利用机器学习的fMRI任务设置的制作方法

专利查询2022-5-9  267


本发明涉及扫描成像系统,具体而言涉及用于使用通过机器学习获得的任务设置来获得fMRI数据的医学分析系统。

背景技术

磁共振成像(MRI)扫描器依靠大的静磁场(B0)来将原子的核自旋对齐,这是在患者体内产生图像的过程的一部分。这些图像可以反映对象的各种量或属性。例如,脑活动的血液动力学反应在活动的脑区域引起磁和电的变化。MRI允许可视化磁的变化,例如基于脑血流量或血氧水平依赖性(BOLD)效应。后者通常称为功能MRI(fMRI)。fMRI的一个主要问题是针对个体选择最佳任务或任务参数。



技术实现要素:

各种实施例提供如独立权利要求的主题所描述的医学分析系统、方法和计算机程序产品。在从属权利要求中描述了有利的实施例。

如果在基于任务的实验中使用良好控制的任务,则疾病分类、处置选择或疾病进展预后可能具有更高的特异性。此外,当可以应用关于刺激的平均时,基于任务的实验中的信噪比(SNR)通常是高的。然而,针对个体选择正确的任务或任务参数仍然是困难的。本主题可以基于对象数据的元特征来选择或微调对象特定的fMRI任务或任务参数,以使更精确的疾病分类、处置选择或疾病进展预后变得可行和增强。例如,描述对象的对象数据的集合,例如年龄和体型,可以被输入到经训练的神经网络,以便通过经训练的神经网络来预测要由对象执行的任务。预测的任务可以在采集fMRI数据时由对象执行。

根据一个方面,本发明涉及一种医学成像系统。所述医学成像系统包括:磁共振成像MRI系统,其被配置为从成像区域内的对象采集功能磁共振成像fMRI数据;存储器,其存储有机器可执行指令;处理器,其被配置为控制所述医学成像系统,其中,所述机器可执行指令的运行使所述处理器:接收描述所述对象的预定义的对象数据的集合;响应于将对象数据的所述集合输入到经训练的深度神经网络DNN而从所述经训练的DNN接收预测的任务。所述预测的任务可以是触发脑活动的任务。可以控制MRI系统以响应于在采集期间由对象执行的预测的任务而从对象采集fMRI数据。

对象数据可以例如通过使用不同于医学成像系统的系统和/或在响应于在采集期间由对象执行预测的任务而从对象采集fMRI数据之前(一天或一个月之前)的时间段离线定义。离线定义对象数据可以通过加快fMRI数据的采集来节省处理时间。这在中风时脑组织受损的情况下可能特别有利,因为它只有几个小时的处置窗口。例如,可以提供对象数据库。对象数据库的至少部分内容可用于训练DNN。对于经训练的DNN的应用阶段,可能只需要感兴趣对象的数据,并且可以从对象数据库中采集。对象数据库包括包括本实施例的对象在内的不同对象的年龄、疾病、性别、惯用手、体型等元数据。接收对象数据的集合的步骤可以包括从对象数据库中读取描述对象的对象数据的集合。对象数据的所述集合可以包括预定义的对象参数的集合的值。使用对象数据库离线检索对象数据可能是有利的,因为它可以节省处理资源,否则这些资源将需要通过使用多个数据源而不是单个数据库来确定对象参数的所述集合的值,例如从数据库读取数据(例如,作为单个条目)所需的时间可能小于从相应的一个或多个源收集对象参数的所述集合的值中的每个值所需的时间。

fMRI数据可以从对象的感兴趣区域(成像区)采集。例如,所述感兴趣区域可以是对象的脑。

本主题可能是有利的,因为它可以实现全自动的fMRI数据采集。本主题可以使数据采集自动化,从而降低对操作者干预的需要。当对象数据的数量和复杂性增加并威胁用户解释对象数据的能力时,这可能是特别有利的。

本主题可以简化和缩短fMRI数据采集,因为任务被准确定义,并且因此可以防止具有多个任务尝试的不必要的重复扫描。例如,这在中风时脑组织受损的情况下可能是有利的,因为它只有几个小时的处置窗口。

使用DNN可能是有利的,因为它可以对线性以及复杂的非线性关系进行建模。这在对象数据的量很大的情况下可能特别有利。

例如,预测的任务可以使得能够识别对象的神经系统中的脑区域。示例任务可能包括视觉提示、敲击左手指、挤压左脚趾、移动舌头等。在另一示例中,所述预测的任务可以是认知任务。例如,所述预测的任务可以是执行功能。例如,认知任务可能会寻求解决问题、规划、组织技能、选择性注意、抑制控制和短期记忆的某些方面。例如n-back、有节凑的听觉顺序添加测试(PASAT)、波士顿命名测试和记忆伪装测试(TOMM)。

根据一个实施例,训练的DNN是递归神经网络RNN,对象数据的所述集合包括处于静息状态的对象的fMRI图像的集合,其中,对象数据的所述集合的输入包括将fMRI图像的集合输入到经训练的DNN。所述fMRI图像的集合可以由MRI系统或另一MRI系统在对象的静息状态下采集。

这可以使得能够基于先前的静息状态设置来学习个体任务设置。每个人可能有不同的fMRI静息状态签名,即指纹。此签名可能与针对该特定对象的最佳任务或最佳任务参数设置有关。这种关系可以通过递归人工神经网络来学习。例如,推荐系统可用于标记对象数据,例如“具有该静息状态签名的人通常对这些任务参数反应良好”。例如,如果对象具有非常弱的BOLD反应,并且由此听觉区域的SNR不良,则可以选择视觉任务,如果整体研究方案允许其的话。该实施例可能是有利的,因为静息状态数据可以实现用于基于任务的fMRI数据的设置的参考点。

使用RNN可能是有利的,因为它可以被训练来识别跨时间的模式。特别是fMRI时间序列中的模式能够跨相继的扫描捕获BOLD信号相关性。

根据一个实施例,对象数据的所述集合包括预定义的对象参数的集合的值,其中,对象参数的所述集合中的参数的对象表示对象的年龄、疾病、性别、惯用手或体型。在这种情况下,例如,DNN可以有利地是全连接的神经网络,其中信息沿正向流动,因为对象数据的所述集合至少在fMRI数据的采集期间可能没有时间依赖性。根据一个实施例,经训练的DNN是卷积神经网络CNN。

根据一个实施例,经训练的DNN被配置为输出与任务的设置参数相关联的预测的任务。例如,给定类型的任务可能具有不同的设置参数。DNN可能具有输出层,其表示不同的任务类型和每个任务类型的不同设置参数。本实施例可以进一步提高预测的任务的准确性和效率,从而提高采集的fMRI数据的准确性和效率。通过使用根据本主题的准确定义的任务,可以提高效率,因为可以避免重复的不必要的扫描(例如,尝试不同的任务)。

在另一个示例中,根据设置参数将预测的任务呈现给对象,其中,所述机器可执行指令的运行使所述处理器:控制MRI系统以在对象的休息状态下采集训练fMRI数据;通过将训练fMRI数据输入到另一经训练的DNN并且作为响应接收来自所述另一经训练的DNN的设置参数的值来预测设置参数的值。

在另一个示例中,所述另一经训练的DNN可以被配置为接收与所述经训练的DNN相同的输入数据(对象数据的所述集合),并且提供预测的任务的设置参数的值。因此,可以根据由所述另一经训练DNN预测的设置参数将所述经训练的DNN的预测的任务呈现给对象。

例如,可以提供多个其他经训练的DNN,其中,每个其他经训练的DNN对应于各自的任务类型,例如一个训练的DNN用于视觉任务,另一个经训练DNN用于音频任务等。也就是说,每个其他训练的DNN都被训练来预测给定类型的任务的设置参数。为此,可以使用包括成对的对象数据的集合和该类型任务的相关联的任务参数值的集合的训练集来训练所述其他经训练的DNN中的每个,例如,训练集的条目指示视觉任务的哪些设置最适合具有对象数据的集合的给定对象。所述另一经训练的DNN的输出层可以包括针对与另一经训练的DNN相关联的任务的每个设置参数的节点。

根据一个实施例,所述预测的任务具有设置参数,其中,所述机器可执行指令的运行使所述处理器将所述设置参数的值确定为与预测的任务的任务类型相关联的预定义的值。例如,如果预测的任务是视觉刺激,则亮度的值可能与该类型的任务相关联。根据一个实施例,设置参数指示视觉光栅和亮度以及听觉刺激和音量中的至少一个。

根据一个实施例,fMRI图像包括2D或3D fMRI图像。根据本主题,2D fMRI图像可以加快fMRI采集的整个过程。3D fMRI图像可以提高任务定义的准确性,并且因此可以根据本主题来提高采集的fMRI数据的准确性。

根据一个实施例,所述机器可执行指令的运行使处理器:接收指示与相应任务相关联的对象参数的集合的训练集;使用所述训练集来训练DNN,从而生成经训练的DNN。在一个示例中,可以使用经处理的对象参数的集合和相关联的处理结果(即预测的任务)来更新训练集;并且使用经更新的训练集来生成更新的经训练的DNN以处理进一步的对象数据。这可以实现自我改进的系统并且可以进一步提高根据本方法确定任务的准确性。经更新的经训练的DNN还可用于进一步接收的对象参数的集合,以便根据本主题来预测任务。

在另一个方面中,本发明涉及一种医学成像方法,包括:接收描述对象的对象数据的集合;响应于将对象数据的所述集合输入到经训练的深度神经网络DNN而从所述经训练的DNN接收预测的任务;

将所述任务呈现给所述对象;控制MRI系统以响应于在采集期间由对象执行的预测的任务而从对象采集fMRI数据。

在另一个方面中,本发明涉及一种计算机程序产品,其包括用于由处理器运行的机器可执行指令,其中,所述机器可执行指令的运行使所述处理器执行根据前述实施例所述的方法的至少部分。

应该理解,可发组合本发明的一个或多个前述实施例,只要组合后的实施例不相互排斥即可。

附图说明

在下文中,将仅通过举例的方式并且参考附图来描述本发明的优选实施例,在附图中:

图1是根据本主题的控制系统的示意图。

图2是根据本主题的示例的医学成像方法的流程图。

图3是根据本主题的示例的医学成像方法的流程图。

图4是根据本发明的用于训练DNN的方法的流程图。

图5是图示根据本主题的示例的DNN的框图。

图6示出了MRI系统的横截面和功能图。

附图标记列表

100 医学系统

101 扫描成像系统

103 处理器

107 存储器

108 电源

109 总线

111 控制系统

121 软件

125 显示器

129 用户接口

133 数据库

201-405 方法步骤

500 深度神经网络

501 输入层

502 隐藏层

503 隐藏层

505 输出层

700 磁共振成像系统

704 磁体

706 磁体的膛

708 成像区

710 磁场梯度线圈

712 磁场梯度线圈电源

714 射频线圈

715 RF放大器

718 对象

具体实施方式

在下文中,在附图中相同编号的元件或者是类似的元件或者执行等同的功能。如果功能是等价的,则在较后的附图中将不一定讨论之前已经讨论过的元件。

仅出于解释的目的而在附图中示意性地描绘了各种结构、系统和设备,并且以便不使具有对于本领域技术人员而言公知的细节的本发明难以理解。尽管如此,附图被包括以描述并解释所公开的主题的图示性范例。

图1是医学分析系统(或医学成像系统)100的示意图。医学分析系统100包括控制系统111,所述控制系统111被配置为连接到扫描成像系统(或采集部件)101。控制系统111包括处理器103、存储器107,每个都能够与医学分析系统100的一个或多个部件进行通信。例如,控制系统111的部件被耦合到双向系统总线109。

将理解的是,本文中描述的方法至少部分是非交互的,并且通过计算机系统来自动化。例如,这些方法可以进一步在软件121(包括固件)、硬件或其组合中实现。在示例性实施例中,本文描述的方法以软件形式实现为可执行程序,并由专用或通用数字计算机(例如,个人计算机、工作站、小型计算机或大型计算机)运行。

处理器103是用于执行软件,特别是存储在存储器107中的软件的硬件设备。处理器103可以是任何定制的或可商购的处理器、中央处理器(CPU)、与控制系统111相关联的多个处理器中的辅助处理器、基于半导体的微处理器(以微芯片或芯片组的形式)、微处理器或通常用于运行软件指令的任何设备。处理器103可以控制扫描成像系统101的操作。

存储器107可以包括易失性存储元件(例如,随机存取存储器(RAM,诸如DRAM、SRAM、SDRAM等))和非易失性存储元件(例如,ROM、可擦除可编程只读存储器(EPROM)、可电子擦除的可编程只读存储器(EEPROM)、可编程只读存储器(PROM))中的任何一种或其组合。注意,存储器107可以具有分布式架构,其中各种组件彼此远离,但是可以由处理器103访问。存储器107可以存储与医学分析系统100的至少一个其他组成元件有关的指令或数据。

控制系统111可以还包括显示设备125,所述显示设备125例如在用户界面129上显示字符和图像等。显示设备125可以是触摸屏显示设备。

医学分析系统100可以还包括用于为医学分析系统100供电的电源108。电源108可以例如是电池或外部电源,诸如由标准AC插座供应的电。

扫描成像系统101可以包括MRI、CT和PET-CT成像器中的至少之一。控制系统111和扫描成像系统101可以是一体的部分,也可以不是。换句话说,控制系统111可以在扫描成像系统101的外部,也可以不在扫描成像系统101的外部。

扫描成像系统101包括可由处理器103控制的部件,以配置扫描成像系统101以将图像数据提供给控制系统111。扫描成像系统101的配置可以启用扫描成像系统101的操作。扫描成像系统101的操作可以例如是自动的。图6示出了作为MRI系统的扫描成像系统101的部件的示例。

控制系统111与扫描成像系统101之间的连接例如可以包括总以太网连接、WAN连接、或互联网连接。

在一个示例中,扫描成像系统101可以被配置为响应于指定的测量来提供诸如图像的输出数据。控制系统111可以被配置为从扫描成像系统101接收诸如MR图像数据的数据。例如,处理器103可以适于以兼容的数字形式从扫描成像系统101接收信息(自动地或根据请求),从而可以在显示设备125上显示该信息。这样的信息可以包括操作参数、警告通知以及与扫描成像系统101的使用、操作和功能有关的其他信息。

医学分析系统100可以被配置为经由网络130与其他扫描成像系统131和/或数据库133通信。网络130包括例如无线局域网(WLAN)连接、WAN(广域网)连接LAN(局域网)连接或其组合。数据库133可以包括与患者、扫描成像系统、解剖结构、扫描几何配置、扫描参数、扫描等有关的信息。数据库133可以例如包括电子医学记录(EMR)数据库,所述电子医学记录数据库包括患者的EMR、放射学信息系统数据库、医学图像数据库、PACS、医院信息系统数据库和/或包括用于规划扫描几何形状的数据的其他数据库。数据库133可以例如包括具有适当元数据的对象数据库,例如年龄、疾病、性别、惯用手、体型等,以及相关的任务(例如视觉光栅、听觉刺激)和/或任务参数(例如亮度,体积)。

存储器107可以还包括人工智能(AI)部件150。AI部件150可以是或可以不是软件部件121的一部分。AI部件150可以被配置用于根据本主题训练DNN并且提供经训练的DNN以供进一步使用。例如,如果控制系统111不是扫描成像系统101的一部分,则可以将训练的DNN提供给扫描成像系统101,使得它可以在扫描成像系统101处被使用以由扫描成像系统101确定针对fMRI数据的任务。

图2是根据本主题的示例的医学成像方法的流程图。该方法可以是基于任务的功能性磁共振成像(tfMRI)方法,该方法使得能够在对象的任务执行下研究功能性脑网络。为了举例说明,本方法的DNN可以是全连接的神经网络。

在步骤201中,描述对象的预定义的对象数据的集合可以例如由控制系统111接收。对象数据的所述集合可以例如具有指示以下中的至少一项的对象参数的值:对象的年龄、疾病、性别、惯用手、体型。例如,可以离线定义对象数据。例如,可以提供对象数据库,例如133。对象数据库包括诸如年龄、疾病、性别、惯用手、对象体型等元数据。接收对象数据集的步骤可以包括读取对象数据库以访问描述对象的预定义的对象数据的集合。这可能是有利的,因为它可以节省处理资源,否则这些资源在在线(飞行中)确定参数的集体集的值被需要,例如从数据库读取数据所需的时间可能小于例如从一个或多个来源收集参数的集合中的值中的每个值。

对象数据的所述集合可以在步骤203中被输入到经训练的DNN中。DNN可以如参考图4的描述而被训练。例如,经训练的DNN的输入层可以包括针对每个对象参数的节点,例如针对年龄参数的节点和针对性别参数的节点等。对象参数的值可以被输入到输入层的各个节点。并且使用输入值对经训练的DNN进行推断可能导致预测的任务。

为此,经训练的DNN可以例如从它被存储于其中的远程计算机系统例如111下载。下载可以在执行图2的本方法的系统例如101中执行。这可以使得能够在本地运行本方法,例如不需要通过网络发送数据以使用经训练的DNN。在另一个示例中,可以通过例如在执行本方法的系统到存储训练的DNN的远程计算机系统之间的通信网络(例如互联网)上发送对象数据的集合,并且响应于发送对象参数的集合,对象参数的集合可以被输入到远程计算机系统处的经训练的DNN。这可以实现经训练的DNN的远程和集中使用,例如多个用户可以使用经训练的DNN。这可以实现一致的任务定义,并且因此实现在不同用户之间的一致的fMRI数据采集。

响应于将对象数据的集合输入到经训练的DNN,可以在步骤205中从经训练DNN接收预测的任务。经训练的DNN例如可以具有输出层,所述输出层具有与每种类型的任务相关联的节点。输出层的每个节点可以与值相关联,所述值指示与该节点相关联的任务是适合当前主题的任务的概率。例如,与最大值相关联的任务可以是在步骤205中接收到的预测的任务。

在一个示例中,预测的任务可以与设置参数相关联(其也被预测为预测的任务的部分),例如音频刺激的音量或视觉刺激的亮度等。在另一个示例中,可以使用另一经训练的DNN来预测设置参数。所述另一经训练DNN可以被配置为接收与经训练的DNN相同的输入数据(步骤203)并且对预测的任务的设置参数进行预测。这可以允许使用多个后续网络,输出任务本身的一个网络和特定于任务并输出特定任务参数的后续网络。两个网络的输入数据可能相同。这可能特别有利,因为不同的任务可能具有不同的参数或不同数量的参数,因此使用后续网络可能是有益的。

可以控制MRI系统以在步骤207中响应于在采集期间对象正在执行的预测的任务而从对象采集fMRI数据。例如,可以向对象呈现用于启用fMRI数据采集的预测的任务。可以根据预测的任务的设置参数来将预测的任务呈现给对象。在一个示例中,对象可以在数据采集之前了解针对fMRI数据采集他或她将执行的预测的任务。

图3是根据本主题的示例的医学成像方法的流程图。该方法可以使得能够执行基于任务的功能性磁共振成像(tfMRI),从而使得能够在由对象进行的任务执行下研究功能性脑网络。在图3的该示例中,DNN可以是递归神经网络。使用RNN可能是有利的,因为它可以在相继的扫描中捕获BOLD信号相关性。

在步骤301中,描述对象的预定义的对象数据的集合可以例如由控制系统111接收。对象数据的所述集合可以例如包括在对象的静息状态下采集的fMRI时间序列数据。例如,对象数据的所述集合可以是2D fMRI图像的集合(例如,时间序列中的每个时间点表示一次扫描和一幅图像)。

例如,可以离线定义对象数据。例如,其他扫描成像系统131可以用于在对象处于静息状态时采集fMRI时间序列,并且可以被配置为将采集的fMRI时间序列发送到控制系统111。在另一个示例中,可以在执行本方法之前的先前时间点确定或生成对象数据。这可能是有利的,因为它可以节省处理资源,否则该处理资源将由在线(即时)确定参数的集合的值所需要。

在步骤301中接收到的fMRI图像的集合可以被输入到经训练的RNN。图像的集合中的每幅图像可以是fMRI时间序列中的一个时间点处的图像。RNN被训练以接收fMRI时间序列作为输入,并提供或预测相应的任务。RNN可以例如使用包括多组fMRI图像的训练集来训练,其中,图像的每个集合都由标签标记,所述标签指示适合对象的任务(例如和设置任务的参数),fMRI图像的所述集合从所述对象采集。在一个示例中,RNN可以是长短期记忆(LSTM)网络。

在另一示例中,输入图像的所述集合可以是3D图像。这可以提供4D数据,即3D图像和时间维度。在这种情况下,可以使用CNN和RNN的组合,例如时间卷积网络(TCN),并且可以将在步骤301中接收到的fMRI图像的集合输入到经训练的TCN。TCN被训练以接收fMRI时间序列作为输入,并提供或预测相应的任务。网络(TCN或RNN)的特定架构(例如层的数量和类型)可能取决于网络的输入数据。

经训练的RNN(或经训练的TCN)可以例如从它被存储在其中的远程计算机系统(例如111)下载。下载可以在执行图3的本方法的系统例如101中执行。这可以使得能够在本地运行本方法,例如不需要通过网络发送数据以使用经训练的RNN。在另一个示例中,可以通过例如在执行本方法的系统到存储训练的RNN的远程计算机系统之间的通信网络(例如互联网)上发送对象数据的集合,并且响应于发送对象数据的集合,对象数据的集合可以被输入到远程计算机系统处的经训练的RNN。这可以实现经训练的RNN的远程和集中使用,例如多个用户可以使用经训练的RNN。这可以实现一致的任务定义,并且因此实现在不同用户之间的一致的fMRI数据采集。

响应于将fMRI图像的所述集合输入到经训练的RNN中,所述经训练的RNN可以在步骤305中输出预测的任务。例如,预测的任务的设置参数值还可以由经训练的RNN提供。

可以控制MRI系统,例如101,以在步骤307中响应于在采集期间对象正在执行的预测的任务而从对象采集fMRI数据。

图4是根据本发明的用于训练DNN的方法的流程图。DNN可能是全连接的神经网络。

在步骤401中,可以例如由控制系统111接收训练集。所述训练集指示与相应任务相关联的对象数据(或对象元数据)的集合,例如每个对象数据都被标记有相应任务。例如,可以从一个或多个源获得训练集。例如,所述训练集可以由控制系统111从数据库133中检索。

训练集可以包括条目,其中,每个条目包括与任务相关联的元数据集的相应值。例如,可以提供对象参数的集合,例如可以提供par1、par2和par3。训练集可以包括三个对象参数的值和相关的任务定义的对{(par1_值,par2_值,par3_值);任务},例如,可以将任务作为对象参数的集合的相应值的标签来提供。该任务例如可以是视觉或听觉(声音)任务。

参数的集合的数量可以决定DNN的输入层的节点数量。例如,参数的所述集合中的每个参数可以与DNN的相应节点相关联。

在步骤403,可以使用接收到的训练集来训练DNN。例如,DNN可以包括权重的组,例如从输入层到第一隐藏层、从第一到第二隐藏层等的权重。在DNN的训练之前,权重可以由随机数或值初始化。可以执行训练以搜索DNN的优化参数(例如权重和偏差)并最小化分类误差或残差。例如,训练集用作前馈DNN的输入。这可以例如通过损失函数(成本函数)来计算DNN的输出层中的数据损失。数据丢失衡量了预测的任务与真实标签之间的兼容性。在得到数据丢失后,可以通过改变DNN的权重和偏差来最小化数据丢失。例如,这可以通过梯度下降将损失反向传播到每一层和神经元来执行。

在一个示例中,可以使用附加数据连续增强步骤401的训练集。例如,可以通过添加已处理的对象参数的集合和相关联的处理结果来更新训练集,如参考图2所述。额外地或替代地,可以通过添加另外的对象参数对和对应任务来更新训练集。步骤403可以有规律地重复,例如一旦训练集己经被更新。并且,例如,在图2的方法中,可以使用再训练的DNN代替所述经训练的DNN。

图5是图示根据本主题的示例的DNN 500的框图。DNN 500可以是全连接的神经网络。DNN500可以例如包括输入层501和输出层505。DNN 500还包括隐藏层502和503。每个隐藏层502和503中的节点数量例如可以是用户定义的。层数和节点数仅用于示例目的,但层数可以变化,例如从2到500。并且DNN 500的层可能包括不同的操作,例如批量归一化、RELU、丢弃、卷积等。

输入层501可以针对对象参数的集合中的每个参数包括相应的节点,例如,如果对象参数的集合包括10个参数,则输入层可以包括10个相应的节点。输出层可以例如包括针对每种类型的任务的节点。DNN 500的输出可以是与输出层505的每个节点相关联的得分。

图6示出了作为医学系统100的示例的磁共振成像系统700。该磁共振成像系统700包括磁体704。磁体704是具有在其中的膛706的超导圆柱型磁体。使用不同类型的磁体也是可能的;例如也可以使用分裂圆柱形磁体和所谓的开放式磁体或密封式磁体。分裂式圆柱形磁体与标准圆柱形磁体类似,不同之处在于,低温恒温器已分为两部分,以允许进入磁体的等平面。这样的磁体可以例如与带电粒子束治疗结合使用。开放式磁体具有两个磁体部分,一个在另一个上面,中间具有足够大以接收要被成像的对象718的空间,对该两段区的布置与亥姆霍兹线圈的布置类似。在圆柱磁体的低温恒温器内部有超导线圈的集合。在圆柱磁体704的膛706内,存在成像区或体积或解剖结构708,在其中,磁场足够强和均匀以执行磁共振成像。

在磁体的膛706内还具有磁场梯度线圈的集合710,所述磁场梯度线圈的集合710在采集磁共振数据期间被使用以对在磁体704的成像体积或检查体积708内的靶体积的磁自旋在空间上进行编码。磁场梯度线圈710被连接到磁场梯度线圈电源712。磁场梯度线圈710旨在是代表性的。通常,磁场梯度线圈710包含用于在三个正交空间方向上编码的三个分立的线圈的集合。磁场梯度电源将电流供应到所述磁场梯度线圈。供应给磁场梯度线圈710的电流根据时间来进行控制并且可以是斜变的或脉冲的。

MRI系统700还包括RF发射线圈714,其在对象718处且邻近检查区域708,用于成RF激励脉冲。RF线圈714可以包括例如表面线圈的集合或其他专用的RF线圈。RF线圈714可以被交替地用于RF脉冲的发射以及用于磁共振信号接收,例如,所述RF线圈714可被实现为包括多个RF发射线圈的阵列发射线圈。RF线圈714被接到一个或多个RF放大器715。

磁场梯度线圈电源712和RF放大器715被连接到控制系统111的硬件接口。控制系统111的存储器107可以例如包括控制模块。控制模块包含使得处理器103能够控制磁共振成像系统700的操作和功能的计算机可执行代码。计算机可执行代码也使得能够进行磁共振成像系统700的基本操作,例如,磁共振数据的采集。

如本领域技术人员将认识到的,本发明的若干方面可以实现为装置、方法或计算机程序产品。因此,本发明的各方面可采取完全硬件实施例,完全软件实施例(包括固件,驻留软件,微代码等),或者组合了软件和硬件方面的实施例的形式,其可以在本文统称为“电路”、“模块”或“系统”。此外,本发明的各个方面可以采取实现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实现在其上的计算机可执行代码。

可以使用一个或多个计算机可读介质的任何组合。所述计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。如在本文中使用的“计算机可读存储介质”包括任何有形存储介质,其可以存储能够由计算设备的处理器执行的指令。可以将所述计算机可读存储介质称为“计算机可读非瞬态存储介质”。所述计算机可读存储介质也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可以能够存储数据,所述数据能够被所述计算设备的处理器访问。计算机可读存储介质的范例包括但不限于:软盘、磁硬盘驱动器、固态硬盘、闪存、USB拇指驱动器、随机存取存储器(RAM)、只读存储器(ROM)、光盘、磁光盘和处理器的寄存器文件。光盘的范例包括压缩光盘(CD)和数字多用光盘(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代能够由所述计算机设备经由网络或通信链路访问的各种类型的记录介质。例如,可以经由调制解调器、经由互联网或经由局域网络来取回数据。可以使用任何适当的介质来传送实现在计算机可读介质上的计算机可执行代码,包括但不限于:无线、有线、光纤线缆、RF等,或者前述的任何适合的组合。

计算机可读信号介质可以包括具有实现在其中的例如在基带内或者作为载波的一部分的计算机可执行代码的传播的数据信号。这样的传播信号可以采取多种形式中的任一种,包括但不限于,电磁的、光学的、或者它们的任意合适的组合。计算机可读信号介质可以是任何计算机可读介质,其不是计算机可读存储介质并且其能够传送、传播或传输程序用于由指令运行系统、装置或设备使用或者与其结合使用。

“计算机存储器”或“存储器”是计算机可读存储介质的范例。计算机存储器是处理器能够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一范例。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。

用在本文中的“处理器”涵盖能够执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当被解读为能够包括超过一个处理器或处理内核。所述处理器例如可以是多核处理器。处理器还可以是指单个计算机系统之内的或者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释为可能指计算设备的集合或网络,每个计算设备均包括一处理器或多个处理器。所述计算机可执行代码可以由多个处理器运行,所述处理器可以处在相同的计算设备内或者其甚至可以跨多个计算设备分布。

计算机可执行代码可以包括令处理器执行本发明的各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以一种或多种编程语言(包括诸如Java、Smalltalk、C++等的面向对象的编程语言以及诸如“C”编程语言或类似编程语言的常规过程编程语言)的任何组合来编写并且被编译为机器可执行指令。在一些情况下,所述计算机可执行代码可以以高级语言的形式或者以预编译形式并且结合在飞行中生成机器可执行指令的解释器来使用。

所述计算机可执行代码可以作为单机软件包全部地在所述用户的计算机上、部分地在用户的计算机上、部分地在用户的计算机上并且部分地在远程计算机上、或者全部地在所述远程计算机或服务器上运行。在后者的场景中,所述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))或者可以对外部计算机做出的连接(例如,使用因特网服务提供商通过因特网)而被连接到用户的计算机。

本发明的各方面参考根据本发明的实施例的方法、装置(系统)和计算机程序产品的流程图图示和/或框图得以描述。将理解到,流程图、图示和/或框图的每个框或框的一部分能够在适用时通过以计算机可执行代码的形式的计算机程序指令来实施。还应当理解的是,当不是相互排斥的时,在不同的流程图,图示和/或框图中块的组合可以被组合。这些计算机程序指令可以被提供到通用计算机、专用计算机的处理器或者其他可编程数据处理装置以生产机器,使得经由计算机的处理器或其他可编程数据处理装置运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还可以被存储在计算机可读介质中,其能够引导计算机、其他可编程数据处理装置或其他设备以特定的方式工作,使得被存储在所述计算机可读介质中的所述指令产生包括实施在流程图和/或一个或多个框图框中所指定的功能/动作的指令的制品。

所述计算机程序指令还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令一系列操作步骤在计算机、其他可编程装置或其他设备上执行以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所指定的功能/动作的过程。

如在本文中所使用的“用户接口”是允许用户或操作者与计算机或计算机系统进行交互的接口。“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/或接收来自操作者的信息或数据。用户接口可使来自操作者的输入能够被计算机接收,并且可以将输出从计算机提供给用户。换言之,用户接口可以允许操作者控制或操纵计算机,并且该接口可以允许计算机指示操作者的控制或操纵的效果。数据或信息在显示器或图形用户接口上的显示是向操作者提供信息的范例。通过键盘、鼠标、跟踪球、触摸板、指点杆、图形输入板、操纵杆、游戏板、网络摄像头、头盔、变速杆、方向盘、踏板、有线手套、舞蹈板、遥控器以及加速度计接收数据都是实现从操作者接收信息或数据的用户接口部件的范例。

如在本文中所使用的“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/或装置进行交互或者对其进行控制的接口。硬件接口可允许处理器将控制信号或指令发送给外部计算设备和/或装置。硬件接口也可以使处理器与外部计算设备和/或装置交换数据。硬件接口的范例包括但不限于: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、模拟输入接口和数字输入接口。

本文中使用的“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、音频和触觉数据。显示器的范例包括但不限于:电脑监视器、电视屏幕、触摸屏、触觉电子显示屏、盲文屏幕、阴极射线管(CRT)、存储管、双稳态显示器、电子纸、向量显示器、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)、投影机和头戴式显示器。

尽管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范性的,而非限制性的。本发明不限于公开的实施例。

本领域技术人员通过研究附图、公开内容以及权利要求书,在实践请求保护的本发明时能够理解并且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。单个处理器或者其它单元可以实现权利要求书中记载的若干项的功能。尽管特定措施是在互不相同的从属权利要求中记载的,但是这并不指示不能有利地使用这些措施的组合。可以将计算机程序存储/分布在与其它硬件一起提供或者作为其它硬件的部分提供的诸如光存储介质或者固态介质的合适介质上,但是还可以以诸如经因特网或者其它有线或无线电信系统的其它形式分布。权利要求书中的任何附图标记不应被解释为对范围的限制。


最新回复(0)