CN115398555A - 生成放射线图像 - Google Patents

生成放射线图像 Download PDF

Info

Publication number
CN115398555A
CN115398555A CN202180027276.7A CN202180027276A CN115398555A CN 115398555 A CN115398555 A CN 115398555A CN 202180027276 A CN202180027276 A CN 202180027276A CN 115398555 A CN115398555 A CN 115398555A
Authority
CN
China
Prior art keywords
artificial
images
contrast
contrast agent
radiographic
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
CN202180027276.7A
Other languages
English (en)
Inventor
G·克诺博罗齐
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 CN115398555A publication Critical patent/CN115398555A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
    • G—PHYSICS
    • 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
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • 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
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/41—Medical

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Medical Informatics (AREA)
  • General Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Pathology (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明涉及生成检查对象的检查区域的放射线图像。基于示出检查区域中的血管具有随着时间而降低的对比度增强的测量的检查区域的放射线图像，本发明生成示出血管的检查区域具有不变的对比度增强的人工放射线图像。

Description

生成放射线图像
本发明涉及生成检查对象的检查区域的放射线图像。基于这种示出检查区域中的血管具有随着时间降低的对比度增强的测量的检查区域的放射线图像，本发明生成示出血管具有不变的对比度增强的检查区域的人工放射线图像。
放射学是一个医学领域，它涉及用于诊断和治疗目的的成像。
尽管X射线和对X射线敏感的胶片以前主要用于医学成像，但是现在放射学包括各种不同的成像方法，如计算机断层扫描(CT)、磁共振成像(MRT)或超声检查。
通过所有这些方法，可以使用有助于描绘或界定检查对象中的某些结构的物质。所述物质称为造影剂。
在计算机断层扫描中，含碘的溶液通常用作造影剂。在磁共振成像(MRT)中，超顺磁性物质(如氧化铁纳米颗粒、超顺磁性铁-铂颗粒(SIPPs))或顺磁性物质(如钆螯合物、锰螯合物)通常用作造影剂。
在文献中可以找到造影剂的实施例(参见，例如：A.S.L.Jascinth等人：ContrastAgents in computed tomography:A Review,Journal of Applied Dental and MedicalSciences，2016，Vol.2，Issue 2，143-149；H.Lusic等人：X-ray-Computed TomographyContrast Agents,Chem.Rev.2013，113，3，1641-1666；https://www.radiology.wisc.edu/wp-content/uploads/2017/10/contrast-agents-tutorial.pdf，M.R.Nough等人：Radiographic and magnetic resonances contrast agents:Essentials and tips forsafe practices,World J Radiol.2017Sep 28；9(9):339–349；L.C.Abonyi等人：Intravascular Contrast Media in Radiography:Historical Development&Review ofRisk Factors for Adverse Reactions,South American Journal of ClinicalResearch，2016，Vol.3，Issue 1，1-10；ACR Manual on Contrast Media,2020,ISBN:978-1-55903-012-0；A.Ignee等人：Ultrasound contrast agents,EndoscUltrasound.2016Nov-Dec；5(6):355–362)。
从它们在组织中的扩散模式来看，造影剂可大致分为以下几类：细胞外造影剂、混合的细胞外/细胞内造影剂(通常简称为细胞内造影剂)和血池造影剂。
细胞外MRT造影剂包括，例如钆螯合物钆布醇
Figure BDA0003879683390000021
钆特醇
Figure BDA0003879683390000022
钆特酸
Figure BDA0003879683390000023
钆喷酸
Figure BDA0003879683390000024
和钆双胺
Figure BDA0003879683390000025
所述钆螯合物的高亲水特性及其低分子量导致静脉施用之后迅速扩散到间质空间。在血液循环***中经过一定的、相对较短的循环期后，它们会通过肾脏排出体外。
混合的细胞外/细胞内造影剂在一定程度上被吸收到组织细胞中，随后被排出体外。例如，基于钆塞酸的混合的细胞外/细胞内MRT造影剂的区别在于，它们被肝脏细胞、肝细胞按比例地特异性吸收，在功能组织(实质(Parenchym))中积累，并在随后经由胆囊***到粪便中之前增强健康肝脏组织的对比度。这种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 BDA0003879683390000026
和
Figure BDA0003879683390000027
购得。另一种具有在肝细胞中较低的摄取量的MRT造影剂是钆贝葡胺
Figure BDA0003879683390000028
血池造影剂(英语为：blood pool(contrast)agent)，与细胞外造影剂相比，其区别在于在血液循环***中的停留时间明显更长。例如，Gadofosveset是一种基于钆的血管内MRT造影剂。它已被用作三钠盐一水合物形式
Figure BDA0003879683390000029
它与血清白蛋白结合，从而实现了造影剂在血液循环***中的长停留时间(在血液中的半衰期约为17小时)。然而，
Figure BDA00038796833900000210
已于2017年退出市场。另一种被授权为用于磁共振成像的血池造影剂的造影剂没有在市场上出售。同样，一种被授权为用于计算机断层扫描的血池造影剂的造影剂也没有在市场上出售。
因此，被授权为用于放射线检查的血池造影剂的产品在市场上是不可购得的。当生成具有相对较长采集时间/扫描时间的放射线图像时，例如在胸部和腹部的自由呼吸下采集图像以描绘例如血管***(例如在MRT中自由呼吸下肺栓塞的诊断)，细胞外造影剂相对迅速地从血管***中消除，意味着对比度迅速降低。然而，能够将对比度保持更长的时间段将是有利的。
本发明解决了此问题。本发明提供了使其能够基于血池造影剂仿真放射线图像的装置。
本发明在第一方面提供了一种计算机实施的方法，包括以下步骤：
-接收测量的放射线图像的序列，其中测量的放射线图像示出了在施用造影剂之后的不同的、连续的时间点处的检查对象的检查区域，其中造影剂导致检查区域中的血管的对比度增强，其中测量的放射线图像中的血管的对比度增强随着时间的增加而降低；
-基于接收到的放射线图像来计算人工放射线图像的序列，其中人工放射线图像中的血管的对比度增强随着时间推移保持不变；
-输出人工放射线图像。
本发明还提供了一种计算机***，包括：
-接收单元；
-控制和计算单元；和
-输出单元；
其中，控制和计算单元被配置为促使接收单元接收测量的放射线图像的序列，其中测量的放射线图像示出了在施用造影剂之后的不同的、连续的时间点处的检查对象的检查区域，其中造影剂导致检查区域中的血管的对比度增强，其中测量的放射线图像中的血管的对比度增强随着时间的增加而降低；
其中，控制和计算单元被配置为基于测量的放射线图像来计算人工放射线图像的序列，其中人工放射线图像中的血管的对比度增强随着时间推移保持不变；
其中，控制和计算单元被配置为促使输出单元输出人工放射线图像。
本发明还提供了一种计算机程序产品，包括计算机程序，所述计算机程序能被加载到计算机的存储器中，在所述计算机的存储器中，所述计算机程序促使所述计算机执行以下步骤：
-接收测量的放射线图像的序列，其中测量的放射线图像示出了在施用造影剂之后的不同的、连续的时间点处的检查对象的检查区域，其中造影剂导致检查区域中的血管的对比度增强，其中测量的放射线图像中的血管的对比度增强随着时间的增加而降低；
-基于接收到的放射线图像来计算人工放射线图像的序列，其中人工放射线图像中的血管的对比度增强随着时间推移保持不变；
-输出人工放射线图像。
本发明还提供了造影剂在放射线检查方法中的用途，其中所述放射线检查方法包括以下步骤：
-将所述造影剂施用到检查对象的血管***的血管中；
-捕获检查对象的检查区域的放射线图像的序列，其中放射线图像示出了在施用造影剂之后的不同的、连续的时间点处的检查区域，其中造影剂导致检查区域中的血管的对比度增强，其中放射线图像中的血管的对比度增强随着时间的增加而降低；
-基于捕获到的放射线图像来计算人工放射线图像的序列，其中人工放射线图像中的血管的对比度增强随着时间推移保持不变；
-输出人工放射线图像。
本发明还提供了一种在放射线检查方法中所使用的造影剂，其中所述放射线检查方法包括以下步骤：
-将所述造影剂施用到检查对象的血管***的血管中；
-捕获检查对象的检查区域的放射线图像的序列，其中放射线图像示出了在施用造影剂之后的不同的、连续的时间点处的检查区域，其中造影剂导致检查区域中的血管的对比度增强，其中放射线图像中的血管的对比度增强随着时间的增加而降低；
-基于捕获到的放射线图像来计算人工放射线图像的序列，其中人工放射线图像中的血管的对比度增强随着时间推移保持不变；
-输出人工放射线图像。
本发明还提供了一种成套组件，包括造影剂以及根据本发明的计算机程序产品。
在从属权利要求中、本说明书中以及附图中找到本发明的进一步主题和本发明的优选实施方案。
以下在不区分本发明的主题(方法、计算机***、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***、计算机程序产品、用途、所使用的造影剂、成套组件)无关。
本发明生成了检查对象的检查区域的人工放射线图像的序列，其中人工放射线图像示出了在施用血池造影剂之后的检查区域，即使没有施用血池造影剂。换句话说：本发明基于检查区域的测量的放射线图像的序列仿真在施用血管内造影剂之后的检查区域的人工放射线图像的序列。换句话说：本发明基于示出检查对象的检查区域的放射线图像的序列来生成人工放射线图像的序列，该人工放射线图像的序列示出了如果已经施用了血池造影剂，检查区域将看起来如何。因此，放射科医生能够生成检查对象的检查区域的放射线图像的序列，在放射科医生没有施用这种血管内造影剂的情况下，这些图像看起来就像检查对象已经施用了血池造影剂。
因此，术语“在施用血管内造影剂之后的人工放射线图像”与术语“示出在施用血管内造影剂之后的检查区域看起来/将看起来如何的人工放射线图像”同义。
术语“图像”在本说明书中同时用于测量的和人工生成(计算)的检查区域的放射线描绘。
“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(检查区域)接受放射线检查。“检查区域”还被称为图像体积或视场(英语为：field of view，FOV)，尤其表示在放射线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。当然，也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。检查区域可以是或包括，例如，检查对象的肝脏或肝脏的一部分、肺或肺的一部分、心脏或心脏的一部分、主动脉或主动脉的一部分、腹部血管、腿部/盆腔血管、食道或食道的一部分、胃或胃的一部分、小肠或小肠的一部分、大肠或大肠的一部分、腹部或腹部的一部分、胰腺或胰腺的一部分和/或一些其他部分。
放射线检查优选地是MRT检查。因此，捕获的检查区域的至少一个(测量的)放射线图像优选地是MRT图像，并且至少一个人工生成的放射线图像同样是MRT图像。
在另一优选的实施方案中，放射线检查是CT检查；因此，在这个实施方案中，捕获的检查区域的至少一个(测量的)放射线图像是CT图像，并且至少一个人工生成的放射线图像同样是CT图像。
测量的放射线图像/通过测量生成的放射线图像和人工生成的放射线图像可以作为二维图像呈现，示出了穿过检查对象的剖面。放射线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。放射线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放射线图像的存在进行阐释，然而，并不希望将本发明限于二维放射线图像。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)。
通常情况下，测量的放射线图像以数字图像文件的形式出现。术语“数字”意味着放射线图像可以通过机器(通常是计算机***)进行处理。“处理”被理解为意指已知的电子数据处理(EDV)的方法。
数字图像文件可以以多种格式存在。例如，数字图像文件可以被编码为光栅图形(Rastergrafiken)。光栅图形由所谓的图片元素(像素)或体积元素(体素)的网格布置组成，在每种情况下，颜色或灰度值被指派给所述网格布置。因此，2D光栅图形的主要特征是图像大小(以像素为单位所测量的宽度和高度，还非正式地称为图像分辨率)以及颜色深度。颜色通常被指派给数字图像文件的图片元素。用于图片元素的颜色编码是根据颜色空间和颜色深度等因素来限定的。最简单的情况是二进制图像，其中一个图片元素存储一个黑白值。在图像的情况下，图像的颜色是以所谓的RGB颜色空间(RGB代表红、绿、蓝三原色)来限定的，每一图片元素由三个子像素组成，一个子像素代表红色，一个子像素代表绿色，一个子像素代表蓝色。图片元素的颜色是通过子像素的颜色值的叠加(加法混合)产生的。例如，一个子像素的颜色值可以被分为256个色差，这些色差被称为色调值，范围通常在0至255之间。每个颜色通道的色差“0”是最暗的。如果所有三个通道都具有色调值0，则相应的图片元素显示为黑色；如果所有三个通道都具有色调值255，则相应的图片元素显示为白色。当执行本发明时，数字图像文件(放射线图像)会经过某些操作。在这方面，这些操作主要影响图片元素，或个体图片元素的色调值。存在多种可能的数字图像格式和颜色编码。为简单起见，在本说明书中假定当前图像是具有特定数目的图片元素的灰度光栅图形，每个图片元素被指派一个指示图像灰度值的色调值。然而，这个假设并不以任何方式被理解为限制性的。对于图像处理领域的技术人员来说，很清楚的是，所述描述的教导如何适用于以其他图像格式存在和/或以不同方式对颜色值进行编码的图像文件。
在第一步骤中，接收测量的放射线图像的序列。所述测量的放射线图像可以是T1加权、T2加权和/或扩散加权的描绘和/或借助不同的图像采集序列生成的图像。
一个测量的放射线图像的序列包括至少两个放射线图像。
术语“序列”是指时间序列，即通过测量所生成的示出连续时间点处的检查区域的多个(至少两个)放射线图像。每个图像被指派一个时间点，或者每个图像可以被指派一个时间点。通常，所述时间点是生成图像的时间点(绝对时间)。然而，还可以设想为放射线图像指派任意时间点(例如，相对时间点)。
本领域的技术人员知道，放射线图像的生成需要一定量的时间。例如，一个图像可以被指派图像采集开始的时间点或图像采集完成的时间点。一个时间点可以将一个放射线图像关于另一放射线图像按时间顺序放置；一个放射线图像的时间点可以确定该放射线图像中所示出的时刻发生在另一放射线图像中所示出的时刻之前还是之后。优选地，放射线图像按时间顺序以这样的方式布置成一个序列，使得示出检查区域的较早状态的图像被布置在示出所述检查区域的较晚状态的那些图像之前。
优选地，在序列中紧接着的两个图像之间的时间跨度对于所述序列中紧接着的所有图像对是相同的，即，图像优选地以恒定的图像采集速率来生成。
优选地，测量的放射线图像的序列示出了在施用造影剂之后的不同的、连续的时间点处的检查对象的检查区域，其中造影剂导致检查区域的测量的放射线图像中的血管的对比度增强，其中测量的放射线图像中的血管的对比度增强随着时间的增加而降低。
序列还可以包括一个原始的放射线图像(原始图像)；这样的原始图像示出了没有施用造影剂时的检查区域。
施用的造影剂可以是细胞外和/或混合的细胞外/细胞内造影剂。在一个优选的实施方案中，造影剂是细胞外造影剂。在另一优选的实施方案中，造影剂是混合的细胞外/细胞内造影剂。在第一步骤中，可以在不施用造影剂的情况下捕获检查区域的至少一个第一放射线图像(原始图像)。检查对象(在另一步骤中)被施用造影剂。造影剂可以是MRT造影剂或CT造影剂。优选地，造影剂是细胞外MRT造影剂，例如钆布醇、钆特醇、钆特酸、钆喷酸和/或钆双胺。进一步的细胞外MRT造影剂已在文献中进行了描述(例如，参见Yu.Dong Xiao等人:MRI contrast agents:Classification and application(Review),InternationalJournal of Molecular Medicine 38:1326(2016))。
在替代的实施方案中，造影剂是混合的细胞外/细胞内MRT造影剂，例如Gd-EOB-DTPA
Figure BDA0003879683390000081
Mn-DPDP(mangafodipir)、Gd-BOPTA(钆贝葡胺)和/或Gd-DTPA中卟啉(钆弗林)。文献中还描述了进一步的混合的细胞外/细胞内MRT造影剂(例如，参见Yu.Dong Xiao等人:MRI contrast agents:Classification and application(Review),International Journal of Molecular Medicine 38:1326(2016))。
造影剂优选地被引入检查对象的血管中，例如引入臂静脉中。从那里，它随着血液沿着血液循环***移动。
“血液循环***”是由人类和大多数动物体内的血液所覆盖的路径。它是由心脏和血管网络(心血管***、血管***)形成的血液的流动***。
血管根据其结构和功能可分为多种类型：动脉在高压力和高流速下输送血液。由于它们，血液从心脏进入各种组织。从动脉分支出来的是小动脉，它们充当控制阀并具有强大的肌肉壁，可以收缩血管(血管收缩)或扩张血管(血管扩张)。它们进一步分支形成毛细血管，在血液和组织之间进行液体、营养物质、电解质、激素和其他物质的交换，并具有可渗透低分子量物质的薄血管壁。在一些器官(肝脏、脾脏)中，毛细血管变宽，内皮变得不连续；然后参考血窦。静脉仅具有薄薄的血管壁；它们从毛细血管收集血液，以将其供应给静脉，静脉将血液从***输送回心脏。细胞外造影剂在血液循环***中循环的时间段取决于检查对象、造影剂和施用量，同时它通过肾脏不断地从血液循环***中排出。
当造影剂在检查对象的血管***中扩散和/或循环时，至少一个血管***或其一部分的放射线图像被捕获。优选地，捕获位于检查区域中的血管***的一部分的至少一个放射线图像。可以捕获多个放射线图像，示出造影剂在血管***或其一部分中扩散的不同相(例如，分布相、动脉相、静脉相和/或类似相)。捕获多个图像允许在以后区分血管类型。
测量的放射线图像示出血管***或其一部分，特别是位于检查区域的部分，与周围组织相比具有对比度增强。优选地，至少一个第一放射线图像示出具有对比度增强的动脉(动脉相)，而至少一个第二放射线图像示出具有对比度增强的静脉(静脉相)。
测量的放射线图像被用作生成人工放射线图像的基础。优选地，人工放射线图像示出与测量的放射线图像相同的检查区域。如果在施用造影剂之后的不同时间点处捕获了检查区域的多个测量的放射线图像，那么后面的放射线图像特别示出血管与周围组织相比具有逐渐降低的对比度，因为造影剂正逐渐从血管中清除。相比之下，人工放射线图像示出血管与周围组织相比具有不变的高对比度。
测量的放射线图像被用作借助计算机***来生成人工放射线图像的基础。可以设想，从每个测量的放射线图像中恰好生成一个人工放射线图像，该人工放射线图像示出与测量的放射线图像相同的检查区域，并且该人工放射线图像示出与测量的放射线图像相同时间点处的检查区域，不同的是，对比度增强在测量的放射线图像中随着时间推移而降低，而在人工生成的放射线图像中保持不变(不降低)。
这可以通过不同的方式实现。
在一个优选的实施方案中，使用了预测模型。预测模型可以基于参考数据进行训练，以补偿随着时间推移而降低的血管的对比度增强。预测模型可以基于参考数据进行训练，以基于示出在施用细胞外或混合的细胞外/细胞内造影剂之后的检查对象的检查区域的测量的放射线图像的序列，来生成示出在施用血池造影剂之后的检查区域的人工放射线图像的序列。预测模型可以基于参考数据进行训练，以针对示出在施用造影剂之后的不同时间点处的检查区域中的血管的测量的放射线图像的序列，来生成人工放射线图像的序列，该人工放射线图像的序列示出检查区域中的血管与周围组织相比具有对比度增强并且具有随着时间推移不变的对比度。
用于训练和验证这种预测模型的参考数据通常包括在施用细胞外或混合的细胞外/细胞内造影剂之后的检查区域的测量的放射线图像。参考数据可以进一步包括在施用血池造影剂之后的检查区域的放射线图像。例如，这种参考数据可以在临床研究中被确定。例如，可用于这种临床研究的血管内造影剂是纳米氧化铁(Ferumoxytol)。纳米氧化铁是一种胶体铁-碳水化合物复合物，当无法进行口服治疗时，它已被授权用于慢性肾脏疾病中铁缺乏症的肠胃外治疗。纳米氧化铁被施用作为静脉内注射。纳米氧化铁可以以商品名
Figure BDA0003879683390000101
或
Figure BDA0003879683390000102
购得作为静脉内注射的溶液。铁-碳水化合物复合物示出超顺磁特性，因此可(标签外)用于MRT检查中的对比度增强(参见例如L.P.Smits等人：Evaluationof ultrasmall superparamagnetic iron-oxide(USPIO)enhanced MRI withferumoxytol to quantify arterial wall inflammation,Atherosclerosis 2017,263:211-218)。因此，本发明还提供了纳米氧化铁或另一已授权用于静脉内注射的可比的血池造影剂的用途，作为血池造影剂，用于基于在施用细胞外或混合的细胞外/细胞内造影剂之后的测量的放射线图像，生成用于预测在施用血池造影剂之后的人工放射线图像的训练数据集。还可以设想使用已经存在的在施用血管内造影剂之后的放射线图像作为训练数据，例如在仍可以购得
Figure BDA0003879683390000103
时。
然而，参考数据还可以包括人工生成的放射线图像，其中在测量的放射线图像中随着时间推移而降低的血管的对比度增强已经通过图像处理方法进行了随后补偿。这种图像处理方法是本领域技术人员已知的(例如，参见M.A.Joshi:Digital Image Processing-An Algorithmic Approach,PHI Learning Private Limited,2nd Edition 2018,ISBN:978-93-81472-58-7)。
预测模型可以在监督学习过程中进行训练，以学习测量的放射线图像与在施用血池造影剂之后的放射线图像或通过图像处理方法处理的图像之间的关系。然后，这种学习到的关系可用于为新的测量的放射线图像来计算人工放射线图像，所述人工放射线图像示出在施用血池造影剂之后的检查区域将看起来如何，尽管为测量的放射线图像施用了细胞外造影剂或混合的细胞外/细胞内造影剂：检查区域中的血管示出与周围组织相比随着时间推移不变的对比度。因此，预测模型被训练，以补偿测量的放射线图像中随着时间推移而降低的血管的对比度增强。
例如，所述预测模型可以是人工神经网络或包括这样的网络。
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测量的(数字)放射线图像作为输入值。通常，针对数字放射线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/或关于生成放射线图像时的当时条件的信息)。
在这样的网络中，输出神经元服务于输出(提供)所述人工放射线图像。
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。这使得可以使用被表示为矩阵(例如，宽度×高度×颜色通道)的数字放射线图像作为输入数据。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，即使用放射线图像作为输入，该放射线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放射线图像中的位置来辨识图像中的对象。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(多个放射线图像的时间序列)时，空间和时间可以被视为等效的维度，并且例如通过3D卷积处理。例如，这一点在由Baccouche等人的论文(参见，例如Sequential Deep Learning for Human Action Recognition；International Workshopon Human Behavior Understanding，Springer 2011，第29-39页)和Ji等人的论文(3DConvolutional Neural Networks for Human Action Recognition，IEEE Transactionson Pattern Analysis and 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(参见，例如Large-scale Video Classification with Convolutional Neural Networks；Proceedings of the IEEE conference on Computer Vision and PatternRecognition，2014年，第1725-1732页)和Simonyan&Zisserman的出版物(Two-streamConvolutional Networks for Action Recognition in Videos；Advances in NeuralInformation Processing Systems，2014年，第568-576页)中所描述的。
循环神经网络(RNN)是一系列人工神经网络，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身在未来时间点处的值的影响，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 Publishers 2018,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。这里关于网络的目标是将给定输入向量映射到给定输出向量的映射的最大可靠性。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测量的放射线图像与仿真在施用血池造影剂之后的放射线图像的人工生成的放射线图像之间的关系的信息。可以使用此信息来为至少一个新的测量的放射线图像预测至少一个人工放射线图像。
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(新)放射线图像的预测准确性。
然而，为了生成训练和验证数据集，未必需要施用血池造影剂。还可以设想，使用不同的造影剂，优选地细胞外造影剂，来生成训练数据集和验证数据集。造影剂，即使不是血池造影剂，也会在检查对象的血管***中停留一定时间。这段时间可能足以(基于测量的)捕获放射线图像，这些放射线图像示出检查区域，在该检查区域中，血管与周围组织相比具有高对比度。然后，在经过任何处理以补偿对比度增强随着时间推移的降低之后，这些捕获的图像可以被用于训练和验证预测模型。
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还可用于预测模型的训练和验证以及使用预测模型生成预测。
关于检查对象的信息的实施例是：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。这些例如还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实施例是：预先存在的条件、手术、部分切除、肝脏移植、铁肝、脂肪肝等。
优选地，预测模型被教导以区分不同的血管，例如，区分动脉和静脉。例如，这可以由放射科医生在用于训练的放射线图像中以不同方式标记各自的血管来完成。同样可以设想的是，预测模型在施用造影剂之后，基于放射线图像的序列中的动态变化，学习区分不同的血管。在以团注形式施用之后，造影剂不会立即以相同的浓度存在于所有的血管中，而是随着血液的流动从施用部位扩散到血管***中。根据施用部位的不同，因此首先通过的是动脉或静脉。因此，预测模型可以学会基于施用造影剂的动态行为来区分不同的血管。
还可以设想，在施用造影剂之后的不同时间点处捕获多个放射线图像，并将所述多个放射线图像组合起来，形成一个图像，其中血管示出与周围组织相比均匀的高对比度。
因此，还可以通过将多个测量的放射线图像相加来生成人工放射线图像，所述测量的放射线图像示出在施用造影剂之后的不同时间点处的检查区域。例如，可以设想，第一测量的放射线图像示出动脉相，而第二测量的放射线图像示出静脉相。这两个测量的放射线图像(以及可能的进一步的放射线图像)可以相加。所述相加可以逐个像素或逐个体素进行。例如，像素的灰度值可以相加(成对)。随后的标准化可以确保灰度值回到通常的范围内(例如，从0到255)。
如果检查对象在获取时间上连续的放射线图像期间没有移动，那么一个图像的像素或体素恰好对应于后面的图像和/或前面的图像的像素或体素：对应的像素或体素示出不同时间点处的相同检查区域。在这种情况下，可以通过利用成对对应的像素或体素进行本说明中所描述的数学运算来计算人工放射图像。如果检查对象确实在时间上连续的放射线图像之间移动了，在进行所描述的计算之前必须进行移动校正。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。
根据本发明生成的人工放射线图像可以在监视器上被显示、在打印机上被输出和/或被存储在数据存储介质中。
优选地，除了对应的测量的放射线图像或替代测量的放射线图像，人工放射线图像是自动生成并准实时输出(优选地显示)的。
还可以设想，基于测量的放射线图像生成血管模型。血管模型是检查对象或其一部分(优选的是检查区域)的数字表示，可归属于血管的结构已经在该表示中被标记，或可归属于血管的结构仅存在于该表示中。优选地，血管模型是三维表示，其中血管的空间走向已被标记/记录。优选地，不同类型的血管(例如动脉和静脉)已被不同地标记。
在一个优选的实施方案中，血管模型是基于至少一个测量的原始图像以及在施用造影剂之后的至少一个测量的放射线图像生成的。所述至少一个原始图像示出不具有造影剂的检查对象的检查区域。所述在施用造影剂之后的至少一个放射线图像优选地示出同一区域，该区域中的一些或所有血管表现出对比度增强。通过比较这两个图像，可以识别放射线图像中可归属于血管的结构。
血管模型可以通过从在施用造影剂之后的测量的放射线图像中减去原始图像并随后标准化来生成。所述减去优选地是逐个像素或逐个体素进行。例如，像素的灰度值可以被相互减去。随后的标准化可以确保灰度值回到通常的范围内(例如，从0到255)，并且没有负的灰度值。
如果在施用造影剂之后存在多个放射线图像示出造影剂在不同时间点处在血管中的扩散情况，就有可能识别不同的血管类型(如动脉和静脉)。这允许在血管模型中对血管类型进行区分和不同的标记。在这种情况下，血管模型还可以通过在施用扩散造影剂之后将多个测量的放射线图像相加并通过随后的标准化来生成。所述相加优选的是逐个像素或逐个体素进行。例如，像素的灰度值可以成对相加。随后的标准化确保灰度值回到通常的范围内(例如，从0到255)。
优选地，血管模型中不能归属于血管的结构被去除：例如，如果血管明亮地显示，那么灰度值低于一阈值的所有像素(或体素)可以被设置为灰度值零；相反，如果血管暗色地显示，那么灰度值高于一阈值的所有像素(或体素)可以被设置为最高灰度值(例如255)。通过这一程序，非源自血管的结构被减少(对比之下)或完全消除。
血管模型还可以通过其他分割方法从测量的放射线图像中获得。文献中广泛描述了分割方法。给出以下出版物作为实施例：F.Conversano等人：Hepatic VesselSegmentation for 3D Planning of Liver Surgery，Acad Radiol 2011，18:461-470；S.Moccia等人：Blood vessel segmentation algorithms-Review of methods,datasetsand evaluation metrics，Computer Methods and Programs in Biomedicine 158(2018)71-91；M.Marcan等人：Segmentation of hepatic vessels from MRT images forplanning of electroporation-based treatments in the liver，Radiol Oncol 2014；48(3):267-281；T.A.Hope等人：Improved of Gadoxetate Arterial Phase Capture Witha High Spatio-Temporal Resolution Multiphase Three-Dimensional SPGR-DixonSequence,Journal of Magnetic Resonance Imaging 38:938-945(2013)；WO2009/135923A1、US6754376B1、WO2014/162273A1、WO2017/139110A1、WO2007/053676A2、EP2750102A1)。
优选地，血管模型以与在施用造影剂之后的至少一个测量的放射线图像和/或至少一个原始放射线图像相同的数字(数据)格式存在。如果存在相同的数字格式，可以更容易地使用相关文件执行计算；特别是，可以更容易地从测量的放射线图像中生成血管模型。
血管模型可以直接使用并作为人工放射线图像输出。然而，还可以设想将一个或多个测量的放射线图像叠加在血管模型上，从而生成一个或多个人工放射线图像。例如，可以叠加原始图像，从而示出原始图像中的血管。优选地，不同的血管可以相互独立地淡入和淡出。类似地，在施用造影剂之后的至少一个测量的放射线图像还可以叠加在血管模型上。例如，如果要在肝脏的MRT检查中识别小的局灶性肝脏病变，则叠加在施用造影剂之后的放射线图像是有利的(例如，参见P.Bannas:Combined Gadoxetic Acid and GadofosvesetEnhanced Liver MRI:A Feasibility and Parameter Optimization Study,MagneticResonance in Medicine 75:318-328(2016))。在MRT图像中区分肝脏病变和血管结构是很困难的。这可以通过根据本发明的血池造影剂的仿真来补救。
当将血管模型叠加在至少一个测量的放射线图像上时，优选地考虑为不同类型的血管(例如，动脉和静脉)选择不同的颜色值(假彩色显示)。例如，在人工放射线图像中，可以通过第一颜色值(例如红色的颜色值)来标记动脉，通过第二颜色值(例如蓝色的颜色值)来标记静脉。
优选地，在血管模型中描绘血管的像素或体素可以连续淡入到至少一个测量的放射线图像中，例如通过(虚拟的)滑块，在淡入期间，因此生成的人工放射线图像中的对应的像素或体素越来越多地呈现血管模型的像素或体素的颜色值。同样可以设想的是，血管类型可以相互独立地淡入(例如，动脉独立于静脉和/或静脉独立于动脉)。还可以设想，可以选择打开和关闭源自血管或血管类型的结构，而不是将它们淡入，或者除了将它们淡入之外，还可以打开和关闭它们。
通过这种方式，放射科医生可以在测量的放射线图像中可视化血管或血管类型，从而能够在放射线图像中指派结构。
本发明和实施方案的进一步主题是：
1.一种计算机实施的方法，包括以下步骤：
-接收至少一个放射线图像，其中所述至少一个放射线图像示出检查对象的检查区域；
-基于所述至少一个放射线图像来计算至少一个人工放射线图像，其中与周围组织相比，所述至少一个人工放射线图像中的血管通过对比度增强来描绘；
-输出所述至少一个人工放射线图像。
2.根据上述实施方案1所述的方法，包括以下步骤：
-接收至少一个测量的放射线图像，其中所述至少一个测量的放射线图像示出检查对象的检查区域；
-将所述至少一个测量的放射线图像提供给预测模型，其中预测模型已经基于监督学习过程中的参考数据进行了训练，从而为示出检查对象的检查区域的至少一个测量的放射线图像生成至少一个人工放射线图像，其中所述至少一个人工放射线图像示出在施用血池造影剂之后的检查区域；
-从预测模型接收至少一个人工放射线图像，其中所述至少一个人工放射线图像示出在施用血池造影剂之后的检查区域；
-输出所述至少一个人工放射线图像。
3.根据上述实施方案1和2中任一项所述的方法，包括以下步骤：
-接收至少一个测量的放射线图像，其中所述至少一个测量的放射线图像是放射线图像或包括示出在施用造影剂之后的检查对象的检查区域的图像；
-将所述至少一个测量的放射线图像提供给预测模型，其中预测模型已经基于监督学习过程中的参考数据进行了训练，从而为示出在施用造影剂之后的检查对象的检查区域的至少一个测量的放射线图像生成至少一个人工放射线图像，其中所述至少一个人工放射线图像示出在施用血池造影剂之后的检查区域；
-从预测模型接收所述至少一个人工放射线图像，其中所述至少一个人工放射线图像示出在施用血池造影剂之后的检查区域；
-输出所述至少一个人工放射线图像。
4.根据上述实施方案1至3中任一项所述的方法，包括以下步骤：
-接收多个测量的放射线图像，其中所述放射线图像示出在施用造影剂之后的不同时间点处的检查区域；
-将所述多个测量的放射线图像提供给预测模型，其中预测模型已经基于监督学习过程中的参考数据进行了训练，从而为示出在施用造影剂之后的不同时间点处的检查区域的多个测量的放射线图像生成至少一个人工放射线图像，其中所述至少一个人工放射线图像示出检查区域中的血管与周围组织相比具有对比度增强并且具有随着时间推移不变的对比度；
-从预测模型接收所述至少一个人工放射线图像，其中所述至少一个人工放射线图像示出检查区域中的血管与周围组织相比具有对比度增强并且具有随着时间推移不变的对比度；
-输出所述至少一个人工放射线图像。
5.根据上述实施方案1至4中任一项所述的方法，包括以下步骤：
-接收多个测量的放射线图像，其中所述放射线图像示出在施用造影剂之后的不同时间点处的检查区域，其中与周围组织相比，检查区域中的血管通过对比度增强来描绘，其中对比度增强随着时间推移而降低；
-生成至少一个人工放射线图像，其中所述至少一个人工放射线图像示出相同的检查区域，其中与周围组织相比，检查区域中的血管通过对比度增强来描绘，其中对比度增强不随着时间推移而降低；
-输出所述至少一个人工放射线图像。
6.根据上述实施方案1至5中任一项所述的方法，包括以下步骤：
-接收多个测量的放射线图像，其中所述放射线图像示出在施用造影剂之后的不同时间点处的检查区域；
-通过将接收到的放射线图像相加来生成人工放射线图像；
-输出所述至少一个人工放射线图像。
7.根据上述实施方案1至6中任一项所述的方法，包括以下步骤：
-接收多个测量的放射线图像，其中所述放射线图像示出在施用造影剂之前和/或之后的不同时间点处的检查区域；
-从接收到的放射线图像来生成血管模型，其中血管模型是检查区域的表示，其中可归属于检查区域中的血管的结构已经在血管模型中被标记；
-通过在血管模型上叠加至少一个测量的放射线图像来生成至少一个人工放射线图像；
-输出所述至少一个人工放射线图像。
8.根据上述实施方案7所述的方法，其中将检查区域的原始放射线图像叠加在血管模型上。
9.根据上述实施方案7所述的方法，其中将检查区域的至少一个测量的放射线图像叠加在血管模型上，其中该至少一个测量的放射线图像示出在施用混合的细胞外/细胞内造影剂之后的检查区域，所述混合的细胞外/细胞内造影剂优选地是肝胆造影剂。
10.根据上述实施方案1至9中任一项所述的方法，其中所述至少一个人工放射线图像中的不同血管被不同地标记。
11.一种计算机***，包括：
-接收单元；
-控制和计算单元；和
-输出单元；
其中，控制和计算单元被配置为促使接收单元接收至少一个放射线图像，其中所述至少一个放射线图像示出检查对象的检查区域；
其中，控制和计算单元被配置为基于至少一个放射线图像来计算至少一个人工放射线图像，其中与周围组织相比，所述至少一个人工放射线图像中的血管通过对比度增强来描绘；
其中，控制和计算单元被配置为促使输出单元输出所述至少一个人工放射线图像。
12.根据上述实施方案11的计算机***，其中控制和计算单元被配置为促使接收单元接收检查对象的血管***或血管***的一部分的至少一个第一测量的放射线图像；
其中，控制和计算单元被配置为基于至少一个第一测量的放射线图像来生成该血管***或该血管***的一部分的模型；
其中，控制和计算单元被配置为促使接收单元接收检查对象的检查区域的至少一个第二测量的放射线图像；
其中，控制和计算单元被配置为通过将该血管***或该血管***的一部分的模型叠加到至少一个第二放射线图像上来生成至少一个第三放射线图像；
其中，控制和计算单元被配置为促使输出单元输出所述至少一个第三放射线图像。
13.一种计算机程序产品，包括计算机程序，所述计算机程序能被加载到计算机的存储器中，在所述计算机的存储器中，所述计算机程序促使所述计算机执行以下步骤：
-接收至少一个放射线图像，其中所述至少一个放射线图像示出检查对象的检查区域；
-基于至少一个放射线图像来计算至少一个人工放射线图像，其中与周围组织相比，所述至少一个人工放射线图像中的血管通过对比度增强来描绘；
-输出所述至少一个人工放射线图像。
14.造影剂在放射线检查方法中的用途，其中所述放射线检查方法包括以下步骤：
-将所述造影剂施用到检查对象的血管***的血管中；
-在施用造影剂之后，捕获所述血管***或所述血管***的一部分的至少一个放射线图像；
-基于所述至少一个放射线图像，生成所述血管***或所述血管***的一部分的模型；
-通过将所述血管***或所述血管***一部分的模型叠加在至少一个放射线图像上来生成至少一个人工放射线图像；
-输出所述至少一个人工放射线图像。
15.一种在放射线检查方法中所使用的造影剂，其中所述放射线检查方法包括以下步骤：
-将所述造影剂施用到检查对象的血管***的血管中；
-在施用造影剂之后，捕获所述血管***或所述血管***的一部分的至少一个放射线图像；
-基于所述至少一个放射线图像，生成所述血管***或所述血管***的一部分的模型；
-通过将所述血管***或所述血管***的一部分的模型叠加在至少一个放射线图像上来生成至少一个人工放射线图像；
-输出所述至少一个人工放射线图像。
16.一种成套组件，包括造影剂以及根据上述实施方案13的本发明的计算机程序产品。
下文将参照附图详细说明本发明，但无意将本发明限制于附图中所示的特征或特征的组合。
图1以示意形式并借助于实施例示出了根据本发明的计算机***的一个实施方案。该计算机***(10)包括接收单元(11)、控制和计算单元(12)以及输出单元(13)。
“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***。这样的***通常包括控制和计算单元以及***设备，所述控制和计算单元通常还被称为“计算机”，所述单元包括用于执行逻辑操作的处理器以及用于加载计算机程序的存储器。
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、操纵杆、驱动器、摄像机、麦克风、扬声器等。内部端口和扩展卡还被认为是计算机技术中的***设备。
现代计算机***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***都可以用于实施本发明。
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(例如，由用户控制)。输出是经由输出单元(13)实现的，它特别可以是显示器(屏幕)、打印机和/或数据存储介质。
根据本发明的计算机***(10)被配置为接收测量的放射线图像，并且基于接收到的放射线图像来生成(计算)人工放射线图像。
所述控制和计算单元(12)用于控制所述接收单元(11)，并且所述输出单元(13)协调多个单元之间的数据和信号流，处理放射线图像以及生成人工放射线图像。可以设想，存在多个控制和计算单元。
所述接收单元(11)用于接收放射线图像。所述放射线图像可以例如从磁共振成像***传输或者从计算机断层扫描***传输或者从数据存储介质读取。磁共振成像***或者计算机断层扫描***可以是根据本发明的计算机***的一个部件。然而，还可以设想，根据本发明的计算机***是磁共振成像***或计算机断层扫描***的一个部件。放射线图像可以通过网络连接或直接连接来传输。放射线图像可以经由无线电通信(WLAN、蓝牙、移动通信和/或类似)和/或经由电缆传输。可以设想，存在多个接收单元。数据存储介质也可以是根据本发明的计算机***的一个部件，或例如经由网络与其连接。可以设想，存在多个数据存储介质。
放射线图像可能是进一步的数据(例如，关于检查对象、图像采集参数和/或类似的信息)，由接收单元接收并传输到控制和计算单元。
控制和计算单元被配置为基于接收到的数据来生成人工放射线图像。
通过输出单元(13)，人工放射线图像可以被显示(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。可以设想，存在多个输出单元。
图2借助于实施例且以示意形式以流程图的形式示出了根据本发明的方法(100)或根据本发明的计算机程序产品执行的步骤的一个实施方案。
这些步骤是：
(110)接收测量的放射线图像的序列，其中测量的放射线图像示出了在施用造影剂之后的不同的、连续的时间点处的检查对象的检查区域，其中造影剂导致检查区域中的血管的对比度增强，其中测量的放射线图像中的血管的对比度增强随着时间的增加而降低；
(120)基于接收到的放射线图像来计算人工放射线图像的序列，其中人工放射线图像中的血管的对比度增强随着时间推移保持不变；
(130)输出人工放射线图像。
图3以示例和示意形式以流程图的形式示出了根据本发明的方法(200)或根据本发明的计算机程序产品执行的步骤的一个优选的实施方案。
这些步骤是：
(210)接收测量的放射线图像的序列，其中测量的放射线图像示出了在施用造影剂之后的不同的、连续的时间点处的检查对象的检查区域，其中造影剂导致检查区域的测量的放射线图像中的血管的对比度增强，其中测量的放射线图像中的血管的对比度增强随着时间的增加而降低；
(220)将所述放射线图像提供给人工神经网络，其中所述人工神经网络已经基于监督学习过程中的参考数据进行了训练，以补偿放射线图像中随着时间推移而降低的血管的对比度增强；
(230)从人工神经网络接收计算的放射线图像的序列，其中所述计算的放射线图像示出不同的、连续的时间点处的检查区域，其中计算的放射线图像中的血管通过对比度增强来描绘，其中血管的对比度增强随着时间的增加而保持不变；
(240)输出计算的放射线图像。
图4(a)、图4(b)和图4(c)借助于实施例且以示意形式示出了在静脉内施用造影剂进入检查对象的臂静脉之后的肝脏的放射线图像。在图4(a)、图4(b)和图4(c)中，总是在不同的、连续的时间点处描绘了穿过肝脏(L)的相同截面。在图4(a)、图4(b)和图4(c)中输入的参考符号适用于全部图4(a)、图4(b)和图4(c)；仅为了清楚起见，它们每个只输入一次。
在图4(a)、图4(b)和图4(c)中，与周围组织(肝脏细胞)相比，动脉(A)和静脉(V)通过对比度增强来描绘。然而，从图4(a)到图4(b)再到图4(c)，对比度增强随着时间推移而降低。
图5借助于实施例且以示意形式示出了在预测模型(PM)的帮助下，基于测量的放射线图像来生成人工放射线图像。图5中描绘的肝脏的放射线图像(a)、(b)和(c)对应于图4(a)、4(b)和4(c)中描绘的肝脏的图像。所述测量的放射线图像(a)、(b)和(c)被提供给预测模型(PM)。预测模型从三个测量的放射线图像(a)、(b)和(c)来生成三个人工放射线图像(a‘)、(b‘)和(c‘)。虽然血管(动脉A和静脉V)的对比度增强在测量的放射线图像中随着时间推移而降低，但在人工生成的放射线图像中它随着时间推移而保持不变。
图6(a)、图6(b)和图6(c)借助于实施例且以示意形式示出了在静脉内施用造影剂进入检查对象的臂静脉之前(图6(a))和之后(图6(b)、图6(c))的肝脏的放射线图像。在图6(a)、图6(b)和图6(c)中，总是在不同的、连续的时间点处描绘了穿过肝脏(L)的相同截面。在图6(a)、图6(b)和图6(c)中输入的参考符号适用于全部图6(a)、图6(b)和图6(c)；仅为了清楚起见，它们每个只输入一次。
图6(a)示出了在静脉内使用造影剂之前穿过肝脏(L)的横截面。在图6(a)和图6(b)所描绘的时间点之间的一个时间点处，以团注形式静脉内施用造影剂。这经由图6(b)中的肝脏动脉(A)到达肝脏。因此，肝脏动脉通过信号增强来描绘(动脉相)。在图6(c)中描绘的时间点处，造影剂经由静脉到达肝脏(静脉相)。
因此，图6(a)是原始放射线图像，图6(b)是施用造影剂之后的第一放射线图像，图6(c)是施用造影剂之后的第二放射线图像。在图6(b)中，可以特别清楚地看到动脉，而在图6(c)中，可以特别清楚地看到静脉。
图7借助于实施例且以示意形式示出了在预测模型(PM)的帮助下，基于测量的放射线图像来生成人工放射线图像(AI)。预测模型(PM)已经进行训练，以针对示出检查对象的检查区域的至少一个测量的放射线图像，生成示出在施用血管内造影剂之后的检查区域的至少一个人工放射线图像。在本实施例中，来自图6(b)和图6(c)的放射线图像被提供给预测模型(PM)。预测模型然后自动地生成人工放射线图像(AI)。它示出了所有的血管(动脉A、静脉V)与周围组织相比具有对比度增强并且具有随着时间推移而不变的对比度。
图8借助于实施例且以示意形式示出了从测量的放射线图像来生成血管模型的过程。图8(a)、图8(b)和图8(c)与图6(a)、图6(b)和图6(c)相同。
图8(a)中的原始放射线图像与图8(b)中的放射线图像以及图8(c)中的放射线图像相结合，以形成血管模型(图8(d))。例如，这可以通过在第一步中生成图8(a)与图8(b)的差异图像(图8(b)－图8(a))来完成。在这种差异图像中，动脉(A)特别强烈地突出，而所有其他结构都退到背景中。在进一步的步骤中，可以生成图8(a)与图8(c)的差异图像(图8(c)－图8(a))。在这种差异图像中，静脉(V)特别强烈地突出，而所有其他结构都退到背景中。在进一步的步骤中，可以将生成的两张差异图像相结合，例如通过相加，以形成血管模型(图8(d))。优选地，在血管模型(图8(d))中对动脉和静脉进行不同的标记(在本示例中，静脉设置有水平的阴影线，而动脉设置有竖直的阴影线)。
图9借助于实施例且以示意形式示出了在静脉内施用肝胆造影剂进入检查对象的臂静脉之后的肝脏(L)的测量的放射线图像。所述肝胆造影剂被健康的肝脏细胞吸收。图9所示的放射线图像示出了肝脏在肝胆相的横截面，其中肝脏细胞已经吸收了造影剂。可以看到一个结构T，针对该结构，目前还不清楚所述结构是血管还是肿瘤。
图10借助于实施例且以示意形式示出了将血管模型叠加在测量的放射线图像上，以形成人工放射线图像。
图10(a)以横截面示出了肝脏(L)的测量的放射线图像。图10(a)与图9相同。图10(b)示出了血管模型。图10(b)与图8(d)相同。图10(c)示出人工放射线图像。在人工放射线图像的情况下，血管模型中那些可归属于血管的结构的像素取代了测量的放射线图像的对应的像素。在人工放射线图像中，可以很容易地看到哪些结构可归属于健康的肝脏细胞，哪些结构可归属于动脉(A)，哪些结构可归属于静脉(V)。此外，从人工放射线图像中可以看出，结构T不是血管。可以设想，存在肿瘤。

Claims (14)

1.一种计算机实施的方法，包括以下步骤：
-接收测量的放射线图像的序列，其中测量的放射线图像示出了在施用造影剂之后的不同的、连续的时间点处的检查对象的检查区域，其中造影剂导致检查区域中的血管的对比度增强，其中测量的放射线图像中的血管的对比度增强随着时间的增加而降低；
-基于接收到的放射线图像来计算人工放射线图像的序列，其中人工放射线图像中的血管的对比度增强随着时间推移保持不变；
-输出人工放射线图像。
2.根据权利要求1所述的方法，其中所述人工放射线图像的序列的计算包括以下步骤：
-将所述测量的放射线图像提供给预测模型，其中人工预测模型已经基于监督学习过程中的参考数据进行了训练，以补偿随着时间推移降低的血管的对比度增强；
-从预测模型接收人工放射线图像的序列，其中所述人工放射线图像示出不同的、连续的时间点处的检查区域，其中人工放射线图像中的血管通过对比度增强来描绘，其中人工放射线图像中的血管的对比度增强随着时间的增加保持不变。
3.根据权利要求1所述的方法，其中所述人工放射线图像的序列的计算包括以下步骤：
-将所述测量的放射线图像提供给预测模型，其中所述预测模型已经基于监督学习过程中的参考数据进行了训练，从而为测量的放射线图像的序列生成人工放射线图像的序列，该测量的放射线图像的序列示出在施用造影剂之后的检查对象的检查区域，其中所述人工放射线图像示出在施用血池造影剂之后的检查区域；
-从预测模型接收人工放射线图像的序列，其中人工放射线图像示出在施用血池造影剂之后的检查区域。
4.根据权利要求1所述的方法，其中所述人工放射线图像的序列的计算包括以下步骤；
-将所述测量的放射线图像提供给预测模型，其中所述预测模型已经基于监督学习过程中的参考数据进行了训练，从而为测量的放射线图像的序列生成人工放射线图像的序列，该测量的放射线图像的序列示出在施用造影剂之后的不同时间点处的检查区域，其中所述人工放射线图像示出检查区域中的血管与周围组织相比具有对比度增强并且具有随着时间推移不变的对比度；
-从预测模型接收所述人工放射线图像的序列，其中所述人工放射线图像示出检查区域中的血管与周围组织相比具有对比度增强并且具有随着时间推移不变的对比度。
5.根据权利要求1所述的方法，其中所述人工放射线图像的序列的计算包括以下步骤：
-从接收到的放射线图像生成血管模型，其中血管模型是检查区域的表示，其中能归属于检查区域中的血管的结构已经在血管模型中被标记；
-通过在血管模型上叠加接收到的放射线图像来生成人工放射线图像的序列。
6.根据权利要求1至5中任一项所述的方法，其中所施用的造影剂是细胞外造影剂或混合的细胞外/细胞内造影剂。
7.根据权利要求1至6中任一项所述的方法，其中所述测量的放射线图像是MRT图像。
8.根据权利要求1至7中任一项所述的方法，其中预测模型是人工神经网络。
9.根据权利要求1至8中任一项所述的方法，其中参考数据包括在施用细胞外造影剂之后的测量的放射线图像以及在施用血管内造影剂之后的测量的放射线图像和/或人工生成的放射线图像。
10.一种计算机***，包括：
-接收单元；
-控制和计算单元；和
-输出单元；
其中，控制和计算单元被配置为促使接收单元接收测量的放射线图像的序列，其中所述测量的放射线图像示出在施用造影剂之后的不同的、连续的时间点处的检查对象的检查区域，其中造影剂导致检查区域中的血管的对比度增强，其中测量的放射线图像中的血管的对比度增强随着时间的增加而降低；
其中，控制和计算单元被配置为基于测量的放射线图像来计算人工放射线图像的序列，其中人工放射线图像中的血管的对比度增强随着时间推移保持不变；
其中，控制和计算单元被配置为促使输出单元输出人工放射线图像。
11.一种计算机程序产品，包括计算机程序，所述计算机程序能被加载到计算机的存储器中，在所述计算机的存储器中，所述计算机程序促使所述计算机执行以下步骤：
-接收测量的放射线图像的序列，其中测量的放射线图像示出了在施用造影剂之后的不同的、连续的时间点处的检查对象的检查区域，其中造影剂导致检查区域中的血管的对比度增强，其中测量的放射线图像中的血管的对比度增强随着时间的增加而降低；
-基于接收到的放射线图像来计算人工放射线图像的序列，其中人工放射线图像中的血管的对比度增强随着时间推移保持不变；
-输出人工放射线图像。
12.造影剂在放射线检查方法中的用途，其中所述放射线检查方法包括以下步骤：
-将所述造影剂施用到检查对象的血管***的血管中；
-捕获检查对象的检查区域的放射线图像的序列，其中放射线图像示出在施用造影剂之后的不同的、连续的时间点处的检查区域，其中造影剂导致检查区域中的血管的对比度增强，其中放射线图像中的血管的对比度增强随着时间的增加而降低；
-基于捕获到的放射线图像来计算人工放射线图像的序列，其中人工放射线图像中的血管的对比度增强随着时间推移保持不变；
-输出人工放射线图像。
13.一种在放射线检查方法中所使用的造影剂，其中所述放射线检查方法包括以下步骤：
-将所述造影剂施用到检查对象的血管***的血管中；
-捕获检查对象的检查区域的放射线图像的序列，其中放射线图像示出了在施用造影剂之后的不同的、连续的时间点处的检查区域，其中造影剂导致检查区域中的血管的对比度增强，其中放射线图像中的血管的对比度增强随着时间的增加而降低；
-基于捕获到的放射线图像来计算人工放射线图像的序列，其中人工放射线图像中的血管的对比度增强随着时间推移保持不变；
-输出人工放射线图像。
14.一种成套组件，包括造影剂以及根据权利要求11的本发明的计算机程序产品。
CN202180027276.7A 2020-04-03 2021-03-25 生成放射线图像 Pending CN115398555A (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
EP20167879.4 2020-04-03
EP20167879 2020-04-03
EP20204511 2020-10-29
EP20204511.8 2020-10-29
PCT/EP2021/057689 WO2021197996A1 (de) 2020-04-03 2021-03-25 Erzeugen von radiologischen aufnahmen

Publications (1)

Publication Number Publication Date
CN115398555A true CN115398555A (zh) 2022-11-25

Family

ID=75143664

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180027276.7A Pending CN115398555A (zh) 2020-04-03 2021-03-25 生成放射线图像

Country Status (6)

Country Link
US (1) US20230147968A1 (zh)
EP (1) EP4128261A1 (zh)
JP (1) JP2023521640A (zh)
CN (1) CN115398555A (zh)
CA (1) CA3177210A1 (zh)
WO (1) WO2021197996A1 (zh)

Families Citing this family (8)

* 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
EP4031894B1 (de) 2019-09-18 2023-06-07 Bayer Aktiengesellschaft Vorhersage von mrt-aufnahmen durch ein mittels überwachten lernens trainiertes vorhersagemodell
EP4336513A1 (de) 2022-08-30 2024-03-13 Bayer Aktiengesellschaft Erzeugen von synthetischen radiologischen aufnahmen
WO2024046832A1 (de) * 2022-08-30 2024-03-07 Bayer Aktiengesellschaft Erzeugen von synthetischen radiologischen aufnahmen
WO2024046833A1 (de) 2022-08-30 2024-03-07 Bayer Aktiengesellschaft Erzeugen von synthetischen radiologischen aufnahmen
WO2024046831A1 (de) * 2022-08-30 2024-03-07 Bayer Aktiengesellschaft Erzeugen von synthetischen radiologischen aufnahmen
EP4369353A1 (de) * 2022-11-12 2024-05-15 Bayer Aktiengesellschaft Erzeugung von künstlichen kontrastmittelverstärkten radiologischen aufnahmen

Family Cites Families (17)

* 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
US6754376B1 (en) 2000-11-22 2004-06-22 General Electric Company Method for automatic segmentation of medical images
US7221408B2 (en) * 2003-08-15 2007-05-22 Samsung Electronics Co., Ltd. Adaptive contrast enhancement method for video signals based on time-varying nonlinear transforms
US7853309B2 (en) * 2005-03-10 2010-12-14 Toshiba Medical Systems Corporation X-ray CT apparatus and myocardial perfusion image generating system
EP1780651A1 (en) * 2005-10-25 2007-05-02 Bracco Imaging, S.P.A. Method and system for automatic processing and evaluation of images, particularly diagnostic images
WO2007053676A2 (en) 2005-11-01 2007-05-10 Edda Technology, Inc. Method and system for liver lobe segmentation and pre-operative surgical planning
DE102007028660B3 (de) 2007-06-21 2009-01-29 Siemens Ag Verfahren zur Korrektur von Bewegungsartefakten bei der Aufnahme von MR-Bildern
US8428327B2 (en) 2008-05-08 2013-04-23 Oslo Universitetssykehus Hf Vessel segmentation in DCE MR imaging
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
EP2750102B1 (en) 2012-12-27 2023-03-15 General Electric Company Method, system and computer readable medium for liver analysis
CN105103191B (zh) 2013-04-03 2019-05-10 皇家飞利浦有限公司 血管分割
US20170016972A1 (en) 2015-07-13 2017-01-19 Siemens Medical Solutions Usa, Inc. Fast Prospective Motion Correction For MR Imaging
EP3322997A1 (en) 2015-07-15 2018-05-23 Koninklijke Philips N.V. Mr imaging with motion detection
US9786058B2 (en) 2016-02-08 2017-10-10 Sony Corporation Method and system for segmentation of vascular structure in a volumetric image dataset
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
EP3616620A1 (en) * 2018-08-28 2020-03-04 Koninklijke Philips N.V. Spectral dual-layer ct-guided interventions

Also Published As

Publication number Publication date
WO2021197996A1 (de) 2021-10-07
CA3177210A1 (en) 2021-10-07
JP2023521640A (ja) 2023-05-25
EP4128261A1 (de) 2023-02-08
US20230147968A1 (en) 2023-05-11

Similar Documents

Publication Publication Date Title
US20230147968A1 (en) Generation of radiological images
CN113329688B (zh) 用于确定组织体素的特征的方法、***和计算机可读介质
US11727571B2 (en) Forecast of MRI images by means of a forecast model trained by supervised learning
US20230218223A1 (en) Generation of mri images of the liver
US20220409145A1 (en) Generation of mri images of the liver without contrast enhancement
US20230120273A1 (en) Acceleration of mri examinations
CN110852993B (zh) 一种造影剂作用下的成像方法与设备
US20240153163A1 (en) Machine learning in the field of contrast-enhanced radiology
CN117083629A (zh) 对比度增强放射学领域中的机器学习
US20240225448A1 (en) Characterising lesions in the liver using dynamic contrast-enhanced magnetic resonance tomography
EP4210069A1 (en) Synthetic contrast-enhanced ct images
Larsson Aortic Segmentation in Real-Time Flow Exercise Cardiac Magnetic Resonance Images using Convolutional Neural Networks

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