个接收/发送通道。例如，如果执行诸如SENSE的并行成像技术，则射频线圈514将具有多个线圈元件。
收发器516和梯度控制器512被示出为被连接到计算机系统102的硬件接口106。存储器110还被示出为包含脉冲序列命令。脉冲序列命令530是控制磁共振成像系统502以根据狄克逊磁共振成像协议采集磁共振成像数据的命令或可以被转换成这样的命令的数据。
存储器110还被示出为包含已经通过用脉冲序列命令530控制磁共振成像系统502采集的磁共振成像数据532。磁共振成像数据532可以使用狄克逊磁共振成像协议重建为初始狄克逊脂肪磁共振图像124和初始狄克逊水磁共振图像126。
图6图示了操作图5的医学系统500的方法。首先在步骤600中，磁共振成像系统502利用脉冲序列命令530控制以采集磁共振成像数据532。接下来在步骤602中，根据磁共振成像数据532重建初始狄克逊磁共振图像124和126。方法然后前进到如图2所图示的步骤200、202和204。
范例可以提供用于自动检测和校正狄克逊图像中的水-脂肪交换的方法。范例可以使用神经网络(卷积神经网络122)，该神经网络被训练以使用数据集(训练数据702)与标准数据交换掩模(训练水-脂肪交换掩模308)识别水-脂肪交换。在使用期间，网络的输出可以被用于交换的直接校正，或者在没有水-脂肪交换的情况下产生狄克逊图像(经校正的狄克逊图像124)的第二狄克逊重建的输入。
脂肪抑制是提高磁共振(MR)成像的诊断价值的实质元素，因为脂肪由于其高信号强度常常隐藏其他结构的细节。脂肪的抑制也是重要的，因为其可以帮助描绘邻近储水组织的结构。三分之二的MR研究利用某种形式的脂肪抑制。狄克逊成像已经变为在采集中实现比基于频谱或T1选择的常规方法更鲁棒的脂肪抑制的广泛使用的技术。一些实施方式在肿瘤学和肌肉骨骼应用中的大视场中提供了改进的脂肪抑制，但是也启用新的应用，诸如基于利用造影剂采集的仅水mDIXON图像的无减影MR血管造影术。基于两点狄克逊方法的水脂分离面临基本的模糊性：对应于不同相位误差的水和脂肪信号的两个解与采集的信号一致。这能够导致所谓的水-脂肪交换，即，水信号被误分配到脂肪信号的图像区域，反之亦然。
已经开发了原始狄克逊方法的许多变体，以实现两个物种的鲁棒分离，常常依赖于空间平滑主磁场(B0)不均匀性的假设。尽管如此，水-脂肪交换仍然发生。它们主要出现在远离等中心点定位的身体部分、存在大B0不均匀性的区域、或弱磁性材料周围的区域中，例如植入物中。
在磁共振成像中，出于若干原因，水-脂肪交换是有问题的：
-如果狄克逊方法被用于脂肪抑制，则在具有交换的储水组织的区域中出现具有高信号强度的脂肪信号。
-在某些情况下，例如在脂肪抑制被用于提供嵌入在脂肪组织中的储水组织之间的对比度的情况下，图像解释复杂并且可能遗漏相应的病变。
-狄克逊扫描的定量分析，例如对于总体水-脂肪成分分析，在存在水-脂肪交换的情况下产生错误的结果。
-在放射治疗规划中使用狄克逊图像来计算辐射衰减图可能导致在存在水-脂肪交换的情况下不正确的剂量计算，因为水和脂肪具有不同的衰减性质。同样适用于PET-MR中的衰减校正。
为了解决这些问题中的一个或多个，在范例中，神经网络122在人工创建的数据集(合成水-脂肪交换区域304和训练狄克逊磁共振图像306)上被训练以自动检测和定位狄克逊图像中的水-脂肪交换。在训练之后，网络可以应用于看不见的数据以识别具有交换水-脂肪信号的体素(902)。该信息可以被用于直接校正图像(904)，或作为在没有交换的情况下产生狄克逊图像的第二狄克逊重建的输入。
卷积神经网络通常包括卷积层和最大池化层，跟随有一个或多个全连接层。出于图像分割目的，常常使用完全卷积网络。与分类网络不同，它们呈现允许在像素水平上有效生成预测的对称结构(用去卷积和反池化层代替全连接层)。
对于这样的网络的训练，使用具有适合图像和标准数据分割的数据集。基于感兴趣解剖结构的一组狄克逊扫描(无交换狄克逊磁共振图像302)，可以容易地生成具有人工水-脂肪交换的大型数据集。
人工交换区域可以例如通过在随机生成的缓慢变化的二维函数(多项式、径向、高斯等)上应用适合的阈值来定义。由交换掩模(训练水-脂肪交换掩模308)描述的该区域中的水和脂肪信号然后在狄克逊水和脂肪图像之间交换，并且交换掩模表示标准数据分割。两幅图像以及掩模然后被保存到磁盘以在训练期间使用。通过在交换之前对狄克逊图像应用诸如平移、旋转、变形或翻转的数据增强方案，可以生成具有高度解剖变异性的大型训练数据集。
一旦该训练数据是可用的，则可以选择表示预测分割的准确度的适合的目标函数。常见的选择是像素级交叉熵损失。然后，可以使用优化技术(诸如基于反向传播的随机梯度下降)来优化网络的权重。下面图7和图8示出了所提出的方法的示意性概览。
图7图示了生成训练数据702的方法。在该范例中，存在人工水-脂肪交换生成器700，其是算法。人工水-脂肪交换生成器700将无交换狄克逊磁共振图像302采取为输入。其然后输出训练狄克逊磁共振图像306和训练水-脂肪交换掩模308作为输出。这是通过制造合成水-脂肪交换区域生成的训练数据702的范例。在图7中，无交换狄克逊数据(水和脂肪图像对)被人工修改以包含水-脂肪交换。为每个图像对生成标准数据掩模。
图8图示了卷积神经网络122的功能。初始狄克逊脂肪磁共振图像124和/或初始狄克逊水磁共振图像126可以被输入到卷积神经网络122中，并且作为输出，一个或多个水-脂肪交换区域128被输出。狄克逊图像124或126被称为图像中具有交换的临床狄克逊数据，并且一个或多个水-脂肪交换区域128被识别为估计的交换掩模。当使用训练数据702时，例如可以使用深度学习来使用或训练神经网络122。在神经网络122的使用期间，网络122能够以交换作为输入给定狄克逊数据来估计交换区域。
在使用期间，由网络预测的交换掩模(一个或多个水-脂肪交换区域128)可以以两种方式使用。首先，对于水和脂肪信号发生真实交换的狄克逊图像(两个回波、脂肪的单峰谱模型等)，交换可以通过简单地交换交换区域中的两个信号来容易校正。其次，在所有其他情况下，可以在交换区域中校正B0不均匀性的内在估计，并且可以重复水-脂肪分离。
图9图示了卷积神经网络122的性能。列900中的图像是具有交换伪影900的狄克逊水图像的范例。范例900中的交换伪影是人工的。列902示出了在图像900已经各自被输入到卷积神经网络之后卷积神经网络的输出。而且，902是由神经网络识别的水-脂肪交换区域902的范例。列904中的图像图示了经校正的狄克逊水图像904，其是通过交换掩模内的水-脂肪信号来校正的并且它产生几乎无伪影的结果。
在额外范例中，训练数据集的交换掩模至少部分地使用手动分割创建。尽管这要求额外的手动工作，但是可能假设产生的数据集比人工创建的数据集更真实，潜在地导致改进的网络性能。
在另一额外范例中，由于临床实践中的水-脂肪交换主要发生在具有大B0偏差的区域中，因此可以交替使用利用标准B0映射技术获得的B0图或基于诸如勒让德多项式表示的B0图。B0不均匀性或其空间梯度或两者的组合超过定义阈值的区域可以被用于定义交换掩模。
在另一额外范例中，组合的水-脂肪图像中的若干不连续区域中的一个或多个可以被用于定义交换掩模。
尽管已经在附图和前面的描述中详细说明和描述了本发明，但这样的说明和描述被认为是说明性或示范性的而非限制性的；本发明不限于公开的实施例。
本领域技术人员通过研究附图、说明书和权利要求书，在实践要求保护的本发明时能够理解和实现所公开实施例的其他变型。在权利要求书中，“包括”一词不排除其他元件或步骤，词语“一”或“一个”不排除多个。单个处理器或其他单元可以满足权利要求中记载的若干项目的功能。尽管在互不相同的从属权利要求中记载了特定元件，但是这并不指示不能有利地使用这些元件的组合。计算机程序可以存储和/或分布在适当的介质上，例如与其他硬件一起提供或作为其他硬件的一部分提供的光学存储介质或固态介质，但计算机程序也可以以其他形式分布，例如经由因特网或其他有线或无线的远程通信系统分布。权利要求书中的任何附图标记都不得被解释为对范围的限制。

Claims (15)

1.一种医学系统(100、300、500)，包括：
-存储器(110)，其存储机器可执行指令(120)和卷积神经网络(122)，其中，所述卷积神经网络被配置用于接收初始狄克逊磁共振图像(124、126)作为输入，其中，所述卷积神经网络被配置用于识别所述初始狄克逊磁共振图像中的一个或多个水-脂肪交换区域(128)；
-处理器(104)，其用于控制所述医学系统，其中，所述机器可执行指令的运行使所述处理器：
-接收(200)所述初始狄克逊磁共振图像；并且
-响应于将所述初始狄克逊磁共振图像输入到所述卷积神经网络中而从所述卷积神经网络接收(204)所述一个或多个水-脂肪交换区域。
2.根据权利要求1所述的医学系统，其中，所述机器可执行指令的运行还使所述处理器使用接收到的一个或多个水-脂肪交换区域来重建(206)经校正的狄克逊磁共振图像(130、132)，其中，所述狄克逊磁共振图像是使用以下各项中的任一项来校正的：
-其中，所述狄克逊磁共振图像还包括脂肪图像(124)和水图像(126)，其中，所述经校正的狄克逊磁共振图像是通过在所述脂肪图像与所述水图像之间交换所述一个或多个水-脂肪交换区域的体素来重建的；并且
-其中，所述经校正的狄克逊磁共振成像是根据狄克逊磁共振图像重建算法从狄克逊磁共振成像数据来重建的，其中，所述狄克逊磁共振图像重建算法被配置为使用所述一个或多个水-脂肪交换区域作为约束和/或用于校正B0不均匀性估计。
3.根据权利要求1或2所述的医学系统，其中，所述机器可执行指令的运行还使所述处理器：
-接收(404)训练数据(702)，其中，所述训练数据中的每个训练数据包括训练狄克逊磁共振图像(306)和训练水-脂肪交换掩模(308)，其中，所述训练水-脂肪交换掩模识别所述一个或多个水-脂肪交换区域的标准数据位置；并且
-使用所述训练数据来训练(406)所述卷积神经网络。
4.根据权利要求3所述的医学系统，其中，所述机器可执行指令的运行还使所述处理器：
-接收(400)无交换狄克逊磁共振图像(302)；并且
-通过在所述无交换狄克逊磁共振图像中的每幅无交换狄克逊磁共振图像中生成合成水-脂肪交换区域并且构建所述训练水-脂肪交换掩模来生成(402)所述训练数据。
5.根据权利要求4所述的医学系统，其中，所述训练数据是至少部分地通过由以下操作确定所述一个或多个合成水-脂肪交换区域中的至少一些来生成的：
-确定一个或多个随机变量；
-将所述一个或多个随机变量输入到空间变量函数中；
-对所述空间变量函数进行阈值化处理以确定针对所述训练狄克逊磁共振图像的所述一个或多个水-脂肪交换区域。
6.根据权利要求4或5所述的医学系统，其中，所述训练数据是至少部分地通过以下操作来生成的：
-在所述狄克逊磁共振图像中识别具有高于预定水-脂肪阈值的脂肪含量和水含量两者的高水-脂肪区；
-选择所述高水-脂肪区的至少部分作为所述合成水-脂肪交换区域。
7.根据权利要求4、5或6所述的医学系统，其中，所述训练数据是至少部分地通过以下操作来生成的：
-接收针对所述无交换狄克逊磁共振图像的B0不均匀性图；
-通过利用B0不均匀性阈值对所述B0不均匀性图进行阈值化处理来识别所述狄克逊磁共振图像中的高B0不均匀性区；并且
-选择所述高B0不均匀性区的至少部分作为所述合成水-脂肪交换区域。
8.根据权利要求5至7中的任一项所述的医学系统，其中，所述训练数据是至少部分地通过以下操作来生成的：
-使用图像分割算法来识别所述无交换狄克逊磁共振图像中的组织边界区；并且
-选择所述组织边界区的至少部分作为所述合成水-脂肪交换区域。
9.根据权利要求5至8中的任一项所述的医学系统，其中，所述训练数据是至少部分地通过以下操作来生成的：
-确定针对所述狄克逊磁共振图像的空间相关的信噪比图；并且
-使用利用所述空间相关的信噪比图确定的信噪比加权因子来选择所述合成水-脂肪交换区域的至少部分以用于包括在所述训练数据中，其中，所述信噪比加权因子随着所述空间相关的信噪比图的减小而增大。
10.根据权利要求4至9中的任一项所述的医学系统，其中，所述训练数据是至少部分地通过以下操作来生成的：
-接收针对所述无交换狄克逊磁共振图像的等中心位置；并且
-使用通过距所述等中心位置的距离确定的距离加权因子来选择合成水-脂肪交换区域的至少部分以用于包括在所述训练数据中，其中，所述距离加权因子随着距所述等中心位置的所述距离的增大而增大。
11.根据权利要求3至10中的任一项所述的医学系统，其中，所述训练数据是至少部分地通过由以下操作增加所述训练数据的大小来生成的：通过将图像变换应用于所述训练狄克逊磁共振图像以及所述训练水-脂肪交换掩模两者来生成额外的训练标准数据磁共振图像，其中，所述图像变换包括以下各项中的任一项：图像平移、图像旋转、图像变形、图像翻转变换、镜像变换，以及其组合。
12.根据前述权利要求中的任一项所述的医学系统，其中，所述医学系统还包括磁共振成像系统(502)，其中，所述存储器还包含脉冲序列命令(530)，所述脉冲序列命令被配置用于控制所述磁共振成像系统以根据狄克逊磁共振成像协议来采集磁共振成像数据(532)，其中，所述机器可执行指令的运行还使所述处理器：
-通过利用所述脉冲序列命令控制所述磁共振成像系统来采集(600)所述磁共振成像数据；并且
-根据所述狄克逊磁共振成像协议使用所述磁共振成像数据来重建(602)所述初始狄克逊磁共振图像。
13.一种计算机程序产品，包括用于由控制医学系统(100、300、500)的处理器(104)运行的机器可执行指令(120)和卷积神经网络(122)，其中，所述卷积神经网络被配置用于接收初始狄克逊磁共振图像(124、126)作为输入，其中，所述卷积神经网络被配置用于识别所述初始狄克逊磁共振图像中的一个或多个水-脂肪交换区域(128)，其中，所述机器可执行指令的运行还使所述处理器：
-接收所述初始狄克逊磁共振图像；并且
-响应于将所述初始狄克逊磁共振图像输入到所述卷积神经网络中而从所述卷积神经网络接收所述一个或多个水-脂肪交换区域。
14.一种训练卷积神经网络(122)的方法，其中，所述卷积神经网络被配置用于接收初始狄克逊磁共振图像(124、126)作为输入，其中，所述卷积神经网络被配置用于识别所述初始狄克逊磁共振图像中的一个或多个水-脂肪交换区域(128)，其中，所述方法包括：
-接收训练数据(404)，其中，所述训练数据中的每个训练数据包括训练狄克逊磁共振图像(306)和训练水-脂肪交换掩模(308)，其中，所述训练狄克逊磁共振图像包括所述一个或多个水-脂肪交换区域，其中，所述训练水-脂肪交换掩模识别所述一个或多个水-脂肪交换区域的标准数据位置；并且
-使用所述训练数据来训练所述卷积神经网络。
15.根据权利要求14所述的方法，其中，所述方法还包括：
-接收无交换狄克逊磁共振图像(302)；
-通过在所述无交换狄克逊磁共振图像中生成合成水-脂肪交换区域来生成所述训练数据。
CN202080029714.9A 2019-04-19 2020-04-09 狄克逊磁共振成像中的水-脂肪交换的自动检测 Pending CN113711076A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP19170373.5A EP3726240A1 (en) 2019-04-19 2019-04-19 Automated detection of water-fat swaps in dixon magnetic resonance imaging
EP19170373.5 2019-04-19
PCT/EP2020/060138 WO2020212244A1 (en) 2019-04-19 2020-04-09 Automated detection of water-fat swaps in dixon magnetic resonance imaging

Publications (1)

Publication Number Publication Date
CN113711076A true CN113711076A (zh) 2021-11-26

Family

ID=66239969

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080029714.9A Pending CN113711076A (zh) 2019-04-19 2020-04-09 狄克逊磁共振成像中的水-脂肪交换的自动检测

Country Status (7)

Country Link
US (1) US11906608B2 (zh)
EP (1) EP3726240A1 (zh)
JP (1) JP2022529944A (zh)
CN (1) CN113711076A (zh)
DE (1) DE112020002013T5 (zh)
GB (1) GB2597218B (zh)
WO (1) WO2020212244A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102020215031A1 (de) * 2020-11-30 2022-06-02 Siemens Healthcare Gmbh Computerimplementiertes Verfahren zur Auswertung von Magnetresonanzdaten, Magnetresonanzeinrichtung, Computerprogramm und elektronisch lesbarer Datenträger

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6091243A (en) * 1997-11-13 2000-07-18 The University Of British Columbia Water-fat imaging with direct phase encoding (DPE)
US20060250132A1 (en) * 2005-05-06 2006-11-09 The Board Of Trustees Of The Leland Stanford Junior University Homodyne reconstruction of water and fat images based on iterative decomposition of MRI signals
US20110091090A1 (en) * 2008-04-17 2011-04-21 Olof Dahlqvist Leinhard Improvement in magnetic resonance imaging relating to correction of chemical shift artifact and intensity inhomogeneity
CN102525463A (zh) * 2010-11-25 2012-07-04 西门子公司 在混合组织中的相位校正
CN104603629A (zh) * 2012-09-04 2015-05-06 皇家飞利浦有限公司 具有狄克逊水脂分离的propeller
US20150123658A1 (en) * 2013-11-07 2015-05-07 Siemens Aktiengesellschaft Signal Component Identification Using Medical Imaging
CN105659103A (zh) * 2013-08-30 2016-06-08 皇家飞利浦有限公司 狄克逊磁共振成像
CN107743588A (zh) * 2015-06-12 2018-02-27 皇家飞利浦有限公司 使用b0不均匀性图和对象磁化率图的骨骼mri
US20180089840A1 (en) * 2016-09-26 2018-03-29 Siemens Medical Solutions Usa, Inc. Automatic Medical Image Retrieval

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8064674B2 (en) 2008-11-03 2011-11-22 Siemens Aktiengesellschaft Robust classification of fat and water images from 1-point-Dixon reconstructions
EP2610632A1 (en) 2011-12-29 2013-07-03 Koninklijke Philips Electronics N.V. MRI with Dixon-type water/fat separation and prior knowledge about inhomogeneity of the main magnetic field
DE102015218168A1 (de) 2015-09-22 2017-03-23 Siemens Healthcare Gmbh Zuordnung einer Spinspezies zu einem Kombinationsbild

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6091243A (en) * 1997-11-13 2000-07-18 The University Of British Columbia Water-fat imaging with direct phase encoding (DPE)
US20060250132A1 (en) * 2005-05-06 2006-11-09 The Board Of Trustees Of The Leland Stanford Junior University Homodyne reconstruction of water and fat images based on iterative decomposition of MRI signals
US20110091090A1 (en) * 2008-04-17 2011-04-21 Olof Dahlqvist Leinhard Improvement in magnetic resonance imaging relating to correction of chemical shift artifact and intensity inhomogeneity
CN102525463A (zh) * 2010-11-25 2012-07-04 西门子公司 在混合组织中的相位校正
CN104603629A (zh) * 2012-09-04 2015-05-06 皇家飞利浦有限公司 具有狄克逊水脂分离的propeller
CN105659103A (zh) * 2013-08-30 2016-06-08 皇家飞利浦有限公司 狄克逊磁共振成像
US20150123658A1 (en) * 2013-11-07 2015-05-07 Siemens Aktiengesellschaft Signal Component Identification Using Medical Imaging
CN107743588A (zh) * 2015-06-12 2018-02-27 皇家飞利浦有限公司 使用b0不均匀性图和对象磁化率图的骨骼mri
US20180089840A1 (en) * 2016-09-26 2018-03-29 Siemens Medical Solutions Usa, Inc. Automatic Medical Image Retrieval

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
BEN GLOCKER 等: "Correction of Fat-Water Swaps in Dixon MRI", INTERNATIONAL CONFERENCE ON COMPUTER ANALYSIS OF IMAGES AND PATTERNS, 2 October 2016 (2016-10-02), pages 536 - 543, XP047364518, DOI: 10.1007/978-3-319-46726-9_62 *

Also Published As

Publication number Publication date
GB2597218A (en) 2022-01-19
US11906608B2 (en) 2024-02-20
JP2022529944A (ja) 2022-06-27
EP3726240A1 (en) 2020-10-21
WO2020212244A1 (en) 2020-10-22
GB2597218B (en) 2023-07-05
DE112020002013T5 (de) 2022-01-27
GB202116627D0 (en) 2022-01-05
US20220196769A1 (en) 2022-06-23

Similar Documents

Publication Publication Date Title
US10557904B2 (en) Detection of bone tissue using magnetic resonance imaging
US11285338B2 (en) Radiotherapy planning with improve accuracy
CN111356930A (zh) 人工智能实现的解剖界标定位
US20180025466A1 (en) Automated scan planning for follow-up magnetic resonance imaging
US10823798B2 (en) Virtual CT images from magnetic resonance images
US10591562B2 (en) Bone MRI using B0 inhomogeneity map and a subject magnetic susceptibility map
US20180356484A1 (en) Removal of image artifacts in sense-mri
CN108431624B (zh) 定量磁化率映射磁共振图像的分割
US10509090B2 (en) Automatic grouping of magnetic resonance images
US11092659B2 (en) Sub voxel resolution magnetic resonance fingerprinting imaging
CN112204411A (zh) Cest磁共振成像中的运动检测
EP3542176B1 (en) Intensity corrected magnetic resonance images
US11906608B2 (en) Automated detection of water-fat swaps in Dixon magnetic resonance imaging
EP4220212A1 (en) Simulated computer tomographic imaging
US20230230207A1 (en) Image intensity correction in magnetic resonance imaging

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