ES2955349T3 - Predicción de imágenes MRI mediante un modelo de predicción entrenado por aprendizaje supervisado - Google Patents
Predicción de imágenes MRI mediante un modelo de predicción entrenado por aprendizaje supervisado Download PDFInfo
- Publication number
- ES2955349T3 ES2955349T3 ES20772042T ES20772042T ES2955349T3 ES 2955349 T3 ES2955349 T3 ES 2955349T3 ES 20772042 T ES20772042 T ES 20772042T ES 20772042 T ES20772042 T ES 20772042T ES 2955349 T3 ES2955349 T3 ES 2955349T3
- Authority
- ES
- Spain
- Prior art keywords
- time
- period
- mri images
- examination area
- contrast agent
- 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.)
- Active
Links
- 239000002872 contrast media Substances 0.000 claims abstract description 132
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000004590 computer program Methods 0.000 claims abstract description 9
- 238000002595 magnetic resonance imaging Methods 0.000 claims description 195
- 210000004185 liver Anatomy 0.000 claims description 42
- 210000002767 hepatic artery Anatomy 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000013500 data storage Methods 0.000 claims description 11
- 210000002989 hepatic vein Anatomy 0.000 claims description 11
- 210000005229 liver cell Anatomy 0.000 claims description 11
- PCZHWPSNPWAQNF-LMOVPXPDSA-K 2-[[(2s)-2-[bis(carboxylatomethyl)amino]-3-(4-ethoxyphenyl)propyl]-[2-[bis(carboxylatomethyl)amino]ethyl]amino]acetate;gadolinium(3+);hydron Chemical group [Gd+3].CCOC1=CC=C(C[C@@H](CN(CCN(CC(O)=O)CC([O-])=O)CC([O-])=O)N(CC(O)=O)CC([O-])=O)C=C1 PCZHWPSNPWAQNF-LMOVPXPDSA-K 0.000 claims description 6
- 210000003494 hepatocyte Anatomy 0.000 claims description 5
- 210000001367 artery Anatomy 0.000 claims description 4
- 239000003795 chemical substances by application Substances 0.000 claims description 4
- 241000124008 Mammalia Species 0.000 claims description 2
- MXZROTBGJUUXID-UHFFFAOYSA-I [Gd+3].[O-]C(=O)CN(CC([O-])=O)CCN(CC(=O)[O-])CCN(CC([O-])=O)C(C([O-])=O)COCC1=CC=CC=C1 Chemical compound [Gd+3].[O-]C(=O)CN(CC([O-])=O)CCN(CC(=O)[O-])CCN(CC([O-])=O)C(C([O-])=O)COCC1=CC=CC=C1 MXZROTBGJUUXID-UHFFFAOYSA-I 0.000 claims description 2
- 210000004027 cell Anatomy 0.000 claims description 2
- 239000002616 MRI contrast agent Substances 0.000 claims 1
- 230000003111 delayed effect Effects 0.000 claims 1
- 230000005291 magnetic effect Effects 0.000 abstract description 13
- 230000001133 acceleration Effects 0.000 abstract description 2
- 238000012549 training Methods 0.000 description 10
- 230000003902 lesion Effects 0.000 description 8
- 206010028980 Neoplasm Diseases 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 7
- 230000033001 locomotion Effects 0.000 description 6
- 239000000126 substance Substances 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 229960001547 gadoxetic acid Drugs 0.000 description 5
- 210000002364 input neuron Anatomy 0.000 description 5
- 230000005415 magnetization Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000004904 shortening Methods 0.000 description 5
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 4
- 229940039231 contrast media Drugs 0.000 description 4
- 210000005228 liver tissue Anatomy 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 210000001519 tissue Anatomy 0.000 description 4
- 238000010200 validation analysis Methods 0.000 description 4
- 210000003462 vein Anatomy 0.000 description 4
- 229910052688 Gadolinium Inorganic materials 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 239000008280 blood Substances 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 210000004204 blood vessel Anatomy 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- UIWYJDYFSGRHKR-UHFFFAOYSA-N gadolinium atom Chemical compound [Gd] UIWYJDYFSGRHKR-UHFFFAOYSA-N 0.000 description 3
- 206010073071 hepatocellular carcinoma Diseases 0.000 description 3
- 231100000844 hepatocellular carcinoma Toxicity 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000002347 injection Methods 0.000 description 3
- 239000007924 injection Substances 0.000 description 3
- 238000001990 intravenous administration Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 210000000056 organ Anatomy 0.000 description 3
- 210000004205 output neuron Anatomy 0.000 description 3
- 230000005298 paramagnetic effect Effects 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- QXNVGIXVLWOKEQ-UHFFFAOYSA-N Disodium Chemical class [Na][Na] QXNVGIXVLWOKEQ-UHFFFAOYSA-N 0.000 description 2
- 208000004057 Focal Nodular Hyperplasia Diseases 0.000 description 2
- 206010027476 Metastases Diseases 0.000 description 2
- 230000036770 blood supply Effects 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 208000031513 cyst Diseases 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000003748 differential diagnosis Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- OCDAWJYGVOLXGZ-VPVMAENOSA-K gadobenate dimeglumine Chemical compound [Gd+3].CNC[C@H](O)[C@@H](O)[C@H](O)[C@H](O)CO.CNC[C@H](O)[C@@H](O)[C@H](O)[C@H](O)CO.OC(=O)CN(CC([O-])=O)CCN(CC([O-])=O)CCN(CC(O)=O)C(C([O-])=O)COCC1=CC=CC=C1 OCDAWJYGVOLXGZ-VPVMAENOSA-K 0.000 description 2
- HZHFFEYYPYZMNU-UHFFFAOYSA-K gadodiamide Chemical compound [Gd+3].CNC(=O)CN(CC([O-])=O)CCN(CC([O-])=O)CCN(CC([O-])=O)CC(=O)NC HZHFFEYYPYZMNU-UHFFFAOYSA-K 0.000 description 2
- DPNNNPAKRZOSMO-UHFFFAOYSA-K gadoteridol Chemical compound [Gd+3].CC(O)CN1CCN(CC([O-])=O)CCN(CC([O-])=O)CCN(CC([O-])=O)CC1 DPNNNPAKRZOSMO-UHFFFAOYSA-K 0.000 description 2
- 229910052742 iron Inorganic materials 0.000 description 2
- WTFXARWRTYJXII-UHFFFAOYSA-N iron(2+);iron(3+);oxygen(2-) Chemical group [O-2].[O-2].[O-2].[O-2].[Fe+2].[Fe+3].[Fe+3] WTFXARWRTYJXII-UHFFFAOYSA-N 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 210000003240 portal vein Anatomy 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000003936 working memory Effects 0.000 description 2
- ZPDFIIGFYAHNSK-CTHHTMFSSA-K 2-[4,10-bis(carboxylatomethyl)-7-[(2r,3s)-1,3,4-trihydroxybutan-2-yl]-1,4,7,10-tetrazacyclododec-1-yl]acetate;gadolinium(3+) Chemical compound [Gd+3].OC[C@@H](O)[C@@H](CO)N1CCN(CC([O-])=O)CCN(CC([O-])=O)CCN(CC([O-])=O)CC1 ZPDFIIGFYAHNSK-CTHHTMFSSA-K 0.000 description 1
- 208000004930 Fatty Liver Diseases 0.000 description 1
- 208000032843 Hemorrhage Diseases 0.000 description 1
- 206010019708 Hepatic steatosis Diseases 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- QPCDCPDFJACHGM-UHFFFAOYSA-N N,N-bis{2-[bis(carboxymethyl)amino]ethyl}glycine Chemical group OC(=O)CN(CC(O)=O)CCN(CC(=O)O)CCN(CC(O)=O)CC(O)=O QPCDCPDFJACHGM-UHFFFAOYSA-N 0.000 description 1
- 208000023146 Pre-existing disease Diseases 0.000 description 1
- 102000007562 Serum Albumin Human genes 0.000 description 1
- 108010071390 Serum Albumin Proteins 0.000 description 1
- 238000008050 Total Bilirubin Reagent Methods 0.000 description 1
- 230000003187 abdominal effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 125000004429 atom Chemical group 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000013535 dynamic contrast enhanced MRI Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005281 excited state Effects 0.000 description 1
- 208000010706 fatty liver disease Diseases 0.000 description 1
- 229940096814 gadobenate dimeglumine Drugs 0.000 description 1
- ZPDFIIGFYAHNSK-UHFFFAOYSA-K gadobutrol Chemical compound [Gd+3].OCC(O)C(CO)N1CCN(CC([O-])=O)CCN(CC([O-])=O)CCN(CC([O-])=O)CC1 ZPDFIIGFYAHNSK-UHFFFAOYSA-K 0.000 description 1
- 229960003411 gadobutrol Drugs 0.000 description 1
- 229960005063 gadodiamide Drugs 0.000 description 1
- 229940044350 gadopentetate dimeglumine Drugs 0.000 description 1
- LGMLJQFQKXPRGA-VPVMAENOSA-K gadopentetate dimeglumine Chemical compound [Gd+3].CNC[C@H](O)[C@@H](O)[C@H](O)[C@H](O)CO.CNC[C@H](O)[C@@H](O)[C@H](O)[C@H](O)CO.OC(=O)CN(CC([O-])=O)CCN(CC([O-])=O)CCN(CC(O)=O)CC([O-])=O LGMLJQFQKXPRGA-VPVMAENOSA-K 0.000 description 1
- 229960003823 gadoteric acid Drugs 0.000 description 1
- GFSTXYOTEVLASN-UHFFFAOYSA-K gadoteric acid Chemical compound [Gd+3].OC(=O)CN1CCN(CC([O-])=O)CCN(CC([O-])=O)CCN(CC([O-])=O)CC1 GFSTXYOTEVLASN-UHFFFAOYSA-K 0.000 description 1
- 229960005451 gadoteridol Drugs 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 201000011066 hemangioma Diseases 0.000 description 1
- 125000004435 hydrogen atom Chemical group [H]* 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003834 intracellular effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 230000001404 mediated effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000002105 nanoparticle Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000002405 nuclear magnetic resonance imaging agent Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 229960003330 pentetic acid Drugs 0.000 description 1
- 230000010412 perfusion Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000002271 resection Methods 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 230000036387 respiratory rate Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 231100000240 steatosis hepatitis Toxicity 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
- G06T7/0014—Biomedical image inspection using an image reference approach
- G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
-
- G—PHYSICS
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
- A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/42—Detecting, measuring or recording for evaluating the gastrointestinal, the endocrine or the exocrine systems
- A61B5/4222—Evaluating particular parts, e.g. particular organs
- A61B5/4244—Evaluating particular parts, e.g. particular organs liver
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61K—PREPARATIONS FOR MEDICAL, DENTAL OR TOILETRY PURPOSES
- A61K49/00—Preparations for testing in vivo
- A61K49/06—Nuclear magnetic resonance [NMR] contrast preparations; Magnetic resonance imaging [MRI] contrast preparations
- A61K49/08—Nuclear magnetic resonance [NMR] contrast preparations; Magnetic resonance imaging [MRI] contrast preparations characterised by the carrier
- A61K49/10—Organic compounds
- A61K49/101—Organic compounds the carrier being a complex-forming compound able to form MRI-active complexes with paramagnetic metals
- A61K49/103—Organic compounds the carrier being a complex-forming compound able to form MRI-active complexes with paramagnetic metals the complex-forming compound being acyclic, e.g. DTPA
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30056—Liver; Hepatic
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Abstract
La invención se refiere al campo de la aceleración de exámenes por resonancia magnética y, en particular, a un método, un sistema, un producto de programa informático, un uso, un agente de contraste para usar y un kit. (Traducción automática con Google Translate, sin valor legal)
Description
DESCRIPCIÓN
Predicción de imágenes MRI mediante un modelo de predicción entrenado por aprendizaje supervisado
La presente invención se refiere a la aceleración de los exámenes por resonancia magnética, en particular en la detección y el diagnóstico diferencial de lesiones hepáticas focales mediante imágenes por resonancia magnética (MRI) dinámicas que realzan el contraste. Objetos de la presente invención son un procedimiento, un sistema y un producto de programa informático para predecir imágenes MRI, en particular del hígado durante la fase hepatobiliar.
La tomografía por resonancia magnética, abreviada MRT o MR (MRI: Imágenes por resonancia magnética), es una técnica utilizada para medir el campo magnético del cerebro: La resonancia magnética es una técnica de diagnóstico por imagen utilizada principalmente en medicina para describir la estructura y función de los tejidos y órganos del cuerpo humano o animal.
En las imágenes MR, los momentos magnéticos de los protones de un objeto examinado se alinean en un campo magnético fundamental, de modo que la magnetización macroscópica se produce a lo largo de una dirección longitudinal. A continuación, se desvía de su posición de reposo mediante la irradiación de impulsos de alta frecuencia (HF) (excitación). El retorno de los estados excitados a la posición de reposo (relajación) o la dinámica de magnetización se detectan entonces como señales de relajación mediante una o varias bobinas receptoras de RF. Para la codificación de la localización, se superponen al campo magnético básico campos de gradiente magnético conmutados rápidamente. Las señales de relajación adquiridas o los datos de Mr detectados y resueltos espacialmente están disponibles inicialmente como datos brutos en un espacio de frecuencia espacial y pueden transformarse en el espacio espacial (espacio de imagen) mediante la posterior transformación de Fourier.
En la MR nativa, los contrastes tisulares se generan por los diferentes tiempos de relajación (T1 y T2) y la densidad de protones.
La relajación T1 describe la transición de la magnetización longitudinal a su estado de equilibrio, en el que T1 es el tiempo necesario para alcanzar el 63,21% de la magnetización de equilibrio antes de la excitación de resonancia. También se denomina tiempo de relajación longitudinal o tiempo de relajación espín-red.
La relajación T2 describe de forma análoga la transición de la magnetización transversal a su estado de equilibrio. Los medios de contraste de MR ejercen su efecto alterando los tiempos de relajación de las estructuras que absorben los medios de contraste. Se pueden distinguir dos grupos de sustancias: para- y superparamagnéticas. Ambos grupos de sustancias tienen electrones no apareados que inducen un campo magnético alrededor de los átomos o moléculas individuales.
Los superparamagnéticos conducen a un acortamiento predominante de T2, mientras que los medios de contraste paramagnéticos conducen esencialmente a un acortamiento de T1. El acortamiento del tiempo T1 provoca un aumento de la intensidad de la señal en las exploraciones de MR ponderadas en T1, mientras que el acortamiento del tiempo T2 provoca una disminución de la intensidad de la señal en las exploraciones de MR ponderadas en T2.
El efecto de estos agentes de contraste es indirecto, ya que el propio agente de contraste no emite una señal, sino que sólo influye en la intensidad de la señal de los protones de hidrógeno de su entorno.
Un ejemplo de un agente de contraste superparamagnético son las nanopartículas de óxido de hierro superparamagnético (SPIO).
Ejemplos de agentes de contraste paramagnéticos son los quelatos de gadolinio como el gadopentetato de dimeglumina (nombre comercial: Ma9nevis|® y otros), gadobenato dimeglumina (nombre comercial: Multihance®), ácido gadoterico(D°tarem®,D°tagita®,Cycl°lux®), gadodiamida(Omniscan®), gadoteridol(ProHance®) y gadobutrol(Gadovist®).
Según su patrón de distribución en el tejido, pueden distinguirse los medios de contraste extracelulares, intracelulares e intravasculares.
Los medios de contraste a base de ácido gadoxético se caracterizan porque son captados específicamente por las células hepáticas, los hepatocitos, se acumulan en el tejido funcional (parénquima) y potencian los contrastes en el tejido hepático sano. Las células de los quistes, las metástasis y la mayoría de los carcinomas hepatocelulares ya no funcionan como las células hepáticas normales, no absorben el medio de contraste o apenas lo hacen, no se visualizan de forma realzada y, por tanto, se vuelven reconocibles y localizables.
Ejemplos de agentes de contraste basados en ácido gadoxético se describen en el documento US 6,039,931A; están disponibles comercialmente, por ejemplo, bajo las marcas™™'"5'® o™'"'3'® .
El efecto de mejora del contraste deP^im°vis,®/E°vis,® está mediado por el complejo de gadolinio estable Gd-EOB-DTPA (gadolinio-etoxibencil-diethylenetriamine-pentaacetic acid). El DTPA forma un complejo con el ion paramagnético gadolinio que tiene una estabilidad termodinámica extremadamente alta. El radical etoxibencílico (EOB) es el mediador de la captación hepatobiliar del agente de contraste.
rnrrovkst® puede utilizarse para detectar tumores en el hígado. El suministro de sangre al tejido hepático sano se realiza principalmente a través de la vena porta, mientras que la arteria hepática suministra sangre a la mayoría de los tumores primarios. Por consiguiente, tras la inyección intravenosa en bolo de un agente de contraste, puede observarse un retraso temporal entre el realce de la señal del parénquima hepático sano y el tumor.
Además de los tumores malignos, es frecuente encontrar en el hígado lesiones benignas como quistes, hemangiomas e hiperplasia nodular focal (HNF). Para una planificación terapéutica adecuada, deben diferenciarse de los tumores malignos. Primovist® puede utilizarse para detectar lesiones hepáticas focales benignas y malignas. Proporciona información sobre el carácter de estas lesiones mediante RM ponderada en T 1-. Para la diferenciación se utilizan la diferente irrigación sanguínea del hígado y del tumor y el curso temporal del aumento del contraste.
El aumento del contraste conseguido mediantePrim°vist® puede dividirse en al menos dos fases: una fase dinámica (que comprende la denominada fase arterial, la fase venosa portal y la fase tardía) y la fase hepatobiliar, en la que ya se ha producido una captación significativa de™™'"5'® en los hepatocitos.
Con el realce del contraste conseguido por™™"^® durante la fase de inundación, se observan patrones de perfusión típicos que proporcionan información para la caracterización de las lesiones. Las imágenes de vascularización ayudan a caracterizar los tipos de lesión y a determinar la relación espacial entre el tumor y los vasos sanguíneos.
En las imágenes de RM ponderadas en T1,P^im°vis,® 10-20 minutos después de la inyección (en la fase hepatobiliar) produce un claro realce de la señal en el parénquima hepático sano, mientras que las lesiones que no contienen hepatocitos o contienen pocos, por ejemplo, metástasis o carcinomas hepatocelulares (CHC) moderada o pobremente diferenciados, aparecen como zonas más oscuras.
El seguimiento temporal de la distribución del agente de contraste a lo largo de la fase dinámica y la fase hepatobiliar ofrece, por un lado, una buena posibilidad para la detección y el diagnóstico diferencial de lesiones hepáticas focales; por otro lado, sin embargo, el examen se prolonga durante un periodo de tiempo comparativamente largo. Durante este periodo de tiempo, debe evitarse el movimiento del paciente para minimizar los artefactos de movimiento en las exploraciones de MR. La restricción prolongada del movimiento puede resultar incómoda para el paciente.
En base al estado de la técnica descrito, la tarea técnica consistía en hacer el examen menos desagradable para el paciente.
Este problema técnico se resuelve mediante el objeto de las reivindicaciones independientes 1, 10 y 15. Las realizaciones preferentes de la presente invención pueden encontrarse en las reivindicaciones de patente dependientes, en esta descripción y en los dibujos. Mediante la presente invención, se reduce considerablemente el período de tiempo del examen MRI, lo que supone un alivio para el paciente.
Un primer objeto de la presente invención es un procedimiento implementado por ordenador según la reivindicación 1 que comprende las etapas de
• - recibir una pluralidad de primeras imágenes MRI, al menos una porción de las primeras imágenes MRI mostrando un área de examen durante un primer período de tiempo después de una aplicación de un agente de contraste,
• - alimentar la pluralidad de primeras imágenes MRI a un modelo de predicción, en el que el modelo de predicción ha sido entrenado usando imágenes MRI de referencia mediante aprendizaje supervisado para generar una o más segundas imágenes MRI de referencia a partir de primeras imágenes MRI de referencia, al menos una porción de las cuales muestra un área de examen durante un primer periodo de tiempo después de una aplicación de un agente de contraste, que muestran el área de examen durante un segundo periodo de tiempo, en el que el segundo periodo de tiempo sigue temporalmente al primer periodo de tiempo,
• - generar, mediante el modelo de predicción, una o más imágenes MRI predichas que muestren el área de examen durante un segundo periodo de tiempo, el segundo periodo de tiempo temporalmente posterior al primer periodo de tiempo,
• - mostrar y/o enviar una o más imágenes MRI predichas y/o almacenar una o más imágenes MRI predichas en un medio de almacenamiento de datos, en el que el área de examen es un hígado o una porción de un hígado humano, en la que el agente de contraste es un agente de contraste hepatobiliar, en el
que el primer periodo de tiempo comienza en un período de tiempo de entre un minuto y un segundo antes de la aplicación del agente de contraste o con la aplicación del agente de contraste, y continúa durante un período de tiempo de entre 2 minutos y 15 minutos desde la aplicación del agente de contraste, y en el que el segundo periodo de tiempo comienza al menos 10 minutos después de la aplicación del agente de contraste.
Otro objeto de la presente invención es un sistema que comprende
• una unidad receptora,
• una unidad de control y cálculo y
• una unidad de salida,
en el que la unidad de control y computación está configurada para hacer que la unidad receptora reciba una pluralidad de primeras imágenes MRI, mostrando al menos una parte de las primeras imágenes MRI un área de examen durante un primer periodo de tiempo tras la aplicación de un agente de contraste,
en el que la unidad de control y computación está configurada para predecir una o más segundas imágenes MRI en base a las primeras imágenes MRI recibidas utilizando un modelo de predicción, en el que la una o más segundas imágenes MRI muestran el área de examen durante un segundo periodo de tiempo, en el que el segundo periodo de tiempo sigue temporalmente al primer periodo de tiempo,
en el que la unidad de control y cálculo está configurada para hacer que la unidad de salida muestre, emita o almacene en un medio de almacenamiento de datos la una o más segundas imágenes MRI,
en el que el modelo de predicción se ha entrenado mediante aprendizaje supervisado para predecir, a partir de imágenes MRI de referencia, al menos parte de las cuales muestran un área de examen durante un primer período de tiempo tras la aplicación de un agente de contraste, una o más imágenes MRI de referencia que muestran el área de examen durante un segundo período de tiempo, siendo el segundo período de tiempo posterior en el tiempo al primer período de tiempo, en el que el área de examen es un hígado o una porción de un hígado de un humano, en el que el agente de contraste es un agente de contraste hepatobiliar, en el que el primer periodo de tiempo comienza en un período de tiempo de un minuto a un segundo antes de la aplicación del agente de contraste o con la aplicación del agente de contraste, y continúa durante un período de tiempo de 2 minutos a 15 minutos desde la aplicación del agente de contraste, y en el que el segundo periodo de tiempo comienza al menos 10 minutos después de la aplicación del agente de contraste.
Otro objeto de la presente invención es un producto de programa de ordenador según la reivindicación 11 que comprende un
Programa informático que puede cargarse en la memoria de trabajo de un sistema informático y que hace que éste realice las siguientes etapas:
• - recibir una pluralidad de primeras imágenes MRI, al menos una porción de las primeras imágenes MRI mostrando un área de examen durante un primer período de tiempo después de una aplicación de un agente de contraste,
• - alimentar la pluralidad de primeras imágenes MRI a un modelo de predicción, en el que el modelo de predicción ha sido entrenado utilizando imágenes MRI de referencia mediante aprendizaje supervisado para predecir a partir de las primeras imágenes MRI de referencia, al menos una parte de las cuales muestran un área de examen durante un primer período de tiempo tras la aplicación de un agente de contraste, una o más segundas imágenes MRI de referencia que muestran el área de examen durante un segundo período de tiempo, en el que el segundo período de tiempo sigue temporalmente al primero,
• - generar, mediante el modelo de predicción, una o más imágenes MRI predichas que muestren el área de examen durante un segundo periodo de tiempo, el segundo periodo de tiempo temporalmente posterior al primer periodo de tiempo,
• - mostrar y/o enviar una o más imágenes MRI predichas y/o almacenar una o más imágenes MRI predichas en un medio de almacenamiento de datos,
en el que el modelo de predicción se ha entrenado mediante aprendizaje supervisado para predecir, a partir de imágenes MRI de referencia, al menos parte de las cuales muestran un área de examen durante un primer período de tiempo tras la aplicación de un agente de contraste, una o más imágenes MRI de referencia que muestran el área de
examen durante un segundo período de tiempo, siendo el segundo período de tiempo posterior en el tiempo al primer período de tiempo, en el que el área de examen es un hígado o una porción de un hígado de un humano, en el que el agente de contraste es un agente de contraste hepatobiliar, en el que el primer periodo de tiempo comienza en un período de tiempo de un minuto a un segundo antes de la aplicación del agente de contraste o con la aplicación del agente de contraste, y continúa durante un período de tiempo de 2 minutos a 15 minutos desde la aplicación del agente de contraste, y en el que el segundo periodo de tiempo comienza al menos 10 minutos después de la aplicación del agente de contraste.
Otro objeto de la presente invención es el uso de un agente de contraste en un procedimiento de MRI después de que se haya aplicado y distribuido un agente de contraste en un área de examen, según la reivindicación 12, en el que el procedimiento de MRI comprende las siguientes etapas:
• producir una pluralidad de primeras imágenes MRI de el área de examen durante un primer periodo de tiempo
• alimentar las primeras imágenes MRI generadas a un modelo de predicción, en el que el modelo de predicción ha sido entrenado usando imágenes MRI de referencia mediante aprendizaje supervisado para predecir una o más segundas imágenes MRI de referencia que muestran el área de examen durante un segundo periodo de tiempo a partir de primeras imágenes MRI de referencia que muestran un área de examen durante un primer periodo de tiempo, en el que el segundo periodo de tiempo sigue temporalmente al primer periodo de tiempo,
• recibir una o más imágenes MRI predichas que muestren el área de examen durante un segundo periodo de tiempo como salida del modelo de predicción, siendo el segundo periodo de tiempo posterior en el tiempo al primero,
• - mostrar y/o enviar una o más imágenes MRI predichas y/o almacenar una o más imágenes MRI predichas en un medio de almacenamiento de datos,
en el que el área de examen es un hígado o una porción de un hígado de un humano, en el que el agente de contraste es un agente de contraste hepatobiliar, en el que el primer periodo de tiempo comienza en un período de tiempo de un minuto a un segundo antes de la aplicación del agente de contraste o con la aplicación del agente de contraste, y continúa durante un período de tiempo de 2 minutos a 15 minutos desde la aplicación del agente de contraste, y en el que el segundo periodo de tiempo comienza al menos 10 minutos después de la aplicación del agente de contraste.
Otro objeto es un kit según la reivindicación 13 que comprende un agente de contraste y el producto de programa de ordenador según la invención, en el que el agente de contraste es un agente de contraste de resonancia magnética hepatobiliar.
La invención se explica con más detalle a continuación sin distinguir entre los objetos de la invención (procedimiento, sistema, producto de programa informático). Más bien, las siguientes explicaciones pretenden aplicarse por analogía a todos los objetos de la invención, independientemente del contexto (proceso, sistema, producto de programa informático, uso, kit) en el que se realicen Si se mencionan etapas en un orden en la presente descripción o en las reivindicaciones de la patente, esto no significa necesariamente que la invención se limite al orden mencionado. Más bien, es concebible que las etapas también puedan realizarse en un orden diferente o también en paralelo; a menos que una etapa se base en otra etapa, lo que hace imperativo que la etapa que se construye se ejecute posteriormente (lo que quedará claro en casos individuales). Las secuencias mencionadas representan así formas de realización preferentes del procedimiento de acuerdo con la invención.
La presente invención acorta el periodo de tiempo de examen de un sujeto sometido a examen al generar imágenes MRI. Esto se consigue midiendo imágenes m R i de un área de examen del sujeto en un primer periodo de tiempo (medición por resonancia magnética) y, a continuación, utilizando las imágenes MRI medidas para predecir una o más imágenes MRI que muestren el área de examen en un segundo periodo de tiempo mediante un algoritmo de autoaprendizaje. De este modo, la medición por resonancia magnética real en el sujeto examinado se limita al primer período de tiempo y no incluye el segundo. Las imágenes MRI que muestran el área de examen durante el primer periodo de tiempo contienen información que permite realizar una predicción para el segundo periodo de tiempo.
El sujeto de examen suele ser un ser vivo, preferentemente un mamífero; según la invención, el sujeto de examen es un ser humano. el área de examen es una parte del sujeto de examen, por ejemplo, un órgano o una parte de un órgano. Según la invención, la zona a examinar es el hígado o una porción de un hígado de un ser humano.
El área de examen, también denominada campo de visión (FOV), representa en concreto un volumen que se visualiza en las imágenes MRI. La zona que debe examinarse suele determinarla un radiólogo, por ejemplo en una imagen general: localizador). Por supuesto, el área de examen también puede determinarse alternativa o adicionalmente de forma automática, por ejemplo sobre la base de un protocolo seleccionado.
El área de examen se coloca en un campo magnético básico. El área de examen se somete a un procedimiento de MRI y se genera una pluralidad de imágenes MRI que muestran el área de examen durante un periodo inicial de tiempo. Estas imágenes MRI generadas por la medición durante el primer período de tiempo también se denominan primeras imágenes MRI en esta descripción.
El término plural significa que se generan al menos dos (primeras) imágenes MRI, preferentemente al menos tres (primeras), muy preferentemente al menos cuatro (primeras) imágenes MRI.
Se administra un medio de contraste al sujeto de examen, que se distribuye en el área de examen. El medio de contraste se administra preferentemente por vía intravenosa en forma de bolo adaptado al peso (por ejemplo, en una vena del brazo).
Un agente de contraste es una sustancia o mezcla de sustancias cuya presencia en una resonancia magnética provoca una alteración de la señal. Preferentemente, el agente de contraste provoca un acortamiento del tiempo de relajación T1 y/o del tiempo de relajación T2.
Según la invención, el agente de contraste es un agente de contraste hepatobiliar como, por ejemplo, Gd-EOB-DTPA o Gd-BOPTA.
En una realización particularmente preferente, el agente de contraste es una sustancia o una mezcla de sustancias que contienen ácido gadoxético o una sal de ácido gadoxético como agente potenciador del contraste. Muy preferentemente, se trata de la sal disódica del ácido gadoxético (Gd-EOB-DTPA disódico).
Según la invención, el primer período de tiempo comienza antes de la aplicación del medio de contraste o con la aplicación del medio de contraste. Es ventajoso que se produzcan una o más imágenes MRI que muestren el área de examen sin medio de contraste (imágenes nativas), ya que un radiólogo puede obtener información importante sobre el estado de salud del objeto examinado en dichas imágenes. Por ejemplo, un radiólogo puede detectar hemorragias en esas imágenes nativas de resonancia magnética.
El primer período de tiempo comprende preferentemente la inundación del área de examen con el medio de contraste. Preferentemente, el primer período de tiempo comprende la fase arterial y/o la fase venosa portal y/o la fase tardía en imágenes MRI dinámica potenciada por contraste de un hígado o una porción de un hígado de un sujeto sometido a examen. Las fases mencionadas se definen y describen, por ejemplo, en las siguientes publicaciones: Abdominal Imaging, 2015, Vol. 40, 64-75, DOI: 10.1007/S00261-014-0188-8, J.
Magn. Reson. Imaging, 2012, 35(3): 492-511, doi:10.1002/jmri.22833; Clujul Medical, 2015, Vol. 88 no. 4. 438-448, DOI: 10.15386/cjmed-414; Revista de Hepatología, 2019, Vol. 71: 534-542, http://dx.doi.org/10.1016/j.jhep.2019.05.005).
En una realización preferente, el primer periodo de tiempo se selecciona para producir dichas imágenes MRI del hígado o una porción de un hígado de un sujeto,
(i) que muestra el área de examen sin medio de contraste,
(ii) que muestra el área de examen durante la fase arterial en la que el medio de contraste se propaga por las arterias del área de examen,
(iii) que muestra el área de examen durante la fase venosa portal en la que el medio de contraste entra en el área de examen a través de la vena porta; y
(iv) que muestra el área de examen durante la fase tardía, cuando la concentración del agente de contraste en las arterias y venas disminuye y la concentración del agente de contraste en las células hepáticas aumenta.
Según la invención, el primer período de tiempo comienza en un período de tiempo de un minuto a un segundo antes de la aplicación del agente de contraste, o con la aplicación del agente de contraste, y dura desde la aplicación del agente de contraste durante un período de tiempo de 2 minutos a 15 minutos, preferentemente de 2 minutos a 13 minutos, aún más preferentemente de 3 minutos a 10 minutos. Dado que el medio de contraste se excreta por vía renal y bilateral muy lentamente, el segundo período puede durar hasta dos horas o más después de la aplicación del medio de contraste.
Dado que el medio de contraste puede propagarse a diferentes velocidades en diferentes objetos de examen, el primer período de tiempo también puede definirse por las concentraciones de medio de contraste en las diferentes zonas del área de examen. En la figura 1 se muestra una posibilidad. La figura 1 muestra esquemáticamente el curso temporal de las concentraciones de medio de contraste en las arterias hepáticas (A), las venas hepáticas (V) y las células hepáticas sanas (P). Las concentraciones se muestran en forma de intensidades de señal I en las zonas mencionadas
(arterias hepáticas, venas hepáticas, células hepáticas) durante la medición por resonancia magnética en función del tiempo t. Con una inyección intravenosa en bolo, la concentración del agente de contraste en las arterias hepáticas (A) aumenta primero (curva discontinua). La concentración pasa por un máximo y luego desciende. La concentración en las venas hepáticas (V) aumenta más lentamente que en las arterias hepáticas y alcanza su máximo más tarde (curva de puntos). La concentración del agente de contraste en las células hepáticas sanas (P) aumenta lentamente (curva sólida) y alcanza su máximo sólo en un momento mucho más tardío (el máximo no se muestra en la Figura 1). Se pueden definir algunos puntos característicos en el tiempo: En el momento TP0, el medio de contraste se aplica por vía intravenosa en forma de bolo. En el momento TP1, la concentración (la intensidad de la señal) del agente de contraste en las arterias hepáticas alcanza su máximo. En el tiempo TP2, las curvas de intensidades de señal se cruzan en las arterias hepáticas y las venas hepáticas. En TP3, la concentración (intensidad de la señal) del agente de contraste en las venas hepáticas alcanza su máximo. En el momento TP4, las curvas de las intensidades de señal se cruzan en las arterias hepáticas y las células hepáticas. En el tiempo T5, las concentraciones en las arterias hepáticas y las venas hepáticas han disminuido a un nivel en el que ya no causan un aumento medible del contraste.
En una realización preferente, el primer período de tiempo comprende al menos los puntos temporales TP0, TP1, TP2, TP3 y TP4.
En una realización preferente, se generan (metrológicamente) al menos imágenes MRI de todas las fases siguientes: en un período de tiempo anterior a TP0, en el período de tiempo de TP0 a TP1, en el período de tiempo de TP1 a TP2, en el período de tiempo de TP2 a TP3, y en el período de tiempo de TP3 a TP4.
Es concebible que en los periodos de tiempo anteriores a TP0, de TP0 a TP1, de TP1 a TP2, de TP2 a TP3 y de TP3 a TP4, se generen (metrológicamente) una o más imágenes MRI en cada caso. . También es concebible que las secuencias de imágenes MRI se generen (metrológicamente) durante uno o más periodos de tiempo.
El término secuencia significa orden cronológico, es decir, se generan varias imágenes MRI que muestran el área de examen en momentos sucesivos.
Se asigna un punto temporal a cada resonancia magnética o se puede asignar un punto temporal a cada resonancia magnética. Normalmente, este tiempo es el tiempo en el que se generó la imagen MRI (tiempo absoluto). ). El experto sabe que la generación de una imagen de resonancia magnética requiere cierto tiempo. A una resonancia magnética se le puede asignar, por ejemplo, la hora a la que se inició la exploración o la hora a la que se completó. Sin embargo, también es concebible que se asignen puntos temporales arbitrarios a las imágenes MRI (por ejemplo, puntos temporales relativos).
Usando un punto en el tiempo, una exploración MRT se puede clasificar en términos de tiempo en relación con otra exploración MRT; en base al punto en el tiempo de una resonancia magnética, se puede determinar si el momento que se muestra en la resonancia magnética ocurrió antes o después de un momento que se muestra en otra resonancia magnética.
Preferentemente, las imágenes MRI se ordenan temporalmente en una secuencia y una pluralidad tales que las imágenes MRI que muestran una condición anterior del área de examen se disponen en la secuencia o la pluralidad antes de tales imágenes MRI que muestran una condición posterior del área de examen.
El período de tiempo entre dos imágenes MRI inmediatamente siguientes en una secuencia y/o pluralidad es preferentemente el mismo para todos los pares de imágenes MRI inmediatamente siguientes en la secuencia y/o pluralidad, es decir, las imágenes MRI se generaron preferentemente a una velocidad de adquisición constante.
En base a las (primeras) imágenes MRI generadas (metrológicamente) durante el primer período de tiempo, se predice una segunda imagen MRI o múltiples segundas imágenes MRI que muestran el área de examen durante un segundo período de tiempo Las resonancias magnéticas previstas para el segundo periodo de tiempo también se denominan segundas resonancias magnéticas en esta descripción.
En una realización preferente de la presente invención, el segundo período de tiempo sigue al primer período de tiempo.
El segundo período de tiempo es preferentemente un período de tiempo dentro de la fase hepatobiliar; según la invención, es un período de tiempo que comienza al menos 10 minutos después de la aplicación del agente de contraste, preferentemente al menos 20 minutos después de la aplicación del agente de contraste.
La mayoría de las imágenes MRI medidas que muestran el área de examen durante el primer periodo de tiempo se introducen en un modelo de predicción. El modelo de predicción es un modelo configurado para predecir, en base a una pluralidad de exploraciones de MRI que muestran un área de examen durante un primer periodo de tiempo, una o más exploraciones de MRI que muestran el área de examen durante un segundo periodo de tiempo.
Aquí, el término "predicción" significa que las imágenes MRI que muestran el área de examen durante el segundo periodo de tiempo se calculan utilizando las imágenes MRI que muestran el área de examen durante el primer periodo de tiempo.
Según la invención, el modelo de predicción se construyó utilizando un algoritmo de autoaprendizaje en un aprendizaje automático supervisado. Para el aprendizaje se utilizan datos de entrenamiento que comprenden un gran número de resonancias magnéticas del primer y segundo periodos de tiempo. En esta descripción, estos datos de entrenamiento también se denominan MRI de referencia. Las exploraciones por MRI de referencia generadas durante el primer periodo de tiempo también se denominan primeras exploraciones por MRI de referencia; las exploraciones por MRI de referencia generadas durante el segundo periodo de tiempo también se denominan segundas exploraciones por MRI de referencia.
En el aprendizaje automático, el algoritmo de autoaprendizaje genera un modelo estadístico basado en los datos de entrenamiento. Esto significa que los ejemplos no se aprenden simplemente de memoria, sino que el algoritmo "reconoce" patrones y regularidades en los datos de entrenamiento. De este modo, el modelo de predicción también puede evaluar datos desconocidos. Los datos de validación pueden utilizarse para comprobar la calidad de la evaluación de datos desconocidos.
El entrenamiento del modelo de predicción se realiza mediante aprendizaje supervisado, es decir, al algoritmo se le presentan sucesivamente múltiples números de primeras resonancias magnéticas de referencia del primer periodo de tiempo y se le "dice" qué segundas resonancias magnéticas de referencia del segundo periodo de tiempo están asociadas a estos números múltiples. A continuación, el algoritmo aprende una relación entre los múltiplos de las exploraciones de MRI de referencia en el primer periodo de tiempo y las exploraciones de MRI de referencia en el segundo periodo de tiempo para predecir una o más exploraciones de MRI en el segundo periodo de tiempo para múltiplos desconocidos de exploraciones de MRI en el primer periodo de tiempo.
Los sistemas de autoaprendizaje entrenados mediante aprendizaje supervisado se describen de forma variada en el estado de la técnica (véase, por ejemplo, C. Pérez: Técnicas de aprendizaje automático: Aprendizaje supervisado y clasificación, Amazon Digital Services LLC - Kdp Print Us, 2019, ISBN 1096996545, 9781096996545).
Preferiblemente, el modelo de predicción es una red neuronal artificial.
Una red neuronal artificial de este tipo comprende al menos tres capas de elementos de procesamiento: una primera capa con neuronas de entrada (nodos), una enésima capa con al menos una neurona de salida (nodo) y N-2 capas internas, donde N es un número natural y mayor que 2.
Las neuronas de entrada se utilizan para recibir imágenes digitales de resonancia magnética como valores de entrada. Normalmente, hay una neurona de entrada por cada píxel o vóxel de una imagen digital de resonancia magnética. Puede haber neuronas de entrada adicionales para valores de entrada adicionales (por ejemplo, información sobre el área de estudio, el sujeto de estudio, las condiciones que prevalecían cuando se generaron las imágenes MRI, y/o información sobre las horas o tiempos completos en los que se generaron las imágenes MRI).
En una red de este tipo, las neuronas de salida sirven para predecir una o más resonancias magnéticas de un segundo periodo de tiempo para una pluralidad de resonancias magnéticas de un primer periodo de tiempo.
Los elementos de procesamiento de las capas entre las neuronas de entrada y las neuronas de salida se conectan en un patrón predeterminado con pesos de conexión predeterminados.
Preferentemente, la red neuronal artificial es una denominada red neuronal convolucional (abbr: CNN).
Una red neuronal convolucional es capaz de procesar datos de entrada en forma de matriz. Esto permite utilizar como datos de entrada imágenes digitales de resonancia magnética visualizadas como una matriz (por ejemplo, anchura x altura x canales de color). En cambio, una red neuronal normal, por ejemplo en forma de perceptrón multicapa (MLP), requiere un vector como entrada, es decir, para utilizar una resonancia magnética como entrada, habría que desplegar los píxeles o vóxeles de la resonancia uno tras otro en una larga cadena. Como resultado, las redes neuronales normales no son capaces, por ejemplo, de reconocer objetos en una resonancia magnética independientemente de la posición del objeto en la resonancia. El mismo objeto en una posición diferente de la imagen de resonancia magnética tendría un vector de entrada completamente distinto.
Una CNN consta esencialmente de filtros (capa convolucional) y capas de agregación (capa de agrupación), que se repiten alternativamente, y al final una capa o varias capas de neuronas "normales" totalmente conectadas (capa densa / totalmente conectada).
Al analizar secuencias (secuencias de imágenes MRI), el espacio y el tiempo pueden tratarse como dimensiones equivalentes y procesarse, por ejemplo, mediante convoluciones 3D. Así lo demostraron los trabajos de Baccouche et al: Sequential Deep Learning for Human Action Recognition; International Workshop on Human Behavior
Understanding, Springer 2011, páginas 29-39) y Ji et al. (3D Convolutional Neural Networks for Human Action Recognition, IEEE Transactions on Pattern Analysis and Machine Intelligence, 35(1), 221-231).
Además, se pueden entrenar diferentes redes responsables del tiempo y el espacio y, finalmente, fusionar las características, como se describe en las publicaciones de Karpathy et al. y Simonyan & Zisserman (véase, por ejemplo, Karpathy et al.: Clasificación de vídeo a gran escala con redes neuronales convolucionales; Actas de la conferencia IEEE sobre visión por ordenador y reconocimiento de patrones, 2014, páginas 1725-1732; Simonyan & Zisserman: Two-stream Convolutional Networks for Action Recognition in Videos; Advances in Neural Information Processing Systems, 2014, páginas 568-576).
Las redes neuronales recurrentes (RNN) son una familia de redes neuronales que contienen conexiones de retroalimentación entre capas. Las RNN permiten modelizar datos secuenciales compartiendo datos de parámetros entre distintas partes de la red neuronal. La arquitectura de una RNN contiene ciclos. Los ciclos representan la influencia de un valor actual de una variable sobre su propio valor en un momento futuro, ya que al menos parte de los datos de salida son utilizados por la RNN como retroalimentación para procesar entradas posteriores en una secuencia.
Para más detalles, consúltese el estado de la técnica (véase, por ejemplo: S. Khan et al: A Guide to Convolutional Neural Networks for Computer Vision, Morgan & Claypool Publishers 2018, ISBN 1681730227, 9781681730226, WO2018/183044A1, WO2018/200493, WO2019/074938A1, WO2019/204406A1, WO2019/241659A1).
El entrenamiento de la red neuronal puede realizarse, por ejemplo, mediante un procedimiento de retropropagación. El objetivo es que la red asigne los datos de entrada a los datos de salida con la mayor fiabilidad posible. La calidad de la imagen se describe mediante una función de error. El objetivo es minimizar la función de error. En el procedimiento de retropropagación, una red neuronal artificial se entrena cambiando los pesos de conexión.
En el estado entrenado, los pesos de conexión entre los elementos de procesamiento incluyen información relativa a la relación entre las pluralidades de las exploraciones de MRI de referencia del primer periodo de tiempo y las exploraciones de MRI de referencia del segundo periodo de tiempo que puede utilizarse para predecir una o más exploraciones de MRI que muestren un área de examen durante el segundo periodo de tiempo para nuevas pluralidades de exploraciones de MRI que muestren el área de examen durante el primer periodo de tiempo.
Se puede utilizar un procedimiento de validación cruzada para dividir los datos en conjuntos de datos de entrenamiento y validación. El conjunto de datos de entrenamiento se utiliza en el entrenamiento por retropropagación de los pesos de la red. El conjunto de datos de validación se utiliza para comprobar la precisión de predicción con la que la red entrenada puede aplicarse a pluralidades desconocidas de exploraciones de MRI.
Como ya se ha descrito, para el entrenamiento, la validación y las predicciones también se puede utilizar información adicional sobre el sujeto de examen, el área de examen, las condiciones de examen y/o las imágenes MRI medidas.
Algunos ejemplos de información sobre el objeto de la investigación son: sexo, edad, peso, altura, historial médico, tipo y duración y cantidad de medicación ya tomada, tensión arterial, presión venosa central, frecuencia respiratoria, albúmina sérica, bilirrubina total, azúcar en sangre, contenido de hierro, capacidad respiratoria y similares. También pueden utilizarse, por ejemplo, para una base de datos o un archivo electrónico de pacientes.
Algunos ejemplos de información sobre la zona de estudio son: Enfermedades preexistentes, cirugía, resección parcial, trasplante de hígado, hígado de hierro, hígado graso y similares.
Es concebible que la mayoría de las imágenes MRI que muestran la zona de estudio durante el primer periodo de tiempo se sometan a una corrección de movimiento antes de ser introducidas en el modelo de predicción. Dicha corrección de movimiento garantiza que un píxel o vóxel de una primera imagen MRI muestre la misma área de examen que el píxel o vóxel correspondiente de una segunda imagen MRI temporalmente posterior. Los procedimientos de corrección del movimiento se describen en el estado de la técnica (véase, por ejemplo: EP3118644, EP3322997, US20080317315, US20170269182, US20140062481, EP2626718).
Un objeto de la presente invención es un sistema con el que se puede llevar a cabo el procedimiento según la invención.
El sistema consta de una unidad receptora, una unidad de control e informática y una unidad de salida.
Es concebible que dichas unidades sean componentes de un único sistema informático; sin embargo, también es concebible que dichas unidades sean componentes de varios sistemas informáticos separados que estén interconectados a través de una red para transmitir datos y/o señales de control de una unidad a otra unidad.
Un "sistema informático" es un sistema de tratamiento electrónico de datos que los procesa mediante reglas de cálculo programables. Un sistema de este tipo suele constar de un "ordenador", unidad que incluye un procesador para realizar operaciones lógicas, y un periférico.
En informática, los "periféricos" son todos los dispositivos que se conectan al ordenador y sirven para controlarlo y/o como dispositivos de entrada y salida. Algunos ejemplos son el monitor (pantalla), la impresora, el escáner, el ratón, el teclado, las unidades de disco, la cámara, el micrófono, los altavoces, etc. Las conexiones internas y las tarjetas de expansión también se consideran periféricos en informática.
Los sistemas informáticos actuales suelen dividirse en PC de escritorio, PC portátiles, ordenadores portátiles, notebooks y tabletas y los denominados dispositivos de mano (por ejemplo, teléfonos inteligentes); todos estos sistemas pueden utilizarse para llevar a cabo la invención.
Las entradas al sistema informático se realizan a través de medios de entrada como un teclado, un ratón, un micrófono y/o similares.
El sistema según la invención está configurado para recibir pluralidades de imágenes MRI que muestran un área de examen durante un primer periodo de tiempo, y para generar (predecir, calcular) una o más imágenes MRI que muestran el área de examen durante un segundo periodo de tiempo en base a estos datos y posiblemente en otros datos.
La unidad de control y cálculo se utiliza para controlar la unidad receptora, coordinar los flujos de datos y señales entre las distintas unidades y calcular las imágenes MRI. Es concebible que haya varias unidades de control e informáticas.
La unidad receptora se utiliza para recibir múltiples resonancias magnéticas. Los múltiplos pueden, por ejemplo, ser transmitidos por un sistema de resonancia magnética o leídos desde un medio de almacenamiento de datos. El equipo de resonancia magnética puede ser un componente del sistema según la invención. Sin embargo, también es concebible que el sistema según la invención sea un componente de un sistema de resonancia magnética.
Desde la unidad receptora, las secuencias de las imágenes MRI y, en caso necesario, otros datos se transmiten a la unidad de control y cálculo.
La unidad de control y computación está configurada para predecir una o más imágenes MRI en base a las pluralidades de imágenes MRI que muestran un área de examen durante un primer período de tiempo, en el que las imágenes MRI predichas muestran el área de examen durante un segundo período de tiempo. Preferentemente, se puede cargar un modelo de predicción en una memoria de trabajo de la unidad de control y cálculo para calcular las imágenes MRI del segundo periodo de tiempo. Según la invención, el modelo de predicción se generó (entrenó) utilizando un algoritmo de autoaprendizaje mediante aprendizaje supervisado.
A través de la unidad de salida, las imágenes MRI pregrabadas pueden visualizarse (por ejemplo, en una pantalla), emitirse (por ejemplo, a través de una impresora) o almacenarse en un medio de almacenamiento de datos.
La invención se explica con más detalle a continuación haciendo referencia a las figuras, sin pretender limitar la invención a las características o combinaciones de características que se muestran en las figuras.
Se muestran:
La Figura 1 muestra esquemáticamente el curso temporal de las concentraciones de medio de contraste en las arterias hepáticas (A), las venas hepáticas (V) y las células hepáticas (P) y ya se ha descrito en detalle anteriormente.
La Fig. 2 muestra esquemáticamente otra forma de realización del sistema de acuerdo con la invención. El sistema (10) comprende una unidad receptora (11), una unidad de control y cálculo (12) y una unidad de salida (13).
La figura 3 muestra una realización esquemática y ejemplar del proceso según la invención.
El método (100) comprende los pasos:
(110) recibir una pluralidad de primeras imágenes MRI; al menos una parte de las primeras imágenes MRI muestran un área de examen durante un primer período de tiempo tras la aplicación de un agente de contraste,
(120) alimentar la pluralidad de primeras imágenes MRI a un modelo de predicción, habiendo sido entrenado el modelo de predicción a partir de imágenes MRI de referencia utilizando aprendizaje supervisado para predecir una o más segundas imágenes MRI de referencia que muestren el área de examen durante un segundo periodo de tiempo a partir de primeras imágenes MRI de referencia que muestren un área de examen durante un primer periodo de tiempo, siendo el segundo periodo de tiempo posterior en el tiempo al primer periodo de tiempo,
(130) generar, mediante el modelo de predicción, una o más imágenes MRI predichas que muestren el área de examen durante un segundo periodo de tiempo, el segundo periodo de tiempo temporalmente posterior al primer periodo de tiempo,
(140) mostrar y/o enviar una o más imágenes MRI predichas y/o almacenar una o más imágenes MRI predichas en un medio de almacenamiento de datos.
La Figura 4 muestra de forma esquemática y ejemplar una pluralidad de imágenes MRI del hígado durante la fase dinámica y hepatobiliar. En las figuras 4 (a), 4 (b), 4 (c), 4 (d), 4 (e) y 4 (f), se muestra siempre la misma sección transversal a través del hígado en diferentes momentos. Los signos de referencia mostrados en las figuras 4 (a), 4 (b), 4 (d) y 4 (f) se aplican a todas las figuras 4 (a), 4 (b), 4 (c), 4 (d), 4 (e) y 4 (f); sólo se muestran una vez cada uno en aras de la claridad.
La Fig. 4 (a) muestra la sección transversal a través del hígado (L) antes de la aplicación intravenosa de un agente de contraste hepatobiliar. En un momento intermedio entre los momentos representados en las figuras 4 (a) y 4 (b), se administró por vía intravenosa un agente de contraste hepatobiliar en forma de bolo Ésta llega al hígado a través de la arteria hepática (A) en la Fig. 4 (b). En consecuencia, la arteria hepática se muestra con señal realzada (fase arterial). Un tumor (T), que se alimenta principalmente de sangre a través de las arterias, también se destaca como un área más clara (señal realzada) delante del tejido celular del hígado. En el momento mostrado en la Figura 4 (c), el medio de contraste llega al hígado a través de las venas. En la Figura 4 (d), los vasos sanguíneos venosos (V) destacan como zonas brillantes (con señal realzada) del tejido hepático (fase venosa). Al mismo tiempo, la intensidad de la señal en las células hepáticas sanas, que reciben principalmente el medio de contraste a través de las venas, aumenta continuamente (Fig. 4 (c) —> 4 (d) —> 4 (e) —> 4 (f)). En la fase hepatobiliar, mostrada en la Fig. 4 (f), las células hepáticas (P) se muestran con señal realzada; los vasos sanguíneos y el tumor ya no tienen agente de contraste y se muestran correspondientemente oscuros.
La Fig. 5 muestra de forma ejemplar y esquemática cómo se alimentan a un modelo de predicción (PM) tres imágenes MRI (1), (2) y (3) que muestran un hígado en un primer periodo de tiempo. El modelo de predicción calcula una imagen MRI (4) a partir de las tres imágenes MRI (1), (2) y (3), que muestra el hígado en un segundo periodo de tiempo. Las imágenes MRI (1), (2) y (3) pueden ser, por ejemplo, las imágenes MRI mostradas en las Figs. 4 (b), 4 (c) y 4 (d), La imagen MRI (4) puede ser, por ejemplo, la imagen MRI mostrada en la Fig. 4 (f).
Claims (13)
1. Procedimiento implementado por ordenador que comprende las etapas de
- recibir una pluralidad de imágenes MRI (resonancia magnética), al menos una porción de las imágenes MRI mostrando un área de examen durante un primer período de tiempo después de un agente de contraste,
- alimentar la pluralidad de imágenes MRI (1,2, 3) a un modelo de predicción (PM),
- generar una o más imágenes MRI predichas (4) que muestren el área de examen durante un segundo período de tiempo mediante el modelo de predicción (PM), siendo el segundo período de tiempo temporalmente posterior al primero,
- mostrar y/o enviar una o más imágenes MRI predichas (4) y/o almacenar una o más imágenes MRI predichas (4) en un medio de almacenamiento de datos,
en el que el modelo de predicción (PM) ha sido entrenado mediante aprendizaje supervisado para predecir, en base a imágenes MRI de referencia, al menos una parte de las cuales muestra un área de examen durante un primer período de tiempo tras la aplicación de un agente de contraste, una o más imágenes MRI de referencia que muestran el área de examen durante un segundo período de tiempo, siendo el segundo período de tiempo temporalmente posterior al primero,
en el que el área de examen es un hígado o una porción de hígado de un ser humano,
en el que el agente de contraste es un agente de contraste hepatobiliar,
en el que el primer periodo de tiempo comienza en un período de tiempo de un minuto a un segundo antes de la aplicación del medio de contraste o con la aplicación del medio de contraste, y continúa durante un período de tiempo de 2 minutos a 15 minutos desde la aplicación del medio de contraste,
en el que el segundo período de tiempo comienza al menos 10 minutos después de la aplicación del agente de contraste.
2. Procedimiento según la reivindicación 1, en el que al menos una de las imágenes MRI recibidas (1, 2, 3) muestra el área de examen antes de la aplicación del agente de contraste y al menos una de las imágenes MRI recibidas (1, 2, 3) muestra el área de examen después de la aplicación del agente de contraste.
3. El procedimiento según la reivindicación 2, en el que el primer período de tiempo se selecciona para mostrar el área de examen en diferentes fases, las fases comprenden una fase nativa, una fase arterial, una fase venosa portal y una fase tardía, en el que se recibe al menos una imagen MRI que muestra el área de examen en la fase nativa, y se recibe al menos una imagen MRI que muestra el área de examen durante la fase arterial, y se recibe al menos una imagen MRI que muestra el área de examen en la fase venosa portal, y se recibe al menos una imagen MRI que muestra el área de examen en la fase tardía.
4. Procedimiento según cualquiera de las reivindicaciones 1 a 3, en el que las imágenes MRI recibidas (1, 2, 3) muestran un hígado o una porción de hígado de un mamífero antes de un punto de tiempo TP0 y durante un periodo de tiempo de TP0 a TP1 y/o durante un periodo de tiempo de TP1 a TP2 y/o durante un periodo de tiempo de TP2 a TP3 y/o durante un periodo de tiempo de TP3 a TP4, en el que en el punto de tiempo TP0 el medio de contraste se aplica por vía intravenosa en forma de bolo y a continuación penetra en las células hepáticas a través de las arterias hepáticas y las venas hepáticas, en el que en el punto de tiempo TP1 el medio de contraste alcanza una concentración máxima en las arterias hepáticas, en el que en el punto de tiempo TP2 una intensidad de señal generada por el medio de contraste en las venas hepáticas asume un valor que es tan grande como un valor de una intensidad de señal generada por el medio de contraste en las arterias hepáticas, en el que en el punto de tiempo TP3 el medio de contraste en las venas hepáticas alcanza una concentración máxima, en el que en el punto de tiempo TP4 una intensidad de señal generada por el medio de contraste en las células hepáticas asume un valor que es tan grande como un valor de una intensidad de señal generada por el medio de contraste en las venas hepáticas.
5. Procedimiento según cualquiera de las reivindicaciones 1 a 4, en el que el primer período de tiempo desde la aplicación del agente de contraste dura un período de 2 minutos a 13 minutos, preferentemente de 3 minutos a 10 minutos.
6. Procedimiento según cualquiera de las reivindicaciones 1 a 5, en el que el segundo período de tiempo se encuentra dentro de una fase hepatobiliar
7. Procedimiento según cualquiera de las reivindicaciones 1 a 6, en el que el segundo período de tiempo comienza al menos 20 minutos después de la aplicación del agente de contraste.
8. Procedimiento según cualquiera de las reivindicaciones 1 a 7, en el que el modelo de predicción (PM) es una red neuronal artificial.
9. Procedimiento según cualquiera de las reivindicaciones 1 a 8, en el que el agente de contraste es Gd-EOB-DTPA o Gd-BOPTA.
10. Sistema (10) que comprende
- una unidad receptora (11),
- una unidad de control y cálculo (12)
- una unidad de salida (13),
- en el que la unidad de control y cálculo (12) está configurada para hacer que la unidad receptora (11) reciba una pluralidad de imágenes MRI (1,2, 3), mostrando al menos una parte de las imágenes MRI (1,2, 3) un área de examen durante un primer periodo de tiempo tras la aplicación de un agente de contraste,
- en el que la unidad de control y cálculo (12) está configurada para predecir una o más imágenes MRI (4) en base a las imágenes MRI recibidas (1,2, 3) mediante un modelo de predicción, en el que la una o más imágenes MRI predichas (4) muestran el área de examen durante un segundo periodo de tiempo, en el que el segundo periodo de tiempo sigue temporalmente al primer periodo de tiempo,
- en el que la unidad de control y cálculo (12) está configurada para hacer que la unidad de salida (13) muestre una o más imágenes MRI predichas (4), para enviarlas o almacenarlas en un medio de almacenamiento de datos, en el que el modelo de predicción (PM) ha sido entrenado mediante aprendizaje supervisado para predecir, en base a imágenes MRI de referencia, al menos una parte de las cuales muestra un área de examen durante un primer período de tiempo tras la aplicación de un agente de contraste, una o más imágenes MRI de referencia que muestran el área de examen durante un segundo período de tiempo, siendo el segundo período de tiempo temporalmente posterior al primero,
en el que el área de examen es un hígado o una porción de hígado de un ser humano,
en el que el agente de contraste es un agente de contraste hepatobiliar,
en el que el primer periodo de tiempo comienza en un período de tiempo de un minuto a un segundo antes de la aplicación del medio de contraste o con la aplicación del medio de contraste, y continúa durante un período de tiempo de 2 minutos a 15 minutos desde la aplicación del medio de contraste,
en el que el segundo período de tiempo comienza al menos 10 minutos después de la aplicación del agente de contraste.
11. Un producto de programa de ordenador que comprende un programa de ordenador que puede cargarse en una memoria de un sistema informático y que hace que el sistema informático ejecute las siguientes etapas:
recibir una pluralidad de imágenes MRI (1,2, 3), en las que al menos una parte de las imágenes MRI (1,2, 3) muestran un área de examen durante un primer periodo de tiempo tras la aplicación de un agente de contraste, alimentar la pluralidad de las imágenes MRI a un modelo de predicción (PM),
- generar una o más imágenes MRI predichas (4) que muestren el área de examen durante un segundo período de tiempo mediante el modelo de predicción (PM), siendo el segundo período de tiempo temporalmente posterior al primero,
- mostrar y/o enviar una o más imágenes MRI predichas (4) y/o almacenar una o más imágenes MRI predichas (4) en un medio de almacenamiento de datos,
en el que el modelo de predicción (PM) ha sido entrenado mediante aprendizaje supervisado para predecir, en base a imágenes MRI de referencia, al menos una parte de las cuales muestra un área de examen durante un primer período de tiempo tras la aplicación de un agente de contraste, una o más imágenes MRI de referencia que muestran el área de examen durante un segundo período de tiempo, siendo el segundo período de tiempo temporalmente posterior al primero,
en el que el área de examen es un hígado o una porción de hígado de un ser humano,
en el que el agente de contraste es un agente de contraste hepatobiliar,
en el que el primer periodo de tiempo comienza en un período de tiempo de un minuto a un segundo antes de la aplicación del medio de contraste o con la aplicación del medio de contraste, y continúa durante un período de tiempo de 2 minutos a 15 minutos desde la aplicación del medio de contraste,
en el que el segundo período de tiempo comienza al menos 10 minutos después de la aplicación del agente de contraste.
12. Uso de un agente de contraste en un procedimiento de MRI implementado por ordenador después de que se haya aplicado y distribuido un agente de contraste en un área de examen, comprendiendo el procedimiento de MRI implementado por ordenador las siguientes etapas:
generar una pluralidad de imágenes MRI (1, 2, 3) de el área de examen durante un primer período de tiempo alimentar las imágenes MRI generadas (1, 2, 3) a un modelo de predicción (PM),
recibir una o más imágenes MRI predichas (4) que muestren el área de examen durante un segundo período de tiempo como salida del modelo de predicción (PM), siendo el segundo período de tiempo temporalmente posterior al primero, - mostrar y/o enviar una o más imágenes MRI predichas (4) y/o almacenar una o más imágenes MRI predichas (4) en un medio de almacenamiento de datos,
en el que el modelo de predicción (PM) ha sido entrenado mediante aprendizaje supervisado para predecir, en base a imágenes MRI de referencia, al menos una parte de las cuales muestra un área de examen durante un primer período de tiempo tras la aplicación de un agente de contraste, una o más imágenes MRI de referencia que muestran el área de examen durante un segundo período de tiempo, siendo el segundo período de tiempo temporalmente posterior al primero,
en el que el área de examen es un hígado o una porción de hígado de un ser humano,
en el que el agente de contraste es un agente de contraste hepatobiliar,
en el que el primer periodo de tiempo comienza en un período de tiempo de un minuto a un segundo antes de la aplicación del medio de contraste o con la aplicación del medio de contraste, y continúa durante un período de tiempo de 2 minutos a 15 minutos desde la aplicación del medio de contraste,
en el que el segundo período de tiempo comienza al menos 10 minutos después de la aplicación del agente de contraste.
13. Un kit que comprende un agente de contraste y un producto de programa de ordenador según la reivindicación 11, en el que el agente de contraste es un agente de contraste de MRI hepatobiliar.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| EP19197989 | 2019-09-18 | ||
| PCT/EP2020/075593 WO2021052896A1 (de) | 2019-09-18 | 2020-09-14 | Vorhersage von mrt-aufnahmen durch ein mittels überwachten lernens trainiertes vorhersagemodell |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| ES2955349T3 true ES2955349T3 (es) | 2023-11-30 |
Family
ID=67997456
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| ES20772042T Active ES2955349T3 (es) | 2019-09-18 | 2020-09-14 | Predicción de imágenes MRI mediante un modelo de predicción entrenado por aprendizaje supervisado |
Country Status (8)
| Country | Link |
|---|---|
| US (2) | US11727571B2 (es) |
| EP (2) | EP4031894B1 (es) |
| JP (1) | JP2022549604A (es) |
| CN (1) | CN113330483A (es) |
| AU (1) | AU2020347797A1 (es) |
| CA (1) | CA3154652A1 (es) |
| ES (1) | ES2955349T3 (es) |
| WO (1) | WO2021052896A1 (es) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP4235202A1 (de) | 2022-02-24 | 2023-08-30 | Bayer Aktiengesellschaft | Vorhersage einer repräsentation eines untersuchungsbereichs eines untersuchungsobjekts in einem zustand einer folge von zuständen |
| WO2024046832A1 (de) | 2022-08-30 | 2024-03-07 | Bayer Aktiengesellschaft | Erzeugen von synthetischen radiologischen aufnahmen |
| EP4336513A1 (de) | 2022-08-30 | 2024-03-13 | Bayer Aktiengesellschaft | Erzeugen von synthetischen radiologischen aufnahmen |
| WO2024046833A1 (de) | 2022-08-30 | 2024-03-07 | Bayer Aktiengesellschaft | Erzeugen von synthetischen radiologischen aufnahmen |
| EP4336204A1 (de) | 2022-09-07 | 2024-03-13 | Bayer AG | Beschleunigen von mrt-untersuchungen der leber |
Family Cites Families (100)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US732697A (en) | 1903-02-19 | 1903-07-07 | John Davis Bates | Lumber-surface meter. |
| US3060178A (en) | 1960-01-04 | 1962-10-23 | Merck & Co Inc | Derivatives of benzothiadiazine-1, 1-dioxide |
| 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 |
| US6819790B2 (en) | 2002-04-12 | 2004-11-16 | The University Of Chicago | Massive training artificial neural network (MTANN) for detecting abnormalities in medical images |
| US7545965B2 (en) | 2003-11-10 | 2009-06-09 | The University Of Chicago | Image modification and detection using massive training artificial neural networks (MTANN) |
| WO2006093523A2 (en) | 2004-07-15 | 2006-09-08 | Kenji Suzuki | Computerized scheme for distinction between benign and malignant nodules in thoracic low-dose ct |
| JP2008520287A (ja) | 2004-11-16 | 2008-06-19 | メドラッド インコーポレーテッド | 薬剤注入に対する患者搬送関数を決定し、患者反応をモデル化するシステム及び方法 |
| 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 |
| EP1780677A1 (en) | 2005-10-25 | 2007-05-02 | BRACCO IMAGING S.p.A. | Image processing system, particularly for use with diagnostics images |
| US7840044B2 (en) | 2005-11-01 | 2010-11-23 | Edda Technology Inc. | Method and system for liver lobe segmentation and pre-operative surgical planning |
| US20220031270A1 (en) | 2007-03-08 | 2022-02-03 | Sync-Rx, Ltd | Identification an dpresentation of device-tovessel relative motion |
| US9370316B2 (en) | 2007-05-18 | 2016-06-21 | 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 |
| RU2492808C2 (ru) | 2008-02-07 | 2013-09-20 | Конинклейке Филипс Электроникс Н.В. | Устройство для измерения и прогнозирования респираторной стабильности пациентов |
| EP2286383A1 (en) | 2008-05-08 | 2011-02-23 | 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 |
| AU2011340078B2 (en) | 2010-12-08 | 2016-06-30 | Bayer Healthcare Llc | Generating an estimate of patient radiation dose resulting from medical imaging scans |
| 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 (en) | 2012-02-09 | 2013-08-14 | Koninklijke Philips Electronics N.V. | MRI with motion correction using navigators acquired using a Dixon technique |
| BR112014020040A8 (pt) | 2012-02-17 | 2017-07-11 | Koninklijke Philips Nv | Meio de armazenamento não transitório que armazena as instruções executáveis por um dispositivo de processamento eletrônico de dados que inclui um visor para o monitoramento de um paciente com lesão pulmonar aguda, aparelho, e, método |
| WO2013169353A1 (en) | 2012-05-11 | 2013-11-14 | 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 |
| BR112015009354A2 (pt) | 2012-10-31 | 2017-07-04 | Koninklijke Philips Nv | método e sistema de processamento |
| EP2750102B1 (en) | 2012-12-27 | 2023-03-15 | General Electric Company | Method, system and computer readable medium for liver analysis |
| US9901650B2 (en) | 2013-02-21 | 2018-02-27 | University Of Rochester | Methods for evaluating brain-wide paravascular pathway for waste clearance function and methods for treating neurodegenerative disorders based thereon |
| EP2994879A1 (en) | 2013-04-03 | 2016-03-16 | Koninklijke Philips N.V. | Vessel segmentation |
| WO2014174480A1 (en) | 2013-04-24 | 2014-10-30 | Tel Hashomer Medical Research Infrastructure And Services Ltd. | Magnetic resonance maps for analyzing tissue |
| CN103914622B (zh) * | 2014-04-04 | 2017-07-07 | 清华大学 | 一种化学品泄漏快速预测预警应急响应决策方法 |
| US9754371B2 (en) | 2014-07-31 | 2017-09-05 | 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 |
| SG11201703074SA (en) | 2014-10-13 | 2017-05-30 | Agency Science Tech & Res | Automatic region-of-interest segmentation and registration of dynamic contrast-enhanced images of colorectal tumors |
| US10555773B2 (en) * | 2014-11-27 | 2020-02-11 | Hiroshima University | Simulator, injection device or imaging system provided with simulator, and simulation program |
| JP2018511791A (ja) | 2015-02-27 | 2018-04-26 | バイエル・ヘルスケア・エルエルシーＢａｙｅｒ ＨｅａｌｔｈＣａｒｅ ＬＬＣ | マルチイメージングモダリティ用定量的ファントム |
| 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 |
| US20180242917A1 (en) | 2015-08-21 | 2018-08-30 | Duke University | Systems and methods for determining image quality and models based on contrast injection protocols |
| HUE063561T2 (hu) | 2015-08-28 | 2024-01-28 | Bayer Healthcare Llc | Rendszer és eljárás fecskendõ folyadékkal történõ feltöltésének ellenõrzésére, valamint teljesítmény injektor-rendszer jellemzõk képi felismerése |
| 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 |
| CN109690577A (zh) | 2016-09-07 | 2019-04-26 | 皇家飞利浦有限公司 | 利用堆叠式自动编码器进行的半监督式分类 |
| US11207462B2 (en) | 2016-10-17 | 2021-12-28 | Bayer Healthcare Llc | Fluid injector with syringe engagement mechanism |
| KR20190087455A (ko) | 2016-11-22 | 2019-07-24 | 하이퍼파인 리서치, 인크. | 자기 공명 이미지들에서의 자동화된 검출을 위한 시스템들 및 방법들 |
| EP3544655A1 (en) | 2016-11-22 | 2019-10-02 | Bayer Healthcare LLC | System and method for delivering a fluid with a consistent total volumetric flowrate |
| 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 |
| WO2018200493A1 (en) | 2017-04-25 | 2018-11-01 | The Board Of Trustees Of The Leland Stanford Junior University | Dose reduction for medical imaging using deep convolutional neural networks |
| 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 |
| CN110574070A (zh) | 2017-05-02 | 2019-12-13 | 拜耳股份公司 | 慢性血栓栓塞性肺动脉高压的放射学识别的改进 |
| 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 |
| WO2019074938A1 (en) | 2017-10-09 | 2019-04-18 | The Board Of Trustees Of The Leland Stanford Junior University | CONTRAST DOSE REDUCTION FOR MEDICAL IMAGING USING DEEP LEARNING |
| US11100621B2 (en) * | 2017-10-20 | 2021-08-24 | Imaging Biometrics, Llc | Simulated post-contrast T1-weighted magnetic resonance imaging |
| WO2019086555A1 (en) | 2017-10-31 | 2019-05-09 | Ge Healthcare Limited | Medical system for diagnosing cognitive disease pathology and/or outcome |
| CN110121293B (zh) | 2017-11-24 | 2023-07-04 | 佳能医疗系统株式会社 | 医用数据处理装置、成像装置及学习完毕模型生成方法 |
| 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 |
| US11880962B2 (en) * | 2018-02-15 | 2024-01-23 | General Electric Company | System and method for synthesizing magnetic resonance images |
| WO2019183555A1 (en) | 2018-03-22 | 2019-09-26 | 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 |
| JP7351847B2 (ja) | 2018-04-19 | 2023-09-27 | サトゥル メディカル，インコーポレイテッド | 深層学習を使用して磁気共鳴撮像を向上させるためのシステムおよび方法 |
| 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 |
| EP3649955A1 (en) * | 2018-11-07 | 2020-05-13 | Koninklijke Philips N.V. | Deep learning based spectral bolus tracking |
| EP3657433B1 (en) | 2018-11-22 | 2022-10-19 | Siemens Healthcare GmbH | Medical image data |
| 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 |
| DE102019207639A1 (de) | 2019-05-24 | 2020-11-26 | Siemens Healthcare Gmbh | Verbesserte Berechnung der Kontrastmittelkonzentration |
| EP3756547A1 (en) | 2019-06-28 | 2020-12-30 | Koninklijke Philips N.V. | Automated coronary angiography analysis |
| 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 |
| US20230218223A1 (en) | 2019-09-18 | 2023-07-13 | Bayer Aktiengesellschaft | Generation of mri images of the liver |
| EP3804615A1 (de) | 2019-10-08 | 2021-04-14 | Bayer AG | Erzeugung von mrt-aufnahmen der leber |
| EP4041075A1 (de) | 2019-10-08 | 2022-08-17 | Bayer Aktiengesellschaft | Erzeugung von mrt-aufnahmen der leber ohne kontrastverstärkung |
| CN114502069A (zh) | 2019-10-11 | 2022-05-13 | 拜耳公司 | 加速mrt检查 |
| EP3875979A1 (de) | 2020-03-06 | 2021-09-08 | Bayer Aktiengesellschaft | Optimiertes verfahren für dynamische kontrastverstärkende magnetresonanztomographie |
| CA3177210A1 (en) | 2020-04-03 | 2021-10-07 | Bayer Aktiengesellschaft | Generation of radiological images |
| US11308613B2 (en) | 2020-06-09 | 2022-04-19 | Siemens Healthcare Gmbh | Synthesis of contrast enhanced medical images |
-
2020
- 2020-09-14 JP JP2022517510A patent/JP2022549604A/ja active Pending
- 2020-09-14 CN CN202080010533.1A patent/CN113330483A/zh active Pending
- 2020-09-14 ES ES20772042T patent/ES2955349T3/es active Active
- 2020-09-14 WO PCT/EP2020/075593 patent/WO2021052896A1/de unknown
- 2020-09-14 AU AU2020347797A patent/AU2020347797A1/en active Pending
- 2020-09-14 CA CA3154652A patent/CA3154652A1/en active Pending
- 2020-09-14 EP EP20772042.6A patent/EP4031894B1/de active Active
- 2020-09-14 US US17/753,838 patent/US11727571B2/en active Active
- 2020-09-14 EP EP23163651.5A patent/EP4231037A1/de active Pending
-
2023
- 2023-06-23 US US18/340,051 patent/US20230410312A1/en active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| EP4031894B1 (de) | 2023-06-07 |
| CN113330483A (zh) | 2021-08-31 |
| US11727571B2 (en) | 2023-08-15 |
| US20220343505A1 (en) | 2022-10-27 |
| EP4031894A1 (de) | 2022-07-27 |
| JP2022549604A (ja) | 2022-11-28 |
| US20230410312A1 (en) | 2023-12-21 |
| EP4231037A1 (de) | 2023-08-23 |
| AU2020347797A1 (en) | 2022-03-31 |
| CA3154652A1 (en) | 2021-03-25 |
| WO2021052896A1 (de) | 2021-03-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| ES2955349T3 (es) | Predicción de imágenes MRI mediante un modelo de predicción entrenado por aprendizaje supervisado | |
| US20220409145A1 (en) | Generation of mri images of the liver without contrast enhancement | |
| JP2022547047A (ja) | 医用画像の強調 | |
| US11915361B2 (en) | System, method, and computer program product for predicting, anticipating, and/or assessing tissue characteristics | |
| JP2018075075A (ja) | 磁気共鳴イメージング装置および酸素摂取率算出方法 | |
| CN115398555A (zh) | 生成放射线图像 | |
| Zöllner et al. | Renal perfusion in acute kidney injury with DCE-MRI: deconvolution analysis versus two-compartment filtration model | |
| US20230218223A1 (en) | Generation of mri images of the liver | |
| US20230120273A1 (en) | Acceleration of mri examinations | |
| Hales et al. | A two-stage model for in vivo assessment of brain tumor perfusion and abnormal vascular structure using arterial spin labeling | |
| Dembo et al. | MR imaging in ischemic heart disease | |
| US20240153163A1 (en) | Machine learning in the field of contrast-enhanced radiology | |
| Saluja et al. | Emerging diagnosis technology: What is coming up in terms of the use of imaging technology in concussion care? | |
| Strzelecki et al. | An artificial neural network for GFR estimation in the DCE-MRI studies of the kidneys | |
| Chabiniok | Personalized biomechanical heart modeling for clinical applications | |
| Deng | Noninvasive Pressure Gradient Measurement in the Coronary Arteries using Phase Contrast Magnetic Resonance Imaging | |
| CN117083629A (zh) | 对比度增强放射学领域中的机器学习 | |
| Dharmakumar et al. | Cardiovascular Magnetic Resonance Assessment of Myocardial Oxygenation | |
| Saluja et al. | Emerging diagnosis technology | |
| Wissmann | Quantitative 3D cardiac first-pass perfusion magnetic resonance imaging | |
| Chabiniok | Modélisation biomécanique personnalisée du coeur et applications cliniques | |
| Zarinabad Nooralipour | downloaded from the King’s Research Portal at https://kclpure. kcl. ac. uk/portal |