CN108230261A - 基于自动器官识别的全自动图像优化 - Google Patents
基于自动器官识别的全自动图像优化 Download PDFInfo
- Publication number
- CN108230261A CN108230261A CN201711290507.5A CN201711290507A CN108230261A CN 108230261 A CN108230261 A CN 108230261A CN 201711290507 A CN201711290507 A CN 201711290507A CN 108230261 A CN108230261 A CN 108230261A
- Authority
- CN
- China
- Prior art keywords
- imaging
- anatomical features
- medical
- setting
- neural network
- 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
Links
- 238000005457 optimization Methods 0.000 title abstract description 24
- 210000000056 organ Anatomy 0.000 title abstract description 24
- 238000003384 imaging method Methods 0.000 claims abstract description 82
- 238000002059 diagnostic imaging Methods 0.000 claims abstract description 45
- 238000013528 artificial neural network Methods 0.000 claims abstract description 38
- 238000013135 deep learning Methods 0.000 claims abstract description 38
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 22
- 230000006870 function Effects 0.000 claims abstract description 21
- 238000009877 rendering Methods 0.000 claims abstract description 17
- 238000013480 data collection Methods 0.000 claims abstract description 16
- 239000000523 sample Substances 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 7
- 238000005314 correlation function Methods 0.000 claims description 2
- 238000002604 ultrasonography Methods 0.000 description 19
- 239000000872 buffer Substances 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000003860 storage Methods 0.000 description 6
- 238000011282 treatment Methods 0.000 description 6
- 238000012795 verification Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000002224 dissection Methods 0.000 description 4
- 239000003814 drug Substances 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 210000003734 kidney Anatomy 0.000 description 3
- 210000004185 liver Anatomy 0.000 description 3
- 210000001519 tissue Anatomy 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 238000013329 compounding Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 210000003754 fetus Anatomy 0.000 description 1
- 230000002440 hepatic effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012285 ultrasound imaging Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays
- A61B5/743—Displaying an image simultaneously with additional graphical information, e.g. symbols, charts, function plots
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/58—Testing, adjusting or calibrating the diagnostic device
- A61B8/585—Automatic set-up of the device
-
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
-
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2576/00—Medical imaging apparatus involving image processing or analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
- A61B5/0037—Performing a preliminary scan, e.g. a prescan for identifying a region of interest
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
- A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/44—Constructional features of the ultrasonic, sonic or infrasonic diagnostic device
- A61B8/4444—Constructional features of the ultrasonic, sonic or infrasonic diagnostic device related to the probe
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/46—Ultrasonic, sonic or infrasonic diagnostic devices with special arrangements for interfacing with the operator or the patient
- A61B8/461—Displaying means of special interest
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Abstract
提供了基于自动器官识别的全自动图像优化的系统和方法。在医学成像系统中,在基于特定成像技术的医学成像期间,正被成像的区域中的解剖特征可以被自动辨别,并且基于该解剖特征的辨别,可以自动确定用于优化所辨别的解剖特征的成像质量的一个或多个成像参数或设置。然后,可以基于所确定的一个或多个成像参数或设置来配置成像功能,并且根据基于该配置采集的医学成像数据集的处理,用于渲染的一个或多个医学图像。可以使用基于深度学习和/或神经网络的模型来辨别解剖特征并选择一个或多个成像参数或设置。
Description
技术领域
本公开的方面涉及医学成像。更具体地,某些实施例涉及用于基于自动器官识别的全自动图像优化的方法和系统。
背景技术
各种医学成像技术可以例如用于对人体中的器官和软组织进行成像。医学成像技术的示例包括超声成像、计算机断层扫描(CT)、磁共振成像(MRI)等。在医学成像期间生成图像的方式取决于特定的技术。
例如,超声成像使用实时非侵入性高频声波来产生通常在人体内的器官、组织、物体(例如胎儿)的超声图像。在医学成像期间产生或生成的图像可以是二维(2D)、三维(3D)和/或四维(4D)图像(基本上实时/连续的3D图像)。在医学成像期间,成像数据集(包括例如3D/4D成像期间的体积成像数据集)被采集并且用于实时生成和渲染对应的图像(例如,经由显示器)。
用于优化医学成像的常规方法可能存在各种问题。就这一点而言,用于在医学成像操作期间优化图像质量的常规系统和方法,如果存在的话,可能是低效和/或无效的。
通过参考附图将这些系统与本申请的其余部分中所阐述的本公开的某些方面进行比较,本领域技术人员将会明白常规和传统方法的进一步的缺陷和缺点。
发明内容
提供了用于基于自动器官识别的完全自动图像优化的系统和方法,基本上如结合至少一个附图所示出和/或描述的,正如在权利要求中更全面地阐述的。
从下面的描述和附图将更充分地理解本公开的这些和其它优点、方面和新颖特征以及其一个或多个图示的示例性实施例的细节。
根据本公开的各种实现可以涉及基于自动器官识别的全自动图像优化。根据本公开的示例性方法可以包括在医学成像设备中:在基于特定成像技术的医学成像期间,自动辨别(例如,不需要用户的任何输入)正被成像的区域中的解剖特征;基于解剖特征的辨别而自动确定(例如,不需要用户的任何输入)一个或多个成像参数或设置,以用于优化所辨别的解剖特征的成像质量;基于所确定的一个或多个成像参数或设置,配置所述医学成像设备中的成像功能;基于该配置采集对应于正被成像的区域的医学成像数据集;以及基于医学成像数据集的处理而生成用于渲染的一个或多个医学图像。特定的成像技术包括超声成像;并且使用捕获的回波超声信号采集医学成像数据集。
在示例性实现中,可以使用基于深度学习和/或神经网络的模型来辨别解剖特征并选择一个或多个成像参数或设置。基于深度学习和/或神经网络的模型可以被预先训练,以用于识别一个或多个解剖特征。基于深度学习和/或神经网络的模型可以被预先训练,以用于为每个识别的解剖特征选择一个或多个成像优化参数或设置。基于深度学习和/或神经网络的模型可以基于来自一个或多个用户的反馈数据来生成和/或更新,反馈数据与特定解剖特征的识别和/或优化成像有关。
在示例性实现中,可以在专用计算系统中收集和处理至少一些反馈数据。基于深度学习和/或神经网络的模型和/或基于深度学习和/或神经网络的模型的更新可以从专用计算系统导入到医学成像设备。
在示例性实现中,在医学成像期间,基于解剖特征的辨别来处理用户输入和/或输出。
在示例性实现中,基于解剖特征的辨别将所生成的一个或多个图像并入到与解剖特征相关的信息中。
当结合附图阅读时,将更好地理解以上发明内容以及某些实施例的下面的详细描述。附图在某种程度上示出了各种实施例的功能框图,这些功能框未必表示硬件电路之间的划分。因此,例如,功能框中的一个或多个(例如,处理器或存储器)可以被实现为单件硬件(例如,通用信号处理器或随机存取存储器的一区块、硬盘驱动器等)或多件硬件中。类似地,程序可以是独立式程序,可以作为子例程并入操作系统中,可以在安装的软件包中起作用,等等。应了解各种实施例并不限于附图所示的布置和手段。还应当理解,可以组合实施例,或者可以使用其他实施例,并且可以在不脱离各种实施例的范围的情况下进行结构、逻辑和电学上的改变。因此,不应以限制性意义来进行以下详细说明,并且由所附权利要求及其等同物来限定本发明的范围。
根据本公开的示例性系统可以包括:探针,其操作用于采集医学成像数据;控制部件,其包括处理电路;以及输入/输出部件,其用于输出医学图像。处理电路操作用于:在基于特定成像技术的医学成像期间,自动辨别(例如,不需要用户的任何输入)正被成像的区域中的解剖特征;基于解剖特征的辨别,自动确定(例如,不需要用户的任何输入)用于优化所辨别的解剖特征的成像质量的一个或多个成像参数或设置;基于确定的一个或多个成像参数或设置来配置系统中的成像相关功能;并且基于经由探针采集的医学成像数据集的处理生成用于经由输入/输出部件渲染的一个或多个医学图像。特定的成像技术包括超声成像;并且使用捕获的回波超声信号采集医学成像数据集。
在示例性实现中,该系统可以操作用于辨别解剖特征并且使用基于深度学习和/或神经网络的模型来确定一个或多个成像参数或设置。基于深度学习和/或神经网络的模型是预先训练的,以用于识别一个或多个解剖特征。基于深度学习和/或神经网络的模型是预先训练的,以用于为每个识别的解剖特征选择一个或多个成像优化参数或设置。基于深度学习和/或神经网络的模型根据来自一个或多个用户的反馈数据来配置和/或更新,反馈数据与特定解剖特征的识别和/或优化成像有关。基于深度学习和/或神经网络的模型和/或基于深度学习和/或神经网络的模型的更新被导入到系统中。
在示例性实现中,该系统可以操作用于基于解剖特征的辨别在医学成像期间处理用户输入和/或输出。
在示例性实现中,该系统可以操作用于基于解剖特征的辨别将与所述解剖特征相关的信息合并到所生成的一个或多个图像中。
根据本公开的示例性非暂时性计算机可读介质可以在其上存储有具有至少一个代码段的计算机程序,所述至少一个代码段可由机器执行以使机器执行一个或多个步骤,所述步骤包括:在基于特定成像技术的医学成像期间,根据基于深度学习和/或神经网络的模型来自动辨别(例如,不需要用户的任何输入)正被成像的区域中的解剖特征;基于解剖特征的辨别并使用基于深度学习和/或神经网络的模型,自动确定(例如,不需要用户的任何输入)一个或多个成像参数或设置,以用于优化所辨别的解剖特征的成像质量;基于所述确定的一个或多个成像参数或设置来配置与所述医学成像相关的操作和/或功能;基于该配置采集对应于正被成像的区域的医学成像数据集;以及基于对所述医学成像数据集的处理而生成用于渲染的一个或多个医学图像。
附图说明
图1是框图,示出了根据本公开的支持基于自动器官识别的全自动图像优化的示例性医学成像布置。
图2是框图,示出了根据本公开的支持基于自动器官识别的全自动图像优化的示例性超声。
图3示出了示例性步骤的流程图,所述步骤可以被执行以利用基于自动器官识别的全自动图像优化来进行超声成像。
图4示出了示例性步骤的流程图,所述步骤可以被执行以用于生成和更新用于自动器官识别和图像优化的控制数据。
具体实施方式
如本文所使用,以单数形式叙述并且跟在词语“一”或“一个”后的元件或步骤应理解为不排除复数个所述元件或步骤,除非明确陈述此类排除。此外,对“实施例”、“一个实施例”、“代表性实施例”、“示例性实施例”、“各种实施例”、“某些实施例”等的引用不旨在被解释为排除存在也包括所述特征的附加实施例。此外,除非相反地明确说明,“包含”、“包括”或“具有”带特定性质的元件或多个元件的实施例可包括没有那种性质的附加元件。
此外,如本说明书所用,短语“像素”还包括其中数据由“体素”表示的实施例。因此,术语“像素”和“体素”两者可以在本文献全文中互换使用。
同样如本说明书所用,术语“图像”广义地指可视图像和表示可视图像的数据。然而,许多实施例生成(或被配置成生成)至少一个可视图像。此外,关于超声成像,如本说明书所用,短语“图像”用于表示诸如B模式、CF模式和/或CF的子模式的超声模式,所述子模式为例如TVI、Angio、B-flow、BMI、BMI_Angio,并且在某些情况下还有MM、CM、PW、TVD、CW,其中“图像”和/或“平面”包括单个波束或多个波束。
此外,如本说明书所用,术语处理器或处理单元是指可以执行所需计算的任何类型的处理单元,诸如单核或多核:CPU、图形板、DSP、FPGA、ASIC或其组合。
应当注意,生成或形成图像的本说明书描述的各种实施例可以包括用于形成图像的处理,其在一些实施例中包括波束成形,并且在其他实施例中不包括波束成形。例如,可以在不使用波束成形的情况下形成图像,例如通过将解调数据的矩阵乘以系数矩阵,使得乘积是图像,并且其中该过程不形成任何“波束”。另外,可以使用可能源自多于一个传输事件(例如,合成孔径技术)的信道组合来执行图像的形成。
在各种实施例中,可以例如在软件、固件、硬件或其组合中执行用于形成图像的成像处理,包括可视化增强。
图1是框图,示出了根据本公开的支持基于自动器官识别的全自动图像优化的示例性医学成像布置。图1中示出了包括一个或多个医学成像系统110和一个或多个计算系统120的示例性场景100。
医学成像系统110包括用于支持医学成像的合适的硬件、软件或其组合,其使得能够获得用于在医学成像检查期间生成和/或渲染图像的数据。这可能需要以特定方式捕获特定类型的数据,该数据又可以用于生成图像的数据。例如,医学成像系统110可以是配置用于生成和/或渲染超声图像的超声系统。结合图2更详细地描述可以对应于医学成像系统110的超声系统的示例性实现。
如图1所示,医学成像系统110可以包括探针112和显示/控制单元114,该探针可以是便携式和可移动的。探针112可以用于生成和/或捕获特定类型的信号(或与之对应的数据),例如通过在患者身体(或其一部分)上移动。例如,在医学成像系统110为超声系统的情况下,探针112可以发射超声信号并捕获回波超声图像。
显示/控制单元114可以用于显示图像(例如,经由屏幕116)。此外,显示/控制单元114还可以支持用户输入/输出。例如,除了图像之外,显示/控制单元114还可以(例如,经由屏幕116)提供用户反馈(例如,与系统、其功能、其设置等有关的信息)。显示/控制单元114还可以支持用户输入(例如,经由用户控制器118),例如以允许控制医学成像。用户输入可能涉及控制图像的显示、选择设置、指定用户偏好、请求反馈等。
每个计算系统120可以包括用于处理、存储和/或传送数据的合适电路。计算系统120可以是被特别配置用于与医学成像结合使用(包括支持全自动图像优化)的专用设备,或者它可以是通用计算系统(例如,个人计算机、服务器等),其被设置和/或配置成执行下文关于计算系统120描述的操作。计算系统120可以被配置成支持医学成像系统110的操作,如下所述。
在操作中,医学成像系统110可以用于在医疗检查期间生成和呈现渲染(例如,渲染或显示)图像,和/或用于支持与其结合的用户输入/输出。图像可以是2D、3D和/或4D图像。在医学成像系统110中执行以促进图像的生成和/或渲染的特定操作或功能取决于系统的类型-也就是说,获得和/或生成对应于所述图像的数据的方式。例如,在超声成像中,数据基于发射的超声信号和回波超声信号,如结合图2更详细描述的。
在各种实现中,医学成像系统110可以支持基于自动器官识别的全自动图像优化。就这一点而言,在现有的解决方案中,获得具有特定解剖特征的最佳质量的图像通常需要大量的手工劳动。例如,在成像期间,当扫描特定解剖特征时,用户可能需要选择或调整各种成像相关参数和/或设置,以确保为那些解剖特征产生具有最佳可能质量的图像。如果在扫描期间解剖结构改变(例如,扫描焦点从肝脏切换到肾脏),用户可能需要手动调整设置,以获得所需解剖特征的最佳图像质量,因为对于特定解剖特征(例如,肝脏扫描)的最佳设置对于不同的解剖特征(例如,肾脏扫描)可能不是最佳的。如果用户不调整设置,则所得到的图像可能不具有最佳质量。
因此,在根据本公开的各种实现中,可以自动地连续设置图像参数优化和设置以优化成像(例如,确保恒定的最佳图像质量)并且还提高生产率(减少手工劳动、简化工作流程、增加使用的便利性等)。可以使用增强识别技术(例如,深度学习算法),基于扫描的解剖结构的自动识别,自动且连续地完成成像参数和设置选择。就这一点而言,可以使用高级自适应处理技术(例如,深度学习算法、神经网络等)来在扫描时实现自动辨别和识别解剖特征。一旦识别出解剖特征,系统就可以自动切换和使用最佳的成像参数和/或设置,以获得用于识别出的解剖特征的最佳图像质量扫描。
例如,医学成像系统110可以被配置成使用基于深度学习和/或神经网络的模型来自动地(即,在没有用户的任何输入或利用用户的非常少的输入的情况下)辨别扫描区域中的解剖特征并为所辨别的解剖特征的最佳图像选择成像设置和/或参数。基于深度学习和/或神经网络的模型可以是预先训练的。就这一点而言,预先训练可以包括确定(和存储)每个解剖特征的辨别数据(例如,可以在扫描期间用来比较的唯一参数和/或属性)和优化数据(导致最佳图像质量的成像参数和/或设置,或允许实时确定这些参数和/或设置的数据)。
在一些实现中,一旦辨别出解剖特征,并且获得与优化这种解剖特征的扫描的图像相对应的数据,则医学成像系统(例如,医学成像系统110)可以被配置成将与所辨别的解剖特征相关的信息并入对应的图像(为渲染而生成的)。该信息可以包括例如解剖特征的描述、与解剖特征相关的信息、注释(其可以是用户可配置的)等。
在一些实现中,可以基于解剖特征的辨别来配置输入和/或输出操作。例如,一旦辨别出解剖特征,并且获得和渲染了优化这种解剖特征的扫描的图像,则医学成像系统(例如,医学成像系统110)可以被配置成使得用户能够基于特定的解剖特征与系统进行交互。屏幕116可以被配置成例如使得用户能够执行特别为被扫描的解剖特征配置的检查、核对、测量等。
在一些实现中,可以连续地更新和修改解剖特征的自动辨别和优化成像功能(例如,基于深度学习和/或神经网络的模型)。例如,基于用户反馈(包括例如对基于当前模型选择的设置的任何调整),可以更新基于深度学习和/或神经网络的模型,例如,以确保成像设置对于用户为最佳。在某些情况下,可以在成像期间维持和使用对应于不同用户的不同版本的解剖特征的自动辨别和优化成像功能。
在一些实现中,可以从成像系统卸载与基于自动器官识别的全自动图像优化相关的各种功能和/或操作。这可以进行以简单化和/或集中处理的某些方面,以降低成本(通过避免增加成像系统中的处理资源)。例如,计算系统120可以被配置用于生成和/或更新解剖特征的自动辨别和优化成像功能(例如,基于深度学习和/或神经网络的模型)。就这一点而言,计算系统120可以生成基于深度学习和/或神经网络的模型并且执行必要的训练,即创建识别特定解剖特征所需的数据,以及为每个解剖特征设置对应的优化成像参数和/或设置。
计算系统120可以被设置和/或布置成以不同的方式使用。例如,在一些实现中,可以使用单个计算系统120;在其他实现中,多个计算系统120被配置成一起(例如,基于分布式处理配置)或单独地工作,每个计算系统120被配置成处理特定方面和/或功能,和/或处理用于生成仅用于特定的医学成像系统110的模型的数据。在一些实现中,计算系统120可以是本地的(例如,与一个或多个医学成像系统110同地,例如在同一设施和/或同一局部网络内);在其他实现中,计算系统120可以是远程的,因此只能经由远程连接(例如,经由因特网或其他可用的远程访问技术)来访问。在特定实现中,计算系统120可以以类似云的方式配置,并且可以以与访问和使用其他基于云的系统的方式基本上相似的方式被访问和/或使用。
一旦数据(例如,解剖特征识别模型)被生成和/或配置,数据就可以被复制和/或加载到医学成像系统110中。这可以以不同的方式完成。例如,可以通过医学成像系统110和计算系统120之间的定向连接或链路加载模型。就这一点而言,可以使用可用的有线和/或无线连接和/或根据任何合适的通信(和/或网络)标准或协议来完成场景100中的不同元件之间的通信。备选地或另外地,模型可以间接地加载到医学成像系统110中。例如,模型可以存储到合适的机器可读介质(例如,闪存卡等)中,然后使用该介质将模型加载到医学成像系统110(现场,诸如由系统的用户或授权人员),或者模型可以下载到能够本地通信的电子设备(例如,笔记本电脑等)中,然后在现场使用(例如,由系统的用户或授权人员)该设备以将该模型经由直接连接(例如,USB连接器等)上传到医学成像系统110中。
在一些实现中,可以基于从特定用户获得的数据来生成、更新和修改解剖特征的自动辨别和优化成像功能(例如,基于深度学习和/或神经网络的模型)。例如,可以选择多个用户(例如,被认为是“专家”),并且从这些用户获得的数据(例如,生成的图像和/或与之对应的数据集)可以用于生成解剖特征的自动辨别和优化成像功能。因此,用于识别解剖特征和/或优化这些解剖特征的成像的数据可以例如基于这些用户在获得其图像时使用的数据(例如,当解剖特征被聚焦时,和/或当解剖特征的图像被认为具有最优质量时,由这些用户使用的设置和/或参数)来设置和/或更新。“专家”用户可以被定期(重新)选择。此外,可以使用不同组的“专家”用户(例如,对于不同的区域、扫描的类型等)。
图2是框图,示出了根据本公开的支持基于自动器官识别的全自动图像优化的示例性超声。图2中示出了超声系统200。
超声系统200可以包括用于提供超声成像的合适部件(物理设备、电路等)。超声系统200可以在超声成像使用场景中对应于图1的医学成像系统110。超声系统200包括例如发射器202、超声探针204、发射波束成形器210、接收器218、接收波束成形器222、RF处理器224、RF/IQ缓冲器226、用户输入模块230、信号处理器240、图像缓冲器236和显示系统250。
发射器202可以包括可以操作用于驱动超声探针204的合适电路。发射器202和超声探针204可以被实现和/或配置成用于一维(1D)、二维(2D)、三维(3D)和/或四维(4D)超声扫描。超声探针204可以包括一维(1D、2.25D、2.5D或2.75D)阵列或二维(2D)阵列的压电元件。例如,如图2所示,超声探针204可以包括通常构成相同元件的一组发射换能器元件206和一组接收换能器元件208。发射器202可以由发射波束成形器210驱动。
发射波束成形器210可以包括合适的电路,其可以操作用于控制发射器202,发射器202通过发射子孔径波束成形器214驱动一组发射换能器元件206,以将超声波发射信号发射到感兴趣的区域(例如,人、动物、地下腔体、物理结构等)。就这一点而言,一组发射换能器元件206可以被激活以发送超声信号。超声信号可以包括例如以脉冲重复频率(PRF)反复激发的脉冲序列,脉冲重复频率通常可以在千赫兹范围内。脉冲序列可以聚焦在具有相同发射特性的相同发射焦点位置处。聚焦在相同发射焦点位置的一系列发射激发可以称为“分组”。
发送的超声信号可以从感兴趣对象中的结构(如组织)反向散射以产生回波。回波由接收换能器元件208接收。超声探针204中的一组接收换能器元件208可以操作用于将接收到的回波转换为模拟信号,通过接收子孔径波束成形器216进行子孔径波束成形,然后传送到接收器218。
接收器218可以包括合适的电路,其可以操作用于接收和解调来自探针换能器元件或接收子孔径波束成形器216的信号。解调的模拟信号可以被传送到多个A/D转换器(ADC)220中的一个或多个。
多个A/D转换器220中的每一个可以包括合适的电路,其可以操作用于将模拟信号转换成相应的数字信号。就这一点而言,多个A/D转换器220可以被配置成将来自接收器218的解调的模拟信号转换成相应的数字信号。多个A/D转换器220设置在接收器218和接收波束成形器222之间。尽管如此,本公开并不限于此。因此,在一些实施例中,多个A/D转换器220可以集成在接收器218内。
接收波束成形器222可以包括合适的电路,其可以操作用于执行数字波束成形处理,以例如将从多个A/D转换器220接收的延迟的信道信号求和并输出波束和信号。所得到的经处理的信息可以被转换回对应的RF信号。从接收波束成形器222输出的对应的输出RF信号可以被传送到RF处理器224。根据一些实施例,接收器218、多个A/D转换器220和波束成形器222可以被集成到单个波束成形器中,该波束成形器可能是数字的。
RF处理器224可以包括可以操作用于解调RF信号的合适的电路。在一些情况下,RF处理器224可以包括复用解调器(未示出),其操作用于解调RF信号以形成可以代表相应回波信号的同相和正交(IQ)数据对(例如,B模式数据对)。然后,可以将RF(或IQ)信号数据传送到RF/IQ缓冲器226。
RF/IQ缓冲器226可以包括合适的电路,其可以操作用于提供RF处理器224的输出的临时存储,该输出为例如由RF处理器224生成的RF(或IQ)信号数据。
用户输入模块230可以包括合适的电路,其可以操作用于使得能够获得或提供到超声系统200的输入,以用于超声系统的操作。例如,用户输入模块230可以用于输入患者数据、手术器械数据、扫描参数、设置、配置参数、改变扫描模式等。在示例性实施例中,用户输入模块230可以操作用于配置、管理和/或控制超声系统200中的一个或多个部件和/或模块的操作。就这一点而言,用户输入模块230可以操作用于配置、管理和/或控制发射器202、超声探针204、发射波束成形器210、接收器218、接收波束成形器222、RF处理器224、RF/IQ缓冲器226、用户输入模块230、信号处理器240、图像缓冲器236和/或显示系统250的操作。
信号处理器240可以包括合适的电路,其可以操作用于处理超声扫描数据(例如,RF和/或IQ信号数据)和/或生成相应的超声图像,例如用于在显示系统250上渲染。信号处理器240操作用于根据所采集的超声扫描数据上的多个可选择的超声波模态执行一个或多个处理操作。在一些情况下,信号处理器240可以操作用于执行复合、运动跟踪和/或斑点跟踪。随着B模式回波信号被接收,采集的超声扫描数据可以被实时地处理,例如在B模式扫描会话期间。另外或备选地,超声扫描数据可以在扫描会话期间临时存储在RF/IQ缓冲器226中,并且在实时或离线操作中以不太实时的方式处理。
在操作中,超声系统200可以用于生成包括二维(2D)、三维(3D)和/或四维(4D)图像的超声图像。就这一点而言,超声系统200可以操作用于连续地采集特定帧速率的超声扫描数据,该帧速率可能适合于所讨论的成像状况。例如,帧速率可以在20-70之间,但可以更低或更高。采集的超声扫描数据可以以与帧速率相同、或者更慢或更快的显示速率显示在显示系统250上。包括图像缓冲器236,以用于存储未被调度为立即显示的采集的超声扫描数据的经处理的帧。优选地,图像缓冲器236具有足够的容量来存储至少几秒价值的超声扫描数据帧。超声扫描数据的帧以有利于根据其采集的顺序或时间进行检索的方式来进行存储。图像缓冲器236可以被实现为任何已知的数据存储介质。
在一些情况下,超声系统200可以被配置成支持基于灰度和颜色的操作。例如,信号处理器240可以操作用于执行灰度B模式处理和/或颜色处理。灰度B模式处理可以包括处理B模式RF信号数据或IQ数据对。例如,灰度B模式处理可以允许通过计算量(I2+Q2)1/2来形成波束求和的接收信号的包络。包络可以经过附加的B模式处理,例如对数压缩,以形成显示数据。显示数据可以转换为X-Y格式以用于视频显示。扫描转换的帧可以映射到灰度以进行显示。B模式帧被提供到图像缓冲器236和/或显示系统250。颜色处理可以包括处理基于颜色的RF信号数据或IQ数据对以形成在B模式帧上覆盖的帧,所述B模式帧被提供给图像缓冲器236和/或显示系统250。灰度和/或颜色处理可以基于用户输入(例如,来自用户输入模块230的选择)自适应地调整,例如以用于增强特定区域的灰度和/或颜色。
在一些情况下,超声成像可以包括生成和/或显示体积超声图像,即,物体(例如,器官、组织等)被三维3D显示的图像。就这一点而言,通过3D(和类似地4D)成像,可以采集体积超声数据集,其包括对应于成像物体的体素。这可以例如通过以不同的角度发送声波而不是简单地在一个方向(例如,一直向下)发送它们,然后捕获它们的反射回波来完成。然后捕获并处理(例如,经由信号处理器240)的(以不同角度的发送的)返回的回波,以生成对应的体积数据集,该数据集又可以被使用(例如,经由信号处理器240中的3D渲染模块242)以创建和/或显示体积(例如,3D)图像,例如经由显示器250。这可能需要使用特定的处理技术来提供期望的3D感知。例如,体积渲染技术可以用于显示体积(例如,3D)数据集的投影(例如,2D投影)。就这一点而言,渲染3D数据集的2D投影可以包括相对于正在显示的物体设置或定义空间中的感知角度,然后定义或计算数据集中的每个体素的必要信息(例如,不透明度和颜色)。这可以例如使用用于定义每个体素的RGBA(红、绿、蓝和α)值的合适的传递函数来完成。
在一些情况下,超声成像可以包括生成和/或显示体积超声图像,即,物体(例如,器官、组织等)被三维3D显示的图像。就这一点而言,通过3D(和类似地4D)成像,可以采集体积超声数据集,其包括对应于成像物体的体素。这可以例如通过以不同的角度发送声波而不是简单地在一个方向(例如,一直向下)发送它们,然后捕获它们的反射回波来完成。然后捕获并处理(例如,经由信号处理器240)的(以不同角度的发送的)返回的回波,以生成对应的体积数据集,该数据集又可以被使用(例如,经由信号处理器240中的3D渲染模块242)以创建和/或显示体积(例如,3D)图像,例如经由显示器250。这可能需要使用特定的处理技术来提供期望的3D感知。
例如,体积渲染技术可以用于显示体积(例如,3D)数据集的投影(例如,2D投影)。就这一点而言,渲染3D数据集的2D投影可以包括相对于正在显示的物体设置或定义空间中的感知角度,然后定义或计算数据集中的每个体素的必要信息(例如,不透明度和颜色)。这可以例如使用用于定义每个体素的RGBA(红、绿、蓝和α)值的合适的传递函数来完成。
在各种实现中,超声系统200可以被配置成支持基于自动器官识别的全自动图像优化。就这一点而言,超声系统200可以基本上如关于图1的医学成像系统110所描述的那样(例如,基于使用基于深度学习和/或神经网络的模型)执行全自动器官识别和图像优化,但是在超声成像的语境中这样做。
图3示出了示例性步骤的流程图,所述步骤可以被执行以利用基于自动器官识别的全自动图像优化来进行超声成像。
图3中示出了流程图300,其包括多个示例性步骤(表示为框302-316),其可以在用于使用基于自动器官识别的全自动图像优化进行超声成像的合适系统(例如,图2的系统200)中执行。
在开始步骤302中,可以设置系统,并且可以启动操作。
在步骤304中,可以自动辨别(例如,使用基于深度学习或神经网络的模型)在正被成像的区域中的特定解剖特征(例如,肝、肾等)。
在步骤306中,可以自动确定(例如,使用基于深度学习或神经网络的模型)用于所辨别的解剖特征的最佳图像质量的优化参数和设置。
在步骤308中,可以采集成像数据集(例如,在超声成像中,基于所发送的超声信号的回波)。
在步骤310中,可以处理图像数据集以生成对应的图像(例如,超声成像中的2D/3D/4D超声图像)。
在可选步骤312中,可以验证图像。就这一点而言,在一些情况下,可以验证采集的超声图像,例如以便确认它们满足特定条件或标准。这些条件或标准可以基于例如特定扫描协议或标准。例如,美国超声医学研究所(AIUM)定义了各种类型扫描的成像要求(例如,用于成功扫描肝脏、腹部等)。在示例性实现中,采集的图像的验证可以是自动地,例如,使用深度学习算法/神经网络完成,深度学习算法/神经网络可以被配置成为用户验证所采集的图像是否满足针对目标解剖特征的适用的成像要求,例如根据特定的扫描协议。在所采集的图像未成功验证的情况下,即在步骤312完成的核对的输出为“否”时,则该过程可以循环回到步骤308(以重新采集成像数据集),或者备选地(未示出)该过程可以退出(例如,如果步骤308-312重复多次而没有成功采集目标解剖特征的图像)。否则,如果图像被成功验证,则在步骤312完成的核对的输出是“是”,则过程可以进行到步骤314。
在可选步骤314中,可以基于所辨别的解剖特征将信息(例如,注释、特定细节的描述等)并入生成的图像中。
在步骤316中,可以显示生成的图像。
在可选步骤318中,可以基于所辨别的解剖特征在图像显示期间配置和/或管理输入/输出(例如,缩放、特定细节的描述等)。
图4示出了示例性步骤的流程图,所述步骤可以被执行以用于生成和更新用于自动器官识别和图像优化的控制数据。
在图4中示出了流程图400,其包括多个示例性步骤(表示为框402-414),这些步骤可以在合适的系统(例如,图1的计算系统120)中执行,以生成和更新用于自动器官识别和图像优化的控制数据。
在开始步骤402中,可以设置系统,并且可以启动操作。
在步骤404中,可以生成和/或训练基于深度学习或神经网络的模型,例如基于现有数据(例如,对应于具有特定解剖特征的最佳质量的来自所选用户的图像)。
在步骤406中,所生成的基于深度学习或神经网络的模型可以被提供到成像系统(例如,直接地、经由可用的连接/通信链路,或利用现场加载到成像系统中的数据间接地)。
在步骤408中,该过程可以连续等待反馈(例如,来自诸如“专家”等的所选用户),并且当在步骤410中确定没有接收到新的反馈时,该过程循环回到步骤408。当在步骤410中确定接收到新的反馈时,处理进行到步骤412。
在步骤412中,可以处理所接收的新反馈,以确定基于深度学习或神经网络的模型的更新(如果有的话)。
在步骤414中,将基于深度学习或神经网络的模型的更新提供到成像系统。
如本说明书所用,术语“电路(circuit)和电路(circuitry)”是指物理电子部件(例如,硬件)以及可以配置硬件、由硬件执行和/或以其它方式与硬件相关联的任何软件和/或固件(“代码”)。如本说明书所用,例如,特定的处理器和存储器当执行第一一个或多个代码行时可以包括第一“电路”,并且当执行第二一个或多个代码行时可以包括第二“电路”。如本说明书所用,“和/或”是指通过“和/或”连接的列表中的任何一个或多个项目。作为示例,“x和/或y”表示三元素集合{(x),(y),(x,y)}中的任何元素。换句话说,“x和/或y”表示“x和y中的一个或两者”。作为另一示例,“x、y和/或z”表示七元素集合{(x),(y),(z),(x,y),(x,z),(y,z),(x,y,z)}中的任何元素。换句话说,“x、y和/或z”表示“x、y和z中的一个或多个”。如本说明书所用,术语“框”和“模块”是指可以由一个或多个电路执行的功能。如本说明书所用,术语“示例性”表示用作非限制性示例、实例或图示。如本说明书所用,术语“例如”和“如”列出了一个或多个非限制性示例、实例或图示的列表。如本说明书所用,只要电路包括执行一功能所需的硬件(和代码,如果需要的话),该电路就“可操作用于”执行该功能,而不管该功能的执行是否被禁用或未启用(例如,通过一些用户可配置的设置、工厂修正等)。
本发明的其他实施例可以提供一种非暂时性计算机可读介质和/或存储介质,和/或非暂时性机器可读介质和/或存储介质,其上存储有机器代码和/或计算机程序,该机器代码和/或计算机程序具有可由机器和/或计算机执行的至少一个代码段,从而使机器和/或计算机执行如本说明书所述的过程。
因此,本公开可以在硬件、软件或硬件和软件的组合中实现。本发明可以以集中方式在至少一个计算系统中实现,或者以不同元件分布在几个互连的计算系统中的分布方式实现。适用于执行本说明书所述方法的任何类型的计算系统或其他装置都是适合的。硬件和软件的典型组合可以是具有这样的计算程序或其他代码的通用计算系统:该程序或代码在被加载和执行时控制计算系统,使得其执行本说明书所述的方法。另一典型实现可以包括专用集成电路或芯片。
根据本公开的各种实施例也可以嵌入到计算机程序产品中,该计算机程序产品包括能够实现本说明书描述的方法的所有特征,并且当被加载到计算机系统中时能够执行这些方法。在本上下文中的计算机程序是指一组指令的任何语言、代码或符号的任何表达,其旨在使具有信息处理能力的系统直接地或在以下任一或两者之后执行特定功能:a)转换为另一种语言、代码或符号;b)以不同的材料形式复制。
虽然已经参考某些实施例描述了本发明,但是本领域技术人员将会理解,在不脱离本发明的范围的情况下,可以进行各种改变并且可以替换等同物。此外,可作出许多修改以使特定情况或材料适应本发明的教导而不脱离其范围。因此,本发明并不旨在局限于所公开的特定实施例,本发明将包括落入所附权利要求范围内的所有实施例。
Claims (10)
1.一种方法,包括:
在医学成像设备中:
在基于特定成像技术的医学成像期间自动辨别正被成像的区域中的解剖特征;
基于所述解剖特征的所述辨别来自动确定用于优化所述辨别的解剖特征的成像质量的一个或多个成像参数或设置;
基于所述确定的一个或多个成像参数或设置来配置所述医学成像设备中的成像功能;
基于所述配置采集对应于所述正被成像的区域的医学成像数据集;和
基于所述医学成像数据集的处理生成用于渲染的一个或多个医学图像。
2.根据权利要求1所述的方法,包括使用基于深度学习和/或神经网络的模型来辨别所述解剖特征并确定所述一个或多个成像参数或设置。
3.根据权利要求2所述的方法,其中,所述基于深度学习和/或神经网络的模型被预先训练以识别一个或多个解剖特征。
4.根据权利要求2所述的方法,其中,所述基于深度学习和/或神经网络的模型是预先训练的,以用于为每个识别的解剖特征选择一个或多个成像优化参数或设置。
5.根据权利要求2所述的方法,其中,基于来自一个或多个用户的反馈数据生成和/或更新所述基于深度学习和/或神经网络的模型,所述反馈数据与用于特定解剖特征的识别和/或优化成像相关。
6.根据权利要求5所述的方法,其中,在专用计算系统中收集和处理所述反馈数据中的至少一些。
7.根据权利要求6所述的方法,其中,所述基于深度学习和/或神经网络的模型和/或所述基于深度学习和/或神经网络的模型的更新被从所述专用计算系统导入到所述医学成像设备。
8.根据权利要求1所述的方法,包括在所述医学成像期间基于所述解剖特征的所述辨别来配置用户输入和/或输出的处理。
9.一种系统,包括:
探针,其可操作用于采集医学成像数据;
控制部件,其包括处理电路;和
输入/输出部件,其用于输出医学图像;
其中,所述处理电路可操作用于:
在基于特定成像技术的医学成像期间自动辨别正被成像的区域中的解剖特征;
基于所述解剖特征的所述辨别来自动确定用于优化所述辨别的解剖特征的成像质量的一个或多个成像参数或设置;
基于所述确定的一个或多个成像参数或设置来配置所述系统中的成像相关功能;和
基于对经由所述探针采集的医学成像数据集的处理生成用于经由所述输入/输出部件渲染的一个或多个医学图像。
10.一种非暂时性计算机可读介质,其上存储有具有至少一个代码段的计算机程序,所述至少一个代码段能够由机器执行,用于使所述机器执行包括下列的一个或多个步骤:
在基于特定成像技术的医学成像期间,基于基于深度学习和/或神经网络的模型,自动辨别正被成像的区域中的解剖特征;
基于所述解剖特征的所述辨别并使用所述基于深度学习和/或神经网络的模型来自动确定用于优化所述辨别的解剖特征的成像质量的一个或多个成像参数或设置;
基于所述确定的一个或多个成像参数或设置来配置与所述医学成像相关的操作和/或功能;
基于所述配置采集对应于所述正被成像的区域的医学成像数据集;和
基于对所述医学成像数据集的处理生成用于渲染的一个或多个医学图像。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/374,321 US10813595B2 (en) | 2016-12-09 | 2016-12-09 | Fully automated image optimization based on automated organ recognition |
US15/374321 | 2016-12-09 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108230261A true CN108230261A (zh) | 2018-06-29 |
Family
ID=62487770
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711290507.5A Pending CN108230261A (zh) | 2016-12-09 | 2017-12-07 | 基于自动器官识别的全自动图像优化 |
Country Status (2)
Country | Link |
---|---|
US (1) | US10813595B2 (zh) |
CN (1) | CN108230261A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109381212A (zh) * | 2018-09-27 | 2019-02-26 | 上海联影医疗科技有限公司 | 一种成像控制方法和系统 |
CN109567861A (zh) * | 2018-10-25 | 2019-04-05 | 中国医学科学院北京协和医院 | 超声成像方法及相关设备 |
CN109770943A (zh) * | 2019-01-28 | 2019-05-21 | 电子科技大学 | 一种利用计算机视觉定位的超声自动优化方法 |
CN110477954A (zh) * | 2019-07-08 | 2019-11-22 | 无锡海斯凯尔医学技术有限公司 | 基于弹性成像的检测设备 |
CN110680394A (zh) * | 2019-11-01 | 2020-01-14 | 上海联影医疗科技有限公司 | 超声探头的操作方法及装置、超声设备及计算机设备 |
CN111403007A (zh) * | 2018-12-29 | 2020-07-10 | 深圳迈瑞生物医疗电子股份有限公司 | 一种超声成像的优化方法、超声成像系统和计算机可读存储介质 |
CN111407308A (zh) * | 2019-01-04 | 2020-07-14 | 深圳迈瑞生物医疗电子股份有限公司 | 超声成像系统及优化超声图像的计算机实现的方法和介质 |
CN112513674A (zh) * | 2018-07-26 | 2021-03-16 | 皇家飞利浦有限公司 | 基于器官检测自动动态设置成像参数的超声系统 |
CN112654298A (zh) * | 2018-12-26 | 2021-04-13 | 深圳迈瑞生物医疗电子股份有限公司 | 一种成像方法及超声成像设备 |
CN112957074A (zh) * | 2016-03-09 | 2021-06-15 | 安科诺思公司 | 利用人工智能网络的超声图像识别系统和方法 |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11806126B2 (en) * | 2017-05-10 | 2023-11-07 | Navix International Limited | Property- and position-based catheter probe target identification |
KR102525159B1 (ko) * | 2018-03-19 | 2023-04-25 | 삼성전자주식회사 | 전자 장치, 전자 장치의 이미지 처리 방법 및 컴퓨터 판독 가능 매체 |
WO2019199781A1 (en) * | 2018-04-09 | 2019-10-17 | Butterfly Network, Inc. | Methods and apparatus for configuring an ultrasound system with imaging parameter values |
CN109512449A (zh) * | 2018-09-26 | 2019-03-26 | 沈阳东软医疗系统有限公司 | 生理参数输出方法和装置 |
US10878311B2 (en) * | 2018-09-28 | 2020-12-29 | General Electric Company | Image quality-guided magnetic resonance imaging configuration |
US11903768B2 (en) | 2019-11-04 | 2024-02-20 | GE Precision Healthcare LLC | Method and system for providing ultrasound image enhancement by automatically adjusting beamformer parameters based on ultrasound image analysis |
CN113143300A (zh) * | 2020-01-22 | 2021-07-23 | 上海西门子医疗器械有限公司 | X-射线医学成像系统和方法以及计算机存储介质 |
US11918382B2 (en) * | 2020-04-13 | 2024-03-05 | International Business Machines Corporation | Continual background monitoring of eye health |
US20210330296A1 (en) * | 2020-04-27 | 2021-10-28 | Butterfly Network, Inc. | Methods and apparatuses for enhancing ultrasound data |
US11497479B2 (en) * | 2020-05-09 | 2022-11-15 | Clarius Mobile Health Corp. | Method and system for controlling settings of an ultrasound scanner |
EP4098205A1 (en) * | 2021-05-31 | 2022-12-07 | Koninklijke Philips N.V. | Power reduction in ultrasound systems |
US11867807B2 (en) | 2021-09-01 | 2024-01-09 | GE Precision Healthcare LLC | System and methods for beamforming sound speed selection |
WO2023057304A1 (en) * | 2021-10-08 | 2023-04-13 | Koninklijke Philips N.V. | Improving cardiac ultrasound imaging |
EP4166089A1 (en) * | 2021-10-14 | 2023-04-19 | Koninklijke Philips N.V. | Improving cardiac ultrasound imaging |
US11974884B2 (en) | 2021-11-15 | 2024-05-07 | GE Precision Healthcare LLC | Method and system for dynamically adjusting imaging parameters during an ultrasound scan |
US20230148991A1 (en) * | 2021-11-18 | 2023-05-18 | EchoNous, Inc. | Automatically detecting and quantifying anatomical structures in an ultrasound image using a customized shape prior |
JP7302051B1 (ja) | 2022-02-17 | 2023-07-03 | ジーイー・プレシジョン・ヘルスケア・エルエルシー | 超音波画像表示システムおよび記憶媒体 |
WO2023213570A1 (en) * | 2022-05-02 | 2023-11-09 | Koninklijke Philips N.V. | Settings progression for ultrasound |
CN116703837B (zh) * | 2023-05-24 | 2024-02-06 | 北京大学第三医院(北京大学第三临床医学院) | 一种基于mri图像的肩袖损伤智能识别方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1989527A (zh) * | 2004-07-27 | 2007-06-27 | 皇家飞利浦电子股份有限公司 | 成像几何参数的自动确定 |
CN101297324A (zh) * | 2005-10-25 | 2008-10-29 | 布雷克成像有限公司 | 特别用于诊断图像的图像处理系统 |
CN101680938A (zh) * | 2007-05-31 | 2010-03-24 | 皇家飞利浦电子股份有限公司 | 自动采集磁共振图像数据的方法 |
CN104346821A (zh) * | 2013-08-09 | 2015-02-11 | 西门子公司 | 用于医学成像的自动规划 |
US20160157831A1 (en) * | 2014-12-03 | 2016-06-09 | Samsung Electronics Co., Ltd. | Apparatus and method for supporting computer-aided diagnosis |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080097942A1 (en) | 2004-07-26 | 2008-04-24 | Koninklijke Philips Electronics, N.V. | System and Method for Automated Suspicious Object Boundary Determination |
US7627386B2 (en) | 2004-10-07 | 2009-12-01 | Zonaire Medical Systems, Inc. | Ultrasound imaging system parameter optimization via fuzzy logic |
DE102004060868A1 (de) | 2004-12-17 | 2006-07-06 | Siemens Ag | Verfahren zur automatischen Bestimmung eines oder mehrerer organabhängiger Parameter zur Bildnachverarbeitung |
US20070276246A1 (en) * | 2005-03-22 | 2007-11-29 | Shengtz Lin | Ultrasound image acquisition guiding device and method |
US7648460B2 (en) | 2005-08-31 | 2010-01-19 | Siemens Medical Solutions Usa, Inc. | Medical diagnostic imaging optimization based on anatomy recognition |
JP5926728B2 (ja) | 2010-07-26 | 2016-05-25 | ケイジャヤ、エルエルシー | 内科医が直接用いるのに適応したビジュアライゼーション |
CN103842841B (zh) * | 2011-09-30 | 2017-12-05 | 皇家飞利浦有限公司 | 带有自动多普勒流设置的超声系统 |
US9730643B2 (en) * | 2013-10-17 | 2017-08-15 | Siemens Healthcare Gmbh | Method and system for anatomical object detection using marginal space deep neural networks |
-
2016
- 2016-12-09 US US15/374,321 patent/US10813595B2/en active Active
-
2017
- 2017-12-07 CN CN201711290507.5A patent/CN108230261A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1989527A (zh) * | 2004-07-27 | 2007-06-27 | 皇家飞利浦电子股份有限公司 | 成像几何参数的自动确定 |
CN101297324A (zh) * | 2005-10-25 | 2008-10-29 | 布雷克成像有限公司 | 特别用于诊断图像的图像处理系统 |
CN101680938A (zh) * | 2007-05-31 | 2010-03-24 | 皇家飞利浦电子股份有限公司 | 自动采集磁共振图像数据的方法 |
CN104346821A (zh) * | 2013-08-09 | 2015-02-11 | 西门子公司 | 用于医学成像的自动规划 |
US20160157831A1 (en) * | 2014-12-03 | 2016-06-09 | Samsung Electronics Co., Ltd. | Apparatus and method for supporting computer-aided diagnosis |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112957074A (zh) * | 2016-03-09 | 2021-06-15 | 安科诺思公司 | 利用人工智能网络的超声图像识别系统和方法 |
CN112513674A (zh) * | 2018-07-26 | 2021-03-16 | 皇家飞利浦有限公司 | 基于器官检测自动动态设置成像参数的超声系统 |
CN109381212A (zh) * | 2018-09-27 | 2019-02-26 | 上海联影医疗科技有限公司 | 一种成像控制方法和系统 |
CN109567861A (zh) * | 2018-10-25 | 2019-04-05 | 中国医学科学院北京协和医院 | 超声成像方法及相关设备 |
CN109567861B (zh) * | 2018-10-25 | 2022-06-07 | 中国医学科学院北京协和医院 | 超声成像方法及相关设备 |
CN112654298A (zh) * | 2018-12-26 | 2021-04-13 | 深圳迈瑞生物医疗电子股份有限公司 | 一种成像方法及超声成像设备 |
CN111403007A (zh) * | 2018-12-29 | 2020-07-10 | 深圳迈瑞生物医疗电子股份有限公司 | 一种超声成像的优化方法、超声成像系统和计算机可读存储介质 |
CN111407308A (zh) * | 2019-01-04 | 2020-07-14 | 深圳迈瑞生物医疗电子股份有限公司 | 超声成像系统及优化超声图像的计算机实现的方法和介质 |
CN109770943B (zh) * | 2019-01-28 | 2021-11-02 | 电子科技大学 | 一种利用计算机视觉定位的超声自动优化方法 |
CN109770943A (zh) * | 2019-01-28 | 2019-05-21 | 电子科技大学 | 一种利用计算机视觉定位的超声自动优化方法 |
CN110477954A (zh) * | 2019-07-08 | 2019-11-22 | 无锡海斯凯尔医学技术有限公司 | 基于弹性成像的检测设备 |
CN110477954B (zh) * | 2019-07-08 | 2021-07-27 | 无锡海斯凯尔医学技术有限公司 | 基于弹性成像的检测设备 |
CN110680394A (zh) * | 2019-11-01 | 2020-01-14 | 上海联影医疗科技有限公司 | 超声探头的操作方法及装置、超声设备及计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
US10813595B2 (en) | 2020-10-27 |
US20180160981A1 (en) | 2018-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108230261A (zh) | 基于自动器官识别的全自动图像优化 | |
US11354791B2 (en) | Methods and system for transforming medical images into different styled images with deep neural networks | |
EP2994053B1 (en) | 3d ultrasound imaging system | |
CN107613881B (zh) | 用于校正脂肪引起的像差的方法和系统 | |
CN108209970A (zh) | 基于超声成像中组织类型的自动检测的可变声速波束成形 | |
JP4544745B2 (ja) | 統計的識別特性を利用した適応性断面積計算方法 | |
JP7326010B2 (ja) | 超音波診断装置、超音波パラメータ学習装置、超音波診断装置制御プログラム及び超音波パラメータ学習プログラム | |
US10157500B2 (en) | Utilizing depth from ultrasound volume rendering for 3D printing | |
US9401040B2 (en) | Image processing apparatus and imaging processing method | |
CN103889337A (zh) | 超声波诊断装置以及超声波诊断装置控制方法 | |
CN111971688A (zh) | 具有用于检索复发患者的成像参数设置的人工神经网络的超声系统 | |
US11931201B2 (en) | Device and method for obtaining anatomical measurements from an ultrasound image | |
US10290097B2 (en) | Medical imaging device and method of operating the same | |
CN111345847B (zh) | 基于组织密度管理波束成形参数的方法和系统 | |
US11712224B2 (en) | Method and systems for context awareness enabled ultrasound scanning | |
CN109589131B (zh) | 实时自动设置多普勒成像模式参数的超声波方法和超声波系统 | |
US20200237347A1 (en) | Ultrasound imaging method and ultrasound imaging system therefor | |
CN105451662B (zh) | 用于医学成像与信息显示的方法和系统 | |
US20220265242A1 (en) | Method of determining scan planes in the acquisition of ultrasound images and ultrasound system for the implementation of the method | |
JP2021053200A (ja) | 超音波診断装置、超音波診断方法および超音波診断プログラム | |
CN111281423A (zh) | 一种超声图像优化方法和超声成像设备 | |
US20240070817A1 (en) | Improving color doppler image quality using deep learning techniques | |
EP3848892A1 (en) | Generating a plurality of image segmentation results for each node of an anatomical structure model to provide a segmentation confidence value for each node | |
CN114680928A (zh) | 超声扫查反馈系统 | |
JP2022041386A (ja) | 多元数演算装置及び医用画像診断装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |