CN114502068A - 生成肝脏的无对比度增强的mrt图像 - Google Patents

生成肝脏的无对比度增强的mrt图像 Download PDF

Info

Publication number
CN114502068A
CN114502068A CN202080070311.9A CN202080070311A CN114502068A CN 114502068 A CN114502068 A CN 114502068A CN 202080070311 A CN202080070311 A CN 202080070311A CN 114502068 A CN114502068 A CN 114502068A
Authority
CN
China
Prior art keywords
liver
mrt
contrast agent
contrast
examination object
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
CN202080070311.9A
Other languages
English (en)
Inventor
G·克诺博罗齐
C·利纳瑟
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 CN114502068A publication Critical patent/CN114502068A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays
    • A61B5/7425—Displaying combinations of multiple images regardless of image source, e.g. displaying a reference anatomical image with a live image
    • 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
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/5601—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution involving use of a contrast agent for contrast manipulation, e.g. a paramagnetic, super-paramagnetic, ferromagnetic or hyperpolarised contrast agent
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/5608—Data processing and visualization specially adapted for MR, e.g. for feature analysis and pattern recognition on the basis of measured MR data, segmentation of measured MR data, edge contour detection on the basis of measured MR data, for enhancing measured MR data in terms of signal-to-noise ratio by means of noise filtering or apodization, for enhancing measured MR data in terms of resolution by means for deblurring, windowing, zero filling, or generation of gray-scaled images, colour-coded images or images displaying vectors instead of pixels

Landscapes

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

Abstract

本发明涉及肝脏的人工MRT图像的生成。本发明还涉及用于生成无对比度增强的肝脏的MRT图像的方法、***以及计算机程序产品。

Description

生成肝脏的无对比度增强的MRT图像
本发明涉及肝脏的人工MRT图像的生成。本发明的主题是一种用于生成肝脏的无对比度增强的MRT图像的方法、***和计算机程序产品。
磁共振成像简称MRT或MR(英文是MRI，Magnetic Resonance Imaging)，是一种成像方法，该成像方法尤其用于医学诊断中，用于描绘人体或动物体中的组织和器官的结构和功能。
在MR成像中，检查对象中的质子的磁矩在基本磁场中被对准，从而沿着纵向方向存在宏观磁化。此随后通过高频(HF)脉冲(激励)的入射辐射而从静止位置偏转。从激励状态到静止位置的恢复(弛豫)或磁化动态随后被一个或更多个HF接收器线圈检测为弛豫信号。
为了空间编码，快速切换的磁梯度场被叠加在基本磁场上。所捕获的弛豫信号或者所检测到的且经空间解析的MR数据初始地被呈现为空间频率空间中的原始数据，且可以通过随后的傅里叶变换被变换到实体空间(图像空间)中。
对于原始MRT，由不同的弛豫时间(T1和T2)和质子密度生成组织对比。
T1弛豫描述了纵向磁化向其平衡状态的转变，T1是在共振激励之前达到63.21％的平衡磁化所需要的时间。它还被称为纵向弛豫时间或自旋晶格弛豫时间。
类似地，T2弛豫描述了横向磁化向其平衡状态的转变。
MR造影剂通过更改摄取造影剂的结构的弛豫时间来发挥它们的作用。可以在两组物质之间进行区分：顺磁性物质和超顺磁性物质。两组物质都具有未成对的电子，这些电子在单个原子或分子周围感应出磁场。
超顺磁性造影剂导致T2的显著缩短，而顺磁造影剂主要导致T1的缩短。T1时间的缩短导致在T1加权序列中信号强度的增加，而T2时间的缩短导致在T2加权序列中信号强度的降低。
所述造影剂的作用是间接的，因为造影剂本身不发出信号，而是仅影响其周围的氢质子的信号强度。
在T1加权图像中，顺磁性造影剂导致含有造影剂的区域与不含造影剂的区域相比的较亮(信号较高)描绘。
在T2加权图像中，超顺磁性造影剂导致含有造影剂的区域与不含造影剂的区域相比的较暗(信号较低)描绘。
信号较高描绘和信号较低描绘都会导致对比度增强。
超顺磁性造影剂的一个实施例是氧化铁纳米颗粒(SPIO，英文是superparamagnetic iron oxide)。
顺磁性造影剂的实施例是钆螯合物，诸如钆喷酸葡胺(商品名：
Figure BDA0003584176570000021
等)、钆贝葡胺(商品名：
Figure BDA0003584176570000022
)、钆特酸
Figure BDA0003584176570000023
Figure BDA0003584176570000024
钆双胺
Figure BDA0003584176570000025
钆特醇
Figure BDA0003584176570000026
和钆布醇
Figure BDA0003584176570000027
细胞外、细胞内和脉管内造影剂可以根据它们在组织中的扩散模式进行区分。
基于钆塞酸的造影剂的特征在于肝脏细胞、肝细胞的特异性摄取，且在于功能组织(实质(parenchyma))中的富集，且在于健康肝脏组织中造影剂的增强。囊肿、转移瘤以及大多数肝细胞癌的细胞不再像正常肝脏细胞那样起作用，不摄取造影剂或几乎不摄取造影剂，不会通过增强进行描绘，因此可识别和可定位。
基于钆塞酸的造影剂的实施例在US6,039,931A中进行描述；它们可以例如以商品名
Figure BDA0003584176570000028
或
Figure BDA0003584176570000029
购得。
Figure BDA00035841765700000210
的造影剂增强效果通过稳定的钆络合物Gd-EOB-DTPA(钆塞酸二钠(gadolinium ethoxybenzyl diethylenetriaminepentaacetic acid))介导。DTPA与顺磁性钆离子形成具有极高热力学稳定性的络合物。乙氧基苄基(EOB)自由基是肝胆摄取造影剂的介体。
Figure BDA00035841765700000211
可以被用于检测和表征肝脏中的肿瘤。健康的肝脏组织的血液供应主要经由门静脉(Vena portae)实现，而肝脏动脉(Arteria hepatica)供应大多数原发性肿瘤。在静脉注射一剂造影剂之后，相应地可以观察到健康肝脏实质的信号上升与肿瘤的信号上升之间的时间延迟。
在分配期由
Figure BDA00035841765700000212
所实现的造影剂增强的情况下，观察到的是提供用于表征病变的信息的典型的灌注模式。描绘洗入行为、洗出行为和脉管化有助于表征病变类型以及确定肿瘤与血管之间的空间关系。
在T1加权图像的情况下，
Figure BDA0003584176570000031
在注射之后的10-20分钟(在肝胆期中)导致健康的肝脏实质中明显的信号增强，而病变不含肝细胞或仅含有少量肝细胞，例如转移或中度至低分化的肝细胞癌(HCC)显示为较暗的区域。
然而，血管在肝胆期也显示为较暗的区域，意味着在肝胆期所生成的MRT图像中，通常不可能仅基于对比来区分肝脏病变和血管。肝脏病变与血管之间的区分只能在进一步的MRT图像中实现，例如动态期的图像(其中血管被突出显示)，或者借助于无造影剂导致的对比度增强的MRT图像实现。然而，如果例如使用针对检查对象缩短的MRT图像采集方法，例如如果在MRT图像采集之前已经施用了造影剂一定的时间跨度来直接采集肝胆期内的MRT图像并且然后——在第二次施用造影剂之后——创建动态期的MRT图像，已不再可能在同一个MRT图像采集过程中创建无对比度增强的MRT图像(原始MRT图像)。
本发明通过独立权利要求的主题来解决此问题。在从属权利要求中、本说明书中以及附图中找到本发明的优选实施方案。
本发明在第一方面提供了一种方法，包括以下步骤：
-接收检查对象的至少一个第一MRT图像，所述至少一个第一MRT图像示出所述检查对象的肝脏或肝脏的一部分，其中所述肝脏中的血管通过造影剂导致的对比度增强来描绘，
-接收相同的检查对象的至少一个第二MRT图像，所述至少一个第二MRT图像示出相同的肝脏或所述肝脏的相同部分，其中健康肝脏细胞通过造影剂导致的对比度增强来描绘，
-将接收到的MRT图像馈送至预测模型，所述预测模型已经通过监督学习进行了训练，从而基于其中通过造影剂导致的对比度增强来描绘所述肝脏中的血管的示出检查对象的肝脏或肝脏的一部分的MRT图像并且基于其中通过造影剂导致的对比度增强来描绘健康肝脏细胞的相同的检查对象的相同的肝脏或所述肝脏的相同部分的MRT图像，来预测一个或更多个MRT图像，所述一个或更多个MRT图像示出无造影剂导致的对比度增强的所述检查对象的所述肝脏或所述肝脏的一部分，
-从所述预测模型接收一个或更多个预测的MRT图像，所述一个或更多个预测的MRT图像示出无造影剂导致的对比度增强的所述检查对象的所述肝脏或所述肝脏的一部分，
-显示和/或输出所述一个或更多个预测的MRT图像和/或将所述一个或更多个预测的MRT图像存储在数据存储介质中。
本发明还提供了一种***，所述***包括：
·接收单元，
·控制和计算单元，以及
·输出单元，
-所述控制和计算单元被配置为促使所述接收单元接收检查对象的至少一个第一MRT图像，所述至少一个第一MRT图像示出所述检查对象的肝脏或肝脏的一部分，其中所述肝脏中的血管通过造影剂导致的对比度增强来描绘，
-所述控制和计算单元被配置为促使所述接收单元接收检查对象的至少一个第二MRT图像，所述至少一个第二MRT图像示出相同的肝脏或所述肝脏的相同部分，其中健康肝脏细胞通过造影剂导致的对比度增强来描绘，
-所述控制和计算单元被配置为基于接收到的MRT图像预测一个或更多个MRT图像，一个或更多个预测的MRT图像示出无造影剂导致的对比度增强的所述检查对象的所述肝脏或所述肝脏的一部分，
-所述控制和计算单元被配置为促使所述输出单元显示所述一个或更多个预测的MRT图像，输出所述一个或更多个预测的MRT图像或将所述一个或更多个预测的MRT图像存储在数据存储介质中。
本发明还提供了一种包括计算机程序的计算机程序产品，所述计算机程序能够被加载到计算机的存储器中，其中所述计算机程序促使所述计算机执行以下步骤：
-接收检查对象的至少一个第一MRT图像，所述至少一个第一MRT图像示出所述检查对象的肝脏或肝脏的一部分，其中所述肝脏中的血管通过造影剂导致的对比度增强来描绘，
-接收相同的检查对象的至少一个第二MRT图像，所述至少一个第二MRT图像示出相同的肝脏或所述肝脏的相同部分，其中健康肝脏细胞通过造影剂导致的对比度增强来描绘，
-将接收到的MRT图像馈送至预测模型，所述预测模型已经通过监督学习进行了训练，从而基于示出检查对象的肝脏或肝脏的一部分且其中通过造影剂导致的对比度增强来描绘所述肝脏中的血管的MRT图像并且基于其中通过造影剂导致的对比度增强来描绘健康肝脏细胞的相同的检查对象的相同的肝脏或所述肝脏的相同部分的MRT图像，来预测一个或更多个MRT图像，所述一个或更多个MRT图像示出无造影剂导致的对比度增强的所述检查对象的所述肝脏或所述肝脏的一部分，
-接收一个或更多个预测的MRT图像作为所述预测模型的输出，所述一个或更多个预测的MRT图像示出无造影剂导致的对比度增强的所述检查对象的所述肝脏或所述肝脏的一部分，
-显示和/或输出所述一个或更多个预测的MRT图像和/或将所述一个或更多个预测的MRT图像存储在数据存储介质中。
本发明还提供了造影剂在MRT方法中的用途，所述MRT方法包括以下步骤：
-施用所述造影剂，所述造影剂在检查对象的肝脏中扩散，
-生成至少一个第一MRT图像，所述至少一个第一MRT图像示出所述检查对象的所述肝脏或所述肝脏的一部分，其中所述肝脏中的血管通过所述造影剂导致的对比度增强来描绘，
-生成所述至少一个第二MRT图像，所述至少一个第二MRT图像示出相同的肝脏或所述肝脏的相同部分，其中健康肝脏细胞通过所述造影剂导致的对比度增强来描绘，
-将生成的MRT图像馈送至预测模型，所述预测模型已经通过监督学习进行了训练，从而基于示出检查对象的肝脏或肝脏的一部分且其中通过造影剂导致的对比度增强来描绘所述肝脏中的血管的MRT图像并且基于其中通过造影剂导致的对比度增强来描绘健康肝脏细胞的相同的检查对象的相同的肝脏或所述肝脏的相同部分的MRT图像，来预测一个或更多个MRT图像，所述一个或更多个MRT图像示出无造影剂导致的对比度增强的所述检查对象的所述肝脏或所述肝脏的一部分，
-接收一个或更多个预测的MRT图像作为所述预测模型的输出，所述一个或更多个预测的MRT图像示出无造影剂导致的对比度增强的所述检查对象的所述肝脏或所述肝脏的一部分，
-显示和/或输出所述一个或更多个预测的MRT图像和/或将所述一个或更多个预测的MRT图像存储在数据存储介质中。
本发明还提供了一种在MRT方法中所使用的造影剂，所述MRT方法包括以下步骤：
-施用所述造影剂，所述造影剂在检查对象的肝脏中扩散，
-生成至少一个第一MRT图像，所述至少一个第一MRT图像示出所述检查对象的所述肝脏或所述肝脏的一部分，其中所述肝脏中的血管通过所述造影剂导致的对比度增强来描绘，
-生成至少一个第二MRT图像，所述至少一个第二MRT图像示出相同的肝脏或所述肝脏的相同部分，其中健康肝脏细胞通过所述造影剂导致的对比度增强来描绘，
-将生成的MRT图像馈送至预测模型，所述预测模型已经通过监督学习进行了训练，从而基于示出检查对象的肝脏或肝脏的一部分且其中通过造影剂导致的对比度增强来描绘所述肝脏中的血管的MRT图像并且基于其中通过造影剂导致的对比度增强来描绘健康肝脏细胞的相同的检查对象的相同的肝脏或所述肝脏的相同部分的MRT图像，来预测一个或更多个MRT图像，所述一个或更多个MRT图像示出无造影剂导致的对比度增强的所述检查对象的所述肝脏或所述肝脏的一部分，
-接收一个或更多个预测的MRT图像作为所述预测模型的输出，所述一个或更多个预测的MRT图像示出无造影剂导致的对比度增强的所述检查对象的所述肝脏或所述肝脏的一部分，
-显示和/或输出所述一个或更多个预测的MRT图像和/或将所述一个或更多个预测的MRT图像存储在数据存储介质中。
还提供了一种成套组件，所述成套组件包括根据本发明的造影剂以及计算机程序产品。
以下在不区分本发明的主题(方法、***、计算机程序产品、用途、所使用的造影剂、成套组件)的情况下，更详细地解释本发明。相反，以下解释应该类似地适用于本发明的所有主题，而与它们出现的上下文(方法、***、计算机程序产品、用途、所使用的造影剂、成套组件)无关。
如果在本说明书或权利要求书中以一种顺序陈述步骤，则这未必意味着本发明限于所陈述的顺序。相反，可以设想，还以不同的顺序或者彼此并行地执行所述步骤，除非一个步骤建立在另一步骤上，这绝对需要所建立的步骤随后执行(然而，这将在个体情况下是清晰的)。因此，所陈述的顺序是本发明的优选实施方案。
本发明生成检查对象的肝脏或肝脏的一部分的一个或更多个人工MRT图像，所述一个或更多个MRT图像示出无造影剂导致的对比度增强的所述肝脏或所述肝脏的一部分。人工MRT图像基于均记录有造影剂导致的对比度增强的MRT图像来创建。可以借助于自学算法来创建人工MRT图像，并模拟未通过施用造影剂增强对比度的所述检查对象的所述肝脏或所述肝脏的一部分的MRT图像。
“检查对象”通常是活体，优选地是哺乳动物，非常特别优选地是人。
检查对象的一部分接受对比度增强的磁共振成像检查。“检查区域”还被称为图像体积(英语为：field of view(视场)，FOV)，尤其表示在磁共振图像中所成像的体积。检查区域通常可以由放射科医生确定，例如在概览图像(英语为：localizer，***)上。不言自明的是，还可以替代地或附加地例如在选定的协议的基础上自动地确定检查区域。检查区域包括检查对象的肝脏的至少一部分。
检查区域被引入基本磁场。
在检查区域中扩散的造影剂被施用到检查对象。优选地以使用基于体重的剂量的团注方式在静脉内施用造影剂(例如，进入手臂静脉)。
“造影剂”被理解为意为一种物质或物质混合物，其在磁共振测量中的存在导致改变的信号。优选地，造影剂导致T1弛豫时间的缩短和/或T2弛豫时间的缩短。
优选地，造影剂是肝胆造影剂，诸如例如Gd-EOB-DTPA或Gd-BOPTA。
在一个特别优选的实施方案中，造影剂是以钆塞酸或钆塞酸盐作为对比度增强活性物质的一种物质或一种物质混合物。非常特别优选的是钆塞酸的二钠盐(Gd-EOB-DTPA二钠)。
检查区域受到MRT方法的影响，并且在此过程中，生成(测量)示出了检查阶段期间的检查区域的MRT图像。
测量的MRT图像可以作为二维图像呈现，示出了穿过检查对象的剖面。测量的MRT图像可以作为二维图像的堆叠呈现，该堆叠的每一个体图像示出了不同的剖面。测量的MRT图像可以作为三维图像(3D图像)呈现。为了更简单的例示，本发明将在本说明书中的某些地方基于二维MRT图像的存在进行阐释，然而，并不希望将本发明限于二维MRT图像。对于本领域的技术人员来说，很清楚如何能够将所描述的内容分别应用于二维图像的堆叠以及3D图像(关于这一点，参见例如M.Reisler,W.Semmler:Magnetresonanztomographie(磁共振成像),Springer Verlag,3.Auflage,2002,ISBN:978-3-642-63076-7)。
在以团注形式静脉内施用肝胆造影剂之后，造影剂首先经由动脉到达肝脏。在对应的MRT图像中，这些都通过对比度增强来描绘。在MRT图像中，通过对比度增强来描绘肝脏动脉的时期被称为“动脉期”。所述时期在施用造影剂之后立即开始并且通常持续15至25秒。
随后，造影剂经由肝脏静脉到达肝脏。尽管肝脏动脉中的对比度已经在降低，但是肝脏静脉中的对比度正要到达最大值。通过MRT图像中的对比度增强来描绘肝脏静脉的时期被称为“静脉期”。所述时期可以在动脉期期间已经开始并且与之重叠。通常情况下，所述时期在静脉内施用之后的20秒至30秒开始并且通常持续40秒至60秒。
在静脉期之后是“晚期”，在晚期中肝脏动脉中的对比度进一步降低，肝脏静脉中的对比度同样降低，并且健康肝脏细胞中的对比度逐渐上升。所述时期通常在施用造影剂之后的70秒至90秒开始并且通常持续100秒至120秒。
动脉期、静脉期和晚期还被统称为“动态期”。
在注射10-20分钟之后，肝胆造影剂导致健康的肝脏实质中的明显信号增强。所述时期被称为“肝胆期”。造影剂仅从肝脏细胞中缓慢消除；因此，肝胆期可以持续两小时或更长。
例如，在以下出版物中更详细地描述了所陈述的时期：J.Magn.Reson.Imaging,2012,35(3):492-511,doi:10.1002/jmri.22833；Clujul Medical,2015,Vol.88no.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)。
在本说明书中，“第一MRT图像”是指识别血管的MRT图像，其中由于造影剂，所述血管通过对比度增强来描绘。优选地，所述至少一个第一MRT图像是在动态期所测量的至少一个MRT图像。特别优选地，在每种情况下，在动脉期、静脉期和/或晚期中测量的至少一个MRT图像。非常特别优选地，在每种情况下，在动脉、静脉和晚期中测量的一个MRT图像。优选地，所述至少一个第一MRT图像是T1加权的描绘。
当使用顺磁性造影剂时，由于对比度增强(高信号描述)，血管通过至少一个第一MRT图像中的高信号强度来表征。因此，在第一MRT图像中，那些信号强度处于经验可确定的范围内的(连续的)结构可以被指派给血管。这意味着，在至少一个第一MRT图像的情况下，存在关于MRT图像中描绘血管的位置或者MRT图像中的哪些结构可以归属于血管(动脉和/或静脉)的信息。
在本说明书中，“第二MRT图像”是指在肝胆期中示出检查区域的MRT图像。在肝胆期中，健康的肝脏组织(实质)通过对比度增强来描绘。因此，在第二MRT图像中，那些信号强度处于经验可确定的范围内的(连续的)结构可以被指派给健康肝脏细胞。因此，至少一个第二MRT图像包含了关于MRT图像中描绘健康肝脏细胞的位置或者MRT图像中的哪些结构可以归属于健康肝脏细胞的信息。优选地，至少一个第二MRT图像是T1加权的描绘。
肝脏的动态期和肝胆期的MRT图像采集在相对较长的时间跨度内延伸。在所述时间跨度内，应避免患者的移动，从而最小化MRT图像中的移动伪影。长时间的运动限制对患者来说可能是不愉快的。因此，现在建立的是缩短的MRT图像采集程序，其中在MRT图像采集之前已经将造影剂施用到检查对象一定的时间跨度(即10至20分钟)，从而能够直接采集肝胆期内的MRT图像。然后在施用第二剂量的造影剂之后以相同的MRT图像采集过程采集动态期的MRT图像。与传统MRT图像采集过程相比，患者或检查对象的MRT停留时间因此明显缩短。因此，本发明优选地涉及在向检查对象(第一次)施用第一造影剂之后记录在肝胆期中肝脏或肝脏的一部分的至少一个MRT图像，以及在向相同的检查对象施用第二造影剂或第二次施用第一造影剂之后记录在动态期中相同的肝脏或相同的肝脏的一部分的至少一个MRT图像。第一造影剂就此而言是肝胆顺磁造影剂。第二造影剂也可以是细胞外顺磁造影剂。
“第一MRT图像”和“第二MRT图像”被馈送至预测模型。所述预测模型是被配置为基于接收到的MRT图像来预测一个或更多个MRT图像的模型，该一个或更多个MRT图像示出无造影剂导致的对比度增强的检查对象的肝脏或肝脏的一部分。
就此而言，术语“预测”意味着使用示出具有造影剂导致的对比度增强的相同的检查区域的MRT图像来计算示出无造影剂导致的对比度增强的检查对象的肝脏或肝脏的一部分的MRT图像。
优选地，在监督式机器学习过程中，借助于自学习算法来创建所述预测模型。通过使用训练数据来实现学习，所述训练数据包括检查对象的肝脏或肝脏的一部分的动态期和肝胆期的多个MRT图像。此外，优选地，也使用从相同的检查对象的相同肝脏或相同肝脏的一部分的MRT图像创建的且其中无对比度增强的(即没有施用造影剂生成的)训练数据。
自学习算法在机器学习期间生成基于训练数据的统计模型。这意味着不是简单的背诵例子，而是算法“识别”训练数据中的模式和规律。因此，该算法还可以评估未知数据。验证数据可以被用于测试评估未知数据的质量。
自学习算法是通过监督学习(英文是：supervised learning)的方式进行训练的，即在动态期中和肝胆期的具有对比度增强的MRT图像被相继提交给算法，并且它被告知哪些无对比度增强的MRT图像与这些对比度增强的MRT图像相关联。然后，该算法学习具有对比度增强的MRT图像和无对比度增强的MRT图像之间的关系，从而为具有对比度增强的MRT图像预测无对比度增强的一个或更多个MRT图像。
现有技术中广泛描述了通过监督学习进行训练的自学习算法(参见，例如：C.Perez:Machine Learning Techniques:Supervised Learning and Classification，Amazon Digital Services LLC-Kdp Print Us,2019,ISBN 1096996545,9781096996545)。
优选地，所述预测模型是人工神经网络。
这样的人工神经网络包括至少三层处理元件：具有输入神经元(节点)的第一层、具有至少一个输出神经元(节点)的第N层以及N-2个内层，其中N是自然数且大于2。
输入神经元用于接收数字MRT图像作为输入值。通常，针对数字MRT图像的每个像素或体素都存在一个输入神经元。可以存在用于附加输入值的附加输入神经元(例如，关于检查区域的信息、关于检查对象的信息和/或关于生成MRT图像时普遍存在的条件的信息)。
在这样的网络中，输出神经元用于为第一MRT图像和第二MRT图像生成第三人工MRT图像。输入神经元与输出神经元之间的层的处理元件以具有预定连接权重的预定模式彼此连接。
优选地，人工神经网络是所谓的卷积神经网络(简称CNN)。
卷积神经网络能够以矩阵的形式处理输入数据。这使得可以使用被描绘为矩阵(例如，宽度×高度×颜色通道)的数字MRT图像作为输入数据。与之相比，普通神经网络(例如，多层感知器(MLP)的形式的神经网络)需要向量作为输入，即使用MRT图像作为输入，MRT图像的像素或体素将必须在长链中依次展开。结果，普通神经网络例如不能独立于对象在MRT图像中的位置来识别MRT图像中的对象。MRT图像中的不同位置处的同一对象将具有完全不同的输入向量。
CNN基本上由交替重复的过滤器(卷积层)和聚合层(池化层)组成，最后由一层或多层“普通的”完全连接的神经元(密集/完全连接的层)组成。
在分析序列(MRT图像的序列)时，空间和时间可以被视为等效的维度，并且例如通过3D处理进行折叠。这一点在由Baccouche等人的论文(Sequential Deep Learning forHuman Action Recognition；International Workshop on Human BehaviorUnderstanding，Springer2011，第29-39页)和Ji等人的论文(3D Convolutional NeuralNetworks for Human Action Recognition，IEEE Transactions on Pattern Analysisand Machine Intelligence，35(1)，221-231)中已经示出。此外，可以训练负责时间和空间的不同网络且最后合并特征，如Karpathy等人的出版物(Large-scale VideoClassification with Convolutional Neural Networks；Proceedings of the IEEEconference on Computer Vision and Pattern Recognition，2014年，第1725-1732页)和Simonyan&Zisserman的出版物(Two-stream Convolutional Networks for ActionRecognition in Videos；Advances in Neural Information Processing Systems，2014年，第568-576页)中所描述的。
循环神经网络(RNN)是一系列所谓的前馈神经网络，所述前馈神经网络包含层之间的反馈连接。RNN允许通过经由神经网络的不同部分共同利用参数数据来对序列数据进行建模。RNN的体系结构包含循环。循环表示一个变量的当前值对它自己在未来时间点的值的影响，因为来自RNN的输出数据的至少一部分被用作处理序列中的后续输入的反馈。
可从现有技术(参见，例如：S.Khan等人：A Guide to Convolutional NeuralNetworks for Computer Vision，Morgan&Claypool Publishers2018,ISBN 1681730227,9781681730226)收集详细信息。
神经网络的训练可以例如通过反向传播方法进行。在这方面，网络所追求的是，尽可能可靠地进行给定输入向量到给定输出向量的映射。映射质量由误差函数描述。目标是最小化误差函数。在反向传播方法的情况下，通过改变连接权重来教导人工神经网络。
在训练状态中，处理元件之间的连接权重包含关于动态期和肝胆期的对比度增强的MRT图像和无对比度增强的MRT图像之间的关系的信息，这些信息可用于预测一个或更多个MRT图像，所述一个或更多个MRT图像示出无对比度增强的检查区域并且仅通过检查区域的对比度增强的MRT图像来计算。
可以使用交叉验证方法，以将数据划分为训练数据集和验证数据集。训练数据集被用于网络权重的反向传播训练。验证数据集被用于检查经训练的网络可以被应用于未知的多个MRT图像的预测准确性。
如已经指出的，关于检查对象、关于检查区域和/或关于检查条件的其他信息也可用于训练、验证和预测。
关于检查对象的信息的示例是：性别、年龄、体重、身高、病史、已经摄入药物的性质和持续时间和量、血压、中心静脉压、呼吸频率、血清、白蛋白、总胆红素、血糖、铁含量、呼吸能力等。这些例如也可以从数据库或电子患者档案中被收集。
关于检查区域的信息的示例是：预先存在的条件、手术、部分切除、肝移植、铁肝、脂肪肝等。
可以设想，接收到的MRT图像在被馈送至预测模型之前进行回顾性的移动校正。这样的移动校正确保第一MRT图像的像素或体素与在时间上处于下游的第二MRT图像的相应的像素或体素示出相同的检查区域。移动校正方法在现有技术(参见，例如：EP3118644、EP3322997、US20080317315、US20170269182、US20140062481、EP2626718)中进行了描述。
本发明提供了一种***，所述***可以执行根据本发明的方法。
可以设想，所陈述的单元是单个计算机***的部件；然而，还可以设想，所陈述的单元是多个分立计算机***的部件，所述多个分立计算机***经由网络彼此连接，从而将数据和/或控制信号从一个单元传输到另一单元。
“计算机***”是一种通过可编程计算规则来处理数据的电子数据处理的***。这样的***通常包括“计算机”以及***设备，所述“计算机”单元包括用于执行逻辑操作的处理器。
在计算机技术中，“***设备”是指所有与计算机连接且用于控制计算机和/或作为输入和输出设备的设备。***设备的实施例是监视器(屏幕)、打印机、扫描仪、鼠标、键盘、驱动器、摄像机、麦克风、扬声器等。内部端口和扩展卡也被认为是计算机技术中的***设备。
当今的计算机***通常分为台式PC、便携式PC、膝上型电脑、笔记本电脑、上网本和平板PC以及所谓的手持设备(例如智能电话)；所有这些***都可以用于执行本发明。
经由输入装置(诸如例如，键盘、鼠标、麦克风、触敏显示器和/或类似装置)实现计算机***的输入。
根据本发明的***被配置为接收肝胆期的具有对比度增强的至少一个第一MRT图像和动态期的具有对比度增强的至少一个第二MRT图像，并且基于这些数据和可选的其他数据来生成(预测、计算)示出无对比度增强的检查区域(即肝脏或肝脏的部分)的一个或更多个MRT图像。
所述控制和计算单元用于控制所述接收单元，协调多个单元之间的数据和信号流，以及处理和生成MRT图像。可以设想，存在多个控制和计算单元。
所述接收单元用于接收MRT图像。MRT图像可以例如从磁共振***传输，或者从数据存储介质读取。磁共振***可以是根据本发明的***的一个组成部分。然而，还可设想，根据本发明的***是磁共振***的一个组成部分。
所述至少一个第一MRT图像和所述至少一个第二MRT图像以及可选地其他数据从所述接收单元传输到所述控制和计算单元。
所述控制和计算单元被配置为基于示出动态期和肝胆期的具有对比度增强的检查区域的MRT图像，来预测一个或更多个MRT图像，预测的MRT图像示出无对比度增强的检查区域。优选地，用来计算无对比度增强的MRT图像的预测模型可以被加载到所述控制和计算单元的存储器中。优选地，通过监督学习借助于自学习算法生成(训练)所述预测模型。
经由输出单元，至少一个预测的MRT图像可以被显示(例如，在监视器上)，被输出(例如，经由打印机)或被存储在数据存储介质中。
本发明的另一个实施方案涉及造影剂在MRT方法中的用途或在MRT方法中所使用的造影剂，所述MRT方法包括以下步骤：
-施用所述造影剂，所述造影剂在检查对象的肝脏中扩散，
-生成至少一个第一MRT图像，所述至少一个第一MRT图像示出所述检查对象的所述肝脏或所述肝脏的一部分，其中所述肝脏中的血管通过所述造影剂导致的对比度增强来描绘，
-生成所述至少一个第二MRT图像，所述至少一个第二MRT图像示出相同的肝脏或所述肝脏的相同部分，其中健康肝脏细胞通过所述造影剂导致的对比度增强来描绘，
-将生成的MRT图像馈送至预测模型，所述预测模型已经通过监督学习进行训练，从而基于示出检查对象的肝脏或肝脏的一部分且其中所述肝脏中的血管通过所述造影剂导致的对比度增强来描绘的MRT图像且基于其中健康肝脏细胞通过所述造影剂导致的对比度增强来描绘的相同的检查对象的相同的肝脏或所述肝脏的相同部分的MRT图像，来预测一个或更多个MRT图像，所述一个或更多个MRT图像示出无造影剂导致的对比度增强的所述检查对象的所述肝脏或所述肝脏的一部分，
-接收一个或更多个预测的MRT图像作为预测模型的输出，所述一个或更多个预测的MRT图像示出无造影剂导致的对比度增强的所述检查对象的所述肝脏或所述肝脏的一部分，
-显示和/或输出所述一个或更多个预测的MRT图像和/或将所述一个或更多个预测的MRT图像存储在数据存储介质中。
在一个优选的变体中，在向所述检查对象(第一次)施用第一造影剂之后生成所述至少一个“第二MRT图像”，并且在向相同的检查对象第二次施用第一造影剂或施用第二造影剂之后生成所述至少一个“第一MRT图像”。这意味着，就时间而言，在上面定义的“第一MRT图像”之前生成上面定义的“第二MRT图像”。
下面参考附图对本发明进行更具体的阐释，但并不希望将本发明限于附图中所示出的特征或特征的组合，
其中：
图1示意性地示出了肝脏动脉(A)、肝脏静脉(P)以及肝脏细胞(L)中的造影剂浓度的时间分布。所述浓度以磁共振测量时所陈述的区域(肝脏动脉、肝脏静脉、肝脏细胞)中的信号强度I作为时间t的函数的形式来描述。在静脉团注之后，造影剂的浓度首先在肝脏动脉(A)中上升(短划线)。所述浓度经过最大值然后下降。肝脏静脉(P)中的浓度比肝脏动脉中的浓度上升得慢，并且稍后达到其最大值(虚线曲线)。造影剂在肝脏细胞(L)中的浓度缓慢地上升(连续曲线)，且仅在非常晚的时间点才达到其最大值(图1中未描绘)。可以限定几个特征时间点：在时间点TP0，造影剂以团注方式静脉内施用。在时间点TP1，造影剂在肝脏动脉中的浓度(信号强度)达到其最大值。在时间点TP2，肝脏动脉和肝脏静脉的信号强度的曲线相交。在时间点TP3，造影剂在肝脏静脉中的浓度(信号强度)通过其最大值。在时间点TP4，肝脏静脉和肝脏细胞的信号强度的曲线相交。在时间点TP5，肝脏动脉和肝脏静脉中的浓度已经下降到它们不再导致可测量的对比度增强的水平。
图2示意性地示出了缩短的MRT图像采集程序的一个实施例。在缩短的MRT图像采集程序中，首先施用造影剂(1)。在一定等待时期(例如10至20分钟)之后，将检查对象引入MRT(2)。此后，开始MRT过程，并且首先执行肝脏或肝脏的一部分在肝胆期中的MRT(3)。此后，对检查对象施用另一静脉团注注射(4)，并且随后直接执行肝脏或肝脏的一部分在动态期中的MRT。
图3示意性地示出了根据本发明的***的一个优选实施方案。***(10)包括接收单元(11)、控制和计算单元(12)以及输出单元(13)。
控制和计算单元(12)被配置为促使接收单元(11)接收检查对象的至少一个第一MRT图像，所述至少一个第一MRT图像示出了检查对象的肝脏或肝脏的一部分，其中肝脏中的血管通过造影剂导致的对比度增强来描绘。
控制和计算单元(12)被进一步被配置为促使接收单元(12)接收检查对象的至少一个第二MRT图像，所述至少一个第二MRT图像示出相同的肝脏或肝脏的相同部分，其中健康肝脏细胞通过造影剂导致的对比度增强来描绘。
控制和计算单元(12)被进一步被配置为基于接收到的MRT图像预测一个或更多个MRT图像，一个或更多个预测的MRT图像示出无造影剂导致的对比度增强的检查对象的肝脏或肝脏的一部分。
控制和计算单元(12)被进一步配置为促使输出单元(13)显示至少一个预测的MRT图像、输出至少一个预测的MRT图像或将至少一个预测的MRT图像存储在数据存储介质中。
图4示意性地和示例性地示出了根据本发明的方法的一个实施方案。方法(100)包括以下步骤：
-(110)接收检查对象的至少一个第一MRT图像，所述至少一个第一MRT图像示出检查对象的肝脏或肝脏的一部分，其中肝脏中的血管通过造影剂导致的对比度增强来描绘，
-(120)接收相同的检查对象的至少一个第二MRT图像，所述至少一个第二MRT图像示出相同的肝脏或肝脏的相同部分，其中健康肝脏细胞通过造影剂导致的对比度增强来描绘，
-(130)将接收到的MRT图像馈送至预测模型，所述预测模型已经通过监督学习进行了训练，从而基于示出检查对象的肝脏或肝脏的一部分且其中肝脏中的血管通过造影剂导致的对比度增强来描绘的MRT图像且基于健康肝脏细胞通过造影剂导致的对比度增强来描绘的相同的检查对象的相同的肝脏或肝脏的相同部分的MRT图像，来预测一个或更多个MRT图像，所述一个或更多个MRT图像示出无造影剂导致的对比度增强的检查对象的肝脏或肝脏的一部分。
-(140)从预测模型接收一个或更多个预测的MRT图像，所述一个或更多个预测的MRT图像示出无造影剂导致的对比度增强的检查对象的肝脏或肝脏的一部分，
-(150)显示和/或输出一个或更多个预测的MRT图像和/或将一个或更多个预测的MRT图像存储在数据存储介质中。
图5示例性地和示意性地示出了本发明的另一个实施方案。提供了第一MRT图像(1)，第一MRT图像示出了检查对象的肝脏或肝脏的一部分，其中肝脏中的血管通过造影剂导致的对比度增强(信号增强)来描绘。
提供了第二MRT图像(2)，第二MRT图像示出与第一MRT图像相同的肝脏或肝脏的相同部分，其中健康肝脏组织(实质)通过造影剂导致的对比度增强(信号增强)来描绘。
将第一MRT图像(1)与第二MRT图像(2)馈送到预测模型(PM)。
预测模型(PM)被配置为基于第一MRT图像(1)与第二MRT图像(2)来生成第三MRT图像(3)，第三MRT图像(3)示出无造影剂导致的对比度增强的MRT图像。
优选地，在具有训练数据集的监督式机器学习过程中，借助于自学习算法来创建预测模型。训练数据集包括多个第一MRT图像、第二MRT图像以及相关联的第三MRT图像，第三MRT图像实际上已经被记录，例如在第一次静脉团注施用造影剂之前。
在机器学习过程中，自学习算法生成了一个基于训练数据的统计模型。这意味着不是简单的背诵例子，而是算法“识别”训练数据中“的模式和规律。因此，算法还可以评估未知数据。验证数据可以用于测试评估未知数据的质量。
自学习算法是通过监督学习(英文是：supervised learning)的方式进行训练的，即第一MRT图像和第二MRT图像被提交给算法，它被告知哪些第三MRT图像与特定的第一MRT图像和第二MRT图像相关联。然后，该算法学习MRT图像之间的关系，从而为未知的第一MRT图像和第二MRT图像预测(计算)第三MRT图像。
现有技术(参见，例如：C.Perez:Machine Learning Techniques:SupervisedLearning and Classification，Amazon Digital Services LLC-Kdp Print Us,2019,ISBN 1096996545,9781096996545)中广泛描述了通过监督学习训练的自学习算法。
优选地，所述预测模型是人工神经网络。
这样的人工神经网络包括至少三层处理元件：具有输入神经元(节点)的第一层、具有至少一个输出神经元(节点)的第N层以及N-2个内层，其中N是自然数且大于2。
输入神经元用于接收数字MRT图像作为输入值。通常，针对数字MRT图像的每个像素或体素都存在一个输入神经元。可以存在用于附加输入值的附加输入神经元(例如，关于检查区域的信息、关于检查对象的信息和/或关于生成MRT图像时的条件的信息)。
在这样的网络中，输出神经元服务于针对第一MRT图像和第二MRT图像生成第三人工MRT图像。
输入神经元与输出神经元之间的层的处理元件以具有预定连接权重的预定模式彼此连接。
优选地，人工神经网络是所谓的卷积神经网络(简称CNN)。
卷积神经网络能够以矩阵的形式处理输入数据。这使得可以使用被描绘为矩阵(例如，宽度×高度×颜色通道)的数字MRT图像作为输入数据。与之相比，普通神经网络(例如，多层感知器(MLP)的形式的神经网络)需要向量作为输入，即使用MRT图像作为输入，MRT图像的像素或体素将必须在长链中依次展开。结果，普通神经网络例如不能独立于对象在MRT图像中的位置来识别MRT图像中的对象。MRT图像中的不同位置处的同一对象将具有完全不同的输入向量。
CNN基本上由交替重复的过滤器(卷积层)和聚合层(池化层)组成，最后由一层或多层“普通的”完全连接的神经元(密集/完全连接的层)组成。
详情可从现有技术中收集(参见，例如：S.Khan等人：A Guide to ConvolutionalNeural Networks for Computer Vision，Morgan&Claypool Publishers 2018,ISBN1681730227,9781681730226)。
神经网络的训练可以例如通过反向传播方法进行。在这方面，网络所追求的是，尽可能可靠地进行给定输入向量到给定输出向量的映射。映射质量由误差函数描述。目标是最小化误差函数。在反向传播方法的情况下，通过改变连接权重来教导人工神经网络。
在训练状态中，处理元件之间的连接权重包含关于动态期和肝胆期的对比度增强的MRT图像和无对比度增强的MRT图像之间的关系的信息，这些信息可用于预测一个或更多个MRT图像，所述一个或更多个MRT图像示出无对比度增强的检查区域并且仅通过相同的检查区域的对比度增强的MRT图像来计算。
可以使用交叉验证方法，以将数据划分为训练数据集和验证数据集。训练数据集被用于网络权重的反向传播训练。验证数据集被用于检查经训练的网络可以被应用于未知的多个MRT图像的预测准确性。

Claims (15)

1.一种方法，包括以下步骤：
-接收检查对象的至少一个第一MRT图像，所述至少一个第一MRT图像示出所述检查对象的肝脏或肝脏的一部分，其中所述肝脏中的血管通过造影剂导致的对比度增强来描绘，
-接收相同的检查对象的至少一个第二MRT图像，所述至少一个第二MRT图像示出相同的肝脏或所述肝脏的相同部分，其中健康肝脏细胞通过造影剂导致的对比度增强来描绘，
-将接收到的MRT图像馈送至预测模型，所述预测模型已经通过监督学习进行了训练，从而基于示出检查对象的肝脏或肝脏的一部分且其中所述肝脏中的血管通过造影剂导致的对比度增强来描绘的MRT图像且其中健康肝脏细胞通过造影剂导致的对比度增强来描绘基于相同的检查对象的相同的肝脏或所述肝脏的相同部分的MRT图像，来预测一个或更多个MRT图像，所述一个或更多个MRT图像示出无造影剂导致的对比度增强的所述检查对象的所述肝脏或所述肝脏的一部分。
-从所述预测模型接收一个或更多个预测的MRT图像，所述一个或更多个预测的MRT图像示出无造影剂导致的对比度增强的所述检查对象的所述肝脏或所述肝脏的一部分，
-显示和/或输出所述一个或更多个预测的MRT图像和/或将所述一个或更多个预测的MRT图像存储在数据存储介质中。
2.根据权利要求1所述的方法，其中所述至少一个第一MRT图像是在施用肝胆顺磁造影剂之后的动态期中所述肝脏或所述肝脏的一部分的T1加权的描绘。
3.根据权利要求2所述的方法，其中所述至少一个第一MRT图像是这样的MRT图像：
(i)在动脉期示出所述检查对象的所述肝脏或所述肝脏的一部分，
(ii)在静脉期示出相同的检查对象的相同肝脏或所述肝脏的相同部分，以及
(iii)在晚期示出相同的检查对象的相同肝脏或所述肝脏的相同部分。
4.根据权利要求1至3中的任一项所述的方法，其中所述至少一个第二MRI图像是在施用肝胆顺磁造影剂或细胞外顺磁造影剂之后的肝胆期中所述肝脏或所述肝脏的一部分的T1加权的描绘。
5.根据权利要求2至4中的任一项所述的方法，其中记录了所述至少一个第二MRI图像，所述至少一个第二MRT图像具有在向所述检查对象第一次施用肝胆顺磁造影剂之后的肝胆期中所述肝脏或所述肝脏的一部分的T1加权的描绘，并且记录了至少一个第一MRI图像，所述至少一个第一MRT图像具有在向相同的检查对象第二次施用所述肝胆顺磁造影剂或细胞外顺磁造影剂之后的动态期中所述肝脏或所述肝脏的一部分的T1加权的描绘。
6.根据权利要求1至5中的任一项所述的方法，其中所述造影剂是以钆塞酸或钆塞酸盐作为对比度增强活性物质的一种物质或一种物质混合物，优选地钆塞酸的二钠盐。
7.根据前述权利要求中的任一项所述的方法，其中所述检查对象是哺乳动物，优选地人。
8.根据前述权利要求中的任一项所述的方法，其中所述预测模型是人工神经网络。
9.一种***，包括：
·接收单元，
·控制和计算单元，以及
·输出单元，
-所述控制和计算单元被配置为促使所述接收单元接收检查对象的至少一个第一MRT图像，所述至少一个第一MRT图像示出所述检查对象的肝脏或肝脏的一部分，其中所述肝脏中的血管通过造影剂导致的对比度增强来描绘，
-所述控制和计算单元被配置为促使所述接收单元接收检查对象的至少一个第二MRT图像，所述至少一个第二MRT图像示出相同的肝脏或所述肝脏的相同部分，其中健康肝脏细胞通过造影剂导致的对比度增强来描绘，
-所述控制和计算单元被配置为基于接收到的MRT图像预测一个或更多个MRT图像，所述一个或更多个预测的MRT图像示出无造影剂导致的对比度增强的所述检查对象的所述肝脏或所述肝脏的一部分，
-所述控制和计算单元被配置为促使所述输出单元显示所述一个或更多个预测的MRT图像，输出所述一个或更多个预测的MRT图像或将所述一个或更多个预测的MRT图像存储在数据存储介质中。
10.一种包括计算机程序的计算机程序产品，所述计算机程序能够被加载到计算机的存储器中，其中所述计算机程序促使所述计算机执行以下步骤：
-接收检查对象的至少一个第一MRT图像，所述至少一个第一MRT图像示出所述检查对象的肝脏或肝脏的一部分，其中所述肝脏中的血管通过造影剂导致的对比度增强来描绘，
-接收相同的检查对象的至少一个第二MRT图像，所述至少一个第二MRT图像示出相同的肝脏或所述肝脏的相同部分，其中健康肝脏细胞通过造影剂导致的对比度增强来描绘，
-将接收到的MRT图像馈送至预测模型，所述预测模型已经通过监督学习进行了训练，从而基于示出检查对象的肝脏或肝脏的一部分且其中所述肝脏中的血管通过造影剂导致的对比度增强来描绘的MRT图像且基于其中健康肝脏细胞通过造影剂导致的对比度增强来描绘的相同的检查对象的相同的肝脏或所述肝脏的相同部分的MRT图像，来预测一个或更多个MRT图像，所述一个或更多个MRT图像示出无造影剂导致的对比度增强的所述检查对象的所述肝脏或所述肝脏的一部分，
-接收一个或更多个预测的MRT图像作为预测模型的输出，所述一个或更多个预测的MRT图像示出无造影剂导致的对比度增强的所述检查对象的所述肝脏或所述肝脏的一部分，
-显示和/或输出所述一个或更多个预测的MRT图像和/或将所述一个或更多个预测的MRT图像存储在数据存储介质中。
11.根据权利要求10所述的计算机程序产品，其中所述计算机程序促使所述计算机执行权利要求1至7中列出的步骤中的一个或多个步骤。
12.一种造影剂在MRT方法中的用途，所述MRT方法包括以下步骤：
-施用所述造影剂，所述造影剂在检查对象的肝脏中扩散，
-生成至少一个第一MRT图像，所述至少一个第一MRT图像示出所述检查对象的所述肝脏或所述肝脏的一部分，其中所述肝脏中的血管通过所述造影剂导致的对比度增强来描绘，
-生成所述至少一个第二MRT图像，所述至少一个第二MRT图像示出相同的肝脏或所述肝脏的相同部分，其中健康肝脏细胞通过所述造影剂导致的对比度增强来描绘，
-将生成的MRT图像馈送至预测模型，所述预测模型已经通过监督学习进行了训练，从而基于示出检查对象的肝脏或肝脏的一部分且其中所述肝脏中的血管通过造影剂导致的对比度增强来描绘的MRT图像且基于其中健康肝脏细胞通过造影剂导致的对比度增强来描绘的相同的检查对象的相同的肝脏或所述肝脏的相同部分的MRT图像，来预测一个或更多个MRT图像，所述一个或更多个MRT图像示出无造影剂导致的对比度增强的所述检查对象的所述肝脏或所述肝脏的一部分。
-接收一个或更多个预测的MRT图像作为预测模型的输出，所述一个或更多个预测的MRT图像示出无造影剂导致的对比度增强的所述检查对象的所述肝脏或所述肝脏的一部分，
-显示和/或输出所述一个或更多个预测的MRT图像和/或将所述一个或更多个预测的MRT图像存储在数据存储介质中。
13.在MRT方法中所使用的造影剂，所述MRT方法包括以下步骤：
-施用所述造影剂，所述造影剂在检查对象的肝脏中扩散，
-生成至少一个第一MRT图像，所述至少一个第一MRT图像示出所述检查对象的所述肝脏或所述肝脏的一部分，其中所述肝脏中的血管通过所述造影剂导致的对比度增强来描绘，
-生成至少一个第二MRT图像，所述至少一个第二MRT图像示出相同的肝脏或所述肝脏的相同部分，其中健康肝脏细胞通过所述造影剂导致的对比度增强来描绘，
-将生成的MRT图像馈送至预测模型，所述预测模型已经通过监督学习进行了训练，从而基于示出检查对象的肝脏或肝脏的一部分且其中所述肝脏中的血管通过造影剂导致的对比度增强来描绘的MRT图像且基于其中健康肝脏细胞通过造影剂导致的对比度增强来描绘的相同的检查对象的相同的肝脏或所述肝脏的相同部分的MRT图像，来预测一个或更多个MRT图像，所述一个或更多个MRT图像示出无造影剂导致的对比度增强的所述检查对象的所述肝脏或所述肝脏的一部分。
-接收一个或更多个预测的MRT图像作为预测模型的输出，所述一个或更多个预测的MRT图像示出无造影剂导致的对比度增强的所述检查对象的所述肝脏或所述肝脏的一部分，
-显示和/或输出所述一个或更多个预测的MRT图像和/或将所述一个或更多个预测的MRT图像存储在数据存储介质中。
14.根据权利要求13所述的所使用的造影剂，其中所述造影剂是以钆塞酸或钆塞酸盐作为对比度增强活性物质的一种物质或一种物质混合物，优选地钆塞酸的二钠盐。
15.一种成套组件，包括根据权利要求13所述的造影剂和根据权利要求9或10所述的计算机程序产品。
CN202080070311.9A 2019-10-08 2020-10-05 生成肝脏的无对比度增强的mrt图像 Pending CN114502068A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP19201919.8 2019-10-08
EP19201919 2019-10-08
PCT/EP2020/077767 WO2021069338A1 (de) 2019-10-08 2020-10-05 Erzeugung von mrt-aufnahmen der leber ohne kontrastverstärkung

Publications (1)

Publication Number Publication Date
CN114502068A true CN114502068A (zh) 2022-05-13

Family

ID=68242312

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080070311.9A Pending CN114502068A (zh) 2019-10-08 2020-10-05 生成肝脏的无对比度增强的mrt图像

Country Status (7)

Country Link
US (1) US20220409145A1 (zh)
EP (1) EP4041075A1 (zh)
JP (1) JP2022551878A (zh)
CN (1) CN114502068A (zh)
AU (1) AU2020362908A1 (zh)
CA (1) CA3156921A1 (zh)
WO (1) WO2021069338A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117173165A (zh) * 2023-11-02 2023-12-05 安徽大学 基于强化学习的无造影剂肝肿瘤检测方法、***及介质

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US12002203B2 (en) 2019-03-12 2024-06-04 Bayer Healthcare Llc Systems and methods for assessing a likelihood of CTEPH and identifying characteristics indicative thereof
AU2020349121A1 (en) 2019-09-18 2022-03-31 Bayer Aktiengesellschaft System, method, and computer program product for predicting, anticipating, and/or assessing tissue characteristics
AU2020347797A1 (en) 2019-09-18 2022-03-31 Bayer Aktiengesellschaft Forecast of MRI images by means of a forecast model trained by supervised learning
EP4049235A4 (en) * 2020-01-23 2023-01-11 Samsung Electronics Co., Ltd. ELECTRONIC DEVICE AND ELECTRONIC DEVICE CONTROL METHOD

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100198054A1 (en) * 2007-05-18 2010-08-05 Ewing James R Mri estimation of contrast agent concentration using a neural network approach
US20110054295A1 (en) * 2009-08-25 2011-03-03 Fujifilm Corporation Medical image diagnostic apparatus and method using a liver function angiographic image, and computer readable recording medium on which is recorded a program therefor
JP2011167408A (ja) * 2010-02-19 2011-09-01 Fujita Gakuen 肝機能診断装置、ｍｒｉ装置、および肝機能診断方法
CN105518684A (zh) * 2013-08-27 2016-04-20 哈特弗罗公司 用于预测冠状动脉病变的位置、开始、和/或变化的***和方法
CN108289970A (zh) * 2015-11-30 2018-07-17 通用电气医疗集团股份有限公司 包含mri造影剂的组合的制剂
CN109961443A (zh) * 2019-03-25 2019-07-02 北京理工大学 基于多期ct影像引导的肝脏肿瘤分割方法及装置

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
DE102007028660B3 (de) 2007-06-21 2009-01-29 Siemens Ag Verfahren zur Korrektur von Bewegungsartefakten bei der Aufnahme von MR-Bildern
EP2626718A1 (en) 2012-02-09 2013-08-14 Koninklijke Philips Electronics N.V. MRI with motion correction using navigators acquired using a Dixon technique
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
US20170016972A1 (en) 2015-07-13 2017-01-19 Siemens Medical Solutions Usa, Inc. Fast Prospective Motion Correction For MR Imaging
JP6998218B2 (ja) 2015-07-15 2022-01-18 コーニンクレッカ フィリップス エヌ ヴェ 動き検出を用いるｍｒ撮像
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
WO2021066068A1 (ja) * 2019-09-30 2021-04-08 富士フイルム株式会社 学習装置、方法およびプログラム、画像生成装置、方法およびプログラム、並びに画像生成モデル

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100198054A1 (en) * 2007-05-18 2010-08-05 Ewing James R Mri estimation of contrast agent concentration using a neural network approach
US20110054295A1 (en) * 2009-08-25 2011-03-03 Fujifilm Corporation Medical image diagnostic apparatus and method using a liver function angiographic image, and computer readable recording medium on which is recorded a program therefor
JP2011167408A (ja) * 2010-02-19 2011-09-01 Fujita Gakuen 肝機能診断装置、ｍｒｉ装置、および肝機能診断方法
CN105518684A (zh) * 2013-08-27 2016-04-20 哈特弗罗公司 用于预测冠状动脉病变的位置、开始、和/或变化的***和方法
CN108289970A (zh) * 2015-11-30 2018-07-17 通用电气医疗集团股份有限公司 包含mri造影剂的组合的制剂
CN109961443A (zh) * 2019-03-25 2019-07-02 北京理工大学 基于多期ct影像引导的肝脏肿瘤分割方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ENHAO GONG, MS ET.AL: "Deep learning enables reduced gadolinium dose for contrast-enhanced brain MRI", JOURNAL OF MAGNETIC RESONANCE IMAGING, vol. 48, no. 2, 31 December 2018 (2018-12-31), pages 330 - 340, XP055656267, DOI: 10.1002/jmri.25970 *
吴静云等: "肝脏MR动态增强扫描:Gd-EOB-DTPA与Gd-DTPA的个体内对照研究", 放射学实践, vol. 31, no. 4, 30 April 2016 (2016-04-30), pages 326 - 330 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117173165A (zh) * 2023-11-02 2023-12-05 安徽大学 基于强化学习的无造影剂肝肿瘤检测方法、***及介质

Also Published As

Publication number Publication date
US20220409145A1 (en) 2022-12-29
JP2022551878A (ja) 2022-12-14
AU2020362908A1 (en) 2022-04-21
EP4041075A1 (de) 2022-08-17
WO2021069338A1 (de) 2021-04-15
CA3156921A1 (en) 2021-04-15

Similar Documents

Publication Publication Date Title
CN114502068A (zh) 生成肝脏的无对比度增强的mrt图像
US20230410312A1 (en) Forecast of mri images by means of a forecast model trained by supervised learning
US20230147968A1 (en) Generation of radiological images
US20230218223A1 (en) Generation of mri images of the liver
US20230120273A1 (en) Acceleration of mri examinations
CN113329688B (zh) 用于确定组织体素的特征的方法、***和计算机可读介质
Bustamante et al. Automatic time‐resolved cardiovascular segmentation of 4D flow MRI using deep learning
WO2023073165A1 (en) Synthetic contrast-enhanced mr images
EP4174868A1 (en) Synthetic contrast-enhanced mr images
US20240153163A1 (en) Machine learning in the field of contrast-enhanced radiology
US20240225448A1 (en) Characterising lesions in the liver using dynamic contrast-enhanced magnetic resonance tomography
CN117083629A (zh) 对比度增强放射学领域中的机器学习
Scannell Automated quantitative analysis of first-pass myocardial perfusion magnetic resonance imaging data
Mouches Age-dependent analysis of cerebral structures and arteries in a large database
CA3219070A1 (en) Characterising lesions in the liver using dynamic contrast-enhanced magnetic resonance tomography
Abdeltawab Role of deep learning techniques in non-invasive diagnosis of human diseases.
Yoruk Quantification of Glomerular Filtration Rate Using DCE-MRI in Children

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