EP4128261A1 - Erzeugen von radiologischen aufnahmen - Google Patents

Erzeugen von radiologischen aufnahmen

Info

Publication number
EP4128261A1
EP4128261A1 EP21713686.0A EP21713686A EP4128261A1 EP 4128261 A1 EP4128261 A1 EP 4128261A1 EP 21713686 A EP21713686 A EP 21713686A EP 4128261 A1 EP4128261 A1 EP 4128261A1
Authority
EP
European Patent Office
Prior art keywords
radiological
recordings
artificial
contrast
radiological recordings
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
EP21713686.0A
Other languages
English (en)
French (fr)
Inventor
Gesine KNOBLOCH
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.)
Bayer AG
Original Assignee
Bayer AG
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 Bayer AG filed Critical Bayer AG
Publication of EP4128261A1 publication Critical patent/EP4128261A1/de
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • G—PHYSICS
    • 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
    • G01R33/5601—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution involving use of a contrast agent for contrast manipulation, e.g. a paramagnetic, super-paramagnetic, ferromagnetic or hyperpolarised contrast agent
    • 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
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—Two-dimensional [2D] image generation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/41—Medical

Definitions

  • the present invention relates to the generation of radiological recordings of an examination area of an examination subject. On the basis of such measured radiological recordings of an examination area, which show blood vessels in the examination area with contrast enhancement decreasing over time, the present invention generates artificial radiological recordings of the examination area which show blood vessels with constant contrast enhancement.
  • Radiology is a medical specialty that deals with imaging for diagnostic and therapeutic purposes.
  • CT computed tomography
  • MRT magnetic resonance imaging
  • sonography sonography
  • contrast media substances that facilitate the representation or delimitation of certain structures in an examination subject. These substances are called contrast media.
  • iodine-containing solutions are mostly used as contrast media.
  • MRI magnetic resonance imaging
  • superparamagnetic substances e.g. iron oxide nanoparticles, superparamagnetic iron-platinum particles (SIPPs)
  • paramagnetic substances e.g. gadolinium chelates, manganese chelates
  • contrast agents can be found in the literature (see e.g. ASL Jascinth et al .: Contrast Agents in computed tomography: A Review, Journal of Applied Dental and Medical Sciences, 2016, Vol. 2, Issue 2, 143-149; H. Lusic et al .: X-ray-Computed Tomography Contrast Agents, Chem. Rev. 2013, 113, 3, 1641-1666; https://www.radiology.wisc.edu/wp-content/uploads/2017/10/ contrast- agents-tutorial.pdf, MR Nough et al .: Radiographie and magnetic resonances contrast agents: Essentials and tips for safe practices, World J Radiol.
  • contrast media can be roughly divided into the following categories: extracellular, mixed extra- / intracellular (often referred to simply as intracellular contrast media) and blood pool contrast media.
  • the extracellular MRT contrast media include, for example, the gadolinium chelates gadobutrol (Gadovist ® ), gadoteridol (Prohance ® ), gadoteric acid (Dotarem ® ), gadopentetic acid (Magnevist ® ) and gadodiamide (Omnican ® ).
  • gadolinium chelates gadobutrol (Gadovist ® ), gadoteridol (Prohance ® ), gadoteric acid (Dotarem ® ), gadopentetic acid (Magnevist ® ) and gadodiamide (Omnican ® ).
  • Gadovist ® gadobutrol
  • Prohance ® gadoteridol
  • Dotarem ® gadoteric acid
  • Magnnevist ® gadopentetic acid
  • Omnican ® gadodiamide
  • Mixed extra- / intracellular contrast media are absorbed in the toes by tissues to a certain extent and then excreted again.
  • Mixed extra- / intracellular MRI contrast media based on gadoxetic acid are characterized, for example, by the fact that they are partially specifically absorbed by the toes of the liver, the hepatocytes, accumulate in the functional tissue (parenchyma) and the contrasts in healthy liver tissue increase before they are then excreted in the faeces via bile.
  • Examples of such contrast media based on gadoxetic acid are described in US Pat. No. 6,039,931A; they are commercially available, for example under the brand names Primovist ® and Eovist ®.
  • Gadobenate Dimeglumine (Multihance ® ) is another MRI contrast agent with a lower absorption into the hepatocytes.
  • Blood pool (contrast) agents also referred to as intravascular contrast media
  • Gadofosveset is, for example, an intravascular MRI contrast medium based on gadolinium. It was used as the trisodium salt monohydrate form (Ablavar ® ). It binds to serum albumin, which means that the contrast agent remains in the blood for a long time (half-life in the blood around 17 hours).
  • Ablavar ® was withdrawn from the market in 2017. Another contrast agent approved as a blood pool contrast agent for magnetic resonance imaging is not commercially available. Likewise, there is no contrast agent on the market that has been approved as a blood pool contrast agent for computed tomography.
  • the present invention addresses this problem.
  • the present invention provides means with which radiological recordings can be simulated on the basis of a blood pool contrast agent.
  • a first object of the present invention is a computer-implemented method comprising the steps
  • the measured radiological recordings showing an examination area of an examination subject at different, successive times after application of a contrast agent, the contrast agent leading to a contrast enhancement of blood vessels in the examination area, the contrast enhancement of the blood vessels in the measured radiological recordings decrease with increasing time,
  • Another object of the present invention is a computer system comprising a receiving unit, a control and computing unit and an output unit, the control and computing unit being configured to cause the receiving unit to receive a sequence of measured radiological recordings, the measured radiological recordings forming an examination area of an examination subject at different, consecutive times after an application of a contrast agent, the contrast agent contributing to a contrast enhancement of blood vessels in the The examination area leads, the contrast enhancement of the blood vessels in the measured radiological recordings decreasing with increasing time, the control and computing unit being configured to use the measured radiological recordings to calculate a sequence of artificial radiological recordings, the contrast enhancement of the blood vessels in the artificial radiological Recordings are retained over time, the control and computing unit being configured to cause the output unit to output the artificial radiological recordings.
  • Another object of the present invention is a computer program product comprising a computer program that can be loaded into a main memory of a computer and there causes the computer to carry out the following steps:
  • the measured radiological recordings showing an examination area of an examination subject at different, successive times after application of a contrast agent, the contrast agent leading to a contrast enhancement of blood vessels in the examination area, the contrast enhancement of the blood vessels in the measured radiological recordings decrease with increasing time,
  • Another object of the present invention is the use of a contrast agent in a radiological examination method, the radiological examination method comprising the following steps:
  • Another object of the present invention is a contrast agent for use in a radiological examination method, the radiological examination method comprising the following steps:
  • Another object of the present invention is a kit comprising a contrast agent and the computer program product according to the invention.
  • the present invention generates a sequence of artificial radiological recordings of an examination area of an examination subject, the artificial radiological recordings showing the examination area after application of a blood pool contrast agent, although no blood pool contrast agent has been applied.
  • the present invention uses a sequence of measured radiological recordings of an examination area to simulate a sequence of artificial radiological recordings of the examination area after application of an intravascular contrast agent.
  • the present invention on the basis of a sequence of radiological recordings which show an examination area of an examination subject, the present invention generates a sequence of artificial radiological recordings which show the examination area as it would appear if a blood pool contrast agent had been administered.
  • a radiologist is thus able to generate a sequence of radiological recordings of an examination area of an examination subject, which look as if a blood pool contrast agent had been administered to the examination subject without the radiologist having administered such an intravascular contrast agent.
  • an intravascular contrast agent is synonymous with the term “artificial radiological image that shows an examination area as it looks / would look after application of an intravascular contrast agent”.
  • Exposure is used in this description for both measured and artificially generated (calculated) radiological representations of an examination area.
  • the “object to be examined” is usually a living being, preferably a mammal, very particularly preferably a human.
  • the “examination area”, also called the field of view (FOV), represents in particular a volume that is mapped in the radiological recordings.
  • the examination area is typically determined by a radiologist, for example on a localizer. Of course he can The examination area can alternatively or additionally also be determined automatically, for example on the basis of a selected protocol.
  • the examination area can be, for example, the liver or part of the liver, the lungs or part of the lungs, the heart or part of the heart, the aorta or part of the aorta, abdominal blood vessels, leg and pelvic blood vessels, the esophagus or part the esophagus, the stomach or part of the stomach, the small intestine or part of the small intestine, the large intestine or part of the large intestine, the abdomen or part of the abdomen, the pancreas or part of the pancreas and / or another part of the subject be or include this.
  • the radiological examination is preferably an MRT examination. Accordingly, the at least one (measured) radiological recording that is recorded by the examination area is preferably an MRT recording, and the at least one artificially generated radiological recording is also an MRT recording.
  • the radiological examination is a CT examination; accordingly, the at least one (measured) radiological recording that is recorded by the examination area is, in this embodiment, a CT recording, and the at least one artificially generated radiological recording is also a CT recording.
  • Measured / metrologically generated radiological recordings and artificially generated radiological recordings can be present as two-dimensional image recordings which show a section plane through the examination subject.
  • the radiological recordings can be present as a stack of two-dimensional image recordings, with each individual image record of the stack showing a different cutting plane.
  • the radiological recordings can be available as three-dimensional recordings (3D recordings).
  • 3D recordings three-dimensional recordings
  • the radiological recordings are usually available as digital image files.
  • digital means that the radiological images can be processed by a machine, usually a computer system.
  • Processcessing is understood to mean the known procedures for electronic data processing (EDP).
  • Digital image files can be in a variety of formats.
  • Digital image files can be encoded as raster graphics, for example.
  • Raster graphics consist of a raster-shaped arrangement of so-called image points (pixels) or volume elements (voxels), each of which is assigned a color or a gray value.
  • the main characteristics of a 2D raster graphic are therefore the image size (width and height measured in pixels, colloquially also called image resolution) and the color depth.
  • a color is usually assigned to a pixel in a digital image file.
  • the color coding used for a pixel is defined, among other things, by the color space and the color depth. The simplest case is a binary image in which a pixel saves a black and white value.
  • each pixel In an image whose color is defined via the so-called RGB color space (RGB stands for the basic colors red, green and blue), each pixel consists of three subpixels, one subpixel for the color red, one subpixel for the color green and one Subpixels for the color blue.
  • the color of an image point results from the superposition (additive mixing) of the color values of the subpixels.
  • the color value of a subpixel can, for example, be divided into 256 color nuances, the tone values and usually range from 0 to 255.
  • the color shade "0" of each color channel is the darkest. If all three channels have the tone value 0, the corresponding pixel appears black; if all three channels have the tone value 255, the corresponding pixel appears white.
  • digital image files (radiological recordings) are subjected to certain operations.
  • the operations mainly concern the pixels or the tonal values of the individual pixels.
  • digital image formats and color codings There are a variety of possible digital image formats and color codings.
  • the present images are grayscale raster graphics with a specific number of image points, with each image point being assigned a tone value which indicates the gray value of the image.
  • this assumption should in no way be understood as limiting. It is clear to the person skilled in the art of image processing how he can transfer the teaching of this description to image files which are present in other image formats and / or in which the color values are coded differently.
  • a sequence of measured radiological recordings is received.
  • These measured radiological recordings can be TI-weighted, T2-weighted and / or diffusion-weighted representations and / or recordings that have been generated with the aid of another recording sequence.
  • a sequence of measured radiological recordings comprises at least two radiological recordings.
  • sequence means chronological sequence, i.e. several (at least two) radiological recordings are generated using measurement technology, which show the examination area at successive points in time.
  • a point in time is assigned to each recording or a point in time can be assigned to each recording. This point in time is usually the point in time at which the recording was generated (absolute time).
  • the radiological recordings are assigned arbitrary points in time (e.g. relative points in time).
  • a recording can be assigned the time of the start of the recording or the time of the completion of the recording.
  • a radiological recording can be classified in relation to another radiological recording; Based on the point in time of a radiological recording, it can be established whether the moment shown in the radiological recording occurred before or after a moment shown in another radiological recording.
  • the radiological recordings are preferably arranged in time in a sequence such that recordings which show an earlier state of the examination area are arranged in the sequence before such recordings which show a later state of the examination region.
  • the time span between two recordings directly following one another in a sequence is preferably the same for all pairs of recordings directly following one another in the sequence, i.e. the recordings were preferably generated at a constant recording rate.
  • the measured radiological recordings of the sequence preferably show an examination area of an examination subject at different, successive points in time after an application of a contrast agent, the contrast agent leading to a contrast enhancement of blood vessels in the measured radiological recordings of the examination area, the contrast enhancement of the blood vessels in the measured radiological ones Recordings decrease with increasing time.
  • a sequence can also comprise a native radiological image (native image); Such a native image shows the examination area without administration of a contrast agent.
  • the applied contrast agent can be an extracellular and / or a mixed extra- / intracellular contrast agent. In a preferred embodiment, it is an extracellular contrast medium. In a further preferred embodiment, it is a mixed extra- / intracellular contrast medium.
  • a contrast agent is administered to the examination subject (in a further step).
  • the contrast agent can be an MRT contrast agent or a CT contrast agent. It is preferably an extracellular MRT contrast agent such as gadobutrol, gadoteridol, gadoteric acid, gadopentetic acid and / or gadodiamide.
  • Other extracellular MRI contrast agents are described in the literature (see e.g. Yu.Dong Xiao et al .: MRI contrast agents: Classification and application (Review), International Journal of Molecular Medicine 38: 1326 (2016)).
  • the contrast agent is a mixed extra- / intracellular MRI contrast agent such as Gd-EOB-DTPA (Primovist ®), Mn-DPDP (mangafodipir), Gd-BOPTA (Gadobenate-Dimelglumin) and / or Gd-DTPA mesoporphyrin (gadophrin) act.
  • Gd-EOB-DTPA Primarymovist ®
  • Mn-DPDP mangafodipir
  • Gd-BOPTA Gadobenate-Dimelglumin
  • Gdophrin Gdophrin
  • Other mixed extra- / intracellular MRI contrast agents are described in the literature (see e.g. Yu.Dong Xiao et al .: MRI contrast agents: Classification and application (Review), International Journal of Molecular Medicine 38: 1326 (2016)).
  • the contrast agent is preferably introduced into a blood vessel of the examination subject, for example into an arm vein. From there it moves with the blood along the bloodstream.
  • the "blood circulation” is the path that the blood travels in the body of humans and most animals. It is the blood flow system that is formed by the heart and a network of blood vessels (cardiovascular system, blood vessel system).
  • the arteries transport blood under high pressure and at high flow rates. It is through them that the blood from the heart reaches the various tissues.
  • the arterioles branch off from the arteries; they serve as control valves and have strong muscular walls that can narrow the vessels (vasoconstriction) or widen them (vasodilation). They branch further to the capillaries, which carry out the exchange of fluids, nutrients, electrolytes, hormones and other substances between blood and tissue and are equipped with a thin vessel wall that is permeable to low-molecular substances.
  • the capillaries In some organs (liver, spleen) the capillaries are widened and the endothelium becomes discontinuous, then one speaks of sinusoids.
  • Venules only have a thin vessel wall; they collect the blood from the capillaries to return it to the veins that carry it from the periphery back to the heart.
  • An extracellular contrast medium circulates in the bloodstream for a period of time that depends on the examination subject, the contrast medium and the amount administered, while it is continuously removed from the bloodstream by the kidneys.
  • At least one radiological recording of the blood vessel system or a part thereof is recorded.
  • At least one radiological image of that part of the blood vessel system which is located in the examination area is preferably acquired.
  • Several radiological recordings can be acquired which show different phases of the distribution of the contrast agent in the blood vessel system or a part thereof (for example flooding phase, arterial phase, venous phase and / or the like).
  • the acquisition of several recordings allows a later differentiation of blood vessel types.
  • the measured radiological recordings show the blood vessel system or a part thereof, in particular the part which is located in the examination area, with a contrast-enhanced contrast to the surrounding tissue.
  • at least a first radiological recording shows arteries with a high contrast (arterial phase)
  • at least a second radiological recording shows veins with a high contrast (venous phase).
  • Artificial radiological recordings are generated on the basis of the measured radiological recordings.
  • the artificial radiological recordings preferably show the same examination area as the measured radiological recordings. If a large number of measured radiological recordings were recorded from the examination area at different times after the application of the contrast agent, the later radiological recordings in particular show blood vessels with an increasingly decreasing contrast to the surrounding tissue, since the contrast agent is gradually separated from the blood vessels.
  • the artificial radiological images show the blood vessels with a consistently high contrast to the surrounding tissue.
  • a predictive model is used.
  • the prediction model can have been trained on the basis of reference data to compensate for a contrast enhancement of blood vessels that decreases over time.
  • the prediction model can have been trained on the basis of reference data to generate a sequence of artificial radiological images that cover the examination area after application of an extracellular or a mixed extra / intracellular contrast agent on the basis of a sequence of measured radiological recordings that show an examination area of an examination subject after application of an extracellular or a mixed extra / intracellular contrast agent Show blood pool contrast agent.
  • the prediction model can have been trained on the basis of reference data to generate a sequence of artificial radiological recordings for a sequence of measured radiological recordings that show blood vessels in an examination area at different times after application of a contrast agent, the blood vessels in the examination area are contrast-enhanced and with an over show a constant contrast to the surrounding tissue over time.
  • the reference data that are used to train and validate such a prediction model usually include measured radiological recordings of the examination area after the application of an extracellular or mixed extra / intracellular contrast agent.
  • the reference data can also include radiological recordings of the examination area after the application of a blood pool contrast agent.
  • Such reference data can be determined in a clinical study, for example.
  • Ferumoxytol for example, can be used as an intravascular contrast medium in such a clinical study.
  • Ferumoxytol is a colloidal iron-carbohydrate complex that is approved for the parenteral treatment of iron deficiency in chronic kidney disease when oral therapy is not feasible. Ferumoxytol will administered as an intravenous injection.
  • Ferumoxytol is available as a solution for intravenous injection marketed under the brand name Rienso ® or Ferahme®.
  • the iron-carbohydrate complex shows superparamagnetic properties and can therefore be used (off-label) for contrast enhancement in MRI examinations (see e.g. LP Smits et al .: Evaluation of ultrasmall superparamagnetic iron-oxide (USPIO) enhanced MRI with ferumoxytol to quantify arterial wall inflammation, Atherosclerosis 2017, 263: 211-218).
  • USPIO ultrasmall superparamagnetic iron-oxide
  • Another object of the present invention is therefore the use of ferumoxytol or a comparable other blood pool contrast agent, which is approved for intravenous injection, as a blood pool contrast agent for generating a training data set for predicting artificial radiological recordings after application of a blood pool contrast agent of measured radiological recordings after application of an extracellular or a mixed extra- / intra-zehular contrast medium.
  • ferumoxytol or a comparable other blood pool contrast agent which is approved for intravenous injection
  • a blood pool contrast agent for generating a training data set for predicting artificial radiological recordings after application of a blood pool contrast agent of measured radiological recordings after application of an extracellular or a mixed extra- / intra-zehular contrast medium.
  • existing (existing) of radiographic images after application is conceivable was an intravascular contrast agent as training data to be used, yet commercially available, for example from the time when Ablavar ®.
  • the reference data can, however, also include artificially generated radiological recordings in which the time-decreasing contrast enhancement of the blood vessels in measured radiological recordings has subsequently been compensated for by image processing methods.
  • image processing methods are known in the art (see, eg: MA Joshi: Digital Image Processing - An Algorithmic Approach, PHI Learning Private Limited, 2nd Edition 2018, ISBN: 978-93- 81472-58-7).
  • the prediction mode can be trained in supervised learning to learn a relationship between the measured radiological recordings and the radiological recordings after application of the blood pool contrast agent or the recordings processed by means of image processing methods. This learned relationship can then be used to calculate artificial radiological recordings for new measured radiological recordings, the artificial radiological recordings showing the examination area as it would look after application of a blood pool contrast agent, with an extracular one for the measured radiological recordings or a mixed extra- / intracellular contrast agent has been administered: blood vessels in the examination area show an increased contrast that remains constant over time compared to the surrounding tissue.
  • the prediction mode is thus trained to compensate for the time-decreasing contrast agent enhancement of blood vessels in measured radiological images.
  • the prediction mode can be, for example, or comprise an artificial neural network.
  • Such an artificial neural network comprises at least three layers of processing elements: a first layer with input neurons (nodes), an N-th layer with at least one output neuron (node) and N-2 inner layers, where N is a natural number and greater than 2 .
  • the input neurons are used to receive (digital) measured radiological recordings as input values. There is usually an input neuron for each pixel or voxei in a digital radiological image. Additional input neurons for additional input values (e.g. information on the examination area, on the examination subject and / or on conditions that prevailed when the radiological recordings were made) can be present.
  • the output neurons serve to output the artificial radiological recordings (to be available).
  • the processing elements of the layers between the input neurons and the output neurons are connected to one another in a predetermined pattern with predetermined connection weights.
  • the artificial neural network is preferably a so-called convolutional neural network (CNN for short).
  • a convolutional neural network is able to process input data in the form of a matrix. This enables digital radiological recordings displayed as a matrix (e.g. width x height x color channels) to be used as input data.
  • a normal neural network e.g. in the form of a multi-layer perceptron (MLP), on the other hand, requires a vector as input, i.e. in order to use a radiological image as input, the pixels or voxels of the radiological image would have to be rolled out in a long chain one after the other.
  • normal neural networks are e.g. not able to recognize objects in a radiological image regardless of the position of the object in the image. The same object at a different position in the shot would have a completely different input vector.
  • a CNN essentially consists of filters (convolutional layer) and aggregation layers (pooling layer), which are alternately repeated, and at the end of one or more layers of "normal" completely connected neurons (dense / fully connected layer).
  • Recurrent neural networks are a family of artificial neural networks that contain feedback connections between layers. RNNs allow sequential data to be modeled by sharing parameter data across different parts of the neural network.
  • the architecture for an RNN contains cycles. The cycles represent the influence of a current value of a variable on its own value at some future point in time, since at least some of the output data from the RNN is used as feedback for processing subsequent inputs in a sequence.
  • the training of the neural network can be carried out, for example, by means of a backpropagation method.
  • the most reliable possible mapping of given input vectors to given output vectors is sought for the network.
  • the quality of the image is described by an error function.
  • the aim is to minimize the error function ⁇
  • the teaching of a artificial neural network takes place in the backpropagation method by changing the connection weights.
  • connection weights between the processing elements contain information relating to the relationship between measured radiological recordings and artificially generated radiological recordings which simulate radiological recordings after the application of a blood pool contrast agent. This information can be used to predict at least one artificial radiological uptake for at least one new measured radiological uptake.
  • a cross-validation method can be used to split the data into training and validation records.
  • the training data set is used in backpropagation training of the network weights.
  • the validation data set is used to check the predictive accuracy with which the trained network can be applied to unknown (new) radiological images.
  • a blood pool contrast agent does not necessarily have to be / has been applied in order to generate a training and validation data set. It is also conceivable that another contrast medium, preferably an extracellular contrast medium, is used to generate a training and validation data set.
  • the contrast agent even if it is not a blood pool contrast agent, remains in the blood vessel system of the examination subject for a certain time. This time can be sufficient to record radiological recordings (by measurement) that show an examination area in which blood vessels have a high contrast to the surrounding tissue. These recorded recordings can then, if necessary after processing to compensate for the decrease in contrast enhancement over time, be used for training and validating a prediction model.
  • examination object As already indicated, further information on the examination object, the examination area and / or examination conditions can also be used for training and validating a prediction model and for generating predictions with the prediction model.
  • Examples of information on the examination subject are: gender, age, weight, height, anamnesis, type and duration and amount of medication already taken, blood pressure, central venous pressure, respiratory rate, serum albumin, total bilirubin, blood sugar, iron content, respiratory capacity and the like. These can also be used, for example, in a database or an electronic patient file.
  • Examples of information about the examination area are: previous illnesses, operations, partial resection, liver transplantation, iron liver, fatty liver and the like.
  • the prediction model is preferably trained to distinguish between different blood vessels, for example arteries from veins. This can be done, for example, by a radiologist marking the respective blood vessels differently in the radiological recordings that are used for training. It is also conceivable that the prediction model learns to differentiate between the different blood vessels on the basis of the dynamics in a sequence of radiological recordings after the application of a contrast agent. After an application in the form of a bolus, the contrast agent is not immediately present in all blood vessels in the same concentration, but is distributed from the application site in the blood vessel system with the blood flow. Depending on the application site, it is initially through the arteries or the veins directed. The prediction model can therefore learn to differentiate between different blood vessels on the basis of the dynamic behavior of the contrast agent applied.
  • An artificial radiological recording can therefore also be generated by adding several measured radiological recordings that show the examination area at different times after the application of the contrast agent. It is conceivable, for example, that a first measured radiological recording shows an arterial phase, while a second measured radiological recording shows a venous phase. These two measured radiological recordings (and possibly further radiological recordings) can be added together. The addition can take place pixel by pixel or voxel by voxel. For example, the gray values of the pixels can be added (in pairs). A subsequent normalization can be used to ensure that the gray values are again in the usual range (e.g. from 0 to 255).
  • a pixel or a voxel of a recording corresponds to exactly one pixel or voxel of a subsequent recording and / or a previous recording: the corresponding (corresponding) pixels or voxels show the same examination area different times.
  • the mathematical operations described in this description can be carried out with the pairs of corresponding pixels or voxels to calculate artificial radiological recordings. If the examination object has moved between radiological recordings that follow one another in time, a movement correction must be carried out before the described calculations are carried out. Motion correction methods are described in the prior art (see for example: EP3118644, EP3322997, US20080317315, US20170269182, US20140062481, EP2626718).
  • the artificial radiological recordings produced according to the invention can be displayed on a monitor, output on a printer and / or stored in a data memory.
  • Artificial radiological recordings are preferably generated automatically and output (preferably displayed) in quasi real time in addition to the corresponding measured radiological recordings or instead of the measured radiological recordings.
  • a blood vessel model is generated on the basis of the measured radiological recordings.
  • the blood vessel model is a digital representation of the examination subject or a part thereof (preferably of the examination area), structures that can be traced back to blood vessels being identified in the representation, or the representation only contains structures that can be traced back to blood vessels.
  • the blood vessel model is preferably a three-dimensional representation in which the spatial course of blood vessels is marked / recorded. Different types of blood vessels (e.g. arteries and veins) are preferably labeled differently.
  • the blood vessel model is generated on the basis of at least one measured native image and at least one measured radiological image after the application of a contrast agent.
  • the at least one native image shows an examination area of the examination subject without contrast agent.
  • the at least one Radiological image after application of a contrast agent preferably shows the same area, with some or all of the blood vessels in the area being contrast-enhanced.
  • the blood vessel model can be generated by subtracting a native image from a measured radiological image after applying a contrast agent and then normalizing it.
  • the subtraction is preferably carried out pixel by pixel or voxel by voxel.
  • the gray values of the pixels can be subtracted from one another.
  • the subsequent normalization is used to ensure that the gray values are again in the usual range (e.g. from 0 to 255) and that there are no negative gray values.
  • the blood vessel model can also be generated by adding a plurality of measured radiological recordings after application of a spreading contrast agent and subsequent normalization.
  • the addition is preferably carried out pixel by pixel or voxel by voxel.
  • the gray values of the pixels can be added in pairs.
  • the subsequent normalization is used to ensure that the gray values are again in the usual range (e.g. from 0 to 255).
  • Structures in the blood vessel model that cannot be traced back to blood vessels are preferably removed: if blood vessels are shown brightly, for example, then all pixels (or voxels) whose gray values are below a threshold value can be set to the gray value zero; If, on the other hand, blood vessels are shown dark, then all pixels (or voxels) whose gray values are above a threshold value can be set to the highest gray value (e.g. 255). In this way, structures that do not originate from blood vessels are reduced (in contrast) or completely eliminated.
  • the blood vessel model can also be obtained from measured radiological recordings by other segmentation methods. Segmentation methods are widely described in the literature. The following publications are listed as examples: F. Conversano et al .: Hepatic Vessel Segmentation for 3D Planning of Liver Surgery, Acad Radiol 2011, 18: 461-470; S. Moccia et al .: Blood vessel Segmentation algorithms - Review of methods, datasets and evaluation metrics, Computer Methods and Programs in Biomedicine 158 (2018) 71-91; M. Marcan et al .: Segmentation of hepatic vessels from MRI images for planning of electroporation-based treatments in the liver, Radiol Oncol 2014; 48 (3): 267-281; T.A.
  • the blood vessel model is preferably available in the same digital (data) format as the at least one measured radiological image after application of a contrast agent and / or as the at least one native radiological image. If the same digital format is available, calculations can be carried out more easily using the corresponding files; in particular, the blood vessel model can be generated more easily from the measured radiological recordings.
  • the blood vessel model can be used and output directly as an artificial radiological recording. However, it is also conceivable that the blood vessel model is overlaid with one or more measured radiological recordings in order to generate one or more artificial radiological recordings. It can be overlaid with a native image, for example, in order to display the blood vessels in the native image. Different blood vessels can preferably be faded in and out independently of one another.
  • the blood vessel model can also be overlaid with at least one measured radiological image after application of a contrast agent.
  • the overlay with a radiological image after application of a contrast agent is advantageous, for example, if small focal liver lesions are to be identified during an MRI examination of the liver (see e.g. P. Bannas: Combined Gadoxetic Acid and Gadofosveset Enhanced MRI: A Feasibility and Parameter Optimization Study, Magnetic Resonance in Medicine 75: 318-328 (2016)). It can be difficult to distinguish liver lesions from blood vessel structures on an MRI scan.
  • the simulation according to the invention of a blood pool contrast agent can provide a remedy here.
  • different larb values are preferably selected for different types of blood vessels (e.g. arteries and veins) (lalsch color display).
  • arteries can be identified by a first larb value (e.g. a larb value for a red larb) and veins by a second larb value (e.g. a larb value for a blue larb).
  • the pixels or voxels that represent blood vessels in the blood vessel model can preferably be faded in continuously into the at least one measured radiological image using a (virtual) slider, the corresponding pixels or voxels in the artificial radiological image thus generated when fading in increasingly assume the larb values of the pixels or voxels of the blood vessel model.
  • types of blood vessels can be displayed independently of one another (e.g. arteries independent of veins and / or veins independent of arteries).
  • the possibility of switching the structures originating from blood vessels or types of blood vessels on and off instead of fading in or in addition to fading in is also conceivable.
  • a radiologist can make blood vessels or types of blood vessels visible in a measured radiological image in order to be able to assign structures in the radiological images.
  • a computer-implemented method comprising the steps
  • At least one radiological recording wherein the at least one radiological recording shows an examination area of an examination subject, calculating at least one artificial radiological recording on the basis of the at least one radiological recording, blood vessels in the at least one artificial radiological recording being shown in contrast to the surrounding tissue, outputting the at least one artificial radiological recording.
  • Receiving at least one measured radiological recording, the at least one measured radiological recording showing an examination area of an examination subject Feeding the at least one measured radiological recording to a prediction model, the prediction model being trained on the basis of reference data in a monitored learning process to generate at least one artificial radiological recording for at least one measured radiological recording showing an examination area of an examination subject, the at least one artificial radiological image shows the examination area after application of a blood pool contrast agent, receiving at least one artificial radiological image from the prediction model, the at least one artificial radiological image showing the examination area after application of a blood pool contrast agent,
  • the at least one measured radiological image is a radiological image or comprises an image that shows an examination area of an examination subject after application of a contrast agent
  • the prediction model being trained on the basis of reference data in a monitored learning process to generate at least one artificial radiological recording for at least one measured radiological recording which shows an examination area of an examination subject after application of a contrast agent, wherein the at least one artificial radiological image shows the examination area after application of a blood pool contrast agent,
  • Radiological recordings Receiving a plurality of measured radiological recordings, the radiological recordings showing an examination area at different times after a contrast agent has been applied,
  • the prediction model Feeding the plurality of measured radiological recordings to a prediction model, the prediction model being trained on the basis of reference data in monitored learning, for a plurality of measured radiological recordings showing an examination area at different times after application of a contrast agent, at least one artificial radiological recording to generate, wherein the at least one artificial radiological recording shows blood vessels in the examination area with increased contrast and with a constant contrast over time compared to the surrounding tissue,
  • the at least one artificial radiological recording receiving at least one artificial radiological recording from the prediction model, the at least one artificial radiological recording showing blood vessels in the examination area in a contrast-enhanced manner and with a contrast that remains constant over time in relation to the surrounding tissue,
  • At least one artificial radiological recording the at least one artificial radiological recording showing the same examination area, blood vessels in the examination area being shown with a contrast enhancement compared to the surrounding tissue, the contrast enhancement not decreasing over time,
  • Radiological recordings Receiving a plurality of measured radiological recordings, the radiological recordings showing an examination area at different times after a contrast agent has been applied,
  • Radiological recordings Receiving a plurality of measured radiological recordings, the radiological recordings showing an examination area at different times before and / or after an application of a contrast agent
  • the blood vessel model being a representation of the examination area, structures that can be traced back to blood vessels in the examination area being identified in the blood vessel model,
  • a computer system comprising a receiving unit, a control and computing unit and an output unit wherein the control and processing unit is configured to cause the receiving unit to receive at least one radiological recording, the at least one radiological recording showing an examination area of an examination subject, the control and processing unit being configured based on the at least one radiological recording at least one to calculate artificial radiological recording, blood vessels in the at least one artificial radiological recording being shown with a contrast-enhanced contrast to surrounding tissue, the control and computing unit being configured to cause the output unit to output the at least one artificial radiological recording.
  • control and computing unit is configured to cause the receiving unit to receive at least one first measured radiological image of a blood vessel system of an examination subject or a part of the blood vessel system, the control and computing unit being configured to generate a model of the blood vessel system or a part thereof on the basis of the at least one first measured radiological image, wherein the control and computing unit is configured to cause the receiving unit to receive at least one second measured radiological image of an examination area of the examination subject, wherein the control and arithmetic unit is configured to generate at least one third radiological record by superimposing the at least one second radiological record with the model of the blood vessel system or a part thereof, the control and arithmetic units it is configured to cause the output unit to output the at least one third radiological recording.
  • a computer program product comprising a computer program that can be loaded into a main memory of a computer and there causes the computer to carry out the following steps:
  • At least one radiological recording wherein the at least one radiological recording shows an examination area of an examination subject, calculating at least one artificial radiological recording based on the at least one radiological recording, blood vessels in the at least one artificial radiological recording being shown in contrast to the surrounding tissue, outputting the at least one artificial radiological recording.
  • Generating at least one artificial radiological recording by superimposing the at least one radiological recording with the model of the blood vessel system or a part thereof Outputting the at least one artificial radiological recording.
  • a contrast agent for use in a radiological examination procedure comprising the following steps:
  • Generating at least one artificial radiological recording by superimposing the at least one radiological recording with the model of the blood vessel system or a part thereof
  • a kit comprising a contrast agent and a computer program product according to the invention according to embodiment 13 above.
  • FIG. 1 shows schematically and by way of example an embodiment of the computer system according to the invention.
  • the computer system (10) comprises a receiving unit (11), a control and computing unit (12) and an output unit (13).
  • a “computer system” is a system for electronic data processing that processes data using programmable arithmetic rules.
  • Such a system usually comprises a control and arithmetic unit, often also referred to as a “computer”, that unit which comprises a processor for performing logical operations and a working memory for loading a computer program, as well as peripherals.
  • peripherals are all devices that are connected to the computer and are used to control the computer and / or as input and output devices. Examples of this are monitors (screens), printers, scanners, mice, keyboards, joysticks, drives, cameras, microphones, loudspeakers, etc. Internal connections and expansion cards are also considered peripherals in computer technology.
  • Today's computer systems are often divided into desktop PCs, portable PCs, laptops, notebooks, netbooks and tablet PCs and so-called handheids (e.g. smartphones); any of these systems can be used to practice the invention.
  • Inputs into the computer system are made via input means such as a keyboard, a mouse, a microphone, a touch-sensitive display and / or the like.
  • Outputs take place via the output unit (13), which can in particular be a monitor (screen), a printer and / or a data memory.
  • the computer system (10) is configured to receive measured radiological recordings and to generate (calculate) artificial radiological recordings on the basis of the received radiological recordings.
  • the control and computing unit (12) is used to control the receiving unit (11) and the output unit (13) and to coordinate the data and signal flows between the various Units, the processing of radiological recordings and the generation of artificial radiological recordings. It is conceivable that there are several control and computing units.
  • the receiving unit (11) is used to receive radiological recordings.
  • the radiological recordings can for example be transmitted by a magnetic resonance tomograph or transmitted by a computer tomograph or read out from a data memory.
  • the magnetic resonance tomograph or the computed tomograph can be a component of the computer system according to the invention.
  • the computer system according to the invention is a component of a magnetic resonance tomograph or a computed tomograph.
  • the transmission of radiological recordings can take place via a network connection or a direct connection.
  • the transmission of radiological recordings can take place via a radio connection (WLAN, Bluetooth, cellular radio and / or the like) and / or wired. It is conceivable that there are several receiving units.
  • the data memory can also be part of the computer system according to the invention or be connected to it via a network, for example. It is conceivable that there are several data stores.
  • the receiving unit receives the radiological recordings, if necessary, further data (such as information on the examination subject, recording parameters and / or the like) and transmits them to the control and computing unit.
  • the control and computing unit is configured to generate artificial radiological recordings based on the received data.
  • the artificial radiological recordings can be displayed (for example on a monitor), output (e.g. via a printer) or saved in a data memory via the output unit (13). It is conceivable that there are several output units.
  • FIG. 2 shows, by way of example and schematically, an embodiment of the method (100) according to the invention or the steps carried out by the computer program product according to the invention in the form of a flowchart.
  • the steps are:
  • FIG. 3 shows, by way of example and schematically, a preferred embodiment of the method (200) according to the invention or the steps carried out by the computer program product according to the invention in the form of a flowchart.
  • the steps are: (210) Receiving a sequence of measured radiological recordings, the measured radiological recordings showing an examination area of an examination subject at different, successive points in time after an application of a contrast agent, the contrast agent leading to a contrast enhancement of blood vessels in the measured radiological recordings of the examination area, the contrast enhancement of the blood vessels in the measured radiological images decreases with increasing time,
  • (220) supplying the radiological recordings to an artificial neural network, the artificial neural network having been trained on the basis of reference data in a monitored learning process to compensate for a decrease in contrast enhancement of blood vessels in radiological recordings,
  • FIGS. 4 (a), (b) and (c) show exemplary and schematic radiological recordings of a liver after intravenous application of a contrast agent into an arm vein of an examination subject.
  • FIGS. 4 (a), 4 (b) and 4 (c) the same cross section through the liver (L) is always shown at different, successive points in time.
  • the reference symbols drawn in FIGS. 4 (a), 4 (b) and 4 (c) apply to all FIGS. 4 (a), 4 (b) and 4 (c); they are only shown once for the sake of clarity.
  • FIGS. 4 (a), 4 (b) and 4 (c) the arteries (A) and veins (V) are shown in contrast to the surrounding tissue (liver cells). However, the contrast enhancement decreases with time from Fig. 4 (a) to Fig. 4 (b) to Fig. 4 (c).
  • FIG. 5 schematically shows, by way of example, the generation of artificial radiological recordings on the basis of measured radiological recordings with the aid of a prediction model (PM).
  • PM prediction model
  • Radiological images (a), (b) and (c) of a liver shown in FIG. 5 correspond to the images of the liver shown in FIGS. 4 (a), 4 (b) and 4 (c). These measured radiological recordings (a), (b) and (c) are fed to a prediction model (PM). The prediction model generates three artificial radiological recordings (a ‘), (b‘) and (c ‘) from the three measured radiological recordings (a), (b) and (c). While the contrast enhancement of the blood vessels (arteries A and veins V) decreases over time in the measured radiological images, it remains the same over time in the artificially generated radiological images.
  • FIGS. 6 (a), 6 (b) and 6 (c) show exemplary and schematic radiological images of a liver before (6 (a)) and after (6 (b), 6 (c)) the intravenous application of a contrast agent in a Arm vein of an examination subject.
  • FIGS. 6 (a), 6 (b) and 6 (c) the same cross section through the liver (L) is always shown at different, successive points in time.
  • FIGS. 6 (a), 6 (b) and 6 (c) apply to all FIGS. 6 (a), 6 (b) and 6 (c); they are only shown once for the sake of clarity.
  • 6 (a) shows the cross section through the liver (L) before the intravenous application of a contrast medium.
  • a contrast agent was administered intravenously as a bolus. This reaches the liver in FIG. 6 (b) via the hepatic artery (A).
  • the hepatic artery is shown with an enhanced signal (arterial phase).
  • the contrast agent reaches the liver via the veins (venous phase).
  • FIG. 6 (a) is therefore a native radiological image
  • FIG. 6 (b) is a first radiological image after application of a contrast agent
  • FIG. 6 (c) is a second radiological image after application of the contrast agent.
  • the arteries can be seen particularly well, while the veins can be seen particularly well in FIG. 6 (c).
  • FIG. 7 shows by way of example and schematically the generation of an artificial radiological recording (AI) on the basis of measured radiological recordings with the aid of a prediction model (PM).
  • the prediction model (PM) is trained to generate at least one artificial radiological image for at least one measured radiological image that shows an examination area of an examination subject, which shows the examination area after the application of an intravascular contrast agent.
  • the radiological recordings from FIGS. 6 (b) and 6 (c) are fed to the prediction model (PM).
  • the prediction model then automatically generates an artificial radiological image (AI). This shows all blood vessels (arteries A, veins V) with increased contrast and with constant contrast over time compared to the surrounding tissue.
  • FIG. 8 shows, by way of example and schematically, the generation of a blood vessel model from measured radiological recordings.
  • Figures 8 (a), 8 (b) and 8 (c) are identical to Figures 6 (a), 6 (b) and 6 (c).
  • the native radiological image in FIG. 8 (a) is combined with the radiological image in FIG. 8 (b) and the radiological image in FIG. 8 (c) to form a blood vessel model (FIG. 8 (d)).
  • a difference image is generated from FIG. 8 (a) and FIG. 8 (b) (FIGS. 8 (b) -8 (a)).
  • the arteries (A) stand out particularly strongly, while all other structures are in the background.
  • a difference image of FIGS. 8 (a) and 8 (c) can be generated (FIGS. 8 (c) -8 (a)).
  • the veins (V) are particularly prominent, while all other structures take a back seat.
  • the two difference images generated can be combined, e.g. by addition, to form the blood vessel model (Fig. 8 (d)).
  • the arteries and the veins in the blood vessel model (FIG. 8 (d)) are preferably identified differently (in the present case the veins are provided with horizontal hatching, while the arteries are provided with vertical hatching).
  • FIG. 9 shows, by way of example and schematically, a measured radiological image of a liver (L) after the intravenous application of a hepatobiliary contrast agent into an arm vein of the examination subject.
  • the hepatobiliary contrast agent is absorbed by healthy liver cells.
  • the radiological image shown in FIG. 9 shows the liver in a cross section in the hepatobiliary phase in which the liver cells have already absorbed contrast medium.
  • a structure T can be seen for which it is unclear whether it is a blood vessel or a tumor.
  • FIG. 10 shows, by way of example and schematically, the superposition of a measured radiological image with a blood vessel model to form an artificial radiological image.
  • Fig. 10 (a) shows the measured radiological image of a liver (L) in cross section.
  • Fig. 10 (a) is identical to Fig. 9.
  • Fig. 10 (b) shows a blood vessel model.
  • Fig. 10 (b) is identical to Fig. 8 (d).
  • Fig. 10 (c) shows an artificial radiological photograph.
  • the pixels of those structures of the blood vessel model that can be traced back to blood vessels replace the corresponding (corresponding) pixels of the measured radiological recording.
  • the artificial radiological image clearly shows which structures are due to healthy liver cells, which structures are due to arteries (A) and which structures are due to veins (V). Furthermore, it can be seen in the artificial radiological image that the structure T is not a blood vessel. It is conceivable that there is a tumor.

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Medical Informatics (AREA)
  • Radiology & Medical Imaging (AREA)
  • General Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Theoretical Computer Science (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Signal Processing (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Pathology (AREA)
  • Quality & Reliability (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

Die vorliegende Erfindung betrifft die Erzeugung von radiologischen Aufnahmen eines Untersuchungsbereichs eines Untersuchungsobjekts. Die vorliegende Erfindung erzeugt auf Basis von gemessenen radiologischen Aufnahmen eines Untersuchungsbereichs, die Blutgefäße in dem Untersuchungsbereich mit zeitlich abnehmender Kontrastverstärkung zeigen, künstliche radiologische Aufnahmen des Untersuchungsbereichs, die Blutgefäße mit gleichbleibender Kontrastverstärkung zeigen.

Description

ERZEUGEN VON RADIOLOGISCHEN AUFNAHMEN
Die vorliegende Erfindung betrifft die Erzeugung von radiologischen Aufnahmen eines Untersuchungsbereichs eines Untersuchungsobjekts. Die vorliegende Erfindung erzeugt auf Basis von solchen gemessenen radiologischen Aufnahmen eines Untersuchungsbereichs, die Blutgefäße in dem Untersuchungsbereich mit zeitlich abnehmender Kontrastverstärkung zeigen, künstliche radiologische Aufnahmen des Untersuchungsbereichs, die Blutgefäße mit gleichbleibender Kontrastverstärkung zeigen.
Die Radiologie ist ein medizinisches Fachgebiet, das sich mit der Bildgebung zu diagnostischen und therapeutischen Zwecken befasst.
Während in der medizinischen Bildgebung früher in erster Linie Röntgenstrahlung und für die Röntgenstrahlung empfindliche Filme zum Einsatz kamen, gehören zur Radiologie heutzutage mehrere verschiedene Bildgebungs verfahren wie Computertomographie (CT), Magnetresonanztomographie (MRT) oder Sonographie.
Bei ah diesen Verfahren können Substanzen eingesetzt werden, die die Darstellung bzw. Abgrenzung bestimmter Strukturen in einem Untersuchungsobjekt erleichtern. Diese Substanzen bezeichnet man als Kontrastmittel.
In der Computertomographie werden meist iodhaltige Lösungen als Kontrastmittel eingesetzt. In der Magnetresonanztomographie (MRT) werden üblicherweise superparamagnetische Substanzen (z.B. Eisenoxidnanopartikel, superparamagnetische Eisen-Platin-Partikel (SIPPs)) oder paramagnetische Substanzen (z.B. Gadolinium-Chelate, Mangan-Chelate) als Kontrastmittel verwendet.
Beispiele für Kontrastmittel sind in der Literatur zu finden (siehe z.B. A. S. L. Jascinth et al.: Contrast Agents in computed tomography: A Review, Journal of Applied Dental and Medical Sciences, 2016, Vol. 2, Issue 2, 143 - 149; H. Lusic et al.: X-ray-Computed Tomography Contrast Agents, Chem. Rev. 2013, 113, 3, 1641-1666; https://www.radiology.wisc.edu/wp-content/uploads/2017/10/contrast- agents-tutorial.pdf, M. R. Nough et al.: Radiographie and magnetic resonances contrast agents: Essentials and tipsfor safe practices, World J Radiol. 2017 Sep 28; 9(9): 339-349; L. C. Abonyi et al.: Intravascular Contrast Media in Radiography: Historical Development & Review of Risk Factors for Adverse Reactions, South American Journal of Clinical Research, 2016, Vol. 3, Issue 1, 1-10; ACR Manual on Contrast Media, 2020, ISBN: 978-1-55903-012-0; A. Ignee et al.: Ultrasound contrast agents, Endosc Ultrasound. 2016 Nov-Dec; 5(6): 355-362).
Nach ihrem Verteilungsmuster im Gewebe können Kontrastmittel grob in die folgenden Kategorien eingeteilt werden: extrazelluläre, gemischt extra-/intrazelluläre (oftmals vereinfacht als intrazelluläre Kontrastmittel bezeichnet) und Blutpool-Kontrastmittel.
Zu den extrazellulären MRT-Kontrastmitteln zählen beispielsweise die Gadolinium-Chelate Gadobutrol (Gadovist®), Gadoteridol (Prohance®), Gadotersäure (Dotarem®), Gadopentetsäure (Magnevist®) und Gadodiamid (Omnican®). Die stark hydrophilen Eigenschaften dieser Gadolinium-Chelate und ihr niedriges Molekulargewicht führen nach intravenöser Applikation zu einer raschen Diffusion in den interstitiellen Raum. Sie werden nach einer gewissen, vergleichsweise kurzen Zeitspanne der Zirkulation im Blutkreislauf über die Nieren ausgeschieden.
Gemischt extra-/intrazelluläre Kontrastmittel werden zu gewissen Anteilen in die Zehen von Geweben aufgenommen und anschließend wieder ausgeschieden. Gemischt extra-/intrazelluläre MRT- Kontrastmittel auf der Basis der Gadoxetsäure zeichnen sich beispielsweise dadurch aus, dass sie anteilig spezifisch von Leberzehen, den Hepatozyten, aufgenommen werden, sich im Funktionsgewebe (Parenchym) anreichern und die Kontraste in gesundem Lebergewebe verstärken, bevor sie anschließend über Galle in die Faeces ausgeschieden werden. Beispiele für derartige Kontrastmittel auf der Basis der Gadoxetsäure sind in US 6,039,931A beschrieben; sie sind kommerziell zum Beispiel unter den Markennamen Primovist® und Eovist® erhältlich. Ein weiteres MRT-Kontrastmittel mit einer geringeren Aufnahme in die Hepatozyten ist Gadobenate Dimeglumine (Multihance®).
Blutpool-Kontrastmittel (engl blood pool (contrast) agents), auch als intravaskuläre Kontrastmittel bezeichnet, zeichnen sich durch eine im Vergleich zu den extrazellulären Kontrastmitteln deutlich längere Verweilzeit im Blutkreislauf aus. Gadofosveset ist beispielsweise ein intravaskuläres MRT- Kontrastmittel auf Gadoliniumbasis. Es wurde als Trinatriumsalz-Monohydratform verwendet (Ablavar®). Es bindet an Serumalbumin, wodurch die lange Verweilzeit des Kontrastmittels im Blutkreislauf erreicht wird (Halbwertzeit im Blut etwa 17 Stunden). Ablavar® wurde jedoch 2017 vom Markt genommen. Ein anderes als Blutpool-Kontrastmittel für die Magnetresonanztomographie zugelassenes Kontrastmittel ist nicht kommerziell erhältlich. Ebenso befindet sich kein als Blutpool- Kontrastmittel für die Computertomographie zugelassenes Kontrastmittel auf dem Markt.
Es sind also keine als Blutpool-Kontrastmittel zugelassenen Produkte für radiologische Untersuchungen kommerziell verfügbar. Bei der Erzeugung von radiologischen Aufnahmen mit einer vergleichsweise langen Akquisitionszeit/Scanzeit, zum Beispiel Aufnahmen unter freier Atmung von Thorax und Abdomen z.B. zur Darstellung des Gefäßsystems (z.B. Lungenembolie-Diagnostik unter freier Atmung im MRT), wird ein extrazelluläres Kontrastmittel vergleichsweise schnell aus dem Blutgefäßsystem ausgesondert, so dass der Kontrast schnell sinkt. Es wäre aber vorteilhaft, den Kontrast für einen längeren Zeitraum aufrecht erhalten zu können.
Diesem Problem widmet sich die vorliegende Erfindung. Die vorliegende Erfindung stellt Mittel bereit, mit denen radiologische Aufnahmen auf Basis eines Blutpool-Kontrastmittels simuliert werden können.
Ein erster Gegenstand der vorliegenden Erfindung ist ein computer-implementiertes Verfahren umfassend die Schritte
Empfangen einer Sequenz von gemessenen radiologischen Aufnahmen, wobei die gemessenen radiologischen Aufnahmen einen Untersuchungsbereich eines Untersuchungsobjekts zu verschiedenen, aufeinander folgenden Zeitpunkten nach einer Applikation eines Kontrastmittels zeigen, wobei das Kontrastmittel zu einer Kontrastverstärkung von Blutgefäßen in dem Untersuchungsbereich führt, wobei die Kontrastverstärkung der Blutgefäße in den gemessenen radiologischen Aufnahmen mit zunehmender Zeit abnimmt,
Berechnen einer Sequenz von künstlichen radiologischen Aufnahmen auf Basis der empfangenen radiologischen Aufnahmen, wobei die Kontrastverstärkung der Blutgefäße in den künstlichen radiologischen Aufnahmen über die Zeit erhalten bleibt,
Ausgeben der künstlichen radiologischen Aufnahmen.
Ein weiterer Gegenstand der vorliegenden Erfindung ist ein Computersystem umfassend eine Empfangseinheit eine Steuer- und Recheneinheit und eine Ausgabeeinheit wobei die Steuer- und Recheneinheit konfiguriert ist, die Empfangseinheit zu veranlassen, eine Sequenz von gemessenen radiologischen Aufnahmen zu empfangen, wobei die gemessenen radiologischen Aufnahmen einen Untersuchungsbereich eines Untersuchungsobjekts zu verschiedenen, aufeinander folgenden Zeitpunkten nach einer Applikation eines Kontrastmittels zeigen, wobei das Kontrastmittel zu einer Kontrastverstärkung von Blutgefäßen in dem Untersuchungsbereich führt, wobei die Kontrastverstärkung der Blutgefäße in den gemessenen radiologischen Aufnahmen mit zunehmender Zeit abnimmt, wobei die Steuer- und Recheneinheit konfiguriert ist, anhand der gemessenen radiologischen Aufnahmen eine Sequenz von künstlichen radiologischen Aufnahmen zu berechnen, wobei die Kontrastverstärkung der Blutgefäße in den künstlichen radiologischen Aufnahmen über die Zeit erhalten bleibt, wobei die Steuer- und Recheneinheit konfiguriert ist, die Ausgabeeinheit zu veranlassen, die künstlichen radiologischen Aufnahmen auszugeben.
Ein weiterer Gegenstand der vorliegenden Erfindung ist ein Computerprogrammprodukt umfassend ein Computerprogramm, das in einen Arbeitsspeicher eines Computers geladen werden kann und dort den Computer dazu veranlasst, folgende Schritte ausführen:
Empfangen einer Sequenz von gemessenen radiologischen Aufnahmen, wobei die gemessenen radiologischen Aufnahmen einen Untersuchungsbereich eines Untersuchungsobjekts zu verschiedenen, aufeinander folgenden Zeitpunkten nach einer Applikation eines Kontrastmittels zeigen, wobei das Kontrastmittel zu einer Kontrastverstärkung von Blutgefäßen in dem Untersuchungsbereich führt, wobei die Kontrastverstärkung der Blutgefäße in den gemessenen radiologischen Aufnahmen mit zunehmender Zeit abnimmt,
Berechnen einer Sequenz von künstlichen radiologischen Aufnahmen auf Basis der empfangenen radiologischen Aufnahmen, wobei die Kontrastverstärkung der Blutgefäße in den künstlichen radiologischen Aufnahmen über die Zeit erhalten bleibt,
Ausgeben der künstlichen radiologischen Aufnahmen.
Ein weiterer Gegenstand der vorliegenden Erfindung ist die Verwendung eines Kontrastmittels in einem radiologischen Untersuchungsverfahren, wobei das radiologische Untersuchungsverfahren die folgenden Schritte umfasst:
Applizieren des Kontrastmittels in ein Blutgefäß eines Blutgefäßsystems eines Untersuchungsobj ekts ,
Erfassen einer Sequenz radiologischer Aufnahmen eines Untersuchungsbereichs des Untersuchungsobjekts, wobei die radiologischen Aufnahmen den Untersuchungsbereich zu verschiedenen, aufeinander folgenden Zeitpunkten nach der Applikation des Kontrastmittels zeigen, wobei das Kontrastmittel zu einer Kontrastverstärkung von Blutgefäßen in dem Untersuchungsbereich führt, wobei die Kontrastverstärkung der Blutgefäße in den radiologischen Aufnahmen mit zunehmender Zeit sinkt,
Berechnen einer Sequenz von künstlichen radiologischen Aufnahmen auf Basis der erfassten radiologischen Aufnahmen, wobei die Kontrastverstärkung der Blutgefäße in den künstlichen radiologischen Aufnahmen über die Zeit erhalten bleibt,
Ausgeben der künstlichen radiologischen Aufnahmen.
Ein weiterer Gegenstand der vorliegenden Erfindung ist ein Kontrastmittel zur Verwendung in einem radiologischen Untersuchungsverfahren, wobei das radiologische Untersuchungsverfahren die folgenden Schritte umfasst:
Applizieren des Kontrastmittels in ein Blutgefäß eines Blutgefäßsystems eines Untersuchungsobj ekts ,
Erfassen einer Sequenz radiologischer Aufnahmen eines Untersuchungsbereichs des Untersuchungsobjekts, wobei die radiologischen Aufnahmen den Untersuchungsbereich zu verschiedenen, aufeinander folgenden Zeitpunkten nach der Applikation des Kontrastmittels zeigen, wobei das Kontrastmittel zu einer Kontrastverstärkung von Blutgefäßen in dem Untersuchungsbereich führt, wobei die Kontrastverstärkung der Blutgefäße in den radiologischen Aufnahmen mit zunehmender Zeit sinkt,
Berechnen einer Sequenz von künstlichen radiologischen Aufnahmen auf Basis der erfassten radiologischen Aufnahmen, wobei die Kontrastverstärkung der Blutgefäße in den künstlichen radiologischen Aufnahmen über die Zeit erhalten bleibt,
Ausgeben der künstlichen radiologischen Aufnahmen.
Ein weiterer Gegenstand der vorliegenden Erfindung ist ein Kit umfassend ein Kontrastmittel und das erfindungsgemäße Computerprogrammprodukt.
Weitere Erfindungsgegenstände sowie bevorzugte Ausführungsformen der Erfindung finden sich in den abhängigen Patentansprüchen, der vorliegenden Beschreibung sowie in den Zeichnungen.
Die Erfindung wird nachstehend näher erläutert, ohne zwischen den Erfindungsgegenständen (Verfahren, Computersystem, Computerprogrammprodukt, Verwendung, Kontrastmittel zur Verwendung, Kit) zu unterscheiden. Die nachfolgenden Erläuterungen sollen vielmehr für alle Erfindungsgegenstände in analoger Weise gelten, unabhängig davon, in welchem Kontext (Verfahren, Computersystem, Computerprogrammprodukt, Verwendung, Kontrastmittel zur Verwendung, Kit) sie erfolgen.
Die vorliegende Erfindung erzeugt eine Sequenz von künstlichen radiologischen Aufnahmen eines Untersuchungsbereichs eines Untersuchungsobjekts, wobei die künstlichen radiologischen Aufnahmen den Untersuchungsbereich nach einer Applikation eines Blutpool-Kontrastmittels zeigen, obwohl kein Blutpool-Kontrastmittel appliziert worden ist. Mit anderen Worten: die vorliegende Erfindung simuliert anhand einer Sequenz von gemessenen radiologischen Aufnahmen eines Untersuchungsbereichs eine Sequenz von künstlichen radiologischen Aufnahmen des Untersuchungsbereichs nach Applikation eines intravaskulären Kontrastmittels. Mit anderen Worten: die vorliegende Erfindung erzeugt auf Basis einer Sequenz von radiologischen Aufnahmen, die einen Untersuchungsbereich eines Untersuchungsobjekts zeigen, eine Sequenz von künstlichen radiologischen Aufnahmen, die den Untersuchungsbereich so zeigen, wie er aussehen würde, wenn ein Blutpool-Kontrastmittel verabreicht worden wäre. Damit ist ein Radiologe in der Lage, eine Sequenz von radiologischen Aufnahmen eines Untersuchungsbereichs eines Untersuchungsobjekts zu erzeugen, die so aussehen, als wäre dem Untersuchungsobjekt ein Blutpool-Kontrastmittel verabreicht worden, ohne dass der Radiologe ein solches intravaskuläres Kontrastmittel verabreicht hat.
Dementsprechend ist der Begriff „künstliche radiologische Aufnahme nach Applikation eines intravaskulären Kontrastmittels“ gleichbedeutend mit dem Begriff „künstliche radiologische Aufnahme, die einen Untersuchungsbereich so zeigt, wie er nach Applikation eines intravaskulären Kontrastmittels aussieht/aussehen würde“.
Der Begriff „Aufnahme“ wird in dieser Beschreibung sowohl für gemessene als auch künstlich erzeugte (berechnete) radiologische Darstellungen eines Untersuchungsbereichs verwendet.
Das „Untersuchungsobjekt“ ist üblicherweise ein Lebewesen, vorzugsweise ein Säugetier, ganz besonders bevorzugt ein Mensch.
Ein Teil des Untersuchungsobjekts - der Untersuchungsbereich - wird einer radiologischen Untersuchung unterzogen. Der „Untersuchungsbereich“, auch Aufnahmevolumen (engl.: field ofview, FOV) genannt, stellt insbesondere ein Volumen dar, welches in den radiologischen Aufnahmen abgebildet wird. Der Untersuchungsbereich wird typischerweise durch einen Radiologen, beispielsweise auf einer Übersichtsaufnahme (engl.: localizer) festgelegt. Selbstverständlich kann der Untersuchungsbereich alternativ oder zusätzlich auch automatisch, beispielsweise auf Grundlage eines ausgewählten Protokolls, festgelegt werden. Der Untersuchungsbereich kann beispielsweise die Leber oder ein Teil der Leber, die Lunge oder ein Teil der Lunge, das Herz oder ein Teil des Herzes, die Aorta oder ein Teil der Aorta, abdominelle Blutgefäße, Bein-Becken-Blutgefäße, die Speiseröhre oder ein Teil der Speiseröhre, der Magen oder ein Teil des Magens, der Dünndarm oder ein Teil des Dünndarms, der Dickdarm oder ein Teil des Dickdarms, das Abdomen oder ein Teil des Abdomens, die Bauchspeicheldrüse oder ein Teil der Bauchspeicheldrüse und/oder ein anderer Teil des Untersuchungsobjekts sein oder diesen umfassen.
Bei der radiologischen Untersuchung handelt es sich vorzugsweise um eine MRT-Untersuchung. Dementsprechend handelt es sich bei der mindestens einen (gemessenen) radiologischen Aufnahme, die vom Untersuchungsbereich erfasst wird, vorzugsweise um eine MRT- Aufnahme, und bei der mindestens einen künstlich erzeugten radiologischen Aufnahme ebenfalls um eine MRT- Aufnahme.
In einer weiteren bevorzugten Ausführungsform handelt es sich bei der radiologischen Untersuchung um eine CT-Untersuchung; dementsprechend handelt es sich bei der mindestens einen (gemessenen) radiologischen Aufnahme, die vom Untersuchungsbereich erfasst wird, in dieser Ausführungsform um eine CT- Aufnahme, und bei der mindestens einen künstlich erzeugten radiologischen Aufnahme ebenfalls um eine CT- Aufnahme.
Gemessene/messtechnisch erzeugte radiologische Aufnahmen und künstlich erzeugte radiologische Aufnahmen können als zweidimensionale Bildaufnahmen vorliegen, die eine Schnittebene durch das Untersuchungsobjekt zeigen. Die radiologischen Aufnahmen können als Stapel zweidimensionaler Bildaufnahmen vorliegen, wobei jede einzelne Bildaufnahme des Stapels eine andere Schnittebene zeigt. Die radiologischen Aufnahmen können als dreidimensionale Aufnahmen (3D-Aufnahmen) vorliegen. Aus Gründen der einfacheren Darstellung wird die Erfindung an einigen Stellen der vorliegenden Beschreibung anhand des Vorliegens von zweidimensionalen radiologischen Aufnahmen erläutert, ohne die Erfindung jedoch auf zweidimensionale radiologische Aufnahmen beschränken zu wollen. Dem Fachmann ist klar, wie sich das jeweils Beschriebene auf Stapel zweidimensionaler Bildaufnahmen und auf 3D-Aufnahmen übertragen lässt (siehe hierzu z.B. M. Reisler, W. Semmler: Magnetresonanztomographie, Springer Verlag, 3. Auflage, 2002, ISBN: 978-3-642-63076-7).
Üblicherweise liegen die radiologischen Aufnahmen als digitale Bilddateien vor. Der Begriff „digital“ bedeutet, dass die radiologischen Aufnahmen von einer Maschine, in der Regel einem Computersystem, verarbeitet werden können. Unter „Verarbeitung“ werden die bekannten Verfahren zur elektronischen Datenverarbeitung (EDV) verstanden.
Digitale Bilddateien können in verschiedenen Formaten vorliegen. Digitale Bilddateien können beispielsweise als Rastergrafiken kodiert sein. Rastergrafiken bestehen aus einer rasterförmigen Anordnung von so genannten Bildpunkten (Pixel) oder Volumenelementen (Voxel), denen jeweils eine Farbe bzw. ein Grauwert zugeordnet ist. Die Hauptmerkmale einer 2D-Rastergrafik sind daher die Bildgröße (Breite und Höhe gemessen in Pixel, umgangssprachlich auch Bildauflösung genannt) sowie die Farbtiefe. Einem Bildpunkt einer digitalen Bilddatei ist üblicherweise eine Farbe zugeordnet. Die für einen Bildpunkt verwendete Kodierung der Farbe definiert sich unter anderem über den Farbraum und die Farbtiefe. Der einfachste Fall ist ein Binärbild, bei dem ein Bildpunkt einen Schwarzweiß-Wert speichert. Bei einem Bild, dessen Farbe über den so genannten RGB-Farbraum definiert ist (RGB steht für die Grundfarben Rot, Grün und Blau), besteht jeder Bildpunkt aus drei Subpixeln, einem Subpixel für die Farbe Rot, einem Subpixel für die Farbe Grün und einem Subpixel für die Farbe Blau. Die Farbe eines Bildpunktes ergibt sich durch die Überlagerung (additives Mischen) der Farbwerte der Subpixel. Der Farbwert eines Subpixels kann beispielsweise in 256 Farbnuancen unterteilt sein, die Tonwerte genannt werden und üblicherweise von 0 bis 255 reichen. Die Farbnuance "0" eines jeden Farbkanals ist die dunkelste. Fiaben alle drei Kanäle den Tonwert 0, erscheint der entsprechende Bildpunkt schwarz; haben alle drei Kanäle den Tonwert 255, erscheint der entsprechende Bildpunkt weiß. Bei der Ausführung der vorliegenden Erfindung werden digitale Bilddateien (radiologische Aufnahmen) bestimmten Operationen unterworfen. Die Operationen betreffen dabei überwiegend die Bildpunkte, bzw. die Tonwerte der einzelnen Bildpunkte. Es gibt eine Vielzahl an möglichen digitalen Bildformaten und Farbkodierungen. Vereinfachend wird in dieser Beschreibung davon ausgegangen, dass die vorliegenden Bilder Graustufen-Rastergrafiken mit einer spezifischen Zahl an Bildpunkten sind, wobei jedem Bildpunkt ein Tonwert zugeordnet ist, der den Grauwert des Bildes angibt. Diese Annahme soll jedoch in keiner Weise limitierend verstanden werden. Dem Fachmann der Bildverarbeitung ist klar, wie er die Lehre dieser Beschreibung auf Bilddateien, die in anderen Bildformaten vorliegen und/oder bei denen die Farbwerte anders kodiert sind, übertragen kann.
In einem ersten Schritt wird eine Sequenz von gemessenen radiologischen Aufnahmen empfangen. Bei diesen gemessenen radiologischen Aufnahmen kann es sich um TI -gewichtete, T2-gewichtete und/oder diffusionsgewichtete Darstellungen handeln und/oder um Aufnahmen handeln, die mit Hilfe einer anderen Aufnahmesequenz erzeugt worden sind.
Eine Sequenz von gemessenen radiologischen Aufnahmen umfasst mindestens zwei radiologische Aufnahmen.
Der Begriff Sequenz bedeutet zeitliche Abfolge, d.h. es werden mehrere (mindestens zwei) radiologische Aufnahmen messtechnisch erzeugt, die den Untersuchungsbereich zu aufeinander folgenden Zeitpunkten zeigen. Jeder Aufnahme ist ein Zeitpunkt zugeordnet oder jeder Aufnahme lässt sich ein Zeitpunkt zuordnen. Üblicherweise handelt es sich bei diesem Zeitpunkt um den Zeitpunkt, an dem die Aufnahme erzeugt worden ist (absolute Zeit). Es ist aber auch denkbar, dass den radiologischen Aufnahmen willkürliche Zeitpunkte zugeordnet werden (z.B. relative Zeitpunkte).
Dem Fachmann ist bewusst, dass die Erzeugung einer radiologischen Aufnahme eine gewisse Zeitspanne in Anspruch nimmt. Einer Aufnahme kann z.B. der Zeitpunkt des Beginns der Aufnahme oder der Zeitpunkt der Fertigstellung der Aufnahme zugeordnet werden. Anhand eines Zeitpunktes lässt sich eine radiologische Aufnahme zeitlich in Bezug auf eine andere radiologische Aufnahme einordnen; anhand des Zeitpunkts einer radiologischen Aufnahme lässt sich feststehen, ob der in der radiologischen Aufnahme gezeigte Moment zeitlich vor oder zeitlich nach einem, in einer anderen radiologischen Aufnahme gezeigten Moment stattgefunden hat. Vorzugsweise sind die radiologischen Aufnahmen in einer Sequenz zeitlich so geordnet, dass Aufnahmen, die einen früheren Zustand des Untersuchungsbereichs zeigen, in der Sequenz vor solchen Aufnahmen angeordnet sind, die einen späteren Zustand des Untersuchungsbereichs zeigen.
Die Zeitspanne zwischen zwei in einer Sequenz unmittelbar aufeinander folgenden Aufnahmen ist vorzugsweise für alle Paare von in der Sequenz unmittelbar aufeinander folgenden Aufnahmen gleich, d.h. die Aufnahmen wurden vorzugsweise mit einer konstanten Aufnahmerate erzeugt.
Vorzugsweise zeigen die gemessenen radiologischen Aufnahme der Sequenz einen Untersuchungsbereich eines Untersuchungsobjekts zu verschiedenen, aufeinander folgenden Zeitpunkten nach einer Applikation eines Kontrastmittels, wobei das Kontrastmittel zu einer Kontrastverstärkung von Blutgefäßen in den gemessenen radiologischen Aufnahmen des Untersuchungsbereichs führt, wobei die Kontrastverstärkung der Blutgefäße in den gemessenen radiologischen Aufnahmen mit zunehmender Zeit sinkt. Eine Sequenz kann auch eine native radiologische Aufnahme (Nativaufnahme) umfassen; eine solche Nativaufnahme zeigt den Untersuchungsbereich ohne Gabe eines Kontrastmittels.
Bei dem applizierten Kontrastmittel kann es sich um ein extrazelluläres und/oder ein gemischt extra- /intrazelluläres Kontrastmittel handeln. In einer bevorzugten Ausführungsform handelt es sich um ein extrazelluläres Kontrastmittel. In einer weiteren bevorzugten Ausführungsform handelt es sich um ein gemischt extra-/intrazelluläres Kontrastmittel. In einem ersten Schritt kann mindestens eine erste radiologische Aufnahme von dem Untersuchungsbereich ohne Gabe eines Kontrastmittels erfasst werden (Nativaufnahme). Dem Untersuchungsobjekt wird (in einem weiteren Schritt) ein Kontrastmittel verabreicht. Das Kontrastmittel kann ein MRT-Kontrastmittel oder ein CT-Kontrastmittel sein. Vorzugsweise handelt es sich um ein extrazelluläres MRT-Kontrastmittel wie Gadobutrol, Gadoteridol, Gadotersäure, Gadopentetsäure und/oder Gadodiamid. Weitere extrazelluläre MRT-Kontrastmittel sind in der Literatur beschrieben (siehe z.B. Yu.Dong Xiao et al.: MRI contrast agents: Classification and application (Review), International Journal of Molecular Medicine 38: 1326 (2016)).
In einer alternativen Ausführungsform handelt es sich bei dem Kontrastmittel um ein gemischt extra- /intrazelluläres MRT-Kontrastmittel wie beispielsweise Gd-EOB-DTPA (Primovist®), Mn-DPDP (Mangafodipir), Gd-BOPTA (Gadobenate-Dimelglumin) und/oder Gd-DTPA Mesoporphyrin (Gadophrin) handeln. Weitere gemischt extra-/intrazelluläre MRT-Kontrastmittel sind in der Literatur beschrieben (siehe z.B. Yu.Dong Xiao et al.: MRI contrast agents: Classification and application (Review), International Journal of Molecular Medicine 38: 1326 (2016)).
Das Kontrastmittel wird vorzugsweise in ein Blutgefäß des Untersuchungsobjekts eingebracht, beispielsweise in eine Armvene. Von dort bewegt es sich mit dem Blut entlang des Blutkreislaufs.
Der „Blutkreislauf ‘ ist der Weg, den das Blut im Körper des Menschen und der meisten Tiere zurücklegt. Es handelt sich um das Strömungssystem des Blutes, das vom Herzen und von einem Netz aus Blutgefäßen (kardiovaskuläres System, Blutgefäßsystem) gebildet wird.
Blutgefäße können aufgrund ihres Aufbaus und ihrer Funktion in mehrere Arten unterteilt werden: Die Arterien transportieren das Blut unter hohem Druck und mit hoher Fließgeschwindigkeit. Durch sie gelangt das Blut aus dem Herzen in die verschiedenen Gewebe. Von den Arterien gehen die Arteriolen ab, sie dienen als Kontrollventile und haben starke muskuläre Wände, die die Gefäße verengen (Vasokonstriktion) oder weiten (Vasodilatation) können. Sie verzweigen sich weiter zu den Kapillaren, die den Austausch von Flüssigkeiten, Nährstoffen, Elektrolyten, Hormonen und anderen Stoffen zwischen Blut und Gewebe vornehmen und mit einer dünnen Gefäßwand ausgestattet sind, die für niedermolekulare Stoffe durchlässig ist. In einigen Organen (Leber, Milz) sind die Kapillaren erweitert und das Endothel wird diskontinuierlich, dann spricht man von Sinusoiden. Venolen haben nur eine dünne Gefäßwand; sie sammeln das Blut aus den Kapillaren, um es wieder den Venen zuzuführen, die es von der Peripherie zurück zum Herzen transportieren. Ein extrazelluläres Kontrastmittel zirkuliert eine vom Untersuchungsobjekt, dem Kontrastmittel und der verabreichten Menge abhängige Zeitdauer im Blutkreislauf, während es kontinuierlich über die Nieren aus dem Blutkreislauf ausgesondert wird.
Während der Verteilung und/oder Zirkulation des Kontrastmittels in dem Blutgefäßsystem des Untersuchungsobjekts wird mindestens eine radiologische Aufnahme von dem Blutgefäßsystem oder einem Teil davon erfasst. Vorzugsweise wird mindestens eine radiologische Aufnahme von dem Teil des Blutgefäßsystems erfasst, der sich in dem Untersuchungsbereich befindet. Es können mehrere radiologische Aufnahmen erfasst werden, die verschiedene Phasen der Verteilung des Kontrastmittels in dem Blutgefäßsystem oder eines Teils davon zeigen (z.B. Anflutungsphase, arterielle Phase, venöse Phase und/oder dergleichen). Die Erfassung von mehreren Aufnahmen erlaubt eine spätere Differenzierung von Blutgefäßarten. Die gemessenen radiologischen Aufnahmen zeigen das Blutgefäßsystem oder einen Teil davon, insbesondere den Teil, der sich in dem Untersuchungsbereich befindet, gegenüber dem umliegenden Gewebe kontrastverstärkt. Vorzugsweise zeigt mindestens eine erste radiologische Aufnahme Arterien kontrastverstärkt (arterielle Phase), während mindestens eine zweite radiologische Aufnahme Venen kontrastverstärkt zeigt (venöse Phase).
Auf Basis der gemessenen radiologischen Aufnahmen werden künstliche radiologische Aufnahmen erzeugt. Die künstlichen radiologischen Aufnahmen zeigen vorzugsweise denselben Untersuchungsbereich wie die gemessenen radiologischen Aufnahmen. Wurde eine Mehrzahl an gemessenen radiologischen Aufnahmen von dem Untersuchungsbereich zu unterschiedlichen Zeitpunkten nach der Applikation des Kontrastmittels erfasst, so zeigen insbesondere die späteren radiologischen Aufnahmen Blutgefäße mit einem zunehmend sinkenden Kontrast gegenüber dem umliegenden Gewebe, da das Kontrastmittel allmählich aus den Blutgefäßen ausgesondert wird. Die künstlichen radiologischen Aufnahmen zeigen die Blutgefäße hingegen mit einem gleichbleibend hohen Kontrast gegenüber dem umliegenden Gewebe.
Auf Basis der gemessenen radiologischen Aufnahmen werden mit Hilfe eines Computersystems künstliche radiologische Aufnahmen erzeugt. Es ist denkbar, dass aus jeder gemessenen radiologischen Aufnahme genau eine künstliche radiologische Aufnahme erzeugt wird, wobei die künstliche radiologische Aufnahme denselben Untersuchungsbereich zeigt wie die gemessene radiologische Aufnahme, und die künstliche radiologische Aufnahme den Untersuchungsbereich zum selben Zeitpunkt zeigt wie die gemessene radiologische Aufnahme, mit dem Unterschied, dass die Kontrastverstärkung in den gemessenen radiologischen Aufnahmen mit der Zeit abnimmt, während sie in den künstlich erzeugten radiologischen Aufnahmen gleichbleibt (nicht abnimmt).
Dies kann auf verschiedenen Wegen erreicht werden.
In einer bevorzugten Ausführungsform wird ein Vorhersagemodell verwendet. Das Vorhersagemodell kann anhand von Referenzdaten trainiert worden sein, eine über die Zeit sinkende Kontrastverstärkung von Blutgefäßen zu kompensieren. Das Vorhersagemodell kann anhand von Referenzdaten trainiert worden sein, auf Basis einer Sequenz gemessener radiologischer Aufnahmen, die einen Untersuchungsbereich eines Untersuchungsobjekts nach Applikation eines extrazellulären oder eines gemischt extra/intrazellulären Kontrastmittels zeigen, eine Sequenz künstlicher radiologischer Aufnahmen zu erzeugen, die den Untersuchungsbereich nach Applikation eines Blutpool- Kontrastmittels zeigen. Das Vorhersagemodell kann anhand von Referenzdaten trainiert worden sein, für eine Sequenz gemessener radiologischer Aufnahmen, die Blutgefäße in einem Untersuchungsbereich zu unterschiedlichen Zeitpunkten nach einer Applikation eines Kontrastmittels zeigen, eine Sequenz künstlicher radiologischer Aufnahmen zu erzeugen, die Blutgefäße in dem Untersuchungsbereich kontrastverstärkt und mit einem über die Zeit gleichbleibenden Kontrast gegenüber dem umliegenden Gewebe zeigen.
Die Referenzdaten, die zum Trainieren und Validieren eines solchen Vorhersagemodells verwendet werden, umfassen üblicherweise gemessene radiologische Aufnahmen des Untersuchungsbereichs nach der Applikation eines extrazellulären oder gemischt extra-/intrazellulären Kontrastmittels. Die Referenzdaten können ferner radiologische Aufnahmen des Untersuchungsbereichs nach der Applikation eines Blutpool-Kontrastmittels umfassen. Solche Referenzdaten können beispielsweise in einer klinischen Studie ermittelt werden. Als intravaskuläres Kontrastmittel kann in einer solchen klinischen Studie beispielsweise Ferumoxytol verwendet werden. Ferumoxytol ist ein kolloidaler Eisen- Kohlenhydrat-Komplex, der zur parenteralen Behandlung eines Eisenmangels bei einer chronischen Nierenerkrankung zugelassen ist, wenn eine orale Therapie nicht durchführbar ist. Ferumoxytol wird als intravenöse Injektion verabreicht. Ferumoxytol ist als Lösung zur intravenösen Injektion im Handel unter dem Markennamen Rienso® oder Ferahme® erhältlich. Der Eisen-Kohlenhydrat-Komplex zeigt superparamagnetische Eigenschaften und kann daher (off -label) zur Kontrastverstärkung in MRT- Untersuchungen eingesetzt werden (siehe z.B.: L.P. Smits et al.: Evaluation of ultrasmall superparamagnetic iron-oxide (USPIO) enhanced MRI with ferumoxytol to quantify arterial wall inflammation, Atherosclerosis 2017, 263: 211-218). Ein weiterer Gegenstand der vorliegenden Erfindung ist daher die Verwendung von Ferumoxytol oder eines vergleichbaren anderen Blutpool- Kontras tmittels, das zur intravenösen Injektion zugelassen ist, als Blutpool-Kontrastmittel zur Erzeugung eines Trainingsdatensatzes zur Vorhersage von künstlichen radiologischen Aufnahmen nach Applikation eines Blutpool-Kontrastmittels auf Basis von gemessenen radiologischen Aufnahmen nach Applikation eines extrazellulären oder eines gemischt extra-/intrazehulären Kontrastmittels. Ebenso ist denkbar, bereits bestehende (existierende) radiologische Aufnahmen nach Applikation eines intravaskulären Kontrastmittels als Trainingsdaten zu verwenden, beispielsweise aus der Zeit als Ablavar® noch kommerziell erhältlich war.
Die Referenzdaten können aber auch künstlich erzeugte radiologische Aufnahmen umfassen, bei denen die zeitlich abnehmende Kontrastverstärkung der Blutgefäße in gemessenen radiologischen Aufnahmen im Nachhinein durch Bildbearbeitungsmethoden kompensiert worden ist. Solche Bildbearbeitungsmethoden sind dem Fachmann bekannt (siehe z.B.: M. A. Joshi: Digital Image Processing - An Algorithmic Approach, PHI Learning Private Limited, 2nd Edition 2018, ISBN: 978-93- 81472-58-7).
Das Vorhersagemodeh kann in einem überwachten Lernen trainiert werden, eine Beziehung zwischen den gemessenen radiologischen Aufnahmen und den radiologischen Aufnahmen nach Applikation des Blutpool-Kontrastmittels bzw. den mittels Bildbearbeitungsmethoden bearbeiteten Aufnahmen zu lernen. Diese gelernte Beziehung kann dann verwendet werden, um künstliche radiologische Aufnahmen für neue gemessene radiologische Aufnahmen zu berechnen, wobei die künstlichen radiologischen Aufnahmen den Untersuchungsbereich so zeigen, wie er nach Applikation eines Blutpool-Kontrastmittels aussehen würde, wobei für die gemessenen radiologischen Aufnahmen jedoch ein extrazehuläres oder ein gemischt extra-/intrazehuläres Kontrastmittel verabreicht worden ist: Blutgefäße in dem Untersuchungsbereich zeigen einen über die Zeit gleichbleibenden verstärkten Kontrast gegenüber dem umhegenden Gewebe. Das Vorhersagemodeh wird also trainiert, die zeitlich sinkende Kontrastmittelverstärkung von Blutgefäßen in gemessenen radiologischen Aufnahmen zu kompensieren.
Das Vorhersagemodeh kann beispielsweise ein künstliches neuronales Netz sein oder ein solches umfassen.
Ein solches künstliches neuronales Netzwerk umfasst mindestens drei Schichten von Verarbeitungselementen: eine erste Schicht mit Eingangsneuronen (Knoten), eine N-te Schicht mit mindestens einem Ausgangsneuron (Knoten) und N-2 innere Schichten, wobei N eine natürliche Zahl und größer als 2 ist.
Die Eingangsneuronen dienen zum Empfangen von (digitalen) gemessenen radiologischen Aufnahmen als Eingangs werte. Normalerweise gibt es ein Eingangsneuron für jedes Pixel oder Voxei einer digitalen radiologischen Aufnahme. Es können zusätzliche Eingangsneuronen für zusätzliche Eingangswerte (z.B. Informationen zum Untersuchungsbereich, zum Untersuchungsobjekt und/oder zu Bedingungen, die bei der Erzeugung der radiologischen Aufnahmen herrschten) vorhanden sein.
In einem solchen Netzwerk dienen die Ausgangsneuronen dazu, die künstlichen radiologischen Aufnahmen auszugeben (bereitzustehen). Die Verarbeitungselemente der Schichten zwischen den Eingangsneuronen und den Ausgangsneuronen sind in einem vorbestimmten Muster mit vorbestimmten Verbindungsgewichten miteinander verbunden.
Vorzugsweise handelt es sich bei dem künstlichen neuronalen Netz um ein so genanntes Convolutional Neural Network (kurz: CNN).
Ein Convolutional Neural Network ist in der Lage, Eingabedaten in Form einer Matrix zu verarbeiten. Dies ermöglicht es, als Matrix dargestellte digitale radiologische Aufnahmen (z.B. Breite x Höhe x Farbkanäle) als Eingabedaten zu verwenden. Ein normales neuronales Netz z.B. in Form eines Multi- Layer-Perceptrons (MLP) benötigt dagegen einen Vektor als Eingabe, d.h. um eine radiologische Aufnahme als Eingabe zu verwenden, müssten die Pixel oder Voxel der radiologischen Aufnahme in einer langen Kette hintereinander ausgerollt werden. Dadurch sind normale neuronale Netze z.B. nicht in der Lage, Objekte in einer radiologischen Aufnahme unabhängig von der Position des Objekts in der Aufnahme zu erkennen. Das gleiche Objekt an einer anderen Position in der Aufnahme hätte einen völlig anderen Eingabevektor.
Ein CNN besteht im Wesentlichen aus Filtern (Convolutional Layer) und Aggregations-Schichten (Pooling Layer), die sich abwechselnd wiederholen, und am Ende aus einer Schicht oder mehreren Schichten von „normalen“ vollständig verbundenen Neuronen (Dense / Fully Connected Layer).
Bei der Analyse von Sequenzen (zeitliche Abfolgen von mehreren radiologischen Aufnahmen) können Raum und Zeit als äquivalente Dimensionen behandelt und z.B. über 3D-Faltungen verarbeitet werden. Dies wurde beispielsweise in den Arbeiten von Baccouche et al. gezeigt (siehe z.B.: Sequential Deep Leaming for Human Action Recognition; International Workshop on Human Behavior Understanding, Springer 2011, pages 29-39) und Ji et al. (SD Convolutional Neural Networks for Human Action Recognition, IEEE Transactions on Pattern Analysis and Machine Intelligence, 35(1), 221-231). Ferner kann man verschiedene Netzwerke trainieren, die für Zeit und Raum verantwortlich sind, und schließlich die Merkmale verschmelzen, wie beispielsweise in Veröffentlichungen von Karpathy et al. beschrieben ist (siehe z.B.: Large-scale Video Classification with Convolutional Neural Networks ; Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2014, pages 1725-1732) und Simonyan & Zisserman ( Two-stream Convolutional Networks for Action Recognition in Videos, Advances in Neural Information Processing Systems, 2014, pages 568-576).
Rekurrente neuronale Netze (RNNs) sind eine Familie von künstlichen neuronalen Netzen, die Rückkopplungsverbindungen zwischen Schichten enthalten. RNNs ermöglichen die Modellierung sequentieller Daten durch gemeinsame Nutzung von Parameterdaten über verschiedene Teile des neuronalen Netzwerks. Die Architektur für ein RNN enthält Zyklen. Die Zyklen repräsentieren den Einfluss eines gegenwärtigen Werts einer Variablen auf ihren eigenen Wert zu einem zukünftigen Zeitpunkt, da mindestens ein Teil der Ausgabedaten von der RNN als Rückkopplung zur Verarbeitung nachfolgender Eingaben in einer Sequenz verwendet wird.
Details sind dem Stand der Technik zu entnehmen (siehe z.B.: S. Khan et al.: A Guide to Convolutional Neural Networks for Computer Vision, Morgan & Claypool Publishers 2018, ISBN 1681730227, 9781681730226).
Das Trainieren des neuronalen Netzes kann beispielsweise mittels eines Backpropagation-Verfahrens durchgeführt werden. Dabei wird für das Netz eine möglichst zuverlässige Abbildung von gegebenen Eingabevektoren auf gegebene Ausgabevektoren angestrebt. Die Qualität der Abbildung wird durch eine Fehlerfunktion beschrieben. Das Ziel ist die Minimierung der Fehlerfunktion· Das Einlernen eines künstlichen neuronalen Netzes erfolgt bei dem Backpropagation-Verfahren durch die Änderung der Verbindungsgewichte.
Im trainierten Zustand enthalten die Verbindungsgewichte zwischen den Verarbeitungselementen Informationen bezüglich der Beziehung zwischen gemessenen radiologischen Aufnahmen und künstlich erzeugten radiologischen Aufnahmen, die radiologische Aufnahmen nach der Applikation eines Blutpool-Kontrastmittels simulieren. Diese Informationen können verwendet werden, um mindestens eine künstliche radiologische Aufnahme für mindestens eine neue gemessene radiologische Aufnahme vorherzusagen.
Eine Kreuzvalidierungsmethode kann verwendet werden, um die Daten in Trainings- und Validierungsdatensätze aufzuteilen. Der Trainingsdatensatz wird beim Backpropagations-Training der Netzwerkgewichte verwendet. Der Validierungsdatensatz wird verwendet, um zu überprüfen, mit welcher Vorhersagegenauigkeit sich das trainierte Netzwerk auf unbekannte (neue) radiologische Aufnahmen anwenden lässt.
Allerdings muss zum Erzeugen eines Trainings- und Validierungsdatensatz nicht zwangsläufig ein Blutpool-Kontrastmittel appliziert werden/worden sein. Es ist auch denkbar, dass ein anderes Kontrastmittel, vorzugsweise ein extrazelluläres Kontrastmittel zur Erzeugung eines Trainings- und Validierungsdatensatz verwendet wird. Das Kontrastmittel, auch wenn es sich nicht um ein Blutpool- Kontrastmittel handelt, verbleibt eine gewisse Zeit in dem Blutgefäßsystem des Untersuchungsobjekts. Diese Zeit kann ausreichend sein, um radiologische Aufnahmen (messtechnisch) zu erfassen, die einen Untersuchungsbereich zeigen, in dem Blutgefäße einen hohen Kontrast gegenüber dem umhegenden Gewebe aufweisen. Diese erfassten Aufnahmen können dann, ggf. nach Bearbeitung, um die zeitliche Abnahme der Kontrastverstärkung zu kompensieren, zum Trainieren und Validieren eines Vorhersagemodells eingesetzt werden.
Wie bereits angedeutet, können zum Trainieren und Validieren eines Vorhersagemodells sowie für die Erzeugung von Vorhersagen mit dem Vorhersagemodell auch weitere Informationen zum Untersuchungsobjekt, zum Untersuchungsbereich und/oder zu Untersuchungsbedingungen verwendet werden.
Beispiele für Informationen zum Untersuchungsobjekt sind: Geschlecht, Alter, Gewicht, Größe, Anamnese, Art und Dauer und Menge bereits eingenommener Medikamente, Blutdruck, zentralvenöser Druck, Atemfrequenz, Serum Albumin, Total Bilirubin, Blutzucker, Eisengehalt, Atemkapazität und dergleichen. Diese können z.B. auch einer Datenbank bzw. einer elektronischen Patientenakte herangezogen werden.
Beispiele für Informationen zum Untersuchungsbereich sind: Vorerkrankungen, Operationen, Teilresektion, Lebertransplantation, Eisenleber, Fettleber und dergleichen.
Vorzugsweise wird dem Vorhersagemodell antrainiert, verschiedene Blutgefäße voneinander zu unterscheiden, z.B. Arterien von Venen. Dies kann beispielsweise dadurch geschehen, dass ein Radiologe in den radiologischen Aufnahmen, die zum Trainieren verwendet werden, die jeweiligen Blutgefäße unterschiedlich markiert. Es ist auch denkbar, dass das Vorhersagemodell die unterschiedlichen Blutgefäße anhand der Dynamik in einer Sequenz von radiologischen Aufnahmen nach der Applikation eines Kontrastmittels voneinander unterscheiden lernt. Das Kontrastmittel ist nach einer Applikation in Form eines Bolus nicht unmittelbar in allen Blutgefäßen mit der gleichen Konzentration anwesend, sondern verteilt sich von der Applikationsstelle in dem Blutgefäßsystem mit dem Blutfluss. Je nach Applikationsstelle wird es also zunächst durch die Arterien oder die Venen geleitet. Das Vorhersagemodell kann also auf Basis des dynamischen Verhaltens des applizierten Kontrastmittels lernen, verschiedene Blutgefäße voneinander zu unterscheiden.
Es ist auch denkbar, dass mehrere radiologische Aufnahme zu unterschiedlichen Zeitpunkten nach der Applikation des Kontrastmittels erfasst werden, und diese mehreren radiologischen Aufnahmen zu einer Aufnahme kombiniert werden, in der die Blutgefäße einen einheitlichen und hohen Kontrast gegenüber dem umliegenden Gewebe zeigen.
Eine künstliche radiologische Aufnahme kann also auch dadurch erzeugt werden, dass mehrere gemessene radiologische Aufnahmen, die den Untersuchungsbereich zu unterschiedlichen Zeitpunkten nach der Applikation des Kontrastmittels zeigen, addiert werden. Es ist beispielsweise denkbar, dass eine erste gemessene radiologische Aufnahme eine arterielle Phase zeigt, während eine zweite gemessene radiologische Aufnahme eine venöse Phase zeigt. Diese beiden gemessenen radiologischen Aufnahmen (und ggf. weitere radiologische Aufnahmen) können addiert werden. Die Addition kann dabei Pixel für Pixel bzw. Voxel für Voxel erfolgen. Dabei können beispielsweise die Grauwerte der Pixel (paarweise) addiert werden. Ein anschließendes Normalisieren kann dazu dienen, dass die Grauwerte wieder in dem üblichen Bereich (z.B. von 0 bis 255) liegen.
Hat sich das Untersuchungsobjekt während der Aufnahme zeitlich aufeinander folgender radiologischer Aufnahmen nicht bewegt, entspricht ein Pixel oder ein Voxel einer Aufnahme genau einem Pixel oder Voxel einer folgenden Aufnahme und/oder einer vorangegangen Aufnahme: die entsprechenden (korrespondierenden) Pixel oder Voxel zeigen denselben Untersuchungsbereich zu unterschiedlichen Zeitpunkten. In einem solchen Fall können zur Berechnung von künstlichen radiologischen Aufnahmen die in dieser Beschreibung beschriebenen mathematischen Operationen mit den paarweise entsprechenden Pixeln oder Voxeln durchgeführt werden. Falls sich das Untersuchungsobjekt zwischen zeitlich aufeinander folgenden radiologischen Aufnahmen bewegt hat, muss vor der Durchführung der beschriebenen Berechnungen eine Bewegungskorrektur vorgenommen werden. Bewegungskorrekturverfahren sind im Stand der Technik beschrieben (siehe zum Beispiel: EP3118644, EP3322997, US20080317315, US20170269182, US20140062481, EP2626718).
Die erfindungsgemäß erzeugten künstlichen radiologischen Aufnahmen können auf einem Monitor angezeigt werden, auf einem Drucker ausgegeben werden und/oder in einem Datenspeicher gespeichert werden.
Vorzugsweise werden künstliche radiologische Aufnahmen automatisiert erzeugt und in Quasi-Echtzeit zusätzlich zu den entsprechenden gemessenen radiologischen Aufnahmen oder anstelle der gemessenen radiologischen Aufnahmen ausgegeben (vorzugsweise angezeigt).
Es ist auch denkbar, dass anhand der gemessenen radiologischen Aufnahmen ein Blutgefäßmodell erzeugt wird. Das Blutgefäßmodell ist eine digitale Repräsentation des Untersuchungsobjekts oder eines Teils davon (vorzugsweise des Untersuchungsbereichs), wobei in der Repräsentation Strukturen, die auf Blutgefäße zurückzuführen sind, gekennzeichnet sind, oder es sind in der Repräsentation ausschließlich Strukturen vorhanden, die auf Blutgefäße zurückzuführen sind. Vorzugsweise ist das Blutgefäßmodell eine dreidimensionale Repräsentation, in der der räumliche Verlauf von Blutgefäßen gekennzeichnet/verzeichnet ist. Vorzugsweise sind unterschiedliche Arten von Blutgefäßen (z.B. Arterien und Venen) unterschiedlich gekennzeichnet.
In einer bevorzugten Ausführungsform wird das Blutgefäßmodell auf Basis mindestens einer gemessenen Nativaufnahme und mindestens einer gemessenen radiologischen Aufnahme nach der Applikation eines Kontrastmittels erzeugt. Die mindestens eine Nativaufnahme zeigt einen Untersuchungsbereich des Untersuchungsobjekts ohne Kontrastmittel. Die mindestens eine radiologische Aufnahme nach Applikation eines Kontrastmittels zeigt vorzugsweise denselben Bereich, wobei einige oder alle Blutgefäße in dem Bereich kontrastverstärkt sind. Durch einen Vergleich der beiden Aufnahmen können die Strukturen in den radiologischen Aufnahmen, die auf Blutgefäße zurückzuführen sind, identifiziert werden.
Das Blutgefäßmodell kann durch Subtrahieren einer Nativaufnahme von einer gemessenen radiologischen Aufnahme nach Applikation eines Kontrastmittels und anschließendes Normalisieren erzeugt werden. Die Subtraktion erfolgt dabei vorzugsweise Pixel für Pixel bzw. Voxel für Voxel. Dabei können beispielsweise die Grauwerte der Pixel voneinander subtrahiert werden. Das anschließende Normalisieren dient dazu, dass die Grauwerte wieder in dem üblichen Bereich (z.B. von 0 bis 255) liegen und dass es keine negativen Grauwerte gibt.
Liegen mehrere radiologische Aufnahmen nach Applikation eines Kontrastmittels vor, die die Verteilung des Kontrastmittels in den Blutgefäßen zu unterschiedlichen Zeitpunkten zeigen, können unterschiedliche Blutgefäßarten identifiziert werden (z.B. Arterien und Venen). Dies erlaubt eine Differenzierung und unterschiedliche Kennzeichnung von Blutgefäßarten in dem Blutgefäßmodell. Das Blutgefäßmodell kann in einem solchen Fall auch durch Addieren einer Mehrzahl an gemessenen radiologischen Aufnahmen nach Applikation eines sich verteilenden Kontrastmittels und anschließendes Normalisieren erzeugt werden. Die Addition erfolgt dabei vorzugsweise Pixel für Pixel bzw. Voxel für Voxel. Dabei können beispielsweise die Grauwerte der Pixel paarweise addiert werden. Das anschließende Normalisieren dient dazu, dass die Grauwerte wieder in dem üblichen Bereich (z.B. von 0 bis 255) liegen.
Vorzugsweise werden Strukturen in dem Blutgefäßmodell, die nicht auf Blutgefäße zurückzuführen sind, entfernt: werden Blutgefäße beispielsweise hell dargestellt, dann können alle Pixel (oder Voxel), deren Grauwerte unterhalb eines Schwellenwert liegen, auf den Grauwert Null gesetzt werden; werden Blutgefäße hingegen dunkel dargestellt, dann können alle Pixel (oder Voxel), deren Grauwerte oberhalb eines Schwellenwert liegen, auf den höchsten Grauwert (z.B. 255) gesetzt werden. Durch diese Vorgehensweise werden Strukturen, die nicht von Blutgefäßen herrühren, (im Kontrast) reduziert oder vollständig eliminiert.
Das Blutgefäßmodell kann auch durch andere Segmentierverfahren aus gemessenen radiologischen Aufnahmen gewonnen werden. Segmentierverfahren sind vielfältig in der Literatur beschrieben. Beispielhaft seien die folgenden Publikationen aufgeführt: F. Conversano et al.: Hepatic Vessel Segmentation for 3D Planning of Liver Surgery , Acad Radiol 2011, 18: 461-470; S. Moccia et al.: Blood vessel Segmentation algorithms - Review of methods, datasets and evaluation metrics, Computer Methods and Programs in Biomedicine 158 (2018) 71-91; M. Marcan et al.: Segmentation of hepatic vessels from MRI images for planning of electroporation-based treatments in the liver, Radiol Oncol 2014; 48(3): 267-281; T. A. Flope et al.: Improvement of Gadoxetate Arterial Phase Capture With a High Spatio-Temporal Resolution Multiphase Three-Dimensional SPGR-Dixon Sequence, Journal of Magnetic Resonsnce Imaging 38: 938-945 (2013); WO2009/135923A1, US6754376B1,
WO2014/162273A1, W02017/139110A1, W02007/053676A2, EP2750102A1).
Vorzugsweise liegt das Blutgefäßmodell in demselben digitalen (Daten-)Format vor, wie die mindestens eine gemessene radiologische Aufnahme nach Applikation eines Kontrastmittels und/oder wie die mindestens eine native radiologische Aufnahme. Wenn dasselbe digitale Format vorliegt, lassen sich einfacher Berechnungen anhand der entsprechenden Dateien vornehmen, insbesondere lässt sich das Blutgefäßmodell einfacher aus den gemessenen radiologischen Aufnahmen erzeugen. Das Blutgefäßmodell kann direkt als künstliche radiologische Aufnahme verwendet und ausgegeben werden. Denkbar ist aber auch, dass das Blutgefäßmodell mit einer oder mit mehreren gemessenen radiologischen Aufnahmen überlagert wird, um eine oder mehrere künstliche radiologische Aufnahmen zu erzeugen. Es kann z.B. mit einer Nativaufnahme überlagert werden, um in der Nativaufnahme die Blutgefäße anzuzeigen. Vorzugsweise können dabei unterschiedliche Blutgefäße unabhängig voneinander ein- und ausgeblendet werden. Analog kann das Blutgefäßmodell auch mit mindestens einer gemessenen radiologischen Aufnahme nach Applikation eines Kontrastmittels überlagert werden. Die Überlagerung mit einer radiologischen Aufnahme nach Applikation eines Kontrastmittels ist beispielsweise dann von Vorteil, wenn bei einer MRT-Untersuchung der Leber kleine fokale Leberläsionen identifiziert werden sollen (siehe z.B. P. Bannas: Combined Gadoxetic Acid and Gadofosveset Enhanced Liver MRI: A Feasibility and Parameter Optimization Study, Magnetic Resonance in Medicine 75:318-328 (2016)). Es kann schwierig sein, Leberläsionen von Blutgefäßstrukturen in einer MRT- Aufnahme zu unterscheiden. Hier kann die erfindungsgemäße Simulation eines Blutpool-Kontrastmittels Abhilfe schaffen.
Bei der Überlagerung mindestens einer gemessenen radiologischen Aufnahme mit dem Blutgefäßmodell werden vorzugsweise für unterschiedliche Arten von Blutgefäßen (z.B. Arterien und Venen) unterschiedliche Larbwerte gewählt (Lalschfarbendarstellung). So können in der künstlichen radiologischen Aufnahme beispielsweise Arterien durch einen ersten Larbwert (z.B. einen Larbwert für eine rote Larbe) und Venen durch einen zweiten Larbwert (z.B. einen Larbwert für eine blaue Larbe) gekennzeichnet werden.
Vorzugsweise lassen sich die Pixel oder Voxel, die in dem Blutgefäßmodell Blutgefäße darstellen, z.B. mittels eines (virtuellen) Schiebereglers kontinuierlich in die mindestens eine gemessene radiologische Aufnahme einblenden (überblenden), wobei die korrespondierenden Pixel oder Voxel in der so erzeugten künstlichen radiologischen Aufnahme beim Einblenden zunehmend die Larbwerte der Pixel oder Voxel des Blutgefäßmodells annehmen. Es ist auch denkbar, dass sich Arten von Blutgefäßen unabhängig voneinander einblenden lassen (z.B. Arterien unabhängig von Venen und/oder Venen unabhängig von Arterien). Auch die Möglichkeit eines Ein- und Ausschaltens der Strukturen, die von Blutgefäßen oder Arten von Blutgefäßen herrühren, anstelle des Einblendens oder zusätzlich zum Einblenden ist denkbar.
Auf diese Weise kann ein Radiologe Blutgefäße oder Arten von Blutgefäßen in einer gemessenen radiologischen Aufnahme sichtbar machen, um Strukturen in den radiologischen Aufnahmen zuordnen zu können.
Weitere Erfindungsgegenstände und Ausführungsformen sind:
1. Ein computer-implementiertes Verfahren umfassend die Schritte
Empfangen mindestens einer radiologischen Aufnahme, wobei die mindestens eine radiologische Aufnahme einen Untersuchungsbereich eines Untersuchungsobjekts zeigt, Berechnen mindestens einer künstlichen radiologischen Aufnahme auf Basis der mindestens einen radiologischen Aufnahme, wobei Blutgefäße in der mindestens einen künstlichen radiologischen Aufnahme gegenüber umhegendem Gewebe kontrastverstärkt dargesteht sind, Ausgeben der mindestens einen künstlichen radiologischen Aufnahme.
2. Das Verfahren gemäß vorstehender Ausführungsform 1, umfassend die Schritte:
Empfangen mindestens einer gemessenen radiologischen Aufnahme, wobei die mindestens eine gemessene radiologische Aufnahme einen Untersuchungsbereich eines Untersuchungsobjekts zeigt, Zuführen der mindestens einen gemessenen radiologischen Aufnahme einem Vorhersagemodell, wobei das Vorhersagemodell auf Basis von Referenzdaten in einem überwachten Lernen trainiert ist, für mindestens eine gemessene radiologische Aufnahme, die einen Untersuchungsbereich eines Untersuchungsobjekts zeigt, mindestens eine künstliche radiologische Aufnahme zu erzeugen, wobei die mindestens eine künstliche radiologische Aufnahme den Untersuchungsbereich nach Applikation eines Blutpool-Kontrastmittels zeigt, Empfangen von dem Vorhersagemodell mindestens eine künstliche radiologische Aufnahme, wobei die mindestens eine künstliche radiologische Aufnahme den Untersuchungsbereich nach Applikation eines Blutpool-Kontrastmittels zeigt,
Ausgeben der mindestens einen künstlichen radiologischen Aufnahme. erfahren gemäß einer der vorstehenden Ausführungsformen 1 oder 2, umfassend die Schritte
Empfangen mindestens einer gemessenen radiologischen Aufnahme, wobei die mindestens eine gemessene radiologische Aufnahme eine radiologische Aufnahme ist oder ein Aufnahme umfasst, die einen Untersuchungsbereich eines Untersuchungsobjekts nach Applikation eines Kontrastmittels zeigt,
Zuführen der mindestens einen gemessenen radiologischen Aufnahme einem Vorhersagemodell, wobei das Vorhersagemodell auf Basis von Referenzdaten in einem überwachten Lernen trainiert ist, für mindestens eine gemessene radiologische Aufnahme, die einen Untersuchungsbereich eines Untersuchungsobjekts nach Applikation eines Kontrastmittels zeigt, mindestens eine künstliche radiologische Aufnahme zu erzeugen, wobei die mindestens eine künstliche radiologische Aufnahme den Untersuchungsbereich nach Applikation eines Blutpool-Kontrastmittels zeigt,
Empfangen von dem Vorhersagemodell mindestens eine künstliche radiologische Aufnahme, wobei die mindestens eine künstliche radiologische Aufnahme den Untersuchungsbereich nach Applikation eines Blutpool-Kontrastmittels zeigt,
Ausgeben der mindestens einen künstlichen radiologischen Aufnahme. erfahren gemäß einer der vorstehenden Ausführungsformen 1 bis 3, umfassend die Schritte
Empfangen einer Mehrzahl an gemessenen radiologischen Aufnahmen, wobei die radiologischen Aufnahmen einen Untersuchungsbereich zu unterschiedlichen Zeitpunkten nach einer Applikation eines Kontrastmittels zeigen,
Zuführen der Mehrzahl an gemessenen radiologischen Aufnahmen einem Vorhersagemodell, wobei das Vorhersagemodell auf Basis von Referenzdaten in einem überwachten Lernen trainiert ist, für eine Mehrzahl an gemessenen radiologischen Aufnahmen, die einen Untersuchungsbereich zu unterschiedlichen Zeitpunkten nach einer Applikation eines Kontrastmittels zeigen, mindestens eine künstliche radiologische Aufnahme zu erzeugen, wobei die mindestens eine künstliche radiologische Aufnahme Blutgefäße in dem Untersuchungsbereich kontrastverstärkt und mit einem über die Zeit gleichbleibenden Kontrast gegenüber dem umliegenden Gewebe zeigt,
Empfangen von dem Vorhersagemodell mindestens eine künstliche radiologische Aufnahme, wobei die mindestens eine künstliche radiologische Aufnahme Blutgefäße in dem Untersuchungsbereich kontrastverstärkt und mit einem über die Zeit gleichbleibenden Kontrast gegenüber dem umliegenden Gewebe zeigt,
Ausgeben der mindestens einen künstlichen radiologischen Aufnahme. erfahren gemäß einer der vorstehenden Ausführungsformen 1 bis 4, umfassend die Schritte Empfangen einer Mehrzahl an gemessenen radiologischen Aufnahmen, wobei die radiologischen Aufnahmen einen Untersuchungsbereich zu unterschiedlichen Zeitpunkten nach einer Applikation eines Kontrastmittels zeigen, wobei Blutgefäße in dem Untersuchungsbereich gegenüber dem umliegenden Gewebe kontrastverstärkt dargestellt sind, wobei die Kontrastverstärkung mit der Zeit abnimmt,
Erzeugen mindestens einer künstlichen radiologischen Aufnahme, wobei die mindestens eine künstliche radiologische Aufnahme denselben Untersuchungsbereich zeigt, wobei Blutgefäße in dem Untersuchungsbereich gegenüber dem umliegenden Gewebe kontrastverstärkt dargestellt sind, wobei die Kontrastverstärkung mit der Zeit nicht abnimmt,
Ausgeben der mindestens einen künstlichen radiologischen Aufnahme.
6. Das Verfahren gemäß einer der vorstehenden Ausführungsformen 1 bis 5, umfassend die Schritte
Empfangen einer Mehrzahl an gemessenen radiologischen Aufnahmen, wobei die radiologischen Aufnahmen einen Untersuchungsbereich zu unterschiedlichen Zeitpunkten nach einer Applikation eines Kontrastmittels zeigen,
Erzeugen einer künstlichen radiologischen Aufnahme durch Addieren der empfangenen radiologischen Aufnahmen,
Ausgeben der mindestens einen künstlichen radiologischen Aufnahme.
7. Das Verfahren gemäß einer der vorstehenden Ausführungsformen 1 bis 6, umfassend die Schritte
Empfangen einer Mehrzahl an gemessenen radiologischen Aufnahmen, wobei die radiologischen Aufnahmen einen Untersuchungsbereich zu unterschiedlichen Zeitpunkten vor und/oder nach einer Applikation eines Kontrastmittels zeigen,
Erzeugen eines Blutgefäßmodells aus den empfangenen radiologischen Aufnahmen, wobei das Blutgefäßmodell eine Repräsentation des Untersuchungsbereichs ist, wobei in dem Blutgefäßmodell Strukturen, die auf Blutgefäße in dem Untersuchungsbereich zurückzuführen sind, gekennzeichnet sind,
Erzeugen mindestens einer künstlichen radiologischen Aufnahme durch Überlagern des Blutgefäßmodell mit mindestens einer gemessenen radiologischen Aufnahme,
Ausgeben der mindestens einen künstlichen radiologischen Aufnahme.
8. Das Verfahren gemäß der vorstehenden Ausführungsform 7, wobei das Blutgefäßmodell mit einer nativen radiologischen Aufnahme des Untersuchungsbereichs überlagert wird.
9. Das Verfahren gemäß der vorstehenden Ausführungsform 7, wobei das Blutgefäßmodell mit mindestens einer gemessenen radiologischen Aufnahme des Untersuchungsbereichs überlagert wird, wobei die mindestens eine gemessene radiologische Aufnahme den Untersuchungsbereich nach Applikation eines gemischt extra-/intrazellulären, vorzugsweise eines hepatobiliären Kontrastmittels zeigt.
10. Das Verfahren gemäß einer der vorstehenden Ausführungsformen 1 bis 9, wobei unterschiedliche Blutgefäße in der mindestens einen künstlichen radiologischen Aufnahme unterschiedlich gekennzeichnet sind.
11. Ein Computersystem umfassend eine Empfangseinheit eine Steuer- und Recheneinheit und eine Ausgabeeinheit wobei die Steuer- und Recheneinheit konfiguriert ist, die Empfangseinheit zu veranlassen, mindestens eine radiologische Aufnahme zu empfangen, wobei die mindestens eine radiologische Aufnahme einen Untersuchungsbereich eines Untersuchungsobjekts zeigt, wobei die Steuer- und Recheneinheit konfiguriert ist, anhand der mindestens einen radiologischen Aufnahme mindestens eine künstliche radiologische Aufnahme zu berechnen, wobei Blutgefäße in der mindestens einen künstlichen radiologischen Aufnahme gegenüber umhegendem Gewebe kontrastverstärkt dargestellt sind, wobei die Steuer- und Recheneinheit konfiguriert ist, die Ausgabeeinheit zu veranlassen, die mindestens eine künstliche radiologische Aufnahme auszugeben.
12. Das Computersystem gemäß der vorstehenden Ausführungsform 11, wobei die Steuer- und Recheneinheit konfiguriert ist, die Empfangseinheit zu veranlassen, mindestens eine erste gemessene radiologische Aufnahme eines Blutgefäßsystems eines Untersuchungsobjekts oder eines Teils des Blutgefäßsystems zu empfangen, wobei die Steuer- und Recheneinheit konfiguriert ist, anhand der mindestens einen ersten gemessenen radiologischen Aufnahme ein Modell des Blutgefäßsystems oder eines Teils davon zu erzeugen, wobei die Steuer- und Recheneinheit konfiguriert ist, die Empfangseinheit zu veranlassen, mindestens eine zweite gemessene radiologische Aufnahme eines Untersuchungsbereichs des Untersuchungsobjekts zu empfangen, wobei die Steuer- und Recheneinheit konfiguriert ist, durch eine Überlagerung der mindestens einen zweiten radiologischen Aufnahme mit dem Modell des Blutgefäßsystems oder eines Teils davon mindestens eine dritte radiologische Aufnahme zu erzeugen, wobei die Steuer- und Recheneinheit konfiguriert ist, die Ausgabeeinheit zu veranlassen, die mindestens eine dritte radiologische Aufnahme auszugeben.
13. Ein Computerprogrammprodukt umfassend ein Computerprogramm, das in einen Arbeitsspeicher eines Computers geladen werden kann und dort den Computer dazu veranlasst, folgende Schritte ausführen:
Empfangen mindestens einer radiologischen Aufnahme, wobei die mindestens eine radiologische Aufnahme einen Untersuchungsbereich eines Untersuchungsobjekts zeigt, Berechnen mindestens einer künstlichen radiologischen Aufnahme auf Basis der mindestens einen radiologischen Aufnahme, wobei Blutgefäße in der mindestens einen künstlichen radiologischen Aufnahme gegenüber umhegendem Gewebe kontrastverstärkt dargestellt sind, Ausgeben der mindestens einen künstlichen radiologischen Aufnahme.
14. Eine Verwendung eines Kontrastmittels in einem radiologischen Untersuchungsverfahren, wobei das radiologischen Untersuchungsverfahren die folgenden Schritte umfasst:
Applizieren des Kontrastmittels in ein Blutgefäß eines Blutgefäßsystems eines Untersuchungsobjekts
Erfassen mindestens einer radiologischen Aufnahme des Blutgefäßsystems oder eines Teils davon nach Applikation des Kontrastmittels
Erzeugen eines Modelles des Blutgefäßsystems oder eines Teils davon anhand der mindestens einen radiologischen Aufnahme
Erzeugen mindestens einer künstlichen radiologischen Aufnahme durch Überlagerung der mindestens einen radiologischen Aufnahme mit dem Modell des Blutgefäßsystems oder eines Teils davon Ausgeben der mindestens einen künstlichen radiologischen Aufnahme.
15. Ein Kontrastmittel zur Verwendung in einem radiologischen Untersuchungsverfahren, wobei das radiologische Untersuchungsverfahren die folgenden Schritte umfasst:
Applizieren des Kontrastmittels in ein Blutgefäß eines Blutgefäßsystems eines Untersuchungsobjekts
Erfassen mindestens einer radiologischen Aufnahme des Blutgefäßsystems oder eines Teils davon nach Applikation des Kontrastmittels
Erzeugen eines Modelles des Blutgefäßsystems oder eines Teils davon anhand der mindestens einen radiologischen Aufnahme
Erzeugen mindestens einer künstlichen radiologischen Aufnahme durch Überlagerung der mindestens einen radiologischen Aufnahme mit dem Modell des Blutgefäßsystems oder eines Teils davon
Ausgeben der mindestens einen künstlichen radiologischen Aufnahme.
16. Ein Kit umfassend ein Kontrastmittel und ein erfindungsgemäßes Computerprogrammprodukt gemäß der vorstehenden Ausführungsform 13.
Die Erfindung wird nachstehend anhand von Zeichnungen näher erläutert, ohne die Erfindung auf die in den Zeichnungen gezeigten Merkmale oder Merkmalkombinationen beschränken zu wollen.
Figur 1 zeigt schematisch und beispielhaft eine Ausführungsform des erfindungsgemäßen Computersystems. Das Computersystem (10) umfasst eine Empfangseinheit (11), eine Steuer- und Recheneinheit (12) und eine Ausgabeeinheit (13).
Ein "Computersystem" ist ein System zur elektronischen Datenverarbeitung, das mittels programmierbarer Rechenvorschriften Daten verarbeitet. Ein solches System umfasst üblicherweise eine Steuer- und Recheneinheit, oftmals auch als "Computer" bezeichnet, diejenige Einheit, die einen Prozessor zur Durchführung logischer Operationen und einen Arbeitsspeicher zum Laden eines Computerprogramms umfasst, sowie eine Peripherie.
Als "Peripherie" bezeichnet man in der Computertechnik alle Geräte, die an den Computer angeschlossen sind, und zur Steuerung des Computers und/oder als Ein- und Ausgabegeräte dienen. Beispiele hierfür sind Monitor (Bildschirm), Drucker, Scanner, Maus, Tastatur, Joystick, Laufwerke, Kamera, Mikrofon, Lautsprecher etc. Auch interne Anschlüsse und Erweiterungskarten gelten in der Computertechnik als Peripherie.
Computersysteme von heute werden häufig in Desktop-PCs, Portable PCs, Laptops, Notebooks, Netbooks und Tablet-PCs und so genannte Handheids (z.B. Smartphone) unterteilt; alle diese Systeme können zur Ausführung der Erfindung genutzt werden.
Eingaben in das Computersystem (zum Bespiel zur Steuerung durch einen Nutzer) erfolgen über Eingabemittel wie beispielsweise eine Tastatur, eine Maus, ein Mikrofon, ein berührungsempfindliches Display und/oder dergleichen. Ausgaben erfolgen über die Ausgabeeinheit (13), die insbesondere ein Monitor (Bildschirm), ein Drucker und/oder ein Datenspeicher sein kann.
Das erfindungsgemäße Computersystem (10) ist konfiguriert, gemessene radiologische Aufnahmen zu empfangen und anhand der empfangenen radiologischen Aufnahmen künstliche radiologische Aufnahmen zu erzeugen (zu berechnen).
Die Steuer- und Recheneinheit (12) dient der Steuerung der Empfangseinheit (11) und der Ausgabeeinheit (13), der Koordinierung der Daten- und Signalflüsse zwischen den verschiedenen Einheiten, der Prozessierung von radiologischen Aufnahmen und der Erzeugung von künstlichen radiologischen Aufnahmen. Es ist denkbar, dass mehrere Steuer- und Recheneinheiten vorhanden sind.
Die Empfangseinheit (11) dient zum Empfang von radiologischen Aufnahmen. Die radiologischen Aufnahmen können beispielsweise von einem Magnetresonanztomographen übermittelt werden oder von einem Computertomographen übermittelt werden oder aus einem Datenspeicher ausgelesen werden. Der Magnetresonanztomograph oder der Computertomograph können ein Bestandteil des erfindungsgemäßen Computersystems sein. Denkbar ist aber auch, dass das erfindungsgemäße Computersystem ein Bestandteil eines Magnetresonanztomographen oder eines Computertomographen ist. Die Übermittlung von radiologischen Aufnahmen kann über eine Netzwerkverbindung oder eine direkte Verbindung erfolgen. Die Übermittlung von radiologischen Aufnahmen kann über eine Funkverbindung (WLAN, Bluetooth, Mobilfunk und/oder dergleichen) und/oder kabelgebunden erfolgen. Es ist denkbar, dass mehrere Empfangseinheiten vorhanden sind. Auch den Datenspeicher kann ein Bestandteil des erfindungsgemäßen Computersystems sein oder mit diesem z.B. über ein Netzwerk verbunden sein. Es ist denkbar, dass mehrere Datenspeicher vorhanden sind.
Von der Empfangseinheit werden die radiologischen Aufnahmen ggf. weitere Daten (wie beispielsweise Informationen zum Untersuchungsobjekt, Aufnahmeparameter und/oder dergleichen) empfangen und an die Steuer- und Recheneinheit übermittelt.
Die Steuer- und Recheneinheit ist konfiguriert, anhand der empfangenen Daten künstliche radiologische Aufnahmen zu erzeugen.
Über die Ausgabeeinheit (13) können die künstlichen radiologischen Aufnahmen angezeigt werden (zum Beispiel auf einem Monitor), ausgegeben werden (z.B. über einen Drucker) oder in einem Datenspeicher gespeichert werden. Es ist denkbar, dass mehrere Ausgabeeinheiten vorhanden sind.
Fig. 2 zeigt beispielhaft und schematisch eine Ausführungsform des erfindungsgemäßen Verfahrens (100) bzw. der vom erfindungsgemäßen Computerprogrammprodukt ausgeführten Schritte in Form eines Ablaufdiagramms.
Die Schritte sind:
(110) Empfangen einer Sequenz von gemessenen radiologischen Aufnahmen, wobei die gemessenen radiologischen Aufnahmen einen Untersuchungsbereich eines Untersuchungsobjekts zu verschiedenen, aufeinander folgenden Zeitpunkten nach einer Applikation eines Kontrastmittels zeigen, wobei das Kontrastmittel zu einer Kontrastverstärkung von Blutgefäßen in dem Untersuchungsbereich führt, wobei die Kontrastverstärkung der Blutgefäße in den gemessenen radiologischen Aufnahmen mit zunehmender Zeit abnimmt,
(120) Berechnen einer Sequenz von künstlichen radiologischen Aufnahmen auf Basis der empfangenen radiologischen Aufnahmen, wobei die Kontrastverstärkung der Blutgefäße in den künstlichen radiologischen Aufnahmen über die Zeit erhalten bleibt,
(130) Ausgeben der künstlichen radiologischen Aufnahmen.
Fig. 3 zeigt beispielhaft und schematisch eine bevorzugte Ausführungsform des erfindungsgemäßen Verfahrens (200) bzw. der vom erfindungsgemäßen Computerprogrammprodukt ausgeführten Schritte in Form eines Ablaufdiagramms.
Die Schritte sind: (210) Empfangen einer Sequenz von gemessenen radiologischen Aufnahmen, wobei die gemessenen radiologischen Aufnahmen einen Untersuchungsbereich eines Untersuchungsobjekts zu verschiedenen, aufeinander folgenden Zeitpunkten nach einer Applikation eines Kontrastmittels zeigen, wobei das Kontrastmittel zu einer Kontrastverstärkung von Blutgefäßen in den gemessenen radiologischen Aufnahmen des Untersuchungsbereichs führt, wobei die Kontrastverstärkung der Blutgefäße in den gemessenen radiologischen Aufnahmen mit zunehmender Zeit sinkt,
(220) Zuführen der radiologischen Aufnahmen einem künstlichen neuronalen Netz, wobei das künstliche neuronale Netz auf Basis von Referenzdaten in einem überwachten Lernen trainiert worden ist, eine über die Zeit sinkende Kontrastverstärkung von Blutgefäßen in radiologischen Aufnahmen zu kompensieren,
(230) Empfangen von dem künstlichen neuronalen Netz eine Sequenz von berechneten radiologischen Aufnahmen, wobei die berechneten radiologischen Aufnahmen den Untersuchungsbereich zu verschiedenen, aufeinander folgenden Zeitpunkten zeigen, wobei Blutgefäße in den berechneten radiologischen Aufnahmen kontrastverstärkt dargestellt sind, wobei die Kontrastverstärkung der Blutgefäße mit zunehmender Zeit konstant bleibt,
(240) Ausgeben der berechneten radiologischen Aufnahmen.
Figuren 4 (a), (b) und (c) zeigen beispielhaft und schematisch radiologische Aufnahmen einer Leber nach der intravenösen Applikation eines Kontrastmittels in eine Armvene eines Untersuchungsobjekts. In den Figuren 4 (a), 4 (b) und 4 (c) ist stets derselbe Querschnitt durch die Leber (L) zu unterschiedlichen, aufeinander folgenden Zeitpunkten dargestellt. Die in den Figuren 4 (a), 4 (b) und 4 (c) eingezeichneten Bezugszeichen gelten für alle Figuren 4 (a), 4 (b) und 4 (c); sie sind lediglich der besseren Übersicht halber jeweils nur einmal eingezeichnet.
In den Figuren 4 (a), 4 (b) und 4 (c) sind die Arterien (A) und Venen (V) gegenüber dem umgebenden Gewebe (Leberzellen) kontrastverstärkt dargestellt. Die Kontrastverstärkung nimmt jedoch mit der Zeit von Fig. 4 (a) über Fig. 4 (b) zu Fig. 4 (c) ab.
Figur 5 zeigt beispielhaft schematisch die Erzeugung von künstlichen radiologischen Aufnahmen auf Basis von gemessenen radiologischen Aufnahmen mit Hilfe eines Vorhersagemodells (PM). Die in Fig.
5 dargestellten radiologischen Aufnahmen (a), (b) und (c) einer Leber entsprechen den in den Figuren 4 (a), 4 (b) und 4 (c) dargestellten Aufnahmen der Leber. Diese gemessenen radiologischen Aufnahmen (a), (b) und (c) werden einem Vorhersagemodell (PM) zugeführt. Das Vorhersagemodell erzeugt aus den drei gemessenen radiologischen Aufnahmen (a), (b) und (c) drei künstliche radiologische Aufnahmen (a‘), (b‘) und (c‘). Während die Kontrastverstärkung der Blutgefäße (Arterien A und Venen V) bei den gemessenen radiologischen Aufnahmen mit der Zeit sinkt, bleibt sie bei den künstlich erzeugten radiologischen Aufnahmen über die Zeit gleich.
Figuren 6 (a), 6 (b) und 6 (c) zeigen beispielhaft und schematisch radiologische Aufnahmen einer Leber vor (6 (a)) und nach (6 (b), 6 (c)) der intravenösen Applikation eines Kontrastmittels in eine Armvene eines Untersuchungsobjekts. In den Figuren 6 (a), 6 (b) und 6 (c) ist stets derselbe Querschnitt durch die Leber (L) zu unterschiedlichen, aufeinander folgenden Zeitpunkten dargestellt. Die in den Figuren 6 (a),
6 (b) und 6 (c) eingezeichneten Bezugszeichen gelten für alle Figuren 6 (a), 6 (b) und 6 (c); sie sind lediglich der besseren Übersicht halber jeweils nur einmal eingezeichnet. Fig. 6 (a) zeigt den Querschnitt durch die Leber (L) vor der intravenösen Applikation eines Kontrastmittels. Zu einem Zeitpunkt, der zwischen den Zeitpunkten liegt, die durch die Figuren 6 (a) und 6 (b) dargestellt werden, wurde ein Kontrastmittel intravenös als Bolus verabreicht. Dieses erreicht in Fig. 6 (b) über die Leberarterie (A) die Leber. Dementsprechend wird die Leberarterie signalverstärkt dargestellt (arterielle Phase). Zu dem Zeitpunkt, der in Figur 6 (c) dargestellt ist, erreicht das Kontrastmittel die Leber über die Venen (venöse Phase).
Fig. 6 (a) ist also eine native radiologische Aufnahme, Fig. 6 (b) ist eine erste radiologische Aufnahme nach Applikation eines Kontrastmittels und Fig. 6 (c) ist eine zweite radiologische Aufnahme nach Applikation des Kontrastmittels. In Fig. 6 (b) sind besonders die Arterien gut zu erkennen, während in Fig. 6 (c) besonders die Venen gut zu erkennen sind.
Fig. 7 zeigt beispielhaft und schematisch die Erzeugung einer künstlichen radiologischen Aufnahme (AI) anhand von gemessenen radiologischen Aufnahmen mit Hilfe eines Vorhersagemodells (PM). Das Vorhersagemodell (PM) ist trainiert, für mindestens eine gemessene radiologische Aufnahme, die einen Untersuchungsbereich eines Untersuchungsobjekts zeigt, mindestens eine künstliche radiologische Aufnahme zu erzeugen, die den Untersuchungsbereich nach der Applikation eines intravaskulären Kontrastmittels zeigt. Im vorliegenden Beispiel werden die radiologischen Aufnahmen aus Fig. 6 (b) und Fig. 6 (c) dem Vorhersagemodell (PM) zugeführt. Das Vorhersagemodell erzeugt dann automatisiert eine künstliche radiologische Aufnahme (AI). Diese zeigt alle Blutgefäße (Arterien A, Venen V) kontrastverstärkt und mit über die Zeit gleichbleibendem Kontrast gegenüber dem umliegenden Gewebe.
Fig. 8 zeigt beispielhaft und schematisch die Erzeugung eines Blutgefäßmodells aus gemessenen radiologischen Aufnahmen. Die Figuren 8 (a), 8 (b) und 8 (c) sind mit den Figuren 6 (a), 6 (b) und 6 (c) identisch.
Die native radiologische Aufnahme in Fig. 8 (a) wird mit der radiologischen Aufnahme in Fig. 8 (b) und der radiologischen Aufnahme in Fig. 8 (c) zu einem Blutgefäßmodell (Fig. 8 (d)) kombiniert. Dies kann beispielsweise dadurch geschehen, dass in einem ersten Schritt ein Differenzbild von Fig. 8 (a) und Fig. 8 (b) erzeugt wird (Fig. 8 (b) - Fig. 8 (a)). In einem solchen Differenzbild treten die Arterien (A) besonders stark hervor, während alle übrigen Strukturen in den Flintergrund treten. In einem weiteren Schritt kann ein Differenzbild von Fig. 8 (a) und Fig. 8 (c) erzeugt werden (Fig. 8 (c) - Fig. 8 (a)). In einem solchen Differenzbild treten die Venen (V) besonders stark hervor, während alle übrigen Strukturen in den Hintergrund treten. In einem weiteren Schritt können die beiden erzeugten Differenzbilder z.B. durch Addition zu dem Blutgefäßmodell (Fig. 8 (d)) kombiniert werden. Vorzugsweise werden dabei die Arterien und die Venen in dem Blutgefäßmodell (Fig. 8 (d)) unterschiedlich gekennzeichnet (im vorliegenden Fall sind die Venen mit einer horizontalen Schraffur versehen, während die Arterien mit einer vertikalen Schraffur versehen sind).
Figur 9 zeigt beispielhaft und schematisch eine gemessene radiologische Aufnahmen einer Leber (L) nach der intravenösen Applikation eines hepatobiliären Kontrastmittels in eine Armvene des Untersuchungsobjekts. Das hepatobiliäre Kontrastmittel wird von gesunden Leberzellen aufgenommen. Die in Fig. 9 gezeigte radiologische Aufnahme zeigt die Leber in einem Querschnitt in der hepatobiliären Phase, in der die Leberzellen bereits Kontrastmittel aufgenommen haben. Es ist eine Struktur T zu erkennen, für die unklar ist, ob es sich um ein Blutgefäß oder um einen Tumor handelt.
Figur 10 zeigt beispielhaft und schematisch die Überlagerung einer gemessenen radiologischen Aufnahme mit einem Blutgefäßmodell zu einer künstlichen radiologischen Aufnahme. Fig. 10 (a) zeigt die gemessene radiologische Aufnahme einer Leber (L) im Querschnitt. Fig. 10 (a) ist identisch mit Fig. 9. Fig. 10 (b) zeigt ein Blutgefäßmodell. Fig. 10 (b) ist identisch mit Fig. 8 (d). Fig. 10 (c) zeigt eine künstliche radiologische Aufnahme. Bei der künstlichen radiologischen Aufnahme ersetzen die Pixel derjenigen Strukturen des Blutgefäßmodells, die auf Blutgefäße zurückzuführen sind, die entsprechenden (korrespondierenden) Pixel der gemessenen radiologischen Aufnahme. In der künstlichen radiologischen Aufnahme ist gut zu erkennen, welche Strukturen auf gesunde Leberzellen zurückzuführen sind, welche Strukturen auf Arterien (A) zurückzuführen sind und welche Strukturen auf Venen (V) zurückzuführen sind. Ferner ist in der künstlichen radiologischen Aufnahme zu erkennen, dass es sich bei der Struktur T um kein Blutgefäß handelt. Es ist denkbar, dass ein Tumor vorliegt.

Claims

Patentansprüche
1. Computer-implementiertes Verfahren umfassend die Schritte
Empfangen einer Sequenz von gemessenen radiologischen Aufnahmen, wobei die gemessenen radiologischen Aufnahmen einen Untersuchungsbereich eines Untersuchungsobjekts zu verschiedenen, aufeinander folgenden Zeitpunkten nach einer Applikation eines Kontrastmittels zeigen, wobei das Kontrastmittel zu einer Kontrastverstärkung von Blutgefäßen in dem Untersuchungsbereich führt, wobei die Kontrastverstärkung der Blutgefäße in den gemessenen radiologischen Aufnahmen mit zunehmender Zeit abnimmt,
Berechnen einer Sequenz von künstlichen radiologischen Aufnahmen auf Basis der empfangenen radiologischen Aufnahmen, wobei die Kontrastverstärkung der Blutgefäße in den künstlichen radiologischen Aufnahmen über die Zeit erhalten bleibt,
Ausgeben der künstlichen radiologischen Aufnahmen.
2. Verfahren gemäß Anspruch 1, wobei das Berechnen der Sequenz von künstlichen radiologischen Aufnahmen die folgenden Schritte umfasst:
Zuführen der gemessenen radiologischen Aufnahmen einem Vorhersagemodell, wobei das künstliche Vorhersagemodell auf Basis von Referenzdaten in einem überwachten Lernen trainiert worden ist, eine über die Zeit sinkende Kontrastverstärkung von Blutgefäßen zu kompensieren,
Empfangen von dem Vorhersagemodell eine Sequenz von künstlichen radiologischen Aufnahmen, wobei die künstlichen radiologischen Aufnahmen den Untersuchungsbereich zu verschiedenen, aufeinander folgenden Zeitpunkten zeigen, wobei Blutgefäße in den künstlichen radiologischen Aufnahmen kontrastverstärkt dargestellt sind, wobei die Kontrastverstärkung der Blutgefäße in den künstlichen radiologischen Aufnahmen mit zunehmender Zeit konstant bleibt.
3. Verfahren gemäß Anspruch 1, wobei das Berechnen der Sequenz von künstlichen radiologischen Aufnahmen die folgenden Schritte umfasst:
Zuführen der gemessenen radiologischen Aufnahmen einem Vorhersagemodell, wobei das Vorhersagemodell auf Basis von Referenzdaten in einem überwachten Lernen trainiert ist, für eine Sequenz gemessener radiologischer Aufnahmen, die einen Untersuchungsbereich eines Untersuchungsobjekts nach Applikation eines Kontrastmittels zeigen, eine Sequenz künstlicher radiologischer Aufnahmen zu erzeugen, wobei die künstlichen radiologischen Aufnahmen den Untersuchungsbereich nach Applikation eines Blutpool-Kontrastmittels zeigen,
Empfangen von dem Vorhersagemodell eine Sequenz von künstlichen radiologischen Aufnahmen, wobei die künstlichen radiologischen Aufnahmen den Untersuchungsbereich nach Applikation eines Blutpool-Kontrastmittels zeigen.
4. Verfahren gemäß Anspruch 1, wobei das Berechnen der Sequenz von künstlichen radiologischen Aufnahmen die folgenden Schritte umfasst:
Zuführen der gemessenen radiologischen Aufnahmen einem Vorhersagemodell, wobei das Vorhersagemodell auf Basis von Referenzdaten in einem überwachten Lernen trainiert ist, für eine Sequenz gemessener radiologischer Aufnahmen, die einen Untersuchungsbereich zu unterschiedlichen Zeitpunkten nach einer Applikation eines Kontrastmittels zeigen, eine Sequenz künstlicher radiologischer Aufnahmen zu erzeugen, wobei die künstlichen radiologischen Aufnahmen Blutgefäße in dem Untersuchungsbereich kontrastverstärkt und mit einem über die Zeit gleichbleibenden Kontrast gegenüber dem umliegenden Gewebe zeigen, Empfangen von dem Vorhersagemodell eine Sequenz von künstlichen radiologischen Aufnahmen, wobei die künstlichen radiologischen Aufnahmen Blutgefäße in dem Untersuchungsbereich kontrastverstärkt und mit einem über die Zeit gleichbleibenden Kontrast gegenüber dem umliegenden Gewebe zeigen.
5. Verfahren gemäß Anspruch 1, wobei das Berechnen der Sequenz von künstlichen radiologischen Aufnahmen die folgenden Schritte umfasst:
Erzeugen eines Blutgefäßmodells aus den empfangenen radiologischen Aufnahmen, wobei das Blutgefäßmodell eine Repräsentation des Untersuchungsbereichs ist, wobei in dem Blutgefäßmodell Strukturen, die auf Blutgefäße in dem Untersuchungsbereich zurückzuführen sind, gekennzeichnet sind,
Erzeugen einer Sequenz von künstlichen radiologischen Aufnahmen durch Überlagern der empfangenen radiologischen Aufnahmen mit dem Blutgefäßmodell.
6. Verfahren gemäß einem der Ansprüche 1 bis 5, wobei es sich bei dem applizierten Kontrastmittel um ein extrazelluläres Kontrastmittel oder um ein gemischt extra-/intrazelluläres Kontrastmittel handelt.
7. Verfahren gemäß einem der Ansprüche 1 bis 6, wobei es sich bei den gemessenen radiologischen Aufnahmen um MRT- Aufnahmen handelt.
8. Verfahren gemäß einem der Ansprüche 1 bis 7, wobei es sich bei dem Vorhersagemodell um ein künstliches neuronales Netz handelt.
9. Verfahren gemäß einem der Ansprüche 1 bis 8, wobei die Referenzdaten gemessene radiologische Aufnahmen nach Applikation eines extrazellulären Kontrastmittels sowie gemessene radiologische Aufnahmen nach Applikation eines intravaskulären Kontrastmittels und/oder künstlich erzeugte radiologische Aufnahmen umfassen.
10. Computersystem umfassend eine Empfangseinheit eine Steuer- und Recheneinheit und eine Ausgabeeinheit wobei die Steuer- und Recheneinheit konfiguriert ist, die Empfangseinheit zu veranlassen, eine Sequenz von gemessenen radiologischen Aufnahmen zu empfangen, wobei die gemessenen radiologischen Aufnahmen einen Untersuchungsbereich eines Untersuchungsobjekts zu verschiedenen, aufeinander folgenden Zeitpunkten nach einer Applikation eines Kontrastmittels zeigen, wobei das Kontrastmittel zu einer Kontrastverstärkung von Blutgefäßen in dem Untersuchungsbereich führt, wobei die Kontrastverstärkung der Blutgefäße in den gemessenen radiologischen Aufnahmen mit zunehmender Zeit abnimmt, wobei die Steuer- und Recheneinheit konfiguriert ist, anhand der gemessenen radiologischen Aufnahmen eine Sequenz von künstlichen radiologischen Aufnahmen zu berechnen, wobei die Kontrastverstärkung der Blutgefäße in den künstlichen radiologischen Aufnahmen über die Zeit erhalten bleibt, wobei die Steuer- und Recheneinheit konfiguriert ist, die Ausgabeeinheit zu veranlassen, die künstlichen radiologischen Aufnahmen auszugeben.
11. Computerprogrammprodukt umfassend ein Computerprogramm, das in einen Arbeitsspeicher eines Computers geladen werden kann und dort den Computer dazu veranlasst, folgende Schritte ausführen:
Empfangen einer Sequenz von gemessenen radiologischen Aufnahmen, wobei die gemessenen radiologischen Aufnahmen einen Untersuchungsbereich eines Untersuchungsobjekts zu verschiedenen, aufeinander folgenden Zeitpunkten nach einer Applikation eines Kontrastmittels zeigen, wobei das Kontrastmittel zu einer Kontrastverstärkung von Blutgefäßen in dem Untersuchungsbereich führt, wobei die Kontrastverstärkung der Blutgefäße in den gemessenen radiologischen Aufnahmen mit zunehmender Zeit abnimmt,
Berechnen einer Sequenz von künstlichen radiologischen Aufnahmen auf Basis der empfangenen radiologischen Aufnahmen, wobei die Kontrastverstärkung der Blutgefäße in den künstlichen radiologischen Aufnahmen über die Zeit erhalten bleibt,
Ausgeben der künstlichen radiologischen Aufnahmen.
12. Verwendung eines Kontrastmittels in einem radiologischen Untersuchungsverfahren, wobei das radiologische Untersuchungsverfahren die folgenden Schritte umfasst:
Applizieren des Kontrastmittels in ein Blutgefäß eines Blutgefäßsystems eines Untersuchungsobj ekts ,
Erfassen einer Sequenz radiologischer Aufnahmen eines Untersuchungsbereichs des Untersuchungsobjekts, wobei die radiologischen Aufnahmen den Untersuchungsbereich zu verschiedenen, aufeinander folgenden Zeitpunkten nach der Applikation des Kontrastmittels zeigen, wobei das Kontrastmittel zu einer Kontrastverstärkung von Blutgefäßen in dem Untersuchungsbereich führt, wobei die Kontrastverstärkung der Blutgefäße in den radiologischen Aufnahmen mit zunehmender Zeit sinkt,
Berechnen einer Sequenz von künstlichen radiologischen Aufnahmen auf Basis der erfassten radiologischen Aufnahmen, wobei die Kontrastverstärkung der Blutgefäße in den künstlichen radiologischen Aufnahmen über die Zeit erhalten bleibt,
Ausgeben der künstlichen radiologischen Aufnahmen.
13. Kontrastmittel zur Verwendung in einem radiologischen Untersuchungsverfahren, wobei das radiologische Untersuchungsverfahren die folgenden Schritte umfasst:
Applizieren des Kontrastmittels in ein Blutgefäß eines Blutgefäßsystems eines Untersuchungsobj ekts ,
Erfassen einer Sequenz radiologischer Aufnahmen eines Untersuchungsbereichs des Untersuchungsobjekts, wobei die radiologischen Aufnahmen den Untersuchungsbereich zu verschiedenen, aufeinander folgenden Zeitpunkten nach der Applikation des Kontrastmittels zeigen, wobei das Kontrastmittel zu einer Kontrastverstärkung von Blutgefäßen in dem Untersuchungsbereich führt, wobei die Kontrastverstärkung der Blutgefäße in den radiologischen Aufnahmen mit zunehmender Zeit sinkt, - Berechnen einer Sequenz von künstlichen radiologischen Aufnahmen auf Basis der erfassten radiologischen Aufnahmen, wobei die Kontrastverstärkung der Blutgefäße in den künstlichen radiologischen Aufnahmen über die Zeit erhalten bleibt,
Ausgeben der künstlichen radiologischen Aufnahmen.
14. Kit umfassend ein Kontrastmittel und ein erfindungsgemäßes Computerprogrammprodukt gemäß
Anspruch 11.
EP21713686.0A 2020-04-03 2021-03-25 Erzeugen von radiologischen aufnahmen Pending EP4128261A1 (de)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP20167879 2020-04-03
EP20204511 2020-10-29
PCT/EP2021/057689 WO2021197996A1 (de) 2020-04-03 2021-03-25 Erzeugen von radiologischen aufnahmen

Publications (1)

Publication Number Publication Date
EP4128261A1 true EP4128261A1 (de) 2023-02-08

Family

ID=75143664

Family Applications (1)

Application Number Title Priority Date Filing Date
EP21713686.0A Pending EP4128261A1 (de) 2020-04-03 2021-03-25 Erzeugen von radiologischen aufnahmen

Country Status (6)

Country Link
US (1) US12394058B2 (de)
EP (1) EP4128261A1 (de)
JP (1) JP7729836B2 (de)
CN (1) CN115398555A (de)
CA (1) CA3177210A1 (de)
WO (1) WO2021197996A1 (de)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3939003B1 (de) 2019-03-12 2024-04-03 Bayer HealthCare, LLC Systeme und verfahren zur beurteilung der wahrscheinlichkeit von cteph und identifizierung von darauf hinweisenden merkmalen
EP4231037A1 (de) 2019-09-18 2023-08-23 Bayer Aktiengesellschaft Beschleunigung von mrt-untersuchungen
JP7535575B2 (ja) 2019-09-18 2024-08-16 バイエル、アクチエンゲゼルシャフト 組織特性を予測、予想、および／または査定するためのシステム、方法、およびコンピュータプログラム製品
EP4031893B1 (de) 2019-09-18 2024-12-25 Bayer Aktiengesellschaft Erzeugung von mrt-aufnahmen der leber
EP4128261A1 (de) 2020-04-03 2023-02-08 Bayer Aktiengesellschaft Erzeugen von radiologischen aufnahmen
WO2024046832A1 (de) * 2022-08-30 2024-03-07 Bayer Aktiengesellschaft Erzeugen von synthetischen radiologischen aufnahmen
EP4336513B1 (de) 2022-08-30 2024-12-18 Bayer Aktiengesellschaft Erzeugen von synthetischen radiologischen aufnahmen
WO2024046833A1 (de) 2022-08-30 2024-03-07 Bayer Aktiengesellschaft Erzeugen von synthetischen radiologischen aufnahmen
WO2024046831A1 (de) * 2022-08-30 2024-03-07 Bayer Aktiengesellschaft Erzeugen von synthetischen radiologischen aufnahmen
EP4369353A1 (de) * 2022-11-12 2024-05-15 Bayer Aktiengesellschaft Erzeugung von künstlichen kontrastmittelverstärkten radiologischen aufnahmen
EP4571650A1 (de) 2023-12-12 2025-06-18 Bayer AG Erzeugung synthetischer bilder
EP4575997A1 (de) 2023-12-18 2025-06-25 Bayer Aktiengesellschaft Erzeugung synthetischer bilder

Family Cites Families (118)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US732697A (en) 1903-02-19 1903-07-07 John Davis Bates Lumber-surface meter.
US6039931A (en) 1989-06-30 2000-03-21 Schering Aktiengesellschaft Derivatized DTPA complexes, pharmaceutical agents containing these compounds, their use, and processes for their production
US6397098B1 (en) 1994-09-21 2002-05-28 Medrad, Inc. Data communication and control for medical imaging systems
US5840026A (en) 1994-09-21 1998-11-24 Medrad, Inc. Patient specific dosing contrast delivery systems and methods
US5732697A (en) 1995-11-22 1998-03-31 Arch Development Corporation Shift-invariant artificial neural network for computerized detection of clustered microcalcifications in mammography
US6339718B1 (en) 1999-07-30 2002-01-15 Medrad, Inc. Programmable injector control
US6754376B1 (en) 2000-11-22 2004-06-22 General Electric Company Method for automatic segmentation of medical images
EP1345154A1 (de) 2002-03-11 2003-09-17 Bracco Imaging S.p.A. Verfahren zur Kodierung von Bildpunkten und Verfahren zur Bildverarbeitung das dazu geignet ist, eine qualitative Erkennung eines mit einem oder mehreren Bildpunkten reproduzierten Objektes zu führen
US6819790B2 (en) 2002-04-12 2004-11-16 The University Of Chicago Massive training artificial neural network (MTANN) for detecting abnormalities in medical images
US7458936B2 (en) 2003-03-12 2008-12-02 Siemens Medical Solutions Usa, Inc. System and method for performing probabilistic classification and decision support using multidimensional medical image databases
US7221408B2 (en) * 2003-08-15 2007-05-22 Samsung Electronics Co., Ltd. Adaptive contrast enhancement method for video signals based on time-varying nonlinear transforms
US7545965B2 (en) 2003-11-10 2009-06-09 The University Of Chicago Image modification and detection using massive training artificial neural networks (MTANN)
US20060018524A1 (en) 2004-07-15 2006-01-26 Uc Tech Computerized scheme for distinction between benign and malignant nodules in thoracic low-dose CT
WO2006036842A2 (en) 2004-09-24 2006-04-06 The University Of North Carolina At Chapel Hill Methods, systems, and computer program products for hierarchical registration between a blood vessel and tissue surface model for a subject and blood vessel and tissue surface image for the subject
US8295914B2 (en) 2004-11-16 2012-10-23 Medrad, Inc. Systems and methods of determining patient transfer functions and modeling patient response to a pharmaceutical injection
US7853309B2 (en) * 2005-03-10 2010-12-14 Toshiba Medical Systems Corporation X-ray CT apparatus and myocardial perfusion image generating system
US7738683B2 (en) 2005-07-22 2010-06-15 Carestream Health, Inc. Abnormality detection in medical images
US7564990B2 (en) 2005-08-18 2009-07-21 Nu Skin International, Inc. Imaging system and method for physical feature analysis
US7343032B2 (en) 2005-09-01 2008-03-11 Fujifilm Corporation Method and apparatus for automatic and dynamic vessel detection
EP1780651A1 (de) * 2005-10-25 2007-05-02 Bracco Imaging, S.P.A. Verfahren und System zur automatischen Verarbeitung und Bewertung von Bildern, im Besonderen diagnostischer Bilder
EP1780677A1 (de) 2005-10-25 2007-05-02 BRACCO IMAGING S.p.A. Bildverarbeitungssystem, im Besonderen zur Verwendung für diagnostische Bilder
CN107358595B (zh) 2005-11-01 2021-09-03 美国医软科技公司 用于肝叶分割和术前手术规划的方法和系统
US20220031270A1 (en) 2007-03-08 2022-02-03 Sync-Rx, Ltd Identification an dpresentation of device-tovessel relative motion
WO2009020687A2 (en) 2007-05-18 2009-02-12 Henry Ford Health System Mri estimation of contrast agent concentration using a neural network approach
DE102007028660B3 (de) 2007-06-21 2009-01-29 Siemens Ag Verfahren zur Korrektur von Bewegungsartefakten bei der Aufnahme von MR-Bildern
US20090143669A1 (en) 2007-12-04 2009-06-04 Harms Steven E Color mapped magnetic resonance imaging
CN101938939B (zh) 2008-02-07 2014-11-26 皇家飞利浦电子股份有限公司 用于测量和预测患者呼吸稳定性的装置
US8428327B2 (en) 2008-05-08 2013-04-23 Oslo Universitetssykehus Hf Vessel segmentation in DCE MR imaging
US7949167B2 (en) 2008-06-12 2011-05-24 Siemens Medical Solutions Usa, Inc. Automatic learning of image features to predict disease
US20130035921A1 (en) 2010-01-28 2013-02-07 Maria Inmaculada Rodriguez-Ponce Method and apparatus for estimating temperature in a body
US8478698B1 (en) 2010-03-17 2013-07-02 James Mah Methods and systems for employing artificial intelligence in automated orthodontic diagnosis and treatment planning
JP5917552B2 (ja) 2010-12-08 2016-05-18 べイヤー ヘルスケア、エルエルシー 医療用撮像スキャンによって患者が受ける放射線量に関する予測の作成
FR2979453B1 (fr) 2011-08-26 2016-01-08 Olea Medical Systeme et procede pour estimer une quantite d'interet d'un systeme dynamique artere/tissu/veine
WO2013036842A2 (en) 2011-09-08 2013-03-14 Radlogics, Inc. Methods and systems for analyzing and reporting medical images
JP5878009B2 (ja) 2011-12-12 2016-03-08 株式会社根本杏林堂 医療用画像処理ネットワークシステム
WO2016007734A1 (en) 2014-07-09 2016-01-14 The Trustees Of Dartmouth College Methods for quantitative and enhanced-contrast molecular medical imaging using cross-modality correction for differing tracer kinetics
EP2626718A1 (de) 2012-02-09 2013-08-14 Koninklijke Philips Electronics N.V. Magnetresonanzbildgebung mit Bewegungskorrektur unter Verwendung von Navigatoren, welche mit einem Dixon-Verfahren erhalten wurden
EP2815343A2 (de) 2012-02-17 2014-12-24 Koninklijke Philips N.V. Beurteilung und überwachung von akuten lungenverletzungen (ali)/akutem lungenversagen (ards)
US20150125398A1 (en) 2012-05-11 2015-05-07 University Of Iowa Research Foundation Multimodal imaging methods using mesoporous silica nanoparticles
DE102012215718B4 (de) 2012-09-05 2022-05-12 Siemens Healthcare Gmbh Verfahren und Magnetresonanzanlage zur MR-Bildgebung eines vorbestimmten Volumenabschnitts eines lebenden Untersuchungsobjekts mittels Stimulieren des Untersuchungsobjekts
US9449381B2 (en) 2012-09-10 2016-09-20 Arizona Board Of Regents, A Body Corporate Of The State Of Arizona, Acting For And On Behalf Of Arizona State University Methods, systems, and media for generating and analyzing medical images having elongated structures
CN104769641B (zh) 2012-10-31 2018-01-26 皇家飞利浦有限公司 灌注成像
EP2750102B2 (de) 2012-12-27 2025-12-10 General Electric Company Verfahren, System und computerlesbares Medium zur Leberanalyse
JP6382232B2 (ja) 2013-02-21 2018-08-29 ユニバ−シティ オブ ロチェスタ− 脳全体の傍血管経路を老廃物のクリアランス機能について評価するための方法、およびそれに基づいて神経変性障害を治療するための方法
CN105103191B (zh) 2013-04-03 2019-05-10 皇家飞利浦有限公司 血管分割
EP2988668B1 (de) 2013-04-24 2019-07-24 Tel HaShomer Medical Research Infrastructure and Services Ltd. Magnetresonanzkarten zur analyse von gewebe
JP6338849B2 (ja) 2013-12-11 2018-06-06 キヤノンメディカルシステムズ株式会社 画像解析装置、及び、ｘ線診断装置
WO2016019347A1 (en) 2014-07-31 2016-02-04 California Institute Of Technology Multi modality brain mapping system (mbms) using artificial intelligence and pattern recognition
US20160038092A1 (en) 2014-08-11 2016-02-11 Douglas A. Golay Applying non-real time and non-user attended algorithms to stored non-imaging data and existing imaging data for obtaining a dental diagnosis
US10061003B2 (en) 2014-09-01 2018-08-28 bioProtonics, L.L.C. Selective sampling for assessing structural spatial frequencies with specific contrast mechanisms
EP3207522A4 (de) 2014-10-13 2018-06-13 Agency For Science, Technology And Research Automatische segmentierung eines interessensbereiches und aufnahme von dynamischen, kontrastverstärkten bildern von kolorektalkarzinomen
JP6740136B2 (ja) 2014-11-27 2020-08-12 国立大学法人広島大学 シミュレータ、該シミュレータを備える注入装置又は撮像システム、及びシミュレーションプログラム
WO2016138449A1 (en) 2015-02-27 2016-09-01 Bayer Healthcare Llc Quantification phantom for use with multiple imaging modalities
US9959615B2 (en) 2015-07-01 2018-05-01 Arizona Board Of Regents On Behalf Of Arizona State University System and method for automatic pulmonary embolism detection
US20170016972A1 (en) 2015-07-13 2017-01-19 Siemens Medical Solutions Usa, Inc. Fast Prospective Motion Correction For MR Imaging
US10634753B2 (en) 2015-07-15 2020-04-28 Koninklijke Philips N.V. MR imaging with motion detection
US10157467B2 (en) 2015-08-07 2018-12-18 Arizona Board Of Regents On Behalf Of Arizona State University System and method for detecting central pulmonary embolism in CT pulmonary angiography images
US10176408B2 (en) 2015-08-14 2019-01-08 Elucid Bioimaging Inc. Systems and methods for analyzing pathologies utilizing quantitative imaging
WO2017035097A1 (en) 2015-08-21 2017-03-02 Duke University Systems and methods for determining image quality and models based on contrast injection protocols
CN112999464B (zh) 2015-08-28 2023-04-18 拜耳医药保健有限公司 针筒流体填充验证以及动力注射器系统特征的图像识别的系统和方法
DE102015217141A1 (de) * 2015-09-08 2017-03-09 Siemens Healthcare Gmbh Erzeugen von kontrastverstärkten Bilddaten von zu untersuchendem Brustgewebe
EP3383441A1 (de) 2015-11-30 2018-10-10 GE Healthcare AS Formulierungen mit einer kombination aus mrt-kontrastmitteln
US10645359B2 (en) 2015-12-16 2020-05-05 B<>Com Method for processing a digital image, device, terminal equipment and associated computer program
US9786058B2 (en) 2016-02-08 2017-10-10 Sony Corporation Method and system for segmentation of vascular structure in a volumetric image dataset
US20170245817A1 (en) 2016-02-10 2017-08-31 The Charles Stark Draper Laboratory, Inc. Systems and methods for imaging
DE102016204198B4 (de) 2016-03-15 2018-06-07 Siemens Healthcare Gmbh Verfahren zur Erzeugung von MR-Bildern mit prospektiver Bewegungskorrektur und teilvolumenspezifischer Gewichtung der Bildinformation
US10282588B2 (en) 2016-06-09 2019-05-07 Siemens Healthcare Gmbh Image-based tumor phenotyping with machine learning from synthetic data
CN110234400B (zh) * 2016-09-06 2021-09-07 医科达有限公司 用于生成合成医学图像的神经网络
US11544529B2 (en) 2016-09-07 2023-01-03 Koninklijke Philips N.V. Semi-supervised classification with stacked autoencoder
WO2018075386A1 (en) 2016-10-17 2018-04-26 Bayer Healthcare Llc Fluid injector with syringe engagement mechanism
US10933186B2 (en) 2016-11-22 2021-03-02 Bayer Healthcare Llc System and method for delivering a fluid with a consistent total volumetric flowrate
CN109983474A (zh) 2016-11-22 2019-07-05 海珀菲纳研究股份有限公司 用于磁共振图像中的自动检测的系统和方法
JP7098356B2 (ja) 2017-03-09 2022-07-11 ゼネラル・エレクトリック・カンパニイ Ｃｔ画像の色の視覚化のためのシステムおよび方法
US10096109B1 (en) 2017-03-31 2018-10-09 The Board Of Trustees Of The Leland Stanford Junior University Quality of medical images using multi-contrast and deep learning
JP7179757B2 (ja) 2017-04-25 2022-11-29 ザ ボード オブ トラスティーズ オブ ザ レランド スタンフォード ジュニア ユニバーシティー ディープ畳み込みニューラルネットワークを使用した医用画像化のための線量低減
US20180315183A1 (en) 2017-04-28 2018-11-01 General Electric Company System and method for monitoring an amount of a contrast agent within an object
WO2018202541A1 (de) 2017-05-02 2018-11-08 Bayer Aktiengesellschaft Verbesserungen bei der radiologischen erkennung chronisch thromboembolischer pulmonaler hypertonie
US10769823B2 (en) * 2017-06-22 2020-09-08 Canon Medical Systems Corporation Image processing apparatus, magnetic resonance imaging apparatus, and storage medium
JP6920904B2 (ja) 2017-07-04 2021-08-18 国立大学法人広島大学 シミュレータ、該シミュレータを備える注入装置又は撮像システム、及びシミュレーションプログラム
WO2019046299A1 (en) 2017-08-31 2019-03-07 Bayer Healthcare Llc FLUID PATH IMPEDANCE ASSESSMENT FOR IMPROVING FLUID DISTRIBUTION PERFORMANCE
US11631485B2 (en) 2017-09-26 2023-04-18 Koninklijke Philips N.V. System and method for joint clinical decision for pharmaceuticals
US10335106B2 (en) 2017-09-29 2019-07-02 Infinitt Healthcare Co., Ltd. Computing system and method for identifying and visualizing cerebral thrombosis based on medical images
EP3694413B1 (de) 2017-10-09 2025-06-11 The Board of Trustees of the Leland Stanford Junior University Kontrastmitteldosisreduktion für medizinische bildgebung unter verwendung von tiefenlernen
US11100621B2 (en) * 2017-10-20 2021-08-24 Imaging Biometrics, Llc Simulated post-contrast T1-weighted magnetic resonance imaging
CN118866316A (zh) 2017-10-31 2024-10-29 通用电气健康护理有限公司 用于诊断认知疾病病理和/或结果的医疗系统
EP3714784A4 (de) 2017-11-24 2021-08-04 Canon Medical Systems Corporation Vorrichtung zur verarbeitung medizinischer daten, magnetresonanzbildgebungsvorrichtung und verfahren zur erzeugung eines erlernten modells
CN108324244A (zh) 2018-01-03 2018-07-27 华东师范大学 用于ai+mri影像辅助诊断的自动增广训练样本的构建方法及系统
KR102001398B1 (ko) 2018-01-25 2019-07-18 재단법인 아산사회복지재단 기계학습을 통한 뇌질환 상태변화 예측방법, 장치 및 프로그램
CN111656392B (zh) 2018-02-15 2024-01-05 通用电气公司 用于合成磁共振图像的系统和方法
US11640682B2 (en) 2018-03-22 2023-05-02 The University Of North Carolina At Chapel Hill Methods, systems, and computer readable media for processing digital subtraction angiography (DSA) and computed tomography (CT) images for reducing radiation exposure in DSA and CT subjects
US11100632B2 (en) 2018-04-13 2021-08-24 Elekta, Inc. Image synthesis using adversarial networks such as for radiation therapy
US11982726B2 (en) 2018-04-13 2024-05-14 University Of Southern California Method for joint arterial input function and tracer kinetic parameter estimation in accelerated DCE-MRI using a model consistency constraint
SG11202010238PA (en) 2018-04-19 2020-11-27 Subtle Medical Inc Systems and methods for improving magnetic resonance imaging using deep learning
CN108703764B (zh) 2018-05-29 2021-11-05 北京东软医疗设备有限公司 血管造影方法、装置、系统、设备及存储介质
CN112313668A (zh) 2018-06-15 2021-02-02 深透医疗公司 使用深度学习进行磁共振成像标准化的系统和方法
EP3616620A1 (de) * 2018-08-28 2020-03-04 Koninklijke Philips N.V. Spektrale zweischichtige ct-geführte eingriffe
US11080895B2 (en) * 2018-10-30 2021-08-03 International Business Machines Corporation Generating simulated body parts for images
EP3649955A1 (de) 2018-11-07 2020-05-13 Koninklijke Philips N.V. Deep learning basierte spektrale bolusverfolgung
EP3657433B1 (de) 2018-11-22 2022-10-19 Siemens Healthcare GmbH Daten medizinischer bilder
DE102018222606A1 (de) 2018-12-20 2020-06-25 Siemens Healthcare Gmbh Verfahren und Vorrichtung zur Detektion eines anatomischen Merkmals eines Blutgefäßabschnittes
US10867375B2 (en) 2019-01-30 2020-12-15 Siemens Healthcare Gmbh Forecasting images for image processing
US11398026B2 (en) * 2019-03-28 2022-07-26 The Board Of Trustees Of The Leland Stanford Junior University Systems and methods for synthetic medical image generation
EP3726461B1 (de) * 2019-04-16 2021-10-27 Siemens Healthcare GmbH Verfahren und system zur erzeugung von synthetischen bildern mit schaltbaren bildkontrasten
DE102019207639A1 (de) 2019-05-24 2020-11-26 Siemens Healthcare Gmbh Verbesserte Berechnung der Kontrastmittelkonzentration
EP3756547A1 (de) 2019-06-28 2020-12-30 Koninklijke Philips N.V. Automatisierte koronarangiografieanalyse
US20210012486A1 (en) 2019-07-09 2021-01-14 Shenzhen Malong Technologies Co., Ltd. Image synthesis with generative adversarial network
CN110391016B (zh) 2019-07-10 2021-11-09 浙江大学 一种动态对比增强磁共振图像的分析方法
EP4031893B1 (de) 2019-09-18 2024-12-25 Bayer Aktiengesellschaft Erzeugung von mrt-aufnahmen der leber
JP7170897B2 (ja) 2019-09-30 2022-11-14 富士フイルム株式会社 学習装置、方法およびプログラム、画像生成装置、方法およびプログラム、並びに画像生成モデル
EP3804615A1 (de) 2019-10-08 2021-04-14 Bayer AG Erzeugung von mrt-aufnahmen der leber
CA3156921A1 (en) 2019-10-08 2021-04-15 Bayer Aktiengesellschaft Generation of mri images of the liver without contrast enhancement
US20230120273A1 (en) 2019-10-11 2023-04-20 Bayer Aktiengesellschaft Acceleration of mri examinations
EP3875979A1 (de) 2020-03-06 2021-09-08 Bayer Aktiengesellschaft Optimiertes verfahren für dynamische kontrastverstärkende magnetresonanztomographie
EP4128261A1 (de) 2020-04-03 2023-02-08 Bayer Aktiengesellschaft Erzeugen von radiologischen aufnahmen
US20210350935A1 (en) * 2020-05-06 2021-11-11 Quantitative Imaging Solutions, Llc Therapeutic response prediction based on synthetic tumor models
US11308613B2 (en) 2020-06-09 2022-04-19 Siemens Healthcare Gmbh Synthesis of contrast enhanced medical images
AU2021431204A1 (en) * 2021-03-02 2023-08-31 Bayer Aktiengesellschaft System, method, and computer program product for contrast-enhanced radiology using machine learning
US11719778B1 (en) * 2022-01-31 2023-08-08 Regents Of The University Of Michigan Multicontrast synthetic late gadolinium enhancement imaging using post-contrast magnetic resonance fingerprinting

Also Published As

Publication number Publication date
CA3177210A1 (en) 2021-10-07
US12394058B2 (en) 2025-08-19
WO2021197996A1 (de) 2021-10-07
CN115398555A (zh) 2022-11-25
JP7729836B2 (ja) 2025-08-26
US20230147968A1 (en) 2023-05-11
JP2023521640A (ja) 2023-05-25

Similar Documents

Publication Publication Date Title
WO2021197996A1 (de) Erzeugen von radiologischen aufnahmen
EP4031894B1 (de) Vorhersage von mrt-aufnahmen durch ein mittels überwachten lernens trainiertes vorhersagemodell
EP4041075B1 (de) Erzeugung von mrt-aufnahmen der leber ohne kontrastverstärkung
WO2022184297A1 (de) Maschinelles lernen im bereich der kontrastmittelverstärkten radiologie
EP4031893B1 (de) Erzeugung von mrt-aufnahmen der leber
EP4348573B1 (de) Maschinelles lernen im bereich der kontrastmittelverstärkten radiologie
EP4041057A1 (de) Beschleunigung von mrt-untersuchungen
EP3804615A1 (de) Erzeugung von mrt-aufnahmen der leber
EP4483197B1 (de) Vorhersage einer repräsentation eines untersuchungsbereichs eines untersuchungsobjekts in einem zustand einer folge von zuständen
EP4233726A1 (de) Vorhersage einer repräsentation eines untersuchungsbereichs eines untersuchungsobjekts nach der applikation unterschiedlicher mengen eines kontrastmittels
EP4143784B1 (de) Maschinelles lernen im bereich der kontrastmittelverstärkten radiologie
EP4581640A1 (de) Erzeugen von synthetischen radiologischen aufnahmen
DE102019217576A1 (de) Erfassung einer Fehlausrichtung
EP4336204A1 (de) Beschleunigen von mrt-untersuchungen der leber
EP4475137A1 (de) Erzeugen von künstlichen kontrastverstärkten radiologischen aufnahmen
WO2024046832A1 (de) Erzeugen von synthetischen radiologischen aufnahmen
WO2024251601A1 (de) Erzeugen von künstlichen kontrastverstärkten radiologischen aufnahmen
WO2024100234A1 (de) Erzeugung von künstlichen kontrastmittelverstärkten radiologischen aufnahmen

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20221103

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: EXAMINATION IS IN PROGRESS

17Q First examination report despatched

Effective date: 20250918