CN112603373B - 用于经由超声成像来诊断肌腱损伤的方法和系统 - Google Patents

用于经由超声成像来诊断肌腱损伤的方法和系统 Download PDF

Info

Publication number
CN112603373B
CN112603373B CN202011005534.5A CN202011005534A CN112603373B CN 112603373 B CN112603373 B CN 112603373B CN 202011005534 A CN202011005534 A CN 202011005534A CN 112603373 B CN112603373 B CN 112603373B
Authority
CN
China
Prior art keywords
image
ultrasound
sample
tendon
imaging system
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011005534.5A
Other languages
English (en)
Other versions
CN112603373A (zh
Inventor
朴在英
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.)
GE Precision Healthcare LLC
Original Assignee
GE Precision Healthcare LLC
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 GE Precision Healthcare LLC filed Critical GE Precision Healthcare LLC
Publication of CN112603373A publication Critical patent/CN112603373A/zh
Application granted granted Critical
Publication of CN112603373B publication Critical patent/CN112603373B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • A61B8/5207—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of raw data to produce diagnostic data, e.g. for generating an image
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/45—For evaluating or diagnosing the musculoskeletal system or teeth
    • A61B5/4523—Tendons
    • 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
    • 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
    • A61B8/08—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
    • A61B8/42—Details of probe positioning or probe attachment to the patient
    • A61B8/4245—Details of probe positioning or probe attachment to the patient involving determining the position of the probe, e.g. with respect to an external reference frame or to the patient
    • A61B8/4254—Details of probe positioning or probe attachment to the patient involving determining the position of the probe, e.g. with respect to an external reference frame or to the patient using sensors mounted on the probe
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/44—Constructional features of the ultrasonic, sonic or infrasonic diagnostic device
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
    • 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
    • A61B2505/00—Evaluating, monitoring or diagnosing in the context of a particular type of medical care
    • A61B2505/01—Emergency care
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/45—For evaluating or diagnosing the musculoskeletal system or teeth
    • A61B5/4538—Evaluating a particular part of the muscoloskeletal system or a particular medical condition
    • A61B5/4576—Evaluating the shoulder
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/46—Ultrasonic, sonic or infrasonic diagnostic devices with special arrangements for interfacing with the operator or the patient
    • A61B8/467—Ultrasonic, sonic or infrasonic diagnostic devices with special arrangements for interfacing with the operator or the patient characterised by special input means

Landscapes

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

Abstract

本发明题为“用于经由超声成像来诊断肌腱损伤的方法和系统”。本发明提供了用于使用超声成像仪来诊断肌腱损伤的各种方法和系统。在一个示例中，一种方法可以包括：获取解剖特征的超声图像；经由受过训练的神经网络将所获取的超声图像与样本解剖特征的样本图像配对；基于样本图像确定解剖特征的损伤程度；以及同时显示所获取的超声图像和样本图像。

Description

用于经由超声成像来诊断肌腱损伤的方法和系统
技术领域
本文公开的主题的实施方案涉及医学成像，诸如超声成像，并且更具体地讲，涉及经由超声成像来识别肌腱和诊断其损伤。
背景技术
医学成像系统通常用于对受检者进行监测、成像和诊断。在一些示例中，医学成像系统可以是用于诊断受检者的肩部中的部分或全部肌腱断裂的磁共振成像(MRI)系统。诊断可以包括建议外科手术以修复断裂。然而，MRI系统的成本可能是过高的，并且可能要求大量的医学专业知识以进行操作和从其提供诊断。
超声系统可以提供较便宜的替代方案，但在获得对此类肌腱断裂的准确扫描时存在困难。例如，仅当超声探头的入射角等于或接近90°时，才可以获得肌腱的最佳成像。另外，与MRI系统类似，超声系统对于操作者方面也要求大量的医学专业知识。
发明内容
在一个实施方案中，一种方法可以包括：获取解剖特征的超声图像；经由受过训练的神经网络将所获取的超声图像与样本解剖特征的样本图像配对；基于样本图像确定解剖特征的损伤程度；以及同时显示所获取的超声图像和样本图像。
应当理解，提供上面的简要描述来以简化的形式介绍在具体实施方式中进一步描述的精选概念。这并不意味着识别所要求保护的主题的关键或必要特征，该主题的范围由具体实施方式后的权利要求书唯一地限定。此外，所要求保护的主题不限于解决上文或本公开的任何部分中提到的任何缺点的实施方式。
附图说明
通过参考附图阅读以下对非限制性实施方案的描述将更好地理解本发明，其中以下：
图1示出了根据示例性实施方案的示例性超声成像系统；
图2示出了根据实施方案的用于在超声图像中识别和诊断肌腱的方法的流程图；
图3示出了根据实施方案的用于使用来自陀螺仪传感器的反馈以生成超声图像的方法的流程图；
图4示出了根据实施方案的用于训练神经网络以在超声图像中识别肌腱的方法的流程图；
图5示出了根据实施方案的示出基于来自陀螺仪传感器的反馈来调整转向角的几何考虑的示意图；
图6A和图6B示出了根据实施方案的用于基于来自陀螺仪传感器的反馈来调整转向角的示例性用户界面显示；
图7示出了根据实施方案的示出用于在超声图像中识别肌腱的示例性神经网络的示意图；
图8示出了根据实施方案的分别描绘具有不同损伤程度的肌腱的示例性超声图像；并且
图9示出了根据实施方案的超声成像系统的显示设备的示例性用户界面显示。
具体实施方式
以下描述涉及经由超声成像来识别和诊断受检者的肌腱的各种实施方案。在图1中描绘了用于生成其成像数据的一个示例性超声成像系统。图2描绘了用于使用超声成像系统来识别和诊断肌腱并且然后显示描绘肌腱的超声图像的方法。对应地，图9描绘了超声成像系统的显示设备的示例性用户界面显示，其中可以显示所生成的描绘肌腱的超声图像。
图3描绘了用于使用超声成像系统的超声探头来生成超声图像的方法，其中超声探头可以包括陀螺仪传感器。在图5处示意性地示出了基于来自陀螺仪传感器的反馈来调整超声探头的转向角的几何考虑。图6A和图6B描绘了用于促进转向角的调整的示例性用户界面显示。
图4描述了用于训练示例性神经网络(诸如图7的示例性CNN)的方法。示例性CNN可以接收超声图像并且可以输出在其中识别的肌腱的损伤程度。在图8中描绘了具有不同损伤程度的已成像的肌腱。
图1描绘了根据一个实施方案的系统100的框图。在例示的实施方案中，系统100是成像系统，并且更具体地是超声成像系统。然而，应当理解，本文所阐述的实施方案可使用其他类型的医学成像模态(例如，MR、CT、PET/CT、SPECT)来实现。此外，应当理解，其他实施方案不主动采集医疗图像。相反，实施方案可以检索先前由成像系统获取的图像或超声数据，并且如本文所述分析图像数据。如图所示，系统100包括多个部件。这些部件可彼此耦接以形成单个结构，可为分开的但位于公共房间内，或者可相对于彼此远离。例如，本文描述的模块中的一个或多个模块可在数据服务器中操作，该数据服务器相对于系统100的其它部件诸如探头和用户界面具有不同的和远程的位置。可选地，在超声系统的情况下，系统100可为能够从一个房间(例如，便携式地)移动到另一个房间的单一系统。例如，系统100可包括车轮或在车上被运输。
在例示的实施方案中，系统100包括发射波束形成器101和发射器102，该发射器驱动诊断超声探头106(或换能器)内的元件104(例如压电晶体)的阵列，以将超声信号(例如，连续信号或脉冲信号)发射到受检者的体内或体积(未示出)中。元件104和探头106可具有多种几何形状。超声信号从体内结构(例如，肩部中的肌腱)反向散射，以产生返回到元件104的回波。回波由接收器108接收。接收到的回波被提供给接收波束形成器110，该接收波束形成器执行波束形成并且输出射频(RF)信号。RF信号然后被提供给处理RF信号的RF处理器112。另选地，RF处理器112可包括复合解调器(未示出)，该复合解调器对RF信号进行解调以形成代表回波信号的I/Q数据对。然后，RF或I/Q信号数据可被直接提供给存储器114以进行存储(例如，暂时存储)。系统100还包括系统控制器116，该系统控制器可为单个处理单元(例如，处理器)的一部分或分布在多个处理单元中。系统控制器116被构造成控制系统100的操作。
探头106还可以包括陀螺仪传感器或陀螺仪105以感测探头106的取向。尽管未明确示出，但陀螺仪传感器105可以可通信地耦接到系统控制器116，从该系统控制器可以设置、调整和控制陀螺仪传感器105的一个或多个操作状况。另外，系统控制器116可以能够操作以基于从陀螺仪传感器105接收的信号来实时确定探头106相对于预限定或提供的参考平面的取向。
例如，系统控制器116可包括图像处理模块，该模块接收图像数据(例如，RF信号数据或I/Q数据对形式的超声信号)并且处理图像数据。例如，图像处理模块可处理超声信号以生成用于显示给操作者的超声信息(例如，超声图像)或超声波形(例如，连续或脉冲波多普勒频谱或波形)的二维(2D)切片或帧。当系统100是超声系统时，图像处理模块可被配置为根据对所获取的超声信息的多个可选超声模态来执行一个或多个处理操作。仅以示例的方式，超声模态可包括彩色流、声学辐射力成像(ARFI)、B模式、A模式、M模式、频谱多普勒、声流、组织多普勒模块、C扫描和弹性成像。另外，在一些示例中，一个或多个处理操作可以包括一个或多个图像变换，诸如用于在超声图像中识别线性特征的Radon变换。
当接收到回波信号时，可在成像会话(或扫描会话)期间实时处理所获取的超声信息。除此之外或另选地，超声信息可在成像会话期间临时存储在存储器114中，并且在实时或离线操作中以低于实时的方式进行处理。包括图像存储器120，其用于存储未被安排立即显示的所获取的超声信息的经处理的切片或波形。例如，图像存储器120可以存储用于各种目的(例如，训练一个或多个神经网络、比较进一步处理的切片或波形等)的多个样本的处理的切片或波形。图像存储器120可以包括任何已知的数据存储介质，例如，永久性存储介质、可移除存储介质等。另外，图像存储器120可为非暂态存储介质。
在操作中，超声系统可通过各种技术(例如，三维(3D)扫描、实时3D成像、体积扫描、使用具有定位传感器的探头的2D扫描、使用体素相关性技术的徒手扫描、使用2D或矩阵阵列探头的扫描等)获取数据，例如2D数据集、频谱多普勒数据集和/或体积数据集。超声频谱(例如，波形)和/或图像可以从所获取的数据中生成(在控制器116处)，并且在显示设备118上显示给操作者或用户。
系统控制器116可操作地连接到用户界面122，该用户界面使得操作者能够控制系统100的至少一些操作。用户界面122可包括硬件、固件、软件或它们的组合，使得个人(例如，操作者)能够直接或间接控制系统100及其各种部件的操作。如图所示，用户界面122包括具有显示区域117的显示设备118。在一些实施方案中，用户界面122还可包括一个或多个用户界面输入设备115，诸如物理键盘、鼠标和/或触摸板。在一个实施方案中，触控板可被配置到系统控制器116和显示区域117，使得当用户在触控板的表面上移动手指/手套/触笔时，显示设备118上的超声图像或多普勒频谱上的光标以对应的方式移动。
在示例性实施方案中，显示设备118是触敏显示器(例如触摸屏)，其可检测操作者在显示区域117上的触摸的存在，并且还可识别显示区域117中的触摸的位置。可以通过例如个体的手、手套、触笔等中的至少一者来施加触摸。如此，触敏显示器也可被表征为被配置为接收来自操作者的输入的输入设备。显示设备118还通过向操作者显示信息来将信息从控制器116传送至操作者。显示设备118和/或用户界面122也可进行音频通信。显示设备118被配置为在成像或数据获取会话期间或之后向操作者呈现信息。呈现的信息可以包括超声图像(例如，一个或多个2D帧)、图形元素、显示的图像的测量图形、用户可选择元素、用户设置以及其他信息(例如，管理信息、患者的个人信息等)。
除了图像处理模块之外，系统控制器116还可以包括图形模块、初始化模块、跟踪模块和分析模块中的一者或多者。图像处理模块、图形模块、初始化模块、跟踪模块和/或分析模块可以彼此协调以在成像会话期间和/或之后将信息呈现给操作者。例如，图像处理模块可以被配置为在显示设备118上显示所获取的图像，并且图形模块可以被配置为将指定的图形与所显示的图像一起显示，诸如与图像相关的可选图标(例如，图像旋转图标)和测量参数(例如，数据)。控制器可以包括存储在控制器的存储器内的算法和一个或多个神经网络(例如，神经网络的系统)，用于自动识别和诊断由生成的超声图像所描绘的一个或多个解剖特征，如下面参考图2至图4进一步描述的。在一些示例中，控制器可以包括深度学习模块，该深度学习模块包括一个或多个深度神经网络以及用于执行本文所讨论的深度学习和特征识别的指令。
显示设备118的显示区域117的屏幕由一系列像素组成，这些像素显示利用探头106获取的数据。所获取的数据包括针对显示器的每个像素或一组像素(例如，分配了相同参数值的一组像素)计算的一个或多个成像参数，其中所述一个或多个计算的图像参数包括强度、速度(例如血流速度)、彩色血流速度、纹理、颗粒度、收缩性、变形和变形率值中的一者或多者。然后，这一系列像素组成从所获取的超声数据生成的显示图像和/或多普勒频谱。
系统100可以是用于获取扫描对象(例如，肌腱)的成像数据的医学超声系统。所获取的图像数据可以用于生成一个或多个超声图像，所述一个或多个超声图像然后可以经由用户界面122的显示设备118显示。例如，一个或多个生成的超声图像可以包括一个或多个2D帧。具体地，以上讨论的图像处理模块可以被编程为生成和显示一个或多个2D帧。
通常，超声成像系统对于操作者方面要求大量的专业知识以定向和使用超声探头(例如，106)以便最佳地对解剖特征进行成像、识别和诊断。例如，为了最佳成像，可能期望超声波束满足要以90°角进行成像的解剖特征。换句话说，可能期望调整超声探头的转向角以使得入射角为90°。然而，经由对此类非直观参数(例如，转向角)的用户控制可能难以实现期望的入射角。在一些示例中，此类固有困难可导致欠佳的解剖特征可视化。另外，即使假设最佳成像，某些解剖特征也可能难以识别和诊断，并且具有不同专业知识水平的不同操作者(例如，医学专业人员)可能针对给定解剖特征提供相互矛盾的诊断，从而导致不一致的治疗。例如，解剖特征可以是断裂的肌腱。在对断裂的肌腱进行成像后，一名医学专业人员可能确定75％的肌腱损伤(例如，部分断裂)，并且另一名医学专业人员可能确定100％的肌腱损伤(例如，完全断裂)。
根据本文公开的实施方案，上述问题可以通过用于辅助用户经由超声探头获得超声成像数据，并且基于超声成像数据使用受过训练的神经网络来自动识别和诊断解剖特征(例如，肌腱)的方法和系统来至少部分地解决。来自包括在超声探头中的陀螺仪传感器的反馈可以用于确定超声探头的转向角，然后可以将其呈现给用户。然后，可以使得用户能够调整转向角并且实时优化根据所获得的超声成像数据生成的图像。然后，受过训练的神经网络可以将所生成的图像与描述类似解剖特征(例如，类似受损伤的肌腱)的样本图像配对，由此可以将所生成的图像和样本图像中的每一者同时呈现给用户。在一些示例中，基于样本图像，受过训练的神经网络可以进一步确定由所生成的图像描绘的解剖特征的损伤程度，并且可以为此提供诊断建议。以这种方式，可以经由超声成像系统来减小医学成像的成本，该超声成像系统可以在较少的专业知识和培训的情况下进行操作，并且比常规的磁共振成像系统便宜。另外，通过采用受过训练的神经网络，可能以更一致和可预测的方式获得对断裂的肌腱(或其他受损伤的解剖特征)的诊断。
现在参考图2至图4，描绘了用于经由受过训练的神经网络来识别和诊断已成像的解剖特征的方法。本领域技术人员将理解，尽管参考超声成像来描述图2至图4，但其中描述的一个或多个特征可以适用于其他医学成像技术，并且其中的描述不应当被认为限于超声成像系统。
现在参考图2，描述了用于识别和诊断受检者的肩部中的解剖特征(例如，肌腱)的方法200，该解剖特征由根据从超声成像系统获取的超声成像数据生成的超声图像描绘。此后，可以在显示设备处向用户显示所生成的超声图像。
以下参照图1描述的系统和部件描述方法200，但是应当理解，在不脱离本公开的范围的情况下，方法200可以用其他系统和部件来实现。在一些实施方案中，方法200可以在成像系统100、连接到成像系统100的边缘设备(例如，外部计算设备)、与成像系统通信的云等的任何适当组合中被实现为可执行指令。作为一个示例，方法200可以在计算设备的非暂态存储器中实现，诸如图1的成像系统100的控制器(例如，处理器)。
方法200可以在205处开始，其中可以启动超声扫描。超声扫描可以包括从超声探头(例如，106)的换能器元件(例如，104)发射超声波束。超声波束可以指向受检者(诸如患者)的身体。其中，超声波束可能从解剖特征(诸如患者肩部中的肌腱)回送。本领域技术人员将理解，可能以这种方式相应地对体内的任何肌腱或其他解剖特征进行成像，并且该方法200不应当被理解为限于肩部中的肌腱。
在210处，方法200可以包括从超声成像仪的探头获取超声成像数据。例如，超声成像仪可以是图1所示的成像系统100的一个或多个部件。在此类示例中，探头可以是超声探头106。探头可以用于通过收集从解剖特征回送的超声波束对解剖特征(例如，肩部中的肌腱)进行成像。具体地，所获取的超声成像数据可包括由超声成像仪的探头的换能器元件(例如，图1的元件104)传输的超声波的超声回波。在一些示例中，成像数据可以包括体积超声数据。超声成像数据可以由可通信地耦接到超声探头的控制器(例如，116)接收。此外，超声成像数据可以基于超声探头的一个或多个位置参数，诸如超声探头距肌腱的距离和超声探头相对于肩部的取向。这样，在一些示例中，超声探头还可以包括被配置为向控制器发送反馈的陀螺仪传感器(例如，105)。如以下参考图3所述，系统控制器可以使用反馈来确定超声探头相对于肩部的取向。以这种方式，用户可以基于来自陀螺仪传感器的反馈来手动调整超声探头的转向角(例如，用户可以实时使用所确定的取向来将转向角调整为最佳地用于对解剖特征进行成像的值)。在其他示例中，基于来自陀螺仪传感器的反馈，控制器可以将超声探头的转向角自动调整为最佳地用于对解剖特征进行成像的值。
在215处，方法200可以包括根据超声成像数据生成描绘解剖特征(例如，肌腱)的超声图像。在一些示例中，所生成的超声图像可以是体积的与该体积的目标切片(例如，患者肩部的矢状平面、额状平面或横向平面)相对应的2D图像切片(例如，根据体积超声数据)。如以下参考图3讨论的，可以根据针对质量和清晰度优化的超声成像数据生成超声图像，例如，通过手动或自动调整超声波束的转向角以使得入射角等于或接近90°。
在220处，方法200可以包括确定是否经由受过训练的神经网络确定与所生成的图像最类似的样本图像。受过训练的神经网络可以被配置为将视觉特性与图像内容分离。这样，受过训练的神经网络可以是卷积神经网络，诸如图7的卷积神经网络702。受过训练的神经网络可以包括用于将所生成的超声图像与多个样本图像中的一个样本图像配对的对象检测算法。多个样本图像可以各自是描绘样本解剖特征的样本超声图像切片，使得可以由神经网络将多个样本图像与所生成的超声图像进行比较以确定最类似的样本图像，并且由此将最类似的样本图像与所生成的超声图像进行匹配。所生成的超声图像因此可以是受过训练的神经网络的输入。在一些示例中，入射角可以是受过训练的神经网络的附加输入。例如，受过训练的神经网络可以通过所输入的入射角与最佳值(诸如90°)相距多远来推断生成的超声图像的质量，并且相应地对所生成的超声图像进行加权。入射角继而可以取决于来自陀螺仪传感器的反馈。以这种方式，受过训练的神经网络可以依赖于来自陀螺仪传感器的反馈来确定最类似的样本图像的置信水平。
受过训练的神经网络可以基于最类似的样本图像来识别由所生成的超声图像描绘的解剖特征的一个或多个图像方面。具体地，受过训练的神经网络可以将由最类似的样本图像描绘的样本解剖特征的一个或多个预定图像方面中的对应预定图像方面与由所生成的超声图像描绘的解剖特征的一个或多个图像方面中的每个图像方面配对。在一些示例中，一个或多个图像方面可以包括一个或多个肌腱特征(例如，单独纤维束、部分断裂、完全断裂等)。在一些示例中，多个样本图像中的每个样本图像可以描绘肩部的肌腱。这样，多个样本图像中的一个或多个样本图像可以描绘未受损伤的肌腱(例如，没有部分或完全断裂)，并且多个样本图像中的每个其余样本图像可以描绘具有部分或完全断裂的肌腱。在其他示例中，多个样本图像中的一个或多个样本图像可以描绘不包括肌腱的一个或多个解剖特征(例如，以提供少数类别并且防止神经网络训练的偏置)。
在识别由所生成的超声图像描绘的解剖特征的一个或多个图像方面时，可以在所生成的超声图像上标记一个或多个所识别的图像方面中的每个图像方面。标记可以包括分别对应于一个或多个所识别的图像方面的一个或多个视觉指示符(例如，箭头、圆圈、矩形、高对比度阴影等)的放置。以这种方式，受过训练的神经网络可以在所生成的超声图像内识别并定位解剖特征。
在一些示例中，当给定样本图像与所生成的样本图像的类似度在匹配阈值内时，给定样本图像可以被认为是最类似的样本图像。在此类示例中，可能存在其中多个样本图像的子集在图像阈值内与所生成的超声图像匹配的情况。这样，然后可以将与所生成的超声图像最类似的样本图像确定为与所生成的超声图像具有最高类似度的子集的样本图像。在替代示例中，最类似的样本图像可以是与所生成的超声图像具有最高类似度的样本图像，而与满足匹配阈值无关。在其中多个样本图像中的每个样本图像都不在匹配阈值内与所生成的超声图像匹配(例如，由于不良的超声成像或对多个样本图像中未表示的解剖特征进行成像)的另外示例中，或者例如在经由受过训练的神经网络未识别和标记出图像方面时，不能经由受过训练的神经网络来确定与所生成的超声图像最类似的样本图像。在此类示例中，方法200可以行进到225以在显示设备(例如，118)处生成和显示指示未确定匹配样本图像的通知。然而，在一些示例中，可以显示所生成的超声图像，而与受过训练的神经网络由于未识别出最类似的样本图像而不能够识别和标记所描绘的解剖特征的一个或多个图像方面无关。然后方法200可结束。
返回到220，如果经由受过训练的神经网络确定与所生成的超声图像最类似的样本图像，方法200可以行进到230以基于最类似的样本图像来确定由所生成的超声图像描绘的解剖特征的损伤程度。损伤程度可以是百分比值，其对应于给定解剖特征的损伤的相对量。例如，解剖特征可以是肩部中的肌腱，使得0％的损伤程度可以指示未受损伤的肌腱，50％(或大于0％且小于100％的任何值)的损伤程度可以指示具有部分断裂的肌腱，并且100％的损伤程度可以指示具有完全断裂的肌腱。在一些示例中，可以通过任何种类的数字刻度来测量损伤程度。另外，多个样本图像中的每个样本图像可以分别描绘与样本损伤程度相关联的样本肌腱。这样，多个样本图像的样本损伤程度的范围可以从指示无肌腱损伤到指示完全肌腱断裂。在一些示例中，多个样本图像的样本损伤程度中的每一者可以由一个或多个医学专业人员确定。以这种方式，可以依赖于积累的医学专业知识来确定由所生成的超声图像描绘的解剖特征的损伤程度。
因为分别由多个样本图像描绘的解剖特征可以各自与相应的损伤程度相关联，所以在受过训练的神经网络确定与所生成的超声图像最类似的样本图像后，可以假设最类似的样本图像和所生成的超声图像中的每一者的损伤程度近似相等。也就是说，可以将由所生成的超声图像描绘的解剖特征的损伤程度确定为与最类似的样本图像的样本解剖特征的损伤程度相同。以这种方式，通过将所生成的超声图像与最类似的样本图像配对，受过训练的神经网络最终可以允许确定由所生成的超声图像描绘的解剖特征的损伤程度。
在235处，方法200可以包括在显示设备(例如，118)的显示区域(例如，117)处同时显示所生成的超声图像和最类似的样本图像以及解剖特征的已确定损伤程度的指示。在一些示例中，已确定损伤程度的指示可以是视觉指示符。例如，图形条可以指示已确定损伤程度，其中条的填充可以与已确定损伤程度成比例。因此，在其中解剖特征是肩部中的肌腱的示例中，空条可以指示无肌腱损伤，部分填充条可以指示部分断裂，并且完全填充条可以指示完全断裂。在一些示例中，损伤程度的指示可以是颜色。再次考虑肩部中的肌腱的示例，绿色可以指示未受损伤的肌腱，黄色可以指示具有部分断裂的肌腱，并且红色可以指示具有完全断裂的肌腱。在一些示例中，损伤程度可以与符号相关联，诸如表情符号(例如，“高兴”脸指示没有肌腱损伤，“中性”脸指示部分断裂，“悲伤”脸指示完全断裂等)。另外地或另选地，已确定损伤程度的指示可以包括数值(例如，百分比)或语言描述(例如，“无损伤”、“部分断裂”、“完全断裂”等)。因此，本领域技术人员将理解，在不脱离本公开的范围的情况下，损伤程度可能以多种方式(例如，视觉上、数字上、语言上等)表示。以这种方式，可以向系统(例如，100)的用户自动呈现与最类似的样本图像对准以进行比较的所生成的超声图像。另外，已确定损伤程度的指示可以进一步辅助医学专业人员(例如，系统100的操作者)诊断解剖特征。
在一些示例中，可以在显示设备(例如，118)的显示区域(例如，117)处提供附加信息和/或用户可致动特征。例如，可以显示所生成的超声图像的质量或者与最类似的样本图像的匹配程度的指示。作为另一个示例，可以显示超声波束的转向角和/或该转向角在最佳转向角范围之外(例如，基于确定的入射角)的视觉或语言指示。作为又一个示例，在其中确定多个样本图像的子集在匹配阈值内的情况下，除了最类似的样本图像之外，还可以提供子集中的其余样本图像(例如，作为网格显示，能够从下拉菜单或滚动菜单中选择等)。
作为又一个示例，在240处，方法200可以包括基于已确定损伤程度为解剖特征提供诊断建议以用于在显示设备(例如，118)的显示区域(例如，117)处显示。例如，诊断建议可以包括基于已确定损伤程度来诊断患者的肩部中的肌腱。在一些示例中，可以设置一个或多个诊断阈值以提供对应于不同损伤程度的不同诊断的范围。作为第一示例，针对0％的损伤程度(例如，低于第一诊断阈值)的诊断建议可以是“观望”方法，其中患者监测肩部疼痛并在以后的日期返回提供者。作为第二示例，针对50％的损伤程度(例如，在第一诊断阈值和第二诊断阈值之间)的诊断建议可以是避免对具有受损伤的肌腱的肩部施加过多的应力并且寻求附加的休息。作为第三示例，针对100％的损伤程度(例如，高于第二诊断阈值)的诊断建议可以是用于修复受损伤的肌腱的外科手术。然后方法200可结束。
以这种方式，本公开的实施方案提供了一种用于超声成像系统的方法，其用于获取描绘解剖特征(例如，肩部中的肌腱)的超声图像，以及然后通过经由受过训练的神经网络将超声图像与样本解剖特征的样本超声图像配对来识别解剖特征的一个或多个图像方面(例如，断裂)。然后，可以基于样本图像确定解剖特征的损伤程度，并且可以在显示设备处同时显示超声图像、样本图像和损伤程度以促进超声成像系统的用户进行比较。
现在参考图3，描绘了一种方法300，该方法用于使用来自包括在超声探头中的陀螺仪传感器的反馈来促进超声图像的生成。在一些示例中，所生成的超声图像然后可以被传递到受过训练的神经网络以用于识别和诊断其中描绘的解剖特征(例如，按照方法300)。这样，在一些示例中，可以使用方法300来代替方法200的200到215，由此在完成方法300之后，方法200可以在220处继续。
以下参照图1描绘的系统和部件描述方法300，但是应当理解，在不脱离本公开的范围的情况下，方法300可以用其他系统和部件来实现。在一些实施方案中，方法300可以在成像系统100、连接到成像系统100的边缘设备(例如，外部计算设备)、与成像系统通信的云等的任何适当组合中被实现为可执行指令。作为一个示例，方法300可以在计算设备的非暂态存储器中实现，诸如图1的成像系统100的控制器(例如，处理器)。
方法300可以在305处开始，其中可以启动超声扫描。超声扫描可以包括从超声探头(例如，106)的换能器元件(例如，104)发射超声波束。超声波束可以指向受检者(诸如患者)的身体。其中，超声波束可能从解剖特征(诸如患者肩部中的肌腱)回送。本领域技术人员将理解，可能以这种方式相应地对体内的任何肌腱或其他解剖特征进行成像，并且该方法300不应当被理解为限于肩部中的肌腱。
在310处，方法300可以包括从超声成像仪的探头获取超声成像数据。例如，超声成像仪可以是图1所示的成像系统100的一个或多个部件。在此类示例中，探头可以是超声探头106。探头可以用于通过收集从解剖特征回送的超声波束对解剖特征(例如，肩部中的肌腱)进行成像。具体地，所获取的超声成像数据可包括由超声成像仪的探头的换能器元件(例如，图1的元件104)传输的超声波的超声回波。在一些示例中，成像数据可以包括体积超声数据。具体地，超声成像数据可以由可通信地耦接到超声探头的控制器(例如，116)接收。
在315处，方法300可以包括获得期望的成像平面。在一些示例中，期望的成像平面可以由系统(例如，100)的操作者基于先前的经验和期望的成像区域来选择。例如，如果患者的肩部是期望的成像区域，则操作者可以保持超声探头平行于肩部的表面，并且指示超声探头垂直于肩部的表面定位。然后，控制器(例如，116)可以基于存储的解剖信息来确定期望的成像位置。例如，如果肩部的肌腱大致对应于期望的成像平面，则控制器可以基于操作者向其提供的肩部的表面来确定期望的成像平面。另外地或另选地，操作者可以向系统提供要成像的解剖特征(例如，肩部的肌腱)和患者的位置(例如，坐立、躺下等)，控制器可以从中确定期望的成像平面。
在320处，方法300可以包括经由陀螺仪传感器(例如，105)确定超声探头(例如，106)的取向。陀螺仪传感器可以被配置为向控制器发送反馈，控制器可以根据该反馈来确定超声探头的一个或多个位置参数，诸如超声探头与肌腱相距的距离以及超声探头相对于期望的成像平面的取向。超声成像数据可以基于超声探头的一个或多个位置参数，使得超声探头的给定取向可以相对超声探头的另一个取向提供较高质量的成像。
在325处，方法300可以包括基于取向和期望的成像平面来确定超声探头(例如，106)的转向角范围。通常，针对最佳超声成像，入射角(即超声波束与要成像的对象之间的角度)应当等于或接近90°。然而，通常通过调整超声波束的转向角来调整入射角。由于手动调整超声波束的转向角以对应地调整入射角可能是非直观过程，特别是对于经验不足的操作者而言，并且由于可以基于取向和期望的成像平面来确定入射角，因此可能期望基于取向和所需的成像平面来自动确定使入射角为90°所需的最佳转向角(下面参考图5描述确定最佳转向角的另外几何考虑)。然后，可以基于最佳转向角将转向角范围确定为可实现解剖特征的最佳超声成像的转向角范围。例如，转向角范围可以在比最佳转向角小15°和比最佳转向角大15°之间。作为另一个示例，转向角范围可以在比最佳转向角小10°和比最佳转向角大10°之间。作为又一个示例，转向角范围可以在比最佳转向角小5°和比最佳转向角大5°之间。
在330处，方法300可以包括确定转向角是否在转向角范围之外。如果转向角在转向角范围之外，则方法300可以行进到335以生成具有第一通知的超声图像，该第一通知指示在转向角范围之外的转向角。在一些示例中，第一通知可以是向操作者警告转向角欠佳和/或指示操作者将转向角调整到转向角范围内的语言消息。在附加或替代的示例中，第一通知是视觉通知，诸如有色符号(例如，颜色条)。这样，当转向角在转向角范围之外时，可以将颜色条设置为第一颜色(例如，红色)。
在340处，方法300可以包括调整转向角。在一些示例中，转向角可以由操作者手动调整，其中操作者可以基于第一通知请求已调整的转向角。在附加或替代的示例中，转向角可以由控制器(例如，116)基于取向和期望的成像平面来自动调整。然后方法300可以返回330。
返回330，如果转向角在转向角范围内，则方法300可以行进到345以生成具有第二通知的超声图像，该第二通知指示转向角在转向角范围内。在一些示例中，第二通知可以是向操作者通知转向角被设置为用于最佳超声成像的值并且操作者应当保持当前转向角的语言消息。在附加或替代的示例中，第二通知是视觉通知，诸如有色符号(例如，颜色条)。这样，当转向角在转向角范围内时，可以将颜色条设置为第二颜色(例如，绿色)。然后方法300可结束。
以这种方式，提供了一种用于基于来自包括在超声探头中的陀螺仪传感器的反馈来手动或自动调整超声成像系统的超声探头的转向角的方法，使得可以最佳地对解剖特征进行成像。
现在参考图4，描绘了用于训练神经网络以识别由超声图像描绘的解剖特征(例如，肌腱)的方法400。具体地，可以训练神经网络以从多个样本图像中选择与超声图像最类似的样本图像。在一些示例中，方法400可以用于训练在图2的220处使用的神经网络。在附加或替代的示例中，神经网络可以是图7的卷积神经网络702。
以下参照图1描绘的系统和部件描述方法400，但是应当理解，在不脱离本公开的范围的情况下，方法400可以用其他系统和部件来实现。在一些实施方案中，方法400可以在成像系统100、连接到成像系统100的边缘设备(例如，外部计算设备)、与成像系统通信的云等的任何适当组合中被实现为可执行指令。作为一个示例，方法400可以在计算设备的非暂态存储器中实现，诸如图1的成像系统100的控制器(例如，处理器)。
在405处，方法400可以包括获取用于训练神经网络的样本图像的数据集。数据集中的每个样本图像可以是描绘样本解剖特征的样本超声图像切片。在一些示例中，数据集中的每个样本图像可以描绘感兴趣的特定解剖特征(例如，肩部的肌腱)，使得样本图像的数据集可以构成用于诊断感兴趣的解剖特征的合适训练集。这样，数据集中的一个或多个样本图像可以描绘未受损伤的肌腱(例如，没有部分或完全断裂)，并且数据集中的每个其余样本图像可以描绘具有部分或完全断裂的肌腱。另外，描绘肌腱的样本图像中的每个样本图像可以与肌腱的损伤程度关联并用其标记。在一些示例中，损伤程度可以在范围从无肌腱损伤的指示(例如，0％)到完全肌腱断裂的指示(例如，100％)的数字刻度上设置。在一些示例中，样本图像的损伤程度中的每一者可以由一个或多个医学专业人员确定。以这种方式，可以依赖于积累的医学专业知识来训练神经网络以确定感兴趣的解剖特征的损伤程度。在其他示例中，数据集中的一个或多个样本图像可以描绘不包括肌腱的一个或多个解剖特征(例如，以提供少数类别并且防止神经网络训练的偏置)。
在410处，方法400可以包括预处理用于神经网络训练的样本图像。在一些示例中，控制器(例如，116)可以被配置为将样本图像解析为相应的图像补片矩阵，可以从中提取一个或多个图像方面。在附加或替代的示例中，可以对样本图像执行数据增强。一般来讲，采用数据增强例程以将特征添加到数据集(例如，为神经网络训练作准备)，而无需收集新数据。在对象检测应用中，可以将简单的图像处理技术(诸如变换、旋转、反射和颜色更改)应用于数据集中的图像以改善对期望对象的识别。这样，数据增强可以提供增加数量的样本图像，而无需来自医学专业人员的进一步输入、进一步的超声扫描等。应当理解，许多数据增强例程对于本领域技术人员而言是众所周知的，并且因此在本文中仅大体引用为与所描述的实施方案相关。在替代示例中，可以将旋转不变性和对噪声的鲁棒性合并到神经网络训练中，使得不采用数据增强。
在415处，方法400可以包括经由神经网络识别样本图像中的一个或多个图像方面。一个或多个图像方面可以是指示和/或表征感兴趣的解剖特征的任何图像特征。在其中解剖特征是肌腱的示例中，一个或多个图像方面可以包括一个或多个肌腱特征(例如，单独纤维束、部分断裂、完全断裂等)。另外，可以训练神经网络以识别另外图像方面，诸如指示或表征其他解剖特征、非解剖特征或背景特征的图像方面。如以下参考图7描述，特征提取模块可以循环样本图像(或图像补片)的卷积、非线性变换、校正和池化以从样本图像提取一个或多个图像方面。以这种方式，可以训练神经网络以识别与由超声图像输入描绘的解剖特征相对应的一个或多个图像方面。
在420处，方法400可以包括经由神经网络对样本图像进行分类。具体地，在识别给定样本图像的一个或多个图像方面之后，可以训练神经网络以根据来自其余样本图像的最类似的样本图像对每个样本图像进行分类。如以下参考图7所述，分类模块可以包括完全连接层，该完全连接层接收从特征提取模块输出的样本图像，以及基于每个其他样本图像是与其最类似的样本图像的概率对每个样本图像进行分类(其中概率可以基于由softmax函数生成的概率分布来确定)。以这种方式，可以训练神经网络以将最类似的样本图像与数据集中的每个样本图像配对。
在425处，方法400可以包括基于神经网络分类在样本图像上生成一个或多个标签。在分类时，神经网络可以通过生成对应的视觉指示符(例如，箭头、框、圆圈、阴影等)在样本图像上标记一个或多个图像方面。在一些示例中，视觉指示符中的每个视觉指示符可以与图像方面的语言描述(例如，“部分断裂”、“完全断裂”等)相关联。另外，一旦由神经网络确定与特定样本图像最类似的样本图像，就可以获得由最类似的样本图像描绘的肌腱的损伤程度。在训练期间，可以对照由特定样本图像描绘的肌腱的损伤程度来验证由最类似的样本图像描绘的肌腱的损伤程度。实际上，也可以将由最类似的样本图像描绘的肌腱的损伤程度假定为由特定样本图像描绘的肌腱的损伤程度。另外，一旦以这种方式确定损伤程度，就可以将特定样本图像与已确定损伤程度相关联或用其标记。以这种方式，通过将最类似的样本图像与数据集中的每个样本图像配对，可以对应地训练神经网络以确定和标记由给定超声图像描绘的解剖特征的损伤程度。
在430处，方法400可以包括输出具有一个或多个标签的样本图像。在一些示例中，具有一个或多个标签的样本图像中的每个样本图像可以和与其最类似的样本图像一起传递到显示设备(例如，118)以进行显示，从而用于比较。然后方法400可结束。
以这种方式，提供了一种用于训练神经网络以基于最类似的样本图像的识别来确定由超声图像描绘的解剖特征(例如，肌腱)的损伤程度的方法。然后，可以将最类似的样本图像提供给超声成像系统的操作者以用于与超声图像进行比较。
现在参考图5，示意图500描绘了调整由超声探头106的换能器元件104发射的一个或多个超声波束506的转向角520的几何考虑。此类几何考虑可以由如参考图1描述的超声成像系统和参考图2和图3描述的方法利用。具体地，超声波束506可以指向受检者的身体504内的感兴趣的解剖特征502。超声波束506可以从感兴趣的解剖特征502的至少一部分反射，使得可以通过处理在换能器元件104的表面104a处接收到的超声波束506的回波来对感兴趣的解剖特征502的至少一部分进行成像。在图5处示出了垂直的X轴和Y轴以用于指示其中进一步描绘的各种元件之间的相对关系。
成像平面508可以被限定为大致平行于感兴趣的解剖特征502的表面。在其中超声成像系统(例如，100)利用图4所描绘的几何考虑的示例中，成像平面508可以由超声成像系统的操作者提供。另选地，可以根据操作者输入推断成像平面508。另外，换能器平面510可以被限定为平行于X轴和超声探头106的换能器元件104的表面104a中的每一者。在成像平面508和换能器平面510的相交部处，可以限定角512。另外，线514可以被限定为平行于超声波束506，并且线516可以被限定为平行于Y轴以及垂直于换能器平面510(例如，使得换能器平面510和线516之间限定的角518为90°)。在线514和线516的相交部处，可以限定转向角520。转向角520因此可以被表征为相对于超声探头106的取向从超声探头106的换能器元件104发射超声波束506的角度。另外，在成像平面508和线514的相交部处，可以限定入射角522。入射角522因此可以被表征为超声波束506和对应于感兴趣的解剖特征502的成像平面508之间的角度。
为了对感兴趣的解剖特征502进行最佳成像，入射角522应尽可能接近90°。在几何上，为了获得90°的值，角512和转向角520必须相等。在一些示例中，角512可以通过以下方式来确定：向超声成像系统(例如，图1的超声成像系统100)提供成像平面508(或超声成像系统100可用于确定成像平面508的一个或多个参数)，以及然后将陀螺仪传感器105的参考取向524设置为平行于Y轴并且垂直于X轴。然后，可以调整转向角520以匹配角512。以这种方式，通过基于来自包括在超声探头中的陀螺仪传感器的反馈来调整超声波束的转向角，可以将从超声探头发射的超声波束调整为垂直于感兴趣的解剖特征(例如，可以将入射角调整为等于或接近90°)。
现在参考图6A，描绘了显示设备602的示例性用户界面显示600。在一个示例中，显示设备602可以是图1所示的超声成像系统100的显示设备118。示例性用户界面显示600可以包括描绘受检者的肩部中的肌腱的超声图像604，该超声图像604是根据由超声探头(例如，106)接收的超声成像数据生成的。如图所示，超声图像604可能未清楚地描绘肌腱的一个或多个图像方面。超声成像系统的操作者可以经由颜色条606推断超声图像604提供了对肌腱的欠佳描述。基于来自包括在超声探头中的陀螺仪传感器(例如，105)的反馈，可以将颜色条606设置为第一颜色或第二颜色。例如，当超声探头的转向角在针对最佳成像确定(例如，为将入射角调整为90°而确定)的转向角范围之外时，可以将颜色条606设置为第一颜色，如图6A所示。语言消息608可以进一步指示转向角当前不处于最佳值。然后，操作者可以朝向转向角范围手动调整转向角，或者控制器(例如，116)可以朝向转向角范围自动调整转向角。
现在参考图6B，描绘了显示设备652的第一示例性用户界面显示650。在一个示例中，显示设备652可以是图1所示的超声成像系统的显示设备118。示例性用户界面显示650可以包括描绘受检者的肩部中的肌腱的超声图像654，该超声图像654是根据由超声探头(例如，106)接收的超声成像数据生成的。如图所示，与由图6A的超声图像604描绘的一个或多个图像方面相比，超声图像654更清楚地描绘了肌腱的一个或多个图像方面。超声成像系统的操作者可以经由颜色条656推断超声图像654提供了对肌腱的基本上最佳描绘。与图6A的颜色条606一样，基于来自包括在超声探头中的陀螺仪传感器(例如，105)的反馈，可以将颜色条656设置为第一颜色或第二颜色。例如，当超声探头的转向角在针对最佳成像确定(例如，为将入射角调整为90°而确定)的转向角范围内时，可以将颜色条656设置为第二颜色，如图6B所示。在一些示例中，超声图像654可以通过对参考图6A描述的转向角的手动或自动调整来产生。
现在参考图7，描绘了用于图像输入中的对象检测和识别(例如，超声图像切片中的肌腱损伤的检测和识别)的示例性神经网络702的示意图700。神经网络702可以包括在成像系统的控制器(例如，图1的系统100的系统控制器116)中和/或包括在与成像系统的控制器进行电子通信(或从成像系统的控制器接收数据)的系统中。神经网络702可以是卷积神经网络702(例如，AlexNet、VGGNet、ResNet等)。卷积神经网络是一类生物学启发的深度神经网络，它们在图像处理任务中功能强大。具体地讲，在大脑的视觉系统之后对卷积神经网络进行建模。与“传统”神经网络不同，卷积神经网络由以三维组织的层组成，并且一层中的神经元仅连接到下一层中的神经元的子集(而不是连接到所有神经元，诸如在紧密连接层中)。
如图7所示，卷积神经网络702可以由以前馈方式分层处理视觉信息的计算单元的层组成。每一层的输出可以包括多个特征图704，该特征图可以理解为输入图像710的不同滤波版本。例如，卷积神经网络702可以包括多个卷积层706和池化层708。尽管在图7中以交替的图案示出了卷积层706和池化层708，但是在一些实施方案中，可以存在更多或更少的卷积层和/或更多或更少的池化层，并且卷积层和池化层的数量可以不相等并且可能不呈交替的图案。可以将输入图像710(例如，预处理的超声图像)输入到卷积神经网络702中。输入图像710和特征图704的每个图像可以表示为像素强度值矩阵。像素强度值矩阵可以被理解为可由卷积神经网络702使用的数据。尽管在图7中示出了单个输入图像710，但在一些示例中，可以将多个顺序的输入图像输入到卷积神经网络702中。
卷积可以发生在每个卷积层706处。可以执行卷积以便从输入图像710(或在处理层次中较远的较高层中的特征图704)提取特征。使用包括多个权重的学习滤波器，卷积通过将图像特征从第一层的一部分映射到第二层的一部分来保留像素之间的空间关系。每个卷积层706可以包括图像滤波器的集合，每个图像滤波器从给定输入图像(例如，704、710)提取特定特征。另外，在一些示例中，每个卷积层706可以包括用于卷积之后的非线性变换和校正的校正线性单元。每个卷积层706的输出可以包括多个特征图704，每个特征图是输入图像的不同滤波版本。在一些示例中，对于每个应用的滤波器可能存在一个所得的特征图704。
池化(例如，空间池化，在一个示例中可以是2×2最大池化或2×2子采样)可在每个池化层708处发生。可以执行池化以便减小每个特征图704的维数(例如，大小)，同时保持或增加特征识别的确定性。通过池化，可以减小神经网络702中的参数和计算的数量，由此控制过度拟合，并且可以增加特征识别的确定性。
如图7所示，在第一卷积之后，可以产生三个特征图704(但是，应当注意，该数量可以是代表性的，并且在第一卷积层706中可以存在大于三个特征图)。在第一池化操作之后，每个特征图704的大小可以减小，但是特征图704的数量可以得以保留。然后，在第二卷积期间，可以应用更多数量的滤波器，并且输出可以是第二卷积层706中的对应更多数量的特征图704。方向箭头712所示的沿处理层次的较后层可称为“较高”层。处理层次的前几层可以检测较大的特征，而较后(较高)层可以拾取更精细的细节并将此类细节组织为更复杂的特征。在一些实施方案中，最终输出层714可以是完全连接的(例如，最终输出层714中的所有神经元可以连接到前一层中的所有神经元)。最终输出层714可以用于在经由卷积和池化的特征提取之后进行分类。因此，在一些示例中，最终输出层714可以对应于分类模块，并且较早的层706、708可以对应于特征提取模块。
通过在对象识别方面训练卷积神经网络702，卷积神经网络702可以形成输入图像710的一种表示，该表示使对象信息沿处理层次越来越明确，如箭头712所示。因此，沿卷积神经网络702的处理层次，输入图像710被转换成与其详细像素强度值相比逐渐强调输入图像710的实际内容的表示。从卷积神经网络702中的较高层的特征图704重建的图像可以就对象及其在输入图像710中的布置而言捕获了高级别内容，但可以不限制内容重建的确切像素强度值。相比之下，来自较低层的图像重建可以再现原始输入图像710的精确像素强度值。因此，卷积神经网络702的较高(例如，较深)层中的特征响应可以被称为内容表示。
在示例性实施方案中，可以训练卷积神经网络702以识别由输入图像710(例如，超声图像)描绘的解剖特征的一个或多个图像方面，并且由此从多个样本图像中确定最类似的样本图像。另外，基于最类似的样本图像，可以确定解剖特征的损伤程度，例如，通过获得由最类似的样本图像描绘的对应解剖特征的损伤程度，以及从中推断由输入的超声图像描绘的解剖特征的损伤程度。在识别一个或多个图像方面以及确定损伤程度后，可以生成一个或多个图像方面和/或损伤程度的视觉指示符，使得可以辅助超声成像系统(例如，100)的操作者诊断解剖特征。以这种方式，可以训练卷积神经网络以确定由超声图像描绘的解剖特征的损伤程度，从而可以产生更一致、可预测和准确的诊断。
现在参考图8，图800描绘了示例性超声图像810、812、814、816和818(例如，诸如可以在图1所示的超声成像系统100的显示设备118处显示的那些)，其分别描绘了具有不同损伤程度的肌腱。具体地，超声图像810描绘了具有0％损伤(例如，无断裂)的肌腱，超声图像812、814和816分别描绘了具有20％损伤、50％损伤和80％损伤(例如，部分断裂)的肌腱，并且超声图像818描绘了具有100％损伤(例如，完全断裂)的肌腱。另外，可以向描绘受损伤的肌腱的超声图像(例如812、814、816、818)中的每个超声图像提供叠加在其上的损伤程度的相应视觉指示。如图所示，图形条822、824、826、828在视觉上描绘了损伤程度，其中可以根据损伤程度成比例地填充每个图形条822、824、826、828。具体地，图形条822指示20％损伤，图形条824指示50％损伤，图形条826指示80％损伤，并且图形条828指示100％损伤。在一些示例中，尽管在图8处未示出，但可以进一步向超声图像810提供指示0％损伤的空图形条。以这种方式，可能以直观视觉格式向超声成像系统的操作者提供肌腱的损伤程度，这可以补充或取代数值或语言消息。
现在参考图9，描绘了显示设备902的示例性用户界面显示900。在一个示例中，显示设备902可以是图1所示的超声成像系统100的显示设备118。示例性用户界面显示900可以包括描绘受检者的肩部中的肌腱的超声图像908，该超声图像908是根据由超声探头(例如，106)接收的超声成像数据生成的。视觉指示符，诸如肌腱的损伤程度的图形条910(例如，图8的图形条822、824、826、828)和/或指示由受过训练的神经网络(例如，图7的卷积神经网络702)识别的图像方面的箭头912可以叠加在超声图像908上以辅助超声成像系统的操作者诊断肌腱。另外，可以提供颜色条914以向操作者指示超声探头(例如，106)的转向角是否被调整到为提供最佳成像而确定的转向角范围(例如，被调整以提供等于或接近90°的入射角)，消息框916可以向操作者提供语言和数字信息(例如，转向角、肌腱的损伤程度等)，并且可以基于肌腱的损伤程度确定诊断建议918并将其提供给操作者。
还可以经由受过训练的神经网络将超声图像908与最类似的样本图像904匹配，其中最类似的样本图像904可以与超声图像908对准以进行比较(如图所示)。在图9所示的示例性用户界面显示900中，下拉菜单906包括与超声图像908最类似的样本图像904，还有次最类似的样本图像。如图所示，选择最类似的样本图像904以进行扩展并且与超声图像908对准。在一些示例中，次最类似的样本图像可以是被确定为在匹配阈值内与超声图像908匹配的其他样本图像。在其他示例中，次最类似的样本图像可以是固定数量或用户请求数量的次最类似的样本图像(例如，如图9所示，两个次最类似的样本图像)。以这种方式，可以使得超声探头的操作者能够最佳地生成解剖特征的超声图像(例如，通过利用陀螺仪传感器来辅助调整超声探头的转向角)，并且可以经由受过训练的神经网络向操作者提供与所生成的图像最类似的样本图像，从中可以确定解剖特征的损伤程度和诊断建议。
以这种方式，可以经由在超声成像系统中实现的受过训练的神经网络来识别和诊断肌腱断裂。在一个示例中，可以根据获取的超声成像数据生成图像，并且将其与描绘类似受损伤的肌腱的样本图像配对。然后，可以向超声成像系统的用户同时显示所生成的图像和样本图像中的每一者以进行比较。将样本图像与所生成的图像配对的技术效果是，可以基于样本图像来确定肌腱的损伤程度。可以基于已确定损伤程度进一步提供诊断建议。在一些示例中，超声成像系统的超声探头可以包括陀螺仪传感器。以这种方式合并陀螺仪传感器的技术效果是，可以实时确定超声探头的入射角，从而促进调整超声探头的转向角以用于对肌腱进行最佳成像。这样，本公开的超声成像系统的实施方案可以实现对受损伤的肌腱的更一致、可预测和准确的治疗。
在一个实施方案中，一种方法包括：获取解剖特征的超声图像；经由受过训练的神经网络将所获取的超声图像与样本解剖特征的样本图像配对；基于样本图像确定解剖特征的损伤程度；以及同时显示所获取的超声图像和样本图像。在该方法的第一示例中，该方法还包括：经由受过训练的神经网络，基于样本图像识别解剖特征的一个或多个图像方面；以及在所获取的超声图像上标记解剖特征的一个或多个所识别的图像方面。在该方法的第二示例中，任选地包括该方法的第一示例，基于样本图像识别解剖特征的一个或多个图像方面包括将样本解剖特征的一个或多个预定图像方面中的对应预定图像方面与解剖特征的一个或多个图像方面中的每个图像方面配对。在该方法的第三示例中，任选地包括该方法的第一示例和第二示例中的一个或多个，该方法还包括显示损伤程度的指示。在该方法的第四示例中，任选地包括该方法的第一示例至第三示例中的一个或多个，该样本图像由受过训练的神经网络确定为多个样本图像中的与所获取的超声图像最类似的样本图像。在该方法的第五示例中，任选地包括该方法的第一示例至第四示例中的一个或多个，该受过训练的神经网络输出最类似的样本图像的置信水平，该置信水平基于来自陀螺仪传感器的指示获取超声图像的入射角的反馈。在该方法的第六示例中，任选地包括该方法的第一示例至第五示例中的一个或多个，解剖特征和样本解剖特征中的每一者是受检者的肩部中的肌腱。
在另一个实施方案中，一种方法包括：训练神经网络以确定由超声图像描绘的肌腱的损伤程度，其中确定损伤程度包括：从多个样本图像中选择与超声图像最类似的样本图像，获得由最类似的样本图像描绘的肌腱的损伤程度，以及基于由最类似的样本图像描绘的肌腱的损伤程度来确定由超声图像描绘的肌腱的损伤程度；接收描绘特定肌腱的特定超声图像；以及使用受过训练的神经网络来确定由特定超声图像描绘的特定肌腱的损伤程度。在该方法的第一示例中，该受过训练的神经网络是卷积神经网络。在该方法的第二示例中，任选地包括该方法的第一示例，该方法还包括显示特定超声图像并同时提供最类似的样本图像以进行比较。在该方法的第三示例中，任选地包括该方法的第一示例和第二示例中的一个或多个，该方法还包括接收多个样本图像，该多个样本图像中的每个样本图像描绘相应的样本肌腱，该样本肌腱与样本损伤程度相关联，其中基于所接收的多个样本图像来训练神经网络。在该方法的第四示例中，任选地包括该方法的第一示例至第三示例中的一个或多个，该多个样本图像的样本损伤程度的范围是从无肌腱损伤到完全肌腱断裂。在该方法的第五示例中，任选地包括该方法的第一示例至第四示例中的一个或多个，该多个样本图像的样本损伤程度中的每一者由一个或多个医学专业人员确定。
在又一个实施方案中，一种医学成像系统包括：超声探头；存储器，该存储器存储多个样本图像切片以及被配置为将视觉特性与图像内容分离的受过训练的神经网络；显示设备；和处理器，该处理器被配置有在非暂态存储器中的指令，该指令在被执行时使处理器：从超声探头获取成像数据，根据成像数据生成描绘受检者的肌腱的图像切片，以及响应于受过训练的神经网络在匹配阈值内将多个样本图像切片中的一个样本图像切片与所生成的图像切片匹配，基于所匹配的样本图像切片确定肌腱的损伤程度，经由显示设备同时显示与所匹配的样本图像切片对准的所生成的图像切片，以及在显示设备处，基于损伤程度提供对受检者的肌腱的诊断。在该医学成像系统的第一示例中，该超声探头包括陀螺仪传感器，并且生成图像切片包括：获得期望的成像平面；经由陀螺仪传感器确定超声探头的取向；基于取向和期望的成像平面确定转向角范围；响应于超声探头的转向角在转向角范围之外，生成具有第一通知的图像切片，该第一通知指示在转向角范围之外的转向角；以及响应于转向角在转向角范围内，生成具有第二通知的图像切片，该第二通知指示在转向角范围内的转向角。在该医学成像系统的第二示例中，任选地包括该医学成像系统的第一示例，第一通知包括设置为第一颜色的颜色条，并且第二通知包括设置为第二颜色的颜色条。在该医学成像系统的第三示例中，任选地包括该医学成像系统的第一示例和第二示例中的一个或多个，该处理器被进一步配置为响应于多个样本图像切片中的每个样本图像切片都不在匹配阈值内与所生成的图像切片匹配，经由显示设备显示所生成的图像切片以及指示没有匹配样本图像切片被确定的通知。在该医学成像系统的第四示例中，任选地包括该医学成像系统的第一示例至第三示例中的一个或多个，该医学成像系统还包括响应于受过训练的神经网络在匹配阈值内将多个样本图像切片的子集与所生成的图像切片匹配，经由受过训练的神经网络从多个样本图像切片的子集中确定与所生成的图像切片最类似的样本图像切片，基于最类似的样本图像切片确定肌腱的损伤程度，经由显示设备同时显示与最类似的样本图像切片对准的所生成的图像切片，在显示设备处，除了最类似的样本图像切片之外还提供样本图像切片的子集中的其余样本图像切片，以及在显示设备处，基于损伤程度提供对受检者的肌腱的诊断。在该医学成像系统的第五示例中，任选地包括该医学成像系统的第一示例至第四示例中的一个或多个，该处理器被进一步配置为将损伤程度的视觉指示叠加在所生成的图像切片和所匹配的样本图像切片中的一者或两者上。在该医学成像系统的第六示例中，任选地包括该医学成像系统的第一示例至第五示例中的一个或多个，基于损伤程度来提供对受检者的肌腱的诊断包括，响应于损伤程度大于诊断阈值，将肌腱诊断为受损伤的，以及建议外科手术以修复肌腱。
如本文所用，以单数形式列举并且以单词“一个”或“一种”开头的元件或步骤应当被理解为不排除多个所述元件或步骤，除非明确说明此类排除。此外，对本发明的“一个实施方案”的引用不旨在被解释为排除也包含所引用特征的附加实施方案的存在。此外，除非明确地相反说明，否则“包含”、“包括”或“具有”具有特定特性的元件或多个元件的实施方案可包括不具有该特性的附加此类元件。术语“包括”和“在...中”用作相应的术语“包含”和“其中”的简明语言等同形式。此外，术语“第一”、“第二”和“第三”等仅用作标记，而不旨在对其对象施加数字要求或特定位置次序。
该书面描述使用示例来公开本发明，包括最佳模式，并且还使相关领域中的普通技术人员能够实践本发明，包括制造和使用任何设备或系统以及执行任何包含的方法。本发明可取得专利权的范围由权利要求书限定，并且可包括本领域普通技术人员想到的其他示例。如果此类其它示例具有与权利要求书的字面语言没有区别的结构元素，或者如果它们包括与权利要求书的字面语言具有微小差别的等效结构元素，则此类其它示例旨在落入权利要求书的范围内。

Claims (19)

1.一种医学成像系统，包括：
处理器，所述处理器被配置有在非暂态存储器中的指令，所述指令在被执行时使所述处理器：
获取解剖特征的超声图像；
经由受过训练的神经网络将所获取的超声图像与样本解剖特征的样本图像配对，确定多个样本图像中的与所获取的超声图像最类似的样本图像；
基于所述最类似的样本图像确定所述解剖特征的损伤程度；以及
同时显示所获取的超声图像和所述最类似的样本图像。
2.根据权利要求1所述的医学成像系统，还包括：
经由所述受过训练的神经网络，基于所述最类似的样本图像识别所述解剖特征的一个或多个图像方面，所述一个或多个图像方面包括一个或多个肌腱特征；以及
在所获取的超声图像上标记所述解剖特征的所述一个或多个所识别的图像方面。
3.根据权利要求2所述的医学成像系统，其中基于所述最类似的样本图像识别所述解剖特征的所述一个或多个图像方面包括将所述样本解剖特征的一个或多个预定图像方面中的对应预定图像方面与所述解剖特征的所述一个或多个图像方面中的每个图像方面配对。
4.根据权利要求1所述的医学成像系统，还包括显示所述损伤程度的指示。
5.根据权利要求1所述的医学成像系统，其中所述受过训练的神经网络输出所述最类似的样本图像的置信水平，所述置信水平基于来自陀螺仪传感器的指示获取所述超声图像的入射角的反馈。
6.根据权利要求1所述的医学成像系统，其中所述解剖特征和所述样本解剖特征中的每一者是受检者的肩部中的肌腱。
7.一种医学成像系统，包括：
处理器，所述处理器被配置有在非暂态存储器中的指令，所述指令在被执行时使所述处理器：
训练神经网络以确定由超声图像描绘的肌腱的损伤程度，其中确定所述损伤程度包括：
从多个样本图像中选择与所述超声图像最类似的样本图像；
获得由所述最类似的样本图像描绘的肌腱的损伤程度；以及
基于由所述最类似的样本图像描绘的所述肌腱的所述损伤程度来确定由所述超声图像描绘的所述肌腱的所述损伤程度；
接收描绘特定肌腱的特定超声图像；以及
使用受过训练的神经网络来确定由所述特定超声图像描绘的所述特定肌腱的损伤程度。
8.根据权利要求7所述的医学成像系统，其中所述受过训练的神经网络是卷积神经网络。
9.根据权利要求7所述的医学成像系统，还包括显示所述特定超声图像并同时提供所述最类似的样本图像以进行比较。
10.根据权利要求7所述的医学成像系统，还包括：
接收所述多个样本图像，所述多个样本图像中的每个样本图像描绘相应的样本肌腱，所述样本肌腱与样本损伤程度相关联，
其中基于所接收的多个样本图像来训练所述神经网络。
11.根据权利要求10所述的医学成像系统，其中所述多个样本图像的所述样本损伤程度的范围是从无肌腱损伤到完全肌腱断裂。
12.根据权利要求10所述的医学成像系统，其中所述多个样本图像的所述样本损伤程度中的每一者由一个或多个医学专业人员确定。
13.一种医学成像系统，包括：
超声探头；
存储器，所述存储器存储多个样本图像切片以及受过训练的神经网络；
显示设备；和
处理器，所述处理器被配置有在非暂态存储器中的指令，所述指令在被执行时使所述处理器：
从所述超声探头获取成像数据；
根据所述成像数据生成描绘受检者的肌腱的图像切片；以及
响应于所述受过训练的神经网络在匹配阈值内将所述多个样本图像切片中的一个样本图像切片与所生成的图像切片匹配：
基于所匹配的样本图像切片确定所述肌腱的损伤程度，
经由所述显示设备同时显示与所匹配的样本图像切片对准的所生成的图像切片，以及
在所述显示设备处，基于所述损伤程度提供对所述受检者的所述肌腱的诊断。
14.根据权利要求13所述的医学成像系统，其中
所述超声探头包括陀螺仪传感器；并且
生成所述图像切片包括：
获得期望的成像平面；
经由所述陀螺仪传感器确定所述超声探头的取向；
基于所述取向和所述期望的成像平面确定转向角范围；
响应于所述超声探头的转向角在所述转向角范围之外，生成具有第一通知的所述图像切片，所述第一通知指示在所述转向角范围之外的所述转向角；以及
响应于所述转向角在所述转向角范围内，生成具有第二通知的所述图像切片，所述第二通知指示在所述转向角范围内的所述转向角。
15.根据权利要求14所述的医学成像系统，其中
所述第一通知包括设置为第一颜色的颜色条，并且
所述第二通知包括设置为第二颜色的所述颜色条。
16.根据权利要求13所述的医学成像系统，其中所述处理器被进一步配置为响应于所述多个样本图像切片中的每个样本图像切片都不在所述匹配阈值内与所生成的图像切片匹配，经由所述显示设备显示所生成的图像切片以及指示没有匹配样本图像切片被确定的通知。
17.根据权利要求13所述的医学成像系统，还包括：
响应于所述受过训练的神经网络在所述匹配阈值内将所述多个样本图像切片的子集与所生成的图像切片匹配：
经由所述受过训练的神经网络从所述多个样本图像切片的所述子集中确定与所生成的图像切片最类似的样本图像切片，
基于所述最类似的样本图像切片确定所述肌腱的所述损伤程度，
经由所述显示设备同时显示与所述最类似的样本图像切片对准的所生成的图像切片，
在所述显示设备处，除了所述最类似的样本图像切片之外还提供所述样本图像切片的所述子集中的其余样本图像切片，以及
在所述显示设备处，基于所述损伤程度提供对所述受检者的所述肌腱的诊断。
18.根据权利要求13所述的医学成像系统，其中所述处理器被进一步配置为将所述损伤程度的视觉指示叠加在所生成的图像切片和所匹配的样本图像切片中的一者或两者上。
19.根据权利要求13所述的医学成像系统，其中基于所述损伤程度来提供对所述受检者的所述肌腱的所述诊断包括，响应于所述损伤程度大于诊断阈值：
将所述肌腱诊断为受损伤的，以及
建议外科手术以修复所述肌腱。
CN202011005534.5A 2019-10-04 2020-09-22 用于经由超声成像来诊断肌腱损伤的方法和系统 Active CN112603373B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/593,804 2019-10-04
US16/593,804 US20210100530A1 (en) 2019-10-04 2019-10-04 Methods and systems for diagnosing tendon damage via ultrasound imaging

Publications (2)

Publication Number Publication Date
CN112603373A CN112603373A (zh) 2021-04-06
CN112603373B true CN112603373B (zh) 2024-09-03

Family

ID=75224908

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011005534.5A Active CN112603373B (zh) 2019-10-04 2020-09-22 用于经由超声成像来诊断肌腱损伤的方法和系统

Country Status (2)

Country Link
US (1) US20210100530A1 (zh)
CN (1) CN112603373B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102021202482B4 (de) * 2021-03-15 2023-06-29 Continental Automotive Technologies GmbH Regelungseinrichtung und Verfahren zur Lenkwinkelregelung eines Fahrzeugs
US20220409181A1 (en) * 2021-06-25 2022-12-29 Clarius Mobile Health Corp. Method and system for identifying a tendon in ultrasound imaging data and verifying such identity in live deployment
WO2023077267A1 (zh) * 2021-11-02 2023-05-11 深圳迈瑞动物医疗科技股份有限公司 一种跟腱的检查方法和超声成像设备
WO2024145750A1 (zh) * 2023-01-03 2024-07-11 深圳迈瑞动物医疗科技股份有限公司 一种评估跟腱康复情况的方法和超声成像设备

Family Cites Families (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040116810A1 (en) * 2002-12-17 2004-06-17 Bjorn Olstad Ultrasound location of anatomical landmarks
JP5150267B2 (ja) * 2005-02-23 2013-02-20 コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ 肝臓の障害を検出する超音波診断イメージングシステム
US20100022877A1 (en) * 2005-11-15 2010-01-28 Tomoaki Chono Ultrasonographic device
CN101568941A (zh) * 2006-12-26 2009-10-28 皇家飞利浦电子股份有限公司 医学成像系统
CN101833757B (zh) * 2009-03-11 2014-10-29 深圳迈瑞生物医疗电子股份有限公司 血管图像组织结构的边缘检测及血管内膜检测方法和系统
CN102324094A (zh) * 2011-05-30 2012-01-18 复旦大学 骨骼肌损伤超声图像纹理定量分析的强度界面多级分解法
US8805627B2 (en) * 2011-07-01 2014-08-12 Cliff A. Gronseth Method and system for organic specimen feature identification in ultrasound image
WO2015092582A1 (en) * 2013-12-20 2015-06-25 Koninklijke Philips N.V. Automatic ultrasound beam steering and needle artifact suppression
US10646199B2 (en) * 2015-10-19 2020-05-12 Clarius Mobile Health Corp. Systems and methods for remote graphical feedback of ultrasound scanning technique
JP6574532B2 (ja) * 2016-04-26 2019-09-11 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． 超音波胎児撮像に対する３ｄ画像合成
EP3363368A1 (en) * 2017-02-20 2018-08-22 Koninklijke Philips N.V. Ovarian follicle count and size determination
CN208864347U (zh) * 2017-02-22 2019-05-17 李程 一种甲状腺肿瘤智能检测系统
EP3416131A1 (en) * 2017-06-16 2018-12-19 Episurf IP-Management AB System and method for creating a decision support material indicating damage to an anatomical joint
US11250561B2 (en) * 2017-06-16 2022-02-15 Episurf Ip-Management Ab Determination and visualization of damage to an anatomical joint
US10918357B2 (en) * 2017-06-30 2021-02-16 General Electric Company Methods and systems for automatically determining an anatomical measurement of ultrasound images
CN107595387B (zh) * 2017-07-28 2020-08-07 浙江大学 一种基于超声拓片技术的脊椎图像生成系统以及脊柱手术导航定位系统
KR101978728B1 (ko) * 2017-09-12 2019-08-28 서강대학교산학협력단 스마트 기기를 이용한 딥 러닝 기반 의료용 초음파 영상 분류 방법 및 장치
US11766235B2 (en) * 2017-10-11 2023-09-26 Koninklijke Philips N.V. Intelligent ultrasound-based fertility monitoring
US11006926B2 (en) * 2018-02-27 2021-05-18 Siemens Medical Solutions Usa, Inc. Region of interest placement for quantitative ultrasound imaging
EP3749215A4 (en) * 2018-02-07 2021-12-01 Atherosys, Inc. DEVICE AND METHOD FOR CONTROLLING THE ULTRASONIC RECORDING OF THE PERIPHERAL ARTERIES IN THE TRANSVERSAL PLANE
KR102246318B1 (ko) * 2018-10-05 2021-04-30 주식회사 딥바이오 병리 이미지 검색을 위한 시스템 및 방법

Also Published As

Publication number Publication date
CN112603373A (zh) 2021-04-06
US20210100530A1 (en) 2021-04-08

Similar Documents

Publication Publication Date Title
CN112603373B (zh) 用于经由超声成像来诊断肌腱损伤的方法和系统
CN105263420B (zh) 3d超声成像系统
JP6467041B2 (ja) 超音波診断装置、及び画像処理方法
JP5679609B2 (ja) 超音波を使用した解剖学的モデルの改良
CN110870792A (zh) 用于超声导航的系统和方法
DE102012108121A1 (de) Verfahren und System für ultraschallgestützte automatische Erkennung, Quantifizierung und Nachverfolgung von Pathologien
CN108720807A (zh) 用于模型驱动的多模态医疗成像方法和系统
EP3400878B1 (en) Method for postural independent location of targets in diagnostic imagines acquired by multimodal acquisitions and system for carrying out the said method
US11931201B2 (en) Device and method for obtaining anatomical measurements from an ultrasound image
EP3242602B1 (en) Ultrasound imaging apparatus and method for segmenting anatomical objects
CN106687048A (zh) 医学成像装置
CN112545551A (zh) 用于医学成像设备的方法和系统
CN115153634A (zh) 一种智能超声检查诊断方法及系统
US8724878B2 (en) Ultrasound image segmentation
CN115690556B (zh) 一种基于多模态影像学特征的图像识别方法及系统
CN114098796B (zh) 用于检测医学图像中的胸膜不规则性的方法和系统
CN116258736A (zh) 用于分割图像的系统和方法
JP2024501181A (ja) 超音波画像取得、追跡、及びレビュー
CN113229850A (zh) 超声盆底成像方法和超声成像系统
EP2807977B1 (en) Ultrasound diagnosis method and aparatus using three-dimensional volume data
CN117689567B (zh) 一种超声波图像扫描方法及装置
US20230267618A1 (en) Systems and methods for automated ultrasound examination
EP4062838A1 (en) Method for use in ultrasound imaging
JP2022174780A (ja) 超音波診断装置及び診断支援方法
CN116762093A (zh) 超声检测方法和超声成像系统

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