在磁共振成像中确定进一步的处理位置

技术领域

本发明涉及磁共振成像。

背景技术

磁共振成像(MRI)扫描器使用大的静态磁场来对齐原子的核自旋，这是用于在对象体内产生图像的流程的部分。这种大的静态磁场被称为B0场或主磁场。能够使用MRI在空间上测量对象的各种量或属性。通过使用脉冲序列来控制磁共振数据的采集，从而能够实施各种成像协议。在这些脉冲序列的设计中，通常存在大量的可调节的图像采集参数。在一些情况下，操作者进行初始扫描或调查扫描并使用它来确定用于修改后续图像采集的位置。

国际专利申请WO 2017/106469 A1公开了提供用于使用深度神经网络来分析灌注加权的医学成像的系统和方法。该方法包括：接收使用磁共振(“MR”)成像系统从对象采集的灌注加权的成像数据；并且使用四维(“4D”)卷积神经网络对与该灌注加权的成像数据相关联的至少一个体素进行建模。该方法还包括：针对每个建模的体素提取空间-时间特征，并且基于所提取的空间-时间特征来估计针对每个建模的体素的至少一个灌注参数。该方法还包括：使用指示对象中的灌注的至少一个灌注参数来生成报告。

发明内容

本发明在独立权利要求中提供了方法、医学成像系统和计算机程序产品。在从属权利要求中给出了实施例。

实施例可以提供自动执行复杂的磁共振成像技术的手段。这可以通过使用经过专门训练的神经网络来完成。在一些成像技术(例如，动脉自旋标记(ASL))中，以磁性方式标记单个或多个动脉中的血液。自动执行该任务的困难是，对于标记体积或平面来说可能有若干可接受的空间位置。

为了训练神经网络执行该任务，修改通常的训练流程。提供经过标记的医学图像，这些经过标记的医学图像具有一个以上的正确的标记位置。这些标记位置被称为真实处理位置。为了训练神经网络，首先将经过标记的医学图像输入到神经网络中。这会引起输出试验处理位置。为了计算误差向量以训练神经网络，选择最接近试验处理位置的真实处理位置。然后，使用该最接近的处理位置和试验处理位置来训练神经网络。这使得训练流程能够鲁棒地找到改进的试验处理位置。在训练流程完成时，能够使用试验处理位置来自动执行磁共振成像协议。

在一个方面中，本发明提供了一种训练神经网络的方法，所述方法被配置用于提供处理位置。所述方法包括提供经过标记的医学图像。所述经过标记的医学图像包括多个标记，每个标记指示真实处理位置。如本文所使用的真实处理位置涵盖被认为或被考虑为是正确的一个处理位置、多个处理位置或一定范围的处理位置。所述方法还包括将所述经过标记的医学图像输入到所述神经网络中以获得至少一个试验处理位置。所述至少一个试验处理位置包括最可能的试验处理位置。所述方法还包括确定针对所述最可能的试验处理位置的最接近的真实处理位置。

例如，多个真实处理位置可以被分布在医学图像中的不同位置中或者包括一定范围的多个不同位置。最接近的真实处理位置是真实处理位置中最接近神经网络的输出的真实处理位置。所述方法还包括使用所述最接近的真实处理位置和所述最可能的试验处理位置来计算误差向量。在不同的实施例中，这可以采取不同的形式。该向量可以指示大小和/或位置的变化，使得试验处理位置要么在真实处理位置内，要么与真实处理位置相同。所述方法还包括使用所述误差向量来训练所述神经网络。当神经网络是卷积神经网络时，例如可以使用深度学习来执行训练。

该实施例可以是有益的，因为当存在多个正确的解决方案时，它提供了训练神经网络的手段。这在各种类型的医学成像流程中会是有用的。例如，在动脉自旋标记中，选择针对单个动脉的标记体积、标记平面或标记斑点。然而，在针对动脉旋转标记选择合适的标记体积时有一定的自由度。对于该特定示例，当构造经过标记的医学图像时，人类或其他用户可以将许多不同的体积标记为对标记体积来说是可接受的。这些体积都将成为独立的真实处理位置。然后，神经网络可以采用经过标记的图像并且输出至少一个试验处理位置。然后，能够将这些试验处理位置中的最可能的处理位置与被放置在医学图像上的各种标记体积进行比较。能够构造误差向量，使得最可能的试验处理位置被变换为最接近的自旋标记体积。这可以例如使得对神经网络的训练能够以鲁棒的方式执行通常由人完成的任务。

在另一实施例中，所述方法是使用多幅经过标记的医学图像来重复执行的。这可以是有利的，因为随着神经网络被越来越多地训练，神经网络正确放置处理位置的能力会提高。

在另一实施例中，所述误差向量是仅使用所述最接近的真实处理位置和所述最可能的试验处理位置来计算的。

在另一实施例中，所述多幅经过标记的医学图像中的至少一幅经过标记的医学图像仅具有指示正确边界框的单个标记。例如，当训练神经网络时，在一些独立的图像中也可能只有一个边界框。因此，指示试验处理位置的边界框的数量可以是可变的。

如本文所使用的试验处理位置可以与边界框有关。边界框可以是图像或医学图像的体积或区域的标识。

在另一方面中，本发明提供了一种医学成像系统，所述医学成像系统包括存储器，所述存储器用于存储机器可执行指令和根据实施例训练的神经网络。所述神经网络可以例如是卷积神经网络。

所述医学成像系统还包括用于控制所述机器可执行指令的处理器。对所述机器可执行指令的执行使所述处理器接收医学图像。对所述机器可执行指令的执行还使所述处理器将所述医学图像输入到所述神经网络中。然后，所述神经网络响应于该输入而提供进一步的处理位置。

在不同的示例或实施例中，所述进一步的处理位置可以采取不同的形式。在一个示例中，所述进一步的处理位置是用于修改或控制进一步的磁共振成像流程或协议的区域。在其他示例中，进一步的处理位置可以用作用于控制用于分析或修改医学图像的数值算法的输入。

在另一实施例中，所述医学成像系统还包括磁共振成像系统。所述存储器还包括脉冲序列命令，所述脉冲序列命令被配置用于控制所述磁共振成像系统根据磁共振成像协议来采集磁共振成像数据。对所述机器可执行指令的执行还使所述处理器使用所述进一步的处理位置来修改所述脉冲序列命令。例如，如果脉冲序列命令控制磁共振成像系统以执行动脉自旋标记，则进一步的处理位置可以例如是标记体积。对所述机器可执行指令的执行还使所述处理器通过利用经修改的脉冲序列命令控制所述磁共振成像系统来采集所述磁共振成像数据。对所述机器可执行指令的执行还使所述处理器使用根据所述磁共振成像协议的所述磁共振成像数据来重建磁共振图像。该实施例可以是有益的，因为它可以提供自动执行对磁共振图像的采集和重建的手段。再次使用动脉自旋标记的示例，这可以使系统的操作者或用户不必一定要手动选择标记体积。

在另一实施例中，所述存储器还包括初始脉冲序列命令，所述初始脉冲序列命令被配置用于控制所述磁共振成像系统以采集初始磁共振成像数据。对所述机器可执行指令的执行还使所述处理器使用所述初始脉冲序列命令控制所述磁共振成像系统以采集所述初始磁共振成像数据。对所述机器可执行指令的执行还使所述处理器使用所述初始磁共振成像数据来重建所述医学图像。这还可以例如有助于实现在复杂的磁共振成像协议中对磁共振图像的全自动采集和成像。磁共振成像可以例如获得低分辨率或调查扫描，并且将其用作针对神经网络的输入。然后，神经网络输出进一步的处理位置(该进一步的处理位置用于修改脉冲序列命令)，然后以自动方式采集并重建磁共振图像。

在另一实施例中，所述磁共振成像协议是动脉自旋标记协议。所述进一步的处理区域是标记位置。标记位置是血液流过的区域并且是在动脉自旋标记协议中被标记的。

该实施例可以是有益的，因为它可以提供自动执行动脉旋转标记协议的手段。

在另一实施例中，所述磁共振成像协议是动态对比增强磁共振成像协议或动态磁化率对比灌注磁共振成像协议。所述进一步的处理区域是用于动脉输入功能的测量位置。

在另一实施例中，所述磁共振成像协议是单个体素磁共振谱协议。所述进一步的处理区域是用于执行所述单个体素磁共振谱协议的单个体素位置。

在另一实施例中，所述磁共振成像协议是相衬磁共振成像协议。所述进一步的处理区域是用于执行所述相衬磁共振成像协议的切片位置。

在另一实施例中，所述磁共振成像协议是对比增强磁共振血管造影协议。所述进一步的处理区域是用于触发对所述磁共振成像数据的采集的时间区域。在该实施例中，进一步的处理区域本质上是信号，并且进一步的处理区域是在时间上采集磁共振成像数据的时间。

在另一实施例中，所述医学图像是脑部的扩散加权的磁共振图像。所述进一步的处理区域是种子点和/或对感兴趣区域的大小选择结果。对所述机器可执行指令的执行还使所述处理器通过将所述进一步的处理区域和所述医学图像输入到脑纤维跟踪算法中来计算脑纤维跟踪图像。该实施例可以是有益的，因为它提供了用于自动执行对脑纤维跟踪算法的启动和运行的手段。

在另一实施例中，对所述机器可执行指令的执行还使所述处理器在用户接口上显示所述医学图像。对所述机器可执行指令的执行还使所述处理器接收多个标记，每个标记指示真实处理位置。对所述机器可执行指令的执行还使所述处理器通过以下操作来训练所述神经网络：首先提供进一步的经过标记的医学图像。所述进一步的经过标记的医学图像包括多个进一步的标记，每个进一步的标记指示进一步的真实处理位置。对所述机器可执行指令的执行还使所述处理器通过以下操作来训练所述神经网络：将所述进一步的经过标记的医学图像输入到所述神经网络中以获得至少一个进一步的试验处理位置。所述至少一个进一步的试验处理位置包括进一步的最可能的试验处理位置。对所述机器可执行指令的执行还使所述处理器通过以下操作来训练所述神经网络：确定针对所述进一步的最可能的试验处理位置的进一步的最接近的真实处理位置。对所述机器可执行指令的执行还使所述处理器通过以下操作来训练所述神经网络：使用所述进一步的最接近的真实处理位置和所述进一步的最可能的试验处理位置来计算进一步的误差向量。对所述机器可执行指令的执行还使所述处理器通过以下操作来训练所述神经网络：使用所述误差向量来训练所述神经网络。

所述至少一个进一步的试验处理位置包括进一步的并且最可能的试验处理位置。训练神经网络的方法是通过确定针对进一步的最可能的试验处理位置的进一步的最接近的真实处理位置来彻底执行的。最后，对神经网络的训练是通过使用误差向量训练神经网络来进一步执行的。该实施例可以是有益的，因为它可以提供在使用期间持续升级神经网络的性能的手段。

在另外的方面中，本发明提供了一种包括机器可执行指令的计算机程序产品，所述机器可执行指令用于由控制医学成像系统的处理器来执行。对所述机器可执行指令的执行使所述处理器接收经过标记的医学图像。所述经过标记的医学图像包括多个标记，每个标记指示真实处理位置。对所述机器可执行指令的执行还使所述处理器将所述经过标记的医学图像输入到所述神经网络中以获得至少一个试验处理位置，其中，所述至少一个试验处理位置包括最可能的试验处理位置。对所述机器可执行指令的执行还使所述处理器确定针对所述最可能的试验处理位置的最接近的真实处理位置。对所述机器可执行指令的执行还使所述处理器使用所述最接近的真实处理位置和所述最可能的试验处理位置来计算误差向量。对所述机器可执行指令的执行还使所述处理器使用所述误差向量来训练所述神经网络。

应当理解，本发明的前述实施例中的一个或多个实施例可以进行组合，只要所组合的实施例不相互排斥即可。

本领域的技术人员将意识到，本发明的各方面可以被实施为装置、方法或计算机程序产品。因此，本发明的各方面可以采用以下形式：完全硬件实施例、完全软件实施例(包括固件、驻留软件、微代码等)或在本文中全部被通称为“电路”、“模块”或“系统”的组合了软件方面和硬件方面的实施例。此外，本发明的各方面可以采用被实施在一个或多个计算机可读介质中的计算机程序产品的形式，所述一个或多个计算机可读介质具有被实施在其上的计算机可执行代码。

可以利用一个或多个计算机可读介质的任何组合。计算机可读介质可以是计算机可读信号介质或计算机可读存储介质。在本文中所使用的“计算机可读存储介质”涵盖可以存储能由计算设备的处理器执行的指令的任何有形存储介质。计算机可读存储介质可以被称为计算机可读非瞬态存储介质。计算机可读存储介质还可以被称为有形计算机可读介质。在一些实施例中，计算机可读存储介质还能够存储能够由计算设备的处理器访问的数据。计算机可读存储媒介的示例包括但不限于：软盘、磁硬盘驱动器、固态硬盘、闪速存储器、USB拇指驱动器、随机存取存储器(RAM)、只读存储器(ROM)、光盘、磁光盘以及处理器的寄存器文件。光盘的示例包括压缩盘(CD)和数字多用盘(DVD)，例如，CD-ROM、CD-RW、CD-R、DVD-ROM、DVD-RW或DVD-R盘。术语“计算机可读存储介质”还指能够由计算机设备经由网络或通信链路进行存取的各种类型的记录媒介。例如，可以在调制解调器上、在互联网上或在局域网上检索数据。可以使用任何适当的介质来传输在计算机可读介质上实施的计算机可执行代码，所述任何适当的介质包括但不限于：无线、有线、光纤缆线、RF等，或前项的任何合适的组合。

计算机可读信号介质可以包括例如在基带中或作为载波的部分的、在其中实施计算机可执行代码的传播的数据信号。这样的经传播的信号可以采用各种形式中的任何形式，包括但不限于：电磁、光学或其任何合适的组合。计算机可读信号介质可以是这样的任何计算机可读介质：所述计算机可读介质不是计算机可读存储介质并且能够传递、传播或传输用于由指令执行系统、装置或设备使用的程序或与指令执行系统、装置或设备结合使用的程序。

“计算机存储器”或“存储器”是计算机可读存储介质的示例。计算机存储器是能由处理器直接访问的任何存储器。“计算机存储设备”或“存储设备”是计算机可读存储介质的另外的示例。计算机存储设备是任何非易失性计算机可读存储介质。在一些实施例中，计算机存储设备也可以是计算机存储器，或者反之亦然。

在本文中所使用的“处理器”涵盖能够运行程序或机器可执行指令或计算机可执行代码的电子部件。对包括“处理器”的计算设备的引用应被解读为可能包含多于一个处理器或处理核。处理器例如可以是多核处理器。处理器也可以指在单个计算机系统之内的或被分布在多个计算机系统之间的处理器的集合。术语“计算设备”也应被解读为可能指多个计算设备的集合或网络，所述多个计算设备中的每个均包括一个或多个处理器。计算机可执行代码可以由可以在相同的计算设备之内或者甚至可以被分布在多个计算设备上的多个处理器来执行。

计算机可执行代码可以包括令处理器执行本发明的一方面的机器可执行指令或程序。用于执行针对本发明的各方面的操作的计算机可执行代码可以被写成一种或多种编程语言的任何组合，包括面向对象的编程语言(例如，Java、Smalltalk、C++等)和常规程序编程语言(例如，“C”编程语言或类似的编程语言)，并且被编译成机器可执行指令。在一些实例中，计算机可执行代码可以是高级语言的形式或是预编译的形式，并且可以与解读器联合使用，所述解读器即时生成机器可执行指令。

计算机可执行代码可以作为独立软件包而完全在用户的计算机上运行，部分在用户的计算机上运行；部分在用户的计算机上运行而部分在远程计算机上运行，或者完全在远程计算机或服务器上运行。在后两种场景中，远程计算机可以通过任何类型的网络(包括局域网(LAN)或广域网(WAN))连接到用户的计算机，或者可以(例如通过使用互联网服务提供商的互联网)连接到外部计算机。

参考根据本发明的实施例的流程图图示和/或方法、装置(系统)以及计算机程序产品的框图描述了本发明的各方面。应当理解，在适当时能够由计算机可执行代码形式的计算机程序指令来实施流程图、图示和/或框图的框的每个框或部分。还应当理解，当互不排斥时，可以对不同的流程图、图示和/或框图中的框进行组合。可以将这些计算机程序指令提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器以产生机器，使得经由计算机或其它可编程数据处理装置的处理器执行的指令创建用于实施流程图和/或框图的一个或多个框中指定的功能/动作的单元。

这些计算机程序指令也可以被存储在计算机可读介质中，所述计算机可读介质能够指导计算机、其他可编程数据处理装置或其他设备来以特定方式起作用，使得被存储在计算机可读介质中的指令产生制造品，所述制造品包括实施在流程图和/或一个或多个框图框中指定的功能/动作的指令。

计算机程序指令也可以被加载到计算机、其他可编程数据处理装置或其他设备上，以引起要在计算机、其他可编程装置或其他设备上执行的一系列操作步骤，从而产生计算机实施的过程，使得在计算机或其他可编程装置上运行的指令提供用于实施在流程图和/或一个或多个框图框中指定的功能/动作的过程。

在本文中所使用的“用户接口”是允许用户或操作者与计算机或计算机系统交互的接口。“用户接口”还可以被称为“人机接口设备”。用户接口可以向操作者提供信息或数据和/或从操作者接收信息或数据。用户接口可以使得来自操作者的输入能够被所述计算机接收，并且可以从计算机向用户提供输出。换言之，用户接口可以允许操作者控制或操纵计算机，并且接口可以允许计算机指示操作者的控制或操纵的效果。显示器或图形用户接口上对数据或信息的显示是向操作者提供信息的示例。通过键盘、鼠标、跟踪球、触控板、指点杆、图形输入板、操纵杆、游戏手柄、网络摄像头、头戴式设备、脚踏板、有线手套、遥控器以及加速度计来接收数据是使得能够从操作者接收信息或数据的用户接口部件的全部示例。

如本文所使用的“硬件接口”涵盖使得计算机系统的处理器能够与外部计算设备和/或装置交互和/或控制外部计算设备和/或装置的接口。硬件接口可以允许处理器向外部计算设备和/或装置发送控制信号或指令。硬件接口还可以使得处理器能够与外部计算设备和/或装置交换数据。硬件接口的示例包括但不限于：通用串行总线、IEEE 1394端口、并行端口、IEEE 1284端口、串行端口、RS-232端口、IEEE-488端口、蓝牙连接、无线局域网连接、TCP/IP连接、以太网连接、控制电压接口、MIDI接口、模拟输入接口以及数字输入接口。

如本文所使用的“显示器”或“显示设备”涵盖适于显示图像或数据的输出设备或用户接口。显示器可以输出视觉、听觉和/或触觉的数据。显示器的示例包括，但不限于：计算机监视器、电视屏幕、触摸屏、触觉电子显示器、盲文屏幕、阴极射线管(CRT)、存储管、双稳显示器、电子纸、矢量显示器、平板显示器、真空荧光显示器(VF)、发光二极管(LED)显示器、电致发光显示器(ELD)、等离子显示面板(PDP)、液晶显示器(LCD)、有机发光二极管显示器(OLED)、投影仪以及头戴式显示器。

磁共振(MR)数据在本文中被定义为是在磁共振成像扫描期间通过磁共振装置的天线所记录的对由原子自旋发射的射频信号的测量结果。MRF磁共振数据是磁共振数据。磁共振数据是医学图像数据的示例。磁共振成像(MRI)图像或MR图像在本文中被定义为是对在磁共振成像数据之内包含的解剖数据所重建的二维可视化或三维可视化。能够使用计算机来执行该可视化。

附图说明

在下文中将仅以举例的方式并参考附图来描述本发明的优选实施例，在附图中：

图1图示了医学图像的示例；

图2示出了图示训练神经网络的方法的流程图；

图3图示了医学成像系统的示例；

图4示出了图示操作图3的医学成像系统的方法的流程图；

图5图示了医学成像系统的另外的示例；

图6示出了图示操作图5的医学成像系统的方法的流程图；

图7图示了训练神经网络的示例方法；并且

图8图示了使用神经网络将进一步处理体积放置在医学图像上的示例。

附图标记列表

100经过标记的医学图像

102真实处理位置

104真实处理位置

106真实处理位置

108最可能的试验处理位置

110误差向量

200提供经过标记的医学图像，其中，经过标记的医学图像包括多个标记，每个标记指示真实处理位置

202将经过标记的医学图像输入到神经网络中以获得至少一个试验处理位置

204确定针对最可能的试验处理位置的最接近的真实处理位置

206使用最接近的真实处理位置和最可能的试验处理位置来计算误差向量

208使用误差向量训练神经网络

300医学成像系统

302计算机

304处理器

306任选的硬件接口

308任选的用户接口

310存储器

320机器可执行指令

322神经网络

324医学图像

326进一步的处理位置

328任选的脑纤维跟踪算法

330任选的脑纤维跟踪图像

400接收医学图像

402将医学图像输入到卷积神经网络，并且响应于该输入而从神经网络接收进一步的处理位置

500医学成像系统

502磁共振成像系统

504磁体

506磁体的膛

508成像区

509感兴趣区域

510磁场梯度线圈

512磁场梯度线圈电源

514射频线圈

516收发器

518对象

520对象支撑物

530初始脉冲序列命令

532初始磁共振成像数据

534脉冲序列命令

536经修改的脉冲序列命令

538磁共振成像数据

540磁共振图像

600使用初始脉冲序列命令控制磁共振成像系统以采集初始磁共振成像数据

602使用初始磁共振成像数据来重建医学图像

604使用进一步的处理位置来修改脉冲序列命令

606通过利用经修改的脉冲序列命令控制磁共振成像系统来采集磁共振成像数据

608使用磁共振成像数据来重建磁共振图像

700超选择性ASL

702非选择性ASL

800训练图像

802标记

804训练

具体实施方式

这些附图中的相同编号的元件是等效的元件或者执行相同的功能。如果功能等效，则先前讨论过的元件不必在后面的附图中进行讨论。

图1表示经过标记的医学图像100。经过标记的医学图像100可以例如是磁共振图像。在经过标记的医学图像内是多个标记102、104、106，其中的每个标记表示真实处理位置。框108示出了当将经过标记的医学图像100输入到神经网络中时输出的最可能的试验处理位置的位置。能够看出，最可能的试验处理位置108并不对应于真实处理位置102、104、106中的任一个。然而，真实处理位置106在最接近最可能的试验处理位置108的地方。该差异能够被表示为误差向量110。误差向量110然后能够用于训练神经网络。

图2示出了图示训练神经网络的方法的流程图。首先在步骤200中，提供经过标记的医学图像100。经过标记的医学图像包括多个标记102、104、106，每个标记表示真实处理位置。接下来在步骤202中，将经过标记的医学图像100输入到神经网络中以获得至少一个试验处理位置。该至少一个试验处理位置包括最可能的试验处理位置108。接下来在步骤204中，确定针对最可能的试验处理位置108的最接近的真实处理位置106。接下来在步骤206中，使用最接近的真实处理位置106的位置和最可能的试验处理位置108来计算误差向量110。最后在步骤108中，使用误差向量110来训练神经网络。

图3示出了医学成像系统300的示例。在该示例中，医学成像系统300包括计算机302。计算机302包括处理器304，该处理器304任选地被连接到硬件接口并且任选地被连接到用户接口308。任选的硬件接口306可以使得处理器304与其他计算机通信，并且还可以控制医学成像系统300的其他部件的操作和功能。任选的用户接口308可以使得处理器304能够显示数据并且还可以接收来自用户的指令和命令。处理器304被示为被连接到存储器310。

存储器310可以是处理器304能够访问的存储器的任何组合。这可以包括例如主存储器、高速缓冲存储器以及诸如闪存RAM、硬盘驱动器之类的非易失性存储器或其他存储设备。在一些示例中，存储器304可以被认为是非瞬态计算机可读介质。

存储器310被示为包含机器可执行指令320，该机器可执行指令320可以使得处理器304能够控制医学成像系统300的其他部件的操作和功能以及执行各种算法和图像处理功能。存储器310还被示为包含已经根据示例或实施例训练的神经网络322。存储器310还被示为包含医学图像324。在一些示例中，医学图像324可以是磁共振图像。将医学图像324输入到神经网络322中，并且接收进一步的处理位置326作为输出。处理器304可以使用进一步的处理位置326来修改医学成像系统300的功能。例如，在一些情况下，进一步的处理位置326可以用于控制进一步的或后续的磁共振成像采集和成像协议。

在其他示例中，进一步的处理位置326可以用于发起或控制数值算法。作为示例，存储器310被示为包含任选的脑纤维跟踪算法328，该任选的脑纤维跟踪算法328能够用在扩散张量成像磁共振成像中以计算脑纤维跟踪图像。存储器310还被示为包含任选的脑纤维跟踪图像，该任选的脑纤维跟踪图像是通过使用进一步的处理位置326和医学图像324作为针对任选的脑纤维跟踪算法328的输入而得到的。

图4示出了图示操作图3的医学成像系统300的方法的流程图。首先在步骤400中，接收医学图像324。接下来在步骤402中，将医学图像324输入到神经网络322中，并且接收进一步的处理位置326。在执行了图4的方法之后，可以执行各种不同的操作。例如，可以使用进一步的处理位置326来控制磁共振成像系统以进行进一步的采集。在其他示例中，可以使用进一步的处理位置326来控制数值算法(例如，图3中图示的脑纤维跟踪算法328)的行为。

图5图示了医学成像系统500的另外的示例。在该示例中，医学成像系统500包括具有磁体504的磁共振成像系统502。磁体504是具有穿过其的膛106的超导圆柱形磁体。也可以使用不同类型的磁体。例如，也可以使用剖分式圆柱形磁体和所谓的开放式磁体。剖分式圆柱形磁体与标准圆柱形磁体相似，不同之处在于，低温恒温器已被分成两部分，以允许进入磁体的等平面，这样的磁体例如可以与带电粒子束治疗结合使用。开放式磁体有两个磁体部分，一个在另一个上方，这两个磁体部分之间有足够大的空间来容纳对象：这两个部分的区域布置类似于亥姆霍兹线圈的布置。开放式磁体之所以受欢迎，是因为对象受到的约束较小。在圆柱形磁体的低温恒温器内部具有超导线圈的集合。在圆柱形磁体504的膛506内具有成像区508，在该成像区508中，磁场足够强且均匀以执行磁共振成像。感兴趣区域509被示为处于成像区508内。通常采集针对感兴趣区域的磁共振数据。对象518被示为由对象支撑物520支撑，使得对象518的至少部分处于成像区508和感兴趣区域509内。

在磁体的膛506内，还有一组磁场梯度线圈510，其用于采集初步磁共振数据以对磁体504的成像区508内的磁自旋进行空间编码。磁场梯度线圈510被连接到磁场梯度线圈电源512。磁场梯度线圈510旨在是代表性的。通常，磁场梯度线圈510包含三组单独的线圈，其用于在三个正交的空间方向上进行空间编码。磁场梯度电源将电流供应给磁场梯度线圈。被供应给磁场梯度线圈510的电流是根据时间受控的，并且可以是斜变的或脉冲的。

与成像区508相邻的是射频线圈514，其用于操纵成像区508内的磁自旋的取向并且用于接收来自也在成像区508内的自旋的无线电发射。射频天线可以包含多个线圈元件。射频天线也可以被称为通道或天线。射频线圈514被连接到射频收发器516。射频线圈514和射频收发器516可以被替换为单独的发射线圈和接收线圈以及单独的发射器和接收器。应当理解，射频线圈514和射频收发器516是代表性的。射频线圈514还旨在表示专用的发射天线和专用的接收天线。同样，收发器516也可以表示单独的发射器和接收器。射频线圈514也可以具有多个接收/发射元件，并且射频收发器516可以具有多个接收/发射通道。例如，如果执行诸如SENSE之类的并行成像技术，则射频线圈514将具有多个线圈元件。

在该示例中，对象518被定位为使得对象的头部区域在感兴趣区域509内。在其他示例中，对象518的身体的其他部分可以被定位在感兴趣区域509中。

收发器516和梯度控制器512被示为被连接到计算机系统302的硬件接口306。

存储器310还被示为包含初始脉冲序列命令530，该初始脉冲序列命令530用于控制磁共振成像系统502以采集初始磁共振成像数据532。例如，初始脉冲序列命令530可以用于采集低分辨率或调查扫描。存储器310还被示为包含通过利用初始脉冲序列命令530控制磁共振成像系统502来采集的初始磁共振成像数据532。在该示例中，医学图像324是根据初始磁共振成像数据532来重建的。在该示例中，进一步的处理位置326是被识别的体积。

进一步的处理位置326的位置被示为在成像区508内。进一步的处理位置326可以例如是在动脉自旋标记协议期间用于标记的平面或体积。在另一示例中，进一步的处理位置326可以是用于动态对比增强磁共振成像的动脉输入功能的测量位置。在另一示例中，进一步的处理位置326是在执行磁共振成像谱学时针对单个体素的位置。

存储器310还被示为包含脉冲序列命令534。处理器324使用进一步的处理位置326将脉冲序列命令534变成经修改的脉冲序列命令536。然后，使用经修改的脉冲序列命令536来控制磁共振成像系统502以采集磁共振成像数据538。经修改的脉冲序列命令536和磁共振成像数据538均被示为被存储在存储器310中。存储器310还被示为包含已经根据磁共振成像数据538重建的磁共振图像540。

图6示出了图示操作图5的医学成像系统500的方法的流程图。首先在步骤600中，利用初始脉冲序列命令530来控制磁共振成像系统502以采集初始磁共振成像数据532。接下来在步骤602中，根据初始磁共振成像数据532来重建医学图像324。接下来，该方法继续进行到图2中图示的方法的步骤400，然后继续进行到图2中图示的方法的步骤402。在执行了步骤402之后，执行方法步骤604。在步骤604中，使用进一步的处理位置326来修改脉冲序列命令534。接下来在步骤606中，使用经修改的脉冲序列命令536来控制磁共振成像系统502以采集磁共振成像数据538。最终，在步骤608中，根据磁共振成像数据538来重建磁共振图像540。

在动脉自旋标记(ASL)中，所计算的灌注图的图像质量在很大程度上取决于在预先采集的血管造影图像中对最佳标记位置的选择。这对于选择性ASL技术特别重要，在该选择性ASL技术中，需要仔细选择感兴趣动脉以获得最佳标记效率。如今，该任务通常必须由必须依赖于先前经验的操作者来执行。这不仅是耗时的任务，而且会给经验不足的用户带来低质量的结果。

示例可以提供对该任务的自动处理。它可以基于在大量经过注释的血管造影图像100上训练的深度神经网络322。在应用期间，只要血管造影数据可用，它就能够自动预测最佳标记位置。它既能够用于向操作者提供建议的标记位置，由能够作为全自动ASL检查的部分。

ASL通常依赖于利用动脉血水自旋作为内源性示踪剂。对在成像区附近的血液进行标记。在血液行进到成像区所需的一定时间之后，磁性标记的自旋与组织水分子交换，从而减少了整个组织的磁化强度。因此，所采集的(所标记的)图像对经标记的自旋与静态脑组织之间的磁性差异很敏感。为了获得纯灌注加权的信号，需要第二图像采集(对照)(在理想情况下不改变血液磁化强度)。标记图像与对照图像的随后相减消除了所有静态组织信号，并且得到了纯灌注加权的图像。为了确保足够的信噪比(SNR)，需要采集几对标记图像和对照图像(通常为大约5-30对)，这会引起大约3-5分钟的相对较长的扫描时间。

在常规ASL成像中，通常基于预先采集的血管造影扫描(最常见的是飞行时间(TOF)或相衬(PC)血管造影)来选择标记平面。在理想情况下，应当将标记平面放置为使得其垂直于所有大供血动脉。对于许多脉管解剖结构，这是不可能的，并且必须选择最佳折衷方案。通常，操作者仅基于他/她的先前经验来选择最佳标记位置。

在选择性ASL中，仅标记个体动脉中的血液，以允许对脑部中的不同灌注区域的可视化。为此，操作者必须选择适当的标记位置，使得仅标记感兴趣动脉而没有标记相邻的血管，例如通过将标记斑点放置到每条动脉上来实现这一点。除了血管解剖结构之外，还存在控制选择标记效率的许多其他影响因素，例如，血流速度和血管直径。这些因素会因血管位置、局部血管管腔等而改变。这样的影响会对不同的序列参数和最终图像质量产生影响。

为了选择标记位置326，操作者通常考虑所有上述因素。此外，对关键标记参数(例如，选择性/标记梯度强度、标记持续时间、标记后延迟等)的个体调整需要操作者的高级技术知识以及特定实体的定量值(例如，血流速度、血管直径等)。总而言之，这些挑战能够使得执行ASL扫描成为耗时的任务，并且使ASL扫描的质量在很大程度上取决于操作者的先前经验。

示例可以提供用于自动选择针对ASL扫描的最佳标记位置的软件工具322。它依赖于深层卷积神经网络322，该深层卷积神经网络322将血管造影图像324作为输入并且输出对最佳标记位置(进一步的处理位置326)的估计结果。不需要操作者一方的输入。

所提出的工具能够用于在非选择性ASL扫描和选择性ASL扫描这两者中自动选择标记位置。下面给出了针对这两种应用的详细说明。在下面的图7和图8中描绘了所提出的工具的示意性概述。

图7以图形方式图示了训练方法。然后使用多幅训练图像700(每幅训练图像均具有标记702)来训练704神经网络322。

图8图示了对神经网络322的使用。在该示例中，将多幅不同的医学图像324输入到神经网络322中。接收多个标记预测结果326作为输出。这些等效于进一步的处理位置326。

图7和图8的系统的核心部件是深度卷积神经网络322。该工具的实现包括两个步骤：

在训练阶段期间，在图像/标记对的大数据集上训练网络，该图像/标记对的大数据集包括血管造影数据集和最佳标记位置的参考坐标。对于非选择性ASL(其目的是一次标记所有的脑供血血管)，给出的参考仅是最佳标记平面位置的垂直坐标。对于选择性ASL，给出的参考是针对所有感兴趣动脉的最佳标记位置的完整3D坐标。在这两种情况下，如果需要，还能够提供标记平面的倾斜角度。

存在若干用于生成这样的数据集的选项：

向一个或若干经验丰富的MR操作者给出大量血管造影数据集，然后对其进行手动注释。在理想情况下，每个操作者将对每个数据集进行多次注释，从而减少观察者间和观察者内的变化的影响。

可以解析成像科室的图像档案以完成ASL扫描。然后能够从协议文件中提取所采用的标记位置并将其与所采集的血管造影数据一起导出。在理想情况下，通过手动检查或者基于自动图像质量评估工具来将档案搜索限制到具有高图像质量的ASL检查。

在这两种情况下，可以通过血管造影数据的小旋转和/或平移并结合参考标记坐标的适当校正来实现数据增强。另外，即使在临床应用期间，也可以通过请求操作者输入困难的血管造影数据集(即，血管造影照片)来改善网络性能，在该血管造影照片中，只能以低置信度或在低ASL图像质量的情况下预测标记位置。

训练本身是通过以下操作来实现的：使用已建立的技术(例如，随机梯度下降)来优化卷积神经网络的参数(权重和偏置)以实现所期望的预测能力。

在应用期间，在采集了血管造影数据之后直接将该血管造影数据馈送到网络中。然后，网络会自动预测最佳标记位置。该输出可以作为建议被呈现给操作者，然后操作者能够根据需要来手动修改标记位置。替代地，可以直接使用所预测的标记位置，即，能够以全自动方式执行ASL扫描。

在一个示例中，训练数据集包含若干可能的标记位置。然后，网络还预测若干可能的标记位置以及表示标记位置选择的估计质量的置信度得分。然后，仅得分最高的标记位置可以被显示给用户。

在另一示例中，网络被训练为仅基于3D调查扫描数据(例如，由SmartExam产品采集的数据)或其他非血管造影成像序列和覆盖身体中的将标记动脉的区域的对比度来预测最佳标记位置。这里，仍然可以基于采集的血管造影数据来生成针对训练数据集的最佳标记位置，但是仅在调查图像或其他非血管造影对比度上训练网络。这允许无需长时间采集血管造影数据即可进行ASL检查。

在另一示例中，神经网络322被训练为识别血管造影图像100中的相关动脉的位置，此外还识别针对选择性ASL方法的相关信息。这能够是感兴趣血管之间的距离，以便优化梯度强度以分离血管编码的ASL中的动脉。相关信息还可以包括血管管腔、曲率等，这在用于选择性标记的不同方法中会很重要。为此，该网络被训练为确定血管造影图像中的相关动脉的位置。

在另一示例中，该网络被训练为考虑因脉管疾病和/或处置(例如，支架等)引起的脉管改变，其可能对标记位置和标记效率(例如，高度狭窄或闭塞)产生影响。在这种情况下，训练数据必须由临床合作伙伴来提供。

虽然已经在附图和前面的描述中详细图示和描述了本发明，但是这样的图示和描述应当被认为是图示性或示例性的，而非限制性的；本发明不限于所公开的实施例。

本领域技术人员通过研究附图、公开内容以及权利要求，在实践请求保护的发明时能够理解并实现对所公开的实施例的其他变型。在权利要求中，“包括”一词不排除其他元件或步骤，并且词语“一”或“一个”不排除多个。单个处理器或其他单元可以实现在权利要求中记载的若干项的功能。虽然某些措施被记载在互不相同的从属权利要求中，但是这并不指示不能有利地使用这些措施的组合。计算机程序可以被存储/分布在合适的介质上，例如，与其他硬件一起或作为其他硬件的部分供应的光学存储介质或固态介质，但是也可以以其他形式分布，例如，经由互联网或其他有线或无线的电信系统来分布。权利要求中的任何附图标记都不应被解释为对范围的限制。