用于确定医学成像的最佳操作参数的系统和方法与流程

背景技术：
：本发明通常涉及医学成像，且更特别地涉及确定医学成像的最佳操作参数。医学成像是支持诊断的关键性的工具，且在临床应用中被广泛接受。为了生成在临床上可接受的图像，需要在执行检查或程序之前设置多个扫描仪、患者和检查参数。例如，在磁共振成像（mri）膝盖检查中，在检查之前需要确定重复时间（tr）、回波时间（te）和其它参数。在当前的临床实践中，这些参数由技术人员或操作员基于他们的经验和个人选择来手动地调整。然而，这些参数的可能值的数目是大的且包括递送差质量图像的值或值的组合。调整参数的这些组合以生成在临床上可接受的图像由于大量的可能的组合而在逻辑评估的情况下是禁止的。此外，在设施中具有多种装备的情况下或在对系统进行改变（例如软件或硬件升级）之后，将实践改变到现有技术的负担由于它们的手动性质在最好情况下也是笨重的且是无效率的。技术实现要素：根据实施例，用于确定对患者成像的优化的成像参数的系统和方法包括学习已知成像参数和质量度量（qualitymeasure）之间的关系的模型，根据培训数据确定已知成像参数和质量度量。通过使用学习的模型优化质量度量来确定优化的成像参数。使用优化的成像参数来获取患者的图像。根据实施例，通过使用学习的模型优化质量度量来确定优化的成像参数包括将质量度量最大化。根据实施例，质量度量包括信噪比、对比度噪声比、分辨率、运动伪像的度量和重像（ghosting）的度量中的至少一个。可基于正被执行的程序来选择质量度量。信噪比可被确定为在图像中的目标结构中的第一感兴趣区中的像素的平均强度值和在图像中的目标结构外部的第二感兴趣区中的像素的平均强度值之间的比。根据实施例，已知成像参数包括用于操作图像获取设备的参数。根据实施例，优化的成像参数被约束到已知成像参数的范围之内。根据实施例，优化质量度量包括使用内部点算法来优化质量度量。根据实施例，学习模型包括使用回归分析来学习模型。通过参考下面的详细描述和附图，本发明的这些和其它优点将对本领域普通技术人员来说是显而易见的。附图说明图1示出根据一个实施例的用于确定医学成像的参数的工作流程；图2示出根据一个实施例的用于确定医学成像的参数的系统；图3示出根据一个实施例的具有在股骨中的感兴趣区和在股骨外部的感兴趣区的股骨的图像平滑器（imageslick）；图4示出根据一个实施例的比较所获取的信噪比与所计算的信噪比的曲线图；图5示出根据一个实施例的用于确定医学成像的参数的方法；以及图6示出根据一个实施例的用于确定医学成像的参数的计算机的高级框图。具体实施方式本发明通常涉及基于数据驱动学习的方法以确定医学成像扫描仪的最佳操作参数。在本文描述本发明的实施例以给出用于基于学习的主动脉分割的方法的视觉理解。数字图像常常由一个或多个对象（或形状）的数字表示构成。在本文常常就识别和操纵对象来描述对象的数字表示。此类操纵是在计算机系统的存储器或其它电路/硬件中实现的虚拟操纵。因此，应理解，可使用存储在计算机系统内的数据来在计算机系统内执行本发明的实施例。虽然可就医疗程序的患者的医学成像来讨论在本文讨论的实施例，但是本文讨论的实施例并不被如此限制。应理解的是，本文讨论的实施例可针对任何程序被应用于任何对象（subject）的成像。图1示出根据一个或多个实施例的用于确定医学成像的参数的工作流程100。工作流程100包括曲线图102，其中培训数据被绘制以比较参数集合{a}与对应的质量度量q。如在曲线图102中所示，质量度量q取决于参数集合{a}的值。参数可以是成像设备的参数（例如重复时间和回波时间）、患者的参数、检查的参数等。注意，在曲线图102中，轴{a}表示多维空间而不是一维空间。根据曲线图102，学习在曲线图104中的质量度量q和参数集合{a}之间的关系的映射108。通过遵循底层映射来对q和{a}之间的相关性建模。可使用支持向量回归算法来学习映射φ108。在曲线图106中，质量度量q在参数集合{a}的范围内被优化110（例如最大化）以提供被预期生成良好质量图像的优化的参数值集合（或值的范围）。可通过应用内部点算法来执行优化。医学成像的最佳参数被确定为对应于来自映射φ108的优化的质量度量q的参数。图2示出根据一个或多个实施例的用于确定医学成像的参数的系统200。系统200包括工作站202，其可用于在程序（诸如例如患者检查）期间帮助用户（例如临床医生）。工作站202包括通信地耦合到数据存储设备204的一个或多个处理器206、显示设备208和输入/输出设备210。数据存储设备204存储多个模块，其表示当在处理器206上被执行时执行的工作站202的功能。应理解的是，工作站202还可包括另外的元件，例如诸如通信接口。工作站202可针对医疗程序帮助临床医生对对象218（例如诸如患者）成像。工作站202可从图像获取设备212接收对象218的医学成像数据。图像获取设备212可具有任何形式（modality），例如诸如磁共振成像（mri）、计算机断层成像（ct）、超声（us）、单光子发射计算机断层成像（spect）、正电子发射断层成像（pet）或任何其它适当的形式或形式的组合。在一些实施例中，图像获取设备212可以采用用于对对象218成像的一个或多个探针216。可以用用于执行程序的一个或多个设备（未示出）来用仪器装备（instrument）探针216。对探针216用仪器装备的设备可包括例如成像设备、跟踪设备、注气设备（insufflationdevice）、切割设备（incisiondevice）、和/或任何其它适当的设备。图像获取设备212经由连接214通信地耦合到探针216，连接214可包括电连接、光学连接、用于注气的连接（例如导管）或任何其它适当的连接。为了从图像获取设备212生成在临床上可接受的图像，必须在执行检查之前设置多个参数。参数可包括例如图像获取设备212的参数、对象218的参数、程序的参数等。例如在mri膝盖检查中，mri成像设备的参数可包括重复时间（tr）和回波时间（te）。在另一示例中，参数可包括患者定位和线圈定位。系统200使用基于学习的方法通过首先基于培训数据220对参数和质量度量之间的相关性建模或映射并然后通过使用该映射优化质量度量（以提供被预测递送良好质量图像的参数集合的值的范围）来提供最佳操作参数。在一些实施例中，参数可包括用于学习模型但不被提供为最佳操作参数的参数。例如，这些参数可包括对象218的生理参数，例如重量。建模模块222被配置成根据培训数据220构建或学习在参数集合{a}和质量测量q之间的映射φ。建模模块222采用回归分析来学习在参数集合{a}和质量测量q之间的映射φ，其在培训数据220中被注解。在一个实施例中，采用支持向量回归（svr）算法。还可采用其它类型的回归分析。由工作站202接收培训数据220。培训数据220在程序之前被获取且可以是同一患者118或不同的患者或患者集合的。培训数据220包括被注解以提供参数集合{a}和质量度量q的对应值的培训图像。质量度量q可以是表示用于特定应用的图像的质量的任何度量，并可基于正被执行的程序来定义。在一个特别有用的实施例中，质量度量q被定义为用于优化图像质量的信噪比（snr）。然而，应理解的是，本文讨论的实施例不被限制到作为其优化目标的传统图像质量测量。更确切地说，本文讨论的实施例可适用于对各种成功度量优化成像。例如，如果获取mr扫描以检测损伤，则质量度量q可被定义为表征检测损伤的能力。虽然在此示例中图像质量可在传统上被视为是差的，但是它对扫描针对其执行的诊断任务而言可能足够了。质量度量q的其它示例可包括例如对比度噪声比（cnr）、分辨率、运动伪像的度量、重像的度量、定性临床诊断图像质量度量、或任何其它适当的质量度量或质量度量的组合。在一个实施例中，质量度量q是被表示为单个目标函数的多个度量的组合。例如，在一个实施例中，可通过标准化概要（summary）来组合多个质量度量，其中每个单个的质量度量首先被标准化到可互相比较的范围中（例如，[01]），然后执行将所有标准化度量相加的求和。优化模块224被配置成基于学习的模型φ来优化质量度量q。优化模块224可采用任何适当的算法，例如诸如内部点算法。在一个实施例中，优化模块224将质量度量q最大化。使用学习的模型φ来选择对应于优化的质量度量的优化的参数值集合以生成良好质量图像。优化的参数值集合由培训数据220的参数集合{a}的可行的值范围约束。优化模块224输出优化的参数值集合以用于执行程序。优化的参数值集合可用于获取患者的图像。有利地，系统200在不使用手工模型的情况下提供数据驱动方法，其在捕获在确定优化的操作参数中呈现的大的复杂性方面有困难。在建模过程期间考虑对具有组合的参数的图像质量的复杂的共同影响。所导出的模型或映射形成大的共同数据库并被预期递送更一致的图像质量并确保检查的高成功率而不考虑扫描仪类型、硬件变化、软件变化、操作员、局部条件等。在一个实验中，使用mri扫描仪收集38个膝盖检查。从每个检查中，提取包括大约30个切片的矢状系列（sagittalseries）。连同每个系列一起，获取/扫描仪参数被记录在dicom（机器中的数字成像和通信）图像头中。对于每个切片，当适用时，两个感兴趣区（roi）被提取；一个在股骨内部并且另一个在背景中。基于两个roi，计算snr。图3说明性地描绘根据一个或多个实施例的股骨的图像切片300。从目标结构（例如股骨）的图像切片300提取roi302，并从目标结构外部的图像切片300（例如，在背景中）提取roi304。基于roi，计算信噪比，其中基于roi302来计算信号分量，并基于roi304来计算噪声分量。在一个实施例中，可根据方程（1）来计算snr。　　　　　　方程（1）其中ij是像素j的强度值，rois和roin分别是信号的感兴趣区（例如roi302）和噪声的感兴趣区（例如roi304），并且ns和nn分别是在rois和roin中的像素的总数。根据在同一检查中的每个切片计算的所有snr的平均值被用作该检查的质量度量q。对于同一检查，可从dicom头选择并取回参数集合{a}。在此实验中，参数集合{a}包括下面的参数：重复时间（tr）、回波时间（te）、回波培训长度（etl）、部分各向异性（fa）、切片厚度、像素间距和带宽。因此，每个检查提供一个培训样本<{a},q>，且总共存在38个样本。应用回归模型nu-svr以学习从{a}到q的映射φ。图4说明性地描绘根据一个或多个实施例的比较每个案例索引404（即，检查）的snr402的曲线图400。例如通过使用方程（1）计算snr来为培训样本确定所获取的snr406。使用学习的回归模型φ来计算所计算的snr408。特别地，学习的回归模型φ对参数{a}和质量度量q之间的关系建模。学习的回归模型φ是输入参数集合{a}并输出质量度量q（在这种情况下是snr）的函数。考虑在不同检查中的生理噪声的存在，学习的回归模型φ递送对培训集合的合理预测。在映射φ被学习之后，内部点算法用于解决优化问题：将在映射φ之下的质量度量q最大化以确定由参数集合{a}的值范围约束的优化的参数。在表1中提供在参数集合{a}中的每个参数的可行的值范围。如下来确定优化的参数：[tr,te,etl,fa,切片厚度,像素间距,和带宽]=[3653.531.610.0175.73.00.7231.4]。最佳参数与关于参数和图像质量之间的关系的临床专家的经验一致。在表1中使用的dicom标签来自西门子mr扫描仪。表1：在参数集合{a}中的参数参数dicom标签值范围重复时间(tr)<0018,0080>2500-3800回波时间(te)<0018,0081>10-30回波培训长度(etl)<0018,0091>5-13部分各向异性(fa)<0018,1314>120-180切片厚度<0018,0050>3-4像素间距<0028,0030>(256-512)0.4-0.8mm/像素带宽<0018,0095>赫兹/像素:130-300图5示出根据一个或多个实施例的用于确定医学成像的参数的方法500。在步骤502处，学习在培训数据中的已知成像参数{a}和在培训数据中的质量度量q之间的关系的模型或映射φ。可以使用任何类型的回归分析（诸如例如svr）来学习模型。培训数据可在程序之前被获取并可包括用已知成像参数{a}和质量度量q的对应值注解的培训图像。已知成像参数{a}可包括图像获取设备的成像参数、对象或患者的参数、程序的参数、或任何其它参数。质量度量q可以是表示用于特定应用的图像质量的任何度量或度量的组合，并可基于正被执行的程序来定义。例如，质量度量q可被定义为snr、cnr、分辨率、运动伪像的度量、重像的度量、定性临床诊断图像质量度量、或任何其它适当的质量度量、或质量度量的组合。在一些实施例中，可基于正被执行的程序来选择或定义质量度量q。在一个实施例中，质量度量q被定义为snr。可通过定义在图像的目标结构中的第一感兴趣区（例如股骨）和在图像的目标结构外部的第二感兴趣区（例如在背景中）来确定snr。可以如在方程（1）中定义的那样来确定snr。特别地，snr可针对扫描的每个切片被确定为在第一感兴趣区中的像素的平均强度值和在第二感兴趣区中的像素的平均强度值之间的比。然后可以将扫描的每个切片的snr求平均以得到针对扫描的snr。在步骤504处，通过使用学习的模型φ优化质量度量q来确定优化的成像参数。学习的模型φ模拟已知成像参数{a}和质量度量q之间的关系。学习的模型φ是输入已知成像参数的集合{a}并输出质量度量q的值的函数。可以使用任何适当的算法（例如诸如内部点算法）来优化质量度量q。在一个实施例中，优化质量度量q包括找到使用学习的模型φ来将质量度量q最大化的已知图像参数{a}。在步骤506处，当前成像参数被设置到优化的成像参数。在步骤508处，使用优化的成像参数来获取患者的医学图像。有利地，使用优化的成像参数获取的患者的医学图像提供良好质量图像。可使用数字电路或使用利用公知的计算机处理器、存储器单元、存储设备、计算机软件和其它部件的一个或多个计算机来实现本文所述的系统、装置和方法。通常地，计算机包括用于执行指令的处理器和用于存储指令和数据的一个或多个存储器。计算机还可包括或耦合到一个或多个大容量存储设备，例如一个或多个磁盘、内部硬盘和可移动磁盘、磁光盘、光盘等。可以使用在客户端-服务器关系中操作的计算机来实现本文所述的系统、装置和方法。通常地，在此类系统中，客户端计算机从服务器计算机远程地被定位并经由网络来交互。客户端-服务器关系可由在相应的客户端和服务器计算机上运行的计算机程序定义和控制。可在基于网络的云计算系统内实现本文所述的系统、装置和方法。在此类基于网络的云计算系统中，连接到网络的服务器或另一处理器经由网络与一个或多个客户端计算机通信。客户端计算机可经由例如在客户端计算机上驻留和操作的网络浏览器应用来与服务器通信。客户端计算机可将数据存储在服务器上并经由网络来访问数据。客户端计算机可经由网络将对数据的请求或对在线服务的请求传输到服务器。服务器可执行所请求的服务并向（多个）客户端计算机提供数据。服务器还可传输适于引起客户端计算机执行指定功能（例如执行计算、在屏幕上显示指定数据等）的数据。例如，服务器可传输适于引起客户端计算机执行本文所述的一个或多个方法步骤（包括图5的一个或多个步骤）的请求。本文所述的方法的某些步骤（包括图5的一个或多个步骤）可由服务器或由在基于网络的云计算系统中的另一处理器执行。本文所述方法的某些步骤（包括图5的一个或多个步骤）可由在基于网络的云计算系统中的客户端计算机执行。本文所述的方法的步骤（包括图5的一个或多个步骤）可由服务器和/或由在基于网络的云计算系统中的客户端计算机以任何组合来执行。可以使用有形地包含在信息载体中（例如在非临时机器可读存储设备中）以用于由可编程处理器执行的计算机程序产品来实现本文所述的系统、装置和方法；并且可使用由此类处理器可执行的一个或多个计算机程序来实现本文所述的方法步骤（包括图5的一个或多个步骤）。计算机程序是一组计算机程序指令，其可在计算机中直接或间接地用来执行某个活动或引起某个结果。可以用任何形式的编程语言（包括编译或解释语言）来编写计算机程序，并且它可以被部署在任何形式中，包括作为独立程序或作为模块、部件、子例程、或适合于在计算环境中使用的其它单元。在图6中描绘了可用来实现本文所述的系统、装置和方法的示例计算机的高级框图600。计算机602包括操作地耦合到数据存储设备612和存储器610的处理器604。处理器604通过执行定义此类操作的计算机程序指令来控制计算机602的总体操作。计算机程序指令可被存储在数据存储设备612或其它计算机可读介质中并在希望计算机程序指令的执行时被加载到存储器610中。因此，图5的方法步骤可由存储在存储器610和/或数据存储设备612中的计算机程序指令定义并由执行计算机程序指令的处理器604控制。例如，计算机程序指令可被实现为由本领域技术人员编程的计算机可执行代码以执行图5的方法步骤和图1的工作站102的模块。因此，通过执行计算机程序指令，处理器604执行图5的方法步骤和图1的工作站102的模块。计算机604还可包括用于经由网络与其它设备通信的一个或多个网络接口606。计算机602还可包括实现与计算机602的用户交互的一个或多个输入/输出设备608（例如显示器、键盘、鼠标、扬声器、按钮等）。处理器604可包括通用和专用微处理器两者，并且可以是计算机602的唯一处理器或多个处理器之一。处理器604可包括例如一个或多个中央处理单元（cpu）。处理器604、数据存储设备612和/或存储器610可包括一个或多个专用集成电路（asic）和/或一个或多个现场可编程门阵列（fpga）、由其补充、或被结合在其中。数据存储设备612和存储器610每个包括有形非临时计算机可读存储介质。数据存储设备612和存储器610每个可包括高速随机存取存储器，例如动态随机存取存储器（dram）、静态随机存取存储器（sram）、双数据速率同步动态随机存取存储器（ddrram）或其它随机存取固态存储器设备，并可包括非易失性存储器，例如一个或多个磁盘存储设备，诸如内部硬盘和可移动磁盘、磁光盘存储设备、光盘存储设备、闪存设备、半导体存储设备，例如可擦除可编程只读存储器（eprom）、电可擦除可编程只读存储器（eeprom）、光盘只读存储器（cd-rom）、数字通用光盘只读存储器（dvd-rom）磁盘、或其它非易失性固态存储设备。输入/输出设备608可包括外围设备，例如打印机、扫描仪、显示屏等。例如，输入/输出设备680可包括用于向用户显示信息的显示设备（例如阴极射线管（crt）或液晶显示器（lcd）监视器）、键盘和定点设备（例如鼠标或轨迹球），用户可通过其来向计算机602提供输入。可以使用一个或多个计算机（例如计算机602）来实现本文讨论的系统和装置中的任何一个或全部（包括图1的工作站102的元件）。本领域技术人员将认识到，实际计算机或计算机系统的实现可具有其它结构，并且也可包含其它部件，并且图6是用于说明性目的的此类计算机的部件中的一些的高级表示。前述详细描述将被理解为在每个方面中是说明性的和示例性的，但不是限制性的，并且本文公开的本发明的范围不将由详细描述来确定而是更确切地说由根据专利法所允许的完全广度所解释的权利要求来确定。将理解的是，在本文示出和描述的实施例仅仅说明本发明的原理，并且可以在不脱离本发明的范围和精神的情况下由本领域技术人员实现各种修改。本领域技术人员可在不偏离本发明的范围和精神的情况下实现各种其它特征组合。当前第1页12