阅读说明：本技术 自动扫描工作流程 (Automatic scanning workflow ) 是由 伊莱安娜·汉库 托马斯·郭-法·福 德斯蒙德·特克-本·杨 阿拉蒂·斯雷库马里 达蒂什·达亚 于 2019-05-29 设计创作，主要内容包括：本发明题为“自动扫描工作流程”。本公开提供了一种在某些具体实施中能够关于采集近实时地评估图像的诊断效用的基于规则或基于深度学习的方法。对应地,在扫描仪上自动实现这种算法实际上将模拟医生自己对图像进行实时评级,并减少不需要的重新扫描和召回的数量。在本发明的一个方面,发现图像的诊断效用不是绝对量度,而是取决于读取放射科医师和扫描指示(即,扫描的目的)。因此,根据读取放射科医师和扫描指示来调节阈值(即,成像体积被认为是良好的概率)可以使得减少重新扫描和召回的数量。(The invention provides an automatic scanning workflow. The present disclosure provides a rule-based or deep learning-based approach that, in some implementations, can evaluate the diagnostic utility of an image in near real-time with respect to acquisition. Correspondingly, automatically implementing such an algorithm on the scanner will actually simulate the physician's own real-time rating of the images and reduce the number of unnecessary rescanning and recalls. In one aspect of the invention, the diagnostic utility of the image is found to be not an absolute measure, but rather to depend on the radiologist and the scanning instructions (i.e., the purpose of the scan). Thus, adjusting the threshold (i.e., the probability that the imaging volume is considered good) based on reading the radiologist and the scan indication may result in a reduction in the number of rescans and recalls.)

自动扫描工作流程

技术领域

本文所公开的主题涉及改进与医学成像或扫描程序相关联的工作流程。

背景技术

非侵入性成像技术可以获得患者或受试者的内部结构或特征的图像。具体地讲，这种非侵入性成像技术依赖于各种物理原理(诸如，受试者内组织的顺磁性质、X射线光子通过成像体积的差异透射、由于体内差异分布的放射性药物产生的γ射线发射或者通过身体内的结构发生的声波反射)来获取数据和构建图像或者以其他方式表示受试者的内部特征。

关于与成像扫描仪相关联的工作流程，可能存在某些问题。例如，随时待命的放射科医师可能花费大量时间针对每个个体患者来确定由一系列成像采集组成的成像方案(待扫描)。也就是说，可能要花时间来为患者配置或规定适当的检查系列。此外，当实际上当前采集的图像足以用于诊断目的时，技术人员可能重新扫描患者一次或多次以采集更好的图像。相反，当当前采集的图像不足以用于诊断目的时，技术人员可能无法重新扫描患者，这可能导致患者必须返回设施进行第二轮成像。最后，当图像中存在或可能有伪影时，可选择不能容忍导致图像包含伪影的伪影源的成像方案。

发明内容

在一个实施方案中，提供了一种图像分析系统。根据该实施方案，该成像系统包括被配置为接收和处理由成像系统的一个或多个扫描部件采集的成像数据的电路。根据该实施方案，该电路被配置为：基于诊断目的或诊断目的和指定审查者的组合来自动评估成像序列的一个或多个图像的诊断效用。该电路被进一步配置为在确定一个或多个图像不满足针对诊断目的或针对诊断目的和指定审查者的组合而建立的阈值时，指示需要重新扫描。重新扫描被定义为需要重复成像采集或执行类似的图像采集以采集具有足够图像质量的图像以提供准确的诊断。

在另一个实施方案中，提供了一种用于对患者进行成像的方法。根据该实施方案，使用成像系统来采集成像序列的一个或多个图像。一个或多个图像被提供作为评估算法的输入。评估算法基于诊断目的或诊断目的和指定审查者的组合来评估一个或多个图像的诊断效用。在评估算法确定一个或多个图像不满足针对诊断目的或针对诊断目的和指定审查者的组合而建立的阈值时，提供重新扫描指示。

在又一个实施方案中，提供了一种存储可由成像系统的电路执行的指令的非暂态计算机可读介质。该指令包括：用于基于诊断目的或诊断目的和指定审查者的组合来评估由成像系统采集的成像序列的一个或多个图像的诊断效用的指令；以及在确定一个或多个图像不满足针对诊断目的或针对诊断目的和指定审查者的组合而建立的阈值时提供重新扫描指示的指令。

附图说明

当参考附图阅读以下

具体实施方式

时，将更好地理解本发明的这些和其他特征、方面和优点，附图中相同的符号在整个附图中表示相同的部分，其中：

图1示出了根据本公开的一个方面的磁共振成像(MRI)系统的实施方案；

图2描绘了常规扫描工作流程；

图3描绘了根据本公开的各方面的扫描工作流程；

图4描绘了根据本公开的各方面的卷积神经网络架构；

图5示出了根据本公开的各方面的记录Cohen’s kappa分数和评定者对图像的诊断效用达成一致的系列数量的矩阵，假设该系列被扫描以排除MS；并且

图6示出了根据本公开的各方面的记录Cohen’s kappa分数和评定者对图像的诊断效用达成一致的系列数量的矩阵，假设该系列被扫描以排除中风。

具体实施方式

下文将描述一个或多个具体实施方案。为了提供这些实施方案的简明描述，可能未在本说明书中描述实际实现的所有特征。应当理解，在任何此类实际实现的开发中，如在任何工程或设计项目中，必须做出许多特定于实现的决策以实现开发人员的特定目标，诸如遵守与系统相关和与业务相关的约束，这些约束可能因实现而异。此外，应当理解，此类开发努力可能是复杂且耗时的，但是对于受益于本公开的普通技术人员来说仍然是设计、建造和制造的常规任务。

当介绍本实施方案的各种实施方案的元件时，冠词“一”、“一个”、“该”和“所述”旨在表示存在一个或多个元件。术语“包含”、“包括”和“具有”旨在是包含性的，并且意味着可能存在除所列元件之外的其他元件。此外，以下讨论中的任何数值示例旨在是非限制性的，因此附加的数值、范围和百分比在所公开的实施方案的范围内。

磁共振成像(MRI)的高分辨率和多面性对比使其成为诊断神经障碍的合适选择。在采集图像的诊断集或系列的情况下，当扫描技术人员判定相应系列的一个或多个图像的诊断效用由于诸如患者运动、金属伪影、视场定位不正确、硬件故障等原因而不足以进行预期诊断时，通常重复成像系列。尽管较少记录但也存在相反的问题，即技术人员评估图像的诊断效用足以达到预期诊断目的，患者被送回家，然后由于放射科医师无法使用所采集的图像进行诊断而被召回进行重新扫描。通过确保只重复需要重复的系列并且在采集诊断效用不足的图像后没有人被送回家，正确调整或优化重新扫描的数量对于优化保健系统的效率非常重要。然而，这个问题并不容易解决，因为最终决定图像的诊断效用是否足够的是读取放射科医师，而在成像时做出重新扫描决定的是扫描技术人员。读取放射科医师通常不会在图像采集时(即，在检查完成之前)对图像的诊断效用提出建议。另外，放射科医师在评估诊断效用或诊断疾病时可能会表达不同的意见。也就是说，给定图像可能对一个医生而言具有足够的诊断效用，但对另一个医生而言则具有不足的诊断效用。请注意，在正确调整重新扫描的数量时，意味着仅针对信息有缺失或者所采集的图像没有足够的图像质量或诊断效用来提供准确的临床诊断的有效临床目的来执行重新扫描。

根据本公开，提供了一种用于简化与图像采集相关联的扫描仪工作流程的方法。在一个方面，可基于来自医生的扫描命令或扫描命令结合患者(电子)病历的组合来自动决定成像方案。在常规工作流程中，确定成像方案可能是一个耗时的过程，在该过程中，随时待命的放射科医师决定待扫描的每个检查的成像方案。另外，在一个具体实施中，当检查开始并且成像系统的操作者(例如，技术人员)扫描每个图像系列时，自动化过程确定所采集图像的诊断效用是否足以诊断患者被转诊进行扫描的疑似疾病。由于不同的放射科医师对图像缺陷和/或伪影有不同的要求，因此考虑到扫描患者的原因(即，诊断目的)，但是没有关于谁将读取检查的信息，可一般地进行该评估。举例来说，这种诊断目的可对应于正在被评估的患者的疾病状态或者解剖或生理状况。另选地，关于读取放射科医师对于相应扫描的人的信息可以用于减少重新扫描和召回，同时仍然为医生提供用于进行诊断的足够信息。如果图像的诊断效用足以用于给定指示，则检查将按照初始成像方案进行，例如可向操作者提供进行下一个序列的指示(即，继续指示)。如果认为图像的诊断效用不足，则可识别任何伪影源，并且可向技术人员提供重复成像序列的指示(即，重新扫描指示)，在一些具体实施中包括对用于解决伪影的另选成像方案的建议。以举例的方式，这种另选成像方案可产生相当的图像对比度，但是对在先前扫描中识别的伪影源(例如，患者运动、金属伪影、视场定位不正确、硬件故障、低SNR等)不那么敏感。

考虑到上述情况，在某些具体实施中，本公开提供了能够近实时地评估图像的诊断效用(不管对比度、解剖结构或取向如何)的基于规则或基于深度学***的图像中不同放射科医师的诊断效用评级存在很大分歧，但是在支持本公开内容的研究中确定算法与每个医生之间的一致性可以显著高于(如Cohen’s kappa证明)多个放射科医师在评定相同图像集时的一致性。相应地，在扫描仪上自动实现这种算法有效地模拟医生自己对图像进行实时评级，并减少不需要的重新扫描和召回的数量。因此，如本文所讨论，图像的诊断效用不是绝对量度，而是取决于读取放射科医师和扫描指示(即，扫描的诊断目的)。因此，根据评级医生和扫描指示来调节阈值(即，成像体积被认为是良好的概率)可以使得减少重新扫描和召回的数量。根据这种方法，可以类似于当前提供处方医生信息的方式将这两个变量提供给扫描仪控制台。

尽管本文讨论了MRI示例，但是应当理解，可以使用不同类型的图像数据集类似地实现本发明，包括使用其他MRI成像方案以及/或者其他成像模态类型和方案(包括计算机断层显像(CT)、断层合成、***X线照相术、超声、正电子发射断层显像(PET)、单光子发射计算机断层显像(SPECT)等)采集的数据集。因此，本公开不限于MRI扫描工作流程或图像，而是也可关于其他图像模态来实现。

本文所述的工作流可由成像系统(例如，磁共振成像(MRI)系统)执行，其中由技术人员管理特定成像例程(例如，扩散MRI序列)。因此，成像系统可在技术人员的指导下执行数据采集和数据/图像重建。因此，为了提供关于本发明的MRI示例的背景，图1中描述了MRI系统10。可以理解，其他成像模态可具有对应的功能部件和模块，诸如检测部件、命令和控制电路、数据采集部件、数据处理和可视化部件等。通过这种通用成像系统的示例示意性地示出了磁共振成像系统10，并且将其描绘为包括扫描仪12、扫描仪控制电路14和系统控制电路16。根据本文所述的实施方案，MRI系统10通常被配置为执行MR成像。

系统10还包括远程访问和存储系统或设备(诸如图像归档和通信系统(PACS)18)或其他设备(诸如远程放射设备)，使得可现场访问或非现场访问系统10采集的数据。以这种方式，可诸如由医生采集MR数据，然后进行现场或非现场处理和评估，如本文所讨论。虽然MRI系统10可包括任何合适的扫描仪或检测器，但在例示的实施方案中，系统10包括具有壳体20的全身扫描仪12，穿过该壳体形成有孔口22。桌24可移动到孔口22中以允许患者26定位在其中，以对患者体内的所选择的解剖结构进行成像。

扫描仪12包括用于产生受控磁场的一系列相关的线圈，该磁场用于激励被成像的对象的解剖结构内的旋磁材料。具体地，提供了主磁体线圈28用于生成通常与孔口22对准的主磁场B0。一系列梯度线圈30、32和34允许生成受控的磁梯度场，用于在检查序列期间对患者26体内的特定旋磁核进行位置编码。射频(RF)线圈36被配置为生成射频脉冲，用于激发患者体内的特定旋磁核。除了归属于扫描仪12的线圈之外，系统10还包括被配置为放置(例如，抵靠)在患者26近侧的一组接收线圈38(例如，线圈阵列)。例如，接收线圈38可包括颈/胸/腰(CTL)线圈、头部线圈、单侧脊柱线圈等。一般来讲，接收线圈38被放置成靠近或位于患者26的顶部，以便接收由患者26体内的某些旋磁核在其回到松弛状态时生成的弱RF信号(相对于由扫描仪线圈生成的发射脉冲较弱)。

系统10的各种线圈由外部电路控制，以生成所需的场和脉冲，并以受控的方式从旋磁材料读取发射。在例示的实施方案中，主功率源40向初级场线圈28提供功率。驱动电路42提供功率以脉冲梯度场线圈30、32和34。这种电路可包括用于向线圈提供电流的放大和控制电路，该电流由扫描仪控制电路14输出的数字化脉冲序列限定，在一个实施方案中，该描仪控制电路可以是扩散成像模块。提供另一个控制电路44用于调节RF线圈36的操作。电路44包括用于在有源和无源操作模式之间交替的开关装置，其中RF线圈36分别发射和不发射信号。电路44还包括被配置为生成RF脉冲的放大电路。相似地，接收线圈38连接到开关46，该开关能够在接收和非接收模式之间切换接收线圈38。因此，接收线圈38在接收模式下与从患者26内松弛旋磁核产生的RF信号谐振，并且它们不与来自发射线圈(即线圈36)的RF能量共振，以便防止非接收模式下不期望的操作。另外，接收电路48被配置为接收由接收线圈38检测到的数据，并且可包括一个或多个复用和/或放大电路。

应当指出的是，虽然上文所述的扫描仪12和控制/放大电路被示出为通过单线耦接，但是在实际实例中可能出现许多此类线。例如，单线可用于进行控制、数据通信等。此外，可沿每种类型的线设置合适的硬件，以正确处理数据。实际上，可在扫描仪与扫描仪和系统控制电路14、16中的任一者或两者之间设置各种滤波器、数字化仪和处理器。通过非限制性示例，下面详细描述的某些控制和分析电路虽然被示为单个单元，但包括附加硬件，诸如被配置为执行数据处理的图像重建硬件。

如图所示，扫描仪控制电路14包括接口电路50，该接口电路输出用于驱动梯度场线圈和RF线圈的信号，并用于接收表示在检查序列中产生的磁共振信号的数据。接口电路50耦接到控制和分析电路52。控制和分析电路52基于经由系统控制电路16选择的限定成像方案来执行用于驱动电路42和电路44的命令。控制和分析电路52还用于接收磁共振信号并在将数据传输到系统控制电路16之前执行后续处理。扫描仪控制电路14还包括在操作期间存储配置参数、脉冲序列描述、检查结果等的一个或多个存储器电路54。举例来说，代码或例程可存储在存储器电路54中并由控制电路14执行，作为实现本公开的各方面的一部分。

接口电路56耦接到控制和分析电路52，用于在扫描仪控制电路14和系统控制电路16之间交换数据。在某些实施方案中，控制和分析电路52虽然被示出为单个单元，但可包括一个或多个硬件设备。系统控制电路16包括接口电路58，该接口电路从扫描仪控制电路14接收数据并将数据和命令传输回扫描仪控制电路14。接口电路58耦接到控制和分析电路60，该控制和分析电路可包括CPU或者可存在于多用途或专用计算机或工作站中的其他微处理器架构。控制和分析电路60耦接到存储器电路62以存储用于MRI系统10操作的程序代码并存储处理后的图像数据以用于稍后的重建、显示和传输。程序代码可执行一种或多种算法，这些算法在被处理器执行时被配置为执行所采集数据的重建，并且还可包括用于生成图像的算法。举例来说，代码或例程可存储在存储器电路62中并由控制和分析电路60执行，作为实现本公开的各方面的一部分。

可提供附加的接口电路64以用于与外部系统部件(诸如远程访问和存储设备18)交换图像数据、配置参数等。最后，系统控制和分析电路60可包括各种***设备，以便于操作员界面和产生重建图像的硬拷贝。在例示的实施方案中，这些***设备包括打印机66、监视器68和用户接口70，该用户接口包括诸如键盘或鼠标的设备。

应当指出的是，所描述的MRI系统仅作为示例提供。其他类型的MRI系统(例如，“开放式”MRI系统)以及其他成像模态可与本发明一起使用。

考虑到前述情况，在使用成像系统诸如上述MRI系统对患者进行成像的扫描仪工作流程的背景下可能出现以下问题。

(1)随时待命的放射科医师花费大量时间来针对每个个体患者确定待扫描的成像 方案(其由一系列成像采集组成)。通过将来自转诊医生的扫描命令作为输入并检查/参考患者的病历，放射科医师决定在每次检查中并且针对每个患者应当扫描哪个系列或类型的采集。

(2)当诊断效用足以用于诊断目的(例如，假阴性评估具有足够的图像质量)时，重 新扫描成像系列。如果图像中存在某种伪影，则执行扫描的技术人员必须根据检查的诊断目的或是否应当重复扫描或成像序列来决定诊断效用是否足以进行临床诊断。在许多情况下，技术人员选择重复其诊断效用实际上足以用于诊断目的的系列，从而不必要地延长了成像检查并产生了保健系统不必要的开支。

b3)当诊断效用不足以用于诊断目的(例如，假阳性评估具有足够的图像质量)时， 不重新扫描扫描。如上所述，如果图像中存在伪影，则技术人员可决定诊断效用足以用于诊断目的，并且决定在不重复给定成像系列的情况下继续检查。如果读取放射科医师后来决定诊断效用实际上是不足够的，则必须召回患者进行第二次成像扫描，从而延迟了诊断，给患者带来了很大不便，并且增加了检查的总费用(在质量被认为不足时重复系列所花费的时间比为该患者安排整个新检查所花的时间要少得多)。

(4)不选择容忍当前伪影源的成像方案。虽然在一些情况下，技术人员充分地决定应当重复系列，但他或她可用相同初始类型的成像序列或不能容忍存在于图像中的伪影源(诸如，运动伪影或金属伪影)的另选形式来重复扫描。

考虑到前述情况，本公开涉及一种适合与MRI或其他成像模态采集一起使用的简化扫描仪工作流程。在常规工作流程中，确定成像方案可能是一个耗时的过程，在该过程中，随时待命的放射科医师决定待扫描的每个检查的方案。在本公开的一个方面，替代地基于以下两项自动决定成像方案：(1)扫描命令或处方，或者(2)扫描命令结合患者(电子)病历。

在另一个方面，当检查开始并且技术人员扫描每个系列时，自动化过程确定图像的诊断效用是否足以诊断患者被转诊进行扫描的疑似疾病。由于不同的放射科医师对图像缺陷和/或伪影有不同的容忍度，因此考虑到扫描患者的原因(即，扫描命令)，但是没有关于谁将读取检查的信息，可一般地进行该评估。另选地，关于读取放射科医师对于相应扫描的人的信息可以用于减少重新扫描和召回，同时仍然为医生提供用于进行诊断的足够信息。如果诊断效用在给定指示的成像系列中足够，则检查将按照初始成像方案进行。

在又一个方面，如果认为诊断效用不足，则将识别伪影源，并且可向技术人员提供用于解决伪影的另选成像方案的建议。以举例的方式，另选成像方案可提供相当的图像对比度，但是对在先前扫描中识别的伪影源(例如，运动、金属伪影、低SNR等)不那么敏感。在某些方面，可诸如使用基于规则或深度学习的方法来自动调节或参数化成像方案，以解决伪影。

因此，本公开的各方面可被理解为采用执行以下各项中的一个或多个的一些自动算法：(1)简化和/或自动化成像方案确定，从而减少或消除读取放射科医师花费来决定要扫描哪种系列的时间；(2)自动确定所采集图像的诊断效用是否足以用于给定扫描指示(例如，诊断目的)和/或读取放射科医师；以及/或者(3)自动建议另选成像方案或重新参数化对伪影源不那么敏感的现有成像方案。

考虑到这一点，图2描绘了常规成像扫描仪工作流程。根据该工作流程，将来自转诊医生的扫描指令90(例如，在所描绘的示例中筛选多发性硬化的指令或处方)提供给放射科医师(例如，随时待命的放射科医师)以确定(框92)限定要采集患者的一系列图像的成像方案(例如，扫描序列98)。放射科医师还可依赖于具有关于患者病史和/或特征的数据的病历(例如，电子病历94)来决定成像方案。在所描绘的常规方法中，技术人员主观确定100根据成像方案获得的图像是否具有足够的质量。在常规方法中，由技术人员做出的确定100可在很大程度上或完全独立于扫描命令90下面的诊断目的(即，基于所采集的图像进行的诊断)和/或将读取所采集图像的放射科医师。因此，可能会发生不必要的重新扫描和患者召回。如果技术人员确定所采集的图像质量不足，则在技术人员的自由裁量权下使用相同的成像方案或替换方案(诸如，解决图像中的伪影)来重复成像序列98(即，重新扫描)。如果技术人员确定所采集的图像具有足够的质量，则技术人员前进到下一图像序列102或结束扫描操作。

相反，图3描绘了采用上述算法中的一些或全部的成像扫描仪工作流程。如在常规方法中那样，可基于扫描命令90或扫描命令90和电子病历94的组合来启动该过程。与根据这些材料生成成像方案的随时待命的放射科医师相反，基于规则或训练的深度学习算法可接收这些材料作为输入并自动生成成像方案(例如，序列98)(表示为图3中的“自动协议”108)。如在常规方法中那样，技术人员可基于成像方案(即，序列98)来采集图像。与常规方法不同，在本发明的某些具体实施中，确定110是自动地(使用基于规则或深度学习的方法)确定根据成像方案获得的是否具有足够的质量。在这种实施方案中，并且与常规方法不同，确定110可基于扫描指示(即，扫描的诊断目的)和/或将要查看图像的放射科医师中的一者或两者进行。因此，可减少不必要的重新扫描和患者召回。如果自动算法确定所采集的图像质量不足，则在一个实施方案中，另一自动算法可确定用于诊断目的的图像质量不足的原因，并且可确定或建议改变成像方案进行重新扫描。以这种方式，增加了获得合适图像的可能性，诸如通过使用能够解决图像伪影源的扫描成像方案。相反，如果自动决定过程确定所采集的图像具有足够的质量，则技术人员前进到下一图像序列102或结束扫描操作。

考虑到前述情况和图3所示的流程，本公开的技术益处可被理解为包括以下各项中的一些：(1)减少了放射科医师可能花费来针对给定患者确定成像检查的成像方案的时间或从随时待命的放射科医师的待办事项列表中完全移除该任务；(2)减少了重新扫描和召回的数量(即，如果通过仅考虑扫描的诊断目的或与有关读取放射科医师的信息相结合的无偏见评估(例如，自动和/或算法评估)认为图像的诊断效用不足，则将仅重新扫描图像序列)，以及/或者(3)选择新的成像方案或修改当前成像方案以进行重新扫描，从而减轻在初始图像系列中识别的伪影。下文更详细地讨论了这三个方面。

关于成像方案的自动确定，在一个示例中，将医生扫描命令与患者病历一起转换为或以其他方式用于自动生成扫描(成像)方案。这可以使用一组确定性规则或通过机器学习算法以自动化方式完成。

关于用于重新扫描的成像方案调节或重新参数化，一旦通过上游算法认为图像的诊断效用不足，另一算法(例如，基于规则或基于机器学习的算法)就可建议对上述识别的伪影源不那么敏感的待扫描的另选系列。

关于决定图像或图像系列的诊断效用是否足以诊断某一状况，一般地或给定放射科医师可采用一种或多种算法作为该确定的一部分。如本文所讨论，给定图像或图像系列是否具有足够的诊断效用的答案将取决于扫描患者的指示(即，诊断目的)，并且在一些情况下，取决于读取放射科医师是谁。考虑到这一点，在本公开中，设想了两种单独的方法来评估诊断效用。在本文所述的某些实施方案中，提供二维图像作为输入并且提供图像良好的概率(即，P(好))(即，对于通用或特定读取医生而言具有诊断效用)作为输出。一旦为成像体积中的所有图像生成评级，就可以基于集体评级来相应地生成每体积的评级。在一个具体实施中，这可以通过每个单独切片的概率的算术平均值或几何平均值来获得。然后将每体积的评级与阈值进行比较，该阈值可以是扫描指示或者扫描指示和读取放射科医师的函数。例如，不同切片的评级显著变化的体积通常被评为不良。利用针对基础算法的足够训练数据，可实现将体积数据集(或体积数据集的部分)用作输入而不是单个二维切片的方法。

关于两种设想的方法，在第一种基于算法的方法中，从单个图像或从文件的标头提取确定性特征。这可以包括但不限于表征信号、噪声、图像焦点、边缘、纹理等的图像特征。在MRI背景中，来自文件的标头的特征(包括对比度类型(T1/T2)、回声时间(TE)、重复时间(TR)、场强等)也可以包括在内。支持向量机(SVM)执行分类，从而输出图像良好的概率(P(良好))。在本文所讨论的实施方案中，该算法将被称为SVM。

在第二种算法方法中，卷积神经网络(CNN)使用相同的单个切片图像用于特征提取，然后是完全连接的神经网络用于分类。在下文所讨论的实施方案中，该算法将被称为深度学习(DL)。

考虑到前述情况，进行了一项研究来评估目前设想的深度学习方法。该研究使用来自在三个1.5T扫描仪上扫描的患者的连续脑数据形式的回顾性数据来训练深度学习算法，如本文所述。通过停止累积无重复检查，然后仅包括重复的随后系列，有意地在包含至少一个重复系列的检查中丰富数据。最初在研究中接受由于任何原因重复的成像系列。结果发现重新扫描脑系列的主要原因是患者运动(约95％)。重复序列的其余部分是由于低信噪比(SNR)或金属伪影引起的。由于这种自然数据隔离，在CNN训练和测试中仅包括运动损坏的数据集。所有取向(矢状、轴向和冠状)、所有对比类型(质子密度，T1、T2、T2*和FLAIR)和所有病理的解剖图像都包括在内。扩散加权图像不包括在内。由于在移动患者中出现固有的相位条纹图案，因此检测这类图像中的运动相当简单。

最初由一位读取者评定数据，其将图像分为三类：1(临床良好(CG))，2(可疑)和3(临床不良(CB))。将“可疑”数据(初始评级为2类)发送给另一位放射科医师，其将图像***为CG(无重复)和CB(重复)类别。还向第二放射科医师提供扫描指示(例如，多发性硬化(MS))。图像覆盖了所有扫描平面、年龄和病理。总体而言，属于临床上良好组的9554个图像和属于临床上不良组的7783个图像用于训练深度学习算法。这种2层评级的目的是为了预留富含可疑数据集(即类别2)的数据集，以便测试和进一步的MRI技术人员/放射科医师评级，因为对这些类型的数据集做出正确的重新扫描决定是特别令人感兴趣的。

相对于在该研究中测试的基于的深度学习的分类，在图4中描绘了整个基于深度学习的工作流程。在该示例中，对具有Tensorflow后端的2D分类模型进行训练以将MRI切片分类为良好(即，分类良好(CG))或不良(即，分类不良(CB))。图4中示出了卷积神经网络(CNN)的架构。在所描述的示例中，深度学习架构具有七个卷积层110、四个最大池化层112和三个批量归一化层114，但是可另选地采用其他层配置和数量。标记为max_pooling_7和flatten_1的层之间的点表示包含第7个2D卷积层、第7个批量标准化层和第8个max_pooling层的另一个框。

激活函数是一种非线性指数线性单元，有助于从数据中学***”层120，其将特征张量从卷积层转换为1-D张量。“tanh”激活122之后是完全连接的层和“softmax”输出124。完全连接的层进一步有助于学***均值(系列))/标准偏差(系列)。

如本示例中所示的深度学***均值(其中P1,P2,…Pn是切片1,2,…n的预测)。最后，如果P(系列)大于或等于给定阈值t，则将系列评定为CG，并且如果P(系列)小于同一阈值t，则将系列评定为CB。

在初始数据集中，预留了未包括在训练中的49个系列(所有取向、对比类型和病理的1344个图像)用于深度学***的图像组成：在49系列中，5个最初被评定为不良，6个最初被评定为良好，38个系列最初被评定为可疑。假设患者被扫描为：a)排除中风和b)排除多发性硬化(MS)，要求所有九名调查参与者将图像评为CG(无需重新扫描)或CB(需要重新扫描)。中风是通常需要较低图像质量的指示，而MS是需要较高图像质量的指示。

据观察，医生将明显比技术人员更频繁(医生：36％，技术人员：11％)根据扫描的目的改变他们对一个或多个图像的诊断效用评级。下表1描绘了基于指示(中风与MS)而不同的评级的百分比，其中D1-D5表示医生，T1-T4表示技术人员。因此，扫描命令或来自命令的关键字(即，扫描的诊断目的)可用作算法的输入以便生成有意义的评级。也就是说，在没有扫描指示或诊断目的的情况下，足够或不足的诊断效用的概念可能没有意义。

表1

第二个发现是，医生之间以及医生和技术人员之间关于给定系列具有足够还是不足的诊断效用达成一致相对有限。下表2中呈现了在发送出去的49个数据集中发现的质量不足系列数量的汇总。其呈现了技术人员/放射科医师的调查结果。在该表中，根据扫描指示、读取放射科医师(D1-D5)和扫描技术人员(T1-T4)示出了被视为图像质量不足以用于诊断的(即，需要重新扫描)的系列数量。

表2

应当指出的是，如果没有自动算法决定诊断效用是否足够，那么会有大量的重新扫描和召回。例如，如果技术人员T2正在扫描患者的中风指示，其扫描将由医生D1读取，则他或她将重新扫描26(＝28-2)个不需要的系列。另选地，如果技术人员T3正在扫描患者的多发性硬化(MS)指示，其扫描将由医生D2读取，则他或她将送回家需要重复系列的23名患者(＝35-12)，从而导致23次不需要的召回。

关于表2，可进行或重复某些观察。首先，医生对伪影的容忍度不同。D1(并且在某种程度上为D3)通常需要比D2、D4和D5更低的图像主观图像质量来执行诊断。在多年的经验方面，伪影容忍/无法容忍的医生与其他医生没有统计学上的差异。其次，放射科医师根据扫描指示(即，扫描的诊断目的)具有图像诊断效用的精细视图。他们在36％的受访病例中根据扫描指示(中风或MS)改变其诊断效用评级。相反，MRI技术人员仅在11％的病例中改变他们的评估。第三，根据谁扫描检查以及谁读取检查，可能会有大量不需要的重新扫描或召回。例如，假设对患者进行筛查以排除中风，并且T2正在扫描读取放射科医师D1、26(＝28-2)，将执行不需要的重新扫描(在49个扫描系列中)。相反，如果对49名患者进行筛查以排除MS，并且如果技术人员T3正在扫描读取放射科医师D2、23(＝35-12)，则患者(49名中)将因为图像质量不足而被送回家。

鉴于表2中所示的调查所证明的评级可变性，医生似乎对图像伪影的容忍程度有所不同。因此，在深度学***均值)以决定给定体积的DU评级。在图5中示出了该比较的结果。

图5的表通过显示Cohen’s kappa汇总了放射科医师之间、放射科医师和MRI技术人员之间以及训练的深度学习算法和放射科医师之间的一致性，假设对患者进行筛查以排除MS。对于医生一致性之间，括号中的数字是评定者达成一致的系列总数(49个中)。对于医生和技术人员或者医生与DL之间的一致性，括号中的数字表示重新扫描/召回/一致数量。这里，重新扫描表示被医生称为良好而被另一个人(技术人员或DL)称为不良的系列。召回表示被医生称为不良而被另一个评定者称为良好的系列。重新扫描、召回和一致数量的总和始终等于49。这里，D1-D5和T1-T4表示与表2中相同的个体，D0是初始医生，其评级用于深度学习算法训练。前六行中的加星标值表示读取者之间的一致性不是偶然的情况；底行的加星标值指示与达成一致的较高kappa和系列数量在统计学上高于对应于不同放射科医师之间的一致性(p<0.05)。

关于该表，可进行或重复某些观察。首先，在富含具有一定程度伪影的数据集的该样本中，医生之间存在着较大的分歧。平均而言，放射科医师仅就34/49评级达成一致，其中平均Cohen’s kappa仅为0.41。至少，D1和D2仅就25/49评级达成一致。最多，两名医生就44/49检查达成一致(D0和D4)。其次，放射科医师之间以及放射科医师与MRI技术人员之间在评定诊断效用方面的一致性在统计学上相当。第三，对于其评级用于训练深度学习算法的医生(D0)，阈值为0.5使得分类性能最佳，如预期那样。如果为所有评级医生选择单个阈值，则相同的P(良好)＝0.5总体上效果最佳。

第四，个性化阈值使得深度学习分类算法与每个放射科医师之间一致性最佳(图5的表中的阴影单元)。例如，对于较宽松的医生(D1和D3，表2中的表的MS线)，用于定义图像具有足够质量的低阈值P(良好)＝0.1效果最佳；对于其他人，高阈值0.5-0.8将使得深度学习算法与其评级之间的一致性最高。在具有个性化阈值的情况下，放射科医师与深度学习评级之间的一致性在统计学上优于放射科医师之间的一致性(底行)。使用这种自动评级程序模拟读取者自己决定重新扫描，从而使技术人员不一样。这种个性化阈值可在实践中实施。例如，一旦在医院中部署这种自动评级算法，就可要求医院的每个放射科医师对单批数据集进行评级。将针对一系列阈值确定深度学习算法与个体医生之间的一致性。然后可将使得深度学习-个体放射科医师一致性最佳、定义给定医生对给定扫描指示的伪影容忍度的阈值保存为该特定医生将要审查的所有未来检查的参考。

转到图6中所示的表，相同的深度学习网络在未经过进一步培训的情况下被用于对相同49个系列进行分类。然而，在这种情况下，假设对患者进行扫描以排除中风。虽然在当前的具体实施中，深度学习算法输出的概率与扫描指示无关，但认为调节成像体积的阈值以使其被评定为良好可以补偿为排除中风而执行的扫描所需的通常较低的图像诊断效用。由于一些读取者已经在MS扫描指示的P(良好)＝0.1时达到其最佳阈值，因此探索了较低的阈值(P(良好)＝{0.5、0.1、5e-4和1e-6})。图6的表汇总了该调查的结果。其初始评级用于训练深度学习算法的医生D0现在不存在，因为没有获得对该读取者而言为“中风”的评级。前五行中的加星标值表示读取者之间的一致性不是偶然的情况。

关于该表，可进行或重复某些观察。首先，在医生之间就要求用于排除中风的成像量好坏一般达成较高一致(kappa从MS扫描指征的0.41增加到中风的0.5)。其次，虽然MRI技术人员与放射科医师之间的一致性在统计学上仍然与放射科医师之间的一致性相当(平均而言)，但是观察到一名技术人员(T2)将引起比需要显著更多的重新扫描。第三，如果相同阈值t＝0.5用于将中风指示的足够的诊断效用图像与不足的诊断效用图像分开，则将在深度学习与医生的诊断效用评级(Cohen’s kappa＝0.25)之间获得较差的一致性。单个最佳阈值P(良好)＝1e-6的，与用于排除中风的图像所需的较低诊断效用一致，将更好地分离体积(Cohen’s kappa＝0.47)。第四，与以前一样，根据个体医生的需要，按照医生阈值个性化将使体积分层最佳。对中风指示较宽松的医生(表2中中风行的D1和D5)需要深度学习输出中的最低阈值设置以最大化一致性，而较高阈值(P(良好)＝5e-4)将导使得较严格的医生(D2、D3、D4)的一致性更好。第五，在具有个性化阈值的情况下，深度学习算法与医生以及MRI技术人员之间的一致性虽然较高，但并未超过统计显著性。然而，使用这种自动算法来进行诊断效用确定将阻止诸如T2的技术人员扫描比任何读取医生所要求的多十五个系列。

在下表3中进一步汇总了MS背景中的上述发现。具体地讲，在表3中列出了Cohenkappa分数(确定不同评定者之间的一致性)以及读取者达成一致的系列平均数。

表3

请注意，在使用自动DL算法(从底部第3行)时获得统计学上更高的一致性，同时使阈值适应每个医生的需要(即，个性化阈值)，而不是将图像简单地给予不同的读取放射科医师。该示例中的个体化阈值等同于为每个医生分配个性化P(良好)阈值。例如，表2中要求较低的医生D1和D3被分配阈值P(良好)＝0.1，而要求较高的医生D3被分配阈值P(良好)＝0.8。一旦将该算法部署在特定医院中，就需要一次校准放射科医师特定的阈值：每个医生将被给予许多系列，类似于这里用于验证的49系列数据集。根据医生对这些系列的评级，将为他或她分配阈值，该阈值确保针对该特定医生重复最佳系列数。

请注意，单个医生、单个指示评级可能不足以用于训练旨在为不同扫描指示评分图像的机器学***可以生成针对每个医生定制的输出。然而，单条件训练可能不足以进行多条件评定。

考虑到这一点，可以针对多个扫描指示训练初始算法。这可以通过将这些评级作为特定信道输入，通过具有针对一个扫描指示进行训练的特定网络或者具有针对多个指示进行训练的单个网络来完成。对于实际具体实施，用于扫描的所有临床指示都可以在3-4诊断效用评级中分开。例如：(1)需要最低诊断效用的指示可能是中风和出血；(2)中间指示可包括MS；以及(3)需要最高指示的指示可能包括筛查癫痫或脑转移。在这种方法中，所有传入的扫描指示都将被划分为这些特定类别，然后被发送到专门针对给定类别进行培训的网络。

考虑到前述情况，确定一个或多个图像的诊断效用是否足够是读取医生和扫描指示(例如，诊断目的)的函数。在医院中实现该算法之前，可以给予每位读取医生一系列审查。根据他或她对它们的评级，该算法可以确定阈值，该阈值将针对每个医生和每个扫描指示将足够的诊断效用图像与不足的诊断效用图像分开。然后，对于所有随后的扫描都将保持相同的阈值，这些扫描将由同一医生针对相同扫描指示进行评级。另选地，可以实现持续学习：对于每个待审查的扫描，该算法将执行评级，并且医生将有权同意或不同意该评级。然后，医生评估其诊断效用的数据集的附加传入流将用于进一步训练和细化分类算法，以提高分类性能。

该书面描述使用示例来公开本发明，包括最佳模式，并且还使本领域技术人员能够实践本发明，包括制造和使用任何设备或系统以及执行任何包含的方法。本发明可取得专利权的范围由权利要求限定，并且可包括本领域技术人员想到的其他示例。如果这些其他示例具有与权利要求的字面语言没有不同的结构元件，或者如果它们包括与权利要求的字面语言无实质差别的等效结构元件，则这些其他示例旨在处于权利要求的范围内。