CN110800019B - 用于复合超声图像生成的方法和系统 - Google Patents
用于复合超声图像生成的方法和系统 Download PDFInfo
- Publication number
- CN110800019B CN110800019B CN201880041427.2A CN201880041427A CN110800019B CN 110800019 B CN110800019 B CN 110800019B CN 201880041427 A CN201880041427 A CN 201880041427A CN 110800019 B CN110800019 B CN 110800019B
- Authority
- CN
- China
- Prior art keywords
- image
- pixels
- images
- channel data
- pixel
- 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
Links
- 238000002604 ultrasonography Methods 0.000 title claims abstract description 62
- 239000002131 composite material Substances 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000011156 evaluation Methods 0.000 claims abstract description 25
- 239000000523 sample Substances 0.000 claims description 19
- 238000013329 compounding Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 description 11
- 238000012935 Averaging Methods 0.000 description 8
- 208000031513 cyst Diseases 0.000 description 8
- 238000003384 imaging method Methods 0.000 description 8
- 239000013598 vector Substances 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 230000014509 gene expression Effects 0.000 description 6
- 206010011732 Cyst Diseases 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 230000003111 delayed effect Effects 0.000 description 4
- 230000001427 coherent effect Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 210000001519 tissue Anatomy 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012285 ultrasound imaging Methods 0.000 description 2
- 239000011165 3D composite Substances 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011157 data evaluation Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 210000003195 fascia Anatomy 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000012124 rapid diagnostic test Methods 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/42—Details of probe positioning or probe attachment to the patient
- A61B8/4245—Details of probe positioning or probe attachment to the patient involving determining the position of the probe, e.g. with respect to an external reference frame or to the patient
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20182—Noise reduction or smoothing in the temporal domain; Spatio-temporal filtering
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Quality & Reliability (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明提供了一种用于生成复合超声图像的方法。所述方法包括采集通道数据并对所述通道数据进行波束形成。使用经波束形成的通道数据，获得感兴趣区域的多幅图像，每幅图像包括多个像素，并且评价图像信息度量，其中，所述图像度量与所述多个像素中的像素相关联。对所述多幅图像的所述采集和对所述图像度量的所述评价被并行地执行。针对所述多幅图像中的每幅图像：针对所述多个像素中的每个像素的每像素加权基于对所述图像信息度量的所述评价被确定，并且被应用于所述多个像素中的每个像素。最后，基于所述多幅图像的多个经加权的像素来生成复合超声图像。
Description
相关申请
本申请要求于2017年6月22日提交的美国临时申请No.62/523,318的权益和优先权，通过引用将其整体并入本文。
技术领域
本发明涉及超声成像，并且更具体地涉及生成复合超声图像。
背景技术
一般来说，在超声系统中生成复合图像包括以不同受声波作用参数对相同介质进行成像以及对得到的视图进行平均。
例如，在空间复合的情况下，在各种观察角度下对介质进行成像，每个观察角度生成不同的视图。视图然后被平均以生成复合超声图像。这导致降低的散斑方差和板状散射体(边界)的增加的可见性以及其他图像质量改善。平均减少了散斑噪声并且改善了图像质量，因为它们描绘类似的解剖特征，尽管这些视图具有不同的噪声模式。此外，仅在某些成像角度下可见或更可见的某些结构可以通过空间复合来增强。
声速在软组织中改变多达14％，意味着结构的轻微定位不匹配可能存在于不同的视图中。在这种情况下，复合可以导致模糊。此外，复合可以导致：在不同观察角度下的点扩散函数的旁瓣被平均，从而导致囊肿中的组织的增加的模糊；来自不同角度的视图的光栅波瓣破坏复合超声图像；以及仅在给定角度下可见的结构未被充分地增强，因为最佳视图与其他次佳视图一起被平均。与单视图图像相比，这些组合的效果导致复合的超声图像的降低的对比度。
发明内容
本发明提供了用于生成复合超声图像同时维持图像对比度而无需大量的额外硬件的系统和方法。
根据依据本发明的一方面的范例，提供了一种用于生成复合超声图像的方法，所述方法包括：
采集通道数据；
对所述通道数据进行波束形成；
使用经波束形成的通道数据来并行地进行以下操作：
获得感兴趣区域的多幅图像，每幅图像包括多个像素；并且
针对多幅图像的每个像素评价图像信息度量；并且
针对所述多幅图像中的每幅图像：
基于对所述图像信息度量的所述评价来确定针对所述多个像素中的每个像素的每像素加权；并且
将所述每像素加权应用于所述多个像素中的每个像素；并且
基于所述多幅图像的多个经加权的像素来生成复合超声图像。
该方法根据多幅经加权的超声图像来生成复合超声图像。以此方式，能够生成其中关键特征基于预定的图像度量而被优先加权的复合超声图像。通过并行地执行图像采集和图像度量评价，能够显著地增加该方法的效率并且减少生成复合超声图像所需的时间。此外，由于经波束形成的通道数据通常包含比常规B模式超声图像更多的细节，所以基于经波束形成的通道数据的图像度量评价可以比基于图像本身的评价更准确，由此增加加权的准确性并且因此增加复合超声图像的准确性。
复合超声图像的像素可以被认为是从经波束形成的通道数据获得的多幅图像的像素的加权平均值。
在一实施例中，所述多个像素是体积像素。
以此方式，能够生成三维复合超声图像。
在一布置中，所述多幅图像中的每幅图像包括所述感兴趣区域的观察角度，其中，每幅图像的所述观察角度是不同的。
以此方式，对于图像来说能够从每个视图提供不相关的内容，意味着在仅几个观察角度下出现的各向异性特征更可能在多幅图像中的一幅图像中被捕获。通过在多幅图像中的至少一幅图像中捕获这些特征，特征可以被加权以更清楚地出现在复合超声图像中，由此增加最终图像的准确性。
在一些布置中，所述图像度量包括特征和取向中的至少一个。
以此方式，能够识别共同特征或识别图像中的每幅图像之间的取向的变化，其然后可以在对复合超声图像的生成中被使用。
在一些实施例中，对所述图像度量的所述评价包括评价所述经波束形成的通道数据的相干性度量。
以此方式，能够在低相干信号(诸如系统噪声)、高相干信号(诸如来自点散射体的信号)以及中间相干信号(诸如散斑)之间进行区分。以此方式，相干性度量可以用来应用适当的加权，以最小化噪声并且突出感兴趣区域中的重要特征。
在一实施例中，所述相干性度量包括以下中的至少一项：相干因子；协方差矩阵的特征值的优势度；以及Wiener因子。
在一些实施例中，对所述复合超声图像的所述生成包括对所述经加权的像素执行以下中的至少一项：空间复合；时间复合；或频率复合。
以此方式，能够分别从：不同的观察角度；独立的声学窗口；以及不同的成像频率获得复合图像。
在一布置中，对所述复合超声图像的所述生成包括回顾性动态发射(RDT)聚焦和非相干RDT聚焦中的至少一种。
在一些布置中，对所述复合超声图像的所述生成以多尺度方式被执行。
以此方式，能够基于图像的空间频率来分离图像数据。经由通过空间频率来分离图像数据，可以包含诸如囊肿的结构的低空间频率信号可以在图像度量评价中被使用，而可以包含散斑的高空间频率信号可以被丢弃。
在一实施例中，所述方法还包括基于对所述图像度量的所述评价将亮度值分配给每幅图像的所述多个像素。
以此方式，能够生成经波束形成的通道数据评价的视觉表示。此外，在多于一种图像度量被使用的情况下，亮度值可以提供多个复杂参数的简单表示。
在又一实施例中，对针对每个像素的所述加权的所述确定基于以下中的至少一项：跨所述多幅图像的所述多个像素的最大亮度值；平均亮度值；以及最小亮度值。
以此方式，最大亮度值像素可以针对感兴趣区域的重要特征被高水平地加权，最小亮度值像素可以在高系统噪声的区域中被高水平地加权，由此从复合超声图像移除杂波，并且平均亮度值像素可以在散斑信号的区域中被高水平地加权。
在又一实施例中，所述方法还包括：
基于跨所述多幅图像的所述多个像素的所述平均亮度值来生成平均亮度值图像；
从所述复合超声图像减去所述平均亮度值图像，由此生成差图像；
将低通滤波器应用于所述差图像；并且
对所述平均亮度值图像和减法图像进行求和，由此生成散斑滤波的复合超声图像。
以此方式，能够从复合超声图像消除散斑伪影。
根据依据本发明的一方面的范例，提供了一种包括计算机程序代码单元的计算机程序，当所述计算机程序在计算机上运行时，所述计算机程序代码单元适于执行如上面描述的方法。
根据依据本发明的一方面的范例，提供了一种用于生成复合超声图像的系统，所述系统包括：
超声探头，其适于采集通道数据；
波束形成模块，其适于对所述通道数据应用波束形成；
控制器，其适于：
使用经波束形成的通道数据来并行地进行以下操作：
获得感兴趣区域的多幅图像，每幅图像包括多个像素；并且
针对多幅图像的每个像素评价图像信息度量；并且
针对所述多幅图像中的每幅图像：
基于对所述图像信息度量的所述评价来确定针对所述多个像素中的每个像素的每像素加权；并且
将所述每像素加权应用于所述多个像素中的每个像素；以及
像素复合器，其适于基于所述多幅图像的多个经加权的像素来生成复合超声图像。
在一实施例中，所述超声探头包括电子转向单元，所述电子转向单元适于改变所述超声探头的观察角度。
附图说明
现在将参考附图详细地描述本发明的范例，在附图中：
图1示出了复合超声成像系统的示意图；
图2示出了一组数学定义和关系；
图3示出了本发明的方法；
图4示出了超声图像的像素亮度图与相干因子图之间的比较；并且
图5示出了在应用散斑减少方法之后的图4的自适应亮度图。
具体实施方式
本发明提供了一种用于生成复合超声图像的方法。所述方法包括采集通道数据并对所述通道数据进行波束形成。使用经波束形成的通道数据，获得感兴趣区域的多幅图像，每幅图像包括多个像素，并且评价图像信息度量，其中，所述图像度量与所述多个像素中的像素相关联。对所述多幅图像的所述采集和对所述图像度量的所述评价被并行地执行。针对所述多幅图像中的每幅图像：针对所述多个像素中的每个像素的每像素加权基于对所述图像信息度量的所述评价被确定，并且被应用于所述多个像素中的每个像素。最后，基于所述多幅图像的多个经加权的像素来生成复合超声图像。
图1是适于生成复合超声图像的超声系统100的示意图。该系统包括通过线缆116连接到图像形成模块102的超声探头114。图像形成模块包含通道波束形成器166和波束空间波束形成器X。该装置还包括图像内容评价模块154、权重确定模块156、图像处理器110和成像显示器112。
成像探头114用来在不同的条件下(诸如不同的发射/接收角度或发射/接收频率)执行对感兴趣介质138的若干观察。例如，三个发射角度可以用来产生三幅相应的图像126、128、130。图像可以在空间复合的情况下在发射角度或接收角度或两者方面改变，在频率复合的情况下在发射频率或接收频率或两者方面改变，或者在角度和频率两者方面改变。
扫描转换和空间配准模块XX确保所有图像都在空间上被配准，意味着图像的每个像素137在空间上对应于其余图像中的每幅图像的像素，并且在空间上对应于要被形成的最终复合超声图像190的像素。图像可以是二维或三维的。
在这种情况下，感兴趣区域138的不同图像126、128、130从成像对象144(诸如人类患者或动物)的外表面142或皮肤上的单个声学窗口140获得。备选地或额外地，外表面142上的多于一个声学窗口可以用于采集具有不同角度的视图。探头114可以在窗口之间被移动，或者额外的探头可以被放置在每个声学窗口处。在多个声学窗口的情况下，可以对多幅图像执行时间复合。
图像形成模块102包括波束形成模块152。波束形成模块152包含电子转向模块(也被称为通道波束形成器166)和波束形成求和模块168。电子转向模块166包括适于将延迟引入到各种通道数据信号的波束形成延迟模块170。波束形成模块152还可以包括波束空间波束形成模块X。图像形成模块102还包括包络检测模块XXX和对数压缩模块162。
图像内容评价模块154可以包括分类器模块172、相干因子模块174、协方差矩阵分析模块176和Wiener因子模块178。在一些情况下，图像内容评价模块还可以包括通过备选相干度量来测量信号的局部相干性的其他模块。
图像处理器110包括像素复合器160。像素复合器160包括空间复合器180、时间复合器181和频率复合器182。到像素复合器160的输入包括三幅图像126、128、130的像素137a、137b、137c，其在空间上对应于要被形成的复合图像191的当前像素，即，当前复合图像像素。这些输入伴随有来自通过权重确定模块156确定的相应加权图像184、186、188的加权输入180a、180b和180c。像素复合器160的输出是正被形成的复合超声图像190的复合像素191。
在下面描述相干因子模块174和协方差矩阵分析模块176的操作原理。
关于如由相干因子模块174执行的相干性估计，假设S(m，n，tx，rx)表示复杂RF波束形成延迟的通道数据192，即在通过通道波束形成器166应用波束形成延迟之后但是在通过波束形成求和模块168的波束求和之前形成的经波束形成的通道数据。此处，m是成像深度/时间计数器或下标，n是通道下标，tx是发射波束下标，并且rx是接收波束下标。在具有单个接收波束rx的像素(m,rx)或场点137处的相干因子(CF)或“聚焦准则”被计算如下：
其中，N是通道的数量。
在多个发射波束被包含到CF估计中的情况下；CF公式可以被重新定义为：
其中，Δ是在相干发射复合被使用在波束形成器中的情况下用来执行在多个发射事件上的平均的可调参数。
像随后的定义，该定义在图2中被重复。通过计算CF(m,rx)的关于像素(m,rx)的图像度量的评价与对图像126、128和130的采集被并行地执行。此外，对延迟的通道数据192的评价不晚于波束形成求和而开始，即，求和
如上面提到的，像素(m,rx)137是位置的函数。相干性估计对延迟的通道数据192进行操作。CF(m,rx)估计或估计的结果204可以包括在多个发射波束上对平方量值函数206和平方波束和208进行求和，平方波束和为波束形成的求和结果。函数206和波束和208都通过在通道数据的通道上进行求和来形成。
现在参考由协方差矩阵分析模块执行的协方差矩阵分析，假设R(m,rx)表示在像素(m,rx)处通过在时间或空间深度的范围214内的时间平均获得的协方差矩阵或相关矩阵210：
其中：
并且sH是s的厄米特转置。p指示深度样本下标，并且d是用来定义在其内估计协方差的深度窗口的可调参数。这可以大约是发射脉冲长度，其通常为若干波长。
因为R(m,rx)是半正定矩阵，所有其特征值212都是实数且正的。将特征值表示为其中γi≥γi+1，R(m,rx)的迹可以被表示为：
第一特征值218的优势度216被表示为：
如果对于i≥2，γi(m,rx)＝0，即如果R(m,rx)的秩为1，如Tr{R(m,rx)}＝γ1(m,rx)，则优势度是无限的，否则优势度是有限的。在若干发射上进行求和(也被称为波束平均)也可以在协方差矩阵分析中被应用如下：
其中：
对发射进行组合的另一方式是根据通过回顾性地重新产生聚焦的发射波束的算法生成的数据来形成协方差矩阵。利用RDT聚焦的范例如下，并且对于其他算法，诸如非相干RDT、平面波成像和合成孔径波束形成，类似的特征值优势度计算应用：
其中
其中，SRDT(p,n,rx)是通过执行聚焦于原始通道数据S(m,n,tx,rx)的回顾性动态发射(RDT)获得的动态发射波束形成的复杂RF通道数据。如同相干因子评价，通过计算R(m,rx)的关于(m,rx)的图像度量的评价与对图像126、128和130的采集被并行地执行。此外，对延迟的通道数据192的评价不晚于波束形成求和而开始。
在上面的方法中，如同特征值优势度，CF0(m,rx)或CF(m,rx)也可以通过在时间或空间深度140的范围214内的时间平均来获得。
根据J.R.Robert和M.Fink的“Green’s function estimation in speckle usingthe decomposition of the time reversal operator:Application to aberrationcorrection in medical imaging”(J.Acoust.Soc.Am.，第123卷，no.2，pp.866-877，2008)，第一特征值evd(m,rx)的优势度可以通过1/(1-CF1(m,rx))来近似，其中，CF1(m,rx)是从通道数据S(m,n,tx,rx)获得的相干因子。在多个发射波束和/或RDT上进行平均的时间平均可以在计算CF1(m,rx)中被应用。相反，相干因子可以基于利用近似平均导出的特征值优势度来近似。
除了CF度量和特征值优势度度量之外，可以被使用的图像度量的另一范例是Wiener因子，其在RDT和IRDT的情况下是可应用的。用于导出Wiener因子的Wiener因子模块178根据以下原理进行操作。
K超声波前(发射)顺序地声穿透介质138。被介质背向散射的波由超声探头的换能器阵列记录，并且在接收中被波束形成以聚焦在相同像素137上。此处假设像素通过RDT或IRDT聚焦来形成。
结果是被表示为ri(P)的对应于对像素P137有贡献的信号的容量N个样本(每个阵列元件一个样本)的一组K个接收向量，其中i＝1，…，K。向量中的每个能够被视为像素137的不同观察。ri(P)的条目是具有非零实数部分和虚数部分两者的复数。
接收向量中的每个由切趾向量a(其为例如Box、Hanning或Riesz窗口)来加权，并且跨接收元件进行求和。这产生对应于利用K个不同声穿透获得的样本值(SV)的K个波束和值：
{SV1(P)＝aHr1(P)；SV2(P)＝aHr2(P)；…；SVK(P)＝aHrK(P)} (表达式1)
这些K样本值的集合被称为“RDT向量”。注意，RDT样本值通过如下地对RDT向量的值进行求和来获得：
Wiener因子被给出为：
表达式3的分子是RDT向量的元素的相干和的平方，即RDT样本值被平方。分母是RDT向量的平方元素的非相关和。换言之，如果非相干RDT样本值(SVIRDT)被定义为分子的平方根，那么：
Wiener因子是相干RDT能量与非相干RDT能量之间的比。因此，它可以被认为是波束空间中的相干因子。它可以用作针对RDT和IRDT聚焦的图像度量。再次地，通过计算wwiener(P)的关于像素137的局部图像内容的评价与对图像126、128和130的采集被并行地执行。此外，对延迟的通道数据192的评价不晚于波束形成求和(即求和)而开始。
直接图像度量也可以代替基于信号的图像度量(诸如相干因子)来使用。例如，文献中的已知置信度度量通常基于图像的局部梯度和拉普拉斯算子。例如，参见Frangi等人的“Multiscale vessel enhancement filtering”(MICCAI 1998)。“置信度因子”可以根据预压缩的数据来如下地计算：在每个像素处，大约20乘1个像素的矩形框被旋转，其中空间上对应的像素180a-180c在该框的中间。该框以10度的增量从0度被旋转到170度。对于该框的每个取向，记录该框内部的平均像素值。最终度量等于跨所有角度的该度量的最大值。
图3示出了本发明的方法300。
在步骤302中，通过超声探头来采集通道数据。通道数据可以包括与感兴趣区域的若干观察相关的数据。
在步骤304中，对通道数据进行波束形成。波束形成可以由图像采集模块102并且更具体地由波束形成延迟模块170执行。波束形成延迟模块可以将通道特异性延迟应用于通道数据，由此产生经波束形成的通道数据192。
在步骤306中，经波束形成的通道数据由图像采集模块102用来获得多幅图像126-130。该多幅图像可以各自包括感兴趣区域的不同观察角度。
与步骤306并行地，在步骤308中，经波束形成的通道数据由图像内容评价模块154用来评价图像信息度量。图像信息度量可以是相干性度量，诸如：相干因子；协方差矩阵；以及，最特别地，在RDT/IRDT聚焦的情况下，Wiener因子(但是Wiener因子可以在没有RDT/IRDT聚焦的情况下被使用)。这些因子可以如上面讨论的那样被评价。此外，图像度量的任何组合可以用来评价经波束形成的通道数据，诸如相干因子和Wiener因子或相干因子和协方差矩阵特征值优势度。应当注意，相干因子和协方差矩阵图像度量可以在任何情况下被使用，不管RDT或IRDT聚焦是否被采用。备选地，与通道的信号的相干性相关的任何其他测量可以被评价为图像信息度量。图像信息度量针对在空间上对应于在步骤306中获得的图像的图像位置来确定。
在步骤310中，所评价的图像信息度量用来确定针对图像的每个空间上对应的像素的每像素加权。
在步骤312中，将每像素加权应用于图像的每个像素。针对多幅图像中的每幅图像重复步骤310和312。
在步骤314中，基于图像的多个经加权的像素来生成复合超声图像190。图像之间的运动补偿或平面复合可以被应用以减少最终复合超声图像中的运动伪影。
最终复合超声图像I复合可以被表示为：
其中：wi是要被局部地应用于图像Ii的权重。图像在每像素基础上进行复合，意味着如果图像的像素和权重图被标引x和y，那么公式变成：
如上面描述的，根据通道数据的相干性的测量来导出，而且也可以是基于图像的。
在一些情况下，可以对图像信息度量执行分类以确定图像信息度量是否包括感兴趣区域的特征或取向。这种分类可以在图像的任何空间范围内(例如，在以正被评价的当前像素为中心的124个像素立方体内)被执行。如果特征(诸如血管)或取向被确定为存在于图像信息度量中，则正被评价的像素可以被分类为重要的。这种分类然后可以在对每像素加权的确定期间被考虑在内。
例如，权重一可以被分配给多幅图像中的被标记为重要的图像的像素，并且权重零被分配给其余图像的其余像素。备选地，权重确定可以在找到的特征与找到的取向之间进行区分，例如，给予特征优先级。另一备选方案是在都被标记为重要的两个像素之间拆分加权平均值。而且，代替获得完全的权重一，重要的分类可以基于图像信息度量分析被给予高权重，诸如0.75，从而影响针对其他空间上对应的像素的加权。
亮度图可以根据多幅图像来生成。例如，最大亮度值图可以通过针对最大亮度值图的每个像素选择跨多幅获得的图像具有最高亮度值的空间上对应的像素来构建。类似地，平均亮度图和最小亮度图也可以被生成。
最大亮度值图构成增强各向异性结构的可见性的图像；然而，在该亮度图中，组织模糊被最大化，并且对比度被恶化。在平均亮度值图中，平滑掉散斑区域的益处被实现。最小亮度值图不良地描绘各向异性结构，但是有利地在囊肿内部产生低亮度值。有益的是不增强囊肿区域，并且不将旁瓣杂波带到囊肿内。此外，归一化的图像信息度量图也可以被生成。
加权可以被确定为亮度图的函数，从而得到以下公式：
I复合＝wminImin+w平均I平均+wmaxImax，
其中Imin、I平均和Imax分别是在这些图像上的最小亮度值图、平均亮度值图和最大亮度值图。如之前所述，这也可以以逐像素形式来表达。
在下面讨论基于相干因子(CF)的示范性实施方式。更一般地，基于图像信息度量图，能够确定要分配给最小、平均和最大空间上对应的像素的权重以形成最终复合超声图像，该最终复合超声图像包含具有最大可见性的所有结构和具有最大对比度的所有囊肿。
在下面描述两种可能的实施方式，其中的第一种不使用最小亮度图像，而其中的第二种使用最小亮度图像。使用最小图像通过减少囊肿杂波来增加图像对比度，但是也会导致来自真实结构的不想要的信号降低。
在第一种实施方式中，像素的加权平均值根据平均图像和最大图像来获取。该实施方式的三个规则是：1)当CF在给定阈值tmax之上时，从最大图像选择像素；2)当CF在给定阈值tmin之下时，从平均图像选择像素；并且3)当CF位于这两个阈值之间时，对这两个像素进行组合。这能够在数学上形成如下公式：
在tmin与tmax之间对CF进行归一化：
基于归一化的CF来确定权重：
w平均＝1-CFnorm；wmax＝CFnorm
因此，代替直接对获得的图像126-130进行复合，每个复合像素191是平均亮度图中的其对应部分和最大亮度图中的其对应部分的加权平均值，那两个相当像素分别通过w平均和wmax来加权。权重也可以具有二次表达式、多项式表达式或指数表达式。
第二种实施方式找到最小图像、平均图像和最大图像的加权平均值。在这种情况下，三个规则是：1)当CF在给定阈值tmax之上时，从最大图像选择像素；2)当CF在给定阈值tmin之下时，从最小图像选择像素；并且3)在其之间，对来自最小图像、平均图像和最大图像的像素进行组合，但是CF的一些可能值将专门从平均图像选择像素。
这能够在数学上形成如下公式：
在tmin与tmax之间对CF进行归一化：
基于归一化的CF来确定权重：
wmin＝(1-CFnorm)2；wmax＝(CFnorm)2；w平均＝1-wmin-wmax
权重也可以具有线性表达式、多项式表达式或指数表达式。
通过自适应方法引入的散斑伪影能够被移除，同时保留对比度增益，如下所述。平均亮度值图像从在步骤S314中产生的复合超声图像减去。得到的差图像被低通滤波，并且经低通滤波的图像被添加到平均图像以产生去散斑的图像。低频图像变化(诸如更大结构和囊肿)因此被保留，而更高频率变化(诸如散斑增加)被消除。低通滤波器可通过利用例如高斯或盒核的卷积来实现。复合超声图像现在准备好显示给用户。
备选地，关于散斑减少，可编程数字滤波器可以被引入来接收经波束形成的数据，并且将包含散斑信号的更高空间频率的数据与更低空间频率的数据分离。在该多尺度方法中，多尺度模块仅将更低频率数据传递到图像内容评价模块154以用于自适应复合。更高频率数据在权重确定模块156中被分配以相等的复合权重。此外，不同的度量和用于基于这些度量将复合的子视图组合成复合图像的不同公式可以有利地在每个尺度下被应用。例如，低空间频率可以比更高空间频率更强烈地被增强。
任选地，在空间上对应的像素180a-180c的邻域中确定的权重可以诸如通过平均来进行组合。邻域可以是以当前像素为中心的一簇像素。在此情况下，复合以更少粒度被执行，即，逐邻域，而非逐像素。这可以被采用在处理功率是限制因素的系统中。这还具有降低加权的子图像的散斑方差的益处。
图4示出了平均亮度图和最大亮度图、相干因子图与如上面描述的第一加权方法和第二加权方法之间的比较。
参考图4，第一图像400示出了平均亮度图，第二图像410示出了最大亮度图，第三图像420示出了CF图，第四图像430示出了在上面的第一种实施方式中描述的平均-最大自适应图像，并且第五图像440示出了在上面的第二种实施方式中描述的最小-平均-最大自适应图像。
当相比于平均和最大亮度图像时，自适应图像存在更多对比度，并且锐化结构的方面。此外，筋膜组织到周围肌肉薄壁组织中的模糊被极大减少，尤其是当最小亮度图像也被使用时，如通过第五图像440示出的。在最大亮度图像中可见但是在平均亮度图像中不可见的结构在自适应图像中仍然是可见的，但是具有比在最大图像中更大的对比度。自适应图像趋向于比平均图像具有更多的散斑；然而，这种效果可以通过对相干因子图的空间平均/自适应滤波被极大降低，如在图5中示出的。
参考图5，第一图像分别将在应用如上面描述的散斑减少方法之后的平均-最大自适应图像和最小-平均-最大自适应图像示为图像450和460。通过与图4的第四图像430和第五图像440的比较，清楚的是，特别是在更暗区域中的散斑已经被显著减少，由此改善总体图像的对比度。
尽管已经在附图和前面的描述中详细说明和描述了本发明，但是这样的说明和描述应当被认为是说明性或示范性的，而非限制性的；本发明不限于所公开的实施例。
例如，在本文中提出的内容的预期范围内的是如下面描述的计算机可读介质，诸如包含具有可执行用于执行在图3中表示的过程的指令的计算机程序的集成电路。处理可通过软件、硬件和固件的任何组合来实施。
计算机程序能够被即刻地、临时地或长时间地存储在合适的计算机可读介质上，诸如光学存储介质或固态介质上。这样的介质仅在不是瞬态传播信号的意义上是非瞬态的，但是包括其他形式的计算机可读介质，诸如寄存器存储器、处理器高速缓冲存储器、RAM和其他易失性存储器。
通过研究附图、说明书和权利要求书，本领域技术人员在实践所要求保护的发明时可以理解和实现对所公开实施例的其他变型。在权利要求中，“包括”一词不排除其他元件或步骤，并且词语“一”或“一个”不排除多个。尽管在相互不同的从属权利要求中记载了特定措施，但是这并不指示不能有利地使用这些措施的组合。权利要求中的任何附图标记不应被解释为对范围的限制。
Claims (15)
1.一种用于生成复合超声图像的方法（300），所述方法包括：
（302）采集通道数据；
（304）对所述通道数据进行波束形成；
并行地进行步骤1和2：
步骤1：（306）根据经波束形成的通道数据获得感兴趣区域的多幅图像，每幅图像包括多个像素；并且
步骤2：（308）评价经波束形成的通道数据的图像信息度量，所述图像信息度量与多幅图像的每个像素相关联；并且
针对所述多幅图像中的每幅图像：
（310）基于对所述图像信息度量的所述评价来确定针对所述多个像素中的每个像素的每像素加权；并且
（312）将所述每像素加权应用于所述多个像素中的每个像素；并且
（314）基于所述多幅图像的多个经加权的像素来生成复合超声图像。
2.根据权利要求1所述的方法，其中，所述多个像素是体积像素。
3.根据权利要求1至2中的任一项所述的方法，其中，所述多幅图像中的每幅图像包括所述感兴趣区域的观察角度，其中，每幅图像的所述观察角度是不同的。
4.根据权利要求1至2中的任一项所述的方法，其中，所述图像信息度量包括特征和取向中的至少一个。
5.根据权利要求1至2中的任一项所述的方法，其中，对所述图像信息度量的所述评价包括评价所述经波束形成的通道数据的相干性度量。
6.根据权利要求5所述的方法，其中，所述相干性度量包括以下中的至少一项：相干因子；协方差矩阵的特征值的优势度；以及Wiener因子。
7.根据权利要求1至2中的任一项所述的方法，其中，对所述复合超声图像的所述生成包括对所述经加权的像素执行以下中的至少一项：空间复合；时间复合；频率复合。
8.根据权利要求1至2中的任一项所述的方法，其中，对所述复合超声图像的所述生成包括回顾性动态发射RDT聚焦和非相干RDT聚焦中的至少一种。
9.根据权利要求1至2中的任一项所述的方法，其中，对所述复合超声图像的所述生成以多尺度方式被执行。
10.根据权利要求1至2中的任一项所述的方法，其中，所述方法还包括基于对所述图像信息度量的所述评价将亮度值分配给每幅图像的所述多个像素。
11.根据权利要求10所述的方法，其中，对针对每个像素的所述加权的所述确定基于以下中的至少一项：跨所述多幅图像的所述多个像素的最大亮度值；平均亮度值；以及最小亮度值。
12.根据权利要求11所述的方法，其中，所述方法还包括：
基于跨所述多幅图像的所述多个像素的所述平均亮度值来生成平均亮度值图像；
从所述复合超声图像减去所述平均亮度值图像，由此生成差图像；
将低通滤波器应用于所述差图像；并且
对所述平均亮度值图像和所述差图像进行求和，由此生成散斑滤波的复合超声图像。
13.一种计算机可读介质，其存储计算机程序代码单元，当所述计算机程序代码单元在计算机上运行时，所述计算机程序代码单元适于实施根据权利要求1-12中的任一项所述的方法。
14.一种用于生成复合超声图像的系统（100），所述系统包括：
超声探头（114），其适于采集通道数据；
波束形成模块（152），其适于对所述通道数据应用波束形成；
控制器，其适于：
并行地进行步骤1和2：
步骤1：根据经波束形成的通道数据获得感兴趣区域的多幅图像，每幅图像包括多个像素；并且
步骤2：评价经波束形成的通道数据的图像信息度量，所述图像信息度量与多幅图像的每个像素相关联；并且
针对所述多幅图像中的每幅图像：
基于对所述图像信息度量的所述评价来确定针对所述多个像素中的每个像素的每像素加权；并且
将所述每像素加权应用于所述多个像素中的每个像素；以及
像素复合器（160），其适于基于所述多幅图像的多个经加权的像素来生成复合超声图像。
15.根据权利要求14所述的系统，其中，所述超声探头包括电子转向单元，所述电子转向单元适于改变所述超声探头的观察角度。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201762523318P | 2017-06-22 | 2017-06-22 | |
| US62/523,318 | 2017-06-22 | ||
| PCT/EP2018/066053 WO2018234209A1 (en) | 2017-06-22 | 2018-06-18 | METHODS AND SYSTEM FOR GENERATING COMPOSITE ULTRASONIC IMAGE |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110800019A CN110800019A (zh) | 2020-02-14 |
| CN110800019B true CN110800019B (zh) | 2024-02-06 |
Family
ID=62748946
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201880041427.2A Active CN110800019B (zh) | 2017-06-22 | 2018-06-18 | 用于复合超声图像生成的方法和系统 |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US11087466B2 (zh) |
| EP (1) | EP3642791A1 (zh) |
| JP (1) | JP7123984B2 (zh) |
| CN (1) | CN110800019B (zh) |
| WO (1) | WO2018234209A1 (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2017099616A (ja) * | 2015-12-01 | 2017-06-08 | ソニー株式会社 | 手術用制御装置、手術用制御方法、およびプログラム、並びに手術システム |
| EP3928121A1 (en) * | 2019-02-22 | 2021-12-29 | Koninklijke Philips N.V. | Ultrasound imaging with deep learning-based beamforming and associated devices, systems, and methods |
| CN112263274B (zh) * | 2020-11-18 | 2023-01-31 | 飞依诺科技股份有限公司 | 基于多角度超声发射自适应成像方法、设备及存储介质 |
| CN113345041B (zh) * | 2021-05-20 | 2024-03-15 | 河南工业大学 | 超声相干因子确定方法、超声图像重建方法及电子设备 |
| CN115616014A (zh) * | 2022-02-14 | 2023-01-17 | 国科大杭州高等研究院 | 一种动量编码x射线衍射图样匹配校正方法及其应用 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6511426B1 (en) * | 1998-06-02 | 2003-01-28 | Acuson Corporation | Medical diagnostic ultrasound system and method for versatile processing |
| CN101023376A (zh) * | 2004-07-23 | 2007-08-22 | 比约恩·A·J·安杰尔森 | 超声成像 |
| CN101637395A (zh) * | 2008-03-13 | 2010-02-03 | 超声成像 | 一种用于超声波合成成像的方法和装置 |
| CN102047326A (zh) * | 2008-05-29 | 2011-05-04 | 高通股份有限公司 | 用于频谱对比加强的系统、方法、设备及计算机程序产品 |
| CN102727255A (zh) * | 2012-07-13 | 2012-10-17 | 深圳市理邦精密仪器股份有限公司 | 一种超声图像空间复合成像的方法及装置 |
| CN105813572A (zh) * | 2013-12-09 | 2016-07-27 | 皇家飞利浦有限公司 | 基于图像信息的图像复合 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6547732B2 (en) | 1998-10-01 | 2003-04-15 | Koninklijke Philips Electronics N.V. | Adaptive image processing for spatial compounding |
| US6126598A (en) | 1998-10-01 | 2000-10-03 | Atl Ultrasound, Inc. | Ultrasonic diagnostic imaging system with adaptive spatial compounding |
| US7780601B2 (en) * | 2007-06-05 | 2010-08-24 | Siemens Medical Solutions Usa, Inc. | Adaptive clinical marker preservation in spatial compound ultrasound imaging |
| US9173629B2 (en) * | 2009-11-18 | 2015-11-03 | Kabushiki Kaisha Toshiba | Ultrasonic diagnostic apparatus and ultrasonic image processing apparatus |
| JP5987548B2 (ja) * | 2012-08-10 | 2016-09-07 | コニカミノルタ株式会社 | 超音波画像診断装置及び超音波画像診断装置の制御方法 |
| WO2018145293A1 (en) * | 2017-02-10 | 2018-08-16 | Covidien Lp | Systems, methods, and computer readable media for processing and compounding ultrasound images in the presence of motion |
-
2018
- 2018-06-18 JP JP2019570135A patent/JP7123984B2/ja active Active
- 2018-06-18 CN CN201880041427.2A patent/CN110800019B/zh active Active
- 2018-06-18 EP EP18734141.7A patent/EP3642791A1/en not_active Withdrawn
- 2018-06-18 WO PCT/EP2018/066053 patent/WO2018234209A1/en unknown
- 2018-06-18 US US16/622,375 patent/US11087466B2/en active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6511426B1 (en) * | 1998-06-02 | 2003-01-28 | Acuson Corporation | Medical diagnostic ultrasound system and method for versatile processing |
| CN101023376A (zh) * | 2004-07-23 | 2007-08-22 | 比约恩·A·J·安杰尔森 | 超声成像 |
| CN101637395A (zh) * | 2008-03-13 | 2010-02-03 | 超声成像 | 一种用于超声波合成成像的方法和装置 |
| CN102047326A (zh) * | 2008-05-29 | 2011-05-04 | 高通股份有限公司 | 用于频谱对比加强的系统、方法、设备及计算机程序产品 |
| CN102727255A (zh) * | 2012-07-13 | 2012-10-17 | 深圳市理邦精密仪器股份有限公司 | 一种超声图像空间复合成像的方法及装置 |
| CN105813572A (zh) * | 2013-12-09 | 2016-07-27 | 皇家飞利浦有限公司 | 基于图像信息的图像复合 |
Also Published As
| Publication number | Publication date |
|---|---|
| US11087466B2 (en) | 2021-08-10 |
| EP3642791A1 (en) | 2020-04-29 |
| JP7123984B2 (ja) | 2022-08-23 |
| WO2018234209A1 (en) | 2018-12-27 |
| JP2020524552A (ja) | 2020-08-20 |
| CN110800019A (zh) | 2020-02-14 |
| US20200202518A1 (en) | 2020-06-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110800019B (zh) | 用于复合超声图像生成的方法和系统 | |
| CN108697354B (zh) | 超声血流成像 | |
| US20170301094A1 (en) | Image compounding based on image information | |
| US20220292637A1 (en) | Methods for High Spatial and Temporal Resolution Ultrasound Imaging of Microvessels | |
| US10012619B2 (en) | Imaging apparatus, ultrasonic imaging apparatus, method of processing an image, and method of processing an ultrasonic image | |
| US20230086332A1 (en) | High-Sensitivity and Real-Time Ultrasound Blood Flow Imaging Based on Adaptive and Localized Spatiotemporal Clutter Filtering | |
| Resham et al. | Noise reduction, enhancement and classification for sonar images | |
| KR100778823B1 (ko) | 초음파 영상 처리 시스템 및 방법 | |
| Jayanthi Sree et al. | De-speckling of ultrasound images using local statistics-based trilateral filter | |
| Kleckler et al. | Characterization of Heterogeneous Perfusion in Contrast-Enhanced Ultrasound | |
| EP3905962A1 (en) | Systems and methods for ultrasound attenuation coefficient estimation | |
| Haseena et al. | A view on ultrasonogram denoising techniques | |
| Dey et al. | Multiframe-based Adaptive Despeckling Algorithm for Ultrasound B-mode Imaging with Superior Edge and Texture | |
| KR101610877B1 (ko) | 공간 일관성 기초 초음파 신호 처리 모듈 및 그에 의한 초음파 신호 처리 방법 | |
| Eskiçirak | Patch based speckle reduction methods in ultrasound images | |
| Santra | Denoising images under multiplicative noise | |
| Hu et al. | Comparison of several speckle reduction techniques for 3D Ultrasound Images | |
| Rajesh et al. | Improved despeckle filtering technique for liver cirrhosis US images | |
| Sikhakhane et al. | Review of Ultrasound Image Processing Techniques for Speckle Noise Reduction | |
| Dey | High quality ultrasound B-mode image generation using 2-D multichannel-based deconvolution and multiframe-based adaptive despeckling algorithms | |
| JP2024004713A (ja) | 血流抽出画像形成装置、血流抽出画像形成方法、及び、血流抽出画像形成プログラム | |
| Fernandes et al. | An In-field Calibrated Multiband-Multiresolution Bilateral Filter for Digital Image Applications | |
| Shimeles | ID. NO. SGS/0221/08 | |
| Gupta et al. | Denoising of intravascular ultrasound images: a comparative study | |
| Abbey et al. | An ideal observer approach to mechanical limits in b-mode ultrasound imaging |
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 |