用于提供虚拟断层扫描中风后续检测图像的方法和装置制造方法及图纸

本发明专利技术涉及一种用于提供虚拟断层扫描中风后续检查图像的方法和装置，其中，该方法包括以下步骤：例如借助于接收接口，接收检查区域的时间上连续的断层扫描灌注成像数据集的序列；例如借助于计算单元通过在时间上连续的断层扫描灌注成像数据集的序列上应用训练过的机器学习算法，计算检查区域的虚拟断层扫描中风后续检查图像；以及例如借助于提供接口，提供虚拟断层扫描中风后续检查图像。

A method and device for providing the follow-up detection image of virtual tomographic stroke

【技术实现步骤摘要】
用于提供虚拟断层扫描中风后续检测图像的方法和装置
本专利技术涉及一种用于提供虚拟断层扫描中风后续检查图像的方法。本专利技术还涉及一种提供单元，计算机程序产品和计算机可读存储介质。
技术介绍
动态对比度增强(DCE)成像或灌注成像，也称为计算机断层扫描(CT)、DCE-CT或灌注CT，是一种成像技术，可用于分析生理特性，特别是组织灌注。此外，DCE成像有助于诊断中风，在中风的情况中，大脑中的部分会由于血液循环不良而导致缺氧并由此产生不可逆的损伤。为了识别受损区域，在造影剂的施用期间获取图像序列，并且针对各个像素或特定区域测定衰减值在时间上的变化。基于这些曲线可以计算灌注特性，然后通常将其色彩编码成CT图像或磁共振断层(MRT)图像，即所谓的灌注图([1])。参数的计算通常基于复杂的数学模型，其表示组织中生理过程的近似值。在此，可以给出根据病理和组织来选择的许多不同的方法。由于这些是近似值，因此模型中的不准确性可能导致错误的结果。此外，利用这些方法，必须基于测量数据和相应的模型来调整曲线，这反过来可能容易出错并且需要大量的计算时间。通常，动脉的分割对于确定AIF(动脉输入功能)是必要的。这些也可以根据方法或用户而变化，从而影响标准化，从而也影响值的可比性。不同的生理模型产生需要解释的不同参数。然而，最终，中风成像中的大多数方法旨在预测大脑中不可逆损伤的位置，并因此需要进行干预。用于计算灌注参数的各种数学模型考虑了组织中微循环的各种组成部分。这些模型有时不易理解和计算。还难以概述如何解释不同变体的结果。还有几种方法可以自动分析DCE图像，例如非参数灌注分析和灌注图的自动灌注分析。在非参数灌注分析(也称为“非pk灌注分析”或“无模型灌注分析”)中，通过机器学习将曲线过程组合成特定类别，从而能够检测病理或异常。该方法与参数化数学模型分离。然而，其结果难以解释，并且仅在不考虑图像信息的情况下分析曲线的时间过程。在[2]中可以看到DCE-MRT的非参数分析的一个例子。在灌注图的自动灌注分析中，在先前创建的灌注图上使用机器学习算法来识别受损组织。但是，在大多数情况下，这些特征被手动识别和提取，并且该算法仅用于分类。许多当前设备甚至仅使用灌注图的阈值。然而，基于阈值的方法易受噪声影响，并且不涉及关于邻近区域的局部血液供应的信息。还存在使用神经网络的方法，例如用于预测灌注图中的梗塞体积。然而，这些依赖于灌注参数，在灌注参数的基础上计算灌注图([3]，[4]，[5])。还有一些方法可以预测中风特定治疗的可能成功([6])。关于MRT/CT中风诊断的各种图像处理方法的综述文献可以在[7]中找到。
技术实现思路
本专利技术的目的是能够改进预测中风对组织的影响。独立权利要求的每个对象都可以实现这个目的。在从属权利要求中，考虑了本专利技术的其他有利方面。本专利技术涉及一种用于提供虚拟断层扫描中风后续检查图像的方法，该方法包括以下步骤：-例如借助于接收接口接收检查区域的时间上连续的断层扫描灌注成像数据集的序列，-例如借助于计算单元通过在时间上连续的断层扫描灌注成像数据集的序列上应用训练过的机器学习算法计算检查区域的虚拟断层扫描中风后续检查图像，以及-例如通过提供接口提供虚拟断层扫描中风后续检查图像，。特别地，检查区域可以是患者的检查区域。检查区域可以是例如患者的大脑或脑部区域。可以通过接收携带数据的信号和/或通过从存储数据的计算机可读存储器读取数据来接收数据，特别是检查区域的时间上连续的断层扫描灌注成像数据集的序列。可以通过发送携带数据的信号和/或通过将数据写入计算机可读存储器和/或通过屏幕显示数据来提供数据，特别是虚拟断层扫描中风后续检查图像。时间上连续的断层扫描灌注成像数据集的序列可以特别地设计为，使得可以基于时间上连续的断层扫描灌注成像数据集的序列来计算灌注图。灌注成像数据集可具有图像空间中的数据和/或投影空间中的数据。此外，灌注成像数据集可以具有另外的数据，例如，灌注成像检查的采集协议参数和/或造影剂协议参数，利用这些参数获得灌注成像数据集。例如，可以借助于计算机断层扫描装置和/或借助于磁共振断层扫描装置，记录时间上连续的断层扫描灌注成像数据集的序列。灌注成像数据集可以是医学图像的形式，例如二维或三维医学图像的形式。时间上连续的断层扫描灌注成像数据集的序列尤其可以是灌注检查的时间上连续的断层医学图像的序列。一个设计方案提出，该方法还包括以下步骤：例如借助于分割计算单元，通过在虚拟断层扫描中风后续检查图像上应用分割算法自动分割在虚拟断层扫描中风后续检查图像中的中风损伤组织。一个设计方案提出，训练过的机器学习算法具有一个编码器网络，该编码器网络从时间上连续的断层扫描灌注成像数据集的序列中提取出特征，和/或训练过的机器学习算法具有一个解码器网络，该解码器网络基于所提取出的特征产生虚拟断层扫描后续检查图像。一个设计方案提出，编码器网络具有多个并行的输入通道，其中多个并行的输入通道中的每个输入通道都设计为将相应的灌注成像数据集馈送到编码器网络中，和/或时间上连续的断层扫描成像数据集的序列的所有灌注成像数据集都例如借助于多个并行的输入通道被并行地馈送到编码器网络中。特别地，多个并行的输入通道的输入通道的数量可以大于或等于时间上连续的断层扫描灌注成像数据集的序列的灌注成像数据集的数量。特别地，编码器网络对于时间上连续的断层扫描灌注成像数据集的序列的每个灌注成像数据集都可以分别具有一个输入通道。一个设计方案提出，编码器网络包括一个卷积运算符，该卷积运算符在一个时间维度和多个空间维度中起作用。例如，该时间维度可以涉及时间上连续的断层扫描灌注成像数据集的序列的灌注成像数据集时间上的次序和/或多个并行的输入通道的输入通道的顺序。例如，多个空间维度可以涉及时间上连续的断层扫描灌注成像数据集的序列的灌注成像数据集的图像空间。例如，灌注成像数据集的图像空间可以是二维或三维的。多个空间维度尤其可以是二维的，其涉及二维图像空间，或是三维的，其涉及三维图像空间。一个设计方案提出，编码器网络具有一个卷积神经网络，该卷积神经网络从时间上连续的断层扫描灌注成像数据集的序列中提取出时间上连续的图像空间特征序列，和/或编码器网络具有一个递归神经网络，该递归神经网络由时间上连续的图像空间特征的序列测定在时间上连续的图像空间特征序列的图像空间特征之间的时间关系。一个设计方案提出，训练过的机器学习算法具有一个生成器网络，该生成器网络基于时间上连续的断层扫描灌注成像数据集的序列生成用于虚拟断层扫描中风后续检查图像的候选图像，特别是根据生成模型生成，并且训练过的机器学习算法具有一个分类器网络，该分类器网络对虚拟断层扫描中风后续检查图像的候选图像进行评估，特别是根据判别模型和/或与时间上连续的断层扫描灌注成像数据集的序列的关系进行评估。特别地，生成器网络和分类器网络可以一起执行零和游戏和/或作为生成对抗网络进行协作。根据一本文档来自技高网...

【技术保护点】
1.一种用于提供虚拟断层扫描中风后续检查图像(VI)的方法，其中，所述方法包括以下步骤：/n-接收(RS)检查区域的时间上连续的断层扫描灌注成像数据集的序列(SP)，/n-通过在所述时间上连续的断层扫描灌注成像数据集的序列(SP)上应用训练过的机器学习算法(MLA)，计算(CI)所述检查区域的所述虚拟断层扫描中风后续检查图像(VI)，以及/n-提供(PT)所述虚拟断层扫描中风后续检查图像(VI)。/n

【技术特征摘要】
20180824 DE 102018214325.01.一种用于提供虚拟断层扫描中风后续检查图像(VI)的方法，其中，所述方法包括以下步骤：
-接收(RS)检查区域的时间上连续的断层扫描灌注成像数据集的序列(SP)，
-通过在所述时间上连续的断层扫描灌注成像数据集的序列(SP)上应用训练过的机器学习算法(MLA)，计算(CI)所述检查区域的所述虚拟断层扫描中风后续检查图像(VI)，以及
-提供(PT)所述虚拟断层扫描中风后续检查图像(VI)。


2.根据权利要求1所述的方法，其中，所述方法还包括以下步骤：
-通过在所述虚拟断层扫描中风后续检查图像(VI)上应用分割算法，在所述虚拟断层扫描中风后续检查图像(VI)中对中风受损的组织进行自动分割(CS)。


3.根据权利要求1或2所述的方法，
-其中，所述训练过的机器学习算法(MLA)具有一个编码器网络(ENC)，该编码器网络从所述时间上连续的断层扫描灌注成像数据集的序列(SP)中提取出特征，并且
-其中，所述训练过的机器学习算法(MLA)具有一个解码器网络(DEC)，该解码器网络基于提取出的所述特征产生所述虚拟断层扫描中风后续检查图像(VI)。


4.根据权利要求3所述的方法，
-其中，所述编码器网络(ENC)具有多个并行的输入通道，其中所述多个并行的输入通道中的每个输入通道都设计成，将相应的断层扫描灌注成像数据集馈送到所述编码器网络(ENC)中，
-其中，所述时间上连续的断层扫描灌注成像数据集的序列(SP)的所有灌注成像数据集都被并行地馈送到所述编码器网络(ENC)中。


5.根据权利要求4所述的方法，
-其中，所述编码器网络(ENC)包括一个卷积运算符，所述卷积运算符在一个时间维度(t)中和在多个空间维度(x，y)中起作用。


6.根据权利要求3所述的方法，
-其中，所述编码器网络(ENC)具有一个卷积神经网络(CN)，所述卷积神经网络从所述时间上连续的断层扫描灌注成像数据集的序列(SP)中提取出时间上连续的图像空间特征的序列，并且
-其中，所述编码器网络(ENC)具有一个递归神经网络(RN)，所述递归神经网络由所述时间上连续的图像空间特征的序列测定在所述时间上连续的图像空间特征的序列的所述图形空间特征之间在时间上的关系。


7.根据权利要求1至6中任一项所述的方法，
-其中，所述训练过的机器学习算法(MLA)具有一个生成器网络，所述生成器网络基于所述时间上连续的断层扫描灌注成像数据集的序列(SP)产生用于所述虚拟断层扫描中风后续检查图像(VI)的候选图像，并且
-其中，所述训练过的机器学习算法(MLA)具有一个分类器网络，所述分类器网络对所述虚拟断层扫描中风后续检查图像(VI)的所述候选图像进行评估。


8.根据权利要求1至7中任一项所述的方法，其中，所述方法还包括以下步骤：
-接收(RT)一组训练对，其中，所述一组训练对中的每一对都具有所述检查区域的时间上连续的断层扫描灌注成像数据集的训练序列...

【专利技术属性】
技术研发人员：N·凯瑟，S·施密特，
申请(专利权)人：西门子医疗有限公司，
类型：发明
国别省市：德国;DE