CN117546035A - Mri系统中的3d定位数据的确定 - Google Patents

Abstract

本发明提供了用于确定MRI系统中的3D位置数据的装置。一种用于MR数据的运动校正的方法，包括：由计算单元(51)生成对象(23)的感兴趣区域(24)的三维模型，3D模型，所述3D模型包括所述对象(23)固有的至少一个标志(27)(S10)；由第一测量设备(20、25、52)获得MRI系统(22)内部的所述对象(23)的至少一部分的二维图像，2D图像，其中，所述测量设备被布置在所述MRI系统(22)的膛内部(S20)；由所述计算单元(53)确定所述2D图像中的至少一个标志(27)，其中，所述2D图像中的所述至少一个标志(27)对应于所述3D模型的所述至少一个标志(27)(S30)；由所述计算单元(54)基于所述2D图像中的所确定的至少一个标志(27)来确定所述对象(23)的所述感兴趣区域(24)在所述MRI系统(22)中的3D位置(S40)；由所述计算单元(55)提供所述对象(23)的所述感兴趣区域(24)的所述3D位置以用于MR数据的运动校正(S50)。

Description

MRI系统中的3D定位数据的确定

技术领域

本发明涉及用于MR数据的运动校正的方法、用于MR数据的运动校正的装置、用于医学成像的系统以及计算机程序单元。

背景技术

磁共振成像MRI是现有技术中已知的。MRI用于获得解剖结构(例如人的器官)的医学图像。MRI使用强磁场、磁场梯度和无线电波来获得医学图像。医学图像的质量对于与参考图像的比较或对于医学图像的分析(例如，确定器官中的某些区域等)是至关重要的。医学图像的质量尤其取决于待成像的期望对象与成像系统的对齐。对齐的信息有时可能是不正确的或可能随时间改变，并且因此可能对所得到的医学图像的质量具有负面影响。

A.Kyme等人的文章“Marker-free optical stereo motion tracking for in-bore MRI and PET-MRI application”(Medical Physics,vol.47,no.8(2020年6月1日))公开了一种用于前瞻性运动校正的方法。

A.Kyme等人的文章“Markerless motion tracking of awake animals inpositron emission tomography”(IEEE transactions on medical imaging,vol.33,no.11(2014年11月1日))公开了一种用于正电子发射断层摄影中的运动补偿的方法。

美国专利申请US2018/0325415 A1公开了一种用于在医学成像检查期间测量来自人类或动物对象的运动信息的方法。

发明内容

因此，可能需要对象在MRI系统中的位置的改进的确定。本发明的目的通过独立权利要求的主题得以解决，其中其他实施例被并入到从属权利要求中。

根据第一方面，提供了一种用于MR数据的运动校正的方法，包括：由计算单元生成对象的感兴趣区域的三维模型(3D模型)，所述3D模型包括所述对象固有的至少一个标志。所述方法还包括由第一测量设备获得MRI系统内部的所述对象的至少一部分的二维图像，其中，所述测量设备至少部分地被布置在所述MRI系统的膛内部。另外，所述方法包括由所述计算单元确定所述2D图像中的至少一个标志，其中，所述2D图像中的所述至少一个标志对应于所述3D模型的所述至少一个标志。所述方法还包括由所述计算单元基于所述2D图像中的所确定的至少一个标志来确定所述对象的所述感兴趣区域在所述MRI系统中的3D位置，并且由所述计算单元提供所述对象的所述感兴趣区域的所述3D位置以用于MR数据的运动校正。

如本文所使用的术语MR数据应被广义地理解，并且涉及与MRI流程相关联的数据。MR数据可以涉及用于在MRI流程的准备阶段中和/或在MRI流程的操作阶段中控制MRI系统的数据。MR数据可以包括用于生成针对MRI系统的扫描器中的磁共振梯度、射频脉冲和接收器频率的调整信号和/或控制信号的数据和/或信息。在MRI流程的准备阶段和/或操作阶段中对MR数据的运动校正也被称为前瞻性运动校正。由此，准备阶段可以在操作阶段之前。MR数据可以涉及利用MRI流程获得(例如，采集)的MR图像。在MRI流程的后处理阶段中对MR图像的运动校正也被称为回顾性运动校正。

如本文所使用的术语计算单元将被广义地理解，并且意指被配置为处理数据(特别是通过数据处理来确定2D图像中的一个或多个标志)的单元。计算单元可以是硬件单元(例如，控制器、工作站、服务器)或软件单元(例如，在硬件单元上执行的虚拟机)、或硬件和软件的组合。控制单元可以在单个实体中或分布在若干实体上，其中实体可以是硬件单元和/或软件单元。

如本文所使用的术语3D模型应被广义地理解，并且涉及被配置为描述对象的感兴趣区域的模型。3D模型可以是点模型、线模型、表面模型或体积模型。3D模型可以例如包括面部特征、骨骼、组织、器官和/静脉的信息，其中其他身体部分、器官等也可以被视为信息。3D模型可以基于来自例如数据库等的考虑例如年龄、性别、体重等的统计信息。例如，3D模型可以基于解剖图集。3D模型还可以基于来自待成像对象的历史数据(例如，来自先前医学成像检查的先前图像)。3D模型可以利用例如向量来描述，其中向量可以包括至少一个标志的3D信息，优选地包括若干标志的3D信息。

如本文所使用的术语对象意指人类或动物。如本文所使用的感兴趣区域涉及人类或动物身体的任何部分(例如，骨骼、组织、器官或其组合，其中，其他身体部分、器官等也可以被视为信息)。

如本文所使用的术语标志应被广义地理解，并且涉及被配置为在2D图像和具有3D数据的图像中确定的至少一个标记。标志可以是感兴趣区域的结构(例如，固有)分量(例如，骨骼、眼睛、鼻子、手等)、颜色组合或颜色过渡(例如，左脸颊上的痣)或与感兴趣区域相邻的虚拟标记(例如，从感兴趣区域的两个或更多个物理标记物导出，例如两个骨骼)。标志特别地不是附接到对象的单独实体，而是对象固有的。标志可以是对象或2D图像中可见的相邻区域的一部分。可以通过图像分析算法(例如边缘检测算法)来确定标志。可以通过2D图像中的图像分析算法来自动地确定标志，其中，2D图像由来自膛内相机的视频流连续地获得。特别地，可以通过搜索3D模型的至少一个标志来获得2D图像中的至少一个标志。作为示例，图像分析算法可以具体地扫描2D图像以获得3D模型的至少一个标志的特定特征。作为另一示例，图像分析算法可以在2D图像中找到标志，并且然后将它们与3D模型的至少一个标志匹配。标志可以优选地是预定义的。在预定义多于一个标志(例如五个)并且在MRI系统的膛内部仅确定例如四个标志的情况下，该方法可以利用例如四个标志继续执行。

如本文所使用的术语第一测量设备应被广义地理解，并且涉及被配置为获得MRI系统的膛内的对象的一部分的2D图像的任何测量设备。第一测量设备可以是传感器单元。测量设备可以是光学相机传感器、红外传感器、激光干涉仪等。第一测量设备可以是一个单个实体或分布在两个或更多个实体上，其中，实体涉及传感器单元。第一测量设备可以例如是RGB传感器或CCD传感器。第一测量设备可以是从膛内部连续流式传输的红外相机等。第一测量设备可以连续地或在离散时间之后获得2D图像。第一测量设备可以被布置成与对象、特别是对象的部分、更特别是对象的感兴趣区域直接视觉接触。第一测量设备可以布置成借助于镜子与对象、特别是对象的部分、更特别是对象的感兴趣区域间接视觉接触。第一测量设备可以与计算单元、数据存储设备、服务器、工作站有线连接(例如，以太网)。第一测量设备可以与上述实体无线连接(例如，WIFI)。

如本文所使用的MRI系统涉及被配置为执行MRI流程的现有技术MRI系统。如本文所使用的MRI系统至少包括被配置为控制MRI系统的MRI控制器、膛(承载对象的可移动支撑结构被定位在其中)、一个或多个MR源线圈、一个或多个MR检测线圈。MRI系统可以有利地借助于第一测量设备来增强。

如本文所使用的术语3D位置意指对象的感兴趣区域的单个点的至少三个平移坐标(例如，x，y，z坐标)。一个或多个单个点的3D位置可以揭示对象的感兴趣区域的取向。3D位置可以包括另外的三个旋转坐标。

本发明基于以下发现：在MRI流程中，对象的3D位置的信息(特别是对象的感兴趣区域相对于MRI系统的位置(例如，以MRI系统坐标表示)的信息)对于所得到的MR图像的质量是至关重要的。必须进一步处理来自MRI流程的所得到的测量数据，以便获得MR图像。用于获得MR图像的进一步处理需要对象的感兴趣区域的3D位置。在用于获得MR图像的进一步处理中所使用的对象的感兴趣区域的3D位置不准确的情况下，所得到的MR图像也是不准确的。对象的感兴趣区域的3D位置可以随时间改变，因为对象可能吸气、呼气或简单地移动。然而，感兴趣区域的改变的3D位置将影响MRI流程的元数据，并且因此在不执行运动校正的情况下影响对应的获得的MR图像。本发明确定MRI系统的膛内的对象的感兴趣区域的3D位置，并且使用对象的感兴趣区域的3D位置来在MR图像被成像之后校正MR图像(即，回顾性运动校正)。此外，所确定的对象的感兴趣区域的3D位置还可以用于在另一MRI流程(即，前瞻性运动校正)之前调整MRI流程，特别是MRI系统的磁共振梯度、射频脉冲和接收器频率。对象的感兴趣区域的3D位置的确定通过由现有技术的测量设备(特别是被实施在MRI系统的膛内部的2D相机传感器)获得的2D图像来执行的。这可以是有利的，因为仅需要单个2D相机，特别是不需要3D深度相机。与3D相机(例如，深度相机)相比，2D相机可以有利地在MRI系统的膛内部的磁场内部操作。本发明通过将来自所获得的2D图像的信息映射到3D模型并且由此确定对象的感兴趣区域的3D位置来实现简单但鲁棒的2D相机的使用。本发明使用单个膛内相机和被布置在膛外部(例如，在扫描器室中)的附加深度相机来实现磁共振运动伪影校正。

在实施例中，所述方法还可以包括通过被布置在所述医学成像系统的膛外部的第二测量设备获得所述对象的至少一个建模图像，其中，所述至少一个建模图像用于生成所述对象的所述感兴趣区域的所述3D模型。本文所使用的术语建模图像是指建模仅用于在MRI流程的准备阶段中生成对象的感兴趣区域的3D模型。例如，对象可以躺在MRI系统的膛外部的支撑结构上，并且第二测量设备被布置在对象上方(例如，在天花板处)。测量设备可以从一个或多个视角拍摄感兴趣区域的一个或多个建模图像。3D模型可以包括通过对象的感兴趣区域的至少一个建模图像来调整的具有默认尺寸的默认3D模型。通过分析建模图像，可以直接从建模图像获得对象的感兴趣区域的实际尺寸。在建模图像仅包括2D数据的情况下，分析可以包括利用例如神经网络。在建模图像包括3D数据的情况下，分析可以简单地包括从建模图像的读取。3D模型可以是例如在执行本文描述的方法等期间新生成的，这意味着不存在默认3D模型。总之，这可以是有利的，因为3D模型的准确度可以增加，并且因此所得到的MR数据的质量可以增加。可以从第二测量设备连续接收建模图像。可以连续地分析建模图像以检测至少一个标志，其中，分析可以包括一个或多个数学算法。可以针对感兴趣区域(例如，头部的颧骨)预定义至少一个标志。数学算法可以包括边缘检测算法、为此目的训练的神经网络或其他合适的计算方法。数学算法可以确定对象是否在MRI系统的床上，和/或对象是在MRI系统的膛的外部还是内部。数学算法可以确定对象的不同部分(例如，头部、腿部、手臂等)。数学算法可以使用来自第二测量设备的任何数据流(例如，2D信息(来自深度相机的RGB输出)、来自深度相机的3D信息或其组合)。数学算法可以首先检测预定义的感兴趣区域(例如头部)，并且然后检测预定义的至少一个标志(例如颧骨)。在获得多于一个建模图像的情况下，生成对象的感兴趣区域的3D模型可以包括计算平均3D模型。在获得多于一个建模图像的情况下，生成对象的感兴趣区域的3D模型可以包括合并对象的感兴趣区域的不同3D模型。

在实施例中，所述至少一个建模图像可以包括所述对象的所述感兴趣区域的3D数据。所述3D数据可以包括例如建模图像中的每个像素的平移坐标(x，y，z方向)。所述`3D数据可以从深度相机、激光干涉仪扫描器和/或两个或更多个2D相机(例如，实现计算机立体视觉的不同视角中的两个RGB传感器相机)获得。计算机立体视觉是从数字图像中提取3D信息。通过从两个视角比较来自感兴趣区域的信息，可以通过检查数字图像中的对象(例如，标志)的相对位置来提取3D数据。对象的感兴趣区域的3D数据可以有利地增加3D模型的准确性，并且因此增加所得到的MR数据的准确性。来自建模图像的3D数据可以用于在合适的坐标系(例如MRI坐标系、感兴趣区域(例如头部)坐标系)中获得对应的3D空间位置。例如，可以使用以患者为中心的坐标系，其中至少一个标志是坐标系的原点。坐标系可以包括齐次坐标以便简化计算。

在实施例中，所述第二测量设备可以是深度相机。深度相机可以有利地提供对象的感兴趣区域的非常准确的3D信息数据。深度相机可以使用飞行时间原理来根据2D图像确定3D信息。深度相机可使用结构化光来根据2D图像确定3D信息。深度相机可以使用相干光并且测量反射光相对于源光之间的相移(即，激光干涉测量)。

在实施例中，所述第二测量设备可以是至少一个光学相机。所述光学相机可以是RGB相机。RGB相机仅提供2D图像。因此，来自两个不同视角的两个图像对于从RGB相机导出3D数据是必要的(即，计算机立体视觉，其优选地需要至少两个光学相机)，或来自由RGB相机获得的2D图像的2D数据必须与3D模型对齐。第二选项可以借助于数学算法来执行。数学算法可以被训练为借助于通常具有一组自由参数的内部处理链将一个或多个输入处理成一个或多个输出。内部处理链可以被组织在互连层中，当从输入前进到输出时，所述互连层相继地被遍历。可以通过使用训练数据的记录来训练数学算法。训练数据的记录包括训练输入数据和对应的训练输出数据。如本文所使用的训练输入数据可以是来自对象的感兴趣区域的2D图像，并且训练输出数据可以是对象的感兴趣区域的3D数据(例如，利用3D深度相机测量)。训练输入数据和训练输出数据也可以是模拟的数据，以便减少提供训练数据的努力。总之，这在成本降低和3D模型的准确性方面可以是有利的。光学相机可以是红外相机。光学相机可以使用电荷耦合器件(CCD)传感器或有源像素传感器(即互补金属氧化物半导体(CMOS)传感器)。

在实施例中，所述3D模型的生成可以基于表示处理对象的感兴趣区域的至少一个标志的机器学习系统，其中，所述机器学习系统被训练为描述对象的感兴趣区域的几何数据与所述对象的所述感兴趣区域的至少一个标志之间的关系。训练数据可以从2D图像和对应的3D图像的记录导出。可以模拟2D图像和对应的3D图像，以便减少提供训练数据的努力。机器学习系统可以由神经网络、机器学习算法、卷积神经网络或生成对抗网络来实施。机器学习系统的使用在生成3D模型的效率和准确性方面可以是有利的。

在实施例中，确定所述对象的感兴趣区域在所述MRI系统中的位置可以包括确定所述3D模型相对于所述第一测量设备的位置的一次或多次旋转和一次或多次平移，以便获得适合于由所述膛内部的所述第一测量设备获得的2D图像的所述3D模型的投影。换句话说，该方法检查对象的感兴趣区域的什么3D位置可以导致所获得的对象的感兴趣区域的投影(即2D图像)。因此，所述确定可以还考虑第一测量设备在膛内部的位置。所述确定可以参考第一测量设备在膛内部的位置来计算视角。所述确定可以使用截距定理的物理方程。所述确定可以使用数值近似方法来确定对象在MRI系统中的位置。所述确定还可以使用可以为此目的训练的神经网络来确定对象在MRI系统中的位置。总之，这对于准确地确定对象在MRI系统中的位置可以是有利的。

在实施例中，所述第一测量设备被布置在线圈或其壳体等中。第一测量设备在线圈中的布置可以是有利的，因为没有任何物体可以隐藏或遮挡测量设备与对象的感兴趣区域之间的视图。线圈可以是头部线圈或另一身体线圈。线圈可以是MRI系统内部的固定线圈。第一测量也可以安装在膛的顶板上。第一测量设备还可以根据对象和/或感兴趣区域改变其视角(例如，对象的不同尺寸需要不同的视角)。测量设备还可以与一个或多个镜子组合布置，以便对隐藏区域(例如下巴下侧)进行成像。在使用镜子的情况下，除了用于确定对象在MRI系统中的位置的测量设备的位置之外，还使用镜子的位置。

在实施例中，建模图像可以用于获得合适坐标系中的相应3D位置。例如，可以使用以患者为中心的坐标系，其中多个预定义标志中的一个标志被视为原点。由于感兴趣区域的多个建模图像通常可以是在检查准备期间可获得的，因此可以对所得到的3D模型进行平均和拼接以改善准确性。使用齐次坐标，所得到的个体参考标志位置可以通过向量来描述。为了描述3D模型，这些位置可以被聚合到单个参考向量/>中。一旦对象已经被移动到膛中，就在MRI系统的膛内部的2D图像上确定一个或多个标志。在仅有多个标志的子集以高准确度被确定的情况下，可以通过简单地丢弃未检测到的标志变量来将所有计算限制于标志的该子集。检测到的膛内标志位置可以通过(再次以齐次坐标)向量来描述。另一膛内2D模型可以通过聚合这些向量/>来获得。然后通过求解下式找到描述参考3D向量到膛内2D向量的变换的参数：

C是由描述由膛内相机实现的投影的3×4矩阵组成的块对角矩阵，并且M_θ是描述从参考向量到膛内部的3D向量(由θ参数化)的3D变换的块对角矩阵。对于刚性运动模型，其中，/>和/>分别是3D平移和旋转矩阵。对于由膛内相机采集的第一图像，该公式使用对应于感兴趣区域(例如头部)的理想姿态的θ的初始化来求解。所得到的变换参数θ⁽⁰⁾然后用作用于所有后续膛内相机图像的初始值，这继而产生θ⁽ⁱ⁾。期望的3D位置被计算为与参考变换的偏差：

Δθ＝θ⁽ⁱ⁾-θ⁽⁰⁾

然后，这些3D位置可以进一步用于运动校正。在回顾性运动校正的情况下，参数可以与针对特定MR扫描的每个采集的相机图像的采集的MR数据概况时间同步地被存储，并且一旦扫描完成就被发送到重建软件。在前瞻性运动校正的情况下，所计算的运动参数可以被直接发送到扫描器软件以调整磁共振梯度、射频脉冲以及接收器频率和相位从而考虑运动。

在实施例中，所述第一测量设备可以是光学相机。光学相机可以是RBG相机。RGB相机是在磁环境(诸如MRT系统)中具有鲁棒操作行为的测量设备。这在方法的鲁棒性和可靠性方面可以是有利的。光学相机可以是红外相机。这在方法的鲁棒性和可靠性方面也可以是有利的。这里应当注意，作为第一测量设备的单个光学相机可以足以执行该方法。然而，在膛中不只使用RGB相机以便在MRI系统中获得对象的感兴趣区域的更好覆盖也可以是有利的。

在实施例中，所述对象的所述感兴趣区域可以是所述对象的头部。

在实施例中，所述生成所述对象的所述3D模型可以基于解剖模型，优选地基于3D可变形模型。这在3D模型的准确性方面可以是有利的。在感兴趣区域是头部或面部的情况下，3D可变形模型可以是有利的。3D可变形模型是是生成性模型，其可以在配准程序中建立在一组示例面部或头部上。3D可变形模型可以是示例面部或头部的分布的统计模型。

在实施例中，可以连续地确定并提供所述对象的所述感兴趣区域的所述位置以用于所述MR数据的所述运动校正。该方法的连续执行可能需要用于计算和数据交换的实时功能性硬件部件。计算可以由工作站、FPGA、高性能计算机、数据中心执行。第一测量设备、第二测量设备、MRI系统的控件和计算单元之间的数据交换可以通过第三代总线系统、以太网和快速以太网集线器来执行。

根据另一方面，提供了一种用于MR数据的运动校正的装置，包括：生成单元，其被配置为生成对象的感兴趣区域的3D模型，所述3D模型包括至少一个标志；获得单元，其被配置为获得MRI系统内部的所述对象的至少一部分的2D图像，其中，所述获得单元被布置在所述MRI系统的膛的内部；第一确定单元，其被配置为确定所述2D图像中的至少一个标志，其中，所述2D图像中的所述至少一个标志对应于所述3D模型的所述至少一个标志；第二确定单元，其被配置为基于所述2D图像中的所确定的至少一个标志来确定所述对象的所述感兴趣区域在所述MRI系统中的位置；提供单元，其被配置为提供所述对象的所述感兴趣区域的所述位置以用于MR数据的运动校正。所述生成单元、所述第一确定单元、所述第二确定单元、所述提供单元可以是单独的硬件单元或在一个或多个硬件单元上运行的单独的软件单元或其组合。硬件单元可以是控制器、计算机、服务器、工作站。一个或多个硬件单元之间的数据交换可以是有线的(例如以太网、Profinet)或无线的(例如WIFI、WLAN)。

根据另一方面，提供了一种用于医学成像的系统，包括：如上所述的装置；MRI系统；第一相机，其被配置为获得MRI系统内部的2D图像；以及可选地，第二相机，其被配置为在所述MRI系统外部获得图像。所述第二相机可以是深度相机。所述第一相机可以是RGB相机。

根据最后一个方面，提供了一种计算机程序单元，所述计算机程序单元在由处理器运行时被配置为执行以上描述的方法的步骤。处理器可以是医学成像系统的一部分，或可以被单独地提供在另一计算机设备中。计算机程序单元可以被存储在计算机单元上，所述计算机单元也可以是实施例的一部分。计算单元可以被配置为执行上述方法的步骤或引起上述方法的步骤的执行。此外，它可以被配置为操作上面描述的设备的部件。计算单元可以被配置为自动操作和/或执行用户的命令。计算机程序可以被加载到数据处理器的工作存储器中。因此，数据处理器可以被配备为执行根据前述实施例中的一个的方法。本发明的该示例性实施例涵盖从一开始就使用本发明的计算机程序和借助于更新将现有程序转变为使用本发明的程序的计算机程序两者。此外，计算机程序单元可以能够提供用于完成如上所述的方法的示例性实施例的流程的所有必要步骤。根据本发明另外的示例性实施例，提出了一种计算机可读介质，例如CD-ROM、USB棒等，其中，该计算机可读介质具有被存储于所述计算机可读介质上的计算机程序单元，所述计算机程序单元由前面的章节所描述。计算机程序可以被存储和/或分布在合适的介质上，例如与其他硬件一起或作为其他硬件的部分供应的光学存储介质或固态介质，但是也可以被以其他形式分布，例如经由互联网或其他有线或无线的电信系统。然而，计算机程序也可以被呈现在网络上，如万维网，并且能够从这样的网络下载到数据处理器的工作存储器中。根据本发明的其他示例性实施例，提供了用于使计算机程序可用于下载的介质，所述计算机程序单元被布置为执行根据本发明的先前描述的实施例中的一个的方法。

要注意，上述实施例可以彼此组合，而不考虑所涉及的方面。因此，所述方法可以与其他方面的设备和/或系统的结构特征组合，并且同样地，所述设备和所述系统可以与彼此的特征组合，并且也可以与上面关于所述方法描述的特征组合。

本发明的这些和其他方面将参考下文描述的实施例变得显而易见并将参考下文描述的实施例得以阐述。

附图说明

将在以下附图中描述本发明的示例性实施例：

图1示出了根据本公开的实施例的用于医学成像的系统的一部分的示意图；

图2示出了根据本公开的另一实施例的装置的示意图；并且

图3示出了根据本公开的另一实施例的用于MR数据的运动校正的方法的流程图。

附图标记列表：

10 系统

11 装置

12 MRI控制器

13 膛

14、15、16 线圈

17、18 可移动榻

19 头部线圈

20、25 第一相机

21 第二相机

22 MRI系统

23 对象

24 感兴趣区域

26 镜子

27 标志

50 装置

51 生成单元

52 获得单元

53 第一确定单元

54 第二确定单元

55 提供单元

S10 生成3D模型

S20 获得2D图像

S30 确定至少一个标志

S40 确定感兴趣区域在MRI系统中的3D位置

S50 提供用于运动校正MR数据的感兴趣区域的3D位置

具体实施方式

图1示出了根据本公开的第一实施例的用于医学成像的系统的一部分的示意图。

用于医学成像的系统10包括用于MR数据的运动校正的装置11(参见图2)。系统10还包括MRI系统22，MRI系统22包括MRI控制器12、膛13、三个磁线圈14、15和16、可移动榻17和18、第一相机20和25、第二相机21。第二相机21被配置为获得MRI系统外部的图像。在本实例中，第二相机安装在可移动榻18上方的天花板处。第二相机21是能够提供具有对象23的感兴趣区域24的3D信息数据的图像的深度相机。替代地，代替深度相机，也可以使用激光干涉仪扫描器来获得对象23的感兴趣区域24的3D信息数据。可选地，替代地，两个或更多个2D相机(例如，RGB相机)也可以用于获得对象23的感兴趣区域24的3D数据。在本示例中，对象23是人。可选地，对象23也可以替代地是动物，例如牧羊犬等。在本示例中，感兴趣区域24是对象23的头部。可选地，替代地，诸如胃、胸部、手臂、腿等的任何其他区域可以用作感兴趣区域。感兴趣区域是要通过MRI流程成像的区域。对象23躺在MRI系统22外部的可移动榻上。感兴趣区域24包括一个标志27，在本实例中是颧骨。可选地，感兴趣区域还可以包括多于一个标志。可选地，标志还可以是面部上的痣、耳朵、眼睛、鼻子等。可选地，标志可以是与感兴趣区域相邻的虚拟标记，其中虚拟标志是从感兴趣区域的两个或更多个物理标志(例如，两个颧骨)导出的。第二相机21与装置11有线连接(例如以太网)。借助于其之间的有线连接，交换控制信号和图像数据(即，2D数据和/或3D数据)等。在MRI流程的准备阶段，由第二相机21获得对象23的一个或多个建模图像。装置12可以控制或触发第二相机21的成像过程。当准备阶段结束时，对象23躺在其上的可移动榻17移动到MRI系统22的膛13中。可选地，头部线圈19被布置在对象的头部24处。在膛13内部，三个源和探测器磁线圈14、15和16被布置在膛13的内表面上。在膛13内部，在本示例中，第一相机25被布置在头部线圈19中。第一相机25被配置为从感兴趣区域24(特别是对象的头部)获得MRI系统内部的2D图像。第一相机25可以被补充有镜子26，镜子26可以被布置为邻近对象的头部24，以便对感兴趣区域24的隐藏区进行成像。可选地，替代地，第一相机20可以布置在膛13的内表面上。应当注意，仅一个第一相机是必须的。然而，可选地，也可以在膛内部布置多于一个第一相机，以便覆盖膛内部的整个区域。第一相机20、25是生成2D图像的2D RGB相机。第一相机与装置11有线或无线连接，优选地有线连接。装置12可以控制或触发第一相机20、25的成像过程。装置12可以与MRI控件12有线连接，以便交换数据。

图2示出了根据本公开的另一实施例的装置50的示意图。装置50被配置用于MRI系统的MR数据的运动校正。装置50包括生成单元51。生成单元51被配置为生成包括至少一个标志的对象的感兴趣区域的3D模型。在本示例中，生成单元是在硬件单元上实施的软件单元。在本实例中，硬件单元是工作站的CPU。生成单元51提供解剖模型，特别是3D可变形模型。生成单元51从第二相机21接收包括标志27的对象23的感兴趣区域24的一个或多个建模图像。通过以太网连接来建立生成单元51与第二相机21之间的数据交换。生成单元51单元处理一个或多个建模图像，其中，处理意味着确定标志的位置并确定对象27的感兴趣区域24的尺寸，以便生成对象27的3D模型。装置50还包括获得单元52。获得单元52被配置为获得MRI系统22内部的对象的至少一部分的2D图像，其中，获得单元52被布置在MRI系统的膛内部。在本示例中，获得单元52是第一相机20或25(参见说明书图1)。该装置还包括第一确定单元53。第一确定单元53被配置为确定2D图像中的至少一个标志，其中2D图像中的至少一个标志对应于3D模型的至少一个标志。在本示例中，第一确定单元53是在与生成单元51相同的硬件单元上实施的软件单元。软件单元可以包括图像处理软件模块，以便分析2D图像。第一确定单元53将所确定的至少一个标志的信息发送到第二确定单元54。第二确定单元53是装置50的一部分。在本实例中，第二确定单元54是在与生成单元51和第一确定单元53相同的硬件单元上实施的软件单元。第二确定单元54被配置为基于2D图像中的所确定的至少一个标志来确定对象在MRI系统中的位置。第二确定单元54可以包括被训练为从2D图像导出对象的感兴趣区域的3D位置的数学算法。将在图3中更详细地解释数学算法。装置50还包括提供单元55。在本示例中，提供单元55是在与生成单元51相同的硬件单元上实施的软件单元。提供单元55被配置为提供对象27的感兴趣区域24的位置以用于MR数据的运动校正。提供单元53可以将对象27的感兴趣区域24的位置提供给MRI控制器12以便调整MRI流程设置，或提供给服务器(未示出)以便校正已经获得的MRI图像。

图3示出了根据另一实施例的用于MR数据的运动校正的方法的流程图。该方法包括五个步骤。在第一步骤S10中，生成包括至少一个标志的对象的感兴趣区域的3D模型。3D模型由上述生成单元51生成。步骤S10还可以包括获得对象的至少一个建模图像。所述至少一个建模图像可以由第二相机21(例如，深度相机)获得。所述至少一个建模图像示出了对象的感兴趣区域，其中建模图像在MRI系统的膛的外部获得。至少一个建模图像可以包括3D数据。3D数据包括例如建模图像中的每个像素的平移坐标(x，y，z方向)。3D模型可以基于表示处理对象的感兴趣区域的至少一个标志的数学算法的机器学习系统，其中，机器学习系统被训练为描述对象的感兴趣区域的几何数据与对象的感兴趣区域的至少一个标志之间的关系。3D模型还可以是解剖模型，优选地是3D可变形模型。在步骤S20中，由第一测量设备20、25获得MRI系统内部的对象的至少一部分的2D图像，其中，第一测量设备被布置在MRI系统的膛内部。第一测量设备可以是RGB相机。第一测量设备可以被布置在膛的内表面上或线圈(特别是头部线圈)中。第一测量设备可以由镜子补充。可以连续地(例如每单秒)获得2D图像，以便检测对象的感兴趣区域的移动。在步骤S30中，确定2D图像中的至少一个标志27，其中，2D图像中的至少一个标志对应于3D模型的至少一个标志。至少一个标志的确定由图像分析算法(例如边缘检测)来执行。可以用来自历史检查的记录来训练图像分析算法。记录可以包括多个标志(例如，特殊骨骼、鼻子、眼睛等)。图像分析算法可以从生成单元51接收其必须搜索的至少一个标志的信息。在步骤S40中，基于2D图像中的所确定的至少一个标志来确定对象的感兴趣区域在MRI系统中的位置。该确定由第二确定单元54执行。确定对象在MRI系统中的位置可以包括确定3D模型相对于第一测量设备的位置的一个或多个旋转和一个或多个平移，以便获得适合于由膛内部的第一测量设备获得的2D图像的3D模型的投影。因此所述确定可以还考虑第一测量设备在膛内部的位置。所述确定可以根据第一测量设备在膛内部的位置计算视角。该确定可以使用截距定理的物理方程。所述确定可以使用数值近似方法来确定对象的感兴趣区域在MRI系统中的位置。所述确定还可以使用神经网络来确定对象的感兴趣区域在MRI系统中的位置。在步骤S50中，提供用于MR数据的运动校正的对象的感兴趣区域的3D位置。3D位置被发送到MRI系统的MRI控件，以便校正磁共振梯度、射频脉冲和接收器频率以用于待获得的未来MRI图像，或者被发送到例如服务器，以便校正已经获得的MRI图像。可以连续地确定并提供对象的感兴趣区域的位置以用于MR数据的运动校正。MR数据的运动校正可以包括如上所述的前瞻性和/或回顾性运动校正。

在另一示例性实施例中，提供了一种计算机程序或计算机程序单元，其被配置为在适当的设备或系统上运行根据前述实施例中的一个的方法的方法步骤。

因此，计算机程序单元因此可以被存储在数据处理单元上，所述数据处理单元也可以是实施例的一部分。该数据处理单元可以被配置为执行上述方法的步骤或引起上述方法的步骤的执行。此外，它可以被配置为操作上面描述的设备/或系统的部件。计算单元可以被配置为自动操作和/或执行用户的命令。计算机程序可以被加载到数据处理器的工作存储器中。因此，数据处理器可以被配备为执行根据前述实施例中的一个的方法。

此外，计算机程序单元可以能够提供所有必要步骤以完成如上所述的方法的示例性实施例的流程。

根据本发明另外的示例性实施例，提出了一种计算机可读介质，例如CD-ROM、USB棒等，其中该计算机可读介质具有被存储于所述计算机可读介质上的计算机程序单元，所述计算机程序单元由前面的章节所描述。

计算机程序可以被存储和/或分布在合适的介质上，例如与其他硬件一起或作为其他硬件的部分供应的光学存储介质或固态介质，但是也可以被以其他形式分布，例如经由互联网或其他有线或无线的电信系统。

然而，计算机程序也可以被呈现在网络上，如万维网，并且能够从这样的网络下载到数据处理器的工作存储器中。根据本发明的其他示例性实施例，提供用于使计算机程序可用于下载的介质，所述计算机程序单元被布置为执行根据本发明的先前描述的实施例中的一个的方法。

要注意，本公开的实施例是参考不同主题来描述的。尤其地，一些实施例是参考方法型权利要求来描述的，而其他实施例是参考设备装置型权利要求来描述的。然而，除非另有说明，本领域技术人员将从以上和以下的描述中推断出，除属于一种类型的主题的特征的任意组合之外，涉及不同主题的特征之间的任意组合也被认为在本申请中被公开。然而，所有的特征都能够被组合来提供多于特征的简单加合的协同效应。

尽管已经在附图和前面的描述中详细图示和描述了本发明，但是这样的图示和描述应当被认为是图示性或示例性的，而非限制性的。本发明不限于所公开的实施例。本领域技术人员通过研究附图、公开内容以及权利要求，在实践请求保护的发明时能够理解并实现对所公开的实施例的其他变型。

在权利要求中，“包括”一词不排除其他元件或步骤，并且词语“一”或“一个”不排除多个。单个处理器或其他单元可以实现在权利要求中记载的若干项的功能。尽管特定措施是在互不相同的从属权利要求中记载的，但是这并不指示不能有利地使用这些措施的组合。权利要求中的任何附图标记都不应被解读为对范围的限制。

Claims (15)

1.一种用于MR数据的运动校正的方法，包括：

由计算单元(51)生成对象(23)的感兴趣区域(24)的三维模型——3D模型，所述3D模型包括所述对象(23)固有的至少一个标志(27)(S10)；

由第一测量设备(20、25、52)获得MRI系统(22)内部的所述对象(23)的至少一部分的二维图像——2D图像，其中，所述测量设备被至少部分地布置在所述MRI系统(22)的膛的内部(S20)；

由所述计算单元(53)确定所述2D图像中的至少一个标志(27)，其中，所述2D图像中的所述至少一个标志(27)对应于所述3D模型的所述至少一个标志(27)(S30)；

由所述计算单元(54)基于所述2D图像中的所确定的至少一个标志(27)来确定所述对象(23)的所述感兴趣区域(24)在所述MRI系统(22)中的3D位置(S40)；

由所述计算单元(55)提供所述对象(23)的所述感兴趣区域(24)的所述3D位置以用于MR数据的运动校正(S50)。

2.根据权利要求1所述的方法，还包括获得所述对象(23)的至少一个建模图像，其中，所述至少一个建模图像是由被布置在所述MRI系统(22)的所述膛的外部的第二测量设备获得的至少一个图像，并且其中，所述至少一个建模图像用于生成所述对象(23)的所述感兴趣区域(24)的所述3D模型。

3.根据权利要求2所述的方法，其中，所述至少一个建模图像包括所述对象(23)的所述感兴趣区域(24)的3D数据。

4.根据权利要求2或3所述的方法，其中，所述第二测量设备是深度相机。

5.根据权利要求2所述的方法，其中，所述第二测量设备是至少一个光学相机。

6.根据前述权利要求中的任一项所述的方法，其中，所述3D模型的生成基于机器学习系统，所述机器学习系统表示处理对象(23)的感兴趣区域(24)的至少一个标志(27)的数学算法，其中，所述机器学习系统被训练为描述对象(23)的感兴趣区域(24)的几何数据与所述对象(23)的所述感兴趣区域(24)的至少一个标志(27)之间的关系。

7.根据前述权利要求中的任一项所述的方法，其中，确定所述对象(23)的感兴趣区域(24)在所述MRI系统(22)中的所述位置包括确定所述3D模型相对于所述第一测量设备(20，25)的位置的一次或多次旋转和一次或多次平移，以便获得适合于由所述膛内部的所述第一测量设备(20，25)获得的所述2D图像的所述3D模型的投影。

8.根据前述权利要求中的任一项所述的方法，其中，所述第一测量设备被布置在线圈中。

9.根据前述权利要求中的任一项所述的方法，其中，所述第一测量设备(20，25)是光学相机。

10.根据前述权利要求中的任一项所述的方法，其中，所述对象(23)的所述感兴趣区域(24)是所述对象(23)的头部。

11.根据权利要求1所述的方法，其中，所述生成所述对象(23)的所述3D模型基于解剖模型，优选地基于3D可变形模型。

12.根据前述权利要求中的任一项所述的方法，其中，连续地确定并提供所述对象(23)的所述感兴趣区域(24)的所述位置以用于所述MR数据的所述运动校正。

13.一种用于MR数据的运动校正的装置(11)，包括：

生成单元，其被配置为生成对象(23)的3D模型，所述3D模型包括所述对象(23)固有的至少一个标志(27)；

获得单元，其被配置为获得MRI系统(22)内部的所述对象(23)的至少一部分的2D图像，其中，所述获得单元被布置在所述MRI系统(22)的膛内部；

第一确定单元，其被配置为确定所述2D图像中的至少一个标志(27)，其中，所述2D图像中的所述至少一个标志(27)对应于所述3D模型的所述至少一个标志(27)；

第二确定单元，其被配置为基于所述2D图像中的所确定的至少一个标志(27)来确定所述对象(23)在所述MRI系统(22)中的位置；

提供单元，其被配置为提供所述对象(23)的所述位置以用于MR数据的运动校正。

14.一种用于医学成像的系统(10)，包括：

根据权利要求13所述的装置(11)；

MRI系统(22)；以及

第一相机(20、25)，其被配置为获得MRI系统(22)内部的2D图像。

15.一种在由处理器运行时被配置为执行根据权利要求1至12中的任一项所述的方法的步骤的计算机程序单元。