ES2955349T3 - Predicción de imágenes MRI mediante un modelo de predicción entrenado por aprendizaje supervisado - Google Patents

Predicción de imágenes MRI mediante un modelo de predicción entrenado por aprendizaje supervisado Download PDF

Info

Publication number
ES2955349T3
ES2955349T3 ES20772042T ES20772042T ES2955349T3 ES 2955349 T3 ES2955349 T3 ES 2955349T3 ES 20772042 T ES20772042 T ES 20772042T ES 20772042 T ES20772042 T ES 20772042T ES 2955349 T3 ES2955349 T3 ES 2955349T3
Authority
ES
Spain
Prior art keywords
time
period
mri images
examination area
contrast agent
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
ES20772042T
Other languages
English (en)
Inventor
Martin Rohrer
Iii Arthur Uber
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Bayer AG
Original Assignee
Bayer AG
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Bayer AG filed Critical Bayer AG
Application granted granted Critical
Publication of ES2955349T3 publication Critical patent/ES2955349T3/es
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/5601—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution involving use of a contrast agent for contrast manipulation, e.g. a paramagnetic, super-paramagnetic, ferromagnetic or hyperpolarised contrast agent
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus, e.g. for MRI, optical tomography or impedance tomography apparatus; Arrangements of imaging apparatus in a room
    • A61B5/004—Features or image-related aspects of imaging apparatus, e.g. for MRI, optical tomography or impedance tomography apparatus; Arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/42—Detecting, measuring or recording for evaluating the gastrointestinal, the endocrine or the exocrine systems
    • A61B5/4222—Evaluating particular parts, e.g. particular organs
    • A61B5/4244—Evaluating particular parts, e.g. particular organs liver
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61K—PREPARATIONS FOR MEDICAL, DENTAL OR TOILETRY PURPOSES
    • A61K49/00—Preparations for testing in vivo
    • A61K49/06—Nuclear magnetic resonance [NMR] contrast preparations; Magnetic resonance imaging [MRI] contrast preparations
    • A61K49/08—Nuclear magnetic resonance [NMR] contrast preparations; Magnetic resonance imaging [MRI] contrast preparations characterised by the carrier
    • A61K49/10—Organic compounds
    • A61K49/101—Organic compounds the carrier being a complex-forming compound able to form MRI-active complexes with paramagnetic metals
    • A61K49/103—Organic compounds the carrier being a complex-forming compound able to form MRI-active complexes with paramagnetic metals the complex-forming compound being acyclic, e.g. DTPA
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30056—Liver; Hepatic
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Radiology & Medical Imaging (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Pathology (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Gastroenterology & Hepatology (AREA)
  • Endocrinology (AREA)
  • Physiology (AREA)
  • Chemical & Material Sciences (AREA)
  • Medicinal Chemistry (AREA)
  • Epidemiology (AREA)
  • Signal Processing (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Medicines Containing Antibodies Or Antigens For Use As Internal Diagnostic Agents (AREA)

Abstract

La invención se refiere al campo de la aceleración de exámenes por resonancia magnética y, en particular, a un método, un sistema, un producto de programa informático, un uso, un agente de contraste para usar y un kit. (Traducción automática con Google Translate, sin valor legal)

Description

DESCRIPCIÓN
Predicción de imágenes MRI mediante un modelo de predicción entrenado por aprendizaje supervisado
La presente invención se refiere a la aceleración de los exámenes por resonancia magnética, en particular en la detección y el diagnóstico diferencial de lesiones hepáticas focales mediante imágenes por resonancia magnética (MRI) dinámicas que realzan el contraste. Objetos de la presente invención son un procedimiento, un sistema y un producto de programa informático para predecir imágenes MRI, en particular del hígado durante la fase hepatobiliar.
La tomografía por resonancia magnética, abreviada MRT o MR (MRI: Imágenes por resonancia magnética), es una técnica utilizada para medir el campo magnético del cerebro: La resonancia magnética es una técnica de diagnóstico por imagen utilizada principalmente en medicina para describir la estructura y función de los tejidos y órganos del cuerpo humano o animal.
En las imágenes MR, los momentos magnéticos de los protones de un objeto examinado se alinean en un campo magnético fundamental, de modo que la magnetización macroscópica se produce a lo largo de una dirección longitudinal. A continuación, se desvía de su posición de reposo mediante la irradiación de impulsos de alta frecuencia (HF) (excitación). El retorno de los estados excitados a la posición de reposo (relajación) o la dinámica de magnetización se detectan entonces como señales de relajación mediante una o varias bobinas receptoras de RF. Para la codificación de la localización, se superponen al campo magnético básico campos de gradiente magnético conmutados rápidamente. Las señales de relajación adquiridas o los datos de Mr detectados y resueltos espacialmente están disponibles inicialmente como datos brutos en un espacio de frecuencia espacial y pueden transformarse en el espacio espacial (espacio de imagen) mediante la posterior transformación de Fourier.
En la MR nativa, los contrastes tisulares se generan por los diferentes tiempos de relajación (T1 y T2) y la densidad de protones.
La relajación T1 describe la transición de la magnetización longitudinal a su estado de equilibrio, en el que T1 es el tiempo necesario para alcanzar el 63,21% de la magnetización de equilibrio antes de la excitación de resonancia. También se denomina tiempo de relajación longitudinal o tiempo de relajación espín-red.
La relajación T2 describe de forma análoga la transición de la magnetización transversal a su estado de equilibrio. Los medios de contraste de MR ejercen su efecto alterando los tiempos de relajación de las estructuras que absorben los medios de contraste. Se pueden distinguir dos grupos de sustancias: para- y superparamagnéticas. Ambos grupos de sustancias tienen electrones no apareados que inducen un campo magnético alrededor de los átomos o moléculas individuales.
Los superparamagnéticos conducen a un acortamiento predominante de T2, mientras que los medios de contraste paramagnéticos conducen esencialmente a un acortamiento de T1. El acortamiento del tiempo T1 provoca un aumento de la intensidad de la señal en las exploraciones de MR ponderadas en T1, mientras que el acortamiento del tiempo T2 provoca una disminución de la intensidad de la señal en las exploraciones de MR ponderadas en T2.
El efecto de estos agentes de contraste es indirecto, ya que el propio agente de contraste no emite una señal, sino que sólo influye en la intensidad de la señal de los protones de hidrógeno de su entorno.
Un ejemplo de un agente de contraste superparamagnético son las nanopartículas de óxido de hierro superparamagnético (SPIO).
Ejemplos de agentes de contraste paramagnéticos son los quelatos de gadolinio como el gadopentetato de dimeglumina (nombre comercial: Ma9nevis|® y otros), gadobenato dimeglumina (nombre comercial: Multihance®), ácido gadoterico(D°tarem®,D°tagita®,Cycl°lux®), gadodiamida(Omniscan®), gadoteridol(ProHance®) y gadobutrol(Gadovist®).
Según su patrón de distribución en el tejido, pueden distinguirse los medios de contraste extracelulares, intracelulares e intravasculares.
Los medios de contraste a base de ácido gadoxético se caracterizan porque son captados específicamente por las células hepáticas, los hepatocitos, se acumulan en el tejido funcional (parénquima) y potencian los contrastes en el tejido hepático sano. Las células de los quistes, las metástasis y la mayoría de los carcinomas hepatocelulares ya no funcionan como las células hepáticas normales, no absorben el medio de contraste o apenas lo hacen, no se visualizan de forma realzada y, por tanto, se vuelven reconocibles y localizables.
Ejemplos de agentes de contraste basados en ácido gadoxético se describen en el documento US 6,039,931A; están disponibles comercialmente, por ejemplo, bajo las marcas™™'"5'® o™'"'3'® .
El efecto de mejora del contraste deP^im°vis,®/E°vis,® está mediado por el complejo de gadolinio estable Gd-EOB-DTPA (gadolinio-etoxibencil-diethylenetriamine-pentaacetic acid). El DTPA forma un complejo con el ion paramagnético gadolinio que tiene una estabilidad termodinámica extremadamente alta. El radical etoxibencílico (EOB) es el mediador de la captación hepatobiliar del agente de contraste.
rnrrovkst® puede utilizarse para detectar tumores en el hígado. El suministro de sangre al tejido hepático sano se realiza principalmente a través de la vena porta, mientras que la arteria hepática suministra sangre a la mayoría de los tumores primarios. Por consiguiente, tras la inyección intravenosa en bolo de un agente de contraste, puede observarse un retraso temporal entre el realce de la señal del parénquima hepático sano y el tumor.
Además de los tumores malignos, es frecuente encontrar en el hígado lesiones benignas como quistes, hemangiomas e hiperplasia nodular focal (HNF). Para una planificación terapéutica adecuada, deben diferenciarse de los tumores malignos. Primovist® puede utilizarse para detectar lesiones hepáticas focales benignas y malignas. Proporciona información sobre el carácter de estas lesiones mediante RM ponderada en T 1-. Para la diferenciación se utilizan la diferente irrigación sanguínea del hígado y del tumor y el curso temporal del aumento del contraste.
El aumento del contraste conseguido mediantePrim°vist® puede dividirse en al menos dos fases: una fase dinámica (que comprende la denominada fase arterial, la fase venosa portal y la fase tardía) y la fase hepatobiliar, en la que ya se ha producido una captación significativa de™™'"5'® en los hepatocitos.
Con el realce del contraste conseguido por™™"^® durante la fase de inundación, se observan patrones de perfusión típicos que proporcionan información para la caracterización de las lesiones. Las imágenes de vascularización ayudan a caracterizar los tipos de lesión y a determinar la relación espacial entre el tumor y los vasos sanguíneos.
En las imágenes de RM ponderadas en T1,P^im°vis,® 10-20 minutos después de la inyección (en la fase hepatobiliar) produce un claro realce de la señal en el parénquima hepático sano, mientras que las lesiones que no contienen hepatocitos o contienen pocos, por ejemplo, metástasis o carcinomas hepatocelulares (CHC) moderada o pobremente diferenciados, aparecen como zonas más oscuras.
El seguimiento temporal de la distribución del agente de contraste a lo largo de la fase dinámica y la fase hepatobiliar ofrece, por un lado, una buena posibilidad para la detección y el diagnóstico diferencial de lesiones hepáticas focales; por otro lado, sin embargo, el examen se prolonga durante un periodo de tiempo comparativamente largo. Durante este periodo de tiempo, debe evitarse el movimiento del paciente para minimizar los artefactos de movimiento en las exploraciones de MR. La restricción prolongada del movimiento puede resultar incómoda para el paciente.
En base al estado de la técnica descrito, la tarea técnica consistía en hacer el examen menos desagradable para el paciente.
Este problema técnico se resuelve mediante el objeto de las reivindicaciones independientes 1, 10 y 15. Las realizaciones preferentes de la presente invención pueden encontrarse en las reivindicaciones de patente dependientes, en esta descripción y en los dibujos. Mediante la presente invención, se reduce considerablemente el período de tiempo del examen MRI, lo que supone un alivio para el paciente.
Un primer objeto de la presente invención es un procedimiento implementado por ordenador según la reivindicación 1 que comprende las etapas de
• - recibir una pluralidad de primeras imágenes MRI, al menos una porción de las primeras imágenes MRI mostrando un área de examen durante un primer período de tiempo después de una aplicación de un agente de contraste,
• - alimentar la pluralidad de primeras imágenes MRI a un modelo de predicción, en el que el modelo de predicción ha sido entrenado usando imágenes MRI de referencia mediante aprendizaje supervisado para generar una o más segundas imágenes MRI de referencia a partir de primeras imágenes MRI de referencia, al menos una porción de las cuales muestra un área de examen durante un primer periodo de tiempo después de una aplicación de un agente de contraste, que muestran el área de examen durante un segundo periodo de tiempo, en el que el segundo periodo de tiempo sigue temporalmente al primer periodo de tiempo,
• - generar, mediante el modelo de predicción, una o más imágenes MRI predichas que muestren el área de examen durante un segundo periodo de tiempo, el segundo periodo de tiempo temporalmente posterior al primer periodo de tiempo,
• - mostrar y/o enviar una o más imágenes MRI predichas y/o almacenar una o más imágenes MRI predichas en un medio de almacenamiento de datos, en el que el área de examen es un hígado o una porción de un hígado humano, en la que el agente de contraste es un agente de contraste hepatobiliar, en el que el primer periodo de tiempo comienza en un período de tiempo de entre un minuto y un segundo antes de la aplicación del agente de contraste o con la aplicación del agente de contraste, y continúa durante un período de tiempo de entre 2 minutos y 15 minutos desde la aplicación del agente de contraste, y en el que el segundo periodo de tiempo comienza al menos 10 minutos después de la aplicación del agente de contraste.
Otro objeto de la presente invención es un sistema que comprende
• una unidad receptora,
• una unidad de control y cálculo y
• una unidad de salida,
en el que la unidad de control y computación está configurada para hacer que la unidad receptora reciba una pluralidad de primeras imágenes MRI, mostrando al menos una parte de las primeras imágenes MRI un área de examen durante un primer periodo de tiempo tras la aplicación de un agente de contraste,
en el que la unidad de control y computación está configurada para predecir una o más segundas imágenes MRI en base a las primeras imágenes MRI recibidas utilizando un modelo de predicción, en el que la una o más segundas imágenes MRI muestran el área de examen durante un segundo periodo de tiempo, en el que el segundo periodo de tiempo sigue temporalmente al primer periodo de tiempo,
en el que la unidad de control y cálculo está configurada para hacer que la unidad de salida muestre, emita o almacene en un medio de almacenamiento de datos la una o más segundas imágenes MRI,
en el que el modelo de predicción se ha entrenado mediante aprendizaje supervisado para predecir, a partir de imágenes MRI de referencia, al menos parte de las cuales muestran un área de examen durante un primer período de tiempo tras la aplicación de un agente de contraste, una o más imágenes MRI de referencia que muestran el área de examen durante un segundo período de tiempo, siendo el segundo período de tiempo posterior en el tiempo al primer período de tiempo, en el que el área de examen es un hígado o una porción de un hígado de un humano, en el que el agente de contraste es un agente de contraste hepatobiliar, en el que el primer periodo de tiempo comienza en un período de tiempo de un minuto a un segundo antes de la aplicación del agente de contraste o con la aplicación del agente de contraste, y continúa durante un período de tiempo de 2 minutos a 15 minutos desde la aplicación del agente de contraste, y en el que el segundo periodo de tiempo comienza al menos 10 minutos después de la aplicación del agente de contraste.
Otro objeto de la presente invención es un producto de programa de ordenador según la reivindicación 11 que comprende un
Programa informático que puede cargarse en la memoria de trabajo de un sistema informático y que hace que éste realice las siguientes etapas:
• - recibir una pluralidad de primeras imágenes MRI, al menos una porción de las primeras imágenes MRI mostrando un área de examen durante un primer período de tiempo después de una aplicación de un agente de contraste,
• - alimentar la pluralidad de primeras imágenes MRI a un modelo de predicción, en el que el modelo de predicción ha sido entrenado utilizando imágenes MRI de referencia mediante aprendizaje supervisado para predecir a partir de las primeras imágenes MRI de referencia, al menos una parte de las cuales muestran un área de examen durante un primer período de tiempo tras la aplicación de un agente de contraste, una o más segundas imágenes MRI de referencia que muestran el área de examen durante un segundo período de tiempo, en el que el segundo período de tiempo sigue temporalmente al primero,
• - generar, mediante el modelo de predicción, una o más imágenes MRI predichas que muestren el área de examen durante un segundo periodo de tiempo, el segundo periodo de tiempo temporalmente posterior al primer periodo de tiempo,
• - mostrar y/o enviar una o más imágenes MRI predichas y/o almacenar una o más imágenes MRI predichas en un medio de almacenamiento de datos,
en el que el modelo de predicción se ha entrenado mediante aprendizaje supervisado para predecir, a partir de imágenes MRI de referencia, al menos parte de las cuales muestran un área de examen durante un primer período de tiempo tras la aplicación de un agente de contraste, una o más imágenes MRI de referencia que muestran el área de examen durante un segundo período de tiempo, siendo el segundo período de tiempo posterior en el tiempo al primer período de tiempo, en el que el área de examen es un hígado o una porción de un hígado de un humano, en el que el agente de contraste es un agente de contraste hepatobiliar, en el que el primer periodo de tiempo comienza en un período de tiempo de un minuto a un segundo antes de la aplicación del agente de contraste o con la aplicación del agente de contraste, y continúa durante un período de tiempo de 2 minutos a 15 minutos desde la aplicación del agente de contraste, y en el que el segundo periodo de tiempo comienza al menos 10 minutos después de la aplicación del agente de contraste.
Otro objeto de la presente invención es el uso de un agente de contraste en un procedimiento de MRI después de que se haya aplicado y distribuido un agente de contraste en un área de examen, según la reivindicación 12, en el que el procedimiento de MRI comprende las siguientes etapas:
• producir una pluralidad de primeras imágenes MRI de el área de examen durante un primer periodo de tiempo
• alimentar las primeras imágenes MRI generadas a un modelo de predicción, en el que el modelo de predicción ha sido entrenado usando imágenes MRI de referencia mediante aprendizaje supervisado para predecir una o más segundas imágenes MRI de referencia que muestran el área de examen durante un segundo periodo de tiempo a partir de primeras imágenes MRI de referencia que muestran un área de examen durante un primer periodo de tiempo, en el que el segundo periodo de tiempo sigue temporalmente al primer periodo de tiempo,
• recibir una o más imágenes MRI predichas que muestren el área de examen durante un segundo periodo de tiempo como salida del modelo de predicción, siendo el segundo periodo de tiempo posterior en el tiempo al primero,
• - mostrar y/o enviar una o más imágenes MRI predichas y/o almacenar una o más imágenes MRI predichas en un medio de almacenamiento de datos,
en el que el área de examen es un hígado o una porción de un hígado de un humano, en el que el agente de contraste es un agente de contraste hepatobiliar, en el que el primer periodo de tiempo comienza en un período de tiempo de un minuto a un segundo antes de la aplicación del agente de contraste o con la aplicación del agente de contraste, y continúa durante un período de tiempo de 2 minutos a 15 minutos desde la aplicación del agente de contraste, y en el que el segundo periodo de tiempo comienza al menos 10 minutos después de la aplicación del agente de contraste.
Otro objeto es un kit según la reivindicación 13 que comprende un agente de contraste y el producto de programa de ordenador según la invención, en el que el agente de contraste es un agente de contraste de resonancia magnética hepatobiliar.
La invención se explica con más detalle a continuación sin distinguir entre los objetos de la invención (procedimiento, sistema, producto de programa informático). Más bien, las siguientes explicaciones pretenden aplicarse por analogía a todos los objetos de la invención, independientemente del contexto (proceso, sistema, producto de programa informático, uso, kit) en el que se realicen Si se mencionan etapas en un orden en la presente descripción o en las reivindicaciones de la patente, esto no significa necesariamente que la invención se limite al orden mencionado. Más bien, es concebible que las etapas también puedan realizarse en un orden diferente o también en paralelo; a menos que una etapa se base en otra etapa, lo que hace imperativo que la etapa que se construye se ejecute posteriormente (lo que quedará claro en casos individuales). Las secuencias mencionadas representan así formas de realización preferentes del procedimiento de acuerdo con la invención.
La presente invención acorta el periodo de tiempo de examen de un sujeto sometido a examen al generar imágenes MRI. Esto se consigue midiendo imágenes m R i de un área de examen del sujeto en un primer periodo de tiempo (medición por resonancia magnética) y, a continuación, utilizando las imágenes MRI medidas para predecir una o más imágenes MRI que muestren el área de examen en un segundo periodo de tiempo mediante un algoritmo de autoaprendizaje. De este modo, la medición por resonancia magnética real en el sujeto examinado se limita al primer período de tiempo y no incluye el segundo. Las imágenes MRI que muestran el área de examen durante el primer periodo de tiempo contienen información que permite realizar una predicción para el segundo periodo de tiempo.
El sujeto de examen suele ser un ser vivo, preferentemente un mamífero; según la invención, el sujeto de examen es un ser humano. el área de examen es una parte del sujeto de examen, por ejemplo, un órgano o una parte de un órgano. Según la invención, la zona a examinar es el hígado o una porción de un hígado de un ser humano.
El área de examen, también denominada campo de visión (FOV), representa en concreto un volumen que se visualiza en las imágenes MRI. La zona que debe examinarse suele determinarla un radiólogo, por ejemplo en una imagen general: localizador). Por supuesto, el área de examen también puede determinarse alternativa o adicionalmente de forma automática, por ejemplo sobre la base de un protocolo seleccionado.
El área de examen se coloca en un campo magnético básico. El área de examen se somete a un procedimiento de MRI y se genera una pluralidad de imágenes MRI que muestran el área de examen durante un periodo inicial de tiempo. Estas imágenes MRI generadas por la medición durante el primer período de tiempo también se denominan primeras imágenes MRI en esta descripción.
El término plural significa que se generan al menos dos (primeras) imágenes MRI, preferentemente al menos tres (primeras), muy preferentemente al menos cuatro (primeras) imágenes MRI.
Se administra un medio de contraste al sujeto de examen, que se distribuye en el área de examen. El medio de contraste se administra preferentemente por vía intravenosa en forma de bolo adaptado al peso (por ejemplo, en una vena del brazo).
Un agente de contraste es una sustancia o mezcla de sustancias cuya presencia en una resonancia magnética provoca una alteración de la señal. Preferentemente, el agente de contraste provoca un acortamiento del tiempo de relajación T1 y/o del tiempo de relajación T2.
Según la invención, el agente de contraste es un agente de contraste hepatobiliar como, por ejemplo, Gd-EOB-DTPA o Gd-BOPTA.
En una realización particularmente preferente, el agente de contraste es una sustancia o una mezcla de sustancias que contienen ácido gadoxético o una sal de ácido gadoxético como agente potenciador del contraste. Muy preferentemente, se trata de la sal disódica del ácido gadoxético (Gd-EOB-DTPA disódico).
Según la invención, el primer período de tiempo comienza antes de la aplicación del medio de contraste o con la aplicación del medio de contraste. Es ventajoso que se produzcan una o más imágenes MRI que muestren el área de examen sin medio de contraste (imágenes nativas), ya que un radiólogo puede obtener información importante sobre el estado de salud del objeto examinado en dichas imágenes. Por ejemplo, un radiólogo puede detectar hemorragias en esas imágenes nativas de resonancia magnética.
El primer período de tiempo comprende preferentemente la inundación del área de examen con el medio de contraste. Preferentemente, el primer período de tiempo comprende la fase arterial y/o la fase venosa portal y/o la fase tardía en imágenes MRI dinámica potenciada por contraste de un hígado o una porción de un hígado de un sujeto sometido a examen. Las fases mencionadas se definen y describen, por ejemplo, en las siguientes publicaciones: Abdominal Imaging, 2015, Vol. 40, 64-75, DOI: 10.1007/S00261-014-0188-8, J.
Magn. Reson. Imaging, 2012, 35(3): 492-511, doi:10.1002/jmri.22833; Clujul Medical, 2015, Vol. 88 no. 4. 438-448, DOI: 10.15386/cjmed-414; Revista de Hepatología, 2019, Vol. 71: 534-542, http://dx.doi.org/10.1016/j.jhep.2019.05.005).
En una realización preferente, el primer periodo de tiempo se selecciona para producir dichas imágenes MRI del hígado o una porción de un hígado de un sujeto,
(i) que muestra el área de examen sin medio de contraste,
(ii) que muestra el área de examen durante la fase arterial en la que el medio de contraste se propaga por las arterias del área de examen,
(iii) que muestra el área de examen durante la fase venosa portal en la que el medio de contraste entra en el área de examen a través de la vena porta; y
(iv) que muestra el área de examen durante la fase tardía, cuando la concentración del agente de contraste en las arterias y venas disminuye y la concentración del agente de contraste en las células hepáticas aumenta.
Según la invención, el primer período de tiempo comienza en un período de tiempo de un minuto a un segundo antes de la aplicación del agente de contraste, o con la aplicación del agente de contraste, y dura desde la aplicación del agente de contraste durante un período de tiempo de 2 minutos a 15 minutos, preferentemente de 2 minutos a 13 minutos, aún más preferentemente de 3 minutos a 10 minutos. Dado que el medio de contraste se excreta por vía renal y bilateral muy lentamente, el segundo período puede durar hasta dos horas o más después de la aplicación del medio de contraste.
Dado que el medio de contraste puede propagarse a diferentes velocidades en diferentes objetos de examen, el primer período de tiempo también puede definirse por las concentraciones de medio de contraste en las diferentes zonas del área de examen. En la figura 1 se muestra una posibilidad. La figura 1 muestra esquemáticamente el curso temporal de las concentraciones de medio de contraste en las arterias hepáticas (A), las venas hepáticas (V) y las células hepáticas sanas (P). Las concentraciones se muestran en forma de intensidades de señal I en las zonas mencionadas (arterias hepáticas, venas hepáticas, células hepáticas) durante la medición por resonancia magnética en función del tiempo t. Con una inyección intravenosa en bolo, la concentración del agente de contraste en las arterias hepáticas (A) aumenta primero (curva discontinua). La concentración pasa por un máximo y luego desciende. La concentración en las venas hepáticas (V) aumenta más lentamente que en las arterias hepáticas y alcanza su máximo más tarde (curva de puntos). La concentración del agente de contraste en las células hepáticas sanas (P) aumenta lentamente (curva sólida) y alcanza su máximo sólo en un momento mucho más tardío (el máximo no se muestra en la Figura 1). Se pueden definir algunos puntos característicos en el tiempo: En el momento TP0, el medio de contraste se aplica por vía intravenosa en forma de bolo. En el momento TP1, la concentración (la intensidad de la señal) del agente de contraste en las arterias hepáticas alcanza su máximo. En el tiempo TP2, las curvas de intensidades de señal se cruzan en las arterias hepáticas y las venas hepáticas. En TP3, la concentración (intensidad de la señal) del agente de contraste en las venas hepáticas alcanza su máximo. En el momento TP4, las curvas de las intensidades de señal se cruzan en las arterias hepáticas y las células hepáticas. En el tiempo T5, las concentraciones en las arterias hepáticas y las venas hepáticas han disminuido a un nivel en el que ya no causan un aumento medible del contraste.
En una realización preferente, el primer período de tiempo comprende al menos los puntos temporales TP0, TP1, TP2, TP3 y TP4.
En una realización preferente, se generan (metrológicamente) al menos imágenes MRI de todas las fases siguientes: en un período de tiempo anterior a TP0, en el período de tiempo de TP0 a TP1, en el período de tiempo de TP1 a TP2, en el período de tiempo de TP2 a TP3, y en el período de tiempo de TP3 a TP4.
Es concebible que en los periodos de tiempo anteriores a TP0, de TP0 a TP1, de TP1 a TP2, de TP2 a TP3 y de TP3 a TP4, se generen (metrológicamente) una o más imágenes MRI en cada caso. . También es concebible que las secuencias de imágenes MRI se generen (metrológicamente) durante uno o más periodos de tiempo.
El término secuencia significa orden cronológico, es decir, se generan varias imágenes MRI que muestran el área de examen en momentos sucesivos.
Se asigna un punto temporal a cada resonancia magnética o se puede asignar un punto temporal a cada resonancia magnética. Normalmente, este tiempo es el tiempo en el que se generó la imagen MRI (tiempo absoluto). ). El experto sabe que la generación de una imagen de resonancia magnética requiere cierto tiempo. A una resonancia magnética se le puede asignar, por ejemplo, la hora a la que se inició la exploración o la hora a la que se completó. Sin embargo, también es concebible que se asignen puntos temporales arbitrarios a las imágenes MRI (por ejemplo, puntos temporales relativos).
Usando un punto en el tiempo, una exploración MRT se puede clasificar en términos de tiempo en relación con otra exploración MRT; en base al punto en el tiempo de una resonancia magnética, se puede determinar si el momento que se muestra en la resonancia magnética ocurrió antes o después de un momento que se muestra en otra resonancia magnética.
Preferentemente, las imágenes MRI se ordenan temporalmente en una secuencia y una pluralidad tales que las imágenes MRI que muestran una condición anterior del área de examen se disponen en la secuencia o la pluralidad antes de tales imágenes MRI que muestran una condición posterior del área de examen.
El período de tiempo entre dos imágenes MRI inmediatamente siguientes en una secuencia y/o pluralidad es preferentemente el mismo para todos los pares de imágenes MRI inmediatamente siguientes en la secuencia y/o pluralidad, es decir, las imágenes MRI se generaron preferentemente a una velocidad de adquisición constante.
En base a las (primeras) imágenes MRI generadas (metrológicamente) durante el primer período de tiempo, se predice una segunda imagen MRI o múltiples segundas imágenes MRI que muestran el área de examen durante un segundo período de tiempo Las resonancias magnéticas previstas para el segundo periodo de tiempo también se denominan segundas resonancias magnéticas en esta descripción.
En una realización preferente de la presente invención, el segundo período de tiempo sigue al primer período de tiempo.
El segundo período de tiempo es preferentemente un período de tiempo dentro de la fase hepatobiliar; según la invención, es un período de tiempo que comienza al menos 10 minutos después de la aplicación del agente de contraste, preferentemente al menos 20 minutos después de la aplicación del agente de contraste.
La mayoría de las imágenes MRI medidas que muestran el área de examen durante el primer periodo de tiempo se introducen en un modelo de predicción. El modelo de predicción es un modelo configurado para predecir, en base a una pluralidad de exploraciones de MRI que muestran un área de examen durante un primer periodo de tiempo, una o más exploraciones de MRI que muestran el área de examen durante un segundo periodo de tiempo.
Aquí, el término "predicción" significa que las imágenes MRI que muestran el área de examen durante el segundo periodo de tiempo se calculan utilizando las imágenes MRI que muestran el área de examen durante el primer periodo de tiempo.
Según la invención, el modelo de predicción se construyó utilizando un algoritmo de autoaprendizaje en un aprendizaje automático supervisado. Para el aprendizaje se utilizan datos de entrenamiento que comprenden un gran número de resonancias magnéticas del primer y segundo periodos de tiempo. En esta descripción, estos datos de entrenamiento también se denominan MRI de referencia. Las exploraciones por MRI de referencia generadas durante el primer periodo de tiempo también se denominan primeras exploraciones por MRI de referencia; las exploraciones por MRI de referencia generadas durante el segundo periodo de tiempo también se denominan segundas exploraciones por MRI de referencia.
En el aprendizaje automático, el algoritmo de autoaprendizaje genera un modelo estadístico basado en los datos de entrenamiento. Esto significa que los ejemplos no se aprenden simplemente de memoria, sino que el algoritmo "reconoce" patrones y regularidades en los datos de entrenamiento. De este modo, el modelo de predicción también puede evaluar datos desconocidos. Los datos de validación pueden utilizarse para comprobar la calidad de la evaluación de datos desconocidos.
El entrenamiento del modelo de predicción se realiza mediante aprendizaje supervisado, es decir, al algoritmo se le presentan sucesivamente múltiples números de primeras resonancias magnéticas de referencia del primer periodo de tiempo y se le "dice" qué segundas resonancias magnéticas de referencia del segundo periodo de tiempo están asociadas a estos números múltiples. A continuación, el algoritmo aprende una relación entre los múltiplos de las exploraciones de MRI de referencia en el primer periodo de tiempo y las exploraciones de MRI de referencia en el segundo periodo de tiempo para predecir una o más exploraciones de MRI en el segundo periodo de tiempo para múltiplos desconocidos de exploraciones de MRI en el primer periodo de tiempo.
Los sistemas de autoaprendizaje entrenados mediante aprendizaje supervisado se describen de forma variada en el estado de la técnica (véase, por ejemplo, C. Pérez: Técnicas de aprendizaje automático: Aprendizaje supervisado y clasificación, Amazon Digital Services LLC - Kdp Print Us, 2019, ISBN 1096996545, 9781096996545).
Preferiblemente, el modelo de predicción es una red neuronal artificial.
Una red neuronal artificial de este tipo comprende al menos tres capas de elementos de procesamiento: una primera capa con neuronas de entrada (nodos), una enésima capa con al menos una neurona de salida (nodo) y N-2 capas internas, donde N es un número natural y mayor que 2.
Las neuronas de entrada se utilizan para recibir imágenes digitales de resonancia magnética como valores de entrada. Normalmente, hay una neurona de entrada por cada píxel o vóxel de una imagen digital de resonancia magnética. Puede haber neuronas de entrada adicionales para valores de entrada adicionales (por ejemplo, información sobre el área de estudio, el sujeto de estudio, las condiciones que prevalecían cuando se generaron las imágenes MRI, y/o información sobre las horas o tiempos completos en los que se generaron las imágenes MRI).
En una red de este tipo, las neuronas de salida sirven para predecir una o más resonancias magnéticas de un segundo periodo de tiempo para una pluralidad de resonancias magnéticas de un primer periodo de tiempo.
Los elementos de procesamiento de las capas entre las neuronas de entrada y las neuronas de salida se conectan en un patrón predeterminado con pesos de conexión predeterminados.
Preferentemente, la red neuronal artificial es una denominada red neuronal convolucional (abbr: CNN).
Una red neuronal convolucional es capaz de procesar datos de entrada en forma de matriz. Esto permite utilizar como datos de entrada imágenes digitales de resonancia magnética visualizadas como una matriz (por ejemplo, anchura x altura x canales de color). En cambio, una red neuronal normal, por ejemplo en forma de perceptrón multicapa (MLP), requiere un vector como entrada, es decir, para utilizar una resonancia magnética como entrada, habría que desplegar los píxeles o vóxeles de la resonancia uno tras otro en una larga cadena. Como resultado, las redes neuronales normales no son capaces, por ejemplo, de reconocer objetos en una resonancia magnética independientemente de la posición del objeto en la resonancia. El mismo objeto en una posición diferente de la imagen de resonancia magnética tendría un vector de entrada completamente distinto.
Una CNN consta esencialmente de filtros (capa convolucional) y capas de agregación (capa de agrupación), que se repiten alternativamente, y al final una capa o varias capas de neuronas "normales" totalmente conectadas (capa densa / totalmente conectada).
Al analizar secuencias (secuencias de imágenes MRI), el espacio y el tiempo pueden tratarse como dimensiones equivalentes y procesarse, por ejemplo, mediante convoluciones 3D. Así lo demostraron los trabajos de Baccouche et al: Sequential Deep Learning for Human Action Recognition; International Workshop on Human Behavior Understanding, Springer 2011, páginas 29-39) y Ji et al. (3D Convolutional Neural Networks for Human Action Recognition, IEEE Transactions on Pattern Analysis and Machine Intelligence, 35(1), 221-231).
Además, se pueden entrenar diferentes redes responsables del tiempo y el espacio y, finalmente, fusionar las características, como se describe en las publicaciones de Karpathy et al. y Simonyan & Zisserman (véase, por ejemplo, Karpathy et al.: Clasificación de vídeo a gran escala con redes neuronales convolucionales; Actas de la conferencia IEEE sobre visión por ordenador y reconocimiento de patrones, 2014, páginas 1725-1732; Simonyan & Zisserman: Two-stream Convolutional Networks for Action Recognition in Videos; Advances in Neural Information Processing Systems, 2014, páginas 568-576).
Las redes neuronales recurrentes (RNN) son una familia de redes neuronales que contienen conexiones de retroalimentación entre capas. Las RNN permiten modelizar datos secuenciales compartiendo datos de parámetros entre distintas partes de la red neuronal. La arquitectura de una RNN contiene ciclos. Los ciclos representan la influencia de un valor actual de una variable sobre su propio valor en un momento futuro, ya que al menos parte de los datos de salida son utilizados por la RNN como retroalimentación para procesar entradas posteriores en una secuencia.
Para más detalles, consúltese el estado de la técnica (véase, por ejemplo: S. Khan et al: A Guide to Convolutional Neural Networks for Computer Vision, Morgan & Claypool Publishers 2018, ISBN 1681730227, 9781681730226, WO2018/183044A1, WO2018/200493, WO2019/074938A1, WO2019/204406A1, WO2019/241659A1).
El entrenamiento de la red neuronal puede realizarse, por ejemplo, mediante un procedimiento de retropropagación. El objetivo es que la red asigne los datos de entrada a los datos de salida con la mayor fiabilidad posible. La calidad de la imagen se describe mediante una función de error. El objetivo es minimizar la función de error. En el procedimiento de retropropagación, una red neuronal artificial se entrena cambiando los pesos de conexión.
En el estado entrenado, los pesos de conexión entre los elementos de procesamiento incluyen información relativa a la relación entre las pluralidades de las exploraciones de MRI de referencia del primer periodo de tiempo y las exploraciones de MRI de referencia del segundo periodo de tiempo que puede utilizarse para predecir una o más exploraciones de MRI que muestren un área de examen durante el segundo periodo de tiempo para nuevas pluralidades de exploraciones de MRI que muestren el área de examen durante el primer periodo de tiempo.
Se puede utilizar un procedimiento de validación cruzada para dividir los datos en conjuntos de datos de entrenamiento y validación. El conjunto de datos de entrenamiento se utiliza en el entrenamiento por retropropagación de los pesos de la red. El conjunto de datos de validación se utiliza para comprobar la precisión de predicción con la que la red entrenada puede aplicarse a pluralidades desconocidas de exploraciones de MRI.
Como ya se ha descrito, para el entrenamiento, la validación y las predicciones también se puede utilizar información adicional sobre el sujeto de examen, el área de examen, las condiciones de examen y/o las imágenes MRI medidas.
Algunos ejemplos de información sobre el objeto de la investigación son: sexo, edad, peso, altura, historial médico, tipo y duración y cantidad de medicación ya tomada, tensión arterial, presión venosa central, frecuencia respiratoria, albúmina sérica, bilirrubina total, azúcar en sangre, contenido de hierro, capacidad respiratoria y similares. También pueden utilizarse, por ejemplo, para una base de datos o un archivo electrónico de pacientes.
Algunos ejemplos de información sobre la zona de estudio son: Enfermedades preexistentes, cirugía, resección parcial, trasplante de hígado, hígado de hierro, hígado graso y similares.
Es concebible que la mayoría de las imágenes MRI que muestran la zona de estudio durante el primer periodo de tiempo se sometan a una corrección de movimiento antes de ser introducidas en el modelo de predicción. Dicha corrección de movimiento garantiza que un píxel o vóxel de una primera imagen MRI muestre la misma área de examen que el píxel o vóxel correspondiente de una segunda imagen MRI temporalmente posterior. Los procedimientos de corrección del movimiento se describen en el estado de la técnica (véase, por ejemplo: EP3118644, EP3322997, US20080317315, US20170269182, US20140062481, EP2626718).
Un objeto de la presente invención es un sistema con el que se puede llevar a cabo el procedimiento según la invención.
El sistema consta de una unidad receptora, una unidad de control e informática y una unidad de salida.
Es concebible que dichas unidades sean componentes de un único sistema informático; sin embargo, también es concebible que dichas unidades sean componentes de varios sistemas informáticos separados que estén interconectados a través de una red para transmitir datos y/o señales de control de una unidad a otra unidad.
Un "sistema informático" es un sistema de tratamiento electrónico de datos que los procesa mediante reglas de cálculo programables. Un sistema de este tipo suele constar de un "ordenador", unidad que incluye un procesador para realizar operaciones lógicas, y un periférico.
En informática, los "periféricos" son todos los dispositivos que se conectan al ordenador y sirven para controlarlo y/o como dispositivos de entrada y salida. Algunos ejemplos son el monitor (pantalla), la impresora, el escáner, el ratón, el teclado, las unidades de disco, la cámara, el micrófono, los altavoces, etc. Las conexiones internas y las tarjetas de expansión también se consideran periféricos en informática.
Los sistemas informáticos actuales suelen dividirse en PC de escritorio, PC portátiles, ordenadores portátiles, notebooks y tabletas y los denominados dispositivos de mano (por ejemplo, teléfonos inteligentes); todos estos sistemas pueden utilizarse para llevar a cabo la invención.
Las entradas al sistema informático se realizan a través de medios de entrada como un teclado, un ratón, un micrófono y/o similares.
El sistema según la invención está configurado para recibir pluralidades de imágenes MRI que muestran un área de examen durante un primer periodo de tiempo, y para generar (predecir, calcular) una o más imágenes MRI que muestran el área de examen durante un segundo periodo de tiempo en base a estos datos y posiblemente en otros datos.
La unidad de control y cálculo se utiliza para controlar la unidad receptora, coordinar los flujos de datos y señales entre las distintas unidades y calcular las imágenes MRI. Es concebible que haya varias unidades de control e informáticas.
La unidad receptora se utiliza para recibir múltiples resonancias magnéticas. Los múltiplos pueden, por ejemplo, ser transmitidos por un sistema de resonancia magnética o leídos desde un medio de almacenamiento de datos. El equipo de resonancia magnética puede ser un componente del sistema según la invención. Sin embargo, también es concebible que el sistema según la invención sea un componente de un sistema de resonancia magnética.
Desde la unidad receptora, las secuencias de las imágenes MRI y, en caso necesario, otros datos se transmiten a la unidad de control y cálculo.
La unidad de control y computación está configurada para predecir una o más imágenes MRI en base a las pluralidades de imágenes MRI que muestran un área de examen durante un primer período de tiempo, en el que las imágenes MRI predichas muestran el área de examen durante un segundo período de tiempo. Preferentemente, se puede cargar un modelo de predicción en una memoria de trabajo de la unidad de control y cálculo para calcular las imágenes MRI del segundo periodo de tiempo. Según la invención, el modelo de predicción se generó (entrenó) utilizando un algoritmo de autoaprendizaje mediante aprendizaje supervisado.
A través de la unidad de salida, las imágenes MRI pregrabadas pueden visualizarse (por ejemplo, en una pantalla), emitirse (por ejemplo, a través de una impresora) o almacenarse en un medio de almacenamiento de datos.
La invención se explica con más detalle a continuación haciendo referencia a las figuras, sin pretender limitar la invención a las características o combinaciones de características que se muestran en las figuras.
Se muestran:
La Figura 1 muestra esquemáticamente el curso temporal de las concentraciones de medio de contraste en las arterias hepáticas (A), las venas hepáticas (V) y las células hepáticas (P) y ya se ha descrito en detalle anteriormente.
La Fig. 2 muestra esquemáticamente otra forma de realización del sistema de acuerdo con la invención. El sistema (10) comprende una unidad receptora (11), una unidad de control y cálculo (12) y una unidad de salida (13).
La figura 3 muestra una realización esquemática y ejemplar del proceso según la invención.
El método (100) comprende los pasos:
(110) recibir una pluralidad de primeras imágenes MRI; al menos una parte de las primeras imágenes MRI muestran un área de examen durante un primer período de tiempo tras la aplicación de un agente de contraste,
(120) alimentar la pluralidad de primeras imágenes MRI a un modelo de predicción, habiendo sido entrenado el modelo de predicción a partir de imágenes MRI de referencia utilizando aprendizaje supervisado para predecir una o más segundas imágenes MRI de referencia que muestren el área de examen durante un segundo periodo de tiempo a partir de primeras imágenes MRI de referencia que muestren un área de examen durante un primer periodo de tiempo, siendo el segundo periodo de tiempo posterior en el tiempo al primer periodo de tiempo,
(130) generar, mediante el modelo de predicción, una o más imágenes MRI predichas que muestren el área de examen durante un segundo periodo de tiempo, el segundo periodo de tiempo temporalmente posterior al primer periodo de tiempo,
(140) mostrar y/o enviar una o más imágenes MRI predichas y/o almacenar una o más imágenes MRI predichas en un medio de almacenamiento de datos.
La Figura 4 muestra de forma esquemática y ejemplar una pluralidad de imágenes MRI del hígado durante la fase dinámica y hepatobiliar. En las figuras 4 (a), 4 (b), 4 (c), 4 (d), 4 (e) y 4 (f), se muestra siempre la misma sección transversal a través del hígado en diferentes momentos. Los signos de referencia mostrados en las figuras 4 (a), 4 (b), 4 (d) y 4 (f) se aplican a todas las figuras 4 (a), 4 (b), 4 (c), 4 (d), 4 (e) y 4 (f); sólo se muestran una vez cada uno en aras de la claridad.
La Fig. 4 (a) muestra la sección transversal a través del hígado (L) antes de la aplicación intravenosa de un agente de contraste hepatobiliar. En un momento intermedio entre los momentos representados en las figuras 4 (a) y 4 (b), se administró por vía intravenosa un agente de contraste hepatobiliar en forma de bolo Ésta llega al hígado a través de la arteria hepática (A) en la Fig. 4 (b). En consecuencia, la arteria hepática se muestra con señal realzada (fase arterial). Un tumor (T), que se alimenta principalmente de sangre a través de las arterias, también se destaca como un área más clara (señal realzada) delante del tejido celular del hígado. En el momento mostrado en la Figura 4 (c), el medio de contraste llega al hígado a través de las venas. En la Figura 4 (d), los vasos sanguíneos venosos (V) destacan como zonas brillantes (con señal realzada) del tejido hepático (fase venosa). Al mismo tiempo, la intensidad de la señal en las células hepáticas sanas, que reciben principalmente el medio de contraste a través de las venas, aumenta continuamente (Fig. 4 (c) —> 4 (d) —> 4 (e) —> 4 (f)). En la fase hepatobiliar, mostrada en la Fig. 4 (f), las células hepáticas (P) se muestran con señal realzada; los vasos sanguíneos y el tumor ya no tienen agente de contraste y se muestran correspondientemente oscuros.
La Fig. 5 muestra de forma ejemplar y esquemática cómo se alimentan a un modelo de predicción (PM) tres imágenes MRI (1), (2) y (3) que muestran un hígado en un primer periodo de tiempo. El modelo de predicción calcula una imagen MRI (4) a partir de las tres imágenes MRI (1), (2) y (3), que muestra el hígado en un segundo periodo de tiempo. Las imágenes MRI (1), (2) y (3) pueden ser, por ejemplo, las imágenes MRI mostradas en las Figs. 4 (b), 4 (c) y 4 (d), La imagen MRI (4) puede ser, por ejemplo, la imagen MRI mostrada en la Fig. 4 (f).

Claims (13)

REIVINDICACIONES
1. Procedimiento implementado por ordenador que comprende las etapas de
- recibir una pluralidad de imágenes MRI (resonancia magnética), al menos una porción de las imágenes MRI mostrando un área de examen durante un primer período de tiempo después de un agente de contraste,
- alimentar la pluralidad de imágenes MRI (1,2, 3) a un modelo de predicción (PM),
- generar una o más imágenes MRI predichas (4) que muestren el área de examen durante un segundo período de tiempo mediante el modelo de predicción (PM), siendo el segundo período de tiempo temporalmente posterior al primero,
- mostrar y/o enviar una o más imágenes MRI predichas (4) y/o almacenar una o más imágenes MRI predichas (4) en un medio de almacenamiento de datos,
en el que el modelo de predicción (PM) ha sido entrenado mediante aprendizaje supervisado para predecir, en base a imágenes MRI de referencia, al menos una parte de las cuales muestra un área de examen durante un primer período de tiempo tras la aplicación de un agente de contraste, una o más imágenes MRI de referencia que muestran el área de examen durante un segundo período de tiempo, siendo el segundo período de tiempo temporalmente posterior al primero,
en el que el área de examen es un hígado o una porción de hígado de un ser humano,
en el que el agente de contraste es un agente de contraste hepatobiliar,
en el que el primer periodo de tiempo comienza en un período de tiempo de un minuto a un segundo antes de la aplicación del medio de contraste o con la aplicación del medio de contraste, y continúa durante un período de tiempo de 2 minutos a 15 minutos desde la aplicación del medio de contraste,
en el que el segundo período de tiempo comienza al menos 10 minutos después de la aplicación del agente de contraste.
2. Procedimiento según la reivindicación 1, en el que al menos una de las imágenes MRI recibidas (1, 2, 3) muestra el área de examen antes de la aplicación del agente de contraste y al menos una de las imágenes MRI recibidas (1, 2, 3) muestra el área de examen después de la aplicación del agente de contraste.
3. El procedimiento según la reivindicación 2, en el que el primer período de tiempo se selecciona para mostrar el área de examen en diferentes fases, las fases comprenden una fase nativa, una fase arterial, una fase venosa portal y una fase tardía, en el que se recibe al menos una imagen MRI que muestra el área de examen en la fase nativa, y se recibe al menos una imagen MRI que muestra el área de examen durante la fase arterial, y se recibe al menos una imagen MRI que muestra el área de examen en la fase venosa portal, y se recibe al menos una imagen MRI que muestra el área de examen en la fase tardía.
4. Procedimiento según cualquiera de las reivindicaciones 1 a 3, en el que las imágenes MRI recibidas (1, 2, 3) muestran un hígado o una porción de hígado de un mamífero antes de un punto de tiempo TP0 y durante un periodo de tiempo de TP0 a TP1 y/o durante un periodo de tiempo de TP1 a TP2 y/o durante un periodo de tiempo de TP2 a TP3 y/o durante un periodo de tiempo de TP3 a TP4, en el que en el punto de tiempo TP0 el medio de contraste se aplica por vía intravenosa en forma de bolo y a continuación penetra en las células hepáticas a través de las arterias hepáticas y las venas hepáticas, en el que en el punto de tiempo TP1 el medio de contraste alcanza una concentración máxima en las arterias hepáticas, en el que en el punto de tiempo TP2 una intensidad de señal generada por el medio de contraste en las venas hepáticas asume un valor que es tan grande como un valor de una intensidad de señal generada por el medio de contraste en las arterias hepáticas, en el que en el punto de tiempo TP3 el medio de contraste en las venas hepáticas alcanza una concentración máxima, en el que en el punto de tiempo TP4 una intensidad de señal generada por el medio de contraste en las células hepáticas asume un valor que es tan grande como un valor de una intensidad de señal generada por el medio de contraste en las venas hepáticas.
5. Procedimiento según cualquiera de las reivindicaciones 1 a 4, en el que el primer período de tiempo desde la aplicación del agente de contraste dura un período de 2 minutos a 13 minutos, preferentemente de 3 minutos a 10 minutos.
6. Procedimiento según cualquiera de las reivindicaciones 1 a 5, en el que el segundo período de tiempo se encuentra dentro de una fase hepatobiliar
7. Procedimiento según cualquiera de las reivindicaciones 1 a 6, en el que el segundo período de tiempo comienza al menos 20 minutos después de la aplicación del agente de contraste.
8. Procedimiento según cualquiera de las reivindicaciones 1 a 7, en el que el modelo de predicción (PM) es una red neuronal artificial.
9. Procedimiento según cualquiera de las reivindicaciones 1 a 8, en el que el agente de contraste es Gd-EOB-DTPA o Gd-BOPTA.
10. Sistema (10) que comprende
- una unidad receptora (11),
- una unidad de control y cálculo (12)
- una unidad de salida (13),
- en el que la unidad de control y cálculo (12) está configurada para hacer que la unidad receptora (11) reciba una pluralidad de imágenes MRI (1,2, 3), mostrando al menos una parte de las imágenes MRI (1,2, 3) un área de examen durante un primer periodo de tiempo tras la aplicación de un agente de contraste,
- en el que la unidad de control y cálculo (12) está configurada para predecir una o más imágenes MRI (4) en base a las imágenes MRI recibidas (1,2, 3) mediante un modelo de predicción, en el que la una o más imágenes MRI predichas (4) muestran el área de examen durante un segundo periodo de tiempo, en el que el segundo periodo de tiempo sigue temporalmente al primer periodo de tiempo,
- en el que la unidad de control y cálculo (12) está configurada para hacer que la unidad de salida (13) muestre una o más imágenes MRI predichas (4), para enviarlas o almacenarlas en un medio de almacenamiento de datos, en el que el modelo de predicción (PM) ha sido entrenado mediante aprendizaje supervisado para predecir, en base a imágenes MRI de referencia, al menos una parte de las cuales muestra un área de examen durante un primer período de tiempo tras la aplicación de un agente de contraste, una o más imágenes MRI de referencia que muestran el área de examen durante un segundo período de tiempo, siendo el segundo período de tiempo temporalmente posterior al primero,
en el que el área de examen es un hígado o una porción de hígado de un ser humano,
en el que el agente de contraste es un agente de contraste hepatobiliar,
en el que el primer periodo de tiempo comienza en un período de tiempo de un minuto a un segundo antes de la aplicación del medio de contraste o con la aplicación del medio de contraste, y continúa durante un período de tiempo de 2 minutos a 15 minutos desde la aplicación del medio de contraste,
en el que el segundo período de tiempo comienza al menos 10 minutos después de la aplicación del agente de contraste.
11. Un producto de programa de ordenador que comprende un programa de ordenador que puede cargarse en una memoria de un sistema informático y que hace que el sistema informático ejecute las siguientes etapas:
recibir una pluralidad de imágenes MRI (1,2, 3), en las que al menos una parte de las imágenes MRI (1,2, 3) muestran un área de examen durante un primer periodo de tiempo tras la aplicación de un agente de contraste, alimentar la pluralidad de las imágenes MRI a un modelo de predicción (PM),
- generar una o más imágenes MRI predichas (4) que muestren el área de examen durante un segundo período de tiempo mediante el modelo de predicción (PM), siendo el segundo período de tiempo temporalmente posterior al primero,
- mostrar y/o enviar una o más imágenes MRI predichas (4) y/o almacenar una o más imágenes MRI predichas (4) en un medio de almacenamiento de datos,
en el que el modelo de predicción (PM) ha sido entrenado mediante aprendizaje supervisado para predecir, en base a imágenes MRI de referencia, al menos una parte de las cuales muestra un área de examen durante un primer período de tiempo tras la aplicación de un agente de contraste, una o más imágenes MRI de referencia que muestran el área de examen durante un segundo período de tiempo, siendo el segundo período de tiempo temporalmente posterior al primero,
en el que el área de examen es un hígado o una porción de hígado de un ser humano,
en el que el agente de contraste es un agente de contraste hepatobiliar,
en el que el primer periodo de tiempo comienza en un período de tiempo de un minuto a un segundo antes de la aplicación del medio de contraste o con la aplicación del medio de contraste, y continúa durante un período de tiempo de 2 minutos a 15 minutos desde la aplicación del medio de contraste,
en el que el segundo período de tiempo comienza al menos 10 minutos después de la aplicación del agente de contraste.
12. Uso de un agente de contraste en un procedimiento de MRI implementado por ordenador después de que se haya aplicado y distribuido un agente de contraste en un área de examen, comprendiendo el procedimiento de MRI implementado por ordenador las siguientes etapas:
generar una pluralidad de imágenes MRI (1, 2, 3) de el área de examen durante un primer período de tiempo alimentar las imágenes MRI generadas (1, 2, 3) a un modelo de predicción (PM),
recibir una o más imágenes MRI predichas (4) que muestren el área de examen durante un segundo período de tiempo como salida del modelo de predicción (PM), siendo el segundo período de tiempo temporalmente posterior al primero, - mostrar y/o enviar una o más imágenes MRI predichas (4) y/o almacenar una o más imágenes MRI predichas (4) en un medio de almacenamiento de datos,
en el que el modelo de predicción (PM) ha sido entrenado mediante aprendizaje supervisado para predecir, en base a imágenes MRI de referencia, al menos una parte de las cuales muestra un área de examen durante un primer período de tiempo tras la aplicación de un agente de contraste, una o más imágenes MRI de referencia que muestran el área de examen durante un segundo período de tiempo, siendo el segundo período de tiempo temporalmente posterior al primero,
en el que el área de examen es un hígado o una porción de hígado de un ser humano,
en el que el agente de contraste es un agente de contraste hepatobiliar,
en el que el primer periodo de tiempo comienza en un período de tiempo de un minuto a un segundo antes de la aplicación del medio de contraste o con la aplicación del medio de contraste, y continúa durante un período de tiempo de 2 minutos a 15 minutos desde la aplicación del medio de contraste,
en el que el segundo período de tiempo comienza al menos 10 minutos después de la aplicación del agente de contraste.
13. Un kit que comprende un agente de contraste y un producto de programa de ordenador según la reivindicación 11, en el que el agente de contraste es un agente de contraste de MRI hepatobiliar.
ES20772042T 2019-09-18 2020-09-14 Predicción de imágenes MRI mediante un modelo de predicción entrenado por aprendizaje supervisado Active ES2955349T3 (es)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
EP19197989 2019-09-18
PCT/EP2020/075593 WO2021052896A1 (de) 2019-09-18 2020-09-14 Vorhersage von mrt-aufnahmen durch ein mittels überwachten lernens trainiertes vorhersagemodell

Publications (1)

Publication Number Publication Date
ES2955349T3 true ES2955349T3 (es) 2023-11-30

Family

ID=67997456

Family Applications (1)

Application Number Title Priority Date Filing Date
ES20772042T Active ES2955349T3 (es) 2019-09-18 2020-09-14 Predicción de imágenes MRI mediante un modelo de predicción entrenado por aprendizaje supervisado

Country Status (7)

Country Link
US (2) US11727571B2 (es)
EP (2) EP4231037A1 (es)
JP (1) JP7542060B2 (es)
CN (1) CN113330483B (es)
AU (1) AU2020347797B2 (es)
ES (1) ES2955349T3 (es)
WO (1) WO2021052896A1 (es)

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4235202B1 (de) 2022-02-24 2025-12-10 Bayer Aktiengesellschaft Vorhersage einer repräsentation eines untersuchungsbereichs eines untersuchungsobjekts in einem zustand einer folge von zuständen
EP4581641B1 (de) 2022-08-30 2026-05-06 Bayer Aktiengesellschaft Erzeugen von synthetischen radiologischen aufnahmen
EP4336513B1 (de) 2022-08-30 2024-12-18 Bayer Aktiengesellschaft Erzeugen von synthetischen radiologischen aufnahmen
WO2024046833A1 (de) 2022-08-30 2024-03-07 Bayer Aktiengesellschaft Erzeugen von synthetischen radiologischen aufnahmen
CN119816744B (zh) * 2022-09-05 2025-09-26 拜耳公司 生成人工对比度增强的放射图像
EP4336204A1 (de) 2022-09-07 2024-03-13 Bayer AG Beschleunigen von mrt-untersuchungen der leber
EP4471710B1 (de) 2023-05-30 2025-12-17 Bayer Aktiengesellschaft Erkennen von artefakten in synthetischen medizinischen aufnahmen
EP4475070B1 (de) 2023-06-05 2026-04-22 Bayer Aktiengesellschaft Erkennen von artefakten in synthetischen medizinischen aufnahmen
EP4492324A1 (de) 2023-07-12 2025-01-15 Bayer AG Erkennen von artefakten in synthetischen medizinischen aufnahmen
EP4498324A1 (de) 2023-07-25 2025-01-29 Bayer AG Erkennen von artefakten in synthetischen bildern
EP4560648A1 (en) 2023-11-22 2025-05-28 Bayer AG Generating synthetic training data
WO2025119803A1 (en) 2023-12-06 2025-06-12 Bayer Aktiengesellschaft Generating synthetic medical representations
EP4571650A1 (en) 2023-12-12 2025-06-18 Bayer AG Generating synthetic images
EP4575997A1 (en) 2023-12-18 2025-06-25 Bayer Aktiengesellschaft Generating synthetic images
WO2025137795A1 (en) 2023-12-25 2025-07-03 Bracco Imaging S.P.A. Simulating images acquired after longer delays in medical applications based on inverse problem
EP4672132A1 (en) 2024-06-26 2025-12-31 Bayer Aktiengesellschaft GENERATION OF SYNTHETIC RADIOLOGICAL IMAGES

Family Cites Families (109)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US732697A (en) 1903-02-19 1903-07-07 John Davis Bates Lumber-surface meter.
US3060178A (en) 1960-01-04 1962-10-23 Merck & Co Inc Derivatives of benzothiadiazine-1, 1-dioxide
US6039931A (en) 1989-06-30 2000-03-21 Schering Aktiengesellschaft Derivatized DTPA complexes, pharmaceutical agents containing these compounds, their use, and processes for their production
US5840026A (en) 1994-09-21 1998-11-24 Medrad, Inc. Patient specific dosing contrast delivery systems and methods
US6397098B1 (en) 1994-09-21 2002-05-28 Medrad, Inc. Data communication and control for medical imaging systems
US5732697A (en) 1995-11-22 1998-03-31 Arch Development Corporation Shift-invariant artificial neural network for computerized detection of clustered microcalcifications in mammography
US6339718B1 (en) 1999-07-30 2002-01-15 Medrad, Inc. Programmable injector control
US20030113267A1 (en) * 1999-12-29 2003-06-19 Knopp Michael V. Colon contrast enhanced imaging
US6754376B1 (en) 2000-11-22 2004-06-22 General Electric Company Method for automatic segmentation of medical images
JP2002165775A (ja) * 2000-12-01 2002-06-11 Hitachi Medical Corp 磁気共鳴イメージング装置
US6819790B2 (en) 2002-04-12 2004-11-16 The University Of Chicago Massive training artificial neural network (MTANN) for detecting abnormalities in medical images
US7458936B2 (en) 2003-03-12 2008-12-02 Siemens Medical Solutions Usa, Inc. System and method for performing probabilistic classification and decision support using multidimensional medical image databases
US7545965B2 (en) 2003-11-10 2009-06-09 The University Of Chicago Image modification and detection using massive training artificial neural networks (MTANN)
US20060018524A1 (en) 2004-07-15 2006-01-26 Uc Tech Computerized scheme for distinction between benign and malignant nodules in thoracic low-dose CT
US7567832B2 (en) * 2004-08-13 2009-07-28 The Mcw Research Foundation MRI method for measuring tumor hemodynamic parameters in the presence of contrast agent extravasation
EP1812101A4 (en) 2004-11-16 2014-04-23 Medrad Inc MODELING PHARMACEUTICAL DISSIPATION
US7738683B2 (en) 2005-07-22 2010-06-15 Carestream Health, Inc. Abnormality detection in medical images
US7564990B2 (en) 2005-08-18 2009-07-21 Nu Skin International, Inc. Imaging system and method for physical feature analysis
US7343032B2 (en) 2005-09-01 2008-03-11 Fujifilm Corporation Method and apparatus for automatic and dynamic vessel detection
EP1780677A1 (en) 2005-10-25 2007-05-02 BRACCO IMAGING S.p.A. Image processing system, particularly for use with diagnostics images
US7840044B2 (en) 2005-11-01 2010-11-23 Edda Technology Inc. Method and system for liver lobe segmentation and pre-operative surgical planning
US20220031270A1 (en) 2007-03-08 2022-02-03 Sync-Rx, Ltd Identification an dpresentation of device-tovessel relative motion
US9370316B2 (en) 2007-05-18 2016-06-21 Henry Ford Health System MRI estimation of contrast agent concentration using a neural network approach
WO2008155738A2 (en) * 2007-06-21 2008-12-24 Koninklijke Philips Electronics N.V. Adjusting acquisition protocols for dynamic medical imaging using dynamic models
DE102007028660B3 (de) 2007-06-21 2009-01-29 Siemens Ag Verfahren zur Korrektur von Bewegungsartefakten bei der Aufnahme von MR-Bildern
CN101938939B (zh) 2008-02-07 2014-11-26 皇家飞利浦电子股份有限公司 用于测量和预测患者呼吸稳定性的装置
WO2009135923A1 (en) 2008-05-08 2009-11-12 Oslo Universitetssykehus Hf Vessel segmentation in dce mr imaging
US7949167B2 (en) 2008-06-12 2011-05-24 Siemens Medical Solutions Usa, Inc. Automatic learning of image features to predict disease
US8452065B2 (en) * 2009-03-11 2013-05-28 Fred S. Azar System for detecting malignant lymph nodes using an MR imaging device
WO2011091847A1 (en) 2010-01-28 2011-08-04 Brainlab Ag Method and apparatus for estimating temperature in a body
US8478698B1 (en) 2010-03-17 2013-07-02 James Mah Methods and systems for employing artificial intelligence in automated orthodontic diagnosis and treatment planning
EP3524159B1 (en) 2010-12-08 2021-01-20 Bayer Healthcare LLC Generating a suitable model for estimating patient radiation dose resulting from medical imaging scans
FR2979453B1 (fr) 2011-08-26 2016-01-08 Olea Medical Systeme et procede pour estimer une quantite d'interet d'un systeme dynamique artere/tissu/veine
WO2013036842A2 (en) 2011-09-08 2013-03-14 Radlogics, Inc. Methods and systems for analyzing and reporting medical images
JP5878009B2 (ja) 2011-12-12 2016-03-08 株式会社根本杏林堂 医療用画像処理ネットワークシステム
WO2016007734A1 (en) 2014-07-09 2016-01-14 The Trustees Of Dartmouth College Methods for quantitative and enhanced-contrast molecular medical imaging using cross-modality correction for differing tracer kinetics
EP2626718A1 (en) 2012-02-09 2013-08-14 Koninklijke Philips Electronics N.V. MRI with motion correction using navigators acquired using a Dixon technique
BR112014020040A8 (pt) 2012-02-17 2017-07-11 Koninklijke Philips Nv Meio de armazenamento não transitório que armazena as instruções executáveis por um dispositivo de processamento eletrônico de dados que inclui um visor para o monitoramento de um paciente com lesão pulmonar aguda, aparelho, e, método
WO2013169353A1 (en) 2012-05-11 2013-11-14 University Of Iowa Research Foundation Multimodal imaging methods using mesoporous silica nanoparticles
DE102012215718B4 (de) 2012-09-05 2022-05-12 Siemens Healthcare Gmbh Verfahren und Magnetresonanzanlage zur MR-Bildgebung eines vorbestimmten Volumenabschnitts eines lebenden Untersuchungsobjekts mittels Stimulieren des Untersuchungsobjekts
US9449381B2 (en) 2012-09-10 2016-09-20 Arizona Board Of Regents, A Body Corporate Of The State Of Arizona, Acting For And On Behalf Of Arizona State University Methods, systems, and media for generating and analyzing medical images having elongated structures
WO2014068520A1 (en) 2012-10-31 2014-05-08 Koninklijke Philips N.V. Perfusion imaging
EP2750102B2 (en) 2012-12-27 2025-12-10 General Electric Company Method, system and computer readable medium for liver analysis
EP2964270A4 (en) 2013-02-21 2017-03-22 University Of Rochester Methods for evaluating brain-wide paravascular pathway for waste clearance function and methods for treating neurodegenerative disorders based thereon
EP2994879A1 (en) 2013-04-03 2016-03-16 Koninklijke Philips N.V. Vessel segmentation
US10809323B2 (en) 2013-04-24 2020-10-20 Tel Hashomer Medical Research Infrastructure And Services Ltd. Magnetic resonance maps for analyzing tissue
CN103914622B (zh) * 2014-04-04 2017-07-07 清华大学 一种化学品泄漏快速预测预警应急响应决策方法
US9754371B2 (en) 2014-07-31 2017-09-05 California Institute Of Technology Multi modality brain mapping system (MBMS) using artificial intelligence and pattern recognition
US20160038092A1 (en) 2014-08-11 2016-02-11 Douglas A. Golay Applying non-real time and non-user attended algorithms to stored non-imaging data and existing imaging data for obtaining a dental diagnosis
US10061003B2 (en) 2014-09-01 2018-08-28 bioProtonics, L.L.C. Selective sampling for assessing structural spatial frequencies with specific contrast mechanisms
WO2016060611A1 (en) 2014-10-13 2016-04-21 Agency For Science, Technology And Research Automatic region-of-interest segmentation and registration of dynamic contrast-enhanced images of colorectal tumors
US10555773B2 (en) * 2014-11-27 2020-02-11 Hiroshima University Simulator, injection device or imaging system provided with simulator, and simulation program
ES3000776T3 (en) 2015-02-27 2025-03-03 Bayer Healthcare Llc Quantification phantom for use with multiple imaging modalities
US9959615B2 (en) 2015-07-01 2018-05-01 Arizona Board Of Regents On Behalf Of Arizona State University System and method for automatic pulmonary embolism detection
US20170016972A1 (en) 2015-07-13 2017-01-19 Siemens Medical Solutions Usa, Inc. Fast Prospective Motion Correction For MR Imaging
WO2017009391A1 (en) 2015-07-15 2017-01-19 Koninklijke Philips N.V. Mr imaging with motion detection
US10157467B2 (en) 2015-08-07 2018-12-18 Arizona Board Of Regents On Behalf Of Arizona State University System and method for detecting central pulmonary embolism in CT pulmonary angiography images
US10176408B2 (en) 2015-08-14 2019-01-08 Elucid Bioimaging Inc. Systems and methods for analyzing pathologies utilizing quantitative imaging
WO2017035097A1 (en) 2015-08-21 2017-03-02 Duke University Systems and methods for determining image quality and models based on contrast injection protocols
EP4241804B1 (en) 2015-08-28 2026-02-18 Bayer HealthCare LLC Method for syringe fluid fill verification and image recognition of power injector system features
JP6626344B2 (ja) * 2015-09-29 2019-12-25 キヤノン株式会社 画像処理装置、画像処理装置の制御方法およびプログラム
US10645359B2 (en) 2015-12-16 2020-05-05 B<>Com Method for processing a digital image, device, terminal equipment and associated computer program
US9786058B2 (en) 2016-02-08 2017-10-10 Sony Corporation Method and system for segmentation of vascular structure in a volumetric image dataset
WO2017139653A1 (en) 2016-02-10 2017-08-17 The Charles Stark Draper Laboratory, Inc. Systems and methods for imaging
DE102016204198B4 (de) 2016-03-15 2018-06-07 Siemens Healthcare Gmbh Verfahren zur Erzeugung von MR-Bildern mit prospektiver Bewegungskorrektur und teilvolumenspezifischer Gewichtung der Bildinformation
US10282588B2 (en) 2016-06-09 2019-05-07 Siemens Healthcare Gmbh Image-based tumor phenotyping with machine learning from synthetic data
CN110234400B (zh) * 2016-09-06 2021-09-07 医科达有限公司 用于生成合成医学图像的神经网络
WO2018046412A1 (en) 2016-09-07 2018-03-15 Koninklijke Philips N.V. Semi-supervised classification with stacked autoencoder
AU2017345167B2 (en) 2016-10-17 2022-12-15 Bayer Healthcare Llc Fluid injector with syringe engagement mechanism
WO2018098130A1 (en) 2016-11-22 2018-05-31 Bayer Healthcare Llc System and method for delivering a fluid with a consistent total volumetric flowrate
US10955504B2 (en) 2016-11-22 2021-03-23 Hyperfine Research, Inc. Systems and methods for automated detection in magnetic resonance images
US10096109B1 (en) 2017-03-31 2018-10-09 The Board Of Trustees Of The Leland Stanford Junior University Quality of medical images using multi-contrast and deep learning
WO2018200493A1 (en) 2017-04-25 2018-11-01 The Board Of Trustees Of The Leland Stanford Junior University Dose reduction for medical imaging using deep convolutional neural networks
US20180315183A1 (en) 2017-04-28 2018-11-01 General Electric Company System and method for monitoring an amount of a contrast agent within an object
CA3061988A1 (en) 2017-05-02 2019-10-30 Bayer Aktiengesellschaft Improvements in the radiological detection of chronic thromboembolic pulmonary hypertension
JP6920904B2 (ja) 2017-07-04 2021-08-18 国立大学法人広島大学 シミュレータ、該シミュレータを備える注入装置又は撮像システム、及びシミュレーションプログラム
AU2018323442B2 (en) 2017-08-31 2024-06-27 Bayer Healthcare Llc Fluid path impedance assessment for improving fluid delivery performance
WO2019063520A1 (en) 2017-09-26 2019-04-04 Koninklijke Philips N.V. SYSTEM AND METHOD FOR JOINT CLINICAL DECISION FOR PHARMACEUTICAL PRODUCTS
US10335106B2 (en) 2017-09-29 2019-07-02 Infinitt Healthcare Co., Ltd. Computing system and method for identifying and visualizing cerebral thrombosis based on medical images
BR112020007105A2 (pt) 2017-10-09 2020-09-24 The Board Of Trustees Of The Leland Stanford Junior University método para treinar um dispositivo de diagnóstico por imagem para realizar uma imagem para diagnóstico médico com uma dose reduzida de agente de contraste
US11100621B2 (en) * 2017-10-20 2021-08-24 Imaging Biometrics, Llc Simulated post-contrast T1-weighted magnetic resonance imaging
AU2018359624A1 (en) 2017-10-31 2020-04-30 Ge Healthcare Limited Medical system for diagnosing cognitive disease pathology and/or outcome
CN116741352A (zh) 2017-11-24 2023-09-12 佳能医疗系统株式会社 医用数据处理装置、磁共振成像装置及学习完毕模型生成方法
CN108324244A (zh) * 2018-01-03 2018-07-27 华东师范大学 用于ai+mri影像辅助诊断的自动增广训练样本的构建方法及系统
KR102001398B1 (ko) 2018-01-25 2019-07-18 재단법인 아산사회복지재단 기계학습을 통한 뇌질환 상태변화 예측방법, 장치 및 프로그램
WO2019161043A1 (en) * 2018-02-15 2019-08-22 GE Precision Healthcare LLC System and method for synthesizing magnetic resonance images
US11640682B2 (en) 2018-03-22 2023-05-02 The University Of North Carolina At Chapel Hill Methods, systems, and computer readable media for processing digital subtraction angiography (DSA) and computed tomography (CT) images for reducing radiation exposure in DSA and CT subjects
US11100632B2 (en) * 2018-04-13 2021-08-24 Elekta, Inc. Image synthesis using adversarial networks such as for radiation therapy
US11982726B2 (en) 2018-04-13 2024-05-14 University Of Southern California Method for joint arterial input function and tracer kinetic parameter estimation in accelerated DCE-MRI using a model consistency constraint
KR102708986B1 (ko) 2018-04-19 2024-09-24 서틀 메디컬, 인크. 딥 러닝을 사용하여 자기 공명 이미징을 향상시키기 위한 시스템들 및 방법들
CN108703764B (zh) 2018-05-29 2021-11-05 北京东软医疗设备有限公司 血管造影方法、装置、系统、设备及存储介质
EP3807814A4 (en) 2018-06-15 2022-03-16 Subtle Medical, Inc. MAGNETIC RESONANCE IMAGING STANDARDIZATION SYSTEMS AND METHODS USING DEEP LEARNING
EP3649955A1 (en) * 2018-11-07 2020-05-13 Koninklijke Philips N.V. Deep learning based spectral bolus tracking
EP3657433B1 (en) 2018-11-22 2022-10-19 Siemens Healthcare GmbH Medical image data
JP6491391B1 (ja) * 2018-11-22 2019-03-27 国立大学法人信州大学 血流動態解析システム、血流動態解析方法、およびプログラム
DE102018222606A1 (de) 2018-12-20 2020-06-25 Siemens Healthcare Gmbh Verfahren und Vorrichtung zur Detektion eines anatomischen Merkmals eines Blutgefäßabschnittes
US10867375B2 (en) * 2019-01-30 2020-12-15 Siemens Healthcare Gmbh Forecasting images for image processing
US11398026B2 (en) * 2019-03-28 2022-07-26 The Board Of Trustees Of The Leland Stanford Junior University Systems and methods for synthetic medical image generation
DE102019207639A1 (de) 2019-05-24 2020-11-26 Siemens Healthcare Gmbh Verbesserte Berechnung der Kontrastmittelkonzentration
EP3756547A1 (en) 2019-06-28 2020-12-30 Koninklijke Philips N.V. Automated coronary angiography analysis
US20210012486A1 (en) * 2019-07-09 2021-01-14 Shenzhen Malong Technologies Co., Ltd. Image synthesis with generative adversarial network
CN110391016B (zh) 2019-07-10 2021-11-09 浙江大学 一种动态对比增强磁共振图像的分析方法
CA3154650A1 (en) 2019-09-18 2021-03-25 Bayer Aktiengesellschaft Generation of mri images of the liver
EP3804615A1 (de) 2019-10-08 2021-04-14 Bayer AG Erzeugung von mrt-aufnahmen der leber
JP7587575B2 (ja) 2019-10-08 2024-11-20 バイエル、アクチエンゲゼルシャフト コントラスト強調のない肝臓のｍｒｉ画像の生成
US20230120273A1 (en) 2019-10-11 2023-04-20 Bayer Aktiengesellschaft Acceleration of mri examinations
EP3875979A1 (de) 2020-03-06 2021-09-08 Bayer Aktiengesellschaft Optimiertes verfahren für dynamische kontrastverstärkende magnetresonanztomographie
CN115398555A (zh) 2020-04-03 2022-11-25 拜耳公司 生成放射线图像
US11308613B2 (en) 2020-06-09 2022-04-19 Siemens Healthcare Gmbh Synthesis of contrast enhanced medical images

Also Published As

Publication number Publication date
US12148163B2 (en) 2024-11-19
JP7542060B2 (ja) 2024-08-29
US11727571B2 (en) 2023-08-15
CN113330483A (zh) 2021-08-31
CA3154652A1 (en) 2021-03-25
CN113330483B (zh) 2024-08-16
US20230410312A1 (en) 2023-12-21
JP2022549604A (ja) 2022-11-28
EP4031894A1 (de) 2022-07-27
EP4031894B1 (de) 2023-06-07
EP4231037A1 (de) 2023-08-23
US20220343505A1 (en) 2022-10-27
AU2020347797B2 (en) 2026-03-12
WO2021052896A1 (de) 2021-03-25
AU2020347797A1 (en) 2022-03-31

Similar Documents

Publication Publication Date Title
ES2955349T3 (es) Predicción de imágenes MRI mediante un modelo de predicción entrenado por aprendizaje supervisado
JP7587575B2 (ja) コントラスト強調のない肝臓のｍｒｉ画像の生成
AU2020349121B2 (en) System, method, and computer program product for predicting, anticipating, and/or assessing tissue characteristics
US20230120273A1 (en) Acceleration of mri examinations
Zöllner et al. Renal perfusion in acute kidney injury with DCE-MRI: deconvolution analysis versus two-compartment filtration model
CN118786354A (zh) 对处于状态序列的状态的检查对象的检查区域的表征进行预测
US20240153163A1 (en) Machine learning in the field of contrast-enhanced radiology
Fan et al. Demonstration of pulmonary perfusion heterogeneity induced by gravity and lung inflation using arterial spin labeling
CA3154652C (en) Forecast of mri images by means of a forecast model trained by supervised learning
Li et al. Improved accuracy for myocardial blood flow mapping with deep learning-enabled CMR arterial spin labeling (DeepMASL): Validation by microsphere in vivo
CN117083629A (zh) 对比度增强放射学领域中的机器学习
Chabiniok Personalized biomechanical heart modeling for clinical applications
Deng Noninvasive Pressure Gradient Measurement in the Coronary Arteries using Phase Contrast Magnetic Resonance Imaging
Chabiniok Modélisation biomécanique personnalisée du coeur et applications cliniques