CN111150396B - 用于全身成像的方法和*** - Google Patents

用于全身成像的方法和*** Download PDF

Info

Publication number
CN111150396B
CN111150396B CN201911036176.1A CN201911036176A CN111150396B CN 111150396 B CN111150396 B CN 111150396B CN 201911036176 A CN201911036176 A CN 201911036176A CN 111150396 B CN111150396 B CN 111150396B
Authority
CN
China
Prior art keywords
cross
landmark
sectional
location
data set
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
Application number
CN201911036176.1A
Other languages
English (en)
Other versions
CN111150396A (zh
Inventor
曹楠
赖永传
李石羽
张婷
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.)
General Electric Co
Original Assignee
General Electric Co
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 General Electric Co filed Critical General Electric Co
Publication of CN111150396A publication Critical patent/CN111150396A/zh
Application granted granted Critical
Publication of CN111150396B publication Critical patent/CN111150396B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • 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
    • G01R33/543—Control of the operation of the MR system, e.g. setting of acquisition parameters prior to or during MR data acquisition, dynamic shimming, use of one or more scout images for scan plane prescription
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/5608—Data processing and visualization specially adapted for MR, e.g. for feature analysis and pattern recognition on the basis of measured MR data, segmentation of measured MR data, edge contour detection on the basis of measured MR data, for enhancing measured MR data in terms of signal-to-noise ratio by means of noise filtering or apodization, for enhancing measured MR data in terms of resolution by means for deblurring, windowing, zero filling, or generation of gray-scaled images, colour-coded images or images displaying vectors instead of pixels
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/563—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution of moving material, e.g. flow contrast angiography
    • G01R33/56375—Intentional motion of the sample during MR, e.g. moving table imaging
    • G01R33/56383—Intentional motion of the sample during MR, e.g. moving table imaging involving motion of the sample as a whole, e.g. multistation MR or MR with continuous table motion
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/38—Registration of image sequences
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2576/00—Medical imaging apparatus involving image processing or analysis
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • 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
    • 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
    • G06T2207/30008—Bone
    • G06T2207/30012—Spine; Backbone

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Radiology & Medical Imaging (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Medical Informatics (AREA)
  • Theoretical Computer Science (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Molecular Biology (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Psychiatry (AREA)
  • Physiology (AREA)
  • Quality & Reliability (AREA)
  • Vascular Medicine (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明题为“用于全身成像的方法和***”。本发明提供了用于沿着扫描轴扫描图像对象的各种方法和***。该方法包括基于截面数据集中的界标的位置来缝合从图像对象的不同解剖部分获取的截面数据集。

Description

用于全身成像的方法和***
技术领域
本文所公开的主题的实施方案涉及全身成像。
背景技术
磁共振成像(MRI)是可以在不使用X射线或其他电离辐射的情况下创建人体内部的图像的医学成像模态。MRI***包括超导磁体以产生强而均匀的静磁场B0。当人体或人体的一部分被放置在磁场B0中时，与组织水中的氢核相关联的核自旋变得极化，其中与这些自旋相关联的磁矩优先沿磁场B0的方向对准，从而导致沿该轴的小的净组织磁化。MRI***还包括梯度线圈，该梯度线圈产生具有正交轴线的较小幅值、空间变化的磁场以通过在体内每个位置处产生特征共振频率来对磁共振(MR)信号进行空间编码。氢核由处于或接近氢核的共振频率的射频信号激发，这为核自旋***增加了能量。当核自旋弛豫回到其静止能量状态时，其以RF信号的形式释放吸收的能量。该RF信号(或MR信号)由一个或多个RF线圈检测并且使用重建算法转换成图像。可以通过相对于磁场B0平移人体来对人体的不同部位进行成像。
发明内容
在一个实施方案中，方法包括：对图像对象的第一解剖部分执行第一截面扫描以获得第一截面数据集；对图像对象的第二解剖部分执行第二截面扫描以获得第二截面数据集；通过已训练的深度学习网络确定第一截面数据集中的界标的第一位置和第二截面数据集中的界标的第二位置；以及基于界标的第一位置和界标的第二位置来缝合第一截面数据集和第二截面数据集。以此方式，可以获得沿着扫描轴覆盖图像对象的大范围的构造图像。另外，通过基于界标位置缝合来自图像对象的不同解剖部分的截面数据集，可以避免在构造图像中的重叠区域处的界标的不连续性。
应当理解，提供上面的简要描述来以简化的形式介绍在具体实施方式中进一步描述的精选概念。这并不意味着识别所要求保护的主题的关键或必要特征，该主题的范围由具体实施方式后的权利要求书唯一地限定。此外，所要求保护的主题不限于解决上文或本公开的任何部分中提到的任何缺点的实施方式。
附图说明
通过参考附图阅读以下对非限制性实施方案的描述将更好地理解本发明，其中以下：
图1是根据本发明的示例性实施方案的MRI***的框图。
图2示出了根据示例性实施方案的用于获取多个截面扫描的方法。
图3示出了根据示例性实施方案的缝合在截面扫描中获取的数据集的方法。
图4是示出根据示例性实施方案的用于确定所获取的数据集中的界标的位置的神经网络的图。
图5是示出图3的方法的实施方式的图。
图6A示出了将图像移位偏移量。
图6B示出了根据示例性实施方案的通过缝合在截面扫描中获取的数据集而获得的构造数据集。
图7A示出了基于使用常规缝合方法而获得的构造数据集生成的MR图像。
图7B示出了基于使用图3的缝合方法而获得的构造数据集生成的MR图像。
具体实施方式
以下描述涉及经由成像装置(诸如图1的磁共振成像(MRI)装置)来构造和显示从图像对象的不同部分(即，不同解剖结构站)获取的数据集的各种实施方案。由于成像***的扫描范围有限，因此不能经由单次扫描来生成覆盖对象的大部分的图像，诸如全身图像。为了解决该问题，可以通过沿着扫描轴相对于成像装置的扫描器平移图像对象来执行对象的不同部分(也称为站)的多个截面扫描。通过将在截面扫描中获取的截面数据集缝合在一起，可以获得沿着扫描轴覆盖大范围的构造图像。在一些实施方案中，可以基于从不同截面扫描获取的重叠区域中的切片的配准将截面数据集缝合在一起。
由于一些成像参数(诸如磁场强度分布)在扫描范围内的不均匀性，因此在构造图像中可能会出现诸如不连续性的缝合伪影。例如，在两个截面扫描之间的缝合位置处，脊柱可能看起来折断或未对准。缝合引入的伪影可能导致误诊。例如，操作者可能无法确定图像中的不连续性是否是由缝合伪影引起的。因此，操作者可能将缝合引入的脊柱不连续性误解为脊柱脱位。
图2示出了用于从多个截面扫描中获取截面数据集的方法。可以基于相邻截面扫描中的界标的偏移量来缝合截面数据集，如图3所示。截面扫描中的界标的位置可以经由图4所示的神经网络来确定。可以通过缝合以偏移量平移的截面数据集来获得构造数据集。通过基于重叠区域中的局部信息(即重叠区域中的数据点的子集)而不是全局信息(即重叠区域中的所有数据点)来缝合数据集，界标在构造图像中可能看起来是连续的。图5是示出图3的方法的实施方式的图。图6A示出了将截面数据集的切片移位偏移量。图6B示出了从两个截面数据集生成的构造数据集的示例。图7A示出了基于使用常规缝合方法而获得的构造数据集生成的MRI图像。图7B示出了基于使用图3的方法而获得的构造数据集生成的MRI图像。
尽管以举例的方式描述了MRI***，但是应当理解，当应用于使用其他成像模态(诸如CT、层析X射线照相组合、PET、C臂血管造影术等)获取的图像时，本发明技术也可以是有用的。将MRI成像模态的本发明论述仅提供作为一种合适的成像模态的示例。
图1示出了磁共振成像(MRI)装置10，该磁共振成像装置包括静磁场磁体单元12、梯度线圈单元13、RF线圈单元14、RF体或体积线圈单元15、传输/接收(T/R)开关20、RF驱动器单元22、梯度线圈驱动器单元23、数据获取单元24、控制器单元25、患者检查床或床26、数据处理单元31、操作控制台单元32和显示单元33。在一些实施方案中，RF线圈单元14是表面线圈，其是通常被放置在对象16感兴趣的解剖结构附近的局部线圈。此处，RF体线圈单元15是传输RF信号的传输线圈，并且局部表面RF线圈单元14接收MR信号。因此，传输体线圈(例如，RF体线圈单元15)和表面接收线圈(例如，RF线圈单元14)是独立但电磁耦合的部件。MRI装置10将电磁脉冲信号传输到放置在成像空间18中的对象16，其中形成静态磁场以执行扫描来从对象16获得磁共振信号。可基于由此通过扫描获得的磁共振信号来重建对象16的一个或多个图像。
静磁场磁体单元12包括例如安装在环形真空容器内的环形超导磁体。磁体限定了围绕对象16的圆柱形空间，并且生成恒定的主静磁场B0。
MRI装置10还包括梯度线圈单元13，该梯度线圈单元在成像空间18中形成梯度磁场，以便为由RF线圈阵列接收的磁共振信号提供三维位置信息。梯度线圈单元13包括三个梯度线圈***，每个梯度线圈***生成沿彼此垂直的三个空间轴线中的一者的梯度磁场，并且根据成像条件在频率编码方向、相位编码方向和切片选择方向中的每一方向上生成梯度场。更具体地，梯度线圈单元13在对象16的切片选择方向(或扫描方向)上施加梯度场，以选择切片；并且RF体线圈单元15或局部RF线圈阵列可以将RF脉冲传输到对象16的所选择的切片。梯度线圈单元13还在对象16的相位编码方向上施加梯度场，以对来自由RF脉冲激发的切片的磁共振信号进行相位编码。然后梯度线圈单元13在对象16的频率编码方向上施加梯度场，以对来自由RF脉冲激发的切片的磁共振信号进行频率编码。
RF线圈单元14被设置为例如包围对象16的待成像区域。在一些示例中，RF线圈单元14可被称为表面线圈或接收线圈。在由静磁场磁体单元12形成静磁场B0的静磁场空间或成像空间18中，RF线圈单元15基于来自控制器单元25的控制信号将作为电磁波的RF脉冲传输到对象16，并且从而生成高频磁场B1。这激发了待成像的对象16的切片中的质子自旋。RF线圈单元14接收当在对象16的待成像的切片中由此激发的质子自旋返回到与初始磁化矢量对准时生成的电磁波作为磁共振信号。在一些实施方案中，RF线圈单元14可传输RF脉冲并接收MR信号。在其他实施方案中，RF线圈单元14可仅用于接收MR信号，而不用于传输RF脉冲。
RF体线圈单元15被设置为例如包围成像空间18，并且产生与由成像空间18内的静磁场磁体单元12产生的主磁场B0正交的RF磁场脉冲以激发核。与RF线圈单元14相比，其可以与MRI装置10断开并且用另一个RF线圈单元替换，RF体线圈单元15固定地附接并连接到MRI装置10。此外，尽管局部线圈诸如RF线圈单元14可以仅从对象16的局部区域传输或接收信号，但是RF体线圈单元15通常具有更大的覆盖区域。例如，RF体线圈单元15可用于向对象16的全身传输或接收信号。使用仅接收的局部线圈和传输体线圈提供均匀的RF激发和良好的图像均匀性，代价是沉积在对象中的高RF功率。对于传输-接收局部线圈，局部线圈向感兴趣区域提供RF激发并接收MR信号，从而减少沉积在对象中的RF功率。应当理解，RF线圈单元14和/或RF体线圈单元15的特定用途取决于成像应用。
当以接收模式操作时，T/R开关20可以选择性地将RF体线圈单元15电连接到数据获取单元24，并且当以传输模式操作时，T/R开关20可以选择性地将RF体线圈单元15电连接到RF驱动器单元22。类似地，当RF线圈单元14以接收模式操作时，T/R开关20可以选择性地将RF线圈单元14电连接到数据获取单元24，并且当以传输模式操作时，T/R开关20可以选择性地将RF线圈单元14电连接到RF驱动器单元22。当RF线圈单元14和RF体线圈单元15都用于单次扫描时，例如，如果RF线圈单元14被配置为接收MR信号并且RF体线圈单元15被配置为传输RF信号，则T/R开关20可以将来自RF驱动器单元22的控制信号引导到RF体线圈单元15，同时将接收的MR信号从RF线圈单元14引导到数据获取单元24。RF体线圈单元15的线圈可以被配置为以仅传输模式或传输-接收模式操作。局部RF线圈单元14的线圈可以被配置为以传输-接收模式或仅接收模式操作。
RF驱动器单元22包括栅极调制器(未示出)、RF功率放大器(未示出)和RF振荡器(未示出)，它们用于驱动RF线圈(例如，RF线圈单元15)并在成像空间18中形成高频磁场。RF驱动器单元22基于来自控制器单元25的控制信号并且使用栅极调制器，将从RF振荡器接收的RF信号调制成具有预定包络的预定定时的信号。由栅极调制器调制的RF信号由RF功率放大器放大，然后输出到RF线圈单元15。
梯度线圈驱动器单元23基于来自控制器单元25的控制信号驱动梯度线圈单元13，并且从而在成像空间18中生成梯度磁场。梯度线圈驱动器单元23包括与梯度线圈单元13中包括的三个梯度线圈***对应的三个驱动器电路***(未示出)。
数据获取单元24包括前置放大器(未示出)、相位检测器(未示出)和用于获取由RF线圈单元14接收的磁共振信号的模拟/数字转换器(未示出)。在数据获取单元24中，相位检测器相位将来自RF驱动器单元22的RF振荡器的输出用作参考信号来检测从RF线圈单元14接收并由前置放大器放大的磁共振信号，并将相位检测的模拟磁共振信号输出到模拟/数字转换器，以转换成数字信号。由此获得的数字信号被输出到数据处理单元31。
MRI装置10包括用于在其上放置对象16的检查床26。通过基于来自控制器单元25的控制信号移动检查床26，可以使对象16在成像空间18的内部和外部移动。
控制器单元25包括计算机和其上记录有要由计算机执行的程序的记录介质。程序在被计算机执行时使装置的各个部分执行与预定扫描对应的操作。记录介质可包括例如ROM、软盘、硬盘、光盘、磁光盘、CD-ROM或非易失性存储卡。控制器单元25连接到操作控制台单元32并且处理输入到操作控制台单元32的操作信号，并且还通过向它们输出控制信号来控制检查床26、RF驱动器单元22、梯度线圈驱动器单元23和数据获取单元24。控制器单元25还基于从操作控制台单元32接收的操作信号来控制数据处理单元31和显示单元33以获得期望的图像。
操作控制台单元32包括用户输入设备，诸如触摸屏、键盘和鼠标。操作者使用操作控制台单元32，例如，输入此类数据作为成像协议，并且设置要执行成像序列的区域。关于成像协议和成像序列执行区域的数据被输出到控制器单元25。
数据处理单元31包括计算机和记录介质，在该记录介质上记录由计算机执行以执行预定数据处理的程序。数据处理单元31连接到控制器单元25，并且基于从控制器单元25接收的控制信号执行数据处理。数据处理单元31还连接到数据获取单元24，并且通过对从数据获取单元24输出的磁共振信号施加各种图像处理操作来生成光谱数据。
显示单元33包括显示设备，并且基于从控制器单元25接收的控制信号在显示设备的显示屏幕上显示图像。显示单元33显示例如关于操作者从操作控制台单元32输入操作数据的输入项目的图像。显示单元33还显示由数据处理单元31生成的对象16的二维(2D)切片图像或三维(3D)图像。
图2是示出用于从图像对象的多个解剖结构站获取截面数据集的示例方法200的流程图。通过沿着扫描轴相对于扫描器(诸如图1的扫描器1)移动检查床(诸如图1的检查床26)来获得截面数据集。每个截面数据集可以是三维的，并且可以包括垂直于扫描轴的多个平行轴向切片(或2D图像)。相邻截面数据集可能在重叠区域中重叠。换句话说，在两个相邻截面扫描中获取了重叠区域中的数据。
在202处，响应于操作者的指令，移动检查床(诸如图1的检查床26)以将对象(诸如患者)定位在成像空间(诸如图1的成像空间18)中。
在204处，在控制器处接收关于患者信息和成像协议的操作者输入。特别地，操作者可以基于要扫描的解剖结构选择协议。成像协议可以包括感兴趣区域(ROI)和视场(FOV)以及其他参数。FOV可以包括沿着扫描轴的扫描范围。基于FOV，可以确定沿着扫描轴的截面扫描的数量。每个截面扫描获取覆盖沿着扫描轴的范围的截面数据集。可以在截面扫描之间沿着扫描轴将对象从一个范围平移到另一个范围。相邻截面扫描可能沿着扫描轴扫描重叠范围。
在一些实施方案中，扫描轴是检查床(诸如图1的检查床26)的纵轴或对象的纵轴。扫描轴可以与磁场B0的方向对准。在一些实施方案中，扫描轴可以是基于扫描范围确定的任何适当方向。例如，如果沿特定轴的扫描范围超出由***配置定义的最大范围，则可以将该轴设置为扫描轴，并且可以沿着扫描轴执行多次截面扫描以覆盖整个扫描范围。可以基于***的配置来确定最大范围，诸如RF线圈、梯度线圈和静磁场磁体单元的范围。
成像协议还可以包括相邻截面扫描的重叠部分中的切片厚度和重叠切片数量。沿着扫描轴的重叠范围是切片厚度和重叠切片数量的乘积。在一些实施方案中，重叠切片数量大于一个，使得至少一个切片在重叠区域中。
在206处，检查床移动到扫描的开始位置，并且获取对象的第一解剖部分(或站)的第一截面数据集。截面数据集可以是三维的，并且可以包括垂直于扫描轴的多个平行切片。在一些实施方案中，每个切片是从k空间数据重建的2D图像(诸如MRI图像)。这样，每个截面数据集都包括一系列垂直于扫描轴的2D重建图像。
在208处，方法200检查当前部分是否是最后部分。如果对象的当前成像的解剖部分是最后部分，则在210处显示和/或存储截面数据集。在一些实施方案中，显示截面数据集可以包括显示通过使用图3的方法300来缝合截面数据集而生成的构造数据集。如果当前成像的部分不是最后部分，则在212处扫描对象的下一个部分。
在212处，改变扫描位置，并且扫描对象的下一个部分。在一些实施方案中，通过沿着扫描轴移动对象来改变扫描位置。在其他实施方案中，可以通过沿着扫描轴移动检查床来使对象沿着扫描轴移动。在其他实施方案中，可以通过沿着扫描轴移动扫描器来使对象沿着扫描轴移动。在其他实施方案中，可以通过调整梯度线圈位置来使对象沿着扫描轴移动。相邻截面数据集在重叠区域中重叠，并且每个相邻数据集具有不重叠的区域。在一些实施方案中，每个相邻截面数据集包括重叠区域中的一个或多个轴向切片(或2D图像)。
图3示出了用于缝合截面数据集以生成构造数据集的示例方法300。可以通过使用图3的方法300将截面数据集缝合在一起来呈现(例如，显示)通过方法200获得的截面数据集。方法200和300可以被存储在成像***的存储器中并通过控制器单元(诸如图1的控制器单元25)执行。
在302处，加载截面数据集。可以将截面数据集从图1的图像装置的存储器加载到数据处理单元中。
在304处，确定已加载截面数据集之间的重叠区域。可以基于截面数据集沿着扫描轴的位置来确定重叠区域。
在306处，确定截面数据集内的界标的位置。界标可以是图像对象的解剖结构。可以基于截面扫描的重叠区域沿着扫描轴的位置来选择界标。还可以基于重叠解剖部分相对于图像对象的位置来选择界标。在一些实施方案中，可以在加载截面数据集时预先确定界标。在另一个示例中，可以在缝合截面数据集时确定界标。在一些实施方案中，界标在对象内并且是对象的一部分。界标可以完全封闭在图像对象内。在一些实施方案中，界标是不可变形的，使得可能以最小的误差配准从相邻截面扫描获取的切片中的界标。在一些实施方案中，界标是对象的骨。例如，对于全身扫描，如果截面扫描的重叠区域位于上半身处，则将界标选择为椎体；如果重叠区域位于下半身处，则将界标选择为腿骨。
在一些实施方案中，可以通过已训练的深度学习神经网络来确定重叠区域的切片中的界标的位置。例如，选择第一截面数据集中的第一切片，并选择第二截面数据集中的第二切片。第一切片和第二切片都在第一截面数据集和第二截面数据集的重叠区域中。从不同截面扫描中获取第一截面数据集和第二截面数据集。第一切片和第二切片沿着扫描轴在彼此的阈值距离之内，使得界标在两个切片中成像。在一些实施方案中，阈值距离小于切片厚度。在其他实施方案中，阈值距离小于切片厚度的两倍。界标可以由第一切片的数据点的子集和第二切片的像素的子集表示。可以基于第一切片和第二切片中的每个切片中的数据点的子集来获得界标的位置。可以经由已训练的神经网络(诸如图4所示的深度学习神经网络)来确定第一切片和第二切片中的每个切片中的界标的位置。已训练的神经网络的参数可以存储在成像***的存储器中。已训练的神经网络可以输出重叠区域的每个切片中的界标的概率图。可以基于界标位置来确定数据集之间的偏移量。
在一些实施方案中，可以在相邻截面扫描中获取重叠区域中的多个切片。可以经由已训练的神经网络来确定多个切片中的每个切片中的界标的位置(或坐标)。
在308处，通过基于偏移量配准(或对准)相邻数据集中的界标，将重叠截面数据集缝合到构造数据集中。
可以基于每个数据集的重叠区域中界标的位置来计算最近加载的截面数据集和构造数据集之间的偏移量。具体地，计算来自重叠截面数据集的切片中的界标的位置之间的偏移量。在一些实施方案中，从重叠截面数据集的重叠区域中的两个切片确定偏移量。例如，从重叠区域中选择来自第一截面数据集的第一切片和来自第二截面数据集的第二切片。第一切片和第二切片沿着扫描轴在彼此的阈值距离之内。可以将偏移量计算为第一切片中的界标的坐标与第二切片中的界标的坐标之间的差异。偏移量度量第一切片中的界标相对于第二切片的移位。例如，偏移量包括对象的轴向方向和横向方向上的坐标差异。
在另一个示例中，基于来自重叠区域中的每个截面数据集的多个切片中的界标位置来确定偏移量。例如，将来自第一截面数据集的第一切片系列中的每个切片与来自第二截面数据集的第二切片系列中的切片进行配对，该配对基于其沿着扫描轴的相应切片位置。例如，将阈值距离内的切片进行配对。可以基于每对切片中的界标位置来计算偏移量。因此，为多对切片生成多个偏移量。可以基于多个偏移量来确定截面数据集之间的整体偏移量。例如，总偏移量可以是多个偏移量的中值。在另一个示例中，总偏移量可以是多个偏移量的平均值。
在又一个示例中，可以基于多个界标的位置来确定偏移量。例如，可以基于在相邻截面数据集的切片中的每个界标的位置来确定每个界标的偏移量。可以基于每个界标的偏移量来确定截面数据集之间的整体偏移量。例如，总偏移量是多个偏移量的中值。在另一个示例中，总偏移量是多个偏移量的平均值。
在一些实施方案中，界标的配准基于表示界标的数据点，而不是基于除界标之外(不表示界标)的数据点。换句话说，配准基于重叠区域中的切片的局部信息，而不是基于切片的全局信息(或所有数据点)。
在一些实施方案中，缝合重叠截面数据集包括首先将重叠截面数据集中的第一截面数据集移位偏移量，然后基于重叠截面数据集沿着扫描轴的位置将已移位的第一截面数据集附加到重叠截面数据集中的第二截面数据集。在移位第一截面数据集与将已移位的第一截面数据集附加到第二截面数据集之间不执行其他图像处理规程。在一些实施方案中，移位第一截面数据集包括在垂直于扫描轴的平面中将第一截面数据集的每个切片移位偏移量。在一些实施方案中，移位第一数据集包括将截面数据集的每个数据点移位偏移量。图6A和图6B示出了使切片移位偏移量的示例，以及通过缝合两个截面数据集而生成的构造数据集的示例。
构造数据集可以被显示和/或存储在成像***的存储器中。在一些实施方案中，可以基于构建数据集来生成并显示由操作者定义的平面中的图像。例如，平面可以是用于全身成像的矢状平面。构建数据集和/或生成图像可以被保存在成像***的存储器中。在一些实施方案中，所显示的图像是直接从构造数据生成的，而无需进一步的图像处理(诸如滤波)，以便保留来自截面扫描的信息。
图4示出了用于确定截面数据集的切片或2D图像中的界标的位置的示例深度学习神经网络。训练神经网络以检测所选择的界标。在一些实施方案中，神经网络接收切片或2D图像401并输出热图450。热图450中的每个像素的强度指示像素属于界标的可能性。可以基于热图450确定切片401中的界标的位置。例如，界标的坐标可以是热图450的最大强度的位置。神经网络可以包括用于生成重建特征层的锥体410。
在一些实施方案中，锥体410包括自下而上路径411和自上而下路径412。自下而上路径是已预训练的骨干网络。例如，自下而上路径411可以是残留网。基于已训练的自下而上路径411处理输入切片401，以生成不同级别的多尺度特征图402、403和404。在此，级别如箭头430所指示的那样增加。特征图的尺度随级别的增加而缩小(即减小特征图的尺寸)。例如，在缩放步长为2(即，较高级别的特征图的宽度和长度是当前级别中的特征图的宽度和长度的1/2)时，特征图402的尺寸是输入图像401的尺寸的1/4，并且特征图403的尺寸是特征图402的尺寸的1/4。通过减小特征图的尺寸，特征图的语义值增加。在此，在自下而上路径411中示出了三个级别的特征图。
通过将1×1卷积滤波器应用于顶级别的特征图404来形成自上而下路径412中的第一重构特征层405。通过将上采样的较高级别的重构特征层与自下而上路径411中的对应已卷积特征图相加来获得每个较低级别的重构特征层。例如，首先对重构特征层405进行两倍上采样(即，重构特征层的尺寸增加4倍)。选择与上采样的重构特征层405具有相同尺寸的自下向上的路径411中的特征图403，并且通过1×1卷积滤波器对其进行卷积。然后，通过将上采样的重构特征层405与已卷积特征图403相加来获得第二重构特征层406。类似地，通过将上采样的重构特征层306与已卷积特征图402相加来获得自上而下路径412的重构特征层407。通过添加已卷积特征图来生成重构特征层可以提高神经网络预测对象位置的能力。
自上而下路径412中的每个重构特征层都由卷积层处理，然后在421、422和423处进行上采样。然后在420处将上采样的层级联在一起。级联的数据由多个卷积层处理以生成热图450。热图450的每个像素示出了其作为界标的可能性。例如，如果特定像素的强度高，则输入切片401中的对应像素很可能是界标。界标的坐标可以是热图450中的具有最大强度的像素的坐标。应当理解，如图4所示的深度学习网络的布局用于说明而非限制。可以训练任何适当的深度学习网络来识别界标。
可以使用图像和对应的手动标记界标位置来训练图4的深度学习神经网络。例如，可以手动标记多个MRI图像中的界标区域(诸如椎体)。可以使用多个MRI图像和对应的标记区域来训练神经网络以确定神经网络的参数。然后，可以将神经网络的已训练的参数存储在成像***的存储器中。
图5示出了图3的方法的示例性实施方式，其中基于在两个截面数据集中获取的数据集生成构造数据集515。曲线图501示出了扫描器相对于对象16的第一位置，在该第一位置处，在第一截面扫描中获取对象的第一部分的第一截面数据集510。曲线图503示出了扫描器相对于对象16的第二位置，在该第二位置处，在第二截面扫描中获取对象的第二部分的第二截面数据集512。通过沿方向540移动检查床26，从第一位置501到达第二位置503。曲线图502示出了磁场B0相对于扫描轴的强度。x轴(扫描轴)的箭头指示扫描方向。例如，在扫描方向上获取对象的切片。磁场强度如y轴箭头所指示的那样增加。扫描轴与对象16的纵轴对齐。扫描轴的位置相对于对象16是静止的(或固定的)。即，当检查床26从第一位置移动到第二位置时，扫描轴与对象一起移动。对象的第一部分对应于沿着扫描轴从P2到P4的第一范围。对象的第二部分对应于沿着扫描轴从P1到P3的第二范围。第一范围和第二范围从P2到P3重叠。因此，在第一截面扫描和第二截面扫描中都扫描了对象16的重叠部分507(阴影)。第一截面数据集510和第二截面数据集512也在重叠区域中重叠，该重叠区域对应于在对象的重叠部分507内获取的数据。
由于成像空间中磁场强度分布和对象移动的变化，因此在不同位置处获取的对象的相同横截面的图像可能看起来不同。例如，当对象通过扫描器从第一位置501移动到第二位置503时，磁场强度的分布504将移位到磁场强度的分布505。由于磁场强度沿着扫描轴不是恒定的，因此在不同的截面扫描期间，扫描轴中的相同位置处的切片可能会经历不同磁场强度。在此，在沿着扫描轴的位置506处，在第一截面扫描中获取的第一图像的磁场强度551高于在第二截面扫描中获取的第二图像的磁场强度552。因此，第一图像和第二图像可能看起来不同。
例如，扩散加权磁共振成像(DWI)对磁场变化敏感。相同的解剖结构可能会出现在移动检查床之前和之后获取的图像中的不同位置处。例如，眼球可以位于在移动检查床之前获取的第一图像的中心，并且与在移动检查床之后获取的第二图像中的第一图像偏移约5个像素。移动检查床之前和之后的偏移量是不可预测的。组织的三维移动可能会引起所成像的解剖结构的位置和形状在不同扫描中获取的切片之间的附加变化。由于这些原因，因此使用常规配准方法不能准确地估计特定解剖结构(诸如骨)从一个切片到另一个切片的移位/平移，其中利用来自整个切片的信息。在此，可以使用每个切片的数据点的子集来准确地计算切片中的界标位置的偏移量。
第一数据集510和第二数据集512中的每一个数据集包括沿着扫描轴的多个平行切片或图像。从第一截面扫描获取的第一数据集510中的第一图像513以及从第二截面扫描获取的第二数据集512中的第二图像514在扫描轴上定位在距位置506的阈值内。椎体(在图像513和514中用十字“x”标记)被选为界标。例如，通过从一个图像中的界标的坐标减去另一个图像中的界标的坐标来计算图像513和图像514中的椎***置的偏移量517。通过基于偏移量517将第一数据集510与第二数据集512缝合来生成构造数据集515。第一数据集510、第二数据集512和构造数据集515都是由纵向方向522、轴向方向520和横向方向521定义的三维数据集。纵向方向与扫描方向对准。可以基于构造数据集515来生成示出沿着扫描方向的对象的解剖结构的图像516。
图6A示出了基于每个切片中的界标的位置来移位或平移数据集的切片(或图像)。在一些实施方案中，第一切片在第一截面数据集中，并且第二切片在第二截面数据集中。可以经由图4所示的神经网络来确定界标相对于切片的坐标。第一切片中的界标的坐标为(x1,y1)，并且第二切片中的界标的坐标为(x2,y2)。第一切片和第二切片之间的偏移量是(Δx,Δy)，其中Δx＝x2-x1并且Δy＝y2-y1。切片(或图像)603是第二数据集中的切片。切片603的每个数据点(或像素)在x轴上移位Δx(显示为601)，并且在y轴上移位Δy(显示为602)，以获得移位的切片604(虚线)。例如，切片603中特定数据点的坐标(x,y)被调整为切片604中的新坐标(x+Δx,y+Δy)。区域605中的数据点被删除，并且区域606中的数据点可以被零填充。
图6B示出了通过缝合相邻截面数据集而生成的构造数据集620。第一截面数据集631对应于沿着扫描轴的范围621，并且第二截面数据集对应于沿着扫描轴的范围622。扫描轴的箭头指示扫描方向。第一截面数据集和第二截面数据集在重叠范围623中重叠。第一截面数据集和第二截面数据集各自包括垂直于扫描轴的多个切片。在一些实施方案中，将第二截面数据集中的与第一截面数据集不重叠的每个切片移位或平移偏移量以生成移位的数据集632。基于移位的数据集632相对于扫描轴的位置，沿着扫描轴将移位的数据集632附加或附接到第一截面数据集631。
在另一个示例中，第二截面数据集被移位并附加到与第二截面数据集不重叠的第一截面数据集。在又一个示例中，构造数据集可以包括附加在一起的三个部分。第一部分是第一截面数据集的与第二截面数据集不重叠的部分。第三部分是第二截面数据集的基于偏移量移位的与第一截面数据集不重叠的部分。第二部分对应于重叠范围并且在第一部分和第二部分之间。第二部分可以包括通过组合第一截面数据集和第二截面数据集的重叠区域而生成的数据。可以基于第一截面数据集和第二截面数据集之间的偏移量来组合第一截面数据集和第二截面数据集的重叠区域。
图7A和图7B示出了通过从相邻截面扫描获取的构造数据集生成的对象的纵向图像。图7A和图7B是通过相同截面数据集生成的，但该截面数据集以不同方式缝合在一起。扫描轴上的箭头指示扫描方向。在此示例中，扫描是从前到后执行的。沿着扫描轴对应于范围710的像素基于第一截面数据集，并且对应于范围711的像素基于第二截面数据集。线712指示第一截面数据集和第二截面数据集相遇的位置。
在图7A中，基于使用重叠区域中的切片的全局信息而生成的偏移量来缝合构造数据集。由于在计算两个切片之间的偏移量时考虑整个切片(即切片的所有数据点)的信息，因此缝合误差可能会在局部斑点处发生变化。例如，沿着线712的缝合误差不是恒定的。由于缝合误差较大，因此对象的脊椎在位置701处显示为折断。位置702处的偏移量误差较低，因此在702处不存在不连续性，并且胸腔看起来平滑。然而，在不了解缝合误差分布的情况下，操作者可能会误诊并认为对象的脊椎折断。
在图7B中，基于图3的方法300来获得构造数据集。基于切片的局部信息(即切片的数据点的子集)将截面数据集缝合在一起。具体地，使用重叠区域的切片中的界标位置来生成偏移量。将界标选择为椎骨核心。由于偏移量是基于切片中的局部信息(即，基于切片的数据点的子集确定的椎骨核心位置)生成的，因此缝合误差在界标处最低，诸如椎骨核心的位置703。因此，在图7B中不存在图7A的701处的不连续性。位置704处的缝合误差较大，这会引起胸腔的不连续性。然而，由于众所周知的是，胸腔可能由于呼吸运动而破裂，因此操作者可以预测在704处的不连续性是伪影。以此方式，可以避免由于缝合误差引起的误诊。
基于界标位置计算截面数据集之间的偏移量的技术效果是：在界标位置处缝合误差最小，并且可以减少由缝合误差引起的误诊。选择作为对象的一部分的界标的技术效果是：界标在从构造数据集生成的图像中看起来是连续的。使截面数据集中的每个数据点平移偏移量以构造该构造数据集并直接显示构造数据的技术效果是：可以保留截面数据集中的信息。
如本文所用，以单数形式列举并且以单词“一个”或“一种”开头的元件或步骤应当被理解为不排除多个所述元件或步骤，除非明确说明此类排除。此外，对本发明的“一个实施方案”的引用不旨在被解释为排除也包含所引用特征的附加实施方案的存在。此外，除非明确地相反说明，否则“包含”、“包括”或“具有”具有特定属性的元件或多个元件的实施方案可包括不具有该属性的附加此类元件。术语“包括”和“在…中”用作相应术语“包含”和“其中”的通俗语言等同物。此外，术语“第一”、“第二”和“第三”等仅用作标记，而不旨在对其对象施加数字要求或特定位置次序。
该书面描述使用示例来公开本发明，包括最佳模式，并且还使相关领域中的普通技术人员能够实践本发明，包括制造和使用任何设备或***以及执行任何包含的方法。本发明可取得专利权的范围由权利要求书限定，并且可包括本领域普通技术人员想到的其他示例。如果此类其它示例具有与权利要求书的字面语言没有区别的结构元素，或者如果它们包括与权利要求书的字面语言具有微小差别的等效结构元素，则此类其它示例旨在落入权利要求书的范围内。

Claims (18)

1.一种用于医学成像的方法，包括：
对图像对象的第一解剖部分执行第一截面扫描以获得第一截面数据集；
对所述图像对象的第二解剖部分执行第二截面扫描以获得第二截面数据集；
通过已训练的深度学习网络确定所述第一截面数据集中的界标的第一位置和所述第二截面数据集中的所述界标的第二位置；以及
基于所述界标的所述第一位置和所述界标的所述第二位置之间的偏移量来缝合所述第一截面数据集和所述第二截面数据集，
其中所述界标在所述图像对象内并且在所述图像对象的所述第一解剖部分和所述第二解剖部分之间的重叠解剖部分中，并且基于所述重叠解剖部分相对于所述图像对象的位置来选择所述界标。
2.根据权利要求1所述的方法，其中所述第一截面数据集和所述第二截面数据集是沿所述图像对象的扫描轴部分重叠的三维数据集，所述界标的所述第一位置是所述界标在垂直于所述扫描轴的第一平面内的坐标，并且所述界标的所述第二位置是所述界标在垂直于所述扫描轴的第二平面内的坐标。
3.根据权利要求1所述的方法，还包括在执行所述第一截面扫描之前，通过用多个图像和所述多个图像中的手动标记的界标位置训练深度学习网络来确定所述已训练的深度学习网络。
4.根据权利要求1所述的方法，其中所述已训练的深度学习网络包括自下而上路径和自上而下路径。
5.根据权利要求1所述的方法，其中经由磁共振成像获取所述第一截面数据集和所述第二截面数据集。
6.根据权利要求5所述的方法，其中基于所述第一位置和所述第二位置之间的所述偏移量来缝合所述第一截面数据集和所述第二截面数据集包括：通过将所述第二截面数据集平移所述偏移量来缝合所述第一截面数据集和所述第二截面数据集，以及基于所述第一截面数据集和所述第二截面数据集沿着扫描轴的位置将所平移的第二截面数据集缝合到所述第一截面数据集。
7.根据权利要求1所述的方法，其中当所述图像对象的所述第一解剖部分包括所述图像对象的上半身时，所述界标是椎体，并且当所述图像对象的所述第二解剖部分包括所述图像对象的下半身时，所述界标是腿骨。
8.根据权利要求1所述的方法，还包括获取所述图像对象的第三解剖部分的第三截面数据集；选择第二界标；以及基于所述第二截面数据集中的所述第二界标的第三位置以及所述第三截面数据集中的所述第二界标的第四位置，将所述第三截面数据集缝合到所缝合的第一截面数据集和所述第二截面数据集。
9.一种成像装置，包括：
扫描器，所述扫描器被配置为扫描图像对象；
检查床，所述检查床用于放置所述图像对象，所述检查床可相对于所述扫描器移动；
存储器，所述存储器存储已训练的深度学习网络；
控制器，所述控制器耦接到所述扫描器、所述检查床和所述存储器并被配置为：
指示所述扫描器对所述图像对象的第一解剖部分执行第一截面扫描以获取第一截面数据集；
相对于所述扫描器移动所述检查床；
指示所述扫描器对所述图像对象的第二解剖部分执行第二截面扫描以获取第二截面数据集；
通过所述已训练的深度学习网络确定所述第一截面数据集中的界标的第一位置和所述第二截面数据集中的所述界标的第二位置；以及
基于所述界标的所述第一位置和所述界标的所述第二位置之间的偏移量来缝合所述第一截面数据集和所述第二截面数据集，
其中基于所述第一截面数据集和所述第二截面数据集之间的重叠区域沿着扫描轴的位置来选择所述界标，其中所述界标在所述图像对象内。
10.根据权利要求9所述的成像装置，其中所述已训练的深度学习网络输出所述第一截面数据集和所述第二截面数据集中的所述界标的热图。
11.根据权利要求10所述的成像装置，其中所述界标的所述第一位置和所述第二位置对应于所述热图中的最大值的位置。
12.根据权利要求9所述的成像装置，其中所述控制器被进一步配置为基于所述第一截面数据集中的所述界标的所述第一位置和所述第二截面数据集中的所述界标的所述第二位置来计算偏移量，并且其中基于所述界标的所述第一位置和所述界标的所述第二位置来缝合所述第一截面数据集和所述第二截面数据集包括通过基于所述偏移量将所述第一截面数据集中的所述界标和所述第二截面数据集中的所述界标对准来缝合所述第一截面数据集和所述第二截面数据集。
13.一种非暂态计算机可读介质，包括指令，所述指令在被执行时使得处理器：
对图像对象的第一解剖部分执行第一截面扫描以获得第一截面数据集；
对所述图像对象的第二解剖部分执行第二截面扫描以获得第二截面数据集；
通过已训练的深度学习网络确定所述第一截面数据集中的界标的第一位置和所述第二截面数据集中的所述界标的第二位置；以及
基于所述界标的所述第一位置和所述界标的所述第二位置之间的偏移量来缝合所述第一截面数据集和所述第二截面数据集，
其中所述界标在所述图像对象内并且在所述图像对象的所述第一解剖部分和所述第二解剖部分之间的重叠解剖部分中，并且基于所述重叠解剖部分相对于所述图像对象的位置来选择所述界标。
14.根据权利要求13所述的计算机可读介质，还包括指令，所述指令在被执行时使得所述处理器基于所缝合的第一截面数据集和所述第二截面数据集对构造图像进行构造。
15.根据权利要求13所述的计算机可读介质，还包括指令，所述指令在被执行时使得所述处理器选择所述第一截面数据集中的第一图像并选择所述第二截面数据集中的第二图像，其中所述界标在所述第一图像和所述第二图像两者内，并且其中所述第一截面数据集中的所述界标的所述第一位置包括所述第一图像中的所述界标的所述第一位置，所述第二截面数据集中的所述界标的所述第二位置包括所述第二图像中的所述界标的所述第二位置。
16.根据权利要求13所述的计算机可读介质，还包括指令，所述指令在被执行时使得所述处理器计算所述界标的所述第一位置与所述界标的所述第二位置之间的偏移量，并且通过将所述第二截面数据集移位所述偏移量来平移所述第二截面数据集，其中通过基于所述第一截面数据集和所述第二截面数据集沿着扫描轴的位置附加所述第一截面数据集和所平移的第二截面数据集来缝合所述第一截面数据集和所述第二截面数据集。
17.根据权利要求13所述的计算机可读介质，其中基于由所述已训练的深度学习网络输出的热图来确定所述第一截面数据集中的所述界标的所述第一位置和所述第二截面数据集中的所述界标的所述第二位置，所述热图表示像素属于所述界标的概率。
18.根据权利要求13所述的计算机可读介质，其中基于多个图像以及所述多个图像中的所述界标的手动标记位置来确定所述已训练的深度学习网络。
CN201911036176.1A 2018-11-07 2019-10-29 用于全身成像的方法和*** Active CN111150396B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/183,631 US10799183B2 (en) 2018-11-07 2018-11-07 Methods and systems for whole body imaging
US16/183,631 2018-11-07

Publications (2)

Publication Number Publication Date
CN111150396A CN111150396A (zh) 2020-05-15
CN111150396B true CN111150396B (zh) 2024-02-27

Family

ID=70460239

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911036176.1A Active CN111150396B (zh) 2018-11-07 2019-10-29 用于全身成像的方法和***

Country Status (2)

Country Link
US (1) US10799183B2 (zh)
CN (1) CN111150396B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE112019005801T5 (de) * 2018-11-20 2021-08-26 Koninklijke Philips N.V. Diffusions-magnetresonanz-bildgebung unter verwendung sphärischer neuronaler netze
US11350078B2 (en) * 2020-04-03 2022-05-31 Fanuc Corporation 3D pose detection by multiple 2D cameras
US20220138943A1 (en) * 2020-10-30 2022-05-05 Chengdu Yijian Medical Technology Co., Ltd System and method to detect abnormality of subjects directly from mri k-space data
US20220139003A1 (en) * 2020-10-30 2022-05-05 Chengdu Yijian Medical Technology Co., Ltd Methods and apparatus for mri reconstruction and data acquisition
CN115137341A (zh) * 2021-03-30 2022-10-04 通用电气精准医疗有限责任公司 磁共振成像***的定位方法及磁共振成像***
CN114217255B (zh) * 2021-11-29 2022-09-20 浙江大学 一种快速的肝脏多参数定量成像方法
EP4375921A1 (en) * 2022-11-23 2024-05-29 GE Precision Healthcare LLC System and method for visualizing placement of a medical tube or line

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6500123B1 (en) * 1999-11-05 2002-12-31 Volumetrics Medical Imaging Methods and systems for aligning views of image data
JP2004214769A (ja) * 2002-12-27 2004-07-29 Ricoh Co Ltd 画像読取装置
JP2004333446A (ja) * 2003-05-12 2004-11-25 Matsushita Electric Ind Co Ltd 外観検査方法、外観検査装置、そのプログラム及びその記録媒体
CN103371824A (zh) * 2012-04-19 2013-10-30 通用电气公司 用于磁共振成像中的界标校正的***和方法
JP2015088052A (ja) * 2013-10-31 2015-05-07 株式会社ニコン 画像処理装置、撮像装置及び画像処理プログラム
CN106456082A (zh) * 2014-06-06 2017-02-22 皇家飞利浦有限公司 用于脊椎层面的成像***
CN107106099A (zh) * 2014-12-18 2017-08-29 皇家飞利浦有限公司 用于对对象的细长感兴趣区域进行成像的成像***
CN108135528A (zh) * 2015-09-30 2018-06-08 通用电气公司 用于监测患者病症的监测***和方法
TW201825047A (zh) * 2016-11-22 2018-07-16 美商超精細研究股份有限公司 改變偵測之方法及設備
CN108305299A (zh) * 2017-01-13 2018-07-20 谷歌有限责任公司 使用机器学习检测合成图像内的组成图像
CN108603922A (zh) * 2015-11-29 2018-09-28 阿特瑞斯公司 自动心脏体积分割
CN108717696A (zh) * 2018-05-16 2018-10-30 上海鹰瞳医疗科技有限公司 黄斑影像检测方法和设备
DE102018114799A1 (de) * 2017-06-20 2018-12-20 Nvidia Corporation Halbüberwachtes lernen zur orientierungspunktlokalisierung

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7650044B2 (en) * 2001-07-30 2010-01-19 Cedara Software (Usa) Limited Methods and systems for intensity matching of a plurality of radiographic images
CN104240226B (zh) 2013-06-20 2017-12-22 上海联影医疗科技有限公司 一种心脏图像的配准方法
US9934451B2 (en) * 2013-06-25 2018-04-03 Microsoft Technology Licensing, Llc Stereoscopic object detection leveraging assumed distance
US11205305B2 (en) * 2014-09-22 2021-12-21 Samsung Electronics Company, Ltd. Presentation of three-dimensional video
US9922272B2 (en) 2014-09-25 2018-03-20 Siemens Healthcare Gmbh Deep similarity learning for multimodal medical images
US9697603B2 (en) * 2014-12-19 2017-07-04 Toshiba Medical Systems Corporation Medical image data processing system and method for vessel segmentation using pre- and post-contrast data
US20170337682A1 (en) 2016-05-18 2017-11-23 Siemens Healthcare Gmbh Method and System for Image Registration Using an Intelligent Artificial Agent
US20180174293A1 (en) * 2016-12-15 2018-06-21 General Electric Company Cradle deflection mitigation by image interpolation
CN106846380B (zh) 2016-12-26 2019-09-03 北京理工大学 一种医学图像配准方法及设备
US10783394B2 (en) * 2017-06-20 2020-09-22 Nvidia Corporation Equivariant landmark transformation for landmark localization
US10762637B2 (en) * 2017-10-27 2020-09-01 Siemens Healthcare Gmbh Vascular segmentation using fully convolutional and recurrent neural networks

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6500123B1 (en) * 1999-11-05 2002-12-31 Volumetrics Medical Imaging Methods and systems for aligning views of image data
JP2004214769A (ja) * 2002-12-27 2004-07-29 Ricoh Co Ltd 画像読取装置
JP2004333446A (ja) * 2003-05-12 2004-11-25 Matsushita Electric Ind Co Ltd 外観検査方法、外観検査装置、そのプログラム及びその記録媒体
CN103371824A (zh) * 2012-04-19 2013-10-30 通用电气公司 用于磁共振成像中的界标校正的***和方法
JP2015088052A (ja) * 2013-10-31 2015-05-07 株式会社ニコン 画像処理装置、撮像装置及び画像処理プログラム
CN106456082A (zh) * 2014-06-06 2017-02-22 皇家飞利浦有限公司 用于脊椎层面的成像***
CN107106099A (zh) * 2014-12-18 2017-08-29 皇家飞利浦有限公司 用于对对象的细长感兴趣区域进行成像的成像***
CN108135528A (zh) * 2015-09-30 2018-06-08 通用电气公司 用于监测患者病症的监测***和方法
CN108603922A (zh) * 2015-11-29 2018-09-28 阿特瑞斯公司 自动心脏体积分割
TW201825047A (zh) * 2016-11-22 2018-07-16 美商超精細研究股份有限公司 改變偵測之方法及設備
CN108305299A (zh) * 2017-01-13 2018-07-20 谷歌有限责任公司 使用机器学习检测合成图像内的组成图像
DE102018114799A1 (de) * 2017-06-20 2018-12-20 Nvidia Corporation Halbüberwachtes lernen zur orientierungspunktlokalisierung
CN108717696A (zh) * 2018-05-16 2018-10-30 上海鹰瞳医疗科技有限公司 黄斑影像检测方法和设备

Also Published As

Publication number Publication date
US10799183B2 (en) 2020-10-13
US20200138382A1 (en) 2020-05-07
CN111150396A (zh) 2020-05-15

Similar Documents

Publication Publication Date Title
CN111150396B (zh) 用于全身成像的方法和***
CN110554334B (zh) 用于磁共振成像中的线圈选择的方法和***
CN110554339B (zh) 用于磁共振成像中的线圈选择以减少相位卷褶伪影的方法和***
CN110554338B (zh) 在磁共振成像中进行线圈选择以减少annefact伪影的方法和***
US8861819B2 (en) Apparatus and method for correcting artifacts of functional image acquired by magnetic resonance imaging
US10705170B1 (en) Methods and systems for removing spike noise in magnetic resonance imaging
CN112596013A (zh) 用于从校准图像生成***扫描设置的***和方法
US8452065B2 (en) System for detecting malignant lymph nodes using an MR imaging device
JP5559848B2 (ja) 複数タイプの磁気共鳴映像を同時に生成する装置及びその方法
US20140191753A1 (en) Method and apparatus for obtaining magnetic resonance image
JP2001198108A (ja) 磁気共鳴画像の方法及び装置
CN106456046A (zh) 经改进的多时相动态对比增强磁共振成像的方法
CN110797112B (zh) 利用深度神经网络的自动图形处方的***和方法
CN112946547A (zh) 用于从校准图像生成诊断扫描参数的***和方法
US9470772B2 (en) Magnetic resonance image distortion correction with a reference volume
CN110907871B (zh) 用于减少磁共振成像中的阴影和模糊的方法和***
CN110554335B (zh) 用于磁共振成像中线圈选择的方法和***
JP2018191697A (ja) 磁気共鳴イメージング装置
US10768252B2 (en) Methods and systems for sampling k-space data in magnetic resonance imaging
US20230093593A1 (en) Determining an outer contour during mr imaging
US20240005480A1 (en) Methods and systems for automated saturation band placement
CN114445287A (zh) 用于执行运动不敏感的静息三维磁共振成像的***和方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant