CN106170246A - 用于四维(4d)流磁共振成像的设备、方法和产品 - Google Patents
用于四维(4d)流磁共振成像的设备、方法和产品 Download PDFInfo
- Publication number
- CN106170246A CN106170246A CN201580008074.2A CN201580008074A CN106170246A CN 106170246 A CN106170246 A CN 106170246A CN 201580008074 A CN201580008074 A CN 201580008074A CN 106170246 A CN106170246 A CN 106170246A
- Authority
- CN
- China
- Prior art keywords
- mri
- processor
- blood flow
- flow
- voxels
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- 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
- A61B5/0033—Features or image-related aspects of imaging apparatus, e.g. for MRI, optical tomography or impedance tomography apparatus; Arrangements of imaging apparatus in a room
- A61B5/004—Features or image-related aspects of imaging apparatus, e.g. for MRI, optical tomography or impedance tomography apparatus; Arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
- A61B5/0044—Features or image-related aspects of imaging apparatus, e.g. for MRI, optical tomography or impedance tomography apparatus; Arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part for the heart
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording for evaluating the cardiovascular system, e.g. pulse, heart rate, blood pressure or blood flow
- A61B5/02007—Evaluating blood vessel condition, e.g. elasticity, compliance
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording for evaluating the cardiovascular system, e.g. pulse, heart rate, blood pressure or blood flow
- A61B5/02007—Evaluating blood vessel condition, e.g. elasticity, compliance
- A61B5/02014—Determining aneurysm
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording for evaluating the cardiovascular system, e.g. pulse, heart rate, blood pressure or blood flow
- A61B5/021—Measuring pressure in heart or blood vessels
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording for evaluating the cardiovascular system, e.g. pulse, heart rate, blood pressure or blood flow
- A61B5/026—Measuring blood flow
- A61B5/0263—Measuring blood flow using NMR
-
- 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
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
-
- 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
- G01R33/563—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution of moving material, e.g. flow contrast angiography
- G01R33/56308—Characterization of motion or flow; Dynamic imaging
-
- 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
- G01R33/565—Correction of image distortions, e.g. due to magnetic field inhomogeneities
- G01R33/56545—Correction of image distortions, e.g. due to magnetic field inhomogeneities caused by finite or discrete sampling, e.g. Gibbs ringing, truncation artefacts, phase aliasing artefacts
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/168—Segmentation; Edge detection involving transform domain methods
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/174—Segmentation; Edge detection involving the use of two or more images
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2576/00—Medical imaging apparatus involving image processing or analysis
- A61B2576/02—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part
- A61B2576/023—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part for the heart
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Measuring devices for evaluating the respiratory organs
-
- 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 OR CALCULATING; 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
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20076—Probabilistic image processing
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; 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
- G06T2207/30048—Heart; Cardiac
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; 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
- G06T2207/30104—Vascular flow; Blood flow; Perfusion
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Cardiology (AREA)
- General Physics & Mathematics (AREA)
- Vascular Medicine (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- High Energy & Nuclear Physics (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Psychiatry (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Hematology (AREA)
- Neurosurgery (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
MRI图像处理和分析系统可以确定MRI流数据(例如相干性)中的结构的示例,基于所确定结构得到轮廓和/或临床标记。所述系统可以位于远离一个或更多个MRI获取系统的位置,并且执行:对MRI数据集的误差检测和/或校正(例如,相位误差校正、相位混叠、信号解缠,和/或对其他伪影);分割;叠加在解剖结构上的流的可视化(例如速度、动脉对静脉流、分流);量化;验证;和/或生成患者的特定4D流协议。异步命令和成像血管使得能够以及时和安全的方式甚至在复杂或者大的4D流MRI数据集的情况下进行远程图像处理和分析。
Description
技术领域
概括而言,本公开内容涉及磁共振成像(MRI),具体而言,涉及四维(4D)流MRI。
背景技术
虽然也能够用于其他领域,但MRI最常用于医学成像。MRI机包括主磁体,该主磁体通常是具有中心或纵向孔的环形线圈阵列。主磁体能够生成强的稳定磁场(例如0.5到3.0特斯拉)。将孔的尺寸确定为容纳待成像对象(例如人体)的至少一部分。在用于医学成像应用中时,MRI机可以包括允许容易地将俯卧患者滑动或者滚动到孔中或者到孔之外的患者平台。
MRI机还包括梯度磁体。该梯度磁体生成相对于由主磁体生成的磁场较小的可变磁场(例如,180到270高斯),允许对对象(例如,患者)的所选部分成像。MRI机还包括工作以对待成像对象(例如,患者)的所选部分施加射频能的射频(RF)线圈。不同的RF线圈可以用于成像不同的结构(例如解剖结构)。例如,一组RF线圈可以适用于成像患者颈部,而另一组RF线圈可以适用于成像患者的胸部或者心脏。MRI机通常包括另外的磁体,例如电阻性磁体和/或永磁体。
MRI机通常包括或者通信地耦接到计算机系统,该计算机系统用于控制磁体和/或线圈和/或用于执行成像处理以生成对象的待成像部分的图像。常规地,MRI机生成表示物理结构(例如解剖结构)的幅值数据集。该数据集通常符合医学数字成像和通信(DICOM)标准。DICOM文件通常包括预定格式的像素数据和元数据。
发明内容
近年来,提出了生成4D流数据集的提议,该4D流数据集包括解剖学数据和三个正交方向上的速度:可以命名为x速度、y速度和z速度。
使用中,MRI研究可以限定针对单个患者疗程。每个MRI研究通常包括几个系列的灌注和4D流获取,在此期间,对于每个系列获取多组MRI数据(例如100个图像)。系列可以被分成幅值和相位获取部分。可以用信息注解生成的图像。
4D流脉冲序列MRI有很大的前景用于提供低成本、快速且准确的医学成像,特别是心脏MRI过程。一些影响使用的障碍包括高成本。例如,存在与在MRI过程(例如获取)期间必须有临床医师(例如内科医师)出现以在成像期间评估解剖构造相关联的高耗费且失去的机会成本。还存在与在进行MRI医学成像的医疗设施处使用的计算功能强大的计算机以及操作和维护这种设备所需的人员相关联的高成本。需要屏气的方法可能不适用于一些患者(例如非常小的患者或者婴儿)。图像获取与呼吸(即,肺动或呼吸周期)和/或心搏周期的同步也显著地延长了过程。由于昂贵的装置和高成本的人员在该时间段专用于一个患者,使得漫长的过程增加了成本,从而降低了处理量。这还具有提高患者焦虑的倾向。这些方法不仅倾向于需要训练良好的技术人员和医疗人员,而且成像结果的解释也是困难的。另外,由于解释图像、例如解剖结构的主观性,往往是在不同系列之间有很少的可重复性,更不要说对于不同的疗程。
本文中描述的不同设备、方法和产品至少部分地解决了这些问题中的一个或更多个。
在MRI获取期间不是仅获取特定平面,而是采用获取完整的3D体积集的4D脉冲序列,因此将其命名为4D相位对比MRI,其中,该3D体积集包括相位对比数据。这为临床医师提供了在进行获取之后在患者不再在场的情况下查看其期望的任何平面的自由。可以对所得到的MRI数据集进行误差检测和/或校正、分割(例如,边界的划定)、量化、验证和可视化(例如,流信息的视觉表示与解剖构造的视觉表示的融合)。图像处理和分析中的许多能够自主地(例如在没有人干预的情况下)进行。
MRI图像处理和分析系统可以位于远离一个或更多个MRI获取系统的位置,并且执行:对MRI数据集的误差检测和/或校正(例如,相位误差校正、相位混叠、信号解缠,和/或对其他伪影);分割;叠加在解剖结构上的流的可视化(例如速度、动脉对静脉流、分流);量化;验证;和/或生成患者的特定4D流协议。异步命令和成像管道使得能够以及时和安全的方式,甚至在复杂或者大的4D流MRI数据集的情况下,进行远程图像处理和分析。
远程MRI图像处理和分析系统可以提供基于云的网页服务或者软件即服务(SAS)。MRI图像处理和分析系统采用强大的计算资源,例如,GPU的大型集合或阵列。MRI图像处理和分析系统可以服务多个MRI获取系统,这些MRI获取系统由一个或更多个诊断实体来操作和/或位于一个或更多个诊断设施处。这能够显著地降低诊断设施的成本以及与获取和维护昂贵的计算装置相关联的负担。
本文中描述的方法可以简化MRI过程。该方法提供了一种总控键系统,该系统捕获完整4D流图像,而无需在MRI过程期间出现临床医师。本文中描述的方法还可以显著地缩短MRI过程的长度。这减低了与人员和装置相关的成本。这还可以增大处理量,允许资本密集型MRI系统在装置的有效寿命期间摊分给大量患者。
本文中描述的方法还提供了自动甚或自主的结果验证。根据质量守恒原理,至少一个方法可以识别分流或其他解剖学异常。
由于跨患者或者跨种群的增加的可重复性,本文中描述的方法可以允许确定新指示器,开发出新的治疗方法。
一种用于基于磁共振成像(MRI)的医学成像系统的操作方法可以被总结为包括:由至少一个基于处理器的设备接收MRI数据集,所述MRI数据集包括多个体素中的每个的各自的解剖结构和血流信息;由至少一个基于处理器的设备确定MRI流数据集中的一个或更多个结构实例;基于所确定的MRI流数据集中的一个或更多个结构实例,由至少一个基于处理器的设备获得MRI流数据集的轮廓。确定MRI流数据集中的一个或更多个结构实例可以确定MRI流数据集中的一个或更多个相干性实例。确定MRI流数据集中的一个或更多个相干性实例可以确定MRI流数据集中的一个或更多个方向相干性实例。确定MRI流数据集中的一个或更多个相干性实例可以确定MRI流数据集中的一个或更多个定向路线或结构相干性实例。确定MRI流数据集中的一个或更多个相干性实例可以确定MRI流数据集中的一个或更多个离散傅里叶变换(DFT)分量的相干性实例。确定MRI流数据集中的一个或更多个相干性实例可以确定MRI流数据集中的一个或更多个加速度相干性实例。
所述方法还可以包括:基于所确定的MRI流数据集中的一个或更多个结构实例,由至少一个处理器确定MRI流数据集中的临床标记的一个或更多个实例。确定MRI流数据集中的临床标记的一个或更多个实例可以包括确定MRI流数据集中的临床标记和/或时间标记的一个或更多个实例。确定MRI流数据集中的临床标记的一个或更多个实例可以包括确定MRI流数据集中的动脉瘤、狭窄症和血小板的一个或更多个实例。确定MRI流数据集中的临床标记的一个或更多个实例可以包括确定MRI流数据集中的一个或更多个压力梯度。确定MRI流数据集中的临床标记的一个或更多个实例可以包括确定MRI流数据集中的心脏的解剖标记的一个或更多个实例。基于所确定的MRI流数据集中的一个或更多个结构实例获得MRI流数据集的轮廓可以包括获得MRI流数据集中的代表各种身体组织的轮廓。
所述方法还可以包括:由至少一个基于处理器的设备自主地将血液身体组织与非血液身体组织分割开。
所述方法还可以包括:由至少一个基于处理器的设备自主地将空气与身体组织分割开。
一种用于基于磁共振成像(MRI)的医学成像系统的操作方法可以被总结为包括:对于受试者的第一次研究,在第一遍中并且在第一MRI获取系列之前,在基于处理器的设备处接收输入,输入针对第一MRI获取;和至少部分地基于所接收的输入,由基于处理器的设备生成4D流定位器。接收输入可以包括接收以下中的至少一个:临床指征、造影剂的类型或者标识符、造影剂用量、受试者体重、受试者身高、受试者心率、在将丸剂提供给受试者者之后过去的时间量、MRI硬件制造商的标识、待使用线圈的类型和待使用MRI机的至少一个特征的标识。
所述方法还可以包括:对于受试者的第一次研究,在第二遍中并且在第二MRI获取系列之前,在基于处理器的设备处接收关于第一MRI获取系列的信息;和至少部分地基于所接收的信息,由基于处理器的设备生成高保真度4D流定位器。在基于处理器的设备处接收关于第一MRI获取系列的信息可以包括接收来自第一MRI获取系列的输出。在基于处理器的设备处接收关于第一MRI获取系列的信息可以包括接收来自第一MRI获取系列的输出。接收指示第一MRI获取系列的质量的计量可以包括由至少一个人评估的指示第一MRI获取系列的质量的至少一个等级。至少部分地基于所接收的信息由基于处理器的设备生成高保真度4D流定位器可以包括指定以下中的一个或更多个:获取的持续时间、VENC、视场、重复时间(TR)、回波时间(TE)、行分辨率、列分辨率、切片分辨率、时间分辨率、翻转角度。生成高保真度4D流定位器可以包括确定速度编码(VENC)参数的值。确定速度编码(VENC)参数的值可以包括至少确定管腔中的血流速度的近似值,并且通过查找表选择VENC的值。确定速度编码(VENC)参数的值可以包括确定待在获取中使用的一些线圈通道,并且至少部分地基于线圈通道的数量选择VENC的值。
一种基于处理器的设备可以具有至少一个处理器和与至少一个处理器通信地耦接的至少一个非临时性处理器可读介质,并且可以用于执行前述方法中的任一个。
一种用于基于磁共振成像(MRI)的医学成像系统的操作方法可以被总结为包括:对于MRI图像数据集的多个体素,由至少一个基于处理器的设备将体素重组成一些面元;由至少一个基于处理器的设备减少一些面元的数量;对于面元中的第一个和第二个,确定面元中的第一个或第二个中哪个面元包括代表动脉血流的体素并且面元中的第一个或第二个中哪个面元包括代表静脉血流的体素;和将第一组颜色分配给代表动脉血流的体素并且将第二组颜色分配给代表静脉血流的体素,第二组颜色不同于第一组颜色。将第一组颜色分配给代表动脉血流的体素可以包括将单个蓝色分配给代表动脉血流的体素,并且其中将第二组颜色分配给代表静脉血流的体素可以包括将单个红色分配给代表静脉血流的体素。
确定面元中的第一个或第二个中哪个面元可以包括代表动脉血流的体素和面元中的第一个或第二个中哪个面元可以包括代表静脉血流的体素可以包括:基于体素中的至少一个与一些解剖标记的接近度,由至少一个基于处理器的设备确定面元中的第一个或第二个中哪个面元可以包括代表动脉血流的体素并且面元中的第一个或第二个中哪个面元可以包括代表静脉血流的体素。确定面元中的第一个或第二个中哪个面元可以包括代表动脉血流的体素并且面元中的第一个或第二个中哪个面元可以包括代表静脉血流的体素可以包括:基于体素中的与一些解剖标记最接近的那个体素,由至少一个基于处理器的设备确定面元中的第一个或第二个中哪个面元可以包括代表动脉血流的体素并且面元中的第一个或第二个中哪个面元可以包括代表静脉血流的体素。
所述方法还可以包括由基于处理器的设备自主地确定解剖标记。
所述方法还可以包括由基于处理器的设备接收确定解剖标记的用户输入。
所述方法还可以包括:对于多个体素中的至少一些中的每个,在将体素重组成多个面元之前确定各自的体素是否代表血流;和逻辑地标记被确定为代表血流的体素。确定各自的体素是否可以代表血流可以包括由所述至少一个基于处理器的设备确定各自的体素是否可以代表血流。确定各自的体素是否可以代表血流可以包括由所述至少一个基于处理器的设备接收指示各自的体素是否可以代表血流的用户输入。由所述至少一个基于处理器的设备减少面元的数量可以包括:在一个面元的体素随着时间接触另一面元的体素时,将体素压缩到所述面元中的一个面元中。
所述方法还可以包括:确定是否具有多于两个的面元;和响应于确定是否具有多于两个的面元,由至少一个基于处理器的设备确定面元中的一些是否代表潜在的分流。由至少一个基于处理器的设备确定面元中的一些是否代表潜在的分流可以包括:确定其中相邻面元通过少于限定阈值数量的体素的一些体素或通过小于限定阈值面积的区域而连接的区域。
所述方法还可以包括:提供对代表潜在的分流的体素或者至少接近潜在的分流的区域中的至少一个的视觉着重显示。提供对代表潜在的分流的体素或者至少接近潜在的分流的区域中的至少一个的视觉着重显示可以包括:将第三组颜色分配给代表潜在的分流的体素或者至少接近潜在的分流的区域,第三组颜色不同于第一组颜色和第二组颜色两者。
所述方法还可以包括:由至少一个基于处理器的设备接收输入,所述输入指示对体素是否代表实际分流的人工评估;和基于所接收的指示对体素是否代表实际分流的人工评估的输入,更新代表潜在的分流的体素颜色。对于面元中的第一个和第二个,确定面元中的第一个或第二个中哪个面元可以包括代表动脉血流的体素并且面元中的第一个或第二个中哪个面元可以包括代表静脉血流的体素可以包括:对于面元中的至少一些的每个,确定面元中具有大于相干阈值的相干值的任何体素。;对于相干值大于相干阈值的面元中的任何体素,计算在全部多个时间点上的平均速度和连接各自的体素的形心与解剖结构的形心的矢量之间的角度;计算在面元中的所有体素与解剖结构的形心之间的平均角度。
对于面元中的第一个和第二个,确定面元中的第一个或第二个中哪个面元可以包括代表动脉血流的体素并且面元中的第一个或第二个中哪个面元可以包括代表静脉血流的体素还可以包括:将具有最高平均角度的面元分配为代表动脉血流;和将具有最低平均角度的面元分配为代表静脉血流。计算在全部多个时间点上的平均速度和连接各自的体素的形心与解剖结构的形心的矢量之间的角度可以包括:计算在全部多个时间点上的平均速度和连接各自的体素的形心与心脏形心的矢量之间的角度。
一种基于处理器的设备具有至少一个处理器和与至少一个处理器通信地耦接的至少一个非临时性处理器可读介质,并且可以用于执行前述方法中的任一个。
一种用于基于磁共振成像(MRI)的医学成像系统的操作方法可以被总结为包括:由至少一个基于处理器的设备接收MRI数据集,所述MRI数据集包括多个体素中的每个的各自的解剖结构和血流信息;应用第一过滤器,以基于对由至少一个基于处理器的设备接收的MRI数据集的至少一部分的方向相干性而隔离血流。应用第一过滤器,以基于对由至少一个基于处理器的设备接收的MRI数据集的至少一部分的方向相干性而隔离血流可以包括:对于一些体素中的每个,计算各自的体素的方向相干性。计算各自的体素的方向相干性包括:各自的体素和与各自的体素相邻的多个相邻体素之间的一组加权方向相干性得分之和;和将总和的结果除以所施加的全部权之和。
所述方法还可以包括:确定各自的体素和多个相邻体素之间的加权方向相干性得分。确定各自的体素和多个相邻体素之间的加权方向相干性得分包括:确定归一化速度矢量的点积,对点积的结果应用三角函数ACOS,以确定角度差;在0到pi之间缩放该角度差以获得0到1的结果;和将缩放的结果乘以各自的权,所述权指示各自的体素和相邻体素中的各自一个之间的距离。
所述方法还可以包括:确定各自的权。确定各自的权可以包括:对于所有三个维度找出最小间隔,和将该最小间隔除以体素之间的距离。对于每个时间点可以在一个体积中施加第一过滤器。对于每个时间点可以在所有时间点的一个平均体积中施加第一过滤器。
所述方法还可以包括:应用第二过滤器,以便进一步移除对由至少一个基于处理器的设备接收的MRI数据集的至少一部分的随机噪声。
一种基于处理器的设备具有至少一个处理器和与至少一个处理器通信地耦接的至少一个非临时性处理器可读介质,并且可以用于执行前述方法中的任一个。
一种用于基于磁共振成像(MRI)的医学成像系统的操作方法可以总结为包括:由至少一个基于处理器的设备接收MRI数据集,所述MRI数据集包括多个体素中的每个的各自的解剖结构和血流信息;和确定MRI数据集中的解剖体积;确定进入所确定的解剖体积中的血流;确定离开所确定的解剖体积中的血流;由至少一个基于处理器的设备比较进入所确定的解剖体积中的血流与离开所确定的解剖体积中的血流。
所述方法还可以包括:基于比较进入所确定的解剖体积中的血流与离开所确定的解剖体积中的血流的结果,验证前一操作。
所述方法还可以包括:基于比较进入所确定的解剖体积中的血流与离开所确定的解剖体积中的血流的结果,验证前一分割操作。
所述方法还可以包括:基于比较进入所确定的解剖体积中的血流与离开所确定的解剖体积中的血流的结果,提供通知。
所述方法还可以包括:基于比较进入所确定的解剖体积中的血流与离开所确定的解剖体积中的血流的结果,提供检测到的分流的通知。确定MRI数据集中的解剖体积可以包括确定解剖结构中的以下中的至少一个:管腔、管腔的一部分、血管、血管的一部分、室、腔或者腔的一部分。确定MRI数据集中的解剖体积可以包括由至少一个基于处理器的设备自主地确定解剖体积。确定MRI数据集中的解剖体积可以包括基于由至少一个基于处理器的设备接收的用户输入自主地确定解剖体积。
所述方法还可以包括:确定所确定的解剖体积的自然入口;和确定所确定的解剖体积的自然出口。
所述方法还可以包括:将第一位置命名为所确定的解剖体积的入口;和将第二位置命名为所确定的解剖体积的出口,并且第一位置与第二位置间隔开。确定进入所确定的解剖体积的血流可以包括:在第一位置处对所确定的解剖体积进行切片的第一平面的法向矢量与在每个体素处的速度矢量的点积,并且确定离开所确定的解剖体积的血流可以包括:在第二位置处对所确定的解剖体积进行切片的第二平面的法向矢量与在每个体素处的速度矢量的点积,并且第二位置不同于第一位置。
所述方法还可以包括:确定进入所确定的解剖体积的净血流;和确定离开所确定的解剖体积中的净血流。确定进入所确定的解剖体积的净血流可以包括:将在第一位置处对所确定的解剖体积进行切片的第一平面的法向矢量与在每个体素处的速度矢量的点积的结果在时间上积分,并且确定离开所确定的解剖体积的血流可以包括:将在第二位置处对所确定的解剖体积进行切片的第二平面的法向矢量与在每个体素处的速度矢量的点积的结果在时间上积分,并且第二位置不同于第一位置。
比较进入所确定的解剖体积中的血流与离开所确定的解剖体积中的血流可以包括:确定所确定的解剖体积的入口和出口处的流幅值至少在限定阈值内是否匹配;并且还可以包括:响应于确定所确定的解剖体积的入口和出口处的流幅值至少在限定阈值内是不匹配的,提供不匹配的指示。确定所确定的解剖体积的入口和出口处的流幅值至少在限定阈值内是否匹配可以包括:由至少一个基于处理器的设备自主地确定入口和出口处的流幅值至少在限定阈值内是否匹配。由至少一个基于处理器的设备比较进入所确定的解剖体积中的血流与离开所确定的解剖体积中的血流可以包括:比较通过胸升主动脉的血流与通过上腔静脉和胸降主动脉的组合的血流。由至少一个基于处理器的设备比较进入所确定的解剖体积中的血流与离开所确定的解剖体积中的血流可以包括:比较通过上腔静脉和下腔静脉的组合的血流与通过一组肺脉管的血流。由至少一个基于处理器的设备比较进入所确定的解剖体积中的血流与离开所确定的解剖体积中的血流可以包括:比较通过一组肺脉管的血流与通过一组右肺脉管和一组左肺脉管的组合的血流。由至少一个基于处理器的设备比较进入所确定的解剖体积中的血流与离开所确定的解剖体积中的血流可以包括:比较通过一组左肺脉管的血流和通过所有左肺静脉的血流之和。由至少一个基于处理器的设备比较进入所确定的解剖体积中的血流与离开所确定的解剖体积中的血流可以包括:比较通过一组右肺脉管的血流和通过所有右肺静脉的血流之和。由至少一个基于处理器的设备比较进入所确定的解剖体积中的血流与离开所确定的解剖体积中的血流可以包括:比较离开心脏心室的血流与对于心脏的每个心室的收缩和舒张体积的变化。
一种基于处理器的设备可以具有至少一个处理器和与至少一个处理器通信地耦接的至少一个非临时性处理器可读介质,并且可以用于执行前述方法中的任一个。
一种用于基于磁共振成像(MRI)的医学成像系统的操作方法可以被总结为包括:由至少一个基于处理器的设备接收MRI数据集,所述MRI数据集包括多个体素中的每个体素的各自的的解剖结构和血流信息;确定MRI数据集中的解剖体积;确定均与公共点相交并且均以相应的取向穿过解剖体积的多个平面,取向彼此不同,和由至少一个基于处理器的设备自主地比较在整个心搏周期上通过平面中的每个的血流。
自主地比较在整个心搏周期上通过平面中的每个的血流包括自主地确定在整个心搏周期上通过平面中的每个的血流至少在一些限定阈值内是否匹配。
所述方法还可以包括:基于比较在整个心搏周期上通过平面中的每个的血流的结果,验证前一操作。
所述方法还可以包括:基于比较在整个心搏周期上通过平面中的每个的血流的结果,验证前一分割操作。
所述方法还可以包括:基于比较在整个心搏周期上通过平面中的每个的血流的结果,提供通知。
一种基于处理器的设备可以具有至少一个处理器和与至少一个处理器通信地耦接的至少一个非临时性处理器可读介质,并且可以用于执行前述方法中的任一个。
一种用于基于磁共振成像(MRI)的医学成像系统的操作方法可以被总结为包括:由至少一个基于处理器的设备接收MRI数据集,所述MRI数据集包括多个体素中的每个的各自的解剖结构和血流速度信息;确定在MRI数据集中表示的血管中的种子点;确定在种子点具有最高流量大小的时间点;基于解剖结构和血流速度信息两者确定垂直于流向的横截面;和至少部分地基于所确定的横截面确定血管的管腔边界。
基于解剖结构和血流速度信息两者确定垂直于流向的横截面可以包括:在种子点处生成粗略半球的矢量,其中最接近流向的任何矢量具有最高的权;对于构成粗略半球的矢量中的每个,与半球上的矢量垂直地投射多条射线;和对于射线中的每个,在解剖构造像素强度和速度大小两者的变化量达到或者超出阈值变化时终止发射各自的射线。
基于解剖结构和血流速度信息两者确定垂直于流向的横截面还可以包括:对于射线中的一些的每条,计算一些所有生成的一些三角形的面积之和,其中种子点、各自各射线的终点和射线中的另一个的终点限定了所生成的三角形;选择具有最小计算面积总和的粗略半球上的矢量作为最垂直于血流方向的平面的法向矢量。
所述方法还可以包括:再次采样多平面重构,其使得在初始种子点处的解剖结构和血流速度信息、最强流动的时间点两者与法向矢量组合。
所述方法还可以包括:通过主动轮廓模型找出描绘血管的管腔边界的轮廓。
所述方法还包括应用利用梯度下降的能量最小化函数,以找出平滑的轮廓。
所述方法还包括确定轮廓在面积上或者曲率上是否偏离超过阈值;响应于确定轮廓在面积上或者曲率上偏离超过阈值,将所述轮廓替换为替代轮廓,所述替代轮廓是根据与轮廓正被替换的时间点相邻的多个时间点的轮廓线性混合。
基于处理器的设备可以具有至少一个处理器和与所述至少一个处理器通信地耦接的至少一个非临时性处理器可读介质,并且可以用于执行前述方法中的任一个。
一种用于基于磁共振成像(MRI)的医学成像系统的操作方法可以被总结为包括:经由异步命令和图像血管的第一通道从多个客户端设备接收多个用户事件,为持久层捕获用户事件中的至少一些;确定抑制所捕获用户事件中的哪个用户事件;执行图像处理和分析;并且经由异步命令和图像血管的第二通道向客户端提供对用户事件的各自响应。
经由异步命令和图像血管的第一通道从多个客户端设备接收多个用户事件可以包括由服务器接收用户事件,并且还可以包括由服务器将用户事件提供给用于对与用户事件相关联的MRI数据集的图像处理和分析的MRI图像处理和分析系统。为持久层捕获用户事件中的至少一些并且确定抑制所捕获用户事件中的哪个用户事件可以包括:接收用户事件作为消息,并且确定图像处理和分析系统是否忙;并且响应于确定计算服务器不忙而将所述消息直接转发给计算服务器。为持久层捕获用户事件中的至少一些并且确定抑制所捕获用户事件中的哪个用户事件可以包括:接收用户事件作为消息,并且确定图像处理和分析系统是否忙;并且响应于确定计算服务器忙而将所述消息放在槽位中。
所述方法还包括将比放置在槽位中的消息时间更近的消息放置在槽位中。
所述方法还包括检测完成事件;并且将对用户事件的各自响应转发给各自的客户端。响应于可能包括图像数据的响应,发送所述响应作为HTTPS图像请求和HTTPS AJAX请求,或者经由二进制支持的网页套接字网页发送所述响应。响应于可能不包括图像数据的响应,直接经由网页网络套接字发送所述响应。
所述方法还可以包括确定在槽位中是否有消息;响应于确定在槽位中有消息,等待检测完成事件;响应于检测到所述完成事件,将来自槽位的消息发送给所述计算服务器;并且清空所述槽位。
所述方法还可以包括将具有关联特性的多个图像渲染成一个更大的图像;并且发送所述一个大图像作为单个响应。
所述方法还可以包括在发送一个大图像作为单个响应之前叠加图像中的线、标记或者平面中的至少一种。
一种用于基于磁共振成像(MRI)的医学成像系统的操作方法可以被总结为包括:提供由远程装置通过第一防火墙对安全的临床设施网络中的信息的访问,其中在安全的临床设施网络中保留了所有安全的患者健康信息;由第二防火墙对MRI图像处理和分析系统相对于互联网进行保护。
一种用于基于磁共振成像(MRI)的医学成像系统的操作方法可以被总结为包括:通过在临床设施网络上运行的匿名化服务接收原始DICOM文件;生成原始DICOM文件中的任何明文患者健康信息的哈希;将原始DICOM文件中的任何明文患者健康信息替换为明文患者健康信息的各自哈希;
所述方法还可以包括确定原始DICOM文件中的所有患者健康信息域,并且其中生成原始DICOM文件中的任何明文明文患者健康信息的哈希包括生成加盐哈希。
所述方法还可以包括通过匿名化服务访问将明文患者健康信息转成哈希的保持在临床设施网络内的密钥。
所述方法还可以包括允许仅仅通过临床设施的VPN从临床设施网络的外部访问在临床设施网络上运行的匿名化服务。
一种用于基于磁共振成像(MRI)的医学成像系统的操作方法可以被总结为包括:由第一代理服务器对多个请求提供服务,所述请求来自临床设施网络和来自临床设施网络的外部;响应于所述请求中的至少一些,由代理服务器根据哈希化的患者健康信息生成明文信息;由代理服务器将哈希化的患者健康信息替换为明文信息;并且将所生成的信息传递给客户端设备。
一种用于基于磁共振成像(MRI)的医学成像系统的操作方法可以被总结为包括:由客户端将MRI图像处理和分析系统连接到服务器,即,在临床设施网络外部的服务器;检查指示客户端是否正丢失渲染明文的患者健康信息所需的信息标志;响应于指示客户端正丢失渲染明文PHI中的患者健康信息所需的信息,由客户端连接到匿名化服务器;由客户端从匿名化服务请求明文患者健康信息。由客户端从匿名化服务请求明文的患者健康信息可以包括提供哈希或标识符。
所述方法还包括由客户端在本地缓存所接收的明文患者健康信息。
所述方法还包括响应于用户退出而清除由客户端缓存的明文患者健康信息。
一种用于基于磁共振成像(MRI)的医学成像系统的操作方法可以被总结为包括:由至少一个基于处理器的设备接收MRI数据集,所述MRI数据集包括多个体素(voxel)中的每个的各自解剖结构和血流信息;由至少一个基于处理器的设备在多个可用时间点上对MRI数据集中的多个体素中的每个应用离散傅里叶变换(DFT);并且由至少一个基于处理器的设备检验在可用时间点上在体素中的每个处的DFT的一些分量。
在多个可用时间点上对MRI数据集中的多个体素中的每个应用DFT可以包括对血流信息的三个速度分量(x、y、z)应用DFT。在多个可用时间点上对MRI数据集中的多个体素中的每个应用DFT可以包括对所生成的血流信息速度大小应用DFT。所述方法还可以包括:至少部分地基于DFT分量由至少一个处理器将血池与静态组织分割开。所述至少部分地基于DFT分量将血池与静态组织分割开可以包括至少部分地基于低阶集、非DC DFT分量由至少一个处理器将血池与静态组织自主地分割开。所述方法还可以包括:确定MRI数据中的肺组织。所述方法还可以包括:由至少一个处理器在不考虑相对大小或者相位的情况下将一些DFT分量组合到一起,以便生成在胸部扫描内定位所有血流的普通掩膜。所述方法还可以包括:由至少一个处理器在考虑DFT分量的相对大小或者相位的情况下将一些DFT分量组合到一起,以便生成用于确定身体中血池的特定区域的精制掩膜。所述方法还可以包括:由至少一个处理器将DFT分量的相位与峰值收缩的时间点进行比较,并且基于所述相位与期望值之间的偏差对每个体素分配概率。所述方法还可以包括:至少部分地基于精制掩膜,由至少一个处理器将主动脉中的血流与肺动脉中的血流区别开。所述方法还可以包括:至少部分地基于所生成概率值的直方图,由至少一个处理器自主地确定概率截断值。所述方法还可以包括:至少部分地基于所生成的概率值的直方图,由至少一个处理器自主地确定动脉特定掩膜的概率截断值;并且至少部分地基于动脉特定掩膜确定至少一个其他掩膜的概率截断值。至少部分地基于动脉特定掩膜确定至少一个其他掩膜的概率截断值可以包括执行普通血液掩膜的泛洪填充以移除无关非连接片。所述方法还可以包括:至少部分地基于一些流向和一些梯度和/或一些迹线与所生成的概率值,由至少一个处理器将动脉特定掩膜分成两个主要部分。所述方法还可以包括:至少部分地基于两个主要部分的平均流向或相对空间关系,由至少一个处理器将主动脉和肺动脉彼此区别开。所述方法还可以包括:由至少一个处理器自主地生成心脏壁概率掩膜。所述方法还可以包括:由至少一个处理器将心脏壁概率掩膜和血流掩膜组合起来。所述方法还可以包括:由至少一个处理器利用心脏壁概率掩膜执行涡流校正。所述方法还可以包括:由至少一个处理器利用心脏壁概率掩膜提供图像中的心脏的位置和/或尺寸中的至少一个。
附图说明
在附图中,相同的附图标记表示相似的元件或作用。不一定按比例地绘制附图中元件的大小和相对位置。例如,不一定按比例地绘制各种元件的形状和角度,而这些元件中的一些可以任意地放大和定位以改进附图的易读性。另外,如绘制的元件的特定形状不一定旨在传递关于特定元件的真实形状的任何信息,而是可能仅仅是为了在附图中易于识别而已经选择。
图1是根据一个图示实施例,包括至少一个MRI获取系统和至少一个图像处理系统的联网环境的示意图,该MRI获取系统位于临床环境中,并且该图像处理系统位于远离该MRI获取系统的位置并且通过一个或更多个网络与其通信地耦接。
图2是根据一个图示实施例的MRI获取系统和提供MRI图像处理和分析服务的MRI图像处理和分析系统的功能性框图。
图3A是根据一个图示实施例的MRI图像处理和分析或渲染系统中的数据流的示意图。
图3B是根据一个图示实施例的MRI成像和处理/分析环境中的数据流的示意图。
图4A是根据一个图示实施例的体脉管或体腔中的流动速度范围的示例性速度编码(VENC)值的查找表。
图4B是根据一个图示实施例的针对心脏线圈的多个通道的扫描长度或持续时间的示例值的查找表。
图5是图示了根据一个图示实施例的利用4D流定位器和可选的细化算法进行操作的方法的流程图。
图6是示出了根据一个图示实施例的生成血流的颜色图的高水平的操作方法的流程图。
图7是示出了根据一个图示实施例的确定面元是对应于静脉流还是动脉流的方法的流程图。
图8是示出了根据一个图示实施例的确定面元是对应于静脉流还是动脉流的方法的流程图。
图9A是根据一个图示实施例的异步命令和图像管道的操作的示意图。
图9B是在不同时刻的图9A的异步命令和图像管道的操作的示意图。
具体实施方式
在以下的描述中,提出一些具体细节以提供对各种公开实施例的充分理解。但是,相关领域的技术人员会认识到,这些实施例可以在没有这些具体细节中的一个或更多个的情况下或者利用其他方法、部件、材料等实施。在其他情况下,没有详细示出或描述与MRI机、计算机系统、服务器计算机和/或通信网络有关的公知结构,以避免不必要地使实施例的描述模糊。
除非上下文另有需要,否则在整个本说明书和附图中,词语“包括”及其变化形式与“包含”同意,并且是包括性的或者开放式(即,不排除另外的未记载的元件或者方法动作)。
在整个本说明书中,对“一个实施例”或者“实施例”的提及是指在至少一个实施例中包含结合实施例描述的特定特征、结构或者特性。因此,在整个本说明书的多个地方出现的短语“在一个实施例中”或者“在实施例中”不一定都是指同一实施例。此外,特定特征、结构或者特性可以以任何合适的方式结合在一个或更多个实施例中。
如在本说明书和附图中使用的,单数形式“一个”、“一种”、“该”包括多个涉及对象,除非内容另有明确指示。还应注意,术语“或者”通常以其包括“和/或”的意义使用,除非内容另有明确指示。
本文中提供的公开内容的标题和摘要仅是为了方便,而不解释实施例的范围或者意义。
本文中描述的许多实施例利用4D流MRI数据集,其大致捕获在一段时间上的针对三维体积的MRI幅值和相位信息。该方法可以允许在不需要屏气或者同步或选通到患者的心搏周期或者肺动周期的情况下捕获或获取MRI数据集。而是,捕获或获取MRI数据集,并且例如通过基于心搏和肺动周期重新合并所获得的信息来利用图像处理和分析以获得期望的信息。这实质上将通常是时间密集型的获取操作推到图像处理和分析阶段。作为简化的比喻,在一些方面,这可以被认为是捕获解剖结构(例如,胸、心脏)的影像,而不关注患者的肺动或心搏周期,处理所捕获影像以考虑由肺动和心搏周期引入的相对运动。所捕获的信息包括指示解剖结构的幅值信息和指示速度的相位信息。相位信息允许静态和非静态组织之间的区别,例如允许将非静态组织(例如,血液、空气)与静态组织(例如,脂肪、骨骼)区别开。相位信息还允许将特定的非静态组织(例如,空气)与其他非静态组织(例如,血液)区别开。这可以有利地允许在组织之间自动甚或自主地进行分割,和/或将动脉血流与静脉血流区别开。这可以有利地允许自动甚或自主地生成可以叠加到解剖信息上的流可视化信息。这还可以有利地允许自动甚或自主地进行流量化,识别异常和/或验证结果。
工作流程可以大致分为三个部分,按顺序为:1)图像获取,2)图像重构,和3)图像处理或后处理及分析。可替代地,工作流程可以成为:1)操作,2)预处理,和3)可视化及量化。
图像获取可以包括确定、定义、生成或以其他方式设置一个或更多个脉冲序列,该脉冲序列用于运行MRI机(例如控制磁体)和获取原始的MRI。使用4D流脉冲序列不仅允许捕获由幅值表示的解剖结构,而且允许捕获由相位表示的速度。在本文中描述的方法或技术中的至少一个中,特定于患者的4D脉冲序列的生成在图像获取部分期间进行或者作为图像获取部分的一部分。图像重构可以例如采用快速傅里叶变换,并且生成通常以与DICOM标准兼容的形式的MRI数据集。图像重构常规地为计算密集型,其通常依赖于超级计算机。对此的要求对于许多医疗设施而言是显著的负担。本文中描述的方法和技术中的许多在成像处理器或者后处理和分析期间进行或者作为其一部分。这能够包括误差检测和/或误差校正、分割、可视化(包括流相关信息与解剖结构的图像的融合)、量化、异常(包括分流)的识别、验证(包括对伪数据的识别)。可替代地,误差检测和/或误差校正可以在预处理部分期间进行。
图1示出了根据一个图示实施例的联网环境100,其中,一个或更多个MRI获取系统102(示出了一个)经由一个或更多个网络106a、106b(示出了两个,总体为106)通信地耦接到至少一个图像处理和分析系统104。
MRI获取系统102通常位于临床设施,例如医院或专用医学成像中心。如本文中解释的,各种技术和结构可以有利地允许图像处理和分析系统104位于远离MRI获取系统102的位置。图像处理和分析系统104可以例如位于另一建筑物、城市、州、省乃至国家。
MRI获取系统102可以例如包括MRI机108、计算机系统110和MRI操作员系统112。MRI机108可以包括主磁体114,主磁体114通常是具有中心或纵向孔116的环形线圈阵列。主磁体108能够产生强的稳定磁场(例如0.5到2.0特斯拉)。孔116的尺寸被确定为容纳待成像对象(例如人体118)的至少一部分。在用于医学成像应用中时,MRI机108通常包括允许容易地将俯卧患者118滑动或者滚动到孔116中或者到孔之外的患者平台120。
该MRI机还包括一组梯度磁体122(仅示出一个)。梯度磁体122产生相对于由主磁体114产生的磁场较小的可变磁场(例如,180高斯到270高斯),允许对对象(例如患者)的所选部分进行成像。
MRI机108还包括射频(RF)线圈124(仅示出一个),RF线圈124工作以向待成像对象(例如,患者118)的所选部分施加射频能。不同的RF线圈124可以用于对不同的结构(例如解剖结构)进行成像。例如,一组RF线圈124可以适用于对患者颈部进行成像,而另一组RF线圈124可以适用于对患者的胸部或者心脏进行成像。MRI机108通常包括另外的磁体,例如电阻性磁体和/或永磁体。
MRI机108通常包括或者通信地耦接到用于控制磁体和/或线圈114、122、124的基于处理器的MRI控制系统126。基于处理器的控制系统126可以包括一个或更多个处理器、非临时性计算机或者处理器可读存储器、驱动电路和/或与MRI机108连接的接口部件。在一些实施中,基于处理器的控制系统126还可以对由MRI操作生成的数据执行一些预处理。
MRI操作员系统128可以包括计算机系统130、显示器或显示装置132、小键盘和/或键盘134和/或光标控制设备136(例如鼠标)、操纵杆、触摸板、轨迹球等。MRI操作员系统128可以包括或者读取来自一个或更多个非临时性计算机或者处理器可读介质(例如,诸如磁盘或光盘之类的旋转介质138)的计算机或者处理器可执行指令。操作员系统128可以允许技术人员操作MRI机108以捕获来自患者118的MRI数据。本文中描述的各种技术、结构和特征可以允许由技术人员操作MRI机108而不需要出现临床医师或内科医师。这样可以有利地显著降低MRI过程的成本。还是如本文中所述,各种技术、结构和特征可以允许与利用传统技术相比更加快速地执行MRI过程。这样可以有利地允许对于每个MRI设备的更高的处理量,将资本密集型装置的成本分摊在数量大得多的过程上。例如,高计算能力计算机可以位于远离临床环境的位置,并且可以用于为多个医疗设施提供服务。本文中描述的各种技术、结构和特征还可以另外地或者可替代地有利地缩短每位患者暴露在MRI过程的时间,减轻或者缓和通常伴随着经受MRI过程的焦虑。例如,通过本文中描述的图像处理和分析技术消除对屏气和/或与患者肺动和/或心搏周期同步的需要可以显著地将获取时间减小至例如8到10分钟。
图像处理和分析系统104可以包括一个或更多个服务器139用以处理进入的请求和响应,以及一个或更多个渲染或图像处理和分析计算机140。服务器139可以例如采用执行服务器软件或指令的一个或更多个服务器计算机、工作站计算机、超级计算机或者个人计算机的形式。一个或更多个渲染或图像处理和分析计算机140可以采用执行图像处理和/或分析软件或指令的一个或更多个计算机、工作站计算机、超级计算机或者个人计算机的形式。一个或更多个渲染或图像处理和分析计算机140通常会采用一个、优选地多个图像处理单元(GPU)或者GPU核心。
图像处理和分析系统104可以包括对处理器可执行指令和/或数据或其他信息进行存储的一个或更多个非临时性计算机可读介质142(例如,磁盘或光学硬盘、RAID、RAM、Flash)。图像处理和分析系统104可以包括一个或更多个图像处理和分析操作员系统144。图像处理和分析操作员系统144可以包括计算机系统146、监视器或显示器148、小键盘和/或键盘150和/或光标控制设备152,例如鼠标、操纵杆、触摸板、轨迹球等。图像处理和分析操作员系统144可以通过一个或更多个网络(例如LAN 154)通信地耦接到渲染或图像处理和分析计算机140。虽然许多图像处理技术和分析可以完全自动地进行,但是所述图像处理和分析操作员系统可以允许技术人员对从患者捕获的MRI数据执行特定的图像处理和/或分析操作。
虽然被图示为单个非临时性计算机或者处理器可读存储介质142,但是在许多实施中,非临时性计算机或者处理器可读存储介质142可以由多个非临时性存储介质构成。该多个非临时性存储介质可以通常位于共同的位置,或者分布在多个远程位置处。因此,原始MRI数据、预处理后的MRI数据和/或处理后的MRI数据的数据库可以在一个或者跨多余一个非临时性计算机或者处理器可读存储介质中实施。这种数据库可以彼此独立地存储在单独的计算机或者处理器可读存储介质142上,或者可以彼此存储在同一计算机或者处理器可读存储介质142。计算机或者处理器可读存储介质142可以与图像处理和分析系统104共置一处,例如在同一房间、建筑物或者设施中。可替代地,计算机或者处理器可读存储介质142可以位于远离图像处理和分析系统104的位置,例如在不同设施、城市、州或者国家中。电子或数字信息、文件或记录或其他信息集可以储存在非临时性计算机或处理器可读介质142中的特定位置,因此是这种介质的可以连续或者可以不连续的可逻辑寻址的部分。
如上所述,图像处理和分析系统104可以位于远离MRI获取系统102的位置。MRI获取系统102和图像处理和分析系统104能够例如经由一个或更多个通信通道(例如局域网(LAN)106a和广域网(WAN)106b)进行通信。网络106可以例如包括分组交换通信网络,例如互联网、互联网的万维网部分、外联网、和/或内联网。网络106可以采取各种其他类型的通信网络的形式,例如蜂窝电话和数据网络和普通老式电话系统(POTS)网络。通信基础结构的类型不应认为是限制性的。
如图1所示,MRI获取系统102通信地耦接到第一LAN 106a。第一LAN 106a可以是由或者为临床设施操作的网络,为该临床设施提供了局域通信。第一LAN 106a通信地耦接到WAN(例如互联网)106b。第一防火墙156a可以为第一LAN提供安全。
还是如图1所示,图像处理和分析系统104通信地耦接到第二LAN 154。第二LAN154可以是由或者为图像处理设施或者实体操作的网络,为该图像处理设施或者实体提供了局域通信。第二LAN 154通信地耦接到WAN 106b(例如互联网)。第二防火墙156b可以为第二LAN 154提供安全。
图像处理设施或者实体可以独立于临床设施,例如,向一个、两个或许多临床设施提供服务的独立公司。
虽然未图示,但是通信网络可以包括一个或更多个另外的联网设备。该联网设备可以采用任何多种形式,包括服务器、路由器、网络交换器、网桥和/或调制解调器(例如,DSL调制解调器、电缆调制解调器)等。
虽然图1图示了代表性联网环境100,通常的联网环境可以包括许多另外的MRI获取系统、图像处理和分析系统104、计算机系统、和/或实体。本文中教导的构思可以以相似的方式用于比图示的更加稠密的联网环境。例如,单个实体可以向多个诊断实体提供图像处理和分析服务。该诊断实体中的一个或更多个可以操作两个或更多个MRI获取系统102。例如,大型医院或专业医学成像中心可以在一个设施处操作两个、三个乃至更多个MRI获取系统。通常,提供图像处理和分析服务的实体会操作多个实体,可以提供包括两个、三个乃至几百个渲染或图像处理和分析计算机140的多个图像处理和分析系统104。
图2示出了联网环境200,其包括一个或更多个图像处理和分析系统104(仅图示了一个)和一个或更多个相关联的非临时性计算机或者处理器可读存储介质204。相关联的非临时性计算机或者处理器可读存储介质204经由一个或更多个通信通道(例如,一个或更多个并行电缆、串行电缆或能够例如经由通用串行(USB)2或3、和/或千兆字节以进行高速通信的无线信道)通信地耦接到图像处理和分析系统104。
联网环境200还包括一个或更多个末端MRI获取系统202(仅图示一个)。MRI获取系统102通过一个或更多个通信通道(例如一个或更多个广域网(WAN)210,例如互联网或者其万维网部分)通信地耦接到图像处理和分析系统104。
在操作中,MRI获取系统102通常充当图像处理和分析系统104的客户端。在操作中,图像处理和分析系统104通常充当接收来自MRI获取系统102的请求或信息(例如,MRI数据集)的服务器。本文中描述的是采用异步命令和成像管道的整个过程,该过程允许远离MRI获取系统102地执行图像处理和分析。该方法提供了诸多有特色的优点,例如允许MRI获取系统102由技术人员操作,而不需要出现临床医师(例如,内科医师)。还描述了增强安全性,同时允许访问医学成像数据以及特定于私人患者的健康信息的各种技术或方法。
虽然被图示为位于远离MRI获取系统102的位置,但是在一些实施中,图像处理和分析系统104可以与MRI获取系统102共置一处。在其他实施中,本文中描述的操作或功能中的一个或更多个可以由MRI获取系统102来执行或者经由与MRI获取系统102共置一处的基于处理器的设备来执行。
图像处理和分析系统104接收MRI数据集,对MRI数据集执行图像处理,并且将处理后的MRI数据集提供给例如临床医师以便查看。图像处理和分析系统104可以例如对MRI数据集执行误差检测和/或校正(例如,相位误差校正、相位混叠检测、信号解缠,和/或对各种伪影的检测和/或校正)。相位误差与相位相关,相位混叠也是如此。信号解缠与幅值相关。各种其他伪影可以与相位和/或幅值相关。
图像处理和分析系统104可以例如在各种组织类型之间执行分割、区别。图像处理和分析系统104例如可以执行量化,例如比较流入和流出闭合的解剖结构或者通过两个或更多个解剖结构的血流。图像处理和分析系统104可以有利地利用量化来验证结果,例如确认对某一种组织的识别和/或提供对结果中的确定确定性结果的数量的指示。此外,图像处理和分析系统104可以有利地利用量化来识别分流的存在。
在一些实施中,图像处理和分析系统104可以生成反映血流的图像,例如包括在动脉血流和静脉血流之间进行区别。例如,图像处理和分析系统104可以采用第一颜色图(例如,蓝色)来指示动脉血流,并采用第二颜色图(例如,红色)来指示静脉血流。图像处理和分析系统104可以利用一些其他区别性颜色或者视觉上着重显示来指示像差(例如,分流)。描述了多种不同的技术,用于在不同组织之间以及在动脉血流和静脉血流之间进行区别。流的可视化可以例如作为一个或更多个层叠加在解剖的视觉表示或者幅值数据上。
在一些实施中,图像处理和分析系统104可以生成特定于患者的4D流协议,以便在与特定的患者操作MRI获取系统102时使用。其可以包括设置对于MRI机的操作而言适当的速度编码(VENC)。
图像处理和分析系统104可以在没有人工输入的情况下自主地执行这些操作或者功能中的一个或更多个。可替代地,图像处理和分析系统104可以基于人工输入(例如,识别点、位置或平面或以其他方式识别解剖组织的特征的人工输入)来执行这些操作或者功能中的一个或更多个。可以预先限定一些平面和/或视图,允许操作员、用户或临床医师简单地选择平面(例如,瓣膜平面)或者被命名的视图(例如,2个腔室的视图、3个腔室的视图、4个腔室的视图)以快速且容易地获取期望的视图。
联网环境200可以采用其他计算机系统和网络装置,例如另外的服务器、代理服务器、防火墙、路由器和/或网桥。图像处理和分析系统104在本文中有时会以单数的形式提及,但是其并非旨在将实施例限制成单个设备,这是由于在通常的实施例中,可以涉及多于一个的图像处理和分析系统104。除非另外描述,否则图2中所示的各个方框的构造和操作为常规设计。因此,由于这些方框会被相关领域的技术人员所理解,所以本文中不需要进一步详细地描述这些方框。
图像处理和分析系统104可以包括一个或更多个处理单元212a、212b(整体为212)、系统存储器214、以及将各个系统部件(包括系统存储器214)耦接到处理单元212的系统总线216。处理单元212可以是任何逻辑处理单元,例如一个或更多个中央处理单元(CPU)212a、数字信号处理器(DSP)212b,专用集成电路(ASIC)、现场可编程门阵列(FPGA)等。系统总线216可以采用任何已知的总线结构或构造,包括具有存储器控制器的存储器总线、外设总线、和/或本地总线。系统存储器214包括只读存储器(“ROM”)218和随机存取存储器(“RAM”)220。能够构成ROM 218的一部分的基本输入输出系统(BIOS)222包括有助于例如在启动期间在图像处理和分析系统104内的元件之间进行信息传递的基本例程。
图像处理和分析系统104可以包括:用于从硬盘226读取以及向硬盘226写入的硬盘驱动器224、用于从可移动光盘232读取以及向可移动光盘232写入的光盘驱动器228和/或用于从磁盘234读取以及向磁盘234写入的磁盘驱动器230。光盘232能够是CD-ROM,而磁盘234能够是磁性软盘或软磁盘。硬盘驱动器224、光盘驱动器228和磁盘驱动器230可以经由系统总线216与处理单元212通信。如相关领域技术人员知道的,硬盘驱动器224、光盘驱动器228和磁盘驱动器230可以包括耦接在这些驱动器和系统总线216之间的接口或控制器(未示出)。驱动器224、228和230及其相关联的计算机可读介质226、232、234提供了对计算机可读指令、数据结构、程序模块和用于图像处理和分析系统104的其他数据的非临时性存储。虽然所描绘的图像处理和分析系统104被图示为采用硬盘224、光盘228和磁盘230,但是相关领域技术人员会理解可以采用能够存储可由计算机访问的数据的其他类型的计算机可读介质,例如WORM驱动器、RAID驱动器、盒式磁带、闪存卡、数字视频光盘(“DVD”)、伯努利盒式磁带、RAM、ROM、智能卡等。
程序模块能够被存储在系统存储器214中,例如操作系统236、一个或更多个应用程序238、其它程序或模块240和程序数据242。应用程序238可以包括使处理器212对MRI数据集执行图像处理和分析的指令。例如,应用程序238可以包括使处理器212对与相位或者速度相关的数据执行相位误差校正的指令。例如,应用程序238可以包括使处理器212校正相位混叠的的指令。还例如,应用程序238可以包括使处理器212执行信号解缠的指令。可替代地或者另外地,应用程序238可以包括使处理器212确定和/或校正伪影的指令。
应用程序238可以包括使处理器212例如在各种组织类型之间执行分割和区别的指令。应用程序238可以包括使处理器212执行量化(例如,比较流入和流出闭合的解剖结构或者通过两个或更多个解剖结构的血流)的指令。应用程序238可以包括使处理器212利用量化来验证结果(例如确认对某一种组织的识别和/或提供对结果中的确定性结果的数量的指示)的指令。应用程序238可以包括使处理器212利用量化来识别分流的存在的指令。
应用程序238可以包括使处理器212生成反映血流的图像(例如在动脉血流和静脉血流之间进行区别)的指令。例如,可以采用第一颜色图(例如,蓝色)指示动脉血流,并采用第二颜色图(例如红色)指示静脉血流。可以利用一些其他区别性颜色或视觉着重显示来指示色差(例如分流)。可以应用颜色传递功能来生成颜色图。应用程序238可以包括使处理器212将流的可视化(例如,指示血流速度和/或体积的MRI相位数据)叠加在解剖的可视化或渲染图像(例如MRI幅值数据)上的指令。该指令可以使得流的可视化被渲染为解剖的图像上的一个或更多个层,以提供解剖(即,幅值)和流(即,相位)信息的融合,例如渲染为颜色热图和/或具有方向和幅值(例如,由长度、线宽表示)的矢量(例如,箭头图标)。该指令可以另外地或者可替代地使得生成可覆盖或叠加到解剖结构的空间映射或可视化上的信号色散、紊流和/或压力的空间映射或可视化、。将与相位或速度相关的信息的可视化与解剖信息的可视化或者解剖结构的视觉表示进行融合可以促进对解剖标记的识别。该指令可以利用图形处理单元或者GPU的集合或者阵列来快速地对可视化表示进行渲染。
还可以应用传递功能以确定将哪种视觉效果(例如,颜色)应用于哪种组织。例如,可以以蓝色色调为动脉血流着色,并且可以以红色色调为静脉血流着色,而可以着色为黄色。可以例如利用灰度等级来对表示为MRI图像数据集中的幅值的解剖结构进行可视化。视图深度可以是能够由操作员或者用户例如通过图形用户界面上的滑块控件调节的。因此,可视化表示可以具有有利地将速度信息的视觉表示与解剖信息视觉表示或表现的进行融合的融合视图的形式。
应用程序238可以包括使处理器212生成特定于患者的4D流协议的指令,该特定于患者的4D流协议用于在与特定患者操作MRI获取系统102时使用。其可以基于例如由技术人员提供的特定于患者的输入,并且可以基于用于获取MRI数据集的特定MRI机。
应用程序238可以包括使处理器212从MRI获取系统接收图像数据集,处理和/或分析该图像数据集,并且以时间敏感和安全的方式将处理后和/或分析后的图像和其他信息提供给位于远离图像处理的位置的用户。本文中参照各个附图对此进行了详细的描述。
系统存储器214还可以包括通信程序,例如使图像处理和分析系统104通过互联网、内联网、外联网、电信网络或者如下所述的其他网络为电子信息或文件提供服务的服务器244。在所描绘的实施例中的服务器244是基于标记语言的,例如超文本标记语言(HTML)、可扩展标记语言(XML)或无线标记语言(WML),并与使用添加到文档数据以表示文档的结构的语法分隔字符的标记语言一起进行操作。多种合适的服务器可以能够在市场上购得,例如从来自Mozilla、Google、Microsoft和苹果电脑的服务器。
虽然在图2中示出为存储在系统存储器214中,但是操作系统236、应用程序238、其他程序/模块240、程序数据242和服务器244能够存储在硬盘驱动器224的硬盘226上、光盘驱动器228的光盘232上和/或磁盘驱动器230的磁盘234上。
操作员能够通过输入设备,例如触摸屏或键盘246和/或定点设备(例如鼠标248)和/或通过图形用户界面,将命令和信息输入到图像处理和分析系统104中。其他输入设备能够包括麦克风、操纵杆、游戏垫、平板电脑、扫描仪等。这些和其他输入设备通过接口250连接到处理单元212中的一个或更多个,接口250例如是耦接到系统总线216的串行端口接口,但是还可以使用其他的接口,例如并行端口、游戏端口或无线接口或通用串行总线(“USB”)。监视器252或者其他显示设备通过视频接口254(例如视频适配器)耦接到系统总线216。图像处理和分析系统104能够包括其他输出设备,例如扬声器、打印机等。
图像处理和分析系统104能够利用到一个或更多个远程计算机和/或设备的逻辑连接在联网环境200中工作。例如,图像处理和分析104能够利用到一个或更多个MRI获取系统102的逻辑连接在联网环境200中工作。通信可以通过有线和/或无线网络架构(例如,有线和无线的企业范围的计算机网络、内联网、外联网、和/或互联网)进行。其他实施例可以包括其他类型的通信网络,包括电信网络、蜂窝网络、寻呼网络和其他移动网络。在图像处理和分析系统104、MRI获取系统102之间的通信路径中可以存在各种类型的计算机、交换设备、路由器、网桥、防火墙以及其他设备。
MRI获取系统102通常会采用MRI机108以及一个或更多个相关联的基于处理器的设备(例如,MRI控制系统126和/或MRI操作员系统128)的形式。MRI获取系统102从患者捕获MRI信息或者数据集。因此,在一些情况下,MRI获取系统102可以被命名为前端MRI获取系统或MRI捕获系统,以将其与在一些情况下可以命名为MRI后端系统的MRI图像处理和分析系统104区别开。MRI获取系统102在本文中有时会各自以单数形式被提及,但是其不旨在将实施例限制为单个MRI获取系统102。在典型实施例中,可能会存在多于一个的MRI获取系统102,并且在联网环境200中很可能会存在大量的MRI获取系统102。
MRI获取系统102通信地耦接到一个或更多个服务器计算机(未示出)。例如,MRI获取系统102可以通过一个或更多个诊断设施的服务器计算机(未示出)、路由器(未示出)、网桥(未示出)、LAN 106a(图l)等而通信地耦接,其可以包括或者实施防火墙156a(图1)。服务器计算机(未示出)可以执行服务器指令集,以充当用于通过临床设施处或者场所处的LAN106a通信地耦接的多个MRI获取系统102(即,客户端)的服务器,并且因此充当MRI获取系统102和MRI图像处理和分析系统104之间的中介。MRI获取系统102可以执行一组客户端指令,以充当通过WAN通信地耦接的服务器计算机的客户端。
MRI控制系统126通常包括一个或更多个处理器(例如,微处理器、中央处理单元、数字信号处理器、图形处理单元)和非临时性处理器可读存储器(例如,ROM、RAM、闪存、磁盘和/或光盘)。MRI操作员系统128可以采用执行适当指令的计算机的形式,例如个人计算机(例如,台式机或笔记本电脑)、上网本电脑、平板电脑、智能电话、个人数字助理、工作站计算机和/或大型机计算机等。
MRI操作员系统128可以包括一个或更多个处理单元268、系统存储器269和将各个系统部件(包括系统存储器269)耦接到处理单元268的系统总线(未示出)。
处理单元268可以是任何逻辑处理单元,例如,一个或更多个中央处理单元(CPU)、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、图形处理单元(GPU)等。在市场上可购买的计算机系统的非限制性示例包括(但不限于)英特尔公司的80x86或奔腾系列微处理器、IBM公司的PowerPC微处理器、Sun Microsystems公司的Sparc微处理器、惠普公司的PA-RISC系列微处理器、摩托罗拉公司的68xxx系列微处理器、ATOM处理器、或A4或A5处理器。除非另外描述,否则图2中所示的MRI获取系统102的各个块的构造和操作为常规设计。因此,本文中不需要进一步详细地描述这些块,这是由于它们会被相关领域的技术人员所理解。
所述系统总线能够采用任何已知的总线结构或者构架,包括具有存储控制器的存储器总线、外设总线和本地总线。系统存储器269包括只读存储器(“ROM”)270和随机存取存储器(“RAM”)272。能够构成ROM 270的一部分的基本输入输出系统(“BIOS”)271包括有助于例如在启动期间在MRI获取系统102内的元件之间进行信息传递的基本例程。
MRI操作员系统128还可以包括用于从计算机可读介质274(例如,硬盘、光盘和/或磁盘)读取和向计算机可读介质274中写入的一个或更多个介质驱动器273(例如,硬盘驱动器、磁盘驱动器、WORM驱动器和/或光盘驱动器)。非临时性计算机可读存储介质274可以例如采用可移动介质的形式。例如,硬盘可以采用温彻斯特(Winchester)驱动器的形式,光盘能够采用CD-ROM的形式,而磁盘能够采用磁性软盘或软磁盘的形式。介质驱动器273通过一个或更多个系统总线与处理单元268通信。如相关领域技术人员知道的,介质驱动器273可以包括耦接在这些驱动器和系统总线之间的接口或控制器(未示出)。介质驱动器273及其相关联的非临时性计算机可读存储介质274为MRI获取系统102提供了对计算机可读指令、数据结构、程序模块和其他数据的非临时性存储。虽然被描述为采用计算机可读存储介质274(诸如硬盘、光盘和磁盘),但是相关领域技术人员会理解,MRI操作员系统128可以采用能够存储可由计算机访问的数据的其他类型的非临时性计算机可读存储介质,例如盒式磁带、闪存卡、数字视频光盘(“DVD”)、伯努利墨盒式磁带、RAM、ROM、智能卡等。数据或信息(例如电子或数字文件或与此相关的数据或元数据)能够存储在非临时性计算机可读存储介质274中。
程序模块(例如操作系统、一个或更多个应用程序、其他程序或模块、以及程序数据)能够存储在系统存储器269中。程序模块可以包括用于访问网站、外联网站点或其他站点或服务(例如,网页服务)和相关联的网页、其他页面、屏幕或由MRI处理和分析系统104托管或提供的服务的指令。
特别地,系统存储器269可以包括通信程序,该通信程序允许MRI获取系统102与由MRI处理和分析系统104提供的MRI图像处理和/或分析服务交换电子或数字信息或文件或数据或元数据。该通信程序例如可以是允许MRI获取系统102访问信息、文件、数据和/或元数据以及与源(例如互联网、企业内部网、外联网或其他网络的网站)交换所述信息、文件、数据和/或元数据的网页客户端或者浏览器。这可能需要终端用户客户端具有足够的权限、许可、特权或职权以访问给定网站,例如由MRI图像处理和分析系统104托管的网站。如本文中所论述的,患者识别数据可以存在于由临床设施操作或者用于临床设施的系统上,并且可以不可被或者通过由图像处理设施或图像处理设施人员操作或者用于图像处理设施或图像处理设施人员的系统访问。浏览器可以例如是基于标记语言的,例如超文本标记语言(HTML)、可扩展标记语言(XML)或无线标记语言(WML),并可以与使用添加到文档数据以表示文档的结构的语法分隔字符的标记语言一起操作。
虽然被描述为存储在系统存储器269中,但是操作系统、应用程序、其他程序/模块、程序数据和/或浏览器能够存储在介质驱动器273的计算机可读存储介质274上。操作员能够通过输入设备,例如触摸屏或键盘276和/或定点设备277(例如,鼠标)经由用户界面275将命令和信息输入到MRI操作员系统128中。其他输入设备能够包括麦克风、操纵杆、游戏板、平板电脑、扫描仪等。这些和其他输入设备通过接口连接到处理单元269,所述接口例如是耦接到系统总线的串行端口接口,但是还可以使用其他的接口,例如并行端口、游戏端口或无线接口或通用串行总线(“USB”)。显示器或者监视器278可以通过视频接口(例如视频适配器)耦接到系统总线。MRI操作员系统128能够包括其他输出设备,例如扬声器、打印机等。
所述MRI图像处理和分析系统可以建立静态界面,该静态界面允许将各种不同组织类型从MRI 4D流数据集减去或者增加到MRI 4D流数据集中。例如,可以将静态组织(例如脂肪或骨骼)与非静态组织(例如空气或流动的血)区别开。所述MRI图像处理和分析系统还可以自主地在各种不同的非静态组织之间进行区别,例如在空气(例如,肺)与流动的血之间进行区别。此外,所述MRI图像处理和分析系统可以在动脉血流与静脉血流之间进行区别。
例如,所述MRI图像处理和分析系统可以用快速傅里叶变换来识别期望具有脉动的模式或波形的血液组织。在将相邻体素的速度进行比较时,空气或肺会倾向于在限定体积上具有随机出现的模式。例如,具有较强或较快速度的体素通常指示空气。MRI数据集可以相当大,例如256x256x256x20个时间点。所述MRI图像处理和分析系统可以依赖于梯度(例如,梯度下降法)来检测不同的组织类型,并且可以有利地采用数值法而不是解析解法来快速地处理相对较大的MRI数据集。通过控制数值法的有效数字的数量(例如,2),所述MRI图像处理和分析系统可以达到非常快(例如1秒相对于30分钟)的结果,同时仍然获得对于特定应用而言足够精确的结果。
在一些实施中,可以从患者MRI数据集中减去不同的组织类型,一次一个。例如,减去空气或肺,减去血液,将动脉流与静脉流分离,减去骨骼,留下脂肪。值得注意的是,脂肪是静态的,因此代表脂肪的每个体素应当具有与之相关联的零速度。所述MRI图像处理和分析系统可以有利地采用该基础事实以校正所有组织类型的MRI数据集。
如果针对脂肪类型的组织发现了非零速度,则这能够用于调节整个数据集(例如,对于所有组织)。例如,所述MRI图像处理和分析系统可以基于识别的区域或体积(例如脂肪或软组织)来生成或创建多项式模型。其可以是简单的多项式(例如,ax2+bx+c)或者复杂得多的多项式(例如,非有理均匀b样条)。所述MRI图像处理和分析系统可以例如利用线性回归技术或者线性代数技术来找到拟合图像的多项式的系数。这产生可以MRI图像处理和分析系统应用(例如,从其中减去)到整个范围(不仅是脂肪或软组织)的模型。
在一个实施中,对复制体进行成像,以创建能够从实际的患者数据中减去的参考数据集或“幻影”模型。复制体可以由模拟实际体的MRI响应的材料构成,但是不会具有血流。参考数据集或者“幻影”模型中的相位梯度可以代表噪声(例如,随机噪声),并且能够用于校正相位偏移。该方法有利地避免了对生成拟合3D数据的多项式的需要。虽然如果MRI机被检修或者移动,应该生成新的参考数据集或幻影模型,但是所生成的参考集或幻影模型在MRI机操作的数月期间都可以是有效的。。
所述MRI图像处理和分析系统可以定义用于移除不同的组织类型或者用于移除静脉血流或动脉血流的各种过滤器或掩膜。过滤器或掩膜可以移除异常血流,例如在一定合理范围外(例如,太高或太快、太慢或太低)的血流或者在不应该有血流的解剖结构(例如,骨骼)中血表现为在流动处的血流。过滤器或掩膜还可以被定义为仅显示具有大于某一阈值的绝对值的幅值的体素。过滤器或掩膜还可以被定义为仅显示具有幅值和速度矢量的叉积的绝对值大于某一限定阈值的绝对值的体素。此外,过滤器或掩膜可以被定义为仅示出具有与相邻体素的矢量在相同方向的矢量的体素,以例如识别或者查看高速度射流。值得注意的是,相邻体素的速度矢量处于不同的方向上可能指示噪声。
图3A示出了根据一个图示实施例的MRI图像处理和分析或渲染系统中的代表性数据流300的示意图。
MRI图像处理和分析系统104(图1)接收“原始”MRI图像数据302,例如具有DICOM标准兼容的电子文件的形式的“原始”MRI图像数据。在一些实施中,“原始”MRI图像数据302可以已经具有某一最低水平的例如由与获取部分(MRI获取系统102,图1)相关联的基于处理器的系统执行的图像预处理。
在304,MRI图像处理和分析系统对“原始”数据执行数据预处理。
该预处理可以例如包括可以由MRI图像处理和分析系统自主执行的相位误差校正306。在本文中的其他地方论述了适合于相位误差校正306的各种方法。
作为预处理304的一部分,MRI图像处理和分析系统可以例如在308执行组织分割。MRI图像处理和分析系统可以如圆圈包围的字母A所指示地自主地执行组织分割306。可替代地或者另外地,MRI图像处理和分析系统可以如圆圈包围的字母M所指示地人工执行组织分割308,例如通过与MRI图像处理和分析系统的交互(例如接收来自一个人的输入)。在本文中的其他地方论述了适合于组织分割306的各种方法。
作为预处理304的一部分,MRI图像处理和分析系统可以例如在310执行标记识别。MRI图像处理和分析系统可以如圆圈包围的字母A所指示地自主地执行标记识别310。可替代地或者另外地,MRI图像处理和分析系统可以如圆圈包围的字母M所指示地人工执行标记识别310,例如通过与MRI图像处理和分析系统的交互(例如接收来自一个人的输入)。在本文中的其他地方论述了适合于标记识别310的各种方法。
在312,MRI图像处理和分析系统对预处理后的数据执行可视化。
作为可视化312的一部分,MRI图像处理和分析系统可以例如在314执行速度加权体积渲染。在本文中的其他地方论述了适合于速度加权体积渲染314的各种方法。
作为可视化312的一部分,MRI图像处理和分析系统可以例如在316执行同时的矢量场和解剖结构可视化或渲染。在本文的其他地方论述了适合于同时的矢量场和解剖结构可视化或渲染316的各种方法。
作为可视化312的一部分,MRI图像处理和分析系统可以例如在318执行自然体积渲染过渡。在本文的其他地方论述了适合于自然体积渲染过渡318的各种方法。
作为可视化312的一部分,MRI图像处理和分析系统可以例如在320提供或者生成基于交互式标记的视图。在本文的其他地方论述了适合于基于交互式标记的视图320的各种方法。
作为可视化312的一部分,MRI图像处理和分析系统可以例如在322执行或者提供交互式3D体积分割。在本文的其他地方论述了适合于交互式3D体积分割322的各种方法。
作为可视化312的一部分,MRI图像处理和分析系统可以例如在324执行可视化引导的心脏和/或血管探询。在本文的其他地方论述了适合于执行或提供可视化引导的心脏和/或血管探询324的各种方法。
作为可视化312的一部分,MRI图像处理和分析系统可以例如在326执行或者提供立体3D矢量场和解剖可视化。在本文的其他地方论述了适合于立体3D矢量场和解剖可视化326的各种方法。
在328,MRI图像处理和分析系统对预处理后的数据执行可视化。
作为执行量化328的一部分,MRI图像处理和分析系统可以例如在330执行血管测量。MRI图像处理和分析系统可以如圆圈包围的字母A所指示地自主地执行血管测量330。可替代地或者另外地,MRI图像处理和分析系统可以如圆圈包围的字母M所指示地人工执行血管测量330,例如通过与MRI图像处理和分析系统的交互(例如接收来自一个人的输入)。在本文中的其他地方论述了适合于血管测量330的各种方法。
作为执行量化328的一部分,MRI图像处理和分析系统可以例如在332执行血流量化。MRI图像处理和分析系统可以如圆圈包围的字母A所指示地自主地执行血流量化332。可替代地或者另外地,MRI图像处理和分析系统可以如圆圈包围的字母M所指示地人工执行血流量化332,例如通过与MRI图像处理和分析系统的交互(例如接收来自一个人的输入)。在本文中的其他地方论述了适合于血流量化332的各种方法。
作为执行量化328的一部分,MRI图像处理和分析系统可以例如在334执行心腔体积量化。MRI图像处理和分析系统可以如圆圈包围的字母A所指示地自主地执行心腔体积量化334。可替代地或者另外地,MRI图像处理和分析系统可以如圆圈包围的字母M所指示地人工执行心腔体积量化334,例如通过与MRI图像处理和分析系统的交互(例如接收来自一个人的输入)。在本文中的其他地方论述了适合于心腔体积量化334的各种方法。
作为执行量化328的一部分,MRI图像处理和分析系统可以例如在336执行压力量化。MRI图像处理和分析系统可以如圆圈包围的字母A所指示地自主地执行压力量化336。可替代地或者另外地,MRI图像处理和分析系统可以如圆圈包围的字母M所指示地人工执行压力量化336,例如通过与MRI图像处理和分析系统的交互(例如接收来自一个人的输入)。在本文中的其他地方论述了适合于压力量化336的各种方法。
在338,MRI图像处理和分析系统执行自动结果验证。在本文中的其他地方论述了适合于执行自动结果验证338的各种方法。
在340,MRI图像处理和分析系统执行自动结构报告。在本文中的其他地方论述了适合于执行自动结构报告340的各种方法。
图3B示出了根据一个图示实施例的MRI成像和处理/分析环境中的数据流350的示意图。
MRI成像和处理/分析数据流350可以被分成三个部分或者阶段,即,图像获取阶段352、图像重构阶段354和后处理阶段356。
在图像获取阶段352期间,使用各种脉冲序列(PS1、PS2、PSn、4D流PS)来驱动MRI机的磁体,并且收集原始或K空间MRI数据或信息。该原始或K空间MRI数据或信息可以代表多个体素,并且包括每个体素的幅值和相位值。幅值代表解剖结构,而相位值代表血流或速度。
在图像重构阶段354期间对原始MRI数据进行处理。图像重构可以例如生成标准化文件,例如DICOM标准格式的MRI数据集。图像重构可以特定于MRI机制造商(例如,通用电气、西门子和飞利浦),并且可以采用由MRI制造商提供的软件或固件。通常,在MRI机所处的场所处本地地执行图像重构。
在后处理阶段356中进一步处理MRI数据集(例如,DICOM文件)。在一些特别有利的实施中,相对于图像获取阶段352和图像重构阶段354远程地执行后处理阶段356。例如,后处理阶段356可以在专用后处理设施处执行,该专用后处理设施可以甚至由与执行图像获取阶段352和图像重构阶段354的实体或多个实体(例如,临床设施或组织)分离且独立的实体来操作。
后处理阶段356可以被划分为操作阶段360、误差检测和/或校正阶段362、可视化阶段364以及量化阶段366。虽然按顺序进行了图示,但是这些阶段360-366可以以与图示顺序不同的顺序执行,并且可以不按顺序执行。例如,分组到每个阶段下的许多动作可以同时执行,或者一个阶段中的一些动作可以在另一阶段中的动作之前执行,而该一个阶段中的其他动作可以在其他阶段中的动作之后执行。
操作阶段360可以包括接收请求(例如具有MRI数据集的网页请求),将请求排成队列,并且提供响应。下文描述用于例如通过异步命令和成像管道架构来实施该操作阶段的许多技术。
误差检测和/或校正阶段362包括对MRI数据集执行误差检测,并且可能在此进行误差校正。误差检测和/或校正阶段362可以例如包括涡流检测和/或校正、相位检测和/或校正、图像解缠、幅值混叠检测和/或校正、相位混叠检测和/或校正、和/或伪影检测和/或校正。在本文中的其他地方详细描述许多误差检测和/或校正技术。误差校正和/或检测动作中的许多动作可以由渲染或后处理系统自主地执行,而其他动作可以利用人为干预或者向计算机的输入。
可视化阶段364可以包括多种动作,例如,通过分割,定义或设置标记(例如,解剖标记或结构),生成二维轮廓和/或三维体积。可视化阶段364可以另外包括在代表动脉血流和静脉血流的信息之间进行区别,以及例如通过合适的颜色(例如,蓝色、红色)对其进行标识。可视化阶段364可以另外包括识别代表不应在健康受试者中出现的血流的疑似分流,并且例如通过合适的颜色对其进行标识。可视化动作中的许多动作可以由渲染或后处理系统自主地执行,而其他动作可以利用人为干预或者向计算机输入。
在量化阶段366期间,可以对各种特征进行量化和比较。例如,量化阶段366可以采用质量守恒或流量守恒的概念。因此,可以对血流进行量化和比较。例如,进入体积中的血流通常应该与流出该体积的血流相匹配。该体积例如可以构成身体器官,例如脉管(如动脉、静脉、窦)或心脏、心脏的腔室。该体积可以是具有自然入口和自然出口的封闭结构。可替代地,该体积可以具有不与任何自然出现的入口或出口相对应的限定的入口和出口。例如,动脉的任何部分可以被描绘或确定为所述体积。还例如,两个或更多个解剖结构可以组合以形成或限定所述体积。
对进入和离开体积的流进行比较可以用于识别分流(例如,允许在正常、健康组织中不应出现的血流的缺陷)。将进入和离开体积的流进行比较可以用于证实或验证其他后处理动作,例如,证实动脉流与静脉留到一个或更多个体素的分割或分配。
在本文中的其他地方详细描述许多量化技术。量化动作中的许多动作可以由渲染或后处理系统自主地执行,而其他动作可以利用人为干预或者向计算机输入。
预获取
4D流定位器
4D流定位器是特定的脉冲序列(即,在MEI扫描或获取期间控制MRI机磁体的指令或驱动信号),该脉冲序列是特制的以收集用于高保真度4D流扫描或获取的信息。4D流定位器实质是第一遍扫描或获取,用以帮助为第二遍(即,高保真度4D流扫描或获取)规定合适的或优化的设置。在患者进入扫描仪之前,基于若干变量来选择4D流定位器的类型。将使用临床指征、造影剂的类型、造影剂用量、患者体重、患者身高和心率、硬件制造商、所使用心脏线圈的类型、以及硬件的类型(1.5T或者3T)来预测要使用的最佳定位器。然后将定位器数据发送给基于处理器的系统(例如,图像处理和分析系统的服务器)以建立特定于患者的4D流协议。
例如,定位器可以帮助选择VENC(速度编码)和所需的时间分辨率。例如,可以完全或者部分地基于在目标血管内发现的最大速度来选择VENC。可以使用查找表方法和/或插值法来选择VENC。图4A示出了具有针对各个速度范围的示例性VENC值的查找表400。
还例如,可以完全或者部分地基于用于MRI过程的线圈(例如心脏线圈)的通道数量来选择扫描的长度或持续时间。通常,通道的数量越小,信噪比(SNR)越低,这意味着需要更长的成像时间。图4B是示出了针对心脏线圈的总通道的数量的示例性扫描长度或持续时间的表402。
此外,随着更多的数据被收集并且发送给图像处理和分析系统的服务器,学习或细化算法能够基于输入参数的集合来检测要使用的最佳设置。该算法能够采用来自临床医师的反馈(例如,高保真度4D流扫描质量的范围为1-10),以训练该算法获知或者确认所选择的输出变量对于给定扫描(即,获取)而言是否合适。该算法可以采用一个或更多个人工智能(AI)技术,包括(但不限于)训练神经网络。如果不存在训练集,则会选择高保真度4D流扫描的输入变量的缺省值。一旦图像回到服务器,除了质量度量之外,该数据也用于确定下一扫描的设置应该是什么。目的在于使扫描质量随着时间或者过程的数量而增加。输入参数会增加或者减少以确定扫描质量是否增加或降低。一旦存在来自特定机构的足够数量的训练集,就能够使用多变量的优化算法来选择用于需要成像的任何新患者的最佳输入变量。
使用中,对于每个患者,MRI成像和分析系统可以生成特定于患者并且用于操作MRI机以获取MRI数据集的一个或更多个脉冲序列。例如,MRI成像和分析系统可以为患者生成4到6个脉冲序列。MRI机可以例如响应于由MRI机操作员或者技术人员进行的单个输入而执行脉冲序列。值得注意的是,这允许在不需要临床医师(例如,内科医师)的到场或者时间的情况下捕获或获取期望的MRI数据集。输入可以包括患者特征、梯度线圈的标识、和/或造影。
图5图示了根据一个图示实施例的利用4D流定位器和可选的细化算法的操作500的方法。
生成或者收集初始输入变量502,以生成4D流定位器504。可以例如通过MRI操作员系统112来收集输入变量502,例如由人输入和/或自动或自主地收集。输入变量502可以包括以下各项中的一项或更多项:临床指征、造影剂的名称或标识符、造影剂用量或者剂量、药剂浓缩注射或将药剂提供给患者或受试者之后过去的时间、患者或受试者的体重,患者或受试者的身高、患者或受试者的年龄、患者或受试者的心率、硬件制造商、制造号、型号、序列号或其他硬件标识符、线圈类型(如心脏线圈,通道数)、硬件磁强度(例如,1.5T、3T)、患者或受试者是否已经镇静的指示等。
可以通过基于处理器的设备来生成4D流定位器504。在许多实施中,基于处理器的设备是图像处理和分析系统的一部分,但是本文中的教导不限于此。例如,在一些实施中,可以由MRI获取系统的部件或一部分来生成4D流定位器。
利用4D流定位器504对MRI机进行操作生成或产生输出变量506的集合。至少在一些实施中,输出变量506可以采用4D流定位器图像的形式。
在508对输出变量(例如,4D流定位器图像)进行细化。例如,基于处理器的设备可以执行算法,例如机器学习算法。可替代地,可以采用神经网络来执行该细化。
如上所述,在,机器学习或其他方法可以允许细化、生成高保真度4D流的输入变量510的集合。高保真度4D流的输入变量510可以例如包括以下各项中的一项或更多项:扫描或获取的长度或持续时间、VENC、视场、重复时间(TR ms)、回波时间(TE ms)、行分辨率(mm)、列分辨率(mm)、切片分辨率(mm)、时间分辨率(ms)、翻转角(度)。
基于处理器的设备使用高保真度4D流的输入变量来生成高保真度4D流的扫描或获取512。高保真度4D流的扫描或获取512产生高保真度4D流的输出变量514。高保真度4D流的输出可以例如包括以下各项中的一项或更多项:4D流图像、扫描质量(如由一个或更多个专业人员评估的,例如范围为1到10)、在扫描期间发生的事件(例如,患者移动)。
可视化
动脉血流和静脉血流的隔离
为了突出左心脏(即,动脉)血流或右心脏(即,静脉)血流之间的不同,MRI图像处理和分析系统可操作以为每一方生成独特的颜色图(即,颜色梯度图)。MRI图像处理和分析系统利用2D渲染或者3D渲染(即,迹线和流线)来生成具有以各自的颜色图着色的体素的图像数据。通常,动脉血流会具有基于红色的颜色图,而静脉血流会具有基于蓝色的颜色图。在健康的系统中,除了例如在肺中的微观层面上之外,这两种血池从不彼此接触。为了决定身体中的体素属于哪一方,MRI图像处理和分析系统针对每个体素执行检测或确定体素属于哪个面元并且对该体素分配合适的颜色的算法。
在图6中图示了根据一个图示实施例的生成血流的颜色图的方法600。
方法600例如响应于被调用例程调用而开始于602。
在604,对于多个体素中的每个体素,MRI图像处理和分析系统确定给定体素是否在血池中。为了确定此,MRI图像处理和分析系统能够采用多种分割算法或方法(例如本文中描述的各种分割算法或方法)中的任一种。MRI图像处理和分析系统可以自主地执行分割和/或确定以识别封闭的体积或区域或路径。可替代地,MRI图像处理和分析系统可以接收来自操作人员或用户的、识别给定体素是否在血池中或者以另外的方式促进血组织或非血组织之间的分割的输入。该确定可以重复进行,直到例如所有体素都已被分析为止。
在606,如果确定给定体素在血池中,则MRI图像处理和分析系统标记(例如逻辑上)、识别该给定体素,或以另外的方式将给定体素逻辑地分配为血类型组织。
在608,MRI图像处理和分析系统将已经被标记或识别为血液的所有相邻的体素放置到同一面元中。如果这些面元随着时间空间地彼此接触,则MRI图像处理和分析系统将接触的面元的体素合并到同一面元中。可选地,MRI图像处理和分析系统可以计算血池中的流线和/或迹线,其能够突出哪些面元是相连的。
在610,MRI图像处理和分析系统计数面元的数量。理想地,仅会具有两个面元,一个对应于动脉血流,并且一个对应于静脉血流。
在612,MRI图像处理和分析系统确定是否存在多于两个面元。如果MRI图像处理和分析系统确定有多于两个面元,则控制转到614。否则控制转到626。
具有分流(即,左心脏流和右心脏流之间的连接)的区域通常指示医学问题或异常情况。如在614所指示的,MRI图像处理和分析系统可以对这些区域执行分流检测方法或算法。在本文中的其他地方描述了合适的分流检测方法或算法。例如,MRI图像处理和分析系统可以确定或识别其中相邻面元通过小于限定阈值数量的体素或者限定阈值面积的多个体素而连接的区域。例如,如在616所图示的那样,如果阈值为10个体素,则MRI图像处理和分析系统可以将利用小于10个的体素将两个较大体积的血流连接在一起的任何区域试验性地标记或识别为分流。必须注意不应该假定这些区域一定就是分流。这些区域可能例如是狭窄的瓣膜或狭窄。可选地,在618,MRI图像处理和分析系统为操作员或者用户在视觉上着重显示(即,突出)这些区域。如在620所指示的,操作员或用户能够非常快速地在视觉上确认分流的存在或者不存在,并且提供由MRI图像处理和分析系统接收的相应输入。在622,MRI图像处理和分析系统相应地标记或标识对应的体素。在624,MRI图像处理和分析系统基于确认分流的存在或者不存在的用户输入来更新或分配与区域相关联的颜色。例如,如果确认存在分流,则MRI图像处理和分析系统将对应的区域着色为既非红色也非蓝色的颜色图。而是,MRI图像处理和分析系统可以使独特的颜色与该体素区域相关联,以便为操作员或用户在视觉上着重显示(例如,突出)该区域。
在626,MRI图像处理和分析系统确定面元是对应于静脉流还是动脉流。在本文中参照图4和5论述了确定面元是对应于静脉流还是动脉流的各种方法。在628,MRI图像处理和分析系统将两个面元中的每个面元中的体素与各自的颜色或一组颜色相关联,例如蓝色用于动脉流,而红色用于静脉流。方法600终止于630。
图7示出了根据一个图示实施例的确定面元是对应于静脉流还是动脉流的方法700。如果解剖标记(即,空间中的点,例如左心室的尖端)已经被限定,允许简单地仅选择在血池内的标记,则所述方法700是特别适合的。在本文中的其他地方描述了识别和/或选择标记的技术。
为了定义动脉血流,在702,MRI图像处理和分析系统可以识别或选择与动脉血流相关联的解剖标记中的一个或更多个,或者可以接收根据对与动脉血流相关联的解剖标记中的一个或更多个的人工识别或选择的用户输入。解剖标记可以例如包括以下各项中的一项或更多项:主动脉瓣点、二尖瓣点,和/或主动脉(例如,主动脉窦中的点、升主动脉中的点、位于主动脉弓顶部的点、降主动脉中的点)。
为了限定静脉血流,在704,MRI图像处理和分析系统可以识别或选择与静脉血流相关联的解剖标记中的一个或更多个,或者可以接收根据对与动脉血流相关联的解剖标记中的一个或更多个的人工识别或选择的用户输入。解剖标记可以例如包括以下各项中的一项或更多项:肺动脉瓣点、三尖瓣点、左肺动脉中的点、右肺动脉中的点、下腔静脉中的点、和/或上腔静脉点中的点。
在706,MRI图像处理和分析系统可以自主地找出或确定面元中的最近点到每个解剖标记点之间的距离。理想地,该距离应该为零,这是由于每个标记处于相应的一个血池中。在708,根据解剖标记是在动脉血池中还是在静态血池中,MRI图像处理和分析系统将最接近每个解剖标记的每个面元分配给动脉血流或静脉血流。在710,MRI图像处理和分析系统确定是否具有冲突。冲突指示要么存在分流,要么连接的体素组处于错误的面元中。在712,MRI图像处理和分析系统响应于冲突的识别而提供指示或通知。
MRI图像处理和分析系统例如自主地或者响应于操作员或用户的输入而实施图像导航。例如,MRI图像处理和分析系统实施距离滚动,允许通过限定数量的空间切片的在某限定的空间方向(例如,沿着X轴、y轴或z轴)上的运动,以及对空间切片之间进行数据比较。例如,MRI图像处理和分析系统实施时间或时间上的滚动,允许通过限定数量的时间上连续的切片的在某限定的时间方向(例如,增加时间、减小时间)上的运动,并对时间切片之间进行数据比较。如本文中的其他地方所指出的,MRI图像处理和分析系统可以有利地使用所采用的切片之间的比较来确定伪影。例如,MRI图像处理和分析系统实施缩放和/或平移操作,允许操作员或用户对图像的一部分进行缩放或者在图像上进行平移。
图8示出了根据一个图示实施例的确定面元是对应于静脉流还是动脉流的方法800。方法800特别适合于解剖标记还未被确定的情况。
方法800例如响应于被调用例程调用而开始于802。
方法800是基于矢量角的。在804,MRI图像处理和分析系统找出心脏的形心。这可以自主地执行或者可以是基于操作员或用户输入的。例如,形心实际上能够从DICOM标签中提取,这是由于在这些区域中存在患者坐标系,并且其中0,0,0对应于患者解剖中的特定点。
在806,MRI图像处理和分析系统确定或识别面元中具有阈值之上的的相干性的所有体素。在808,针对面元中具有阈值之上的相干性的所有体素,MRI图像处理和分析系统计算在所有时间点上的平均速度和连接体素的形心与心脏的形心的矢量之间的角度。MRI图像处理和分析系统然后计算面元中的所有体素和形心之间的平均角度。在810,MRI图像处理和分析系统确定是否有另外的面元要处理,在812,使面元递增进入循环814,以针对所有面元重复计算806、808。由于动脉血流移动远离心脏,在816,因此MRI图像处理和分析系统将具有最高平均角度的面元分配成动脉血流。在818,MRI图像处理和分析系统将具有最低平均角度的面元分配成静脉血流。
方法800终止于820。
另外地或者可替代地,MRI图像处理和分析系统可以采用概率。基于在其中已经对血池进行识别的若干其他数据集,MRI图像处理和分析系统能够创建图集,并且然后将新的数据集与该图集进行比较。通过共同注册该图集和新的数据库,MRI图像处理和分析系统能够给面元分配正确的血池。
另外地或者可替代地,MRI图像处理和分析系统可以采用速度信号。值得注意的是,静脉的血速波形相对于动脉的血速波形而言是独特的(例如,较低的流速,以及波形的形状是独特的)。
基于方向相干性的血流过滤器
过滤器可以用于通过测量方向相干性来隔离血流体素。
过滤器可以是确定特定体素处的3D流矢量与其相邻的体素的流矢量相比的相似程度的4D特征提取算子。过滤器可以确定在给定时间在特定体素处的3D流矢量与在该给定时间之前或之后的时间点处同一体素的3D流矢量的相似程度。这可以有助于过滤掉随机噪声,使得隔离血管。
过滤器能够每个时间点生成在一个体积中,以允许移动血管。可替代地,过滤器能够生成为所有时间点上平均的一个体积,这本身通常实现更好的降噪。平均周期能够从影像的长度(即,产生的获取持续时间)改变成心脏或呼吸相位。
过滤器能够协助另一过滤器以利用布尔或加权函数来进一步去除随机噪声,例如(解剖_幅值*速度_幅值)。
由于两种过滤器均仅依赖于单个输入(例如,百分比阈值),因此过滤器能够被组合成单个2D输入手势。一个示例是从左向右移动增加方向相干性百分比阈值,而从下向上移动增加第二过滤器的百分比阈值。
由于速度体积的质量/幅值随着解剖部位、场所、扫描仪等改变,因此能够对于每个元数据的组合使用用于这些过滤器的不同缺省值。
通过以下步骤来计算对于特定体素的方向相干性:对体素和所有可适用的相邻体素之间的加权的方向相干性得分方向相干性进行求和,并且除以应用的所有权重之和。例如,如果体素处于体积的左边缘,则可适用的相邻体素由对于所有尺寸(除了左侧)处于给定半径内的所有体素以及在相邻时间点体积上的相同中心的体素构成。
通过以下步骤来计算两个体素之间的方向相干性得分:对归一化速度矢量进行点乘,使其运行通过函数ACOS以获得角度差,并且然后在0到Pi之间缩放该角度以获得0到1的结果。然后将该结果乘以权重(表示体素之间的距离)。如果体素中的一个具有幅值为零的速度,则将缺省得分0.5乘以所述权重。
通过以下步骤来计算应用于方向相干性得分的权重:找到所有三个维度的最小间隔,并且将该数字除以体素之间的距离(由间隔限定)。例如,对于相邻切片、整个列和一行上的体素的“权重”会是:min_间隔/sqrt(列_间隔2+行_间隔2+切片_间隔2)。
在计算出所有方向相干性得分后,找到最小和最大值并且将其用于在给定范围内缩放得分以便更有效的阈值化。
量化
结果验证
有提供洞悉流量数据是否正确的物理原理。例如,进入封闭体积的流必须等于离开该封闭体积的流。进入和离开封闭体积的流的值之间的失配可以指示分流或其他解剖学问题。MRI图像处理和分析系统可以以各种特定方式利用该通用原理。这可以例如被确定为对体积进行切片的平面的法向矢量与在每个点或体素处的速度矢量的点积。对于净流量,可以对该点积在时间上进行积分。流量例如可以被表示为每单位时间的压力(例如,毫巴每秒)或者每单位时间的容积(例如,升每秒)。
i)进入封闭血管或者其一部分的流必须与离开封闭血管的流相匹配。MRI图像处理和分析系统能够自主地识别或者由操作人员使用以识别血管或管腔或其他描绘的体积或者各种器官的空腔,然后识别血管或管腔或描绘的体积的入口和出口。该入口和/或出口可以是管腔或物理端口或开口的解剖学上显著的起点或终点。可替代地,该入口和/或出口可以是逻辑构造,例如定义的向内间隔开的自然起点、终点或开口或端口。MRI图像处理和分析系统能够自主地确定入口处的流值与出口处的流值是否例如在某一限定阈值内(例如,1%)相匹配。MRI图像处理和分析系统能够提供对确定结果的指示。例如,MRI图像处理和分析系统能够提供流不匹配的指示、失配的量或百分比的指示、和/或流匹配的指示。
ii)通过胸升主动脉的流量应与通过上腔静脉(SVC)和胸降主动脉的组合的流量相匹配。MRI图像处理和分析系统能够自主地识别,或者由人工操作员使用以识别胸升主动脉、SVC和胸降主动脉。MRI图像处理和分析系统能够自主地确定通过胸升主动脉的流量值与通过SVC和胸降主动脉的组合的流量是否例如在某一限定阈值内(例如,1%)相匹配。MRI图像处理和分析系统能够提供对确定结果的指示。例如,MRI图像处理和分析系统能够提供流不匹配的指示、不匹配的量或百分比的指示、和/或流匹配的指示。
iii)通过SVC和下腔静脉(IVC)的组合流量应该匹配通过肺脉管(PA)的流量。MRI图像处理和分析系统能够自主地识别,或者由人工操作员使用以识别SVC、IVC和PA。MRI图像处理和分析系统能够自主地确定通过SVC和IVC的组合的流量值与通过PA的流量是否例如在某一限定阈值内(例如,1%)相匹配。MRI图像处理和分析系统能够提供对确定结果的指示。例如,MRI图像处理和分析系统能够提供流不匹配的指示、不匹配的量或百分比的指示、和/或流匹配的指示。
iv)通过PA的流量应该与通过右肺脉管(RPA)和左肺脉管(LPA)的流量相匹配。MRI图像处理和分析系统能够自主地识别,或者由人工操作员使用以识别PA、RPA和LPA。MRI图像处理和分析系统能够自主地确定通过PA的流量值与通过RPA和LPA的组合的流量值是否例如在某一限定阈值内(例如,1%)相匹配。MRI图像处理和分析系统能够提供对确定结果的指示。例如,MRI图像处理和分析系统能够提供流不匹配的指示、不匹配的量或百分比的指示、和/或流匹配的指示。
v)通过LPA的流量应该与通过所有左肺静脉的流量之和相匹配。MRI图像处理和分析系统能够自主地识别,或者由人工操作员使用以识别LPA和左肺静脉。MRI图像处理和分析系统能够自主地确定通过LPA的流量值与通过所有左肺静脉的流量是否例如在某一限定阈值内(例如,1%)相匹配。MRI图像处理和分析系统能够提供对确定结果的指示。例如,MRI图像处理和分析系统能够提供流不匹配的指示、不匹配的量或百分比的指示、和/或流匹配的指示。
vi)通过RPA的流量应该与通过所有右肺静脉的流量之和相匹配。MRI图像处理和分析系统能够自主地识别,或者由人工操作员使用以识别RPA和右肺静脉。MRI图像处理和分析系统能够自主地确定通过RPA的流量值与通过所有右肺静脉的流量是否例如在某一限定阈值内(例如,1%)相匹配。MRI图像处理和分析系统能够提供对确定结果的指示。例如,MRI图像处理和分析系统能够提供流不匹配的指示、不匹配的量或百分比的指示、和/或流匹配的指示。
vii)在不考虑切割封闭体积的平面的取向的情况下,通过封闭体积的流量应该相同。MRI图像处理和分析系统能够自主地识别,或者由人工操作员使用以识别与给定点相交并且每个以各自的取向穿过血管的两个或更多个平面(即,各自与同一点相交的具有不同法向矢量的两个或更多个平面)。MRI图像处理和分析系统能够自主地确定对于所有平面而言在整个心搏周期上的流量是否至少在某一限定阈值内相匹配。MRI图像处理和分析系统能够提供确定结果的指示。例如,MRI图像处理和分析系统能够提供流不匹配的指示、不匹配的量或百分比的指示、和/或流匹配的指示。
viii)离开心腔的流量应该与心脏的每个心腔的收缩和舒张体积的变化相匹配。MRI图像处理和分析系统能够自主地识别,或者由人工操作员使用以识别一个或更多个心室。MRI图像处理和分析系统能够自主地确定。MRI图像处理和分析系统能够提供确定结果的指示。例如,MRI图像处理和分析系统能够提供流不匹配的指示、不匹配的量或百分比的指示、和/或流匹配的指示。
MRI图像处理和分析系统可以人工地或自主地执行上述操作中的任一个或更多个作为验证结果。这能够提供指示流量值的准确度的置信度测量。例如,与仅提供(例如,显示)流量值(例如,5.4L/min)不同,结果验证允许MRI图像处理和分析系统提供指示准确度(例如,5.4L/min±0.3L/min,置信区间为95%)的结果。误差估计能够通过评估上面列出的关系式的左侧和右侧之间的差异来确定。此外,其他误差估计能够通过扰乱测量若干次(例如,在位置、取向、和轮廓的扩张/侵蚀上),从而生成能够统计地评估的若干测量结果(例如,平均值、95%的置信区间等)。知道数据或结果中的可能的误差的水平还能够帮助其他的预处理算法(例如,涡流校正)。例如,这可以通过实施算法得知数据在哪个方向上歪曲,以使得数据或结果更准确而加以应用。
分割
流驱动的分割
本文中描述的各种实施有利地采用血流数据集(即,x速度、y速度和z速度)作为任何类型的量化的输入。常规地,仅解剖(即,幅值)数据集已经被用于磁共振(MR)量化。例如,血流数据集能够充当血流量化的代理,并且还能够用作用于确定血管或腔室的管腔边界的输入(即,对解剖数据集进行分割)。血流数据集还能够用于计算压力、壁剪切应力、以及确定如何渲染2D和3D图像。流是如何改变图像渲染的一个示例为:MRI图像处理和分析系统可以仅渲染与某一流动条件(即,如果该体素的速度幅值大于某一限定的阈值,例如用户限定的阈值)匹配的解剖体素。
一个示例是流驱动的分割(例如,体积、面积、流路),用以将血与其他组织类型隔离开。作为特定示例,进行对心室的体积分割。扫描中的一些时间点可以对于心室中的流具有非常高的幅值。MRI图像处理和分析系统可以使用这些时间点以获取腔室的几何模型。一旦已经从高流量幅值的时间点处获得几何模型,则MRI图像处理和分析系统能够将模型与幅值扫描共同记录。MRI图像处理和分析系统可以随后记录具有其他时间点的模型以找出使具有其他时间点的模型排列成行的非线性变换。
提供了用于在血管中给定的种子点、在种子点处识别到具有最高流量幅值的时间点的情况下,分割血管并且确定血管横截面的管腔边界的示例性算法。该时间点指示最强的血液射流正移动通过血管。所述系统使用解剖和速度数据的组合以便确定与流向垂直的横截面。流向给出了对正常使用的横截面的强烈指示。在一些情况下,流可以具有可能导致不良结果的紊流。另外,所述系统可以在种子点处采用粗略的半球的矢量,其中最接近流向的矢量具有最高的权重。对于构成该半球的矢量中的每一个,与半球上的矢量垂直地投射若干条射线。这些射线终止于解剖像素强度和速度幅值两者的变化的幅值已经充分改变时。这提供了该平面上的血管的边界的近似值。种子点、射线n的终点和射线(n+1)的终点形成三角形。所述系统计算所有生成的三角形的面积之和。具有从该计算获得的最小面积的半球上的矢量被选择为最垂直于流向的平面的法向。
接下来,多平面重构(MPR)被重新采样,将在初始种子点处、最强流时间点的解剖和速度数据两者与来自前一步的法向矢量进行组合(即,相乘)。可以使用称为主动轮廓模型或蛇模型的技术来找出描绘血管的管腔边界的轮廓。基于投射的射线的终点来创建种子轮廓以找出面积测量结果。然后,主动轮廓尝试找出描绘管壁的平滑轮廓。通过应用利用梯度下降的能量最小化函数来找出该平滑轮廓。能量函数中涉及的力包括:1)对于轮廓上的点利用有限差分获得的具有第一和第二导数的内力;2)从形心不断向外推的外力(气球力);和3)将点朝向具有大梯度幅值的区域拉的外力。
内力确保了轮廓是平滑的。向外的推力用来通过MPR扩大轮廓。朝向大梯度幅值拉的力应该克服气球力,并且使轮廓受重力作用下沉至管壁。由于确定血管管腔边界的算法严重地受MRP内的梯度影响,因此首先例如利用高斯卷积使MRP平滑化。一旦找出了最强流时间点的轮廓,则以同一方式对其余的时间点进行评估。由于主动轮廓模型可能是非常敏感的,如果轮廓在面积或曲率上充分偏离的话,则其被视作抛除。已经被抛除的任何轮廓都被替换为来自相邻时间点的轮廓的线性混合的轮廓。
全过程
异步命令和成像管道
通过网页套接字协议利用持久连接将命令从客户端发送给服务器。通过标准,经由同一网页套接字连接使图像返回。由于用户事件能够以比应用能够生成图像并且使其返回到客户端的频率显著更高的频率发生,因此必须对一些事件进行静噪处理。利用异步命令和图像管道允许每个重要用户事件被发送到服务器或者由服务器处理。所有重要事件都被捕获至持久层,并且必要时允许有时间决定要对哪些事件进行静噪处理(如果有的话),以创建最佳可能的用户体验。图像会仅被处理和以网络能够达到的速度返回到客户端。
位于远程的渲染系统(即,图像处理和分析系统)涉及的架构设计包括将命令从客户端发送到网页服务器、网页服务器解释这些命令,以及一个或更多个计算服务器生成图像或计算结果,例如通过网页服务器将这些图像或计算结果发送回客户端。如果消息涉及能够分散的工作,则可以使用多个计算节点,否则消息会被路由至合适的计算节点。其中每个用户事件生成图像或计算的简单设计的问题在于:用户事件能够以比渲染系统能够生成结果并且通过服务器经由网络将所述结果返回到客户端的频率显著更高的频率发生。此外,简单静噪事件能够导致将重要用户交互丢失。
网络可以采用异步命令和成像管道,其使用两个通信通道,一个用于客户端向服务器发送命令,一个用于服务器向客户端发送响应。该方法允许将所有事件捕获到持久层,并且智能地决定要对哪些事件进行静噪处理,以及相反地要对哪些事件提供服务,以创建最佳可能的用户体验。会仅以图像处理和分析计算能够执行和传输的速度对结果进行处理并且使其返回到客户端。在图9A和9B中图示了异步命令和成像管道900的操作的一个示例。如图9A所示,客户端902发起消息904。中间层906接收消息904并且确定哪个计算服务器会处理该消息。在908,中间层906核实确定计算服务器910(例如,图1的图像处理和分析系统104的服务器)是否已经忙于执行等效命令。如果计算服务器910不忙,则消息904立即被转发至计算服务器910,如箭头912所示。否则,将消息910放置在命令槽914中,如箭头916所示,以在从计算服务器910接收完成事件时执行。如果另一消息904在计算服务器910准备好之前到达,则命令槽914中的消息被替换为更新的消息。可替代地,更新的消息可以添加到队列中。
如图9B所示,在计算服务器910已经完成执行命令918时,计算服务器910生成完成事件920。中间层906接收完成事件920并且如箭头924所示地将响应922转发至客户端902。在926,中间层906确定命令槽914中是否具有消息。如果命令槽914中有消息,则在完成事件920退出时,中间层906如箭头928所示地将消息904发送给计算服务器910,并且将命令槽914清空。
作为合适的成像管道的另一示例,一些工作流需要同时渲染具有相关特性的多个图像。在一些情况下,当前的工作流动作可能需要同时查看例如20个图像。如果利用不同的请求来恢复这些图像中的每个,则由于在创建和发送请求中具有显著的开销,因此效能会大大地降低。相反,所有图像都可以被渲染到一个大图像上或者成一个大图像,并且发送生成“精灵表”的对此的仅单个响应。客户端然后通过使用像素错位显示所述图像。例如,如果视图具有各自为256x256的四个图像,则精灵表可以为256x1024,其中图像中的每个被放置或布置在另一个之上。客户端然后会通过利用0、256、512和768的错位来显示256x256的4个图像。
此外,图像中的任何线、标记、平面都在客户端上被绘制成叠层,并且通知客户端如何渲染叠层的所述信息通过基于文本的消息来自服务器。这提供与在服务器上对叠层进行渲染并且然后被编码成JPEG进行传输的情况相比对叠层数据更高质量的渲染。
工作流构架
描述4D流的主要优点之一在于在获取期间,没有必要使放射科医师在场。技术人员仅仅需要定位胸或者目标区域,然后按下一个按钮开始获取该目标区域。这显著地地改变典型心脏MR工作流。此外,由于离线处理,患者能够在获取后立即离开扫描仪。如果技术人员担心图像质量,或许由于患者在获取期间移动,则加速度的重构能够用于在5分钟或者更短时间内为技术人员恢复1个心脏图像相位。一旦技术人员已经验证了图像质量,则他们能够感到有信心让患者离开。一旦4D流扫描已经结束,就发送原始数据用于自动的图像重构(这能够在扫描仪处在线进行或者离线进行)。如果这离线进行,则其能够在医院网络或者Morpheus云中进行。在图像重构之后,工作流就要取出DICOM图像并且将其输入到Morpheus软件中。这时,Morpheus技术人员或者医院技术人员经过上面突出显示的工作流步骤(图像预处理、分割、可视化和量化),以处理离线的情况。目标在于为临床医师建立这样的情况,使得在临床医师坐在Morpheus软件的前方时,他们所需要做的就是验证和注解所述报告。目标在于使该过程在10分钟或者更短的时间内完成。该工作流与现今市场上的许多其他软件应用非常不同,主要是由于非常少的软件应用连接到中央数据库(即,在云中)并且具有允许多个用户在任意设备(例如,家用笔记本、平板电脑等)上快速访问该数据的灵活性。
匿名化服务
对于通常命名为受保护的健康信息(PHI)的一类信息具有许多规章要求。许多临床设施(例如,医院)或者运行临床设施的实体不希望任何PHI离开他们的网络或控制。相似地,为了避免复杂的处理和安全要求和消除或减小潜在的不利,向医疗设施提供服务的实体可能期望与PHI隔离。联网环境的各种实施可以实施阻止PHI离开医疗设施本身的网络的服务。
在本文中描述了一些方法,优选方法基于拥有PHI的数据库的位置。
在包含PHI的数据库和需要访问PHI的计算机节点都在医疗设施本身的网络内的情况下,通常具有允许用户访问由在医疗设施本身的网络之外的位于远程的MRI成像和分析系统所提供的MRI成像和分析服务的两种不同的实施方式。
1)第一种实施方式采用多个防火墙。临床设施(例如,医院)部署应该由几个安全层构成。安全的临床设施网络应该包含所有的PHI信息(例如数据库、数据文件)。MRI图像处理和分析系统(例如,其服务器组件)应该在控制区域(DMZ)或者外围网络配置中运行,其具有对数据存取的安全的临床设施网络的根据需要通过防火墙适当的访问权限。另一防火墙应该将DMZ与互联网分隔开,并且应该仅仅端口80和443通过互联网暴露于公众。这样,用户能够通过正常URL从远程位置或者网络(例如,家)登录,并且从远程位置或者网络访问(例如,查看)PHI。
2)第二种实施方式采用虚拟私人网络(VPN)。用于访问由MRI图像处理和分析系统提供的服务的特定URL仅仅在客户端服务器首先通过临床设施的VPN连接的情况下才能访问。
在临床设施不希望在医疗设施本身的网络和需要访问PHI的计算机节点之外的数据库中的PHI被托管到临床设施网络之外的情况下,匿名化服务能够在临床设施网络内运行。匿名化服务接收原始DICOM文件、通过移除任何明文PHI将原始DICOM文件匿名化、并且将明文PHI替换为PHI的哈希(例如,将DICOM图像中的所有PHI域都确定和转换成加盐哈希)。使明文PHI变成哈希的秘钥被保持在医疗设施本身的网络内并且可由匿名化服务访问。
该匿名化服务能够以至少两种方式运行。
1)第一种实施方式采用代理服务器。在请求来自临床设施网络之内或者之外的客户端时,请求经过代理服务器并且匿名化服务将所述哈希替换为明文PHI。这允许客户端总是看到PHI。在该实施中,所有HTTP/S请求都被汇集至代理服务器。
2)第二种实施方式采用一次性查找。在客户端连接到位于临床设施网络之外的MRI图像处理和分析系统的服务器时,标志向客户端指示客户端是否正丢失渲染PHI所需的信息。如果客户端不具有明文PHI,则客户端连接到匿名化服务并且通过提供哈希或标识符(ID)来请求PHI。然后基于该提供的哈希或ID将正确的明文PHI提供给客户端。只要该环节是活动的,然后在本地存储(缓存)所接收的PHI。在用户退出登录时,客户端清除缓存。
在全部上述实施中,PHI在客户端、匿名化服务、加密服务之间进行传递。此外,任何存储的数据还可以具有加密的形式。
在客户会希望在云中托管其PHI,但是在一些情况下希望在其客户端中隐藏PHI的情况下,创建匿了名化过滤器(其会是匿名化服务的一部分)。匿名化过滤器是安装在客户端数据流上的过滤器,其检查经过过滤器的通信量并且在允许通过通信血管处理数据之前将PHI移除(其是流数据过滤器)。
相位混叠检测和/或校正
相位混叠通常是MRI数据集中的某些信息2π错位的结果。相位混叠可以例如表现为错误颜色的体素,例如黑色体素的外观代表第一方向的血流,其中直接相邻的体素是代表第二方向(例如与第一方向相对)的白色。相位混叠可以是由于速度编码(VENC)参数没有被正确地设置。值得注意的是,通常期望将VENC参数设置为高以实现更好的分辨率,但是将设置参数设置得太高会倾向于使得体素表现为“消极”图像。
为了对此进行检测,MRI图像处理和分析系统可以检测解剖结构的体,例如血管。MRI图像处理和分析系统然后可以分析在检测边界内的每个体素,确定在界定体积内的流都处于同一方向或者在同一方向的限定角度阈值内。特别地,MRI图像处理和分析系统可以对每个体素的各自矢量进行比较,所述矢量指示由特定体素代表的组织的运动方向。MRI图像处理和分析系统可以标记看起来异常的体素。MRI图像处理和分析系统可以检查相邻的体素(例如最接近的相邻体素)和/或在某一限定程度上向外的下一个最接近的相邻体素。例如,MRI图像处理和分析系统可以最初检查在二维或更典型是三维上最接近于给定体素的相邻体素。响应于确定一个或更多个明显异常的相邻体素,MRI图像处理和分析系统可以向外迭代至下一水平的体素。其可以包括所有与第一明显异常的体素最接近的相邻体素,或者与第二或者稍后确定的明显异常的体素最接近的相邻体素。MRI图像处理和分析系统根据明显异常的体素的集合限定或形成目标区域(ROI)。
另外地或者可替代地,MRI图像处理和分析系统可以采用连续性或质量守恒。例如,MRI图像处理和分析系统可以确定进入界定体积的流量是否匹配离开界定体积的流量。
在一些实施中,MRI图像处理和分析系统可以例如通过添加校正值(例如,2π)尝试校正相位混叠。其他方法包括多VENC法,其中在各种VENC参数(即,不同频率)下尝试了多遍以看看哪种效果最好。
信号解缠
在一些情况下,图像中的一些部分中的出现可能看起来处于不正确的位置中。例如,图像的下部或者底部可能看起来处于图像或帧的顶部。这是由于数据或信息的不正确的顺序,这由于信号是周期性的而通常导致在图像的端部(例如,上端、下端)处的不正确的渲染。该时间误差可以称为图像包裹或者大小混叠。
在这种情况下,MRI图像处理和分析系统可以实施校正动作,例如从图像中修剪掉不正确定位(例如,异常)的部分或者甚至通过将不正确定位的部分移动至图像或图像帧内的正确位置校正图像。在一些实施中,MRI图像处理和分析系统能够依赖于用户输入以确定不正确定位的部分。在其他实施中,MRI图像处理和分析系统可以自主地确定不正确定位的部分。例如,MRI图像处理和分析系统可以分析图像数据的不连续性。例如,MRI图像处理和分析系统可以通过时间切片的一致性比较用于时间切片的图像。MRI图像处理和分析系统可以例如确定在体素强度值的梯度或等级。例如,静态组织中的大小的大变化(例如,加倍)不应该发生,因此其被检测为错误。
其他伪影
在一些情况下,伪影可能出现于MRI数据集中。例如,患者或其部分的移动可能会导致所生成图像的模糊。还例如,金属的存在可能导致在所生成的图像中的条纹或其他视觉伪影。造影剂也可能生成伪影。
通常,这些伪影难以校正。但是,MRI图像处理和分析系统可以检测伪影的存在,并且提醒医疗服务提供者(例如,内科医师)在数据集中存在伪影。
流驱动分割
所述系统可以例如自动或者自主地确定4D流信息中的结构(例如,1D、2D、3D流结构),并且可以表示临床标记。例如,所述系统可以自动或者自主地确定临床标记(例如,解剖的和/或时间的临床标记或者临床标志)临床标记可以例如包括动脉瘤、狭窄症和血小板中的一个或更多个。临床标记可以例如包括解剖标记标记或标志,例如各种心脏结构,例如心尖、主动脉,下腔静脉,和瓣(例如二尖瓣或三尖瓣)。临床标记可以例如包括其他已知的结构和/或其他标记。在一些情况下,所述系统可以使用结构以表示各种临床标记。所述系统可以例如自动或者自主地分割或刻画各种结构或临床标记。例如,例如至少部分地基于与其他身体组织(例如,心脏组织)的较低动态性相比肺中的空气的高动态性,所述系统可以将肺与其他身体组织分割开或刻画开。还例如,再次至少部分地基于血液组织相对于非血液组织的较动态和/或周期性,所述系统可以将血液组织与非血液组织分割开或者刻画开。还例如,所述系统可以将流体基质(例如,肺中的空气、脉管或心脏中的血液)与非流体组织(例如,血脉管、心脏、脂肪)分割开或者刻画开。
身体特定位置中的血流能够通常特征在于随着时间的血流速度。这特别适用于在心脏内和在身体主动脉和静脉中的血流。由于心搏周期的节律性,在具有时间分辨率的速度数据集中特征化血流图案的一种方法是检验在可用时间点上在每个体素或像素处计算的离散傅里叶变换(DFT)的分量进行的,在所述数据库中,时间点均匀地分布在单个心搏周期上。分析能够通过一个或更多个处理器利用要么单独的速度分量(x、y和z)的变换或者合成速度量的变换来执行。
DFT分量是对于将血池从静态组织分割开是有用的。为此目的,低阶非DC分量是最有用的,这是由于这些分量强烈地示出了在心脏内和在主动脉和与心脏相连的静脉中的血流,而静态组织中的由涡流和其他源生成的任何错误的速度信号倾向于随着时间是基本静态的。在肺内和在身体之外的空气与其通常高的速度信号一起还会倾向于在该变换中强烈地示出,但是利用其他技术(例如解剖的图像中的简单阈值)将这些区域容易地移除。
由于不同血流区域(例如,主动脉相比于下腔静脉和上腔静脉)会具有不同各自的形状或者流图案,因此设计为在胸扫描内定位所有血流的普通掩膜能够通过在不考虑其相对大小或相位的情况下将期望的DFT分量组合在一起而获得。这种掩膜的应用会通常有助于将血池从静态组织分离。能够经由系统在考虑了DFT分量的相位和大小的情况下生产设计为确定血池特定区域的更精制掩膜膜。DFT分量的相位能够与峰值收缩的时间点进行比较,基于相位与期望值之间的偏差将概率分配给每个像素。峰值收缩的时间点可以通过在其他地方描述的各种技术来确定。相似地,所述系统可以检验不同DFT分量的相对大小并且基于流的期望特性生成概率值。所述系统可以将概率值与整个血液掩膜结合以生成用于特定目标血池区域的高度精确的血液掩膜。特别地,利用该技术能够容易地将主动脉和肺动脉中的血流的高度特征化的时间性与血池中的其余部分区别开和分割开。
由于其确定动脉流的强度,以这种方式生成的用于来自心室的动脉流的血液概率掩膜具有如下特性:能够将所获得的概率值的直方图用于由系统在没有用户协助的情况下(即,自主地)自动地确定合适的概率截断值。一旦确定了动脉掩膜的合适的概率截断值,所述系统可以使用所生成的掩膜来协助确定其他掩膜(例如,前述普通血液掩膜)的概率截断值。由于所生成的动脉掩膜的精度,其还有助于提供很大可能地能够确保处于血池内的点。这些点有助于各种用途的系统,例如执行对较不精确的普通血液掩膜的泛洪填充,以通过移除外部非连接片而将其清除。
一旦生产了主动脉流掩膜,就标记来自心室中的血流区域,能够自动地将血流或血池分为主动脉和肺动脉流。由于主动脉中的流和肺动脉中的流没有直接连接,因此所述系统能够使用流向和梯度和/或路线,与概率值,以将动脉掩膜分离成两个主要部分。一旦被分离,所述系统就能够通过解剖线索(例如两个段的平均流向或者空间相对位置)将主动脉和肺动脉容易地彼此区别开。
由于心脏组织随着心搏周期节奏性地移动,计算对于每个像素的具有时间分辨率的解剖数据集的DFT能够以用于确定在具有时间分辨率的速度数据集中的血池的方式相似的方式用于生成心脏壁的概率掩膜。与该前述用途一样,非零低频分量对于确定与心跳具有相同整体周期的运动是最有用的。生成用于精确地确定心肌的掩膜对于一些目的是有用的。所述系统可以结合掩膜和血流掩膜以生成覆盖整个心脏的掩膜。这例如在忽略非静态组织的区域是重要的涡流校正算法中是有用的,或者简单地用于由系统分割心脏以为了更好的可视化表示。心脏壁掩膜还提供有用的信息,用于通过系统将不同血池区域与心腔分割开,并且能够与其他计量学结合使用以协助系统对标记(例如,心脏)的自动或自主地确定。
还能够使用精确地确定心肌的掩膜以提供计量,例如在扫描或图像内的心脏的位置和尺寸。扫描或图像中的心脏的位置具有许多用途。例如,所述位置能够用于由系统执行的血流分割例程,用于确定血是朝向还是远离心脏移动,以例如肺内的右侧血流和左侧血流。
上述自动方法去除常规方法中特有的确定解剖结构和流的主观性,提供了高水平的可重复性。该可重复性允许MRI数据的新用途。例如,可以跨过不同趋势部分可靠地查看单个患者的MRI数据。更加令人惊讶的是,可以跨过种群或人口可靠地查看多个患者的MRI数据。
上述各种实施例能够被组合以提供进一步的实施例。在不与本文中的具体教导和定义不一致的情况下,通过引用将在本说明书涉及的和/或在申请表中列出的美国专利、美国专利申请公开,美国专利申请、外国专利、外国专利申请和非专利出版物的全部内容并入本文中,包括但不限于2011年7月7日提交的美国临时专利申请第61/571,908号;2012年7月5日提交的国际专利申请第PCT/US2012/045575号;和2014年1月17日提交的美国临时专利第61/928,702号。必要时,能够更改实施例的方面以采用各个专利、申请和公开的系统、电路和构思,从而提供更进一步的实施例。
能够对根据上面详细描述的说明书的实施例进行这些和其他改变。通常,在所附权利要求中,所使用的术语不应解释为将权利要求限定为在本说明书和权利要求书中公开的具体实施例,而应该理解为包括所有可行的实施例和与所附权利要求等同的整个范围。因此,权利要求不受公开内容限制。
Claims (133)
1.一种用于基于磁共振成像(MRI)的医学成像系统的操作方法,所述方法包括:
由至少一个基于处理器的设备接收MRI数据集,所述MRI数据集包括多个体素中的每个体素的各自的解剖结构和血流信息;
由至少一个基于处理器的设备识别所述MRI流数据集中的一个或更多个结构实例;以及
基于所识别的MRI流数据集中的一个或更多个结构实例,由至少一个基于处理器的设备获得所述MRI流数据集中的轮廓。
2.如权利要求1所述的方法,其中,识别所述MRI流数据集中的一个或更多个结构实例包括识别所述MRI流数据集中的一个或更多个相干性实例。
3.如权利要求2所述的方法,其中,识别所述MRI流数据集中的一个或更多个相干性实例包括识别所述MRI流数据集中的一个或更多个方向相干性实例。
4.如权利要求2所述的方法,其中,识别所述MRI流数据集中的一个或更多个相干性实例包括识别所述MRI流数据集中的一个或更多个方向迹线或结构相干性实例。
5.如权利要求2所述的方法,其中,识别所述MRI流数据集中的一个或更多个相干性实例包括识别所述MRI流数据集中的一个或更多个离散傅里叶变换(DFT)分量相干性实例。
6.如权利要求2所述的方法,其中,识别所述MRI流数据集中的一个或更多个相干性实例包括识别所述MRI流数据集中的一个或更多个加速度相干性实例。
7.如权利要求1所述的方法,还包括:
基于所识别的所述MRI流数据集中的一个或更多个结构实例,由至少一个处理器识别所述MRI流数据集中的临床标记的一个或更多个实例。
8.如权利要求7所述的方法,其中,识别所述MRI流数据集中的临床标记的一个或更多个实例包括识别所述MRI流数据集中的解剖标记和/或时间标记的一个或更多个实例。
9.如权利要求7所述的方法,其中,识别所述MRI流数据集中的临床标记的一个或更多个实例包括识别所述MRI流数据集中的动脉瘤、狭窄症或血小板的一个或更多个实例。
10.如权利要求7所述的方法,其中,识别MRI流数据集中的临床标记的一个或更多个实例包括识别所述MRI流数据集中的一个或更多个压力梯度。
11.如权利要求7所述的方法,其中,识别所述MRI流数据集中的临床标记的一个或更多个实例包括识别所述MRI流数据集中的心脏的解剖标记的一个或更多个实例。
12.如权利要求1所述的方法,其中,基于所识别的MRI流数据集中的一个或更多个结构实例获得所述MRI流数据集中的轮廓包括获得所述MRI流数据集中的代表各种身体组织的轮廓。
13.如权利要求12所述的方法,还包括:
由至少一个基于处理器的设备自主地将血液身体组织与非血液身体组织分割开。
14.如权利要求12所述的方法,还包括:
由至少一个基于处理器的设备自主地将空气与身体组织分割开。
15.如权利要求1所述的方法,还包括:
由所述至少一个基于处理器的设备在多个可用时间点上对所述MRI数据集中的多个体素中的每个体素应用离散傅里叶变换(DFT);和
由所述至少一个基于处理器的设备检验在所述可用时间点上在所述体素中的每个体素处的所述DFT的多个分量。
16.如权利要求15所述的方法,其中,在多个可用时间点上对所述MRI数据集中的多个体素的每个体素应用DFT包括对血流信息的三个速度分量(x、y、z)应用DFT。
17.如权利要求15所述的方法,其中,在多个可用时间点上对所述MRI数据集中的多个体素中的每个应用DFT包括对产生的所述血流信息的速度幅值应用DFT。
18.如权利要求15所述的方法,还包括:
至少部分地基于所述DFT分量,由所述至少一个处理器将血池与静态组织分割开。
19.如权利要求18所述的方法,其中,至少部分地基于所述DFT分量将血池与静态组织分割开包括至少部分地基于低阶集、非DC DFT分量,由所述至少一个处理器自主地将血池与静态组织分割开。
20.如权利要求15所述的方法,还包括:
识别所述MRI数据中的肺组织。
21.如权利要求15所述的方法,还包括:
由所述至少一个处理器在不考虑相对幅值或者相位的情况下将多个DFT分量组合到一起,以便生成在胸腔扫描内定位所有血流的普通掩膜。
22.如权利要求15所述的方法,还包括:
由所述至少一个处理器在考虑所述DFT分量的相对幅值或者相位的情况下将多个DFT分量组合到一起,以便生成用于识别身体中血池的特定区域的精制掩膜。
23.如权利要求22所述的方法,还包括:
由所述至少一个处理器将所述DFT分量的相位与峰值心脏收缩的时间点进行比较,并且基于所述相位与期望值之间的偏差量对每个体素分配概率。
24.如权利要求23所述的方法,还包括:
至少部分地基于所述精制掩膜,由所述至少一个处理器在主动脉中的血流与肺动脉中的血流之间进行区别。
25.如权利要求23所述的方法,还包括:
至少部分地基于所获得的概率值的直方图,由所述至少一个处理器自主地识别概率截断值。
26.如权利要求23所述的方法,还包括:
至少部分地基于所获得的概率值的直方图,由所述至少一个处理器自主地识别动脉特定掩膜的概率截断值;和
至少部分地基于所述动脉特定掩膜来确定至少一个其他掩膜的概率截断值。
27.如权利要求26所述的方法,其中,至少部分地基于所述动脉特定掩膜识别至少一个其他掩膜的概率截断值包括执行普通血液掩膜的泛洪填充以移除无关的非连接片。
28.如权利要求26所述的方法,还包括:
至少部分地基于多个流向和多个梯度和/或多个迹线连同所获得的概率值,由所述至少一个处理器将所述动脉特定掩膜分成两个主要部分。
29.如权利要求28所述的方法,还包括:
至少部分地基于所述两个主要部分在空间上的平均流向或相对位置中的至少一者,由所述至少一个处理器将主动脉和肺动脉彼此区别开。
30.如权利要求23所述的方法,还包括:
由所述至少一个处理器自主地生成用于心脏壁的概率掩膜。
31.如权利要求30所述的方法,还包括:
由所述至少一个处理器将所述用于心脏壁的概率掩膜和血流掩膜组合起来。
32.如权利要求30所述的方法,还包括:
由所述至少一个处理器利用所述用于心脏壁的概率掩膜执行涡流校正。
33.如权利要求30所述的方法,还包括:
由所述至少一个处理器利用所述用于心脏壁的概率掩膜提供图像中的心脏的位置和/或尺寸中的至少一个。
34.一种基于处理器的设备,其具有至少一个处理器和通信地耦接到所述至少一个处理器的至少一个非临时性处理器可读介质,并且所述基于处理器的设备可操作以执行权利要求1到33中任一项所述的方法中的任一个。
35.一种用于基于磁共振成像(MRI)的医学成像系统的操作方法,所述方法包括:
对于受试者的第一次研究,在第一遍中并且在第一MRI获取系列之前:
在基于处理器的设备处接收输入,所述输入特定于所述第一MRI获取;和
至少部分地基于所接收的输入,由所述基于处理器的设备生成4D流定位器。
36.如权利要求35所述的方法,其中,接收输入包括接收以下各项中的至少一项:临床指征、造影剂的类型或者标识符、造影剂用量、受试者体重、受试者身高、受试者心率、在将药剂提供给受试者之后过去的时间量、MRI硬件制造商的标识、所使用的线圈的类型和待使用MRI机的至少一个特征的标识。
37.如权利要求35所述的方法,还包括:
对于受试者的第一次研究,在第二遍中并且在第二MRI获取系列之前:
在基于处理器的设备处接收关于所述第一MRI获取系列的信息;和
至少部分地基于所接收的信息,由所述基于处理器的设备生成高保真度4D流定位器。
38.如权利要求37所述的方法,其中,在基于处理器的设备处接收关于所述第一MRI获取系列的信息包括接收来自所述第一MRI获取系列的输出。
39.如权利要求37所述的方法,其中,在基于处理器的设备处接收关于所述第一MRI获取系列的信息包括接收指示所述第一MRI获取系列的质量的度量。
40.如权利要求39所述的方法,其中,接收指示所述第一MRI获取系列的质量的度量包括指示由至少一个人评估的所述第一MRI获取系列的质量的至少一个等级。
41.如权利要求37所述的方法,其中,至少部分地基于所接收的信息,由所述基于处理器的设备生成高保真度4D流定位器包括指定以下各项中的一项或更多项:获取的持续时间、VENC、视场、重复时间(TR)、回波时间(TE)、行分辨率、列分辨率、切片分辨率、时间分辨率、以及翻转角度。
42.如权利要求37所述的方法,其中,生成高保真度4D流定位器包括确定速度编码(VENC)参数的值。
43.如权利要求42所述的方法,其中,确定速度编码(VENC)参数的值包括至少确定管腔中的血流速度的近似值,并且通过查找表选择VENC的值。
44.如权利要求42所述的方法,其中,确定速度编码(VENC)参数的值包括确定在所述获取中要使用的线圈的通道的数量,并且至少部分地基于所述线圈中的通道的数量来选择所述VENC的值。
45.一种基于处理器的设备,其具有至少一个处理器和通信地耦接到所述至少一个处理器的至少一个非临时性处理器可读介质,并且所述基于处理器的设备可操作以执行权利要求35到44中所述的方法中的任一个。
46.一种用于基于磁共振成像(MRI)的医学成像系统的操作方法,所述方法包括:
对于MRI图像数据集的多个体素,由至少一个基于处理器的设备将所述体素分组成多个面元;
通过所述至少一个基于处理器的设备减少所述面元的数量;
对于所述面元中的第一面元和第二面元,确定所述面元中的第一面元或第二面元中哪个面元包括代表动脉血流的体素以及所述面元中的第一面元或第二面元中哪个面元包括代表静脉血流的体素;和
将第一组颜色分配给代表动脉血流的体素并且将第二组颜色分配给代表静脉血流的体素,所述第二组颜色不同于所述第一组颜色。
47.如权利要求46所述的方法,其中,将第一组颜色分配给代表动脉血流的体素包括将单个蓝色分配给代表动脉血流的体素,并且其中,将第二组颜色分配给代表静脉血流的体素包括将单个红色分配给代表静脉血流的体素。
48.如权利要求46所述的方法,其中,确定所述面元中的第一面元或第二面元中哪个面元包括代表动脉血流的体素以及所述面元中的第一面元或第二面元中哪个面元包括代表静脉血流的体素包括:基于所述体素中的至少一个体素与多个解剖标记的接近度,由所述至少一个基于处理器的设备确定所述面元中的第一面元或第二面元中哪个面元包括代表动脉血流的体素以及所述面元中的第一面元或第二面元中哪个面元包括代表静脉血流的体素。
49.如权利要求46所述的方法,其中,确定所述面元中的第一面元或第二面元中哪个面元包括代表动脉血流的体素以及所述面元中的第一面元或第二面元中哪个面元包括代表静脉血流的体素包括:基于所述体素在每个面元中与多个解剖标记最接近的那个体素,由所述至少一个基于处理器的设备确定所述面元中的第一面元或第二面元中哪个面元包括代表动脉血流的体素以及所述面元中的第一面元或第二面元中哪个面元包括代表静脉血流的体素。
50.如权利要求49所述的方法,还包括:
由所述基于处理器的设备自主地识别解剖标记。
51.如权利要求49所述的方法,还包括:
由所述基于处理器的设备接收识别所述解剖标记的用户输入。
52.如权利要求46所述的方法,还包括:
对于所述多个体素中的至少一些体素中的每个体素,在将所述体素分组成所述多个面元之前确定各个体素是否代表血流;以及
逻辑地标记被确定为代表血流的体素。
53.如权利要求52所述的方法,其中,确定各个体素是否代表血流包括由所述至少一个基于处理器的设备自主地确定各个体素是否代表血流。
54.如权利要求52所述的方法,其中,确定各个体素是否代表血流包括由所述至少一个基于处理器的设备接收指示各个体素是否代表血流的用户输入。
55.如权利要求52所述的方法,其中,通过所述至少一个基于处理器的设备减少面元的数量包括:在一个面元的体素随着时间在空间上接触另一面元的体素的情况下,将这些体素合并到所述面元中的一个面元中。
56.如权利要求46所述的方法,还包括:
确定是否存在多于两个面元;和
响应于确定是否存在多于两个面元,由所述至少一个基于处理器的设备确定所述体素中的一些体素是否代表潜在的分流。
57.如权利要求56所述的方法,其中,由所述至少一个基于处理器的设备确定所述体素中的一些体素是否代表潜在的分流包括:识别其中相邻面元通过少于限定阈值数量的体素的多个体素或通过小于限定阈值面积的区域而连接的区域。
58.如权利要求56所述的方法,还包括:
对代表所述潜在的分流或者至少近似所述潜在的分流的区域的体素中的至少一个体素提供视觉着重显示。
59.如权利要求58所述的方法,其中,对代表所述潜在的分流或者至少近似所述潜在的分流的区域的体素中的至少一个体素提供视觉着重显示包括:将第三组颜色分配给代表所述潜在的分流或者至少近似所述潜在的分流的区域,所述第三组颜色不同于所述第一组颜色和所述第二组颜色两者。
60.如权利要求56所述的方法,还包括:
由所述至少一个基于处理器的设备接收输入,所述输入指示对所述体素是否代表实际分流的人工评估;和
基于所接收的指示对所述体素是否代表实际分流的人工评估的所述输入,更新代表所述潜在的分流的体素的颜色。
61.如权利要求46所述的方法,其中,确定所述面元中的第一面元或第二面元中哪个面元包括代表动脉血流的体素以及所述面元中的第一面元或第二面元中哪个面元包括代表静脉血流的体素包括:
对于所述面元中的至少一些面元中的每个面元,
识别在所述面元中具有在阈值相干值之上的相干值的任何体素;
针对在所述面元中具有在阈值相干值之上的相干值的任何体素,计算在全部多个时间点上的平均速度和连接相应的体素的形心与解剖结构的形心的矢量之间的角度;以及
计算在所述面元中的所有体素与所述解剖结构的形心之间的平均角度。
62.如权利要求61所述的方法,其中,确定所述面元中的第一面元或第二面元中哪个面元包括代表动脉血流的体素以及所述面元中的第一面元或第二面元中哪个面元包括代表静脉血流的体素还包括:
将具有最高平均角度的面元确定为代表动脉血流;和
将具有最低平均角度的面元确定为代表静脉血流。
63.如权利要求62所述的方法,其中,计算在全部多个时间点上的平均速度和连接相应的体素的形心与解剖结构的形心的矢量之间的角度包括:计算在所述全部多个时间点上的所述平均速度和连接所述相应的体素的形心与心脏的形心的矢量之间的角度。
64.一种基于处理器的设备,其具有至少一个处理器和通信地耦接到所述至少一个处理器的至少一个非临时性处理器可读介质,并且所述基于处理器的设备可操作以执行权利要求46到63中所述的方法中的任一个。
65.一种用于基于磁共振成像(MRI)的医学成像系统的操作方法,所述方法包括:
由所述至少一个基于处理器的设备接收MRI数据集,所述MRI数据集包括多个体素中的每个体素的各自的解剖结构和血流信息;和
应用第一过滤器,以基于与由所述至少一个基于处理器的设备接收的MRI数据集的至少一部分的方向相干性而隔离血流。
66.如权利要求65所述的方法,其中,应用第一过滤器,以基于与由所述至少一个基于处理器的设备接收的MRI数据集的至少一部分的方向相干性而隔离血流包括:
针对多个体素中的每个体素,计算相应体素的方向相干性。
67.如权利要求66所述的方法,其中,计算相应体素的方向相干性包括:
将所述相应体素与为所述相应体素的邻居的多个相邻体素之间的一组加权的方向相干性得分求和;和
将所述求和的结果除以所施加的全部权重之和。
68.如权利要求67所述的方法,还包括:
确定所述相应体素和所述多个相邻体素之间的所述加权的方向相干性得分。
69.如权利要求68所述的方法,其中,确定所述相应体素和所述多个相邻体素之间的加权方向相干性得分包括:
确定归一化速度矢量的点积,
对所述点积的结果应用三角函数ACOS,以确定角度差;
在0到Pi之间缩放所述角度差以获得0到1的结果;和
将所述缩放的结果乘以指示所述相应体素和所述相邻体素中的相应的一个之间的距离的相应的权重。
70.如权利要求69所述的方法,还包括:
确定所述相应的权重。
71.如权利要求70所述的方法,其中,确定所述相应的权重包括:
针对所有三个维度找出最小间隔,和
将该最小间隔除以所述体素之间的距离。
72.如权利要求71所述的方法,其中,每个时间点在一个体积中应用所述第一过滤器。
73.如权利要求71所述的方法,其中,每个时间点在所有时间点上平均的一个体积中应用所述第一过滤器。
74.如权利要求71所述的方法,还包括:
应用第二过滤器,以便进一步移除由所述至少一个基于处理器的设备接收的MRI数据集的至少一部分的随机噪声。
75.一种基于处理器的设备,其具有至少一个处理器和通信地耦接到所述至少一个处理器的至少一个非临时性处理器可读介质,并且所述基于处理器的设备可操作以执行权利要求65到74中所述的方法中的任一个。
76.一种用于基于磁共振成像(MRI)的医学成像系统的操作方法,所述方法包括:
由所述至少一个基于处理器的设备接收MRI数据集,所述MRI数据集包括多个体素中的每个体素的各自的解剖结构和血流信息;和
识别所述MRI数据集中的解剖体积;
确定进入所识别的解剖体积的血流;
确定离开所识别的解剖体积的血流;
由所述至少一个基于处理器的设备比较所述进入所识别的解剖体积中的血流与所述离开所识别的解剖体积的血流。
77.如权利要求76所述的方法,还包括:
基于比较所述进入所识别的解剖体积中的血流与所述离开所识别的解剖体积中的血流的结果,验证先前的操作。
78.如权利要求76所述的方法,还包括:
基于比较所述进入所识别的解剖体积中的血流与所述离开所识别的解剖体积中的血流的结果,验证先前的分割操作。
79.如权利要求76所述的方法,还包括:
基于比较所述进入所识别的解剖体积中的血流与所述离开所识别的解剖体积中的血流的结果,提供通知。
80.如权利要求76所述的方法,还包括:
基于比较所述进入所识别的解剖体积中的血流与所述离开所识别的解剖体积中的血流的结果,提供检测到的分流的通知。
81.如权利要求76所述的方法,其中,识别所述MRI数据集中的解剖体积包括识别解剖结构中的以下各项中的至少一项:管腔、管腔的一部分、血管、血管的一部分、腔室、空腔或者空腔的一部分。
82.如权利要求76所述的方法,其中,识别所述MRI数据集中的解剖体积包括由所述至少一个基于处理器的设备自主地识别所述解剖体积。
83.如权利要求76所述的方法,其中,识别所述MRI数据集中的解剖体积包括基于由所述至少一个基于处理器的设备接收的用户输入自主地识别所述解剖体积。
84.如权利要求76所述的方法,还包括:
识别所识别的解剖体积的自然入口;和
识别所识别的解剖体积的自然出口。
85.如权利要求76所述的方法,还包括:
将第一位置命名为所识别的解剖体积的入口;和
将第二位置命名为所识别的解剖体积的出口,并且所述第一位置与所述第二位置间隔开。
86.如权利要求76所述的方法,其中,确定进入所识别的解剖体积的血流包括:确定在第一位置处对所识别的解剖体积进行切片的第一平面的法向矢量与在每个体素处的速度矢量的点积,并且确定离开所识别的解剖体积的血流包括:确定在第二位置处对所识别的解剖体积进行切片的第二平面的法向矢量与在每个体素处的速度矢量的点积,所述第二位置不同于所述第一位置。
87.如权利要求76所述的方法,还包括:
确定进入所识别的解剖体积的净血流;和
确定离开所识别的解剖体积的净血流。
88.如权利要求87所述的方法,其中,确定进入所识别的解剖体积的净血流包括:将在第一位置处对所识别的解剖体积进行切片的第一平面的法向矢量与在每个体素处的速度矢量的点积的结果在时间上积分,并且确定离开所识别的解剖体积的血流包括:将在第二位置处对所识别的解剖体积进行切片的第二平面的法向矢量与在每个体素处的速度矢量的点积的结果在时间上积分,所述第二位置不同于所述第一位置。
89.如权利要求76所述的方法,其中,比较所述进入所识别的解剖体积中的血流与所述离开所识别的解剖体积中的血流包括:确定所识别的解剖体积的入口和出口处的流量值是否至少在限定阈值内相匹配;并且还包括:
响应于确定所识别的解剖体积的入口和出口处的流量值至少在限定阈值内是不匹配的,提供不匹配的指示。
90.如权利要求89所述的方法,其中,确定所识别的解剖体积的入口和出口处的流量值是否至少在限定阈值内相匹配包括:由所述至少一个基于处理器的设备自主地确定所述入口和出口处的流量值是否至少在限定阈值内相匹配。
91.如权利要求76所述的方法,其中,由所述至少一个基于处理器的设备比较所述进入所识别的解剖体积的血流与所述离开所识别的解剖体积的血流包括:比较通过胸升主动脉的血流与通过上腔静脉和胸降主动脉的组合的血流。
92.如权利要求76所述的方法,其中,由所述至少一个基于处理器的设备比较所述进入所识别的解剖体积的血流与所述离开所识别的解剖体积的血流包括:比较通过上腔静脉和下腔静脉的组合的血流与通过一组肺脉管的血流。
93.如权利要求76所述的方法,其中,由所述至少一个基于处理器的设备比较所述进入所识别的解剖体积的血流与所述离开所识别的解剖体积的血流包括:比较通过所述一组肺脉管的血流与通过一组右肺脉管和一组左肺脉管的组合的血流。
94.如权利要求76所述的方法,其中,由所述至少一个基于处理器的设备比较所述进入所识别的解剖体积的血流与所述离开所识别的解剖体积的血流包括:比较通过所述一组左肺脉管的血流和通过所有左肺血管的血流之和。
95.如权利要求76所述的方法,其中,由所述至少一个基于处理器的设备比较所述进入所识别的解剖体积的血流与所述离开所识别的解剖体积的血流包括:比较通过一组右肺脉管的血流和通过所有右肺静脉的血流之和。
96.如权利要求76所述的方法,其中,由所述至少一个基于处理器的设备比较所述进入所识别的解剖体积的血流与所述离开所识别的解剖体积的血流包括:比较离开心脏心腔的血流与心脏的每个心腔的收缩和舒张体积的变化。
97.一种基于处理器的设备,其具有至少一个处理器和通信地耦接到所述至少一个处理器的至少一个非临时性处理器可读介质,并且所述基于处理器的设备可操作以执行权利要求76到96所述的方法中的任一个。
98.一种用于基于磁共振成像(MRI)的医学成像系统的操作方法,所述方法包括:
由至少一个基于处理器的设备接收MRI数据集,所述MRI数据集包括多个体素中的每个体素的各自的解剖结构和血流信息;
识别所述MRI数据集中的解剖体积;
识别均与公共点相交并且均以相应的取向穿过所述解剖体积的多个平面,所述取向彼此不同,和
由所述至少一个基于处理器的设备自主地比较在整个心搏周期通过所述平面中的每个平面的血流。
99.如权利要求98所述的方法,其中,自主地比较在整个心搏周期通过所述平面中的每个平面的血流包括自主地确定在所述整个心搏周期通过所述平面中的每个平面的血流是否至少在一限定阈值内相匹配。
100.如权利要求98所述的方法,还包括:
基于比较在整个心搏周期通过所述平面中的每个平面的血流的结果,验证先前的操作。
101.如权利要求98所述的方法,还包括:
基于比较在整个心搏周期通过所述平面中的每个平面的血流的结果,验证先前的分割操作。
102.如权利要求98所述的方法,还包括:
基于比较在整个心搏周期通过所述平面中的每个平面的血流的结果,提供通知。
103.一种基于处理器的设备,其具有至少一个处理器和通信地耦接到所述至少一个处理器的至少一个非临时性处理器可读介质,并且所述基于处理器的设备可操作以执行权利要求98到102所述的方法中的任一个。
104.一种用于基于磁共振成像(MRI)的医学成像系统的操作方法,所述方法包括:
由所述至少一个基于处理器的设备接收MRI数据集,所述MRI数据集包括多个体素中的每个体素的各自的解剖结构和血流速度信息;
识别在所述MRI数据集中表示的血管中的种子点;
识别在所述种子点处具有最高流量幅值的时间点;
基于所述解剖结构和血流速度信息两者来确定垂直于流向的横截面;和
至少部分地基于所确定的横截面来确定所述血管的管腔边界。
105.如权利要求104所述的方法,其中,基于所述解剖结构和血流速度信息两者来确定垂直于流向的横截面包括:
在所述种子点处生成矢量的粗略半球,其中,最接近所述流向的任何矢量具有最高的权重;
针对构成所述粗略半球的矢量中的每个矢量,在所述粗略半球上与所述矢量垂直地投射多条射线;和
针对所述射线中的每条射线,当解剖像素强度和速度幅值两者的变化幅值达到或者超出阈值变化时,终止相应的射线。
106.如权利要求105所述的方法,其中,基于所述解剖结构和血流速度信息两者来确定垂直于流向的横截面还包括:
针对所述射线中的多条射线中的每条射线,计算产生的所有多个三角形的面积之和,其中,所述种子点、所述相应的射线的终点和所述射线中的另一射线的终点限定了所产生的三角形;以及
选择所述粗略半球上具有最小的计算出的面积之和的矢量作为最垂直于所述血流方向的平面的法向矢量。
107.如权利要求106所述的方法,还包括:
重采样多平面重构,所述多平面重构组合了在初始种子点处的解剖结构和血流速度信息两者、连同最强流时间点以及所述法向矢量。
108.如权利要求107所述的方法,还包括:
通过主动轮廓模型找出描绘所述血管的所述管腔边界的轮廓。
109.如权利要求107所述的方法,还包括:
应用使用梯度下降的能量最小化函数,以找出平滑轮廓。
110.如权利要求107所述的方法,还包括:
确定轮廓在面积上或者曲率上是否偏离超过阈值;
响应于确定轮廓在面积上或者曲率上偏离超过阈值,将所述轮廓替换为替代轮廓,所述替代轮廓是来自与被替换的轮廓的时间点相邻的多个时间点的轮廓的线性混合。
111.一种基于处理器的设备,其具有至少一个处理器和通信地耦接到所述至少一个处理器的至少一个非临时性处理器可读介质,并且所述基于处理器的设备可操作以执行权利要求104到110所述的方法中的任一个。
112.一种用于基于磁共振成像(MRI)的医学成像系统的操作方法,所述方法包括:
经由异步命令和图像管道的第一通道从多个客户端设备接收多个用户事件;
捕获所述用户事件中的至少一些到持久层;
确定要对所捕获用户事件中的哪个用户事件进行静噪;
执行图像处理和分析;和
经由所述异步命令和图像血管的第二通道向客户端提供对所述用户事件的相应的响应。
113.如权利要求112所述的方法,其中,经由异步命令和图像血管的第一通道从多个客户端接收多个用户事件包括由服务器接收所述用户事件,并且所述方法还包括:
由服务器将所述用户事件提供给用于图像处理和对与所述用户事件相关联的MRI数据集分析的MRI图像处理和分析系统。
114.如权利要求112所述的方法,其中,捕获所述用户事件中的至少一些到持久层以及确定要对所捕获用户事件中的哪个用户事件进行静噪包括:接收所述用户事件作为消息,并且确定所述图像处理和分析系统是否忙;以及响应于确定计算服务器不忙而将所述消息立即转发给所述计算服务器。
115.如权利要求112所述的方法,其中,捕获所述用户事件中的至少一些到持久层以及确定要对所捕获用户事件中的哪个用户事件进行静噪包括:接收所述用户事件作为消息,并且确定所述图像处理和分析系统是否忙;以及响应于确定所述计算服务器忙而将所述消息放在槽位中。
116.如权利要求115所述的方法,还包括:
将比放置在所述槽位中的消息时间更新的消息放置在所述槽位中。
117.如权利要求116所述的方法,还包括:
检测完成事件;和
将对所述用户事件的相应的响应转发给相应的客户端。
118.如权利要求117所述的方法,其中,响应于包括图像数据的响应,发送所述响应作为HTTPS图像请求和HTTPS AJAX请求,或者经由二进制支持的网页套接字发送所述响应。
119.如权利要求117所述的方法,其中,响应于不包括图像数据的响应,直接经由网页套接字发送所述响应。
120.如权利要求116所述的方法,还包括:
确定在所述槽位中是否有消息;
响应于确定在所述槽位中有消息,等待检测到完成事件;
响应于检测到所述完成事件,将来自所述槽位的消息发送给所述计算服务器;并且清空所述槽位。
121.如权利要求112所述的方法,还包括:
将具有关联特性的多个图像渲染成一个更大的图像;和
发送所述一个大图像作为单个响应。
122.如权利要求121所述的方法,还包括:
在发送所述一个大图像作为所述单个响应之前,叠加所述图像中的线、标记或者平面中的至少一种。
123.一种基于处理器的设备,其具有至少一个处理器和通信地耦接到所述至少一个处理器的至少一个非临时性处理器可读介质,并且所述基于处理器的设备可操作以执行权利要求112到122所述的方法中的任一个。
124.一种用于基于磁共振成像(MRI)的医学成像系统的操作方法,所述方法包括:
提供由远程装置通过第一防火墙对安全的临床设施网络中的信息的访问,其中,在所述安全的临床设施网络中保留了所有安全的患者健康信息;
通过第二防火墙相对于互联网对MRI图像处理和分析系统进行保护。
125.一种用于基于磁共振成像(MRI)的医学成像系统的操作方法,所述方法包括:
通过在临床设施网络上运行的匿名化服务接收原始DICOM文件;
生成原始DICOM文件中的任何明文患者健康信息的哈希;
将所述原始DICOM文件中的任何明文患者健康信息替换为明文患者健康信息的相应哈希。
126.如权利要求125所述的方法,还包括:
识别所述原始DICOM文件中的所有患者健康信息域,并且其中,生成所述原始DICOM文件中的任何明文患者健康信息的哈希包括生成加盐的哈希。
127.如权利要求125所述的方法,还包括:
通过所述匿名化服务访问将明文患者健康信息转成哈希的保持在所述临床设施网络内的密钥。
128.如权利要求125所述的方法,还包括:
允许仅仅通过所述临床设施的VPN来从所述临床设施网络的外部访问在所述临床设施网络上运行的所述匿名化服务。
129.一种用于基于磁共振成像(MRI)的医学成像系统的操作方法,所述方法包括:
由第一代理服务器对多个请求提供服务,所述请求来自临床设施网络和来自临床设施网络的外部;
响应于所述请求中的至少一些,由代理服务器根据哈希化的患者健康信息生成明文信息;
由所述代理服务器将哈希化的患者健康信息替换为所述明文信息;和
将所生成的信息传递给客户端设备。
130.一种用于基于磁共振成像(MRI)的医学成像系统的操作方法,所述方法包括:
通过客户端连接到所述MRI图像处理和分析系统的服务器,所述服务器在临床设施网络外部;
检查指示所述客户端是否正丢失渲染明文的患者健康信息所需的信息的标志;
响应于指示所述客户端正丢失渲染所述明文PHI的患者健康信息所需的信息,通过所述客户端连接到匿名化服务器;
通过所述客户端向所述匿名化服务请求所述明文的患者健康信息。
131.如权利要求130所述的方法,其中,通过客户端向匿名化服务请求明文的患者健康信息包括提供哈希或标识符。
132.如权利要求131所述的方法,还包括:
通过所述客户端在本地缓存所接收的明文患者健康信息。
133.如权利要求132所述的方法,还包括:
响应于用户退出,由所述客户端移除所缓存的明文患者健康信息。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201461928702P | 2014-01-17 | 2014-01-17 | |
| US61/928,702 | 2014-01-17 | ||
| PCT/US2015/011851 WO2015109254A2 (en) | 2014-01-17 | 2015-01-16 | Apparatus, methods and articles for four dimensional (4d) flow magnetic resonance imaging |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106170246A true CN106170246A (zh) | 2016-11-30 |
Family
ID=53543627
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201580008074.2A Pending CN106170246A (zh) | 2014-01-17 | 2015-01-16 | 用于四维(4d)流磁共振成像的设备、方法和产品 |
Country Status (5)
| Country | Link |
|---|---|
| US (3) | US10117597B2 (zh) |
| EP (3) | EP3949837B1 (zh) |
| JP (4) | JP2017506997A (zh) |
| CN (1) | CN106170246A (zh) |
| WO (1) | WO2015109254A2 (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108876794A (zh) * | 2017-05-16 | 2018-11-23 | 西门子保健有限责任公司 | 体积图像数据中的动脉瘤与载瘤血管的隔离 |
| CN109064559A (zh) * | 2018-05-28 | 2018-12-21 | 杭州阿特瑞科技有限公司 | 基于力学方程的血管血流模拟方法及相关装置 |
| CN109077745A (zh) * | 2017-07-31 | 2018-12-25 | 上海联影医疗科技有限公司 | 用于运动信号校正的系统和方法 |
| CN109642934A (zh) * | 2016-06-22 | 2019-04-16 | 优瑞技术公司 | 磁共振体积成像 |
| CN111110235A (zh) * | 2018-10-31 | 2020-05-08 | 韦伯斯特生物官能(以色列)有限公司 | 根据不同心律的磁共振成像(mri)图像过滤 |
| WO2020168698A1 (zh) * | 2019-02-22 | 2020-08-27 | 未艾医疗技术(深圳)有限公司 | 基于VRDS 4D医学影像的静脉的Ai内镜分析方法及产品 |
| CN112105941A (zh) * | 2018-04-12 | 2020-12-18 | 皇家飞利浦有限公司 | 用于磁共振装置的匀场铁 |
| CN112136182A (zh) * | 2017-11-16 | 2020-12-25 | 杨晓东 | 基于Gabor光学相干层析术血流成像的系统和方法 |
| WO2021081835A1 (zh) * | 2019-10-30 | 2021-05-06 | 未艾医疗技术(深圳)有限公司 | 基于VRDS 4D医学影像的动脉瘤Ai处理方法及产品 |
| CN114365181A (zh) * | 2019-08-30 | 2022-04-15 | 国际商业机器公司 | 使用机器学习自动检测和替换图像中的识别信息 |
| CN115963440A (zh) * | 2023-02-28 | 2023-04-14 | 复旦大学 | 一种针对四维血流磁共振成像的速度解卷绕方法 |
| CN116205995A (zh) * | 2021-11-30 | 2023-06-02 | 深圳开立生物医疗科技股份有限公司 | 一种脐带显示方法、装置、设备及存储介质 |
| CN120599292A (zh) * | 2025-08-07 | 2025-09-05 | 中国人民解放军陆军军医大学第二附属医院 | 一种基于目标检测的血管通路病变识别方法及系统 |
Families Citing this family (60)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220084654A1 (en) * | 2006-02-21 | 2022-03-17 | J. Christopher Flaherty | Health management system |
| CA2797980C (en) | 2010-05-12 | 2015-08-18 | Irhythm Technologies, Inc. | Device features and design elements for long-term adhesion |
| KR20150111970A (ko) | 2013-01-24 | 2015-10-06 | 아이리듬 테크놀로지스, 아이엔씨 | 생리학적 모니터링 기기 |
| US10331852B2 (en) | 2014-01-17 | 2019-06-25 | Arterys Inc. | Medical imaging and efficient sharing of medical imaging information |
| WO2015109254A2 (en) | 2014-01-17 | 2015-07-23 | Morpheus Medical, Inc. | Apparatus, methods and articles for four dimensional (4d) flow magnetic resonance imaging |
| EP4218580A1 (en) | 2014-10-31 | 2023-08-02 | Irhythm Technologies, Inc. | Wireless physiological monitoring device and systems |
| JP6457112B2 (ja) * | 2014-12-22 | 2019-01-23 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | 医療データ取得システムについて品質評価を決定するための方法および装置 |
| JP6517031B2 (ja) * | 2015-02-05 | 2019-05-22 | キヤノンメディカルシステムズ株式会社 | 医用画像処理装置および磁気共鳴イメージング装置 |
| DE102015117479B4 (de) * | 2015-10-14 | 2024-06-27 | Canon Production Printing Germany Gmbh & Co. Kg | Verfahren zum Synchronisieren von Bedienfeldern eines Produktionssystems |
| EP3380859A4 (en) * | 2015-11-29 | 2019-07-31 | Arterys Inc. | AUTOMATED HEART VOLUME SEGMENTATION |
| US10869608B2 (en) | 2015-11-29 | 2020-12-22 | Arterys Inc. | Medical imaging and efficient sharing of medical imaging information |
| WO2017093873A1 (en) * | 2015-12-03 | 2017-06-08 | Koninklijke Philips N.V. | Magnetic resonance (mr) system with increased wireless channel throughput and method of operation thereof |
| EP3391284B1 (en) * | 2015-12-18 | 2024-04-17 | The Regents of The University of California | Interpretation and quantification of emergency features on head computed tomography |
| EP3397980B1 (en) * | 2015-12-31 | 2021-07-21 | Koninklijke Philips N.V. | Method and system for combining data from a plurality of medical devices |
| US10163211B2 (en) * | 2016-01-26 | 2018-12-25 | General Electric Company | System and method for enhanced visualization of multiple low contrast objects within an imaged subject |
| JP6687426B2 (ja) * | 2016-03-02 | 2020-04-22 | キヤノンメディカルシステムズ株式会社 | 磁気共鳴イメージング装置 |
| JP6669361B2 (ja) * | 2016-04-12 | 2020-03-18 | Necソリューションイノベータ株式会社 | 血流解析システム、解析依頼受付システム、血流解析方法及びプログラム |
| KR20190028422A (ko) | 2016-07-08 | 2019-03-18 | 아벤트, 인크. | 해부학적 대상들의 자동 검출, 국부화, 및 의미론적 세그먼트화를 위한 시스템 및 방법 |
| US10417788B2 (en) * | 2016-09-21 | 2019-09-17 | Realize, Inc. | Anomaly detection in volumetric medical images using sequential convolutional and recurrent neural networks |
| US10127659B2 (en) * | 2016-11-23 | 2018-11-13 | General Electric Company | Deep learning medical systems and methods for image acquisition |
| MX379308B (es) | 2016-12-02 | 2025-03-11 | Avent Inc | Sistema y metodo para la navegacion a un objeto anatomico objetivo en procedimientos basados en obtencion de imágenes medicas. |
| US10845444B2 (en) * | 2017-01-17 | 2020-11-24 | The General Hospital Corporation | System and method for magnetic resonance fingerprinting using neural networks trained with sparsely sampled dictionaries |
| JP2020510463A (ja) | 2017-01-27 | 2020-04-09 | アーテリーズ インコーポレイテッド | 全層畳み込みネットワークを利用する自動化されたセグメンテーション |
| EP3379281A1 (en) * | 2017-03-20 | 2018-09-26 | Koninklijke Philips N.V. | Image segmentation using reference gray scale values |
| EP3612955A1 (en) * | 2017-04-20 | 2020-02-26 | Koninklijke Philips N.V. | Systems and methods for computer-assisted search of image slices for indications of a finding |
| US11688495B2 (en) | 2017-05-04 | 2023-06-27 | Arterys Inc. | Medical imaging, efficient sharing and secure handling of medical imaging information |
| CN107358588B (zh) * | 2017-07-12 | 2020-07-17 | 上海联影医疗科技有限公司 | 相位去卷褶方法、磁共振成像扫描方法及磁共振成像设备 |
| DE102017117022A1 (de) * | 2017-07-18 | 2019-01-24 | Christian-Albrechts-Universität Zu Kiel | Verfahren und Einrichtung zur Untersuchung von Blutflussmustern in den Blutgefäßen eines Patienten sowie Computerprogramm |
| US11666307B2 (en) * | 2017-08-10 | 2023-06-06 | Philips Image Guided Therapy Corporation | Devices, systems, and methods for real-time monitoring of fluid flow in an anuerysm |
| EP3471054B1 (en) * | 2017-10-16 | 2022-02-09 | Siemens Healthcare GmbH | Method for determining at least one object feature of an object |
| EP3714467A4 (en) | 2017-11-22 | 2021-09-15 | Arterys Inc. | CONTENT-BASED IMAGE RECOVERY FOR INJURY ANALYSIS |
| US10970876B2 (en) * | 2017-12-08 | 2021-04-06 | Panton, Inc. | Methods and apparatus for image locating relative to the global structure |
| CN112074866B (zh) * | 2018-01-24 | 2024-05-24 | 帕伊医疗成像有限公司 | 4d mr图像数据中的流分析 |
| FR3080761B1 (fr) | 2018-05-03 | 2025-08-01 | Alara Expertise | Dispositif et methode animant un debit pulse connu a l'interieur d'une irm, pour effectuer son evaluation de performances dans le domaine des mesures hemodynamiques |
| US10937549B2 (en) * | 2018-05-22 | 2021-03-02 | Shenzhen Keya Medical Technology Corporation | Method and device for automatically predicting FFR based on images of vessel |
| WO2019241155A1 (en) | 2018-06-11 | 2019-12-19 | Arterys Inc. | Simulating abnormalities in medical images with generative adversarial networks |
| CN113348518A (zh) * | 2018-07-31 | 2021-09-03 | 海珀菲纳股份有限公司 | 医学成像装置消息传送服务 |
| CN109410289B (zh) * | 2018-11-09 | 2021-11-12 | 中国科学院精密测量科学与技术创新研究院 | 一种深度学习的高欠采样超极化气体肺部mri重建方法 |
| EP3657393A1 (en) * | 2018-11-20 | 2020-05-27 | Koninklijke Philips N.V. | Determination of a further processing location in magnetic resonance imaging |
| WO2020106569A1 (en) | 2018-11-23 | 2020-05-28 | Arterys Inc. | Systems and methods for high bit depth rendering of medical images in a web browser |
| US11610110B2 (en) | 2018-12-05 | 2023-03-21 | Bank Of America Corporation | De-conflicting data labeling in real time deep learning systems |
| WO2020118296A1 (en) * | 2018-12-07 | 2020-06-11 | Mayo Foundation For Medical Education And Research | Systems and methods for quantifying vessel features in ultrasound doppler images |
| US10909681B2 (en) | 2019-01-03 | 2021-02-02 | The Regents Of The University Of California | Automated selection of an optimal image from a series of images |
| WO2020167736A2 (en) * | 2019-02-15 | 2020-08-20 | Arterys Inc. | Deep learning-based eddy current correction |
| US11416653B2 (en) * | 2019-05-15 | 2022-08-16 | The Mitre Corporation | Numerical model of the human head |
| CN110400298B (zh) * | 2019-07-23 | 2023-10-31 | 中山大学 | 心脏临床指标的检测方法、装置、设备及介质 |
| US12171592B2 (en) | 2019-08-30 | 2024-12-24 | Avent, Inc. | System and method for identification, labeling, and tracking of a medical instrument |
| US11704795B2 (en) * | 2019-10-09 | 2023-07-18 | Siemens Medical Solutions Usa, Inc. | Quality-driven image processing |
| KR102563372B1 (ko) | 2020-02-12 | 2023-08-03 | 아이리듬 테크놀로지스, 아이엔씨 | 비-침습적 심장 모니터 및 기록된 심장 데이터를 사용하여 환자의 생리학적 특성을 추론하는 방법 |
| US11350864B2 (en) | 2020-08-06 | 2022-06-07 | Irhythm Technologies, Inc. | Adhesive physiological monitoring device |
| CN116322498A (zh) | 2020-08-06 | 2023-06-23 | 意锐瑟科技公司 | 生理监测装置的电子组件 |
| US12354232B2 (en) | 2020-10-09 | 2025-07-08 | The Regents Of The University Of California | Spatiotemporal resolution enhancement of biomedical images |
| US12260549B2 (en) * | 2021-02-15 | 2025-03-25 | The Regents Of The University Of California | Automated deep correction of MRI phase-error |
| GB202103133D0 (en) * | 2021-03-05 | 2021-04-21 | Odi Medical As | Capillary analysis |
| USD1063079S1 (en) | 2021-08-06 | 2025-02-18 | Irhythm Technologies, Inc. | Physiological monitoring device |
| US11894941B1 (en) | 2022-03-18 | 2024-02-06 | Grammarly, Inc. | Real-time tone feedback in video conferencing |
| WO2023235008A1 (en) * | 2022-06-03 | 2023-12-07 | Purdue Research Foundation | Systems and methods for four-dimensional mri datasets |
| WO2024035570A1 (en) * | 2022-08-11 | 2024-02-15 | Purdue Research Foundation | Systems and methods for performing vessel segmentation from flow data representative of flow within a vessel |
| WO2024108176A2 (en) * | 2022-11-17 | 2024-05-23 | Northwestern University | Fluid-structure instability-based physiomarker |
| WO2025097129A1 (en) * | 2023-11-03 | 2025-05-08 | Northwestern University | System and methods for standardized measurements and personalized parameter maps of the thoracic aorta from anatomic imaging using machine learning |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090281423A1 (en) * | 2008-05-09 | 2009-11-12 | General Electric Company | Determining mechanical force on aneurysms from a fluid dynamic model driven by vessel blood flow information |
| US20110251474A1 (en) * | 2004-06-23 | 2011-10-13 | Chen David T | Anatomical visualization and measurement system |
| US20130281829A1 (en) * | 2012-04-19 | 2013-10-24 | General Electric Company | Systems and methods for magnetic resonance angiography |
Family Cites Families (82)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5115812A (en) | 1988-11-30 | 1992-05-26 | Hitachi, Ltd. | Magnetic resonance imaging method for moving object |
| JP2776844B2 (ja) | 1988-11-30 | 1998-07-16 | 株式会社日立製作所 | 磁気共鳴動体イメージング装置 |
| JP3137378B2 (ja) | 1991-09-25 | 2001-02-19 | 株式会社東芝 | 磁気共鳴イメージング装置 |
| JP3452400B2 (ja) | 1994-08-02 | 2003-09-29 | 株式会社日立メディコ | 磁気共鳴イメージング装置 |
| JP3501182B2 (ja) | 1994-11-22 | 2004-03-02 | 株式会社日立メディコ | 流速画像を算出できる磁気共鳴イメージング装置 |
| WO2000067185A1 (en) | 1999-05-05 | 2000-11-09 | Healthgram, Inc. | Portable health record |
| US6711433B1 (en) * | 1999-09-30 | 2004-03-23 | Siemens Corporate Research, Inc. | Method for providing a virtual contrast agent for augmented angioscopy |
| US7050984B1 (en) | 1999-12-22 | 2006-05-23 | Ge Medical Systems, Inc. | Integrated interactive service to a plurality of medical diagnostic systems |
| US8166381B2 (en) | 2000-12-20 | 2012-04-24 | Heart Imaging Technologies, Llc | Medical image management system |
| US6934698B2 (en) | 2000-12-20 | 2005-08-23 | Heart Imaging Technologies Llc | Medical image management system |
| DE10117685C2 (de) * | 2001-04-09 | 2003-02-27 | Siemens Ag | Verfahren zur Bearbeitung von Objekten eines standardisierten Kommunikationsprotokolls |
| US7139417B2 (en) | 2001-08-14 | 2006-11-21 | Ge Medical Systems Global Technology Company Llc | Combination compression and registration techniques to implement temporal subtraction as an application service provider to detect changes over time to medical imaging |
| US7355597B2 (en) | 2002-05-06 | 2008-04-08 | Brown University Research Foundation | Method, apparatus and computer program product for the interactive rendering of multivalued volume data with layered complementary values |
| GB0219408D0 (en) | 2002-08-20 | 2002-09-25 | Mirada Solutions Ltd | Computation o contour |
| US7603154B2 (en) | 2003-04-24 | 2009-10-13 | Koninklijke Philips Electronics N.V. | Non-invasive left ventricular volume determination |
| US7254436B2 (en) | 2003-05-30 | 2007-08-07 | Heart Imaging Technologies, Llc | Dynamic magnetic resonance angiography |
| CA2532715A1 (en) * | 2003-07-15 | 2005-02-03 | Ims Health Incorporated | Data privacy management systems and methods |
| JP2007531124A (ja) * | 2004-03-26 | 2007-11-01 | コンヴァージェンス シーティー | 患者医療データ記録のアクセス及び利用を制御するためのシステム及び方法 |
| JP2005284846A (ja) * | 2004-03-30 | 2005-10-13 | Fuji Photo Film Co Ltd | 診断支援システム並びにそれに用いる方法及びサーバ |
| US7292032B1 (en) | 2004-09-28 | 2007-11-06 | General Electric Company | Method and system of enhanced phase suppression for phase-contrast MR imaging |
| JP2006107134A (ja) * | 2004-10-05 | 2006-04-20 | Japan Science & Technology Agency | 健康情報提供システム及びその方法 |
| US7127095B2 (en) | 2004-10-15 | 2006-10-24 | The Brigham And Women's Hospital, Inc. | Factor analysis in medical imaging |
| EP1659511A1 (en) * | 2004-11-18 | 2006-05-24 | Cedara Software Corp. | Image archiving system and method for handling new and legacy archives |
| US7736313B2 (en) | 2004-11-22 | 2010-06-15 | Carestream Health, Inc. | Detecting and classifying lesions in ultrasound images |
| US8000768B2 (en) | 2005-01-10 | 2011-08-16 | Vassol Inc. | Method and system for displaying blood flow |
| US20070061460A1 (en) * | 2005-03-24 | 2007-03-15 | Jumpnode Systems,Llc | Remote access |
| JP2007158429A (ja) | 2005-11-30 | 2007-06-21 | Canon Inc | 画像処理装置及び画像データ転送制御方法、並びに制御プログラム及び記憶媒体 |
| JP2007193574A (ja) * | 2006-01-19 | 2007-08-02 | Hitachi Kokusai Electric Inc | ダウンロードファイルの履歴管理・検索方法 |
| JP4904109B2 (ja) * | 2006-07-26 | 2012-03-28 | 富士フイルム株式会社 | 読影データ管理装置及び読影データ管理方法 |
| JP5091644B2 (ja) * | 2006-12-04 | 2012-12-05 | 株式会社東芝 | X線コンピュータ断層撮像装置及び医用画像処理装置 |
| US8108211B2 (en) | 2007-03-29 | 2012-01-31 | Sony Corporation | Method of and apparatus for analyzing noise in a signal processing system |
| JP2009033354A (ja) * | 2007-07-25 | 2009-02-12 | Panasonic Corp | 通信システム |
| US9171344B2 (en) * | 2007-10-30 | 2015-10-27 | Onemednet Corporation | Methods, systems, and devices for managing medical images and records |
| JP5191787B2 (ja) | 2008-04-23 | 2013-05-08 | 株式会社日立メディコ | X線ct装置 |
| JP5394374B2 (ja) | 2008-05-22 | 2014-01-22 | 株式会社日立メディコ | 磁気共鳴イメージング装置及び血管画像取得方法 |
| FR2932599A1 (fr) | 2008-06-12 | 2009-12-18 | Eugene Franck Maizeroi | Procede et dispositif de traitement d'image, notamment pour le traitement d'images medicales pour la determination de vo lumes 3d |
| EP2348989A4 (en) | 2008-09-30 | 2012-07-11 | Univ Cape Town | FLOW ASSESSMENT |
| JP5422171B2 (ja) | 2008-10-01 | 2014-02-19 | 株式会社東芝 | X線画像診断装置 |
| US8148984B2 (en) | 2008-10-03 | 2012-04-03 | Wisconsin Alumni Research Foundation | Method for magnitude constrained phase contrast magnetic resonance imaging |
| US8301224B2 (en) | 2008-10-09 | 2012-10-30 | Siemens Aktiengesellschaft | System and method for automatic, non-invasive diagnosis of pulmonary hypertension and measurement of mean pulmonary arterial pressure |
| US20100145194A1 (en) | 2008-11-13 | 2010-06-10 | Avid Radiopharmaceuticals, Inc. | Histogram-based analysis method for the detection and diagnosis of neurodegenerative diseases |
| US8457373B2 (en) | 2009-03-16 | 2013-06-04 | Siemens Aktiengesellschaft | System and method for robust 2D-3D image registration |
| KR20100109383A (ko) * | 2009-03-30 | 2010-10-08 | 삼성전자주식회사 | 바이오 분석 장치를 포함하는 인터넷 폰 장치 및 이를 이용한 원격 의료 서비스 방법 |
| US10303986B2 (en) | 2009-04-07 | 2019-05-28 | Kayvan Najarian | Automated measurement of brain injury indices using brain CT images, injury data, and machine learning |
| US8527251B2 (en) | 2009-05-01 | 2013-09-03 | Siemens Aktiengesellschaft | Method and system for multi-component heart and aorta modeling for decision support in cardiac disease |
| JP5681706B2 (ja) | 2009-05-28 | 2015-03-11 | ケイジャヤ、エルエルシー | 専用ウェブポータルを用いた医療用スキャンの高度可視化高速アクセス方法およびシステム |
| JP5317916B2 (ja) * | 2009-09-29 | 2013-10-16 | 富士フイルム株式会社 | 放射線撮影管理システム及び放射線撮影管理方法 |
| US20120070045A1 (en) * | 2009-12-17 | 2012-03-22 | Gregory Vesper | Global medical imaging repository |
| JP5926728B2 (ja) | 2010-07-26 | 2016-05-25 | ケイジャヤ、エルエルシー | 内科医が直接用いるのに適応したビジュアライゼーション |
| US8897519B2 (en) | 2010-09-28 | 2014-11-25 | Siemens Aktiengesellschaft | System and method for background phase correction for phase contrast flow images |
| US8374414B2 (en) | 2010-11-05 | 2013-02-12 | The Hong Kong Polytechnic University | Method and system for detecting ischemic stroke |
| US8971608B2 (en) | 2010-12-09 | 2015-03-03 | Koninklijke Philips N.V. | Volumetric rendering of image data |
| US8745413B2 (en) * | 2011-03-02 | 2014-06-03 | Appature, Inc. | Protected health care data marketing system and method |
| US8600476B2 (en) | 2011-04-21 | 2013-12-03 | Siemens Aktiengesellschaft | Patient support table control system for use in MR imaging |
| JP5701685B2 (ja) * | 2011-05-26 | 2015-04-15 | 富士フイルム株式会社 | 医用情報表示装置およびその動作方法、並びに医用情報表示プログラム |
| WO2013006709A2 (en) | 2011-07-07 | 2013-01-10 | The Board Of Trustees Of The Leland Stanford Junior University | Comprehensive cardiovascular analysis with volumetric phase-contrast mri |
| AU2012100459B4 (en) * | 2011-08-15 | 2012-11-22 | Uniloc Usa, Inc. | Personal control of personal information |
| US9585568B2 (en) | 2011-09-11 | 2017-03-07 | Steven D. Wolff | Noninvasive methods for determining the pressure gradient across a heart valve without using velocity data at the valve orifice |
| JP5967408B2 (ja) * | 2011-10-13 | 2016-08-10 | ソニー株式会社 | 情報取得端末装置および情報取得方法、並びにプログラム |
| US8837800B1 (en) | 2011-10-28 | 2014-09-16 | The Board Of Trustees Of The Leland Stanford Junior University | Automated detection of arterial input function and/or venous output function voxels in medical imaging |
| US8682049B2 (en) | 2012-02-14 | 2014-03-25 | Terarecon, Inc. | Cloud-based medical image processing system with access control |
| US8553965B2 (en) * | 2012-02-14 | 2013-10-08 | TerraRecon, Inc. | Cloud-based medical image processing system with anonymous data upload and download |
| DE102012202701A1 (de) * | 2012-02-22 | 2013-08-22 | Siemens Aktiengesellschaft | Verfahren zur Bearbeitung von patientenbezogenen Datensätzen |
| US20130297345A1 (en) * | 2012-05-03 | 2013-11-07 | Medical Records Systems | Electronic Medical Record Hosting System and Method |
| US8908947B2 (en) * | 2012-05-21 | 2014-12-09 | Terarecon, Inc. | Integration of medical software and advanced image processing |
| US9495752B2 (en) | 2012-09-27 | 2016-11-15 | Siemens Product Lifecycle Management Software Inc. | Multi-bone segmentation for 3D computed tomography |
| US9165360B1 (en) | 2012-09-27 | 2015-10-20 | Zepmed, Llc | Methods, systems, and devices for automated analysis of medical scans |
| US20150374237A1 (en) * | 2013-01-31 | 2015-12-31 | The Regents Of The University Of California | Method for accurate and robust cardiac motion self-gating in magnetic resonance imaging |
| US9741116B2 (en) | 2013-08-29 | 2017-08-22 | Mayo Foundation For Medical Education And Research | System and method for boundary classification and automatic polyp detection |
| US9668699B2 (en) | 2013-10-17 | 2017-06-06 | Siemens Healthcare Gmbh | Method and system for anatomical object detection using marginal space deep neural networks |
| US20150139517A1 (en) | 2013-11-15 | 2015-05-21 | University Of Iowa Research Foundation | Methods And Systems For Calibration |
| WO2015109254A2 (en) | 2014-01-17 | 2015-07-23 | Morpheus Medical, Inc. | Apparatus, methods and articles for four dimensional (4d) flow magnetic resonance imaging |
| US20150324690A1 (en) | 2014-05-08 | 2015-11-12 | Microsoft Corporation | Deep Learning Training System |
| US9928588B2 (en) | 2014-05-15 | 2018-03-27 | Brainlab Ag | Indication-dependent display of a medical image |
| KR20160010157A (ko) | 2014-07-18 | 2016-01-27 | 삼성전자주식회사 | 차원 축소 기반 3차원 컴퓨터 보조 진단 장치 및 방법 |
| US9633306B2 (en) | 2015-05-07 | 2017-04-25 | Siemens Healthcare Gmbh | Method and system for approximating deep neural networks for anatomical object detection |
| JP6450053B2 (ja) | 2015-08-15 | 2019-01-09 | セールスフォース ドット コム インコーポレイティッド | 3dバッチ正規化を伴う三次元(3d)畳み込み |
| EP3380859A4 (en) | 2015-11-29 | 2019-07-31 | Arterys Inc. | AUTOMATED HEART VOLUME SEGMENTATION |
| EP3391284B1 (en) | 2015-12-18 | 2024-04-17 | The Regents of The University of California | Interpretation and quantification of emergency features on head computed tomography |
| US9589374B1 (en) | 2016-08-01 | 2017-03-07 | 12 Sigma Technologies | Computer-aided diagnosis system for medical images using deep convolutional neural networks |
| JP2020510463A (ja) | 2017-01-27 | 2020-04-09 | アーテリーズ インコーポレイテッド | 全層畳み込みネットワークを利用する自動化されたセグメンテーション |
| WO2018222755A1 (en) | 2017-05-30 | 2018-12-06 | Arterys Inc. | Automated lesion detection, segmentation, and longitudinal identification |
-
2015
- 2015-01-16 WO PCT/US2015/011851 patent/WO2015109254A2/en not_active Ceased
- 2015-01-16 CN CN201580008074.2A patent/CN106170246A/zh active Pending
- 2015-01-16 JP JP2016565120A patent/JP2017506997A/ja active Pending
- 2015-01-16 EP EP21198658.3A patent/EP3949837B1/en active Active
- 2015-01-16 EP EP20193466.8A patent/EP3767630A1/en active Pending
- 2015-01-16 EP EP15737417.4A patent/EP3073915A4/en not_active Ceased
- 2015-01-16 US US15/112,130 patent/US10117597B2/en active Active
-
2018
- 2018-11-05 US US16/181,038 patent/US10398344B2/en active Active
-
2019
- 2019-08-27 US US16/552,239 patent/US20200054235A1/en not_active Abandoned
-
2020
- 2020-06-25 JP JP2020109786A patent/JP7544517B2/ja active Active
-
2023
- 2023-02-27 JP JP2023028376A patent/JP2023058747A/ja active Pending
-
2024
- 2024-08-02 JP JP2024127912A patent/JP2024149654A/ja active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110251474A1 (en) * | 2004-06-23 | 2011-10-13 | Chen David T | Anatomical visualization and measurement system |
| US20090281423A1 (en) * | 2008-05-09 | 2009-11-12 | General Electric Company | Determining mechanical force on aneurysms from a fluid dynamic model driven by vessel blood flow information |
| US20130281829A1 (en) * | 2012-04-19 | 2013-10-24 | General Electric Company | Systems and methods for magnetic resonance angiography |
Non-Patent Citations (2)
| Title |
|---|
| BOTEROROSAS D A B等: "Estimation of coherence between blood flow and spontaneous EEG Activity in Neonates", 《IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING》 * |
| WONG A N等: "Segmentation of myocardium using velocity field constrained front propagation", 《APPLICATIONS OF COMPUTER VISION,RPOCEEDINGS.SIXTH IEEE WORKSHOP》 * |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109642934A (zh) * | 2016-06-22 | 2019-04-16 | 优瑞技术公司 | 磁共振体积成像 |
| CN109642934B (zh) * | 2016-06-22 | 2021-10-29 | 优瑞技术公司 | 磁共振体积成像 |
| CN108876794A (zh) * | 2017-05-16 | 2018-11-23 | 西门子保健有限责任公司 | 体积图像数据中的动脉瘤与载瘤血管的隔离 |
| CN109077745A (zh) * | 2017-07-31 | 2018-12-25 | 上海联影医疗科技有限公司 | 用于运动信号校正的系统和方法 |
| CN112136182A (zh) * | 2017-11-16 | 2020-12-25 | 杨晓东 | 基于Gabor光学相干层析术血流成像的系统和方法 |
| CN112105941A (zh) * | 2018-04-12 | 2020-12-18 | 皇家飞利浦有限公司 | 用于磁共振装置的匀场铁 |
| CN109064559A (zh) * | 2018-05-28 | 2018-12-21 | 杭州阿特瑞科技有限公司 | 基于力学方程的血管血流模拟方法及相关装置 |
| CN111110235A (zh) * | 2018-10-31 | 2020-05-08 | 韦伯斯特生物官能(以色列)有限公司 | 根据不同心律的磁共振成像(mri)图像过滤 |
| CN111110235B (zh) * | 2018-10-31 | 2024-05-28 | 韦伯斯特生物官能(以色列)有限公司 | 用于根据不同心律的磁共振成像(mri)图像过滤的方法和系统 |
| WO2020168698A1 (zh) * | 2019-02-22 | 2020-08-27 | 未艾医疗技术(深圳)有限公司 | 基于VRDS 4D医学影像的静脉的Ai内镜分析方法及产品 |
| CN114365181B (zh) * | 2019-08-30 | 2023-06-23 | 玛雷迪夫美国公司 | 使用机器学习自动检测和替换图像中的识别信息 |
| CN114365181A (zh) * | 2019-08-30 | 2022-04-15 | 国际商业机器公司 | 使用机器学习自动检测和替换图像中的识别信息 |
| WO2021081835A1 (zh) * | 2019-10-30 | 2021-05-06 | 未艾医疗技术(深圳)有限公司 | 基于VRDS 4D医学影像的动脉瘤Ai处理方法及产品 |
| CN116205995A (zh) * | 2021-11-30 | 2023-06-02 | 深圳开立生物医疗科技股份有限公司 | 一种脐带显示方法、装置、设备及存储介质 |
| CN115963440A (zh) * | 2023-02-28 | 2023-04-14 | 复旦大学 | 一种针对四维血流磁共振成像的速度解卷绕方法 |
| CN120599292A (zh) * | 2025-08-07 | 2025-09-05 | 中国人民解放军陆军军医大学第二附属医院 | 一种基于目标检测的血管通路病变识别方法及系统 |
| CN120599292B (zh) * | 2025-08-07 | 2025-09-30 | 中国人民解放军陆军军医大学第二附属医院 | 一种基于目标检测的血管通路病变识别方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| EP3949837A1 (en) | 2022-02-09 |
| US20200054235A1 (en) | 2020-02-20 |
| JP2017506997A (ja) | 2017-03-16 |
| WO2015109254A3 (en) | 2015-10-08 |
| JP2020163213A (ja) | 2020-10-08 |
| JP2023058747A (ja) | 2023-04-25 |
| EP3767630A1 (en) | 2021-01-20 |
| EP3073915A2 (en) | 2016-10-05 |
| JP2024149654A (ja) | 2024-10-18 |
| WO2015109254A2 (en) | 2015-07-23 |
| US20190069802A1 (en) | 2019-03-07 |
| US10398344B2 (en) | 2019-09-03 |
| EP3073915A4 (en) | 2017-08-16 |
| US10117597B2 (en) | 2018-11-06 |
| JP7544517B2 (ja) | 2024-09-03 |
| US20160338613A1 (en) | 2016-11-24 |
| EP3949837B1 (en) | 2026-01-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7544517B2 (ja) | 4次元(4d)フロー磁気共鳴画像化のための装置、方法、および物品 | |
| US12161451B2 (en) | Medical imaging and efficient sharing of medical imaging information | |
| US11515032B2 (en) | Medical imaging and efficient sharing of medical imaging information | |
| US9424637B2 (en) | Vessel segmentation method and apparatus using multiple thresholds values | |
| CN113168922A (zh) | 用于跟踪、访问和合并受保护的健康信息的系统和方法 | |
| WO2025097129A1 (en) | System and methods for standardized measurements and personalized parameter maps of the thoracic aorta from anatomic imaging using machine learning |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20161130 |