CN111798965A - 用于确定胎儿神经系统的状况的系统和方法 - Google Patents
用于确定胎儿神经系统的状况的系统和方法 Download PDFInfo
- Publication number
- CN111798965A CN111798965A CN202010255399.3A CN202010255399A CN111798965A CN 111798965 A CN111798965 A CN 111798965A CN 202010255399 A CN202010255399 A CN 202010255399A CN 111798965 A CN111798965 A CN 111798965A
- Authority
- CN
- China
- Prior art keywords
- scan plane
- plane
- ttp
- determining
- tvp
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 210000000653 nervous system Anatomy 0.000 title claims abstract description 26
- 230000001605 fetal effect Effects 0.000 title description 15
- 238000013135 deep learning Methods 0.000 claims abstract description 92
- 238000002604 ultrasonography Methods 0.000 claims abstract description 72
- 230000000926 neurological effect Effects 0.000 claims abstract description 15
- 230000008774 maternal effect Effects 0.000 claims abstract description 10
- 210000003754 fetus Anatomy 0.000 claims description 47
- 238000012545 processing Methods 0.000 claims description 18
- 239000000523 sample Substances 0.000 claims description 18
- 238000005259 measurement Methods 0.000 claims description 10
- 210000004556 brain Anatomy 0.000 claims description 9
- 210000003625 skull Anatomy 0.000 claims description 8
- 238000003709 image segmentation Methods 0.000 claims description 6
- 230000002490 cerebral effect Effects 0.000 claims description 5
- 210000003703 cisterna magna Anatomy 0.000 claims description 3
- 210000004129 prosencephalon Anatomy 0.000 claims 1
- 210000001202 rhombencephalon Anatomy 0.000 claims 1
- 210000003484 anatomy Anatomy 0.000 description 10
- 230000011218 segmentation Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 210000003169 central nervous system Anatomy 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000012285 ultrasound imaging Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 206010008805 Chromosomal abnormalities Diseases 0.000 description 3
- 208000031404 Chromosome Aberrations Diseases 0.000 description 3
- 201000010374 Down Syndrome Diseases 0.000 description 3
- 102100032467 Transmembrane protease serine 13 Human genes 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000000765 microspectrophotometry Methods 0.000 description 3
- 235000019799 monosodium phosphate Nutrition 0.000 description 3
- 210000000056 organ Anatomy 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 210000001638 cerebellum Anatomy 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 210000003140 lateral ventricle Anatomy 0.000 description 2
- 230000005055 memory storage Effects 0.000 description 2
- 210000003254 palate Anatomy 0.000 description 2
- 230000035935 pregnancy Effects 0.000 description 2
- 208000033787 Rare developmental defect during embryogenesis Diseases 0.000 description 1
- 201000007023 Thrombotic Thrombocytopenic Purpura Diseases 0.000 description 1
- 206010044688 Trisomy 21 Diseases 0.000 description 1
- 208000026928 Turner syndrome Diseases 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 210000001142 back Anatomy 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 230000004641 brain development Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 208000022734 developmental defect during embryogenesis Diseases 0.000 description 1
- 210000001951 dura mater Anatomy 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 210000001320 hippocampus Anatomy 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000036244 malformation Effects 0.000 description 1
- 208000035853 malformation syndrome Diseases 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000001103 thalamus Anatomy 0.000 description 1
- 210000000689 upper leg Anatomy 0.000 description 1
Images
Classifications
-
- 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
- A61B5/4343—Pregnancy and labour monitoring, e.g. for labour onset detection
- A61B5/4362—Assessing foetal parameters
-
- 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
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/107—Measuring physical dimensions, e.g. size of the entire body or parts thereof
- A61B5/1072—Measuring physical dimensions, e.g. size of the entire body or parts thereof measuring distances on the body, e.g. measuring length, height or thickness
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/107—Measuring physical dimensions, e.g. size of the entire body or parts thereof
- A61B5/1075—Measuring physical dimensions, e.g. size of the entire body or parts thereof for measuring dimensions by non-invasive methods, e.g. for determining thickness of tissue layer
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4058—Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
- A61B5/4064—Evaluating the brain
-
- 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
-
- 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
- A61B8/0808—Detecting organic movements or changes, e.g. tumours, cysts, swellings for diagnosis of the brain
-
- 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
- A61B8/0866—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving foetal diagnosis; pre-natal or peri-natal diagnosis of the baby
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/48—Diagnostic techniques
- A61B8/483—Diagnostic techniques involving the acquisition of a 3D volume of data
-
- 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
- A61B8/523—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for generating planar views from image data in a user selectable plane not corresponding to the acquisition plane
-
- 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
- G06N3/042—Knowledge-based neural networks; Logical representations of 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
- 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
- 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
- A61B2503/00—Evaluating a particular growth phase or type of persons or animals
- A61B2503/02—Foetus
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2576/00—Medical imaging apparatus involving image processing or analysis
- A61B2576/02—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part
- A61B2576/026—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part for the brain
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/107—Measuring physical dimensions, e.g. size of the entire body or parts thereof
- A61B5/1079—Measuring physical dimensions, e.g. size of the entire body or parts thereof using optical or photographic means
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/344—Foetal cardiography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays
- A61B5/743—Displaying an image simultaneously with additional graphical information, e.g. symbols, charts, function plots
-
- 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
- A61B8/466—Displaying means of special interest adapted to display 3D data
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Gynecology & Obstetrics (AREA)
- Pregnancy & Childbirth (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Neurology (AREA)
- Physiology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Reproductive Health (AREA)
- Pediatric Medicine (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
Abstract
本发明提供了一种用于确定神经系统状况的方法,所述方法包括在指导的扫描程序期间使用第一深度学习网络来获得产妇受试者的多个平面中的第一扫描平面的估计。所述方法还包括接收与所述初始估计相对应的三维(3D)超声体积,以及根据所述第一深度学习网络确定最佳第一扫描平面。所述方法还包括基于所述最佳第一扫描平面和与所述多个平面相对应的临床约束中的至少一者,使用第二深度学习网络来确定所述多个平面中的第二扫描平面、第三扫描平面和第四扫描平面中的至少一者。所述方法包括基于所述多个平面中的至少一者使用第三深度学习网络来确定与神经系统相对应的生物计量参数。
Description
背景技术
本说明书的实施方案整体涉及超声成像,并且更具体地讲,涉及以有效方式获取扫描数据并处理所获取的扫描数据以用于诊断目的的系统和方法。在评估胎儿神经系统的状况的背景下解释了本说明书的实施方案。
通常,超声成像技术包括朝向人体中的确定部分(例如,胎儿、肾脏等)发射超声束,并且然后对反射束进行处理以获得与软组织或血流的一部分相关联的图像。超声系统具有体积小、价格便宜、可实时显示、以及安全的优点,因为受试者不会暴露于X射线和其他有害辐射。
超声成像技术通常用于在怀孕期间确定胎儿的健康。具体地,通常通过测量几何参数(诸如胎儿的颈部半透明(NT)的厚度)来识别胎儿中的染色体异常。厚NT的存在确定了唐氏综合症或其他染色体异常(诸如心脏畸形或特纳氏综合症)。相同的染色体异常也可以通过使用超声成像来测量各种几何参数而确定。在识别胎儿中的唐氏综合症的情况下,可以测量上颚和鼻背之间的角度(即前上颌骨面部(FMF)角度)。另选地,唐氏综合症还可以基于测量双顶径(BPD)、头围(HC)、腹围(AC)、股骨长度(FL)等来确定。可以基于所测量的几何参数来估计胎儿的胎龄和体重。
胎儿的几何参数的测量需要从超声数据中获得准确的矢状、横向和其他标准扫描平面视图。通常,扫描平面图是基于医师的经验来确定的。因此,可能的是,胎儿的NT的测量厚度或上颚与背鼻之间的FMF角可能具有一些误差并且可能与实际值不同。因此,导致难以进行准确的诊断。有时,在确定扫描平面和对应的几何参数时采用半自动技术,其中需要人工干预来完成对胎儿健康的评估。然而,此类技术受患者解剖结构的变化以及由操作员引入的变化的影响。
发明内容
根据本说明书的一个方面,公开了一种方法。方法包括在指导的扫描程序期间使用第一深度学习网络来获得与产妇受试者的胎儿相对应的第一扫描平面的初始估计。扫描平面包括经丘脑平面(TTP)、经心室平面(TVP)、正中矢状平面(MSP)和/或经小脑平面(TCP)中的一者。方法还包括接收与第一扫描平面的初始估计相对应的胎儿的三维(3D)超声体积。方法还包括基于3D超声体积和第一扫描平面的初始估计根据第一深度学习网络确定最佳第一扫描平面。方法还包括基于3D超声体积、最佳第一扫描平面、以及与TTP、TVP、MSP和/或TCP相对应的临床约束中的至少一者,使用对应的第二深度学习网络来确定第二扫描平面、第三扫描平面和/或第四扫描平面中的至少一者。第二扫描平面、第三扫描平面和第四扫描平面中的每一者包括TTP、TVP、MSP和/或TCP中的一者并且与第一扫描平面明显不同。方法包括基于第一扫描平面、第二扫描平面、第三扫描平面和/或第四扫描平面中的至少一者以及临床约束,使用第三深度学习网络来确定与胎儿的神经系统相对应的生物计量参数。方法还包括基于生物计量参数确定胎儿的神经系统状况。
根据本说明书的另一个方面,公开了一种系统。系统包括超声扫描探头,该超声扫描探头被配置为在指导的扫描程序期间使用第一深度学习网络来获得与产妇受试者的胎儿相对应的第一扫描平面的初始估计。扫描平面包括经丘脑平面(TTP)、经心室平面(TVP)、正中矢状平面(MSP)和/或经小脑平面(TCP)中的一者。系统还包括数据获取单元,该数据获取单元可通信地耦接到超声探头并且配置为接收由超声扫描探头获得的扫描数据。系统还包括学习单元,该学习单元可通信地耦接到数据获取单元并且被配置为从数据获取单元接收与第一扫描平面的初始估计相对应的胎儿的三维(3D)超声体积。学习单元被进一步配置为基于3D超声体积和第一扫描平面的初始估计根据第一深度学习网络确定最佳扫描平面。学习单元还被配置为基于3D超声体积、最佳第一扫描平面、以及与TTP、TVP、MSP和/或TCP相对应的临床约束中的至少一者,使用对应的第二深度学习网络来确定第二扫描平面、第三扫描平面和/或第四扫描平面中的至少一者。第二扫描平面、第三扫描平面和/或第四扫描平面中的每一者包括TTP、TVP、MSP和/或TCP中的一者并且与第一扫描平面明显不同。学习单元还被配置为基于第一扫描平面、第二扫描平面、第三扫描平面和/或第四扫描平面中的至少一者以及临床约束,使用第三深度学习网络来确定与胎儿的神经系统相对应的生物计量参数。系统还包括诊断单元,该诊断单元可通信地耦接到学习单元并且被配置为基于生物计量参数来确定胎儿的神经系统状况。
一种非暂态计算机可读介质,该非暂态计算机可读介质具有使得至少一个处理器单元能够进行以下操作的指令:在指导的扫描程序期间使用第一深度学习网络来获得与产妇受试者的胎儿相对应的第一扫描平面的初始估计。扫描平面包括经丘脑平面(TTP)、经心室平面(TVP)、正中矢状平面(MSP)和/或经小脑平面(TCP)中的一者。指令还使得至少一个处理器能够接收与第一扫描平面的初始估计相对应的胎儿的三维(3D)超声体积。另外,指令还使得至少一个处理器能够基于3D超声体积和第一扫描平面的初始估计根据第一深度学习网络确定最佳扫描平面;以及基于3D超声体积、最佳第一扫描平面、以及与TTP、TVP、MSP和/或TCP相对应的临床约束中的至少一者,使用对应的第二深度学习网络来确定第二扫描平面、第三扫描平面和/或第四扫描平面中的至少一者。第二扫描平面、第三扫描平面和/或第四扫描平面中的每一者包括TTP、TVP、MSP和/或TCP中的一者并且与第一扫描平面明显不同。指令还使得至少一个处理器能够基于第一扫描平面、第二扫描平面、第三扫描平面和/或第四扫描平面中的至少一者以及临床约束,使用第三深度学习网络来确定与胎儿的神经系统相对应的生物计量参数;以及基于生物计量参数确定胎儿的神经系统状况。
附图说明
当参考附图阅读以下详细描述时,将更好地理解本发明实施方案的这些和其他特征和方面,其中附图中相同的符号在所有附图中表示相同的部分,其中:
图1是根据示例性实施方案的用于确定胎儿中的神经系统状况的系统的图解图示;
图2是示出根据示例性实施方案的经丘脑平面(TTP)的选择的图像,
图3A至图3C是示出根据示例性实施方案的胎脑的扫描平面的选择的图像,
图4是示出根据示例性实施方案的经心室平面(TVP)的选择的图像;
图5是示出根据示例性实施方案的经小脑平面(TCP)的选择的图像;
图6是根据示例性实施方案的用于确定胎儿的神经系统的状况的工作流程的示意图;并且
图7是根据示例性实施方案的用于确定胎儿的神经系统的状况的方法的流程图。
具体实施方式
如将在下文中详细描述的,呈现了用于超声成像的系统和方法。更具体地,系统和方法被配置为使得操作员能够以有效方式获取扫描数据以用于诊断目的。在使用三维(3D)超声图像数据集来评估胎儿神经系统的背景下解释本说明书的实施方案。
术语“矢状平面”、“冠状平面”和“横向平面”分别是指受试者的三维解剖结构中的横向、正向和侧向平面。矢状平面将身体分成左部分和右部分,冠状平面将身体分成前部分和后部分,并且横向平面将身体分成上部分和底部分。后部分也称为“背部部分”或“后部部分”并且前部分也称为“腹侧部分”或“前部部分”。将身体分成相等的左右部分的矢状平面称为“中矢状平面”并缩写为MSP。顶部分称为“上部分”或“颅部分”并且底部分也称为“下部分”或“尾部分”。前缀“经”通常与感兴趣器官的3D体积中的解剖结构一起使用以指代与该解剖结构相关联的平面。例如,在本文中缩写为TVP的术语“经心室平面”包括侧脑室的前部分和后部分。侧脑室的前部分(额角或前角)表现为两个逗号形的充满液体的结构,并具有明确限定的侧壁,以及在中间被透明隔腔(CSP)分开。缩写为TTP的术语“经丘脑平面”包括丘脑和海马回。缩写为TCP的术语“经小脑平面”与小脑部分和小脑延髓池相关。术语“正中矢状平面”是指沿着矢状缝合线的平面。术语“侧矢状平面”是指将身体分成与矢状平面平行的左右部分的平面。有时,术语侧矢状平面也指与矢状平面成角度地分开的平面。术语“胎儿超声检查”用于指使用沿轴向和矢状平面获取的超声图像来评定胎儿的中枢神经系统(CNS)的状况。
图1是用于确定与受试者106相关的医学状况的超声扫描器100的图解图示。在特定示例中,受试者106可以是在早期妊娠期间例如通过胎儿超声检查进行评定以评估胎儿健康、监测胎脑发育或两者的孕妇。根据本说明书的示例性实施方案,超声扫描用于评定胎儿的中枢神经系统(CNS)的状况。超声扫描器100包括超声扫描探头108,操作员104使用该超声扫描探头来检查受试者106并生成大体由附图标号102表示的超声扫描数据。超声扫描器100还包括数据处理系统114,该数据处理系统可通信地耦接到超声扫描探头108并且被配置为接收超声扫描数据102。数据处理系统114被进一步配置为基于超声扫描数据102生成大体由附图标号110表示的输出数据。在一个实施方案中,输出数据110可以是以对于操作员104的反馈的形式,以便对扫描操作进行修改或调整以使得能够更准确地执行扫描操作。在另一个实施方案中,输出数据110可以是可呈现给操作员104的图像数据。在又一个实施方案中,输出数据110可以是与受试者106的感兴趣器官的诊断状况相对应的诊断信息。在一个非限制性示例中,诊断状况可以是表示胎儿中枢神经系统的发育不足或不完全发育的发育不良状况。在另一个非限制性示例中,诊断状况可以是表示胎儿中枢神经系统的异常发育的发育异常状况。超声扫描器100还包括用于将输出数据110呈现给操作员104的输出设备112。输出设备112可以包括监视器、扬声器、触觉设备或其他设备。
在所示的实施方案中,数据处理系统114包括经由通信总线126彼此耦接的数据获取单元116、学习单元118、诊断单元120、存储器单元122和处理器单元124。在一个实施方案中,单元116、118、120、122、124中的每一者可以包括至少一个处理元件(诸如处理器或控制器)、一个或多个存储器芯片、用于接收相应单元所需的输入数据的至少一个输入引线、以及用于将来自相应单元的输出数据提供给一个或多个其他单元或设备的至少一个输出引线。另外,单元116、118、120、122、124中的每一者还可以包括与以下中的一者或多者交接的电路:其他单元、超声扫描探头108、输出设备110和大体由附图标号128表示的用户输入。
在示例性实施方案中,超声扫描探头108被配置为在指导的扫描程序中获得与产妇受试者的胎儿相对应的第一扫描平面的初始估计。学习单元118被配置为在操作员获取初始估计时提供指导。第一扫描平面包括MSP、TTP、TVP和TCP中的一者。学习单元118被配置为接收平面类型作为输入,并且在检查产妇受试者时随着超声扫描探头的移动估计指定扫描平面的质量。使得操作员能够基于估计的质量或基于他/她的经验或两者,将指定扫描平面的良好估计识别为第一扫描平面。另外,超声扫描探头108被配置为以半自动方式或完全以自动方式获取与第一扫描平面的初始估计相对应的三维(3D)超声体积。所获取的3D超声体积在本文中被称为“超声扫描数据”。
数据获取单元116可通信地耦接到超声扫描探头108并且被配置为接收超声扫描数据102。超声扫描数据102包括与产妇受试者的胎儿相对应的3D超声体积。数据获取单元116可以包括与超声扫描探头108交接并且将超声扫描数据102解释为图像帧的必要电路。数据获取单元116还被配置为从操作员控制台(诸如但不限于键盘或触摸显示器)接收用户输入128。数据获取单元116还被配置为将超声扫描数据102传输到存储器单元122并且从存储器单元检索历史数据。数据获取单元116还被配置为从超声扫描探头108接收第一扫描平面的初始估计。
学习单元118可通信地耦接到数据获取单元116并且被配置为接收第一扫描平面的初始估计。学习单元118包括一个或多个学习网络、机器学习模块,其被配置为学习和估计扫描平面、与扫描平面相关联的生物特征参数和神经系统状况。在一个实施方案中,学习单元118被配置为辅助操作员选择第一扫描平面的良好初始估计。学习单元118采用第一深度学习网络以提供由超声探头108获取的扫描平面的质量指示符。另外,学习单元118还被配置为基于初始估计来生成第一扫描平面的多个估计作为第一扫描平面候选。第一扫描平面的初始估计的平面参数在预定的值范围内变化以生成多个第一扫描平面候选的平面参数。学习单元118被进一步配置为使用第一深度学习网络根据多个第一扫描计划候选确定最佳的第一扫描平面候选。具体地,第一深度学习网络被配置为确定与多个第一扫描平面候选中的每一个相对应的质量得分并且生成多个质量得分。另外,可以确定多个质量得分中的最小得分。在一个实施方案中,学习单元118被配置为在多个第一扫描平面候选中选择与最小得分相对应的第一扫描平面候选。学习单元118还被配置为使用对应的第二深度学习网络基于3D超声体积、最佳的第一扫描平面来确定第二扫描平面、第三扫描平面和第四扫描平面中的至少一者。第二扫描平面、第三扫描平面和第四扫描平面中的每一者是MSP、TTP、TVP和/或TCP中的一者并且与第一扫描平面明显不同。在此可以注意到,第一扫描平面、第二扫描平面,第三扫描平面和/或第四扫描平面中的每一者唯一地映射到MSP、TTP、TVP和/或TCP。通过第二学习网络的对平面的确定是基于实践中使用的指定临床指南。作为临床指南的示例,MSP基于与产妇受试者体内的解剖结构相关的解剖或几何特性来确定。作为临床指南的另一个示例,MSP被约束为与TTP正交且与TVP平行。作为临床指南的又一个示例,TCP被约束为与MSP正交且与TTP平行。类似地,可以注意到,临床指南还将TVP约束为与TCP平行。
在第一实施方案中,第一扫描平面对应于TTP,第二平面对应于正中矢状平面(MSP),第三扫描平面对应于经小脑平面(TCP),并且第四扫描平面对应于经心室平面(TVP)。在第二实施方案中,第一扫描平面对应于TVP,第二扫描平面对应于TTP,第三扫描平面对应于MSP,并且第四扫描平面对应于TCP。在第三实施方案中,第一扫描平面对应于TCP,第二扫描平面对应于MSP,第三扫描平面对应于TTP,并且第四扫描平面对应于TVP。在第四实施方案中,第一扫描平面对应于MSP,第二扫描平面对应于TCP,第三扫描平面对应于TTP,并且第四扫描平面对应于TVP。
具体地,在第一实施方案中,学习单元118被配置为分割最佳TTP以基于分割的最佳TTP来检测颅骨的中线和TTP的中点。学习单元118还被配置为基于颅骨的中线确定与MSP相对应的平面参数矢量。学习单元118被进一步配置为根据确定的平面参数生成MSP。在另一实施方案中,学习单元118被配置为生成TVP的多个估计作为TVP候选。在特定实施方案中,通过改变最佳TTP的平面参数和MSP的平面参数来生成多个TVP候选,使得多个TVP候选中的每一个平行于最佳TTP且正交于MSP。在这种实施方案中,学习单元118被进一步配置为接收第二深度学习网络,该第二深度学习网络被配置为确定最佳TVP。另外,学习单元118被配置为通过由第二深度学习网络处理多个TVP候选来估计最佳TVP。第二深度学习网络被配置为生成与多个TVP候选相对应的多个质量得分。多个质量得分中的每一个表示对应TVP候选与3D体积中的期望TVP的接近度。由学习单元118选择多个质量得分中的最小得分,并且将对应TVP候选识别为最佳TVP。
另外,在第一实施方案中,学习单元118被配置为生成多个TCP估计作为TCP候选。可以通过在预定值范围内改变最佳MSP的平面参数和最佳TTP参数来生成多个TCP候选。生成多个TCP候选,使得多个TCP候选中的每一个正交于最佳MSP,或者通过预规定角度跨度内的角度定向到最佳TTP的垂线。另外,学习单元118被配置为通过使用第二深度学习网络处理多个TCP候选来估计最佳TCP。在这种情况下,第二学习网络被进一步配置为确定最佳TCP。学习单元118被进一步配置为基于MSP、TCP和TVP中的至少一者和几何约束,使用第三深度学习网络来确定与胎儿的神经系统相对应的生物计量参数。在一个实施方案中,学习单元118被配置为基于最佳TTP、MSP、TCP和TVP中的一者或多者来确定头围(HC)、双顶径(BPD)、枕额径(OFD)、经小脑径(TCD)、小脑延髓池(CM)和后脑室(Vp)中的至少一者。
诊断单元120可通信地耦接到学习单元118,并且被配置为基于生物计量参数来确定胎儿的神经系统状况。在图1中,神经系统状况大体由附图标号130表示。另外,诊断单元120被配置为使用第四深度学习网络来确定对象分割。第四深度学习网络被训练为使用多个带注释的图像来执行图像分割。另选地,可以训练第四深度学习网络来确定无分割的解剖结构的位置(或存在)。具体地,第四深度学习网络可以被训练为使用界标检测网络或根据一个或多个病理图像对健康图像进行分类的分类网络。在另一实施方案中,诊断单元120被配置为识别分割图像上的位置并且使用卡尺放置算法来执行自动化测量。在一个实施方案中,诊断单元120被配置为将生物计量参数与预定阈值进行比较并且基于该比较来选择诊断选项。在一个实施方案中,选项是指神经系统状况和与神经系统状况相关联的类别。另外,选项可以包括诸如显示神经系统状况并在显示设备上打印类别的动作。
在第二实施方案中,学习单元118被配置为将最佳TVP确定为第一扫描平面。另外,学习单元118被配置为生成与最佳TVP平行的多个TTP候选。学习单元118还被配置为根据TTP中的镰形内突估计中线并且通过中线正交地放置MSP。学习单元118被配置为确定空间中的与MSP正交的多个TCP候选。学习单元118被配置为确定通过平行偏移从TTP围绕镰形内突的中点旋转约三十五度以确定TCP的平面。
在第三实施方案中,学习单元118被配置为将最佳TCP确定为第一扫描平面。另外,学习单元118被配置为生成与最佳TCP平行的多个MSP候选。学习单元118还被配置为根据TCP中的镰形内突估计中线并且通过中线正交地放置MSP。学习单元118被配置为确定空间中的与MSP正交的多个TTP候选。学习单元118被配置为确定通过平行偏移从TCP围绕镰形内突的中点旋转约三十五度以确定TTP的平面。学习单元118还被配置为要与TTP平行的确定TVP。
在第四实施方案中,学习单元118被配置为将最佳MSP确定为第一扫描平面。另外,学习单元118被配置为使用基于解剖学的技术和多个平面中的几何约束来确定TCP。具体地,在一个实施方案中,学习单元118被配置为基于最佳MSP来确定小脑和透明隔腔中的至少一者的位置。另外,由学习单元118确定多个TCP候选。多个TCP候选中的与小脑和透明隔腔中的至少一者正交的平面被视为所需的TCP。学习单元118还被配置为确定与TCP平行并且围绕TCP的镰形内突的中点旋转的TTP。最后,学习单元118还被配置为确定与TCP平行的TVP。
处理器单元124可通信地耦接到存储器单元122,并且被配置为对数据获取单元116、学习单元118和诊断单元120执行控制操作。处理器单元还被配置为控制进/出存储器单元120的数据的存储和检索。在一些实施方案中,处理器单元124还可以辅助执行或可以执行数据获取单元116、学习单元118和诊断单元120的功能。处理器单元124包括图形处理单元(GPU)、一个或多个微处理器和微控制器。处理器单元124还包括专用电路或硬件,诸如但不限于现场可编程门阵列(FPGA)、专用集成电路(ASIC)。尽管处理器单元124被示为单个处理器,但可以使用共同定位或分布在多个位置并且被配置为协同操作的多个计算元件。在替代性实施方案中,处理器单元124可以是云服务或作为服务机制的任何其他计算。
存储器单元122可通信地耦接到数据获取单元116并且被配置为存储超声扫描数据102。另外,存储器单元122还被配置为接收由操作员在扫描期间提供的用户输入128或在扫描程序开始时设置的超声扫描参数。存储器单元120可以被进一步配置为向学习单元118提供输入并且将输出存储在诊断单元120中。存储器单元120可以是单个存储器存储单元或耦接在一起以按照协调方式工作的多个较小的存储器存储单元。在一个实施方案中,存储器单元120可以是随机存取存储器(RAM)、只读存储器(ROM)或闪存存储器。存储器单元122还可以包括但不限于基于磁盘、磁带、或硬件驱动器的存储器单元。可以注意到,存储器单元122的一部分也可以作为硬件单元或作为提供计算和存储服务的云服务设置在远程位置处。在一个实施方案中,存储器单元122可以预加载有深度学习模型、以标记的解剖信息形式的训练数据、以及历史图像数据。在一些实施方案中,训练数据可以被标记有多个属性,诸如但不限于受试者的年龄、区域、性别和医疗状况。
图2是示出根据第一实施方案的经丘脑平面(TTP)的选择的图像200。图像200包括由学习单元(诸如图1的学习单元118)使用初始TTP估计来生成的多个TTP候选204。图像200还包括从多个TTP候选204中选择的TTP候选206。选择TTP候选206以使得TTP候选206具有与多个TTP候选相对应地生成的多个质量得分中的最小得分。可以通过使用第一深度学习网络处理多个候选204中的每一个来生成多个质量得分。可以从存储器单元122检索第一深度学习网络以用于生成多个质量得分。在一个实施方案中,通过使用存储在存储器单元122中的标记的超声图像训练神经网络来生成第一深度学习网络。在该实施方案中,标记信息包括表示TTP候选与期望TTP平面的分开的数值。较低数值指示接近期望的TTP候选,并且较大数值指示TTP候选与期望TTP平面相距的距离增加。还可以注意到,在替代性实施方案中,当最大数值得分指示TTP候选与期望TTP候选接近时,可以选择多个质量得分中的最大得分。训练是在超声波扫描器的离线模式下执行的,并且已训练的深度学习网络存储在存储器单元122中。
图3A至图3C是示出根据第一实施方案的胎脑的扫描平面的选择的图像300、304、312。图像300和304对应于TTP候选(诸如图2中由数字206所指的候选)并且图像312对应于正中矢状平面(MSP)。图像300示出了颅骨302,硬脑膜的脑膜层的大镰刀状新月形折叠320,其在人脑的大脑半球之间的纵裂中垂直下降。使用应用于图像300的分割技术为选定TTP候选206确定颅骨302。图像304是示出颅骨中线的TTP候选图像300的副本。在图像304中,在图像304中还示出了选定TTP候选206的中线大脑镰308和中点306。还使用分割的颅骨图像302确定中点306。在图像304中示出了MSP的法线310。另外,使用分析方程基于所检测的中线大脑镰308和法线310来确定MSP的平面参数。最后,根据计算的参数生成MSP。示出纹理图314的图像312对应于所生成的MSP。图像MSP中的垂直线316示出了对应于图像300的TTP平面。
图4是示出根据第一实施方案的经心室平面(TVP)的选择的图400。图400包括表示在孕妇的超声扫描期间获得的胎脑的图像402。图像402包括使用第一深度学习网络来选择的TTP候选404,如参考图2所解释的。图像402还包括由图1的学习单元118生成的多个TVP候选406。选择多个TVP候选406以使得选定TVP候选平行于选定TTP候选304并且正交于MSP。图像402还包括通过使用第二学习网络评估多个TVP候选406来选择的最佳TVP候选408。在一个实施方案中,评估多个TVP候选406包括由第二深度学习网络处理多个TVP候选406中的每一个以生成第二多个质量得分。由第二学习网络生成的质量得分表示多个TVP候选与最佳TVP候选的接近度。在一个实施方案中,较小得分对应于与最佳TVP候选类似的TVP候选。另外,选择多个第二质量得分中的最小值。选择多个TVP候选中的与最小值相对应的TVP候选作为最佳TVP候选408。在此可以注意,在替代性实施方案中,可以选择多个第二质量得分中的最大值以确定最佳TVP候选408。在一个实施方案中,从存储器单元122检索第二深度学习网络。在一些实施方案中,第二深度学习网络由学习单元118使用训练数据集离线训练,该训练数据集具有存储在存储器单元中的标记的超声图像。
图5是示出根据第一实施方案的TCP的选择的图像500。从与MSP平面正交的多个TCP候选平面中选择TCP平面。另外地,还选择多个TCP候选以使得TCP候选相对于TTP法线504以预定角度跨度内的角度定向。在所示的实施方案中,示出了MSP标准506。图像500包括TTP法线504和MSP法线506的叉积(图5中未示出)。使用第三深度学习网络从多个TCP候选中选择TCP候选。在一个实施方案中,使用第三深度学习网络来处理多个TCP候选中的每一个以生成多个第三质量得分。确定第三质量得分中的最小值,并且选择对应的TCP候选作为最佳TCP。可以从存储器单元122中检索第三深度学习网络。在一个实施方案中,第三深度学习网络可以由学习单元118使用存储在存储器单元122中的训练数据集来离线训练。训练数据集包括由经验丰富的医学专家注释并经临床准确性验证的多个标记的超声图像。可以注意到,在一些实施方案中,可以进一步训练第二深度学习网络以从多个TCP候选中选择最佳TCP候选。
图6是示出根据第一实施方案的用于确定胎儿的神经系统的状况的工作流程的示意图600。示意图600示出了向超声扫描器的操作员提供人工智能指导,以发起使用第一深度学习网络602的对3D体数据608的获取。具体地,第一深度学习网络602为操作员在感兴趣器官上自由导航时获取的不同平面位置提供置信度得分。人工智能指导基于深度学习,该深度学习被配置为生成指示本扫描平面的可接受性的置信度得分以初始化3D体数据608的获取。在一个实施方案中,置信度得分由学习单元118实时生成。人工智能指导辅助操作员到达最佳TTP附近的初始TTP 604。通过将由第一深度学习网络602生成的质量得分与预指定的质量得分范围进行比较来确定初始TTP 604。在替代性实施方案中,人工智能指导基于图像分割技术。在这种实施方案中,第一深度学习网络602是被配置为评估在多个TTP候选内的感兴趣解剖结构的存在的分割网络。初始TTP 604是多个TTP候选中的包括感兴趣解剖结构的最大部分的图像。由第二(和第三)深度学习网络使用最佳TTP附近的初始TTP 604来识别扫描平面,即TVP和TCP。
示意图600还示出了在步骤606处使用第二深度学习网络来生成四个扫描平面。在一个实施方案中,训练第二深度学习网络以生成所有四个扫描平面TTP、TVP、TCP和MSP。在另一个实施方案中,在步骤606处,还使用第三深度学习网络。在这种实施方案中,在还使用第三深度学习网络的情况下,可以训练第二深度学习网络以确定TTP和MSP。在替代性实施方案中,使用几何计算基于分割的TTP确定MSP。可以训练第三深度学习网络以确定TVP和TCP扫描平面。示意图600示出了图像610中的所有四个扫描平面TTP 616、MSP 618、TVP 620和TCP 622。
示意图600还包括自动化测量步骤612,其中使用第四深度学习网络来执行图像分割、参数测量和诊断决策。在一个实施方案中,第四深度学习网络被训练为处理TTP、MSP、TVP、TCP中的一者或多者以执行图像分割。在另一个实施方案中,单独深度学习网络被训练为处理TTP、MSP、TVP和TCP中的每一者以生成相应的分割图像。在一个实施方案中,使用一批像素级带注释的图像来训练第四深度学习网络。使用图像分析技术(诸如但不限于形态过滤器和灰度过滤器)对分割输出进行细化。分割细化还可以使用经典的无监督图像处理技术(诸如但不限于血管性过滤器和灰度形态)来执行。另外,使用(但不限于)卡尺放置技术和基于坐标的测量的一种或多种自动化测量可以用于确定一个或多个诊断参数。在一个实施方案中,将诊断参数与合适的阈值进行比较以确定胎脑状况。在一个实施方案中,卡尺放置算法使用无监督方法来识别对象的定向和对准,并且可以自动预测进行临床测量的位置。
图7是根据示例性实施方案的用于确定胎儿的神经系统的状况的方法的流程图700。该方法包括如步骤702中示出的,在指导的扫描程序期间使用第一深度学习网络来获得与产妇受试者的胎儿相对应的第一扫描平面的初始估计。在此可以指出,有经验的操作员可以通过在感兴趣解剖结构上移动超声探头来手动获得第一扫描平面的初始估计。另选地,经验不足的操作员可以从第一深度学习网络接收指导以选择初始估计,同时在感兴趣解剖结构上移动超声探头。方法还包括如步骤704中示出的,接收与初始估计相对应的产妇受试者的胎儿的3D超声体积。在步骤706中,方法还包括基于3D超声体积和第一扫描平面的初始估计根据第一深度学习网络确定最佳第一扫描平面。在一个实施方案中,确定最佳第一扫描平面包括基于初始估计生成第一扫描平面的多个候选。
此外,步骤706的确定操作还包括使用第一深度学习网络来确定与第一扫描平面的多个候选中的每一个相对应的质量得分以生成多个质量得分。确定最佳第一扫描平面还包括确定多个质量得分中的最小得分。确定最佳第一扫描平面还包括在第一扫描平面的多个候选中选择与最小得分相对应的第一扫描平面候选。在一些实施方案中,多个质量得分中的最大得分可以用于确定最佳第一扫描平面。在此可以注意到,第一扫描平面可以包括TTP、TCP、TVP和MSP中的任何一个。
方法还包括如步骤708中示出的,基于3D超声体积、最佳第一扫描平面和与第二扫描平面、第三扫描平面和第四扫描平面相对应的临床约束中的至少一者,使用对应的第二深度学习网络来确定第二扫描平面、第三扫描平面和/或第四扫描平面中的至少一者。
在一个实施方案中,第一扫描平面对应于TTP,第二平面对应于正中矢状平面(MSP),第三扫描平面对应于经小脑平面(TCP),并且第四扫描平面对应于经心室平面(TVP)。在另一个实施方案中,第一扫描平面对应于TVP,第二扫描平面对应于TTP,第三扫描平面对应于MSP,并且第四扫描平面对应于TCP。在又一个实施方案中,第一扫描平面对应于TCP,第二扫描平面对应于MSP,第三扫描平面对应于TTP,并且第四扫描平面对应于TVP。在另一实施方案中,第一扫描平面对应于MSP,第二扫描平面对应于TCP,第三扫描平面对应于TTP,并且第四扫描平面对应于TVP。
具体地,在一个实施方案中,确定MSP包括分割TTP以基于分割的TTP来颅骨的中线和TTP中点以及基于中线来确定与MSP相对应的平面参数矢量。另外,方法还包括根据所确定的平面参数生成MSP。另外,在另一个实施方案中,确定TVP包括生成多个TVP候选,其中多个TVP候选中的每一个平行于最佳TTP并且正交于MSP。确定TVP的步骤还包括接收被配置为确定最佳TVP的第二深度学习网络,以及通过由第二深度学习网络处理多个TVP候选来估计最佳TVP。
在另一个实施方案中,确定TCP包括生成多个TCP候选。多个TCP候选中的每一个正交于最佳MSP并且以预定角度跨度内的角度定向成垂直于最佳TTP。确定TCP的步骤还包括通过由第二深度学习网络处理多个TVP候选来估计最佳TCP。第二学习网络被进一步配置为确定最佳TCP。在实施方案中,当确定TCP的步骤在TTP之前可用时,在多个TTP候选中发起对平行平面的搜索以确定TTP。
此外,方法包括如步骤710中示出的,基于MSP、TCP和TVP中的至少一者和几何约束,使用第三深度学习网络来确定与胎儿的神经系统相对应的生物计量参数。在一个实施方案中,确定生物计量参数的步骤710包括基于最佳TTP、MSP、TCP和TVP中的一者或多个来确定头围(HC)、双顶径(BPD)、枕额径(OFD)、经小脑径(TCD)、小脑延髓池(CM)和后脑室(Vp)中的至少一者。
方法还包括如步骤712中的,基于生物计量参数确定胎儿的神经系统状况。在一个实施方案中,确定神经系统状况包括将生物计量参数与预定阈值进行比较以及基于该比较来选择与神经系统相对应的选项。在另一个实施方案中,确定神经系统状况包括使用第四深度学习网络来确定对象分割,其中使用多个带注释的图像来训练第四深度学习网络。在又一个实施方案中,确定神经系统状况包括识别目标分割图像上的位置以及使用卡尺放置算法来执行自动化测量。
应当理解,根据任何特定实施方案,不一定能够实现上述所有此类目标或优点。因此,例如,本领域技术人员将认识到,可能以实现或改进如本文所教导的一个优点或一组优点而未必实现如本文可能教导或建议的其他目标或优点的方式来体现或进行本文描述的系统和技术。
虽然已结合仅有限数目的实施方案详细描述了本技术,但应当容易理解,本说明书不限于此类所公开的实施方案。相反,可对本技术进行修改,以结合此前未描述的但与本权利要求的实质和范围相称的任何数量的变型、更改、替换或等同的布置。另外,虽然已经描述了本技术的各种实施方案,但应当理解,本说明书的方面可仅包括所描述的实施方案中的一些。因此,本说明书不应被视为受前述说明的限制,而是只受所附权利要求书的范围的限制。
Claims (19)
1.一种方法,包括:
在指导的扫描程序期间使用第一深度学习网络来获得与产妇受试者的胎儿相对应的第一扫描平面的初始估计,其中所述扫描平面包括经丘脑平面(TTP)、经心室平面(TVP)、正中矢状平面(MSP)或经小脑平面(TCP)中的一者;
接收与所述第一扫描平面的所述初始估计相对应的所述胎儿的三维(3D)超声体积;
基于所述3D超声体积和所述第一扫描平面的所述初始估计根据所述第一深度学习网络确定最佳第一扫描平面;
基于所述3D超声体积、所述最佳第一扫描平面、以及与所述TTP、所述TVP、所述MSP或所述TCP相对应的临床约束中的至少一者,使用对应的第二深度学习网络来确定第二扫描平面、第三扫描平面或第四扫描平面中的至少一者,其中所述第二扫描平面、所述第三扫描平面或所述第四扫描平面中的所述至少一者包括所述TTP、所述TVP、所述MSP或所述TCP中的一者并且与所述第一扫描平面明显不同;
基于所述第一扫描平面、所述第二扫描平面、所述第三扫描平面或所述第四扫描平面中的至少一者以及所述临床约束,使用第三深度学习网络来确定与所述胎儿的神经系统相对应的生物计量参数;以及
基于所述生物计量参数确定所述胎儿的神经系统状况。
2.根据权利要求1所述的方法,其中确定所述最佳第一扫描平面包括:
基于所述初始估计生成多个TTP候选;
使用所述第一深度学习网络来确定与所述多个TTP候选中的每一个相对应的质量得分以生成多个质量得分;
确定所述多个质量得分中的最小得分;以及
选择所述多个TTP候选中的与所述最小得分相对应的TTP候选作为最佳TTP。
3.根据权利要求2所述的方法,其中确定所述第二扫描平面包括:
对所述最佳TTP进行分割以基于所分割的TTP来检测中线大脑镰和TTP中点;
基于所述中线大脑镰来确定与所述MSP相对应的平面参数矢量;以及
根据所确定的平面参数来生成最佳MSP。
4.根据权利要求3所述的方法,其中确定所述第三扫描平面包括:
生成多个TVP候选,其中所述多个TVP候选中的每一个平行于所述最佳TTP且正交于所述MSP;
通过使用所述第二深度学习网络来确定最佳TVP;以及
通过由所述第二深度学习网络处理所述多个TVP候选来估计最佳TVP。
5.根据权利要求4所述的方法,其中确定所述第四扫描平面包括:
生成多个TCP候选,其中所述多个TCP候选中的每一个正交于所述最佳MSP并且以预定角度跨度内的角度定向成垂直于所述最佳TTP;以及
通过由所述第二深度学习网络处理所述多个TVP候选来估计最佳TCP,其中所述第二学习网络被进一步配置为确定最佳TCP。
6.根据权利要求5所述的方法,其中确定所述生物计量参数包括基于所述最佳TTP、所述最佳MSP、所述最佳TCP或所述最佳TVP中的一者或多者来确定头围(HC)、双顶径(BPD)、枕额径(OFD)、经小脑径(TCD)、与小脑延髓池(CM)相关的维度、半球(HEM)和颈褶(NF)、前脑室(Va)、透明隔腔(CSP)或后脑室(Vp)中的至少一者。
7.根据权利要求1所述的方法,其中确定所述神经系统状况包括将所述生物计量参数与预定阈值进行比较以及基于所述比较来选择与所述神经系统相对应的选项。
8.根据权利要求7所述的方法,其中确定所述神经系统状况包括执行图像分割以及使用第四深度学习网络来确定所分割的图像中的对象,其中使用多个带注释的图像来训练所述第四深度学习网络。
9.根据权利要求8所述的方法,其中确定所述神经系统状况包括识别所述对象的位置以及使用卡尺放置算法来执行自动化测量。
10.一种系统,包括:
超声扫描探头,所述超声扫描探头被配置为在指导的扫描程序期间使用第一深度学习网络来获得与产妇受试者的胎儿相对应的第一扫描平面的初始估计,其中所述扫描平面包括经丘脑平面(TTP)、经心室平面(TVP)、正中矢状平面(MSP)或经小脑平面(TCP)中的一者;
数据获取单元,所述数据获取单元通信地耦接到所述超声探头并且被配置为接收由所述超声扫描探头获得的扫描数据;
学习单元,所述学习单元通信地耦接到所述数据获取单元并且被配置为:
从所述数据获取单元接收与所述第一扫描平面的所述初始估计相对应的所述胎儿的三维(3D)超声体积;
基于所述3D超声体积和所述第一扫描平面的所述初始估计根据所述第一深度学习网络确定最佳扫描平面;
基于所述3D超声体积、所述最佳第一扫描平面、以及与所述TTP、所述TVP、所述MSP或所述TCP相对应的临床约束中的至少一者,使用对应的第二深度学习网络来确定第二扫描平面、第三扫描平面或第四扫描平面中的至少一者,其中所述第二扫描平面、所述第三扫描平面或所述第四扫描平面包括所述TTP、所述TVP、所述MSP或所述TCP中的一者并且与所述第一扫描平面明显不同;
基于所述第一扫描平面、所述第二扫描平面、所述第三扫描平面或所述第四扫描平面中的至少一者以及所述临床约束,使用第三深度学习网络来确定与所述胎儿的神经系统相对应的生物计量参数;以及
诊断单元,所述诊断单元通信地耦接到所述学习单元并且被配置为基于所述生物计量参数来确定所述胎儿的神经系统状况。
11.根据权利要求10所述的系统,其中所述学习单元被配置为:
基于所述初始估计生成多个TTP候选;
使用所述第一深度学习网络来确定与所述多个TTP候选中的每一个相对应的质量得分以生成多个质量得分;
确定所述多个质量得分中的最小得分;以及
选择所述多个TTP候选中的与所述最小得分相对应的TTP候选作为最佳TTP。
12.根据权利要求11所述的系统,其中所述学习单元被配置为:
对所述最佳TTP进行分割以基于所分割的TTP来检测颅骨的中线和TTP中点;
基于所述中线来确定与所述MSP相对应的平面参数矢量;以及
根据所确定的平面参数生成所述MSP作为最佳MSP。
13.根据权利要求12所述的系统,其中所述学习单元被配置为:
生成多个TVP候选,其中所述多个TVP候选中的每一个平行于所述最佳TTP且正交于所述MSP;
接收被配置为确定最佳TVP的所述第二深度学习网络;以及
通过由所述第二深度学习网络处理所述多个TVP候选来估计最佳TVP。
14.根据权利要求13所述的系统,其中所述学习单元被配置为:
生成多个TCP候选,其中所述多个TCP候选中的每一个正交于所述最佳MSP并且以预定角度跨度内的角度定向成垂直于所述最佳TTP;以及
通过由所述第二深度学习网络处理所述多个TVP候选来估计最佳TCP,其中所述第二学习网络被进一步配置为确定最佳TCP。
15.根据权利要求14所述的系统,其中所述学习单元被配置为基于所述最佳TTP、所述最佳MSP、所述最佳TCP和所述最佳TVP中的一者或多者来确定头围(HC)、双顶径(BPD)、枕额径(OFD)、经小脑径(TCD)、小脑延髓池(CM)和后脑室(Vp)中的至少一者。
16.根据权利要求10所述的系统,其中所述诊断单元被配置为将所述生物计量参数与预定阈值进行比较以及基于所述比较来选择与所述神经系统相对应的选项。
17.根据权利要求16所述的系统,其中所述诊断单元被配置为执行图像分割以及使用第四深度学习网络来确定所分割的图像中的对象,其中使用多个带注释的图像来训练所述第四深度学习网络。
18.根据权利要求17所述的系统,其中所述诊断单元被配置为识别所述对象的位置以及使用卡尺放置算法来执行自动化测量。
19.一种非暂态计算机可读介质,所述非暂态计算机可读介质具有使得至少一个处理器单元能够进行以下操作的指令:
在指导的扫描程序期间使用第一深度学习网络来获得与产妇受试者的胎儿相对应的第一扫描平面的初始估计,其中所述扫描平面包括经丘脑平面(TTP)、经心室平面(TVP)、正中矢状平面(MSP)或经小脑平面(TCP)中的一者;
接收与所述第一扫描平面的所述初始估计相对应的所述胎儿的三维(3D)超声体积;
基于所述3D超声体积和所述第一扫描平面的所述初始估计根据所述第一深度学习网络确定最佳扫描平面;
基于所述3D超声体积、所述最佳第一扫描平面、以及与所述TTP、所述TVP、所述MSP或所述TCP相对应的临床约束中的至少一者,使用对应的第二深度学习网络来确定第二扫描平面、第三扫描平面或第四扫描平面中的至少一者,其中所述第二扫描平面、所述第三扫描平面或所述第四扫描平面包括所述TTP、所述TVP、所述MSP或所述TCP中的一者并且与所述第一扫描平面明显不同;
基于所述第一扫描平面、所述第二扫描平面、所述第三扫描平面或所述第四扫描平面中的至少一者以及所述临床约束,使用第三深度学习网络来确定与所述胎儿的神经系统相对应的生物计量参数;以及
基于所述生物计量参数确定所述胎儿的神经系统状况。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/372,446 | 2019-04-02 | ||
US16/372,446 US20200315569A1 (en) | 2019-04-02 | 2019-04-02 | System and method for determining condition of fetal nervous system |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111798965A true CN111798965A (zh) | 2020-10-20 |
CN111798965B CN111798965B (zh) | 2024-09-06 |
Family
ID=72662710
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010255399.3A Active CN111798965B (zh) | 2019-04-02 | 2020-04-02 | 用于确定胎儿神经系统的状况的系统和方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20200315569A1 (zh) |
KR (1) | KR102483122B1 (zh) |
CN (1) | CN111798965B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113393456B (zh) * | 2021-07-13 | 2022-04-19 | 湖南大学 | 基于多任务的早孕期胎儿标准切面的自动质量控制方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110054324A1 (en) * | 2009-09-03 | 2011-03-03 | Yun Hee Lee | Ultrasound system and method for providing multiple plane images for a plurality of views |
KR20130072810A (ko) * | 2011-12-22 | 2013-07-02 | 삼성전자주식회사 | 초음파 영상을 이용하여 정중 시상면을 자동으로 검출하는 방법 및 그 장치 |
US20160038122A1 (en) * | 2014-08-05 | 2016-02-11 | Samsung Medison Co., Ltd. | Ultrasound diagnosis apparatus |
CN106102585A (zh) * | 2015-02-16 | 2016-11-09 | 深圳迈瑞生物医疗电子股份有限公司 | 三维成像数据的显示处理方法和三维超声成像方法及系统 |
US20160361045A1 (en) * | 2015-06-15 | 2016-12-15 | Samsung Medison Co., Ltd. | Ultrasonic imaging apparatus and control method thereof |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2449080A1 (en) | 2003-11-13 | 2005-05-13 | Centre Hospitalier De L'universite De Montreal - Chum | Apparatus and method for intravascular ultrasound image segmentation: a fast-marching method |
US20070249935A1 (en) | 2006-04-20 | 2007-10-25 | General Electric Company | System and method for automatically obtaining ultrasound image planes based on patient specific information |
US8556814B2 (en) | 2007-10-04 | 2013-10-15 | Siemens Medical Solutions Usa, Inc. | Automated fetal measurement from three-dimensional ultrasound data |
US20130072797A1 (en) | 2010-05-31 | 2013-03-21 | Samsung Medison Co., Ltd. | 3d ultrasound apparatus and method for operating the same |
KR20120028154A (ko) * | 2010-09-14 | 2012-03-22 | 울산대학교 산학협력단 | 죽상 경화증 진단방법 및 그 장치 |
-
2019
- 2019-04-02 US US16/372,446 patent/US20200315569A1/en not_active Abandoned
-
2020
- 2020-04-02 CN CN202010255399.3A patent/CN111798965B/zh active Active
- 2020-04-02 KR KR1020200040550A patent/KR102483122B1/ko active IP Right Grant
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110054324A1 (en) * | 2009-09-03 | 2011-03-03 | Yun Hee Lee | Ultrasound system and method for providing multiple plane images for a plurality of views |
KR20130072810A (ko) * | 2011-12-22 | 2013-07-02 | 삼성전자주식회사 | 초음파 영상을 이용하여 정중 시상면을 자동으로 검출하는 방법 및 그 장치 |
US20160038122A1 (en) * | 2014-08-05 | 2016-02-11 | Samsung Medison Co., Ltd. | Ultrasound diagnosis apparatus |
CN106102585A (zh) * | 2015-02-16 | 2016-11-09 | 深圳迈瑞生物医疗电子股份有限公司 | 三维成像数据的显示处理方法和三维超声成像方法及系统 |
US20160361045A1 (en) * | 2015-06-15 | 2016-12-15 | Samsung Medison Co., Ltd. | Ultrasonic imaging apparatus and control method thereof |
Non-Patent Citations (1)
Title |
---|
孟璐;王冰;解丽梅;赵丹;: "自动容积导航技术获得胎儿颅脑切面及自动测量参数的可靠性和准确性", 中国医学影像技术, no. 11, 20 November 2018 (2018-11-20), pages 77 - 81 * |
Also Published As
Publication number | Publication date |
---|---|
CN111798965B (zh) | 2024-09-06 |
KR20200117896A (ko) | 2020-10-14 |
KR102483122B1 (ko) | 2022-12-30 |
US20200315569A1 (en) | 2020-10-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fiorentino et al. | A review on deep-learning algorithms for fetal ultrasound-image analysis | |
US11229419B2 (en) | Method for processing 3D image data and 3D ultrasonic imaging method and system | |
US20190021677A1 (en) | Methods and systems for classification and assessment using machine learning | |
EP2365356B1 (en) | Three-dimensional (3D) ultrasound system for scanning object inside human body and method for operating 3D ultrasound system | |
JP7253560B2 (ja) | ニューラルネットワークを用いた案内付き経頭蓋超音波撮像ならびに関連する装置、システムおよび方法 | |
JP2008534082A (ja) | 胎児、新生児及び成体の器官のオペレータに依存しない標準超音波画像を取得及び生成するシステム、方法及び媒体 | |
KR20190061041A (ko) | 이미지 프로세싱 | |
US20210089812A1 (en) | Medical Imaging Device and Image Processing Method | |
Rahmatullah et al. | Quality control of fetal ultrasound images: Detection of abdomen anatomical landmarks using adaboost | |
WO2008035444A1 (fr) | Système de diagnostic de sein à ultrasons | |
WO2008035445A1 (fr) | Système de diagnostic de sein à ultrasons | |
CN111374712B (zh) | 一种超声成像方法及超声成像设备 | |
JP7204106B2 (ja) | 超音波プローブ用ナビゲートシステム、および、そのナビゲート表示装置 | |
CN111481233B (zh) | 胎儿颈项透明层厚度测量方法 | |
BR112020014733A2 (pt) | Método implementado por computador para a obtenção de medições anatômicas em uma imagem de ultrassom, meios de programa de computador, dispositivo de análise de imagem e método de imageamento por ultrassom | |
JP6739318B2 (ja) | 超音波診断装置 | |
CN111798965B (zh) | 用于确定胎儿神经系统的状况的系统和方法 | |
KR20190022185A (ko) | 태아의 신체 계측 방법 및 이를 이용한 태아의 신체 계측 디바이스 | |
CN110604592A (zh) | 一种髋关节的成像方法以及髋关节成像系统 | |
KR101144867B1 (ko) | 인체 내 오브젝트를 스캔하는 3차원 초음파 검사기 및 3차원 초음파 검사기 동작 방법 | |
US20220249060A1 (en) | Method for processing 3d image data and 3d ultrasonic imaging method and system | |
WO2023133929A1 (zh) | 一种基于超声的人体组织对称性检测分析方法 | |
CN114642442A (zh) | 图像分析装置、图像分析方法以及图像分析程序 | |
Shida et al. | Heart position estimation based on bone distribution toward autonomous robotic fetal ultrasonography | |
CN111862014A (zh) | 一种基于左右侧脑室分割的alvi自动测量方法及装置 |
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 |