CN117083629A - 对比度增强放射学领域中的机器学习 - Google Patents
对比度增强放射学领域中的机器学习 Download PDFInfo
- Publication number
- CN117083629A CN117083629A CN202180096431.0A CN202180096431A CN117083629A CN 117083629 A CN117083629 A CN 117083629A CN 202180096431 A CN202180096431 A CN 202180096431A CN 117083629 A CN117083629 A CN 117083629A
- Authority
- CN
- China
- Prior art keywords
- characterizations
- examination
- examination region
- contrast agent
- time span
- 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
- 238000010801 machine learning Methods 0.000 title abstract description 9
- 238000012512 characterization method Methods 0.000 claims description 344
- 239000002872 contrast media Substances 0.000 claims description 229
- 238000000034 method Methods 0.000 claims description 64
- 230000002829 reductive effect Effects 0.000 claims description 35
- 230000009466 transformation Effects 0.000 claims description 20
- 238000002595 magnetic resonance imaging Methods 0.000 claims description 16
- 230000001131 transforming effect Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 230000003190 augmentative effect Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 description 56
- 210000004185 liver Anatomy 0.000 description 47
- 210000005229 liver cell Anatomy 0.000 description 21
- 210000004204 blood vessel Anatomy 0.000 description 20
- 238000007689 inspection Methods 0.000 description 17
- 239000000126 substance Substances 0.000 description 16
- 238000005259 measurement Methods 0.000 description 13
- 229910052688 Gadolinium Inorganic materials 0.000 description 12
- 230000003902 lesion Effects 0.000 description 12
- UIWYJDYFSGRHKR-UHFFFAOYSA-N gadolinium atom Chemical compound [Gd] UIWYJDYFSGRHKR-UHFFFAOYSA-N 0.000 description 11
- 230000005298 paramagnetic effect Effects 0.000 description 11
- 210000001519 tissue Anatomy 0.000 description 11
- 238000002591 computed tomography Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 238000003384 imaging method Methods 0.000 description 10
- 230000002792 vascular Effects 0.000 description 10
- 210000003462 vein Anatomy 0.000 description 10
- 210000002767 hepatic artery Anatomy 0.000 description 9
- 230000005291 magnetic effect Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 239000008280 blood Substances 0.000 description 8
- 210000004369 blood Anatomy 0.000 description 8
- 230000017531 blood circulation Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 7
- 210000004072 lung Anatomy 0.000 description 7
- 238000009792 diffusion process Methods 0.000 description 6
- 210000002989 hepatic vein Anatomy 0.000 description 6
- 210000005228 liver tissue Anatomy 0.000 description 6
- 238000010200 validation analysis Methods 0.000 description 6
- 206010028980 Neoplasm Diseases 0.000 description 5
- 210000001367 artery Anatomy 0.000 description 5
- 230000037396 body weight Effects 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000013500 data storage Methods 0.000 description 5
- 230000002440 hepatic effect Effects 0.000 description 5
- 230000003834 intracellular effect Effects 0.000 description 5
- 230000005415 magnetization Effects 0.000 description 5
- 210000000056 organ Anatomy 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 5
- QXNVGIXVLWOKEQ-UHFFFAOYSA-N Disodium Chemical compound [Na][Na] QXNVGIXVLWOKEQ-UHFFFAOYSA-N 0.000 description 4
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- SLYTULCOCGSBBJ-FCQHKQNSSA-I disodium;2-[[(2s)-2-[bis(carboxylatomethyl)amino]-3-(4-ethoxyphenyl)propyl]-[2-[bis(carboxylatomethyl)amino]ethyl]amino]acetate;gadolinium(3+) Chemical compound [Na+].[Na+].[Gd+3].CCOC1=CC=C(C[C@@H](CN(CCN(CC([O-])=O)CC([O-])=O)CC([O-])=O)N(CC([O-])=O)CC([O-])=O)C=C1 SLYTULCOCGSBBJ-FCQHKQNSSA-I 0.000 description 4
- 238000013535 dynamic contrast enhanced MRI Methods 0.000 description 4
- 229960005191 ferric oxide Drugs 0.000 description 4
- GFSTXYOTEVLASN-UHFFFAOYSA-K gadoteric acid Chemical compound [Gd+3].OC(=O)CN1CCN(CC([O-])=O)CCN(CC([O-])=O)CCN(CC([O-])=O)CC1 GFSTXYOTEVLASN-UHFFFAOYSA-K 0.000 description 4
- 206010073071 hepatocellular carcinoma Diseases 0.000 description 4
- 238000010253 intravenous injection Methods 0.000 description 4
- UQSXHKLRYXJYBZ-UHFFFAOYSA-N iron oxide Inorganic materials [Fe]=O UQSXHKLRYXJYBZ-UHFFFAOYSA-N 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 210000004738 parenchymal cell Anatomy 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000011282 treatment Methods 0.000 description 4
- MXZROTBGJUUXID-UHFFFAOYSA-I [Gd+3].[O-]C(=O)CN(CC([O-])=O)CCN(CC(=O)[O-])CCN(CC([O-])=O)C(C([O-])=O)COCC1=CC=CC=C1 Chemical compound [Gd+3].[O-]C(=O)CN(CC([O-])=O)CCN(CC(=O)[O-])CCN(CC([O-])=O)C(C([O-])=O)COCC1=CC=CC=C1 MXZROTBGJUUXID-UHFFFAOYSA-I 0.000 description 3
- 239000013543 active substance Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 239000003795 chemical substances by application Substances 0.000 description 3
- SLYTULCOCGSBBJ-UHFFFAOYSA-I disodium;2-[[2-[bis(carboxylatomethyl)amino]-3-(4-ethoxyphenyl)propyl]-[2-[bis(carboxylatomethyl)amino]ethyl]amino]acetate;gadolinium(3+) Chemical compound [Na+].[Na+].[Gd+3].CCOC1=CC=C(CC(CN(CCN(CC([O-])=O)CC([O-])=O)CC([O-])=O)N(CC([O-])=O)CC([O-])=O)C=C1 SLYTULCOCGSBBJ-UHFFFAOYSA-I 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 210000003494 hepatocyte Anatomy 0.000 description 3
- 238000002347 injection Methods 0.000 description 3
- 239000007924 injection Substances 0.000 description 3
- 210000002364 input neuron Anatomy 0.000 description 3
- WTFXARWRTYJXII-UHFFFAOYSA-N iron(2+);iron(3+);oxygen(2-) Chemical compound [O-2].[O-2].[O-2].[O-2].[Fe+2].[Fe+3].[Fe+3] WTFXARWRTYJXII-UHFFFAOYSA-N 0.000 description 3
- 210000003734 kidney Anatomy 0.000 description 3
- 210000004205 output neuron Anatomy 0.000 description 3
- 238000012552 review Methods 0.000 description 3
- 238000003325 tomography Methods 0.000 description 3
- 238000012285 ultrasound imaging Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 208000004057 Focal Nodular Hyperplasia Diseases 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 2
- 102000007562 Serum Albumin Human genes 0.000 description 2
- 108010071390 Serum Albumin Proteins 0.000 description 2
- 230000036770 blood supply Effects 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 229940039231 contrast media Drugs 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000003748 differential diagnosis Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- -1 gadolinium ions Chemical class 0.000 description 2
- 229960003823 gadoteric acid Drugs 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 231100000844 hepatocellular carcinoma Toxicity 0.000 description 2
- 238000001990 intravenous administration Methods 0.000 description 2
- 229910052742 iron Inorganic materials 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000001394 metastastic effect Effects 0.000 description 2
- 206010061289 metastatic neoplasm Diseases 0.000 description 2
- 229940031182 nanoparticles iron oxide Drugs 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 210000003240 portal vein Anatomy 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000029058 respiratory gaseous exchange Effects 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- 230000001225 therapeutic effect Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- PCZHWPSNPWAQNF-LMOVPXPDSA-K 2-[[(2s)-2-[bis(carboxylatomethyl)amino]-3-(4-ethoxyphenyl)propyl]-[2-[bis(carboxylatomethyl)amino]ethyl]amino]acetate;gadolinium(3+);hydron Chemical compound [Gd+3].CCOC1=CC=C(C[C@@H](CN(CCN(CC(O)=O)CC([O-])=O)CC([O-])=O)N(CC(O)=O)CC([O-])=O)C=C1 PCZHWPSNPWAQNF-LMOVPXPDSA-K 0.000 description 1
- ZCYVEMRRCGMTRW-UHFFFAOYSA-N 7553-56-2 Chemical compound [I] ZCYVEMRRCGMTRW-UHFFFAOYSA-N 0.000 description 1
- 206010067484 Adverse reaction Diseases 0.000 description 1
- 241000415078 Anemone hepatica Species 0.000 description 1
- 201000001320 Atherosclerosis Diseases 0.000 description 1
- 208000004930 Fatty Liver Diseases 0.000 description 1
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 206010019708 Hepatic steatosis Diseases 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 206010061218 Inflammation Diseases 0.000 description 1
- 206010022971 Iron Deficiencies Diseases 0.000 description 1
- 241000124008 Mammalia Species 0.000 description 1
- PWHULOQIROXLJO-UHFFFAOYSA-N Manganese Chemical compound [Mn] PWHULOQIROXLJO-UHFFFAOYSA-N 0.000 description 1
- 206010027336 Menstruation delayed Diseases 0.000 description 1
- 241000699666 Mus <mouse, genus> Species 0.000 description 1
- 241000699670 Mus sp. Species 0.000 description 1
- QPCDCPDFJACHGM-UHFFFAOYSA-N N,N-bis{2-[bis(carboxymethyl)amino]ethyl}glycine Chemical group OC(=O)CN(CC(O)=O)CCN(CC(=O)O)CCN(CC(O)=O)CC(O)=O QPCDCPDFJACHGM-UHFFFAOYSA-N 0.000 description 1
- 208000010378 Pulmonary Embolism Diseases 0.000 description 1
- 241000399119 Spio Species 0.000 description 1
- 238000008050 Total Bilirubin Reagent Methods 0.000 description 1
- RFTKDSUXTLVWOX-UHFFFAOYSA-N [Na].[Na].[Na].O Chemical compound [Na].[Na].[Na].O RFTKDSUXTLVWOX-UHFFFAOYSA-N 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006838 adverse reaction Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- 125000004429 atom Chemical group 0.000 description 1
- WQZGKKKJIJFFOK-VFUOTHLCSA-N beta-D-glucose Chemical compound OC[C@H]1O[C@@H](O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-VFUOTHLCSA-N 0.000 description 1
- 210000000941 bile Anatomy 0.000 description 1
- 230000000740 bleeding effect Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 210000000748 cardiovascular system Anatomy 0.000 description 1
- 239000013522 chelant Substances 0.000 description 1
- 208000020832 chronic kidney disease Diseases 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 208000031513 cyst Diseases 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 239000002961 echo contrast media Substances 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 238000004520 electroporation Methods 0.000 description 1
- 230000005281 excited state Effects 0.000 description 1
- 208000010706 fatty liver disease Diseases 0.000 description 1
- 210000003608 fece Anatomy 0.000 description 1
- 229940102709 ferumoxytol Drugs 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 229940096814 gadobenate dimeglumine Drugs 0.000 description 1
- OCDAWJYGVOLXGZ-VPVMAENOSA-K gadobenate dimeglumine Chemical group [Gd+3].CNC[C@H](O)[C@@H](O)[C@H](O)[C@H](O)CO.CNC[C@H](O)[C@@H](O)[C@H](O)[C@H](O)CO.OC(=O)CN(CC([O-])=O)CCN(CC([O-])=O)CCN(CC(O)=O)C(C([O-])=O)COCC1=CC=CC=C1 OCDAWJYGVOLXGZ-VPVMAENOSA-K 0.000 description 1
- 229940097926 gadoxetate Drugs 0.000 description 1
- 210000000232 gallbladder Anatomy 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 201000011066 hemangioma Diseases 0.000 description 1
- 125000004435 hydrogen atom Chemical group [H]* 0.000 description 1
- UCNNJGDEJXIUCC-UHFFFAOYSA-L hydroxy(oxo)iron;iron Chemical compound [Fe].O[Fe]=O.O[Fe]=O UCNNJGDEJXIUCC-UHFFFAOYSA-L 0.000 description 1
- 239000012216 imaging agent Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004054 inflammatory process Effects 0.000 description 1
- 239000011630 iodine Substances 0.000 description 1
- 229910052740 iodine Inorganic materials 0.000 description 1
- OBACEDMBGYVZMP-UHFFFAOYSA-N iron platinum Chemical compound [Fe].[Fe].[Pt] OBACEDMBGYVZMP-UHFFFAOYSA-N 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 229910052748 manganese Inorganic materials 0.000 description 1
- 239000011572 manganese Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000001404 mediated effect Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- NDLPOXTZKUMGOV-UHFFFAOYSA-N oxo(oxoferriooxy)iron hydrate Chemical compound O.O=[Fe]O[Fe]=O NDLPOXTZKUMGOV-UHFFFAOYSA-N 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000010412 perfusion Effects 0.000 description 1
- BULVZWIRKLYCBC-UHFFFAOYSA-N phorate Chemical compound CCOP(=S)(OCC)SCSCC BULVZWIRKLYCBC-UHFFFAOYSA-N 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 230000036387 respiratory rate Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 231100000240 steatosis hepatitis Toxicity 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000002054 transplantation Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及通过机器学习方法来生成人工对比度增强的放射图像的技术领域。
Description
本发明涉及借助于机器学习方法来生成人工对比度增强的放射图像的技术领域。
放射学是医学领域，涉及用于诊断和治疗目的的成像。
X射线以及对X射线敏感的胶片先前主要用于医学成像，而当今的放射学包括多种不同的成像方法，诸如例如计算机断层扫描(CT)、磁共振成像(MRT)或超声波成像。
对于所有这些方法，可利用一些物质来帮助描绘或界定检查对象中的某些结构。所述物质被称为造影剂。
在计算机断层扫描中，通常使用含碘溶液作为造影剂。在磁共振成像(MRT)中，通常使用超顺磁性物质(例如氧化铁纳米颗粒、超顺磁性铁铂颗粒(SIPPs))或顺磁性物质(例如钆螯合物、锰螯合物)作为造影剂。
根据造影剂在组织中的扩散模式，它们可被大致分为以下几类：细胞外造影剂、细胞内造影剂以及血管内造影剂。
细胞外MRT造影剂包括，例如钆螯合物、钆布醇钆特罗钆特酸/>钆喷酸葡胺/>和钆双胺等。所述钆螯合物的高亲水性及其低分子量使得在静脉注射之后，迅速地扩散到间隙空间。在血液循环***中循环相对较短的一段时间之后，它们会通过肾脏被***。
细胞内造影剂会在一定程度上被组织细胞摄取，然后被***。
基于钆塞酸的细胞内MRT造影剂例如的特点在于，它们会以特定比例被肝脏细胞(肝实质细胞)摄取，在功能组织(实质)中积聚，增强健康肝脏组织的对比度，随后它们会通过胆囊被***到粪便中。基于钆塞酸的造影剂的实施例在US6,039,931A中进行了描述；它们可以例如以商品名或/>购得。肝实质细胞摄取率较低的另外的MRT造影剂是钆贝葡胺/>
//>的对比度增强效果通过稳定的钆络合物Gd-EOB-DTPA(钆塞酸二钠)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。
与细胞外造影剂相比，血管内造影剂的特点在于在血液循环***中的停留时间明显更长。例如，钆磷维塞是一种基于钆的血管内MRT造影剂。它以一水三钠盐的形式被使用。它与血清白蛋白结合，从而实现造影剂在血液循环***中的长停留时间(在血液中的半衰期为约17小时)。
存在多种放射检查，其中为病人施用造影剂，且借助于成像方法来跟踪造影剂在体内的动态扩散。可被提及的一个实施例是，借助于动态对比度增强磁共振成像对局灶性肝脏病变进行检测和鉴别诊断。
可被用于检测肝脏中的肿瘤。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。在以团注形式静脉注射造影剂之后，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。
除了恶性肿瘤以外，肝脏中经常发现的是良性病变，诸如囊肿、血管瘤以及局灶性结节增生(FNH)。恰当的治疗计划要求将这些良性病变与恶性肿瘤进行区分。可被用于鉴别良性与恶性局灶性肝脏病变。通过T1加权MRT，提供了关于所述病变的特征的信息。通过利用肝脏与肿瘤的不同血液供应以及对比度增强的时间剖面线来实现区分。
通过所实现的对比度增强可被分为至少两个时期：动态期(包括所谓的动脉期、门静脉期和晚期)以及肝胆期(在肝胆期中，已经发生了肝实质细胞对的显著摄取)。
在分配期由所实现的对比度增强的实例中，观察到的是提供用于表征病变的信息的典型的灌注模式。描绘血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MRT图像的实例中，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，而不含肝实质细胞或仅含有少量肝实质细胞的病变，例如转移或中度至低分化的肝细胞癌(HCCs)则显示为较暗的区域。
因而，跟踪造影剂在动态期和肝胆期随时间的扩散为局灶性肝脏病变的检测和鉴别诊断提供了良好的可能性；然而，检查延续相对长的时间跨度。在所述时间跨度期间，应很大程度上避免患者的移动，从而使MRT图像中的移动伪影最小化。长时间的移动限制对患者而言可能是不舒服的。
本发明解决了此问题以及其他问题。本发明提供的装置使得能够合成生成一个或多个放射图像。所合成生成的放射图像借助于机器学习模型、基于示出所测量的放射图像的对比度增强随时间改变的时间序列进行预测。这具有的优势是，由于无需测量所有对诊断重要的放射图像，放射检查可被加快；可基于所测量的放射图像来预测(计算)一个或多个放射图像；因此检查时间可被缩短。此外，对放射图像的预测是在频率空间中(而非如通常那样，在真实空间中)完成的。结果，可在检查区域的放射表征中将对比度信息与细节信息分离，从而使训练和预测限定于对比度信息，之后在预测之后重新引入所述细节信息。此程序降低了例如计算复杂性。此外，在频率空间中操作意味着对图像对准缺陷具有较高的容限。
在第一方面，本发明提供了一种计算机实施的方法，包括以下步骤：
-接收检查对象的检查区域在频率空间中的多个第一表征，其中所述第一表征中的至少一些表示在施用造影剂之后的第一时间跨度期间的检查区域，
-将多个第一表征馈送至预测模型，其中所述预测模型已经基于多个检查对象的检查区域的第一参考表征以及第二参考表征进行了训练，从而根据所述第一参考表征来生成一个或多个第二参考表征，其中所述第一参考表征中的至少一些表示在施用造影剂之后的第一时间跨度期间的频率空间中的检查区域，所述一个或多个第二参考表征表示第二时间跨度期间的频率空间中的检查区域，
-从所述预测模型接收检查区域在频率空间中的一个或多个预测表征，其中所述一个或多个预测表征表示在第二时间跨度期间的检查区域，
-将所述一个或多个预测表征变换为检查区域在真实空间中的一个或多个表征，
-输出和/或存储检查区域在所述真实空间中的一个或多个表征。
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，以及
·输出单元，
其中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检查区域在频率空间中的多个第一表征，其中所述第一表征中的至少一些表示在施用造影剂之后的第一时间跨度期间的检查区域，
-将所述多个第一表征馈送至预测模型，其中所述预测模型已经基于多个检查对象的检查区域的第一参考表征以及第二参考表征进行了训练，从而根据所述第一参考表征来生成一个或多个第二参考表征，所述第一参考表征中的至少一些表示在施用造影剂之后的第一时间跨度期间的频率空间中的检查区域，所述一个或多个第二参考表征表示第二时间跨度期间的频率空间中的检查区域，
-从所述预测模型接收检查区域在频率空间中的一个或多个预测表征，其中所述一个或多个预测表征表示第二时间跨度期间的检查区域，
-将所述一个或多个预测表征变换为检查区域在真实空间中的一个或多个表征，
-促使所述输出单元输出和/或存储检查区域在所述真实空间中的一个或多个表征。
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***的内存中，其中所述计算机程序促使所述计算机***执行以下步骤：
-接收检查对象的检查区域在频率空间中的多个第一表征，其中所述第一表征中的至少一些表示在施用造影剂之后的第一时间跨度期间的检查区域，
-将所述多个第一表征馈送至预测模型，其中所述预测模型已经基于多个检查对象的检查区域的第一参考表征以及第二参考表征进行了训练，从而根据所述第一参考表征来生成一个或多个第二参考表征，所述第一参考表征中的至少一些表示在施用造影剂之后的第一时间跨度期间的频率空间中的检查区域，所述一个或多个第二参考表征表示第二时间跨度期间的频率空间中的检查区域，
-从所述预测模型接收检查区域在频率空间中的一个或多个预测表征，其中所述一个或多个预测表征表示第二时间跨度期间的检查区域，
-将所述一个或多个预测表征变换为检查区域在真实空间中的一个或多个表征，
-输出和/或存储检查区域在所述真实空间中的一个或多个表征。
本发明还提供了造影剂在用于预测至少一个放射图像的方法中的用途，其中所述方法包括以下步骤：
-生成检查对象的检查区域在频率空间中的多个第一表征，其中所述第一表征中的至少一些表示在施用造影剂之后的第一时间跨度期间的检查区域，
-将所述多个第一表征馈送至预测模型，其中所述预测模型已经基于多个检查对象的检查区域的第一参考表征以及第二参考表征进行了训练，从而根据所述第一参考表征来生成一个或多个第二参考表征，所述第一参考表征中的至少一些表示在施用造影剂之后的第一时间跨度期间的频率空间中的检查区域，所述一个或多个第二参考表征表示第二时间跨度期间的频率空间中的检查区域，
-从所述预测模型接收检查区域在频率空间中的一个或多个预测表征，其中所述一个或多个预测表征表示第二时间跨度期间的检查区域，
-将所述一个或多个预测表征变换为检查区域在真实空间中的一个或多个表征，
-输出和/或存储检查区域在所述真实空间中的一个或多个表征。
还提供的是在用于预测至少一个放射图像的方法中所使用的造影剂，其中所述方法包括以下步骤：
-施用造影剂，其中所述造影剂在检查对象的检查区域中扩散，
-生成检查对象的检查区域在频率空间中的多个第一表征，其中所述第一表征中的至少一些表示在施用造影剂之后的第一时间跨度期间的检查区域，
-将所述多个第一表征馈送至预测模型，其中所述预测模型已经基于多个检查对象的检查区域的第一参考表征以及第二参考表征进行了训练，从而根据所述第一参考表征来生成一个或多个第二参考表征，所述第一参考表征中的至少一些表示在施用造影剂之后的第一时间跨度期间的频率空间中的检查区域，所述一个或多个第二参考表征表示第二时间跨度期间的频率空间中的检查区域，
-从所述预测模型接收检查区域在频率空间中的一个或多个预测表征，其中所述一个或多个预测表征表示第二时间跨度期间的检查区域，
-将所述一个或多个预测表征变换为检查区域在真实空间中的一个或多个表征，
-输出和/或存储检查区域在所述真实空间中的一个或多个表征。
还提供的是一种成套组件，包括根据本发明的造影剂和计算机程序。
以下在不对本发明的主题(方法、计算机***、计算机程序、用途、所使用的造影剂、成套组件)进行区分的情况下，对本发明作更具体地阐释。相反，以下阐释旨在类似地应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、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，这就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，所陈述的顺序可以是优选的实施方案。
本发明使得可以缩短对检查对象进行放射检查的时间跨度。
“检查对象”通常是活体，优选地是哺乳动物，特别优选地是人类。
“检查区域”通常是检查对象的部分，例如是器官或器官部分。“检查区域”还被称为图像体积(英语为：field of view(视场)，FOV)，特别地是放射图像中所成像的体积。检查区域通常由放射科医生确定，例如在概览图像(英语为：localizer(***))上。当然，检查区域还可以替代地或附加地例如基于选定的协议而被自动地限定。
术语“放射检查”被理解为意指允许借助于电磁射线、粒子辐射或机械波来深入了解检查对象，以达到诊断、治疗和/或科研目的的所有成像方法。在本发明的上下文中，术语“放射学”特别地包含以下检查方法：计算机断层扫描、磁共振成像、超声波成像、正电子发射断层扫描、超声心动描记术、闪烁扫描术。
在本发明的一个优选实施方案中，放射检查是磁共振成像检查。
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，且可以通过随后的逆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。
在放射检查中，造影剂通常被用于增强对比度。
“造影剂”是物质或物质的混合，在诸如X射线诊断、磁共振成像和超声波成像的成像方法中用于改善对人体的结构和功能的描绘。
造影剂的实施例可在文献中找到(参见例如，A.S.L.Jascinth等人：ContrastAgents in computed tomography:A Review，Journal of Applied Dental and MedicalSciences，2016，第2卷，第2期，143-149；H.Lusic等人：X-ray-Computed TomographyContrast Agents，Chem.Rev，2013，113，3，1641-166；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，2017年9月28日，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，第3卷，第1期，1-10；ACR Manual on Contrast Media，2020，ISBN：978-1-55903-012-0；A.Ignee等人：Ultrasound contrast agents，Endosc Ultrasound，2016年11至12月，5(6)，355-362)。
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。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。超顺磁性造影剂的一个实施例是氧化铁纳米颗粒(SPIO，英文为：superparamagnetic iron oxide(超顺磁性氧化铁))。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：等)、钆特酸/>钆双胺/>钆特醇/>和钆布醇/>
借助于本发明，可以预测检查区域的一个或多个合成放射图像。所述预测借助于预测模型完成。
预测模型是计算机辅助模型，所述计算机辅助模型被配置为基于检查对象的检查区域在频率空间中的多个第一表征，来预测检查对象的检查区域在频率空间中的一个或多个第二表征。所述多个第一表征中的至少一些表征表示在施用造影剂之后的第一时间跨度期间的检查区域。所述至少一个第二表征表示第二时间跨度期间的检查区域。
术语“多个”意味着数量为至少两个。用于预测的所述多个第一表征通常不超过十个。
所述第二时间跨度可在所述第一时间跨度之前，或者在所述第一时间跨度之后。可设想，所述时间跨度至少部分地重叠，或者一个时间跨度在另一时间跨度之内。
图1(a)、图1(b)、图1(c)和图1(d)仅用于示例目的。图1(a)、图1(b)、图1(c)和图1(d)分别描绘了时间线。限定的时间点被标记在时间线上。时间点t0表示对检查对象施用造影剂的时间点。虚线框示出检查对象经受放射检查的时间跨度，即，例如检查对象在磁共振成像***或计算机断层扫描***中所停留的时间。
图1(a)示意性地例示了放射检查的典型概况。检查对象被引入至断层扫描仪中。在时间点t-1处，检查对象位于断层扫描仪中。在时间点t-1处，生成第一放射图像，即，生成检查对象的检查区域的表征。在所述时间点(t-1)处，尚未向检查对象施用造影剂，即表征是无造影剂(原始)表征。在时间点t0，向位于断层扫描仪中的检查对象施用造影剂。在时间点t1、t2和t3处生成检查对象的进一步表征。之后，检查对象离开断层扫描仪。检查对象位于断层扫描仪中一个相对长的时间跨度Tt。在此时间期间，基于测量结果生成了检查区域的四个表征。
图1(b)示意性地例示了根据本发明的放射检查的概况。检查对象被引入至断层扫描仪中。在时间点t-1处，检查对象位于断层扫描仪中。在时间点t-1处，生成检查物体的检查区域的第一表征。在所述时间点(t-1)处，尚未对检查对象施用造影剂，即表征是无造影剂(原始)表征。在时间点t0处，向位于断层扫描仪中的检查对象施用造影剂。在时间点t1和t2处，生成检查对象的进一步表征。之后，检查对象离开断层扫描仪。在图1(b)所示的概况实例中，对基于图1(a)的实例中在时间点t3处的测量结果生成的表征进行预测(计算)。检查对象位于断层扫描仪中一个时间跨度Ta，所述时间跨度Ta短于图1(a)中的时间跨度Tt。因此，在图1(b)的实例中，放射检查的持续时间没有图1(a)的实例中的持续时间长，因此检查对象更舒适；然而，在这两种情况下所生成的都是检查区域的表征，表示在时间点t-1、t1、t2和t3处的检查区域。基于时间点t-1、t1和t2处的测量结果所生成的表征是本发明上下文中的检查对象的检查区域的第一表征，其中至少一些表示在施用造影剂之后的第一时间跨度期间的检查区域，也就是时间点t1、t2和t3处的表征；在时间点t-1处的表征表示在施用造影剂之前的一个时间跨度中的检查区域。在时间点t3处的表征是由根据本发明的预测模型基于表征t-1、t1和t2来预测的。它表示第二时间跨度期间的检查区域，在图1(b)的实例中，所述第二时间跨度在第一时间跨度之后。
图1(c)示意性地例示了根据本发明的放射检查的另一概况。在时间点t0处，对检查对象施用造影剂。在所述时间点(t0)处，检查对象尚未位于断层扫描仪中。仅在施用造影剂之后，检查对象才被引入断层扫描仪。在时间点t1、t2和t3(在施用造影剂之后的第一时间跨度中)处，生成检查对象的检查区域的表征。这些表示在施用造影剂之后的第一时间跨度中的检查区域。在时间点t3处生成表征之后，检查对象能够离开断层扫描仪；放射检查结束。根据时间点t1、t2和t3处的表征，可以预测时间点t-1处的表征。时间点t-1处的表征表示在第二时间跨度期间的检查区域，所述第二时间跨度在第一时间跨度之前。检查对象位于断层扫描仪中一个时间跨度Tb，所述时间跨度Tb短于图1(a)中的时间跨度Tt。因此，在图1(c)的实例中，放射检查的持续时间没有图1(a)的实例中的持续时间长，因此检查对象更舒适；然而，在这两个实例中所生成的都是检查区域的表征，表示在时间点t-1、t1、t2和t3的检查区域。
图1(d)示意性地例示了根据本发明的放射检查的另一概况。此实施例旨在明确本发明并不限于单次施用造影剂。例如，可设想，存在两次或多次的施用。在单次施用的实例中，也不必施用相同的造影剂；替代地，可施用不同的造影剂。在时间点t0处，向检查对象施用(第一)造影剂。在所述时间点(t0)处，检查对象尚未位于断层扫描仪中。仅在已施用造影剂之后，检查物体才被引入断层扫描仪中。在时间点t2处，生成检查对象的检查区域的第一表征。在时间点t2处的表征表示在施用(第一)造影剂之后的第一时间跨度中的检查区域。在时间点t3处，施用(第二)造影剂。在所述时间点(t3)处，检查对象位于断层扫描仪中。在施用(第二)造影剂之后，生成了检查区域的两个进一步的表征，一个是在时间点t4处的表征，另一是在时间点t2处的表征。在时间点t2、t4和t5处所生成的表征是表示在施用造影剂之后的第一时间跨度期间的检查区域的表征。这些表征可被用于预测在时间点t-1处的检查区域的表征和/或在时间点t1处的检查区域的表征。在时间点t-1和t1处的检查区域的表征表示在第二时间跨度期间的检查区域，所述第二时间跨度在第一时间跨度之前。
将图1(b)、图1(c)和图1(d)所示的概况的组合以及其他概况/变体同样是可能的。
在本发明的一个优选实施方案中，第一时间跨度在施用造影剂之前或在施用造影剂时开始。在所生成的检查区域的一个或多个表征示出未施用造影剂的检查区域(原始图像)时是有利的，因为放射科医生已经能够从这样的图像中获得关于检查对象的健康状况的重要信息。例如，放射科医生能够识别原始MRT图像中的出血。
为了使根据本发明的预测模型能够进行本文所描述的预测，必须事先对该预测模型适当地进行配置。
在此，术语“预测”意指，表示检查区域在频率空间中在第二时间跨度期间的检查区域的至少一个表征是使用检查区域在频率空间中的多个第一表征来计算的，其中多个第一表征中的至少一些表示在施用造影剂之后的第一时间跨度期间的检查区域。
在监督式机器学习过程中，预测模型优选地借助于自学习算法而被创建(被配置、被训练)。训练数据被用于学习。对于多个检查对象中的每个检查对象而言，所述训练数据包括检查区域的多个表征。对于所有检查对象而言，检查区域通常是相同的(例如，人体的一部分，或器官，或者器官的一部分)。在本说明书中，训练数据集的表征还被称为参考表征。术语“多个”的意味着优选地多于10个，甚至更优选地多于100个。
对于每个检查对象，训练数据包括：i)检查区域在频率空间中的多个第一参考表征，所述第一参考表征中的至少一些表示在施用造影剂之后的第一时间跨度期间的检查区域；以及，ii)检查区域在频率空间中的、表示第二时间跨度期间的检查区域的一个或多个第二参考表示。
预测模型被训练，从而根据多个第一参考表征来预测(计算)每个检查对象的一个或多个第二参考表征。
在机器学习过程中，自学习算法会生成基于训练数据的统计模型。这意味着，实施例不是简单地死记，而是使算法能“识别”训练数据中的模式和规律。因此，所述预测模型还可评估未知数据。验证数据可被用于测试所述未知数据的评估质量。
预测模型可借助于监督学习(英语为：supervised learning)被训练，即向算法分别地连续展示成对的数据集(第一表征以及第二表征)。随后，算法会学习第一表征与第二表征之间的关系。
现有技术中广泛地描述了借助于监督学习所训练的自学习***(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，预测模型是人工神经网络或包含这样的人工神经网络。
人工神经网络包括至少三层处理元件：带有输入神经元(节点)的第一层、带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是大于2的自然数。
输入神经元用于接收第一表征。输出神经元用于针对多个第一表征输出一个或多个第二表征。
输入神经元与输出神经元之间的层的处理元件以预定的模式彼此连接，带有预定的连接权重。
优选地，人工神经网络是所谓的卷积神经网络(简称：CNN)。
卷积神经网络能够处理呈矩阵形式的输入数据。CNN基本上包括交替重复的过滤层(卷积层)以及聚合层(池化层)，最后包括一层或多层“普通的”全连接的神经元(密集/全连接层)。
神经网络的训练可例如借助于反向传播方法执行。在此，网络的目的是，使给定输入数据至给定输出数据的映射的可靠性最大化。映射质量由损失函数(英语为：lossfunction)描述。目标是使损失函数最小化。在反向传播方法的情况下，通过更改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第一表征与一个或多个第二表征之间的关系的信息，所述信息可被用于针对新的多个第一表征(例如，新的检查对象的新的多个第一表征)，预测示出检查区域在第二时间跨区期间的一个或多个第二表征，其中所述新的多个第一表征中的至少一些示出在施用造影剂之后的第一时间跨度期间的检查区域。
可以使用交叉验证方法，以将数据划分为训练数据集与验证数据集。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被应用于未知数据的预测的精确性。
构建和训练人工神经网络的更多细节可从现有技术中收集(参见例如：S.Khan等人：A Guide to Convolutional Neural Networks for Computer Vision，Morgan&Claypool Publishers 2018,ISBN 1681730227,9781681730226，WO2018/183044A1，WO2018/200493,WO2019/074938A1，WO2019/204406A1，WO2019/241659A1)。
优选地，预测模型是生成式对抗网络(GAN)(参见例如：http://3dgan.csail.mit.edu/)。
除表征之外，关于检查对象、检查区域、检查条件和/或放射检查方法的其他信息也能够被用于训练、验证和预测。
关于检查对象的信息的实施例为：性别、年龄、体重、身高、病史、药物性质、药物持续时间和药物摄入量、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。所述关于检查对象的信息例如还可以从数据库或病人电子档案中读取。
关于检查区域的信息的实施例为：既往病史、手术、局部切除、肝移植、铁肝、脂肪肝等。
如上文所述，用于训练、验证和预测的检查区域的表征是检查区域在频率空间(还被称为空间频率空间或傅里叶空间或频域或傅里叶表征)中的表征。
在磁共振成像中，由于上文描述的测量方法，原始数据通常作为所谓的k空间数据而出现。所述k空间数据是检查区域在频率空间中的描绘，即这些k空间数据可被用于训练、验证和预测。如果存在真实空间中的表征，则这些真实空间中的表征可例如通过傅里叶变换而被转换(被变换)为频率空间中的表征；相反地：频率空间中的表征可例如通过逆傅里叶变换而被转换(被变换)为真实空间中的表征。
因此，如果检查区域的放射图像以真实空间中的二维图像的形式存在，则检查区域的此表征可通过2D傅里叶变换而被转换为检查区域在频率空间中的二维表征。
检查区域的三维图像(体积描绘)可被视为是二维图像的堆叠。此外，可设想，三维图像借助于3D傅里叶变换而被转换为检查区域在频率空间中的三维表征。
还可设想，使用不同于傅里叶变换的变换来将真实空间表征转换为频率空间表征。这种变换必须满足的三个主要特性如下：
a)存在明确的逆变换(真实空间描绘与频率空间描绘之间存在明确的联系)，
b)对比度信息的位置，
c)对缺陷图像对准的鲁棒性。
关于从一种描绘变换为另一种描绘的细节在许多教科书和出版物都进行了描述(参见例如：W.Burger,M.J.Burge:Digital Image Processing:An AlgorithmicIntroduction Using Java，Texts in Computer Science，第2版，Springer-Verlag，2016，ISBN:9781447166849；W.Birkfellner：Applied Medical Image Processing,第2版：ABasic Course，Verlag Taylor&Francis，2014，ISBN：9781466555570；R.Bracewell：Fourier Analysis and Imaging，Verlag Springer Science&Business Media，2004，ISBN：9780306481871)。
图2示意性地和示例性地示出了检查区域在真实空间以及频率空间中的表征之间的联系。
图2描绘了时间线。在三个不同的时间点t1、t2和t3处，基于测量结果来生成检查区域的表征。所述检查区域是人的肺部。在时间点t1处生成第一表征。此可以是检查区域(肺部)在真实空间中的表征(O1)，或者可以是检查区域(肺部)在频率空间中的表征(F1)。检查区域在真实空间中的表征(O1)可通过傅里叶变换FT而被转换为检查区域在频率空间中的表征(F1)。检查区域在频率空间中的表征(F1)可通过逆傅里叶变换iFT而被转换为检查区域在真实空间中的表征(O1)。两个表征(O1)和(F1)包括关于检查区域的相同信息，仅仅是以不同的描绘。在时间点t2处生成另一表征。此可以是检查区域(肺部)在真实空间中的表征(O2)，或者可以是检查区域(肺部)在频率空间中的表征(F2)。检查区域在真实空间中的表征(O2)可通过傅里叶变换FT而被转换为检查区域在频率空间中的表征(F2)。检查区域在频率空间中的表征(F2)可通过逆傅里叶变换iFT而被转换为检查区域在真实空间中的表征(O2)。两个表征(O2)和(F2)包括关于检查区域的相同信息，仅仅是以不同的描绘。在时间点t3处生成另一表征。此可以是检查区域(肺部)在真实空间中的表征(O3)，或者可以是检查区域(肺部)在频率空间中的表征(F3)。检查区域在真实空间中的表征(O3)可通过傅里叶变换FT而被转换为检查区域在频率空间中的表征(F3)。检查区域在频率空间中的表征(F3)可通过逆傅里叶变换iFT而被转换为检查区域在真实空间中的表征(O3)。两个表征(O3)和(F3)包含关于检查区域的相同信息，仅仅是以不同的描绘。
检查区域在真实空间中的表征(O1)、(O2)和(O3)是人们所熟悉的表征；它们可被人们立即理解。表征(O1)、(O2)和(O3)示出了造影剂如何在静脉中动态地扩散。表征(F1)、(F2)和(F3)包含相同的信息，只是对人们而言更难理解。
图3示意性和示例性地示出了如图2中所生成的检查区域在频率空间中的表征(F1)、(F2)和(F3)如何可被用于训练预测模型(PM)。表征(F1)、(F2)和(F3)构成检查对象的训练数据集。通过使用多个检查对象的多个训练数据集来完成训练。
表征(F1)和(F2)是检查区域在频率空间中的多个(在本实例中为两个)第一参考表征，所述多个第一表征中的至少一些表示在施用造影剂之后的第一时间跨度期间的检查区域。表征(F3)是检查区域在频率空间中的第二参考表征，表示在第二时间跨度期间的检查区域。在图3中，预测模型被训练为根据检查区域在频率空间中的表征(F1)和(F2)来预测检查区域在频率空间中的表征(F3)。表征(F1)和(F2)被输入到预测模型(PM)中，且所述预测模型根据表征(F1)和(F2)来计算表征(F3*)。星号(*)表示表征(F3*)是预测表征。将所计算的表征(F3*)与表征(F3)进行比较。所述偏差可在反向传播方法中被用于训练预测模型，从而将偏差减小至限定的最小值。如果所述预测模型已经基于多个检查对象的多个训练数据集被训练，且如果预测已经达到了限定的精确度，则经训练的预测模型可被用于预测。这在图4中被示例性和示意性地描述。
图4示出了在图3中所训练的预测模型(PM)。所述预测模型被用于基于检查区域在频率空间中的多个第一表征来生成检查区域在频率空间中的一个或多个第二表征，所述多个第一表征中的至少一些表示在施用造影剂之后的第一时间跨度中的检查区域，所述一个或多个第二表征表示在第二时间跨度中的检查区域。
在本实施例中，将检查区域在频率空间中的两个表征以及/>输入至预测模型中，且所述预测模型生成(计算)第三表征/>波浪符(～)表示是新的检查对象的表征，在所述新的检查对象的表征中通常不存在在训练预测模型的训练方法中所使用的表征。星号(*)表示表征/>是预测表征。检查区域在频率空间中的表征/>可例如通过逆傅里叶变换iFT而被转换为检查区域在真实空间中的表征/>
相比于使用检查区域在真实空间(还称为图像空间)中的表征，使用检查区域在频率空间中的表征具有优势。当使用检查区域在频率空间中的表征时，可以将对于训练和预测重要的对比度信息与细节信息(微小结构)进行分离。因此，在训练的情况下，可专注于待由预测模型所学习的信息，而在预测的情况下，可专注于待由预测模型所预测的信息：对比度信息。
然而，检查区域在真实空间中的表征的对比度信息(每个像素/体素固有地携带关于对比度的信息)通常分布在整个表征中，检查区域在频率空间中的表征的对比度信息则被编码在频率空间的中心及其周围。换句话说：频率空间中的表征的低频率决定着对比度，而高频率包含微小结构的信息。
因此，可分离出对比度信息，从而将训练和预测局限于对比度信息，且在训练/预测之后重新引入关于微小结构的信息。
在一个优选实施方案中，根据本发明的方法包括以下步骤：
-接收检查对象的检查区域在频率空间中多个第一表征，其中所述第一表征中的至少一些表示在施用造影剂之后的第一时间跨度期间的检查区域，
-在所述第一表征中指定一个区域，其中所指定的区域包括所述频率空间的中心，
-将所述第一表征缩减至所指定的区域，其中获得多个经缩减的第一表征，
-将多个经缩减的第一表征馈送至预测模型，
-从所述预测模型接收检查区域在频率空间中的一个或多个第二表征，其中所述一个或多个第二表征表示第二时间跨度期间的检查区域，
-通过所接收的第一表征中的位于所指定的区域以外的一个或多个区域来增补所述一个或多个第二表征，其中获得一个或多个经增补的第二表征，
-将一个或多个经增补的第二表征变换为检查区域在真实空间中的一个或多个表征，
-输出和/或存储检查区域在所述真实空间中的一个或多个表征。
在第一表征中指定所述区域例如可通过如下方式来实现：根据本发明的计算机***的用户将一个或多个参数输入至根据本发明的计算机***中，和/或从限定所述区域的形状和/或尺寸的列表中进行选择。然而，还可设想，所述指定是例如由根据本发明的计算机***自动地执行的，所述计算机***被适当地配置为在检查区域的表征中选择一个预定区域。
所指定的区域通常小于由第一表征所填充的频率空间，但是在任何情况下都包括频率空间的中心。
包括频率空间的中心(还被称为原点或零点)的频率空间的区域包含与根据本发明的方法有关的对比度信息。如果所指定的区域小于由第一表征所填充的频率空间，则结果是后续预测的较低的计算复杂度(这还特别地适用于对预测模型的训练)。因此，区域尺寸的选择会对计算复杂度产生直接的影响。
原理上，还可指定对应于由第一表征所填充的整个频率空间的区域；在这种情况下，并未缩减为频率空间的子区域，且使计算复杂度最大化。
因此，通过指定频率空间的中心周围的区域，根据本发明的计算机***的用户可以自己决定他是希望检查区域在频率空间中的完整表征来形成训练和预测的基础，还是希望降低计算复杂度。在此，他可通过所指定的区域的尺寸来直接地影响所需的计算复杂度。
所指定的区域通常与频率空间具有相同的维度：在2D频率空间中的2D表征的实例中，所指定的区域通常是面积；在3D频率空间中的3D表征的实例中，所指定的区域通常是体积。
所指定的区域原理上可具有任何形状；因此，它例如可以是圆形的和/或有角的、凹形的和/或凸形的。优选地，在笛卡尔坐标系中的3D频率空间的实例中，区域是长方体形或立方体形，在笛卡尔坐标系中的2D频率空间的实例中，区域是长方形或正方形。然而，它还也可以为球体、环形或具有其他形状。
优选地，所指定的区域的几何重心与频率空间的中心重合。
将用于训练、验证和预测的表征缩减至所指定的区域。术语“缩减”在此意指将表征中的未位于所指定的区域以内的所有部分切除(丢弃)或者通过掩模覆盖。在掩模的情况下，位于所指定的区域以外的那些区域被掩模覆盖，结果是仅所指定的区域保持未被覆盖；当用掩模覆盖时，对应的像素/体素的色值例如可被设置为零(黑色)。
由此所获得的表征在本说明书中还称为经缩减的表征。
将在缩减之后所获得的第一表征(经缩减的第一表征)馈送至预测模型：预测模型已事先在训练方法中被训练，以学习了造影剂的量对检查区域在频率空间中的表征的动态影响。训练优选地同样利用经缩减的表征(经缩减的第一表征以及经缩小的第二表征)。
因此，预测模型已经学习了造影剂对检查区域的表征的动态影像，且可应用此所学习的“知识”，从而基于(经缩减的)第一表征来预测一个或多个(经缩减的)第二表征。
一个或多个预测的第二表征表示在第二时间跨度期间的频率空间中的检查区域。
预测模型基于(经缩减的)第一表征来计算且输出所述一个或多个预测的第二表征。
如果已经基于经缩减的第一表征生成了至少一个预测的第二表征，则之后重新添加先前丢弃(切除或用掩模覆盖)的部分是合适的，从而在最终人工生成的图像中尽可能地不失去关于微小结构的信息。
为了重新使用先前丢弃(切除或用掩模覆盖)的部分，至少一个预测的第二表征可与至少一个所接收的第一表征叠加，使得至少一个预测的第二表征替换至少一个初始接收的第一表征的对应的叠加频率区域。优选地，预测的第二表征替换初始接收的第一表征中的、表示在未施加造影剂时的检查区域的对应频率区域。
替换叠加的频率区域对应于通过所接收的第一表征的频率空间中的、在将所述第一表征缩减为所指定的区域时省略的一个或多个区域进行增补。
换句话说：检查区域的至少一个预测的第二表征的频率空间通过至少一个初始接收的第一表征的那些区域填充，其中所述至少一个初始接收的第一表征大于所述预测的第二表征。
通过使用检查区域在频率空间中的表征，从而可以将对比度信息与细节信息区分离，将训练和预测限于对比度信息，且在训练和/或预测之后重新引入细节信息。如已经描述的，此程序降低了在训练、验证和预测期间的计算复杂度。
然而，相比于在真实空间操作，在频率空间中操作还具有另一优势：相比于真实空间，个体表征在频率空间中的配准不那么重要。“配准”(在现有技术中还被称为“图像对准”)是数字图像处理中的重要过程，且用于以可能最好的方式使同一场景或至少类似场景的两个或多个图像彼此相配。图像中的一个被限定为参考图像，而其他被称为目标图像。为了将所述目标图像与参考图像最优地匹配，计算补偿变换。待对准的图像彼此不同，因为它们是从不同的位置、不同的时间点和/或通过不同的传感器获取的。
在本发明的实例中，检查区域的多个第一表征的个体表征是：首先，在不同的时间点处生成的；其次，关于造影剂在检查区域中的含量以及造影剂在检查区域的扩散方面是不同的。
因此，相比于使用检查区域在真实空间中的表征，使用检查区域在频率空间中的表征具有的优势为：训练、验证和预测方法对图像对准中的误差的容限更高。换句话说：与真实空间中的表征未以像素/体素精度叠加相比，频率空间中的表征未以精度叠加会具有较少的影响。这是因为傅里叶变换的属性：如已经描述的，傅里叶变换图像的对比度信息总是映射在傅里叶空间的原点附近。图像空间(真实空间)中的翻转或旋转会导致图像信息(例如，可见结构)在变换之后被定位在图像的不同区域。然而，在傅里叶空间中，这些变换不会改变编码有与本发明相关的对比度信息的区域。
图5示例性和示意性地示出了根据本发明的一个优选实施方案的训练预测模型的步骤。
所接收的是检查对象在频率空间中的两个第一表征(F1)和(F2)，以及检查对象在频率空间中的第二表征(F3)。在表征(F1)、(F2)和(F3)中，在每种情况下都指定相同的区域A。区域A包括频率空间的中心，在本实例中为方形形状，该方形的几何重心与频率空间的中心重合。表征(F1)、(F2)和(F3)被缩减至对应所指定的区域A：结果是三个经缩减的表征(F1red)、(F2red)和(F3red)。经缩减的表征被用于进行训练。预测模型被训练为根据经缩减的表征(F1red)和(F2red)来预测经缩减的表征(F3red)。将经缩减的表征(F1red)和(F2red)馈送至预测模型(PM)，且所述预测模型计算经缩减的表征(F3*red)，所述经缩减的表征(F3*red)尽可能接近经缩减的表征(F3red)。
图6示例性和示意性地示出如何可将图5中所训练的预测模型用于预测。
在本实施例中，接收检查区域在频率空间中的两个第一表征以及/>且将它们分别缩减至指定的区域A。结果是两个经缩减的第一表征/>和/>将经缩减的第一表征/>以及/>馈送至经训练的预测模型(PM)。经训练的预测模型(PM)根据经缩减的第一表征/>以及/>来计算经缩减的第二表征在另一步中，经缩减的第二表征/>通过所接收的第一表征/>中的、在缩减所接收的第一表征/>时所丢弃的区域/>来进行增补。如所描述的，替代所接收的第一表征/>的部分，或除了所接收的第一表征/>的部分以外，还可将所接收的第二表征/>的部分添加至经缩减的第三表征/>
根据经增补的表征可以通过逆傅里叶变换来生成检查区域在真实空间中的表征/>
应注意，还可使用其他方法将频率空间描绘变换为真实空间描绘，例如迭代重构方法。
根据本发明的方法可借助于计算机***执行。本发明还提供了一种计算机***，所述计算机***被配置为(例如，借助于根据本发明的计算机程序)执行根据本发明的方法。
图7示意性和实例性地示出了根据本发明的计算机***的一个实施方案。计算机***(10)包括接收单元(11)、控制和计算单元(12)和输出单元(13)。
“计算机***”是一种借助于可编程计算法则来处理数据的电子数据处理***。这种***通常包括常被称为“计算机”的控制和计算单元，所述单元包括用于执行逻辑运算的处理器以及用于加载计算机程序的内存，且还包括***设备。
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。所述***设备的实施例是显示器(屏幕)、打印机、扫描仪、鼠标、键盘、操纵杆、驱动器、相机、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。
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。
通过输入装置，诸如通过键盘、鼠标、麦克风、触摸显示屏和/或其他装置实现对(例如，用户控制的)计算机***的输入。输出则通过输出单元(13)实现，输出单元尤其可以是显示器(屏幕)、打印机和/或数据储存介质。
根据本发明的计算机***(10)被配置为根据检查对象的检查区域在频率空间中的、表示在施用造影剂之后的第一时间跨度期间的检查区域的多个第一表征，来预测检查对象的检查区域在频率空间中的一个或多个第二表征，其中所述一个或多个第二表征表示在第二时间跨度期间的检查区域。
控制和计算单元(12)用于控制接收单元(11)和输出单元(13)，协调各个单元之间的数据和信号流、处理检查区域的表征且生成人工放射图像。可设想存在多个所述控制和计算单元。
接收单元(11)用于接收检查区域的表征。所述表征例如可从磁共振成像***传输，或从计算机断层扫描***传输，或从数据存储介质读取。所述磁共振成像***或计算机断层扫描***可以是根据本发明的计算机***的组件。然而，还可设想，根据本发明的计算机***是磁共振成像***或计算机断层扫描***的组件。表征可通过网络连接或通过直接连接被传输。表征可通过无线电通信(WLAN、蓝牙、移动通信和/或其他方式)和/或电缆被传输。可设想，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***的组件，或通过例如网络与根据本发明的计算机***连接。可设想存在多个数据存储介质。
接收单元接收所述表征以及可能的其他数据(诸如，例如关于检查对象的信息、图像采集参数和/或其他信息)，且将它们传输至控制和计算单元。
所述控制和计算单元被配置为基于所接收的数据来生成人工放射图像。
经由输出单元(13)，可以(例如，在监控器上)显示所述人工放射图像、(例如，经由打印机)输出所述人工放射图像和/或将所述人工放射图像存储至数据存储介质中。可设想存在多个输出单元。
图8以流程图的形式示例性地示出了根据本发明的用于训练预测模型的方法的一个优选实施方案。
所述方法(100)包括以下步骤：
(110)接收训练数据，其中对于多个检查对象中的每个检查对象，所述训练数据包括：i)检查区域在频率空间中的多个第一参考表征，所述多个第一参考表征的至少一部分表示在施用造影剂之后的第一时间跨度期间的检查区域；以及ii)检查区域在频率空间中的一个或多个第二参考表征，所述一个或多个第二参考表征表示第二时间跨度期间的检查区域，
(120)对于每个检查对象：将所述多个第一参考表征馈送至预测模型，其中所述预测模型被训练为基于所述多个第一参考表征来生成一个或多个第二参考表征，其中所述训练包括使损失函数最小化，其中所述损失函数对所生成的第二参考表征与一个或多个所接收的第二参考表征之间的偏差进行量化，
(130)输出和/或存储经训练的预测模型和/或将经训练的预测模型提供至用于预测新的检查对象的检查区域的一个或多个表征的方法。
图9以流程图的形式示例性地示出了根据本发明的用于训练预测模型的方法的另一优选实施方案。
所述方法(200)包括以下步骤：
(210)接收训练数据，其中对于多个检查对象中的每个检查对象，所述训练数据包括：i)检查区域在频率空间中的多个第一参考表征，所述多个第一参考表征的至少一部分表示在施用造影剂之后的第一时间跨度期间的检查区域；以及ii)检查区域在频率空间中的一个或多个第二参考表征，所述一个或多个第二参考表征表示第二时间跨度期间的检查区域，
(220)在所述第一参考表征中指定一个区域，其中所指定的区域包括频率空间的中心，
(230)将所述参考表征缩减至所指定的区域，其中获得每个检查对象的多个经缩减的第一参考表征以及一个或多个经缩减的第二参考表征，
(240)对于每个检查对象：将所述多个经缩减的第一参考表征馈送至预测模型，其中所述预测模型被训练为基于所述多个经缩减的第一参考表征来生成一个或多个经缩减的第二参考表征，其中所述训练包括使损失函数最小化，其中所述损失函数对所生成的经缩减的第二参考表征与训练数据的一个或多个经缩减的第二参考表征之间的偏差进行量化，
(250)输出和/或存储经训练的预测模型和/或将经训练的预测模型提供至用于预测新的检查对象的检查区域的一个或多个表征的方法。
图10以流程图的形式示例性地示出了根据本发明的用于预测一个或多个表征的方法的一个优选实施方案。
所述方法(300)包括以下步骤：
(310)提供预测模型，其中所述预测模型已根据上文所描述的方法(100)进行了训练，
(320)接收检查对象的检查区域在频率空间中的多个第一表征，其中所述第一表征的至少一部分表示在施用造影剂之后的第一时间跨度期间的检查区域，
(330)将所述多个第一表征馈送至预测模型，
(340)从所述预测模型接收检查区域在频率空间中的一个或多个预测表征，其中所述一个或多个预测表征表示在第二时间跨度期间的检查区域，
(350)将所述一个或多个预测表征变换为检查区域在真实空间中的一个或多个表征，
(360)输出和/或存储检查区域在所述真实空间中的一个或多个表征。
图11以流程图的形式示例性地示出了根据本发明的用于预测一个或多个表征的方法的另一优选实施方案。
所述方法(400)包括以下步骤：
(410)提供预测模型，其中所述预测模型已根据上文描述的方法(200)进行了训练，
(420)接收检查对象的检查区域在频率空间中的多个第一表征，其中所述第一表征的至少一部分表示在施用造影剂之后的第一时间跨度期间的检查区域，
(430)在所述第一表征中指定一个区域，其中所指定的区域包括频率空间的中心，
(440)将所述第一表征缩减至所指定的区域，其中获得多个经缩减的第一表征，
(450)将所述多个经缩减的第一表征馈送至预测模型，
(460)从所述预测模型接收检查区域在频率空间中的一个或多个第二表征，其中所述一个或多个第二表征表示第二时间跨度期间的检查区域，
(470)通过所接收的第一表征中的位于所指定的区域以外的一个或多个区域来增补所述一个或多个第二表征，其中获得一个或多个经增补的第二表征，
(480)将所述一个或多个经增补的第二表征变换为检查区域在真实空间中的一个或多个表征，
(490)输出和/或存储检查区域在所述真实空间中的一个或多个表征。
下面列出的是如何将本发明用于预测人工放射图像的几个实施例。
实施例1
在一个实施方案中，本发明用于对血管内造影剂(还被称为血池剂，英文为：bloodpool(contrast)agent)进行仿真。
在生成具有相对长的采集时间/扫描时间的放射图像时，例如在自由呼吸条件下的胸腹部的采集图像以描绘血管***(例如，在MRT中诊断自由呼吸条件下的肺栓塞)时，细胞外造影剂会相对快速地从血管***清除，这意味着对比度快速地下降。然而，能够在更长的时间段中维持对比度将是有优势的。
为了解决此问题，在第一步中生成/接收检查区域在频率空间中的多个第一表征，其中所述第一表征中的至少一些表示在施用造影剂之后的检查区域。
所施用的造影剂可以是细胞外造影剂和/或细胞内造影剂。
造影剂优选地被引入检查对象的血管(例如，手臂静脉)中，且使用的剂量基于体重。自此，造影剂与血液一起沿着血液循环***移动。
“血液循环***”是人以及大多数动物的身体中血液所行走的路径。它是由心脏以及血管网络(心血管***、血管***)所形成的血液的流动***。
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、造影剂以及施用量，同时造影剂经由肾脏不断地从血液循环***清除。
当造影剂在检查对象的血管***中扩散和/或循环时，捕获血管***或其部分的至少一个第一表征。可捕获多个第一表征，所述多个第一表征表示造影剂在血管***或其部分中扩散的不同时期(例如，分布期、动脉期、静脉期和/或其他期等)。捕获多个图像允许之后区分血管类型。
所测量的表征表示相对于周围组织具有对比度增强的血管***或其部分。优选地，至少一个表征示出了对比度增强的动脉(动脉期)，而至少另一表征示出了对比度增强的静脉(静脉期)。
基于所测量的表征来生成人工表征。人工表征优选地与所测量的表征示出相同的检查区域。如果在施用造影剂之后的不同时间点处捕获检查区域的多个测量图像，由于造影剂逐渐地从血管清除，后期的表征尤其地示出相对于周围组织具有逐渐下降的对比度的血管。相比之下，人工表征示出了相对于周围组织具有持续高的对比度的血管。
这是通过将所测量的表征馈入根据本发明的预测模型来实现的，所述预测模型已事先被训练，从而基于示出所测量的血管的对比度增强随时间变化的表征，来预测示出血管的对比度增强随时间恒定的多个表征。
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造影剂或细胞内造影剂之后所测量的检查区域的表征。参考数据还可包括在施用血池造影剂之后的检查区域的表征。这种参考数据可以例如在临床研究中被确定。可在这种临床研究中使用的血管内造影剂例如是纳米氧化铁。纳米氧化铁是胶状的铁-碳水复合物，所述纳米氧化铁已被授权用于在无法实行口服治疗的情况下，用于对慢性肾脏疾病的铁缺乏症进行肠外治疗。纳米氧化铁以静脉注射施用。纳米氧化铁是能以商品名为或/>购得的用于静脉注射的溶液。铁-碳水复合物示出超顺磁性，因此可被用于MRT检查中的对比度增强(非正规用途(off label))(参见例如，L.P.Smits等人：Evaluation of ultrasmallsuperparamagnetic iron-oxide(USPIO)enhanced MRI with ferumoxytol to quantifyarterial wall inflammation,Atherosclerosis 2017,263:211-218)。
类似地可设想，使用在施用血管内造影剂之后的表征作为训练数据。
类似地可设想，例如借助于基于第一表征的分割方法，合成生成示出检查区域中的血管具有随时间恒定的对比度增强的参考表征。分割方法在文献中被广泛描述。下面的出版物作为实施例给出：F.Conversano等人：Hepatic Vessel Segmentation for 3DPlanning of Liver Surgery，Acad Radiol 2011，18：461-470；S.Moccia等人：Bloodvessel segmentation algorithms-Review of methods，datasets and evaluationmetrics，Computer Methods and Programs in Biomedicine 158(2018)71-91；M.Marcan等人：Segmentation of hepatic vessels from MRI images for planning ofelectroporation-based treatments in the liver，Radiol Oncol 2014；48(3)：267-281；T.A.Hope等人：Improvement of Gadoxetate Arterial Phase Capture With a HighSpatio-Temporal Resolution Multiphase Three-Dimensional SPGR-Dixon Sequence，Journal ofMagnetic Resonance Imaging 38：938-945(2013)；WO2009/135923A1，US6754376B1，WO2014/162273A1，WO2017/139110A1，WO2007/053676A2，EP2750102A1)。
基于已经馈送了第一表征，经训练的预测模型之后生成第二表征，所述第二表征示出血管中随时间恒定的对比度增强。
实施例2
在一个优选实施方案中，本发明被用于生成(预测)动态对比度增强的磁共振成像中的一个或多个人工MRT图像。
在随后的文本中，术语“图像”被使用。在本发明的上下文中，“图像”是表征。图像可以是真实空间中的表征，或者频率空间中的表征。为了训练预测模型以及为了预测，总是利用频率空间中的表征；即，例如k空间数据。然而，如果基于测量结果来生成真实空间中的表征，则它们可例如借助于傅里叶变换而被转换为频率空间中的表征，之后将它们引入训练和/或预测。
检查区域被引入基本磁场。检查区域经受MRT方法，且在此过程中，生成多个MRT图像，所述MRT图像示出在第一时间跨度期间的检查区域。这些基于第一时间跨度期间的测量结果所生成的MRT图像在本说明书中还被称为第一MRT图像。
术语“多个”意指生成至少两个(第一)MRT图像，优选地生成至少三个(第一)MRT图像，特别优选地生成至少四个(第一)MRT图像。
造影剂被施用至检查对象，且在检查区域中扩散。造影剂优选地以团注方式静脉地(例如，进入手臂静脉)施用，且施用的剂量基于体重。
造影剂优选地是肝胆造影剂，例如Gd-EOB-DTPA或Gd-BOPTA。在特别优选的实施方案中，造影剂是具有钆塞酸或钆塞酸盐作为对比度增强的活性物质的物质或物质混合物。非常特别优选的是钆塞酸的二钠盐(Gd-EOB-DTPA二钠)。
第一时间跨度优选地包括将造影剂分布在检查区域中。优选地，第一时间跨度包括检查对象的肝脏或肝脏部分的动态对比度增强的磁共振成像中的动脉期和/或门静脉期和/或晚期。所陈述的时期例如在以下出版物中进行了限定和描述：J.Magn.Reson.Imaging，2012，35(3):492-511，doi：10.1002/jmri.22833；ClujulMedical，2015，第88卷第4期：438-448，DOI：10.15386/cjmed-414；肝脏病学杂志，2019，第71卷：534-542，http://dx.doi.org/10.1016/j.jhep.2019.05.005。
图12示意性地示出了向人的手臂静脉施用肝胆造影剂之后，在肝脏动脉(A)、肝脏静脉(V)和健康肝脏细胞(P)中的造影剂的浓度的时域剖面线。以磁共振测量中所陈述的区域(肝脏动脉、肝脏静脉、肝脏细胞)中的信号强度I作为时间t的函数的形式描绘浓度。一旦进行静脉内团注，造影剂的浓度首先在肝脏动脉(A)中升高(短划线)。浓度经过最大值然后下降。肝脏静脉(V)中的浓度比肝脏动脉中的浓度更缓慢地上升，且稍后达到其最大值(虚线)。造影剂在健康肝脏细胞(P)中的浓度缓慢地上升(连续曲线)，且仅在非常晚的时间点达到其最大值(图12中未描绘最大值)。可以限定几个特征时间点：在时间点TP0处，造影剂以团注方式在静脉内中施用。在时间点TP1处，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处，肝脏动脉和肝脏静脉的信号强度的曲线相交。在时间点TP3处，造影剂在肝脏静脉中的浓度(信号强度)达到通过其最大值。在时间点TP4处，肝脏动脉和肝脏细胞的信号强度的曲线相交。在时间点T5处，肝脏动脉和肝脏静脉中的浓度已经下降到它们不再引起可测量的对比度增强的水平。
在一个优选实施方案中，第一时间跨度被选择为使得生成检查对象的肝脏或肝脏部分的这种MRT图像：
(i)示出未施加造影剂的检查区域，
(ii)示出动脉期期间的检查区域，在所述动脉期中，所述造影剂经由动脉在所述检查区域中扩散，
(iii)示出门静脉期期间的检查区域，在所述门静脉期中，所述造影剂经由门静脉进入所述检查区域，以及
(iv)示出晚期期间的检查区域，在所述晚期中，所述造影剂在所述动脉和静脉中的浓度下降且所述造影剂在肝脏细胞中的浓度上升。
优选地，所述第一时间跨度在施用所述造影剂之前的1分钟至1秒钟的时间跨度内开始，或从施用所述造影剂开始且从施用所述造影剂起持续2分钟至15分钟的时间跨度，优选地持续2分钟至13分钟的时间跨度，更优选地持续3分钟至10分钟的时间跨度。由于所述造影剂非常缓慢地经肾脏和/或胆汁***，所以第二时间跨度可以延长至施用所述造影剂之后的两小时或更长时间。
在一个优选的实施方案中，第一时间跨度至少包括时间点TP0、TP1、TP2、TP3和TP4。
在一个优选的实施方案中，至少生成所有以下时期的MRT图像(基于测量结果)：在TP0之前的时间跨度、从TP0到TP1的时间跨度内、从TP1到TP2的时间跨度内、从TP2到TP3的时间跨度内以及TP3到TP4的时间跨度内。
可设想，在TP0之前、从TP0到TP1、从TP1到TP2、从TP2到TP3以及从TP3到TP4的时间跨度内，(基于测量结果)分别地生成一个或多个MRT图像。
基于(基于测量结果)所生成的第一时间跨度期间的(第一)MRT图像，预测示出检查区域在第二时间跨度期间的第二MRT图像或多个第二MRT图像。在本说明书中，针对第二时间跨度所预测的MRT图像还被称为第二MRT图像。
在本发明的一个优选实施方案中，第二时间跨度在第一时间跨度之后。
第二时间跨度优选地是肝胆期内的时间跨度；优选地是在施用造影剂之后至少10分钟开始的时间跨度，优选地是在施用造影剂之后至少20分钟开始的时间跨度。
借助于根据本发明的预测模型，预测表示第二时间跨度期间的检查区域的至少一个第二表征。预测模型已事先被训练，从而基于示出检查区域在第一时间跨度期间的多个第一MRT图像，预测示出检查区域在第二时间跨度期间的一个或多个MRT图像。
图1(b)中也示意性地描绘了在此所描述的实施例。
实施例3
在本发明的另一优选实施方案中，本发明被用于从血管中区分肝脏中的病变。在T1加权MRT图像的实例中，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，而不含肝实质细胞或仅含有少量肝实质细胞的病变，例如转移或中度至低分化的肝细胞癌(HCCs)则显示为较暗的区域。然而，在肝胆期，血管也显示为暗区，意味着在肝胆期期间所生成的MRT图像中，仅基于对比度而在肝脏病变与血管进行区分是不可能的。
本发明可被用于生成检查对象的肝脏或肝脏部分的人工MRT图像，其中肝脏中的血管与肝脏细胞之间的对比度已被人为地最小化，从而更容易地识别肝脏病变。
在本发明的上下文中，“图像”是表征。图像可以是真实空间中的表征，或者频率空间中的表征。为了训练预测模型以及为了预测，总是利用频率空间中的表征。然而，可基于测量结果生成真实空间中的表征，然后它们可例如借助于傅里叶变换而被转换为频率空间中的表征，之后将它们引入训练和/或预测。
多个第一表征包括检查区域的能识别血管的至少一个表征，所述至少一个表征优选地被描绘为由于造影剂所导致的对比度增强(血管表征)。
在使用顺磁性造影剂时，由于对比度增强(高信号描绘)，这种表征中的血管具有高信号强度的特点。这种表征中的、在经验可确定范围内具有信号强度的那些(连续)结构被归属于血管。这意味着，通过这种表征，存在关于在真实空间描绘中的何处描绘血管的信息，或真实空间描绘中的哪些结构能被归属于血管(动脉和/或静脉)的信息。
多个第一表征还包括检查区域的至少一个表征，其中健康肝脏细胞通过(肝脏细胞表征)对比度增强被描绘，所述至少一个表征例如是在肝胆期所获取的检查区域的表征。
将经由血管的至少一个血管表征的信息与至少一个肝脏细胞表征的信息结合。这包含(人工)生成(计算)至少一个表征，在所述至少一个表征中，使可归属于血管的结构与可归属于健康肝脏细胞的结构之间的对比度差异调平。
这里，术语“使……调平”意指“统一”或“最小化”。调平的目的是使人工生成表征中的血管与健康肝脏细胞之间的界限消失，且使人工生成表征中的血管与健康肝脏细胞表现为均匀组织，相对于此，肝脏病变由于不同的对比度而在结构上突出。
通常，基于一个(数目＝1)血管表征与一个(数目＝1)肝脏细胞表征来预测一个(数目＝1)人工表征。
可设想，除了至少一个血管表征以及至少一个肝脏细胞表征之外，还另外使用至少一个原生表征，从而预测至少一个人工表征。
在一个实施方案中，人工表征的生成包括以下步骤：
-将至少一个血管表征以及至少一个肝脏细胞表征馈送至预测模型，其中预测模型已基于参考表征借助于监督学***，
-接收至少一个人工表征作为从所述预测模型的输出。
实施例4
在另一实施方案中，本发明被用于生成肝脏的原生MRT图像。在此，生成检查对象的肝脏或肝脏部分的一个或多个人工MRT图像，所述一个或多个人工MRT图像示出在没有造影剂所导致的对比度增强的肝脏或肝脏部分。人工MRT图像基于MRT图像来创建，而所有所述MRT图像都是在具有造影剂所导致的对比度增强的情况下获取的。
在本发明的上下文中，“图像”是表征。图像可以是真实空间中的表征，或者是频率空间中的表征。为了训练预测模型以及为了预测，总是利用频率空间中的表征。然而，可基于测量结果生成真实空间中的表征，然后它们可例如借助于傅里叶变换而被转换为频率空间中的表征，之后将它们引入训练和/或预测。
检查区域被引入基本磁场。造影剂被施用至检查对象，且在检查区域中扩散。造影剂优选地以团注方式静脉地(例如，进入手臂静脉)施用，且施用的剂量基于体重。优选地，造影剂是肝胆造影剂，例如Gd-EOB-DTPA或Gd-BOPTA。在特别优选的实施方案中，造影剂是具有钆塞酸或钆塞酸盐作为对比度增强的活性物质的物质或物质混合物。非常特别优选的是钆塞酸的二钠盐(Gd-EOB-DTPA二钠)。
生成检查区域的多个第一表征，所述多个第一表征表示在施用造影剂之后的第一时间跨度期间的检查区域。优选地，所述多个第一表征是T1加权描绘。
优选地，多个第一表征包括检查区域的至少一个表征，所述至少一个表征表示动态期期间的检查区域，例如，至少一个表征表示在动脉期、静脉期和/或晚期期间的检查区域(参考例如图12以及与实施例2相关的解释)。在使用顺磁性造影剂时，这种表征中的血管的特点在于由于对比度增强(高信号描绘)所导致的高信号强度。
优选地，多个第一表征还包括检查区域的表示肝胆期期间的检查区域的至少一个表征。在肝胆期期间，健康肝脏组织(实质)被描绘为具有对比度增强。
对动态期和肝胆期的MRT检查可延长相对长的时间跨度。在所述时间跨度期间，应避免患者移动，从而使放射图像中的移动伪影最小化。长期的移动限制对于患者而言是不舒服的。因此，现在建立了缩短的MRT程序，其中在采集MRT图像之前的某一时间跨度(即，10至20分钟)，向检查对象施用了造影剂，从而能够直接获取在肝胆期内的MRT图像。随后，在施用第二剂量的造影剂之后，在同一MRT过程中获取动态期的MRT图像。与常规MRT过程相比，结果是患者或检查对象在MRT中的停留时间明显缩短。因此，根据本发明，优选地，在向检查对象(第一次)施用第一造影剂之后，记录肝脏或肝脏部分在肝胆期的至少一个表征，且在向同一检查对象施用第二造影剂或第二次施用第一造影剂之后，记录同一肝脏或同一肝脏部分在动态期的至少另一表征。第一造影剂是顺磁性肝胆造影剂。第二种造影剂也可以是细胞外的顺磁性造影剂。
随后，将检查区域的第一表征馈送至根据本发明的预测模型。所述预测模型已事先被训练，用于基于所接收的第一表征来预测一个或多个第二表征，所述一个或多个第二表征示出了在没有造影剂所导致的对比度增强的情况下的检查对象的肝脏或肝脏部分。预测模型优选地在监督式机器学习过程中借助自学习算法创建。用于学习的是训练数据，所述训练数据包括多个检查对象的肝脏或肝脏部分在动态期以及肝胆期期间的检查区域的多个表征。此外，训练数据还包括不存在对比度增强的检查区域的表征，即，在未施用造影剂的情况下所生成的表征。
在此所描述的实施例还示意性地被描绘在了图1(c)中。
实施例5
在另一优选实施方案中，本发明被用于减少肝脏的动态对比度增强磁共振成像中的患者检查时间。
在此，造影剂以两次团注的形式被施用。第一次施用在检查对象尚未位于MRT扫描器的时间点处完成。在第一次施用的情况下，施用第一造影剂。第一造影剂优选地以团注方式静脉地(例如，进入手臂静脉)施用，且施用的剂量基于体重。第一造影剂优选是肝胆造影剂，例如Gd-EOB-DTPA或Gd-BOPTA。在特别优选的实施方案中，第一造影剂是具有钆塞酸或钆塞酸盐作为对比度增强的活性物质的物质或物质混合物。非常特别优选的是钆塞酸的二钠盐(Gd-EOB-DTPA二钠)。
在施用第一造影剂之后，可以等待一个时间跨度，之后将检查对象引入MRT扫描器，且在第一时间点处生成第一MRT图像。
在本发明的上下文中，“图像”是表征。图像可以是真实空间中的表征，或者是频率空间中的表征。为了训练预测模型以及为了预测，总是利用频率空间中的表征。然而，可基于测量结果生成真实空间中的表征，然后它们可例如借助于傅里叶变换而被转换为频率空间中的表征，之后将它们引入训练和/或预测。
第一次施用与生成第一MRT图像之间的时间跨度优选地在5分钟至1小时的范围内，更优选地在10分钟至30分钟的范围内，最优选地在8分钟至25分钟的范围内。
第一MRT图像表示在施用第一造影剂之后的肝胆期期间的检查对象的肝脏或肝脏部分。在第一MRT图像中，由于施用了第一造影剂，健康肝脏细胞被描绘为具有对比度增强。
在本说明书中，生成第一MRT图像的肝胆期还被称为第一肝胆期。第一造影剂已到达健康肝脏细胞，导致了对比度增强，在顺磁性造影剂的实例中，导致了健康肝脏细胞的信号增强。在施用第一造影剂之后所出现的动脉期、门静脉期和晚期期间，不生成MRT图像。在本说明书中，在施用第一造影剂之后所出现的动脉期、门静脉期和晚期还被称为第一动脉期、第一门静脉期和第一晚期。
可设想，在第一肝胆期期间生成多个MRT图像。
在第一肝胆期生成一个或多个第一MRT图像之后，第二次施用造影剂。第二次施用的是第二造影剂。第二造影剂可以是与第一造影剂相同的造影剂；然而，第二造影剂还可以是不同的造影剂，优选地是细胞外造影剂。同样，第二造影剂优选地以团注方式静脉地(例如，进入手臂静脉)施用，且施用的剂量基于体重。
在本说明书中，施用第一造影剂还被称为第一次施用；在本说明书中，施用第二造影剂还被称为第二次施用。如果第一造影剂与第二造影剂是相同的，则发生的是，肝胆造影剂的第一次施用，且在之后的时间点处，该肝胆造影剂的第二次施用。如果第一造影剂和第二造影剂是不同的，则发生的是，第一造影剂的第一次施用，所述第一造影剂是肝胆造影剂，且之后所发生的是，在之后时间点的第二(不同)造影剂的第二次施用。
在第二次施用的时间点(或在施用第二造影剂的时间点)，检查对象优选地已经位于MRT扫描器中。在施用第二造影剂之后，再次经过动脉期、门静脉期和晚期。在本说明书中，所述动脉期、门静脉期和晚期还被称为第二动脉期、第二门静脉期和第二晚期。在所述第二动脉期和/或所述第二门静脉期和/或所述第二晚期中，生成一个或多个MRT图像。依照它们的获取顺序，所述MRT图像还被称为第二、第三、第四等。
在一个优选的实施方案中，在第二动脉期期间生成第二MRT图像，在第二门静脉期期间生成第三MRT图像，在第二晚期期间生成第四MRT图像。这样的第二MRT图像特别地示出具有对比度增强的动脉；这样的第三MRT图像特别地示出了具有对比度增强的静脉。
还可设想，在所陈述的时期生成多于一个的MRT图像。
根据在施用第一造影剂和第二造影剂之后的一个或多个时期期间所生成的MRT图像，能够计算人工的MRT图像。
根据所测量的MRT图像生成人工MRT图像的目的是增加健康肝脏组织与其他区域之间的对比度。当使用肝胆顺磁性造影剂作为第一造影剂时，健康肝脏组织在第二动脉期、第二门静脉期和第二晚期期间的信号强度仍会因为施用第一造影剂而升高。在所陈述的第二时期扩散的第二造影剂同样会导致所述第二造影剂扩散的组织的信号升高。这意味着，在MRT图像中，健康肝脏组织与其余组织之间仅具有低的对比度，所述其余组织由于(第二)造影剂的作用而具有对比度增强。为了增加此对比度，借助于预测模型生成至少一个人工MRT图像，所述至少一个人工MRT图像将示出如同在施用第一造影剂之后的动态期期间的检查区域，或者如同在仅施用第二造影剂之后的检查区域：血管由于施用第二造影剂而被描绘为具有对比度增强，但是健康肝脏细胞由于施用第一造影剂而未被描绘为具有对比度增强。换句话说，所生成的是与第二MRT图像相似的人造MRT图像，不同之处在于，健康肝脏细胞由于施用第一造影剂所导致的对比度增强从第二MRT图像中减去(消除)。
在此所描述的实施例还被示意性地描绘在图1(d)中。
Claims (15)
1.一种计算机实施的方法，包括以下步骤：
-接收检查对象的检查区域在频率空间中的多个第一表征，其中第一表征中的至少一些表示在施用造影剂之后的第一时间跨度期间的检查区域，
-将多个第一表征馈送至预测模型，其中所述预测模型已经基于多个检查对象的检查区域的第一参考表征进行了训练，从而根据所述第一参考表征来生成一个或多个第二参考表征，其中所述第一参考表征中的至少一些表示在施用造影剂之后的第一时间跨度期间的频率空间中的检查区域，所述一个或多个第二参考表征表示在第二时间跨度期间的频率空间中的检查区域，
-从所述预测模型接收检查区域在频率空间中的一个或多个预测表征，其中所述一个或多个预测表征表示在第二时间跨度期间的检查区域，
-将所述一个或多个预测表征变换为检查区域在真实空间中的一个或多个表征，
-输出检查区域在所述真实空间中的一个或多个表征。
2.根据权利要求1所述的方法，其中所述多个第一表征包括：
-检查区域在频率空间中的、表示在施用造影剂之前的检查区域的至少一个表征，以及
-检查区域在频率空间中的、表示在施用造影剂之后的第一时间跨度中的检查区域的至少一个表征，
以及，其中一个或多个预测表征表示在第二时间跨度中的检查区域，其中所述第二时间跨度在所述第一时间跨度之后。
3.根据权利要求1所述的方法，其中多个第一表征包括检查区域在频率空间中的、表示在施用造影剂之后的第一时间跨度中的检查区域的至少两个表征，且其中所述一个或多个预测表征表示在第二时间跨度中的检查区域，其中所述第二时间跨度在所述第一时间跨度之前。
4.根据权利要求1所述的方法，其中所述多个第一表征包括：
-检查区域在频率空间中的、表示在施用第一造影剂之后的第一时间跨度中的检查区域的至少一个表征，
-检查区域在频率空间中的、表示在施用第二造影剂之后的第一时间跨度中的检查区域的至少一个表征，其中所述第一造影剂以及所述第二造影剂是相同的或不同的，其中所述第二造影剂在所述第一造影剂之后被施用，
以及，其中所述一个或多个预测表征表示第二时间跨度中的检查区域，其中所述第二时间跨度在所述第一时间跨度之前。
5.根据权利要求1所述的方法，其中多个预测表征表示第二时间跨度中的、对比度增强随时间是恒定的检查区域。
6.根据权利要求1至5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，或者包括这样的人工神经网络。
7.根据权利要求1至6中的任一项所述的方法，其中检查区域在所述频率空间中的第一表征是磁共振成像检查的k空间数据。
8.根据权利要求1至6中的任一项所述的方法，其中在第一步中接收检查区域在真实空间中的多个放射图像，且通过傅里叶变换将这些所接收的放射图像转换为检查区域在频率空间中的第一表征。
9.根据权利要求1至8中的任一项所述的方法，包括以下步骤：
-接收检查对象的检查区域在频率空间中多个第一表征，其中所述第一表征中的至少一些表示在施用造影剂之后的第一时间跨度期间的检查区域，
-在所述第一表征中指定一个区域，其中所指定的区域包括所述频率空间的中心，
-将所述第一表征缩减至所指定的区域，
-将多个经缩减的第一表征馈送至预测模型，
-从所述预测模型接收检查区域在频率空间中的一个或多个第二表征，其中所述一个或多个第二表征表示在第二时间跨度期间的检查区域，
-通过所接收的第一表征中的位于所指定的区域以外的一个或多个区域来增补所述一个或多个第二表征，
-将一个或多个经增补的第二表征变换为检查区域在真实空间中的一个或多个表征，
-输出检查区域在所述真实空间中的一个或多个表征。
10.根据权利要求1至9中的任一项所述的方法，其中借助于逆傅里叶变换将一个或多个经增补的第二表征变换为检查区域在真实空间中的一个或多个表征。
11.一种***，包括：
·接收单元，
·控制和计算单元，以及
·输出单元，
其中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检查区域在频率空间中的多个第一表征，其中所述第一表征中的至少一些表示在施用造影剂之后的第一时间跨度期间的检查区域，
-将所述多个第一表征馈送至预测模型，其中所述预测模型已经基于多个检查对象的检查区域的第一参考表征进行了训练，从而根据所述第一参考表征来生成一个或多个第二参考表征，其中所述第一参考表征中的至少一些表示在施用造影剂之后的第一时间跨度期间的频率空间中的检查区域，所述一个或多个第二参考表征表示在第二时间跨度期间的频率空间中的检查区域，
-从所述预测模型接收检查区域在频率空间中的一个或多个预测表征，其中所述一个或多个预测表征表示在第二时间跨度期间的检查区域，
-将所述一个或多个预测表征变换为检查区域在真实空间中的一个或多个表征，
-促使所述输出单元输出检查区域在所述真实空间中的一个或多个表征。
12.一种包括计算机程序的计算机程序产品，所述计算机程序能被加载到计算机***的内存中，其中所述计算机程序促使所述计算机***执行以下步骤：
-接收检查对象的检查区域在频率空间中的多个第一表征，其中所述第一表征中的至少一些表示在施用造影剂之后的第一时间跨度期间的检查区域，
-将所述多个第一表征馈送至预测模型，其中所述预测模型已经基于多个检查对象的检查区域的第一参考表征进行了训练，从而根据所述第一参考表征来生成一个或多个第二参考表征，其中所述第一参考表征中的至少一些表示在施用造影剂之后的第一时间跨度期间的频率空间中的检查区域，所述一个或多个第二参考表征表示在第二时间跨度期间的频率空间中的检查区域，
-从所述预测模型接收检查区域在频率空间中的一个或多个预测表征，其中所述一个或多个预测表征表示在第二时间跨度期间的检查区域，
-将所述一个或多个预测表征变换为检查区域在真实空间中的一个或多个表征，
-输出检查区域在所述真实空间中的一个或多个表征。
13.造影剂在用于预测至少一个放射图像的方法中的用途，其中所述方法包括以下步骤：
-施用造影剂，其中所述造影剂在检查对象的检查区域中扩散，
-生成检查对象的检查区域在频率空间中的多个第一表征，其中所述第一表征中的至少一些表示在施用造影剂之后的第一时间跨度期间的检查区域，
-将所述多个第一表征馈送至预测模型，其中所述预测模型已经基于多个检查对象的检查区域的第一参考表征进行了训练，从而根据所述第一参考表征来生成一个或多个第二参考表征，其中所述第一参考表征中的至少一些表示在施用造影剂之后的第一时间跨度期间的频率空间中的检查区域，所述一个或多个第二参考表征表示在第二时间跨度期间的频率空间中的检查区域，
-从所述预测模型接收检查区域在频率空间中的一个或多个预测表征，其中所述一个或多个预测表征表示第二时间跨度期间的检查区域，
-将所述一个或多个预测表征变换为检查区域在真实空间中的一个或多个表征，
-输出检查区域在所述真实空间中的一个或多个表征。
14.在用于预测至少一个放射图像的方法中所使用的造影剂，其中所述方法包括以下步骤：
-施用造影剂，其中所述造影剂在检查对象的检查区域中扩散，
-生成检查对象的检查区域在频率空间中的多个第一表征，其中所述第一表征中的至少一些表示在施用造影剂之后的第一时间跨度期间的检查区域，
-将所述多个第一表征馈送至预测模型，其中所述预测模型已经基于多个检查对象的检查区域的第一参考表征进行了训练，从而根据所述第一参考表征来生成一个或多个第二参考表征，其中所述第一参考表征中的至少一些表示在施用造影剂之后的第一时间跨度期间的频率空间中的检查区域，所述一个或多个第二参考表征表示在第二时间跨度期间的频率空间中的检查区域，
-从所述预测模型接收检查区域在频率空间中的一个或多个预测表征，其中所述一个或多个预测表征表示在第二时间跨度期间的检查区域，
-将所述一个或多个预测表征变换为检查区域在真实空间中的一个或多个表征，
-输出检查区域在所述真实空间中的一个或多个表征。
15.一种成套组件，包括造影剂以及根据权利要求12所述的计算机程序产品。
Applications Claiming Priority (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| EP21161545.5 | 2021-03-09 | ||
| EP21167803.2 | 2021-04-12 | ||
| EP21167803 | 2021-04-12 | ||
| PCT/EP2021/083325 WO2022189015A1 (de) | 2021-03-09 | 2021-11-29 | Maschinelles lernen im bereich der kontrastmittelverstärkten radiologie |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117083629A true CN117083629A (zh) | 2023-11-17 |
Family
ID=75477913
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202180096431.0A Pending CN117083629A (zh) | 2021-03-09 | 2021-11-29 | 对比度增强放射学领域中的机器学习 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117083629A (zh) |
-
2021
- 2021-11-29 CN CN202180096431.0A patent/CN117083629A/zh active Pending
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 | |
| JP2022551878A (ja) | コントラスト強調のない肝臓のｍｒｉ画像の生成 | |
| US20230120273A1 (en) | Acceleration of mri examinations | |
| CN110852993B (zh) | 一种造影剂作用下的成像方法与设备 | |
| WO2023073165A1 (en) | Synthetic contrast-enhanced mr images | |
| CN117083629A (zh) | 对比度增强放射学领域中的机器学习 | |
| Timms et al. | Ferumoxytol-enhanced ultrashort TE MRA and quantitative morphometry of the human kidney vasculature | |
| US20240153163A1 (en) | Machine learning in the field of contrast-enhanced radiology | |
| Wang et al. | Comparative study of sub-second temporal resolution 4D-MRI and 4D-CT for target motion assessment in a phantom model | |
| US20240050053A1 (en) | Machine learning in the field of contrast-enhanced radiology | |
| EP4174868A1 (en) | Synthetic contrast-enhanced mr images | |
| CN117063199A (zh) | 对比度增强放射学领域中的机器学习 | |
| CN117242362A (zh) | 使用动态对比度增强的磁共振断层扫描表征肝脏病变 | |
| Colbert | Optimization and Validation of Ferumoxytol-Enhanced Myocardial T1 Reactivity and Myocardial Blood Volume Mapping for Detection of Myocardial Ischemia | |
| Yoruk | Quantification of Glomerular Filtration Rate Using DCE-MRI in Children | |
| Enescu | Spatio-temporal image analysis with application to cancer |
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 |