CN112513674A - 基于器官检测自动动态设置成像参数的超声系统 - Google Patents

Abstract

本公开描述了用于以超声方式检查生物组织的超声成像系统和方法。根据本公开的超声成像系统可以被配置为基于对被扫描的组织的类型的自动识别来自动应用组织特异性成像参数设置(312、314)。可以针对实况图像流(304)中的图像自动执行组织类型识别(315)，并且因此可以在检查期间通过使用神经网络(320)自动地并因此动态地应用对成像设置的调节，从而避免了超声医师在移至解剖结构的不同部分时手动切换预设或调节成像设置的需要。

Description

基于器官检测自动动态设置成像参数的超声系统

技术领域

本公开涉及用于超声地检查生物组织的超声成像系统和方法，并且更具体地涉及被配置为基于器官检测将系统的成像参数自动调节至组织特异性设置的系统。

背景技术

超声成像通常用于对患者的内部组织或器官进行无创成像，例如用于诊断任何数量的不同疾病或对其进展或处置的成功的监测。在执行超声检查时，用户(例如，超声检查医师或临床医师)可能需要经常调节成像参数设置(例如，深度、焦点、频率、增益、TGC、成像模式等)以获得高质量图像。

在典型的系统中，在起始任何超声检查之前，要求用户选择预设，该预设将系统的一个或多个成像参数设置为通常针对所研究的特定器官/组织优化的设置。因此，组织特异性预设(TSP)定义了系统中的成像参数中的一个或多个的设置，其可能适于特定的成像应用。现代成像系统提供了用于在不同TSP之间进行切换的用户接口。可以例如基于换能器应用类型向用户呈现用户选择屏幕，以供用户选择用户认为合适的TSP。由于典型的成像系统中各种各样的TSP的存在，因此用户能够意外地选择不最适用于给定患者的预设。例如，当临床医师在相同的扫描会话期间对患者的多个器官执行检查时，这可能发生，在不同的设置下可能对所述多个器官进行更好成像。而且，在紧急设置中，用户通常没有时间预选合适的TSP，并且最终可能用错误参数执行检查，从而导致欠佳超声图像和不正确的定量测量结果。因此，超声成像系统的设计者和制造商继续寻求对其的改进。

发明内容

本公开涉及用于以超声方式检查生物组织的超声成像系统和方法，并且更具体地被配置为基于器官检测将系统的成像参数自动调节到组织特异性设置的系统。

根据本公开的一些示例，一种超声系统可以包括：探头，其被配置为朝向对象发射超声以生成对象的生物组织的超声图像；以及处理器，其被配置为根据超声系统的多个成像参数生成并使超声成像系统实时显示生物组织的实况超声图像流。

处理器还可以被配置为：实时地从实况超声图像流中接收超声图像，基于生物组织的类型以及在一些情况下一个或多个额外输入参数接收超声图像中的生物组织的类型的识别，针对多个成像参数中的至少一个生成至少一个预测设置，并且将至少一个预测设置自动应用于相应的成像参数以进行随后的实况成像。在一些实施例中，处理器可以采用神经网络来生成(一个或多个)预测设置。在一些实施例中，生物组织的识别由处理器执行，例如使用机器学习模型，例如适当训练的机器学习器官分类模型。在一些示例中，该系统可以任选地另外包括存储器，该存储器存储多个预设，每个预设为超声成像系统的成像参数中的至少一个定义一个或多个设置，并且处理器可以被配置为基于生物组织的类型选择多个存储的预设之一，并且例如在生成至少一个预测设置之前或同时自动应用选定预设以将系统的多个成像参数中的一个或多个调节到由选定的预设定义的设置。在一些示例中，可以例如通过适当训练以根据患者特异性和/或用户特异性偏好来定制预设设置的机器学习模型使用由选定的预设定义的成像设置作为输入来生成预测设置。

在一些示例中，该系统可以利用经适当训练的机器学习回归模型来生成(一个或多个)患者特异性和/或用户特异性设置，其在本文中也称为(一个或多个)预测设置。在一些示例中，可以使用从来自多个超声成像系统的系统日志中提取的数据来训练回归模型。在一些示例中，由超声系统使用的人工神经网络可以被配置为响应于包括生物组织的类型、用户识别信息、患者识别信息以及由选定的预设定义的相应设置的输入而输出至少一个预测设置。在一些示例中，人工神经网络可以包括多个层，包括被配置为接收大小为n+1的输入的第一输入层和被配置为生成大小为n的输出的输出层，并且其中，n等于由选定预设定义的设置的数量。

根据一些示例的以超声方式检查生物组织的方法可以包括：由超声系统的处理器实时地接收来自实况超声图像流的超声图像，接收超声图像中的生物组织的类型的识别，基于超声图像中的生物组织的类型选择存储在超声系统的存储器中的多个预设之一，基于生物组织的类型自动将超声系统的一个或多个成像参数调节到由选定的预设定义的设置，使用人工神经网络针对成像参数中的一个或多个成像参数中的至少一个识别一个或多个用户特异性设置、患者特异性设置或其组合，并根据一个或多个用户特异性设置、患者特异性设置或其组合自动调节至少一个成像参数以进行后续实况成像。

本文描述的方法中的任一项或其步骤可以体现在包括可执行指令的非瞬态计算机可读介质中，该可执行指令当被执行时可以使医学成像系统的处理器执行本文体现的方法或步骤。

附图说明

图1示出了根据本公开的一些示例的用于以超声方式检查生物组织的过程的流程图。

图2是根据本公开的原理的系统的框图。

图3是根据本公开的用于超声成像系统的处理器的框图。

图4示出了根据本公开的用于在超声成像系统中训练和部署人工神经网络(或机器学习模型)的方法。

图5示出了根据本公开的示例神经网络架构的图示，该示例神经网络架构可以用于实现解剖结构分类模型。

图6示出了根据本公开的示例神经网络架构的图示，该示例神经网络架构可以用于实现设置预测模型。

图7A和7B示出了超声系统日志的部分，其捕获在超声扫描期间进行的设置调节，其可以用于编译用于根据本公开的设置预测模型的训练数据。

图8示出了根据本公开的从系统日志提取的数据的图，更具体地示出了作为时间的函数绘制的三个示例性成像参数的变化。

图9示出了根据本公开的用于在训练设置预测模型中使用的输入参数的表。

图10A、10B和10C示出了根据本文的一些示例的用于在示例超声系统上手动选择预设的图形用户接口的屏幕捕获。

图11A和11B示出了两种不同类型的组织的超声图像以及适于对所图示类型的组织进行成像的对应成像设置。

图12A、12B和12C示出了超声图像的示例，其图示了正确或不正确的成像参数的使用对图像质量的效应。

具体实施方式

某些实施例的以下描述本质上仅仅是示例性的，而绝不旨在限制本发明或其应用或用途。在对本系统和方法的实施例的以下详细描述中，参考了附图，所述附图形成本文的部分并且通过说明示出了其中可以实践所描述的系统和方法的特定实施例。足够详细地描述了这些实施例，以使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，并且可以在不背离本系统的精神和范围的情况下进行结构和逻辑改变。此外，为了清楚的目的，当某些特征的详细描述对于本领域技术人员而言将是显而易见的时，将不讨论它们，从而不使本系统的描述模糊。因此，以下详细描述不应被视为具有限制意义，并且本系统的范围仅由所附权利要求限定。

超声成像系统包括多个可重新配置的成像参数，其控制例如图像上的亮度/对比度(增益)、超声波束聚焦的深度、成像频率、时间增益补偿(TCG)、用户模式(即基频成像、组织谐波成像和复合成像)以及彩色多普勒定量的流速范围。其他成像参数可以包括焦点(或焦点区)、线密度、持久性、显示(或压缩)的动态范围等。人体的不同器官和结构能够需要非常不同的成像参数，并且成像参数的正确选择对最终用户(例如放射科医师)而言对输出图像的可读性和解释具有很大的影响。例如，如图10A-C所示，对于给定的成像应用(例如，腹部、乳房和心脏)，在典型的现代超声系统上(在该示例中，在由PHILIPS以商标名称EPIQ出售的超声成像系统上)，多种不同的预设可能对给定换能器类型可用。图10A示出了用于在用于腹部成像的可用预设之间进行选择的用户接口，所述腹部成像常常使用PHILIPS C5-1曲线探头来执行。如所图示，六个不同的预设1010可用于腹部成像，六个预设1012用于产科成像，两个预设1014可用于妇科成像，并且一个预设1016用于儿科腹部检查，以及额外任选预设1018(例如，WHC TDI、干预等)用于其他成像应用。图10B示出了用于在用于浅表或乳房成像的可用预设之间进行选择的用户接口，所述成像常常使用PHILIPS L12-5线性探头来执行。如所图示，多种不同的预设1022可用，包括乳房、甲状腺、睾丸、浅表、肌肉骨骼(MSK)普通和浅表、腹部肠、小儿腹部、产科普通以及用于血管应用(例如颈动脉、静脉、动脉、浅表)的各种预设。图10C示出了用于与PHILIPS S5-1扇形阵列探头相关联的预设的选择接口，其可以用于心脏成像，并且因此可以在该示例性系统上与用于超声心动图应用(例如，成人回波、回波笔)的预设1024以及用于其他成像应用(例如，腹部普通、成人普通、儿科等)的预设1026相关联。

成像参数设置可以控制成像的定性方面(例如，显示的动态范围、深度、成像频率等)和成像的定量方面(例如，流速)，并且理想的定性和定量成像参数可以从器官到器官变化。例如，如图11A和11B所示，与腹部肾预设(图11A中的1110)和OB心脏预设(图11B中的1120)相关联的血流速度(参见范围1112和1114)非常不同。更具体地，对于腹部肾成像，血流范围1112可以是约±18cm/s，而在OB胎儿心脏检查中，血流范围1114可以高得多，高达约±38.5cm/s。当执行定量测量时，血流速度的范围是重要的参数，其需要准确设置以便避免多普勒图像中的混叠伪影。当血流的峰值速度快于多普勒刻度上设置的多普勒频移时，出现混叠。因此，选择具有正确血流范围的适当预设确保将在成像期间使用具有适当脉冲重复频率(采样速率)的适当脉冲序列。相反如果使用了错误的预设并记录了混叠信号，则峰值流速将在混叠信号中被截断，从而引入错误并潜在导致误诊。图12A-C示出了心脏图像的另外的示例，其图示了输出图像的不正确的成像参数的效应。图12A示出了相对差质量图像，其表现为由于腹部TSP的错误使用导致的模糊心脏壁、低图像对比度和强的杂波伪影。图12B示出了通过选择正确的预设并因此应用适当的成像参数设置而改进的图像质量。图12C图示了甚至针对给定的成应用适当选择的预设，通过预设应用的设置的另外的微调可以改进器官特异性设置以用于图像质量的进一步改进，其可以利用根据本公开的自适应TSP模型来实现。

超声扫描器上可用的TSP使用由制造商提供的基于群体的设置。一旦由用户做出选择，他们非常经常不得不保持调节参数以匹配每个患者的声学性质。由于成像系统中各种各样TSP的存在，因此用户能够在检查期间无意中使用了预设，这对于特定的成像应用而言并不理想或不是最佳的。例如，在时间会很关键的紧急护理设置中，临床医师在检查不同器官时可能没有时间切换TSP。另外，用户常常相应地在解释和读取超声图像时根据他们自己的喜好为每个患者定制预编程的成像参数。不同的用户可能为相同患者选择非常不同的设置，并且有时用户可能将定制的系统设置保存为他们的专用TSP。在一些情况下，可能由给定用户优选这些定制或用户特异性TSP，超过预先编程的(出厂默认)TSP。

如上所述，许多类型的换能器可用于在超声检查中使用。例如，可以设计不同类型的换能器以对身体的不同器官进行成像和/或用于特定临床应用。在一些情况下，相同换能器可以用于对不同器官进行成像，并且可以配备有若干检查特异性成像预设。在超声成像的每日实践中，超声检查医师必须进行初始成像设置的预先选择以开始超声检查，因此通常在开始任何检查之前需要TSP选择。用户通常必须浏览整个可用预设列表，并且然后为当前检查选择一个。此外，由于可用的TSP基于一般群体(例如，出厂默认预设通常优化用于各种各样的患者)，因此超声检查医师可能必须用扫描器上的各种按钮和旋钮来调节选定的预设的设置以为当前患者找到成像参数的正确组合。这些流程会很耗时，并且在紧急情况下特别不期望，其中，时间通常是关键的，并且在检查期间对系统的这种类型的重新配置会占用宝贵的时间，其否则应该专门用于照顾患者。

根据本公开的超声成像系统可以被配置为检测错误选择的预设并自动应用正确的预设，正确的预设是由系统确定为当前扫描的最佳预设的预设(例如，最适合于当前探头、成像应用或器官、患者、用户等)。可以通过首先识别被成像的器官的类型并且然后为该器官检索适当的预设来实现对正确预设的自动选择。该识别和预设选择可以在检查期间周期性地执行，例如，在扫描患者时连续地执行，使得如果超声检查医师在不切换预设的情况下移动以对另一器官成像，则系统将自动检测变化并应用适当的预设。

在一些示例中，系统还可以被配置为将系统的成像参数的设置(例如，由给定TSP应用的设置)调整或调节为由系统确定为更适合于被检查的特定患者的设置和/或由系统确定为更适合于系统的当前操作者(例如，执行检查的超声检查医师)的设置。为此，系统可以被配置为从包含先前设置的数据存储中识别用户特异性设置(例如，检索和隔离与特定当前用户相关联的定制设置)和患者特异性设置(例如，先前用于相同患者和相同器官的设置)，并且自动将当前设置调节为检索到的用户特异性和/或患者特异性设置。术语器官检测或识别可以暗示识别所检查的特定器官(例如，心脏或肝)或更一般地组织的类型(例如，肾、肝、血管、乳房组织等)。

图1示出了根据本公开的原理的用于在实况成像期间的超声成像系统(例如，超声扫描器101-j)的自动重新配置(例如，调节成像参数设置)的示例过程100的流程图。超声扫描器101-j可以被配置为从朝向生物组织发射的超声采集并生成生物组织的实况图像。如图1所示，初始地，可以利用对于给定的成像应用可能不理想的成像设置来采集图像。如所描述的，除了执行回波信号的常规信号和图像处理(例如，出于产生图像的目的)之外，该系统还可以并行地将实况图像中的一幅或多幅耦合到处理器以识别被成像的组织的类型。可以由系统使用组织的类型的识别来自动选择和应用组织特异性成像参数，从而避免了操作者在移至解剖结构的新区域时手动在预设之间进行切换的需要。过程100可以在框110处通过在处理器中接收超声图像而开始，该处理器实现被配置为识别被成像的组织的类型的组织识别模块(也称为检测模块)。可以使用至少一个适当训练的人工神经网络(或机器学习模型)来实现组织识别模块。超声扫描器101-j的处理器可以使用具有任何合适的架构的机器学习模型(例如，如图1的示例中所示的卷积神经网络)，其被训练用于识别在输入超声图像中表示的组织的类型的任务。机器学习模型可以驻留在超声扫描器101-j上或通信地耦合到超声扫描器101-j的远程计算设备上。

在框112处，该过程通过识别被成像的组织的类型并为所识别的组织的类型选择组织特异性预设来继续。如所描述的，识别可以由驻留于超声扫描器101-j上的处理器来执行，其实现(即，执行处理器可执行指令)机器学习分类模型。在一些示例中，识别可以由远程(例如，基于网络或基于云的)处理器执行，并且组织类型的识别可以由超声扫描器101-j的本地处理器实时接收。在框114处，基于所识别的组织的类型选择的组织特异性预设被自动应用以调节超声扫描器101-j的成像参数设置以用于随后的实况成像(在框116处)。因此，使用自动重新配置的成像设置发生由超声扫描器101-j进行的随后的实况成像(例如，图像数据的采集和显示)(在框116处)。如所描述的，过程100可以在后台实时运行(即，在正执行对象的实况扫描时)，因此，当操作者移动探头以对对象的不同解剖结构成像时，系统实时地识别在图像数据中表示的解剖结构，选择合适的TSP，并自动应用TSP定义的设置来调节系统的成像参数，而无需用户参与(即，TSP的手动选择或个体设置的手动调节)，因此将用户的注意力释放到患者护理。

还如图1所示，基于器官检测的系统的重新配置可以备选地或额外地涉及基于预测的设置的系统的自动重新配置。预测设置可以是系统确定的设置，例如利用适当训练的神经网络，所述适当训练的神经网络对应于特定用户和/或患者的优选或最佳设置。在一些示例中，可以在TSP的选择之后应用预测设置，如上所述，诸如以进一步微调超声扫描器101-j的成像设置。在一些示例中，可以省略选择和应用TSP的步骤，并且组织识别可以仅仅用于启动如本文所述的设置预测过程。例如，组织识别可以是预测过程的前期步骤，因为组织的类型可以是设置预测模型的输入。在一些示例中，组织识别可以跟随有适当的TSP的选择，并且由TSP定义的设置可以用作对组织的类型的替代或补充的设置预测模型的输入。设置预测模型120可以包括至少一个神经网络，其暗示一个或多个适当布置的神经网络，并且被训练以输出与用户优选的和/或患者特异性设置相对应的成像参数设置。这些用户特异性设置、患者特异性设置或其组合(统称为预测设置)可以自动应用(在框122处)到超声扫描器101-j，使得系统的后续的实况成像根据预测的设置发生，直到由用户或系统进一步调节。如所描述的，在一个示例中，一旦在框112处识别出组织类型，则将组织的类型以及用户识别和患者识别信息提供给设置预测模型(框120)。可以使用适当训练以预测一个或多个优选设置的任何合适的人工神经网络架构(例如，机器学习回归模型)来实现设置预测模型120。在一些示例中，可以使用历史数据(例如，来自由相同操作者执行的和/或一个或多个复发患者的多次先前扫描的系统日志)来训练该模型120。设置预测模型120可以被配置为接收用户识别信息、患者识别信息(如框113所示)、组织类型以及由TSP定义的设置中的一个或多个的任何组合作为输入。用户识别信息可以包括例如用户ID，该用户ID可以诸如在检查开始时由用户通过一些其他方式(例如，经由语音输入、生物特征扫描或扫描用户的徽章)来键入或提供。患者识别信息可以包括可以用于识别患者的任何信息，例如患者姓名、医学记录ID、出生日期等，该信息也可由用户输入或由超声系统以其他方式接收，如下文进一步描述的。在框120处由设置预测模型输出针对一个或多个对应成像参数的一个或多个预测设置，并且预测设置自动应用于超声扫描器101-j以影响利用超声扫描器101-j的后续实况成像。

因此，根据本公开的原理的以超声方式检查生物组织的方法可以包括由超声系统的处理器实时接收来自实况超声图像流的超声图像，接收超声图像中的生物组织的类型的识别，基于超声图像中的生物组织的类型选择存储在超声系统的存储器中的多个预设之一，基于生物组织的类型将超声系统的一个或多个成像参数自动调节为由选定的预设定义的设置，使用人工神经网络针对成像参数中一个或多个中的至少一项识别一个或多个用户特异性设置、患者特异性设置或其组合，并根据一个或多个用户特异性设置、患者特异性设置或其组合自动调节至少一个成像参数，以进行后续实况成像。

还如图1所示，过程100还可以包括设置预测模型120的训练(在框115处)。可以使用从患者记录中提取的数据(其可以存储在电子病历数据库119中)从由多个超声成像系统(例如，超声扫描器101-1、101-2到101-m，可能包括超声扫描器101-j)产生的系统日志中提取的数据来训练模型120。系统日志可以存储在任何合适的数据存储设备中(例如，日志存储库117，其可以是医学设施的影像归档和通信系统的部分，或者是有线或无线联网数据存储设备的任何组合)。

图2示出了根据本公开的一些示例的系统200的框图。图2中的系统可以至少部分地体现并且用于执行过程100或其任何子过程。图2示出了超声数据采集单元210，包括超声换能器或探头211、波束形成器220、控制器224和信号处理器222。图2还示出了用户接口236，其包括显示器238、存储器229和至少一个图像数据处理器223，它们全部例如经由数据总线226通信地耦合到超声数据采集单元210。图2所示的系统200的部件及其布置仅是说明性的，并且预期诸如组合、重新布置、添加或移除部件的变型。

超声数据采集单元210可以被配置为采集超声图像数据232，超声图像数据232可以响应于处理器223而实时显示在显示器238上(即，当通过对对象进行超声扫描来采集图像数据时)。因此，处理器223可以被配置为生成并使得系统(即显示器238)实时显示生物组织216的实况超声图像流。根据超声系统的成像参数(例如，深度、焦点、增益、动态范围等)生成并显示图像。该系统还可以以一方式(例如，捕获模式)操作，其中，实况流的部分被同时记录在系统的存储器229中的影像回放部中，例如，以用于将来的离线检查。系统200可以通信地连接(例如，经由有线或无线连接)到外部存储设备235，以用于检索图像数据或其他信息并且用于长期存储所采集的图像数据(例如，静止图像或影像回放)。在一些示例中，可以检索外部数据并且存储还可以由基于云的计算设备239提供。

超声数据采集单元210可以包括典型的超声扫描器的一些或全部部件。例如，超声数据采集单元210可以包括超声换能器或探头211，其包括超声传感器阵列212。传感器阵列212被配置为向生物组织216(例如肝、肾、乳房、心脏组织或对象的其他类型的生物组织)发射超声214并检测来自其的回波218，以对组织216进行超声成像。可以在不同的检查中扫描不同类型的组织，并且因此系统200可以配置为接收(例如，响应于用户输入和/或处理器实行的图像数据分析)组织类型的指示，在优选示例中，由超声系统200进行组织的类型的确定。

可以使用各种换能器阵列，例如，线性阵列、弯曲阵列或相控阵列。阵列212例如可以包括换能器元件的二维阵列，其能够在仰角和方位角维度两者上进行扫描以进行2D和/或3D成像。超声数据采集单元210包括信号处理器222，信号处理器222可以与传感器阵列212容纳在一起，或者它可以与传感器阵列212物理上分离但是通信地耦合到传感器阵列212(例如，经由有线或无线连接)。例如，阵列212可以位于手持式探头中，而信号处理器222可以位于超声系统基座230中，在一些情况下，超声系统基座230可以体现在诸如平板电脑的便携式计算设备中。

阵列212可以经由配置成控制阵列212的操作的波束形成器220耦合到系统基座230。在一些实施例中，波束形成器220可以包括一个或多个波束形成器(例如，微波束形成器与超声系统基座中的主波束形成器组合，或发射和接收微波束形成器和/或主波束形成器的组合)。波束形成器220可以被配置为控制由阵列212对超声的发射和回波信号的接收。在一些实施例中，波束形成器220可以包括微波束形成器，其可以与超声阵列在探头中共定位并对传感器元件的组进行操作，以用于由超声传感器阵列212的传感器元件的组对信号的发射和/或接收。在一些实施例中，微波束形成器可以耦合到发射/接收(T/R)开关(未示出)，其可以被配置为在发射和接收之间切换以保护主波束形成器免受高能量发射信号的影响。在一些实施例中，例如在便携式超声系统中，系统的T/R开关和其他元件可以被包括在超声探头中而不是系统基座230中。超声基座通常包括软件和硬件部件，包括用于信号处理和图像数据生成的电路，以及用于提供用户接口的可执行指令。在一些实施例中，超声探头可以经由无线连接(例如，WiFi、蓝牙)或经由有线连接(例如，可以被配置用于并行或串行数据传输的探头线缆)耦合到超声系统基座。

系统200可以包括一个或多个处理部件，以用于根据由阵列212检测到的回波生成超声图像。例如，系统200可以包括：信号处理器222，其可以被配置为处理从换能器211接收到的回波信号以用于生成超声图像数据；以及至少一个图像数据处理器223，以用于在系统200的显示器238上呈现超声图像数据(例如，超声图像232)。超声数据采集单元210可以包括或操作地耦合到用户接口236，用户接口236可以与容纳信号处理器222的系统基座230集成在一起或以其他方式物理连接到该系统基座230。在一些实施例中，用户接口的至少一些部件可以无线连接至信号处理器222。

用户接口236可以包括用于显示超声图像232以及在一些情况下交互式图形用户接口(GUI)部件的显示器238。用户接口236还可包括用于控制系统200的(一个或多个)操作的一个或多个用户控件237。在一些实施例中，(一个或多个)用户控件237可包括一个或多个硬控件(例如，按钮、旋钮、转盘、编码器、鼠标、轨迹球等)，它们可以被提供在系统基座230的控制面板上。在一些实施例中，(一个或多个)用户控件237可以额外地或备选地包括触摸敏感显示器上提供的软控件(例如，GUI控件元件或简单地GUI控件)。系统200还可以包括本地存储器229。本地存储器可以由一个或多个硬盘驱动器、固态驱动器或包括非易失性存储器的任何其他类型的合适的存储设备提供。本地存储器229可以被配置为存储图像数据、可执行指令或系统200的操作所需的任何其他信息。在一些示例中，系统200还可以通信地(经由有线或无线连接)连接到外部存储器(例如，存储设备235，诸如影像归档和通信系统(PACS)的存储设备、基于云的计算设备239或其组合)。

信号处理器222可以通信地、操作地和/或物理地耦合到传感器阵列212和/或波束形成器220。信号处理器222可以被配置为接收表示由传感器阵列212检测到的超声回波218的未滤波和杂乱的超声数据。根据该数据，信号处理器222可操作于生成超声图像数据，该超声图像数据可以例如由处理器223适当地布置成图像232以进行显示。例如，信号处理器222可以被配置为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分量分离以及谐波信号分离。信号处理器222还可以执行额外的信号增强，例如斑点减少，信号复合和噪声消除。信号处理器222然后可以例如通过采用幅度检测或用于身体中的结构的成像的任何其他已知的或以后开发的技术，从分量信号产生B模式图像数据。可以通过扫描转换来进一步处理B模式图像数据，例如，以其以期望的图像格式被接收的空间关系布置信号。例如，扫描转换可以将信号布置成二维(2D)扇形格式或者椎体或其他形状的三维(3D)格式。B模式图像数据可以备选地或额外地由多平面重新格式化器处理，该多平面重新格式化器被配置为将从身体的体积区域中的公共平面中的点接收的回波转换成该平面的超声图像(例如，B模式图像)，例如如美国专利US 6443896(Detmer)中所描述的。系统200的一个或多个处理器(例如，处理器222或223)可以额外地或备选地生成B模式图像数据(即，如从给定参考点观察到的3D数据集的图像)的体积绘制，例如如美国专利US 6530885(Entrekin等人)中所描述的。

当操作者以超声方式扫描组织216时可以实时执行信号处理和图像数据的生成，使得图像数据可以被显示为对象的实时(或实况)图像。备选地，图像232可以根据存储在与系统200相关联的存储器(例如，本地或外部存储器)中的先前采集的图像数据来生成。如上所述，超声数据采集单元210可以包括控制器224，其可以被配置为设置系统200的成像参数，例如，以控制由阵列212对信号的发射和接收，以及系统200的某些信号和图像处理功能。除其他事物外，控制器224可以控制或设置系统200的成像参数，可以由波束形成器220利用该设置来控制阵列的元件的激发，以用于由阵列212对信号的发射和检测。由控制器224应用的设置也可以影响所采集的超声数据的信号和图像处理，例如通过控制用于图像的显示的压缩的动态范围，或其他图像处理或显示设置。如所描述的，在波束形成器的控制下，来自换能器阵列212的超声脉冲的发射可以由发射/接收控制器指导，该发射/接收控制器可以耦合到T/R开关并且可以从用户对用户接口236的操作中接收输入。在电子可操纵阵列的情况下，可以由控制器224控制的另一功能是波束被操纵的方向。波束可以从换能器阵列212径直向前(与换能器阵列212正交)操纵，或者针对更宽视场以不同角度操纵。

如图2所示，数据采集单元210可以通信地连接到至少一个处理器223，处理器223被配置为执行与生物组织的智能(也称为计算机辅助或AI辅助)扫描相关联的功能中的一个或多个，以用于例如基于被扫描的组织的系统的成像参数的自动和动态重新配置，而无需操作者参与成像参数的设置。处理器223可以包括一个或多个处理单元(例如，一个或多个单核或多核CPU，单个GPU或GPU集群或被配置为例如用于并行处理的多个处理器的任何布置)并且被唯一地配置为执行本文所描述的功能。例如，处理器223还可以被配置为从由超声数据采集单元210所采集的实况超声图像流中实时接收超声图像，接收超声图像中的生物组织类型的识别(例如，响应于用户输入和/或由处理器223执行的自动图像数据分析，如本文进一步所描述的)，并基于生物组织的类型使用人工神经网络228生成多个成像参数中的至少一个的至少一个预测设置。然后，处理器223可以将至少一个预测设置自动应用于相应的成像参数以用于随后的实况成像。例如，处理器223可以将命令传送到控制器224以改变系统的声学设置，例如深度、焦点、发射和/或接收频率等，或者到信号处理器222和/或用于将回波信号转换为图像数据以调节其他成像参数(诸如TGC或速度范围(例如，在多普勒成像的情况下)的系统的其他部件，以根据(一个或多个)预测设置调节系统的成像参数，使得(一个或多个)预测设置由系统在后续的实况成像中自动使用，直到由系统或操作者进一步调节。

除了执行与生物组织的智能扫描相关联的功能外，处理器223可以被配置为提供与图像数据的显示相关联的功能，其是相关信息。在一些实施例中，处理器223可以包括显示处理器234，显示处理器234可以另外包括用于生成并使得显示器238与图像数据一起呈现注释的功能，诸如识别所选择的预设的注释，对预设进行的任何调节，诸如，通过突出显示由人工神经网络调节的那些成像参数，和/或简单地列出用于产生正在显示的图像的成像参数中的一个或多个(例如，实时地)。注释也可以被保存(例如，与图像一起存储，或者作为图像上的注释和/或作为伴随所存储的图像的元数据)。在本文的实施例中，显示处理器234可以在被显示在显示器238上之前接收图像数据以用于进一步的增强，缓冲和临时存储。显示器238可以包括使用诸如LCD、LED、OLED或等离子显示技术的各种已知显示技术实现的显示设备。尽管为了说明在图2中将引擎227和显示处理器234显示为单独的部件，但是实际上这些部件(以及本文描述的任何其他处理部件)的功能可以被集成到单个处理器或被布置为一起操作(例如，并行地)的处理器集群中。

如将进一步描述的，处理器223可以包括设置预测引擎227，其可以以软件(例如，源代码或编译/机器指令的形式的可执行指令)和硬件部件(例如，由可执行指令和/或硬连线电路可编程的一个或多个处理器，诸如专门编程以执行引擎227的一项或多项功能的专用集成电路ASIC)的任何合适的组合来实现。引擎227可以包括用于执行参考图1描述的步骤中的一个或多个或本文描述的任何其他处理的功能。在一些示例中，引擎227的功能可以经由处理器可执行指令225实现，处理器可执行指令225在由处理器223执行时配置或编程处理器以执行与生成预测设置(例如，由系统确定以反映患者特异性和/或用户特异性偏好的设置)并自动使这些设置应用于成像系统200相关联的功能。在一些实施例中，如本文进一步描述的，引擎227可以包括神经感知器228的至少一个人工网络(本文中也称为人工神经网络或简单地神经网络)，其被训练以执行引擎227的功能中的一项或多项。具有任何合适的架构(例如，互连层的配置)的任何合适类型的机器学习算法或模型(例如，生成式、判别式、生成式对抗、分类、回归、卷积、或其任何组合)可以用于实现神经网络228。在一些这样的实施例中，神经网络228可以实现机器学习回归模型，该模型基于历史数据(例如，来自先前扫描的系统日志文件)来训练，以识别针对任何给定成像情形的合适的患者特异性和/或用户特异性设置。神经网络228可以具有任何合适的架构，并且因此包括任何合适的布置(例如，卷积层、归一化层、池化层和/或全连接层)中的任何合适数量的输入层、输出层和隐藏节点层。在一些示例中，网络228可以包括一个或多个子网络的布置，其形成被训练以产生(一个或多个)期望结果的更大网络。在另外的示例中，神经网络228可以与额外的编程操作地关联，例如以执行输入数据的预处理和/或网络228的输出的后处理，以由成像系统200使用。

如所描述的，系统200的部件中的一些或全部可以共定位(例如，在系统基座230内)并且通信地连接(例如，经由数据总线226)。额外地或备选地，系统200的部件可以经由一个或多个有线或无线连接被连接到远程部件。例如，系统基座230可以额外地通信地耦合到外部存储设备235，例如医学机构的外部驱动器或PACS存储设备。在一些实施例中，由成像系统200使用的一个或多个神经网络的一些或全部功能可以驻留在诸如云服务器的远程计算设备239中，其可以通信地耦合到系统基座230(例如，便携式系统，诸如基于平板电脑的U/S扫描器)，其被配置为将实况图像传输到云以进行分类和/或其他分析，并接收分类或分析的输出(例如，组织类型的识别)以用于TSP的选择和/或用于系统200的自动重新配置。

如本文中所描述的，在一些示例中，生物组织的识别可以由处理器223执行，例如使用机器学习模型，诸如适当训练的机器学习器官分类模型。因此，尽管出于说明的目的在图2中示出了仅单个神经网络228，但是将理解，处理器223可以使用多个适当连接的神经网络，其可以具有不同的架构并且可以针对不同的最终结果进行训练。例如，如图3所示，处理器300可以包括被训练为解剖结构分类器的神经网络310(或与之通信)，以及被训练为(一个或多个)设置预测器的另一个神经网络320。神经网络310可以被配置为输出被成像的生物组织的类型的识别(例如，器官识别315)，其被耦合到第二神经网络320以用于(一个或多个)设置预测。组织类型识别可以由适当训练的神经网络(诸如，被训练为基于图像中包括的组织的类型对超声图像进行分类的卷积神经网络)执行。

在一些示例中，系统可以任选地包括存储器(例如，本地存储器229，其可以包括存储多个预设(即组织特异性预设或TSP)的任何合适类型的非易失性存储器(例如，只读存储器、可编程只读存储器、电可擦可编程只读存储器、闪存、随机存取存储器或任何其他类型的合适的非易失性存储器)。每个预设可以包括或定义已经确定为(例如，通过测试)适于对给定类型的组织进行成像的成像参数设置的系综。在一些实施例中，处理器223可以被配置为基于生物组织的类型来选择多个存储的预设之一，并且例如在正在生成预测设置之前或同时自动应用选定的预设以将系统的多个成像参数中的一个或多个调节为由选定的预设定义的设置。在一些示例中，由选定的预设定义的设置可以用作神经网络228的输入。在这样的示例中，可以训练神经网络228以输出与任何给定的选定的TSP相关的用户和/或患者特异性设置，并且因此神经网络228可以被视为根据操作者的偏好定制或微调预设，而没有任何操作者参与。

还参考图3，描述了用于超声成像系统的示例处理器300。处理器300可以用于实现根据本公开的超声成像系统(例如，系统200)的处理器(例如，处理器223)中的一个或多个。如图3所示，处理器300接收超声图像304作为输入，超声图像304可以(例如，在实况成像期间)实时耦合到处理器300。即，术语“实况超声图像”可以用于指代来自由系统采集的实况图像流的超声图像。

处理器300可以包括解剖结构分类器310，其被配置为识别在接收到的图像304中表示的生物组织的类型。在一些示例中，解剖结构分类器310是使用机器学习模型(例如，诸如在图5的示例中的机器学习分类模型)来实现的。如所描述的，解剖结构分类器310被配置为识别超声图像304中表示的生物组织的类型，并且将识别315传输给设置预测模型320。在一些实施例中，诸如在机器学习模型的情况下，可以训练解剖结构分类器310以将输入超声图像分类为一个或多个可能的组织或器官分类。在其他实施例中，组织识别可以例如通过除机器学习之外的任何合适的图像处理技术(例如，分割)不同地获得，或者响应于用户输入(例如，通过操作者的语音输入以在操作者将探头移到新位置时听觉地识别正被扫描的解剖结构)而获得。

组织类型识别可以耦合到设置预测模型320，设置预测模型320被配置为输出由处理器例如基于训练预测或确定为适合于对该类型的组织进行成像的一组成像参数。因此，在优选实施例中，可以使用(一个或多个)至少一个适当训练的机器学习模型来实现设置预测模型320，例如使用机器学习回归模型(例如，如参考图6-9所描述的)。设置预测模型320可以接收组织类型、用户识别信息、患者识别信息以及系统的一个或多个当前成像设置的任意组合作为(一个或多个)输入。在图3的示例中，设置预测模型320接收组织类型315以及(一个或多个)用户识别输入306、(一个或多个)患者识别输入308和当前设置(例如，由系统自动地或响应于用户输入而选择的TSP设置312)作为输入。如本文所描述的，训练设置预测模型320以输出一个或多个预测设置314，其然后可以自动应用以重新配置超声成像系统，诸如通过将它们耦合到系统的一个或多个控制器301。当处理器300在后台执行组织类型识别和设置预测时，可以避免操作者参与设置适当的成像参数的需要和/或处理器可以用于再次检查已经选择了适当的成像设置。在后者情况下，如果处理器300确定应当应用不同组成像参数设置而不是选定的设置，并且处理器300不在自动重新配置模式下操作，则系统(例如，系统200)可以另外任选地提供用户反馈以警告用户他们可能正在用不正确的设置进行成像。

在一些实施例中，可以根据题为“用于检索复发患者的成像参数设置的具有人工神经网络的超声系统”的共同未决专利申请中的示例中的任何来获得(一个或多个)患者识别输入306，出于任何目的通过引用将其内容整体并入本文。例如，处理器300可以另外实现或通信地耦合到至少一个额外的神经网络，该神经网络被训练以基于由系统接收的患者识别信息来识别复发患者。复发患者可以与患者ID相关联并且因此患者识别输入308可以对应于患者ID。设置预测模型320因此可以可操作于至少部分地基于患者识别输入308来输出预测设置314。在一些示例中，响应于用户输入，可以向系统(例如，向处理器300)提供患者ID和/或其他患者识别信息(例如，身高、体重、BMI、姓名、出生日期、年龄、性别、病历ID等)。在一些示例中，设置预测模型320可以被配置为接收患者ID和/或其他患者识别信息(例如身高、体重、BMI、姓名、出生日期、年龄、性别、病历ID等)的任何组合作为(一个或多个)患者识别输入308，并至少部分地基于(一个或多个)患者识别输入308输出预测设置。在一些实施例中，设置预测模型320可以包括级联网络(即多个适当连接的子网络)，所述级联网络的部分被训练为基于患者识别信息(例如患者身高、患者体重、患者BMI、患者姓名、出生日期、年龄、性别、患者病历ID等)执行患者识别，并且其与级联网络的(一个或多个)其他部分操作地连接以向其供应患者识别以进行设置预测。

返回参考图3，处理器300可以被配置为基于由解剖结构分类器310识别的组织类型任选地选择预存储的TSP(在选择框316处)。在一些示例中，处理器300可以被配置为从存储器318(例如，超声扫描器的本地存储器)中检索选定的TSP并且使由选定的TSP定义的设置(TSP设置312)被应用到系统，诸如通过将对应的命令耦合到(一个或多个)控制器301。在一些示例中，处理器300可以被配置为备选地或额外地将TSP设置312作为输入耦合到设置预测模型320。因此，在一些示例中，设置预测模型320可以被配置为还部分地基于系统的当前设置(在这种情况下其将是由先前选择的TSP定义的设置)来输出预测设置314。在一些这样的示例中，设置预测模型320可以被配置为接收具有维度n+i的输入向量，其中，n对应于由TSP定义的设置的数量，并且i对应于诸如一个或多个用户识别参数(例如，字母数字用户ID、生物测定ID输入等)和一个或多个患者识别参数(例如，患者姓名、病历ID、患者性别、年龄、体重等)的额外输入变量的数量，并且生成具有维度n的输出向量。

图4示出了根据本公开的原理的用于训练和部署神经网络的过程的框图。图4的左手侧，阶段1图示了神经网络的训练。训练可以涉及起始网络架构412的选择和训练数据414的准备。起始网络架构412可以是空白架构(例如，具有定义的层和节点的布置但没有任何先前训练的权重的架构)或部分训练网络，诸如初始网络，其然后可以进一步定制以用于超声图像的分类。起始架构412(例如，空白权重)和训练数据414被提供给训练引擎410以训练模型。在足够数量的迭代之后(例如，当模型在可接受的误差内表现一致时)，模型420被称为被训练并准备好部署，其如图4的中间所图示，阶段2。图4的右手侧或阶段3，训练模型420被应用(经由推理引擎430)于新数据432的分析，该新数据是在初始训练(阶段1)期间还未呈现给模型的数据。例如，新数据432可以包括未知图像，诸如在患者的扫描期间采集的实况超声图像。经由引擎430实现的训练模型420被用于根据模型420的训练对未知图像进行分类，以输出预测434(例如，输入图像中表示的组织的类型的(一个或多个)分类)。然后，系统可以将预测434(例如，生物组织的类型)用于后续过程440(例如，作为对一个或多个其他机器学习模型的输入，并用于由系统实现动作，例如系统的成像参数的自动重新配置)。

在训练模型420是分类模型的示例中，起始架构可以是卷积神经网络或深度卷积神经网络的架构，其可以训练以执行图像分类、图像分割、图像比较或其任何组合。随着增加的存储医学图像数据量(例如，在PACS或云存储中)，高质量临床图像的可用性正增加，其可以被用于训练神经网络以学习给定图像包含给定组织类型的概率。训练数据414可以包括多个(数百个、常常数千个或甚至更多)注释/标记的图像，也称为训练图像。将理解，训练图像不需要包括由成像系统产生的完整图像(例如，表示探头的完整视场)，而是可以包括标记生物组织类型的图像的斑块或部分。

图5示出了根据本公开的原理的可以被训练以执行超声图像分类的神经网络500的示例架构。神经网络500可以包括任何适当数量和布置的层，包括输入层510、多个中间或隐藏层512(例如，卷积、归一化、池化、全连接或其他类型的层)以及输出层514。输入层510被配置为接收与超声图像502相对应的输入。例如在卷积网络的情况下，中间层512被配置为将多个滤波器应用于层开始的每个连续层的(一个或多个)输入以生成特征图的堆栈，其然后可以提供给全连接输出层512，该输出层被配置为将图像的分类输出为多个可能类别518之一或图像落入可能类别中每个的概率。因此，在一些示例中，输出层514提供具有等于可能的类别518(例如，肝、肾、心脏、肺、乳房、胎儿、血管等)的数量的维度的输出向量504。在一些示例中，网络500可以被配置为提供例如对应于具有最高概率的分类的仅单个分类作为输出。

任何合适的架构，例如ResNet、AlexNet、VGGNet、GoogLeNet或其他，可以用作神经网络500的起始架构。在一些示例中，起始架构(例如，图4中的412)可以是“空白板”网络，其可以从头开始进行训练(即无需进行任何预配置的权重)。如参考图4所描述的，可以将该起始架构和训练数据集提供给训练引擎以训练网络以用于特定任务，在这种情况下，用于将超声图像分类为多个可能的组织类型类别或分类之一。在一些示例中，起始架构可以是部分训练网络，例如在ImageNet数据集上训练的Inception v3网络，可以用作起点，并且然后用仅包括超声图像的另外的训练数据集进行补充训练或微调，从而减少获得适当训练模型的总训练时间。因此，对先前训练网络架构(例如Inception v3)的补充训练涉及细化网络和密集(全连接)层的权重，以提供被配置为生成长度等于训练数据集中表示的不同组织类型的数量的输出向量的多标签分类器。

在一些实例中，根据神经网络500的特定架构，从实况流中检索到的超声图像能够在其能够耦合到神经网络(例如500)以进行分类之前需要预处理。例如，当使用Inceptionv3架构的网络时，实况超声图像可以首先被预处理(例如，一式三份地再现)以提供如由Inception v3架构所需的3通道输入。在一些示例中，传入图像的三重表示可以包括原始采集的图像的整个动态范围的三种不同表示(例如，具有低动态范围图像的高信号、具有低动态范围图像的低信号、以及自适应直方图等于整个动态范围或以其他方式定义的压缩的高动态范围图像)。在一些示例中，超声系统可以天然地输出多通道(彩色或灰度)图像，在这种情况下，可以省略预处理步骤，或者可以执行不同的预处理步骤。因此，取决于在现场(例如，在超声系统200上)部署的架构，与神经网络通信的处理器可以或可以不需要预处理块，如本文所述。如进一步描述的，神经网络500可以包括或操作地连接到后处理块，例如用于选择多个组织类型类别之一(例如，与最高概率值相关联的类别)，其然后可以作为输入提供给下游处理块(例如，图3中的设置预测模型320和/或选择器块316)。尽管在图5中示出了示例网络架构，但是将理解，在其他示例中，其他合适的架构可以用于实现该过程的组织类型检测部件。

图6示出了用于神经网络600的示例架构，其可以用于实现设置预测模型320。神经网络600可以被配置为执行回归以达到一个或多个预测设置622。例如，神经网络可以包括多个全连接层(610-1至610-n)，其中，第一全连接层用作被配置为接收输入向量612的输入层。网络600的最后(或输出)层是回归层620，其被配置为生成输出向量622，该输出向量的个体元素定义系统的个体成像参数的预测优选设置。

图7-9示出了根据本公开的原理的训练机器学习回归模型(例如，神经网络600)的各方面。如所述，可以使用从系统日志文件中提取的设置来训练模型。例如，图7A示出了系统日志700的部分，例如由PHILIPS Ultrasound以商标名EPIQ销售的超声成像系统生成的利用率日志。系统日志可以跟踪对系统所做的任何调节，例如更改成像设置。日志700的该部分示出与给定用户动作相关联的记录信息710、712，例如记录用户动作的类型(例如，预设_激活710以指示对预设的选择)和选定的特定预设(例如，成人回波712)。图7B示出了另一系统日志720的部分，例如，由EPIQ系统生成的工作流程日志。日志720的部分示出了深度参数的改变，例如深度改变事件722-1和722-2，其中，对应的深度值724-1和724-2分别被设置为1和2。

为了准备训练数据，可以根据从系统日志中提取的数据来构建时间序列图。例如，参考图8，可以为系统的个体成像参数(例如，深度、焦点、增益、发射/接收频率、速度范围、动态范围等)生成曲线802。曲线802中的每个绘制作为时间的函数的对应参数的值的变化。在所图示的示例中，曲线802-1示出深度设置的时间序列日志，曲线802-2示出了焦点设置随时间的变化，并且曲线802-3示出增益设置随时间的变化。可以手动或在计算机协助下检查时间序列日志，以识别用户和患者特定组合的优选设置。例如，可以检查曲线以识别曲线中的平稳段，其可以指示用户已经到达优选设置。额外地或备选地，可以恰好在图像冻结、记录和/或存档操作之前检查曲线以识别给定成像参数的值，因此该值可以表示针对用户和患者的特定组合的优选设置。该数据提取过程(其可以是手动的或至少部分计算机自动化的)可以针对用户和患者的数百、数千或更多组合执行以编译训练数据集。在一些示例中，可以将训练数据制成表格，例如如图9的表902所示。因此，每一行904(例如，观察X₁至X_i)可以对应于可以用于训练模型的设置预测模型的输入参数的唯一组合。如所指出的，表902可以包含数百、数千或者甚至更多行904的训练数据。在一些示例中，制表数据的部分(例如，达到5％、达到10％或更多)可以被保留为验证数据和/或测试数据，以用于在部署之前验证和/或测试模型的性能。如所描述的，患者信息数据可以备选地或额外地从其他源中提取，例如从电子病历(EMR)系统和/或从与同系统日志相关联的所存储的超声图像一起存档的注释或元数据中提取。训练数据，例如个体行的输入参数组合，可以提供给模型，并且模型的权重可以迭代更新(例如，通过反向传播)，并且在训练完成后，可以对训练模型进行测试以确认在预期基线精度水平处或之上模型的性能，在这一点上，模型被视为已经适当训练(例如，训练模型420)并准备部署(例如，在诸如系统200的设置预测引擎227的推理或预测引擎430中)。

本文的示例可以改进先前已知超声成像系统，其中，它们提供了处理器实现的技术，以用于对成像系统进行自动重新配置以采集更好质量的图像。根据本文的示例，系统可以响应于操作者扫描对象的不同区域而自动并动态地重新配置自身(例如，应用更好适合的成像参数)。通过一个或多个后台过程来实现这种自动重新配置，该后台过程分析图像数据以识别正被成像的组织类型，针对该组织类型自动选择并应用适当的TSP，并且还自动将由选定的TSP定义的设置调节或适应到系统确定为对被成像的特定用户和/或患者优选的设置。

尽管本文参考超声图像数据描述了从稀疏采样数据产生医学图像的示例，但是将理解，本文的示例同样适用于训练神经网络以从任何成像模态的稀疏数据集产生图像，例如磁共振成像(MRI)、计算机断层摄影(CT)、正电子发射断层摄影(PET)以及几乎任何其他成像模态。

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，应该意识到，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现。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现上述系统和/或方法的信息。一旦适当的设备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所述的系统和/或方法的功能。例如，如果向计算机提供包含适当材料(诸如源文件、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和流程图中概述的各种系统和方法的功能以实现各种功能。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，实现个体系统和/或方法并且协调以上所描述的个体系统和/或方法的功能。

鉴于本公开，应注意，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以任何限制意义被包括。鉴于本公开，本领域普通技术人员可以实现本教导以确定它们自己的技术和实现这些技术所需要的装备，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的功能可以被并入到更少的数目或单个处理单元(例如，CPU)中，并且可以使用响应于可执行指令被编程以执行本文描述的功能的专用集成电路(ASIC)或通用处理电路来实现。

尽管本系统的范例可能已经特别参考超声成像系统进行了描述，但也设想了，本系统可以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。本公开的某些额外优点和特征对本领域技术人员而言在研究本公开内容后能够显而易见，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中间分离和/或执行。

最后，上述讨论仅旨在说明本系统，而不应被解释为将权利要求限制为任何特定实施例或实施例组。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，但是应该意识到，可以由本领域普通技术人员设计出许多修改和备选实施例，而不偏离如在以下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，而不是旨在限制权利要求书的范围。

Claims (21)

1.一种具有在实况成像期间对成像参数的自动设置的超声成像系统，所述系统包括：

探头，其被配置为朝向对象发射超声以生成所述对象的生物组织的超声图像；

处理器，其被配置为根据所述超声系统的多个成像参数来生成并使所述超声成像系统实时地显示所述生物组织的实况超声图像流，其中，所述处理器还被配置为：

从所述实况超声图像流实时地接收超声图像；

接收对所述超声图像中的所述生物组织的类型的识别；

接收患者识别信息、用户识别信息或其组合；

基于所述生物组织的所述类型和所述患者识别信息、所述用户识别信息或其组合来生成针对所述多个成像参数中的至少一个成像参数的至少一个预测设置；并且

将所述至少一个预测设置应用于相应的成像参数以用于对所述对象的随后的实况成像。

2.根据权利要求1所述的系统，其中，所述处理器被配置为使用机器学习回归模型来生成所述至少一个预测设置。

3.根据权利要求2所述的系统，其中，使用从来自多个超声成像系统的系统日志提取的数据来训练回归模型。

4.根据权利要求1所述的系统，其中，所述处理器还被配置为基于针对所述多个成像参数中的所述至少一个成像参数的当前设置来生成所述至少一个预测设置。

5.根据权利要求4所述的系统，其中，所述处理器被配置为将一组输入参数耦合到深度学习模型，所述一组输入参数包括：组织类型识别、针对所述系统的成像参数的多个当前设置以及至少一个用户识别输入和至少一个患者识别输入，所述多个当前设置包括当前深度设置、当前增益设置以及当前焦点设置。

6.根据权利要求1所述的系统，其中，为了生成所述至少一个预测设置，所述处理器被配置为执行经训练的神经网络模型，所述经训练的神经网络模型包括多个层，所述多个层包括第一输入层和输出层，所述第一输入层被配置为接收大小为n+i的输入，所述输出层被配置为生成大小为n的输出，并且其中，n等于由选定的预设定义的所述设置的数量。

7.根据权利要求6所述的系统，其中，所述经训练的神经网络模型包括多个中间全连接层，并且其中，所述输出层是全连接回归层。

8.根据权利要求1所述的系统，其中，所述处理器还被配置为在从所述实况超声图像流接收到所述超声图像的情况下自动确定所述超声图像中的所述生物组织的所述类型。

9.根据权利要求8所述的系统，其中，所述处理器被配置为使用机器学习分类模型来识别所述生物组织的所述类型。

10.根据权利要求9所述的系统，其中，所述处理器被配置为使用具有卷积神经网络架构的机器学习分类模型来识别所述生物组织的所述类型。

11.根据权利要求1所述的系统，还包括存储多个预设的存储器，每个预设定义针对所述超声成像系统的所述多个成像参数中的至少一个成像参数的一个或多个设置，并且其中，所述处理器还被配置为：

基于所述生物组织的所述类型来选择多个存储的预设中的一个；并且

提供选定的预设的所述一个或多个设置作为所述人工神经网络的输入。

12.根据权利要求11所述的系统，其中，所述处理器还被配置为在生成所述至少一个预测设置之前或在生成所述至少一个预测设置的同时将所述超声系统的所述多个成像参数中的对应的一个或多个成像参数自动调节到由所述选定的预设定义的设置。

13.一种对生物组织进行实况超声成像的方法，所述方法包括：

由超声系统的处理器从实况超声图像流实时地接收超声图像，其中，根据所述超声系统的多个成像参数的当前设置来生成所述实况流中包括所述超声图像的超声图像；

接收对所述超声图像中的所述生物组织的类型的识别；

接收患者识别信息、用户识别信息或其组合；

基于所述生物组织的所述类型和所述患者识别信息、所述用户识别信息或其组合来生成针对所述多个成像参数中的至少一个成像参数的预测设置；并且

根据用于随后的实况成像的所述预测设置自动地调节所述多个成像参数中的所述至少一个成像参数的所述当前设置。

14.根据权利要求13所述的方法，其中，所述生成包括将所述生物组织的所述类型和所述患者识别信息、所述用户识别信息或其组合耦合到人工神经网络，所述人工神经网络包括输入层、多个中间层以及输出回归层，所述输入层被配置为接收多维输入向量，所述输出回归层被配置为输出比所述输入向量具有更小维度的多维输出向量。

15.根据权利要求14所述的方法，其中，所述输出层和所述中间层是全连接层。

16.根据权利要求14所述的方法，还包括：从所述超声系统的存储器选择多个预设中的一个预设，每个预设定义针对所述超声成像系统的所述多个成像参数中的至少一个成像参数的一个或多个设置；并且提供选定的预设的所述一个或多个设置作为所述人工神经网络的输入。

17.根据权利要求16所述的方法，还包括在生成所述至少一个预测设置之前或在生成所述至少一个预测设置的同时将所述超声系统的所述多个成像参数中的一个或多个成像参数自动调节到由所述选定的预设定义的设置。

18.根据权利要求13所述的方法，还包括由所述处理器响应于从所述实况超声图像流接收到所述超声图像而确定所述超声图像中的所述生物组织的所述类型。

19.根据权利要求18所述的方法，其中，所述确定包括将来自所述实况流的所述超声图像耦合到另一人工神经网络，所述另一人工神经网络被训练以对输入超声图像执行器官分类。

20.一种包括可执行指令的非瞬态计算机可读介质，所述可执行指令当被执行时使医学成像系统的处理器执行根据权利要求12-19所述的方法中的任一项。

21.一种开发和部署用于根据权利要求13-19所述的方法中的任一项进行实况超声成像的系统的方法，所述方法还包括训练神经网络模型以生成所述预测设置并且将所述经训练的神经网络模型作为处理器可执行指令存储在所述系统的计算机可读介质中，其中，所述训练包括：

从至少一个超声成像系统的系统日志提取多个用户优选设置；

生成多组训练数据，每组包括来自所述多个用户优选设置的至少一个用户优选设置以及与所述至少一个用户优选设置相关联的用户识别参数；

使用所述训练数据的第一子组来实行对所述神经网络模型的训练；并且

使用所述训练数据的第二子组来验证所述经训练的神经网络模型的性能。

Images