CN112292732A

CN112292732A - 用于实现对对象的磁共振成像的方法

Info

Publication number: CN112292732A
Application number: CN201980041906.9A
Authority: CN
Inventors: T·E·阿姆托尔; L·王; 赵晨光; J·施密特; J·伯格特; 张雅静; I·格雷斯林; T·诺德霍夫
Original assignee: Koninklijke Philips NV
Current assignee: Koninklijke Philips NV
Priority date: 2018-06-22
Filing date: 2019-06-19
Publication date: 2021-01-29
Also published as: US20210118554A1; WO2019243400A1; DE112019003151T5; US11574728B2

Abstract

本公开涉及一种用于使用成像协议的成像参数的集合来实现对对象(318)的磁共振成像的医学成像方法，所述方法包括：接收与所述对象相关的信息；使用预定义机器学习模型用于建议用于接收到的信息的至少一个成像协议，其中，所述成像协议包括成像参数和相关联的值的集合的至少部分；提供所述成像协议。

Description

用于实现对对象的磁共振成像的方法

技术领域

本发明涉及扫描成像***，特别地涉及一种用于实现对对象的磁共振成像(MRI)的方法。

背景技术

针对磁共振成像，通常许多预先配置的成像协议“检查卡”被安装在通常由客户适于其特定需要的成像***上。当新患者到达以进行检查时，技术专家将必须选择待从大型数据库使用的匹配检查卡。在许多情况下，检查卡然后需要适于患者、临床问题、或咨询医师的偏好。该过程是耗时的，特别是对于受较少训练的人员，并且非理想的选择可能导致非理想的诊断信息或不必要的扫描。选择并且调谐检查卡所要求的时间在紧急情况下是特别相关的，其中，常常算出分钟或秒以执行诊断并且选择处置。

美国专利申请US2015/0199478是指CT/X射线应用和范例并且仅提及MRI作为许多成像技术之一。已知方法限于识别有可能根据计算的图像质量得分产生高质量的图像的每个个体患者的成像参数的集合。

发明内容

各种实施例提供一种用于实现对对象的磁共振成像的方法、医学分析***和计算机程序产品，如由独立权利要求的主题所描述的。在从属权利要求中描述了有利的实施例。

选择用于成像流程的最适合的检查卡的手动过程是耗时的，特别是对于受较少训练的人员。在许多情况下，所述检查卡需要在开始所述检查之前针对所述患者或所述临床问题进行手动调节。非理想的选择或设置可能导致非理想的诊断信息或不必要的扫描。这在紧急情况下是特别有问题的。本方法和***通过基于关于所述临床问题的先验知识、所述患者的状况和所述咨询医师来选择并且提议成像协议而克服这些问题。所述***减少在协议选择和调谐上花费的时间并且还可能导致更短的总体扫描时间(因为不执行不必要的扫描)、结果的更好的再现性以及因此诊断质量的增加。

在一个方面中，本发明涉及一种用于使用成像协议的代表性参数的集合来实现对对象的磁共振成像的医学成像方法。所述方法包括：接收针对特定临床问题的与所述对象相关的信息；使用预定义机器学习模型用于建议用于接收到的信息的至少一个成像协议，其中，所述成像协议包括成像参数和相关联的值的集合的至少部分；提供所述成像协议。

MR检查通常花费很长时间，包括产生不同对比度的许多图像采集，并且包括一些其他任务，诸如患者沟通、重拍、协议和几何适配、造影剂注入、复杂屏气指令等。因此，简单的图像质量得分不足以描述检查的“质量”。例如，当患者不能够躺着不动时，操作者可以决定选择导致不同种类的图像但是仍然允许所要求的诊断的完全不同的协议。此外，协议选择的质量也被反映在检查的效率(速度)、重新扫描的数目和其他问题中并且在患者和人员的满意度中。这些成像协议可以由代表性参数表示，代表性参数诸如其图像对比度、几何设置、图像采集的数目和次序，包括延迟、对运动的敏感性，即，检查卡中的条目有资格代表所述图像协议。

针对所有以上原因，本发明不(仅)使用图像质量得分作为训练标签。“好的”协议相反地通过由操作者针对所述特定患者最后选择什么来识别，即，检查卡的自动化选择反映具有关于所述患者的全部知识的有经验的人员将已经完成什么。这从历史工作流获悉：当在几次不成功的图像采集之后操作者决定尝试不同的对比机制或者改变所述成像参数并且然后将最终图像存储在所述PACS中时，最终设置可以被假定为最适合的。

本发明因此主要在历史数据的图像协议的成功选择上并且在从历史模态日志文件检测到的工作流问题(重拍、延迟、太多沟通)上训练。

另外，还可以存在包括在本发明中的可选直接操作者反馈环，其允许所述操作者指定针对协议的特定手动选择的原因。以这种方式，所述***连续地学习所述操作者的经验以提议最适合的检查卡或参数设置。

本发明的实施方式在除患者信息之外的最好设置之前突出所述临床问题和推荐信息、工作流问题。所述机器学习模型基于所述临床问题等最佳技术设置(例如，检查卡和成像参数，和针对剩余工作流问题的解决方案)来输出。本发明输出学习的技术设置作为正向ML实施方式的结果。

如果所提供的成像协议未实现预定义选择准则，则可以输出警报。所述警报可以指示“参数设置有可能给出坏的图像质量”，或者不合理的设置将不触发扫描开始。所述选择准则可以例如要求可以使用所提供的成像协议获得的图像的图像质量高于预定义阈值。

例如，所述机器学习模型可以被配置为建议每个与成功的概率相关联的多个成像协议。所述成功的概率可以例如是利用相关联的成像协议得到好的图像质量的概率。

术语“机器学习”是指用于通过以自动化方式建立概率模型(被称为机器学习或学习模型)从训练数据提取有用信息的计算机算法。所述机器学习可以使用一个或多个学习算法执行，算法诸如线性回归、K均值、分类算法、强化算法等。“模型”可以例如是使根据其他已知值来预测未测量值(例如，该配置对应于给定操作条件)和/或预测或选择使未来奖励最大化或使未来惩罚最小化的动作的等式或规则集。根据一个实施例，所述机器学习模型是深度学习模型。

术语“成像协议”或“协议”是指所述成像模态的技术设置或参数的集合以产生针对检查所要求的所有图像(例如，MR图像)。

MR操作是复杂的流程。可以存在数百个脉冲序列以生成不同的图像缩小、质子密度、T1加权、扩散、灌注、脑血流等。此外，针对每个序列，存在至少数十个参数供操作者考虑以获得适合于诊断的令人满意的临床图像。此外，使操作者微调并且优化用于不同解剖结构的序列参数是相当常见的请求。因此，首次得到正确的临床图像主要取决于所述扫描器操作者的训练和经验，并且归因于不恰当的研究协议的MR扫描的失败率可以是大约5％，其导致运行所述***中的延迟的扫描和增加的成本。本方法和***可以克服该问题。本方法可以使得能够基于对象相关的信息来找到用于成像协议的最佳配置集。

本公开可以使得能够使所述磁共振成像***的操作自动化。这可以减少针对所述MRI***的配置的操作者介入的需要。

根据一个实施例，所述方法还包括：接收指示与相应的对象信息相关联的成像协议的训练集；使用所述训练集来训练预定义机器学习算法，从而生成所述机器学习模型。例如，不同的机器学习算法可以基于所述训练集的可用数据量和可用处理资源来应用。所述训练集可以例如从多个MRI***和/或其他数据库收集，数据库包括医院数据库或实践网络(HIS、RIS、PACS)和模态日志文件、成像指南、成像适当性准则和手动数据条目。例如，所述训练集可以包括关于使用的协议设置的信息、其他技术设置、所述临床问题、所述患者的背景和状况、以及在所述检查之后生成的放射学报告。所述机器学习算法可以在所收集的数据上训练以预测哪个协议用于特定患者和临床问题。

这可以增加所生成的模型的准确度。所述训练可以例如在周期性基础上执行。这可以实现针对成像协议的准确预测的最新模型。

根据一个实施例，所述方法还包括生成所述训练集，包括：从至少一个数据源收集数据，并且从所收集的数据提取所述成像协议和相关联的对象信息，其中，所述数据源包括MRI***的日志文件和指示成像协议和使用所述成像协议成像的对象的用户报告中的至少一个。该实施例可以实现可以被用于提供可靠且准确的预测模型的丰富的训练集。

根据一个实施例，所述训练集包括从对象的磁共振成像的模拟获得的模拟数据。所述模拟可以使得能够模拟与需要一样多的数据并且用于不同配置。这可以使得能够获得大型训练集，其还可以增加本方法的准确度和可靠性。

例如，所述成像***可以由模拟检查情况的技术专家预先训练。包括临床问题、推荐和患者信息的许多模拟或历史数据集被提供给技术专家，其然后选择并且调节如其将针对真实检查已经完成的成像协议。所述***然后利用这些模拟的检查来训练。

根据一个实施例，所述方法还包括：针对其他接收到的对象信息重复所述建议步骤；并且使用所建议的成像协议和接收到的对象信息来更新所述训练集；并且使用经更新的训练集来重复对所述机器学习算法的所述训练。所述训练集利用已经被进一步选择用于成像的使用或者与预定义参考协议具有小于预定义阈值的差异的所建议的成像协议来更新。所述预定义参考成像协议可以是已经用于所建议的成像协议已经针对其被预测的检查的成像协议或者可以是例如检查卡的预定义成像协议。这可以实现用于改进所述训练集的内容的反馈***。例如，技术***或用户接口可以被用于将所建议的成像协议或协议呈现给所述操作者。所述反馈***可以被配置为收集关于针对所述操作者的选择的原因的信息(例如图像质量)(以被反馈到所述训练数据)。这还可以增加由所生成的模型执行的预测的准确度。

在一个范例中，所建议的成像协议与所述预定义参考协议之间的差异被用于当执行的检查(例如，使用的成像协议)与所提议的成像协议相差超过某个量时产生实时警报。警报可以被示出在扫描器控制台或任何其他计算机屏幕上，可以由中央数据处理单元监测，或者可以由视觉或听觉警报指示。实时警报有用于使人员知道与标准操作流程(SOP)的偏差并且可以是质量保证***的部分。

根据一个实施例，所述训练集的每个成像协议与指示能够使用所述每个成像协议从成像获得的图像的质量的质量得分相关联，其中，所述训练集包括所述质量得分。通过所述图像质量得分来标记所述成像协议还可以增加由所生成的模型执行的预测的准确度，因为所提供的成像协议可以是针对预定义的对象相关的信息和适合的图像质量而预测的成像协议。

根据一个实施例，所述质量得分包括以下项中的至少一项：能获得的图像的图像质量、当使用所述成像协议时的用户介入的数目、当使用所述成像协议时的MR重复扫描的数目、当使用所述成像协议时的延迟和空闲时间及其分布。

根据一个实施例，其中，协议数据库(例如，检查卡数据库)包括成像协议，所述方法还包括：确定所提供的成像协议与协议数据库的预定义参考成像协议之间的差异，并且基于所确定的差异来更新所述协议数据库。

例如，所述差异可以在所提供的成像协议与用于检查的成像协议之间或者在所提供的协议和与预先安装的检查卡的最接近匹配之间。这可以使用被本地存储在所述成像***上的检查卡或使用中央检查卡数据库来实施。差异度量可以基于所述成像协议的单独扫描参数和/或图像对比度和几何形状的次序和类型。该差异度量的统计分析可以允许监测所述***的训练进展或者识别无足够的检查卡在所述数据库中可用的检查类型。该信息可以被用于通过提议待添加的新的预先安装的检查卡或更好地与临床要求对齐的现有检查卡的优化来向客户提供服务。

根据一个实施例，所述对象相关的信息包括所述对象的描述和/或所述对象的临床用例。

与所述对象相关的信息或所述对象相关的信息包括每个描述与所述对象相关的特性的多个属性的数据的记录。所述多个属性中的属性的第一集合包括描述所述对象的信息，包括至少所述对象的临床问题、待成像的解剖结构和所述对象的行为信息。所述多个属性中的属性的第二集合包括指定通过多个咨询源关于所述对象的咨询的推荐信息，包括至少所述对象和症状的当前和过去医学状态的指示。所述属性的值可以是相互依赖的，例如，一个属性的值可以在执行对相互依赖属性的多维分析的情况下被改变。

例如，针对脑肿瘤检查调度的患者已知难以沟通。这可以被提供为所述对象相关的信息的一部分。所述对象相关的信息还可以包括咨询医师的推荐信息。推荐信息可以例如指示用于执行对对象的成像的咨询医师的偏好。从该信息和患者的医学和成像记录，所述机器学习模型选择包含仍然允许所述大脑中的病变的检测和定位的几乎运动不敏感的扫描的成像协议。由于已知所述咨询医师期望特定切片几何形状和对比类型的图像，所以在协议生成中也考虑该偏好。

根据一个实施例，所述建议包括使用所述对象信息来预测所述成像协议。

根据一个实施例，所述方法还包括：接收成像参数的集合，所述建议包括：针对接收到的成像参数的集合和所述对象信息预测质量得分，其中，如果所预测的质量得分高于预定义阈值，则所述成像协议的所建议的参数是接收到的参数的集合；或者如果所预测的质量得分小于所述预定义阈值，则调节接收到的参数的集合，其中，所述成像协议的所建议的参数是所调节的参数。所述机器学习模型可以例如接收所述参数作为输入，并且所述对象相关的信息也可以输出IQ值。

例如，在应用阶段中，所述机器学习模型可以在所述实际扫描发生之前根据所述输入扫描参数向量来评价所述IQ条件。所述操作者利用有助于完成产生可接受的IQ的扫描参数的集合的所预测的信息，并且可以首次正确(first-time-right)执行实际扫描。所述机器学习模型还可以建议确保可接受的IQ的优化的扫描参数集。

在另一方面中，本发明涉及一种包括用于由处理器运行的机器可执行指令的计算机程序产品，其中，所述机器可执行指令的运行使得所述处理器执行根据前述权利要求中的任一项所述的方法。

在另一方面中，本发明涉及一种医学分析***(或医学控制***)，包括：存储器，其包含机器可执行指令；以及处理器，其用于控制所述医学分析***，其中，所述机器可执行指令的执行使得所述医学成像***：

接收与所述对象相关的信息；

使用预定义机器学习模型用于建议用于接收到的信息的至少一个成像协议，其中，所述成像协议包括参数和相关联的值的集合的至少部分；

提供所述成像协议。

应理解，可以组合本发明的前述实施例中的一个或多个，只要组合的实施例不相互排斥即可。

附图说明

在下文中将仅通过范例并且参考附图来描述本发明的优选实施例，在附图中：

图1是医学分析***的示意图；

图2是用于实现对对象的磁共振成像的方法的流程图；

图3A描绘了用于训练机器学习算法的训练***的框图；

图3B描绘了用于提供成像协议的应用***的框图；并且

图4示出了MRI***的剖视的且功能的视图。

附图标记列表

100 医学***

101 扫描成像***

103 处理器

107 存储器

108 电源

109 总线

111 控制***

121 软件

125 显示器

129 用户接口

150 AI部件

201-205 方法步骤

300 磁共振成像***

304 磁体

306 磁体膛

308 成像区

310 磁场梯度线圈

312 磁场梯度线圈电源

314 射频线圈

315 RF放大器

318 对象

3000A 训练***

3000B 应用***

3001 训练数据库

3002A-C 数据源

3003 处理单元

3004 机器学习模型

3007 列表

3010 处理单元

3011A-B 信息

3013 显示器

具体实施方式

在下文中，附图中的相同编号元件是类似元件或执行等效功能。如果功能是等效的，则在稍后附图中将不必讨论先前已经讨论过的元件。

各种结构、***和设备仅出于解释的目的在附图中示意性地描绘并且以便不利用本领域技术人员众所周知的细节使本发明晦涩难懂。然而，包括附图以描述并且解释所公开的主题的说明性范例。

图1是医学分析***100的示意图。医学分析***100包括控制***111，其被配置为连接到扫描成像***(或采集部件)101。控制***111包括每个能够与医学***100的一个或多个部件通信的处理器103、存储器107。例如，控制***111的部件耦合到双向***总线109。

将理解，本文所描述的方法是至少部分地非交互的，并且通过计算机化***自动化。例如，这些方法还可以被实现在软件121(包括固件)、硬件、或其组合中。在示范性实施例中，本文所描述的方法以软件实现为可执行程序，并且由专用或通用数字计算机(诸如个人计算机、工作站、小型计算机或大型计算机)执行。

处理器103是用于运行特别是存储在存储器107中的软件的硬件设备。处理器103可以是任何定制或可商购的处理器、中央处理单元(CPU)、与控制***111相关联的若干处理器之中的辅助处理器、基于半导体的微处理器(以微芯片或芯片集的形式)、微处理器、或通常用于执行软件指令的任何设备。处理器103可以控制扫描成像***101的操作。

存储器107可以包括易失性存储器元件(例如，随机存取存储器(RAM，诸如DRAM、SRAM、SDRAM等))和非易失性存储器元件(例如，ROM、可擦可编程只读存储器(EPROM)、电可擦可编程只读存储器(EEPROM)、可编程只读存储器(PROM))中的任何一项或组合。注意，存储器107可以具有分布式架构，其中，各种部件位于远离彼此，但是可以由处理器103访问。存储器107可以存储与医学***100的至少一个其他构成元件相关的指令或数据。

控制***111还可以包括显示设备125，其例如在用户接口129上显示字符和图像等。显示设备125可以是触摸屏显示设备。

医学分析***100还可以包括用于对医学分析***100进行供电的电源108。电源108可以例如是电池或外部电源，诸如由标准AC插座供应的电力。

扫描成像***101可以包括MRI、CT和PET-CT成像器中的至少一个。控制***111和扫描成像***101可以是或可以不是整体部分。以其他术语，控制***111可以在或可以不在扫描成像***101的外部。

扫描成像***101包括可以由处理器103控制以便将扫描成像***101配置为向控制***111提供图像数据的部件。扫描成像***101的配置可以实现扫描成像***101的操作。扫描成像***101的操作可以例如是自动的。图3示出了作为MRI***的扫描成像***101的部件的范例。

控制***111与扫描成像***101之间的连接可以例如包括BUS以太网连接、WAN连接、因特网连接等。

在一个范例中，扫描成像***101可以被配置为响应于指定测量结果而提供输出数据，诸如图像。控制***111可以被配置为从MRI扫描成像***101接收数据，诸如调查图像数据。例如，处理器103可以适于以兼容数字形式从扫描成像***101接收信息(自动地或在请求时)，使得这样的信息可以被显示在显示设备125上。这样的信息可以包括操作参数、警报通知、以及与使用有关的其他信息、扫描成像***101的操作和功能。

医学分析***100可以被配置为经由网络130与其他扫描成像***131和/或数据库133通信。网络130包括例如无线局域网(WLAN)连接、WAN(广域网)连接、LAN(局域网)连接或其组合。数据库133可以包括与患者、扫描成像***、解剖结构、扫描几何形状、扫描参数、扫描等相关的信息。数据库133可以例如包括包含患者的EMR的EMR数据库、放射信息***数据库、医学图像数据库、PACS、医院信息***数据库和/或比较可以被用于规划扫描几何形状的数据的其他数据库。数据库133可以例如包括用于生成机器学习模型的训练集。额外地或者备选地，训练集可以被存储在控制***111的本地存储设备(例如，磁盘存储设备或存储器)中。

存储器107还可以包括人工智能(AI)部件150(还被称为机器学习模块)。AI部件150可以是或可以不是软件部件121的部分。AI部件150可以被配置用于通过机器学习模型基于接收到的输入信息来自动确定或者建议至少一个成像协议。接收到的输入信息可以例如与待由扫描成像***101(例如，MRI***)扫描的对象相关。所建议的成像协议可以包括成像参数和相关联的值或值的范围的集合。

AI部件150可以被配置为在训练集上执行机器学习以便生成用于基于与待扫描或成像的对象相关的信息来建议成像协议的一个或多个机器学习模型。AI部件150可以被配置为使用不同的机器学习算法。所生成的机器学习模型可以被存储在存储设备(诸如控制***111的存储器107)中。

AI部件150可以例如被配置为生成用于根据所确定或所建议的成像协议来配置扫描成像***101的控制信号。

图2是用于使用成像协议的成像参数的集合来实现对对象的磁共振成像的方法的流程图。成像协议可以例如是磁共振成像协议。

在步骤201中，可以接收对象相关的信息。对象相关的信息包括对象的描述和/或对象的临床用例。例如，预定义机器学习模型可以接收对象相关的信息作为输入。图3A-B提供对象信息的范例。

在步骤203中，预定义机器学习模型可以被用于建议用于接收到的信息的至少一个成像协议。成像协议包括成像参数和相关联的值或值的范围的集合的至少部分。这可以使得能够将机器学习能力集成到MR扫描参数优化过程。

在一个范例中，也可以使用图像质量。例如，针对每个序列和解剖结构，给定扫描参数和图像质量的得分，机器学习模型被训练以找到优化的参数集从而生成可接受的图像质量。这可以有助于增加MR扫描的成功率，其是用于进一步处理数据的基本要求。

在步骤205中，可以提供成像协议。例如，成像协议可以被用于自动控制例如MRI***，以用于根据所建议的成像协议的参数来采集数据。步骤201-205可以被自动执行。

在一个范例中，可以建立所提议的成像协议的列表，其不仅包含(步骤205的)单独提供的成像协议，而且包含例如存储在***上的检查卡的预定义协议的最接近的匹配。在另一范例中，操作者可以选择以将所提供的协议存储在预定义检查卡的数据库中。

图3A描绘了用于训练机器学习算法的训练***3000A的框图。使用训练***3000A，收集来自各种历史数据集的数据，提取特征和标签并且训练机器学习算法。

训练***3000A包括训练数据库3001。训练数据库3001包括从不同源3002A-C收集以训练机器学习算法的历史数据。源3002A-C可以例如包括一个或多个MRI***的日志文件3002A、患者信息3002B和推荐信息3002C。例如，所收集的数据可以包括，针对每个检查：

用于(例如，从MRI***的日志文件获得的)检查的预定义协议设置(例如，其被编码在MRI***的检查卡中)。图3A示出了如由参数表3007指示的协议设置的范例。设置可以例如指示定义脉冲序列的参数，诸如回波时间(TE)、重复时间(TR)、翻转角、视场和矩阵大小、(一个或多个)反转脉冲、(一个或多个)扰流器梯度(压碎机梯度)、回波链长度(ETL)、k空间的空间采集、3D采集或2D采集或多个重叠层采集、具有钆造影剂和/或扩散加权(b值)的后造影成像。

-在检查期间执行的技术设置或成像协议的改变(如从日志文件获得的)。

-工作流信息，诸如延迟、任务的重复、成像流程的单独步骤的持续时间(如从日志文件获得的)。

-患者人口统计信息(例如，从医院或实践网络数据库获得的)。

-患者健康状态信息，包括残疾、针对检查考虑的预防措施(例如，从医院或实践网络数据库获得的)。

-患者社会信息，包括协同性、所说语言(例如，从医院或实践网络数据库获得的)。

-来自推荐的临床问题(例如，从医院或实践网络数据库获得的)。

-咨询医师(例如，从医院或实践网络数据库获得的)。

-关于医院或实践的标准操作流程(SOP)的信息。

在这样的各种数据上训练机器学习算法允许算法考虑例如咨询医师的偏好、基于患者的状况的图像中的运动伪影的概率、确切临床问题(例如如果这针对疾病进展监测重新扫描，则一些扫描可以与首次诊断成像相比较省去或添加)。由于学习基于历史数据结合关于实际执行的流程的信息，所以所有这些考虑将由模型隐含地学习。

使用所收集的数据，标签和特征可以由处理单元3003提取。所提取的标签和特征可以被用于训练机器学习算法。所提取的特征和标签可以是训练集。机器学习算法可以是神经网络算法、决策树算法、支持向量机算法、k最近邻算法等。由处理单元3003对机器学习算法的训练导致如图3A中所图示的机器学习模型3004。机器学习算法可以是分类类型或回归类型算法。由分类类型算法生成的机器学习模型可以被配置为预测或者提供多个选择之一。由回归类型算法生成的机器学习模型可以提供多个选择和针对选择中的每个选择的概率。后者类型可以被用于不是提议单个协议，而是由适当性或成功的概率排序的协议的选择。

在一个范例中，所提取的标签可以包括对象信息(例如，临床扫描的指示)并且所提取的相关联的特征包括成像协议(成像协议可以由相应的参数集定义)。例如，针对每个临床扫描，参数设置可以被记录并且所记录的数据然后被收集以便被处理以用于定义训练集。这可以实现：在机器学习训练阶段中，具有参数集的MR扫描情况的大集合和对应的对象相关的信息被用于教导机器学习模型3004隐含逻辑。

在另一范例中，所提取的标签还可以包括指示能够由相关联的特征(例如，成像协议)获得的图像的图像质量的IQ得分。例如，针对每个临床扫描，可以记录参数设置，并且记录图像质量得分(例如，如由放射科医师评价的，例如从1至5的得分)。

IQ得分可以隐含地或明确地给出。隐含的IQ得分通过跟踪图像的使用来生成。例如，如果图像由放射科医师采用以创建诊断报告，则图像的IQ将被标记为可接受的。如果图像否则由放射科医师忽略，则IQ被认为是不可接受的。放射科医师还可以明确地将图像评分为可接受或不可接受的，或者通过给出针对IQ的定量数字。序列参数集与IQ得分之间的对应关系将被用作训练引导。机器学习模块的目标可以是针对每个解剖结构处的每个序列学习被假定为给定首次正确IQ的优化参数集。例如，一个序列可以包含具有许多参数的参数集，并且参数集可以决定或定义序列的MR信号。这可以实现：在机器学习训练阶段中，具有参数集的MR扫描情况的大集合和对应的IQ得分和对象信息被用于教导机器学习模型3004隐含逻辑。每个参数集可以被组织为扫描参数向量，并且机器学习模型获得将产生好的图像的扫描参数向量与具有坏的图像的扫描参数向量区分的能力。

图3B描绘了用于提供成像协议的应用***3000B的框图。例如，当患者将被检查时，所生成的机器学习模型(例如，图3A的)被用于基于对象相关的数据(诸如患者和推荐数据)来预测适合的成像协议并且向操作者提议协议。可选地，操作者反馈可以被收集并且被反馈到训练数据库3001中以当重新训练模型时被考虑。

应用***3000B包括处理单元3010，其可以与或可以不与处理单元3003相同。处理单元3010可以接收用于待检查的患者的患者相关的信息。患者相关的信息可以例如包括描述患者的信息3011A和推荐信息3011B。患者相关的信息可以用作用于(图3A的)所生成的机器学习模型的输入以便执行针对至少一个成像协议的预测。

包括所预测的一个或多个成像协议的结果被呈现给操作者，例如在MRI***的控制台屏幕3013上或在附加设备上。结果可以包括单个推荐、或提议的协议的列表。在一个范例中，操作者可能被要求接受并使用任何所提议的协议或者拒绝此选择并且手动选择检查卡或协议参数的其他集合。

可选地，操作者可能被要求解释用于不选取所提议的成像协议的决策，例如通过屏幕3013上的模态对话窗口。例如，操作者的解释可以指示所提议的协议必须不与参考协议相差超过预定义值。操作者的输入然后被反馈到训练数据库3001中以被包括在机器学习算法的后续重新训练中。以这种方式，机器学习算法继续将其决策适配到临床实践。

图4图示了作为医学***100的范例的磁共振成像***300。磁共振成像***300包括磁体304。磁体304是具有其中的膛306的超导圆柱体类型磁体。不同类型的磁体的使用也是可能的：例如，使用***式圆柱形磁体和所谓的开放式磁体二者也是可能的。除低温恒温器已经分为两个部分以允许进入磁体的等平面之外，***式圆柱形磁体与标准圆柱形磁体类似。这样的磁体可以例如结合带电粒子束治疗使用。开放式磁体具有一个在另一个上面的两个磁体部分，以及足够大以接收待成像的对象318的之间的空间，两个部分区域的布置与亥姆霍兹线圈的布置类似。在圆柱形磁体的低温恒温器内，存在超导线圈的集合。在圆柱形磁体304的膛306内，存在其中磁场足够强并且均匀以执行磁共振成像的成像区或体积或解剖结构308。

在磁体的膛306内，还存在磁场梯度线圈310的集合，其在磁共振数据的采集期间被用于在磁体304的成像体积或检查体积308内空间地编码目标体积的磁自旋。磁场梯度线圈310被连接到磁场梯度线圈电源312。磁场梯度线圈310旨在是代表性的。通常地，磁场梯度线圈310包含用于在三个正交空间方向上编码的三个分离的线圈集。磁场梯度电源向磁场梯度线圈供应电流。供应到磁场梯度线圈310的电流被控制为时间的函数并且可以斜变的或脉冲的。

MRI***300还包括对象318处并且邻近用于生成RF激励脉冲的检查体积308的RF线圈314。RF线圈314可以包括例如表面线圈或其他专门化RF线圈的集合。RF线圈314可以交替地被用于RF脉冲的发射以及用于磁共振信号的接收，例如，RF线圈314可以被实现为发射阵列线圈，其包括多个RF发射线圈。RF线圈314被连接到一个或多个RF放大器315。

磁场梯度线圈电源312和RF放大器315被连接到控制***11的硬件接口。控制***111的存储器107可以例如包括控制模块。控制模块包含使得处理器103能够控制磁共振成像***300的操作和功能的计算机可执行代码。其还实现磁共振成像***300的基本操作，诸如磁共振数据的采集。

如本领域的技术人员将认识到的，本发明的各方面可以被实现为一种装置、方法或计算机程序产品。因此，本发明的各方面可以采取完全硬件实施例、完全软件实施例(包括固件、常驻软件、微代码等)或者组合可以全部通常在本文中被称为“电路”、“模块”或“***”的软件和硬件方面的实施例的形式。而且，本发明的各方面可以采取以具有实现在其上的计算机可执行代码的一个或多个计算机可读介质的计算机程序产品的形式。

可以利用一个或多个计算机可读介质的任何组合。所述计算机可读介质可以是计算机可读信号介质或计算机可读存储介质。如本文所使用的“计算机可读存储介质”涵盖可以存储由计算设备的处理器可执行的指令的任何有形存储介质。所述计算机可读存储介质可以被称为计算机可读非瞬态存储介质。所述计算机可读存储介质还可以被称为有形计算机可读介质。在一些实施例中，计算机可读存储介质还可能能够存储能够由计算设备的处理器访问的数据。计算机可读存储介质的范例包括但不限于：软盘、磁性硬盘驱动器、固态硬盘、闪速存储器、USB拇指驱动器、随机存取存储器(RAM)、只读存储器(ROM)、光盘、磁光盘和处理器的寄存器堆。光盘的范例包括光盘(CD)和数字通用光盘(DVD)(例如，CD-ROM、CD-RW、CD-R、DVD-ROM、DVD-RW或DVD-R磁盘)。术语计算机可读存储介质还指代能够经由网络或通信链路由计算机设备访问的各种类型的记录介质。例如，可以通过调制解调器、通过因特网或通过局域网检索数据。在计算机可读介质上实现的计算机可执行代码可以使用任何适当的介质传送，包括但不限于无线、有线线路、光纤线缆、RF等或前述内容的任何适合的组合。

计算机可读信号介质可以包括具有实现在其中的计算机可执行代码的传播数据信号(例如，在基带内或作为载波的一部分)。这样的传播信号可以采取各种形式中的任一个，包括但不限于电磁、光或其任何适合的组合。计算机可读信号介质可以是不是计算机可读存储介质并且可以传递、传播或传输用于由指令运行***、装置或设备或结合其使用的程序的任何计算机可读介质。

“计算机存储器”或“存储器”是计算机可读存储介质的范例。计算机存储器是对处理器可直接访问的任何存储器。“计算机存储装置”或“存储装置”是计算机可读存储介质的另一范例。计算机存储装置是任何非易失性计算机可读存储介质。在一些实施例中，计算机存储装置还可以是计算机存储器或反之亦然。

如本文所使用的“处理器”涵盖能够运行程序或机器可执行指令或计算机可执行代码的电子部件。对包括‘处理器’的计算设备的引用应当被解释为可能包含超过一个处理器或处理核心。所述处理器可以例如是多核处理器。处理器还可以指代单个计算机***内或分布在多个计算机***之中的处理器的集合。术语计算设备还应当被解释为可能指代各自包括一个或多个处理器的计算设备的集合或网络。可以由可以在所述相同计算设备内或者可以甚至跨多个计算设备分布的多个处理器运行所述计算机可执行代码。

计算机可执行代码可以包括使得处理器执行本发明的方面的机器可执行指令或程序。执行用于本发明的各方面的操作的计算机可执行代码可以以一个或多个编程语言的任何组合编写并且被编译为机器可执行指令，编程语言包括面向对象编程语言(诸如Java、Smalltalk、C++等)和常规程序编程语言(诸如“C”编程语言或类似编程语言)。在一些实例中，所述计算机可执行代码可以以高级语言的形式或以预编译形式并且结合生成在飞行中的所述机器可执行指令的解译器使用。

所述计算机可执行代码可以全部地在所述用户的计算机上、部分地在所述用户的计算机上、作为独立软件包、部分地在所述用户的计算机上并且部分地在远程计算机上或全部地在所述远程计算机或服务器上运行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

参考根据本发明的实施例的方法、装置(***)和计算机程序产品的流程图图示和/或块图描述本发明的各方面。将理解，可以通过在适用时以计算机可执行代码的形式的计算机程序指令实现流程图、图示和/或块图中的每个块或块的部分。还应理解，当不相互排斥时，可以组合不同的流程图、图示和/或块图中的块的组合。这些计算机程序指令可以被提供到通用计算机的处理器、专用计算机或其他可编程数据处理装置以产生机器，使得经由所述计算机或其他可编程数据处理装置的所述处理器运行的所述指令创建用于实现所述流程图和/或一个或多个块图块中所指定的所述功能/动作的装置。

这些计算机程序指令还可以被存储在计算机可读介质中，其可以引导计算机、其他可编程数据处理装置或其他设备以特定方式运行，使得被存储在所述计算机可读介质中的所述指令产生包括实现所述流程图和/或一个或多个块图块中所指定的所述功能/动作的指令的制造品。

计算机程序指令还可以被加载到计算机、其他可编程数据处理装置或其他装置上以使得一系列操作步骤在计算机、其他可编程装置或其他装置上执行来产生计算机实现的过程，使得在处理器或其他可编程装置上运行的指令提供用于实现流程图和/或一个或多个块图块中所指定的功能/动作的过程。

如本文所使用的“用户接口”是允许用户或操作者与计算机或计算机***交互的接口。“用户接口”还可以被称为“人机接口设备”。用户接口可以向所述操作者提供信息或数据和/或从所述操作者接收信息或数据。用户接口可以使得来自操作者的用户能够由所述计算机接收并且可以从所述计算机向所述用户提供输出。换句话说，所述用户接口可以允许操作者控制或操纵计算机并且所述接口可以允许所述计算机指示所述操作者的控制或操纵的所述效果。显示器或图形用户接口上的数据或信息的所述显示是将信息提供给操作者的范例。通过键盘、鼠标、轨迹球、触摸板、指点杆、图形板、操纵杆、游戏板、网络摄像头、头戴式耳机、变速杆、转向轮、踏板、有线手套、跳舞毯、遥控器和加速度计接收数据全部是使得能够从操作者接收信息或数据的用户接口部件的范例。

如本文所使用的“硬件接口”涵盖使得计算机***的处理器能够与外部计算设备和/或装置相互作用和/或控制其的接口。硬件接口可以允许处理器将控制信号或指令发送到外部计算设备和/或装置。硬件接口还可以使得处理器能够与外部计算设备和/或装置交换数据。硬件接口的范例包括但不限于：通用串行总线、IEEE 1394端口、并行端口、IEEE1284端口、串行端口、RS-232端口、IEEE-488端口、蓝牙连接、无线局域网连接、TCP/IP连接、以太网连接、控制电压接口、MIDI接口、模拟输入接口和数字输入接口。

如本文所使用的“显示器”或“显示设备”涵盖适于显示图像或数据的输出设备或用户接口。显示器可以输出视觉、听觉和或触觉数据。显示器的范例包括但不限于：计算机监视器、电视屏幕、触摸屏、触觉电子显示器、盲文屏幕、阴极射线管(CRT)、存储管、双稳态显示器、电子纸、向量显示器、平板显示器、真空荧光显示器(VF)、发光二极管(LED)显示器、电致发光显示器(ELD)、等离子显示器面板(PDP)、液晶显示器(LCD)、有机发光二极管显示器(OLED)、投影仪和头戴式显示器。

虽然已经在附图和前述描述中详细说明并描述了本发明，但是这样的说明和描述将被认为是说明性或示范性而非限制性的；本发明不限于所公开的实施例。

通过研究附图、说明书和随附的权利要求书，本领域技术人员在实践所要求保护的本发明时可以理解并实现对所公开的实施例的其他变型。在权利要求中，词语“包括”不排除其他元件或者步骤，并且词语“一”或“一个”不排除多个。单个处理器或其他单元可以实现权利要求中记载的若干项的功能。在互不相同的从属权利要求中记载了特定措施的仅有事实并不指示不能有利地使用这些措施的组合。计算机程序可以被存储/被分布在适合的介质(诸如连同其他硬件一起或作为其他硬件的部分供应的光学存储介质或固态介质)上，而且可以以其他形式分布(诸如经由因特网或其他有线或无线电信***)。权利要求中的任何附图标记不应当被解释为对范围的限制。

Claims

1.一种用于使用成像协议的代表性参数的集合来实现对对象(318)的磁共振成像的医学成像方法，所述方法包括：

接收针对特定临床问题的与所述对象(318)相关的信息；

使用预定义机器学习模型用于建议用于针对所述特定临床问题的接收到的信息的至少一个成像协议，其中，所述成像协议包括成像参数和相关联的值的集合的至少部分；

提供所述成像协议。

2.根据权利要求1所述的方法，还包括：

接收指示与相应的对象信息相关联的成像协议的训练集；

使用所述训练集来训练预定义机器学习算法，从而生成所述机器学习模型。

3.根据权利要求2所述的方法，还包括生成所述训练集，包括：从至少一个数据源收集数据，并且从所收集的数据提取所述成像协议和相关联的对象信息，其中，所述数据源包括MRI***的日志文件和指示成像协议和使用所述成像协议成像的对象的用户报告中的至少一个。

4.根据权利要求2或3所述的方法，所述训练集包括从对象的磁共振成像的模拟获得的模拟数据。

5.根据前述权利要求2-4中的任一项所述的方法，还包括：针对其他接收到的对象信息重复所述建议步骤；并且使用所建议的成像协议和接收到的对象信息来更新所述训练集；并且使用经更新的训练集来重复对所述机器学习算法的所述训练。

6.根据前述权利要求2-5中的任一项所述的方法，其中，所述训练集的每个成像协议与指示能够使用所述每个成像协议从成像获得的图像的质量的质量得分相关联，其中，所述训练集包括所述质量得分。

7.根据权利要求6所述的方法，其中，所述质量得分包括以下项中的至少一项：能获得的图像的图像质量、当使用所述成像协议时用户介入的数目、当使用所述成像协议时的MR重复扫描的数目、当使用所述成像协议时的延迟和空闲时间及其分布。

8.根据前述权利要求中的任一项所述的方法，还包括：确定所提供的成像协议与协议数据库的预定义参考成像协议之间的差异，并且基于所确定的差异来更新所述协议数据库。

9.根据前述权利要求中的任一项所述的方法，其中，所述对象相关信息包括所述对象的描述和/或所述对象的临床用例。

10.根据前述权利要求中的任一项所述的方法，其中，所述建议包括使用所述对象信息来预测所述成像协议。

11.根据前述权利要求中的任一项所述的方法，还包括接收成像参数的集合，所述建议包括：

针对接收到的成像参数的集合和所述对象信息来预测质量得分，其中，如果所预测的质量得分高于预定义阈值，则所述成像协议的所建议的参数是接收到的参数的集合；或者如果所预测的质量得分小于所述预定义阈值，则调节接收到的参数的集合，其中，所述成像协议的所建议的参数是所调节的参数。

12.一种包括用于由处理器运行的机器可执行指令的计算机程序产品，其中，所述机器可执行指令的运行使得所述处理器执行根据前述权利要求中的任一项所述的方法。

13.一种医学分析***(111)，包括：存储器，其包含机器可执行指令；以及处理器(103)，其用于控制所述医学分析***(111)，其中，所述机器可执行指令的运行使所述医学成像***(111)：

接收针对特定临床问题的与对象(318)相关的信息；

使用预定义机器学习模型用于建议用于针对所述特定临床问题的接收到的信息的至少一个成像协议，其中，所述成像协议包括参数和相关联的值的集合的至少部分；

提供所述成像协议。

14.根据权利要求13所述的医学分析***，其被配置为连接到多个MRI***并且接收所述MRI***的日志文件。

15.一种包括根据权利要求13所述的医学分析***(111)的MRI***(300)，所述MRI***(300)被配置用于使用由所述医学分析***(111)提供的成像协议来采集图像数据。