DE102021207520A1 - Vorrichtung und Verfahren zur Generierung von STIR Bildern, sowie deren Verwendung - Google Patents

Vorrichtung und Verfahren zur Generierung von STIR Bildern, sowie deren Verwendung Download PDF

Info

Publication number
DE102021207520A1
DE102021207520A1 DE102021207520.7A DE102021207520A DE102021207520A1 DE 102021207520 A1 DE102021207520 A1 DE 102021207520A1 DE 102021207520 A DE102021207520 A DE 102021207520A DE 102021207520 A1 DE102021207520 A1 DE 102021207520A1
Authority
DE
Germany
Prior art keywords
images
examined
machine learning
mln
based network
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
DE102021207520.7A
Other languages
English (en)
Inventor
Felix NENSA
Johannes Haubold
Michael Forsting
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.)
Univ Duisburg Essen Koerperschaft Des Oeffentlichen Rechts
Universitat Duisburg-Essen Korperschaft Des Offentlichen Rechts
Original Assignee
Univ Duisburg Essen Koerperschaft Des Oeffentlichen Rechts
Universitat Duisburg-Essen Korperschaft Des Offentlichen Rechts
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 Univ Duisburg Essen Koerperschaft Des Oeffentlichen Rechts, Universitat Duisburg-Essen Korperschaft Des Offentlichen Rechts filed Critical Univ Duisburg Essen Koerperschaft Des Oeffentlichen Rechts
Priority to DE102021207520.7A priority Critical patent/DE102021207520A1/de
Priority to PCT/EP2022/069703 priority patent/WO2023285579A1/de
Publication of DE102021207520A1 publication Critical patent/DE102021207520A1/de
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/5608—Data processing and visualization specially adapted for MR, e.g. for feature analysis and pattern recognition on the basis of measured MR data, segmentation of measured MR data, edge contour detection on the basis of measured MR data, for enhancing measured MR data in terms of signal-to-noise ratio by means of noise filtering or apodization, for enhancing measured MR data in terms of resolution by means for deblurring, windowing, zero filling, or generation of gray-scaled images, colour-coded images or images displaying vectors instead of pixels
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/5602—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution by filtering or weighting based on different relaxation times within the sample, e.g. T1 weighting using an inversion pulse
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/5607—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution by reducing the NMR signal of a particular spin species, e.g. of a chemical species for fat suppression, or of a moving spin species for black-blood imaging

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Radiology & Medical Imaging (AREA)
  • Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Signal Processing (AREA)
  • General Health & Medical Sciences (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

Die Erfindung betrifft eine Vorrichtung (1) zur Generierung von STIR Bildern, aufweisend• Eingabemittel (IT1) für T1-gewichtete Bilder (BT1) eines zu untersuchenden Areals,• Eingabemittel (IT2) für T2-gewichtete Bilder (BT2) des zu untersuchenden Areals,• Zumindest ein Machine Learning basiertes Netzwerk (MLN),• Eingabemittel (IT) für Trainingsdaten (TD) für das Machine Learning basierte Netzwerk,• Ausgabemittel (O) zur Bereitstellung von generierten STIR Bildern des zu untersuchenden Areals,• wobei die Vorrichtung (1) dazu eingerichtet ist, dass die T1-gewichteten Bilder (BT1) und die T2-gewichteten Bilder (BT2) des zu untersuchenden Areals dem mittels der Trainingsdaten (TD) konfigurierten Machine Learning basierten Netzwerk (MLN) zugeführt werden,• wobei das mittels der Trainingsdaten (TD) konfigurierte Machine Learning basierte Netzwerk (MLN) dazu eingerichtet ist, dass aus den zugeführten T1-gewichteten Bildern (BT1) und den T2-gewichteten Bildern (BT2) STIR Bilder des zu untersuchenden Areals generiert werden,• wobei die Ausgabemittel (O) dazu eingerichtet sind, die durch das Machine Learning basierte Netzwerk (MLN) erzeugten STIR Bilder des zu untersuchenden Areals bereitzustellen.Weiterhin betrifft die Erfindung ein Verfahren zur Generierung von STIR Bildern mittels einer Vorrichtung und die Verwendung der Vorrichtung / des Verfahrens.

Description

  • Die Erfindung betrifft eine Vorrichtung und Verfahren zur Generierung von Short Tau Inversion Recovery (STIR) Bildern, sowie deren Verwendung. Insbesondere betrifft die Erfindung eine vollautomatische Generierung einer synthetischen STIR Magnetresonanztomographie (MRT) Sequenz aus einer T1- und T2 Sequenz.
  • Hintergrund der Erfindung
  • In vielen Bereichen der medizinischen Diagnostik werden mittels Magnetresonanztomographie - kurz MRT - Bilddaten gewonnen, um eine Diagnose zu stellen. Typischerweise entstehen dabei Schnittbilder. Um nicht nur eine einzelne Schnittaufnahme zu erstellen, sondern ein bestimmtes zu untersuchendes Volumen zu erfassen, wird das zu untersuchende Areal durch das MRT-Gerät (schichtweise) erfasst. Die dabei entstehende Bildfolge wird als Sequenz bezeichnet.
  • Dabei können unterschiedliche Effekte vermessen werden. Beispielsweise kann die Spin-Gitter-Relaxation (sogenannte Längs- oder T1-Relaxation) oder die Spin-Spin-Relaxation (sogenannte Quer- oder T2-Relaxation) bestimmt werden.
  • Je nach Gewichtung können unterschiedliche Strukturen dargestellt werden. Mittels der T1-gewichteten Sequenzen wird z.B. Fett- / fetthaltiges Gewebe hyperintens und Flüssigkeit hypointens dargestellt. Diese Gewichtung eignet sich daher gut zur anatomischen Darstellung von Organstrukturen. Mittels der T2-gewichteten Sequenzen werden z.B. eher statische Flüssigkeiten hyperintens dargestellt.
  • Neben T1- und T2- gewichteten Sequenzen werden in der MRT häufig auch sogenannte Short-Tau-Inversion-Recovery-Sequenzen - kurz STIR Sequenzen - verwendet. STIR-Kontraste sind besonders hilfreich bei der Diagnose von akuten Pathologien wie Entzündungen, akuten Frakturen aber auch maligner Veränderungen.
  • Allerdings bedeutet die zusätzliche Akquise von STIR-Sequenzen einen erheblichen Zeitaufwand. Diese führt zu einer Verlängerung der Aufenthaltsdauer in einem MRT-Gerät. Aufgrund der räumlichen Enge und Lautstärke für den Patienten ist man jedoch gleichzeitig bestrebt die Untersuchungsdauer kurz zu halten.
  • Weiterhin ist es bekannt, dass die Erfassung einer STIR-Sequenz stärker von Bewegungsartefakten beeinträchtigt werden kann als die Erfassung einer T1- oder T2-gewichteten Sequenz. Dabei ist insbesondere festzustellen, dass Bewegungsartefakte mit der Verweildauer eines Patienten im MRT-Gerät zunehmen.
  • Ausgehend von dieser Situation ist es Aufgabe der Erfindung eine Vorrichtung und ein Verfahren zur Verfügung zu stellen, die es ermöglichen STIR-Sequenzen bereitzustellen bei einer Erhöhung des Patientenkomforts und/oder bei einer Verminderung der Bewegungs-Artefakt-Anfälligkeit bereitzustellen.
  • Die Aufgabe wird gelöst, durch eine Vorrichtung gemäß Anspruch 1 bzw. ein Verfahren nach Anspruch 9. Weitere vorteilhafte Ausgestaltungen sind insbesondere Gegenstand der abhängigen Ansprüche, der Beschreibung und der Figuren.
  • Nachfolgend wird die Erfindung näher unter Bezug auf die Figuren erläutert. In diesen zeigt:
    • 1 eine schematische Darstellung von funktionalen Elementen von Ausführungsformen der Erfindung,
    • 2 eine schematische Darstellung von funktionalen Elementen von Ausführungsformen der Erfindung und deren Interaktion mit anderen Geräten.
  • Nachfolgend wird die Erfindung eingehender unter Bezugnahme auf die Figuren dargestellt werden. Dabei ist anzumerken, dass unterschiedliche Aspekte beschrieben werden, die jeweils einzeln oder in Kombination zum Einsatz kommen können. D.h. jeglicher Aspekt kann mit unterschiedlichen Ausführungsformen der Erfindung verwendet werden soweit nicht explizit als reine Alternative dargestellt.
  • Weiterhin wird nachfolgend der Einfachheit halber in aller Regel immer nur auf eine Entität Bezug genommen werden. Soweit nicht explizit vermerkt, kann die Erfindung aber auch jeweils mehrere der betroffenen Entitäten aufweisen. Insofern ist die Verwendung der Wörter „ein“, „eine“ und „eines“ nur als Hinweis darauf zu verstehen, dass in einer einfachen Ausführungsform zumindest eine Entität verwendet wird.
  • Soweit nachfolgend Verfahren beschrieben werden, sind die einzelnen Schritte eines Verfahrens in beliebiger Reihenfolge anordenbar und/oder kombinierbar, soweit sich durch den Zusammenhang nicht explizit etwas Abweichendes ergibt. Weiterhin sind die Verfahren soweit nicht ausdrücklich anderweitig gekennzeichnet - untereinander kombinierbar.
  • Angaben mit Zahlenwerten sind in aller Regel nicht als exakte Werte zu verstehen sondern beinhalten auch eine Toleranz von +/- 1% bis zu +/- 10 %.
  • Bezugnahme auf Standards oder Spezifikationen sind als Bezugnahme auf Standards bzw. Spezifikationen, die im Zeitpunkt der Anmeldung und/oder - soweit eine Priorität beansprucht wird - im Zeitpunkt der Prioritätsanmeldung gelten / galten zu verstehen. Hiermit ist jedoch kein genereller Ausschluss der Anwendbarkeit auf nachfolgende oder ersetzende Standards oder Spezifikationen zu verstehen.
  • In 1 und 2 sind schematisch Vorrichtungen 1 zur Generierung von STIR Bildern gemäß der Erfindung gezeigt. Diese Vorrichtung 1 weist ein Eingabemittel IT1 für T1-gewichteter Bilder BT1 eines zu untersuchenden Areals und Eingabemittel IT2 für T2-gewichteter Bilder BT2 des zu untersuchenden Areals auf.
  • Weiterhin weist die Vorrichtung 1 zumindest ein Machine Learning basiertes Netzwerk MLN und Eingabemittel IT für Trainingsdaten TD für das Machine Learning basierte Netzwerk MLN sowie Ausgabemittel O, zur Bereitstellung von generierten STIR Bildern des zu untersuchenden Areals, auf.
  • Die Vorrichtung 1 ist dazu eingerichtet, dass die T1-gewichteten Bilder BT1 und die T2-gewichteten Bilder BT2 des zu untersuchenden Areals dem mittels der Trainingsdaten TD konfigurierten Machine Learning basierten Netzwerks MLN zugeführt werden. Das mittels der Trainingsdaten TD konfigurierte Machine Learning basierte Netzwerk MLN ist dazu eingerichtet aus den zugeführten T1-gewichteten Bildern BT1 und den T2-gewichteten Bildern BT2 STIR Bilder des zu untersuchenden Areals zu generieren.
  • Die Ausgabemittel O sind dazu eingerichtet die durch das Machine Learning basierte Netzwerk MLN erzeugten STIR Bilder des zu untersuchenden Areals bereitzustellen.
    • D.h. aus den bereits zuvor erhobenen T1- und T2-gewichteten Sequenzen eines bestimmten Areals kann durch das geeignete trainierte Machine Learning basierte Netzwerk MLN eine STIR-Sequenz des gleichen Areals erstellt werden ohne dass es dabei zu einer Verlängerung des Untersuchungszeitraumes kommt. Damit kann der Patientenkomfort erhöht werden. Zudem kann die so eingesparte Zeit für die Untersuchung weiterer Patienten verwendet werden. Hierdurch steigt die Kapazität für solche Untersuchungen. Zudem ist die Wahrscheinlichkeit von Bewegungsartefakten geringer, da nunmehr die STIR-Sequenz nicht zusätzlich erhoben werden muss.
  • Wie in 2 dargestellt können die Eingabemittel IT1, IT2 , IT und auch die Ausgabemittel O über eine geeignete gemeinsame Schnittstelle I/O zur Verfügung gestellt werden.
  • In einer Ausführungsform der Erfindung ist das Machine Learning basierte Netzwerk MLN ein Generative Adversarial Netzwerk. Insbesondere kann das Machine Learning basierte Netzwerk MLN ein conditional Generative Adversarial Netzwerk sein. Beispielhaft basiert das Machine Learning basierte Netzwerk MLN auf Pix2PixHD. Z.B. können die T1- und T2-gewichteten Bildern BT1, BT2 im Fall des auf Pix2PixHD basierten Netzwerkes MLN unterschiedlichen Farbkanälen (z.B. R und G) entsprechen.
  • In einer Ausführungsform der Erfindung können neben den aufgeführten T1- und T2-gewichteten Bildern BT1, BT2 noch weitere Bilddaten dem Machine Learning basiertes Netzwerk MLN in Betrieb zugeführt werden. Z.B. können die weiteren Bilddaten im Fall des auf Pix2PixHD basierten Netzwerkes MLN einem weiteren Farbkanal (z.B. B) entsprechen. Beispielsweise ist es möglich mittels eines kontrast-limitierenden adaptiven Histogramm-Filters Bilder des einen Kanales (z.B. derT2-gewichteten Bilder BT2) vor zu verarbeiten und als weitere Bilddaten dem Machine Learning basierten Netzwerk MLN zuzuführen. Eine beispielhafter Filter kann z.B. die Größe 32x32 mit einem clip-Limit von 1 sein.
  • Die Vorrichtung 1 kann eigenständig implementiert sein. Ebenso kann die Vorrichtung in ein MRT-Gerät oder aber auch in einer Steuer- oder Analyseeinrichtung WS des MRT-Gerätes integriert sein. Wie sich aus der vorherigen Beschreibung ergibt, ist eine nachträgliche Erstellung einer STIR-Sequenz ohne weiteres möglich, sodass z.B. auch aus bereits erfassten älteren Daten für die Diagnostik noch Ergebnisse bereitgestellt werden können. Solche Bilddaten können z.B. aus einer Datenbank DB abgerufen werden. Diese Datenbank DB kann mittels einer geeigneten Schnittstelle Bilddaten (auf Anforderung durch einen Benutzer, z.B. an einer Steuer- oder Analyseeinrichtung WS) an die Vorrichtung 1 angebunden sein.
  • Von erheblichem Vorteil ist, dass Bewegungsartefakte bei einer synthetischen Erzeugung weniger zum Tragen kommen.
  • Insbesondere bei Patienten mit Problemen an der Wirbelsäule, d.h. bei Untersuchungen, die auf Grund der Länge der Wirbelsäule bereits lang sind, stellt die Erfindung eine Verbesserung dar, da insbesondere hier der diagnostische Nutzen der STIR-Sequenzen hoch ist, da hiermit z.B. die Erkennung von Entzündungen oder akuten Wirbelfrakturen besonders gut möglich ist. Im Falle einer Wirbelkörperfraktur kann mittels STIR z.B. ein Wirbelödem erkannt werden, sodass z.B. zwischen einer alten und einer neuen Fraktur unterschieden werden kann, was therapierelevant ist.
  • Im Rahmen von Untersuchungen konnte ein conditional GAN aufweisend ein convolutionales und ein deconvolutionales Neuronales Netzwerk MLN basierend auf Pix2PixHD verwendet werden. Sagittale T1- und T2-Bilder BT1, BT2 wurden dabei auf unterschiedlichen Farbkanälen in dem Machine Learning basierten Netzwerk (MLN) zusammengeführt.
  • Ohne Beschränkung der Allgemeinheit der Erfindung kann vorgesehen sein, dass Bilddaten BT1, BT2 vor der Zuführung an das Machine Learning basierte Netzwerk MLN vorbearbeitet werden, um z.B. die Bittiefe auf ein gewünschtes (einheitliches) Maß (z.B. 16/24/32 Bit) zu führen, oder aber die Bildausschnitte auf eine vorbestimmte (gleiche) Größe (z.B. 512x512 1024/1024 ....) zu führen (z.B. durch Ausschneiden oder Auffüllen mit Schwarzdaten). Ebenso kann z.B. die Intensitätsverteilung gespreizt werden, z.B. auf einen Bereich von -1 ... 1.
  • Eine beispielhafte Implementierung basiert auf dem Pix2PixHD framework, welches eine Kombination von zwei Netzwerken ist, die als local generator bzw. global generator bezeichnet werden. Der global generator erzeugt dabei Bilder geringerer Auflösung, die durch den local generator verbessert werden.
  • Als Ausgabeformat wurde ein einkanaliges 16-bit vSTIR verwendet und das Machine Learning basierte Netzwerk MLN entsprechend angepasst.
  • Der sogenannte feature matching (VGG) part der Verlustfunktion wurde mittels einer einfachen Mittelung angepasst, um mit Graustufenbildern arbeiten zu können, da ansonsten die Verlustfunktion in Bezug auf RGB-Bilder bestimmt ist.
  • Das Machine Learning basierte Netzwerk MLN wurde in 300 vollständigen Durchläufen (Epochen) trainiert, wobei die sonstigen Parameter auf den voreingestellten Parametern (learning rate 0.0002, Adam optimizer mit momentum 0.5) belassen wurden.
  • Ohne Beschränkung der Allgemeinheit der Erfindung kann die Erfindung insbesondere für die Diagnostik von akuten Pathologien wie Entzündungen, akuten knöchernen Verletzungen, akuten Sehnen-/ und Bandverletzungen sowie neoplastischer Veränderungen in der Human- als auch Tiermedizin verwendet werden.

Claims (10)

  1. Vorrichtung (1) zur Generierung von STIR Bildern, aufweisend • Eingabemittel (IT1) für T1-gewichtete Bilder (BT1) eines zu untersuchenden Areals, • Eingabemittel (IT2) für T2-gewichtete Bilder (BT2) des zu untersuchenden Areals, • Zumindest ein Machine Learning basiertes Netzwerk (MLN), • Eingabemittel (IT) für Trainingsdaten (TD) für das Machine Learning basierte Netzwerk, • Ausgabemittel (O) zur Bereitstellung von generierten STIR Bildern des zu untersuchenden Areals, • wobei die Vorrichtung (1) dazu eingerichtet ist, dass die T1-gewichteten Bilder (BT1) und die T2-gewichten Bilder (BT2) des zu untersuchenden Areals dem mittels der Trainingsdaten (TD) konfigurierten Machine Learning basierten Netzwerk (MLN) zugeführt werden, • wobei das mittels der Trainingsdaten (TD) konfigurierte Machine Learning basierte Netzwerk (MLN) dazu eingerichtet ist, dass aus den zugeführten T1-gewichteten Bildern (BT1) und den T2-gewichteten Bildern (BT2) STIR Bilder des zu untersuchenden Areals generiert werden, • wobei die Ausgabemittel (O) dazu eingerichtet sind, die durch das Machine Learning basierte Netzwerk (MLN) erzeugten STIR Bilder des zu untersuchenden Areals bereitzustellen.
  2. Vorrichtung (1) nach Anspruch 1, dadurch gekennzeichnet, dass das Machine Learning basierte Netzwerk (MLN) ein Generative Adversarial Netzwerk ist.
  3. Vorrichtung (1) nach Anspruch 1, dadurch gekennzeichnet, dass das Machine Learning basierte Netzwerk (MLN) ein condtional Generative Adversarial Netzwerk ist.
  4. Vorrichtung (1) nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das Machine Learning basierte Netzwerk (MLN) auf Pix2PixHD basiert.
  5. Vorrichtung (1) nach Anspruch 4, dadurch gekennzeichnet, dass dem Machine Learning basierten Netzwerk (MLN) in Betrieb auf einem dritten Eingabekanal zusätzliche Bilddaten zugeführt werden.
  6. Vorrichtung (1) nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Vorrichtung Teil eines MRT-Gerätes ist.
  7. Vorrichtung (1) nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass für unterschiedliche zu untersuchende Areale unterschiedliche Trainingsdaten (TD) zur Verfügung gestellt werden.
  8. Verwendung einer Vorrichtung (1) nach einem der vorhergehenden Ansprüche für die Diagnostik von akuten Pathologien wie Entzündungen, akuten knöchernen Verletzungen, akuten Sehnen-/ und Bandverletzungen sowie neoplastischer Veränderungen.
  9. Verfahren zur Generierung von STIR Bildern mittels einer Vorrichtung (1) nach einem der vorhergehenden Ansprüche 1 bis 8, aufweisend die Schritte: • Erhalten von T1-gewichteten Bildern (BT1) eines zu untersuchenden Areals, • Erhalten von T2-gewichteten Bildern (BT2) des zu untersuchenden Areals, • Erhalten von Trainingsdaten (TD) für Machine Learning basierte-Netzwerk (MLN), • Zuführen der T1-gewichteten Bilder (BT1) und derT2-gewichteten Bilder (BT2) des zu untersuchenden Areals an das mittels der Trainingsdaten konfigurierte Machine Learning basierte Netzwerk, • wobei das mittels der Trainingsdaten (TD) konfigurierte Machine Learning basierte Netzwerk aus den zugeführten T1-gewichteten Bildern (BT1) und den T2-gewichteten Bildern (BT2) STIR Bilder des zu untersuchenden Areals generiert, • Bereitstellen der durch das Machine Learning basierte (MLN) erzeugten STIR Bilder des zu untersuchenden Areals.
  10. Verfahren nach Anspruch 9, dadurch gekennzeichnet, dass dem Machine Learning basierte Netzwerk(MLN) in Betrieb auf einem Eingabekanal T1-gewichtete Bilder des zu untersuchenden Areals zugeführt werden, und wobei dem Machine Learning basierten Netzwerk (MLN) in Betrieb auf einem zweiten Eingabekanal T2-gewichtete Bilder des zu untersuchenden Areals zugeführt werden.
DE102021207520.7A 2021-07-14 2021-07-14 Vorrichtung und Verfahren zur Generierung von STIR Bildern, sowie deren Verwendung Pending DE102021207520A1 (de)

Priority Applications (2)

Application Number Priority Date Filing Date Title
DE102021207520.7A DE102021207520A1 (de) 2021-07-14 2021-07-14 Vorrichtung und Verfahren zur Generierung von STIR Bildern, sowie deren Verwendung
PCT/EP2022/069703 WO2023285579A1 (de) 2021-07-14 2022-07-14 Vorrichtung und verfahren zur generierung von stir bildern, sowie deren verwendung

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE102021207520.7A DE102021207520A1 (de) 2021-07-14 2021-07-14 Vorrichtung und Verfahren zur Generierung von STIR Bildern, sowie deren Verwendung

Publications (1)

Publication Number Publication Date
DE102021207520A1 true DE102021207520A1 (de) 2023-01-19

Family

ID=82846331

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102021207520.7A Pending DE102021207520A1 (de) 2021-07-14 2021-07-14 Vorrichtung und Verfahren zur Generierung von STIR Bildern, sowie deren Verwendung

Country Status (2)

Country Link
DE (1) DE102021207520A1 (de)
WO (1) WO2023285579A1 (de)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019161043A1 (en) 2018-02-15 2019-08-22 GE Precision Healthcare LLC System and method for synthesizing magnetic resonance images

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019161043A1 (en) 2018-02-15 2019-08-22 GE Precision Healthcare LLC System and method for synthesizing magnetic resonance images

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
KIM, S., [et al.]: Deep-learned short tau inversion recovery imaging using multi-contrast MR images. In: Magnetic Resonance in Medicine; 2020, Vol 00; Seiten 1- 15; DOI: 10.1002/mrm.28327

Also Published As

Publication number Publication date
WO2023285579A1 (de) 2023-01-19

Similar Documents

Publication Publication Date Title
DE19532901B4 (de) Verfahren und Gerät zum Abbilden physiologischer Funktionsinformation mit kernmagnetischer Resonanz (NMR)
DE4432570B4 (de) Verfahren und Vorrichtung für die Kernresonanzabbildung physiologischer Funktionsinformation
EP2449528B1 (de) Wissensbasierte segmentierung schwächungsrelevanter regionen des kopfes
DE102013103832A1 (de) Dämpfungskorrektur in der Positronen-Emissions-Tomographie unter Verwendung von Magnetresonanztomographie
DE102004043889B4 (de) Verfahren zum Erzeugen eines nuklearmedizinischen Bildes
DE102016218359B3 (de) Verfahren und Vorrichtung zur Korrektur einer synthetischen Elektronendichtekarte
DE102006018413A1 (de) MR-Tomograph mit einem System zur Kontrastoptimierung von MRT-Bildern
DE102011090047A1 (de) Kontrollverfahren und Kontrollsystem
DE102015219622A1 (de) Rekonstruktion einer Abbildung anhand einer oder mehrerer Bildgebungsmodalitäten
DE102012205711A1 (de) Verfahren zum Betreiben eines bildgebenden Diagnosegerätes sowie medizinisches bildgebendes System
DE102010041450B4 (de) Automatische Erstellung eines selektiv Gewebearten darstellenden MR-Bildes
DE102015203932A1 (de) Schwächungskorrektur von Emissionstomographie-Messdaten in Anwesenheit eines magnetischen Störfeldes
DE102010041125B4 (de) Räumliche Korrektur von Bilddaten einer Serie von Magnetresonanzaufnahmen
DE102014214992B4 (de) Verfahren zur Aufnahme eines Magnetresonanzdatensatzes wenigstens eines Fremdkörpers in einem Patienten und Magnetresonanzeinrichtung
DE102014210218A1 (de) Verfahren zum Generieren von medizinischen Bilddatensätzen
DE102014204381B4 (de) Planung einer Brachytherapie-Behandlung aufgrund von Magnetresonanz-Bilddaten mit hyperintens dargestellten Bereichen
DE102009008795B4 (de) Verfahren zur Bestimmung der Magnetisierungstransferkonstante mit Spin Echo Bildgebungssequenzen
DE102004003381A1 (de) Verfahren zur Bestimmung der Lage wenigstens einer Schicht in einem Untersuchungsgebiet, in welcher Schicht eine Schichtbildaufnahme erfolgen soll
DE102021207520A1 (de) Vorrichtung und Verfahren zur Generierung von STIR Bildern, sowie deren Verwendung
DE10105585A1 (de) Verfahren zum Betrieb eines Magnetresonanzgeräts
DE102008057083A1 (de) Verfahren zum Erfassen und Anzeigen von medizinischen Bilddaten
DE102015202494B4 (de) Auswertung einer dynamischen Kontrastmittelverteilung
DE10105387C2 (de) Verfahren zum Betrieb eines Magnetresonanzgeräts zur funktionellen Bildgebung sowie Magnetresonanzgerät zur Durchführung des Verfahrens
DE102013214050A1 (de) Verfahren zu einem Darstellen von Bilddaten von Körperbereichen eines Patienten, wobei die Körperbereiche an einer Demenz-Erkrankung erkranken können, sowie ein medizinische Bildgebungssystem, das zu einer Ausführung des Verfahrens ausgelegt ist
DE102017202601A1 (de) Bestimmung von Markierungen auf quantitativen Bilddaten

Legal Events

Date Code Title Description
R163 Identified publications notified