DE112020003284T5 - Tiefes lernen einer tomographie elektrischer eigenschaften - Google Patents

Tiefes lernen einer tomographie elektrischer eigenschaften Download PDF

Info

Publication number
DE112020003284T5
DE112020003284T5 DE112020003284.1T DE112020003284T DE112020003284T5 DE 112020003284 T5 DE112020003284 T5 DE 112020003284T5 DE 112020003284 T DE112020003284 T DE 112020003284T DE 112020003284 T5 DE112020003284 T5 DE 112020003284T5
Authority
DE
Germany
Prior art keywords
maps
training
map
field
dnn
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.)
Withdrawn
Application number
DE112020003284.1T
Other languages
English (en)
Inventor
Ulrich Katscher
Nils Hampe
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.)
Koninklijke Philips NV
Original Assignee
Koninklijke Philips NV
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 Koninklijke Philips NV filed Critical Koninklijke Philips NV
Publication of DE112020003284T5 publication Critical patent/DE112020003284T5/de
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • G—PHYSICS
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • 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]
    • G01R33/443—Assessment of an electric or a magnetic field, e.g. spatial mapping, determination of a B0 drift or dosimetry
    • 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
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G06T11/006—Inverse problem, transformation from projection-space into object-space, e.g. transform methods, back-projection, algebraic methods
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/41—Medical

Landscapes

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

Abstract

Die vorliegende Offenbarung bezieht sich auf ein Verfahren zum Bestimmen elektrischer Eigenschaften, EP, eines Zielvolumens (708) in einem abgebildeten Subjekt (718). Das Verfahren umfasst: Durchführen eines ersten Trainings (201) eines tiefen neuronalen Netzes, DNN, unter Verwendung eines ersten Trainingsdatensatzes, wobei der erste Trainingsdatensatz, der Trainings-B 1-Feldkarten und entsprechende erste EP-Karten umfasst, wobei das erste Training zu einem vortrainierten DNN führt, das zum Erzeugen von EP-Karten aus B 1-Feldkarten konfiguriert ist; Durchführen eines zweiten Trainings (203) des vortrainierten DNN unter Verwendung von bedingten generativen adversarialen Netzen, GAN, und einem zweiten Trainingsdatensatz, wobei das vortrainierte DNN ein Generator des bedingten GAN ist, wobei der zweite Trainingsdatensatz gemessene B 1-Karten und zweite EP-Karten umfasst, wobei das zweite Training zu einem trainierten DNN führt; Empfangen (205) einer Eingabe-B 1-Feldkarte des Zielvolumens und Erzeugen einer EP-Karte der Eingabe-B 1-Feldkarte unter Verwendung des trainierten DNN.

Description

  • GEBIET DER ERFINDUNG
  • Die Erfindung betrifft scannende Bildgebungssysteme, insbesondere ein medizinisches Analysesystem zum Bestimmen elektrischer Eigenschaften (EP) eines Zielvolumens in einem abgebildeten Subjekt.
  • HINTERGRUND DER ERFINDUNG
  • Die Tomopraphie elektrischer Eigenschaften (EPT) ist eine Technik, um elektrische Eigenschaften von Gewebe nichtinvasiv und quantitativ in vivo durch Nachverarbeitung der Größe und Phase von B 1-Feldverteilungen zu messen. Die Beziehung zwischen EPs und komplexen B 1-Werten wird durch die sogenannte Helmholtz-Gleichung angegeben. Somit stellt die Helmholtz-Gleichung die EPs unter Berücksichtigung der komplexwertigen B1-Abbildung von MRT als Eingabe bereit. Herkömmliche EPTs leiden jedoch an dem Transceiver-Phasenproblem, Problemen bei Gewebegrenzen und Rauschverstärkung.
  • KURZDARSTELLUNG DER ERFINDUNG
  • Verschiedene Ausführungsformen stellen ein medizinisches Analysesystem zum bestimmen elektrischer Eigenschaften (EP) eines Zielvolumens in einem abgebildeten Subjekt, ein Verfahren und ein Computerprogrammprodukt bereit, wie durch den Gegenstand der unabhängigen Ansprüche beschrieben. Vorteilhafte Ausführungsformen werden in den abhängigen Ansprüchen beschrieben.
  • Ausführungsformen der Erfindung können ein Mittel zum Verwenden von domänenadversarialem Training zum Erzielen eines robusten tiefen Lernens von EPT für Artefakte bereitstellen, die aus der in-vivo-Bilderfassung entstehen. Dies kann durch Durchführen eines adversarialen Trainings erreicht werden. Neben einem Rekonstruktionsnetz (Generator) wird ein zusätzliches Netz (Diskriminator) trainiert, um hohe Pegelabweichungen zwischen Generatorausgaben und realistischen Gewebe-EPs (z. B. elektromagnetische Modelle, die Literatur-EP-Werte einbeziehen) zu identifizieren. Zum Beispiel werden nach dem Vortrainieren des Generators auf Simulationen in-vivo-B1-Daten ohne EP-Kennzeichnungen, aber mit in-vivo-Artefakten zum Trainieren des Generators benutzt, um Ausgaben zu erzeugen, die der Diskriminator nicht von der realistischen Ausgabe unterscheiden kann.
  • In einem Gesichtspunkt bezieht sich die Erfindung auf ein medizinisches Analysesystem zum Bestimmen elektrischer Eigenschaften (EP) eines Zielvolumens in einem Subjekt. Zum Beispiel kann die Magnetresonanztomographie elektrischer Eigenschaften (MR-EPT) zum Schätzen der Leitfähigkeit und der Permittivitätsverteilung des Zielvolumens verwendet werden. Die Bildgebung gemäß MR-EPT kann es ermöglichen, ein Phasenbild und/oder B 1-Amplitudenbild des HF-Feldes zu erhalten, das unter Verwendung spezifischer Pulssequenzen erzeugt wird. Zum Beispiel kann das Subjekt durch ein Magnetresonanzbildgebungssystem (MRI-System) abgebildet werden, das zu MRI-Daten führt. Die MRI-Daten können verwendet werden, um Gewebe-EPs zu rekonstruieren, indem ein elektromagnetisches Umkehrproblem in Bezug auf MR-Messungen des Übertragungshochfrequenzfeldes (HF-Feldes) für die EPs gelöst wird. Das medizinische Analysesystem umfasst mindestens einen Prozessor; und mindestens einen Speicher, der maschinenausführbare Anweisungen speichert. Der Prozessor ist zum Steuern des medizinischen Analysesystems konfiguriert, wobei die Ausführung der maschinenausführbaren Anweisungen den Prozessor veranlasst zum: Durchführen eines ersten Trainings eines tiefen neuronalen Netzes, DNN, unter Verwendung eines ersten Trainingsdatensatzes, wobei der erste Trainingsdatensatz Trainings B1-Feldkarten und entsprechende erste EP-Karten umfasst, wobei das erste Training zu einem vortrainierten DNN führt, das zum Erzeugen von EP-Karten aus B 1-Feldkarten konfiguriert ist; Durchführen eines zweiten Trainings des vortrainierten DNN unter Verwendung von bedingten generativen adversarialen Netzen, GAN und einem zweiten Trainingsdatensatz, wobei das vortrainierte DNN ein Generator des bedingten GAN ist, wobei der zweite Trainingsdatensatz gemessene B 1-Karten und zweite EP-Karten umfasst, wobei das zweite Training zu einem trainierten DNN führt; Empfangen einer Eingabe-B 1 Feldkarte des Zielvolumens und Erzeugen einer EP-Karte der Eingabe B1-Feldkarte unter Verwendung des trainierten DNN.
  • Zahlreiche B 1-Abbildungsverfahren existieren zum experimentellen Bestimmen von B1-Feldverteilungen. Diese Verfahren können zum Messen von Größen- und Phasenverteilungen verwendet werden. Zum Beispiel können zwei MRI-Scans verwendet werden, um eine komplexwertige B 1-Feldkarte zu erfassen oder zu erzeugen, z. B. einen Scan zum Erfassen der B1-Größenverteilung und einen Scan zum Erfassen der B1-Phasenverteilung. Die B1-Feldkarten können B1-Sendefeldkarten sein.
  • Wenn die Informationen zum B 1-Feld in Form einer räumlichen 2-D- oder 3-D-Verteilung bestimmt oder dargestellt werden, kann sie als B 1-Feldkarte bezeichnet werden. Die B1-Feldkarte kann zum Beispiel unter Verwendung von MRI-Daten bestimmt werden, die durch Scannen des Zielvolumens des Subjekts erfasst werden. Eine B1-Feldkarte kann verwendet werden, um aus der B1-Feldkarte eine EP-Karte abzuleiten. Die abgeleitete EP-Karte entspricht daher dieser B1-Feldkarte. Das Ableiten der EP-Karte umfasst ein Durchführen einer EPT-Rekonstruktion unter Verwendung der B1-Feldkarte, z. B. kann die EP-Karte berechnet werden, indem ein Laplace-Operator der B 1-Feldkarte genommen wird.
  • Durch das Durchführen eines zweistufigen Trainings kann der vorliegende Gegenstand es ermöglichen, präzise elektrische Gewebeeigenschaften (Leitfähigkeit und Permittivität) zu erhalten. Dies kann insbesondere vorteilhaft sein, da die elektrischen Eigenschaften für korrekte elektromagnetische Simulationen und eine nachfolgende spezifische Absorptionsratenbewertung (SAR) entscheidend sein können, wie für die Sicherheitsbewertung von MRI. Der vorliegende Gegenstand kann nichtinvasive in-vivo-Messungen ermöglichen.
  • Der vorliegende Gegenstand kann verglichen mit bestehenden Verfahren vorteilhaft sein, da sie eine große Variation zwischen den gemeldeten elektrischen Eigenschaften zeigen. Diese Variationen können durch die Verwendung von Geweben verschiedener Spezies und Variationen bei Messbedingungen (z. B. Gewebetemperatur, in vivo, in vitro und ex vivo) erklärt werden. Das vorliegende Verfahren kann verwendet werden, um die Gültigkeit des Stroms, der bei elektrischen in-vivo-Eigenschaftswerten gehalten wird, zu verifizieren. Insbesondere kann die Benutzung von tiefem Lernen für EPT wesentliche Probleme der herkömmlichen Verfahren für EPT wie das Transceiver-Phasenproblem, Probleme bei Gewebegrenzen und Rauschverstärkung lösen.
  • Der vorliegende Gegenstand kann für Fälle angewendet werden, bei denen elektrische Eigenschaften von diagnostischem Wert sind, oder wenn elektrische Eigenschaften für die HF-Sicherheitsverwaltung benötigt werden, oder wenn elektrische Eigenschaften für die Therapieplanung wie HF-Ablation/Hyperthermie benötigt werden.
  • Gemäß einer Ausführungsform umfasst jedes der Trainings und gemessenen B1-Feldkarten eine jeweilige B1-Feldphasenkarte und/oder B 1-Amplitudenkarte, wobei die Eingabe-B 1-Feldkarte eine B 1-Phasenkarte und/oder B 1-Amplitudenkarte umfasst.
  • In einem ersten Beispiel umfasst jedes der Trainings und gemessenen B 1-Feldkarten eine jeweilige B1-Feldphasenkarte, wobei die Eingabe-B 1-Feldkarte eine B1-Phasenkarte umfasst. Mit anderen Worten werden das erste und das zweite Training unter Verwendung von B 1-Phasenkarten durchgeführt, um ein trainiertes DNN zu erzeugen, das eine Leitfähigkeitskarte als Reaktion auf ein Empfangen einer B1-Phasenkarte als Eingabe schätzen oder vorhersagen kann. Das DNN kann zum Beispiel eine Eingabeschicht umfassen, die konfiguriert ist, um Voxel- oder Pixelwerte der Trainings-B 1-Karten zu empfangen. Jede Trainings-B1-Karte kann zum Beispiel ein Bild umfassen, dessen Pixelwerte in das DNN eingegeben werden können, um das erste Training durchzuführen. Die Ausgabeschicht des DNN kann zum Beispiel konfiguriert sein, um Ausgabewerte bereitzustellen, welche die Leitfähigkeitswerte angeben. Das erste Training kann dazu führen, dass das DNN zum Ausgeben einer Vorhersage oder Schätzung einer Leitfähigkeitskarte, die einer Eingabe-B 1-Feldphasenkarte entspricht, trainiert wird. Dies kann eine Initialisierung des DNN (z. B. initialisierte Gewichtungen) ermöglichen, bevor sie in dem GAN-Rahmenwerk trainiert werden. Die Initialisierung mit dem ersten Training kann die Genauigkeit des zweiten Trainings verbessern, und somit können die vorhergesagten EP-Karten genauer sein. Die Eingabe-B 1-Feldkarte kann eine Eingabe-B 1-Phasenkarte sein. Durch Empfangen der Eingabe-B1 Phasenkarte kann das trainierte DNN die Leitfähigkeitskarte ausgeben. Dies kann eine genaue und präzise Leitfähigkeitskartenrekonstruktion z. B. von menschlichen Himgeweben bei klinisch verfügbaren MR-Feldstärken ermöglichen.
  • In einem zweiten Beispiel umfasst jedes der Trainings und gemessenen B1-Feldkarten eine jeweilige B 1-Amplitudenkarte, wobei die Eingabe-B 1-Feldkarte eine B1-Amplitudenkarte umfasst. Mit anderen Worten werden das erste und das zweite Training unter Verwendung von B 1-Amplitudenkarten durchgeführt, um ein trainiertes DNN zu erzeugen, das eine Permittivitätskarte als Reaktion auf das Empfangen einer B 1-Amplitudenkarte als Eingabe schätzen oder vorhersagen kann. Das DNN kann zum Beispiel eine Eingabeschicht umfassen, die konfiguriert ist, um Voxel- oder Pixelwerte der B 1-Amplitudenkarten zu empfangen. Jede B 1-Amplitudenkarte kann zum Beispiel ein Bild umfassen, dessen Pixelwerte in das DNN eingegeben werden können, um das erste Training durchzuführen. Die Ausgabeschicht des DNN kann zum Beispiel konfiguriert sein, um Ausgabewerte bereitzustellen, welche die Permittivitätswerte angeben. Das erste Training kann dazu führen, dass das DNN zum Ausgeben einer Vorhersage oder Schätzung einer Permittivitätskarte trainiert wird, die einer Eingabe-B 1 Amplitudenkarte entspricht. Dies kann eine Initialisierung des DNN (z. B. initialisierte Gewichtungen) ermöglichen, bevor sie in dem GAN-Rahmenwerk trainiert werden. Die Eingabe-B 1-Feldkarte kann eine Eingabe-B 1 Amplitudenkarte sein. Durch Empfangen der Eingabe-B 1-Amplitudenkarte kann das trainierte DNN die Permittivitätskarte ausgeben. Dies kann eine genaue und präzise Permittivitätskartenrekonstruktion z. B. von humanen Himgeweben bei klinisch verfügbaren MR-Feldstärken ermöglichen.
  • Das erste und zweite Beispiel können eine phasenalleinige Leitfähigkeitsrekonstruktion und eine größenalleinige Permittivitätsrekonstruktion ermöglichen. Dies kann insbesondere in dem Frequenzbereich vorteilhaft sein, der MR-Feldstärken unter 3 T entspricht, wobei das Wellenverhalten von B1 weniger signifikant ist und die absolute B 1-Phase von der Leitfähigkeitsverteilung mehr abhängt als die Permittivität, während sich die Permittivität enger auf die Größe von B 1-Feldern bezieht.
  • In einem dritten Beispiel umfasst jedes der Trainings und gemessenen B1-Feldkarten eine jeweilige B1-Feldphasenkarte und B 1-Amplitudenkarte, wobei die Eingabe-B 1-Feldkarte eine B 1-Phasenkarte und B1-Amplitudenkarte umfasst. Mit anderen Worten werden das erste und das zweite Training unter Verwendung sowohl von B 1-Amplituden- als auch von B 1-Phasenkarten durchgeführt, um ein trainiertes DNN zu erzeugen, das eine Permittivitätskarte und Leitfähigkeitskarte als Reaktion auf das Empfangen einer B 1-Amplituden- und B 1-Phasenkarte als Eingabe schätzen oder vorhersagen kann. Das DNN kann zum Beispiel eine Eingabeschicht umfassen, die konfiguriert ist, um Voxel- oder Pixelwerte sowohl der B 1-Amplituden- als auch der B 1-Phasenkarte zu empfangen. Jede B1-Amplitudenkarte und B 1-Phasenkarte kann zum Beispiel ein Bild umfassen, wobei entsprechende Pixelwerte der zwei Bilder zum Durchführen des ersten Trainings in die Eingabeschicht des DNN eingegeben werden können. Die Ausgabeschicht des DNN kann zum Beispiel konfiguriert sein, um Ausgabewerte bereitzustellen, welche die Permittivitäts- und Leitfähigkeitswerte angeben. Das erste Training kann dazu führen, dass die DNN zum Ausgeben einer Vorhersage oder Schätzung einer Permittivitätskarte und Leitfähigkeitskarten trainiert wird, die einer Eingabe-B 1-Feldkarte entsprechen. Dies kann eine Initialisierung des DNN (z. B. initialisierte Gewichtungen) ermöglichen, bevor sie in dem GAN-Rahmenwerk trainiert werden. Durch Empfangen der Eingabe-B 1-Feldkarte kann das trainierte DNN die Permittivitäts- und Leitfähigkeitskarten ausgeben. Dies kann eine genaue und präzise Permittivitätskartenrekonstruktion z. B. von humanen Himgeweben bei klinisch verfügbaren MR-Feldstärken ermöglichen.
  • Gemäß einer Ausführungsform umfassen die Trainings-B1-Karten B1-Amplitudenkarten, wobei das vortrainierte DNN konfiguriert ist, um die Permittivitätskarten aus B 1-Amplitudenkarten zu erzeugen. Das erste Training ist auf die B 1-Amplitudenkarten beschränkt, während das zweite Training sowohl die B1-Amplituden- als auch die B 1-Phasenkarten verwenden kann. Dies kann es ermöglichen, den Prozess des Vorhersagens der EP-Karten zu beschleunigen, während immer noch genaue und präzise EP-Karten-Rekonstruktionen bereitgestellt werden.
  • Gemäß einer Ausführungsform umfassen die Trainings-B 1-Karten B 1-Phasen-Karten, wobei das vortrainierte DNN konfiguriert ist, um Leitfähigkeitskarten aus B 1-Phasenkarten zu erzeugen. Das erste Training ist auf die B 1-Phasenkarten beschränkt, während das zweite Training sowohl die B 1-Amplituden- als auch die B-Phasen-Karten verwenden kann. Dies kann es ermöglichen, den Prozess des Vorhersagens der EP-Karten zu beschleunigen, während immer noch genaue und präzise EP-Karten-Rekonstruktionen bereitgestellt werden.
  • Gemäß einer Ausführungsform umfassen die Trainings-B1 Feldkarten simulierte B1-Feldkarten und zugehörige simulierte EP-Karten, wobei die zweiten EP-Karten simulierte EP-Karten umfassen, wobei das zweite Training ein Trainieren des Generators unter Verwendung der gemessenen B 1-Feldkarten und ein Trainieren eines Diskriminators des GAN unter Verwendung sowohl der simulierten EP-Karten als auch der von dem Generator erzeugten EP-Karten umfasst. Dies kann ein bedingtes GAN-Rahmenwerk ermöglichen, in dem der Generator auf die gemessenen B 1-Feldkarten konditioniert wird. Die simulierten B 1-Feldkarten umfassen keine Artefakte.
  • Zum Beispiel schaut der Diskriminator simulierte EP-Karten (als reale EP-Karten) und erzeugte EP-Karten separat an. Der Diskriminator kann unterscheiden, ob eine Eingabe-EP-Karte real oder erzeugt ist. Dies kann es ermöglichen, dass der Generator mit gemessenen B 1-Feldkarten konditioniert wird. Dies kann es ermöglichen, dass die gemessenen B 1-Feldkarten anstelle des Erzeugens von EP-Karten nur aus Rauschen kombiniert werden können und vom Generator verwendet werden können, um die EP-Karten zu erzeugen. Das Training des Generators und des Diskriminators des GAN kann dann in einer adversarialen Art und Weise durchgeführt werden, wie beim Trainieren des GAN, aber der Generator wird mit den gemessenen B 1-Feldkarten konditioniert. Dies kann eine bessere Konvergenz des Trainings ermöglichen.
  • Beide Netze des Diskriminators und des Generators können in alternierenden Schritten trainiert werden. Zum Beispiel können die Parameter des Generators fest sein und eine einzelne Iteration des Gradientenabfalls an dem Diskriminator wird unter Verwendung der realen und der erzeugten EP-Karten durchgeführt. Dann können die Parameter des Diskriminators fest sein und der Generator für eine weitere Iteration trainiert werden.
  • Das unkomplizierte Training für ein DNN mit elektromagnetischen Simulationen ohne Berücksichtigen von Artefakten aus der in-vivo-Bilderfassung kann zu Rekonstruktionsfehlern führen, wenn Netze, die auf Simulationen trainiert wurden, auf in-vivo-Daten angewendet werden. Andererseits können das explizite Einschließen von Simulationen von in-vivo-Artefakten im Training eine umständliche und langwierige Prozedur sein und Probleme mit Authentizität haben hat und schließt das Risiko fehlender unidentifizierter Artefakte ein. Der vorliegende Gegenstand kann solche Probleme überwinden, indem ein Zwei-Stufen-Training durch ein erstes (Vor-) Training des DNN unter Verwendung von Simulationsdaten ohne Artefakte und zweites Training des vortrainierten DNN unter Verwendung von Messdaten, die Artefakte aufweisen, angewandt werden.
  • Das Training des Diskriminators umfasst eine Rückausbreitung eines Fehlers bei der Bestimmung, ob die Eingabe eine reale oder falsche (erzeugte) EP-Karte ist. Das Training des Generators umfasst eine Rückausbreitung eines Fehlers der Klassifizierung eines Fehlers bei der Bestimmung, ob die Eingabe eine reale oder falsche EP-Karte ist. Die Gewichtungen jedes der Netze des Diskriminators und des Generators können basierend auf den Fehlern, die sich rückausbreiten, aktualisiert werden.
  • Die Simulationsdaten können durch Simulieren einer realistischen Spuleneinrichtung und Einschließen realistischer Kopfmodelle erhalten werden. Dies kann es ermöglichen, eine hohe Anzahl von eindeutigen B 1-Feldern zu erhalten. Dies kann die Notwendigkeit einer hohen Menge an MR-Daten für das Training überwinden.
  • Gemäß einer Ausführungsform wird das Erzeugen der EP-Karte der Eingabe-B 1-Feldkarte unter Verwendung des trainierten DNN und des vortrainierten DNN durchgeführt, wobei das Erzeugen umfasst: Erzeugen der EP-Karte unter Verwendung jedes des trainierten DNN und des vortrainierten DNN; Mitteln der erzeugten EP-Karten und Bereitstellen einer Unsicherheit auf der gemittelten EP-Karte. Dies kann einen Zugriff auf Unsicherheiten der vorhergesagten EP-Karten ermöglichen und somit Mittel zum Überprüfen der Genauigkeit der vorhergesagten EP-Karten bereitstellen.
  • Gemäß einer Ausführungsform ist das DNN ein U-NET. Der Diskriminator des GAN kann zum Beispiel ein konvolutionaler PatchGAN-Klassifikator sein. Das U-NET kann aufeinanderfolgende Schichten umfassen, wobei Pooling-Operationen durch Upsampling-Operatoren ersetzt werden können. Diese Schichten können die Auflösung der Ausgabe des U-NET erhöhen.
  • Gemäß einer Ausführungsform ist das System konfiguriert, um mit einem oder mehreren MRI-Systemen verbunden zu werden und die Eingabe-B 1-Karte und/oder die gemessenen B 1-Karten aus den MRI-Systemen zu empfangen.
  • Gemäß einer Ausführungsform umfasst das System ferner ein MRI-System, wobei das MRI-System konfiguriert ist, um Bilddaten zu erfassen und B1-Karten aus den Bilddaten zu rekonstruieren, wobei die Eingabe-B 1-Karte und/oder die gemessenen B1-Karten die rekonstruierten B 1-Karten umfassen.
  • In einem anderen Gesichtspunkt bezieht sich die Erfindung auf ein Verfahren zum Bestimmen elektrischer Eigenschaften, EP, eines Zielvolumens in einem Subjekt. Das Verfahren umfasst: Durchführen eines ersten Trainings eines tiefen neuronalen Netzes, DNN, unter Verwendung eines ersten Trainingsdatensatzes, wobei der erste Trainingsdatensatz Trainings-B 1-Feldkarten und entsprechende erste EP-Karten umfasst, wobei das erste Training zu einem vortrainierten DNN führt, das zum Erzeugen von EP-Karten aus B1-Feldkarten konfiguriert ist; Durchführen eines zweiten Trainings des vortrainierten DNN unter Verwendung von bedingten generativen adversarialen Netzwerken, GAN und eines zweiten Trainingsdatensatzes, wobei das vortrainierte DNN ein Generator des bedingten GAN ist, wobei der zweite Trainingsdatensatz gemessene B1-Karten und zweite EP-Karten umfasst, wobei das zweite Training zu einem trainierten DNN führt; Empfangen einer Eingabe-B1 Feldkarte des Zielvolumens und Erzeugen einer EP-Karte der Eingabe-B 1-Feldkarte unter Verwendung des trainierten DNN.
  • In einem anderen Gesichtspunkt bezieht sich die Erfindung auf ein Computerprogrammprodukt, das maschinenausführbare Anweisungen zur Ausführung durch einen Prozessor umfasst, wobei die Ausführung der maschinenausführbaren Anweisungen den Prozessor veranlasst, die Verfahren nach einer der vorstehenden Ausführungsformen durchzuführen.
  • Es versteht sich, dass eine oder mehrere der zuvor genannten Ausführungsformen der Erfindung kombiniert werden können, solange sich die kombinierten Ausführungsformen nicht gegenseitig ausschließen.
  • Figurenliste
  • Im Folgenden werden bevorzugte Ausführungsformen der Erfindung nur beispielhaft und unter Bezugnahme auf die Zeichnungen beschrieben, wobei:
    • 1 ein schematisches Diagramm eines Steuerungssystems gemäß dem vorliegenden Gegenstand ist,
    • 2 ein Flussdiagramm eines Verfahrens zum Bestimmen elektrischer Eigenschaften (EP) eines Zielvolumens in einem abgebildeten Subjekt ist,
    • 3 ein Blockdiagramm darstellt, das einen Trainingsprozess eines tiefen neuronalen Netzes veranschaulicht.
    • 4 eine Querschnitts- und Funktionsansicht eines MRI-Systems zeigt.
  • DETAILLIERTE BESCHREIBUNG DER AUSFÜHRUNGSFORMEN
  • Im Folgenden sind gleich nummerierte Elemente in den Figuren entweder ähnliche Elemente oder führen eine äquivalente Funktion durch. Elemente, die zuvor erörtert wurden, werden in späteren Figuren nicht unbedingt erörtert, wenn die Funktion äquivalent ist.
  • Verschiedene Strukturen, Systeme und Vorrichtungen sind in den Figuren nur zu Zwecken der Erläuterung und um die vorliegende Erfindung nicht mit dem Fachmann hinlänglich bekannten Details zu verunklaren, schematisch dargestellt. Dennoch sind die beigefügten Figuren enthalten, um veranschaulichende Beispiele des offenbarten Gegenstands zu beschreiben und zu erläutern.
  • 1 ist ein schematisches Diagramm eines medizinischen Analysesystems 100. Das medizinische Analysesystem 100 umfasst ein Steuerungssystem 111, das dazu konfiguriert ist, mit einem Scanbildgebungssystem (oder einer Erfassungskomponente) 101 verbunden zu werden. Das Steuerungssystem 111 umfasst einen Prozessor 103, einen Speicher 107, die jeweils in der Lage sind, mit einer oder mehreren Komponenten des medizinischen Systems 100 zu kommunizieren. Zum Beispiel sind Komponenten des Steuerungssystems 111 mit einem bidirektionalen Systembus 109 gekoppelt.
  • Es versteht sich, dass die hierin beschriebenen Verfahren mindestens teilweise nicht interaktiv und mittels computergestützter Systeme automatisiert sind. Zum Beispiel können diese Verfahren ferner in Software 121 (einschließlich Firmware), Hardware oder einer Kombination davon implementiert werden. In beispielhaften Ausführungsformen sind die hierin beschriebenen Verfahren in Software, als ausführbares Programm, implementiert und werden von einem Spezial- oder Universaldigitalcomputer, wie einem Personal Computer, einer Arbeitsstation, einem Minicomputer oder einem Großrechner, ausgeführt.
  • Der Prozessor 103 ist eine Hardwarevorrichtung zum Ausführen von Software, insbesondere der in dem Speicher 107 gespeicherten. Bei dem Prozessor 103 kann es sich um einen beliebigen kundenspezifischen oder handelsüblichen Prozessor, eine Zentraleinheit (CPU), einen Hilfsprozessor unter mehreren Prozessoren, die dem Steuerungssystem 111 zugeordnet sind, einen halbleiterbasierten Mikroprozessor (in Form eines Mikrochips oder Chipsatzes), einen Mikroprozessor oder allgemein eine beliebige Vorrichtung zum Ausführen von Softwareanweisungen handeln. Der Prozessor 103 kann den Betrieb des Scanbildgebungssystems 101 steuern.
  • Der Speicher 107 kann eines oder eine Kombination von flüchtigen Speicherelementen (z. B. Direktzugriffsspeicher (RAM, wie DRAM, SRAM, SDRAM usw.)) und nichtflüchtigen Speicherelementen (z. B. ROM, löschbarer programmierbarer Nur-Lese-Speicher (EPROM), elektronisch löschbarer programmierbarer Nur-Lese-Speicher (EEPROM), programmierbarer Nur-Lese-Speicher (PROM) einschließen. Es ist anzumerken, dass der Speicher 107 eine dezentrale Architektur aufweisen kann, wobei verschiedene Komponenten entfernt voneinander angeordnet sind, der Zugriff auf sie jedoch durch den Prozessor 103 möglich ist. Der Speicher 107 kann eine Anweisung oder Daten speichern, die sich auf mindestens einen anderen Bestandteil des medizinischen Analysesystems 100 beziehen.
  • Das Steuerungssystem 111 kann ferner eine Anzeigevorrichtung 125 umfassen, die Zeichen und Bilder und dergleichen z. B. auf einer Benutzeroberfläche 129 anzeigt. Die Anzeigevorrichtung 125 kann eine Touchscreen-Anzeigevorrichtung sein.
  • Das medizinische Analysesystem 100 kann ferner eine Stromversorgung 108 zur Speisung des medizinischen Analysesystems 100 umfassen. Die Stromversorgung 108 kann zum Beispiel eine Batterie oder eine externe Stromquelle, wie Strom, der von einer Standardwechselstromsteckdose geliefert wird, sein.
  • Das Scanbildgebungssystem 101 kann mindestens einen von MRI-, CT- und PET-CT-Imagern umfassen. Das Steuerungssystem 111 und das Scanbildgebungssystem 101 können einstückig sein oder nicht. Mit anderen Worten kann sich das Steuerungssystem 111 außerhalb des Scanbildgebungssystems 101 befinden oder nicht.
  • Das Scanbildgebungssystem 101 umfasst Komponenten, die von dem Prozessor 103 gesteuert werden können, um das Scanbildgebungssystem 101 derart zu konfigurieren, dass es dem Steuerungssystem 111 Bilddaten bereitstellt. Die Konfiguration des Scanbildgebungssystems 101 kann den Betrieb des Scanbildgebungssystems 101 ermöglichen. Der Betrieb des Scanbildgebungssystems 101 kann zum Beispiel automatisch erfolgen. 4 zeigt ein Beispiel von Komponenten des Scanbildgebungssystems 101, das ein MRI-System ist.
  • Die Verbindung zwischen dem Steuerungssystem 111 und dem Scanbildgebungssystem 101 kann zum Beispiel eine BUS-Ethernet-Verbindung, WAN-Verbindung, Internetverbindung usw. umfassen.
  • In einem Beispiel kann das Scanbildgebungssystem 101 dazu konfiguriert sein, Ausgabedaten, wie Bilder, als Reaktion auf eine angegebene Messung bereitzustellen. Das Steuerungssystem 111 kann konfiguriert sein, um Daten wie MR-Bilddaten von dem Scanbildgebungssystem 101 zu empfangen. Zum Beispiel kann der Prozessor 103 angepasst sein, um Informationen (automatisch oder auf Anforderung) von dem Scanbildgebungssystem 101 in einer kompatiblen digitalen Form zu empfangen, so dass solche Informationen auf der Anzeigevorrichtung 125 angezeigt werden können. Solche Informationen können Betriebsparameter, Warnmeldungen und andere Informationen in Bezug auf die Verwendung, den Betrieb und die Funktion des Scanbildgebungssystems 101 einschließen.
  • Das medizinische Analysesystem 100 kann dazu konfiguriert sein, über ein Netzwerk 130 mit anderen Scanbildgebungssystemen 131 und/oder Datenbanken 133 zu kommunizieren. Das Netzwerk 130 umfasst zum Beispiel eine WLAN-Verbindung (Wireless Local Area Network-Verbindung), eine WAN-Verbindung (Wide Area Network-Verbindung) eine LAN-Verbindung (Local Area Network-Verbindung) oder eine Kombination von diesen. Die Datenbanken 133 können Informationen umfassen, sich auf Patienten, Scanbildgebungssysteme, Anatomien, Scangeometrien, Scanparameter, Scans usw. bezieht. Die Datenbanken 133 können zum Beispiel eine Datenbank einer elektronischen medizinischen Akte (EMR-Datenbank) umfassen, welche die EMR von Patienten umfasst, eine Radiologieinformationssystemdatenbank, eine medizinische Bilddatenbank, PACS, eine Krankenhausinformationssystemdatenbank und/oder andere Datenbanken, die Daten vergleichen, die zum Planen einer Scangeometrie verwendet werden können, umfassen. Die Datenbanken 133 können zum Beispiel Trainingsdatensätze für das von dem vorliegenden Gegenstand durchgeführte Training umfassen.
  • Der Speicher 107 kann ferner eine Komponente für künstliche Intelligenz (KI) 150 umfassen. Die KI-Komponente 150 kann Teil der Softwarekomponente 121 sein oder nicht. Die KI-Komponente 150 kann zum Trainieren eines DNN gemäß dem vorliegenden Gegenstand und zum Bereitstellen des trainierten DNN zur weiteren Verwendung konfiguriert sein. Wenn zum Beispiel das Steuerungssystem 111 nicht Teil des Scanbildgebungssystems 101 ist, kann das trainierte DNN dem Scanbildgebungssystem 101 so bereitgestellt werden, dass es an dem Scanbildgebungssystem 101 zum Bestimmen von EP-Karten verwendet werden kann.
  • 2 ist ein Flussdiagramm eines Verfahrens zum Bestimmen elektrischer Eigenschaften (EP) eines Zielvolumens in einem Subjekt. Das Subjekt kann unter Verwendung eines MRI-Systems abgebildet werden, um MRI-Daten zu erfassen, die verwendet werden können, um eine Tomographie der elektrischen Eigenschaften (EPT) durchzuführen. Das EPT-Verfahren kann verwendet werden, um die dielektrischen Eigenschaften (elektrische Leitfähigkeit und Permittivität) von Gewebe bei der Larmorfrequenz abzubilden. Die elektrischen Eigenschaften der Abschnitte des interessierenden Subjekts können potenziell als zusätzliche Informationen zum Unterstützen der Diagnose mit dem Objekt verwendet werden, um das gesunde Gewebe von bösartigem Gewebe, z. B. einem Tumor, zu unterscheiden.
  • In Schritt 201 kann ein erstes Training eines DNN unter Verwendung eines ersten Trainingsdatensatzes durchgeführt werden. Der erste Trainingsdatensatz umfasst Trainings-B 1-Feldkarten und entsprechende erste EP-Karten. Das erste Training führt zu einem vortrainierten DNN, das zum Erzeugen von EP-Karten aus B 1-Feldkarten konfiguriert ist. Das erste Training kann ein überwachtes Vortraining des DNN sein. Das DNN kann zum Beispiel eine vordefinierte Anzahl von Schichten umfassen, wobei das Training zu optimierten Werten der Gewichtungen des DNN nach dem ersten Training führen kann.
  • Das erste Training kann unter Verwendung von Simulationsdaten durchgeführt werden. Der erste Trainingsdatensatz umfasst simulierte B 1-Feldkarten und zugehörige simulierte EP-Karten (die simulierten EP-Karten können Kennzeichnungen der simulierten B1-Feldkarten sein). Die simulierten EP-Karten können durch EP-Modelle erhalten werden und können somit realistische Kennzeichnungen bereitstellen. Das Verwenden von Simulationsdaten kann vorteilhaft sein, da es die Genauigkeit und Variabilität der Trainingsdaten erhöhen kann. Die Genauigkeit bezieht sich auf den Grad, in dem B1-Karte und EPs die physische Beziehung erfüllen, die durch die Helmholtz-Gleichung bestimmt wird. Zum Beispiel erreicht die Vorhersagegenauigkeit des trainierten Modells die durchschnittliche Genauigkeit der Ground Truth maximal, indem eine mögliche Ground-Truth-Korruption geerbt wird. Die Variabilität bezieht sich auf die geometrische Variabilität. Experimente zeigen, dass neuronale Netze in der Lage sind, die gewünschte zugrunde liegende Funktionalität auf eine große Genauigkeit für Vorhersagedaten zu nähern, die den Trainingsdaten ähnlich sind. Eine große Variabilität innerhalb des Trainingssatzes hat eine vorteilhafte Wirkung, um die Wahrscheinlichkeit einer Ähnlichkeit zwischen Vorhersagedaten und Trainingsdaten zu erhöhen.
  • Die simulierten B1-Feldkarten können ohne Artefakte bereitgestellt werden. Dies kann vorteilhaft sein, da eine Simulation von Artefakten möglicherweise keine genaue oder zuverlässige Simulation ist. Aufgrund der großen Vielfalt möglicher in-vivo-Artefakte kann eine Simulation dieser Artefakte zu umständlich sein.
  • Das erste Training kann nützlich sein, da es die Gewichtungen des in Schritt 203 zu trainierenden DNN initialisiert.
  • In Schritt 203 kann ein zweites Training des vortrainierten DNN unter Verwendung eines GAN-Rahmenwerks durchgeführt werden. Das zweite Training kann unter Verwendung eines zweiten Trainingsdatensatzes durchgeführt werden. Das zweite Training kann so durchgeführt werden, dass das vortrainierte DNN der Generator des GAN-Rahmenwerks ist. Der zweite Trainingsdatensatz umfasst gemessene B1-Karten und zweite EP-Karten (die zweiten EP-Karten sind keine Kennzeichnungen der gemessenen B1-Karten)
  • Die gemessenen B 1-Feldkarten (in-vivo-B 1-Daten) können Artefakte umfassen. Somit umfassen in-vivo-B 1-Daten zusammen mit elektromagnetischen Informationen Artefakte, die sich auf die Bildaufnahme beziehen (z. B. Rauschen, Patientenbewegung, Blut oder Gehirn-Rückenmarksflüssigkeitspulsierung, Systemfehler). Dies kann die Authentizität des zweiten Trainingsdatensatzes verbessern, der von dem vorliegenden Gegenstand verwendet wird. Die Authentizität des Trainingssatzes bedeutet, dass die Art und Häufigkeit dieser Artefakte in den Trainings- und Vorhersagedaten vergleichbar ist. Vorhersagedaten können Eingabedaten sein, die in der Anwendungsstufe des trainierten DNN verwendet werden.
  • Die zweiten EP-Karten können simulierte EP-Karten sein. Die simulierten EP-Karten können reale (oder realistische) EP-Karten im Kontext des Trainierens eines cGAN sein. Während des zweiten Trainings sieht der Diskriminator auf die simulierten EP-Karten und erzeugten EP-Karten separat. Die erzeugten EP-Karten sind EP-Karten, die aus dem gemessenen B 1-Feldkarten durch den Generator erzeugt werden. Der Diskriminator kann unterscheiden, ob eine Eingabe-EP-Karte real oder erzeugt ist. Das zweite Training kann es ermöglichen, dass der Generator mit gemessenen B 1-Feldkarten konditioniert wird. Dies kann es ermöglichen, dass die gemessenen B 1-Feldkarten anstelle des Erzeugens von EP-Karten nur aus Rauschen kombiniert werden können und vom Generator verwendet werden können, um die EP-Karten zu erzeugen. Das Training des Generators und des Diskriminators des GAN kann dann in einer adversarialen Art und Weise durchgeführt werden, wie beim Trainieren des GAN, aber der Generator wird mit den gemessenen B 1-Feldkarten konditioniert.
  • Das zweite Training führt zu einem trainierten DNN.
  • Der erste und der zweite Trainingssatz können unter Verwendung vorhandener B1-Feldkarten eines Volumens aufgebaut werden. Das Volumen kann das Zielvolumen oder das Volumen eines anderen Subjekts sein.
  • In Schritt 205 kann eine Eingabe-B1 Feldkarte des Zielvolumens empfangen werden, und eine EP-Karte der Eingabe-B 1 Feldkarte kann unter Verwendung des trainierten DNN erzeugt werden.
  • Das vorliegende Verfahren verwendet eine adversariale Domänenanpassung, um die Robustheit von Netzen zu erreichen, die auf Simulationen zu realistischen in-vivo-Artefakten trainiert wurden. Wie oben beschrieben, wird zusätzlich zum Rekonstruktionsnetz (Generator) ein zweites neuronales Netz (Diskriminator) benutzt. Nach dem überwachten Vortraining des Generators mit Simulationen (ohne in-vivo-Artefakten) und jeweiligen Kennzeichnungen wird das Training auf unüberwachte Weise fortgesetzt. Nachfolgende Modellverbesserungen werden durch den Diskriminator durch Verwenden einer adversarialen Trainingsstrategie geführt. Während der Diskriminator auf das Unterscheiden zwischen Rekonstruktionsausgabe des Generators und realistischen Bildern abzielt, wird der Generator dazu trainiert, den Diskriminator so zu täuschen, dass er seine Ausgabe als realistisch bewertet. Diskriminator und Generator werden abwechselnd mit eingefrorenen Modellparametern des jeweils anderen Netzes trainiert. Dadurch ermöglichen Verbesserungen in einem Netz präzisere Aktualisierungen des anderen und umgekehrt. Nach dem Training wird nur der Generator für die Vorhersage verwendet, da der Diskriminator ausschließlich zum Verbessern des Generators trainiert wird.
  • 3 stellt ein Blockdiagramm dar, das einen Trainingsprozess eines tiefen neuronalen Netzes 310 veranschaulicht. Das tiefe neuronale Netz 310 kann ein Generator sein. 3 veranschaulicht drei Verarbeitungsstufen, nämlich eine Vortrainingsstufe 301, eine adversarialeTrainingsstufe 303 und eine Anwendungsstufe 305.
  • In der Vortrainingsstufe 301 kann das DNN 310 unter Verwendung eines ersten Trainingssatzes trainiert werden. Der erste Trainingssatz umfasst simulierte B1-Feldkarten 320 und entsprechende simulierte elektrische Eigenschaften 321. Die simulierten B1-Feldkarten 320 können ohne Artefakte bereitgestellt werden. Der Generator 310 ist mit simulierten B1-Daten und EP-Kennzeichnungen vortrainiert, die sich auf das Simulationenmodell beziehen. Dies führt zu dem vortrainierten DNN 312.
  • In der adversarialen Trainingsstufe 303 wird das vortrainierte DNN 312 unter Verwendung eines zweiten Trainingssatzes in einem bedingten GAN-Rahmenwerk trainiert. Das cGAN-Rahmenwerk umfasst einen Diskriminator 313. Der Diskriminator 313 kann ein DNN sein. Der zweite Trainingssatz umfasst gemessene B1-Feldkarten 323. Die gemessenen B1-Feldkarten umfassen Artefakte. Der zweite Trainingssatz umfasst ferner simulierte elektrische Eigenschaften 326. Der Generator 312 ist konfiguriert, um während des Trainings aus den gemessenen B1-Feldkarten 323 rekonstruierte elektrische Eigenschaften 325 zu erzeugen. Das Training des Generators 312 wird in einer adversarialen Weise mit dem Diskriminator 313 durchgeführt. Der Diskriminator 313 ist trainiert, um zwischen realistischen EPs 326 und der Generatorausgabe 325 aus artefaktbelasteten Daten zu unterscheiden. Der Generator 312 wird abwechselnd mit dem Diskriminator 313 mit dem entgegengesetzten Ziel des Täuschens des Diskriminators trainiert, indem realistisch aussehende EP-Rekonstruktionen erstellt werden. Die adversariale Trainingsstufe 303 führt zu einem trainierten DNN 314. Somit kann nach dem adversarialen Training der robuste Generator 314 auf die gemessenen B1-Daten angewendet werden.
  • In der Anwendungsstufe 305 kann das trainierte DNN 314 verwendet werden, um elektrische Eigenschaften 328 der eingegebenen gemessenen B1-Feldkarten 327 vorherzusagen oder zu rekonstruieren.
  • Dieser Prozess von 3 kann eine domänenadversariales Training ermöglichen. Das domänenadversariale Training wie angewendet kann einer Verallgemeinerung von bedingten generativen adversarialen Netzen zu der Einstellung von zwei Domänen (hier: simulierte und gemessene B1-Karten) mit Kennzeichnungen (hier: elektrische Eigenschaften) entsprechen, die nur für einen davon (hier: simulierte B1-Karten) vorhanden sind.
  • 4 veranschaulicht ein Magnetresonanzbildgebungssystem 700 als ein Beispiel des medizinischen Systems 100. Das Magnetresonanzbildgebungssystem 700 umfasst einen Magneten 704. Der Magnet 704 ist ein supraleitender Magnet eines zylindrischen Typs mit einer Bohrung 706 darin. Die Verwendung unterschiedlicher Arten von Magneten ist ebenfalls möglich; Beispielsweise ist es auch möglich, sowohl einen geteilten zylindrischen Magneten als auch einen sogenannten offenen Magneten zu verwenden. Ein geteilter zylindrischer Magnet ist ähnlich einem standardmäßigen zylindrischen Magneten, außer dass der Kryostat in zwei Abschnitte geteilt wurde, um Zugang zu der Isoebene des Magneten zu ermöglichen. Solche Magnete können zum Beispiel in Verbindung mit einer Strahlentherapie mit geladenen Teilchen verwendet werden. Ein offener Magnet weist zwei Magnetabschnitte auf, einer über dem anderen mit einem Zwischenraum dazwischen, der groß genug ist, um ein mittels Bildgebung zu untersuchendes Subjekt 718 aufzunehmen, wobei die Anordnung des Bereichs der zwei Abschnitte der einer Helmholtz-Spule ähnlich ist. Innerhalb des Kryostaten des zylindrischen Magneten besteht eine Sammlung von supraleitenden Spulen. Innerhalb der Bohrung 706 des zylindrischen Magneten 704 befindet sich eine Bildgebungszone oder ein Volumen oder eine Anatomie 708, wo das Magnetfeld ausreichend stark und gleichförmig ist, um eine Magnetresonanzbildgebung durchzuführen.
  • Innerhalb der Bohrung 706 des Magneten befindet sich auch ein Satz von Magnetfeldgradientenspulen 710, der bei der Erfassung von Magnetresonanzdaten verwendet wird, um magnetische Spins eines Zielvolumens innerhalb des Bildgebungsvolumens oder Untersuchungsvolumens 708 des Magneten 704 räumlich zu codieren. Die Magnetfeldgradientenspulen 710 sind an eine Stromversorgung 712 für Magnetfeldgradientenspulen angeschlossen. Die Magnetfeldgradientenspulen 710 sollen repräsentativ sein. Üblicherweise enthalten die Magnetfeldgradientenspulen 710 drei separate Sätze von Spulen zum Codieren in drei orthogonalen Raumrichtungen. Eine Stromversorgung für Magnetfeldgradientenspulen liefert Strom an die Magnetfeldgradientenspulen. Der Strom, der an die Magnetfeldgradientenspulen 710 geliefert wird, wird in Abhängigkeit von der Zeit gesteuert und kann eine Rampenform aufweisen oder gepulst sein.
  • Das MRT-System 700 umfasst ferner eine HF-Spule 714 an der Person 718 und angrenzend an das Untersuchungsvolumen 708 zum Erzeugen von HF-Anregungsimpulsen. Die HF-Spule 714 kann zum Beispiel einen Satz von Oberflächenspulen oder andere spezialisierte HF-Spulen einschließen. Die HF-Spule 714 kann abwechselnd zum Übertragen von HF-Impulsen sowie zum Empfang von Magnetresonanzsignalen verwendet werden, z. B. kann die HF-Spule 714 als eine Übertragungs-Array-Spule implementiert sein, die eine Vielzahl von HF-Übertragungsspulen umfasst. Die HF-Spule 714 ist mit einem oder mehreren HF-Verstärkern 715 verbunden.
  • Die Stromversorgung für die Magnetfeldgradientenspulen 712 und der HF-Verstärker 715 sind mit einer Hardwareschnittstelle des Steuerungssystems 111 verbunden. Der Speicher 107 des Steuerungssystems 111 kann zum Beispiel ein Steuermodul umfassen. Das Steuermodul enthält computerausführbaren Code, der es dem Prozessor 103 ermöglicht, den Betrieb und die Funktion des Magnetresonanzbildgebungssystems 700 zu steuern. Es ermöglicht auch die grundlegenden Operationen des Magnetresonanzbildgebungssystems 700, wie die Erfassung von Magnetresonanzdaten.
  • Wie der Fachmann erkennen wird, können Gesichtspunkte der vorliegenden Erfindung als eine Einrichtung, ein Verfahren oder ein Computerprogrammprodukt ausgeführt sein. Dementsprechend können Gesichtspunkte der vorliegenden Erfindung die Form einer vollständigen Hardwareausführungsform, einer vollständigen Softwareausführungsform (einschließlich Firmware, residenter Software, Mikrocode usw.) oder einer Ausführungsform, die Software- und Hardwaregesichtspunkte kombiniert, annehmen, die alle hierin allgemein als „Schaltung“, „Modul“ oder „System“ bezeichnet werden können. Des Weiteren können Gesichtspunkte der vorliegenden Erfindung die Form eines Computerprogrammprodukts annehmen, das in einem oder mehreren computerlesbaren Medium (Medien) mit einem darauf ausgeführten computerausführbaren Code ausgeführt ist.
  • Es kann jede Kombination aus einem oder mehreren computerlesbaren Medium (Medien) benutzt werden. Das computerlesbare Medium kann ein computerlesbares Signalmedium oder ein computerlesbares Speichermedium sein. Ein „computerlesbares Speichermedium“, wie hierin verwendet, beinhaltet jedes gegenständliche Speichermedium, das Anweisungen speichern kann, die durch einen Prozessor einer Rechenvorrichtung ausführbar sind. Das computerlesbare Speichermedium kann als ein computerlesbares nichttransitorisches Speichermedium bezeichnet werden. Das computerlesbare Speichermedium kann auch als ein gegenständliches computerlesbares Medium bezeichnet werden. In einigen Ausführungsformen kann ein computerlesbares Speichermedium auch in der Lage sein, Daten zu speichern, auf die durch den Prozessor der Rechenvorrichtung zugegriffen werden kann. Beispiele von computerlesbaren Speichermedien schließen ein, sind jedoch nicht beschränkt auf: eine Diskette, ein magnetisches Festplattenlaufwerk, eine Festkörperfestplatte, Flash-Speicher, einen USB-Stick, einen Speicher mit wahlfreiem Zugriff (RAM), einen Nur-Lese-Speicher (ROM), eine optische Platte, eine magnetooptische Platte und die Registerdatei des Prozessors. Beispiele von optischen Platten schließen Compact Disks (CD) und Digital Versatile Disks (DVD), zum Beispiel CD-ROM-, CD-RW-, CD-R-, DVD-ROM-, DVD-RW- oder DVD-R-Platten, ein. Der Begriff computerlesbares Speichermedium bezieht sich auch auf verschiedene Arten von Aufzeichnungsmedien, auf die von der Computervorrichtung über ein Netzwerk oder eine Kommunikationsverbindung zugegriffen werden kann. Zum Beispiel können Daten über ein Modem, über das Internet oder über ein lokales Netzwerk abgerufen werden. Ein computerausführbarer Code, der auf einem computerlesbaren Medium ausgeführt ist, kann unter Verwendung jedes geeigneten Mediums übertragen werden, einschließlich, jedoch nicht beschränkt auf, drahtlos, drahtgebunden, optischer Faserkabel, HF usw. oder jeder geeigneten Kombination des Vorstehenden.
  • Ein computerlesbares Signalmedium kann ein verbreitetes Datensignal mit einem darin ausgeführten computerausführbaren Code einschließen, zum Beispiel im Basisband oder als Teil einer Trägerwelle. Ein solches verbreitetes Signal kann jede einer Vielfalt von Formen annehmen, einschließlich, jedoch nicht beschränkt auf, elektromagnetisch, optisch oder jeder geeigneten Kombination davon. Ein computerlesbares Signalmedium kann ein beliebiges computerlesbares Medium sein, das kein computerlesbares Speichermedium ist und das ein Programm zur Verwendung durch oder in Verbindung mit einem System, einer Einrichtung oder einer Vorrichtung zur Anweisungsausführung kommunizieren, verbreiten oder transportieren kann.
  • Ein „Computerspeicher“ oder „Speicher“ ist ein Beispiel eines computerlesbaren Speichermediums. Ein Computerspeicher ist ein beliebiger Speicher, der für einen Prozessor direkt zugänglich ist. Eine „Computerspeicherung“ oder „Speicherung“ ist ein weiteres Beispiel eines computerlesbaren Speichermediums. Eine Computerspeicherung ist ein beliebiges nicht flüchtiges computerlesbares Speichermedium. In einigen Ausführungsformen kann eine Computerspeicherung auch ein Computerspeicher sein oder umgekehrt.
  • Ein „Prozessor“, wie hierin verwendet, beinhaltet eine elektronische Komponente, die in der Lage ist, ein Programm oder eine maschinenausführbare Anweisung oder einen computerausführbaren Code auszuführen. Bezugnahmen auf die Rechenvorrichtung, die „einen Prozessor“ umfasst, sollten derart interpretiert werden, dass sie möglicherweise mehr als einen Prozessor oder Verarbeitungskern enthält. Der Prozessor kann zum Beispiel ein Mehrkernprozessor sein. Ein Prozessor kann sich auch auf eine Sammlung von Prozessoren in einem einzelnen Computersystem oder unter mehreren Computersystemen verteilt beziehen. Der Begriff Rechenvorrichtung sollte auch so interpretiert werden, dass er sich möglicherweise auf eine Sammlung oder ein Netzwerk von Rechenvorrichtungen, jeweils einen Prozessor oder Prozessoren umfassend, bezieht. Der computerausführbare Code kann durch mehrere Prozessoren ausgeführt werden, die sich innerhalb der gleichen Rechenvorrichtung befinden können oder die sogar über mehrere Rechenvorrichtungen verteilt sein können.
  • Ein computerausführbarer Code kann maschinenausführbare Anweisungen oder ein Programm, das veranlasst, dass der Prozessor einen Gesichtspunkt der vorliegenden Erfindung durchführt, umfassen. Ein computerausführbarer Code zum Ausführen von Operationen für Gesichtspunkte der vorliegenden Erfindung kann in einer beliebigen Kombination von einer oder mehreren Programmiersprachen, einschließlich einer objektorientierten Programmiersprache, wie Java, Smalltalk, C++ oder dergleichen, und herkömmlicher prozeduraler Programmiersprachen, wie der Programmiersprache „C“ oder ähnlicher Programmiersprachen, geschrieben und in maschinenausführbare Anweisungen kompiliert werden. In einigen Fällen kann der computerausführbare Code in der Form einer High-Level-Sprache oder in einer vorkompilierten Form vorliegen und in Verbindung mit einem Interpreter verwendet werden, der die maschinenausführbaren Anweisungen im laufenden Betrieb erzeugt.
  • Der computerausführbare Code kann vollständig auf dem Computer des Benutzers, teilweise auf dem Computer des Benutzers, als eigenständiges Softwarepaket, teilweise auf dem Computer des Benutzers und teilweise auf einem entfernten Computer oder vollständig auf dem entfernten Computer oder Server ausgeführt werden. In dem letzteren Szenario kann der entfernte Computer mit dem Computer des Benutzers über jede Art von Netzwerk, einschließlich eines lokalen Netzwerks (LAN) oder eines Weitverkehrsnetzwerks (WAN) verbunden sein, oder die Verbindung kann zu einem externen Computer (z. B. über das Internet unter Verwendung eines Internetdienstanbieters) hergestellt werden.
  • Gesichtspunkte der vorliegenden Erfindung werden unter Bezugnahme auf Flussdiagrammdarstellungen und/oder Blockdiagramme von Verfahren, einer Einrichtung (Systeme) und Computerprogrammprodukten gemäß den Ausführungsformen der Erfindung beschrieben. Es versteht sich, dass jeder Block oder ein Abschnitt der Blöcke des Flussdiagramms, der Veranschaulichungen und/oder der Blockdiagramme durch Computerprogrammanweisungen in Form eines computerausführbaren Codes, falls zutreffend, implementiert werden kann. Es versteht sich ferner, dass, wenn sich nicht gegenseitig ausschließend, Kombinationen von Blöcken in verschiedenen Flussdiagrammen, Veranschaulichungen und/oder Blockdiagrammen kombiniert werden können. Diese Computerprogrammanweisungen können einem Prozessor eines Universalcomputers, eines Spezialcomputers oder einer anderen programmierbaren Datenverarbeitungseinrichtung zur Herstellung einer Maschine bereitgestellt werden, so dass die Anweisungen, die über den Prozessor des Computers oder einer anderen programmierbaren Datenverarbeitungseinrichtung ausgeführt werden, Mittel zum Implementieren der Funktionen/Aktionen, die in dem Block oder den Blöcken des Flussdiagramms und/oder des Blockdiagramms angegeben sind, erzeugen.
  • Diese Computerprogrammanweisungen können auch in einem computerlesbaren Medium gespeichert sein, das einen Computer, eine andere programmierbare Datenverarbeitungseinrichtung oder andere Vorrichtungen anweisen kann, auf eine bestimmte Weise zu funktionieren, so dass die in dem computerlesbaren Medium gespeicherten Anweisungen einen Herstellungsartikel erzeugen, einschließlich Anweisungen, die die Funktion/Aktion implementieren, die in dem Block oder den Blöcken des Flussdiagramms und/oder des Blockdiagramms angegeben sind.
  • Die Computerprogrammanweisungen können auch auf einen Computer, eine andere programmierbare Datenverarbeitungseinrichtung oder andere Vorrichtungen geladen werden, um zu bewirken, dass eine Reihe von Betriebsschritten auf dem Computer, der anderen programmierbaren Datenverarbeitungseinrichtung oder den anderen Vorrichtungen durchgeführt werden, um einen computerimplementierten Prozess zu erzeugen, so dass die Anweisungen, die auf dem Computer oder der anderen programmierbaren Einrichtung ausgeführt werden, Prozesse zum Implementieren der Funktionen/Aktionen bereitstellen, die in dem Block oder den Blöcken des Flussdiagramms und/oder des Blockdiagramms angegeben sind.
  • Eine „Benutzeroberfläche“, wie hierin verwendet, ist eine Schnittstelle, die es einem Benutzer oder Bediener ermöglicht, mit einem Computer oder Computersystem zu interagieren. Eine „Benutzeroberfläche“ kann auch als eine „Mensch-Schnittstellen-Vorrichtung“ bezeichnet werden. Eine Benutzerschnittstelle kann dem Bediener Informationen oder Daten bereitstellen und/oder Informationen oder Daten vom Bediener empfangen. Eine Benutzeroberfläche kann eine Eingabe von einem Bediener ermöglichen, die durch den Computer empfangen werden soll, und kann dem Benutzer eine Ausgabe von dem Computer bereitstellen. Mit anderen Worten kann es die Benutzerschnittstelle einem Bediener ermöglichen, einen Computer zu steuern oder zu bedienen, und die Schnittstelle kann es dem Computer ermöglichen, die Wirkungen der Steuerung oder Bedienung des Bedieners anzuzeigen. Die Anzeige von Daten oder Informationen auf einem Bildschirm oder einer graphischen Benutzerschnittstelle ist ein Beispiel eines Bereitstellens von Informationen an einen Bediener. Das Empfangen von Daten durch eine Tastatur, eine Maus, einen Trackball, ein Touchpad, einen Zeigestock, ein Grafik-Tablet, einen Joystick, ein Gamepad, eine Webcam, ein Headset, Schalthebel, ein Lenkrad, Pedale, einen drahtgebundenen Handschuh, ein Dance Pad, eine Fernbedienung und einen Beschleunigungsmesser sind alle Beispiele von Benutzeroberflächenkomponenten, die das Empfangen von Informationen oder Daten von einem Bediener ermöglichen.
  • Eine „Hardwareschnittstelle“, wie hierin verwendet, beinhaltet eine Schnittstelle, die es dem Prozessor eines Computersystems ermöglicht, mit einer externen Rechenvorrichtung und/oder -einrichtung zu interagieren und/oder diese zu steuern. Eine Hardwareschnittstelle kann es einem Prozessor ermöglichen, Steuersignale oder Anweisungen an eine externe Rechenvorrichtung und/oder -einrichtung zu senden. Eine Hardwareschnittstelle kann es einem Prozessor auch ermöglichen, Daten mit einer externen Rechenvorrichtung und/oder -einrichtung auszutauschen. Beispiele einer Hardwareschnittstelle schließen ein, sind jedoch nicht beschränkt auf: einen universellen seriellen Bus, einen IEEE-1394-Anschluss, einen parallelen Anschluss, einen IEEE-1284-Anschluss, einen seriellen Anschluss, einen RS-232-Anschluss, einen IEEE-488-Anschluss, eine Bluetooth-Verbindung, eine drahtlose lokale Netzwerkverbindung, eine TCP/IP-Verbindung, eine Ethernet-Verbindung, eine Steuerspannungsschnittstelle, eine MIDI-Schnittstelle, eine analoge Eingabeschnittstelle und eine digitale Eingabeschnittstelle.
  • Eine „Anzeige“ oder „Anzeigevorrichtung“, wie hierin verwendet, beinhaltet eine Ausgabevorrichtung oder eine Benutzerschnittstelle, die zum Anzeigen von Bildern oder Daten angepasst ist. Eine Anzeige kann visuelle, Audio- und oder taktile Daten ausgeben. Beispiele einer Anzeige schließen ein, sind jedoch nicht beschränkt auf: einen Computermonitor, einen Fernsehschirm, einen Touchscreen, eine taktile elektronische Anzeige, einen Braille-Bildschirm,
    eine Kathodenstrahlröhre (CRT), eine Speicherröhre, eine bistabile Anzeige, ein elektronisches Papier, eine Vektoranzeige, einen Flachbildschirm, eine Vakuumfluoreszenzanzeige (VF), Leuchtdiodenanzeigen (LED-Anzeigen), eine Elektrolumineszenzanzeige (ELD), eine Plasmabildschirmanzeige (PDP), eine Flüssigkristallanzeige (LCD), eine organische Leuchtdiodenanzeige (OLED), einen Projektor und eine am Kopf befestigte Anzeige.
  • Während die Erfindung im Detail in den Zeichnungen und der vorstehenden Beschreibung veranschaulicht und beschrieben wurde, sind eine derartige Darstellung und Beschreibung als veranschaulichend oder beispielhaft und nicht einschränkend zu betrachten; die Erfindung ist nicht auf die offenbarten Ausführungsformen beschränkt.
  • Weitere Variationen der offenbarten Ausführungsformen können von einem Fachmann, der die beanspruchte Erfindung umsetzt, durch ein Studium der Zeichnungen, der Offenbarung und der beiliegenden Ansprüche verstanden und bewirkt werden. In den Ansprüchen schließt das Wort „umfassend“ andere Elemente oder Schritte nicht aus, und der unbestimmte Artikel „ein“, „eine“ oder „eines“ schließt eine Mehrzahl nicht aus. Ein einzelner Prozessor oder eine andere Einheit kann die Funktionen mehrerer in den Ansprüchen angegebener Punkte erfüllen. Die bloße Tatsache, dass bestimmte Maßnahmen in voneinander verschiedenen abhängigen Ansprüchen angegeben sind, gibt nicht an, dass eine Kombination dieser gemessen nicht vorteilhaft verwendet werden kann. Ein Computerprogramm kann auf einem geeigneten Medium, wie einem optischen Speichermedium oder einem Festkörpermedium, das zusammen mit oder als Teil anderer Hardware geliefert wird, gespeichert/verteilt werden, kann jedoch auch in anderen Formen verteilt werden, wie über das Internet oder andere drahtgebundene oder drahtlose Telekommunikationssysteme. Jegliche Bezugszeichen in den Ansprüchen sind nicht als Einschränkungen des Schutzumfangs auszulegen.
  • Bezugszeichenliste
    • 100
    medizinisches System
    101
    Scanbildgebungssystem
    103
    Prozessor
    107
    Speicher
    108
    Stromversorgung
    109
    Bus
    111
    Steuerungssystem
    121
    Software
    125
    Anzeige
    129
    Benutzeroberfläche
    133
    Datenbanken
    201-205
    Verfahrensschritte
    301
    Vortrainingsstufe
    303
    Trainingsstufe
    305
    Anwendungsstufe
    310
    DNN
    312
    Vortrainiertes DNN
    313
    Diskriminator
    314
    trainiertes DNN
    320
    B1-Feldkarten
    321
    simulierte elektrische Eigenschaften
    323
    gemessene B1-Feldkarten
    325
    rekonstruierte elektrische Eigenschaften
    326
    simulierte elektrische Eigenschaften
    327
    gemessene B1-Feldkarten
    328
    rekonstruierte elektrische Eigenschaften
    700
    Magnetresonanzbildgebungssystem
    704
    Magnet
    706
    Bohrung des Magneten
    708
    Bildgebungszone
    710
    Magnetfeldgradientenspulen
    712
    Stromversorgung für Magnetfeldgradientenspulen
    714
    Hochfrequenzspule
    715
    HF-Verstärker
    718
    Subjekt

Claims (11)

  1. Medizinisches Analysesystem (100) zum Bestimmen von elektrischen Eigenschaften, EP, eines Zielvolumens (708) in einem Subjekt (718), wobei das medizinische Analysesystem mindestens einen Prozessor (103); und mindestens einen Speicher (107) umfasst, der maschinenausführbare Anweisungen speichert, wobei der Prozessor (103) zum Steuern des medizinischen Analysesystems konfiguriert ist, wobei das Ausführen der maschinenausführbaren Anweisungen den Prozessor veranlasst zum: - Durchführen (201) eines ersten Trainings eines tiefen neuronalen Netzes, DNN, unter Verwendung eines ersten Trainingsdatensatzes, wobei der erste Trainingsdatensatz Trainings-B 1-Feldkarten und entsprechende erste EP-Karten umfasst, wobei das erste Training zu einem vortrainierten DNN führt, das zum Erzeugen von EP-Karten aus B 1-Feldkarten konfiguriert ist; - Durchführen (203) eines zweiten Trainings des vortrainierten DNN unter Verwendung von bedingten generativen adversarialen Netzen, GAN, und einem zweiten Trainingsdatensatz, wobei das vortrainierte DNN ein Generator des bedingten GAN ist, wobei der zweite Trainingsdatensatz gemessene B1-Karten und zweite EP-Karten umfasst, wobei das zweite Training zu einem trainierten DNN führt; - Empfangen (205) einer Eingabe-B 1-Feldkarte des Zielvolumens und Erzeugen einer EP-Karte der Eingabe-B 1-Feldkarte unter Verwendung des trainierten DNN.
  2. System nach Anspruch 1, wobei jedes der Trainings und gemessenen B 1-Feldkarten eine jeweilige B 1-Feldphasenkarte und B 1-Amplitudenkarte umfasst, wobei die Eingabe-B1 Feldkarte eine B 1-Phasenkarte und/oder B 1-Amplitudenkarte umfasst.
  3. System nach Anspruch 1, wobei die Trainings-B 1-Karten B 1 Amplitudenkarten umfassen, wobei das vortrainierte DNN konfiguriert ist, um Permittivitätskarten aus B 1-Amplitudenkarten zu erzeugen.
  4. System nach Anspruch 1, wobei die Trainings-B 1-Karten B 1-Phasenkarten umfassen, wobei das vortrainierte DNN konfiguriert ist, um Leitfähigkeitskarten aus B 1-Phasenkarten zu erzeugen.
  5. System nach Anspruch 1, wobei die Trainings-B 1-Feldkarten simulierte B1-Feldkarten und zugehörige simulierte EP-Karten umfassen, wobei die zweiten EP-Karten simulierte EP-Karten umfassen, wobei das zweite Training ein Trainieren des Generators unter Verwendung der gemessenen B 1-Feldkarten und ein Trainieren eines Diskriminators des GAN unter Verwendung sowohl der simulierten EP-Karten als auch der von dem Generator erzeugten EP-Karten umfasst.
  6. System nach einem der vorhergehenden Ansprüche, wobei das Erzeugen der EP-Karte der Eingabe-B 1-Feldkarte unter Verwendung des trainierten DNN und des vortrainierten DNN durchgeführt wird, wobei das Erzeugen umfasst: Erzeugen der EP-Karte unter Verwendung jedes des trainierten DNN und des vortrainierten DNN; Mitteln der erzeugten EP-Karten und Bereitstellen einer Unsicherheit auf der gemittelten EP-Karte.
  7. System nach einem der vorhergehenden Ansprüche, wobei das DNN ein U-NET ist.
  8. System nach einem der vorhergehenden Ansprüche, das konfiguriert ist, um mit einem oder mehreren MRI-Systemen verbunden zu werden und die Eingabe-B1-Karte und/oder die gemessenen B 1-Karten aus den MRI-Systemen zu empfangen.
  9. System nach einem der vorhergehenden Ansprüche, ferner umfassend ein MRI-System, wobei das MRI-System konfiguriert ist, um Bilddaten zu erfassen, und um B1-Karten aus den Bilddaten zu rekonstruieren, wobei die Eingabe-B 1-Karte und/oder die gemessenen B 1-Karten die rekonstruierten B 1-Karten umfassen.
  10. Verfahren zum Bestimmen elektrischer Eigenschaften, EP, eines Zielvolumens (708) in einem Subjekt (718), umfassend: - Durchführen (201) eines ersten Trainings eines tiefen neuronalen Netzes, DNN, unter Verwendung eines ersten Trainingsdatensatzes, wobei der erste Trainingsdatensatz Trainings-B 1-Feldkarten und entsprechende erste EP-Karten umfasst, wobei das erste Training zu einem vortrainierten DNN führt, das zum Erzeugen von EP-Karten aus B 1-Feldkarten konfiguriert ist; - Durchführen (203) eines zweiten Trainings des vortrainierten DNN unter Verwendung von bedingten generativen adversarialen Netzen, GAN, und einem zweiten Trainingsdatensatz, wobei das vortrainierte DNN ein Generator des bedingten GAN ist, wobei der zweite Trainingsdatensatz gemessene B1-Karten und zweite EP-Karten umfasst, wobei das zweite Training zu einem trainierten DNN führt; - Empfangen (205) einer Eingabe-B 1-Feldkarte des Zielvolumens und Erzeugen einer EP-Karte der Eingabe-B 1-Feldkarte unter Verwendung des trainierten DNN.
  11. Computerprogrammprodukt, das maschinenausführbare Anweisungen zur Ausführung durch einen Prozessor umfasst, wobei die Ausführung der maschinenausführbaren Anweisungen den Prozessor veranlasst, das Verfahren nach Anspruch 10 durchzuführen.
DE112020003284.1T 2019-07-09 2020-07-01 Tiefes lernen einer tomographie elektrischer eigenschaften Withdrawn DE112020003284T5 (de)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP19185123.7 2019-07-09
EP19185123.7A EP3764285A1 (de) 2019-07-09 2019-07-09 Tiefenlernen von elektrischen eigenschaften in der tomografie
PCT/EP2020/068435 WO2021004841A1 (en) 2019-07-09 2020-07-01 Deep learning of electrical properties tomography

Publications (1)

Publication Number Publication Date
DE112020003284T5 true DE112020003284T5 (de) 2022-05-05

Family

ID=67220682

Family Applications (1)

Application Number Title Priority Date Filing Date
DE112020003284.1T Withdrawn DE112020003284T5 (de) 2019-07-09 2020-07-01 Tiefes lernen einer tomographie elektrischer eigenschaften

Country Status (5)

Country Link
US (1) US20220248973A1 (de)
EP (1) EP3764285A1 (de)
CN (1) CN114080184A (de)
DE (1) DE112020003284T5 (de)
WO (1) WO2021004841A1 (de)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117393069A (zh) * 2023-11-06 2024-01-12 上海赫耳墨锶科技有限公司 基于神经网络确定目标金属的电解控制数据的方法

Also Published As

Publication number Publication date
EP3764285A1 (de) 2021-01-13
WO2021004841A1 (en) 2021-01-14
US20220248973A1 (en) 2022-08-11
CN114080184A (zh) 2022-02-22

Similar Documents

Publication Publication Date Title
Pestilli et al. Evaluation and statistical inference for human connectomes
DE112016004907T5 (de) Virtuelle CT-Bilder aus Magnetresonanzbildern
EP3315986B1 (de) Verfahren zum bereitstellen einer information zur vorbereitung einer mr-bildgebung
DE102016202254B4 (de) Modellfreies Ermitteln von Bildbereichen mit anomaler Diffusion anhand von diffusionsgewichteten Magnetresonanzbilddaten
DE112016005184T5 (de) Medizinisches Instrument zur Analyse von Gehirnverletzungen der weißen Substanz
DE112015005479T5 (de) Verfahren und System zur verbesserten Klassifizierung von Bestandsmaterialien
DE112017005080T5 (de) Direkte messung des b0-ausserresonanzfelds während magnetresonanz-fingerabdruckerzeugung
DE112019003151T5 (de) Verfahren zum ermöglichen einer magnetresonanzbildgebung einer person
DE112014007064T5 (de) System und Verfahren für die Konnektivitätszuordnung
DE112020004393T5 (de) Bewegungskorrigiertes tracer-kinetisches mapping unter verwendung von mrt
DE102016214775A1 (de) Bestimmung einer Eigenschaft eines Organs
US11435422B2 (en) Anomaly detection using magnetic resonance fingerprinting
DE112020003284T5 (de) Tiefes lernen einer tomographie elektrischer eigenschaften
DE102015220077A1 (de) Verfahren zur Planung einer Bestrahlung eines Patienten
DE112020001823T5 (de) ENTFERNUNG VON FALSCH-POSITIVEN AUS WEIßE-SUBSTANZ-FASERTRAKTEN
Ye et al. A Bayesian approach to distinguishing interdigitated tongue muscles from limited diffusion magnetic resonance imaging
US20220301687A1 (en) Uncertainty maps for deep learning eletrical properties tomography
Cappabianco et al. Introduction to research in magnetic resonance imaging
DE102019115506A1 (de) Bestimmung von Termen höherer Ordnung der dreidimensionalen Gradientenimpulsantwortfunktion
DE102015200850A1 (de) Verfahren zur Auswertung von medizinischen Bilddaten
DE112019005801T5 (de) Diffusions-magnetresonanz-bildgebung unter verwendung sphärischer neuronaler netze
DE112020003210T5 (de) fMRI-Aufgabeneinstellungen mit maschinellem Lernen
DE112020002013T5 (de) Automatisierte Detektion von Wasser-Fett-Vertauschungen in der Dixon-Magnetresonanzbildgebung
DE112017006513T5 (de) Mri-verfahren zur t1-kartierung des herzens unter verwendung einer rekonstruktion der maximalen wahrscheinlichkeit im k-raum
DE102015210292B4 (de) Ermittlung von Substanzgewichtungen anhand von Magnetresonanzsignalen

Legal Events

Date Code Title Description
R119 Application deemed withdrawn, or ip right lapsed, due to non-payment of renewal fee