CN115066626A - 用于监测经历磁共振图像扫描的患者的装置 - Google Patents

用于监测经历磁共振图像扫描的患者的装置 Download PDF

Info

Publication number
CN115066626A
CN115066626A CN202180012828.7A CN202180012828A CN115066626A CN 115066626 A CN115066626 A CN 115066626A CN 202180012828 A CN202180012828 A CN 202180012828A CN 115066626 A CN115066626 A CN 115066626A
Authority
CN
China
Prior art keywords
patient
data
mri
scan
processing unit
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
CN202180012828.7A
Other languages
English (en)
Inventor
T·E·阿姆托尔
S·瑙奇
C·G·洛斯勒
J·H·D·M·韦斯特林克
P·C·马祖尔凯维特兹
P·K·萨伊尼
R·范埃
E·海伊曼
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 CN115066626A publication Critical patent/CN115066626A/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
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
    • 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
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • 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
    • G01R33/56509—Correction of image distortions, e.g. due to magnetic field inhomogeneities due to motion, displacement or flow, e.g. gradient moment nulling
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2505/00—Evaluating, monitoring or diagnosing in the context of a particular type of medical care
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
    • A61B2562/02—Details of sensors specially adapted for in-vivo measurements
    • A61B2562/0219—Inertial sensors, e.g. accelerometers, gyroscopes, tilt switches
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
    • A61B5/0077—Devices for viewing the surface of the body, e.g. camera, magnifying lens
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/01—Measuring temperature of body parts ; Diagnostic temperature sensing, e.g. for malignant or inflamed tissue
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
    • A61B5/0816—Measuring devices for examining respiratory frequency
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/1032—Determining colour for diagnostic purposes
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • 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
    • A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Psychiatry (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Signal Processing (AREA)
  • Child & Adolescent Psychology (AREA)
  • Developmental Disabilities (AREA)
  • Educational Technology (AREA)
  • Hospice & Palliative Care (AREA)
  • Psychology (AREA)
  • Social Psychology (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明涉及一种用于监测经历磁共振图像(MRI)扫描的患者的装置(10)。所述装置包括输入单元(20)、处理单元(30)和输出单元(40)。所述输入单元被配置为向所述处理单元提供经历MRI扫描器的MRI扫描的患者的至少一个传感器数据。所述输入单元被配置为向所述处理单元提供用于所述MRI扫描的所述MRI扫描器的至少一个扫描参数。所述输入单元被配置为向所述处理单元提供所述患者的至少一个特性。所述处理单元被配置为预测所述患者的应激水平和/或所述患者的预测运动状态，一个或多个预测包括利用所述患者的所述至少一个传感器数据、所述MRI扫描器的所述至少一个扫描参数和所述患者的所述至少一个特性。所述输出单元被配置为输出与所预测的所述患者的应激水平和/或所预测的所述患者的运动状态有关的信息。

Description

用于监测经历磁共振图像扫描的患者的装置
技术领域
本发明涉及一种用于监测经历磁共振图像(MRI)扫描的患者的装置、成像系统、用于监测经历磁共振图像扫描的患者的方法以及计算机程序单元和计算机可读介质。
背景技术
患者合作是MRI检查持续时间和诊断质量的重要决定因素。为了采集MR图像，需要患者进入陌生的嘈杂机器中的狭窄膛，并静卧近似15至60分钟。这样一来，许多患者经历对于MRI检查的焦虑相关的反应(Meléndez,J.C.，&McCrank,E.(1993)。与磁共振成像检查相关联的焦虑相关的反应。Jama,270(6),745-747)，并且患者移动在MRI检查中高度常见(在MRI检查的7％至29％内发生的；Andre,J.B.，Bresnahan,B.W.，Mossa-Basha,M.，Hoff,M.N.，Smith,C.P.，Anzai,Y.，&Cohen,W.A.(2015)。朝向量化临床MR检查期间与患者运动相关联的患病率、严重性和成本。Journal of the American College of Radiology，12(7)，689-695)。患者移动可能导致需要重复MRI检查的部分(MRI扫描的近似20％是重复扫描；Andre等人，2015)。此外，严重不适的患者有时在检查完成之前离开扫描器(这些被称为“未完成的检查”)。
尽管这种焦虑能够不利于MRI成功，但目前医院工作人员具有关于参与者的心理状态的非常有限信息(例如，焦虑或不适的水平)。他们仅可以借助于标准的人际接触来评估患者的精神状态、他们的应激水平以及因此移动伪影的可能性。此外，他们仅可以仅在实际扫描之前这样做。
因此，在MRI检查或扫描期间，患者的情绪和生理状态对技术专家不容易可见或可用。然而，如果患者变得非常焦虑或感到疼痛，或者移动不当，则应该停止扫描。在一些情况下，患者可以按压警报按钮或让他/她自己在声学上听到。但是按压按钮的决定能够很晚。在最坏的情况下，按钮可能由于技术问题而无法工作，按钮能够丢失或在患者的接触之外，或者患者可能已经在技术专家没有注意到的情况下失去知觉。
需要解决这些问题。
发明内容
由于患者变得太焦虑或身体部分移动太多，因此具有确定何时停止MRI扫描的改进手段将是有利的。本发明的目的利用独立权利要求的主题解决，其中，另外的实施例被包含在从属权利要求中。应当注意，本发明的以下描述的方面和范例也适用于对经历磁共振图像扫描的患者的装置或监测、成像系统、用于监测经历磁共振图像扫描的患者的方法，以及计算机程序单元和计算机可读介质。
在第一方面中，提供了一种用于监测经历磁共振图像(MRI)扫描的患者的装置，所述装置包括：
-输入单元；
-处理单元；以及
-输出单元。
所述输入单元被配置为向所述处理单元提供经历MRI扫描器的MRI扫描的患者的至少一个传感器数据。所述输入单元被配置为向所述处理单元提供用于所述MRI扫描的所述MRI扫描器的至少一个扫描参数。所述输入单元被配置为向所述处理单元提供所述患者的至少一个特性。所述处理单元被配置为预测所述患者的应激水平和/或预测所述患者的运动状态，所述一个或多个预测包括利用所述患者的所述至少一个传感器数据、所述MRI扫描器的所述至少一个扫描参数和所述患者的所述至少一个特性。所述输出单元被配置为输出与所预测的所述患者的应激水平和/或所预测的所述患者的运动状态有关的信息。
以这种方式，通过从传感器数据、关于正在实行的扫描的数据和从关于所述患者的数据分析所述患者的情绪和生理状态来确定患者的应激水平和/或移动可能性，并且预测这些状态到未来的发展。因此，可以向技术专家提供实时反馈，然后技术专家可以决定，如果预测患者即将进入不符合扫描协议的焦虑状态或移动状态，则应停止扫描并且所述装置确实可以自动启动这样的停止。
因此，所述装置客观地测量和预测患者在扫描期间的焦虑/不适水平，以及预测的移动伪影的可能性。如果需要，则该信息可以被用于自动中止扫描。
由所述装置解决的问题是减轻了患者的焦虑/不适，其否则可能对患者的体验产生负面影响。可以在与降低图像质量相关联的患者运动已经损害图像质量之前停止扫描。
所述患者的运动状态也可以被称为所述患者的移动状态。
在范例中，所述处理单元被配置为实施至少一个机器学习算法来预测所述患者的应激水平和/或所述患者的运动状态，其中，所述至少一个机器学习算法是基于以下各项来训练的：经历一个或多个参考MRI扫描器的一个或多个参考MRI扫描的一个或多个参考患者的至少一个传感器数据；被用于所述一个或多个参考MRI扫描的所述参考MRI扫描器的至少一个扫描参数；所述参考患者中的每个的至少一个特性。
因此，基于AI的算法被用于从传感器数据、扫描协议数据和与所述患者有关的背景信息推断患者的情绪和身体状态，使得所述患者的所述应激状态和所述移动状态的发展能够被预测。
换句话说，预测算法采取可以在医院或家中收集的检查前采集的关于患者的数据，并且将此与扫描期间从传感器收集的信息以及关于所述扫描的细节一起使用以预测所述患者在所述扫描期间的焦虑水平和移动水平，其中，该确定还可以利用先前检查的结果。
在范例中，所述患者的所述至少一个传感器数据是由以下各项中的一项或多项采集的：相机、麦克风、皮肤电阻传感器、皮肤温度传感器、皮肤湿度传感器、皮肤加速度计、脉冲传感器、呼吸传感器、射频雷达传感器、EEG传感器、处理单元、压力传感器、重量传感器。
在范例中，所述一个或多个参考患者的所述至少一个传感器数据是由以下各项中的一项或多项采集的：相机、麦克风、皮肤电阻传感器、皮肤温度传感器、皮肤湿度传感器、皮肤加速度计、脉冲传感器、呼吸传感器、射频雷达传感器、EEG传感器、处理单元、压力传感器、重量传感器。
在范例中，所述患者的所述至少一个传感器数据包括以下各项中的一项或多项：呼吸速率数据、心率数据、语音数据、皮肤电阻数据、皮肤温度数据、皮肤湿度数据、皮肤运动数据、身体部分移动数据、眨眼频率数据、EEG数据、与膛内显示器上示出的内容有关的信息、膛内检查台上的重量分布。
在范例中，所述一个或多个参考患者的所述至少一个传感器数据包括以下各项中的一项或多项：呼吸速率数据、心率数据、语音数据、皮肤电阻数据、皮肤温度数据、皮肤湿度数据、皮肤运动数据、身体部分移动数据、眨眼频率数据、EEG数据、与膛内显示器上示出的内容有关的信息、膛内检查台上的重量分布。
在范例中，所述MRI扫描器的所述至少一个扫描参数包括以下各项中的一项或多项：扫描持续时间、剩余扫描持续时间、当前梯度强度、未来梯度强度、对比度类型、定时参数、SAR(RF设置)、k空间采样模式。
在范例中，所述参考MRI扫描器的所述至少一个扫描参数包括以下各项中的一项或多项：扫描持续时间、剩余扫描持续时间、当前梯度强度、未来梯度强度、对比度类型、定时参数、SAR(RF设置)、k空间采样模式。
在范例中，所述患者的所述至少一个特性包括以下各项中的一项或多项：年龄、体重、身体质量指数、关于先前诊断的信息、所述患者的身体状况、所述患者的心理状况、完成的问卷信息、患者反馈。
在范例中，所述参考患者中的每个参考患者的所述至少一个特性包括以下各项中的一项或多项：年龄、体重、身体质量指数、关于先前诊断的信息、所述患者的身体状况、所述患者的心理状况、完成的问卷信息。
在范例中，所述输入单元被配置为向所述处理单元提供关于由所述患者进行的一个或多个先前MRI扫描的信息，并且其中，对所述患者的所述应激水平和/或所述患者的运动状态的预测包括利用关于由所述患者进行的一个或多个先前MRI扫描的信息。
在范例中，所述机器学习算法的训练包括利用关于由所述一个或多个参考患者中的至少一个参考患者进行的一个或多个先前MRI扫描的信息。
在范例中，所述处理单元被配置为确定所预测的所述患者的应激水平和/或所预测的所述患者的运动状态是否将超过应激阈值水平或运动阈值水平，并且其中，与所预测的所述患者的应激水平和/或所预测的所述患者的运动状态有关的信息包括对是否预测任一阈值被超过的指示。
在第二方面中，提供了一种成像系统，包括：
-磁共振成像扫描器；
-至少一个传感器；以及
-根据第一方面的用于监测经历磁共振图像(MRI)扫描的患者的装置。
所述至少一个传感器被配置为向所述装置的所述处理单元提供经历MRI扫描器的MRI扫描的患者的至少一个传感器数据。所述装置被配置为基于与所预测的所述患者的应激水平和/或所预测的所述患者的运动状态有关的信息来自动停止所述MRI扫描。
在第三方面中，提供了一种用于监测经历磁共振图像(MRI)扫描的患者的方法，该方法包括：
-向处理单元提供经历MRI扫描器的MRI扫描的患者的至少一个传感器数据；
-向所述处理单元提供用于所述MRI扫描的所述MRI扫描器的至少一个扫描参数；
-向所述处理单元提供所述患者的至少一个特性；
-由所述处理单元预测所述患者的应激水平和/或预测所述患者的运动状态，所述一个或多个预测包括利用所述患者的所述至少一个传感器数据、所述MRI扫描器的所述至少一个扫描参数和所述患者的所述至少一个特性；并且
-由输出单元输出与所预测的所述患者的应激水平和/或所预测的所述患者的运动状态有关的信息。
根据另一方面，提供了一种控制如先前所描述的装置或系统中的一个或多个的计算机程序单元，其在所述计算机程序单元由处理单元运行的情况下适于执行如先前所描述的方法中的一个或多个。
根据另一方面，提供了一种存储有如先前所描述的计算机单元的计算机可读介质。
所述计算机程序单元可以例如是软件程序，而且可以是FPGA、PLD或任何其他适当的数字模块。
有利地，由以上方面中的任一个所提供的益处同样地适用于所有其他方面并且反之亦然。
以上方面和范例将参考下文中所描述的实施例而显而易见并且得到阐述。
附图说明
将参考以下附图在以下中描述示范性实施例：
图1示出了用于监测经历磁共振图像扫描的患者的装置的范例的示意性设置；
图2示出了成像系统的范例的示意性设置；
图3示出了用于监测经历磁共振图像扫描的患者的方法；
图4示出了图1的装置或具有此类装置的图2的成像系统的详细实施例的高水平系统架构；并且
图5示出了应激水平指示器的范例。
具体实施方式
图1示出了用于监测经历磁共振图像(MRI)扫描的患者的装置10的范例。装置10包括输入单元20、处理单元30和输出单元40。输入单元被配置为向处理单元提供经历MRI扫描器的MRI扫描的患者的至少一个传感器数据。输入单元还被配置为向处理单元提供用于MRI扫描的MRI扫描器的至少一个扫描参数。输入单元还被配置为向处理单元提供患者的至少一个特性。处理单元被配置为预测患者的应激水平和/或预测患者的运动状态，一个或多个预测包括利用患者的至少一个传感器数据、MRI扫描器的至少一个扫描参数和患者的至少一个特性。输出单元被配置为输出与所预测的所述患者的应激水平和/或所预测的所述患者的运动状态有关的信息。
根据范例，处理单元被配置为实施至少一个机器学习算法以预测患者的应激水平和/或患者的运动状态。至少一个机器学习算法是基于以下各项来训练的：经历一个或多个参考MRI扫描器的一个或多个参考MRI扫描的一个或多个参考患者的至少一个传感器数据；被用于一个或多个参考MRI扫描的参考MRI扫描器的至少一个扫描参数；参考患者中的每个的至少一个特性。
在范例中，机器学习算法包括一个或多个神经网络。
在范例中，机器学习算法包括一个或多个经典机器学习算法。
在范例中，机器学习算法包括一个或多个支持向量机(SVM)。
在范例中，机器学习算法包括一个或多个决策树。
在范例中，至少一个机器学习算法包括两个部分。机器学习算法的第一部分被用于确定人的应激状态和移动状态。此处，移动状态可以意指移动可能性，这甚至对于静止的患者也可以具有不同的水平。因此，静止的患者可以被确定为具有低的移动可能性，或者静止的患者可以被确定为具有高的移动可能性。然后，机器学习算法的第二部分可以操作于确定对人的应激状态和移动状态的未来的预测。第一部分可以是例如标准神经网络，诸如卷积神经网络(CNN)，并且第二部分可以是循环神经网络(RNN)或RNN的长短期记忆(LSTM)神经网络版本。因此，此处神经网络可以是指神经网络的组合。
根据范例，患者的至少一个传感器数据是由以下各项中的一项或多项采集的：相机、麦克风、皮肤电阻传感器、皮肤温度传感器、皮肤湿度传感器、皮肤加速度计、脉冲传感器、呼吸传感器、射频雷达传感器、EEG传感器、处理单元、压力传感器、重量传感器。
根据范例，一个或多个参考患者的至少一个传感器数据是由以下各项中的一项或多项采集的：相机、麦克风、皮肤电阻传感器、皮肤温度传感器、皮肤湿度传感器、皮肤加速度计、脉冲传感器、呼吸传感器、射频雷达传感器、EEG传感器、处理单元、压力传感器、重量传感器。
根据范例，患者的至少一个传感器数据包括以下各项中的一项或多项：呼吸速率数据、心率数据、语音数据、皮肤电阻数据、皮肤温度数据、皮肤湿度数据、皮肤运动数据、身体部分移动数据、眨眼频率数据、EEG数据、与膛内显示器上示出的内容有关的信息、膛内检查台上的重量分布。
根据范例，一个或多个参考患者的至少一个传感器数据包括以下各项中的一项或多项：呼吸速率数据、心率数据、语音数据、皮肤电阻数据、皮肤温度数据、皮肤湿度数据、皮肤运动数据、身体部分移动数据、眨眼频率数据、EEG数据、与膛内显示器上示出的内容有关的信息、膛内检查台上的重量分布。
根据范例，MRI扫描器的至少一个扫描参数包括以下各项中的一项或多项：扫描持续时间、剩余扫描持续时间、当前梯度强度、未来梯度强度、对比度类型、定时参数、SAR(RF设置)、k空间采样模式。
根据范例，参考MRI扫描器的至少一个扫描参数包括以下各项中的一项或多项：扫描持续时间、剩余扫描持续时间、当前梯度强度、未来梯度强度、对比度类型、定时参数、SAR(RF设置)、k空间采样模式。
根据范例，患者的至少一个特性包括以下各项中的一项或多项：年龄、体重、身体质量指数、关于先前诊断的信息、所述患者的身体状况、所述患者的心理状况、完成的问卷信息、患者反馈。
根据范例，参考患者中的每个的至少一个特性包括以下各项中的一项或多项：年龄、体重、身体质量指数、关于先前诊断的信息、所述患者的身体状况、所述患者的心理状况、完成的问卷信息。
根据范例，输入单元被配置为向处理单元提供关于由所述患者进行的一个或多个先前MRI扫描的信息。患者的应激水平的预测和/或患者的运动状态的预测然后可以包括利用关于由所述患者进行的一个或多个MRI扫描的信息。
根据范例，机器学习算法的训练包括利用关于由一个或多个参考患者中的至少一个参考患者进行的一个或多个先前MRI扫描的信息。
根据范例，处理单元被配置为确定所预测的所述患者的应激水平和/或所预测的所述患者的运动状态是否将超过应激阈值水平或运动阈值水平。然后，与所预测的所述患者的应激水平和/或所预测的所述患者的运动状态有关的信息可以包括对是否预测这些阈值中的一个或另一个或两者被超过的指示。
图2示出了成像系统100的范例。成像系统100包括磁共振成像扫描器110、至少一个传感器120。系统100还包括用于监测经历磁共振图像(MRI)扫描的患者的装置10，如关于图2所描述的。至少一个传感器120被配置为向装置的处理单元提供经历MRI扫描器的MRI扫描的患者的至少一个传感器数据。装置10被配置为基于与所预测的所述患者的应激水平和/或所预测的所述患者的运动状态有关的信息来自动停止由磁共振成像扫描器110执行的MRI扫描。
图3示出了用于在其基本步骤中监测经历磁共振图像(MRI)扫描的患者的方法200。方法200包括：
-在也被称为步骤a)的提供步骤210中，向处理单元提供经历MRI扫描器的MRI扫描的患者的至少一个传感器数据；
-在也被称为步骤b)的提供步骤220中，向处理单元提供用于MRI扫描的MRI扫描器的至少一个扫描参数；
-在也被称为步骤c)的提供步骤230中，向处理单元提供患者的至少一个特性；
-在也被称为步骤d)的预测步骤240中，由处理单元预测患者的应激水平和/或预测患者的运动状态，一个或多个预测包括利用患者的至少一个传感器数据、MRI扫描器的至少一个扫描参数和患者的至少一个特性；并且
-在也被称为步骤e)的输出步骤250中，由输出单元输出与所预测的所述患者的应激水平和/或所预测的所述患者的运动状态有关的信息。
在范例中，机器学习算法包括一个或多个神经网络。
在范例中，机器学习算法包括一个或多个经典机器学习算法。
在范例中，机器学习算法包括一个或多个支持向量机)。
在范例中，机器学习算法包括一个或多个决策树。
在范例中，步骤d)包括由处理单元实施至少一个机器学习算法以预测患者的应激水平和/或患者的运动状态，其中，至少一个机器学习算法是基于以下各项中的一项或多项来训练的：经历一个或多个参考MRI扫描器的一个或多个参考MRI扫描的一个或多个参考患者的至少一个传感器数据；被用于一个或多个参考MRI扫描的参考MRI扫描器的至少一个扫描参数；参考患者中的每个的至少一个特性。
在范例中，患者的至少一个传感器数据是由以下各项中的一项或多项采集的：相机、麦克风、皮肤电阻传感器、皮肤温度传感器、皮肤湿度传感器、皮肤加速度计、脉冲传感器、呼吸传感器、射频雷达传感器、EEG传感器、处理单元、压力传感器、重量传感器。
在范例中，一个或多个参考患者的至少一个传感器数据是由以下各项中的一项或多项采集的：相机、麦克风、皮肤电阻传感器、皮肤温度传感器、皮肤湿度传感器、皮肤加速度计、脉冲传感器、呼吸传感器、射频雷达传感器、EEG传感器、处理单元、压力传感器、重量传感器。
在范例中，患者的至少一个传感器数据包括以下各项中的一项或多项：呼吸速率数据、心率数据、语音数据、皮肤电阻数据、皮肤温度数据、皮肤湿度数据、皮肤运动数据、身体部分移动数据、眨眼频率数据、EEG数据、与膛内显示器上示出的内容有关的信息、膛内检查台上的重量分布。
在范例中，一个或多个参考患者的至少一个传感器数据包括以下各项中的一项或多项：呼吸速率数据、心率数据、语音数据、皮肤电阻数据、皮肤温度数据、皮肤湿度数据、皮肤运动数据、身体部分移动数据、眨眼频率数据、EEG数据、与膛内显示器上示出的内容有关的信息、膛内检查台上的重量分布。
在范例中，MRI扫描器的至少一个扫描参数包括以下各项中的一项或多项：扫描持续时间、剩余扫描持续时间、当前梯度强度、未来梯度强度、对比度类型、定时参数、SAR(RF设置)、k空间采样模式。
在范例中，参考MRI扫描器的至少一个扫描参数包括以下各项中的一项或多项：扫描持续时间、剩余扫描持续时间、当前梯度强度、未来梯度强度、对比度类型、定时参数、SAR(RF设置)、k空间采样模式。
在范例中，患者的至少一个特性包括以下各项中的一项或多项：年龄、体重、身体质量指数、关于先前诊断的信息、所述患者的身体状况、所述患者的心理状况、完成的问卷信息、患者反馈。
在范例中，参考患者中的每个的至少一个特性包括以下各项中的一项或多项：年龄、体重、身体质量指数、关于先前诊断的信息、所述患者的身体状况、所述患者的心理状况、完成的问卷信息。
在范例中，方法包括向处理单元提供关于由患者进行的一个或多个先前MRI扫描的信息，并且其中，步骤d)包括利用关于由患者进行的一个或多个先前MRI扫描的信息。
在范例中，机器学习算法的训练包括利用关于由一个或多个参考患者中的至少一个参考患者进行的一个或多个先前MRI扫描的信息。
在范例中，步骤d)包括由处理单元确定所预测的所述患者的应激水平和/或所预测的所述患者的运动状态是否将超过应激阈值水平或运动阈值水平，并且其中，在步骤e)中，与所预测的所述患者的应激水平和/或所预测的所述患者的运动状态有关的信息包括对是否预测任一阈值被超过的指示。
现在，关于特定实施例更详细地描述用于监测经历磁共振图像扫描的患者的装置、成像系统和用于监测经历磁共振图像扫描的患者的方法，其中，参考图4-5。
图4示出了高水平系统架构。患者正在经历MRI扫描，并且“A”处指示的生物测量和生理传感器向被指示出“PU”的处理单元提供对应的数据。在“B”处指示的MRI扫描的扫描参数也提供给处理单元。此处，ExamCard的结果也可以提供给处理单元，包括诸如完成检查或扫描将花费多长时间以及剩余多少时间的信息。在“C”处指示的与患者有关的信息也提供给处理单元。处理单元实施在“D”处指示的第一神经网络，诸如卷积神经网络，以预测患者的应激水平和预测患者的移动状态水平。处理单元还实施在“E”处指示的第二新网络，诸如循环神经网络或长短期记忆新网络，其用于预测患者未来的应激水平和移动状态水平。然后将当前和预测应激水平显示给操作者，在“F”处指示，并且在“G”处指示的紧急决策逻辑利用所预测的应激水平和所预测的移动状态水平来确定是否应该做出扫描的紧急停止，在“H”处指示。因此，处理单元基于从传感器、扫描设置和患者信息中获得的多个参数(“特征”)来预测患者的应激水平和移动状态。还可以提供关于针对该患者和其他患者的所经历的应激和移动的患者反馈以用于训练内部机器学习算法，该算法可以与传感器数据和扫描参数信息以及用于经历那些扫描的那些患者的患者信息组合，作为该训练的一部分。
图5示出了由处理单元确定的应激水平指示器的两个范例，其呈现给操作MRI扫描器的操作者或技术专家，指示当前应激水平和未来应激水平，以及该应激水平已经如何发展到现在，以及如何预测其发展到未来。也可以以类似的方式提供运动(或移动)状态水平指示器，其指示患者现在、过去和未来的移动可能性。应激水平信息和/或移动状态水平信息使得技术专家或操作者能够在需要时启动紧急停止，并且如果预测到应激水平将变得太高或患者移动的可能性太大，则系统本身也可以启动紧急停止。
紧急检测逻辑基于当前和所预测的应激水平以及当前和所预测的移动状态水平信息进行操作，其中，紧急检测逻辑决定何时停止MRI扫描。理想情况下，该逻辑以以下方式配置：当在扫描运行时预期应激水平增加高于临界水平时，或者当预期患者移动到不可接受的水平的可能性时，扫描停止，这将意指患者将否则以高概率按压紧急按钮或以将损害扫描图像完整性或导致潜在危险情况出现的方式移动。
关于处理单元的可能输入的另外细节是：
用于患者的情绪和身体状态的传感器可以包括：
基于相机的心率和呼吸检测。这可以被用于测量瞬时心率，其在焦虑增加时增加。在家中用准备应用程序测量的心率/呼吸速率可以用作对此的基线(对于准备应用程序的细节，参见下文)。
基于相机的面部识别和情绪状态确定(技术人员将意识到这是可用的AI技术)
基于相机的移动检测技术
用于言语和语音情感识别的麦克风(技术人员将意识到这是可用的AI技术)
皮肤电活动传感器
皮肤电阻传感器
皮肤温度传感器
皮肤湿度传感器
皮肤加速度计
其他脉冲和呼吸传感器
基于相机的运动检测
基于相机的眨眼频率检测
RF导频音
RF雷达传感器
EEG和ECG数据
手部移动传感器，其中，例如，这可以建立手部的微动或最小运动，其可以是无意识的，可以链接到手部的张力，从而指示应激水平的上升。
可以采取可以反映增加焦虑和不适的额外的或补充的生理或心理措施：并且其包括心率、呼吸频率、皮肤电活动。
监测患者台上的重量分布。确定了，如果患者开始感到身体部分将不由自主地移动，则他们可以使整个身体或身体的主要部位紧张以补偿这种即将发生的移动，并且可以检测到这一点。
经由生命体征监测进行镇静监测，以确定镇静的患者何时开始醒来。已经确定，随着患者开始醒来，这能够导致焦虑和运动。
扫描参数信息可以包括：
对比度类型(T1、T2、DWI等……)
定时参数
梯度强度设置
SAR(RF设置)
k空间采样模式
剩余扫描时间
关于在膛内显示器上被示出给患者的内容的信息，因为已经确定，被示出给患者的内容能够影响他们的应激水平和移动状态。
患者信息(例如，来自电子医学记录)可以包括：
年龄
重量
身体质量指数
先前诊断
其他身体和心理状况
根据在准备室或家中获得的数据，在扫描(相机、采访、问卷)之前，
关于这样的准备数据的更多信息在下面详述。
因此，总而言之，应激水平和移动状态水平的预测是由人工智能(AI)算法使用特征作为输入并且使用应激水平/移动状态水平作为输出来实现的。该算法可以是用于导出当前应激水平和移动状态水平的机器学习方法(诸如支持向量机或神经网络)和用于预测在接下来几分钟期间的应激水平的发展的机器学习算法(诸如RNN或LSTM)的组合。AI算法的监督式训练是通过以下操作来实现的：使用来自患者和其他患者的反馈(例如紧急按钮状态或应激水平的自我估计)作为标签，并且经由相关联的传感器数据、用于那些扫描的扫描参数数据和用于那些扫描的其他患者的患者信息。在患者反馈上训练算法允许将应激水平/移动状态水平标准化为个体严重性标度。这意指标度可以被定义为从0(低应激水平/低移动状态水平-即，低移动可能性)到1(临界应激水平/临界移动状态水平-即，高移动可能性)的范围内的数字，其中，到达临界应激水平意指患者非常可能按压紧急停止按钮，并且其中，到达临界移动状态水平意指患者非常可能移动并损害扫描。处理单元的输出是患者的当前应激水平的值和在接下来几分钟内对该应激值的评价的预测，以及患者的当前移动状态水平的值和在接下来几分钟内对该移动可能性值的评价的预测。处理单元的输出被提供给针对技术专家的指示器显示器和紧急决策逻辑。
应注意，一般而言，并非所有上述数据将可用于每个个体患者。然而，可用的数据可以用作用于焦虑&移动预测算法的输入。基于为当前MRI检查收集的数据、关于患者的数据以及基于潜在的早期检查数据(如果可用的话)，可以关于预期的焦虑水平和移动可能性做出预测。此外，基于早期扫描的通用数据以及个体数据，可以做出对预期图像质量(移动干扰)及其与焦虑/移动可能性的关系的预测。
在寻求改进MRI扫描时，发明人意识到两个主要限制是在扫描期间患者内形成的应激和患者的移动。在研究这些领域时，发明人确定移动和应激仅微弱相关(并且在一些研究中，它们完全不相关)。例如，极度焦虑的患者可能在扫描器中示出非常少的移动(他们太“僵硬”或“石化”而不能移动)。并且放松的患者可能因为他们具有瘙痒/因为身体部分睡着而移动，或者他们对流程如此放松，以致于他们忘记了不应该移动。
另外的范例是：
身体部分的移动突然减少可能增加运动的风险，而焦虑曲线可能示出非常不同的模式。
因此，如果人的手臂睡着了，这可能在短期内暂时减少该手臂的运动，但是增加较长期内运动的可能性(一旦麻木变成疼痛并且人重新定位)。
如果人完全睡着了，那么在该人醒来之前将几乎没有任何动作。人已经睡了多久，并且其睡眠有多深，以及他们预期何时醒来(与MR噪声水平等组合)可以是未来的移动的更好预测器。
因此，这意指焦虑&移动之间存在复杂的关系，并且减少焦虑能够增加运动可能性(例如，当从“石化”状态变为稍微较不焦虑的状态时)或减少运动可能性是可能的，这取决于多个因子。
然而，发明人确定，通过利用传感器监测患者，并使用现在和将来的扫描的扫描参数以及与患者有关的信息，训练机器学习算法来确定应激水平将如何发展和患者移动的可能性将如何发展两者是可能的。
因此，发明人意识到近年来已经开发的利用传感器信息以识别人类情绪的基于AI的工具。这包括面部情绪识别(例如https://azure.microsoft.com/en-us/services/cognitive-services/emotion/)、语音情绪识别(例如http://www.good-vibrations.nl/,https://vokaturi.com/)，以及通过其他生理传感器进行情绪识别(参见，例如，https://www.wareable.com/health-and-wellbeing/future-of-emotion-sensing-wearables-111,https://biosay.com/)。发明人利用对这些技术的理解与结合专用预测算法的MRI扫描器的扫描信息、患者背景信息和额外的传感器组合，以帮助检测和应对MR检查中的紧急情况，并且增加患者舒适度和安全性。以这种方式。实际上分析了患者的情绪和生理状态并预测了该状态的发展。向技术专家提供实时反馈，并且可以基于患者的当前和预测的情绪和生理状态做出何时停止扫描的自动决定。以这种方式，改进了患者体验(较少焦虑或疼痛)，由于系统的自动化紧急停止，患者更安全，并且可以改进工作流程，因为扫描可以更早地停止和重复。
在当前MRI检查之前收集的数据用于确定所预测的应激水平和所预测的运动状态水平中，如上文所讨论的。下面详细描述了一种特定的方法，通过该方法可以收集该信息或与患者有关的该信息的至少部分。收集的数据被称为“准备数据”。
准备数据
在MRI检查之前，患者接收在线信息和训练(例如，以智能手机应用程序的形式)，以帮助他们在家中或医院内为即将进行的MRI检查做准备。该应用程序可以包括若干元素，诸如a)针对患者的信息；b)训练锻炼；c)关于患者的问卷；以及d)它们的心率和呼吸速率、肤色和/或反应速度的测量结果。
针对患者的信息可以包括文本、视频或音频，其为患者给出关于即将进行的扫描或医学流程的信息(例如，具有关于MRI扫描、MRI机器和发生的情况的信息的视频)。
训练锻炼向参与者提供特定的指导或训练，以提高允许他们经历医学流程的技能；除了其他方面，锻炼包括提高在延长时间段内保持静止不动的能力和/或在一定时间内屏住呼吸/遵循特定呼吸模式的能力。
问卷将包括人口统计问题，例如，关于患者的年龄、先前扫描次数、教育水平等；以及其他相关问题(例如，关于患者的幽闭恐惧症、焦虑水平等)。此外，可以收集其他问卷输入，如自报告。例如，患者对即将进行的扫描的感知以及他们自己的预期。最后，每条信息或活动可以跟随有与患者对扫描的感知相关的问题。
可以借助于移动电话采集心率和呼吸速率测量结果。其可以给出某人的基础心率的指示，可能地在由用户访问训练材料&问卷之前和之后。这样的测量结果也可以跟随有患者的感知和预期。心率和呼吸速率测量也可以仅在检查之前实行，并与先前进行的基线测量进行比较。
可以利用如在检查之前和仅在检查之前测量的面部区中的电话确定皮肤颜色。
通过创建小型游戏应用程序，可以确定患者在家中和当他们坐在候诊室时的反应时间。
这样一来，准备数据可以包括：
来自移动应用的使用数据(例如，登录次数、在应用程序中花费的时间)；
来自问卷的数据(例如，关于患者年龄、教育水平、焦虑、和感知和预期等的问卷)；
训练特特异性数据(例如，参与者在家中训练时能够保持静止的时间量；他们可以屏住呼吸的秒数；如由应用程序测量的他们的心率，他们使用应用程序的不同特征的次数)。
生理参数(心率或呼吸速率变化、肤色变化和反应时间差异)。
机器学习算法的训练
关于一种或多种机器学习算法的实施方式，如上文所讨论的，存在可以区分的实施方式的两个部分：
机器学习算法(经典SVM、决策树或神经网络)可用于确定当前应激水平，并且根据传感器数据和其他信息(尚未预测未来)确定当前移动状态水平。在这种情况下，算法将利用历史数据进行训练，所述历史数据使用来自患者的主观反馈或客观测量结果来标记，诸如患者发起的扫描中止或严重运动伪影的频率，或如上文所讨论的其他信息。
备选地，应激水平和/或移动状态水平可以使用分析已知函数从传感器数据计算。
对于应激水平的未来发展和移动状态水平的未来发展的预测，已经发现使用循环神经网络(RNN)的实施方式特别合适。特别地，已发现长短期记忆(LSTM)实施方式非常适合此处。该机器学习实施方式被馈送有背景信息(患者状况、扫描类型等)和作为时间函数的应激水平(直到目前时刻)和/或作为时间函数的移动状态水平的发展两者。然后，该网络将预测应激水平在未来将如何继续，以及移动状态水平将如何继续到未来。为了训练这样的网络，需要记录应激水平和移动状态水平的时间演替，以及用于多个对象的背景信息，并将其用作训练数据。
应注意，上文所讨论的两个部分可以个体地操作以用于应激水平和移动状态水平预测，或组合。因此，在1处可以存在确定当前应激水平的算法和确定当前移动状态水平的不同算法。然后在2处，能够存在，能够存在预测未来应激水平的算法和预测未来移动状态水平的不同算法。然而，在1处的相同的算法可以确定应激水平和移动状态水平两者，并且在2处的相同的算法可以预测未来应激水平和移动状态水平。
在另一示范性实施例中，提供了一种计算机程序或计算机程序单元，其特征在于被配置为在适当的装置或系统上执行根据前述实施例之一的方法的方法步骤。
计算机程序单元可以因此被存储在计算机单元上，其还可以是实施例的部分。该计算单元可以被配置为执行或诱导执行上文所描述的方法的步骤。此外，其可被配置为操作上文所描述的装置和/或系统的部件。计算单元可以被配置为自动操作和/或执行用户的命令。计算机程序可以加载到数据处理器的工作存储器中。因此，数据处理器可以被配备以执行根据前述实施例之一的方法。
本发明的该示范性实施例涵盖从一开始就使用本发明的计算机程序和借助于更新将现有程序转变为使用本发明的程序的计算机程序两者。
更进一步地，所述计算机程序单元能够提供实现如以上所描述的方法的示范性实施例的流程的所有必需步骤。
根据本发明的另一示范性实施例，提出了一种计算机可读介质，例如CD-ROM、USB棒等，其中，所述计算机可读介质具有存储在所述计算机可读介质上的计算机程序单元，所述计算机程序单元由前面部分描述。
计算机程序可以被存储/分布在合适的介质上，例如与其他硬件一起提供或作为其他硬件的部分提供的光学存储介质或固态介质，但计算机程序可也可以以其他形式来分布，例如经由因特网或者其他有线或无线电信系统分布。
然而，所述计算机程序也可以存在于诸如万维网的网络上并能够从这样的网络中下载到数据处理器的工作存储器中。根据本发明的另一示范性实施例，提供了一种用于使得计算机程序单元可用于下载的介质，其中，所述计算机程序单元被布置为执行根据本发明的之前描述的实施例之一所述的方法。
必须指出，本发明的实施例参考不同主题加以描述。具体而言，一些实施例参考方法类型的权利要求加以描述，而其他实施例参考设备类型的权利要求加以描述。然而，本领域技术人员将从以上和下面的描述中了解到，除非另行指出，除了属于一种类型的主题的特征的任何组合之外，涉及不同主题的特征之间的任何组合也被认为由本申请公开。然而，所有特征能够被组合以提供超过特征的简单加和的协同效应。
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。本发明不限于所公开的实施例。通过研究附图、说明书和从属权利要求，本领域的技术人员在实践请求保护的本发明时能够理解和实现所公开的实施例的其他变型。
在权利要求中，词语“包括”不排除其他单元或步骤，并且词语“一”或“一个”并不排除多个。单个处理器或其他单元可以履行权利要求书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措施，但是这并不指示不能有利地使用这些措施的组合。权利要求中的任何附图标记不应被解释为对范围的限制。

Claims (14)

1.一种用于监测经历磁共振图像(MRI)扫描的患者的装置(10)，所述装置包括：
-输入单元(20)；
-处理单元(30)；以及
-输出单元(40)；
其中，所述输入单元被配置为向所述处理单元提供经历MRI扫描器的MRI扫描的患者的至少一个传感器数据；
其中，所述输入单元被配置为向所述处理单元提供用于所述MRI扫描的所述MRI扫描器的至少一个扫描参数；
其中，所述输入单元被配置为向所述处理单元提供所述患者的至少一个特性；
其中，所述处理单元被配置为实施至少一个机器学习算法以预测所述患者的未来应激水平和/或预测所述患者的未来运动状态，所述一个或多个预测包括利用所述患者的所述至少一个传感器数据、所述MRI扫描器的所述至少一个扫描参数和所述患者的所述至少一个特性，并且其中，所述至少一个机器学习算法是基于以下各项来训练的：经历一个或多个参考MRI扫描器的一个或多个参考MRI扫描的一个或多个参考患者的至少一个传感器数据；被用于所述一个或多个参考MRI扫描的所述参考MRI扫描器的至少一个扫描参数；所述参考患者中的每个参考患者的至少一个特性；所述一个或多个参考患者在所述一个或多个参考MRI扫描期间经历的至少一个应激水平和/或运动状态水平；并且
其中，所述输出单元被配置为输出与所预测的所述患者的未来应激水平和/或所预测的所述患者的未来运动状态有关的信息。
2.根据权利要求1所述的装置，其中，所述患者的所述至少一个传感器数据是由以下各项中的一项或多项采集的：相机、麦克风、皮肤电阻传感器、皮肤温度传感器、皮肤湿度传感器、皮肤加速度计、脉冲传感器、呼吸传感器、射频雷达传感器、EEG传感器、压力传感器、重量传感器。
3.根据权利要求1-2中的任一项所述的装置，其中，所述一个或多个参考患者的所述至少一个传感器数据是由以下各项中的一项或多项采集的：相机、麦克风、皮肤电阻传感器、皮肤温度传感器、皮肤湿度传感器、皮肤加速度计、脉冲传感器、呼吸传感器、射频雷达传感器、EEG传感器、压力传感器、重量传感器。
4.根据权利要求1-3中的任一项所述的装置，其中，所述患者的所述至少一个传感器数据包括以下各项中的一项或多项：呼吸速率数据、心率数据、语音数据、皮肤电阻数据、皮肤温度数据、皮肤湿度数据、皮肤运动数据、身体部分移动数据、眨眼频率数据、EEG数据、与膛内显示器上示出的内容有关的信息、膛内检查台上的重量分布。
5.根据权利要求1-3中的任一项所述的装置，其中，所述一个或多个参考患者的所述至少一个传感器数据包括以下各项中的一项或多项：呼吸速率数据、心率数据、语音数据、皮肤电阻数据、皮肤温度数据、皮肤湿度数据、皮肤运动数据、身体部分移动数据、眨眼频率数据、EEG数据、与膛内显示器上示出的内容有关的信息、膛内检查台上的重量分布。
6.根据权利要求1-5中的任一项所述的装置，其中，所述MRI扫描器的所述至少一个扫描参数包括以下各项中的一项或多项：扫描持续时间、剩余扫描持续时间、当前梯度强度、未来梯度强度、对比度类型、定时参数、SAR(RF设置)、k空间采样模式。
7.根据权利要求1-6中的任一项所述的装置，其中，所述参考MRI扫描器的所述至少一个扫描参数包括以下各项中的一项或多项：扫描持续时间、剩余扫描持续时间、当前梯度强度、未来梯度强度、对比度类型、定时参数、SAR(RF设置)、k空间采样模式。
8.根据权利要求1-7中的任一项所述的装置，其中，所述患者的所述至少一个特性包括以下各项中的一项或多项：年龄、体重、身体质量指数、关于先前诊断的信息、所述患者的身体状况、所述患者的心理状况、完成的问卷信息、患者反馈。
9.根据权利要求1-8中的任一项所述的装置，其中，所述参考患者中的每个参考患者的所述至少一个特性包括以下各项中的一项或多项：年龄、体重、身体质量指数、关于先前诊断的信息、所述患者的身体状况、所述患者的心理状况、完成的问卷信息。
10.根据权利要求1-9中的任一项所述的装置，其中，所述输入单元被配置为向所述处理单元提供关于由所述患者进行的一个或多个先前MRI扫描的信息，并且其中，对所述患者的所述应激水平和/或所述患者的运动状态的预测包括利用关于由所述患者进行的一个或多个先前MRI扫描的所述信息。
11.根据权利要求1-10中的任一项所述的装置，其中，所述处理单元被配置为确定所预测的所述患者的未来应激水平和/或所预测的所述患者的未来运动状态是否将超过应激阈值水平或运动阈值水平，并且其中，与所预测的所述患者的未来应激水平和/或所预测的所述患者的未来运动状态有关的所述信息包括对是否预测任一阈值被超过的指示。
12.一种成像系统(100)，包括：
-磁共振成像扫描器(110)；
-至少一个传感器(120)；以及
-根据权利要求1-11中的任一项所述的用于监测经历磁共振图像(MRI)扫描的患者的装置(10)；
其中，所述至少一个传感器被配置为向所述装置的所述处理单元提供经历MRI扫描器的MRI扫描的患者的至少一个传感器数据；
其中，所述装置被配置为基于与所预测的所述患者的应激水平和/或所预测的所述患者的运动状态有关的信息来自动停止所述MRI扫描。
13.一种用于监测经历磁共振图像(MRI)扫描的患者的方法(200)，所述方法包括：
-向处理单元提供(210)经历MRI扫描器的MRI扫描的患者的至少一个传感器数据；
-向所述处理单元提供(220)用于所述MRI扫描的所述MRI扫描器的至少一个扫描参数；
-向所述处理单元提供(230)所述患者的至少一个特性；
-由实施至少一个机器学习算法的处理单元预测(240)所述患者的未来应激水平和/或预测所述患者的未来运动状态，所述一个或多个预测包括利用所述患者的所述至少一个传感器数据、所述MRI扫描器的所述至少一个扫描参数和所述患者的所述至少一个特性，并且其中，所述至少一个机器学习算法是基于以下各项中的一项或多项来训练的：经历一个或多个参考MRI扫描器的一个或多个参考MRI扫描的一个或多个参考患者的至少一个传感器数据；被用于所述一个或多个参考MRI扫描的所述参考MRI扫描器的至少一个扫描参数；所述参考患者中的每个参考患者的至少一个特性；所述一个或多个参考患者的至少一个应激水平和/或运动状态水平；并且
-由输出单元输出(250)与所预测的所述患者的未来应激水平和/或所预测的所述患者的未来运动状态有关的信息。
14.一种用于控制根据权利要求1至11中的一项所述的装置和/或根据权利要求12所述的系统的计算机程序单元，所述计算机程序单元当由处理器运行时被配置为执行根据权利要求13所述的方法。
CN202180012828.7A 2020-02-04 2021-01-29 用于监测经历磁共振图像扫描的患者的装置 Pending CN115066626A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP20155285.8 2020-02-04
EP20155285.8A EP3862770A1 (en) 2020-02-04 2020-02-04 Apparatus for monitoring of a patient undergoing a magnetic resonance image scan
PCT/EP2021/052046 WO2021156142A1 (en) 2020-02-04 2021-01-29 Apparatus for monitoring of a patient undergoing a magnetic resonance image scan

Publications (1)

Publication Number Publication Date
CN115066626A true CN115066626A (zh) 2022-09-16

Family

ID=69468376

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180012828.7A Pending CN115066626A (zh) 2020-02-04 2021-01-29 用于监测经历磁共振图像扫描的患者的装置

Country Status (5)

Country Link
US (1) US20230181074A1 (zh)
EP (2) EP3862770A1 (zh)
JP (1) JP2023512005A (zh)
CN (1) CN115066626A (zh)
WO (1) WO2021156142A1 (zh)

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
PL2023812T3 (pl) * 2006-05-19 2017-07-31 The Queen's Medical Center Układ śledzenia ruchu dla adaptacyjnego obrazowania w czasie rzeczywistym i spektroskopii
EP2921100A1 (en) * 2014-03-21 2015-09-23 Siemens Aktiengesellschaft Method for adapting a medical system to patient motion occurring during medical examination and system therefor
EP3381353A1 (en) * 2017-03-30 2018-10-03 Koninklijke Philips N.V. Method for planning an imaging scan protocol
DE102018210973A1 (de) * 2018-07-04 2020-01-09 Siemens Healthcare Gmbh Verfahren zu einem Überwachen eines Patienten während einer medizinischen Bildgebungsuntersuchung, insbesondere einer Magnetresonanzuntersuchung

Also Published As

Publication number Publication date
EP3862770A1 (en) 2021-08-11
EP4100757A1 (en) 2022-12-14
WO2021156142A1 (en) 2021-08-12
US20230181074A1 (en) 2023-06-15
JP2023512005A (ja) 2023-03-23

Similar Documents

Publication Publication Date Title
Delmastro et al. Cognitive training and stress detection in mci frail older people through wearable sensors and machine learning
JP6495235B2 (ja) 放射線撮像における予測動きゲーティングのための神経生理学的監視
US10251591B2 (en) Methods, apparatuses and systems for diagnosis and treatment of mood disorders
JP5677002B2 (ja) 映像制御装置、及び映像制御方法
Brouwer et al. Improving real-life estimates of emotion based on heart rate: a perspective on taking metabolic heart rate into account
US20190357792A1 (en) Sensibility evaluation apparatus, sensibility evaluation method and method for configuring multi-axis sensibility model
Stevanovic et al. Physiological responses to affiliation during conversation: Comparing neurotypical males and males with Asperger syndrome
Dosani et al. A vibro-tactile display for clinical monitoring: real-time evaluation
US20230059015A1 (en) Apparatus for monitoring of a patient undergoing a magnetic resonance image scan
US20240008783A1 (en) Method and system for sensor signals dependent dialog generation during a medical imaging process
KR102539796B1 (ko) 수면다원검사 및 인공지능을 이용한 수면 분석 시스템 및 방법
CN115066626A (zh) 用于监测经历磁共振图像扫描的患者的装置
JP2024503752A (ja) ｆＭＲＩ検査のモニタリング
WO2022119810A1 (en) System and method for prevention, diagnosis, and treatment of health conditions
JP6886686B2 (ja) ストレス評価装置およびストレス状態の評価方法
EP4029440A1 (en) Mri wakefulness monitoring
TW202004773A (zh) 診斷認知功能以提供體適能矯正方案之系統及方法
EP3991646A1 (en) System and method for analyzing brain activity
EP4099338A1 (en) Autonomous image acquisition start-stop managing system
JPWO2021156142A5 (zh)
JP2023071506A (ja) 判定装置、判定システムおよび判定方法

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