申请/专利权人：上海联影医疗科技股份有限公司

申请日：2017-11-07

公开（公告）日：2021-02-19

公开（公告）号：CN107669273B

主分类号：G06K9/00(20060101)

分类号：G06K9/00(20060101);G06K9/62(20060101);G06N3/04(20060101);G06N3/08(20060101)

优先权：

专利状态码：有效-授权

法律状态：2021.02.19#授权;2018.03.09#实质审查的生效;2018.02.09#公开

摘要：本发明涉及一种磁共振设备扫描方法。所述方法包括，通过定位扫描获取扫描对象的定位像，获取待执行临床扫描的线圈信息、扫描序列信息。将所述定位像、所述线圈信息、所述扫描序列信息作为部位识别模块的输入，确定所述扫描对象的待扫描部位。基于所述待扫描部位优化所述扫描对象的后续参数，使得整个临床扫描更准确、更具有针对性。所述磁共振设备扫描方法能够降低由于人体不同组织间、不同扫描线圈间的空间敏感度之间存在的差异带来的影响。所述磁共振设备扫描方法可以节省大量的由于无法自动完成自动识别部位信息带来的工作量。所述磁共振设备扫描方法中采用所述部位识别模块能够快速、准确、自动化的识别待扫描部位。

主权项：1.一种磁共振设备扫描方法，其特征在于，包括以下步骤：通过定位扫描获取扫描对象的定位像；获取所述定位扫描的线圈信息和所述定位扫描的扫描序列信息；将所述定位像、所述线圈信息、所述扫描序列信息作为部位识别模块的输入，确定所述扫描对象的待扫描部位；基于所述待扫描部位优化所述扫描对象的后续参数；所述部位识别模块预先通过以下方式进行训练：获取多组训练数据的定位像；获取多组训练数据的线圈信息，获取多组训练数据的扫描序列信息，提取所述多组训练数据的定位像的图像特征信息；根据所述多组训练数据的线圈信息、所述多组训练数据的扫描序列信息和所述多组训练数据的定位像的图像特征信息建立多层神经网络单元；对所述多层神经网络单元设置函数对应关系，根据多组训练数据调整每一层所述神经网络单元中的参数以形成所述部位识别模块。

全文数据：磁共振设备扫描系统、扫描方法及计算机可读存储介质技术领域[0001]本发明涉及医学图像领域，特别涉及一种磁共振设备扫描系统、扫描方法及计算机可读存储介质。背景技术[0002]磁共振设备扫描时通常先采集得到定位像可能是人体胸腹部的定位像），之后医务人员在定位像上进行临床扫描的规划，确定需要具体得到临床扫描的扫描部位可能是心脏、肝、肠道等等）的相应扫描参数。由于人体以及磁共振设备硬件的差异性，为了获得较佳的成像效果，在磁共振设备扫描过程中往往需要由医务人员手动根据具体临床扫描的部位信息来调整系统参数、序列参数、重建或图像处理。传统的磁共振设备扫描系统，需要使用者人为的通过定位像进行临床扫描的规划。发明内容[0003]本发明要解决的问题是提供一种磁共振设备扫描系统、扫描方法及计算机可读存储介质，解决传统的磁共振设备扫描系统只能人为在定位像上进行临床扫描规划，无法自动化识别正式扫描部位从而智能规划临床扫描参数的问题。[0004]为解决上述问题，本发明提供了一种磁共振设备扫描方法，[0005]包括以下步骤：[0006]通过定位扫描获取扫描对象的定位像；[0007]获取所述定位扫描的线圈信息、扫描序列信息；[0008]基于已完成训练的部位识别模块，将所述定位像、所述线圈信息、所述扫描序列信息作为所述部位识别模块的输入，确定所述扫描对象的待扫描部位；[0009]基于所述待扫描部位优化所述扫描对象在后续扫描的参数。[0010]在一个实施例中，所述部位识别模块的训练方法具体包括：[0011]获取多组训练数据的定位像；[0012]获取多组训练数据的线圈信息，获取多组训练数据的扫描序列信息，提取所述多组训练数据的定位像的图像特征信息；[0013]根据所述多组训练数据的线圈信息、所述多组训练数据的扫描序列信息和所述多组训练数据的定位像的图像特征信息建立多层神经网络单元；[0014]对所述多层神经网络单元设置函数对应关系，根据多组训练数据调整每一层所述神经网络单元中的参数以形成所述部位识别模块。[0015]在一个实施例中，所述根据所述多组训练数据的线圈信息、所述多组训练数据的扫描序列信息和所述多组训练数据的定位像的图像特征信息建立多层神经网络单元的步骤，具体包括：[0016]针对所述定位像的图像特征信息对训练数据进行第一级分类存储，得到初步分类后的训练数据和至少一层的神经网络单元；[0017]在得到的所述初步分类后的训练数据中，针对所述线圈信息和所述扫描序列佶息进行第二次分类存储，建立多层神经网络单元，将所述初步分类后的训练数据分别存储于所述多层神经网络单元中。[0018]在一个实施例中，所述部位识别模块包括：[0019]图像获取装置，用于获取多组训练的数据定位像；[0020]特征生成器，用于获取多组训练数据的线圈信息，获取多组训练数据的扫描序列信息，提取所述多组训练数据的定位像的图像特征信息；[0021]多层神经网络单元，用于针对所述多组训练数据的线圈信息、所述多组训练数据的扫描序列信息和所述多组训练数据的定位像的图像特征信息进行分类存储；[0022]合成器，用于对所述多层神经网络单元设置函数对应关系，根据训练数据调整每一层所述神经网络单元中的参数以形成所述部位识别模块。[0023]在一个实施例中，所述部位识别模块的训练方法包括：[0024]获取多组训练数据的定位像；[0025]获取多组训练数据的线圈信息，获取多组训练数据的扫描序列信息，提取所述多组训练数据的定位像的图像特征信息；[0026]针对所述多组训练数据的线圈信息、所述多组训练数据的扫描序列信息和所述多组训练数据的定位像的图像特征信息建立不同的分类规则；[0027]在所述不同的分类规则之间设置不同的权重比，以形成所述部位识别模块。[0028]在一个实施例中，针对所述多组训练数据的线圈信息、所述多组训练数据的扫描序列信息和所述多组训练数据的定位像的图像特征信息建立不同的分类规则的步骤中，所述分类规则为对应关系不同的核函数；[0029]在所述不同的分类规则之间设置不同的权重比，以形成所述部位识别模块的步骤中，所述权重比为在所述核函数中设置不同的参变量，以对所述分类规则进行调节。[0030]在一个实施例中，所述基于所述待扫描部位优化所述扫描对象的后续参数的步骤中，所述后续参数包括以下参数的任意一种：扫描序列参数、图像重建参数和图像处理参数。[0031]在一个实施例中，所述基于所述待扫描部位优化所述扫描对象的后续参数步骤之后还包括：[0032]根据优化后所述扫描对象的后续参数完成自动优化图像的动作或者自动调节窗宽窗位的动作。[0033]为解决上述问题，本发明还提供了一种磁共振设备扫描系统，包括磁共振扫描设备和计算机，其中计算机包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时可用于执行一种磁共振设备扫描方法，所述方法包括：[0034]通过定位扫描获取扫描对象的定位像；[0035]获取所述定位扫描的线圈信息、扫描序列信息；[0036]基于己完成训练的部位识别模块，将所述定位像、所述线圈信息、所述扫描序列信息作为所述部位识别模块的输入，确定所述扫描对象的待扫描部位；[0037]基于所述待扫描部位优化所述扫描对象在后续扫描的参数。[0038]一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时可用于执行上述任一项所述方法的步骤。[0039]本发明提供一种磁共振设备扫描方法，通过定位扫描获取扫描对象的定位像。获取所述定位扫描的线圈信息、扫描序列信息。基于已完成训练的部位识别模块，将所述定位像、所述线圈信息、扫描序列信息作为所述部位识别模块的输入，确定待扫描部位。基于所述待扫描部位优化后续扫描的参数。本发明提供的磁共振设备扫描方法，能够准确、快速、自动化的识别待扫描部位。基于所述待扫描部位优化后续扫描的参数，使得整个临床扫描更智能、更准确、更具有针对性。所述磁共振设备扫描方法能够降低由于人体不同组织间、不同扫描线圈间的空间敏感度之间存在的差异带来的影响。所述磁共振设备扫描方法能够准确判断识别待扫描部位。附图说明[0040]图1是本发明一些实施例的磁共振设备扫描方法的流程图；[0041]图2是本发明一些实施例的磁共振设备扫描方法的流程图；[0042]图3是本发明一些实施例的磁共振设备扫描方法的流程图；[0043]图4是本发明一些实施例的磁共振设备扫描方法的流程图。具体实施方式[0044]为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例对本发明的磁共振设备扫描系统、扫描方法及计算机可读存储介质进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。[0045]请参阅图1，提供一种磁共振设备扫描方法，包括以下步骤：[0046]S100,通过定位扫描获取扫描对象的定位像。[0047]定位扫描是指通过磁共振设备对扫描对象进行的全局扫描，用来得到扫描对象较大范围（例如从头到脚、从颈部到大腿的图像、为后续的临床扫描提供定位。在这里，获取的定位像并没有限制，可以是扫描对象的任意身体范围的图像信息。定位像通常是扫描对象的矢量位信息，也可以是冠状位图像或者横断面图像。比如:定位像可以是人体胸腹部的矢量位图像信息，通过磁共振设备获取的人体胸腹部的定位像内覆盖了人体的心脏、肝、肠道等部位。定位像的扫描序列可以采用2DGRE序列2D梯度回波序列）。[0048]在一些情况下，定位像可以不限于是通过磁共振设备获取的磁共振图像，还可以是通过其他医学设备获取的例如:CT图像、PET图像、X光图像等。本实施例的后面步骤主要以磁共振图像进行举例说明，本领域技术人员己知的，也可以适用于其他医学图像。[0049]S200，获取定位扫描的线圈信息、扫描序列信息。[0050]在一些情况下，在进行磁共振扫描的过程中病人（扫描对象进入磁共振设备后，医务人员在扫描室根据病人的登记确定需要检查的部位，并可以为病人佩戴好射频接收线圈。在病人就位后由医务人员在操作室的计算机控制磁共振扫描机进行如S100步骤描述的定位扫描。操作室的计算机处由医务人员根据定位扫描需求，确定对应的射频线圈和定位扫描协议，然后由操作室计算机将选择好的定位扫描的线圈信息和扫描序列信息给磁共振扫描机。磁共振扫描机根据扫描的线圈信息和扫描序列信息对病人进行定位扫描，并将根据定位扫描接收到的磁共振回波信号输送到操作室的计算机中进行图像重建，得到定位像。最后操作室的计算机将得到的定位像在操作室的计算机上显示，也同时可以通过通讯连接装置传送至扫描室的磁共振扫描机，并在磁共振扫机表面的液晶触摸屏上显示。[0051]可以理解，只根据定位像无法判断出扫描的具体扫描部位（心脏、肝、肠道等），在本发明的技术方案中提供了一种结合定位像的图像特征信息、定位扫描的扫描线圈信息和定位扫描的扫描序列信息整合，智能地判断出医生希望扫描的具体部位，而不需要医生进行手动设置，从而节省了医生的设置时间，优化了扫描流程。[0052]这里定位扫描的线圈信息和扫描序列信息，可以是根据医生手动输入，例如磁共振扫描机的存在射频线圈一至射频线圈十，医生希望定位扫描的扫描范围是胸腹部区域，则可以手动选择对应胸腹部区域的射频线圈三至射频线圈六，并同时选择一个扫描序列例如可以是2DGRE序列）。[0053]在一些实施例中，定位扫描的线圈信息和扫描序列信息也可以是计算机根据患者的相关资料自动获取生成。[0054]S300,基于已完成训练的部位识别模块，将所述定位像、所述线圈信息、所述扫描序列信息作为所述部位识别模块的输入，确定所述扫描对象的待扫描部位。[0055]部位识别模块可以根据定位像、扫描的线圈信息和扫描序列信息对扫描对象的部位信息进行识别。部位识别模块可以是基于一定的算法和流程进行学习、训练得到的。由于采用的算法不同，具体的训练过程也会有所差异，此处不再一一赘述。[0056]部位识别模块可以是基于神经网络的算法，具体可以是由多个特征量作为神经节点或者叫神经网络单元而构成的多层神经网络。并且根据一些样本数据可以对神经网络进行训练，从而根据完成训练的部位识别模块准确地对扫描对象的待扫描部位进行部位识别。[0057]在训练部位识别模块的过程中，将大量样本数据（已知扫描部位信息对应的定位像、线圈信息、扫描序列信息作为部位识别模块的输入，优化部位识别模块的算法参数神经网络单元）。[0058]在使用部位识别模块的过程中，将定位像、线圈信息、扫描序列信息输入到部位识别模块，根据前述的训练完成的部位识别模块得出对应的待扫描部位。[0059]S400,基于所述待扫描部位优化所述扫描对象在后续扫描的参数。[0060]可以理解，根据部位识别模块识别的待扫描部位信息再次优化扫描对象在后续扫描的参数。比如:在一些情况下，在进行磁共振扫描的过程中扫描对象进入磁共振设备的扫描区后，医务人员在扫描室根据扫描对象的登记确定需要检查的部位，选择好射频接收线圈。医务人员通过操作室的计算机根据射频线圈或选择的检查部位自动选择定位协议，然后选择扫描的线圈信息和扫描序列信息给磁共振扫描机。磁共振扫描机根据输入的信息进行如S100步骤描述的定位扫描。记录第一次扫描的定位像、线圈信息和扫描序列信息，并将其输入到部位识别模块。部位识别模块根据训练及学习的数据确定扫描对象的待扫描部位。根据确定的扫描对象的待扫描部位进行第二次扫描。基于待扫描部位优化待执行临床扫描。这里优化的待执行临床扫描可以包括定位协议的重新选择、扫描线圈信息的重新确定和扫描序列信息的重新确定等。可以理解，经过重新优化后对待扫描部位再次执行临床扫描使得扫描结果更加准确。[0061]例如:在常规MR扫描过程中，常常需要根据具体的扫描的部位，去设置相关的系统参数或扫描协议参数，比如射频发射模式，发射电压，K空间波滤器的形态和强度，图像滤波器参数，自动调窗策略等。[Q062]以全身MR扫描为例，为了达到最佳成像效果，头，腹，膝三个部位所采用的射频发射模式分别为TXModel，TXMode2和TXMode3。设置的发射电压为280,420和320。根据头、腹和膝三个部位的不同信号特点，K空间滤波器的形态和强弱需要进行针对性设置、根据三个部位在临床诊断中的关注点的差异，图像滤波器的参数也需要进行针对性设置。比如:肝部图像本身就比较平坦，可以适当采用稍强的去噪声参数，而膝关节图像经常需要观察半月板等线状结构，则需要加强图像滤波器的线性结构增强与平滑的参数。对于图像的默认窗宽窗位，同样由于临床诊断的关注点不同，要根据部位对图像的默认窗进行一些处理，如腹部增强扫描时，需要看到明显的信号变化，头部扫描时需要灰白质对比要好，关节扫描压脂扫描时，需要关节面清晰，骨头低亮度等。[G063]本实施例中，提供的磁共振设备扫描方法。磁共振设备扫描方法中采用部位识别模块能够快速、自动化的识别待扫描部位。磁共振设备扫描方法，首先获取扫描对象的定位像、线圈信息、扫描序列信息。然后基于部位识别模块确定待扫描部位。基于待扫描部位优化后续扫描的参数，使得整个临床扫描更智能、更准确、更具有针对性。磁共振设备扫描方法能够降低由于人体不同组织间、不同扫描线圈间的空间敏感度之间存在的差异带来的影响。磁共振设备扫描方法能够准确判断识别待扫描部位。本实施例中，采用磁共振设备的定位像、扫描线圈信息、扫描序列信息。采用已完成训练的部位识别模块，在每次扫描定位像时，部位识别模块能够实时的给出准确的扫描部位信息。磁共振设备扫描方法可以节省大量的由于无法自动完成自动识别部位信息带来的工作量。[0064]在一个实施例中，所述部位识别模块可以采用多种的训练方法，比如:采用神经网络的训练方法或采用的支持向量机的训练方法等。可以理解，所述部位识别模块的训练方法并不限制于本申请所描述的训练方法，只要能够完成对训练数据的学习，都可以结合到本方法中应用。更具体的，可以选择基于自组织特征映射的神经网络训练方法、基于径向基函数的神经网络训练方法、双模式线性神经网络训练方法或基于反向误差的神经网络训练方法。[0065]请参阅图2,在一个实施例中，所述部位识别模块的训练方法具体包括：[0066]S510,获取多组训练数据的定位像。[0067]可以理解，这里获取的多组训练数据的定位像可以是已知部位信息的定位像。[0068]S520,获取多组训练数据的线圈信息，获取多组训练数据的扫描序列信息，提取所述多组训练数据的定位像的图像特征信息。[0069]可以理解，只根据定位像无法判断出扫描的具体部位，结合线圈信息和扫描序列信息则可以根据定位像的图像特征信息、扫描线圈信息和扫描序列信息整合判断出扫描的具体部位。这里的多组训练数据的线圈信息、扫描序列信息可以是临床扫描过程中实时获取的，也可以是扫描完成后手动输入的训练数据的线圈信息、扫描序列信息。获取多组训练数据的线圈信息、扫描序列信息是为了配合多组训练数据定位像的图像特征信息完成多组训练数据的精确分类。通过存储多组训练数据的信息，形成一个完备的数据信息库。在这个完备的数据信息库中，每一组训练数据都存储有待扫描部位和与待扫描部位相对应的定位像的图像特征信号、扫描线圈信息、扫描序列信息。[0070]S530,根据所述多组训练数据的线圈信息、所述多组训练数据的扫描序列信息和所述多组训练数据的定位像的图像特征信息建立多层神经网络单元。[0071]神经网络单元是基于多组训练数据的部位信息与线圈信息、扫描序列信息和定位像的图像特征信息的对应关系建立的。比如:可以设置一线圈信息层，用于对不同的扫描对象的线圈信息进行区分。建立一扫描序列信息层，用于记录不同的扫描对象的扫描序列信息。建立一定位像的图像特征信息层，用于记录不同类型的扫描对象的定位像的图像特征信息。对于同样的部位可以设置多层神经网络单元，对于同一特征信息线圈信息、扫描序列信息和定位像的图像特征信息）同样可以设置多层神经网络单元。在整个神经网络单元中，经过整合、分析、计算得出不同层神经网络单元与扫描的部位信息之间的对应关系。[0072]S540,对所述多层神经网络单元设置函数对应关系，根据多组训练数据调整每一层所述神经网络单元中的参数以形成所述部位识别模块。[0073]可以理解，部位识别模块在建立过程中需要不断的更新神经网络单元的函数对应关系中的参数，使得部位识别模块的识别过程更加简单、更加高效。可以理解，用于训练的训练数据集越完备，部位识别模块的定位精度越高。在完成神经网络的训练后，输入新的临床扫描的定位像扫描的线圈信息、扫描序列信息时，部位识别模块根据已经学习的数据自动对输入的定位像进行识别和处理，最终给出对应的部位信息。[0074]本实施例中提供了一种基于神经网络的训练方法完成对部位识别模块的训练。通过多组训练数据包括部位信息、相应部位的定位像、相应部位的线圈信息和相应部位的扫描序列信息完成对部位识别模块的训练。本实施例中，神经网络的训练过程采用计算机程序实现。[0075]请参阅图3，在一个实施例中，所述根据所述多组训练数据的线圈信息、所述多组训练数据的扫描序列信息和所述多组训练数据的定位像的图像特征信息建立多层神经网络单元的步骤，具体包括：[0076]S53l，针对所述定位像的图像特征信息对训练数据进行第一级分类存储，得到初步分类后的训练数据和至少一层的神经网络单元。[0077]第一级分类存储可以理解为对训练数据的定位像进行初步的划分。比如人体特征信息可以大致分为:头部、颈椎部、脊椎部、胸部、肺部、心脏、腿部大腿、小腿）、脚部脚踝、脚趾）等等。当部位识别模块接收到多组训练数据时，即会对训练数据进行第一级分类存储。在第一级分类存储时可以设置根据特征部位的复杂程度设置至少一层的神经网络单JL〇[0078]S532，在得到的所述初步分类后的训练数据中，针对所述线圈信息和所述扫描序列f曰息进行弟一次分类存储，建立多层神经网络单兀，将所述初步分类后的训练数据分别存储于所述多层神经网络单元中。[0079]在一些情况下，经过定位像进行分类后还需要针对线圈信息和扫描序列信息对训练数据进彳丁弟一次分类存储。在弟一次分类存储过程中同样可以设置多层不同的神经网络单元。可以理解的是除了线圈信息和扫描序列信息之外的一些扫描信息参数也可以作为分类存储的参考值。同样可以理解的是，可以设置三个优先级的神经网络的分类方案。首先设置针对定位像进行分类存储的第一级神经网络单元，然后设置针对扫描线圈信息进行分类仔储的弟二级神经网络单元，最后建立针对扫描序列信息进行分类存储的第三级神经网络单元。可以按照使用者的需要设置神经网络的优先级，也就是说优先级顺序也可以根据使用者的需要自行设置。[0080]本实施例中，对训练数据进行分级存储，建立具有优先级的神经网络单元。对多组训练数据进行分类存储使得部位识别模块能够更快速、更准确的识别待扫描部位。部位识别模块的学习训练过程更安全可靠、结构设计更简单、识别速度更快、识别效率更高。[0081]在一个实施例中，所述部位识别模块包括：[0082]图像获取装置，用于获取多组训练数据的定位像。[0083]特征生成器，用于获取多组训练数据的线圈信息，获取多组训练数据的扫描序列信息，提取所述多组训练数据的定位像的图像特征信息；[0084]多层神经网络单元，用于针对所述多组训练数据的线圈信息、所述多组训练数据的扫描序列信息和所述多组训练数据的定位像的图像特征信息进行分类存储；[0085]合成器，用于对所述多层神经网络单元设置函数对应关系，根据训练数据调整每一层所述神经网络单元中的参数以形成所述部位识别模块。[0086]可以理解，部位识别模块可以设置不同的实际执行单元或装置，用于完成不同步骤，实现对多组训练数据的分类存储、建立不同的函数对应关系。整体上建立部位识别模块以实现通过输入定位像、线圈信息、扫描序列信息等信息就可以确定所述扫描对象的待扫描部位的功能。[0087]本实施例中，图像获取装置、特征生成器、多层神经网络单元、合成器的结构并不限制，能够实现相应的功能即可。具体的图像获取装置并不仅限于获取定位像，还可以获取其他的图像信息。特征生成器用于根据多组训练数据的线圈信息、扫描序列信息和定位像等的参数信息生成能够区分待扫描部位的一些特征信息。多层神经网络单元用于将特征生成器生成的特征信息进行分类存储。多层神经网络单元还可以根据不同的需求建立不同的优先级。合成器用于在已经形成的多层神经网络单元之间建立函数对应关系，根据训练数据调整函数对应关系之间的参数。最终，使得根据多组训练数据确定的整个神经网络能够快速识别待扫描部位。[0088]请参阅图4,在一个实施例中，所述部位识别模块的训练方法包括：[0089]S510’，获取多组训练数据的定位像。[0090]S520’，获取多组训练数据的线圈信息，获取多组训练数据的扫描序列信息，提取所述多组训练数据的定位像的图像特征信息。[0091]S530’，针对所述多组训练数据的线圈信息、所述多组训练数据的扫描序列信息和所述多组训练数据的定位像的图像特征信息建立不同的分类规则。[0092]S540,，在所述不同的分类规则之间设置不同的权重比，以形成所述部位识别模块。[0093]本实施例中，采用支持向量机的机器学习方法通过输入多组训练数据完成^部位识别模块的训练。支持向量机SupportVectorMachine，SVM是根据有限的样本彳曰息（多组训练数据建立特定的机器学习模型部位识别模块。在模型的复杂性（即对多组训练数据的学习精度和学习能力（即无错误地识别任意样本的能力之间寻求最佳折衷，以期获得最好的应用和推广。[0094]支持向量机的学习方法设置一些特征信息作为向量。将向量映射到一个更高维的空间里，在这个空间里建立有一个最大间隔超平面。在分开数据的超平面的两边建有两个互相平行的超平面。建立方向合适的分隔超平面使两个与之平行的超平面间的距离最大化。其假定为，平行超平面间的距离或差距越大，分类器的总误差越小，部位识别模块的精度更高。[0095]具体的，部位识别模块的训练过程中，步骤S510’和S520’与采用神经网络的训练过程中的步骤S510和S520相类似。对多组训练数据生成了包含有线圈信息、扫描序列信息和定位像的图像特征信息的特征信息。[0096]在步骤S530’中，针对不同的线圈信息、扫描序列信息和定位像的图像特征信息建立不同的分类规则。针对不同的扫描部位信息可以建立不同的分类规则。可以针对不同部位的不同参数建立分类规则。在根据多组训练数据进行机器学习的过程中可以对已经学习到的分类规则进行一定程度的修正，如此不断的学习训练，使得部位识别模块的辨认识别度更高。[0097]在步骤S540’中，在不同的分类规则之间设置不同的权重比，以形成部位识别模块。通过在不同的分类规则之间设置不同的权重比，使得部位识别模块在识别待扫描部位时能够更具有针对性。部位识别模块识别输出的待扫描部位信息更准确。[0098]在一个实施例中，针对所述多组训练数据的线圈信息、所述多组训练数据的扫描序列信息和所述多组训练数据的定位像的图像特征信息建立不同的分类规则的步骤中，所述分类规则为对应关系不同的核函数。[0099]在所述不同的分类规则之间设置不同的权重比，以形成所述部位识别模块的步骤中，所述权重比为在所述核函数中设置不同的参变量，以对所述分类规则进行调节。[0100]在确定了核函数之后，由于确定核函数的已知数据也存在一定的误差，考虑到推广性问题，因此引入了松弛系数以及惩罚系数两个参变量来加以校正。在确定了核函数基础上，再经过大量对比实验等将这两个系数取定，该项研究就基本完成，适合相关学科或业务内应用，且有一定能力的推广性。当然误差是绝对的，不同学科、不同专业的要求不一。[0101]本实施例中，采用支持向量机的学习方法对部位识别模块进行训练。在具体的训练过程中分类规则采用不同的核函数，参数的权重比可以在不同的核函数中设置不同的参变量。[0102]在一个实施例中，采用支持向量机的学习方法同样可以包括：[0103]图像获取装置，用于获取多组训练数据的定位像。[0104]特征生成器，用于获取多组训练数据的线圈信息、扫描序列信息，提取所述训练数据的定位像的图像特征信息。[0105]分类存储器，用于对不同的所述线圈信息、所述扫描序列信息和所述定位像的图像特征信息建立不同的分类规则。[0106]合成器，在不同的分类存储器之间设置不同的权重比，以形成所述部位识别模块。[0107]可以理解，采用神经网络的机器学习方法和采用支持向量机的机器学习方法都能够建立部位识别模块。图像获取装置、特征生成器、分类存储器和合成器的结构并不做限制，能够实现相应的功能即可。[0108]在一个实施例中，所述基于所述待扫描部位优化所述扫描对象的后续参数的步骤中，所述后续参数包括以下参数的任意一种：扫描序列参数、图像重建参数和图像处理参数。[0109]在磁共振扫描过程中，完成图像扫描以后会对图像进行重建和处理。根据部位识别模块给出的扫描部位信息可以重新设置磁共振设备的参数，以完成整个临床扫描过程。可以理解，具体优化后续扫描的参数包括:对磁共振设备的系统参数的优化、对定位扫描的协议参数进行优化、对磁共振设备的扫描序列参数进行优化、对定位扫描的图像重建参数进行优化或者针对图像处理参数进行优化调整。比如对定位扫描的协议参数进行优化时：可以使用部位信息对协议参数中的发射电压进行自动调整，或K空间滤波器参数进行自动调整，以达到最佳成像质量。具体的，在所述后续参数中，扫描序列参数可以是扫描序列的回波时间（timeofecho、重复时间（repetitiontime。在所述后续参数中，图像重建参数可以是填充K空间数据的填充顺序、填充轨迹。在所述后续参数中，图像处理参数可以是去除图像噪声、滤波的参数。[0110]在一个实施例中，所述基于所述待扫描部位优化所述扫描对象的后续参数步骤之后还包括:根据优化后所述扫描对象的后续参数完成自动优化图像的动作或者自动调节窗宽窗位的动作。[0111]上述根据优化后所述扫描对象在后续扫描的参数完成自动优化图像的动作或者自动调节窗宽、窗位的动作。所有这些需要针对不同部位进行特殊调整的需求，当前都将不需要人工调协议参数的来实现。自动优化图像滤波器可以根据检测到的参数进行调整，实现部位自动识别功能，将可以大大减少人工工作量。自动调节窗宽窗位的输出图像也可以根据基于所述扫描对象在后续扫描过程中优化的参数自动调整输出图像的窗宽和窗位。[0112]为解决上述问题，还提供了一种磁共振设备扫描系统，包括磁共振扫描设备和计算机，其中计算机包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时可用于执行一种磁共振设备扫描方法，所述方法包括：[0113]通过定位扫描获取扫描对象的定位像；[0114]获取待执行临床扫描的线圈信息、扫描序列信息；[0115]基于已完成训练的部位识别模块，将所述定位像、所述线圈信息、所述扫描序列信息作为所述部位识别模块的输入，确定所述扫描对象的待扫描部位；[0116]基于所述待扫描部位优化所述待执行临床扫描。[0117]为解决上述问题，还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时可用于执行上述任一项所述方法的步骤。[0118]以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。[0119]以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

权利要求：1.一种磁共振设备扫描方法，其特征在于，包括以下步骤：通过定位扫描获取扫描对象的定位像；获取所述定位扫描的线圈信息、扫描序列信息；将所述定位像、所述线圈信息、所述扫描序列信息作为部位识别模块的输入，确定所述扫描对象的待扫描部位；基于所述待扫描部位优化所述扫描对象的后续参数。2.如权利要求1所述的磁共振设备扫描方法，其特征在于，所述部位识别模块预先通过以下方式进行训练：获取多组训练数据的定位像；获取多组训练数据的线圈信息，获取多组训练数据的扫描序列信息，提取所述多组训练数据的定位像的图像特征信息；根据所述多组训练数据的线圈信息、所述多组训练数据的扫描序列信息和所述多组训练数据的定位像的图像特征信息建立多层神经网络单元；对所述多层神经网络单元设置函数对应关系，根据多组训练数据调整每一层所述神经网络单元中的参数以形成所述部位识别模块。3.如权利要求2所述的磁共振设备扫描方法，其特征在于，所述根据所述多组训练数据的线圈信息、所述多组训练数据的扫描序列信息和所述多组训练数据的定位像的图像特征信息建立多层神经网络单元的步骤，具体包括：针对定位像的图像特征信息对训练数据进行第一级分类存储，得到初步分类后的训练数据和至少一层的神经网络单元；在得到的所述初步分类后的训练数据中，针对所述线圈信息和所述扫描序列信息进行第二次分类存储，建立多层神经网络单元，将所述初步分类后的训练数据分别存储于所述多层神经网络单元中。4.如权利要求1所述的磁共振设备扫描方法，其特征在于，所述部位识别模块包括：图像获取装置，用于获取多组训练数据的定位像；特征生成器，用于获取多组训练数据的线圈信息，获取多组训练数据的扫描序列信息，提取所述多组训练数据的定位像的图像特征信息；多层神经网络单元，用于针对所述多组训练数据的线圈信息、所述多组训练数据的扫描序列信息和所述多组训练数据的定位像的图像特征信息进行分类存储；合成器，用于对所述多层神经网络单元设置函数对应关系，根据训练数据调整每一层所述神经网络单元中的参数以形成所述部位识别模块。5.如权利要求1所述的磁共振设备扫描方法，其特征在于，所述部位识别模块的训练方法包括：获取多组训练数据的定位像；获取多组训练数据的线圈信息，获取多组训练数据的扫描序列信息，提取所述多组训练数据的定位像的图像特征信息；针对所述多组训练数据的线圈信息、所述多组训练数据的扫描序列信息和所述多组训练数据的定位像的图像特征信息建立不同的分类规则；在所述不同的分类规则之间设置不同的权重比，以形成所述部位识别模块。6.如权利要求5所述的磁共振设备扫描方法，其特征在于，针对所述多组训练数据的线圈信息、所述多组训练数据的扫描序列信息和所述多组训练数据的定位像的图像特征信息建立不同的分类规则的步骤中，所述分类规则为对应关系不同的核函数；在所述不同的分类规则之间设置不同的权重比，以形成所述部位识别模块的步骤中，所述权重比为在所述核函数中设置不同的参变量，以对所述分类规则进行调节。7.如权利要求1所述的磁共振设备扫描方法，其特征在于，所述基于所述待扫描部位优化所述扫描对象的后续参数的步骤中，所述后续参数包括以下参数的任意一种：扫描序列参数、图像重建参数和图像处理参数。8.如权利要求7所述的磁共振设备扫描方法，其特征在于，所述基于所述待扫描部位优化所述扫描对象的后续参数步骤之后还包括：根据优化后所述扫描对象的后续参数完成自动优化图像的动作或者自动调节窗宽窗位的动作。9.一种磁共振设备扫描系统，包括磁共振扫描设备和计算机，其中计算机包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时可用于执行一种磁共振设备扫描方法，所述方法包括：通过定位扫描获取扫描对象的定位像；获取所述定位扫描的线圈信息、扫描序列信息；基于已完成训练的部位识别模块，将所述定位像、所述线圈信息、所述扫描序列信息作为所述部位识别模块的输入，确定所述扫描对象的待扫描部位；基于所述待扫描部位优化所述扫描对象在后续扫描的参数。+10•—种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时可用于执行权利要求1-8中任一项所述方法的步骤。

百度查询： 上海联影医疗科技股份有限公司 磁共振设备扫描系统、扫描方法及计算机可读存储介质

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD