CN111629670A - 用于超声系统的回波窗口伪影分类和视觉指示符 - Google Patents

用于超声系统的回波窗口伪影分类和视觉指示符 Download PDF

Info

Publication number
CN111629670A
CN111629670A CN201880087112.1A CN201880087112A CN111629670A CN 111629670 A CN111629670 A CN 111629670A CN 201880087112 A CN201880087112 A CN 201880087112A CN 111629670 A CN111629670 A CN 111629670A
Authority
CN
China
Prior art keywords
artifact
ultrasound
region
ultrasound image
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.)
Granted
Application number
CN201880087112.1A
Other languages
English (en)
Other versions
CN111629670B (zh
Inventor
F·杨
J·H·崔
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.)
Verathon Inc
Original Assignee
Verathon Inc
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 Verathon Inc filed Critical Verathon Inc
Publication of CN111629670A publication Critical patent/CN111629670A/zh
Application granted granted Critical
Publication of CN111629670B publication Critical patent/CN111629670B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • A61B8/52—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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
    • A61B8/0833—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving detecting or locating foreign bodies or organic structures
    • A61B8/085—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving detecting or locating foreign bodies or organic structures for locating body or organic structures, e.g. tumours, calculi, blood vessels, nodules
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/13—Tomography
    • A61B8/14—Echo-tomography
    • A61B8/145—Echo-tomography characterised by scanning multiple planes
    • 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
    • A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
    • A61B8/5223—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for extracting a diagnostic or physiological parameter from medical diagnostic data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/5292—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves using additional data, e.g. patient information, image labeling, acquisition parameters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • 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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • 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
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/43—Detecting, measuring or recording for evaluating the reproductive systems
    • A61B5/4306—Detecting, measuring or recording for evaluating the reproductive systems for evaluating the female reproductive systems, e.g. gynaecological evaluations
    • A61B5/4318—Evaluation of the lower reproductive system
    • A61B5/4325—Evaluation of the lower reproductive system of the uterine cavities, e.g. uterus, fallopian tubes, ovaries
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/43—Detecting, measuring or recording for evaluating the reproductive systems
    • A61B5/4375—Detecting, measuring or recording for evaluating the reproductive systems for evaluating the male reproductive system
    • A61B5/4381—Prostate evaluation or disorder diagnosis
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Pathology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Theoretical Computer Science (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Physiology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Vascular Medicine (AREA)
  • Psychiatry (AREA)
  • Fuzzy Systems (AREA)
  • Signal Processing (AREA)
  • Databases & Information Systems (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)

Abstract

一种用于在超声图像收集期间提供伪影检测和可视化的方法由超声系统中的处理器来执行。所述方法包括：接收来自超声探头的超声图像数据，检测所述超声图像数据中的具有伪影的区域，将所述具有伪影的区域分类到多个可用伪影种类中的一个内，针对基于超声的图像生成对所述具有伪影的区域的指示，其中，所述指示包括所述伪影种类的指定，并且将所述基于超声的图像和对所述具有伪影的区域的所述指示呈现给操作者。

Description

用于超声系统的回波窗口伪影分类和视觉指示符
背景技术
超声扫描器通常用来识别身体中的目标器官或另一结构，和/或确定与目标器官/结构相关联的特征，例如结构的尺寸或器官中的流体的体积。甚至对于有经验的操作者来说，获得足够质量的超声图像也会是有挑战性的。
在人类对象上使用超声成像技术，操作者频繁地注意来自不同来源(诸如耻骨、不足的凝胶、肠道气体等)的多余图像伪影。这些伪影能够隐藏进行准确器官测量和对应的临床决策所需的重要信息。有经验的操作者可以能够进行调整以避免多余伪影，诸如移动探头以避免阻挡骨骼或应用更多凝胶。然而，对于大多数操作者来说，对误差类型的自动化指示能够帮助操作者更快速地且有效地进行正确调整以获得目标器官的更好成像。
附图说明
图1是可以实施本文中描述的系统和方法的扫描系统的示意图；
图2是根据示范性实施方式的实施在图1的系统中的功能逻辑部件的方框图；
图3A、3B和3C是分别图示了图1的超声探头的示范性B模式和C模式扫描平面的示意图；
图4A和4B是可以由图2的数据采集单元生成的样例B模式图像；
图5A和5B是可以由图2的数据采集单元生成的样例C模式图像；
图6A和6B是被应用于图4A和4B的B模式图像的样例可视化；
图7A和7B是被应用于图5和5B的C模式图像的样例可视化；
图8是图示图1的扫描系统中的功能逻辑部件之间的通信的方框图；
图9是图1和2的扫描系统中的用于对回波窗口伪影进行分类并生成视觉指示符的示范性通信的方框图；
图10是根据另一实施例的图1和2的扫描系统中的用于对回波窗口伪影进行分类并生成视觉指示符的示范性通信的方框图；
图11是用于在超声图像收集期间提供伪影检测和可视化的过程流程图；并且
图12是图示图1的系统中的基础单元的示范性部件的示意图。
具体实施方式
下面的详细描述参考附图。不同附图中的相同附图标记可以标识相同或相似的元件。
本文中描述的实施方式利用机器学习来将来自B模式超声回波的伪影信息分类到超声成像系统内的简单视觉指示内，以辐助提供更好的瞄准和更准确的定量分析。根据一个范例，能够卷积神经网络用来生成对应于B模式图像内部的来自不同来源的阴影的概率图。简单视觉指示然后能够根据用于操作者进行调整的图来构建，以便实现更好的图像质量和更好的测量准确性。
在一种实施方式中，一种用于在超声图像收集期间提供伪影检测和可视化的方法可以由超声系统中的处理器来执行。所述方法包括：接收来自超声探头的超声图像数据，检测所述超声图像数据中的具有伪影的区域，将所述具有伪影的区域分类到选自可用伪影种类的组中的种类内，针对基于超声的图像生成对所述具有伪影的区域的指示，其中，所述指示包括对所述选定种类的指定，以及将所述基于超声的图像和所述具有伪影的区域的所述指示呈现给操作者。如本文中进一步描述的，基于超声的图像一般可以包括B模式图像、C模式图像、或者从超声数据导出的另一类型的图像。
图1是可以实施本文中描述的系统和方法的扫描系统100的示意图。参考图1，扫描系统100包括探头110、基础单元120和电缆130。
探头110包括手柄部分、触发器和鼻部(或圆顶)部分。医务人员可以经由手柄握住探头110，并且按压触发器112以激活定位于鼻部中的一个或多个超声收发器，从而朝向感兴趣的目标对象发射超声信号，所述感兴趣的目标对象可以包括器官(例如，膀胱、主动脉、肾脏等)或非器官结构(例如，导管、针或另一医学设备)。例如，如图1中示出的，探头110位于患者150的骨盆区域上并且在感兴趣的目标对象152上方，在该范例中所述感兴趣的目标对象152是患者的膀胱。
探头110的圆顶通常由向解剖学部分提供适当的声学阻抗匹配和/或允许超声能量随着其被投射到解剖学部分中而适当地聚焦的材料形成。例如，图1中的区域154处所示的声学凝胶或凝胶垫可在感兴趣区域(ROI)之上施加至患者的皮肤，以在将圆顶放在患者的皮肤上时提供声学阻抗匹配。
探头110包括在圆顶内的一个或多个超声收发器元件和一个或多个换能器元件，所述一个或多个超声收发器元件和一个或多个换能器元件从圆顶向外发射超声能量，并且接收由解剖学部分内的内部结构/组织产生的声学反射或回波。例如，一个或多个超声换能器元件可以包括一维或二维压电元件的阵列，所述一维或二维压电元件的阵列可以通过马达在圆顶116内移动以关于由收发器元件进行的超声信号的发射提供不同的扫描方向。替代地，换能器元件可以相对于探头110固定，以使得可以通过选择性地激励阵列中的元件来扫描选定的解剖学区域。
探头110可以经由诸如电缆130的有线连接来与基础单元120通信。在其他实施方式中，探头110可以经由无线连接(例如，蓝牙，WiFi等)与基础单元120通信。在每种情况下，基础单元120都包括显示器122，以允许操作者查看来自超声扫描的处理结果，和/或允许在探头110的操作期间关于操作者进行操作交互。例如，显示器122可以包括输出显示器/屏幕，例如液晶显示器(LCD)、基于发光二极管(LED)的显示器或向操作者提供文本和/或图像数据的其他类型的显示器。例如，显示器122可以提供被叠加在B模式图像上的伪影可视化，以帮助确定超声扫描的质量/准确性。显示器122还可以显示选定解剖学区域的二维或三维图像。
为了扫描患者的选定解剖部分，可以如图1所示地将探头110的圆顶抵靠患者150的表面部分定位，该表面部分靠近将被扫描的解剖学部分。操作者致动收发器和换能器元件，引起收发器将超声信号发射到身体内，并接收相应的回波信号，所述回波信号可以至少由该收发器部分地处理以产生所述选定解剖学部分的超声图像。在具体实施例中，收发器发射具有在从大约两兆赫兹(MHz)延伸到大约10MHz或更大的范围内的中心频率的超声信号。
在一个实施例中，探头110可以被耦合到基础单元120，该基础单元120被配置为以预定的频率和/或脉冲重复速率生成超声能量，并且将所述超声能量传输至收发器。基础单元120还包括一个或多个处理器或处理逻辑，所述一个或多个处理器或处理逻辑被配置为处理由收发器接收到的反射超声能量以产生所扫描的解剖学区域的图像。
在又一具体实施例中，探头110可以是独立设备，其包括被配置在探头110内的一个或多个微处理器或处理逻辑和与该微处理器相关联的软件，以可操作地控制收发器和换能器元件，并且处理反射的超声能量，从而生成超声图像。因此，探头110上的显示器可以用于显示所生成的图像和/或观察与收发器的操作相关联的伪影可视化和其他信息。在其他实施方式中，收发器可以耦合到通用计算机(例如膝上型计算机或台式计算机)，所述通用计算机包括至少部分地控制收发器和换能器元件的操作的软件，并且还包括用于处理从收发器传输的信息的软件，以使得可以生成所扫描的解剖学区域的图像。
图2是根据示范性实施方式的被实施在系统100在的功能逻辑部件的方框图。参考图2，系统100包括数据采集单元210、伪影识别单元220、视觉指示生成器230和主处理逻辑240。在示范性实施方式中，数据采集单元210可以是探头110的一部分，并且其他功能单元(例如，伪影识别单元220、视觉指示生成器230和主处理逻辑240)可以被实施在基础单元120中。替代地，数据采集单元210、伪影识别单元220、视觉指示生成器230和主处理逻辑240可以可以被实施在探头110中。在其他实施方式中，可以通过其他设备来实现特定单元和/或逻辑，例如经由相对于探头110和基础单元120二者位于外部的计算设备或服务器(例如，可经由与Internet或医院内的局域网等的无线连接访问的计算设备或服务器)实现特定单元和/或逻辑。例如，探头110可以经由例如无线连接(例如，WiFi或一些其他的无线协议/技术)将回波数据和/或图像数据发送至远离探头110和基础单元120定位的处理系统。
如上面描述的，探头110可以包括收发器，所述收发器产生超声信号、接收来自所发射的信号的回波并且基于所接收的回波来生成图像数据。数据采集单元210可以包括例如解调、抽取、对数压缩和滤波子模块，以生成能够被显现用于由人类可视化的图像。利用探头110内的旋转换能器或换能器阵列可以沿着多个扫描平面进行扫描。
图3A和3B提供了可以被探头110用来捕获超声图像的扫描平面310(例如，平面310-1、310-2和310-3)和315(例如，平面315-1、315-2、315-3等)的简化图示。数据采集单元210可以使用来自一个或多个扫描平面310或315的图像数据来生成二维B模式图像，如图4A和4B中分别示出的B模式图像410和420。虽然在图3A和3B中分别示出了三个扫描平面310和十个扫描平面315，但是实际上，更多扫描平面用来编译目标对象的综合图像。例如，几十个扫描平面可以被一些探头110使用。在示范性实施方式中，数据采集单元210获得与对应于患者150中的感兴趣区域的多个扫描平面相关联的数据。
图3C提供了C模式图像平面320的简化图示。例如，C模式图像一般可以包括垂直于典型的B模式扫描平面310取向的表示。在一种实施方式中，C模式图像可以包括在一定深度处根据扫描平面310或315的超声数据生成的横截面图像，如通过平面320-1指示的。因此，数据采集单元210可以使用来自扫描平面310或315中的每一个中的特定深度的图像数据来生成C模式图像。在另一实施方式中，C模式图像可以包括3D超声数据到‘XY’平面上的‘阴影图’或‘投影’，其中，Z轴表示深度，如通过平面320-2指示的。C模式图像可以被呈现为超声图像或为类似卡通的图形。在图5A和5B中分别示出了C模式图像510和520的简化图示。
再次参考图2，伪影识别单元220可以执行图像的预处理，并且实时检测回波窗口中是否存在超声伪影(例如，由于阴影、空气/不良耦合、肠道气体和其他类型的界面的假阳性回波或假阴性回波)，所述回波窗口可以是B模式图像、C模式图像或另一类型的超声图像。例如，伪影识别单元220可以接收来自数据采集单元210的输入图像(例如，图像410、420、510、520等中的任一个)，并且检测回波窗口中的指示超声伪影的特征。如本文中进一步描述的，伪影识别单元220可以使用多种类伪影分类算法分析B模式图像数据、C模式图像数据或其他类型的图像数据，以辨别一种或多种类型的伪影，诸如阴影、气体、空气界面等。
例如，参考图4A，伪影识别单元220可以检测瞄准膀胱416的B模式图像410内的空气扫描区域412和耻骨阴影414。作为另一范例，参考图4B，伪影识别单元220可以检测瞄准主动脉424的B模式图像420内的肠道气体422的区域。参考图5A，C模式图像从对B模式图像的编译来生成。伪影识别单元220可以类似地检测瞄准膀胱516的C模式图像510内的空气扫描区域512和耻骨阴影514(但是在常规C模式图像中通常不会示出空气扫描区域512和耻骨阴影514)。参考图5B，伪影识别单元220可以检测瞄准主动脉526的C模式图像520内的肠道气体522和空气扫描区域524的区域。虽然伪影(诸如空气扫描区域412、耻骨阴影414、肠道气体422等)可以被有经验的操作者识别，但是伪影的自动实时检测和可视化(或视觉增强)可以简化探头110的瞄准，并且对于有经验的和无经验的操作者两者，确保更好的准确性。B模式图像中的这些伪影的检测和消除也可以提供更准确的C模式图像。伪影识别单元220例如结合图9来进行描述。
返回到图2，视觉指示生成器230可以将视觉指示(诸如图像上的叠加)应用于由伪影识别单元220检测的伪影。例如，基于由伪影识别单元220检测的伪影的类型，视觉指示生成器230可以提供伪影区域的突出或轮廓。图6A-7B提供了可以由视觉指示生成器230生成的样例输出的范例。图6A和6B分别图示了被应用于B模式图像410和420的可视化。图7A和7B分别图示了被应用于C模式图像510和520的可视化。
参考图6A，视觉指示生成器230可以提供了用于膀胱扫描的输出610。输出610可以包括B模式图像410、空气伪影识别符612、阴影伪影识别符614和器官轮廓616。B模式图像410可以对应于来自图3A或3B的扫描平面310或315中的一个的回波数据。空气伪影识别符612可以是突出空气扫描区域412(例如，如由伪影识别单元220检测)的轮廓、对比区域或另一可见指示符。阴影伪影识别符614可以是突出显示耻骨阴影414的另一轮廓、对比区域或不同的可见指示符。器官轮廓616可以对应于膀胱416的估计形状，并且可以包括另一轮廓或可见指示符。在一种实施方式中，空气伪影识别符612和阴影伪影识别符614可以被颜色编码被指示相应类型的伪影(例如，空气和阴影)。在另一实施方式中，可以利用可见或听得见的文本指令为操作者补充伪影识别符(包括空气伪影识别符612、阴影伪影识别符614和本文中描述的其他伪影识别符)。例如，解释颜色或伪影标记的单独图例可以伴随输出610。
如图6A中示出的，用于B模式图像410的回波窗口被耻骨(例如，由于不适当的瞄准)和空气(例如，由于不良耦合)部分地遮住。具体地，部分地被膀胱416被耻骨阴影414挡住，这意味着如通过器官轮廓616指示的膀胱416的估计形状会是不准确的。输出610的指示符612、614和616提供伪影(例如，空气扫描区域412和耻骨阴影414)能够如何影响期望目标(例如，膀胱416)测量的清楚视觉指示而无需复杂的处理试探或延迟。因此，指示符612、614和616可以为操作者提供需要探头110调整来获得准确膀胱扫描的实时信息。
参考图6B，视觉指示生成器230可以提供用于主动脉扫描的输出620。输出620可以包括B模式图像420、气体伪影识别符622和器官轮廓624。B模式图像420可以对应于来自图3A的扫描平面310或图3B的扫描平面315中的一个的回波数据。气体伪影识别符622可以是突出显示肠道气体区域422(例如，如由伪影识别单元220检测)的轮廓、对比区域或另一可见指示符。器官轮廓624可以对应于主动脉424的估计形状，并且可以包括另一轮廓或指示符。类似于上面描述的伪影识别符612和614，气体伪影识别符622可以被颜色编码和/或补充有描述性文本。
如图6B中示出的，用于B模式图像420的回波窗口被肠道气体部分地遮挡。然而，主动脉424是完全可见的而无阻挡。输出620的指示符622和624提供伪影(例如，肠道气体区域422)不影响期望目标(例如，主动脉424)测量的清楚视觉指示而无需复杂的处理试探或延迟。因此，指示符622和624可以为操作者提供需要探头110调整来获得准确扫描的实时信息。
参考图7A，视觉指示生成器230可以提供了用于膀胱扫描的输出710。输出710可以包括C模式图像510、空气伪影识别符712、阴影伪影识别符714和器官轮廓716。C模式图像510可以对应于来自图3C的C模式图像平面320的回波数据。空气伪影识别符712可以是突出显示空气扫描区域512(例如，如由伪影识别单元220检测)的轮廓、对比颜色或另一可见指示符。阴影伪影识别符714可以是突出显示耻骨阴影414的另一轮廓、对比颜色或不同的可见指示符。器官轮廓716可以对应于膀胱516的估计形状，并且可以包括另一轮廓、颜色或指示符。在一种实施方式中，空气伪影识别符712和阴影伪影识别符714可以被颜色编码被指示相应类型的伪影(例如，空气、阴影等)。在另一实施方式中，伪影识别符(包括空气伪影识别符712、阴影伪影识别符714和本文中描述的其他伪影识别符)可以被补充以给操作者的可见或可听的文本指令。
如图7A中示出的，一般地用于C模式图像510的回波窗口并且具体地目标膀胱516被耻骨阴影(例如，由于不适当的瞄准)和空气(例如，由于不良探头-皮肤耦合)部分地遮挡。输出710的指示符712、714和716提供伪影如何妨碍期望目标测量(例如，膀胱的体积或尺寸测量)的清楚视觉指示。因此，指示符712、714和716可以为操作者提供需要探头110调整来获得准确膀胱扫描的实时信息。
参考图7B，视觉指示生成器230可以提供用于主动脉扫描的输出720。输出720可以包括C模式图像520、气体伪影识别符722、空气伪影识别符724和器官轮廓726。C模式图像510可以对应于来自图3C的C模式图像平面320的回波数据。气体伪影识别符722可以是突出显示(例如，如由伪影识别单元220检测的)肠道气体区域522的轮廓、对比区域或另一可见指示符。气体伪影识别符724可以是突出显示(例如，如由伪影识别单元220检测的)空气扫描区域524的轮廓、对比颜色或另一可见指示符。器官轮廓726可以对应于主动脉526的估计形状，并且可以包括另一轮廓或指示符。类似于上面描述的其他伪影识别符，气体伪影识别符722可以被颜色编码和/或补充有描述性文本(例如，“A”用于空气、“G”用于气体、“S”用于阴影，词语“空气”、“气体”、“阴影”等)。
如图7B中示出的，用于C模式图像520的回波窗口的一部分被空气扫描和肠道气体遮住。然而，主动脉526是可见的而无阻挡。输出720的指示符722、724和726提供对伪影(例如，例如，肠道气体区域522和空气扫描区域524)不影响期望目标(例如，主动脉526)测量的清楚视觉指示而无需复杂的处理试探或相关联的延迟。因此，指示符722、724和726可以为操作者提供需要探头110调整来获得准确扫描的实时信息。
虽然图6A-7B提供了针对针对膀胱和主动脉的B模式和C模式扫描的视觉伪影指示符的范例。在其他实施方式中，视觉指示生成器230可以针对其他扫描模式中的伪影和/或针对其他目标对象提供具有视觉指示符的输出。
再次参考图2，主处理逻辑240可以提供目标对象(例如，膀胱416、主动脉424等)的额外分析，例如腔类型辨别、体积估计、直径或尺寸估计、或在由数据采集单元210采集的B模式、C模式或其他类型的图像的情况下的其他临床有用的信息。例如，主处理逻辑240可以将腔识别为膀胱，估计膀胱的体积，或识别主动脉的直径。
为简单起见，提供了图1和2所示的示范性配置。系统100可以包括比图1和2所示的逻辑单元/设备更多或更少的逻辑单元/设备。例如，系统100可以包括多个数据采集单元210和处理接收到的数据的多个处理单元。另外，系统100可以包括附加元件，例如经由外部网络发射和接收信息以辅助分析超声信号从而识别感兴趣的目标器官的通信接口(例如，射频收发器)。此外，虽然本文中的图示和描述主要参考膀胱和主动脉应用，但是其他实施例能够被应用于其他器官(诸如前列腺/肾脏边界、其他血管、甲状腺等)的壁边界检测。
图8是图示扫描系统100中的功能逻辑部件之间的通信的方框图。如图8中示出的，B模式图像810(例如，来自数据采集单元210)可以被伪影识别单元220接收，伪影识别单元220可以检测每幅B模式图像810内的像素的特征和/或像素组以允许伪影分类。
伪影识别单元220可以基于来自训练数据的准则将B模式图像810的伪影部分(例如像素)关联到一个或多个种类内。在一种实施方式中，伪影识别单元220可以应用预先训练的深度卷积神经网络(DCNN)。DCNN或其他图像分类算法可以非常适合于硬接线电路。诸如现场可编程门阵列(FPGA)、专用集成电路(ASIC)等的应用，以提供快速的图像分类。每种类型的伪影可以导致超声图像内的能够使用概率匹配检测的截然不同类型的像素组。根据一个范例，伪影识别单元220可以包括对应于B模式图像内部的不同类型的阴影(例如，来自耻骨的强阴影对比来自肠道气体的更轻阴影)和其他伪影(由于不良探头到皮肤的耦合的混响)的概率图。在一种实施方式中，伪影定义可以通过机器学习系统被离线地生成，并且被存储在伪影识别单元220中。在另一实施方式中，伪影识别单元220可以包括动态学习能力，其中，实际的经处理的图像和用户对可视化(例如，可视化612、712等)的响应可以用来改善伪影识别单元220。
在图8的范例中，伪影识别单元220可以使用四个不同的种类：来自耻骨的阴影820、来自肠道气体的阴影822、来自不良耦合的伪影824和来自其他来源的伪影826。来自耻骨的阴影820、来自肠道气体的阴影822、来自不良耦合的伪影824可以表示可从B模式图像中的像素组检测的主要已知伪影种类。来自其他来源的伪影826可以包括不是主要已知伪影种类中的任何未识别的伪影或其他类型的已知伪影，诸如导管或针阴影种类、肋骨阴影种类、或影响扫描图像质量和相关联的定量分析准确性的其他种类。在一种实施方式中，来自其他来源的伪影826可以被分成多个种类或子种类，诸如针对导管或针阴影种类、肋骨阴影种类和未知种类的单独分组。在一些情况下，像素可以在多个种类下进行分类。伪影识别单元220可以支持任何数量的用于输出的类别，只要训练数据集中的超声图像的量支持每个类别。然而，随着类别的总数量增长，两个类别之间的分类距离(例如，根据图像特征空间)可以被潜在地减小，这会导致正确分类的困难和对人类操作者的混淆。在一种实施方式中，伪影识别单元220可以使用至多六个类别。
图8中示出的具体伪影种类820、822、824和826可以适合于具体超声应用，诸如进行膀胱扫描。在其他实施方式中，可以在伪影识别单元220中使用不同类型或量的伪影种类。例如，对于腹主动脉瘤(AAA)扫描，来自不良耦合的伪影和来自肠道气体的阴影可以是主要种类以及针对其他伪影的未定义(或“其他来源”)种类。相反，对于人类心脏扫描的新类型，来自肋骨的阴影和来自医学设备的阴影可以是两个主要的伪影分类(例如，而非被一起分组在“其他来源”种类中)。
伪影识别单元220可以将所分类的像素的位置和种类发送给视觉指示生成器230。视觉指示生成器230可以产生对应于影像素的位置和种类的叠加。B模式可视化单元830可以将可视化(例如，空气伪影识别符612、气体伪影识别符622等)直接应用于B模式图像。对于C模式图像，C模式可视化单元840可以接收并编译利用其他B模式数据的B模式可视化的位置以生成C模式可视化(例如，空气伪影识别符712，气体伪影识别符722等)。对于其他类型的图像(诸如三维绘制)，其他可视化单元850可以接收并编译利用其他图像数据的B模式可视化的位置以生成其他类型的超声图像。
图9是扫描系统100中的用于生成实时伪影可视化的示范性通信的方框图。操作者900可以使用超声探头110从瞄准的解剖区域采集实时数据。例如，操作者900可以控制探头110，以朝向感兴趣器官(例如，图1的器官152)定位905探头110的鼻部，并且发射超声信号。
数据采集单元210可以接收回波数据，并且处理回波数据以生成例如二维B模式图像910。数据采集单元210可以将B模式图像910发送给伪影识别单元220。
伪影识别单元220可以使用例如多种类伪影分类算法分析图像910，以对具有多个不同伪影类别的中的一个或多个的图像910的不同区域(例如，像素)(诸如空气扫描区域412、耻骨阴影414等)进行分类。根据一种实施方式，图像910的像素可以被同时包括在两个单独类别中。例如，伪影识别单元220可以将图像910中的一些像素识别为具有强阴影和混响两者。伪影识别单元220可以将针对图像910的像素的类别关联915发送给视觉指示生成器230。
视觉指示生成器230可以接收类别关联915，并且基于类别关联915生成伪影可视化。根据一种实施方式，视觉指示生成器230可以使用表格将类别关联915匹配到特定颜色、指示和/或文本参考。
视觉指示生成器230可以选择对应于图像910中的像素的类别的适当可视化/文本，并且将增强图像920(例如，输出610、620等)提交给显示器122以呈现给操作者900。伪影可视化(例如，气体伪影识别符622等)可以被显示在屏幕(例如，显示器122)上，并且任选地，被扬声器可听得地输出以在帮助操作者采集最好质量的数据和随后准确计算的结果(诸如体积或尺寸测量)方面为操作者提供实时反馈和指令。
因为伪影识别单元220分析个体B模式图像(例如，二维图像)，来自视觉指示生成器230的增强图像920可以被实时地(例如，小于0.5秒延迟)呈现(经由显示器122)。从B模式可视化生成的用于C模式图像的伪影可视化可以被类似地呈现而无显著的延迟。
操作者900可以从显示器122检测925增强图像920。假设增强图像920包括需要用户来调整探头110的伪影可视化，操作者900可以重新定位905探头110(或采取其他措施来修正伪影)。数据采集单元210可以接收新的回波数据，并且处理新的回波数据以生成另一B模式图像910、C模式图像等。伪影识别单元220可以针对伪影像素分析图像910，以再次为视觉指示生成器230提供类别关联915。
假设增强图像920包括不妨碍目标对象的伪影可视化，操作者900可以选择不调整探头110。视觉指示生成器230可以将不受妨碍的/接受的图像930发送给主处理逻辑240。
如果需要，主处理逻辑240可以接收图像930和随后的图像930，以提供基于图像930的期望测量或计算，诸如器官边界、膀胱体积估计、腔辨别、主动脉尺寸等。主处理逻辑240可以将计算的结果935提供给显示器122以便呈现给操作者900。
图10是根据另一实施方式的扫描系统100中的用于生成实时伪影可视化的示范性通信的方框图。图10中的通信表示被提供给操作者的反馈以及所请求的输出。
类似于结合图9描述的通信，在图10中，操作者900可以控制探头110，以朝向感兴趣器官定位905探头110的鼻部，并且发射超声信号。数据采集单元210可以接收回波数据，并且处理回波数据以生成图像910。数据采集单元210可以将图像910发送给伪影识别单元220。伪影识别单元220可以分析图像910，并且将图像910内的像素组或区域分类成一个或多个伪影类别。伪影识别单元220可以将针对图像910的类别关联915提供给视觉指示生成器230。
额外地(并且同时地)在将图像910发送给伪影识别单元220的情况下，数据采集单元210可以将图像910发送给主处理逻辑240。如果需要，主处理逻辑240可以接收图像910和随后的图像910，以检测目标对象(例如，膀胱、肾脏、主动脉、医学设备等)，并且提供基于图像910的期望测量或计算，诸如器官边界/形状或膀胱体积估计。因此，伪影评价(来自伪影识别单元220)和计算的测量(来自主处理逻辑240)能够被同时获得。主处理逻辑240可以将计算的结果1010提供给视觉指示生成器230。
视觉指示生成器230可以接收类别关联915和计算的结果1010。视觉指示生成器230可以使用类别关联915和计算的结果1010来为操作者900生成伪影区域的可视化。在一种实施方式中，视觉指示生成器230可以为计算的结果1010提供额外的引导，以指示计算的结果中的由于伪影的存在的可能误差。
视觉指示生成器230可以选择对应于在图像910内检测的伪影的种类的适当可视化，并且将具有伪影可视化内的图像作为输出1020提交给显示器122以便呈现给操作者900。例如，输出1020可以对应于上面描述的输出610、620、710或720，并且可以经由显示器122被呈现。操作者900可以检测1025显示器122上的输出1020。操作者900能够基于目标对象相对于可视化的伪影(如果有的话)的位置选择调整探头110并且重新扫描或简单地接受结果。
图11是图示用于生成用于超声扫描的实时伪影可视化的示范性过程1100的流程图。过程1100可以例如由系统100的基础单元120来执行。在另一实施方式中，过程1100可以由基础单元120配合探头110来执行。在一种实施方式中，过程1100可以在探头110如上面描述的那样获得超声图像之后开始。
过程1100可以包括接收并处理扫描图像(方框1110)。例如，数据采集单元210可以接收来自探头110的一个或多个B模式超声图像，并且应用噪声减少和/或其他预处理技术以从图像去除散斑和背景噪声。在一些实施例中，原始B模式图像的纵横比能够通过重定尺寸过程来调整，以补偿轴向与横向分辨率之间的差。在其他实施方式中，例如膀胱扫描应用，扫描转换也能够被应用以使膀胱形状更准确地反映典型膀胱的真实形状。
过程1100还可以包括检测扫描图像中的超声伪影(方框1120)，并且可视化检测到的伪影区域(方框1130)。例如，伪影识别单元220可以接收来自数据采集单元210的经预处理的图像，例如图像910。伪影识别单元220可以使用例如多种类图像分类算法来分析图像910中的像素组，以将图像910的区域分类成多个不同伪影类别(例如，耻骨阴影、肠道气体阴影、混响等)中的一个或多个。视觉指示生成器230可以实时地生成用于不同类型的伪影的可见指示符，并且将伪影可视化叠加在扫描图像上面以便呈现给操作者900。
操作者可以决定接受扫描(方框1140)。例如，基于可视化的伪影相对于目标对象的位置，即使在附加伪影的存在的情况下，操作者900也可以确定扫描是可接受的。替代地，操作者900可以确定伪影(例如，如通过可视化612、712等表示)需要探头调整和重新扫描。
如果操作者不接受扫描(方框1140–否)，过程1100可以包括操作者调整探头(方框1150)，并且返回到方框1110以接收并处理扫描图像。例如，操作者900可以拒绝具有示出挡住目标对象的伪影的输出(例如输出610、710)的扫描。操作者900可以调整探头110位置，将更多凝胶应用于皮肤，或采取其他修正性措施来改善扫描结果并且开始另一扫描。
如果操作者接受扫描(方框1140–是)，过程1100可以包括执行主处理(方框1160)，并且呈现结果(方框1170)。例如，操作者900可以接受没有示出回波窗口中的伪影不影响目标对象的观察的伪影或输出(例如输出620、720)的扫描。主处理逻辑240可以执行针对目标对象的请求计算/测量，并且将结果(例如，膀胱体积、主动脉直径等)返回给操作者900。
尽管图11示出了用于过程1110的方框的具体顺序，但是在其他实施方式中，过程1100可以以不同的顺序被执行。例如，在一种实施方式中，方框1160的主数据处理可以与方框1120和/或1130同时地被执行。
图12是图示基础单元120的示范性物理部件的示意图。基础单元120可以包括总线1210、处理器1220、存储器1230、输入部件1240、输出部件1250和通信接口1260。在其他实施方式中，探头110可以包括类似的部件。
总线1210可以包括允许基础单元120的部件之间的通信的路径。处理器1220可以包括处理器、微处理器、ASIC、控制器。可编程逻辑设备、芯片集、FPGA、图形处理单元(GPU)、专用指令集处理器(ASIP)、片上系统(SoC)、中央处理单元(CPU)(例如，一个或多个核)、微控制器、和/或解读和/或执行指令和/或数据的一些其他类型的部件。处理器1220可以被实施为硬件(例如，FPGA等)、硬件和软件的组合(例如，SoC、ASIC等)，可以包括一个或多个存储器(例如，高速缓冲存储器等)等。
存储器1230可以包括可以存储用于由处理器1220执行的信息和指令(例如，软件1235)的任何类型的动态存储设备、和/或可以存储用于由处理器1220使用的信息的任何类型的非易失性存储设备。
软件1235包括提供功能和/或处理的应用或程序。软件1235也旨在包括固件、中间件、微代码、硬件描述语言(HDL)、和/或其他形式的指令。
输入部件1240可以包括允许操作者将信息输入到基础单元120的机构，诸如键盘、键区、按钮、开关、触摸屏等。输出部件1250可以包括将信息输出给操作者的机构，诸如显示器(例如，显示器122)、扬声器、一个或多个发光二极管(LED)等。
通信接口1260可以包括使得基础单元120能够经由无线通信、有线通信或无线和有线通信的组合与其他设备和/或系统通信的收发器。例如，通信接口1260可以包括用于经由网络与另一设备或系统(诸如探头110)通信、或通信到其他设备/系统(诸如(例如，医院或另一类型的医学监测设施中的)监测多个基础单元的操作的系统控制计算机)的机构。在一种实施方式中，通信接口1260可以是包括输入和输出端口、输入和输出系统、和/或便于数据到/从其他设备的传输的其他输入和输出部件的逻辑部件。
基础单元120可以响应于处理器1220执行被包含在计算机可读介质(诸如存储器1230)中的软件指令(例如，软件1235)而执行某些操作。计算机可读介质可以被定义为非瞬态存储器设备。非瞬态存储器设备可以包括在单个物理存储器设备内或分布在多个物理存储器设备上的存储器空间。软件指令可以从另一计算机可读介质或从另一设备被读取到存储器1230内。被包含在存储器1230中的软件指令可以引起处理器1220执行本文中描述的过程。替代地，硬接线电路(诸如ASIC、FPGA等)可以代替或结合软件指令来使用以实施本文中描述的过程。因此，本文中描述的实施方式不限于硬件电路和软件的任何特定组合。
基础单元120可以包括比在图12中图示的那些更少的部件、额外的部件、不同的部件、和/或不同布置的部件。作为一范例，代替或除了总线1210之外，基础单元120可以包括一个或多个交换结构。额外地或替代地，基础单元120的一个或多个部件可以执行被描述为由基础单元120的一个或多个其他部件执行的一个或多个任务。
本文中描述的系统和方法在超声扫描期间为操作者提供实时伪影可视化。实时伪影可视化有助于帮助无经验的操作者以及有经验的操作者采集高质量超声数据并且实现准确计算的器官尺寸，诸如膀胱体积测量、主动脉直径等。机器学习(诸如深度卷积神经网络)实现了能够用来提供实时反馈的扫描图像内的伪影区域的快速分类。
本文中描述的系统和方法最小化对于操作者解读超声图像内的伪影的要求并且将该任务传递给系统100内的逻辑。常规超声系统需要操作者解读图像内容或等待完整扫描结果来确定伪影是否已经影响扫描结果。对于无经验的用户，正确地理解超声图像中发生什么不是琐碎任务。本文中描述的系统和方法为操作者执行初始水平的伪影检测以便在检测探头操作者错误之前最小化图像解读的负担和整个扫描计算的延迟。
对示范性实施方式的以上描述提供了图示和描述，但并不旨在穷举或将本文描述的实施例限制为所公开的精确形式。可以根据以上教导进行修改和变化，或者可以从实施例的实践中获得修改和变化。
尽管上面已经详细描述了本发明，但是应该清楚地理解，对于相关领域的技术人员来说显而易见的是：在不脱离本发明的精神的情况下可以对本发明进行修改。在不脱离本发明的精神和范围的情况下，可以对本发明进行形式、设计或布置上的各种改变。
除非明确说明，否则在本申请的描述中使用的任何元件、动作或指令均不应被解释为对本发明是至关重要或必不可少的。同样，如本文所使用的那样，词语“一”旨在包括一个或多个项目。此外，除非另有明确说明，否则短语“基于”旨在表示“至少部分地基于”。
在权利要求中使用诸如“第一”、“第二”、“第三”等的序数词来修饰权利要求元件本身并不表示一个权利要求元件相对于另一个权利要求元件具有任何优先权、优先级或顺序，也不表示执行方法的动作的时间顺序、执行由设备执行的指令的时间顺序等，而是仅用作标签，以将具有某一名称的一个权利要求元件与具有相同名称的另一个元件(除了使用序数词之外)区分开，从而区分权利要求元件。

Claims (20)

1.一种方法，包括：
由与超声探头相关联的处理器接收超声图像数据；
由所述处理器检测所述超声图像数据中的具有伪影的区域；
由所述处理器将所述具有伪影的区域分类到多个可用伪影种类中的一个内；
由所述处理器针对基于超声的图像来生成对所述具有伪影的区域的指示，其中，所述指示包括对所述伪影种类的指定；并且
由所述处理器将所述基于超声的图像和对所述具有伪影的区域的所述指示呈现给操作者。
2.根据权利要求1所述的方法，其中，所述超声图像数据包括二维B模式图像。
3.根据权利要求1所述的方法，其中，所述超声图像数据包括用于编译为C模式图像的多幅B模式图像。
4.根据权利要求1所述的方法，其中，所述分类包括使用卷积神经网络来执行伪影分类。
5.根据权利要求1所述的方法，其中，所述多个伪影种类包括耻骨阴影种类、肠道气体阴影种类和不良耦合种类。
6.根据权利要求1所述的方法，还包括：
由所述处理器检测所述超声图像内的目标对象；并且
由所述处理器，并且与所述分类同时地，基于目标对象来计算结果。
7.根据权利要求1所述的方法，其中，所述分类包括：
基于具有先前辨别的伪影类型的训练图像中的像素组来发展所述伪影种类的预先训练的模型。
8.根据权利要求7所述的方法，还包括：
将所述预先训练的模型存储在本地存储器中；并且
基于所述预先训练的模型来对来自所述超声图像数据的像素组与来自所述训练图像的像素组进行匹配。
9.根据权利要求1所述的方法，其中，所述呈现指示所述具有伪影的区域在所述超声图像内相对于目标对象的位置。
10.根据权利要求9所述的方法，其中，所述目标对象是包括膀胱、主动脉、前列腺、肾脏、血管或甲状腺中的一个的器官。
11.一种设备，包括：
用于存储指令的存储器设备；以及
处理器，其被配置为：
接收来自超声探头的超声图像数据，
检测所述超声图像数据中的具有伪影的区域，
将所述具有伪影的区域分类到多个可用伪影种类中的一个内，
针对超声图像生成所述具有至少一个伪影的区域的指示，其中，所述指示包括所述伪影种类的指定，并且
将所述超声图像和对所述具有至少一个伪影的区域的所述指示呈现给操作者。
12.根据权利要求11所述的设备，其中，所述超声图像数据包括二维B模式图像。
13.根据权利要求11所述的设备，其中，当对所述具有伪影的区域进行分类时，所述处理器还被配置为应用机器学习。
14.根据权利要求11所述的设备，其中，所述多个伪影种类包括耻骨阴影种类、肠道气体阴影种类和不良耦合种类。
15.根据权利要求11所述的设备，其中，所述处理器还被配置为：
生成对所述超声图像内的目标对象的指示；并且
与所述分类并行地，基于对所述目标对象的所述指示来计算结果。
16.根据权利要求11所述的设备，其中，所述处理器还被配置为：
生成对所述超声图像内的目标对象的指示；并且
在所述呈现之后基于对所述目标对象的所述指示来计算结果。
17.根据权利要求11所述的设备，其中，当对所述具有伪影的区域进行分类时，所述处理器还被配置为：
将所述可用伪影种类的预先训练的模型存储在所述存储器设备中，所述预先训练的模型是基于具有先前辨别的伪影类型的训练图像中的像素组的，并且
基于所述预先训练的模型来对来自所述超声图像数据的像素组与来自所述训练图像的像素组进行匹配。
18.一种非瞬态计算机可读介质，包括能够由至少一个处理器运行的指令，所述计算机可读介质包括用于进行以下操作的一个或多个指令：
接收来自超声探头的超声图像数据，
检测所述超声图像数据中的具有伪影的区域，
将具有至少一个伪影的区域分类到多个可用伪影种类中的一个内，
针对超声图像生成对所述具有至少一个伪影的区域的指示，其中，所述指示包括对所述伪影种类的指定，并且
将所述超声图像和对所述具有至少一个伪影的区域的所述指示呈现给操作者。
19.根据权利要求18所述的非瞬态计算机可读介质，其中，用于分类的所述指令还包括用于进行以下操作的一个或多个指令：
将所述可用伪影种类的预先训练的模型存储在存储器中，所述预先训练的模型是基于具有之前辨别的伪影类型的训练图像中的像素组的，其中，所述可用伪影种类包括耻骨阴影种类、肠道气体阴影种类和不良耦合种类。
20.根据权利要求19所述的非瞬态计算机可读介质，其中，用于对所述具有伪影的区域进行分类的所述指令还包括用于进行以下操作的一个或多个指令：
应用神经网络以提取所述超声图像的特征并将所述超声图像的特征与用于伪影分类的所述预先训练的模型进行匹配。
CN201880087112.1A 2017-12-20 2018-12-07 用于超声系统的回波窗口伪影分类和视觉指示符 Active CN111629670B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201762608134P 2017-12-20 2017-12-20
US62/608,134 2017-12-20
PCT/US2018/064483 WO2019125790A1 (en) 2017-12-20 2018-12-07 Echo window artifact classification and visual indicators for an ultrasound system

Publications (2)

Publication Number Publication Date
CN111629670A true CN111629670A (zh) 2020-09-04
CN111629670B CN111629670B (zh) 2024-04-05

Family

ID=64744992

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880087112.1A Active CN111629670B (zh) 2017-12-20 2018-12-07 用于超声系统的回波窗口伪影分类和视觉指示符

Country Status (7)

Country Link
US (1) US11389139B2 (zh)
EP (1) EP3727159B1 (zh)
JP (1) JP7022217B2 (zh)
KR (1) KR102491757B1 (zh)
CN (1) CN111629670B (zh)
CA (1) CA3085619C (zh)
WO (1) WO2019125790A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113689939A (zh) * 2021-10-26 2021-11-23 萱闱(北京)生物科技有限公司 用于图像特征匹配的图像存储方法、系统和计算设备
CN114246610A (zh) * 2020-09-23 2022-03-29 通用电气精准医疗有限责任公司 用于生成增强图像的超声成像系统和方法

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102106694B1 (ko) * 2018-05-17 2020-05-04 한국과학기술원 뉴럴 네트워크를 이용하는 영상 처리 장치 및 상기 장치가 수행하는 방법
CN110313939B (zh) * 2019-08-01 2020-12-11 无锡海斯凯尔医学技术有限公司 组织感兴趣区域定位方法、装置、设备及存储介质
US12016729B2 (en) * 2020-01-24 2024-06-25 Canon Kabushiki Kaisha Ultrasonic diagnostic apparatus, learning apparatus, and image processing method
CN115297786A (zh) * 2020-03-24 2022-11-04 富士胶片株式会社 超声波诊断装置、超声波诊断装置的控制方法及超声波诊断装置用处理器
JP2023084862A (ja) 2021-12-08 2023-06-20 富士フイルム株式会社 超音波診断装置および超音波診断装置の制御方法
JP2023141907A (ja) 2022-03-24 2023-10-05 富士フイルム株式会社 超音波診断システムおよび超音波診断システムの制御方法
JP2023143418A (ja) * 2022-03-25 2023-10-06 富士フイルム株式会社 超音波診断装置とその作動方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4835712A (en) * 1986-04-14 1989-05-30 Pixar Methods and apparatus for imaging volume data with shading
WO2014155272A1 (en) * 2013-03-28 2014-10-02 Koninklijke Philips N.V. Real-time quality control for acquisition of 3d ultrasound images
US20160048972A1 (en) * 2014-08-14 2016-02-18 Samsung Electronics Co., Ltd. Computer-aided diagnosis apparatus and method
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

Family Cites Families (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6398733B1 (en) 2000-04-24 2002-06-04 Acuson Corporation Medical ultrasonic imaging system with adaptive multi-dimensional back-end mapping
GB2391625A (en) * 2002-08-09 2004-02-11 Diagnostic Ultrasound Europ B Instantaneous ultrasonic echo measurement of bladder urine volume with a limited number of ultrasound beams
US7536044B2 (en) 2003-11-19 2009-05-19 Siemens Medical Solutions Usa, Inc. System and method for detecting and matching anatomical structures using appearance and shape
US7876934B2 (en) 2004-11-08 2011-01-25 Siemens Medical Solutions Usa, Inc. Method of database-guided segmentation of anatomical structures having complex appearances
US7648460B2 (en) 2005-08-31 2010-01-19 Siemens Medical Solutions Usa, Inc. Medical diagnostic imaging optimization based on anatomy recognition
US7804990B2 (en) 2006-01-25 2010-09-28 Siemens Medical Solutions Usa, Inc. System and method for labeling and identifying lymph nodes in medical images
US7822252B2 (en) 2006-11-28 2010-10-26 Siemens Medical Solutions Usa, Inc. Method of multiple instance learning and classification with correlations in object detection
CA2688758C (en) 2007-05-16 2016-07-05 Verathon Inc. System and method for bladder detection using harmonic imaging
US9672471B2 (en) 2007-12-18 2017-06-06 Gearbox Llc Systems, devices, and methods for detecting occlusions in a biological subject including spectral learning
US8885926B2 (en) 2009-04-15 2014-11-11 Massachusetts Institute Of Technology Image and data segmentation
KR101221288B1 (ko) * 2010-04-26 2013-01-10 삼성메디슨 주식회사 적응적 클러터 필터링을 수행하는 초음파 시스템 및 방법
EP2771712B1 (en) * 2011-10-28 2023-03-22 Decision Sciences International Corporation Spread spectrum coded waveforms in ultrasound imaging
US9033887B2 (en) * 2012-05-31 2015-05-19 Siemens Corporation Mitral valve detection for transthoracic echocardiography
JP6033701B2 (ja) 2013-02-13 2016-11-30 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 超音波診断装置及びその制御プログラム
US9700219B2 (en) 2013-10-17 2017-07-11 Siemens Healthcare Gmbh Method and system for machine learning based assessment of fractional flow reserve
JP6154496B2 (ja) 2014-01-30 2017-06-28 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． 超音波を使用するガスポケットを検出するための方法及び装置
WO2016194161A1 (ja) 2015-06-03 2016-12-08 株式会社日立製作所 超音波診断装置、及び画像処理方法
US11096671B2 (en) * 2015-09-10 2021-08-24 Siemens Medical Solutions Usa, Inc. Sparkle artifact detection in ultrasound color flow
US11832969B2 (en) 2016-12-22 2023-12-05 The Johns Hopkins University Machine learning approach to beamforming
JP7005191B2 (ja) * 2017-06-30 2022-01-21 キヤノンメディカルシステムズ株式会社 画像処理装置、医用画像診断装置、及びプログラム

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4835712A (en) * 1986-04-14 1989-05-30 Pixar Methods and apparatus for imaging volume data with shading
WO2014155272A1 (en) * 2013-03-28 2014-10-02 Koninklijke Philips N.V. Real-time quality control for acquisition of 3d ultrasound images
US20160048972A1 (en) * 2014-08-14 2016-02-18 Samsung Electronics Co., Ltd. Computer-aided diagnosis apparatus and method
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 (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114246610A (zh) * 2020-09-23 2022-03-29 通用电气精准医疗有限责任公司 用于生成增强图像的超声成像系统和方法
CN114246610B (zh) * 2020-09-23 2024-06-04 通用电气精准医疗有限责任公司 用于生成增强图像的超声成像系统和方法
CN113689939A (zh) * 2021-10-26 2021-11-23 萱闱(北京)生物科技有限公司 用于图像特征匹配的图像存储方法、系统和计算设备
CN113689939B (zh) * 2021-10-26 2022-04-08 萱闱(北京)生物科技有限公司 用于图像特征匹配的图像存储方法、系统和计算设备

Also Published As

Publication number Publication date
CA3085619A1 (en) 2019-07-27
US11389139B2 (en) 2022-07-19
EP3727159C0 (en) 2024-02-28
CN111629670B (zh) 2024-04-05
WO2019125790A1 (en) 2019-06-27
CA3085619C (en) 2023-07-04
EP3727159B1 (en) 2024-02-28
KR102491757B1 (ko) 2023-01-27
EP3727159A1 (en) 2020-10-28
JP7022217B2 (ja) 2022-02-17
JP2021506470A (ja) 2021-02-22
US20190183462A1 (en) 2019-06-20
KR20200101418A (ko) 2020-08-27

Similar Documents

Publication Publication Date Title
CN111629670B (zh) 用于超声系统的回波窗口伪影分类和视觉指示符
US11464490B2 (en) Real-time feedback and semantic-rich guidance on quality ultrasound image acquisition
RU2667617C2 (ru) Система и способ эластографических измерений
US10219782B2 (en) Position correlated ultrasonic imaging
EP3554380B1 (en) Target probe placement for lung ultrasound
JP6490809B2 (ja) 超音波診断装置、及び画像処理方法
WO2018149765A1 (en) Ovarian follicle count and size determination
US11432803B2 (en) Method and system for generating a visualization plane from 3D ultrasound data
JP2012506283A (ja) ３次元超音波画像化
JP2017525445A (ja) 超音波撮像装置
JP6648587B2 (ja) 超音波診断装置
US11278259B2 (en) Thrombus detection during scanning
US11684344B2 (en) Systems and methods for quantitative abdominal aortic aneurysm analysis using 3D ultrasound imaging
KR102578072B1 (ko) 초음파 진단 장치 및 그 제어 방법
JP7346266B2 (ja) 超音波撮像システムおよび対象物体品質レベルを表示するための方法
CN115153634A (zh) 一种智能超声检查诊断方法及系统
JP2022074392A (ja) 超音波診断装置、超音波診断装置の制御方法、及び、超音波診断装置の制御プログラム
EP2807977B1 (en) Ultrasound diagnosis method and aparatus using three-dimensional volume data
EP4226863A1 (en) Fetal heart rate monitoring

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