JP2022520409A - 超音波分析方法及びデバイス - Google Patents

Abstract

本発明は、脈管腔の取得された血管内超音波データの分析に基づいて、脈管腔内の血管内物体の存在を検出するための超音波データ処理方法（３０）を提供する。方法は、複数のフレーム（各フレームには、ＩＶＵＳデバイス本体の周りの異なる円周方向の位置に対応する複数のラジアルラインのデータが含まれる）を含むデータを受信すること（３２）と、データを、各フレームにおける各ラジアルラインについての単一の代表値に低減すること（３４）とを含む。これらの代表値を続いて処理して、所与のフレーム内の物体の存在の確率を表す値を、少なくとも各フレームについて導出する（３６）。確率値に基づいて、血管内物体によって占有されるデータ内の領域（例えば物体によって占有されるフレームの連続セット）が決定される（３８）。

Description

本発明は、特に血管内超音波データ内の物体の存在を検出するための超音波処理方法及びデバイスに関連する。

血管内超音波（ＩＶＵＳ）イメージングは、患者の動脈や心臓など、患者の心血管系の内部画像を取得するための有用な技法である。ＩＶＵＳ画像は、狭窄の大きさ、プラークの蓄積の検出及び定量化など、心血管系の状態の評価において、又は、ステントなどの医療用インプラントの位置決めの支援において役立ち得る。

ＩＶＵＳ画像を取得するには、超音波プローブ又は超音波トランスデューサのセットが、例えば、先端に取り付けられたカテーテルやガイドワイヤなどの低侵襲医療機器を、患者の心血管系（通常は動脈）に挿入し、その後、低侵襲医療機器を引き戻しながら、一定の間隔でＩＶＵＳ画像が捕捉される。このようにして、心血管系の捕捉された断面ＩＶＵＳ画像は、心血管系の状態について、そのイメージングされた長さに沿って有用な洞察を提供することにおいて役立ち得る。

ＩＶＵＳデバイス（例えばカテーテル）には、脈管腔のイメージング用に１つ以上の超音波トランスデューサが組み込まれている。

トランスデューサは、超音波エネルギーを放出及び受信して、関心脈管の画像を作成する。超音波は、脈管壁の様々な層などの組織構造から生じる不連続性、赤血球、及び脈管に埋め込まれた人工物を含む他の関心特徴によって部分的に反射される。

反射波からのエコーは、トランスデューサによって受信され、ＩＶＵＳイメージングシステムに送られる。ＩＶＵＳイメージングシステムは、例えば、「ＰＩＭ」と呼ばれる患者インターフェースモジュール経由でＩＶＵＳカテーテルに接続されている。イメージングシステムは、受信した超音波信号を処理して、例えば、脈管の断面画像を生成する。

現在一般的に使用されているＩＶＵＳカテーテルには、回転式及びソリッドステートの２種類がある。一般的な回転式ＩＶＵＳカテーテルの場合、１つ以上の超音波トランスデューサ素子が、関心脈管に挿入されたシース内で回転するフレキシブル駆動シャフトの先端に位置する。

対照的に、ソリッドステートＩＶＵＳカテーテルには、デバイスの周りに配置され、トランスデューサ制御回路のセットに接続されている、１次元又は２次元アレイなどの超音波トランスデューサのアレイを含む超音波スキャナアセンブリが搭載されている。アレイとそれに対応する回路は、ＩＶＵＳデバイスのイメージングコア又はスキャナと呼ばれることが多い。

従来の画像生成では、トランスデューサ制御回路は、超音波パルスの送信やエコー信号の受信用に、アレイの個々のトランスデューサ又はトランスデューサのグループを選択し得る。ＩＶＵＳシステムでは、デバイスの周りを順番に一連の送信器－受信器ペアをステップスルーすることで、可動部品を用いることなく、機械的に回転するトランスデューサ素子の効果を合成できる。回転する機械的素子がないため、トランスデューサアレイを、脈管外傷のリスクを最小限に抑えながら、血液及び脈管組織に直接接触させることができる。

デバイスの周りの各連続した位置で捕捉されたデータは、ラジアルスキャンラインと呼ばれることが多い。

完全な引き戻し（脈管腔の長手方向軸に沿ったＩＶＵＳデバイスの引き戻し）のＩＶＵＳデータセットを視覚化する一般的なやり方は、引き戻し（長手方向）軸に沿って１つ以上の断面図を表示することである。断面図とは、長手方向の引き戻し距離全体に沿った単一のラジアルラインのデータの提示を意味する。これは、図１に示されている。

図１は、伸長デバイス本体１４を有する例示的なＩＶＵＳデバイス１２を概略的に示している。伸長デバイス本体は、長手方向軸、つまり、図１では、線Ａ－Ａ’によって示される方向に沿って延在している。例示的なＩＶＵＳデバイスは、デバイスの周りで円周方向に延在している外向きの超音波トランスデューサ素子２０のアレイ１６を含むものとして示されている。図１は、特定の方位角φ方向性に沿って、すなわち、デバイスの周りの特定の回転角φに沿って、１つのラジアル音響信号ライン２４を生成するための１つのトランスデューサ素子の作動を示している。単一のラジアル信号ライン２４は、単一のラジアルラインの超音波データを捕捉する。複数のラジアル信号ラインが完全な断面ＩＶＵＳ画像２５を形成する。

図１では、２つの例示的なラジアルラインａ_１及びａ_２の軌跡が概略的に示されている。完全なＩＶＵＳスキャン画像２５内のラインの対応する軌跡も示されている。

１つのトランスデューサ素子が各ラジアルラインを生成しているものとして示されているが、実際には、各ラジアルスキャンラインは、（ビームフォーミングを使用して、１つの細いラジアル軸に沿って音響伝達及び反射の合焦を可能とするために）トランスデューサ素子のサブセットを使用して生成され得る。サブセットは、例えば、円周方向又は方位角的に整列された最大１４個のトランスデューサ素子を含み得る。さらに、アレイ１６は、いくつかの例では、Ａ－Ａ’に沿って長手方向に複数の素子を含む（つまり、複数の列がある）。

例として、１つの既知の実装形態では、トランスデューサ素子のアレイは、長手方向の素子幅のみで、方位角φ方向に６４個の素子を有する。１４個のトランスデューサ素子のサブセットを使用して、４つのラジアル光線が作成される。６４個の素子位置を通じてアクティブなサブセットを方位角的に指数付けすると、ＩＶＵＳフレームあたり４×６４＝２５６個のラジアル光線の構成がもたらされる。これらの図は、１つの模範的な実装形態を示しているにすぎず、限定的ではない。

動作中、デバイス１２は、挿入された脈管腔２８に沿って長手方向に引き戻される。これは、図２に示されている。デバイスは、連続するトランスデューサ素子２０（又はトランスデューサ素子の連続する方位角サブセット）を円周方向に進み、各トランスデューサ素子（又はサブセット）がそれぞれ異なるラジアルラインの超音波データを捕捉する。ラジアルラインの完全な各円周方向サイクルは、単一フレームｆのデータを構成する。デバイス１２を長手方向に引くことは、図２の矢印で示されているように、データの連続するフレームｆが、脈管腔２８に沿った長手方向の位置を連続的に前進することに対応することを意味する。

図３（上部）は、再構成されたＩＶＵＳフレームのシーケンスと、断面図（図３、下部）とを示している。各ＩＶＵＳフレームは、ＩＶＵＳデバイスのラジアル軸と平行かつ長手方向に垂直な断面平面に沿った完全なラジアル断面を表す。各ラジアルＩＶＵＳフレームは、ＩＶＵＳデバイスの周りの方位（回転）角度方向のセット全体を囲むラジアルラインの完全なセットのデータで構成される。

図３の下部に示されている断面図は、ＩＶＵＳデバイスの長手方向軸と平行、かつ画像に示されている特定の（垂直）ラジアル軸とも平行な断面平面に沿った断面を表す。

図に示すＩＶＵＳフレームは、１００フレーム離れている。オーバーレイされている矢印は、各ケースの断面の場所及び方向を示す。下部の断面図では、各フレームに対応する列が、対応する４つの矢印で示されている。２番目から４番目のフレームにはステントが含まれているが、断面図ではステントの存在が十分に見えず、また、この断面図からは同様に検出できないことに留意されたい。

ＩＶＵＳの課題は、データ収集の次元が複数であるため、ユーザに有用で直感的な結果を提供するやり方でデータを表す又は処理することが困難であることである。現在のアプローチでは、通常、データは、図３に示されるように、脈管全体又はその長さに沿った単一の断面平面として提示される。これらは、一度に脈管壁の小さなセクションしか提示できない。ボリュームのサブセットしか一度に見えないため、分析中に血管側枝などの特徴を見逃す可能性がある。ステント（又は他の血管内物体）の埋め込みの場合、ステント境界の最終的な位置が好ましくは側枝と重なるべきではないため、これは重要である。

さらに、埋め込み済みの物体を調べるために探す場合、又は埋め込み中にステントなどの物体の近位端及び遠位端を特定しようとする場合、脈管の全長にわたって完全な内周を一度に分析又は調べることができないと、これが困難になる可能性がある。

そのため、ＩＶＵＳ超音波データ処理のアプローチの向上が求められている。

本発明は、特許請求の範囲によって規定される。

本発明の態様による例によれば、血管内超音波（ＩＶＵＳ）デバイスによって捕捉された超音波データを分析するための超音波データ分析方法が提供される。方法は、
ＩＶＵＳデバイスによって捕捉された超音波データの複数のフレームを受信するステップであって、各フレームは、複数のラジアルスキャンラインのデータを含み、各ラジアルスキャンラインは、デバイスの長手方向軸（Ａ－Ａ’）に関して異なる回転角（φ）の方向に沿って受信される音響信号反射に対応する、受信するステップと、
各フレームにおける各ラジアルスキャンラインの超音波データを処理して、各ラインのデータを、そのラインの単一の代表データ値に低減するステップと、
代表データ値のセットから、少なくとも各フレーム内に人工血管内物体が存在する確率に対応する確率値のセットを導出するステップと、
確率値に基づいて、血管内物体によって占有されている超音波データ内の領域を決定するステップとを含む。

本発明の実施形態は、各スキャンライン全体のデータを単一の代表値又は数値（例えばスキャンラインに沿った最大ピクセル強度又はその標準偏差など）に凝縮することによって、データの分析及び処理を容易にすることと、データのより直感的な提示とを可能にすることに基づいている。これにより、ライン全体のデータを単一の点として扱うことができ、データ内の物体を特定する処理操作量が大幅に削減される。

本発明の実施形態は、血管内物体、特に人工血管内物体を検出するために、ラジアルスキャンライン全体のデータは不要であるという洞察に基づいている。これは、通常、物体は、それが位置する局所的なエリアのデータにおいて顕著なコントラスト又は特定の特徴の変動をもたらすからである。例えば、物体によって占有される特定の領域では、強度が検出可能に高く又は低くなる。

本発明の実施形態は、物体を特定するためのデータ処理を高速かつ簡単にするだけでなく、一方の軸上のラジアルラインの方位角又は回転角（φ）及び他方の軸上のフレーム番号に対してプロットされる代表点の１つ以上のセットとして、１つの単一の２Ｄマップ又はほんの少数の２Ｄマップで引き戻し血管内スキャン全体の概観を提示できるという利点を提供する。このマップに提示されるデータは、物体の存在を検出するための最も関連性の高いデータであり得る。

例えば、代表値には、所与のラインにおけるデータ値の広がり又は範囲（例えばラインにおける最大データ値又はピークデータ値、ラインにおける最小データ値、又はデータ値の標準偏差若しくは分散）に関する又はそれを示す情報が含まれる。データ値は強度であってよい。

いくつかの例では、特定のスキャンライン内又は特定のフレーム内の物体の存在は、視覚的データのセット全体を処理して物体を探すのではなく、各ラインのデータ（単一値）の１つ以上のコントラスト又は変動特性を探すことによって検出される。代表値は、各ラインのそのようなコントラスト又は変動特性に対応し得る。

コントラスト又は変動特性には、例えば、単一のラジアルラインの強度値の標準偏差、又はラインの最大強度点が含まれる。例えば、いくつかの周囲の又は隣接するラインよりも高い、１つのライン又はラインのセットの最大強度値又は強度標準偏差は、その１つのライン又はラインのセットに物体が存在している（少なくとも確率が高い）ことを示す。これらは、物体の境界又はエッジを示す場合もある。

より一般的には、代表値は、それぞれのラジアルラインの強度値の提示に関連している。

本発明の実施形態は、非限定的な例としてのステント、シース、及び／又はガイドワイヤなどの人工（異質の又は「人造の」）血管内物体によって占有されている超音波データ内の領域を決定するためのものである。これらは比較的大きな反射を生成する傾向があり、超音波データの局所領域で高強度の特徴的パターンが生成される。物体によって占有される領域は、データ内のそのようなパターンの検出に少なくとも部分的に基づいて、データ内で特定され得る。

さらに又はあるいは、いくつかの例では、実施形態は、非限定的な例としての血管分岐（血管が２つの枝に分割する場所）及び血管側枝などの解剖学的構造又は特徴によって占有されているデータ内の領域を決定するためのものである。さらに又はあるいは、いくつかの例では、実施形態は、非限定的な例としてのプラーク、石灰化、又は血栓症のエリアなどの病理によって占有されているデータ内の領域を決定するためのものである。

いくつかの例では、２つ以上の領域が検出される。方法は、血管内物体によって占有されているデータ内の少なくとも１つの領域を検出することを含み得る。

上記のように、データ収集中に、ＩＶＵＳデバイスは、例えば、血管腔である体腔の中を引かれ、フレームが一定の間隔で捕捉される。これにより、複数のフレームを含むデータセットがもたらされ、各フレームは、管腔に沿った異なる長手方向の位置に対応している。各フレームには、ラジアルラインの各々のデータが含まれている。したがって、フレーム番号は長手方向の位置に対応し、ラジアルライン番号は円周方向の位置に対応する。

方位角とは、ＩＶＵＳデバイスの長手方向軸を中心とした回転角を意味する。これは、標準的な円筒座標系の方位角座標に対応する。

方法はさらに、人工血管内物体によって占有されている超音波データ内の決定された領域を表すデータ出力を生成するステップを含み得る。

血管内物体によって占有されている領域を決定するステップは、物体によって占有されているデータのフレームの連続サブセットを特定するステップ、及び／又は、物体によって占有されているラジアルラインの連続サブセットを特定するステップを含み得る。通常、物体は、（その長手方向の長さにより）一連のフレーム及び／又は（その円周方向の長さにより）一連のラジアルラインを占有するので、物体によって占有されるデータ内の領域は、連続した一連のフレーム及び／又は連続した一連のラジアルラインを含み得る。

確率値に基づいた物体によって占有されている領域の決定は、様々なやり方で行われ得る。

いくつかの実施形態によれば、領域を決定するステップは、血管内物体のエッジを検出するステップを含み得る。エッジは、データ内にコントラストが高いエリアとして現れ、例えば、物体の領域が入力されると、強度値が急速に変化し、比較的簡単に検出できる。場合によっては、エッジは、データ内に特徴的なパターン又はパターンの特徴的な変化を生成し、検出を可能にする。

例えば、（例えば２つの連続フレーム間やフレームのサブセットにわたる）確率値のステップ変化を検出するか、又は、事前に定義された傾き／勾配の確率の降下又は上昇を検出することに基づいて、エッジが検出される。

物体の（長手方向の）近位エッジ及び遠位エッジが検出されてもよい。これらは、物体によって占有されている領域によって区切られている異なるフレームを占有し得る。

少なくとも１つのセットの実施形態によれば、血管内物体によって占有されている領域を決定するステップは、導出された確率値の各々が事前に定義された閾値よりも高いフレームの連続サブセットを特定するステップを含み得る。

特定の例では、閾値は、５０％、つまり、約５０％である。いくつかの例では、閾値は、コンテキストに応じて動的に設定されるか、例えば、ユーザによって指定されてもよい。

このアプローチは計算が簡単であり、非常に高速でかつ比較的低い処理能力及びリソースで行うことができる。例えば、確率値の時間シーケンスに適用される長方形のフィルタカーネルなどを用いて、単純な時間フィルタ処理を適用することを含み得る。

このアプローチの変形は、事前に定義された閾値を超える確率値を有するフレームの最大の連続セットを特定することを含み得る。これは、基準を満たす２つ以上の領域が存在する可能性があることを考慮し、そのような領域の最も大きいものが物体が本当に占有している可能性が最も高い領域であるという仮定を適用する。これにより、方法の堅牢性及び信頼性が増加する。

いくつかの例では、フレームの連続セットの最小長を課して、例えば、ノイズによる誤検出結果を除外できる。

さらなる変形は、最も高い確率値を有するフレームの最も長い連続セットを特定する動的プロセス、すなわち、長さと確率との最適化プロセスを適用することを含み得る。これは、サブセットの確率値対長さに対して異なる重み付けを適用して、最も可能性の高い占有領域を特定するアルゴリズムであり得る。

少なくとも１つのセットの実施形態によれば、血管内物体によって占有されるデータ内の領域を決定するステップは、データ内の占有の複数のトライアル領域をテストするステップを含み得る。テストは、各トライアル領域について、トライアル領域の確率値のセットと、物体による領域の正確な占有を表す確率値の同等のセットとの差を計算することを含み得る。正確とは、特定を意味する。

例えば、トライアル領域の確率値のセットは、物体による領域の推定占有を表すテスト確率曲線又は関数又は波形と比較される。これは、確率の高さが１であり、幅又は長さがトライアル領域の範囲に対応する単純な正方形信号を含み得る。

このアプローチはより堅牢であり、上記で説明したより単純な閾値アプローチよりも信頼性の高い結果を生成し得る。

テストは、各トライアル領域の費用関数を評価することを含み得る。

正確な占有は、領域全体で１の確率値を含み得る。

例えば、テストは、費用関数を計算することを含み、費用関数は、少なくとも第１の加算項として、トライアル領域全体のフレームのセット全体の上記差の値のセットの合計を含む。

費用関数は、さらなる加算項として、トライアル領域の片側又は両側のフレームの連続セットの確率値の合計を含み得る。

本発明の任意の実施形態によれば、代表値は各ラジアルラインの最大強度値を表し得る。すなわち、各ラインの代表値は、そのラインの最大強度値を表す。したがって、それぞれがラインに沿った最大強度点の値に対応し得る。このプロセスは、ラジアルスキャンライン指数及びフレーム指数の関数として強度値の２次元マップをもたらし、最大強度投影と呼ばれることもある。

最大強度値は、理想的には、物体存在検出の目的に適している。これは、物体が位置しているデータのエリア全体で、物体が特徴的に高い強度の領域を生成する傾向がある事実による。したがって、各ラインの最大強度値は、本質的に、物体の有無を示す大まかな指標に相当する。例えば、最大強度が特定の特徴閾値を超えている場合、これは物体がラインのどこかに存在していることを示している可能性がある。

方法はさらに、ラインのセット全体及びフレームのセット全体について最大強度値のセットを分析して、物体が存在する場所を検出するステップを含み得る。これは、例えば、高い値が低い値に下がる点を特定することを含む。いくつかの例では、これらの点は、物体のエッジの場所を示していると考えられる。

特定の有利な例によれば、方法はさらに、各ラジアルラインに沿って特定された各最大強度値の場所を表す指数値のセットを決定するステップを含む。ラジアルラインの投影方向により、これは、最大強度点の長手方向の位置に対応し得る。これにより、脈管腔に沿った物体の長手方向の場所をより正確に特定できる。

最大強度は、１つの有利な例にすぎない。他の例示的な代表値としては、非限定的な例として、各ラインの強度値の標準偏差、最大強度点が見出されるラインに沿った場所を表す指数、事前に定義した閾値を超える第１のピクセルが見出されるラインに沿った場所を表す指数、又は、他の任意の適切な例が挙げられる。さらなる例については、この開示の後続のセクションで説明する。

１つ以上の実施形態によれば、方法は、例えば、フレーム番号及び／又はラジアルライン番号に対して代表値を表すプロット又はマップである、代表値のプロット又はマップを生成するステップを含み得る。このプロット又はマップは、例えばユーザにプロット又はマップを表示するために、関連する表示デバイスに制御出力として通信されてもよい。プロット又はマップは、少なくとも、１つの軸に沿ったラジアルライン番号に対してプロットされた代表値を示し得る。

１つ以上の例によれば、確率値を導出するステップは、物体が存在していることに特徴的である１つ以上の特徴的なパターンを、代表値のセット内で検出するステップを含む。

例えば、方法は、確率値のフレームごとのシーケンス、つまり、連続する増分するフレームにわたる確率値のシーケンス内でパターンを検出するステップを含む。

例えば、方法は、増分するフレーム番号及び／又はラジアルライン番号の関数として、値の広がり、分布、又は変動のパターンを検出するステップを含む。

検出される特徴的なパターンは、事前に決定されていてもよい。例えば、予め事前に保存されていてもよい。

いくつかの例では、特徴的なパターンは、高い強度値又は高い最大強度値の一貫した領域を含む。

いくつかの例では、特徴的なパターンは、物体のエッジを示すパターン、例えば、強度値又は最大強度値の急激な変化、例えばステップ変化である。いくつかの例では、特徴的なパターンは、代表値の城郭風（上下又は波状）パターンを含む。

１つ以上の例によれば、確率値を導出するステップは、分類器アルゴリズムを使用するステップを含む。

分類器アルゴリズムは、機械学習アルゴリズムを含み得る。機械学習アルゴリズムは、ラベル付き又は注釈付きのトレーニングデータを使用してトレーニングされ得る。トレーニングデータは、確率値の複数の例示的なセットを含み、それぞれラベル付けされて物体が存在するかどうかを示す。アルゴリズムは、このトレーニングデータを使用して、物体存在を示す確率値のセットと物体不在を示す値のセットとを区別する、すなわち、分類することを学習できる。

いくつかの例では、アルゴリズムはニューラルネットワークである。

他の例では、アルゴリズムは、ランダムフォレスト（ＲＦ）アルゴリズムを含む。この場合、確率値の導出はさらに、ウェーブレット変換を使用して、上記の代表値の初期変換を行うことを含み得る。ＲＦアルゴリズムは、ウェーブレット係数を使用して、関連するフレーム又はフレーム範囲内に物体が存在する可能性を記述する確率値推定値の生成を行う。

本発明の任意の実施形態によれば、各フレームは、管腔に沿った異なる長手方向の場所に対応し得る。これは、ＩＶＵＳデバイスを脈管腔内で長手方向に引き、進行中に一定の間隔で連続したフレームを捕捉する、ＩＶＵＳデータが収集されるやり方からもたらされる。

本発明のさらなる態様による例は、ＩＶＵＳデバイスによって捕捉された超音波データを分析するための超音波データプロセッサを提供する。プロセッサは、
ＩＶＵＳデバイスによって捕捉された超音波データの複数のフレームを受信することであって、各フレームは、複数のラジアルスキャンラインのデータを含み、各ラジアルスキャンラインは、デバイスの長手方向軸（Ａ－Ａ’）に関して異なる回転角（φ）に沿った音響反射に対応する、受信することと、
各フレームにおける各ラジアルスキャンラインの超音波データを処理して、各ラインのデータを、そのラインの単一の代表データ値に低減することと、
代表データ値のセットから、少なくとも各フレーム内に人工血管内物体が存在する確率に対応する確率値のセットを導出することと、
確率値に基づいて、血管内物体によって占有されている超音波データ内の領域を決定することとを行うように適応されている。

上記プロセッサデバイスが行うステップの各々の実装オプション及び詳細は、本発明の方法態様について上で提供した説明及び記載に従って理解及び解釈され得る。

データ分析方法に関して上記の例、オプション、又は実施形態の特徴若しくは詳細のいずれかを、本発明の本デバイス（プロセッサ）態様に、必要な変更を加えて適用する、組み合わせる、又は組み込むことができる。

本発明のさらなる態様による例は、超音波システムを提供する。超音波システムは、
複数の異なるラジアルスキャンラインに沿って血管腔内で超音波データを捕捉するための血管内超音波デバイスと、
上記若しくは以下に説明する任意の例若しくは実施形態による、又は本願の任意の請求項による超音波データプロセッサであって、血管内超音波デバイスと動作可能に結合され、ＩＶＵＳデバイスによって捕捉された超音波データを受信する超音波データプロセッサとを含む。

ＩＶＵＳデバイスは、例えばカテーテル又はガイドワイヤである血管内プローブを含み得る。

本発明のこれらの及び他の態様は、以下に説明される実施形態から明らかになり、また、当該実施形態を参照して説明される。

本発明をさらに深く理解し、それがどのように実行されるかをより明確に示すために、ほんの一例として添付の図面を参照する。

図１は、例示的なＩＶＵＳデバイスを示し、１つの例示的なラジアルスキャンラインの捕捉を示す。 図２は、脈管腔内のＩＶＵＳデバイスを示す。 図３は、ＩＶＵＳデータから既知のアプローチで生成された例示的な長手方向の断面図を示す。 図４は、１つ以上の実施形態による例示的なデータ分析方法を示す。 図５は、１つ以上の実施形態に従って生成され得る血管の内部の例示的な２Ｄマップを示す。 図６は、図５のプロットによって提供される脈管の内部の幾何学的な視点を概略的に示す。 図７は、データ内にステントの存在を示す、例示的なデータセットの最大強度値の例示的なプロットを示す。 図８は、１つ以上の実施形態による例示的な方法の例示的なワークフローを示す。 図９は、物体が存在する場合の、例示的なデータセットのラジアルラインの最大強度値及び最大強度指数値を表す２Ｄマップを示す。 図１０は、物体が存在しない場合の、例示的なデータセットのラジアルラインの最大強度値及び最大強度指数値を表す２Ｄマップを示す。 図１１は、１つ以上の実施形態による例示的な方法の例示的なワークフローを示す。 図１２は、各データフレームに物体が存在する確率についての確率値のセットを導出するための例示的な手順の例示的なワークフローを示す。 図１３は、図１２の例示的な手順に適用されるハールウェーブレットの基底関数の形状を示す。 図１４は、図１２の例示的な手順を使用して適用されるウェーブレット変換の複数の信号分解段を示す。 図１５は、例示的なデータセットのフレームの確率値の例示的なセットを示す。 図１６は、図１５の確率値から導出された例示的な時間平均確率曲線を示す。 図１７は、様々なトライアル領域へのテスト方形波の適用に基づいて、確率値のセット内での物体占有の様々なトライアル領域のトライアル（trialing）を示す。 図１８は、様々なトライアル領域へのテスト方形波の適用に基づいて、確率値のセット内での物体占有の様々なトライアル領域のトライアルを示す。 図１９は、２つの費用関数（費用関数は、確率曲線下の異なるエリアに対応する）の事前計算に基づく、図１７及び図１８のアプローチの変形を示す。 図２０は、２つの費用関数（費用関数は、確率曲線下の異なるエリアに対応する）の事前計算に基づく、図１７及び図１８のアプローチの変形を示す。 図２１は、２つの費用関数（費用関数は、確率曲線下の異なるエリアに対応する）の事前計算に基づく、図１７及び図１８のアプローチの変形を示す。

本発明を、図を参照して説明する。

詳細な説明及び具体的な例は、装置、システム、及び方法の模範的な実施形態を示しているが、説明のみを目的としたものであり、発明の範囲を限定することを意図したものではないことが理解されるべきである。本発明の装置、システム、及び方法のこれらの及び他の特徴、態様並びに利点は、次の記述、添付の特許請求の範囲、及び添付の図面からよりよく理解されるようになるであろう。図は単なる概略図であり、縮尺どおりに描かれていないことが理解されるべきである。図全体で同じ参照番号を使用して、同じ部分又は類似の部品を示す。

本発明は、脈管腔の取得された血管内超音波データの分析に基づいて、脈管腔内の血管内物体の存在を検出するための超音波データ処理方法を提供する。方法は、複数のフレーム（各フレームには、ＩＶＵＳデバイス本体の周りの異なる円周方向の位置に対応する複数のラジアルラインのデータが含まれる）を含むデータを受信することと、データを、各フレームにおける各ラジアルラインについての単一の代表値に低減することとを含む。これらの代表値を続いて処理して、所与のフレーム内の物体の存在の確率を表す値を、少なくとも各フレームについて導出する。確率値に基づいて、血管内物体によって占有されるデータ内の領域（例えば、物体によって占有されるフレームの連続セット）が決定される。

したがって、方法は、静脈や動脈、又は他の身体腔内の物体を検出し、新規のアプローチを使用して、各ラインのデータを単一の値に凝縮し、処理を高速化及び容易にする。また、ユーザに対して、捕捉されたデータをより容易に提示することも可能にする。このアプローチは、物体を検出する目的で、各ラインの単一の代表値が十分な情報を提供するという洞察に基づいている。これは、物体は、例えば、強度値に関して周囲の領域と対照的な領域として超音波データに現れるからである。したがって、単一の値で、ラジアルラインにおけるデータ値のある程度の分散又は広がりや、ラインの最大強度点を捕捉することができ、最大強度点自体は、フレーム内の他のラインの同様の値と組み合わせることで、物体がそのデータフレーム内に存在するかどうかを検出するのに十分な情報が提供される。

したがって、本発明の実施形態は、データの異なる提示又は処理を使用することに基づいており、あらゆる方向における血管内スキャンの概観を提供する。

本発明の実施形態は、データ内に大きな反射を生成する傾向があることで、例えば、データ内の特定のコントラスト特性を検索することで特定されることを可能にする、血管内物体、特に人工血管内物体の検出及び／又は分類のために、この簡易化されたデータ処理を適用することを提案する。

血管内物体、解剖学的構造、又は病理を検出するためのこのデータの処理の使用は、当技術分野において知られていない。人工血管内物体の例としては、ステント、シース、及びガイドワイヤが非限定的な例として挙げられる。解剖学的構造の例としては、分岐が非限定的な例として挙げられる。病理の例としては、プラーク、石灰化、及び血栓症が非限定的な例として挙げられる。

図４は、本発明の１つ以上の実施形態による例示的な超音波データ分析方法３０をブロック図形式で示している。方法３０は、血管内超音波（ＩＶＵＳ）デバイスによって捕捉された超音波データを分析するためのものである。

方法３０は、ＩＶＵＳデバイスによって捕捉された複数フレームの超音波データを受信すること（３２）を含む。各フレームは、複数のラジアルスキャンラインのデータを含む。各ラジアルスキャンラインは、デバイスの周りの特定の回転（又は方位）角φの方向性を有するデバイスの異なるラジアル軸に沿って受信した超音波信号、すなわち、デバイスの長手方向軸（Ａ－Ａ’）に対してデバイスの本体の周りの異なる回転角φに沿って受信した信号に対応する。これは、以下で説明されるように、図１でより明確に見ることができる。長手方向軸の方向は、図１の線Ａ－Ａ’で示されている。

データは、例えば、ＩＶＵＳ超音波デバイスから受信される。あるいは、データは、通信的に結合されたデータストアやメモリから、又は、特定の例では、外部若しくはリモートのコンピュータやサーバから受信されてもよい。

方法３０はさらに、各フレームにおける各ラジアルスキャンラインの超音波データを処理して（３４）、各ラインのデータを、そのラインの単一の代表データ値に低減することを含む。いくつかの例では、２つ以上の代表値が生成される場合がある。各代表値は、ラジアルライン全体を表している。

方法３０はさらに、代表データ値のセットから、少なくとも各フレーム内に人工血管内物体が存在する確率に対応する確率値のセットを導出すること（３６）を含む。

方法３０はさらに、確率値に基づいて、血管内物体によって占有されている超音波データ内の領域を決定すること（３８）を含む。

特定の例では、方法はさらに、例えば、外部コンピュータなどの外部デバイスに通信するために、又は、患者モニタデバイス若しくは表示デバイスに通信するために、血管内物体によって占有されている決定された領域を表すデータ出力を生成することを含む。物体検出の結果を表示するために、動作可能に結合されている表示デバイスを制御するための制御出力が生成され得る。

本発明は、血管内超音波（ＩＶＵＳ）データの分析のためであり、データは、ＩＶＵＳデバイス１２によって捕捉されていることを意味する。前述のとおり（例えば図１を参照)、ＩＶＵＳデバイスは、通常、伸長デバイス本体１４を有し、動作中は、血管の中を長手方向に引かれて、一定の間隔でフレームを捕捉する。ＩＶＵＳデバイスは、通常、その外面に、デバイスの周りの円周方向に延在する超音波トランスデューサ素子２０のアレイ１６を含む。１つ以上のトランスデューサ素子からの超音波信号伝送の後に、１つ以上のトランスデューサ素子が受信した信号を結合して、複数のラジアルライン２４の超音波データのうちの１つを作成する。ラジアルライン２４の超音波データを組み合わせて、複数のフレーム２５のうちの１つが形成される。各フレームは、イメージングされた内腔の局所空間スライスを表す。

各ラジアルラインは、特定の方位角の方向性φを有するデバイスの特定のラジアル軸に沿って、つまり、デバイスの周りの特定の回転角φの方向に沿って、超音波信号（例えば超音波ビーム）を送信することによって捕捉される。反射信号が受信され、ラジアルラインのデータが提供される。各ラジアルラインは、それぞれのラジアル軸に沿って超音波ビーム又は光線を送信することで生成される。例えば、ビームフォーミングを容易にするために、各ラジアルラインは、複数のトランスデューサ素子のサブセットを使用して送受信される。

動作中、デバイス１２は、挿入された脈管腔２８に沿って長手方向に引き戻される。これは、図２に示されている。デバイスは、トランスデューサ素子２０のアレイを円周方向に進み、円周周りの各トランスデューサ素子（又はサブセット）がそれぞれ異なるラジアルラインの超音波データを捕捉する。ラジアルラインの完全な各円周スイープは、単一フレームｆのデータを構成する。

本発明では、各ラジアルスキャンライン２４のデータは、最大ピクセル強度やその標準偏差などの単一の表現数値に変換される。

これらの値は、２Ｄマップにプロットされ得る。図５に一例が示されている。

マップのｙ軸は、それぞれのラジアルラインの方位（回転）角φであり、ｘ軸は、ラジアルラインが含まれるフレームの番号である。フレーム番号は、連続したフレームを捕捉している間にデバイスを内腔に沿って長手方向に引くやり方により、内腔に沿った長手方向の位置に事実上対応する。したがって、内腔に沿った一連の長手方向位置の各々におけるデバイスの周りの円周上の各場所における代表値（この例では最大強度値）のマップとなる。

このようなマップは、例えば臨床医であるユーザに対する表現のために、それ自体が有用であり得る。例えば、脈管の側枝は、このマップでは暗いエリアとして現れる（図５に矢印で示されている）。対照的に、石灰化は、データ内の特徴のある明るい領域として検出できる。なお、マップは、経度対方位角で脈管の内側の直感的なビューを提供するため、データを明示的にセグメント化する必要はないことに留意されたい。

結果として得られる低減されたデータセットは、２Ｄマップとして表されると、例えば、図６に概略的に示されているように、長さに沿って切断され、内面が見える状態で平らに配置されたかのように、イメージングされた脈管の内壁の展開ビューを事実上提供する。

各ラジアルスキャンラインについて、ライン全体の受信した超音波信号の代表値が計算される。

非限定的な例として、代表値には、例えば、次のうちのいずれか１つ又は複数が含まれ得る：
ラジアルラインのデータ値（例えば強度値）の標準偏差（又は分散）。
ラジアルラインの最大値（例えば強度値）。
ラジアルラインの最小値（例えば強度値）。
ラインに沿った最大データ値の場所、すなわち、ラインに沿った最大値のラジアル位置を表す指数。
事前に定義された閾値を超える値を有するラインに沿った第１のピクセルのデータ値、又は、ラインに沿った（例えばラジアル）場所を表す指数。データ値は強度値であってよい。
データ値の累積合計が、ラインデータ値の合計の事前に定義された割合（例えば７５％）に到達する、ラインに沿った場所（例えばラジアル場所）を表す指数。
検出される標的物体の特徴的な形状に一致するフィルタカーネルを有する整合フィルタの出力。したがって、整合フィルタは、標的物体が存在する場合に（極）大値を採用する出力信号を生成する。このため、整合フィルタは、例えば、ラジアル方向におけるステントストラットのサイズ及び／又は形状を一致させ得る。

本発明の少なくともいくつかの実施形態は、超音波データ内の人工血管内物体の存在を特定するためのものである。いくつかの例において検出され得る人工血管内物体の一例としては、血管内ステントが挙げられる。

脈管ステントは、通常、金属メッシュのチューブ状の長さで形成され、その周囲に広がるメッシュの接続素子はストラットと呼ばれる。

金属ステントストラットは、超音波信号が入射すると強い反射を生成する。これにより、ストラットを含むラジアルスキャンラインに沿って、強度値の高い最大値及び／又は強度値の大きな分散が生じる。代表値のセットが各ラインの最大強度値又は分散値に対応する箇所、したがって、ストラットの場所は、（周囲の値に対して）相対的に高く表される領域、すなわち、周囲の値とコントラストの高いエリアとしてデータ内で検出可能である。

これは、図７に示されている。図７は、例示的な超音波データセットのラジアルラインの最大強度値の２Ｄマップを示している。図に示されている領域には、ステントの一部が含まれている。ｘ軸は、スキャンラインのフレーム番号に対応し、ｙ軸は、スキャンラインの方位角φに対応する。

ステントのメッシュの交差パターンが、暗い値の背景に対する強いコントラストの明るいエリアとして、データ内に明白に見える。

各スキャンラインの代表値のセットとしてデータを処理することは、捕捉されたＩＶＵＳデータを処理及び表す従来のモードに勝る利点を提供する。一般的な既知のアプローチでは、ＩＶＵＳデータセット全体が任意の分析手順に使用され、データ内の物体又は解剖学的領域の検出又は特定は、セグメント化に基づいて行われる。セグメント化は、解剖学的モデル情報を利用し、参照輪郭又は画像に基づいて、特定可能な物体の輪郭を検出することを含む。

しかしながら、特に血管内超音波の場合、内腔セグメント化は信頼性が低く、エラーが発生しやすい。そのため、捕捉したデータのセグメント化は、脈管壁の比較的粗い提示しか提供できず、この場合、脈管分岐といった小さな詳細は見逃され易い。

本アプローチでは、例えば、値内のパターンや高いコントラストの領域を探すために、計算された代表値を単純に分析することによって、セグメント化の必要性を回避する。これらの値の生成自体は、物体の存在の特定に最も関連性の高い重要なデータ点をデータから抽出するプロセスを行う。

したがって、本発明の実施形態は、セグメント化を適用するのではなく、３Ｄボリュームレンダリングの分野においてより一般的であるアプローチに従う。このアプローチでは、２Ｄ出力画像が、ラジアルに向けられたスキャンラインのセットに沿って３Ｄボリュームを直接評価することによって構成される。スキャンラインは、（脈管壁の生成された２Ｄ画像の視点の場合）ラジアル深さ方向に延在している。

このアプローチは、ラジアル経路全体に沿った超音波データの収集から、空間的に非常に小さな詳細の存在を特定することができる。例えば、脈管分岐を検出する場合、同じラジアル経路に沿った複数の隣接するデータ点が、事実上「協働」して、そのような分岐に特徴的である局所低強度値をもたらす。

図８は、１つ以上の実施形態による例示的なデータ分析方法の例示的なワークフローをブロック図形式で示している。

最初に、未加工（極）超音波データが受信される（５２）。任意選択で、この時点で、ユーザによる観察のために、未加工の極データを少なくとも何らかの形でグラフィカルユーザインターフェース（ＧＵＩ）６２に出力してもよい。例えば、フレームの完全なセットについて、特定のラジアルラインのデータを出力してもよい。これは、いくつかの例では、グラフィカル出力又は視覚的出力として出力される。

これは、次に、処理されて（５４）、各ラジアルスキャンラインから１つの代表値が抽出される。これは、単一フレームを形成する（ラジアル）超音波Ａラインのセット内で、ラジアルＡライン（ビームフォーミング後のエンベロープ信号）ごとに代表値をフレーム単位で計算することを含む。代表値は、各フレームのデータのコンパクト提示を作成するためのコントラストメカニズムを提供し得る。

コントラスト又は変動特性（コントラストメカニズム）に関してデータを表す代表値を使用することは、次に、物体の存在の検出に理想的に適している。これは、ステント、グラフト、ガイドシース、ガイドワイヤ、又は他の任意の血管内物体などの物体は、背景と比べてコントラストの強いエリアとして現れる傾向があるため、物体の存在を検出するために十分な情報を保持することを可能にするからである。したがって、本発明の実施形態のアプローチは、少なくとも特定のコントラストメカニズムの選択について、代表値の出力セットは、物体の検出又は分類を成功させるために十分な関連情報を保持するように思われるという洞察から少なくとも部分的に従う。

結果として得られる代表値のセットはバッファリングされる（５６）。任意選択で、この時点で、導出された代表値のセットを、ユーザによる観察のために、グラフィカルユーザインターフェース（ＧＵＩ）６２に出力してもよい。グラフィック形式又は視覚形式で出力してもよい。例えば、図５の例示的な２Ｄマップに示されるように、生成された代表値のセットの２Ｄマップ又はプロットが生成され、このグラフィック出力を表す制御信号が、表示デバイス又は患者モニタなど、関連するＧＵＩ６２に通信される。

次に、生成された代表値のセットに物体検出手順５８が適用される。これは、データ内に物体が存在するかどうかを検出し、好ましくは、データ内の物体によって占有される領域を決定する。これは、データの各フレームに物体が存在する確率を表す確率値のセットを導出し、これらの値からデータ内の物体によって占有される領域を決定することに基づいている。

次に、検出手順５８の結果がバッファリングされる（６０）。検出手順の結果を、例えば、グラフィック、テキスト、又は他の任意の形式で、グラフィカルユーザインターフェース６２に出力してもよい。或いは、結果をローカル又はリモートで保存してもよい。

図９は、１つ以上の実施形態による例示的なデータ分析方法のさらなる、より具体的な例示的なワークフローを示している。この例では、超音波データから導出される代表値は最大強度値である。

人工物体（例えばステント）の存在検出への適用では、いわゆる最大値投影法（ＭＩＰ）の使用が、ラインごとのデータの有用な提示法であることがわかっている。ＭＩＰは、３Ｄデータバッファにいわゆるボクセル値として保存されているボリュメトリックデータを視覚化するための、３Ｄボリュームレンダリングにおける計算効率の高い方法として知られている。ＭＩＰは、ボリュメトリックデータに適用されると、２Ｄ画像平面への３Ｄボリュームの半透明投影のような画像をもたらす。

ＭＩＰは、ボリュームデータを通る投影ラインに沿った最大強度ボクセル又はピクセルを特定し、その値を出力の２Ｄ ＭＩＰ画像に使用することに基づいている。

本発明の特定の実施形態では、同様のタイプのアプローチに従い、各ラジアルラインに沿って最大強度投影が取られる。つまり、各ラジアルラインは、ラジアルに向けられたそのスキャンラインに沿って最大強度値に対応する単一の値に変換される。したがって、事実上、同様のＭＩＰ操作を使用して、未加工のフレームごとの２Ｄ超音波極データを単一の値（最大強度値）に変換する。

さらに、有利な例のセットによれば、各ラインについて、２つの代表値、つまり、最大強度値自体と、ラジアルスキャンラインに沿ったその最大値の場所を表す指数（ここでは「最大強度指数」と呼ぶ）とが導出される。この２つの情報を抽出することで、以下により詳細に説明されるように、より堅牢な物体検出手順を行うことができる。

最大強度値及び最大強度指数は、２つの１Ｄベクトルのセットとして理解され得る。

取得したフレームの所与のシーケンスでは、最大強度値ベクトル及び最大強度指数ベクトルの両方を、図５のマップと同様のそれぞれの２Ｄマップ上に表現できる。

図９及び図１０に２つの例が示されている。各図の上のマップは、各ラジアルスキャンラインの最大強度値のマップを示し、各図の下のマップは、各ラジアルラインの最大強度指数値のマップを示している。いずれの場合も、値は、ｙ軸のラインの方位角とｘ軸のフレーム番号に対してプロットされている。図９は、物体（具体的にはステント）が存在するデータのサンプルセットの最大強度値及び指数値に対応し、図１０は、物体が存在しないデータのサンプルセットに対応する。

図９におけるステントの存在は、ステントストラットの交差するメッシュ配置によって生じる特徴的なパターンによって明確に明らかにされている。比較的強い反射は、明るい局所的な最大強度値（上部のプロット）をもたらし、ストラット間隔は、最大強度指数値（下部のプロット）で明確な城郭風（castellated）パターンをもたらす。

図１１は、最大強度値及び最大強度指数の抽出を用いる例示的な方法の例示的なワークフローを示している。

図８のワークフローと同様に、方法は、未加工の極超音波データを受信すること（５２）を含む。ここでも、任意選択で、この段階で、データを、例えばグラフィック形式でグラフィカルユーザインターフェース（ＧＵＩ）に出力してもよい。方法は、グラフィック出力をレンダリングすることを含んでもよく、又はＧＵＩがレンダリングを行ってもよい。

次に、方法は、受信したデータの各ラジアルスキャンの最大強度値及び最大強度指数を抽出すること（５５）を含む。次に、これはバッファリングされる（５６）。

次に、物体検出手順５９が適用される。物体検出手順は、物体がデータ内に存在するかどうかを検出することを含む。

これは、データの各フレームに物体が存在する確率を表す確率値のセットを導出し、これらの値から物体が存在するかどうかを決定することに基づいている。

次に、物体検出手順の結果がバッファリングされる（６１）。

物体が検出される場合、次に、エッジ検出手順６２が適用され、データ内の物体のエッジの場所が決定される。ここでも、これは、抽出された最大強度値及び最大強度指数値から導出される確率値のセットの使用に基づいていてよい。

この手順では、位置が特定されるべきエッジが見つかったフレームの指数（又はフレーム番号）が出力として生成される。これは、次に、ユーザに対する表現のために、ＧＵＩ７０などのユーザディスプレイに出力され得る。

エッジの場所は、例えば、ステントである物体によって占有される領域自体を示す。これらは、必然的に、２つの特定されたエッジ間の領域、すなわち、２つのエッジの場所のフレーム間のフレームの連続セットを示す。

上記のステップの各々を行うための例示的な手順について、以下で詳細に説明する。

この例では、各ラジアルラインの代表値として最大強度値を使用することが詳細に説明されているが、本発明は、この特定のタイプの代表値の使用に限定されない。他の例では、各スキャンラインのデータを異なる代表値に変換してもよい。実施形態に従って使用できる様々な例示的な代表値をいくつか上述している。

前述のとおり、方法は、ラジアルスキャンラインの抽出された代表値のセットから、少なくとも各フレーム内に血管内物体（例えば人工血管内物体）が存在する確率に対応する確率値のセットを導出することを含む。

これらの値は、いくつかの例では、時間的に平均化又は平滑化されて、フレーム番号の関数として確率値の連続したシーケンス又は曲線が生成され得る。次に、確率値のこのシーケンスを処理して、物体によって占有されているデータ領域（連続フレームのセット）が検出され得る。いくつかの例では、２つ以上の領域が検出され得る。

代表値のセットからの確率値の生成は、様々なやり方で行われ得る。確率値のセットを生成するための様々な例示的な方法について、詳細に説明する。これに従って、確率値から物体の存在を検出し、データ内の物体の占有領域を決定するための様々な例示的な方法について説明する。

第１の例示的な方法について以下に説明する。このアプローチは、各ラジアルラインからの最大強度値を代表値として導出することに基づいている。簡潔にするため、最大強度値は「ＭＩＰ値」と呼ぶ。

フレームごとの代表値（例えばＭＩＰ値）を、関連するフレームに物体（例えばステント）が存在する確率推定値に変換する１つの例示的な方法は、ランダムフォレスト（機械学習）分類器アルゴリズムと、入力データの次元性を低減する離散ウェーブレット変換（ＤＷＴ）との使用に基づいている。このアプローチは、好ましくは、ＭＩＰ値を代表値として使用し、また、ステントの存在は、ＭＩＰ値及びＭＩＰ指数値の両方に特徴的なパターンをもたらす傾向があるという観察に部分的に基づいている。このアプローチは、比較的単純なアルゴリズムであることにより計算量が削減されるため、第２の方法（後述）よりも計算量が少ないことが示されている。

以下の例は、ステントの検出を参照して、例示のために説明されているが、ほんの一例であることに留意されたい。このアプローチはステントの検出に限定されるものではない。他の任意の血管内物体の検出にも使用でき、例えば、ガイドシースや血管グラフトなどであるがこれらに限定されない他の血管インサートの検出における使用のために成功裏にテストされている。

このアプローチは、離散ウェーブレット変換（ＤＷＴ）、標準偏差計算、及びランダムフォレスト（ＲＦ）分類器の組み合わせに基づいている。図１２は、確率値を導出するための例示的な方法のワークフローをブロック図形式で示している。

最初に、ＩＶＵＳ超音波データの完全なセットが処理されて（８２）、各ラジアルラインのデータが、ＭＩＰ値の形式の単一の代表値と、さらに、最大強度値が見つかったそれぞれのラインに沿った場所を示す付随の指数とに変えられる。

これらの出力値は、次に、離散ウェーブレット変換（ＤＷＴ）８４への入力として提供される。ＤＷＴを使用して、データの次元性を２×２５６値からフレームあたり１５個の値（各フレーム内に含まれる１５のラジアルラインに対応する）に低減する。これらの数字は模範的なものに過ぎず、発明を制限するものではない。

離散ウェーブレット変換プロセス８４は、結果として得られるウェーブレット係数のバンドごとの分散８６のセットを出力として生成する。これらは、事実上、２次特徴ベクトルを提供する。

次に、バンドごとの分散、すなわち、標準偏差８６は、ランダムフォレスト（ＲＦ）分類器アルゴリズム８８への入力として提供される。このアルゴリズムは、各フレームに対して、それぞれのフレームにステント（又は他の物体）が存在する確率を示す確率値（０～１）を生成するようにトレーニングされている。

ＲＦ分類器は、ラベル付けされた例示的なデータに基づいてトレーニングされたアルゴリズムであり得る。トレーニング後、アルゴリズムは、トレーニングされた決定木の集合を含み、これらは、組み合わせられて、分類器（フレーム内の存在又は不在）と回帰器（回帰分析）との両方として機能し得る。回帰関数は、フレームのセットについて、それぞれ０～１の範囲である連続確率値又は関数（若しくは値のシーケンス）を生成できる。

上記のように、物体（例えばステント）の存在は、その物体によってもたらされるデータ内の特徴的なパターンの存在に基づいて、データ内で特定できる。ステントなどのほとんどの人工物体は、明るい局所的ＭＩＰ値をもたらす比較的強い反射を生成し、ストラット間隔は、ＭＩＰ指数において明確な城郭風パターンをもたらす。したがって、これらの明確なパターンは、推定される物体の存在を検出するための１つの手段を提供する。分類器アルゴリズムは、このようなパターンを検出するため、又はフレーム内に物体が存在する確率の決定の一部においてこのようなパターンを使用するようにトレーニングされていてよい。

その後、確率値のセットは、フレームごとのフィルタリング操作（時間フィルタリング操作）９０を使用して時間的に平均化又はフィルタリングされて、局所的に時間的に平均化された確率値のシーケンスがもたらされ得る。これらから、ステント（又は他の物体）のエッジが、適切なエッジ検出手順を用いて検出され、特定された物体によって占有される領域が検出され得る。確率値に基づいて物体の場所を決定するための例示的な手順について、以下に詳細に説明する。

上記のように、このアプローチは、離散ウェーブレット変換の適用を伴い、ウェーブレット係数のバンドごとの分散のセットを含むＲＦ分類器に供給するための出力を生成する。この手順について、より詳細に説明する。

ウェーブレット変換などの周波数変換の選択は、ステント（又は他の物体）ストラットのパターンがＭＩＰ値（及びＭＩＰ指数）のセットで特徴的な規則正しいパターンをもたらすという観察に基づいている。このパターンはその性質上、準周期的である。このため、（物体の存在を示す）特徴的なパターンは、１つ以上の特徴的な空間周波数と関連付けられ得る。

例として、有利な例では、離散ハール（Ｈａａｒ）ウェーブレット変換を使用できる。

離散ハールウェーブレットの使用は、計算量が比較的制限されるという利点があるため、手順の実行がより高速になり、かつより計算的に効率的になる。この単純さは、ハール基底関数の正方形の形状から得られる。この形状を、例示のために図１３に示している。

連続的なハール基底ウェーブレット関数

は、次の形式を有する：

正規化された離散ハールウェーブレット変換は、次のフィルタカーネルを使用して、ＭＩＰ値の入力セットの連続した畳み込みをもたらす。

ここで、高域通過フィルタｈ［ｎ］及び低域通過フィルタｇ［ｎ］は、フィルタリング操作及びダウンサンプリング操作のカスケードで入力（ＭＩＰ値）信号ｘ［ｎ］を反復して畳み込みする。

図１４は、このようなフィルタリング操作及びダウンサンプリング操作のカスケードを概略的に示している。各分解レベル（１１０ａ、１１０ｂ、１１０ｃ）では、信号のダウンサンプリングされた低域通過フィルタ処理された近似が、次の信号分解のための入力を形成する。各レベルでは、上記のカーネルを用いて高域通過フィルタｈ［ｎ］及び低域通過フィルタｇ［ｎ］が適用される。

ステント検出に変換を適用する場合、変換は、ＭＩＰ値及びＭＩＰ指数の両方を含む入力信号ｘ［ｎ］に適用される。例として、７レベル変換が適用される。これにより、合計５１２個の出力ウェーブレット係数（２×２５６ウェーブレット係数）がもたらされる。

各サブバンドについて、標準偏差（又は分散）が計算されて、２×７のサブバンドごとの標準偏差値のベクトルが形成される。これらの値は、１４次元の特徴空間にスパンするものと理解され得る。標準偏差値のこれらの計算されたベクトルは、ＲＦ分類器アルゴリズム８８への入力を形成する。

各フレームの各ラジアルラインの代表値のセットを、フレームごとのステント存在推定値（確率値）に変換するための第２の例示的な方法は、１つ以上の畳み込みニューラルネットワーク（ＣＮＮ）の使用に基づいている。任意選択で、これらは、単一のフレームではなく、複数のフレームからの入力を使用する。ニューラルネットワークがさらにトレーニングされるにつれて、このアプローチは、上記の第１の例示的なアプローチよりも堅牢かつ信頼性の高いものになり得る。しかしながら、計算量がやや多い。

このアプローチは、ウェーブレット変換の使用に代わる代替案を提供する。例えば、ＣＮＮは、ラベル付けされたサンプルデータ（ＭＩＰ値及び任意選択でＭＩＰ指数のサンプルセット）に基づいてトレーニングされる。アルゴリズムでは、深層学習を使用してもよい。

動作中、ＣＮＮは、入力として、フレームごとのＭＩＰ値が供給され、出力として、物体が各フレームに存在する０～１の範囲の連続確率値（又は値のシーケンス）を生成する。

したがって、特定の実施形態では、このようなＣＮＮの使用は、上記のアプローチで使用されている離散ウェーブレット変換ＤＷＴ、標準偏差計算、及びＲＦ分類器子の組み合わせに取って代わり得る。

したがって、深層学習アプローチを使用して、入力ＭＩＰ値（例えば、上記の例を使用して、２×２５６のＭＩＰ値）が、深層畳み込みニューラルネットワークの入力を形成する。畳み込みニューラルネットワークは、注釈付きの代表データでトレーニングされると、特徴の抽出／検出（ただし、暗黙的及び非表示である）及び特徴の分類の両方の機能を行うことができる。特徴の抽出とは、例えば、物体の存在を検出することを意味する。特徴の分類とは、例えば、可能な物体のセットのうちのどの物体が検出されたのか検出することを意味する。

元の完全な極性データセットではなく、ＭＩＰ値をＣＮＮに供給することで、ニューラルネットワークのサイズを別の方法で可能であるよりも小さくして、計算上非常に効率的な実装が可能になる。このような小さなネットワークは、例えば、一般的なＣＰＵでリアルタイムに都合よく実行できる。

図１５は、ラジアルスキャンラインの各々から抽出された最大強度値の背景に対して示されている、各フレームの物体の存在のフレームごとの確率を示す値１２０の結果して得られるシーケンスの例を示している。背景マップのｙ軸は、ラジアルラインの方位角に対応し、ｘ軸は、各ラジアルラインのフレーム番号に対応する。

確率値のセットを導出する上記の例示的なアプローチの各々は、機械学習アルゴリズムを使用することを含み、第１のアプローチは、ランダムフォレストアルゴリズムを使用し、第２のアプローチは、畳み込みニューラルネットワークを使用している。

機械学習アルゴリズムの基本原理について簡単に説明する。

機械学習アルゴリズムは、出力データを生成するために入力データを処理する任意の自己トレーニングアルゴリズムである。ここでは、入力データは、各フレームに物体が存在する確率の値のセット、又はラジアルラインの導出された代表値のセットを含む。出力データは、物体の有無を含み、さらに物体によって占有されるデータ領域を含み得る。

本発明の使用に適した機械学習アルゴリズムは、当業者には明らかであろう。適切な機械学習アルゴリズムの例としては、決定木アルゴリズム（上記のランダムフォレストアルゴリズムなど）や人工ニューラルネットワークが挙げられる。ロジスティック回帰、サポートベクターマシン、ナイーブベイズモデルなどの他の機械学習アルゴリズムは、適切な代替案である。

人工ニューラルネットワーク（又は、単にニューラルネットワーク）の構造は、人間の脳から発想を得たものである。ニューラルネットワークは層で構成され、各層は複数のニューロンを含む。各ニューロンは数学操作を含む。特に、各ニューロンは、単一のタイプの変換の異なる重み付けの組み合わせ（例えば、シグモイドなどの同じタイプの変換であるが、異なる重み付けを有する）を含み得る。入力データの処理プロセスでは、各ニューロンの数学操作が入力データに対して行われて、数値出力が生成され、ニューラルネットワークの各層の出力は、次の層に順番に供給される。最終層が出力を提供する。

機械学習アルゴリズムのトレーニング方法はよく知られている。通常、このような方法は、トレーニング入力データエントリと対応するトレーニング出力データエントリとを含むトレーニングデータセットを取得することを含む。初期化された機械学習アルゴリズムが各入力データエントリに適用されて、予測された出力データエントリが生成される。予測された出力データエントリと対応するトレーニング出力データエントリとのエラーを使用して、機械学習アルゴリズムが修正される。このプロセスはエラーが収束するまで、すなわち、予測された出力データエントリがトレーニング出力データエントリと十分に類似する（例えば±１％）まで繰り返される。これは一般に、教師付き学習技術として知られている。

例えば、機械学習アルゴリズムがニューラルネットワークから形成される場合、各ニューロンの数学操作（の重み付け）は、エラーが収束するまで修正され得る。ニューラルネットワークを修正する既知の方法には、勾配降下アルゴリズム、誤差逆伝搬アルゴリズムなどがある。

トレーニング入力データエントリは、例えば、物体存在確率値のセット、又はラジアルラインの完全なセットの代表値のセットに対応する。トレーニング出力データエントリは、データ内の物体の有無、及び／又は物体によって占有されるデータ領域（存在する場合）に対応する。

（図１５に示す連続確率値波形などの）物体存在確率値のフレームごとのシーケンスの生成に続いて、方法３０はさらに、これらの値を処理して、これらの値に基づいて、血管内物体によって占有される超音波データの少なくとも１つの領域（例えばフレームの連続サブセット）を決定することを含む。

物体によって占有される領域の検出には、特に、ステント、グラフト、ガイドシース、及びガイドワイヤなどの人造の人工インサートについては、物体は、血管腔内のＩＶＵＳデバイスの引き戻し中に複数の連続フレームに物体が現れるようにする個別のかつ区別できるサイズを有するという事実が利用される。有限の幅の領域にわたる連続的な存在のこの特性により、占有される領域、特に、引き戻しの長手方向に沿った物体の長手方向の遠位エッジ及び近位エッジを推定できる。

血管内物体によって占有されるデータの領域（例えば連続フレームのセット）の検出は、少なくとも２つのアプローチのうちの１つを含み得る。第１のアプローチは、それぞれの確率値がすべて特定の閾値を超える、例えば５０％を超える、６０％を超える、又は定義される任意の閾値を超えるフレームの連続領域を探すことを含み得る。

もう１つのより複雑なアプローチは、データ内の複数の可能な占有領域をトライアルし、各々の事前に定義された費用関数（超音波データの完全なセットの確率値の導出されたセットに基づく）を評価し、次に、最小（又は最大）費用関数結果を有する領域を特定することに基づいて、１つ以上の物体のうちのいずれかの最も可能性の高い占有領域を決定することを含む。

いずれの場合も、アプローチは、物体のエッジを特定し、エッジ検出に基づいて占有領域を推測することを含み得る。或いは、アプローチは、最初に物体のエッジを特定することなく、完全な占有領域を特定することを含んでもよい。

最初に、第１のアプローチについて以下に説明する。

第１のアプローチでは、最初に、確率値を時間的に平均化又は平滑化することを含む初期処理ステップが行われる。時間的とは、増分するフレーム番号の次元を意味する。つまり、時間ドメインは、フレーム番号ドメインに対応する。動作中、フレームは一定の間隔で捕捉されるため、フレーム指数は、事実上時間指数として理解され得る。したがって、時間に対する（又は時間にわたる）平均化は、この例では、増分するフレーム番号に対する平均化に対応する。

したがって、１つ以上の有利な実施形態では、フレームごとのフィルタリング操作（時間フィルタリング操作）が行われ、局所的に時間的に平均化された確率値のシーケンスがもたらされる。

図１６は、例示的な時間フィルタリング操作の出力として生成される、フィルタリングされた確率値の例示的なシーケンスを示している。この例は、上記図１５に示される未加工確率値の例示的なセットについてのフィルタリングされた値１２４（連続確率曲線の形式）を示している。フィルタリングされた確率曲線１２４は、根拠としている図１５の代表値の２Ｄマップの上に重ねて示されている。参照しやすいように、確率値の未加工セット１２０を、図１６において時間的に平均化した確率曲線１２４のすぐ下に示している。

図１５及び図１６の両方において、それぞれの確率曲線１２０、１２４は、確率値が導出された各フレーム（ｘ軸、フレーム指数）の各ラジアルライン（ｙ軸、方位角）の代表値の２Ｄマップに重ねて示されている。両方の確率値のシーケンス（未加工シーケンス及び時間的に平均化されたシーケンス）は、最大１００％（又は１）と０％（０）との間で変動する。

時間敵平均化又はフィルタリングは、フレーム指数（ｘ軸）ドメイン全体を平均化又はフィルタリングして、確率の非常に高速な局所敵変動を平滑化する。

この第１の例示的なアプローチでは、人工血管内物体によって占有される超音波データ内の領域は、平均化された確率値のセットに単純な閾値を適用することに基づいて検出され得る。具体的には、このアプローチは、時間平均化された確率値が事前に定義された閾値よりも高いままになっているフレームの連続サブセットを特定することを含む。

有利な例では、事前に定義された閾値は５０％である。他の例では、事前に定義された閾値は５０％よりも大きい、例えば、６０％又は７０％である。他の例では、５０％を下回ってもよい。閾値は、例えば、取得したデータのノイズの程度やフレームに割り当てられた確率の全体的なレベルなど、コンテキストに応じて設定され得る。例えば、データにノイズが多く、結果として得られる確率値が全体的に低い確率領域の周辺で変動する場合、閾値確率値は低く設定される（また、全体的に高い確率値のセットにつながるノイズの多いデータの場合に逆に同様にされる）。

事前に定義された閾値を超える確率値を有するフレームの連続セットを特定することは、例えば、（確率ドメイン内に）長方形の低域通過フィルタを適用してから、閾値を出力に適用することを含む。

いくつかの例では、手順は、事前に定義された閾値を超える確率値を有するデータセット内のフレームの最大の連続セットを特定することを含む。これは、閾値化基準を満たす２つ以上の領域が存在する状況に対処する。すべての領域が、それぞれの物体によって占有される領域として選択されても、最も長いフレームのセットだけが選択されてもよい。データ内の物体によって占有される領域の予想される一般的な幅を表す事前情報が事前に保存されていてもよく、この情報を適用して、確率閾値を合格したものとして見つけられる領域の任意の複数のセットのうちから１つ以上だけを選択することができる。

特定の例では、この手順は、最も高い確率値を有するフレームの最も長い連続セットを特定する動的プロセスを含む。これは、セットの確率値対長さに対して異なる重み付けを適用して、最も可能性の高い占有領域を特定するアルゴリズムであり得る。

図１６は、物体によって占有されているデータ内の連続フレームの特定された領域１２８を示している。物体の特定された近位端（「ＰＥ」）及び遠位端（「ＤＥ」）は、それぞれの矢印で示されている。

上記のアプローチは比較的単純であるという利点があるため、この方法を実行するプロセッサは計算量が少なくなる。

確率値に基づいて、血管内物体によって占有されている超音波データ内の領域を決定するための第２のアプローチについて説明する。このアプローチでは、物体によって占有される領域を正確に特定すること（例えば、物体のエッジの検出）において、より堅牢で信頼性の高いパフォーマンスを示すことがわかっている。

この第２のアプローチは、データ内の複数のトライアル領域をテストすることに基づいている。テストには、各トライアル領域について、トライアル領域の確率値のセットと、物体による領域の正確な占有を表す確率値の同等のセットとの差を計算することが含まれる。テストは、特に、費用関数を計算することを含み、費用関数は、第１項として、トライアル領域全体のフレームのセット全体の計算された上記差の値のセットの合計を含む。費用関数はさらに、さらなる１つ以上の加算項として、トライアル領域の片側又は両側のフレームの連続セットの確率値の合計を含む。

このアプローチについて、より詳細に説明する。

このアプローチは、ステントの推定される存在が、引き戻し距離の関数（又はフレーム番号の関数）として長方形のプロファイルを採用する傾向があるという観察に基づいている。この概念は、フレームｄとフレームｐとの間に延在する（フレームの）領域内に、例えばステントである物体が存在するという複数の仮説をテストすることを含む。フレームｄ及びフレームｐは、それぞれ、物体の遠位エッジ及び近位エッジ（又はこの逆）が含まれている。すべてのトライアル領域（エッジ位置ｄ及びｐのトライアルされたすべての組み合わせ）について、物体が所与の領域内に存在しているという所与の仮設と関連付けられている費用関数Ｃ（ｄ，ｐ）が計算される。

いくつかの例では、すべての可能な占有領域がトライアルされるか、又は、処理リソースを節約し、処理時間を短縮するために、物体の可能な占有領域のサブセットのみがトライアルされ得る。

費用関数Ｃ（ｄ，ｐ）は、（上記の例で説明したステップで計算される）各フレーム内に物体が存在するフレームごとの（未加工の）確率値のセットと、トライアル領域内の各フレームにおける１００％（又は定義された数字）の確率及び領域外の０％の確率を表すトライアル領域をカバーするテスト波（例えば方形波）との差に基づいて計算される。したがって、このテスト波は、物体がトライアル領域を占有し、他の任意の領域を占有しない特定の（又は定義された高い）確率に対応する。

これは、図１７に示されている。図１７は、フレームごとの確率値１４２のシーケンスを示し、例示的なトライアル領域テスト波１４４が上に重ねられている。この場合のテスト波は方形波である。

費用関数は、図１７のトライアル領域テスト曲線１４４とフレームごとの確率値曲線１４２との差に基づいており、次の式によって与えられる：

ここで、ｓは、フレーム指数の関数としてのフレームごとの物体存在の推定値（確率値）であり、Ｌは、データセット内に捕捉されたフレームの総数の数（血管を通る１回の引き戻し中に捕捉されたフレームの数）である。

手順は、費用Ｃを最小化するｄ及びｐの値を特定すること、つまり、費用関数の最小値を有する領域（連続フレームのセット）を特定することを含む。

Ｃを最小化するｄ及びｐの値は、物体の推定される遠位エッジ場所及び近位エッジ場所と見なされる。

図１７の確率値の例示的なセットでは、最小費用関数をもたらすｄ及びｐの値が図１８に示されている。図１８は、連続フレームの最小費用トライアル領域１４５を示している。したがって、この領域７５は、血管内物体によって占有される導出領域としてアルゴリズムによって提供される。

Ｃ（ｄ，ｐ）の直接計算は、ｄとｐとのすべての組み合わせについて、３つの総和項の計算を伴う。これは、計算上やや非効率的である。

計算速度の速いアプローチも検討できる。このアプローチは、２つの累積費用関数の初期計算に基づいている。第１の関数Ｎ（ｉ）は、フレーム０とフレームｉとの間の「物体なし」仮説の累積費用を記述する。

Ｎの値は、事実上、図１９に網掛けで示す確率曲線下のエリア１４８を記述する。

第２の関数Ｓ（ｉ）は、フレーム０とフレームｉとの間の「物体存在」仮説の累積費用を記述する。

Ｓの値は、事実上、図２０に網掛けで示す確率曲線下のエリア１５０を記述する。

事前に計算された累積費用関数Ｎ（ｉ）及びＳ（ｉ）を使用して、上記式（３）の３つの総和項の各々を、次の形式でより効率的に計算できるようになる：

図２１は、式（３）及び式（６）の３つの項の各々の関連付けられたエリアを示しており、網掛け領域１５４は、第１項に対応し、領域１５６は第２項に対応し、領域１５８は第３項に対応している。

事前に計算された累積費用関数Ｎ（ｉ）及びＳ（ｉ）を使用すると、物体領域の場所推定アルゴリズムの速度を約３００倍に増加させることが実証されている。

速度の増加は、このアプローチでは、フレーム指数の関数として２つの関数Ｎ（ｉ）及びＳ（ｉ）につながる、２つの仮説（ステントが存在するという仮説、及び、ステントが存在しないという仮説）の累積費用関数が事前に計算されるという事実から理解され得る。Ｎ（ｉ）及びＳ（ｉ）は、単純に１Ｄアレイと理解され得る。したがって、各累積費用関数は、複数のパラメータではなく、１つのパラメータしか取らないため、速度が増加する。

特に、式（６）では、３つの総和項(式（３）内)の各々が、Ｓ（ｉ）及びＮ（ｉ）を使用した評価に置き換えられていることがわかる。

いくつかの例では、方法は、ｐ－ｄ＞Ｍであるという追加の制約が課されて、ｄとｐとのすべての可能な組み合わせをテストする。ここで、Ｍは、物体がスパンすると予想されるフレームの事前に定義された最小数である。Ｍの値を大きくすると、テストされるトライアル領域の数が低減し、アルゴリズム速度が増加するが、Ｍ個のフレームよりも小さい物体を検出する能力は失われる。

いくつかの例では、方法は、データ内のステント（例えばステントエッジ）の場所を検出するために適用される。しかしながら、例えば、グラフト、ガイドシース、又はガイドワイヤによって占有される連続フレームの領域である、他の任意の物体の検出も可能である。これらは、１つの限られたセットの例に過ぎない。

１つ以上の例では、物体の近位エッジは常に受信データセットの最後のフレームに位置しているという仮定の形の追加の制約が課される。そのため、ここでは、ｐ＝Ｌ－１である。これにより、費用関数の計算量が大幅に削減され、また、探す必要のある費用関数の数も低減する。

この仮定の使用は、例えば、血管内シースエッジの検出に特に効果的であり得る。これは、実際にはほとんどのＩＶＵＳ引き戻しスキャンがガイドシースの位置で終了するからである。したがって、ガイドシースは、引き戻しの終わりに現れる傾向があるため、引き戻しの最後のフレームには通常ガイドシースが含まれている。したがって、これは、適切な場合には、近位エッジｐを最後のフレームの指数と等しくなるように固定することが妥当な仮定である。

ガイドシースの内径は、健康な脈管の内腔よりもかなり小さくなる傾向がある。したがって、最小管腔エリアの自動検索では、ガイドシースを含むフレームがイメージングされた脈管の罹患領域として誤って特定される可能性がある。細いガイドシースは狭窄と誤認される。したがって、ガイドシースが存在することを自動的に特定する機能は、この誤認を回避するのに有用である。

１つ以上の例では、アルゴリズムは、データセット内のフレームセット全体にスパンする受信ＩＶＵＳデータに物体が存在する確率をテストする。したがって、これにより、アルゴリズムは、物体がデータセット内のフレームセットの全長よりも長い（すなわち、Ｌ＜Ｍ）状況に成功裏に対処することができる。

１つ以上の例では、アルゴリズムは、フレームのセット内の、互いから離れている１つよりも多い物体（例えば、２つ以上の物体）を検出できる。

本発明のさらなる態様による例は、ＩＶＵＳデバイスによって捕捉された超音波データを分析するための超音波データプロセッサを提供する。プロセッサは、次のステップを行う：
ＩＶＵＳデバイスによって捕捉された超音波データの複数のフレームを受信するステップであって、各フレームは、複数のラジアルスキャンラインのデータを含み、各ラジアルスキャンラインは、デバイスの長手方向軸（Ａ－Ａ’）に関して異なる回転角（φ）に沿って受信される音響信号に対応する、受信するステップ、
各フレームにおける各ラジアルスキャンラインの超音波データを処理して、各ラインのデータを、そのラインの単一の代表データ値に低減するステップ、
代表データ値のセットから、少なくとも各フレーム内に人工血管内物体が存在する確率に対応する確率値のセットを導出するステップ、及び
確率値に基づいて、血管内物体によって占有されている超音波データ内の領域を決定するステップ。

プロセッサが実装する上記ステップの各々の実装オプション及び詳細は、本発明の方法態様について上で提供した説明及び記載に従って理解及び解釈され得る。

本発明の方法態様に関して上記の例、オプション、又は実施形態の特徴若しくは詳細のいずれかを、本発明の本プロセッサ態様に、必要な変更を加えて適用する、組み合わせる、又は組み込むことができる。

上記のプロセッサは、ソフトウェアやハードウェアを使用して、様々なやり方で実装して、必要な様々な機能を行うことができる。通常、プロセッサは、ソフトウェア（例えばマイクロコード）を使用してプログラムされて、必要な機能を行う１つ以上のマイクロプロセッサを用いる。プロセッサは、一部の機能を行うための専用ハードウェアと、他の機能を行うための１つ以上のプログラム済みマイクロプロセッサ及び関連回路との組み合わせとして実装できる。

本開示の様々な実施形態に用いられ得る回路の例としては、従来のマイクロプロセッサ、特定用途向け集積回路（ＡＳＩＣ）、及びフィールドプログラマブルゲートアレイ（ＦＰＧＡ）が挙げられるが、これらに限定されない。

様々な実装形態では、プロセッサは、ＲＡＭ、ＰＲＯＭ、ＥＰＲＯＭ、及びＥＥＰＲＯＭ（登録商標）などの揮発性及び不揮発性コンピュータメモリなどの１つ以上の記憶媒体と関連付けられ得る。記憶媒体は、１つ以上のプロセッサ及び／又はコントローラ上で実行されると、必要な機能を行う１つ以上のプログラムでエンコードされ得る。様々な記憶媒体は、プロセッサ又はコントローラ内で固定されていても、そこに保存されている１つ以上のプログラムをプロセッサにロードできるように輸送可能であってもよい。

本発明のさらなる態様による例は、超音波システムを提供する。

超音波システムは、複数の異なるラジアルスキャンラインに沿って血管腔内で超音波データを捕捉するための血管内超音波（ＩＶＵＳ）デバイスと、
上記若しくは以下に説明する任意の例若しくは実施形態による、又は本願の任意の請求項による超音波データプロセッサであって、血管内超音波デバイスと動作可能に結合され、ＩＶＵＳデバイスによって捕捉された超音波データを受信する超音波データプロセッサとを含む。

開示された実施形態の変形は、図面、開示及び添付の特許請求の範囲の検討から、請求項に係る発明を実施する際に当業者によって理解され、実行され得る。特許請求の範囲において、「含む」という語は、他の要素やステップを排除するものではなく、単数形は複数を排除するものではない。単一のプロセッサ又は他のユニットが、特許請求の範囲に記載されているいくつかのアイテムの機能を果たすことができる。特定の手段が相互に異なる従属請求項に記載されているという単なる事実は、これらの手段の組み合わせが有利に使用できないことを意味するものではない。コンピュータプログラムが上で説明される場合、それは、他のハードウェアと一緒に又はその一部として供給される、光記憶媒体又はソリッドステート媒体などの任意の適切な媒体に格納／配布することができるが、インターネット又はその他の有線若しくは無線通信システムを介してなど他の形式で配布することもできる。「～するように適応される」という用語が、特許請求の範囲又は説明で使用されている場合、「～するように適応される」という用語は「～するように構成されている」という用語と同等であることを意図していることに留意されたい。特許請求の範囲における任意の参照符号は、範囲を限定するものと解釈されるべきではない。

Claims (15)

1. 血管内超音波（ＩＶＵＳ）デバイスによって捕捉された超音波データを分析するための超音波データ分析方法であって、前記方法は、
   前記ＩＶＵＳデバイスによって捕捉された超音波データの複数のフレームを受信するステップであって、各フレームは、複数のラジアルスキャンラインのデータを含み、各ラジアルスキャンラインは、前記ＩＶＵＳデバイスの長手方向軸に関して異なる回転角に沿って受信される音響信号に対応する、受信するステップと、
   各フレームにおける各ラジアルスキャンラインの前記超音波データを処理して、各ラジアルスキャンラインの前記超音波データを、前記ラジアルスキャンラインの単一の代表データ値に低減するステップと、
   前記代表データ値のセットから、少なくとも各フレーム内に人工血管内物体が存在する確率に対応する確率値のセットを導出するステップと、
   前記確率値に基づいて、血管内物体によって占有されている前記超音波データ内の領域を決定するステップと、
   を含む、方法。
2. 前記血管内物体によって占有されている領域を決定するステップは、前記血管内物体によって占有されている前記超音波データのフレームの連続サブセットを特定するステップ、及び／又は、前記血管内物体によって占有されているラジアルスキャンラインの連続サブセットを特定するステップを含む、請求項１に記載の方法。
3. 前記血管内物体によって占有されている領域を決定するステップは、導出された前記確率値の各々が事前に定義された閾値よりも高いフレームの連続サブセットを特定するステップを含む、請求項１又は２に記載の方法。
4. 前記血管内物体によって占有されている領域を決定するステップは、前記血管内物体のエッジを検出するステップを含む、請求項１から３のいずれか一項に記載の方法。
5. 前記血管内物体によって占有されている前記超音波データ内の領域を決定するステップは、前記超音波データ内の複数のトライアル領域をテストするステップを含み、前記テストするステップは、各トライアル領域について、前記トライアル領域の確率値の前記セットと、前記血管内物体による前記領域の正確な占有を表す確率値の同等のセットとの差を計算するステップを含む、請求項１から４のいずれか一項に記載の方法。
6. 前記テストするステップは、費用関数を計算するステップを含み、前記費用関数は、少なくとも１つの加算項として、前記トライアル領域全体のフレームのセット全体の、前記差の値のセットの合計を含む、請求項５に記載の方法。
7. 前記費用関数は、１つ以上のさらなる加算項として、前記トライアル領域の片側又は両側のフレームの連続セットの前記確率値の合計を含む、請求項６に記載の方法。
8. 前記代表データ値は、それぞれのラジアルスキャンラインの最大強度値を表している、請求項１から７のいずれか一項に記載の方法。
9. 各ラジアルスキャンラインに沿った各最大強度値の場所を表す指数値のセットを決定するステップをさらに含む、請求項８に記載の方法。
10. フレーム番号及び／又はラジアルスキャンライン番号に対してプロットされる前記代表データ値を表すプロット又はマップである、前記代表データ値のプロット又はマップを生成するステップを含む、請求項１から９のいずれか一項に記載の方法。
11. 前記代表データ値の前記セットから確率値のセットを導出するステップは、前記代表データ値の前記セット内で存在の前記血管内物体の特徴的である１つ以上の特徴的パターンを検出するステップを含む、請求項１から１０のいずれか一項に記載の方法。
12. 前記代表データ値の前記セットから確率値のセットを導出するステップは、分類器アルゴリズムを使用するステップを含み、好ましくは、前記分類器アルゴリズムは、ニューラルネットワークである機械学習アルゴリズムを含む、請求項１から１１のいずれか一項に記載の方法。
13. 各フレームは、管腔に沿った異なる長手方向の場所に対応している、請求項１から１２のいずれか一項に記載の方法。
14. 血管内超音波（ＩＶＵＳ）デバイスによって捕捉された超音波データを分析するための超音波データプロセッサであって、前記超音波データプロセッサは、
    前記ＩＶＵＳデバイスによって捕捉された超音波データの複数のフレームを受信することであって、各フレームは、複数のラジアルスキャンラインのデータを含み、各ラジアルスキャンラインは、前記ＩＶＵＳデバイスの長手方向軸に関して異なる回転角に沿って受信される音響信号に対応する、受信することと、
    各フレームにおける各ラジアルスキャンラインの前記超音波データを処理して、各ラジアルスキャンラインの前記超音波データを、前記ラジアルスキャンラインの単一の代表データ値に低減することと、
    前記代表データ値のセットから、少なくとも各フレーム内に人工血管内物体が存在する確率に対応する確率値のセットを導出することと、
    前記確率値に基づいて、血管内物体によって占有されている前記超音波データ内の領域を決定することとを行う、超音波データプロセッサ。
15. 複数の異なるラジアルスキャンラインに沿って血管腔内で超音波データを捕捉するための血管内超音波デバイスと、
    前記血管内超音波デバイスに動作可能に結合され、前記血管内超音波デバイスによって捕捉された超音波データを受信する、請求項１４に記載の超音波データプロセッサと、
    を含む、超音波システム。

Images