CN101087562A - 基于弹丸注射的灌注评价方法和系统 - Google Patents

Abstract

提出一种灌注评价系统(105)。该系统包括用于提供表现出分析中的身体局部中造影剂灌注的回波功率信号的装置(705－735)，造影剂作为弹丸注射并且在造影剂通过身体局部期间经历显著破坏，用于将回波功率信号关联到包括表示没有所述破坏的造影剂的通过的弹丸函数和表示与造影剂的基本上恒定流入相对应的破坏之后身体局部中造影剂的再灌注的再灌注函数之间的乘积的模型函数的装置(740；755－767)，以及用于从弹丸函数和/或再灌注函数中估计至少一个灌注指标的装置(738；743)。

Description

基于弹丸注射的灌注评价方法和系统

技术领域

本发明涉及诊断成像领域。更特别地，本发明涉及通过造影剂的回波功率信号分析的血液灌注评价；特别地，本发明针对当造影剂作为弹丸(bolus)注射时实现灌注评价。

背景技术

诊断成像是医疗设备领域中的新兴技术。例如，该技术典型地用于血液灌注的评价，这在几种诊断应用中特别是在超声分析方面得到应用。灌注评价基于可以通过将超声造影剂(UCA)注射到患者而获得的一系列超声造影图像的分析。造影剂用作有效的超声波反射体，使得它可以通过施加超声波并且测量引起的回波功率信号容易地检测。随着造影剂与受检者中的血液以相同速度流动，它的痕迹提供关于分析的身体局部中血液灌注的信息。

适当的造影剂包括载液中气泡的悬浮。为此目的，使用乳化剂、油、增稠剂或糖，或者通过将气体或其前体携带或封装到多种系统中来稳定气泡。稳定的气泡通常称作充气微泡。微泡包括分散在水介质中并且由包括表面活性剂也就是两性分子材料的非常薄的被膜限制在气体/液体分界面的气泡(也称作微泡)。作为选择，微泡包括悬浮体，其中气泡由天然或合成聚合物形成的固体材料被膜围绕(也称作微球或微囊)。另一种超声造影剂包括由聚合物或其他固体形成的多孔微粒的悬浮体，其带有夹在微粒的孔中的气泡。微泡的适当水悬浮体的实例，特别是微泡和微球，及其制备在EP-A-0458745，WO-A-91/15244，EP-A-0554213，WO-A-94/09829和WO-A-95/16467中描述。

灌注评价过程典型地使用所谓破坏-补充技术实现。为此目的，首先使用造影剂以恒定速率灌注待分析的身体局部。然后微泡由一瞬间的充足能量破坏。身体局部中微泡的补充(或再灌注)的观察提供关于局部血液灌注的定量信息。为此目的，随着时间测量的回波功率信号由数学模型拟合，以便提取血液灌注的定量指标；然后可以使用这样获得的信息推断身体局部的生理情况。该技术已经在Wei，K.，Jayaweera，A.R.，Firoozan，S.，Linka，A.，Skyba，D.M.和Kaul，S.“使用作为恒定静脉注射而注入的微泡的超声引起的破坏定量心肌血流(Quantification of Myocardial blood Flow With Ultrasound-InducedDestruction of Microbubbles Administered as a Constant VenousInfusion)”，循环，vol.97 1998中首次提出。

本领域中已知的数学模型通常基于造影剂在再灌注期间以恒定浓度进入分析中的身体局部的假设。为此目的，造影剂必须作为持续输注而提供。但是，这需要通过导管提供造影剂的恒定供给的自动输液泵。而且，持续注射涉及大量造影剂的使用。上面所有都可能增加灌注评价过程的成本。

本领域中已知的不同解决方法是作为弹丸注射造影剂(也就是，在短时间典型地2-20秒的数量级上提供的单次剂量)。在该情况下，提供造影剂的操作非常简单，并且可以用手(例如使用注射器)执行；而且，弹丸注射需要少量造影剂。

但是，在该情况下身体局部中造影剂的流入量并不固定。实际上，典型的弹丸型流入显示摄取阶段(其中在弹丸注射之后流入量随着时间增加)和排除阶段(其中在达到其最大值之后流入量减少)；而且，造影剂的流入量通常同时在身体局部的许多区域中是不同的。固此，在这些情况下，本领域中已知的数学模型不适合灌注过程的精确表示。

已经通过在足够长以在造影剂的相对恒定的输注速率下执行补充分析的时间段上，将造影剂作为“慢”弹丸注射来尝试克服上述问题。然而因弹丸的排除阶段的存在而不能实现稳态条件，使得获得的结果的准确度严重受限。

文献“将多脉管模型用于超声造影剂的补充动力定量肝组织和灌注和转移(Quantification of perfusion of liver tissue and metastases usinga multivessel model for replenishment kinetics of ultrasound contrastagents)”，Martin Krix，Christian Plathow，Fabian Kiessling，FelixHerth，Andreas Karcher，Macro Essig，Harry Schmitteckert，Hans-Ulrich Kauczor和Stefan Delorme，医学和生物学中的超声波，Vol.30，No.10，pp.1355-1363，2004提出通过进一步相同弹丸注射获得整体灌注曲线。但是，这需要对患者进行费时的另外操作。在任何情况下，如此获得的结果的准确度非常差，因为具有实际上完全相同的两个不同弹丸注射是困难的(如果不是不可能的)事实。

发明内容

根据本发明，提供一种用于描述当作为弹丸注射时破坏之后造影剂的再灌注的数学模型。

特别地，本发明的一方面提出灌注评价系统。该系统包括用于提供表现出分析中的身体局部中造影剂灌注的回波功率信号的装置(当造影剂作为弹丸注射并且在造影剂通过身体局部期间经历显著破坏时)。提供用于将回波功率信号关联到模型函数的装置；模型函数包括弹丸函数(表示没有所述破坏的造影剂的通过)和再灌注函数(表示与造影剂的基本上恒定流入相对应的破坏之后身体局部中造影剂的再灌注)。该系统还包括用于从弹丸函数、再灌注函数或其组合中估计至少一个灌注指标的装置。

提出的解决方法避免建立造影剂的恒定流入的需求；因此，灌注过程可以非常简单的方式(例如，使用用手操作的注射器)，并且使用少量造影剂来实现。上面全部极大地减少灌注过程的成本。

这样，直接从造影剂的再灌注(作为弹丸注射)期间测量的回波功率信号中提取灌注过程的定量指标是可能的。

该结果使用单次弹丸注射获得而不需要对患者进行任何另外操作。

在下面描述的本发明的不同实施方案提供另外的优点。

例如，再灌注函数具有S形；S形包括具有基本上零一阶导数的初始部分，具有基本上零一阶导数的最终部分，以及从初始部分的值单调地变到最终部分的值的中间部分(初始部分和最终部分之间)。

这样，结果与使用的设备无关并且与它们的设置无关；因此，该信息可以在不同研究者之间比较(即使他们使用不同的设备或设置)，并且它可以适用于绝对定量评价。

有利地，使得回波功率信号与身体局部中造影剂的浓度成比例(例如通过对数压缩图像的线性化)。

这样，将回波功率信号直接关联到(S形)再灌注函数(例如通过曲线拟合过程)是可能的。

优选地，再灌注函数是累积对数正态函数。

已经发现该选择有利于提供关于身体局部的血液动力信息。血液动力参数的实例是例如血容量、血流速度和血流速率。

在本发明的另一种实施方案中，再灌注函数基于根据灌注参数的概率密度分布加权的具有所述S形的多个初等再灌注函数(每个对于灌注参数的相应值，或更多)；灌注指标然后包括概率密度分布的形状指标。

设计的技术提供关于身体局部的微脉管网络形态的信息。

优选地，每个初等再灌注函数是累积正态分布函数(基于已经用来获取回波功率信号的设备的预先确定参数)。

在本发明的具体实现中，假设(例如通行时间的)概率密度分布是对数正态函数。在该情况下，再灌注函数(包括初等再灌注函数乘以对数正态函数的积分)由相应拟合参数表示；然后形状指标可以从那些拟合参数中计算。

提出的技术相对简单，但同时有效。

作为选择，概率密度分布由概率的矢量表示，使得再灌注函数包括初等灌注函数乘以相应概率的求和；在该情况下，形状指标可以从概率的矢量中计算。

该实现允许估计概率密度分布的实际特性。

作为进一步的增强，弹丸函数包括多个初等弹丸函数的和。

这允许考虑在灌注评价过程完成之前身体局部中造影剂的任何再循环。

优选地，弹丸函数和每个初等弹丸函数是对数正态函数。

本发明也提出基于上述系统的诊断成像设备(并且包括用于获取回波功率信号的超声装置)。

进一步改进解决方法的方法是响应回波功率信号的最大值的检测触发造影剂的破坏。

这允许获得弹丸函数的良好估计以及显著的回波功率信号(用于再灌注函数的估计)。

本发明的另一方面提出相应的灌注评价方法。

本发明的再一方面提出执行该方法的计算机程序。

本发明的又一方面提出实施该程序的产品。

本发明的表征特征在附加权利要求中陈述。但是，本发明自身及其更多特征和优点将通过参考下面结合附随附图阅读、纯粹作为非限制性指示给出的详细描述来更好地理解。

附图说明

图1是根据本发明实施方案的解决方法可适用于其中的诊断成像设备的图示；

图2a显示在基于使用以一秒间隔施加的破坏结构持续注射造影剂的灌注过程中，回波功率信号随着时间的实例进展；

图2b显示在弹丸注射(没有造影剂的任何破坏)期间，回波功率信号随着时间的实例进展；

圈2c显示在基于弹丸注射和造影剂破坏的灌注过程中，回波功率信号随着时间的实例进展；

图2d显示在基于弹丸注射和造影剂再循环的灌注过程中，回波功率信号随着时间的实例进展；

图3说明根据本发明实施方案的弹丸函数；

图4a是诊断成像设备的成像平面的示意表示；

图4b是显示设备的实例声功率分布及其相应积分的图；

图5是典型灌注过程的分析的示意表示；

图6a显示根据本发明实施方案的模型函数对实验数据的拟合；

图6b和6c显示具有相应概率密度分布的再灌注函数的不同实例；以及

图7描绘可以用于实践根据本发明实施方案的灌注评价方法的主要软件组件。

具体实施方式

特别参考图1，说明诊断成像设备100。特别地，设备100包括具有中央单元105的超声波扫描仪，它具有手持式收发阵列探针110(线形或矩阵型)。探针110发送超声波脉冲(例如具有2-10MHz的中心频率)，并且接收由超声波脉冲的反射产生的回波功率信号(当与分析的身体局部120的区域中患者115的皮肤接触时)；为此目的，探针110提供有收发多路复用器，这允许以上述脉冲-回波方式使用探针110。

中央单元105包括主板125，控制扫描仪100的操作的电子电路(例如微处理器、工作存储器和硬盘驱动器)安装在其上。而且，一个或多个子插件板(全部用130表示)插在主板125上；子插件板130提供用于驱动探针110和处理它的信号的电子电路。扫描仪110也可以装备有读取可移除磁盘140(例如软盘)的驱动器135。显示器145用来显示表示分析中的身体局部120的图像。而且，键盘150以常规方式连接到中央单元105；键盘150提供有跟踪球155，其用来探纵指针(图中没有显示)在显示器145的屏幕上的位置。

超声波扫描仪100用来评价身体局部120中的血液灌注。为此目的，造影剂注射到患者115；造影剂可以使用持续注射(通过适当的泵)或者作为弹丸(典型地用手使用注射器)提供。在确保造影剂已经充满身体局部120的预先确定时间段(例如几秒钟)之后，施加具有高声能(一瞬间)的多个超声波脉冲的一个；声能必须足够(例如具有1-2的力学指标)以引起微泡的显著部分(例如至少50％)的破坏；这允许正好在破坏脉冲施加之后和当身体局部由造影剂再灌注时测量的值之间接收的回波功率信号的基本变化的检测。然后施加具有低声能(例如具有0.01-0.1的力学指标)的一系列超声波脉冲，以便不再引入造影剂的破坏；连续地记录作为结果的超声波图像(例如，以30-80ms的时间间隔)，以便跟踪造影剂到身体局部120中的再灌注流。

现在移至图2a，当造影剂作为持续注射提供时，身体局部的再灌注期间回波功率信号随着时间的进展可以由曲线200a示意地表示(以任意单位，或a.u.)。可以看到，再灌注曲线200a最初因造影剂的恒定流入而具有稳定值(在部分205中)。破坏脉冲的施加导致回波功率信号的瞬间增加(没有显示)，这与分析无关从而指定零值；在施加破坏脉冲之后即刻，回波功率信号的值基本上是零(部分210)。然后造影剂补充身体局部，使得回波功率信号朝向等于破坏脉冲施加之前的一的渐进值(部分220)逐渐增加(部分215)。

另一方面，如图2b中所示，弹丸注射(没有造影剂的任何破坏)期间回波功率信号随着时间的进展可以由曲线200b示意地表示。弹丸曲线200b具有初始部分225，其中回波功率信号朝向圆形波峰227增加(在造影剂注射之后的摄取阶段中)。一旦回波功率信号达到它的最大值，作为造影剂的排除阶段的结果它开始减小(部分230)。

现在考虑图2c，作为弹丸注射但是经受破坏脉冲的造影剂的回波功率信号随着时间的进展可以使用曲线200c(实线)示意地表示。在该情况下，弹丸再灌注曲线200c具有与弹丸曲线200b(虚线)相对应的初始部分235。同样在该情况下，破坏脉冲的施加导致回波功率信号的瞬间增加(没有显示)，这与分析无关从而指定零值；在施加破坏脉冲之后即刻，回波功率信号的值基本上为零(部分240)。假设充足量的造影剂保持在供给身体局部的血管中，弹丸再灌注曲线200c然后包括随着造影剂补充身体局部回波功率信号朝向圆形波峰增加的部分245，在作为它的排除阶段的结果再次减小之前(朝向弹丸曲线200b渐近地移动)。

当在弹丸的排除阶段完成之前造影剂在身体局部中再循环时，更复杂的情况出现。实际上，注射到患者的造影剂遵循血液循环的正常循环，使得它在每次血液循环之后再次通过分析中的身体局部。但是，微泡在血液中逐渐稀释，使得身体局部中造影剂的流入量在每个血液循环周期减少(例如在一个或两个血液循环周期之后基本上消失)。在该情况下，如图2d中所示，在具有再循环的弹丸注射期间回波功率信号随着时间的进展(而没有造影剂的任何破坏)可以由曲线200rb(虚线)示意地表示。该再循环弹丸曲线200rb类似于上述弹丸曲线，(主要)波峰227p在部分225r的末端(对应于摄取阶段)；但是，第二圆形波峰227s(强度低于主要波峰227p的强度)现在存在于部分230r中(对应于排除阶段)；第二波峰227s由回波功率信号因造影剂的再循环引起的瞬时增加而引起。如果一个或多个另外的第二波峰(具有递减强度)由造影剂在身体局部中的任何进一步再循环而引起，类似的考虑适用。

因此，作为弹丸注射且再循环但是经受破坏脉冲的造影剂的回波功率信号随着时间的进展可以使用曲线200d(实线)示意地表示。同样在该情况下，再循环弹丸再灌注曲线200d具有与再循环弹丸曲线200rb相对应的初始部分250，以及零值的部分255(与破坏脉冲的施加相对应的图像序列的“忽略”部分)。然后再循环弹丸再灌注曲线200d包括部分260，其中随着造影剂补充身体局部回波功率信号朝向圆形波峰增加，在作为它的排除阶段的结果再次减小之前(朝向再循环弹丸再灌注曲线200rb渐近地移动)，具有因造影剂的再循环而具有较低强度的另一个圆形波峰。

在任何情况下，发明者已经观察到当造影剂作为弹丸注射(具有或不具有任何再循环)时灌注过程期间回波功率信号的进展可以使用由关于弹丸注射的一个模型与关于具有造影剂的恒定流入的再灌注过程的另一个模型的组合产生的模型数学地表示。

特别地考虑弹丸注射(没有任何再循环)，弹丸函数B(t)的实际模型(表示随着时间由探针测量的声功率)是对数正态函数(也就是自变量的自然对数的正态分布函数)：

$B\left(t\right)=A\·\frac{e^{\frac{{[\ln (t-t_0)-m_B]}^2}{2{s_B}^2}}}{(t-t_0)\·s_B\sqrt{2\mathrm{\π}}},$

其中值t₀代表弹丸注射时刻之间的任意时间间隔以及分析的时间基点的选择(使用对于t＞t₀定义的弹丸函数B(t))，并且A是振幅参数(其可以解释为身体局部中的血容量)；另外，参数m_B和s_B分别是(t-t₀)的自然对数的分布的平均值和标准偏差。

另一方面，如图3中所示，当造影剂在身体局部中再循环时，弹丸函数B(t)可以表示为逐次弹丸通过的组合。在该情况下，造影剂在身体局部中的首次通过使用具有上述形状的(初级)初等弹丸函数B₀(t)表示。类似地，造影剂的下一次通过可以使用类似的(二次)初等弹丸函数B₁(t)表示；二次弹丸函数B₁(t)在时间上平移(根据再循环的延迟)并且表现出较低的强度(因造影剂的稀释)。类似的考虑适用于任何更多再循环。因此，弹丸函数B(t)可以数学地表示为初等弹丸函数B_h(t)的和(h＝0...R，其中R代表考虑的再循环的次数，例如2-4)：

$B\left(t\right)=\underset{h=0}{\overset{R}{\mathrm{\Σ}}}{B}_h\left(t\right)=\underset{h=0}{\overset{R}{\mathrm{\Σ}}}A\·\frac{e^{\frac{{[\ln (t-t_{0h})-m_{\mathrm{Bh}}]}^2}{2{s_{\mathrm{Bh}}}^2}}}{(t-t_{0h})\·s_{\mathrm{Bh}}\sqrt{2\mathrm{\π}}}.$

如在上述情况下，参数m_Bh和s_Bh分别是第h个对数正态函数(基于相应时间间隔t_0h)的t的自然对数的分布的平均值和标准偏差。

代替地参考与造影剂的恒定流入相对应的再灌注过程，表示在过程期间随着时间测量的影像灰度级的再灌注函数I(t)通常使用单指数函数表示：

I(t)＝A·(1-e^-β·t)，

其中A是稳态振幅，β是单指数函数的“速度”项，并且时间基点取作最后破坏脉冲之后即刻的时刻。在现有技术(例如由Wei等人陈述的论文)中，值A，β和Aβ通常解释为与分析中的身体局部内的“血容量”、“血流速度”和“血流量”成比例的量。

但是，在本发明的优选实施方案中，再灌注函数E(t)代替地由具有S形的不同函数表示。S形函数包括分别具有基本上恒定初始值和最终值的初始和最终平坦部分(或台阶)；在初始部分和最终部分之间的中间部分中，S形函数从初始值单调地变到最终值。换句话说，S形函数在它的初始和最终部分中具有基本上零一阶导数；而且，S形函数优选地在它的中间部分中具有一个或多个零二阶导数。

为了解释该选择的理论原因，应当考虑如图4a中所示，再灌注过程基于层析成像方法，其中成像平面405由沿着方向410传播的超声波束快速地扫描。然后，坐标系可以使用垂直于成像平面405中的传播方向410的x轴(横向方向)，垂直于成像平面405的y轴(竖直方向)，以及沿着传播方向410的z轴(深度方向)定义。微泡在成像平面405的任何一侧对称延伸的切片415中破坏。切片415具有由超声波束扫描的区域确定的范围，以及由它在竖直方向y上的压力分布确定的厚度D。

一方面，由血液的局部流速(定义估计的未知灌注参数)，另一方面，由基本上竖直方向y上探针的声音敏感度图案控制由微泡补充切片415期间测量的回波功率信号。声音敏感度图案可以根据它在发送模式和接收模式中的空间分布(通常可能不同)的组合效果确定。

特别地，在发送模式中，竖直方向y上的声音压力分布P_Tx(y)(假设探针的聚焦孔径具有矩形形状)由函数近似地给出：

P_Tx(y)≌Г·sinc(K_Txy)，

其中Г是任意比例常数并且函数sinc(u)，对于一般变量u，代表 $\sin c\left(u\right)=\frac{\sin \left(\mathrm{\πu}\right)}{\mathrm{\πu}};$ 而且 $K_{\mathrm{Tx}}=\frac{2a}{\mathrm{\λz}},$ 其中a是竖直方向上的探针半孔径，λ是超声波波长( $\mathrm{\λ}=\frac{c}{f},$ 其中c是身体局部中的声速且f是超声波频率)，并且z是从探针沿着深度方向的距离。上述函数适用于连续波模式的激励；在脉冲模式的激励的情况下，与通常超声波扫描仪的情况一样，波峰压力分布的主瓣在声音脉冲波形的中心(或平均)频率附近的频率处与连续波情况非常一致。

相应声功率分布P_Tx(y)由压力分布p_Tx(y)的平方近似地确定，即：

P_Tx(y)≌p_Tx ²(y)≌sinc²(K_Txy)。

在实践中，声功率分布P_Tx(y)可以根据下面由正态(或高斯)函数近似：

$P_{\mathrm{Tx}}\left(y\right)\≅e^{-{(1.94\·K_{\mathrm{Tx}}\·y)}^2}.$

在接收模式中，声功率分布P_Rx(y)的类似近似提供：

$P_{\mathrm{Rx}}\left(y\right)\≅e^{-{(1.94\·K_{\mathrm{Rx}}\·y)}^2},$

其中参数K_Rx如上所述但是根据接收条件确定。

在首次近似中，y方向上探针的声功率敏感度分布PE(y)由发送模式中声功率分布P_Tx(y)和接收模式中声功率分布P_Rx(y)的乘积确定；因此，功率敏感度分布PE(y)可以由正态函数定义为：

$\mathrm{PE}\left(y\right)=P_{\mathrm{Tx}}\left(y\right)\·P_{\mathrm{Rx}}\left(y\right)\≅e^{-{(1.94\·K_{\mathrm{Tx}}\·y)}^2}\·e^{-{(1.94\·K_{\mathrm{Tx}}\·y)}^2}=e^{-{(1.94\·y)}^2\·(K_{\mathrm{Tx}}^2+K_{\mathrm{Rx}}^2)}=e^{-{(1.94\·K\·y)}^2},$

其中参数K²＝K_Tx ²+K_Rx ²根据发送接收条件确定。该函数也可以对于非单位量Y＝K·y值表示为：

$\mathrm{PE}\left(Y\right)\≅e^{-{(1.94\·Y)}^2}.$

特别地，值K可以如上所述理论地确定；作为选择，值K可以通过跨越成像平面405在竖直方向y上扫描小的反射体，然后将记录的回波功率信号最佳拟合到上述函数来实验地确定。

如图4b中所示，声功率分布PE(Y)对于Y＝0取最大值1。当微泡补充切片215直到位置y′＝Y′/K时由探针测量的回波功率信号的声功率E(Y′)然后可以表示为声功率敏感度分布PE(Y)对于值Y′的积分，即：

$E\left(Y^{\′}\right)={\∫}_{-\∞}^{Y^{\′}}\mathrm{PE}\left(Y\right)\mathrm{dY}.$

如图中可以看到，声功率分布PE(Y′)的积分由具有S形的函数表示。特别地，在讨论的实例中，S形函数在其初始部分具有恒定值0并且在其最终部分具有恒定值1；在初始部分和最终部分之间的中心部分，S形函数从初始值单调地变成最终值(具有当Y′＝0时达到的半幅值0.5)。

例如，由声功率分布PE(Y′)的积分定义的S形函数可以由累积正态分布函数(在该上下文中称作perf函数)表示为任意变量q的函数：

$\mathrm{perf}\left(q\right)=\frac{1}{\sqrt{\mathrm{\π}}}{\∫}_{-\∞}^q{e}^{-u^2}\mathrm{du}.$

此外，perf函数可以根据误差函数erf(q)简单地表示为：

perf(q)＝0.5·[1+erf(q)]，

其中：

$\mathrm{erf}\left(q\right)=\frac{2}{\sqrt{\mathrm{\π}}}{\∫}_0^q{e}^{-u^2}\mathrm{du}.$

在再灌注过程期间，如图5中所示，微泡以速度v补充切片415；速度v沿着竖直方向y的分量然后是：

v_y＝v·cos(θ)，

其中θ是速度v与竖直方向y之间的角度。然后补充切片415中微泡的位置可以表示为时间的函数：

y′＝v_y·(t-τ)，

其中 $\mathrm{\τ}=\frac{D}{2v_y}$ 代表切片415中微泡的通行时间，定义为它们从切片415的边缘运行到中心部分(对应于图像平面405)所需的时间延迟。因此，再灌注过程期间随着时间测量的声功率可以由下面的再灌注函数E(t)表示：

E(t)＝O+A·perf(q)＝O+A·perf(1.94·Y′)＝O+A·perf(1.94·K·y′)＝

＝O+A·perf[1.94·Kv_y(t-τ)]

其中O和A分别是偏移量参数和振幅参数。再灌注函数E(t)也可以根据通行时间τ(通过用D/2τ代替v_y)表示：

$E\left(t\right)=O+A\·\mathrm{perf}[1.94\·\frac{\mathrm{KD}}{2\mathrm{\τ}}(t-\mathrm{\τ})],$

或者根据速度v_y(通过用D/2v_y代替τ)表示：

$E\left(t\right)=O+A\·\mathrm{perf}[1.94\·\frac{K}{2}\·(2v_y\·t-D)].$

实际上，厚度D的值可以作为每个超声波扫描仪的合理近似中深度的函数而列表。优选地，厚度D在不同深度实验地确定。例如，该结果可以通过将微泡嵌入凝胶中然后通过直接光学观察估计破坏的微泡的程度来实现。作为选择，使用成像平面垂直于讨论的超声波扫描仪的成像平面的另一种超声波扫描仪(以低声功率)，以便(在体内或体外)声学地确定破坏的微泡的程度是可能的。厚度D也可以基于发送射束轮廓和微泡破坏的声音压力的阈值知识理论地估计；然后通过考虑组织衰减应用使用深度对厚度D的值的修正系数。

在实际实践中，微泡沿着多个方向使用不同的速度补充切片415；在该情况下，再灌注函数E(t)通过组合不同的贡献而获得。特别地，当微泡以N个速度v_yi(i＝0...N)沿着相应方向θ_i流动时(然后具有通行时间 ${\mathrm{\τ}}_i=\frac{D}{2v_{\mathrm{yi}}}$ )，再灌注函数E(t)可以连续形式表示为：

$E\left(t\right)=O+A\·{\∫}_0^{\∞}C\left(\mathrm{\τ}\right)\·\mathrm{perf}[1.94\·\frac{\mathrm{KD}}{2\mathrm{\τ}}(t-\mathrm{\τ})]\·\mathrm{d\τ}$ 或者

$E\left(t\right)=O+A\·{\∫}_0^{\∞}C\left(\mathrm{\τ}\right)\·\mathrm{Perf}[1.94\·\frac{K}{2}(2v_y\·t-D)]\·{\mathrm{dv}}_y,$

其中函数C(τ)代表微泡的相对浓度。类似地，再灌注函数E(t)也可以离散形式表示为：

$E\left(t\right)=O+A\·\underset{i=0}{\overset{N}{\mathrm{\Σ}}}{C}_i\·\mathrm{perf}[1.94\·\frac{\mathrm{KD}}{2{\mathrm{\τ}}_i}\·(t-{\mathrm{\τ}}_i)]\·({\mathrm{\τ}}_{i+1}-{\mathrm{\τ}}_i),$ 或者

$E\left(t\right)=O+A\·\underset{i=0}{\overset{N}{\mathrm{\Σ}}}{C}_i\·\mathrm{perf}[1.94\·\frac{K}{2}\·(2v_{\mathrm{yi}}\·t-D)]\·(v_{\mathrm{yi}+1}-v_{\mathrm{yi}}),$

其中C_i是具有通行时间τ_i或速度v_yi的微泡的相对浓度。相对浓度函数C(τ)和相对浓度矢量C＝[C₀，...，C_N]代表应通行时间或速度的概率密度分布(0≤C(τ)≤1且 ${\∫}_0^{\∞}C\left(\mathrm{\τ}\right)\mathrm{d\τ}=1,$ 或者0≤Ci≤1且 $\underset{i=0}{\overset{N}{\mathrm{\Σ}}}\mathrm{Ci}\·({\mathrm{\τ}}_{i+1}-{\mathrm{\τ}}_i)=1$ )。

再灌注函数E(t)仍然由S形函数图示表示。在这种情况下，再灌注函数E(t)可以根据平均通行时间或平均速度(为了简单，通常分别由τ和v表示)表示。为此目的，已经发现使用累积对数正态函数是有利的(在该上下文中称作logperf函数)；当再灌注函数E(t)根据通行时间τ表示时(类似的考虑适用于速度v)，我们具有：

$E\left(t\right)=O+\frac{A}{2}\·[1+\mathrm{erf}\left(\frac{\ln \left(t\right)-m}{s\sqrt{2}}\right)],$

其中m和s分别是通行时间τ的自然对数的平均值和标准偏差。

因此，如图6a中所示，表示在造影剂的实际再灌注过程期间随着时间测量的声功率的模型函数M(t)(当作为弹丸注射造影剂之后施加破坏脉冲时)可以表示为上述弹丸函数B(t)和再灌注函数E(t)的乘积。然后模型函数M(t)从随着时间测量的声功率中估计；该结果通过由模型函数M(t)拟合不同时间t_i(j＝0...M)的声功率的样本矢量E′＝[E′(t₀)...E′(t_M)而实现；优选地，该操作通过忽略已经在破坏脉冲施加期间测量的样本而执行。然后血液灌注的不同定量指标可以从这样获得的模型函数M(t)中提取。

特别地，无论何时需要分析中的身体局部的血液动力参数，模型函数M(t)根据由logperf函数表示的再灌注函数E(t)表示。为了简单假设弹丸函数B(t)包括单个对数正态函数(如果考虑身体局部中造影剂再循环的作用，类似的考虑适用)，根据通行时间τ的模型函数M(t)将是：

M(t)＝0    对于t≤t₀

$M\left(t\right)=O+A\·\frac{e^{\frac{{[\ln (t-t_0)-m_B]}^2}{2{s_B}^2}}}{(t-t_0)\·s_B\sqrt{2\mathrm{\π}}}$ 对于t₀≤t≤t_flash

$M\left(t\right)=O+\frac{A}{2}\·\frac{e^{\frac{{[\ln (t-t_0)-m_B]}^2}{2{s_B}^2}}}{(t-t_0)\·s_B\sqrt{2\mathrm{\π}}}\·[1+\mathrm{erf}\left(\frac{\ln \left(t\right)-m}{s\sqrt{2}}\right)]$ 对于t＞0

其中t_flash代表破坏脉冲的开始时间，假设在时间基点t＝0结束。然后由作为结果的模型函数M(t)拟合样本矢量E′[]，以便估计参数O，A，m_B，s_B，m和s。该结果可以使用在Byrd，R.H.，R.B.Schnabel和G.A.Shultz，“通过在二维子空间上最小化的信任区域问题的近似解(Approximate Solution of the Trust Region Problem by Minimizationover Two-Dimensional Subspaces)”，数学程序设计，Vol.40，pp 247-263，1988中描述的信任区域方法实现(例如，由Matlab程序设计语言的曲线拟合工具箱实现)。

拟合参数A的值提供切片中血容量的良好相对估计，并且拟合参数m和s的值允许确定微泡的平均通行时间(τ_mean)的良好估计；这样，计算微泡的平均流动速率为φ_mean＝A/τ_mean也是可能的。当估计平均速度(v_ymean)时类似的考虑适用。

从logperf函数的分析中估计的(血液动力)参数表现出相对于它们实际值的高线性度。而且，与现有技术(也就是单指数函数)强烈对比，如此获得的拟合参数与使用的超声波扫描仪无关；另外，拟合参数现在可以与物理量相关。

此外，通过估计通行时间τ的概率密度分布获得关于分析中的身体局部的血管分布形态的信息也是可能的。该信息由概率密度函数C(τ)(当再灌注函数E(t)是连续形式时)或由它相应的离散概率矢量C[](当再灌注函数E(t)是离散形式时)提供。为此目的，模型函数M(t)现在必须根据相应再灌注函数E(t)(包括分别由概率密度函数C(τ)或离散概率矢量C[]权的多个perf函数的积分或求和)表示。

特别地，在本发明的第一实施方案(关于再灌注函数E(t)的连续形式)中，概率函数C(τ)假设具有对数正态分布，这是常见的可接受模型：

$C\left(\mathrm{\τ}\right)$ $=\frac{e^{\frac{{[\ln \left(\mathrm{\τ}\right)-m]}^2}{2s^2}}}{\mathrm{\τ}\·s\sqrt{2\mathrm{\π}}},$

其中m和s分别是τ的自然对数的分布的平均值和标准偏差。然后由作为结果的模型函数M(t)(对于t＞t₀)拟合样本矢量E′[]：

$M\left(t\right)=O+A\·\frac{e^{\frac{{[\ln (t-t_0)-m_B]}^2}{2{s_B}^2}}}{(t-t_0)\·s_B\sqrt{2\mathrm{\π}}}\·{\∫}_0^{\∞}\frac{e^{\frac{{[\ln \left(\mathrm{\τ}\right)-m]}^2}{2s^2}}}{\mathrm{\τ}\·s\sqrt{2\mathrm{\π}}}\·\mathrm{perf}[1.94\·\frac{\mathrm{KD}}{2\mathrm{\τ}}(t-\mathrm{\τ})]\·\mathrm{d\τ},$

以便估计拟合参数O，A，m_B，s_B，m和s。同样在该情况下，振幅参数A的值可以与分析中的身体局部中相对区域血容量相关。但是，现在计算概率密度函数C(τ)的任何期望统计指标例如它的平均值、方差和偏斜度是可能的：

${\mathrm{\τ}}_{\mathrm{mean}}=e^{m+\frac{s^2}{2}}$

${\mathrm{\σ}}^2=e^{s^2+2m}\·(e^{s^2}-1)$

$\mathrm{\γ}=\sqrt{e^{s^2}-1}\·(2+e^{s^2}).$

一些指标提供关于概率密度函数C(τ)的形状的信息。例如，方差σ²测量概率函数C(τ)的扩展，而偏斜度γ测量它的不对称。特别地，最显著的形状指标是偏斜度γ，因为它包括与测量的实际值无关的纯数。

如此获得的形状指标可以用来(与它的血液动力参数无关地)表征分析中的身体局部的血管分布形态。例如，如图6b中所示，两个不同的再灌注函数E(t)(以任意单位，或a.u.)使用610s和610a表示。即使两个再灌注函数610s和610a具有相同的平均通行时间(τ_mean＝1.48)和相同值的参数A，它们的形状非常不同。特别地，再灌注函数610s接近于perf函数，在它的半幅值(在讨论的实例中是5)附近具有高级对称性；相反地，再灌注函数610a具有在半幅值附近明显不对称的扭曲形状(具有初始的较急剧上升和最终的较缓和肩部)。

移至图6c，上述(对称和不对称)再灌注函数代替地与非常不同的概率密度函数C(τ)相关联。特别地，对称再灌注函数提供非常接近于窄且几乎对称的正态概率密度函数的概率密度函数620s；该形状由它的方差和偏斜度的低值(讨论的实例中σ²＝0.09和γ＝0.61)表征。相反地，不对称再灌注函数对应于宽且不对称的概率密度函数620a；该形状由它的方差和偏斜度的高值(讨论的实例中σ²＝1.97和γ＝3.69)表征。

这样，识别分析中的身体局部的病理状况是可能的。例如，几乎对称的概率密度函数C(τ)(具有低偏斜度γ)可以与健康组织(具有非常有序的微脉管网络)相关联；相反她，不对称的概率密度函数C(τ)(具有高偏斜度γ)可以与病理组织(具有不规则的微脉管网络)相关联。例如，高偏斜度γ可以表示管状动脉疾病中的癌症或局部缺血中的血管由来过程(也就是涉及新的血管发展的组织的血管形成)。

而且，通过随着时间连续测量形状指标(特别是偏斜度γ)监控病理状况的进展或对治疗的响应也是可能的。实际上，偏斜度γ的任何变化表示身体局部的血管分布形态的相应进展。例如，偏斜度γ的减小或增大可以分别表示防止血管由来或促进血管由来的药物治疗的有效性。

在本发明的不同实施方案中，估计概率密度分布而不做关于它特性的任何假设。为此目的，由(对于预定义通行时间的矢量τ＝[τ₀...τ_N])在相同时间t_j评价模型函数M(t)而给出的相应模型矢量M＝[M(t₀)...M(t_M)]拟合样本矢量E′＝[]是必要的；优选地，通行时间矢量τ[]通过根据算术或几何级数以关注的给定间隔选择N个值来定义。

为了执行上述操作，我们定义标度概率矢量C_A＝[C_A0，...，C_AN]＝A·[C₀，...，C_N]，其中C_Ai＝A·C_i≥0且 $\underset{i=0}{\overset{N}{\mathrm{\Σ}}}{C}_{\mathrm{Ai}}\·({\mathrm{\τ}}_{i+1}-{\mathrm{\τ}}_i)=\underset{i=0}{\overset{N}{\mathrm{\Σ}}}A\·C_i\·({\mathrm{\τ}}_{i+1}-{\mathrm{\τ}}_i)=A,$ 以及因数矢量P＝[p₀，...，p_N]，其中p_i＝C_Ai·(τ_i+1-τ_i)。然后，模型矢量M[](为了简单假设偏移量参数O等于零)仅是因数矢量P[]的函数。因此，我们可以根据因数矢量P[]定义模型矢量M[]与样本矢量E′[]之间的误差函数；例如：

$\mathrm{err}\left(P\right)=\underset{j=0}{\overset{M}{\mathrm{\Σ}}}|M(P,t_j)-E^{\′}\left(t_j\right)|.$

因数矢量P[]可以通过使用P_i≥0的约束最小化误差函数err(P)估计。然后标度概率矢量C_A[]的每个元素计算为：

C_Ai＝p_i/(τ_i+1-τ_i)。

现在通过应用上速公式 $A=\underset{i=0}{\overset{N}{\mathrm{\Σ}}}{C}_{\mathrm{Ai}}\·({\mathrm{\τ}}_{i+1}-{\mathrm{\τ}}_i)$ 估计振幅参数A，然后获得概率矢量C[]＝C_A[]/A是可能的。

该结果可以使用在Coleman，T.F.和Y.Li的“有界非线性最小化的内部信任区域方法(An Interior，Trust Region Approach for NonlinearMinimization Subject to Bounds)”，关于优化的SIAM杂志，Vol.6，pp.418-445，1996和Coleman，T.F.和Y.Li的“关于有界大规模非线性最小化的映射牛顿方法的收敛(On the Convergence of ReflectiveNewton Methods for Large-Scale Nonlinear Minimization Subject toBounds)”，数学程序设计，Vol.67，Number 2，pp.189-224，1994(例如，由Matlab程序设计语言的优化工具箱实现)中描述的内部映射牛顿法获得。该技术需要因数矢量P[]的初始估计的设置。因数矢量P[]的初始估计的选择相当重要，因为误差函数err(P)可能具有允许找到灌注函数E(t)的良好近似，但不是因数矢量P[]的良好近似的几个局部最小值。在该情况下，通过如下设置因数矢量P[]的每个元素获得极好的结果：

p_i＝1/N

或者

p_i＝(τ_i+1-τ_i)·[max(τ₀，...，τ_N)-min(τ₀，...，τ_N)]。

现在计算概率矢量C[]的任何期望统计指标例如它的平均值、方差和偏斜度是可能的：

${\mathrm{\τ}}_{\mathrm{mean}}=\frac{\underset{i=0}{\overset{N}{\mathrm{\Σ}}}{C}_i\·{\mathrm{\τ}}_i}{N}$

${\mathrm{\σ}}^2=\frac{\underset{i=0}{\overset{N}{\mathrm{\Σ}}}{C}_i\·{({\mathrm{\τ}}_i-{\mathrm{\τ}}_{\mathrm{mean}})}^2}{N}$

$\mathrm{\γ}=\frac{\underset{i=0}{\overset{N}{\mathrm{\Σ}}}{C}_i\·{\left(\frac{{\mathrm{\τ}}_i-{\mathrm{\τ}}_{\mathrm{mean}}}{\mathrm{\σ}}\right)}^3}{N}$

同样在该情况下，如此获得的形状指标可以用来表征分析中的身体局部的血管分布形态。另外，通过比较估许的概率密度分布和对数正态函数(表征健康组织)检测身体局部的血管分布的形态异常也是可能的。

实验已经显示提出的解决方法对于具有低噪声的回波功率信号提供良好的结果；但是，当不可忽略的噪声添加到回波功率信号时，损害结果的准确度。

在该情况下，已经发现应用更多的估计步骤是有利的。例如，在本发明的实施方案中，因数矢量P[]的第一估计然后标度概率矢量C_A[]的第一估计如上所述对于相对低的第一通行时间数目N而获得；例如，第一通行时间数目N是4-16，优选地6-10(例如8)。然后对于较高的第二通行时间数目N，标度概率矢量C_A[]的第二估计从第一估计中推断；优选地，第二通行时间数目N是8-64，优选地16-48(例如32)。例如，该结果通过将三次样条插值应用于标度概率矢量C_A[]的第一估计来实现。详细地，标度概率矢量C_A[]的第一估计在通行时间域中由三次平滑样条函数(例如，使用Matlab程序设计语言的csaps函数)拟合。三次平滑样条函数以第二通行时间数目N评价(例如，以关注的间隔再次均匀地分布)。然后因数矢量P[]的每个元素的第二估计作为p_i＝C_Ai·(τ_i+1-τ_i)获得。

因数矢量P[]的第二估计用来初始化执行第三估计步骤的神经网络。如本领域中众所周知的，神经网络是近似人脑操作的数据处理系统。神经网络包括通过单向通道(称作突触)连接的基本处理单元(称作神经元)；神经元(和相应突触)在神经网络的输入和输出(分别接收输入矢量IN[]和提供输出矢量OUT[])之间组织成一层或多层。与每个第k个神经元相关联的突触(从其他神经元或从神经网络的输入)接收相应输入矢量IN_k[]；突触将输入矢量IN_k[]乘以相应权重矢量W_k[]然后加上偏差值b_k。作为结果的矢量W_k[]·IN_k[]+b_k提供到关联的神经元，其根据预定义的传递函数(例如S形或恒等函数)输出标量值Out_k[]：

Out_k[]＝g(W_k[]·IN_k[]+b_k)。

神经网络通过提供大量实例(每个包括输入矢量IN[]和相应输出矢量OUT[])初始地训练；迭代地调节权重矢量W_k[]和偏差值b_k以便拟合可用实例。例如，训练过程通过最小化包括输出矢量OUT[]和输入矢量IN[]之间的均方差(mse)的性能函数来执行。

在该上下文中，使用具有单个突触/神经元的简单神经网络(实现等于恒等函数的传递函数)；该元素(具有N个元素的权重矢量W[]和偏差值b)接收输入矢量IN[]并直接提供输出矢量OUT[](它们都包括M个元素)。因此，最小化的性能函数mse()变成：

$\mathrm{mse}=\frac{1}{M}{\left|\right|W\left[\right]\·\mathrm{IN}\left[\right]+b-\mathrm{OUT}\left[\right]\left|\right|}^2$

如果输出矢量OUT[]设置为样本矢量E′＝[]，权重矢量W[]设置为因数矢量P[]，并且输入矢量IN[]设置为由(对于通行时间矢量τ[])在时间t_j的perf函数和弹丸函数B(t)之间的乘积的评价给出的相应bolus-perf矢量BolusPerf[]，我们具有将要最小化的下面的性能函数mse()：

$\mathrm{mse}=\frac{1}{M}\underset{j=0}{\overset{M}{\mathrm{\Σ}}}{\left[P\right[]\·B\left(t_j\right)\·\mathrm{perf}\left(t_j\right)+b-E^{\′}\left(t_j\right)]}^2=\frac{1}{M}\underset{j=0}{\overset{M}{\mathrm{\Σ}}}{[M\left(t_j\right)+b-E^{\′}\left(t_j\right)]}^2.$

因此，通过使用bolus-perf函数矢量BolusPerf[]和样本矢量E′[]训练上述神经网络(假设偏差值b保持尽可能接近零)而获得的权重矢量W[]提供因数矢量P[](以及概率矢量C[])的期望估计。为此目的，权重矢量W[]初始化为因数矢量P[]的上述第二估计。而且，为了满足权重矢量W[]必须为正并且偏差值b必须基本上为零的约束，它们周期性地重置为零。重置操作的周期(根据迭代次数)必须足够高以便使得性能函数mse()在由重置操作引起的急剧增加之前显著降低(在训练过程中)；经验地观察使用高于10，更优地高于25，甚至更优地高于50(例如高达200)，例如100的周期提供良好的结果。

当性能函数mse()落在预定义阈值之下时训练过程结束。在这点上，使用0.01-0.001之间的阈值获得可接受的结果；特别地，为了维持训练过程的高准确度，优选地随着概率密度分布的复杂度增加或者随着重置操作的周期减小而减小阈值。有利地，停止条件不在训练过程的每次迭代时验证，而仅在任何重置操作之前验证；因此，训练过程的迭代总数将总是重置操作周期的倍数。

例如，该结果可以通过使用Matlab程序设计语言实现。特别地，使用newlin函数创建神经网络；然后使用函数traingdx最小化(由函数net.performFcn)定义的性能函数。该函数以批处理方式实现梯度下降算法(其中每次迭代时，仅在整个实例应用于神经网络之后更新权重和偏差值)；该函数也应用动量技术(用作允许忽略局部变化的低通滤波器)以及自适应学习技术(其动态地更新梯度下降算法的速率)。

现在移至图7，可以用于实践根据本发明实施方案的灌注评价方法的主要软件组件整体使用参考700表示。信息(程序和数据)典型地存储在硬盘上并且当程序运行时与操作系统和其他应用程序(图中没有显示)一起(至少部分地)装载到工作存储器中。程序例如从CD-ROM初始地安装到硬盘上。

特别地，模块705用来驱动探针，以便测量在造影剂的灌注过程期间由正在扫描的身体局部反射的回波功率信号；例如，探针驱动器705包括用于产生超声波的射束形成器和脉冲发生器。测量的回波功率信号提供到处理器710。处理器710预先放大回波功率信号并且施加初步时间增益补偿(TGC)。典型地，(模拟)回波功率信号然后由模拟数字转换器(ADC)转换成数字值，并且通过接收射束形成器组合成聚焦信号。回波功率信号也通过数字滤波器(例如带通滤波器)和其他信号调节器(例如射束形成之后的TGC)操纵；而且，回波功率信号进一步通过解调器(以提取回波包络的振幅)和非线性调节器例如对数压缩器(以说明探针的几何形状)操纵。回波功率信号再次可选地压缩，然后转换成影像格式。该过程产生造影剂的灌注过程期间身体局部的一系列连续图像I，图像I存储到相应仓库715中。每个图像包括身体局部的数字表示；图像由可视化元素的矩阵(例如具有512行和512列)定义，每个元素表示关于基本图像元素(像素)或体积元素(体素)的回波功率信号的强度。

选择器720用来在图像上限定灌注过程的研究区(ROI)；典型地，ROI标识待分析的身体局部的显著部分。与ROI相对应的掩模由缩减器725应用于该系列图像I，以便获得仅具有关于灌注过程的信息的相应系列的减小图像Ir。线性化模块730处理该系列减小图像Ir以使得每个可视化元素与相应像素或体素中微泡的局部浓度成比例；例如，该结果可以通过应用反对数压缩然后平方如此获得的可视化元素的值来获得。作为结果的该系列线性化图像Il提供到合并器735。对于每个线性化图像，合并器735将相应可视化元素在相关时间组合到表示整个ROI的声功率的单个值中；例如，该值作为可视化元素的平均值而计算。该操作提供期望ROI的样本矢量E′[]；优选地，合并器735也对样本矢量E′[]应用中值滤波器(例如，由Matlab程序设计语言的函数medfiltl实现)，以便减小任何噪声的负效应。

然后该样本矢量E′[]提供到检测器736。检测器736确定样本矢量E′[]的元素何时达到它们的绝对最大值(对应于弹丸曲线的主要波峰)；例如，该结果可以通过监控样本矢量E′[]的梯度来实现，以便当梯度变成负值时检测最大值的达到(对于足够过滤出任何瞬时现象的时间)。如此获得信息提供到激励器737，其响应此控制驱动探针705以施加破坏脉冲。这样，破坏脉冲在达到弹丸曲线的主要波峰之后自动地施加。因此，具有弹丸曲线的良好估计是可能的(因为它的整个摄取阶段完成)；同时，大量造影剂仍然存在于分析中的身体局部中(使得产生的回波功率信号提供显著的信息，它的级别远高于任何背景噪声)。

该系列线性化图像Il也由血液动力估计器738接收。模块738根据由该系列线性化图像Il中的相应可视化元素定义的样本矢量E′[]，估计每个像素或体素的期望血液动力参数。为此目的，估计器738访问拟合模块740，其确定当根据表示为logperf函数的再灌注函数E(t)表示时模型函数M(t)的拟合参数。这导致一个或多个参数图像PI(将相应血液动力参数的值关联到每个像素或体素)的产生。

而且，整个ROI的样本矢量E′[]由合并器735提供到形态估计器743。模块743从当根据表示为分别由相应概率密度函数C(τ)或概率矢量C[]加权的perf函数的连续或离散组合的再灌注函数E(t)表示时的模型函数M(t)中估计所选ROI的期望形态参数。为此目的，估计器743可以利用拟合模块740计算概率密度函数C(τ)，当它假设具有对数正态分布时。在该情况下，拟合模块740访问存储值K和D的表格745，其先验知识是必需的。除此之外或作为选择，估计器743也可以与用来进行概率矢量C[]的第一估计的优化器755相关联。概率矢量C[]的第一估计提供到外推器760，其确定它的第二估计。概率矢量C[]的第二估计又传递到神经网络模块765。神经网络模块765与相应训练模块766相关联。重置模块767用来强制将神经网络的权重和偏差值周期性地置零。然后由神经网络模块765提供的概率矢量C[]的第三估计返回到估计器743。然后使用拟合参数计算概率密度函数C(τ)或概率矢量C[]的形状指标(例如，它的偏斜度γ)。如此获得的形态参数也可以提供到可选分析器775。例如，分析器775比较当前回波功率信号的偏斜度γ与相应仓库780中记录的一个或多个预定义值(典型地存储对于与断定健康的身体局部相关的回波功率信号获得的偏斜度γ，或者对于先前对于相同身体局部测量的回波功率信号获得的偏斜度γ)；另外，比较器775可以访问存储用于评价比较结果的预定义标准的知识库785；例如，对于每个组织，知识库785可以提供偏斜度γ的阈值(当没有超过时表示健康状态)，可以将不同范围的偏斜度γ与相应病理状况相关联，或者可以对不同治疗建立偏斜度γ随着时间的满意趋势。

由血液动力估计器738(也就是参数图像PI)和/或由形态估计器743(也就是基于偏斜度γ)获得的结果存储到文件790中。存储在结果文件790中的信息通过输出驱动器795(例如引起它的显示)提供给操作员。

修改

当然，为了满足局部和特定需求，本领域技术人员可能将许多修改和备选方案应用于上述解决方法。特别地，虽然本发明已经参考优选实施方案以一定程度的特殊性描述，但是应当理解形式和细节的各种省略、代替和改变以及其他实施方案是可能的；而且，明显地计划结合本发明的任何公开实施方案描述的具体要素和/或方法步骤可以作为设计选择的一般内容包括在任何其他实施方案中。

例如，如果起声波扫描仪具有不同的结构或者包括其他单无，或者如果使用等效的造影剂，类似的考虑适用；类似地，造影剂的弹丸注射和/或破坏可以使用类似程序执行。而且，本发明的原理不应当局限于上述模型函数(而是它们通常适用于包括任何弹丸函数和任何再灌注函数的乘积的任何模型函数)。

在任何情况下，回波功率信号可以另一种方法与模型函数相关联。例如，在本发明的各选实现中，单独估计弹丸函数B(t)(使用仅对应于摄取阶段的初始部分和排除阶段的最终部分获取的回波功率信号)。然后回波功率信号除以(估计的)弹丸函数B(t)的相应值；这产生修改的样本矢量Em′＝[Em′(t₀)，...Em′(t_M)]，其中E′m(t_j)＝E′(t_j)/B(t_j)。这样，基本上去除弹丸注射的作用；因此，修改的样本矢量Em′＝[](在破坏脉冲施加之后)现在可以直接由再灌注函数E(t)拟合。在这点上，应当注意上述(样本矢量E′＝[]除以弹丸函数B(t)的)除法将修改的样本矢量Er′＝[]的每个元素的振幅(从而相应再灌注函数E(t)的每个元素的振幅)标准化成一。为了恢复再灌注函数E(t)的实际振幅(如果需要的话)，估计分析中的身体局部中的血容量是必需的。该信息可以通过将振幅参数A计算作为从t₀到+∞的弹丸函数B(t)的积分而获得(假设 ${\∫}_0^{-\∞}\frac{e^{\frac{{[\ln (t-t_0)-m_B]}^2}{2{s_B}^2}}}{(t-t_0)\·s_B\sqrt{2\mathrm{\π}}}\mathrm{dt}=1$ )。然后再灌注函数E(t)乘以振幅参数A以便恢复它的实际值。现在任何期望血液动力或形态指标可以如先前说明地估计。该实现提供与这里描述的本发明优选实施方案相同的结果(即使它们的准确度稍低)。

类似地，提出的解决方法可以用来估计灌注过程的任何指标(像素/体素级别、所选ROI级别或者可视化元素组的级别)。

线性化回波功率信号的不同技术(以使得它与身体局部中造影剂的浓度成比例)是站得住脚的。例如，当处理与声音压力成比例的原始回波功率信号时，该结果可以简单地通过平方回波信号振幅获得。

在任何情况下，偏斜度γ可以使用不同的公式计算；而且，不排除其他形状指标的使用(除了偏斜度γ之外或作为选择)。

而且，perf函数可以等价方式定义。

如果概率密度函数通过将样本拟合到(根据连续形式或离散形式的再灌注函数E(t的))模型函数M(t)的其他技术估计，类似的考虑适用；例如，可以另一种方式选择通行时间的初始矢量τ[]，可以通过假设振幅参数A为样本矢量E′[]的渐近值来直接估计概率矢量C[]；作为选择，概率矢量C[]的估计可以使用不同数目的步骤(减少到仅一个)，或者使用其他算法(例如，基于子波分解)来执行。

在任何情况下，本发明的解决方法有助于使用不同方法构造的程序，或者使用另外的模块或功能实现；类似地，不同的存储器结构可以具有不同的类型，或者可以使用(不一定包括物理存储介质的)等价实体代替。而且，提出的解决方法可以实现等价的方法(例如，使用类似或另外的步骤)。

在任何情况下，在任何其他计算机可读介质(例如DVD)中发行程序是可能的。

而且，对本领域技术人员将显然，提供更多优点的另外特征对于实施本发明不是必需的，并且可以省略或者使用不同特征代替。

例如，没有什么防止使用任何其他再灌注函数(例如单指数函数)实现提出的解决方法。

而且，提出的解决方法有助于甚至在与身体局部中造影剂的浓度不成比例的非线性化回波功率信号(例如图像)上使用。在该情况下，再灌注函数由与引起非线性的过程(例如平方根和对数压缩)相同的过程修改。

类似地，即使在先前描述中参考logperf函数和perf函数，这并不打算是限制的方式；实际上，再灌注函数或初等再灌注函数可以使用任何其他S形函数表示，例如双曲线正切函数，S形函数或其任何三角或多项式近似。例如peff函数的可能近似包括：

perf(q)＝sigmoid(2.406·q)

perf(q)＝tanh(1.203·q)

$\mathrm{perf}\left(q\right)=0.5\·[1+\mathrm{erf}\left(q\right)]\≅\mathrm{sign}\left(q\right)(1-\frac{1}{1+a_1\left|q\right|+a_2{q}^2+a_3{\left|q\right|}^3+a_4{q}^4})$

其中sign(q)＝1 对于q≥0且sign(q)＝1对于q＜0，并且其中a₁＝0.278393，a₂＝0.330389，a₃＝0.000972且a₄＝0.078108。

另外，不排除假设除了对数正态分布之外的分布的概率密度函数C(τ)的估计。

在任何情况下，提出的解决方法有助于总是使用简单的弹丸函数实现(即使在造影剂的再循环存在的情况下)。

而且，等价弹丸函数(例如gamma变量函数)的使用在本发明的范围内。

本发明的概念也适用于基于不同检测方案或使用其他测量技术的超声波扫描仪。

在任何情况下，考虑破坏脉冲的手工触发(例如，由观看显示器上的图像的操作员)。

作为选择，诊断成像设备包括超声波扫描仪和不同的计算机(或者任何等价数据处理系统)；在该情况下，测量的数据从超声波扫描仪(例如，通过可移除磁盘、存储笔/钥匙或网络连接)传送到计算机用于处理。

如果程序预先装载到硬盘上、通过网络发送到系统、被广播或者更一般地以可直接装载到系统的工作存储器中的任何其他形式提供，类似的考虑适用。

最后，根据本发明的方法有助于使用硬件结构(例如集成在半导体材料的芯片中)，或者使用软件和硬件的组合实施。

Claims (15)

1.一种灌注评价系统(105)，包括：

用于提供表示被分析的身体局部中造影剂灌注的回波功率信号的装置(705-735)，该造影剂作为弹丸注射并且在造影剂通过身体局部期间经历显著破坏，

用于将回波功率信号关联到模型函数的装置(740；755-767)，模型函数包括表示没有所述破坏的造影剂的通过的弹丸函数和表示与造影剂的基本上恒定流入相对应的破坏之后身体局部中造影剂的再灌注的再灌注函数之间的乘积，以及

用于从弹丸函数和/或再灌注函数中估计至少一个灌注指标的装置(738；743)。

2.根据权利要求1的系统(105)，其中再灌注函数具有S形，S形包括具有基本上零一阶导数的初始部分、具有基本上零一阶导数的最终部分、以及从初始部分的值单调地变到最终部分的值的初始部分与最终部分之间的中间部分。

3.根据权利要求2的系统(105)，其中用于提供回波功率信号的装置(705-735)包括用于处理回波功率信号以与身体局部中造影剂的浓度成比例的装置(730)。

4.根据权利要求2或3的系统(105)，其中再灌注函数是由一组拟合参数表示的累积对数正态函数，并且其中用于估计的装置(738；743)包括用于从拟合参数中导出至少一个灌注指标的装置(738)，该至少一个灌注指标代表身体局部的血液动态特性。

5.根据权利要求2或3的系统(105)，其中再灌注函数基于具有所述S形的多个初等再灌注函数，每个用于至少一个灌注参数的相应值，初等灌注函数根据该至少一个灌注参数的概率密度分布被加权，并且其中用于估计的装置(738；743)包括计算概率密度分布的至少一个形状指标的装置(743)，该至少一个形状指标代表身体局部的形态特性。

6.根据权利要求5的系统(105)，其中每个初等再灌注函数是基于表示回波功率信号测量敏感度的第一预先确定参数(K)和表示造影剂破坏程度的第二预先确定参数(D)的累积正态分布函数。

7.根据权利要求5或6的系统(105)，其中概率密度分布是至少一个灌注参数的对数正态函数，并且再灌注函数包括初等再灌注函数乘以对数正态函数的积分，对数正态函数由一组拟合参数表示，并且其中用于计算的装置(743)包括从拟合参数中导出至少一个形状指标的装置。

8.根据权利要求5或6的系统(105)，其中概率密度分布由概率矢量表示，再灌注函数包括初等再灌注函数乘以相应概率的求和，并且其中用于计算的装置(743)包括从概率矢量中提取至少一个形状指标的装置。

9.根据权利要求1-8中任何一个的系统(105)，其中弹丸函数包括多个初等弹丸函数的和。

10.根据权利要求1-9中任何一个的系统(105)，其中弹丸函数和每个初等弹丸函数是对数正态函数。

11.一种诊断成像设备(100)，包括用于获取回波功率信号的超声波装置(110)和根据权利要求1-10中任何一个的灌注评价系统(105)。

12.根据权利要求11的诊断成像设备(100)，还包括用于检测回波功率信号达到最大值的装置(736)和用于响应达到最大值的检测而触发破坏的装置(737)。

13.一种灌注评价方法(700)，包括步骤：

提供(705-735)表示被分析的身体局部中造影剂灌注的回波功率信号，造影剂作为弹丸注射并且在造影剂通过身体局部期间经历显著破坏，

将回波功率信号关联(740；755-767)到模型函数，模型函数包括表示没有所述破坏的造影剂的通过的弹丸函数和表示与造影剂的基本上恒定流入相对应的破坏之后身体局部中造影剂的再灌注的再灌注函数之间的乘积，以及

从弹丸函数和/或再灌注函数中估计(738；743)至少一个灌注指标。

14.一种可直接装载到数据处理系统(105)的工作存储器中的计算机程序(700)，当程序在系统上运行时，数据处理系统(105)执行根据权利要求13的方法。

15.一种包括实施根据权利要求14的程序的计算机可读介质的程序产品(140)。

Images