PatentDe  


Dokumentenidentifikation DE69327099T2 16.03.2000
EP-Veröffentlichungsnummer 0640220
Titel BILDERZEUGUNG DURCH MUSTERERKENNUNG MITTELS MAGNETISCHER RESONANZ
Anmelder University of Washington, Seattle, Wash., US
Erfinder SMITH, Justin, P., Kirkland, WA 98033, US
Vertreter H. Weickmann und Kollegen, 81679 München
DE-Aktenzeichen 69327099
Vertragsstaaten AT, BE, DE, ES, FR, GB, IT, NL
Sprache des Dokument En
EP-Anmeldetag 13.05.1993
EP-Aktenzeichen 939113106
WO-Anmeldetag 13.05.1993
PCT-Aktenzeichen US9304572
WO-Veröffentlichungsnummer 9323762
WO-Veröffentlichungsdatum 25.11.1993
EP-Offenlegungsdatum 01.03.1995
EP date of grant 24.11.1999
Veröffentlichungstag im Patentblatt 16.03.2000
IPC-Hauptklasse G01R 33/56

Beschreibung[de]
Bereich der Erfindung

Die vorliegende Erfindung bezieht sich auf Magnetresonanz-Bilderzeugung (MIR, Magnetic Resonance Imaging), und insbesondere auf die Anwendung von Mustererkennungsverfahren auf MIR.

Hintergrund der Erfindung

In einer typischen medizinischen Anwendung von MIR wird ein Patient innerhalb der Bohrung eines großen, donutförmigen Magneten angeordnet. Der Magnet erzeugt ein statisches magnetisches Feld, das sich entlang der Längsachse (Kopf bis Fuß) des Körpers des Patienten erstreckt. Eine Antenne (beispielsweise eine Leiterspule) ist ebenfalls innerhalb der Bohrung des großen Magneten angeordnet und wird dazu verwendet, ein oszillierendes Hochfrequenzfeld zu erzeugen, das selektiv Wasserstoffatome (Protonen) im Körper des Patienten zu Schwingungen anregt. Das oszillierende Feld wird dann ausgeschaltet, und die Antenne wird als ein Empfangselement verwendet, um die Protonenoszillationen als eine Funktion der Position innerhalb des Körpers zu erfassen. Typischerweise wird die Intensität der Oszillationen überall in einer zweidimensionalen Ebene gemessen. Wenn die Intensitäten als eine Funktion der Position in dieser Ebene angezeigt werden, ist das Ergebnis ein Bild, das häufig eine bemerkenswerte Ähnlichkeit zu den tatsächlichen anatomischen Merkmalen in dieser Ebene zeigt.

Die Intensität von Protonenoszillationen, die an einem gegebenen Punkt im Körper des Patienten erfaßt werden, ist proportional zur Protonendichte an diesem Punkt. Da verschiedene Arten von Geweben verschiedenen Protonendichten haben, weisen verschiedene Gewebetypen üblicherweise verschiedene Bildintensitäten auf und erscheinen deshalb als eigene Strukturen im MR-Bild. Allerdings hängt die Signalintensität auch von physikalischen und chemischen Eigenschaften der Gewebe ab, die abgebildet werden. In einem vereinfachten Modell der MIR ist die erfaßte Signalintensität als eine Funktion von Positionskoordinaten x und y in der Ebene, die abgebildet wird, proportional zu

(1 - e-TR/T1) e -TE/T2 (1)

Die Parameter TR (Erholungszeit) und TE (Echoverzögerungszeit) stehen unter der Kontrolle der Bedienperson des MR-Abbildungssystems und sind für jedes gegebene Bild Konstanten. Allerdings sind T&sub1; und T&sub2; Funktionen des unter Untersuchung befindlichen Gewebes und variieren deshalb mit der Position in der x-y-Ebene. Durch geeignete Wahl der Parameter TR und TE kann entweder der T&sub1;- oder der T&sub2;-Term derart eingestellt werden, daß er dominiert, wodurch sogenannte "T&sub1;-gewichtete" bzw. "T&sub2;-gewichtete" Bilder erzeugt werden.

Einer der wichtigeren medizinischen Verwendungen, für die MIR bis heute eingesetzt wurde, liegt darin, einen Abschnitt des Körpers eines Patienten eingriffslos abzutasten, in einem Versuch, gutartige oder bösartige Tumore zu identifizieren. Wenn MIR in dieser Art und Weise verwendet wird, ist es notwendig, eine gewisse Methodologie zu haben, um zu schließen, daß ein gewisser Abschnitt eines MR-Bildes einen Tumor repräsentiert im Gegensatz zu anderen Gewebetypen, wie etwa Fett, eine Zyste usw. Ein bekannter Ansatz, den Gewebetyp zu identifizieren, lag darin, mehrere MR-Bilder des gleichen Bereichs des Körpers des Patienten unter Verwendung von verschiedenen Abbildungsparametern, beispielsweise unter Verwendung verschiedener Werte der TR- und TE-Parameter, zu erlangen. Um ein vereinfachtes Beispiel zu nehmen: Wenn es bekannt wäre, daß ein gegebener Tumor bei einer ersten Parametereinstellung eine hohe Bildintensität erzeugte, bei einer zweiten Parametereinstellung eine niedrige Bildintensität erzeugte und bei einer dritten Parametereinstellung eine hohe Bildintensität erzeugt, dann könnte ein Abschnitt des Körpers eines Patienten, der dieses Muster von Intensitäten (hoch, niedrig, hoch) erzeugte, versuchsweise als Tumor identifiziert werden.

Mustererkennungsansätze dieses Typs sind im US-Patent 5,003,979 beschrieben. Dieses Patent beschreibt ein System zum Erfassen und Anzeigen von Läsionen in Brustgewebe unter Verwendung von MIR-Techniken. In einem beschriebenen Beispiel werden für einen gegebenen Bereich drei verschiedene Typen von Bildern erhalten, und die Pixel der Bilder werden dann klassifiziert durch Vergleichen ihrer Intensitätsmuster mit bekannten Mustern für reine Gewebetypen, wie etwa Fett, Zyste oder Krebs. Das Patent deutet an, daß drei spezielle Typen von Bildern adäquat sind, um MR- Bilder von Brustfett, Zyste, Karzinom und Fibroadenom statistisch zu trennen.

Die Anmelder haben gefunden, daß in vielen Fällen ein Vergleich der Intensitätsmuster des Gewebes eines Patienten mit "Standard"-Mustern für verschiedene Gewebetypen keine Ergebnisse ausreichender Genauigkeit erzeugt. Das Grundproblem scheint zu sein, daß eine zu starke Variabilität von einem Patienten zum nächsten wie auch von einer MIR-Maschine zur nächsten besteht. Aus diesem Grund hat die Verwendung von Standardmuster keinen hohen Zuverlässigkeitsgrad zum Ergebnis, den man braucht, um auf eine sicherere Diagnosetechnik, wie etwa Biopsie, zu verzichten. Aus diesem Grund hat die Krebsdiagnose auf Grundlage von MIR bisher keine breite Akzeptanz erreicht.

Ein Problem, das bei der Krebsbehandlung häufig auftritt, ist zu erfassen, wenn ein primärer Tumor sich zu anderen Stellen im Körper des Patienten ausgebreitet hat, um als Metastasen bekannte, sogenannte sekundäre Tumore an diesen Stellen zu erzeugen. Die Erfassung und korrekte Identifikation von Metastasen unter Verwendung von MIR oder anderer Abbildungstechniken ist häufig durch die Tatsache verkompliziert, daß eine entfernt liegende Läsionen, die während eines Staging entdeckt wird, entweder eine Metastase oder einen zufälligen gutartigen Fund repräsentieren könnte. Eine Anzahl von gutartigen Läsionen, wie etwa Leber-Hämangiome und unwirksame Nebennierenadenome, treten in Patienten mit einem bekannten primären Tumor so häufig auf wie in der allgemeinen Bevölkerung.

Um dieses Dilemma zu lösen, sind zusätzliche Abbildungsstudien oder eine Biopsie erforderlich, es bleibt aber häufig eine beträchtliche Unsicherheit bestehen. Eine Biopsie kann den Patienten einem beträchtlichen Risiko aussetzen, wenn die Läsionen im Gehirn oder Mediastinum liegt oder wenn der Patient eine beeinträchtigte Hämostase aufweist. Selbst wenn eine Biopsie kein signifikantes Risiko für den Patienten darstellt, mag sie technisch eine Herausforderung darstellen, wie etwa eine Abtastung von Fokal-Läsionen im vertebralen Knochenmark.

Übersicht der Erfindung

Aus den oben aufgeführten Gründen wäre es nützlich, ein Verfahren zu haben, das nicht eingreifend die Ähnlichkeit zwischen einem bekannten primären Tumor und einer entfernten Läsion eines unbekannten Gewebetyps messen könnte. Der Kliniker würde die gemessene Ähnlichkeit dazu verwenden, die Wahrscheinlichkeit zu bestimmen, daß die beiden Läsionen das gleiche Gewebe repräsentieren. Ein derartiges Verfahren könnte dazu verwendet werden, in einem Patienten mit einem bekannten Tumor eine pathologische Fraktur von einer gutartigen osteoporotischen Kompressionsfraktur zu unterscheiden. In gleicher Weise könnte dieses Verfahren dazu verwendet werden, eine Metastase von einer Infarktbildung zu unterscheiden in einem Patienten mit Lungenkrebs, der sich mit einer supratentorialen verstärkenden Solitärläsion darstellt. Die Verwendung der berechneten Ähnlichkeit zum Bestimmen der Wahrscheinlichkeit, daß zwei Läsionen das gleiche Gewebe repräsentieren, würden das Vertrauen in nicht eingreifende Abbildungsdiagnose beträchtlich verbessern.

Ein derartiger Ansatz wird durch die MIR-Abbildungstechnik der vorliegenden Erfindung bereitgestellt. Bei einer bevorzugten Ausführungsform wird eine MIR-Einrichtung dazu verwendet, einen Trainingssatz umfassend eine oder mehrere Trainingsproben zu erzeugen. Der Trainingssatz wird von einem kongruenten Satz von ersten Bildern eines Trainingsbereichs des Körpers gebildet. Der Trainingsbereich kann der Bereich eines bekannten primären Tumors sein. Der Begriff "kongruent" bezieht sich auf die Tatsache, daß jedes der ersten Bilder die gleiche physikalische Scheibe oder Ebene durch den Körper des Patienten repräsentiert. Die ersten Bilder werden unter Verwendung eines vorbestimmten Satzes von MIR-Pulssequenzen erzeugt, die voneinander verschieden sind. Jedes erste Bild umfaßt ein Feld von Pixeln und jede Trainingsprobe umfaßt einen räumlich ausgerichteten Satz von Pixeln von jedem ersten Bild.

Die MIR-Einrichtung wird ferner dazu verwendet, einen Testsatz umfassend eine Mehrzahl von Testproben zu erzeugen. Der Testsatz wird von einem kongruenten Satz von zweiten Bildern eines Testbereichs des gleichen Körpers gebildet. Der Testbereich kann einen Bereich umfassen, der nach ei nem sekundären Tumor abzusuchen ist. Die zweiten Bilder werden unter Verwendung der gleichen MIR-Pulssequenzen wie die ersten Bilder erzeugt. Jedes zweite Bild umfaßt ein Feld von Pixeln, und jede Testprobe umfaßt einen räumlich ausgerichteten Satz von Pixeln von jedem zweiten Bild.

Man erzeugt dann für jede Testprobe Ähnlichkeitsdaten, die den Ähnlichkeitsgrad zwischen der Testprobe und den Trainingsproben anzeigen. Es wird dann auf Grundlage der Ähnlichkeitsdaten eine Anzeige erzeugt. Die Anzeige identifiziert die Testproben, die den höchsten Ähnlichkeitsgrad zu den Trainingsproben aufweisen. Beispielsweise kann eines der zweiten Bilder unter Verwendung einer herkömmlichen Grauskala angezeigt werden, während die ähnlichsten Pixel in Farbe hervorgehoben sind. In dem Beispiel mit dem sekundären Tumor werden die Bereiche des zweiten Bildes, die in Farbe hervorgehoben sind, jenen Bereichen entsprechen, die zum ersten Bereich (dem Trainingssatz) am ähnlichsten sind, der den primären Tumor umfaßt. Die in Farbe hervorgehobenen Bereiche werden deshalb mögliche Stellen von sekundären Tumoren identifizieren.

Gemäß einem weiteren Aspekt sieht die Erfindung ferner vor, daß räumliche Korrelationsbilder auf Grundlage jedes der ersten und zweiten Bilder erzeugt werden, und daß die räumlichen Korrelationsbilder in Kombination mit den ersten und zweiten Bildern verwendet werden, um die Trainings- und Testproben zu erzeugen. Es könnten ferner Instrument-Standardisierungstechniken angewendet werden, um Fehler zu minimieren, wenn die ersten und zweiten Bilder von verschiedenen Ebenen durch den Körper oder zu verschiedenen Zeiten gewonnen werden. Gemäß einem anderen Aspekt kann die vorliegende Erfindung eine Technik bereitstellen, um gewisse Gewebetypen in einem MR-Bild zu unterdrücken oder zu verstärken.

Kurze Beschreibung der Zeichnungen

Fig. 1 ist eine schematische perspektivische Ansicht einer MIR-Bilderzeugungseinrichtung.

Fig. 2 veranschaulicht das Konzept eines Satzes von kongruenten Bildern.

Fig. 3A-3C veranschaulichen drei Techniken zum Bilden des Trainings- und des Testsatzes.

Fig. 4 ist ein Flußdiagramm, das die Hauptschritte einer bevorzugten Ausführungsform der Erfindung zeigt.

Fig. 5 veranschaulicht das Konzept von nächste-Nachbar-Pixeln und übernächste-Nachbar-Pixeln.

Fig. 6 veranschaulicht die Kombination von räumlichen Korrelationsbildern mit den Ursprungsbildern, um den Trainings- oder den Testsatz zu bilden.

Fig. 7 veranschaulicht die Verwendung der vorliegenden Erfindung, um einen Abschnitt eines einen vorbestimmten Gewebetyp enthaltenden MR-Bilds anzupassen.

Fig. 8 ist ein Diagramm, das die Umwandlung von Ähnlichkeitsdaten in ein Bild zeigt.

Fig. 9A und 9B sind MR-Bilder, die eine Fettunterdrücken gemäß der vorliegenden Erfindung veranschaulichen.

Detaillierte Beschreibung der bevorzugten Ausführungsform

Fig. 1 repräsentiert eine vereinfachte schematische Ansicht einer herkömmlichen Einrichtung zum Durchführen von Magnetresonanz-Bilderzeugung. Die Einrichtung umfaßt ein Gehäuse 12, einen als Bedienungskonsole dienenden Computer 14, ein Energieversorgungsmodul 16 und ein Signal verarbeitungsmodul 18. Das Gehäuse 12 weist die Form eines hohlen Zylinders auf, der einen Patienten 20 umgibt, für den die MR-Bilderzeugung durchzuführen ist. Das Gehäuse enthält eine Feldspule 22, die dazu verwendet wird, ein statisches Magnetfeld längs der zentralen Zylinderachse (z-Achse) des Gehäuses zu erzeugen. Das Gehäuse enthält ferner eine Antenne 24, die dazu verwendet wird, sowohl ein oszillierendes Hochfrequenzfeld anzulegen als auch dann die Hochfrequenzsignale zu erfassen, die vom Körper des Patienten in Antwort auf die angelegten statischen und oszillierenden Felder erzeugt werden. Die durch die Antenne erfaßten Signale werden zum Signalverarbeitungsmodul 18 gekoppelt, wo sie verstärkt, aufbereitet und zum Speichern im Computer 14 digitalisiert werden. Der Computer verarbeitet die gespeicherten Daten und erzeugt ein Bild eines oder mehrerer Ebenen oder Scheiben 26 durch den Körper des Patienten und zeigt dieses an.

Anders als Computer-Tomographie (CT) erzeugt Magnetresonanz-(MR)-Bilderzeugung Daten, die für eine quantitative Analyse gut geeignet sind. Dies liegt daran, daß die MR-Signalintensität von mehreren Variablen bestimmt ist; folglich spricht man davon, daß MR-Daten mehrdimensional sind. Es ist die mehrdimensionale Natur der MR-Signale, die es erlaubt, daß diese durch die als Mustererkennungsverfahren bekannte Gruppe von multivariaten statistischen Analysen analysiert werden.

Es ist dazu gekommen, daß Mustererkennungsverfahren in der Wissenschaft und Medizin breit verwendet werden, da sie eine größere Genauigkeit mit niedrigen Kosten als traditionelle Verfahren der Datenanalyse erreichen. Nimm beispielsweise an, daß wir wünschen, eine unbekannte chemische Verbindung durch Vergleich mit einer Bibliothek von Standardverbindungen zu identifizieren. Der traditionelle Ansatz liegt darin, ein kernnukleares Magnetresonanz-(NMR)-Spektrum der Verbindung zu erhalten und dieses mit den Spektren der bekannten Standards zu vergleichen. Durch Verwendung eines NMR-Spektrometers von ausreichend hoher Auflösung können häufig selbst eng verwandte Verbindungen voneinander unterschieden werden. Die Genauigkeit selbst dieser Instrumente ist allerdings beschränkt, und ihre beschränkte Verfügbarkeit macht diesen Ansatz für viele Untersucher undurchführbar.

Ein alternativer Ansatz liegt darin, Mustererkennungsverfahren zu verwenden. Anstelle eines Versuches, eine Verbindung durch Durchführen einer einzigen Hochauflösungsmessung zu identifizieren, beruht der Mustererkennungsansatz auf Kombinationen von Niederauflösungsmessungen. Beispielsweise würden Spektren der unbekannten Verbindung von niederauflösenden NMR-, Nahe-Infrarot- und Massenspektrometern erhalten werden. Es würde dann eine multivariate Statistik dazu verwendet werden, diese drei Spektren mit einer Bibliothek von Referenzspektren zu vergleichen. Die Kombination von niedrigauflösenden Messungen, die durch verschiedene Modalitäten durchgeführt sind, ergibt üblicherweise eine genauere Identifikation als durch ein hochauflösendes NMR-Spektrometer alleine erreicht werden könnte.

Die Fähigkeit der Mustererkennungsverfahren zum Erkennen von Ähnlichkeiten zwischen Proben steht in Beziehung zur unterscheidenden Varianz der Daten, die die Proben beschreibt. Je größer die unterscheidende Varianz der Daten ist, desto größer ist die mögliche Auflösung des Mustererkennungsverfahrens. Es ist häufig möglich, durch Kombinieren mehrerer Niederauflösungsmessungen, die unter verschiedenen Modalitäten durchgeführt werden, eine größere unterscheidende Varianz zu erhalten, als mit auf einem einzigen Hochauflösungsinstrument erhaltenen Messungen erhalten werden kann.

Bei der herkömmlichen MR-Bilderzeugung wählt der Benutzer vorausschauend Pulssequenzen, die am wahrscheinlichsten sind, die klinische Frage zu beantworten. Mit der vorliegenden Erfindung verwendet der Benutzer allerdings Sequenzen, die gewählt wurden, um die von einem Gewebe gewonnene Information (Varianz) zu maximieren. Der Benutzer wendet dann Mustererkennungstechniken auf die Daten an, um in Rückschau die spezielle klinische Frage zu beantworten.

Die Anwendung von Mustererkennungstechniken auf MIR basiert auf dem Gewinnen mehrerer Bilder, die vom gleichen Bereich des Körpers eines Patienten genommen sind. Die Ansichten unterscheiden sich allerdings voneinander, da sie gewonnen sind unter Verwendung von verschiedenen MIR- Pulssequenzen, d. h. unter Verwendung verschiedener Parametereinstellungen an der MIR-Einrichtung. Von einem auf diese Art und Weise gewonnen Satz von Bildern wird gesagt, daß diese kongruent zueinander sind.

Fig. 2 veranschaulicht schematisch einen Satz von acht kongruenten Bildern 31-38. Alle Bilder sind von der gleichen Scheibe oder Ebene durch den Körper eines Patienten unter Verwendung von verschiedenen Parametereinstellungen für jedes Bild gewonnen. Bevorzugt sind die Bilder 31-38 alle unter Verwendung des gleichen MR-Instruments gewonnen, und zwar zeitlich so nahe beieinander wie praktikabel. Jedes Bild umfaßt ein rechtwinkliges oder quadratisches Feld von Pixeln, das durch Pixel 41 des Bilds 31 repräsentiert ist. Beispielsweise können 256 Pixel längs einer Richtung (der Frequenzcodierdimension) und 64-256 Pixel längs der anderen Richtung (der Phasencodierdimension) vorliegen, in Abhängigkeit von der verwendeten speziellen Pulssequenz. Allerdings könnten auch andere Pixelanzahlen verwendet werden. Die Bilder 32-38 enthalten Pixel 42-48, respektive, die Pixel 41 dahingehend entsprechen, als daß sie Messungen repräsentieren, die an der gleichen physikalischen Position innerhalb des Körpers des Patienten gemacht sind.

Es ist wichtig zu erkennen, daß die gewonnene Auflösung des Felds (beispielsweise 256 · 64) üblicherweise von der angezeigten Auflösung des Felds (typischerweise 512 · 512) abweicht. Das gewonnene Feld wird üblicherweise zu 512 · 512 interpoliert, und das interpolierte Feld wird dann leicht geglättet (typischerweise unter Verwendung eines Tiefpaßfilters). Beide dieser Operationen werden durch die Magnetresonanz-Bilderzeugungseinrichtung durchgeführt, um das subjektive Erscheinungsbild der Bilder zu verbessern. Die pixelbasierten Operationen der vorliegenden Erfindung können entweder auf den gewonnenen Pixeln oder auf den Pixeln durchgeführt werden, die für die Anzeige interpoliert und geglättet wurden. Im allgemeinen wird die letztere Option zweckdienlicher sein und ist deshalb bevorzugt.

Auf eine Sammlung von Pixeln von den gleichen relativen Positionen innerhalb eines Satzes von kongruenten Bildern und deshalb von der gleichen physikalischen Position in dem Körper eines Patienten wird hierin als eine "Probe" Bezug genommen. Jeder Pixelposition im durch die Bilder 31-38 abgedeckten Region ist nur eine derartige Probe zugeordnet. Die Probe 50 kann als ein Spektrum sehr niedriger Auflösung angesehen werden, das Information betreffend die Natur des Gewebes des Patienten an der entsprechenden Pixelposition enthält. Die Probe 50 kann auch als ein Vektor in einem Meßraum mit acht Dimensionen angesehen werden.

Wie vorangehend beschrieben, ist es für die durch einen kongruenten Satz von Bildern repräsentierten Daten wünschenswert, eine unterscheidende Varianz so groß wie möglich aufzuweisen. Dies bedeutet, daß die speziellen Parametereinstellungen, die zum Erzeugen der Bilder verwendet werden, mit Sorgfalt gewählt werden müssen, um die Nützlichkeit der Daten zu maximieren. Für den Zweck der Unterscheidung eines Tumors von anderen Gewebetypen wurde gefunden, daß die Bilder bevorzugt unter Verwendung der folgenden Standard-MR-Pulssequenzen erzeugt werden: eine T&sub1;-gewichtete Spinechosequenz (1 Bild); eine Sechsfachecho-Mehrfachspin- Echo-(ME6)-Sequenz (6 Bilder); und eine Inversionswiederherstell-(STIR)- Sequenz mit kurzer Inversionszeit (1 Bild). Geeignete Echozeiten für die ME6-Sequenz sind 26152/78/10411301156 ms, mit einem TR von 1500 ms. Für die STIR-Sequenz betragen geeignete Parameter TR 1800-2000 ms und eine Inversionszeit von, 110 ms. Diese spezielle Kombination der Pulssequenzen erzeugt einen 8-Bild-Datensatz, der eine große Varianz aufweist und für die Erfordernisse der multivariaten Analyse gut geeignet ist.

Viele andere Pulssequenzen und Kombinationen von Pulssequenzen können für die Ausführung der vorliegenden Erfindung verwendet werden. Andere geeignete Kombinationen umfassen eine T1-gewichtete Gradientenechosequenz, eine schnelle T2-gewichtete Spin- oder Gradientenechosequenz und eine Spin- oder Gradientenechosequenz, die für Fettunterdrückung geeignet ist. Fettunterdrückungssequenzen sind in Tien, Robert D, "Fat Suppression MR Imaging in Neuroradiology: Techniques and Clinical Application," American Journal of Roentgenology 158: 369-379, Februar 1992. Für gewisse Anwendungen können Magnetisierungsübertragungssequenzen und Diffusionssequenzen geeignet sein. Ferner können Kontrastmaterialien verwendet werden, um ein kontrastverstärktes, T1-gewichtetes Bild zu erzeugen. Ferner können andere Spinecho-Sequenzen mit verschiedenen Vielfachen verwendet werden. Beispielsweise wird eine Vier-Echo-Mehrfachspinsequenz in vielen Fällen exzellente Ergebnisse erzeugen. An einigen MIR-Vorrichtungen hat eine ME-4-Sequenz den Vorteil, daß sie automatisch mehrfach geschichtete Scheiben gewinnen kann, in einer Art, die für die meisten T1-gewichteten und STIR-Sequenzen typisch ist. Für alle verwendeten Sequenzen können selbstverständlich alle mit der Sequenz zur Verfügung stehenden Parameter eingestellt werden, um die Nützlichkeit der Erfindung für spezielle Anwendungen zu maximieren. Zum Beispiel kann die Inversionszeit für eine STIR-Sequenz im allgemeinen im Bereich von 30-160 MS eingestellt werden, wobei die höheren Inversionszeiten im allgemeinen für Systeme mit höherer Feldstärke geeignet sind. Bei Gradientenechosequenzen kann der HF-Flip-Winkel eingestellt werden, um die unterscheidende Varianz der Daten zu maximieren.

Wie vorangehend vermerkt, trachtet die vorliegende Erfindung nicht, Proben auf Grundlage ihrer Ähnlichkeit mit früheren bekannten Mustern für bestimmte Typen von Gewebe zu charakterisieren. Statt dessen vergleicht die Erfindung Proben von einem Patienten mit anderen Proben für den gleichen Patienten. Bezugnehmend auf Fig. 3A wird beispielsweise für einen Patienten zuerst ein kongruenter Satz 60 von Bildern erhalten. Es wird dann eine erste Gruppe von einer oder mehreren Proben als Trainingssatz 62 gewählt, während dann eine zweite Gruppe von Proben als Testsatz 64 gewählt wird. Der Trainingssatz 62 kann innerhalb eines bekannten primären Tumors liegen, während der Testsatz 64 ein Bereich sein kann, der für das Vorhandensein eines mit dem primären Tumor in Beziehung stehenden sekundären Tumors abzutasten ist.

Nachdem der Trainingssatz 62 und der Testsatz 64 gewählt wurden, bestimmt man dann den Ähnlichkeitsgrad oder den "Abstand" zwischen jeder Probe im Testsatz 64 und im Trainingssatz. Geeignete Techniken zum Bereitstellen einer Ähnlichkeitsmessung sind unten diskutiert. Allerdings sind zwei allgemeine Ansätze bevorzugt. Beim ersten Ansatz wird der Abstand von der Testprobe zu jeder Trainingsprobe bestimmt und dann das Minimum dieser Abstände gewählt. Beim zweiten Ansatz wird ein mittlerer Trai ningssatz berechnet und der Abstand von der Testprobe zur mittleren Trainingsprobe bestimmt.

Sobald ein Abstands- oder Ähnlichkeitsmaß für jede Testsatzprobe bestimmt wurde, wird eines der den Testsatz 64 bildenden Bilder angezeigt, wobei die "ähnlichsten" Pixel (beispielsweise das 1% ähnlichster Pixel) hervorgehoben werden. Eine bevorzugte Hervorhebungstechnik besteht darin, die ähnlichsten Pixel in Farbe und einer herkömmlichen Grauskalaanzeige eines der Bilder des Testsatzes überlagert anzuzeigen. Es hat sich herausgestellt, daß die resultierende Anzeige klinisch wertvoll ist, um einem Arzt zu ermöglichen, das Ausmaß zu identifizieren, mit dem sich ein durch den Trainingssatz repräsentierter primärer Tumor - wenn überhaupt - zu vom Testsatz umfaßten Bereichen ausgebreitet hat.

Die Fig. 3B und 3C veranschaulichen verschiedene Techniken zum Wählen des Trainings- und des Testsatzes. In Fig. 3B erhält man zwei Sätze 66, 68 von kongruenten Bildern, beispielsweise von zwei verschiedenen Scheiben oder Ebenen durch den Körper eines Patienten. Aus dem Satz 66 wird ein Trainingssatz 70 gewählt, während der gesamte zweite Satz 68 als Testsatz verwendet wird. Diese Variante ermöglicht es, daß die Ähnlichkeitsmeßtechnik der vorliegenden Erfindung dazu verwendet wird, die Ähnlichkeit von zwei beliebigen Stellen innerhalb des Körpers des Patienten und nicht nur von zwei Stellen innerhalb der gleichen Bildebene zu messen.

Fig. 3C veranschaulicht den Fall, bei dem ein erster Satz 72 an einem Zeitpunkt gewonnen wird und ein Abschnitt des Satzes 72 dazu verwendet wird, einen Trainingssatz 76 zu bilden. An einem späteren Zeitpunkt, der Tage, Wochen oder Monate später liegen könnte, wird ein zweiter kongruenter Satz 74 durch den gleichen Bereich des Körpers des Patienten erhalten und dazu verwendet, den Testsatz zu bilden. Bei dieser Variante kann die vorliegende Erfindung dazu verwendet werden, die Entwicklung eines einzelnen Tumors zu verfolgen und dessen Reaktion auf eine Therapie zu beurteilen, wie auch die Verbreitung des Tumors zu anderen Stellen im Körper des Patienten zu verfolgen.

Man wird verstehen, daß die in den Fig. 3A-3C veranschaulichten Ansätze nicht abschließend sind und daß andere Varianten verwendet werden könnten. Beispielsweise könnten die Techniken der Fig. 3B und 3C kombiniert werden, um die Verbreitung eines Tumors sowohl in der Zeit als auch zu entfernten Stellen im Körper eines Patienten zu verfolgen.

Fig. 4 liefert ein Flußdiagramm, das die zum Durchführen einer der in den Fig. 3A-3C veranschaulichten Prozeduren verwendeten Schritte zeigt, um die Verbreitung eines primären Tumors zu verfolgen. In Schritt 80 wird eine herkömmliche MR-Bilderzeugungseinrichtung dazu verwendet, einen ersten Satz von mehreren kongruenten Bildern eines Bereichs des Körpers des Patienten zu erhalten, von dem geglaubt wird, daß er einen primären Tumor enthält. In Schritt 82 wird bevorzugt jedes der Bilder im ersten Satz einer räumlichen Korrelationsprozedur unterworfen, die in den Fig. 5 und 6 umrissen ist.

Es wird auf Fig. 5 Bezug genommen. P repräsentiert ein beliebiges Pixel in einem beliebigen der Bilder im ersten Satz. Für Pixel P wird auf die acht in Fig. 5 mit 1 bezeichneten angrenzenden Pixel als die Nächste- Nachbar-Pixel Bezug genommen, während auf die nächste Gruppe von mit 2 bezeichneten 16 Pixel als die Übernächste-Nachbarpixel Bezug genommen wird. Im räumlichen Korrelationsschritt 82, der in Fig. 4 gezeigt ist, wird jedes der "Ursprungs"-Bilder im ersten Satz gesondert von den anderen Ursprungsbildern verarbeitet, um zwei neue Bilder zu erzeugen. Im ersten neuen Bild weist jedes Pixel einen Wert auf, der gleich zum mittleren Wert der Nächste-Nachbar-Pixel ist. Im zweiten neuen Bild weist jedes Pixel einen Wert auf, der gleich zum Mittel der Übernächste-Nachbar-Pixel ist. Dieser Prozeß wird für jedes der Ursprungsbilder im ersten Satz durchgeführt. Falls acht ursprüngliche Bilder des ersten Satzes (wie beispielsweise in Fig. 2 veranschaulicht) vorlagen, wird dieser Schritt eine Gesamtzahl von 24 Bildern erzeugen, wie in Fig. 6 gezeigt ist. Der Stapel 110 repräsentiert die acht Ursprungsbilder des ersten Satzes; der Stapel 112 repräsentiert die durch die Nächste-Nachbar-Mittelung erzeugten acht neuen Bilder, während der Stapel 114 die acht neuen Bilder repräsentiert, die durch die Übernächste-Nachbar-Mittelung erzeugt sind. Als ein Ergebnis des räumlichen Korrelationsschritts liegen deshalb nun insgesamt 24 kongruente Bilder vor, die eine einzige Scheibe durch den Patienten repräsentierten. Somit ist jeder Probe für diese Scheibe eine Gesamtzahl von 24 Intensitätswerten zugeordnet.

Es wird wieder auf Fig. 4 Bezug genommen. Der nächste Schritt 84 besteht darin, den Trainingssatz, d. h. einen Untersatz von Proben in dieser Scheibe, die den primären Tumor unter Untersuchung enthält, zu wählen. Dieser Schritt kann durchgeführt werden durch Anzeigen eines der acht Ursprungsbilder an eine Bedienperson auf einem Anzeigeschirm des Computers 14 (Fig. 1) und durch Ersuchen der Bedienperson, einen Kasten variabler Größe über dem für die Verwendung als den Trainingssatz zu wählenden Bildabschnitt zu positionieren. Nachdem der Trainingssatz gewählt wurde, werden die Trainingssatzproben in Schritt 86 skaliert. Das Skalieren ist eine herkömmliche Mustererkennungsprozedur, in der beispielsweise die Intensitätswerte der Daten linear derart eingestellt werden, daß sie einen Mittelwert von null und eine Standardabweichung von eins aufweisen. Der Trainingssatz kann ferner in Schritt 86 standardisiert werden. Die Standardisierung ist eine Technik zum Korrigieren einer Drift eines MIR-Instruments über der Zeit oder zum Korrigieren von Unterschieden zwischen verschiedenen MIR-Instrumenten, und sie wird unten weiter beschrieben.

Immer noch bezugnehmend auf Fig. 4 führen die Schritte 90-96 eine Reihe von Schritten analog zu den Schritten 80-86 durch, um einen Testsatz zu erzeugen umfassend einen kongruenten Satz von 24 Bildern des nach einem sekundären Tumor abzutastenden Testbereichs des Körpers des Patienten. In Schritt 90 wird ein zweiter Satz von kongruenten zweiten Bildern des Testbereichs erhalten. Die zweiten Bilder werden unter Verwendung der gleichen MIR-Pulssequenzen erhalten, d. h. unter Verwendung der gleichen, von der Bedienperson einstellbaren Parameter, wie bei den in Schritt 80 erhaltenen ersten Bildern. Im Schritt 92 werden die zweiten Bilder jeweils der oben beschriebenen und in den Fig. 5 und 6 veranschaulichten räumlichen Korrelationsprozedur unterzogen. In Schritt 94 wird der Testsatz gewählt. In vielen Fällen wird der Testsatz von den vollständigen zweiten Bildern gebildet sein. In gewissen Fällen mag es allerdings zum Einsparen von Verarbeitungszeit wünschenswert sein, einen Unterbereich zu spezifizieren, der das tatsächliche Ziel der Untersuchung enthält. Schließlich wird in Schritt 96 der Testsatz skaliert (und standardisiert) in einer Art und Weise, die ähnlich zu der in Schritt 86 durchgeführten ist.

Sobald der Trainings- und der Testsatz hergestellt sind, werden sie in Schritt 100 miteinander verglichen, um den relativen "Abstand" zwischen dem Trainingssatz und jedem Element des Testsatzes zu bestimmen. Es stehen eine Anzahl bekannter statistischer Techniken zur Verfügung, um den Abstand zwischen Paaren von Pixeln in einem mehrdimensionalen Datenraum zu bestimmen. Für den Zweck der vorliegenden Erfindung wurde allerdings bestimmt, daß die bevorzugte Technik eine einfache euklidische Entfernung ist, die wie folgt berechnet wird:

d = [ (Ri - Si)²]1/&sub2;

Ri repräsentiert die ite Koordinate der Trainingsprobe, Si repräsentiert die ite Koordinate der Testprobe und N ist die Gesamtanzahl von Dimensionen (beispielsweise 24) in jedem Datensatz. Es wurden zuvor zwei bevorzugte Techniken beschrieben, um einen Abstandswert jeder Testsatzprobe zuzuordnen. Bei der ersten Technik wird eine mittlere Trainingssatzprobe berechnet und der Abstand zwischen jeder Testsatzprobe und der mittleren Trainingssatzprobe bestimmt. Bei der zweiten Technik wird für jede Testsatzprobe der Abstand von der Testsatzprobe zu jeder Trainingssatzprobe gemessen und das Minimum dieser Abstände gewählt. Es versteht sich allerdings, daß andere Ähnlichkeitsmaße ebenfalls verwendet werden könnten, ohne vom Geist der vorliegenden Erfindung abzuweichen.

Die Abstandsmessung der Gleichung 2 oben ist ein Beispiel des sogenannten KNN-Verfahrens (K - nächster Nachbar) für den Fall von K = 1. Sie ist äquivalent zum euklidischen Abstand zwischen Proben in einem mehrdimensionalen Meßraum, in der jede Dimension einem der Bilder entspricht. Diese Ausführungsform der KNN-Technik ist ein Beispiel einer kontrollierten Klassifikation unter Verwendung eines nicht-parametrischen Klassifikationsalgorithmus. Es wurde bestimmt, daß für den Zweck der vorliegenden Erfindung nicht-parametrische Techniken gegenüber Ansätzen der parametrischen Klassifikation, wie etwa Bayes'sche und SIMCA-Verfahren, zu bevorzugen sind. Bei parametrischen Verfahren müssen durch den Benutzer a priori Möglichkeiten gewählt werden, was zu der Möglichkeit führt, daß die Klassifizierung ein Vorurteil des Beobachters widerspiegeln wird. Eine potentielle Beschränkung von nicht-parametrischen Verfahren liegt darin, daß sie Ausreißer in den Daten nicht erkennen können. Diese Beschränkung wird allerdings in der Praxis überwunden, da der menschliche Beobachter fähig sein wird, die Ergebnisse der Klassifizierung im Kontext des gesamten Bildes zu überdenken, d. h., der Beobachter dient dazu, Ausreißer zu erkennen.

Eine Berechnung des euklidischen Abstands zwischen dem Mittelwert der Proben im Trainingssatz und einer gegebenen Probe im Testsatz ist computermäßig schnell, hat aber den Nachteil, daß sie wenig Information über die Heterogenität des Trainingssatzes liefert. Eine Gewebeheterogenität wird genauer ausgedrückt durch Messen des Abstands zwischen jeder Probe des Testsatzes und einer gegebenen Probe im Testsatz und Wählen des kleinsten Abstands als den repräsentativen Abstand. Der auf diese Art und Weise gemessene minimale Abstand repräsentiert die Probe im Trainingssatz, die zur Probe im Testsatz am ähnlichsten ist.

Die Genauigkeit der Mustererkennungstechnik der vorliegenden Erfindung hängt von der unterscheidenden Varianz der Trainings- und Testsätze ab; je genauer die unterscheidende Varianz der Daten, desto größer ist die Wahrscheinlichkeit, daß zwei verschiedene Gewebetypen unterschieden werden. Die unterscheidende Varianz kann vergrößert werden durch Vergrößern der Anzahl von verschiedenen Pulssequenzen (Bildern), die auf den interessierenden Bereich angewendet werden. In der Theorie kann die Genauigkeit der Klassifizierung beliebig hoch gemacht werden durch Vergrößern der Anzahl der verwendeten Sequenzen. In der Praxis muß der Bedarf für eine größere Genauigkeit ausbalanciert werden mit dem Erfordernis, daß die Daten nicht übermäßig überbestimmt sind sowie mit praktischen Beschränkungen bei der Bilderzeugungszeit. Die Verwendung übermäßig überbestimmter Daten reduziert die Fähigkeit der Klassifizierung, die Eigenschaften des Trainingssatzes zu generalisieren, um ähnliche, aber nicht identische Proben zu identifizieren; die Verwendung unbestimmter Daten für die Klas sifizierung wird zu einem großen Grad an nicht spezifischer Hervorhebung führen.

Wir haben gefunden, daß die maximale Klassifizierungsgenauigkeit erreicht wird unter Verwendung einer relativ niedrigen räumlichen Auflösung für die ME-6-Pulssequenz, was dabei hilft, die Gesamtbilderzeugungszeit zu reduzieren. Die Verwendung dieser Sequenz mit einem 64 · 256 Pixelfeld (Phase, Frequenz) führt zu einer größeren Klassifizierungsgenauigkeit als ein Feld, das eine höhere räumliche Auflösung (128 · 256) aufweist, da eine Verminderung der räumlichen Auflösung die Pixelgröße vergrößert, was das Signal-zu-Rauschen-Verhältnis verbessert. Dies läuft darauf hinaus, die räumliche Auflösung gegen einen Gewinn größerer spektraler Auflösung einzutauschen, was einen größeren Informationsgehalt pro Pixel repräsentiert. Dies weicht vom herkömmlichen Ansatz bei der MIR ab, der über allem strebt, eine hohe räumliche Auflösung zu erreichen.

Der Grad an Gewebeunterscheidung, der durch die Erfindung erreicht wird, hängt von dem Prozentsatz der nächsten Abstände ab, die hervorgehoben werden. Eine Hervorhebung eines sehr kleinen Prozentsatzes (beispielsweise 0,2% bis 2% der Testproben) hat eine hohe Unterscheidung zur Folge, verringert aber die Empfindlichkeit zum Erfassen unerwarteter Läsionen. Eine Hervorhebung eines größeren Prozentsatzes (2% bis 8%) wird den Grad der Gewebeunterscheidung vermindern, wird aber die Wahrscheinlichkeit erhöhen, unerwartete Läsionen zu erfassen. Falls der Hauptzweck der Verwendung der MIR darin liegt, anstelle der Erfassung unerwarteter Läsionen eine erkannte Läsion unbekannten Ursprungs zu charakterisieren, dann ist es im allgemeinen zu bevorzugen, nur die nächsten 0,5% bis 2% der Pixel im Testbild hervorzuheben, um die Gewebeunterscheidung zu maximieren.

Beim Ausführen der vorliegenden Erfindung sollten die Daten adäquat überbestimmt sein, derart, daß das Verhältnis der Anzahl von Proben zur Anzahl von jede Probe beschreibenden Variablen wenigstens drei beträgt. Jede Probe, die die kombinierten ME-6, STIR und T1-gewichteten Sequenzen repräsentiert, besteht aus 8 Ursprungsdaten und 16 abgeleiteten Daten, die räumliche Korrelationsvariablen repräsentieren. Ein Trainingssatz, der 24 oder mehr Proben enthält, wird ein System zum Ergebnis haben, das bezüglich der 8 Ursprungsdatensätze, die für jede Probe gewonnen sind, adäquat überbestimmt ist.

Obwohl es theoretisch wichtig ist, daß das System adäquat überbestimmt ist, um falsche Korrelationen zu vermeiden (d. h. jene, die durch Zufall auftreten), haben wir gefunden, daß die Anzahl von im Trainingssatz enthaltenen Proben überraschend geringen Effekt auf die Genauigkeit der Klassifikation hat. Obwohl ein Trainingssatz mit vier Proben relativ unbestimmt ist, kann er eine Klassifikation zum Ergebnis haben, die ähnlich zur Klassifikation ist, die durch einen aus 25 bis 50 Proben bestehenden Trainingssatz erhalten wird. Als das andere Extremum vermindert ein 700 Proben enthaltender Trainingssatz die Menge an nicht spezifischer Hervorhebung im Vergleich zu einem Trainingssatz mit 25 Proben. Allerdings erforderte der Satz mit 700 Proben etwa 25 mal mehr Computerzeit als der Satz mit 25 Proben. Wir finden, daß im allgemeinen eine Trainingssatzgröße von 16 bis 25 Proben die Klassifikationsgenauigkeit und die Computerberechnungslast ausbalanciert.

Die für die vorliegende Erfindung zusätzlich erforderte Bilderzeugungszeit wird von dem vom Radiologen verfolgten Ansatz bei der onkologischen Bilderzeugung abhängen. Falls Radiologen sich auf Kombinationen von T1- gewichteten und T2-gewichteten Bildern für die Ermittlung von Körper und CNS-Metastasen stützen, kann die zum Erhalten einer oder mehrerer STIR- Sequenzen und Mehrfach-Spinecho-Sequenzen erforderliche Zeit unpraktikabel ein. Da allerdings ein großer Teil der Körper- und spinalen Onkologie- Bilderzeugung erreicht wird mit einer Kombination von STIR- und T1-gewichteten Spinechosequenzen, fügt das Gewinnen einer Mehrfachecho- Spinecho-Sequenz an zwei gewählten anatomischen Abschnitten weniger als 7 Minuten zur Gesamtbilderzeugungszeit zu, wenn eine relativ niedrige räumliche Auflösung für die ME-6-Pulssequenz verwendet wird.

Die Genauigkeit der Klassifizierung hängt davon ab, wie genau der Trainingssatz das bekannte Gewebe repräsentiert. Falls unabsichtlich ein Bereich normalen Fetts benachbart zu einem bekannten Tumor im Trainingssatz enthalten ist, wird das klassifizierte Bild sowohl Tumor als auch normales Fett hervorheben. In ähnlicher Weise werden wachstumsfähige Tumorbereiche im Testsatz nicht identifiziert werden, wenn der Trainingssatz nur nekrotischen Tumor enthält. Es könnte eine Cluster-Analyse dazu verwendet werden, den unabsichtlichen Einschluß von zwei verschiedenen Gewebetypen innerhalb eines einzigen Trainingssatzes zu erfassen, was den Benutzer über das mögliche Problem alarmieren würde.

Die genaueste Klassifikation tritt auf, wenn der Test und der Trainingssatz beide in parallelen Ebenen erlangt werden; es sollte nämlich der Testsatz in der koronalen Ebene erlangt werden, wenn der Trainingssatz in der koronalen Ebene erlangt wird. Der Trainings- und der Testsatz sollten in parallelen Ebenen erlangt werden, da die Pixel in einem gegebenen Bild nicht isotrop sind. Wenn der Trainings- und der Testsatz zu verschiedenen Zeiten erlangt werden, wie in Fig. 3C gezeigt, sollte die unten beschriebene Standardisierungstechnik verwendet werden, um durch Instrumentendrift verursachte Effekte zu minimieren. In allen Fällen sollten die entsprechenden, zum Erzeugen des Trainings- und des Testsatzes verwendeten Sequenzen unter Verwendung identischer Instrumentenparameter erlangt werden: Identische Phasenkodierrichtung, Scheibendicke, Gesichtsfeld, Mittelwerte, STIR-Inversionszeit und TR. Bevorzugt sollten die Trainings- und Testsätze auf dem gleichen Instrument erlangt werden. Falls sie allerdings auf verschiedenen Instrumenten erlangt werden, können Standardisierungstechniken verwendet werden, um die Effekte von verschiedenen Instrumentenreaktionen zu minimieren, wie unten beschrieben ist.

Ein nicht-spezifisches Hervorheben von Pixeln im Testsatz tritt unter zwei Umständen auf: als erstes, wenn die unterscheidende Varianz der Daten nicht ausreicht, daß ein Klassifikationsverfahren zwischen Tumor und einem nicht verwandten Gewebe unterscheidet; als zweites, wenn eine Verletzung der Grundannahme vorliegt, daß die MR-Signaturen der Gewebe nur vom Typ des Gewebes und nicht vom Ort des Gewebes innerhalb der abgebildeten Ebene abhängen. Bedingungen, die diese Annahme verletzen, sind: Bewegungsartefakt längs der Richtung des Phasenkodiergradienten; Inhomogenität der Gradienten; schlecht geformte Hochfrequenzpulse; und Abschneidungsartefakt und Chemische-Verschiebung-Artefakt, die an der Grenze zwischen Geweben auftreten, die einen beträchtlichen Unterschied in ihrer MR-Signalintensität aufweisen, wie etwa an der Grenze zwischen festen Organen und Mesenterial-Fett.

Bei der Bestimmung der Genauigkeit des Verfahrens ist es wichtig, zwischen Diagnosefragen, für die das Verfahren das Potential hat, diese zu lösen, und jeden Fragen zu unterscheiden, die das Verfahren nicht lösen kann. Die Erfindung misst die Ähnlichkeit zwischen verschiedenen Geweben, kann im allgemeinen aber nicht ein Gewebe als gutartig oder bösartig oder als infiziert oder steril charakterisieren. Der Benutzer ist verpflichtet, die Erfindung in einem klinisch gültigen Weg anzuwenden, da die Prozedur eine Matrix von Entfernungen aus jeder Kombination eines Trainingssatzes und eines Testsatzes erzeugen wird. Es ist beabsichtigt, daß das Verfahren perkutane Biopsie ergänzt, aber nicht ersetzt.

Wie vorangehend in Verbindung mit Fig. 3C beschrieben, erzeugt die vorliegende Erfindung bei einer Anwendung den Trainings- und den Testsatz aus Bildern, die zu verschiedenen Zeiten gebildet sind. Wenn die Trainings- und Testsatzproben zu verschiedenen Zeiten erzeugt werden, ist es allerdings möglich, daß eine Drift in der Reaktion des MIR-Instruments Unterschiede zwischen den Trainings- und Testproben erzeugen könnte, die die Ergebnisse des vorliegenden Verfahrens beeinflussen würden. Zusätzlich mag es in gewissen Fällen notwendig sein, die Trainings- und Testproben unter Verwendung verschiedener MIR-Instrumente zu erlangen. In diesem Fall könnten Unterschiede zwischen den Reaktionen der beiden Instrumente die Abstände zwischen Proben in einer Weise beeinflussen, die mit der Ähnlichkeit des zugrundeliegenden Gewebes nicht in Beziehung steht.

Um diese Effekte zu eliminieren oder zumindest zu minimieren, werden bevorzugt multivariate Instrumenten-Standardisierungstechniken verwendet, um Fehler aufgrund von Instrumentenveränderung zu begrenzen. Geeignete Techniken sind in dem Artikel von Wang, Veltkamp and Kowalski, "Multivariate Instrument Standardization," Analystical Chemistry, 63: 2750-56 beschrieben. Von den von Wang et al. beschriebenen Techniken ist die bevorzugte Technik die "direkte" Technik (einschließlich der stückweise direkten Technik), in der die während einer Bilderzeugungssitzung erzeugten Proben korrigiert werden, um Schätzungen der Proben zu erzeugen, die während der anderen Bilderzeugungssitzung erzeugt worden wären. Da im allgemeinen mehr Testproben als Trainingsproben vorliegen werden, mag es hinsichtlich der Computerzeit zu bevorzugen sein, die Trainingsproben zu korrigieren, die typischerweise während der ersten Bilderzeugungssitzung gewonnen werden, um Schätzungen der Zielproben zu erzeugen, die während der zweiten Bilderzeugungssitzung erzeugt worden wären, während die Testproben erlangt wurden.

Eine Standardisierung wird durchgeführt durch Einschließen einer Mehrzahl von Kalibrierungsstandards in der MR-Bilderzeugungseinrichtung während jeder Bilderzeugungssitzung. Dies kann erreicht werden durch Positionieren des Kalibrierungsstandards derart, daß einige Pixel in jedem Bild erscheinen, die jeden der Kalibrierungsstandards repräsentieren. Alternativ könnten die Kalibrierungsstandards gesondert auf periodischer Basis abgebildet werden (beispielsweise einmal pro Tag) und dazu verwendet werden, alle während dieses Tages erlangten Bilder zu standardisieren. Für den Zweck der vorliegenden Erfindung schließen geeignete Kalibrierungsstandards Wasser, 1 mM (millimolar) CuSO&sub4; (aq), 1 : 1 (v : v) Azeton : Wasser, Safloweröl, Mineralöl, gesättigte Sucrose-Lösung, 95% Ethylalkohol, Glycerin ein. Allerdings können auch andere Kalibrierungsstandards verwendet werden. Um genaue Ergebnisse zu erzeugen, müssen die identischen Kalibrierungsstandards während der Erlangung sowohl des Trainings- als auch des Testsatzes verwendet werden, und die Kalibrierungsstandards dürfen keine Veränderung oder Degradation über der Zeit erfahren haben. Eine geeignete Anzahl von Kalibrierungsproben beträgt 8, gleich der Anzahl von unabhängig erhaltenen Bildern.

Wie oben beschrieben, können die Ergebnisse des Verfahrens der vorliegenden Erfindung angezeigt werden durch Anzeigen eines der originalen Grauskala-MR-Bilder und durch Farbhervorhebung der Pixel des Bildes, die der ähnlichsten Probe entsprechen. Solange wie der Trainings- und der Testsatz von dem gleichen Satz von Bildern erhalten werden, ist es richtig anzunehmen, daß die nächsten X % von Proben des Testsatzes wirklich ähnlich zum Trainingssatz sind. Allerdings ist diese Annahme nicht notwendigerweise wahr, wenn der Trainings- und der Testsatz von verschiedenen Sätzen von Bildern erhalten werden. Dies kann verstanden werden durch Erwägen der Klassifizierung eines Testsatzes, der nichts vom Trainingsgewebe enthält, d. h. nichts vom Gewebe im durch die Trainingsproben aufgespannten Bereich. Eine Anzeige der nächsten 1% von Abständen wird 1% der Testsatzpixel hervorheben, diese Abstände werden aber beträchtlich größer sein als solche, die gefunden worden wären, wenn der Testsatz das Trainingsgewebe enthalten hätte.

Um dieses Problem zu vermeiden, kann man den Abstand als eine Schwelle im Anzeigeprozeß einbeziehen. Bei dieser Variante identifiziert die vorliegende Erfindung bevorzugt X% der Pixel des Testsatzes, die den kleinsten Abstand haben. Von diesen Proben werden nur jene Proben angezeigt, die Abstände kleiner als Y aufweisen, wobei Y eine gewählte Schwelle ist. Dies bedeutet, daß 2% der Pixel hervorgehoben werden, wenn der Benutzer wählt, die 2% ähnlichsten der Pixel hervorzuheben und jene 2% von Pixeln Abstände kleiner als der Schwellenabstand Y (ebenfalls durch Benutzer gewählt) aufweisen. Falls allerdings einige jener 2% Abstände aufweisen, die größer als die Schwelle sind, wird nur ein Teil der 2% hervorgehoben werden. Falls keiner der nächsten 2% einen Abstand kleiner als Y aufweist, werden dann keine Pixel hervorgehoben.

Die vorliegende Erfindung kann angewendet werden, um eine Anpassung eines MIR-Bilds zu ermöglichen, so das wahlweise jene Abschnitte des Bildes, die aus einem gegebenen Gewebetyp resultieren, verstärkt oder unterdrückt werden. Beispielsweise kann in vielen klinischen Anwendungen ein Gewebe, für das man sich interessiert, von einem anderen Gewebe, wie etwa Fett umgeben ist, das eine ähnliche MIR-Helligkeit aufweist. Falls allerdings die beiden Gewebetypen unter Verwendung von Mustererkennung unterschieden werden können, kann der Abschnitt der Bilder, der Fett ent spricht, in der Helligkeit abgeschwächt werden, wodurch die Auflösung des interessierenden Gewebes verbessert wird.

Ein Beispiel für diese Prozedur ist in den Fig. 7 bis 9 veranschaulicht. Die Prozedur beginnt, wie oben, mit der Erzeugung eines kongruenten Satzes 120 von Bildern, die einen interessierenden Bereich eines Patienten enthalten. Der Satz 120 enthält bevorzugt zusätzliche Bilder, die durch räumliche Korrelation erzeugt sind, wie vorangehend beschrieben. Der Satz 120 bildet den Testsatz, während ein kleiner Teilsatz 122 gewählt wird, um den Trainingssatz zu bilden. Der Trainingssatz wird derart gewählt, daß die Trainingssatzproben, soweit wie möglich, nur dem Gewebetyp entsprechen, das man unterdrücken (oder verstärken) möchte.

Die Test- und Trainingssatzproben werden in Schritt 122 verglichen, in der oben beschriebenen Art und Weise, um Ähnlichkeitsdaten 124 zu erzeugen, die den Abstand zwischen jeder Testsatzprobe und den Trainingssatzproben repräsentieren. In Schritt 126 werden die Ähnlichkeitsdaten in ein Ähnlichkeitsbild umgewandelt. Das Ähnlichkeitsbild zeigt jene Abschnitte des Testsatzbereiches, die zum Trainingssatz ähnlich sind. Falls der Trainingssatz Fettgewebe enthält, wird dann das Ähnlichkeitsbild somit das Fett im Testsatzbereich darstellen. Das Ähnlichkeitsbild kann dann angezeigt werden, falls es das Ziel ist, andere Abschnitte des Testbereichs zu identifizieren, die zum Trainingsbereich ähnlich sind. Alternativ kann das Ähnlichkeitsbild angepaßt werden, wie oben beschrieben, und dann von einem der Ursprungsbilder 120 abgezogen werden, um selektiv die Fettbereiche des Ursprungsbilds zu unterdrücken.

Eine geeignete Technik zum Erzeugen des Ähnlichkeitsbilds ist in Fig. 8 schematisch gezeigt. Die Ähnlichkeitsdaten 124 umfassen einen Abstandswert für jede Probe des Testsatzes, wobei der Abstandswert ein Maß für den Abstand der Testprobe von den Trainingsproben in einem mehrdimensionalen Meßraum ist. Je kleiner der Abstand, desto größer ist die Ähnlichkeit. In Fig. 8 repräsentiert die Linie 130 die mathematische Beziehung, die dazu verwendet wird, einen Entfernungswert in eine Pixelintensität für den Aufbau des Ähnlichkeitsbilds zu wandeln. Für einen Abstand von null, d. h. identische Proben, ist eine maximale Pixelintensität 132 gewählt. Wenn der Abstand von null zunimmt, nimmt die zugeordnete Pixelintensität ab, bis ein Abbruch-Abstand 134 erreicht ist. Für Abstände gleich oder größer als der Abbruch-Abstand wird die Pixelintensität auf null gesetzt. Auf diese Art und Weise wird jeder Probe eine Pixelintensität zugeordnet, was ein mit den Ursprungsbildern im Satz 120 kongruentes Ähnlichkeitsbild erzeugt.

In Schritt 140 wird eine Intensitätsschwelle gewählt, um dem Benutzer zu ermöglichen, die Subtraktion jener Pixel des Ähnlichkeitsbilds, die zum Trainingssatz am ähnlichsten sind, zu begrenzen. In Schritt 142 werden die Pixel des Ähnlichkeitsbilds, die größer als die Schwelle sind, "skaliert", bevorzugt durch einen vom Benutzer zugeführten Skalierfaktor zwischen 0 und 1. Es wird somit jede Pixelintensität im Ähnlichkeitsbild, die größer als die Schwelle ist, mit dem Skalierfaktor multipliziert. Das durch die Linie 144 repräsentierte angepaßte Ähnlichkeitsbild wird dann von einem der Ursprungsbilder abgezogen, durch Linie 144 repräsentiert, um ein angepaßtes Bild 148 zu erzeugen, das angezeigt wird. Der Gesamteffekt des Prozesses liegt darin, daß für Proben, die ein Muster oder eine Signatur ähnlich zu den Pixeln im Trainingssatz 122 aufweisen, die Intensität im angepaßten Bild reduziert wird. Das Ausmaß der Reduktion wird durch den in Schritt 142 angewendeten Skalierfaktor gesteuert. Eine ähnliche Prozedur kann dazu verwendet werden, eine Verstärkung von gewählten Gewebetypen zu erzeugen.

Ein Beispiel des in den Fig. 7 und 8 gezeigten Bildanpassungsprozesses ist in den Fig. 9A und 9B veranschaulicht. Fig. 9A zeigt ein herkömmliches T1-gewichtetes MR-Bild durch den Kopf eines Patienten. Der Bereich hinter jedem Auge enthält Sehnerven und umgebendes Fett. Das Fett neigt dazu, die Sehnerven zu verbergen und würde sehr wahrscheinlich einen kontrastverstärkten Tumor des Sehnervs verbergen, da Fett und kontrastverstärkter Tumor beide näherungsweise die gleiche Intensität aufweisen. Die kongruenten Bilder für diese Anwendung wurden durch standardmäßige T1-gewichtete und T2-gewichtete Spinechosequenzen erzeugt. In diesem Fall wurde der Trainingssatz 150 von einem Bereich gewählt, der Fett, aber keine Sehnerven enthielt. Dieser Trainingssatz wurde dazu verwendet, ein Ähnlichkeitsbild herzustellen, das dann vom Ursprungsbild abgezogen wurde. Dies erzeugte das in Fig. 9B gezeigte angepaßte Bild. Die Subtraktion der Fettabschnitte des Bildes ermöglicht eine viel klarere Auflösung der Sehnerven selbst.

Während die bevorzugte Ausführungsform der Erfindung veranschaulicht und beschrieben wurde, wird gewürdigt werden, daß darin verschiedene Änderungen gemacht werden können, ohne vom Bereich der Erfindung, wie beansprucht, abzuweichen. Beispielsweise bedeuten die beträchtlichen Kosten einer MIR-Einrichtung, daß gegenwärtig die einzige praktikable Anwendung für die MIR medizinische Anwendungen für Menschen sind. Die Prinzipien der vorliegenden Erfindung sind allerdings auch auf andere Objekte anwendbar, wie etwa Tiere oder Lebensmittelprodukte, in denen ein nicht-homogener Körper vorliegt, dessen MR-Reaktion von einer Position zur anderen innerhalb des Körpers variiert.


Anspruch[de]

1. Verfahren zur Verwendung einer Magnetresonanz-Bilderzeugung (MRI), um ein Bild eines Körpers herzustellen, wobei das Verfahren die Schritte umfaßt:

Verwenden einer MRI-Einrichtung zum Erzeugen eines Trainingssatzes umfassend eine oder mehrere Trainingsproben, wobei der Trainingssatz aus einer Mehrzahl von kongruenten ersten Bildern eines Trainingsbereichs des Körpers gebildet wird, wobei jedes erste Bild unter Verwendung einer MRI-Pulssequenz erzeugt wird, die von den Pulssequenzen verschieden ist, die zum Erzeugen der anderen ersten Bilder verwendet werden, wobei jedes erste Bild ein Feld von Pixeln umfaßt, wobei jede Trainingsprobe einen räumlich ausgerichteten Satz von Pixeln von jedem ersten Bild umfaßt;

Verwenden einer MRI-Einrichtung zum Erzeugen eines Testsatzes umfassend eine Mehrzahl von Testproben, wobei der Testsatz aus einer Mehrzahl von kongruenten zweiten Bildern eines Testbereichs des gleichen Körpers gebildet wird, wobei die zweiten Bilder unter Verwendung der gleichen MRI-Pulssequenzen wie die ersten Bilder erzeugt werden, wobei jedes zweite Bild ein Feld von Pixeln umfaßt, wobei jede Testprobe einen räumlich ausgerichteten Satz von Pixeln von jedem zweiten Bild umfaßt;

Erzeugen von Ähnlichkeitsdaten, die für jede Testprobe den Grad von Ähnlichkeit zwischen der Testprobe und den Trainingsproben erkennen lassen; und

Erzeugen einer Anzeige auf Grundlage der Ähnlichkeitsdaten.

2. Verfahren nach Anspruch 1, bei dem der Trainingssatz eine Mehrzahl von Trainingsproben umfaßt.

3. Verfahren nach Anspruch 2, bei dem für jede Testprobe die Ähnlichkeitsdaten erzeugt werden durch Bestimmen von Ähnlichkeitswerten, die die Ähnlichkeit zwischen jeder Trainingsprobe und der Testprobe repräsentieren, und dann durch Wählen des größten Ähnlichkeitswerts.

4. Verfahren nach Anspruch 2, bei dem für jede Testprobe die Ähnlichkeitsdaten erzeugt werden durch Bestimmen der Ähnlichkeit der Testprobe mit einem Mittel der. Trainingsproben.

5. Verfahren nach Anspruch 1, bei dem die MRI-Pulssequenzen eine T1-gewichtete Pulssequenz, eine Mehrfach-Spinnecho-Pulssequenz und eine STIR-Pulssequenz umfassen.

6. Verfahren nach Anspruch 1, bei dem der Schritt des Erzeugens einer Anzeige das Anzeigen eines gewählten der zweiten Bilder und das visuelle Hervorheben jener Abschnitte des gewählten zweiten Bildes, die den Testproben mit dem höchsten Ähnlichkeitsgrad entsprechen, umfaßt.

7. Verfahren nach Anspruch 6, bei dem das gewählte zweite Bild unter Verwendung einer Grauskala angezeigt wird und das Hervorheben in Farbe durchgeführt wird.

8. Verfahren nach Anspruch 1, bei dem die ersten und zweiten Bilder zueinander gleich sind und der Trainingssatz und der Testsatz aus verschiedenen Abschnitten derselben gebildet werden, die dem Trainingsbereich bzw. dem Testbereich entsprechen.

9. Verfahren nach Anspruch 1, bei dem die ersten und zweiten Bilder voneinander verschieden sind und bei dem der Trainingsbereich und der Testbereich verschiedene Abschnitte des Körpers umfassen.

10. Verfahren nach Anspruch 9, bei dem die ersten und zweiten Bilder unter Verwendung der gleichen MRI-Einrichtung erzeugt werden.

11. Verfahren nach Anspruch 1, bei dem die ersten und zweiten Bilder voneinander verschieden sind und bei dem der Trainingsbereich und der Testbereich den gleichen Körperbereich repräsentieren, wobei die ersten und zweiten Bilder zu verschiedenen Zeiten erzeugt werden.

12. Verfahren nach Anspruch 1, bei dem die Anzeige die Testproben identifiziert, die den höchsten Ähnlichkeitsgrad mit den Trainingsproben aufweisen.

13. Verfahren nach Anspruch 1, umfassend die weiteren Schritte der Umwandlung der Ähnlichkeitsdaten in ein Ähnlichkeitsbild.

14. Verfahren nach Anspruch 13, umfassend den weiteren Schritt des Kombinierens des Ähnlichkeitsbilds mit einem der zweiten Bilder, um die Anzeige zu erzeugen.

15. Verfahren nach Anspruch 14, bei dem das Ähnlichkeitsbild eine Mehrzahl von Pixeln umfaßt, und bei dem der Kombinierschritt das Einstellen der Intensität der Pixel des Ähnlichkeitsbildes, die oberhalb einer vorbestimmten Schwelle liegen, zum Erzeugen eines modifizierten Ähnlichkeitsbilds, und das Subtrahieren des modifizierten Ähnlichkeitsbilds vom gewählten zweiten Bild umfaßt.

16. Verfahren nach Anspruch 1, bei dem jedes Pixel einen Pixelwert entsprechend der Intensität eines magnetischen Resonanzsignals von einer entsprechenden Position innerhalb des Körpers umfaßt, wobei der Trainingssatz wenigstens ein räumliches Korrelationsbild umfaßt, das einem der ersten Bilder entspricht und mit diesem kongruent ist, wobei das räumliche Korrelationsbild ein Feld von räumlichen Korrelationspixeln umfaßt, wobei jedes räumliche Korrelationspixel einen Pixelwert aufweist, der eine vorbestimmte Funktion eines oder mehrerer benachbarter Pixelwerte in dem entsprechenden einen ersten Bild ist, wobei jede Trainingsprobe einen räumlich ausgerichteten Satz von Pixeln von jedem ersten Bild und von jedem ersten räumlichen Korrelationsbild umfaßt, wobei der Testsatz wenigstens ein zweites räumliches Korrelationsbild umfaßt, das einem der zweiten Bilder entspricht und mit diesem kongruent ist, wobei das zweite räumliche Korrelationsbild ein Feld von zweiten räumlichen Korrelationspixeln umfaßt, wobei jedes zweite räumliche Korrelationspixel einen Pixelwert aufweist, der eine vorbestimmte Funktion eines oder mehrerer benachbarter Pixelwerte im entsprechenden zweiten Bild ist, wobei jede Testprobe einen räumlich ausgerichteten Satz von Pixeln von jedem zweiten Bild und von jedem zweiten räumlichen Korrelationsbild umfaßt.

17. Verfahren nach Anspruch 16, bei dem die vorbestimmte Funktion eine Mittelwertfunktion ist.

18. Verfahren nach Anspruch 16, bei dem zwei räumliche Korrelationsbilder für jedes der ersten und zweiten Bilder erzeugt werden, und zwar eines, in dem die räumlichen Korrelationspixelwerte Mittelwerte der ersten Nächste-Nachbarpixel sind und das andere, in dem die räumlichen Korrelationspixelwerte Mittelwerte der Übernächste-Nachbarpixel sind.







IPC
A Täglicher Lebensbedarf
B Arbeitsverfahren; Transportieren
C Chemie; Hüttenwesen
D Textilien; Papier
E Bauwesen; Erdbohren; Bergbau
F Maschinenbau; Beleuchtung; Heizung; Waffen; Sprengen
G Physik
H Elektrotechnik

Anmelder
Datum

Patentrecherche

Patent Zeichnungen (PDF)

Copyright © 2008 Patent-De Alle Rechte vorbehalten. eMail: info@patent-de.com