DE102018214325A1 - Verfahren und Bereitstellungseinheit zum Bereitstellen eines virtuellen tomographischen Schlaganfall-Nachfolgeuntersuchungsbildes - Google Patents

Verfahren und Bereitstellungseinheit zum Bereitstellen eines virtuellen tomographischen Schlaganfall-Nachfolgeuntersuchungsbildes Download PDF

Info

Publication number
DE102018214325A1
DE102018214325A1 DE102018214325.0A DE102018214325A DE102018214325A1 DE 102018214325 A1 DE102018214325 A1 DE 102018214325A1 DE 102018214325 A DE102018214325 A DE 102018214325A DE 102018214325 A1 DE102018214325 A1 DE 102018214325A1
Authority
DE
Germany
Prior art keywords
examination
stroke
tomographic
follow
image
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
DE102018214325.0A
Other languages
English (en)
Inventor
Nico Kaiser
Sebastian Schmidt
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 DE102018214325.0A priority Critical patent/DE102018214325A1/de
Priority to US16/540,436 priority patent/US11043295B2/en
Priority to CN201910777610.5A priority patent/CN110858399B/zh
Publication of DE102018214325A1 publication Critical patent/DE102018214325A1/de
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
    • 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
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • 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
    • 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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10076—4D tomography; Time-sequential 3D tomography
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G06T2207/10096—Dynamic contrast-enhanced magnetic resonance imaging [DCE-MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30016—Brain
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular
    • G06T2207/30104—Vascular flow; Blood flow; Perfusion

Abstract

Die Erfindung betrifft ein Verfahren zum Bereitstellen eines virtuellen tomographischen Schlaganfall-Nachfolgeuntersuchungsbildes, wobei das Verfahren die folgenden Schritte umfasst:- Empfangen einer Sequenz von zeitlich aufeinanderfolgenden tomographischen Perfusionsbildgebungsdatensätzen eines Untersuchungsbereichs, beispielsweise mittels einer EmpfangsSchnittstelle,- Berechnen des virtuellen tomographischen Schlaganfall-Nachfolgeuntersuchungsbildes des Untersuchungsbereichs durch Anwendung eines trainierten Maschinenlernalgorithmus auf die Sequenz von zeitlich aufeinanderfolgenden tomographischen Perfusionsbildgebungsdatensätzen, beispielsweise mittels einer Recheneinheit, und- Bereitstellen des virtuellen tomographischen Schlaganfall-Nachfolgeuntersuchungsbildes, beispielsweise mittels einer Bereitstellungs-Schnittstelle.

Description

  • Die Erfindung betrifft ein Verfahren zum Bereitstellen eines virtuellen tomographischen Schlaganfall-Nachfolgeuntersuchungsbildes. Die Erfindung betrifft ferner eine Bereitstellungseinheit, ein Computerprogrammprodukt und ein computerlesbares Speichermedium.
  • Dynamic Contrast Enhanced (DCE) Imaging bzw. Perfusionsbildgebung, für die Anwendung in der Computertomographie (CT) auch DCE-CT bzw. Perfusions-CT genannt, ist eine bildgebende Methode, mit der physiologische Eigenschaften, insbesondere die Perfusion eines Gewebes, analysiert werden können. DCE-Bildgebung ist unter anderem hilfreich bei der Diagnose von Schlaganfällen, bei denen Teile des Gehirns wegen schlechter Durchblutung einen Sauerstoffmangel erleiden und daraus irreversible Schäden entstehen können.
  • Um gefährdete Regionen zu identifizieren wird eine Sequenz von Bildern während der Verabreichung eines Kontrastmittels aufgenommen und die zeitliche Veränderung der Schwächungswerte für einzelne Pixel oder bestimmte Regionen ermittelt. Basierend auf diesen Kurven können Perfusionseigenschaften berechnet werden, die dann typischerweise farbkodiert in ein CT-Bild oder in ein Magnetresonanztomographie (MRT)-Bild eingezeichnet werden, sog. Perfusion Maps ([1]).
  • Die Berechnung der Parameter beruht meist auf komplizierten mathematischen Modellen, die eine Annäherung physiologischer Prozesse im Gewebe darstellen. Dabei gibt es eine Menge verschiedener Methoden, die je nach Pathologie und Gewebe ausgewählt werden können. Da es sich um Annäherungen handelt, können Ungenauigkeiten im Modell zu fehlerhaften Ergebnissen führen. Außerdem müssen bei diesen Methoden Kurven basierend auf den Messdaten und jeweiligen Modellen angepasst werden, was wiederum fehlerbehaftet sein kann und einiges an Rechenzeit erfordert. Oft ist auch die Segmentierung der Arterie nötig, um die AIF(Arterielle Input Funktion) zu bestimmen. Auch diese kann je nach Methode oder Anwender variieren und somit die Standardisierung und somit auch Vergleichbarkeit der Werte beeinträchtigen.
  • Verschiedene physiologische Modelle ergeben verschiedene Parameter, die es zu interpretieren gilt. Letztendlich verfolgen jedoch die meisten Ansätze in der Schlaganfall-Bildgebung das Ziel, eine Voraussage darüber zu treffen, wo im Gehirn irreversible Schäden drohen und somit ein Eingriff notwendig ist. Die verschiedenen mathematischer Modelle zur Berechnung der Perfusionsparameter berücksichtigen verschiedene Bestandteile der Mikrozirkulation im Gewebe. Diese Modelle sind zum Teil nicht leicht zu verstehen und zu berechnen. Es ist auch schwierig die Übersicht darüber zu behalten, wie die Ergebnisse der verschiedenen Varianten zu interpretieren sind.
  • Es gibt außerdem verschiedene Methoden, DCE-Aufnahmen automatisch zu analysieren, beispielsweise die nicht-parametrische Perfusionsanalyse und die automatische Perfusionsanalyse auf Perfusion Maps.
  • Bei der nicht-parametrischen Perfusionsanalyse (auch „non-pk perfusion analysis“ oder „model free perfusion analysis“ genannt) werden die Kurvenverläufe mittels maschinellen Lernens zu bestimmten Klassen zusammengefasst, um Pathologien oder Anomalien erkennen zu können. Diese Methode ist losgelöst von den parametrischen mathematischen Modellen. Allerdings sind ihre Ergebnisse schwer zu interpretieren und es werden nur die zeitlichen Verläufe der Kurven analysiert, ohne die Bildinformation zu berücksichtigen. Ein Beispiel für eine nicht-parametrische Analyse für DCE-MRI kann in [2] eingesehen werden.
  • Bei der automatischen Perfusionsanalyse auf Perfusion Maps werden Algorithmen des maschinellen Lernens auf bereits erstellte Perfusion Maps angewendet um gefährdetes Gewebe zu identifizieren. In den meisten Fällen werden die Merkmale allerdings manuell identifiziert und extrahiert und der Algorithmus nur zur Klassifikation verwendet. In vielen aktuellen Geräten wird dafür sogar einfach nur ein Schwellenwert für die Perfusion Maps verwendet. Schwellwert-Methoden sind allerdings anfällig für Rauschen und beziehen keine Information über die lokale Durchblutung der Nachbarschaft mit ein.
  • Es gibt auch Ansätze neuronale Netze zum Beispiel für die Vorhersage des Infarktvolumens in Perfusion Maps zu verwenden. Allerdings sind diese abhängig von den Perfusionsparametern, auf deren Grundlage die Perfusion Maps berechnet wurden ([3], [4], [5]). Es gibt auch Methoden, die den möglichen Erfolg einer bestimmten Behandlung des Schlaganfalls vorhersagen ([6]). Ein Review Paper über verschiedene Methoden der Bildverarbeitung für Schlaganfalldiagnostik in MRT/CT kann in [7] gefunden werden.
  • Die Erfindung hat die Aufgabe, eine verbesserte Vorhersage über die Auswirkung eines Schlaganfalls auf das Gewebe zu ermöglichen. Jeder Gegenstand eines unabhängigen Anspruchs löst diese Aufgabe. In den abhängigen Ansprüchen sind weitere vorteilhafte Aspekte der Erfindung berücksichtigt.
  • Die Erfindung betrifft ein Verfahren zum Bereitstellen eines virtuellen tomographischen Schlaganfall-Nachfolgeuntersuchungsbildes, wobei das Verfahren die folgenden Schritte umfasst:
    • - Empfangen einer Sequenz von zeitlich aufeinanderfolgenden tomographischen Perfusionsbildgebungsdatensätzen eines Untersuchungsbereichs, beispielsweise mittels einer EmpfangsSchnittstelle,
    • - Berechnen des virtuellen tomographischen Schlaganfall-Nachfolgeuntersuchungsbildes des Untersuchungsbereichs durch Anwendung eines trainierten Maschinenlernalgorithmus auf die Sequenz von zeitlich aufeinanderfolgenden tomographischen Perfusionsbildgebungsdatensätzen, beispielsweise mittels einer Recheneinheit, und
    • - Bereitstellen des virtuellen tomographischen Schlaganfall-Nachfolgeuntersuchungsbildes, beispielsweise mittels einer Bereitstellungs-Schnittstelle.
  • Bei dem Untersuchungsbereich kann es sich insbesondere um einen Untersuchungsbereich eines Patienten handeln. Der Untersuchungsbereich kann beispielsweise ein Gehirn oder ein Gehirnbereich eines Patienten sein.
  • Daten, insbesondere die Sequenz von zeitlich aufeinanderfolgenden tomographischen Perfusionsbildgebungsdatensätzen eines Untersuchungsbereichs, können Empfangen werden, indem ein Signal empfangen wird, welches die Daten trägt, und/oder indem die Daten aus einem computerlesbaren Speicher, in dem die Daten gespeichert sind, gelesen werden. Daten, insbesondere das virtuelle tomographische Schlaganfall-Nachfolgeuntersuchungsbild, können bereitgestellt werden, indem ein Signal gesendet wird, welches die Daten trägt, und/oder indem die Daten in einen computerlesbaren Speicher geschrieben werden und/oder indem die Daten mittels eines Bildschirms angezeigt werden.
  • Die Sequenz von zeitlich aufeinanderfolgenden tomographischen Perfusionsbildgebungsdatensätzen kann insbesondere derart ausgebildet sein, dass basierend auf der Sequenz von zeitlich aufeinanderfolgenden tomographischen Perfusionsbildgebungsdatensätzen eine Perfusion Map berechnet werden kann. Ein Perfusionsbildgebungsdatensatz kann Daten in einem Bildraum und/oder Daten in einem Projektionsraum aufweisen. Ferner kann ein Perfusionsbildgebungsdatensatz weitere Daten, beispielsweise Akquisitionsprotokollparameter und/oder Kontrastmittelprotokollparameter einer Perfusionsbildgebungsuntersuchung, mit welcher der Perfusionsbildgebungsdatensatz aufgenommen wurde, aufweisen. Die Sequenz von zeitlich aufeinanderfolgenden tomographischen Perfusionsbildgebungsdatensätzen kann beispielsweise mittels eines Computertomographiegeräts und/oder mittels eines Magnetresonanztomographiegeräts aufgenommen worden sein.
  • Ein Perfusionsbildgebungsdatensatz kann in Form eines medizinischen Bildes, beispielsweise in Form eines zweidimensionalen oder dreidimensionalen medizinischen Bildes, vorliegen. Bei der Sequenz von zeitlich aufeinanderfolgenden tomographischen Perfusionsbildgebungsdatensätzen kann es sich insbesondere um eine Sequenz von zeitlich aufeinanderfolgenden tomographischen medizinischen Bildern einer Perfusionsuntersuchung handeln.
  • Eine Ausführungsform sieht vor, dass das Verfahren ferner den folgenden Schritt umfasst:
    • - automatisches Segmentieren von Schlaganfall-geschädigtem Gewebe in dem virtuellen tomographischen Schlaganfall-Nachfolgeuntersuchungsbild durch Anwendung eines Segmentierungsalgorithmus auf das virtuelle tomographische Schlaganfall-Nachfolgeuntersuchungsbild, beispielsweise mittels einer Segmentierungs-Recheneinheit.
  • Eine Ausführungsform sieht vor, dass der trainierte Maschinenlernalgorithmus ein Encoder-Netzwerk aufweist, welches aus der Sequenz von zeitlich aufeinanderfolgenden tomographischen Perfusionsbildgebungsdatensätzen Merkmale extrahiert, und/oder dass der trainierte Maschinenlernalgorithmus ein Decoder-Netzwerk aufweist, welches basierend auf den extrahierten Merkmalen das virtuelle tomographischen Schlaganfall-Nachfolgeuntersuchungsbild erzeugt.
  • Eine Ausführungsform sieht vor, dass das Encoder-Netzwerk eine Mehrzahl von parallelen Eingangskanälen aufweist, wobei jeder Eingangskanal der Mehrzahl von parallelen Eingangskanälen zum Einspeisen eines jeweiligen Perfusionsbildgebungsdatensatzes in das Encoder-Netzwerk ausgebildet ist, und/oder dass alle Perfusionsbildgebungsdatensätze der Sequenz von zeitlich aufeinanderfolgenden tomographischen Perfusionsbildgebungsdatensätzen parallel, beispielsweise mittels der Mehrzahl von parallelen Eingangskanälen, in das Encoder-Netzwerk eingespeist werden.
  • Insbesondere kann die Anzahl der Eingangskanäle der Mehrzahl von parallelen Eingangskanälen größer oder gleich der Anzahl der Perfusionsbildgebungsdatensätze der Sequenz von zeitlich aufeinanderfolgenden tomographischen Perfusionsbildgebungsdatensätzen sein. Insbesondere kann das Encoder-Netzwerk für jeden Perfusionsbildgebungsdatensatz der Sequenz von zeitlich aufeinanderfolgenden tomographischen Perfusionsbildgebungsdatensätzen jeweils einen Eingangskanal aufweisen.
  • Eine Ausführungsform sieht vor, dass das Encoder-Netzwerk einen Faltungsoperator umfasst, der in einer zeitlichen Dimension und in mehreren räumlichen Dimensionen wirkt.
  • Die zeitliche Dimension kann beispielsweise eine zeitliche Aufeinanderfolge der Perfusionsbildgebungsdatensätze der Sequenz von zeitlich aufeinanderfolgenden tomographischen Perfusionsbildgebungsdatensätzen und/oder eine Reihenfolge der Eingangskanäle der Mehrzahl von parallelen Eingangskanälen betreffen.
  • Die mehreren räumlichen Dimensionen können beispielsweise einen Bildraum der Perfusionsbildgebungsdatensätze der Sequenz von zeitlich aufeinanderfolgenden tomographischen Perfusionsbildgebungsdatensätzen betreffen. Der Bildraum der Perfusionsbildgebungsdatensätze kann beispielsweise zweidimensional oder dreidimensional sein. Bei den mehreren räumlichen Dimensionen kann es sich insbesondere um zwei Dimensionen, welche einen zweidimensionalen Bildraum betreffen, oder um drei Dimensionen, welche einen dreidimensionalen Bildraum betreffen, handeln.
  • Eine Ausführungsform sieht vor, dass das Encoder-Netzwerk ein konvolutionelles neuronales Netzwerk aufweist, welches aus der Sequenz von zeitlich aufeinanderfolgenden tomographischen Perfusionsbildgebungsdatensätzen eine Sequenz von zeitlich aufeinanderfolgenden Bildraum-Merkmalen extrahiert, und/oder dass das Encoder-Netzwerk ein rekurrentes neuronales Netzwerk aufweist, welches aus der Sequenz von zeitlich aufeinanderfolgenden Bildraum-Merkmalen einen zeitlichen Zusammenhang zwischen den Bildraum-Merkmalen der Sequenz von zeitlich aufeinanderfolgenden Bildraum-Merkmalen ermittelt.
  • Eine Ausführungsform sieht vor, dass der trainierte Maschinenlernalgorithmus ein Generator-Netzwerk aufweist, welches Kandidaten-Bilder für das virtuelle tomographische Schlaganfall-Nachfolgeuntersuchungsbild basierend auf der Sequenz von zeitlich aufeinanderfolgenden tomographischen Perfusionsbildgebungsdatensätzen erzeugt, insbesondere nach einem generativen Modell erzeugt, und dass der trainierte Maschinenlernalgorithmus ein Klassifikator-Netzwerk aufweist, welches die Kandidaten-Bilder für das virtuelle tomographische Schlaganfall-Nachfolgeuntersuchungsbild bewertet, insbesondere nach einem diskriminierenden Modell und/oder in Bezug auf einen Zusammenhang zu der Sequenz von zeitlich aufeinanderfolgenden tomographischen Perfusionsbildgebungsdatensätzen bewertet.
  • Insbesondere können das Generator-Netzwerk und das Klassifikator-Netzwerk zusammen ein Nullsummenspiel durchführen und/oder als Generative Adversarial Networks zusammenwirken. Gemäß einer Ausführungsform weist das Generator-Netzwerk das Encoder-Netzwerk und/oder das Decoder-Netzwerk auf.
  • Eine Ausführungsform sieht vor, dass das Verfahren ferner die folgenden Schritte umfasst:
    • - Empfangen eines Satzes von Trainingspaaren, beispielsweise mittels einer Trainingspaar-Empfangsschnittstelle, wobei jedes Paar des Satzes von Trainingspaaren eine Trainings-Sequenz von zeitlich aufeinanderfolgenden tomographischen Perfusionsbildgebungsdatensätzen des Untersuchungsbereichs, welche bei einer Schlaganfall-Diagnoseuntersuchung aufgenommen wurde, und ein tomographisches Trainings-Schlaganfall-Nachfolgeuntersuchungsbild des Untersuchungsbereichs, insbesondere ein reales tomographisches Trainings-Schlaganfall-Nachfolgeuntersuchungsbild des Untersuchungsbereichs, welches bei einer Schlaganfall-Nachfolgeuntersuchung erzeugt wurde, aufweist, und
    • - Trainieren des Maschinenlernalgorithmus basierend auf dem Satz von Trainingspaaren, beispielsweise mittels einer Trainingseinheit.
  • Der Satz von Trainingspaaren kann beispielsweise ein oder mehrere Trainingspaare aufweisen, welche jeweils eine Trainings-Sequenz von zeitlich aufeinanderfolgenden tomographischen Perfusionsbildgebungsdatensätzen des Untersuchungsbereichs, welche bei einer Schlaganfall-Diagnoseuntersuchung aufgenommen wurde, und ein virtuelles tomographisches Trainings-Schlaganfall-Nachfolgeuntersuchungsbild des Untersuchungsbereichs, welches durch ein hier offenbartes Verfahren oder ein anderes geeignetes Verfahren generiert wurde, aufweisen. Die Trainings-Sequenz kann beispielsweise mittels eines Computertomographiegeräts und/oder mittels eines Magnetresonanztomographiegeräts aufgenommen worden sein. Das Trainings-Schlaganfall-Nachfolgeuntersuchungsbild kann beispielsweise mittels eines Computertomographiegeräts und/oder mittels eines Magnetresonanztomographiegeräts aufgenommen worden sein.
  • Beispielsweise kann vorgesehen sein, dass die Schlaganfall-Nachfolgeuntersuchung nicht früher als 2 Tage, insbesondere nicht früher als 3 Tage, nach der Schlaganfall-Diagnoseuntersuchung durchgeführt wurde und/oder dass die Schlaganfall-Nachfolgeuntersuchung nicht später als 10 Tage, insbesondere nicht später als 7 Tage, insbesondere nicht später als 5 Tage, nach der Schlaganfall-Diagnoseuntersuchung durchgeführt wurde.
  • Eine Ausführungsform sieht vor, dass der Satz von Trainingspaaren einen ersten Teilsatz von ersten Trainingspaaren aufweist, wobei für jedes erste Trainingspaar des ersten Teilsatzes von ersten Trainingspaaren der Untersuchungsbereich zwischen der Schlaganfall-Diagnoseuntersuchung und der Schlaganfall-Nachfolgeuntersuchung in Bezug auf den Schlaganfall nicht behandelt wurde, und/oder dass der Satz von Trainingspaaren einen zweiten Teilsatz von zweiten Trainingspaaren aufweist, wobei für jedes zweite Trainingspaar des zweiten Teilsatzes von zweiten Trainingspaaren der Untersuchungsbereich zwischen der Schlaganfall-Diagnoseuntersuchung und der Schlaganfall-Nachfolgeuntersuchung in Bezug auf den Schlaganfall behandelt wurde.
  • Bei dem virtuellen tomographischen Schlaganfall-Nachfolgeuntersuchungsbild kann es sich insbesondere um ein erstes virtuelles tomographisches Schlaganfall-Nachfolgeuntersuchungsbild oder um ein zweites virtuelles tomographisches Schlaganfall-Nachfolgeuntersuchungsbild handeln. Insbesondere können zusätzlich zu dem virtuellen tomographischen Schlaganfall-Nachfolgeuntersuchungsbild ein oder mehrere weitere virtuelle tomographischen Schlaganfall-Nachfolgeuntersuchungsbilder berechnet und/oder bereitgestellt werden.
  • Eine Ausführungsform sieht vor, dass das erste virtuelle tomographische Schlaganfall-Nachfolgeuntersuchungsbild den Fall betrifft, dass der Untersuchungsbereich zwischen der Schlaganfall-Diagnoseuntersuchung und der Schlaganfall-Nachfolgeuntersuchung in Bezug auf den Schlaganfall nicht behandelt wird, und dass das zweite virtuelle tomographische Schlaganfall-Nachfolgeuntersuchungsbild den Fall betrifft, dass der Untersuchungsbereich zwischen der Schlaganfall-Diagnoseuntersuchung und der Schlaganfall-Nachfolgeuntersuchung in Bezug auf den Schlaganfall behandelt wird.
  • Eine Ausführungsform sieht vor, dass das erste virtuelle tomographische Schlaganfall-Nachfolgeuntersuchungsbild und das zweite virtuelle tomographische Schlaganfall-Nachfolgeuntersuchungsbild des Untersuchungsbereichs durch Anwendung des trainierten Maschinenlernalgorithmus auf die Sequenz von zeitlich aufeinanderfolgenden tomographischen Perfusionsbildgebungsdatensätzen berechnet werden.
  • Insbesondere kann der trainierte Maschinenlernalgorithmus eine erste trainierte Bildberechnungsfunktion zur Berechnung des ersten virtuellen tomographisches Schlaganfall-Nachfolgeuntersuchungsbildes und eine zweite trainierte Bildberechnungsfunktion zur Berechnung des zweiten virtuellen tomographisches Schlaganfall-Nachfolgeuntersuchungsbildes aufweisen. Die erste Bildberechnungsfunktion kann beispielsweise mittels des ersten Teilsatzes von ersten Trainingspaaren trainiert werden. Die zweite Bildberechnungsfunktion kann beispielsweise mittels des zweiten Teilsatzes von zweiten Trainingspaaren trainiert werden.
  • Die Erfindung betrifft ferner eine Bereitstellungseinheit zum Bereitstellen eines virtuellen tomographischen Schlaganfall-Nachfolgeuntersuchungsbildes, wobei die Bereitstellungseinheit die folgenden Komponenten aufweist:
    • - eine Empfangsschnittstelle, ausgebildet zum Empfangen einer Sequenz von zeitlich aufeinanderfolgenden tomographischen Perfusionsbildgebungsdatensätzen eines Untersuchungsbereichs,
    • - eine Recheneinheit, ausgebildet zum Berechnen des virtuellen tomographischen Schlaganfall-Nachfolgeuntersuchungsbildes des Untersuchungsbereichs durch Anwendung eines trainierten Maschinenlernalgorithmus auf die Sequenz von zeitlich aufeinanderfolgenden tomographischen Perfusionsbildgebungsdatensätzen, und
    • - eine Bereitstellungs-Schnittstelle, ausgebildet zum Bereitstellen des virtuellen tomographischen Schlaganfall-Nachfolgeuntersuchungsbildes.
  • Eine Ausführungsform sieht eine Bereitstellungseinheit vor, ferner aufweisend eine Trainingspaar-Empfangsschnittstelle und eine Trainingseinheit.
  • Die Trainingspaar-Empfangsschnittstelle ist ausgebildet zum Empfangen eines Satzes von Trainingspaaren, wobei jedes Paar des Satzes von Trainingspaaren eine Trainings-Sequenz von zeitlich aufeinanderfolgenden tomographischen Perfusionsbildgebungsdatensätzen des Untersuchungsbereichs, welche bei einer Schlaganfall-Diagnoseuntersuchung aufgenommen wurde, und ein tomographisches Trainings-Schlaganfall-Nachfolgeuntersuchungsbild des Untersuchungsbereichs, insbesondere ein reales tomographisches Trainings-Schlaganfall-Nachfolgeuntersuchungsbild des Untersuchungsbereichs, welches bei einer Schlaganfall-Nachfolgeuntersuchung erzeugt wurde, aufweist. Die Trainingseinheit ist ausgebildet zum Trainieren des Maschinenlernalgorithmus basierend auf dem Satz von Trainingspaaren.
  • Ein Trainingspaar kann insbesondere Teil eines Trainingsdatensatzes sein, welcher zusätzlich zu der Trainings-Sequenz und dem Trainings-Schlaganfall-Nachfolgeuntersuchungsbild weitere Trainingsdaten, beispielsweise ein oder mehrere weitere medizinische Bilder, insbesondere weitere Schlaganfall-Nachfolgeuntersuchungsbilder, aufweist. Das Training des Maschinenlernalgorithmus kann ferner basierend auf den weiteren Trainingsdaten erfolgen.
  • Eine Ausführungsform sieht eine Bereitstellungseinheit vor, welche zum Ausführen eines Verfahrens nach einem oder mehreren der offenbarten Aspekte ausgebildet ist.
  • Die Erfindung betrifft ferner ein Computerprogrammprodukt mit einem Computerprogramm, welches direkt in eine Speichereinheit einer Bereitstellungseinheit ladbar ist, mit Programmabschnitten, um alle Schritte eines Verfahrens nach einem der offenbarten Aspekte auszuführen, wenn die Programmabschnitte von der Bereitstellungseinheit ausgeführt werden.
  • Die Erfindung betrifft ferner ein computerlesbares Speichermedium, auf welchem von einer Bereitstellungseinheit lesbare und ausführbare Programmabschnitte gespeichert sind, um alle Schritte des Verfahrens nach einem der offenbarten Aspekte auszuführen, wenn die Programmabschnitte von der Bereitstellungseinheit ausgeführt werden.
  • Das Computerprogrammprodukt kann beispielsweise ein Computerprogramm sein oder neben dem Computerprogramm mindestens einen zusätzlichen Bestandteil umfassen. Der mindestens eine zusätzliche Bestandteil des Computerprogrammprodukts kann als Hardware und/oder als Software ausgebildet sein. Das Computerprogrammprodukt kann beispielsweise ein Speichermedium, auf dem zumindest ein Teil des Computerprogrammprodukts gespeichert ist, und/oder ein Schlüssel zur Authentifizierung eines Benutzers des Computerprogrammprodukts, insbesondere in Form eines Dongles, aufweisen.
  • Das Computerprogrammprodukt kann beispielsweise ein Cloud-Anwendungs-Programm aufweisen, welches zum Verteilen von Programmabschnitten des Computerprogramms auf verschiedene Verarbeitungseinheiten, insbesondere verschiedene Computer, eines Cloud-Computing-Systems ausgebildet ist, wobei jede der Verarbeitungseinheiten zum Ausführen eines oder mehrerer Programmabschnitte des Computerprogramms ausgebildet ist.
  • Auf dem computerlesbaren Medium kann beispielsweise das Computerprogrammprodukt nach einer der Ausführungsformen, die in dieser Anmeldung offenbart sind, gespeichert sein. Das computerlesbare Medium kann beispielsweise ein Memorystick, eine Festplatte oder ein sonstiger Datenträger sein.
  • Schlaganfall-geschädigtes Gewebe hat typischerweise eine im Vergleich zu intaktem Gewebe verringerte Dichte. Dadurch erscheint das Schlaganfall-geschädigte Gewebe in einem Computertomographie-Bild als dunkle Einfärbung des Untersuchungsbereichs. In einem Diffusions-MRT-Bild ist das Schlaganfall-geschädigte Gewebe auf Grund seiner ausgeprägten Diffusionsstörung erkennbar.
  • Insbesondere kann ein trainierter Maschinenlernalgorithmus verwendet werden, der gelernt hat, wo und unter welchen Bedingungen dunkle Einfärbungen des Untersuchungsbereichs, welche Schlaganfall-geschädigtes Gewebe betreffen, entstehen. Anhand des virtuellen tomographischen Schlaganfall-Nachfolgeuntersuchungsbildes kann insbesondere vorhergesagt werden, wo dunkle Einfärbungen des Untersuchungsbereichs in einem realen Schlaganfall-Nachfolgeuntersuchungsbild auftreten würden. Dunkle Regionen in dem virtuellen tomographischen Schlaganfall-Nachfolgeuntersuchungsbild stellen dann eine Voraussage über mögliche irreversible Schäden in dem Untersuchungsbereich, beispielsweise in dem Gehirn, dar.
  • Das Schlaganfall-geschädigte Gewebe kann insbesondere automatisch segmentiert werden, indem Segmentierungsdaten berechnet werden, welche das Schlaganfall-geschädigte Gewebe betreffen. Der Segmentierungsalgorithmus kann beispielsweise Schwellwert-basiert sein.
  • Ferner kann das automatisch segmentierte Schlaganfall-geschädigte Gewebe automatisch klassifiziert werden, beispielsweise durch Anwendung eines Klassifizierungsalgorithmus und/oder mittels einer Klassifizierungs-Recheneinheit und/oder indem Klassifizierungsdaten berechnet werden, welche das Schlaganfall-geschädigte Gewebe betreffen.
  • Das Encoder-Netzwerk kann insbesondere Merkmale extrahieren, die räumliche Eigenschaft in einem Bildraum der Perfusionsbildgebungsdatensätze und/oder eine zeitliche Zusammenhänge zwischen den Perfusionsbildgebungsdatensätzen betreffen.
  • Das Decoder-Netzwerk kann insbesondere eine Verkettung von Upsampling-Schritten aufweisen, um von den Merkmalsvektoren der extrahierten Merkmale wieder zur Dimension der Perfusionsbildgebungsdatensätze zu gelangen. Insbesondere können Pooling-Indizes von dem Encoder-Netzwerk an das Decoder-Netzwerk übermittelt werden. Basierend auf den Pooling-Indizes kann das Decoder-Netzwerk die räumliche Anordnung von Strukturen in dem virtuellen tomographischen Schlaganfall-Nachfolgeuntersuchungsbild korrekt wiederherstellen.
  • Mit Hilfe des Maschinenlernalgorithmus kann beispielsweise basierend auf einer DCE-Sequenz direkt auf Basis der Perfusionsbildgebungsdatensätze und ohne den Zwischenschritt mit mathematischen Modellen eine Vorhersage über möglicherweise absterbendes und somit einen Eingriff erforderndes Gewebe getroffen werden.
  • Maschinenlernalgorithmen, insbesondere auf Deep Learning basierte Maschinenlernalgorithmen, können Zusammenhänge eigenständig extrahieren, die weit umfangreicher sind als manuell identifizierte Merkmale. Der Maschinenlernalgorithmus kann die komplette räumliche und zeitliche Information aus der gesamten Sequenz nutzen, um Zusammenhänge zu lernen. Beispiel für solche Zusammenhänge sind die Versorgung über Kollateralen, der Sauerstoffbedarf des Gewebes, Vorschäden, Versorgungsgebiete der Arterien und anderes. Der Maschinenlernalgorithmus kann somit basierend auf der Sequenz von zeitlich aufeinanderfolgenden tomographischen Perfusionsbildgebungsdatensätzen wesentlich komplexere und/oder bisher noch unbekannte Zusammenhänge erkennen, deren Erkennung allein basierend auf herkömmlichen Perfusion Maps nicht möglich gewesen wäre, weil die entsprechenden Informationen darin nicht enthalten sind.
  • Beispielsweise kann das Encoder-Netzwerk ein konvolutionelles neuronales Netzwerk (CNN) sein, dessen Anzahl an Eingangskanälen gleich der Anzahl der Bilder einer DCE- CT/MRT-Aufnahme ist.
  • Die Filter, insbesondere die Faltungsoperatoren, des Encoder-Netzwerks, die beim Training erlernt werden, können beispielsweise derart dimensioniert sein, dass sie auf der Gesamtheit aller Perfusionsbildgebungsdatensätze der Sequenz von zeitlich aufeinanderfolgenden tomographischen Perfusionsbildgebungsdatensätzen operieren. Damit ist eine gleichzeitige Filterung über die räumlichen Dimensionen und die zeitliche Dimension der Perfusionsbildgebungsdaten realisierbar.
  • Das rekurrente neuronale Netzwerk kann insbesondere einen internen Speicher aufweisen, der es ermöglicht, Datensätze nacheinander zu verarbeiten und dabei zeitliche Zusammenhänge zu erlernen. Beispielsweise können die Bildraum-Merkmale der Sequenz von zeitlich aufeinanderfolgenden Bildraum-Merkmalen nacheinander in das rekurrente neuronale Netzwerk eingespeist werden. Kombinationen aus einem konvolutionellen und einem rekurrenten neuronalen Netzwerk werden zum Beispiel auch für die Klassifikation von Videos benutzt [8].
  • Üblicherweise wird im Zeitrahmen von einigen Tagen, beispielsweise 3-5 Tagen, nach einem akuten Schlaganfall, der mit DCE-CT/MRT diagnostiziert wurde, eine Nachfolgeuntersuchung mit einer weiteren statischen Aufnahme mittels CT oder MRT durchgeführt. In einem tomographischen Schlaganfall-Nachfolgeuntersuchungsbild ist das Schlaganfall-geschädigte Gewebe in der Regel sehr gut erkennbar, da es inzwischen abgestorben ist und sich deutlich in Bezug auf die Dichte bzw. die Signalstärke von gesundem Gewebe unterscheidet. Das abgestorbene Gewebe erscheint in dem tomographischen Schlaganfall-Nachfolgeuntersuchungsbild dunkel und kann deutlich von gesundem Gewebe abgegrenzt werden.
  • Das Trainieren des Maschinenlernalgorithmus basierend auf dem Satz von Trainingspaaren kann insbesondere in Form eines Ende-zu-Ende-Trainings erfolgen. Beispielsweise kann der Maschinenlernalgorithmus durch das Training lernen, basierend auf einer DCE-CT/ MRT-Aufnahmen einer Schlaganfall-Diagnoseuntersuchung das zugehörige Bild einer Schlaganfall-Nachfolgeuntersuchung mittels CT/MRT vorherzusagen. Das virtuelle tomographische Schlaganfall-Nachfolgeuntersuchungsbild kann insbesondere Informationen darüber umfassen, welche Regionen im Gehirn irreversible Schäden erleiden können und beispielsweise einen Eingriff erfordern.
  • Als Referenz für das Training können insbesondere die einzelnen Grauwerte der Pixel der Perfusionsbildgebungsdatensätze verwendet werden. Es ist somit nicht erforderlich, eine manuelle Segmentierung und/oder eine manuelle Annotation in den Trainingsdaten vorzunehmen. Die Trainingsdaten müssen daher lediglich gesammelt und insbesondere nicht manuell annotiert werden. Durch die Vermeidung der manuellen Annotation kann eine große Menge an Trainingsdaten relativ einfach gesammelt werden.
  • In einer weiteren Ausführungsform können sowohl Daten von Patienten, die einer Therapie unterzogen wurden als auch Daten von Patienten, die keine Therapie erhalten haben (z. B. weil eine Therapie nicht zeitgerecht möglich war, aufgrund anderer Erkrankungen nicht in Frage kam, verweigert wurde usw.) für das Training des Maschinenlernalgorithmus verwendet werden. Damit kann der Maschinenlernalgorithmus lernen, sowohl eine Vorhersage zu treffen, wie die Folgeaufnahme mit Therapie aussähe, als auch, wie sie ohne Therapie aussähe. Aus einem Vergleich dieser beiden Vorhersagen können wertvolle Informationen für eine Therapieentscheidung erhalten werden.
  • Man bräuchte dazu genug Trainingsdaten, bei denen eine Behandlung eines Schlaganfalls stattgefunden hat und bei der anschließend eine Nachfolgeuntersuchung mit CT/MRT-Bild erfolgt ist. Dann könnten Vorhersagen über die Auswirkungen des Schlaganfalls mit und ohne Behandlung berechnet werden, woraus sich eine konkrete Entscheidungshilfe ergeben würde. Gemäß einer Ausführungsform werden in dem zweiten Teilsatz von zweiten Trainingspaaren mehrere Gruppen von zweiten Trainingspaaren gebildet, welche sich relativ zueinander in Bezug auf die Behandlungsmethode unterscheiden, mit welcher der Untersuchungsbereich in Bezug auf den Schlaganfall behandelt wurde. Dann könnten Vorhersagen über den Ausgang des Schlaganfalls mit und ohne Behandlung in Abhängigkeit von einer Behandlungsmethode berechnet werden.
  • Gemäß einer Ausführungsform wird eine Erfolgschance einer Behandlung des Untersuchungsbereichs in Bezug auf den Schlaganfall, insbesondere in Abhängigkeit von einer Behandlungsmethode berechnet und beispielsweise in Form einer Prozentzahl ausgegeben. Die Erfolgschance kann beispielsweise durch Anwendung des trainierten Maschinenlernalgorithmus auf die Sequenz von zeitlich aufeinanderfolgenden tomographischen Perfusionsbildgebungsdatensätzen berechnet werden. Alternativ oder zusätzlich zu der Sequenz von zeitlich aufeinanderfolgenden tomographischen Perfusionsbildgebungsdatensätzen können für die Berechnung der Erfolgschance weitere Daten, insbesondere patientenspezifische Daten, beispielsweise Alter und/oder Geschlecht des Patienten, verwendet werden.
  • Hiermit wird insbesondere eine medizinische Bildgebungsvorrichtung offenbart, aufweisend eine Bereitstellungseinheit zum Bereitstellen eines virtuellen tomographischen Schlaganfall-Nachfolgeuntersuchungsbildes, wobei die Bereitstellungseinheit nach einem oder mehreren der offenbarten Aspekte ausgebildet ist. Die medizinische Bildgebungsvorrichtung kann beispielsweise ein Computertomographiegerät oder ein Magnet-Resonanz-Tomographiegerät sein.
  • Das virtuelle tomographische Schlaganfall-Nachfolgeuntersuchungsbild kann beispielsweise ein virtuelles computertomographisches Schlaganfall-Nachfolgeuntersuchungsbild oder ein virtuelles magnetresonanztomographisches Schlaganfall-Nachfolgeuntersuchungsbild sein.
  • Die Erfindung ermöglicht eine eindeutige und einfache Interpretation des Ergebnisses der Perfusionsbildgebung, insbesondere unabhängig von einem mathematischen Modell zur Berechnung der Perfusionsparameter. Die automatische Merkmalsextraktion mit Hilfe des Maschinenlernalgorithmus ermöglicht es, sowohl räumliche als auch zeitliche Zusammenhänge in der Sequenz von zeitlich aufeinanderfolgenden tomographischen Perfusionsbildgebungsdatensätzen zu erkennen. Mit der erfindungsgemäßen Lösung ist es möglich, sehr genaue Vorhersagen über die Auswirkung eines Schlaganfalls auf Gewebe zu treffen. Darüber hinaus ermöglicht die Erfindung, den Erfolg einer Behandlung vorherzusagen und damit eine schnelle und zuverlässige Entscheidungshilfe bereitzustellen.
  • Unter einem Maschinenlernalgorithmus wird im Kontext dieser Anmeldung insbesondere ein Algorithmus, der zum Maschinellen Lernen ausgebildet ist, verstanden. Der Maschinenlernalgorithmus kann beispielsweise zum überwachten Lernen und/oder zum unüberwachten Lernen ausgebildet sein. Der Maschinenlernalgorithmus kann beispielsweise zum tiefen Lernen („deep learning“) und/oder zum bestärkendem Lernen („reinforcement learning“) und/oder zum Marginal Space Learning ausgebildet sein.
  • Der Maschinenlernalgorithmus kann beispielsweise auf Entscheidungsbäumen („decision trees“), einem Random Forest, einer logistischen Regression, einer Support Vector Machine, einem künstlichen neuronalen Netzwerk, insbesondere einem konvolutionellen neuronalen Netzwerk („convolutional neural network“) und/oder einem rekurrenten neuronalen Netzwerk („recurrent neural network“), einer Kernel-Methode, Bayes-Klassifikatoren oder ähnlichem oder auf Kombinationen davon basieren.
  • Berechnungen, insbesondere beim Trainieren eines Maschinenlernalgorithmus, können beispielsweise mittels eines Prozessorsystems ausgeführt werden. Das Prozessorsystem kann beispielsweise einen oder mehrere Prozessoren, insbesondere Grafikprozessoren, aufweisen.
  • Die Bereitstellungseinheit kann beispielsweise eine oder mehrere Komponenten in Form von Hardware und/oder eine oder mehrere Komponenten in Form von Software aufweisen. Die Bereitstellungseinheit kann beispielsweise zumindest teilweise von einem Cloud-Computing-System gebildet sein. Die Bereitstellungseinheit kann beispielsweise ein Cloud-Computing-System, ein Computernetzwerk, ein Computer, ein Tabletcomputer, ein Smartphone oder ähnliches oder eine Kombination davon sein und/oder aufweisen.
  • Die Hardware kann beispielsweise mit einer Software zusammenwirken und/oder mittels einer Software konfigurierbar sein. Die Software kann beispielsweise mittels der Hardware ausgeführt werden. Bei der Hardware kann es sich beispielsweise um ein Speichersystem, ein FPGA-System (Field-programmable gate array), ein ASIC-System (Application-specific integrated circuit), ein Mikrocontroller-System, ein Prozessorsystem und Kombinationen davon handeln. Das Prozessorsystem kann beispielsweise einen Mikroprozessor und/oder mehrere zusammenwirkende Mikroprozessoren aufweisen.
  • Insbesondere kann eine Komponente der Bereitstellungseinheit nach einem oder mehreren der Aspekte, die in dieser Anmeldung offenbart sind, welche dazu ausgebildet ist, einen gegebenen Schritt eines Verfahrens nach einem oder mehreren der Aspekte, die in dieser Anmeldung offenbart sind, auszuführen, in Form einer Hardware implementiert sein, welche zum Ausführen des gegebenen Schritts konfiguriert ist und/oder welche zum Ausführen einer computerlesbaren Anweisung derart konfiguriert ist, dass die Hardware mittels der computerlesbaren Anweisung zum Ausführen des gegebenen Schritts konfigurierbar ist. Die Schritte des Verfahrens können beispielsweise in einem Prozessor, insbesondere in Form von Berechnungen, ausgeführt werden. Insbesondere kann die Bereitstellungseinheit einen Speicherbereich, beispielsweise in Form eines computerlesbaren Mediums, aufweisen, in welchem computerlesbare Anweisungen, beispielsweise in Form eines Computerprogramms, gespeichert sind.
  • Ein Datentransfer zwischen Komponenten der Bereitstellungseinheit kann beispielsweise jeweils mittels einer geeigneten Datentransfer-Schnittstelle erfolgen. Die Datentransfer-Schnittstelle zum Datentransfer an und/oder von einer Komponente der Bereitstellungseinheit kann zumindest teilweise in Form von Software und/oder zumindest teilweise in Form von Hardware realisiert sein. Die Datentransfer-Schnittstelle kann beispielsweise zum Abspeichern von Daten in und/oder zum Laden von Daten aus einem Bereich des Speichersystems ausgebildet sein, wobei auf diesen Bereich des Speichersystems eine oder mehrere Komponenten der Bereitstellungseinheit zugreifen können.
  • Im Rahmen der Erfindung können Merkmale, welche in Bezug auf unterschiedliche Ausführungsformen der Erfindung und/oder unterschiedliche Anspruchskategorien (Verfahren, Verwendung, Vorrichtung, System, Anordnung usw.) beschrieben sind, zu weiteren Ausführungsformen der Erfindung kombiniert werden. Beispielsweise kann ein Anspruch, der eine Vorrichtung betrifft, auch mit Merkmalen, die im Zusammenhang mit einem Verfahren beschrieben oder beansprucht sind, weitergebildet werden und umgekehrt. Funktionale Merkmale eines Verfahrens können dabei durch entsprechend ausgebildete gegenständliche Komponenten ausgeführt werden. Neben den in dieser Anmeldung ausdrücklich beschriebenen Ausführungsformen der Erfindung sind vielfältige weitere Ausführungsformen der Erfindung denkbar, zu denen der Fachmann gelangen kann, ohne den Bereich der Erfindung zu verlassen, der durch die Ansprüche vorgegeben ist.
  • Die Verwendung der unbestimmten Artikel „ein“ bzw. „eine“ schließt nicht aus, dass das betroffene Merkmal auch mehrfach vorhanden sein kann. Die Verwendung des Ausdrucks „aufweisen“ schließt nicht aus, dass die mittels des Ausdrucks „aufweisen“ verknüpften Begriffe identisch sein können. Beispielsweise weist die Bereitstellungseinheit die Bereitstellungseinheit auf. Die Verwendung des Ausdrucks „Einheit“ schließt nicht aus, dass der Gegenstand, auf den sich der Ausdruck „Einheit“ bezieht, mehrere Komponenten aufweisen kann, die räumlich voneinander separiert sind.
  • Der Ausdruck „basierend auf“ kann im Kontext der vorliegenden Anmeldung insbesondere im Sinne des Ausdrucks „unter Verwendung von“ verstanden werden. Insbesondere schließt eine Formulierung, der zufolge ein erstes Merkmal basierend auf einem zweiten Merkmal erzeugt (alternativ: ermittelt, bestimmt etc.) wird, nicht aus, dass das erste Merkmal basierend auf einem dritten Merkmal erzeugt (alternativ: ermittelt, bestimmt etc.) werden kann.
  • Im Folgenden wird die Erfindung anhand von Ausführungsbeispielen unter Hinweis auf die beigefügten Figuren erläutert. Die Darstellung in den Figuren ist schematisch, stark vereinfacht und nicht zwingend maßstabsgetreu.
  • Es zeigen:
    • die 1 ein Ablaufdiagramm für ein Verfahren zum Bereitstellen eines virtuellen tomographischen Schlaganfall-Nachfolgeuntersuchungsbildes,
    • die 2 eine Bereitstellungseinheit zum Bereitstellen eines virtuellen tomographischen Schlaganfall-Nachfolgeuntersuchungsbildes,
    • die 3 ein Ablaufdiagramm für ein Verfahren zum Bereitstellen eines virtuellen tomographischen Schlaganfall-Nachfolgeuntersuchungsbildes, bei dem ein Maschinenlernalgorithmus trainiert wird,
    • die 4 eine Bereitstellungseinheit zum Bereitstellen eines virtuellen tomographischen Schlaganfall-Nachfolgeuntersuchungsbildes, aufweisend eine Trainingseinheit zum Trainieren des Maschinenlernalgorithmus,
    • die 5 einen Datenfluss für einen Maschinenlernalgorithmus mit einem Encoder-Netzwerk, das eine Mehrzahl von parallelen Eingangskanälen aufweist, und
    • die 6 einen Datenfluss für einen Maschinenlernalgorithmus mit einem Encoder-Netzwerk, das ein rekurrentes neuronales Netzwerk aufweist.
  • Die 1 zeigt ein Ablaufdiagramm für ein Verfahren zum Bereitstellen eines virtuellen tomographischen Schlaganfall-Nachfolgeuntersuchungsbildes, wobei das Verfahren die folgenden Schritte umfasst:
    • - Empfangen RS einer Sequenz von zeitlich aufeinanderfolgenden tomographischen Perfusionsbildgebungsdatensätzen eines Untersuchungsbereichs,
    • - Berechnen CI des virtuellen tomographischen Schlaganfall-Nachfolgeuntersuchungsbildes des Untersuchungsbereichs durch Anwendung eines trainierten Maschinenlernalgorithmus auf die Sequenz von zeitlich aufeinanderfolgenden tomographischen Perfusionsbildgebungsdatensätzen, und
    • - Bereitstellen PI des virtuellen tomographischen Schlaganfall-Nachfolgeuntersuchungsbildes.
  • Die 2 zeigt eine Bereitstellungseinheit U zum Bereitstellen eines virtuellen tomographischen Schlaganfall-Nachfolgeuntersuchungsbildes, aufweisend:
    • - eine Empfangsschnittstelle RS-U, ausgebildet zum Empfangen RS einer Sequenz von zeitlich aufeinanderfolgenden tomographischen Perfusionsbildgebungsdatensätzen eines Untersuchungsbereichs,
    • - eine Recheneinheit CI-U, ausgebildet zum Berechnen CI des virtuellen tomographischen Schlaganfall-Nachfolgeuntersuchungsbildes des Untersuchungsbereichs durch Anwendung eines trainierten Maschinenlernalgorithmus auf die Sequenz von zeitlich aufeinanderfolgenden tomographischen Perfusionsbildgebungsdatensätzen, und
    • - eine Bereitstellungs-Schnittstelle PI-U, ausgebildet zum Bereitstellen PI des virtuellen tomographischen Schlaganfall-Nachfolgeuntersuchungsbildes.
  • Die 3 zeigt ein Ablaufdiagramm für ein Verfahren zum Bereitstellen eines virtuellen tomographischen Schlaganfall-Nachfolgeuntersuchungsbildes, wobei das Verfahren ferner die folgenden Schritte umfasst:
    • - Empfangen RT eines Satzes von Trainingspaaren, wobei jedes Paar des Satzes von Trainingspaaren eine Trainings-Sequenz von zeitlich aufeinanderfolgenden tomographischen Perfusionsbildgebungsdatensätzen des Untersuchungsbereichs, welche bei einer Schlaganfall-Diagnoseuntersuchung aufgenommen wurde, und ein tomographisches Trainings-Schlaganfall-Nachfolgeuntersuchungsbild des Untersuchungsbereichs, welches bei einer Schlaganfall-Nachfolgeuntersuchung erzeugt wurde, aufweist,
    • - Trainieren TA des Maschinenlernalgorithmus basierend auf dem Satz von Trainingspaaren, und
    • - automatisches Segmentieren CS von Schlaganfall-geschädigtem Gewebe in dem virtuellen tomographischen Schlaganfall-Nachfolgeuntersuchungsbild durch Anwendung eines Segmentierungsalgorithmus auf das virtuelle tomographische Schlaganfall-Nachfolgeuntersuchungsbild.
  • Die 4 zeigt eine Bereitstellungseinheit U zum Bereitstellen eines virtuellen tomographischen Schlaganfall-Nachfolgeuntersuchungsbildes, ferner aufweisend:
    • - eine Trainingspaar-Empfangsschnittstelle RT-U, ausgebildet zum Empfangen RT eines Satzes von Trainingspaaren, wobei jedes Paar des Satzes von Trainingspaaren eine Trainings-Sequenz von zeitlich aufeinanderfolgenden tomographischen Perfusionsbildgebungsdatensätzen des Untersuchungsbereichs, welche bei einer Schlaganfall-Diagnoseuntersuchung aufgenommen wurde, und ein tomographisches Trainings-Schlaganfall-Nachfolgeuntersuchungsbild des Untersuchungsbereichs, welches bei einer Schlaganfall-Nachfolgeuntersuchung erzeugt wurde, aufweist,
    • - eine Trainingseinheit TA-U, ausgebildet zum Trainieren TA des Maschinenlernalgorithmus basierend auf dem Satz von Trainingspaaren,
    • - eine Segmentierungs-Recheneinheit CS-U zum automatischen Segmentieren CS von Schlaganfall-geschädigtem Gewebe in dem virtuellen tomographischen Schlaganfall-Nachfolgeuntersuchungsbild durch Anwendung eines Segmentierungsalgorithmus auf das virtuelle tomographische Schlaganfall-Nachfolgeuntersuchungsbild.
  • Die 5 zeigt einen Datenfluss für einen Maschinenlernalgorithmus MLA mit einem Encoder-Netzwerk ENC, das eine Mehrzahl von parallelen Eingangskanälen IN1, IN2, IN3 aufweist. Der trainierte Maschinenlernalgorithmus MLA weist ferner ein Decoder-Netzwerk DEC auf, welches basierend auf den extrahierten Merkmalen das virtuelle tomographischen Schlaganfall-Nachfolgeuntersuchungsbild VI erzeugt.
    Jeder Eingangskanal der Mehrzahl von parallelen Eingangskanälen IN1, IN2, IN3 ist zum Einspeisen eines jeweiligen Perfusionsbildgebungsdatensatzes P1, P2, P3 in das Encoder-Netzwerk ENC ausgebildet. Alle Perfusionsbildgebungsdatensätze P1, P2, P3 der Sequenz SP von zeitlich aufeinanderfolgenden tomographischen Perfusionsbildgebungsdatensätzen P1, P2, P3 werden parallel in das Encoder-Netzwerk ENC eingespeist. Das Encoder-Netzwerk ENC umfasst einen Faltungsoperator, der in einer zeitlichen Dimension t und in mehreren räumlichen Dimensionen x, y wirkt.
    Die 6 zeigt einen Datenfluss für einen Maschinenlernalgorithmus MLA mit einem Encoder-Netzwerk ENC, das ein rekurrentes neuronales Netzwerk RN und ein konvolutionelles neuronales Netzwerk CN aufweist. Das konvolutionelle neuronale Netzwerk CN extrahiert aus der Sequenz SP von zeitlich aufeinanderfolgenden tomographischen Perfusionsbildgebungsdatensätzen P1, P2, P3 eine Sequenz SF von zeitlich aufeinanderfolgenden Bildraum-Merkmalen extrahiert. Das rekurrente neuronale Netzwerk ermittelt aus der Sequenz SF von zeitlich aufeinanderfolgenden Bildraum-Merkmalen einen zeitlichen Zusammenhang zwischen den Bildraum-Merkmalen der Sequenz SF von zeitlich aufeinanderfolgenden Bildraum-Merkmalen. Das Decoder-Netzwerk DEC erzeugt basierend auf der Sequenz SF von zeitlich aufeinanderfolgenden Bildraum-Merkmalen und dem zeitlichen Zusammenhang zwischen den Bildraum-Merkmalen der Sequenz SF von zeitlich aufeinanderfolgenden Bildraum-Merkmalen das virtuelle tomographischen Schlaganfall-Nachfolgeuntersuchungsbild VI.
  • Literaturverzeichnis
    1. [1] C. Cuenod und D. Balvay, „Perfusion and vascular permeability: Basic concepts and measurement in DCE-CT and DCE-MRI", Diagnostic and Interventional Imaging, 2013.
    2. [2] C. Roberts, B. Issa, A. Stone, A. Jackson, J. C. Waterton und G. J. M. Parker, „Comparative Study into the Robustness of Compartmental Modeling and Model-Free Analysis in DCE-MRI Studies", JOURNAL OF MAGNETIC RESONANCE IMAGING, 2006.
    3. [3] T. Hachaj und R. M. Ogiela, „Neural Network Approach for Identification of Selected Brain Perfusion Abnormalities: neural net on perfusion map", in 6th International Conference on Innovative Mobile and Internet Services in Ubiquitous Computing, 2012.
    4. [4] T. Hachaja und M. R.Ogiela, „Application of neural networks in detection of abnormal brain perfusion regions", Neurocomputing, 2013.
    5. [5] F. Flottmann, G. Broocks, T. D. Faizy, M. Ernst, N. D. Forkert, M. Grosser, G. Thomalla, S. Siemonsen, J. Fiehler und A. Kemmling, „CT-perfusion stroke imaging: a threshold free probabilistic approach to predict infarct volume compared to traditional ischemic thresholds", Nature: Scientific Reports, 2017.
    6. [6] R. Grech, P. L. Galvin, S. Power, A. O'Hare, S. Looby, P. Brennan und J. Thornton, „Outcome Prediction in Acute Stroke Patients Considered for Endovascular Treatment: a Novel Tool", Interv Neuroradiol., 2014.
    7. [7] I. Rekik, S. Allassonniere, T. K. Carpenter und J. M. Wardlaw, „Medical image analysis methods in MR/CT-imaged acute-subacute ischemic stroke lesion: Segmentation, prediction and insights into dynamic evolution simulation models. A critical appraisal", NeuroImage: Clinical, 2012.
    8. [8] D. Graham, S. H. F. Langroudi, C. Kanan und D. Kudithipudi, „Convolutional Drift Networks for Video Classification", IEEE Rebooting Computing, 2017.
  • ZITATE ENTHALTEN IN DER BESCHREIBUNG
  • Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
  • Zitierte Nicht-Patentliteratur
    • C. Cuenod und D. Balvay, „Perfusion and vascular permeability: Basic concepts and measurement in DCE-CT and DCE-MRI“, Diagnostic and Interventional Imaging, 2013 [0080]
    • C. Roberts, B. Issa, A. Stone, A. Jackson, J. C. Waterton und G. J. M. Parker, „Comparative Study into the Robustness of Compartmental Modeling and Model-Free Analysis in DCE-MRI Studies“, JOURNAL OF MAGNETIC RESONANCE IMAGING, 2006 [0080]
    • T. Hachaj und R. M. Ogiela, „Neural Network Approach for Identification of Selected Brain Perfusion Abnormalities: neural net on perfusion map“, in 6th International Conference on Innovative Mobile and Internet Services in Ubiquitous Computing, 2012 [0080]
    • T. Hachaja und M. R.Ogiela, „Application of neural networks in detection of abnormal brain perfusion regions“, Neurocomputing, 2013 [0080]
    • F. Flottmann, G. Broocks, T. D. Faizy, M. Ernst, N. D. Forkert, M. Grosser, G. Thomalla, S. Siemonsen, J. Fiehler und A. Kemmling, „CT-perfusion stroke imaging: a threshold free probabilistic approach to predict infarct volume compared to traditional ischemic thresholds“, Nature: Scientific Reports, 2017 [0080]
    • R. Grech, P. L. Galvin, S. Power, A. O'Hare, S. Looby, P. Brennan und J. Thornton, „Outcome Prediction in Acute Stroke Patients Considered for Endovascular Treatment: a Novel Tool“, Interv Neuroradiol., 2014 [0080]
    • I. Rekik, S. Allassonniere, T. K. Carpenter und J. M. Wardlaw, „Medical image analysis methods in MR/CT-imaged acute-subacute ischemic stroke lesion: Segmentation, prediction and insights into dynamic evolution simulation models. A critical appraisal“, NeuroImage: Clinical, 2012 [0080]
    • D. Graham, S. H. F. Langroudi, C. Kanan und D. Kudithipudi, „Convolutional Drift Networks for Video Classification“, IEEE Rebooting Computing, 2017 [0080]

Claims (15)

  1. Verfahren zum Bereitstellen eines virtuellen tomographischen Schlaganfall-Nachfolgeuntersuchungsbildes (VI), wobei das Verfahren die folgenden Schritte umfasst: - Empfangen (RS) einer Sequenz (SP) von zeitlich aufeinanderfolgenden tomographischen Perfusionsbildgebungsdatensätzen eines Untersuchungsbereichs, - Berechnen (CI) des virtuellen tomographischen Schlaganfall-Nachfolgeuntersuchungsbildes (VI) des Untersuchungsbereichs durch Anwendung eines trainierten Maschinenlernalgorithmus (MLA) auf die Sequenz (SP) von zeitlich aufeinanderfolgenden tomographischen Perfusionsbildgebungsdatensätzen, und - Bereitstellen (PI) des virtuellen tomographischen Schlaganfall-Nachfolgeuntersuchungsbildes (VI).
  2. Verfahren nach Anspruch 1, wobei das Verfahren ferner den folgenden Schritt umfasst: - automatisches Segmentieren (CS) von Schlaganfall-geschädigtem Gewebe in dem virtuellen tomographischen Schlaganfall-Nachfolgeuntersuchungsbild (VI) durch Anwendung eines Segmentierungsalgorithmus auf das virtuelle tomographische Schlaganfall-Nachfolgeuntersuchungsbild (VI).
  3. Verfahren nach Anspruch 1 oder 2, - wobei der trainierte Maschinenlernalgorithmus (MLA) ein Encoder-Netzwerk (ENC) aufweist, welches aus der Sequenz (SP) von zeitlich aufeinanderfolgenden tomographischen Perfusionsbildgebungsdatensätzen Merkmale extrahiert, und - wobei der trainierte Maschinenlernalgorithmus (MLA) ein Decoder-Netzwerk (DEC) aufweist, welches basierend auf den extrahierten Merkmalen das virtuelle tomographischen Schlaganfall-Nachfolgeuntersuchungsbild (VI) erzeugt.
  4. Verfahren nach Anspruch 3, - wobei das Encoder-Netzwerk (ENC) eine Mehrzahl von parallelen Eingangskanälen aufweist, wobei jeder Eingangskanal der Mehrzahl von parallelen Eingangskanälen zum Einspeisen eines jeweiligen Perfusionsbildgebungsdatensatzes in das Encoder-Netzwerk (ENC) ausgebildet ist, und - wobei alle Perfusionsbildgebungsdatensätze der Sequenz (SP) von zeitlich aufeinanderfolgenden tomographischen Perfusionsbildgebungsdatensätzen parallel in das Encoder-Netzwerk (ENC) eingespeist werden.
  5. Verfahren nach Anspruch 4, - wobei das Encoder-Netzwerk (ENC) einen Faltungsoperator umfasst, der in einer zeitlichen Dimension (t) und in mehreren räumlichen Dimensionen (x, y) wirkt.
  6. Verfahren nach Anspruch 3 - wobei das Encoder-Netzwerk (ENC) ein konvolutionelles neuronales Netzwerk (CN) aufweist, welches aus der Sequenz (SP) von zeitlich aufeinanderfolgenden tomographischen Perfusionsbildgebungsdatensätzen eine Sequenz von zeitlich aufeinanderfolgenden Bildraum-Merkmalen extrahiert, und - wobei das Encoder-Netzwerk (ENC) ein rekurrentes neuronales Netzwerk (RN) aufweist, welches aus der Sequenz von zeitlich aufeinanderfolgenden Bildraum-Merkmalen einen zeitlichen Zusammenhang zwischen den Bildraum-Merkmalen der Sequenz von zeitlich aufeinanderfolgenden Bildraum-Merkmalen ermittelt.
  7. Verfahren nach einem der Ansprüche 1 bis 6, - wobei der trainierte Maschinenlernalgorithmus (MLA) ein Generator-Netzwerk aufweist, welches Kandidaten-Bilder für das virtuelle tomographische Schlaganfall-Nachfolgeuntersuchungsbild (VI) basierend auf der Sequenz (SP) von zeitlich aufeinanderfolgenden tomographischen Perfusionsbildgebungsdatensätzen erzeugt, und - wobei der trainierte Maschinenlernalgorithmus (MLA) ein Klassifikator-Netzwerk aufweist, welches die Kandidaten-Bilder für das virtuelle tomographische Schlaganfall-Nachfolgeuntersuchungsbild (VI) bewertet.
  8. Verfahren nach einem der Ansprüche 1 bis 7, wobei das Verfahren ferner die folgenden Schritte umfasst: - Empfangen (RT) eines Satzes von Trainingspaaren, wobei jedes Paar des Satzes von Trainingspaaren eine Trainings-Sequenz (SP) von zeitlich aufeinanderfolgenden tomographischen Perfusionsbildgebungsdatensätzen des Untersuchungsbereichs, welche bei einer Schlaganfall-Diagnoseuntersuchung aufgenommen wurde, und ein tomographisches Schlaganfall-Nachfolgeuntersuchungsbild des Untersuchungsbereichs, welches bei einer Schlaganfall-Nachfolgeuntersuchung erzeugt wurde, aufweist, und - Trainieren (TA) des Maschinenlernalgorithmus (MLA) basierend auf dem Satz von Trainingspaaren.
  9. Verfahren nach Anspruch 8, - wobei der Satz von Trainingspaaren einen ersten Teilsatz von ersten Trainingspaaren aufweist, wobei für jedes erste Trainingspaar des ersten Teilsatzes von ersten Trainingspaaren der Untersuchungsbereich zwischen der Schlaganfall-Diagnoseuntersuchung und der Schlaganfall-Nachfolgeuntersuchung in Bezug auf den Schlaganfall nicht behandelt wurde, und - wobei der Satz von Trainingspaaren einen zweiten Teilsatz von zweiten Trainingspaaren aufweist, wobei für jedes zweite Trainingspaar des zweiten Teilsatzes von zweiten Trainingspaaren der Untersuchungsbereich zwischen der Schlaganfall-Diagnoseuntersuchung und der Schlaganfall-Nachfolgeuntersuchung in Bezug auf den Schlaganfall behandelt wurde.
  10. Verfahren nach einem der Ansprüche 1 bis 9, - wobei ein erstes und ein zweites virtuelles tomographisches Schlaganfall-Nachfolgeuntersuchungsbild des Untersuchungsbereichs durch Anwendung des trainierten Maschinenlernalgorithmus (MLA) auf die Sequenz (SP) von zeitlich aufeinanderfolgenden tomographischen Perfusionsbildgebungsdatensätzen berechnet werden, - wobei das erste virtuelle tomographische Schlaganfall-Nachfolgeuntersuchungsbild den Fall betrifft, dass der Untersuchungsbereich zwischen der Schlaganfall-Diagnoseuntersuchung und der Schlaganfall-Nachfolgeuntersuchung in Bezug auf den Schlaganfall nicht behandelt wird, und - wobei das zweite virtuelle tomographische Schlaganfall-Nachfolgeuntersuchungsbild den Fall betrifft, dass der Untersuchungsbereich zwischen der Schlaganfall-Diagnoseuntersuchung und der Schlaganfall-Nachfolgeuntersuchung in Bezug auf den Schlaganfall behandelt wird.
  11. Bereitstellungseinheit (U) zum Bereitstellen eines virtuellen tomographischen Schlaganfall-Nachfolgeuntersuchungsbildes (VI), aufweisend: - eine Empfangsschnittstelle (RS-U), ausgebildet zum Empfangen (RS) einer Sequenz (SP) von zeitlich aufeinanderfolgenden tomographischen Perfusionsbildgebungsdatensätzen eines Untersuchungsbereichs, - eine Recheneinheit (CI-U), ausgebildet zum Berechnen (CI) des virtuellen tomographischen Schlaganfall-Nachfolgeuntersuchungsbildes (VI) des Untersuchungsbereichs durch Anwendung eines trainierten Maschinenlernalgorithmus (MLA) auf die Sequenz (SP) von zeitlich aufeinanderfolgenden tomographischen Perfusionsbildgebungsdatensätzen, und - eine Bereitstellungs-Schnittstelle (PI-U), ausgebildet zum Bereitstellen (PI) des virtuellen tomographischen Schlaganfall-Nachfolgeuntersuchungsbildes (VI).
  12. Bereitstellungseinheit (U) nach Anspruch 11, ferner aufweisend: - eine Trainingspaar-Empfangsschnittstelle (RT-U), ausgebildet zum Empfangen (RT) eines Satzes von Trainingspaaren, wobei jedes Paar des Satzes von Trainingspaaren eine Trainings-Sequenz (SP) von zeitlich aufeinanderfolgenden tomographischen Perfusionsbildgebungsdatensätzen des Untersuchungsbereichs, welche bei einer Schlaganfall-Diagnoseuntersuchung aufgenommen wurde, und ein tomographisches Trainings-Schlaganfall-Nachfolgeuntersuchungsbild des Untersuchungsbereichs, welches bei einer Schlaganfall-Nachfolgeuntersuchung erzeugt wurde, aufweist, und - eine Trainingseinheit (TA-U), ausgebildet zum Trainieren (TA) des Maschinenlernalgorithmus (MLA) basierend auf dem Satz von Trainingspaaren.
  13. Bereitstellungseinheit (U) nach Anspruch 11 oder 12, welche zum Ausführen eines Verfahrens nach einem der Ansprüche 1 bis 10 ausgebildet ist.
  14. Computerprogrammprodukt mit einem Computerprogramm, welches direkt in eine Speichereinheit einer Bereitstellungseinheit (U) ladbar ist, mit Programmabschnitten, um alle Schritte eines Verfahrens nach einem der Ansprüche 1 bis 10 auszuführen, wenn die Programmabschnitte von der Bereitstellungseinheit (U) ausgeführt werden.
  15. Computerlesbares Speichermedium, auf welchem von einer Bereitstellungseinheit (U) lesbare und ausführbare Programmabschnitte gespeichert sind, um alle Schritte des Verfahrens nach einem der Ansprüche 1 bis 10 auszuführen, wenn die Programmabschnitte von der Bereitstellungseinheit (U) ausgeführt werden.
DE102018214325.0A 2018-08-24 2018-08-24 Verfahren und Bereitstellungseinheit zum Bereitstellen eines virtuellen tomographischen Schlaganfall-Nachfolgeuntersuchungsbildes Pending DE102018214325A1 (de)

Priority Applications (3)

Application Number Priority Date Filing Date Title
DE102018214325.0A DE102018214325A1 (de) 2018-08-24 2018-08-24 Verfahren und Bereitstellungseinheit zum Bereitstellen eines virtuellen tomographischen Schlaganfall-Nachfolgeuntersuchungsbildes
US16/540,436 US11043295B2 (en) 2018-08-24 2019-08-14 Method and providing unit for providing a virtual tomographic stroke follow-up examination image
CN201910777610.5A CN110858399B (zh) 2018-08-24 2019-08-22 用于提供虚拟断层扫描中风后续检查图像的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE102018214325.0A DE102018214325A1 (de) 2018-08-24 2018-08-24 Verfahren und Bereitstellungseinheit zum Bereitstellen eines virtuellen tomographischen Schlaganfall-Nachfolgeuntersuchungsbildes

Publications (1)

Publication Number Publication Date
DE102018214325A1 true DE102018214325A1 (de) 2020-02-27

Family

ID=69412685

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102018214325.0A Pending DE102018214325A1 (de) 2018-08-24 2018-08-24 Verfahren und Bereitstellungseinheit zum Bereitstellen eines virtuellen tomographischen Schlaganfall-Nachfolgeuntersuchungsbildes

Country Status (3)

Country Link
US (1) US11043295B2 (de)
CN (1) CN110858399B (de)
DE (1) DE102018214325A1 (de)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111968441A (zh) * 2020-08-25 2020-11-20 福州大学 一种虚拟颅脑辅助认知系统及方法

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11037030B1 (en) * 2018-10-29 2021-06-15 Hrl Laboratories, Llc System and method for direct learning from raw tomographic data
CN112686866A (zh) * 2020-12-31 2021-04-20 安徽科大讯飞医疗信息技术有限公司 基于医学影像的随访方法、装置及计算机可读存储介质
CN113034438B (zh) * 2021-03-01 2021-11-23 北京安德医智科技有限公司 一种ct灌注参数预测方法及装置、电子设备和存储介质
US11636596B1 (en) * 2022-04-28 2023-04-25 Qure.Ai Technologies Private Limited Monitoring brain CT scan image
US11501437B1 (en) * 2022-04-28 2022-11-15 Qure.Ai Technologies Private Limited Monitoring brain CT scan image

Family Cites Families (44)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009540998A (ja) * 2006-06-29 2009-11-26 サントル ナショナル ドゥ ラ ルシェルシュ スィヤンティフィック（セーエヌエルエス） 脳梗塞の進展ポテンシャルを推定する方法
JP4545185B2 (ja) * 2007-11-21 2010-09-15 ザイオソフト株式会社 画像処理装置、画像処理装置の制御方法、および画像処理装置の制御プログラム
DE102008032007A1 (de) * 2008-07-07 2010-02-04 Siemens Aktiengesellschaft Verfahren und System zur Simulation eines MR-Bildes
JP2012513812A (ja) * 2008-12-24 2012-06-21 コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ Ｍｒ卒中検出および処置による心臓介入のシステム、方法および装置
JP5686533B2 (ja) * 2009-07-10 2015-03-18 株式会社東芝 磁気共鳴イメージング装置、画像処理装置および画像処理方法
DE102011003606A1 (de) * 2011-02-03 2012-08-09 Siemens Aktiengesellschaft Verfahren zum Entfernen unerwünschter perfusionsbedingter Signale aus MR-Bildern, Magnetresonanzanlage, Computerprogrammprodukt und elektronisch lesbarer Datenträger
DE102011006398A1 (de) * 2011-03-30 2012-10-04 Siemens Aktiengesellschaft Verfahren, Bildverarbeitungseinrichtung und Computertomographiesystem zur Ermittlung eines Anteils von nekrotischem Gewebe sowie Computerprogrammprodukt mit Programmcodeabschnitten zur Ermittlung eines Anteils von nekrotischem Gewebe
US8855743B2 (en) * 2012-05-11 2014-10-07 Kabushiki Kaisha Toshiba Non-contrast magnetic resonance perfusion imaging
JP6222811B2 (ja) * 2012-06-05 2017-11-01 東芝メディカルシステムズ株式会社 超音波診断装置及び画像処理装置
JP6162490B2 (ja) * 2012-06-07 2017-07-12 東芝メディカルシステムズ株式会社 画像処理装置及びｘ線診断装置
US9931038B2 (en) * 2012-06-28 2018-04-03 Siemens Heathcare Gmbh Image-assisted diagnostic evaluation
CN105072991B (zh) * 2013-04-04 2019-12-17 东芝医疗系统株式会社 磁共振成像装置
JP5927591B2 (ja) * 2013-08-07 2016-06-01 パナソニックＩｐマネジメント株式会社 症例表示装置、症例表示方法およびプログラム
DE102014205789A1 (de) * 2014-03-27 2015-10-01 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Magnetresonanzsystem
US10206587B2 (en) * 2014-05-16 2019-02-19 Toshiba Medical Systems Corporation Image processing apparatus, image processing method, and storage medium
DE102014009439B4 (de) * 2014-06-25 2018-05-30 Drägerwerk AG & Co. KGaA Vorrichtung und Verfahren zur Verarbeitung von tomografischen Daten
WO2016001825A1 (en) * 2014-06-30 2016-01-07 Universität Bern Method for segmenting and predicting tissue regions in patients with acute cerebral ischemia
EP2988270A1 (de) * 2014-08-22 2016-02-24 Siemens Aktiengesellschaft Verfahren zur Volumenauswertung des Penumbra-Mismatch bei akutem ischämischem Schlaganfall und System dafür
WO2016096729A1 (en) * 2014-12-17 2016-06-23 Koninklijke Philips N.V. Perfusion imaging
US9892361B2 (en) * 2015-01-21 2018-02-13 Siemens Healthcare Gmbh Method and system for cross-domain synthesis of medical images using contextual deep network
US10032250B2 (en) * 2015-01-30 2018-07-24 Koninklijke Philips N.V. Automated scan planning for follow-up magnetic resonance imaging
JP6656807B2 (ja) * 2015-02-10 2020-03-04 キヤノンメディカルシステムズ株式会社 Ｘ線診断装置
JP2016202721A (ja) * 2015-04-27 2016-12-08 コニカミノルタ株式会社 医用画像表示装置及びプログラム
EP3107066B1 (de) * 2015-06-16 2020-11-11 Medizinische Hochschule Hannover Verfahren zur quantitativen magnetischen resonanzabbildung der lunge
DE102015218819A1 (de) * 2015-09-30 2017-03-30 Siemens Healthcare Gmbh Verfahren und System zur Bestimmung einer Atemphase
CN106560827B (zh) * 2015-09-30 2021-11-26 松下知识产权经营株式会社 控制方法
WO2017080847A1 (en) * 2015-11-10 2017-05-18 Koninklijke Philips N.V. Method for automatic optimization of quantitative map generation in functional medical imaging
JP6687383B2 (ja) * 2015-12-21 2020-04-22 キヤノンメディカルシステムズ株式会社 磁気共鳴イメージング装置
DE102015226400A1 (de) * 2015-12-22 2017-06-22 Siemens Healthcare Gmbh Automatisierte Ermittlung von Konturen auf Basis einer iterativen Rekonstruktion
CN105590324A (zh) * 2016-02-03 2016-05-18 上海联影医疗科技有限公司 医学图像的分割方法及其装置
WO2017146886A1 (en) * 2016-02-23 2017-08-31 Mayo Foundation For Medical Education And Research Ultrasound blood flow imaging
GB2547727B (en) * 2016-02-29 2022-05-04 Gold Standard Phantoms Ltd Perfusion phantom
US9767557B1 (en) * 2016-06-23 2017-09-19 Siemens Healthcare Gmbh Method and system for vascular disease detection using recurrent neural networks
US10729409B2 (en) * 2016-07-26 2020-08-04 Canon Medical Systems Corporation Medical image processing apparatus and medical image processing method
DE102016219709B3 (de) * 2016-10-11 2018-03-01 Siemens Healthcare Gmbh Verfahren zur Ermittlung eines Perfusionsdatensatzes, sowie Röntgenvorrichtung, Computerprogramm und elektronisch lesbarer Datenträger
GB2557915B (en) * 2016-12-16 2020-06-10 Calderon Agudo Oscar Method of and apparatus for non invasive medical imaging using waveform inversion
KR101754291B1 (ko) * 2017-04-04 2017-07-06 이현섭 개인 맞춤형 뇌질병 진단 및 상태 판정을 위한 의료 영상 처리 시스템 및 방법
CN107103187B (zh) * 2017-04-10 2020-12-29 四川省肿瘤医院 基于深度学习的肺结节检测分级与管理的方法及系统
US11403778B2 (en) * 2017-05-11 2022-08-02 Koninklijke Philips N.V. Fetal development monitoring
CN108022238B (zh) * 2017-08-09 2020-07-03 深圳科亚医疗科技有限公司 对3d图像中对象进行检测的方法、计算机存储介质和系统
CN107665736B (zh) * 2017-09-30 2021-05-25 百度在线网络技术（北京）有限公司 用于生成信息的方法和装置
CN110121293B (zh) * 2017-11-24 2023-07-04 佳能医疗系统株式会社 医用数据处理装置、成像装置及学习完毕模型生成方法
JP7246903B2 (ja) * 2017-12-20 2023-03-28 キヤノンメディカルシステムズ株式会社 医用信号処理装置
WO2019156140A1 (ja) * 2018-02-08 2019-08-15 興和株式会社 画像処理装置、画像処理方法及び画像処理プログラム

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
NIELSEN, Anne, [et al.]: Prediction of tissue outcome and assessment of treatment effect in acute ischemic stroke using deep learning. In: Stroke, Vol. 49, 01.06.2018, No. 6, S. 1394-1401. *
WU, Ona, [et al.]: Characterizing physiological heterogeneity of infarction risk in acute human ischaemic stroke using MRI. In: Brain, Vol. 129, 2006, No. 9, S. 2384-2393. *
YU, Yannan [et al]: Prediction of Hemorrhagic Transformation Severity in Acute Stroke From Source Perfusion MRI. In: IEEE transactions on bio-medical engineering, Vol. 65, 2018, No. 9, S. 2058-2065. (Date of publication: 20.12.2017) *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111968441A (zh) * 2020-08-25 2020-11-20 福州大学 一种虚拟颅脑辅助认知系统及方法

Also Published As

Publication number Publication date
CN110858399B (zh) 2023-11-17
US20200066393A1 (en) 2020-02-27
US11043295B2 (en) 2021-06-22
CN110858399A (zh) 2020-03-03

Similar Documents

Publication Publication Date Title
DE102018214325A1 (de) Verfahren und Bereitstellungseinheit zum Bereitstellen eines virtuellen tomographischen Schlaganfall-Nachfolgeuntersuchungsbildes
EP3185215A1 (de) Automatisierte ermittlung von konturen auf basis einer iterativen rekonstruktion
DE102015212953A1 (de) Künstliche neuronale Netze zur Klassifizierung von medizinischen Bilddatensätzen
DE102004057026A1 (de) Erfassung zeitlicher Bildveränderungen und Darstellungsverfahren und -vorrichtung
DE112009001676T5 (de) Diagnosesystem für Gehirnerkrankungen
DE102011078278A1 (de) Verfahren zur Bilderzeugung und Bildauswertung
DE102010017432A1 (de) Vorrichtung und Verfahren zum Isolieren eines Gebietes in einem Bild
EP3437559A1 (de) Ermitteln eines funktionsparameters betreffend eine lokale gewebefunktion für mehrere gewebebereiche
DE102016219488A1 (de) Verfahren zum Bereitstellen einer Konfidenzinformation
DE102016219887A1 (de) Verfahren und System zur Nutzung von Messdaten
DE102015221877A1 (de) Bildbasierter Biomarker zur Charakterisierung der Struktur oder Funktion von menschlichemoder tierischem Hirngewebe und zugehörige Verwendungen und Verfahren
DE102017203248B3 (de) Verfahren zum Bestimmen einer Biopsieposition, Verfahren zum Optimieren eines Positionsbestimmungsalgorithmus, Positionsbestimmungseinheit, bildgebende medizinische Vorrichtung, Computerprogrammprodukte und computerlesbare Speichermedien
DE102013220018A1 (de) Berechnung eines Untersuchungsparameters
DE102017215829A1 (de) Verfahren und Datenverarbeitungseinheit zum Ermitteln von Klassifikationsdaten für eine Adaption eines Untersuchungsprotokolls
DE102006059383A1 (de) Verfahren und Bildbearbeitungssystem zur Erzeugung von Ergebnisbildern eines Untersuchungsobjekts
EP3404436B1 (de) Funktionelle magnetresonanz-bildgebung
DE102015210912A1 (de) Rekonstruktion eines Ergebnisbildes unter Berücksichtigung von Kontur-Signifikanz-Daten
DE102017203315A1 (de) Verfahren und Datenverarbeitungseinheit zur Auswahl eines Protokolls für eine medizinische Bildgebungsuntersuchung
DE102006012943A1 (de) Verfahren zur automatischen Auswertung eines Abbildungsdatensatzes eines Objektes und medizinisches Abbildungssystem
DE102015200850B4 (de) Verfahren zur Auswertung von medizinischen Bilddaten
DE102019216745A1 (de) Anonymisierung von medizinischen Bilddaten
DE102023203884A1 (de) Medizinbilddiagnosehilfsvorrichtung und Verfahren zum Erzeugen und Visualisieren von Hilfsinformationen auf der Basis von Verteilungen von Signalintensitäten in Medizinbildern
DE102013218047B3 (de) Verfahren zur automatischen Anzeige und/oder Messung von Knochenveränderungen in medizinischen Bilddaten, sowie medizinisches Bildgebungsgerät und elektronisch lesbarer Datenträger
DE102016212888A1 (de) Bestimmen einer Bildserie abhängig von einer Signaturmenge
DE102010028382A1 (de) Verfahren und Computersystem zur Bearbeitung tomographischer Bilddaten aus einer Röntgen-CT-Untersuchung eines Untersuchungsobjektes

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