DE102011003138B4

DE102011003138B4 - Bildgebungsverfahren mit optimierter Grauwertfensterbestimmung

Info

Publication number: DE102011003138B4
Application number: DE102011003138.3A
Authority: DE
Inventors: Anna Jerebko
Original assignee: Siemens Healthcare GmbH
Current assignee: Siemens Healthineers Ag De
Priority date: 2011-01-25
Filing date: 2011-01-25
Publication date: 2018-05-03
Anticipated expiration: 2031-01-26
Also published as: US9192340B2; US20120189192A1; DE102011003138A1

Abstract

Bildgebungsverfahren, mit folgenden Schritten:- Anzeigen einer Mehrzahl von Lern-Darstellungen, die mit einer Modalität erstellt wurden, auf einer Anzeigeeinrichtung (S1);- Auswählen einer Grauwerteinstellung für jede Lern-Darstellung, die mit der Grauwerteinstellung auf der Anzeigeeinrichtung dargestellt werden soll (S2);- Zuordnen eines Merkmalssatzes mit zumindest einem Merkmal zu jeder Lern-Darstellung (S3);- Speichern der Grauwerteinstellung, die für die Lern-Darstellung ausgewählt wurde, und des Merkmalssatzes, der der Lern-Darstellung zugeordnet ist, für jede der Mehrzahl von Lern-Darstellungen (S4);- Zuordnen eines Merkmalssatzes mit zumindest einem Merkmal zu einer Untersuchungs-Darstellung, die mit einer Modalität erstellt wurde (S11);- Automatisches Auswählen der Grauwerteinstellung für die Untersuchungs-Darstellung in Abhängigkeit des Merkmalssatzes der Untersuchungs-Darstellung und in Abhängigkeit des Merkmalssatzes der Lern-Darstellungen (S12); und- Anzeigen der Untersuchungs-Darstellung mit der automatisch ausgewählten Grauwerteinstellung auf der Anzeigeeinrichtung (S13), gekennzeichnet durch zumindest einen der folgenden Schritte:- Bestimmen der Gewebedichte aus den Lern-Darstellungen und der Untersuchungs-Darstellung als ein Merkmal des Merkmalssatzes;- Bestimmen des Anteils an Fettgewebe aus den Lern-Darstellungen und der Untersuchungs-Darstellung als ein Merkmal des Merkmalsatzes;- Bestimmen des Anteils an Drüsengewebe aus den Lern-Darstellungen und der Untersuchungs-Darstellung als ein Merkmal des Merkmalsatzes;- Bestimmen des Anteils an vernarbtem Gewebe aus den Lern-Darstellungen und der Untersuchungs-Darstellung als ein Merkmal des Merkmalsatzes; und- Bestimmen des Anteils an kalzifiziertem Gewebe aus den Lern-Darstellungen und der Untersuchungs-Darstellung als ein Merkmal des Merkmalsatzes.

Description

Die vorliegende Erfindung betrifft ein tomographisches Bildgebungsverfahren, insbesondere ein Mammographieverfahren, bei dem ein optimiertes Grauwertfenster bestimmt wird.
Bei einem Tomosyntheseverfahren wird ein dreidimensionales Bild aus einer Mehrzahl zweidimensionaler Projektionen erzeugt. Mittels einer Röntgeneinrichtung mit einer Röntgenstrahlquelle und einem Detektor wird ein erstes zweidimensionales Bild bzw. eine erste Projektion des zu untersuchenden Gewebes erzeugt, das der Röntgenstrahl durchläuft. Das zweidimensionale Bild stellt hierbei die Schwächung der Röntgenstrahlung durch das Gewebe in dem Volumen bzw. der Brust dar. Ein zweites zweidimensionales Bild bzw. eine zweite Projektion des gleichen Gewebes bzw. Volumens wird aufgenommen, nachdem die Strahlquelle und/oder der Detektor in eine zweite Stellung bewegt wurden. Nachdem eine Mehrzahl zweidimensionaler Bilder aufgenommen wurde, kann ein dreidimensionales Tomosynthesebild mittels einer Rekonstruktion erzeugt werden.
Ein Anwendungsgebiet der eingangs erwähnten dreidimensionalen Bildgebungsverfahren ist die Mammographie. Eine typischerweise in der Mammographie verwendete Bilderzeugungsvorrichtung umfasst eine schwenkbare Röntgenstrahlquelle und einen stationären Röntgendetektor. Das zu untersuchende Gewebe wird über dem stationären Detektor positioniert, wobei das zu untersuchende Gewebe komprimiert wird und sich nicht in einer natürlichen Form befindet. Anschließend wird die Röntgenquelle in mehreren Schritten bzw. kontinuierlich geschwenkt, beispielsweise in einem Bereich von +/- 25°, und es werden eine Mehrzahl zweidimensionaler Röntgenbilder aus unterschiedlichen Schwenkstellungen der Röntgenstrahlquelle mit dem ortsfesten Detektor aufgenommen. Selbstverständlich ist es auch möglich, eine Mehrzahl ortsfester Röntgenstrahlquellen zu verwenden oder die Röntgenstrahlungsquelle lediglich translatorisch zu verschieben. Auch der Detektor kann entgegen der Bewegung der Röntgenquelle verschoben oder geschwenkt werden. Der bzw. die Röntgenstrahlquelle(n) emittieren bei carnio-caudal-Aufnahmen Röntgenstrahlen von Positionen, die entlang einer Linie angeordnet sind, die parallel zur Achse von Schulter zu Schulter einer Patientin verläuft. Durch einen zur Brustwand parallelen Strahlengang kann erreicht werden, dass das gesamte Gewebe der Brust abgebildet wird und der Thorax nicht bestrahlt wird. Aus der Mehrzahl zweidimensionaler Röntgenbilder wird mittels der Rekonstruktion ein dreidimensionales Bild erzeugt. Bildgebende Verfahren und Vorrichtungen für die Mammographie des Standes der Technik sind beispielsweise in der DE 10 2006 046 741 A1 , DE 10 2008 004 473 A1 , DE 10 2008 033 150 A1 , EP 2 138 098 A1 und der DE 10 2008 028 387 A1 beschrieben.
Im Stand der Technik werden zur Rekonstruktion eines dreidimensionalen Bildes aus einer Mehrzahl zweidimensionaler Bilder sogenannte gefilterte Rückprojektionen verwendet, die beispielsweise in Imaging Systems for Medical Diagnostics, Arnulf Oppelt, Publicis Corporate Publishing, Erlangen, ISBN 3-89578-226-2, Kapitel 10.5 beschrieben sind. Diese gefilterten Rückprojektionsrekonstruktionsverfahren stellen rekonstruierte Bilder mit einem vergleichsweise hohen Kontrast und einer vergleichsweise hohen Detailtreue dar, aber verlieren bei der Tomosynthese mit eingeschränktem Abtastwinkel aufgrund der fehlenden Daten Information über die relative Gewebedichte. Dies wird dadurch verursacht, dass bestimmte Filterkerne niederfrequente Anteile entfernen. Im Allgemeinen wird die digitale Brusttomosynthese (DBT - Digital Breast Tomosynthesis) durch unvollständige Daten und eine schlechte Quantenstatistik beeinträchtigt, die durch die Gesamtdosis beschränkt ist, die in der Brust absorbiert wird. Die Brust besteht hauptsächlich aus Drüsengewebe, Fettgewebe, Bindegewebe und Blutgefäßen. Die Röntgenschwächungskoeffizienten dieser Gewebetypen ähneln sich stark, was die Auswertung dreidimensionaler Mammographiebilder erheblich erschwert. Der Hauptanwendungsbereich von bildgebenden Verfahren in der Mammographie ist die frühzeitige Erkennung krebshaltigen Gewebes. Erschwerend kommt hinzu, dass krebshaltiges Gewebe einen ähnlichen Röntgenschwächungskoeffizienten wie andere Gewebetypen aufweist.
Mammographieverfahren sind beispielsweise in Imaging Systems for Medical Diagnostics, Arnulf Oppelt, Kapitel 12.6, Publicis Corporate Publishing, Erlangen, ISBN 3-89578-226-2 beschrieben.
In einer Tomographieaufnahme bzw. einem Schichtbild werden Gewebebereiche unterschiedlicher Dichte, die eine unterschiedliche Schwächung des Röntgenstrahls bewirken, mit unterschiedlichen Grauwerten dargestellt. Die Dichteinformation von CT-Aufnahmen wird mit so genannten Hounsfield-Einheiten (HE bzw. HU im englischen Sprachraum) gemessen. HE und HU sind keine gesetzlichen Einheiten, sie haben sich aber dennoch in der Fachwelt durchsetzen können. Wasser entspricht 0 HE und Luft entspricht -1000 HE. Das Auge kann jedoch nicht mehrere Tausend Grauwertstufen auflösen. Somit kann je nach zu diagnostizierenden Gewebe lediglich ein Teil des gesamten Grauwertbereiches für das menschliche Auge dargestellt werden. Dieser Vorgang wird als Fensterung oder Windowing im englischen Sprachraum bezeichnet.
Die Werte der Fensterung werden üblicherweise durch die Breite und den Mittelpunkt des Graustufenbereichs oder den Maximalwert und Minimalwert des Grauwertfensters definiert. Ein Weichteilefenster kann mit 350/50 bezeichnet werden, was bedeutet, dass der Graustufenbereich von -125 HE bis 225 HE angezeigt wird. Ein Knochenfenster kann mit 2000/500 angegeben werden. Das Weichteilefenster eignet sich zur Darstellung weichen Gewebes, wohingegen sich ein Knochenfenster für die Darstellung von Knochen eignet. Grauwerte, die sich außerhalb der angegebenen Fenster befinden, werden nicht auf einer Anzeigeeinrichtung oder einem Ausdruck dargestellt. Die Fensterung ist allgemein in Medizinische Informatik und Bioinformatik, Martin Dugas, Karin Schmidt, Springer, ISBN 3-540-42568-3 beschrieben.
Das vordefinierte Vorgeben von Grauwertfenstern ist bei der Tomosynthese nicht möglich, da insbesondere bei der Brusttomosynthese nur über einen begrenzten Winkelbereich Aufnahmen erstellt werden.
Heute bekannte Verfahren zum Bestimmen der Fensterung umfassen die Segmentierung des relevanten Bereichs einer Aufnahme (ROI) oder des zu untersuchenden Organs, das Berechnen eines Histogramms einer segmentierten ROI (Region of Interest: Relevanter Bereich), ein optionales Glätten des Histogramms und die Verwendung eines Ad-Hoc-Algorithmus, der speziell für die jeweilige Modalität und den jeweiligen Rekonstruktionsalgorithmus entwickelt wurde. Der Ad-Hoc-Algorithmus muss für jede Modalität und jeden Rekonstruktionsalgorithmus neu entwickelt bzw. neu optimiert werden. Dies kann dazu führen, dass sich je nach verwendeter Modalität eine unterschiedliche Helligkeitsverteilung im rekonstruierten Volumen ergibt. Ein derartiger Ansatz erfordert ein zeitaufwändiges Optimieren des Algorithmus zum automatischen Bestimmen der Fensterung. Ein weiteres Problem ist, dass verschiedene Radiologen unterschiedliche Bildeindrücke bevorzugen. Während einige Radiologen hellere Ansichten bevorzugen, bevorzugen andere Radiologen dunklere Abbildungen. Es versteht sich, dass einige Radiologen kontrastreichere Darstellungen bevorzugen, während andere Radiologen weichere Darstellungen bevorzugen. Somit kann die von einem Radiologen als optimal angesehene Darstellung von einem anderen Radiologen als nicht optimal angesehen werden. Folglich müssen die Entwickler die Parameter des automatischen Fensterungsalgorithmus für jeden Radiologen manuell optimieren und individuell die daraus resultierende Bildqualität über Hunderte von Testbildern untersuchen. Diese Vorgehensweise erfordert mehrere Iterationszyklen mit einer Beurteilung der Qualität der Bilder und der anschießenden Verbesserung der Algorithmen.
Die DE 102 13 284 A1 offenbart ein Verfahren zur Bilddarstellung in der medizinischen Bildgebung, mit dem aus einer bildgebenden Messung erhaltene Bilddaten mit einem ersten Kontrastumfang in Bilddaten mit einem zweiten Kontrastumfang umgewandelt und mit dem zweiten Kontrastumfang auf einem Medium dargestellt werden. Bei dem Verfahren wird aus den Bilddaten aus der bildgebenden Messung erhaltene Zusatzinformation über das Bild und/oder die Messung automatisch eine Bildklasse aus einer vorgegebenen Gruppe von unterschiedlichen Bildklassen bestimmt und die Umwandlung mit der Bildklasse zugeordneten Parameter durchgeführt.
Die DE 103 24 908 A1 betrifft eine selbstständige Optimierung von Parametereinstellungen in Bildaufbereitungssystemen.
Die Erfindung stellt sich die Aufgabe, einen verbesserten Algorithmus zum Bestimmen des Grauwertfensters bereitzustellen.
Die Aufgabe der Erfindung wird durch ein Verfahren nach Anspruch 1, ein Bildgebungssystem nach Anspruch 11 und ein Computerprogrammprodukt nach Anspruch 12 gelöst. Es wird eine Mehrzahl von Lern-Darstellungen auf einer Anzeigeeinrichtung angezeigt. Für jede Lern-Darstellung wird eine Grauwerteinstellung ausgewählt, mit der die Lern-Darstellung auf der Anzeigeeinrichtung dargestellt werden soll. Jeder Lern-Darstellung wird ein Merkmalssatz mit zumindest einem Merkmal zugeordnet. Die Grauwerteinstellung, die für die Lern-Darstellung ausgewählt wurde, und der Merkmalssatz, der der Lern-Darstellung zugeordnet ist, werden für jede der Mehrzahl von Lern-Darstellungen gespeichert.
Lern-Darstellungen können Tomographieaufnahmen sein, die dazu verwendet werden, ein optimales Grauwertfenster für die jeweilige Modalität, den jeweiligen Algorithmus und den jeweiligen Nutzer und/oder eine Mehrzahl von Nutzern zu finden. Eine Untersuchungs-Darstellung ist eine Aufnahme zum Untersuchen eines Patienten, beispielsweise eines neuen Patienten, für den noch keine Lern-Darstellung erstellt wurde. Die Untersuchungs-Darstellungen können im Rahmen eines Screening einer Mehrzahl von Patienten erstellt werden. Die Lern-Darstellungen und Untersuchungs-Darstellungen können jeweils Tomographieaufnahmen, beispielsweise eine Röntgenaufnahme, und/oder rekonstruierte Tomosynthese-Schichtbilder sein. Die Lern-Darstellungen und Untersuchungs-Darstellungen können auch ein Bild sein, das mit einer beliebigen Modalität erzeugt wurde. Die Lern-Darstellungen und Untersuchungs-Darstellungen können aber auch eine Darstellung sein, die aus einer Mehrzahl von Aufnahmen erzeugt wurde, die mit einer beliebigen Modalität erstellt wurden. Die Lern-Darstellungen und die Untersuchungs-Darstellung können ein Volumen repräsentieren. Das Volumen kann mittels eines Tomosyntheseverfahrens erzeugt werden. Ferner können die Lern-Darstellungen und Untersuchungs-Darstellungen mittels multimodaler Techniken erzeugt werden.
Einer Untersuchungs-Darstellung wird ein Merkmalssatz mit zumindest einem Merkmal zugeordnet. Eine Untersuchungs-Darstellung ist eine Tomographieaufnahme, die mit einer bestimmten Modalität und/oder Algorithmus aufgenommen wurde und von einem bestimmten Radiologen oder einer Mehrzahl Radiologen untersucht werden soll, um eine Diagnose zu erstellen. Die Grauwerteinstellung zum Darstellen der Untersuchungs-Darstellung wird in Abhängigkeit des Merkmalssatzes der Untersuchungs-Darstellung und in Abhängigkeit des Merkmalssatzes der Lern-Darstellungen automatisch ausgewählt. Die Untersuchungs-Darstellung wird mit der automatisch ausgewählten Grauwerteinstellung auf der Anzeigeeinrichtung angezeigt.
Das Verfahren kann für jeden Radiologen getrennt durchgeführt werden. Das Verfahren kann auch für jede Modalität, beispielsweise Tomosynthese, 2D-Mamograpie, MRI, CT, separat durchgeführt werden. Das Verfahren kann für jeden verwendeten bildgebenden Algorithmus getrennt durchgeführt werden. Dadurch wird ermöglicht, dass jeder Radiologe für jede Modalität und jeden bildgebenden Algorithmus die von ihm bevorzugten Grauwerteinstellungen auswählen kann. Hierzu werden die so genannten Lern-Darstellungen verwendet, indem der Radiologe für jede Modalität die von ihm bevorzugten Grauwerteinstellungen einstellt und das Verfahren automatisch die vom Radiologen ausgewählte Grauwerteinstellung speichert. Ferner werden Merkmale des Lern-Tomographiealgorithmus berechnet und gespeichert.
Falls der Radiologe mittels der bildgebenden Vorrichtung eine Diagnose erstellen möchte, wird die mit der Modalität aufgenommene Untersuchungs-Darstellung automatisch mit der vom Radiologen bevorzugten Grauwerteinstellung dargestellt. Das Verfahren wählt die vom Radiologen bevorzugte Grauwerteinstellung in Abhängigkeit des Merkmalssatzes der Untersuchungs-Darstellung und des jeweiligen Merkmalssatzes der Mehrzahl von Lern-Darstellungen automatisch aus.
Die Lern-Darstellungen können den gleichen Gewebebereich unterschiedlicher Patienten anzeigen, die mit der gleichen Modalität und dem gleichen bildgebenden Algorithmus erzeugt werden. Beispielsweise kann der Gewebebereich die Mamma sein, die Modalität eine DBT-Einrichtung und der bildgebende Algorithmus eine Rückwärtsprojektion sein. Das Verfahren ermittelt folglich für jeden Radiologen separat oder für eine Gruppe von Radiologen die optimale Grauwerteinstellung für unterschiedliche Brustdicken, Brustdichten, Brustzusammensetzungen, Strahlungsdosen, und/oder anderer Parameter.
Es kann zumindest ein Merkmal des Merkmalssatzes aus den Lern-Darstellungen extrahiert werden. Ferner kann zumindest ein Merkmal des Merkmalssatzes aus der Untersuchungs-Darstellung extrahiert werden.
Es werden die Gewebedichte, der Anteil an Fettgewebe, der Anteil an Drüsengewebe, der Anteil an vernarbtem Gewebe, der Anteil an hellem Gewebe und/oder der Anteil an kalzifiziertem Gewebe aus den Lern-Darstellungen und der Untersuchungs-Darstellung als Merkmal bzw. Merkmale des Merkmalssatzes bestimmt. Es können beliebige weitere Merkmale aus der Lern-Darstellung und der Untersuchungs-Darstellung extrahiert und diesem zugeordnet werden.
Es kann die Strahlendosis, beispielsweise einer Röntgenaufnahme, zu jeder der Lern-Darstellungen und der Untersuchungs-Darstellung als ein Merkmal des Merkmalssatzes zugeordnet werden. Es können noch weitere externe Merkmale, die nicht aus einer der Tomographieaufnahmen extrahiert werden, der entsprechenden Lern-Darstellung und der Untersuchungs-Darstellung zugeordnet werden. Diese externen Merkmale können beispielsweise der Gewebetyp, die Größe des Gewebebereichs, die Brustgröße, das Alter des Patienten, das Geschlecht des Patienten, die Größe des Patienten, das Gewicht des Patienten etc. umfassen.
Es kann die Lern-Darstellung bestimmt werden, deren Merkmalssatz die höchste Übereinstimmung mit der Untersuchungs-Darstellung aufweist. Es wird die Untersuchungs-Darstellung mit derjenigen Grauwerteinstellung angezeigt, die der Lern-Darstellung zugeordnet ist, deren Merkmalssatz die höchste Übereinstimmung mit dem Merkmalssatz der Untersuchungs-Darstellung aufweist. Eine Untersuchungs-Darstellung, die für die Untersuchung eines Patienten mit einer Modalität erzeugt wird, wird mit der Grauwerteinstellung angezeigt, die der Radiologe für eine ähnlich geartete Lern-Darstellung eingestellt hat. Somit wird sichergestellt, dass die Untersuchungs-Darstellung mit der Grauwerteinstellung angezeigt wird, die möglichst den Präferenzen des Radiologen entspricht. Diese Verfahren kann ein einfaches nächstes Nachbar-Verfahren sein. Dieses Verfahren kann angewendet werden, wenn eine große Anzahl von Lern-Darstellungen vorhanden ist, die eine große Variation aufweisen und deren Merkmale gleichmäßig über den Merkmalsraum verteilt sind.
Es kann zwischen den Grauwerteinstellungen einer Mehrzahl von Lern-Darstellungen in Abhängigkeit der bestimmten Übereinstimmung des Merkmalsatzes der Untersuchungs-Darstellung mit den Merkmalssätzen der Mehrzahl von Lern-Darstellungen interpoliert werden. Die Merkmale in den Merkmalssätzen können unterschiedlich stark gewichtet werden. Mit dieser Vorgehensweise wird ermöglicht, eine optimierte Grauwerteinstellung aus den Grauwerteinstellungen einer Mehrzahl von Lern-Darstellungen zu bestimmen.
Es kann eine Transformation zwischen einem Merkmalssatz und den Grauwerteinstellungen durch Interpolieren zwischen den Grauwerteinstellungen für eine Mehrzahl von Lern-Darstellungen erzeugt werden. Die Transformation kann aus dem Merkmalssatz einer Untersuchungs-Darstellung die optimalen Grauwerteinstellungen erzeugen. Die Transformation kann wie folgt mathematisch dargestellt werden: $y_{1} = a_{11} x_{1} + a_{12} x_{2} + \dots + a_{1n} x_{n} + b_{1};$
$y_{2} = a_{21} x_{1} + a_{22} x_{2} + \dots + a_{2n} x_{n} + b_{2};$
wobei x₁ bis x_n Merkmale eines Merkmalsatzes sind, y₁ und y₂ Grauwerteinstellungen sind und a₁₁ bis a_2n Koeffizienten der Transformation sind.
Die Transformation kann eine Matrix mit mehr als zwei Zeilen aufweisen. Die Grauwerteinstellungen können ein Mittelwert und eine Breite des Grauwertfensters sein. Die Grauwerteinstellungen können aber auch beliebige andere Werte des Grauwertfensters sein.
Die Transformation zwischen einem Merkmalssatz und den Grauwerteinstellungen kann mittels Verwenden einer Regressionsanalyse, Verwenden eines linearen Regressionsmodels, Verwenden einer einfachen linearen Regression, Verwenden einer logistischen Regression, Verwenden einer nicht linearen Regression, Verwenden einer schrittweisen Regression und Verwenden eines Modells nächster Nachbarn ermittelt werden.
Die Übereinstimmung des Merkmalssatzes der Untersuchungs-Darstellung mit den Merkmalssätzen der Mehrzahl von Lern-Darstellungen kann mittels einer Regressionsanalyse, eines linearen Regressionsmodells, einer einfachen linearen Regression, einer logistischen Regression, einer nicht linearen Regression, einer schrittweisen Regression, eines Modells nächster Nachbarn etc. bestimmt werden. Es können mehrere unterschiedliche Modelle vordefiniert sein, die den häufigsten Präferenzen von Radiologen entsprechen. Beispielweise können das am häufigsten verwendete Modell, das Modell mit dem höchsten Kontrast, das Modell mit dem höchsten Kontrast, das Modell mit dem geringsten Rauschen und das weichste Modell, das Kalzifikationsmodell, das Gewebemodell (Mass-Model), etc. vordefiniert oder vorberechnet werden. Für Radiologen, die mit den vordefinierten Modellen nicht einverstanden sind, kann ein adaptive Lernalgorithmus bereitgestellt werden.
Der Radiologe kann die Grauwerteinstellung der angezeigten Untersuchungs-Darstellung verändern. Die geänderte Grauwerteinstellung und der Merkmalssatz der Untersuchungs-Darstellung werden als Grauwerteinstellung und als Merkmalssatz einer Lern-Darstellung gespeichert. Dadurch wird die Anzahl der Lern-Darstellungen erhöht. Ferner wird die Darstellung adaptiv verbessert, da die Präferenzen des jeweiligen Radiologen bei der jeweiligen Modalität und dem bildgebenden Algorithmus ermittelt werden und die Anzahl an für den jeweiligen Radiologen, die jeweilige Modalität und den bildgebenden Algorithmus vorhandenen Lern-Darstellungen erhöht wird.
Die Grauwerteinstellung kann den Grauwertbereich der Untersuchungs-Darstellung, der auf einer Anzeigeeinrichtung dargestellt werden soll, den Kontrast des angezeigten Bildes, die mittlere Helligkeit des angezeigten Bildes und/oder Parameter einer Falschfarbendarstellung des angezeigten Bildes aufweisen. Der Ausdruck „Grauwert“ beschränkt die Erfindung nicht auf eine Darstellung ohne Farben. Die Erfindung ist auch bei einer farbigen Darstellung anwendbar.
Das zuvor beschriebene Verfahren kann für jeden Radiologen und/oder für jede unterschiedliche Modalität separat ausgeführt werden. Somit wird für jeden einzelnen Radiologen eine optimierte Grauwerteinstellung für jede Modalität erzeugt. Folglich wird gewährleistet, dass jeder Radiologe die Tomographieaufnahmen in der gewünschten Darstellung erhält.
Die Erfindung offenbart auch eine Darstellungslernvorrichtung, die dazu ausgebildet ist, das zuvor beschriebene Verfahren auszuführen.
Die Erfindung offenbart auch ein Bildgebungssystem mit der Darstellungslernvorrichtung.
Ferner betrifft die Erfindung ein Computerprogrammprodukt, das in einen Speicher eines Computers ladbar ist oder in diesem geladen ist und Mittel umfasst, die zur Ausführung des zuvor beschriebenen Verfahrens eingerichtet sind.
In der folgenden detaillierten Figurenbeschreibung werden nicht einschränkend zu verstehende Ausführungsbeispiele mit deren Merkmalen und weiteren Vorteilen anhand der Zeichnungen besprochen. Es gilt:

1 zeigt ein Bildaufnahmesystem, bei der die Brust komprimiert wird, um Aufnahmen des Inneren der Brust durchzuführen;
2 zeigt schematisch das Erzeugen von Projektionsaufnahmen;
3 zeigt mittels DBT angefertigte Schnittbilder;
4 zeigt das Auswählen eines Grauwertfensters in einem Histogramm;
5 zeigt ein Histogramm in einem Grauwertfenster;
6 zeigt ein Flussdiagramm zum automatischen Ermitteln eines geeigneten Grauwertfensters;
7 zeigt ein Flussdiagramm zum Darstellen einer Untersuchungs-Darstellung mit einer geeigneten Grauwertdarstellung; und
8 zeigt ein erfindungsgemäßes bildgebendes System.

Die Erfindung wird nachfolgend unter Bezugnahme auf die Mammographie erläutert. Es versteht sich, dass die Erfindung auch auf anderen Gebieten anwendbar ist.
1 zeigt eine erste bildgebende Modalität, die eine Kompressionsplatte 4 und einen Kompressionstisch 6 aufweist, zwischen dem die Brust 2 eingeklemmt wird. Die Brust wird üblicherweise so komprimiert, bis eine vorbestimmte Kompressionskraft erreicht wird. Über der Kompressionsplatte 4 können eine Mehrzahl von Röntgenquellen oder zumindest eine bewegliche Röntgenquelle (nicht gezeigt) angeordnet sein. In oder unter dem Tisch 6 kann ein Röntgendetektor angeordnet sein. Mit dieser Vorrichtung können Projektionen aus unterschiedlichen Richtungen mittels Röntgenstrahlung erfasst werden, aus denen, wie eingangs beschrieben wurde, Schnittbilder erzeugt werden können.
In der ersten bildgebenden Modalität 1 wird die komprimierte Brust in der medio-lateralen obliquen (MLO) Position erfasst.
Unter Bezugnahme auf 2 wird das Verfahren zum Erzeugen der Projektionen erläutert. Es sind eine Mehrzahl von Röntgenquellen 102, 104, 106 über einen Winkelbereich von etwa 50° angeordnet. Es können 25 Röntgenquellen angeordnet sein, so dass 25 Projektionen erzeugt werden können. Alternativ hierzu kann eine Röntgenquelle über einen Winkelbereich von 50° geschwenkt werden, so dass 25 Projektionsaufnahmen erzeugt werden. Die erste Röntgenquelle 102 emittiert einen ersten Röntgenstrahl 108, der die Brust 114 durchläuft und durch einen ersten Gewebebereich 116, einen zweiten Gewebebereich 118 und einen dritten Gewebebereich 120 abgeschwächt wird. Ein Röntgendetektor 128 erzeugt eine erste Projektionsaufnahme 130, in der sich die erste Gewebebereich , die zweite Gewebebereich und die dritte Gewebebereich in einer ersten Anordnung befinden. Die zweite Röntgenstrahlquelle 104 gibt einen zweiten Röntgenstrahl 110 unter einem anderen Winkel auf die Brust 114, den ersten Gewebebereich 116, den zweiten Gewebebereich 118 und den dritten Gewebebereich 120 ab. Diese Gewebebereiche werden durch die zweite Projektionsaufnahme 132 aufgenommen und befinden sich in einer Anordnung, die sich von derjenigen der ersten Projektionsaufnahme 130 unterscheidet. Die dritte Röntgenquelle 116 gibt einen dritten Röntgenstrahl 112 unter einem weiteren Winkel auf die Brust ab, der auf der dritten Projektionsaufnahme 134 eine dritte Anordnung der ersten Gewebebereichs , zweiten Gewebebereichs und dritten Gewebebereichs erzeugt.
3 zeigt eine Mehrzahl mittels der bildgebenden Modalität, d.h. mittels einer DBT, erfassten Schichtbilder, die das erste Bildvolumen der Brust 16 bilden. Es werden eine Mehrzahl von Schichtbildern 14a bis 14f gezeigt. Da karzinomes Brustgewebe einen ähnlichen Schwächungskoeffizienten wie gesundes Gewebe aufweist, ist die Beurteilung, ob karzinomes Gewebe vorhanden ist, schwierig. Dies hat falsche positive oder falsche negative Diagnosen zur Folge.
Die Arbeitsweise der Modalität des Typs DBT wurde eingangs beschrieben und ist dem Fachmann beispielsweise aus Imaging Systems for Medical Diagnostics, Arnulf Oppelt, Publicis Corporate Publishing, Erlangen, ISBN 3-89578-226-2 bekannt, und wird nicht mehr weiter beschrieben.
4 zeigt ein Histogramm einer Tomosyntheseaufnahme, wie sie durch eine bildgebende Modalität erzeugt wird. In der Abszisse ist der Grauwert aufgetragen und in der Ordinate die Anzahl der Bildpunkte, die den entsprechenden Bildpunkt aufweisen.
Bei dem in 4 und 5 dargestellten Beispiel soll die Brust der Patientin untersucht werden. Folglich werden eine untere Grenze F_Udes Fensters als niedrigster anzuzeigender Intensitätswert und eine obere Grenze F_O des Fensters als höchster anzuzeigender Grauwert definiert. Dieser Grauwertbereich wird auf einer Anzeigevorrichtung, beispielweise einem Bildschirm, dargestellt, wodurch sich für die Darstellung auf dem Bildschirm das Histogramm gemäß 5 ergibt.
Da das menschliche Auge den großen Grauwertbereich gemäß 4 nicht hinreichend fein auflösen kann, wird auf einer Anzeigeeinrichtung oder auf einem Ausdruck nur das Fenster, das durch die Grenzen F_Uund F_O definiert wird, zur Darstellung verwendet, wie in 5 gezeigt ist. Dies ermöglicht dem menschlichen Betrachter, relativ kleine Helligkeitsdifferenzen zu erkennen, wie für eine Diagnose, beispielsweise von Brustkrebs, erforderlich sein kann.
6 zeigt ein Flussdiagramm zum Ermitteln der optimalen Grauwerteinstellung. Im Schritt S1 wird eine Lern-Darstellung auf einer Anzeigeeinrichtung, beispielsweise einem Bildschirm, angezeigt. Die Lern-Darstellung kann ein Mammographieschichtbild sein, das aus mehreren Röntgenaufnahmen rekonstruiert wurde. Ein Radiologe wählt die optimale Grauwerteinstellung für die Lern-Darstellung im Schritt S2 aus. Die optimale Grauwerteinstellung kann die Grenzen des Grauwertfensters, die durchschnittliche Helligkeit, den Kontrast, die Gammakorrektur etc. umfassen. Im Schritt S3 wird der Lern-Darstellung ein Merkmalssatz zugeordnet. Der Merkmalssatz kann aus der Lern-Darstellung extrahierte Merkmale aufweisen, beispielsweise die Gewebedichte, den Anteil an Fettgewebe, den Anteil an Drüsengewebe, den Anteil an vernarbtem Gewebe, den Anteil an hellem Gewebe, den Anteil an kalzifiziertem Gewebe etc. Der Lern-Darstellung können auch externe Merkmale zugeordnet werden, beispielsweise die Strahlungsdosis, die in der Modalität verwendet wurde, um die Lern-Darstellung zu erzeugen, die Größe des Patienten, die Größe des Gewebebereichs, den Gewebebereichstyp, das Alter des Patienten etc.
Im Schritt S4 werden der Merkmalssatz und die Grauwerteinstellung gespeichert. Im Schritt S5 wird geprüft, ob alle Lern-Darstellungen dargestellt wurden und die entsprechenden Grauwerteinstellungen ausgewählt wurden. Die Lern-Darstellungen können den gleichen Gewebebereich von unterschiedlichen Patienten darstellen. Beispielsweise können die Lern-Darstellungen die Brust unterschiedlicher Patientinnen darstellen. Das erfindungsgemäße Verfahren wird getrennt für jeden Radiologen durchgeführt. D.h., es wird eine Zuordnung von Merkmalssätzen und Grauwerteinstellungen getrennt für jeden Radiologen ermittelt. Diese Zuordnung wird darüber hinaus für jede Modalität und jeden bildgebenden Algorithmus erzeugt. Mit anderen Worten, es kann eine Zuordnung von Merkmalssätzen und Grauwerteinstellungen pro Modalität für jeden Radiologen bestimmt werden.
7 zeigt ein Flussdiagramm zum Ermitteln der geeigneten Grauwerteinstellung für eine Untersuchungs-Darstellung. Die Untersuchungs-Darstellung wird aufgenommen, um eine Patientin zu untersuchen. Die Untersuchungs-Darstellung kann beispielsweise mit einer DTM-Modalität aufgenommen werden. Im Schritt S10 wird die Untersuchungs-Darstellung aus der Modalität oder einem Speicher gelesen. Im Schritt S11 wird ein Merkmalssatz der Untersuchungs-Darstellung zugeordnet. Dieser Merkmalssatz kann die aus der Untersuchungs-Darstellung extrahierten Merkmale und externen Merkmale aufweisen, die zuvor beim Schritt S3 unter Bezugnahme auf die Lern-Darstellung beschrieben wurden.
Im Schritt S12 wird die geeignete Grauwerteinstellung aus den gespeicherten Merkmalssätzen und Grauwerteinstellungen der Lern-Darstellungen ermittelt. Hierzu können die zuvor beschriebene Transformation, ein lineares Regressionsmodell, eine einfache lineare Regression, eine logistische Regression, eine nicht lineare Regression, eine robuste Regression, eine schrittweise Regression und/oder ein Nächster-Nachbar-Algorithmus verwendet werden. Es ist möglich, einzelne Merkmale des Merkmalssatzes stärker als andere Merkmale zu gewichten.
Im Schritt S13 wird die Untersuchungs-Darstellung auf einer Anzeigeeinrichtung mit der in Schritt S12 ermittelten Grauwerteinstellung angezeigt.
In einem optionalen Schritt S14 kann der Radiologe die Grauwerteinstellung verändern. Im optionalen Schritt S15 können die geänderte Grauwerteinstellung und der Merkmalssatz der Untersuchungs-Darstellung als zusätzliche Lerndaten gespeichert werden. D.h., die Untersuchungs-Darstellung wird nach Verändern der Grauwerteinstellung wie eine Lern-Darstellung behandelt. Die Daten mit Merkmalssätzen und Grauwerteinstellung können permanent entsprechend den Präferenzen des Radiologen bei der jeweiligen Modalität aktualisiert werden. Somit werden die Untersuchungs-Darstellungen nach Verändern der Grauwerteinstellung auch als Lern-Darstellungen verwendet.
Erfindungsgemäß wurde vorgeschlagen, Expertenpräferenzen lediglich einmalig für eine Mehrzahl von Lern-Darstellungen (Entwicklungssatz) einer bestimmten Modalität zu erfassen, der jeweils mit einem bestimmten Rekonstruktionsalgorithmus erhalten wird. Die Mehrzahl von Lern-Darstellungen muss genügend Aufnahmen enthalten um die Schwankungen des Aussehens der Bilder zu erfassen. Beispielsweise sollten bei der digitalen Mammographie oder der digitalen Brusttomosynthese die Mehrzahl von Lern-Darstellungen eine unterschiedliche Brustdichte, eine unterschiedliche Menge an Fettgewebe und Drüsengewebe, eine unterschiedliche Strahlungsdosis, eine unterschiedliche Brustdicke, eine unterschiedliche Menge an Kalzifikationen und anderer hellen Strukturen in der Brust etc. aufweisen.
Der Radiologe muss die Grauwerteinstellung bei der Mehrzahl von Lern-Darstellungen gemäß seinen Präferenzen einstellen. Die Breite des Fensters, der Mittelwert des Fensters und/oder andere Parameter des Fensters, beispielsweise die Minimalintensität und die Maximalintensität, die Helligkeit und der Kontrast werden für jede Lern-Darstellung gespeichert und dann als Eingangsdaten zum Bestimmen der geeigneten Grauwerteinstellung für die Untersuchungs-Darstellung des erfindungsgemäßen automatischen Fensteralgorithmus verwendet.
Dann wird ein Merkmalssatz verwendet, um die Brustdichte, die Menge an Fettgewebe und Drüsengewebe, die Strahlungsdosis, die Brustdicke, die Menge an Kalzifikationen und anderer heller Strukturen, beispielsweise Narben, für jede Lern-Darstellung zu charakterisieren. Der Satz dieser Merkmale kann unter Verwendung von Segmentationsalgorithmen und Brustdichtebestimmungsalgorithmen, computergestützten Diagnosealgorithmen zum Ermitteln der Menge an Kalzifikationen, Massen und der Narben in der Brust, berechnet werden.
Es können ferner die (komprimierte) Brustdicke, die Kompressionskraft, die Strahlungsdosis, das Alter der Patientin, das Vorhandensein eines Implantats im DICOM-Kopf (Digital Imaging and Communication in Medicine: Digitale Bildgebung und Kommunikation in der Medizin) gespeichert werden oder vom HIS-System (Hospital Information System: Klinik-Informationssystem) oder vom RIS-System (Radiologie Information System: Radiologie-Informationssystem) erhalten werden. Alternativ hierzu oder zusätzlich können ein Histogramm oder ein geglättetes Histogramm verwendet werden. Eine Regressionsanalyse als statistisches Verfahren wird verwendet, um den Merkmalssatz den resultierenden Fenstereinstellungen bzw. Grauwerteinstellungen zuzuordnen oder die Zusammenhänge des Merkmalssatzes einer Tomographieaufnahme zur Grauwerteinstellung zu schätzen. Dann kann für jede Untersuchungs-Darstellung, die mit der gleichen Modalität erzeugt wurde und mit dem gleichen Rekonstruktionsalgorithmus erhalten wurde, der gleiche Merkmalssatz berechnet werden und die Grauwerteinstellung wird unter Verwendung des vorberechneten Regressionsmodells erhalten. Alternativ hierzu kann ein Nächster-Nachbar-Algorithmus verwendet werden, um die Grauwerteinstellung für die ähnlichste Lern-Darstellung der Mehrzahl von Lern-Darstellungen zu verwenden. Mehrere Regressionsmodelle oder Nächste-Nachbar-Modelle können für jede Modalität und jeden Rekonstruktionsalgorithmus erstellt werden, die Grauwerteinstellungen von unterschiedlichen Radiologen mit unterschiedlichen Präferenzen hinsichtlich der Bilddarstellung verwenden. Ferner kann ein adaptives Lernen implementiert werden, wenn der erfindungsgemäße automatische Fensteralgorithmus mit neuen Daten versorgt wird und die Mehrzahl von Lern-Darstellungen um Untersuchungs-Darstellungen erweitert wird, bei denen der Radiologe die Grauwerteinstellung ändert.
Individuelle Präferenzen eines Radiologen werden in dem Regressionsmodell oder dem Nächster-Nachbar-Modell berücksichtigt. Wenn ein bestimmter Radiologe das System verwendet, wird das von ihm präferierte Modell, d.h. die von ihm präferierte Zuordnung eines Merkmalssatzes zu einer Grauwerteinstellung geladen. Die Untersuchungs-Darstellungen werden entsprechend den Präferenzen des Radiologen gefenstert.
Die Erfindung offenbart ein Verfahren zum automatischen Lernen und Einstellen der Fensterparameter bzw. Grauwerteinstellungen unterschiedlicher Modalitäten, unterschiedlicher Rekonstruktionsalgorithmen und unterschiedlicher Präferenzen einzelner Nutzer mithilfe eines maschinellen Lernalgorithmus. Der Algorithmus ist in der Lage, adaptiv zu lernen.
8 zeigt ein medizinisches System 28 für eine Operationsumgebung. Das medizinische System 28 umfasst eine bildgebende Modalität 30 mit einer Röntgenstrahlquelle 32, einer Kompressionsplatte 34, einem Kompressionstisch 36 und einem Röntgendetektor 38. Die Röntgenquelle 32 kann schwenkbar angeordnet sein, um Projektionsaufnahmen aus unterschiedlichen Winkeln zu erzeugen, die mittels des Röntgendetektors 38 erfasst werden.
Die vom Röntgendetektor 38 aufgenommenen Projektionen werden an eine DBT-Einrichtung 40 übertragen, wo Schichtaufnahmen erzeugt werden, die auf der Anzeigeeinrichtung 46 angezeigt werden. Eine Steuerungseinrichtung 44 kann autark oder unter Zusammenwirken mit der DBT-Einrichtung 40 verändertes Gewebe ermitteln, das auch auf der Anzeigeeinrichtung 46 angezeigt wird. Das veränderte Gewebe kann krebshaltiges Gewebe, ein Karzinom, ein Knoten oder eine sonstige medizinisch relevante Diagnose aufweisen. Ein Radiologe kann mittels der Eingabeeinrichtung 48, 50 das veränderte Gewebe so darstellen, dass die Diagnose möglichst exakt erstellt werden kann. Eine Darstellungslerneinrichtung 42 kann in Reaktion auf Nutzereingaben das zuvor beschriebene Verfahren zum Zuordnen einer Grauwerteinstellung zu Lern-Darstellungen sowie das zuvor beschriebene Verfahren zum Ermitteln einer geeigneten Grauwerteinstellung zum Darstellen der Untersuchungs-Darstellung auf Grundlage der Merkmale der Untersuchungs-Darstellung durchführen. Die Steuerungseinrichtung 44 steuert sowohl die Arbeitsweise der DBT-Einrichtung 40 als auch diejenige der Darstellungslerneinrichtung 42.
Abschließend sei darauf hingewiesen, dass die Beschreibung der Erfindung und die Ausführungsbeispiele grundsätzlich nicht einschränkend in Hinblick auf eine bestimmte physikalische Realisierung der Erfindung zu verstehen sind. Für einen Fachmann ist es insbesondere offensichtlich, dass die Erfindung teilweise oder vollständig in Soft- und/oder Hardware und/oder auf mehrere physikalische Produkte - dabei insbesondere auch Computerprogrammprodukte - verteilt realisiert werden kann.
Bezugszeichenliste

2: Brust
4: Kompressionsplatte
6: Tisch
14: Schichtbilder
28: medizinisches System
30: Modalität
32: Röntgenstrahlquelle
34: Kompressionsplatte
36: Kompressionstisch
38: Röntgendetektor
40: DBT-Einrichtung
42: Darstellungslernvorrichtung
44: Steuerungseinrichtung
46: Anzeigeeinrichtung
50: Eingabeeinrichtung
102: erste Röntgenquelle
104: zweite Röntgenquelle
106: dritte Röntgenquelle
108: erster Röntgenstrahl
110: zweiter Röntgenstrahl
112: dritter Röntgenstrahl
114: Brust
116: erster Gewebebereich
118: zweiter Gewebebereich
120: dritter Gewebebereich
122: erste Gewebebereichsabbildung
124: zweite Gewebebereichsabbildung
126: dritte Gewebebereichsabbildung
128: Detektorelement
130: erste Projektionsaufnahme
132: zweite Projektionsaufnahme
134: dritte Projektionsaufnahme

Claims

Bildgebungsverfahren, mit folgenden Schritten: - Anzeigen einer Mehrzahl von Lern-Darstellungen, die mit einer Modalität erstellt wurden, auf einer Anzeigeeinrichtung (S1); - Auswählen einer Grauwerteinstellung für jede Lern-Darstellung, die mit der Grauwerteinstellung auf der Anzeigeeinrichtung dargestellt werden soll (S2); - Zuordnen eines Merkmalssatzes mit zumindest einem Merkmal zu jeder Lern-Darstellung (S3); - Speichern der Grauwerteinstellung, die für die Lern-Darstellung ausgewählt wurde, und des Merkmalssatzes, der der Lern-Darstellung zugeordnet ist, für jede der Mehrzahl von Lern-Darstellungen (S4); - Zuordnen eines Merkmalssatzes mit zumindest einem Merkmal zu einer Untersuchungs-Darstellung, die mit einer Modalität erstellt wurde (S11); - Automatisches Auswählen der Grauwerteinstellung für die Untersuchungs-Darstellung in Abhängigkeit des Merkmalssatzes der Untersuchungs-Darstellung und in Abhängigkeit des Merkmalssatzes der Lern-Darstellungen (S12); und - Anzeigen der Untersuchungs-Darstellung mit der automatisch ausgewählten Grauwerteinstellung auf der Anzeigeeinrichtung (S13), gekennzeichnet durch zumindest einen der folgenden Schritte: - Bestimmen der Gewebedichte aus den Lern-Darstellungen und der Untersuchungs-Darstellung als ein Merkmal des Merkmalssatzes; - Bestimmen des Anteils an Fettgewebe aus den Lern-Darstellungen und der Untersuchungs-Darstellung als ein Merkmal des Merkmalsatzes; - Bestimmen des Anteils an Drüsengewebe aus den Lern-Darstellungen und der Untersuchungs-Darstellung als ein Merkmal des Merkmalsatzes; - Bestimmen des Anteils an vernarbtem Gewebe aus den Lern-Darstellungen und der Untersuchungs-Darstellung als ein Merkmal des Merkmalsatzes; und - Bestimmen des Anteils an kalzifiziertem Gewebe aus den Lern-Darstellungen und der Untersuchungs-Darstellung als ein Merkmal des Merkmalsatzes.
Bildgebungsverfahren nach Anspruch 1, dadurch gekennzeichnet, dass die Lern-Darstellungen gleiche Gewebebereiche unterschiedlicher Patienten anzeigen, die mit der gleichen Modalität erzeugt wurden.
Bildgebungsverfahren nach Anspruch 1 oder 2, gekennzeichnet durch folgende Schritte: - Extrahieren zumindest eines Merkmals des Merkmalsatzes aus den Lern-Darstellungen; und - Extrahieren zumindest eines Merkmals des Merkmalssatzes aus den der Untersuchungs-Darstellung.
Bildgebungsverfahren nach einem der Ansprüche 1 bis 3, gekennzeichnet durch den folgenden Schritt: - Zuordnen der Strahlungsdosis zu jeder der Lern-Darstellungen und der Untersuchungs-Darstellung als ein Merkmal des Merkmalsatzes.
Bildgebungsverfahren nach einem der Ansprüche 1 bis 4, gekennzeichnet durch die folgenden Schritte: - Bestimmen der Lern-Darstellung, deren Merkmalsatz die höchste Übereinstimmung mit der Untersuchungs-Darstellung aufweist; und - Anzeigen der Untersuchungs-Darstellung mit derjenigen Grauwerteinstellung, die der Lern-Darstellung zugeordnet ist, deren Merkmalsatz die höchste Übereinstimmung mit der Untersuchungs-Darstellung aufweist.
Bildgebungsverfahren nach einem der Ansprüche 1 bis 4, gekennzeichnet durch den folgenden Schritt: - Erzeugen einer Transformation zwischen einem Merkmalssatz und den Grauwerteinstellungen durch Interpolieren zwischen den Grauwerteinstellungen für eine Mehrzahl von Lern-Darstellungen.
Bildgebungsverfahren nach Anspruch 6, dadurch gekennzeichnet, dass die Transformation zwischen einem Merkmalssatz und den Grauwerteinstellungen mittels zumindest eines der folgenden Schritte bestimmt wird: - Verwenden einer Regressionsanalyse; - Verwenden eines linearen Regressionsmodels; - Verwenden einer einfachen linearen Regression; - Verwenden einer logistischen Regression; - Verwenden einer nicht linearen Regression; - Verwenden einer schrittweisen Regression; und - Verwenden eines Modells nächster Nachbarn.
Bildgebungsverfahren nach einem der vorangegangenen Ansprüche, gekennzeichnet durch die folgenden Schritte: - Verändern der Grauwerteinstellung der angezeigten Untersuchungs-Darstellung (S14); und - Speichern der geänderten Grauwerteinstellung und des Merkmalssatzes der Untersuchungs-Darstellung als Grauwerteinstellung und Merkmalssatz einer Lern-Darstellung (S15).
Bildgebungsverfahren nach einem der vorstehenden Ansprüche, dadurch gekennzeichnet, dass die Grauwerteinstellung zumindest eines von Folgendem umfasst: - den Grauwertbereich der Untersuchungs-Darstellung, der auf einer Anzeigeeinrichtung dargestellt werden soll; - den Kontrast des angezeigten Bildes; und - die mittlere Helligkeit des angezeigten Bildes.
Bildgebungsverfahren nach einem der vorstehenden Ansprüche, dadurch gekennzeichnet, dass das Verfahren separat für jeden Nutzer, separat für jeden Algorithmus und/oder separat für unterschiedliche Modalitäten ausgeführt wird.
Bildgebungssystem (28) mit einer Darstellungslernvorrichtung (42), die dazu ausgebildet ist, das Verfahren nach einem der Ansprüche 1 bis 10 auszuführen.
Computerprogrammprodukt, ladbar oder geladen in einem Speicher eines Computers, wobei das Computerprogrammprodukt mit Mitteln ausgebildet ist, die zur Ausführung der Schritte eines Verfahrens nach zumindest einem der Ansprüche 1 bis 10 eingerichtet sind.