CN112617898A - 用于超声成像中的闪烁抑制的系统和方法 - Google Patents

用于超声成像中的闪烁抑制的系统和方法 Download PDF

Info

Publication number
CN112617898A
CN112617898A CN202010842825.3A CN202010842825A CN112617898A CN 112617898 A CN112617898 A CN 112617898A CN 202010842825 A CN202010842825 A CN 202010842825A CN 112617898 A CN112617898 A CN 112617898A
Authority
CN
China
Prior art keywords
data
flicker
artifact
color flow
adaptive filter
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010842825.3A
Other languages
English (en)
Inventor
杨圣昊
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 CN112617898A publication Critical patent/CN112617898A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/06—Measuring blood flow
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/52—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00
    • G01S7/52017—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00 particularly adapted to short-range imaging
    • G01S7/52046—Techniques for image enhancement involving transmitter or receiver
    • 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
    • A61B8/4444—Constructional features of the ultrasonic, sonic or infrasonic diagnostic device related to the probe
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—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
    • A61B8/5238—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for combining image data of patient, e.g. merging several images from different acquisition modes into one image
    • A61B8/5246—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for combining image data of patient, e.g. merging several images from different acquisition modes into one image combining images from the same or different imaging techniques, e.g. color Doppler and B-mode
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/5269—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving detection or reduction of artifacts
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
    • G01S15/88—Sonar systems specially adapted for specific applications
    • G01S15/89—Sonar systems specially adapted for specific applications for mapping or imaging
    • G01S15/8906—Short-range imaging systems; Acoustic microscope systems using pulse-echo techniques
    • G01S15/8979—Combined Doppler and pulse-echo imaging systems
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
    • G01S15/88—Sonar systems specially adapted for specific applications
    • G01S15/89—Sonar systems specially adapted for specific applications for mapping or imaging
    • G01S15/8906—Short-range imaging systems; Acoustic microscope systems using pulse-echo techniques
    • G01S15/8979—Combined Doppler and pulse-echo imaging systems
    • G01S15/8988—Colour Doppler imaging
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/52—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00
    • G01S7/52017—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00 particularly adapted to short-range imaging
    • G01S7/52077—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00 particularly adapted to short-range imaging with means for elimination of unwanted signals, e.g. noise or interference
    • 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
    • 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
    • A61B8/488—Diagnostic techniques involving Doppler signals
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
    • G01S15/88—Sonar systems specially adapted for specific applications
    • G01S15/89—Sonar systems specially adapted for specific applications for mapping or imaging
    • G01S15/8906—Short-range imaging systems; Acoustic microscope systems using pulse-echo techniques
    • G01S15/8977—Short-range imaging systems; Acoustic microscope systems using pulse-echo techniques using special techniques for image reconstruction, e.g. FFT, geometrical transformations, spatial deconvolution, time deconvolution
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • 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
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • General Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Acoustics & Sound (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Hematology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

本发明题为“用于超声成像中的闪烁抑制的系统和方法”。本发明提供了用于彩色血流超声成像的方法和系统。在一个实施方案中，一种方法包括：采集彩色血流数据；利用神经网络检测该彩色血流数据中的闪烁伪影；基于该神经网络的分类结果来调整杂波滤波器的自适应滤波器截止；利用该杂波滤波器对该彩色血流数据中的该闪烁伪影进行滤波；以及显示由该滤波后的彩色血流数据生成的彩色血流图像。这样，可在彩色血流超声成像期间动态地抑制由强组织移动或探头移动引起的强闪烁伪影。

Description

用于超声成像中的闪烁抑制的系统和方法
技术领域
本文公开的主题的实施方案涉及超声成像，并且更具体地涉及用于减少超声图像中的闪烁伪影的系统和方法。
背景技术
医学超声是采用超声波来探测患者身体的内部结构并产生对应图像的成像模态。例如，包括多个换能器元件的超声探头发射超声脉冲，这些超声脉冲会被身体中的结构反射或回传、折射或者吸收。然后超声探头接收所反射的回波，这些所反射的回波被处理成图像。可在显示设备上实时地或近实时地显示内部结构的超声图像，这可帮助临床医生对患者执行医学规程。
发明内容
在一个实施方案中，一种方法包括：采集彩色血流数据；利用神经网络检测该彩色血流数据中的闪烁伪影；基于该神经网络的分类结果来调整杂波滤波器的自适应滤波器截止；利用该杂波滤波器对该彩色血流数据中的该闪烁伪影进行滤波；以及显示由该滤波后的彩色血流数据生成的彩色血流图像。这样，可在彩色血流成像期间动态地抑制由强组织移动或探头移动引起的强闪烁伪影。
在单独或与附图联系时，本说明书的以上优势以及其他优势和特征将从以下具体实施方式中显而易见。应当理解，提供以上概述是为了以简化的形式介绍在详细描述中进一步描述的一些概念。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
通过阅读以下详细描述并且参考附图，可以更好地理解本公开的各个方面，其中：
图1示出了超声系统的示例性实施方案的框图；
图2是示出根据示例性实施方案的用于彩色血流图像数据中的闪烁伪影的示例性参数空间的曲线图；
图3是示出根据示例性实施方案的用于处理彩色血流图像数据的系统的示意图；
图4是示出根据示例性实施方案的用于处理彩色血流图像数据以检测闪烁伪影的深度学习网络的布局的示意图；并且
图5是示出根据示例性实施方案的用于动态闪烁伪影抑制的示例性方法的高级流程图。
具体实施方式
以下描述涉及用于抑制彩色血流超声成像期间的闪烁伪影的各种实施方案。图1中示出了一种示例性超声系统，该示例性超声系统包括超声探头、显示设备和成像处理系统。虽然彩色血流超声成像集中于血流的成像和测量，但是血液周围或邻近的组织和另外解剖特征(例如，骨)产生比来自血液的向后散射信号大几个数量级的强反射。由于此类反射或杂波将支配彩色血流图像数据，因此通常从彩色血流图像数据中消除此类杂波，使得彩色血流图像可准确地描绘血流。虽然通常可以轻易地对彩色血流数据中的杂波进行滤波，但是由组织移动或探头移动引起的强闪烁伪影可能更难以滤除，如图2所示。为了抑制此类强闪烁伪影，彩色血流处理系统(诸如图3所示的彩色血流处理系统)利用神经网络模型来处理彩色血流数据以调整自适应滤波器截止。神经网络模型可包括卷积神经网络，如图4所示。通过调整杂波滤波器截止，用于彩色血流成像的方法(诸如图5所示的方法)可动态地抑制在彩色血流成像期间出现的强闪烁伪影。
参见图1，示出了根据本发明的实施方案的超声成像系统100的示意图。超声成像系统100包括发射波束形成器101和发射器102，该发射器驱动换能器阵列(本文中称为探头106)内的元件(例如，换能器元件)104，以将脉冲超声信号(本文中称为发射脉冲)发射到身体(未示出)中。根据一个实施方案，探头106可以是一维换能器阵列探头。然而，在一些实施方案中，探头106可以是二维矩阵换能器阵列探头。如以下进一步解释的，换能器元件104可以由压电材料构成。当向压电晶体施加电压时，晶体物理地膨胀和收缩，从而发射超声球波。这样，换能器元件104可将电子发射信号转换为声学发射波束。
在探头106的元件104将脉冲超声信号发射到(患者的)身体中之后，脉冲超声信号从身体内部的结构(如血细胞或肌肉组织)向后散射，以产生返回到元件104的回波。回波被元件104转换成电信号或超声数据，并且电信号被接收器108接收。表示所接收的回波的电信号穿过输出超声数据的接收波束形成器110。另外，换能器元件104可根据所接收的回波产生一个或多个超声脉冲以形成一个或多个发射波束。
根据一些实施方案，探头106可包含电子电路来执行发射波束形成和/或接收波束形成的全部或部分。例如，发射波束形成器101、发射器102、接收器108和接收波束形成器110的全部或部分可位于探头106内。在本公开中，术语“扫描”或“扫描中”可也用于指通过传输和接收超声信号的过程来采集数据。本公开中，术语“数据”可以用于指称用超声成像系统来采集的一个或多个数据集。在一个实施方案中，可使用经由超声成像系统100采集的数据来训练机器学习模型。用户界面115可用于控制超声成像系统100的操作，包括用于控制患者数据(例如，患者病史)的输入、用于改变扫描或显示参数、用于启动探头复极化序列等。用户界面115可包括以下项中的一者或多者：旋转元件、鼠标、键盘、轨迹球、链接到特定动作的硬键、可被配置为控制不同功能的软键，以及显示在显示设备118上的图形用户界面。
超声成像系统100还包括处理器116，该处理器用以控制发射波束形成器101、发射器102、接收器108和接收波束形成器110。处理器116与探头106进行电子通信(例如，通信地连接)。出于本公开的目的，术语“电子通信”可被定义为包括有线通信和无线通信两者。处理器116可以根据存储在处理器的存储器、和/或存储器120上的指令来控制探头106以采集数据。处理器116控制元件104中的哪些是活动的以及从探头106发射的波束的形状。处理器116还与显示设备118进行电子通信，并且处理器116可将数据(例如，超声数据)处理成图像以用于在显示设备118上显示。处理器116可包括根据一个实施方案的中央处理器(CPU)。根据其他实施方案，处理器116可以包括能够执行处理功能的其他电子部件，诸如数字信号处理器、现场可编程门阵列(FPGA)或图形板。根据其他实施方案，处理器116可包括能够执行处理功能的多个电子部件。例如，处理器116可包括从电子部件的列表中选择的两个或更多个电子部件，这些电子部件包括：中央处理器、数字信号处理器、现场可编程门阵列和图形板。根据另一个实施方案，处理器116可还包括解调RF数据并且生成原始数据的复合解调器(未示出)。在另一个实施方案中，解调可以在处理链中较早地执行。处理器116适于根据数据上的多个可选超声模态来执行一个或多个处理操作。在一个示例中，可在扫描会话期间实时处理数据，因为回波信号被接收器108接收并且被传输至处理器116。出于本公开的目的，术语“实时”被定义为包括在没有任何有意延迟的情况下执行的过程。例如，实施方案可以7至20帧/秒的实时速率获取图像。超声成像系统100可以显著更快的速率采集一个或多个平面的2D数据。然而，应当理解，实时帧速率可取决于采集用于显示的每帧数据所花费的时间长度。因此，当采集相对大量的数据时，实时帧速率可能较慢。因此，一些实施方案可具有显著快于20帧/秒的实时帧速率，而其他实施方案可具有低于7帧/秒的实时帧速率。数据可在扫描会话期间临时存储在缓冲器(未示出)中，并且在实时或离线操作中以不太实时的方式处理。本发明的一些实施方案可包括多个处理器(未示出)，以处理根据上文所述的示例性实施方案由处理器116处理的处理任务。例如，在显示图像之前，可利用第一处理器来解调和抽取RF信号，同时可使用第二处理器来进一步处理数据(例如，通过如本文进一步描述的那样扩充数据)。应当理解，其他实施方案可使用不同的处理器布置方式。
超声成像系统100可以例如10Hz至30Hz的帧速率(例如，每秒10帧至30帧)连续采集数据。根据数据生成的图像可以在显示设备118上以相似的帧速率刷新。其他实施方案可以不同速率采集并且显示数据。例如，根据帧的大小和预期的应用，一些实施方案可以小于10Hz或大于30Hz的帧速率采集数据。包括存储器120，用于存储已处理的采集数据的帧。在示例性实施方案中，存储器120具有足够的容量来存储至少几秒钟的超声数据帧。数据帧的存储方式便于根据其采集顺序或时间进行检索。存储器120可包括任何已知的数据存储介质。
在本发明的各种实施方案中，处理器116可通过不同的模式相关模块(例如，B模式、彩色多普勒、M模式、彩色M模式、频谱多普勒、弹性成像、TVI、应变、应变速率等)来处理数据，以形成2D或3D数据。例如，一个或多个模块可生成B模式、彩色多普勒、M模式、彩色M模式、频谱多普勒、弹性成像、TVI、应变、应变速率以及它们的组合，等等。作为一个示例，一个或多个模块可处理彩色多普勒数据，其可包括传统彩色血流多普勒、功率多普勒、HD流，等等。图像线和/或帧存储在存储器中，并且可包括指示图像线和/或帧存储在存储器中的时间的定时信息。这些模块可包括例如扫描转换模块，用于执行扫描转换操作，以将所采集的图像从波束空间坐标转换为显示空间坐标。可以提供视频处理器模块，该视频处理器模块从存储器读取所采集的图像并且在对患者执行规程(例如，超声成像)时实时显示图像。视频处理器模块可包括单独的图像存储器，并且超声图像可被写入图像存储器以便由显示设备118读取和显示。
在本发明的各种实施方案中，超声成像系统100的一个或多个部件可以包括在便携手持式超声成像设备中。例如，显示设备118和用户界面115可以集成到手持式超声成像设备的外部表面中，该手持式超声成像设备可还包含处理器116和存储器120。探头106可以包括与手持式超声成像设备进行电子通信以收集原始超声数据的手持式探头。发射波束形成器101、发射器102、接收器108和接收波束形成器110可以包括在超声成像系统100的相同或不同部分中。例如，发射波束形成器101、发射器102、接收器108和接收波束形成器110可以包括在手持式超声成像设备、探头以及它们的组合中。
在执行二维超声扫描之后，生成包含扫描线及其样本的数据块。在应用后端滤波器之后，执行称为扫描转换的过程，以将二维数据块变换为具有附加扫描信息(诸如深度、每条扫描线的角度等)的可显示的位图图像。在扫描转换期间，应用内插技术来填充所得图像中的丢失的孔(即，像素)。出现这些丢失的像素是因为二维块的每个元素通常应该覆盖所得图像中的许多像素。例如，在当前超声成像系统中，应用了双三次插值，其利用了二维块的相邻元素。因此，如果与位图图像的尺寸相比，二维块相对较小，则扫描转换后的图像将包括分辨率差或分辨率低的区域，特别是对于深度较大的区域。
在彩色血流或彩色多普勒成像期间，通过血管的灰度或B模式超声图像上的颜色映射描绘血流，其中像素的颜色基于从血液中检测到的回波的速度和/或功率。更具体地，向后散射超声波的频率偏移用于测量来自组织或血液的向后散射波的速度。当血液朝探头流动时，向后散射频率的变化或偏移增加，而当血液远离探头流动时，向后散射频率的变化或偏移减少。可处理多普勒漂移以估计平均流速，使用不同颜色显示该平均流速以表示流速和流动方向。彩色血流速度模式同时显示数百个相邻样品体积，所有颜色均被编码以表示每个样品体积的速度。此外，来源于回波振幅的向后散射超声波或回波的功率确定多普勒信号的功率，这两个功率均与样品体积中的血细胞数量相关。因此，在彩色血流成像期间，测量速度和以该速度移动的细胞数量的量度。在彩色血流成像模式下测量的速度和功率在下文中可称为彩色血流数据。
除了检测彩色血流成像期间的血流之外，成像区域中的组织和血管的振动还与所采集的彩色血流信号混合。这些振动(也称为杂波)导致闪烁伪影，该闪烁伪影可通过杂波滤波来抑制。然而，由强组织移动(例如，由心跳或呼吸引起)或探头移动引起的强闪烁伪影难以经由常规的杂波滤波来去除。
图2是示出根据示例性实施方案的用于彩色血流图像数据中的闪烁伪影的示例性参数空间200的曲线图。参数空间200的参数区域205描绘了对应于并因此可归因于血液的速度和功率的共同组合，而参数区域210描绘了对应于并因此可归因于杂波的速度和功率的共同组合。例如，具有低速但高功率并因此具有区域210中的参数的信号可能由缓慢移动的组织引起，而具有高速和低功率并因此具有区域205中的参数的信号可能由血流引起。
该杂波还可包括强闪烁伪影，该强闪烁伪影由于心脏运动(例如，心跳)、呼吸运动等产生的强组织移动而发生，或者可另外由于探头移动而发生。此类强闪烁伪影的参数空间由区域215描绘，该区域界定在血液的区域205与杂波的区域210之间。由于强闪烁区域215与参数空间200的血液区域205和杂波区域210的这种重叠，使用上文提及的常规杂波滤波难以滤除强闪烁伪影，因为一些强闪烁伪影在血液区域205内。此外，此类强闪烁伪影可仅暂时发生，或者在少量超声帧内发生。
图3是示出用于利用被配置为抑制此类强闪烁伪影的彩色血流处理系统310来处理彩色血流图像数据的系统300的示意图。系统300包括超声探头306、波束形成解调模块308、彩色血流处理系统310、后处理扫描转换模块360和显示设备365。系统300可在图1的超声成像系统100中实现。例如，作为示例性示例，超声探头306可对应于探头106以及接收器108和接收波束形成器110，而显示设备365可对应于图1的显示设备118。相似地，波束形成解调模块308、彩色血流处理系统310和后处理扫描转换模块360可由超声成像系统100的处理器116和存储器120来实现。
波束形成解调模块308使用混频器和滤波器将来自探头306的RF信号在频率上向下偏移，以生成同相(I)信号和正交(Q)信号的集合，这些信号以减小的RF频率为中心但与RF信号含有相同的信息带宽。有利地，由波束形成解调模块308输出的集合I/Q数据309可由于奈奎斯特带宽减小而以低得多的采样率进行数字化和处理。
应当理解，波束形成解调模块308还可将集合I/Q数据309输出到B模式处理系统(未示出)，以用于将集合I/Q数据309处理成B模式或灰度图像，其中B模式图像中的像素的亮度基于检测到的回波振幅。此外，虽然本文描述了I/Q解调，但是应当理解，在不脱离本公开的范围的情况下，其他解调技术(诸如基于希尔伯特变换的解调技术)可用于波束形成解调。
彩色血流处理系统310包括用于对集合I/Q数据309中的杂波信号进行滤波的杂波滤波器320。杂波滤波器320可包括基于频率的滤波器，该基于频率的滤波器减小输入信号分量在与如上文关于图2所讨论的杂波频谱相对应的一个或多个给定频率或频带处的振幅。因此，杂波滤波器320输出滤波后的速度数据322和滤波后的功率数据323。在324处输出滤波后的速度数据322，并且在325处由彩色血流处理系统310将滤波后的功率数据323输出到后处理扫描转换模块360。如上所述，后处理扫描转换模块360将彩色血流处理数据的波束空间坐标转换为显示空间坐标以生成彩色血流图像。然后将彩色血流图像输出到显示设备365以供显示。
如上所述，强闪烁伪影可绕过杂波滤波器320，因此闪烁伪影可因此出现在向用户显示的彩色血流图像中。为了稳健地识别彩色血流图像数据中的强闪烁伪影，彩色血流处理系统310还包括神经网络模型330，该神经网络模型被配置为接收I/Q数据309的速度数据312和功率数据313作为输入并生成指示闪烁伪影是否存在于输入数据内的分类结果332。本文关于图4进一步描述了示例性神经网络模型330。
此外，除了识别闪烁伪影的存在之外，神经网络模型330的分类结果332还可用于抑制闪烁伪影。例如，分类结果332可进一步指示输入数据中的闪烁伪影的强度，该强度可用于为杂波滤波器320设置截止频率或自适应滤波器截止334。例如，分类结果332可指示检测到的闪烁伪影的最高频率，使得自适应滤波器截止334可被设置为检测到的闪烁伪影的最高频率。然后，杂波滤波器320可利用自适应滤波器截止334对集合I/Q数据309进行滤波。这样，可根据检测到的闪烁伪影的对应强度来针对每个帧调整自适应滤波器截止334，例如通过增大强闪烁伪影的截止334或者甚至减小弱闪烁伪影(即，较低频率的闪烁伪影)的截止或在不存在闪烁伪影的情况下调整自适应滤波器截止。
此外，分类结果332可被提供给彩色血流处理系统310的帧拒绝模块336。帧拒绝模块336可被配置为如果强闪烁伪影太大而不能被杂波滤波器320滤除，则即使调整自适应滤波器截止334也要拒绝含有强闪烁伪影的超声帧。为此，帧拒绝模块336可被配置有闪烁阈值，使得当闪烁伪影的强度高于闪烁阈值时拒绝帧。对于帧拒绝，可从向用户的显示中省略该帧。在其他示例中，如果在先前超声帧或后续超声帧中不存在强闪烁伪影，则帧拒绝模块336可以帧平均值对含有闪烁伪影的帧进行向下加权。
应当理解，图3所示的彩色血流处理系统310是用于说明而非限制。另一种合适的彩色血流处理系统可包括更多、更少或不同的部件。
图4是示出根据示例性实施方案的用于处理彩色血流图像数据以检测闪烁伪影的卷积神经网络(CNN)310的示例性架构400的示意图。CNN410表示根据本公开的机器学习模型的一个示例，其中可使用根据本文描述的一种或多种方法产生的训练数据来学习CNN410的参数。彩色血流数据的功率402和速度404形成输入层，该输入层被输入到CNN 410，并且具体地被输入到卷积层411。卷积层411的输出被输入到池化层412，该池化层的输出继而被传播到卷积层413，以此类推，通过附加卷积层414和最终池化层415。最终池化层415的输出被提供给完全连接层416，该完全连接层输出分类结果440。应当理解，CNN 410中可包括附加层418。
CNN 410因此包括多个特征标测图或层(和/或复制的特征标测图)，其中每个特征标测图均可以从外部文件或先前的特征标测图接收输入，并且可以将接收的输入变换/映射为输出以产生下一个特征标测图。每个特征标测图都可包括多个神经元，其中在一些实施方案中，每个神经元都可接收来自前一层/特征标测图的神经元的子集的输入，并且可基于所接收的输入来计算单个输出，其中输出可传播到下一层/特征标测图中的神经元的子集。可以使用空间维度诸如长度、宽度和深度来描述特征标测图，其中维度是指包括特征标测图的神经元的数量(例如，指定的特征标测图是多少神经元长、多少神经元宽、以及多少神经元深)。
在一些实施方案中，特征标测图的神经元可通过使用学习权重集(每个学习权重集在本文中可被称为滤波器)执行所接收的输入的点积来计算输出，其中每个所接收的输入具有唯一的对应学习权重，其中该学习权重是在CNN 410的训练期间学习的。
在一些实施方案中，功率402和速度404的输入数据在由神经网络410处理之前被预处理(例如，归一化)。可在训练过程期间学习CNN 410的每一层的权重/参数，其中将输入和预期输出(地面实况输出)的匹配对馈送到CNN 410。可基于梯度下降算法或其他算法来调整参数，直到CNN410的输出在阈值准确度内与预期输出(地面实况输出)匹配为止。
在训练期间学习CNN 410中的卷积层的权重(和偏差)。简而言之，定义损失函数以反映预测输出与地面实况输出之间的差值。可将差值/损失反投影到CNN 410以更新卷积层的权重(和偏差)。多个训练数据集(包括彩色血流数据和对应的地面实况输出，诸如彩色血流数据是否包括闪烁伪影以及闪烁伪影的强度的指示)可用于训练CNN 410。
应当理解，本公开包含神经网络架构，这些神经网络架构包括一个或多个正则化层，该一个或多个正则化层包括批归一化层、丢弃层、高斯噪声层和机器学习领域中已知的其他正则化层，它们可在训练期间使用以减轻过度拟合并提高训练效率，同时减少训练时间。在CNN训练期间使用正则化层，并且在CNN的训练后实施方式期间将其停用或移除。这些层可散布在图4所示的层/特征标测图之间，或者可替换所示层/特征标测图中的一者或多者。
应当理解，图4所示的CNN 410的架构和配置是用于说明而非限制。可使用任何适当的神经网络，诸如U-Net、ResNet、递归神经网络、广义回归神经网络(GRNN)等。以上描述了本公开的一个或多个特定实施方案以便提供透彻的理解。本领域技术人员将理解，在不脱离本公开的实质的情况下，可以在实施时修改实施方案中描述的具体细节。
图5是示出了用于动态闪烁伪影抑制的示例性方法500的高级流程图。可由以上公开的系统中的一者或多者(诸如彩色血流处理系统210和/或超声成像系统100)来实现方法500。
在505处，方法500经由超声系统(例如，图1的超声成像系统100)采集彩色血流图像数据。为了采集图像，可控制超声系统的超声探头(例如，探头106或探头306)以将超声信号(例如，经由超声探头的超声换能器的通电)输出到成像对象(诸如患者)并且接收所得回波(例如，其中从成像对象向后散射输出声学信号)。此外，方法500测量所得回波的多普勒漂移以及振幅以分别确定速度和功率。
在510处，方法500将彩色血流图像数据的功率和速度数据输入到神经网络以生成分类结果。例如，方法500将功率和速度数据输入到卷积神经网络(诸如CNN 410)以生成分类结果440，该分类结果指示彩色血流图像数据内是否存在闪烁伪影以及闪烁伪影的强度。
在515处，方法500确定该分类结果是否指示彩色血流图像数据中存在闪烁伪影。如果不存在闪烁伪影(“否”)，则方法500继续至535。在535处，方法500利用杂波滤波器处理在505处采集的彩色血流图像数据以去除杂波信号。在540处，方法500执行对处理后的彩色血流图像数据的扫描转换以生成彩色血流图像。在545处，方法500输出彩色血流图像并随后返回。
然而，再次参见515，如果存在闪烁伪影(“是”)，则方法500继续至520。在520处，方法500确定闪烁强度是否高于阈值。基于杂波滤波器的能力来确定该阈值。例如，该阈值被确定使得如果闪烁强度等于或高于该阈值，则杂波滤波器可能无法对彩色血流图像数据中的闪烁伪影进行滤波。因此，如果闪烁强度高于该阈值(“是”)，则方法500继续至525。在525处，方法500拒绝帧。为了拒绝帧，方法500省略帧以免被显示。另选地，在一些示例中，如果先前帧和后续帧不包括强闪烁伪影，则方法500以帧平均值对帧进行向下加权。然后，方法500返回。
再次参见520，如果闪烁强度低于阈值(“否”)，则方法500继续至530。在530处，方法500基于闪烁强度来调整杂波滤波器的杂波滤波器截止，诸如杂波滤波器320的自适应滤波器截止334。例如，对于基于频率的杂波滤波，将杂波滤波器截止设置为由神经网络识别的闪烁伪影的最高频率。在535处继续，方法500利用杂波滤波器和调整后的杂波滤波器截止来处理彩色血流图像数据。当基于闪烁强度调整杂波滤波器截止时，对彩色血流图像数据中的闪烁伪影进行滤波。
在540处，方法500执行对处理后的彩色血流图像数据的扫描转换以生成彩色血流图像。在545处，方法500将彩色血流图像输出到例如显示设备，诸如显示设备118或显示器365。由于基于闪烁强度调整杂波滤波器截止，因此545处的彩色血流图像输出不包括闪烁伪影。然后，方法500返回。
本公开的技术效果包括在没有闪烁伪影的情况下显示彩色血流图像。本公开的另一个技术效果包括预测彩色血流数据中的闪烁伪影。本公开的又一个技术效果包括基于闪烁伪影的预测强度来调整杂波滤波器截止。本公开的另一个技术效果包括拒绝含有闪烁伪影的超声帧。
在一个实施方案中，一种方法包括：采集彩色血流数据；利用神经网络检测该彩色血流数据中的闪烁伪影；基于该神经网络的分类结果来调整杂波滤波器的自适应滤波器截止；利用该杂波滤波器对该彩色血流数据中的该闪烁伪影进行滤波；以及显示由该滤波后的彩色血流数据生成的彩色血流图像。
在该方法的第一示例中，检测该彩色血流数据中的闪烁伪影包括将该彩色血流数据的速度和功率测量结果输入到该神经网络以生成该分类结果，并且该分类结果指示该彩色血流数据中该闪烁伪影的存在。在任选地包括该第一示例的方法的第二示例中，该分类结果包括该检测到的闪烁伪影的最高频率，并且调整该自适应滤波器截止包括将该自适应滤波器截止设置为检测到的闪烁伪影的最高频率。在任选地包括该第一示例和该第二示例中的一者或多者的方法的第三示例中，调整该自适应滤波器截止包括如果该分类结果指示该闪烁伪影强于该自适应滤波器截止的先前设置，则增大该自适应滤波器截止。在任选地包括该第一示例至该第三示例中的一者或多者的方法的第四示例中，调整该自适应滤波器截止包括如果该分类结果指示该闪烁伪影弱于该自适应滤波器截止的先前设置，则减小该自适应滤波器截止。在任选地包括该第一示例至该第四示例中的一者或多者的方法的第五示例中，该方法还包括确定该闪烁伪影的强度高于闪烁阈值，以及拒绝显示包括该闪烁伪影的彩色血流帧。在任选地包括该第一示例至该第五示例中的一者或多者的方法的第六示例中，该方法还包括确定该闪烁伪影的强度高于闪烁阈值，以及以先前彩色血流帧与后续彩色血流帧的帧平均值来对包括该闪烁伪影的彩色血流帧进行向下加权。在任选地包括该第一示例至该第六示例中的一者或多者的方法的第七示例中，该方法还包括采集附加彩色血流数据，不检测该附加彩色血流数据中的第二闪烁伪影，以及利用被配置有默认截止的杂波滤波器对该附加彩色血流数据进行滤波。在任选地包括该第一示例至该第七示例中的一者或多者的方法的第八示例中，该神经网络包括卷积神经网络，该卷积神经网络被配置有多个卷积层、多个池化层和至少一个完全连接层。
在另一个实施方案中，一种方法包括：采集彩色血流数据的集合；利用卷积神经网络来检测该彩色血流数据的集合的帧中的闪烁伪影；如果由该卷积神经网络确定的闪烁伪影的强度高于闪烁阈值，则拒绝该帧；否则，基于该闪烁伪影的强度来调整杂波滤波器的自适应滤波器截止；利用被配置有该调整后的自适应滤波器截止的杂波滤波器来对该帧中的闪烁伪影进行滤波；以及显示由该彩色血流数据的集合的滤波后的帧生成的彩色血流图像。
在该方法的第一示例中，该方法还包括在将该彩色血流数据的集合输入到该卷积神经网络之前解调该彩色血流数据。在任选地包括该第一示例的方法的第二示例中，该卷积神经网络被配置有多个卷积层、多个池化层和至少一个完全连接层。在任选地包括该第一示例和该第二示例中的一者或多者的方法的第三示例中，该卷积神经网络被训练以将该彩色血流数据的速度和功率数据映射为该彩色血流数据中存在的闪烁伪影的概率和该闪烁伪影的强度。
在又一个实施方案中，一种系统包括：超声探头；存储器，该存储器存储指令；以及处理器，该处理器可通信地耦接到该存储器，并且在执行该指令时被配置为：经由该超声探头采集彩色血流数据；利用存储在所述存储器中的神经网络来检测所述彩色血流数据中的闪烁伪影；基于所述神经网络的分类结果来调整存储在所述存储器中的杂波滤波器的自适应滤波器截止；以及利用该杂波滤波器对该彩色血流数据中的闪烁伪影进行滤波。
在该系统的第一示例中，该系统还包括显示设备，并且其中在执行该指令时，该处理器被配置为将扫描转换应用于该滤波后的彩色血流数据以生成彩色血流图像，并且将该彩色血流图像输出到该显示设备。在任选地包括该第一示例的系统的第二示例中，在执行该指令时，该处理器被配置为通过将该彩色血流数据的速度和功率测量结果输入到该神经网络以生成该分类结果来检测该彩色血流数据中的闪烁伪影，并且其中该分类结果指示该彩色血流数据中该闪烁伪影的存在。在任选地包括该第一示例和该第二示例中的一者或多者的系统的第三示例中，该分类结果包括检测到的闪烁伪影的最高频率，并且在执行该指令时，该处理器被配置为通过将该自适应滤波器截止设置为该检测到的闪烁伪影的最高频率来调整该自适应滤波器截止。在任选地包括该第一示例至该第三示例中的一者或多者的系统的第四示例中，在执行该指令时，该处理器被配置为如果该分类结果指示该闪烁伪影强于该自适应滤波器截止的先前设置，则增大该自适应滤波器截止。在任选地包括该第一示例至该第四示例中的一者或多者的系统的第五示例中，在执行该指令时，该处理器被配置为如果该分类结果指示该闪烁伪影弱于该自适应滤波器截止的先前设置，则减小该自适应滤波器截止。在任选地包括该第一示例至该第五示例中的一者或多者的系统的第六示例中，在执行该指令时，该处理器被配置为确定该闪烁伪影的强度高于闪烁阈值，并且拒绝显示包括该闪烁伪影的彩色血流帧。
当介绍本公开的各种实施方案的元件时，词语“一个”、“一种”和“该”旨在意指存在这些元件中的一个或多个元件。术语“第一”、“第二”等不表示任何顺序、量或重要性，而是用于将一个元件与另一个元件区分开。术语“包含”、“包括”和“具有”旨在是包含性的，并且意指除了列出的元件之外还可存在附加元件。如本文使用术语“连接到”、“耦接到”等，一个对象(例如，材料、元件、结构、构件等)可以连接到或耦接到另一个对象，而无论该一个对象是否直接连接或耦接到另一个对象，或者在该一个对象和另一个对象之间是否存在一个或多个介入对象。此外，应当理解，对本公开的“一个实施方案”或“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。
除了任何先前指示的修改之外，本领域技术人员可以在不脱离本描述的精神和范围的情况下设计出许多其他变型和替换布置，并且所附权利要求书旨在覆盖此类修改和布置。因此，尽管上面已经结合当前被认为是最实际和最优选的方面对信息进行了具体和详细的描述，但对于本领域的普通技术人员将显而易见的是，在不脱离本文阐述的原理和概念的情况下，可以进行许多修改，包括但不限于形式、功能、操作方式和使用。同样，如本文所使用的，在所有方面，示例和实施方案仅意图是说明性的，并且不应以任何方式解释为限制性的。

Claims (20)

1.一种方法，包括：
采集彩色血流数据；
利用神经网络检测所述彩色血流数据中的闪烁伪影；
基于所述神经网络的分类结果来调整杂波滤波器的自适应滤波器截止；
利用所述杂波滤波器对所述彩色血流数据中的所述闪烁伪影进行滤波；以及
显示由所述滤波后的彩色血流数据生成的彩色血流图像。
2.根据权利要求1所述的方法，其中检测所述彩色血流数据中的所述闪烁伪影包括将所述彩色血流数据的速度和功率测量结果输入到所述神经网络以生成所述分类结果，并且其中所述分类结果指示所述彩色血流数据中所述闪烁伪影的存在。
3.根据权利要求1所述的方法，其中所述分类结果包括所述检测到的闪烁伪影的最高频率，并且其中调整所述自适应滤波器截止包括将所述自适应滤波器截止设置为所述检测到的闪烁伪影的所述最高频率。
4.根据权利要求1所述的方法，其中调整所述自适应滤波器截止包括如果所述分类结果指示所述闪烁伪影强于所述自适应滤波器截止的先前设置，则增大所述自适应滤波器截止。
5.根据权利要求4所述的方法，其中调整所述自适应滤波器截止包括如果所述分类结果指示所述闪烁伪影弱于所述自适应滤波器截止的所述先前设置，则减小所述自适应滤波器截止。
6.根据权利要求1所述的方法，还包括确定所述闪烁伪影的强度高于闪烁阈值，以及拒绝显示包括所述闪烁伪影的彩色血流帧。
7.根据权利要求1所述的方法，还包括确定所述闪烁伪影的强度高于闪烁阈值，以及以先前彩色血流帧与后续彩色血流帧的帧平均值来对包括所述闪烁伪影的彩色血流帧进行向下加权。
8.根据权利要求1所述的方法，还包括采集附加彩色血流数据，不检测所述附加彩色血流数据中的第二闪烁伪影，以及利用被配置有默认截止的所述杂波滤波器对所述附加彩色血流数据进行滤波。
9.根据权利要求1所述的方法，其中所述神经网络包括卷积神经网络，所述卷积神经网络被配置有多个卷积层、多个池化层和至少一个完全连接层。
10.一种方法，包括：
采集彩色血流数据的集合；
利用卷积神经网络来检测所述彩色血流数据的集合的帧中的闪烁伪影；
如果由所述卷积神经网络确定的所述闪烁伪影的强度高于闪烁阈值，则拒绝所述帧；
否则，基于所述闪烁伪影的所述强度来调整杂波滤波器的自适应滤波器截止；
利用被配置有所述调整后的自适应滤波器截止的所述杂波滤波器来对所述帧中的所述闪烁伪影进行滤波；以及
显示由所述彩色血流数据的集合的所述滤波后的帧生成的彩色血流图像。
11.根据权利要求10所述的方法，还包括在将所述彩色血流数据的集合输入到所述卷积神经网络之前解调所述彩色血流数据。
12.根据权利要求10所述的方法，其中所述卷积神经网络被配置有多个卷积层、多个池化层和至少一个完全连接层。
13.根据权利要求12所述的方法，其中所述卷积神经网络被训练以将所述彩色血流数据的速度和功率数据映射为所述彩色血流数据中存在的闪烁伪影的概率和所述闪烁伪影的强度。
14.一种系统，包括：
超声探头；
存储器，所述存储器存储指令；和
处理器，所述处理器通信地耦接到所述存储器并且在执行所述指令时，被配置为：
经由所述超声探头采集彩色血流数据；
利用存储在所述存储器中的神经网络来检测所述彩色血流数据中的闪烁伪影；
基于所述神经网络的分类结果来调整存储在所述存储器中的杂波滤波器的自适应滤波器截止；以及
利用所述杂波滤波器对所述彩色血流数据中的所述闪烁伪影进行滤波。
15.根据权利要求14所述的系统，还包括显示设备，并且其中在执行所述指令时，所述处理器被配置为将扫描转换应用于所述滤波后的彩色血流数据以生成彩色血流图像，并且将所述彩色血流图像输出到所述显示设备。
16.根据权利要求14所述的系统，其中在执行所述指令时，所述处理器被配置为通过将所述彩色血流数据的速度和功率测量结果输入到所述神经网络以生成所述分类结果来检测所述彩色血流数据中的所述闪烁伪影，并且其中所述分类结果指示所述彩色血流数据中所述闪烁伪影的存在。
17.根据权利要求14所述的系统，其中所述分类结果包括所述检测到的闪烁伪影的最高频率，并且其中在执行所述指令时，所述处理器被配置为通过将所述自适应滤波器截止设置为所述检测到的闪烁伪影的所述最高频率来调整所述自适应滤波器截止。
18.根据权利要求14所述的系统，其中在执行所述指令时，所述处理器被配置为如果所述分类结果指示所述闪烁伪影强于所述自适应滤波器截止的先前设置，则增大所述自适应滤波器截止。
19.根据权利要求18所述的系统，其中在执行所述指令时，所述处理器被配置为如果所述分类结果指示所述闪烁伪影弱于所述自适应滤波器截止的所述先前设置，则减小所述自适应滤波器截止。
20.根据权利要求14所述的系统，其中在执行所述指令时，所述处理器被配置为确定所述闪烁伪影的强度高于闪烁阈值，以及拒绝显示包括所述闪烁伪影的彩色血流帧。
CN202010842825.3A 2019-09-24 2020-08-20 用于超声成像中的闪烁抑制的系统和方法 Pending CN112617898A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/581,574 2019-09-24
US16/581,574 US11506771B2 (en) 2019-09-24 2019-09-24 System and methods for flash suppression in ultrasound imaging

Publications (1)

Publication Number Publication Date
CN112617898A true CN112617898A (zh) 2021-04-09

Family

ID=74880773

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010842825.3A Pending CN112617898A (zh) 2019-09-24 2020-08-20 用于超声成像中的闪烁抑制的系统和方法

Country Status (2)

Country Link
US (1) US11506771B2 (zh)
CN (1) CN112617898A (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11506771B2 (en) * 2019-09-24 2022-11-22 GE Precision Healthcare LLC System and methods for flash suppression in ultrasound imaging

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101524284A (zh) * 2008-03-04 2009-09-09 深圳迈瑞生物医疗电子股份有限公司 自适应抑制组织闪烁的超声成像方法和设备
WO2010143113A1 (en) * 2009-06-09 2010-12-16 Koninklijke Philips Electronics N.V. Method and apparatus for recognizing moving anatomical structures using ultrasound
US20150230777A1 (en) * 2014-02-17 2015-08-20 Siemens Medical Solutions Usa, Inc. Twinkle artifact suppression in ultrasound color flow
WO2015171804A1 (en) * 2014-05-08 2015-11-12 Draeger Medical Systems, Inc. Detecting artifacts in a signal
CN108784735A (zh) * 2017-04-28 2018-11-13 通用电气公司 用于显示采集质量水平的超声成像系统和方法
WO2019086365A1 (en) * 2017-11-02 2019-05-09 Koninklijke Philips N.V. Intelligent ultrasound system for detecting image artefacts
CN109963513A (zh) * 2016-11-17 2019-07-02 皇家飞利浦有限公司 用于使用闪烁伪影来检测肾结石的超声系统和方法
CN110167449A (zh) * 2016-11-16 2019-08-23 德拉工业公司 便携式超声系统

Family Cites Families (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5152292A (en) 1990-12-20 1992-10-06 Hewlett-Packard Company Adaptive rejection filter for color flow ultrasound imaging
US5664575A (en) * 1994-12-29 1997-09-09 Siemens Medical Systems, Inc. Ultrasonic doppler imager having an adaptive tissue rejection filter with variable parameters
AU4600496A (en) * 1994-12-30 1996-07-24 Acuson Corporation Adaptive temporal filtering to enhance fluid flow or tissue motion imaging
KR100352639B1 (ko) * 1999-05-06 2002-09-18 주식회사 메디슨 칼라 도플러 영상화 시스템을 위한 칼라 영상 표시방법 및 장치
US6733455B2 (en) 1999-08-20 2004-05-11 Zonare Medical Systems, Inc. System and method for adaptive clutter filtering in ultrasound color flow imaging
US6287258B1 (en) * 1999-10-06 2001-09-11 Acuson Corporation Method and apparatus for medical ultrasound flash suppression
JP4282260B2 (ja) * 2001-11-20 2009-06-17 株式会社リコー エコーキャンセラ
US6899681B1 (en) * 2002-02-15 2005-05-31 Acuson Corporation Automated power level for contrast agent imaging
US7558320B2 (en) * 2003-06-13 2009-07-07 Microsoft Corporation Quality control in frame interpolation with motion analysis
US7545965B2 (en) * 2003-11-10 2009-06-09 The University Of Chicago Image modification and detection using massive training artificial neural networks (MTANN)
US7288068B2 (en) * 2003-12-15 2007-10-30 Siemens Medical Solutions Usa, Inc. Automatic optimization for ultrasound medical imaging
US7676091B2 (en) * 2004-01-07 2010-03-09 Ramot At Tel Aviv University Ltd. Method and apparatus for analysing ultrasound images
US7627386B2 (en) 2004-10-07 2009-12-01 Zonaire Medical Systems, Inc. Ultrasound imaging system parameter optimization via fuzzy logic
US7747551B2 (en) * 2007-02-21 2010-06-29 Neurovista Corporation Reduction of classification error rates and monitoring system using an artificial class
US20080214934A1 (en) * 2007-03-02 2008-09-04 Siemens Medical Solutions Usa, Inc. Inter-frame processing for contrast agent enhanced medical diagnostic ultrasound imaging
CN101416885B (zh) * 2007-10-22 2012-10-17 深圳迈瑞生物医疗电子股份有限公司 用于超声成像系统的帧平均电路
US9420997B2 (en) * 2012-06-14 2016-08-23 Siemens Medical Solutions Usa, Inc. Motion artifact suppression in ultrasound diagnostic imaging
US10849509B2 (en) * 2014-11-21 2020-12-01 Siemens Healthcare Gmbh Patient signal filtering
US10115194B2 (en) * 2015-04-06 2018-10-30 IDx, LLC Systems and methods for feature detection in retinal images
US11200273B2 (en) * 2016-10-16 2021-12-14 Ebay Inc. Parallel prediction of multiple image aspects
US11832969B2 (en) * 2016-12-22 2023-12-05 The Johns Hopkins University Machine learning approach to beamforming
US11364013B2 (en) * 2017-01-05 2022-06-21 Koninklijke Philips N.V. Ultrasound imaging system with a neural network for image formation and tissue characterization
CN111095428A (zh) * 2017-08-17 2020-05-01 皇家飞利浦有限公司 具有用于图像伪影识别和移除的深度学习网络的超声系统
US11506771B2 (en) * 2019-09-24 2022-11-22 GE Precision Healthcare LLC System and methods for flash suppression in ultrasound imaging

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101524284A (zh) * 2008-03-04 2009-09-09 深圳迈瑞生物医疗电子股份有限公司 自适应抑制组织闪烁的超声成像方法和设备
WO2010143113A1 (en) * 2009-06-09 2010-12-16 Koninklijke Philips Electronics N.V. Method and apparatus for recognizing moving anatomical structures using ultrasound
US20150230777A1 (en) * 2014-02-17 2015-08-20 Siemens Medical Solutions Usa, Inc. Twinkle artifact suppression in ultrasound color flow
WO2015171804A1 (en) * 2014-05-08 2015-11-12 Draeger Medical Systems, Inc. Detecting artifacts in a signal
CN110167449A (zh) * 2016-11-16 2019-08-23 德拉工业公司 便携式超声系统
CN109963513A (zh) * 2016-11-17 2019-07-02 皇家飞利浦有限公司 用于使用闪烁伪影来检测肾结石的超声系统和方法
CN108784735A (zh) * 2017-04-28 2018-11-13 通用电气公司 用于显示采集质量水平的超声成像系统和方法
WO2019086365A1 (en) * 2017-11-02 2019-05-09 Koninklijke Philips N.V. Intelligent ultrasound system for detecting image artefacts

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
ALKHATEEB, A AND RUEDA, L: "Zseq: An Approach for Preprocessing Next-Generation Sequencing Data", 《JOURNAL OF COMPUTATIONAL BIOLOGY》, 31 August 2017 (2017-08-31) *
宋玉玲: "粗晶材料超声检测信号的小波神经网络处理研究", 《硕士电子期刊出版信息》, no. 6, 15 June 2007 (2007-06-15) *
许俊平;彭真明;张启衡;徐智勇;: "强背景下模糊闪烁成像目标探测与跟踪", 强激光与粒子束, no. 04, 15 April 2008 (2008-04-15) *
陈满;蔡跃荣;杨朝文;: "闪烁探测器信号波形识别的人工神经网络实现", 核电子学与探测技术, no. 04, 20 July 2006 (2006-07-20) *

Also Published As

Publication number Publication date
US20210088639A1 (en) 2021-03-25
US11506771B2 (en) 2022-11-22

Similar Documents

Publication Publication Date Title
JP6017576B2 (ja) 平面波送信を使用するベクトルドップラーイメージングのための推定及び表示
KR20200003400A (ko) 확률 맵 기반의 초음파 스캐닝
US11488298B2 (en) System and methods for ultrasound image quality determination
KR100742467B1 (ko) 촬상 시스템, 촬상 방법 및 혈액 움직임 촬상 시스템
US20210369241A1 (en) Imaging system and method with live examination completeness monitor
US11593933B2 (en) Systems and methods for ultrasound image quality determination
US11308609B2 (en) System and methods for sequential scan parameter selection
CN102292028A (zh) 超声波诊断装置
CN112890853A (zh) 用于联合扫描参数选择的系统和方法
CN112641462A (zh) 用于减少超声图像中的异常的系统和方法
CN112912010A (zh) 用于导出与来自血管的流量有关的参数的方法和系统
JP2000149015A (ja) 画像のエッジ強調方法及びイメ―ジング装置
JP2021525619A (ja) 胎児体重推定を実施するための方法およびシステム
US11506771B2 (en) System and methods for flash suppression in ultrasound imaging
US20220330920A1 (en) Ultrasonic diagnostic apparatus and medical image processing apparatus
US20230305126A1 (en) Ultrasound beamforming method and device
US11419585B2 (en) Methods and systems for turbulence awareness enabled ultrasound scanning
JP7343342B2 (ja) 超音波診断装置、及び画像処理装置
CN115996673A (zh) 用于根据超声数据来识别脉管的系统和方法
Ibrahim et al. Apodization scheme for hardware-efficient beamformer
JP6879041B2 (ja) 超音波診断装置及び超音波画像生成方法
US20230186477A1 (en) System and methods for segmenting images
US20210228177A1 (en) Ultrasonic diagnostic apparatus, learning apparatus, and image processing method
US11810294B2 (en) Ultrasound imaging system and method for detecting acoustic shadowing
US20230025182A1 (en) System and methods for ultrasound acquisition with adaptive transmits

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