CN114631799A - 计算机实施的方法,成像设备和计算机程序产品 - Google Patents
计算机实施的方法,成像设备和计算机程序产品 Download PDFInfo
- Publication number
- CN114631799A CN114631799A CN202111533219.4A CN202111533219A CN114631799A CN 114631799 A CN114631799 A CN 114631799A CN 202111533219 A CN202111533219 A CN 202111533219A CN 114631799 A CN114631799 A CN 114631799A
- Authority
- CN
- China
- Prior art keywords
- imaging
- user
- examination
- adjustment
- parameters
- 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
Links
- 238000003384 imaging method Methods 0.000 title claims abstract description 305
- 238000000034 method Methods 0.000 title claims abstract description 96
- 238000004590 computer program Methods 0.000 title claims abstract description 14
- 238000002059 diagnostic imaging Methods 0.000 claims abstract description 7
- 238000013528 artificial neural network Methods 0.000 claims description 47
- 238000004422 calculation algorithm Methods 0.000 claims description 43
- 238000012545 processing Methods 0.000 claims description 43
- 238000012549 training Methods 0.000 claims description 33
- 230000015654 memory Effects 0.000 claims description 14
- 238000013179 statistical model Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 description 19
- 230000006870 function Effects 0.000 description 16
- 230000000875 corresponding effect Effects 0.000 description 15
- 230000008859 change Effects 0.000 description 13
- 238000004458 analytical method Methods 0.000 description 11
- 210000000746 body region Anatomy 0.000 description 11
- 238000001514 detection method Methods 0.000 description 8
- 210000002569 neuron Anatomy 0.000 description 8
- 238000002360 preparation method Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000010521 absorption reaction Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 238000002591 computed tomography Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 230000005284 excitation Effects 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 230000003936 working memory Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 210000000577 adipose tissue Anatomy 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000009607 mammography Methods 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 206010002329 Aneurysm Diseases 0.000 description 1
- 206010009244 Claustrophobia Diseases 0.000 description 1
- 206010017076 Fracture Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 208000001431 Psychomotor Agitation Diseases 0.000 description 1
- 206010038743 Restlessness Diseases 0.000 description 1
- 208000007536 Thrombosis Diseases 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 208000019899 phobic disease Diseases 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000001454 recorded image Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 238000002603 single-photon emission computed tomography Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
-
- 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
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/7475—User input or interface means, e.g. keyboard, pointing device, joystick
-
- 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
- A61B5/7475—User input or interface means, e.g. keyboard, pointing device, joystick
- A61B5/749—Voice-controlled interfaces
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/16—Sound input; Sound output
- G06F3/167—Audio in a user interface, e.g. using voice commands for navigating, audio feedback
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- 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
-
- 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
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- 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
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
- G10L15/14—Speech classification or search using statistical models, e.g. Hidden Markov Models [HMMs]
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
- G10L15/16—Speech classification or search using artificial neural networks
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
- G10L2015/223—Execution procedure of a spoken command
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Public Health (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Pathology (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Acoustics & Sound (AREA)
- Radiology & Medical Imaging (AREA)
- High Energy & Nuclear Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Databases & Information Systems (AREA)
- General Business, Economics & Management (AREA)
- Business, Economics & Management (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Computer Vision & Pattern Recognition (AREA)
Abstract
本发明涉及一种计算机实施的方法,所述计算机实施的方法用于根据用于成像检查的信息输入来求取待借助医学成像设备执行的成像检查的参数的调整,所述方法具有如下步骤:检测(S2)用于成像检查的信息输入;根据信息输入来求取(S3)关于成像检查的调整的信息;将关于成像检查的调整的信息与成像检查的参数相关联(S4);根据信息输入来求取成像检查的参数的调整(S5);以及提供(S7)成像检查的参数集。本发明还涉及一种成像设备,所述成像设备包括计算单元(28)和计算机程序产品,所述计算单元和计算机程序产品构成用于执行根据本发明的方法。
Description
技术领域
本发明涉及一种计算机实施的方法,所述计算机实施的方法用于根据用于成像检查的信息输入来求取待借助医学成像设备执行的成像检查的参数的调整。本发明还涉及一种成像设备,所述成像设备包括计算单元和计算机程序产品,所述计算单元和计算机程序产品构成用于执行根据本发明的方法。
背景技术
在用于借助于成像设备检测患者的图像的诊断成像中,通常使用成像序列。所述成像序列可以包括多个成像参数,所述多个成像参数例如规定成像检查的流程或图像的质量。
成像序列通常与成像检查无关地创建或参数化。在此,图像的质量可以与患者的特定先决条件决定性地相关,所述先决条件在创建成像序列时仅有限地被考虑。因此,成像设备的用户通常被指引,在成像检查期间借助于对应的编辑器手动地使成像参数适配于患者的先决条件。例如反映用户关于成像的特定偏好或考虑患者的特定身体区域的频繁的改变当前由用户记录并且事后手动地传输到所存储的成像序列(例如标准序列)上。在成像检查期间将改变的成像参数传输给成像设备通常需要通过用户的手动协调,因为编辑器中成像参数的改变不直接传输给成像设备。所述限制同样适用于成像检查的流程(工作流程,workflow)的通过用户的调整。对于成像检查的调整,通常需要经过医学和技术培训的用户,所述用户不总是可支配。
发明内容
本发明的目的是可以实现简化地求取成像检查的参数的调整。
根据本发明,所述目的通过一种计算机实施的方法、一种成像设备和一种计算机程序产品来实现。有利的实施方式和符合目的的改进方案是下面描述的主题。
根据本发明的用于根据用于成像检查的信息输入来求取待借助医学成像设备执行的成像检查的参数的调整的计算机实施的方法具有以下步骤:
·检测用于成像检查的信息输入,
·根据信息输入来求取关于成像检查的调整的信息,
·将关于成像检查的调整的信息与成像检查的参数相关联,
·根据信息输入来求取成像检查的参数的调整,以及
·提供成像检查的参数集,其中所提供的参数集具有根据所求取的调整改变的参数,并且其中参数集存储在与成像设备连接的存储单元上。
成像检查可以为患者的用于检测诊断重要的身体区域的图像的成像检查。所述方法尤其涉及待执行的成像检查。这可以意味着,成像检查已经处于规划和/或准备中。同样可设想,成像检查应在可预见的时间段,例如最多一天、最多一小时、最多半小时或几分钟内执行。还可设想,成像检查在执行根据本发明的方法的时刻已经开始。
成像检查尤其可以包括旨在检测诊断重要的身体区域的图像的一个或多个成像参数和/或一个或多个成像序列。成像检查优选地借助于医学成像设备执行。医学成像设备可以为构成用于检测患者的二维的或三维的图像数据的任意医学设备。这种成像设备的示例是磁共振断层扫描仪、计算机断层扫描仪、X射线设备、乳腺X射线照相设备、正电子发射断层扫描仪、单光子发射计算机断层扫描仪、超声设备等。借助于成像设备检测的图像可以包括患者的身体区域的二维的或三维的表示。在一个优选的实施方式中,成像设备是磁共振设备,并且成像检查是磁共振检查。成像设备尤其具有计算单元,所述计算单元构成用于协调根据本发明的方法并且借助于成像设备来执行根据本发明的方法。同样可设想,根据本发明的方法借助于成像设备的控制单元来执行。
待执行的成像检查的参数可以为成像参数,例如图像分辨率、对比度、信噪比、比吸收率、回波时间、重复时间等。同样可设想,参数包括一组成像参数、成像序列和/或成像序列的顺序。此外,参数可以包括成像检查和/或成像检查的流程的任意设定。
用于成像检查的信息输入优选地包括具有和/或传输关于成像检查和/或成像检查的流程的信息的信号。尤其地,信息输入可以涉及成像检查的成像参数、成像序列、成像序列的顺序和/或与成像检查的流程相关的任意设定。信息输入可以作为模拟信号或数字信号传输给成像设备。但是同样可设想,信息输入包括声学信号和/或光学信号。成像设备优选地具有合适的接口和/或合适的传感器,所述接口和/或传感器设计用于检测信息输入。检测信息输入尤其可以意味着,借助于接口和/或传感器来接收成像设备的用户的信号。还可设想,检测信息输入包括将接收到的信号转化成机器可读数据。例如,信息输入可以为用户在键盘、鼠标、触摸板等上的输入。但是,同样可设想,信息输入为用户的语音消息和/或手势,所述语音消息和/或手势借助于声转换器、例如麦克风或声传感器和/或光学传感器、例如2D相机、3D相机或红外相机来检测。
根据信息输入来求取关于成像检查的调整的信息可以包括关于成像检查的参数的待执行的改变来分析信息输入。在此,尤其可以执行信息输入与成像参数、成像序列和/或成像检查的流程的设定的关联关系的检查。在此,搜索和/或分析、例如语义分析例如可以借助于人工神经网络和/或基于模型的方式来进行。还可设想,关于成像检查的调整的信息包括如下方向的指示:参数的调整应在所述方向上进行。这种指示可以与信息输入一起检测,或者可以在根据信息输入来求取关于成像检查的调整的信息时推导出。
例如,信息输入可以作为声学信号存在,所述声学信号包括用户关于图像特性的期望的改变的信息。声学信号可以包括成像参数和/或图像特性的明确标记。在所述情况下,求取关于成像检查的调整的信息可以包括语音处理。在另一示例中,信息输入可以作为光学信号、例如用户的手势存在,所述光学信号对图像特性和/或成像参数进行编码。在所述情况下,求取关于成像检查的调整的信息可以包括图像处理。同样可设想,信息输入包括电信号或电信号序列,所述电信号或电信号序列以机器可读数据的形式传输关于图像特性的期望的改变的信息。在此,机器可读数据可以以任意文件格式存在。成像设备可以构成用于接收信息输入并且提取关于成像检查的调整的信息。在一个优选的实施方式中,信息输入是用户的语音输入,所述语音输入包括关于图像特性的改变的指令。语音输入单元和/或语音处理单元可以用于接收用户的语音输入并且提取图像特性的期望的改变。同样可以使用图像处理单元和/或计算单元,以便例如根据光学传感器的图像数据来处理用户的手势或处理用户的键盘输入。
将关于成像检查的调整的信息与成像检查的参数相关联例如可以借助于分类来进行。在分类时,可以将关于成像检查的改变的信息与成像检查的参数相关联。优选地使用人工神经网络、多层神经网络和/或文本挖掘的方法,以便对关于成像检查的改变的信息进行分类。分类也可以包括形成元组、矢量、矩阵和/或数据结构,其将关于成像检查的改变的信息与成像检查的参数相关联。还可设想,利用模型、例如统计模型和/或逻辑模型进行关于成像检查的调整的信息的关联。
根据信息输入求取成像检查的参数的调整可以包括规定一个参数或多个参数的值的改变。在此,规定参数的值的改变尤其根据关于成像检查的调整的信息来进行。可设想,经调整的参数首先包括调整参数的建议,所述建议考虑关于成像检查的调整的信息。例如,可以将建议输出给用户,在实现成像检查的参数的调整之前,所述用户确认建议。但是,同样可设想,在根据本发明的方法的范围内自动实现参数的调整,以便以经调整的参数执行成像检查。
求取参数的调整可以根据应以其进行参数的调整的方向的指示来执行。求取参数的调整优选地包括规定与调整的方向的指示相对应的具体值。求取参数的调整至少根据信息输入进行。但是,同样可设想,求取参数的调整根据多个信息输入、例如成像检查、患者信息、待检查的身体区域、成像设备的预订、成像检查的标准设定等来进行。在一个示例中,关于成像检查的调整的信息可以包括用户关于更高的分辨率和/或增大的成像区域(视场(field of view))的期望。在此,所涉及的成像参数的具体规定优选地在考虑关于患者的身高和/或体重的信息输入的情况下进行。由此可以避免不允许地超过比吸收率和/或成像检查的持续时间。此外,规定参数的具体值可以以预先确定的增量和/或利用考虑多个信息输入的优化器来进行。
提供参数集也可以包括输出和/或执行成像检查。成像检查的参数集可以包括多个成像参数、成像序列和/或对于患者的诊断重要的身体区域的成像检查表征性的其他参数。可设想,参数根据所求取的调整改变并且与参数集一起存储在存储单元上。在此,具有改变的参数的参数集尤其可以用于后续的成像检查。此外,可以将具有改变的参数的参数集输出给显示单元和/或另一成像设备。在此,另一成像设备可以处于成像设备也处于其中的相同的网络和/或相同的临床机构中。另一成像设备尤其可以具有相同的测量原理。通过提供具有改变的参数的参数集,改变的成像检查也可以以有利的方式借助另一成像设备使用。此外,当在显示单元上输出时,用户可以特别高效地理解参数集的改变并且输出对此的反馈。在此,具有改变的参数的参数集尤其可以为对用户的用于参数的可能的调整的建议。因此,用户能够接受或拒绝用于待执行的成像检查的建议。
通过提供根据本发明的方法,可以以有利的方式实现成像检查的参数的时间高效的设定。此外,成像检查可以有利地适配于用户和/或患者的特定要求,其在参数的常规的设定中由于所需的步骤或操作的数量是不切实际的。
在根据本发明的方法的一个实施方式中,成像检查的参数包括成像参数、成像序列和/或成像检查的流程的参数。
成像参数例如可以包括分辨率、成像区域或成像持续时间。磁共振检查的参数的示例是回波时间、重复时间、k空间覆盖、比吸收率等。成像序列尤其可以包括图像数据检测的步骤和/或参数的时间顺序。例如,成像序列可以具有激励间隔、测量间隔、暂停、呼吸间隔和/或用于患者的指令的时间顺序。同样可设想,成像序列包括多个相继的成像序列。成像检查的流程的参数可以是涉及成像检查的准备和/或执行的任意设定。这种参数例如可以包括检查床的运动,患者与成像设备的相对位置,局部线圈的定位,光学图像数据的检测,尤其用于设定检查床和/或局部线圈的位置的旋光标记和/或磁共振活性标记(magnetresonanzaktiver Marker)的检测,导航器测量,例如投影图像和/或侦察测量的检测。
通过调整成像参数,所检测的图像的图像特性可以以有利的方式高效且简单地适配于用户的期望。此外,借助于关于成像检查的调整的信息,可以以有利的方式调整多个参数或一组参数,由此提高成像检查和/或成像检查的准备的效率。例如,借助于关于成像检查的减少的信息,不仅可以调整成像检查的成像参数,而且可以调整成像检查的流程的参数。
在根据本发明的方法的一个优选的实施方式中,信息输入包括用户的语音输入,其中检测信息输入包括处理用户的语音输入,并且其中求取参数的调整根据用户的语音输入来进行。
用户的语音输入可以借助任意语音输入单元来检测。用户的语音输入优选地借助于语音输入单元转换成机器可读数据。随后可以借助于计算单元和/或专用的语音处理单元来处理语音输入。可设想,语音输入的处理根据管道模型和/或借助于语义网络、例如人工神经网络、多层神经网络(深度学习(英文:deep learning))、尤其MultiNet(多层扩展语义网络(multilayered extended semantic network))来进行。语音处理可以具有以下步骤中的一个或多个步骤:
-语音识别,
-标记化,
-词法分析,
-句法分析,
-语义分析,以及
-对话分析。
在一个实施方式中,用户的语音输入的处理借助于人工神经网络或多层神经网络来进行。但是,同样可设想,借助于使用人工神经网络或多层神经网络来进行语音处理的所列出的步骤中的一个或多个步骤。人工神经网络和多层神经网络可以有利地根据大的数据量来训练,以便也鲁棒地且可复现地处理用户的语言学复杂的和/或口语的语音输入。尤其地,人工神经网络或多层网络可以有利地训练用于,辨识用户的语言歧义、例如成像参数的错误命名或图像特性的改写。
根据一个实施方式,用户的语音输入的处理借助于统计模型和/或逻辑模型来进行。这种模型可以结合到用于根据管道模型处理语音输入的方法中和/或执行或支持上文中所列出的步骤中的个别或所有步骤。可设想,在使用对应的模型时,用户利用术语和/或指令的与成像设备和/或语音输入单元协调的预先确定的选择。术语和/或指令的预先确定的选择可以包括有限的词汇,所述有限的词汇例如涵盖成像检查的参数的一部分以及参数的可能的调整选项。通过使用统计模型和/或逻辑模型,可以以有利的方式以小的耗费检测和处理有限的词汇。优选地,根据用户的语音输入借助于上述用于处理语音输入的方法中的一个或多个方法确定关于成像检查的调整、尤其成像检查的参数的调整的信息。
通过语音输入的可能性,可以特别时间高效地将对参数的调整的要求传输给成像设备。在磁共振检查或计算机断层扫描检查中,用户在输出语音输入时可以处于检查室中,而不是处于成像设备的通常定位在单独的空间中的用户界面处。由此,与患者对成像检查进行准备并行地,用户可以输出语音输入以用于调整成像检查的参数,由此可以有利地提高成像检查的准备的效率。
根据一个实施方式,根据本发明的方法具有另一步骤:
-将成像检查的所检测的图像输出给成像设备的用户,
其中检测信息输入包括检测用户对成像检查的所检测的图像的反馈,其中求取参数的调整根据用户的反馈来进行。
可设想,成像检查包括其中记录患者的图像的多个相继的成像序列。优选地,将第一图像输出给用户,以便征求用户对第一图像的反馈。第一图像可以在***示单元、例如用户界面的屏幕或移动设备的显示器上输出给用户。输出可以包括对输出反馈的要求。例如,第一图像可以与声学要求或文本要求、例如语音消息、多选表、聊天机器人等一起输出。用户可以根据要求提供对第一图像的对应的反馈。
在一个实施方式中,根据用户对第一图像的反馈来调整成像检查。在此,检测用户的反馈可以包括迭代过程。例如,参数的第一调整尚不对应于用户的要求。接着可以输出以经调整的参数记录的第二图像。在此可以征求用户的第二反馈,以便进一步改进参数的调整。还可设想,第一图像包括投影图像或侦察图像。在所述情况下,第一图像可以用于,征求用户对成像检查的成像区域的反馈。在另一实施方式中,成像检查包括多个成像序列。可设想,将多个成像序列中的一个或多个成像序列的至少一个第一图像分别输出给用户,以便获得用户对一个或多个成像序列的反馈。
通过检测用户对成像检查的所检测的图像的反馈,可以确保成像检查的图像的质量对应于用户的要求。由此,可以避免时间耗费地重复成像检查和/或可以以有利的方式避免由于基于具有低质量的图像的鉴定引起的错误诊断的风险。
在根据本发明的方法的另一实施方式中,检测信息输入包括检测用户对成像参数和/或图像特性的反馈。
可设想,成像设备的用户具有关于成像检查的执行的专业知识。在这种情况下,用户可以借助于反馈提供关于根据第一图像调整参数的具体指令。指令例如可以包括用于调整分辨率、信噪比、对比度、成像序列的顺序或其他参数的具体建议。但是,同样可设想,成像设备的用户在处理成像设备时没有经验。在所述情况下,用户的反馈可以包括对调整一般图像特性、而不是具体成像参数的指示。例如,反馈可以包括用户的语音输入,例如“图像不够清晰”、“图像嘈杂”、“图像过暗”或“图像过亮”。同样可设想,用户经由图形用户界面和/或聊天机器人输入对应的信息输入。
通过检测对图像特性的反馈的可能性,也可以根据具有较少专业知识的用户的口语表述的反馈进行成像检查的调整。此外,借助于根据本发明的方法,可以以有利的方式实现成像参数的特别时间高效的调整,而在调整参数时有利地支持没有经验的用户。
在根据本发明的方法的另一实施方式中,信息输入至少包括:
·用户的输入,
·用户的语音输入,
·用户对成像检查的所检测的图像的反馈,
·患者信息,
·临床鉴定,和/或
·关于图像特性的信息。
用户的输入优选地包括借助于成像设备的用户界面的图形用户界面设定参数。此外,用户的输入也可以为手势指令。用户的语音输入和反馈可以根据上述实施方式来设计。患者信息可以包括关于患者的任意信息,例如体重、年龄、性别、病史、诊断重要的身体区域、精神状况和/或心理状况等。患者信息尤其可以为用于求取参数的调整的重要的边界条件。例如,在设定与成像检查的持续时间直接或间接相关的参数时,可以考虑患者的紧张不安的状态和/或幽闭恐惧症。同样可设想,在求取成像区域的调整时考虑患者的诊断重要的身体区域。在磁共振检查的情况下,在设定与比吸收率直接或间接相关的参数时,可以考虑患者的体重。优选地,在准备期间或在成像检查开始时,由成像设备的计算单元从医院信息***、放射科信息***、患者档案和/或内部数据存储器或外部数据存储器自动读入患者信息。但是,同样可设想,患者信息由成像设备的用户借助于成像设备的用户界面手动地输入。
同样,在求取参数的调整时可以考虑临床鉴定。临床鉴定尤其可以包括根据成像检查的第一图像或后续的图像来发现病理学结构。例如,肿瘤、动脉瘤、骨骼的骨折、血栓形成等的发现可以为触发参数的调整的自动求取的信息输入。因此,信息输入也可以与用户的输入无关。对上述实施方式补充地,图像特性也可以包括图像伪影、例如“重像”效果和/或“拖尾”效果的存在和/或信噪比。可设想,在记录第一图像或后续的图像时自动分析图像特性,以便推导出关于图像特性的信息。这种分析的结果可以为可以用于求取参数的调整的信息输入。
通过根据患者信息、临床鉴定和/或关于图像特性的信息求取参数的调整,可以以有利的方式自动提高所记录的图像的质量。此外,成像检查可以以有利的方式自动地适配于患者的个体化的先决条件。
在一个实施方式中,根据本发明的方法具有以下步骤:
·关于求取参数的调整训练智能算法,其中智能算法至少根据信息输入、待执行的成像检查和参数的所求取的调整被训练。
智能算法优选地为人工神经网络、多层神经网络、专家***和/或优化方法。优选地,训练智能算法至少包括修改决策结构、变量、成本函数、输入变量、输出变量和/或人工网络或神经网络的配置。
在一个优选的实施方式中,智能算法是人工神经网络或多层神经网络。智能算法尤其可以在学习和/或确定单元上实现。可设想,智能算法借助于学习单元训练,并且借助于确定单元实施。在此,学习单元和确定单元可以彼此分开地存在。但是,同样可设想,智能算法在组合的学习和确定单元上实现,所述学习和确定单元构成用于不仅训练而且实施智能算法。例如,训练包括监督学习(supervised learning)。在此,可以将训练数据、例如成像检查的信息输入、成像参数和/或成像序列、成像检查的流程的参数和期望的输出、例如参数的所求取的调整转发给具有人工神经网络的学习和/或确定单元。通过将期望输出和实际输出进行比较,可以根据数学方法,例如Delta规则、反向传播方法或SGD(随机梯度下降(stochastic gradient descent))方法推断出人工神经网络的配置的待进行的改变。在此,人工神经网络的配置的改变尤其可以包括:
·在神经元之间发展新的连接,
·调整神经元的权重,
·调整神经元的阈值,
·添加或删除神经元和/或神经元之间的连接,以及
·修改激活函数、传播函数和/或输出函数。
所提及的术语是本领域技术人员已知的,并且不应在此进一步阐述。除了监督学习的选项外,当然可设想其他学习方法,例如无监督学习(unsupervised learning)或强化学习(reinforced learning)。优选地,在训练人工神经网络或多层神经网络时,期望输出为具有参数的根据用户的具体要求求取的调整的参数集。还可设想,期望输出包括参数的根据用户对第一图像或后续的图像的反馈求取的调整。因此,学习方法可以根据通过用户的信息输入和成像检查的参数的所求取的调整被连续地训练。如上所述,信息输入也可以具有患者信息、临床鉴定和/或关于图像特性的信息。可设想,在预先确定的数量的训练循环和/或预先确定的准确率之后,智能算法的输出作为标准序列提供给成像检查。
通过根据用户的信息输入训练智能算法,成像检查可以以有利的方式适配于用户的特定要求。由此,可以有利地提高成像检查的效率,尤其在专用于特定身体区域的诊断的诊所和/或实践中可以有利地提高成像检查的效率。尤其地,根据本发明的方法可以以有利的方式有助于没有经验的用户学习或受益于更有经验的用户所学习的调整。
按照根据本发明的方法的一个实施方式,训练智能算法根据用户信息激活或停用。
用户信息可以是关于成像设备的用户的任意信息,例如培训状态、经验水平、专业、职业名称、用户的标识符等。优选地,在成像检查时询问或接收用户信息,使得在成像检查开始时已知用户信息。可设想,根据用户的信息输入训练智能算法仅在如下用户的情况下执行:所述用户具有高的经验水平(例如“专家”)、与成像检查相对应的专业(例如“放射科医师”)和/或足够的培训状态。还可设想,根据专业或标识符(例如姓名和/或人员编号)训练智能算法仅对于成像检查的预先确定的选择可行。例如,关于训练的权限可以与用户的简档(Profile)相关联,使得成像检查在用户在成像设备处登录时根据权限自动激活或停用智能算法的训练。
通过根据用户信息激活或停用智能算法的训练,可以借助于智能算法来提供成像检查的参数的求取的适配于特定用户的执行。因此可以以有利的方式减少用于使成像检查适配于用户的不同的要求的耗费。
在根据本发明的方法的另一实施方式中,求取参数的调整根据经训练的智能算法来进行。
可设想,智能算法针对通过用户对参数的经常使用的调整来训练。在一个示例中,根据用户对图像的反馈求取参数的调整可以借助于经训练的智能算法、而不是迭代方法来进行。由此可以以有利的方式减少用于求取参数的调整的时间耗费。同样可设想,智能算法针对求取参数的调整来训练,所述求取根据患者信息、临床鉴定和/或图像特性来进行。例如,当第一图像或后续的图像具有低的信噪比、低的分辨率和/或图像伪影时,可以将智能算法训练用于执行参数的调整的求取。
通过根据这种信息输入自动确定参数的调整,可以以有利的方式加速成像检查的工作流程。此外,可以向经验不足的用户指示参数的由专家进行的调整。由此可以以有利的方式改进成像检查的质量和/或人员成员的培训。
在一个实施方式中,根据本发明的方法具有以下步骤:
·执行成像检查以用于检测患者的诊断图像,
其中成像检查的参数根据所求取的调整改变,并且其中成像检查的执行以改变的参数进行。
诊断图像例如可以为患者的诊断重要的身体区域的磁共振图像、计算机断层扫描图像、X射线图像等。成像检查优选地以按照根据本发明的方法的实施方式根据信息输入求取的经调整的参数集来执行。因此,成像检查的参数集包括根据信息输入改变的至少一个参数。在此,信息输入可以在成像检查开始时、在成像检查的准备期间和/或在执行成像检查期间进行。
通过以经调整的参数集执行成像检查,成像检查可以时间高效地且不复杂地适配于信息输入。由此,在意外的情况下、例如在发现病理学结构和/或存在低的图像质量时,可以以有利的方式及时进行参数的对应的调整并且降低重复成像检查的风险。
根据本发明的成像设备包括计算单元,所述计算单元构成用于协调根据本发明的方法并且借助于成像设备执行根据本发明的方法。
为了检测、处理和存储数据,例如成像参数、成像检查的流程的参数、信息输入、关于成像检查的调整的信息、图像、语音消息、机器可读数据和/或呈机器可读的文件格式的数据等,除了计算单元外,成像设备还可以具有其他部件。成像设备例如可以包括控制单元、工作存储器、数据存储器和用于输入和输出数据的合适的接口。计算单元例如可以包括控制器、微控制器、CPU、GPU等。工作存储器和数据存储器可以具有存储器技术,例如RAM、ROM、PROM、EPROM、EEPROM、闪存等,但是也可以具有HDD存储器、SSD存储器等。可设想,数据存储器为内部数据库,所述内部数据库与成像设备的计算单元电连接和/或机械连接。但是,同样可设想,数据存储器是借助于网络连接与计算单元连接的外部数据库。外部存储单元的示例是具有对应的数据存储器的网络服务器以及云的存储单元。数据可以借助于模拟信号和/或数字信号以及合适的有线信号连接和/或无线信号连接在成像设备的部件之间传输。为了检测和处理语音消息和/或与用户的交互,成像设备尤其可以包括语音输入单元、语音处理单元和/或输出单元作为其他部件。
计算单元和/或语音处理单元优选地与成像设备的控制单元电连接和/或集成到控制单元中。控制单元可以设计用于,在计算单元的协调下执行根据本发明的方法。控制单元尤其可以构成用于,执行患者的成像检查,检测患者的诊断图像以及将图像传输给其他部件、例如计算单元、存储单元和/或输出单元。此外,控制单元可以构成用于,在计算单元和/或语音处理单元的协调下调整成像检查的参数。
计算单元可以设计用于,根据信息输入来求取关于成像检查的调整的信息。此外,计算单元可以设计用于,将关于成像检查的调整的信息与成像检查的参数相关联。优选地,计算单元同样设计用于,根据信息输入来执行成像检查的参数的调整的求取。计算单元还可以构成用于,处理用户对成像检查的所检测的图像的反馈。优选地,用户的语音输入借助于成像设备的语音输入单元来检测。在用户的语音输入的情况下,求取关于成像检查的调整的信息尤其可以借助于语音处理单元来进行。在此,语音处理单元可以为成像设备的独立部件或者可以集成到成像设备中。
根据本发明的成像设备的部件可以有利地彼此协调,使得可以实现根据本发明的方法的时间高效且鲁棒的执行。根据本发明的成像设备尤其可以构成用于,自主地协调和执行各个方法步骤的流程。因此,根据信息输入来求取成像检查的参数的调整可以以有利的方式自动地和/或在无需用户的技术专业知识的情况下执行。
根据本发明的计算机程序产品可以直接加载到根据本发明的成像设备的计算单元的数据存储器中,所述计算机程序产品具有程序代码机构,以便当在成像设备的计算单元中执行计算机程序产品时,执行根据本发明的方法。
通过根据本发明的计算机程序产品,可以快速地、可相同重复地和鲁棒地实施根据本发明的方法。计算机程序产品配置成,使得所述计算机程序产品可以借助于计算单元执行根据本发明的方法步骤。在此,计算单元必须分别具有先决条件,例如对应的工作存储器、对应的显卡或对应的逻辑单元,使得可以高效地执行相应的方法步骤。计算机程序产品例如存储在计算机可读介质上或保存在网络、服务器或云上,可以从那里将所述计算机程序产品加载到本地计算单元的处理器中。在此,计算单元可以构成为独立的***部件或构成为成像设备的一部分。此外,计算机程序产品的控制信息可以存储在电子可读的数据载体上。电子可读的数据载体的控制信息可以设计成,使得在将数据载体在成像设备的计算单元中使用的情况下,所述控制信息执行根据本发明的方法。电子可读的数据载体的示例是DVD、磁带、USB记忆棒或任意其他数据存储器,在其上存储有电子可读的控制信息、尤其软件。如果从数据载体中读取所述控制信息并且将其传输给成像设备的控制单元和/或计算单元,则可以执行所描述的根据本发明的方法的所有根据本发明的实施方式。
附图说明
本发明的其他优点和细节从在下文中描述的实施例中以及根据附图得出。在此示出:
图1示出根据本发明的成像设备的一个实施方式的示意性的表示,
图2示出根据本发明的方法的一个实施方式的流程图,
图3示出根据本发明的方法的一个实施方式的流程图。
具体实施方式
图1示出根据本发明的成像设备,所述成像设备在本示例中构成为磁共振设备10。磁共振设备10包括磁体单元11,所述磁体单元例如具有用于产生强的和尤其均匀的主磁场13的永磁体、电磁体或超导主磁体12。此外,磁共振设备10包括用于容纳患者15的患者容纳区域14。患者容纳区域14在本实施例中柱形地构成并且在环周方向上由磁体单元11包围。然而原则上,也可设想患者容纳区域14的与所述示例不同的设计方案。
患者15可以借助于磁共振设备10的患者支承设备16定位在患者容纳区域14中。为此,患者支承设备16具有在患者容纳区域14内可运动地构成的检查床17。磁体单元11还具有用于产生磁梯度场的梯度线圈18,所述磁梯度场用于在成像期间进行位置编码。梯度线圈18借助于磁共振设备10的梯度控制单元19来操控。磁体单元11还可以包括射频天线,所述射频天线在本实施例中构成为固定地集成到磁共振设备10中的体线圈20。体线圈20设计用于激励处于由主磁体12产生的主磁场13中的核自旋。体线圈20由磁共振设备10的射频单元21操控并且将射频激励脉冲入射到基本上由磁共振设备10的患者容纳区域14形成的图像记录区域中。此外,体线圈20也可以构成用于接收磁共振信号。
为了控制主磁体12、梯度控制单元19并且为了控制射频单元21,磁共振设备10具有控制单元22。控制单元22构成用于控制序列、例如成像的GRE(梯度回波(gradientecho))序列、TSE(快速自旋回波(turbo spin echo))序列或UTE(超短回波时间(ultra-short echo time))序列的执行。此外,控制单元22包括用于评估在磁共振检查期间检测的磁共振数据的计算单元28。磁共振设备10的计算单元28可以构成用于使用重建方法,以便根据磁共振数据来重建磁共振图像。
此外,磁共振设备10可以具有局部接收天线26,所述局部接收天线定位在患者15的诊断重要的身体区域处,并且检测患者15的身体区域的磁共振信号并且将其传输给控制单元22的计算单元28。局部接收天线26优选地具有电连接线路27,所述电连接线路提供与射频单元21和控制单元22的信号连接。与体线圈20一样,局部接收天线26也可以构成用于激励核自旋和用于接收磁共振信号。为此,局部接收天线26可以由射频单元21操控。
此外,磁共振设备10包括用户界面23,所述用户界面具有与控制单元22的信号连接。控制信息、例如成像参数、但是还有重建的磁共振图像可以在用户界面23的显示单元24上、例如在至少一个监视器上为用户40显示。此外,用户界面23具有输入单元25,借助于所述输入单元,可以由用户40输入磁共振检查的参数。尤其可设想,用户界面23具有语音输入单元31,所述语音输入单元构成用于检测用户40的语音输入。用户界面23例如可以具有台式计算机或实施为移动设备、例如智能手机或平板计算机。
计算单元28和/或语音处理单元32可以构成用于,从语音输入单元31接收和处理用户40的语音消息。在此,计算单元28可以包括语音处理单元32或与语音处理单元32连接(参见图1)。计算单元28还可以构成用于,经由显示单元24将参数的所求取的调整输出给磁共振设备10的用户40和/或将其存储在存储单元29和/或云30的存储单元上。还可设想,计算单元28构成用于,经由网络连接等将参数的所求取的调整传输给另一磁共振设备(未示出)。在本示例中,信息输入是用户40的语音消息,所述语音消息借助于语音输入单元31来检测。语音输入单元31例如可以具有麦克风和/或声传感器,以便接收用户40的语音消息。磁共振设备10还可以具有输出单元(未示出),所述输出单元借助于声学输出通知用户40成像检查的参数的改变的求取。然而,同样可设想,借助于用户界面23、例如具有扬声器的屏幕将参数的所求取的调整提供给用户40。
还可设想,存储单元29和/或云30的存储单元具有带有磁共振检查的参数的阐述和/或描述的数据库。对应地,计算单元28和/或语音处理单元32可以构成用于,在根据用户40的语音消息求取关于磁共振检查的调整的信息的范围内访问数据库。例如,参数的阐述和/或描述可以用于语义搜索、关键词搜索和/或文本挖掘的方法。同样可设想,借助于云30的计算机将关于磁共振检查的调整的信息与磁共振检查的参数相关联,所述计算机具有对搜索引擎和全球网络的访问。云30的计算机还可以具有智能算法,所述智能算法通过用户40根据关于磁共振检查的调整的信息被训练和/或构成用于,根据信息输入来执行磁共振检查的参数的调整的求取。然而,磁共振设备10优选地包括在其上实现智能算法的学习和/或确定单元34。学习和/或确定单元34可以直接与计算单元28和/或语音处理单元32连接。在训练智能算法期间,学习和/或确定单元34可以从计算单元28接收关于成像检查的信息和信息输入。在足够数量的训练循环之后,学习和/或确定单元34可以构成用于,根据磁共振检查和信息输入自主地进行参数的调整的求取。
所示出的磁共振设备10当然可以包括磁共振设备通常具有的其他部件。此外,其他成像设备、例如计算机断层扫描仪、X射线设备、乳腺X射线照相设备等也可以具有计算单元28,所述计算单元构成用于借助成像设备来执行根据本发明的方法。
图2示出根据本发明的用于根据用于磁共振检查的信息输入来确定待执行的磁共振检查的参数的调整的方法的可能的流程图。
在可选的步骤S1中,将磁共振检查的所检测的磁共振图像输出给磁共振检查10的用户40,其中检测信息输入包括检测用户40对磁共振检查的所检测的磁共振图像的反馈。输出磁共振图像可以借助于显示单元24进行,所述显示单元优选地具有用于示出磁共振图像的屏幕。磁共振图像可以是在磁共振检查期间记录的一系列磁共振图像的第一磁共振图像。但是,同样可设想,磁共振图像是后续的磁共振图像。在输出磁共振图像时,可以要求磁共振设备的用户40输出对磁共振图像的反馈。用户40的反馈例如可以包括语音消息、手势和/或借助于用户界面23的任意输入设备(例如鼠标、键盘)的输入。用户40的反馈优选地包括关于成像检查的调整的信息、例如磁共振图像的图像质量的评估和/或用于调整成像参数、成像序列和/或磁共振检查的流程的参数的要求。
在步骤S2中,检测用于磁共振检查的信息输入。用户40的信息输入例如可以包括借助于输入单元25的输入、借助于语音输入单元31的语音输入和/或用户40对磁共振图像的反馈。用户40的反馈同样可以以相同的方式借助于输入单元25和/或语音输入单元31来检测。此外,信息输入也可以为用户40的手势,所述手势借助于磁共振设备10的检查室中的相机来检测。
但是,信息输入也可以与用户40无关地进行。例如,信息输入可以是关于患者15的患者信息、患者15的临床鉴定和/或关于磁共振图像的图像特性的信息。计算单元28优选地构成用于,根据放射学信息***、医院信息***、患者登记、所检测的磁共振图像等的数据推导出这种信息输入。在此,关于图像特性的信息尤其可以包括磁共振图像的信噪比的量化和/或图像伪影的存在的评定。为此,磁共振设备10可以具有专用的图像处理单元,所述专用的图像处理单元构成用于确定磁共振图像的图像特性。
此外,检测信息输入可以包括处理信息输入。在此,将信息输入的信号,例如声信号、语音消息、相机信号、文本消息等优选地转换成电信号和/或机器可读数据。此外,机器可读数据可以作为二进制代码、十六进制数、高级语言和以合适的文件格式的形式,例如RDFa、HTML、CSV、XML等存在。例如,借助于语音输入单元31检测用户40的语音输入并且将其转换成机器可读数据。随后可以借助于计算单元28和/或语音处理单元32来处理语音输入。在此,语音处理可以具有本领域技术人员已知的以下步骤中的一个或多个步骤:
·语音识别,
·标记化,
·词法分析,
·句法分析,
·语义分析,以及
·对话分析。
在一个实施方式中,语音输入的处理借助于人工神经网络或多层神经网络(例如MultiNet)来进行。但是,同样可设想,借助于使用人工神经网络或多层神经网络进行语音处理的所列出的步骤中的个别或多个步骤。
根据另一实施方式,语音输入的处理借助于统计模型和/或逻辑模型来进行。优选地,在使用统计模型和/或逻辑模型时,根据语音处理的在上文中列举的步骤中的个别或所有步骤进行语音输入的处理。可设想,在使用对应的模型时,用户40利用术语或指令的与成像设备和/或语音输入单元协调的预先确定的选择。
借助于计算单元28和/或语音处理单元32来执行用于语音处理的方法。但是,同样可设想,在外部计算机、尤其云30的计算机上实现用于语音处理的方法。在所述情况下,语音输入可以传输给云30的计算机,所述计算机执行语音输入的处理并且将关于磁共振检查的调整的信息返回给计算单元28。
在另一步骤S3中,根据信息输入来求取关于磁共振检查的调整的信息。可以根据用户40的经处理的信息输入和患者信息、临床鉴定和/或关于图像特性的信息以复杂的方式求取关于磁共振检查的调整的信息。在此,对于每个信息输入,可以执行信息输入与成像参数、成像序列和/或磁共振检查的流程的关联关系的检查。关于磁共振检查的调整的信息优选地包括如下方向的指示:参数的调整应在所述方向上进行。用户40可以借助于语音消息输入成像参数的期望的改变,而在根据本发明的方法的范围内,也可以根据磁共振图像的图像特性自动地确定如下方向的指示:参数的调整应在所述方向上进行。不期望的图像特性例如可以为低的信噪比和/或患者15的诊断重要的身体区域在成像区域中的不期望的定位。
在另一步骤S4中,将关于磁共振检查的调整的信息与磁共振检查的参数相关联。在此,优选地借助于分类进行关联。可设想,分类包括使用神经网络、多层神经网络和/或文本挖掘的方法。分类也可以包括形成元组、矢量、矩阵和/或任意数据结构,其将关于成像检查的改变的信息与成像检查的参数相关联。还可设想,利用模型、例如统计模型和/或逻辑模型进行关于成像检查的调整的信息的关联。用于对关于磁共振检查的调整的信息进行分类的方法例如可以在计算单元28和/或云30的计算机上实现。
在另一步骤S5中,根据信息输入来求取磁共振检查的参数的调整。优选地,根据关于磁共振检查的调整的信息来求取参数的调整。例如,关于磁共振检查的调整的信息可以包括用户40关于磁共振图像中的脂肪组织的较低对比度的期望。在此,所涉及的成像参数、例如回波时间和/或重复时间的调整的求取可以在考虑脂肪组织的T1弛豫时间和/或T2弛豫时间的情况下进行。关于脂肪组织的对应的数据优选地存储在存储单元29或云30的存储单元上并且可以调用。
在一个优选的实施方式中,根据用户40的语音输入来求取参数的调整。优选地,借助于在上文中描述的用于处理语音输入的方法中的一个方法来求取关于磁共振检查的调整的信息。还可设想,计算单元28构成用于,根据关于磁共振检查的调整的信息对不同的信息输入区分优先次序。因此,可以将多个信息输入中的具有最高优先级的信息输入、例如患者15关于比吸收率(或X射线成像的X射线剂量)的安全性用于求取参数的调整。但是,计算单元28也可以构成用于,求取用于多个信息输入的折衷。在此,可以根据多个相对的信息输入、例如磁共振图像的提高的数量和比吸收率的考虑来确定参数的折衷。
在可选的步骤S6中,关于求取参数的调整来训练智能算法,其中至少根据信息输入、待执行的磁共振检查和参数的所求取的调整来训练智能算法。智能算法的训练优选地包括多层神经网络的监督学习。在此,多层神经网络例如可以具有两个层(隐藏层(hiddenlayer))、三个层、四个层或多于四个的层。在训练时,在其中根据信息输入求取参数的调整的每个磁共振检查中,可以将训练数据集传输给在其上实现多层神经网络的学习和/或确定单元34。训练数据集优选地至少包括关于磁共振检查、信息输入和参数的根据信息输入求取的调整的信息。关于磁共振检查的信息例如可以包括在求取参数的调整之前存在的标准序列的参数集。
在一个示例中,多层神经网络通过监督学习方法来训练。在此,磁共振检查的具有根据信息输入求取的改变的参数的参数集可以为多层神经网络的期望输出。期望输出可以与多层神经网络在当前状态中生成的实际输出进行比较。为此,输入模式、例如标准序列和/或信息输入可以通过多层神经网络向前传播。可设想,关于根据信息输入调整磁共振检查的信息在其作为信息输入传输给学习和/或确定单元34之前已经由计算单元28和/或语音处理单元32求取。在训练过程的范围内,信息输入(或关于磁共振检查的调整的信息)例如可以被视为磁共振检查的参数集的参数或作为单独的输入变量、例如输入模式的标签实现。此外,当然可设想其他实现可能性。
训练多层神经网络可以根据实际输出与期望输出的比较来进行。可设想,为此使用反向传播方法或SGD(随机梯度下降(stochastic gradient descent))方法。例如,在反向传播方法中,在多层神经网络的实际输出与期望输出之间形成差,所述差被视为错误。随后,错误可以从多层神经网络的输出层向回传播至输入层。在此,多层神经网络的配置、尤其神经元之间的连接的权重可以与其对错误的影响相关地改变。借助于对应的方法,可以使用于输入模式的多层神经网络的期望输出与实际输出之间的错误最小化。参照图1,也可设想学习和/或确定单元34在云30的计算机上实现。因此,学习和/或确定单元34可以从与云30连接的磁共振设备的多个数据集中训练。
在一个实施方式中,用户40关于训练的权限与用户40的简档相关联,使得在用户40在成像设备处登录时根据权限自动激活或停用智能算法的训练。
在步骤S7中提供磁共振检查的参数集,其中所提供的参数集具有根据所求取的调整改变的参数,并且其中参数集存储在与成像设备连接的存储单元上。提供至少包括将磁共振检查的具有改变的参数的参数集存储在磁共振设备10的存储单元29和/或云30的存储单元上。还可设想,将具有改变的参数的参数集传输给另一磁共振设备。以所述方式,磁共振设备10的用户40也可以在另一磁共振设备处利用已经借助于根据本发明的方法在特定的先决条件下对于特定的磁共振检查进行的调整。此外,提供参数集也可以包括借助于显示单元24将参数集视觉输出给用户40。改变的参数优选地在视觉输出中被标记和/或突出显示,使得用户40可以以小的时间耗费确定参数集的哪些参数已经改变。
在可选的步骤S8中执行磁共振检查以用于检测患者的诊断图像,其中磁共振检查的参数根据所求取的调整改变,并且其中借助改变的参数执行磁共振检查。可设想,尚在检测第一磁共振图像之前、例如在准备磁共振检查和/或患者登记期间检测信息输入。在所述情况下,可以借助改变的参数开始磁共振检查。但是,同样可设想,信息输入包括用户40对第一磁共振图像、随后的磁共振图像的反馈和/或根据磁共振图像推导出的临床鉴定。在这种情况下,可以以根据用户40的反馈和/或临床鉴定改变的参数继续进行磁共振检查。
图3示出根据本发明的方法的另一实施方式的流程图。在所述实施方式中,可以在第一时刻执行如上所述的步骤S1至S7。第一时刻尤其通过如下表征:学习和/或确定单元34的智能算法、例如多层神经网络根据磁共振检查、信息输入和参数的所求取的调整被训练。
在第二时刻,智能算法已经执行足够数量的训练循环。可设想,根据信息输入从第二时刻开始借助于智能算法来求取磁共振检查的参数的调整的步骤S5。在一个实施方式中,计算单元28构成用于,在第二时刻从学习和/或确定单元34调用参数的调整的求取。为此,学习和/或确定单元34例如可以接收磁共振检查的参数集以及关于磁共振检查的调整的信息并且提供具有至少一个改变的参数的参数集。将关于磁共振检查的调整的信息与磁共振检查的参数相关联的步骤S4可以在第二时刻借助于智能算法隐含地进行。同样可设想,从第二时刻开始省去关于求取参数的调整训练智能算法的步骤S6。然而优选地,例如当在求取关于磁共振检查的调整的信息的步骤S3中求取具有专家专业知识的用户40对参数的改变的要求时,智能算法可以经历其他训练循环。还可设想,对于预先确定的磁共振检查和/或作为磁共振设备10的全局设定,可以手动激活或停用智能算法的训练和/或智能算法用于求取参数的调整的应用。
如上所述,计算单元28还可以构成用于,以具有改变的参数的参数集来执行(S8)磁共振检查。也可设想,磁共振检查的参数集在第二时刻是当前的和/或不存在信息输入。在所述情况下,计算单元28可以在不改变参数的情况下继续协调磁共振检查。在另一实施方式中,智能算法在第二时刻同样可以训练用于,根据上述方法中的一个方法、尤其利用人工神经网络或多层神经网络来执行根据信息输入求取(S3)关于磁共振检查的调整的信息。
不言自明,根据本发明的方法和根据本发明的磁共振设备的在此描述的实施方式应理解为示例性的。因此,各个实施方式可以以另外的实施方式的特征扩展。根据本发明的方法的方法步骤的顺序尤其应理解为示例性的。各个步骤也可以以不同的顺序执行或在时间上部分地或完全地重合。
Claims (15)
1.一种计算机实施的方法,所述计算机实施的方法用于根据用于成像检查的信息输入来求取待借助医学成像设备执行的成像检查的参数的调整,所述方法具有以下步骤:
·检测(S2)用于所述成像检查的信息输入,
·根据所述信息输入来求取(S3)关于所述成像检查的调整的信息,
·将关于所述成像检查的调整的信息与所述成像检查的参数相关联(S4),
·根据所述信息输入来求取所述成像检查的参数的调整(S5),以及
·提供(S7)所述成像检查的参数集,其中所提供的所述参数集具有根据所求取的所述调整改变的参数,并且其中所述参数集存储在与成像设备连接的存储单元上。
2.根据权利要求1所述的方法,
其中所述成像检查的参数包括成像参数、成像序列和/或所述成像检查的流程的参数。
3.根据权利要求1或2中任一项所述的方法,
其中所述信息输入包括用户(40)的语音输入,并且其中检测(S2)所述信息输入包括处理所述用户(40)的语音输入,其中求取所述参数的调整(S5)根据所述用户(40)的语音输入来进行。
4.根据权利要求3所述的方法,
其中处理所述用户(40)的语音输入借助于人工神经网络或多层神经网络来进行。
5.根据权利要求3或4中任一项所述的方法,
其中处理所述用户(40)的语音输入借助于统计模型和/或逻辑模型来进行。
6.根据上述权利要求中任一项所述的方法,还具有如下步骤:
·将所述成像检查的所检测的图像输出(S1)给所述成像设备的用户(40),
其中检测(S2)所述信息输入包括检测所述用户(40)对所述成像检查的所检测的图像的反馈,其中求取所述参数的调整(S5)根据所述用户(40)的反馈来进行。
7.根据权利要求6所述的方法,
其中检测(S2)所述信息输入包括检测所述用户(40)对于成像参数和/或图像特性的反馈。
8.根据上述权利要求中任一项所述的方法,
其中所述信息输入至少包括:
·所述用户(40)的输入,
·所述用户(40)的语音输入,
·所述用户(40)对所述成像检查的所检测的图像的反馈,
·患者信息,
·临床鉴定,和/或
·关于图像特性的信息。
9.根据上述权利要求中任一项所述的方法,还具有如下步骤:
·关于求取参数的调整来训练(S6)智能算法,其中至少根据所述信息输入、待执行的所述成像检查和所述参数的所求取的调整来训练所述智能算法。
10.根据权利要求9所述的方法,
其中所述智能算法为人工神经网络或多层神经网络。
11.根据权利要求9或10中任一项所述的方法,
其中根据用户信息激活或停用对所述智能算法的训练(S6)。
12.根据权利要求9至11中任一项所述的方法,
其中求取所述参数的调整(S5)根据经训练的所述智能算法来进行。
13.根据上述权利要求中任一项所述的方法,还具有如下步骤:
·执行(S8)所述成像检查以用于检测患者(15)的诊断图像,
其中所述成像检查的参数根据所求取的调整(S5)改变,并且其中执行(S8)所述成像检查以改变的所述参数来进行。
14.一种成像设备,所述成像设备包括计算单元(28),其中所述计算单元(28)构成用于,协调根据上述权利要求中任一项所述的方法并且借助于所述成像设备执行根据上述权利要求中任一项所述的方法。
15.一种计算机程序产品,所述计算机程序产品能够直接加载到根据权利要求14所述的成像设备的计算单元(28)的数据存储器中,所述计算机程序产品具有程序代码机构,以便当在所述成像设备的计算单元(28)中执行所述计算机程序产品时,执行根据权利要求1至13中任一项所述的方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102020216040.6A DE102020216040A1 (de) | 2020-12-16 | 2020-12-16 | Verfahren zur Ermittlung einer Anpassung einer Bildgebungsuntersuchung |
DE102020216040.6 | 2020-12-16 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114631799A true CN114631799A (zh) | 2022-06-17 |
Family
ID=81847098
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111533219.4A Pending CN114631799A (zh) | 2020-12-16 | 2021-12-15 | 计算机实施的方法,成像设备和计算机程序产品 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20220183637A1 (zh) |
CN (1) | CN114631799A (zh) |
DE (1) | DE102020216040A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102022213602A1 (de) | 2022-12-14 | 2024-06-20 | Siemens Healthineers Ag | Parametrisierung einer Bildgebungssequenz |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10334073A1 (de) * | 2003-07-25 | 2005-02-10 | Siemens Ag | Medizintechnisches Steuerungsystem |
US20120190962A1 (en) * | 2011-01-20 | 2012-07-26 | Karlheinz Glaser-Seidnitzer | Method for computer-assisted configuration of a medical imaging device |
US20180108128A1 (en) * | 2016-10-14 | 2018-04-19 | Siemens Healthcare Gmbh | Method, computer and imaging apparatus for determining an imaging parameter for an imaging procedure |
CN109285601A (zh) * | 2017-07-19 | 2019-01-29 | 西门子医疗有限公司 | 用于配置医学成像设备的方法、***、程序产品和介质 |
US20200124691A1 (en) * | 2018-10-22 | 2020-04-23 | David Douglas | Method to modify imaging protocols in real time through implementation of artificial intelligence |
CN111128345A (zh) * | 2019-11-19 | 2020-05-08 | 上海联影智能医疗科技有限公司 | 医学图像的获取方法、医学扫描设备和计算机存储介质 |
JP2020089641A (ja) * | 2018-12-07 | 2020-06-11 | 株式会社日立製作所 | 音声認識入力装置、音声認識入力プログラム及び医用画像撮像システム |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102012210821A1 (de) * | 2012-06-26 | 2014-01-02 | Siemens Aktiengesellschaft | Verfahren zu einer Kommunikation zwischen einer Steuereinheit und einem Patienten und/oder einem Bedienpersonal sowie eine medizinische Bildgebungsvorrichtung hierzu |
US9700219B2 (en) * | 2013-10-17 | 2017-07-11 | Siemens Healthcare Gmbh | Method and system for machine learning based assessment of fractional flow reserve |
US20170055935A1 (en) * | 2014-04-11 | 2017-03-02 | Hitachi, Ltd. | Medical image scanning apparatus and medical image scanning method |
KR102495523B1 (ko) * | 2016-02-04 | 2023-02-03 | 삼성전자 주식회사 | 음성 명령을 처리하는 방법 및 이를 제공하는 전자 장치 |
WO2018127498A1 (en) * | 2017-01-05 | 2018-07-12 | Koninklijke Philips N.V. | Ultrasound imaging system with a neural network for image formation and tissue characterization |
US10950343B2 (en) * | 2017-06-29 | 2021-03-16 | Siemens Healthcare Gmbh | Highlighting best-matching choices of acquisition and reconstruction parameters |
US10722210B2 (en) * | 2017-12-14 | 2020-07-28 | Siemens Healthcare Gmbh | Method for memorable image generation for anonymized three-dimensional medical image workflows |
WO2019141651A1 (en) * | 2018-01-22 | 2019-07-25 | Koninklijke Philips N.V. | Deep learning based image figure of merit prediction |
US11278413B1 (en) * | 2018-02-06 | 2022-03-22 | Philipp K. Lang | Devices, systems, techniques and methods for determining the fit, size and/or shape of orthopedic implants using computer systems, artificial neural networks and artificial intelligence |
GB2589250B (en) * | 2018-06-15 | 2023-03-08 | Canon Kk | Medical image processing apparatus, medical image processing method and program |
US11010938B2 (en) * | 2019-04-03 | 2021-05-18 | Uih America, Inc. | Systems and methods for positron emission tomography image reconstruction |
US10902944B1 (en) * | 2020-01-06 | 2021-01-26 | Carlsmed, Inc. | Patient-specific medical procedures and devices, and associated systems and methods |
US20210330274A1 (en) * | 2020-04-22 | 2021-10-28 | Siemens Healthcare Gmbh | Computer-implemented method, computer program, systems and x-ray facility for correction of x-ray image data with regard to noise effects |
-
2020
- 2020-12-16 DE DE102020216040.6A patent/DE102020216040A1/de active Pending
-
2021
- 2021-12-15 CN CN202111533219.4A patent/CN114631799A/zh active Pending
- 2021-12-16 US US17/553,395 patent/US20220183637A1/en active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10334073A1 (de) * | 2003-07-25 | 2005-02-10 | Siemens Ag | Medizintechnisches Steuerungsystem |
US20120190962A1 (en) * | 2011-01-20 | 2012-07-26 | Karlheinz Glaser-Seidnitzer | Method for computer-assisted configuration of a medical imaging device |
US20180108128A1 (en) * | 2016-10-14 | 2018-04-19 | Siemens Healthcare Gmbh | Method, computer and imaging apparatus for determining an imaging parameter for an imaging procedure |
CN109285601A (zh) * | 2017-07-19 | 2019-01-29 | 西门子医疗有限公司 | 用于配置医学成像设备的方法、***、程序产品和介质 |
US20200124691A1 (en) * | 2018-10-22 | 2020-04-23 | David Douglas | Method to modify imaging protocols in real time through implementation of artificial intelligence |
JP2020089641A (ja) * | 2018-12-07 | 2020-06-11 | 株式会社日立製作所 | 音声認識入力装置、音声認識入力プログラム及び医用画像撮像システム |
CN111128345A (zh) * | 2019-11-19 | 2020-05-08 | 上海联影智能医疗科技有限公司 | 医学图像的获取方法、医学扫描设备和计算机存储介质 |
Also Published As
Publication number | Publication date |
---|---|
DE102020216040A1 (de) | 2022-06-23 |
US20220183637A1 (en) | 2022-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11069056B2 (en) | Multi-modal computer-aided diagnosis systems and methods for prostate cancer | |
US10878311B2 (en) | Image quality-guided magnetic resonance imaging configuration | |
JP6643771B2 (ja) | 脳活動解析装置、脳活動解析方法および脳活動解析プログラム | |
KR102289277B1 (ko) | 복수의 의료 영상 판독 알고리듬들에 대한 평가 스코어를 생성하는 의료 영상 판독 지원 장치 및 방법 | |
US11893729B2 (en) | Multi-modal computer-aided diagnosis systems and methods for prostate cancer | |
CN107808690B (zh) | 用于确定原始协议与参考协议的相似性参数的方法 | |
CN106537168A (zh) | 用于磁共振指纹识别中的自适应字典匹配的***和方法 | |
CN112292732A (zh) | 用于实现对对象的磁共振成像的方法 | |
US20160092634A1 (en) | Method and medical imaging apparatus for optimizing an examination | |
KR20200060102A (ko) | 진단 영상을 생성하고, 디스플레이하는 자기 공명 영상 장치 및 그 동작 방법 | |
EP3673955A1 (en) | Automated detection of lung conditions for monitoring thoracic patients undergoing external beam radiation therapy | |
US11051763B2 (en) | Method and apparatus for determining a feature characterizing intentional breath-holding by a patient in a medical imaging device | |
CN114631799A (zh) | 计算机实施的方法,成像设备和计算机程序产品 | |
CN109147927B (zh) | 一种人机交互方法、装置、设备及介质 | |
US11280868B2 (en) | Image enhancement with variable number of excitation (NEX) acquisitions accelerated using compressed sensing | |
US10663547B2 (en) | Automatic detection and setting of magnetic resonance protocols based on read-in image data | |
Geng et al. | Automated MR image prescription of the liver using deep learning: Development, evaluation, and prospective implementation | |
CN114487964A (zh) | 基于深度学习的磁共振成像(mri)检查加速 | |
US10467377B2 (en) | Method and medical imaging apparatus for generating a favorites set of protocols for controlling the medical imaging apparatus | |
CN113935957A (zh) | 医疗图像对比方法、装置、电子设备及存储介质 | |
US11460528B2 (en) | MRI reconstruction with image domain optimization | |
CN112089419A (zh) | 医学成像方法及***,非暂态计算机可读存储介质 | |
EP3965117A1 (en) | Multi-modal computer-aided diagnosis systems and methods for prostate cancer | |
US20190206527A1 (en) | Register for examinations with contrast agent | |
US11367183B2 (en) | Systems and methods of automatic field-of-view (FOV) prescription |
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 |