CN110678933B - 超声临床特征检测与相关联的设备、系统和方法 - Google Patents

超声临床特征检测与相关联的设备、系统和方法 Download PDF

Info

Publication number
CN110678933B
CN110678933B CN201880034991.1A CN201880034991A CN110678933B CN 110678933 B CN110678933 B CN 110678933B CN 201880034991 A CN201880034991 A CN 201880034991A CN 110678933 B CN110678933 B CN 110678933B
Authority
CN
China
Prior art keywords
clinical
ultrasound
ultrasound image
clinical features
features
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.)
Active
Application number
CN201880034991.1A
Other languages
English (en)
Other versions
CN110678933A (zh
Inventor
S·金
B·I·拉朱
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.)
Koninklijke Philips NV
Original Assignee
Koninklijke Philips NV
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
Application filed by Koninklijke Philips NV filed Critical Koninklijke Philips NV
Publication of CN110678933A publication Critical patent/CN110678933A/zh
Application granted granted Critical
Publication of CN110678933B publication Critical patent/CN110678933B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • A61B8/483—Diagnostic techniques involving the acquisition of a 3D volume of data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30061—Lung
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Abstract

提供了超声图像设备、系统和方法。一种临床状况检测系统包括：通信设备，其与超声成像设备通信，并且被配置为在接收表示一时间段内的对象身体的超声图像帧的序列；以及处理器，其与所述通信设备通信，并且被配置为通过将第一预测网络应用于所述超声图像帧序列来将所述超声图像帧序列分类为临床特征的第一集合，以产生表示所述临床特征的第一集合的分类向量的集合；并且通过向所述分类向量的集合应用第二预测网络来识别对象身体的临床状况。

Description

超声临床特征检测与相关联的设备、系统和方法
相关申请的交叉引用
本申请要求于2017年3月28日提交的美国临时申请US 62/477536的优先权和权益，在此通过引用将其全部内容并入。
技术领域
本公开总体涉及超声成像，并且尤其涉及提供用于检测临床特征以评估各种临床状况和/或疾病的自动化系统和方法。
背景技术
肺部超声检查可为临床状况提供指示，包括肺部疾病，例如肺炎、气胸和急性呼吸窘迫综合征(ARDS)，以及充血性心力衰竭。例如，临床医师或医师可以通过采集患者的超声图像来对患者进行超声检查，并基于从超声图像中识别出的特征来确定患者是否可能具有特定临床状况。肺部超声图像特征的示例可以包括B线伪影、实变、空气支气管征和/或胸腔积液。任何此类特征的存在可能指示特定的肺部疾病或疾病，而这些特征的缺失可能指示正常的健康肺部。有经验的超声用户可以轻松地从采集的超声图像中识别出此类肺部超声图像特征。但是，没有经验的用户或经验不足的用户可能难以解释采集的图像。在这种临床评估程序中缺乏标准化和/或量化可能导致即使是经验丰富的用户也可能会得出不同的结果。这样，在超声检查之后经常需要诸如X射线的额外检查。
发明内容
尽管现有的超声成像已被证明可用于临床评估和诊断，但临床上仍需要提供自动临床诊断工具的改进系统和技术。本公开的实施例提供了用于自动超声图像视频分类的深度学习框架。该分类可以用于辅助临床评估。该分类包括用于空间特征分析的逐帧分类，然后是时间序列向量分析。例如，视频可以包括跨时间的超声图像帧的序列。逐帧分类将每个超声图像帧分类为与临床特征的第一集合相关联的多个类别之一。时序向量分析对逐帧分类输出进行分析，例如，基于临床特征的第二集合来确定分类。临床特征的第一集合和临床特征的第二集合可以包括表示不同类型的疾病或临床状况和/或不同程度的严重性的特征。所公开的实施例可以采用卷积神经网络(CNN)进行逐帧图像分类，并且可以采用机器学习网络或模型进行时序向量分析。从逐帧图像分类和时间序列向量分析获得的累积或综合分类和分析结果可以指示特定类型的疾病或特定疾病的严重程度。尽管在肺超声图像特征分类的背景下描述了所公开的实施例以识别肺部状况，但是所公开的实施例可以应用于不同器官(例如心脏)的超声图像以识别不同类型的疾病。
在一个实施例中，一种临床状况检测系统包括：通信设备，其与超声成像设备通信，并且被配置为接收表示一时间段内的对象身体的超声图像帧的序列；以及处理器，其与所述通信设备通信，并且被配置为通过将第一预测网络应用于所述超声图像帧序列来将所述超声图像帧序列分类为临床特征的第一集合，以产生表示临床特征的所述第一集合的分类向量的集合；并且通过向所述分类向量的集合应用第二预测网络来识别对象身体的临床状况。
在一些实施例中，所述处理器还被配置为通过将第一预测网络应用于超声图像帧序列中的每个超声图像帧以生成所述分类向量的集合中的一个分类向量来对超声图像帧的序列进行分类。在一些实施例中，所述第一预测网络是卷积神经网络，其中，每个分类向量包括关于临床特征的第一集合的对应超声图像帧的多个得分。在一些实施例中，所述处理器还被配置为通过由第二预测网络生成关于临床特征的第二集合的分类向量的所述集合的多个得分来识别所述临床状况；并且从所述多个得分中选择最高得分。在一些实施例中，临床特征的所述第一集合与临床特征的所述第二集合相同。在一些实施例中，临床特征的所述第一集合与不同类型的临床特征相关联，并且其中，对于至少一种不同类型的临床特征，临床特征的所述第二集合与不同的严重程度相关联。在一些实施例中，所述临床特征的第一集合与所述不同类型的临床特征或不同严重程度中的至少一个的第一分类相关联，其中，临床特征的所述第二集合与不同类型的临床特征或不同严重程度中的至少一个的第二分类相关联。在一些实施例中，所述对象身体包括肺的至少部分。在一些实施例中，临床状况包括与正常肺、B线伪影、实变、支气管征或胸腔积液中的至少一种相关联的特征。在一些实施例中，临床状况包括与正常肺、B线伪影、实变、支气管征或胸腔积液中的至少一种的严重程度相关联的特征。在一些实施例中，至少所述第一预测网络或所述第二预测网络是通过提供表示包括由不同超声成像设备捕获的临床状况的对象身体的多个扫描格式的超声图像来训练的；基于独立于不同超声成像设备的公共尺寸或公共格式中的至少一个，将多个扫描格式的超声图像转换为多幅预扫描格式的超声图像；并且关于临床状况为多幅预扫描格式的超声图像中的每幅超声图像分配一得分。在一些实施例中，所述不同超声成像设备包括线性超声换能器设备、曲线超声换能器设备或相控阵超声换能器设备中的至少一种。在一些实施例中，所述系统还包括与处理器通信并且被配置为显示对临床状况的指示的显示器。
在一个实施例中，一种用于临床状况检测的方法包括：从超声成像设备接收表示一时间段内的对象身体的超声图像帧的序列；以及从超声图像设备接收超声图像帧的序列；通过将第一预测网络应用于超声图像帧的所述序列以将超声图像帧的所述序列分类为临床特征的第一集合，以产生与临床特征的所述第一集合相关的分类向量的集合；并且通过向所述分类向量的集合应用第二预测网络来识别所述对象身体的临床状况。
在一些实施例中，分类包括将第一预测网络应用于超声图像帧序列的每个超声图像帧，以生成分类向量的集合中的一个分类向量。在一些实施例中，所述第一预测网络是卷积神经网络，其中，每个分类向量包括关于临床特征的第一集合的对应超声图像帧的多个得分。在一些实施例中，所述识别包括：由第二预测网络关于临床特征的第二集合生成针对分类向量的所述集合的多个得分；并且从所述多个得分中选择最高得分。在一些实施例中，所述对象身体包括肺的至少部分，并且其中，所述临床状况包括与正常肺、B线伪影、实变、支气管征或胸腔积液中的至少一种相关联的特征。在一些实施例中，所述对象身体包括肺的至少部分，并且其中，临床状况包括与正常肺、B线伪影、实变、支气管征或胸腔积液中的至少一种的严重程度相关联的特征。在一些实施例中，所述方法还包括通过显示器显示临床状况的指示。
根据以下详细说明，本公开的另外的方面、特征和优势将变得显而易见。
附图说明
将参考附图来描述本公开的说明性实施例，其中：
图1是根据本公开的方面的超声成像系统的示意图。
图2是示出根据本公开的方面的超声图像特征检测方案的示意图。
图3A是根据本公开的方面的在反向扫描转换之前和之后的患者的肺的超声图像。
图3B是根据本公开的方面的在反向扫描转换之前和之后的患者肺部的超声图像。
图3C是根据本公开的方面的在反向扫描转换之前和之后的患者的肺的超声图像。
图4A是图示根据本公开的方面的正常肺部状况的超声图像。
图4B是图示根据本公开的方面的B线伪影的超声图像帧。
图4C是根据本公开的方面的示出实变的超声图像帧。
图4D是图示根据本公开的方面的空气支气管征的超声图像帧。
图4E图示了根据本公开的方面的图示胸腔积液的超声图像帧。
图5是图示根据本公开的方面的卷积神经网络(CNN)的配置的示意图。
图6是图示根据本公开的方面的用于超声图像特征检测的深度学习网络的配置的示意图。
图7是根据本公开的方面的自动超声图像特征检测方法的流程图。
具体实施方式
出于促进对本公开的原理的理解的目的，现在将参考在附图中所图示的实施例，并且使用特定语言来对其进行描述。然而，应该理解，不旨在对本公开的范围进行限制。如对于本公开所涉及的本领域技术人员正常将理解，本公开中完全预期和包括对所描述的设备、系统和方法的任何改动和进一步的修改以及对本公开的任何其他应用。特别是，完全预期，关于一个实施例所描述的特征、部件和/或步骤可以与关于本公开的其他实施例描述的特征、部件、和/或步骤相组合。然而，出于简洁的目的将不单独地描述这些组合的大量迭代。
图1是根据本公开的方面的超声成像系统100的示意图。系统100用于扫描患者身体的区域或体积。系统100包括超声成像探头110，所述超声成像探头110通过通信接口或链路120与主机130通信。探头110包括换能器112、波束形成器114、处理部件116和通信接口118。主机130包括显示器132、处理部件134和通信接口136。
换能器112朝着解剖对象105发射超声信号，并接收从对象105反射回换能器112的回波信号。超声换能器112可以包括任何合适数量的声学元件，包括一个或多个声学元件和/或多个声学元件。在一些情况下，换能器112包括单个声学元件。在一些情况下，换能器112可以包括声学元件的阵列，所述声学元件的阵列具有任何合适配置的任何数目的声学元件。例如，换能器112可以包括1个声学元件与1000个声学元件之间，包括诸如2个声学元件、4个声学元件、36个声学元件、64个声学元件、128个声学元件、500个声学元件、812个声学元件和/或更大或更小的其他值。在一些情况下，换能器112可以包括声学元件的阵列，所述声学元件的阵列具有任何适当配置的任何数目的声学元件，诸如线性阵列、平面阵列、弯曲阵列、曲线阵列、圆周阵列、环形阵列、相控阵列、矩阵阵列、一维(1D)阵列、1.x维阵列(例如1.5D阵列)或二维(2D)阵列。可以统一地或独立地控制和激活声学元件的阵列(例如，一个或多个行、一个或多个列和/或一个或多个取向)。换能器112可以被配置为获得患者解剖结构的一维、二维和/或三维图像。在一些实施例中，超声成像元件112可以包括压电微机械超声换能器(PMUT)、电容式微机械超声换能器(CMUT)、单晶、锆钛酸铅(PZT)、PZT复合材料、其他合适的换能器类型和/或其组合。
波束形成器114被耦合到换能器阵列112。波束形成器114控制换能器阵列112，例如，用于超声信号的发送和超声回声信号的接收。波束形成器114基于响应或所接收的超声回波信号将图像信号提供给处理部件116。波束形成器114可以包括多个阶段的波束形成。波束成形可以减少用于耦合到处理部件116的信号线的数量。在一些实施例中，与波束形成器114结合的换能器阵列112可以被称为超声成像部件。在一些实施例中，对象105可以包括患者的肺的至少部分，以用于肺超声检查。在其他实施例中，对象105可以包括适合于超声成像检查的患者的任何解剖结构(例如，血管、心脏、肾脏和/或肝脏)。
处理部件116被耦合到波束形成器114。处理部件116可以包括被配置为执行本文中所述的操作的中央处理单元(CPU)、数字信号处理器(DSP)、专用集成电路(ASIC)、控制器、现场可编程门阵列(FPGA)设备、另一硬件设备、固件设备，或其任何组合。处理部件134也可以被实施为计算设备的组合，例如，DSP与微处理器的组合、多个微处理器、与DSP结合一个或多个微处理器内核，或者任何其它这样的配置。处理部件116被配置为处理经波束形成的图像信号。例如，处理部件116可以执行滤波和/或正交解调以调节图像信号。
通信接口118被耦合到处理部件116。通信接口118可以包括一个或多个发射机、一个或多个接收机、一个或多个收发机、和/或用于发送和/或接收通信信号的电路。通信接口118可以包括实现适合于通过通信链路120将信号传输到主机130的特定通信协议的硬件部件和/或软件部件。通信接口118可以被称为通信设备或通信接口模块。
通信链路120可以是任何合适的通信链路。例如，通信链路120可以是有线链路，诸如通用串行总线(USB)链路或以太网链路。替代地，通信链路120可以是无线链路，诸如超宽带(UWB)链路、电气和电子工程师协会(IEEE)802.11WiFi链路或蓝牙链路。
在主机130处，通信接口136可以接收图像信号。通信接口136可以基本上类似于通信接口118。主机130可以是任何合适的计算和显示设备，例如工作站、个人计算机(PC)、膝上型计算机、平板电脑或移动电话。
处理部件134被耦合到通信接口136。处理部件134可以被实现为软件部件和硬件部件的组合。处理部件134可以包括被配置为执行本文中所述的操作的中央处理单元(CPU)、数字信号处理器(DSP)、专用集成电路(ASIC)、控制器、FPGA设备、另一硬件设备、固件设备，或其任何组合。处理部件134也可以被实施为计算设备的组合，例如，DSP与微处理器的组合、多个微处理器、与DSP结合一个或多个微处理器内核，或者任何其它这样的配置。处理部件134可以被配置为根据从探头110接收的图像信号来生成图像数据。处理部件134可以将高级信号处理和/或图像处理技术应用于图像信号。在一些实施例中，处理部件134可以从图像数据形成三维(3D)体积图像。在一些实施例中，处理部件134可以对图像数据执行实时处理，以提供对象105的超声图像的流视频。
在一些实施例中，处理部件134可以对图像数据执行扫描格式转换。例如，处理部件134可以将图像数据内插到显示的数据。取决于换能器(例如，换能器阵列112)或用于捕获图像信号的探头的类型，图像数据可以具有各种格式。探头类型的一些示例可以包括线性、曲线和相控阵。线性探头可以包括以线性阵列配置布置的换能器阵列。曲线探头可以包括以曲线或凸形配置布置的换能器阵列。相控阵探头可以包括换能器阵列，所述换能器阵列可以产生可操纵和聚焦的波束(例如，基于延迟和相位控制)。当探头110是线性探头(例如，以线性配置布置的换能器阵列112)时，图像数据可以处于笛卡尔坐标中。当探头110是曲线探头(例如，以曲线配置布置的换能器阵列112)或相控阵探头(例如，具有延迟和相位控制的换能器阵列112)时，图像数据可以处于极坐标中。处理部件134可以对图像数据执行坐标变换以产生用于显示的扫描格式的图像帧，如本文中更详细描述的。
在一些实施例中，处理部件134可以对图像数据或图像帧执行图像分析以用于临床评估。例如，处理部件134可以应用基于深度学习的技术以基于图像数据或图像帧执行临床评估，如本文中更详细地描述的。
显示器132被耦合到处理部件134。显示器132可以是监视器或任何合适的显示器。显示器132被配置为显示由处理部件134处理的超声图像、图像视频和/或诊断结果。
系统100可以被配置为用于超声成像特征检测的各个阶段以用于临床评估。在一个实施例中，系统100可以用于收集超声图像以形成训练数据集。例如，主机130可以包括存储器138，其可以是任何合适的存储设备，诸如高速缓冲存储器(例如，处理部件134的高速缓冲存储器)、随机存取存储器(RAM)、磁阻RAM(MRAM)、只读存储器(ROM)、可编程只读存储器(PROM)、可擦可编程只读存储器(EPROM)、电可擦可编程只读存储器(EEPROM)、闪存、固态存储设备、硬盘驱动器、固态硬盘状态驱动器、其他形式的易失性和非易失性存储器或不同类型的存储器的组合。存储器138可以被配置为存储图像数据集140，所述图像数据集140包括用于基于深度学习的训练的扫描格式的图像帧。
在一些实施例中，系统100可以用于训练深度学习网络以用于临床特征检测和评估。训练数据集140可以被转换成适合于训练的特定格式，例如预扫描格式。可以使用预扫描格式化的数据集来训练深度学习网络，以针对某些临床特征和/或状况对由探头110捕获的超声图像或视频中的特征进行分类。
在一些实施例中，系统100可以在用于现场超声检查的临床设置中使用，其中可以将经训练的深度学习网络应用于确定临床状况。本文中更详细地描述了根据基于学习的技术从超声图像自动且系统地检测临床特征和/或状况的机制。
图2是示出根据本公开的方面的超声图像特征检测方案200的示意图。方案200可以被系统100用于超声图像特征检测的各个阶段。方案200采用基于深度学习的技术来从超声图像和/或视频中提取临床特征并对临床特征进行分类以用于临床评估。方案200包括反向扫描转换阶段210、深度学习训练阶段220和临床应用阶段230。反向扫描转换阶段210将使用不同超声探头(例如，线性探头、曲线探头和相控阵探头)采集的超声图像格式化为适合训练深度学习网络的通用图像格式和/或尺寸。深度学习网络邪恶220训练深度学习网络，以将超声图像分类为适合于临床评估的临床特征类别，例如，使用反向扫描转换阶段210输出的训练数据。临床应用阶段230将经训练的深度学习网络应用于从患者捕获的实况或实时超声成像视频，以识别患者的临床状况。方案200将在下面参考图3A、3B、3C、4A、4B、4C、4D、4E、5和6进行描述。
在反向扫描转换阶段210，将扫描格式的超声图像202转换为预扫描格式的超声图像204。扫描格式的超声图像202可以对应于由处理部件134生成并作为训练数据集140存储在存储器138中的扫描格式的图像。如上所述，超声图像可以由各种类型的换能器探头(例如，探头110)捕获，诸如线性探头、曲线探头和相控阵探头。由于探头的几何形状和成像格式的差异，超声图像可能具有不同的大小和/或图像形状。差异大小和/或图像形状可能不携带有用或有意义的临床信息。相反，图像格式的差异或变化会影响或偏置深度学习网络的临床特征分类训练。
反向扫描转换将从各种类型的探头获得的扫描格式图像202重新格式化为相同格式或相同尺寸的超声图像，而与换能器类型和/或成像配置(例如成像深度和/或视场角度)无关。反向扫描转换可以包括对临床分类很重要的图像部分或区域，并排除可能影响训练的图像部分或区域。例如，在肺部超声检查中，根据超声图像中是否存在某些临床特征(例如B线伪影、实变、胸腔积液和/或支气管征)来确定某种肺部疾病，而不是根据图像几何形状的长度和/或面积。
图3A是根据本公开的方面的在反向扫描转换之前和之后的患者肺部的超声图像。超声图像310由线性探头捕获并且如上所述地被扫描格式化。如图所示，由于线性探头发射平行的超声束，所以超声图像310以矩形形状示出了肺部图像。超声图像312对应于反向扫描转换之后的超声图像310。例如，超声图像310可以对应于扫描格式的图像202，并且超声图像312可以对应于预扫描格式的图像204。
图3B是根据本公开的方面的在反向扫描转换之前和之后的患者肺部的超声图像。超声图像320由曲线探头捕获并且如上所述被扫描格式化。如图所示，超声图像320以扇形或饼形显示肺部图像，因为曲线探头以不同的角度或发散方向发射超声束。超声图像322对应于反向扫描转换之后的超声图像320。例如，超声图像320可以对应于扫描格式的图像202，并且超声图像322可以对应于预扫描格式的图像204。
图3C是根据本公开的方面的在反向扫描转换之前和之后的患者的肺的超声图像。超声图像330由相控阵探头捕获并如上所述地进行扫描格式化。如图所示，超声图像330以扇形或饼形显示肺部图像，因为相控阵探头施加电子转向以将超声束聚焦在各种角度或方向上。超声图像332对应于反向扫描转换之后的超声图像330。例如，超声图像330可以对应于扫描格式的图像202，并且超声图像332可以对应于预扫描格式的图像204。
从图3A至图3C可以看出，超声图像312、322和332分别从图像310、320和330中排除探头特异的图像特征(例如，饼形或扇形)。换句话说，反向扫描转换将扫描格式的图像转换回预扫描格式。另外，反向扫描转换去除图像310、320和330的不包括肺部的暗部或区域。
尽管用反向扫描转换阶段210示出了方案200，但是在一些实施例中，反向扫描转换阶段210可以是任选的。例如，主机130可以代替扫描格式的图像帧或除了扫描格式的图像帧之外，将扫描格式转换之前的经处理的图像数据存储在存储器138中。换句话说，主机130可以将预扫描格式的超声图像204存储在存储器138中。因此，预扫描格式化的超声图像204可用于方案200，而无需反向扫描转换阶段210。
在深度学习训练阶段220，预扫描格式的超声图像204可用于训练深度学习网络206。例如，预扫描格式的超声图像204可以是肺图像，其包括指示某些肺状况的各种可见结构和/或伪影。可以训练深度学习网络206以识别对于确定特定临床状况或疾病有用的某些成像特征或伪影。例如，可以训练深度学习网络206以将预扫描格式的超声图像204分类为临床有意义的多个类别。图4A-4E示出了可用于肺部超声检查或评估的各种临床特征。
图4A是根据本公开的方面的示出正常肺部状况的超声图像410。图4B是根据本公开的方面的示出了B线伪影的超声图像420。超声图像420包括在肺中大约水平的多条白线422，其被称为B线伪影，在超声图像410中所示的正常条件下不存在。B线伪影可能表示由于肺周缘缺气而导致密度增加。
图4C是根据本公开的方面的示出实变的超声图像430。超声图像430包括楔形区域432，所述楔形区域在超声图像410所示的正常情况下在肺中呈现实心且均匀的低回声。低回声楔形区域432可以指示肺实变状况。
图4D是根据本公开的方面的示出了充气支气管征的超声图像440。超声图像440包括在超声图像410所示的正常条件下不存在的肺中的亮管状结构442。管状结构442可以指示肺支气管征状况。
图4E示出了根据本公开的方面的示出了胸腔积液的超声图像450。超声图像450包括在超声图像410中所示的正常条件下不存在的肺中的无回声区域452。无回声区域452可以指示肺胸腔积液情况。
深度学习网络206可以包括深度学习的多个阶段或层或多个深度学习子网络。如本文更详细描述的，不同的层或不同的子网可以在不同的域(例如，包括空间域和时域)中执行特征分析和/或分类。深度学习可以包括各种基于学习的技术，例如机器学习和卷积神经网络(CNN)，它们使用非线性处理以及特征提取和/或变换进行分类或模式分析。例如，可以训练深度学习网络206以将肺部超声图像分类为多个类别以促进肺部状况的识别。类别可以类似于以上关于图4A-4E描述的特征和/或状况(例如，正常、B线伪影、实变、支气管征和/或胸腔积液)。作为示例，深度学习网络206可以包括执行逐帧分析的CNN(例如，图5中的CNN 510和图6中的CNN612)和机器学习部件(例如，图6中的机器学习部件614)对逐帧分析输出执行时间分析。
图5是示出根据本公开的方面的CNN 510的配置500的示意图。CNN510可以由方案200采用以用于逐帧分类。CNN 510可以包括一组N个卷积层512，然后是一组K个全连接层514，其中N和K可以是任何正整数。值N和K可以根据实施例而变化。在一些实施例中，N和K都可以是至少3。每个卷积层512可以包括滤波器的集合520，其被配置为从输入图像中提取成像特征(例如，一维(1D)特征图)。完全连接的层514可以是非线性的，并且可以将最后的卷积层512(N)的高维输出逐渐缩小到与输出516处的分类530的数量相对应的长度。例如，分类530可以包括正常肺部状况、B线伪影、实变、支气管征和胸腔积液。
虽然未在图中示出，但是在一些实施例中，卷积层512可以与池化层交错，池化层每个都包括可以减小提取的成像特征的维数的一组下采样操作。另外，卷积层512可以包括被配置为提取经校正的特征图的非线性函数(例如，包括经校正的非线性(ReLU)操作)。
输入图像502(例如，预扫描格式的超声图像204)可以连续地穿过每个层512和514，以进行特征提取、分析和/或分类。每个层512或514可以包括被施加到输入图像502或先前层512或514的输出的加权(例如，卷积层512中的滤波器520的滤波器系数和全连接层514的非线性加权)。
在训练期间，例如可以使用前向传播将CNN 510应用于每个预扫描格式的图像204，以获得每个类别或类别530的预扫描格式图像204的输出或得分。卷积层512中的滤波器520的系数和全连接层514中的权重可以例如通过使用向后传播来最小化输出误差来调整。例如，包括B线伪影的输入图像502可用于训练CNN 510，以使CNN 510可以针对B线类别输出高概率(例如，大于90％)。
机器学习部件可以包括与CNN 510相同的体系结构或不同的体系结构。可以使用基本上相似的机制来训练机器学习部件，其中训练是为了确保机器学习部件可以产生具有高分类精度的输出。在此更详细地描述用于逐帧分析和时间分析的机制。
在训练了深度学习网络206之后，可以在临床应用阶段230中使用深度学习网络206。例如，临床医师或用户可以使用系统100来捕获患者肺部的图像视频232。主机130可以实时接收图像视频232。主机130上的处理部件134可以将经训练的深度学习网络206应用于图像视频232，以确定患者的临床状况208。
图6是示出根据本公开的方面的用于超声图像特征检测的深度学习网络610的配置600的示意图。深度学习网络610可以对应于深度学习网络206。深度学习网络610可以在给定输入图像视频602的情况下预测临床状况。深度学习网络610包括CNN 612(例如，CNN510)和机器学习部件614。可以使用硬件部件和软件部件的组合来实现深度学习网络610。例如，深度学习网络610可以由处理部件134实现以执行临床特征和/或状况的实时分类。可以训练CNN 612在空间域中执行逐帧分析或分类。机器学习部件614可以被训练为执行时间序列向量分类。
深度学习网络610被配置为接收例如使用系统100捕获的超声图像视频602。视频602可以对应于视频232。视频602可以包括超声图像帧的序列604，这些超声图像帧604表示例如在时刻t(0)，t(1)，……t(N)的整个时间段上的患者(例如，肺的至少部分)，其中，N是正整数。超声图像帧604被示为604t(0)，604t(1)，...604t(N)。例如，超声图像帧序列604可通过Iin(x,y,t)，其中x和y可以表示空间域并且t可表示从1到N的时间变化。超声图像帧604可以与超声图像310、320、330、410、420、430、440、450和502相似。
为了执行逐帧分析，将CNN 612应用于每个超声图像帧604。CNN 612针对每个超声图像帧604产生输出向量620。输出向量620被示为分别对应于针对超声图像帧604t(0)、604t(1)、...604t(N)的输出的620t(0)、620t(1)、...620t(N)。输出向量620可以类似于输出516。每个输出向量620可以包括(M+1)个得分或值622，其中，M是正整数。每个值622表示输入超声图像帧604被分类为特定类别(例如，包括特定临床特征或临床状况)的可能性或概率。类别可以由C(0)至C(M)表示。(M+1)个类别的输出值622或概率被示为622C(0)、622C(1)、...622C(M)。例如，一组输出向量620可以由YI(c,t)表示，其中,c可以表示从1到M变化的类别指标，并且t可以表示从1到N变化的时间。
在上述肺部疾病评估示例中应用CNN 612时，M可以约为4。例如，类别C(0)可以表示正常的肺部状况，类别C(1)可以表示B线伪影状况，类别C(2)可以表示肺部实质状况，类别C(3)可以表示支气管征状况，类别C(4)可以表示胸腔积液肺部疾病。换句话说，CNN 612可以应用于输入图像帧604以确定输入图像帧604是否包括具有正常状况、B线伪影状况、肺实质状况、支气管征状况或胸腔积液情况的图像。。CNN 612可以产生输出向量620，所述输出向量指示每种肺部状况的概率。
为了执行时域分析，将机器学习部件614应用于输出向量620的集合(例如，(M+1)乘(N+1)矩阵)。机器学习部件614产生包括(K+1)个得分或值632的输出向量630，其中，K是正整数。每个值632表示视频602被分类为特定类别(例如，包括特定临床特征或临床状况)的可能性或概率。类别可以由D(0)至D(K)表示。(K+1)类的输出值632或概率显示为632D(0)、632D(1)、...632D(K)。机器学习部件614可以采用任何合适的基于学习的技术进行分类。在一些实施例中，机器学习部件614可以包括深度学习网络、神经网络或CNN。具有最大概率(例如，输出向量630中的最大值632)的类别可以指示视频602的分类(例如，临床状况)。在一些实施例中，由CNN 612输出的类别C(0)至C(M)可以与由机器学习部件614输出的类别D(0)至D(K)相同。换句话说，K等于M。例如，类别C(0)至C(M)可能对应于不同类型的临床特征，例如正常的肺部疾病、B线伪影、实变、支气管征和胸膜积液。类别D(0)至D(K)可以对应于与类别C(0)至C(M)相同的肺部特征。
在一些实施例中，类别C(0)至C(M)可以对应于不同类型的临床特征，类别D(0)至D(M)可以对应于不同的严重程度。例如，类别C(0)至C(M)可能对应于不同类型的肺部疾病，类别D(0)至D(K)可能包括正常肺部状况、轻度B线状况、严重的B线状况、轻度实变和严重实变。
在一些实施例中，类别C(0)至C(M)可以对应于不同类型的临床特征或不同严重程度中的至少一个的第一分类，并且类别D(0)至D(M)可以对应于不同类型的临床特征或不同严重程度中的至少一种的第二分类。
虽然深度学习网络610被示出为包括CNN 612和机器学习部件614，但是在一些实施例中，深度学习网络610可以包括机器学习部件来代替CNN 612和/或CNN来代替机器学习部件614以实现类似的功能。
图7是根据本公开的方面的自动超声图像特征检测方法700的流程图。方法700的步骤可以由诸如探头110的超声成像探测器或诸如主机130的主机的计算设备(例如，处理器、处理电路和/或其他合适的部件)来执行。方法700可以采用与关于图2描述的方案200中类似的机制，并且可以采用基于深度学习的分类机制，如关于图5和6描述的配置500和600中那样。如图所示，方法700包括多个列举的步骤，但是方法700的实施例可以包括在列举的步骤之前、之后和之间的额外的步骤。在一些实施例中，列举的步骤中的一个或多个可以被省略或者以不同的顺序执行。
在步骤710，方法700包括从超声成像设备(例如，探头110或换能器阵列112)接收表示一个时间段(例如，从时刻t(0)到t(N))内的对象身体(例如，对象105或患者的肺，心脏，肾脏或肝脏)的超声图像帧的序列(例如，超声图像帧604)。超声图像帧的序列可以对应于图像视频(例如，视频232或602)。
在步骤720，方法700包括通过将第一预测网络(例如，CNN 510和CNN612)应用到超声图像帧的序列够将超声图像帧的序列分类为临床特征的第一集合(例如，类别C(0)至C(M))。临床特征的第一集合可以由分类向量的集合(例如，输出向量620)表示。
在步骤730，方法700包括通过将第二预测网络(例如，机器学习部件614)应用于分类向量集合，来识别对象身体的临床状况(例如，肺部状况)。
在一些实施例中，方法700可以通过将第一预测网络应用于超声图像帧序列的每个超声图像帧以生成分类向量的集合中的一个分类向量来对超声图像帧的序列进行分类。第一预测网络可以是CNN(例如，CNN 510和612)，其中每个分类向量包括相对于临床特征的第一集合的对应超声图像帧的多个得分(例如，概率值622)。
在一些实施例中，方法700可以通过由第二预测网络生成关于临床特征的第二集合(例如，类别D(0)到D(K))的分类向量集俣的多个得分(例如，概率值632)来识别临床状况，然后从多个得分中选择最高得分。得分最高的类别可以表示综合的分类结果(例如，临床状况)。
在一些实施例中，所述对象身体可以包括肺的至少部分，并且其中，所述临床状况包括与正常肺(例如，超声图像410)、B线伪影(例如，超声图像420)、实变(例如，超声图像430)、支气管征(例如，超声图像440)或胸腔积液(例如，超声图像450)相关联的特征。
在一些实施例中，所述对象身体包括肺的至少部分，并且其中，临床状况包括与正常肺、B线伪影、实变、胸腔积液或支气管征中至少一种严重程度相关的特征。
在一些实施例中，方法700包括通过显示器(例如，显示器132)显示临床状况的指示。
在一些实施例中，至少所述第一预测网络或所述第二预测网络是通过提供表示包括由不同超声成像设备捕获的临床状况的对象身体的多个扫描格式的超声图像(例如，扫描格式的超声图像202)来训练的。所述不同超声成像设备可以包括线性超声换能器设备、弯曲的线性超声换能器设备或相控阵超声换能器设备中的至少一种。训练还包括基于独立于不同的超声成像设备的共同维度或共同格式中的至少一个将多个扫描格式的超声图像转换成多幅预扫描格式的超声图像(例如，预扫描格式的超声图像204和502)。训练可以还包括关于临床状况为多幅预扫描格式的超声图像中的每幅超声图像分配一得分。
本公开的各方面可以提供若干益处。例如，与传统的基于机器学习的视频分类框架相比，通过将分类分为空间域逐帧分类和时域分析来对视频进行分类可以降低分类复杂度。将分类问题划分为多个阶段可以允许使用比传统的基于视频分类机器学习的网络更小的训练数据集进行训练。深度学习网络的使用可以使临床状况评估自动化，为指导临床医师确定临床状况提供帮助。另外，自动化可以提供更一致的评估结果，消除了不同临床医师对不同解释可能产生的差异。此外，自动化可以允许随时间监视患者的特定临床状况，例如以评估特定疾病的进展或特定治疗的益处。
本领域技术人员将认识到，以上描述的装置、系统和方法可以多种方式进行修改。因此，本领域技术人员将领会，由本公开所包含的实施例不限于以下描述的特定示范性实施例。在该方面，尽管己经示出和描述了说明性实施例，但是在以上公开中预期宽范围的修改、改动和替换。要理解，可以对前文进行这样的变化而不偏离本公开的范围。因此，合适的是，随附权利要求被宽泛地并且以与本公开相符地方式理解。

Claims (18)

1.一种临床状况检测系统，包括：
通信设备，其与超声成像设备通信，并且被配置为接收表示一时间段内的对象身体的超声图像帧的序列；以及
处理器，其与所述通信设备通信，并且被配置为：
通过将第一深度学习网络应用于超声图像帧的所述序列中的每个超声图像帧来对超声图像帧的所述序列中的空间域信息进行分类，以生成包括针对临床特征的第一集合中的每个临床特征的概率的分类向量；
通过应用第二深度学习网络来将与所述时间段上的超声图像帧的所述序列相对应的所述分类向量的时域信息进行分类，以生成针对临床特征的第二集合中的每个临床特征的概率；并且
基于针对临床特征的所述第二集合的所述概率来识别所述对象身体的临床状况。
2.根据权利要求1所述的系统，其中，所述第一深度学习网络是卷积神经网络。
3.根据权利要求1所述的系统，其中，所述处理器还被配置为通过以下来识别所述临床状况：
从针对临床特征的所述第二集合的所述概率中选择最高概率。
4.根据权利要求1所述的系统，其中，临床特征的所述第一集合与临床特征的所述第二集合相同。
5.根据权利要求1所述的系统，其中，临床特征的所述第一集合与不同类型的临床特征相关联，并且其中，对于所述不同类型的临床特征中的至少一种，临床特征的所述第二集合与不同的严重程度相关联。
6.根据权利要求1所述的系统，其中，临床特征的所述第一集合与不同类型的临床特征或不同严重程度中的至少一种的第一分类相关联，并且其中，临床特征的所述第二集合与所述不同类型的临床特征或所述不同严重程度中的所述至少一种的第二分类相关联。
7.根据权利要求1所述的系统，其中，所述对象身体包括肺的至少部分。
8.根据权利要求7所述的系统，其中，所述临床状况包括与正常肺、B线伪影、实变、支气管征或胸腔积液中的至少一种相关联的特征。
9.根据权利要求7所述的系统，其中，所述临床状况包括与正常肺、B线伪影、实变、支气管征或胸腔积液中的至少一种的严重程度相关联的特征。
10.根据权利要求1所述的系统，其中，至少所述第一深度学习网络或所述第二深度学习网络是通过以下方式来训练的：
提供表示测试对象身体的多幅扫描格式的超声图像，所述多幅扫描格式的超声图像包括由不同超声成像设备捕获的所述临床状况；
基于独立于所述不同超声成像设备的公共尺寸或公共格式中的至少一个，将所述多幅扫描格式的超声图像转换为多幅预扫描格式的超声图像；并且
关于所述临床状况为所述多幅预扫描格式的超声图像中的每幅超声图像分配一得分。
11.根据权利要求10所述的系统，其中，所述不同超声成像设备包括线性超声换能器设备、曲线超声换能器设备或相控阵列超声换能器设备中的至少一种。
12.根据权利要求1所述的系统，还包括：
显示器，其与所述处理器通信并且配置为显示对所述临床状况的指示。
13.一种用于临床状况检测的方法，包括：
从超声成像设备接收表示一时间段内的对象身体的超声图像帧的序列；
通过将第一深度学习网络应用于超声图像帧的所述序列中的每个超声图像帧来对超声图像帧的所述序列中的空间域信息进行分类，以生成包括针对临床特征的第一集合中的每个临床特征的概率的分类向量；
通过应用第二深度学习网络来将与所述时间段上的超声图像帧的所述序列相对应的所述分类向量的时域信息进行分类，以生成针对临床特征的第二集合中的每个临床特征的概率；并且
基于针对临床特征的所述第二集合的所述概率来识别对象身体的所述临床状况。
14.根据权利要求13所述的方法，其中，所述第一深度学习网络是卷积神经网络。
15.根据权利要求13所述的方法，其中，所述识别包括：
从针对临床特征的所述第二集合的所述概率中选择最高概率。
16.根据权利要求13所述的方法，其中，所述对象身体包括肺的至少部分，并且其中，所述临床状况包括与正常肺、B线伪影、实变、支气管征或胸腔积液中的至少一种相关联的特征。
17.根据权利要求13所述的方法，其中，所述对象身体包括肺的至少部分，并且其中，所述临床状况包括与正常肺、B线伪影、实变、支气管征或胸腔积液中的至少一种的严重程度相关联的特征。
18.根据权利要求13所述的方法，还包括：
通过显示器来显示对所述临床状况的指示。
CN201880034991.1A 2017-03-28 2018-03-28 超声临床特征检测与相关联的设备、系统和方法 Active CN110678933B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201762477536P 2017-03-28 2017-03-28
US62/477,536 2017-03-28
PCT/EP2018/058030 WO2018178212A1 (en) 2017-03-28 2018-03-28 Ultrasound clinical feature detection and associated devices, systems, and methods

Publications (2)

Publication Number Publication Date
CN110678933A CN110678933A (zh) 2020-01-10
CN110678933B true CN110678933B (zh) 2023-10-31

Family

ID=62089711

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880034991.1A Active CN110678933B (zh) 2017-03-28 2018-03-28 超声临床特征检测与相关联的设备、系统和方法

Country Status (5)

Country Link
US (1) US11817203B2 (zh)
EP (1) EP3602568A1 (zh)
JP (1) JP7194691B2 (zh)
CN (1) CN110678933B (zh)
WO (1) WO2018178212A1 (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11446008B2 (en) * 2018-08-17 2022-09-20 Tokitae Llc Automated ultrasound video interpretation of a body part with one or more convolutional neural networks
US10878311B2 (en) * 2018-09-28 2020-12-29 General Electric Company Image quality-guided magnetic resonance imaging configuration
US20200137380A1 (en) * 2018-10-31 2020-04-30 Intel Corporation Multi-plane display image synthesis mechanism
US11487823B2 (en) * 2018-11-28 2022-11-01 Sap Se Relevance of search results
US11443424B2 (en) * 2020-04-01 2022-09-13 Kpn Innovations, Llc. Artificial intelligence methods and systems for analyzing imagery
CN111419283B (zh) * 2020-04-08 2023-11-14 上海长征医院 一种用于评估新冠肺炎患者病情严重程度的超声分析系统
JP7471895B2 (ja) * 2020-04-09 2024-04-22 キヤノンメディカルシステムズ株式会社 超音波診断装置及び超音波診断システム
CN111598868B (zh) * 2020-05-14 2022-12-30 上海深至信息科技有限公司 一种肺部超声图像识别方法和系统
CN111643118B (zh) * 2020-06-10 2020-11-06 北京核信锐视安全技术有限公司 基于超声成像的新冠肺炎风险提示装置、系统
US20220277175A1 (en) * 2021-02-28 2022-09-01 Clarius Mobile Health Corp. Method and system for training and deploying an artificial intelligence model on pre-scan converted ultrasound image data
CN113344855A (zh) * 2021-05-10 2021-09-03 深圳瀚维智能医疗科技有限公司 降低乳腺超声病灶检测假阳率的方法、装置、设备及介质
WO2023232456A1 (en) 2022-06-01 2023-12-07 Koninklijke Philips N.V. Methods and systems for analysis of lung ultrasound
EP4287203A1 (en) * 2022-06-01 2023-12-06 Koninklijke Philips N.V. Methods and systems for analysis of lung ultrasound

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105550699A (zh) * 2015-12-08 2016-05-04 北京工业大学 一种基于cnn融合时空显著信息的视频识别分类方法
CN105718890A (zh) * 2016-01-22 2016-06-29 北京大学 一种基于卷积神经网络的特定视频检测方法

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7738683B2 (en) * 2005-07-22 2010-06-15 Carestream Health, Inc. Abnormality detection in medical images
WO2010143113A1 (en) * 2009-06-09 2010-12-16 Koninklijke Philips Electronics N.V. Method and apparatus for recognizing moving anatomical structures using ultrasound
US9639933B2 (en) * 2013-02-14 2017-05-02 The Research Foundation For The State University Of New York Method for adaptive computer-aided detection of pulmonary nodules in thoracic computed tomography images using hierarchical vector quantization and apparatus for same
US10217213B2 (en) * 2013-09-30 2019-02-26 The United States Of America As Represented By The Secretary Of The Army Automatic focused assessment with sonography for trauma exams
JP6557328B2 (ja) 2014-09-25 2019-08-07 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． 自動気胸検出のための装置および方法
KR102325346B1 (ko) * 2014-12-15 2021-11-11 삼성전자주식회사 의료 영상 진단 장치 및 방법
US10430688B2 (en) * 2015-05-27 2019-10-01 Siemens Medical Solutions Usa, Inc. Knowledge-based ultrasound image enhancement
IL239191A0 (en) * 2015-06-03 2015-11-30 Amir B Geva Image sorting system
US10176408B2 (en) * 2015-08-14 2019-01-08 Elucid Bioimaging Inc. Systems and methods for analyzing pathologies utilizing quantitative imaging
CN109310396B (zh) * 2016-06-20 2021-11-09 蝴蝶网络有限公司 用于辅助用户操作超声装置的自动图像获取
WO2018018160A1 (en) * 2016-07-29 2018-02-01 Novadaq Technologies ULC Methods and systems for characterizing tissue of a subject utilizing machine learning
US9589374B1 (en) * 2016-08-01 2017-03-07 12 Sigma Technologies Computer-aided diagnosis system for medical images using deep convolutional neural networks
US10748277B2 (en) * 2016-09-09 2020-08-18 Siemens Healthcare Gmbh Tissue characterization based on machine learning in medical imaging
WO2018136805A1 (en) * 2017-01-19 2018-07-26 New York University System, method and computer-accessible medium for ultrasound analysis
WO2018165620A1 (en) * 2017-03-09 2018-09-13 The Board Of Trustees Of The Leland Stanford Junior University Systems and methods for clinical image classification
US10176575B2 (en) * 2017-03-24 2019-01-08 Pie Medical Imaging B.V. Method and system for assessing vessel obstruction based on machine learning

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105550699A (zh) * 2015-12-08 2016-05-04 北京工业大学 一种基于cnn融合时空显著信息的视频识别分类方法
CN105718890A (zh) * 2016-01-22 2016-06-29 北京大学 一种基于卷积神经网络的特定视频检测方法

Also Published As

Publication number Publication date
US11817203B2 (en) 2023-11-14
JP2020512112A (ja) 2020-04-23
JP7194691B2 (ja) 2022-12-22
EP3602568A1 (en) 2020-02-05
US20200043602A1 (en) 2020-02-06
CN110678933A (zh) 2020-01-10
WO2018178212A1 (en) 2018-10-04

Similar Documents

Publication Publication Date Title
CN110678933B (zh) 超声临床特征检测与相关联的设备、系统和方法
JP7407790B2 (ja) 誘導肝イメージングのための人工ニューラルネットワークを有する超音波システム
EP3761881B1 (en) A system and method of identifying characteristics of ultrasound images
CN110325119B (zh) 卵巢卵泡计数和大小确定
CN112040876A (zh) 自适应超声扫描
US11931201B2 (en) Device and method for obtaining anatomical measurements from an ultrasound image
JP7237147B2 (ja) バイオメトリック測定及び品質評価
US20210321978A1 (en) Fat layer identification with ultrasound imaging
JPWO2018051578A1 (ja) 超音波診断装置及び超音波診断装置の制御方法
JP2021519181A (ja) 超音波画像システム及び方法
EP3866697B1 (en) Deep learning-based ultrasound imaging guidance and associated devices, systems, and methods
CN114845642A (zh) 用于超声成像的智能测量辅助以及相关联的设备、系统和方法
US11484286B2 (en) Ultrasound evaluation of anatomical features
CN114680929A (zh) 一种测量膈肌的超声成像方法和系统
JP2022513225A (ja) フレームのインデックス付け及び画像レビューのためのシステム及び方法
JP2023552330A (ja) 個人が１つ又は複数の病害を有する可能性を予測すること
EP3685753A1 (en) Ultrasound imaging apparatus and method of controlling the same
EP4327750A1 (en) Guided ultrasound imaging for point-of-care staging of medical conditions
US20200281566A1 (en) Ultrasonic imaging apparatus and method of controlling the same
WO2024042044A1 (en) Guided ultrasound imaging for point-of-care staging of medical conditions

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