DE102017213222A1 - Automatisches Erkennen und Einstellen von MR-Protokollen anhand von eingelesenen Bilddaten - Google Patents

Automatisches Erkennen und Einstellen von MR-Protokollen anhand von eingelesenen Bilddaten Download PDF

Info

Publication number
DE102017213222A1
DE102017213222A1 DE102017213222.1A DE102017213222A DE102017213222A1 DE 102017213222 A1 DE102017213222 A1 DE 102017213222A1 DE 102017213222 A DE102017213222 A DE 102017213222A DE 102017213222 A1 DE102017213222 A1 DE 102017213222A1
Authority
DE
Germany
Prior art keywords
image
measurement protocol
contrast
protocol parameters
regions
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
DE102017213222.1A
Other languages
English (en)
Inventor
Lars Lauer
David Grodzki
Donald Hardie
Katharina Hesels
Edgar Mueller
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Siemens Healthineers Ag De
Original Assignee
Siemens Healthcare GmbH
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Siemens Healthcare GmbH filed Critical Siemens Healthcare GmbH
Priority to DE102017213222.1A priority Critical patent/DE102017213222A1/de
Priority to CN201810840683.XA priority patent/CN109324302B/zh
Priority to US16/051,919 priority patent/US10663547B2/en
Publication of DE102017213222A1 publication Critical patent/DE102017213222A1/de
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/546—Interface between the MR system and the user, e.g. for controlling the operation of the MR system or for the design of pulse sequences
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A61B5/0037—Performing a preliminary scan, e.g. a prescan for identifying a region of interest
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/543—Control of the operation of the MR system, e.g. setting of acquisition parameters prior to or during MR data acquisition, dynamic shimming, use of one or more scout images for scan plane prescription
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/5608—Data processing and visualization specially adapted for MR, e.g. for feature analysis and pattern recognition on the basis of measured MR data, segmentation of measured MR data, edge contour detection on the basis of measured MR data, for enhancing measured MR data in terms of signal-to-noise ratio by means of noise filtering or apodization, for enhancing measured MR data in terms of resolution by means for deblurring, windowing, zero filling, or generation of gray-scaled images, colour-coded images or images displaying vectors instead of pixels
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2576/00—Medical imaging apparatus involving image processing or analysis
    • A61B2576/02—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing

Landscapes

  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • General Health & Medical Sciences (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Medical Informatics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Signal Processing (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

Verfahren, Vorrichtung und Computerprogrammprodukt zur Bestimmung von Messprotokollparametern eines MR Bildes umfassend Einlesen eines ersten MR Bildes, das erste Kontrasteigenschaften aufweist, Bestimmen von zumindest einem ersten Kontrastverhältnis aus den ersten Kontrasteigenschaften, Bestimmen der Messprotokollparameter unter Berücksichtigung des zumindest einen ersten Kontrastverhältnisses zur Erstellung eines zweiten MR Bildes, das zweite Kontrasteigenschaften aufweist, derart, dass die zweiten Kontrasteigenschaften den ersten Kontrasteigenschaften möglichst nahe kommen, Ausgabe der Messprotokollparameter.

Description

  • Die Erfindung betrifft ein Verfahren zum automatischen Erkennen und Einstellen von Messprotokollen für MR-Anlagen anhand von Informationen, die aus eingelesenen MR-Bilddaten gewonnen werden.
  • Weiterhin werden die zugehörige MR-Anlage sowie ein Computerprogrammprodukt und ein elektronisch lesbarer Datenträger bereitgestellt.
  • Eine der großen Stärken des MR-Verfahrens im Vergleich zu anderen Bildgebungsmodalitäten wie CT, Röntgen und Ultraschall ist der exzellente Weichteilkontrast und das enorme mit einem MRT darstellbare Kontrastspektrum. Diese Stärke führt auf der anderen Seite aber zu einer hohen Komplexität der MR-Bildgebung und der für den Benutzer wählbaren Messparameter, auch Messprotokollparameter genannt. So ist es größtenteils nur für erfahrenes und gut ausgebildetes Fachpersonal möglich, MR-Protokolle zu erstellen oder ein bestehendes Protokoll gezielt abzuändern. Erschwerend kommt hinzu, dass MR-Aufnahmen im Allgemeinen nur gewichtet und nicht quantitativ sind, und das Ergebnis somit von vielen Parametern, wie MR-Anlagekonfigurationen (Feldstärke, Kanalzahl, Lokalspulen, Gradientenwerten) und dem Patienten, abhängen können.
  • Aufgrund dieser Komplexität sind die für die Messung verwendeten Protokolle meist in einer Datenbank gespeichert, die sich nach den lokalen Vorgaben und Vorlieben der Institution oder des Radiologen ausrichten. Diese Datenbank wird meist während die MR-Anlageinstallation von Servicepersonal oder einer sehr erfahrenen Person erstellt, und kann auf Bildbeispielen oder den Protokollen eines vergleichbaren Scanners basieren. Trotzdem kann es nötig oder gewünscht sein, die Kontraste für bestimmte Messungen anzupassen, z.B. wenn ein Patient Voraufnahmen einer anderen Institution besitzt oder eine ungewöhnliche Fragestellung beantwortet werden soll.
  • Ziel der vorliegenden Erfindung ist es daher, eine neue Methode zum Einstellen von MR-Messprotokollen zu entwickeln, die ohne gut ausgebildetes Bedienpersonal automatisiert funktioniert.
  • Diese Aufgabe wird durch die Merkmale der unabhängigen Ansprüche gelöst. In den abhängigen Ansprüchen sind weitere Ausführungsformen der Erfindung beschrieben.
  • Es wird ein Verfahren zur Bestimmung von Messprotokollparametern eines MR-Bildes bereitgestellt. In einem Schritt des Verfahrens wird ein erstes MR-Bild eingelesen, welches erste Kontrasteigenschaften aufweist. Weiterhin wird zumindest ein erstes Kontrastverhältnis aus den ersten Kontrasteigenschaften bestimmt. Unter Berücksichtigung des zumindest einen ersten Kontrastverhältnisses werden Messprotokollparameter bestimmt, welche verwendet werden um ein zweites MR-Bild zu erstellen, das zweite Kontrasteigenschaften aufweist, derart, dass die zweiten Kontrasteigenschaften den ersten Kontrasteigenschaften möglichst nahe kommen. Im letzten Schritt werden diese Messprotokollparameter ausgegeben.
  • Hierbei ist das erste MR-Bild üblicherweise Teil eines bereits bestehenden MR-Bilddatensatzes, der eingelesen und ausgewertet wird. Vorteilhaft besteht der Bilddatensatz beispielsweise aus einem DICOM- oder einem ähnlichen, in der klinischen Schnittbildgebung verwendeten Format, das über eine geeignete Schnittstelle in eine Recheneinheit eingespeist werden kann. Alternativ können auch Messdaten in einem früheren Verarbeitungsstadium verwendet werden um zunächst ein zweidimensionales Bild zu erzeugen, welches dann der Ausgangspunkt für die beschriebene Erfindung darstellt. Ziel des Einlesens ist es all verwertbaren Informationen zu ermitteln und zu speichern. Auf Ausgestaltungsvarianten wird auch im Weiteren eingegangen.
  • Erfindungsgemäß wird anhand der ermittelten Bildinformationen mittels eines geeigneten Algorithmus ein mögliches MR Messprotokoll ermittelt. Dieses Messprotokoll wird für eine gewünschte MR-Anlage erstellt mit dem Ziel, einen zumindest gleichwertigen MR-Kontrast wie im ersten Bild vorliegend zu generieren.
  • Die Ermittlung des mindestens einen ersten Kontrastverhältnisses aus den ersten Kontrasteigenschaften kann beispielsweise anhand von mindestens zwei ersten Bildbereichen erfolgen, wobei die Bildbereiche jeweils einer unterschiedlichen Region aus einer Liste von Regionen anatomischer Merkmale, umfassend mindestens zwei verschiedene Regionen, die sich im ersten MR-Bild finden, zugeordnet sind. In diesem Fall werden dann die Messprotokollparameter so ausgewählt, dass das nach Region verglichene mindestens eine erste Kontrastverhältnis dem aus dem zweiten MR-Bild bestimmten mindestens einen zweiten Kontrastverhältnis möglichst ähnlich ist.
  • Bei der Auswertung der MR Kontrasteigenschaften zur Zuordnung von anatomischen Regionen des ersten Bildes können beispielsweise Mustererkennungsverfahren oder Eingaben durch den Benutzer zur Anwendung kommen, oder ein Verfahren das eine Kombination beider Ansätze darstellt. Ein dem Fachmann bekanntes Beispiel sind Landmarken-Erkennungsalgorithmen.
  • Durch diese Vorgehensweisen können vorteilhaft solche Körper- und Geweberegionen erkannt werden, die auf MR-Bildern markante Kontraste oder auch Kontrastverhältnisse ausweisen. So können im Kopf beispielsweise T1-Kontraste (Liquor dunkel) einfach von T2-Kontrasten (Liquor hell) unterschieden werden. Durch die Kombination von Kontrastverhältniseigenschaften mit der Zuordnung zu anatomischen Regionen kann also auf Teile des Messprotokolls sehr unmittelbar rückgeschlossen werden (z.B. die Kontrasteinstellung), so dass die Anzahl der freien Parameter der Messprotokolleinstellungen reduziert werden kann.
  • Ferner kann die Zuordnung der ersten Bildbereiche zu der Liste von Regionen mittels eines Deep-Learning Verfahrens erfolgen.
  • Eine bekannte Stärke von Deep-Learning Verfahren ist das Erkennen von Eigenschaften und die binäre Zuordnung zu Kategorien. Ein klassisches Beispiel für Maschinenlernen ist die Aufgabe Bilder, in denen handgeschriebenen Ziffern zwischen ,0' und ,9' dargestellt sind richtig zuzuordnen. Ein Datensatz der zum Test von Maschinenlernverfahren häufig Anwendung findet ist der sog. „Modified National Institute of Standards and Technology database“, MNIST. Ein solches Deep-Learning Verfahren kann mit Hilfe zahlreicher Bibliotheken implementiert werden die dem Fachmann bekannt sind, beispielsweise „TensorFlow“ (C++, Python) von Google, Caffe vom Berkeley Vision and Learning Center (BVLC), Torch (C, Lua) und das darauf aufbauende Facebook Framework Torchnet oder Microsoft Cognitive Toolkit (C++). Ein Lösen des Zuordnungsproblems von MNIST gehört zu den üblichen Beispielen solcher Bibliotheken.
  • In einer Ausführungsform der Erfindung kann eine solche Bibliothek verwendet werden um die Zuordnung von Bildbereichen zu Regionen (beispielsweise anatomischen Regionen wie Liquor, weiße Substanz, graue Substanz usw.) durchzuführen.
  • Weiter ist es möglich, dass das Bestimmen der Messprotokollparameter anhand eines Deep-Learning-Verfahrens erfolgt.
  • Weiterhin kann das Deep-Learning-Verfahren eine erste Datenbank verwenden, welche Messprotokollparameter, Kontrasteigenschaften und Informationen bezüglich anatomischer Regionen umfasst.
  • Im Rahmen dieser Ausführungsform werden die ersten Kontrasteigenschaften mit einem Deep-Learning Netzwerk ausgewertet. Dieses Netzwerk wird hierfür zunächst mit einer Datenbank trainiert. Die hierfür verwendete Datenbank zeichnet sich dadurch aus, dass für eine hinreichend große Menge an MR-Bilddatensätze sowohl die Messprotokolle als auch die Eigenschaften der Bilder, beispielsweise die Kontrasteigenschaften und/oder die Kontrastverhältnisse verschiedener Regionen enthalten sind. In einem Deep-Learning Ansatz kann diese Datenbank von einem Computerprogrammprodukt so ausgewertet werden, dass es die Kontraste im Zusammenhang mit den Protokollen „erlernt“, und so für einen neuen geforderten Kontrast die nötigen Messprotokollparameter ausgeben kann. Es ist möglich, dass das Bestimmen der Messprotokollparameter mittels eines Simulationsansatzes erfolgt bei dem iterativ dritte MR-Bilder und dritte Kontrasteigenschaften für verschiedene Messprotokollparameter simuliert werden bis die dritten Kontrasteigenschaften den ersten Kontrasteigenschaften möglichst nahe kommen.
  • Beim Simulationsansatz ist es möglich, dass zum Simulieren der dritten MR-Bilder und der dritten Kontrasteigenschaften Blochgleichungen gelöst werden und Kenntnissen von zumindest der T1 oder T2-Zeit von im ersten MR-Bild identifizierten anatomischen Regionen genutzt werden.
  • Hierbei können angenommene oder tatsächlich an einem Patienten gemessene physikalische Werte (T1, T2, T2*, Spindichte,...) verwendet werden, um für verschiedene MR-Protokolleinstellungen ganze MR-Bilder bzw. Kontrasteigenschaften oder auch nur die Kontrastverhältnisse zu berechnen. In der einfachsten Ausführung können die Blochgleichungen ohne Ortsinformationen 0-dimensional analytisch oder numerisch gelöst werden, in komplexeren Verfahren ist auch eine Berücksichtigung der Ortsabhängigkeit bis hin zu Raytracing-Verfahren denkbar.
  • Die Ergebnisse der Simulation werden dann mit den ersten Kontrasteigenschaften oder den ermittelten ersten Kontrastverhältnis verglichen. Der Vergleich kann im Iterationsschritt zur Entscheidung der weiteren Vorgehensweise herangezogen werden um basierend auf den vorherigen Ergebnissen für die (Test-)Messprotokollparameter eine Strategie zu finden, wie die Messprotokollparameter im nächsten Iterationsschritt variiert werden um das Ergebnis zu verbessern. Hierbei können bekannte Optimierungsalgorithmen zum Ansatz kommen, beispielsweise ein genetischer Algorithmus.
  • Auch kann in das Verfahren Hintergrundwissen einfließen, beispielsweise Nutzungsstatistiken von MR-Anlagen bei Messungen an verschiedenen anatomischen Regionen oder Messverfahren, oder Statistiken die im Zusammenhang mit Befunden/Anamnesen stehen um Startwerte für die (Test-)Messprotokollparameter zu ermitteln. Dies kann insbesondere verwendet werden um im Simulationsschritt die ersten Testmessprotokollparameter vorteilhaft zu wählen.
  • Es ist auch möglich, dass aus den bestimmten Messprotokollparametern automatisiert ein Messprotokoll zur Erstellung des zweiten MR-Bildes erstellt wird.
  • Diese Vorgehensweise ermöglicht es dem Anwender der MR-Anlage anhand der bestimmten Parameter direkt ein komplettes Messprotokoll zu erhalten, das direkt angewendet werden kann oder nach Wünschen des Verwenders vor der Anwendung abgeändert werden kann.
  • Weiterhin ist es möglich, dass zumindest ein Teil der Messprotokollparameter aus Metainformationen bestimmt werden, die für das erste MR-Bild vorliegen. Solche Metainformationen können beispielsweise leicht herangezogen werden, wenn die Daten des ersten MR-Bildes im DICOM- oder einem ähnlichen, in der klinischen Schnittbildgebung verwendeten Format vorliegen. Hierbei können insbesondere „quantitative“ Werte der Messung eingelesen werden wie FOV, Schichtzahl, verwendetes MR Anlage und MR- Anlagekonfiguration, Position, Rotationsausrichtung, Fensterungs-Einstellungen, Vorpulse. Dies ist bei DICOM-artigen ersten Bilddatensätzen besonders ergiebig und einfach.
  • Auch kann für die Bestimmung der Messprotokollparameter zusätzlich ein Protokollname einer Bildgebungssequenz verwendet werden, mit der das erste MR-Bild erzeugt wurde.
  • Der Protokollname kann beispielsweise in Form eines Dateinamen des ersten MR-Bildes vorliegen. In dem Protokollnamen sind oft Aussagen über den Kontrast (beispielsweise die Gewichtung, also z.B. T1 oder T2-gewichtete Messung) und weitere Messprotokollparameter enthalten. Diese Informationen können Anhaltspunkte für die Erstellung der Messprotokollparameter geben und/oder die Freiheitsgrade der Suchparameter oder deren Wertebereich einschränken. Auch können Anhand von im Protokollnamen festgehaltenen Fragestellungen oder Anamnesen auf wahrscheinliche Messprotokolle geschlossen werden und somit die Möglichkeiten für Messprotokollparameter eingeschränkt werden.
  • Es ist auch möglich, dass beim Einlesen des ersten MR-Bildes dieses von einem Ausdruck, einer Bildschirmanzeige oder von einem Foto digitalisiert wird.
  • Die Digitalisierung kann auch mittels eines Fotos (z.B. mittels eines Smartphones) von einem ausgedruckten oder auf einem Bildschirm angezeigten MR-Bild erfolgen. In einer weiteren Ausführungsform ist es auch möglich einen auf Folie gedruckten Bilddatensatz einzuscannen.
  • Weiter ist es möglich, dass Messprotokollparameter für eine zweite MR Anlage bestimmt werden, welches nicht für die Erstellung des ersten MR-Bildes genutzt wurde.
  • Dies bietet für die Anwender von MR Anlagen den Vorteil, dass Befunde eines Patienten, die mit einer anderen MR Anlage z.B. in einer anderen Klinik zu einem anderen Zeitpunkt aufgenommen wurden leichter mit dem jetzigen Zustand des Patienten verglichen werden können.
  • Auch kann das Bestimmen von Messprotokollparametern zumindest einen der folgenden Parameter umfassen: Field of View, Schichtzahl, Verwendete MR Anlage, Konfiguration der MR Anlage, Position des Bildgebungsvolumens, Rotation des Bildgebungsvolumens, Rotationsausrichtung, Fensterungs-Einstellung, Pulse, Vorpulse.
  • Die Erfindung betrifft weiterhin eine MR-Anlage, die ausgebildet ist, das obige oder im Folgenden beschriebene Verfahren auszuführen, wobei die MR-Anlage eine Steuereinheit und eine Speichereinheit aufweist, wobei die Speichereinheit von der Steuereinheit ausführbare Steuerinformationen speichert. Weiterhin ist ein Computerprogrammprodukt vorgesehen, welches Programmmittel umfasst und direkt in die Speichereinheit der Steuereinheit der MR-Anlage ladbar ist.
  • Weiterhin ist ein elektronisch lesbarer Datenträger mit darauf gespeicherten elektronisch lesbaren Steuerinformationen vorgesehen, wobei die Steuerinformationen so ausgebildet sind, dass sie bei Verwendung des Datenträgers in der Steuereinheit der MR-Anlage das Verfahren, wie oben oder nachfolgend erläutert wird, durchführen.
  • Die Erfindung wird unter Bezugnahme auf die beiliegenden Zeichnungen näher erläutert.
  • Die oben beschriebenen Merkmale sowie die nachfolgend beschriebenen Merkmale können nicht nur in den entsprechend explizit dargelegten Kombinationen verwendet werden, sondern auch in anderen Kombinationen, sofern es nicht explizit anders erwähnt ist. Weiterhin können die verschiedenen beschriebenen Merkmale einzeln verwendet werden.
  • Die Erfindung wird nachfolgend unter Bezugnahme auf die beiliegenden Zeichnungen näher erläutert.
    • 1 zeigt schematisch eine MR-Anlage, mit der das erfindungsgemäße Verfahren durchgeführt werden kann.
    • 2 zeigt eine schematische Repräsentation eines MR-Bildes und wird verwendet um zu erläutern wie die Kontrastverhältnisbestimmung verfahrensgemäß durchgeführt werden kann.
    • 3 zeigt ein Ablaufdiagramm des Verfahrens
    • 4 zeigt ein Ablaufdiagramm für eine weitere Implementierung des Verfahrens.
    • 5 zeigt ein Ablaufdiagramm für einen Simulationsschritt.
    • 6 zeigt ein Beispiel für die erfindungsgemäße Zuordnung von Bildbereichen zu Regionen mittels eines Deep Learning Verfahrens.
    • 7 zeigt den Prozess um ein Deep Learning Netzwerk bereit zu stellen welches geeignet ist Messprotokollparameter für ein MR-Bild zu bestimmen.
  • Nachfolgend wird die vorliegende Erfindung anhand bevorzugter Ausführungsformen unter Bezugnahme auf die Zeichnungen näher erläutert.
  • In den Figuren bezeichnen gleiche Bezugszeichen gleiche oder ähnliche Elemente. Weiterhin stellen die Figuren schematische Darstellungen verschiedener Ausführungsformen der Erfindung dar. Die in den Figuren dargestellten Elemente sind nicht notwendigerweise maßstabsgetreu dargestellt und sind vielmehr derart wiedergegeben, dass die Funktion und der Zweck der dargestellten Elemente verständlich werden. Die in den Figuren dargestellten Verbindungen zwischen funktionellen Einheiten oder sonstigen Elementen können auch als indirekte Verbindung implementiert werden, wobei eine Verbindung drahtlos oder drahtgebunden erfolgen kann. Funktionelle Einheiten können als Hardware, Software oder als eine Kombination aus Hard- und Software implementiert werden.
  • 1 zeigt schematisch eine MR-Anlage, mit der erfindungsgemäß ein automatisches Erkennen und Einstellen von MR-Protokollen anhand von eingelesenen Bilddaten möglich ist. Die Magnetresonanzanlage weist einen Magneten 10 zur Erzeugung eines Polarisationsfeldes B0 auf, wobei eine auf einer Liege 11 angeordnete Untersuchungsperson das Untersuchungsobjekt 12 darstellt, das in ein Isozentrum des Magneten gefahren wird, um dort ortskodierten Magnetresonanzsignale des Untersuchungsobjekts aufzunehmen. Durch Einstrahlen von Hochfrequenzpulsen und Schalten von Magnetfeldgradienten kann die durch das Polarisationsfeld B0 erzeugte Magnetisierung gestört werden. Dies führt zu einer Auslenkung der Kernspins aus der Gleichgewichtslage, und die bei der Rückkehr in die Gleichgewichtslage in Empfangsspulen induzierten Ströme können in Magnetresonanzsignale umgewandelt werden. Die allgemeine Funktionsweise zur Erstellung von MR-Bildern unter der Detektion von Magnetresonanzsignalen ist dem Fachmann bekannt, sodass auf eine detaillierte Beschreibung hiervon verzichtet wird.
  • Die Magnetresonanzanlage weist weiterhin eine Steuereinheit 13 auf, die zur Steuerung der MR-Anlage verwendet wird. Die Steuereinheit 13 weist eine Gradientensteuerung 14 zur Steuerung und Schaltung der Magnetfeldgradienten auf und eine HF-Steuereinheit 15 zur Erzeugung und Steuerung der HF-Pulse zur Auslenkung der Kernspins aus der Gleichgewichtslage. Die HF-Einheit kann eine Multikanal HF-Einheit sein, die in mehreren unabhängigen Kanälen HF-Pulse erzeugt. In einer Speichereinheit 16 können beispielsweise die für die Aufnahme der MR-Bilder notwendigen Bildgebungsequenz abgespeichert werden, sowie alle weiteren Steuerinformationen, die notwendig sind, um die Erfindung auszuführen. Eine Bildsequenzsteuerung 17 steuert die Bildaufnahme und damit in Abhängigkeit von der gewählten Bildgebungssequenzen die Abfolge der Magnetfeldgradienten und der HF-Pulse und die Empfangsintervalle der MR-Signale. Damit steuert die Bildsequenzsteuerung 17 auch die Gradientensteuerung 14 und die HF-Steuereinheit 15. In einer Recheneinheit 20 können MR-Bilder berechnet werden, die auf eine Anzeige 18 angezeigt werden können. Eine Bedienperson kann über eine Eingabeeinheit 19 die MR-Anlage steuern. Die MR Steuereinheit 13, insbesondere die Recheneinheit 20 ist dafür ausgebildet das oben und im Folgenden beschriebene Verfahren durchzuführen.
  • Die Erfindung umfasst ebenfalls ein Computerprogrammprodukt, welches das Verfahren wie beschrieben ausführen kann. In einer Variante der Erfindung kann dieses Produkt in der Speichereinheit 16 der MR Steuereinheit 13 abgelegt sein, aber auch die Hinterlegung auf einem Serversystem oder dezentral ist möglich.
  • In Zusammenhang mit 2 wird allgemein erläutert, wie die Kontrastverhältnisbestimmung verfahrensgemäß durchgeführt werden kann. 2 zeigt dafür die schematische Repräsentation eines MR-Bildes, welches verfahrensgemäß vorliegt und welches mit einem unbekannten Messprotokoll erstellt wurde. Auf dem Bild sind verschiedene Intensitäten zu sehen. In der schematischen Darstellung von ist eine transversale Aufnahme durch einen menschlichen Schädel (9) gezeigt. Verschiedene anatomische Regionen sind schematisch dargestellt, namentlich Liquor cerebrospinalis (21), weiße Substanz (22) und graue Substanz (23). Ferner sind zur Ermittlung der Kontrastverhältnisse durch Kästen markierte Bildbereiche (24a, 24b, 25a, 25b, 26a, 26b) zugeordnet. Hierbei sind 24a und 24b Regionen des Liquor cerebrospinalis (21), 25a und 25b Regionen der weißen Substanz (22) und 26a und 26b Regionen der grauen Substanz (23) zugeordnet. Aus den Kontrasteigenschaften des ersten MR-Bildes können nun Kontrastverhältnisse KV von verschiedenen Regionen Ra und Rb bestimmt werden. Beispielsweise kann KVweiße Substanz, graue Substanz anhand der Mittelung der Intensitätsdichten der Bildbereiche 25a und 25b dividiert durch die gemittelte Intensitätsdichte der Bildbereiche 26a und 26b bestimmt werden.
  • In 3 wird das Verfahren in Form eines Ablaufdiagramms zusammengefasst. Nach dem Start des Verfahrens in Schritt S30 erfolgt in Schritt S31 das Einlesen des ersten MR-Bildes. In einem Schritt S32 werden dann die quantitativen Kontrasteigenschaften bestimmt. In Schritt S33 wird nun aus den Kontrasteigenschaften ein Kontrastverhältnis bestimmt. Dies kann in Anlehnung an die Beschreibung zu 2 erfolgen oder auf eine andere geeignete Methode, beispielsweise jeweils nur anhand eines Bildbereiches oder einer größeren Anzahl an Bildbereichen die neben der intensitätsdichte auch nach topographischen Gesichtspunkten im Verrechnungsschritt gewichtet sein können. Aus dem mindestens einen ermittelten Kontrastverhältnis wird in Schritt S34 auf die Messprotokollparameter geschlossen, die zu gleichen oder ähnlichen Kontrasteigenschaften führen. Schließlich werden in Schritt S35 die Messprotokollparameter ausgegeben. In Schritt S36 endet das Verfahren und die gewonnenen Messprotokollparameter können z.B. zur Aufnahme eines zweiten MR-Bildes, genutzt werden.
  • 4 zeigt ein Ablaufdiagramm für eine weitere Implementierung des Verfahrens. Das Verfahren startet (S30) mit dem Einlesen eines ersten MR-Bildes (S31). Zusätzlich werden in einem Schritt S31b Protokollname und/oder Metainformationen eingelesen. Aus den Kontrasteigenschaften werden nun anatomische Regionen im MR-Bild zugeordnet (S32b) und in Schritt 32c Bildbereiche in mindestens zwei verschiedenen Regionen Ra und Rb ausgewählt.
  • Die Intensitätsdichte der Regionen wird in Schritt S33 zur Berechnung einer Anzahl an Kontrastverhältnissen verwendet, die anhand der Zuordnung der Bildbereiche zu Regionen verschiedenen Regionen zugeordnet werden kann. Die so bestimmten Kontrastverhältnisse werden in Schritt S34 verwendet, um die Messprotokollparameter zu bestimmen. Hierfür können in einem ersten Unterschritt von Schritt S34 in Schritt S34a die Informationen zu den Kontrastverhältnissen mit dem Protokollnamen und/oder vorhandenen Metainformationen kombiniert werden. In einem zweiten Unterschritt von S34 werden die zusammengestellten Informationen an ein Deep-Learning-Verfahren, Schritt S34b bzw. einen Simulationsschritt, Schritt S34c, übergeben. Auch eine Kombination der beiden Unterschritte ist möglich, wie durch die Pfeile in 4 angedeutet ist. In Schritt S35 werden die in Schritt S34 ermittelten Messprotokollparameter ausgegeben. Damit endet in S36 das Verfahren.
  • 5 zeigt ein Ablaufdiagramm für einen Simulationsschritt. In S34a werden die Kontrastverhältnisse, die auf Grundlage des ersten MR-Bildes für verschiedene Regionen bestimmt wurden sowie, falls vorhanden, Protokollname und Metainformationen an den Simulationsalgorithmus übergeben. In Schritt S40 wählt der Algorithmus ein (Test-)Messprotokoll. Anhand der identifizierten Regionen werden im nächsten Schritt S41 die physikalischen Eigenschaften der identifizierten anatomischen Regionen geladen, beispielsweise die T1 und T2 Zeit des Gewebetyps. Durch Lösen der Blochgleichungen wird mit dem Testmessprotokoll in S42 ein MR-Bild simuliert und in Schritt S43 die entsprechenden Kontrastverhältnisse für die anatomischen Regionen im simulierten Bild berechnet. In einer weiteren Ausführungsform werden Kontrastverhältnisse direkt simuliert. In Schritt S44 werden die simulierten Kontrastverhältnisse mit den Kontrastverhältnissen verglichen, die für das erste Bild bestimmt wurden. Stimmen die simulierten Kontrasteigenschaften nicht mit den aus dem ersten Bild bestimmten Kontrasteigenschaften findet eine Iteration des Verfahrens statt. In Schritt S44 wird das Messprotokoll modifiziert und das Verfahren geht zurück zu S40. Diese Schleife wird solange durchlaufen bis eine Testmessprotokoll bestimmt wird welches das Kriterium bei S44 erfüllt oder ein Abbruchkriterium erreicht wird. In diesem Fall wird das Testmessprotokoll als das Messprotokoll in Schritt S35 ausgegeben.
  • 6 zeigt ein Beispiel für die erfindungsgemäße Zuordnung von Bildbereichen zu Regionen mittels eines Deep Learning Verfahrens. Hierzu wird ein Trainingsdatensatz an MR Aufnahmen zur Verfügung gestellt. Ein MR-Bild (50) ist beispielhaft gezeigt. Faltung und Reduktion (51) finden in mehreren Schichten (52; 53) eines neuronalen Netzwerks statt. Hierbei werden die Informationen des Bildausschnitts (50a) in jedem Schritt reduziert. Als Ergebnis (54) werden verbundene Ebenen (55) erstellt (55a, 55b), die eine binäre Klassifizierung (60) ermöglichen. Beispielsweise kann eine binäre Klassifikation des Bildausschnitts 50a zu Liquor (56) erfolgen, so dass eine Wahrscheinlichkeit pLiquor (56b) angegeben werden kann, ob es sich beim Bildausschnitt um Liquor handelt. Analog ist dies für graue Substanz (57; 57b) und weiße Substanz (58; 58b) sowie weitere Regionen (59) möglich.
  • 7 zeigt den Prozess um ein Deep Learning Netzwerk bereit zu stellen welches geeignet ist, Messprotokollparameter für ein MR-Bild zu bestimmen. Hierzu wird im ersten Schritt S70 eine Datenbank erstellt. Hierzu werden mittels Messprotokollen 71 MR-Bilder 72 erstellt bzw. auf bereits vorhandene Daten zurückgegriffen. Mittels Regionenerkennung in Schritt S73 werden aus den MR-Bildern Kontrastverhältnisse in Schritt S74 für anatomische Regionen berechnet. Die Kombination aus Messprotokoll (71) und Kontrastverhältnissen (74) für eine Vielzahl an Daten bildet die Datenbank (75). Optional können auch die MR-Bilder (72) in der Datenbank abgelegt werden.
  • Im zweiten Schritt S76 wird das Deep-Learning Verfahren mittels der Datenbank trainiert. Hierzu wird ein Großteil der Datenbank, beispielsweise 80% der vorhandenen Datensätze (75a) verwendet, um in Schritt S77 ein Deep Learning Verfahren zu trainieren. Das Ergebnis dieses Prozesses ist ein trainiertes Deep Learning Netzwerk in Schritt S78. Im Validierungsschritt S79 wird nun das trainierte Netzwerk auf den nicht zum Training verwendeten Teil der Datenbank (75b) angewendet und es wird in Schritt S80 überprüft, ob das Netzwerk gute Ergebnisse liefert, also in der Lage ist die Messprotokolle zu bestimmen. Ist dies nicht der Fall wird das Training mit geänderten Parametern oder mit geänderten Eigenschaften des Deep Learning Verfahrens, beispielsweise der Hyperparameter, Ebeneneigenschaften, Pooling etc., erneut in Schritt S77 trainiert. Erfüllt das Ergebnis die Erwartungen (82) ist der Schritt beendet S83 und das Netzwerk ist bereit um anhand von Kontrasteigenschaften Messprotokollparameter zu bestimmen.
  • Es wird somit ein Verfahren bereitgestellt, mit dem ein automatisches Erkennen und Einstellen von MR-Protokollen anhand von eingelesenen Bilddaten möglich ist. Dieses automatische generieren von Messprotokollparametern und ganzen Messprotokollen, welche einen gleichen Kontrast an einem gegebenen Scanner erzielt ermöglicht es auch unerfahrenen Benutzern, gewünschte Kontraste zu erzeugen. Dadurch können Personal- oder Service-Kosten eingespart werden, und die Reproduzierbarkeit von MR-Bildern über verschiedene Institutionen und Scanner gesteigert werden.

Claims (16)

  1. Verfahren zur Bestimmung von Messprotokollparametern eines MR Bildes (50) umfassend: - Einlesen eines ersten MR Bildes (50), das erste Kontrasteigenschaften aufweist, - Bestimmen von zumindest einem ersten Kontrastverhältnis aus den ersten Kontrasteigenschaften, - Bestimmen der Messprotokollparameter unter Berücksichtigung des zumindest einen ersten Kontrastverhältnisses zur Erstellung eines zweiten MR Bildes, das zweite Kontrasteigenschaften aufweist, derart, dass die zweiten Kontrasteigenschaften den ersten Kontrasteigenschaften möglichst nahe kommen, - Ausgabe der Messprotokollparameter.
  2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass die Ermittlung des mindestens einen ersten Kontrastverhältnisses aus den ersten Kontrasteigenschaften anhand von mindestens zwei ersten Bildbereichen (24a, 24b, 25a, 25b, 26a, 26b) erfolgt wobei die Bildbereiche (24a, 24b, 25a, 25b, 26a, 26b) jeweils einer unterschiedlichen Region (21, 22, 23) aus einer Liste von Regionen anatomischer Merkmale, umfassend mindestens zwei verschiedene Regionen, die sich im ersten MR Bild (50) finden, zugeordnet sind; und dass die Messprotokollparameter so ausgewählt werden, dass das nach Region (21, 22, 23) verglichene mindestens eine erste Kontrastverhältnis dem aus dem zweiten MR Bild bestimmten mindestens einen zweiten Kontrastverhältnis möglichst ähnlich ist.
  3. Verfahren nach Anspruch 2, dadurch gekennzeichnet, dass die Zuordnung der ersten Bildbereiche (24a, 24b, 25a, 25b, 26a, 26b) zu der Liste von Regionen mittels eines Deep-Learning-Verfahrens erfolgt.
  4. Verfahren nach einem der vorherigen Ansprüche, dadurch gekennzeichnet, dass das Bestimmen der Messprotokollparameter anhand eines Deep-Learning-Verfahrens erfolgt.
  5. Verfahren nach Anspruch 4, dadurch gekennzeichnet, dass das Deep-Learning-Verfahren eine erste Datenbank (75) verwendet, umfassend Messprotokollparameter, Kontrasteigenschaften und Informationen bezüglich anatomischer Regionen.
  6. Verfahren nach einem der vorherigen Ansprüche, dadurch gekennzeichnet, dass das Bestimmen der Messprotokollparameter mittels eines Simulationsansatzes erfolgt bei dem iterativ dritte MR Bilder und dritte Kontrasteigenschaften für verschiedene Messprotokollparameter simuliert werden bis die dritten Kontrasteigenschaften den ersten Kontrasteigenschaften möglichst nahe kommen.
  7. Verfahren nach Anspruch 6, dadurch gekennzeichnet, dass bei dem Simulationsansatz zum Simulieren der dritten MR Bilder und der dritten Kontrasteigenschaften Blochgleichungen gelöst werden und Kenntnissen von zumindest der T1 oder T2-Zeit von im ersten MR Bild (50) identifizierten anatomischen Regionen genutzt werden.
  8. Verfahren nach einem der vorherigen Ansprüche, dadurch gekennzeichnet, dass aus den bestimmten Messprotokollparametern automatisiert ein Messprotokoll zur Erstellung des zweiten MR Bildes erstellt wird.
  9. Verfahren nach einem der vorherigen Ansprüche, dadurch gekennzeichnet, dass zumindest ein Teil der Messprotokollparameter aus Metainformationen bestimmt werden, die für das erste MR Bild (50) vorliegen.
  10. Verfahren nach einem der vorherigen Ansprüche, dadurch gekennzeichnet, dass für die Bestimmung der Messprotokollparameter zusätzlich ein Protokollname einer Bildgebungssequenz verwendet wird, mit der das erste MR Bild (50) erzeugt wurde.
  11. Verfahren nach einem der vorherigen Ansprüche, dadurch gekennzeichnet, dass beim Einlesen des ersten MR Bildes (50) dieses von einem Ausdruck, einer Bildschirmanzeige oder von einem Foto digitalisiert wird.
  12. Verfahren nach einem der vorherigen Ansprüche, dadurch gekennzeichnet, dass Messprotokollparameter für eine zweites MR Anlage bestimmt werden, welches nicht für die Erstellung des ersten MR Bildes (50) genutzt wurde.
  13. Ein Verfahren nach einem der vorherigen Ansprüche, dadurch gekennzeichnet, dass das Bestimmen von Messprotokollparametern zumindest einen der folgenden Parameter umfasst: - Field of View - Schichtzahl - Verwendete MR Anlage - Konfiguration der MR Anlage - Position des Bildgebungsvolumens - Rotation des Bildgebungsvolumens - Rotationsausrichtung - Fensterungs-Einstellung - Pulse - Vorpulse
  14. Magnetresonanzanlage, die ausgebildet ist, Messprotokollparameter anhand eines ersten MR Bildes (50) zu wählen, bei der das Untersuchungsobjekt (12) in einer MR-Anlage zur Erstellung eines MR-Bildes mit Verwendung einer Bildgebungssequenz untersucht wird, welche aufweist: - eine Steuereinheit (13) zur Steuerung der MR Anlage und eine Speichereinheit (16), wobei die Speichereinheit (16) von der Steuereinheit (13) ausführbare Informationen speichert, wobei die MR Anlage ausgebildet ist, bei Ausführung der Steuerinformationen in der Steuereinheit (13) ein Verfahren nach einem der Ansprüche 1-13 durchzuführen.
  15. Computerprogrammprodukt, welches ein Programm umfasst und direkt in einen Speicher (16) einer MR-Steuereinheit (13) einer MR-Anlage ladbar ist, mit Programm-Mitteln, um die Schritte des Verfahrens nach einem der Ansprüche 1-13 auszuführen, wenn das Programm in der Steuereinheit (13) der MR-Anlage ausgeführt wird.
  16. Elektronisch lesbarer Datenträger mit darauf gespeicherten elektronisch lesbaren Steuerinformationen, welche derart ausgestaltet sind, dass sie bei Verwendung des Datenträgers in einer MR-Steuereinheit (13) einer MR-Anlage das Verfahren nach einem der Ansprüche 1-13 durchführen.
DE102017213222.1A 2017-08-01 2017-08-01 Automatisches Erkennen und Einstellen von MR-Protokollen anhand von eingelesenen Bilddaten Pending DE102017213222A1 (de)

Priority Applications (3)

Application Number Priority Date Filing Date Title
DE102017213222.1A DE102017213222A1 (de) 2017-08-01 2017-08-01 Automatisches Erkennen und Einstellen von MR-Protokollen anhand von eingelesenen Bilddaten
CN201810840683.XA CN109324302B (zh) 2017-08-01 2018-07-27 根据读入的图像数据自动识别和设置磁共振协议
US16/051,919 US10663547B2 (en) 2017-08-01 2018-08-01 Automatic detection and setting of magnetic resonance protocols based on read-in image data

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE102017213222.1A DE102017213222A1 (de) 2017-08-01 2017-08-01 Automatisches Erkennen und Einstellen von MR-Protokollen anhand von eingelesenen Bilddaten

Publications (1)

Publication Number Publication Date
DE102017213222A1 true DE102017213222A1 (de) 2019-02-07

Family

ID=65019854

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102017213222.1A Pending DE102017213222A1 (de) 2017-08-01 2017-08-01 Automatisches Erkennen und Einstellen von MR-Protokollen anhand von eingelesenen Bilddaten

Country Status (3)

Country Link
US (1) US10663547B2 (de)
CN (1) CN109324302B (de)
DE (1) DE102017213222A1 (de)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102021210281A1 (de) 2021-09-16 2023-03-16 Siemens Healthcare Gmbh Computerimplementiertes Verfahren zur Zuordnung wenigstens eines Kontrastes zu wenigstens einem Magnetresonanzbilddatensatz, Zuordnungseinrichtung, Computerprogramm und elektronisch lesbarer Datenträger

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3896472A1 (de) * 2020-04-14 2021-10-20 Siemens Healthcare GmbH Vorrichtung und verfahren zur kernmagnetresonanzspektroskopie
EP3901964A1 (de) * 2020-04-22 2021-10-27 Siemens Healthcare GmbH Intelligente scan-empfehlung für die magnetresonanztomographie

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4036987B2 (ja) * 1998-11-18 2008-01-23 ジーイー横河メディカルシステム株式会社 医用画像の表示パラメータ値設定方法、医用画像診断装置およびｍｒｉ装置
DE10357203B4 (de) 2003-12-08 2018-09-20 Siemens Healthcare Gmbh Verfahren und Steuereinrichtung zum Betrieb eines Magnetresonanztomographie-Geräts sowie Magnetresonanztomographie-Gerät
JP4822435B2 (ja) * 2006-10-13 2011-11-24 株式会社日立メディコ 撮像パラメータ設定支援機能を有する磁気共鳴イメージング装置
DE102007036564B4 (de) * 2007-08-03 2009-07-09 Siemens Ag Verfahren zur gewebespezifischen Optimierung von Bildgebungsparametern
JP5835930B2 (ja) * 2011-04-15 2015-12-24 株式会社東芝 医用画像表示装置
DE102012200782A1 (de) * 2012-01-20 2013-07-25 Siemens Aktiengesellschaft Verfahren zur Ansteuerung einer Bildaufnahmeeinrichtung und Bildaufnahmeeinrichtung
CN104182925B (zh) * 2013-05-22 2019-04-09 东芝医疗系统株式会社 图像处理装置、图像处理方法和医学图像设备
DE102014204467A1 (de) 2014-03-11 2015-09-17 Siemens Medical Solutions Usa, Inc. Übertragen von validierten CAD-Trainingsdaten auf geänderte MR-Kontraste
DE102014209764A1 (de) 2014-05-22 2015-11-26 Siemens Aktiengesellschaft Verfahren zur Aufnahme von Magnetresonanzdaten bei einer gewünschten Gewichtung und Magnetresonanzeinrichtung
DE102015213595A1 (de) * 2015-07-20 2017-01-26 Siemens Healthcare Gmbh Verfahren zu einer Optimierung einer Reihenfolge von zwei oder mehr Messprotokollen für zumindest eine Magnetresonanzuntersuchung sowie eine Magnetresonanzvorrichtung hierzu
DE102015213910B4 (de) * 2015-07-23 2019-01-17 Siemens Healthcare Gmbh Schrittweise Erstellung eines Messprotokolls einer medizinischen Bildgebungsvorrichtung
CN105193383B (zh) * 2015-08-14 2020-03-31 上海联影医疗科技有限公司 协议生成系统及方法、协议显示系统、图像生成系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102021210281A1 (de) 2021-09-16 2023-03-16 Siemens Healthcare Gmbh Computerimplementiertes Verfahren zur Zuordnung wenigstens eines Kontrastes zu wenigstens einem Magnetresonanzbilddatensatz, Zuordnungseinrichtung, Computerprogramm und elektronisch lesbarer Datenträger

Also Published As

Publication number Publication date
US20190041478A1 (en) 2019-02-07
US10663547B2 (en) 2020-05-26
CN109324302A (zh) 2019-02-12
CN109324302B (zh) 2021-08-20

Similar Documents

Publication Publication Date Title
DE102007036564B4 (de) Verfahren zur gewebespezifischen Optimierung von Bildgebungsparametern
DE102010026376B4 (de) Erstellung von hinsichtlich ihrer Erzeugungsdauer und ihrer Qualität optimierten MR-Bildern
DE102007009203B4 (de) Verfahren zur Bestimmung oder Anpassung eines Shims zur Homogenisierung eines Magnetfeldes einer Magnetresonanzeinrichtung und zugehörige Magnetresonanzeinrichtung
DE102016216920A1 (de) Verfahren zu einer Bestimmung eines Ähnlichkeitsparameters für ein Ursprungsprotokoll mit einem Referenzprotokoll
DE102017221830A1 (de) Charakterisierung eines Störkörpers innerhalb eines Untersuchungsobjektes anhand eines medizinischen Bilddatensatzes
DE102007028901B4 (de) Verfahren und Vorrichtung zur automatischen Bestimmung von Perfusion mittels einer Magnetresonanzanlage
DE102014224656A1 (de) Verfahren und Vorrichtung zum Segmentieren eines medizinischen Untersuchungsobjekts mit quantitativen MR-Bildgebungsmethoden
DE102016113138B4 (de) System, insbesondere Magnetresonanzsystem, zum Erzeugen von Bildern
DE102017213222A1 (de) Automatisches Erkennen und Einstellen von MR-Protokollen anhand von eingelesenen Bilddaten
DE102014219467A1 (de) Verfahren zu einer Bewegungskorrektur für eine Magnetresonanz-Fingerprintinguntersuchung an einem Untersuchungsobjekt
DE102005001325A1 (de) Verfahren zum Ausrichten eines Grafikobjekts auf einem Übersichtsbild eines Objekts
DE102019220456A1 (de) Medizinische Bilddaten für longitudinale Studien
DE102015220078B4 (de) Erstellung von reduzierten Signalverläufen für eine Magnetresonanz-Fingerprinting-Untersuchung eines Untersuchungsobjekts
DE102014219405A1 (de) Verfahren zur Optimierung einer Untersuchung
EP3404436B1 (de) Funktionelle magnetresonanz-bildgebung
DE102006048425A1 (de) Verfahren zur Einstellung einer Shimeinrichtung eines Magnetresonanzgeräts
EP3351956A1 (de) Verfahren zur klassifikation von mittels einer magnetresonanz- fingerprinting methode von einem untersuchungsobjekt erfassten magnetresonanz-messdaten
DE102014221564A1 (de) Verbesserte Messsequenz zum Bestimmen eines Magnetresonanz-Bilds
DE102014225299A1 (de) Verfahren zur Rekonstruktion von Magnetresonanz-Bilddaten
EP3579010B1 (de) Verbesserte bestimmung von quantitativen gewebeparametern
EP3287915A1 (de) Erzeugung einer favoritenmenge umfassend mehrere protokolle zur ansteuerung eines medizinischen bildgebungsgerätes
DE112020001823T5 (de) ENTFERNUNG VON FALSCH-POSITIVEN AUS WEIßE-SUBSTANZ-FASERTRAKTEN
DE102013224406A1 (de) Verfahren zur Korrektur von Verzerrungen in Magnetresonanz-Diffusionsbildern
DE102014221054A1 (de) Verfahren zur Erzeugung eines anzuzeigenden Bilddatensatzes aus Magnetresonanzdaten, Recheneinrichtung und Computerprogramm
DE102005021067B4 (de) Bildgebende Vorrichtung

Legal Events

Date Code Title Description
R012 Request for examination validly filed
R016 Response to examination communication
R081 Change of applicant/patentee

Owner name: SIEMENS HEALTHINEERS AG, DE

Free format text: FORMER OWNER: SIEMENS HEALTHCARE GMBH, MUENCHEN, DE