基于机器学习来确定ct扫描参数
1.本技术要求2021年4月29日提交的ep 21171208.8的权益，其全部内容通过引用并入于此。
技术领域
2.本公开的各种示例涉及确定/调整用于执行ct扫描的计算机断层摄影（ct）扫描参数。本公开的各种示例特别地涉及通过第一和第二机器学习算法而基于光学成像数据来确定与患者的解剖目标区域相关联的衰减曲线的初始集合、以及基于衰减曲线的初始集合来确定ct扫描参数的初始集合。
背景技术：3.最近的技术进步已经极大地增强了ct的临床应用。虽然在大多数患者中，ct的益处超过了辐射暴露的有害影响，但是已经引起对ct程序的增加使用的剂量以及对人群的随机影响的关注。若干研究已经发现：为了维持恒定的图像噪声，ct剂量随着患者身体大小近似指数地增加。因此，确定患者身体大小在对ct辐射剂量的正确管理方面起着重要作用。
4.一种用于估计患者身体大小、与患者身体相关的x射线衰减性质等的方法是使用ct扫描之前获取的定位像（topogram）。图1示意性地图示了来自肺部ct检查的示例性定位像。定位像（也称为侦察图（scout）、界限图（purview）或扫描图（scanograms））是在ct中使用的扫描投影射线照相（radiographic）图像，以规定扫描范围1101、位于扫描范围1101中的解剖目标区域（例如，肺）的x射线衰减性质等。正交视图定位像1102和1103是关于患者1104在前方-后方和在横向上获取的，并且因此分别被称为ap 1102和横向1103定位像。可以从定位像1102和1103中导出患者1104的解剖目标区域的个体x射线衰减性质，诸如描绘了沿着穿过扫描范围的线（例如，1107-a、1107-b、1107-c）的解剖结构的x射线衰减性质的衰减曲线集合（例如，对应于线1107-a的1105-a）。因此，可以基于个体x射线衰减性质来确定/调整ct扫描参数、尤其是与辐射剂量相关的参数（诸如，x射线管1106的管电流和管电位/电压）。
5.然而，这种技术面临某些限制和缺陷。例如，获取定位像会使患者暴露于辐射。获取定位像通常是耗时的。
技术实现要素：6.因此，存在对减轻或克服上面标识的缺陷或限制的先进技术的需要。存在对确定ct扫描参数的先进技术的需要。
7.当前实施例的特征满足了这个需要。
8.在下文中，将描述确定和/或调整用于执行ct扫描的ct扫描参数的技术。可以通过第一和第二机器学习算法而基于描绘患者的光学成像数据来确定与患者的解剖目标区域相关联的衰减曲线的初始集合，并且然后可以基于衰减曲线的初始集合来确定ct扫描参数的初始集合。
9.提供了一种计算机实现的方法。该方法用来确定用于执行患者的解剖目标区域的ct扫描的计算机断层摄影（ct）扫描参数。该方法包括：基于描绘患者的光学成像数据来确定衰减曲线的初始集合。衰减曲线的初始集合与患者的解剖目标区域相关联。该方法进一步包括基于衰减曲线的初始集合来确定ct扫描参数的初始集合，并且以ct扫描参数的初始集合开始来执行ct扫描。
10.提供了一种包括程序代码的计算机程序、计算机程序产品或非暂时性计算机可读存储介质。程序代码可以由至少一个处理器来加载和执行。在加载和执行程序代码时，该至少一个处理器执行一种方法。该方法用来确定用于执行患者的解剖目标区域的ct扫描的计算机断层摄影（ct）扫描参数。该方法包括基于描绘患者的光学成像数据来确定衰减曲线的初始集合。衰减曲线的初始集合与患者的解剖目标区域相关联。该方法进一步包括基于衰减曲线的初始集合来确定ct扫描参数的初始集合，并且以ct扫描参数的初始集合开始来执行ct扫描。
11.提供了一种计算机实现的方法。该方法用来执行第一机器学习算法的第一训练。第一机器学习算法被配置成确定用于执行解剖目标区域的ct扫描的计算机断层摄影（ct）扫描参数。该方法包括通过第一机器学习算法并且基于描绘患者的训练光学成像数据的多个实例来生成至少一个本征向量（latent vector）。该至少一个本征向量表示训练光学成像数据的多个实例。该方法进一步包括通过第二经训练的机器学习算法、基于所生成的至少一个本征向量和描绘了患者的解剖目标区域的ct成像数据的至少一个实例来生成与患者的解剖目标区域相关联的所预测的衰减曲线的集合。该方法进一步包括基于所预测的衰减曲线的集合与ct成像数据的该至少一个实例的对应衰减曲线之间的比较来更新第一机器学习算法的参数值。
12.提供了一种包括程序代码的计算机程序、计算机程序产品或非暂时性计算机可读存储介质。程序代码可以由至少一个处理器加载和执行。在加载和执行程序代码时，该至少一个处理器执行一种方法。该方法用来执行第一机器学习算法的第一训练。第一机器学习算法被配置成确定用于执行解剖目标区域的ct扫描的计算机断层摄影（ct）扫描参数。该方法包括通过第一机器学习算法并且基于描绘患者的训练光学成像数据的多个实例来生成至少一个本征向量。该至少一个本征向量表示训练光学成像数据的多个实例。该方法进一步包括通过第二经训练的机器学习算法、基于所生成的至少一个本征向量和描绘了患者的解剖目标区域的ct成像数据的至少一个实例来生成与患者的解剖目标区域相关联的所预测的衰减曲线的集合。该方法进一步包括基于所预测的衰减曲线的集合与ct成像数据的该至少一个实例的对应衰减曲线之间的比较来更新第一机器学习算法的参数值。
13.提供了一种计算机实现的方法。该方法用来执行第二机器学习算法的第二训练。第二机器学习算法被配置成确定用于执行解剖目标区域的ct扫描的计算机断层摄影（ct）扫描参数。该方法包括随机生成至少一个本征向量的值。该方法进一步包括获得描绘了患者的解剖目标区域的ct成像数据的至少一个实例。该方法进一步包括将第二机器学习算法应用于所生成的至少一个本征向量以及ct成像数据的该至少一个实例。该方法进一步包括生成与患者的解剖目标区域相关联的所预测的衰减曲线的集合。该方法进一步包括基于所预测的衰减曲线的集合与ct成像数据的该至少一个实例的对应衰减曲线之间的比较来联合地更新第二机器学习算法的参数值和该至少一个本征向量的值。
14.提供了一种包括程序代码的计算机程序、计算机程序产品或非暂时性计算机可读存储介质。程序代码可以由至少一个处理器加载和执行。在加载和执行程序代码时，该至少一个处理器执行一种方法。该方法用来执行第二机器学习算法的第二训练。第二机器学习算法被配置成确定用于执行解剖目标区域的ct扫描的计算机断层摄影（ct）扫描参数。该方法包括随机生成至少一个本征向量的值。该方法进一步包括获得描绘了患者的解剖目标区域的ct成像数据的至少一个实例。该方法进一步包括将第二机器学习算法应用于所生成的至少一个本征向量以及ct成像数据的该至少一个实例。该方法进一步包括生成与患者的解剖目标区域相关联的所预测的衰减曲线的集合。该方法进一步包括基于所预测的衰减曲线的集合与ct成像数据的该至少一个实例的对应衰减曲线之间的比较来联合地更新第二机器学习算法的参数值和至少一个本征向量的值。
15.提供了一种包括至少一个处理器和至少一个存储器的系统。该至少一个处理器被配置成从该至少一个存储器加载程序代码并且执行程序代码。在执行程序代码时，该至少一个处理器被配置成训练第一和第二机器学习算法。第一和第二机器学习算法被配置成确定用于执行解剖目标区域的ct扫描的计算机断层摄影（ct）扫描参数。训练第二机器学习算法。该处理器被配置成将第二机器学习算法应用于至少一个本征向量的随机生成的值和ct成像数据的至少一个实例。该处理器进一步被配置成生成与患者的解剖目标区域相关联的所预测的衰减曲线的集合。该处理器进一步被配置成基于所预测的衰减曲线的集合与ct成像数据的该至少一个实例的对应衰减曲线之间的比较来联合地更新第二机器学习算法的参数值和该至少一个本征向量的值。该处理器被配置成训练第一机器学习算法。该处理器被配置成通过第一机器学习算法并且基于描绘患者的训练光学成像数据的多个实例来生成至少一个本征向量。该至少一个本征向量表示训练光学成像数据的多个实例。该处理器被配置成通过第二经训练的机器学习算法、基于所生成的至少一个本征向量和描绘了患者的解剖目标区域的ct成像数据的至少一个实例来生成与患者的解剖目标区域相关联的所预测的衰减曲线的集合。该处理器被配置成基于所预测的衰减曲线的集合与ct成像数据的该至少一个实例的对应衰减曲线之间的比较来更新第一机器学习算法的参数值。
16.提供了一种计算机断层摄影（ct）扫描器。该ct扫描器包括至少一个光学成像设备。该至少一个光学成像设备（相机）被配置成捕获描绘患者的光学成像数据。ct扫描器进一步包括计算单元（计算机或处理器）。计算单元被配置成确定用于执行患者的解剖目标区域的ct扫描的计算机断层摄影（ct）扫描参数。计算单元被配置成基于描绘了患者的至少一个光学成像数据来确定衰减曲线的初始集合。衰减曲线的初始集合与患者的解剖目标区域相关联。计算机被配置成基于衰减曲线的初始集合来确定ct扫描参数的初始集合，并且以ct扫描参数的初始集合开始来执行ct扫描。
17.要理解的是，在不脱离本发明的范围的情况下，上面提到的特征和下面还将要解释的那些不仅可以用在所指示的相应组合中，而且还可以用在其他组合中或单独地使用。
附图说明
18.图1示意性地图示了来自肺部ct检查的示例性定位像。
19.图2示意性地图示了ct扫描器的示例性几何形状。
20.图3示意性地图示了关于根据各种示例的系统的细节。
21.图4是根据各种示例的方法的流程图。
22.图5是根据各种示例的方法的流程图。
23.图6示意性地图示了与z轴正交的ct图像的示例性切片。
24.图7是根据各种示例的方法的流程图。
25.图8是根据各种示例的方法的流程图。
26.图9是根据各种示例的方法的流程图。
27.图10是根据各种示例的系统的框图。
具体实施方式
28.本公开的一些示例通常提供多个电路或其他电气设备。对电路和其他电气设备以及由每个提供的功能的所有引用并不意图被限制到仅涵盖本文中说明和描述的事物。虽然可以将特定的标签指派给所公开的各种电路或其他电气设备，但是这样的标签并不意图限制电路和其他电气设备的操作范围。此类电路和其他电气设备可以基于期望的电气实现方式的特定类型以任何方式彼此组合和/或分离。要认识到的是，本文中公开的任何电路或其他电气设备可以包括任何数目的微控制器、图形处理器单元（gpu）、集成电路、存储器设备（例如，闪存、随机存取存储器（ram）、只读存储器（rom）、电可编程只读存储器（eprom）、电可擦除可编程只读存储器（eeprom）或其其他合适的变型）、以及彼此协作以执行本文中公开的（多个）操作的软件。此外，电气设备中的任何一个或多个可以被配置成执行包含在非暂时性计算机可读介质中的程序代码，该程序代码被编程来执行所公开的任何数目的功能。
29.下文中，将参考附图来详细地描述本发明的实施例。要理解的是，对实施例的以下描述不是以限制性的意义来进行的。本发明的范围并不意图由下文描述的实施例或由附图来限制，其仅仅被视为是说明性的。
30.附图要被视为示意性表示，并且附图中所图示的元件不一定按比例示出。更确切地说，各种元件被表示成使得它们的功能和一般目的对于本领域技术人员来说变得明显。在附图中示出或本文中描述的功能框、设备、部件或其他物理或功能单元之间的任何连接或耦合也可以通过间接连接或耦合来实现。部件之间的耦合也可以通过无线连接来建立。功能框可以用硬件、固件、软件或其组合来实现。
31.本文中公开的各种技术通常涉及确定用于执行ct扫描的ct扫描参数。例如，ct扫描参数可以从头开始确定，即在没有先验知识的情况下确定。通过调整预定义的ct扫描参数来确定ct扫描参数将是可能的。
32.根据各种示例，基于与患者的解剖目标区域相关联的衰减曲线来确定ct扫描参数。特别地，可以基于描绘患者的光学成像数据来确定衰减曲线的初始集合，并且由此也确定ct扫描参数的初始集合。替代地，可以通过使用机器学习技术而基于光学成像数据来直接地（即，在不依赖于中间动作中的衰减曲线的情况下）确定ct扫描参数或ct扫描参数的初始集合。
33.根据本公开，可以自动地确定或由放射科医师确定各种ct扫描参数。这可以帮助在设计或更改扫描方案时减少患者辐射剂量。如表1中所示，此类ct扫描参数可以包括扫描范围、检测器配置、管电流、管电流、患者定位、重构切片厚度或节距中的至少一个。
34.表1：各种ct扫描参数。
35.根据本公开，可以基于光学成像数据来确定以下衰减曲线中的至少一个。平均ap
衰减曲线，表示在前方后方（ap）正交投影上被求平均的平均身体密度；最大ap衰减曲线，表示在ap正交投影上被求平均的最大身体密度；以及最大横向衰减曲线，表示在横向正交投影上被求平均的最大身体密度。
36.作为一般规则，衰减曲线可以被视为1-d连续或离散信号，并且因此可以由向量来表示。衰减曲线集合可以由矩阵来表示。
37.根据本公开，解剖目标区域可以包括头部、肺、心脏、胸部、腹部、腿部、臂部等中的至少一个。
38.根据本公开，一个或多个非电离传感器可以用来获取描绘患者的光学成像数据。例如，将可能的是：用于确定ct扫描参数的方法包括控制一个或多个非电离传感器以获取光学成像数据。
39.根据各种示例，可以使用检测特定波长下的电磁波的传感器来获取光学成像数据。例如，电磁波可以具有在1800纳米到300纳米范围中的波长。相应的光子可能不会穿过患者的组织；因此，光学成像数据可以描绘患者的外表面。作为一般规则，主动或被动照明将是可能的。测距测量将是可能的。
40.非电离传感器可以用于获取光学成像数据；例如，飞行时间（tof）深度传感器（例如，microsoft kinect或asus xtio）、lidar相机（例如，英特尔realsense l515）或常规rgb相机。深度传感器可以是捕获投影到患者上的网格的一个或多个相机。多个相机可以在不传输构造光的情况下从多个图像来重构外表面。
41.通过使用光学成像数据，在不将患者暴露于电离辐射的情况下进行快速成像变得可能。可以快速且可靠地确定衰减曲线。
42.光学传感器可以指向患者。传感器可以从一个或多个视角捕获患者的外表面。可以获取多视角光学成像数据。可以捕获外表面的任何部分，诸如在一侧上从头到脚和从手到手的整个患者，或仅躯干。
43.外表面可以是患者的皮肤。可选地或替代地，外表面可以包括衣服。传感器可以使用通过衣服并检测皮肤表面的频率。
44.外表面可以被捕获为从传感器到患者上的不同位置的深度，诸如包括患者的外部的图像或照片的光学成像数据、或其两者。传感器可以输出包括图像和/或深度的光学成像数据。替代地，光学成像数据可以被处理以确定患者的外表面，诸如利用图像处理从不同角度从相机图像立体地确定外表面，并且由此可以确定外表面的测量。
45.外表面的测量可以用来确定拟合到深度的统计形状模型。统计形状模型可以是人类或人类部分的外部的平均或其他统计表示的网格或其他表示。统计形状模型可以包括变更的概率或其他约束，使得该拟合基于统计来维持该形状。
46.根据本公开，一个或多个非电离传感器可以安装在ct扫描器的台架上，或者安装在与ct扫描器的台架匹配的框架上，使得当患者躺在ct扫描器的患者台上时，可以获取光学成像数据。在捕获光学成像数据之前，可以确定/调整患者台的高度，使得ct扫描器等中心点与患者等中心点重合。
47.图2示意性地图示了ct扫描器2000的示例性几何形状。ct扫描器2000包括x射线管2002、检测器阵列2001、患者台2003。x射线管2002可以是发射x射线束2004的锥形束x射线管，该x射线束2004在纵向（z）方向上发散并覆盖可观的范围。检测器阵列2001可以是具有
多行检测器的弯曲检测器阵列。x射线管2002和检测器阵列2001两者可以安装在c形臂、u形臂或o形臂台架上，这取决于从图像引导的介入变动到诊断专业的临床应用。ct扫描器2000可以在患者1104固定在患者台2003上的情况下操作，并且x射线管2002与检测器阵列2001一起旋转一次以获取体积图像。替代地或可选地，ct扫描器2000可以使用螺旋采集（helical acquisition）来操作——具有用于扫描期间患者的纵向（z方向）平移的精心设计的患者台2003。
48.根据本公开，提供了一种用于执行患者的解剖目标区域的ct的新工作流程。该新工作流程利用如上所概述的由一个或多个非电离传感器获取的光学成像数据来确定ct扫描参数的初始集合，以控制ct扫描器2000的元件，诸如患者台2003的高度、x射线管2002的管电流和管电位、检测器阵列2001的配置等，并且由此开始ct扫描。光学成像数据可以使得定位像对于确定ct扫描参数的初始集合是不必要的，这相应地消除了由在ct扫描之前获取定位像所引起的患者辐射。
49.图3示意性地图示了关于根据各种示例的系统3000的细节。系统3000涉及确定用于执行ct扫描的ct扫描参数。系统3000可以包括ct扫描器2000、被配置成捕获描绘患者1104的光学成像数据3001的一个或多个非电离传感器（图3中未示出）、第一机器学习算法3002、第二机器学习算法3003。
50.根据本公开，光学成像数据3001可以由第一（经训练的）机器学习算法3002处理，以针对光学成像数据3001的每个实例生成表示光学成像数据3001的对应实例的至少一个本征向量3004。本征向量通常可以对光学成像数据的相应实例中的隐藏特征的存在或不存在进行编码。特征的类型可以是经机器学习的。
51.然后，将本征向量3004应用于第二（经训练的）机器学习算法3003，以生成描绘了要由ct扫描器2000扫描的患者1104的解剖目标区域的x射线衰减性质的衰减曲线3005的初始集合。即，本征向量3004用作去往第二机器学习算法的输入。由此，ct扫描参数3006的初始集合基于衰减曲线3005的初始集合来确定，并且由此用来控制扫描器2000的元件以开始ct扫描。
52.根据其他示例，本征向量3004可以被应用于第二（经训练的）机器学习算法3003以直接生成ct扫描参数3006的初始集合，即，在不生成衰减曲线3005的初始集合的情况下生成ct扫描参数3006的初始集合。
53.在ct扫描期间，可以基于从ct扫描器2000获得的ct成像数据3007来更新衰减曲线3005的集合，并且由此基于更新的衰减曲线3005来确定ct扫描参数3006的新集合。然后，基于ct扫描参数3006的新集合来控制ct扫描器2000的元件以继续执行ct扫描。
54.替代地，可以基于ct成像数据3007通过第二（经训练的）机器学习算法3003直接地更新ct扫描参数3006，而并不在中间更新衰减曲线3005的集合。
55.根据本公开，ct成像数据3007可以包括正弦图、在频域中的重构ct图像、在空间域中的重构ct图像等中的至少一个。ct成像数据3007可以是直接从检测器阵列2001获得的1-d数据、2-d重构图像、或包括多个体素的3-d重构切片。ct成像数据3007可以仅包括当前获得的、诸如在时间点t0、t1或tn处获得的一个声谱图、一个2-d图像或一个3-d切片，即，基于当前ct成像数据3007的一个实例来确定ct扫描参数3006的新集合。ct成像数据3007可以包括当前ct成像数据3007的多个实例。例如，ct成像数据3007可以包括在扫描期间获取的所
有累积的ct成像数据，例如，从t0到tn获取的所有成像数据，或者在扫描期间所累积的ct成像数据的若干切片，例如，从t1到tn获取的成像数据。
56.根据本公开，可以在获取ct成像数据3007的一个切片之后、或者在获取多个切片（例如，2-10个切片）之后立即确定ct扫描参数3006的新集合。
57.根据本公开，包括患者1104的人口统计特征（例如，年龄、身高、体重等）、生理参数（例如，心率、血压、体温、各种应激激素和免疫功能的血清水平等）、或解剖身体标记的患者数据3008中的至少一个可以由第一（经训练的）机器学习算法3002进一步用于生成至少一个本征向量3004。可选地，第二（经训练的）机器学习算法3003也可以利用患者数据3008中的至少一个来更新衰减曲线3005的集合、或者直接更新ct扫描参数3006。
58.作为一般规则，不同种类和类型的机器学习算法可以用作第一和第二机器学习算法3002、3003，并且受益于本文中描述的技术。例如，将可能的是：使用深度神经网络（例如，具有执行输入数据与核之间的卷积的一个或多个卷积层的卷积神经网络）来实现第一和第二机器学习算法3002、3003两者。还将可能的是使用支持向量机，仅举几个示例。优选地，第一和第二机器学习算法3002、3003可以分别包括编码器和解码器。替代地，第二机器学习算法3003可以是自动解码器，参见例如，park、jeong joon等人的“deepsdf：learning continuous signed distance functions for shape representation”，proceedings of the ieee/cvf conference on computer vision and pattern recognition. 2019。第二机器学习算法可以是回归模型、生成模型或递归模型。
59.作为一般规则，ct扫描参数3006可以在一些场景中基于衰减曲线3005的集合来确定，并且也可以在其他场景中例如通过使用机器学习算法来直接确定。
60.例如，技术的选择可以取决于训练数据的可用性。例如，当与衰减曲线相关联的训练数据可用时，可以训练第二机器学习算法3003以确定衰减曲线，并且由此可以基于衰减曲线3005的集合来确定ct扫描参数3006。另一方面，当与ct扫描参数相关联的训练数据可用时，可以训练第二机器学习算法3003以直接确定ct扫描参数3006。
61.根据各种示例，提供了一种用于确定ct扫描参数的计算机实现的方法。ct扫描参数是通过使用机器学习技术来确定的。ct扫描参数用来控制ct扫描器的元件以执行患者的解剖目标区域的ct扫描。该方法可以包括通过使用至少一个机器学习算法并且基于描绘患者的光学成像数据来确定ct扫描参数的初始集合。该方法可以进一步包括以ct扫描参数的初始集合开始来执行ct扫描。在ct扫描期间，该方法可以可选地包括通过使用至少一个机器学习算法并且基于从ct扫描器获得的当前ct成像数据的至少一个实例来更新ct扫描参数。
62.在目前的临床实践中，通常使用定位像来估计患者身体大小、与患者身体相关的x光衰减性质，并且由此确定ct扫描参数或方案。因此，获得与衰减曲线相关联的训练数据可以是容易地可能的。另外地，与衰减曲线相关联的训练数据可以包括与解剖目标区域相关的另外的信息，并且由此可以便于训练至少一个机器学习算法以更精确地确定ct扫描参数。因此，与基于衰减曲线的集合来确定ct扫描参数相关的技术可以具有某些益处。
63.在下文中，解释了其中在中间动作中确定衰减曲线并且然后基于衰减曲线来确定ct扫描参数的技术。然而，应当理解的是，确定衰减曲线并不是在所有示例中是必要的，并且可以通过使用本公开中公开的技术来直接确定ct扫描参数。即，在本公开中，与衰减曲线
相关的对应处理动作是可选的并且可以被移除。
64.图4是根据各种示例的方法4000的流程图。方法4000涉及确定用于执行患者1104的解剖目标区域的ct扫描的ct扫描参数3006，特别是确定ct扫描参数3006的初始集合。
65.用虚线来标记可选框。
66.方法4000可以由包括至少一个处理单元（处理器）的计算机来执行，或者在加载程序代码时由图3的系统3000来执行。下面描述了方法4000的细节。
67.在框4010处，基于描绘患者1104的光学成像数据来确定与患者1104的解剖目标区域相关联的衰减曲线3005的初始集合。例如，可以使用诸如数字雕刻（digital sculpting）、布尔建模、激光扫描、盒建模、subd建模或nurbs建模之类的三维建模方法，以基于描绘患者1104的光学成像数据来确定衰减曲线3005的初始集合。替代地，可以使用用于计算符号距离函数的算法，诸如高效快速行进方法、快速扫掠方法或水平集方法。替代地或优选地，可以使用图3的第一和第二经训练的机器学习算法3002和3003。
68.可选地，进一步基于患者1104的人口统计特征、生理参数或解剖身体标记中的至少一个来确定与患者1104的解剖目标区域相关联的衰减曲线3005的初始集合。
69.在框4020处，基于衰减曲线3005的初始集合来确定ct扫描参数3006的初始集合。
70.在框4030处，以ct扫描参数3006的初始集合开始来执行患者1104的ct扫描。例如，基于ct扫描参数3006的初始集合来分别控制扫描器2000的元件以开始ct扫描。
71.根据本公开，与患者1104的解剖目标区域相关联的衰减曲线3005的初始集合可以通过使用图3的第一和第二经训练的机器学习算法3002和3003来确定，即，框4010的实现方式，这将在下面描述。
72.图5是根据各种示例的方法4010-a的流程图。方法4010-a涉及通过使用图3的第一和第二经训练的机器学习算法3002和3003、基于描绘患者1104的光学成像数据3001来确定与患者1104的解剖目标区域相关联的衰减曲线3005的初始集合。下面进一步详细描述了方法4010-a。
73.在框4011处，例如通过一个或多个非电离传感器或通过从数据库进行检索来获得光学成像数据3001的至少一个实例。
74.在框4012处，将光学成像数据3001的至少一个实例应用于第一经训练的机器学习算法3002。
75.在框4013处，通过第一经训练的机器学习算法3002来生成表示光学成像数据3001的至少一个实例的至少一个本征向量3004。
76.在框4014处，将至少一个本征向量3004应用于第二经训练的机器学习算法3003。
77.在框4015处，通过第二经训练的机器学习算法3003来生成衰减曲线3005的初始集合。替代地或可选地，在框4015处，第二经训练的机器学习算法3003还可以例如连同生成衰减曲线的初始集合来更新至少一个本征向量3004的值。还可以基于当前衰减曲线（即，这个场景中的衰减曲线3005的初始集合）来更新至少一个本征向量3004的值，例如通过使用主成分分析（pca）、独立成分分析（ica）、或被配置成将衰减曲线映射到本征向量集合的经训练的机器学习算法。
78.再次参考图4，可选地，方法4000可以进一步包括以下动作，直到在框4080处完成ct扫描。
79.在框4040处，基于从ct扫描器2000获得的当前ct成像数据3007的至少一个实例来更新衰减曲线3005。
80.进一步参考示意性地图示了在空间域中并且正交于z轴的ct图像5000的示例性切片的图6，可以分别沿着与ct图像5000交叉的线5010-a、5010-b和5010-c来确定与ct图像5000的至少一个实例相关联的衰减曲线3005，所述线5010-a、5010-b和5010-c彼此平行并且正交于y轴。此类衰减曲线可以用来更新衰减曲线3005。替代地，可以分别沿着多个ct图像5000的每个图像中的相同线5010-a、5010-b和5010-c来确定与多个ct图像5000相关联的衰减曲线3005。然后，可以使用沿着相同线的多个ct图像5000的衰减曲线的平均来更新衰减曲线3005。根据本公开的各种实施例，沿着相同线的多个ct图像5000的衰减曲线当中的最大/最小衰减曲线可以用来更新衰减曲线3005。
81.替代地，可以通过使用第二经训练的机器学习算法3003、基于更新的本征向量3004以及从ct扫描器获得的当前ct成像数据的至少一个实例来更新衰减曲线3005，这将在下面参考图7详细描述。
82.根据图4，在框4050处，基于更新的衰减曲线3005来确定ct扫描参数3006的新集合。
83.在框4060处，基于ct扫描参数3006的新集合来继续执行ct扫描。
84.在框4070处，确定是否停止扫描。是否停止扫描的确定可以基于已经获得的切片的总数和预定义的切片总数之间的比较。如果前者等于（或大于）后者，则应当停止扫描。这样的确定还可以基于执行扫描已经花费的总时间与预定义总扫描时间之间的比较。
85.如果确定继续扫描，则将再次执行框4040。否则，将执行框4080以停止扫描。
86.在框4080处，停止扫描。
87.图7是根据各种示例的方法4040-a的流程图。方法4040-a涉及例如通过第二经训练的机器学习算法3003或通过使用其他方法、基于本征向量3004以及从ct扫描器获得的当前ct成像数据的至少一个实例来更新衰减曲线3005。
88.根据本公开，例如在执行图4的框4040之前，可以基于当前衰减曲线来更新至少一个本征向量3004的值。可以通过使用主成分分析（pca）、独立成分分析（ica）、或被配置成将衰减曲线映射到本征向量集合的经训练的机器学习算法来更新至少一个本征向量3004的值。
89.替代地，可以通过第二经训练的机器学习算法3003来更新至少一个本征向量3004的值。例如，可以根据park、jeong joon等人（“deepsdf: learning continuous signed distance functions for shape representation.”proceedings of the ieee/cvf conference on computer vision and pattern recognition. 2019）或bojanowski、p等人（“optimizing the latent space of generative networks.”arxiv preprint arxiv：1707.05776.）提出的优化本征向量的方法来更新至少一个本征向量的值。
90.方法4040-a可以包括以下方面。
91.在框4041处，基于当前衰减曲线来更新至少一个本征向量的值。
92.在框4042处，将当前/更新的本征向量3004和当前ct成像数据3007的至少一个实例应用于第二经训练的机器学习算法3003。
93.在框4043处，第二经训练的机器学习算法3003生成更新的衰减曲线3005。
94.根据本公开，基于光学成像数据而不是基于定位像来确定ct扫描参数的初始集合；并且由此消除了由在ct扫描之前获取定位像所引起的患者辐射。此外，基于ct扫描期间从ct扫描器获得的ct成像数据或连同更新的（当前）本征向量来实时自动且精确地确定/调整ct扫描参数。因此，在尽可能好地维持成像质量的同时，尽可能精确地控制患者辐射。因此，可以进一步减少患者辐射。
95.图8是根据各种示例的方法6000的流程图。方法6000涉及执行第一机器学习算法3002的第一训练，以确定用于执行解剖目标区域的ct扫描的ct扫描参数3006。方法6000可以包括以下方面。
96.在框6010处，第一机器学习算法3002基于训练光学成像数据的多个实例来生成至少一个本征向量3004，所述至少一个本征向量3004表示描绘患者的训练光学成像数据的多个实例。
97.根据本公开，第一机器学习算法3002可以首先通过访问存储器或数据库来获得描绘患者的训练光学成像数据的多个实例。然后，第一机器学习算法3002可以被应用于训练光学成像数据的多个实例。由此，第一机器学习算法3002可以生成表示训练光学成像数据的多个实例的至少一个本征向量。
98.作为一般规则，训练光学成像数据的多个实例可以与多个患者相关联，但是描绘了包括相同解剖目标区域的人类身体的相同部分，诸如腿部、臂部、头部、胸部、腹部等。训练光学成像数据可以共享与上面描述的光学成像数据相同的特性。
99.可选地，进一步基于患者的人口统计特征、生理参数或解剖身体标记中的至少一个来生成表示训练光学成像数据的多个实例的至少一个本征向量3004。与患者相关联的这样的另外的数据可以便于更准确地生成至少一个本征向量3004。
100.在框6020处，第二经训练的机器学习算法3003基于所生成的至少一个本征向量和描绘了患者的解剖目标区域的ct成像数据的至少一个实例来生成与患者的解剖目标区域相关联的所预测的衰减曲线的集合。
101.根据本公开，第二经训练的机器学习算法3003可以首先通过访问存储器或数据库来获得描绘了患者的解剖目标区域的ct成像数据的至少一个实例。然后，可以将第二经训练的机器学习算法3003应用于表示训练光学成像数据的多个实例的至少一个本征向量以及ct成像数据的至少一个实例，并且由此生成所预测的衰减曲线的集合。
102.在框6030处，基于所预测的衰减曲线的集合与ct成像数据的至少一个实例的对应衰减曲线之间的比较来更新第一机器学习算法3003的参数值。
103.作为一般规则，可以使用l1损失、l2损失或拉普拉斯金字塔损失中的至少一个来更新第一机器学习算法3003的参数值。
104.可选地，方法6000可以进一步包括：当更新第一机器学习算法的参数值时，冻结第二经训练的机器学习算法的参数值。
105.根据本公开，第一机器学习算法3002的训练可以基于经训练的第二机器学习算法3003来执行，即，第二机器学习算法3003的参数值可以在整个训练程序期间被冻结。使用经训练的第二机器学习算法3003来训练第一机器学习算法3002可以便于该训练的准确性并且加快该训练。
106.图9是根据各种示例的方法7000的流程图。方法7000涉及执行第二机器学习算法
3003的第二训练，以确定用于执行解剖目标区域的ct扫描的ct扫描参数。方法7000可以包括以下方面。
107.在框7010处，随机生成至少一个本征向量3004的值。
108.根据本公开，随机初始化的本征向量可以从预定义的概率分布（诸如，具有不同均值和方差的正态分布）来生成。
109.在框7020处，例如通过访问存储器或数据库来获得描绘了患者的解剖目标区域的ct成像数据的至少一个实例。
110.在框7030处，将第二机器学习算法应用于所生成的至少一个本征向量以及ct成像数据的至少一个实例。
111.在框7040处，生成与患者的解剖目标区域相关联的所预测的衰减曲线的集合。所预测的衰减曲线可以共享与上面描述的衰减曲线相同的特性。
112.在框7050处，基于所预测的衰减曲线的集合与ct成像数据的至少一个实例的对应衰减曲线之间的比较来联合地更新第二机器学习算法3003的参数值和至少一个本征向量3004的值。
113.根据本公开，至少一个本征向量3004的值可以通过标准反向传播连同第二机器学习算法3003的参数值来被更新。在推断期间，至少一个本征向量的值可以由第二机器学习算法3003通过固定其参数值来估计。
114.作为一般规则，上面解释的用于更新本征向量3004的值的技术可以替代地被应用于训练第二机器学习算法3003。
115.作为进一步的一般规则，可以使用l1损失、l2损失或拉普拉斯金字塔损失中的至少一个来更新第二机器学习算法3005的参数值。
116.可选地或优选地，方法7000的框7010-7050可以基于描绘解剖目标区域的另外患者的ct成像数据的多个实例而被反复地做（reiterate），以增加训练准确度。即，方法7000可以进一步包括：获得描绘解剖目标区域的另外患者的ct成像数据的至少一个另外实例；将第二机器学习算法应用于至少一个本征向量以及ct成像数据的至少一个另外实例；生成与另外患者的解剖目标区域相关联的所预测的衰减曲线的另外集合；基于所预测的衰减曲线的另外集合与ct成像数据的至少一个另外实例的对应衰减曲线之间的比较来联合地更新第二机器学习算法的参数值和至少一个本征向量的值。
117.图10是根据各种示例的系统9000的框图。系统9000涉及基于方法7000来训练第二机器学习算法3003和基于方法6000来训练第一机器学习算法3002。
118.系统9000可以包括至少一个处理器9020、至少一个存储器9030和至少一个输入/输出接口9010。至少一个处理器9020被配置成从至少一个存储器9030加载程序代码并执行该程序代码。在执行程序代码时，至少一个处理器9020执行方法6000和方法7000，所述方法6000和方法7000分别执行对第一和第二机器学习算法的第一和第二训练。
119.再次参考图2，ct扫描器2000可以进一步包括被配置成捕获描绘患者的光学成像数据的至少一个光学成像设备和被配置成执行方法4000、4010-a或4040-a的计算单元。
120.替代地，系统9000可以包含在ct扫描器2000中或者与ct扫描器2000连接，并且由此ct扫描器2000还可以被配置成执行方法6000和/或7000。
121.总之，已经描述了便于确定ct扫描参数并且由此控制ct扫描器的元件以执行扫描
的技术。描绘患者的光学成像数据可以用来代替定位像，以用于确定ct扫描参数的初始集合和初始化ct扫描器的元件。在ct扫描期间，所获取的ct成像数据可以用来进一步自动和实时地确定/调整ct扫描参数，并且由此控制ct扫描器的元件继续扫描。另外地，还可以基于所获取的ct成像数据来更新表示患者的解剖目标区域的本征向量，以便于ct扫描参数确定的准确性。因此，在尽可能好地维持成像质量的同时，尽可能精确地控制患者辐射。因此，可以精确地减少患者辐射。
122.虽然已经关于某些优选实施例示出和描述了本公开，但是本领域的其他技术人员在阅读和理解本说明书时将想到等同物和修改。本公开包括所有这样的等同物和修改，并且仅由所附权利要求的范围来限制。
技术特征：1.一种用于确定用于执行患者的解剖目标区域的ct扫描的计算机断层摄影（ct）扫描参数的计算机实现的方法，所述方法包括：基于描绘患者的光学成像数据来确定与患者的解剖目标区域相关联的衰减曲线的初始集合；基于衰减曲线的初始集合来确定ct扫描参数的初始集合；以及以ct扫描参数的初始集合开始来执行ct扫描。2.根据权利要求1所述的计算机实现的方法，其中与患者的解剖目标区域相关联的衰减曲线的初始集合的所述确定包括：获得光学成像数据的至少一个实例；将第一经训练的机器学习算法应用于光学成像数据的所述至少一个实例；通过第一经训练的机器学习算法来生成表示光学成像数据的所述至少一个实例的至少一个本征向量；将第二经训练的机器学习算法应用于所述至少一个本征向量；通过第二经训练的机器学习算法来生成衰减曲线的初始集合。3.根据权利要求1所述的计算机实现的方法，进一步包括在ct扫描期间迭代地执行以下动作：基于从ct扫描器获得的当前ct成像数据的至少一个实例来更新衰减曲线；基于更新的衰减曲线来确定ct扫描参数的新集合；以及基于ct扫描参数的新集合来继续执行ct扫描。4.根据权利要求3所述的计算机实现的方法，其中所述方法进一步包括：基于当前衰减曲线来更新所述至少一个本征向量的值；其中基于从ct扫描器获得的当前ct成像数据的所述至少一个实例对衰减曲线的所述更新包括：将第二经训练的机器学习算法应用于所述本征向量以及当前ct成像数据的所述至少一个实例；以及通过第二经训练的机器学习算法来生成更新的衰减曲线。5.根据权利要求1所述的计算机实现的方法，其中所述ct扫描参数包括扫描范围、检测器配置、管电流、管电位、患者定位、重构切片厚度或节距中的至少一个。6.根据权利要求1所述的计算机实现的方法，其中所述确定与患者的解剖目标区域相关联的衰减曲线的初始集合进一步基于患者的人口统计特征、生理参数或解剖身体标记中的至少一个。7.根据权利要求1所述的计算机实现的方法，其中第一经训练的机器学习算法包括编码器，并且第二经训练的机器学习算法包括解码器。8.一种执行对第一机器学习算法的第一训练的计算机实现的方法，所述第一机器学习算法用于确定用于执行解剖目标区域的ct扫描的计算机断层摄影（ct）扫描参数，所述方法包括：通过第一机器学习算法并且基于描绘患者的训练光学成像数据的多个实例来生成表示训练光学成像数据的所述多个实例的至少一个本征向量；通过第二经训练的机器学习算法、基于所生成的至少一个本征向量和描绘了患者的解
剖目标区域的ct成像数据的至少一个实例来生成与患者的解剖目标区域相关联的所预测的衰减曲线的集合；以及基于所预测的衰减曲线的集合与ct成像数据的所述至少一个实例的对应衰减曲线之间的比较来更新第一机器学习算法的参数值。9.根据权利要求8所述的计算机实现的方法，进一步包括：当更新第一机器学习算法的参数值时，冻结第二经训练的机器学习算法的参数值。10.根据权利要求8所述的计算机实现的方法，其中所述生成表示训练光学成像数据的所述多个实例的所述至少一个本征向量包括：获得描绘患者的训练光学成像数据的所述多个实例；将第一机器学习算法应用于训练光学成像数据的所述多个实例；以及通过第一机器学习算法来生成表示训练光学成像数据的所述多个实例的所述至少一个本征向量。11.根据权利要求8所述的计算机实现的方法，其中所述生成所预测的衰减曲线的集合包括：获得描绘了患者的解剖目标区域的ct成像数据的所述至少一个实例；将第二经训练的机器学习算法应用于表示训练光学成像数据的所述多个实例的所述至少一个本征向量以及ct成像数据的所述至少一个实例；以及通过第二经训练的机器学习算法来生成所预测的衰减曲线的集合。12.根据权利要求8所述的计算机实现的方法，其中所述生成表示训练光学成像数据的所述多个实例的所述至少一个本征向量进一步基于患者的人口统计特征、生理参数或解剖身体标记中的至少一个。13.一种执行对第二机器学习算法的第二训练的计算机实现的方法，所述第二机器学习算法用于确定用于执行解剖目标区域的ct扫描的计算机断层摄影（ct）扫描参数，所述方法包括：随机生成至少一个本征向量的值；获得描绘了患者的解剖目标区域的ct成像数据的至少一个实例；将第二机器学习算法应用于所生成的至少一个本征向量以及ct成像数据的所述至少一个实例；生成与患者的解剖目标区域相关联的所预测的衰减曲线的集合；以及基于所预测的衰减曲线的集合与ct成像数据的所述至少一个实例的对应衰减曲线之间的比较来联合地更新第二机器学习算法的参数值和所述至少一个本征向量的值。14.根据权利要求13所述的计算机实现的方法，进一步包括迭代地执行以下动作：获得描绘解剖目标区域的另外患者的ct成像数据的至少一个另外实例；将第二机器学习算法应用于所述至少一个本征向量以及ct成像数据的所述至少一个另外实例；生成与另外患者的解剖目标区域相关联的所预测的衰减曲线的另外集合；以及基于所预测的衰减曲线的另外集合与ct成像数据的所述至少一个另外实例的对应衰减曲线之间的比较来联合地更新第二机器学习算法的参数值和所述至少一个本征向量的值。
15.一种计算机断层摄影（ct）扫描器，包括：至少一个光学成像设备，其被配置成捕获描绘患者的光学成像数据；以及计算机，其被配置成：基于描绘患者的光学成像数据来确定与患者的解剖目标区域相关联的衰减曲线的初始集合；基于衰减曲线的初始集合来确定ct扫描参数的初始集合；以及以ct扫描参数的初始集合开始来执行ct扫描。16.根据权利要求15所述的ct扫描器，其中所述计算机被配置成确定与患者的解剖目标区域相关联的衰减曲线的初始集合包括：获得光学成像数据的至少一个实例；将第一经训练的机器学习算法应用于光学成像数据的所述至少一个实例；通过第一经训练的机器学习算法来生成表示光学成像数据的所述至少一个实例的至少一个本征向量；将第二经训练的机器学习算法应用于所述至少一个本征向量；通过第二经训练的机器学习算法来生成衰减曲线的初始集合。17.根据权利要求15所述的ct扫描器，其中所述计算机进一步被配置成在ct扫描期间迭代地执行：基于从ct扫描器获得的当前ct成像数据的至少一个实例来更新衰减曲线；基于更新的衰减曲线来确定ct扫描参数的新集合；以及基于ct扫描参数的新集合来继续执行ct扫描。18.根据权利要求17所述的ct扫描器，其中所述计算机被配置成：基于当前衰减曲线来更新所述至少一个本征向量的值，其中基于从ct扫描器获得的当前ct成像数据的所述至少一个实例的对衰减曲线的所述更新包括：将第二经训练的机器学习算法应用于所述本征向量以及当前ct成像数据的所述至少一个实例，以及通过第二经训练的机器学习算法来生成更新的衰减曲线。19.根据权利要求15所述的ct扫描器，其中所述ct扫描参数包括扫描范围、检测器配置、管电流、管电位、患者定位、重构切片厚度或节距中的至少一个，并且其中第一经训练的机器学习算法包括编码器，并且第二经训练的机器学习算法包括解码器。20.根据权利要求15所述的ct扫描器，其中所述计算机被配置成基于患者的人口统计特征、生理参数或解剖身体标记中的至少一个来确定与患者的解剖目标区域相关联的衰减曲线的初始集合。
技术总结确定和/或调整用于执行患者的解剖目标区域的CT扫描的CT扫描参数。基于与患者的解剖目标区域相关联的衰减曲线的初始集合来确定用于开始执行CT扫描的CT扫描参数的初始集合。基于描绘患者的光学成像数据来确定衰减曲线的初始集合。初始集合。初始集合。
技术研发人员：B
受保护的技术使用者：西门子医疗有限公司
技术研发日：2022.04.29
技术公布日：2022/11/1
