CN113853526A - 用于磁共振成像的自动视场对准 - Google Patents

用于磁共振成像的自动视场对准 Download PDF

Info

Publication number
CN113853526A
CN113853526A CN202080036637.XA CN202080036637A CN113853526A CN 113853526 A CN113853526 A CN 113853526A CN 202080036637 A CN202080036637 A CN 202080036637A CN 113853526 A CN113853526 A CN 113853526A
Authority
CN
China
Prior art keywords
magnetic resonance
training
algorithm
alignment data
data
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
CN202080036637.XA
Other languages
English (en)
Inventor
I·费杜洛瓦
F·穆舍诺克
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 CN113853526A publication Critical patent/CN113853526A/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
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/543—Control of the operation of the MR system, e.g. setting of acquisition parameters prior to or during MR data acquisition, dynamic shimming, use of one or more scout images for scan plane prescription
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A61B5/0037—Performing a preliminary scan, e.g. a prescan for identifying a region of interest
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays
    • A61B5/7425—Displaying combinations of multiple images regardless of image source, e.g. displaying a reference anatomical image with a live image
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/10—Recognition assisted with metadata

Abstract

本文公开了一种医学系统(100、300、500)，包括：存储器(110)，其存储机器可执行指令(120)和预测器算法(122)，所述预测器算法被配置用于响应于输入一幅或多幅定位器磁共振图像(124)和对象元数据(126)而输出用于磁共振成像系统(502)的预测的视场对准数据(128)。所述预测器算法包括可训练的机器学习算法。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(104)。所述机器可执行指令的运行使所述处理器：接收(200)所述一幅或多幅定位器磁共振图像和所述对象元数据；并且响应于将所述一幅或多幅定位器磁共振图像输入到所述预测器算法中并且响应于输入所述对象元数据而从所述预测器算法接收(202)所述预测的视场对准数据。

Description

用于磁共振成像的自动视场对准
技术领域
本发明涉及磁共振成像，特别地涉及用于磁共振成像的规划。
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)扫描器用于对准原子的核自旋。该大静态磁场被称为B0场或主磁场。对象的各种数量或者性质可以使用MRI在空间上测量。例如，可以使用MRI调查对象的各种解剖或生理性质。为了对对象内的适当位置进行成像，首先采集通常被称为定位器或定位像的初步磁共振图像。定位器然后由操作者用于适当地定位视场(感兴趣区域)以用于后续扫描。
会议出版物等(2010年).“Automated Scan Plane Planning for Brain MRIusing 2D Scout Images”(在Proceedings of ISMRM，2010年，第3136页中)公开了自动算法用于扫描平面规划的用途。
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定实施例。
在定位器磁共振图像之后自动定位视场的困难在于，对象的初始位置和对象的解剖结构能够大大不同。经训练的操作者也可能在一致地放置视场以在后续扫描中获得可接受的结果方面有困难。本发明的实施例可以通过使用具有可训练的机器学习部件的预测器算法以定位视场来解决该问题。所述预测器算法使用一幅或多幅定位器磁共振图像和对象元数据作为输入来生成预测的视场对准数据。这可以具有若干优点。首先，可以挖掘包含历史定位器磁共振图像、对象数据和位置视场的医学成像数据库以用于训练数据。
在一个方面中，本发明提供了一种医学系统，包括：存储器，其存储机器可执行指令，所述机器可执行指令被配置用于控制所述医学系统。所述存储器还存储预测器算法，所述预测器算法被配置用于响应于输入一幅或多幅定位器磁共振图像和对象元数据而输出预测的视场对准数据。如本文所使用的预测的视场对准数据涵盖可以被用于为后续磁共振成像扫描指定视场的位置的数据。
如本文所使用的定位器磁共振图像涵盖可以被用于规划后续磁共振成像扫描的磁共振图像。这些通常是低分辨率、非常宽视场的磁共振图像；然而，情况并非必须如此，因为大多数磁共振图像可以被用于规划进一步的磁共振成像扫描。如本文所使用的对象元数据涵盖描述所述对象和与所述磁共振成像协议的适当执行相关的数据。例如，所述对象元数据可以列出所述对象的描述符，诸如所述对象的身高、体重、性别、疑似医学状况和其他参数。这些对象元数据可能影响所述视场对准数据的预测。例如，与成人的大脑解剖结构相比较，儿童具有不同的非成熟大脑解剖结构。此外，与要检查的苗条患者相比较，肥胖患者需要更大的视场以将腹部区域以其整体可视化。
所述预测器算法包括可训练的机器学习算法。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所述一幅或多幅定位器磁共振图像和所述对象元数据。在不同范例中，可以以不同方式接收所述一幅或多幅定位器磁共振图像和所述对象元数据两者。适合的机器可学习算法可能基于深度学习模型，该模型使用图像和文本(所谓的文本-图像嵌入)两者来训练和推断。实际的范例是例如：https://zpascal.net/cvpr2018/Wang_TieNet_TextImage_Embedding_CVPR_2018_paper.pdf，https://arxiv.org/pdf/1704.03470.pdf，https://arxiv.org/pdf/ 1711.05535.pdf，http://openaccess.thecvf.com/content_ECCV_2018/papers/Ying_Zhang_Deep_Cross Modal_Projection_ECCV_2018_paper.pdf。
显著地，采用这样复杂的各种输入(图像、文本、归类变量)的神经网络能够从输入定位器图像和患者元数据预测视场设置。
在一些情况下，接收可以涵盖从存储器或存储设备检索它们。在其他范例中，它们可以经由网络接收。在其他范例中，所述处理器可以控制诸如磁共振成像系统的事物来采集所述一幅或多幅定位器磁共振图像，并且可以例如从用于规划磁共振成像扫描的存储设备接收所述对象元数据或经由终端或其他用户接口接收其。
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一幅或多幅定位器磁共振图像输入到所述预测器算法中并且响应于输入所述对象元数据而从所述预测器算法接收预测的视场对准数据。所述一幅或多幅定位器磁共振图像和所述对象元数据被输入到所述预测器算法中，并且作为响应，所述预测器算法提供预测的视场对准数据。这可能是有益的，因为预测的视场对准数据可以被用于配置后续磁共振成像扫描。这可以例如使能自动磁共振成像。其也可以是在操作者手动操作磁共振成像系统时使用的辅助工具或质量控制工具。
如本文所使用的医学系统可以涵盖不同范例中的不同类型的系统。在一个范例中，所述医学系统可以是磁共振成像系统并且所描述的实施例可以被集成到所述磁共振成像系统的部件中。在另一范例中，所述医学系统可以是用于规划和/或分析磁共振成像数据和图像的工作站。在另一范例中，所述医学系统可以是经由网络或其他数据交换接口通过云或云计算系统提供的服务。
在另一实施例中，所述存储器还存储训练数据。所述训练数据包含训练条目。所述训练条目中的每个包括一幅或多幅训练磁共振图像、训练对象元数据和训练视场对准数据。所述一幅或多幅训练磁共振图像和训练对象元数据表示将输入到所述预测器算法中的数据类型。所述训练视场对准数据表示由所述预测器算法输出的数据类型。
所述存储器还包括训练算法，其被配置用于使用所述预测的视场对准数据与所述训练视场对准数据之间的比较来训练所述预测器算法。该比较可以例如以不同的方式执行。在一些范例中，可以通过经训练的神经网络做出比较。在其他范例中，可以比较和量化所述预测的视场对准数据和所述训练视场对准数据的几何位置。
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一幅或多幅训练磁共振图像输入到所述预测器算法中并且响应于输入所述训练对象元数据而从所述预测器算法接收预测的视场对准数据。所述机器可执行指令的运行还使所述处理器使用所述预测的视场对准数据与所述训练视场对准数据之间的比较来训练所述预测器算法。这可能是有益的，因为其提供了用于改进由所述预测器算法输出的预测的视场对准数据的准确度的手段。
在一些情况下，所述预测的视场对准数据与所述训练视场对准数据之间的比较的确定由所述预测器算法本身执行。例如，这两条数据可以输入到所述预测器算法中，并且所述训练自动前进。在其他情况下，所述机器可执行指令的运行还可以使所述处理器使用另外的算法或数学比较来确定所述预测的视场对准数据与训练视场对准数据之间的比较。例如，可以在数值上比较两个视场的坐标和定位。
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通过从医学图像数据库提取所述一幅或多幅训练磁共振图像、所述训练对象元数据和所述训练视场对准数据来生成所述训练数据。通常，当执行磁共振成像协议时，来自检查的数据可以存储在数据库中。例如，所述数据可以从特定检查存储在所谓的DICOM文件中。一个范例中的数据可以从DICOM文件提取。该实施例和相关实施例可能是有益的，因为其提供了使用实际检查数据和视场对准来产生或改进所述预测器算法的手段。
在另一实施例中，所述预测器算法是卷积神经网络。例如，所述卷积神经网络可以使用深度学习训练。可以将预测的视场对准数据与训练视场对准数据进行数值比较。
在另一实施例中，所述预测器算法包括特征提取器，其被配置用于使用所述对象元数据和所述一幅或多幅定位器磁共振图像提供特征向量。在不同范例中，该特征提取器可以采取不同的形式。例如，寻找解剖标志的算法可以包括识别这些解剖标志的位置的特征向量。同样地，也可以以这样的方式使用可变形的形状模型或甚至解剖图谱。在其他范例中，神经网络可以被用于提供特征向量，该特征向量随后可以由可训练的机器学习算法用于输出所述预测的视场对准数据。
可训练的机器学习算法被配置用于响应于输入所述特征向量而输出所述预测的视场对准数据。以这种方式使用特征向量可能是有益的，因为其非常透明并且可以由使用所述医学系统的医生或其他专业人员容易地理解。这可能降低所述预测器算法的响应的脆弱程度。这也可以使能人类更容易理解的可训练的机器学习算法的使用。
在另一实施例中，所述可训练的机器学习算法是决策树算法。
在另一实施例中，所述可训练的机器学习算法是k最近邻域算法。
决策树或k-最近邻域算法的使用是有益的，其中，人类能够手动检查所述模型并且查看其是否安全和/或不包含误导性或可能导致所述预测器算法错误故障或提供虚假数据的数据。
在另一实施例中，所述特征提取器是被配置用于提供所述特征向量的经训练的神经网络。该实施例可能是有益的，因为所述经训练的神经网络仅被用于提供所述特征向量并且实质上对图像进行分类并且定位然后由所述预测器算法使用的各种标志。这例如可以使预测器算法的操作对人类更透明和可理解。
在另一实施例中，所述特征提取器被配置用于通过拟合可变形的形状模型来提供所述特征向量。
在另一实施例中，所述特征提取器被配置用于使用解剖图谱提供所述特征向量。
在另一实施例中，所述医学系统是医学成像工作站。
在另一实施例中，所述医学系统是基于云的磁共振成像规划系统。例如，磁共振成像系统或其他医学成像工作站可以经由互联网或其他网络连接与所述医学系统接触，并且向其发送所述对象元数据和所述一幅或多幅定位器磁共振图像，并且反过来接收所述预测的视场对准数据。
在另一实施例中，所述医学系统还包括磁共振成像系统。
在另一实施例中，所述存储器还包括定位器脉冲序列命令，其被配置用于控制所述磁共振成像系统以采集定位器磁共振成像数据。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定位器脉冲序列命令控制所述磁共振成像系统来采集所述定位器磁共振成像数据。所述机器可执行指令的运行还使所述处理器从所述定位器磁共振成像数据重建所述一幅或多幅定位器磁共振图像。该实施例可能是有益的，因为所述视场的自动确定被直接并入到磁共振成像系统中。
在另一实施例中，所述存储器还包括临床脉冲序列命令，其被配置用于控制所述磁共振成像系统以采集临床磁共振成像数据。所述机器可执行指令的运行还使所述处理器通过利用预测的视场对准数据修改所述临床脉冲序列命令来生成经修改的脉冲序列命令。例如，可以使用所述预测的视场对准数据来修改或改变经修改的脉冲序列命令中的视场。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经修改的脉冲序列命令控制所述磁共振成像系统来采集所述临床磁共振成像数据。
在一些范例中，所述机器可执行指令的运行还可以使得所述处理器从所述临床磁共振成像数据重建一个或多个临床磁共振图像。
在另一方面中，本发明提供了一种包括用于由控制所述医学系统的处理器运行的机器可执行指令的计算机程序产品。所述计算机程序产品还包括所述预测器算法的实现，该预测器算法被配置用于响应于输入一幅或多幅定位器磁共振图像和对象元数据而输出预测的视场对准数据。所述预测器算法包括可训练的学习算法。所述机器可执行指令的运行使得所述处理器接收所述一幅或多幅定位器磁共振图像和所述对象元数据。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一幅或多幅定位器磁共振图像输入到所述预测器算法中并且响应于输入所述对象元数据而从所述预测器算法接收预测的视场对准数据。已经先前地讨论了该实施例的优点。
在另一方面中，本发明提供一种操作医学系统的方法。所述医学系统包括存储预测器算法的存储器。所述预测器算法被配置用于响应于输入一幅或多幅定位器磁共振图像和对象元数据而输出预测的视场对准数据。所述预测器算法包括可训练的机器学习算法。所述存储器还包括训练数据。所述训练数据包含训练条目。所述训练条目中的每一个包括一幅或多幅训练磁共振图像、训练对象元数据和训练视场对准数据。所述存储器还包括训练算法，其被配置用于使用所述预测的视场对准数据与所述训练视场对准数据之间的比较训练所述特定算法。
所述方法还包括：响应于将所述一幅或多幅训练磁共振图像输入到所述预测器算法中并且响应于输入所述训练对象元数据，从所述预测器算法接收所述预测的视场对准数据。所述方法还包括确定所述预测的视场对准数据与训练视场对准数据之间的比较。所述方法还包括通过输入所述预测的视场对准数据与所述训练视场对准数据之间的比较，利用所述训练算法训练所述预测器算法。
在另一实施例中，所述方法还包括通过从医学图像数据库提取所述一幅或多幅训练磁共振图像、所述训练对象元数据和所述训练视场对准数据来生成所述训练数据。
在另一实施例中，所述方法还包括：接收一幅或多幅定位器磁共振图像和对象元数据。所述方法还包括：响应于将所述一幅或多幅定位器磁共振图像输入到所述预测器算法中并且响应于输入所述对象元数据，从所述预测器算法接收所述预测的视场对准数据。
应理解，本发明的上述实施例中的一个或多个能够被组合，只要所组合的实施例不互相排斥。
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示出了图示使用图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示出了图示使用图3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示出了图示使用图5的医学系统的方法的流程图；并且
图7图示了医学系统的另一范例。
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预测器算法
124一幅或多幅定位器磁共振图像
126对象元数据
128预测的视场对准数据
128’预测的视场对准数据
200接收一幅或多幅定位器磁共振图像和对象元数据
400响应于将一幅或多幅定位器磁共振图像输入到预测器算法中并且响应于输入对象元数据而从预测器算法接收预测的视场对准数据
300训练算法
302训练条目
304一幅或多幅训练磁共振图像
306训练对象元数据
308训练视场对准数据
310比较
312医学成像数据库
400响应于将一幅或多幅训练磁共振图像输入到预测器算法中并且响应于输入训练对象元数据而从预测器算法接收预测的视场对准数据
402确定预测的视场对准数据与训练视场对准数据之间的比较
404使用预测的视场对准数据与训练视场对准数据之间的比较来训练预测器算法
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收发器
518对象
520对象支撑体
530定位器脉冲序列命令
532定位器磁共振成像数据
534临床脉冲序列命令
536经修改的脉冲序列命令
538临床磁共振成像数据
540临床磁共振图像
600通过利用定位器脉冲序列命令控制磁共振成像系统来采集定位器磁共振成像数据
602根据定位器磁共振成像数据重建一幅或多幅定位器磁共振图像
604通过利用预测视场对准数据修改临床脉冲序列命令来生成经修改的脉冲序列命令
606通过利用经修改的脉冲序列命令控制磁共振成像系统来采集临床磁共振成像数据
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，则不一定会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。医学系统100被示出为包括具有处理器104的计算机102。处理器104旨在表示一个或多个处理核心并且可以分布在不同的计算机或计算系统中。处理器104连接到硬件接口106。硬件接口106可以例如被用于使得处理器104能够与医学系统100的其他部件连接和/或控制医学系统100的其他部件。硬件接口106还可以包含使得其能够经由网络与其他计算机系统或数据系统通信的元件。处理器104还被示出为连接到任选用户接口108。此处，处理器104还被示出为连接到存储器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非易失性存储器(诸如闪存RAM、硬盘驱动器或其他存储设备)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能够控制医学系统100。机器可执行指令120还可以使得处理器104能够执行各种数据分析和图像处理任务。
存储器110还被示出为包含预测器算法122的实施方式。存储器还被示出为包含一幅或多幅定位器磁共振图像124。术语定位器用作全局标签来识别一幅或一组特定的磁共振图像。存储器110还被示出为包含对象元数据126。对象元数据126是描述对象、被用于采集或重建一幅或多幅定位器磁共振图像124的磁共振协议或其他数据的元数据。存储器110还被示出为包含预测的视场对准数据128。通过将对象元数据126和一幅或多幅定位器磁共振图像124输入到预测器算法122中来提供预测的视场对准数据128。
图2示出了图示操作医学系统100的方法的流程图。首先在步骤200中，接收一幅或多幅定位器磁共振图像124。在步骤200中，还接收对象元数据126。接下来在步骤202中，通过将对象元数据126和一幅或多幅定位器磁共振图像124输入到预测器算法122中来提供预测的视场对准数据128。
图3图示了医学系统300的另一范例。应当注意，图1中的医学系统100和图3中的医学系统300的特征可以自由组合。这可以采取将所有元件组合成单个计算机系统的形式，或者图1和3中图示的系统100、300可以经由网络连接进行连接。
在图3中，存储器110再次被示出为包含机器可执行指令120和预测器算法122。存储器110还被示出为包含预测的视场对准数据128’。存储器110还被示为包含训练算法300，其被配置用于修改或训练预测器算法122。存储器110还被示出为包含一个或多个训练条目302。每个训练条目302包含一幅或多幅训练磁共振图像304、训练对象元数据306和训练视场对准数据308。
一幅或多幅训练磁共振图像304和训练对象元数据306可以被输入到预测器算法122中以提供预测的视场对准数据128。然后可以将预测的视场对准数据128’与训练视场对准数据308进行比较并且可以做出比较310。例如，视场对准数据可以包括视场的坐标和/或取向。比较310可以是这些坐标和取向的数值比较。比较310然后可以输入到训练算法300中，训练算法300然后使用其来修改预测器算法122。在一些范例中，比较功能被直接集成到训练算法300中。在这种情况下，系统通过将预测的视场对准数据128’和训练视场对准数据308直接输入到训练算法300中来运行，训练算法300然后进行和修改预测器算法122。
存储器110还被示出为任选地包含医学成像数据库312。医学成像数据库312可以例如提供存档数据，诸如DICOM图像以及在磁共振成像系统的使用期间采集的其他数据和元数据。在一些实例中，机器可执行指令120被编程为从包含在医学成像数据库312内的数据挖掘或提取训练条目302。
图4示出了图示操作图3的医学系统300的方法的流程图。图4的方法可以与图3的方法组合。例如，图3的步骤可以在图4中包含的步骤之前或之后执行。
首先在步骤400中，通过将一幅或多幅训练磁共振图像304和训练对象元数据306输入到预测器算法122中来接收预测的视场对准数据128。接下来在步骤402中，通过将训练视场对准数据308与预测的视场对准数据128’进行比较来计算比较310。最后，在步骤404中，预测器算法122使用比较310来训练或修改预测器算法122。修改预测器算法122的确切方法取决于预测器算法的类型。如果预测器算法包括可训练的机器学习算法，那么算法的类型确定其如何被训练。
图5图示了医学系统500的另一范例。在该范例中，医学系统500还包括磁共振成像系统502。应当注意，图3所图示的医学系统300的特征也可以与图5所图示的特征自由组合。
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的超导圆柱体型磁体。不同的类型的磁体的使用也是可能的；例如，使用分裂式圆柱形磁体和所谓的开放式磁体两者也是可能的。分裂圆式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，中间有足够大的空间以容纳对象：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。在成像区508内示出了感兴趣区域509。磁共振数据通常针对视场来进行采集。对象518被示出为由对象支撑体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独立的三组线圈。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，射频线圈514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516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还被示出为包含定位器脉冲序列命令530。存储器还被示出为包含通过利用定位器脉冲序列命令530控制磁共振成像系统502采集的定位器磁共振成像数据532。存储器110还被示出为包含一幅或多幅定位器磁共振图像124。它们根据定位器磁共振成像数据532重建。医学系统500被图示为包含图1的医学系统100的所有特征。
存储器110还被示出为包含临床脉冲序列命令534。预测的视场对准数据128可以被用于修改脉冲序列命令以设置或修改视场。存储器110还被示出为包含经修改的脉冲序列命令536，经修改的脉冲序列命令536通过利用预测的视场对准数据128修改临床脉冲序列命令534来制造。存储器110还被示出为包含通过利用经修改的脉冲序列命令536控制磁共振成像系统502采集的临床磁共振成像数据538。存储器110还被示出为任选地包含根据临床磁共振成像数据538重建的临床磁共振图像540。
图6示出了图示操作图5的医学系统500的方法的流程图。首先在步骤600中，通过利用定位器脉冲序列命令530控制磁共振成像系统502来采集定位器磁共振成像数据532。接下来在步骤602中，根据定位器磁共振成像数据532重建一幅或多幅定位器磁共振图像124。接下来执行如图2所图示的步骤200和202。在步骤202之后，方法前进到步骤604。在步骤604中，经修改的脉冲序列命令536通过利用预测的视场对准数据128修改临床脉冲序列命令534来生成或创建。最后，在步骤606中，通过利用经修改的脉冲序列命令536控制磁共振成像系统502来采集临床磁共振成像数据538。
规划是临床图像(临床磁共振图像540)的质量可以取决于的每个MRI研究的初步步骤。规划的自动化可以允许人们实现图像取向的高度可重复性以用于后续研究的定量比较。范例可以为利用放射学数据集的内容的自动序列规划算法的训练提供新方法。示例可以允许开发和训练自动序列规划算法，而没有预构建的解剖模型和专家知识的参与。
放射学方面的大量时间和努力花费在MR研究的规划上。规划的目的是将MR扫描器的视场(FOV)相对于感兴趣区域(ROI)(509)居中，并使扫描平面沿着对象(518)的器官和系统的解剖轴取向。规划允许人们最大化信息，减少患者位置和个体解剖学特征对临床图像的影响，并且从方便的角度示出图像。序列规划的主要步骤可以包括以下各项中的一项或多项：
1、在三个正交平面中的低分辨率定位器图像的获得。
2、解剖标志的视觉识别和标记。
3、FOV相对于识别的解剖标志的对准。所有后续的临床图像在新对准的视场中拍摄。
范例可以为自动序列规划算法的开发提供新方法。
手动序列规划是MR研究的快速和具有成本效益的初步步骤，但是其具有一些缺点。手动规划的最重要的缺点包括：
1)人类相关的准确度。序列规划的准确度是全面且可靠的MRI研究的实质性要求。然而，其强烈地取决于医学用品的资质，并且不存在简单的方式来控制其。
2)缺乏可重复性。序列规划的可重复性是后续研究的定量分析和比较的关键要求。然而，存在FOV取向的显著患者间和患者内变异性，并且几乎不可能确保后续扫描在与先前研究相同的取向上手动对准。
克服这些缺点的可能方式是通过自动序列规划(ASP)算法。这些算法的目的是自动建议一致且高度可重复的FOV取向而不管患者解剖结构和他/她的位置的特殊性。到目前为止，已经提出、开发并在商业产品中实施了一系列ASP算法。它们全部基于预构建的人体解剖模型，并且利用解剖标志的自动识别。作为结果，现有ASP算法需要专业的医学知识，并且不能容易适应特定医学组织的偏好和实践。所提出的范例可以允许自动序列规划算法(预测算法122)的开发和训练，可能没有预构建的解剖模型并且可能没有专家知识的参与。
范例的可能元素是用于训练自动序列规划(ASP)算法的新方法，该算法利用放射学数据集的内容。大多数现有的放射学数据集包含定位器(或定位像)、患者元数据(年龄、性别、体重等)和不同模态的临床图像。定位器示出在FOV对准和序列规划之前在初始位置中的感兴趣区域(ROI)。临床图像示出在序列规划之后的相同的ROI，并且包含关于应用的对准步骤的信息(例如，扫描平面的相对偏移和倾斜)。因此，可以将放射学数据集视为给定位置的初始患者位置和最佳FOV取向的对的集合。换句话说，这样的集合表示可以通过现代机器学习算法(例如，k-最近邻、回归、计算机视觉等)提取的隐式的专家知识形式。在机器学习算法的训练期间，定位器图像和患者元信息是特征；临床图像的位置和取向是目标值。一旦以这种方式优化了算法，它就应用于新的定位器图像，并且为后续的放射学研究产生原点位置和FOV取向。
范例可以包括预测器(预测器算法122)和任选的教师(训练算法300)(参见以下图7)。预测器包括机器学习算法(可训练机器学习算法)，其接收定位器图像作为输入并且返回子序列临床图像的FOV的最佳位置和取向。许多现代机器学习算法(k-最近邻、决策树、卷积网络等)可以用作预测器。教师是比较FOV位置和取向的实际值和预测值、估计真实值和预测值之间的差异程度并修改预测器从而减少差异的算法。预测器的修改的目标能够可能是实现目标值的最高准确度和精确度。教师的特定实施方式取决于选择的预测器。
实施例可以适用于对对象的任何部分的放射学研究的规划。为了构建本发明，可以执行以下步骤中的一项或多项：
1、收集和准备适合的训练放射数据集。定位器图像和患者元信息充当特征，后续临床图像的空间FOV取向充当目标标准数据值。
2、使用选定的特征选择允许预测FOV的空间取向的预测器架构。
3、优化预测器的参数以最小化FOV的预测取向和实际取向的差异。
4、将ASP算法及其优化参数存储在诸如计算机硬盘驱动器的可写介质上。
为了使用范例，可以执行以下步骤中的一项或多项：
1、收集可用患者元信息并且利用适合的放射装备获得定位器图像。
2、加载存储的ASP算法及其优化参数。
3、将患者元信息和定位器图像发送到预测器。
4、得到预测的最佳FOV取向。
5、使用建议的最佳FOB取向对准FOV
6、获得要求的临床图像。
图7示出了医学系统300的功能视图。医学系统300例如可以访问医学成像数据库312。这可以包含历史磁共振成像数据，诸如可以用作一幅或多幅训练磁共振图像304的定位磁共振图像。医学成像数据库312还可以包含描述对象的元数据，其可以用作训练对象元数据306。一幅或多幅训练磁共振图像304和训练对象元数据306可以输入到预测器算法122中。这可以为特定的一幅或多幅训练磁共振图像304和训练对象元数据306提供预测的视场对准数据128’。由预测器122输出的预测的视场对准数据128’然后可以提供给训练算法300。医学成像数据库312还可以提供针对特定定位图像304的视场对准数据。这可以被用作训练视场对准数据308。训练算法300可以使用训练视场对准数据308和预测的视场对准数据128’以然后训练404预测器算法122。
在其他情况下，定位器可以表示一幅或多幅定位器磁共振图像124和对象元数据126。这些可被输入到预测器算法122中以生成预测的视场对准数据128，其然后被用于修改脉冲序列命令并且被用于控制磁共振成像系统502。例如，磁共振成像系统502的扫描器控制台或用户接口108可以显示预测的视场对准数据128以供操作者批准。
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)和预测器算法(122)，所述预测器算法被配置用于响应于输入一幅或多幅定位器磁共振图像(124)和对象元数据(126)而输出用于磁共振成像系统(502)的预测的视场对准数据(128)，其中，所述预测器算法包括可训练的机器学习算法；
-处理器(104)，其被配置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)所述一幅或多幅定位器磁共振图像和所述对象元数据；并且
-响应于将所述一幅或多幅定位器磁共振图像输入到所述预测器算法中并且响应于输入所述对象元数据而从所述预测器算法接收(202)所述预测的视场对准数据。
2.根据权利要求1所述的医学系统，其中，所述存储器还存储训练数据，其中，所述训练数据包含训练条目，其中，所述训练条目中的每个训练条目包括一幅或多幅训练磁共振图像、训练对象元数据和训练视场对准数据；其中，所述存储器还包括训练算法，所述训练算法被配置用于使用所述预测的视场对准数据与所述训练视场对准数据之间的比较来训练所述预测器算法；其中，所述机器可执行指令的运行还使所述处理器：
-响应于将所述一幅或多幅训练磁共振图像输入到所述预测器算法中并且响应于输入所述训练对象元数据而从所述预测器算法接收(400)所述预测的视场对准数据；
-确定(402)所述预测的视场对准数据与所述训练视场对准数据之间的所述比较；并且
-使用所述预测的视场对准数据与所述训练视场对准数据之间的所述比较来训练(404)所述预测器算法。
3.根据权利要求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通过从医学图像数据库提取所述一幅或多幅训练磁共振图像、所述训练对象元数据和所述训练视场对准数据来生成所述训练数据。
4.根据前述权利要求中的任一项所述的医学系统，其中，所述预测器算法是卷积神经网络。
5.根据权利要求1、2或3中的任一项所述的医学系统，其中，所述预测器算法包括特征提取器，所述特征提取器被配置用于使用所述对象元数据和所述一幅或多幅定位器磁共振图像来提供特征向量，其中，所述可训练的机器学习算法被配置用于响应于输入所述特征向量而输出所述预测的视场对准数据。
6.根据权利要求5所述的医学系统，其中，所述可训练的机器学习算法是以下各项中的任一项：决策树算法和k最近邻域算法。
7.根据权利要求5或6所述的医学系统，其中，所述特征提取器是以下各项中的任一项：经训练的神经网络，其被配置用于提供所述特征向量，被配置用于通过拟合可变形的形状模型来提供所述特征向量，并且被配置用于使用解剖图谱来提供所述特征向量。
8.根据前述权利要求中的任一项所述的医学系统，其中，所述医学系统是以下各项中的任一项：医学成像工作站和基于云的磁共振成像规划系统。
9.根据权利要求1至7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。
10.根据权利要求9所述的医学系统，其中，所述存储器还包括定位器脉冲序列命令，所述定位器脉冲序列命令被配置用于控制所述磁共振成像系统以采集定位器磁共振成像数据，其中，所述机器可执行指令的运行还使所述处理器：
-通过利用所述定位器脉冲序列命令控制所述磁共振成像系统来采集(600)所述定位器磁共振成像数据；
-根据所述定位器磁共振成像数据来重建(602)所述一幅或多幅定位器磁共振图像。
11.根据权利要求9或10所述的医学系统，其中，所述存储器还包括临床脉冲序列命令，所述临床脉冲序列命令被配置用于控制所述磁共振成像系统以采集临床磁共振成像数据，其中，所述机器可执行指令的运行还使所述处理器：
-通过利用所述预测的视场对准数据修改所述临床脉冲序列命令来生成(604)经修改的脉冲序列命令；并且
-通过利用所述经修改的脉冲序列命令控制所述磁共振成像系统来采集(606)所述临床磁共振成像数据。
12.一种包括机器可执行指令的计算机程序产品，所述机器可执行指令用于由控制医学系统的处理器运行，其中，所述计算机程序产品还包括预测器算法，所述预测器算法被配置用于响应于输入一幅或多幅定位器磁共振图像和对象元数据而输出预测的视场对准数据，其中，所述预测器算法包括可训练的机器学习算法，其中，所述机器可执行指令的运行还使所述处理器：
-接收所述一幅或多幅定位器磁共振图像和所述对象元数据；并且
-响应于将所述一幅或多幅定位器磁共振图像输入到所述预测器算法中并且响应于输入所述对象元数据而从所述预测器算法接收所述预测的视场对准数据。
13.一种操作医学系统的方法，其中，所述医学系统包括存储预测器算法的存储器，其中，所述预测器算法被配置用于响应于输入一幅或多幅定位器磁共振图像和对象元数据而输出预测的视场对准数据，其中，所述预测器算法包括可训练的机器学习算法，其中，所述存储器还存储训练数据，其中，所述训练数据包含训练条目，其中，所述训练条目中的每个训练条目包括一幅或多幅训练磁共振图像、训练对象元数据和训练视场对准数据；其中，所述存储器还包括训练算法，所述训练算法被配置用于使用所述预测的视场对准数据与所述训练视场对准数据之间的比较来训练所述预测器算法，其中，所述方法包括：
-响应于将所述一幅或多幅训练磁共振图像输入到所述预测器算法中并且响应于输入所述训练对象元数据而从所述预测器算法接收所述预测的视场对准数据；
-确定所述预测的视场对准数据与所述训练视场对准数据之间的所述比较；并且
-通过输入所述预测的视场对准数据与所述训练视场对准数据之间的所述比较利用所述训练算法来训练所述预测器算法。
14.根据权利要求13所述的方法，其中，所述方法还包括通过从医学图像数据库提取所述一幅或多幅训练磁共振图像、所述训练对象元数据和所述训练视场对准数据来生成所述训练数据。
15.根据权利要求13或14所述的方法，其中，所述方法包括：
-接收一幅或多幅定位器磁共振图像和对象元数据；并且
-响应于将所述一幅或多幅定位器磁共振图像输入到所述预测器算法中并且响应于输入对象元数据而从所述预测器算法接收所述预测的视场对准数据。
CN202080036637.XA 2019-05-17 2020-05-16 用于磁共振成像的自动视场对准 Pending CN113853526A (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
EP19175092.6 2019-05-17
EP19175092 2019-05-17
RU2019120557 2019-07-02
RU2019120557 2019-07-02
PCT/EP2020/063744 WO2020234204A1 (en) 2019-05-17 2020-05-16 Automated field of view alignment for magnetic resonance imaging

Publications (1)

Publication Number Publication Date
CN113853526A true CN113853526A (zh) 2021-12-28

Family

ID=70680522

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080036637.XA Pending CN113853526A (zh) 2019-05-17 2020-05-16 用于磁共振成像的自动视场对准

Country Status (5)

Country Link
US (1) US20220225888A1 (zh)
EP (1) EP3969923A1 (zh)
JP (1) JP7391112B2 (zh)
CN (1) CN113853526A (zh)
WO (1) WO2020234204A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11846691B2 (en) 2021-03-04 2023-12-19 Hyperfine Operations, Inc. Systems and methods for performing magnetic resonance imaging with reduced operator interaction

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117671284B (zh) * 2023-12-06 2024-04-30 广州科松医疗智能科技有限公司 侵入性胎盘植入影像特征ai智能提取系统

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102008064106A1 (de) 2008-12-19 2010-07-08 Siemens Aktiengesellschaft Verfahren zur Bildaufnahme mit einer Magnetresonanzeinrichtung und Magnetresonanzeinrichtung
CN105027163B (zh) * 2013-03-06 2018-09-07 皇家飞利浦有限公司 扫描区域确定装置
US9471987B2 (en) * 2013-08-09 2016-10-18 Siemens Healthcare Gmbh Automatic planning for medical imaging
CA3030629A1 (en) * 2016-07-11 2018-01-18 Synaptive Medical (Barbados) Inc. Adaptive shim coils for mr imaging
US11800978B2 (en) * 2016-08-05 2023-10-31 Siemens Healthcare Gmbh Deep learning based isocenter positioning and fully automated cardiac MR exam planning
US10452813B2 (en) 2016-11-17 2019-10-22 Terarecon, Inc. Medical image identification and interpretation
US11868852B1 (en) * 2017-05-04 2024-01-09 Amazon Technologies, Inc. Introspection of machine learning estimations
WO2019118640A1 (en) * 2017-12-13 2019-06-20 Washington University System and method for determining segments for ablation
US11191281B1 (en) * 2018-01-05 2021-12-07 Tyson Foods, Inc. Method and apparatus for conveying a meat product and using an ultrasonic knife for automated cutting of meat
EP3557274A1 (en) * 2018-04-19 2019-10-23 Koninklijke Philips N.V. Automatic artifact detection and pulse sequence modification in magnetic resonance imaging
TW202001804A (zh) * 2018-04-20 2020-01-01 成真股份有限公司 用精細解析進行資料管理和機器學習的方法
US10852379B2 (en) * 2018-06-07 2020-12-01 Siemens Healthcare Gmbh Artifact reduction by image-to-image network in magnetic resonance imaging
SG11202106762UA (en) * 2018-12-24 2021-07-29 Body Composition Tech Pty Ltd Analysing a body
US11344219B2 (en) * 2019-03-14 2022-05-31 Hyperfine Operations, Inc. Deep learning techniques for alignment of magnetic resonance images
US11087172B2 (en) * 2019-12-31 2021-08-10 Plus One Robotics, Inc. Systems and methods for creating training data
US11651518B2 (en) * 2021-06-03 2023-05-16 Meta Platforms Technologies, Llc System for determining an expected field of view
US11868672B1 (en) * 2023-03-30 2024-01-09 Brelyon, Inc. Methods and systems for interactive displays with intelligent generative content and tandem computing

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11846691B2 (en) 2021-03-04 2023-12-19 Hyperfine Operations, Inc. Systems and methods for performing magnetic resonance imaging with reduced operator interaction

Also Published As

Publication number Publication date
US20220225888A1 (en) 2022-07-21
JP7391112B2 (ja) 2023-12-04
JP2022533165A (ja) 2022-07-21
WO2020234204A1 (en) 2020-11-26
EP3969923A1 (en) 2022-03-23

Similar Documents

Publication Publication Date Title
CN111356930B (zh) 用于定位预定义的解剖结构的解剖界标的方法和系统
JP7399102B2 (ja) 医用イメージングにおける自動スライス選択
EP3514756A1 (en) Medical analysis method for predicting metastases in a test tissue sample
EP3379281A1 (en) Image segmentation using reference gray scale values
US11333732B2 (en) Automatic artifact detection and pulse sequence modification in magnetic resonance imaging
US20220225888A1 (en) Automated field of view alignment for magnetic resonance imaging
EP3776466B1 (en) Automated detection of abnormal subject configuration for medical imaging
US20220165004A1 (en) Removal of false positives from white matter fiber tracts
CN112089419A (zh) 医学成像方法及系统，非暂态计算机可读存储介质
EP3460751A1 (en) Automated tumor partitioning
EP4306983A1 (en) Making anatomical measurements using magnetic resonance imaging
JP7420802B2 (ja) 磁気共鳴イメージングにおける他の処理ロケーションの決定
EP4266074A1 (en) Segmentation of medical images reconstructed from a set of magnetic resonance images
EP4231036A1 (en) Detection of artifical structures in magentic resonance images due to neural networks
EP4321890A1 (en) Reconstruction parameter determination for the reconstruction of synthesized magnetic resonance images
EP4138092A1 (en) Detection of improperly configured medical imaging systems

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