CN111053572B - 用于医疗图像中的运动检测和补偿的方法和系统 - Google Patents

用于医疗图像中的运动检测和补偿的方法和系统 Download PDF

Info

Publication number
CN111053572B
CN111053572B CN201910982548.3A CN201910982548A CN111053572B CN 111053572 B CN111053572 B CN 111053572B CN 201910982548 A CN201910982548 A CN 201910982548A CN 111053572 B CN111053572 B CN 111053572B
Authority
CN
China
Prior art keywords
image frame
motion
score
tracking
image
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
CN201910982548.3A
Other languages
English (en)
Other versions
CN111053572A (zh
Inventor
叶莲娜·维克托洛夫娜·齐姆巴连科
托马斯·安德鲁·克劳斯
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.)
General Electric Co
Original Assignee
General Electric Co
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 General Electric Co filed Critical General Electric Co
Publication of CN111053572A publication Critical patent/CN111053572A/zh
Application granted granted Critical
Publication of CN111053572B publication Critical patent/CN111053572B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/73—Deblurring; Sharpening
    • 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
    • A61B8/5269—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving detection or reduction of artifacts
    • A61B8/5276—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving detection or reduction of artifacts due to motion
    • 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
    • A61B8/46—Ultrasonic, sonic or infrasonic diagnostic devices with special arrangements for interfacing with the operator or the patient
    • A61B8/461—Displaying means of special interest
    • A61B8/463—Displaying means of special interest characterised by displaying multiple images or images and diagnostic data on one display
    • 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
    • A61B8/469—Ultrasonic, sonic or infrasonic diagnostic devices with special arrangements for interfacing with the operator or the patient characterised by special input means for selection of a region of interest
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—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
    • A61B8/5238—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for combining image data of patient, e.g. merging several images from different acquisition modes into one image
    • A61B8/5246—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for combining image data of patient, e.g. merging several images from different acquisition modes into one image combining images from the same or different imaging techniques, e.g. color Doppler and B-mode
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G06T7/248—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving reference images or patches
    • 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
    • G06T2207/10024—Color 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10116—X-ray image
    • G06T2207/10121—Fluoroscopy
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10132—Ultrasound image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • 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
    • G06T2207/20216—Image averaging

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Biophysics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Pathology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Hematology (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

本发明题为“用于医疗图像中的运动检测和补偿的方法和系统”。本发明提供了用于补偿医疗图像中的运动的各种方法和系统。作为一个示例，用于医疗成像系统的方法可包括在用所述医疗成像系统采集的多个图像帧中独立地跟踪第一对象的运动和第二对象的运动，并且针对所述多个图像帧中选择的图像帧，为所选择的图像帧补偿所述第一对象的运动和所述第二对象的运动以生成补偿的选择的图像帧，以及输出所补偿的选择的图像帧以用于在显示设备上显示，其中补偿所述第一对象的所述运动独立于补偿所述第二对象的所述运动来执行。

Description

用于医疗图像中的运动检测和补偿的方法和系统
技术领域
本文所公开的主题的实施方案涉及医疗成像。
背景技术
对于医疗或工业应用，超声波是采用超声波来探测目标对象(例如，患者的身体)的声学特性并产生对应的图像的成像模态。当使用超声波对患者成像时，由于患者呼吸、患者心跳或探头移动引起的运动可导致图像伪影，该图像伪影可呈现为器官和/或组织的图像模糊。
发明内容
在一个实施方案中，用于医疗成像系统的方法包括在用所述医疗成像系统采集的多个图像帧中独立地跟踪第一对象的运动和第二对象的运动，并且针对所述多个图像帧中选择的图像帧，为所选择的图像帧补偿所述第一对象的运动和所述第二对象的运动以生成补偿的选择的图像帧，以及输出所补偿的选择的图像帧以用于在显示设备上显示，其中补偿所述第一对象的所述运动独立于补偿所述第二对象的所述运动来执行。
应当理解，提供上面的简要描述来以简化的形式介绍在具体实施方式中进一步描述的精选概念。这并不意味着识别所要求保护的主题的关键或必要特征，该主题的范围由具体实施方式后的权利要求书唯一地限定。此外，所要求保护的主题不限于解决上文或本公开的任何部分中提到的任何缺点的实施方式。
附图说明
通过参考附图阅读以下对非限制性实施方案的描述将更好地理解本发明，其中以下：
图1示出了根据本发明的实施方案的示例性超声成像系统。
图2是示出用于自动检测医疗图像中的对象并跟踪所检测对象的运动的方法的流程图。
图3是示出用于基于所检测对象的跟踪运动来对医疗图像执行运动补偿的方法的流程图。
图4至图6示出包括自动识别对象的示例性超声图像。
具体实施方式
以下描述涉及自动识别医疗图像中存在的一个或多个对象并在两个或更多个连续图像中独立地跟踪那些对象的运动以便将目标运动补偿技术应用于图像从而减少图像伪影的各种实施方案。在一些示例中，可一次跟踪多个对象(例如，可在多个连续图像帧中跟踪单个图像帧中的两个、三个、四个或更多个对象)。对象可包括独立的解剖特征，诸如器官、病灶、血管等，以及子结构，诸如单个器官内的心室或多个病灶。对象可被彼此独立地识别和跟踪，从而允许识别不同对象的不同水平的运动。
可基于用于获得图像的成像模式以及所检测对象的跟踪运动来选择应用于图像的目标运动补偿技术。运动补偿技术可以有针对性地应用，使得包括具有不同运动的不同所识别对象的图像的不同区域可经受不同的运动补偿技术或不同的运动补偿参数。这样，可以最适合于被跟踪的各个对象的方式来减小图像伪影。可使用超声或另一实时或近实时成像模态来获得可应用所描述对象跟踪和运动补偿的医疗图像。虽然下文示出了超声系统和通过超声系统获得的图像的运动补偿的示例，但对象跟踪和运动补偿可应用于其他类型的图像，诸如x射线荧光镜透视图像。
现在转向图1，其示出了根据本公开的实施方案的超声成像系统100的示意图。超声成像系统100包括发射波束形成器101和发射器102，该发射器驱动换能器阵列(本文中称为探头106)内的元件(例如，换能器元件)104，以将脉冲超声信号(本文中称为发射脉冲)发射到身体(未示出)中。根据一个实施方案，探头106可以是一维换能器阵列探头。然而，在一些实施方案中，探头106可以是二维矩阵换能器阵列探头。换能器元件104可由压电材料构成。当向压电晶体施加电压时，晶体物理地膨胀和收缩，从而发射超声球波。这样，换能器元件104可将电子发射信号转换为声学发射波束。
在探头106的元件104将脉冲超声信号发射到(患者的)身体中之后，脉冲超声信号从身体内部的结构(如血细胞或肌肉组织)向后散射，以产生返回到元件104的回波。回波被元件104转换成电信号或超声数据，并且电信号被接收器108接收。表示所接收的回波的电信号穿过输出超声数据的接收波束形成器110。另外，换能器元件104可根据所接收的回波产生一个或多个超声脉冲以形成一个或多个发射波束。
根据一些实施方案，探头106可包含电子电路来执行发射波束成形和/或接收波束形成的全部或部分。例如，发射波束形成器101、发射器102、接收器108和接收波束形成器110的全部或部分可位于探头106内。在本公开中，术语“扫描”或“扫描中”也可用于指通过传输和接收超声信号的过程来采集数据。在本公开中，术语“数据”可用于指用超声成像系统采集的一个或多个数据集。用户界面115可用于控制超声成像系统100的操作，包括用于控制患者数据(例如，患者病史)的输入、用于改变扫描或显示参数、用于启动探头复极化序列等。用户界面115可包括以下项中的一者或多者：旋转元件、鼠标、键盘、轨迹球、链接到特定动作的硬键、可被配置为控制不同功能的软键，以及显示在显示设备118上的图形用户界面。
超声成像系统100还包括计算系统112，该计算系统包括处理器116和存储器120。处理器116控制发射波束形成器101、发射器102、接收器108和接收波束形成器110。处理器116与探头106进行电子通信(例如，通信地连接)。出于本公开的目的，术语“电子通信”可被定义为包括有线通信和无线通信两者。处理器116可根据存储在存储器120上的指令来控制探头106以采集数据。处理器116控制元件104中的哪些是活动的以及从探头106发射的波束的形状。处理器116还与显示设备118进行电子通信，并且处理器116可将数据(例如，超声数据)处理成图像以用于在显示设备118上显示。处理器116可包括根据一个实施方案的中央处理器(CPU)。根据其他实施方案，处理器116可以包括能够执行处理功能的其他电子部件，诸如数字信号处理器、现场可编程门阵列(FPGA)或图形板。根据其他实施方案，处理器116可包括能够执行处理功能的多个电子部件。例如，处理器116可包括从电子部件的列表中选择的两个或更多个电子部件，这些电子部件包括：中央处理器、数字信号处理器、现场可编程门阵列和图形板。根据另一个实施方案，处理器116还可包括解调RF数据并生成原始数据的复合解调器(未示出)。在另一个实施方案中，解调可以在处理链中较早地执行。
处理器116适于根据数据上的多个可选超声模态来执行一个或多个处理操作。在一个示例中，可在扫描会话期间实时处理数据，因为回波信号被接收器108接收并被传输至处理器116。出于本公开的目的，术语“实时”被定义为包括在没有任何有意延迟的情况下执行的过程。例如，实施方案可以7至20帧/秒的实时速率获取图像。超声成像系统100可以显著更快的速率采集一个或多个平面的2D数据。然而，应当理解，实时帧速率可取决于采集用于显示的每帧数据所花费的时间长度。因此，当采集相对大量的数据时，实时帧速率可能较慢。因此，一些实施方案可具有显著快于20帧/秒的实时帧速率，而其他实施方案可具有低于7帧/秒的实时帧速率。数据可在扫描会话期间临时存储在缓冲器(未示出)中，并且在实时或离线操作中以不太实时的方式处理。本发明的一些实施方案可包括多个处理器(未示出)，以处理根据上文所述的示例性实施方案由处理器116处理的处理任务。例如，第一处理器可用于解调和抽取RF信号，而第二处理器可用于在显示图像之前进一步处理数据。应当理解，其他实施方案可使用不同的处理器布置方式。
超声成像系统100可以例如10Hz至30Hz的帧速率(例如，每秒10帧至30帧)连续采集数据。根据数据生成的图像可以在显示设备118上以相似的帧速率刷新。其他实施方案可以不同速率采集并显示数据。例如，根据帧的大小和预期的应用，一些实施方案可以小于10Hz或大于30Hz的帧速率采集数据。包括存储器120，用于存储已处理的采集数据的帧。在示例性实施方案中，存储器120具有足够的容量来存储至少几秒钟的超声数据帧。数据帧的存储方式便于根据其采集顺序或时间进行检索。存储器120可包括任何已知的数据存储介质。
在本发明的各种实施方案中，处理器116可通过不同的模式相关模块(例如，B模式、彩色多普勒、M模式、彩色M模式、频谱多普勒、弹性成像、TVI、应变、应变速率等)来处理数据，以形成2D或3D数据。例如，一个或多个模块可生成B模式、彩色多普勒、M模式、彩色M模式、频谱多普勒、弹性成像、TVI、应变、应变速率以及它们的组合，等等。作为一个示例，一个或多个模块可处理彩色多普勒数据，其可包括传统彩色血流多普勒、功率多普勒、HD流，等等。图像线和/或帧存储在存储器中，并且可包括指示图像线和/或帧存储在存储器中的时间的定时信息。这些模块可包括例如扫描转换模块，用于执行扫描转换操作，以将所采集的图像从波束空间坐标转换为显示空间坐标。可以提供视频处理器模块，该视频处理器模块从存储器读取所采集的图像并在对患者执行规程(例如，超声成像)时实时显示图像。视频处理器模块可包括单独的图像存储器，并且超声图像可被写入图像存储器以便由显示设备118读取和显示。
计算系统112还包括可被分配以存储和执行对象检测器模块(称为对象检测器117)以及运动检测器和补偿器模块(在本文中称为运动检测器和补偿器119)的资源(例如，存储器120、处理器116)。对象检测器117被配置为分析图像以识别存在于图像内的对象(例如，解剖特征)。例如，对象检测器117可分析用超声成像系统100采集的每个图像帧并识别每个图像帧内的解剖特征，诸如心脏、肝脏、肺、血管和/或其他器官、组织和/或结构。在适当或需要的情况下，可用在该图像中所识别一个或多个对象的指示标记每个帧。例如，包括心脏的视图的图像可被注释以包括心脏边界的指示，诸如围绕心脏的框的形式。
可使用机器学习(例如，深度学习)诸如神经网络或特定于医疗成像环境中的对象检测的其他训练机构来训练对象检测器，以检测多个预定义对象(例如，预定义解剖特征)。可以合适的方式训练对象检测器。例如，可训练对象检测器117以识别通常与一种或多种不同类型的超声检查(诸如超声心动图、胎儿超声等)相关联的解剖特征。训练可包括在通常在超声检查期间获得的视图中，将人类解剖特征的一组医疗成像供应给对象检测器117。可以用图像中的解剖特征(以对象检测器可读取的格式)标记每个图像。此外，至少在一些示例中，每个解剖特征可被注释以指示该特征的边界/边缘。对象检测器117然后可学习识别患者医疗图像中的解剖特征，以及了解每个解剖特征的边界。在一些示例中，对象检测器的训练可包括模型驱动的训练概念(例如，其中所关注的解剖特征的数学3D模型用于训练解剖特征的检测)。
在一些示例中，对象检测器117的训练可为严格的，使得对象检测器117被训练为不仅识别一个或多个对象存在于给定图像帧中，而且被训练为识别哪些解剖特征由哪些对象表示。例如，对象检测器117可被训练为确定在示例性图像帧中，帧中存在四个对象。对象检测器117可被进一步训练为识别哪些解剖特征对应于哪个对象，例如，第一对象为脾，第二对象为肾，第三对象为隔膜，以及第四对象为肺。然而，在其他示例中，对象检测器117的训练可不太严格，使得对象检测器117可以能够确定给定图像帧中每个单独对象的存在和边界，但无法识别哪些解剖特征对应于哪些对象。
对象检测器117的训练可允许对象检测器117即使在对象移入和离开成像平面时跟踪所识别对象，从而改变所识别对象的大小、形状或其他特征。例如，当心脏跳动时，心脏的第一图像帧可包括心脏的一个或多个室的内部的视图，而第二图像帧代替一个或多个室或除一个或多个室之外可包括心肌或其他特征的视图。对象检测器117可被训练为确定第二图像帧中的心脏的解剖特征仍然是在第一图像帧中识别的心脏的一部分。然而，在其他示例中，如果对象大小、形状或外观因对象或超声探头的移动而引起的变化小于阈值，则对象检测器117可被训练为仅识别跟踪对象是在多个图像帧中的相同的对象。例如，在上述的心脏跳动导致心脏的不同解剖特征存在于不同图像帧中的场景中，对象检测器117可确定存在于不同图像帧中的心脏的不同解剖特征是不同的对象。
对象检测器117可生成对每个图像帧中每个所识别对象的位置的指示，并且运动检测器和补偿器119被配置为跟踪由对象检测器117在两个或更多个图像帧中检测到的对象的移动，并且基于所跟踪的移动来对当前图像和/或后续图像应用适当的运动补偿。例如，对象检测器117可识别第一图像帧中的第一对象，诸如器官。对象检测器117可生成跟踪边界，该跟踪边界限定第一对象在第一图像的x,y坐标系内的外部坐标，至少用于跟踪第一对象的目的。跟踪边界可包围所识别的第一相关联的对象，并且可能或可能不与所识别的第一对象的一个或多个部分相交(例如，跟踪边界可以是矩形的，并且可能与第一的最高点、第一对象的最底点和第一对象的每个最侧面点相交)。
跟踪边界可与图像帧中的每个所识别对象相关联。跟踪边界可具有合适的几何形状，诸如正方形、矩形、圆形、多面体等。对于每个所识别对象，跟踪边界的几何形状可相同，或者跟踪边界的几何形状可基于相应的所识别对象的几何形状，使得不同的识别对象可与具有不同几何形状的跟踪边界相关联。跟踪边界可不同于所识别对象的边界，但在一些示例中，跟踪边界可至少部分地跟踪相关联的所识别对象的边界。
对于后续的第二图像帧，对象检测器117可类似地识别第二图像帧中的第一对象，并且如果第一对象已移动，则跟踪边界的位置被更新以跟踪第一对象的移动。运动检测器和补偿器119可将第二图像帧中的跟踪边界的位置与第一图像帧中的跟踪边界的位置进行比较，并且基于第二图像帧中的跟踪边界的位置与第一图像帧中的跟踪边界的位置之间的差值来确定运动得分。通过跟踪跟踪边界的位置的变化而不是所识别对象的位置的变化，可简化运动跟踪并且需要较少的处理资源(例如，与基于帧与帧之间的像素亮度变化来确定图像帧中的运动的系统相比)。此外，跟踪边界的使用提供了单独的、独立的对象运动跟踪。
运动得分表示跟踪边界的位置变化，从而表示在(例如，由图像帧的边缘限定的)固定的二维坐标系内的所识别对象(例如，器官)的位置的变化。运动得分可以采用合适的形式。在一些示例中，运动得分可以是表示所识别对象的移动水平的相对得分，诸如低水平的移动、中等水平的移动以及高水平的移动。例如，跟踪边界的位置变化可由移动值表示，该移动值包括跟踪边界的x坐标的变化的绝对值和跟踪边界的y坐标的变化的绝对值之和(其中，跟踪边界的x,y坐标在跟踪边界的拐角、跟踪边界的中心或跟踪边界的其他合适的点处，只要在多个图像帧中跟踪跟踪边界的同一点即可)。在其他示例中，移动值可以是跟踪边界的x坐标的变化的绝对值和跟踪边界的y坐标中的变化的绝对值中的较高值。大于零但低于第一阈值的移动值可被分类为低水平的移动，在第一阈值和第二较高阈值之间的移动值可被分类为中等水平的移动，并且高于第二阈值的移动值可被分类为高水平的移动。在其他示例中，运动得分可包括跟踪边界的位置的实际变化(例如，上述移动值)。此外，在对象体积发生变化和/或对象移入或离开成像平面的示例中，第二图像帧中的所识别对象可大于或小于第一图像帧中的所识别对象。在此类示例中，可相对于第一图像帧中的跟踪边界的大小来调节第二图像帧中所识别对象的跟踪边界的大小。所识别对象的移动可基于跟踪边界的坐标的变化和/或基于跟踪边界的大小/比例的变化。
可针对第二图像帧中的每个所识别对象计算单独的运动得分。通过分别计算每个所识别对象的运动得分，可以为具有不同移动水平的对象(例如，靠近心脏的器官与远离心脏的器官)分配准确地反映该对象的移动水平的运动得分。
图4示出包括具有跟踪边界的所识别对象的第一图像帧402的示意图400，该跟踪边界具有由x,y坐标系限定的位置。例如，第一图像帧402可通过超声成像系统100获得。对象检测器117可识别存在于第一图像中的一个或多个对象。如图所示，对象检测器已检测到两个对象：第一对象404和第二对象408。每个检测到的对象可与相应的跟踪边界相关联。第一对象404与第一跟踪边界406相关联，而第二对象408与第二跟踪边界410相关联。如图4所示，每个跟踪边界的大小和位置基于与跟踪边界相关联的所识别对象。例如，第一跟踪边界406的每一侧与第一对象404的边缘相交，并且第一对象404的任何部分都不位于跟踪边界406的外部。每个跟踪边界可基于相关联的所识别对象取向来定向，例如，第一对象404可具有纵向轴线，并且第一跟踪边界406可具有与第一对象404的纵向轴线平行的纵向轴线。
每个所识别对象的位置可基于相应的相关联的跟踪边界相对于固定坐标系的坐标来限定，诸如图4中所示的x,y坐标系(其可由第一图像帧402限定)。跟踪边界的坐标可以合适的方式确定。例如，第一跟踪边界406的位置可由跟踪边界的拐角点(例如，左下点)的坐标来限定。在本文中，第一跟踪边界406的左下点可以位于坐标系上的x1,y1处。又如，第二跟踪边界410的位置可由第二跟踪边界的中心点的坐标定义。在本文中，第二跟踪边界410的中心点可位于坐标系上的x2,y2处。另外，每个跟踪边界可由跟踪边界的大小和取向限定。例如，第一跟踪边界406可具有16mm的高度，44mm的宽度，以及相对于x轴的30°角。第二跟踪边界410可具有29mm的高度，43mm的宽度，以及相对于x轴的0°角。如图4所示，两个跟踪边界具有基本上类似的几何形状，因为每个跟踪边界是矩形的。
当所识别对象由于患者运动(例如，呼吸、心跳)和/或超声探头的移动而移动时，可在后续图像帧中跟踪所识别对象以计算每个所识别对象的运动得分。图5示出了由与图4所示相同的坐标系限定的第二图像帧502的示意图500。第二图像帧502可在第一图像帧402之后由超声系统100获得；例如，第一图像帧和第二图像帧可为连续获得的图像帧。这样，第二图像帧502正在对与第一图像帧402相同的成像对象进行成像。
第二图像帧502包括在第一图像帧402中标识的相同的对象，包括第一对象404和第二对象408。第二图像帧502同样包括相应的跟踪边界，包括第一跟踪边界406和第二跟踪边界410。从第一图像帧402到第二图像帧502，第一对象404和第二对象408都已经移动，并且因此，跟踪边界中的每一个连同所识别对象一起移动。因此，第一跟踪边界404的坐标现在为x1',y1'，并且第二跟踪边界的坐标现在为x2',y2'。通过将第二图像帧502中的第一跟踪边界406的坐标与第一图像帧402中的第一跟踪边界406的坐标进行比较，可计算出第一对象404的运动得分。例如，如果x和y轴均以mm为单位，则x1'和x1之间的差值的绝对值可为3.5mm，y1'和y1之间的差值的绝对值可为3.5mm，并且移动值可为7mm，这是绝对值之和。运动得分可被设定为移动值，或者运动得分可以是基于与一个或多个阈值相比的移动值的相对运动水平。例如，0.1mm至2.9mm的移动值可为低运动得分，3mm至4.9mm的移动值可为中等运动得分，并且5mm或更大的移动值可为高运动得分。因此，第一对象404可被分类为具有高运动得分。相比之下，虽然第二对象408也已经移动，但是第二对象408的移动值可以相对较低，诸如0.45mm，因此第二对象408可被分类为具有低运动得分。
图6示出了由与图4所示相同的坐标系限定的第三图像帧602的示意图600。第三图像帧602可在第一图像帧402之后由超声系统100获得；例如，第一图像帧和第三图像帧可为连续获得的图像帧。这样，第三图像帧602正在对与第一图像帧402相同的成像对象进行成像。
第三图像帧602包括在第一图像帧402中标识的相同的对象，包括第一对象404和第二对象408。第三图像帧602同样包括相应的跟踪边界，包括第一跟踪边界406和第二跟踪边界410。从第一图像帧402到第三图像帧602，第一对象404已经移动，并且因此，第一跟踪边界406连同第一对象404一起移动。具体地，第一对象404已经移出成像平面(例如，x-y平面，其中第一对象404已经沿着垂直于x和y轴的z轴移动)。因此，虽然第一对象404尚未沿x轴或y轴移动，但第一对象404中的较少部分存在于成像平面中，因此，第一对象404在第三图像帧中相对于在第一图像帧中显得更小。因此，第三图像帧602中的第一跟踪边界406的比例相对于第一图像帧402中的第一跟踪边界的比例已经改变。例如，第三图像帧602中的第一跟踪边界可具有15mm的高度和40.5mm的宽度，各自小于第一图像帧402中的第一跟踪边界406的相应尺寸。由于跟踪边界的大小从x1,y1变为x1',y1'，第一跟踪边界的跟踪坐标也发生了变化。在第三图像帧602中，第二对象408尚未相对于第一图像帧402移动。第一对象404的运动得分可以如上所述，例如基于x和y坐标两者中的变化的绝对值来确定，或者可基于第一跟踪边界的大小变化来计算运动得分。
返回图1，运动检测器和补偿器119可将一个或多个运动补偿过程应用于检测到对象移动的每个图像帧的采集的图像信息。应用于给定图像帧的运动补偿可取决于每个所检测对象的运动得分以及用于采集成像信息的成像模式，并且在一些示例中，基于识别的对象的类型(例如，由所识别对象表示的解剖特征)。例如，对标准B模式成像可执行差分帧平均，其中高运动区域的平均权重与低运动区域或无运动区域的平均权重可能不同。在多普勒血流成像中，多普勒距离门可基于在ROI中和/或在ROI之外的对象的运动得分相对于感兴趣区域(ROI)自动设定大小、放置和/或操纵。又如，运动补偿可应用于某些类型的解剖特征以减少模糊，其中对象的运动不提供临床价值(例如胆囊)，而没有运动补偿可应用于其他类型的解剖特征，其中对象的运动可提供临床价值(例如，跳动的心脏)。在应用运动补偿之后，可输出运动补偿的图像以用于显示和/或存储。
例如，参见图4和图5所示的示例性图像帧，当处理第二图像帧502进行显示时，可将一种或多种运动补偿技术应用于第二图像帧，以便减少模糊、闪烁或在成像期间由运动引起的其他伪影。运动补偿技术可基于所识别对象和对应的运动得分有针对性地应用。例如，输出以用于显示的图像可包括与第一图像帧402的每个像素的亮度值进行平均的第二图像帧502的每个像素的亮度值。然而，可基于针对每个所识别对象计算的运动得分来调节平均。作为一个示例，第二图像帧502的第一跟踪边界406内的所有像素可与第一图像帧402的对应区域的像素进行平均，其中平均以第一加权来执行，而第二图像帧502的第二跟踪边界410内的所有像素可与第一图像帧402的对应区域的像素进行平均，其中平均以第二加权来执行。在一些示例中，在任何跟踪边界之外的所有像素可以第三加权来平均。例如，对于所得图像中的像素a，可基于第二图像帧中的像素a2的亮度和第一图像帧中的像素a1的亮度来计算像素a的亮度值。由于像素a2位于第二图像帧的第一跟踪边界406中并因此具有高运动得分，因此可根据以下公式使用第一权重来计算所得图像中像素a的亮度值：
a＝a2(1)+a1(0)  公式1
由于高的运动，仅第二图像帧中的像素的亮度值可以被表示，这可以减少模糊。对于所得图像中的像素b，可基于第二图像帧中的像素b2的亮度和第一图像帧中的像素b1的亮度来计算像素b的亮度值。由于像素b位于第二图像帧的第二跟踪边界410中并因此具有低运动得分，因此可根据以下公式使用第二权重来计算所得图像中像素b的亮度值：
b＝b2(0.75)+b1(0.25)  公式2
对于所得图像中的像素c，可基于第二图像帧中的像素c2的亮度和第一图像帧中的像素c1的亮度来计算像素c的亮度值。由于像素c在任何所检测对象之外，因此没有运动得分，因此可根据以下公式使用第二权重来计算所得图像中像素c的亮度值：
c＝c2(0.5)+c1(0.5)  公式3
应当理解，上述公式仅为示例性的，并且用于执行帧平均和基于运动得分来调节帧平均的其他方法是可能的。此外，尽管以举例的方式描述了超声系统，但应当理解，当将本发明的对象检测、运动检测和运动补偿技术应用于使用其他成像模式(诸如x射线透视)采集的图像时，也可为有用的。对超声成像模态的本发明论述仅提供作为一种合适的成像模态的示例。此外，上文描述了独立的对象检测器和运动检测器以及补偿器模块，但应当理解，本文所述的对象检测、运动检测和运动补偿技术可由单个模块或多个模块执行，并且模块可在单个设备(例如，计算系统112)上存储和/或执行或在多个设备和/或云上存储和/或执行。另外，尽管上述对象检测和运动得分相对于二维图像描述，但对象检测和运动得分可对三维体积数据执行。
如本文所用，术语“模块”或“设备”可包括操作以执行一个或多个功能的硬件和/或软件系统。例如，模块或设备可包括计算机处理器、控制器或基于存储在有形和非暂态计算机可读存储介质(诸如计算机存储器)上的指令来执行操作的其他基于逻辑的设备。另选地，模块或设备可包括基于设备的硬连线逻辑来执行操作的硬连线设备。附图中示出的各种模块或单元可表示基于软件或硬连线指令操作的硬件、指示硬件执行操作的软件、或其组合。
“模块”或“设备”可以包括或表示执行本文描述的一个或多个操作的硬件和相关指令(例如，存储在有形和非暂态计算机可读存储介质(诸如计算机硬盘驱动器、ROM、RAM等)上的软件)。硬件可包括电子电路，其包括和/或连接到一个或多个基于逻辑的设备，诸如微处理器、处理器、控制器等。这些设备可被适当编程或指示以根据上文所述的指令来执行本文所述的操作。除此之外或另选地，这些设备中的一个或多个可以与逻辑电路硬连线以执行这些操作。
现在转向图2，其示出了用于对象跟踪和运动补偿的方法200。方法200和本文所述的其他方法可由计算系统(诸如图1所示的计算系统112)根据存储在系统的非暂态存储器(例如，图1所示的存储器120)上的指令并结合在计算系统处接收的各种信号(例如，从接收器108接收到的回波信号)来执行。计算系统可采用显示设备(诸如图1所示的显示设备118)来根据下述方法来显示超声图像。本文所包括的方法将参照超声探头来描述，但应当理解，在不脱离本方法的范围的情况下可使用从其他成像模态采集的图像信息。
在202处，执行第一图像采集以根据所接收的回波信号生成第一图像帧。例如，超声探头的换能器元件可被激活(例如，可被施加电压)以将超声信号发射到(例如，患者的)身体中。超声信号从身体内部的结构向后散射，以产生返回换能器元件的回波，并且由输出超声数据的接收器和/或接收波束形成器接收的换能器元件将回声转换成电信号或超声数据。超声数据可包括图像数据，图像数据包括图像值，诸如B模式超声的强度/亮度值或多普勒模式超声的功率值(或功率分量)。然后可根据采集的超声成像数据生成2D图像。
在204处，检测第一图像帧中的一个或多个对象。如上文参照图1所述，在计算系统(例如，对象检测器117)上执行的对象检测器可检测存在于第一图像帧中的每个对象，其中对象可为解剖特征，诸如器官、组织和/或其他结构。对象检测器可被训练为仅检测预定义的一组对象并且不检测可存在于第一图像中的其他特征(诸如流体或气体之类的非结构特征)，或者对象检测器可被训练为检测任何可定义特征的存在。
在206处，将每个所检测对象的相应跟踪边界应用到第一图像帧，并且输出第一图像帧以用于显示和/或存储在存储器中。所应用的跟踪边界在被输出以用于显示和/或存储的图像中可为可见的。通过在所显示的图像中包括可见的跟踪边界，超声探头的操作者或其他临床医生可查看所检测对象，确认跟踪边界的大小和/或放置是正确的，以及/或者调整超声探头的位置以更好地可视化所期望的解剖特征。此外，当对象检测器被训练为实际识别与每个对象相关联的解剖特征(例如，识别到所检测对象是肝脏)时，还可在图像中包括识别对象的解剖特征的注释。这样，操作者或其他临床医生就能够了解各种解剖特征的相对位置和外观。在其他示例中，跟踪边界可以是透明的，或者跟踪边界的坐标可被确定并存储在存储器中，但实际上不应用于图像本身。每个跟踪边界可限定底层/相关联的所检测对象的大小和位置，并且因此其大小可被设定成适配相关联的所检测对象。
在208处，执行第二图像采集以根据所接收的回波信号生成第二图像帧。如上文参照图1所述，超声系统可以合适的帧速率获取数据，诸如10Hz至30Hz(例如，10帧至30帧每秒)。第二图像采集可类似于上述第一图像采集来执行。在210处，识别第二图像帧中的一个或多个对象并应用相关联的跟踪边界。第二图像帧中的对象可被识别为类似于第一图像帧中例如利用对象检测器识别的一个或多个对象。在第二图像帧中检测的一个或多个对象可与在第一图像帧中检测的一个或多个对象相同，例如，如果在第一图像帧中识别到肝脏，则可类似地在第二图像帧中识别到肝脏。另外，对象检测器可确定第二图像帧是否包括第一图像帧中不存在的一个或多个对象。另外，在一些示例中，对象检测器可被配置为使用第一图像帧作为参考，并且可检测一个或多个对象从第一图像帧到第二图像帧的变化，例如，如果第一对象的大小和/或位置已改变，则对象检测器可被配置为确定第一对象的变化。在第二图像帧中检测到的在第一图像帧中不存在的任何对象可与跟踪边界相关联，并且可去除与第一图像帧中的不再存在于第二图像帧中的对象相关联的任何跟踪边界。
在212处，可调节一个或多个跟踪边界，因为所识别对象中的一个或多个在第二帧中相对于第一帧移动。例如，如果在第一图像帧中检测到的第一对象由于患者运动或超声探头的移动而在第二图像帧中改变了位置，则可调节与该第一对象相关联的跟踪边界以跟踪第一对象的移动。与第二图像帧中的静止对象相关联的任何跟踪边界同样可保持静止。
在214处，基于第二图像帧中相对于第一图像帧的跟踪边界坐标来计算针对第二图像帧中的每个所识别对象的运动得分。例如，如果在第一图像帧中检测到的第一对象也存在于第二图像帧中，则第二图像帧中该第一对象的跟踪边界坐标可与第一图像帧中该跟踪边界的坐标进行比较。可向第二图像帧中的每个所识别对象分配运动得分。如果第二图像帧中的所识别对象的位置与在第一图像帧中相同(例如，两个图像帧中该所识别对象的跟踪边界的坐标都相同)，则所识别对象可被分配为零的运动得分，或“无运动”的相对运动得分，其中无运动可包括不可检测的移动或可容忍范围内的少量移动(例如，移动0.1mm或更小)。然而，如果所识别对象的跟踪边界的坐标从第一图像帧到第二图像帧已改变，则可为所识别对象分配非零运动得分。运动得分可以是实际值(例如，以mm为单位的移动)，或者运动得分可以是相对得分(例如，低、中或高)，如上文相对于图1所述。运动得分可与上文参照图1所述的运动得分确定类似地计算，例如，通过在计算系统上执行的运动检测器和补偿器来计算。
在216处，方法200包括确定是否至少一个运动得分高于阈值。如果运动得分是数字，则当运动得分大于零或大于允许小移动无法被检测以及/或者允许测量误差例如0.1mm的运动阈值时，运动得分可高于阈值。如果运动得分是运动的相对水平，则除“无运动”以外的运动得分可高于阈值(例如，所有的低、中和高运动得分都可高于阈值)。运动得分阈值可为固定的，或者运动得分阈值可根据所检测对象的类型而变化。例如，心脏可具有与肝脏不同的运动得分阈值。
如果至少一个对象具有高于阈值的相关联的运动得分，则方法200前进至218以基于运动得分(一个或多个)和当前成像模式将一种或多种适当的运动补偿技术应用于第二图像帧。下文将参照图3更详细地解释可执行的一个或多个运动补偿。简而言之，可执行一个或多个运动补偿以减少或消除成像期间与患者和/或探头运动相关的图像伪影。不同的运动补偿技术可应用于不同的成像模式(例如，可针对B模式成像调节帧平均，而针对多普勒成像可对距离门放置和/或大小进行调整)，因此选择要应用于第二图像帧的运动补偿技术可取决于当前成像模式。此外，所执行的运动补偿技术的类型或水平也可取决于一个或多个运动得分。例如，当成像模式要求应用帧平均来补偿所检测的运动时，帧平均的加权可基于一个或多个运动得分。当在第二图像帧中检测到不止一个对象时，帧平均可被作为目标，使得在具有第一运动得分的第一对象周围的区域中执行的帧平均可利用第一加权来执行，而在具有第二运动得分的第二对象周围的区域中执行的帧平均可利用第二不同加权来执行。
在220处，输出第二补偿图像以用于显示和/或存储。第二图像可由基于成像模式和一个或多个运动得分选择的一个或多个运动补偿技术来补偿。例如，第二图像可通过差分帧平均或内插来补偿。通过独立地检测每个所识别对象中的运动，然后独立地补偿所检测的运动，可将适当的运动补偿技术应用于图像，从而减少模糊、闪烁和/或其他伪影。
虽然本文将方法200描述为基于两个图像帧来确定运动得分，然后在第二图像帧上执行运动补偿，但应当理解，运动得分计算和/或运动补偿中可包括任何合适数量的图像帧。例如，可基于所检测对象在三个、四个或更多个图像帧之间的位置和/或大小的变化来确定所检测对象的运动得分。此外，运动得分可被计算为变化速率而不是绝对移动值，并且因此可考虑对象移动的速度以及对象移动的量。另外，本文所述的用于补偿所检测运动的帧平均和/或内插(下文相对于图3更详细地描述)可包括平均两个以上的帧，诸如平均三个、四个或更多的帧。
返回216，如果确定没有运动得分高于阈值，则方法200前进至222以任选地输出未补偿的第二图像以用于显示。如本文所用，未补偿图像可包括未补偿运动的图像，因为本文所述的运动检测器和补偿器未检测到运动。然而，未补偿图像可应用其他图像处理技术。第二图像的显示可为任选的，因为第二图像可基本上类似于第一图像，并且因此计算系统可通过不显示第二图像来节省存储和/或处理资源。同样，方法200可任选地在224处保存第二图像。第二图像的保存可以是任选的，因为计算系统可以相反地删除第二图像，因为第二图像可能不提供临床价值。然后方法200返回。
图3是示出用于基于成像模式和一个或多个所识别对象的一个或多个运动得分来执行运动补偿的方法300的流程图。方法300可作为方法200的一部分来执行，例如响应于确定图像帧中的一个或多个所识别对象具有高于阈值的运动得分。因此，方法300可由计算系统(诸如图1的计算系统112)执行，该计算系统被配置为执行运动检测器和比较器，如上文相对于图1和图2所述。
在302处，确定当前成像模式。当前成像模式可指在第二图像采集期间通过其采集图像信息的成像模式。附加地或另选地，当前成像模式可指在第二图像采集期间采集的图像信息的处理，以便生成第二图像帧。如上文参照图1所述，超声系统可被配置为根据正在进行的超声检查和/或在测试期间获得的诊断信息，以一种或多种成像模式操作以及/或者以一种或多种成像模式处理采集的图像信息。不同的成像模式可提供关于被成像的受试者的不同信息。例如，B模式成像可提供通常用于诊断测试中的标准2D灰度图像，诸如胎儿超声、超声心动图、病灶检测等。多普勒成像可用于可视化和/或测量移动流体，诸如血液流。当前正在采用哪种成像模式(一种或多种)的确定可以基于用户输入(例如，超声系统的操作员可以通过用户界面(例如，图1的用户界面115)输入用户输入，指示要使用哪种成像模式(一种或多种))，哪种类型的超声探头耦接到超声系统/计算系统(例如，换能器阵列配置)，如何通过相应的计算系统控制超声探头(例如，超声探头的换能器元件输出的信号的脉冲序列、频率等)，等等。
在304处，方法300确定超声系统当前是在B模式还是对比成像模式下工作。在B模式(也称为亮度模式)超声期间，换能器同时扫描通过成像受试者的平面，该平面可被视为二维图像。在对比成像期间，将造影剂注入被成像患者的血流中，并且可获得B模式图像。对比模式成像可利用相对于B模式成像降低的声学功率设置，使用例如相位反转的不同扫描测序，以及算法来减少/消除通常可在B模式成像下看到的某些视觉特征，从而突出显示被成像的组织内的微小血管分布。造影剂包含通过血管和毛细管系统携带的微泡，该微泡将反射的信号增加返回到换能器。这样，可能被检测到的对象(诸如病灶)相比在传统的B模式成像中被进一步显示或突出显示。
如果当前成像模式是B模式或对比成像，则方法300前进至306以基于在方法200的214处确定的一个或多个运动得分以及/或者基于所识别对象来调节帧平均和/或内插。帧平均可包括在逐像素的基础上平均第一图像帧的每个像素值和第二图像帧的对应像素值。例如，可将第一图像帧的第一像素的亮度值与第二图像帧的第一像素的亮度值平均，并且第二图像帧的第一像素的亮度值可以替换为平均亮度值。可以加权平均，使得第二图像帧的亮度值比第一图像帧的亮度值对第二图像的贡献更大或更小。调整帧平均可包括调整加权，例如，基于所识别对象的运动得分和/或类型来增大或减小加权。例如，如果运动得分低，则第一图像帧和第二图像帧在帧平均中可被赋予相等的权重，而如果运动得分高，则可赋予第二图像帧更大的权重。又如，如果所识别对象是心脏，则可对第二图像帧赋予比所识别对象为肝脏时更大的权重。
此外，对平均的调整可基于不同所识别对象和不同运动得分而独立地并且针对性地执行。例如，第一识别对象可具有第一运动得分，并且第二识别对象可具有第二运动得分。包括第一对象的第二图像帧的第一区域中的像素的平均可利用第一加权来执行，而包括第二对象的第二图像帧的第二区域中的平均可利用不同于第一加权的第二加权来执行。类似的技术可应用于帧内插，其中可与在包括第二对象的第二图像帧的第二区域中的像素的内插不同地执行在包括第一对象的第二图像帧的第一区域中的像素的内插。方法300随后结束。
返回304，如果当前成像模式不是B模式或对比成像，则方法300前进至308以确定当前成像模式是彩色血流成像还是B-flow成像。彩色血流成像是一种用于测量和/或可视化血液流的多普勒超声，其产生叠加到B模式超声图像上的多普勒位移的颜色编码标测图。在彩色血流成像期间，换能器元件以脉冲方式控制。B血流成像是一种非多普勒成像模式，其通过对输出的超声波束进行数字编码，然后对返回波束进行解码和滤波来提供血液流的实时成像。
如果当前成像模式是彩色血流成像或B-flow成像，则方法300前进至310以基于一个或多个运动得分和/或所识别对象来调整帧平均和/或内插，类似于上文针对B模式/对比成像模式所述的帧平均/内插调整。此外，在一些示例中，可移除闪烁，如在312处所示。闪烁伪影是颜色信号在颜色B-flow成像的彩色血流成像中的存在，其可由组织运动而不是感兴趣的移动(例如，血液流)引起。如果所识别对象具有一定的运动得分(例如，高于闪烁阈值的运动得分，诸如中等或高运动得分)，并且该对象不是彩色血流成像的目标(例如，所识别对象是器官、软组织、囊肿，或换句话讲不在感兴趣的用户限定区域内)，则可通过以较高的运动得分维持所识别对象的区域中的基础灰度、B模式成像派生的像素并覆盖否则会在所识别对象的区域中显示的任何彩色像素，来消除闪烁。在其他示例中，可通过简单地不显示原本将包括闪烁伪影的图像来移除闪烁伪影。例如，如果当前图像帧中所识别对象的运动得分足够高，则可丢弃当前图像帧，并且可将先前的图像帧保持在显示设备上。
附加地或另选地，当以彩色血流或B-flow成像模式成像时，可基于运动得分和所识别的感兴趣对象的跟踪边界来自动设定大小、定位和/或操纵围绕所识别的感兴趣对象(例如，血管)的感兴趣区域(ROI)，如314处所示。例如，在彩色血流成像期间，用户(例如，超声波扫描师)可指定可在其中执行彩色血流成像的ROI。对象检测器可识别与ROI重叠的对象并生成用于确定所识别对象的大小、形状和/或位置的所识别对象的跟踪边界。运动检测器和比较器可确定所识别对象的运动得分。然后，运动检测器和比较器可调节ROI的大小、形状和/或位置，使得ROI落在所识别对象内，并且使得ROI跟踪所识别对象的移动。此外，如果所识别对象的运动得分高(例如，高运动)，则ROI的大小可相对于运动得分低(例如，低运动)时减小，这可有助于将ROI保持在所识别对象的边界内，即使在所识别对象移动时也是如此。然后方法300返回。
返回308，如果当前成像模式不是彩色血流或B-flow，则方法300前进至316以确定当前成像模式是否为多普勒血流成像模式。多普勒血流成像可包括依赖于多普勒的任何类型的成像，而不是彩色血流成像，诸如功率多普勒成像。功率多普勒(也称为多普勒或PW成像)通常在显示器上表示为时间轴尺度上的信号幅值，而彩色多普勒(本文中也称为彩色血流)被显示为叠加在组织灰度图像(例如，B模式图像)上并实时更新为帧速率。彩色血流提供所选择的感兴趣区域(ROI)的平均速度，而功率多普勒在基于时间的显示器上表示的图像内的样本门上方提供更精确的速度值。
如果当前成像模式是多普勒血流成像，则方法300前进至318以基于跟踪边界和/或运动得分来定位和调节目标识别对象内的距离门。例如，用户可指示与对象检测器所识别的对象重叠的目标感兴趣区域/对象。运动检测器和补偿器可针对所识别的感兴趣的对象(例如，血管)自动地适当地放置距离门和/或设定距离门的大小。此外，可基于运动得分来调整距离门的大小，例如，如果运动得分低，则可增大距离门的大小以产生更完整的信号，而如果运动得分高，则距离门的大小可更小，并且可对距离门进行操纵以将距离门保持在目标对象内。然后方法300返回。
如果当前成像模式不是多普勒血流，则一些其他成像模式可能当前在使用中，诸如应变式弹性成像(SE)或剪切波弹性成像(SWE)。因此，方法300前进至320以输出未补偿图像，或应用可基于或不基于运动的一些其他补偿。在SWE中，B模式成像和多普勒可用于自动推送脉冲和彩色血流用于跟踪，以便突出显示被跟踪对象的弹性。在SE中，用户不使用多普勒，而是机械地提供推送。在SE或SWE中，运动补偿可按如上所述的类似方式应用，诸如通过放置和操纵感兴趣区域。另外，在一些示例中，上述成像模式中的一者或多者可在干预规程期间使用，诸如活检或用于定向放射治疗，其中知道感兴趣对象的确切位置很重要。在定向放射治疗的示例中，可使用本文所述的对象检测和运动跟踪技术跟踪所检测对象(例如，正在接收放射治疗的病灶)的运动，并且可基于所跟踪的运动来调整放射治疗系统(例如，当所检测对象在其中辐射束与患者相交的窗口之外时可以关闭辐射束，或者可以移动辐射束以跟随所检测对象)。然后方法300返回。
因此，图2和图3中示出并且如上所述的方法200和方法300提供了自动对象检测、运动检测以及所检测运动的补偿，以便减少与运动有关的图像伪像。当使用超声对患者成像时，例如由于患者呼吸、患者心率、探头移动等引起的运动可导致显示为图像模糊的图像伪影。为了能够正确地评估和诊断患者扫描，能够使图像伪影(诸如模糊和闪烁伪影)最小化，并且提高可视化和干预过程的准确性是期望的。
因此，本文所述的方法利用人工智能(AI)在采集的超声图像内进行实时对象检测(OD)，以识别器官/组织/结构，然后跟踪后续的AI OD器官/组织/结构以确定运动参数，然后利用运动参数来对超声应用目标运动补偿。然后可将AI OD运动参数应用于预定义的器官/组织/结构限制范围，以能够对所跟踪的器官/组织应用特定的目标运动补偿。此类预定义的器官/组织/结构限制范围可被分类为低/中/高(例如)补偿技术。这样，可独立地应用每个目标AI OD运动补偿和伪影移除，因为每个器官/组织/结构被独立地跟踪。
已知目标器官/组织/结构的位置和运动参数(本文中也称为运动得分)，从而可应用各种目标运动补偿技术。当以B模式和/或对比成像模式成像时，运动补偿可包括基于由每个器官/组织/结构的AI OD获得的运动得分来应用目标帧平均和/或帧内插。当以彩色血流(CF)或B-flow成像模式成像时，运动补偿可包括基于由每个器官/组织/结构的AI OD获得的运动得分来应用目标帧平均和/或帧内插。此外，运动补偿可包括移除与运动相关的不期望的伪影，诸如闪烁。另外，在已知器官/组织/结构连同一个或多个运动得分的情况下，运动补偿可包括在感兴趣的器官/组织/结构周围自动放置和调整ROI，诸如基于AI OD器官/组织/结构跟踪边界自动、适当地调整大小、操纵和放置ROI，并基于运动得分调整ROI。这样，可优化成像的帧速率以优化CF可视化。当在多普勒血流成像模式中成像时，运动补偿可包括自动放置和调整目标感兴趣的AI OD器官/组织/结构内的多普勒距离门。距离门的调整可包括样本体积大小以及操纵角以优化多普勒图像。
除了上述的图像模式特定运动补偿之外，自动对象检测和运动得分计算可用于改善超声成像的其他方面。例如，如果运动受到限制或不存在，则对象检测和运动得分计算可通过限制或减少必要的图像存储量来允许选择性且最佳的存储。未更改的帧数据不提供任何附加的临床信息和值，因此可将其从存储装置中删除。又如，超声图像帧和另一个图像(例如，通过磁共振成像获得的图像)的对准可通过了解正被采集的体积内的运动得分得到改善。在针对特定器官/组织/结构的干预规程中，诸如用于消融，重要的是知道器官/组织/结构相对于活检针的精确位置。具有跟踪和补偿运动或提供运动得分的能力允许手术的更大精度和准确性。为了改善活检针的可视化和跟踪，目标AI OD器官/组织/结构运动得分可用于更准确地投影针路径以及最小化由于运动造成的可视化伪影。另外，本文所述的对象检测和运动得分计算可提供根据基于运动的器官/组织/结构检测来显示替代心率曲线图的能力。另外，在扫描期间，可显示运动质量得分或指示器，以帮助超声波扫描师/放射科医生最小化运动成像伪影。
如上所述，出于教育目的，可显示与所识别对象相关联的跟踪边界。已经利用AIOD识别器官/组织/结构之后，可通过显示一个或多个边界轮廓(ROI)以及实时地视觉识别此类器官/组织/结构来可视化器官/组织/结构。能够快速识别将允许初学者或经验不足的用户可视化正在积极地进行实时扫描的器官/组织/结构。另外，在具有AI OD跟踪边界可视化的情况下，其将为超声扫描师/放射科医生提供调整换能器相对于目标扫描器官/组织/结构的位置以实现最佳成像的能力。
基于跟踪的对象和对象运动自动检测对象、跟踪对象运动以及运动补偿图像的技术效果是减少了基于运动的图像伪影，诸如图像模糊。
如本文所用，以单数形式列举并且以单词“一个”或“一种”开头的元件或步骤应当被理解为不排除多个所述元件或步骤，除非明确说明此类排除。此外，对本发明的“一个实施方案”的引用不旨在被解释为排除也包含所引用特征的附加实施方案的存在。此外，除非明确地相反说明，否则“包含”、“包括”或“具有”具有特定特性的元件或多个元件的实施方案可包括不具有该特性的附加此类元件。术语“包括”和“在……中”用作相应术语“包含”和“其中”的通俗语言等同物。此外，术语“第一”、“第二”和“第三”等仅用作标记，而不旨在对其对象施加数字要求或特定位置次序。
该书面描述使用示例来公开本发明，包括最佳模式，并且还使相关领域中的普通技术人员能够实践本发明，包括制造和使用任何设备或系统以及执行任何包含的方法。本发明可取得专利权的范围由权利要求书限定，并且可包括本领域普通技术人员想到的其他示例。如果此类其它示例具有与权利要求书的字面语言没有区别的结构元素，或者如果它们包括与权利要求书的字面语言具有微小差别的等效结构元素，则此类其它示例旨在落入权利要求书的范围内。

Claims (20)

1.一种用于医疗成像系统的方法，包括：
在用所述医疗成像系统采集的多个图像帧中独立地跟踪第一对象的运动和第二对象的运动；并且
针对所述多个图像帧中的所选择的图像帧，
基于所述第一对象的所述运动和所述第二对象的所述运动对所述所选择的图像帧进行补偿，以生成经运动补偿的所选择的图像帧；以及
输出所述经运动补偿的所选择的图像帧以用于在显示设备上显示，其中基于所述第一对象的所述运动对所述所选择的图像帧的补偿是独立于基于所述第二对象的所述运动对所述所选择的图像帧的补偿而执行的。
2.根据权利要求1所述的方法，其中在所述多个图像帧中独立地跟踪所述第一对象的运动和所述第二对象的运动包括：
将第一跟踪边界与所述第一对象相关联；
将第二跟踪边界与所述第二对象相关联；
通过在所述多个图像帧中跟踪所述第一跟踪边界的运动来跟踪所述第一对象的所述运动；以及
通过在所述多个图像帧中跟踪所述第二跟踪边界的运动来跟踪所述第二对象的所述运动。
3.根据权利要求1所述的方法，其中为所述所选择的图像帧补偿所述第一对象的所述运动和所述第二对象的所述运动包括：
将第一运动补偿参数应用于所述所选择的图像帧的至少第一区域，所述第一运动补偿参数基于所述第一对象的所述运动的相对水平来选择；以及
将第二运动补偿参数应用于所述所选择的图像帧的至少第二区域，所述第二运动补偿参数基于所述第二对象的所述运动的相对水平来选择。
4.根据权利要求3所述的方法，其中所述医疗成像系统包括被配置为以多种成像模式操作的超声成像系统，其中所述第一运动补偿参数和所述第二运动补偿参数各自基于所述超声成像系统的当前成像模式来进一步选择。
5.一种用于医疗成像系统的方法，包括：
自动检测用所述医疗成像系统采集的图像帧中的第一对象和第二对象；
基于所述第一对象在所述图像帧中相对于所述第一对象在用所述医疗成像系统采集的先前图像帧中的大小和/或位置的大小和/或位置，将第一运动得分分配给所述第一对象；
基于所述第二对象在所述图像帧中相对于所述第二对象在所述先前图像帧中的大小和/或位置的大小和/或位置，将第二运动得分分配给所述第二对象；
处理所述图像帧，所述处理包括基于所述第一运动得分将第一运动补偿参数应用于所述图像帧，并且基于所述第二运动得分将第二运动补偿参数应用于所述图像帧，其中基于所述第一运动得分将所述第一运动补偿参数应用于所述图像帧是独立于基于所述第二运动得分将所述第二运动补偿参数应用于所述图像帧而执行的；以及
输出经处理的图像帧以用于在显示设备上显示。
6.根据权利要求5所述的方法，还包括将所述第一对象与限定所述第一对象在所述图像帧中的大小和位置的第一跟踪边界相关联，以及将所述第二对象与限定所述第二对象在所述图像帧中的大小和位置的第二跟踪边界相关联。
7.根据权利要求6所述的方法，其中分配所述第一运动得分包括确定所述第一跟踪边界从所述先前图像帧到所述图像帧的大小和/或位置的变化，并且基于所述第一跟踪边界的大小和/或位置的所述变化来分配所述第一运动得分，并且其中分配所述第二运动得分包括确定所述第二跟踪边界从所述先前图像帧到所述图像帧的大小和/或位置的变化，并且基于所述第二跟踪边界的大小和/或位置的所述变化来分配所述第二运动得分。
8.根据权利要求7所述的方法，其中确定所述第一跟踪边界的大小的变化包括确定所述先前图像帧中的所述第一跟踪边界的第一尺寸以及确定所述图像帧中的所述第一跟踪边界的第二尺寸，并且其中分配所述第一运动得分包括基于所述第一尺寸和所述第二尺寸之间的差值来分配所述第一运动得分，其中所述第一尺寸和所述第二尺寸各自相对于固定坐标系来确定。
9.根据权利要求7所述的方法，其中确定所述第一跟踪边界的位置的变化包括确定所述先前图像帧中的所述第一跟踪边界的第一坐标以及确定所述图像帧中的所述第一跟踪边界的第二坐标，并且其中分配所述第一运动得分包括基于所述第一坐标和所述第二坐标之间的差值来分配所述第一运动得分，其中所述第一坐标和所述第二坐标各自相对于固定坐标系来确定。
10.根据权利要求5所述的方法，其中：
基于所述第一运动得分将所述第一运动补偿参数应用于所述图像帧包括：根据包括所述第一对象的所述图像帧的区域中的第一权重，将所述图像帧中的像素的亮度值与所述先前图像帧中的像素的亮度值进行平均，所述第一权重基于所述第一运动得分来选择；以及
基于所述第二运动得分将所述第二运动补偿参数应用于所述图像帧包括：根据包括所述第二对象的所述图像帧的区域中的第二权重，将所述图像帧中的像素的亮度值与所述先前图像帧中的像素的亮度值进行平均，所述第二权重基于所述第二运动得分来选择，所述第一权重不同于所述第二权重。
11.根据权利要求5所述的方法，其中所述医疗成像系统是以彩色血流模式或B-flow模式操作的超声系统，并且其中基于所述第一运动得分将所述第一运动补偿参数应用于所述图像帧包括：
接收识别与所述先前图像帧中的所述第一对象重叠的感兴趣区域(ROI)的用户输入；
基于所述第一运动得分来调整所述图像帧中所述感兴趣区域 ( ROI) 的大小和/或位置；以及
在所述感兴趣区域 ( ROI) 中执行彩色血流成像或B-flow成像。
12.根据权利要求11所述的方法，其中基于所述第二运动得分将所述第二运动补偿参数应用于所述图像帧包括：在包括所述第二对象的所述图像帧的区域中将所述图像帧中的像素的亮度值与所述先前图像帧中的像素的亮度值进行平均，所述平均的权重基于所述第二运动得分来选择。
13.根据权利要求5所述的方法，其中所述医疗成像系统是以多普勒血流模式操作的超声系统，并且其中基于所述第一运动得分将所述第一运动补偿参数应用于所述图像帧包括：
接收识别与所述先前图像帧中的所述第一对象重叠的多普勒血流成像目标的用户输入；
基于所述第一对象在所述先前图像帧中的所述位置来定位所述先前图像帧的距离门；
基于所述第一运动得分来调整所述图像帧的所述距离门；以及
根据所述调整的距离门进行多普勒血流成像。
14.根据权利要求13所述的方法，其中基于所述第一运动得分来调整所述图像帧的所述距离门包括：随着由所述第一运动得分所指示的相对运动水平增加来减小所述距离门的大小。
15.根据权利要求5所述的方法，其中所述第一对象为第一解剖特征，并且所述第二对象为不同于所述第一解剖特征的第二解剖特征，并且其中所述第一运动补偿参数不同于所述第二运动补偿参数。
16.根据权利要求15所述的方法，其中所述第一运动得分不同于所述第二运动得分。
17.一种超声系统，包括：
超声探头，所述超声探头包括换能器元件阵列；
显示设备；和
计算系统，所述计算系统具有存储在非暂态存储器上的计算机可读指令，所述计算机可读指令在所述超声系统的操作期间被执行时使得所述计算系统：
在由用所述超声探头采集的数据生成的第一图像帧中自动检测第一对象和第二对象；
在由用所述超声探头采集的数据生成的后续第二图像帧中自动检测所述第一对象和所述第二对象；
基于所述第一对象在所述第一图像帧中相对于所述第一对象在所述第二图像帧中的位置的位置，将第一运动得分分配给所述第一对象；
基于所述第二对象在所述第一图像帧中相对于所述第二对象在所述第二图像帧中的位置的位置，将第二运动得分分配给所述第二对象；
处理所述第二图像帧，包括基于所述第一运动得分将第一运动补偿参数应用于所述第二图像帧，并且基于所述第二运动得分将第二运动补偿参数应用于所述第二图像帧，其中基于所述第一运动得分将所述第一运动补偿参数应用于所述第二图像帧是独立于基于所述第二运动得分将所述第二运动补偿参数应用于所述第二图像帧而执行的；以及
输出经处理的第二图像帧以用于在所述显示设备上显示。
18.根据权利要求17所述的系统，其中所述计算机可读指令在被执行时使得所述计算系统：
将第一跟踪边界与所述第一图像帧和所述第二图像帧中的所述第一对象相关联；
将第二跟踪边界与所述第一图像帧和所述第二图像帧中的所述第二对象相关联；
基于所述第一跟踪边界从所述第一图像帧到所述第二图像帧的位置的变化来分配所述第一运动得分；以及
基于所述第二跟踪边界从所述第一图像帧到所述第二图像帧的位置的变化来分配所述第二运动得分。
19.根据权利要求17所述的系统，其中所述第一运动得分不同于所述第二运动得分，并且其中所述第一运动补偿参数不同于所述第二运动补偿参数。
20.根据权利要求19所述的系统，其中所述第二图像帧的所述处理包括将所述第二图像帧的像素亮度值与所述第一图像帧的像素亮度值进行平均，其中所述第一运动补偿因子包括被应用于所述第二图像帧的第一区域中的所述平均的第一权重，并且其中所述第二运动补偿因子包括应用于所述第二图像帧的第二区域中的所述平均的第二权重，所述第一区域包括所述第一对象，并且所述第二区域包括所述第二对象，并且其中所述第一权重不同于所述第二权重。
CN201910982548.3A 2018-10-17 2019-10-16 用于医疗图像中的运动检测和补偿的方法和系统 Active CN111053572B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/162,944 US20200121294A1 (en) 2018-10-17 2018-10-17 Methods and systems for motion detection and compensation in medical images
US16/162,944 2018-10-17

Publications (2)

Publication Number Publication Date
CN111053572A CN111053572A (zh) 2020-04-24
CN111053572B true CN111053572B (zh) 2023-04-11

Family

ID=70281110

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910982548.3A Active CN111053572B (zh) 2018-10-17 2019-10-16 用于医疗图像中的运动检测和补偿的方法和系统

Country Status (2)

Country Link
US (1) US20200121294A1 (zh)
CN (1) CN111053572B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10996306B2 (en) * 2019-04-25 2021-05-04 General Electric Company MRI system and method using neural network for detection of patient motion
EP4006832A1 (en) * 2020-11-30 2022-06-01 Koninklijke Philips N.V. Predicting a likelihood that an individual has one or more lesions

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104042236A (zh) * 2013-03-13 2014-09-17 三星电子株式会社 提供复制图像的方法及其所用的超声设备

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8781193B2 (en) * 2007-03-08 2014-07-15 Sync-Rx, Ltd. Automatic quantitative vessel analysis
KR20090042153A (ko) * 2007-10-25 2009-04-29 주식회사 메디슨 영상 움직임 추정 및 보상 장치와 그 방법
US8718338B2 (en) * 2009-07-23 2014-05-06 General Electric Company System and method to compensate for respiratory motion in acquired radiography images
JP5859950B2 (ja) * 2012-11-29 2016-02-16 ジーイー・メディカル・システムズ・グローバル・テクノロジー・カンパニー・エルエルシー 計測装置及びその制御プログラム
US9715903B2 (en) * 2014-06-16 2017-07-25 Qualcomm Incorporated Detection of action frames of a video stream
KR101713859B1 (ko) * 2015-08-31 2017-03-09 삼성전자주식회사 자기 공명 영상 처리 장치 및 그에 따른 자기 공명 영상 처리 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104042236A (zh) * 2013-03-13 2014-09-17 三星电子株式会社 提供复制图像的方法及其所用的超声设备

Also Published As

Publication number Publication date
US20200121294A1 (en) 2020-04-23
CN111053572A (zh) 2020-04-24

Similar Documents

Publication Publication Date Title
CN108784735B (zh) 用于显示采集质量水平的超声成像系统和方法
US10874373B2 (en) Method and system for measuring flow through a heart valve
US11331076B2 (en) Method and system for displaying ultrasonic elastic measurement
US11715202B2 (en) Analyzing apparatus and analyzing method
KR102223048B1 (ko) 정량적 초음파 이미징을 위한 관심 구역 배치
EP2807978A1 (en) Method and system for 3D acquisition of ultrasound images
WO2014081006A1 (ja) 超音波診断装置、画像処理装置および画像処理方法
KR20190038448A (ko) 의료 진단 이미징에서의 측정 포인트 결정
KR101120812B1 (ko) 움직임 벡터를 제공하는 초음파 시스템 및 방법
WO2013146016A1 (ja) 超音波診断装置
US20210015448A1 (en) Methods and systems for imaging a needle from ultrasound imaging data
JP2016523164A (ja) 解剖学的にインテリジェントな心エコー検査法における肋骨妨害物描出
US20070255138A1 (en) Method and apparatus for 3D visualization of flow jets
CN111053572B (zh) 用于医疗图像中的运动检测和补偿的方法和系统
US8657750B2 (en) Method and apparatus for motion-compensated ultrasound imaging
CN110636799A (zh) 针对器官查看的最佳扫描平面选择
US11850101B2 (en) Medical image diagnostic apparatus, medical image processing apparatus, and medical image processing method
US9842427B2 (en) Methods and systems for visualization of flow jets
US20150182198A1 (en) System and method for displaying ultrasound images
US11559280B2 (en) Ultrasound imaging system and method for determining acoustic contact
JP7336766B2 (ja) 超音波診断装置、超音波診断方法および超音波診断プログラム
JP6731275B2 (ja) 超音波診断装置
US9877701B2 (en) Methods and systems for automatic setting of color flow steering angle
US20230172585A1 (en) Methods and systems for live image acquisition
JP7438038B2 (ja) 超音波診断装置及び診断支援方法

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