针对医学成像中的灌注的深度学习

背景技术

本实施例涉及医学成像中的灌注检查。在心脏成像中，灌注成像同时对心脏的详细解剖结构和功能进行成像。基于计算断层摄影（CT）的灌注成像可以提供优势。例如，CT灌注成像可以通过消去一些住院时间、削减测试次数、和/或加速患者诊断来降低健康护理成本。这些优势被源于患者暴露于CT成像中的x射线辐射的风险所抵消。因为灌注成像测量造影剂随时间推移的浓度，因此患者会由于反复扫描而暴露于更多的x射线辐射。

发明内容

通过介绍，下面描述的优选实施例包括用于基于医学成像中的灌注的决策支持的方法、系统、指令和非暂时性计算机可读介质。经机器学习的模型（诸如，用深度学习训练的模型）根据患者的CT扫描生成灌注检查信息。其他信息（诸如患者特定的信息）可以与CT扫描一起用于生成灌注检查信息。由于使用了经机器学习的模型，因此可以根据空间和/或时间上稀疏的扫描拍摄数量或CT剂量的量来估计灌注检查信息。可以以小于当前的、标准的或典型的辐射剂量的方式提供灌注成像的结果。

在第一方面中，提供了一种用于由医学成像器估计心肌灌注的方法。计算断层摄影（CT）系统扫描患者。所述扫描提供了表示随时间推移所述患者的心脏中的造影剂的冠状动脉CT数据。除了所述冠状动脉CT数据之外，还获取针对所述患者的信息。通过深度学习训练过的经机器学习的模型估计心肌灌注。所述经机器学习的模型响应于所述冠状动脉CT数据和所述信息的输入而输出心肌灌注。显示心肌灌注，诸如量或图像。

在一个实施例中，在所述扫描中使用少于五个拍摄。响应于来自不多于所述五个拍摄的所述冠状动脉CT数据的输入而执行所述估计。在其他实施例中，在给定扫描协议的情况下，所述扫描使用少于1/2的有效剂量。响应于与不多于所述有效剂量相对应的所述冠状动脉CT数据的输入而执行所述估计。

可以获取各种类型的患者信息以用于估计。例如，获取针对所述患者的患者属性。患者属性是临床信息，诸如体重、身高、体重指数、性别、年龄、或性能测量（例如，心脏输出）。作为另一示例，获取所述患者的CT血管造影图像。在仍另一示例中，获取针对所述患者的动脉增强曲线信息。由于阻塞或其他疾病改变了动脉中的造影剂的流动，因此动脉增强曲线对于不同的患者可能会有所不同，其中，流动的差异导致针对心肌灌注的造影剂的不同的时机和/或量。作为患者信息的仍另一示例，获取针对所述患者的静态心肌测量。可以计算和输入在给定的时间处或在给定的事件时的峰值灌注或其他灌注定量。

经机器学习的模型通过输入不同的信息（诸如，所述患者信息、所述冠状动脉CT数据和注射协议参数）来进行估计。所述注射协议参数表征针对所述患者的造影剂的注射，诸如造影剂注射的类型、速率、容量和/或位置。

可以生成各种类型的输出。例如，所述心肌灌注被估计为参数化图像。针对每个空间位置确定任何灌注量，诸如峰值灌注的时间、数据点值、或其他灌注曲线表征，并且针对该参数生成图像。作为另一示例，所述心肌灌注被估计为灌注量，诸如峰值、到峰值的时间、血流量、血容量、平均通过时间、或其组合。在其他实施例中，图像处理器根据所估计的心肌灌注和/或根据所述经机器学习的模型的应用来确定诊断或治疗。可以显示诊断或治疗结论或建议。

可以使用各种类型的经机器学习的模型。对于通过深度学习学习过的模型，经机器学习的模型可以是卷积神经网络、经过对抗训练的生成网络、或递归神经网络。

在第二方面中，提供了一种用于基于医学成像中的灌注进行决策支持的系统。提供了计算断层摄影（CT）扫描仪，以用于在造影剂在患者体内时扫描所述患者。所述CT扫描仪被配置成输出针对所述患者的CT数据。所述CT数据来自六个或更少的扫描拍摄序列，并且表示所述造影剂。存储器被配置成存储经机器学习的模型。图像处理器被配置成通过将所述CT数据和患者特定的信息输入到所述经机器学习的模型来估计灌注信息。所述灌注信息是用表示所述造影剂的不多于6个或更少的CT数据扫描拍摄来提供。显示器被配置成显示所述灌注信息。

在一个实施例中，所述CT扫描仪被配置成以一有效剂量来扫描所述患者，在给定针对所述六个或更少的扫描拍摄的灌注的扫描协议的情况下，所述有效剂量小于用于扫描的剂量的1/2。所述图像处理器被配置成基于不多于所述有效剂量来估计所述灌注信息。

在实施例中，所述图像处理器被配置成通过输入所述CT数据、所述患者特定的信息、以及用于将所述造影剂注射到所述患者中的注射协议信息来进行估计。在仍其他实施例中，所述患者特定的信息是患者属性、血管造影图像、动脉增强曲线、和/或来自所述CT数据的量化。由所述经机器学习的模型生成的灌注信息可以是灌注图像、定量灌注值、诊断、和/或治疗。

在第三方面中，提供了一种用于基于由医学成像器测量的灌注进行决策支持的方法。计算断层摄影（CT）系统扫描患者。所述扫描提供了表示随时间推移患者体内造影剂的CT数据，其以80或更低的CT剂量指数获取。由应用于所述CT数据的经机器学习的模型来生成灌注检查信息。所述灌注检查信息可以是灌注图像、灌注量化、或检查的最终结果（例如，诊断和/或治疗）。输出所述灌注检查信息。

在一个实施例中，诊断和/或治疗作为所述灌注检查信息。在另一实施例中，所述经机器学习的模型是应用于所述CT数据和个人化患者信息的经深度学习的神经网络。

本发明由后附权利要求来限定，而本章节中的内容不应被理解为是对那些权利要求的限制。针对一种类型的权利要求（例如，方法或系统）的特征或方面可以用在另一种类型的权利要求中。下文结合优选实施例讨论本发明的另外的方面和优点，并且可以之后独立地或以组合形式要求保护所述另外的方面和优点。

附图说明

各组件和各图不一定是按比例的，相反，着重于图示本发明的原理。此外，在各图中，遍及不同视图，相似的参考标号标示对应的部分。

图1是用于基于由医学成像器测量的灌注进行决策支持的方法的一个实施例的流程图图示；

图2图示了根据将各种类型的信息输入到经机器学习的模型中来生成灌注检查信息的实施例；以及

图3是用于基于灌注进行决策支持的系统的一个实施例。

具体实施方式

提供了基于深度学习的心肌灌注决策支持。基于深度学习的支持潜在地通过减少来自患者的扫描拍摄和图像的必需数量来解决当前CT灌注技术的局限性。人工智能（AI）以与常规灌注测试相同的性能以及减少的辐射剂量和扫描时间来提供灌注信息（例如动态心肌灌注）。这样的方法可以导致剂量和/或时间减少。例如，以减少的CT辐射剂量和扫描时间来确定组织灌注（例如，心肌灌注），这是因为与标准灌注CT成像相比，可以获取时间和/或空间上的稀疏灌注测量，并且该模型可以在没有完整采样的情况下确定缺失信息和/或灌注结果。

本文使用的一个示例应用是心肌CT灌注检查。经AI增强的灌注检查可以用于CT以外的其他模态，诸如用在MR中。经AI增强的灌注检查可以用于非心脏灌注成像，诸如神经灌注、或者肝脏或其他器官或组织的灌注研究。

图1是用于基于由医学成像器测量的灌注进行决策支持的方法的一个实施例的流程图。在一个实施例中，该方法是用于估计心肌灌注。在其他实施例中，该方法提供其他灌注检查信息，诸如用于端到端方式的诊断或治疗建议。使用经机器学习的模型来生成估计或信息，从而允许使用较短的扫描时间和/或较少的剂量进行灌注检查决策支持。

医学扫描仪执行这些动作。替换地或附加地，工作站、服务器或其他计算机执行这些动作中的一个或多个。在一个实施例中，图3的系统执行这些动作。例如，CT扫描仪执行动作10。图像处理器执行动作12、14和16。其他设备可以执行这些动作中的任何或用于这些动作中的任何的执行中。

以所示顺序（例如，从上到下或数字顺序）或其他顺序来执行动作。例如，动作10和12是按任何顺序执行的。

可以提供附加的、不同的或更少的动作。例如，可以在没有动作12和/或16的情况下执行该方法。作为另一示例，提供了用于配置医学扫描仪的动作。在仍另一示例中，提供了用于使用所生成的输出的动作。

在动作10中，获取医学图像序列或数据集。医学图像是表示患者的数据帧。数据可以是以任何格式。虽然使用了术语“图像”和“成像”，但是在实际显示图像之前，图像或成像数据可以是以一种格式。例如，医学图像可以是表示以与显示格式（即扫描或体素数据）不同的笛卡尔或极坐标格式的不同位置的多个标量值。作为另一示例，医学图像可以是向显示器输出以用于以显示格式生成图像的多个红色、绿色、蓝色（例如RGB）值。医学图像可能还不是被显示的图像、可以是当前所显示的图像、或者可以是采用显示或其他格式的先前显示的图像。图像或成像是可以用于解剖成像的数据集，诸如表示患者的解剖结构（例如，冠状动脉）的空间分布的扫描数据。获取医学数据，诸如图像数据或来自扫描的其他数据。

通过从存储器进行加载和/或经由计算机网络进行传输来获得医学数据。例如，从存储器或数据库访问先前获取的数据。作为另一示例，在从扫描患者进行获取之后，通过网络传输扫描数据。在其他实施例中，医学图像或扫描数据是通过扫描患者获得的。

可以使用任何类型的医学数据。在一个实施例中，CT扫描仪或系统获取表示患者和患者体内的造影剂的CT数据。CT数据是通过绕着患者旋转x射线源和相对的检测器而获取的。可以使用任何的行程范围和/或路径，诸如沿着螺旋形的行程路径旋转。在扫描期间，获取数个扫描拍摄。每次CT扫描仪x射线管接通时，每个扫描拍摄是横截面图像获取。为了在造影剂的第一路径期间在不同时间点处收集碘分布信息，获取多个扫描拍摄（例如10个）。

可以替代地使用C形臂或另一x射线成像。然后，使用计算断层摄影来根据由检测器检测到的投影确定x射线衰减的二维或三维分布。

可以使用任何数量的扫描拍摄或来自检测器的读数。为了获得表示不同时间处的患者和造影剂的CT数据序列，重复该扫描。为获取给定时间的数据而进行的每次扫描重复都是一次扫描拍摄。

在其他实施例中，获得其他类型的扫描数据或医学图像，诸如磁共振、x射线、超声、正电子发射断层摄影（PET）、单光子发射计算断层摄影（SPECT）、或其他医学成像模态。

在一个实施例中，执行CT扫描以获取表示患者的心脏或冠状动脉区域的冠状动脉或其他CT数据。可以获取其他冠状动脉CT数据，诸如双能量或光子计数数据。

基于所接收的检测到的强度，通过计算断层摄影处理来生成患者和造影剂的三维表示（即，根据体素或位置的密度或吸收）。替换地，扫描数据表示患者的二维横截面。获得表示患者的内部区域的数据。来自每个扫描拍摄的数据中的一些是对患者体内的造影剂的响应。数据帧表示患者和造影剂的二维或三维区域。针对分布在二维或三维中的多个位置中的每个位置提供值。通过重复，生成数据帧或图像的序列，以示出不同时间处的灌注或造影剂。获得CT灌注顺序图像。

尽管可以使用任何数量的扫描拍摄和/或剂量来获取表示灌注的CT图像序列，但减少的数量可能是合期望的。并非是使用标准的、当前的或更高数量的扫描拍摄或剂量，而是执行更低的空间和/或时间采样。例如，在5、10、20、30或其他秒数的时间段上使用少于10、8、5或其他数量的扫描拍摄。并非是使用10至15个扫描拍摄和对应的图像，而是使用更少的扫描拍摄和对应的图像。在针对协议给定任何标准或常见扫描拍摄数量的情况下，可以使用更少的扫描拍摄。相同或甚至更多数量的扫描拍摄可以与较少的空间采样一起使用。例如，将视场划分为多个部分，并对不同部分执行不同组的扫描拍摄，而不是对每个扫描拍摄执行完整的空间采样。作为另一示例，扫描减少数量的切片。

通过使用基于AI的检查所允许的时间和/或空间稀疏性允许减少的CT剂量指数。并非是针对心肌灌注典型的200或更多的CT剂量指数，所述剂量指数是100、80、70、50或其他数值。对于灌注成像中的任何标准、指南或扫描协议，新技术（例如，检测器或管电流调制）可以减少辐射剂量。可以使用AI来减少与不使用基于机器学习的灌注信息的该标准、指南或扫描协议的进一步的剂量减少，诸如减少50％至80％。针对CT灌注的有效剂量取决于具体的获取协议而变化，诸如2.5至21mSv，平均辐射暴露为12mSv。组合式动态休息和压力CT灌注研究可以使用约18mSv的辐射暴露器。使用AI，可以与例如100mGy的剂量一起使用仅9mSv，而不是使用18mSv，这表示有效剂量减少了50％。给定获取协议和常用剂量、但使用AI来预测某一灌注可能会导致有效剂量减少40％至60％或其他减少量。通过使用较低的辐射剂量而不减少x射线的强度，使患者暴露于较少的辐射。由于经机器学习的模型甚至可以用稀疏采样来输出信息，因此提供所述减少，而不是诊断值的对应降低。

可以收集其他信息。例如，获得注射协议参数。诸如从针对患者的医学记录或辐射学数据库中获得造影剂的类型、速率、容量、注射位置或造影剂注射的其他特性。获得有关用于该患者的造影剂和药剂注射的信息。

在动作12中，除了冠状动脉CT数据之外，图像处理器还获取针对该患者的信息。通过挖掘、加载、输入或另一来源来获取患者特定的信息。例如，从针对患者的计算机化医学记录、和/或从恳求来自用户的输入来加载患者特定的信息。

通过获得患者特定的信息，可以使用个人化信息。这样的个人化使得能够基于与其他患者的相似性来估计或生成灌注检查信息。

可以获取各种类型的患者特定的信息。例如，针对正被扫描的患者获取患者属性。获取尺码、年龄、性别、心脏输出、其他临床测量、患者身体的其他特性、病史、家族病史和/或遗传学作为患者属性。获取非图像信息。

作为另一示例，获取患者的血管造影图像。CT扫描仪可以获取血管造影图像，或者该图像可以来自另一来源（例如，在不同时间处和/或用不同模态取得的已存储的图像）。血管造影图像本身可以用于输入到经机器学习的模型。替换地，从血管造影图像提取特征，诸如解剖学和斑块相关特征。然后输入所提取的特征。

在仍另一示例中，获取针对患者的动脉增强曲线信息。CT扫描仪或其他成像器（例如，超声）可以扫描一个或多个动脉。确定速率、容量、容量流动、速度、随时间推移的变化、和/或来自通过造影剂在患者体内的注射团而得到动脉增强的其他信息。该动脉增强曲线信息可以指示限制、疾病和/或影响灌注的其他患者特定的信息。

作为另一示例，获取针对患者的静态心肌灌注测量。随时间推移的CT数据显示出动态灌注。为了在静止时进行扫描，可以使用CT血管造影图像来获取CT灌注。对于应力，使用CT扫描。在给定时间（诸如造影剂到达后的设定时间）处或在峰值灌注时的灌注可以用于确定静态灌注的量。例如，根据CT数据序列来确定针对数据集的按位置或平均的峰值值、到峰值的时间、或其他测量或灌注定量。静态灌注可以是来自峰值增强。静态测量可以用作患者特定的信息，以输入到经机器学习的模型。

可以使用患者特定的信息的其他来源。例如，物理学或其他解剖学模型可以被适配用于扫描表示患者的解剖结构的数据。然后使用经个人化或适配的模型来对解剖结构的运转进行建模，诸如以计算心脏或血管中的流动特性。可以使用功能和/或生理模型。可以使用来自建模的计算值（诸如基于物理学的经验证的估计值）作为到经机器学习的模型的输入。

在动作14中，图像处理器生成灌注检查信息。将表示随时间推移的患者体内的造影剂的CT数据、连同其他信息或不连同其他信息（例如，患者特定的信息和/或针对注射协议参数的值）输入到经机器学习的模型，所述经机器学习的模型响应于所述输入而输出灌注检查信息。在使用了深度学习来训练经机器学习的模型的情况下，直接地输入图像或扫描数据。在其他实施例中，一个或多个特征源自图像或扫描数据和输入。

经机器学习的模型是临床决策支持系统。机器学习使用上百或上千个输入样本的训练数据，对于每个样本标记有一个或多个地面真值输出。训练数据用作过去案例的知识，以训练分类器以便生成针对未见案例的输出。训练将输入向量的特征与灌注检查中的临床决策或其他输出相关联。

可以使用任何机器学习或训练。可以使用概率提升树、支持向量机、神经网络、稀疏自动编码分类器、贝叶斯网络、回归模型、或其他现在已知的或者以后开发的机器学习。可以使用任何的半监督学习、监督学习、或无监督学习。可以使用分层方法或其他方法。在一个实施例中，分类是通过利用深度学习进行了学习的经机器学习的分类器。作为区分不同结果的学习特征的一部分，还对分类器进行机器训练，以基于所学习的特征进行输出。

在一个实施例中，深度学习是要训练经机器学习的模型以估计心肌灌注或其他灌注检查信息。例如，每个样本输入向量包括CT灌注顺序图像、患者特定的信息、以及针对一个或多个注射协议参数的一个或多个值。针对训练数据中的每个样本提供的地面真值包括：灌注参数图像、色图图像、定量值（诸如峰值值、到峰值的时间、脑血流量（CBF）和/或脑血容量（CBV））、和/或心脏科医师或辐射科医师的决策（例如，诊断和/或治疗）。

可以使用任何深度学习方法或架构。例如，使用卷积神经网络。该网络可以包括卷积层、下采样（例如，最大池化）层、全连接层、柔性最大值传输函数（softmax）、和/或其他类型的层。通过使用卷积，限制了要测试的可能特征的数量。全连接层操作以在最大池化之后将由卷积层所限制的特征进行全连接。可以将其他特征添加到全连接层，诸如非成像信息或临床信息。可以提供层的任何组合。采用分级结构以用于学习特征或表示、或者用于分类或回归。基于计算机的决策支持系统采用机器学习算法以进行自动化决策。

在一个实施例中，使用递归神经网络（RNN）。由于灌注数据是顺序的或按时间的，因此可以使用具有长短期记忆（LSTM）架构的RNN模型。该特定模型可以使用先验信息来预测增强或浓度值。

在另一实施例中，使用生成对抗网络（GAN），诸如图像到图像或UNet生成器和CNN鉴别器。由于来自顺序切片的灌注信息的顺序特性，与常规CT灌注相比，基于深度学习的GAN被训练为从更少数量的实际灌注图像生成图像。例如，在扫描中提供了空间和/或时间稀疏性。并非是针对10个真实切片获取10个扫描拍摄，通过深度学习来训练经机器学习的模型，以基于仅4个时间和/或空间切片的输入而生成针对10个切片的灌注。通过这样的生成方法产生的“合成”图像可能会或可能不会用于视觉分析。例如，在有利实施例中，由经训练的GAN生成的合成图像仅用于图像分析和后续量化的目的。

用深度学习或者没有用深度学习训练过的经机器学习的模型被训练以将类别标注（输出灌注检查信息）与来自输入的一个或多个特征的提取值相关联。机器学习使用训练数据连同地面真值来学习基于输入向量进行预测。所得到的经机器学习的模型定义了如何从输入和/或其他特征提取特征值并输出灌注检查信息。

除了表示随时间推移的患者体内的造影剂的CT数据之外，输入特征向量还可以包括个人化或患者特定的信息。为了确保在实际CT灌注测量中显示出的任何信息都不会针对正在接受检查的新患者而被折衷，在训练数据中提供了患者特定的信息的一个或多个值，并将其用在经机器学习的模型的应用中。在应用中，经机器学习的模型响应于CT数据和患者特定或个人化信息的输入来进行生成。一个或多个相应的注射协议参数的一个或多个值可以用在训练和应用中，与患者特定的信息一起使用或代替患者特定的信息。

由于经机器学习的模型的预测本质，经机器学习的模型可以对显示出灌注的稀疏CT数据进行操作。例如，从来自不多于五个扫描拍摄的冠状动脉CT数据输入估计输出。作为另一示例，从对应于不多于100个CT剂量指数的CT数据估计输出。

经机器学习的模型输出任何灌注检查信息。该模型提供单独的测量值或常规CT灌注检查的信息。经机器学习的模型可以将心肌灌注估计为参数化图像。生成参数化灌注图像。为每个位置提供诸如数据点值（例如，从造影剂返回的强度）或灌注随时间推移的灌注曲线值之类的量。由经机器学习的模型生成表示作为位置的函数的参数（例如，到峰值的时间）的值的灰度或颜色映射图像。

经机器学习的模型可以将心肌灌注估计为一个或多个量。例如，针对位置、区域或灌注视场，输出峰值值、到峰值的时间、血流、血容量、平均通过时间或其组合。可以使用其他定量值。

经机器学习的模型可以生成诊断和/或治疗作为灌注检查信息。图像处理器使用该模型来确定诊断或治疗。训练该模型以生成最终诊断和/或决策作为“任务到任务”方法。替换地，使用该模型来估计心肌灌注，并且图像处理器从灌注信息应用阈值或查找以确定诊断或治疗。

诊断可以是二元的，诸如患者是否患有给定疾病。诊断可以是疾病的类型和/或疾病的水平或程度，诸如组织死亡水平。治疗可以是治疗的类型，诸如针对血管再生、支架术、搭桥或药物应用的建议。治疗可以是针对给定类型的设置，诸如建议具体的支架或支架类型。机器学习将输入关联至输出诊断和/或治疗。可以输出任何心脏科医师或辐射科医师决策。

相同或不同的经机器学习的模型可以输出多种灌注检查信息类型。例如，输出灌注图像和/或定量以及临床决策（例如，治疗和/或诊断）。经机器学习的模型生成各种类型的信息作为“端到端”评估中的输出。图2示出了示例。灌注图像序列（例如，随时间推移的患者体内的造影剂的CT数据）20、注射协议信息21、患者特定的特性22、CT血管造影图像23或从中提取的值、动脉增强曲线信息24、和/或静态灌注信息25输入到经机器学习的模型26。作为响应，经机器学习的模型26输出一个或多个灌注图像27、灌注量值28和/或决策支持（例如，诊断或治疗）29。

在动作16中，传输灌注检查信息。该传输是传给诸如监视器的显示器、工作站、打印机、手持设备或计算机。替换地或附加地，该传输是传给存储器（诸如患者记录的数据库）、或者网络（诸如计算机网络）。可以提供灌注检查信息的其他输出。

该传输为医师决策提供信息。临床决策支持系统可以提供初始或初步建议，可以由主治医师批准或不批准所述建议，和/或临床决策支持系统可以提供灌注信息（例如，灌注图像和/或量）以用于辅助诊断或治疗。辐射科医师可以使用灌注检查信息来确定要执行什么测量或任何测量要花费多长时间。

在一个实施例中，诸如心肌灌注之类的灌注检查信息被可视化为文本或以图形方式（例如，覆盖在医学图像上）并被呈现给临床医师。可以显示由经机器学习的模型生成的一个或多个灌注图像。可以显示针对灌注的各量。可以输出决策支持信息，诸如疗法、风险、指南、或者其他治疗或诊断信息。

经机器学习的模型在本地实现。经机器学习的模型的一个优点是，在线预测速度很快，输出结果几乎是即时的，或者是在给予对输入信息的访问的几秒内。因此，经机器学习的模型可以直接在位于诊所或医院处的医学扫描仪或工作站上运行。该系统可以在便携式设备上运行。替换地，决策支持系统可以作为服务可用和/或在远程操作。医院或临床医师访问服务器或其他远程处理器，以获得灌注检查信息输出。

图3示出了用于基于医学成像中的灌注进行决策支持的系统。该系统实现图1的方法、图2的布置或输出灌注检查信息的另一方法。在给定了相对于没有经机器学习的模型的全采样或标准灌注成像而言稀疏的CT数据的情况下，使用经机器学习的模型36来生成输出。

该系统包括CT扫描仪30、图像处理器32、存储器34、显示器38以及一个或多个经机器学习的模型36。可以提供附加的、不同的或更少的组件。例如，提供了网络或网络连接，诸如用于与医学成像网络或数据档案系统联网、或者在CT扫描仪30与图像处理器32之间联网。在另一示例中，提供用户输入。作为另一示例，提供了用于距CT扫描仪30远程地实现图像处理器32和/或经机器学习的模型36的服务器。

图像处理器32、存储器34、显示器38和/或经机器学习的模型36是CT扫描仪30的一部分。替换地，图像处理器32、存储器34、显示器38和/或经机器学习的模型36是诸如与医学记录数据库工作站或服务器关联的、与CT扫描仪30分离的档案和/或图像处理系统的一部分。在其他实施例中，图像处理器32、存储器34、显示器38和经机器学习的模型36是诸如台式或膝上型计算机之类的个人计算机、工作站、服务器、或其组合。

CT扫描仪30是医学诊断成像CT系统。机架将x射线源和检测器支撑在患者检查空间的相对侧。机架使源和检测器在患者周围移动，以执行CT灌注扫描。在扫描拍摄中，检测器从相对于患者的不同位置获取各种x射线投影。计算断层摄影解决了来自投影的响应的二维或三维分布。可以附加地或替换地使用超声、x射线、荧光透视、正电子发射断层摄影、单光子发射计算断层摄影、和/或磁共振系统。

CT扫描仪30被配置成进行扫描，以实现灌注研究。当造影剂在患者体内时执行扫描。CT扫描仪30被配置成输出针对患者的CT数据作为表示随时间推移灌注或造影剂的图像或数据帧的序列。为了减少辐射剂量，CT扫描仪30可以被配置成稀疏地采样灌注，诸如在给定的研究或注射期间使用总共六个或更少的扫描拍摄的序列来对造影剂进行成像。患者可以经受100或更小的CT剂量指数。可以使用更大的剂量和/或扫描拍摄数量。

存储器34可以是用于存储数据的图形处理存储器、视频随机存取存储器、随机存取存储器、系统存储器、高速缓存存储器、硬盘驱动器、光学介质、磁介质、闪存驱动器、缓冲器、数据库、其组合、或其他现在已知的或以后开发的存储器设备。存储器34是CT扫描仪30的一部分、是与图像处理器32相关联的计算机的一部分、是数据库的一部分、是另一系统的一部分、是图片档案存储器、或者是独立的设备。

存储器34被配置成存储数据，诸如存储在计算机化的患者记录中。可以存储本文讨论的任何数据，诸如CT数据、患者特定的信息和/或注射协议参数值。存储器34替换地或附加地存储一个或多个经机器学习的模型36。存储器34替换地或附加地在处理期间存储数据，诸如存储本文讨论的信息或与之相关的链接。

存储器34或其他存储器替换地或附加地是存储数据的非暂时性计算机可读存储介质，所述数据表示可由经编程的图像处理器32或实现临床决策支持和/或经机器学习的模型36的处理器执行的指令。在诸如高速缓存、缓冲器、RAM、可移除介质、硬盘驱动器或其他计算机可读存储介质之类的非暂时性计算机可读存储介质或存储器上提供用于实现在本文讨论的过程、方法和/或技术的指令。非暂时性计算机可读存储介质包括各种类型的易失性的和非易失性的存储介质。响应于存储在计算机可读存储介质中或存储在计算机可读存储介质上的一个或多个指令集，执行在图中图示的或在本文描述的功能、动作或任务。功能、动作或任务独立于特定类型的指令集、存储介质、处理器或处理策略，并且可以由单独或组合地操作的软件、硬件、集成电路、固件、微代码等来执行。同样，处理策略可以包括多处理、多任务、并行处理等。

在一个实施例中，指令存储在可移除介质设备上以供本地或远程系统读取。在其他实施例中，指令存储在远程位置中以用于通过计算机网络或在电话线上传送。在仍其他实施例中，指令存储在给定的计算机、CPU、GPU或系统内。

图像处理器32是用于应用临床决策预测器的通用处理器、中央处理单元、控制处理器、图形处理器、数字信号处理器、三维渲染处理器、专用集成电路、现场可编程门阵列、数字电路、模拟电路、其组合、或其他现在已知的或以后开发的设备。图像处理器32是单个设备、或者串行、并行或分离地操作的多个设备。图像处理器32可以是诸如膝上型或台式计算机之类的计算机的主处理器，或可以是用于在诸如CT扫描仪30中之类的较大系统中处置一些任务的处理器。图像处理器32通过指令、设计、硬件和/或软件进行配置，以执行本文讨论的动作。

图像处理器32被配置成生成灌注检查信息，诸如估计灌注信息。响应于将CT数据、连同或者不连同患者特定的信息和/或注射协议参数值输入到经机器学习的模型36，输出灌注检查信息。

经机器学习的模型36由图像处理器32、或者能访问存储在存储器34或其他存储器中的模型36的其他处理器来实现。经机器学习的模型36被定义为输入通道（即，输入向量）、权重、加权输入或其他层之间的关系、连接、过滤器内核和输出通道。

使用经机器学习的模型36，图像处理器32被配置成通过输入CT数据、患者特定的信息、和/或用于将造影剂注射到患者中的注射协议信息来估计灌注信息。患者特定的信息可以是患者属性、血管造影图像、动脉增强曲线、和/或来自CT数据的量化。输出灌注信息可以是灌注图像、定量灌注值、诊断、和/或治疗。响应于基于六个或更少的扫描拍摄和/或100或更小的CT剂量指数的表示造影剂的CT数据输入，生成输出。

显示器38是用于输出视觉信息的监视器、LCD、投影仪、等离子体显示器、CRT、打印机、或其他现在已知的或以后开发的设备。显示器38从图像处理器32、存储器34、CT扫描仪30或经机器学习的模型36接收图形图像、文本、量、解剖结构或灌注的空间分布、或者其他信息。

显示一个或多个图像。图像可以包括或可以不包括解剖学表示或成像，诸如来自CT数据的解剖学图像。图像包括灌注检查信息，诸如灌注图像、量和/或临床决策。图像包括用于灌注研究或检查的患者分类的指示，诸如文本、图形或涂色。

尽管上面已参考各种实施例描述了本发明，但是应当理解的是，在不脱离本发明的范围的情况下可以做出许多改变和修改。因此，旨在将前述详细描述视为例证性的而非限制性的，并且要理解的是，旨在限定本发明的精神和范围的是包括所有等同物的后附权利要求。