-
Die Erfindung betrifft ein Verfahren und eine Vorrichtung zur Bildgebung in der Computertomographie, insbesondere ein Verfahren zur Kombination aus multispektraler Aufnahmetechnik, insbesondere Photon-Counting-Computertomographie, iterativer Datenrekonstruktion und simultaner Phantommessung mit Einbeziehung von a priori Wissen (z.B. einer anatomischen und Pathologie-basierten Atlasrekonstruktion), zur verbesserten Gewebecharakterisierung. Die Erfindung dient dabei der Bildgebung, was bedeutet, dass sie direkt im Rahmen der Bildrekonstruktion angewandt werden kann, der Verarbeitung von rekonstruierten Bildern dienen kann oder im Vorfeld der Rekonstruktion zusätzliche Daten neben oder zum Rohdatensatz erzeugen kann.
-
In der Bildgebung im Rahmen der Computertomographie (CT) kommt es in häufigen Fällen zu einer Überlagerung verschiedener pathologischer Prozesse, die natürliche Gewebegrenzen aufheben können. Beispielsweise kann durch eine Pathologie in der Darstellung des Neurocraniums die natürlichen Gewebegrenzen zwischen grauer und weißer Hirnsubstanz aufgehoben sein. Bei pathologischen Veränderungen, insbesondere im Gehirn, kommt es oftmals zu einer Verschiebung des Wasser- und Fettgehaltes im Gewebe, teilweise mit überlagernden Effekten.
-
Somit kann eine Pathologie bewirken, dass die anatomischen aber auch die pathologischen Strukturen mittels einer normalen Dichtemessung nicht separiert werden können. Verstärkend kommt zu diesem Effekt hinzu, dass häufig auch in einem gesunden Gewebe die Dichteunterschiede nur geringfügig über der Messvarianz eines konventionellen CT liegen können, z.B. im Gehirngewebe.
-
Die Verwendung einer spektralen CT-Aufnahmetechnik kann in gewissem Rahmen weiterführende Informationen liefern, wie z.B. eine Separierung von Kontrastmittel-Anreicherung zu Einblutung, kann aber oftmals nicht zur verbesserten Trennung der originären Bestandteilen des Gewebes (z.B. des Gehirns) wie Fett und Wasser sowie deren subtilen Gehaltsveränderungen in pathologischen Zuständen eingesetzt werden.
-
Diese methodische Problematik ist von hoher klinischer Relevanz, da zumindest ein Großteil der Pathologien des Gehirns mit einem, zum Teil subtil verändertem Verhältnis des Fett/Wasser-Gehaltes (z.B. bei einer Demyelinisierung, bei Plaques, Ödemen bei einer Inflammation oder einer lakunären Veränderung) und morphometrischen Veränderungen einhergehen und nicht mit z.B. pathologischem Kontrastmittelverhalten. Mit einer konventionellen CT-Bildgebung ist die Problematik somit derzeit nicht lösbar.
-
Verbesserungen des Kontrastverhaltens können derzeit durch Frequenzmischungen und selektive Anpassung erreicht werden. Hierbei geht jedoch sämtlich Quantifizierbarkeit der Bildgebung verloren und es handelt sich um eine unspezifische Anpassung des Bildeindruckes, die für den Benutzer nicht zwingend nachvollziehbar ist.
-
Mittels der sogenannten Dual-Energy / Spektral-CT können die unterschiedlichen Schwächungskoeffizienten der Materialien genutzt werden und zur Identifizierung verwendet werden (z.B. bei einer Einblutung versus Jodablagerung oder Verkalkung usw.). Die bisherigen Techniken (Single source Dual energy:
- Dual layer Detector, kV-Switching, Split-Filter und Dual spiral sowie Dual source Dual Energy) bedingen jedoch fixe Parameter, die vor der Bildgebung definiert werden müssen und somit die erreichbare spektrale Auflösung definieren. Dies ist für die Beantwortung des vorangehend geschilderten Problems unzureichend, da die Unterschiede von Fett und Wasser in der Schwächung nur gering ausgeprägt sind und ggf. eine Adaptierung der Parameter und damit im schlimmsten Falle eine erneute Untersuchung notwendig machen.
-
Lediglich für den Nachweis von ausgeprägten Wassereinlagerungen bei großflächigen Ischämien ist eine Kombination von AI basierten Segmentierungen und Dichteveränderungen klinisch zum Einsatz gekommen (sog. ASPECT-Score).
-
Mittels der Magnetresonanztomographie können weiterführende Messungen durchgeführt werden, jedoch mit erheblichen Einschränkungen (Kontraindikation für bestimmte Patienten, Länge der Meßzeit usw.). Die vorgenannte Problematik lässt sich aber nur unter Zuhilfenahme von hochspezialisierten Sequenztechniken (z.B. SWI) lösen, jedoch ebenfalls mit den besagten Einschränkungen.
-
Des Weiteren existieren morphometrische Untersuchungen. Bei diesen ist jedoch die Notwendigkeit der hochaufgelösten dreidimensionalen Daten mit einer massiven Zeitverlängerung der Untersuchung verknüpft, die im akuten klinischen Szenario oft nicht einsetzbar ist.
-
US 2018/0 249 983 A1 ist auf die spektrale Bildgebung gerichtet, wobei ein spezielles spektrales Bildgebungsphantom mit einer spektralen Röntgenvorrichtung abgetastet wird, um spektrale Bildgebungsdaten des spektralen Bildgebungsphantoms zu erhalten. Diese Abbildungsdaten des Spektralabbildungsphantoms werden als Eingabe verwendet, um verbesserte weitere Abbildungsdaten eines Subjekts zu erhalten, von denen eine Spektralabtastung nach oder gleichzeitig mit der Spektralabtastung des Spektralabbildungsphantoms durchgeführt wird.
-
Verbesserte weitere Bilddaten können erhalten werden, indem die spektralen Phantombilddaten als Eingabe für die Bilddatenkorrektur, zur Bereitstellung einer Empfehlung bzw. zur weiteren Datenverarbeitung verwendet werden.
-
WO 2017/223 560 A1 offenbart tomographische / tomosynthetische Bildrekonstruktionssysteme und -methoden im Rahmen des maschinellen Lernens wie z.B. Deep Learning. Ein Algorithmus für maschinelles Lernen kann verwendet werden, um ein verbessertes tomographisches Bild aus Rohdaten, verarbeiteten Daten oder einem vorläufig rekonstruierten Zwischenbild für die biomedizinische Bildgebung oder einen anderen Bildgebungszweck zu erhalten. In bestimmten Fällen kann ein einzelner herkömmlicher Algorithmus ohne Deep Learning für Bild-Rohdaten verwendet werden, um ein Anfangsbild zu erhalten, und dann kann ein Algorithmus für Deep Learning für das Anfangsbild verwendet werden, um ein endgültiges rekonstruiertes Bild zu erhalten. Alle Methoden und Systeme des maschinellen Lernens zur tomografischen Bildrekonstruktion sind geeignet, mit Ausnahme der Verwendung eines einzelnen flachen Netzwerks (drei Schichten oder weniger) für die Bildrekonstruktion.
-
Es ist Aufgabe der vorliegenden Erfindung, ein Verfahren und eine Vorrichtung zur Bildgebung in der Computertomographie zur Verfügung zu stellen, insbesondere ein Verfahren und eine Vorrichtung zur Steuerung eines Computertomographie-Systems oder eines Befundungs-Systems mit denen die Nachteile des Standes der Technik überwunden werden und eine verbesserte Bildgebung im Hinblick auf eine verbesserte Möglichkeit einer Gewebecharakterisierung erreicht wird. Insbesondere ist eine Aufgabe der Erfindung (im Grunde alle) Gewebestrukturen mit geringe Dichteunterschieden zu trennen, bevorzugt Gewebestrukturen im Hirngewebe.
-
Die Aufgabe wird gelöst durch die Merkmale der unabhängigen Patentansprüche. Weitere vorteilhafte und teils für sich erfinderische Ausführungsformen und Weiterbildungen der Erfindung sind in den Unteransprüchen und der nachfolgenden Beschreibung dargelegt.
-
Nachstehend wird die erfindungsgemäße Lösung der Aufgabe sowohl in Bezug auf das beanspruchte Verfahren als auch in Bezug auf die weiteren beanspruchten Gegenstände der Erfindung beschrieben, nämlich die Vorrichtung, die Steuereinrichtung, das Befundungs-System, das Computertomographiesystem, das Computerprogrammprodukt und das computerlesbare Medium. Hierbei erwähnte Merkmale, Vorteile oder alternative Ausführungsformen sind ebenso auch auf die anderen beanspruchten Gegenstände zu übertragen und umgekehrt. Mit anderen Worten können die gegenständlichen Ansprüche (die beispielsweise auf eine Vorrichtung gerichtet sind) auch mit den Merkmalen, die in Zusammenhang mit einem Verfahren beschrieben oder beansprucht sind, weitergebildet sein. Die entsprechenden funktionalen Merkmale des Verfahrens werden dabei durch entsprechende gegenständliche Module ausgebildet.
-
Das erfindungsgemäße Verfahren betrifft eine Verbesserung der CT-Bildgebung und dient der besseren Unterscheidbarkeit von unterschiedlichen Gewebearten eines Objekts. Dieses Objekt kann ein unbelebtes Element sein, ist aber bevorzugt ein Teil eines Patienten (menschlich oder tierisch). Das untersuchte Objekt kann als ein bestimmter Bereich aufgefasst werden, z.B. eine Region oder ein Organ in einem Körper, der oftmals auch als Region of Interest (ROI) bezeichnet wird. Bezüglich der zu unterscheidenden Gewebetypen (oder „Gewebearten“, z.B. graue und weiße Hirnsubstanz) sind die Gewebemerkmale von Interesse zu verstehen (auch als „Kompartimente“ bezeichnet, z.B. die Konsistenz der weißen oder grauen Substanz oder der Leberkonsistenz). Oftmals sind dies Wasser- und Fettgehalt. In manchen Fällen können Region of Interest und Gewebemerkmal (Kompartiment) identisch sein, z.B. im Hirnventrikelsystem.
-
Ein erfindungsgemäßes Verfahren zur Bildgebung in der Computertomographie bzw. zur Steuerung eines Computertomographie-Systems oder eines Befundungs-Systems umfasst die folgenden Schritte:
- - Bereitstellung eines CT-Datensatzes eines Objekts, wobei der CT-Datensatz mittels eines Mehrspektral-Aufnahmeverfahrens aufgenommen worden ist, z.B. mittels eins dualen- oder multispektralen Aufnahmeverfahrens, insbesondere Dual Source Dual Energy Verfahren oder Multi/Dual Source Multi Energy Verfahren, besonders bevorzugt mittels eins Photon-Counting-Verfahrens. Der Computertomographie-Datensatz umfasst dabei Rohdaten oder (rekonstuierte) Bilddaten eines zu untersuchenden Objekts. Möglichkeiten für ein Mehrspektral-Aufnahmeverfahren sind dem Fachmann bekannt. Es sollte jedoch darauf geachtet werden, dass die Auflösung sowohl spektral als auch räumlich sowie die Dosiseffizienz ausreichend ist.
- - Bereitstellung eines Referenz-CT-Datensatzes, wobei der Referenz-CT-Datensatz, der im Folgenden auch der besseren Lesbarkeit halber als „Referenzdatensatz“ bezeichnet wird, mittels des vorgenannten Mehrspektral-Aufnahmeverfahrens aufgenommen worden ist. Der Referenzdatensatz umfasst somit Daten, die direkt mit dem CT-Datensatz vergleichbar sind, da jeweils das gleiche (insbesondere dasselbe) Aufnahmeverfahren angewandt wurde.
-
Der Referenz-CT-Datensatz kann Daten zu den zu erwartenden Gewebetypen umfassen, insbesondere z.B. auch den durch die Pathologien veränderten Gewebetypen. Bevorzugt kann der Referenz-CT-Datensatz CT-Daten eines Phantoms umfassen, insbesondere eines normierten Phantoms, insbesondere ein Phantom mit definierten Bereichen, die den bestimmungsgemäß in dem Objekt zu messenden Gewebetypen zugeordnet werden können, z.B. den Gewebetypen von unterschiedlichen Gehirnkompartimenten (z.B. graue und weiße Hirnsubstanz).
-
Der Referenzdatensatz kann auch Daten oder Datensätze, z.B. Bilddaten, von anderen Referenz-Objekten, insbesondere von Referenzpatienten umfassen. Der Referenzdatensatz kann z.B. Daten oder Datensätze, z.B. Bilddaten, eines zu untersuchenden Patienten umfassen, wobei der Referenzdatensatz bei einer früheren Untersuchung des selben Patienten gewonnen wurde.
-
Der Referenzdatensatz kann z.B. Daten oder Datensätze, z.B. Bilddaten, von einem anderen Patienten bzw. Individuum als dem zu untersuchenden Patienten aufweisen. Insbesondere kann der Referenzdatensatz zusätzliche Informationen enthalten, wobei der Referenzdatensatz insgesamt oder einzelne Merkmale oder Datenuntermengen des Referenzdatensatzes eines bestimmten klinischen Merkmals, z.B. einer Diagnose, einem Gewebetyp, einer anatomischen Struktur o.ä. zugeordnet ist bzw. sind. Diese Zuordnung kann durch eine entsprechende automatisierte oder manuelle Annotation des Referenzdatensatzes erfolgen.
-
Insbesondere kann so z.B. der Referenzdatensatz in Abhängigkeit von einer (medizinischen) Fragestellung und der zu erwartenden Pathologie ausgewählt werden.
-
Alternativ oder ergänzend kann das Verfahren jedoch auch mit anderen Referenz-CT-Datensätzen durchgeführt werden, die nicht auf einem Phantom oder einer Untersuchung eines Patienten basieren, z.B. kann der Referenz-CT-Datensatz scannerspezifische Eichkurven umfassen.
-
Die Bereitstellung eines Datensatzes kann mittels eines (Radiologieinformationssystems (RIS) erfolgen, wobei der Datensatz direkt aufgenommen worden sein kann oder aus einem PACS (Picture Archiving and Communication System = Bildarchivierungs- und Kommunikationssystem) abgerufen werden kann.
- - Verarbeitung des CT-Datensatzes mittels einer iterativen Datenrekonstruktion, wobei eine Identifizierung von Gewebetypen im CT-Datensatz auf Basis des Referenz-CT-Datensatzes durchgeführt wird. Es kann bei der iterativen Datenverarbeitung eine bekannte Referenz, die einem Referenz-CT-Datensatz zugrunde liegt, rekonstruiert werden, bis die Referenz zufriedenstellend dargestellt wird, und dann die entsprechenden Rekonstruktionsschritte auf den CT-Datensatz angewandt werden. Die Identifizierung umfasst sowohl eine Erkennung von (z.B. durch den Referenzdatensatz bekannten) Gewebetypen als auch eine Erkennung von Unterschieden zu bekannten Gewebetypen, z.B. wenn aufgrund einer Pathologie ein Bereich verändert wurde.
-
Eine iterative Datenverarbeitung (bzw. Datenrekonstruktion) verwendet iterative Algorithmen zum Rekonstruieren von 2D- und 3D-Bildern. In der Computertomographie muss in der Regel ein Bild aus Projektionen eines Objekts rekonstruiert werden. Iterative Rekonstruktionstechniken stellen dabei eine bessere, aber rechenintensivere Alternative zur üblichen Filtered-Back-Projection Methoden (FBP) dar, mit denen das Bild in einem einzigen Rekonstruktionsschritt direkt berechnet wird. Es gibt jedoch Möglichkeiten, für die iterative Rekonstruktion extrem schnelle Berechnungen und massive Parallelität zu erreichen, was die iterative Rekonstruktion für die Kommerzialisierung praktisch nutzbar macht. Die Rekonstruktion eines Bildes aus den erfassten Daten ist ein inverses Problem. Oftmals ist es nicht möglich, das inverse Problem direkt auf exakte Weise zu lösen. In diesem Fall müsste ein direkter Algorithmus die Lösung approximieren, was zu sichtbaren Rekonstruktionsartefakten im Bild führen kann. Iterative Algorithmen nähern sich der richtigen Lösung mit mehreren Iterationsschritten an, wodurch eine bessere Rekonstruktion auf Kosten einer höheren Rechenzeit erzielt werden kann.
-
Es gibt eine Vielzahl von Algorithmen, die jedoch jeweils mit einem angenommenen Bild („Grundbild“) beginnen, Projektionen aus dem Grundbild berechnen, die ursprünglichen Projektionsdaten vergleichen und das Grundbild basierend auf der Differenz zwischen der berechneten und der tatsächlichen Projektion aktualisieren. Bevorzugte Algorithmen sind Algorithmen zur algebraischen Rekonstruktion, zur iterativen Sparse Asymptotic Minimum Variance (SAMV), zur statistischen Rekonstruktion und zur erlernten Iterativen Rekonstruktion. Die algebraische Rekonstruktionstechnik (ART) war die erste iterative Rekonstruktionstechnik, die von Hounsfield für die Computertomographie verwendet wurde. Ein iterative Sparse Asymptotic Minimum Varianz-Algorithmus ist eine iterative, parameterfreie, hochauflösende tomographische Rekonstruktionsmethode, welche durch komprimierte Abtastung (compressed sensing) inspiriert ist. Bei der erlernten iterativen Rekonstruktion wird der Aktualisierungsalgorithmus aus Trainingsdaten unter Verwendung von Techniken des maschinellen Lernens wie etwa neuronalen Faltungsnetzwerken erlernt, während das Bilderzeugungsmodell (image formation model) weiterhin einbezogen wird. Dies führt in der Regel zu schnelleren und qualitativ hochwertigeren Rekonstruktionen.
-
Es wird darauf hingewiesen, dass im Rahmen der iterativen Datenverarbeitung der Referenzdatensatz nicht das Grundbild für die iterative Verarbeitung des CT-Datensatzes darstellt. Es ist vielmehr so, dass beide Datensätze voneinander unabhängige Grundbilder darstellen, der Referenzdatensatz zu einem vorbekannten Ergebnis (bekannte Gewebetypen) hin mittels der iterativen Datenverarbeitung verarbeitet wird und parallel dazu oder bei Erreichen dieses Ergebnisses der CT-Datensatz entsprechend verarbeitet wird. Das Verfahren kann bereits grundsätzlich so funktionieren, dass die iterative Datenrekonstruktion ausschließlich mit dem Referenzdatensatz durchgeführt wird, dadurch eine optimale Vorgehensweise ermittelt wird und basierend darauf eine Verarbeitung des CT-Datensatzes mit der optimalen Vorgehensweise erfolgt. Mit der Verwendung einer optimalen Vorgehensweise, die die besten Ergebnisse für den Referenzdatensatz lieferte, wird automatisch eine (ebenfalls optimale) Identifizierung von Gewebetypen im CT-Datensatz bewirkt.
-
Durch die iterative Datenverarbeitung wird eine optimale Selektion der besten Datenpunkte erreicht, die aus der multispektralen Bildgebung gewonnen wurden und eine optimierte Darstellung eines selektierten Kompartimentes (ein Bereich mit gleichem Gewebetyp, z.B. graue Substanz) ermöglicht. Dies erfolgt durch eine Optimierung des aufgrund a priori Wissen in den Referenz-CT-Daten zu dem zu erwartenden Signalverhaltens des Objekts.
-
Der Referenz-CT-Datensatz wird in verschachtelter Weise iterativ verarbeitet, wobei bevorzugt jeweils die Unterscheidbarkeit der Referenzen zu den einzelnen Gewebetypen überprüft wird und dieser Unterscheidbarkeit ein quantitativer Unterscheidungswert zugeordnet wird. Dieser Unterscheidungswert wird dann maximiert, um eine optimale Unterscheidbarkeit zu erreichen. Parallel dazu werden dieselben Parameter zur Datenverarbeitung auf den CT-Datensatz angewendet und insbesondere den Ergebnissen dazu ein weiterer Unterscheidungswert zugeordnet (z.B. durch manuelle Markierung von repräsentativen Gewebebereichen).
-
Die iterative Herangehensweise bildet einen vorteilhaften Algorithmus zur optimalen Selektion der besten Datenpunkte, die aus der multispektralen Bildgebung gewonnen wurden und eine optimierte Darstellung eines selektierten Kompartimentes (z.B. graue Substanz) ermöglicht. Dies erfolgt durch eine Optimierung des aufgrund a priori Wissens (der Referenz) zu erwartenden, des als Referenz-CT-Datensatz (z.B. im Phantom) gemessenen und im Patienten gemessenen Signalverhaltens. Das a priori Wissen erhöht die Genauigkeit der Rekonstruktion und damit die Sicherheit der Ergebnisse.
-
Wie im Folgenden noch genauer ausgeführt wird, wird bevorzugt für das Verfahren ein multispektrales Photon-Counting-Aufnahmeverfahren mit einer iterativen Datenrekonstruktion und insbesondere einer simultanen Phantommessung kombiniert. Mit dieser besonderen Kombination ist eine erweiterte Analyse von einigen Pathologien möglich, insbesondere eine optimale Trennung von weißer und grauer Hirnsubstanz.
-
Bei der Photon-Counting-Computertomographie (Photon-Counting-CT) werden einzelne Photonen gezählt, die auf einen Pixeldetektor treffen. Ein Photon-Counting-CT-System verwendet einen Photon-Counting-Detektor (PCD), dessen Detektorpixel einzelne Photonen registrieren und zählen können. Zusätzlich können Photonen innerhalb voreinstellbarer Energieschwellen („energy bins“) gezählt werden. Damit nehmen die einzelnen Detektorpixel ein Energiespektrum auf, was letztendlich eine spektrale bzw. energieaufgelöste Bildaufnahme ergibt. Im Gegensatz dazu basieren herkömmliche CT-Scanner auf einer energieintegrierenden Aufnahmetechnik, bei der die Gesamtenergie (im Allgemeinen von einer großen Anzahl von Photonen sowie von elektronischem Rauschen), die in einem Pixel während einer festgelegten Zeitspanne integriert gemessen wird. Somit messen herkömmliche CT-Scanner nur die Photonenintensität, vergleichbar mit einer Schwarzweißfotografie, wohingegen bei der Photon-Counting-CT auch spektrale Informationen registriert werden, ähnlich wie bei der Farbfotografie. Ein besonderer Vorteil der Photon Counting-CT ist ein sehr geringer Rauschanteil.
-
Als optionaler letzter Schritt ist bevorzugt eine Anzeige der Daten auf einer Anzeigevorrichtung, z.B. einem Bildschirm vorgesehen. Dabei sind bevorzugt unterschiedliche Kompartimente, also Bereiche, in denen bei der Verarbeitung unterschiedliche Gewebetypen erkannt worden sind, unterschiedlich dargestellt werden, z.B. mit unterschiedlichen Farben oder einer unterschiedlichen Textur.
-
Die erfindungsgemäße Vorrichtung zur Bildgebung in der Computertomographie bzw. zur Steuerung eines CT-Systems oder eines Befundungs-Systems, die besonders bevorzugt zur Durchführung eines erfindungsgemäßen Verfahrens ausgestaltet ist, umfasst die folgenden Komponenten:
- - Eine Datenschnittstelle ausgelegt zum Empfang eines CT-Datensatzes eines Objekts, wobei der CT-Datensatz mittels eines Mehrspektral-Aufnahmeverfahrens aufgenommen worden ist.
- - Eine Datenschnittstelle ausgelegt zum Empfang eines Referenz-CT-Datensatzes eines Objekts, wobei der Referenz-CT-Datensatz mittels des vorgenannten Mehrspektral-Aufnahmeverfahrens aufgenommen worden ist. Dies kann die gleiche Datenschnittstelle sein wie vorgenannt.
- - Eine Verarbeitungseinheit ausgelegt zur Verarbeitung des CT-Datensatzes zusammen mit dem Referenz-CT-Datensatz mittels einer iterativen Datenrekonstruktion, wobei eine Identifizierung von Gewebetypen im CT-Datensatz auf Basis des Referenz-CT-Datensatzes durchgeführt wird.
-
Es wird darauf hingewiesen, dass die Erfindung nicht primär zur Darstellung von Informationen dient, sondern in erster Linie zur Verarbeitung von CT-Datensätzen. Diese Verarbeitung ist nicht trivial und kann nicht einfach mittels Berechnungen durch einen Menschen durchgeführt werden, so wie in der Regel bei allen iterativen Datenverarbeitungsverfahren im Rahmen der Bildverarbeitung.
-
Eine erfindungsgemäße Steuereinrichtung zur Steuerung eines Computertomographie-Systems oder eines Befundungs-Systems ist für die Durchführung eines erfindungsgemäßen Verfahrens ausgelegt und/oder umfasst eine erfindungsgemäße Vorrichtung.
-
Die erfindungsgemäße Vorrichtung zur Bildgebung in der Computertomographie kann aber auch separat als Vorrichtung zur Steuerung eines CT-Systems ausgebildet sein. Alternativ oder ergänzend kann die erfindungsgemäße Vorrichtung zur Bildgebung in der Computertomographie als Vorrichtung zur Steuerung eines Befundungs-Systems ausgebildet sein.
-
Die erfindungsgemäße Vorrichtung kann außerdem mit einem CT-Gerät verbunden sein, z.B. insbesondere über ein Netzwerk.
-
Die Vorrichtung kann auch in einer alternativen Ausführung als Teil eines CT-Geräts ausgebildet sein. Insbesondere können auch einzelne Module oder Komponenten der Vorrichtung in einem Netzwerk angeordnet bzw. über ein Netzwerk funktional verbunden sein.
-
Bei einem Netzwerk kann es sich um ein lokales Netzwerk (ein englischer Fachbegriff ist „Local Area Network“, kurz „LAN“) oder um ein großräumiges Netzwerk (ein englischer Fachbegriff ist „Wide Area Network“, kurz „WAN“) handeln. Ein Beispiel für ein lokales Netzwerk ist ein Intranet, ein Beispiel für ein großräumiges Netzwerk ist das Internet. Das Netzwerk kann insbesondere auch drahtlos ausgeführt sein, insbesondere als WLAN (für „wireless LAN“, im Englischen ist die Abkürzung „WiFi“ gebräuchlich) oder als Bluetooth-Verbindung. Das Netzwerk kann auch als Kombination der genannten Beispiele ausgeführt sein.
-
Ein erfindungsgemäßes Computertomographie-System ist zur Aufnahme eines CT-Datensatzes mittels eines Mehrspektral-Aufnahmeverfahrens ausgelegt, wobei ein Photone-Counting-Computertomographie-System bevorzugt ist, und umfasst eine erfindungsgemäße Steuereinrichtung.
-
Ein erfindungsgemäßes Befundungs-System umfasst eine erfindungsgemäße Steuereinrichtung. Das vorangehend beschriebene Verfahren ist bei einem Einsatz in einem entsprechenden Befundungs-System besonders vorteilhaft. Daher kann das Befundungs-System alternativ zur Durchführung eines erfindungsgemäßen Verfahrens ausgestaltet sein. Das Befundungs-System kann ein eigenständiges System sein, das z.B. auf ein PACS zugreifen kann oder es kann direkt in einem CT-System (z.B. einem CT-Scanner) integriert sein. Bevorzugt ist auch, dass eine interaktive Datenkommunikation zwischen CT-System und Befundungs-System besteht, insbesondere um rechenintensive Schritte der Rohdatenaufbereitung (z.B. ein flexibles Binning) optimal realisieren zu können.
-
Ein Befundungs-System ist ein System bzw. eine Anordnung, welches bzw. welche die Analyse und/oder Verarbeitung von Daten ermöglicht, welche mit einem CT-System erfasst bzw. aufgezeichnet wurden (sogenannte CT-Daten). Die Analyse und/oder Verarbeitung von CT-Daten bzw. CT-Datensätzen kann insbesondere die Rekonstruktion von Bilddaten aus Rohdaten, die Nachverarbeitung von Bilddaten oder Rohdaten, die Analyse von Bilddaten oder Rohdaten, die Segmentierung von Strukturen in Bilddaten, die Identifizierung oder Quantifizierung von anatomischen Strukturen, insbesondere von pathologisch veränderten anatomischen Strukturen in Bilddaten, und ähnliche Schritte der Bild- und Datenverarbeitung umfassen.
-
Ein Großteil der zuvor genannten Komponenten der Vorrichtung bzw. der Steuereinrichtung, können ganz oder teilweise in Form von Softwaremodulen in einem Prozessor einer entsprechenden Vorrichtung bzw. Steuereinrichtung realisiert werden. Eine weitgehend softwaremäßige Realisierung hat den Vorteil, dass auch schon bisher verwendete Steuereinrichtungen auf einfache Weise durch ein Software-Update nachgerüstet werden können, um auf die erfindungsgemäße Weise zu arbeiten. Insofern wird die Aufgabe auch durch ein entsprechendes Computerprogrammprodukt mit einem Computerprogramm gelöst, welches direkt in ein Rechensystem (zur Erstellung einer Vorrichtung) bzw. eine Speichereinrichtung einer Steuereinrichtung eines Befundungs- oder Computertomographie-Systems ladbar ist, mit Programmabschnitten, um alle Schritte des erfindungsgemäßen Verfahrens auszuführen, wenn das Programm in dem Rechensystem bzw. der Steuereinrichtung ausgeführt wird. Ein solches Computerprogrammprodukt kann neben dem Computerprogramm gegebenenfalls zusätzliche Bestandteile wie z. B. eine Dokumentation und/oder zusätzliche Komponenten auch Hardware-Komponenten, wie z.B. Hardware-Schlüssel (Dongles etc.) zur Nutzung der Software, umfassen.
-
Zum Transport zum Rechensystem bzw. zur Steuereinrichtung und/oder zur Speicherung an oder in dem Rechensystem bzw. der Steuereinrichtung kann ein computerlesbares Medium, z.B. ein Memorystick, eine Festplatte oder ein sonstiger transportabler oder fest eingebauter Datenträger dienen, auf welchem die von einem Rechensystem bzw. einer Rechnereinheit der Steuereinrichtung einlesbaren und ausführbaren Programmabschnitte des Computerprogramms gespeichert sind. Die Rechnereinheit kann z.B. hierzu einen oder mehrere zusammenarbeitende Mikroprozessoren oder dergleichen aufweisen.
-
Weitere, besonders vorteilhafte Ausgestaltungen und Weiterbildungen der Erfindung ergeben sich aus den abhängigen Ansprüchen sowie der nachfolgenden Beschreibung, wobei die Ansprüche einer Anspruchskategorie auch analog zu den Ansprüchen und Beschreibungsteilen zu einer anderen Anspruchskategorie weitergebildet sein können und insbesondere auch einzelne Merkmale verschiedener Ausführungsbeispiele bzw. Varianten zu neuen Ausführungsbeispielen bzw. Varianten kombiniert werden können.
-
Gemäß einem bevorzugten Verfahren umfasst die Bereitstellung des CT-Datensatzes des Objekts eine Aufnahme im Rahmen eines Mehrspektral-Aufnahmeverfahrens, wobei zur Aufnahme des bereitgestellten CT-Datensatzes ein multispektral auflösender Detektor, bevorzugt ein Photon-Counting-Detektor, verwendet wird.
-
Bevorzugt wird ein Detektor verwendet, der ein flexibles Binning erlaubt. Durch das flexible Binning kann eine Optimierung der spektralen Daten bzw. eine Reduktion der Messungenauigkeit erreicht werden. Flexibles Binning ist dem Fachmann bekannt. Unter Binning versteht man eine Klassenbildung von Messwerten bei der Datennahme oder Datenverarbeitung. Dabei werden die Zielmengen der Messwerte der Größe nach aufsteigend in Intervalle eingeteilt, in sogenannte Bins (engl. für Behälter). Die Messwerte werden dann durch denjenigen Repräsentanten des Intervalls ersetzt, in dem sich die Messwerte befinden. Bei einem flexiblen Binning lassen sich die Binbreiten, also die Größe der Intervalle (ggf. individuell) ändern.
-
Gemäß einem bevorzugten Verfahren ist der Referenz-CT-Datensatz der CT-Datensatz eines Phantoms, welches Proben umfasst, die den am Objekt zu untersuchenden Geweben entsprechen, also die unterschiedlichen Gewebetypen, die in den Kompartimenten vorliegen. Dabei umfasst die Bereitstellung des Referenz-CT-Datensatzes eine Aufnahme des Phantoms im Rahmen des Mehrspektral-Aufnahmeverfahrens, wobei die Aufnahme des Phantoms bevorzugt simultan (also zeitlich parallel) zur Aufnahme des Objekts erfolgt.
-
Das Phantom ist bevorzugt am Gerät fixiert (z.B. an der Kopfschale) oder es wird bevorzugt modular je nach Art der Untersuchung an anderen Strukturen oder am Patienten angebracht und in den Untersuchungsgang eingebracht. Bevorzugt ist auch eine maschinenlesbare Kennzeichnung dieses Phantoms zur Vereinfachung der automatisierten Auswertung einschließlich einer Qualitätssicherung. Eine simultane Messung zusammen mit einem Phantom dient zur Verbesserung des Ergebnisses und zum Ausschluss von Variationen zwischen verschiedenen Scannern (z.B. Varianzen in der Messgenauigkeit bzw. Vergleichbarkeit zwischen verschiedenen Geräten) bzw. der Normierung der Messergebnisse. Eine simultane Messung hat den Vorteil, dass individuelle Variationen des Scans, z.B. Artefakte, azentrische Lagerung, besser dargestellt werden können.
-
Ein bevorzugtes Verfahren umfasst den zusätzlichen Schritt einer Bereitstellung einer Datenbank, die weitere Referenz-CT-Datensätze zu verschiedenen Gewebetypen und bevorzugt auch zu Pathologien enthält. Diese Datenbank kann auch als „Atlas“ bezeichnet werden und umfasst bevorzugt Daten zu einem anatomischen und/oder pathologischen Signalverhalten und insbesondere Variationen in einem Signalverhalten. Die Datenbank umfasst bevorzugt Referenz-CT-Datensätze von Gewebetypen unterschiedlicher Körperregionen bzw. Kompartimenten. Bevorzugt sind die in der Datenbank vorhandenen Referenz-CT-Datensätze mit dem erfindungsgemäßen Verfahren erstellt worden und enthalten somit Informationen über relevante Aberrationen. Der Atlas hilft in vorteilhafter Weise die Genauigkeit der Auswertung zu steigern.
-
Bevorzugt ist diese Datenbank in einen Algorithmus zur Datenauswertung integriert oder anders ausgedrückt kann bevorzugt der Algorithmus auf Daten oder Datensätze der Datenbank zugreifen bzw. können Daten oder Datensätze der Datenbank als Eingabe-Daten des Algorithmus verwendet werden. Besonders bevorzugt dient diese Datenbank zum Training eines sogenannten Machine-Learning-Algorithmus oder anders ausgedrückt können Daten oder Datensätze der Datenbank als Trainingsdaten für das Training eines Machine-Learning-Algorithmus verwendet werden.
-
Gemäß einem bevorzugten Verfahren umfasst die iterative Datenrekonstruktion einen Algorithmus basierend auf einem Prinzip des maschinellen Lernens (Machine-Learning), bevorzugt einen Deep-Learning Algorithmus, wobei bevorzugt eine vergleichende Auswertung unterschiedlicher Bereiche (oder Kompartimentes oder ROIs) des Objekts erfolgt, besonders bevorzugt eine seitenvergleichende Auswertung. Bei einer seitenvergleichenden Auswertung werden unterschiedliche Seiten des Objekts miteinander verglichen, z.B. wenn das Objekt ein Gehirn ist, die beiden Gehirnhälften. Es werden dabei Symmetrien zwischen den beiden Seiten ausgenutzt, um Strukturen einer der Seiten zu ermitteln.
-
Unter einem Verfahren des „Machine-Learning“ oder maschinellen Lernens, bzw. unter einem künstlichen Intelligenzsystem, kann man dabei ein System für die künstliche Generierung von Wissen aus Erfahrung bezeichnen. Maschinelles Lernen bezeichnet dabei eine Sammlung von mathematischen Methoden der Mustererkennung. Diese Methoden ermöglichen eine Mustererkennung beispielsweise durch bestmögliche Zerlegung von Datenbeständen in hierarchische Strukturen (Entscheidungsbäume), oder Ermittlung von Ähnlichkeiten zwischen Datensätzen über Vektoren (z. B. k-nearest-Neighbour) und andere.
-
Als Sonderform des Machine-Learning bezeichnet das sog. Deep-Learning maschinelles Lernens unter Einsatz von künstlichen neuronalen Netzen. Anstatt des Begriffs „neuronales Netzwerk“ kann auch der Begriff „neuronales Netz“ verwendet werden. Insbesondere kann eine trainierte Funktion auch ein tiefes künstliches neuronales Netzwerk (engl. deep neural network, deep artificial neural network) und/oder ein faltendes neuronales Netz („convolutional neural network“, CNN) sein. Das hierbei verwendete künstliche neuronalen Netzwerk ist ähnlich wie ein Nervensystem aufgebaut, wobei die Neuronen vernetzt miteinander verbunden sind. Die erste Schicht des neuronalen Netzes, die Eingangsschicht (input layer), verarbeitet eine Eingangsdateneingabe, wie beispielsweise Bildparameter (z.B. ein Graustufenwert) eines einzelnen Pixels oder Voxels oder einer Gruppe von Pixeln oder Voxeln eines Bildes oder eines Bilddatensatzes. Diese erste Schicht leitet ihre Ausgaben an die nächste Schicht weiter. Diese zweite Schicht verarbeitet die Informationen der vorherigen Schicht und gibt das Ergebnis ebenfalls weiter. Die nächste Schicht nimmt die Informationen der zweiten Schicht entgegen und verarbeitet sie weiter. Diese Schichten werden als versteckte Ebenen (hidden layers) bezeichnet. Die in ihnen enthaltenen Merkmale werden zunehmend abstrakt. Das Ergebnis wird in der Ausgabe- Schicht (output layer) ausgegeben. Um die Verarbeitung der eingegebenen Daten zu „lernen“, wird das künstliche neuronale Netzwerk mit Trainingsdatensätzen trainiert. Entsprechende Verfahren (z.B. Supervised Learning, Unsupervised Learning, Reinforcement Learning) sind dem Fachmann bekannt.
-
Bei der Verarbeitung kann es zu einer multivariablen Lösung kommen, je nach Anzahl der zu untersuchenden Kompartimente (z.B. optimierte Datensätze für graue oder weiße Substanz, Kalzifizierung, Einblutungen etc.) oder interessierende Bereiche (sog. Regions of Interest, ROI) und Erzeugung neuer Datensätze durch Nutzung eines iterativen Ansatz zur verbesserten Darstellung eines gewünschten Merkmales. Für eine optimale Bearbeitung der dadurch entstehenden Datenmengen ist der Einsatz von Deep-Learning sehr vorteilhaft.
-
In dem Rahmen eines Machine-Learning- oder Deep-Learning - Ansatzes ist eine Vorrichtung bevorzugt, bei der die Verarbeitungseinheit eine Anzahl von Machine-Learning- oder Deep-Learning -Algorithmen umfasst, bevorzugt zwei oder mehr Machine-Learning- bzw. Deep-Learning -Algorithmen, die funktional miteinander verschachtelt eine Datenverarbeitung durchführen.
-
Erfindungsgemäß liegt bei der iterativen Datenrekonstruktion eine Kombination von zwei oder mehr unterschiedlichen Auswertungsalgorithmen vor, die funktional ineinandergreifen. Die Algorithmen bewirken dabei bevorzugt unterschiedliche Arten der Datenverarbeitung und stehen besonders bevorzugt mittels eines quantitativen Unterscheidungswerts miteinander in Verbindung.
-
Gemäß einem bevorzugten Verfahren werden nach der Verarbeitung eine Anzahl von durch die Verarbeitung erzeugten Datensätze mit einem Atlas vorbekannter Daten zu Gewebetypen verglichen, wobei der Atlas bevorzugt Variationen von zu unterschiedlichen Gewebetypen (des Objekts) gemessenen CT-Signalen und zu Rekonstruktionen dieser CT-Signale umfasst, insbesondere zu CT-Signalen, die auf Aufnahmen von durch eine Pathologie geänderter Gewebebereichen basieren. Es erfolgt also ein Vergleich der so erzeugten Datensätze mit Daten einer Datenbank (dem „Atlas“, welche auch die vorgenannte Datenbank sein kann. Hierbei können auch Variationen, die durch den fachkundigen Experten nicht sicher erkannt werden können, im spezifischen Datensatz sowie im Vergleich zur großen Kohorte dargestellt werden. Dies gilt sowohl für intra- und interindividuelle Variationen zu einem fixen Zeitpunkt oder im Intervall.
-
Gemäß einem bevorzugten Verfahren werden die Ergebnisse der Verarbeitung für weitere Rekonstruktionen, insbesondere zur Quantifizierung von Stoffen und/oder zur Morphometrie verwendet. Es erfolgt also eine Integration des gewonnenen Wissens in weitere Rekonstruktionen z.B. zur Jodquantifizierung oder zur Morphometrie. Dies kann dadurch erreicht werden, indem man nur vorher bestimmte Kompartimente bei der weiteren Auswertung berücksichtigt. Dies kann durch mehrere Varianten erfolgen, z.B. durch Erzeugung von Datenätzen mit nur einem spezifischen Kompartiment oder Metadatenbanken von Bildern, die die Bildinformation mit einzelnen Kompartimenten verknüpfen (z.B. zur Ausprägung eines Merkmals).
-
Bei einem bevorzugten Verfahren umfasst die Verarbeitung die folgenden Schritte:
- - (Optional:) Durchführen einer Datenvorverarbeitung. Bevorzugt umfasst eine Datenvorverarbeitung ein optimales bzw. optimiertes Binning, d.h. die Energiespektren bzw. Energiespektralbereiche oder Energiekanäle (energy bins) mit welchem eine Mehrspektral-Aufnahme von CT Daten erfolgt, werden in Bezug auf die zu beantwortende Fragestellung optimiert. Beispielsweise werden bei einer Kontrastmittel-CT-Aufnahme die Energiekanäle die Energiespektren bzw. Energiespektralbereiche oder Energiekanäle (energy bins) in Bezug auf das verwendete Kontrastmittel derart angepasst, dass eine möglichst hohes Signal-zu-Rausch-Verhältnis (SNR Ratio) für Voxel bzw. Bildbereiche erzielt wird, in welchen Kontrastmittel anwesend ist.
- - Zuordnung einer vorbekannten Gewebekarte zu dem CT-Datensatz und Anpassung der Gewebekarte auf den CT-Datensatz. Da der Körperbereich bekannt ist, von dem der CT-Datensatz aufgenommen worden ist, kann eine vorbekannte Gewebekarte (ggf. aus einer Bibliothek) ermittelt werden, die die normalerweise zu erwartenden Bereiche von Gewebetypen umfasst. Die Gewebekarte ist also ein Modell des aufgenommenen Bereichs (insbesondere ein 3D-Modell). Da in der Regel jeder CT-Datensatz einen Körperbereich mit einer vom Patienten abhängenden Größe und Proportionen wiedergibt, passt die Gewebekarte höchst wahrscheinlich nicht genau auf den CT-Datensatz. Daher sollte die Gewebekarte noch angepasst werden. Dies erfolgt bevorzugt mittels einer (grafischen oder mathematischen) Registrierung der Gewebekarte auf den entsprechenden Bereich im CT-Datensatz. Wenn rekonstruierte Bilddaten vorliegen, ist die Gewebekarte ebenfalls ein Bild, wenn Rohdaten vorliegen, entspricht auch die Gewebekarte einem Rohdatensatz des Modells. Im Rahmen dieses Schritts kann beispielsweise eine Ermittlung von vorbestimmten Bildbereichen stattfinden (z.B. graue Substanz des Hirns). Des Weiteren ist bevorzugt dass später mit der Gewebekarte ein Vergleich von einer gemessenen Menge an Gewebesubstanz, z.B. grauer Substanz, im Objekt basierend auf dem CT-Datensatz mit einem Vorwissen über diese Menge (aus der Gewebekarte), z.B. basierend auf statistischen Überlegungen (z.B. einer Normverteilung) erfolgt. Mit „Menge“ ist typischerweise die Masse und/oder das Volumen gemeint oder eine mit Masse oder Volumen korrelierte Messgröße, z.B. ein Abstand, ein Durchmesser, eine Schichtdicke eines Zielbereichs oder Kompartiments o.Ä..
- - Evaluation des interessierenden Bereichs des Objekts. Dieser kann z.B. vorgegeben sein, oder sich aus dem vorangehenden Vergleich ergeben. Ähnlich der existierenden Auswertung von existierenden spektralen CT-Daten kann man mit einer Auswahl der Region of Interest (ROI) eine Anzeige der entsprechenden Kompartimente erreichen, z.B. tabellarisch, grafisch oder als überlagernde farbliche Karten. Besonders bevorzugt basiert die Evaluation auf der im vorangegangenen Schritt zugeordneten Gewebekarte. Dort ist bevorzugt bereits eine ROI markiert. Diese ROI und liegt nach Anpassung automatisch über dem Bereich des Objekts, der vermessen werden soll und definiert damit die reale ROI.
- - (Optional:) Eingabe klinischer Fragestellungen. Diese Eingabe kann durch einen Anwender, z.B. durch manuelle Eingabe, oder automatisiert anhand von Patienteninformationen, die in einem entsprechenden Datensatz zur Verfügung stehen, erfolgen. Die klinische Fragestellung kann beispielsweise eine Information über einen zu untersuchenden Bereich der Anatomie des Patienten betreffen, eine Diagnose, das Vorhandensein eines bestimmten anatomischen Merkmals o.Ä. betreffen. Diese Fragestellung ist bevorzugt mit der Gewebekarte verknüpft, insbesondere mit einer dort vorgegebenen ROI. Beispielsweise kann im Vorfeld in einer Gewebekarte des Kopfes ein Hirnareal als ROI definiert werden und vorgegeben werden, dass dort nach einer bestimmten Pathologie gesucht werden soll.
- - Bereitstellung eines Referenz-CT-Datensatzes. Dies kann eine Bereitstellung von Vorwissen basierend auf einer Datenbank, einem Atlas oder einem Phantom, insbesondere auf einem simultan mit dem Objekt aufgenommenen Phantom, sein.
- - Vergleich und iterative Datenverarbeitung (insbesondere Rekonstruktion) zur Identifizierung bzw. Separation von Gewebetypen. Hierbei können z.B. unterschiedliche Bildbereiche oder ROIs miteinander verglichen werden. Es findet hier besonders bevorzugt eine Identifizierung von Daten eines Phantoms statt, welches insbesondere simultan mit dem Objekt aufgenommenen wurde. Die Proben des Phantoms sind bekannt. Die Algorithmen der iterativen Datenverarbeitung identifiziert nun Bereiche mit den (bekannten) Gewebetypen des Phantoms aus den gemessenen CT-Daten (Rohdaten oder Bilddaten). Mit jeder Iteration wird versucht, das Ergebnis zu verbessern und die betreffenden Parameter der Datenverarbeitung abgespeichert. Ist ein vorgegebener Grad der Qualität des Ergebnisses erreicht, werden diejenigen Parameter, mit denen dieses Ergebnis bei dem Phantom erreicht worden ist, auf die Datenverarbeitung des CT-Datensatzes angewandt. Eine Rekonstruktion des CT-Datensatzes kann aber auch parallel zur Datenverarbeitung des Referenz-CT-Datensatzes erfolgen, so dass der gesamte Vorgang besser überwacht werden kann. Außerdem kann bei einer parallelen Bearbeitung ein Vergleich der jeweiligen Ergebnisse erfolgen. Dieser Vergleich hilft dann Pathologien (oder unterschiedliche Gewebeeigenschaften) zu erkennen. Eine Separation ist mit der Identifizierung sehr eng verbunden, da nur eine Separation durchgeführt werden kann, wenn eine Identifizierung erfolgt ist.
-
Eine bevorzugte Vorrichtung umfasst eine Datenschnittstelle ausgelegt zur Steuerung eines Computertomographie-Systems, welches dazu ausgelegt ist, einen CT-Datensatz mittels eines Mehrspektral-Aufnahmeverfahrens aufzunehmen, insbesondere zur Steuerung eines Dual source dual Energy Computertomographie-Systems oder eines Multi/Dual source multi Energy Computertomographie-Systems, besonders bevorzugt eines Computertomographie-Systems, welches zu Messungen basierend auf einem Photon-Counting-Verfahren ausgelegt ist.
-
Das Verfahren kann auch Elemente des „Cloud Computing“ (in Deutsch etwa: Berechnung in einer „Datenwolke“) umfassen. Beim „Cloud Computing“ wird eine IT-Infrastruktur, z.B. Speicherplatz oder Rechenleistung und/oder eine Anwendungssoftware über ein Netzwerk zur Verfügung gestellt. Die Kommunikation zwischen dem Anwender und der „Cloud“ erfolgt dabei mittels Datenschnittstellen und/oder Datenübertragungsprotokollen.
-
Im Rahmen des „Cloud Computings“ erfolgt bei einer bevorzugten Ausführungsform des erfindungsgemäßen Verfahrens eine Bereitstellung von Daten über einen Datenkanal (z.B. ein Netzwerk) an eine „Cloud“. Diese „Cloud“ umfasst ein (Remote-) Rechensystem, z.B. einen Computercluster, das in der Regel nicht den lokalen Rechner des Benutzers umfasst. Diese Cloud kann insbesondere durch die medizinische Einrichtung, die auch die medizintechnischen Systeme bereitstellt, zur Verfügung gestellt werden. Insbesondere werden die Daten des CT-Datensatzes, und insbesondere auch des Referenz-CT-Datensatzes, über ein RIS oder PACS an ein (Remote-) Rechnersystem (die „Cloud“) gesendet. Bevorzugt stellen das Rechnersystem der „Cloud“, das Netzwerk sowie das betreffende CT-System einen Verbund im datentechnischen Sinne dar. Das Verfahren kann dabei mittels einer Befehlskonstellation in dem Netzwerk realisiert werden. Die in der Cloud berechneten Daten oder Ergebnisse werden bevorzugt wieder über einen Datenkanal (z.B. über ein Netzwerk) zu dem lokalen Rechner des Anwenders gesendet. Beispielsweise werden die Daten des bereitgestellten CT-Datensatzes und des Referenz-CT-Datensatzes, durch ein Rechnersystem eines Krankenhauses gemäß des erfindungsgemäßen Verfahrens bearbeitet und die Ergebnisse dieser Bearbeitung wieder durch ein RIS oder PACS an den Anwender zurückgesandt.
-
Im Rahmen einer bevorzugten Ausführungsform der erfindungsgemäßen Vorrichtung sind die für die Erfindung relevanten Komponenten auf Seiten der „Cloud“ vorhanden. Ein bevorzugtes System umfasst zusätzlich zu einer solchen Vorrichtung noch eine lokale Recheneinheit, die über einen Datenkanal (z.B. ein Netzwerk, insbesondere als RIS oder PACS ausgestaltet) mit der Vorrichtung verbunden ist. Die lokale Rechnereinheit umfasst zumindest eine Datenempfangsschnittstelle, um Daten zu empfangen. Zudem ist es bevorzugt, wenn der lokale Rechner zudem eine Sendeschnittstelle aufweist, um Daten an die Vorrichtung zu senden.
-
Vorteile der Erfindung sind eine Erweiterung der klinischen Nutzung der CT-Bildgebung insbesondere der nativen Darstellung des Gehirnes sowie anderer Körperregionen, eine verbesserte semiquantifizierbare Darstellung von pathologischen Prozessen des Gehirns (z.B. einer Entzündung, einer Atrophie, eines Ödems oder eines Tumors) und Normierung des Befundes und damit Erreichen einer höheren Diagnosesicherheit sowie der Darstellung bisher nicht oder nur unzureichend nachweisbarer Veränderungen im Gewebe. Ein weiterer Vorteil ist die Möglichkeit der Nutzung der CT bei Patienten mit Kontraindikationen zur MRT sowie einer schnelleren Bilddatenakquisition insbesondere in der Notfallversorgung aber auch bei unkooperativen Patienten sowie eine Verbesserung der Qualitätssicherung der CT.
-
Auch wenn die Erfindung sich besonders gut für den Einsatz zur Unterscheidung von grauer und weißer Hirnsubstanz eignet und damit für Untersuchungen des Gehirns vorteilhaft eingesetzt werden kann, z.B. zur Untersuchung bzw. bei Vorliegen einer Pathologie wie beispielsweise einer Atropie, eines Ödems, von Morbus Alzheimer und andere Demenzen, einer neurodegenerativen Erkrankung wie z.B. Multiple Sklerose, Morbus Parkinson, eines Tumors z.B. eines niedergradigen Glioms, einer prionenbasierten Erkrankung oder einer Entzündung wie z.B. einer Bovinen Spongiformen Enzephalopathie, ist sie auch für andere Pathologien und/oder für andere Körperbereiche vorteilhaft einsetzbar. Weitere Körperbereiche bzw. Organe zu deren Untersuchung die Erfindung besondere Vorteile bietet sind, z.B. die Leber (z.B. bei Vorliegen einer Leberfibrose oder einer feinknotige Leberzirrhose), Muskeln (z.B. bei Vorliegen von Muskeldystrophien bzw. einer Einschlußkörpermyositis), die Nieren, der Pankreas (z.B. bei Vorliegen von neuroendokrinen Tumoren des Pankreas) oder im Grunde beliebige andere Körperbereiche, insbesondere zur Untersuchung von Absto-ßungsreaktionen nach einer Organtransplantation.
-
Die Erfindung wird im Folgenden unter Hinweis auf die beigefügten Figuren anhand von Ausführungsbeispielen noch einmal näher erläutert. Dabei sind in den verschiedenen Figuren gleiche Komponenten mit identischen Bezugsziffern versehen. Die Figuren sind in der Regel nicht maßstäblich. Es zeigen:
- 1 eine grob schematische Darstellung eines Computertomographie-Systems mit einem Ausführungsbeispiel einer Steuereinrichtung mit einer erfindungsgemäßen Vorrichtung zur Durchführung des Verfahrens,
- 2 einen Ablaufplan für einen möglichen Ablauf eines erfindungsgemäßen Verfahrens,
- 3 einen detaillierten Ablaufplan für einen möglichen Ablauf eines erfindungsgemäßen Verfahrens.
-
1 zeigt grob schematisch ein Computertomographie-System 1 mit einer Steuereinrichtung 10 zur Durchführung des erfindungsgemäßen Verfahrens. Das Computertomographiesystem 1 ist hier als Photon-Counting-System ausgestaltet und weist in üblicher Weise einen Scanner 2 mit einer Gantry auf, in der eine Röntgenquelle 3 rotiert, die jeweils einen Patienten durchstrahlt, welcher mittels einer Liege 5 in einen Messraum der Gantry hineingeschoben wird, so dass die Strahlung auf einen der Röntgenquelle 3 jeweils gegenüberliegenden Detektor 4 trifft, der ein Photon-Counting-Detektor ist. Es wird ausdrücklich darauf hingewiesen, dass es sich bei dem Ausführungsbeispiel gemäß 5 nur um ein Beispiel eines CTs handelt und die Erfindung auch an beliebigen multispektral aufnehmenden CT-Konstruktionen, beispielsweise mit ringförmigem feststehendem Röntgendetektor und/oder mehreren Röntgenquellen genutzt werden kann.
-
Ebenso sind bei der Steuereinrichtung 10 nur die Komponenten dargestellt, die für die Erläuterung der Erfindung wesentlich sind. Grundsätzlich sind derartige CT-Systeme und zugehörige Steuereinrichtungen dem Fachmann bekannt und brauchen daher nicht im Detail erläutert zu werden.
-
Eine Kernkomponente der Steuereinrichtung 10 ist hier ein Prozessor 11, auf dem verschiedene Komponenten in Form von Softwaremodulen realisiert sind. Die Steuereinrichtung 10 weist weiterhin eine Terminalschnittstelle 14 auf, an die ein Terminal 20 angeschlossen ist, über das ein Bediener die Steuereinrichtung 10 und somit das Computertomographiesystem 1 bedienen kann. Eine weitere Schnittstelle 15 ist eine Netzwerkschnittstelle zum Anschluss an einen Datenbus 21, um so eine Verbindung zu einem RIS (Radiologieinformationssystem) bzw. PACS (Picture Archiving and Communication System = Bildarchivierungs- und Kommunikationssystem) herzustellen.
-
Über eine Steuerschnittstelle 13 kann von der Steuereinrichtung 10 der Scanner 2 angesteuert werden, d.h. es werden z.B. die Rotationsgeschwindigkeit der Gantry, die Verschiebung der Patientenliege 5 und die Röntgenquelle 3 selbst gesteuert. Über eine Akquisitionsschnittstelle 12 werden die Rohdaten RD aus dem Detektor 4 ausgelesen. Weiterhin weist die Steuereinrichtung 10 eine Speichereinheit 16 auf, in der Referenz-CT-Datensätze R hinterlegt sein können und die als Datenbank 16 für diese Referenz-CT-Datensätze R dienen kann.
-
Als eine Softwarekomponente ist auf dem Prozessor 11 u. a. eine Messsteuereinheit implementiert. Diese Messsteuereinheit steuert über die Steuerschnittstelle 13 auf Basis eines oder mehrerer ausgewählter Messprotokolle, welche ggf. vom Bediener über das Terminal 20 modifiziert wurden, den Scanner 2 an, um eine Messung durchzuführen und Daten zu akquirieren.
-
Eine weitere Komponente auf dem Prozessor 11 ist eine Bilddaten-Rekonstruktionseinheit 6, mit welcher aus den über die Datenakquisitions-Schnittstelle 12 erhaltenen Rohdaten RD die gewünschten Bilddaten rekonstruiert werden. Die Bilddaten-Rekonstruktionseinheit 6 ist als erfindungsgemäße Vorrichtung 6 ausgestaltet.
-
Die Vorrichtung 6 umfasst eine Datenschnittstelle 7 ausgelegt zum Empfang eines CT-Datensatzes D eines Objekts und eines Referenz-CT-Datensatzes R, die hier beide in Form von Rohdaten RD übermittelt werden und eine Verarbeitungseinheit 9 ausgelegt zur Verarbeitung des CT-Datensatzes D zusammen mit dem Referenz-CT-Datensatz R mittels einer iterativen Datenrekonstruktion, wobei eine Identifizierung von Gewebetypen im CT-Datensatz D auf Basis des Referenz-CT-Datensatzes R durchgeführt wird. Zusätzlich umfasst die Vorrichtung 6 noch eine Datenschnittstelle 8 zur Steuerung des CT-Systems 1, z.B. zur Steuerung der Aufnahme des Objekts O und des Phantoms P.
-
2 zeigt einen Ablaufplan für einen möglichen Ablauf eines erfindungsgemäßen Verfahrens.
-
In Schritt I erfolgt eine mehrspektral-Aufnahme eines CT-Datensatzes D und eines Referenz-CT-Datensatzes R, insbesondere mittels eines Photon-Counting-CT-Systems. Dabei kann das in 1 gezeigte CT-System verwendet werden.
-
In Schritt II erfolgt eine Bereitstellung des CT-Datensatzes D eines Objekts.
-
In Schritt III erfolgt eine Bereitstellung des Referenz-CT-Datensatzes R.
-
In Schritt IV erfolgt eine Verarbeitung des CT-Datensatzes D zusammen mit dem Referenz-CT-Datensatz R mittels einer iterativen Datenrekonstruktion, wobei eine Identifizierung von Gewebetypen im CT-Datensatz D auf Basis des Referenz-CT-Datensatzes R durchgeführt wird.
-
In Schritt V erfolgt eine Anzeige der Ergebnisse, wobei unterschiedliche Kompartimente bevorzugt unterschiedlich dargestellt werden, z.B. mit unterschiedlichen Farben.
-
3 zeigt einen detaillierten Ablaufplan für einen möglichen Ablauf eines erfindungsgemäßen Verfahrens. Hier werden die Schritte I, II und III des vorangehenden Verfahrens in einem Kasten zusammengefasst. Dies kann z.B. heißen, dass mit einem CT-System 1 nach 1 Rohdaten RD einer simultanen Messung eines Objekts (CT-Datensatz D) und eines Phantoms (Referenz-CT-Datensatz R) direkt nach einer Aufnahme an die Vorrichtung 6 gesendet werden. In Schritt V erfolgt wieder eine Ausgabe der Ergebnisse.
-
Schritt IV ist hier in Unterschritte unterteilt.
-
In dem optionalen Schritt IVa erfolgt eine Datenvorverarbeitung bevorzugt inclusive optimiertem Binning. Bei der Datenvorverarbeitung wird die Datenqualität geprüft. Das Binning soll für eine Verbesserung der spektralen Trennung sorgen. Dies kann in mehreren Schritten erfolgen bis eine optimale Festlegung der Bins für eine beste Trennung der spektralen Datensätze für die angefragte Analyse erzeugt wird. Mögliche Parameter der Optimierung können CNR, SNR oder Frei verwendbar erzeugte Qualitätskriterien sein z.B. Rauschverhalten in bestimmten Frequenzen.
-
In Schritt IVb erfolgt eine Zuordnung einer vorbekannten Gewebekarte zu dem CT-Datensatz und Anpassung der Gewebekarte auf den CT-Datensatz. Der im vorherigen Schritt gemessene und optimierte Datensatz wird hier nun entsprechend einem zu interessierenden Kompartiment weiter bearbeitet z.B. anhand von Schwellenwerten, die Auskunft über die ROI geben. Es ergibt sich eine Segmentierung von gewissen anatomischen Strukturen z.B. eine Segmentierung auf die graue Substanz mit Herausnahme von Knochenstrukturen aus dem ROI. Diese ROI ist diejenige, deren Daten später dem gemessenen Werten des Phantoms bzw. a priori Wissen gegenübergestellt werden.
-
In Schritt IVc erfolgt eine Evaluation des interessierenden Bereichs des Objekts. Je nach Fragestellung und Kompartiment sind unterschiedliche Evaluationen vorstellbar, z.B. eine einfache Segmentierung, ein Hervorheben von Kompartimenten basierend auf einer Hirneigenschaft, ein Hinterlegen von Metadaten bis hin zu Wahrscheinlichkeitsvarianzen des Ergebnisses mit a priori Wissen.
-
In dem optionalen Schritt IVd erfolgt eine Eingabe klinischer Fragestellungen.
-
In dem Schritt IVe erfolgt ein Vorbereiten des bereitgestellten Referenz-CT-Datensatzes. Dies kann eine Rekonstruktion von Rohdaten sein. Der Referenz-CT-Datensatz ist Vorwissen basierend auf einer Datenbank, einem Atlas oder einem Phantom, insbesondere wird von einem simultan mit dem Objekt aufgenommenen Phantom ein Bild rekonstruiert.
-
Im Schritt IVf erfolgt ein Vergleich und eine iterative Datenverarbeitung (insbesondere Rekonstruktion) zur Identifizierung bzw. Separation von Gewebetypen. Es findet in diesem Rahmen eine Identifizierung von Gewebetypen eines Phantoms statt, welches insbesondere simultan mit dem Objekt aufgenommenen wurde. Die Proben des Phantoms sind bekannt. Die Algorithmen der iterativen Datenverarbeitung identifizieren nun die Bereiche mit den (bekannten) Gewebetypen des Phantoms aus den gemessenen CT-Daten (hier den Bilddaten). Mit jeder Iteration wird versucht, das Ergebnis zu verbessern und die betreffenden Parameter der Datenverarbeitung abgespeichert. Ist ein vorgegebener Grad der Qualität des Ergebnisses erreicht, werden diejenigen Parameter, mit denen dieses Ergebnis bei dem Phantom erreicht worden ist, auf die Datenverarbeitung des CT-Datensatzes angewandt.
-
Es wird abschließend noch einmal darauf hingewiesen, dass es sich bei den vorhergehend detailliert beschriebenen Verfahren sowie bei dem dargestellten Computertomographie-System 1 lediglich um Ausführungsbeispiele handelt, welche vom Fachmann in verschiedenster Weise modifiziert werden können, ohne den Bereich der Erfindung zu verlassen. Weiterhin schließt die Verwendung der unbestimmten Artikel „ein“ bzw. „eine“ nicht aus, dass die betreffenden Merkmale auch mehrfach vorhanden sein können. Ebenso schließen die Begriffe „Einheit“ und „Modul“ nicht aus, dass die betreffenden Komponenten aus mehreren zusammenwirkenden Teil-Komponenten bestehen, die gegebenenfalls auch räumlich verteilt sein können und z.B. in einem Netzwerk oder in ähnlicher Weise miteinander verbunden sein können.
