用于提供虚拟断层扫描中风后续检测图像的方法和装置

摘要

本发明涉及一种用于提供虚拟断层扫描中风后续检查图像的方法和装置，其中，该方法包括以下步骤：例如借助于接收接口，接收检查区域的时间上连续的断层扫描灌注成像数据集的序列；例如借助于计算单元通过在时间上连续的断层扫描灌注成像数据集的序列上应用训练过的机器学习算法，计算检查区域的虚拟断层扫描中风后续检查图像；以及例如借助于提供接口，提供虚拟断层扫描中风后续检查图像。

权利要求

1.一种用于提供虚拟断层扫描中风后续检查图像(VI)的方法，其中，所述方法包括以下步骤：-接收(RS)检查区域的时间上连续的断层扫描灌注成像数据集的序列(SP)，-通过在所述时间上连续的断层扫描灌注成像数据集的序列(SP)上应用训练过的机器学习算法(MLA)，计算(CI)所述检查区域的所述虚拟断层扫描中风后续检查图像(VI)，以及-提供(PT)所述虚拟断层扫描中风后续检查图像(VI)。

2.根据权利要求1所述的方法，其中，所述方法还包括以下步骤：

-通过在所述虚拟断层扫描中风后续检查图像(VI)上应用分割算法，在所述虚拟断层扫描中风后续检查图像(VI)中对中风受损的组织进行自动分割(CS)。

3.根据权利要求1或2所述的方法，

-其中，所述训练过的机器学习算法(MLA)具有一个编码器网络(ENC)，该编码器网络从所述时间上连续的断层扫描灌注成像数据集的序列(SP)中提取出特征，并且-其中，所述训练过的机器学习算法(MLA)具有一个解码器网络(DEC)，该解码器网络基于提取出的所述特征产生所述虚拟断层扫描中风后续检查图像(VI)。

4.根据权利要求3所述的方法，

-其中，所述编码器网络(ENC)具有多个并行的输入通道，其中所述多个并行的输入通道中的每个输入通道都设计成，将相应的断层扫描灌注成像数据集馈送到所述编码器网络(ENC)中，-其中，所述时间上连续的断层扫描灌注成像数据集的序列(SP)的所有灌注成像数据集都被并行地馈送到所述编码器网络(ENC)中。

5.根据权利要求4所述的方法，

-其中，所述编码器网络(ENC)包括一个卷积运算符，所述卷积运算符在一个时间维度(t)中和在多个空间维度(x，y)中起作用。

6.根据权利要求3所述的方法，

-其中，所述编码器网络(ENC)具有一个卷积神经网络(CN)，所述卷积神经网络从所述时间上连续的断层扫描灌注成像数据集的序列(SP)中提取出时间上连续的图像空间特征的序列，并且-其中，所述编码器网络(ENC)具有一个递归神经网络(RN)，所述递归神经网络由所述时间上连续的图像空间特征的序列测定在所述时间上连续的图像空间特征的序列的所述图形空间特征之间在时间上的关系。

7.根据权利要求1至6中任一项所述的方法，

-其中，所述训练过的机器学习算法(MLA)具有一个生成器网络，所述生成器网络基于所述时间上连续的断层扫描灌注成像数据集的序列(SP)产生用于所述虚拟断层扫描中风后续检查图像(VI)的候选图像，并且-其中，所述训练过的机器学习算法(MLA)具有一个分类器网络，所述分类器网络对所述虚拟断层扫描中风后续检查图像(VI)的所述候选图像进行评估。

8.根据权利要求1至7中任一项所述的方法，其中，所述方法还包括以下步骤：-接收(RT)一组训练对，其中，所述一组训练对中的每一对都具有所述检查区域的时间上连续的断层扫描灌注成像数据集的训练序列(SP)以及所述检查区域的断层扫描中风后续检查图像，其中，所述训练序列在中风诊断检查时获取，并且所述断层扫描中风后续检查图像在中风后续检查中产生，并且-基于所述一组训练对来训练(TA)所述机器学习算法(MLA)。

9.根据权利要求8所述的方法，

-其中所述一组训练对具有第一训练对的第一子集，其中对于所述第一训练对的所述第一子集的每个第一训练对，在所述中风诊断检查和所述中风后续检查之间的检查区域尚未针对该中风进行处理，并且-其中所述一组训练对具有第二训练对的第二子集，其中对于所述第二训练对的所述第二子集的每个第二训练对，在所述中风诊断检查和所述中风后续检查之间的检查区域已经针对该中风进行了处理。

10.根据权利要求1至9中任一项所述的方法，

-其中，通过将所述训练过的机器学习算法(MLA)应用于所述时间上连续的断层扫描灌注成像数据集的序列(SP)，来计算所述检查区域的第一虚拟断层扫描中风后续检查图像和第二虚拟断层扫描中风后续检查图像，-其中，所述第一虚拟断层扫描中风后续检查图像涉及在所述中风诊断检查和所述中风后续检查之间的检查区域尚未针对中风进行处理的情况，以及-其中，所述第二虚拟断层扫描中风后续检查图像涉及所述中风诊断检查和所述中风后续检查之间的检查区域已经针对中风进行处理的情况。

11.一种用于提供虚拟断层扫描中风后续检查图像(VI)的提供单元(U)，包括：-一个接收接口(RS-U)，被设计为接收(RS)检查区域的时间上连续的断层扫描灌注成像数据集的序列(SP)，-一个计算单元(CI-U)，被设计为通过将训练过的机器学习算法(MLA)应用于所述时间上连续的断层扫描灌注成像数据集的序列(SP)，来计算(CI)所述检查区域的虚拟断层扫描中风后续检查图像(VI)，以及-一个提供接口(PI-U)，被设计为提供(PI)所述虚拟断层扫描中风后续检查图像(VI)。

12.根据权利要求11所述的提供单元(U)，还具有：

-一个训练对接收接口(RT-U)，被设计为接收(RT)一组训练对，所述一组训练对中的每一对都具有所述检查区域的时间上连续的断层扫描灌注成像数据集的训练序列(SP)以及所述检查区域的断层扫描中风后续检查图像，其中，所述训练序列在中风诊断检查时获取，并且所述断层扫描中风后续检查图像在中风后续检查中产生，以及-一个训练单元(TA-U)，被设计为基于所述一组训练对训练(TA)所述机器学习算法(MLA)。

13.根据权利要求11或12所述的提供单元(U)，被设计用于执行根据权利要求1至10中任一项所述的方法。

14.一种计算机程序产品，具有：计算机程序，所述计算机程序能直接加载到提供单元(U)的存储单元中；程序段，从而在由所述提供单元(U)执行所述程序段时，执行根据权利要求1至10中任一项所述的方法的所有步骤。

15.一种计算机可读存储介质，在所述计算机可读存储介质上存储有能由提供单元(U)读取和执行的程序段，从而在由提供单元(U)执行所述程序段时，执行权利要求1至10中任一项的方法的所有步骤。

说明书

用于提供虚拟断层扫描中风后续检测图像的方法和装置

技术领域

[0001] 本发明涉及一种用于提供虚拟断层扫描中风后续检查图像的方法。本发明还涉及一种提供单元，计算机程序产品和计算机可读存储介质。

背景技术

[0002] 动态对比度增强(DCE)成像或灌注成像，也称为计算机断层扫描(CT)、DCE-CT或灌注CT，是一种成像技术，可用于分析生理特性，特别是组织灌注。此外，DCE成像有助于诊断中风，在中风的情况中，大脑中的部分会由于血液循环不良而导致缺氧并由此产生不可逆的损伤。

[0003] 为了识别受损区域，在造影剂的施用期间获取图像序列，并且针对各个像素或特定区域测定衰减值在时间上的变化。基于这些曲线可以计算灌注特性，然后通常将其色彩编码成CT图像或磁共振断层(MRT)图像，即所谓的灌注图([1])。

[0004] 参数的计算通常基于复杂的数学模型，其表示组织中生理过程的近似值。在此，可以给出根据病理和组织来选择的许多不同的方法。由于这些是近似值，因此模型中的不准确性可能导致错误的结果。此外，利用这些方法，必须基于测量数据和相应的模型来调整曲线，这反过来可能容易出错并且需要大量的计算时间。通常，动脉的分割对于确定AIF(动脉输入功能)是必要的。这些也可以根据方法或用户而变化，从而影响标准化，从而也影响值的可比性。

[0005] 不同的生理模型产生需要解释的不同参数。然而，最终，中风成像中的大多数方法旨在预测大脑中不可逆损伤的位置，并因此需要进行干预。用于计算灌注参数的各种数学模型考虑了组织中微循环的各种组成部分。这些模型有时不易理解和计算。还难以概述如何解释不同变体的结果。

[0006] 还有几种方法可以自动分析DCE图像，例如非参数灌注分析和灌注图的自动灌注分析。

[0007] 在非参数灌注分析(也称为“非pk灌注分析”或“无模型灌注分析”)中，通过机器学习将曲线过程组合成特定类别，从而能够检测病理或异常。该方法与参数化数学模型分离。然而，其结果难以解释，并且仅在不考虑图像信息的情况下分析曲线的时间过程。在[2]中可以看到DCE-MRT的非参数分析的一个例子。

[0008] 在灌注图的自动灌注分析中，在先前创建的灌注图上使用机器学习算法来识别受损组织。但是，在大多数情况下，这些特征被手动识别和提取，并且该算法仅用于分类。许多当前设备甚至仅使用灌注图的阈值。然而，基于阈值的方法易受噪声影响，并且不涉及关于邻近区域的局部血液供应的信息。

[0009] 还存在使用神经网络的方法，例如用于预测灌注图中的梗塞体积。然而，这些依赖于灌注参数，在灌注参数的基础上计算灌注图([3]，[4]，[5])。还有一些方法可以预测中风特定治疗的可能成功([6])。关于MRT/CT中风诊断的各种图像处理方法的综述文献可以在[7]中找到。

发明内容

[0010] 本发明的目的是能够改进预测中风对组织的影响。独立权利要求的每个对象都可以实现这个目的。在从属权利要求中，考虑了本发明的其他有利方面。

[0011] 本发明涉及一种用于提供虚拟断层扫描中风后续检查图像的方法，该方法包括以下步骤：

[0012] -例如借助于接收接口接收检查区域的时间上连续的断层扫描灌注成像数据集的序列，

[0013] -例如借助于计算单元通过在时间上连续的断层扫描灌注成像数据集的序列上应用训练过的机器学习算法计算检查区域的虚拟断层扫描中风后续检查图像，以及[0014] -例如通过提供接口提供虚拟断层扫描中风后续检查图像，。

[0015] 特别地，检查区域可以是患者的检查区域。检查区域可以是例如患者的大脑或脑部区域。

[0016] 可以通过接收携带数据的信号和/或通过从存储数据的计算机可读存储器读取数据来接收数据，特别是检查区域的时间上连续的断层扫描灌注成像数据集的序列。可以通过发送携带数据的信号和/或通过将数据写入计算机可读存储器和/或通过屏幕显示数据来提供数据，特别是虚拟断层扫描中风后续检查图像。

[0017] 时间上连续的断层扫描灌注成像数据集的序列可以特别地设计为，使得可以基于时间上连续的断层扫描灌注成像数据集的序列来计算灌注图。灌注成像数据集可具有图像空间中的数据和/或投影空间中的数据。此外，灌注成像数据集可以具有另外的数据，例如，灌注成像检查的采集协议参数和/或造影剂协议参数，利用这些参数获得灌注成像数据集。例如，可以借助于计算机断层扫描装置和/或借助于磁共振断层扫描装置，记录时间上连续的断层扫描灌注成像数据集的序列。

[0018] 灌注成像数据集可以是医学图像的形式，例如二维或三维医学图像的形式。时间上连续的断层扫描灌注成像数据集的序列尤其可以是灌注检查的时间上连续的断层医学图像的序列。

[0019] 一个设计方案提出，该方法还包括以下步骤：

[0020] 例如借助于分割计算单元，通过在虚拟断层扫描中风后续检查图像上应用分割算法自动分割在虚拟断层扫描中风后续检查图像中的中风损伤组织。

[0021] 一个设计方案提出，训练过的机器学习算法具有一个编码器网络，该编码器网络从时间上连续的断层扫描灌注成像数据集的序列中提取出特征，和/或训练过的机器学习算法具有一个解码器网络，该解码器网络基于所提取出的特征产生虚拟断层扫描后续检查图像。

[0022] 一个设计方案提出，编码器网络具有多个并行的输入通道，其中多个并行的输入通道中的每个输入通道都设计为将相应的灌注成像数据集馈送到编码器网络中，和/或时间上连续的断层扫描成像数据集的序列的所有灌注成像数据集都例如借助于多个并行的输入通道被并行地馈送到编码器网络中。

[0023] 特别地，多个并行的输入通道的输入通道的数量可以大于或等于时间上连续的断层扫描灌注成像数据集的序列的灌注成像数据集的数量。特别地，编码器网络对于时间上连续的断层扫描灌注成像数据集的序列的每个灌注成像数据集都可以分别具有一个输入通道。

[0024] 一个设计方案提出，编码器网络包括一个卷积运算符，该卷积运算符在一个时间维度和多个空间维度中起作用。

[0025] 例如，该时间维度可以涉及时间上连续的断层扫描灌注成像数据集的序列的灌注成像数据集时间上的次序和/或多个并行的输入通道的输入通道的顺序。

[0026] 例如，多个空间维度可以涉及时间上连续的断层扫描灌注成像数据集的序列的灌注成像数据集的图像空间。例如，灌注成像数据集的图像空间可以是二维或三维的。多个空间维度尤其可以是二维的，其涉及二维图像空间，或是三维的，其涉及三维图像空间。

[0027] 一个设计方案提出，编码器网络具有一个卷积神经网络，该卷积神经网络从时间上连续的断层扫描灌注成像数据集的序列中提取出时间上连续的图像空间特征序列，和/或编码器网络具有一个递归神经网络，该递归神经网络由时间上连续的图像空间特征的序列测定在时间上连续的图像空间特征序列的图像空间特征之间的时间关系。

[0028] 一个设计方案提出，训练过的机器学习算法具有一个生成器网络，该生成器网络基于时间上连续的断层扫描灌注成像数据集的序列生成用于虚拟断层扫描中风后续检查图像的候选图像，特别是根据生成模型生成，并且训练过的机器学习算法具有一个分类器网络，该分类器网络对虚拟断层扫描中风后续检查图像的候选图像进行评估，特别是根据判别模型和/或与时间上连续的断层扫描灌注成像数据集的序列的关系进行评估。

[0029] 特别地，生成器网络和分类器网络可以一起执行零和游戏和/或作为生成对抗网络进行协作。根据一个设计方案，生成器网络包括编码器网络和/或解码器网络。

[0030] 一个设计方案提出，该方法还包括以下步骤：

[0031] -例如通过训练对接收接口接收一组训练对，一组训练对中的每一对都具有：检查区域的时间上连续的断层扫描灌注成像数据集的训练序列，其在中风诊断检查时获取；以及检查区域的断层扫描中风后续检查图像，尤其是检查区域的真实断层训练中风后续检查图像，其在中风后续检查中产生，以及

[0032] -例如借助于训练课程基于该一组训练对训练机器学习算法。

[0033] 该一组训练对可以包括例如一个或多个训练对，训练对分别具有：在中风诊断检查中获取的检查区域的时间上连续的断层扫描灌注成像数据集的训练序列，以及检查区域的虚拟断层训练中风后续检查图像，其通过本文公开的或另外合适的方法产生。训练序列例如可以借助于计算机断层扫描设备和/或借助于磁共振断层扫描射被记录。训练中风后续检查图像例如可以借助于计算机断层扫描设备和/或借助于磁共振断层扫描设备记录。

[0034] 例如，可以提出，中风后续检查在中风诊断检查后不早于2天，特别是不早于3天进行，和/或中风后续检查在中风诊断检查后不迟于10天，特别是不迟于7天，特别是不迟于5天进行。

[0035] 根据一个设计方案，该一组训练对具有第一训练对的第一子集，其中对于第一训练对的第一子集的每个第一训练对，在中风诊断检查和中风后续检查之间的检查区域尚未针对中风进行处理，和/或该一组训练对具有第二训练对的第二子集，其中对于第二训练对的第二子集的每个第二训练对，在中风诊断检查和中风后续检查之间的检查区域已经针对该中风进行了处理。

[0036] 特别地，虚拟断层扫描中风后续检查图像可以是第一虚拟断层扫描中风后续检查图像或第二虚拟断层扫描中风后续检查图像。特别地，除了虚拟断层扫描中风后续检查图像之外，可以计算和/或提供一个或多个另外的虚拟断层扫描中风后续检查图像。

[0037] 一个设计方案提出，第一虚拟断层扫描中风后续检查图像涉及中风诊断检查和中风后续检查之间的检查区域尚未针对中风进行处理的情况，以及第二虚拟断层扫描中风后续检查图像涉及中风诊断检查和中风后续检查之间的检查区域已经针对中风进行处理的情况。

[0038] 一个设计方案提出，通过将训练的机器学习算法应用于时间上连续的断层扫描灌注成像数据集的序列，计算检查区域的第一虚拟断层扫描中风后续检查图像和第二虚拟断层扫描中风后续检查图像。

[0039] 特别地，训练的机器学习算法可以包括用于计算第一虚拟断层扫描中风后续检查图像的第一训练图像计算功能和用于计算第二虚拟断层扫描中风后续检查图像的第二训练图像计算功能。例如，可以通过第一训练对的第一子集训练第一图像计算功能。例如，可以通过第二训练对的第二子集训练第二图像计算功能。

[0040] 本发明还涉及一种用于提供虚拟断层扫描中风后续检查图像的提供单元，该提供单元具有以下部件：

[0041] -一个接收接口，被设计为接收检查区域的时间上连续的断层扫描灌注成像数据集的序列，

[0042] -一个计算单元，被设计为通过将训练过的机器学习算法应用于时间上连续的断层扫描灌注成像数据集的序列，来计算检查区域的虚拟断层扫描中风后续检查图像，以及[0043] -一个提供接口，被设计为提供虚拟断层扫描中风后续检查图像。

[0044] 一个设计方案提出，提供单元还包括一个训练对接收接口和一个训练单元。

[0045] 训练对接收接口被设计为接收一组训练对，其中该一组训练对中的每一对都具有：在中风诊断检查中获取的检查区域的时间上连续的断层扫描灌注成像数据集的训练序列；以及检查区域的断层扫描中风后续检查图像，特别是检查区域的真实的断层扫描训练中风后续检查图像，其在中风后续检查中产生。训练单元被设计为基于该一组训练对训练机器学习算法。

[0046] 特别地，训练对可以是训练数据集的一部分，该训练数据集除了训练序列和训练中风后续检查图像之外还具有其他训练数据，例如一个或多个其他医学图像，特别是另外的中风后续检查图像。机器学习算法的训练也可以基于进一步的训练数据来实现。

[0047] 一个设计方案提出了一种提供单元，其被设计为执行根据一个或多个所公开方面的方法。

[0048] 本发明还涉及一种计算机程序产品，具有：计算机程序，该计算机程序可以直接加载到提供单元的存储单元中；程序段，从而在由提供单元执行程序段时，执行根据所公开方面之一的方法的所有步骤。

[0049] 本发明还涉及一种计算机可读存储介质，在该计算机可读存储介质上存储可由提供单元读取和执行的程序段，从而在由提供单元执行程序段时，执行根据所公开方面之一的方法的所有步骤。

[0050] 计算机程序产品可以是例如计算机程序或除计算机程序之外还包括至少一个附加组件。计算机程序产品的至少一个附加组件可以体现为硬件和/或软件。计算机程序产品例如可以包括在其上存储有计算机程序产品的至少一部分的存储介质，和/或用于验证计算机程序产品的用户的密钥，特别是加密狗的形式。

[0051] 计算机程序产品可以具有例如云应用程序，该云应用程序被设计为将计算机程序的程序段分发给云计算系统的各种处理单元，特别是不同的计算机，其中每个处理单元被设计为执行计算机程序的一个或多个程序段。

[0052] 例如，根据本申请中公开的任何设计方案的计算机程序产品可以存储在计算机可读介质上。计算机可读介质可以是例如记忆棒、硬盘或其他数据载体。

[0053] 与完整组织相比，中风损伤的组织通常具有降低的密度。由此，中风损伤的组织在计算机断层图像中表现为深色的检查区域。在扩散MRT图像中，由于其明显的扩散干扰，中风损伤的组织是可识别的。

[0054] 特别地，可以使用经过训练的机器学习算法，该算法已经知道在何处以及在什么条件下出现影响中风损伤组织的检查区域的深色着色。特别地，虚拟断层扫描中风后续检查图像可用于预测检查区域的暗区域将出现在真实中风后续检查图像中的哪个位置。然后，虚拟断层扫描中风后续检查图像中的暗区域表示对在检查区域中、例如在脑中可能的不可逆损伤的预测。

[0055] 特别地，可以通过计算与中风损伤组织有关的分割数据来自动分割中风损伤的组织。例如，分割算法可以是基于阈值的。

[0056] 此外，自动分割的中风损伤组织可以被自动分类，例如通过应用分类算法和/或通过分类计算单元和/或通过计算关于中风损伤组织的分类数据。

[0057] 特别地，编码器网络可以提取与灌注成像数据集的图像空间中的空间属性和/或灌注成像数据集之间的时间关系有关的特征。

[0058] 特别地，解码器网络可以具有一系列上采样步骤，以从提取的特征的特征向量返回到灌注成像数据集的维度。特别地，池化索引可以从编码器网络传送到解码器网络。基于合并索引，解码器网络可以正确地重建虚拟断层扫描中风后续检查图像中的结构的空间布局。

[0059] 例如，借助于机器学习算法，基于DCE序列，可以基于灌注成像数据集直接进行潜在死亡的并因此需要干预的组织的预测，并且不需要数学模型的中间步骤。

[0060] 机器学习算法，尤其是基于深度学习的机器学习算法，可以独立地提取比手动识别的特征更广泛的关系。机器学习算法可以使用来自整个序列的完整空间和时间信息来学习关系。这种关系的实例包括侧支供应、组织氧合、损伤、动脉供应区域等。因此，机器学习算法可以基于时间上连续的断层扫描灌注成像数据集的序列来检测明显更复杂和/或迄今未知的关系，由于相应的信息不包含在其中，所以基于传统的灌注映射单独检测这种关系是不可能的。

[0061] 例如，编码器网络可以是卷积神经网络(CNN)，其输入通道的数量等于DCE-CT/MRT扫描的图像的数量。

[0062] 例如，在训练期间学习的编码器网络的滤波器，尤其是卷积运算符，可以被调整大小以在时间连续断层扫描灌注成像数据集序列的所有灌注成像数据集的整体上运算。因此，可以实现对灌注数据的空间维度和时间维度的同时滤波。

[0063] 特别地，递归神经网络可以具有内部存储器，其使得可以连续地处理数据记录，从而学习时间关系。例如，时间上连续的图像空间特征序列的图像空间特征可以顺序地馈送到递归神经网络中。例如，卷积和递归神经网络的组合也用于视频分类[8]。

[0064] 通常，在通过DCE-CT/MRT诊断的急性中风之后的几天，例如3-5天的时间范围内，通过CT或MRT进行具有进一步静态扫描的后续检查。在断层扫描中风后续检查中，中风损伤的组织通常可以很好地识别，因为它现在已经死亡，并且密度和信号强度明显不同于健康组织。死亡组织在断层扫描中风后续检查图像中显得较暗，并且可以与健康组织清楚地划分。

[0065] 基于该一组训练对的机器学习算法的训练尤其可以以端到端训练的形式进行。例如，机器学习算法可以通过训练来学习，以基于中风诊断扫描的DCE-CT/MRT扫描通过CT/MRT预测中风后续扫描的相关图像。虚拟断层扫描中风后续检查图像尤其可以包括关于大脑中哪些区域可能经历不可逆损伤并且需要例如干预的信息。

[0066] 特别地，灌注成像数据集的像素的各个灰度值可以用作训练的参考。因此，不必在训练数据中执行手动分割和/或手动注释。因此，必须仅收集训练数据，特别是不要手动注释。通过避免手动注释，可以相对容易地收集大量训练数据。

[0067] 在另一个设计方案中，来自已经接受了治疗的患者的数据和来自未接受治疗的患者的数据(例如因为治疗不及时，由于其他疾病不合格等)用于训练机器学习算法。这允许机器学习算法学习预测后续治疗将如何，以及在没有治疗的情况下看起来如何。通过比较这两个预测，可以获得有价值的信息用于治疗决策。

[0068] 需要足够的训练数据，其中进行中风治疗，然后进行CT/MRT图像的后续检查。然后可以计算有和没有治疗的中风影响的预测，这将提供具体的决策辅助。根据一个设计方案，在第二训练对的第二子集中，形成多组第二训练对，其在治疗方法方面彼此不同，利用这些治疗方法相对于中风治疗检查区域。然后可以根据治疗方法计算有和没有治疗的中风结果的预测。

[0069] 根据一个设计方案，特别是根据治疗方法计算检查区域在中风的治疗方面成功的机会，并且例如以百分比的形式输出。例如，通过将训练过的机器学习算法应用于时间上连续的断层扫描灌注成像数据集的序列，可以计算成功的机会。作为时间上连续的断层扫描灌注成像数据集的序列的替代或补充，可以使用其他数据，特别是患者特定数据，例如患者的年龄和/或性别，来计算成功的机会。

[0070] 特别地，其公开了一种医学成像装置，其具有用于提供虚拟断层扫描中风后续检查图像的提供单元，其中提供单元根据所公开方面中的一个或多个来设计。医学成像装置例如可以是计算机断层扫描设备或磁共振断层扫描设备。

[0071] 虚拟断层扫描中风后续检查图像可以是例如虚拟CT断层扫描中风后续检查图像或虚拟磁共振断层扫描中风后续检查图像。

[0072] 本发明能够清楚且简单地解释灌注成像的结果，特别是不依赖于用于计算灌注参数的数学模型。借助于机器学习算法进行的自动特征提取使得可以在时间上连续的断层扫描灌注成像数据集的序列中识别出空间和时间上的关系。利用根据本发明的解决方案，可以非常准确地预测中风对组织的影响。而且，本发明使得可以预测治疗的成功，从而提供快速和可靠的决策辅助。

[0073] 在本申请的上下文中，机器学习算法尤其被理解为针对机器学习而设计的算法。例如，机器学习算法可以被设计用于监督学习和/或用于无监督学习。例如，机器学习算法可以被设计用于深度学习(“deep learning”)和/或强化学习(“reinforcement learning”)和/或用于边际空间学习。

[0074] 机器学习算法可以是例如决策树(“decision trees”)，随机森林，逻辑回归，支持向量机，人工神经网络，特别是卷积神经网络(“convolutional neural network”)和/或递归神经网络。(“recurrent neural network”)，核方法，贝叶斯分类器等或基于其组合。

[0075] 特别是在训练机器学习算法时，计算可以例如通过处理器系统来执行。处理器系统可以例如具有一个或多个处理器，特别是图形处理器。

[0076] 提供单元例如可以包括硬件形式的一个或多个组件和/或软件形式的一个或多个组件。例如，提供单元可以至少部分地由云计算系统形成。提供单元可以是和/或包括例如云计算系统，计算机网络，计算机，平板计算机，智能手机等，或其组合。

[0077] 例如，硬件可以与软件交互和/或可以由软件配置。例如，可以通过硬件来执行软件。硬件可以是例如存储器系统，现场可编程门阵列(FPGA)系统，专用集成电路(ASIC)系统，微控制器系统，处理器系统及其组合。处理器系统可以包括例如微处理器和/或多个协作微处理器。

[0078] 特别地，提供单元的组件可以体现为根据本申请中公开的一个或多个方面的硬件，其被配置为执行根据本申请中公开的一个或多个方面的方法的给定步骤。被执行以执行给定步骤和/或被配置为执行计算机可读指令，使得硬件可借助于计算机可读指令来配置以执行给定步骤。该方法的步骤可以例如在处理器中执行，特别是以计算的形式执行。特别地，提供单元可以具有存储区域，例如以计算机可读介质的形式，其中存储有计算机可读指令，例如以计算机程序的形式。

[0079] 例如，可以通过合适的数据传输接口来完成提供单元的组件之间的数据传送。用于向提供单元的组件和/或从提供单元的组件传输数据的数据传输接口可以至少部分地以软件的形式和/或至少部分地以硬件的形式实现。数据传输接口可以被设计为例如用于在存储系统的区域中存储数据和/或用于从存储系统的区域加载数据，其中存储系统的该区域可以访问提供单元的一个或多个组件。

[0080] 在本发明的范畴中，可以组合关于本发明的不同设计方案和/或不同类别的权利要求(方法，用途，装置，系统，布置等)描述的特征以形成本发明的其他设计方案。例如，关于装置的权利要求也可以利用结合方法描述或要求保护的特征来开发，反之亦然。方法的功能特征可以通过适当设计的代表性组件来执行。除了在本申请中明确描述的本发明的设计方案之外，本领域技术人员可以想到本发明的各种其他设计方案，而不脱离由权利要求限定的本发明的范围。

[0081] 使用不定冠词“一”或“一个”并不排除受影响的特征也可能多次出现。术语“具有”的使用不排除与术语“具有”相关的术语可以是相同的。例如，提供单元具有提供单元。术语“单元”的使用不排除术语“单元”所指的项目可具有在空间上彼此分离的多个组件。

[0082] 在本申请的上下文中，术语“基于”可以特别理解为表示“使用”。具体地，基于第二特征生成(替代地：测定，确定等)第一特征的公式不排除基于第三特征生成(可选地：测定，确定等)第一特征。

附图说明

[0083] 在下文中，将参考附图借助于实施例解释本发明。附图中的表示是示意性的，大大简化并且不一定按比例。

[0084] 图1是用于提供虚拟断层扫描中风后续检查图像的方法的流程图，

[0085] 图2示出了用于提供虚拟断层扫描中风后续检查图像的提供单元，

[0086] 图3示出了用于提供虚拟断层扫描中风后续检查图像的方法的流程图，其中训练机器学习算法。

[0087] 图4示出了用于提供虚拟断层扫描中风后续检查图像的提供单元，具有用于训练机器学习算法的训练单元。

[0088] 图5示出了具有编码器网络的机器学习算法的数据流，该编码器网络具有多个并行的输入通道，以及

[0089] 图6示出了具有编码器网络的机器学习算法的数据流，该编码器网络具有递归神经网络。

具体实施方式

[0090] 图1示出了用于提供虚拟断层扫描中风后续检查图像的方法的流程图，该方法包括以下步骤：

[0091] -接收RS检查区域的时间上连续的断层扫描灌注数据的序列，

[0092] -通过将训练的机器学习算法应用于时间上连续的断层扫描灌注成像数据集的序列，计算CI检查区域的虚拟断层扫描中风后续检查图像，以及

[0093] -提供PI虚拟断层扫描中风后续检查图像。

[0094] 图2示出了用于提供虚拟断层扫描中风后续检查图像的提供单元U，具有：

[0095] -接收接口RS-U，设计为接收RS检查区域的时间上连续的断层扫描灌注成像数据集的序列，

[0096] -计算单元CI-U，设计为通过将训练过的机器学习算法应用于时间上连续的断层扫描灌注成像数据集的序列，来计CI算检查区域的虚拟断层扫描中风后续检查图像，以及[0097] -提供接口PI-U，被设计为提供PI断层扫描虚拟后续检查图像。

[0098] 图3示出了用于提供虚拟断层扫描中风后续检查图像的方法的流程图，其中该方法还包括以下步骤：

[0099] -接收RT一组训练对，其中该一组训练对中的每一对都具有在中风诊断检查时获取的检查区域的时间上连续的断层扫描灌注成像数据集，以及在中风后续检查中生成的检查区域的断层扫描训练中风后续检查图像，

[0100] -基于一组训练对训练TA机器学习算法，以及

[0101] -通过将分割算法应用于虚拟断层扫描中风后续检查图像，自动分割CS虚拟断层扫描中风后续检查图像中的中风损伤组织。

[0102] 图4示出了用于提供虚拟断层扫描中风后续检查图像的提供单元U，还具有：

[0103] -训练对接收接口RT-U，设计为接收RT一组训练对，该一组训练对中的每一对都具有：在中风诊断检查时获取的检查区域的时间上连续的断层扫描灌注成像数据集，以及在中风后续检查中生成的检查区域的断层扫描训练中风后续检查图像，

[0104] -训练单元TA-U，设计用于基于训练对训练TA机器学习算法，

[0105] -分割运算单元CS-U，设计用于通过将分割算法应用于虚拟断层扫描中风后续检查图像，自动分割CS虚拟断层扫描中风后续检查图像中的中风损伤组织。

[0106] 图5示出了具有编码器网络ENC的机器学习算法MLA的数据流，该编码器网络具有多个并行的输入通道IN1，IN2，IN3。经过训练的机器学习算法MLA还具有解码器网络DEC，其基于所提取的特征生成虚拟断层扫描中风后续检查图像VI。

[0107] 多个并行的输入通道IN1，IN2，IN3中的每个输入通道被配置为将相应的灌注数据集P1，P2，P3馈送到编码器网络ENC。将时间上连续的断层扫描成像数据集P1，P2，P3的序列SP的所有灌注数据集P1，P2，P3并行地馈送到编码器网络ENC中。编码器网络ENC包括在一个时间维度t和多个空间维度x，y中起作用的卷积运算符。

[0108] 图6示出了具有编码器网络ENC的机器学习算法MLA的数据流，该编码器网络具有递归神经网络RN和卷积神经网络CN。卷积神经网络CN从时间上连续的断层扫描灌注数据集P1，P2，P3的序列SP中提取时间上连续的图像空间特征的序列SF。递归神经网络根据时间上连续的图像空间特征的序列SF，确定时间上连续的图像空间特征的序列SF的图像空间特征之间的时间上的关系。解码器网络DEC基于时间上连续的图像空间特征的序列SF和时间上连续的图像空间特征的序列SF的图像空间特征之间的时间上的关系，来生成虚拟断层扫描中风后续检查图像VI。

[0109] 参考书目

[0110] [1]C.Cuenod和D.Balvay，“灌注和血管通透性：DCE-CT和DCE-MRT中的基本概念和测量”，诊断和介入成像，2013年。

[0111] [2]C.Roberts，B.Issa，A.Stone，A.Jackson，J.C.Waterton和G.J.M.Parker，“对DCE-MRT检查中的区室建模和无模型分析的稳健性的比较研究”，磁共振成像杂志，2006年。

[0112] [3]T.Hachaj和R.M.Ogiela，“神经网络识别选择性的脑灌注异常：神经网络灌注图”，第6届普适计算创新移动和互联网服务国际会议，2012年。

[0113] 4]T.Hachaja和M.R.Ogiela，“神经网络在检测异常脑灌注区域中的应用”，神经计算，2013年。

[0114] [5]F.Flottmann，G.Broocks，T.D.Faizy，M.Ernst，N.D.Forkert，M.Grosser，G.Thomalla，S.Siemonsen，J.Fiehler和A.Kemmling，“CT灌注中风成像：与传统缺血阈值相比，预测梗塞体积的无阈值概率方法”，性质：科学报告，2017年。

[0115] [6]R.Grech，P.L.Galvin，S.Power，A.O'Hare，S.Looby，P.Brennan和J.Thornton，“考虑用于血管内治疗的急性卒中患者的结果预测：一种新颖的工具”，Interv Neuroradiol.，2014年。

[0116] [7]I.Rekik，S.Allassonnière，T.K.Carpenter和J.M.Wardlaw，“MR/CT成像急性亚急性缺血性卒中病变中的医学图像分析方法：动态演化模拟模型的分割，预测和见解。评判性评估“，神经图像：临床，2012年。

[0117] [8]D.Graham，S.H.F.Langroudi，C.Kanan和D.Kudithipudi，“用于视频分类的卷积漂移网络”，IEEE重启计算，2017年。