CN111432731A - 用于检测图像伪影的智能超声系统 - Google Patents

用于检测图像伪影的智能超声系统 Download PDF

Info

Publication number
CN111432731A
CN111432731A CN201880077984.XA CN201880077984A CN111432731A CN 111432731 A CN111432731 A CN 111432731A CN 201880077984 A CN201880077984 A CN 201880077984A CN 111432731 A CN111432731 A CN 111432731A
Authority
CN
China
Prior art keywords
ultrasound
neural network
image
artifacts
artifact
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201880077984.XA
Other languages
English (en)
Inventor
R·斯里尼瓦萨奈杜
M·阮
C·M·斯威舍
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 CN111432731A publication Critical patent/CN111432731A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/58—Testing, adjusting or calibrating the diagnostic device
    • A61B8/585—Automatic set-up of the device
    • 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
    • A61B8/465—Displaying means of special interest adapted to display user selection data, e.g. icons or menus
    • 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
    • A61B8/5269—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving detection or reduction of artifacts
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Databases & Information Systems (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)
  • Image Analysis (AREA)

Abstract

本公开描述了被配置为识别通过将神经网络应用于超声图像帧而从所述帧识别并去除图像伪影的超声成像系统和方法。系统可以包括超声换能器，其被配置为响应于朝向目标区域发射的超声脉冲而采集回波信号。与所述超声换能器通信地耦合的一个或多个处理器可以被配置为根据所述超声回波来生成图像帧，并且将神经网络应用于所述图像帧。所述神经网络确定在所述图像帧中是否存在伪影，并且识别检测到的伪影的类型。所述处理器还能够生成传达所述伪影的所述存在的指示符，其能够被显示在用户接口上。所述处理器还能够基于存在于所述图像帧内的伪影的存在和类型来生成用于调整所述超声换能器的指令。

Description

用于检测图像伪影的智能超声系统
相关申请
本申请要求于2017年11月2日提交的美国临时申请No.62/580,635的权益和优先权，其以引用方式被完全并入本文。
技术领域
本公开涉及用于使用神经网络来识别超声图像中的伪影的超声系统和方法。具体的实施方式涉及被配置为在超声成像期间识别伪影并且提供用于调整超声探头以从所采集的超声图像去除伪影的指令的系统。
背景技术
超声图像可以包含使被捕获在图像中的身体特征模糊的各种伪影。例如，图像伪影通常由于超声物理和操作者干扰而出现在超声图像中。不同特征之间的不一致回声反射性能够产生阴影效应，尤其是当组织音速的变化和高对比组织阻抗的反射能够导致镜像图像和混响时。这样的伪影的出现能够妨碍操作者准确解读超声图像内的特征的能力，这会导致不正确的诊断。图像伪影还能够干扰超声引导的介入程序。
从超声图像去除伪影通常能够通过调整用来采集图像的超声换能器的位置、取向和/或操作设置来实现。然而，没有经验的超声操作者可能无法辨别出现在图像内的伪影，或可能无法知道使伪影消失所需的调整。因此，能够辨别图像伪影的超声成像系统和可以被采取以去除伪影的步骤可能是期望的。
发明内容
本公开描述了用于通过识别并去除使被包括在图像中的特征模糊的伪影来改善超声图像的质量和解读的系统和方法。所述系统可以由不能可靠地识别伪影和/或以去除它们所需的方式调整超声换能器的新手超声用户使用。通过减少操作错误，本文中公开的系统能够改善在扫描期间采集的超声图像的质量和基于这样的图像做出的诊断。系统可以实施被训练为检测可以在超声扫描期间出现的各种伪影的存在的神经网络。为了检测伪影的存在，系统能够确定每个伪影的类型。例如，伪影类型可以包括混响、阴影或镜像图像。神经网络还可以被训练为输出用于以从图像去除(一个或多个)伪影所需的方式调整超声换能器和/或其设置的指令或校正动作。指令可以基于所识别的伪影的类型而改变，使得用于去除混响伪影的指令可以不同于用于去除镜像图像伪影的指令。在一些范例中，指令被提供给操作超声设备的用户。在其他范例中，指令被发送到被配置为根据该指令自动地调整超声换能器由此在没有用户干预的情况下去除(一个或多个)伪影的系统部件，例如，控制器。
根据一些范例，一种超声成像系统可以超声换能器，其被配置为响应于朝向目标区域发射的超声脉冲而采集回波信号。还可以包括与所述超声换能器通信的一个或多个处理器。所述处理器可以被配置为：从所述超声回波生成至少一个图像帧；将神经网络应用于所述图像帧，其中，所述神经网络确定所述图像帧中的伪影的存在和类型；基于所确定的所述伪影的存在来生成指示符；使所述指示符被显示在与所述处理器通信的用户接口上；并且基于所确定的所述伪影的存在和类型来生成用于调整所述超声换能器的指令。
在一些范例中，所述处理器还可以被配置为将所述指令发送到与所述超声换能器通信地耦合的控制器。在一些实施例中，所述控制器可以被配置为通过基于从所述处理器接收的所述指令修改所述超声换能器的操作参数来调整所述超声换能器。在一些范例中，所述操作参数可以包括所述超声换能器的位置、取向、焦深、波束角度、成像模态或频率。在一些实施例中，所述超声换能器可以与被配置为移动所述超声换能器的机器人臂物理地耦合。
在一些范例中，所述处理器还可以被配置为根据所述图像帧来生成超声图像并使所述超声图像被显示在所述用户接口上。在一些实施例中，所述指示符可以包括被叠加在所述用户接口上显示的所述超声图像上的图形叠加或位置标记。在一些范例中，所述伪影可以包括混响、声阴影、声增强、镜像图像或边缘阴影。在一些实施例中，所述神经网络可以包括多个神经网络模型，所述神经网络模型中的每个神经网络模型与能由用户选择的多个预设成像模态中的一个成像模态相关联。在一些范例中，所述预设成像模态中的每个可以被配置为通过实施特定于不同的目标区域的一组操作参数而使所述超声换能器从所述不同的目标区域采集回波信号。在一些实施例中，所述一个或多个处理器可以被配置为生成预测的无伪影超声图像并使所述预测的无伪影超声图像被显示。在一些实施例中，所述指令可以被显示在所述用户接口上。在一些范例中，遵从所述指令使所述伪影从所述图像帧去除。在一些实施例中，所述神经网络可以与训练算法操作性地相关联，所述训练算法被配置为接收训练输入和已知输出的阵列，其中，所述训练输入包括包含伪影的超声图像帧，并且所述已知输出包括被配置为从所述超声图像帧去除所述伪影的操作参数调整。在一些范例中，所述神经网络可以包括多个神经网络模型，所述神经网络模型中的每个神经网络模型与训练输入的多个子集中的一个子集相关联，所述子集中的每个子集与能由用户选择的多个预设成像模态中的一个成像模态相关联。
根据一些范例，一种超声成像的方法可以涉及：响应于由操作性地耦合到超声系统的换能器发射到目标区域内的超声脉冲而采集回波信号；根据所述超声回波来生成至少一个图像帧；将神经网络应用于所述图像帧，其中，所述神经网络确定所述图像帧中的伪影的存在和类型；基于所确定的所述伪影的存在来生成指示符；将所述指示符显示在用户接口上；以及基于所确定的所述伪影的存在和类型来生成用于调整所述换能器的指令，所述指令包括用于从所述图像帧去除所述伪影的操作引导。。
在一些范例中，所述方法还可以涉及选择用于采集回波信号的成像模态，所述成像模态包括特定于所述目标区域的操作参数。在一些实施例中，所述方法还可以涉及将所述指令发送到与所述换能器通信地耦合的控制器。在一些范例中，所述方法还可以涉及基于所述指令来修改所述换能器的操作参数。在一些实施例中，所述方法还可以涉及将所述指令显示在所述用户接口上。在一些范例中，所述方法还可以涉及使用包含多个不同伪影的超声图像帧和用于基于所述多个不同伪影来调整所述换能器的专家指令来训练所述神经网络。在一些范例中，所述方法还可以涉及在没有所述伪影的情况下生成预测的超声图像。
本文中描述的任何方法或其步骤可以被体现在包括可执行指令的非瞬态计算机可读介质中，所述可执行指令当被运行时可以使医学成像系统的处理器执行本文中体现的方法或步骤。
附图说明
图1是根据本公开的原理的超声系统的框图。
图2是根据本公开的原理的另一超声系统的框图。
图3是根据本公开的原理的被训练为确定超声图像伪影的存在和类型的神经网络的框图。
图4是包含还未根据本公开的原理被去除的镜像图像伪影的超声图像的照片。
图5A是根据本公开的包含已经被识别的伪影和这样的伪影的存在和类型的指示符的超声图像的照片。
图5B是根据本公开的包含已经被识别的伪影和用于调整超声换能器以去除伪影的指令的超声图像的照片。
图6是根据本公开的原理执行的超声成像的方法的流程图。
具体实施方式
特定实施例的以下描述本质上仅仅是示范性的，并且决不旨在限制本发明或其应用或用途。在本系统和方法的实施例的以下详细描述中，参考形成其一部分的附图，并且附图通过图示的方式示出了所描述的系统和方法可以被实践于其中的特定实施例。足够详细地描述这些实施例以使得本领域技术人员能够实践当前公开的系统和方法，并且应当理解，可以利用其他实施例，并且可以在不脱离本系统的精神和范围的情况下进行结构和逻辑上的改变。此外，为了清楚起见，某些特征的详细描述当其对于本领域技术人员而言将显而易见时将不被讨论，以免使对本系统的描述模糊。因此，以下详细描述不应被视为在限制性意义上来理解，并且本系统的范围仅由所附权利要求限定。
根据本公开的超声系统可以利用神经网络(例如深度神经网络(DNN)、卷积神经网络(CNN)等)来识别可以在超声成像期间出现的各种图像伪影(例如，混响)。在一些范例中，神经网络可以使用各种当前已知或以后开发的机器学习技术中的任何来训练，以获得能够分析超声图像帧形式的输入数据并且识别某些特征(包括一个或多个图像伪影)的神经网络(例如，机器训练的算法或基于硬件的节点系统)。神经网络可以提供优于传统形式的计算机编程算法的优点，因为它们可以被概括和训练以通过分析数据集样本而非依赖于专用计算机代码来识别数据集特征。通过将适当的输入和输出数据呈现给神经网络训练算法，根据本公开的超声系统的神经网络能够被训练为识别伪影，并且提供用于以导致伪影从超声图像去除的方式调整超声换能器的指令。在一些范例中，所述指令能够被发送到被配置为在没有用户干预的情况下根据所述指令来自动调整超声换能器的控制器。额外地或备选地，所述指令可以被转化为用于从超声图像去除伪影的一个或多个图像处理操作。
根据本发明的原理的超声系统可以包括或被操作性地耦合到超声换能器，所述超声换能器被配置为朝向介质(例如，人体或其特定部分)发射超声脉冲并且响应于超声脉冲而生成回波信号。所述超声系统可以包括波束形成器和显示器，所述波束形成器被配置为执行发射和/或接收波束形成，所述显示器被配置为在一些范例中显示由超声成像系统生成的超声图像。所述超声成像系统可以包括一个或多个处理器和神经网络的至少一个模型，其可以以硬件和/或软件部件被实施。神经网络能够被机器训练为识别一个或多个图像伪影(诸如混响或镜像图像)，并且输出这样的伪影的存在和/或类型的指示。
根据本公开实施的神经网络可以是基于硬件(例如，神经元由物理部件表示)或软件(例如，在软件应用中实施的神经元和路径)的，并且可以使用用于训练神经网络以产生期望输出的各种拓扑和学习算法。例如，可以使用被配置为运行指令的处理器(例如，单核或多核CPU、单个GPU或GPU集群，或者被布置用于并行处理的多个处理器)来实施基于软件的神经网络，所述指令可以被存储在计算机可读介质中，并且所述指令当被运行时使所述处理器执行用于识别超声图像内的各种伪影的机器训练的算法，并且在一些范例中，输出各种伪影的存在、不存在和/或类型的指示。超声系统可以包括显示器或图形处理器，其可操作为将超声图像和/或额外的图形信息(其可以包括注释、组织信息、患者信息、指示符以及其他图形部件)布置在用于显示在超声系统的用户接口上的显示窗口中。在一些实施例中，为了报告目的或未来的机器训练(例如，以继续增强神经网络的性能)，超声图像和组织信息(包括关于伪影的存在和/或类型的信息)可以被提供给存储设备和/或存储器设备，诸如影像归档和通信系统(PACS)。在一些范例中，在扫描期间获得的超声图像可以不被显示给操作超声系统的用户，但是当超声扫描被执行时，可以由系统针对图像伪影的存在或不存在进行分析。
图1示出了根据本公开的原理的范例超声系统。超声系统100可以包括超声数据采集单元110。超声数据采集单元110可以包括超声换能器或探头，所述超声换能器或探头包括被配置为将超声脉冲114发射到对象的目标区域116(例如，腹部)内并且响应于所发射的脉冲而接收回波118的超声传感器阵列112。如进一步示出的，超声数据采集单元110可以包括波束形成器120和信号处理器122，该信号处理器可以被配置为根据在阵列112处接收的超声回波118来生成多个离散的超声图像帧124。在一些实施例中，系统100还可以包括与超声数据采集单元110耦合的控制器125。控制器125可以被配置为调整数据采集单元110的位置、取向和/或操作设置作为自动反馈循环的一部分。机械调整机构126(诸如机器人臂)可以被配置为在控制器125的引导下物理地操纵超声数据采集单元110。在一些范例中，信号处理器122可以与传感器阵列112一起被容纳，或其可以与该传感器阵列物理地分开但是(例如，经由有线或无线连接)被通信地耦合到传感器阵列。
该系统还可以包括伪影检测引擎127，例如，被配置为实施神经网络128的计算模块或电路(例如，专用集成电路(ASIC))。神经网络128可以被配置为接收图像帧124，并且确定每个帧内的成像伪影的存在和/或类型。为了训练神经网络128，各种类型的训练数据129可以在应用网络之前和/或之后的各种时刻被输入到网络中。虽然为了图示的清楚和简单而在图1中仅图示了一个神经网络128，但是多个不同的神经网络模型可以与伪影检测引擎127相关联或通信地耦合。神经网络128的每个模型可以经由训练算法被预先训练，以确定在特定成像应用期间采集的图像帧124中的成像伪影的存在和/或类型。因此，每个模型可以利用经由对不同的目标区域116进行成像而获得的不同的训练数据129的集合。
在一些范例中，系统100还包括与伪影检测引擎127和用户接口132耦合的显示处理器130。在一些范例中，显示处理器130可以被配置为根据图像帧124和传达每个图像帧124内的(一个或多个)图像伪影的存在和/或类型的指示符136来生成超声图像134。用户接口132可以被配置为当超声扫描正被执行时实时显示该区域的超声图像134以及指示符136。在一些实施例中，用户接口132可以不显示超声图像，但是可以显示指示符136，使得用户可能不能看见图像帧中示出的身体特征和/或图像伪影，但是可以显示指示符136，使得用户仍然将被通知其超声检测。用户接口132还可以被配置为基于检测到的出现在图像帧124内的伪影的存在和/或类型来显示一个或多个指令137。指令137可以包括用于以从图像帧124去除(一个或多个)伪影由此改善图像帧的质量的方式调整数据采集单元110的引导。用户接口132还可以被配置为在超声扫描之前、期间或之后的任何时间接收用户输入138。在一些范例中，用户输入138可以包括指定用于对特定身体特征(例如，膀胱、肺部、肾脏等)进行成像的操作参数的预设成像模态选择。操作参数能够包括预先指定的焦深、脉冲频率、扫描线数量、扫描线密度或其他设置。被应用于所采集的图像帧124的神经网络128的具体模型可以取决于由用户选择的预设成像模态。例如，在心脏成像期间应用的神经网络模型128可以不同于当对膀胱或肾脏进行成像时应用的神经网络模型。神经网络128的每个模型因此可以被预先训练为识别从特定目标区域116采集的特定类型的图像帧124中的伪影。对预设成像模态的选择唤起对神经网络128的正确模型的实施。
图1中示出的系统100的配置可以改变。如进一步示出的，用户接口132能够显示由神经网络128生成的预测的无伪影图像帧139。例如，系统100能够是便携式的或固定的。各种便携式设备(例如，膝上型计算机、平板电脑、智能电话等)可以用来实施与诊所分开的位置(例如，远程护理点)处的系统100的一个或多个功能。在包含这样的设备的范例中，超声传感器阵列112可以例如是能经由USB接口连接的。
超声数据采集单元110可以被配置为从一个或多个感兴趣区域采集超声数据，所述一个或多个感兴趣区域可以包括各种组织、器官或其他内部身体结构。超声传感器阵列112可以包括被配置为发射和接收超声能量的至少一个换能器阵列。各种换能器阵列可以被使用，例如，线性阵列、凸面阵列或相控阵列。在不同的范例中，被包括在传感器阵列112中的换能器元件的数量和布置可以改变。例如，超声传感器阵列112可以包括换能器元件的1D或2D阵列，分别对应于线性阵列和矩阵阵列探头。2D矩阵阵列可以被配置为在仰角和方位角维度上电子地扫描(经由相控阵列波束形成)用于2D或3D成像。除了B模式成像之外，根据本文中的公开内容实施的成像模态还能够包括例如剪切波和/或多普勒。
各种用户可以操纵并操作超声数据采集单元110以执行本文中描述的方法。在一些范例中，用户可以包括不能从超声图像一致地识别和/或去除伪影的没有经验的新手超声操作者。通过识别所采集的超声图像帧124内的伪影并且向用户提供用于以从图像去除伪影的方式调整超声换能器的指令，本文中公开的改善的超声技术使得这样的用户能够执行有效的超声成像。在机械调整机构126用来控制超声换能器的位置和/或取向的范例中，用于去除伪影的指令可以被传送到控制器125，控制器被配置为使机器人设备在没有用户输入的情况下自动地进行必要的调整。通过识别伪影并且提供用于去除伪影的精确指令，本文中公开的系统可以导致改善的图像解读和诊断。
如图1中进一步示出的，数据采集单元110还可以包括被耦合到超声传感器阵列112的波束形成器120，例如，该波束形成器包括微波束形成器或微波束形成器和主波束形成器的组合。波束形成器120可以控制对超声能量的发射，例如通过将超声脉冲形成为聚焦脉冲。波束形成器120还可以被配置为控制对超声信号的接收，使得可辨别的图像数据可以在其他系统部件的帮助下被产生和处理。在不同的超声探头种类中，波束形成器120的作用可以改变。在一些实施例中，波束形成器120可以包括两个单独的波束形成器：被配置为接收并处理用于发射到对象内的超声能量的脉冲序列的发射波束形成器和被配置为放大、延迟和/或求和所接收的超声回波信号的单独的接收波束形成器。在一些实施例中，波束形成器120可以包括被耦合到主波束形成器的微波束形成器，所述微波束形成器对传感器元件的组进行操作用于发射和接收波束形成两者，所述主波束形成器对组输入和输出进行操作分别用于发射和接收波束形成。
信号处理器122可以与传感器阵列112和/或波束形成器120通信地、操作性地和/或物理地耦合。在图1中示出的范例中，信号处理器122被包括作为数据采集单元110的集成部件，但是在其他范例中，信号处理器122可以是单独的部件。信号处理器122可以被配置为接收包含在传感器阵列112处接收的超声回波118的未滤波的且无组织的超声数据。根据该数据，信号处理器122可以在用户扫描区域116时连续地生成多个超声图像帧124。
伪影检测引擎127能够从数据采集单元110接收图像帧124。引擎127然后可以准备所接收的图像帧124中包含的图像数据用于输入到神经网络128中。在实施例中，引擎127可以将图像帧124输入到基于由用户选择的预设成像模态的神经网络128的具体模型中。在一些范例中，准备数据涉及产生数据的三倍复制，使得各种神经网络模型(例如，Inception、Alexnet和/或Resnet)能够用来识别图像伪影和用于去除它们的调整选项。在特定实施例中，三倍复制能够包括动态范围的三个8位表示，即，高信号低动态范围图像；低信号低动态范围图像；以及具有自适应直方图均衡化的压缩的高动态范围图像。
在各种实施例中，神经网络128可以被嵌入在信号处理器122和/或伪影检测引擎127内或至少与信号处理器和/或伪影检测引擎通信。神经网络128可以被配置为接收并输入在一些范例中直接来自信号处理器122的超声图像帧124，并且确定在每个图像帧124内是否存在一个或多个伪影。在一些实施例中，神经网络128可以是由被共同训练为辨别超声图像帧内的各种图像伪影的各种组织的神经层和子层构成的卷积神经网络(CNN)。神经网络128可以包括多个神经网络模型，每个模型使用通过在特定成像模态的实施期间对特定目标区域116进行成像而被收集的训练数据129的不同的集合来训练。神经网络128可以自动地检测每个所接收的图像帧124内的伪影的存在、不存在和/或类型，并且可以被实施在二或三维超声成像系统内。神经网络128还可以识别在图像帧124内检测到的每个伪影的类型。取决于伪影类型，神经网络128还可以被配置为输出用于从图像去除伪影的指令137。另外，神经网络128可以被配置为生成预测的无伪影图像帧139。无伪影图像帧139能够包括原始图像帧124，但是具有从其去除的伪影。
与神经网络128通信地耦合的显示处理器130可以被配置为基于通过神经网络128做出的确定来生成指示符136。在一些实施方式中，指示符136可以指示图像帧124内的伪影的存在、不存在和/或类型。在接收到超声图像124和/或指示符136之后，用户接口132然后可以显示图像和/或指示符。当图像被获得时，指示符136可以实时地与超声图像134同时被显示，例如，被叠加在超声图像的顶部上或附近。因此，指示符136可以立即通知用户一个或多个伪影的存在或不存在。在一些范例中，指示符136可以包括不被视觉地显示的感官提示(诸如超声探头的振动)或从与超声系统100耦合的扬声器发出的听觉提示。指示符136还可以包括打开和关闭或改变颜色的光。例如，伪影的存在可以通过红光来指示，而伪影的不存在可以通过绿光或光的不存在来指示。在一些实施例中，指示符136可以在没有超声图像的同时显示的情况下被显示。如果当扫描正被执行时指示符通知用户图像伪影的存在或不存在，则指示符136的具体性质不是关键的。
在一些范例中，用户接口132还可以被配置为引导或帮助用户通过超声扫描，使得任何图像伪影被去除或至少在强度上被降低。这种引导可以通过神经网络128以一个或多个指令137的形式生成，并且可以对同样通过神经网络128生成的指示符136做出响应。例如，用户接口132可以响应于接收到传达成像伪影的存在和/或类型的指示符136而向用户提供指令。指令可以提示用户以确保所有图像伪影都从所采集的图像去除的方式执行超声扫描。例如，如果检测到混响伪影，则用户接口132可以提供改变超声换能器的观察角度的指令。对于镜像图像，用户接口132可以提供改变换能器的成像平面、焦深和/或脉冲频率的指令。指令还可以包括方向命令(例如，“横向移动超声探头”)和/或基于技术的命令(例如，“更慢地移动超声探头”；“减慢”；“停止”；或“继续”)。在一些范例中，伪影一消失，指令就可以命令用户保持换能器稳定在一个位置处，由此允许对无伪影图像的可视化和解读。一检测到伪影，指令就还可以提示用户对换能器的位置和/或取向进行稍微的调整。
图2是根据本发明的原理的另一超声系统200的框图。图2中示出的一个或多个部件可以被包括在如下系统中，该系统被配置为识别可以出现在超声图像帧中的图像伪影，提供其存在、不存在和/或类型的指示，提供用于调整超声换能器以去除伪影的指令，和/或自动地调整超声换能器的一个或多个操作参数。例如，上面描述的信号处理器122的功能中的任一个可以由图2中示出的处理部件(包括例如信号处理器226、B模式处理器228、扫描转换器230、多平面重新格式化器232、体积绘制器234和/或图像处理器236)中的一个或多个实施和/或控制。
在图2的超声成像系统中，超声探头212包括用于将超声波发射到包含特征(例如，器官)的区域内并且响应于所发射的波而接收回波信息的换能器阵列214。在各种实施例中，换能器阵列214可以是矩阵阵列或一维线性阵列。换能器阵列可以被耦合到探头212中的微波束形成器216，所述波束形成器可以控制由阵列中的换能器元件对信号的发射和接收。在所示出的范例中，微波束形成器216通过探头线缆耦合到发射/接收(T/R)开关218，所述开关在发射与接收之间切换并且保护主波束形成器222免受高能发射信号。在一些实施例中，T/R开关218和系统中的其他元件能够被包括在换能器探头中而非在单独的超声系统部件中。在微波束形成器216的控制下从换能器阵列214对超声波束的发射可以由被耦合到T/R开关218和波束形成器222的发射控制器220引导，所述发射控制器接收例如来自用户接口或控制面板224的用户操作的输入。可以由发射控制器220控制的功能是波束被转向的方向。波束可以在换能器阵列正前方(正交于换能器阵列)或以不同角度被转向以用于更宽视场。由微波束形成器216产生的部分波束形成的信号被耦合到主波束形成器222，其中来自换能器元件的个体片块的部分波束形成的信号被组合成完全波束形成的信号。
波束形成的信号可以被耦合到信号处理器226。信号处理器226可以以各种方式处理接收到的回波信号，诸如带通滤波、抽取、I和Q分量分离、和/或谐波信号分离。信号处理器226还可以经由散斑减少、信号复合和噪声消除来执行额外的信号增强。在一些范例中，通过由信号处理器226采用的不同处理技术生成的数据可以由数据处理器和/或神经网络用来识别一个或多个图像伪影。经处理的信号可以被耦合到B模式处理器228，所述B模式处理器可以采用幅度检测用于对身体中的结构进行成像。由B模式处理器228产生的信号可以被耦合到扫描转换器230和多平面重新格式化器232。扫描转换器230可以以它们以期望的图像格式被接收的空间关系布置回波信号。例如，扫描转换器230可以将回波信号布置成二维(2D)扇形格式。多平面重新格式化器232可以将从身体的体积区域中的共同平面中的点接收的回波转换成该平面的超声图像，如在美国专利No.6443896(Detmer)中描述的。在一些范例中，体积绘制器234可以将3D数据集的回波信号转换成如从给定参考点观察的投影的3D图像，例如，如在美国专利No.6530885(Entrekin等人)中描述的。2D或3D图像可以从扫描转换器230、多平面重新格式化器232和体积绘制器234被传送到图像处理器236，用于进一步增强、缓冲和/或临时存储以用于显示在图像显示器237上。在其显示之前，可以包括多个不同的神经网络模型的神经网络238可以被实施为识别每幅图像是否包含一个或多个图像伪影。在实施例中，神经网络238可以在各种处理阶段处被实施，例如，在由图像处理器236、体积绘制器234、多平面重新格式化器232和/或扫描转换器230执行的处理之前。图形处理器240能够生成用于与超声图像一起显示的图形叠加。这些图形叠加可以包含例如标准识别信息(诸如患者姓名、图像的日期和时间、成像参数等)以及由神经网络238生成的各种输出(诸如传达被包括在特定图像中的图像伪影的存在、不存在和/或类型的一个或多个指示符)。图形叠加还可以包括用于以生成无伪影图像所需的方式引导系统200的用户通过超声扫描的视觉指令，例如，文本和/或符号。在一些范例中，图形处理器可以接收来自用户接口224的输入，诸如键入的患者姓名或从接口显示或发出的指令已经被系统200的用户确认的确认。用户接口224还可以接收关于特定成像模态和被包括在这样的模态中的操作参数的选择的输入、提示对由系统200使用的设置和/或参数的调整的输入、请求用于执行超声扫描的额外指令或帮助的输入、和/或请求一幅或多幅超声图像被保存和/或被传输到远程接收器的输入。用户接口也可以被耦合到多平面重新格式化器232用于选择和控制对多幅多平面重新格式化(MPR)图像的显示。
图3是根据本发明的原理的被训练为识别超声图像数据中的图像伪影的神经网络300的框图。在所示出的范例中，神经网络300是卷积神经网络(CNN)，尤其是Inception-v3模型的修改版本。在不同的实施例中，其他神经网络(诸如Alexnet和/或Resnet)能够被使用。图3中示出的被定制用于检测超声图像数据中的图像伪影的存在和类型的网络架构仅表示可以根据本发明的范例被实施的神经层和子层的布置以及其之间的连接性的一个范例。例如，对于被配置为识别更多种类的图像伪影的神经网络，层304的数量可以更多。同样地，为了识别更少数量的图像伪影，层304的数量可以更少。在一些范例中，图3中示出的网络架构可以通过调整权重和致密层以输出具有等于不同图像伪影类型的数量的长度的多标签分类器来进行修改。在各种实施例中，多个神经网络300可以被实施，每个神经网络被不同地修改以识别特定成像模态期间的图像伪影。
图3中的神经网络300被训练为接收超声图像帧302形式的输入，超声图像帧可以均包含零个、一个或多个图像伪影。取决于由用户选择的预设成像模态，图像帧302的类型以及所应用的神经网络300的具体模型可以改变。在一些范例中，如果被提供有经由与具体模型不相关联的成像模态采集的图像帧302，则具体神经网络模型300可能不能识别伪影。神经网络300能够被配置为接收各种类型的输入数据。例如，网络能够处理二维、三维、8位、16位或红-蓝-绿信道数据。在一些实施例中，每个层可以被训练为执行特征检测的某些方面。例如，一个或多个层304可以被训练为辨别每幅所接收的图像帧内的各种特征的边缘和/或强度水平。一个或多个层304可以被训练为将图像伪影与具有类似强度水平的其他特征分开。在一些范例中，顶部卷积层上的最高激活能够被叠加在每幅超声图像帧的顶部上以突出显示超声的位置。该方法优于分割、检测或定位方法，因为它不需要时间密集的专家注释或额外的机器训练。在一些实施例中，训练数据还可以包括由观察通过神经网络识别的伪影的有经验的用户或专家生成的超声探头调整指令。根据这样的实施例，训练图像可以与去除指令进行配对，使得网络300被训练为识别伪影和同时去除它们的方法。最终层可以被配置为确定存在于图像数据中的伪影的类型，并且生成对应的输出306。由于该原因，最终层可以被称为“输出层”。输出可以包括存在于原始输入内的图像伪影的存在、不存在和/或类型的指示，所述图像伪影可以包括混响伪影、声阴影伪影、声增强伪影、镜像图像伪影、边缘阴影伪影或其他。基于通过神经网络300识别的(一个或多个)伪影的存在和/或类型的指令也可以从最终层输出。在一些实施例中，输出可以包括通过神经网络300预测的无伪影图像。在一些范例中，输出306能够使用分数步长卷积技术来可视化。输出可以被耦合到显示处理器，例如，图1中示出的显示处理器130，其例如可以将输出转换成信号、提示或图形显示。
神经网络300可以被至少部分地实施在包括可执行指令的计算机可读介质中，所述可执行指令当由处理器(诸如伪影检测引擎127)运行时可以使处理器执行机器训练的算法以基于所采集的其中包含的回波信号来确定图像帧中包含的图像伪影的存在、不存在和/或类型。为了训练神经网络300，包括输入阵列和输出分类的多个实例的训练集可以被呈现给神经网络300的(一种或多种)训练算法(例如，AlexNet训练算法，如由Krizhevsky,A.,Sutskever,I.和Hinton,G.E.“ImageNet Classification with Deep ConvolutionalNeural Networks”(NIPS 2012或其衍生物)描述的)。
与神经网络300相关联的神经网络训练算法可以被呈现有数千或甚至数百万训练数据集，以便训练神经网络以识别图像伪影并且提供用于其去除的指令。在各种范例中，用来训练神经网络的超声图像的数量可以在从大约50,000至200,000或更多的范围内变动。如果更高数量的不同伪影要被识别，则用来训练网络的图像的数量可以被增加。对于不同的伪影，用来训练网络的训练图像的数量可以不同，并且可以取决于某些伪影的出现的可变性。例如，指示选择伪影的特征可以比指示其他伪影的特征更一致地出现。训练神经网络300以识别具有可变特征的伪影可能需要更多的训练图像。在一些实施例中，训练可以是监督式的。例如，可以包括所识别的图像伪影和/或用于去除它的指令的神经网络300的最终输出306可以在超声图像解读中被专家确认或拒绝。
训练神经网络300以生成没有所识别的图像伪影的预测图像可以涉及输入包含伪影的各种特征的超声图像和在成像调整已经被实施并且伪影已经被去除之后获得的相关联的相同特征的超声图像。在一些范例中，生成预测的无伪影图像可以涉及外推被一个或多个伪影遮挡的身体特征的部分。例如，神经网络300可以被训练为识别具体图像帧内的每个伪影的边缘，并且反转由这样的边缘定义的像素的颜色。在此反转之后，所反转的像素的全部或一部分可以根据需要而被修改为使最初被(一个或多个)新去除的伪影遮挡的身体特征完整。
图4是包含还未被去除的镜像图像伪影的超声图像400的照片。如图所示，镜像图像伪影可以显现为被布置为反射复制的完全相同的特征402a和402b。镜像图像伪影可以由超声波束在大的光滑界面(例如，流体-空气界面)处的镜面反射引起。本文中公开的系统能够被配置为通过将包含伪影的图像帧输入到被训练为识别包括镜像图像的伪影的神经网络中来识别镜像图像伪影，诸如图4中示出的镜像图像伪影。在一些范例中，神经网络能够被训练为基于由用户选择的预设成像模态来专门寻找镜像图像伪影。例如，当对膀胱进行成像时，镜像图像伪影可能频繁地出现。因此，当被配置用于对膀胱进行成像的成像模态由用户选择时，神经网络可以被训练为专门或优先搜索镜像图像伪影。其他特征或组织类型还可以与特定图像伪影相关联。例如，当对肺部组织与被容纳在肺部内的空气之间的胸膜界面进行成像时，神经网络可以被配置为专门搜索混响，例如，A-线和/或B-线。训练神经网络以在对具体身体特征进行成像时寻找具体伪影可以通过消除不可能识别任何伪影的不必要处理来减少所需的处理时间并且增加总体系统的计算效率。在一些实施例中，神经网络可以被训练为不管用户是否选择特定成像模态都识别所有伪影。在一些范例中，系统可以被配置为在搜索图像伪影的子集的第一模式与搜索用来训练神经网络的所有图像伪影的第二模式之间进行切换。
图5A是根据本发明的包含已经被识别的伪影和这样的伪影的存在和类型的指示符的超声图像的照片。可以被显示在用户接口上的图像500包括指示图像内的图像伪影的位置的三个图形叠加502。图像500还包括指示已经在图像中检测到阴影伪影的警告504。在其他范例中，警告可以不被显示，而是作为听觉提示被发出。另外地或备选地，警告可以以感官提示方式来体现，诸如用来获得图像的超声换能器的振动。
图5B示出了包括用于调整超声换能器以去除在图像中检测到的伪影的指令506的图5A的照片500。如图所示，范例指令可以包含可以引导用户“旋转换能器”和“开启角度复合”的“对于去除的建议”。如本文中解释的，指令506可以依据所检测到的伪影的类型和/或数量而改变。图5B中示出的指令506还包括图示可以利用超声换能器来执行以从图像去除伪影的操纵的图形显示。
另外地或备选地，指令506可以被传送到与用来采集图像500的超声换能器耦合的控制器作为操作反馈循环的一部分。根据这样的实施例，指令506可以被自动地转换成超声换能器的位置、取向和/或操作参数的调整。调整可以使用由控制器控制的机械调整机构来实施，使得该机构自动地旋转换能器和/或开启角度复合。调整也可以通过修改各种成像参数来实施，例如通过开启图像复合、使用谐波成像、和/或减小成像深度。调整能够被包含在指令506中并且被呈现给用户用于手动调整或在用户准许之后自动地由系统实施。在遵从这样的指令之后，经由控制器或手动调整，没有伪影的新超声图像可以被生成和/或显示，以提示指令506的去除。在一些情况下，对换能器的调整可以引起一个或多个新伪影出现，引起用于其去除的新指令被显示。
图6是根据本公开的原理执行的超声成像的方法的流程图。范例方法600示出了可以以任何顺序由本文中描述的系统和/或装置用于识别在超声扫描期间出现的图像伪影的存在和/或类型的步骤，所述超声扫描可以由新手用户和/或依附于由系统生成的指令的机器人超声装置执行。方法600可以由超声成像系统(诸如系统600或包括例如移动系统(诸如皇家飞利浦有限公司(“飞利浦”)的LUMIFY)的其他系统)执行。额外范例系统可以包括同样由飞利浦生产的SPARQ和/或EPIQ。
在所示出的实施例中，方法600在方框602处以“响应于由被操作性地耦合到超声系统的换能器发射到目标区域中的超声脉冲而采集回波信号”开始。换能器可以被用户手动地操作或在控制器的引导下被实施，所述控制器可以根据被设计用于对一个或多个具体特征(例如，肺部、肝脏、膀胱、心脏等)进行成像的预设成像模态进行操作。
在方框604处，该方法涉及“根据超声回波来生成至少一个图像帧”。图像帧可以使用一个或多个处理器来生成。在一些实施例中，可以包括离散的信号处理器和数据处理器。
在方框606处，该方法涉及“将神经网络应用于图像帧，其中，所述神经网络确定图像帧中的伪影的存在和类型”。神经网络能够是卷积神经网络，诸如Inception模型。网络架构能够根据需要而被修改为识别多个图像伪影并且输出其指示。训练神经网络可以涉及输入数千个包含伪影的超声图像以及没有伪影的图像。训练还可以涉及输入用于去除伪影的指令和/或具有和没有图像伪影的成对图像。
在方框608处，该方法涉及“基于所确定的伪影的存在来生成指示符”。指示符能够响应于换能器被用户或机械调整机构移动而被基本上实时更新。指示符能够是二元开闭指示符，或指示符能够基于在超声扫描期间识别的图像伪影的数量和/或数量而逐渐改变。
在方框610处，该方法涉及“将指示符显示在用户接口上”。显示指示符可以涉及描绘传达指示符的存在或不存在的图标、和/或描述图像伪影的存在和/或身份的文本警告。在一些实施例中，指示符能够被叠加在超声图像内包含的伪影上，使得伪影的位置也被示出。在一些范例中，指示符可以包括基于图像内的图像伪影的存在而打开或关闭、或改变颜色的光。在一些实施方式中，例如当图像被传输给非现场专家以便进行分析时，指示符可以不被显示。
在方框612处，该方法涉及“基于所确定的伪影的存在和类型来生成用于调整换能器的指令，所述指令包括用于从图像帧去除伪影的操作引导”。如本文中描述的，指令可以被传送给用户，用户然后可以实施该指令以去除伪影，或可以传送到被配置为根据指令来自动地调整超声数据采集单元的另一系统部件(诸如控制器)。
在使用诸如基于计算机的系统或可编程逻辑的可编程器件来实现部件、系统和/或方法的各种实施例中，应意识到，上述系统和方法可以使用诸如“C”、“C++”、“FORTRAN”、“Pascal”，“VHDL”等的各种已知或以后开发的编程语言来实施。相应地，可以准备各种存储介质，诸如磁性计算机盘、光盘、电子存储器等，其可以包含可以引导诸如计算机的设备以实施上述系统和/或方法的信息。一旦适当的设备能访问存储介质上包含的信息和程序，存储介质就可以向设备提供信息和程序，从而使设备能够执行本文中描述的系统和/或方法的功能。例如，如果向计算机提供包含适当材料(例如源文件、目标文件、可执行文件等)的计算机磁盘，则计算机可以接收该信息，适当地配置其自身并执行在上面的图表和流程图中概述的各种系统和方法的功能以实施各种功能。也就是说，计算机可以从磁盘接收涉及上述系统和/或方法的不同元件的信息的各个部分，实施个体系统和/或方法并协同以上所描述的个体系统和/或方法的功能。
鉴于本公开，要注意的是，本文描述的各种方法和设备可以以硬件、软件和固件来实现。此外，各种方法和参数仅通过范例而不是在任何限制意义上被包括。鉴于本公开，本领域普通技术人员可以实施本教导以确定它们自己的技术和实现这些技术需要的设备，同时保持在本发明的范围内。本文描述的处理器中的一个或多个处理器的功能可以被并入到更少数量或单个处理单元(例如，CPU)中，并且可以使用专用集成电路(ASIC)或响应于执行本文描述的功能的可执行指令而被编程的通用处理电路来实施。
尽管本系统可能已经特别参考超声成像系统进行了描述，但也可以设想，本系统可以被扩展到其中以系统性方式获得一幅或多幅图像的其他医学成像系统。因此，本系统可以用于获得和/或记录与肾脏、睾丸、乳房、卵巢、子宫、甲状腺、肝、肺、肌肉骨骼、脾脏、心脏、动脉和血管系统有关(但不限于此)的图像信息，以及与超声引导的介入有关的其他成像应用。此外，本系统还可以包括可以与常规成像系统一起使用的一个或多个程序，使得它们可以提供本系统的特征和优点。在研究本公开后，本公开的某些额外优点和特征可以对本领域技术人员而言显而易见，或者可以由采用本公开的新颖系统和方法的人员体验。本系统和方法的另一优点可以是常规医学图像系统可以容易地升级以并入本系统、设备和方法的特征和优点。
当然，要意识到，本文描述的范例、实施例或过程中的任何一个可以与一个或多个其他范例、实施例和/或过程组合，或者在根据本系统、设备和方法的单独设备或设备部分之间分离和/或执行。
最后，上述讨论仅旨在说明本系统，而不应被解释为将随附权利要求限制于任何特定实施例或实施例的组。因此，尽管已经参考示范性实施例具体详细地描述了本系统，但是还应意识到，本领域普通技术人员可以设计出许多修改和备选实施例，而不偏离如在随附权利要求中阐述的本系统的更广泛和预期的精神和范围。因此，说明书和附图要以说明性的方式来看待，而不是旨在限制随附权利要求书的范围。

Claims (20)

1.一种超声成像系统，包括：
超声换能器，其被配置为响应于朝向目标区域发射的超声脉冲而采集回波信号；
一个或多个处理器，其与所述超声换能器通信并且被配置为：
根据所述超声回波来生成至少一个图像帧；
将神经网络应用于所述图像帧，其中，所述神经网络确定所述图像帧中的伪影的存在和类型；
基于所确定的所述伪影的存在来生成指示符；
使所述指示符被显示在与所述处理器通信的用户接口上；并且
基于所确定的所述伪影的存在和类型来生成用于调整所述超声换能器的指令。
2.根据权利要求1所述的超声成像系统，其中，所述一个或多个处理器被配置为将所述指令传输到与所述超声换能器通信地耦合的控制器。
3.根据权利要求2所述的超声成像系统，其中，所述控制器被配置为通过基于从所述一个或多个处理器接收的所述指令修改所述超声换能器的操作参数来调整所述超声换能器。
4.根据权利要求3所述的超声成像系统，其中，所述操作参数包括所述超声换能器的位置、取向、焦深、波束角度、成像模态或频率。
5.根据权利要求4所述的超声成像系统，其中，所述超声换能器与被配置为移动所述超声换能器的机器人臂物理地耦合。
6.根据权利要求1所述的超声成像系统，其中，所述一个或多个处理器还被配置为根据所述图像帧来生成超声图像并使所述超声图像被显示在所述用户接口上。
7.根据权利要求6所述的超声成像系统，其中，所述指示符包括被叠加在所述用户接口上显示的所述超声图像上的图形叠加。
8.根据权利要求1所述的超声成像系统，其中，所述神经网络包括多个神经网络模型，所述神经网络模型中的每个神经网络模型与能由用户选择的多个预设成像模态中的一个成像模态相关联。
9.根据权利要求8所述的超声成像系统，其中，所述预设成像模态中的每个被配置为通过实施特定于不同的目标区域的一组操作参数而使所述超声换能器从所述不同的目标区域采集回波信号。
10.根据权利要求1所述的超声成像系统，其中，所述一个或多个处理器还被配置为生成预测的无伪影超声图像并使所述预测的无伪影超声图像被显示。
11.根据权利要求1所述的超声成像系统，其中，所述神经网络与训练算法操作性地相关联，所述训练算法被配置为接收训练输入和已知输出的阵列，其中，所述训练输入包括包含伪影的超声图像帧，并且所述已知输出包括被配置为从所述超声图像帧去除所述伪影的操作参数调整。
12.根据权利要求11所述的超声成像系统，其中，所述神经网络包括多个神经网络模型，所述神经网络模型中的每个神经网络模型与训练输入的多个子集中的一个子集相关联，所述子集中的每个子集与能由用户选择的多个预设成像模态中的一个成像模态相关联。
13.一种超声成像的方法，所述方法包括：
响应于由操作性地耦合到超声系统的换能器发射到目标区域内的超声脉冲而采集回波信号；
根据所述超声回波来生成至少一个图像帧；
将神经网络应用于所述图像帧，其中，所述神经网络确定所述图像帧中的伪影的存在和类型；
基于所确定的所述伪影的存在来生成指示符；
将所述指示符显示在用户接口上；以及
基于所确定的所述伪影的存在和类型来生成用于调整所述换能器的指令，所述指令包括用于从所述图像帧去除所述伪影的操作引导。
14.根据权利要求13所述的方法，还包括选择用于采集所述回波信号的成像模态，所述成像模态包括特定于所述目标区域的操作参数。
15.根据权利要求13所述的方法，还包括将所述指令发送到与所述换能器通信地耦合的控制器。
16.根据权利要求15所述的方法，还包括基于所述指令来修改所述换能器的操作参数。
17.根据权利要求13所述的方法，还包括将所述指令显示在所述用户接口上。
18.根据权利要求13所述的方法，还包括使用包含多个不同伪影的超声图像帧和用于基于所述多个不同伪影来调整所述换能器的专家指令来训练所述神经网络。
19.根据权利要求13所述的方法，还包括在没有所述伪影的情况下生成预测的超声图像。
20.一种非瞬态计算机可读介质，包括可执行指令，所述可执行指令当被运行时使医学成像系统的处理器执行根据权利要求13-19中的任一项所述的方法。
CN201880077984.XA 2017-11-02 2018-10-29 用于检测图像伪影的智能超声系统 Pending CN111432731A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201762580635P 2017-11-02 2017-11-02
US62/580,635 2017-11-02
PCT/EP2018/079529 WO2019086365A1 (en) 2017-11-02 2018-10-29 Intelligent ultrasound system for detecting image artefacts

Publications (1)

Publication Number Publication Date
CN111432731A true CN111432731A (zh) 2020-07-17

Family

ID=64109828

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880077984.XA Pending CN111432731A (zh) 2017-11-02 2018-10-29 用于检测图像伪影的智能超声系统

Country Status (4)

Country Link
EP (1) EP3703572A1 (zh)
JP (1) JP7168664B2 (zh)
CN (1) CN111432731A (zh)
WO (1) WO2019086365A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116012452A (zh) * 2023-03-28 2023-04-25 天津舞影猫科技有限公司 一种基于超声图像定位靶目标的穿刺导航系统及方法

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020239842A1 (en) * 2019-05-31 2020-12-03 Koninklijke Philips N.V. Guided ultrasound imaging
CN110313941B (zh) * 2019-08-01 2021-02-19 无锡海斯凯尔医学技术有限公司 数据处理方法、装置、设备及存储介质
US11506771B2 (en) * 2019-09-24 2022-11-22 GE Precision Healthcare LLC System and methods for flash suppression in ultrasound imaging
EP3967237A1 (en) * 2020-09-15 2022-03-16 Koninklijke Philips N.V. Ultrasound data processor
CN116194049A (zh) * 2020-07-16 2023-05-30 皇家飞利浦有限公司 超声数据处理器
KR102644841B1 (ko) * 2020-12-09 2024-03-11 한국과학기술원 비지도 학습 기반 단일 뉴럴 네트워크를 이용한 다중 초음파 영상 처리 방법 및 그 장치
CN117999606A (zh) 2021-09-13 2024-05-07 皇家飞利浦有限公司 数据去标记化

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140221832A1 (en) * 2013-02-01 2014-08-07 Siemens Medical Solutions Usa, Inc. Tuning ultrasound acquisition parameters
CN104820974A (zh) * 2015-05-14 2015-08-05 浙江科技学院 基于elm的图像去噪方法
CN106204465A (zh) * 2015-05-27 2016-12-07 美国西门子医疗解决公司 基于知识的超声图像增强
US20170143312A1 (en) * 2014-09-03 2017-05-25 Contextvision Ab Methods and systems for automatic control of subjective image quality in imaging of objects

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6530885B1 (en) 2000-03-17 2003-03-11 Atl Ultrasound, Inc. Spatially compounded three dimensional ultrasonic images
US6443896B1 (en) 2000-08-17 2002-09-03 Koninklijke Philips Electronics N.V. Method for creating multiplanar ultrasonic images of a three dimensional object
US8235905B2 (en) * 2009-05-26 2012-08-07 General Electric Company System and method for automatic ultrasound image optimization
JP6205709B2 (ja) * 2012-10-30 2017-10-04 セイコーエプソン株式会社 超音波測定装置
WO2014155272A1 (en) * 2013-03-28 2014-10-02 Koninklijke Philips N.V. Real-time quality control for acquisition of 3d ultrasound images
KR102430449B1 (ko) * 2014-08-18 2022-08-05 마우이 이미징, 인코포레이티드 네트워크-기반 초음파 이미징 시스템
JP6843639B2 (ja) * 2016-03-07 2021-03-17 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支援装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140221832A1 (en) * 2013-02-01 2014-08-07 Siemens Medical Solutions Usa, Inc. Tuning ultrasound acquisition parameters
US20170143312A1 (en) * 2014-09-03 2017-05-25 Contextvision Ab Methods and systems for automatic control of subjective image quality in imaging of objects
CN104820974A (zh) * 2015-05-14 2015-08-05 浙江科技学院 基于elm的图像去噪方法
CN106204465A (zh) * 2015-05-27 2016-12-07 美国西门子医疗解决公司 基于知识的超声图像增强

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116012452A (zh) * 2023-03-28 2023-04-25 天津舞影猫科技有限公司 一种基于超声图像定位靶目标的穿刺导航系统及方法
CN116012452B (zh) * 2023-03-28 2023-07-07 天津市第四中心医院 一种基于超声图像定位靶目标的穿刺导航系统及方法

Also Published As

Publication number Publication date
US20200297318A1 (en) 2020-09-24
WO2019086365A1 (en) 2019-05-09
RU2020117979A3 (zh) 2022-01-26
JP2021501656A (ja) 2021-01-21
JP7168664B2 (ja) 2022-11-09
EP3703572A1 (en) 2020-09-09
RU2020117979A (ru) 2021-12-02

Similar Documents

Publication Publication Date Title
JP7168664B2 (ja) 画像アーチファクトを検出するインテリジェント超音波システム
CN111200973B (zh) 基于智能超声的生育力监测
EP3781039B1 (en) Adaptive ultrasound scanning
CN106163409B (zh) 用于超声图像采集的触觉反馈
CN106470612B (zh) 响应于解剖定性而平移超声阵列
JP7358457B2 (ja) 超音波画像による脂肪層の識別
JP7442548B2 (ja) 誘導式超音波撮像
US20220233171A1 (en) Systems and methods for controlling volume rate
CN112867444B (zh) 用于引导对超声图像的采集的系统和方法
KR102419310B1 (ko) 초음파 이미징 데이터로부터 태아 이미지들을 프로세싱 및 디스플레이하기 위한 방법들 및 시스템들
JP7313392B2 (ja) 最適な超音波式臓器セグメンテーション
US11992369B2 (en) Intelligent ultrasound system for detecting image artefacts
RU2782874C2 (ru) Интеллектуальная ультразвуковая система для обнаружения артефактов изображений

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