CN117136376A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN117136376A
CN117136376A CN202180096463.0A CN202180096463A CN117136376A CN 117136376 A CN117136376 A CN 117136376A CN 202180096463 A CN202180096463 A CN 202180096463A CN 117136376 A CN117136376 A CN 117136376A
Authority
CN
China
Prior art keywords
representation
examination
frequency space
examination region
machine learning
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
CN202180096463.0A
Other languages
English (en)
Inventor
M·伦伽
M·普特奥拉布
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.)
Bayer AG
Original Assignee
Bayer AG
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 Bayer AG filed Critical Bayer AG
Priority claimed from PCT/EP2021/083324 external-priority patent/WO2022184298A1/en
Publication of CN117136376A publication Critical patent/CN117136376A/zh
Pending legal-status Critical Current

Links

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

一种用于提供检查区域的表示的预测的方法，所述预测是使用涉及造影剂的医学成像技术生成的，所述方法可包括：接收检查对象的检查区域在频率空间中的第一表示，接收检查对象的检查区域在频率空间中的第二表示，将所述第一表示和所述第二表示作为输入提供给预测机器学习模型，所述预测机器学习模型被配置为提供在医学成像技术期间施用一定量的造影剂的检查区域在频率空间中的表示的预测作为输出，接收所述预测机器学习模型基于所述输入的输出；以及将所述预测机器学习模型的输出转换为检查对象的检查区域在实体空间中的表示。

Description

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
相关申请的交叉引用
本申请要求享有2021年3月2日提交的第EP21160325.3号欧洲专利申请和2021年4月7日提交的第EP21167116.9号欧洲专利申请的权益，所述欧洲专利申请的全部公开内容以整体引用的方式纳入本文。
技术领域
本公开内容总体涉及生成放射图像，且在一些非限制性实施方案中涉及提供用于生成对放射图像的表示进行预测的系统、方法和计算机程序产品，所述预测是使用涉及造影剂的医学图像技术生成的。
放射学可以指使用医学成像技术来诊断和治疗疾病的一个医学分支。放射学可以涉及电磁辐射和机械波的应用，诸如在超声程序期间生成用于诊断、治疗和/或科学目的的图像。在一些实施例中，诸如x射线辐射、伽马射线和/或电子的电离辐射可用于在医学成像程序期间生成图像。放射学还包括其他成像方法，诸如计算机断层扫描(CT)、正电子发射断层扫描(PET)、超声波扫描、磁共振成像(MRI)(也被称为核磁共振成像(NMRI))和/或类似方法，尽管这些医学成像技术不使用电离辐射。在一些情况下，造影剂(例如放射性造影剂材料、放射性造影剂、造影介质等)和/或冲洗剂(诸如生理盐水)可用于医学成像技术，诸如血管造影术、CT、超声、MRI和/或类似技术。造影剂可用于(例如注射到患者血液中)为基于医学成像技术生成的图像提供造影剂增强。例如，造影剂可以包括在医学成像技术期间改善对患者(例如，人类患者或动物患者)身体结构和/或功能的描绘。
CT扫描(例如，计算机轴向断层扫描(CAT)扫描)可以包括放射学中使用的医学成像技术，以非侵入性地获取用于诊断目的的身体的详细图像。一种用于进行CT扫描的设备可以是CT扫描仪。CT扫描仪可使用旋转的x射线管和放置在龙门架中的一排探测器来测量患者体内不同组织对X射线的衰减。从不同角度采集的多个X射线测量值可在计算机上使用重建算法进行处理，以生成身体的断层(例如，横截面)图像。
MRI可包括一种医学成像技术，尤其是在医学诊断中用于描绘患者体内组织和/或器官的结构和功能。在MRI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。然后，检查对象中的磁矩通过用高频(HF)脉冲照射(例如，通过用电磁辐射的HF脉冲激励)而从静止位置(例如，弛豫位置)偏转。然后，质子从激励状态到静止位置的恢复或磁化动态可以被MRI机器的一个或多个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可以被叠加在基本磁场上。弛豫信号初始地被呈现为频率空间(例如，频域、空间频率空间、傅里叶空间、傅里叶描绘等)中的原始数据(例如，所检测到的MRI数据)，且可以通过反傅里叶变换被变换到实体空间(例如，图像空间)中。在一个实施例中，在使用原始MRI期间，由不同的弛豫时间(例如，自旋-晶格弛豫时间和自旋-自旋弛豫时间，被称为T1和T2)和/或质子密度形成组织对比。自旋-晶格弛豫时间可描述纵向磁化向其平衡磁化状态的转变，其中自旋-晶格弛豫时间被测量为在共振激励之前达到63.21％的平衡磁化所需要的时间。自旋-自旋弛豫时间以类似的方式可描述横向磁化向其平衡磁化状态的转变。
在CT成像程序期间，含碘的溶液可用作造影剂。在MRI成像程序期间，超顺磁性物质(例如，氧化铁纳米颗粒、超顺磁性铁-铂颗粒(SIPPs)等)和/或顺磁性物质(如钆螯合物、锰螯合物等)可用作造影剂。在超声波成像程序中，可使用含有充满气体的微泡的液体，其中液体在静脉内被施用。MRI造影剂通过更改摄取造影剂的结构的弛豫时间来发挥作用。可以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成对的电子，这些电子在单个原子或分子周围感应出磁场。超顺磁性造影剂导致T2的显著缩短，而顺磁造影剂主要导致T1的缩短。造影剂的作用可以是间接的，因为造影剂本身不发出信号，而是仅影响造影剂附近的信号强度。超顺磁性造影剂的一个实施例是氧化铁纳米颗粒(例如，超顺磁性氧化铁(SPIO))。顺磁性造影剂的实施例是钆螯合物，诸如钆喷酸葡胺(例如，)、钆特酸(例如，/>)、钆双胺(例如，/>)、钆特醇(例如，/>)和钆布醇/>
发明内容
相应地，公开了用于提供检查区域的表示的预测的系统、方法和计算机程序产品，所述预测是使用涉及造影剂的医学图像技术生成的。
根据一些非限制性实施方案，提供了一种用于提供检查区域的表示的预测的系统，所述预测是使用涉及造影剂的医学图像技术生成的，所述系统包括至少一个处理器，所述至少一个处理器被编程或被配置为接收检查对象的检查区域在频率空间中的第一表示，其中所述第一表示包括在医学成像技术期间未施用一定量的造影剂或在医学成像技术期间施用了第一数量的造影剂的检查区域的表示，接收检查对象的检查区域在频率空间中的第二表示，其中所述第二表示包括在医学成像技术期间施用了第二数量的造影剂的检查区域的表示，其中所述第二数量的造影剂与第一数量的造影剂不同，提供预测机器学习模型的输入，其中所述预测机器学习模型的输入包括第一表示的至少一部分和第二表示的至少一部分，其中所述预测机器学习模型包括经训练的机器学习模型，所述经训练的机器学习模型被配置为提供在医学成像技术期间施用了第三数量的造影剂的检查区域在频率空间中的表示的预测作为输出，其中所述第三数量的造影剂大于所述第一数量的造影剂和所述第二数量的造影剂，接收所述预测机器学习模型基于所述输入的输出，将所述预测机器学习模型的输出转换为检查对象的检查区域在实体空间中的预测表示，以及提供检查对象的检查区域在实体空间中的预测表示。
根据一些非限制性实施方案，提供了一种用于提供检查区域的表示的预测的计算机程序产品，所述预测是使用涉及造影剂的医学图像技术生成的，所述计算机程序产品包括至少一个非暂时性计算机可读介质，所述至少一个非暂时性计算机可读介质包括一个或多个指令，所述一个或多个指令在由至少一个处理器执行时导致所述至少一个处理器接收检查对象的检查区域在频率空间中的第一表示，其中所述第一表示包括在医学成像技术期间未施用一定量的造影剂或在医学成像技术期间施用了第一数量的造影剂的检查区域的表示，接收检查对象的检查区域在频率空间中的第二表示，其中所述第二表示包括在医学成像技术期间施用了第二数量的造影剂的检查区域的表示，其中所述第二数量的造影剂与第一数量的造影剂不同，提供预测机器学习模型的输入，其中所述预测机器学习模型的输入包括第一表示的至少一部分和第二表示的至少一部分，其中所述预测机器学习模型包括经训练的机器学习模型，所述经训练的机器学习模型被配置为提供在医学成像技术期间施用了第三数量的造影剂的检查区域在频率空间中的表示的预测作为输出，其中所述第三数量的造影剂大于所述第一数量的造影剂和所述第二数量的造影剂，接收所述预测机器学习模型基于所述输入的输出，将所述预测机器学习模型的输出转换为检查对象的检查区域在实体空间中的预测表示，以及提供检查对象的检查区域在实体空间中的预测表示。
根据一些非限制性实施方案，提供了一种用于提供检查区域的表示的预测的方法，所述预测是使用涉及造影剂的医学图像技术生成的，所述方法包括用至少一个处理器接收检查对象的检查区域在频率空间中的第一表示，其中所述第一表示包括在医学成像技术期间未施用一定量的造影剂或在医学成像技术期间施用了第一数量的造影剂的检查区域的表示，用所述至少一个处理器接收检查对象的检查区域在频率空间中的第二表示，其中所述第二表示包括在医学成像技术期间施用了第二数量的造影剂的检查区域的表示，其中所述第二数量的造影剂与第一数量的造影剂不同，用所述至少一个处理器提供预测机器学习模型的输入，其中所述预测机器学习模型的输入包括第一表示的至少一部分和第二表示的至少一部分，其中所述预测机器学习模型包括经训练的机器学习模型，所述经训练的机器学习模型被配置为提供在医学成像技术期间施用了第三数量的造影剂的检查区域在频率空间中的表示的预测作为输出，其中所述第三数量的造影剂大于所述第一数量的造影剂和所述第二数量的造影剂，用所述至少一个处理器接收所述预测机器学习模型基于所述输入的输出，用所述至少一个处理器将所述预测机器学习模型的输出转换为检查对象的检查区域在实体空间中的预测表示，以及用所述至少一个处理器提供检查对象的检查区域在实体空间中的预测表示。
进一步的非限制性实施方案在以下编号的条款中阐述：
第1项：一种用于提供检查区域的表示的预测的系统，所述预测是使用涉及造影剂的医学图像技术生成的，所述系统包括至少一个处理器，所述至少一个处理器被编程或被配置为执行以下操作：接收检查对象的检查区域在频率空间中的第一表示，其中所述第一表示包括在医学成像技术期间未施用一定量的造影剂或在医学成像技术期间施用了第一数量的造影剂的检查区域的表示；接收检查对象的检查区域在频率空间中的第二表示，其中所述第二表示包括在医学成像技术期间施用了第二数量的造影剂的检查区域的表示，其中所述第二数量的造影剂与第一数量的造影剂不同；提供预测机器学习模型的输入，其中所述预测机器学习模型的输入包括第一表示的至少一部分和第二表示的至少一部分，其中所述预测机器学习模型包括经训练的机器学习模型，所述经训练的机器学习模型被配置为提供在医学成像技术期间施用了第三数量的造影剂的检查区域在频率空间中的表示的预测作为输出，其中所述第三数量的造影剂大于所述第一数量的造影剂和所述第二数量的造影剂；接收所述预测机器学习模型基于所述输入的输出；将所述预测机器学习模型的输出转换为检查对象的检查区域在实体空间中的预测表示；以及提供检查对象的检查区域在实体空间中的预测表示。
第2项：如第1项所述的系统，其中所述至少一个处理器进一步被编程或被配置为执行以下操作：指定所述第一表示的包含频率空间中心的一部分、所述第二表示的包含频率空间中心的一部分、或所述第一表示和所述第二表示的分别包含频率空间中心的一部分，提供检查对象的检查区域在频率空间中的简化表示；其中所述预测机器学习模型的输入包括检查对象的检查区域在频率空间中的简化表示；以及其中，当提供预测机器学习模型的输入时，所述至少一个处理器被编程或被配置为：提供检查对象的检查区域在频率空间中的简化表示作为预测机器学习模型的输入。
第3项：如第2项所述的系统，其中所述至少一个处理器进一步被编程或被配置为执行以下操作：用以下内容补充所述预测机器学习模型的输出：所述第一表示的不包含频率空间中心且未被指定用来提供检查对象的检查区域在频率空间中的简化表示的一部分、所述第二表示的不包含频率空间中心且未被指定用来提供检查对象的检查区域在频率空间中的简化表示的一部分、或所述第一表示的和所述第二表示的分别不包含频率空间中心且未被指定用来提供检查对象的检查区域在频率空间中的简化表示的一部分，以提供所述预测机器学习模型的补充输出；其中，当将所述预测机器学习模型的输出转换为检查对象的检查区域在实体空间中的预测表示时，所述至少一个处理器被编程或被配置为：将所述预测机器学习模型的补充输出转换为检查对象的检查区域在实体空间中的预测表示。
第4项：如第1-3项中的任一项所述的系统，其中在医学成像技术期间施用的第一数量的造影剂大于零，其中在医学成像技术期间施用的第二数量的造影剂大于第一数量的造影剂。
第5项：如第1-3项中的任一项所述的系统，其中在医学成像技术期间施用的第一数量的造影剂为零，其中在医学成像技术期间施用的第二数量的造影剂大于第一数量的造影剂。
第6项：如第1-5项中的任一项所述的系统，其中所述至少一个处理器进一步被编程或被配置为执行以下操作：生成关于放射检查的第一结果的检查对象的检查区域在频率空间中的第一表示；以及生成关于放射检查的第二结果的检查对象的检查区域在频率空间中的第二表示。
第7项：如第6项所述的系统，其中所述放射检查为磁共振成像检查、计算机断层扫描检查、或超声检查。
第8项：如第6项所述的系统，其中所述放射检查为磁共振成像检查，其中，当在频率空间中接收检查对象的检查区域在频率空间中的第一表示时，所述至少一个处理器被编程或被配置为：接收与检查对象的检查区域的磁共振成像检查相关联的第一k空间数据；并且其中，当在频率空间中接收检查对象的检查区域在频率空间中的第二表示时，所述至少一个处理器被编程或被配置为：接收与检查对象的检查区域的磁共振成像检查相关联的第二k空间数据。
第9项：如第1-7项中的任一项所述的系统，其中，当在频率空间中接收检查对象的检查区域在频率空间中的第一表示时，所述至少一个处理器被编程或被配置为执行以下操作：接收检查对象的检查区域在实体空间中的第一表示，其中实体空间中的第一表示包括在医学成像技术期间未施用一定量的造影剂或在医学成像技术期间施用了第一数量的造影剂的检查区域的表示；将实体空间中的第一表示转换为检查对象的检查区域在频率空间中的第一表示；其中，当在频率空间中接收检查对象的检查区域在频率空间中的第二表示时，所述至少一个处理器被编程或被配置为执行以下操作：接收检查对象的检查区域在实体空间中的第二表示，其中实体空间中的第二表示包括在医学成像技术期间施用了第二数量的造影剂的检查区域的表示，其中所述第二数量的造影剂与第一数量的造影剂不同；将实体空间中的第一表示转换为检查对象的检查区域在频率空间中的第一表示。
第10项：如第1-9项中的任一项所述的系统，其中所述至少一个处理器进一步被编程或被配置为执行以下操作：基于训练数据集合来训练所述预测机器学习模型，其中所述训练数据集合包括：多个检查对象中的每个检查对象的检查区域在频率空间中的参考表示的集合，检查对象的检查区域的参考表示的每个集合包括：检查对象的检查区域在频率空间中的第一参考表示；检查对象的检查区域在频率空间中的第二参考表示；以及检查对象的检查区域在频率空间中的第三参考表示；并且其中所述第一参考表示包括在医学成像技术期间未施用一定量的造影剂或在医学成像技术期间施用了第一数量的造影剂的检查区域在频率空间中的参考表示；其中所述第二参考表示包括在医学成像技术期间施用了第二数量的造影剂的检查区域在频率空间中的参考表示；其中所述第三参考表示包括在医学成像技术期间施用了第三数量的造影剂的检查区域在频率空间中的参考表示。
第11项：如第10项所述的系统，其中，当训练所述预测机器学习模型时，所述至少一个处理器被编程或被配置为执行以下操作：最小化由误差函数提供的误差量，其中误差函数量化在医学成像技术期间施用了第三数量的造影剂的检查对象的检查区域在频率空间中的表示的预测和检查对象的检查区域在频率空间中的第三参考表示之间的偏差。
第12项：如第1-11项中的任一项所述的系统，其中所述至少一个处理器进一步被编程或被配置为执行以下操作：基于训练数据集合来训练所述预测机器学习模型，其中所述训练数据集合包括：多个检查对象中的每个检查对象的检查区域在频率空间中的简化参考表示的集合，检查对象的检查区域的简化参考表示的每个集合包括：检查对象的检查区域在频率空间中的第一简化参考表示；检查对象的检查区域在频率空间中的第二简化参考表示；以及检查对象的检查区域在频率空间中的第三简化参考表示；并且其中所述第一简化参考表示包括检查区域在频率空间中的第一参考表示中包含频率空间中心的一部分的参考表示，其中所述第一参考表示包括在医学成像技术期间未施用一定量的造影剂或在医学成像技术期间施用了第一数量的造影剂的检查区域的参考表示；其中所述第二简化参考表示包括检查区域在频率空间中的第二参考表示中包含频率空间中心的一部分的参考表示，其中所述第二参考表示包括在医学成像技术期间施用了第二数量的造影剂的检查区域的参考表示；其中所述第三简化参考表示包括检查区域在频率空间中的第三参考表示中包含频率空间中心的一部分的参考表示，其中所述第三参考表示包括在医学成像技术期间施用了第三数量的造影剂的检查区域的参考表示。
第13项：如第12项所述的系统，其中，当训练所述预测机器学习模型时，所述至少一个处理器被编程或被配置为执行以下操作：最小化由误差函数提供的误差量，其中误差函数量化在医学成像技术期间施用了第三数量的造影剂的检查对象的检查区域在频率空间中的简化表示的预测和检查对象的检查区域在频率空间中的第三简化参考表示之间的偏差。
第14项：一种用于提供检查区域的表示的预测的计算机程序产品，所述预测是使用涉及造影剂的医学图像技术生成的，所述计算机程序产品包括至少一个非暂时性计算机可读介质，所述至少一个非暂时性计算机可读介质包括一个或多个指令，所述一个或多个指令在由至少一个处理器执行时导致所述至少一个处理器执行以下操作：接收检查对象的检查区域在频率空间中的第一表示，其中所述第一表示包括在医学成像技术期间未施用一定量的造影剂或在医学成像技术期间施用了第一数量的造影剂的检查区域的表示；接收检查对象的检查区域在频率空间中的第二表示，其中所述第二表示包括在医学成像技术期间施用了第二数量的造影剂的检查区域的表示，其中所述第二数量的造影剂与第一数量的造影剂不同；提供预测机器学习模型的输入，其中所述预测机器学习模型的输入包括第一表示的至少一部分和第二表示的至少一部分，其中所述预测机器学习模型包括经训练的机器学习模型，所述经训练的机器学习模型被配置为提供在医学成像技术期间施用了第三数量的造影剂的检查区域在频率空间中的表示的预测作为输出，其中所述第三数量的造影剂大于所述第一数量的造影剂和所述第二数量的造影剂；接收所述预测机器学习模型基于所述输入的输出；将所述预测机器学习模型的输出转换为检查对象的检查区域在实体空间中的预测表示；以及提供检查对象的检查区域在实体空间中的预测表示。
第15项：如第14项所述的计算机程序产品，其中所述一个或多个指令进一步导致所述至少一个处理器执行以下操作：指定所述第一表示的包含频率空间中心的一部分、所述第二表示的包含频率空间中心的一部分、或所述第一表示和所述第二表示的分别包含频率空间中心的一部分，提供检查对象的检查区域在频率空间中的简化表示；其中所述预测机器学习模型的输入包括检查对象的检查区域在频率空间中的简化表示；以及其中，导致所述至少一个处理器提供预测机器学习模型的输入的所述一个或多个指令导致所述至少一个处理器执行以下操作：提供检查对象的检查区域在频率空间中的简化表示作为预测机器学习模型的输入。
第16项：如第15项所述的计算机程序产品，其中所述一个或多个指令进一步导致所述至少一个处理器执行以下操作：用以下内容补充所述预测机器学习模型的输出：所述第一表示的不包含频率空间中心且未被指定用来提供检查对象的检查区域在频率空间中的简化表示的一部分、所述第二表示的不包含频率空间中心且未被指定用来提供检查对象的检查区域在频率空间中的简化表示的一部分、或所述第一表示和所述第二表示的分别不包含频率空间中心且未被指定用来提供检查对象的检查区域在频率空间中的简化表示的一部分；提供所述预测机器学习模型的补充输出；其中导致所述至少一个处理器将所述预测机器学习模型的输出转换为检查对象的检查区域在实体空间中的预测表示的所述一个或多个指令导致所述至少一个处理器执行以下操作：将所述预测机器学习模型的补充输出转换为检查对象的检查区域在实体空间中的预测表示。
第17项：如第14-16项中的任一项所述的计算机程序产品，其中在医学成像技术期间施用的第一数量的造影剂大于零，其中在医学成像技术期间施用的第二数量的造影剂大于第一数量的造影剂。
第18项：如第14-16项中的任一项所述的计算机程序产品，其中在医学成像技术期间施用的第一数量的造影剂为零，其中在医学成像技术期间施用的第二数量的造影剂大于第一数量的造影剂。
第19项：如第14-18项中的任一项所述的计算机程序产品，其中所述一个或多个指令进一步导致所述至少一个处理器执行以下操作：关于放射检查的第一结果生成放射检查对象的检查区域在频率空间中的第一表示；以及关于放射检查的第二结果生成放射检查对象的检查区域在频率空间中的第二表示。
第20项：如第19项所述的计算机程序产品，其中所述放射检查为磁共振成像检查、计算机断层扫描检查、或超声检查。
第21项：如第19项所述的计算机程序产品，其中所述放射检查为磁共振成像检查，其中导致所述至少一个处理器接收检查对象的检查区域在频率空间中的第一表示的所述一个或多个指令导致所述至少一个处理器执行以下操作：接收与检查对象的检查区域的磁共振成像检查相关联的第一k空间数据；并且其中导致所述至少一个处理器接收检查对象的检查区域在频率空间中的第二表示导致所述至少一个处理器执行以下操作：接收与检查对象的检查区域的磁共振成像检查相关联的第二k空间数据。
第22项：如第14-20项中的任一项所述的计算机程序产品，其中导致所述至少一个处理器接收检查对象的检查区域在频率空间中的第一表示的所述一个或多个指令导致所述至少一个处理器执行以下操作：接收检查对象的检查区域在实体空间中的第一表示，其中实体空间中的第一表示包括在医学成像技术期间未施用一定量的造影剂或在医学成像技术期间施用了第一数量的造影剂的检查区域的表示；将实体空间中的第一表示转换为检查对象的检查区域在频率空间中的第一表示；其中导致所述至少一个处理器接收检查对象的检查区域在频率空间中的第二表示的所述一个或多个指令导致所述至少一个处理器执行以下操作：接收检查对象的检查区域在实体空间中的第二表示，其中实体空间中的第二表示包括在医学成像技术期间施用了第二数量的造影剂的检查区域的表示，其中所述第二数量的造影剂与第一数量的造影剂不同；将实体空间中的第一表示转换为检查对象的检查区域在频率空间中的第一表示。
第23项：如第14-22项中的任一项所述的计算机程序产品，其中所述一个或多个指令进一步导致所述至少一个处理器执行以下操作：基于训练数据集合来训练所述预测机器学习模型，其中所述训练数据集合包括：多个检查对象中的每个检查对象的检查区域在频率空间中的参考表示的集合，检查对象的检查区域的参考表示的每个集合包括：检查对象的检查区域在频率空间中的第一参考表示；检查对象的检查区域在频率空间中的第二参考表示；以及检查对象的检查区域在频率空间中的第三参考表示；并且其中频率空间中的所述第一参考表示包括在医学成像技术期间未施用一定量的造影剂或在医学成像技术期间施用了第一数量的造影剂的检查区域的参考表示；其中频率空间中的所述第二参考表示包括在医学成像技术期间施用了第二数量的造影剂的检查区域的参考表示；其中频率空间中的所述第三参考表示包括在医学成像技术期间施用了第三数量的造影剂的检查区域的参考表示。
第24项：如第23项所述的计算机程序产品，其中导致所述至少一个处理器训练所述预测机器学习模型的所述一个或多个指令导致所述至少一个处理器执行以下操作：最小化由误差函数提供的误差量，其中误差函数量化在医学成像技术期间施用了第三数量的造影剂的检查对象的检查区域在频率空间中的表示的预测和检查对象的检查区域在频率空间中的第三参考表示之间的偏差。
第25项：如第14-24项中的任一项所述的计算机程序产品，其中所述一个或多个指令进一步导致所述至少一个处理器执行以下操作：基于训练数据集合来训练所述预测机器学习模型，其中所述训练数据集合包括：多个检查对象中的每个检查对象的检查区域在频率空间中的简化参考表示的集合，检查对象的检查区域的简化参考表示的每个集合包括：检查对象的检查区域在频率空间中的第一简化参考表示；检查对象的检查区域在频率空间中的第二简化参考表示；以及检查对象的检查区域在频率空间中的第三简化参考表示；并且其中所述第一简化参考表示包括检查区域在频率空间中的第一参考表示中包含频率空间中心的一部分的参考表示，其中所述第一参考表示包括在医学成像技术期间未施用一定量的造影剂或在医学成像技术期间施用了第一数量的造影剂的检查区域的参考表示；其中所述第二简化参考表示包括检查区域在频率空间中的第二参考表示中包含频率空间中心的一部分的参考表示，其中所述第二参考表示包括在医学成像技术期间施用了第二数量的造影剂的检查区域的参考表示；其中所述第三简化参考表示包括检查区域在频率空间中的第三参考表示中包含频率空间中心的一部分的参考表示，其中所述第三参考表示包括在医学成像技术期间施用了第三数量的造影剂的检查区域的参考表示。
第26项：如第25项所述的计算机程序产品，其中导致所述至少一个处理器训练所述预测机器学习模型的所述一个或多个指令导致所述至少一个处理器执行以下操作：最小化由误差函数提供的误差量，其中误差函数量化在医学成像技术期间施用了第三数量的造影剂的检查对象的检查区域在频率空间中的简化表示的预测和检查对象的检查区域在频率空间中的第三简化参考表示之间的偏差。
第27项：一种用于提供检查区域的表示的预测的方法，所述预测是使用涉及造影剂的医学图像技术生成的，所述方法包括：用至少一个处理器接收检查对象的检查区域在频率空间中的第一表示，其中所述第一表示包括在医学成像技术期间未施用一定量的造影剂或在医学成像技术期间施用了第一数量的造影剂的检查区域的表示；用所述至少一个处理器接收检查对象的检查区域在频率空间中的第二表示，其中所述第二表示包括在医学成像技术期间施用了第二数量的造影剂的检查区域的表示，其中所述第二数量的造影剂与第一数量的造影剂不同；用所述至少一个处理器提供预测机器学习模型的输入，其中所述预测机器学习模型的输入包括第一表示的至少一部分和第二表示的至少一部分，其中所述预测机器学习模型包括经训练的机器学习模型，所述经训练的机器学习模型被配置为提供在医学成像技术期间施用了第三数量的造影剂的检查区域在频率空间中的表示的预测作为输出，其中所述第三数量的造影剂大于所述第一数量的造影剂和所述第二数量的造影剂；用所述至少一个处理器接收所述预测机器学习模型基于所述输入的输出；用所述至少一个处理器将所述预测机器学习模型的输出转换为检查对象的检查区域在实体空间中的预测表示；以及用所述至少一个处理器提供检查对象的检查区域在实体空间中的预测表示。
第28项：如第27项所述的方法，进一步包括：指定所述第一表示的包含频率空间中心的一部分、所述第二表示的包含频率空间中心的一部分、或所述第一表示和所述第二表示的分别包含频率空间中心的一部分，提供检查对象的检查区域在频率空间中的简化表示；其中所述预测机器学习模型的输入包括检查对象的检查区域在频率空间中的简化表示；以及其中提供预测机器学习模型的输入包括：提供检查对象的检查区域在频率空间中的简化表示作为预测机器学习模型的输入。
第29项：如第28项所述的方法，进一步包括：用以下内容补充所述预测机器学习模型的输出：所述第一表示的不包含频率空间中心且未被指定用来提供检查对象的检查区域在频率空间中的简化表示的一部分、所述第二表示的不包含频率空间中心且未被指定用来提供检查对象的检查区域在频率空间中的简化表示的一部分、或所述第一表示和所述第二表示的分别不包含频率空间中心且未被指定用来提供检查对象的检查区域在频率空间中的简化表示的一部分，以提供所述预测机器学习模型的补充输出；其中，将所述预测机器学习模型的输出转换为检查对象的检查区域在实体空间中的表示包括：将所述预测机器学习模型的补充输出转换为检查对象的检查区域在实体空间中的表示。
第30项：如第27-29项中的任一项所述的方法，其中在医学成像技术期间施用的第一数量的造影剂大于零，其中在医学成像技术期间施用的第二数量的造影剂大于第一数量的造影剂。
第31项：如第27-29项中的任一项所述的方法，其中在医学成像技术期间施用的第一数量的造影剂为零，其中在医学成像技术期间施用的第二数量的造影剂大于第一数量的造影剂。
第32项：如第27-31项中的任一项所述的方法，进一步包括：关于放射检查的第一结果生成放射检查对象的检查区域在频率空间中的第一表示；以及关于放射检查的第二结果生成放射检查对象的检查区域在频率空间中的第二表示。
第33项：如第32项所述的方法，其中所述放射检查为磁共振成像检查、计算机断层扫描检查、或超声检查。
第34项：如第32项所述的方法，其中所述放射检查为磁共振成像检查，其中接收检查对象的检查区域在频率空间中的第一表示包括：接收与检查对象的检查区域的磁共振成像检查相关联的第一k空间数据；并且其中接收检查对象的检查区域在频率空间中的第二表示包括：接收与检查对象的检查区域的磁共振成像检查相关联的第二k空间数据。
第35项：如第27-33项中的任一项所述的方法，其中接收检查对象的检查区域在频率空间中的第一表示包括：接收检查对象的检查区域在实体空间中的第一表示，其中实体空间中的第一表示包括在医学成像技术期间未施用一定量的造影剂或在医学成像技术期间施用了第一数量的造影剂的检查区域的表示；将实体空间中的第一表示转换为检查对象的检查区域在频率空间中的第一表示；并且其中接收检查对象的检查区域在频率空间中的第二表示包括：接收检查对象的检查区域在实体空间中的第二表示，其中实体空间中的第二表示包括在医学成像技术期间施用了第二数量的造影剂的检查区域的表示，其中所述第二数量的造影剂与第一数量的造影剂不同；将实体空间中的第一表示转换为检查对象的检查区域在频率空间中的第一表示。
第36项：如第27-35项中的任一项所述的方法，进一步包括：基于训练数据集合来训练所述预测机器学习模型，其中所述训练数据集合包括：多个检查对象中的每个检查对象的检查区域在频率空间中的参考表示的集合，检查对象的检查区域在频率空间中的参考表示的每个集合包括：检查对象的检查区域在频率空间中的第一参考表示；检查对象的检查区域在频率空间中的第二参考表示；以及检查对象的检查区域在频率空间中的第三参考表示；并且其中所述第一参考表示包括在医学成像技术期间未施用一定量的造影剂或在医学成像技术期间施用了第一数量的造影剂的检查区域的参考表示；其中所述第二参考表示包括在医学成像技术期间施用了第二数量的造影剂的检查区域的参考表示；其中所述第三参考表示包括在医学成像技术期间施用了第三数量的造影剂的检查区域的参考表示。
第37项：如第36项所述的方法，其中训练所述预测机器学习模型基于包括：最小化由误差函数提供的误差量，其中误差函数量化在医学成像技术期间施用了第三数量的造影剂的检查对象的检查区域在频率空间中的表示的预测和检查对象的检查区域在频率空间中的第三参考表示之间的偏差。
第38项：如第27-37项中的任一项所述的方法，进一步包括：基于训练数据集合来训练所述预测机器学习模型，其中所述训练数据集合包括：多个检查对象中的每个检查对象的检查区域在频率空间中的简化参考表示的集合，检查对象的检查区域在频率空间中的简化参考表示的每个集合包括：检查对象的检查区域在频率空间中的第一简化参考表示；检查对象的检查区域在频率空间中的第二简化参考表示；以及检查对象的检查区域在频率空间中的第三简化参考表示；并且其中所述第一简化参考表示包括检查区域在频率空间中的第一参考表示中包含频率空间中心的一部分的参考表示，其中所述第一参考表示包括在医学成像技术期间未施用一定量的造影剂或在医学成像技术期间施用了第一数量的造影剂的检查区域的参考表示；其中所述第二简化参考表示包括检查区域在频率空间中的第二参考表示中包含频率空间中心的一部分的参考表示，其中所述第二参考表示包括在医学成像技术期间施用了第二数量的造影剂的检查区域的参考表示；其中所述第三简化参考表示包括检查区域在频率空间中的第三参考表示中包含频率空间中心的一部分的参考表示，其中所述第三参考表示包括在医学成像技术期间施用了第三数量的造影剂的检查区域的参考表示。
第39项：如第38项所述的方法，其中训练所述预测机器学习模型基于包括：最小化由误差函数提供的误差量，其中误差函数量化在医学成像技术期间施用了第三数量的造影剂的检查对象的检查区域在频率空间中的简化表示的预测和检查对象的检查区域在频率空间中的第三简化参考表示之间的偏差。
本公开内容的这些特征和其他特征，以及相关结构元件的操作方法及功能和部件的组合和制造的经济性，在参考附图考虑到以下描述和所附权利要求后将变得更加显而易见，所有附图形成本说明书的一部分，其中相同的参考标记表示各图中的相应部件。然而，应明确理解的是，附图仅用于例示和说明的目的，并非意图限制本公开内容的范围。如在详述和权利要求书中所使用的，单数形式的“一”、“一个”和“该”包括复数形式的指代，除非上下文另有明确规定。
附图说明
下面参考在附图中例示的示例性实施方案更详细地解释非限制性实施方案的附加的优点和细节，其中：
图1是一种环境的非限制性实施方案的示意图，在该环境中，可以根据本公开内容实施本文所描述的系统、方法和/或计算机程序产品；
图2是图1的一个或多个设备和/或一个或多个系统的部件的非限制性实施方案的示意图；
图3是用于提供检查区域的表示的预测的过程的非限制性实施方案的流程图，所述预测是使用涉及造影剂的医学图像技术生成的；
图4是用于训练预测机器学习模型以提供检查区域的表示的预测的过程的非限制性实施方案的流程图；
图5A至图5C是实施用于提供检查区域的表示的预测的过程的非限制性实施方案的示意图，所述预测是使用涉及造影剂的医学图像技术生成的；以及
图6A至图6B是实施用于提供检查区域的表示的预测的过程的非限制性实施方案的示意图，所述预测是使用涉及造影剂的医学图像技术生成的。
具体实施方式
为便于下文的描述，术语“端部”、“上部”、“下部”、“右”、“左”、“竖直”、“水平”、“顶部”、“底部”、“横向”、“纵向”及其衍生词应与在附图中定向的本公开内容有关。然而，应理解的是，本公开内容可以具有多种可替代变体和步骤顺序，除非有明确的相反规定。还应理解的是，附图中例示的和以下说明书中描述的具体设备和过程仅是本公开内容的示例性实施方案或方面。因此，与本文所公开的实施方案或实施方案的方面相关的具体尺寸和其他物理特征不应被视为限制性的，除非另外指出。
本文所使用的方面、部件、元件、结构、行为、步骤、功能、指令和/或类似物都不应被解释为关键的或必要的，除非明确这样描述。此外，如本文所使用的，冠词“一”和“一个”意指包括一项或多项，并且可以与“一个或多个”和“至少一个”互换使用。如说明书和权利要求书中所使用的单数形式的“一”、“一个”和“该”包括复数形式的指代，例如，除非上下文另有明确规定。此外，如本文所使用的，术语“集合”和“组”意在包括一项或多项(例如，相关项、不相关项、相关项和不相关项的组合等)，并且可以与“一个或多个”或“至少一个”互换使用。如果意指仅一项，则使用术语“一个(one)”或类似语言。此外，如本文所使用的，术语“具有(have)”、“具有(has)”、“具有(having)”或类似术语意味着作为开放式术语。此外，短语“基于”旨在表示“至少部分基于”的意思，除非另有明确说明。此外，短语“基于”可以表示“响应于”的意思，并且表示用于自动触发本文适当提及的电子设备(例如，控制器、处理器、计算设备等)的具体操作的条件。
如本文所使用的，术语“系统”可以指一个或多个计算设备或计算设备的组合，诸如但不限于，处理器、服务器、客户端设备、软件应用程序和/或其他类似部件。此外，如本文所使用的，提及“服务器”或“处理器”可以指先前引用的被引用为执行先前步骤或功能的服务器和/或处理器、不同的服务器和/或处理器、和/或服务器和/或处理器的组合。例如，如说明书和权利要求书中所使用的，被引用为执行第一步骤或功能的第一服务器和/或处理器可以指被引用为执行第二步骤或功能的相同或不同的服务器和/或处理器。
如本文所使用的，术语“通信(communication)”和“通信(communicate)”可以指信息(例如，数据、信号、消息、指令、命令和/或类似信息)的接收、收到、传输、转移、提供和/或类似的。对于一个单元(例如，设备、系统、设备或系统的部件、它们的组合和/或类似物)与另一个单元通信意味着，所述一个单元能够直接或间接从所述另一个单元接收信息和/或向另一个单元传输信息。这可以指本质上是有线的和/或无线的直接或间接连接。此外，两个单元可以相互通信，即使所传输的信息可能在第一单元和第二单元之间被修改、处理、中继和/或路由。例如，第一单元可以与第二单元通信，即使所述第一单元被动接收信息且不主动向所述第二单元发送信息。如另一个实施例，第一单元可以与第二单元通信，如果至少一个中间单元(例如，位于所述第一单元和所述第二单元之间的第三单元)处理从所述第一单元接收到的信息并将经处理的信息发送到第二单元。在一些非限制性实施方案中，信息可以指包括数据的网络数据包(例如，数据包和/或类似物)。
本文描述了与阈值有关的一些非限制性实施方案。如本文所使用的，满足阈值可以指大于阈值、多于阈值、高于阈值、大于或等于阈值、小于阈值、少于阈值、低于阈值、小于或等于阈值、等于阈值等的值。
在一些非限制性实施方案中，机器学习模型可以被用作减少用于生成放射图像的造影剂的量的一种方法。例如，在过程的第一步期间，可以生成训练数据集合。对于多个个体(例如，患者、人等)，训练数据集合可以包括每个个体的原始放射图像(例如，在医学成像技术期间未施用一定量的造影剂而生成的放射图像，诸如零对比度图像等)、在医学成像技术期间基于施用了低量的造影剂(例如，之后)而生成的低对比度放射图像(例如，低对比度图像)，以及在医学成像技术期间基于施用了标准量的造影剂而生成的全对比度放射图像(例如，全对比度图像)。在第二步中，可以训练机器学习模型(诸如人工神经网络)，以基于所述原始放射图像和所述低对比度放射图像为包含在训练数据集合中的每个个体预测一个预测的放射图像(例如，人工放射图像)，该预测的放射图像示出施用了标准量的造影剂之后的检查区域。当训练所述预测机器学习模型时，为每个个体使用全对比度放射图像作为参考(例如，基准真值)。在第三步中，经训练的机器学习模型可用于在原始放射图像和低对比度放射图像的基础上为新的个体预测一个预测的放射图像，该预测的放射图像示出新的个体的检查区域，与在医学成像技术期间已经施用了标准量的造影剂的检查区域一样。类似的过程可以在2018年10月9日提交的第PCT/US2018/055034号国际专利申请中找到，所述该国际专利申请以整体引用的方式纳入本文。
然而，在此过程期间，可能需要共配准(co-registration)以匹配不同个体的单个放射图像，从而使像素/体素相互对应。例如，可能需要共配准放射图像，使得来自个体的检查区域的放射图像的图像元素(例如，像素或体素)与来自该个体的检查区域的另一个放射图像的图像元素相对应(例如，示出相同)。如果放射图像的图像元素不对应，则在预测的放射图像中可能会出现伪影，该伪影可能会覆盖、扭曲和/或模拟检查区域中的解剖结构。
此外，上面所描述的过程可能需要使用完整的放射图像来训练预测机器学习模型和生成预测的放射图像。例如，训练预测机器学习模型和生成预测的放射图像可能需要在施用了各种量的造影剂之后使用完整的放射图像。以这种方式，用于生成预测的放射图像的计算复杂度就会迅速增加。此外，预测的放射图像的计算可能需要大量时间，而且可能需要昂贵的硬件以在所期望的量的时间内完成计算。此外，完整的放射图像可能需要缩小尺寸，缩小到局部区域(例如，斑块)，并且可能需要将所述局部区域彼此分开处理，以便不让过大的放射图像使计算机内存过载。然而，当将所述局部区域彼此分开处理且重新连接形成完整的放射图像时，这种方法可能会导致在接口处出现伪影(如拼接伪影)。这些拼接伪影的后续移除可能需要额外的计算资源。此外，该方法可能会使预测的放射图像存在误差的风险，放射科医生可能会误解这些风险，并且可能会有基于完整的放射图像的误诊。
本发明提供了用于提供检查区域的表示的预测的改进的系统、方法和计算机程序产品，所述预测是使用涉及造影剂的医学图像技术生成的。本公开内容的实施方案可以包括一种系统，所述系统包括至少一个处理器，所述至少一个处理器被编程或被配置为执行以下操作：接收检查对象的检查区域在频率空间中的第一表示，其中所述第一表示包括在医学成像技术期间未施用一定量的造影剂或在医学成像技术期间施用了第一数量的造影剂的检查区域的表示，接收检查对象的检查区域在频率空间中的第二表示，其中所述第二表示包括在医学成像技术期间施用了第二数量的造影剂的检查区域的表示，其中所述第二数量的造影剂与第一数量的造影剂不同，提供预测机器学习模型的输入，其中所述预测机器学习模型的输入包括第一表示的至少一部分和第二表示的至少一部分，其中所述预测机器学习模型包括经训练的机器学习模型，所述经训练的机器学习模型被配置为提供在医学成像技术期间施用了第三数量的造影剂的检查区域在频率空间中的表示的预测作为输出，其中所述第三数量的造影剂大于所述第一数量的造影剂和所述第二数量的造影剂，接收所述预测机器学习模型基于所述输入的输出，将所述预测机器学习模型的输出转换为检查对象的检查区域在实体空间中的预测表示，以及提供检查对象的检查区域在实体空间中的预测表示。
在一些非限制性实施方案中，所述至少一个处理器进一步被编程或被配置为执行以下操作：指定所述第一表示的包含频率空间中心的一部分、所述第二表示的包含频率空间中心的一部分、或所述第一表示和所述第二表示的分别包含频率空间中心的一部分，提供检查对象的检查区域在频率空间中的简化表示，其中所述预测机器学习模型的输入包括检查对象的检查区域在频率空间中的简化表示，以及其中，当提供预测机器学习模型的输入时，所述至少一个处理器被编程或被配置为提供检查对象的检查区域在频率空间中的简化表示作为预测机器学习模型的输入。在一些非限制性实施方案中，所述至少一个处理器进一步被编程或被配置为执行以下操作：用以下内容补充所述预测机器学习模型的输出，以提供所述预测机器学习模型的补充输出：所述第一表示中不包含频率空间中心且未被选定用来提供检查对象的检查区域在频率空间中的简化表示的一部分、所述第二表示中不包含频率空间中心且未被选定用来提供检查对象的检查区域在频率空间中的简化表示的一部分、或所述第一表示和所述第二表示中分别不包含频率空间中心且未被选定用来提供检查对象的检查区域在频率空间中的简化表示的一部分，其中，当将所述预测机器学习模型的输出转换为检查对象的检查区域在实体空间中的预测表示时，所述至少一个处理器被编程或被配置为将所述预测机器学习模型的补充输出转换为检查对象的检查区域在实体空间中的预测表示。
在一些非限制性实施方案中，在医学成像技术期间施用的第一数量的造影剂大于零，其中在医学成像技术期间施用的第二数量的造影剂大于第一数量的造影剂。
在一些非限制性实施方案中，在医学成像技术期间施用的第一数量的造影剂为零，其中在医学成像技术期间施用的第二数量的造影剂大于第一数量的造影剂(即大于零)。
在一些非限制性实施方案中，所述至少一个处理器进一步被编程或被配置为关于放射检查的第一结果生成放射检查对象的检查区域在频率空间中的第一表示，以及关于放射检查的第二结果生成放射检查对象的检查区域在频率空间中的第二表示。在一些非限制性实施方案中，所述放射检查为磁共振成像检查、计算机断层扫描检查、或超声检查。
在一些非限制性实施方案中，当在频率空间中接收检查对象的检查区域在频率空间中的第一表示时，所述至少一个处理器被编程或被配置为接收与检查对象的检查区域的磁共振成像(MRI)检查相关联的第一k空间数据，并且其中，当在频率空间中接收检查对象的检查区域在频率空间中的第二表示时，所述至少一个处理器被编程或被配置为接收与检查对象的检查区域的MRI检查相关联的第二k空间数据。
在一些非限制性实施方案中，当在频率空间中接收检查对象的检查区域在频率空间中的第一表示时，所述至少一个处理器被编程或被配置为执行以下操作：接收检查对象的检查区域在实体空间中的第一表示，其中实体空间中的第一表示包括在医学成像技术期间未施用一定量的造影剂或在医学成像技术期间施用了第一数量的造影剂的检查区域的表示；将实体空间中的第一表示转换为检查对象的检查区域在频率空间中的第一表示；并且其中，当在频率空间中接收检查对象的检查区域在频率空间中的第二表示时，所述至少一个处理器被编程或被配置为执行以下操作：接收检查对象的检查区域在实体空间中的第二表示，其中实体空间中的第二表示包括在医学成像技术期间施用了第二数量的造影剂的检查区域的表示，其中所述第二数量的造影剂与第一数量的造影剂不同；将实体空间中的第一表示转换为检查对象的检查区域在频率空间中的第一表示。
在一些非限制性实施方案中，所述至少一个处理器进一步被编程或被配置为基于训练数据集合来训练所述预测机器学习模型，其中所述训练数据集合包括多个检查对象中的每个检查对象的检查区域在频率空间中的参考表示的集合，检查对象的检查区域的参考表示的每个集合包括检查对象的检查区域在频率空间中的第一参考表示，检查对象的检查区域在频率空间中的第二参考表示，以及检查对象的检查区域在频率空间中的第三参考表示，并且其中所述第一参考表示包括在医学成像技术期间未施用一定量的造影剂或在医学成像技术期间施用了第一数量的造影剂的检查区域的参考表示，其中所述第二参考表示包括在医学成像技术期间施用了第二数量的造影剂的检查区域的参考表示，并且其中所述第三参考表示包括在医学成像技术期间施用了第三数量的造影剂的检查区域的参考表示。
在一些非限制性实施方案中，当训练所述预测机器学习模型时，所述至少一个处理器被编程或被配置为最小化由误差函数提供的误差量，其中误差函数量化在医学成像技术期间施用了第三数量的造影剂的检查对象的检查区域在频率空间中的表示的预测和检查对象的检查区域在频率空间中的第三参考表示之间的偏差。
在一些非限制性实施方案中，所述至少一个处理器进一步被编程或被配置为基于训练数据集合来训练所述预测机器学习模型，其中所述训练数据集合包括多个检查对象中的每个检查对象的检查区域在频率空间中的简化参考表示的集合，检查对象的检查区域的简化参考表示的每个集合包括检查对象的检查区域在频率空间中的第一简化参考表示，检查对象的检查区域在频率空间中的第二简化参考表示，以及检查对象的检查区域在频率空间中的第三简化参考表示，并且其中所述第一简化参考表示包括检查区域在频率空间中的第一参考表示的包含频率空间中心的一部分的参考表示，其中所述第一参考表示包括在医学成像技术期间未施用一定量的造影剂或在医学成像技术期间施用了第一数量的造影剂的检查区域的参考表示，其中所述第二简化参考表示包括检查区域在频率空间中的第二参考表示的包含频率空间中心的一部分的参考表示，其中所述第二参考表示包括在医学成像技术期间施用了第二数量的造影剂的检查区域的参考表示，其中所述第三简化参考表示包括检查区域在频率空间中的第三参考表示的包含频率空间中心的一部分的参考表示，其中所述第三参考表示包括在医学成像技术期间施用了第三数量的造影剂的检查区域的参考表示。
在一些非限制性实施方案中，当训练所述预测机器学习模型时，所述至少一个处理器被编程或被配置为最小化由误差函数提供的误差量，其中误差函数量化在医学成像技术期间施用了第三数量的造影剂的检查对象的检查区域在频率空间中的简化表示的预测和检查对象的检查区域在频率空间中的第三简化参考表示之间的偏差。
以这种方式，该系统可以提供检查对象的检查区域在实体空间中的预测表示，这可以减少用来提供检查对象的检查区域在实体空间中的表示的造影剂的使用。此外，该系统可以提供检查对象的检查区域在实体空间中的预测表示，以一种在共配准中误差可容忍的方式，从而可以避免伪影(特别是拼接伪影)的风险。此外，与不使用机器学习模型的系统相比，该系统所需要的用于提供预测表示的计算资源可能更少，所述机器学习模型被配置为提供在医学成像技术期间施用了特定量的造影剂的检查区域在频率空间中的表示的预测作为输出，并且该系统可以使计算复杂度与系统的硬件配置相匹配。此外，通过使用检查对象的检查区域在频率空间中的简化表示来提供在实体空间中的预测表示和/或通过使用检查对象的检查区域在频率空间中的简化参考表示来训练机器学习模型，该系统与不使用检查对象的检查区域在频率空间中的简化表示来提供在实体空间中的预测表示或不使用检查对象的检查区域在频率空间中的简化参考表示来训练机器学习模型的系统相比，可以缩减用以提供在实体空间中的预测表示和/或用以训练机器学习模型所需的时间量。
现在参考图1，图1是可以实施本文所描述的设备、系统、方法和/或计算机程序产品的环境100的非限制性实施方案的示意图。如图1所示，环境100包括放射机器学习系统102、医学成像系统104和用户设备106。在一些非限制性实施方案中，放射机器学习系统102可以经由通信网络108与医学成像系统104和/或用户设备106互连(例如，建立连接以与之通信和/或类似)。在一些非限制性实施方案中，放射机器学习系统102可以经由有线连接、无线连接或有线连接和无线连接的组合与医学成像系统104和用户设备106互连。
放射机器学习系统102可以包括一个或多个计算设备，该一个或多个计算设备被配置为经由通信网络108与医学成像系统104和/或用户设备106通信。例如，放射机器学习系统102可以包括一个服务器、一组服务器和/或其他类似物。在一些非限制性实施方案中，放射机器学习系统102可以是医学成像系统104的一个部件。在一些非限制性实施方案中，放射机器学习系统102可以包括云计算系统。
医学成像系统104可以包括一个或多个计算设备，该一个或多个计算设备能够经由通信网络108与放射机器学习系统102和/或用户设备106通信。例如，医学成像系统104可以包括一个或多个扫描仪，诸如CT扫描仪和/或MRI扫描仪，该一个或多个扫描仪能够经由通信网络108进行通信，并能够执行涉及使用造影剂(如放射造影材料)的医学成像程序。
用户设备106可以包括一个或多个计算设备，该一个或多个计算设备配置为经由通信网络108与放射机器学习系统102和/或医学成像系统104通信。例如，用户设备106可以包括台式计算机(例如，与服务器通信的客户端设备)和/或便携式计算机，诸如笔记本电脑、平板电脑、智能手机和/或类似设备。在一些非限制性实施方案或方面中，用户设备106可以与用户(例如，操作设备的个体)相关联。
通信网络108可以包括一个或多个有线网络和/或无线网络。例如，通信网络108可以包括蜂窝网络(例如，长期演进(LTE)网络、第三代(3G)网络、第四代(4G)网络、第五代(5G)网络、码分多址(CDMA)网络和/或类似网络)、局域网(LAN)、广域网(WAN)、无线局域网(WLAN)、专用网络、特设网络、内联网、互联网、光纤网络、以太网、通用串行总线(USB)网络、云计算网络和/或类似网络，和/或这些网络或其他类型网络的部分或全部的组合。
图1中所示的系统和/或设备的数量和布置作为示例提供。与图1中所示的系统和/或设备相比，可能存在附加的系统和/或设备、更少的系统和/或设备、不同的系统和/或设备或不同布置的系统和/或设备。此外，图1中所示的两个或更多个系统和/或设备可以在单个系统或单个设备中实施，或者图1中所示的单个系统或单个设备可以作为多个分布式系统或设备实施。附加地或替代地，环境100的一组系统或一组设备(例如，一个或多个系统、一个或多个设备)可以执行被描述为由环境100的另一组系统或另一组设备执行的一个或多个功能。
现在参考图2，图2是设备200的示例部件的示意图。设备200可对应于放射机器学习系统102、医学成像系统104和/或用户设备106。在一些非限制性实施方案中，放射机器学习系统102、医学系统104和/或用户设备106可以包括至少一个设备200和/或设备200的至少一个部件。如图2所示，设备200可以包括总线202、处理器204、存储器206、存储部件208、输入部件210、输出部件212和通信接口214。
总线202可以包括允许设备200的部件之间进行通信的部件。在一些非限制性实施方案中，处理器204可以在硬件、软件或硬件和软件的组合中实施。例如，处理器204可以包括处理器(例如，中央处理单元(CPU)、图形处理单元(GPU)、加速处理单元(APU)，和/或类似设备)、微处理器、数字信号处理器(DSP)，和/或任何可以被编程执行功能的处理部件(例如，现场可编程门阵列(FPGA)、专用集成电路(ASIC)和/或类似设备)。存储器206可以包括随机存取存储器(RAM)、只读存储器(ROM)和/或另一种类型的用于存储被处理器204使用的信息和/或指令的动态或静态存储设备(例如闪存、磁存储器、光存储器和/或类似设备)。
存储部件208可以存储与设备200的操作和使用相关的信息和/或软件。例如，存储部件208可以包括硬盘(如磁盘、光学盘、磁光盘、固态盘和/或类似物)、光盘(CD)、数字多功能光盘(DVD)、软盘、盒式磁带和/或其他类型的计算机可读介质以及相应的驱动器。
输入部件210可以包括允许设备200诸如经由用户输入(如触摸屏显示器、键盘、小键盘、鼠标、按钮、开关、麦克风、摄像头和/或类似设备)接收信息的部件。附加地或替代地，输入部件210可以包括用于感测信息的传感器(例如，全球定位系统(GPS)部件、加速计、陀螺仪、致动器和/或类似装置)。输出部件212可以包括从设备200提供输出信息的部件(例如，显示器、扬声器、一个或多个发光二极管(LED)和/或类似装置)。
通信接口214可以包括类似收发器的部件(例如，收发器、单独的接收器和发射器，和/或类似部件)，该类似收发器的部件使设备200能够诸如经由有线连接、无线连接或有线连接和无线连接的组合与其它设备通信。通信接口214可允许设备200从其他设备接收信息和/或向其他设备提供信息。例如，通信接口214可以包括以太网接口、光学接口、同轴接口、红外接口、射频(RF)接口、通用串行总线(USB)接口、接口、蜂窝网络接口和/或类似接口。
设备200可以执行本文所描述的一个或多个过程。设备200可以基于处理器204执行存储在计算机可读介质(诸如存储器206和/或存储部件208)上的软件指令来执行这些过程。计算机可读介质(例如非暂时性计算机可读介质)在本文定义为非暂时性存储设备。非暂时性存储设备可以包括位于单个物理存储设备内部的存储空间或分布于多个物理存储设备的存储空间。
软件指令可以经由通信接口214从另一个计算机可读介质或另一个设备读入存储器206和/或存储部件208。执行时，存储在存储器206和/或存储部件208中的软件指令可使处理器204执行本文所描述的一个或多个过程。附加地或替代地，也可以使用硬接线电路代替软件指令或与软件指令结合，以执行本文所描述的一个或多个过程。因此，本文所描述的实施方案或方面并不限制于硬件电路和软件的任何特定组合。
存储器206和/或存储部件208可以包括数据存储或一个或多个数据结构(例如，数据库和/或类似结构)。设备200能够从存储器206和/或存储部件208中的数据存储器或一个或多个数据结构中检索信息、将信息存储在存储器206和/或存储部件208中的数据存储器或一个或多个数据结构中或搜索储存在存储器206和/或存储部件208中的数据存储器或一个或多个数据结构中的信息。
图2中所示的部件的数量和布置作为示例提供。在一些非限制性实施方案中，与图2中所示的部件相比，设备200可以包括附加的部件、更少的部件、不同的部件或不同布置的部件。附加地或替代地，设备200的一组部件(例如，一个或多个部件)可以执行本文所描述的由设备200的另一组部件所执行的一个或多个功能。
现在参考图3，图3是用于提供检查区域的表示的预测的过程300的非限制性实施方案的流程图，所述预测是使用涉及造影剂的医学图像技术生成的。在一些非限制性实施方案或方面中，关于过程300所描述的一个或多个功能可以(例如，完全地、部分地等)由放射机器学习系统102执行。在一些非限制性实施方案或方面，过程300的一个或多个步骤可以(例如，完全地、部分地和/或类似)由独立于和/或包括放射机器学习系统102的另一个设备或一组设备执行，诸如医学成像系统104和/或用户设备106。
如图3所示，在步骤302，过程300可以包括接收检查区域在频率空间中的第一表示。例如，放射机器学习系统102可以在频率空间中从医学成像系统104接收检查区域(例如，视场(FOV)、图像体积等)在频率空间中的第一表示。在一些非限制性实施方案中，放射机器学习系统102可以从医学成像系统104接收检查对象的检查区域在频率空间中的第一表示。在一些非限制性实施方案中，第一表示可以包括在医学成像技术(例如，将在放射检查期间执行的医学成像技术)期间未施用一定量的造影剂或在医学成像技术期间施用了第一数量的造影剂的检查区域在频率空间中的表示。在一些非限制性实施方案中，在医学成像技术期间施用的第一数量的造影剂大于零。
在一些非限制性实施方案中，检查对象可以包括生物，如哺乳动物。在一个实施例中，检查对象可以包括人。在一些非限制性实施方案中，检查区域可以是检查对象的接受放射检查(例如，涉及医学成像技术的放射检查)的一部分。在一个实施例中，检查区域可以包括检查对象的器官或器官的一部分。在一些非限制性实施方案中，放射检查可以包括磁共振成像(MRI)检查、计算机断层扫描(CT)检查和/或超声检查。在一些非限制性实施方案中，检查区域可以包括在放射图像中成像的体积。检查区域可由放射科医生限定(例如，由放射科医生手动限定)，例如在概览图像(定位器)上限定。附加地或替代地，检查区域也可以自动限定(例如，由放射机器学习系统102自动限定，由医学成像系统104自动限定等)。例如，检查区域可以基于协议(例如，医学成像系统104的特定协议)自动限定。
在一些非限制性实施方案中，检查区域在频率空间中的第一表示可以包括与医学成像系统104所执行的放射检查相关联的数据。例如，检查区域在频率空间中的第一表示可以包括与医学成像系统104所执行的MRI检查(例如，检查对象的检查区域的MRI检查)相关联的k空间数据。
在一些非限制性实施方案中，放射机器学习系统102可以将检查区域在频率空间中的第一表示转换为检查区域在实体空间(例如，图像空间)中的第一表示。例如，放射机器学习系统102可以使用反傅里叶变换将检查区域在频率空间中的第一表示转换为检查区域在实体空间中的第一表示。
在一些非限制性实施方案中，放射机器学习系统102可以生成检查区域在频率空间中的第一表示。例如，放射机器学习系统102可以接收检查区域在实体空间中的第一表示(例如，检查区域的第一放射图像)，并且放射机器学习系统102可以基于检查区域在实体空间中的第一表示使用傅里叶变换生成检查区域在频率空间中的第一表示。在一些非限制性实施方案中，放射机器学习系统102可以接收检查区域在实体空间中的第一表示作为检查区域在实体空间中的二维(2D)放射图像或三维放射图像，并且放射机器学习系统102可以基于检查区域在实体空间中的第一表示使用2D傅里叶变换或3D傅里叶变换(视情况而定)生成检查区域在频率空间中的第一表示。
如图3所示，在步骤304，过程300可以包括接收检查区域在频率空间中的第二表示。例如，放射机器学习系统102可以从医学成像系统104中接收检查区域在频率空间中的第二表示(例如，第一表示的相同检查区域)。在一些非限制性实施方案中，放射机器学习系统102可以从医学成像系统104中接收检查对象(例如，与第一表示的检查区域相同的检查对象)的检查区域在频率空间中的第二表示。在一些非限制性实施方案中，第二表示可以包括在医学成像技术期间施用了第二数量的造影剂的检查区域的表示。在一些非限制性实施方案中，第二数量的造影剂与在医学成像技术期间施用的、与第一表示相关联的第一数量的造影剂不同。在一些非限制性实施方案中，第二数量的造影剂大于在医学成像技术期间施用的第一数量的造影剂。
在一些非限制性实施方案中，检查区域在频率空间中的第二表示可以包括与医学成像系统104所执行的放射检查相关联的数据。例如，检查区域在频率空间中的第二表示可以包括与医学成像系统104所执行的MRI检查相关联的k空间数据。
在一些非限制性实施方案中，放射机器学习系统102可以接收与检查区域在频率空间中的第一表示相关联的k空间数据和与检查区域在频率空间中的第二表示相关联的k空间数据。例如，放射机器学习系统102可以接收检查区域在频率空间中的第一表示作为与检查区域的MRI检查相关联的第一k空间数据(例如，由MRI检查生成的第一k空间数据)，并且放射机器学习系统102可以接收检查区域在频率空间中的第二表示作为与检查区域的MRI检查相关联的第二k空间数据(例如，由MRI检查生成的第二k空间数据)。在一些非限制性实施方案中，放射机器学习系统102可以针对放射检查的第一结果生成检查区域在频率空间中第一表示，并且放射机器学习系统102可以针对放射检查的第二结果生成检查区域在频率空间中的第二表示。例如，放射机器学习系统102可以基于与MRI检查的第一结果相关联的k空间数据生成检查区域在频率空间中的第一表示，并且放射机器学习系统102可以基于与MRI检查的第二结果相关联的k空间数据生成检查区域在频率空间中的第二表示。在一些非限制性实施方案中，检查区域在频率空间中的第一表示可以包括与检查区域的MRI检查相关联的第一k空间数据和/或检查区域在频率空间中的第二表示可以包括与检查区域的MRI检查相关联的第二k空间数据。
在一些非限制性实施方案中，放射机器学习系统102可以将检查区域在频率空间中的第二表示转换为检查区域在实体空间中的第二表示。例如，放射机器学习系统102可以使用反傅里叶变换将检查区域在频率空间中的第二表示转换为检查区域在实体空间中的第二表示。
在一些非限制性实施方案中，放射机器学习系统102可以生成检查区域在频率空间中的第二表示。例如，放射机器学习系统102可以接收检查区域在实体空间中的第二表示(例如，检查区域的第一放射图像)，并且放射机器学习系统102可以基于检查区域在实体空间中的第二表示使用傅里叶变换生成检查区域在频率空间中的第二表示。在一些非限制性实施方案中，放射机器学习系统102可以接收检查区域在实体空间中的第二表示作为检查区域的二维(2D)放射图像或三维(3D)放射图像，并且放射机器学习系统102可以基于检查区域在实体空间中的第二表示使用2D傅里叶变换或3D傅里叶变换(视情况而定)生成检查区域在频率空间中的第二表示。
如图3所示，在步骤306，过程300可以包括提供第一表示和第二表示作为预测机器学习模型的输入。例如，放射机器学习系统102可以提供预测机器学习模型(例如，预测算法、预测模型、预测模型等)的输入，其中预测机器学习模型的输入包括检查区域在频率空间中的第一表示的至少一部分和检查区域在频率空间中的第二表示的至少一部分。在一些非限制性实施方案中，预测机器学习模型可以包括经训练的机器学习模型，该经训练的机器学习模型被配置为提供在医学成像技术(例如，与检查区域在频率空间中的第一表示和检查区域在频率空间中的第二表示相关联的医学成像技术相同的医学成像技术)期间施用了第三数量的造影剂的检查对象的检查区域在频率空间中的表示的预测作为输出。在一些非限制性实施方案中，在医学成像技术期间施用了第三数量的造影剂的检查区域在频率空间中的表示的预测包括检查对象的检查区域的预测，因为如果特定量的造影剂(基于医学成像技术和/或检查区域的参数将施用于检查对象的标准量的造影剂)已经施用于检查区域(例如，检查对象的检查区域)，那么检查区域将被表示，而不需要在医学成像技术期间实际必须施用该特定量。
在一些非限制性实施方案中，第三数量的造影剂与第一数量的造影剂和/或第二数量的造影剂不同。例如，第三数量的造影剂可以大于在医学成像技术期间施用的、与检查区域在频率空间中的第一表示相关联的第一数量的造影剂，并且大于在医学成像期间施用的、与检查区域在频率空间中的第二表示相关联的第二数量的造影剂。
在一些非限制性实施方案中，预测机器学习模型可以包括人工神经网络。在一些非限制性实施方案中，人工神经网络可以包括至少三层处理元件。例如，人工神经网络可以包括具有输入神经元(例如节点)的第一层、具有输出神经元的第N层以及N-2个内层，其中N是大于2的自然数。在一些非限制性实施方案中，输入神经元可以被配置为接收检查对象的检查区域在频率空间中的第一表示和检查对象的检查区域在频率空间中的第二表示。输出神经元可以被配置为基于输入提供(例如，作为输出)在医学成像技术期间施用了特定量的造影剂的检查区域在频率空间中的表示的至少一个预测。在一些非限制性实施方案中，输入神经元和输出神经元之间各层的处理元件以具有预定连接权重的预定模式相互连接。在一些非限制性实施方案中，所述连接权重可以在训练机器学习模型(例如，训练人工神经网络)期间更新。
在一些非限制性实施方案中，预测机器学习模型可以包括卷积神经网络(CNN)。在一些非限制性实施方案中，CNN能够以矩阵的形式处理输入。CNN可以包括交替重复的一个或多个滤波器(例如，一个或多个卷积层)和一个或多个聚合层(例如，一个或多个池化层)，CNN的末端可以包括一层或多层完全连接的神经元(例如，一个或多个密集/完全连接的层)。附加地或替代地，预测机器学习模型还可以包括生成对抗网络(GAN)。
在一些非限制性实施方案中，预测机器学习模型的输入可以进一步包括与检查对象(例如，基于放射检查从其中获得检查区域的检查对象)相关联的信息、与检查区域(例如，与第一表示和第二表示相关联的检查区域)相关联的信息和/或与在检查对象上(例如，检查对象的检查区域)进行的放射检查相关联的信息。例如，预测机器学习模型的输入可以包括与检查对象的性别、年龄、体重、身高、病史、已摄入药物的性质和持续时间以及量、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、呼吸能力和/或类似信息相关联的信息。附加地或替代地，预测机器学习模型的输入可以包括检查区域的原有状况、与检查区域相关联的医疗操作(诸如检查区域的部分切除)、器官状况(诸如是否进行了肝移植、是否存在铁肝、是否存在脂肪肝)和/或类似情况。附加地或替代地，预测机器学习模型的输入可以包括对检查对象执行的放射检查类型。
在一些非限制性实施方案中，放射机器学习系统102可以指定(例如，选择、选定、确定等)检查区域在频率空间中的第一表示的包含频率空间中心的一部分(例如，一区域)、检查区域在频率空间中的第二表示的包含频率空间中心的一部分、或检查区域在频率空间中的第一表示和检查区域在频率空间中的第二表示分别包含频率空间中心的一部分，以提供检查对象的检查区域在频率空间中的简化表示。例如，放射机器学习系统102可以自动指定检查区域在频率空间中的第一表示的包含频率空间中心的一部分(例如，一区域)、检查区域在频率空间中的第二表示的包含频率空间中心的一部分、或检查区域在频率空间中的第一表示和检查区域在频率空间中的第二表示分别包含频率空间中心的一部分，以提供检查对象的检查区域在频率空间中的简化表示。在一些非限制性实施方案中，放射机器学习系统102可以基于从用户(例如，用户设备106的用户)接收到的手动输入来指定检查区域在频率空间中的表示的一部分(例如，检查区域在频率空间中的第一表示的一部分、检查区域在频率空间中的第二表示的一部分、检查区域在频率空间中的简化表示的一部分、检查区域在频率空间中的参考表示的一部分等)。
在一个实施例中，检查对象的检查区域在频率空间中的简化表示可以包括检查区域在频率空间中的第一表示的包含频率空间中心的一部分，和检查区域在频率空间中的第二表示。在另一个实施例中，检查对象的检查区域在频率空间中的简化表示可以包括检查区域在频率空间中的第一表示和检查区域在频率空间中的第二表示的包含频率空间中心的一部分。在又一个实施例中，检查对象的检查区域在频率空间中的简化表示可以包括检查区域在频率空间中的第一表示的包含频率空间中心的一部分和检查区域在频率空间中的第二表示的包含频率空间中心的一部分。
在一些非限制性实施方案中，预测机器学习模型的输入包括检查对象的检查区域在频率空间中的简化表示。在一些非限制性实施方案中，放射机器学习系统102可以将检查对象的检查区域在频率空间中的简化表示作为输入提供给预测机器学习模型。通过使用检查对象的检查区域在频率空间中的简化表示，放射机器学习系统102可以减少计算资源需求和计算复杂度，计算资源需求和计算复杂度是在基于检查对象的检查区域在频率空间中的简化表示获得预测机器学习模型的输出时使用的。
根据本公开内容，使用检查区域在频率空间中的表示可能比使用检查区域在实体空间中的表示更有优势。例如，在频率空间中对表示进行共配准没有在实体空间中那么关键。共配准(例如，图像配准)可以指数字图像处理中的一个过程，该过程将相同区域或类似区域的两个或多个图像最佳匹配(例如，配准)。其中一个图像可以被定义为参考图像，另一个图像可以被定义为对象图像。待匹配的参考图像和对象图像可能彼此不同，因为参考图像和对象图像是从不同的位置、不同的时间点和/或用不同的传感器获取的。为了将对象图像与相应参考图像最佳匹配，可以计算补偿变换。
在训练、验证和预测程序期间，检查区域在频率空间中的表示可能比检查区域在实体空间中的表示更能容忍共配准中的误差。例如，如果在频率空间中的一个表示与频率中的另一个表示以较低准确度进行叠加，那么与检查区域在实体空间中的表示以较低准确度进行叠加相比，缺乏准确度的影响较小。影响减小是由于傅里叶变换的特性。例如，在使用傅里叶变换对图像进行变换之后，实体空间(例如，图像)中的表示的翻转或旋转可能会导致图像信息(例如，与可见结构相关联的信息)被定位在图像的不同区域。然而，在频率空间中，这种翻转或旋转并不会改变提供对比度信息的区域，因为傅里叶变换图像(例如，在频率空间中的图像的表示)的对比度信息是围绕频率空间中心映射的。
术语“频率空间中心”的同义词是“频率空间原点”。频率空间中心例如对应于二维笛卡尔坐标系中坐标为0,0的点。靠近频率空间中心的点比远离该中心的点表示更低的频率。围绕该中心的频率空间内的区域比远离该中心的区域包含更多关于检查区域的表示的对比度的信息。
使用检查区域在频率空间中的表示的另一个优点是，对比度信息与细节信息(例如，精细结构)是分开的。因此，有可能的是，在训练程序期间，将注意力集中在将由预测机器学习模型学习的对比度信息上，在预测程序期间，将注意力集中在可能由预测机器学习模型预测的对比度信息上。尽管检查区域在实体空间中的对比度信息通常分布在整个表示(例如，每个图像元素本质上都包含关于对比度的信息)中，但是检查区域在频率空间中的对比度信息被编码在频率空间中心中及其周围。因此，检查区域在频率空间中的表示的低频率负责对比度信息，而高频率包含关于精细结构的细节信息。使用检查区域在频率空间中的表示可以分离对比度信息，以将训练和预测限制在对比度信息上，并且在训练程序和/或预测程序之后重新引入关于精细结构的信息。
如图3所示，在步骤308，过程300可以包括确定预测机器学习模型的输出。例如，放射机器学习系统102可以提供预测机器学习模型的输入，并且预测机器学习模型可以基于该输入生成输出。放射机器学习系统102可以基于生成输出的预测机器学习模型来确定输出。在一些非限制性实施方案中，放射机器学习系统102可以基于生成输出的预测机器学习模型来接收输出。在一些非限制性实施方案中，预测机器学习模型的输出可以包括检查区域在频率空间中的第三表示，该第三表示可以是检查区域在频率空间中的表示(例如，人工表示)的预测。在一些非限制性实施方案中，第三表示可以包括在医学成像技术期间施用了第三数量的造影剂的检查区域在频率空间中的表示。
在一些非限制性实施方案中，放射机器学习系统102可以基于与检查区域的MRI检查相关联的k空间数据确定预测机器学习模型的输出。例如，放射机器学习系统102可以将与检查区域的MRI检查相关联的第一k空间数据和与检查区域的MRI检查相关联的第二k空间数据作为输入提供给预测机器学习模型。放射机器学习系统102可以基于预测机器学习模型来确定输出，该预测机器学习模型使用与检查区域的MRI检查相关联的第一k空间数据和与检查区域的MRI检查相关联的第二k空间数据作为输入生成输出。
如图3所示，在步骤310，过程300可以包括将预测机器学习模型的输出转换为检查区域在实体空间中的预测表示。例如，放射机器学习系统102可以将预测机器学习模型的输出转换为检查区域在实体空间中的预测表示(例如，检查区域在实体空间中的表示的预测)。在一些非限制性实施方案中，检查区域在实体空间中的预测表示可以包括在医学成像技术(例如，与检查区域在频率空间中的第一表示和检查区域在频率空间中的第二表示相关联的医学成像技术)期间施用了第三数量的造影剂的检查区域的预测放射图像(例如，检查区域的放射图像的预测)。在一些非限制性实施方案中，放射机器学习系统102可以使用反傅里叶变换将预测机器学习模型的输出转换为检查区域在实体空间中的预测表示。
在一些非限制性实施方案中，放射机器学习系统102可以执行与检查区域在实体空间中的预测表示相关联的操作。例如，放射机器学习系统102可以提供检查区域在实体空间中的预测表示作为放射机器学习系统102的输出。在这样的实施例中，放射机器学习系统102可以向用户设备106和/或医学成像系统104提供(例如，传输)检查区域在实体空间中的预测表示(例如，以便用户设备106和/或医学成像系统104可以输出检查区域在实体空间中的预测表示)。在一些非限制性实施方案中，放射机器学习系统102可以将检查区域在实体空间中的预测表示存储在与放射机器学习系统102相关联的数据结构中。在一些非限制性实施方案中，放射机器学习系统102可以在显示设备上显示检查区域在实体空间中的预测表示。
在一些非限制性实施方案中，放射机器学习系统102可以补充预测机器学习模型的输出，以提供预测机器学习模型的补充输出。例如，放射机器学习系统102可以用以下内容补充预测机器学习模型的输出，以提供预测机器学习模型的补充输出：检查区域在频率空间中的第一表示中不包含频率空间中心且未被指定用来提供检查对象的检查区域在频率空间中的简化表示的一部分、检查区域在频率空间中的第二表示中不包含频率空间中心且未被指定用来提供检查对象的检查区域在频率空间中的简化表示的一部分、或第一表示和第二表示中分别不包含频率空间中心且未被指定用来提供检查对象的检查区域在频率空间中的简化表示的一部分。在一些非限制性实施方案中，放射机器学习系统102可以将预测机器学习模型的补充输出转换为检查对象的检查区域在实体空间中的表示。
在一些非限制性实施方案中，放射机器学习系统102可以将检查区域在实体空间中的预测表示的各种位置坐标的结果信号强度转换为灰度值和/或颜色值，以提供通用图像格式(例如，医学数字成像和通信(DICOM)格式)中的数字图像。
现在参考图4，图4是用于训练预测机器学习模型的过程400的非限制性实施方案的流程图，所述预测机器学习模型被配置为提供在医学成像技术期间施用了特定量的造影剂的检查区域的表示的预测。在一些非限制性实施方案中，预测机器学习模型可以与关于过程300所描述的预测机器学习模型相同或类似。在一些非限制性实施方案或方面中，关于过程400所描述的一个或多个功能可以(例如，完全地、部分地等)由放射机器学习系统102执行。在一些非限制性实施方案或方面中，过程300的一个或多个步骤可以(例如，完全地、部分地等)由独立于和/或包括放射机器学习系统102的另一个设备或一组设备执行，诸如医学成像系统104和/或用户设备106。
如图4所示，在步骤402，过程400可以包括接收训练数据集合，该训练数据集合包括多个检查对象中的每个检查对象的检查区域在频率空间中的参考表示的集合。在一些非限制性实施方案中，放射机器学习系统102可以从医学成像系统104和/或用户设备106接收训练数据集合，该训练数据集合包括多个检查对象中的每个检查对象的检查区域在频率空间中的参考表示的集合(例如，多个参考表示)。在一些非限制性实施方案中，放射机器学习系统102可以从与放射机器学习系统102相关联的数据结构中检索训练数据集合。在一些非限制性实施方案中，对于多个检查对象中的所有检查对象，检查区域可以是相同的。在一些非限制性实施方案中，检查区域的参考表示(例如，简化参考表示)可以指在预测机器学习模型的训练过程期间所使用的检查区域的频率空间中的表示。
在一些非限制性实施方案中，每个检查对象的检查区域在频率空间中的每个参考表示可以进一步包括与检查对象(例如，基于放射检查从其中获得检查区域的检查对象)相关联的信息、与检查区域(例如，与第一表示和第二表示相关联的检查区域)相关联的信息、和/或与在检查对象上(例如，检查对象的检查区域)执行的放射检查相关联的信息。例如，与检查对象相关联的信息可以包括与检查对象的性别、年龄、体重、身高、病史、已摄入药物的性质和/或持续时间和/或量、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、呼吸能力和/或类似信息相关联的信息。附加地或替代地，与检查区域相关联的信息可以包括检查区域的原有状况、与检查区域相关联的医疗操作(诸如检查区域的部分切除)、器官状况(诸如是否进行了肝移植、是否存在铁肝、是否存在脂肪肝)和/或类似情况。附加地或替代地，与对检查对象执行的放射检查相关联的信息可以包括对检查对象执行的放射检查类型。
在一些非限制性实施方案中，训练数据集合可以包括多个检查对象中的每个检查对象的检查区域在频率空间中的参考表示的集合(例如多个参考表示)。检查对象的检查区域在频率空间中的参考表示的每个集合可以包括检查对象的检查区域在频率空间中的第一参考表示、检查对象的检查区域在频率空间中的第二参考表示、以及检查对象的检查区域在频率空间中的第三参考表示。在一些非限制性实施方案中，第一参考表示可以包括在医学成像技术期间未施用一定量的造影剂或在医学成像技术期间施用了第一数量的造影剂的检查区域在频率空间中的参考表示。在一些非限制性实施方案中，第二参考表示可以包括在医学成像技术期间施用了第二数量的造影剂的检查区域在频率空间中的参考表示。在一些非限制性实施方案中，第三参考表示可以包括在医学成像技术期间施用了第三数量的造影剂的检查区域在频率空间中的参考表示。在一些非限制性实施方案中，第三数量的造影剂可以是在医学成像技术期间基于医学成像技术和/或检查对象的参数将施用于检查对象标准量的造影剂。在一些非限制性实施方案中，第三参考表示可以是基准真值表示。
在一些非限制性实施方案中，在医学成像技术期间施用的第一数量的造影剂大于零。在一些非限制性实施方案中，在医学成像技术期间施用的第一数量的造影剂为零。在一些非限制性实施方案中，第二数量的造影剂与在医学成像技术期间施用的、与第一表示相关联的第一数量的造影剂不同。在一些非限制性实施方案中，第二数量的造影剂大于在医学成像技术期间施用的第一数量的造影剂。在一些非限制性实施方案中，第三数量的造影剂与第一数量的造影剂和/或第二数量的造影剂不同。例如，第三数量的造影剂可以大于在医学成像技术期间施用的、与检查区域在频率空间中的第一表示相关联的第一数量的造影剂，并且大于在医学成像期间施用的、与检查区域在频率空间中的第二表示相关联的第二数量的造影剂。
在一些非限制性实施方案中，训练数据集合可以包括多个检查对象中的每个检查对象的检查区域在频率空间中的简化参考表示的集合。检查对象的检查区域在频率空间中的简化参考表示的每个集合可以包括检查对象的检查区域在频率空间中的第一简化参考表示、检查对象的检查区域在频率空间中的第二简化参考表示、和/或检查对象的检查区域在频率空间中的第三简化参考表示。在一些非限制性实施方案中，第一简化参考表示可以包括检查区域在频率空间中的第一参考表示的包含频率空间中心的一部分在频率空间中的表示。在一些非限制性实施方案中，第二简化参考表示可以包括检查区域在频率空间中的第二参考表示的包含频率空间中心的一部分在频率空间的表示。在一些非限制性实施方案中，第三简化参考表示可以包括检查区域在频率空间中的第三参考表示的包含频率空间中心的一部分在频率空间中的表示。
如图4所示，在步骤404，过程400可以包括指定参考表示的一部分。例如，放射机器学习系统102可以指定检查对象的检查区域的参考表示(例如，每个参考表示的相同部分)的一部分(例如，一区域)，该部分用于提供检查对象的检查区域在频率空间中的简化参考表示。这样，放射机器学习系统102可以提供训练数据集合，该训练数据集合包括多个检查对象中的检查对象的检查区域在频率空间中的简化参考表示。
在一些非限制性实施方案中，放射机器学习系统102可以指定(例如，自动指定)多个检查对象中的检查对象的检查区域在频率空间中的每个参考表示(例如，参考表示的集合中的每个参考表示)的一部分(例如，指定部分)，以提供每个检查对象的检查区域在频率空间中的简化参考表示。例如，放射机器学习系统102可以指定检查区域在频率空间中的参考表示的集合中的检查区域在频率空间中的参考表示的一部分，使得该部分包含频率空间中心。在一些非限制性实施方案中，该部分的中心可以对应于频率空间中心。在一些非限制性实施方案中，该部分可以具有某种形状。例如，指定部分可以是圆形的、角形的、凹形的和/或凸形的。在一些非限制性实施方案中，在笛卡尔坐标系中的3D频率空间的情况下，该部分可以是立方体形状的(如长方体)。在一些非限制性实施方案中，在笛卡尔坐标系中的2D频率空间的情况下，该部分可以是矩形的(如正方形)。在一些非限制性实施方案中，指定部分的尺寸可以与频率空间相同。例如，在2D频率空间的2D表示的情况下，该部分可以包括一个平面。在另一个实施例中，在3D频率空间中的3D表示的情况下，该部分可以包括一个体积。
如图4所示，在步骤406，过程400可以包括缩减参考表示。例如，放射机器学习系统102可以基于被指定的部分(例如，指定部分)来缩减检查对象的检查区域在频率空间中的参考表示，以提供检查对象的检查区域在频率空间中的简化参考表示。在一些非限制性实施方案中，放射机器学习系统102可以通过移除(例如，丢弃、剪切等)不在参考表示的该部分中的参考表示的任何部分来缩减每个参考表示。例如，放射机器学习系统102可以通过用掩膜(例如，对应于指定部分的掩膜)覆盖参考表示并移除参考表示的未被掩膜覆盖的任何部分来缩减每个参考表示。在一些非限制性实施方案中，当用掩膜覆盖参考表示时，放射机器学习系统102可以将未被掩膜覆盖的图像元素(例如，像素、体素)的一个或多个颜色值设置为零(例如，黑色)。
如图4所示，在步骤408，过程400可以包括使用多个简化参考表示来训练预测机器学习模型。例如，放射机器学习系统102可以基于检查区域(例如，检查对象的检查区域)在频率空间中的多个简化参考表示来训练预测机器学习模型。在一些非限制性实施方案中，放射机器学习系统102可以在监督机器学习过程中使用自学算法来训练预测机器学习模型。在一些非限制性实施方案中，放射机器学习系统102可以在机器学习期间使用自学算法来生成基于训练数据集合的统计模型。
在一些非限制性实施方案中，放射机器学习系统102可以在训练期间最小化由误差函数提供的误差量。在一些非限制性实施方案中，误差函数可以量化在医学成像技术期间施用了特定量的造影剂的检查对象的检查区域的表示的预测(例如，预测表示)和检查对象的检查区域在频率空间中的基准真值参考表示(例如，在医学成像技术期间施用了特定量的造影剂的检查对象的检查区域在频率空间中的基准真值参考表示)之间的偏差。在一些非限制性的实施例中，误差函数量化了在医学成像技术期间施用了特定量的造影剂的检查对象的检查区域的简化表示的预测(例如，预测简化表示)和检查对象的检查区域在频率空间中的基准真值简化参考表示之间的偏差。
在一些非限制性实施方案中，预测机器学习模型可以被配置为提供在医学成像技术(例如，与检查区域频率空间中的第一表示和检查区域在频率空间中的第二表示相关联的医学成像技术相同的医学成像技术)期间施用了特定量的造影剂的检查区域在频率空间中的表示的预测作为输出。在一些非限制性实施方案中，该特定量的造影剂与在医学成像技术期间施用的、与检查区域在频率空间中的第一表示相关联的第一数量的造影剂不同，并且与在医学成像技术期间施用的、与检查区域在频率空间中的第二表示相关联的第二数量的造影剂不同。例如，该特定量的造影剂大于在医学成像技术期间施用的、与检查区域在频率空间中的第一表示相关联的第一数量的造影剂，并且大于在医学成像技术期间施用的、与检查区域在频率空间中的第二表示相关联的第二数量的造影剂。
在一些非限制性实施方案中，放射机器学习系统102可以基于k空间数据来训练预测机器学习模型。例如，检查对象的检查区域在频率空间中的每个简化参考表示可以包括与MRI检查(例如，由医学成像系统104执行的MRI检查)相关联的k空间数据。放射机器学习系统102可以基于k空间数据来训练预测机器学习模型，该k空间数据包含在多个检查对象中的检查对象的检查区域在频率空间中的每个简化参考表示中，训练。
在一些非限制性实施方案中，放射机器学习系统102可以使用反向传播方法训练预测机器学习模型。以此种方式，放射机器学习系统102可以训练预测机器学习模型以使其关于将输入映射到对应的输出具有最大可靠性。映射质量可以由误差函数(例如，损失函数)来描述。在反向传播方法期间，目标是最小化误差函数。在反向传播方法的情况下，预测机器学习模型可以通过改变节点的连接权重来更新(例如，学习、被教导等)。在训练状态下，预测机器学习模型的处理元件之间的连接权重可以包含有关检查区域在频率空间中的第一参考表示和检查区域在频率空间中的第二参考表示之间关系的信息，以及有关第三参考表示的信息。这些信息可用于在第一表示和第二表示的基础上预测检查在频率空间中的表示。在一些非限制性实施方案中，放射机器学习系统102可以使用交叉验证方法，以将数据划分为训练数据集合和验证数据集合。训练数据集合可用于节点的连接权重的反向传播训练。验证数据集合可用于核查基于训练期间未使用的数据由经训练的预测机器学习模型提供的表示的预测的准确性。
在一些非限制性实施方案中，放射机器学习系统102可以基于训练数据集合生成预测机器学习模型。例如，放射机器学习系统102可以生成预测机器学习模型，以对在医学成像技术(例如，在放射检查期间进行的医学成像技术)期间施用了特定量的造影剂的检查区域的表示(例如，频率空间中的表示)进行预测。
在一些非限制性实施方案中，预测机器学习模型可以包括机器学习模型，该机器学习模型被设计为接收与在医学成像技术期间施用了一定量(例如，一些量、未施用等)的造影剂的检查区域的频率空间中的表示相关联的数据作为输入，并提供在医学成像技术期间施用了特定量的造影剂的检查区域在频率空间中的表示的预测作为输出。例如，预测机器学习模型可以被设计为接收与检查区域在频率空间中的第一表示相关联的数据以及与检查区域在频率空间中的第二表示相关联的数据，该第一表示包括在医学成像技术期间未施用一定量的造影剂或在医学成像技术期间施用了第一数量的造影剂的检查区域的表示，该第二表示包括在医学成像技术期间施用了第二数量的造影剂的检查区域的表示，并提供输出，该输出包括在医学成像技术期间施用了第三数量的造影剂的检查区域在频率空间中的表示的预测。在一些非限制性实施方案中，放射机器学习系统102可以存储预测机器学习模型(例如，供以后使用)。
在一些非限制性实施方案中，如本文所描述的，放射机器学习系统102可以处理与检查对象的检查区域在频率空间中的表示相关联的数据，以获得预测机器学习模型的训练数据(例如，训练数据集合)。例如，放射机器学习系统102可以处理数据，以将数据更改为可被(例如，由放射机器学习系统102)分析以生成预测机器学习模型的格式。更改后的数据(例如，从更改得到的数据)可以被称为训练数据。在一些非限制性实施方案中，放射机器学习系统102可以处理与时间间隔期间检查对象的检查区域在频率空间中的表示相关联的数据，以基于接收到的数据获得训练数据。附加地或替代地，基于放射机器学习系统102从放射机器学习系统102的用户(例如，与用户设备106相关联的用户)接收的放射机器学习系统102将要处理数据的指示，放射机器学习系统102可以处理数据以获得训练数据，诸如当放射机器学习系统102接收指示以与数据对应的时间间隔来生成预测机器学习模型时。
在一些非限制性实施方案中，放射机器学习系统102可以通过基于数据确定预测变量来处理与检查对象的检查区域在频率空间中的表示相关联的数据。预测变量可包括与检查区域或检查对象相关联的度量，该度量可以基于与检查对象的检查区域在频率空间中的表示相关联的数据得出。可以分析预测变量，以生成预测机器学习模型。例如，预测变量可以包括与检查对象相关联的变量，诸如与检查对象的性别、年龄、体重、身高、病史、已摄入药物的性质和/或持续时间和/或量、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、呼吸能力和/或类似信息相关联的变量。附加地或替代地，预测变量还可以包括与检查区域相关联的变量，诸如与检查区域的原有状况、与检查区域相关联的医疗操作(诸如检查区域的部分切除)、器官状况(诸如是否进行了肝移植、是否存在铁肝、是否存在脂肪肝)和/或类似情况相关联的变量。附加地或替代地，预测变量还可以包括与对检查对象执行的放射检查相关联的变量，诸如与对检查对象执行的放射检查类型等相关联的变量。
在一些非限制性实施方案中，放射机器学习系统102可以分析训练数据以生成预测机器学习模型。例如，放射机器学习系统102可以使用机器学习技术来分析训练数据以生成预测机器学习模型。在一些非限制性实施方案中，生成预测机器学习模型(例如，基于从与检查对象的检查区域在频率空间和/或实体空间中的表示相关联的历史数据中获得的训练数据)可以被称为训练预测机器学习模型。例如，机器学习技术可以包括监督和/或无监督技术，诸如决策树、随机森林、逻辑回归、线性回归、梯度提升、支持向量机、额外树(例如，随机森林的扩展)、贝叶斯统计、学习自动机、隐马尔可夫建模、线性分类器、二次分类器、关联规则学习和/或类似技术。在一些非限制性实施方案中，预测机器学习模型可包括特定于特有特征的模型，例如，特定于特定检查区域、特定检查对象、在医学成像技术期间施用了特定量的造影剂的模型等。附加地或替代地，预测机器学习模型可以特定于包含特定类型的检查区域的特定类型的检查对象(例如，哺乳动物类型，诸如人类)。在一些非限制性实施方案中，放射机器学习系统102可以为一个或多个实体、特定组的实体和/或一个或多个实体的一个或多个用户生成一个或多个预测机器学习模型。
附加地或替代地，当分析训练数据时，放射机器学习系统102可以将一个或多个变量(例如，一个或多个自变量)识别为预测变量(例如，特征)，该预测变量在分析训练数据时可用于进行预测。在一些非限制性实施方案中，预测变量的值可以是预测机器学习模型的输入。例如，放射机器学习系统102可以将变量的子集(例如，适当的子集)识别为预测变量，该预测变量可用于准确预测检查区域在频率空间中的表示。在一些非限制性实施方案中，预测变量可以包括上文所讨论的检查区域变量和/或检查对象变量中的一个或多个，这些变量对由放射机器学习系统102所确定的在医学成像技术期间施用了特定量的造影剂的检查区域在频率空间中的表示的预测具有显著影响(例如，满足阈值的影响)。
在一些非限制性实施方案中，放射机器学习系统102可以验证预测机器学习模型。例如，放射机器学习系统102可以在放射机器学习系统102生成预测机器学习模型之后验证预测机器学习模型。在一些非限制性实施方案中，放射机器学习系统102可以基于将要用于验证的训练数据的一部分来验证预测机器学习模型。例如，放射机器学习系统102可将训练数据划分为第一部分和第二部分，其中第一部分可用于生成预测机器学习模型，如上文所描述的。在这个实施例中，训练数据的第二部分(例如，验证数据)可用于验证预测机器学习模型。
在一些非限制性实施方案中，放射机器学习系统102可以通过以下方式来验证预测机器学习模型：提供与检查对象的检查区域在频率空间中的表示相关联的验证数据(例如，检查对象的检查区域在频率空间中的表示的数据)作为预测机器学习模型的输入，并基于预测机器学习模型的输出，确定预测机器学习模型是否正确或不正确地预测了在医学成像技术期间施用了特定量的造影剂的检查区域在频率空间中的表示。在一些非限制性实施方案中，放射机器学习系统102可以基于验证阈值验证预测机器学习模型。例如，放射机器学习系统102可以被配置为当预测机器学习模型正确预测(由验证数据识别的)在医学成像技术期间施用了特定量的造影剂的检查区域在频率空间中的表示时(例如，当预测机器学习模型正确预测在医学成像技术期间施用了特定量的造影剂的检查区域在频率空间中的表示的50％、在医学成像技术期间施用了特定量的造影剂的检查区域在频率空间中的表示的70％时、或在医学成像技术期间施用了特定量的造影剂的检查区域在频率空间中的表示的其他阈值质量、和/或类似情况)验证预测机器学习模型。
在一些非限制性实施方案中，如果放射机器学习系统102没有验证预测机器学习模型(例如，当正确预测在医学成像技术期间施用了特定量的造影剂的检查区域在频率空间中的表示的百分比不满足验证阈值时)，则放射机器学习系统102可以生成一个或多个附加的预测机器学习模型。
在一些非限制性实施方案中，一旦预测机器学习模型已经被验证，放射机器学习系统102可以进一步训练预测机器学习模型和/或基于接收的新训练数据生成新的预测机器学习模型。新训练数据可以包括与检查对象的检查区域在频率空间中的一个或多个表示相关联的附加数据。在一些非限制性实施方案中，新训练数据可以包括与检查对象的检查区域在频率空间中的表示相关联的数据。放射机器学习系统102可以使用预测机器学习模型来预测在医学成像技术期间施用了特定量的造影剂的检查区域在频率空间中的表示，并将预测机器学习模型的输出与新训练数据进行比较，该新训练数据包含与检查对象的检查区域在频率空间中的表示相关联的数据。在这样的实施例中，放射机器学习系统102可以基于新训练数据更新一个或多个预测机器学习模型。
在一些非限制性实施方案中，放射机器学习系统102可以存储预测机器学习模型。例如，放射机器学习系统102可以将预测机器学习模型存储在数据结构(例如，数据库、链表、树和/或类似结构)中。数据结构可以位于放射机器学习系统102内部或外部(例如，远离放射机器学习系统102)。
现在参考图5A至图5C，图5A至图5C是用于提供检查区域的表示的预测的过程(例如，过程300)的实施方式500的示意图，所述预测是使用涉及造影剂的医学图像技术生成的。如下面关于图5A至图5C所描述的，实施方式500可以包括执行该过程的步骤的放射机器学习系统102。在一些非限制性实施方案中，该过程的一个或多个步骤可以(例如，完全地、部分地等)由独立于和/或包括放射机器学习系统102的另一个设备或一组设备执行，诸如医学成像系统104和/或用户设备106。
如图5A所示，放射机器学习系统102可以生成检查对象的检查区域在频率空间中的表示。如图5A中进一步所示，在三个不同的时间点t1、t2和t3，放射机器学习系统102可以生成检查对象的检查区域的三个表示。例如，放射机器学习系统102可以接收由医学成像系统104对检查对象的检查区域执行的涉及医学成像技术的放射检查的结果。检查区域可以是人类患者的肺部。基于医学成像系统104对检查区域所执行的医学成像技术，结果可以包括检查对象的检查区域在实体空间中的三个表示。
结果可以包括三个放射图像，其中包括第一放射图像O1、第二放射图像O2和第三放射图像O3。第一放射图像O1可以包括在医学成像技术期间未施用一定量的造影剂或在医学成像技术期间施用了第一数量的造影剂所生成的检查区域的图像。第二放射图像O2可以包括在医学成像技术期间施用了第二数量的造影剂所生成的检查区域的图像。第三放射图像O3可以包括在医学成像技术期间施用了第三数量的造影剂所生成的检查区域的图像。在一些非限制性实施方案中，第二数量造影剂与第一数量的造影剂不同。在一些非限制性实施方案中，第三数量造影剂与第一数量的造影剂和第二数量地造影剂不同。在一个实施例中，第一数量的造影剂大于或等于零，第二数量的造影剂大于第一数量的造影剂，第三数量的造影剂大于第二数量的造影剂。
第一表示F1可以包括在医学成像技术期间未施用一定量的造影剂或在医学成像技术期间施用了第一数量的造影剂的检查区域的表示。第二表示F2可以包括在医学成像技术期间施用了第二数量的造影剂的检查区域的表示。第三表示F3可以包括在医学成像技术期间施用了第三数量的造影剂的检查区域的表示。
在一些非限制性实施方案中，基于医学成像系统104执行的放射检查的结果，放射机器学习系统102可以生成检查对象的检查在频率空间中的三个表示F1、F2和F3。例如，基于检查区域在实体空间中的表示O1、O2和O3，放射机器学习系统102可以使用傅里叶变换(FT)，生成检查在频率空间中的三个表示F1、F2和F3。放射机器学习系统102可以使用傅里叶变换将检查区域在实体空间中的表示O1、O2和O3转换为检查区域在频率空间中的表示F1、F2和F3。放射机器学习系统102可以使用反傅里叶变换(iFT)将检查区域在频率空间中的表示F1、F2和F3转换为检查区域在实体空间中的表示O1、O2和O3。在一些非限制性实施方案中，放射机器学习系统102可以使用傅里叶变换以外的变换，将实体空间中的表示转换为频率空间中的表示。这种变换的三个主要特性可以包括存在明确的逆变换(例如，实体空间中的表示与频率空间中的表示之间的明确联系)、对比度信息的定位性以及对有缺陷的图像配准的稳健性。
如图5B所示，检查区域在频率空间中的表示F1、F2和F3可用于训练预测机器学习模型。检查区域在频率空间中的表示F1、F2和F3可以包含在检查对象的训练数据集合中。放射机器学习系统102可以使用多个检查对象的多个训练数据集合来训练预测机器学习模型。
在一些非限制性实施方案中，基于第一表示F1和第二表示F2，预测机器学习模型被训练为提供在医学成像技术期间施用了特定量的造影剂的检查区域在频率空间中的表示的预测作为输出。在一些非限制性实施方案中，特定量的造影剂对应于医学成像技术期间第三数量的造影剂。
如图5B进一步所示，放射机器学习系统102可以提供预测机器学习模型的输入，并且放射机器学习系统102可以接收基于输入的预测机器学习模型的输出。在一些非限制性实施方案中，第一表示F1和第二表示F2可以作为输入提供给预测机器学习模型。预测机器学习模型的输出可以包括在医学成像技术期间施用了第三数量的造影剂的检查区域在频率空间中的表示的预测F3*。作为训练程序的一部分，放射机器学习系统102可以将在医学成像技术期间施用了第三数量的造影剂的检查区域在频率空间中的表示的预测F3*与在医学成像技术期间施用了第三数量的造影剂的检查区域在频率空间中的表示F3进行比较。表示的预测F3*与第三表示F3之间的偏差可用于反向传播方法，以训练预测机器学习模型，从而将偏差减小到限定的最小值。如果预测机器学习模型已经在多个检查对象的多个训练数据集合的基础上进行了训练，并且如果在医学成像技术期间施用了第三数量的造影剂的检查区域在频率空间中的表示的预测F3*已经达到了限定的准确度，则可以认为预测机器学习模型已经训练完成，并可用于预测。
如图5C所示，放射机器学习系统102可以使用预测机器学习模型来提供在医学成像技术期间施用了特定量的造影剂的检查对象的检查区域在频率空间中的表示的预测。在一些非限制性实施方案中，放射机器学习系统102可以接收检查对象的检查区域在频率空间中的第一表示F'1。频率空间中的第一表示F'1可以包括在医学成像技术期间未施用一定量的造影剂或在医学成像技术期间施用了第一数量的造影剂的检查区域的表示。在一些非限制性实施方案中，放射机器学习系统102可以接收检查对象的检查区域在频率空间中的第二表示F'2。在一些非限制性实施方案中，频率空间中的第二表示F'2可以包括在医学成像技术期间施用了第二数量的造影剂的检查区域的表示，并且第二数量的造影剂可以大于第一数量的造影剂。
如图5C进一步所示，放射机器学习系统102可以提供预测机器学习模型的输入。预测机器学习模型的输入可以包括频率空间中的第一表示F'1和频率空间中的第二表示F'2。预测机器学习模型可以包括经训练的机器学习模型，该经训练的机器学习模型被配置为提供在医学成像技术期间施用了第三数量的造影剂的检查区域在频率空间中的表示的预测F'3*作为输出。在一些非限制性实施方案中，第三数量的造影剂大于第一数量的造影剂和第二数量的造影剂。
如图5C进一步所示，放射机器学习系统102可以接收基于该输入的预测机器学习模型的输出F'3*，并使用iFT将预测机器学习模型的输出转换为检查对象的检查区域在实体空间中的预测表示O'3*。在一些非限制性实施方案中，放射机器学习系统102可以提供检查对象的检查区域在实体空间中的预测表示O'3*。
现在参考图6A至图6B，图6A至图6B是用于提供检查区域的表示的预测的过程(例如，过程300)的实施方式600的示意图，所述预测是使用涉及造影剂的医学图像技术生成的。如下面关于图6A至图6B所描述的，实施方式600可以包括执行该过程的步骤的放射机器学习系统102。在一些非限制性实施方案中，该过程的一个或多个步骤可以(例如，完全地、部分地等)由独立于和/或包括放射机器学习系统102的另一个设备或一组设备执行，诸如医学成像系统104和/或用户设备106。
如图6A所示，以与实施方式500相同或类似的方式，检查区域在频率空间中的表示F1、F2和F3可用于训练预测机器学习模型。检查区域在频率空间中的表示F1、F2和F3可以包含在检查对象的训练数据集合中。放射机器学习系统102可以使用多个检查对象的多个训练数据集合来训练预测机器学习模型。
与实施方式500一样，第一表示F1可以包括在医学成像技术期间未施用一定量的造影剂或在医学成像技术期间施用了第一数量的造影剂的检查区域的表示，第二表示F2可以包括在医学成像技术期间施用了第二数量的造影剂的检查区域的表示，以及第三表示F3可以包括在医学成像技术期间施用了第三数量的造影剂的检查区域的表示。
在一些非限制性实施方案中，以与实施方式500相同或类似的方式，基于医学成像系统104执行的放射学检查的结果，放射机器学习系统102可以生成检查对象的检查区域在频率空间中的三个表示F1、F2和F3。在一些非限制性实施方案中，基于第一表示的一部分和第二表示的一部分，预测机器学习模型被训练为提供在医学成像技术期间施用了特定量的造影剂的检查区域在频率空间中的表示的一部分的预测作为输出。在一些非限制性实施方案中，特定量的造影剂对应于在医学成像技术期间施用的第三数量的造影剂。
如图6A进一步所示，放射机器学习系统102可以指定第一表示F1的包含频率空间中心的一部分A，以提供检查对象的检查区域在频率空间中的第一简化表示F1red。此外，放射机器学习系统102可以指定第二表示F2的包含频率空间中心的一部分A，以提供检查对象的检查区域在频率空间中的第二简化表示F2red。此外，放射机器学习系统102可以指定第三表示F3的包含频率空间中心的一部分A，以提供检查对象的检查区域在频率空间中的第三简化表示F3red。
如图6A进一步所示，放射机器学习系统102可以将检查对象的检查区域在频率空间中的第一简化表示F1red和检查对象的检查区域在频率空间中的第二简化表示F2red作为输入提供给预测机器学习模型，并且放射机器学习系统102可以接收基于该输入的预测机器学习模型的输出。在一些非限制性实施方案中，输出可以包括在医学成像技术期间施用了第三数量的造影剂的检查区域在频率空间中的表示的一部分的预测F3*red。
作为训练程序的一部分，放射机器学习系统102可以将在医学成像技术期间施用了第三数量的造影剂的检查区域在频率空间中的表示的一部分的预测F3*red与检查对象的检查区域在频率空间中的第三简化表示F3red进行比较。频率空间中的表示的一部分的预测F3*red与频率空间中的第三简化表示F3red之间的偏差可用于反向传播方法，以训练预测机器学习模型，从而将偏差减小到限定的最小值。如果预测机器学习模型已经在多个检查对象的多个训练数据集合的基础上进行了训练，并且如果在医学成像技术期间施用了第三数量的造影剂的频率空间中的表示的一部分的预测F3*red已经达到了限定的准确度，则可以认为预测机器学习模型已经训练完成，并可用于预测。
如图6B所示，放射机器学习系统102可以使用预测机器学习模型来提供在医学成像技术期间施用了特定量的造影剂的检查对象的检查区域在频率空间中的表示的预测。在一些非限制性实施方案中，放射机器学习系统102可以接收检查对象的检查区域在频率空间中的第一表示F'1。频率空间中的第一表示F'1可以包括在医学成像技术期间未施用一定量的造影剂或在医学成像技术期间施用了第一数量的造影剂的检查区域的表示。在一些非限制性实施方案中，放射机器学习系统102可以接收检查对象的检查区域在频率空间中的第二表示F'2。在一些非限制性实施方案中，频率空间中的第二表示F'2可以包括在医学成像技术期间施用了第二数量的造影剂的检查区域的表示，并且第二数量的造影剂可以大于第一数量的造影剂。
如图6B进一步所示，放射机器学习系统102可以指定第一表示F'1的包含频率空间中心的一部分A，以提供检查对象的检查区域在频率空间中的第一简化表示F'1red。此外，放射机器学习系统102可以指定第二表示F'2包含频率空间中心的的一部分A，以提供检查对象的检查区域在频率空间中的第二简化表示F'2red。
如图6B进一步所示，放射机器学习系统102可以提供预测机器学习模型的输入。预测机器学习模型的输入可以包括频率空间中的第一简化表示F'1red和频率空间中的第二简化表示F'2red。预测机器学习模型可以包括经训练的机器学习模型，该经训练的机器学习模型被配置为提供在医学成像技术期间施用了第三数量的造影剂的检查区域在频率空间中的简化表示的预测F'3*red作为输出。在一些非限制性实施方案中，第三数量的造影剂大于第一数量的造影剂和第二数量的造影剂。
如图6B进一步所示，放射机器学习系统102可以接收基于输入的预测机器学习模型的输出F'3*red，并且放射机器学习系统102可以用第一表示的不包含频率空间中心且未被指定用来提供检查对象的检查区域在频率空间中的第一简化表示F'1red的一部分F'1D1来补充预测机器学习模型的输出F'3*red，以提供预测机器学习模型的补充输出F'1D1+F'3*red。在一些非限制性实施方案中，放射机器学习系统102可以使用iFT将预测机器学习模型的补充输出转换为检查对象的检查区域在实体空间中的预测表示O'3*。在一些非限制性实施方案中，放射机器学习系统102可以提供检查对象的检查区域在实体空间中的预测表示O'3*。
尽管已经基于目前被认为是最实用和最优选的实施方案和方面为了说明目的详细描述了上面的系统、方法和计算机程序产品，但应理解的是，这种细节仅用于该目的，并且本公开内容不限于所描述的实施方案或方面，相反，本公开内容意图涵盖在所附权利要求书的本质和范围内的修改和等效布置。例如，应理解的是，在可能的范围内，本公开内容认为任何实施方案或方面的至少一个特征可以与任何其它实施方案或方面的至少一个特征相结合。

Claims (15)

1.一种用于提供检查区域的表示的预测的系统，所述预测是使用涉及造影剂的医学图像技术生成的，所述系统包括至少一个处理器，所述至少一个处理器被编程或被配置为执行以下操作：
接收检查对象的检查区域在频率空间中的第一表示，其中所述第一表示包括在医学成像技术期间未施用一定量的造影剂或在医学成像技术期间施用第一数量的造影剂的检查区域的表示；
接收检查对象的检查区域在频率空间中的第二表示，其中所述第二表示包括在医学成像技术期间施用第二数量的造影剂的检查区域的表示，其中所述第二数量的造影剂与第一数量的造影剂不同；
提供预测机器学习模型的输入，其中所述预测机器学习模型的输入包括第一表示的至少一部分和第二表示的至少一部分，其中所述预测机器学习模型包括经训练的机器学习模型，所述经训练的机器学习模型被配置为提供在医学成像技术期间施用第三数量的造影剂的检查区域在频率空间中的表示的预测作为输出，其中所述第三数量的造影剂大于所述第一数量的造影剂和所述第二数量的造影剂；
接收所述预测机器学习模型基于所述输入的输出；
将所述预测机器学习模型的输出转换为检查对象的检查区域在实体空间中的预测表示；以及
提供检查对象的检查区域在实体空间中的预测表示。
2.根据权利要求1所述的系统，其中所述至少一个处理器还被编程或被配置为执行以下操作：
指定所述第一表示的包含频率空间中心的一部分、所述第二表示的包含频率空间中心的一部分，或所述第一表示和所述第二表示的分别包含频率空间中心的一部分，用于提供检查对象的检查区域在频率空间中的简化表示；
其中所述预测机器学习模型的输入包括检查对象的检查区域在频率空间中的简化表示；以及
其中，当提供预测机器学习模型的输入时，所述至少一个处理器被编程或被配置为执行以下操作：
将检查对象的检查区域在频率空间中的简化表示作为输入提供给预测机器学习模型。
3.根据权利要求2所述的系统，其中所述至少一个处理器还被编程或被配置为执行以下操作：
用以下内容补充所述预测机器学习模型的输出：
所述第一表示中不包含频率空间中心且未被指定用来提供检查对象的检查区域在频率空间中的简化表示的一部分，
所述第二表示中不包含频率空间中心且未被指定用来提供检查对象的检查区域在频率空间中的简化表示的一部分，或
所述第一表示和所述第二表示中分别不包含频率空间中心且未被指定用来提供检查对象的检查区域在频率空间中的简化表示的一部分，
以提供所述预测机器学习模型的补充输出；
其中，当将所述预测机器学习模型的输出转换为检查对象的检查区域在实体空间中的预测表示时，所述至少一个处理器被编程或被配置为执行以下操作：
将所述预测机器学习模型的补充输出转换为检查对象的检查区域在实体空间中的预测表示。
4.根据权利要求1-3中的任一项所述的系统，其中在医学成像技术期间施用的第一数量的造影剂大于零，其中在医学成像技术期间施用的第二数量的造影剂大于第一数量的造影剂。
5.根据权利要求1-3中的任一项所述的系统，其中在医学成像技术期间施用的第一数量的造影剂为零，其中在医学成像技术期间施用的第二数量的造影剂大于第一数量的造影剂。
6.根据权利要求1-5中的任一项所述的系统，其中所述至少一个处理器还被编程或被配置为执行以下操作：
关于放射检查的第一结果生成放射检查对象的检查区域在频率空间中的第一表示；以及
关于放射检查的第二结果生成放射检查对象的检查区域在频率空间中的第二表示。
7.根据权利要求6所述的系统，其中所述放射检查为磁共振成像检查、计算机断层扫描检查或超声检查。
8.根据权利要求6所述的系统，其中所述放射检查为磁共振成像检查，其中，当在频率空间中接收检查对象的检查区域在频率空间中的第一表示时，所述至少一个处理器被编程或被配置为执行以下操作：
接收与检查对象的检查区域的磁共振成像检查相关联的第一k空间数据；并且
其中，当在频率空间中接收检查对象的检查区域在频率空间中的第二表示时，所述至少一个处理器被编程或被配置为执行以下操作：
接收与检查对象的检查区域的磁共振成像检查相关联的第二k空间数据。
9.根据权利要求1-7中的任一项所述的系统，其中，当在频率空间中接收检查对象的检查区域在频率空间中的第一表示时，所述至少一个处理器被编程或被配置为执行以下操作：
接收检查对象的检查区域在实体空间中的第一表示，其中实体空间中的第一表示包括在医学成像技术期间未施用一定量的造影剂或在医学成像技术期间施用第一数量的造影剂的检查区域的表示；
将实体空间中的第一表示转换为检查对象的检查区域在频率空间中的第一表示；
其中，当在频率空间中接收检查对象的检查区域在频率空间中的第二表示时，所述至少一个处理器被编程或被配置为执行以下操作：
接收检查对象的检查区域在实体空间中的第二表示，其中实体空间中的第二表示包括在医学成像技术期间施用第二数量的造影剂的检查区域的表示，其中所述第二数量的造影剂与第一数量的造影剂不同；
将实体空间中的第一表示转换为检查对象的检查区域在频率空间中的第一表示。
10.根据权利要求1-9中的任一项所述的系统，其中所述至少一个处理器还被编程或被配置为执行以下操作：
基于训练数据集合来训练所述预测机器学习模型，其中所述训练数据集合包括：
多个检查对象中的每个检查对象的检查区域在频率空间中的参考表示的集合，检查对象的检查区域的参考表示的每个集合包括：
检查对象的检查区域在频率空间中的第一参考表示；
检查对象的检查区域在频率空间中的第二参考表示；以及
检查对象的检查区域在频率空间中的第三参考表示；并且
其中所述第一参考表示包括在医学成像技术期间未施用一定量的造影剂或在医学成像技术期间施用第一数量的造影剂的检查区域在频率空间中的参考表示；
其中所述第二参考表示包括在医学成像技术期间施用第二数量的造影剂的检查区域在频率空间中的参考表示；
其中所述第三参考表示包括在医学成像技术期间施用第三数量的造影剂的检查区域在频率空间中的参考表示。
11.根据权利要求10所述的系统，其中，当训练所述预测机器学习模型时，所述至少一个处理器被编程或被配置为执行以下操作：
最小化由误差函数提供的误差量，其中误差函数量化在医学成像技术期间施用第三数量的造影剂的检查对象的检查区域在频率空间中的表示的预测和检查对象的检查区域在频率空间中的第三参考表示之间的偏差。
12.根据权利要求1-11中的任一项所述的系统，其中所述至少一个处理器还被编程或被配置为执行以下操作：
基于训练数据集合来训练所述预测机器学习模型，其中所述训练数据集合包括：
多个检查对象中的每个检查对象的检查区域在频率空间中的简化参考表示的集合，检查对象的检查区域的简化参考表示的每个集合包括：
检查对象的检查区域在频率空间中的第一简化参考表示；
检查对象的检查区域在频率空间中的第二简化参考表示；以及
检查对象的检查区域在频率空间中的第三简化参考表示；并且
其中所述第一简化参考表示包括检查区域在频率空间中的第一参考表示中包含频率空间中心的一部分的参考表示，其中所述第一参考表示包括在医学成像技术期间未施用一定量的造影剂或在医学成像技术期间施用第一数量的造影剂的检查区域的参考表示；
其中所述第二简化参考表示包括检查区域在频率空间中的第二参考表示中包含频率空间中心的一部分的参考表示，其中所述第二参考表示包括在医学成像技术期间施用第二数量的造影剂的检查区域的参考表示；
其中所述第三简化参考表示包括检查区域在频率空间中的第三参考表示中包含频率空间中心的一部分的参考表示，其中所述第三参考表示包括在医学成像技术期间施用第三数量的造影剂的检查区域的参考表示。
13.根据权利要求12所述的系统，其中，当训练所述预测机器学习模型时，所述至少一个处理器被编程或被配置为执行以下操作：
最小化由误差函数提供的误差量，其中误差函数量化在医学成像技术期间施用第三数量的造影剂的检查对象的检查区域在频率空间中的简化表示的预测和检查对象的检查区域在频率空间中的第三简化参考表示之间的偏差。
14.一种用于提供检查区域的表示的预测的计算机程序产品，所述预测是使用涉及造影剂的医学图像技术生成的，所述计算机程序产品包括至少一个非暂时性计算机可读介质，所述至少一个非暂时性计算机可读介质包括一个或多个指令，所述一个或多个指令在由至少一个处理器执行时导致所述至少一个处理器执行以下操作：
接收检查对象的检查区域在频率空间中的第一表示，其中所述第一表示包括在医学成像技术期间未施用一定量的造影剂或在医学成像技术期间施用第一数量的造影剂的检查区域的表示；
接收检查对象的检查区域在频率空间中的第二表示，其中所述第二表示包括在医学成像技术期间施用第二数量的造影剂的检查区域的表示，其中所述第二数量的造影剂与第一数量的造影剂不同；
提供预测机器学习模型的输入，其中所述预测机器学习模型的输入包括第一表示的至少一部分和第二表示的至少一部分，其中所述预测机器学习模型包括经训练的机器学习模型，所述经训练的机器学习模型被配置为提供在医学成像技术期间施用第三数量的造影剂的检查区域在频率空间中的表示的预测作为输出，其中所述第三数量的造影剂大于所述第一数量的造影剂和所述第二数量的造影剂；
接收所述预测机器学习模型基于所述输入的输出；
将所述预测机器学习模型的输出转换为检查对象的检查区域在实体空间中的预测表示；以及
提供检查对象的检查区域在实体空间中的预测表示。
15.一种用于提供检查区域的表示的预测的方法，所述预测是使用涉及造影剂的医学图像技术生成的，所述方法包括：
用至少一个处理器接收检查对象的检查区域在频率空间中的第一表示，其中所述第一表示包括在医学成像技术期间未施用一定量的造影剂或在医学成像技术期间施用第一数量的造影剂的检查区域的表示；
用所述至少一个处理器接收检查对象的检查区域在频率空间中的第二表示，其中所述第二表示包括在医学成像技术期间施用第二数量的造影剂的检查区域的表示，其中所述第二数量的造影剂与第一数量的造影剂不同；
用所述至少一个处理器提供预测机器学习模型的输入，其中所述预测机器学习模型的输入包括第一表示的至少一部分和第二表示的至少一部分，其中所述预测机器学习模型包括经训练的机器学习模型，所述经训练的机器学习模型被配置为提供在医学成像技术期间施用第三数量的造影剂的检查区域在频率空间中的表示的预测作为输出，其中所述第三数量的造影剂大于所述第一数量的造影剂和所述第二数量的造影剂；
用所述至少一个处理器接收所述预测机器学习模型基于所述输入的输出；
用所述至少一个处理器将所述预测机器学习模型的输出转换为检查对象的检查区域在实体空间中的预测表示；以及
用所述至少一个处理器提供检查对象的检查区域在实体空间中的预测表示。
CN202180096463.0A 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 Pending CN117136376A (zh)

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/EP2021/083324 WO2022184298A1 (en) 2021-03-02 2021-11-29 System, method, and computer program product for contrast-enhanced radiology using machine learning

Publications (1)

Publication Number Publication Date
CN117136376A true CN117136376A (zh) 2023-11-28

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 Before (1)

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

Country Status (1)

Country Link
CN (2) CN117063199A (zh)

Also Published As

Publication number Publication date
CN117063199A (zh) 2023-11-14

Similar Documents

Publication Publication Date Title
US20240070863A1 (en) Systems and methods for medical acquisition processing and machine learning for anatomical assessment
JP5641531B1 (ja) 脳活動訓練装置および脳活動訓練システム
JP5691086B1 (ja) 脳活動解析装置、脳活動解析方法およびバイオマーカー装置
US11080895B2 (en) Generating simulated body parts for images
US20200402236A1 (en) Multi-modal computer-aided diagnosis systems and methods for prostate cancer
US11715212B2 (en) Heatmap and atlas
US20200237319A1 (en) X-ray image processing method and x-ray image processing apparatus
NL1034747C2 (nl) Werkwijze en apparatuur voor nieuwe bruikbare metrieken.
Maiello et al. Automatic lung segmentation and quantification of aeration in computed tomography of the chest using 3D transfer learning
US20240050054A1 (en) System, method, and computer program product for contrast-enhanced radiology using machine learning
CN117136376A (zh) 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
JP2023545570A (ja) 形状プライアを用いた及び用いないセグメンテーション結果によって解剖学的異常を検出すること
US20230274424A1 (en) Appartus and method for quantifying lesion in biometric image
Lau et al. Transformative radiology: Chest imaging is being re‐defined.
KR20230094670A (ko) 인공 신경망을 이용한 이미지 데이터에 대한 분류 방법 및 이를 위한 장치
CN117083629A (zh) 对比度增强放射学领域中的机器学习
Peixoto et al. Computer-Aided Diagnosis in Brain Computed

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