用于实现对对象的磁共振成像的方法技术

本公开涉及一种用于使用成像协议的成像参数的集合来实现对对象(318)的磁共振成像的医学成像方法，所述方法包括：接收与所述对象相关的信息；使用预定义机器学习模型用于建议用于接收到的信息的至少一个成像协议，其中，所述成像协议包括成像参数和相关联的值的集合的至少部分；提供所述成像协议。提供所述成像协议。提供所述成像协议。

【技术实现步骤摘要】
【国外来华专利技术】用于实现对对象的磁共振成像的方法


[0001]本专利技术涉及扫描成像系统，特别地涉及一种用于实现对对象的磁共振成像(MRI)的方法。

技术介绍

[0002]针对磁共振成像，通常许多预先配置的成像协议“检查卡”被安装在通常由客户适于其特定需要的成像系统上。当新患者到达以进行检查时，技术专家将必须选择待从大型数据库使用的匹配检查卡。在许多情况下，检查卡然后需要适于患者、临床问题、或咨询医师的偏好。该过程是耗时的，特别是对于受较少训练的人员，并且非理想的选择可能导致非理想的诊断信息或不必要的扫描。选择并且调谐检查卡所要求的时间在紧急情况下是特别相关的，其中，常常算出分钟或秒以执行诊断并且选择处置。
[0003]美国专利申请US2015/0199478是指CT/X射线应用和范例并且仅提及MRI作为许多成像技术之一。已知方法限于识别有可能根据计算的图像质量得分产生高质量的图像的每个个体患者的成像参数的集合。

技术实现思路

[0004]各种实施例提供一种用于实现对对象的磁共振成像的方法、医学分析系统和计算机程序产品，如由独立权利要求的主题所描述的。在从属权利要求中描述了有利的实施例。
[0005]选择用于成像流程的最适合的检查卡的手动过程是耗时的，特别是对于受较少训练的人员。在许多情况下，所述检查卡需要在开始所述检查之前针对所述患者或所述临床问题进行手动调节。非理想的选择或设置可能导致非理想的诊断信息或不必要的扫描。这在紧急情况下是特别有问题的。本方法和系统通过基于关于所述临床问题的先验知识、所述患者的状况和所述咨询医师来选择并且提议成像协议而克服这些问题。所述系统减少在协议选择和调谐上花费的时间并且还可能导致更短的总体扫描时间(因为不执行不必要的扫描)、结果的更好的再现性以及因此诊断质量的增加。
[0006]在一个方面中，本专利技术涉及一种用于使用成像协议的代表性参数的集合来实现对对象的磁共振成像的医学成像方法。所述方法包括：接收针对特定临床问题的与所述对象相关的信息；使用预定义机器学习模型用于建议用于接收到的信息的至少一个成像协议，其中，所述成像协议包括成像参数和相关联的值的集合的至少部分；提供所述成像协议。
[0007]MR检查通常花费很长时间，包括产生不同对比度的许多图像采集，并且包括一些其他任务，诸如患者沟通、重拍、协议和几何适配、造影剂注入、复杂屏气指令等。因此，简单的图像质量得分不足以描述检查的“质量”。例如，当患者不能够躺着不动时，操作者可以决定选择导致不同种类的图像但是仍然允许所要求的诊断的完全不同的协议。此外，协议选择的质量也被反映在检查的效率(速度)、重新扫描的数目和其他问题中并且在患者和人员的满意度中。这些成像协议可以由代表性参数表示，代表性参数诸如其图像对比度、几何设置、图像采集的数目和次序，包括延迟、对运动的敏感性，即，检查卡中的条目有资格代表所
述图像协议。
[0008]针对所有以上原因，本专利技术不(仅)使用图像质量得分作为训练标签。“好的”协议相反地通过由操作者针对所述特定患者最后选择什么来识别，即，检查卡的自动化选择反映具有关于所述患者的全部知识的有经验的人员将已经完成什么。这从历史工作流获悉：当在几次不成功的图像采集之后操作者决定尝试不同的对比机制或者改变所述成像参数并且然后将最终图像存储在所述PACS中时，最终设置可以被假定为最适合的。
[0009]本专利技术因此主要在历史数据的图像协议的成功选择上并且在从历史模态日志文件检测到的工作流问题(重拍、延迟、太多沟通)上训练。
[0010]另外，还可以存在包括在本专利技术中的可选直接操作者反馈环，其允许所述操作者指定针对协议的特定手动选择的原因。以这种方式，所述系统连续地学习所述操作者的经验以提议最适合的检查卡或参数设置。
[0011]本专利技术的实施方式在除患者信息之外的最好设置之前突出所述临床问题和推荐信息、工作流问题。所述机器学习模型基于所述临床问题等最佳技术设置(例如，检查卡和成像参数，和针对剩余工作流问题的解决方案)来输出。本专利技术输出学习的技术设置作为正向ML实施方式的结果。
[0012]如果所提供的成像协议未实现预定义选择准则，则可以输出警报。所述警报可以指示“参数设置有可能给出坏的图像质量”，或者不合理的设置将不触发扫描开始。所述选择准则可以例如要求可以使用所提供的成像协议获得的图像的图像质量高于预定义阈值。
[0013]例如，所述机器学习模型可以被配置为建议每个与成功的概率相关联的多个成像协议。所述成功的概率可以例如是利用相关联的成像协议得到好的图像质量的概率。
[0014]术语“机器学习”是指用于通过以自动化方式建立概率模型(被称为机器学习或学习模型)从训练数据提取有用信息的计算机算法。所述机器学习可以使用一个或多个学习算法执行，算法诸如线性回归、K均值、分类算法、强化算法等。“模型”可以例如是使根据其他已知值来预测未测量值(例如，该配置对应于给定操作条件)和/或预测或选择使未来奖励最大化或使未来惩罚最小化的动作的等式或规则集。根据一个实施例，所述机器学习模型是深度学习模型。
[0015]术语“成像协议”或“协议”是指所述成像模态的技术设置或参数的集合以产生针对检查所要求的所有图像(例如，MR图像)。
[0016]MR操作是复杂的流程。可以存在数百个脉冲序列以生成不同的图像缩小、质子密度、T1加权、扩散、灌注、脑血流等。此外，针对每个序列，存在至少数十个参数供操作者考虑以获得适合于诊断的令人满意的临床图像。此外，使操作者微调并且优化用于不同解剖结构的序列参数是相当常见的请求。因此，首次得到正确的临床图像主要取决于所述扫描器操作者的训练和经验，并且归因于不恰当的研究协议的MR扫描的失败率可以是大约5％，其导致运行所述系统中的延迟的扫描和增加的成本。本方法和系统可以克服该问题。本方法可以使得能够基于对象相关的信息来找到用于成像协议的最佳配置集。
[0017]本公开可以使得能够使所述磁共振成像系统的操作自动化。这可以减少针对所述MRI系统的配置的操作者介入的需要。
[0018]根据一个实施例，所述方法还包括：接收指示与相应的对象信息相关联的成像协议的训练集；使用所述训练集来训练预定义机器学习算法，从而生成所述机器学习模型。例
如，不同的机器学习算法可以基于所述训练集的可用数据量和可用处理资源来应用。所述训练集可以例如从多个MRI系统和/或其他数据库收集，数据库包括医院数据库或实践网络(HIS、RIS、PACS)和模态日志文件、成像指南、成像适当性准则和手动数据条目。例如，所述训练集可以包括关于使用的协议设置的信息、其他技术设置、所述临床问题、所述患者的背景和状况、以及在所述检查之后生成的放射学报告。所述机器学习算法可以在所收集的数据上训练以预测哪个协议用于特定患者和临床问题。
[0019]这可以增加所生成的模型的准确度。所述训练可以例如在周期性基础上执行。这可以实现针对成像协议的准确预测的最新模型。
[0020]根据一个实本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种用于使用成像协议的代表性参数的集合来实现对对象(318)的磁共振成像的医学成像方法，所述方法包括：接收针对特定临床问题的与所述对象(318)相关的信息；使用预定义机器学习模型用于建议用于针对所述特定临床问题的接收到的信息的至少一个成像协议，其中，所述成像协议包括成像参数和相关联的值的集合的至少部分；提供所述成像协议。2.根据权利要求1所述的方法，还包括：接收指示与相应的对象信息相关联的成像协议的训练集；使用所述训练集来训练预定义机器学习算法，从而生成所述机器学习模型。3.根据权利要求2所述的方法，还包括生成所述训练集，包括：从至少一个数据源收集数据，并且从所收集的数据提取所述成像协议和相关联的对象信息，其中，所述数据源包括MRI系统的日志文件和指示成像协议和使用所述成像协议成像的对象的用户报告中的至少一个。4.根据权利要求2或3所述的方法，所述训练集包括从对象的磁共振成像的模拟获得的模拟数据。5.根据前述权利要求2-4中的任一项所述的方法，还包括：针对其他接收到的对象信息重复所述建议步骤；并且使用所建议的成像协议和接收到的对象信息来更新所述训练集；并且使用经更新的训练集来重复对所述机器学习算法的所述训练。6.根据前述权利要求2-5中的任一项所述的方法，其中，所述训练集的每个成像协议与指示能够使用所述每个成像协议从成像获得的图像的质量的质量得分相关联，其中，所述训练集包括所述质量得分。7.根据权利要求6所述的方法，其中，所述质量得分包括以下项中的至少一项：能获得的图像的图像质量、当使用所述成像协议时用户介入的数目、当使用所述成像协议时的MR重复扫描的数目、当使用所述成像协议时的延迟和空闲时间及其分布。8.根据前述权利要求中的任一项所述的方法，还包括：确定所提供的成像协议与...

【专利技术属性】
技术研发人员：T，
申请(专利权)人：皇家飞利浦有限公司，
类型：发明
国别省市：