CN117063199A - 对比度增强放射学领域中的机器学习 - Google Patents
对比度增强放射学领域中的机器学习 Download PDFInfo
- Publication number
- CN117063199A CN117063199A CN202180096432.5A CN202180096432A CN117063199A CN 117063199 A CN117063199 A CN 117063199A CN 202180096432 A CN202180096432 A CN 202180096432A CN 117063199 A CN117063199 A CN 117063199A
- Authority
- CN
- China
- Prior art keywords
- representation
- characterization
- examination region
- examination
- contrast agent
- 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
- 238000010801 machine learning Methods 0.000 title claims abstract description 94
- 238000012512 characterization method Methods 0.000 claims description 364
- 239000002872 contrast media Substances 0.000 claims description 258
- 238000000034 method Methods 0.000 claims description 74
- 238000012549 training Methods 0.000 claims description 73
- 238000004364 calculation method Methods 0.000 claims description 41
- 230000003190 augmentative effect Effects 0.000 claims description 24
- 230000009466 transformation Effects 0.000 claims description 23
- 238000002595 magnetic resonance imaging Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 14
- 238000002591 computed tomography Methods 0.000 claims description 10
- 238000002604 ultrasonography Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 description 18
- 238000013528 artificial neural network Methods 0.000 description 10
- 238000007689 inspection Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 239000000126 substance Substances 0.000 description 8
- 210000004072 lung Anatomy 0.000 description 7
- 230000001131 transforming effect Effects 0.000 description 7
- 238000010200 validation analysis Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000013500 data storage Methods 0.000 description 6
- 230000005291 magnetic effect Effects 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 5
- 230000005415 magnetization Effects 0.000 description 5
- 210000000056 organ Anatomy 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 230000005298 paramagnetic effect Effects 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 4
- 239000013589 supplement Substances 0.000 description 4
- 230000001502 supplementing effect Effects 0.000 description 4
- 238000012285 ultrasound imaging Methods 0.000 description 4
- 229910052688 Gadolinium Inorganic materials 0.000 description 3
- UIWYJDYFSGRHKR-UHFFFAOYSA-N gadolinium atom Chemical compound [Gd] UIWYJDYFSGRHKR-UHFFFAOYSA-N 0.000 description 3
- 210000002364 input neuron Anatomy 0.000 description 3
- 210000004205 output neuron Anatomy 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 229940039231 contrast media Drugs 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 230000005865 ionizing radiation Effects 0.000 description 2
- 229910052742 iron Inorganic materials 0.000 description 2
- 210000004185 liver Anatomy 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 229940031182 nanoparticles iron oxide Drugs 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 238000004904 shortening Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- ZCYVEMRRCGMTRW-UHFFFAOYSA-N 7553-56-2 Chemical compound [I] ZCYVEMRRCGMTRW-UHFFFAOYSA-N 0.000 description 1
- 206010067484 Adverse reaction Diseases 0.000 description 1
- 208000004930 Fatty Liver Diseases 0.000 description 1
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 206010019708 Hepatic steatosis Diseases 0.000 description 1
- 241000124008 Mammalia Species 0.000 description 1
- PWHULOQIROXLJO-UHFFFAOYSA-N Manganese Chemical compound [Mn] PWHULOQIROXLJO-UHFFFAOYSA-N 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 241000699666 Mus <mouse, genus> Species 0.000 description 1
- 241000699670 Mus sp. Species 0.000 description 1
- 102000007562 Serum Albumin Human genes 0.000 description 1
- 108010071390 Serum Albumin Proteins 0.000 description 1
- 241000399119 Spio Species 0.000 description 1
- 238000008050 Total Bilirubin Reagent Methods 0.000 description 1
- 230000006838 adverse reaction Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- WQZGKKKJIJFFOK-VFUOTHLCSA-N beta-D-glucose Chemical compound OC[C@H]1O[C@@H](O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-VFUOTHLCSA-N 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000013522 chelant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000002961 echo contrast media Substances 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 230000005281 excited state Effects 0.000 description 1
- 208000010706 fatty liver disease Diseases 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 239000011630 iodine Substances 0.000 description 1
- 229910052740 iodine Inorganic materials 0.000 description 1
- OBACEDMBGYVZMP-UHFFFAOYSA-N iron platinum Chemical compound [Fe].[Fe].[Pt] OBACEDMBGYVZMP-UHFFFAOYSA-N 0.000 description 1
- WTFXARWRTYJXII-UHFFFAOYSA-N iron(2+);iron(3+);oxygen(2-) Chemical compound [O-2].[O-2].[O-2].[O-2].[Fe+2].[Fe+3].[Fe+3] WTFXARWRTYJXII-UHFFFAOYSA-N 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 229910052748 manganese Inorganic materials 0.000 description 1
- 239000011572 manganese Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000013421 nuclear magnetic resonance imaging Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 230000036387 respiratory rate Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 231100000240 steatosis hepatitis Toxicity 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 238000002054 transplantation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/60—Image enhancement or restoration using machine learning, e.g. neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明涉及通过机器学习方法来生成人工对比度增强的放射图像的技术领域。
Description
本发明涉及借助于机器学习方法来生成人工对比度增强的放射图像的技术领域。
WO2019/074938A1公开了一种借助于人工神经网络减少在生成放射图像时的造影剂的量的方法。
在第一步中，生成训练数据集。对于多个人而言，训练数据集包括每个人的i)原始放射图像(零对比度图像(zero-contrast image))，ii)在施用低量的造影剂之后的放射图像(低对比度图像(low-contrast image))和iii)在施用标准量的造影剂之后的放射图像(全对比度图像(full-contrast image))。术语“多个”优选地是10个以上，更优选地是100个以上。
在第二步中，人工神经网络基于原始图像以及在施用低量的造影剂之后的图像而被训练，从而针对训练数据集中的每个人来预测人工放射图像，所述人工放射图像示出在施用标准量的造影剂之后的采集区域。在每种情况下，在施用标准量的造影剂之后所测量的放射图像都被用作训练中的参照(真值(ground truth))。
在第三步中，经训练的人工神经网络可被用于基于原始图像以及在施用低量的造影剂之后的放射图像，来为新的人预测人工放射图像，所述人工放射图像示出如同在施用标准量的造影剂之后的采集区域。
WO2019/074938A1中所公开的方法具有缺点。
例如，放射图像需要配准以匹配个体放射图像，使得像素/体素彼此对应，即，来自一个人的放射图像的一个像素/体素与来自该人的不同的放射图像的像素/体素示出相同的检查区域。如果放射图像不对应，则在人工生成的放射图像中会出现伪影，所述伪影会覆盖该采集区域中的小解剖结构和/或使该小解剖结构失真和/或对该小解剖结构进行仿真。
此外，WO2019/074938A1中所公开的方法始终使用完整的放射图像进行预测。特别是当对人工神经网络的训练以及对人工放射图像的预测不仅涉及使用上文数字i)和ii)所提及的放射图像，而且涉及使用另外的放射图像(例如，在施用不同量的造影剂之后的放射图像)时，生成人工放射图像的计算复杂度会迅速变得非常大。可设想，花费大量时间来计算人工放射图像和/或需要特殊和/或昂贵的硬件才能(在适当的时间跨度内)进行计算。可设想，放射图像被缩减(必须被缩减)至局部区域(块(patches))，且所述局部区域彼此分立地被处理(必须被彼此分立地处理)，从而避免过大的放射图像使计算机的内存过载。然而，这种方法会在彼此分立地处理的局部区域被重新接合以形成完整的放射图像时，在接合处出现伪影(拼接伪影)。后续移除这种拼接伪影意味着附加的复杂性，且所合成生成的放射图像中的错误风险，而这种错误可能被放射科医生误读(误诊风险)。
因此，从所描述的现有技术出发，本发明的目的是提出一种用于生成人工放射图像的解决方案，该解决方案能容许配准误差，和/或预测事需要较低的计算能力，和/或计算的复杂性可与给定的硬件和/或可用的时间匹配，和/或伪影(特别是拼接伪影)的风险降低。
此目的通过独立权利要求的主题来实现。本发明的优选实施方案在从属权利要求、本说明书和附图中找到。
在第一方面，本发明提供了一种计算机实施的方法，包括以下步骤：
-接收检查对象的检查区域在频率空间中的第一表征，其中所述第一表征表示未施用造影剂的检查区域或者在施用第一量的造影剂之后的检查区域，
-接收检查对象的检查区域在频率空间中的第二表征，其中所述第二表征表示在施用第二量的造影剂之后的检查区域，
-将所述第一表征的至少一部分以及所述第二表征的至少一部分馈送至机器学习模型，
-从所述机器学习模型接收检查区域在频率空间中的第三表征，其中所述第三表征表示在施用第三量的造影剂之后的检查区域，
-基于所述第三表征，生成检查区域在真实空间描绘中的表征，
-输出和/或存储检查区域在所述真实空间描述中的表征。
本发明还提供了一种计算机系统，包括：
·接收单元，
·控制和计算单元，以及
·输出单元，
-其中所述控制和计算单元被配置为促使所述接收单元接收检查对象的检查区域的至少两个表征，所述至少两个表征为第一表征和第二表征，其中所述第一表征表示未施用造影剂的检查区域或者在施用第一量的造影剂之后的检查区域，其中所述第二表征表示在施用第二量的造影剂之后的检查区域，
-其中所述控制和计算单元被配置为将所述第一表征的至少一部分以及所述第二表征的至少一部分馈送至机器学习模型，
-其中所述控制和计算单元被配置为从所述机器学习模型接收检查区域的第三表征，其中所述第三表征表示在施用第三量的造影剂之后频率空间中的检查区域，
-其中所述控制和计算单元被配置为基于所述第三表征来生成检查区域在真实空间中的表征，
-其中所述控制和计算单元被配置为促使所述输出单元输出和/或存储检查区域在所述真实空间中的表征。
本发明还提供了一种计算机程序，所述计算机程序能被加载到计算机系统的内存中，其中所述计算机程序促使所述计算机系统执行以下步骤：
-接收检查对象的检查区域在频率空间中的第一表征，其中所述第一表征表示未施用造影剂的检查区域或者在施用第一量的造影剂之后的检查区域，
-接收检查对象的检查区域在频率空间中的第二表征，其中所述第二表征表示在施用第二量的造影剂之后的检查区域，
-将所述第一表征的至少一部分以及所述第二表征的至少一部分馈送至机器学习模型，
-从所述机器学习模型接收检查区域在频率空间中的第三表征，其中所述第三表征表示在施用第三量的造影剂之后的检查区域，
-基于所述第三表征，生成检查区域在真实空间描绘中的表征，
-输出和/或存储检查区域在所述真实空间描绘中的表征。
本发明还提供了造影剂在放射学方法中的用途，所述放射学方法包括以下步骤：
-生成检查对象的检查区域在频率空间中的第一表征，其中所述第一表征表示未施用造影剂的检查区域或者在施用第一量的造影剂之后的检查区域，
-生成检查对象的检查区域在频率空间中的第二表征，其中所述第二表征表示在施用第二量的造影剂之后的检查区域，其中所述第二量不同于所述第一量，
-将所述第一表征的至少一部分以及所述第二表征的至少一部分馈送至机器学习模型，
-从所述机器学习模型接收检查区域在频率空间中的第三表征，其中所述第三表征表示在施用第三量的造影剂之后的检查区域，其中所述第三量不同于所述第一量以及所述第二量，
-基于所述第三表征，生成检查区域在真实空间描绘中的表征，
-输出和/或存储检查区域在所述真实空间描绘中的表征。
还提供了一种在放射学方法所使用的造影剂，所述方法包括以下步骤：
-生成检查对象的检查区域在频率空间中的第一表征，其中所述第一表征表示未施用造影剂的检查区域或者在施用第一量的造影剂之后的检查区域，
-生成检查对象的检查区域在频率空间中的第二表征，其中所述第二表征表示在施用第二量的造影剂之后的检查区域，
-将所述第一表征的至少一部分以及所述第二表征的至少一部分馈送至机器学习模型，
-从所述机器学习模型接收检查区域在频率空间中的第三表征，其中所述第三表征表示在施用第三量的造影剂之后的检查区域，其中所述造影剂的第三量不同于所述第一量或第二量，
-基于所述第三表征，生成检查区域在真实空间描绘中的表征，
-输出和/或存储检查区域在所述真实空间描绘中的表征。
还提供了一种成套组件，所述成套组件包括根据本发明的造影剂以及计算机程序。
以下在不对本发明的主题(方法、计算机系统、计算机程序、用途、所使用的造影剂、成套组件)进行区分的情况下，对本发明作更具体地阐释。相反，以下阐释旨在类似地应用于本发明的所有主题，而与它们出现的上下文(方法、计算机系统、计算机程序、用途、所使用的造影剂、成套组件)无关。
如果在本说明书或权利要求中以一种顺序陈述步骤，则这未必意味着本发明限于所陈述的顺序。相反，可设想，还以不同的顺序或者彼此并行地执行所述步骤，除非一个步骤建立在另一步骤上，这就绝对需要所建立的步骤随后执行(然而，这将在个体情况下是清晰的)。因此，所陈述的顺序可以是优选的实施方案。
在本发明的帮助下，可以生成检查对象的检查区域的人工放射图像。
“检查对象”通常是活体，优选地是哺乳动物，特别优选地是人类。
“检查区域”是检查对象的一部分，例如是器官或器官的一部分。
“检查区域”还被称为图像体积(英语为：field of view(视场)，FOV)，特别地是放射图像中所成像的体积。检查区域通常由放射科医生确定，例如在概览图像(英语为：localizer(定位器))上。当然，检查区域还可以替代地或附加地例如基于选定的协议而被自动地限定。
检查区域经受放射学检查。
“放射学”是医学的一个分支，涉及电磁射线和机械波在诊断、治疗和/或科学方面的应用(包括例如超声波诊断)。除X射线之外，还可使用诸如伽马射线或电子等其他电离辐射。由于放射学的基本目的是成像，因此它还包括其他成像方法，诸如超声波成像和磁共振成像(核磁共振成像)，即使这些方法不使用电离辐射。因此，在本发明的背景下，术语“放射学”尤其包括以下检查方法：计算机断层扫描、磁共振成像、超声波成像。
在本发明的一个优选实施方案中，所述放射检查是磁共振成像检查。
磁共振成像简称MRT或MR(英文为MRI，Magnetic Resonance Imaging)，是一种成像方法，该成像方法尤其用于医学诊断中，用于描绘人体或动物体中的组织和器官的结构和功能。
在MR中，检查对象中的质子的磁矩在基本磁场中被对准，从而沿着纵向方向存在宏观磁化。此随后通过高频(HF)脉冲(激励)的照射而从静止位置偏转。从激励状态到静止位置的恢复(弛豫)或磁化动态随后被一个或更多HF接收器线圈检测为弛豫信号。
为了空间编码，快速切换的磁梯度场被叠加在基本磁场上。所捕获的弛豫信号或者所检测到的MR数据初始地被呈现为频率空间中的原始数据，且可以通过随后的逆傅里叶变换被变换到真实空间(图像空间)中。
对于原始MRT，组织对比由不同的弛豫时间(T1和T2)和质子密度生成。T1弛豫描述了纵向磁化向其平衡状态的转换，T1是在共振激励之前达到63.21％的平衡磁化所需要的时间。它还被称为纵向弛豫时间或自旋晶格弛豫时间。类似地，T2弛豫描述了横向磁化向其平衡状态的转换。
在放射检查中，造影剂通常用于对比度增强。
“造影剂”是物质或物质的混合，在X射线诊断、磁共振成像和超声波成像等成像方法中用于改善对人体结构和功能的描述。
在计算机断层扫描中，通常使用含碘溶液作为造影剂。在磁共振成像(MRT)中，通常使用超顺磁性物质(例如，氧化铁纳米颗粒、超顺磁性铁铂颗粒(SIPPs))或顺磁性物质(例如，钆螯合物、锰螯合物)作为造影剂。在超声造影术中，通常通过血管施用含有充气微泡的液体。造影剂的实施例可在文献中找到(参见例如，A.S.L.Jascinth等人：ContrastAgents in computed tomography:A Review，Journal of Applied Dental and MedicalSciences，2016，第2卷，第2期，143-149；H.Lusic等人：X-ray-Computed TomographyContrast Agents，Chem.Rev，2013，113，3，1641-166；https://www.radiology.wisc.edu/wp-content/uploads/2017/10/contrast-agents-tutorial.pdf，M.R.Nough等人：Radiographic and magnetic resonances contrast agents:Essentials and tips forsafe practices，World J Radiol，2017年9月28日，9(9)：339-349；L.C.Abonyi等人：Intravascular Contrast Media in Radiography:Historical Development&Review ofRisk Factors for Adverse Reactions，South American Journal of ClinicalResearch，2016，第3卷，第1期，1-10；ACR Manual on Contrast Media，2020，ISBN：978-1-55903-012-0；A.Ignee等人：Ultrasound contrast agents，Endosc Ultrasound，2016年11至12月，5(6)，355-362)。
MR造影剂通过改变摄取造影剂的结构的弛豫时间来产生作用。可在两组物质之间进行区分：顺磁性物质和超顺磁性物质。这两组物质都具有未配对的电子，这会在个体原子或分子周围感应磁场。超顺磁性造影剂主要导致T2缩短，而顺磁性造影剂主要导致T1缩短。所述造影剂的作用是间接的，因为造影剂本身并不发射信号，而是替代地仅影响其附近的信号强度。超顺磁性造影剂的实施例是氧化铁纳米颗粒(SPIO，英文为：superparamagneticiron oxide)。顺磁性造影剂的实施例是钆螯合物，诸如钆喷酸葡胺(商品名：等)、钆特酸/> 钆双胺钆特醇/>和钆布醇/>
借助于本发明，可以生成人工放射图像，在未施加特定量的造影剂的情况下，该人工放射图像示出所述检查对象的检查区域如同将所述特定量的造影剂施加至检查对象/检查区域一样。
为此，使用一种机器学习模型(在本说明书中还被称为预测模型)，所述机器学习模型基于训练数据来学习不同量的造影剂如何对检查区域的放射图像的对比度产生影响。经训练的模型随后可被用于在无需实际施用所述量的造影剂的情况下，预测具有对比度增强的放射图像，这种对比度增强效果在施用特定量的造影剂之后会产生。
因此，与WO2019/074938A1中所描述的类似，本发明可例如被用于减少所施用的造影剂的量，而不会省去高量的造影剂(即，高对比度增强)的优势。
然而，并非如WO2019/074938A1中所描述的那样基于图像(image)来预测放射图像。WO2019/074938A1中用于预测人工放射图像的图像(image)是检查区域在真实空间(也称为“image space(图像空间)”)中的表征(描述)。
根据本发明，借助于多个检查对象的检查区域在频率空间中的表征来训练所述机器学习模型，且预测还基于检查区域在频率空间(还称为空间频率空间或傅里叶空间或频域或傅里叶描绘)中的表征。
在磁共振成像中，由于上文所描述的测量方法，原始数据通常作为所谓的k空间数据而出现。所述k空间数据是检查区域在频率空间中的描绘。根据本发明，这样的k空间数据可被用于训练机器学习模型，用于验证模型以及用于借助于经训练的模型进行预测。
然而，如果表征存在于真实空间中，则它们可例如借助于傅里叶变换被转换(被变换)到频率空间中的表征。
因此，如果检查区域的放射图像以真实空间中的二维图像或三维图像的形式存在，则检查区域的此表征可通过2D傅里叶变换或3D傅里叶变换转换为检查区域在频率空间中的二维表征或三维表征。
相反，频率空间中的表征可以通过逆傅里叶变换而被转换(被变换)为真实空间中的表征。
图1示意性地和示例性地示出了检查区域在真实空间以及频率空间中的表征之间的联系。图1描绘了时间线。在三个不同的时间点t1、t2和t3处，基于测量来生成检查区域的表征。所述检查区域是人的肺部。在时间点t1处生成第一表征。此可以是检查区域(肺部)在真实空间中的表征O1，或者可以是检查区域(肺部)在频率空间中的表征F1。检查区域在真实空间中的表征O1可通过傅里叶变换(FT)而被转换为检查区域在频率空间中的表征F1。检查区域在频率空间中的表征F1可通过逆傅里叶变换(iFT)而被转换为检查区域在真实空间中的表征O1。
表征O1和F1可例如是未施用造影剂的检查区域的表征，或者在施用第一量的造影剂之后的检查区域的表征。
两个表征O1和F1包含关于检查区域的相同信息，仅仅是以不同的描绘。
在时间点t2处生成另一表征。此可以是检查区域(肺部)在真实空间中的表征O2，或者可以是检查区域(肺部)在频率空间中的表征F2。检查区域在真实空间中的表征O2可通过傅里叶变换(FT)而被转换为检查区域在频率空间中的表征F2。检查区域在频率空间中的表征F2可通过逆傅里叶变换(iFT)而被转换为检查区域在真实空间中的表征O2。
表征O2和F2可例如是在施用第二量的造影剂之后的检查区域的表征。
两个表征O2和F2包含关于检查区域的相同信息，仅仅是以不同的描绘。
在时间点t3处生成另一表征。此可以是检查区域(肺部)在真实空间中的表征O3，或者可以是检查区域(肺部)在频率空间中的表征F3。检查区域在真实空间中的表征O3可通过傅里叶变换(FT)而被转换为检查区域在频率空间中的表征F3。检查区域在频率空间中的表征F3可通过逆傅里叶变换(iFT)而被转换为检查区域在真实空间中的表征O3。
表征O3和F3可例如是在施用第三量的造影剂之后的检查区域的表征。
两个表征O3和F3包含关于检查区域的相同信息，仅仅是以不同的描绘。
检查区域在真实空间中的表征O1、O2和O3是人们所熟悉的表征，这种真实空间描绘可被人们立即理解。表征O1、O2和O3示出了在MR检查中不同量的造影剂对检查区域的外观的影响。在本实例中，造影剂的量从O1经由O2上升至O3。同样的信息还被包含在表征F1、F2和F3中；然而，人们从描绘F1、F2和F3中比较难以理解所述信息。
还可设想，使用不同于傅里叶变换的变换来将真实空间表征转换为频率空间表征。这种变换必须满足的三个主要特性如下：
a)存在明确的逆变换(真实空间描绘与频率空间描绘之间存在明确的联系)，
b)对比度信息的位置，
c)对缺陷图像对准的鲁棒性。
关于从一种描绘变换为另一种描绘的细节在许多教科书和出版物都进行了描述(参见例如：W.Burger,M.J.Burge:Digital Image Processing:An AlgorithmicIntroduction Using Java，Texts in Computer Science，第2版，Springer-Verlag，2016，ISBN:9781447166849；W.Birkfellner：Applied Medical Image Processing,第2版：ABasic Course，Verlag Taylor&Francis，2014，ISBN：9781466555570；R.Bracewell：Fourier Analysis and Imaging，Verlag Springer Science&Business Media，2004，ISBN：9780306481871)。
为了使根据本发明的机器学习模型(预测模型)能够进行本文所述的预测，它必须事先对被适当地配置(训练)。
在此，术语“预测”意指，基于检查区域在频率空间中的至少两个表征，计算检查区域的至少一个表征，该至少一个表征表示在施用特定量的造影剂之后的检查区域，其中该至少两个表征表示在施用不同量的造影剂之后的检查区域和/或在施用不同的造影剂之后的检查区域。
换句话说：检查对象的检查区域的至少一个第一表征以及检查对象的检查区域的至少一个第二表征被用于预测检查对象的检查区域的至少一个第三表征。所有表征(至少一个第一表征、至少一个第二表征以及至少一个第三表征)都是检查区域在频率空间中的表征。
至少一个第一表征表示在施用第一量的第一造影剂之后的检查区域，所述第一量还可以为零(不施用造影剂)。
至少一个第二表征表示在施用第二量的第一造影剂之后或在施用第二量的第二造影剂之后的检查区域。如果使用第一造影剂生成第二表征，则第二量通常不等于第一量。如果使用第二造影剂，则第二量可等于或不等于第一量。
至少一个第三表征表示在施用第三量的第一造影剂之后，或者在施用第三量的第二造影剂之后，或者在施用第三量的第三造影剂之后的检查区域。如果使用相同的造影剂来生成第一表征、第二表征以及第三表征，则第三量通常不等于第二量，且也不等于第一量；下述情况优选地适用于第一量M1、第二量M2以及第三量M3：第一量M1大于或等于零，第二量M2大于第一量M1，第三量M3大于第二量M2(0≤M1<M2<M3)。
如果相比于生成第一表征和/或第二表征，生成第三表征涉及使用不同的造影剂，则所述不同的造影剂的量可等于或不等于用于生成第一表征和/或第二表征的造影剂的量。
因此，预测模型可被训练，以学习不同量的造影剂对检查区域在频率空间中的表征的影响；然而，预测模型还可被训练，以学习不同的造影剂对检查区域在频率空间中的表征的影响。
在监督式机器学习过程中，预测模型优选地借助于自学习算法被创建(被配置、被训练)。训练数据被用于学习。所述训练数据包括：多个检查对象、各个检查对象的多个检查区域的表征。对于所有检查对象(例如，人体的一部分，或者器官，或者器官的一部分)，检查区域通常是相同的。训练数据集的表征在本说明书中还被称为参考表征。
对于每个检查对象，训练数据包括：i)检查区域在频率空间中的至少一个第一参考表征，表示未施用造影剂或者在施用第一量的造影剂之后的检查区域；ii)检查区域在频率空间中的至少一个第二参考表征，表示在施用第二量的造影剂之后的检查区域；以及，iii)检查区域在频率空间中的至少一个第三参考表征，表示在施用第三量的造影剂之后的检查区域。如上文所述，适用以下情况：造影剂的第一量、第二量和第三量彼此不同和/或所使用的特定造影剂彼此不同。
预测模型被训练为基于至少一个第一参考表征以及至少一个第二参考表征，为每个检查对象预测(计算)至少一个第三参考表征。
在机器学习过程中，自学习算法会生成基于训练数据的统计模型。这意味着，实施例不是简单地死记，而是使算法能“识别”训练数据中的模式和规律。因此，所述预测模型还可评估未知数据。验证数据可被用于测试所述未知数据的评估质量。
预测模型可借助于监督学习(英语为：supervised learning)来训练，即向算法连续展示数据集(第一表征、第二表征和第三表征)的三元组。随后算法会学习这些数据集之间的关系。
现有技术中广泛地描述了借助于监督学习所训练的自学习系统(参见例如，C.Perez：Machine Learning Techniques:Supervised Learning and Classification，Amazon Digital Services LLC-Kdp Print Us，2019，ISBN 1096996545，9781096996545)。
优选地，预测模型是人工神经网络或包含这样的网络。
人工神经网络包括至少三层处理元件：带有输入神经元(节点)的第一层、带有至少一个输出神经元(节点)的第N层以及N-2个内层，其中N是大于2的自然数。
输入神经元用于接收第一表征和第二表征。输出神经元用于针对至少一个第一表征以及至少一个第二表征输出至少一个第三表征。
输入神经元与输出神经元之间的层的处理元件以预定的模式被彼此连接，且具有预定的连接权重。
优选地，人工神经网络是所谓的卷积神经网络(简称：CNN)。
卷积神经网络能够处理呈矩阵形式的输入数据。所述CNN基本上包括交替重复的过滤层(卷积层)以及聚合层(池化层)，最后包括一层或多层“普通的”全连接的神经元(密集/全连接层)。
神经网络的训练可例如借助于反向传播方法执行。在此，网络的目的是，使给定输入数据至给定输出数据的映射的可靠性最大化。映射质量由损失函数(英语为：lossfunction)描述。目标是最小化损失函数。在反向传播方法的情况下，通过更改连接权重来教导人工神经网络。
在训练状态中，处理元件之间的连接权重包含关于一方面至少一个第一表征和至少一个第二表征之间与另一方面至少一个第三表征之间关系的信息。所述信息可以被用于基于至少一个第一表征以及至少一个第二表征来预测至少一个第三表征。
可以使用交叉验证方法，以将数据划分为训练数据集与验证数据集。训练数据集被用于网络权重的反向传播训练。验证数据集被用于检查经训练的网络被应用于未知数据的预测的精确性。
构建和训练人工神经网络的更多细节可从现有技术中收集(参见例如：S.Khan等人：A Guide to Convolutional Neural Networks for Computer Vision，Morgan&Claypool Publishers 2018,ISBN 1681730227,9781681730226，WO2018/183044A1，WO2018/200493,WO2019/074938A1，WO2019/204406A1，WO2019/241659A1)。
优选地，所述预测模型是生成式对抗网络(GAN)(参见例如：http://3dgan.csail.mit.edu/)。
除表征之外，关于检查对象、检查区域、检查条件和/或放射检查方法的其他信息也能够被用于训练、验证和预测。
关于检查对象的信息的实施例为：性别、年龄、体重、身高、病史、药物性质、药物持续时间和药物摄入量、血压、中心静脉压、呼吸频率、血清白蛋白、总胆红素、血糖、铁含量、呼吸能力等。所述关于检查对象的信息例如还可从数据库或病人电子档案中读取。
关于检查区域的信息的实施例为：既往病史、手术、局部切除、肝移植、铁肝、脂肪肝等。
图2示意性和示例性地示出了如图1中所生成的检查区域在频率空间中的表征(F1)、(F2)和(F3)如何可被用于训练预测模型(PM)。表征(F1)、(F2)和(F3)构成检查对象的训练数据集。通过使用多个检查对象的多个训练数据集来完成训练。
表征(F1)和(F2)是检查区域在频率空间中的第一表征以及第二表征，所述表征表示在施用不同量的造影剂之后的检查区域(在一种情况下，还可以不施用造影剂)。
表征(F3)是检查区域在频率空间中的第三表征，表示在施用第三量的造影剂之后的检查区域。
在图2中，预测模型被训练为根据检查区域在频率空间中的表征(F1)和(F2)来预测检查区域在频率空间中的表征(F3)。
表征(F1)和(F2)被输入到预测模型(PM)中，且所述预测模型根据表征(F1)和(F2)来计算表征(F3*)。星号(*)表示表征(F3*)是预测表征。将所计算的表征(F3*)与表征(F3)进行比较。所计算的表征(F3*)与所测量的表征(F3)之间的偏差可在反向传播方法中被用于训练预测模型，从而将偏差减小至限定的最小值。如果所述预测模型已经基于多个检查对象的多个训练数据集被训练，且如果预测已经达到了限定的精确度，则经训练的预测模型可被用于预测。
图3以流程图的形式示例性和示意性地示出了根据本发明的用于训练机器学习模型的方法的一个优选实施方案。
所述方法(100)包括以下步骤：
(110)接收训练数据集，其中对于多个检查对象中的每个检查对象，所述训练数据集包括：i)检查对象的检查区域在频率空间中的第一参考表征；ii)检查对象的检查区域在频率空间中的第二参考表征；以及，iii)检查对象的检查区域在频率空间中的第三参考表征，其中所述第一参考表征表示在施用第一量的造影剂之后的检查区域，其中所述第一量还可以是零，其中所述第二参考表征表示在施用第二量的造影剂之后的检查区域，其中所述第三参考表征表示在施用第三量的造影剂之后的检查区域，
(120)对于每个检查对象：将第一表征的至少一部分以及第二表征的至少一部分馈送至机器学习模型，其中所述机器学习模型被训练为基于所述第一参考表征以及所述第二参考表征，生成在施用第三量的造影剂之后所述检查区域在频率空间中的表征，其中所述训练包括使损失函数最小化，其中所述损失函数对所生成的检查区域的表征与第三参考表征之间的偏差进行量化。
(130)输出和/或存储经训练的模型和/或将经训练的模型提供至用于预测新的检查对象的检查区域的表征的方法。
图4以示例性和示意性的方式描绘了使用经训练的预测模型进行预测。图4示出了在图2中所训练的预测模型(PM)。所述预测模型被用于基于检查对象的检查区域在频率空间中的至少一个第一表征以及检查对象的检查区域在频率空间中的至少一个第二表征来预测检查对象的检查区域在频率空间中的至少一个第三表征，所述表征表示在施用不同量的造影剂之后的检查区域。
在本实施例中，将检查区域在频率空间中的第一表征以及第二表征/>输入至预测模型中，且所述预测模型生成(计算)第三表征/>波浪符(～)表示是新的检查对象的表征，在所述新的检查对象的表征中通常不存在在训练预测模型的训练方法中所使用的表征。星号(*)表示表征/>是预测表征。检查区域在频率空间中的表征可例如通过逆傅里叶变换iFT而被转换为检查区域在真实空间中的表征/>
图5以流程图的形式示例性和示意性地示出了根据本发明的用于预测检查对象的检查区域的表征的方法的一个优选实施方案。
所述方法(200)包括以下步骤：
(210)接收检查对象的检查区域在频率空间中的第一表征，其中所述第一表征表示未施用造影剂或者在施用第一量的造影剂之后的检查区域，
(220)接收检查对象的检查区域在频率空间中的第二表征，其中所述第二表征表示在施用第二量的造影剂之后的检查区域，
(230)将第一表征和第二表征馈送至机器学习模型，
(240)从机器学习模型接收检查区域在频率空间中的第三表征，其中所述第三表征表示在施用第三量的造影剂之后的检查区域，
(250)基于第三表征来生成检查区域在真实空间描绘中的表征，
(260)输出和/或存储检查区域在真实空间描绘中的表征。
如已经描述的，用于训练、验证和预测的检查区域的表征是检查区域在频率空间(还被称为空间频率空间或傅里叶空间或频域或傅里叶表征)中的表征。
在磁共振成像中，由于上文所描述的测量方法，原始数据通常作为所谓的k空间数据而出现。所述k空间数据是检查区域在频率空间中的描绘，即这些k空间数据可被用于训练、验证和预测。如果存在真实空间中的表征，则这些真实空间中的表征可例如通过傅里叶变换而被转换(被变换)为频率空间中的表征；相反地：频率空间中的表征可例如通过逆傅里叶变换而被转换(被变换)为真实空间中的表征。
因此，如果检查区域的放射图像以真实空间中的二维图像的形式存在，则检查区域的此表征可通过2D傅里叶变换而被转换为检查区域在频率空间中的二维表征。
检查区域的三维图像(体积描绘)可被视为是二维图像的堆叠。此外，可设想，三维图像借助于3D傅里叶变换而被转换为检查区域在频率空间中的三维表征。
相对于使用检查区域在真实空间中的表征，根据本发明的使用检查区域在频率空间中的表征具有多种优势。
例如，相比于真实空间，在频率空间中，个体表征的配准不那么重要。“配准”(在现有技术中还被称为“图像对准”)是数字图像处理中的重要过程，且用于以可能最好的方式使同一场景或至少类似场景的两个或多个图像彼此相配。图像中的一个被限定为参考图像，而其他被称为目标图像。为了将目标图像与参考图像最优地匹配，计算补偿变换。待对准的图像彼此不同，因为它们是从不同的位置、不同的时间点和/或通过不同的传感器获取的。
在本发明中，个体表征是在不同的时间点处生成的；其次，它们在检查区域的造影剂的含量方面和/或所使用的造影剂方面不同。
因此，相比于使用检查区域在真实空间中的表征，使用检查区域在频率空间中的表征具有的优势为：训练、验证和预测方法对图像对准中的误差的容限更高。换句话说：与真实空间中的表征未以像素/体素精度叠加相比，频率空间中的表征未以精度叠加会具有较少的影响。这是因为傅里叶变换的属性：如已经描述的，傅里叶变换图像的对比度信息总是映射在傅里叶空间的原点附近。图像空间(真实空间)中的翻转或旋转会导致图像信息(例如，可见结构)在变换之后被定位在图像的不同区域。然而，在傅里叶空间中，这些变换不会改变编码有与本发明相关的对比度信息的区域。
使用频率空间中的表征的另一优势是，可以将对于训练和预测重要的对比度信息与细节信息(微小结构)分离。因此，在训练的情况下，可专注于待由预测模型所学习的信息，而在预测的情况下，还可专注于待由预测模型所预测的信息：对比度信息。
然而，检查区域在真实空间中的表征的对比度信息(每个像素/体素固有地携带关于对比度的信息)通常分布在整个表征中，检查区域在频率空间中的表征的对比度信息则被编码在频率空间的中心及其周围。换句话说：频率空间中的表征的低频率决定着对比度，而高频率包含微小结构的信息。
因此，可分离出对比度信息，从而将训练和预测局限于对比度信息，且在训练/预测之后重新引入关于微小结构的信息。
为此，能在用于训练、验证和预测的检查区域的表征中指定一个区域。
指定所述区域例如可通过如下方式来实现：根据本发明的计算机系统的用户将一个或多个参数输入至根据本发明的计算机系统中，和/或从限定区域的形状和/或尺寸的列表中进行选择。然而，还可设想，所述指定是例如由根据本发明的计算机系统自动地执行的，所述计算机系统被适当地配置为在检查区域的表征中选择一个预定区域。
所指定的区域通常小于由对应的表征所填充的频率空间，但是在任何情况下都包括频率空间的中心。
包括频率空间的中心(还被称为原点或零点)的表征的区域包含与根据本发明的方法有关的对比度信息。如果所指定的区域小于由对应的表征所填充的频率空间，则结果是用于训练、验证和后续预测的较低的计算复杂度。因此，区域尺寸的选择会对计算复杂度产生直接的影响。
原理上，还可指定对应于由对应的表征所填充的整个频率空间的区域；在这种情况下，并未缩减为频率空间的子区域，且使计算复杂度最大化。
因此，通过指定频率空间的中心周围的区域，根据本发明的计算机系统的用户可以自己决定他是希望检查区域在频率空间中的完整表征来形成训练、验证和预测的基础(这意味着最大的计算复杂度)，还是希望通过指定小于由表征所填充的频率空间的区域来降低计算复杂度。在此，他可通过所指定的区域的尺寸来直接地影响所需的计算复杂度。
所指定的区域通常与频率空间具有相同的维度：在2D频率空间中的2D表征的实例中，所指定的区域通常是面积；在3D频率空间中的3D表征的实例中，所指定的区域通常是体积。
所指定的区域原理上可具有任何形状；例如，它可以是圆形的和/或有角的、凹形的和/或凸形的。优选地，在笛卡尔坐标系中的3D频率空间的实例中，区域是长方体形或立方体形，在笛卡尔坐标系中的2D频率空间的实例中，区域是长方形或正方形。然而，它还也可以为球体、环形或具有其他形状。
优选地，所指定的区域的几何重心与频率空间的中心重合。
将用于训练、验证和预测的表征缩减至所指定的区域。术语“缩减”在此意指将表征中的未位于所指定的区域以内的所有部分切除(丢弃)或者通过掩模覆盖。在掩模的情况下，位于所指定的区域以外的那些区域被掩模覆盖，结果是仅所指定的区域保持未被覆盖；当用掩模覆盖时，对应的像素/体素的色值例如可被设置为零(黑色)。
由此所获得的表征在本说明书中还称为经缩减的表征。
经缩减的表征可被用于训练、验证和预测。
因此，如果待被预测的检查对象是基于第一表征和第二表征的检查区域的第三表征，则可将经缩减的第一表征以及经缩减的第二表征馈送至预测模型，随后预测模型生成经缩减的第三表征。在下一步中，可将在缩减过程中被切除或被覆盖的细节信息重新引入至预测表征。因此，可例如将第一表征中的位于所指定的区域以外的部分引入经缩减的第三表征。还可设想，将第二表征中的位于所指定的区域以外的部分引入经缩减的第三表征。还可设想，将第一表征中的位于所指定的区域以外的部分以及第二表征中的位于所指定的区域以外的部分这二者引入经缩减的第三表征。换句话说：通过第一表征和/或第二表征中的在缩减的过程中被切除/被掩模覆盖的部分来增补第三表征。结果是，经增补的第三表征。随后，根据经增补的第三表征，可通过变换(例如，逆傅里叶变换)来获得真实空间描绘。
所得到的多个位置坐标的信号强度可在下一步被转换成灰度值或色值，从而获得通用图像格式(例如DICOM)的数字图像。
检查区域在真实空间描绘中的表征可被显示到屏幕、输出到打印机上和/或存储在数据存储介质中。
下面将示例性地基于图6和图7更具体地阐释所描述的方法。
图6示例性和示意性地示出了根据本发明的一个优选实施方案的预测模型的训练中的步骤。
如同在图2的实例中，接收检查对象的检查区域在频率空间中的第一表征(F1)、第二表征(F2)以及第三表征(F3)。在表征(F1)、(F2)和(F3)中，在每种情况下都指定具有相同尺寸和形状的区域A。在每种情况下，区域A都包括频率空间的中心，且在本实例中，区域A具有方形形状，且该方形的几何中心与频率空间的中心重合。将表征(F1)、(F2)和(F3)分别缩减至指定的区域A：结果是三个经缩减的表征(F1red)、(F2red)和(F3red)。经缩减的表征被用于进行训练。预测模型被训练为根据经缩减的表征(F1red)和(F2red)来预测经缩减的表征(F3red)。将经缩减的表征(F1red)和(F2red)馈送至预测模型(PM)，且所述预测模型计算经缩减的表征(F3*red)，该经缩减的表征(F3*red)尽可能接近经缩减的表征(F3red)。
图7示例性和示意性地示出如何可将图6中所训练的预测模型用于预测。
在本实施例中，接收检查区域在频率空间中的第一表征以及第二表征且将它们分别缩减至指定的区域A。结果是两个经缩减的表征/>和将经缩减的第一表征/>以及经缩减第二表征/>馈送至经训练的预测模型(PM)。经训练的预测模型(PM)根据经缩减的表征/>和/>来计算经缩减的第三表征/>在另一步中，经缩减的第三表征/>通过所接收的第一表征/>中在缩减所接收的第一表征/>期间所丢弃的区域/>来进行增补。换句话说：添加至经缩减的第三表征/>的是所接收的第一表征/>中位于指定的区域以外(而非以内)的部分。如上文所述，替代所接收的第一表征/>的部分，或除了所接收的第一表征/>的部分以外，还可将所接收的第二表征/>的部分添加至经缩减的第三表征/>
根据经增补的表征可以通过逆傅里叶变换来生成检查区域在真实空间中的表征/>
应注意，还可使用其他方法将频率空间描绘变换为真实空间描绘，例如迭代重构方法。
图8以流程图的形式示意性地示出了根据本发明的用于训练机器学习模型的方法的一个优选实施方案。
所述方法(300)包括以下步骤：
(310)接收训练数据集，其中对于多个检查对象中的每个检查对象，所述训练数据集包括：i)检查对象的检查区域在频率空间中的第一参考表征；ii)检查对象的检查区域在频率空间中的第二参考表征；以及iii)检查对象的检查区域在频率空间中的第三参考表征，其中所述第一参考表征表示在施用第一量的造影剂之后的检查区域，其中所述第一量还可以是零，其中所述第二参考表征表示在施用第二量的造影剂之后的检查区域，其中所述第三参考表征表示在施用第三量的造影剂之后的检查区域，
(320)在所述参考表征中指定一个区域，其中所指定的区域包括所述频率空间的中心，
(330)将所述表征缩减至所指定的区域，其中获得每个检查对象的经缩减的第一表征、经缩减的第二表征以及经缩减的第三表征，
(340)对于每个检查对象：将经缩减的第一参考表征以及经缩减的第二参考表征馈送至所述机器学习模型，其中所述机器学习模型被训练为基于经缩减的第一参考表征以及经缩减的第二参考表征，生成在施用第三量的造影剂之后检查区域在频率空间中的经缩减的表征，其中所述训练包括使损失函数最小化，其中所述损失函数对所生成的检查区域的经缩减的表征与经缩减的第三参考表征之间的偏差进行量化，
(350)输出和/或存储经训练的模型和/或将经训练的模型提供至用于预测新的检查对象的检查区域的表征的方法。
图9以流程图的形式示意性地示出了根据本发明的用于预测检查对象的检查区域的表征的方法的一个优选实施方案。
所述方法(400)包括以下步骤：
(410)接收检查对象的检查区域在频率空间中的第一表征，其中所述第一表征表示未施用造影剂的检查区域或者在施用第一量的造影剂之后的检查区域，
(420)接收检查对象的检查区域在频率空间中的第二表征，其中所述第二表征表示在施用第二量的造影剂之后的检查区域，
(430)在所述第一表征以及所述第二表征中指定一个区域，其中所指定的区域包括所述频率空间的中心，
(440)将所述第一表征以及所述第二表征缩减至所指定的区域，其中获得经缩减的第一表征以及经缩减的第二表征，
(450)将经缩减的第一表征以及经缩减的第二表征馈送至机器学习模型，
(460)从机器学习模型接收检查区域在频率空间中的第三表征，其中所述第三表征表示在施用第三量的造影剂之后的检查区域，
(470)通过所接收的第一表征和/或所接收的第二表征中未位于所指定的区域中的那些部分来增补所述第三表征，
(480)将对所述第三表征进行增补之后所获得的经增补的第三表征变换为检查区域在真实空间描绘中的表征，
(490)输出和/或存储检查区域在所述真实空间描绘中的表征。
图10以流程图的形式示意性地示出了根据本发明的用于预测检查对象的检查区域的表征的方法的一个优选实施方案。
所述方法(500)包括以下步骤：
(510)提供经训练的机器学习模型，其中所述模型根据上文所描述的方法(100)或(300)进行训练，以学习了造影剂的量对检查区域在频率空间中的表征的影响，
(520)接收检查对象的检查区域在频率空间中的第一表征，其中所述第一表征表示在施用第一量的造影剂之后的检查区域，其中所述第一量还可以是零，以及接收检查对象的检查区域在频率空间中的第二表征，其中所述第二表征表示在施用第二量的造影剂之后的检查区域，
(530)可选地：在所述第一表征和所述第二表征中指定一个区域，其中所指定的区域包括所述频率空间的中心，
(540)可选地：将所述第一表征以及所述第二表征缩减至所指定的区域，其中获得经缩减的第一表征以及经缩减的第二表征，
(550)将如下项馈送至机器学习模型：
·所接收的第一表征以及所接收的第二表征，
·或者，如果存在，经缩减的第一表征以及经缩减的第二表征，
(560)从所述机器学习模型接收检查区域在频率空间中的第三表征，其中所述第三表征表示在施用第三量的造影剂之后的检查区域，
(570)可选地：通过所接收的第一表征和/或所接收的第二表征中未位于所指定的区域中的那些部分来增补所述第三表征，其中获得经增补的第三表征，
(580)根据以下项生成检查区域在真实空间描绘中的表征：
·第三表征。
·或者，如果存在，经增补的第三表征，
(590)输出所述检查区域在真实空间描绘中的表征。
本发明的其他实施方案为：
1.一种计算机实施的方法，包括以下步骤：
-接收检查对象的检查区域在频率空间中的第一表征，其中所述第一表征表示未施用造影剂的检查区域或者在施用第一量的造影剂之后的检查区域，
-接收检查对象的检查区域在频率空间中的第二表征，其中所述第二表征表示在施用第二量的造影剂之后的检查区域，
-在所述第一表征中和/或所述第二表征中指定所述频率空间中的一个区域，其中所指定的区域包括所述频率空间的中心，
-将所述第一表征和/或所述第二表征缩减至所指定的区域，
-将在缩减之后所获得的第一表征以及第二表征馈送至机器学习模型，其中所述机器学习模型已基于训练数据集进行了训练，以学习了造影剂的量对检查区域在频率空间中的表征的影响，
-从所述机器学习模型接收检查区域在频率空间中的第三表征，其中所述第三表征表示在施用第三量的造影剂之后的检查区域，
-如果所述第三表征所占用的频率空间小于所接收的第一表征和/或所接收的第二表征所占用的频率空间：通过所接收的所述第一表征和/或所接收的所述第二表征中的、所接收的所述第一表征和/或所接收的所述第二表征大于所述第三表征的部分来填充所述第三表征的频率空间，
-将所述第三表征变换为检查区域在真实空间描绘中的表征，
-输出检查区域在所述真实空间描绘中的表征。
2.一种计算机实施的方法，包括以下步骤：
-接收检查对象的检查区域在频率空间中的第一表征，其中所述第一表征表示未施用造影剂的检查区域或者在施用第一量的造影剂之后的检查区域，
-接收检查对象的检查区域在频率空间中的第二表征，其中所述第二表征表示在施用第二量的造影剂之后的检查区域，
-在所述第一表征中和/或所述第二表征中指定一个区域，其中所指定的区域包括所述频率空间的中心，
-将所述第一表征和/或所述第二表征缩减至所指定的区域，
-将在缩减之后所获得的第一表征以及第二表征馈送至机器学习模型，其中所述机器学习模型已基于训练数据集进行了训练，以学习了造影剂的量对检查区域在频率空间中的表征的影响，
-从所述机器学习模型接收检查区域在频率空间中的第三表征，其中所述第三表征表示在施用第三量的造影剂之后的检查区域，
-通过所接收的第一表征和/或所接收的第二表征中未位于所指定的区域中的那些部分来增补所述第三表征，
-将经增补的第三表征变换为检查区域在真实空间描绘中的表征，
-输出检查区域在所述真实空间描绘中的表征。
-接收检查对象的检查区域在频率空间中的第一表征，其中所述第一表征表示未施用造影剂的检查区域或者在施用第一量的造影剂之后的检查区域，
-接收检查对象的检查区域在频率空间中的第二表征，其中所述第二表征表示在施用第二量的造影剂之后的检查区域，
-在所述第一表征中和/或所述第二表征中指定一个区域，其中所指定的区域包括所述频率空间的中心，
-将所述第一表征和/或所述第二表征缩减至所指定的区域，
-将在缩减之后所获得的第一表征以及第二表征馈送至机器学习模型，其中所述机器学习模型已基于训练数据集进行了训练，以学习了造影剂的量对检查区域在频率空间中的表征的影响，
-从所述机器学习模型接收检查区域在频率空间中的第三表征，其中所述第三表征表示在施用第三量的造影剂之后的检查区域，
-通过所接收的第一表征和/或所接收的第二表征中未位于所指定的区域中的那些部分来增补所述第三表征，
-将经增补的第三表征变换为检查区域在真实空间描绘中的表征，
-输出检查区域在所述真实空间描绘中的表征。
3.一种计算机实施的方法，包括以下步骤：
-接收检查对象的检查区域在频率空间中的第一表征，其中所述第一表征表示未施用造影剂的检查区域或者在施用第一量的造影剂之后的检查区域，
-接收检查对象的检查区域在频率空间中的第二表征，其中所述第二表征表示在施用第二量的造影剂之后的检查区域，
-在所述第一表征中和/或所述第二表征中指定一个区域，其中所指定的区域包括所述频率空间的中心，
-将所述第一表征和/或所述第二表征缩减至所指定的区域，
-将在缩减之后所获得的第一表征以及第二表征馈送至机器学习模型，其中所述机器学习模型已基于训练数据集进行了训练，以学习了造影剂的量对检查区域在频率空间中的表征的影响，
-从所述机器学习模型接收检查区域在频率空间中的第三表征，其中所述第三表征表示在施用第三量的造影剂之后的检查区域，
-通过所接收的第一表征和/或所接收的第二表征中未位于所指定的区域中的那些部分来增补所述第三表征，
-将经增补的第三表征变换为检查区域在真实空间描绘中的表征，
-输出检查区域在所述真实空间描绘中的表征。
4.根据实施方案1至3中的任一项所述的计算机实施的方法，其中所述造影剂的第一量大于或等于零，其中所述造影剂的第二量大于所述造影剂的第一量，且其中所述造影剂的第三量大于所述造影剂的第二量。
5.根据实施方案1至4中的任一项所述的计算机实施的方法，其中所述第一表征以及所述第二表征是放射检查的结果。
6.根据实施方案1至5中的任一项所述的计算机实施的方法，其中所述放射检查是磁共振成像检查、计算机断层扫描检查或超声检查。
7.根据实施方案1至6中的任一项所述的计算机实施的方法，其中所述第一表征以及所述第二表征是磁共振成像检查的k空间数据。
8.根据实施方案1至7中的任一项所述的计算机实施的方法，其中所述第一表征以及所述第二表征是经傅里叶变换的真实空间描绘。
9.根据实施方案1至8中的任一项所述的计算机实施的方法，还包括以下步骤：训练所述机器学习模型，其中所述训练包括以下子步骤：
-接收训练数据集，其中对于多个检查对象，所述训练数据集在每种情况下包括：i)检查对象的检查区域在频率空间中的第一参考表征，ii)检查对象的检查区域在频率空间中的第二参考表征，iii)检查对象的检查区域在频率空间中的第三参考表征，其中所述第一参考表征表示在施用第一量的造影剂之后的检查区域，其中所述第一量还能够是零，其中所述第二参考表征表示在施用第二量的造影剂之后的检查区域，其中所述第三参考表征表示在施用第三量的造影剂之后的检查区域，
-在参考表征中指定一个区域，其中所指定的区域包括所述频率空间的中心，
-将所述表征缩减至所指定的区域，其中获得每个检查对象的经缩减的第一参考表征、经缩减的第二参考表征以及经缩减的第三参考表征，
-对于每个检查对象：将所述经缩减的第一参考表征以及所述经缩减的第二参考表征馈送至所述机器学习模型，其中所述机器学习模型被训练，从而基于所述经缩减的第一参考表征以及所述经缩减的第二参考表征来生成在施用第三量的造影剂之后检查区域在频率空间中的经缩减的表征，其中所述训练包括使损失函数最小化，其中所述损失函数对所生成的检查区域的经缩减的表征与所述经缩减的第三参考表征之间的偏差进行量化。
10.一种用于训练机器学习模型的计算机实施的方法，包括以下步骤：
-接收训练数据集，对于多个检查对象，所述训练数据集在每种情况下包括：i)检查对象的检查区域在频率空间中的第一参考表征，ii)检查对象的检查区域在频率空间中的第二参考表征，iii)检查对象的检查区域在频率空间中的第三参考表征，其中所述第一参考表征表示在施用第一量的造影剂之后的检查区域，其中所述第一量还能够是零，其中所述第二参考表征表示在施用第二量的造影剂之后的检查区域，其中所述第三参考表征表示在施用第三量的造影剂之后的检查区域，
-在参考表征中指定一个区域，其中所指定的区域包括所述频率空间的中心，
-将所述表征缩减至所指定的区域，其中获得每个检查对象的经缩减的第一参考表征、经缩减的第二参考表征以及经缩减的第三参考表征，
-对于每个检查对象：将所述经缩减的第一参考表征以及所述经缩减的第二参考表征馈送至所述机器学习模型，其中所述机器学习模型被训练，从而基于所述经缩减的第一参考表征以及所述经缩减的第二参考表征来生成在施用第三量的造影剂之后检查区域在频率空间中的经缩减的表征，其中所述训练包括使损失函数最小化，其中所述损失函数对所生成的检查区域的经缩减的表征与所述经缩减的第三参考表征之间的偏差进行量化。
10.一种计算机系统，包括：
·接收单元，
·控制和计算单元，以及
·输出单元，
-其中所述控制和计算单元被配置为促使所述接收单元接收检查对象的检查区域的至少两个表征，其中所述表征表示频率空间中的检查区域，其中所述表征表示在施用不同量的造影剂之后的检查区域，
-其中所述控制和计算单元被配置为将所接收的表征缩减至一个指定的区域，其中所指定的区域包括所述频率空间的中心，
-其中所述控制和计算单元被配置为将经缩减的表征馈送至机器学习模型，其中所述机器学习模型已基于训练数据集进行了训练，以学习了造影剂的量对检查区域在频率空间中的表征的影响，
-其中所述控制和计算单元被配置为从所述机器学习模型接收检查区域的预测表征，其中所述预测表征表示在施用指定量的造影剂之后在频率空间中的检查区域，
-其中所述控制和计算单元被配置为通过一个或更多所接收的表征中位于所指定的区域以外的部分来增补所述预测表征，
-其中所述控制和计算单元被配置为将经增补的预测表征变换为检查区域在真实空间中的表征，
-其中所述控制和计算单元被配置为促使所述输出单元输出检查区域在所述真实空间中的表征。
11.一种计算机系统，包括：
·接收单元，
·控制和计算单元，以及
·输出单元，
-其中所述控制和计算单元被配置为促使所述接收单元接收检查对象的检查区域的至少两个表征，其中所述表征表示频率空间中的检查区域，其中所述表征表示在施用不同量的造影剂之后的检查区域，
-其中所述控制和计算单元被配置为将所接收的表征缩减至一个指定的区域，其中所指定的区域包括所述频率空间的中心，
-其中所述控制和计算单元被配置为将所述经缩减的表征馈送至机器学习模型，其中所述机器学习模型已基于训练数据集进行了训练，以学习了造影剂的量对检查区域在频率空间中的表征的影响，
-其中所述控制和计算单元被配置为从所述机器学习模型接收检查区域的预测表征，其中所述预测表征表示在施用指定量的造影剂之后在频率空间中的检查区域，
-其中所述控制和计算单元被配置为通过一个或更多所接收的表征中未位于所指定的区域以内的部分来增补所述预测表征，
-其中所述控制和计算单元被配置为将所述经增补的预测表征变换为检查区域在真实空间中的表征，
-其中所述控制和计算单元被配置为促使所述输出单元输出检查区域在所述真实空间中的表征。
12.一种计算机系统，包括：
·接收单元，
·控制和计算单元，以及
·输出单元，
-其中所述控制和计算单元被配置为促使所述接收单元接收检查对象的检查区域的至少两个表征，其中所述表征表示频率空间中的检查区域，其中所述表征表示在施用不同量的造影剂之后的检查区域，
-其中所述控制和计算单元被配置为将所接收的表征缩减至一个指定的区域，其中所指定的区域包括所述频率空间的中心，
-其中所述控制和计算单元被配置为将所述经缩减的表征馈送至机器学习模型，其中所述机器学习模型已基于训练数据集进行了训练，以学习了造影剂的量对检查区域在频率空间中的表征的影响，
-其中所述控制和计算单元被配置为从所述机器学习模型接收检查区域的预测表征，其中所述预测表征表示在施用指定量的造影剂之后在频率空间中的检查区域，
-其中所述控制和计算单元被配置为通过一个或多个所接收的表征在缩减过程中所丢弃的部分来增补所述预测表征，
-其中所述控制和计算单元被配置为将经增补的预测表征变换为检查区域在真实空间中的表征，
-其中所述控制和计算单元被配置为促使所述输出单元输出检查区域在所述真实空间中的表征。
13.一种计算机程序，所述计算机程序能够被加载到计算机系统的内存中，其中所述计算机程序促使所述计算机系统执行以下步骤：
-接收检查对象的检查区域在频率空间中的第一表征，其中所述第一表征表示未施用造影剂的检查区域或者在施用第一量的造影剂之后的检查区域，
-接收检查对象的检查区域在频率空间中的第二表征，其中所述第二表征表示在施用第二量的造影剂之后的检查区域，
-在所述第一表征中和/或所述第二表征中指定所述频率空间中的一个区域，其中所指定的区域包括所述频率空间的中心，
-将所述第一表征和/或所述第二表征缩减至所指定的区域，
-将在缩减之后所获得的第一表征以及第二表征馈送至机器学习模型，其中所述机器学习模型已基于训练数据集进行了训练，以学习了造影剂的量对检查区域在频率空间中的表征的影响，
-从所述机器学习模型接收检查区域在频率空间中的第三表征，其中所述第三表征表示在施用第三量的造影剂之后的检查区域，
-如果所述第三表征所占用的频率空间小于所接收的第一表征和/或所接收的第二表征所占用的频率空间：通过所接收的所述第一表征和/或所接收的所述第二表征中的、所接收的所述第一表征和/或所接收的所述第二表征大于所述第三表征的部分来填充所述第三表征的频率空间，
-将所述第三表征变换为检查区域在真实空间描绘中的表征，
-输出检查区域在所述真实空间描绘中的表征。
14.一种计算机程序，所述计算机程序能够被加载到计算机系统的内存中，其中所述计算机程序促使所述计算机系统执行以下步骤：
-接收检查对象的检查区域在频率空间中的第一表征，其中所述第一表征表示未施用造影剂的检查区域或者在施用第一量的造影剂之后的检查区域，
-接收检查对象的检查区域在频率空间中的第二表征，其中所述第二表征表示在施用第二量的造影剂之后的检查区域，
-在所述第一表征中和/或所述第二表征中指定一个区域，其中所指定的区域包括所述频率空间的中心，
-将所述第一表征和/或所述第二表征缩减至所指定的区域，
-将在缩减之后所获得的第一表征以及第二表征馈送至机器学习模型，其中所述机器学习模型已基于训练数据集进行了训练，以学习了造影剂的量对检查区域在频率空间中的表征的影响，
-从所述机器学习模型接收检查区域在频率空间中的第三表征，其中所述第三表征表示在施用第三量的造影剂之后的检查区域，
-通过所接收的第一表征以及所接收的第二表征中未位于所指定的区域以内的部分来增补所述第三表征，
-将所述经增补的第三表征变换为检查区域在真实空间描绘中的表征，
-输出检查区域在所述真实空间描绘中的表征。
15.一种造影剂在放射学方法中的用途，所述放射学方法包括以下步骤：
-生成检查对象的检查区域在频率空间中的第一表征，其中所述第一表征表示未施用造影剂的检查区域或者在施用第一量的造影剂之后的检查区域，
-生成检查对象的检查区域在频率空间中的第二表征，其中所述第二表征表示在施用第二量的造影剂之后的检查区域，其中所述第二量不同于所述第一量，
-将所述第一表征以及所述第二表征缩减至一个指定的区域，其中所指定的区域包括所述频率空间的中心，
-将所述经缩减的第一表征以及所述经缩减的第二表征馈送至机器学习模型，其中所述机器学习模型已基于训练数据集进行了训练，以学习了造影剂的量对检查区域在频率空间中的表征的影响，
-从所述机器学习模型接收检查区域在频率空间中的第三表征，其中所述第三表征表示在施用第三量的造影剂之后的检查区域，其中造影剂的第三量的不同于所述第一量以及所述第二量，
-通过所接收的第一表征和/或所接收的第二表征在缩减期间所丢弃的部分来填充所述第三表征的频率空间，
-将经填充的第三表征转换为检查区域在真实空间描绘中的表征，
-输出检查区域在所述真实空间描绘中的表征。
16.一种造影剂在放射学方法中的用途，所述放射学方法包括以下步骤：
-生成检查对象的检查区域在频率空间中的第一表征，其中所述第一表征表示未施用造影剂的检查区域或者在施用第一量的造影剂之后的检查区域，
-生成检查对象的检查区域在频率空间中的第二表征，其中所述第二表征表示在施用第二量的造影剂之后的检查区域，其中所述第二量不同于所述第一量，
-将所述第一表征和所述第二表征缩减至一个指定的区域，其中所指定的区域包括所述频率空间的中心，
-将所述经缩减的第一表征以及所述经缩减的第二表征馈送至机器学习模型，其中所述机器学习模型已基于训练数据集进行了训练，以学习了造影剂的量对检查区域在频率空间中的表征的影响，
-从所述机器学习模型接收检查区域在频率空间中的第三表征，其中所述第三表征表示在施用第三量的造影剂之后的检查区域，其中所述第三量的不同于所述第一量以及所述第二量，
-通过所接收的第一表征和/或所接收的第二表征中未位于所指定的区域以内的部分来增补所述第三表征，
-将经增补的第三表征转换为检查区域在真实空间描绘中的表征，
-输出检查区域在所述真实空间描绘中的表征。
17.一种造影剂在放射学方法中的用途，所述方法包括以下步骤：
-可选地：将第一量的造影剂施用至检查对象，
-生成检查对象的检查区域在频率空间中的第一表征，其中所述第一表征表示未施用造影剂的检查区域或者在施用第一量的造影剂之后的检查区域，
-将第二量的造影剂施用至检查对象，其中所述第二量不同于所述第一量，
-生成检查对象的检查区域在频率空间中的第二表征，其中所述第二表征表示在施用所述第二量的造影剂之后的检查区域，
-将所述第一表征和所述第二表征缩减至一个指定的区域，其中所指定的区域包括所述频率空间的中心，
-将所述经缩减的第一表征以及所述经缩减的第二表征馈送至机器学习模型，其中所述机器学习模型已基于训练数据集进行了训练，以学习了造影剂的量对检查区域在频率空间中的表征的影响，
-从所述机器学习模型接收检查区域在频率空间中的第三表征，其中所述第三表征表示在施用第三量的造影剂之后的检查区域，其中所述第三量不同于所述第一量或第二量，
-通过所接收的第一表征和/或所接收的第二表征中的未位于所指定的区域中的部分来增补所述第三表征，
-将经增补的第三表征转换为检查区域在真实空间描绘中的表征，
-输出检查区域在所述真实空间描绘中的表征。
18.一种造影剂在放射学方法中的用途，所述方法包括以下步骤：
-可选地：将第一量的造影剂施用至检查对象，
-生成检查对象的检查区域在频率空间中的第一表征，其中所述第一表征表示未施用造影剂的检查区域或者在施用第一量的造影剂之后的检查区域，
-将第二量的造影剂施用至检查对象，其中所述第二量不同于所述第一量，
-生成检查对象的检查区域在频率空间中的第二表征，其中所述第二表征表示在施用所述第二量的造影剂之后的检查区域，
-将所述第一表征以及所述第二表征缩减至一个指定的区域，其中所指定的区域包括所述频率空间的中心，
-将所述经缩减的第一表征以及所述经缩减的第二表征馈送至机器学习模型，其中所述机器学习模型已基于训练数据集进行了训练，以学习了造影剂的量对检查区域在频率空间中的表征的影响，
-从所述机器学习模型接收检查区域在频率空间中的第三表征，其中所述第三表征表示在施用第三量的造影剂之后的检查区域，其中造影剂的第三量不同于所述第一量或所述第二量，
-通过所接收的第一表征和/或所接收的第二表征中的未位于所指定的区域以内的部分来增补所述第三表征，
-将经增补的第三表征转换为检查区域在真实空间描绘中的表征，
-输出检查区域在所述真实空间描绘中的表征。
19.一种成套组件，包括造影剂以及根据实施方案13或14所述的本发明的计算机程序。
图11以示意图的形式举例示出了根据本发明的计算机系统的一个实施方案。计算机系统(10)包括接收单元(11)、控制和计算单元(12)以及输出单元(13)。
“计算机系统”是一种借助于可编程计算法则来处理数据的电子数据处理系统。这种系统通常包括常被称为“计算机”的控制和计算单元，所述单元包括用于执行逻辑运算的处理器以及用于加载计算机程序的内存，且还包括外围设备。
在计算机技术中，“外围设备”是指所有与计算机连接且用于控制计算机和/或作为输入和输出设备的设备。所述外围设备的实施例是显示器(屏幕)、打印机、扫描仪、鼠标、键盘、操纵杆、驱动器、相机、麦克风、扬声器等。内部端口和扩展卡也被认为是计算机技术中的外围设备。
现代计算机系统通常分为台式PC、便携式PC、膝上型电脑、笔记本电脑、上网本和平板PC以及所谓的手持设备(例如智能电话)；所有这些系统都可以用于实施本发明。
通过输入装置，诸如通过键盘、鼠标、麦克风、触摸显示屏和/或其他装置实现对(例如，用户控制的)计算机系统的输入。输出则通过输出单元(13)实现，输出单元尤其可以是显示器(屏幕)、打印机和/或数据存储介质。
根据本发明的计算机系统(10)被配置为根据表示在施用不同量的造影剂之后的检查区域在频率空间中的至少两个检查区域表征来预测检查区域的表征，所预测的检查区域的表征示出在施用特定量的造影剂之后的检查区域，而不需要实际施加所述特定量的造影剂。
控制和计算单元(12)用于控制接收单元(11)和输出单元(13)，协调各个单元之间的数据和信号流、处理检查区域的表征且生成人工放射图像。可设想存在多个所述控制和计算单元。
接收单元(11)用于接收检查区域的表征。所述表征例如可从磁共振成像系统传输，或从计算机断层扫描系统传输，或从数据存储介质读取。所述磁共振成像系统或计算机断层扫描系统可以是根据本发明的计算机系统的组件。然而，还可设想，根据本发明的计算机系统是磁共振成像系统或计算机断层扫描系统的组件。表征可通过网络连接或通过直接连接被传输。表征可通过无线电通信(WLAN、蓝牙、移动通信和/或其他方式)和/或有线通信被传输。可设想，存在多个接收单元。数据存储介质也可以是根据本发明的计算机系统的组件，或通过例如网络与根据本发明的计算机系统连接。可设想存在多个数据存储介质。
接收单元接收所述表征以及可能的其他数据(诸如，例如关于检查对象的信息、图像采集参数和/或其他信息)，且将它们传输至控制和计算单元。
所述控制和计算单元被配置为基于所接收的数据来生成人工放射图像。
经由输出单元(13)，可以(例如，在监控器上)显示所述人工放射图像、(例如，经由打印机)输出所述人工放射图像和/或将所述人工放射图像存储至数据存储介质中。可设想存在多个输出单元。
如上文所述，本发明可被用于减少放射检查中的造影剂的量。预测模型可被训练，从而基于在检查对象的检查区域的第一表征(表示未施用造影剂或在施用第一量的造影剂之后的检查区域)以及基于检查对象的检查区域的第二表征(表示在施用第二量的造影剂之后的检查区域)来预测检查对象的检查区域的第三表征，其中所述第三表征表示在施用第三量的造影剂之后的检查区域，其中所述第三量大于所述第一量以及所述第二量。因此，仅需要施用第一量(所述第一量还可以是零)以及第二量的造影剂，就能生成放射图像，所生成的放射图如同施用了更大的第三量的造影剂。
本发明可被用于生成人工放射图像，所述人工放射图像示出在施用一种造影剂之后的检查对象的检查区域，尽管之前已经施用了一种不同的造影剂。
本发明可被用于基于一种放射检查(例如，磁共振成像)的放射图像来生成示出不同的放射检查的结果(例如，计算机断层扫描结果)的人工放射图像。
其他应用是可设想的。
Claims (17)
1.一种计算机实施的方法，包括以下步骤：
-接收检查对象的检查区域在频率空间中的第一表征，其中所述第一表征表示未施用造影剂的检查区域或者在施用第一量的造影剂之后的检查区域，
-接收检查对象的检查区域在频率空间中的第二表征，其中所述第二表征表示在施用第二量的造影剂之后的检查区域，
-将所述第一表征的至少一部分以及所述第二表征的至少一部分馈送至机器学习模型，
-从所述机器学习模型接收检查区域在频率空间中的第三表征，其中所述第三表征表示在施用第三量的造影剂之后的检查区域，
-基于所述第三表征来生成检查区域在真实空间描绘中的表征，
-输出和/或存储检查区域在所述真实空间描绘中的表征。
2.如权利要求1所述的计算机实施的方法，
其中将所述第一表征的至少一部分以及所述第二表征的至少一部分馈送至机器学习模型的步骤包括：
-在所接收的第一表征中以及所接收的第二表征中指定一个区域，其中所指定的区域包括所述频率空间的中心，
-将所述第一表征以及所述第二表征缩减至所指定的区域，其中获得经缩减的第一表征以及经缩减的第二表征，
-将所述经缩减的第一表征以及所述经缩减的第二表征馈送至所述机器学习模型。
3.如权利要求2所述的计算机实施的方法，
其中基于所述第三表征来生成检查区域在真实空间描绘中的表征的步骤在包括：
-通过所接收的第一表征和/或所接收的第二表征中未位于所指定的区域中的那些部分来增补所述第三表征，
-将对所述第三表征进行增补之后所获得的经增补的第三表征变换为检查区域在真实空间描绘中的表征。
4.如权利要求1至3中的任一项所述的计算机实施的方法，其中所述第一表征表示未施用造影剂的检查区域或者在施用第一量的造影剂之后的检查区域，其中所述第二表征表示在施用第二量的造影剂之后的检查区域，其中所述第二量不等于所述第一量，其中所述第三表征表示在施用第三量的造影剂之后的检查区域，其中所述第三量不等于所述第一量和/或不等于所述第二量。
5.如权利要求1至4中的任一项所述的计算机实施的方法，其中造影剂的第一量大于或等于零，其中造影剂的第二量大于造影剂的第一量，且其中造影剂的第三量大于造影剂的第二量。
6.如权利要求1至5中的任一项所述的计算机实施的方法，其中所述第一表征表示未施用造影剂的检查区域或在施用第一量的第一造影剂之后的检查区域，其中所述第二表征表示在施用第二量的第二造影剂之后的检查区域，其中所述第三表征表示在施用第三量的第三造影剂之后的检查区域，其中所述第三造影剂不同于所述第一造影剂和/或不同于所述第二造影剂，或者所述第二造影剂不同于所述第一造影剂。
7.如权利要求1至6中的任一项所述的计算机实施的方法，其中所述第一表征以及所述第二表征是放射检查的结果。
8.如权利要求7所述的计算机实施的方法，其中所述放射检查是磁共振成像检查、计算机断层扫描检查或超声检查。
9.如权利要求1至8中的任一项所述的计算机实施的方法，其中所述第一表征以及所述第二表征是磁共振成像检查的k空间数据。
10.如权利要求1至9中的任一项所述的计算机实施的方法，其中所述第一表征以及所述第二表征是经傅里叶变换的真实空间描绘。
11.如权利要求1至7中的任一项所述的计算机实施的方法，还包括以下步骤：
-接收检查对象的检查区域的第一真实空间表征，其中所述第一真实空间表征表示未施用造影剂的检查区域或者在施用第一量的造影剂之后的检查区域，
-接收检查对象的检查区域的第二真实空间表征，其中所述第二真实空间表征表示在施用第二量的造影剂之后的检查区域，
-根据所述第一真实空间表征来生成检查对象的检查区域在频率空间中的第一表征，优选地借助于傅里叶变换，
-根据所述第二真实空间表征来生成检查对象的检查区域在频率空间中的第二表征，优选地借助于傅里叶变换。
12.如权利要求1至11中的任一项所述的计算机实施的方法，还包括训练所述机器学习模型的步骤，其中所述训练包括以下子步骤：
-接收训练数据集，其中对于多个检查对象，所述训练数据集在每种情况下包括：i)检查对象的检查区域在频率空间中的第一参考表征，ii)检查对象的检查区域在频率空间中的第二参考表征，iii)检查对象的检查区域在频率空间中的第三参考表征，其中所述第一参考表征表示在施用第一量的造影剂之后的检查区域，其中所述第一量还能够是零，其中所述第二参考表征表示在施用第二量的造影剂之后的检查区域，其中所述第三参考表征表示在施用第三量的造影剂之后的检查区域，
-在参考表征中指定一个区域，其中所指定的区域包括所述频率空间的中心，
-将所述表征缩减至所指定的区域，其中获得每个检查对象的经缩减的第一参考表征、经缩减的第二参考表征以及经缩减的第三参考表征，
-对于每个检查对象：将所述经缩减的第一参考表征以及所述经缩减的第二参考表征馈送至所述机器学习模型，其中所述机器学习模型被训练，从而基于所述经缩减的第一参考表征以及所述经缩减的第二参考表征来生成在施用第三量的造影剂之后检查区域在频率空间中的经缩减的表征，其中所述训练包括使损失函数最小化，其中所述损失函数对所生成的检查区域的经缩减的表征与所述经缩减的第三参考表征之间的偏差进行量化。
13.一种计算机系统，包括：
·接收单元，
·控制和计算单元，以及
·输出单元，
-其中所述控制和计算单元被配置为促使所述接收单元接收检查对象的检查区域的至少两个表征，所述至少两个表征为第一表征和第二表征，其中所述第一表征表示未施用造影剂的检查区域或者在施用第一量的造影剂之后的检查区域，其中所述第二表征表示在施用第二量的造影剂之后的检查区域，
-其中所述控制和计算单元被配置为将所述第一表征的至少一部分以及所述第二表征的至少一部分馈送至机器学习模型，
-其中所述控制和计算单元被配置为从所述机器学习模型接收检查区域的第三表征，其中所述第三表征表示在施用第三量的造影剂之后的频率空间中的检查区域，
-其中所述控制和计算单元被配置为基于所述第三表征来生成检查区域在真实空间中的表征，
-其中所述控制和计算单元被配置为促使所述输出单元输出和/或存储检查区域在真实空间中的表征。
14.一种计算机程序，所述计算机程序能够被加载到计算机系统的内存中，其中所述计算机程序促使所述计算机系统执行以下步骤：
-接收检查对象的检查区域在频率空间中的第一表征，其中所述第一表征表示未施用造影剂的检查区域或者在施用第一量的造影剂之后的检查区域，
-接收检查对象的检查区域在频率空间中的第二表征，其中所述第二表征表示在施用第二量的造影剂之后的检查区域，
-将所述第一表征的至少一部分以及所述第二表征的至少一部分馈送至机器学习模型，
-从所述机器学习模型接收检查区域在频率空间中的第三表征，其中所述第三表征表示在施用第三量的造影剂之后的检查区域，
-基于所述第三表征来生成检查区域在真实空间描绘中的表征，
-输出和/或存储检查区域在所述真实空间描绘中的表征。
15.一种造影剂在放射学方法中的用途，所述放射学方法包括以下步骤：
-生成检查对象的检查区域在频率空间中的第一表征，其中所述第一表征表示未施用造影剂的检查区域或者在施用第一量的造影剂之后的检查区域，
-生成检查对象的检查区域在频率空间中的第二表征，其中所述第二表征表示在施用第二量的造影剂之后的检查区域，其中所述第二量不同于所述第一量，
-将所述第一表征的至少一部分以及所述第二表征的至少一部分馈送至机器学习模型，
-从所述机器学习模型接收检查区域在频率空间中的第三表征，其中所述第三表征表示在施用第三量的造影剂之后的检查区域，其中所述第三量不同于所述第一量且不同于所述第二量，
-基于所述第三表征来生成检查区域在真实空间描绘中的表征，
-输出和/或存储检查区域在所述真实空间描绘中的表征。
16.一种在放射学方法所使用的造影剂，所述方法包括以下步骤：
-生成检查对象的检查区域在频率空间中的第一表征，其中所述第一表征表示未施用造影剂的检查区域或者在施用第一量的造影剂之后的检查区域，
-生成检查对象的检查区域在频率空间中的第二表征，其中所述第二表征表示在施用第二量的造影剂之后的检查区域，
-将所述第一表征的至少一部分以及所述第二表征的至少一部分馈送至机器学习模型，
-从所述机器学习模型接收检查区域在频率空间中的第三表征，其中所述第三表征表示在施用第三量的造影剂之后的检查区域，其中造影剂的所述第三量不同于所述第一量且不同于所述第二量，
-基于所述第三表征来生成检查区域在真实空间描绘中的表征，
-输出和/或存储检查区域在所述真实空间描绘中的表征。
17.一种成套组件，所述成套组件包括造影剂以及如权利要求14所述的计算机程序。
Applications Claiming Priority (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| EP21160325.3 | 2021-03-02 | ||
| EP21167116 | 2021-04-07 | ||
| EP21167116.9 | 2021-04-07 | ||
| PCT/EP2021/083321 WO2022184297A1 (de) | 2021-03-02 | 2021-11-29 | Maschinelles lernen im bereich der kontrastmittelverstärkten radiologie |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117063199A true CN117063199A (zh) | 2023-11-14 |
Family
ID=75426422
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202180096432.5A Pending CN117063199A (zh) | 2021-03-02 | 2021-11-29 | 对比度增强放射学领域中的机器学习 |
| CN202180096463.0A Pending CN117136376A (zh) | 2021-03-02 | 2021-11-29 | 使用机器学习的造影剂增强的放射学系统、方法和计算机程序产品 |
Family Applications After (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202180096463.0A Pending CN117136376A (zh) | 2021-03-02 | 2021-11-29 | 使用机器学习的造影剂增强的放射学系统、方法和计算机程序产品 |
Country Status (1)
| Country | Link |
|---|---|
| CN (2) | CN117063199A (zh) |
-
2021
- 2021-11-29 CN CN202180096432.5A patent/CN117063199A/zh active Pending
- 2021-11-29 CN CN202180096463.0A patent/CN117136376A/zh active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| CN117136376A (zh) | 2023-11-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US12067725B2 (en) | Image region localization method, image region localization apparatus, and medical image processing device | |
| US10751548B2 (en) | Automated image segmentation using DCNN such as for radiation therapy | |
| AU2017324069B2 (en) | Neural network for generating synthetic medical images | |
| US20220245400A1 (en) | Autonomous segmentation of three-dimensional nervous system structures from medical images | |
| WO2019211307A1 (en) | Modality-agnostic method for medical image representation | |
| US10803354B2 (en) | Cross-modality image synthesis | |
| CN110807755A (zh) | 使用定位器图像进行平面选择 | |
| EP4145382A1 (en) | Image processing method and system | |
| US20230214664A1 (en) | Learning apparatus, method, and program, image generation apparatus, method, and program, trained model, virtual image, and recording medium | |
| JP2021140769A (ja) | 医用情報処理装置、医用情報処理方法及び医用情報処理プログラム | |
| CN110852993B (zh) | 一种造影剂作用下的成像方法与设备 | |
| KR102090690B1 (ko) | 인공신경망을 이용한 자기 공명 영상의 영상 프로토콜 선택 장치와 방법 및 프로그램이 기록된 컴퓨터 판독 가능한 기록매체 | |
| CN118786354A (zh) | 对处于状态序列的状态的检查对象的检查区域的表征进行预测 | |
| CN117063199A (zh) | 对比度增强放射学领域中的机器学习 | |
| US20240050053A1 (en) | Machine learning in the field of contrast-enhanced radiology | |
| EP3798661B1 (en) | Mri method to determine a susceptibility distribution of an examination subject | |
| JP2022059493A (ja) | モデル生成方法、モデル生成装置、画像処理方法及び画像処理装置 | |
| US20240153163A1 (en) | Machine learning in the field of contrast-enhanced radiology | |
| CN117083629A (zh) | 对比度增强放射学领域中的机器学习 | |
| US20230274424A1 (en) | Appartus and method for quantifying lesion in biometric image | |
| KR20230094670A (ko) | 인공 신경망을 이용한 이미지 데이터에 대한 분류 방법 및 이를 위한 장치 | |
| JP2023521838A (ja) | 合成医用画像の作成 | |
| Ratke | Enhancing precision radiotherapy: image registration with deep learning and image fusion for treatment planning | |
| CN116091517A (zh) | 医学影像处理方法、装置、存储介质和计算机程序产品 |
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 |