DE102016215109A1 - Verfahren und Datenverarbeitungseinheit zum Optimieren eines Bildrekonstruktionsalgorithmus - Google Patents

Verfahren und Datenverarbeitungseinheit zum Optimieren eines Bildrekonstruktionsalgorithmus Download PDF

Info

Publication number
DE102016215109A1
DE102016215109A1 DE102016215109.6A DE102016215109A DE102016215109A1 DE 102016215109 A1 DE102016215109 A1 DE 102016215109A1 DE 102016215109 A DE102016215109 A DE 102016215109A DE 102016215109 A1 DE102016215109 A1 DE 102016215109A1
Authority
DE
Germany
Prior art keywords
image processing
image
algorithm
medical
training data
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
DE102016215109.6A
Other languages
English (en)
Inventor
Philipp Hölzer
Razvan Ionasec
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.)
Siemens Healthineers Ag De
Original Assignee
Siemens Healthcare GmbH
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 Siemens Healthcare GmbH filed Critical Siemens Healthcare GmbH
Priority to DE102016215109.6A priority Critical patent/DE102016215109A1/de
Priority to US15/659,707 priority patent/US10614597B2/en
Publication of DE102016215109A1 publication Critical patent/DE102016215109A1/de
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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G06T11/006—Inverse problem, transformation from projection-space into object-space, e.g. transform methods, back-projection, algebraic methods
    • 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
    • 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
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Analysis (AREA)
  • Algebra (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Optimization (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

Die Erfindung betrifft ein Verfahren zum Optimieren eines Bildrekonstruktionsalgorithmus, wobei das Verfahren die folgenden Schritte umfasst: – Bereitstellen eines Satzes von Trainingsdatensätzen, wobei jeder Trainingsdatensatz jeweils einen Akquisitionsdatensatz aufweist, – Erzeugen jeweils eines ersten medizinischen Bildes für jeden Trainingsdatensatz zumindest eines ersten Teilsatzes des Satzes von Trainingsdatensätzen mittels des Bildrekonstruktionsalgorithmus basierend auf dem jeweiligen Akquisitionsdatensatz, – Ermitteln jeweils eines Bildverarbeitungsergebnisses für jedes der ersten medizinischen Bilder mittels eines Bildverarbeitungsalgorithmus basierend auf dem jeweiligen ersten medizinischen Bild, – Ermitteln jeweils einer Bildverarbeitungsinformation für jedes der ersten medizinischen Bilder, welche eine Qualität des jeweiligen Bildverarbeitungsergebnisses betrifft, basierend auf dem jeweiligen Bildverarbeitungsergebnis, – Optimieren des Bildrekonstruktionsalgorithmus basierend auf einem ersten Maschinenlernalgorithmus, dem zumindest einen ersten Teilsatz des Satzes von Trainingsdatensätzen und den Bildverarbeitungsinformationen der ersten medizinischen Bilder.

Description

  • Die Erfindung betrifft ein Verfahren und eine Datenverarbeitungseinheit zum Optimieren eines Bildrekonstruktionsalgorithmus. Die Erfindung betrifft ferner ein Verfahren und eine Datenverarbeitungseinheit zum Optimieren eines Bildrekonstruktionsalgorithmus und eines Bildverarbeitungsalgorithmus. Die Erfindung betrifft ferner eine medizinische Bildgebungsvorrichtung, ein Computerprogrammprodukt und ein computerlesbares Medium. Die Erfindung betrifft ferner eine Verwendung eines Bildrekonstruktionsalgorithmus und/oder eines Bildverarbeitungsalgorithmus.
  • In der Radiologie gibt es einen Trend zu mehr quantitativer Analyse von medizinischen Bildern. Zum Verarbeiten von medizinischen Bildern wurden verschiedene datengestützte Bildverarbeitungsalgorithmen entwickelt, die basierend auf einem Maschinenlernalgorithmus optimiert oder, mit anderen Worten, trainiert werden können. Beispiele für solche Bildverarbeitungsalgorithmen werden insbesondere in [1]–[4] beschrieben. Ein Bildverarbeitungsalgorithmus kann insbesondere dazu ausgebildet sein, eine Struktur zu identifizieren, zu segmentieren und/oder zu entfernen. Bei der Struktur kann es sich insbesondere um Knochen, ein Organ, beispielsweise eine Leber, oder um eine Gewebestruktur, beispielsweise Lungenknoten, handeln. Der Bildverarbeitungsalgorithmus kann alternativ oder zusätzlich dazu ausgebildet sein, eine medizinische Information zu ermitteln. Die medizinische Information kann insbesondere das Vorliegen eines Symptoms und/oder einer Krankheit, beispielswese einer Lungenembolie, betreffen. Die medizinische Information kann beispielsweise angeben, ob und/oder mit welcher Wahrscheinlichkeit ein gegebenes Symptom und/oder eine gegebene Krankheit bei dem Patienten vorliegt.
  • Die Bildverarbeitungsalgorithmen werden typischerweise auf medizinische Bilder angewendet, die auf herkömmliche Weise rekonstruiert wurden. Herkömmliche Bildrekonstruktionsalgorithmen sind typischerweise für eine Auswertung optimiert, die ein Radiologe durch eine Betrachtung des medizinischen Bildes mit dem bloßen Auge vornimmt. Dabei wird die Qualität des Bildrekonstruktionsalgorithmus in vielen Fällen basierend auf subjektiven Qualitätskriterien, die auf die medizinischen Bilder angewendet werden, bestimmt oder basierend auf abstrakten physikalischen und/oder statistischen Größen ermittelt, die nur bedingt mit der Qualität des medizinischen Bildes in Bezug auf die daraus zu ermittelnde medizinische Information zusammenhängen. Die Qualitätsbestimmung eines Bildrekonstruktionsalgorithmus durch eine Betrachtung des medizinischen Bildes mit dem bloßen Auge ist oft mit Einschränkungen bezüglich des zur Verfügung stehenden Informationsgehalts verbunden. Solche Einschränkungen können sich beispielsweise dadurch ergeben, dass ein Mensch nur eine beschränkte Anzahl von Bildern gleichzeitig bzw. pro Zeiteinheit wahrnehmen kann, dass die Wahrnehmung des Menschen durch typische, zum Teil unbewusste, Annahmen bezüglich der Raum- und Zeitskalen, der Linearität des Wertebereichs sowie des Rauschens und der Artefakte geprägt ist.
  • Die Erfindung hat die Aufgabe, eine Alternative zu herkömmlichen Bildrekonstruktionsalgorithmen bereitzustellen.
  • Jeder der Gegenstände der unabhängigen Ansprüche löst jeweils diese Aufgabe. In den abhängigen Ansprüchen sind weitere Ausführungsformen der Erfindung berücksichtigt.
  • Die Erfindung betrifft ein Verfahren zum Optimieren eines Bildrekonstruktionsalgorithmus, wobei das Verfahren die folgenden Schritte umfasst:
    • – Bereitstellen eines Satzes von Trainingsdatensätzen, wobei jeder Trainingsdatensatz jeweils einen Akquisitionsdatensatz aufweist,
    • – Erzeugen jeweils eines ersten medizinischen Bildes für jeden Trainingsdatensatz zumindest eines ersten Teilsatzes des Satzes von Trainingsdatensätzen mittels des Bildrekonstruktionsalgorithmus basierend auf dem jeweiligen Akquisitionsdatensatz,
    • – Ermitteln jeweils eines Bildverarbeitungsergebnisses für jedes der ersten medizinischen Bilder mittels eines Bildverarbeitungsalgorithmus basierend auf dem jeweiligen ersten medizinischen Bild,
    • – Ermitteln jeweils einer Bildverarbeitungsinformation für jedes der ersten medizinischen Bilder, welche eine Qualität des jeweiligen Bildverarbeitungsergebnisses betrifft, basierend auf dem jeweiligen Bildverarbeitungsergebnis,
    • – Optimieren des Bildrekonstruktionsalgorithmus basierend auf einem ersten Maschinenlernalgorithmus, dem zumindest einen ersten Teilsatz des Satzes von Trainingsdatensätzen und den Bildverarbeitungsinformationen der ersten medizinischen Bilder.
  • Die Erfindung betrifft ferner ein Verfahren zum Optimieren eines Bildrekonstruktionsalgorithmus und eines Bildverarbeitungsalgorithmus, wobei das Verfahren die folgenden Schritte umfasst:
    • – Bereitstellen eines Satzes von Trainingsdatensätzen, wobei jeder Trainingsdatensatz jeweils einen Akquisitionsdatensatz aufweist,
    • – Erzeugen jeweils eines ersten medizinischen Bildes für jeden Trainingsdatensatz zumindest eines ersten Teilsatzes des Satzes von Trainingsdatensätzen mittels des Bildrekonstruktionsalgorithmus basierend auf dem jeweiligen Akquisitionsdatensatz,
    • – Ermitteln jeweils eines Bildverarbeitungsergebnisses für jedes der ersten medizinischen Bilder mittels eines Bildverarbeitungsalgorithmus basierend auf dem jeweiligen ersten medizinischen Bild,
    • – Ermitteln jeweils einer Bildverarbeitungsinformation für jedes der ersten medizinischen Bilder, welche eine Qualität des jeweiligen Bildverarbeitungsergebnisses betrifft, basierend auf dem jeweiligen Bildverarbeitungsergebnis,
    • – Optimieren des Bildrekonstruktionsalgorithmus basierend auf einem ersten Maschinenlernalgorithmus, dem zumindest einen ersten Teilsatz des Satzes von Trainingsdatensätzen und den Bildverarbeitungsinformationen der ersten medizinischen Bilder,
    • – Erzeugen jeweils eines zweiten medizinischen Bildes für jeden Trainingsdatensatz zumindest eines zweiten Teilsatzes des Satzes von Trainingsdatensätzen mittels des optimierten Bildrekonstruktionsalgorithmus basierend auf dem jeweiligen Akquisitionsdatensatz,
    • – Ermitteln jeweils eines Bildverarbeitungsergebnisses für jedes der zweiten medizinischen Bilder mittels des Bildverarbeitungsalgorithmus basierend auf dem jeweiligen zweiten medizinischen Bild,
    • – Ermitteln jeweils einer Bildverarbeitungsinformation für jedes der zweiten medizinischen Bilder, welche eine Qualität des jeweiligen Bildverarbeitungsergebnisses betrifft, basierend auf dem jeweiligen Bildverarbeitungsergebnis,
    • – Optimieren des Bildverarbeitungsalgorithmus basierend auf einem zweiten Maschinenlernalgorithmus, den zweiten medizinischen Bildern und den Bildverarbeitungsinformationen der zweiten medizinischen Bilder.
  • Eine Ausführungsform der Erfindung betrifft ein Verfahren,
    • – wobei eine Mehrzahl von Iterationsschritten ausgeführt wird,
    • – wobei bei dem ersten Iterationsschritt und bei jedem weiteren Iterationsschritt jeweils alle Schritte eines Verfahrens zum Optimieren des Bildrekonstruktionsalgorithmus und des Bildverarbeitungsalgorithmus nach einem der Aspekte, welche in dieser Beschreibung und/oder in den Ansprüchen offenbart sind, ausgeführt werden,
    • – wobei bei jedem weiteren Iterationsschritt der Bildrekonstruktionsalgorithmus ausgehend von dem im vorhergehenden Iterationsschritt optimierten Bildrekonstruktionsalgorithmus basierend auf dem im vorhergehenden Iterationsschritt optimierten Bildverarbeitungsalgorithmus weiter optimiert wird und der Bildverarbeitungsalgorithmus ausgehend von dem im vorhergehenden Iterationsschritt optimierten Bildverarbeitungsalgorithmus basierend auf dem Bildrekonstruktionsalgorithmus, der zuvor in dem jeweiligen weiteren Iterationsschritt weiter optimiert wurde, weiter optimiert wird.
  • Eine Ausführungsform der Erfindung betrifft ein Verfahren nach einem der Aspekte, welche in dieser Beschreibung und/oder in den Ansprüchen offenbart sind,
    • – wobei das Bildverarbeitungsergebnis und/oder das Referenz-Bildverarbeitungsergebnis eine medizinische Information betrifft.
  • Eine Ausführungsform der Erfindung betrifft ein Verfahren nach einem der Aspekte, welche in dieser Beschreibung und/oder in den Ansprüchen offenbart sind,
    • – wobei der Bildverarbeitungsalgorithmus einen Algorithmus zum Erkennen einer Struktur in dem Patienten basierend auf dem ersten medizinischen Bild und/oder basierend auf dem zweiten medizinischen Bild umfasst und/oder
    • – wobei der Bildverarbeitungsalgorithmus einen Algorithmus zum Ermitteln eines physiologischen Parameters in einem Patienten basierend auf dem ersten medizinischen Bild und/oder basierend auf dem zweiten medizinischen Bild umfasst.
  • Eine Ausführungsform der Erfindung betrifft ein Verfahren nach einem der Aspekte, welche in dieser Beschreibung und/oder in den Ansprüchen offenbart sind,
    • – wobei jeder Trainingsdatensatz des Satzes von Trainingsdatensätzen ferner jeweils ein Referenz-Bildverarbeitungsergebnis aufweist,
    • – wobei die Bildverarbeitungsinformation für jedes der ersten medizinischen Bilder und/oder die Bildverarbeitungsinformation für jedes der zweiten medizinischen Bilder basierend auf dem jeweiligen Bildverarbeitungsergebnis und dem jeweiligen Referenz-Bildverarbeitungsergebnis ermittelt wird.
  • Eine Ausführungsform der Erfindung betrifft ein Verfahren nach einem der Aspekte, welche in dieser Beschreibung und/oder in den Ansprüchen offenbart sind,
    • – wobei der Bildverarbeitungsalgorithmus einen Algorithmus zum Segmentieren einer Struktur in dem ersten medizinischen Bild und/oder in dem zweiten medizinischen Bild umfasst und/oder
    • – wobei das Referenz-Bildverarbeitungsergebnis eine Zuordnung von Bilddatenpunkten des ersten medizinischen Bildes zu einer Struktur in dem ersten medizinischen Bild und/oder eine Zuordnung von Bilddatenpunkten des zweiten medizinischen Bildes zu einer Struktur in dem zweiten medizinischen Bild betrifft.
  • Eine Ausführungsform der Erfindung betrifft ein Verfahren nach einem der Aspekte, welche in dieser Beschreibung und/oder in den Ansprüchen offenbart sind,
    • – wobei das Referenz-Bildverarbeitungsergebnis jeweils eine Karte aufweist, mit welcher Bilddatenpunkte des ersten medizinischen Bildes zu einer Struktur in dem ersten medizinischen Bild und/oder Bilddatenpunkte des zweiten medizinischen Bildes zu einer Struktur in dem zweiten medizinischen Bild zuordenbar sind.
  • Eine Ausführungsform der Erfindung betrifft ein Verfahren nach einem der Aspekte, welche in dieser Beschreibung und/oder in den Ansprüchen offenbart sind,
    • – wobei die Bildverarbeitungsinformation ein Maß für eine Ungenauigkeit des Bildverarbeitungsergebnisses und/oder ein Maß für eine Abweichung des Bildverarbeitungsergebnisses von dem jeweiligen Referenz-Bildverarbeitungsergebnis betrifft.
  • Eine Ausführungsform der Erfindung betrifft ein Verfahren nach einem der Aspekte, welche in dieser Beschreibung und/oder in den Ansprüchen offenbart sind,
    • – wobei die Bildverarbeitungsinformation basierend auf einem Dice-Koeffizienten ermittelt wird.
  • Eine Ausführungsform der Erfindung betrifft ein Verfahren nach einem der Aspekte, welche in dieser Beschreibung und/oder in den Ansprüchen offenbart sind,
    • – wobei der Bildrekonstruktionsalgorithmus basierend auf einer ersten kumulierten Bildverarbeitungsinformation, welche basierend auf den Bildverarbeitungsinformationen der ersten medizinischen Bilder ermittelt wird, optimiert wird und/oder
    • – wobei der Bildverarbeitungsalgorithmus basierend auf einer zweiten kumulierten Bildverarbeitungsinformation, welche basierend auf den Bildverarbeitungsinformationen der zweiten medizinischen Bilder ermittelt wird, optimiert wird.
  • Eine Ausführungsform der Erfindung betrifft ein Verfahren nach einem der Aspekte, welche in dieser Beschreibung und/oder in den Ansprüchen offenbart sind,
    • – wobei der Bildrekonstruktionsalgorithmus optimiert wird, indem ein optimierter Bildrekonstruktionsparametersatz des Bildrekonstruktionsalgorithmus ermittelt wird und/oder
    • – wobei der Bildverarbeitungsalgorithmus optimiert wird, indem ein optimierter Bildverarbeitungsparametersatz des Bildverarbeitungsalgorithmus ermittelt wird.
  • Eine Ausführungsform der Erfindung betrifft ein Verfahren nach einem der Aspekte, welche in dieser Beschreibung und/oder in den Ansprüchen offenbart sind,
    • – wobei der Satz von Trainingsdatensätzen Trainingsdatensätze umfasst, die jeweils einen Untersuchungsparametersatz aufweisen, welcher aus der Gruppe gewählt ist, die aus einem Akquisitionsparametersatz, einem Injektionsparametersatz, einem Patientenparametersatz, einem Außenbildparametersatz und Kombinationen davon besteht.
  • Eine Ausführungsform der Erfindung betrifft ein Verfahren nach einem der Aspekte, welche in dieser Beschreibung und/oder in den Ansprüchen offenbart sind,
    • – wobei der Bildrekonstruktionsalgorithmus und/oder der Bildverarbeitungsalgorithmus basierend auf dem Untersuchungsparametersatz optimiert wird und/oder
    • – wobei beim Optimieren des Bildrekonstruktionsalgorithmus und/oder beim Optimieren des Bildverarbeitungsalgorithmus ein optimaler Bereich für zumindest einen Untersuchungsparameter des Untersuchungsparametersatzes basierend auf dem ersten Maschinenlernalgorithmus, dem Satz von Trainingsdatensätzen und den Bildverarbeitungsinformationen der ersten medizinischen Bilder ermittelt wird.
  • Die Erfindung betrifft ferner eine Datenverarbeitungseinheit, aufweisend
    • – eine Bereitstellungseinheit zum Bereitstellen eines Satzes von Trainingsdatensätzen, wobei jeder Trainingsdatensatz jeweils einen Akquisitionsdatensatz aufweist,
    • – eine erste Bilderzeugungseinheit zum Erzeugen jeweils eines ersten medizinischen Bildes für jeden Trainingsdatensatz zumindest eines ersten Teilsatzes des Satzes von Trainingsdatensätzen mittels des Bildrekonstruktionsalgorithmus basierend auf dem jeweiligen Akquisitionsdatensatz,
    • – eine erste Ergebnisermittlungseinheit zum Ermitteln jeweils eines Bildverarbeitungsergebnisses für jedes der ersten medizinischen Bilder mittels eines Bildverarbeitungsalgorithmus basierend auf dem jeweiligen ersten medizinischen Bild,
    • – eine erste Informationsermittlungseinheit zum Ermitteln jeweils einer Bildverarbeitungsinformation für jedes der ersten medizinischen Bilder, welche eine Qualität des jeweiligen Bildverarbeitungsergebnisses betrifft, basierend auf dem jeweiligen Bildverarbeitungsergebnis,
    • – eine Bildrekonstruktionsoptimierungseinheit zum Optimieren des Bildrekonstruktionsalgorithmus basierend auf einem ersten Maschinenlernalgorithmus, dem zumindest einen ersten Teilsatz des Satzes von Trainingsdatensätzen und den Bildverarbeitungsinformationen der ersten medizinischen Bilder.
  • Eine Ausführungsform der Erfindung betrifft eine Datenverarbeitungseinheit nach einem der Aspekte, welche in dieser Beschreibung und/oder in den Ansprüchen offenbart sind, ferner aufweisend:
    • – eine zweite Bilderzeugungseinheit zum Erzeugen jeweils eines zweiten medizinischen Bildes für jeden Trainingsdatensatz zumindest eines zweiten Teilsatzes des Satzes von Trainingsdatensätzen mittels des optimierten Bildrekonstruktionsalgorithmus basierend auf dem jeweiligen Akquisitionsdatensatz,
    • – eine zweite Ergebnisermittlungseinheit zum Ermitteln jeweils eines Bildverarbeitungsergebnisses für jedes der zweiten medizinischen Bilder mittels des Bildverarbeitungsalgorithmus basierend auf dem jeweiligen zweiten medizinischen Bild,
    • – eine zweite Informationsermittlungseinheit zum Ermitteln jeweils einer Bildverarbeitungsinformation für jedes der zweiten medizinischen Bilder, welche eine Qualität des jeweiligen Bildverarbeitungsergebnisses betrifft, basierend auf dem jeweiligen Bildverarbeitungsergebnis,
    • – eine Bildverarbeitungsoptimierungseinheit zum Optimieren des Bildverarbeitungsalgorithmus basierend auf einem zweiten Maschinenlernalgorithmus, den zweiten medizinischen Bildern und den Bildverarbeitungsinformationen der zweiten medizinischen Bilder.
  • Eine Ausführungsform der Erfindung betrifft eine Datenverarbeitungseinheit nach einem der Aspekte, welche in dieser Beschreibung und/oder in den Ansprüchen offenbart sind, welche dazu ausgebildet ist, ein Verfahren nach einem der Aspekte, welche in dieser Beschreibung und/oder in den Ansprüchen offenbart sind, auszuführen.
  • Die Erfindung betrifft ferner eine medizinische Bildgebungsvorrichtung, aufweisend eine Datenverarbeitungseinheit nach einem der Aspekte, welche in dieser Beschreibung und/oder in den Ansprüchen offenbart sind.
  • Die Erfindung betrifft ferner ein Computerprogrammprodukt mit einem Computerprogramm, welches in eine Speichereinrichtung eines Datenverarbeitungssystems ladbar ist, mit Programmabschnitten, um alle Schritte des Verfahrens nach einem der Aspekte, welche in dieser Beschreibung und/oder in den Ansprü chen offenbart sind, auszuführen, wenn das Computerprogramm von dem Datenverarbeitungssystem ausgeführt wird.
  • Die Erfindung betrifft ferner ein computerlesbares Medium, auf welchem von einem Datenverarbeitungssystem einlesbare und ausführbare Programmabschnitte gespeichert sind, um alle Schritte des Verfahrens nach einem der Aspekte, welche in dieser Beschreibung und/oder in den Ansprüchen offenbart sind, auszuführen, wenn die Programmabschnitte von dem Datenverarbeitungssystem ausgeführt werden.
  • Die Erfindung betrifft ferner eine Verwendung eines Bildrekonstruktionsalgorithmus, welcher gemäß einem Verfahren nach einem der Aspekte, welche in dieser Beschreibung und/oder in den Ansprüchen offenbart sind, optimiert wurde, zum Erzeugen eines medizinischen Bildes basierend auf einem Akquisitionsdatensatz.
  • Die Erfindung betrifft ferner eine Verwendung eines Bildrekonstruktionsalgorithmus und eines Bildverarbeitungsalgorithmus, welche gemäß einem Verfahren nach einem der Aspekte, welche in dieser Beschreibung und/oder in den Ansprüchen offenbart sind, optimiert wurden, zum Ermitteln eines Bildverarbeitungsergebnisses basierend auf einem Akquisitionsdatensatz,
    • – wobei der Akquisitionsdatensatz bereitgestellt wird,
    • – wobei ein medizinisches Bild mittels des Bildrekonstruktionsalgorithmus basierend auf dem Akquisitionsdatensatz erzeugt wird,
    • – wobei das Bildverarbeitungsergebnis mittels des Bildverarbeitungsalgorithmus basierend auf dem medizinischen Bild ermittelt wird.
  • Die Erfinder haben erkannt, dass ein Bildrekonstruktionsalgorithmus, der auf herkömmliche Weise für eine Auswertung optimiert ist, die ein Radiologe durch eine Betrachtung des medizinischen Bildes mit dem bloßen Auge vornimmt, nicht immer optimal in Bezug auf das Bildverarbeitungsergebnis ist, welches mittels eines Bildverarbeitungsalgorithmus basierend auf dem medizinischen Bild ermittelt wird. Die Erfinder schlagen vor, einen Bildrekonstruktionsalgorithmus derart zu optimieren, dass die mittels des Bildrekonstruktionsalgorithmus erzeugten medizinischen Bilder für die Verwendung als Input für einen Bildverarbeitungsalgorithmus optimiert sind. Damit kann basierend auf einem medizinischen Bild, das mit dem erfindungsgemäß optimierten Bildverarbeitungsalgorithmus erzeugt wurde, ein Bildverarbeitungsergebnis ermittelt werden, welches im Vergleich zu einem Bildverarbeitungsergebnis, das basierend auf einem auf herkömmliche Weise rekonstruierten medizinischen Bild ermittelt wurde, verbessert ist.
  • Die Trainingsdatensätze können mit Hilfe von Informationen aus zuvor durchgeführten medizinischen Untersuchungen, aus synthetischen Daten und/oder aus medizinischen Publikationen und/oder Studienergebnissen bereitgestellt werden. Ein Trainingsdatensatz und/oder ein Teil des Trainingsdatensatzes, beispielsweise der Akquisitionsdatensatz und/oder das Referenz-Bildverarbeitungsergebnis, kann beispielsweise bereitgestellt werden, indem der Trainingsdatensatz und/oder der Teil des Trainingsdatensatzes mittels einer medizinischen Bildgebungsvorrichtung erzeugt wird und/oder aus einer medizinischen Datenbank geladen wird. Bei dem zumindest einen ersten Teilsatz des Satzes von Trainingsdatensätzen kann es sich insbesondere um einen ersten Teilsatz des Satzes von Trainingsdatensätzen oder um den Satz von Trainingsdatensätzen handeln. Bei dem zumindest einen zweiten Teilsatz des Satzes von Trainingsdatensätzen kann es sich insbesondere um einen zweiten Teilsatz des Satzes von Trainingsdatensätzen oder um den Satz von Trainingsdatensätzen handeln. Der erste Teilsatz des Satzes von Trainingsdatensätzen und der zweite Teilsatz des Satzes von Trainingsdatensätzen können beispielsweise identisch sein oder eine gemeinsame Schnittmenge von Trainingsdatensätzen umfassen oder keine gemeinsame Schnittmenge von Trainingsdatensätzen umfassen. Unterschiedlichen Iterationsschritten der Mehrzahl von Iterationsschritten kann bei spielsweise derselbe erste Teilsatz des Satzes von Trainingsdatensätzen oder können beispielsweise unterschiedliche erste Teilsätze des Satzes von Trainingsdatensätzen zu Grunde liegen. Unterschiedlichen Iterationsschritten der Mehrzahl von Iterationsschritten kann beispielsweise derselbe zweite Teilsatz des Satzes von Trainingsdatensätzen oder können beispielsweise unterschiedliche zweite Teilsätze des Satzes von Trainingsdatensätzen zu Grunde liegen.
  • Die zweiten medizinischen Bildern können basierend auf den Akquisitionsdatensätzen des Satzes von Trainingsdatensätzen und/oder basierend auf weiteren Akquisitionsdatensätzen eines weiteren Satzes von Trainingsdatensätzen erzeugt werden. Die Merkmale des Satzes von Trainingsdatensätzen, die der Fachmann aus dem Gesamtinhalt dieser Anmeldung entnimmt, können sinngemäß auf den weiteren Satz von Trainingsdatensätzen übertragen werden.
  • Insbesondere kann der Satz von Trainingsdatensätzen in Form eines Satzes von Trainingspaaren vorliegen, wobei jedes Trainingspaar des Satzes von Trainingspaaren jeweils einen Trainingsinput, aufweisend den Akquisitionsdatensatz, und einen Trainingsoutput, aufweisend das Referenz-Bildverarbeitungsergebnis, umfasst.
  • Unter dem Akquisitionsdatensatz kann beispielsweise auch eine Serie von zeitlich aufeinanderfolgenden Akquisitionsteildatensätzen verstanden werden. Unter dem medizinischen Bild kann beispielsweise auch eine Serie von zeitlich aufeinanderfolgenden medizinischen Teilbildern verstanden werden. Insbesondere kann der Akquisitionsdatensatz ein Projektionsdatensatz sein und/oder einen Projektionsdatensatz aufweisen. Insbesondere kann der Akquisitionsdatensatz ein k-Raum-Datensatz sein und/oder einen k-Raum-Datensatz aufweisen. Insbesondere kann für jeden Trainingsdatensatz des Satzes von Trainingsdatensätzen der Akquisitionsdatensatz des jeweiligen Trainingsdatensatzes ein Projektionsdatensatz sein und/oder einen Projektionsdatensatz aufweisen. Insbesondere kann für jeden Trainingsdatensatz des Satzes von Trainingsdatensätzen der Akquisitionsdatensatz des jeweiligen Trainingsdatensatzes ein k-Raum-Datensatz sein und/oder einen k-Raum-Datensatz aufweisen.
  • Ein Projektionsdatensatz umfasst typischerweise Projektionsdatenpunkte mit jeweils zumindest einem Projektionsdatenpunktwert, wobei der zumindest eine Projektionsdatenpunktwert ein Maß für eine Abschwächung einer Strahlung ist, wobei die Abschwächung der Strahlung ein dem jeweiligen Projektionsdatenpunkt zuordenbaren und/oder zugeordneten Strahlungspfad betrifft. Der Strahlungspfad kann sich insbesondere von einer Strahlungsquelle bis zu einem Detektorelement und/oder bis zu einer Gruppe von Detektorelementen erstrecken. Insbesondere kann ein Strahlungspfad durch eine Anordnung der Strahlungsquelle und des Detektorelements und/oder durch eine Anordnung der Strahlungsquelle und der Gruppe von Detektorelementen relativ zu einem Untersuchungsbereich und/oder relativ zu einem Bereich eines Patienten definiert sein. Insbesondere kann sich ein Abschnitt des Strahlungspfades durch einen Untersuchungsbereich und/oder durch einen Bereich eines Patienten erstrecken.
  • Ein medizinisches Bild umfasst typischerweise Bildpunkte mit jeweils zumindest einem Bildpunktwert, wobei der zumindest eine Bildpunktwert ein Maß für eine Abschwächung einer Strahlung ist, wobei die Abschwächung der Strahlung ein dem Bildpunkt zuordenbares und/oder zugeordnetes Volumenelement betrifft. Das Volumenelement kann sich insbesondere in einem Untersuchungsbereich und/oder in einem Bereich eines Patienten befinden.
  • Der Projektionsdatensatz ist typischerweise in einem Projektionsdatenraum hinterlegt. Das medizinische Bild ist typischerweise in einem Bilddatenraum hinterlegt. Insbesondere kann basierend auf dem Projektionsdatensatz mittels einer gefilterten Rückprojektion ein medizinisches Bild rekonstruierbar sein.
  • Das Referenz-Bildverarbeitungsergebnis kann beispielsweise in Form einer Diagnose und/oder einer Vorhersage, in Form eines Segmentierungsergebnisses, insbesondere in Form einer Kontur einer Struktur, in Form einer Klassifikation, insbesondere eines Tumors, insbesondere in benign oder malign, in Form einer Quantifizierung, insbesondere in Form einer Stadienbestimmung und/oder einer Bestimmung eines Ausbreitungsgrades, beispielsweise eines Tumors („tumor staging“), vorliegen.
  • Das Bildverarbeitungsergebnis kann beispielsweise ein Ergebnis einer Detektion von Lungenknoten, einer FFR-Simulation, einer CAD-Routine, einer insbesondere patienten-spezifischen Simulation, einer Konturierung, einer Segmentierung, eines Calcium-Scoring oder ähnliches und Kombinationen davon umfassen. Das Bildverarbeitungsergebnis kann beispielsweise einen berechneten FFR-Wert („computed fractional flow reserve“), ein Maß für eine Vulnerabilität im Zusammenhang mit Plaque („plaque vulnerability“) ein Maß für ein Risiko und/oder für ein Vorhandensein von Krebs, insbesondere Lungenkrebs, ein Maß für ein Risiko und/oder für ein Vorhandensein einer Erkrankung, insbesondere einer chronisch obstruktiven Lungenerkrankung („chronic obstructive pulmonary disease“). Unter dem Bildverarbeitungsergebnis kann insbesondere ein patienten-spezifisches Bildverarbeitungsergebnis verstanden werden.
  • Der Bildverarbeitungsalgorithmus kann beispielsweise CAD-Routinen, insbesondere zur Detektion von Lungenknoten, aufweisen.
  • Unter der Bildverarbeitungsinformation kann insbesondere ein Maß für eine Qualität des Bildverarbeitungsergebnisses und/oder ein Maß für eine Eignung des Bildverarbeitungsergebnisses für eine auf dem Bildverarbeitungsergebnis basierende Ermittlung eines Untersuchungsergebnisses verstanden werden. Die Bildverarbeitungsinformation kann beispielsweise ein Maß für eine Ungenauigkeit einer Diagnose und/oder einer Vorhersage, beispielsweise von Lungenkrebs, sein. Die Bildverarbei tungsinformation betrifft insbesondere dann ein Maß für eine Ungenauigkeit des Bildverarbeitungsergebnisses, wenn es ein Maß für eine Genauigkeit des Bildverarbeitungsergebnisses betrifft. Eine hohe Ungenauigkeit ist dabei gleichbedeutend mit einer geringen Genauigkeit und umgekehrt. Die Bildverarbeitungsinformation betrifft insbesondere dann ein Maß für eine Abweichung des Bildverarbeitungsergebnisses von dem jeweiligen Referenz-Bildverarbeitungsergebnis, wenn es ein Maß für eine Übereinstimmung des Bildverarbeitungsergebnisses mit dem jeweiligen Referenz-Bildverarbeitungsergebnis betrifft. Eine starke Abweichung ist dabei gleichbedeutend mit einer geringen Übereinstimmung und umgekehrt.
  • Insbesondere kann eine Klasse von Bildrekonstruktionsalgorithmen bereitgestellt werden, welche den zu optimierenden Bildrekonstruktionsalgorithmus umfasst. Die Bildrekonstruktionsalgorithmen der Klasse von Bildrekonstruktionsalgorithmen können sich beispielsweise voneinander in Bezug auf die Werte der Bildrekonstruktionsparameter des jeweiligen Bildrekonstruktionsparametersatzes unterscheiden. Der Bildrekonstruktionsalgorithmus kann beispielsweise optimiert werden, indem aus der Klasse von Bildrekonstruktionsalgorithmen ein besser geeigneter Bildrekonstruktionsalgorithmus, insbesondere mit einem optimierten Bildrekonstruktionsparametersatz, ausgewählt wird. Der Bildrekonstruktionsalgorithmus kann beispielsweise ein iterativer Bildrekonstruktionsalgorithmus sein. Insbesondere kann die Klasse von Bildrekonstruktionsalgorithmen Bildrekonstruktionsalgorithmen umfassen, welche sich in Bezug auf die Art des erzeugten medizinischen Bildes unterscheiden. Arten von medizinischen Bildern können beispielsweise sein: ein monoenergetisches medizinisches Bild, ein multispektrales medizinisches Bild, ein medizinisches Bild, welches ein Basismaterial einer Materialzerlegung darstellt, ein Perfusionsbild oder ähnliches. Insbesondere kann beim Optimieren des Bildrekonstruktionsalgorithmus eine besser geeignete Art von medizinischen Bildern ausgewählt werden. Der Bildrekonstruktionsalgorithmus kann beispielsweise optimiert werden, indem aus der Klasse von Bildrekonstrukti onsalgorithmen ein besser geeigneter Bildrekonstruktionsalgorithmus, insbesondere mit einem optimierten Bildrekonstruktionsparametersatz, ausgewählt wird, wobei mit dem ausgewählten Bildrekonstruktionsalgorithmus ein medizinisches Bild der ausgewählten Art von medizinischen Bildern erzeugt wird.
  • Insbesondere kann eine Klasse von Bildverarbeitungsalgorithmen bereitgestellt werden, welche den zu optimierenden Bildverarbeitungsalgorithmus umfasst. Die Bildverarbeitungsalgorithmen der Klasse von Bildverarbeitungsalgorithmen können sich beispielsweise voneinander in Bezug auf die Werte der Bildverarbeitungsparameter des jeweiligen Bildverarbeitungsparametersatzes unterscheiden. Der Bildverarbeitungsalgorithmus kann beispielsweise optimiert werden, indem aus der Klasse von Bildverarbeitungsalgorithmen ein besser geeigneter Bildverarbeitungsalgorithmus, insbesondere mit einem optimierten Bildverarbeitungsparametersatz, ausgewählt wird.
  • Insbesondere kann die Klasse von Bildverarbeitungsalgorithmen Bildverarbeitungsalgorithmen umfassen, welche sich in Bezug auf die Art des zu Grunde liegenden medizinischen Bildes unterscheiden. Insbesondere kann beim Optimieren des Bildverarbeitungsalgorithmus eine besser geeignete Art von medizinischen Bildern ausgewählt werden. Der Bildverarbeitungsalgorithmus kann beispielsweise optimiert werden, indem aus der Klasse von Bildverarbeitungsalgorithmen ein besser geeigneter Bildverarbeitungsalgorithmus, insbesondere mit einem optimierten Bildverarbeitungsparametersatz, ausgewählt wird, wobei mit dem ausgewählten Bildverarbeitungsalgorithmus ein Bildverarbeitungsergebnis basierend auf einem medizinischen Bild der ausgewählten Art von medizinischen Bildern ermittelt wird.
  • Insbesondere kann vorgesehen sein, dass das Verfahren ferner den folgenden Schritt umfasst:
    • – Optimieren des Bildverarbeitungsalgorithmus basierend auf dem zweiten Maschinenlernalgorithmus, den ersten medizinischen Bildern und den Bildverarbeitungsinformationen der ersten medizinischen Bilder.
  • Insbesondere kann bei jedem weiteren Iterationsschritt der Bildrekonstruktionsalgorithmus ausgehend von dem im vorhergehenden Iterationsschritt optimierten Bildrekonstruktionsalgorithmus basierend auf dem im vorhergehenden Iterationsschritt optimierten Bildverarbeitungsalgorithmus gemäß den Schritten des Verfahrens nach Anspruch 2 weiter optimiert werden. Insbesondere kann bei jedem weiteren Iterationsschritt der Bildverarbeitungsalgorithmus ausgehend von dem im vorhergehenden Iterationsschritt optimierten Bildverarbeitungsalgorithmus basierend auf dem Bildrekonstruktionsalgorithmus, der zuvor in dem jeweiligen weiteren Iterationsschritt weiter optimiert wurde, gemäß den Schritten des Verfahrens nach Anspruch 2 weiter optimiert wird.
  • Die Karte kann beispielsweise eine binäre Karte sein, mit welcher Bilddatenpunkte des ersten medizinischen Bildes entweder zu einer Struktur in dem ersten medizinischen Bild oder zu einem Hintergrund der Struktur in dem ersten medizinischen Bild zugeordnet werden und/oder mit welcher Bilddatenpunkte des ersten medizinischen Bildes entweder zu einer Struktur in dem zweiten medizinischen Bild oder zu einem Hintergrund der Struktur in dem zweiten medizinischen Bild zugeordnet werden.
  • Ein Bildverarbeitungsergebnis, welches das Erkennen einer Struktur in dem Patienten betrifft, kann beispielsweise ein binäres Ergebnis sein, welches angibt, ob die Struktur in dem Patienten vorhanden ist oder nicht. Ein Bildverarbeitungsergebnis, welches das Erkennen einer Struktur in dem Patienten betrifft, kann beispielsweise eine oder mehrere Wahrscheinlichkeitsangaben umfassen, die beispielsweise angeben, mit welcher Wahrscheinlichkeit eine erkannte Struktur einer gegebenen Klasse von Strukturen zuzuordnen ist. Beim Ermitteln des physiologischen Parameters kann beispielsweise eine ortsaufgelöste und/oder zeitaufgelöste Verteilung des physiologischen Parameters, insbesondere in einer Struktur des Patien ten, ermittelt werden. Ein Beispiel hierfür ist eine Verteilung von FFR-Werten in einem Herzkranzgefäß und/oder in einem Herzkranzgefäßbaum.
  • Die Qualität des Bildverarbeitungsergebnisses des ersten und/oder zweiten medizinischen Bildes kann insbesondere von Bildparametern des ersten und/oder zweiten medizinischen Bildes abhängen. Die Bildparameter des ersten und/oder zweiten medizinischen Bildes, welche beispielsweise das Rauschen und/oder die Auflösung betreffen, können insbesondere von dem Bildrekonstruktionsparametersatz und/oder von dem Untersuchungsparametersatz, insbesondere von dem Akquisitionsparametersatz, abhängen.
  • Der Bildrekonstruktionsparametersatz kann beispielsweise einen oder mehrere Parameter, welche einen Faltungskern des Bildrekonstruktionsalgorithmus betreffen, einen Parameter, welcher eine Schichtdicke betrifft, oder ähnliches und Kombinationen davon aufweisen.
  • Der Akquisitionsparametersatz kann beispielsweise einen oder mehrere Parameter, welche eine Strahlung bei der Akquisition des jeweiligen Akquisitionsdatensatzes betreffen, einen oder mehrere Parameter, welche einen Pitch und/oder eine Bewegung einer Lagerungsplatte zur Lagerung eines Patienten relativ zu einer Strahlungsquelle bei der Akquisition des jeweiligen Akquisitionsdatensatzes betreffen, einen oder mehrere Parameter, welche einen Detektor bei der Akquisition des jeweiligen Akquisitionsdatensatzes betreffen, einen oder mehrere Parameter eines Bildgebungsprotokolls oder ähnliches und Kombinationen davon aufweisen. Parameter, welche die Strahlung bei der Akquisition des jeweiligen Projektionsdatensatzes betreffen, können insbesondere Parameter sein, welche eine Röntgenröhren-Spannung, einen Röntgenröhren-Strom, einen Kollimator, ein Akquisitionsspektrum und/oder einen multispektralen Akquisitionsmodus betreffen. Parameter, welche einen Detektor bei der Akquisition des jeweiligen Projektionsdatensatzes betreffen, können insbesondere bei einem quantenzählenden De tektor Parameter sein, welche einen Energieschwellwert und/oder eine Zuordnung von Detektorelementen zu Detektoreinheiten betreffen. Detektoreinheiten, denen mehrere Detektorelemente zugeordnet sind, sind dem Fachmann beispielsweise auch unter dem Begriff Makro-Pixel bekannt. Ein Parameter, welcher die Zuordnung von Detektorelementen zu Detektoreinheiten betrifft, kann beispielsweise eine relative Auflösung von Detektoreinheiten im Vergleich zu Detektorelementen sein.
  • Der Injektionsparametersatz kann beispielsweise einen oder mehrere Parameter eines Injektionsprotokolls aufweisen. Der Injektionsparametersatz kann beispielsweise Parameter aufweisen, welche ein Volumen, eine Konzentration, eine Osmolarität, eine Viskosität, eine Flussrate, eine Injektionsposition, einen Injektionszeitpunkt und/oder eine Verzögerungszeit („time delay“) betreffen, wobei sich diese Parameter jeweils auf ein Kontrastmittel und/oder auf einen Kochsalzbolus beziehen können.
  • Der Patientenparametersatz kann beispielsweise Parameter aufweisen, welche das Geschlecht des Patienten, das Gewicht des Patienten, die Größe des Patienten und/oder das Alter des Patienten betreffen. Der Patientenparametersatz kann beispielsweise mit Hilfe einer elektronischen Gesundheitsakte („EMR – electronic medical record“, „EHR – electronic health record“) bereitgestellt werden. Der Außenbildparametersatz kann beispielsweise Parameter aufweisen, die basierend auf einem Bild vom Äußeren des Patienten und/oder vom Äußeren der medizinischen Bildgebungsvorrichtung ermittelt wurden. Das Bild vom Äußeren des Patienten kann beispielsweise mittels einer Kamera aufgenommen sein. Die Kamera kann beispielsweise eine optische Kamera, eine Infrarot-Kamera, eine 2D-Kamera, eine 3D-Kamera, eine in eine Datenbrille, die von einem Benutzer getragen wird, integrierte Kamera oder ähnliches oder Kombinationen davon sein. Insbesondere können Parameter des Patientenparametersatzes basierend auf Parametern des Außenbildparametersatzes ermittelt werden. Insbesondere können eine oder mehrere Parameter des Akquisitionsparametersatzes, des Injek tionsparametersatzes, des Bildrekonstruktionsparametersatzes und/oder des Bildverarbeitungsparametersatzes patienten-spezifisch gewählt werden und/oder basierend auf dem Patientenparametersatz und/oder dem Außenbildparametersatz ermittelt werden.
  • Der optimale Bereich für den zumindest einen Untersuchungsparameter des Untersuchungsparametersatzes kann beispielsweise ermittelt werden, indem diejenigen Akquisitionsdatensätze ermittelt werden, welche im Vergleich zu anderen Akquisitionsdatensätzen mehr Informationen und/oder genauere Informationen für das Optimieren des Bildrekonstruktionsalgorithmus basierend auf dem ersten Maschinenlernalgorithmus und/oder für das Optimieren des Bildverarbeitungsalgorithmus basierend auf dem zweiten Maschinenlernalgorithmus bereitstellen. Basierend auf den Untersuchungsparametersätzen, die den somit ermittelten Akquisitionsdatensätzen zugeordnet sind, kann der optimale Bereich für den zumindest einen Untersuchungsparameter ermittelt werden. Insbesondere können Bildgebungsprotokolle angepasst werden, um Akquisitionsdatensätze mit höherem und/oder genauerem Informationsgehalt bereitzustellen und/oder Akquisitionsdatensätze mit geringerem und/oder ungenauerem Informationsgehalt zu vermeiden. Beispielsweise kann eine Lage eines Untersuchungsbereichs derart gewählt werden, dass Regionen des Patienten, deren Akquisitionsdaten in Bezug auf das zu ermittelnde Untersuchungsergebnis lediglich einen geringen und/oder ungenauen Informationsgehalt aufweisen, nicht bestrahlt werden. Alternativ und/oder zusätzlich können auf diese Weise die Akquisitionsspektren und/oder Akquisitionsenergien optimiert werden. Auf diese Weise kann für den zumindest einen Untersuchungsparameter des Untersuchungsparametersatzes ein Bereich ermittelt werden, der insbesondere derart optimiert ist, dass mit einer möglichst geringen Strahlungsdosis ein Bildverarbeitungsergebnis von möglichst hoher Qualität ermittelt werden kann.
  • Die Erfindung ermöglicht eine Verbesserung der Qualität des Bildverarbeitungsergebnisses und damit eine Verbesserung der Qualität eines Untersuchungsergebnisses, welches basierend auf dem Bildverarbeitungsergebnis ermittelbar ist. Die Erfindung ermöglicht somit bessere Diagnosen, Vorhersagen und/oder Empfehlungen durch klinische Applikationen und damit bessere Ergebnisse von klinischen Prozessen. Bei der erfindungsgemäßen Lösung kann die diagnostische Qualität des Bildrekonstruktionsalgorithmus und/oder des Bildverarbeitungsergebnisses insbesondere mittels einer analytisch bestimmbarer Metrik ermittelt werden. Die erfindungsgemäße Lösung kann bei vielen klinischen Anwendungen vorteilhaft eingesetzt werden. Besondere Vorteile können beispielsweise bei klinischen Studien realisiert werden, bei denen patienten-spezifische bzw. probanden-spezifische Ergebnisse über eine große Anzahl von Patienten bzw. Probanden quantitativ vergleichbar zu erfassen sind. Insbesondere kann die erfindungsgemäße Lösung vorteilhaft bei einem Screening auf Lungenkrebs („lung cancer screening“) verwendet werden.
  • Ferner kann für die Bewertung der diagnostischen Qualität der Datenverabeitungskette, welche den Bildrekonstruktionsalgorithmus und den Bildverarbeitungsalgorithmus umfasst, unter anderem auch das Ergebnis einer eventuell nachfolgenden Therapie herangezogen werden. Optional können bei der erfindungsgemäßen Lösung Präferenzen der Nutzer berücksichtigt werden. Bei dem Nutzer kann es sich um eine Person, beispielsweise einen Radiologen, oder um eine Gruppe, beispielsweise eine Gruppe von Radiologen derselben Klinik und/oder desselben Klinikbetreibers, handeln. Beispielsweise kann für den Fall, dass von einem Nutzer medizinische Bilder in einer bestimmten Ausgestaltung, die typisch für einen gegebenen Medizingerätehersteller ist, bevorzugt werden, vorgesehen sein, dass beim Optimieren des Bildrekonstruktionsalgorithmus und/oder des Bildverarbeitungsalgorithmus Trainingsdatensätze, die dem gegebenen Medizingerätehersteller zugeordnet sind, mit einer höheren Gewichtung berücksichtigt werden.
  • Unter einem Maschinenlernalgorithmus wird im Kontext dieser Anmeldung insbesondere ein Algorithmus, der zum Maschinellen Lernen ausgebildet ist, verstanden. Ein Maschinenlernalgorithmus kann beispielsweise mit Hilfe von Entscheidungsbäumen, mathematischen Funktionen und/oder allgemeinen Programmiersprachen realisiert werden. Der Maschinenlernalgorithmus kann beispielsweise zum überwachten Lernen und/oder zum unüberwachten Lernen ausgebildet sein. Der Maschinenlernalgorithmus kann beispielsweise zum tiefen Lernen („deep learning“) und/oder zum bestärkendem Lernen („reinforcement learning“) und/oder zum Marginal Space Learning ausgebildet sein. Insbesondere beim überwachten Lernen kann eine Funktionenklasse verwendet werden, welche beispielsweise auf Entscheidungsbäumen („decision trees“), einem Random Forest, einer logistischen Regression, einer Support Vector Machine, einem künstlichen neuronalen Netz, einer Kernel-Methode, Bayes-Klassifikatoren oder ähnlichem oder Kombinationen davon basiert. Mögliche Implementierungen des Maschinenlernalgorithmus können beispielsweise Künstliche Intelligenz verwenden. Alternativ oder zusätzlich zu dem ersten Maschinenlernalgorithmus und/oder zu dem zweiten Maschinenlernalgorithmus können ein oder mehrere regelbasierte Algorithmen verwendet werden. Für das Optimieren können dem Fachmann bekannte Optimierungsverfahren verwendet werden. Berechnungen, insbesondere beim Optimieren, können beispielsweise mittels eines Prozessorsystems ausgeführt werden. Das Prozessorsystem kann beispielsweise einen oder mehrere Grafikprozessoren aufweisen.
  • Ein oder mehrere Parameter des optimierten Bildrekonstruktionsparametersatzes, des optimierten Bildverarbeitungsparametersatzes und/oder der optimale Bereich für den zumindest einen Untersuchungsparameter des Untersuchungsparametersatzes können beispielsweise an eine Smartphone-Applikation gesendet werden und/oder von der Smartphone-Applikation gespeichert werden. Alternativ oder zusätzlich können diese Parameter an eine Steuerungsvorrichtung einer medizinischen Bildgebungsvorrichtung ausgegeben und/oder in der Steuerungsvorrichtung der medizinischen Bildgebungsvorrichtung gespeichert werden, insbesondere derart, dass sie für nachfolgende Untersuchungen mittels der medizinischen Bildgebungsvorrichtung zur Verfü gung stehen. Alternativ oder zusätzlich können diese Parameter in einer Cloud und/oder als Teil einer Datenbank zur gemeinsamen Benutzung von Bildgebungsprotokollen durch mehrere Nutzer und/oder an mehreren medizinischen Bildgebungsvorrichtungen.
  • Das Datenverarbeitungssystem kann beispielsweise eine oder mehrere Komponenten in Form von Hardware und/oder eine oder mehrere Komponenten in Form von Software aufweisen. Das Datenverarbeitungssystem kann beispielsweise die Datenverarbeitungseinheit und/oder eine oder mehrere Komponenten der Datenverarbeitungseinheit bilden. Das Datenverarbeitungssystem kann beispielsweise zumindest teilweise von einem Cloud-Computing-System gebildet sein. Das Datenverarbeitungssystem kann beispielsweise ein Cloud-Computing-System, ein Computernetzwerk, ein Computer, ein Tabletcomputer, ein Smartphone oder ähnliches oder Kombinationen davon sein und/oder aufweisen. Die Hardware kann beispielsweise mit einer Software zusammenwirken und/oder mittels einer Software konfigurierbar sein. Die Software kann beispielsweise mittels der Hardware ausgeführt werden. Bei der Hardware kann es sich beispielsweise um ein Speichersystem, ein FPGA-System (Fieldprogrammable gate array), ein ASIC-System (Applicationspecific integrated circuit), ein Mikrocontroller-System, ein Prozessorsystem und Kombinationen daraus handeln. Das Prozessorsystem kann beispielsweise einen Mikroprozessor und/oder mehrere zusammenwirkende Mikroprozessoren aufweisen.
  • Ein Datentransfer zwischen Komponenten des Datenverarbeitungssystems kann beispielsweise jeweils mittels einer geeigneten Datentransfer-Schnittstelle erfolgen. Die Datentransfer-Schnittstelle zum Datentransfer an und/oder von einer Komponente des Datenverarbeitungssystems kann zumindest teilweise in Form von Software und/oder zumindest teilweise in Form von Hardware realisiert sein. Die Datentransfer-Schnittstelle kann beispielsweise zum Abspeichern von Daten in und/oder zum Laden von Daten aus einem Bereich des Speichersystems ausgebildet sein, wobei auf diesen Bereich des Speichersystems eine oder mehrere Komponenten des Datenverarbeitungssystems zugreifen können.
  • Das Computerprogramm ist in das Speichersystem des Datenverarbeitungssystems ladbar und von dem Prozessorsystem des Datenverarbeitungssystems ausführbar. Das Datenverarbeitungssystem kann beispielsweise mittels des Computerprogramms derart ausgebildet sein, dass das Datenverarbeitungssystem die Schritte eines Verfahrens nach einer der Ausführungsformen, die in der Beschreibung und/oder in den Ansprüchen offenbart sind, ausführen kann, wenn das Computerprogramm von dem Datenverarbeitungssystem ausgeführt wird.
  • Das Computerprogrammprodukt kann beispielsweise das Computerprogramm sein oder neben dem Computerprogramm mindestens einen zusätzlichen Bestandteil umfassen. Der mindestens eine zusätzliche Bestandteil des Computerprogrammprodukts kann als Hardware und/oder als Software ausgebildet sein. Das Computerprogrammprodukt kann beispielsweise ein Speichermedium, auf dem zumindest ein Teil des Computerprogrammprodukts gespeichert ist, und/oder ein Schlüssel zur Authentifizierung eines Benutzers des Computerprogrammprodukts, insbesondere in Form eines Dongles, aufweisen. Das Computerprogrammprodukt und/oder das Computerprogrammkann beispielsweise ein Cloud-Anwendungs-Programm aufweisen, welches zum Verteilen von Programmabschnitten des Computerprogramms auf verschiedene Verarbeitungseinheiten, insbesondere verschiedene Computer, eines Cloud-Computing-Systems ausgebildet ist, wobei jede der Verarbeitungseinheiten zum Ausführen eines oder mehrerer Programmabschnitte des Computerprogramms ausgebildet ist.
  • Auf dem computerlesbaren Medium kann beispielsweise das Computerprogrammprodukt nach einer der Ausführungsformen, die in der Beschreibung und/oder in den Ansprüchen offenbart sind, und/oder das Computerprogramm nach einer der Ausführungsformen, die in der Beschreibung und/oder in den Ansprüchen offenbart sind, gespeichert sein. Das computerlesbare Medium kann beispielsweise ein Memorystick, eine Festplatte oder ein sonstiger Datenträger sein, der insbesondere lösbar mit dem Datenverarbeitungssystem verbunden oder fest in das Datenverarbeitungssystem integriert sein kann. Das computerlesbare Medium kann beispielsweise einen Bereich des Speichersystems des Datenverarbeitungssystems bilden.
  • Die medizinische Bildgebungsvorrichtung kann beispielsweise aus der Bildgebungsmodalitäten-Gruppe gewählt sein, welche aus einem Röntgengerät, einem C-Bogen-Röntgengerät, einem Computertomographiegerät (CT-Gerät), einem Molekularbildgebungsgerät (MI-Gerät), einem Einzelphotonen-Emissions-Computertomographiegerät (SPECT-Gerät), einem Positronen-Emissions-Tomographiegerät (PET-Gerät), einem Magnetresonanztomographiegerät (MRT-Gerät) und Kombinationen daraus (insbesondere PET-CT-Gerät, PET-MR-Gerät) besteht. Die medizinische Bildgebungsvorrichtung kann ferner eine Kombination einer Bildgebungsmodalität, die beispielsweise aus der Bildgebungsmodalitäten-Gruppe gewählt ist, und einer Bestrahlungsmodalität aufweisen. Dabei kann die Bestrahlungsmodalität beispielsweise eine Bestrahlungseinheit zur therapeutischen Bestrahlung aufweisen. Ohne Einschränkung des allgemeinen Erfindungsgedankens werden einige der Ausführungsformen am Beispiel eines Computertomographiegerätes erläutert.
  • Gemäß einer Ausführungsform der Erfindung weist die medizinische Bildgebungsvorrichtung eine Akquisitionseinheit, welche zur Akquisition der Akquisitionsdaten ausgebildet ist, auf. Insbesondere kann die Akquisitionseinheit eine Strahlungsquelle und einen Strahlungsdetektor aufweisen. Eine Ausführungsform der Erfindung sieht vor, dass die Strahlungsquelle zur Emission und/oder zur Anregung einer Strahlung, insbesondere einer elektromagnetischen Strahlung, ausgebildet ist und/oder dass der Strahlungsdetektor zur Detektion der Strahlung, insbesondere der elektromagnetischen Strahlung, ausgebildet ist. Die Strahlung kann beispielsweise von der Strahlungsquelle zu einem abzubildenden Bereich gelangen und/oder nach einer Wechselwirkung mit dem abzubildenden Bereich zu dem Strahlungsdetektor gelangen. Bei der Wechselwirkung mit dem abzubildenden Bereich wird die Strahlung modifiziert und damit zum Träger von Informationen, die den abzubildenden Bereich betreffen. Bei der Wechselwirkung der Strahlung mit dem Detektor werden diese Informationen in Form von Akquisitionsdaten erfasst.
  • Insbesondere bei einem Computertomographiegerät und bei einem C-Bogen-Röntgengerät kann der Akquisitionsdatensatz ein Projektionsdatensatz, die Akquisitionseinheit eine Projektionsdaten-Akquisitionseinheit, die Strahlungsquelle eine Röntgenquelle, der Strahlungsdetektor ein Röntgendetektor sein. Der Röntgendetektor kann insbesondere ein quantenzählender und/oder energieauflösender Röntgendetektor sein. Unter einem Projektionsdatensatz kann insbesondere ein Computertomographie-Projektionsdatensatz, beispielsweise ein Sinogramm, verstanden werden. Insbesondere bei einem Magnetresonanztomographiegerät kann der Akquisitionsdatensatz ein k-Raum-Datensatz, die Akquisitionseinheit eine k-Raum-Daten-Akquisitionseinheit, die Strahlungsquelle eine erste Hochfrequenzantenneneinheit, der Strahlungsdetektor die erste Hochfrequenzantenneneinheit und/oder eine zweite Hochfrequenzantenneneinheit sein.
  • Die Gantry einer medizinischen Bildgebungsvorrichtung weist typischerweise eine Tragkonstruktion auf, an der insbesondere Komponenten der Akquisitionseinheit, insbesondere die Strahlungsquelle und/oder der Strahlungsdetektor, angeordnet sind. Die Tragkonstruktion der Gantry weist typischerweise eine derart hohe Steifigkeit und Festigkeit auf, dass die Komponenten der Akquisitionseinheit sowohl relativ zueinander als auch relativ zu einem abzubildenden Bereich in einer für die Bildgebung hinreichend definierten Geometrie anordenbar sind. Bei einem Computertomographiegerät weist die Gantry typischerweise einen Tragrahmen und einen relativ zu dem Tragrahmen drehbar gelagerten Rotor auf, wobei die Strahlungsquelle und der Strahlungsdetektor an dem Rotor angeordnet sind. Optional kann die Gantry einen relativ zu dem Tragrahmen kipp bar gelagerten Kipprahmen aufweisen, wobei der Rotor an dem Kipprahmen angeordnet ist.
  • Im Rahmen der Erfindung können Merkmale, welche in Bezug auf unterschiedliche Ausführungsformen der Erfindung und/oder unterschiedliche Anspruchskategorien (Verfahren, Vorrichtung, System usw.) beschrieben sind, zu weiteren Ausführungsformen der Erfindung kombiniert werden. Mit anderen Worten können die gegenständlichen Ansprüche auch mit den Merkmalen, die in Zusammenhang mit einem Verfahren beschrieben oder beansprucht sind, weitergebildet sein. Funktionale Merkmale eines Verfahrens können dabei durch entsprechend ausgebildete gegenständliche Komponenten ausgeführt werden. Neben den in dieser Anmeldung ausdrücklich beschriebenen Ausführungsformen der Erfindung sind vielfältige weitere Ausführungsformen der Erfindung denkbar, zu denen der Fachmann gelangen kann, ohne den Bereich der Erfindung zu verlassen, soweit er durch die Ansprüche vorgegeben ist.
  • Die Verwendung der unbestimmten Artikel „ein“ bzw. „eine“ schließt nicht aus, dass das betroffene Merkmal auch mehrfach vorhanden sein kann. Die Verwendung des Ausdrucks „aufweisen“ schließt nicht aus, dass die mittels des Ausdrucks „aufweisen“ verknüpften Begriffe identisch sein können. Beispielsweise weist die medizinische Bildgebungsvorrichtung die medizinische Bildgebungsvorrichtung auf. Die Verwendung des Ausdrucks „Einheit“ schließt nicht aus, dass der Gegenstand, auf den sich der Ausdruck „Einheit“ bezieht, mehrere Komponenten aufweisen kann, die räumlich voneinander separiert sind.
  • Die Verwendung von Ordnungszahlwörtern (erste, zweite, dritte etc.) in der Bezeichnung von Merkmalen dient im Kontext der vorliegenden Anmeldung vor allem der besseren Unterscheidbarkeit der unter Verwendung von Ordnungszahlwörtern bezeichneten Merkmale. Das Nichtvorhandensein eines Merkmals, welches durch eine Kombination eines gegebenen Ordnungszahlworts und eines Begriffs bezeichnet wird, schließt nicht aus, dass ein Merkmal vorhanden sein kann, welches durch eine Kombination eines dem gegebenen Ordnungszahlwort nachfolgenden Ordnungszahlworts und des Begriffs bezeichnet wird.
  • Der Ausdruck „basierend auf“ kann im Kontext der vorliegenden Anmeldung insbesondere im Sinne des Ausdrucks „unter Verwendung von“ verstanden werden. Insbesondere schließt eine Formulierung, der zufolge ein erstes Merkmal basierend auf einem zweiten Merkmal erzeugt (alternativ: ermittelt, bestimmt etc.) wird, nicht aus, dass das erste Merkmal basierend auf einem dritten Merkmal erzeugt (alternativ: ermittelt, bestimmt etc.) werden kann.
  • Im Folgenden werden ausgewählte Ausführungsformen unter Hinweis auf die beigefügten Figuren erläutert. Die Darstellung in den Figuren ist schematisch, stark vereinfacht und nicht zwingend maßstabsgetreu.
  • Es zeigen:
  • 1 ein Ablaufdiagramm für ein Verfahren zum Optimieren eines Bildrekonstruktionsalgorithmus gemäß einer Ausführungsform der Erfindung,
  • 2 eine schematische Darstellung einer Datenverarbeitungseinheit zum Optimieren eines Bildrekonstruktionsalgorithmus gemäß einer weiteren Ausführungsform der Erfindung,
  • 3 ein Ablaufdiagramm für ein Verfahren zum Optimieren eines Bildrekonstruktionsalgorithmus und eines Bildverarbeitungsalgorithmus gemäß einer weiteren Ausführungsform der Erfindung,
  • 4 eine schematische Darstellung einer Datenverarbeitungseinheit zum Optimieren eines Bildrekonstruktionsalgorithmus und eines Bildverarbeitungsalgorithmus gemäß einer weiteren Ausführungsform der Erfindung,
  • 5 eine schematische Darstellung einer medizinischen Bildgebungsvorrichtung gemäß einer weiteren Ausführungsform der Erfindung,
  • 6 ein Ablaufdiagramm für ein Verfahren zum Optimieren eines Bildrekonstruktionsalgorithmus und eines Bildverarbeitungsalgorithmus gemäß einer weiteren Ausführungsform der Erfindung,
  • 7 ein Ablaufdiagramm für ein herkömmliches Verfahren zum Ermitteln eines Untersuchungsergebnisses,
  • 8 ein Ablaufdiagramm für ein Verfahren, bei dem ein Bildrekonstruktionsalgorithmus und ein Bildverarbeitungsalgorithmus, welche gemäß einem Verfahren nach einer Ausführungsform der Erfindung optimiert wurden, zum Ermitteln eines Bildverarbeitungsergebnisses basierend auf einem Akquisitionsdatensatz verwendet werden,
  • 9 eine schematische Darstellung eines medizinischen Bildes, in dem ein Herzkranzgefäß beispielhaft für eine segmentierbare Struktur dargestellt ist.
  • 1 zeigt ein Ablaufdiagramm für ein Verfahren zum Optimieren eines Bildrekonstruktionsalgorithmus gemäß einer Ausführungsform der Erfindung, wobei das Verfahren die folgenden Schritte umfasst:
    • – Bereitstellen PT eines Satzes von Trainingsdatensätzen, wobei jeder Trainingsdatensatz jeweils einen Akquisitionsdatensatz aufweist,
    • – Erzeugen GI1 jeweils eines ersten medizinischen Bildes für jeden Trainingsdatensatz zumindest eines ersten Teilsatzes des Satzes von Trainingsdatensätzen mittels des Bildrekonstruktionsalgorithmus basierend auf dem jeweiligen Akquisitionsdatensatz,
    • – Ermitteln DR1 jeweils eines Bildverarbeitungsergebnisses für jedes der ersten medizinischen Bilder mittels eines Bildverarbeitungsalgorithmus basierend auf dem jeweiligen ersten medizinischen Bild,
    • – Ermitteln DX1 jeweils einer Bildverarbeitungsinformation für jedes der ersten medizinischen Bilder, welche eine Qualität des jeweiligen Bildverarbeitungsergebnisses betrifft, basierend auf dem jeweiligen Bildverarbeitungsergebnis,
    • – Optimieren OR des Bildrekonstruktionsalgorithmus basierend auf einem ersten Maschinenlernalgorithmus, dem zumindest einen ersten Teilsatz des Satzes von Trainingsdatensätzen und den Bildverarbeitungsinformationen der ersten medizinischen Bilder.
  • 2 zeigt eine schematische Darstellung einer Datenverarbeitungseinheit 35 zum Optimieren eines Bildrekonstruktionsalgorithmus gemäß einer weiteren Ausführungsform der Erfindung, aufweisend eine Bereitstellungseinheit PT-M, eine erste Bilderzeugungseinheit GI1-M, eine erste Ergebnisermittlungseinheit DR1-M, eine erste Informationsermittlungseinheit DX1-M und eine Bildrekonstruktionsoptimierungseinheit OR-M.
  • 3 zeigt ein Ablaufdiagramm für ein Verfahren zum Optimieren eines Bildrekonstruktionsalgorithmus und eines Bildverarbeitungsalgorithmus gemäß einer weiteren Ausführungsform der Erfindung, wobei das Verfahren zusätzlich zu den Schritten, die in der 1 dargestellt sind, die folgenden Schritte umfasst:
    • – Erzeugen GI2 jeweils eines zweiten medizinischen Bildes für jeden Trainingsdatensatz zumindest eines zweiten Teilsatzes des Satzes von Trainingsdatensätzen mittels des optimierten Bildrekonstruktionsalgorithmus basierend auf dem jeweiligen Akquisitionsdatensatz,
    • – Ermitteln DR2 jeweils eines Bildverarbeitungsergebnisses für jedes der zweiten medizinischen Bilder mittels des Bildverarbeitungsalgorithmus basierend auf dem jeweiligen zweiten medizinischen Bild,
    • – Ermitteln DX2 jeweils einer Bildverarbeitungsinformation für jedes der zweiten medizinischen Bilder, welche eine Qualität des jeweiligen Bildverarbeitungsergebnisses betrifft, basierend auf dem jeweiligen Bildverarbeitungsergebnis,
    • – Optimieren OP des Bildverarbeitungsalgorithmus basierend auf einem zweiten Maschinenlernalgorithmus, den zweiten medizinischen Bildern und den Bildverarbeitungsinformationen der zweiten medizinischen Bilder.
  • Der gestrichelte Pfeil deutet an, dass die in der 3 dargestellten Schritte in einem weiteren Iterationsschritt einer Mehrzahl von Iterationsschritten erneut ausgeführt werden können.
  • 4 zeigt eine schematische Darstellung einer Datenverarbeitungseinheit 35 zum Optimieren eines Bildrekonstruktionsalgorithmus und eines Bildverarbeitungsalgorithmus gemäß einer weiteren Ausführungsform der Erfindung, ferner aufweisend eine zweite Bilderzeugungseinheit GI2-M, eine zweite Ergebnisermittlungseinheit DR2-M, eine zweite Informationsermittlungseinheit DX2-M und eine Bildverarbeitungsoptimierungseinheit OP-M.
  • Der gestrichelte Pfeil deutet an, dass die in der 3 dargestellten Schritte in einem weiteren Iterationsschritt einer Mehrzahl von Iterationsschritten mittels der in der 4 dargestellten Komponenten der Datenverarbeitungseinheit 35 erneut ausgeführt werden können.
  • 5 zeigt eine schematische Darstellung einer medizinischen Bildgebungsvorrichtung gemäß einer weiteren Ausführungsform der Erfindung. Ohne Beschränkung des allgemeinen Erfindungsgedankens ist für die medizinische Bildgebungsvorrichtung 1 beispielhaft ein Computertomographiegerät gezeigt. Die medizinische Bildgebungsvorrichtung 1 weist die Gantry 20, die tunnelförmige Öffnung 9, die Patientenlagerungsvorrichtung 10 und die Steuerungsvorrichtung 30 auf.
  • Die Gantry 20 weist den stationären Tragrahmen 21, den Kipprahmen 22 und den Rotor 24 auf. Der Rotor 24 ist mittels ei ner Drehlagerungsvorrichtung an dem Kipprahmen 22 um eine Rotationsachse relativ zu dem Kipprahmen 21 drehbar angeordnet.
  • In die tunnelförmige Öffnung 9 ist der Patient 13 einführbar. In der tunnelförmigen Öffnung 9 befindet sich der Akquisitionsbereich 4. In dem Akquisitionsbereich 4 ist ein abzubildender Bereich des Patienten 13 derart positionierbar, dass die Strahlung 27 von der Strahlungsquelle 26 zu dem abzubildenden Bereich gelangen kann und nach einer Wechselwirkung mit dem abzubildenden Bereich zu dem Strahlungsdetektor 28 gelangen kann.
  • Die Patientenlagerungsvorrichtung 10 weist den Lagerungssockel 11 und die Lagerungsplatte 12 zur Lagerung des Patienten 13 auf. Die Lagerungsplatte 12 ist derart relativ zu dem Lagerungssockel 11 bewegbar an dem Lagerungssockel 11 angeordnet, dass die Lagerungsplatte 12 in einer Längsrichtung der Lagerungsplatte 12 in den Akquisitionsbereich 4 einführbar ist.
  • Die medizinische Bildgebungsvorrichtung 1 ist zur Akquisition von Akquisitionsdaten basierend auf einer elektromagnetischen Strahlung 27 ausgebildet. Die medizinische Bildgebungsvorrichtung 1 weist eine Akquisitionseinheit auf. Die Akquisitionseinheit ist eine Projektionsdaten-Akquisitionseinheit mit der Strahlungsquelle 26, z. B. einer Röntgenquelle, und dem Detektor 28, z. B. einem Röntgendetektor, insbesondere einem energieauflösenden Röntgendetektor. Die Strahlungsquelle 26 ist an dem Rotor 24 angeordnet und zur Emission einer Strahlung 27, z. B. einer Röntgenstrahlung, mit Strahlungsquanten 27 ausgebildet. Der Detektor 28 ist an dem Rotor 24 angeordnet und zur Detektion der Strahlungsquanten 27 ausgebildet. Die Strahlungsquanten 27 können von der Strahlungsquelle 26 zu dem abzubildenden Bereich des Patienten 13 gelangen und nach einer Wechselwirkung mit dem abzubildenden Bereich auf den Detektor 28 auftreffen. Auf diese Weise können mittels der Akquisitionseinheit ein Akquisitionsdatensatz des abzu bildenden Bereichs in Form eines Projektionsdatensatzes erfasst werden.
  • Die Steuerungsvorrichtung 30 ist zum Empfangen der von der Akquisitionseinheit akquirierten Akquisitionsdaten ausgebildet. Die Steuerungsvorrichtung 30 ist zum Steuern der medizinischen Bildgebungsvorrichtung 1 ausgebildet. Die Steuerungsvorrichtung 30 weist die Datenverarbeitungseinheit 35, das computerlesbare Medium 32 und das Prozessorsystem 36 auf. Die Steuerungsvorrichtung 30, insbesondere die Datenverarbeitungseinheit 35, wird von einem Datenverarbeitungssystem, welches einen Computer aufweist, gebildet.
  • Die Steuerungsvorrichtung 30 weist die Bildrekonstruktionseinrichtung 34 auf. Mittels der Bildrekonstruktionseinrichtung 34 kann basierend auf einem Akquisitionsdatensatz ein medizinischer Bilddatensatz rekonstruiert werden.
  • Die medizinische Bildgebungsvorrichtung 1 weist eine Eingabevorrichtung 38 und eine Ausgabevorrichtung 39 auf, welche jeweils mit der Steuerungsvorrichtung 30 verbunden sind. Die Eingabevorrichtung 38 ist zum Eingeben von Steuerungs-Informationen, z. B. Bildrekonstruktionsparametern, Untersuchungsparametern oder ähnliches, ausgebildet. Die Ausgabevorrichtung 39 ist insbesondere zum Ausgeben von Steuerungs-Informationen, Bildern und/oder Tönen ausgebildet.
  • 6 zeigt ein Ablaufdiagramm für ein Verfahren zum Optimieren eines Bildrekonstruktionsalgorithmus und eines Bildverarbeitungsalgorithmus gemäß einer weiteren Ausführungsform der Erfindung. Wie durch den gestrichelten Pfeil dargestellt, wird eine Mehrzahl von Iterationsschritten ausgeführt. Anschließend an den letzten Iterationsschritt der Mehrzahl von Iterationsschritten können der optimierte Bildrekonstruktionsalgorithmus und der optimierte Bildverarbeitungsalgorithmus ausgegeben, insbesondere gespeichert, und/oder zum Ermitteln eines Bildverarbeitungsergebnisses basierend auf einem Akquisitionsdatensatz ermittelt werden. Im Kontext dieser An meldung werden der optimierte Bildrekonstruktionsalgorithmus und der optimierte Bildverarbeitungsalgorithmus zusammengefasst als MetaIR MIR bezeichnet.
  • 7 zeigt ein Ablaufdiagramm für ein herkömmliches Verfahren zum Ermitteln eines Untersuchungsergebnisses. Bei dem Schritt PP wird ein Akquisitionsdatensatz bereitgestellt. Bei dem Schritt GI0 wird ein medizinisches Bild mittels eines herkömmlichen Bildrekonstruktionsalgorithmus basierend auf dem Akquisitionsdatensatz erzeugt. Bei dem Schritt GR0 wird ein Bildverarbeitungsergebnis mittels eines herkömmlichen Bildverarbeitungsalgorithmus basierend auf dem medizinischen Bild ermittelt. Bei dem Schritt CA0 wird ein Untersuchungsergebnis, beispielsweise eine Diagnose und/oder eine Vorhersage, basierend auf dem Bildverarbeitungsergebnis ermittelt.
  • 8 zeigt ein Ablaufdiagramm für ein Verfahren, bei dem ein Bildrekonstruktionsalgorithmus und ein Bildverarbeitungsalgorithmus, welche gemäß einem Verfahren nach einer Ausführungsform der Erfindung optimiert wurden, zum Ermitteln eines Bildverarbeitungsergebnisses basierend auf einem Akquisitionsdatensatz verwendet werden. Bei dem Schritt PP wird ein Akquisitionsdatensatz bereitgestellt. Bei dem Schritt GI3 wird ein medizinisches Bild mittels des optimierten Bildrekonstruktionsalgorithmus basierend auf dem Akquisitionsdatensatz erzeugt. Bei dem Schritt GR3 wird ein Bildverarbeitungsergebnis mittels des optimierten Bildverarbeitungsalgorithmus basierend auf dem medizinischen Bild ermittelt. Bei dem Schritt CA3 wird ein Untersuchungsergebnis, beispielsweise eine Diagnose und/oder eine Vorhersage, basierend auf dem Bildverarbeitungsergebnis ermittelt.
  • Bei den Akquisitionsdatensätzen kann es sich insbesondere um Sinogramme S(x) handeln. Ein medizinisches Bild I_IT(x) kann beispielsweise basierend auf einem Akquisitionsdatensatz mittels des Bildrekonstruktionsalgorithmus erzeugt werden, indem zunächst ein Anfangsbild I_f(x) mittels einer gefilterten Rückprojektion FBP und/oder mittels eines anderen, insbeson dere nicht-iterativen, Rekonstruktionsverfahrens erzeugt wird und anschließend ein iteratives Rekonstruktionsverfahren IR basierend auf dem Anfangsbild I_f(x) ausgeführt wird: I_f(x) = FBP (S(x)), I_IT(x) = IR (I_IT – 1(x), I_f(x)).
  • Bei den Referenz-Bildverarbeitungsergebnissen kann es sich insbesondere um binäre Karten I_MASK(x) handeln. Beispielsweise kann I_MASK(x) Bildpunkten, die einer Struktur in dem medizinischen Bild zugeordnet sind, den Wert 1 zuordnen und Bildpunkten, die einem Hintergrund einer Struktur in dem medizinischen Bild zugeordnet sind, den Wert 0 zuordnen.
  • Der Bildverarbeitungsalgorithmus kann beispielsweise basierend auf einem Satz von Trainingspaaren TRAINING optimiert werden, wobei jedes Trainingspaar des Satzes von Trainingspaaren ein medizinisches Bild und ein entsprechendes Referenz-Bildverarbeitungsergebnis aufweist: TRAINING = {[I_MASK(x), I_IT(x)]_1, ..., [I_MASK(x), I_IT(x)]_N}.
  • Dabei steht N für die Anzahl der Trainingspaare in dem Satz von Trainingspaaren.
  • Gemäß einer Ausführungsform der Erfindung ist der Bildverarbeitungsalgorithmus p(I_IT(x)|BETA) zum Segmentieren einer Struktur in dem medizinischen Bild ausgebildet. Dabei können Bildpunkte mittels des Bildverarbeitungsalgorithmus einer Struktur in dem medizinischen Bild und/oder einem Hintergrund der Struktur in dem medizinischen Bild zugeordnet werden. Beispielsweise kann der Bildverarbeitungsalgorithmus p Bildpunkten, die von dem Bildverarbeitungsalgorithmus einer Struktur in dem medizinischen Bild zugeordnet werden, den Wert 1 zuordnen und Bildpunkten, die von dem Bildverarbeitungsalgorithmus einem Hintergrund einer Struktur in dem me dizinischen Bild zugeordnet werden, den Wert 0 zuordnen. Diese Zuordnung kann insbesondere von dem medizinischen Bild und von dem Bildverarbeitungsparametersatz BETA abhängen. Die Bildverarbeitungsinformation, welche die Qualität des jeweiligen Bildverarbeitungsergebnisses betrifft, kann beispielsweise eine Matrixnorm und/oder eine Vektornorm eines Differenzbildes sein, welches durch Subtraktion der binären Karte von dem Bildverarbeitungsergebnis ermittelt werden kann. In der Formel für KPI2 stehen die Klammern |...| für eine Matrixnorm, beispielsweise eine der euklidschen Norm entsprechende Matrixnorm. Optimierung: Kleinste Quadrate Die zweite kumulierte Bildverarbeitungsinformation KPI2, welche basierend auf den Bildverarbeitungsinformationen ermittelt wird, kann beispielsweise die Summe der Werte der Bildverarbeitungsinformationen sein.
    Figure DE102016215109A1_0002
  • Der Bildverarbeitungsalgorithmus p kann beispielsweise optimiert werden, indem ein optimierter Bildverarbeitungsparametersatz BETA des Bildverarbeitungsalgorithmus ermittelt wird. Der optimierte Bildverarbeitungsparametersatz BETA kann beispielsweise derart basierend auf dem zweiten Maschinenlernalgorithmus ermittelt werden, dass die zweite kumulierte Bildverarbeitungsinformation KPI2 minimiert wird. Auf diese Weise kann der Bildverarbeitungsalgorithmus p(I_IT(x)|BETA) mittels eines Verfahrens zum Maschinellen Lernen ermittelt werden, welches beispielsweise auf Boosting oder auf tiefen neuronalen Netzen basieren kann.
  • Gemäß einer Ausführungsform der Erfindung kann der Bildrekonstruktionsalgorithmus eine Mehrzahl von Rekonstruktions-Iterationsschritten aufweisen. Insbesondere kann für jeden Rekonstruktions-Iterationsschritt der Mehrzahl von Rekonstruktions-Iterationsschritten ein intermediäres Bild basierend auf einem Input des Rekonstruktions-Iterationsschritts erzeugt werden. Insbesondere kann der Input des ersten Rekonstruktions-Iterationsschritts der Mehrzahl von Rekonstrukti ons-Iterationsschritten ein Anfangsbild umfassen. Insbesondere kann der Input jedes weiteren Rekonstruktions-Iterationsschritts der Mehrzahl von Rekonstruktions-Iterationsschritten ein intermediäres Bild, welches in dem vorhergehenden Rekonstruktions-Iterationsschritt erzeugt wurde, und ein Bildverarbeitungsergebnis, welches basierend auf dem intermediären Bild, welches in dem vorhergehenden Rekonstruktions-Iterationsschritt erzeugt wurde, mittels eines Bildverarbeitungsalgorithmus ermittelt wurde, umfassen. Insbesondere kann der Bildrekonstruktionsalgorithmus einen Bildrekonstruktionsparametersatz ALPHA umfassen, welcher insbesondere die Einbeziehung des Bildverarbeitungsergebnisses in den Bildrekonstruktionsalgorithmus bestimmt: I_IT_M(x) = IR(I_IT_M – 1(x), I_f(X), p(I_IT_M – 1(x)|BETA), ALPHA).
  • Der Bildrekonstruktionsalgorithmus kann beispielsweise basierend auf einem Satz von Trainingspaaren optimiert werden, wobei jedes Trainingspaar des Satzes von Trainingspaaren einen Akquisitionsdatensatz und ein entsprechendes Referenz-Bildverarbeitungsergebnis aufweist. Der Bildrekonstruktionsalgorithmus kann optimiert werden, indem ein optimierter Bildrekonstruktionsparametersatz ALPHA des Bildrekonstruktionsalgorithmus ermittelt wird. Der optimierte Bildrekonstruktionsparametersatz ALPHA kann beispielsweise derart basierend auf dem ersten Maschinenlernalgorithmus ermittelt werden, dass die erste kumulierte Bildverarbeitungsinformation KPI1 minimiert wird.
    Figure DE102016215109A1_0003
  • Insbesondere kann beim Optimieren des Bildrekonstruktionsalgorithmus das Referenz-Bildverarbeitungsergebnis I_MASK(x) an Stelle des Bildverarbeitungsergebnisses p(I_IT_M – 1(x)|BETA) in den Bildrekonstruktionsalgorithmus einbezogen werden: I_IT_M(x) = IR(I_IT_M – 1(x), I_f(X), I_MASK(x), ALPHA).
  • Nachdem der Bildrekonstruktionsalgorithmus und der Bildverarbeitungsalgorithmus optimiert wurden, kann ein optimiertes medizinisches Bild wie folgt erzeugt werden: I_IT_M(x) = IR(I_IT_M – 1(x), I_f(X), p(I_IT_M – 1(x)|BETA), ALPHA).
  • Insbesondere kann ein Bildverarbeitungsergebnis, welches basierend auf dem optimierten medizinischen Bild mittels des Bildverarbeitungsalgorithmus ermittelt wird, von wesentlich besserer Qualität sein als ein Bildverarbeitungsergebnis, welches basierend auf einem auf herkömmliche Weise erzeugten medizinischen Bild mittels des Bildverarbeitungsalgorithmus ermittelt wird.
  • Gemäß einer Ausführungsform der Erfindung umfasst der Bildverarbeitungsalgorithmus einen ersten Algorithmus p(I_IT(x)|BETA) zum Segmentieren einer Struktur in dem medizinischen Bild und einen zweiten Algorithmus p_clinical(I_HIGH(y), THETA) zum Ermitteln einer ortsaufgelösten Verteilung eines physiologischen Parameters in der Struktur. Mittels der Koordinate y kann dabei eine Position in Bezug auf die Struktur angegeben werden. I_HIGH(y) kann beispielsweise als übergeordneter Deskriptor für die Struktur verstanden werden: I_HIGH(y) = HIGHFUNCTION(I_IT(x), p(I_IT(x)|BETA)).
  • Insbesondere kann der Bildverarbeitungsalgorithmus einen dritten Algorithmus zum Ermitteln des übergeordneten Deskriptors I_HIGH(y) basierend auf dem medizinischen Bild und dem Segmentierungsergebnis des ersten Algorithmus umfassen. Insbesondere können mittels des übergeordneten Deskriptors I_HIGH(y) einer Position y, die in Bezug auf die Struktur definiert ist, ein oder mehrere Deskriptorwerte zugeordnet werden. Die Struktur kann beispielsweise eine anatomische Struk tur, insbesondere ein Herzkranzgefäß sein. Die Position y kann beispielsweise eine Position entlang der Zentrallinien des Herzkranzgefäßes sein. Der physiologische Parameter kann beispielsweise ein FFR-Wert sein. Insbesondere kann der zweite Algorithmus p_clinical Positionen entlang der Zentrallinie des Herzkranzgefäßes einen Wert, beispielsweise aus dem Intervall [0, 1], zuordnen, der ein Maß für die Höhe des FFR-Werts an der jeweiligen Position ist. Insbesondere kann das Referenz-Bildverarbeitungsergebnis eine Referenz-Verteilung I_clinical(y) des physiologischen Parameters aufweisen. Der zweite Algorithmus p_clinical kann beispielsweise optimiert werden, indem ein optimierter Bildverarbeitungsparametersatz THETA des Bildverarbeitungsalgorithmus ermittelt wird. Der optimierte Bildverarbeitungsparametersatz THETA kann beispielsweise derart basierend auf dem zweiten Maschinenlernalgorithmus ermittelt werden, dass die zweite kumulierte Bildverarbeitungsinformation KPI2 minimiert wird.
    Figure DE102016215109A1_0004
  • Nachdem der Bildrekonstruktionsalgorithmus und der Bildverarbeitungsalgorithmus optimiert wurden, kann ein optimiertes medizinisches Bild wie folgt erzeugt werden: I_IT_C (x) = IR(I_IT_C – 1(x), I_f(X), p_clinical(I_IT_C – 1(x)|THETA), ALPHA).
  • 9 zeigt eine schematische Darstellung eines medizinischen Bildes MI, in dem ein Herzkranzgefäß V beispielhaft für eine segmentierbare Struktur dargestellt ist. Mit VCL ist eine Zentrallinie des Herzkranzgefäßes V bezeichnet. Der Pfeil deutet eine Richtung des Blutflusses durch das Herzkranzgefäß an. Im Bereich VP weist das Herzkranzgefäß eine Stenose auf. Die Positionen y1 und y2 geben unterschiedliche Positionen entlang der Zentrallinie VCL an, wobei sich y1 in Bezug auf die Blutflussrichtung vor der Stenose befindet und wobei sich y2 in Bezug auf die Blutflussrichtung nach der Stenose befin det. Durch den Vergleich von Bildverarbeitungsergebnissen in Form von berechneten FFR-Werten an den Positionen y1 und y2 können Informationen bezüglich der Stenose ermittelt werden.
  • Literaturangaben

Claims (22)

  1. Verfahren zum Optimieren eines Bildrekonstruktionsalgorithmus, wobei das Verfahren die folgenden Schritte umfasst: – Bereitstellen (PT) eines Satzes von Trainingsdatensätzen, wobei jeder Trainingsdatensatz jeweils einen Akquisitionsdatensatz aufweist, – Erzeugen (GI1) jeweils eines ersten medizinischen Bildes für jeden Trainingsdatensatz zumindest eines ersten Teilsatzes des Satzes von Trainingsdatensätzen mittels des Bildrekonstruktionsalgorithmus basierend auf dem jeweiligen Akquisitionsdatensatz, – Ermitteln (DR1) jeweils eines Bildverarbeitungsergebnisses für jedes der ersten medizinischen Bilder mittels eines Bildverarbeitungsalgorithmus basierend auf dem jeweiligen ersten medizinischen Bild, – Ermitteln (DX1) jeweils einer Bildverarbeitungsinformation für jedes der ersten medizinischen Bilder, welche eine Qualität des jeweiligen Bildverarbeitungsergebnisses betrifft, basierend auf dem jeweiligen Bildverarbeitungsergebnis, – Optimieren (OR) des Bildrekonstruktionsalgorithmus basierend auf einem ersten Maschinenlernalgorithmus, dem zumindest einen ersten Teilsatz des Satzes von Trainingsdatensätzen und den Bildverarbeitungsinformationen der ersten medizinischen Bilder.
  2. Verfahren zum Optimieren eines Bildrekonstruktionsalgorithmus und eines Bildverarbeitungsalgorithmus, wobei das Verfahren die folgenden Schritte umfasst: – Bereitstellen (PT) eines Satzes von Trainingsdatensätzen, wobei jeder Trainingsdatensatz jeweils einen Akquisitionsdatensatz aufweist, – Erzeugen (GI1) jeweils eines ersten medizinischen Bildes für jeden Trainingsdatensatz zumindest eines ersten Teilsatzes des Satzes von Trainingsdatensätzen mittels des Bildrekonstruktionsalgorithmus basierend auf dem jeweiligen Akquisitionsdatensatz, – Ermitteln (DR1) jeweils eines Bildverarbeitungsergebnisses für jedes der ersten medizinischen Bilder mittels eines Bildverarbeitungsalgorithmus basierend auf dem jeweiligen ersten medizinischen Bild, – Ermitteln (DX1) jeweils einer Bildverarbeitungsinformation für jedes der ersten medizinischen Bilder, welche eine Qualität des jeweiligen Bildverarbeitungsergebnisses betrifft, basierend auf dem jeweiligen Bildverarbeitungsergebnis, – Optimieren (OR) des Bildrekonstruktionsalgorithmus basierend auf einem ersten Maschinenlernalgorithmus, dem zumindest einen ersten Teilsatz des Satzes von Trainingsdatensätzen und den Bildverarbeitungsinformationen der ersten medizinischen Bilder, – Erzeugen (GI2) jeweils eines zweiten medizinischen Bildes für jeden Trainingsdatensatz zumindest eines zweiten Teilsatzes des Satzes von Trainingsdatensätzen mittels des optimierten Bildrekonstruktionsalgorithmus basierend auf dem jeweiligen Akquisitionsdatensatz, – Ermitteln (DR2) jeweils eines Bildverarbeitungsergebnisses für jedes der zweiten medizinischen Bilder mittels des Bildverarbeitungsalgorithmus basierend auf dem jeweiligen zweiten medizinischen Bild, – Ermitteln (DX2) jeweils einer Bildverarbeitungsinformation für jedes der zweiten medizinischen Bilder, welche eine Qualität des jeweiligen Bildverarbeitungsergebnisses betrifft, basierend auf dem jeweiligen Bildverarbeitungsergebnis, – Optimieren (OP) des Bildverarbeitungsalgorithmus basierend auf einem zweiten Maschinenlernalgorithmus, den zweiten medizinischen Bildern und den Bildverarbeitungsinformationen der zweiten medizinischen Bilder.
  3. Verfahren nach Anspruch 2, – wobei eine Mehrzahl von Iterationsschritten ausgeführt wird, – wobei bei dem ersten Iterationsschritt und bei jedem weiteren Iterationsschritt jeweils alle Schritte des Verfahrens nach Anspruch 2 ausgeführt werden, – wobei bei jedem weiteren Iterationsschritt der Bildrekonstruktionsalgorithmus ausgehend von dem im vorhergehenden Iterationsschritt optimierten Bildrekonstruktionsalgorithmus basierend auf dem im vorhergehenden Iterationsschritt optimierten Bildverarbeitungsalgorithmus weiter optimiert wird und der Bildverarbeitungsalgorithmus ausgehend von dem im vorhergehenden Iterationsschritt optimierten Bildverarbeitungsalgorithmus basierend auf dem Bildrekonstruktionsalgorithmus, der zuvor in dem jeweiligen weiteren Iterationsschritt weiter optimiert wurde, weiter optimiert wird.
  4. Verfahren nach einem der Ansprüche 1 bis 3, – wobei das Bildverarbeitungsergebnis eine medizinische Information betrifft.
  5. Verfahren nach einem der Ansprüche 1 bis 4, – wobei der Bildverarbeitungsalgorithmus einen Algorithmus zum Erkennen einer Struktur in dem Patienten basierend auf dem ersten medizinischen Bild und/oder basierend auf dem zweiten medizinischen Bild umfasst und/oder – wobei der Bildverarbeitungsalgorithmus einen Algorithmus zum Ermitteln eines physiologischen Parameters in einem Patienten basierend auf dem ersten medizinischen Bild und/oder basierend auf dem zweiten medizinischen Bild umfasst.
  6. Verfahren nach einem der Ansprüche 1 bis 5, – wobei jeder Trainingsdatensatz des Satzes von Trainingsdatensätzen ferner jeweils ein Referenz-Bildverarbeitungsergebnis aufweist, – wobei die Bildverarbeitungsinformation für jedes der ersten medizinischen Bilder und/oder die Bildverarbeitungsinformation für jedes der zweiten medizinischen Bilder basierend auf dem jeweiligen Bildverarbeitungsergebnis und dem jeweiligen Referenz-Bildverarbeitungsergebnis ermittelt wird.
  7. Verfahren nach einem der Ansprüche 1 bis 6, – wobei der Bildverarbeitungsalgorithmus einen Algorithmus zum Segmentieren einer Struktur in dem ersten medizinischen Bild und/oder in dem zweiten medizinischen Bild umfasst und/oder – wobei das Referenz-Bildverarbeitungsergebnis eine Zuordnung von Bilddatenpunkten des ersten medizinischen Bildes zu einer Struktur in dem ersten medizinischen Bild und/oder eine Zuordnung von Bilddatenpunkten des zweiten medizinischen Bildes zu einer Struktur in dem zweiten medizinischen Bild betrifft.
  8. Verfahren nach einem der Ansprüche 1 bis 7, – wobei das Referenz-Bildverarbeitungsergebnis jeweils eine Karte aufweist, mit welcher Bilddatenpunkte des ersten medizinischen Bildes zu einer Struktur in dem ersten medizinischen Bild und/oder Bilddatenpunkte des zweiten medizinischen Bildes zu einer Struktur in dem zweiten medizinischen Bild zuordenbar sind.
  9. Verfahren nach einem der Ansprüche 1 bis 8, – wobei die Bildverarbeitungsinformation ein Maß für eine Ungenauigkeit des Bildverarbeitungsergebnisses und/oder ein Maß für eine Abweichung des Bildverarbeitungsergebnisses von dem jeweiligen Referenz-Bildverarbeitungsergebnis betrifft.
  10. Verfahren nach einem der Ansprüche 1 bis 9, – wobei die Bildverarbeitungsinformation basierend auf einem Dice-Koeffizienten ermittelt wird.
  11. Verfahren nach einem der Ansprüche 1 bis 10, – wobei der Bildrekonstruktionsalgorithmus basierend auf einer ersten kumulierten Bildverarbeitungsinformation, welche basierend auf den Bildverarbeitungsinformationen der ersten medizinischen Bilder ermittelt wird, optimiert wird und/oder – wobei der Bildverarbeitungsalgorithmus basierend auf einer zweiten kumulierten Bildverarbeitungsinformation, welche basierend auf den Bildverarbeitungsinformationen der zweiten medizinischen Bilder ermittelt wird, optimiert wird.
  12. Verfahren nach einem der Ansprüche 1 bis 11, – wobei der Bildrekonstruktionsalgorithmus optimiert wird, indem ein optimierter Bildrekonstruktionsparametersatz (ALPHA) des Bildrekonstruktionsalgorithmus ermittelt wird und/oder – wobei der Bildverarbeitungsalgorithmus optimiert wird, indem ein optimierter Bildverarbeitungsparametersatz (BETA) des Bildverarbeitungsalgorithmus ermittelt wird.
  13. Verfahren nach einem der Ansprüche 1 bis 12, – wobei der Satz von Trainingsdatensätzen Trainingsdatensätze umfasst, die jeweils einen Untersuchungsparametersatz aufweisen, welcher aus der Gruppe gewählt ist, die aus einem Akquisitionsparametersatz, einem Injektionsparametersatz, einem Patientenparametersatz, einem Außenbildparametersatz und Kombinationen davon besteht.
  14. Verfahren nach Anspruch 13, – wobei der Bildrekonstruktionsalgorithmus und/oder der Bildverarbeitungsalgorithmus basierend auf dem Untersuchungsparametersatz optimiert wird und/oder – wobei beim Optimieren des Bildrekonstruktionsalgorithmus und/oder beim Optimieren des Bildverarbeitungsalgorithmus ein optimaler Bereich für zumindest einen Untersuchungsparameter des Untersuchungsparametersatzes basierend auf dem ersten Maschinenlernalgorithmus, dem Satz von Trainingsdatensätzen und den Bildverarbeitungsinformationen der ersten medizinischen Bilder ermittelt wird.
  15. Datenverarbeitungseinheit, aufweisend – eine Bereitstellungseinheit (PT-M) zum Bereitstellen (PT) eines Satzes von Trainingsdatensätzen, wobei jeder Trainingsdatensatz jeweils einen Akquisitionsdatensatz aufweist, – eine erste Bilderzeugungseinheit (GI1-M) zum Erzeugen (GI1) jeweils eines ersten medizinischen Bildes für jeden Trainingsdatensatz zumindest eines ersten Teilsatzes des Satzes von Trainingsdatensätzen mittels des Bildrekonstruktionsalgorithmus basierend auf dem jeweiligen Akquisitionsdatensatz, – eine erste Ergebnisermittlungseinheit (DR1-M) zum Ermitteln (DR1) jeweils eines Bildverarbeitungsergebnisses für jedes der ersten medizinischen Bilder mittels eines Bildverarbeitungsalgorithmus basierend auf dem jeweiligen ersten medizinischen Bild, – eine erste Informationsermittlungseinheit (DX1-M) zum Ermitteln (DX1) jeweils einer Bildverarbeitungsinformation für jedes der ersten medizinischen Bilder, welche eine Qualität des jeweiligen Bildverarbeitungsergebnisses betrifft, basierend auf dem jeweiligen Bildverarbeitungsergebnis, – eine Bildrekonstruktionsoptimierungseinheit (OR-M) zum Optimieren (OR) des Bildrekonstruktionsalgorithmus basierend auf einem ersten Maschinenlernalgorithmus, dem zumindest einen ersten Teilsatz des Satzes von Trainingsdatensätzen und den Bildverarbeitungsinformationen der ersten medizinischen Bilder.
  16. Datenverarbeitungseinheit nach Anspruch 15, ferner aufweisend: – eine zweite Bilderzeugungseinheit (GI2-M) zum Erzeugen (GI2) jeweils eines zweiten medizinischen Bildes für jeden Trainingsdatensatz zumindest eines zweiten Teilsatzes des Satzes von Trainingsdatensätzen mittels des optimierten Bildrekonstruktionsalgorithmus basierend auf dem jeweiligen Akquisitionsdatensatz, – eine zweite Ergebnisermittlungseinheit (DR2-M) zum Ermitteln (DR2) jeweils eines Bildverarbeitungsergebnisses für jedes der zweiten medizinischen Bilder mittels des Bildverarbeitungsalgorithmus basierend auf dem jeweiligen zweiten medizinischen Bild, – eine zweite Informationsermittlungseinheit (DX2-M) zum Ermitteln (DX2) jeweils einer Bildverarbeitungsinformation für jedes der zweiten medizinischen Bilder, welche eine Qualität des jeweiligen Bildverarbeitungsergebnisses betrifft, basierend auf dem jeweiligen Bildverarbeitungsergebnis, – eine Bildverarbeitungsoptimierungseinheit (OP-M) zum Optimieren (OP) des Bildverarbeitungsalgorithmus basierend auf einem zweiten Maschinenlernalgorithmus, den zweiten medizinischen Bildern und den Bildverarbeitungsinformationen der zweiten medizinischen Bilder.
  17. Datenverarbeitungseinheit nach einem der Ansprüche 15 bis 16, welche dazu ausgebildet ist, ein Verfahren nach einem der Ansprüche 1 bis 14 auszuführen.
  18. Medizinische Bildgebungsvorrichtung, aufweisend eine Datenverarbeitungseinheit nach einem der Ansprüche 15 bis 17.
  19. Computerprogrammprodukt mit einem Computerprogramm, welches in eine Speichereinrichtung eines Datenverarbeitungssystems ladbar ist, mit Programmabschnitten, um alle Schritte des Verfahrens nach einem der Ansprüche 1 bis 14 auszuführen, wenn das Computerprogramm von dem Datenverarbeitungssystem ausgeführt wird.
  20. Computerlesbares Medium, auf welchem von einem Datenverarbeitungssystem einlesbare und ausführbare Programmabschnitte gespeichert sind, um alle Schritte des Verfahrens nach einem der Ansprüche 1 bis 14 auszuführen, wenn die Programmabschnitte von dem Datenverarbeitungssystem ausgeführt werden.
  21. Verwendung eines Bildrekonstruktionsalgorithmus, welcher gemäß einem Verfahren nach einem der Ansprüche 1 bis 14 optimiert wurde, zum Erzeugen eines medizinischen Bildes basierend auf einem Akquisitionsdatensatz.
  22. Verwendung eines Bildrekonstruktionsalgorithmus und eines Bildverarbeitungsalgorithmus, welche gemäß einem Verfahren nach einem der Ansprüche 2 bis 14 optimiert wurden, zum Ermitteln eines Bildverarbeitungsergebnisses basierend auf einem Akquisitionsdatensatz, – wobei der Akquisitionsdatensatz bereitgestellt wird, – wobei ein medizinisches Bild mittels des Bildrekonstruktionsalgorithmus basierend auf dem Akquisitionsdatensatz erzeugt wird, – wobei das Bildverarbeitungsergebnis mittels des Bildverarbeitungsalgorithmus basierend auf dem medizinischen Bild ermittelt wird.
DE102016215109.6A 2016-08-12 2016-08-12 Verfahren und Datenverarbeitungseinheit zum Optimieren eines Bildrekonstruktionsalgorithmus Pending DE102016215109A1 (de)

Priority Applications (2)

Application Number Priority Date Filing Date Title
DE102016215109.6A DE102016215109A1 (de) 2016-08-12 2016-08-12 Verfahren und Datenverarbeitungseinheit zum Optimieren eines Bildrekonstruktionsalgorithmus
US15/659,707 US10614597B2 (en) 2016-08-12 2017-07-26 Method and data processing unit for optimizing an image reconstruction algorithm

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE102016215109.6A DE102016215109A1 (de) 2016-08-12 2016-08-12 Verfahren und Datenverarbeitungseinheit zum Optimieren eines Bildrekonstruktionsalgorithmus

Publications (1)

Publication Number Publication Date
DE102016215109A1 true DE102016215109A1 (de) 2018-02-15

Family

ID=60329633

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102016215109.6A Pending DE102016215109A1 (de) 2016-08-12 2016-08-12 Verfahren und Datenverarbeitungseinheit zum Optimieren eines Bildrekonstruktionsalgorithmus

Country Status (2)

Country Link
US (1) US10614597B2 (de)
DE (1) DE102016215109A1 (de)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111383338A (zh) * 2018-12-28 2020-07-07 通用电气公司 用于基于深度学习的图像重建的***和方法
DE102021203273A1 (de) 2021-03-31 2022-10-06 Siemens Healthcare Gmbh Verfahren zur Bereitstellung einer Klassifizierung einer Röntgenaufnahme in Verbindung mit einem Röntgensystem

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180197317A1 (en) * 2017-01-06 2018-07-12 General Electric Company Deep learning based acceleration for iterative tomographic reconstruction
WO2018134143A1 (en) * 2017-01-17 2018-07-26 Koninklijke Philips N.V. Augmented reality for predictive workflow in an operating room
US11126914B2 (en) * 2017-10-11 2021-09-21 General Electric Company Image generation using machine learning
US10755454B2 (en) * 2017-12-22 2020-08-25 General Electric Company Clinical task-based processing of images
CN108245250A (zh) * 2017-12-26 2018-07-06 成都真实维度科技有限公司 基于血管模型虚拟成像的神经介入标准通道的规划方法
JP7378404B2 (ja) 2018-01-16 2023-11-13 コーニンクレッカ フィリップス エヌ ヴェ 非スペクトルイメージングシステムを用いたスペクトルイメージング
WO2019141651A1 (en) * 2018-01-22 2019-07-25 Koninklijke Philips N.V. Deep learning based image figure of merit prediction
JP7300811B2 (ja) * 2018-06-11 2023-06-30 キヤノンメディカルシステムズ株式会社 医用情報処理装置、医用情報処理方法、およびプログラム
CN108921913B (zh) * 2018-06-29 2023-11-10 上海联影医疗科技股份有限公司 图像重建的***及方法
US11869121B2 (en) * 2018-06-29 2024-01-09 Shanghai United Imaging Healthcare Co., Ltd. Systems and methods for image reconstruction
CN112133410A (zh) * 2019-06-25 2020-12-25 西门子医疗有限公司 使用机器学习的mri图像重建
CN110415311B (zh) * 2019-07-29 2024-04-16 上海联影医疗科技股份有限公司 Pet图像重建方法、***、可读存储介质和设备
DE102020203848A1 (de) * 2020-03-25 2021-09-30 Siemens Healthcare Gmbh Verfahren und Vorrichtung zur Ansteuerung eines medizinischen Geräts
EP4139881A1 (de) * 2020-05-18 2023-03-01 Shanghai United Imaging Healthcare Co., Ltd. Systeme und verfahren zur bildoptimierung
CN111724402B (zh) * 2020-06-18 2021-07-20 北京小白世纪网络科技有限公司 一种医疗影像标注方法、***及装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6996549B2 (en) * 1998-05-01 2006-02-07 Health Discovery Corporation Computer-aided image analysis
US8812431B2 (en) * 2010-02-03 2014-08-19 Siemens Aktiengesellschaft Method and system for medical decision support using organ models and learning based discriminative distance functions
US10769191B2 (en) 2013-12-20 2020-09-08 Google Llc Classifying data objects
CN114530234A (zh) 2014-07-16 2022-05-24 皇家飞利浦有限公司 Irecon:具有预估运行的智能图像重建***
US10074038B2 (en) * 2016-11-23 2018-09-11 General Electric Company Deep learning medical systems and methods for image reconstruction and quality evaluation

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
'Computer-aided classification of lung nodules on computed tomography images via deep learning technique' Hua et al., Onco Targets and Therapy 2015 (8) 2015.
FLOYD JR., C. E. [et al.]: An Artificial Neural Network for Lesion Detection on Single-Photon Emission Computed Tomographic Images. Invest. Radiol., Vol. 27, 1992, S. 667-672.
FLOYD JR., C. E.: An Artificial Network for SPECT Image Reconstruction. IEEE Transactions on Medical Imaging, Vol. 10, 1991, S. 485-487.
KERR, J. P. [et al.]: Medical Image Processing utilizing neural networks trained on a massively parallel computer. Comput. Biol. Med., Vol. 25, 1995, S. 393-403.
'Machine Learning for Detection and Diagnosis of Disease' Annual Review Biomedical Engineering 2006 (8) 1.
'Machine learning: Trends, perspectives, and prospects' Jordan, Mitchell, Science 2015(349) 255.
'Pixel-Based Machine Learning in Medical Imaging' Suzuki, International Journal of Biomedical Imaging 2012.

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111383338A (zh) * 2018-12-28 2020-07-07 通用电气公司 用于基于深度学习的图像重建的***和方法
CN111383338B (zh) * 2018-12-28 2023-11-03 通用电气公司 用于基于深度学习的图像重建的***和方法
DE102021203273A1 (de) 2021-03-31 2022-10-06 Siemens Healthcare Gmbh Verfahren zur Bereitstellung einer Klassifizierung einer Röntgenaufnahme in Verbindung mit einem Röntgensystem

Also Published As

Publication number Publication date
US20170337713A1 (en) 2017-11-23
US10614597B2 (en) 2020-04-07

Similar Documents

Publication Publication Date Title
DE102016215109A1 (de) Verfahren und Datenverarbeitungseinheit zum Optimieren eines Bildrekonstruktionsalgorithmus
DE102011087127B4 (de) Bestimmung von Aufnahmeparametern bei einer Dual-Energy Tomosynthese
US8229200B2 (en) Methods and systems for monitoring tumor burden
DE102016221684B4 (de) Verfahren und Bilddatenverarbeitungseinrichtung zum Verarbei-ten eines Multi-Energie-Computertomographie-Bilddatensatzes mit Basismaterialzerlegung und Bildwerte-Tupel-Abbildung
DE202014010689U1 (de) System zum Bewerten der Qualität medizinischer Bilder wenigstens eines Teils der Anatomie eines Patienten
EP3437559A1 (de) Ermitteln eines funktionsparameters betreffend eine lokale gewebefunktion für mehrere gewebebereiche
DE10321722A1 (de) Computergestützte Diagnose von Mehrfachenergiebildern
DE102009015773A1 (de) Verfahren zur Aufbereitung von rekonstruierten CT-Bilddatensätzen und CT-System
DE102017203248B3 (de) Verfahren zum Bestimmen einer Biopsieposition, Verfahren zum Optimieren eines Positionsbestimmungsalgorithmus, Positionsbestimmungseinheit, bildgebende medizinische Vorrichtung, Computerprogrammprodukte und computerlesbare Speichermedien
DE102018222606A1 (de) Verfahren und Vorrichtung zur Detektion eines anatomischen Merkmals eines Blutgefäßabschnittes
DE102011086771A1 (de) Computertomographieanlage und Verfahren zum Ermitteln von Volumeninformationen zu einem Körper
US11908568B2 (en) System and methods for radiographic image quality assessment and protocol optimization
DE102010011911B4 (de) Tomosyntheseverfahren mit einer iterativen Maximum-A-Posteriori-Rekonstruktion
DE102017215829A1 (de) Verfahren und Datenverarbeitungseinheit zum Ermitteln von Klassifikationsdaten für eine Adaption eines Untersuchungsprotokolls
WO2015131962A1 (de) Automatische dosissteuerung für bildgebende medizinische einrichtungen
DE102008037558A1 (de) System und Verfahren zum Diagnostizieren eines medizinischen Zustands
DE102017203315A1 (de) Verfahren und Datenverarbeitungseinheit zur Auswahl eines Protokolls für eine medizinische Bildgebungsuntersuchung
DE102014201321A1 (de) Bestimmung von Läsionen in Bilddaten eines Untersuchungsobjekts
DE102016215105A1 (de) Verfahren und Datenverarbeitungseinheit zum Ermitteln eines Akquisitionsdatenverarbeitungsalgorithmus
EP3379487A1 (de) Kontrastverstärkte wiedergabe von spektralen ct-bilddaten
DE102011003138B4 (de) Bildgebungsverfahren mit optimierter Grauwertfensterbestimmung
DE102020214319B3 (de) Bereitstellen eines optimalen Subtraktionsdatensatzes
EP3349219A1 (de) Verfahren und system zum ermitteln eines untersuchungsparameters für eine medizinische bildgebungsuntersuchung
DE102016224717A1 (de) Verfahren zum Ermitteln von Gewebeeigenschaften von Tumoren
DE102020122552A1 (de) Verfahren, einrichtung und system zur bestimmung von biopsieparametern

Legal Events

Date Code Title Description
R012 Request for examination validly filed
R016 Response to examination communication
R081 Change of applicant/patentee

Owner name: SIEMENS HEALTHINEERS AG, DE

Free format text: FORMER OWNER: SIEMENS HEALTHCARE GMBH, MUENCHEN, DE