JP2022549604A - 教師あり学習によって訓練された予測モデルによるｍｒｉ画像の予測 - Google Patents

教師あり学習によって訓練された予測モデルによるｍｒｉ画像の予測 Download PDF

Info

Publication number
JP2022549604A
JP2022549604A JP2022517510A JP2022517510A JP2022549604A JP 2022549604 A JP2022549604 A JP 2022549604A JP 2022517510 A JP2022517510 A JP 2022517510A JP 2022517510 A JP2022517510 A JP 2022517510A JP 2022549604 A JP2022549604 A JP 2022549604A
Authority
JP
Japan
Prior art keywords
time span
mri images
contrast agent
mri
examination
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
JP2022517510A
Other languages
English (en)
Other versions
JPWO2021052896A5 (ja
Inventor
マルティン、ローラー
アルトゥール、ユベール、ザ、サード
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Bayer AG
Original Assignee
Bayer AG
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Bayer AG filed Critical Bayer AG
Publication of JP2022549604A publication Critical patent/JP2022549604A/ja
Publication of JPWO2021052896A5 publication Critical patent/JPWO2021052896A5/ja
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/5601—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
    • 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
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Theoretical Computer Science (AREA)
  • Radiology & Medical Imaging (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Pathology (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Gastroenterology & Hepatology (AREA)
  • Endocrinology (AREA)
  • Physiology (AREA)
  • Chemical & Material Sciences (AREA)
  • Medicinal Chemistry (AREA)
  • Epidemiology (AREA)
  • Signal Processing (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Medicines Containing Antibodies Or Antigens For Use As Internal Diagnostic Agents (AREA)

Abstract

本発明は、ＭＲＩ検査の迅速化に関する。本発明の主題は、方法、システム、コンピュータプログラム製品、使用、使用のための造影剤、および、キット、である。

Description

本発明は、ＭＲＩ検査の迅速化に関し、特に、動的コントラスト増強型の磁気共鳴画像法（ＭＲＩ）による肝臓の局所病変に関する検出および鑑別診断におけるＭＲＩ検査の迅速化に関する。本発明の主題は、ＭＲＩ画像を予測するための、特に肝胆道相時の肝臓のＭＲＩ画像を予測するための、方法、システム、およびコンピュータプログラム製品、である。
磁気共鳴画像法、略してＭＲＩは、特に医療診断において、人体内のまたは動物の体内の、組織や臓器の構造および機能を描写するために使用される画像診断法である。
ＭＲＩでは、検査対象物内の陽子の磁気モーメントが、基本磁場内において整列し、その結果、縦方向に沿って巨視的な磁化が発生する。これは、その後、高周波（ＨＦ）パルスの入射放射（励起）により、静止位置から偏向される。励起状態から静止位置への復帰（緩和）または磁化ダイナミクスは、その後、緩和信号として１つまたは複数のＨＦ受信器コイルによって検出される。
空間的エンコードの場合、高速スイッチング磁気勾配場が、基本磁場上に重畳される。捕捉された緩和信号は、すなわち、検出されて空間的に分解されたＭＲＩデータは、初期的には空間周波数空間内の生データとして存在し、その後のフーリエ変換によって実空間（画像空間）内へと変換することができる。
ネイティブＭＲＩの場合には、組織のコントラストは、異なる緩和時間（Ｔ１、Ｔ２）および陽子密度によって生成される。
Ｔ１緩和は、縦方向の磁化が平衡状態へと遷移することを表すものであり、Ｔ１は、共鳴励起前の平衡磁化の６３．２１％へと到達するのに必要な時間である。これは、また、縦緩和時間またはスピン－格子緩和時間とも称される。
同様に、Ｔ２緩和は、横方向の磁化が平衡状態へと遷移することを表す。
ＭＲＩ造影剤は、造影剤を取り込んだ構造体の緩和時間を変更することによって、その作用を発現する。常磁性物質および超常磁性物質という２つの物質群へと、区別することができる。どちらの物質群も、個々の原子または分子の周囲に磁場を誘起する不対電子を有している。
超常磁性造影剤は、Ｔ２の顕著な短縮をもたらし、他方、常磁性造影剤は、主に、Ｔ１の短縮をもたらす。Ｔ１時間の短縮は、Ｔ１強調ＭＲＩ画像における信号強度の増加をもたらし、Ｔ２時間の短縮は、Ｔ２強調ＭＲＩ画像における信号強度の減少をもたらす。
造影剤自体は、信号を発することがなく、その代わりに、その周囲の水素陽子の信号強度に影響を与えるだけであるので、造影剤の作用は、間接的である。
超常磁性造影剤の一例は、酸化鉄ナノ粒子（ＳＰＩＯ：超常磁性酸化鉄）である。
常磁性造影剤の例は、ガドペンテト酸ジメグルミン（商標名：Ｍａｇｎｅｖｉｓｔ（登録商標）、および他のもの）、ガドベン酸ジメグルミン（商標名：Ｍｕｌｔｉｈａｎｃｅ（登録商標））、ガドテル酸（Ｄｏｔａｒｅｍ（登録商標）、Ｄｏｔａｇｉｔａ（登録商標）、Ｃｙｃｌｏｌｕｘ（登録商標））、ガドジアミド（Ｏｍｎｉｓｃａｎ（登録商標））、ガドテリドール（ＰｒｏＨａｎｃｅ（登録商標））、ガドブトロール（Ｇａｄｏｖｉｓｔ（登録商標））、などのガドリニウムキレートである。
細胞外の造影剤と、細胞内の造影剤と、血管内の造影剤とは、組織内での広がり方のパターンに基づいて、区別することができる。
ガドキセト酸をベースとした造影剤は、肝臓細胞や肝細胞による特異的な取り込みと、機能組織（実質）内における濃縮と、健康な肝臓組織におけるコントラストの増強と、を特徴としている。嚢胞の細胞、転移の細胞、および大部分の肝細胞癌の細胞は、もはや正常な肝細胞のようには機能することがなく、造影剤を取り込まないかまたはほとんど吸収せず、増強して描出されず、結果として識別可能であって位置の特定が可能である。
ガドキセト酸をベースとした造影剤の例は、米国特許第６，０３９，９３１（Ａ）号明細書に記載されており、これらは、例えばＰｒｉｍｏｖｉｓｔ（登録商標）またはＥｏｖｉｓｔ（登録商標）という商標名で市販されている。
Ｐｒｉｍｏｖｉｓｔ（登録商標）／Ｅｏｖｉｓｔ（登録商標）のコントラスト増強効果は、安定なガドリニウム錯体Ｇｄ－ＥＯＢ－ＤＴＰＡ（ガドリニウム・エトキシベンジル・ジエチレントリアミン五酢酸）によって、媒介される。ＤＴＰＡは、常磁性ガドリニウムイオンとともに、熱力学的に高い安定性を有した錯体を形成する。エトキシベンジルラジカル（ＥＯＢ）は、造影剤の肝胆道への取り込みにおける媒介物質である。
Ｐｒｉｍｏｖｉｓｔ（登録商標）は、肝臓内の腫瘍の検出に際して、使用することができる。健康な肝臓組織に対しての血液供給は、主に、門脈（ｖｅｎａ ｐｏｒｔａｅ）を介して行われ、他方、大部分の原発性腫瘍に対しては、肝動脈（ａｒｔｅｒｉａ ｈｅｐａｔｉｃａ）が供給する。したがって、造影剤をボーラス投与で静脈内注射した後には、健康な肝実質と腫瘍との間で、信号の立ち上がりに関して、時間的な遅延を観察することができる。
悪性腫瘍に加えて、肝臓内で頻繁に見受けられるものは、嚢胞、血管腫、および限局性結節性過形成（ＦＮＨ）、などの良性病変である。適切な治療計画を立てるには、これらを悪性腫瘍と区別する必要がある。Ｐｒｉｍｏｖｉｓｔ（登録商標）は、肝臓の局所病変の良性と悪性とを区別するために、使用することができる。Ｔ１強調ＭＲＩにより、病変の特徴に関する情報が提供される。区別は、肝臓と腫瘍とに対しての異なる血液供給を利用することにより、また、コントラスト増強の時間プロファイルを利用することにより、達成される。
Ｐｒｉｍｏｖｉｓｔ（登録商標）によって得られるコントラスト増強は、少なくとも２つの段階へと分割することができる、すなわち、動的段階（いわゆる、動脈相と、門脈相と、後期相と、を含む）と、肝細胞内へのＰｒｉｍｏｖｉｓｔ（登録商標）の充分な取り込みが既に行われている肝胆道相と、へと分割することができる。
分布相時にＰｒｉｍｏｖｉｓｔ（登録商標）によって達成されるコントラスト増強の場合、観測されるものは、典型的な灌流パターンであり、これは、病変の特性評価のための情報を提供する。血管の描出は、病変のタイプを特徴づけることを補助し、さらに、腫瘍と血管との間の空間的関係性を決定することを補助する。
Ｔ１強調ＭＲＩ画像の場合、Ｐｒｉｍｏｖｉｓｔ（登録商標）は、注入から１０分間後～２０分間後において（肝胆道相）、健康な肝実質内の明確な信号増強を示すものの、例えば転移または中程度から低分化までの肝細胞癌（ＨＣＣｓ）などの、肝細胞を含有していないあるいは肝細胞をわずかしか含まない病変は、より暗い領域として現れる。
動的相と肝胆道相とにわたって造影剤の広がりを経時的に追跡することにより、局所的肝臓病変の検出と鑑別診断とに関する良好な可能性が提供されるけれども、検査は、比較的長い時間スパンにわたって行われる。そのような時間スパンにわたって、ＭＲＩ画像内でのモーションアーティファクトを最小化するためには、患者が動くことが、回避されるべきである。動きを長時間にわたって制限することは、患者にとっては不快であり得る。
上記の従来技術を踏まえて、技術的な目的は、患者にとって不快感の少ない検査を行うことである。
この目的は、独立請求項の主題によって達成される。本発明の好ましい実施形態は、従属請求項内に、本明細書内に、および図面内に、見出される。本発明により、ＭＲＩ検査の時間スパンが、大幅に短縮され、これにより、患者にとっては、体験することがより容易となる。
本発明は、第１態様では、コンピュータ実装方法であって、
－複数の第１ＭＲＩ画像を受信するステップであり、第１ＭＲＩ画像の少なくともいくつかを、造影剤を投与した後の第１時間スパン時の検査領域を示すものとするステップと、
－複数の第１ＭＲＩ画像を、予測モデルに対して供給するステップであり、予測モデルを、造影剤を投与した後の第１時間スパン時の検査領域を少なくともいくつかのものが示している第１参照ＭＲＩ画像から、第２時間スパン時の検査領域を示す１つまたは複数の第２参照ＭＲＩ画像を生成するよう、教師あり学習によって参照ＭＲＩ画像に基づいて訓練されたものとし、ここで、第２時間スパンを、第１時間スパンの後に時系列的に続くものとするステップと、
－予測モデルによって、第２時間スパン時の検査領域を示す１つまたは複数の予測ＭＲＩ画像を生成するステップであり、ここで、第２時間スパンを、第１時間スパンの後に時系列的に続くものとするステップと、
－１つまたは複数の予測ＭＲＩ画像を、表示および／または出力するステップ、ならびに／あるいは、１つまたは複数の予測ＭＲＩ画像をデータ記憶媒体内に格納するステップと、を含む、コンピュータ実装方法を提供する。
本発明は、さらに、システムであって、
・受信ユニットと、
・制御計算ユニットと、
・出力ユニットと、を含み、
－制御計算ユニットは、受信ユニットが複数の第１ＭＲＩ画像を受信することを促進するように構成され、第１ＭＲＩ画像の少なくとも一部は、造影剤を投与した後の第１時間スパン時の検査領域を示すものとされ、
－制御計算ユニットは、受信した第１ＭＲＩ画像に基づいて、第２時間スパン時の検査領域を示す１つまたは複数の第２ＭＲＩ画像を予測するように構成され、ここで、第２時間スパンは、第１時間スパンの後に時系列的に続くものとされ、
－制御計算ユニットは、出力ユニットが、１つまたは複数の第２ＭＲＩ画像を表示することを、または１つまたは複数の第２ＭＲＩ画像を出力することを、または１つまたは複数の第２ＭＲＩ画像をデータ記憶媒体内に保存することを、促進するように構成されている、システムを提供する。
本発明は、さらに、コンピュータシステムのメモリ内へとロードされ得るコンピュータプログラムを含むコンピュータプログラム製品であって、コンピュータシステムに、
－複数の第１ＭＲＩ画像を受信するステップであり、第１ＭＲＩ画像の少なくともいくつかを、造影剤を投与した後の第１時間スパン時の検査領域を示すものとするステップと、
－複数の第１ＭＲＩ画像を、予測モデルに対して供給するステップであり、予測モデルを、造影剤を投与した後の第１時間スパン時の検査領域を少なくともいくつかのものが示している第１参照ＭＲＩ画像から、第２時間スパン時の検査領域を示す１つまたは複数の第２参照ＭＲＩ画像を予測するよう、教師あり学習によって参照ＭＲＩ画像に基づいて訓練されたものとし、ここで、第２時間スパンを、第１時間スパンの後に時系列的に続くものとするステップと、
－予測モデルによって、第２時間スパン時の検査領域を示す１つまたは複数の予測ＭＲＩ画像を生成するステップであり、ここで、第２時間スパンを、第１時間スパンの後に時系列的に続くものとするステップと、
－１つまたは複数の予測ＭＲＩ画像を、表示および／または出力するステップ、ならびに／あるいは、１つまたは複数の予測ＭＲＩ画像をデータ記憶媒体内に格納するステップと、を実行させることを促進する、コンピュータプログラム製品を提供する。
本発明は、さらに、ＭＲＩ方法における造影剤の使用であって、ＭＲＩ方法は、
－造影剤を投与するステップであり、造影剤を、検査領域内に広げるステップと、
－第１時間スパン時の検査領域に関して複数の第１ＭＲＩ画像を生成するステップと、
－生成した第１ＭＲＩ画像を、予測モデルに対して供給するステップであり、予測モデルを、第１時間スパン時の検査領域を示す第１参照ＭＲＩ画像から、第２時間スパン時の検査領域を示す１つまたは複数の第２参照ＭＲＩ画像を予測するよう、教師あり学習によって参照ＭＲＩ画像に基づいて訓練されたものとし、ここで、第２時間スパンを、第１時間スパンの後に時系列的に続くものとするステップと、
－予測モデルからの出力として、第２時間スパン時の検査領域を示す１つまたは複数の予測ＭＲＩ画像を受信するステップであり、ここで、第２時間スパンを、第１時間スパンの後に時系列的に続くものとするステップと、
－１つまたは複数の予測ＭＲＩ画像を、表示および／または出力するステップ、ならびに／あるいは、１つまたは複数の予測ＭＲＩ画像をデータ記憶媒体内に格納するステップと、を含む、使用を提供する。
さらに提供されるものは、ＭＲＩ方法において使用するための造影剤であって、ＭＲＩ方法は、
－造影剤を投与するステップであり、造影剤を、検査領域内に広げるステップと、
－第１時間スパン時の検査領域に関して複数の第１ＭＲＩ画像を生成するステップと、
－生成した第１ＭＲＩ画像を、予測モデルに対して供給するステップであり、予測モデルを、第１時間スパン時の検査領域を示す第１参照ＭＲＩ画像から、第２時間スパン時の検査領域を示す１つまたは複数の第２参照ＭＲＩ画像を予測するよう、教師あり学習によって参照ＭＲＩ画像に基づいて訓練されたものとし、ここで、第２時間スパンを、第１時間スパンの後に時系列的に続くものとするステップと、
－予測モデルからの出力として、第２時間スパン時の検査領域を示す１つまたは複数の予測ＭＲＩ画像を受信するステップであり、ここで、第２時間スパンを、第１時間スパンの後に時系列的に続くものとするステップと、
－１つまたは複数の予測ＭＲＩ画像を、表示および／または出力するステップ、ならびに／あるいは、１つまたは複数の予測ＭＲＩ画像をデータ記憶媒体内に格納するステップと、を含む。
さらに提供されるものは、本発明による造影剤と、本発明によるコンピュータプログラム製品と、を含むキットである。
以下においては、本発明の主題（方法、システム、コンピュータプログラム製品、使用、使用のための造影剤、キット）どうしを区別することなく、本発明について、より具体的に説明する。それどころか、以下の説明は、どの文脈（方法、システム、コンピュータプログラム製品、使用、使用のための造影剤、キット）で起こっているかに関係なく、本発明のすべての主題に対して同様に適用されることを意図している。
本明細書または請求項において、ステップがある順序で記載されている場合、これは、本発明がその記載された順序に限定されることを必ずしも意味するものではない。それどころか、あるステップが他のステップの上に構築されない限り、そして、その構築ステップをその後に実行することが絶対に必要とされない限り（ただし、これは個々の事例において明らかである）、ステップが異なる順序で実行されること、あるいは、ステップが互いに並行して実行されることも、また、想定される。よって、記載された順序は、本発明の好ましい実施形態である。
本発明は、ＭＲＩ画像の生成において、検査対象物の検査の時間スパンを短縮するものである。これは、検査対象物の検査領域のＭＲＩ画像が第１時間スパンで測定され（磁気共鳴測定）、その後、測定されたＭＲＩ画像を使用することにより、自己学習アルゴリズムを使用して、第２時間スパンにおける検査領域を示す１つまたは複数のＭＲＩ画像が予測されることによって、達成される。よって、検査対象物上への実際の磁気共鳴測定は、第１時間スパンに限定され、第２時間スパンは含まれない。第１時間スパン時の検査領域を示すＭＲＩ画像は、第２時間スパンに関する予測を可能とする情報を含有している。
「検査対象物」は、通常、生物であり、好ましくは哺乳類であり、非常に特に好ましくは、人間である。検査領域は、検査対象物の一部であり、例えば、臓器または臓器の一部である。好ましくは、検査領域は、哺乳類（好ましくは、人間）の、肝臓または肝臓の一部である。
「検査領域」は、画像ボリューム（視野、ＦＯＶ）とも称されるものであり、特に、磁気共鳴画像内に撮像されるボリュームである。検査領域は、典型的には、放射線技師によって、例えば概観画像（ローカライザ）上で規定される。検査領域が、代替的にまたは追加的に、例えば選択されたプロトコルに基づいて自動的に規定され得ることは、自明である。
検査領域は、基本磁場内へと導入される。検査領域は、ＭＲＩ法を受け、これにより、第１時間スパン時の検査領域を示す複数のＭＲＩ画像が生成される。第１時間スパン時の測定によって生成されたこれらのＭＲＩ画像は、また、本明細書では、第１ＭＲＩ画像とも称される。
複数という用語は、少なくとも２つの（第１）ＭＲＩ画像が生成されること、好ましくは少なくとも３つの（第１）ＭＲＩ画像が生成されること、非常に特に好ましくは少なくとも４つの（第１）ＭＲＩ画像が生成されること、を意味している。
検査対象物に対して、検査領域内で広がる造影剤が投与される。造影剤は、好ましくは、ボーラスとして、体重に応じて静脈内投与される（例えば、腕の静脈内へと投与される）。
「造影剤」とは、磁気共鳴測定においてその存在が信号変化をもたらす物質または物質混合物を意味するものとして、理解される。好ましくは、造影剤は、Ｔ１緩和時間の短縮および／またはＴ２緩和時間の短縮をもたらす。
好ましくは、造影剤は、例えばＧｄ－ＥＯＢ－ＤＴＰＡまたはＧｄ－ＢＯＰＴＡなどの、肝胆道造影剤である。
特に好ましい実施形態では、造影剤は、コントラスト増強活性物質としてガドキセト酸を有したまたはガドキセト酸塩を有した、物質または物質混合物である。非常に特に好ましいことは、ガドキセト酸の二ナトリウム塩（Ｇｄ－ＥＯＢ－ＤＴＰＡ二ナトリウム）として与えられることである。
好ましくは、第１時間スパンは、造影剤の投与前にまたは造影剤の投与とともに、開始される。造影剤を投与していない検査領域を示す１つまたは複数のＭＲＩ画像（ネイティブ画像）が生成されることが有利であり、これは、放射線技師が、そのような画像内において、検査対象物の健康状態に関する重要な情報を既に得ることができるからである。例えば、放射線技師は、そのようなネイティブＭＲＩ画像において、出血を識別することができる。
第１時間スパンは、好ましくは、検査領域内に造影剤が分布することを、包含する。好ましくは、第１時間スパンは、検査対象物の肝臓または肝臓の一部に関する動的コントラスト増強磁気共鳴断層撮影における、動脈相および／または門脈相および／または後期相を包含する。記載された相は、例えば、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、Journal of Hepatology, 2019, Vol. 71: 534-542, http://dx.doi.org/10.1016/j.jhep.2019.05.005)、という出版物において規定されて説明されている。
好ましい実施形態では、第１時間スパンは、検査対象物の肝臓または肝臓の一部に関するそのようなＭＲＩ画像が、
（ｉ）造影剤が無い状態での検査領域を示すものとして、
（ｉｉ）造影剤が動脈を介して検査領域内に広がっている動脈相時の検査領域を示すものとして、
（ｉｉｉ）造影剤が門脈を介して検査領域へと到達している門脈相時の検査領域を示すものとして、さらに、
（ｉｖ）動脈内のおよび静脈内の造影剤の濃度が低下しかつ肝細胞内における造影剤の濃度が上昇している後期相時の検査領域を示すものとして、生成されるように選択される。
好ましくは、第１時間スパンは、造影剤の投与の１分前から１秒前までの時間スパン内に開始されるあるいは造影剤の投与とともに開始されるとともに、造影剤の投与から、２分間から１５分間までの、好ましくは２分間から１３分間までの、さらに好ましくは３分間から１０分間までの、時間スパンで継続する。造影剤が、腎臓を通しておよび肝胆道を通して非常にゆっくりと排泄されるため、第２時間スパンは、造影剤の投与から２時間以上にまで及ぶことがあり得る。
造影剤が、異なる検査対象物内において様々な速さで広がり得ることのために、第１時間スパンは、また、検査領域の異なる部位内における造影剤の濃度によって、規定することもできる。１つの可能性が、図１に図示されている。図１は、肝動脈（Ａ）と、肝静脈（Ｖ）と、健康な肝細胞（Ｐ）と、における造影剤濃度の時間プロファイルを、概略的に示している。濃度は、時間ｔの関数として、磁気共鳴測定における記載部位（肝動脈、肝静脈、肝細胞）内の信号強度Ｉという形態で、図示されている。静脈内ボーラス注入時には、最初に、肝動脈（Ａ）内において、造影剤濃度が上昇する（破線で示す曲線）。濃度は、最大値を通過し、その後、低下する。肝静脈（Ｖ）内における濃度は、肝動脈内と比較して、より遅れて上昇し、遅れて最大値へと到達する（点線で示す曲線）。健康な肝細胞（Ｐ）内における造影剤濃度は、遅れて上昇し（連続した曲線）、非常に遅い時点でのみ、最大値へと到達する（図１には、最大値は図示されていない）。いくつかの特徴的な時点を規定することができる。時点ＴＰ０では、造影剤を、ボーラスとして静脈内に投与する。時点ＴＰ１では、肝動脈内の造影剤濃度（信号強度）が、最大値へと到達する。時点ＴＰ２では、肝動脈に関する信号強度曲線と、肝静脈に関する信号強度曲線とが、交差する。時点ＴＰ３では、肝静脈内の造影剤濃度（信号強度）が、最大値を通過する。時点ＴＰ４では、肝動脈に関する信号強度曲線と、肝細胞に関する信号強度曲線とが、交差する。時点Ｔ５では、肝動脈内の濃度と肝静脈の濃度とが、もはや測定可能なコントラスト増強を引き起こさないレベルにまで、低下している。
好ましい実施形態では、第１時間スパンは、少なくとも時点ＴＰ０、ＴＰ１、ＴＰ２、ＴＰ３、およびＴＰ４を、包含する。
好ましい実施形態では、以下のすべての相に関して、すなわち、ＴＰ０よりも前の時間スパン、ＴＰ０からＴＰ１までの時間スパン、ＴＰ１からＴＰ２までの時間スパン、ＴＰ２からＴＰ３までの時間スパン、および、ＴＰ３からＴＰ４までの時間スパン、に関して、少なくともＭＲＩ画像が（測定によって）生成される。
ＴＰ０よりも前の時間スパン、ＴＰ０からＴＰ１までの時間スパン、ＴＰ１からＴＰ２までの時間スパン、ＴＰ２からＴＰ３までの時間スパン、および、ＴＰ３からＴＰ４までの時間スパン、のそれぞれにおいて、１つまたは複数のＭＲＩ画像が（測定によって）生成されることが、想定される。また、１つまたは複数の時間スパンの際に、複数のＭＲＩ画像からなるシーケンスが（測定によって）生成されることが、想定される。
シーケンスという用語は、時系列を意味する、すなわち、生成されるものは、連続した時点において検査領域を示す複数のＭＲＩ画像である。
時点が、各ＭＲＩ画像に対して割り当てられる、あるいは、時点を、各ＭＲＩ画像に対して割り当てることができる。通常、この時点は、ＭＲＩ画像が生成された時点（絶対時間）である。当業者であれば、ＭＲＩ画像の生成が所定時間スパンを使用することを、認識している。ＭＲＩ画像に対して割り当てられ得るものは、例えば、撮影開始時点または撮影完了時点である。しかしながら、ＭＲＩ画像に対して任意の時点を割り当てること（例えば、相対的な時点）も、また、想定される。
時点に基づいて、ＭＲＩ画像は、別のＭＲＩ画像に対して時系列的に配置することができる、すなわち、ＭＲＩ画像の時点に基づいて、ＭＲＩ画像に示された瞬間が、別のＭＲＩ画像に示された瞬間と比較して、時系列的に前に行われたかまたは時系列的に後に行われたかを、確立することが可能である。
好ましくは、ＭＲＩ画像は、複数のものがシーケンスとして時系列的に順序づけられ、これにより、検査領域の早期段階を示すＭＲＩ画像は、検査領域の後期段階を示すＭＲＩ画像と比較して前となるように、複数のものがシーケンスとして配置される。
シーケンスおよび／または複数内において互いに前後した２つのＭＲＩ画像どうしの間の時間スパンは、好ましくは、シーケンスおよび／または複数内において互いに前後したすべてのＭＲＩ画像の対に関して、同一である、すなわち、ＭＲＩ画像は、好ましくは、一定の取得速度で生成されたものである。
第１時間スパン時に（測定によって）生成された（第１）ＭＲＩ画像に基づいて、第２時間スパン時の検査領域を示す、１つの第２ＭＲＩ画像が、または複数の第２ＭＲＩ画像が、予測される。第２時間スパンに関して予測されたＭＲＩ画像は、また、本明細書では、第２ＭＲＩ画像とも称される。
本発明の好ましい実施形態では、第２時間スパンは、第１時間スパンに続くものである。
第２時間スパンは、好ましくは、肝胆道相内の時間スパンであり、好ましくは、造影剤投与から少なくとも１０分後に開始される時間スパンであり、好ましくは、造影剤投与から少なくとも２０分後に開始される時間スパンである。
第１時間スパン時の検査領域を示す複数の測定ＭＲＩ画像は、予測モデルに対して供給される。予測モデルは、第１時間スパン時の検査領域を示す複数のＭＲＩ画像に基づいて、第２時間スパン時の検査領域を示す１つまたは複数のＭＲＩ画像を予測するように構成されたモデルである。
この関連で、「予測」という用語は、第２時間スパン時の検査領域を示すＭＲＩ画像が、第１時間スパン時の検査領域を示すＭＲＩ画像を使用して計算されることを、意味する。
予測モデルは、好ましくは、教師あり機械学習プロセスにおける自己学習アルゴリズムを使用して作成されたものである。学習は、第１時間スパンおよび第２時間スパンにおける複数のＭＲＩ画像を含む訓練データを使用することによって、達成される。これらの訓練データは、また、本明細書では、参照ＭＲＩ画像とも称される。第１時間スパン時に生成された参照ＭＲＩ画像は、また、第１参照ＭＲＩ画像とも称され、第２時間スパン時に生成された参照ＭＲＩ画像は、また、第２参照ＭＲＩ画像とも称される。
自己学習アルゴリズムは、機械学習時に、訓練データに基づく統計モデルを生成する。これは、例を、単に丸暗記するのではなく、アルゴリズムが、訓練データ内のパターンおよび規則性を「認識する」ことを意味する。よって、予測モデルは、未知のデータを評価することもできる。検証データを使用することにより、未知のデータに関する評価の品質をテストすることができる。
予測モデルは、教師あり学習によって訓練される、すなわち、第１時間スパンからの複数の第１参照ＭＲＩ画像が、アルゴリズムに連続して提示され、第２時間スパンにおけるどの第２参照ＭＲＩ画像がこれら複数にものに対して関連付けられるかが、「知らされる」。次に、アルゴリズムは、第１時間スパンの未知の複数のＭＲＩ画像に対して第２時間スパンの１つまたは複数のＭＲＩ画像を予測するために、第１時間スパンの複数の参照ＭＲＩ画像と、第２時間スパンの参照ＭＲＩ画像と、の間の関係を学習する。
教師あり学習によって訓練される自己学習システムは、従来技術において広く説明されている（例えば、C. Perez: Machine Learning Techniques: Supervised Learning and Classification, Amazon Digital Services LLC - Kdp Print Us, 2019, ISBN 1096996545, 9781096996545を参照されたい）。
好ましくは、予測モデルは、人工ニューラルネットワークである。
このような人工ニューラルネットワークは、入力ニューロン（ノード）を有した第１層、少なくとも１つの出力ニューロン（ノード）を有した第Ｎ層、および、Ｎを、２よりも大きな自然数としたときにＮ－２個の内部層、という、処理要素からなる少なくとも３つの層を含む。
入力ニューロンは、入力値として、デジタルＭＲＩ画像を受信するように機能する。通常、デジタルＭＲＩ画像の各ピクセルまたは各ボクセルに対して、１つの入力ニューロンが存在する。追加的な入力値（例えば、検査領域に関する情報、検査対象物に関する情報、ＭＲＩ画像を生成する時に優勢であった条件に関する情報、および／または、ＭＲＩ画像が生成された時点または時間スパンに関する情報）に対して、追加的な入力ニューロンが存在することができる。
このようなネットワークにおいて、出力ニューロンは、第１時間スパンの複数のＭＲＩ画像に対して、第２時間スパンの１つまたは複数のＭＲＩ画像を予測するように機能する。
入力ニューロンと出力ニューロンとの間の層をなす処理要素は、所定の接続重みを有した所定パターン内で互いに接続されている。
好ましくは、人工ニューラルネットワークは、いわゆる畳み込みニューラルネットワーク（略してＣＮＮ）である。
畳み込みニューラルネットワークは、入力データをマトリクス形態で処理することが可能である。このため、マトリクス（例えば、幅×高さ×色チャンネル）として描かれたデジタルＭＲＩ画像を、入力データとして使用することが可能である。対照的に、例えば多層パーセプトロン（ＭＬＰ）の形態などの、通常のニューラルネットワークは、入力としてベクトルを必要とする、すなわち、入力としてＭＲＩ画像を使用するためには、ＭＲＩ画像のピクセルまたはボクセルは、長いチェーンで連続して繰り出されなければならない。その結果、通常のニューラルネットワークは、例えば、ＭＲＩ画像内の対象物の位置と無関係には、ＭＲＩ画像内の対象物を認識することができない。ＭＲＩ画像内の異なる位置にある同じ対象物は、全く異なる入力ベクトルを有することとなる。
ＣＮＮは、交互に繰り返されるフィルタ（畳み込み層）および集約層（プーリング層）と、最後に位置した「通常の」完全連結ニューロン（密に／完全に連結された層）からなる１つの層または複数の層と、から本質的になる。
シーケンス（ＭＲＩ画像のシーケンス）を解析する時には、空間と時間とを、等価な次元として扱うことができる、例えば３Ｄフォールドを介して処理することができる。これは、Baccouche et al.による論文において（例えば、Baccouche et al.: Sequential Deep Learning for Human Action Recognition; International Workshop on Human Behavior Understanding, Springer 2011, pages 29-39を参照されたい）、および、Ji et al.による論文において（3D Convolutional Neural Networks for Human Action Recognition, IEEE Transactions on Pattern Analysis and Machine Intelligence, 35(1), 221-231）示されている。
さらに、Karpathy et al.による、および、Simonyan & Zissermanによる出版物に記載されているように（例えば、Karpathy et al.: Large-scale Video Classification with Convolutional Neural Networks; Proceedings of the IEEE conference on Computer Vision and Pattern Recognition, 2014, pages 1725-1732、および、Simonyan & Zisserman: Two-stream Convolutional Networks for Action Recognition in Videos; Advances in Neural Information Processing Systems, 2014, pages 568-576を参照されたい）、時間と空間とを担当する異なるネットワークを訓練し得るとともに、最後に特徴どうしを結合することができる。
リカレントニューラルネットワーク（ＲＮＮｓ）は、層どうしの間のフィードバック接続を含有したニューラルネットワークの一種である。ＲＮＮｓは、ニューラルネットワークの異なる部分を介したパラメータデータの共通利用により、シーケンシャルデータのモデル化を可能とする。ＲＮＮのためのアーキテクチャは、サイクルを含有している。ＲＮＮからの出力データの少なくとも一部が、シーケンス内の後続の入力を処理するためのフィードバックとして使用されることにより、サイクルは、変数の現在の値が、将来の時点でそれ自体の値に与える影響を、表す。
詳細は、従来技術から収集することができる（例えば、S. Khan et al.: A Guide to Convolutional Neural Networks for Computer Vision, Morgan & Claypool Publishers 2018, ISBN 1681730227, 9781681730226、国際公開第２０１８／１８３０４４（Ａ１）号パンフレット、国際公開第２０１８／２００４９３号パンフレット、国際公開第２０１９／０７４９３８（Ａ１）号パンフレット、国際公開第２０１９／２０４４０６（Ａ１）号パンフレット、国際公開第２０１９／２４１６５９（Ａ１）号パンフレット、を参照されたい）。
ニューラルネットワークの訓練は、例えば、バックプロパゲーション法により実施することができる。この関連で、ネットワークのために、努力されることは、所与の入力データを所与の出力データ上へと、可能な限り信頼できるようにマッピングすることである。マッピングの品質は、誤差関数によって表される。目標は、誤差関数を最小化することである。バックプロパゲーション法の場合、人工ニューラルネットワークは、接続重みを変更することによって、訓練される。
訓練された状態では、処理要素どうしの間の接続重みは、第１時間スパンの複数の参照ＭＲＩ画像と、第１時間スパン時の検査領域を示す新たな複数のＭＲＩ画像に対して第２時間スパン時の検査領域を示す１つまたは複数のＭＲＩ画像を予測するために使用され得る第２時間スパンの参照ＭＲＩ画像と、の間の関係に関する情報を含有する。
データを、訓練データセットと検証データセットとに分割するために、交差検証法を使用することができる。訓練データセットは、ネットワーク重みのバックプロパゲーション訓練において使用される。検証データセットは、訓練されたネットワークを未知の複数のＭＲＩ画像に対して適用し得る予測精度をチェックするために、使用される。
上述したように、検査対象物に関する更なる情報、検査領域に関する更なる情報、検査条件に関する更なる情報、および／または、測定されたＭＲＩ画像に関する更なる情報も、また、訓練、検証、および予測のために、使用することができる。
検査対象物に関する情報の例は、性別、年齢、体重、身長、既往症、摂取した医薬品の種類と期間と量、血圧、中心静脈圧、呼吸数、血清アルブミン、総ビリルビン、血糖、鉄分、呼吸能力、および同種のもの、である。また、これらは、例えば、データベースまたは電子患者ファイルから収集することもできる。
検査領域に関する情報の例は、既往症、手術、部分切除、肝移植、鉄肝、脂肪肝、および同種のもの、である。
第１時間スパン時の検査領域を示す複数のＭＲＩ画像が、予測モデルに対して供給される前に、動き補正を受けることが、想定される。このような動き補正は、第１ＭＲＩ画像の画素またはボクセルが、時間的に後の第２ＭＲＩ画像の対応画素または対応ボクセルと同じ検査領域を示すことを、確保する。動き補正の方法は、従来技術において説明されている（例えば、欧州特許第３１１８６４４号明細書、欧州特許第３３２２９９７号明細書、米国特許出願公開第２００８０３１７３１５号明細書、米国特許出願公開第２０１７０２６９１８２号明細書、米国特許出願公開第２０１４００６２４８１号明細書、欧州特許第２６２６７１８号明細書、を参照されたい）。
本発明は、本発明による方法を実行することを可能とするシステムを提供する。
システムは、受信ユニットと、制御計算ユニットと、出力ユニットと、を含む。
記載されたユニットが、単一のコンピュータシステムの構成要素であることが想定されるけれども、記載されたユニットが、また、あるユニットから別のユニットへとデータおよび／または制御信号を送信するために、ネットワークを介して互いに接続された複数の別個のコンピュータシステムの構成要素であることも、想定される。
「コンピュータシステム」とは、プログラム可能な計算規則によってデータを処理する電子的データ処理のためのシステムである。このようなシステムは、通常、論理演算を実行するためのプロセッサを含むユニットである「コンピュータ」と、周辺機器と、を含む。
コンピュータ技術では、「周辺機器」とは、コンピュータに対して接続されていて、コンピュータを制御するように機能するおよび／または入出力デバイスとして機能する、すべてのデバイスを指す。その例は、モニタ（スクリーン）、プリンタ、スキャナ、マウス、キーボード、ドライブ、カメラ、マイクロホン、ラウドスピーカ、等である。内部ポートおよび拡張カードも、また、コンピュータ技術では周辺機器と見なされる。
今日のコンピュータシステムは、デスクトップＰＣｓ、ポータブルＰＣｓ、ラップトップ、ノートブック、ネットブック、タブレットＰＣｓ、いわゆるハンドヘルド（例えば、スマートフォン）、へと多くの場合に分類されるけれども、すべてのこれらのシステムは、本発明の実施に際して利用することができる。
コンピュータシステムへの入力は、例えば、キーボード、マウス、マイクロホン、および／または、同種のもの、などの入力手段を介して、達成される。
本発明によるシステムは、第１時間スパン時の検査領域を示す複数のＭＲＩ画像を受信するように、さらに、これらのデータに基づいておよび任意選択的な更なるデータに基づいて、第２時間スパン時の検査領域を示す１つまたは複数のＭＲＩ画像を生成するように（予測するように、計算するように）、構成されている。
制御計算ユニットは、受信ユニットの制御のために、様々なユニットどうしの間にわたっての、データおよび信号の流れ調整のために、さらに、ＭＲＩ画像の計算のために、機能する。複数の制御計算ユニットが存在することも、想定される。
受信ユニットは、複数のＭＲＩ画像を受信するように機能する。複数の画像は、例えば、磁気共鳴システムから送信され得る、あるいは、データ記憶媒体から読み出され得る。磁気共鳴システムは、本発明によるシステムの構成要素とすることができる。しかしながら、また、本発明によるシステムが、磁気共鳴システムの構成要素であることも、想定される。
ＭＲＩ画像のシーケンスと任意選択的な更なるデータとが、受信ユニットから、制御計算ユニットへと、送信される。
制御計算ユニットは、第１時間スパン時の検査領域を示す複数のＭＲＩ画像に基づいて、１つまたは複数のＭＲＩ画像を予測するように構成され、ここで、予測ＭＲＩ画像は、第２時間スパン時の検査領域を示すものである。好ましくは、制御計算ユニットのメモリ内へとロードされ得るものは、第２時間スパンのＭＲＩ画像を計算するために使用される予測モデルである。予測モデルは、好ましくは、教師あり学習による自己学習アルゴリズムを使用して生成（訓練）されたものである。
出力ユニットを介して、予測ＭＲＩ画像を、表示することができる（例えば、スクリーン上に）、または、出力することができる（例えば、プリンタを介して）、または、データ記憶媒体内に格納することができる。
本発明について、図面に図示した特徴点または特徴点どうしの組合せへと本発明を限定することを望むことなく、図面を参照して、以下においてより詳細に説明する。
図１は、肝動脈（Ａ）、肝静脈（Ｖ）、および肝細胞（Ｐ）、内における造影剤の濃度に関する時間プロファイルを概略的に示しており、詳細に上述したとおりである。
図２は、本発明によるシステムの好ましい実施形態を、概略的に示している。システム（１０）は、受信ユニット（１１）と、制御計算ユニット（１２）と、出力ユニット（１３）と、を含む。
図３は、本発明による方法の一実施形態を、概略的にかつ例示的に示している。方法（１００）は、
（１１０）複数の第１ＭＲＩ画像を受信するステップであり、第１ＭＲＩ画像の少なくともいくつかを、造影剤を投与した後の第１時間スパン時の検査領域を示すものとするステップと、
（１２０）複数の第１ＭＲＩ画像を、予測モデルに対して供給するステップであり、予測モデルを、第１時間スパン時の検査領域を示す第１参照ＭＲＩ画像から、第２時間スパン時の検査領域を示す１つまたは複数の第２参照ＭＲＩ画像を予測するよう、教師あり学習によって参照ＭＲＩ画像を基に訓練されたものとし、ここで、第２時間スパンを、第１時間スパンの後に時系列的に続くものとするステップと、
（１３０）予測モデルによって、第２時間スパン時の検査領域を示す１つまたは複数の予測ＭＲＩ画像を生成するステップであり、ここで、第２時間スパンを、第１時間スパンの後に時系列的に続くものとするステップと、
（１４０）１つまたは複数の予測ＭＲＩ画像を、表示および／または出力するステップ、ならびに／あるいは、１つまたは複数の予測ＭＲＩ画像をデータ記憶媒体内に格納するステップと、を含む。
図４は、動的相時および肝胆道相時における肝臓の複数のＭＲＩ画像を、概略的にかつ例示的に示している。図４（ａ）、図４（ｂ）、図４（ｃ）、図４（ｄ）、図４（ｅ）、および図４（ｆ）では、異なる時点における肝臓を通しての同じ断面が、常に描かれている。図４（ａ）、図４（ｂ）、図４（ｄ）、および図４（ｆ）内に記入した参照符号は、図４（ａ）、図４（ｂ）、図４（ｃ）、図４（ｄ）、図４（ｅ）、および図４（ｆ）のすべてに対して適用されるものであり、明瞭化のために、それぞれ１回だけ記入されている。図４（ａ）は、肝胆道造影剤を静脈内投与する前の肝臓（Ｌ）を通しての断面を示している。図４（ａ）の時点と図４（ｂ）の時点との間で、肝胆道造影剤を、ボーラスとして静脈内投与した。これは、図４（ｂ）内の肝動脈（Ａ）を経由して、肝臓へと到達する。したがって、肝動脈は、信号強調されて描出されている（動脈相）。主に動脈を介して血液が供給される腫瘍（Ｔ）も、同様に、肝細胞組織と比較して、より明るい（信号が増強された）領域として際立っている。図４（ｃ）に示す時点で、造影剤は、静脈を経由して肝臓へと到達する。図４（ｄ）では、静脈血管（Ｖ）が、肝組織と比較して、明るい（信号が強調された）領域として際立っている（静脈相）。同時に、主に静脈を介して造影剤が供給される健康な肝細胞内の信号強度は、連続的に上昇する（図４（ｃ）→図４（ｄ）→図４（ｅ）→図４（ｆ））。図４（ｆ）に示す肝胆道相では、肝細胞（Ｐ）が、信号強調されて描出され、血管および腫瘍は、もはや造影剤を有していないため、暗く描出される。
図５は、第１時間スパンにおいて肝臓を示す３つのＭＲＩ画像（１）、（２）、および（３）が、予測モデル（ＰＭ）に対してどのようにして供給されるかを、例示的にかつ概略的に示している。予測モデルは、３つのＭＲＩ画像（１）、（２）、および（３）から、第２時間スパンにおいて肝臓を示すＭＲＩ画像（４）を、計算する。ＭＲＩ画像（１）、（２）、および（３）は、例えば、図４（ｂ）、図４（ｃ）、および図４（ｄ）に示すＭＲＩ画像を示すことができる。ＭＲＩ画像（４）は、例えば、図４（ｆ）に示すＭＲＩ画像とすることができる。

Claims (15)

  1. コンピュータ実装方法であって、
    －複数のＭＲＩ画像を受信するステップであり、前記ＭＲＩ画像の少なくともいくつかを、造影剤を投与した後の第１時間スパン時の検査領域を示すものとするステップと、
    －前記複数のＭＲＩ画像を、予測モデルに対して供給するステップであり、前記予測モデルを、造影剤を投与した後の第１時間スパン時の検査領域を少なくともいくつかのものが示しているＭＲＩ画像に基づいて、第２時間スパン時の前記検査領域を示す１つまたは複数のＭＲＩ画像を予測するよう、教師あり学習によって訓練されたものとし、前記第２時間スパンを、前記第１時間スパンの後に時系列的に続くものとするステップと、
    －前記予測モデルによって、第２時間スパン時の前記検査領域を示す１つまたは複数の予測ＭＲＩ画像を生成するステップであり、前記第２時間スパンを、前記第１時間スパンの後に時系列的に続くものとするステップと、
    －前記１つまたは複数の予測ＭＲＩ画像を、表示および／または出力するステップ、ならびに／あるいは、前記１つまたは複数の予測ＭＲＩ画像をデータ記憶媒体内に格納するステップと、
    を含むコンピュータ実装方法。
  2. 受信した少なくとも１つのＭＲＩ画像は、前記造影剤を投与する前の前記検査領域を示し、受信した少なくとも１つのＭＲＩ画像は、前記造影剤を投与した後の前記検査領域を示している、請求項１に記載の方法。
  3. 前記検査領域は、哺乳類の、好ましくは人間の、肝臓または肝臓の一部である、請求項１または２に記載の方法。
  4. 前記第１時間スパンは、前記検査領域を異なる相で示すように選択され、前記相は、ネイティブ相と、動脈相と、門脈相と、後期相とを含み、前記ネイティブ相における前記検査領域を示す少なくとも１つのＭＲＩ画像が受信され、前記動脈相時の前記検査領域を示す少なくとも１つのＭＲＩ画像が受信され、前記門脈相における前記検査領域を示す少なくとも１枚のＭＲＩ画像が受信され、前記後期相における前記検査領域を示す少なくとも１枚のＭＲＩ画像が受信される、請求項３に記載の方法。
  5. 受信した前記ＭＲＩ画像は、時点ＴＰ０より前における、ならびに、ＴＰ０からＴＰ１までの時間スパン時の、および／または、ＴＰ１からＴＰ２までの時間スパン時の、および／または、ＴＰ２からＴＰ３までの時間スパン時の、および／または、ＴＰ３からＴＰ４までの時間スパン時の、哺乳類の肝臓または肝臓の一部を示し、前記時点ＴＰ０では、前記造影剤が、ボーラスとして静脈内投与され、その後、肝動脈および肝静脈を介して肝細胞へと到達し、前記時点ＴＰ１では、前記肝動脈内の前記造影剤が、最大濃度へと到達し、前記時点ＴＰ２では、前記造影剤によって前記肝静脈内に発生する信号強度が、前記造影剤によって前記肝動脈内に発生する信号強度の値と比較して、同じ大きさの値を取り、前記時点ＴＰ３では、前記肝静脈内の前記造影剤が、最大濃度へと到達し、前記時点ＴＰ４では、前記造影剤によって前記肝細胞内に発生する信号強度が、前記造影剤によって前記肝静脈内に発生する信号強度の値と比較して、同じ大きさの値を取る、請求項１～４のいずれか一項に記載の方法。
  6. 前記第１時間スパンは、前記造影剤の投与の１分前から１秒前までの時間スパン内に開始されるあるいは前記造影剤の投与とともに開始されるとともに、前記造影剤の投与から、２分間から１５分間までの、好ましくは２分間から１３分間までの、さらに好ましくは３分間から１０分間までの、時間スパンで継続する、請求項１～５のいずれか一項に記載の方法。
  7. 前記第２時間スパンは、肝胆道相内である、請求項１～６のいずれか一項に記載の方法。
  8. 前記第２時間スパンは、前記造影剤の投与後から少なくとも１０分後に、好ましくは前記造影剤の投与から少なくとも２０分後に、開始される、請求項１～７のいずれか一項に記載の方法。
  9. 前記予測モデルは、人工ニューラルネットワークである、請求項１～８のいずれか一項に記載の方法。
  10. 前記造影剤は、肝胆道造影剤である、好ましくは、Ｇｄ－ＥＯＢ－ＤＴＰＡまたはＧｄ－ＢＯＰＴＡである、請求項１～９のいずれか一項に記載の方法。
  11. システムであって、
    ・受信ユニットと、
    ・制御計算ユニットと、
    ・出力ユニットと、
    を含み、
    －前記制御計算ユニットは、前記受信ユニットが複数のＭＲＩ画像を受信することを促進するように構成され、前記ＭＲＩ画像の少なくとも一部は、造影剤を投与した後の第１時間スパン時の検査領域を示すものとされ、
    －前記制御計算ユニットは、受信した前記ＭＲＩ画像に基づいて、第２時間スパン時の前記検査領域を示す１つまたは複数の予測ＭＲＩ画像を予測するように構成され、前記第２時間スパンは、前記第１時間スパンの後に時系列的に続くものとされ、
    －前記制御計算ユニットは、前記出力ユニットが、前記１つまたは複数の予測ＭＲＩ画像を表示することを、または前記１つまたは複数の予測ＭＲＩ画像を出力することを、または前記１つまたは複数の予測ＭＲＩ画像をデータ記憶媒体内に保存することを、促進するように構成されている、
    システム。
  12. コンピュータシステムのメモリ内へとロードされ得るコンピュータプログラムを含むコンピュータプログラム製品であって、
    前記コンピュータシステムに、
    －複数のＭＲＩ画像を受信するステップであり、前記ＭＲＩ画像の少なくともいくつかを、造影剤を投与した後の第１時間スパン時の検査領域を示すものとするステップと、
    －前記複数のＭＲＩ画像を、予測モデルに対して供給するステップであり、前記予測モデルを、造影剤を投与した後の第１時間スパン時の検査領域を少なくともいくつかのものが示しているＭＲＩ画像に基づいて、第２時間スパン時の前記検査領域を示す１つまたは複数のＭＲＩ画像を予測するよう、教師あり学習によって訓練されたものとし、前記第２時間スパンを、前記第１時間スパンの後に時系列的に続くものとするステップと、
    －前記予測モデルによって、第２時間スパン時の前記検査領域を示す１つまたは複数の予測ＭＲＩ画像を生成するステップであり、前記第２時間スパンを、前記第１時間スパンの後に時系列的に続くものとするステップと、
    －前記１つまたは複数の予測ＭＲＩ画像を、表示および／または出力するステップ、ならびに／あるいは、前記１つまたは複数の予測ＭＲＩ画像をデータ記憶媒体内に格納するステップと、
    を実行させることを促進するコンピュータプログラム製品。
  13. ＭＲＩ方法における造影剤の使用であって、
    前記ＭＲＩ方法は、
    －造影剤を投与するステップであり、前記造影剤を、検査領域内に広げるステップと、
    －第１時間スパン時の前記検査領域に関して複数のＭＲＩ画像を生成するステップと、
    －生成した前記複数のＭＲＩ画像を、予測モデルに対して供給するステップであり、前記予測モデルを、第１時間スパン時の検査領域を示すＭＲＩ画像に基づいて、第２時間スパン時の前記検査領域を示す１つまたは複数のＭＲＩ画像を予測するよう、教師あり学習によって訓練されたものとし、前記第２時間スパンを、前記第１時間スパンの後に時系列的に続くものとするステップと、
    －前記予測モデルからの出力として、前記第２時間スパン時の前記検査領域を示す１つまたは複数の予測ＭＲＩ画像を受信するステップであり、前記第２時間スパンを、前記第１時間スパンの後に時系列的に続くものとするステップと、
    －前記１つまたは複数の予測ＭＲＩ画像を、表示および／または出力するステップ、ならびに／あるいは、前記１つまたは複数の予測ＭＲＩ画像をデータ記憶媒体内に格納するステップと、
    を含む、ＭＲＩ方法における造影剤の使用。
  14. ＭＲＩ方法において使用するための造影剤であって、
    前記ＭＲＩ方法は、
    －造影剤を投与するステップであり、前記造影剤を、検査領域内に広げるステップと、
    －第１時間スパン時の前記検査領域に関して複数のＭＲＩ画像を生成するステップと、
    －生成した前記複数のＭＲＩ画像を、予測モデルに対して供給するステップであり、前記予測モデルを、第１時間スパン時の検査領域を示すＭＲＩ画像に基づいて、第２時間スパン時の前記検査領域を示す１つまたは複数のＭＲＩ画像を予測するよう、教師あり学習によって訓練されたものとし、前記第２時間スパンを、前記第１時間スパンの後に時系列的に続くものとするステップと、
    －前記予測モデルからの出力として、前記第２時間スパン時の前記検査領域を示す１つまたは複数の予測ＭＲＩ画像を受信するステップであり、前記第２時間スパンを、前記第１時間スパンの後に時系列的に続くものとするステップと、
    －前記１つまたは複数の予測ＭＲＩ画像を、表示および／または出力するステップ、ならびに／あるいは、前記１つまたは複数の予測ＭＲＩ画像をデータ記憶媒体内に格納するステップと、
    を含み、
    前記造影剤は、好ましくは、コントラスト増強活性物質としてガドキセト酸を有したまたは好ましくはＧｄ－ＥＯＢ－ＤＴＰＡ二ナトリウムなどのガドキセト酸塩を有した、物質または物質混合物である、ＭＲＩ方法において使用するための造影剤。
  15. 請求項１４に記載の造影剤と、請求項１２に記載のコンピュータプログラム製品と、を含むキット。
JP2022517510A 2019-09-18 2020-09-14 教師あり学習によって訓練された予測モデルによるｍｒｉ画像の予測 Pending JP2022549604A (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP19197989.7 2019-09-18
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 (2)

Publication Number Publication Date
JP2022549604A true JP2022549604A (ja) 2022-11-28
JPWO2021052896A5 JPWO2021052896A5 (ja) 2023-07-04

Family

ID=67997456

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2022517510A Pending JP2022549604A (ja) 2019-09-18 2020-09-14 教師あり学習によって訓練された予測モデルによるｍｒｉ画像の予測

Country Status (8)

Country Link
US (2) US11727571B2 (ja)
EP (2) EP4031894B1 (ja)
JP (1) JP2022549604A (ja)
CN (1) CN113330483A (ja)
AU (1) AU2020347797A1 (ja)
CA (1) CA3154652A1 (ja)
ES (1) ES2955349T3 (ja)
WO (1) WO2021052896A1 (ja)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
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
WO2024046833A1 (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
WO2024046832A1 (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 (101)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US732697A (en) 1903-02-19 1903-07-07 John Davis Bates Lumber-surface meter.
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
US5840026A (en) 1994-09-21 1998-11-24 Medrad, Inc. Patient specific dosing contrast delivery systems and methods
US6397098B1 (en) 1994-09-21 2002-05-28 Medrad, Inc. Data communication and control for medical imaging systems
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
EP2684521A1 (en) 2004-11-16 2014-01-15 Medrad Inc. Modeling of pharmaceutical propagation
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
WO2007053676A2 (en) 2005-11-01 2007-05-10 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
WO2009020687A2 (en) 2007-05-18 2009-02-12 Henry Ford Health System Mri estimation of contrast agent concentration using a neural network approach
DE102007028660B3 (de) 2007-06-21 2009-01-29 Siemens Ag Verfahren zur Korrektur von Bewegungsartefakten bei der Aufnahme von MR-Bildern
RU2492808C2 (ru) 2008-02-07 2013-09-20 Конинклейке Филипс Электроникс Н.В. Устройство для измерения и прогнозирования респираторной стабильности пациентов
EP2362350B1 (en) 2008-05-08 2018-03-14 Oslo Universitetssykehus HF Automated normalization of cerebral blood volume maps
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
KR102124956B1 (ko) 2010-12-08 2020-06-19 바이엘 헬스케어 엘엘씨 의료 영상 스캔으로부터의 환자 방사선량 추정치 생성
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
CN104115150B (zh) 2012-02-17 2018-05-04 皇家飞利浦有限公司 急性肺损伤(ali)/急性呼吸窘迫整合征(ards)评估和监测
US20150125398A1 (en) 2012-05-11 2015-05-07 University Of Iowa Research Foundation Multimodal imaging methods using mesoporous silica nanoparticles
DE102012215718B4 (de) 2012-09-05 2022-05-12 Siemens Healthcare Gmbh Verfahren und Magnetresonanzanlage zur MR-Bildgebung eines vorbestimmten Volumenabschnitts eines lebenden Untersuchungsobjekts mittels Stimulieren des Untersuchungsobjekts
US9449381B2 (en) 2012-09-10 2016-09-20 Arizona Board Of Regents, A Body Corporate Of The State Of Arizona, Acting For And On Behalf Of Arizona State University Methods, systems, and media for generating and analyzing medical images having elongated structures
JP6645831B2 (ja) 2012-10-31 2020-02-14 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． かん流撮像
EP2750102B1 (en) 2012-12-27 2023-03-15 General Electric Company Method, system and computer readable medium for liver analysis
JP6382232B2 (ja) 2013-02-21 2018-08-29 ユニバ−シティ オブ ロチェスタ− 脳全体の傍血管経路を老廃物のクリアランス機能について評価するための方法、およびそれに基づいて神経変性障害を治療するための方法
JP6530743B2 (ja) 2013-04-03 2019-06-12 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． 血管セグメント化
US10809323B2 (en) 2013-04-24 2020-10-20 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
WO2016084373A1 (ja) * 2014-11-27 2016-06-02 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
EP3261542A4 (en) 2015-02-27 2019-01-16 Bayer Healthcare LLC QUANTIFICATION SPHANTOM FOR USE WITH MULTIPLE IMAGING MODALITIES
US9959615B2 (en) 2015-07-01 2018-05-01 Arizona Board Of Regents On Behalf Of Arizona State University System and method for automatic pulmonary embolism detection
US20170016972A1 (en) 2015-07-13 2017-01-19 Siemens Medical Solutions Usa, Inc. Fast Prospective Motion Correction For MR Imaging
EP3322997A1 (en) 2015-07-15 2018-05-23 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
WO2017040152A1 (en) 2015-08-28 2017-03-09 Bayer Healthcare Llc System and method for syringe fluid fill verification and image recognition of power injector system features
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
EP3509696A1 (en) * 2016-09-06 2019-07-17 Elekta, Inc. Neural network for generating synthetic medical images
WO2018046412A1 (en) 2016-09-07 2018-03-15 Koninklijke Philips N.V. Semi-supervised classification with stacked autoencoder
CA3040484A1 (en) 2016-10-17 2018-04-26 Bayer Healthcare Llc Fluid injector with syringe engagement mechanism
CA3043038A1 (en) 2016-11-22 2018-05-31 Hyperfine Research, Inc. Systems and methods for automated detection in magnetic resonance images
US10933186B2 (en) 2016-11-22 2021-03-02 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
EP3616097A4 (en) 2017-04-25 2021-01-13 The Board of Trustees of the Leland Stanford Junior University DOSE REDUCTION FOR MEDICAL IMAGING USING DEEP NEURAL FOLDING 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
US20200237331A1 (en) 2017-05-02 2020-07-30 Bayer Aktiengesellschaft Improvements in the radiological detection of chronic thromboembolic pulmonary hypertension
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
EP3676854A1 (en) 2017-08-31 2020-07-08 Bayer Healthcare LLC Fluid path impedance assessment for improving fluid delivery 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
AU2018346938B2 (en) 2017-10-09 2024-04-04 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
CN111247595A (zh) 2017-10-31 2020-06-05 通用电气健康护理有限公司 用于诊断认知疾病病理和/或结果的医疗系统
CN116741352A (zh) 2017-11-24 2023-09-12 佳能医疗系统株式会社 医用数据处理装置、磁共振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
CN111656392B (zh) * 2018-02-15 2024-01-05 通用电气公司 用于合成磁共振图像的系统和方法
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
US11982726B2 (en) 2018-04-13 2024-05-14 University Of Southern California Method for joint arterial input function and tracer kinetic parameter estimation in accelerated DCE-MRI using a model consistency constraint
US11100632B2 (en) * 2018-04-13 2021-08-24 Elekta, Inc. Image synthesis using adversarial networks such as for radiation therapy
SG11202010238PA (en) 2018-04-19 2020-11-27 Subtle Medical Inc Systems and methods for improving magnetic resonance imaging using deep learning
CN108703764B (zh) 2018-05-29 2021-11-05 北京东软医疗设备有限公司 血管造影方法、装置、系统、设备及存储介质
CN112313668A (zh) 2018-06-15 2021-02-02 深透医疗公司 使用深度学习进行磁共振成像标准化的系统和方法
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
CN114502068A (zh) 2019-10-08 2022-05-13 拜耳公司 生成肝脏的无对比度增强的mrt图像
EP3804615A1 (de) 2019-10-08 2021-04-14 Bayer AG Erzeugung von mrt-aufnahmen der leber
CA3157469A1 (en) 2019-10-11 2021-04-15 Bayer Aktiengesellschaft Acceleration of mri examinations
EP3875979A1 (de) 2020-03-06 2021-09-08 Bayer Aktiengesellschaft Optimiertes verfahren für dynamische kontrastverstärkende magnetresonanztomographie
JP2023521640A (ja) 2020-04-03 2023-05-25 バイエル、アクチエンゲゼルシャフト 放射線画像の生成
US11308613B2 (en) 2020-06-09 2022-04-19 Siemens Healthcare Gmbh Synthesis of contrast enhanced medical images

Also Published As

Publication number Publication date
US11727571B2 (en) 2023-08-15
CN113330483A (zh) 2021-08-31
EP4031894B1 (de) 2023-06-07
WO2021052896A1 (de) 2021-03-25
AU2020347797A1 (en) 2022-03-31
EP4031894A1 (de) 2022-07-27
CA3154652A1 (en) 2021-03-25
ES2955349T3 (es) 2023-11-30
US20220343505A1 (en) 2022-10-27
EP4231037A1 (de) 2023-08-23
US20230410312A1 (en) 2023-12-21

Similar Documents

Publication Publication Date Title
JP2022549604A (ja) 教師あり学習によって訓練された予測モデルによるｍｒｉ画像の予測
US20220409145A1 (en) Generation of mri images of the liver without contrast enhancement
US20230147968A1 (en) Generation of radiological images
US20230218223A1 (en) Generation of mri images of the liver
US20230120273A1 (en) Acceleration of mri examinations
JP5801316B2 (ja) 副側血流評価
US11915361B2 (en) System, method, and computer program product for predicting, anticipating, and/or assessing tissue characteristics
Deng et al. Noninvasive measurement of pressure gradient across a coronary stenosis using phase contrast (PC)‐MRI: A feasibility study
US20240153163A1 (en) Machine learning in the field of contrast-enhanced radiology
CN117083629A (zh) 对比度增强放射学领域中的机器学习
CA3219070A1 (en) Characterising lesions in the liver using dynamic contrast-enhanced magnetic resonance tomography
Yoruk Quantification of Glomerular Filtration Rate Using DCE-MRI in Children

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230626

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20230626

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20240119

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20240301

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20240520