检测医学图像中的伪影的制作方法

本公开内容的各种示例总体上涉及检测医学成像系统中的伪影。本公开内容的各种示例具体地涉及通过将机器学习模型应用于与获取使用诊断成像测量协议生成的至少一个图像相关联的信息来检测图像伪影。

背景技术：

1、由医学成像系统生成的图像可以包括源自硬件缺陷和软件缺陷的各种伪影。例如，可以在磁共振(mr)k空间图像中观察到尖峰作为图像伪影。根据另一示例，mr扫描器可能受损坏的线圈元件的影响。图像伪影可能损害图像质量，并且使患者扫描无法诊断。

2、mr k空间图像中的尖峰可能具有各种根本原因。一个示例是由于高梯度活动而引起的小电弧。这些小电弧产生电磁火花，这些电磁火花将由局部线圈的线圈元件拾取，并且在图像空间中产生波状伪影。存在关于尖峰的许多其他潜在的根本原因。此外，损坏的线圈元件可能在图像中产生噪声水平增加的暗区域。降低的信噪比可能使得图像的读取更加困难。源自mr扫描器本身或mr扫描器周围的环境的不同伪影可能存在于医学图像中。

3、如果出现硬件或软件引起的图像伪影，则识别图像伪影并找到该伪影的根本原因可能是耗时的，并且通常需要现场服务技术人员在场，以在mr扫描器处调查主题。调查时间可能取决于各个服务技术人员的知识和经验水平。

4、因此，所提出的方法的构思是提供用于检测图像伪影的先进技术，其克服或减轻所提及的限制和缺点中的至少一些。

技术实现思路

1、该任务由独立权利要求的特征解决。从属权利要求中包括了其他有利的示例。

2、在下文中，关于所要求保护的方法以及关于所要求保护的计算装置、计算机程序、存储介质以及成像系统来描述所公开的技术，其中，特征、优点或替选实施方式可以被分配给其他所要求保护的对象，并且反之亦然。例如，与计算装置、计算机程序以及存储介质相关的权利要求可以用在方法的上下文中描述的特征来改进。

3、一种用于检测由医学成像系统获取的图像中的图像伪影的计算机实现的方法包括以下步骤。

4、在步骤中，获得与由医学成像系统获取至少一个图像相关联的输入数据，其中，所述至少一个图像可以包括图像伪影。输入数据可以包括由医学成像系统获取的用于生成所述至少一个图像的原始测量数据的至少一部分(例如，图像计算之前的原始测量信号)和/或经处理的测量数据的至少一部分(例如，测量数据的诸如图像的视觉表示)。输入数据可以包括所述至少一个图像(例如，表示所检查的患者或检查对象并且根据原始测量数据计算的图像)的图像数据的至少一部分，具体而言，包括所述至少一个图像。输入数据可以包括与所述至少一个图像的获取相关联的医学成像系统的元数据。

5、在各种示例中，所述至少一个图像可以包括诊断医学图像，该诊断医学图像可以是基于由用于诊断检查对象或患者的医学成像系统获取的来自检查对象或患者的测量信号而生成的。换句话说，图像可以包括检查对象或患者的视觉表示，该视觉表示可以基于所获取的源自检查对象或患者的测量数据，通过医学成像系统使用用于生成检查对象或患者的图像的诊断测量协议或序列来生成。

6、在步骤中，将机器学习模型应用于输入数据，由此确定关于所述至少一个图像中的图像伪影的信息。

7、图像伪影(换句话说，图像中的视觉伪影)可以被包括或表示在图像中，并且例如由医学成像系统中的硬件缺陷、医学成像系统中的软件缺陷或者医学成像系统的环境中的硬件部件中的一个或更多个引起，图像伪影干扰测量并且扰乱测量，导致与无伪影图像的信号偏离。

8、特别地，待由根据本公开内容的技术检测和分类的图像伪影可能不是由待成像的检查对象或患者引起的，或者由医学成像系统的用户的操纵引起的，例如，图像伪影可能不是通过设置不正确的参数或类似的不正确的用户输入或不正确的用户-系统交互而由用户引起的，并且与使用诊断成像协议生成所述至少一个图像所需的成像系统硬件相比，可以不使用其他硬件，即仅使用诊断医学成像系统。

9、通常，图像伪影可以由医学成像系统的至少一个部件引起。至少一个部件可以包括医学成像系统的硬件部件或医学成像系统的软件部件中的至少一个。作为对由医学系统的至少一个部件引起的伪影的替选或者附加，伪影也可能由医学成像系统周围的环境中(即在医学成像系统的部署现场处)的硬件部件引起。这样的外部硬件部件可以通过例如电场和/或磁场(ac和/或dc)与医学成像系统交互。

10、图像伪影可以由医学成像系统中的硬件缺陷引起，并且因此可以被称为硬件引起的图像伪影。通常，图像伪影可以由医学成像系统中的硬件缺陷和/或软件缺陷引起，并且因此可以被称为系统引起的图像伪影。然而，来自医学成像系统外部(特别是医学成像系统附近的硬件部件)的其他影响也可能在测量期间影响系统并且引起图像伪影。通常，图像伪影可以由所提及的根本原因的任何组合引起，并且可以被称为硬件和/或软件和/或固件引起的图像伪影。

11、在步骤中，作为输出数据提供关于图像伪影的信息。

12、在各种示例中，获得输入数据可以包括：当执行与例如患者或检查对象的感兴趣患病区域相关联的诊断协议时，从使用医学成像系统获取的多个医学图像中提取所述至少一个医学图像；以及将所述至少一个医学图像包括在输入数据中。这意味着可以从为了诊断目的而获取的医学图像中提取医学图像。这与使用例如由于有限的分辨率(示例将是校准扫描或者导航扫描)而不能提供诊断目的的图像获取不同。诊断协议可以由医务人员选择，例如，用于筛选患病区域。诊断协议可以作为患者特定的放射学工作流程的一部分来选择；这与例如用于医学成像系统(未具体链接至患者)的自检目的的校准例程不同。这样的技术具有不需要执行专用自检校准例程的优点；相反，输入数据可以作为临床例程的副产品获得。这减少了用于维护的系统的停机时间，并且允许在医学成像系统被投入预期用途时(即在执行诊断协议以诊断感兴趣患病区域时)监测医学成像系统。

13、在各种示例中，通过将机器学习模型应用于输入数据，可以确定图像伪影的分类，以确定图像伪影的伪影类型，并且关于图像伪影的信息可以包括与图像伪影相关联的伪影类型。

14、例如，可以执行分类，以确定图像伪影的伪影类型，例如确定图像伪影的原因。

15、在各种示例中，分类可以包括类的多个层级。因此，在各种示例中，可以执行伪影类型的分类和/或子分类，以确定伪影类型和伪影子类型，伪影子类型可以进一步将伪影划分或者分组成与伪影类型对应的伪影子集(例如具有相同或者相似缺陷作为原因)，并且关于图像伪影的信息可以包括与伪影类型相关联的伪影子类型。

16、例如，为了给出说明性示例，在第一层级处，分类可以输出：“伪影是/否”。这些是第一层级的类。在第二层级处，对于伪影“是”，可以提供其他的子类，例如“硬件伪影”-“软件伪影”-“固件伪影”，以给出第二层级类的一些示例。在第三层级处，可以提供“硬件伪影”的子类，例如“梯度系统”、“数字/模拟转换器”、“线圈系统”、“尖峰”；同样地，在第三层级处，可以提供“软件伪影”的进一步的子类，例如“线圈控制软件”、“梯度控制软件”等。对于第四层级，“尖峰”可以被分解成诸如“数字尖峰”，“电弧尖峰”等的子类。因此，概括而言，包括多个层级的类的一个示例分类可以是“伪影是-硬件伪影－尖峰－电弧尖峰”。

17、通过提供类的多个层级，可以更快地解决根本原因，因为所提及的两个尖峰类别需要完全不同的处理。

18、作为一般规则，伪影可以是由医学成像系统的硬件缺陷引起的伪影。伪影可以是由医学成像系统的软件缺陷引起的伪影。伪影可以是由医学成像系统的固件缺陷引起的伪影。固件的一种特定形式是装载件(loadware)。伪影可以是由这样的硬件部件引起的伪影，该硬件部件不包括在医学成像系统中，并且位于医学成像系统附近，使得该硬件部件可能干扰医学成像系统的测量。例如，硬件部件可以包括在围绕医学成像系统的其他医学设备中，或者硬件部件可以包括在吊灯中，这可能干扰医学成像系统的测量。通常，图像伪影可以由所提及的根本原因的任意组合引起。

19、在各种示例中，通过将机器学习模型应用于输入数据，可以确定包括在医学成像系统中或医学成像系统的环境中的一个或更多个部件。例如，可以确定医学成像系统的多个部件，其中，医学成像系统的多个部件可能受到引起伪影的缺陷(例如，硬件缺陷或者软件缺陷或者固件缺陷)的影响。替选地或附加地，在测量数据的测量或处理期间，多个部件直接引起图像伪影是可能的。可以例如从可能包括根本原因部件的多个部件中确定硬件缺陷的根本原因部件。关于图像伪影的信息可以包括与图像伪影相关联的根本原因部件。

20、例如，根本原因部件可能包括硬件缺陷，和/或可能受到硬件缺陷的影响，使得通过根本原因部件可能引起测量信号的干扰，这导致检测到的硬件引起的图像伪影。通常，医学成像系统的根本原因部件(该根本原因部件可以被称为图像伪影的根本原因)可以以因果关系与对硬件引起的图像伪影的贡献相关联，使得如果根本原因硬件缺陷将不存在，则硬件引起的图像伪影将不存在于所述至少一个图像中。在一些示例中，根本原因可能对应于主要导致图像伪影的硬件缺陷或者软件缺陷。例如，缺陷传播链可以在根本原因部件处开始，并且然后包括由于他们与根本原因部件的功能和/或硬件相互关系而受到缺陷或缺陷贡献影响的一个或更多个其他部件。

21、在各种示例中，通过将机器学习模型应用于输入数据，可以确定医学成像系统的至少一个部件受到硬件缺陷影响的概率，其中，关于图像伪影的信息可以包括该概率。在各种示例中，可以针对包括在关于图像伪影的信息中的一个或更多个输出确定概率值，关于图像伪影的信息是例如图像伪影本身的存在、和/或类别(例如，伪影类型和/或伪影子类型)、和/或根本原因部件，概率值可以描述输出正确的概率。

22、在各种示例中，输入数据可以包括包含图像伪影的图像，并且还包括由医学成像系统获取并且被使用或处理以生成所述至少一个图像的原始测量数据或未处理的测量数据的至少一部分(特别是表示测量数据的图像)。

23、在各种示例中，输入数据可以包括与所述至少一个图像的所述获取相关联的医学成像系统的测量元数据。

24、例如，测量元数据可以包括以下项中的一个或更多个：描述用于在医学成像系统中从检查对象检测测量信号的一个或更多个单独的测量信号检测器、短路检测器(shortdetector)，或者换句话说，信号接收器的技术特征的参数、和/或检测器的数量、和/或所述一个或更多个检测器的尺寸、和/或所述一个或更多个检测器在医学成像系统中的位置、和/或所述一个或更多个检测器的取向。例如，在成像系统是mri系统的情况下，检测器可以对应于用于检测来自患者的mr测量信号(即，k空间数据)的接收线圈，该mr测量信号(即，k空间数据)可以被具体地表示为k空间图像并且可以被处理到图像空间，具体地处理到检查对象或患者的图像。例如，输入数据可以包括与图像空间中的图像对应的k空间图像。然而，要理解的是，信号检测器还可以指用于在其他医学成像系统中检测源自患者或检查对象的测量信号的装置或者部件，例如计算机断层摄影(ct)、显微镜(mi)、x射线(ax)、正电子发射断层摄影(pet)或者单光子发射计算机断层摄影(spect)系统，其根据检查对象的测量数据生成图像。

25、在各种示例中，通过将机器学习模型应用于输入数据，可以确定包括要由成像系统执行或在成像系统中执行的控制命令的工作列表。工作列表可以包括具有要由医学成像系统例如按照与诊断成像协议分离或者包括在诊断成像协议中的顺序执行的步骤的工作流程。工作列表可以包括用于医学成像系统获取附加的数据(例如用于获得关于图像伪影的附加的信息)的多个控制命令，并且关于图像伪影的信息可以包括工作列表。例如，工作流程可以自动地部署，或者工作流程可以由用户通过单个按钮来启动或部署。

26、通过由成像系统执行工作列表或者在成像系统中执行工作列表，可以获得附加的信息。这样的附加信息可以用于进一步细化先前获得的关于至少一个图像中的图像伪影的信息。例如，将可以验证图像伪影是否实际上存在。例如，在基于与由医学成像系统获取至少一个图像相关联的输入数据的机器学习模型已经确定了估计在至少一个图像中存在图像伪影的信息的情况下，可以验证该估计。在另一示例中，机器学习模型可以估计缺陷影响医学成像系统的某个部件(例如，硬件部件或者软件部件)使得图像伪影发生；然后，基于通过由成像系统执行工作列表或者在成像系统中执行工作列表而获得的附加的信息，可以找到该缺陷的根本原因。例如，某个硬件部件可能受到由在功能上与该硬件部件耦接的另一硬件部件中的根本原因缺陷引起的缺陷的影响。示例是通过磁共振成像系统的线圈施加射频脉冲的缺陷；该缺陷可以归根于用于向线圈提供驱动电流的数模转换器处的另一缺陷。这可以基于通过执行工作列表获得的附加信息来揭示。因此，一般而言，可以细化应用于原始输入数据的机器学习模型的估计，并且可以基于通过执行工作列表获得的信息来收集另外的上下文信息。

27、在各种示例中，方法可以包括例如另外使用机器学习模型的输出中的一个或更多个输出来确定引起图像伪影的硬件缺陷的位置的其他的步骤。

28、在各种示例中，这些步骤可以在方法中执行以用于确定硬件缺陷的位置，特别地用于确定硬件部件的位置，该硬件部件可以包括硬件缺陷或受到硬件缺陷影响并且在使用医学成像系统获取的图像中引起图像伪影。例如，包括在医学成像系统中的硬件部件、或者在医学成像系统周围的硬件部件或系统(例如，吊灯)、或者靠近医学成像系统的其他医学设备，这些硬件部件、系统或者医学设备可能干扰医学成像系统的测量。

29、在步骤中，可以获得用于获取至少一个图像的医学成像系统的至少一个检测器的位置。

30、在步骤中，基于至少一个测量信号检测器中的每一个检测器的位置，可以估计医学成像系统中的缺陷的位置。基于使用两个或三个或更多个检测器，可以以改进的精度估计硬件缺陷的位置。

31、估计位置可以包括：基于所述至少一个检测器中的每一个检测器的位置，针对硬件缺陷的多个候选位置模拟所述至少一个检测器的检测器信号，并且将所述至少一个检测器的所测量的检测器信号与模拟的检测器信号进行比较，其中，基于所述比较来估计硬件缺陷的所述至少一个位置。在各种示例中，可以使用机器学习模型的一个或更多个输出，例如，成像系统的部件、根本原因部件以及根本原因部件位置中的一个或更多个，来确定候选位置。例如，所描述的概率值或严重度值可以用于确定候选位置的数量、候选位置的精确度以及候选位置。

32、例如，模拟可以包括基于所述至少一个检测器中的每一个检测器的位置来确定基于硬件缺陷的假设位置的模拟的测量信号强度，该硬件缺陷的假设位置可以对应于当硬件缺陷将位于模拟位置时将被接收的模拟的测量信号强度。例如，估计位置可以包括：确定由硬件缺陷引起的所测量的测量信号强度与模拟的测量信号强度之间的差；以及通过改变硬件缺陷的模拟位置并且使由硬件缺陷引起的所测量的测量信号强度与模拟的测量信号强度之间的差最小化来估计硬件缺陷的位置。

33、在各种示例中，通过将机器学习模型应用于输入数据，可以确定关于图像伪影的信息中的输出之一的置信度值或严重度值，或者机器学习模型的另一输出的置信度值或严重度值。

34、这样的置信度值或严重度值可以被确定并且与以下项中的一个或更多个相关联：图像伪影的存在、伪影类别、伪影类型和/或伪影子类型、伪影的根本原因、根本原因的位置。置信度值可以描述输出数据的概率，即输出数据正确的概率。严重度值可以描述输出数据如何严重地影响医学成像系统的图像质量。

35、通过所公开的技术，可以通过以自动方式检测和分类在日常测量例程期间拍摄的图像中的图像伪影来提供医学装置硬件的远程可服务性，而不需要服务技术人员存在于现场或在现场的活动，从而减少了系统维护的时间和成本并且提高了图像质量。可以通过所公开的技术来识别医学成像硬件和软件部件中的根本原因。

36、提供了包括至少一个处理器和存储器的计算装置，该存储器包括可由该处理器执行的指令，其中，当在处理器中执行指令时，计算装置被配置成执行根据本公开内容的任何方法或方法的组合的步骤。

37、计算装置可以例如包括：包括在医学成像系统中的计算装置，或者在现场并且通过通信网络连接至医学成像系统的边缘计算装置，或者后端计算装置(诸如远程计算装置或云计算装置)。

38、提供了计算机程序或者计算机程序产品以及包括程序代码的非暂态计算机可读存储介质。程序代码可以由至少一个处理器执行。在执行程序代码时，所述至少一个处理器执行根据本公开内容的任何方法或者方法的组合。

39、医学成像系统包括根据本公开内容的至少一个计算装置。

40、对于计算装置、计算机程序产品、非暂态计算机可读存储介质以及成像系统，可以实现与针对方法描述的优点对应的优点。

41、要理解的是，在不脱离本公开内容的范围的情况下，以上提及的特征和下面将要说明的特征不仅可以以所示的相应组合使用，而且可以以其他组合使用或者单独使用。特别地，所公开的实施方式的特征可以在另外的实施方式中彼此组合。

42、因此，以上概述仅旨在给出一些实施方式和实现方式的一些特征的简要概况，而不应被理解为限制。其他实施方式可以包括不同于上述特征的特征。