DE102010034430A1

DE102010034430A1 - Verfahren zur Konfiguration einer Bildgebungsvorrichtung

Info

Publication number: DE102010034430A1
Application number: DE102010034430A
Authority: DE
Inventors: Karlheinz Glaser-Seidnitzer; Werner Hauptmann; Dr. Kiefer Berthold; Dr. Otte Clemens
Original assignee: Siemens AG
Current assignee: Siemens AG
Priority date: 2010-08-16
Filing date: 2010-08-16
Publication date: 2012-02-16
Also published as: US20120041909A1; US8838506B2

Abstract

Eine Datenbank enthält Varianten von Protokollen für den Betrieb von Magnetresonanztomographen sowie unterschiedliche Typen von Magnetresonanztomographen. Jede Variante enthält Parameterwerte und ist einem der Typen zugeordnet. In einer Trainingsphase werden Relationen zwischen den Parametern untereinander und/oder zwischen den Parametern und den zugehörigen Typen ermittelt und als Muster in einer Wissensbasis abspeichert. Später wird in einer Anwendungsphase anhand der ermittelten Muster ein Protokollentwurf für den Betrieb eines neuen Magnetresonanztomographen erstellt. Das Verfahren bietet den Vorteil, dass die Effizienz und Qualität der automatischen Konvertierung der Protokolle verbessert wird. Die verbesserte Qualität des Protokollentwurfs reduziert Arbeitszeit und Kosten für eine manuelle Nachbearbeitung der Protokolle. Weiterhin wird eine höhere Konsistenz der Protokolle untereinander sowohl zwischen Produktfamilien als auch zwischen einzelnen Konfigurationen erreicht.

Description

Aus der Medizintechnik sind unterschiedliche Bildgebungsvorrichtungen bekannt, beispielsweise Magnetresonanztomographen, Computertomographen, Ultraschall-Geräte oder Röntgen-Systeme. Für einen einwandfreien Einsatz dieser komplexen Systeme ist es erforderlich, die Bildgebungsvorrichtungen zu konfigurieren. Hierzu muss eine Vielzahl von Messanweisungen und anderen Einstellungen, welche für die jeweilige Bildgebungsvorrichtung, aber ggf. auch für einen jeweiligen Anwendungsfall spezifisch sind, festgelegt werden. Die genannten Bildgebungsvorrichtungen erfordern komplexe und umfangreiche Einstellungen, um Bilder in einer gewünschten Qualität bzw. mit gewünschten Eigenschaften betreffend Auflösung, Kontrast, Ausschnitt, Größe usw. zu erhalten.
Die für eine medizinische Untersuchung mit der Bildgebungsvorrichtung erforderlichen Messanweisungen und Einstellungen werden üblicherweise in Protokollen abgespeichert. Die Protokolle enthalten hierbei alle nötigen Informationen, um die Bildgebungsvorrichtung so zu betreiben, dass die medizinische Untersuchung durchgeführt werden kann. Üblicherweise sind die Protokolle spezifisch auf die Eigenschaften einer bestimmten Bildgebungsvorrichtung zugeschnitten. Falls die Bildgebungsvorrichtung mit unterschiedlichen Software-Systemen betrieben werden kann, sind die Protokolle weiterhin auf das jeweilige Software-System zugeschnitten.
Bei einem Magnetresonanztomographen beschreibt jedes Protokoll eine Sequenz zur Bildakquisition, üblicherweise mit einer Dauer von einigen Minuten. Eine sequenzielle Ausführung mehrerer Protokolle bzw. Sequenzen wird als Programm bezeichnet. Üblicherweise liegen für den Betrieb eines Magnetresonanztomographen 1500 bis 1800 Protokolle vor. Die Anzahl der Protokolle und Programme ist somit sehr umfangreich.
Jedes Protokoll enthält hierbei beispielsweise ca. 150 Parameter, welche den technischen Prozess der Bildakquisition definieren. Unter dem Begriff ”Parameter” sind daher Eigenschaften, Messanweisungen oder sonstige Einstellungen für die Bildgebungsvorrichtung bzw. deren Software sowie anderweitige Arbeitsschritte im Rahmen der Bedienung der Bildgebungsvorrichtung oder der Vorbereitung und Durchführung einer medizinischen Untersuchung zu verstehen. Dabei kann es sich auch um sonstige Einstellungen handeln, die ihrerseits wieder weitere Schritte und/oder Unterschritte erfordern. Bei den Parametern handelt es sich beispielsweise um Kontrastmittelinformationen oder sonstige konfigurierbare Einstellungen der Bildgebungsvorrichtug wie beispielsweise eine Echozeit, Aufnahme-Zeit, Auflösung, Bandbreite, Turbo-Faktor, Abmessungen eines Bildfelds, Schichtanzahl, Schichtdicke usw..
Die Parameterwerte dieser Parameter hängen von einem Typ der jeweiligen Bildgebungsvorrichtung ab. Der Typ ist durch eine Mehrzahl von Attributen definiert, welche vorgegebene Eigenschaften der Bildgebungsvorrichtung beschreiben: bei einem Magnetresonanztomographen etwa seine Feldstärke, sein Gradientensystem oder die Anzahl seiner Spulen.
Um ein existierendes Protokoll für den Betrieb eines Magnetresonanztomographen mit einem neuen Typ zu konvertieren, müssen bis zu 25 Parameterwerte in dem Protokoll angepasst werden. Aufgrund der hohen Anzahl von Protokollen ist diese manuelle Konvertierung zeitaufwändig und fehleranfällig. Gleiches gilt auch für die anderen zuvor genannten Bildgebungsvorrichtungen.
Der Erfindung liegt daher die Aufgabe zugrunde, ein Verfahren zur Konfiguration einer Bildgebungsvorrichtung anzugeben, welches den Zeitaufwand und/oder die Fehleranfälligkeit bei der Konvertierung von Protokollen für den Betrieb einer neuen Bildgebungsvorrichtung verringert.
Diese Aufgabe wird erfindungsgemäß dadurch gelöst, dass eine Datenbank Varianten von Protokollen für einen Betrieb von Bildgebungsvorrichtungen enthält, welche Parameterwerte für Parameter enthalten. Weiterhin enthält die Datenbank Typen von Bildgebungsvorrichtungen, welche aus Attributen bestehen, die vorgegebene Eigenschaften der Bildgebungsvorrichtungen beschreiben. Abschließend enthält die Datenbank für jede Variante eine Zuordnung, für welchen Typ die jeweilige Variante entwickelt wurde.
Ein Computer führt in einer Trainingsphase ein datengetriebenes Lernverfahren aus und ermittelt dabei Relationen zwischen den Parametern untereinander und/oder zwischen den Parametern und den zugehörigen Typen, die er als Muster in einer Wissensbasis abspeichert. Später ermittelt der Computer in einer Anwendungsphase anhand der ermittelten Muster einen Protokollentwurf für einen Betrieb einer Bildgebungsvorrichtung mit einem Ziel-Typ.
Ferner umfasst die Erfindung einen computerlesbaren Datenträger, auf dem ein Computerprogramm gespeichert ist, welcher das Verfahren ausführt, wenn es in dem zuvor beschriebenen Computer abgearbeitet wird, sowie ein Computerprogramm, welches von dem Computer abgearbeitet wird und dabei das Verfahren ausführt. Die Erfindung umfasst auch den Computer selbst, welcher programmiert ist, um das Verfahren auszuführen.
Das Verfahren bietet den Vorteil, dass die automatische Konvertierung der Protokolle verbessert wird, sodass weniger manuelle Nachbearbeitung erforderlich ist. Mithilfe der Muster aus der Wissensbasis erstellt der Computer einen Protokollentwurf, dessen Parameterwerte näher an einem Optimum liegen als Parameterwerte, welche mit bekannter Konvertierungs-Software berechnet werden. Die Effizienz und Qualität der Konvertierung wird somit verbessert. Das datengetriebene Lernverfahren ermöglicht es, bei einer ausreichend großen Menge an Daten individuelle Variationen in den bestehenden Protokollen auszumitteln, welche durch unterschiedliche Präferenzen der Experten, welche diese erstellt haben, verursacht werden. Auf diese Weise lassen sich die Relationen zwischen den Parametern untereinander und/oder zwischen den Parametern und den zugehörigen Typen ermitteln.
Die verbesserte Qualität des Protokollentwurfs reduziert den Aufwand für eine manuelle Nachbearbeitung. Arbeitszeit und Kosten zur Konvertierung der Protokolle für neue Typen von Bildgebungsvorrichtungen werden reduziert. Weiterhin wird eine höhere Konsistenz der Protokolle untereinander sowohl zwischen Produktfamilien als auch zwischen einzelnen Konfigurationen erreicht. Abschließend wird die Qualität der Protokolle insgesamt verbessert.
Weitere vorteilhafte Ausführungsformen der Erfindung sind durch die Merkmale der Unteransprüche gekennzeichnet.
Im Folgenden werden Ausführungsbeispiele der Erfindung anhand von Figuren näher erläutert. Es zeigen:
1 eine Benutzeroberfläche mit Protokollkategorien und Protokollen,
2 ein einfaches Verfahren zur Konfiguration einer Bildgebungsvorrichtung,
3 ein verbessertes Verfahren zur Konfiguration einer Bildgebungsvorrichtung,
4 Protokolle für unterschiedliche Typen von Bildgebungsvorrichtungen,
5 ein datengetriebenes Lernverfahren zur Ermittlung von Relationen zwischen Parametern und/oder Typen von Bildgebungsvorrichtungen,
6 eine Systemarchitektur zur Ausführung des Verfahrens, und
7 einen Ablaufplan für das Verfahren.
Die folgenden Ausführungsbeispiele nehmen unter anderem auf Magnetresonanztomographen und die jeweils dafür notwendigen Protokolle Bezug. Die Erfindung ist jedoch nicht auf Magnetresonanztomographen beschränkt, sondern kann auch auf beliebige andere Bildgebungsvorrichtungen angewendet werden, die über Protokolle konfiguriert werden müssen.
1 zeigt eine Benutzeroberfläche 10, wie sie zur Bearbeitung von Protokollen zur Konfiguration von Bildgebungsvorrichtungen bekannt ist. In einem linken Teil der Benutzeroberfläche 10 sind Protokollkategorien 1 in einer Baumstruktur dargestellt. Im rechten Teil der Benutzeroberfläche 10 sind Protokolle 2 dargestellt, welche in der im linken Teil durch eine Ellipse markierten Protokollkategorie 1 enthalten sind. Die Protokolle 2 definieren beispielsweise jeweils eine Sequenz zur Bildakquisition durch einen Magnetresonanztomographen, deren Dauer in 1 ebenfalls angegeben ist.
2 zeigt ein einfaches Verfahren zur Konfiguration einer Bildgebungsvorrichtung mit einem neuen Typ. Ein Quell-Parametervektor 3 in einem Parameterraum 6 ist vorgegeben. Die Dimensionen des Parameterraums 6 sind beispielsweise 15–25 Parameter, welche für jedes der Protokolle 2 aus 1 an den neuen Typ der Bildgebungsvorrichtung angepasst werden müssen. Der Quell-Parametervektor 3 enthält die bisherigen Parameterwerte der jeweiligen Parameter aus einem bestehenden Protokoll, das in ein neues Protokoll konvertiert werden soll.
Zunächst wird mithilfe einer Konvertierungs-Software eine automatische Konvertierung des Quell-Parametervektors 3 in einen Entwurfs-Parametervektor 4 vorgenommen. Die Konvertierungs-Software importiert zunächst den Quell-Parametervektor 3 und prüft, ob der importierte Quell-Parametervektor 3 auf dem neuen Typ der Bildgebungsvorrichtung lauffähig ist. Falls dies nicht der Fall ist, wird der Entwurfs-Parametervektor 4 in lokaler Nachbarschaft des importierten Quell-Parametervektors 3 gesucht. Da der Entwurfs-Parametervektor 4 jedoch häufig keine zufriedenstellenden Resultate liefert, ermittelt ein Experte anschließend schrittweise Verbesserungen (in 2 durch Punkte angedeutet), welche er jeweils auf ihre Gültigkeit bzw. Lauffähigkeit im Rahmen einer beabsichtigten Bildaufnahme-Sequenz auf dem neuen Typ der Bildgebungsvorrichtung überprüft. Der Parameterraum 6 muss hierbei nicht kontinuierlich sein, da einige Regionen für die Parametervektoren ggf. nicht erlaubt sind. Auch ist es möglich, dass zwischen den Parametern nicht-lineare Abhängigkeiten vorliegen. Der Experte gelangt daher, wie in 2 gezeigt, nur nach Umwegen und zahlreichen Versuchen zu einem Ziel-Parametervektor 5, welcher optimale Eigenschaften für den Betrieb der Bildgebungsvorrichtung aufweist.
3 zeigt ein verbessertes Verfahren zur Konfiguration einer Bildgebungsvorrichtung mit einem neuen Typ. Wie in 2 sind ein Parameterraum 6, ein Quell-Parametervektor 3, ein Entwurfs-Parametervektor 4 sowie ein Ziel-Parametervektor 5 gezeigt. Jedoch liegt der Entwurfs-Parametervektor 4, welcher durch das verbesserte Verfahren berechnet wird, bereits viel näher am optimalen Ziel-Parametervektor 5, wodurch der Zeitaufwand für einen Experten erheblich verringert wird.
Die in 3 gezeigte abschließende Modifikation des Entwurfs-Parametervektors 4 zu dem Ziel-Parametervektor 5 kann durch den Experten, aber auch durch eine Konvertierungs-Software erfolgen. Diese prüft hierbei den Entwurfs-Parametervektor 4 in Bezug auf eine zugrundeliegende Bildaufnahme-Sequenz, welche die Bildgebungsvorrichtung ausführen soll, und modifiziert den Entwurfs-Parametervektor 4 entsprechend, damit er als Ziel-Parametervektor 5 durch die Bildgebungsvorrichtung im Zuge der Bildaufnahme-Sequenz ausgeführt werden kann.
Die verbesserte Berechnung des Entwurfs-Parametervektors 4 beruht hierbei auf einem datengetriebenen Lernverfahren, welches Wissen über Abhängigkeiten zwischen Parametern untereinander und/oder Typen von Bildgebungsvorrichtungen bereitstellt. Als datengetriebenes Lernverfahren eignet sich beispielsweise ein statistisches Lernverfahren, welches eine Clusteranalyse sowie eine Faktorenanalyse beinhaltet.
Die folgende Tabelle zeigt zwei Varianten eines Protokolls, welche auf zwei unterschiedliche Typen von Magnetresonanztomographen zugeschnitten sind, die jeweils in der Spaltenüberschrift genannt sind. Die Typen unterscheiden sich im Gradientensystem (SQ bzw. Q). Dargestellt sind 10 Parameter, die in den beiden Varianten des Protokolls verschiedene Werte besitzen.
Das datengetriebene Lernverfahren extrahiert typische Veränderungsmuster in den Protokollen, die sich z. B. durch ein unterschiedliches Gradientensystem ergeben. In der Tabelle ist beispielsweise für die Parameter ”Phasenüberabtastung”, ”Phasenauflösung” und ”Bandbreite” jeweils eine bestimmte Verringerung erkennbar, nachdem das Protokoll von Typ 1 auf Typ 2 konvertiert wurde. Derartige Relationen werden durch das datengetriebene Lernverfahren extrahiert.

Das datengetriebene Lernverfahren führt unter anderem eine automatische Clusterbildung durch, um sowohl Gruppen von Parametern zu bestimmen, die typische Veränderungsmuster enthalten, als auch Gruppen von Protokollen zu bestimmen, in denen diese Veränderungsmuster auftreten.

Parameter	Typ 1 (SQ)	Typ 2 (Q)
Basisauflösung	256	384
Phasenüberabtastung	100%	85%
FoV	140 mm	180 mm
Phasenauflösung	100%	87%
A >> P	140 mm	180 mm
F >> H	140 mm	180 mm
Bandbreite	501 Hz/Px	434 Hz/Px
TR	4360 ms	5120 ms
TE	108.0 ms	112.0 ms
Echo-Abstand	7.7 ms	8.58 ms

Im Folgenden wird sowohl auf 4 als auch auf 5 Bezug genommen.
4 zeigt eine erste Variante 11, eine zweite Variante 12 sowie eine dritte Variante 13 eines Protokolls, welches 150 Parameter enthält. Jede Variante enthält demnach 150 Parameterwerte x_1...x₁₅₀, die einen Parametervektor x bilden. Die Varianten haben unterschiedliche Parameterwerte x_1...x₁₅₀, welche durch unterschiedliche Schraffuren der jeweiligen Kästchen angedeutet sind. Die erste Variante 11 enthält Parameterwerte x_1...x₁₅₀, welche für einen ersten Typ 51 (in 5 gezeigt) einer Bildgebungsvorrichtung optimiert sind. Die zweite Variante 12 enthält Parameterwerte x_1...x₁₅₀, welche für einen zweiten Typ 52 einer Bildgebungsvorrichtung optimiert sind.
Entsprechend enthält die dritte Variante 13 Parameterwerte x_1...x₁₅₀, welche für einen dritten Typ 53 optimiert sind.
Im Zuge einer Suche 21 werden in der ersten Variante 11, der zweiten Variante 12 sowie der dritten Variante 13 ein erster Abschnitt 31 sowie ein zweiter Abschnitt 32 identifiziert, welche in den einzelnen Varianten z. B. ähnliche Parameterwerte haben. Dies ist nur als Beispiel zu verstehen, da im Zuge der Suche 21 eine beliebige Anzahl solcher Abschnitte ermittelt werden kann. Ein maschinelles Lernverfahren führt Unterschiede der Parameterwerte zwischen den Varianten auf Unterschiede der zugehörigen Typen der Bildgebungsvorrichtungen zurück. Hierzu werden beispielsweise statistische Korrelationen oder Expertenwissen, welches durch Regeln oder Funktionen gegeben sein kann, genutzt. Die Unterschiede können auch auf eine Abhängigkeit 40 zurückgeführt werden, welche zwischen unterschiedlichen Parametern vorliegt. Ziel ist also, Wissen über Relationen zwischen den Parametern untereinander oder zwischen den Parametern und den Typen automatisiert aus einem großen Datenbestand existierender Protokolle zu extrahieren.
5 zeigt ein datengetriebenes Lernverfahren zur Ermittlung von Relationen zwischen Parametern und Typen von Bildgebungsvorrichtungen. Wie bei 4 ist erneut die erste Variante 11, die zweite Variante 12 sowie die dritte Variante 13 mit ihren individuellen Parameterwerten x_1...x₁₅₀ gezeigt, welche jeweils auf den ersten Typ 51, den zweiten Typ 52 sowie den dritten Typ 53 einer Bildgebungsvorrichtung zugeschnitten sind. Der erste Typ 51, der zweite Typ 52 sowie der dritte Typ 53 bestehen hierbei jeweils aus Attributen 7, welche technische Charakteristika der jeweiligen Bildgebungsvorrichtung definieren. Üblicherweise ist jeder Typ durch 10–25 protokollrelevante Attribute 7 definiert, von denen in 5 nur eine Auswahl gezeigt ist. Das datengetriebene Lernverfahren zielt darauf ab, Relationen zwischen den Parametern und den Typen zu ermitteln. Hierzu wird beispielsweise ein probabilistisches Modell P(x|y) ermittelt. Hierbei wird untersucht, welcher Parametervektor x am wahrscheinlichsten ist, wenn ein Typ y vorgegeben ist.
6 zeigt eine Systemarchitektur zur Ausführung des Verfahrens. Zunächst wählt ein Experte mit Hilfe eines Computers 61 einen existierenden Typ einer Bildgebungsvorrichtung aus oder fügt einen neuen hinzu. Dieser Typ wird im Folgenden als Ziel-Typ bezeichnet. Anschließend wählt der Experte aus, welche Protokolle angepasst werden sollen. Der Computer 61 identifiziert nun Teile der Protokolle, welche geändert werden müssen, und schlägt neue Parameterwerte vor. Hierzu ruft der Computer 61 mit einem Lesezugriff 67 existierende Protokolle in Form von Varianten-Datensätzen 65 sowie bekannte Typen von Bildgebungsvorrichtungen in Form von Typen-Datensätzen 66 aus einer Datenbank 64 ab..
Hierbei enthalten die Varianten-Datensätze 65 einen Identifikator für einen zugeordneten Typ einer Bildgebungsvorrichtung, einen Protokoll-Identifikator für ein jeweiliges Protokoll sowie einen Parameter-Identifikator und einen Parameterwert für jeden Parameter. Beispielsweise kann jeder Varianten-Datensatz 65 150 Parameterwerte umfassen, von denen ca. 25 betrachtet werden müssen. Üblicherweise sind in der Datenbank 64 für jeden Typ einer Bildgebungsvorrichtung ca. 1500–1800 Varianten-Datensätze 65 gespeichert.
Jeder Typ-Datensatz 66 enthält einen Identifikator für einen Typ einer Bildgebungsvorrichtung, sowie eine Systembeschreibung, welche aus z. B. 15–25 Attributen besteht.
Ein Protokoll-Generator 62 ermöglicht es dem Computer 61, neue Parameterwerte für den vom Experten festgelegten Ziel-Typ vorzuschlagen. Hierzu greift der Protokoll-Generator 62 auf eine Wissensbasis 63 zurück, welche Wissen zur Konvertierung von Parameterwerten enthält, beispielsweise in Form von Korrelationen zwischen Parametern und Systemcharakteristika, Regeln oder probabilistischen Modellen. Mittels bekannter Methoden des Fallbasierten Schließens (englische Bezeichnung: ”case based reasoning”) kann der Protokoll-Generator 62 aus den vorliegenden Varianten-Datensätzen 65 und aus den Informationen der Wissensbasis 63 einen Protokollentwurf mit neuen Parameterwerten für den vom Experten festgelegten Ziel-Typ vorschlagen. Die Wissensbasis 63 kann eine getrennte Datenbank sein, sie kann aber auch in der Datenbank 64 enthalten oder mit dieser identisch sein. Abschließend ist der Protokoll-Generator 62 eingerichtet, um die neuen Parameterwerte für den Ziel-Typ mit einem Schreibzugriff 68 als Varianten-Datensatz 65 in der Datenbank 64 abzulegen. Wenn die Parameterwerte, welche der Protokoll-Generator 62 vorschlägt, von diesem noch nicht darauf überprüft werden, ob sie für eine beabsichtigte Bildaufnahme-Sequenz gültig sind, so erfolgt diese Überprüfung in einem nachgelagerten Schritt durch eine Konvertierungs-Software.
Im Folgenden wird ein bevorzugtes Ausführungsbeispiel der Erfindung im Detail beschrieben, wobei sowohl auf 6 als auch auf 7 Bezug genommen wird.
7 zeigt ergänzend zu 6 einen Programmablaufplan für eine mögliche Implementierung des Verfahrens. Das Verfahren beginnt mit einer Trainingsphase 100, auf die eine Anwendungsphase 200 folgt. Wie bei 6 beschrieben, sind in der Datenbank 64 Varianten x_i von Protokollen in Form von Varianten-Datensätzen 65 für einen Betrieb von Bildgebungsvorrichtungen abgespeichert, welche Parameterwerte für Parameter enthalten. Weiterhin sind in der Datenbank 64 Typen y_i von Bildgebungsvorrichtungen in Form von Typ-Datensätzen 66 gespeichert, welche aus Attributen 7 bestehen, die vorgegebene Eigenschaften der Bildgebungsvorrichtungen beschreiben. Außerdem ist in der Datenbank 64 für jede Variante xi gespeichert, für welchen Typ y_i die jeweilige Variante xi entwickelt wurde. Somit ergibt sich eine Zuordnung, gemäß der eine Variante xi einer Bildgebungsvorrichtung mit Typ y_i zugeordnet ist. Dabei muss es sich nicht notwendigerweise um eine 1:1-Zuordnung handeln. Ebenso ist es möglich, dass z. B. ein- und dieselbe Variante xi mehreren Typen y_i zugeordnet wird, falls diese nach demselben Protokoll-Ablauf gesteuert werden sollen.
Ein Mikroprozessor des Computers 61 ist programmiert, um in der Trainingsphase 100 durch ein datengetriebenes Lernverfahren Relationen zwischen den Parametern der Varianten xi untereinander und/oder zwischen den Parametern und den zugehörigen Typen y_i zu ermitteln und als Muster in der Wissensbasis 63 abzuspeichern.
Hierzu werden für mindestens ein Protokoll die folgenden Schritte durchgeführt. Zunächst werden alle Varianten x_i des Protokolls ermittelt, indem die jeweiligen Varianten-Datensätze 65 aus der Datenbank 64 abgerufen werden. Da unterschiedliche Varianten-Datensätze 65 für unterschiedliche Typen y_i existieren, werden in diesem ersten Schritt 71 in der Regel mehrere Varianten xi des Protokolls für eine Vielzahl von Typen y_i ermittelt. Als Datenformat der Variante xi eignet sich beispielsweise ein Vektor, dessen Elemente die einzelnen Parameterwerte dieser Variante xi enthalten, und bei dem die Variable i eine fortlaufende Nummer der Variante des jeweiligen Protokolls angibt. Entsprechend eignet sich als Datenformat für den Typ y_i ebenfalls ein Vektor, dessen Elemente aus Werten für die Attribute des Typs y_i bestehen. Das gemeinsam i bedeutet hierbei, dass der Typ y_i der Variante xi zugeordnet ist, beispielsweise indem der Typ y_i im Varianten-Datensatz 65 der Variante xi referenziert wird. Hieraus ergibt sich eine Menge V = {(x_i, y_i)|i = 1, ..., n}, welche alle Varianten xi des betrachteten Protokolls in Verbindung mit den zugehörigen Typen y_i enthält.
In einem zweiten Schritt 72 werden nun konstante Parameter ermittelt, deren Parameterwerte in den Varianten xi des Protokolls unter vorgegebenen Rahmenbedingungen konstant sind. Beispielsweise können Parameterwerte für Auflösung und Matrix in allen Varianten xi konstant sein, wenn in den zugeordneten Typen y_i z. B. ein Wert für ein Attribut 7 mit dem Titel ”B₀-Feld” bei ”3T” liegt. Natürlich können hierbei auch weitere Rahmenbedingungen berücksichtigt werden.
In einem dritten Schritt 73 werden variable Parameter ermittelt, deren Parameterwerte in den Varianten x_i um einen wiederkehrenden Faktor variieren. Beispielsweise wird in diesem dritten Schritt 73 ermittelt, dass die Parameterwerte der Parameter TR und TE in einer Variante x₃ um einen bestimmten Faktor reduziert werden zu Parameterwerten für eine Variante x₄.
Alternativ werden im dritten Schritt 73 variable Parameter ermittelt, deren Parameterwerte in den Varianten xi in Abhängigkeit von einer Änderung eines Attributs der zugehörigen Typen y_i um einen Faktor variieren. Dieser zweite Fall unterscheidet sich dadurch, dass hier bei den variablen Parametern miteinbezogen wird, dass die Änderung der Parameterwerte mit einer Änderung von Attributen der dazugehörigen Typen korreliert. Hierbei wird somit berücksichtigt, wie sich die Werte von Attributen zugeordneter Typen y₃ und y₄ verändern, wobei die genannten Varianten und Typen Tupel (x₃, y₃) und (x₄, y₄) bilden. Beispielsweise wird ermittelt, dass sich bei einem bestimmten Wechsel des Gradientensystems die Parameter ”Bandbreite” und ”Phasenauflösung” jeweils um einen bestimmten Faktor ändern und/oder das Verhältnis dieser Parameter zueinander sich verändert. Im ersten Fall werden die variablen Parameter also unter ausschließlicher Betrachtung der Parameter selbst, im zweiten Fall hingegen unter Einbezug der zugehörigen Typen ermittelt.
In einem weiteren, in 7 nicht explizit gezeigten und optionalen Schritt können korrelierte Parameter ermittelt werden, deren Parameterwerte in den Varianten x_i miteinander korrelieren.
Abschließend für die Trainingsphase 100 des datengetriebenen Lernverfahrens werden die konstanten Parameter und deren Parameterwerte, die variablen Parameter und deren Faktoren, sowie die korrelierten Parameter in einem Muster abgespeichert. Dies erfolgt in einem vierten Schritt 74. Zuvor können auch einzelne der genannten Schritte entfallen, sodass in dem Muster beispielsweise nur konstante Parameter, variable Parameter oder korrelierte Parameter abgespeichert werden.
Als Ergebnis enthalten die Muster Faktoren, um die Parameterwerte ausgewählter Parameter in der Datenbank 64 variieren, sowie Parametergruppen, welche jeweils aus mindestens zwei Parametern bestehen, deren Parameterwerte nur gemeinsam in der Datenbank variieren oder deren Werte miteinander korreliert sind.
Wie oben beschrieben werden die Muster jeweils getrennt für einzelne Protokolle ermittelt, indem Varianten des jeweiligen Protokolls für unterschiedliche Typen y_i untersucht wurden. In einer Weiterbildung des vorliegenden Ausführungsbeispiels besteht ein wesentlicher Teil des datengetriebenen Lernverfahrens darin, diese Muster im dritten Schritt 73 über unterschiedliche Protokolle hinweg zu analysieren und zu allgemeineren Mustern zusammenzufassen. Die hierzu notwendige statistische Auswertung wird durch die typischerweise große Anzahl von Protokollen begünstigt.
So kann etwa mittels bekannter Verfahren der Clusteranalyse nach Gemeinsamkeiten in Protokollen gesucht werden, bei denen der Parameter ”Phasenauflösung” bei einem bestimmten Wechsel des Gradientensystems erhöht wurde. Das Ergebnis besteht in einem Muster, welches die Gemeinsamkeiten der Protokolle, die Parameteränderungen und die zugehörigen Typen y_i charakterisiert.
Beispielsweise könnte ein solches Muster die folgenden Informationen enthalten: Bei einem Wechsel von einem ersten Typ y₁ auf einen zweiten Typ y₂ erhöht sich bei Protokollen, welche vorgegebene Randbedingungen erfüllen (z. B. eine Kategorisierung mit ”T1” sowie eine bestimmte Sequenz zur Bildakquisition für den Kopf eines Patienten), der Parameter ”Phasenauflösung” um 10 Prozent; gleichzeitig werden die Parameter ”Phasenüberabtastung” und ”Bandbreite” um bestimmte Faktoren verändert.
Die zuvor ermittelten und gegebenenfalls zusammengefassten Muster werden im vierten Schritt 74 in der Wissensbasis 63 abgespeichert. Hierbei können gegebenenfalls weitere Einschränkungen, Rahmenbedingungen und Regeln manuell durch einen Experten hinzugefügt werden, beispielsweise betreffend Aspekte, welche in den Protokollen nicht explizit beschrieben sind (wie etwa ein Zeitintervall, für das ein Patient seinen Atem während einer Bildaufnahme seiner Bauchregion anhalten soll).
Die Anwendungsphase 200 beginnt mit einer Definition eines Ziel-Typs y^tar in einem fünften Schritt 75 durch einen Experten. Die Attribute des Ziel-Typs y^tar beschreiben hierbei technische Eigenschaften einer neuen Bildgebungsvorrichtung, die konfiguriert werden soll. In der Anwendungsphase 200 wird anhand der ermittelten Muster ein Protokollentwurf für den Betrieb der neuen Bildgebungsvorrichtung mit dem Ziel-Typ y^tar ermittelt.
Neben der Spezifikation der Attribute des Ziel-Typs y^tar kann der Experte im fünften Schritt 75 auch festlegen, welche Protokolle für den Ziel-Typ y^tar konvertiert werden sollen.
Im Folgenden wird die Konvertierung eines einzelnen Protokolls beschrieben. Hierzu wählt der Protokoll-Generator 62 in einem sechsten Schritt 76 eine Quell-Variante x^src aus der Datenbank 64 aus, welche zu einem Quell-Typ y^src gehört, der dem Ziel-Typ y^tar möglichst ähnlich ist. Es wird also der Tupel (x^src, y^src) aus der Datenbank 64 abgerufen, bei dem y^src und y^tar die größte Ähnlichkeit miteinander aufweisen.
Basierend auf den vorab gespeicherten Mustern, bzw. weiteren Einschränkungen und Regeln, welche in der Wissensbasis 63 abgespeichert sind, modifiziert der Protokoll-Generator 62 in einem siebten Schritt 77 die Quell-Variante x^src und ermittelt so eine Entwurfs-Variante x^tar für das zu konvertierende Protokoll. Hierzu werden sämtliche Muster aus der Wissensbasis 63 abgerufen, welche die vorgegebenen Randbedingungen erfüllen, und nacheinander auf den Tupel (x^src, y^src angewendet. Hierzu können die entsprechenden Muster priorisiert werden, beispielsweise, indem spezifische Muster, welche mehr Bedingungen aufweisen als allgemeinere Muster, vorrangig behandelt werden. Sofern nötig, können Parameterwerte inter- oder extrapoliert werden, wozu sich Regressionsverfahren wie etwa eine nicht-lineare lokale Regression eignen. Die Quell-Variante x^src wird also anhand der in der Wissensbasis 63 gespeicherten Muster in eine Entwurfs-Variante x^tar für den Ziel-Typ y^tar umgerechnet.
In einem achten Schritt 78 wird die Entwurfs-Variante x^tar beispielsweise über einen Bildschirm an den Experten ausgegeben, der diese, sofern gewünscht, abändern kann.
Abschließend wird die Entwurfs-Variante x^tar in einem neunten Schritt 79 an eine Konvertierungs-Software übermittelt, welche diese in Bezug auf ihre Lauffähigkeit im Rahmen einer beabsichtigten Bildaufnahme-Sequenz überprüft und abschließende Modifikationen durchführt, um sicherzustellen, dass die endgültigen Parameterwerte auf der Bildgebungsvorrichtung mit dem Ziel-Typ y^tar lauffähig sind. Mit der endgültigen Version der Entwurfs-Variante x^tar liegt nun der Protokollentwurf für den Betrieb der Bildgebungsvorrichtung mit dem Ziel-Typ y^tar vor.
In einem zweiten Szenario kann anstelle der Entwurfs-Variante x^tar durch den Protokoll-Generator 62 auch lediglich für jedes Protokoll eine Richtlinie erstellt und an die Konvertierungs-Software übermittelt werden. Diese Richtlinie steuert dann die Konvertierung, welche die Konvertierungs-Software durchführt. Die Richtlinie enthält hierbei Informationen bzgl. der Bedeutung einzelner Parameter, der Reihenfolge, in welcher Parameter konvertiert werden sollen, Abhängigkeiten zwischen Parametern sowie bevorzugte Wertebereiche von Parametern. Da die Richtlinie durch den Protokoll-Generator 62 für jedes Protokoll einzeln erstellt wird, kann sie sowohl Protokoll-spezifisch als auch Typ-spezifisch ausgelegt werden. Sie ersetzt somit das starre Schema einer einfachen Konvertierungs-Software, welche lediglich eine lokale Nachbarschaftssuche bei der Konvertierung durchführt. In diesem zweiten Szenario enthält der Protokollentwurf also Regeln, nach denen Parameterwerte für den Betrieb der Bildgebungsvorrichtung mit dem Ziel-Typ y^tar zu wählen sind.
Gemäß einem weiteren Ausführungsbeispiel, welches eine Variante der zuvor beschriebenen Ausführungsbeispiele darstellt, extrahiert das datengetriebene Lernverfahren Wissen, indem es mindestens zwei Varianten xi eines Protokolls miteinander vergleicht. Hierbei werden keine Informationen bzgl. der zugeordneten Typen y_i sowie deren Attribute benötigt. Stattdessen werden typische Änderungen von Parameterwerten zwischen den Varianten xi ermittelt, ohne diese in Bezug zu den jeweiligen Typen y_i und deren Attributen zu setzen. In den Mustern wird dann beispielsweise Folgendes gespeichert:

– Parameterwerte für einen Parameter ”Echoabstand” werden typischerweise mit einem bestimmten Faktor geändert,
– in einem bestimmten Kontext, beispielsweise in Protokollen für eine Bildakquisition von der Kopfregion des Menschen gibt es Parametergruppen, deren Parameterwerte grundsätzlich gemeinsam geändert werden,
– ein Verhältnis zwischen zwei Parameterwerten wird immer durch einen ähnlichen Faktor verändert, etc.

Dieses Ausführungsbeispiel eignet sich für eine Unterstützung einer Konvertierung von Kundenprotokollen bei Systemaktualisierungen. Indem eine Kundenversion eines Protokolls mit der Originalversion des gleichen Protokolls verglichen wird, lassen sich Änderungsmuster ermitteln, welche das Geschäftsmodell des Kunden widerspiegeln. Beispielsweise kann ein Kunde in seinen Protokollen einen Schwerpunkt auf Bildqualität oder auf geringe Akquisitionszeit legen. Nachdem die entsprechenden Muster extrahiert wurden, können diese genutzt werden, um neue Protokolle entsprechend dem Geschäftsmodell des Kunden anzupassen.
Die beschriebenen Ausführungsbeispiele können frei miteinander kombiniert werden.

Claims

Verfahren zur Konfiguration einer Bildgebungsvorrichtung, bei dem – eine Datenbank (64) Varianten (xi) von Protokollen (2) für einen Betrieb von Bildgebungsvorrichtungen enthält, welche Parameterwerte für Parameter enthalten, – die Datenbank (64) Typen (y_i) von Bildgebungsvorrichtungen enthält, welche aus Attributen (7) bestehen, die vorgegebene Eigenschaften der Bildgebungsvorrichtungen beschreiben, – die Datenbank (64) für jede Variante (x_i) eine Zuordnung enthält, für welchen Typ (y_i) die jeweilige Variante (x_i) entwickelt wurde, – ein Computer (61) in einer Trainingsphase (100) ein datengetriebenes Lernverfahren ausführt und dabei Relationen zwischen den Parametern untereinander und/oder zwischen den Parametern und den zugehörigen Typen (y_i) ermittelt, die er als Muster in einer Wissensbasis (63) abspeichert, und – der Computer (61) in einer Anwendungsphase (200) anhand der ermittelten Muster einen Protokollentwurf für einen Betrieb einer Bildgebungsvorrichtung mit einem Ziel-Typ (y^tar) ermittelt.
Verfahren nach Anspruch 1, – bei dem der Protokollentwurf eine Entwurfs-Variante (x^tar) mit Parameterwerten für den Betrieb der Bildgebungsvorrichtung mit dem Ziel-Typ (y^tar) enthält, oder – bei dem der Protokollentwurf Regeln enthält, nach denen Parameterwerte für den Betrieb der Bildgebungsvorrichtung mit dem Ziel-Typ (y^tar) zu wählen sind.
Verfahren nach einem der vorangegangen Ansprüche, – bei dem die Muster Faktoren enthalten, um die die Parameterwerte ausgewählter Parameter in der Datenbank (64) variieren, und – bei dem die Muster Parametergruppen enthalten, welche jeweils aus mindestens zwei Parametern bestehen, deren Parameterwerte nur gemeinsam in der Datenbank (64) variieren und/oder deren Werte miteinander korreliert sind.
Verfahren nach einem der vorangegangen Ansprüche, – bei dem das datengetriebene maschinelle Lernverfahren ein statistisches Lernverfahren ist und eine Clusteranalyse beinhaltet.
Verfahren nach einem der vorangegangen Ansprüche, bei dem im Zuge des datengetriebenen Lernverfahrens für mindestens ein Protokoll (2) die folgenden Schritte durchgeführt werden: – der Computer (61) entnimmt Varianten (x_i) des Protokolls (2) aus der Datenbank (64), – der Computer (61) ermittelt konstante Parameter, deren Parameterwerte in den Varianten (x_i) des Protokolls (2) unter vorgegebenen Rahmenbedingungen konstant sind, – der Computer (61) ermittelt variable Parameter, deren Parameterwerte in den Varianten (x_i) des Protokolls (2) um einen wiederkehrenden Faktor variieren, – der Computer (61) ermittelt korrelierte Parameter, deren Parameterwerte in den Varianten (x_i) des Protokolls (2) miteinander korrelieren, und – der Computer (61) speichert die konstanten Parameter und deren Parameterwerte, die variablen Parameter und deren Faktoren, sowie die korrelierten Parameter in einem der Muster ab.
Verfahren nach einem der vorangegangen Ansprüche, bei dem im Zuge des datengetriebenen Lernverfahrens für mindestens ein Protokoll (2) die folgenden Schritte durchgeführt werden: – der Computer (61) entnimmt Varianten (x_i) des Protokolls (2) aus der Datenbank (64), – der Computer (61) ermittelt variable Parameter, deren Parameterwerte in den Varianten (x_i) des Protokolls (2) in Abhängigkeit von einer Änderung eines Attributs (7) der zugehörigen Typen (y_i) um einen Faktor variieren, und – der Computer (61) speichert die variablen Parameter und deren Faktoren sowie die zugehörigen Attribute (7) der Typen (y_i) in einem der Muster ab.
Verfahren nach Anspruch 6, – bei dem der Computer (61) Muster für unterschiedliche Protokolle (2) vergleicht, und – bei dem der Computer (61) die Muster zu einem allgemeineren Muster zusammenfasst.
Verfahren nach einem der vorangegangen Ansprüche, – bei dem in der Anwendungsphase (200) die Attribute (7) des Ziel-Typs (y^tar) festgelegt werden, – bei dem der Computer (61) eine Quell-Variante (x^src) aus der Datenbank (64) wählt, die zu einem Quell-Typ (y^src) gehört, der dem Ziel-Typ (y^tar) ähnlich ist, und – bei dem der Computer (61) die Quell-Variante (x^src) anhand der in der Wissensbasis (63) gespeicherten Muster in eine Entwurfs-Variante (x^tar) für den Ziel-Typ (y^tar) umrechnet.
Computerlesbarer Datenträger, – auf dem ein Computerprogramm gespeichert ist, welches das Verfahren nach einem der vorangegangenen Ansprüche ausführt, wenn es in dem Computer (61) abgearbeitet wird.
Computerprogramm, – welches in dem Computer (61) abgearbeitet wird und dabei das Verfahren nach einem der Ansprüche 1 bis 8 ausführt.
Computer (61), – welcher programmiert ist, um das Verfahren nach einem der Ansprüche 1 bis 8 auszuführen.