CN115829901A - 医学成像扫描方法、装置、计算机设备和存储介质 - Google Patents
医学成像扫描方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN115829901A CN115829901A CN202111087169.1A CN202111087169A CN115829901A CN 115829901 A CN115829901 A CN 115829901A CN 202111087169 A CN202111087169 A CN 202111087169A CN 115829901 A CN115829901 A CN 115829901A
- Authority
- CN
- China
- Prior art keywords
- scanning
- sequences
- scan
- group
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 87
- 238000002059 diagnostic imaging Methods 0.000 title claims abstract description 33
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 230000003902 lesion Effects 0.000 claims description 45
- 238000004590 computer program Methods 0.000 claims description 32
- 238000001514 detection method Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 abstract description 33
- 238000003384 imaging method Methods 0.000 abstract description 13
- 239000010410 layer Substances 0.000 description 39
- 238000012549 training Methods 0.000 description 20
- 230000005291 magnetic effect Effects 0.000 description 15
- 238000009792 diffusion process Methods 0.000 description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- JXSJBGJIGXNWCI-UHFFFAOYSA-N diethyl 2-[(dimethoxyphosphorothioyl)thio]succinate Chemical compound CCOC(=O)CC(SP(=S)(OC)OC)C(=O)OCC JXSJBGJIGXNWCI-UHFFFAOYSA-N 0.000 description 8
- 238000003062 neural network model Methods 0.000 description 8
- 238000003745 diagnosis Methods 0.000 description 7
- 238000002075 inversion recovery Methods 0.000 description 7
- 210000001519 tissue Anatomy 0.000 description 7
- 239000006185 dispersion Substances 0.000 description 6
- 238000003066 decision tree Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 239000011229 interlayer Substances 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000012797 qualification Methods 0.000 description 4
- 210000004204 blood vessel Anatomy 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000005284 excitation Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 210000004872 soft tissue Anatomy 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 208000003174 Brain Neoplasms Diseases 0.000 description 1
- 206010006272 Breast mass Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000010009 beating Methods 0.000 description 1
- 230000000740 bleeding effect Effects 0.000 description 1
- 210000000170 cell membrane Anatomy 0.000 description 1
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000005292 diamagnetic effect Effects 0.000 description 1
- 238000002597 diffusion-weighted imaging Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 230000005389 magnetism Effects 0.000 description 1
- 230000005415 magnetization Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000496 pancreas Anatomy 0.000 description 1
- 230000005298 paramagnetic effect Effects 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000010349 pulsation Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 210000000323 shoulder joint Anatomy 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 210000002700 urine Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本申请涉及一种医学成像扫描方法、装置、计算机设备和存储介质。方法包括:将检测对象的第一图像集输入至第一预设模型,输出特征信息;将特征信息输入至第二预设模型,输出第二组扫描序列,第二组扫描序列相对于第一组扫描序列至少包括一个不同的扫描参数值;基于第二组扫描序列对检测对象进行扫描,获取第二图像集。由于可以根据第一组扫描序列扫描得到的第一图像集,确定用于补充扫描的第二组扫描序列,并基于第二组扫描序列进行补充扫描,从而在扫描过程层面可实现智能扫描。另外,由于可以通过第二组扫描序列一次性地完成补充扫描,从而可以减少第一组扫描完成并结束检查后,后续需要补充扫描的次数,并可以提高扫描成像的合格率及成功率。
Description
技术领域
本申请涉及医学成像技术领域,特别是涉及一种医学成像扫描方法、装置、计算机设备和存储介质。
背景技术
在磁共振临床扫描中,各个检查部位都有一组常用的扫描协议,而这组常用扫描协议是针对这个部位的常见病灶和病灶常见分布位置所制定的,检查时能覆盖大部分患者。而覆盖不了的这部分患者病灶分布和病灶类型具有独特性,需要针对性调整协议参数或增加其他对比度协议扫描。而这个过程目前都是通过技师边扫描边根据已扫的图像结果进行判断完成。引入智能扫描辅助工作流,能很好的解放技师的双手同时也能提供精准的诊断图像,降低诊断组或临床医生诊断完图之后发现需要补扫协议的次数,提高扫描的图像合格率和成功率。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高扫描图像合格率的医学成像扫描方法、装置、计算机设备和存储介质。
一种医学成像扫描方法,该方法包括:
将检测对象的第一图像集输入至第一预设模型,输出特征信息,第一图像集包括对检测对象执行第一组扫描序列所获取的图像,特征信息包括感兴趣区域的属性信息;
将特征信息输入至第二预设模型,输出第二组扫描序列,第二组扫描序列相对于第一组扫描序列至少包括一个不同的扫描参数值;
基于第二组扫描序列对检测对象进行扫描,获取第二图像集。
在其中一个实施例中,第二组扫描序列与第一组扫描序列包含相同种类的扫描参数。
在其中一个实施例中,扫描参数的种类包括以下种类中的至少一种,以下种类分别为:扫描对比度、扫描视野、扫描层数及扫描分辨率。
在其中一个实施例中,第二组扫描序列所包含的扫描序列种类与第一组扫描序列所包含的扫描序列种类不同。
在其中一个实施例中,每一扫描序列种类是基于以下协议中任意一项协议所确定的,以下协议分别为:T1、T2、PD、T2*及DWI。
在其中一个实施例中,属性信息包括以下信息中的至少一种,以下信息分别为:感兴趣区域位置、感兴趣区域类型、感兴趣区域覆盖面积及感兴趣区域形态。
在其中一个实施例中,第一预设模型的训练过程,包括:
将第一样本集中每一样本作为第一初始模型的输入,将每一样本对应的样本特征信息作为第一初始模型的输出,对第一初始模型进行训练,以得到第一预设模型;第一样本集中包括正样本及负样本,且存在样本对应的样本特征信息中所包括的属性信息种类与特征信息中所包括的属性信息种类相同。
在其中一个实施例中,第二预设模型的训练过程,包括:
将第二样本集中每一样本作为第二初始模型的输入,将每一样本对应的样本扫描序列作为第二初始模型的输出,对第二初始模型进行训练,以得到第二预设模型;第二样本集中包括正样本及负样本,且存在样本对应的样本扫描序列中所包含的扫描序列种类与第二组扫描序列中所包含的扫描序列种类相同。
在其中一个实施例中,第二预设模型为专家决策系统;专家决策系统是基于扫描决策及预设推理规则所构建得到的,扫描决策是基于至少一种扫描参数进行调整所确定的。
在其中一个实施例中,感兴趣区域位置包括病灶位置;相应地,将检测对象的第一图像集输入至第一预设模型,输出特征信息之后,还包括:
对于病灶位置所确定的病灶,确定图像集中包含病灶的图像;
根据病灶位置,在图像中按照预设方式显示病灶,预设方式用于将病灶与图像中除病灶的其它图像部分相互区分。
在其中一个实施例中,基于第二组扫描序列对检测对象进行扫描,获取第二图像集之后,还包括:
将第二图像集输入至第一预设模型,输出新的特征信息。
一种医学成像扫描装置,该装置包括:
第一输出模块,用于将检测对象的第一图像集输入至第一预设模型,输出特征信息,第一图像集包括对检测对象执行第一组扫描序列所获取的图像,特征信息包括感兴趣区域的属性信息;
第二输出模块,用于将特征信息输入至第二预设模型,输出第二组扫描序列,第二组扫描序列相对于第一组扫描序列至少包括一个不同的扫描参数值;
扫描模块,用于基于第二组扫描序列对检测对象进行扫描,获取第二图像集。
一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现以下步骤:
将检测对象的第一图像集输入至第一预设模型,输出特征信息,第一图像集包括对检测对象执行第一组扫描序列所获取的图像,特征信息包括感兴趣区域的属性信息;
将特征信息输入至第二预设模型,输出第二组扫描序列,第二组扫描序列相对于第一组扫描序列至少包括一个不同的扫描参数值;
基于第二组扫描序列对检测对象进行扫描,获取第二图像集。
一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
将检测对象的第一图像集输入至第一预设模型,输出特征信息,第一图像集包括对检测对象执行第一组扫描序列所获取的图像,特征信息包括感兴趣区域的属性信息;
将特征信息输入至第二预设模型,输出第二组扫描序列,第二组扫描序列相对于第一组扫描序列至少包括一个不同的扫描参数值;
基于第二组扫描序列对检测对象进行扫描,获取第二图像集。
上述医学成像扫描方法、装置、计算机设备和存储介质,通过将检测对象的第一图像集输入至第一预设模型,输出特征信息。将特征信息输入至第二预设模型,输出第二组扫描序列。基于第二组扫描序列对检测对象进行扫描,获取第二图像集。由于可以根据第一组扫描序列扫描得到的第一图像集,确定用于补充扫描的第二组扫描序列,并基于第二组扫描序列对检测对象进行补充扫描,从而在扫描过程层面可实现智能扫描。另外,由于可以通过第二组扫描序列一次性地完成补充扫描,从而可以减少第一组扫描完成后,后续需要补充扫描的次数,并可以提高扫描成像的合格率及成功率。
附图说明
图1为一个实施例中医学成像扫描方法的流程示意图;
图2为另一个实施例中医学成像扫描方法的流程示意图;
图3为又一个实施例中医学成像扫描方法的流程示意图;
图4为再一个实施例中医学成像扫描方法的流程示意图;
图5为还一个实施例中医学成像扫描方法的流程示意图;
图6为一个实施例中医学成像扫描装置的结构框图;
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
可以理解,本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种专业名词,但除非特别说明,这些专业名词不受这些术语限制。这些术语仅用于将一个专业名词与另一个专业名词区分。举例来说,在不脱离本申请的范围的情况下,第三预设阈值与第四预设阈值可以相同可以不同。
在磁共振临床扫描中,各个检查部位都有一组常用的扫描协议,而这组常用扫描协议是针对这个部位的常见病灶和病灶常见分布位置所制定的,检查时能覆盖大部分患者。而覆盖不了的这部分患者病灶分布和病灶类型具有独特性,需要针对性调整协议参数或增加其他对比度协议扫描。而这个过程目前都是通过技师边扫描边根据已扫的图像结果进行判断完成。这就要求技师需要实时查看已扫图像,实时决定是否需要调整协议或增加其他对比度序列协议,增加了技师的负担和对技师诊断能力的要求。
针对上述相关技术中存在的问题,本发明实施例提供了一种医学成像扫描方法,该方法可以应用于终端中,终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备等。需要说明的是,本申请各实施例中提及的“多个”等的数量均指代“至少两个”的数量,比如,“多个”指“至少两个”。
结合上述说明,在一个实施例中,参见图1,提供了一种医学成像扫描方法。以该方法应用于终端,且执行主体为终端为例进行说明,该方法包括如下步骤:
101、将检测对象的第一图像集输入至第一预设模型,输出特征信息,第一图像集包括对检测对象执行第一组扫描序列所获取的图像,特征信息包括感兴趣区域的属性信息;
102、将特征信息输入至第二预设模型,输出第二组扫描序列,第二组扫描序列相对于第一组扫描序列至少包括一个不同的扫描参数值;
103、基于第二组扫描序列对检测对象进行扫描,获取第二图像集。
在上述步骤101中,检测对象可以指的是病患对象或者存在健康风险的对象,还可指动物体、模体等,本发明实施例对此不作具体限定。第一图像集可以是对检测对象执行第一组扫描序列所获取的,第一组扫描序列(第一组脉冲序列)可以指的是一系列的扫描操作指令,具体为射频脉冲、梯度场和信号采集时刻等相关参数的设置及其在时序上的排列。基于每一扫描操作指令执行扫描操作,均可以得到一张医学成像,也即一张图像,从而可以得到一系列图像,作为第一图像集。其中,扫描操作指令可以由不同种类扫描参数的取值所确定。可选的,扫描参数可以包括重复时间(repetition time,TR)、回波时间(echo time,TE)、回波链长度(echo train length,ETL)、反转时间(inversion time,TI)、激励次数(number of excitation,NEX)、采集时间(acquisition time,TA)、层厚、层间距、矩阵(matrix)、视野(field of view,FOV)、偏转角度(flip angle)中的一种或多种的组合。在一个实施例中,扫描参数为扫描对比度、扫描视野、扫描层数及扫描分辨率中的一者或多者的组合。
第一预设模型的架构可以为机器学习模型,进一步地,第一预设模型可以为基于监督学习的机器学习模型,也可以基于非监督学习的机器学习模型。示例性的,第一预设模型可以是逻辑斯谛回归模型、决策树模型、朴素贝叶斯模型、K近邻(KNN)模型、最大熵模型、感知机、支持向量机(SVM)、神经网络模型、Adaboost模型、随机森林(Random Forest)模型等中的一种或多种的组合。同理,第二预设模型也可以为上述机器学习模型,本发明实施例对此不作具体限定。感兴趣区域可以是同一器官或组织的范围内,像素值区别于正常阈值的体素集合;感兴趣区域还可指的是身体异常病变区域或者身体上存在病变风险的区域,本发明实施例对此不作具体限定。
属性信息可以包括感兴趣区域位置、感兴趣区域类型、感兴趣区域覆盖面积及感兴趣区域形态等。示例性的,属性信息可以指的是感兴趣区域的形状、大小、所属器官或组织的类型,还可指感兴趣区域中存在的病灶相关信息,如病灶位置或病灶类型等,本发明实施例对此不作具体限定。而特征信息中除了包括感兴趣区域的属性信息之外,还可以包括检测对象的个人信息,本发明实施例对此也不作具体限定。
在上述步骤102中,与第一组扫描序列同理,第二组扫描序列也可以指的是一系列的扫描操作指令,“第一组”与“第二组”主要指的是扫描序列的组别区分。而第一组扫描序列与第二组扫描序列之间区别主要在于,第二组扫描序列相对于第一组扫描序列至少包括一个不同的扫描参数值。具体地,由上述实施例的内容可知,扫描序列可以由一系列扫描操作指令所构成,而扫描指令可以由不同种类扫描参数的取值所确定。
而第二组扫描序列与第一组扫描序列之所以有区别,是因为本发明实施例的核心,主要是根据第一组扫描序列完成扫描后得到的第一图像集,确定第一组扫描序列在不满足检测对象的医学成像扫描需求后,输出第二组扫描序列,通过第二组扫描序列对检测对象进行补充扫描。出于补充扫描的需求,从而第二组扫描序列相对于第一组扫描序列会至少包括一个不同的扫描参数值。
需要说明的是,实际实施过程中,“第二组扫描序列相对于第一组扫描序列会至少包括一个不同的扫描参数值”,第一组扫描序列与第二组扫描序列可以通过各自使用不同的扫描协议以体现这种区别。具体地,不同扫描协议可能使用的扫描参数种类都会不同,从而第二组扫描序列相对于第一组扫描序列自然会至少包括一个不同的扫描参数值。当然,实际执行过程中第一组扫描序列与第二组扫描序列可以各自使用相同的扫描协议,并可以通过某一种或者几种扫描参数的取值不同以体现这种区别。例如,第二组扫描序列可以在第一组扫描序列的基础上,更改分辨率、更改扫描视野的范围、增加扫描层数或者移动扫描视野的范围等。
通过上述步骤102输出第二组扫描序列后,在步骤103中,可以基于第二组扫描序列对检测对象进行扫描,也即进行补充扫描,从而获取第二图像集。
本发明实施例提供的方法,通过将检测对象的第一图像集输入至第一预设模型,输出特征信息。将特征信息输入至第二预设模型,输出第二组扫描序列。基于第二组扫描序列对检测对象进行扫描,获取第二图像集。由于可以根据第一组扫描序列扫描得到的第一图像集,确定用于补充扫描的第二组扫描序列,并基于第二组扫描序列对检测对象进行补充扫描,从而在扫描过程层面可实现智能扫描,提高磁共振系统扫描的自动化和智能化。另外,由于可以通过第二组扫描序列一次性地完成补充扫描,从而可以减少第一组扫描完成后,后续需要补充扫描的次数,并可以提高扫描成像的合格率及成功率。
结合上述实施例的内容,在一个实施例中,第二组扫描序列与第一组扫描序列包含相同种类的扫描参数。
在实际实施过程中,第二组扫描序列与第一组扫描序列可以使用相同的扫描协议或者其组合,如均使用A扫描协议或者均使用A扫描协议及B扫描协议,从而对外呈现包含相同种类的扫描参数,而却至少包括一个不同的扫描参数值。需要说明的是,这里第二组扫描序列与第一组扫描序列之所以会使用相同的扫描协议,如均使用A扫描协议,可以是因为实际实施过程中,使用A扫描协议的第一组扫描序列可能仅仅是因为没有设置好扫描参数值,从而导致扫描效果不佳,如分辨率不够清晰。而此时不需要更换扫描协议,可只需优化扫描参数值,也即改变至少一个扫描参数值,重新再扫描一次。
本发明实施例提供的方法,由于在使用某一扫描协议,通过第一组扫描序列进行扫描而扫描效果不佳的情形下,可以继续使用该扫描协议,只需通过第二组扫描序列自动调整扫描参数值,并进行重新扫描,而不用更改扫描参数的种类,从而可简化扫描过程并可自动实现智能扫描。
结合上述实施例的内容,在一个实施例中,扫描参数的种类包括以下种类中的至少一种,以下种类分别为:扫描对比度、扫描视野、扫描层数及扫描分辨率。
为了便于理解,现对上述各项扫描参数进行解释说明:扫描对比度主要是使扫描成像中的目标物体能够被明显分辨的亮度或色彩的差异变化。其中,差异范围越大代表对比越大,差异范围越小代表对比越小。
扫描视野可以指的是扫描时按观察部位大小选用的扫描实际范围,即图像区域在频率编码方向和相位编码方向的实际尺寸,两者大小通常相近。扫描层数与所选定的扫描层厚和层间距有关,其中,扫描层厚由层面选择梯度场强和射频脉冲的带宽决定;层间距为相邻两个层面之间的距离。扫描分辨率/空间分辨率则为图像像素所代表体素的实际大小,体素越小空间分辨率越高,体素越大空间分辨率越高。
本发明实施例提供的方法,由于扫描参数的种类可以包括上述四种种类中的至少一种,而扫描参数的种类越多,则第二组扫描序列中对应形成的扫描策略的种类也可能会越多,从而能够满足不同的扫描需求。
结合上述实施例的内容,在一个实施例中,第二组扫描序列所包含的扫描序列种类与第一组扫描序列所包含的扫描序列种类不同。
在实际实施过程中,第二组扫描序列与第一组扫描序列可以使用不同的扫描协议或者扫描协议的不同组合,如第一组扫描序列使用A扫描协议且第二组扫描序列使用B扫描协议,或者,第一组扫描序列使用A及B扫描协议且第二组扫描序列使用B及C扫描协议,从而对外呈现不同种类的扫描参数。
需要说明的是,这里第二组扫描序列与第一组扫描序列之所以会使用不同的扫描协议,可以是因为实际实施过程中,第一组扫描序列所使用的扫描协议不合适,从而导致扫描效果不佳。而此时需要更换扫描协议,更换扫描协议后会导致改变至少一个扫描参数值,并以此重新再扫描一次。
本发明实施例提供的方法,由于在使用某一扫描协议,通过第一组扫描序列进行扫描而扫描效果不佳的情形下,可更换扫描协议,从而可以满足不同的扫描需求,进而在扫描过程层面可实现智能扫描。
可选的,第一组扫描序列或第二组扫描序列可以是自旋回波(spin echo,SE)序列、快速自旋回波(fast spin echo,FSE)序列、反转恢复序列、梯度回波(gradient echopulse sequence,GRE)序列、平面回波(echo planar imaging,EPI)序列。结合上述实施例的内容,在一个实施例中,每一扫描序列种类是基于以下协议中任意一项协议所确定的,以下协议分别为:T1加权序列、T2加权序列、PD(质子密度)加权序列、T2*序列及DWI(扩散加权)序列。
为了便于理解,现对本发明实施例提及的各项协议进行解释说明:
基于核磁共振成像的基本原理,特定原子核的自旋(质子数或中子数至少有一个为奇数)会产生磁矩,自然状况下这些磁矩会随机排布,宏观上不表现出磁性。而在强磁场B0下,磁矩失去了取向自由,会被排列成顺磁方向(低能态)和逆磁方向(高能态)。场强越高,低能态数量就越多,比如1.5T场强下仅有9.6PPM,表现成宏观磁化矢量M0就大。省略梯度编码部分,在被检测物体外,施加目标原子核的拉莫频率B1场,部分低能态原子核被激发,使得在主磁场Z方向的分量Mz减小,在垂直于主磁场的XY平面分量Mxy增大。经过一定时间后撤销B1场,Mz及Mxy均要恢复以前没有B1场时的状态,称为弛豫,一般认为Mz恢复到原有M0的63%所耗费时间称为T1,Mxy衰减到原有M0的37%所耗费的时间称为T2。
由于医学成像系统不可能一直等待,这可能会导致等待时长过长。其中,垂直于主磁场的XY平面分量Mxy如果全部衰减需要1500ms,而到衰减至37%则可只需约25%的时间。此时由于宏观磁矩发生变化,接收线圈会产生感应电流。记录此时接收到的时域信号,通过傅立叶变换得到频域信号,在经过后处理产生对比度,即可形成不同的医学成像。上述回复过程即为对应T1协议的工作过程,上述衰减过程即为T2协议的工作过程。
而T1_FLAIR,就是在头颅扫描中,主要是3.0T中,为了提高颅脑灰白质对比度,采用反转恢复序列IR进行T1权重的扫描,这样能够提高组织的T1对比度。其中,FLAIR英文全称是Fliud Attenuated Inversion Recovery,中文翻译为液体衰减反转恢复序列。与FLAIR对应的序列是STIR,全称是Short Tau Inversion Recovery,中文翻译是短时反转恢复序列。而T2_FLAIR的目的是为了抑制长T1长T2的液体信号,从而采用比较长的TI反转恢复时间来达到目的。
磁共振弥散加权成像(Diffusion Weighted Imaging,DWI),是一个能够反映组织和病变内水分子弥散运动及受限程度的一个序列,是唯一可以在无创条件下检测活体内水分子弥散运动的方法。弥散也叫扩散,是分子一种没有规律的热运动,比如墨水滴在水里,不用动他一段时间后,墨水可以和水相互融合,弥散分为自由弥散和限制性弥散。自由扩散指水分子弥散运动不受任何约束,人体中脑脊液、尿液等水分子弥散运动视为自由扩散。限制性扩散指的是生物体中,水分子由于受周围介质的约束(例如细胞膜的屏障作用),其扩散运动将受一定程度的限制。
DWI的原理主要是人体一般组织中的水分子弥散属于限制性弥散,常规序列是检测不到这种状态的,需要在任一常规序列添加弥散梯度,这种方式就叫做弥散加权成像。通过检测人体组织中水分子弥散运动受限的方向及程度,来间接反映组织微观结构的变化,从而诊断是否有病变。
本发明实施例提供的方法,由于可以将多种扫描协议作为扫描基础,从而可以满足不同的扫描需求,进而在扫描过程层面可实现智能扫描。
结合上述实施例的内容,在一个实施例中,属性信息包括以下信息中的至少一种,以下信息分别为:病灶位置、病灶类型、病灶覆盖面积及病灶形态。其中,感兴趣区域可以指的是病灶,病灶指的是机体上发生病变的部分,病灶形态可以指的是病灶的形状。可选的,病灶例如可以是乳腺结节、出血灶、脑部肿瘤等。
本发明实施例提供的方法,由于属性信息可以作为第一组扫描序列是否全面覆盖扫描需求或者是否成功扫描的评判依据,也可以作为扫描得到的第一图像集是否合格成像的评判依据,而将上述多种信息作为属性信息,可以提升属性信息作为评判依据时的精准度,以使得根据属性信息输出的第二组扫描序列能够尽可能地全面覆盖扫描需求。
结合上述实施例的内容,在一个实施例中,参见图2,本发明实施例还提供了一种医学成像扫描方法,包括:
201、将第一样本集中每一样本作为第一初始模型的输入,将每一样本对应的样本特征信息作为第一初始模型的输出,对第一初始模型进行训练,以得到第一预设模型。第一样本集可对应先验扫描对象的多个不同或相同的扫描床位。对于第一样本集对应先验扫描对象的多个不同扫描床位的情况,每个扫描床位可对应不同的扫描部位,病床能够承载不同的扫描部位移动至成像视野范围内,以使得扫描部位的中心与成像视野中心对齐。对于第一样本集对应先验扫描对象的一个扫描床位的情况,第一样本集对应一个扫描部位的不同先验扫描协议,如先验扫描协议可设置不同的先验扫描视野、不同的先验射频脉冲参数或梯度脉冲参数、不同的采集层厚、不同的采样矩阵等。又或者,第一样本集包括同一个扫描部位的两次扫描图像,其中第一次扫描设定为使得扫描部位的中心与成像视野中心对齐,第二次扫描设定为使得扫描部位的中心与成像视野中心对齐偏移设定距离,即两次扫描的采集层厚偏移设定距离。可选的,第一样本集中包括正样本及负样本,且存在样本对应的样本特征信息中所包括的属性信息种类与特征信息中所包括的属性信息种类相同;
202、将检测对象的第一图像集输入至第一预设模型,输出特征信息,第一图像集是对检测对象执行第一组扫描序列所获取的,特征信息包括感兴趣区域的属性信息;
203、将特征信息输入至第二预设模型,输出第二组扫描序列,第二组扫描序列相对于第一组扫描序列至少包括一个不同的扫描参数值;
204、基于第二组扫描序列对检测对象进行扫描,获取第二图像集。
其中,第一初始模型可以为深度神经网络模型,也可以为卷积神经网络模型或循环神经网络模型,本发明实施例对此不作具体限定。另外,之所以需要存在样本对应的样本特征信息中所包括的属性信息种类与特征信息中所包括的属性信息种类相同,旨在使得第一初始模型能够尽可能学习实际实施过程中需要用到的特征,该过程主要是监督式的学习过程。
在训练过程中,可以采样大量正负样本进行学习,如可以增扫其他对比度的样本、移动FOV、增大FOV及层数或者可以获得更高分辨率的样本,通过上述方式可以得到大量正负样本。
本发明实施例提供的方法,通过将第一样本集中每一样本作为第一初始模型的输入,将每一样本对应的样本特征信息作为第一初始模型的输出,对第一初始模型进行训练,以得到第一预设模型。由于第一预设模型可以为神经网络模型,以及可采用监督式的方法训练得到,从而输出属性信息时准确度高,且有较强的并行分布处理能力、分布存储及学习能力。另外,对噪声神经有较强的鲁棒性和容错能力,能充分逼近复杂的非线性关系。与此同时,还具备联想记忆的功能。
应该理解的是,虽然图1及图2的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1及图2中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
结合上述实施例的内容,在一个实施例中,本发明实施例不对第二预设模型的训练过程的方式作具体限定,包括但不限于:将第二样本集中每一样本作为第二初始模型的输入,将每一样本对应的样本扫描序列作为第二初始模型的输出,对第二初始模型进行训练,以得到第二预设模型;第二样本集中包括正样本及负样本,且存在样本对应的样本扫描序列中所包含的扫描序列种类与第二组扫描序列中所包含的扫描序列种类相同。
其中,第二初始模型可以为深度神经网络模型,也可以为卷积神经网络模型或循环神经网络模型,本发明实施例对此不作具体限定。另外,之所以需要存在样本对应的样本扫描序列中所包含的扫描序列种类与第二组扫描序列中所包含的扫描序列种类相同,旨在使得第二初始模型能够尽可能学习实际实施过程中需要用到的特征。
在训练过程中,可以采样大量正负样本进行学习,如可以增扫其他对比度的样本、移动FOV、增大FOV及层数或者可以获得更高分辨率的样本,通过上述方式可以得到大量正负样本。第二预设模型主要是决策模型,其训练过程同样主要是监督式的学习过程。
本发明实施例提供的方法,通过将第二样本集中每一样本作为第二初始模型的输入,将每一样本对应的样本扫描序列作为第二初始模型的输出,对第二初始模型进行训练,以得到第二预设模型。由于第一预设模型可以为神经网络模型,以及可采用监督式的方法训练得到,从而输出属性信息时准确度高,且有较强的并行分布处理能力、分布存储及学习能力。另外,对噪声神经有较强的鲁棒性和容错能力,能充分逼近复杂的非线性关系。与此同时,还具备联想记忆的功能。
结合上述实施例的内容,在一个实施例中,第二预设模型为专家决策系统;专家决策系统是基于扫描决策及预设推理规则所构建得到的,扫描决策是基于对至少一种扫描参数进行调整所确定的,被调整的扫描参数能够影响扫描对比度、扫描视野、扫描层数或者扫描的分辨率等。
在上述实施例中,扫描决策可以指的是由不同扫描序列的组成扫描序列组。扫描序列指的是射频脉冲、梯度场和信号采集时刻等相关参数的设置及其在时序上的排列。预设推理规则可以指的是决策树,决策树可以是基于专家决策系统的知识库构建得到的,本发明实施例对此不作具体限定。通过将属性信息输入至决策树,可以经由不同的决策分支,最终落至的决策树叶子节点对应的扫描策略,即可作为第二组扫描策略。
本发明实施例提供的方法,由于可以使用专家决策系统,从而在输出第二组扫描序列时,计算量相对较小且容易转化成分类规则。其次,由于专家决策对应的分类规则准确性高、便于理解并适合属性信息这样的高纬度数据。
结合上述实施例的内容,在一个实施例中,属性信息包括病灶位置;相应地,本发明实施例不对将检测对象的第一图像集输入至第一预设模型,输出特征信息的方式作具体限定,包括但不限于:对于病灶位置所确定的病灶,确定图像集中包含病灶的图像;根据病灶位置,在图像中按照预设方式显示病灶,预设方式用于将病灶与图像中除病灶的其它图像部分相互区分。
由上述实施例的内容可知,病灶指的是机体上发生病变的部分。针对该病灶位置所确定的病变部分,在图像集中可能会存在多张图像拍摄到该病变部分。由此,可以确定这些图像。与此同时,对这些图像作预设处理,如预设的颜色处理或者增加图像内容的处理,以使得病灶与图像中除病灶的其它图像部分,以预设方式相互区分。具体地,对于某一包含病灶的图像,可在该图像中以第一颜色显示病灶,而以第二颜色显示除病灶的其它图像部分。其中,第一颜色与第二颜色为两种不同的颜色。或者,还可以在该图像中把病灶框选出来,从而与该图像中除病灶的其它图像部分进行相互区分。
本发明实施例提供的方法,通过对于病灶位置所确定的病灶,确定图像集中包含病灶的图像。根据病灶位置,在图像中按照预设方式显示病灶。由于可通过预设方式将病灶与图像中除病灶的其它图像部分相互区分,从而能够分割疑似病灶并且高亮显示以提醒医护人员注意。
结合上述实施例的内容,在一个实施例中,基于第二组扫描序列对检测对象进行扫描,获取第二图像集之后,还包括:将第二图像集输入至第一预设模型,输出新的特征信息。
上述过程主要是确定再次扫描时所需要用到的第二组扫描队列,通过第二组扫描队列,可以对检测对象进行重新扫描。在扫描完成后,可以将扫描得到的第二图像集重新再输入至第一预设模型,也即可再次输出包含感兴趣区域属性信息的新的特征信息。后续,可再将新的特征信息输入至第二预设模型,由第二预设模型判断是否需要继续扫描。
本发明实施例提供的方法,由于可将第二图像集输入至第一预设模型,输出新的特征信息,从而后续可基于新的特征信息,判断是否需要继续扫描,以满足不同的扫描需求,并实时更新与病灶相关的信息。
为了便于理解,现举不同示例对本发明实施例提供的方法流程进行解释说明。第一个示例,以医学成像场景为头部扫描,且第一组扫描序列包含T2、T2_FLAIR、T1_FLAIR及DWI这四个协议的扫描过程为例,若通过第一组扫描序列完成第一次扫描后,可得到第一图像集,并启动智能病灶诊断。
具体地,将第一图像集输入至第一预设模型,输出特征信息。其中,特征信息可以包括感兴趣区域的属性信息,如病灶位置、是否能完全确诊等信息。将特征信息在输入至第二预设模型,如再次输入至深度神经网络模型或专家决策系统,从而输出第二组扫描序列。其中,第二组扫描序列主要是决策出是否需要增扫其他对比度以完全确诊病灶信息,示例性的,其他对比度的协议可以是磁敏感加权成像(susceptibility weighted imaging,SWI)、T1Mapping、T2Mapping、动脉自旋标记(Arterial Spin Labeling,ASL)、波谱(magnetic resonance spectroscopy,MRS)协议、增强扫描协议(dynamic contrastenhancement,DCE)等。第二组扫描序列或者是否需要移动FOV,比如病灶/感兴趣区域部分在FOV内,再如2D扫描病灶大部分在层与层之间的间距内,就需要移动FOV;或者是否需要增大FOV或增加层数,比如病灶是多发性的,FOV内存在多个且不全,则需要增大FOV;或者当前分辨率太低,无法完全确诊病灶类型,就需要增加平面内分辨率或减小层厚,进行高分辨率的薄层扫描。
通过上述第二预设模型,决策出第二组扫描序列后,可以基于第二组扫描序列对检测对象进行重新扫描,从而得到第二图像集。后续可以继续将第二图像集输入至第一预设模型,从而输出新的特征信息,重复上述过程,直至得到可以提供精准诊断结果的图像集。其中,上述过程具体可参考图3。
磁共振常规2D扫描的时候,层选择脉冲不可能完美精准设定刚好是矩形,在层的两侧边缘可能会呈弧形。因此,如果相邻层面间没有间距,则两层边缘会被重复激励,产生交叉干扰伪影,信号丢失。为了避免这种情况,通常会设置层间距,这样相邻两层之间就有缝隙,两层交界部分不会有重叠激发的可能。通常情况下,用户或医师设置的层间距越大,在相同的层数下,覆盖的范围越多。然而,层间距越大,漏扫的区域也就越多,也就可能增加漏诊的风险。为解决该问题,在第二个示例中,检测对象的第一图像集包括第一组扫描序列采集得到的图像集和第一组扫描序列对应的移位扫描图像。
在此实施例中,仍然以头部扫描为例说明,第一组扫描序列包括T2、T2_Flair、T1_FLAIR、DWI四个协议,在前述四个协议采集图像的基础之上,增加对应的移位扫描图像。其中,“移位”指的是各新的扫描片层/激发片层以已有的扫描片层扫描间距为中心移位,八个协议扫描完之后,启动智能病灶诊断。基于深度学习网络,得到病灶的位置和是否能完全确诊等信息。根据病灶的这些信息再次输入到深度网络或专家决策系统里,决策出是否需要增扫其他对比度(比如SWI、T1Mapping、T2Mapping、ASL、波谱协议、增强扫描及DCE等)以完全确诊病灶信息;或者是否需要移动FOV,比如病灶部分在FOV内;或者是否需要增大FOV或增加层数,比如病灶是多发性的,FOV内存在多个且不全,就需要增大FOV了;或者当前分辨率太粗,无法完全确诊病灶类型,就需要增加平面内分辨率或减小层厚,进行高分辨率的薄层扫描。
识别病灶疑似类型、位置信息、能否确诊等信息,采用的监督学习,需要大量的正负样本进行学习,比如需要增扫其他对比度的样本、需要移动FOV、需要增大FOV和层数、以及需要更高分辨率的样本信息。深度网络决策系统采用的也是监督学习,根据病灶这些信息,决策采用哪种策略。或采用专家决策系统,将病灶的这些信息输入到专家决策系统的知识库,推理机查询知识库的信息,决策出采取哪种策略。其中,上述过程具体可参考图4。本申请实施例中,通过在第一组扫描序列采集图像的基础上增加第一组扫描序列对应的移位扫描图像,能够获取第一组扫描序列因设置层间距而遗漏的层间图像,减少漏扫的区域,提高感兴趣区域的属性信息获取的准确性、完整性,进而提高基于特征信息得到的第二组扫描序列的准确性,提高扫描成功率。
第三个示例:对于心脏、肩关节、胰腺等复杂部位的扫描,其扫描的方位会采用区别于传统标准方位(横、冠、矢)的特殊扫描层面方位,由用户或医师等人工判定比较困难,容易出现卷褶或搏动伪影污染成像区的问题,本申请实施例中能够设置智能工作流辅助技师扫描,自动选择相位编码方向和自动决定相位编码方向过采样的大小。具体的,以图中快速冠(COR)、矢(SAG)、横(TRA)等三个正交切面的定位像作为第一图像集,并将第一图像集输入深度网络形成的第一预设模型;经过深度网络得到感兴趣区域的属性信息,在此实施例中,感兴趣区域的属性信息包括软组织分布情况和/或血管分布情况;接着,将特征信息输入至第二预设模型,输出第二组扫描序列。
示例性的,第二预设模型设置为深度网络决策系统或专家决策系统,当感兴趣区域的属性信息为不存在血管搏动,只是为了防止卷褶,则重新确定相位编码方向,使自动两倍过采的读出方向沿软组织更多的方向,进而确定第二组扫描序列。
又或者,第二预设模型设置为深度网络决策系统或专家决策系统,当感兴趣区域的属性信息为存在血管区域,即存在波动伪影污染区,则根据波动伪影污染区重新确定读出编码方向,而且也需要修改相位过采的大小,防止相位方向卷褶。本申请实施例中的过采样为高于奈奎斯特速率进行采样。
需要说明的是,上述阐述的技术方案在实际实施过程中可以作为独立实施例来实施,也可以彼此之间进行组合并作为组合实施例实施。另外,在对上述本发明实施例内容进行阐述时,仅基于方便阐述的思路,按照相应顺序对不同实施例进行阐述,如按照数据流流向的顺序,而并非是对不同实施例之间的执行顺序进行限定。相应地,在实际实施过程中,若需要实施本发明提供的多个实施例,则不一定需要按照本发明阐述实施例时所提供的执行顺序,而是可以根据需求安排不同实施例之间的执行顺序。
结合上述实施例的内容,在一个实施例中,如图6所示,提供了一种医学成像扫描装置,包括:第一输出模块601、第二输出模块602及扫描模块603,其中:
第一输出模块601,用于将检测对象的第一图像集输入至第一预设模型,输出特征信息,第一图像集是对检测对象执行第一组扫描序列所获取的,特征信息包括感兴趣区域的属性信息;
第二输出模块602,用于将特征信息输入至第二预设模型,输出第二组扫描序列,第二组扫描序列相对于第一组扫描序列至少包括一个不同的扫描参数值;
扫描模块603,用于基于第二组扫描序列对检测对象进行扫描,获取第二图像集。
在一个实施例中,第二组扫描序列与第一组扫描序列包含相同种类的扫描参数。
在一个实施例中,扫描参数的种类包括以下种类中的至少一种,以下种类分别为:扫描对比度、扫描视野、扫描层数及扫描分辨率。
在一个实施例中,第二组扫描序列所包含的扫描序列种类与第一组扫描序列所包含的扫描序列种类不同。
在一个实施例中,每一扫描序列种类是基于以下协议中任意一项协议所确定的,以下协议分别为:T1、T2、PD、T2*及DWI。
在一个实施例中,属性信息包括以下信息中的至少一种,以下信息分别为:病灶位置、病灶类型、病灶覆盖面积及病灶形态。
在一个实施例中,该装置还包括:
第一训练模块,用于将第一样本集中每一样本作为第一初始模型的输入,将每一样本对应的样本特征信息作为第一初始模型的输出,对第一初始模型进行训练,以得到第一预设模型;第一样本集中包括正样本及负样本,且存在样本对应的样本特征信息中所包括的属性信息种类与特征信息中所包括的属性信息种类相同。
在一个实施例中,该装置还包括:
第二训练模块,用于将第二样本集中每一样本作为第二初始模型的输入,将每一样本对应的样本扫描序列作为第二初始模型的输出,对第二初始模型进行训练,以得到第二预设模型;第二样本集中包括正样本及负样本,且存在样本对应的样本扫描序列中所包含的扫描序列种类与第二组扫描序列中所包含的扫描序列种类相同。
在一个实施例中,第二预设模型为专家决策系统;专家决策系统是基于扫描决策及预设推理规则所构建得到的,扫描决策是基于对以下种类中的至少一种扫描参数进行调整所确定的。
在一个实施例中,属性信息包括病灶位置;相应地,该装置还包括:
确定模块,用于对于病灶位置所确定的病灶,确定图像集中包含病灶的图像;
显示模块,用于根据病灶位置,在图像中按照预设方式显示病灶,预设方式用于将病灶与图像中除病灶的其它图像部分相互区分。
在一个实施例中,该装置还包括:
第三输出模块,用于将第二图像集输入至第一预设模型,输出新的特征信息。
本发明实施例提供的装置,通过将检测对象的第一图像集输入至第一预设模型,输出特征信息。将特征信息输入至第二预设模型,输出第二组扫描序列。基于第二组扫描序列对检测对象进行扫描,获取第二图像集。由于可以根据第一组扫描序列扫描得到的第一图像集,确定用于补充扫描的第二组扫描序列,并基于第二组扫描序列对检测对象进行补充扫描,从而在扫描过程层面可实现智能扫描。另外,由于可以通过第二组扫描序列一次性地完成补充扫描,从而可以减少第一组扫描完成后,后续需要补充扫描的次数,并可以提高扫描成像的合格率及成功率。
关于医学成像扫描装置的具体限定可以参见上文中对于医学成像扫描方法的限定,在此不再赘述。上述医学成像扫描装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储预设阈值。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种医学成像扫描方法。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
将检测对象的第一图像集输入至第一预设模型,输出特征信息,第一图像集是对检测对象执行第一组扫描序列所获取的,特征信息包括感兴趣区域的属性信息;
将特征信息输入至第二预设模型,输出第二组扫描序列,第二组扫描序列相对于第一组扫描序列至少包括一个不同的扫描参数值;
基于第二组扫描序列对检测对象进行扫描,获取第二图像集。
在一个实施例中,处理器在执行计算机程序时,第二组扫描序列与第一组扫描序列包含相同种类的扫描参数。
在一个实施例中,处理器在执行计算机程序时,扫描参数的种类包括以下种类中的至少一种,以下种类分别为:扫描对比度、扫描视野、扫描层数及扫描分辨率。
在一个实施例中,处理器在执行计算机程序时,第二组扫描序列所包含的扫描序列种类与第一组扫描序列所包含的扫描序列种类不同。
在一个实施例中,处理器在执行计算机程序时,每一扫描序列种类是基于以下协议中任意一项协议所确定的,以下协议分别为:T1、T2、PD、T2*及DWI。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将第一样本集中每一样本作为第一初始模型的输入,将每一样本对应的样本特征信息作为第一初始模型的输出,对第一初始模型进行训练,以得到第一预设模型;第一样本集中包括正样本及负样本,且存在样本对应的样本特征信息中所包括的属性信息种类与特征信息中所包括的属性信息种类相同。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将第二样本集中每一样本作为第二初始模型的输入,将每一样本对应的样本扫描序列作为第二初始模型的输出,对第二初始模型进行训练,以得到第二预设模型;第二样本集中包括正样本及负样本,且存在样本对应的样本扫描序列中所包含的扫描序列种类与第二组扫描序列中所包含的扫描序列种类相同。
在一个实施例中,处理器在执行计算机程序时,第二预设模型为专家决策系统;专家决策系统是基于扫描决策及预设推理规则所构建得到的,扫描决策是基于对以下种类中的至少一种扫描参数进行调整所确定的。
在一个实施例中,属性信息包括病灶位置;相应地,处理器执行计算机程序时还实现以下步骤:对于病灶位置所确定的病灶,确定图像集中包含病灶的图像;根据病灶位置,在图像中按照预设方式显示病灶,预设方式用于将病灶与图像中除病灶的其它图像部分相互区分。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将第二图像集输入至第一预设模型,输出新的特征信息。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
将检测对象的第一图像集输入至第一预设模型,输出特征信息,第一图像集是对检测对象执行第一组扫描序列所获取的,特征信息包括感兴趣区域的属性信息;
将特征信息输入至第二预设模型,输出第二组扫描序列,第二组扫描序列相对于第一组扫描序列至少包括一个不同的扫描参数值;
基于第二组扫描序列对检测对象进行扫描,获取第二图像集。
在一个实施例中,计算机程序被处理器执行时,第二组扫描序列与第一组扫描序列包含相同种类的扫描参数。
在一个实施例中,计算机程序被处理器执行时,扫描参数的种类包括以下种类中的至少一种,以下种类分别为:扫描对比度、扫描视野、扫描层数及扫描分辨率。
在一个实施例中,计算机程序被处理器执行时,第二组扫描序列所包含的扫描序列种类与第一组扫描序列所包含的扫描序列种类不同。
在一个实施例中,计算机程序被处理器执行时,每一扫描序列种类是基于以下协议中任意一项协议所确定的,以下协议分别为:T1、T2、PD、T2*及DWI。
在一个实施例中,计算机程序被处理器执行时,属性信息包括以下信息中的至少一种,以下信息分别为:病灶位置、病灶类型、病灶覆盖面积及病灶形态。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将第一样本集中每一样本作为第一初始模型的输入,将每一样本对应的样本特征信息作为第一初始模型的输出,对第一初始模型进行训练,以得到第一预设模型;第一样本集中包括正样本及负样本,且存在样本对应的样本特征信息中所包括的属性信息种类与特征信息中所包括的属性信息种类相同。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将第二样本集中每一样本作为第二初始模型的输入,将每一样本对应的样本扫描序列作为第二初始模型的输出,对第二初始模型进行训练,以得到第二预设模型;第二样本集中包括正样本及负样本,且存在样本对应的样本扫描序列中所包含的扫描序列种类与第二组扫描序列中所包含的扫描序列种类相同。
在一个实施例中,计算机程序被处理器执行时,第二预设模型为专家决策系统;专家决策系统是基于扫描决策及预设推理规则所构建得到的,扫描决策是基于对以下种类中的至少一种扫描参数进行调整所确定的。
在一个实施例中,属性信息包括病灶位置;相应地,计算机程序被处理器执行时还实现以下步骤:对于病灶位置所确定的病灶,确定图像集中包含病灶的图像;根据病灶位置,在图像中按照预设方式显示病灶,预设方式用于将病灶与图像中除病灶的其它图像部分相互区分。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:将第二图像集输入至第一预设模型,输出新的特征信息。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种医学成像扫描方法,其特征在于,所述方法包括:
将检测对象的第一图像集输入至第一预设模型,输出特征信息,所述第一图像集包括对检测对象执行第一组扫描序列所获取的图像,所述特征信息包括感兴趣区域的属性信息;
将所述特征信息输入至第二预设模型,输出第二组扫描序列,所述第二组扫描序列相对于所述第一组扫描序列至少包括一个不同的扫描参数值;
基于所述第二组扫描序列对所述检测对象进行扫描,获取第二图像集。
2.根据权利要求1所述的方法,其特征在于,所述第二组扫描序列与所述第一组扫描序列包含相同种类的扫描参数;或者,
所述第二组扫描序列所包含的扫描序列种类与所述第一组扫描序列所包含的扫描序列种类不同。
3.根据权利要求2所述的方法,其特征在于,所述第一组扫描序列或所述第二组扫描序列种类是基于以下协议中任意一项协议所确定的,所述以下协议分别为:T1、T2、PD、T2*及DWI。
4.根据权利要求1所述的方法,其特征在于,所述属性信息包括以下信息中的至少一种,所述以下信息分别为:感兴趣区域位置、感兴趣区域类型、感兴趣区域覆盖面积及感兴趣区域形态。
5.根据权利要求1所述的方法,其特征在于,所述第二预设模型为专家决策系统;所述专家决策系统是基于扫描决策及预设推理规则所构建得到的,所述扫描决策是基于至少一种扫描参数进行调整所确定的。
6.根据权利要求4所述的方法,其特征在于,所述感兴趣区域位置包括病灶位置;相应地,所述将检测对象的第一图像集输入至第一预设模型,输出特征信息之后,还包括:
对于所述病灶位置所确定的病灶,确定所述图像集中包含所述病灶的图像;
根据所述病灶位置,在所述图像中按照预设方式显示所述病灶,所述预设方式用于将所述病灶与所述图像中除所述病灶的其它图像部分相互区分。
7.根据权利要求1所述的方法,其特征在于,所述基于所述第二组扫描序列对所述检测对象进行扫描,获取第二图像集之后,还包括:
将所述第二图像集输入至所述第一预设模型,输出新的特征信息。
8.一种医学成像扫描装置,其特征在于,所述装置包括:
第一输出模块,用于将检测对象的第一图像集输入至第一预设模型,输出特征信息,所述第一图像集包括对检测对象执行第一组扫描序列所获取的图像,所述特征信息包括感兴趣区域的属性信息;
第二输出模块,用于将所述特征信息输入至第二预设模型,输出第二组扫描序列,所述第二组扫描序列相对于所述第一组扫描序列至少包括一个不同的扫描参数值;
扫描模块,用于基于所述第二组扫描序列对所述检测对象进行扫描,获取第二图像集。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111087169.1A CN115829901A (zh) | 2021-09-16 | 2021-09-16 | 医学成像扫描方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111087169.1A CN115829901A (zh) | 2021-09-16 | 2021-09-16 | 医学成像扫描方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115829901A true CN115829901A (zh) | 2023-03-21 |
Family
ID=85515024
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111087169.1A Pending CN115829901A (zh) | 2021-09-16 | 2021-09-16 | 医学成像扫描方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115829901A (zh) |
-
2021
- 2021-09-16 CN CN202111087169.1A patent/CN115829901A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10489908B2 (en) | Deep convolutional encoder-decoder for prostate cancer detection and classification | |
US20220343475A1 (en) | Enhancement of medical images | |
Lavdas et al. | Fully automatic, multiorgan segmentation in normal whole body magnetic resonance imaging (MRI), using classification forests (CF s), convolutional neural networks (CNN s), and a multi‐atlas (MA) approach | |
CN111656392A (zh) | 用于合成磁共振图像的系统和方法 | |
US20110210734A1 (en) | System and method for mr image scan and analysis | |
JPH0871058A (ja) | 磁気共鳴映像装置 | |
JP5591687B2 (ja) | 画像処理方法 | |
CN108333543B (zh) | 磁共振成像方法和装置 | |
CN110148195A (zh) | 一种磁共振图像生成方法、系统、终端及存储介质 | |
US7190163B2 (en) | Method for producing multiple MR images with different contrast from a single image acquisition | |
Pezzotti et al. | An adaptive intelligence algorithm for undersampled knee mri reconstruction: Application to the 2019 fastmri challenge | |
Zhang et al. | Learning-based structurally-guided construction of resting-state functional correlation tensors | |
Zeng et al. | FOD-Net: A deep learning method for fiber orientation distribution angular super resolution | |
CN111012349B (zh) | 磁共振成像中信号表征确定的系统与方法 | |
CN112700493B (zh) | 一种磁共振智能成像、装置、设备及存储介质 | |
CN103871025A (zh) | 医学影像增强方法及其系统 | |
Jha et al. | Single-shell to multi-shell dMRI transformation using spatial and volumetric multilevel hierarchical reconstruction framework | |
Zuo et al. | Synthesizing realistic brain MR images with noise control | |
Cabini et al. | Fast deep learning reconstruction techniques for preclinical magnetic resonance fingerprinting | |
CN115829901A (zh) | 医学成像扫描方法、装置、计算机设备和存储介质 | |
CN111990997B (zh) | 一种基于反转恢复实图重建的水脂分离方法及系统 | |
Yang et al. | Functional informed fiber tracking using combination of diffusion and functional MRI | |
Netreba et al. | Correlation reconstructed spine and time relaxation spatial distribution of atomic systems in MRI | |
CN113050010B (zh) | 噪音分析的系统、方法 | |
Peña Fernández | Application of Super Resolution Convolutional Neural Networks for correcting Magnetic Resonance Imaging (MRI) artifacts |
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 |