KR20180085688A - 자기 공명 핑거프린팅 방법에 의해 검사 대상물로부터 취득된 자기 공명 측정 데이터를 분류하는 방법 - Google Patents

자기 공명 핑거프린팅 방법에 의해 검사 대상물로부터 취득된 자기 공명 측정 데이터를 분류하는 방법 Download PDF

Info

Publication number
KR20180085688A
KR20180085688A KR1020180005576A KR20180005576A KR20180085688A KR 20180085688 A KR20180085688 A KR 20180085688A KR 1020180005576 A KR1020180005576 A KR 1020180005576A KR 20180005576 A KR20180005576 A KR 20180005576A KR 20180085688 A KR20180085688 A KR 20180085688A
Authority
KR
South Korea
Prior art keywords
magnetic resonance
measurement data
resonance measurement
texture parameter
tissue
Prior art date
Application number
KR1020180005576A
Other languages
English (en)
Inventor
토르스텐 파이바이어
스테판 후버
마티아스 니트카
Original Assignee
지멘스 헬스케어 게엠베하
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 지멘스 헬스케어 게엠베하 filed Critical 지멘스 헬스케어 게엠베하
Publication of KR20180085688A publication Critical patent/KR20180085688A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/12—Fingerprints or palmprints
    • G06V40/1382—Detecting the live character of the finger, i.e. distinguishing from a fake or cadaver finger
    • G06V40/1388—Detecting the live character of the finger, i.e. distinguishing from a fake or cadaver finger using image processing
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/5608—Data processing and visualization specially adapted for MR, e.g. for feature analysis and pattern recognition on the basis of measured MR data, segmentation of measured MR data, edge contour detection on the basis of measured MR data, for enhancing measured MR data in terms of signal-to-noise ratio by means of noise filtering or apodization, for enhancing measured MR data in terms of resolution by means for deblurring, windowing, zero filling, or generation of gray-scaled images, colour-coded images or images displaying vectors instead of pixels
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/12—Fingerprints or palmprints
    • G06V40/1365—Matching; Classification
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2576/00—Medical imaging apparatus involving image processing or analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/24—Arrangements or instruments for measuring magnetic variables involving magnetic resonance for measuring direction or magnitude of magnetic fields or magnetic flux
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/4818—MR characterised by data acquisition along a specific k-space trajectory or by the temporal order of k-space coverage, e.g. centric or segmented coverage of k-space
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/50—NMR imaging systems based on the determination of relaxation times, e.g. T1 measurement by IR sequences; T2 measurement by multiple-echo sequences
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/561—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution by reduction of the scanning time, i.e. fast acquiring systems, e.g. using echo-planar pulse sequences

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Artificial Intelligence (AREA)
  • Pathology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Veterinary Medicine (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • General Physics & Mathematics (AREA)
  • Psychiatry (AREA)
  • Physiology (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Evolutionary Computation (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

자기 공명 핑거프린팅 방법에 의해 검사 대상물로부터 취득된 자기 공명 측정 데이터를 분류하는 방법.
본 발명은 자기 공명 핑거프린팅 방법에 의해 검사 대상물로부터 취득된 자기 공명 측정 데이터를 분류하는 방법, 분류 유닛, 자기 공명 디바이스 및 컴퓨터 프로그램 제품에 관한 것이다.
자기 공명 핑거프린팅 방법에 의해 검사 대상물로부터 취득된 자기 공명 측정 데이터를 분류하는 방법은:
- 검사 대상물의 자기 공명 측정 데이터를 취득하는 단계 - 자기 공명 측정 데이터는 자기 공명 핑거프린팅 방법에 의해 취득된 복수의 자기 공명 신호 프로파일들을 포함함 -,
- 자기 공명 측정 데이터로부터 적어도 하나의 텍스처 파라미터를 도출하는 단계,
- 적어도 하나의 텍스처 파라미터를 사용하여 자기 공명 측정 데이터를 적어도 하나의 조직 클래스로 분류하는 단계, 및
- 분류된 자기 공명 측정 데이터를 제공하는 단계를 포함한다.

Description

자기 공명 핑거프린팅 방법에 의해 검사 대상물로부터 취득된 자기 공명 측정 데이터를 분류하는 방법{METHOD FOR CLASSIFYING MAGNETIC RESONANCE MEASUREMENT DATA ACQUIRED FROM AN OBJECT UNDER EXAMINATION BY MEANS OF A MAGNETIC RESONANCE FINGERPRINTING METHOD}
본 발명은 자기 공명 핑거프린팅 방법(magnetic resonance fingerprinting method)에 의해 검사 대상물(object under examination)로부터 취득된 자기 공명 측정 데이터(magnetic resonance measurement data)를 분류하는 방법, 분류 유닛(classifying unit), 자기 공명 디바이스(magnetic resonance device) 및 컴퓨터 프로그램 제품에 관한 것이다.
자기 공명 단층 촬영 시스템(magnetic resonance tomography system)이라고도 알려져 있는, 자기 공명 디바이스에서, 검사 대상물, 예를 들어, 환자, 건강한 테스트 피험체(test subject), 동물 또는 팬텀(phantom)의 검사체는 보통 주자석(main magnet)의 도움을 받아, 예를 들어, 1.5 또는 3 또는 7 테슬라(Tesla)의 비교적 높은 주자기장(main magnetic field)에 노출된다. 그에 부가하여, 구배 스위치(gradient switch)들이 구배 코일 유닛(gradient coil unit)의 도움을 받아 작동(play out)된다. 고주파 펄스들, 예를 들어, 여기 펄스들이 이어서 적당한 안테나 장비에 의해 고주파 안테나 유닛을 통해 방출되며, 그 결과 이 고주파 펄스들에 의해 공명 여기된(resonantly excited) 특정 원자들의 핵 스핀(nuclear spin)들이 정의된 플립각(flip angle)만큼 주자기장의 자력선들에 대해 기울어지게(tilt) 된다. 이완(relaxation) 동안의 핵 스핀들의 세차운동(precession)은, 자기 공명 신호들이라고 알려진, 고주파 신호들의 방출을 야기하고, 이 고주파 신호들은 적당한 고주파 안테나들에 의해 수신되고 이어서 추가로 처리된다. 원하는 영상 데이터가 이러한 방식으로 취득된 원시 데이터로부터 궁극적으로 재구성될 수 있다.
따라서, 특정 측정을 위해, 일련의 고주파수 펄스들, 예를 들어, 여기 펄스(excitation pulse)들 및 리포커싱 펄스(refocusing pulse)들로 이루어진, 펄스 시퀀스라고도 알려진, 특정 자기 공명 시퀀스가, 상이한 공간 방향들을 따라 상이한 구배 축들에서 매칭(matching)하는 조정된 방식으로 방출될 구배 스위치들과 함께 방출되어야만 한다. 유도 자기 공명 신호들이 취득되는 시구간(time interval)들을 지정하는 시간적으로 매칭하는 판독 윈도우(read-out window)들이 설정된다.
자기 공명 디바이스에 의해 취득된 자기 공명 측정 데이터를 해석하는 것, 상세하게는 조직 클래스(tissue class)들을 분류하는 것 또는 질병 과정(disease process)들을 찾아내는 것, 및 그로부터 도출된 감별 진단(differential diagnosis)들은 전형적으로 보고 방사선 전문의(reporting radiologist)에게 전문지식 및 상당한 경험을 요구한다. 조직 유형(tissue type)에 관해 곧바로 결론이 내려질 수 있게 하는 형태로 자기 공명 측정 데이터가 이용가능하다면 바람직할 것이다.
대체로, 자기 공명 측정 데이터는 가중 영상(weighted images)들의 형태를 취한다. 상이한 측정 기법들을 사용하여, 예를 들어, T1 가중(T1-weighted), T2 가중(T2-weighted) 또는 확산 가중(diffusion-weighted) 자기 공명 측정 데이터가 생성될 수 있다. 이 형태의 자기 공명 측정 데이터에서는, 강도 값들이 T1 이완 시간, T2 이완 시간 또는 확산과 정확히 규정된 상관관계를 갖지 않는다. 상세하게는, 강도 값들은 사용된 측정 프로토콜 또는 자기 공명 디바이스의 모델의 함수로서 달라질 수 있다. 따라서, 가중 영상들로부터 곧바로 조직 클래스들을 도출하는 것이 전형적으로 실현가능하지 않다.
정량적 조직 파라미터 맵(quantitative tissue parameter map)들을 포착하기 위해 사용될 수 있는 정량적 자기 공명 방법(qantitative magnetic resonance method)들은 얼마 전부터 공지되어 있다. 예를 들어, 정량적 T2 이완 맵(quantitative T2 relaxation map)들은, 예를 들어, 상이한 에코 시간(echo time)(TE)들을 이용한 복수의 측정들로부터 계산될 수 있다. T1 이완 맵(T1 relaxation map)들은 상이한 플립각들을 이용한 측정들로부터 계산될 수 있다. 상이한 b 값을 이용한 측정들은 ADC 맵(apparent diffusion coefficient map, 겉보기 확산 계수 맵)들을 산출할 수 있다. 대체로, 조직 파라미터 맵들 각각이 생성되기 위해 여기서 별도의 측정들이 이루어진다. 이것은 긴 측정 시간들을 가져올 수 있고, 예를 들어, 환자가 움직이는 경우에, 공간 오정렬(spatial misregistration)의 위험을 초래할 수 있다.
하나의 가능한 자기 공명 핑거프린팅 방법은 논문 Ma et al., "Magnetic Resonance Fingerprinting", Nature, 495, 187-192 (14 March 2013)로부터 공지되어 있다. 자기 공명 핑거프린팅 방법의 다양한 적용분야들은, 예를 들어, 특허 출원들로부터 공지되어 있다. 예를 들어, US 2015/0366484 A1으로부터의 마커 물질(marker substance)의 공간 분해된 분포(spatially resolved distribution)의 결정, US 2016/0097830 A1로부터의 자기 공명 핑거프린팅 측정 데이터의 움직임 보정(movement correction), US 2016/0033604 A1로부터의 체온 결정 방법(temperature determination method), US 2016/0059041 A1로부터의 방사선 치료(radiotherapy)의 효과들을 결정하는 방법 또는 US 2016/0061922 A1로부터의 특정 물질들에 맞게 조정된 자기 공명 핑거프린팅 방법.
자기 공명 핑거프린팅 방법은 정량적 자기 공명 방법으로서, 이에 의해 검사 대상물의 조직 파라미터들에 대한 정량적 값들 그리고 따라서 조직 파라미터 맵들이 결정될 수 있다. 자기 공명 핑거프린팅 방법의 하나의 장점은 여기서 복수의 조직 파라미터들, 예를 들어, T1 이완 시간 및 T2 이완 시간이 개개의 측정에서 동시에 취득될 수 있다는 것이다. 이러한 방식으로, 자기 공명 핑거프린팅 방법은 복수의 조직 파라미터들을 취득하기 위해 복수의 상이한 포착 시퀀스들을 사용할 필요가 없게 만들 수 있고 따라서 자기 공명 검사의 복잡성 및/또는 포착 시간을 감소시킬 수 있다.
현재의 다중 파라미터 자기 공명 측정 데이터는 전형적으로 픽셀(pixel) 단위로 처리되고 해석된다. 예를 들어, 각각의 조직 파라미터에 대해, 개개의 조직 파라미터 맵, 예를 들어, T1 이완 맵, T2 이완 맵 및 ADC 맵이 생성될 수 있다. 다양한 조직 파라미터 맵들은 이어서 나란히 또는 중첩된 영상(overlaid image)["융합(fusion)"]의 형태로 방사선 전문의에 의해 시각적으로 해석될 수 있다. 가중 영상들 대신에 조직 파라미터 맵들이 이용가능한 것이 실제로 조직 클래스들의 식별을 용이하게 하지만, 조직 파라미터 값들을 픽셀 단위로 해석하는 것은 상당한 경험을 요구한다. 상세하게는, 단독으로 얻어진 개개의 조직 파라미터 각각이 전형적으로 강건한 조직 분류가 수행될 수 있게 하기에 충분하지 않은 것으로 밝혀졌다.
대안적으로, 다중 파라미터 자기 공명 측정 데이터가 복셀(voxel) 단위로 서로 상관될 수 있고 그에 따라 처리될 수 있다. 이러한 방식으로, 예를 들어, 지정된 T1 구간(T1 interval)에도 그리고 지정된 T2 구간(T2 interval)에도 위치되는 복셀들을 분류하는 것이 가능하다. 대응하는 상관 맵(correlation map)들이 복셀 단위로 계산되어 표시될 수 있다. 그렇지만, 복셀 상관 맵들조차도 자기 공명 측정 데이터를 강건하게 조직 클래스들로 분류할 수 있게 하는 데 충분하지 않은 것으로 밝혀졌다.
본 발명의 목적은 자기 공명 핑거프린팅 방법에 의해 검사 대상물로부터 취득된 자기 공명 측정 데이터의 개선된 분류를 가능하게 하는 것이다. 본 목적은 독립 청구항들의 특징들에 의해 달성된다. 유리한 구성들은 종속항들에 기술되어 있다.
자기 공명 핑거프린팅 방법에 의해 검사 대상물로부터 취득된 자기 공명 측정 데이터를 분류하는 본 발명에 따른 방법은:
- 검사 대상물의 자기 공명 측정 데이터를 취득하는 단계 - 자기 공명 측정 데이터는 자기 공명 핑거프린팅 방법에 의해 취득된 복수의 자기 공명 신호 프로파일(magnetic resonance signal profile)들을 포함함 -,
- 자기 공명 측정 데이터로부터 적어도 하나의 텍스처 파라미터(texture parameter)를 도출하는 단계,
- 적어도 하나의 텍스처 파라미터를 사용하여 자기 공명 측정 데이터를 적어도 하나의 조직 클래스로 분류하는 단계, 및
- 분류된 자기 공명 측정 데이터를 제공하는 단계를 포함한다.
자기 공명 측정 데이터를 취득하는 단계는 자기 공명 디바이스에 의해 자기 공명 측정 데이터를 취득하는 단계 또는 이전에 취득된 자기 공명 측정 데이터를 데이터베이스로부터 로딩(load)하는 단계를 포함할 수 있다.
자기 공명 핑거프린팅 방법에 의해 자기 공명 측정 데이터를 취득하는 단계는 상세하게는 검사 대상물의 검사 영역(examination region)로부터 상이한 복셀들의 복수의 자기 공명 신호 프로파일들을 취득하는 단계를 포함한다. 복수의 자기 공명 신호 프로파일들은 이어서 전형적으로 신호 모델과 비교된다. 복수의 자기 공명 신호 프로파일들은 여기서 전형적으로 의사 랜덤화된 포착 방식(pseudorandomized capture scheme) 또는 일관성없는 포착 방식(incoherent capture scheme)에 의해 취득된다. 대안적으로, 복수의 자기 공명 신호 프로파일들을 취득하기 위한 규칙적인 또는 일관성있는 포착 방식(regular or coherent capture scheme) 및/또는 완전 스캔 포착 방식(completely scanned capture scheme)이 또한 생각될 수 있다. 여기서 원칙적으로 비평형 상태에서 복수의 자기 공명 신호 프로파일들을 측정하는 것이 적절하다. 복수의 자기 공명 신호 프로파일들 중의 취득된 자기 공명 신호 프로파일은 상세하게는 자기 공명 신호 프로파일의 취득 동안 특정 복셀에서 포착된 자기 공명 신호의 신호 값이 어떻게 변하는지를 나타낸다. 복셀은 여기서 자기 공명 신호 프로파일이 취득되는 영역을 나타낸다.
전형적인 적용분야에서, 복수의 자기 공명 신호 프로파일들이 복수의 복셀들로부터 동시에 취득된다. 이를 위해, 복수의 원시 영상(raw image)들이 자기 공명 핑거프린팅 방법에 의해 시간적으로 순차로(in a temporal sequence) 취득될 수 있고, 여기서 복수의 원시 영상들의 개개의 복셀들에 대해 복수의 자기 공명 신호 프로파일들이 이어서 형성될 수 있다. 자기 공명 신호 프로파일들은 여기서 상세하게는 상이한 자기 공명 신호들 또는 복수의 원시 영상들의 포착의 시구간에 의해 시간 분해된다(temporally resolved).
자기 공명 핑거프린팅 방법은 상세하게는 상이한 자기 공명 신호들을 포착하기 위한 상이한 포착 파라미터들을 설정하는 것을 포함한다. 포착 파라미터들은 여기서 의사 랜덤화된 또는 일관성없는 방식으로 이루어지는 자기 공명 신호 프로파일들의 취득의 시구간에 걸쳐 변화될 수 있다. 자기 공명 신호 프로파일들을 취득하는 동안 수정되는 가능한 포착 파라미터들은, 예를 들어, 에코 시간, 반복 시간(repetition time), 고주파수 펄스들의 구성 및/또는 수, 구배 펄스(gradient pulse)들의 구성 및/또는 수, 확산 코드(diffusion code) 등이다. 상세하게는 포화 펄스(saturation pulse) 및/또는 반전 펄스(inversion pulse)를 포함하는, 복수의 신호 프로파일들을 취득하는 동안의 비평형 상태가 적당한 준비 모듈(preparation module)들에 의해 생성되는 것이 또한 생각될 수 있다. 이러한 방식으로, 복셀의 특성을 나타내는 자기 공명 신호 프로파일 또는 "핑거프린트(Fingerprint)"가 자기 공명 핑거프린팅 방법에 의해 취득될 수 있다.
적어도 하나의 텍스처 파라미터가 상세하게는 도출 알고리즘에 의해 자기 공명 측정 데이터로부터 도출된다. 자기 공명 측정 데이터가 따라서 상세하게는 도출 알고리즘에 입력 데이터로서 도입되고, 도출 알고리즘은 적어도 하나의 텍스처 파라미터를 출력 데이터로서 갖는다. 적어도 하나의 텍스처 파라미터가 여기서 자기 공명 측정 데이터로부터 직접, 상세하게는 복수의 자기 공명 신호 프로파일들로부터 직접 획득될 수 있다. 자기 공명 측정 데이터가 도출 알고리즘에 간접적으로만 도입되는 것, 즉 상세하게는 자기 공명 신호 프로파일들이 초기에 추가로 처리되고 자기 공명 신호 프로파일들의 추가 처리의 결과물(product)이 이어서 도출 알고리즘에 도입되는 것이 또한 생각될 수 있다. 자기 공명 측정 데이터가 도출 알고리즘에 어떻게 도입될 수 있는지에 대한 다양한 옵션(option)들이 이하의 단락들 및 실시예들에서 설명된다.
특정 구조, 상세하게는 조직 구조(tissue structure), 영상 내용(image content) 또는 측정 데이터 내용(measurement data content)은 전형적으로 텍스처로서 기술될 수 있다. 이러한 방식으로, 적어도 하나의 텍스처 파라미터는 특정 구조, 상세하게는 조직 구조를 특성화(characterize)할 수 있다. 적어도 하나의 텍스처 파라미터는 이러한 방식으로 자기 공명 측정 데이터에서의 공간적 특징(spatial feature)들을 정량화하는 역할을 할 수 있다. 적어도 하나의 텍스처 파라미터는 그에 따라, 예를 들어, 자기 공명 측정 데이터에서의 측정된 강도들의 공간적 배열(spatial arrangement)에 관한 정보를 포함할 수 있다. 대안적으로 또는 그에 부가하여, 적어도 하나의 텍스처 파라미터는 또한 자기 공명 측정 데이터에서의 시간적 패턴(temporal pattern)들, 예를 들어, 복수의 자기 공명 신호 프로파일들에서의 자기 공명 신호들이 시간의 경과에 따라 어떻게 변해가는지(develop)를 특성화할 수 있다.
하나 이상의 텍스처 파라미터들이 자기 공명 측정 데이터로부터 도출될 수 있다. 텍스처 파라미터들을 도출하기 위한 다양한 옵션들이 여기서 화상 처리 분야의 통상의 기술자에게 공지되어 있다. 예를 들어, 적어도 하나의 텍스처 파라미터는 통계적 방법에 의해 획득될 수 있고 따라서 랜덤 텍스처 파라미터(random texture parameter)를 포함할 수 있다. 이러한 통계적 텍스처 파라미터들의 예들은 평균(mean), 분산(variance), 왜도(skewness), 마르코프 랜덤 필드(Markov random field), 동시 발생 매트릭스(co-occurrence matrix)들이다. 적어도 하나의 텍스처 파라미터가 구조적 텍스처 파라미터(structural texture parameter)를 포함하는 것이 또한 가능하다. 구조적 텍스처 파라미터는 여기서, 예를 들어, 자기 공명 측정 데이터에서의 에너지 분포, 엔트로피, 콘트라스트(contrast) 또는 균질성(homogeneity)을 특성화할 수 있다. 물론, 통상의 기술자에게 적절하게 보일 수 있는 바와 같은 추가의 텍스처 파라미터들을 도출하는 것이 또한 생각될 수 있다.
자기 공명 측정 데이터는 상세하게는 적어도 하나의 텍스처 파라미터를 입력 데이터로서 그리고 분류된 자기 공명 측정 데이터를 출력 데이터로서 갖는 분류 알고리즘에 의해 분류된다. 예를 들어, 적어도 하나의 조직 클래스의 분류에서 대략적인 지침(rough guidance)을 제공하기 위해, 자기 공명 측정 데이터 자체가, 적어도 하나의 텍스처 파라미터에 부가하여, 입력 데이터로서 분류 알고리즘에 도입될 수 있다. 그렇지만, 전형적으로, 적어도 하나의 텍스처 파라미터가, 자기 공명 측정 데이터 대신에, 자기 공명 측정 데이터를 분류하는 데 사용될 수 있다. 적어도 하나의 텍스처 파라미터가 따라서 자기 공명 측정 데이터의 내용의 새로운 표현으로 될 수 있다.
자기 공명 측정 데이터가 하나 이상의 조직 클래스들로 분류될 수 있다. 자기 공명 측정 데이터를 분류하는 것은 상세하게는 자기 공명 측정 데이터, 즉 복수의 자기 공명 신호 프로파일들을 직접 분류하는 것, 또는 자기 공명 측정 데이터로부터 재구성된 자기 공명 영상 데이터를 분류하는 것을 포함할 수 있다. 분류 이후에, 상세하게는 적어도 하나의 매칭하는 조직 클래스가 자기 공명 측정 데이터의 상이한 부분들에 또는 자기 공명 측정 데이터로부터 재구성된 자기 공명 영상 데이터에 할당된다. 분류된 자기 공명 측정 데이터는 그에 따라 자기 공명 측정 데이터의 특정 부분들 또는 자기 공명 측정 데이터로부터 재구성된 자기 공명 영상 데이터가 취득된 검사 대상물의 조직 클래스에 관한 정보를 포함할 수 있다.
적어도 하나의 조직 클래스는 자기 공명 측정 데이터가 취득된 조직 유형 또는 조직 종류(tissue variety)를 특성화할 수 있다. 적어도 하나의 조직 클래스는 그에 따라, 예를 들어, 지방 조직(adipose tissue), 연조직(soft tissue), 골 조직(bone tissue), 연골 조직(cartilaginous tissue), 근육 조직(muscle tissue) 등을 포함할 수 있다. 적어도 하나의 조직 클래스는 또한 특정 기관 유형(organ type), 예를 들어, 간 조직(liver tissue), 폐 조직(lung tissue), 백질(white matter), 회백질(gray matter) 등으로부터의 조직을 포함할 수 있다. 적어도 하나의 조직 클래스는 또한 공기 또는 배경을 추가로 포함할 수 있다. 적어도 하나의 조직 클래스가 검사 대상물의 신체 내의 이물질(foreign body), 예를 들어, 임플란트 재료(implant material)를 포함하는 것이 또한 생각될 수 있다. 하나의 특히 중요한 적용분야에서, 적어도 하나의 조직 클래스는 조직이 정상 조직(normal tissue) 또는 생리학적 조직(physiological tissue)인지 두드러진 조직(conspicuous tissue) 또는 병리학적 조직(conspicuous or pathological tissue)인지를 결정하기 위한 조직 유형 결정(tissue typing)을 포함할 수 있다. 예를 들어, 정상 조직 및 종양 조직(tumor tissue)으로의 분류가, 예를 들어, 수행될 수 있다. 예를 들어, 흉터 조직(scar tissue) 등과 같은, 다른 병리학적 조직 종류(pathological tissue variety)들로의 분류가, 물론, 또한 수행될 수 있다. 자기 공명 측정 데이터가 분류될 수 있는, 통상의 기술자에게 적절한 것처럼 보일 수 있는, 추가의 조직 클래스들이 또한 생각될 수 있다.
자기 공명 측정 데이터, 상세하게는 적어도 하나의 텍스처 파라미터의 도출 동안 획득된 특징 벡터(feature vector)들을 분류하기 위해 다양한 방법들이 사용될 수 있다. k 최근접 이웃 방법(k nearest neighbor method), 통계적 베이즈 분류(statistical Bayes classification), 지원 벡터 머신(support vector machine)들 등이, 예를 들어, 사용될 수 있다. 통상의 기술자에게 적절한 것처럼 보일 수 있는 추가의 분류 방법들이, 물론, 생각될 수 있다. 대체로, 분류기들의 달성될 품질은 상이한 조직 클래스들의 분리성(separability)에 관한 적어도 하나의 텍스처 파라미터의 적합성(suitability)과 상관된다.
언급된 방법들에 부가하여, 자기 공명 측정 데이터를 분류하기 위해 자기 학습 방법(self-learning method)을 사용하는 것이 또한 생각될 수 있다. 이러한 방법은 보통, 훈련을 위한 충분히 큰 랜덤 샘플에 의해, 자기 공명 측정 데이터 중 일부를 조직 클래스에 매핑하는 것을 직접 학습하는 것을 포함한다. 딥 컨볼루션 신경망(deep convolutional neural network)들은 이 부류의 분류기들의 하나의 적당할 수 있는 대표주자이다. 이 경우에, 도출될 텍스처 파라미터가 특히 더 이상 명시적으로 기술되지 않고, 그 대신에 자기 공명 측정 데이터의 일부를 자동으로 분류하는 방법에서 암시적으로 학습된다.
분류된 자기 공명 측정 데이터를 제공하는 단계는 분류된 자기 공명 측정 데이터를 표시 유닛 상에 표시하는 단계를 포함할 수 있다. 자기 공명 측정 데이터는 여기서, 예를 들어, 그와 연관된 분류를 이용해, 예를 들어, 세그먼트화(segmentation) 및/또는 착색된 오버레이(colored overlay)의 형태로 표시될 수 있다. 분류된 자기 공명 측정 데이터를 제공하는 단계는 또한 분류된 자기 공명 측정 데이터를 데이터베이스에 저장하는 단계 및/또는 분류된 자기 공명 측정 데이터를 추가 처리를 위해 추가의 처리 유닛에게 전달(pass on)하는 단계를 포함할 수 있다. 분류된 자기 공명 측정 데이터를 제공하는 단계, 즉, 예를 들어, 표시하는 단계 및/또는 저장하는 단계는 상세하게는 자기 공명 측정 데이터로부터 재구성된 자기 공명 영상 데이터를 분류된 형태로 제공하는 단계를 포함할 수 있다.
제안된 절차는, 분류될 조직이 전형적으로 공간적으로 텍스처화(textured)되기 때문에, 조직 클래스들의 재구성된 자기 공명 영상 데이터로의 단순한 복셀 단위 할당 또는 분류가 종종 어렵다는 고려에 기초한다. 그에 따라, 예를 들어, 병든 조직(diseased tissue)은, 자기 공명 측정 데이터 또는 자기 공명 측정 데이터로부터 재구성된 자기 공명 영상 데이터가 특징적 방식으로(in a characteristic manner) 공간적으로 변이된다는 점에서, 건강한 조직과 상이할 수 있다. 이러한 특징적 변동(characteristic variation)은, 예를 들어, 국부적으로 한정된 변동(locally bounded fluctuation)("스페클 모양(speckled)") 또는 점진적 변이(gradual modification)("확산")를 포함할 수 있다. 방사선 전문의의 잘 훈련된 눈은 이러한 구조들을 인식할 수 있지만, 픽셀 기반 분류는 비실용적이다.
제안된 절차의 의도는 자기 공명 핑거프린팅 방법에 의해 취득된 자기 공명 측정 데이터의 개선된 분류를 위해 적어도 하나의 텍스처 파라미터를 이용하는 것이다. 이러한 방식으로, 자기 공명 측정 데이터의 분류에서 공간적 및/또는 시간적 특징들을 이용하는 것이 가능하다. 이러한 방식으로, 자기 공명 핑거프린팅 방법은, 상세하게는 더 이상 서로 개별적으로 고려되는 개개의 복셀들의 자기 공명 신호 프로파일들만이 아니라는 점에서, 의미있게 확장될 수 있다. 그 대신에, 자기 공명 핑거프린팅 방법을 바탕으로 자기 공명 측정 데이터를 분류하는 것이 자기 공명 신호 프로파일들의 공간 인접성 관계(spatial adjacency relationship)들을 고려하는 것에 의해 개선될 수 있다.
자기 공명 핑거프린팅 방법이 본질적으로 다중 파라미터 정량적 조직 파라미터들을 확정할 수 있기 때문에, 자기 공명 핑거프린팅 방법이 여기서 자기 공명 측정 데이터를 분류하는 데 특히 적당하다. 자기 공명 핑거프린팅 방법이 따라서 다양한 측정들에 걸쳐 절대적인 또는 필적하는 측정 결과들을 산출할 수 있기 때문에, 자기 공명 핑거프린팅 방법에 의해 획득된 자기 공명 측정 데이터는 적어도 하나의 조직 클래스로의 분류에 특히 적당하다.
자기 공명 핑거프린팅 방법에 의해 획득된 자기 공명 측정 데이터의 분류의 유리한 추가적인 발전을 가능하게 하는 것은 정확하게 말하면 적어도 하나의 텍스처 파라미터의 사용인데, 그 이유는 자기 공명 측정 데이터에서의 공간적 및/또는 시간적 구조들을 고려하는 것이 조직 클래스들의 보다 강건한 변별(differentiation)을 가능하게 할 수 있기 때문이다. 이러한 방식으로, 기준(norm)으로부터의 이탈(deviation)들이, 자기 공명 핑거프린팅 방법에 의해 획득된 자기 공명 측정 데이터의 종래의 순수 복셀 기반 평가와 비교하여, 보다 효과적으로 찾아질 수 있다. 예를 들어, 종양에서의 조직의 조성은 사실 보통은 너무 복잡하여, 예를 들어, T1 이완 시간 및 T2 이완 시간과 같은, 개개의 복셀에서 측정된 조직 파라미터들에 기초하여, 질병은 말할 것도없고, 특정 조직 유형에 신뢰성있게 할당가능하지 않다. 이 때문에, 정량적 자기 공명 핑거프린팅 방법을 공간적 및/또는 시간적 특징들의 고려와 조합하는 것은 자기 공명 측정 데이터의 분류에 상당한 장점이 될 수 있다.
일 실시예는
- 자기 공명 측정 데이터가 복수의 자기 공명 신호 프로파일들로부터 재구성된 복수의 공간 분해된 조직 파라미터 맵(spatially resolved tissue parameter map)들을 포함한다는 것,
- 적어도 하나의 텍스처 파라미터를 도출하는 단계가 복수의 공간 분해된 조직 파라미터 맵들로부터 복수의 텍스처 파라미터 맵들을 도출하는 단계를 포함한다는 것, 및
- 자기 공명 측정 데이터가 복수의 텍스처 파라미터 맵들을 사용하여 분류된다는 것을 제공한다.
자기 공명 측정 데이터가 데이터베이스로부터 로딩되면, 이미 완전히 재구성되어 있는 공간 분해된 조직 파라미터 맵들이 자기 공명 측정 데이터의 일부로서 데이터베이스로부터 로딩될 수 있다. 이 경우에, 복수의 자기 공명 신호 프로파일들이 아니라 공간 분해된 조직 파라미터 맵들만이 데이터베이스로부터 로딩되는 것이 또한 생각될 수 있다.
자기 공명 측정 데이터가 본 발명에 따른 방법의 일부로서 자기 공명 디바이스에 의해 취득되면, 공간 분해된 조직 파라미터 맵들이 자기 공명 신호 프로파일들로부터, 상세하게는 복셀 단위로, 재구성된다. 이러한 자기 공명 핑거프린팅 재구성에서, 복수의 자기 공명 신호 프로파일들이 상세하게는 복수의 데이터베이스 신호 프로파일들과 비교된다. 복수의 자기 공명 신호 프로파일들과 비교되는 복수의 데이터베이스 신호 프로파일들은 여기서 데이터베이스에 저장된다. 복수의 조직 파라미터들에 대한 상이한 데이터베이스 값이 여기서 상세하게는, 각각의 경우에, 상이한 데이터베이스 신호 프로파일들에 할당된다. 특정 데이터베이스 신호 프로파일은 그러면, 각각의 경우에, 샘플이 검사될 때 자기 공명 핑거프린팅 방법에서 예상될 신호 프로파일이고, 샘플의 물질 특성(material characteristic)들은 복수의 조직 파라미터들의 연관된 데이터베이스 값의 물질 특성들에 대응한다. 데이터베이스 신호 프로파일들은, 예를 들어, 교정 측정(calibration measurement)에서 확정 및/또는 시뮬레이트될 수 있다. 자기 공명 핑거프린팅 방법은 이어서 전형적으로 복수의 데이터베이스 신호 프로파일들 중의 하나의 데이터베이스 신호 프로파일이, 신호 비교의 결과에 기초하여, 취득된 자기 공명 신호 프로파일에 할당되는 것을 제공한다. 신호 비교는 취득된 자기 공명 신호 프로파일과 복수의 데이터베이스 신호 프로파일들 간의 유사도(similarity)를 결정하는 것을 포함할 수 있고, 여기서 복셀에 할당되는 복수의 데이터베이스 신호 프로파일들 중의 데이터베이스 신호 프로파일은 자기 공명 신호 프로파일과의 유사도가 가장 큰 것이다. 할당된 데이터베이스 신호 프로파일에 속하는 복수의 조직 파라미터들의 데이터베이스 값들이 이어서 복수의 조직 파라미터들에 대한 측정된 값들로서 설정될 수 있다. 이러한 방식으로, 복수의 공간 분해된 조직 파라미터 맵들이 자기 공명 핑거프린팅 재구성의 결과로서 존재할 수 있는데, 그 이유는 복수의 자기 공명 신호 프로파일들이 결국에는 또한 공간 분해된 방식으로 취득되기 때문이다.
복수의 조직 파라미터 맵들은 상세하게는 복수의 조직 파라미터들의 분포이다. 이러한 방식으로, 복수의 조직 파라미터 맵들은 다중 파라미터 자기 공명 측정 데이터로 볼 수 있다. 자기 공명 핑거프린팅 방법에 의해 정량화될 수 있는 일련의 가능한 조직 파라미터들은: T1 이완 시간, T2 이완 시간, 확산 값[예를 들어, 겉보기 확산 계수(ADC)], 자화 모멘트(magnetization moment), 양성자 밀도, 공명 주파수(resonant frequency), 물질의 농도 등이다. 통상의 기술자에게 적절한 것처럼 보일 수 있는 추가의 조직 파라미터들이, 물론, 또한 생각될 수 있다. 복수의 조직 파라미터 맵들은, 여기서, 언급된 조직 파라미터들의 임의의 원하는 조합을 정량화할 수 있다. 자기 공명 핑거프린팅 방법은 전형적으로 2개, 3개 또는 4개의 상이한 조직 파라미터들을 정량화하는 2개, 3개 또는 4개의 조직 파라미터 맵들을 확정한다. 자기 공명 핑거프린팅 방법의 한가지 장점은 여기서 복수의 조직 파라미터 맵들이 개개의 측정에서 동시에 측정될 수 있다는 것이다. 이러한 방식으로, 자기 공명 핑거프린팅 방법은 복수의 조직 파라미터 맵들을 취득하기 위해 복수의 상이한 포착 시퀀스들을 사용할 필요가 없게 만들 수 있고 따라서 자기 공명 검사의 복잡성 및/또는 포착 시간을 감소시킬 수 있다.
상세하게는, 적어도 하나의 텍스처 파라미터 맵이 각각의 취득된 공간 분해된 조직 파라미터 맵으로부터 결정된다. 각각의 취득된 공간 분해된 조직 파라미터 맵에 대해, 상이한 텍스처 특성들을 나타내는 복수의 텍스처 파라미터 맵들이 결정되는 것이 또한 생각될 수 있다. 공간 분해된 조직 파라미터 맵들 중 일부에 대해서만 텍스처 파라미터 맵들이 결정되는 것이, 물론, 또한 생각될 수 있다. 텍스처 파라미터 맵은 여기서 상세하게는 연관된 조직 파라미터 맵에 기초하여 결정되는 텍스처 파라미터의 공간 분해된 분포를 나타낸다.
게다가, 복수의 조직 파라미터 맵들의 조합에 대해, 텍스처 파라미터 맵이 작성(draw up)되는 것이 생각될 수 있다. 텍스처 파라미터 맵을 작성할 때, 복수의 조직 파라미터 맵들으로부터의 엔트리들이 여기서 조합하여 고려될 수 있다. 복수의 조직 파라미터 맵들은 여기서 컬러 영상의 상이한 컬러 채널들과 유사한 방식으로 핸들링될 수 있으며, 여기서 다양한 조직 파라미터들은 상이한 컬러 채널들에 저장된다.
복수의 공간 분해된 조직 파라미터 맵들에 부가하여, 복수의 텍스처 파라미터 맵들이 상세하게는 결과로서 획득된다. 복수의 텍스처 파라미터 맵들이 이제 특히 유리하게도, 복수의 공간 분해된 조직 파라미터 맵들 대신에, 자기 공명 측정 데이터를 분류하는 데 사용될 수 있다. 복수의 공간 분해된 조직 파라미터 맵들로부터의 다른 추가의 정보가 자기 공명 측정 데이터의 분류에 도입되는 것이 또한 생각될 수 있다. 이러한 방식으로, 복수의 조직 파라미터 맵들이 유리하게도, 종래의 방법들에서와 같이, 자기 공명 측정 데이터의 분류에서 더 이상 복셀 단위로 평가되지 않는다. 그 대신에, 공간적 및/또는 시간적 특징들이 유리하게도 자기 공명 핑거프린팅 방법에 의해 취득된 다중 파라미터 자기 공명 측정 데이터의 분류에서 사용될 수 있다.
일 실시예는
- 적어도 하나의 텍스처 파라미터를 도출하는 단계가 적어도 하나의 텍스처 파라미터 맵을 재구성하는 단계를 포함하고, 여기서 복수의 자기 공명 신호 프로파일들이 적어도 하나의 텍스처 파라미터 맵의 재구성에 직접 도입된다는 것, 및
- 자기 공명 측정 데이터가 적어도 하나의 텍스처 파라미터 맵을 사용하여 분류된다는 것을 제공한다.
이전의 실시예에서, 복수의 자기 공명 신호 프로파일들이 상세하게는 복수의 조직 파라미터 맵들의 재구성을 통해 간접적으로만 적어도 하나의 텍스처 파라미터의 도출에 도입되지만, 이 실시예에서, 적어도 하나의 텍스처 파라미터는 상세하게는 복수의 자기 공명 신호 프로파일들로부터 직접 도출된다. 이를 위해, 복수의 자기 공명 신호 프로파일들이 상세하게는 적어도 하나의 텍스처 파라미터를 추출하기 위해 시간적으로 및 공간적으로 조합하여 분석된다. 따라서, 종래의 자기 공명 핑거프린팅에서 통상적인 것처럼, 복수의 조직 파라미터 맵들을 확정할 필요가 없다.
유리하게도, 적어도 하나의 텍스처 파라미터가 자기 공명 신호 프로파일들과 데이터베이스 신호 프로파일들의 통상적인 복셀 기반 비교에만 기초하지 않고 복수의 자기 공명 신호 프로파일들로부터 직접 도출된다. 그 대신에, 자기 공명 핑거프린팅 재구성이 유리하게도 특징적인 텍스처 특징들을 포함하는 공간 성분(spatial component)을 또한 고려하는 것에 의해 확장된다.
일 실시예에 따르면, 적어도 하나의 텍스처 파라미터 맵을 재구성하는 데 사용되는 자기 공명 핑거프린팅 모델은 복수의 자기 공명 신호 프로파일들의 공간적 상황(spatial context)을 고려한다. 검사 대상물의 조직의 국부적 공간 구조화(local spatial structuring)는 그에 따라 복수의 자기 공명 신호 프로파일들의 시간적 신호 변화(temporal signal evolution)의 모델링으로부터 바로 고려될 수 있다. 이 자기 공명 핑거프린팅 모델의 보다 큰 복잡성이 적당한 압축 방법들, 예를 들어, PCA(Principal Component Analysis)에 의해 감소될 수 있다. 복수의 자기 공명 신호 프로파일들의 공간적 상황을 고려하는 것에 의해, 적어도 하나의 텍스처 파라미터 맵이 자기 공명 핑거프린팅 신호 프로파일들로부터 직접 도출될 수 있다. 적어도 하나의 텍스처 파라미터 맵에 기초하여, 상세하게는 다양한 텍스처 파라미터들의 조합에 기초하여 자기 공명 측정 데이터를 분류하는 것이 그에 따라 특히 간단하게(straightforwardly) 수행될 수 있다.
일 실시예는 적어도 하나의 텍스처 파라미터가 복수의 자기 공명 신호 프로파일들의 취득을 위한 시구간에 걸쳐 시간 분해된 방식으로(in a time-resolved manner) 도출된다는 것을 제공한다.
이러한 방식으로, 상세하게는, 시구간 전체에 걸쳐 취득되는 자기 공명 측정 데이터를 통해 결정되는 것은 적어도 하나의 통계적 텍스처 파라미터만이 아니다. 그 대신에, 적어도 하나의 텍스처 파라미터가 상세하게는 복수의 자기 공명 신호 프로파일들을 취득하기 위한 시구간에 걸쳐 변한다. 복수의 자기 공명 신호 프로파일들을 취득하기 위한 시구간은 여기서 상세하게는 복수의 자기 공명 신호 프로파일들을 취득하기 위한 시작 시각(start time) 및 종료 시각(finish time)에 의해 정의된다. 적어도 하나의 텍스처 파라미터가 또한 복수의 자기 공명 신호 프로파일들을 취득하기 위한 시구간의 일부만에 걸쳐서만 변한다.
바람직한 적용분야에서, 적어도 하나의 시간 분해된 텍스처 파라미터를 도출하는 단계는 복수의 자기 공명 신호 프로파일들을 취득하기 위한 시구간의 상이한 시간 부분들에 걸쳐 복수의 시간 분해된 텍스처 파라미터 맵들을 재구성하는 단계를 포함한다. 자기 공명 측정 데이터가 이어서 복수의 시간 분해된 텍스처 파라미터 맵들을 사용하여 분류될 수 있다. 이를 위해, 자기 공명 핑거프린팅 방법에 의해 취득된 각각의 원시 영상에 대한 텍스처 파라미터 맵이 결정될 수 있다. 대안적으로, 각각의 경우에, 복수의 연속적인 취득된 원시 영상들의 시퀀스에 대한 텍스처 파라미터 맵이 또한 결정될 수 있다. 상이한 텍스처 파라미터 맵들의 시간 시퀀스가 따라서 상세하게는 중간 결과로서 획득된다. 상기 맵들이 이어서 자기 공명 측정 데이터의 분류에 도입될 수 있으며, 여기서 시간 성분은 분류에 특히 유리한 부가 정보를 제공할 수 있다.
일 실시예는 적어도 하나의 시간 분해된 텍스처 파라미터로부터의 자기 공명 측정 데이터가 데이터베이스를 사용하여 분류되고, 여기서 데이터베이스가 적어도 하나의 조직 클래스의 함수로서 복수의 자기 공명 신호 프로파일들을 취득하기 위한 시구간에 걸친 적어도 하나의 텍스처 파라미터의 시간적 변화(temporal evolution)에 관한 정보를 포함한다는 것을 제공한다.
자기 공명 신호 프로파일들이, 상세하게는 진폭 및 위상의 면에서, 데이터베이스 신호 프로파일들과 비교되는 종래의 자기 공명 핑거프린팅 재구성 대신에, 자기 공명 핑거프린팅 재구성이 상세하게는 적어도 하나의 시간 분해된 텍스처 파라미터를 사용하여 진행된다. 이를 위해, 시간 분해된 텍스처 파라미터가 상세하게는, 적어도 하나의 조직 클래스의 함수로서 복수의 자기 공명 신호 프로파일들을 취득하기 위한 시구간에 걸친 적어도 하나의 텍스처 파라미터의 시간적 변화를 기술하는, 시간 분해된 텍스처 파라미터의 데이터베이스 프로파일들과 비교된다. 데이터베이스는 여기서 상세하게는 복수의 상이한 조직 클래스들에 대한 적어도 하나의 텍스처 파라미터의 시간적 변화를 기술하는 복수의 데이터베이스 프로파일들을 저장한다. 데이터베이스 프로파일들이 여기서 상이한 조직 유형들에 대해서뿐만 아니라 조직 특징들 또는 조직 특성들[예를 들어, "정상적인(normal)" 및 "두드러진(conspicuous)" 텍스처 변화들]에 기초해서도 결정될 수 있다.
자기 공명 측정 데이터가 분류되는 상이한 조직 클래스들이 따라서 상세하게는 복수의 데이터베이스 프로파일들에 관련되어 저장된다. 분류를 위해 적어도 하나의 텍스처 파라미터의 측정된 시간적 변화와 가장 매칭하는 데이터베이스 프로파일이 확정될 수 있다. 이를 위해, 예를 들어, 2개의 벡터들의 최대 하나의 내적이 결정될 수 있다. 가장 매칭하는 데이터베이스 프로파일에 할당된 조직 클래스가 이어서 분류 결과로서 선택될 수 있다. 이러한 방식으로, 원하는 분류가 유리하게도 자기 공명 핑거프린팅 측정 데이터의 재구성의 결과로서 직접 이용가능할 수 있다.
일 실시예는 적어도 하나의 시간 분해된 텍스처 파라미터로부터의 자기 공명 측정 데이터가 적어도 하나의 필터 연산(filter operation)을 사용하여 분류된다는 것을 제공한다.
적어도 하나의 텍스처 파라미터의 측정된 시간적 변화와 데이터베이스 프로파일들 간의 최상의 매치(best match)가 있는지 탐색하는 것에 대한 대안으로서, 적어도 하나의 텍스처 파라미터의 측정된 시간적 변화가 모델 또는 필터에 기초하여 분석될 수 있다. 적어도 하나의 전용 필터 연산이 여기서 조직 클래스들로의 분류를 위한 조직 특성들을 적어도 하나의 텍스처 파라미터의 측정된 시간적 변화로부터 추출하는 데 사용될 수 있다. 예를 들어, 칼만 필터 연산(Kalman filter operation)이 여기서 적당하다. 예를 들어, 확장된 칼만 필터 연산들을 사용한 또는 순차적 몬테카를로 방법(sequential Monte Carlo method)들을 사용한 비선형 상태 모델들이 또한 모델링될 수 있다. 필터 연산에 대한 추가의 가능한 경우는, 예를 들어, 신경망("딥 러닝(deep learning)"이라고도 함)에 기초한 자기 학습 필터(self-learning filter)를 사용하는 것이다. 이 경우에, 훈련 데이터 기록(training data record)들을 사용한 훈련이 적절하다. 이 경우에, 전용 필터 연산 또는 전용 모델을 작성하는 것을 생략하는 것이 유리하게도 가능하다.
일 실시예는 적어도 하나의 텍스처 파라미터를 도출하기 위한 기초로서 사용되는 공간 영역(spatial domain)에서, 하기의 요소들: 자기 공명 측정 데이터가 취득된 해부학적 영역(anatomical region), 자기 공명 측정 데이터의 취득의 기반이 되는 임상 문제, 검사 대상물에서 예상되는 질병 과정 또는 검사 대상물로부터 이전에 취득된 영상 데이터 중 적어도 하나에 기초하여 적어도 하나의 길이 스케일(length scale)을 결정하는 단계를 제공한다.
공간적 텍스처 파라미터(spatial texture parameter)가 자기 공명 측정 데이터로부터 도출되는 경우, 적어도 하나의 텍스처 파라미터를 도출하기 위한 기초로서 사용되는 공간 영역에서의 길이 스케일의 적당한 정의를 제공하는 것이 바람직하다. 이러한 방식으로, 적어도 하나의 텍스처 파라미터가 자기 공명 측정 데이터의 분류를 위해 특히 적당하게 도출될 수 있다. 검사 대상물에 관한 또는 임상 문제에 관한 정보는 여기서 길이 스케일을 정의하는 데 적당한 기초로서 역할할 수 있다. 길이 스케일을 결정하기 위해 해부 아틀라스(anatomical atlas)로부터의 정보를 사용하는 것이 마찬가지로 생각될 수 있다.
자기 공명 검사 전체에 대해 길이 스케일이 일정할 수 있다. 길이 스케일이 또한 자기 공명 측정 데이터가 취득되는 위치의 함수로서 변할 수 있다. 대안적으로 또는 그에 부가하여, 계층적 분석에서, 적어도 하나의 조직 클래스로의 강건한 분류를 위한 추가 정보가 획득될 수 있도록, 적어도 하나의 텍스처 파라미터를 도출하기 위해 상이한 길이 스케일들(예를 들어, 조대(coarse)부터 미세(fine)까지)이 사용될 수 있다.
본 발명에 따른 분류 유닛은 컴퓨팅 유닛(computing unit)을 포함하고, 여기서 분류 유닛은 본 발명에 따른 방법을 수행하도록 구성된다.
이러한 방식으로, 본 발명에 따른 분류 유닛은 자기 공명 핑거프린팅 방법에 의해 검사 대상물로부터 취득된 자기 공명 측정 데이터를 분류하는 방법을 수행하도록 구성된다. 이를 위해, 본 발명에 따른 분류 유닛은 상세하게는 검사 대상물로부터 자기 공명 측정 데이터를 취득하기 위한 측정 데이터 취득 유닛을 포함하고, 여기서 자기 공명 측정 데이터는 자기 공명 핑거프린팅 방법에 의해 취득된 복수의 자기 공명 신호 프로파일들을 포함한다. 본 발명에 따른 분류 유닛은 게다가 상세하게는 자기 공명 측정 데이터로부터 적어도 하나의 텍스처 파라미터를 도출하기 위한 도출 유닛을 포함한다. 본 발명에 따른 분류 유닛은 게다가 상세하게는 적어도 하나의 텍스처 파라미터를 사용하여 자기 공명 측정 데이터를 적어도 하나의 조직 클래스로 분류하기 위한 분류기를 포함한다. 본 발명에 따른 분류 유닛은 게다가 상세하게는 분류된 자기 공명 측정 데이터를 제공하기 위한 제공 유닛을 포함한다.
본 발명에 따른 분류 유닛의 컴퓨팅 유닛의 컴포넌트(component)들은 주로 소프트웨어 컴포넌트들의 형태를 취할 수 있다. 그렇지만, 원칙적으로, 이 컴포넌트들은 또한 부분적으로, 상세하게는 특히 빠른 계산들이 수반될 때, 소프트웨어 지원 하드웨어 컴포넌트(software-assisted hardware component)들, 예를 들어, FPGA들 등의 형태로 구현될 수 있다. 마찬가지로, 필요한 인터페이스들은, 예를 들어, 다른 소프트웨어 컴포넌트들로부터 데이터를 수신하는 문제인 경우에만, 소프트웨어 인터페이스들의 형태를 취할 수 있다. 그렇지만, 인터페이스들이 또한 적당한 소프트웨어에 의해 구동되는 하드웨어 인터페이스들의 형태를 취할 수 있다. 물론, 복수의 언급된 컴포넌트들이 조합되고 개개의 소프트웨어 컴포넌트 또는 소프트웨어 지원 하드웨어 컴포넌트의 형태로 구현되는 것이 또한 생각될 수 있다.
본 발명에 따른 자기 공명 디바이스는 본 발명에 따른 분류 유닛을 포함한다.
분류 유닛은 본 발명에 따른 방법을 수행하기 위해 제어 신호들을 자기 공명 디바이스에게 전송하도록 그리고/또는 제어 신호들을 수신 및/또는 처리하도록 구성될 수 있다. 분류 유닛은 자기 공명 디바이스에 통합될 수 있다. 분류 유닛은 또한 자기 공명 디바이스와 별도로 설치될 수 있다. 분류 유닛은 자기 공명 디바이스에 연결될 수 있다.
자기 공명 측정 데이터를 취득하는 단계는 자기 공명 디바이스의 포착 유닛에 의해 자기 공명 측정 데이터를 포착하는 단계를 포함할 수 있다. 자기 공명 측정 데이터는 이어서 추가 처리를 위해 분류 유닛에게 전달(transfer)될 수 있다. 분류 유닛은 이어서 측정 데이터 취득 유닛에 의해 자기 공명 측정 데이터를 취득할 수 있다.
본 발명에 따른 컴퓨터 프로그램 제품은 프로그래밍가능 컴퓨팅 유닛의 저장 디바이스에 직접 로딩가능하고, 컴퓨터 프로그램 제품이 컴퓨팅 유닛에서 실행될 때 본 발명에 따른 방법을 수행하기 위한 프로그램 코드 수단을 포함한다. 컴퓨터 프로그램 제품은 컴퓨터 프로그램이거나 컴퓨터 프로그램을 포함할 수 있다. 그 결과, 본 발명에 따른 방법이 신속하게, 똑같이 반복가능하게 그리고 강건하게 수행될 수 있다. 컴퓨터 프로그램 제품은 컴퓨팅 유닛에 의해 본 발명에 따른 방법 단계들을 수행할 수 있도록 구성된다. 컴퓨팅 유닛은 여기서, 각각의 경우에, 각자의 방법 단계들을 효율적으로 수행하는 것이 가능하도록 하기 위해 적절한 작업 메모리(working memory), 적절한 그래픽 카드 또는 적절한 논리 유닛과 같은 전제조건들을 포함해야만 한다. 컴퓨터 프로그램 제품은, 예를 들어, 컴퓨터 판독가능 매체 상에 저장되거나 네트워크 또는 서버 상에 저장되고, 이로부터 컴퓨터 프로그램 제품이 로컬 컴퓨팅 유닛의 프로세서에 로딩될 수 있다. 컴퓨터 프로그램 제품에 대한 제어 정보가 게다가 전자적 판독가능 데이터 저장 매체(electronically readable data storage medium) 상에 저장될 수 있다. 전자적 판독가능 데이터 저장 매체의 제어 정보는, 데이터 저장 매체가 컴퓨팅 유닛에서 사용될 때, 본 발명에 따른 방법을 수행하도록 설계될 수 있다. 컴퓨터 프로그램 제품은 그에 따라 또한 전자적 판독가능 데이터 저장 매체일 수 있다. 전자적 판독가능 데이터 저장 매체의 예들은 전자적 판독가능 제어 정보, 상세하게는 소프트웨어(상기 참조)가 저장되는 DVD, 자기 테이프, 하드 디스크 또는 USB 스틱이다. 이 제어 정보(소프트웨어)가 데이터 저장 매체로부터 판독되고 제어 및/또는 컴퓨팅 유닛에 저장되면, 이전에 기술된 방법의 본 발명에 따른 모든 실시예들이 수행될 수 있다. 본 발명은 그에 따라 또한 상기 컴퓨터 판독가능 매체 및/또는 상기 전자적 판독가능 데이터 저장 매체에 기초할 수 있다.
본 발명에 따른 분류 유닛, 본 발명에 따른 자기 공명 디바이스 및 본 발명에 따른 컴퓨터 프로그램 제품의 장점들은 이전에 상세히 기술된 본 발명에 따른 방법의 장점들에 실질적으로 대응한다. 이와 관련하여 언급된 특징들, 장점들 또는 대안의 실시예들이 마찬가지로 또한 다른 청구된 발명 요지들로 이전가능하고 그 반대도 마찬가지이다. 환언하면, 제품 청구항들이 또한 방법과 관련하여 기술되거나 청구되는 특징들을 이용해 더 발전될 수 있다. 본 방법의 대응하는 기능적 특징들이 여기서 대응하는 물리적 모듈들, 상세하게는 하드웨어 모듈들의 형태를 취한다.
본 발명은 도면들에 예시된 예시적인 실시예들에 기초하여 이하에서 기술되고 설명된다.
도 1은 본 발명에 따른 분류 유닛을 갖춘 본 발명에 따른 자기 공명 디바이스를 개략도로 도시한 도면,
도 2는 본 발명에 따른 방법의 제1 실시예의 순서도를 도시한 도면,
도 3는 본 발명에 따른 방법의 제2 실시예의 순서도를 도시한 도면,
도 4는 본 발명에 따른 방법의 제3 실시예의 순서도를 도시한 도면,
도 5는 본 발명에 따른 방법의 제4 실시예의 순서도를 도시한 도면.
도 1은 본 발명에 따른 분류 유닛(33)을 갖춘 본 발명에 따른 자기 공명 디바이스(11)의 개략적 표현이다.
자기 공명 디바이스(11)는 강하고 그리고 상세하게는 일정한 주자기장(18)을 생성하기 위한 주자석(17)을 갖는 자석 유닛(13)에 의해 형성된 검출기 유닛을 포함한다. 자기 공명 디바이스(11)는 검사 대상물(15), 본 경우에, 환자를 수용하기 위한 원통형 환자 수용 구역(cylindrical patient accommodation zone)(14)을 추가로 포함하고, 여기서 환자 수용 구역(14)은 자석 유닛(13)에 의해 원주 방향으로 원통형으로 둘러싸여(enclose) 있다. 환자(15)는 자기 공명 디바이스(11)의 환자 위치설정 장치(patient positioning apparatus)(16)에 의해 환자 수용 구역(14) 내로 전진될 수 있다. 환자 위치설정 장치(16)는 이를 위해 자기 공명 디바이스(11) 내에 이동가능하게 마련된(arranged movably) 환자 테이블을 포함한다. 자석 유닛(13)은 자기 공명 디바이스의 수용 외피(31)에 의해 외부에서 차폐되어 있다.
자석 유닛(13)은 게다가 영상화 동안 공간 인코딩(spatial encoding)을 위해 사용되는 자기장 구배(magnetic field gradient)들을 생성하기 위한 구배 코일 유닛(19)을 포함한다. 구배 코일 유닛(19)은 구배 제어 유닛(gradient control unit)(28)에 의해 구동된다. 자석 유닛(13)은, 도시된 경우에, 자기 공명 디바이스(11)에 견고하게 통합된(fixedly integrated) 본체 코일(body coil)의 형태를 취하는 고주파 안테나 유닛(20), 및 주자석(17)에 의해 생성된 주자기장(18)에서 확립된 분극(polarization)을 여기시키기 위한 고주파 안테나 제어 유닛(29)을 추가로 포함한다. 고주파 안테나 유닛(20)은 고주파 안테나 제어 유닛(29)에 의해 구동되고, 고주파 자기 공명 시퀀스들을 환자 수용 구역(14)에 의해 실질적으로 형성되는 검사 챔버 내로 방출한다. 고주파 안테나 유닛(20)은 게다가, 상세하게는 환자(15)로부터, 자기 공명 신호들을 수신하도록 구성된다.
자기 공명 디바이스(11)는 주자석(17), 구배 제어 유닛(28) 및 고주파 안테나 제어 유닛(29)을 제어하기 위한 제어 유닛(24)을 포함한다. 제어 유닛(24)은, 예를 들어, 미리 결정된 영상화 구배 에코 시퀀스(imaging gradient echo sequence)의 수행과 같이, 자기 공명 디바이스(11)를 중앙집중식으로 제어한다. 예를 들어, 영상화 파라미터들과 같은 제어 정보, 및 재구성된 자기 공명 영상들이 사용자를 위해 자기 공명 디바이스(11)의 표시 유닛(25) 상에 제공될 수 있다. 자기 공명 디바이스(11)는 게다가 입력 유닛(26)을 포함하고, 입력 유닛(26)에 의해 정보 및/또는 파라미터들이 측정 절차 동안 사용자에 의해 입력될 수 있다. 제어 유닛(24)은 구배 제어 유닛(28) 및/또는 고주파 안테나 제어 유닛(29) 및/또는 표시 유닛(25) 및/또는 입력 유닛(26)을 포함할 수 있다.
자기 공명 디바이스(11)는 게다가 취득 유닛(32)을 포함한다. 이 경우에, 취득 유닛(32)은, 고주파 안테나 제어 유닛(29) 및 구배 제어 유닛(28)과 함께, 자석 유닛(13)에 의해 형성된다.
예시된 자기 공명 디바이스(11)가, 물론, 자기 공명 디바이스들(11)이 보통 가지는 추가의 컴포넌트들을 포함할 수 있다. 자기 공명 디바이스(11)의 일반적인 동작 모드가 또한 통상의 기술자에게 공지되어 있고, 따라서 추가의 컴포넌트들에 대한 상세한 설명은 제공되지 않는다.
예시된 분류 유닛(33)은 컴퓨팅 유닛(34)을 포함한다. 이 컴퓨팅 유닛(34)은 본 발명에 따른 방법을 수행하기 위해, 예를 들어, 측정 데이터 취득 유닛, 도출 유닛, 분류기 또는 제공 유닛과 같은, 다양한 컴포넌트들을 포함할 수 있다.
자기 공명 디바이스(11)는 따라서, 분류 유닛(33)과 함께, 본 발명에 따른 방법을 수행하도록 설계된다. 분류 유닛(33)의 컴퓨팅 유닛(34)은 이어서 자기 공명 디바이스(11)의 제어 유닛(24)으로부터 자기 공명 측정 데이터를 취득한다. 이를 위해, 컴퓨팅 유닛(34)은 유리하게도 데이터 교환과 관련하여 자기 공명 디바이스(11)의 제어 유닛(24)에 연결된다. 분류된 자기 공명 측정 데이터는 이어서 컴퓨팅 유닛(34)으로부터 표시를 위해 자기 공명 디바이스(11)의 표시 유닛(25)에게 전달될 수 있다.
예시에 대한 대안으로서, 분류 유닛(33)은 또한 본 발명에 따른 방법을 단독으로 수행하도록 설계될 수 있다. 이를 위해, 컴퓨팅 유닛(34)은 전형적으로 자기 공명 측정 데이터를 데이터베이스로부터 로딩하고 그리고/또는 자기 공명 측정 데이터를 자기 공명 디바이스(11)로부터 검색할 것이다.
도 2는 자기 공명 핑거프린팅 방법에 의해 검사 대상물(15)로부터 취득된 자기 공명 측정 데이터를 분류하기 위한 본 발명에 따른 방법의 제1 실시예의 순서도를 도시하고 있다.
제1 방법 단계(40)에서, 검사 대상물로부터 자기 공명 측정 데이터가 취득되고, 여기서 자기 공명 측정 데이터는 자기 공명 핑거프린팅 방법에 의해 취득된 복수의 자기 공명 신호 프로파일들을 포함한다.
추가의 방법 단계(41)에서, 적어도 하나의 텍스처 파라미터가 자기 공명 측정 데이터로부터 도출된다.
추가의 방법 단계(42)에서, 자기 공명 측정 데이터가 적어도 하나의 텍스처 파라미터를 사용하여 적어도 하나의 조직 클래스로 분류된다.
추가의 방법 단계(43)에서, 분류된 자기 공명 측정 데이터가 제공된다.
이하의 설명은 도 2에서의 예시적인 실시예에 대한 차이점들로 실질적으로 제한되고, 여기서 동일한 채로 있는 방법 단계들과 관련하여, 도 2에서의 예시적인 실시예의 설명이 참조된다. 실질적으로 동일한 채로 있는 방법 단계들은 원칙적으로 동일한 참조 부호들을 사용해 제공된다.
도 3 내지 도 5에 도시된 본 발명에 따른 방법의 실시예들은 도 2에 따른 본 발명에 따른 방법의 제1 실시예의 방법 단계들(40, 41, 42, 43)을 실질적으로 포함한다. 그에 부가하여, 도 3 내지 도 5에 도시된 본 발명에 따른 방법의 실시예들은 부가의 방법 단계들 및 하위단계들을 포함한다. 도 3 내지 도 5에 도시된 부가의 방법 단계들 및/또는 하위단계들 중 일부만을 포함하는 도 3 내지 도 5에 대한 대안의 방법 시퀀스가 또한 생각될 수 있다. 도 3 내지 도 5에 대한 대안의 방법 시퀀스가, 물론, 또한 부가의 방법 단계들 및/또는 하위단계들을 포함할 수 있다.
도 3은 자기 공명 핑거프린팅 방법에 의해 검사 대상물(15)로부터 취득된 자기 공명 측정 데이터를 분류하기 위한 본 발명에 따른 방법의 제2 실시예의 순서도를 도시하고 있다.
도 3에 도시된 경우에서, 자기 공명 측정 데이터는 복수의 자기 공명 신호 프로파일들로부터 재구성된 복수의 공간 분해된 조직 파라미터 맵들(PM1, PM2)을 포함한다. 제1 조직 파라미터 맵(PM1) 및 제2 조직 파라미터 맵(PM2)이 예로서 도시되어 있다. 자기 공명 측정 데이터는, 물론, 또한 보다 많은 조직 파라미터 맵들(PM1, PM2)을 포함할 수 있다. 제1 조직 파라미터 맵(PM1) 및 제2 조직 파라미터 맵(PM2)은 여기서 상이한 조직 파라미터들을 정량화한다. 예를 들어, 제1 조직 파라미터 맵(PM1)은 T1 이완 시간의 공간 분해된 분포일 수 있고, 제2 조직 파라미터 맵(PM2)은 T2 이완 시간의 공간 분해된 분포일 수 있다. 조직 파라미터 맵들에 정량화된 조직 파라미터들의 다른 조합들이, 물론, 생각될 수 있다.
추가의 방법 단계(41)에서, 적어도 하나의 텍스처 파라미터를 도출하는 단계는 이제 2개의 하위단계들(41-1 및 41-2)에서 복수의 공간 분해된 조직 파라미터 맵들로부터 복수의 텍스처 파라미터 맵들을 도출하는 단계를 포함한다. 도 3에 도시된 경우에서, 제1 텍스처 파라미터 맵은 여기서 추가의 방법 단계(41)의 제1 하위단계(41-1)에서 제1 조직 파라미터 맵(PM1)으로부터 도출된다. 도 3에 도시된 경우에서, 제2 텍스처 파라미터 맵은 여기서 추가의 방법 단계(41)의 제2 하위단계(41-2)에서 제2 조직 파라미터 맵(PM2)으로부터 도출된다. 2개의 텍스처 파라미터 맵들은 따라서 각자의 연관된 조직 파라미터 맵(PM1 또는 PM2)에서의 공간적 및/또는 시간적 구조들에 관한 정보를 포함할 수 있다. 보다 많은 텍스처 파라미터 맵들이, 물론, 또한 조직 파라미터 맵들(PM1 및 PM2)로부터 도출될 수 있다. 예를 들어, 제1 조직 파라미터 맵(PM1)에서의 상이한 패턴들을 특성화하는 2개 또는 2개 초과의 상이한 텍스처 파라미터 맵들이 그에 따라 제1 하위단계(41-1)에서의 제1 조직 파라미터 맵(PM1)과 관련하여 결정될 수 있다. 제2 조직 파라미터 맵(PM2)이 이어서 제1 조직 파라미터 맵(PM1)과 유사한 방식으로 분석될 수 있다.
자기 공명 측정 데이터가 이어서, 제1 텍스처 파라미터 맵 및 제2 텍스처 파라미터 맵을 사용하는 도 3에 도시된 경우에서, 복수의 텍스처 파라미터 맵들을 사용하여 추가의 방법 단계(42)에서 분류된다.
도 3은, 적어도 하나의 텍스처 파라미터를 도출하기 위한 기초로서 사용되는 공간 영역에서, 하기의 요소들: 자기 공명 측정 데이터가 취득된 해부학적 영역, 자기 공명 측정 데이터의 취득의 기반이 되는 임상 문제, 검사 대상물에서 예상되는 질병 과정 또는 검사 대상물로부터 이전에 취득된 영상 데이터 중 적어도 하나에 기초하여 적어도 하나의 길이 스케일이 결정되는 추가의 방법 단계(44)를 도시하고 있다. 대안적으로, 이 추가의 방법 단계(44)가 당연히 또한 도 4 또는 도 5에 설명된 실시예들에서 수행될 수 있다.
도 4는 자기 공명 핑거프린팅 방법에 의해 검사 대상물(15)로부터 취득된 자기 공명 측정 데이터를 분류하기 위한 본 발명에 따른 방법의 제3 실시예의 순서도를 도시하고 있다.
도 4에 도시된 경우에서, 추가의 방법 단계(40)에서 취득된 복수의 자기 공명 신호 프로파일들(SE)이 추가의 방법 단계(41)에서 직접 추가로 처리된다.
이를 위해, 추가의 방법 단계(41)에서 적어도 하나의 텍스처 파라미터를 도출하는 단계는 추가의 방법 단계(41)의 하위단계(41-3)에서 적어도 하나의 텍스처 파라미터 맵을 재구성하는 단계를 포함하며, 여기서 복수의 자기 공명 신호 프로파일들(SE)은 적어도 하나의 텍스처 파라미터 맵의 재구성에 직접 도입된다. 적어도 하나의 텍스처 파라미터 맵을 재구성하기 위해 하위단계(41-3)에서 사용되는 자기 공명 핑거프린팅 모델(DB1)은 여기서 복수의 자기 공명 신호 프로파일들의 공간적 상황을 고려할 수 있다.
자기 공명 측정 데이터가 이어서 추가의 방법 단계(42)에서 적어도 하나의 텍스처 파라미터 맵을 사용하여 분류된다.
도 5는 자기 공명 핑거프린팅 방법에 의해 검사 대상물(15)로부터 취득된 자기 공명 측정 데이터를 분류하기 위한 본 발명에 따른 방법의 제4 실시예의 순서도를 도시하고 있다.
도 5에 도시된 경우에서, 적어도 하나의 텍스처 파라미터가 추가의 방법 단계(41)의 하위단계(41-4)에서 복수의 자기 공명 신호 프로파일들(SE)의 취득을 위한 시구간에 걸쳐 시간 분해된 방식으로 도출된다.
자기 공명 측정 데이터는 이어서 추가의 방법 단계(42)에서 2개의 대안들에 의해 분류될 수 있다.
제1 대안에 따르면, 적어도 하나의 시간 분해된 텍스처 파라미터로부터의 자기 공명 측정 데이터는 추가의 방법 단계(42)의 제1 하위단계(42-1)에서 데이터베이스(DB2)를 사용하여 분류되며, 여기서 데이터베이스(DB2)는 적어도 하나의 조직 클래스의 함수로서 복수의 자기 공명 신호 프로파일들(SE)을 취득하기 위한 시구간에 걸친 적어도 하나의 텍스처 파라미터의 시간적 변화에 관한 정보를 포함한다.
제2 대안에 따르면, 적어도 하나의 시간 분해된 텍스처 파라미터로부터의 자기 공명 측정 데이터는 추가의 방법 단계(42)의 제2 하위단계(42-2)에서 적어도 하나의 필터 연산을 사용하여 분류된다. 필터 연산은 또한 모델링된 자기 공명 신호 프로파일들과 데이터베이스 신호 프로파일들의 직접 비교에 대한 대안으로서 도 3 또는 도 4에 따른 다른 실시예들에서 사용될 수 있다.
본 발명에 따른 방법의 도 2 내지 도 5에 도시된 방법 단계들은 컴퓨팅 유닛에 의해 수행된다. 이를 위해, 컴퓨팅 유닛은 컴퓨팅 유닛의 저장 유닛에 저장되는 필요한 소프트웨어 및/또는 컴퓨터 프로그램들을 포함한다. 소프트웨어 및/또는 컴퓨터 프로그램들은, 컴퓨터 프로그램 및/또는 소프트웨어가 컴퓨팅 유닛의 프로세서 유닛에 의해 컴퓨팅 유닛에서 실행될 때, 본 발명에 따른 방법을 수행하도록 설계된 프로그램 수단을 포함한다.
비록 본 발명이 바람직한 예시적인 실시예들을 참조하여 보다 상세하게 예시되고 기술되었지만, 본 발명은 그럼에도 불구하고 개시된 예들에 의해 제한되지 않으며, 본 발명의 보호 범위를 벗어나지 않고 통상의 기술자에 의해 그로부터 다른 변형들이 도출될 수 있다.

Claims (11)

  1. 자기 공명 핑거프린팅 방법에 의해 검사 대상물로부터 취득된 자기 공명 측정 데이터를 분류하는 방법으로서,
    - 상기 검사 대상물의 자기 공명 측정 데이터를 취득하는 단계 - 상기 자기 공명 측정 데이터는 자기 공명 핑거프린팅 방법에 의해 취득된 복수의 자기 공명 신호 프로파일들을 포함함 -,
    - 상기 자기 공명 측정 데이터로부터 적어도 하나의 텍스처 파라미터를 도출하는 단계,
    - 상기 적어도 하나의 텍스처 파라미터를 사용하여 상기 자기 공명 측정 데이터를 적어도 하나의 조직 클래스로 분류하는 단계, 및
    - 상기 분류된 자기 공명 측정 데이터를 제공하는 단계를 포함하는, 방법.
  2. 제1항에 있어서,
    - 상기 자기 공명 측정 데이터는 상기 복수의 자기 공명 신호 프로파일들로부터 재구성된 복수의 공간 분해된 조직 파라미터 맵(spatially resolved tissue parameter map)들을 포함하고,
    - 상기 적어도 하나의 텍스처 파라미터를 도출하는 단계는 상기 복수의 공간 분해된 조직 파라미터 맵들로부터 복수의 텍스처 파라미터 맵들을 도출하는 단계를 포함하며,
    - 상기 자기 공명 측정 데이터는 상기 복수의 텍스처 파라미터 맵들을 사용하여 분류되는, 방법.
  3. 제1항에 있어서,
    - 상기 적어도 하나의 텍스처 파라미터를 도출하는 단계는 적어도 하나의 텍스처 파라미터 맵을 재구성하는 단계를 포함하고, 상기 복수의 자기 공명 신호 프로파일들은 상기 적어도 하나의 텍스처 파라미터 맵의 재구성에 직접 도입되며,
    - 상기 자기 공명 측정 데이터는 상기 적어도 하나의 텍스처 파라미터 맵을 사용하여 분류되는, 방법.
  4. 제3항에 있어서, 상기 적어도 하나의 텍스처 파라미터 맵을 재구성하는 데 사용되는 상기 자기 공명 핑거프린팅 모델은 상기 복수의 자기 공명 신호 프로파일들의 공간적 상황(spatial context)을 고려하는, 방법.
  5. 제1항에 있어서, 상기 적어도 하나의 텍스처 파라미터는 상기 복수의 자기 공명 신호 프로파일들의 취득을 위한 시구간(time interval)에 걸쳐 시간 분해된 방식으로(in a time-resolved manner) 도출되는, 방법.
  6. 제5항에 있어서, 상기 적어도 하나의 시간 분해된 텍스처 파라미터로부터의 상기 자기 공명 측정 데이터는 데이터베이스를 사용하여 분류되고, 상기 데이터베이스는 상기 적어도 하나의 조직 클래스의 함수로서 상기 복수의 자기 공명 신호 프로파일들을 취득하기 위한 상기 시구간에 걸친 상기 적어도 하나의 텍스처 파라미터의 시간적 변화(temporal evolution)에 관한 정보를 포함하는, 방법.
  7. 제5항에 있어서, 상기 적어도 하나의 시간 분해된 텍스처 파라미터로부터의 상기 자기 공명 측정 데이터는 적어도 하나의 필터 연산(filter operation)을 사용하여 분류되는, 방법.
  8. 제1항 내지 제7항 중 어느 한 항에 있어서, 적어도 하나의 텍스처 파라미터를 도출하기 위한 기초로서 사용되는 공간 영역(spatial domain)에서, 상기 자기 공명 측정 데이터가 취득된 해부학적 영역(anatomical region), 상기 자기 공명 측정 데이터의 취득의 기반이 되는 임상 문제, 상기 검사 대상물에서 예상되는 질병 과정(disease process) 또는 상기 검사 대상물로부터 이전에 취득된 영상 데이터 중 적어도 하나의 요소에 기초하여 적어도 하나의 길이 스케일(length scale)이 결정되는, 방법.
  9. 컴퓨팅 유닛을 포함하는 분류 유닛으로서, 상기 분류 유닛은 제1항 내지 제8항 중 어느 한 항에 따른 방법을 수행하도록 구성되는, 분류 유닛.
  10. 제9항에 청구된 분류 유닛을 갖춘 자기 공명 디바이스.
  11. 프로그래밍가능 컴퓨팅 유닛의 저장 디바이스에 직접 로딩될 수 있는 컴퓨터 프로그램 제품으로서, 상기 컴퓨터 프로그램 제품이 상기 컴퓨팅 유닛에서 실행될 때, 제1항 내지 제8항 중 어느 한 항에 청구된 방법을 수행하기 위한 프로그램 코드 수단을 갖는, 컴퓨터 프로그램 제품.
KR1020180005576A 2017-01-19 2018-01-16 자기 공명 핑거프린팅 방법에 의해 검사 대상물로부터 취득된 자기 공명 측정 데이터를 분류하는 방법 KR20180085688A (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
EP17152234.5A EP3351956B1 (de) 2017-01-19 2017-01-19 Verfahren zur klassifikation von mittels einer magnetresonanz- fingerprinting methode von einem untersuchungsobjekt erfassten magnetresonanz-messdaten
EP17152234.5 2017-01-19

Publications (1)

Publication Number Publication Date
KR20180085688A true KR20180085688A (ko) 2018-07-27

Family

ID=57850997

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180005576A KR20180085688A (ko) 2017-01-19 2018-01-16 자기 공명 핑거프린팅 방법에 의해 검사 대상물로부터 취득된 자기 공명 측정 데이터를 분류하는 방법

Country Status (4)

Country Link
US (1) US10664683B2 (ko)
EP (1) EP3351956B1 (ko)
KR (1) KR20180085688A (ko)
CN (1) CN108324277B (ko)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10241178B2 (en) * 2015-05-29 2019-03-26 Case Western Reserve University System and method for magnetic resonance fingerprinting at high field strengths
EP3644086A1 (de) * 2018-10-25 2020-04-29 Bayer AG Magnetresonanz-fingerprinting-verfahren für aufnahmen mit kontrastmittel
DE102019206827A1 (de) * 2019-05-10 2020-11-12 Siemens Healthcare Gmbh Magnetresonanz-Fingerprinting-Verfahren
EP3863022A1 (en) * 2020-02-06 2021-08-11 Siemens Healthcare GmbH Method and system for automatically characterizing liver tissue of a patient, computer program and electronically readable storage medium
US11454687B2 (en) * 2020-04-01 2022-09-27 Siemens Healthcare Gmbh Multi-echo radial look-locker imaging for simultaneous T1 and fat fraction quantification

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10627468B2 (en) 2011-03-18 2020-04-21 Case Western Reserve University Nuclear magnetic resonance (NMR) fingerprinting
EP2897523B1 (en) 2012-09-19 2024-05-22 Case Western Reserve University Nuclear magnetic resonance (nmr) fingerprinting
CN104798105B (zh) * 2012-11-20 2019-06-07 皇家飞利浦有限公司 采用图像纹理特征的集成表型
US9989609B2 (en) 2014-04-03 2018-06-05 Industry-Academic Foundation, Yonsei University Method and apparatus for adjusting the parameters of a magnetic resonance image
US10261154B2 (en) * 2014-04-21 2019-04-16 Case Western Reserve University Nuclear magnetic resonance (NMR) fingerprinting tissue classification and image segmentation
US10335049B2 (en) * 2014-04-22 2019-07-02 Case Western Reserve University Magnetic resonance fingerprinting with steady state precession (MRF-FISP)
DE102014211354A1 (de) 2014-06-13 2015-12-17 Siemens Aktiengesellschaft Verfahren zur Magnetresonanz-Bildgebung
DE102014211695B4 (de) 2014-06-18 2016-08-18 Siemens Healthcare Gmbh Bestimmung einer ortsaufgelösten Verteilung einer Markierungssubstanz
DE102014214828A1 (de) 2014-07-29 2016-02-04 Siemens Aktiengesellschaft Verfahren zum Magnetresonanz-Fingerprinting
DE102014215956A1 (de) 2014-08-12 2016-02-18 Siemens Aktiengesellschaft Verfahren zum Magnetresonanz-Fingerprinting
DE102014217284A1 (de) 2014-08-29 2016-03-03 Siemens Aktiengesellschaft Verfahren zu einer Magnetresonanz-Untersuchung eines Untersuchungsobjekts
DE102014217283B4 (de) 2014-08-29 2016-03-31 Siemens Aktiengesellschaft Überwachung einer Strahlentherapie eines Patienten mittels einer MR-Fingerprinting-Methode
US10215827B2 (en) * 2014-09-01 2019-02-26 Bioprotonics Inc. Method to measure tissue texture using NMR spectroscopy to identify the chemical species of component textural elements in a targeted region of tissue
US10667718B2 (en) * 2015-03-26 2020-06-02 Case Western Reserve University Quantitative prostate cancer imaging with magnetic resonance fingerprinting (MRF)
KR20160150091A (ko) 2016-12-20 2016-12-28 연세대학교 산학협력단 후처리 기반 자기공명영상의 파라미터 조정 방법 및 장치

Also Published As

Publication number Publication date
US20180204045A1 (en) 2018-07-19
CN108324277A (zh) 2018-07-27
EP3351956B1 (de) 2022-03-16
CN108324277B (zh) 2022-08-19
EP3351956A1 (de) 2018-07-25
US10664683B2 (en) 2020-05-26

Similar Documents

Publication Publication Date Title
US10664683B2 (en) Method and apparatus for classifying magnetic resonance measurement data acquired from an examination object using a magnetic resonance fingerprinting method
CN104323775B (zh) 磁共振成像装置、图像处理装置以及图像处理方法
CN110476075B (zh) 针对解剖区域的磁共振指纹识别词典的选择
US10132900B2 (en) Method and apparatus for magnetic resonance examination of an examination object
US9974490B2 (en) Method and device for segmenting a medical examination object with quantitative magnetic resonance imaging
CN107440719B (zh) 用于显示定量磁共振图像数据的方法
EP3248023A1 (en) Mri method for calculating derived values from b0 and b1 maps
US10386433B2 (en) Magnetic resonance fingerprinting method and apparatus with comparison of signal waveforms in different databases
WO2018108643A1 (en) Multi-state magnetic resonance fingerprinting
US10736538B2 (en) Method and computer differentiating correlation patterns in functional magnetic resonance imaging
US10663547B2 (en) Automatic detection and setting of magnetic resonance protocols based on read-in image data
US20210003650A1 (en) Anomaly Detection Using Magnetic Resonance Fingerprinting
US11137461B2 (en) Magnetic resonance method and apparatus for determination of quantitative tissue parameters
CN114080184A (zh) 电学属性断层摄影的深度学习
US10310041B2 (en) Method and magnetic resonance apparatus for automatic assignment of a spin species to a combination image
US11971466B2 (en) System and method for fat and water diagnostic imaging
EP4321890A1 (en) Reconstruction parameter determination for the reconstruction of synthesized magnetic resonance images
US20240122495A1 (en) Detecting a Specified Substance in an Examination Object
US11639978B2 (en) Magnetic resonance fingerprinting method and apparatus
EP4227702A1 (en) Artificial intelligence for end-to-end analytics in magnetic resonance scanning
Mangová et al. Simultaneous DCE-DSC-MRI Using Low-Rank-Regularized Model-Based Reconstruction of DCE and DSC Components
Halkoaho Determining the partial volumes of brain tissue from spectroscopy voxels
Lu et al. Combining EPI and motion correction for fMRI human brain images with big motion
Narendranath Optimization of slice thickness in multispectral MRI tissue classification of brain tissues

Legal Events

Date Code Title Description
A201 Request for examination
E701 Decision to grant or registration of patent right