CN110381846A - 血管阻塞诊断方法、设备及系统 - Google Patents
血管阻塞诊断方法、设备及系统 Download PDFInfo
- Publication number
- CN110381846A CN110381846A CN201880016176.2A CN201880016176A CN110381846A CN 110381846 A CN110381846 A CN 110381846A CN 201880016176 A CN201880016176 A CN 201880016176A CN 110381846 A CN110381846 A CN 110381846A
- Authority
- CN
- China
- Prior art keywords
- probe
- patient
- user
- imaging device
- blood vessel
- 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.)
- Granted
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/12—Diagnosis using ultrasonic, sonic or infrasonic waves in body cavities or body tracts, e.g. by using catheters
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/06—Measuring blood flow
-
- 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
-
- 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
- A61B8/44—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
- A61B8/4472—Wireless probes
-
- 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
- A61B8/46—Ultrasonic, sonic or infrasonic diagnostic devices with special arrangements for interfacing with the operator or the patient
- A61B8/467—Ultrasonic, sonic or infrasonic diagnostic devices with special arrangements for interfacing with the operator or the patient characterised by special input means
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/54—Control of the diagnostic device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/56—Details of data transmission or power supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G16H40/67—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 remote 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
- G16H50/30—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
- A61B8/48—Diagnostic techniques
- A61B8/488—Diagnostic techniques involving Doppler signals
Abstract
本发明涉及用于诊断血管阻塞诸如将以深静脉血栓(DVT)形式出现的血管阻塞的方法和系统。更具体地,本发明涉及与传感器硬件一起使用的软件工具,以允许用户对患者进行标准化和可重复的测试以辅助诊断深静脉血栓或相关病症。本发明还涉及用于执行上述诊断的设备和方法。根据本发明的第一方面,提供了一种用于诊断血管是否被阻塞的设备,包括用于与成像装置通信的接口并且包括用户接口和处理器,该成像装置包括发射器和接收器,该处理器被编程以执行以下步骤:通过用户接口通知用户在患者的身体上放置成像装置的位置;指示成像装置从探头发射辐射;从成像装置接收反射辐射;使用学习到的算法完全自动地解读反射的信息;根据反射辐射确定成像装置是否相对于患者的血管被正确定位;如果成像装置没有被正确定位,则通知用户重新定位成像装置并重复上述指示步骤、接收步骤和确定步骤,直到成像装置被正确定位;通知用户使用成像装置对患者的血管施加压力;指示成像装置发射另外的辐射;从成像装置接收另外的反射辐射;以及根据至少另外的反射辐射确定血管是否被阻塞。该系统可以被布置成通过重新训练和/或重新标记新图像来与任何其他实时成像装置一起工作。它也可以与其他非实时方法例如CT和MRI一起工作。例如,使用压力袖带:在未压缩的情况下扫描,在压缩的情况下扫描,评估差异。问题可能更简单,并且设置更昂贵,但相同的流水线布置仍然可以工作。关于CT和MRI扫描,仍然需要熟练的医疗专业人员到场进行扫描。学习到的算法可以包括机器学习的一个或多个元素,和/或已经使用机器学习进行开发。
Description
技术领域
本发明涉及一种用于诊断血管阻塞诸如将以深静脉血栓(DVT)形式出现的血管阻塞的方法和系统。更具体地,本发明涉及一种与传感器硬件一起使用的软件工具,以允许用户对患者执行标准化和可重复的测试,以辅助诊断深静脉血栓或相关病症。本发明还涉及一种用于执行上述诊断的设备和方法。
背景技术
典型地,平均一千人中有一人会受到深静脉血栓(以下称为“DVT”)及相关病症的影响。在英国,每年大致有100,000人由于DVT或相关病症入院,并且有20,000人由于未确诊的DVT或相关病症而死亡。全世界大致有1000万人遭受DVT或相关病症之苦。
患者倾向于通过前线医疗专业人员诸如全科执业医生、护士、急诊室或者在其他医疗护理之后诸如手术后被转诊以进行DVT特异性测试。因为DVT对患者的风险被认为很高,即死亡概率高,所以如果存在对患者可能有来自DVT的风险或者可能易患DVT的任何怀疑,则很有可能前线医疗专业人员会将患者转诊以进行其中DVT的充分症状被表现出来的DVT特异性测试。此外,需要对最近经历了手术的患者进行针对DVT的监测,因为患者在手术后患有DVT的概率大体上增加。
用来诊断DVT的惯常方法是通过使用:D-二聚体血液测试,以确定在血凝块通过纤维蛋白溶解降解时出现的血液中小蛋白质片段的浓度;以及超声波扫描。具有DVT症状的患者典型地被送去医院进行超声检查,该超声检查由能够确认病症达到充分高的准确度的专门医师执行。在大多数情况下,在进行超声检查之前执行D-二聚体血液测试。
然而,为了使确认的诊断达到充分的可靠性,需要进行超声检查,并且应当由DVT专门医师执行该超声检查。这种情况的一个原因是D-二聚体血液测试可以在具有高确定性的情况下排除肺栓塞(以下称为PE)。由于许多患有DVT的患者进展为患有PE,这是患有DVT的那些患者的主要死因,因此D-二聚体测试有助于检测是否存在PE风险。然而,D-二聚体测试虽然对PE具有高敏感性但是对于存在多少风险的特异性低——即它只能结论性地指示是否没有PE的风险,因为如果测试返回阴性结果,则患者出现PE的概率非常低。如果D-二聚体测试返回阳性结果,则患者可能患有DVT或许多其他病症——测试可能由于许多不同原因而经常返回阳性结果,因此患者在阳性结果之后则几乎总是被送去进行由DVT专门医师进行的超声扫描。
作为获得针对DVT的充分可靠的确认诊断的唯一途径,被转诊以由DVT专门医师进行超声扫描的患者数量和随之发生的工作量可能相对于医院中专业的DVT放射科医师的数量非常大。在被转诊的患者中,尽管大量被转诊的患者的D-二聚体血液测试的结果为阳性,但是这些被转诊的患者中的许多患者得到关于DVT的阴性诊断。因此,由于需要使用专业的人员和装备进行大量的测试,因此这种假阳性率导致显著的成本,并且由于假阳性率高而导致低效率。例如,对于英国,在2004年,估计每年花费6.4亿英镑用于应付DVT和PE的组合(统称为静脉血栓栓塞或VTE),而对于美国,估计在2011年每年花费100亿美元。
在DVT诊断通过由DVT专业放射科医师执行的超声扫描确认之后,典型地,患者在3个月至其余生的任何时间的时间段被开具抗凝药物(例如肝素或华法林)。
对于前线医疗专业人员来说,因为症状与其他不太严重的病症重叠,所以很难更准确地评估DVT。
对于患者而言,可能难以参加与专业的DVT放射科医师的预约,因为这些执业医生典型地仅驻扎在为大型集水区服务的大型医院,因此,由于D-二聚体测试的高假阳性率,所以患者可能纠结是否去这些医院赴约以获得明确诊断,仅针对大多数没有被诊断患有DVT的患者。有时偏远地区的患者无法接近所需的专业的人员和/或装备。在其他情况下,由于专业的人员数量有限和/或装备可用性有限,因此患者在医院被看诊之前经历了显著的延误——这可能导致监测例如术后患者的问题。
不能或没有参加与专业DVT放射科医师的预约的患者典型地被开具用于预防性治疗的抗凝剂,但是没有基于仅D-二聚体测试的DVT诊断是正确的任何确定性,因此这样的处方在许多情况下不必要。这对于前线人员访视的、无法参加与医院的专门医师的预约的患者例如养老院的居住人员尤其是这种情况——前线人员无法诊断DVT,因为他们没有专业知识或装备,因此只能开具或布置预防性药物的处方。在某些情况下,对于患有具体病症或其他没有确诊的病症诸如高龄(年龄超过65岁的患者)、癌症、肾功能衰竭、肝功能衰竭、共病和降低的功能能力的患者,不适当的抗凝剂处方可能增加出血的风险。
发明内容
相对不贵的超声波机器——典型地是手持式的——最近变得可用。这些较便宜和/或较小的超声波机器可以用于诊断DVT和相关病症,但仅在由专门医师使用时和/或在专业放射科医师正确地解读超声图像时才可以进行所述诊断。
本发明涉及一种可以与超声装备——包括但不限于这些最近可用的不贵和/或较小的超声机器——一起使用的方法和系统,以辅助非专门医师使用超声装备来执行超声检查,和/或辅助非专门医师以非常高级别的准确性诊断(或非)患者——特别是关于执行针对DVT的超声检查和/或诊断DVT(或相关病症)。
根据本发明的第一方面,提供了一种用于诊断血管是否被阻塞的设备,包括用于与成像装置进行通信的接口并且包括用户接口和处理器,该成像装置包括发射器和接收器,该处理器被编程以执行以下步骤:通过用户接口通知用户在患者的身体上放置成像装置的位置;指示成像装置从探头发射辐射;从成像装置接收反射辐射;使用学习到的算法完全自动解读反射的信息;根据反射辐射确定成像装置是否相对于患者的血管被正确定位;如果成像装置没有被正确定位,则通知用户重新定位成像装置并重复所述指示步骤、接收步骤和确定步骤,直到成像装置被正确定位;通知用户使用成像装置对患者的血管施加压力;指示成像装置发射另外的辐射;从成像装置接收另外的反射辐射;以及根据至少另外的反射辐射确定血管是否被阻塞。该系统可以被布置成通过重新训练和/或重新标记新图像来与任何其他实时成像装置一起工作。它也可以与其他非实时方法例如CT和MRI一起工作。例如,使用压力袖带:在未压缩的情况下扫描,在压缩的情况下扫描,评估差异。问题可能更简单,并且设置更昂贵,但相同的流水线布置仍然可以工作。关于CT和MRI扫描,仍然需要熟练医疗专业人员到场进行扫描。学习到的算法可以包括机器学习的一个或多个元素,并且/或者已经使用机器学习进行开发。
可选地,从成像装置接收的反射辐射和另外的反射辐射包括图像数据。
图像数据常规地用作来自许多医疗装置的输出,并且可以提供关于患者的有用信息。
可选地,处理器还被编程以指示成像装置连续地进行发射和接收。可选地,处理器还被编程以根据至少另外的反射辐射确定用户是否正在对患者的血管施加预定压力,并且如果确定用户没有正在对患者的血管施加预定压力,则还通知用户移动成像装置,以便相应地调整压力。
可能是有利的是,设备的用户能够接收关于患者以及还有设备是否被有效使用的恒定信息。这允许用户在必要时进行调整,以及允许提供清晰的信息。
可选地,设备包括成像装置。可选地,成像装置被布置成发射超声信号。
生产这样的成像装置可能不贵,并且这样的成像装置在多个医院和相关的健康诊所中容易可用。
可选地,处理器被编程以使用机器学习算法和/或深度学习算法中的一种或多种算法来确定血管是否被阻塞。
可以被称为机器学习的较广泛术语内的特定技术的深度学习可以是监督的、半监督的或无监督的。深度学习架构可以应用于广泛的领域——包括医学图像分析——并且一般地通过特征和/或表示来学习,从而允许它们以准确和有效的方式从原始数据中检测相关的信息。
可选地,处理器还被编程以提供专家模式,在专家模式中,超声图像被直接提供至用户接口。这样的模式对于不需要来自设备的关于该设备的使用的任何反馈的熟练的执业医生可能是有帮助的。
根据本发明的另外的方面,提供了一种计算机可读介质,该计算机可读介质包括由处理逻辑执行以用于使具有成像探头和用户接口的装置诊断血管阻塞的指令,该指令包括以下步骤:通过用户接口通知用户在患者的身体上放置成像探头的位置,指示探头从探头发射辐射,从探头接收反射辐射,根据反射辐射确定探头是否相对于患者的血管被正确定位,如果成像探头没有被正确定位,则通知用户重新定位成像探头并重复所述指示步骤、接收步骤以及确定步骤,直到探头被正确定位,通知用户使用探头对患者的血管施加压力,指示探头发射另外的辐射,从探头接收另外的反射辐射,以及根据至少该另外的反射辐射确定血管是否被阻塞。
根据本发明的另外的方面,提供了一种使用成像探头和与成像探头通信的计算装置来诊断血管阻塞的方法,该计算装置包括用户接口,该方法包括:通知用户在患者的身体上放置成像探头的位置,从探头发射辐射,在探头处接收反射辐射,根据反射辐射确定成像探头相对于患者的血管是否被正确定位,如果成像探头没有被正确定位,则通知用户重新定位成像探头并重复发射步骤和确定步骤,直到探头被正确定位,通知用户使用探头对患者的血管施加压力,从探头发射另外的辐射,在探头处接收另外的反射辐射,以及根据至少另外的反射辐射确定血管是否被阻塞。
可选地,从探头发射的辐射是超声辐射。可选地,辐射在整个诊断过程中被持续地发射。可选地,诊断血管阻塞的方法包括下述步骤:根据另外的反射辐射确定用户是否正在对患者的血管施加正确的压力,并且如果确定用户没有正在对患者的血管施加正确的压力,则在确定血管是否被阻塞之前重复压力通知步骤。
发射的辐射可以呈利用声波的声波辐射的形式,具体地超声波的形式。这些波呈穿过待分析的介质的压力波的形式,并且在该实施方式中不是电磁波。术语“能量”可以与从探头发射的辐射互换使用,通过机器学习算法和/或深度学习算法中的一种或多种算法来执行用于确定血管是否被阻塞的步骤。
根据本发明的另外的方面,提供了一种使用用于诊断血管阻塞的设备来诊断血管阻塞的方法,该方法包括:使患者准备进行诊断;准备用于诊断的探头;将探头放置在患者上位于由设备指示的位置处;按照设备所指示,使探头在患者上移动;按照设备所指示的,压缩患者的血管;以及从设备获得关于是否疑似存在血管阻塞的指示。
可选地,多普勒成像可以与上述方面一起使用,以确定血液流动速度以及血液流动的方向。使用B模式成像和多普勒技术的组合可以增加所描述的方面中的一些或所有方面的准确性。
附图说明
现在将仅通过示例并参考具有类似附图标记的附图来描述实施方式,附图中:
图1示出了耦接至计算装置的超声探头;
图2示出了在服务器-多客户端模式下使用系统的示意图;
图3示出了系统的概观;
图4示出了示例性高级别软件层架构概观;
图5示出了在多级缓冲系统上的详细概观,以保证实时性能;
图6示出了由最大移动周界包围的抽象脉管表示;
图7示出了根据实施方式的由用户执行的一组步骤;
图8示出了用于DVT检查的典型工作流程。
图9至图13示出了在患者测试期间要进行的一系列示例UI图像。
具体实施方式
本发明的实施方式主要包括两个部分,例如图1中所示出的超声探头100和具有用户接口的计算装置101。
超声探头100以常规方式操作,即,超声探头发射超声辐射并接收由患者的组织反射的超声辐射。许多超声探头适合于与本发明的实施方式一起使用,只要它们具有合适的形状因子(即足够小,以被正确地放置在患者的身体上)并且具有足够的能力和灵敏度(即,可以发射深入到足以进入患者的组织的超声波并且检测反射的超声辐射)。合适的超声探头100是Philips LumifyTM便携式超声探头,该便携式超声探头方便地包括USB接口,以用于连接至计算装置,诸如智能手机或平板电脑(未示出)。Clarius TM探头也可以被使用并通过因特网连接诸如WiFi连接至计算装置。注意,其他计算装置101也适用于实施本发明,探头和计算装置可以通过除了有线连接之外的方式(例如,无线地)进行通信,或者甚至可以组合成单个单元。
机器学习算法和模型可以在单个(例如移动的)计算装置上或服务器-客户端模式下执行。在图2中描绘了后者。在服务器-客户端模式下,恒定的图像流被流式传输到充当服务器的计算装置。服务器处理图像,评估是否可以看到相关脉管(vessel,血管),是否已经找到标志(landmark,地标),和/或脉管是否能够实时压缩。该信息被转发至轻量级客户端计算装置,例如,已经例如通过WiFi与服务器建立了私人数据连接的平板电脑或移动电话。数据可以在轻量级的例如基于浏览器的用户接口201、202中进行显示。用户能够连接多于一个的用户接口装置,例如以用于训练或监测目的。在这样的实施方式中,一个或多个观察用户202可以从主用户201获取他们的显示。
机器学习是下述研究领域:在所述研究领域中,一个或多个计算机使用反馈来学习执行各种任务,该反馈是根据机器学习过程在计算机执行这些任务期间获取的、收集的经验或数据生成的。
典型地,虽然存在具有特殊规则、技术和/或方法的特别的方法,诸如强化学习和半监督学习,但是机器学习可以被广泛地分类为监督方法和无监督方法。监督机器学习涉及计算机学习一个或多个规则或功能以在操作员或程序员预定的示例输入和期望输出之间进行映射,通常是在包含输入的数据集被标记的情况下进行。
无监督学习涉及例如在执行模式识别时确定输入数据的结构,并且典型地使用未标记的数据集。强化学习涉及使一个或多个计算机能够例如在玩游戏或驾驶车辆时与动态环境进行交互。
这些类别的各种混合是可能的,诸如其中训练数据集仅被部分标记的“半监督”机器学习。对于无监督机器学习,存在一系列可能的应用,诸如,例如,计算机视觉技术应用于图像处理或视频增强。无监督机器学习典型地应用于解决数据中可能存在未知数据结构的问题。由于数据没有被标记,因此需要运行机器学习过程例如通过基于内部得出的信息得出聚类度量来识别数据之间的隐含关系。例如,无监督学习技术可以用于降低数据集的维度,并尝试识别数据集中的聚类之间的关系以及对该关系进行建模,并且例如可以生成聚类成员资格的度量或识别聚类之间的毂或节点(例如,使用称为加权相关网络分析的技术,该技术可以应用于高维度的数据集,或使用k均值聚类来通过测量每个数据之间的欧几里德距离来聚类数据)。
半监督学习典型地应用于解决存在部分标记的数据集的问题,例如标记了仅数据的子集的问题。半监督机器学习利用外部提供的标记和目标函数及任何隐含数据关系。在最初配置机器学习系统时,特别是在使用监督机器学习方法时,机器学习算法可以被提供了一些训练数据或一组训练示例,在这些训练示例中每个示例典型地为下述两方面的一对,所述两方面中的一方面为输入信号/矢量,所述两方面中的另一方面为期望的输出值、标记(或分类)或信号。机器学习算法分析训练数据并产生广义函数,该广义函数可以与看不见的数据集一起使用以产生用于看不见的输入矢量/信号的期望输出值或信号。用户需要决定将哪种类型的数据用作训练数据,以及准备代表性的真实世界数据集。然而,用户必须注意确保训练数据包含足够的信息,以在没有提供太多的特征的情况下(这可能引起机器学习过程在训练期间考虑太多维度,并且还可能意味着机器学习过程不会收敛于用于所有示例或特定示例的良好解决方案)准确地预测期望的输出值。用户还必须确定学习到的或广义的函数的期望结构,例如是否使用支持矢量机或决策树。
在标记数据不易可用时或者系统鉴于一些初始种子标记根据未知数据生成新标记的数据的情况下,有时使用无监督或半监督机器学习方法。
可以通过使用下述中的一项或多项来执行机器学习:非线性分层算法;神经网络;卷积神经网络;递归神经网络;长短期记忆网络;多维卷积网络;记忆网络;或者在生成预测的视觉数据块时允许灵活的方法的门控递归网络。使用具有记忆单元诸如长短期记忆网络(LSTM)、记忆网络或门控递归网络的算法可以保持来自在相同原始输入帧上执行的运动补偿过程的预测块的状态。这些网络的使用可以提高计算效率并且还提高跨若干帧的运动补偿过程中的时间一致性,因为算法维持运动变化的某种状态或记忆。这还可以引起错误率的降低。
图3示出了图像获取系统/装置305——可选地为探头——和计算装置101的高级别框图。图像获取装置305包括发射器(TX)和接收器(RX)300,发射器和接收器可以发射超声辐射和接收超声辐射;处理器301,该处理器包括处理单元和存储器,可选地其中,处理单元是中央处理单元(CPU)并且可选地其中,存储器是随机存取存储器(RAM),可选地其中,处理器301包括硬盘驱动器(HDD)和/或图形处理单元(GPU)。图像获取系统/装置的组件可以通过数据总线304进行通信。可选地,图像获取系统/装置还包括显示器和用户接口组件303。图像获取系统/装置305在计算装置中的软件的控制下运行,以将超声辐射发射到患者并通过输入装置和输出装置302(诸如触摸屏)将反射信号返回到计算装置101。去往计算装置101的反射信号可以可选地通过包括输入和输出装置302的用户接口303。在计算装置101内,存在接口310、处理器和存储器311、以及包括输入装置和输出装置310(例如触摸屏)的用户接口。计算装置的组件可以通过数据总线313进行通信。图像获取系统/装置305和计算装置101通过它们各自的输入/输出硬件312、302进行通信,这可以是例如通过USB连接、其他有线连接、通过蓝牙和/或其他有线或无线连接。
为了促进上述情况,以下概述了确保每个所获取的帧被处理的方法,可以通过多缓冲异步通信系统确保超声探头100和计算装置101之间的鲁棒输入/输出(I/O)通信。在图4中概述了预测装置软件层的架构400。这确保了以先进先出(FIFO)的方式处理实时性能帧。如果由于未预见到的情况(例如操作系统引起的)而发生处理能力下降,则所提出的方法将丢弃帧来维持实时性能并指示用户。
为了打破诊断和指导的复杂性,如图4所示,软件按层进行设计。这些层包括预测层401、决策层402和前端层403。每个层仅与其相邻层进行通信,类似于TCP/IP堆栈。图像获取、图像分析、诊断决策的不同任务以及GUI和用户指令在不同层中相互分离。图5中概述了预测层、决策层和前端层的目的。
该系统的软件部分是多线程应用,目的在于提供对输入超声图像流的实时分析。每个层由组件、缓冲区、项和事件循环组成。每个组件就其本身而言是线程,代表用于进入的图像或事件的处理单元。缓冲区是线程安全的工作队列,用以在组件之间共享处理的数据。缓冲区中的共享数据被包裹在队列项中。事件循环用于在组件之间异步地通信。
如图5所公开的系统分为三个主要部分:
(1)预测层401是最低级别的层。该层根据从手持式超声探头例如ClariusTM推出的图像流获取图像,然后利用预测模块中与DVT相关的机器学习模型分析图像内容。这些模型可以包括异步地执行预测的打开/闭合状态检测(“OC”)和/或平面检测(“PD”)模型。在施加压力之后,可以进行脉管的状态检测。PD模型可以可替代地或附加地包括标志检测和/或解剖参考平面检测。前端帧在被拉到图形用户接口(GUI)之前可以在前端帧队列501中排队。其他帧在被拉到预测器模块之前可以在帧队列502中排队。从探头以稳定的FPS一致地读取图像。一旦图像从探头被传输到预测层,图像就通过适当的机器学习模型实时运行。以预测帧队列503的形式为下一层提供预测输出以及原始输入图像。预测帧队列503从预测器模块被推出并被拉到决策者模块。
(2)决策层402为决策者模块内的呈现系统提供诊断决策逻辑。它采用图像流的经分析的输出。该层验证当前序列是否与DVT诊断检查具有临床相关性。它决定当前序列中是否存在凝块。如果当前图像序列代表错误执行的检查,则它决定必须重复检查。所有这些决策都包含了给操作员用以执行有效检查的指令,并且指令如果被正确地执行,则包含诊断的最终状态。这些决策被建模为状态机。每次做出决策时,由通过调度员模块504传输的一个或多个消息通知前端层。前端和/或GUI自身能够操作以检测消息。
(3)前端层403是最顶部的层。它包含图形用户接口。GUI使决策层的决策和输入可视化。每次作出新决策时,它都会相应地做出反应。该层采用操作员配置输入,例如哪条腿被检查。这些配置被传播回决策层和预测层。
计算装置101被布置成提供用于驱动超声装置100的适当指令,以指示用户(其典型地将不是超声成像专门医师或放射科医师)如何将探头100放置在患者上并解读反射的信号。解读信号以确保探头100被正确地放置并确定患者是否有血凝块例如DVT的风险可能涉及以下部分:
(1)从探头传输来的恒定图像流被自动且实时地分类为包含指定扫描区域中的正确脉管的图像或不包含指定扫描区域中的正确脉管的图像。这是使用机器学习技术(卷积神经网络)实现的,该机器学习技术已经在大量(常规地>100)正确获取的DVT检查上进行训练。如果没有识别出脉管,则指示用户在所定义的感兴趣区域中移动探头,直到相关脉管位于探头视场的中心。一旦当前获取的图像包含期望的脉管,系统就向用户提供反馈并且指示用户保持该位置。如果获取了正确脉管的图像或者如果用户移出期望的成像区域,则在整个(2)中不断地监测图像流。
(2)在正确的脉管上将指导简化到一个自由度。如果识别出正确的脉管,则系统指示用户沿着该脉管移动,即“向上”或“向下”(例如,在腹股沟区域检查的情况下朝向生殖器区域或膝盖)直到预定义数量的标志中的第一个标志被识别。标志的识别基于机器学习(卷积神经网络)并且已经在先前的DVT检查上进行训练。一旦找到起始标志,系统就在评估(3)的同时通知用户并指示施加压力。如果(3)成功,则系统指示用户沿着脉管“向下”(例如,在腹股沟测量的情况下朝向膝盖)移动,直到自动识别下一标志。在多个(2至8个)预定义标志中的每个标志处评估(3)。
(3)如果满足(1)和(2),即系统确定检查到相关脉管(1)并且确定探头位置与标准DVT检查协议标志对应,则指示用户用探头施加压力。使用机器学习模型(卷积神经网络)自动评估所得到的图像流,该机器学习模型已经在来自DVT检查的数据上进行训练。如果系统鲁棒地即针对超过限定数量的帧将脉管识别为压缩的,则用户被给予正反馈并且被指示进一步“向下”移动到下一标志,直到所有标志已被识别为能够压缩的脉管。如果其中一个标志没有被识别为能够压缩的,则患者被转诊以由专家进行另外的检查。
指导不一定需要对所提出的方法进行外部跟踪。指导信息根据仅图像信息和先前训练的机器学习检查模型自动得出。如果探头移出感兴趣区域太远并且脉管未包含在图像流中,则指示用户从部分(1)开始并且回到检查协议的起始标志进行处理。在该实施方式中,所有预定义的标志必须满足部分(3)以产生针对DVT的阴性诊断,并且所有决策都被过滤以提供时间一致性。这可以通过卡尔曼滤波和长短期记忆单元来实现。
用于计算装置101的软件可以预先安装在装置上、从远程服务器(诸如从应用商店)下载或者从本地存储诸如光盘加载。
虽然以下实施例涉及深静脉血栓(DVT),但是技术人员将理解该技术可以应用于其他医学成像任务和/或脉管相关评估,诸如:检测腹主动脉瘤;颈动脉狭窄;肾结石;胆结石;睾丸扭转;其他形式的动脉粥样硬化;和/或肾脏病学领域内的其他应用,诸如瘘管评估。
在一些实施方式中,在软件的控制下的计算装置101必须提供硬件控制器以适当地控制超声探头100。在其他实施方式中,计算装置101仅与探头100进行交互以使探头100以使用装置101所需的方式操作。系统可以为多个探头和感兴趣的区域提供预定义的最佳设置。可选地,自动提供超声探头特异性设置,以针对指示的检查协议调整所使用的超声探头。
附加地,超声探头100通常将提供接口,该接口用于控制深度、增益、聚焦和变焦。这些术语是众所周知的,因为它们是用以检测DVT的适当设置。一旦数据被送入系统,图像就可以自动被调整,但可替换地也可以让用户来调整图像。一些型号的超声探头100能够有一定程度的自动配置。在一些实施方式中,计算装置101还包括接口,以从探头100接收超声信号/数据。
计算装置101还必须提供由超声探头生成的图像的计算机视觉和分析。
一旦计算装置已经接收了反射图像,就执行自动脉管分段的附加任务。这是使用机器学习模型(卷积神经U-net)实时实现的,该机器学习模型已经在对若干(常规地>100)DVT检查的像素方面的专家注释上进行训练。在一个实施方式中,通过用户接口以高级别的抽象形式向用户提供分段的结果。该形式可以是代表脉管壁的可变形的圆,其根据当前检查的标志处解剖学情况进行排列。对“原始”超声图像的解读常规地需要专家,因此向用户提供示出仅感兴趣的一个或多个静脉的简化视图,从而简化用户的任务。当前变形状态被转化为用户接口中的呈现的圆的变形。视场被表示为简单框,并且相对于框的圆位置代表脉管相对于超声图像的帧的真实位置。这向用户提供反馈以保持脉管居中并且不将脉管移出脉管居中的指导所需的视场。图3中示出了实施例。下面将参考图9至图13进一步讨论这样的视图。
参考图6,圆600表示抽象脉管表示,并且周围的黑框605代表最大移动周界。如果圆600在黑框605外面,则可以重置协议。查看一系列分段的脉管,系统可以实时重建静脉的3D模型。该模型可以与脉管边界、开闭状态、DVT预测、压力、角度和身体部分信息一起使用,以为用户生成反馈循环。因此,每当新的图像信息可用时(通常以约每秒20帧),新信息就对系统可用,以在检查期间使用户安心或纠正用户。
在至少一些实施方式中使用学习到的方法——包括机器学习和/或深度学习——执行上述任务。在该实施方式中,采用深度学习方法,利用了一种或多种深度学习算法。这些深度学习任务中的每个任务将在计算装置上实时运行。深度学习是基于受人类大脑启发并使用软件实现的神经网络的算法的机器学习的子领域。一个或多个算法基于标记的数据集进行预测并且执行图像分析。所使用的算法可以包括卷积神经网络、具有跳跃连接的U-Nets、和/或长短期记忆(LST)算法。还存在基于鲁棒的分段利用启发法确定一个或多个学习到的方法的选项。在一个实施方式中,使用深度学习网络直接根据图像中得出该信息,然而,也可以使用例如分段网络(或任何其他鲁棒的分段方法)来生成良好的分段,并且手动实现程序逻辑(例如,对管腔体素的数量进行计数,直到它们小于某个阈值,然后脉管是能够压缩的)。
这些深度学习任务中的每个深度学习任务都需要标记的数据集。标记的数据集是示出DVT检查的一组超声图像,在这些图像中,血管被明确标记。虽然对于这些任务中的几个任务可以使用相同的原始超声图像,但是在该实施方式中提供了用于每个任务的独特的一组标记。标记数据是耗时的事情,还需要医学知识来验证标记的准确性。最后,不准确的标记会导致不准确的预测。一定比例的不准确的标记(常规地在1%至10%之间)对于深度学习方法是可接受的,因为学习到的模型以一般方式采用最普遍和最重要的特征。虽然异常值在这样的方法中不是显著的问题,但是可以通过专家的手动数据卫生和模型验证来缓解。对于后者,显示原始超声图像以及计算的标记、决策标准和分段的接口是可用的。
最后,在计算装置上运行的算法提供用户接口以指示用户做什么。下面参考图9至图13讨论来自合适的图形用户接口的图像,并且技术人员将容易地知道如何实现合适的接口。
在计算装置101上运行的算法还可以被布置成提供以下的增强。
可以针对脉管指导、标志验证和压缩性状态识别的任务单独地执行和训练机器学习算法或者将所有任务组合在单个网络架构中并同时训练所有任务,即所谓的端到端训练。所公开的系统允许两种方法。单独的模型和组合的模型可以对于各个任务实现相同的准确性。然而,组合的、端到端训练的机器学习模型相较于单独的任务处理需要较少的潜在参数和较少的计算资源。端到端机器学习方法可以被压缩到一个小的尺寸,因此它比单独的模型显著快,需要较少的存储器,并且对于在移动计算装置上以至少每秒20帧的实时处理来说在计算上是轻量级的。
确定探头上是否有足够的凝胶。因为在没有足够的凝胶来对去往/来自患者的组织的超声辐射进行耦接时超声图像质量劣化,因此系统优选地被布置成在适当时通知用户将凝胶重新施加至探头(或患者)。因为图像数据正在恶化,因此算法可以告诫用户探头上需要更多的凝胶。
为了物理地确定患者中是否存在血凝块,需要以系统方式压缩静脉。在指示用户对正被测试的患者静脉的每个部分执行物理压缩步骤时,可以从图像序列的变化推断出相对压力。这有助于向用户指示在压缩阶段期间施加太多或太少的压力,例如不期望擦伤患者。如果静脉没有压缩,这可能意味着压力太小或DVT。如果静脉没有压缩,则系统将指示继续尝试。如果尽管以合理的方式按压但仍然无法实现压缩,则操作员决定在此时停止并咨询专家。
根据反射图像的性质,算法可以确定探头已经施加到患者的角度。典型地,用户应保持探头垂直于患者的皮肤,并且如果不是这种情况,则建议用户对此进行改正。
算法还可以提供对身体部分的登记。这意味着可以自动确定探头的当前位置(膝盖、大腿等)。典型地,这通过识别放射科医师在检查开始时将使用的所谓“标志”来完成。在这些标志中患者患有DVT的患病率很高。因此,特别的测试的性质可以与相关结果一起被存储。这免去了用户例如必须在物理检查期间的任何时刻或在探头收集到感兴趣的数据点时手动地向软件识别探头的确切位置。
该软件还可以设置有对要进行的诊断程序的介绍——这可以是用户可以向患者展示的短视频。
还可以为用户提供程序的“演练”——再次,这可以是短视频,以教导或提醒用户他或她将要做什么,并且如果不需要则可以跳过。
现在将描述由软件指示并由用户进行的实际过程。
图7示出了根据实施方式的由用户执行的一组步骤。这些步骤可以被提供给用户,以便允许他们有效地操作设备。
图8示出了进行DVT检查的典型工作流程。在已经使患者准备好之后,系统指示用户将探头放置在限定的检查区域中。用户探测该区域,直到系统自动检测到相关脉管。如果可以看到正确的脉管,则在检查期间对其进行永久性评估。如果识别出脉管,则指示用户沿着脉管移动直到到达标志1。通过类似于图6中所示的接口那样的接口提供反馈。如果自动识别标志,则指示用户压缩脉管。如果该方法在标志位置处将脉管识别为能够压缩,并且压缩本身被有效地执行,则它指示用户移动到下一标志,直到检查区域完成并且已经处理了所有定义的标志。如果脉管在某个标志处不能够压缩和/或压缩被身没有被有效地执行,则询问用户他们是否已经尝试过这个过程五次。尝试的数量可以变化,但是在该实施方式中被设定为5。如果在这五次尝试之后,脉管仍然在该某个标志处不能够压缩和/或压缩本身没有被有效地执行,则将患者转诊给专门医师。如果探头被移动到检查区域外部,则指示用户针对该脉管在第一个标志处重新开始。如果所有检查区域中的所有标志被自动识别为能够压缩,则让患者从临床工作流程离开。
图9示出了患者900的腿,包括常规地进行检查的三个主要区域:腹股沟902、大腿903和膝盖904。图10示出了DVT检查中的感兴趣静脉1000和1001的简化视图。
图11中,特征1100示出了将探头垂直于患者皮肤放置,从患者右腿的腹股沟区域开始。然后,系统如上面所讨论那样对返回的超声数据进行解读,以指示用户放置探头,直到血管被如图11中的特征1101那样定位。这可以通过计算机装置上的图形用户接口方便地完成。除了通知用户正确的位置外,系统还可以通知用户探头是否垂直。
一旦血管被定位,系统就会指示用户放置探头,直到腹股沟中的标志被定位。重复这一过程,直到生成了腹股沟中血管的合适的3-D图。图13示出了两个这样的血管的扩展的简化视图。
系统现在确定对哪些静脉进行针对DVT的测试并指示用户如图11中的1102那样压缩血管,并且示出了其中仅示出了感兴趣的静脉的又一简化视图。指示用户如图11中的1102那样压缩静脉,并且系统评估压缩性。
图11中,特征1103示出了通过施加压力而成功闭合的静脉,而图11中的特征1104示出了没有成功闭合并且疑似患有DVT的静脉。
图11示出了向用户示出的可能的视图,其中身体位置视图示出了身体的微型模型,该微型模型示出了探头的大致位置。3D视图示出了当前评估的脉管段的较大模型,而横断视图示出了静脉的横切。所有这些视图在探头被移动或脉管被挤压时都会实时更新。
然后,系统指示用户释放血管,并且如果确定存在DVT的风险,则其警告用户。对患者的其他静脉/区域和腿重复该序列。系统可以被布置成告知用户该脉管肯定是能够压缩的,即肯定不存在DVT。如果它不能够压缩,可能还有其他原因,并且需要被转诊找专家级放射科医师。系统将继续指示压缩当前标志,直到操作员放弃。
图12中示出了使患者准备的第一步。该位置允许在检查期间良好的血液流动并且允许良好的接近以对静脉进行压缩。
接下来,用户准备探头,在尖端上涂覆凝胶。凝胶确保超声波的良好传输,并且通常必须在检查期间补充。
可选地,该测试将包括检查常见的股静脉(腹股沟中)、腘窝(膝盖处)、股浅静脉(大腿中)以及隐静脉(小腿中)。如果两条腿中所有这些静脉测试针对DVT风险均为阴性,则可以让患者离开。如果存在阳性测试,则应将患者转诊以由专门医师进行的另外的扫描或进行其他另外的治疗。
虽然计算装置被公开为平板电脑或智能电话,但是同样可以使用具有用户接口和处理器的其他装置,诸如膝上型电脑、PC或PDA。
本发明不限于手持式和/或较便宜的超声波装置。本发明的原理同样可以通过将本发明的功能添加到独立的超声成像装置诸如在较大的医院部门中常见的超声成像装置来实施。
虽然本发明的实施方式着重于提供能够由没有专业技术的那些人员使用的易于使用的装置,但是它们可以还可以设置有“专家模式”,在专家模式中,计算装置的显示器可以附加地被布置成显示实际的超声图像。该显示可以包括关于分类决策背后的推理的自动生成的注释和信息。在用户咨询确实具有解读“原始”超声图像能力的更有经验的同事时,这可能是有用的。
虽然已经示出了包括可视屏幕的用户接口,但是可替代地或附加地可以使用其他用户接口,例如向用户发出口头指令的音频接口。
Claims (16)
1.一种用于诊断血管是否被阻塞的设备,包括:
接口,所述接口用于与成像装置进行通信,所述成像装置包括发射器和接收器,
用户接口,以及
处理器,所述处理器被编程以执行以下步骤:
通过所述用户接口通知用户在患者的身体上放置所述成像装置的位置,
指示所述成像装置从探头发射辐射,
从所述成像装置接收反射辐射,
使用学习到的算法完全自动地解读反射的信息,
根据所述反射辐射确定所述成像装置是否相对于所述患者的血管被正确定位,
如果所述成像装置没有被正确定位,则通知所述用户重新定位所述成像装置并重复所述指示步骤、接收步骤以及确定步骤,直到所述成像装置被正确定位,
通知所述用户使用所述成像装置对所述患者的血管施加压力,
指示所述成像装置发射另外的辐射,
从所述成像装置接收另外的反射辐射,以及
根据至少所述另外的反射辐射确定所述血管是否被阻塞。
2.根据权利要求1所述的设备,其中,从所述成像装置接收的所述反射辐射和所述另外的反射辐射包括图像数据。
3.根据权利要求1或2中任一项所述的设备,其中,所述处理器还被编程以指示所述成像装置连续地进行发射和接收。
4.根据权利要求1至3中任一项所述的设备,其中,所述处理器还被编程以根据至少所述另外的反射辐射确定所述用户是否正在对所述患者的血管施加预定压力,并且如果确定所述用户没有正在对所述患者的血管施加预定压力,则还通知所述用户移动所述成像装置。
5.根据权利要求1至4中任一项所述的设备,还包括成像装置。
6.根据权利要求1至5中任一项所述的设备,其中,所述成像装置被布置成发射超声信号。
7.根据权利要求1至6中任一项所述的设备,其中,所述处理器被编程以使用机器学习算法和/或深度学习算法中的一种或多种算法来确定所述血管是否被阻塞。
8.根据权利要求1至7中任一项所述的设备,其中,所述处理器还被编程以提供专家模式,在所述专家模式中,超声图像被直接提供至所述用户接口。
9.一种计算机可读介质,所述计算机可读介质包括由处理逻辑执行以用于使具有成像探头和用户接口的装置诊断血管阻塞的指令,所述指令包括以下步骤:
通过所述用户接口通知用户在患者的身体上放置所述成像探头的位置,
指示所述探头从所述探头发射辐射,
从所述探头接收反射辐射,
根据所述反射辐射确定所述探头是否相对于所述患者的血管被正确定位,
如果所述成像探头没有被正确定位,则通知所述用户重新定位所述成像探头并重复所述指示步骤、接收步骤以及确定步骤,直到所述探头被正确定位,
通知所述用户使用所述探头对所述患者的血管施加压力,
指示所述探头发射另外的辐射,
从所述探头接收另外的反射辐射,以及
根据至少所述另外的反射辐射确定所述血管是否被阻塞。
10.一种使用成像探头和与所述成像探头通信的计算装置来诊断血管阻塞的方法,所述计算装置包括用户接口,所述方法包括:
通知用户在患者的身体上放置所述成像探头的位置,
从所述探头发射辐射,在所述探头处接收反射辐射,
根据所述反射辐射确定所述成像探头是否相对于所述患者的血管被正确定位,
如果所述成像探头没有被正确定位,则通知所述用户重新定位所述成像探头并重复所述发射步骤和确定步骤,直到所述探头被正确定位,
通知所述用户使用所述探头对所述患者的血管施加压力,
从所述探头发射另外的辐射,在所述探头处接收另外的反射辐射,以及
根据至少所述另外的反射辐射确定所述血管是否被阻塞。
11.根据权利要求10所述的方法,其中,从所述探头发射的辐射是超声辐射。
12.根据权利要求10或11中任一项所述的方法,其中,所述辐射在整个诊断过程中被连续地发射。
13.根据权利要求10至12中任一项所述的方法,还包括下述步骤:根据所述另外的反射辐射确定所述用户是否正在对所述患者的血管施加正确的压力,并且如果确定所述用户没有正在对所述患者的血管施加正确的压力,则在确定所述血管是否被阻塞之前重复压力通知步骤。
14.根据权利要求10至13中任一项所述的方法,其中,通过使用机器学习算法和/或深度学习算法中的一种或多种算法来进行用于确定所述血管是否被阻塞的步骤。
15.一种使用根据权利要求1至9中任一项所述的用于诊断血管阻塞的设备来诊断血管阻塞的方法,所述方法包括:
使患者准备进行所述诊断,
准备用于所述诊断的探头,
将所述探头放置在所述患者上位于由所述设备指示的位置处,
按照所述设备所指示的,使所述探头在所述患者上移动,
按照所述设备所指示的,压缩所述患者的血管,以及
从所述设备获得关于是否疑似存在血管阻塞的指示。
16.一种使用根据权利要求1至9中任一项所述的用于诊断血管阻塞的设备来诊断血管阻塞的方法,包括使用多普勒成像来确定血液流动速度和/或血液流动方向中的一种或多种。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
GB1703575.9 | 2017-03-06 | ||
GBGB1703575.9A GB201703575D0 (en) | 2017-03-06 | 2017-03-06 | Blood vessel obstruction diagnosis method, apparatus & system |
GB1802211.1 | 2018-02-09 | ||
GBGB1802211.1A GB201802211D0 (en) | 2017-03-06 | 2018-02-09 | Blood vessel obstruction diagnosis method, apparatus and system |
PCT/GB2018/050559 WO2018162888A1 (en) | 2017-03-06 | 2018-03-06 | Blood vessel obstruction diagnosis method, apparatus & system |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110381846A true CN110381846A (zh) | 2019-10-25 |
CN110381846B CN110381846B (zh) | 2022-11-04 |
Family
ID=58543767
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880016176.2A Active CN110381846B (zh) | 2017-03-06 | 2018-03-06 | 血管阻塞诊断方法、设备及系统 |
Country Status (6)
Country | Link |
---|---|
US (1) | US11464477B2 (zh) |
EP (1) | EP3592242B1 (zh) |
JP (1) | JP7089233B2 (zh) |
CN (1) | CN110381846B (zh) |
GB (2) | GB201703575D0 (zh) |
WO (1) | WO2018162888A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114052795A (zh) * | 2021-10-28 | 2022-02-18 | 南京航空航天大学 | 一种结合超声自主扫描的病灶成像及防误扎治疗系统 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201703575D0 (en) | 2017-03-06 | 2017-04-19 | Thinksono Ltd | Blood vessel obstruction diagnosis method, apparatus & system |
JP6885908B2 (ja) * | 2018-09-27 | 2021-06-16 | 富士フイルム株式会社 | 超音波診断装置および超音波診断装置の制御方法 |
US20220225963A1 (en) * | 2019-05-31 | 2022-07-21 | Koninklijke Philips N.V. | Methods and systems for guiding the acquisition of cranial ultrasound data |
CN110507357B (zh) * | 2019-08-30 | 2020-07-31 | 浙江大学 | 一种舌下微循环检测装置、系统及其处理方法 |
WO2023132846A1 (en) | 2022-01-06 | 2023-07-13 | Rowan University | Training a neural network for a predictive aortic aneurysm detection system |
Citations (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000229078A (ja) * | 1999-02-10 | 2000-08-22 | Japan Science & Technology Corp | 血管病変診断システムおよび診断プログラム記憶媒体 |
US6589164B1 (en) * | 2000-02-15 | 2003-07-08 | Transvascular, Inc. | Sterility barriers for insertion of non-sterile apparatus into catheters or other medical devices |
CN1765330A (zh) * | 2004-10-28 | 2006-05-03 | 索诺塞特公司 | 超声血管测量设备和方法 |
WO2006061829A1 (en) * | 2004-12-06 | 2006-06-15 | Glucon Inc. | Photoacoustic intravascular probe |
CN1914617A (zh) * | 2004-02-03 | 2007-02-14 | 美国西门子医疗解决公司 | 与心脏有关的疾病和病症的自动诊断和决策支持系统和方法 |
CN101208045A (zh) * | 2005-05-06 | 2008-06-25 | 威索诺瓦公司 | 用于血管内装置导向和定位的方法和设备 |
US20080269605A1 (en) * | 2007-04-25 | 2008-10-30 | Shigemitsu Nakaya | Ultrasonic diagnostic apparatus and image display method thereof |
CN101351157A (zh) * | 2006-01-03 | 2009-01-21 | 皇家飞利浦电子股份有限公司 | 用于定位血管的方法和系统 |
US20090093807A1 (en) * | 2007-10-03 | 2009-04-09 | Searete Llc, A Limited Liability Corporation Of The State Of Delaware | Vasculature and lymphatic system imaging and ablation |
CN101854853A (zh) * | 2007-06-26 | 2010-10-06 | 威索诺瓦公司 | 使用生理参数进行血管内装置引导和定位的设备和方法 |
CN102512206A (zh) * | 2011-12-13 | 2012-06-27 | 苏州生物医学工程技术研究所 | 血管内超声超声诊断与光声治疗装置及其治疗方法 |
CN102763122A (zh) * | 2010-02-17 | 2012-10-31 | 茂福公司 | 生物检测传感器支承件的安放区域上人体部位的定位检测方法和装置 |
CN103337096A (zh) * | 2013-07-19 | 2013-10-02 | 东南大学 | 一种冠状动脉ct造影图像钙化点检测方法 |
US8629888B1 (en) * | 2012-12-21 | 2014-01-14 | Volcano Corporation | Method and apparatus for performing virtual pullback of an intravascular imaging device |
US20140249405A1 (en) * | 2013-03-01 | 2014-09-04 | Igis Inc. | Image system for percutaneous instrument guidence |
CN104224129A (zh) * | 2014-09-24 | 2014-12-24 | 深圳市中科微光医疗器械技术有限公司 | 一种静脉血管深度识别方法和提示系统 |
CN104398271A (zh) * | 2014-11-14 | 2015-03-11 | 西安交通大学 | 血管与斑块的三维力学及组织特性成像检测方法 |
CN104706382A (zh) * | 2013-12-16 | 2015-06-17 | 三星电子株式会社 | 用于使用医学图像提供血管分析信息的方法和设备 |
US20150272538A1 (en) * | 2014-03-26 | 2015-10-01 | Volcano Corporation | Devices, Systems, and Methods for Assessing a Vessel Utilizing Angled Flow-Sensing Elements |
CN105228518A (zh) * | 2013-03-12 | 2016-01-06 | 火山公司 | 用于诊断冠状微脉管疾病的系统和方法 |
CN105389810A (zh) * | 2015-10-28 | 2016-03-09 | 清华大学 | 血管内斑块的识别系统及方法 |
CN105636644A (zh) * | 2013-10-18 | 2016-06-01 | 美敦力阿迪安卢森堡有限公司 | 用于血管内超声神经调节装置的选择性定位的装置、系统和方法 |
JP2016116605A (ja) * | 2014-12-19 | 2016-06-30 | 学校法人 関西大学 | 診断支援装置、診断支援方法、及びコンピュータプログラム |
CN106456016A (zh) * | 2014-05-06 | 2017-02-22 | 皇家飞利浦有限公司 | 用于血管估计的设备、系统和方法 |
Family Cites Families (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4721113A (en) | 1985-09-20 | 1988-01-26 | Temple University Of The Commonwealth System Of Higher Education | Method of predicting the occurrence of deep vein thrombosis by non-invasive measurement of vessel diameter |
US6358208B1 (en) | 1998-11-21 | 2002-03-19 | Philipp Lang | Assessment of cardiovascular performance using ultrasound methods and devices that interrogate interstitial fluid |
GB0423289D0 (en) | 2004-10-20 | 2004-11-24 | Huntleigh Technology Plc | DVT detection |
US20110098564A1 (en) | 2009-10-26 | 2011-04-28 | Larson Marian L | Method and apparatus for diagnosing and treating vascular disease |
CN102573649B (zh) * | 2009-12-18 | 2015-07-22 | 柯尼卡美能达株式会社 | 超声波诊断装置及使用该装置的检测对象部位的图像显示方法和测量方法 |
WO2012109394A2 (en) | 2011-02-08 | 2012-08-16 | Incube Labs, Llc | Apparatus, system and methods for photoacoustic detection of deep vein thrombosis |
BR112013033908A2 (pt) | 2011-07-05 | 2017-12-12 | Koninklijke Philips Nv | método e dispositivo para a determinação do momento em que uma artéria de interesse sob uma pressão em alteração muda de aberta para fechada ou vice-versa |
JP6271579B2 (ja) | 2012-12-21 | 2018-01-31 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | ポイントオブケア用の解剖学的にインテリジェントな超音波心臓検査 |
JP6303912B2 (ja) | 2013-08-21 | 2018-04-04 | コニカミノルタ株式会社 | 超音波診断装置、超音波診断方法、及び、プログラムを格納したコンピュータ読み取り可能な非一時的な記録媒体 |
US9730643B2 (en) * | 2013-10-17 | 2017-08-15 | Siemens Healthcare Gmbh | Method and system for anatomical object detection using marginal space deep neural networks |
US9700219B2 (en) * | 2013-10-17 | 2017-07-11 | Siemens Healthcare Gmbh | Method and system for machine learning based assessment of fractional flow reserve |
WO2015087218A1 (en) | 2013-12-09 | 2015-06-18 | Koninklijke Philips N.V. | Imaging view steering using model-based segmentation |
WO2015150932A1 (en) | 2014-03-31 | 2015-10-08 | Koninklijke Philips N.V. | Haptic feedback for ultrasound image acquisition |
US10799723B2 (en) | 2014-11-14 | 2020-10-13 | Koninklijke Philips N.V. | Ultrasound device for sonothrombolysis therapy |
WO2016075601A1 (en) * | 2014-11-14 | 2016-05-19 | Koninklijke Philips N.V. | Percutaneous coronary intervention (pci) planning interface with pressure data and vessel data and associated devices, systems, and methods |
WO2016141449A1 (en) | 2015-03-09 | 2016-09-15 | Her Majesty The Queen In Right Of Canada, As Represented By The Minister Of The Department Of National Defence | Computer-assisted focused assessment with sonography in trauma |
GB201703575D0 (en) | 2017-03-06 | 2017-04-19 | Thinksono Ltd | Blood vessel obstruction diagnosis method, apparatus & system |
WO2019156975A1 (en) * | 2018-02-07 | 2019-08-15 | Atherosys, Inc. | Apparatus and method to guide ultrasound acquisition of the peripheral arteries in the transverse plane |
-
2017
- 2017-03-06 GB GBGB1703575.9A patent/GB201703575D0/en not_active Ceased
-
2018
- 2018-02-09 GB GBGB1802211.1A patent/GB201802211D0/en not_active Ceased
- 2018-03-06 JP JP2019548952A patent/JP7089233B2/ja active Active
- 2018-03-06 CN CN201880016176.2A patent/CN110381846B/zh active Active
- 2018-03-06 WO PCT/GB2018/050559 patent/WO2018162888A1/en unknown
- 2018-03-06 US US16/491,553 patent/US11464477B2/en active Active
- 2018-03-06 EP EP18711626.4A patent/EP3592242B1/en active Active
Patent Citations (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000229078A (ja) * | 1999-02-10 | 2000-08-22 | Japan Science & Technology Corp | 血管病変診断システムおよび診断プログラム記憶媒体 |
US6589164B1 (en) * | 2000-02-15 | 2003-07-08 | Transvascular, Inc. | Sterility barriers for insertion of non-sterile apparatus into catheters or other medical devices |
CN1914617A (zh) * | 2004-02-03 | 2007-02-14 | 美国西门子医疗解决公司 | 与心脏有关的疾病和病症的自动诊断和决策支持系统和方法 |
CN1765330A (zh) * | 2004-10-28 | 2006-05-03 | 索诺塞特公司 | 超声血管测量设备和方法 |
WO2006061829A1 (en) * | 2004-12-06 | 2006-06-15 | Glucon Inc. | Photoacoustic intravascular probe |
CN101208045A (zh) * | 2005-05-06 | 2008-06-25 | 威索诺瓦公司 | 用于血管内装置导向和定位的方法和设备 |
CN101351157A (zh) * | 2006-01-03 | 2009-01-21 | 皇家飞利浦电子股份有限公司 | 用于定位血管的方法和系统 |
US20080269605A1 (en) * | 2007-04-25 | 2008-10-30 | Shigemitsu Nakaya | Ultrasonic diagnostic apparatus and image display method thereof |
CN101854853A (zh) * | 2007-06-26 | 2010-10-06 | 威索诺瓦公司 | 使用生理参数进行血管内装置引导和定位的设备和方法 |
US20090093807A1 (en) * | 2007-10-03 | 2009-04-09 | Searete Llc, A Limited Liability Corporation Of The State Of Delaware | Vasculature and lymphatic system imaging and ablation |
CN102763122A (zh) * | 2010-02-17 | 2012-10-31 | 茂福公司 | 生物检测传感器支承件的安放区域上人体部位的定位检测方法和装置 |
CN102512206A (zh) * | 2011-12-13 | 2012-06-27 | 苏州生物医学工程技术研究所 | 血管内超声超声诊断与光声治疗装置及其治疗方法 |
US8629888B1 (en) * | 2012-12-21 | 2014-01-14 | Volcano Corporation | Method and apparatus for performing virtual pullback of an intravascular imaging device |
US20140249405A1 (en) * | 2013-03-01 | 2014-09-04 | Igis Inc. | Image system for percutaneous instrument guidence |
CN105228518A (zh) * | 2013-03-12 | 2016-01-06 | 火山公司 | 用于诊断冠状微脉管疾病的系统和方法 |
CN103337096A (zh) * | 2013-07-19 | 2013-10-02 | 东南大学 | 一种冠状动脉ct造影图像钙化点检测方法 |
CN105636644A (zh) * | 2013-10-18 | 2016-06-01 | 美敦力阿迪安卢森堡有限公司 | 用于血管内超声神经调节装置的选择性定位的装置、系统和方法 |
CN104706382A (zh) * | 2013-12-16 | 2015-06-17 | 三星电子株式会社 | 用于使用医学图像提供血管分析信息的方法和设备 |
US20150272538A1 (en) * | 2014-03-26 | 2015-10-01 | Volcano Corporation | Devices, Systems, and Methods for Assessing a Vessel Utilizing Angled Flow-Sensing Elements |
CN106456016A (zh) * | 2014-05-06 | 2017-02-22 | 皇家飞利浦有限公司 | 用于血管估计的设备、系统和方法 |
CN104224129A (zh) * | 2014-09-24 | 2014-12-24 | 深圳市中科微光医疗器械技术有限公司 | 一种静脉血管深度识别方法和提示系统 |
CN104398271A (zh) * | 2014-11-14 | 2015-03-11 | 西安交通大学 | 血管与斑块的三维力学及组织特性成像检测方法 |
JP2016116605A (ja) * | 2014-12-19 | 2016-06-30 | 学校法人 関西大学 | 診断支援装置、診断支援方法、及びコンピュータプログラム |
CN105389810A (zh) * | 2015-10-28 | 2016-03-09 | 清华大学 | 血管内斑块的识别系统及方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114052795A (zh) * | 2021-10-28 | 2022-02-18 | 南京航空航天大学 | 一种结合超声自主扫描的病灶成像及防误扎治疗系统 |
CN114052795B (zh) * | 2021-10-28 | 2023-11-07 | 南京航空航天大学 | 一种结合超声自主扫描的病灶成像及防误扎治疗系统 |
Also Published As
Publication number | Publication date |
---|---|
US20210128099A1 (en) | 2021-05-06 |
GB201703575D0 (en) | 2017-04-19 |
JP2020512069A (ja) | 2020-04-23 |
EP3592242B1 (en) | 2023-09-06 |
JP7089233B2 (ja) | 2022-06-22 |
GB201802211D0 (en) | 2018-03-28 |
WO2018162888A1 (en) | 2018-09-13 |
CN110381846B (zh) | 2022-11-04 |
EP3592242A1 (en) | 2020-01-15 |
EP3592242C0 (en) | 2023-09-06 |
US11464477B2 (en) | 2022-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110381846A (zh) | 血管阻塞诊断方法、设备及系统 | |
Baloescu et al. | Automated lung ultrasound B-line assessment using a deep learning algorithm | |
EP3477589B1 (en) | Method of processing medical image, and medical image processing apparatus performing the method | |
US20190392944A1 (en) | Method and workstations for a diagnostic support system | |
US11564663B2 (en) | Ultrasound imaging apparatus and control method thereof | |
CN110517757A (zh) | 调谐的医学超声成像 | |
US20240127436A1 (en) | Multi-modal computer-aided diagnosis systems and methods for prostate cancer | |
US20190125306A1 (en) | Method of transmitting a medical image, and a medical imaging apparatus performing the method | |
EP4061230A1 (en) | Systems and methods for obtaining medical ultrasound images | |
Saeed et al. | Learning image quality assessment by reinforcing task amenable data selection | |
CN112447276A (zh) | 用于提示数据捐赠以用于人工智能工具开发的方法和系统 | |
US20240104733A1 (en) | Systems and methods to process electronic medical images for diagnostic or interventional use | |
US20210280298A1 (en) | Methods and systems for detecting abnormalities in medical images | |
US11941806B2 (en) | Methods and systems for automatic assessment of fractional limb volume and fat lean mass from fetal ultrasound scans | |
KR102360615B1 (ko) | 내시경 영상에 대한 복수의 의료 영상 판독 알고리듬들을 이용하는 의료 영상 판독 지원 장치 및 방법 | |
KR20190001489A (ko) | 초음파 영상장치 및 그 제어 방법 | |
Ragnarsdottir et al. | Interpretable prediction of pulmonary hypertension in newborns using echocardiograms | |
US20230404541A1 (en) | Method and system for managing ultrasound operations using machine learning and/or non-gui interactions | |
US20240074726A1 (en) | Ultrasound diagnosis apparatus and diagnosis method | |
WO2022134028A1 (zh) | 相似病例检索方法、相似病例检索系统和超声成像系统 | |
Manaf et al. | Advancements in Medical Imaging and Diagnostics with Deep Learning Technologies | |
KR20240013183A (ko) | 초음파 이미지 시퀀스 획득을 위한 장치 및 관련 방법 | |
CN114376602A (zh) | 超声设备获取生理参数的方法和超声设备 | |
CN117036302A (zh) | 主动脉瓣膜钙化程度的确定方法和系统 | |
KR20200132144A (ko) | 초음파 영상 장치 및 그 표시 방법 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |