CN104970832A - 超声波测定装置以及超声波测定方法 - Google Patents

超声波测定装置以及超声波测定方法 Download PDF

Info

Publication number
CN104970832A
CN104970832A CN201510145082.3A CN201510145082A CN104970832A CN 104970832 A CN104970832 A CN 104970832A CN 201510145082 A CN201510145082 A CN 201510145082A CN 104970832 A CN104970832 A CN 104970832A
Authority
CN
China
Prior art keywords
blood vessel
characteristic point
measurement device
straight line
ultrasonic measurement
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201510145082.3A
Other languages
English (en)
Inventor
日向崇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Seiko Epson Corp
Original Assignee
Seiko Epson Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Priority claimed from JP2014078320A external-priority patent/JP2015198714A/ja
Priority claimed from JP2014257683A external-priority patent/JP2015198907A/ja
Application filed by Seiko Epson Corp filed Critical Seiko Epson Corp
Publication of CN104970832A publication Critical patent/CN104970832A/zh
Pending legal-status Critical Current

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
    • A61B8/0833—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving detecting or locating foreign bodies or organic structures
    • A61B8/085—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving detecting or locating foreign bodies or organic structures for locating body or organic structures, e.g. tumours, calculi, blood vessels, nodules
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
    • A61B8/0891—Detecting organic movements or changes, e.g. tumours, cysts, swellings for diagnosis of blood vessels
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/42—Details of probe positioning or probe attachment to the patient
    • A61B8/4209—Details of probe positioning or probe attachment to the patient by using holders, e.g. positioning frames
    • A61B8/4218—Details of probe positioning or probe attachment to the patient by using holders, e.g. positioning frames characterised by articulated arms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/5207—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of raw data to produce diagnostic data, e.g. for generating an image
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
    • A61B8/5223—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for extracting a diagnostic or physiological parameter from medical diagnostic data
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/13—Tomography
    • A61B8/14—Echo-tomography

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Molecular Biology (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Biophysics (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Physics & Mathematics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Vascular Medicine (AREA)
  • Physiology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

本发明涉及超声波测定装置以及超声波测定方法，以经过利用超声波测定获取到的B模式图像中的3个特征点的圆的位置是否能视为血管壁的位置这一基准来评价由该3个特征点构成的特征点组。作为评价项目，有位于经过3个特征点的圆的轮廓上的特征点的个数、随着时间流逝的特征点的位置变化、特征点的亮度、该圆的内侧的特征点的个数等。在评价的结果满足了规定条件的情况下，判断为血管壁的位置位于经过选择出的3个特征点的圆的位置来检测血管位置。

Description

超声波测定装置以及超声波测定方法
在本申请中包含有2014年4月1日提出的日本专利申请2014-075750、2014年12月19日提出的日本专利申请2014-257683、以及2014年4月7日提出的日本专利申请2014-078320的内容。
技术领域
本发明涉及使用超声波来检测血管位置的超声波测定装置。
背景技术
作为使用超声波来测定生物体信息的一个例子，进行了包括血管疾病的判断在内的血管功能的评价。例如，血压(血管径的变动)的测定、成为动脉硬化的指标的颈动脉的IMT(Intima Media Thickness：内膜中膜复合体厚度)的测定、血管壁的硬度的评价等是其代表例。在这样的测定中，首先测定生物体组织内的血管的位置。
作为血管位置的确定技术，在日本特开2009－66268号公报中公开了一种基于作为颈动脉的短轴方向的剖面图像的B模式图像来推断颈动脉的位置、形状并加以模型化的技术。在这样的技术中，着眼于因心脏博动引起的动脉的运动，按每帧反复进行生成模型的评价函数、进行最优化来推断下一帧的颈动脉的位置、形状并加以模型化的处理。
在上述的日本特开2009－66268号公报所公开的技术中，由于按每帧反复进行评价函数的生成、最优化、然后模型化，所以存在测定所涉及的运算处理变得复杂，运算量增加这样的问题。另外，在评价动脉血管壁的硬度时，需要检测血管长轴的位置。因此，除了血管的短轴方向的剖面图像之外，在长轴方向的剖面图像中，检测血管的位置也很重要。
发明内容
本发明的第1方式涉及一种超声波测定装置，具备：超声波测定部，其通过对血管发送超声波并从血管接收超声波，来获取包括上述血管的短轴方向剖面的超声波图像；特征点提取部，其从上述超声波图像提取特征点；组合选出部，其选出上述特征点的位置成为沿上述血管的短轴方向剖面形状的配置关系的特征点的组合；以及位置判定部，其使用上述组合来判定上述血管的位置。
本发明的第2方式涉及一种超声波测定装置，具备：超声波测定部，其通过对血管发送超声波并从血管接收超声波，来获取包括上述血管的长轴方向剖面的超声波图像；特征点提取部，其从上述超声波图像提取特征点；组合选出部，其选出上述特征点的位置成为沿上述血管的长轴方向剖面形状的配置关系的特征点的组合；以及位置判定部，其使用上述组合来判定上述血管的位置。
本发明的第3方式涉及一种超声波测定方法，是使用计算机根据包括血管的短轴方向或者长轴方向的剖面的超声波图像来判定血管位置的超声波测定方法，包括：从上述超声波图像提取特征点的步骤；选出上述特征点的位置成为沿上述血管的短轴方向或者长轴方向的剖面形状的配置关系的特征点的组合的步骤；以及使用上述组合来判定上述血管的位置的步骤。
附图说明
图1是第1实施方式中的超声波测定装置的系统构成图。
图2是第1实施方式中的超声波图像中的特征点的检测的说明图。
图3是第1实施方式中的特征点组的生成的说明图。
图4是第1实施方式中的关于第1评价项目的评价的说明图。
图5是第1实施方式中的关于第2评价项目的评价的说明图。
图6是第1实施方式中的关于第3评价项目的评价的说明图。
图7是第1实施方式中的A模式数据的一个例子。
图8是第1实施方式中的关于第4评价项目的评价的说明图。
图9是第1实施方式中的关于第5评价项目的评价的说明图。
图10是第1实施方式中的超声波测定装置的功能构成图。
图11是第1实施方式中的超声波测定装置的存储部的构成图。
图12是第1实施方式中的超声波测定处理的流程图。
图13是表示第2实施方式中的超声波测定装置的处理部的构成例的图。
图14是表示第2实施方式中的超声波测定装置的存储部的构成例的图。
图15是表示第2实施方式中的血管位置判定处理的流程的流程图。
图16是表示第2实施方式中的前后壁检测处理的流程的流程图。
图17(a)～图17(c)是对第2实施方式中的前后壁检测处理进行说明的图。
图18(a)、图18(b)是对第2实施方式中的外膜候补点提取处理进行说明的图。
图19(a)、图19(b)是对第2实施方式中的内膜候补点提取处理进行说明的图。
图20是表示第2实施方式中的中心扫描线判定处理的流程的流程图。
图21是表示第2实施方式中的血管位置确定处理的流程的流程图。
图22(a)～图22(c)是对第2实施方式中的外膜候补点提取处理以及内膜候补点提取处理的变形例进行说明的图。
图23(a)、图23(b)是对第2实施方式中的中心扫描线判定处理的变形例进行说明的图。
图24是第3实施方式中的超声波测定装置的系统构成图。
图25是第3实施方式中的超声波图像中的特征点的检测的说明图。
图26是第3实施方式中的特征点组的生成的说明图。
图27是第3实施方式中的关于第1评价项目的评价的说明图。
图28是第3实施方式中的关于第2评价项目的评价的说明图。
图29是第3实施方式中的关于第3评价项目的评价的说明图。
图30是第3实施方式中的A模式数据的一个例子。
图31是第3实施方式中的关于第4评价项目的评价的说明图。
图32是第3实施方式中的关于第5评价项目的评价的说明图。
图33是第3实施方式中的超声波测定装置的功能构成图。
图34是第3实施方式中的超声波测定装置的存储部的构成图。
图35是第3实施方式中的超声波测定处理的流程图。
具体实施方式
根据本发明，能够提出对成为超声波测定的对象的血管的位置进行检测的新技术。
本实施方式涉及一种超声波测定装置，具备：超声波测定部，其通过对血管发送超声波并从血管接收超声波，来获取包括上述血管的短轴方向剖面的超声波图像；特征点提取部，其从上述超声波图像提取特征点；组合选出部，其选出上述特征点的位置成为沿上述血管的短轴方向剖面形状的配置关系的特征点的组合；以及位置判定部，其使用上述组合来判定上述血管的位置。
另外，本实施方式涉及一种超声波测定方法，是使用计算机根据包括血管的短轴方向的剖面的超声波图像来判定血管位置的超声波测定方法，包括：从上述超声波图像提取特征点的步骤；选出上述特征点的位置成为沿上述血管的短轴方向的剖面形状的配置关系的特征点的组合的步骤；以及使用上述组合来判定上述血管的位置的步骤。
由此，选出超声波图像中的特征点的位置成为沿血管的短轴方向剖面形状的配置关系的特征点的组合，并使用选出的组合来判定血管的位置。在包括血管的短轴方向剖面的超声波图像中，具有特征点多数沿血管的剖面形状的轮廓出现这一特性。由此，能够实现根据超声波图像中的特征点的位置的配置关系来检测血管的位置的新技术。
另外，在本实施方式中，也可以构成下述的超声波测定装置：基于上述组合涉及的上述配置关系，推断与上述血管的短轴方向剖面相当的形状的轮廓位置，并基于该轮廓位置和上述特征点计算该轮廓位置表示上述血管的血管壁的位置的概率，来判定上述血管的位置。
由此，基于组合所涉及的特征点的位置的配置关系来推断与血管的短轴方向剖面相当的形状的轮廓位置，并使用该轮廓位置表示血管壁的位置的概率来判定出血管的位置。例如，能够着眼于在超声波图像中多数的特征点出现在血管壁的图像部分，来检测血管壁的位置。
另外，在本实施方式中，也可以构成下述的超声波测定装置：使用成为沿着上述轮廓位置的位置的上述特征点的个数来计算第1上述概率。
由此，可使用推断出的成为沿轮廓位置的位置的特征点的个数，来计算出该轮廓位置表示血管壁的第1概率。在超声波图像中，多数的特征点出现在血管壁的图像部分。在推断出的轮廓位置与血管壁大致一致的情况与大致不一致的情况下，该轮廓位置的特征点的个数大不相同。因此，能够使用推断出的轮廓位置的特征点数来检测血管位置。
另外，在本实施方式中，也可以构成下述的超声波测定装置：使用成为沿上述轮廓位置的位置的上述特征点的位置变化来计算第2上述概率。
由此，可使用推断出的成为沿轮廓位置的位置的特征点的位置变化，来计算出该轮廓位置表示血管壁的第2概率。血管随着心脏搏动周期性反复收缩以及扩张，与此同步，位于血管壁的特征点进行周期性的位置变化，但血管以外的生物体组织几乎不动。即，在推断出的轮廓位置与血管壁大致一致的情况和大致不一致的情况下，组合涉及的特征点的位置变化大不相同。因此，能够使用特征点的位置变化来判定血管位置。
另外，在本实施方式中，也可以构成下述的超声波测定装置：使用成为沿上述轮廓位置的位置的上述特征点的亮度来计算第3上述概率。
由此，可使用推断出的成为沿轮廓位置的位置的特征点的亮度，来计算出该轮廓位置表示血管壁的第3概率。由于超声波的反射率在血管壁变高，所以在超声波图像中血管壁的位置的亮度成为高亮度。鉴于此，在推断出的轮廓位置与血管壁大致一致的情况和大致不一致的情况下，组合涉及的特征点的亮度大不相同。因此，能够使用特征点的亮度来判定血管位置。
另外，在本实施方式中，也可以构成下述的超声波测定装置：使用位于上述轮廓位置的内侧的上述特征点的个数来计算第4上述概率。
由此，可使用推断出的位于轮廓位置的内侧的特征点的个数，来计算出该轮廓位置表示血管壁的第4概率。由于在血管的内部，超声波的反射率变得极低，所以在血管的内侧几乎不出现特征点。因此，能够使用推断出的轮廓位置的内侧的特征点的个数来判定血管位置。
另外，在本实施方式中，也可以构成下述的超声波测定装置：比较可包含在上述血管的外侧的规定的特征图像和上述超声波图像的上述轮廓位置的外侧图像部分来计算第5上述概率。
由此，能够比较超声波图像中的推断出的轮廓位置的外侧图像部分和可包含在血管的外侧的规定的特征图像，来计算出该轮廓位置表示血管壁的第5概率。
另外，在本实施方式中，也可以构成下述的超声波测定装置：上述位置判定部使用上述组合来判定上述超声波的接收发送所涉及的多条扫描线中的经过上述血管的中心的扫描线。
由此，能够使用选出的特征点的组合，来从超声波的接收发送所涉及的多条扫描线中判定经过血管的中心的扫描线。
另外，在本实施方式中，也可以构成下述的超声波测定装置：上述组合选出部以扫描线为单位来选出上述特征点的组合。
由此，能够以扫描线为单位来选出判定经过血管的中心的扫描线所使用的特征点的组合。
另外，在本实施方式中，也可以构成下述的超声波测定装置：上述特征点提取部提取前壁以及外壁各自涉及的外膜位置以及内腔内膜边界位置作为特征点，上述位置判定部以规定的评价运算来评价包含于上述组合的各特征点的亮度，确定成为最高评价的组合所涉及的扫描线作为经过上述血管的中心的扫描线。
由此，能够组合使用血管的前壁以及后壁各自所涉及的外膜位置以及内腔内膜边界位置，并评价其亮度来确定经过血管的中心的扫描线。
另外，在本实施方式中，也可以构成下述的超声波测定装置：上述血管是动脉。
由此，能够检测动脉的位置。
另外，在本实施方式中，也可以构成下述的超声波测定装置：还具备计测部，该计测部计测由上述位置判定部检测出的血管的规定的血管功能。
由此，能够自动地发现血管，实现将该血管作为对象来进行血管功能测定的一系列的处理。
另外，本实施方式涉及一种超声波测定装置，具备：超声波测定部，其通过对血管发送超声波并从血管接收超声波，来获取包括上述血管的长轴方向剖面的超声波图像；特征点提取部，其从上述超声波图像提取特征点；组合选出部，其选出上述特征点的位置成为沿上述血管的长轴方向剖面形状的配置关系的特征点的组合；以及位置判定部，其使用上述组合来判定上述血管的位置。
另外，本实施方式涉及一种超声波测定方法，是使用计算机根据包括血管的长轴方向的剖面的超声波图像来判定血管位置的超声波测定方法，包括：从上述超声波图像提取特征点的步骤；选出上述特征点的位置成为沿上述血管的长轴方向的剖面形状的配置关系的特征点的组合的步骤；以及使用上述组合来判定上述血管的位置的步骤。
由此，可选出超声波图像中的特征点的位置成为沿血管的长轴方向剖面形状的配置关系的特征点的组合，并使用选出的组合来判定血管的位置。在包括血管的长轴方向剖面的超声波图像中，有特征点多数出现在血管壁的图像部分这一特性。由此，能够实现根据超声波图像中的特征点的配置关系来检测血管的位置的新技术。当然，也能够根据包括血管的长轴方向剖面的超声波图像来检测血管长轴的位置。
另外，在本实施方式中，也可以构成下述的超声波测定装置：基于上述组合涉及的上述配置关系，在上述超声波图像中设定与上述血管的长轴方向剖面形状相当的直线对，基于该直线对和上述特征点来计算该直线对表示上述血管的血管壁的位置的概率，使用该概率和上述组合来判定上述血管的位置。
由此，可基于组合所涉及的特征点的配置关系在上述超声波图像中设定与血管的长轴方向剖面形状相当的直线对，并使用该直线对表示血管壁的位置的概率和该组合来判定血管的位置。例如，能够着眼于在超声波图像中多数的特征点出现在血管壁的图像部分，来检测血管壁的位置。
另外，在本实施方式中，也可以构成下述的超声波测定装置：计算上述概率包括使用成为沿上述直线对的位置的上述特征点的个数来计算第1上述概率。
由此，可使用成为沿设定的直线对的位置的特征点的个数，来计算出该直线对表示血管壁的第1概率。在超声波图像中，多数的特征点出现在血管壁的图像部分。在所设定的直线对与血管壁大致一致的情况和大致不一致的情况下，沿该直线对的位置的特征点的个数大不相同。因此，能够使用沿直线对的位置的特征点个数来检测血管位置。
另外，在本实施方式中，也可以构成下述的超声波测定装置：计算上述概率包括使用成为沿上述直线对的位置的上述特征点的位置变化来计算第2上述概率。
由此，可使用成为沿所设定的直线对的位置的特征点的位置变化，来计算出该直线对的位置表示血管壁的第2概率。血管随着心脏搏动周期性反复收缩以及扩张，与此同步，位于血管壁的特征点进行周期性的位置变化，但血管以外的生物体组织几乎不动。即，在所设定的直线对与血管壁大致一致的情况和大致不一致的情况下，组合涉及的特征点的位置变化大不相同。因此，能够使用特征点的位置变化来检测血管位置。
另外，在本实施方式中，也可以构成下述的超声波测定装置：计算上述概率包括使用成为沿上述直线对的位置的上述特征点的亮度来计算第3上述概率。
由此，可使用成为沿所设定的直线对的位置的特征点的亮度，来计算出该直线对的位置表示血管壁的第3概率。由于超声波的反射率在血管壁变高，所以在超声波图像中血管壁的位置的亮度成为高亮度。鉴于此，在所设定的直线对的位置与血管壁大致一致的情况和大致不一致的情况下，组合涉及的特征点的亮度大不相同。因此，能够使用特征点的亮度来检测血管位置。
另外，在本实施方式中，也可以构成下述的超声波测定装置：计算上述概率包括使用位于上述直线对之间的上述特征点的个数来计算第4上述概率。
由此，作为针对特征点的组合的评价，可使用位于所设定的直线对之间的特征点的个数，来计算出该直线对的位置表示血管壁的第4概率。由于在血管的内部，超声波的反射率变得极低，所以特征点几乎不出现。因此，能够使用推断出的直线对之间的特征点的个数来检测血管位置。
另外，在本实施方式中，也可以构成下述的超声波测定装置：计算上述概率包括比较可包含在上述血管的外侧的规定的特征图像和上述超声波图像的上述直线对的外侧图像部分来计算第5上述概率。
由此，能够比较超声波图像中的直线对的外侧图像部分和可包含在血管的外侧的规定的特征图像，来计算出该直线对的位置表示血管壁的第5概率。
另外，在本实施方式中，也可以构成下述的超声波测定装置：上述血管是动脉。
由此，能够检测动脉的位置。
另外，在本实施方式中，也可以构成下述的超声波测定装置：还具备计测部，该计测部计测由上述位置判定部检测出的血管的规定的血管功能。
由此，能够实现自动地发现血管，并将该血管作为对象来进行血管功能测定的一系列的处理。
以下，对于应用了本发明的几个实施方式进行说明。本发明能够应用的方式并不局限于以下的实施方式。
〔第1实施方式〕
[系统构成]
图1是表示第1实施方式中的超声波测定装置1010的构成例的图。超声波测定装置1010是使用超声波来测定被检测者的生物体信息的装置。在本实施方式中，将测定对象的血管设为颈动脉，作为生物体信息，测定IMT(Intima Media Thickness：血管的内膜中膜复合体厚度)这样的血管功能信息。当然，除了IMT以外，也可以测定血管径、根据血管径测定血压这样的测定其它的血管功能信息。另外，也可以将测定对象的血管设为桡骨动脉等其他的动脉。
超声波测定装置1010具备触摸面板1012、键盘1014、超声波探头1016、以及主体装置1020。在主体装置1020搭载有控制基板1022，并与触摸面板1012、键盘1014、超声波探头1016等各部连接成可接收发送信号。
在控制基板1022，除了CPU(Central Processing Unit：中央处理单元)1024、ASIC(Application Specific Integrated Circuit：可编程专用集成电路)、各种集成电路以外，还搭载有由IC存储器、硬盘构成的存储介质1026、以及实现与外部装置的数据通信的通信IC1028。主体装置1020通过CPU1024等执行存储于存储介质1026的控制程序，来实现以超声波测定为代表的本实施方式涉及的各种功能。
具体而言，主体装置1020从超声波探头1016朝向被检测者1002的生物体内组织发送、照射超声波束，并接收反射波。然后，通过对反射波的接收信号进行放大、信号处理，能够生成被检测者1002的生物体内构造所涉及的测定数据。测定数据中包含所谓的A模式、B模式、M模式、彩色多普勒各模式的图像。使用了超声波的测定按照规定周期被反复执行。将测定单位称为“帧”。
超声波探头1016通过排列多个超声波振子而构成。在本实施方式中，将排列数设为一列，但也可以作为多列而成为面状的排列构成。而且，以来自各超声波振子的超声波沿被检者1002的颈动脉(血管)1004的短轴方向横穿的相对姿势将超声波探头1016固定于被检者1002的颈部，进行血管功能信息的测定。
[原理]
在测定血管功能信息时，首先进行血管位置的检测。具体而言，如图2所示，提取B模式图像中的特征点(图2中的虚线圆圈的中心位置)。此外，为了容易理解，在图2以后的各附图中，减少特征点的个数来进行了表示，但实际上提取了图示以上的更多的特征点。另外，在图2中，以虚线明示了血管1004的轮廓。图2所示的B模式图像是血管的短轴方向的剖视图，X轴是沿生物体表面的方向，Y轴是距离生物体表面的深度方向。如图2所示，血管1004的短轴方向的剖面形状为大致圆形状。另外，在B模式图像中，特征点除了血管壁(详细而言为中膜外膜边界、内腔内膜边界)以外，还大量出现在筋、腱、脂肪等产生亮度变化的部分。超声波的反射率在媒介的变化位置变高，在B模式图像中，反射率高的位置被表示为高亮度。因此，血管壁、筋、腱、脂肪等由于媒介与周围组织不同，所以产生亮度变化，被作为特征点提取。在本实施方式中，使用特征点的位置关系来检测血管位置为特征之一。
如图3所示，从B模式图像中的提取出的特征点中选择3个特征点(图3中的实线白色圆圈的中心位置)，生成作为这3个特征点的组合的特征点组。此时，作为特征点组的3个特征点可以随机选择，或者，也可以按照彼此的距离为不脱离沿血管壁的配置关系的规定距离以下的方式选择。
接着，对于生成的特征点组，求出经过各特征点的圆。即，将3个特征点各自的位置坐标p11(x11，y11)、p12(x12，y12)、p13(x13，y13)代入到由公式(1)给出的圆的一般式来生成三元线性方程组，通过解该方程组，来求出对经过这3个特征点p11、p12、p13的圆进行定义的参数l、m、n，推断该圆的轮廓位置。
【公式1】
       ( x + 1 2 ) 2 + ( y + m 2 ) 2 = l 2 + m 2 - 4 n 4 . . . ( 1 )
即，构成特征点组的3个特征点的位置可以说成沿与血管的短轴剖面相当的形状即圆1050(图3中的单点划线的圆)的轮廓的配置关系。这样，以下将由构成特征点组的3个特征点p11、p12、p13规定轮廓位置的圆1050称为假想圆1050。
而且，以对应的假想圆1050的轮廓是否能视为血管壁的位置这一基准来评价特征点组。具体而言，如公式(2)所示，利用系数ai对多个评价项目各自涉及的评价值hi进行加权并相加，来计算综合评价值F。
【公式2】
       F = Σ i ( ai × fi ) . . . ( 2 )
各评价项目的评价值fi相当于假想圆1050的轮廓成为血管壁的位置的概率(也可说为准确率)，即，规定为假想圆1050能视为血管壁的可能性越高，则为越大的值。而且，根据综合评价值F来判定特征点组的假想圆1050是否能视为血管壁，并确定血管位置。此时，能够通过加权系数ai，对重点判定哪个评价项目进行设定变更。
在第1实施方式中，对于5个评价项目(第1～第5评价项目)进行评价。第1个评价项目(第1评价项目)是“位于特征点组所构成的假想圆1050的轮廓上的特征点的个数”。图4是对第1实施方式中的关于第1评价项目的评价进行说明的图。图4的上侧表示B模式图像中的假想圆1050、特征点的概略配置，图4的下侧表示成为评价基准的特征点的个数的概率密度函数h11(j)。变量j是特征点的个数。
如图4所示，选择位于距离由单点划线表示的假想圆1050的轮廓的距离为规定的近距离以下的位置的特征点作为假想圆1050的轮廓上的特征点q。这里选择的特征点q中不包括构成特征点组的特征点p11、p12、p13。然后，将根据选择出的特征点q的个数j从概率密度函数h11(j)求出的概率密度作为第1评价项目的评价值f11。
图4所示的概率密度函数h11(j)通过针对预先获取到的包括想要检测的血管(例如，颈动脉)的多数的B模式图像，对位于该血管的血管壁的特征点的个数进行计数来定义。如上所述，多数的特征点存在于血管壁的位置，该特征点的个数如概率密度函数h11(j)所示那样具有集中为规定数量的趋势。
第2个评价项目(第2评价项目)是“位于由特征点组构成的假想圆1050的轮廓上的特征点的位移速度”。位移速度是单位时间的位置的变化的情况，是速度的大小(绝对值)。图5是对第1实施方式中的第2评价项目的评价进行说明的图。图5的上侧表示B模式图像中的假想圆、特征点的概略配置，图5的下侧表示成为评价基准的特征点的平均位移速度的概率密度函数h12(va)。变量va是平均速度。
如图5所示，求出假想圆1050的轮廓上的特征点q各自的位移速度，并求出对这些位移速度进行了平均而得到的平均速度va。各特征点q的位移速度例如通过利用了空间亮度梯度的梯度法、或者将包括该特征点的规定尺寸的图像块作为模板的块匹配法等求出该特征点q的速度向量v，并在规定期间(心搏周期的一次跳动期间以上。数秒左右)内对该速度向量v的大小进行平均来计算。然后，将根据求出的平均速度va从图5的概率密度函数h12(va)求出的概率密度作为第2评价项目的评价值f12。
图5所示的概率密度函数h12(va)通过针对预先获取到的包括想要检测的血管(例如，颈动脉)的多数的B模式图像，求出位于该血管的血管壁的各特征点的平均速度来定义。血管与心脏的搏动一致地大致各向同性地反复收缩以及扩张。即，位于血管壁的特征点的位移速度的大小以心搏期间为单位周期性变化，但是若取一个心搏期间的平均，则无论是哪个心搏期间都几乎恒定。因此，一个心搏期间的位移速度的大小的平均值如概率密度函数h12(va)所示具有集中为规定的值的趋势。
此外，作为各特征点的位移速度，也可以使用深度方向的速度分量(即，速度向量v的深度方向的分量)。另外，也可以不是位移速度而作为加速度。
第3个评价项目(第3评价项目)是“位于由特征点组构成的假想圆1050的轮廓上的特征点的亮度”。图6是对第1实施方式中的第3评价项目的评价进行说明的图。图6的上侧表示B模式图像中的假想圆1050、特征点的概略配置，图6的下侧表示成为评价基准的亮度的概率密度函数h13(La)。变量La是平均亮度。
如图6所示，求出对特征点q各自的亮度L进行了平均而得到的平均亮度La。而且，将根据求出的平均亮度La从概率密度函数h13(La)求出的概率密度作为第3评价项目的评价值f13。
图6所示的概率密度函数h13(La)通过针对预先获取到的包括想要检测的血管(例如，颈动脉)的多数的B模式图像，求出位于该血管的血管壁的特征点的亮度的平均值来定义。如上所述，多数的特征点存在于血管壁，该特征点的平均亮度如概率密度函数h13(La)所示具有集中为相对较高亮度的规定亮度的趋势。
此外，也可以不是特征点的亮度本身，而作为“亮度的斜率”。即，如图7所示，在A模式数据(深度信号强度图)中，在血管壁的深度位置信号强度(即亮度)大幅变化。由此，作为位于假想圆1050的轮廓上的特征点q的亮度的斜率，能够求出A模式数据中的该特征点q的深度位置处的斜率(沿深度方向观察时的信号强度的变化)，并根据这些亮度的斜率的平均值求出概率密度，作为第3评价项目的评价值。另外，作为特征点q的亮度的斜率，也可以是B模式图像中的该特征点q的亮度和与该特征点q在深度方向相邻的像素的亮度之差。
第4个评价项目(第4评价项目)是“特征点组的假想圆1050的内侧的特征点的个数”。图8是对第1实施方式中的第4评价项目的评价进行说明的图。图8的上侧表示B模式图像，图8的下侧表示成为评价基准的特征点个数的概率密度函数h14(k)。变量k是特征点的个数。
如图8所示，选择位于假想圆1050的内侧的特征点r。这里选择的特征点r中不包括构成特征点组的特征点p11、p12、p13、以及在第1评价项目中成为评价对象的假想圆的轮廓上的特征点q。然后，将根据选择出的特征点r的数k从概率密度函数h14(k)求出的概率密度作为第4评价项目的评价值f14。
图8所示的概率密度函数h14(k)通过针对预先获取到的包括想要检测的血管(例如，颈动脉)的多数的B模式图像，对该血管内部(血管壁的内侧)的特征点的个数进行计数来定义。血管壁中的超声波的反射率高，但是血管内部的血液中的反射率极低，几乎不反射地透过。即，血管内部的特征点的个数具有集中为规定数量(接近零的值)的趋势。
第5个评价项目(第5评价项目)是“假想圆的外部图像的特征量”。图9是对第1实施方式中的第5评价项目的评价进行说明的图。在第5评价项目的评价中，如图9的上侧所示，从B模式图像提取以假想圆1050为中心的规定范围的部分图像1052作为评价对象图像，进行该评价对象图像与预先准备的特征图像1054的特征量比较处理，来计算两者的图像的近似度。将该近似度作为第5评价项目的评价值f15。
更具体而言，部分图像1052是从B模式图像提取出将假想圆1050作为规定位置(例如中心)且基于假想圆1050的尺寸的规定范围(例如纵向为假想圆1050的直径的1.5倍，横向为2倍的矩形范围)的图像。特征图像1054在中心具有白色的圆，该圆相对于整个特征图像1054的相对位置以及相对尺寸和部分图像1052与假想圆1050的关系相同。
特征图像1054是想要检测的血管(例如，颈动脉)的周围的B模式图像。因为筋纤维、淋巴节群作为周边组织能够存在于血管的周围，所以在特征图像1054中包含有这些周边组织的图案分量。在特征量比较处理中，从部分图像1052裁选(trimming)假想圆1050的外部(除去假想圆1050的内部)并与特征图像1054进行比较运算来计算近似度。近似度的计算例如能够通过比较图像中的特征点的配置关系、亮度的分布、图像的纹理信息等所谓的图案匹配法等来求出近似度。
[功能构成]
图10是第1实施方式中的超声波测定装置1010的功能构成图。如图1、10所示，超声波测定装置1010具备主体装置1020以及超声波探头1016。主体装置1020具备操作输入部1110、显示部1120、声音输出部1130、通信部1140、处理部1200、以及存储部1300而构成。
操作输入部1110由按钮开关、触摸面板、各种传感器等输入装置实现，将与被进行的操作对应的操作信号输出至处理部1200。在图1中，触摸面板1012、键盘1014相当于操作输入部1110。
显示部1120由LCD(Liquid Crystal Display：液晶显示)等显示装置实现，进行基于来自处理部1200的显示信号的各种显示。在图1中，触摸面板1012相当于显示部1120。
声音输出部1130由扬声器等声音输出装置实现，进行基于来自处理部1200的声音信号的各种声音输出。
通信部1140由无线LAN(Local Area Network：局域网)或Bluetooth(注册商标)等无线通信装置、调制解调器、有线用的通信线缆的插口、控制电路等通信装置实现，与所给的通信线路连接来进行与外部装置的通信。在图1中，安装于控制基板1022的通信IC1028相当于通信部1140。
处理部1200由CPU(Central Processing Unit)或GPU(GraphicsProcessing Unit：图形处理单元)等微处理器、ASIC(专用集成电路：Application Specific Integrated Circuit)、IC(Integrated Circuit：集成电路)存储器等电子部件实现，基于存储于存储部1300的程序、数据、来自操作输入部1110的操作信号等执行各种运算处理，来控制超声波测定装置1010的动作。另外，处理部1200具有超声波测定控制部1210、测定数据生成部1220、血管位置检测部1230、以及血管功能测定部1250。
超声波测定控制部1210控制超声波探头1016中的超声波的接收发送。具体而言，使超声波在规定周期的发送定时从超声波探头1016发送。另外，进行在超声波探头1016中接收到的超声波的反射波的信号的放大等。
测定数据生成部1220根据超声波探头1016的反射波的接收信号，生成包括A模式、B模式、M模式等各模式的图像数据的测定数据。
血管位置检测部1230具有特征点检测部1231、特征点组生成部1232、速度向量计算部1233、轮廓位置计算部1234、评价部1235、以及血管位置判定部1241，基于由测定数据生成部1220生成的测定数据进行血管位置的检测。
特征点检测部1231检测B模式图像中的特征点。特征点的检测基于该像素的亮度、该像素与该像素的周边像素的亮度差等，来检测满足规定条件的像素作为特征点。
特征点组生成部1232生成由从检测出的特征点中选择出的3个特征点构成的特征点组。
速度向量计算部1233比较时间上相邻的B模式图像，基于特征点的移动量和帧速率，来计算特征点各自的速度向量(速度的大小和方向)。
轮廓位置计算部1234计算经过构成特征点组的3个特征点的圆(假想圆)的定义式(1)。具体而言，通过求出定义式(1)中的参数l、m、n，来计算该圆的轮廓位置。
评价部1235具有轮廓上特征点数评价部1236、位置变化评价部1237、亮度评价部1238、轮廓内特征点数评价部1239、以及特征量评价部1240，以与特征点组对应的假想圆的位置是否能视为血管壁的位置的基准评价。具体而言，如上式(2)所示，通过对于多个评价项目分别求出的项目评价值fi乘以规定的加权系数ai并相加，来计算综合评价值F。
轮廓上特征点数评价部1236进行基于第1评价项目即“位于假想圆的轮廓上的特征点的个数”的评价。即，求出B模式图像中的位于假想圆1050的轮廓上的特征点q的个数j，将根据求出的特征点数j从概率密度函数h11(j)求出的概率密度作为第1评价项目的评价值f11(参照图4)。
位置变化评价部1237进行基于第2评价项目即“假想圆的轮廓上的特征点的位置变化”的评价。即，针对B模式图像中的位于假想圆1050的轮廓上的各个特征点q，将规定期间(心搏周期的一次心搏期间以上。数秒左右)内的位移速度(单位时间的位置变化)的平均作为该特征点的位移速度vi，求出对各个特征点q的位移速度vi进行了平均而得到的平均速度va。然后，将根据求出的平均速度va从概率密度函数h12(va)求出的概率密度作为第2评价项目的评价值f12(参照图5)。
亮度评价部1238进行基于第3评价项目即“轮廓上的特征点的亮度”的评价。即，求出B模式图像中的位于假想圆1050的轮廓上的特征点q各自的亮度L的平均值，将根据求出的平均亮度La从概率密度函数h13(La)求出的概率密度作为第3评价项目的评价值f13(参照图6)。
轮廓内特征点数评价部1239进行基于第4评价项目即“轮廓内的特征点的个数”的评价。即，求出B模式图像中的位于假想圆1050的内侧的特征点r的个数k，将根据求出的特征点数k从概率密度函数h14(k)求出的概率密度作为第4评价项目的评价值f14(参照图8)。
特征量评价部1240进行基于第5评价项目即“假想圆的外部图像的特征量”的评价。即，通过将B模式图像中的假想圆1050的周围的部分图像1052与预先准备的特征图像1054比较来计算两者的图像的近似度，将计算出的近似度作为第5评价项目的评价值f15(参照图9)。
血管位置判定部1241使用评价部1235针对特征点组的评价结果来判定血管位置。具体而言，判定为在由综合评价值F最大的特征点组构成的假想圆的轮廓位置存在血管壁，求出该假想圆的中心C以及半径R，决定为血管位置。此外，此时为了更高精度地判定血管位置，也可以重新选择B模式图像中的假想圆的轮廓上的特征点，根据重新选择出的特征点，例如通过最小二乘法来重新计算轮廓位置，并基于重新计算出的轮廓位来决定中心C以及半径R。
血管功能测定部1250进行所给的血管功能信息的测定。具体而言，进行如下的血管功能信息的测定：测定根据检测出的血管位置确定出的血管的血管径、IMT等，或者通过跟踪血管前壁以及血管后壁来从血管径变动推断运算血压，或者计算出脉搏数。
存储部1300由ROM、RAM、硬盘等存储装置实现，存储处理部1200用于统一控制超声波测定装置1010的程序、数据等，并且，作为处理部1200的作业区域而使用，暂时储存处理部1200执行的运算结果、来自操作输入部1110的操作数据等。在图1中，安装于控制基板1022的存储介质1026相当于存储部1300。在本实施方式中，如图11所示，存储部1300中存储有超声波测定程序1310、B模式图像数据1320、特征点数据1330、特征点组数据1340、评价基准数据1350、以及血管位置数据1360。
B模式图像数据1320将按每个测定帧生成的B模式图像与帧ID建立关联地储存。
特征点数据1330按每个检测出的特征点生成，储存有各帧中的B模式图像中的位置坐标和速度向量。
特征点组数据1340按每个特征点组生成，储存有构成该特征点组的3个特征点各自的位置坐标的列表1341、经过这3个特征点的假想圆的轮廓位置1342、以及该特征点的评价所使用的评价用数据1343。轮廓位置1342储存有定义假想圆的公式(1)中的参数l、m、n。评价用数据1343储存有多个评价项目各自的评价对象数据以及评价值、和综合评价值。
评价基准数据1350储存有多个评价项目各自的评价基准(概率密度函数h11～h15、特征图像1054等)、和加权系数a11～a15。
血管位置数据1360是检测出的血管位置的数据，例如，储存有血管的短轴剖面的中心C的位置坐标、半径R等。
[处理的流程]
图12是对第1实施方式中的超声波测定处理的流程进行说明的流程图。该处理通过处理部1200执行超声波测定程序1310来实现。
处理部1200首先开始通过超声波探头1016进行的超声波测定(步骤S1001)。接下来，测定数据生成部1220根据超声波探头1016对超声波反射波的接收信号，生成B模式图像(步骤S1003)。接着，特征点检测部1231从B模式图像中检测特征点(步骤S1005)。然后，速度向量计算部1233计算检测出的特征点各自的速度向量(步骤S1007)。
之后，将循环A的处理反复进行规定次数。在循环A中，特征点组生成部1232从根据B模式图像检测出的特征点中选择3个特征点，生成由选择出的3个特征点构成的特征点组(步骤S1009)。接下来，轮廓位置计算部1234计算出经过构成所生成的特征点组的3个特征点的圆(假想圆)的参数，并计算出该圆的轮廓位置(步骤S1011)。
接着，评价部1235计算出该特征点组的综合评价值F(步骤S1013)。在综合评价值F的计算中，轮廓上特征点数评价部1236求出B模式图像中的位于假想圆的轮廓上的特征点的个数j，将根据求出的特征点个数j从概率密度函数h11(j)求出的概率密度作为第1评价项目的评价值f11。另外，位置变化评价部1237求出对B模式图像中的位于假想圆的轮廓上的特征点q各自的位移速度vi进行了平均而得到的平均速度va，将根据求出的平均速度va从概率密度函数h12(va)求出的概率密度作为第2评价项目的评价值f12。另外，亮度评价部1238求出B模式图像中的位于假想圆1050的轮廓上的特征点q各自的亮度L的平均值，将根据求出的平均亮度La从概率密度函数h13(La)求出的概率密度作为第3评价项目的评价值f13。另外，轮廓内特征点数评价部1239求出B模式图像中的位于假想圆1050的内侧的特征点r的个数k，将根据求出的特征点个数k从概率密度函数h14(k)求出的概率密度作为第4评价项目的评价值f14。另外，特征量评价部1240通过将B模式图像中的假想圆1050的周围的部分图像1052与特征图像1054比较来计算两者的图像的近似度，将计算出的近似度作为第5评价项目的评价值f15。然后，评价部1235通过对计算出的评价项目各自的评价值f11～f15乘以规定的加权系数a11～a15并相加，来计算综合评价值F。循环A被这样进行。
若规定次数的循环A的处理结束，则血管位置判定部1241从所有的特征点组中判定综合评价值F最大的特征点组(步骤S1015)。接下来，重新选择位于由判定出的特征点组构成的假想圆的轮廓上的特征点(步骤S1017)，通过使用了重新选择出的特征点的位置的最小二乘法来重新计算圆的参数，并重新计算该圆的轮廓位置(步骤S1019)。然后，根据重新计算出的轮廓位置来决定圆的中心C以及半径R，作为血管位置(步骤S1021)。
之后，血管功能测定部1250进行使用了超声波探头1016对超声波的接收发送结果的所给的血管功能信息的测定，进行测定血管的存储、显示(步骤S1023)。若进行了以上的处理，则超声波测定处理结束。
[作用效果]
根据第1实施方式，选出超声波图像中的特征点的位置成为沿血管的短轴方向剖面形状的配置关系的特征点的组合，使用选出的组合的评价结果来判定出血管的位置。在包括血管的短轴方向剖面的超声波图像中，有特征点大多沿血管的剖面形状的轮廓出现这一特性。由此，能够实现根据超声波图像中的特征点的位置的配置关系来检测血管的位置的新技术。
此外，在第1实施方式中，由3个特征点构成特征点组，但是也可以由4个以上的特征点构成特征点组。
另外，列举5个评价项目作为评价特征点组的评价项目进行了说明，但无需使用所有的评价项目来决定综合评价值F。也可以使用5个评价项目中的选择出的1个以上评价项目，来决定综合评价值F。另外，也可以使用其它的评价项目。
〔第2实施方式〕
接下来，对第2实施方式进行说明。其中，在第2实施方式中，几个构成与第1实施方式共通。因此，在第2实施方式的说明中，对与第1实施方式相同的构成标注相同的符号并省略或者简略说明。
[功能构成]
图13是表示第2实施方式中的超声波测定装置的处理部1200a的构成例的图，图14是表示存储部1300a的构成例的图。第2实施方式的超声波测定装置能够由在图10所示的第1实施方式的超声波测定装置10中将处理部1200置换为图13的处理部1200a，并将存储部1300置换为图14的存储部1300a的构成来实现。
如图13所示，处理部1200a具有超声波测定控制部1210、测定数据生成部1220、血管位置检测部1230a、以及血管功能测定部1250。而且，在血管位置检测部1230a中，血管位置判定部1400具有判定区域设定部1410、前后壁检测部1420、膜候补点提取部1430、中心扫描线判定部1440、以及血管位置决定部1450。
判定区域设定部1410使用评价部1235的评价结果来求出B模式图像中的血管的轮廓位置，基于求出的轮廓位置来设定血管位置的判定区域。
前后壁检测部1420在判定区域中检测血管的前壁以及后壁的Y方向(从生物体表面起的深度方向)的位置。
膜候补点提取部1430基于前壁以及后壁的Y位置来提取外膜的膜候补点(前壁外膜候补点以及后壁外膜候补点)和内腔内膜边界的膜候补点(前壁内膜候补点以及后壁内膜候补点)分别作为特征点。
中心扫描线判定部1440组合使用膜候补点，来判定超声波探头1016的接收发送所涉及的多条扫描线中的经过血管的中心的扫描线(以下，称为“中心扫描线”)。该中心扫描线判定部1440按组合了膜候补点的每个膜候补点组，以规定的评价运算来评价该膜候补点组所包含的膜候补点的亮度。而且，将成为最高评价的膜候补点组(以下，称为“最高评价膜评价点组”)所涉及的扫描线确定为中心扫描线。
这里，扫描线与B模式图像(在本实施方式中是在B模式图像中设定的判定区域)的像素的Y方向的各列对应，通过对判定区域的X方向的各位置分配的扫描线编号来识别。
血管位置决定部1450根据中心扫描线，使用最高评价膜候补点组将血管的中心以及半径(或者直径)决定为血管位置。
另外，存储部1300a中存储有超声波测定程序1510、B模式图像数据1320、特征点数据1330、特征点组数据1340、评价基准数据1350、判定区域数据1610、前后壁Y位置1620、膜候补点列表1630、膜候补点组数据1640、以及血管位置数据1650。
超声波测定程序1510包括用于执行血管位置判定处理(参照图15)的血管位置判定程序1511。
判定区域数据1610储存有在B模式图像中设定的判定区域的设定范围。前后壁Y位置1620储存有在判定区域中检测出的前壁以及后壁的Y位置。膜候补点列表1630储存有在判定区域中提取出的各膜候补点的位置坐标(X，Y)。膜候补点组数据1640按每个膜候补点组生成，储存有对该膜候补点组所包含的膜候补点分配的膜候补点编号的列表1641、和关于该膜候补点组的每条扫描线的评价值1642。
[处理的流程]
图15是表示第2实施方式中的血管位置判定处理的流程的流程图。在第2实施方式中，在图12所示的第1实施方式的超声波测定处理中，血管位置判定部1400代替步骤S1021的处理而进行图15所示的血管位置判定处理。该处理通过血管位置判定部1400执行血管位置判定程序1511来实现。
首先，判定区域设定部1410以包括在前段的图12的步骤S1019中得到的轮廓位置的中心的方式，在B模式图像中设定沿Y方向的短栅状的判定区域(步骤S2101)。
接着，前后壁检测部1420使用在步骤S2101中设定的判定区域的例如B模式图像数据，检测判定区域中的血管的前壁以及后壁的Y位置(步骤S2103：前后壁检测处理)。图16是表示第2实施方式中的前后壁检测处理的流程的流程图。另外，图17(a)～图17(c)是对第2实施方式中的前后壁检测处理进行说明的图。
前后壁检测部1420首先在Y方向的各位置沿X方向(沿生物体表面的方向)累计判定区域的亮度来生成直方图(步骤S2201)。图17(a)的右图是表示直方图G1的一个例子的图，将判定区域A101的B模式图像排列表示为左图。图17(a)的上侧是表层侧(接触超声波探头1016的生物体表面侧)，分别用虚线包围来示出判定区域A101中的血管的前壁部分A111以及后壁部分A113。这里，在前段的处理(图15的步骤S2101)中设定的判定区域A101的X方向的宽度也可以适当地设定，但是在图17(a)中，将X方向的像素数(扫描线数)表示为“15”，图17(a)的判定区域A101由被分配了“1”～“15”的扫描线编号的15根扫描线构成。如该判定区域A101的直方图G1所示，通过沿X方向累计亮度，该累计值在超声波的反射率高且为高亮度的前壁A111以及后壁A113的Y位置成为较大的值。
接下来，前后壁检测部1420从在步骤S2201中生成的直方图搜索累计值的峰值，提取其Y位置作为峰值位置(步骤S2203)。图17(b)是表示从该图(a)的直方图提取出的多个峰值位置P111～P117的图。对于这里的处理，例如能够使用根据前后的Y位置处的与累计值的大小关系来提取累计值的变化为凸形状的Y位置的方法。具体而言，提取该累计值与紧接其之前的Y位置处的累计值相比较大、并且与紧接其之后的Y位置处的累计值相比也较大的Y位置作为峰值位置。或者，也可以使用提取出进行一次微分而符号的正负发生变化的Y位置作为峰值位置的方法。
接下来，前后壁检测部1420将在步骤S2203中提取到的峰值位置每2个进行组合，逐渐评价组合后的2个峰值位置是血管的前壁以及后壁的妥当性(步骤S2205)。组合通过从最深部的峰值位置开始依次(在图17(b)的例子中从峰值位置P111开始依次)与其他的峰值位置分别成对来生成。从最深部起逐渐进行评价是因为在表层侧存在筋纤维、周边组织等，由于若它们存在则亮度变大，所以为了不将该峰值位置误检测为前后壁。由此，能够防止血管的前后壁的误检测。
然后，前后壁检测部1420将组合后的2个峰值位置间的距离与测定对象血管的平均的直径(在本实施方式中为颈动脉的平均直径值)对照，评价该组合的各峰值位置作为血管的前壁以及后壁是否妥当。在峰值位置间的间隔与相对照的平均直径值大不相同的情况下，可评价为它们不是相当于前壁以及后壁的组合。并且，前后壁检测部1420进行在组合后的2个峰值位置之间是否存在其它的峰值位置的评价。在前壁与后壁之间流动血液，难以产生亮度较大的振幅。因此，其间存在其它的峰值位置的组合可评价为不相当于前壁以及后壁。如果评价为组合后的2个峰值位置不相当于前壁以及后壁，则移向下个组合的评价。
然后，前后壁检测部1420通过如上述那样逐渐从最深部开始依次评价2个峰值位置的组合，来决定相当于前壁以及后壁的峰值位置(步骤S2207)。例如，在如图17(c)的例子那样，评价为从图17(b)所示的峰值位置P111～P117中组合了的2个峰值位置P113、P114相当于前壁以及后壁的情况下，峰值位置P114被检测决定为前壁的Y位置，峰值位置P113被检测决定为后壁的Y位置。
此外，也可以在步骤S2205中的评价之前，进行将在步骤S2203中提取出的各峰值位置按照累计值的降顺重新排列的处理，从累计值较大的峰值位置按顺序组合2个峰值位置来进行前后壁的妥当性评价。这是因为在峰值位置中累计值较大的位置相当于血管的前壁以及后壁的可能性高。
返回到图15。接着，膜候补点提取部1430进行外膜候补点提取处理，提取前壁外膜候补点以及后壁外膜候补点(步骤S2105)。另外，膜候补点提取部1430进行内膜候补点提取处理，提取前壁内膜候补点以及后壁内膜候补点(步骤S2107)。
图18(a)、图18(b)是对第2实施方式中的外膜候补点提取处理进行说明的图。在外膜候补点提取处理中，膜候补点提取部1430首先基于在图16的前后壁检测处理中检测出的前壁以及后壁的Y位置，在判定区域中设定外膜搜索区域。例如，如在图18(a)中用单点划线包围所示，将分别以前壁的Y位置V21以及后壁的Y位置V23为中心的规定的深度范围的区域设定为外膜搜索区域A21、A23。将外膜搜索区域A21、A23的Y方向的宽度设为什么程度通过考虑血管的扩张量以及收缩量、和因心脏搏动引起的血管位置的相对移动量来规定。接下来，膜候补点提取部1430使用外膜搜索区域A21、A23的B模式图像数据，从外膜搜索区域A21、A23分别提取亮度的峰值位置。对于这里的处理，例如能够使用将在图16的步骤S2203中说明了的Y方向的搜索扩展为二维的方法，在各外膜搜索区域A21、A23中沿Y方向搜索亮度，并且也沿X方向进行搜索，从外膜搜索区域A21、A23的整个区域提取多个亮度极大的峰值位置。然后，如在图18(b)的例子中用“〇”印所示，膜候补点提取部1430将从前壁的外膜搜索区域A21提取出的峰值位置P211、P212作为前壁外膜候补点，将从后壁的外膜搜索区域A23提取出的峰值位置P23作为后壁外膜候补点。
另外，图19(a)、图19(b)是对第2实施方式中的内膜候补点提取处理进行说明的图。该内膜候补点提取处理能够以与外膜候补点提取处理相同的步骤进行，但在内膜搜索区域的设定时，还考虑内腔内膜边界存在于比外膜靠血管的内腔侧的条件。具体而言，如在图19(a)中用双点划线包围所示，将以从前壁的Y位置V21向深部侧远离规定距离的Y位置为中心的规定的深度范围的区域作为内膜搜索区域A25，将以从后壁的Y位置V23向表层侧远离规定距离的Y位置为中心的规定的深度范围的区域作为内膜搜索区域A27。考虑标准IMT(壁厚)长度来规定规定距离。内膜搜索区域A25、A27的Y方向的宽度与外膜搜索区域A25、A27相同地规定。之后，以与外膜候补点提取处理相同的要领，从内膜搜索区域A25、A27的整个区域提取多个亮度极大的峰值位置。然后，如在图19(b)的例子中用“●”印所示，膜候补点提取部1430将从前壁的内膜搜索区域A25提取出的峰值位置P25作为前壁内膜候补点，将从后壁的内膜搜索区域A27提取出的峰值位置P271～P273作为后壁内膜候补点。
返回到图15。接着，中心扫描线判定部1440进行中心扫描线判定处理，来判定中心扫描线(步骤S2109)。图20是表示第2实施方式中的中心扫描线判定处理的流程的流程图。
在中心扫描线判定处理中，中心扫描线判定部1440首先生成将多个在图15的步骤S2105、S2107中提取出的膜候补点组合的膜候补点组(步骤S2301)。例如，生成所有将前壁外膜候补点、后壁外膜候补点、前壁内膜候补点、以及后壁内膜候补点各组合了一个的4个膜候补点的组合，将每一个作为膜候补点组。此外，该膜候补点组也可以是组合2个以上膜候补点的组，例如可以生成所有2个以上的膜候补点的组合，将每一个作为膜候补点组。另外，还可以从生成的候补点组选出规定数量的候补点组。
接下来，中心扫描线判定部1440对于在步骤S2301中生成的各候补点组，评价该膜候补点组所包含的各膜候补点是前壁外膜、后壁外膜、前壁内腔内膜边界、或者后壁内腔内膜边界的各位置的妥当性，缩减在后段的循环B中作为处理对象的膜候补点组(步骤S2303)。例如，中心扫描线判定部1440将前壁外膜候补点与后壁外膜候补点之间的距离和测定对象血管的平均直径值对照，从处理对象中除去与平均直径值大不相同的膜候补点组。也可以是将前壁内膜候补点与后壁内膜候补点之间的距离和平均直径值对照来缩减的构成。另外，将前壁外膜候补点与前壁内膜候补点之间的距离、和后壁外膜候补点与后壁内膜候补点之间的距离分别与IMT长度对照，从处理对象除去该一方或者双方与IMT长度不是相同程度的膜候补点组。另外，从处理对象除去该膜候补点组所包含的膜候补点中沿X方向上距离最远的2个膜候补点之间的X方向的距离是规定距离以上的膜候补点组。
之后，中心扫描线判定部1440依次将在步骤S2303中未被除去而留下的膜候补点组作为处理对象，进行循环B的处理(步骤S2305～步骤S2309)。
即，在循环B中，中心扫描线判定部1440使用处理对象的膜候补点组，基于判定区域的B模式图像数据按每条扫描线进行规定的评价运算(步骤S2307)。评价运算通过依次对下式(3)赋予“1”～“15”的扫描线编号，按每个扫描线编号计算评价值Eval来进行。在下式(3)中，n表示膜候补点组的总数，LineNum表示扫描线编号，(Xanterior，Yanterior)表示前壁外膜候补点的位置坐标，(Xposterior，Yposterior)表示后壁外膜候补点的位置坐标，(xanterior，yanterior)表示前壁内膜候补点的位置坐标，(xposterior，yposterior)表示后壁内膜候补点的位置坐标。AMP意味着该位置坐标中的亮度。
【公式3】
       Eval n _ LineNum = AMP ( LineNum , Y anterior ) AMP ( X anterior , Y anterior ) + AMP ( LineNum , Y posterior ) AMP ( X posterior , Y posterior ) + AMP ( LineNum , y anterior ) AMP ( x anterior , y anterior ) + AMP ( LineNum , y posterior ) AMP ( x posterior , y posterior ) . . . ( 3 )
而且，如果将所有的膜候补点组作为处理对象来进行了步骤S2307的评价运算，则中心扫描线判定部1440将评价值最大的最高评价的扫描线确定为中心扫描线，将该评价所使用的膜候补点组作为最高评价膜候补点组(步骤S2311)。
返回到图15。接着，血管位置决定部1450进行血管位置决定处理，决定血管的位置(步骤S2111)。图21是表示第2实施方式中的血管位置决定处理的流程的流程图。
血管位置决定部1450首先参照B模式图像数据1320，读出中心扫描线上的1列量的亮度(步骤S2401)。接下来，血管位置决定部1450检测前壁外膜、后壁外膜、前壁内腔内膜边界、以及后壁内腔内膜边界的各位置(步骤S2403)。具体而言，首先血管位置决定部1450根据在步骤S2401中读出的中心扫描线上的亮度来搜索其峰值，提取峰值位置。这里的处理能够利用与图16的步骤S2203相同的方法进行。然后，血管位置决定部2450基于最高评价膜候补点组所包含的各膜候补点的Y位置，分别逐个选出各Y位置附近的峰值位置。是将Y位置与前壁外膜候补点最近的峰值位置作为前壁外膜位置这样的情况。
此外，在步骤S2401中，也可以与中心扫描线一并读出其两侧相邻的各扫描线的3列量的亮度，在Y方向的各位置计算沿X方向累计3列量的亮度后的累计值。而且，也可以使用累计值来进行步骤S2403的处理，根据累计值的峰值位置来检测前壁外膜位置、后壁外膜位置、前壁内腔内膜边界位置、以及后壁内腔内膜边界位置。由此，可实现噪声影响的降低。
然后，血管位置决定部1450求出在步骤S2403中检测到的前壁外膜位置与后壁外膜位置的中间位置作为血管的中心，将前壁内腔内膜边界位置与后壁内腔内膜边界位置之间的距离作为血管径来求出血管的半径(步骤S2405)。此外，也可以将前壁外膜位置与后壁外膜位置之间的距离作为血管径，来求出血管的半径。另外，也可以不求出半径而求出直径。
之后，移至图12的步骤S1023，血管功能测定部1250进行血管功能信息的测定。
在B模式图像中血管壁的整个区域不一定鲜明地出现，有时也有可能在相同的扫描线上无法恰当地检测出前壁以及后壁各自所涉及的外膜位置以及内腔内膜边界位置。另一方面，在B模式图像中提取亮度的峰值位置的情况下，除了外膜位置、内腔内膜边界位置以外，也有提取出因周边组织的存在、噪声的影响等而成为高亮度的位置的情况。与此相对，根据第2实施方式，能够组合使用通过在B模式图像中提取亮度的峰值位置而检测到的膜候补点，考虑膜候补点组所包含的膜候补点的相对位置关系、各膜候补点中的亮度的大小关系来按每个膜候补点组评价各扫描线。而且，由于能够将成为最高评价的膜候补点组(最高评价膜候补点组)涉及的扫描线确定为中心扫描线，所以能够使用最高评价膜候补点组，在中心扫描线上高精度地判定血管的位置。
此外，外膜候补点提取处理以及内膜候补点提取处理的步骤并不局限于参照图18(a)、图18(b)以及图19(a)、图19(b)进行了说明的方法。图22(a)～图22(c)是对外膜候补点提取处理以及内膜候补点提取处理的变形例进行说明的图。在本变形例中，同时检测外膜候补点和内膜候补点。首先，如图22(a)所示，基于在图16的前后壁检测处理中检测出的前壁的Y位置V21以及后壁的Y位置V23，以包含有判定区域中的血管的区域的整个区域的方式设定一个搜索区域A4。该搜索区域A4的设定通过考虑上述的血管的扩张量以及收缩量、因心脏搏动引起的血管位置的相对移动量等来进行。
接下来，使用搜索区域A4的B模式图像数据，如图22(b)所示，提取搜索区域A4中的多个特征点P241。作为特征点的提取方法，例如可使用角点检测法(Harris and Stephens)。或者，也可以使用最小特征值法(Shi and Tomasi)、FAST特征检测等其他的角点检测法，还可以使用SIFT(Scale invariant feature transform：尺度不变特征转换)所代表的局部特征量、SURF(Speeded Up Robust Features：加速稳健特征)特征量来提取特征点。另外，也可以使用对于所有的扫描线(X位置)进行在图16的步骤S2203中说明的深度方向的搜索，提取亮度的峰值位置作为特征点的方法。
接下来，使用该亮度将提取出的特征点P241分类成2个组，分成图22(c)中用“〇”印所示的外膜候补点P231的组、和用“●”印所示的内膜候补点P233的组。对于分类，能够使用k-means法等聚类方法。由于外膜部分的亮度与内腔内膜边界部分的亮度比较是高亮度，所以能够进行分组。此外，也可以使用各特征点中的亮度的斜率来进行分组。
另外，在利用本变形例的方法提取膜候补点的情况下，也可以代替图20的步骤S2307的处理而进行以下的处理，来判定中心扫描线。即，首先对处理对象的膜候补点组所包含的各膜候补点使用该膜候补点的周边区域的亮度以二维的正态分布来建模。图23(a)是表示前壁部分的亮度的分布的一个例子的图，图23(b)是表示将某个膜候补点的周边区域的亮度分布模型化后的二维正态分布模型的图。例如，生成由该膜候补点的位置坐标(X，Y)、以该膜候补点为顶点的亮度分布的扩散(σX，σY)、表示顶点的高度的放大振幅值(amp)等表现了各膜候补点的二维正态分布模型。
接下来，将各膜候补点的二维正态分布模型(X，Y，σX，σY，amp)作为输入，使用预先学习了的神经网络、支持向量机(Support VectorMachine：SVM)等机械学习模型等统计模型来判定中心扫描线。针对各膜候补点组进行了判定的结果是，将被判定为中心扫描线的次数最多的扫描线作为中心扫描线，将该判定所使用的膜候补点组作为最高评价膜候补点组。此外，由于本变形例中的方法与上述的第2实施方式中的方法相比计算量较多，所以可以应用于主体装置1020的处理能力高的情况。
根据本变形例，除了膜候补点组所包含的膜候补点的相对位置关系、各膜候补点中的亮度的大小关系以外，还能够考虑将各膜候补点作为顶点的周边区域的亮度分布来按每个膜候补点组评价各扫描线。因此，能够更高精度地判定血管的位置。
另外，在以上说明的血管位置判定处理中作为使用B模式图像数据的情况进行了说明的处理也可以代替B模式图像数据，而使用A模式数据(振幅值)或者RF信号来进行。
另外，在第2实施方式中，首先利用第1实施方式的方法求出B模式图像中的血管剖面的轮廓位置，以包括求出的轮廓位置的中心的方式设定判定区域，但是未必需要利用第1实施方式的方法求出轮廓位置，只要在B模式图像中能够设定包括血管的中心的短栅状的判定区域即可。另外，如果是能够使超声波探头1016位于血管的中心正上方，可通过在图12的步骤S1001中进行的1次超声波测定生成包括血管的中心的短栅状的B模式图像的情况，则只要在图12的步骤S1001之后，不进行求出轮廓位置的处理而进行图15的步骤S2103以后的处理即可。
[作用效果]
根据第2实施方式，选出超声波图像中的特征点的位置成为沿血管的短轴方向剖面形状的配置关系的特征点的组合，使用选出的组合的评价结果来判定出血管的位置。在包括血管的短轴方向剖面的超声波图像中，有特征点大多沿血管的剖面形状的轮廓出现这样的特性。由此，能够实现根据超声波图像中的特征点的位置的配置关系来检测血管的位置的新技术。
此外，在第2实施方式中，由3个特征点构成特征点组，但是也可以由4个以上的特征点构成特征点组。
另外，列举5个评价项目作为评价特征点组的评价项目来进行了说明，但是无需使用所有的评价项目来决定综合评价值F。也可以使用5个评价项目中的选择出的1个以上的评价项目，来决定综合评价值F。另外，也可以使用其它的评价项目。
〔第3实施方式〕
接下来，对第3实施方式进行说明。
[系统构成]
图24是表示第3实施方式中的超声波测定装置3010的构成例的图。超声波测定装置3010是使用超声波来测定被检测者的生物体信息的装置。在本实施方式中，将测定对象的血管设为颈动脉，作为生物体信息，测定IMT(Intima Media Thickness：血管的内膜中膜复合体厚度)这一血管功能信息。当然，除了IMT以外，也可以测定脉搏传播速度、血管壁的硬度指标值，或者测定血管径、从血管径测定血压等其它的血管功能信息。另外，也可以将测定对象的血管设为桡骨动脉等其他的动脉。
超声波测定装置3010具备触摸面板3012、键盘3014、超声波探头3016、以及主体装置3020。主体装置3020上安装有控制基板3022，并以可接收发送信号的方式与触摸面板3012、键盘3014、超声波探头3016等各部连接。
在控制基板3022上除了CPU(Central Processing Unit)3024、ASIC(Application Specific Integrated Circuit)、各种集成电路以外，还安装有由IC存储器、硬盘构成的存储介质3026、以及实现与外部装置的数据通信的通信IC3028。主体装置3020通过CPU3024等执行存储于存储介质3026的控制程序，来实现以超声波测定为代表的本实施方式涉及的各种功能。
具体而言，主体装置3020从超声波探头3016朝向被检测者3002的生物体内组织发送、照射超声波束，并接收反射波。然后，能够通过对反射波的接收信号进行放大、信号处理，来生成被检者3002的生物体内构造涉及的测定数据。所谓的A模式、B模式、M模式、彩色多普勒各模式的图像包含于测定数据中。使用了超声波的测定按照规定周期被反复执行。将测定单位称为“帧”。
超声波探头3016通过排列多个超声波振子而构成。在本实施方式中，将排列数作为一列，但也可以为多列而成为面状的排列构成。而且，以超声波振子的排列成为沿被检测者3002的颈动脉(血管)3004的长轴方向的方向的相对姿势将超声波探头3016固定在被检测者3002的颈部，进行血管功能信息的测定。
[原理]
当测定血管功能信息时，首先进行血管位置的检测。具体而言，如图25所示，提取B模式图像中的特征点(图25中的虚线圆圈的中心位置)。图25所示的B模式图像是血管的长轴方向的剖视图，X轴是沿体表面的方向，Y轴是距离体表面的深度方向。此外，为了容易理解，在图25以后的各附图中减少特征点的个数来进行表示，但实际上提取了图示以上的更多的特征点。另外，在图25中，以单点划线表示了实际的血管3004的血管壁的位置。
由于血管3004的长轴方向的剖面形状表示血管壁，所以成为大致平行的二根直线形状。另外，在B模式图像中，除了血管壁(详细而言为中膜外膜边界、内腔内膜边界)以外，特征点多数出现在筋、腱、脂肪等产生亮度变化的部分。超声波的反射率在媒介的变化位置(可以说媒介的边界)变高，在B模式图像中反射率高的位置被表示为高亮度。因此，血管壁、筋、腱、脂肪等由于媒介与周围组织不同，所以产生亮度变化，被作为特征点提取。在本实施方式中，使用特征点的位置关系来检测血管位置为特征之一。
具体而言，如图26所示，从B模式图像中的特征点中选择4个特征点p31～p34(图26中的白色实线的圆)，生成作为这4个特征点的组合的“特征点组”。特征点p31～p34以成为沿血管3004的长轴方向的剖面形状的配置位置关系的方式被选出。即，以经过2个特征点p31、p32的直线l31和经过另外2个特征点p33、p34的直线l32彼此大致平行，并且，直线间的距离为可视为血管径的规定距离以下的方式选择出特征点p31～p34。
以下，将由构成特征点组的4个特征点p31～p34规定的2根直线l31、l32称为由该特征点组构成的“直线对”。其中，对2根直线l31、l32而言，将深度位置较浅的一方作为直线l31，将较深的一方作为直线l32。
经过2个特征点pa、pb的直线l由参数α、β定义，所述参数α、β通过将2个特征点各自的位置坐标pa(xa，xa)、pb(xb，yb)代入由公式(4)给出的直线的一般式来生成二元线性方程组，并求解该方程组而求出。
【公式4】
y＝α·x+β...(4)
然后，以特征点组构成的直线对是否能视为血管壁的位置这一基准来评价该特征点组。具体而言，如公式(5)所示，利用系数ai对多个评价项目各自的评价值fi进行加权并相加，来计算综合评价值F。虽然将在以后描述，但如公式(6)所示，根据将变量设为xi的概率密度函数hi(xi)来求出评价值fi。
【公式5】
       F = Σ i ( ai × fi ) . . . ( 5 )
【公式6】
fi＝hi(xi)...(6)
各评价项目的评价值fi相当于直线对的2根直线成为血管壁的位置的概率(也能说为准确率)，即，规定为能视为血管壁的可能性越高，则为越大的值。而且，根据综合评价值F来判定直线对是否能视为血管壁，决定血管位置。此时，能够通过加权系数ai对重点判定哪个评价项目进行设定变更。
在第3实施方式中，针对5个评价项目(第1～第5评价项目)进行评价。第1个评价项目(第1评价项目)是“位于直线对的各直线上的特征点的个数”。图27是对第3实施方式中的第1评价项目的评价进行说明的图。图27的上侧表示B模式图像中的特征点、直线对的概略配置，图27的下侧表示成为评价基准的特征点的个数的概率密度函数h31(s)。变量s是特征点的个数。
如图27所示，选择距离2根直线l31、l32的距离为规定的近距离以下的特征点作为直线对的各直线l31、l32上的特征点q(q31～q37)。其中，这里选择的特征点q中不包括构成特征点组的特征点p31～p34。然后，将根据选择出的特征点q的个数j从概率密度函数h31(s)求出的概率密度作为第1评价项目的评价值f31。
图27所示的概率密度函数h31(s)通过针对预先获取到的包括想要检测的血管(例如，颈动脉)的长轴方向剖面的多数的B模式图像，对位于该血管的血管壁的特征点的个数进行计数而定义。如上所述，多数的特征点存在于血管壁的位置，该特征点的个数如概率密度函数h31(s)所示具有集中为规定数量的趋势。
第2个评价项目(第2评价项目)是“位于直线对的各直线上的特征点的位移速度”。位移速度是单位时间的位置的变化的情况，是速度的大小(绝对值)。图28是对第3实施方式中的第2评价项目的评价进行说明的图。图28的上侧表示B模式图像中的特征点、直线对的概略配置，图28的下侧表示成为评价基准的特征点的平均位移速度的概率密度函数h32(vc)。变量vc是平均速度。
如图28所示，求出直线对的各直线l31、l32上的特征点q(q31～q37)各自的位移速度，求出对这些位移速度进行了平均而得到的平均速度vc。各特征点q的位移速度例如通过利用了空间亮度梯度的梯度法、将包括该特征点的规定尺寸的图像块作为模板的块匹配法等求出该特征点q的速度向量v，并在规定期间(心搏周期的一次心搏期间以上。数秒左右)内对该速度向量v的大小进行了平均而求出。然后，将根据求出的平均速度vc从图28的概率密度函数h32(vc)求出的概率密度作为第2评价项目的评价值f32。
图28所示的概率密度函数h32(vc)通过针对预先获取到的包括想要检测的血管(例如，颈动脉)的长轴方向剖面的多数的B模式图像，求出位于该血管的血管壁的各特征点的平均速度而定义。血管与心脏搏动一致地大致各向同性地反复收缩以及扩张。即，位于血管壁的特征点的位移速度的大小以心搏期间为单位周期性变化，但若取得一个心搏期间的平均，则无论哪个心搏期间都几乎恒定。因此，一个心搏期间的位移速度的大小的平均值如概率密度函数h32(vc)所示具有集中为规定的值的趋势。
此外，作为各特征点的位移速度，也可以使用深度方向的速度分量(即，速度向量v的深度方向的分量)。另外，也可以不是位移速度而设为加速度。
第3个评价项目(第3评价项目)是“位于直线对的各直线上的特征点的亮度”。图29是对第3实施方式中的第3评价项目的评价进行说明的图。图29的上侧表示B模式图像中的特征点、直线对的概略配置，图29的下侧是表示成为评价基准的亮度的概率密度函数h33(Lc)的图。变量Lc是平均亮度。
如图29所示，求出对直线对的各直线l31、l32上的特征点q(q31～q37)各自的亮度L进行了平均而得到的平均亮度Lc。然后，将根据求出的平均亮度Lc从概率密度函数h33(Lc)求出的概率密度作为第3评价项目的评价值f33。
图29所示的概率密度函数h33(Lc)通过针对预先获取到的包括想要检测的血管(例如，颈动脉)的长轴方向剖面的多数的B模式图像，求出位于该血管的血管壁的特征点的亮度的平均值而定义。如上所述，多数的特征点存在于血管壁，该特征点的平均亮度如概率密度函数h33(Lc)所示，具有集中为相对较高亮度的规定亮度的趋势。
此外，也可以不是特征点的亮度本身，而设为“亮度的斜率”。即，如图30所示，在A模式数据(深度－信号强度图)中，在血管壁的深度位置中信号强度(即亮度)大幅变化。由此，作为位于直线l31、l32上的特征点q的亮度的斜率，能够求出A模式数据中的该特征点q的深度位置处的斜率(沿深度方向观察时的信号强度的变化)，并根据这些亮度的斜率的平均值求出概率密度，作为第3评价项目的评价值。另外，作为特征点q的亮度的斜率，也可以为B模式图像中的该特征点q的亮度和与该特征点q在深度方向上相邻的像素的亮度之差。
第4个评价项目(第4评价项目)是“直线间的特征点的个数”。图31是对第4评价项目的评价进行说明的图。图31的上侧表示B模式图像中的特征点、直线对的概略配置，图31的下侧是表示成为评价基准的特征点数的概率密度函数h34(u)的图。变量u是特征点的个数。
如图31所示，选择位于直线对的直线l31、l32之间的特征点r(r31，r32)。这里选择的特征点r中不包括构成特征点组的特征点p31～p34、以及在第1评价项目至第3评价项目中作为评价对象的直线l31、l32上的特征点q(q31～q37)。然后，将根据选择出的特征点r的数k从概率密度函数h34(u)求出的概率密度作为第4评价项目的评价值f34。
图31所示的概率密度函数h34(u)通过针对预先获取到的包括想要检测的血管(例如，颈动脉)的长轴方向剖面的多数的B模式图像，对该血管内部(血管壁的内侧)的特征点的个数进行计数而定义。血管壁中的超声波的反射率高，但血管内部的血液中的反射率极低，几乎不反射地透过。即，血管内部的特征点的个数具有集中为规定数量(接近零的值)的趋势。
第5个评价项目(第5评价项目)是“直线对的外部图像的特征量”。图32是对第3实施方式中的第5评价项目的评价进行说明的图。在第5评价项目的评价中，如图32的上侧所示，从B模式图像提取包括直线对的规定范围的部分图像3052作为评价对象图像，进行该部分图像3052与预先准备的特征图像3054的特征量比较处理，来计算两者的图像的近似度。将该近似度作为第5评价项目的评价值f35。
更具体而言，部分图像3052是直线对的外侧图像，被设定为直线l31、l32之间的中心线C成为沿横向横穿图像中央的位置的矩形。另外，该部分图像3052是将沿直线l31、l32的中心线C的方向作为横向，将与中心线C正交的方向作为纵向的正方形的图像，其纵向以及横向的长度成为基于直线l31、l32的间隔的长度(例如，直线l31、l32的间隔的3倍)。
特征图像3054是想要检测的血管(例如，颈动脉)的长轴方向剖面的外侧(前壁的上方以及后壁的下方)的生物体组织的B模式图像，成为血管的长轴方向的中心线沿横向横穿图像中央的图像。另外，血管壁(前壁以及后壁)相对于该整个特征图像3054的相对位置以及相对尺寸与部分图像3052中的直线对的关系相同。因为筋纤维、淋巴节群作为生物体组织能够存在于血管的周围，所以特征图像3054中包含这些生物体组织的图案分量。
然后，在特征量比较处理中，将从部分图像3052除去了直线对的直线l31、l32之间的图像部分、即作为直线对的外侧的图像部分的直线l31的上方的图像部分以及直线l32的下方的图像部分与特征图像3054进行比较运算来计算近似度。近似度的计算例如比较图像中的特征点的配置关系、亮度的分布、图像的纹理信息等，能够通过所谓的图案匹配法等来计算近似度。
[功能构成]
图33是第3实施方式中的超声波测定装置3010的功能构成图。如图33所示，超声波测定装置3010具备主体装置3020、以及超声波探头3016。主体装置3020具备操作输入部3110、显示部3120、声音输出部3130、通信部3140、处理部3200、以及存储部3300而构成。
操作输入部3110由按钮开关、触摸面板、各种传感器等输入装置来实现，将与被进行的操作对应的操作信号输出至处理部3200。在图24中，触摸面板3012、键盘3014相当于操作输入部3110。
显示部3120由LCD(Liquid Crystal Display)等显示装置实现，基于来自处理部3200的显示信号进行各种显示。在图24中，触摸面板3012相当于显示部3120。
声音输出部3130由扬声器等声音输出装置实现，基于来自处理部3200的声音信号进行各种声音输出。
通信部3140由无线LAN(Local Area Network)、Bluetooth(注册商标)等无线通信装置、调制解调器、有线用的通信线缆的插口、控制电路等通信装置实现，与所给的通信线路连接来进行与外部装置的通信。在图24中，安装于控制基板3022的通信IC3028相当于通信部3140。
处理部3200由CPU(Central Processing Unit)、GPU(GraphicsProcessing Unit)等微处理器、ASIC(专用集成电路：Application SpecificIntegrated Circuit)、IC(Integrated Circuit)存储器等电子部件实现，基于存储于存储部3300的程序、数据、来自操作输入部3110的操作信号等执行各种运算处理，来控制超声波测定装置3010的动作。另外，处理部3200具有超声波测定控制部3210、测定数据生成部3220、血管位置检测部3230、以及血管功能测定部3260。
超声波测定控制部3210控制超声波探头3016中的超声波的接收发送。具体而言，使超声波在规定周期的发送定时从超声波探头3016发送。另外，进行在超声波探头3016中接收到的超声波的反射波的信号的放大等。
测定数据生成部3220根据超声波探头3016对反射波的接收信号，生成包括A模式、B模式、M模式等各模式的图像数据的测定数据。
血管位置检测部3230具有特征点检测部3231、速度向量计算部3232、特征点组生成部3233、特征点组评价部3240、以及血管位置判定部3250，基于由测定数据生成部3220生成的测定数据进行血管位置的检测。
特征点检测部3231检测B模式图像中的特征点。特征点的检测基于该像素的亮度、该像素与该像素的周边像素的亮度差等，检测满足规定条件的像素作为特征点。
速度向量计算部3232比较时间上相邻的帧的B模式图像，基于特征点的移动量和帧速率，来计算特征点各自的速度向量(速度的大小和方向)。
特征点组生成部3233生成由从检测出的特征点中选择出的4个特征点构成的特征点组。此时，以经过2个特征点p31、p32的直线l31、和经过剩余的2个特征点p33、p34的直线l32大致平行，并且，直线间的距离为规定距离以下的方式选择4个特征点p31～p34。直线l31、l32通过求出直线的定义式(1)中的参数α、β来计算。可以说求取该直线l31、l32是设定与相当于血管的长轴剖面的长轴方向剖面形状相当的直线对。
特征点组评价部3240具有直线上特征点数评价部3241、位置变化评价部3242、亮度评价部3243、直线间特征点数评价部3244、以及特征量评价部3245，以特征点组构成的直线对是否能视为血管壁的位置这一基准来评价该特征点组。具体而言，如上式(5)所示，通过对针对多个评价项目分别求出的项目评价值fi乘以规定的加权系数ai并相加来计算综合评价值F。
直线上特征点数评价部3241基于第1评价项目即“位于直线对的各直线上的特征点的个数”进行评价。即，求出B模式图像中的位于各直线l31、l32上的特征点q的个数s，将根据求出的特征点个数s从概率密度函数h31(s)求出的概率密度作为第1评价项目的评价值f31(参照图27)。
位置变化评价部3242基于第2评价项目即“直线对的各直线上的特征点的位置变化”进行评价。即，针对B模式图像中的位于各直线l31、l32上的特征点q分别将在规定期间(例如，心搏周期的一次心搏期间以上。数秒左右)内的位移速度(单位时间的位置变化)的平均作为该特征点的位移速度vi，求出对特征点q各自的位移速度vi进行了平均而得到的平均速度vc。然后，将根据求出的平均速度vc从概率密度函数h32(vc)求出的概率密度作为第2评价项目的评价值f32(参照图28)。
亮度评价部3243基于第3评价项目即“直线对的各直线上的特征点的亮度”进行评价。即，求出B模式图像中的位于直线l31、l32上的特征点q各自的亮度L的平均值，将根据求出的平均亮度Lc从概率密度函数h33(Lc)求出的概率密度作为第3评价项目的评价值f33(参照图29)。
直线间特征点数评价部3244基于第4评价项目即“直线间的特征点的个数”进行评价。即，求出B模式图像中的位于直线l31、l32之间的特征点r的个数u，将根据求出的特征点数u从概率密度函数h34(u)求出的概率密度作为第4评价项目的评价值f34(参照图31)。
特征量评价部3245基于第5评价项目即“直线对的外侧图像的特征量”进行评价。即，以直线对相对于整个图像的相对位置以及相对尺寸与特征图像3054中的血管壁的关系相同的方式提取B模式图像中的包括直线对的部分图像3052，通过与预先准备的特征图像3054比较来计算两者的图像的近似度，将计算出的近似度作为第5评价项目的评价值f35(参照图32)。
血管位置判定部3250使用特征点组评价部3240针对特征点组的评价结果来判定血管位置。具体而言，判定为血管壁存在于由综合评价值F最大的特征点组构成的直线对的各直线l31、l32的位置，求出该直线l31、l32的中心线C、以及相当于血管的半径R的直线l31、l32之间的平均距离，决定为血管位置。
此外，此时为了更高精度地判定血管位置，也可以重新选择B模式图像中的各直线l31、l32上的特征点，根据重新选择出的特征点，例如通过最小二乘法重新计算各直线l31、l32，基于重新计算出的直线l31、l32来决定中心线C以及半径R。
血管功能测定部3260进行所给的血管功能信息的测定。具体而言，进行如下的血管功能信息的测定：测定根据检测出的血管位置而确定出的血管的血管径、IMT等，或者测定脉搏传播速度、血管壁的硬度指标值，或者通过跟踪血管前壁以及血管后壁来从血管径变动推断运算血压，或者计算脉搏数。
存储部3300由ROM、RAM、硬盘等存储装置实现，存储有处理部3200用于统一控制超声波测定装置3010的程序、数据等，并且，作为处理部3200的作业区域而使用，暂时储存处理部3200执行的运算结果、来自操作输入部3110的操作数据等。在图24中，安装于控制基板3022的存储介质3026相当于存储部3300。在本实施方式中，如图34所示，在存储部300中存储有超声波测定程序3310、B模式图像数据3320、特征点数据3330、特征点组数据3340、评价基准数据3350、以及血管位置数据3360。
B模式图像数据3320将按每个测定帧生成的B模式图像与帧ID建立关联地储存。
特征点数据3330按每个检测出的特征点生成，储存有各帧中的B模式图像中的位置坐标和速度向量。
特征点组数据3340按每个特征点组生成。由于在特征点组中规定了一个直线对，所以求出该直线对的一条直线l31所使用的作为特征点p31、p32的位置坐标的第1特征点列表3341、定义一条直线l31的第1直线位置3342、求出另一条直线l32所使用的作为特征点p33、p34的位置坐标的第2特征点列表3343、以及定义另一条直线l32的第2直线位置3344包含于特征点组数据3340。另外，特征点组数据3340储存该特征点组的评价(换言之也可称为直线对的评价)所使用的评价用数据3345。第1直线位置3342以及第2直线位置3344储存相应的直线的定义式(4)中的参数α、β。评价用数据3345储存多个评价项目各自的评价对象数据以及评价值和综合评价值。
评价基准数据3350储存有多个评价项目各自的评价基准(概率密度函数h31～h34、特征图像3054等)和加权系数a31～a35。
血管位置数据3360是检测出的血管位置的数据，例如，储存有血管的长轴剖面的中心线C的位置坐标、半径R等。
[处理的流程]
图35是对第3实施方式中的超声波测定处理的流程进行说明的流程图。该处理通过处理部3200执行超声波测定程序3310来实现。
处理部3200首先使超声波探头3016开始超声波测定(步骤S3001)。接着，测定数据生成部3220根据超声波探头3016对超声波反射波的接收信号，生成B模式图像(步骤S3003)。接着，特征点检测部3231从B模式图像提取特征点(步骤S3005)。然后，速度向量计算部3232计算提取出的特征点各自的速度向量(步骤S3007)。
之后，将循环A的处理反复进行规定次数。在循环A中，特征点组生成部3233从之前提取出的特征点中选择4个特征点，来生成特征点组(步骤S3009)。接着，从选择出的4个特征点中选择深度位置较浅的2个特征点p31、p32，并求出经过这2个特征点p31、p32的直线的参数α、β来计算第1根直线l31(步骤S3011)。另外，从选择出的4个特征点中选择深度位置较深的剩余2个特征点p33、p34，并求出经过这2个特征点p33、p34的直线的参数α、β来计算第2根直线l32(步骤S3013)。
然后，判断由计算出的2根直线l31、l32构成的直线对是否满足视为血管的长轴方向剖面的相当形状的规定的血管剖面条件。该血管剖面条件例如是指“2根直线l31、l32大致平行(参数α大致一致)，并且，直线l31、l32的间隔为规定距离以下”。如果直线对不满足血管剖面条件(步骤S3015：否)，则不采用为特征点组而删除(步骤S3019)。另一方面，如果直线对满足血管剖面条件(步骤S3015：是)，则采用该特征点组，特征点组评价部3240计算该特征点组的综合评价值F(步骤S3017)。
当计算综合评价值F时，直线上特征点数评价部3241求出B模式图像中的位于各直线l31、l32上的特征点的个数s，将根据求出的特征点个数s从概率密度函数h31(s)求出的概率密度作为第1评价项目的评价值f31。另外，位置变化评价部3242求出对B模式图像中的位于各直线l31、l32上的特征点q各自的位移速度vi进行了平均而得到的平均速度vc，将根据求出的平均速度vc从概率密度函数h32(vc)求出的概率密度作为第2评价项目的评价值f32。另外，亮度评价部3243求出B模式图像中的位于各直线l31、l32上的特征点q各自的亮度L的平均值，将根据求出的平均亮度Lc从概率密度函数h33(Lc)求出的概率密度作为第3评价项目的评价值f33。另外，直线间特征点数评价部3244求出B模式图像中的位于直线l31、l32之间的特征点r的个数u，将根据求出的特征点个数u从概率密度函数h34(u)求出的概率密度作为第4评价项目的评价值f34。另外，特征量评价部3245通过将B模式图像中的假想圆3050的周围的部分图像3052和特征图像3054比较来计算两者的图像的近似度，将计算出的近似度作为第5评价项目的评价值f35。然后，特征点组评价部3240通过对计算出的评价项目各自的评价值f31～f35乘以对应的加权系数a31～a35并相加，来计算综合评价值F。循环A被这样进行。
若规定次数的循环A的处理结束，则血管位置判定部3250从所有的特征点组中判定综合评价值F最大的特征点组(步骤S3021)。接着，重新选择位于由判定出的特征点组构成的直线对的各直线l31、l32上的多个特征点(步骤S3023)，通过使用了重新选择出的特征点的位置的最小二乘法重新计算各直线l31、l32的参数，来重新计算该各直线l31、l32的位置(步骤S3025)。然后，根据重新计算出的各直线l31、l32的位置决定血管的长轴剖面中的中心线C以及半径R，作为血管位置(步骤S3027)。
之后，血管功能测定部3260进行使用了超声波探头3016对超声波的接收发送结果的所给的血管功能信息的测定，进行测定血管的存储、显示(步骤S3029)。若进行了以上的处理，则超声波测定处理结束。
[作用效果]
这样，根据第3实施方式，选出超声波图像中的特征点的位置成为沿血管的长轴方向剖面形状的配置关系的特征点的组合，使用选出的组合的评价结果来判定出血管的位置。在包括血管的长轴方向剖面的超声波图像中，有特征点多数沿作为血管的剖面形状的直线对出现这一特性。由此，能够实现根据超声波图像中的特征点的位置的配置关系来检测血管的位置的新技术。
此外，第3实施方式中，由4个特征点p31～p34构成特征点组，但也可以由5个以上的特征点构成特征点组。即，也可以求出经过3个以上的特征点的直线作为相当于血管壁的位置的直线l31、l32。并且，也可以不是直线l31、l32，而设为曲率为一定值以下的允许多少弯曲的曲线。另外，还可以对直线l31、l32追加定义粗度，将直线l31、l32视为细长的矩形。通过追加定义粗度，能够将允许一定程度的弯曲的曲线包括在内。
另外，列举5个评价项目作为评价特征点组的评价项目进行了说明，但无需使用所有的评价项目来决定综合评价值F。也可以使用5个评价项目中选择出的1个以上评价项目来决定综合评价值F。另外，也可以使用其它的评价项目。
如上所述，对于本发明的实施方式进行了详细说明，但本领域技术人员能够容易地想到实际上不脱离本发明的新事项以及效果的各种变形。因此，这样的变形例全部包含于本发明的范围。
在此引用2014年4月1日提出的日本专利申请No.2014-075750以及2014年1月19日提出的日本专利申请No.2014-257683的全部公开内容。

Claims (22)

1.一种超声波测定装置，其特征在于，具备：
超声波测定部，其通过对血管发送超声波并从血管接收超声波，来获取包括所述血管的短轴方向剖面的超声波图像；
特征点提取部，其从所述超声波图像提取特征点；
组合选出部，其选出所述特征点的位置成为沿所述血管的短轴方向剖面形状的配置关系的特征点的组合；以及
位置判定部，其使用所述组合来判定所述血管的位置。
2.根据权利要求1所述的超声波测定装置，其特征在于，
基于所述组合所涉及的所述配置关系来推断与所述血管的短轴方向剖面相当的形状的轮廓位置，基于该轮廓位置和所述特征点计算该轮廓位置表示所述血管的血管壁的位置的概率，来判定所述血管的位置。
3.根据权利要求2所述的超声波测定装置，其特征在于，
使用成为沿所述轮廓位置的位置的所述特征点的个数来计算第1所述概率。
4.根据权利要求2所述的超声波测定装置，其特征在于，
使用成为沿所述轮廓位置的位置的所述特征点的位置变化来计算第2所述概率。
5.根据权利要求2所述的超声波测定装置，其特征在于，
使用成为沿所述轮廓位置的位置的所述特征点的亮度来计算第3所述概率。
6.根据权利要求2所述的超声波测定装置，其特征在于，
使用位于所述轮廓位置的内侧的所述特征点的个数来计算第4所述概率。
7.根据权利要求2所述的超声波测定装置，其特征在于，
比较可包含在所述血管的外侧的规定的特征图像和所述超声波图像的所述轮廓位置的外侧图像部分来计算第5所述概率。
8.根据权利要求1所述的超声波测定装置，其特征在于，
所述位置判定部使用所述组合来判定所述超声波的接收发送所涉及的多条扫描线中的经过所述血管的中心的扫描线。
9.根据权利要求8所述的超声波测定装置，其特征在于，
所述组合选出部以扫描线为单位来选出所述特征点的组合。
10.根据权利要求9所述的超声波测定装置，其特征在于，
所述特征点提取部提取前壁以及外壁各自所涉及的外膜位置以及内腔内膜边界位置作为特征点，
所述位置判定部通过规定的评价运算来评价所述组合所包含的各特征点的亮度，将成为最高评价的组合所涉及的扫描线确定为经过所述血管的中心的扫描线。
11.根据权利要求1所述的超声波测定装置，其特征在于，
所述血管是动脉。
12.根据权利要求1所述的超声波测定装置，其特征在于，
还具备计测部，该计测部计测由所述位置判定部检测出的血管的规定的血管功能。
13.一种超声波测定装置，其特征在于，具备：
超声波测定部，其通过对血管发送超声波并从血管接收超声波，来获取包括所述血管的长轴方向剖面的超声波图像；
特征点提取部，其从所述超声波图像提取特征点；
组合选出部，其选出所述特征点的位置成为沿所述血管的长轴方向剖面形状的配置关系的特征点的组合；以及
位置判定部，其使用所述组合来判定所述血管的位置。
14.根据权利要求13所述的超声波测定装置，其特征在于，
基于所述组合所涉及的所述配置关系在所述超声波图像中设定与所述血管的长轴方向剖面形状相当的直线对，基于该直线对和所述特征点来计算该直线对表示所述血管的血管壁的位置的概率，使用该概率和所述组合来判定所述血管的位置。
15.根据权利要求14所述的超声波测定装置，其特征在于，
计算所述概率包括使用成为沿所述直线对的位置的所述特征点的个数来计算第1所述概率。
16.根据权利要求14所述的超声波测定装置，其特征在于，
计算所述概率包括使用成为沿所述直线对的位置的所述特征点的位置变化来计算第2所述概率。
17.根据权利要求14所述的超声波测定装置，其特征在于，
计算所述概率包括使用成为沿所述直线对的位置的所述特征点的亮度来计算第3所述概率。
18.根据权利要求14所述的超声波测定装置，其特征在于，
计算所述概率包括使用位于所述直线对之间的所述特征点的个数来计算第4所述概率。
19.根据权利要求14所述的超声波测定装置，其特征在于，
计算所述概率包括比较可包含在所述血管的外侧的规定的特征图像和所述超声波图像的所述直线对的外侧图像部分来计算第5所述概率。
20.根据权利要求13所述的超声波测定装置，其特征在于，
所述血管是动脉。
21.根据权利要求13所述的超声波测定装置，其特征在于，
还具备计测部，该计测部计测由所述位置判定部检测出的血管的规定的血管功能。
22.一种超声波测定方法，使用计算机根据包括血管的短轴方向或者长轴方向的剖面的超声波图像来判定血管位置，其特征在于，包括：
从所述超声波图像提取特征点的步骤；
选出所述特征点的位置成为沿所述血管的短轴方向或者长轴方向的剖面形状的配置关系的特征点的组合的步骤；以及
使用所述组合来判定所述血管的位置的步骤。
CN201510145082.3A 2014-04-01 2015-03-30 超声波测定装置以及超声波测定方法 Pending CN104970832A (zh)

Applications Claiming Priority (6)

Application Number Priority Date Filing Date Title
JP2014-075750 2014-04-01
JP2014075750 2014-04-01
JP2014-078320 2014-04-07
JP2014078320A JP2015198714A (ja) 2014-04-07 2014-04-07 超音波測定装置
JP2014257683A JP2015198907A (ja) 2014-04-01 2014-12-19 超音波測定装置
JP2014-257683 2014-12-19

Publications (1)

Publication Number Publication Date
CN104970832A true CN104970832A (zh) 2015-10-14

Family

ID=54188711

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510145082.3A Pending CN104970832A (zh) 2014-04-01 2015-03-30 超声波测定装置以及超声波测定方法

Country Status (2)

Country Link
US (1) US20150272541A1 (zh)
CN (1) CN104970832A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110477955A (zh) * 2019-08-22 2019-11-22 电子科技大学 一种基于iq数据的血管自动识别方法

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6150922B1 (ja) 2016-04-13 2017-06-21 株式会社日立製作所 超音波診断装置
EP3376472A1 (en) 2017-03-13 2018-09-19 Koninklijke Philips N.V. Anatomical measurements from ultrasound data
CN113229851A (zh) * 2019-10-24 2021-08-10 深圳迈瑞生物医疗电子股份有限公司 一种超声图像的处理装置
JP2022074392A (ja) * 2020-11-04 2022-05-18 コニカミノルタ株式会社 超音波診断装置、超音波診断装置の制御方法、及び、超音波診断装置の制御プログラム
CN112890867A (zh) * 2021-01-06 2021-06-04 杰杰医疗科技(苏州)有限公司 一种全自动外周血管三维超声图像重建系统和方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110477955A (zh) * 2019-08-22 2019-11-22 电子科技大学 一种基于iq数据的血管自动识别方法
CN110477955B (zh) * 2019-08-22 2021-05-11 电子科技大学 一种基于iq数据的血管自动识别方法

Also Published As

Publication number Publication date
US20150272541A1 (en) 2015-10-01

Similar Documents

Publication Publication Date Title
CN104970832A (zh) 超声波测定装置以及超声波测定方法
Hashemi et al. Global time-delay estimation in ultrasound elastography
US10610203B2 (en) Methods, systems, and media for determining carotid intima-media thickness
CN101833757B (zh) 血管图像组织结构的边缘检测及血管内膜检测方法和系统
Saha et al. Three‐dimensional digital topological characterization of cancellous bone architecture
US8554490B2 (en) Automatic vascular model generation based on fluid-structure interactions (FSI)
KR102128325B1 (ko) 이미지 처리 시스템
JP7078487B2 (ja) 超音波診断装置及び超音波画像処理方法
KR102519515B1 (ko) 정보 처리 장치, 정보 처리 방법, 컴퓨터 프로그램
Samiappan et al. Classification of carotid artery abnormalities in ultrasound images using an artificial neural classifier.
CN103054563A (zh) 血管壁病变检测方法
EP3754558A1 (en) Method and system for generating a synthetic elastrography image
CN114600171A (zh) 用于基于空间-时间数据来分析医学图像的系统和方法
Sampath et al. Optimized time-resolved echo particle image velocimetry–particle tracking velocimetry measurements elucidate blood flow in patients with left ventricular thrombus
Liu et al. Image reconstruction of electrical impedance tomography based on optical image-guided group sparsity
Jiang et al. Ultrasonic methods for assessment of tissue motion in elastography
CN110163907A (zh) 胎儿颈部透明层厚度测量方法、设备及存储介质
Zhang et al. Despeckling Methods for Medical Ultrasound Images
Qin et al. Predicting tongue shapes from a few landmark locations
Fan et al. An adaptive template-matching method and its application to the boundary detection of brachial artery ultrasound scans
Xie et al. Globally optimal segmentation of mutually interacting surfaces using deep learning
JP2015198907A (ja) 超音波測定装置
Rabbi et al. Speckle tracking and speckle content based composite strain imaging for solid and fluid filled lesions
Amidabadi et al. Supervised classification of the accuracy of the time delay estimation in ultrasound elastography
JP6666804B2 (ja) 超音波診断装置

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20151014