CN112638279A - 超声波诊断系统 - Google Patents
超声波诊断系统 Download PDFInfo
- Publication number
- CN112638279A CN112638279A CN201980057030.7A CN201980057030A CN112638279A CN 112638279 A CN112638279 A CN 112638279A CN 201980057030 A CN201980057030 A CN 201980057030A CN 112638279 A CN112638279 A CN 112638279A
- Authority
- CN
- China
- Prior art keywords
- elements
- data
- learning
- image
- ultrasonic waves
- 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
Links
- 230000005540 biological transmission Effects 0.000 claims abstract description 34
- 238000005259 measurement Methods 0.000 claims abstract description 28
- 238000004088 simulation Methods 0.000 claims abstract description 12
- 238000013480 data collection Methods 0.000 claims abstract description 9
- 206010028980 Neoplasm Diseases 0.000 claims description 21
- 238000010586 diagram Methods 0.000 description 16
- 210000004027 cell Anatomy 0.000 description 14
- 230000006870 function Effects 0.000 description 13
- 238000012545 processing Methods 0.000 description 10
- 238000000034 method Methods 0.000 description 8
- 238000003384 imaging method Methods 0.000 description 7
- 238000003745 diagnosis Methods 0.000 description 5
- 238000002604 ultrasonography Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000002591 computed tomography Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000003780 insertion Methods 0.000 description 2
- 230000037431 insertion Effects 0.000 description 2
- 230000001678 irradiating effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- 238000001308 synthesis method Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 241000282577 Pan troglodytes Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
- A61B8/0833—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving detecting or locating foreign bodies or organic structures
- A61B8/085—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving detecting or locating foreign bodies or organic structures for locating body or organic structures, e.g. tumours, calculi, blood vessels, nodules
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/13—Tomography
- A61B8/14—Echo-tomography
-
- 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
- A61B8/4483—Constructional features of the ultrasonic, sonic or infrasonic diagnostic device characterised by features of the ultrasound transducer
-
- 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
- A61B8/4483—Constructional features of the ultrasonic, sonic or infrasonic diagnostic device characterised by features of the ultrasound transducer
- A61B8/4488—Constructional features of the ultrasonic, sonic or infrasonic diagnostic device characterised by features of the ultrasound transducer the transducer being a phased array
-
- 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
- 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
- G01S15/8909—Short-range imaging systems; Acoustic microscope systems using pulse-echo techniques using a static transducer configuration
- G01S15/8915—Short-range imaging systems; Acoustic microscope systems using pulse-echo techniques using a static transducer configuration using a transducer array
- G01S15/8922—Short-range imaging systems; Acoustic microscope systems using pulse-echo techniques using a static transducer configuration using a transducer array the array being concentric or annular
-
- 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
- G01S7/52023—Details of receivers
- G01S7/52036—Details of receivers using analysis of echo signal for target characterisation
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- 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
-
- 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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Radiology & Medical Imaging (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Gynecology & Obstetrics (AREA)
- Vascular Medicine (AREA)
- Acoustics & Sound (AREA)
- Computational Linguistics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physiology (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明提供一种超声波诊断系统,生成准确且清晰的超声波图像。本发明的超声波诊断系统具备:多个元件,其配置于被检测体的周围,进行超声波的发送和接收中的至少任一方;数据收集部,其一边切换发送超声波的元件,一边经由所述多个元件的至少一部分收集从所述被检测体反射的反射超声波的测定数据;以及第一学习器,其使用学习数据进行学习,由此根据输入的所述测定数据输出所述被检测体的断层图像,该学习数据包含:由声学特性的分布表现的被检测体模型;以及在模拟了所述多个元件的尺寸和排列的模拟空间上一边切换元件一边发送超声波,通过多个元件的至少一部分接收来自所述被检测体模型的反射超声波而得的模拟测定数据。
Description
技术领域
本发明涉及照射超声波来制作被检测体的断层图像的超声波诊断系统。
背景技术
非介入性的基于超声波的诊断系统由于不需要直接切开生物体来进行观察的外科手术,所以作为对被检测体内的信息进行诊断的技术,在医疗领域中被广泛使用。
作为超声波诊断的一个方法的超声波CT(Computed Tomography:电子计算机断层扫描)是向被检测体照射超声波,使用反射超声波和透射超声波来制作被检测体的断层图像的技术,根据近年来的研究,示出了对乳腺癌的检测的有用性。超声波CT例如使用将进行超声波的收发的多个元件配置为环状的环形阵列换能器来制作断层图像。
例如,一边按顺序切换发送超声波的元件,一边用全部元件接收回波信号,作为RF数据(原始数据)进行保存。然后,基于RF数据生成表示断层图像的图像信号。
以往,在重构断层图像时,进行了将声速视为恒定等的近似运算。由于通过近似运算来削减RF数据的信息量,所以难以形成清晰的断层图像,成为诊断精度提高的障碍。
专利文献1:国际公开第2017/051903号
发明内容
本发明是鉴于上述现有的实际情况而完成的,其目的在于提供一种生成准确且清晰的超声波图像的超声波诊断系统。
本发明的超声波诊断系统具备:多个元件,其进行针对被检测体的超声波的发送以及从所述被检测体反射的反射超声波的接收中的至少任一方;数据收集部,其一边切换发送超声波的元件,一边经由所述多个元件的至少一部分收集所述反射超声波的测定数据;以及第一学习器,其使用学习数据进行学习,由此根据输入的所述测定数据输出所述被检测体的断层图像,该学习数据包括:由声学特性的分布表现的被检测体模型;以及在模拟了所述多个元件的尺寸和排列的模拟空间上一边切换元件一边发送超声波,通过多个元件的至少一部分接收来自所述被检测体模型的反射超声波而得的模拟测定数据。
本发明的超声波诊断系统具备:多个元件,其进行针对被检测体的超声波的发送以及从所述被检测体反射的反射超声波的接收中的至少任一方;数据收集部,其一边切换发送超声波的元件,一边经由所述多个元件的至少一部分收集所述反射超声波的测定数据;以及第一学习器,其使用学习数据进行学习,由此根据输入的所述测定数据输出所述被检测体的断层图像,该学习数据包括:基于自然图像的亮度图像;以及在模拟了所述多个元件的尺寸和排列的模拟空间上一边切换元件一边发送超声波,通过多个元件的至少一部分接收来自基于所述亮度图像的声学特性分布的反射超声波而得的模拟测定数据。
根据本发明的一个方式,还具备图像取得部,该图像取得部将所述数据收集部收集到的所述测定数据输入到所述第一学习器,取得从该第一学习器输出的断层图像。
根据本发明的一个方式,还具备:第二学习器,其使用学习数据进行学习,由此能够进行被检测体的断层图像中有无肿瘤的判定以及肿瘤部位的确定,该学习数据包括学习用断层图像和确定该学习用断层图像中包含的肿瘤部位的肿瘤信息;以及判定部,其将所述图像取得部取得的所述断层图像输入到所述第二学习器,根据该第二学习器的输出数据,输出该断层图像中有无肿瘤的判定结果以及有肿瘤的情况下的肿瘤部位的信息。
根据本发明的一个方式,所述多个元件配置于被检测体的周围。
发明效果
根据本发明,能够生成准确且清晰的超声波图像。
附图说明
图1是本发明的实施方式的超声波诊断系统的概略结构图。
图2是图1的A-A线剖视图。
图3是运算装置的功能框图。
图4是测定数据的示意图。
图5是超声波的传播的示意图。
图6是表示关注部位的部分RF数据的图。
图7是学习器的概略结构图。
图8是表示图像重构方法的示意图。
图9a是表示生物体模型的图,图9b是表示测量图像的图,图9c是表示根据学习器的输出重构的图像的图。
图10是表示多个元件中的收发的例子的图。
图11是表示部分RF数据的例子的图。
图12a、图12b是表示超声波的传播路径的例子的图,图12c是表示部分RF数据的图。
图13是表示将亮度图像转换为密度分布的例子的图。
图14a表示亮度图像,图14b表示密度分布图像,图14c表示重构图像。
具体实施方式
以下,参照附图对本发明进行更详细的说明。本发明的实施方式的超声波诊断系统对人体等被检测体照射超声波,使用接收到的反射波信号来制作断层图像(超声波图像)。医生确认所生成的断层图像并进行诊断。
如图1所示,本实施方式的超声波诊断系统10具备环形阵列R、开关电路110、收发电路120、运算装置130以及图像显示装置140。
环形阵列R是组合多个振子而构成的优选为直径80~500mm且更优选为直径100~300mm的环型形状的振子。另外,环形阵列R也可以采用直径可变的结构。在本实施方式中,作为一例,使用将4个凹面型振子P01~P04组合而成的环形状的振子。
例如,在凹面型振子P01~P04分别具有512个长方形压电元件E(以下,也简称为“元件E”)的情况下,环形阵列R由2048个元件E构成。设置于凹面型振子P01~P04的元件E的数量没有限定,优选为1~1000个。
各元件E具有将电信号与超声波信号相互转换的功能。元件E向被检测体T发送超声波,接收由被检测体T反射的反射波,并将电信号形成为测定数据。
在本实施方式中,作为各元件E具备超声波的发送以及接收这两个功能的方式来进行说明,但并不限于此。例如,也可以使用仅具有超声波的发送功能和接收功能中的某一个的发送元件或者接收元件,将多个发送元件和多个接收元件配置为环状。另外,也可以是具备发送和接收这两个功能的元件以及发送元件和接收元件混合存在的结构。
图2是图1的A-A线剖视图。例如,环形阵列R被设置为在开了孔的床的下方,床的孔与插入部SP重叠。被检者将成为摄像对象的身体的部位(被检测体T)从床的孔插入到插入部SP。
用于插入被检测体T的插入部SP设置在环形阵列R的中央。环形阵列R的多个元件E沿着环等间隔地设置在插入部SP的周围。在环形阵列R的内周侧,在表面安装有称为声透镜的凸面透镜。通过对环形阵列R的内周侧实施这样的表面加工,能够使各元件E发送的超声波收敛于包含环形阵列R的平面内。
在本实施方式中,将各元件E等间隔地配置成环状,但环形阵列R的形状并不限定于圆形,例如也可以是六角形、正方形、三角形等任意的多边形、至少一部分包含曲线或圆弧的形状、其他任意的形状、或这些形状的一部分(例如半圆或圆弧)。即,环形阵列R能够与阵列R一般化。另外,构成阵列R的各元件E的配置优选是至少以90度或以上的角度断续地包围被检测体T的周围的配置,但并不限于此。
环形阵列R经由开关电路110与收发电路120连接。收发电路120(控制部)向环形阵列R的元件E发送控制信号(电信号),控制超声波的收发。例如,收发电路120对元件E指示发送的超声波的频率、大小、波的种类(连续波或脉冲波等)等。
开关电路110与环形阵列R的多个元件E的每一个连接,将来自收发电路120的信号传递至任意的元件E,使元件E驱动,进行信号的收发。例如,开关电路110切换供给来自收发电路120的控制信号的元件E,由此使多个元件E中的任一个作为发送超声波的发送元件而发挥功能,通过多个(例如全部)元件E来接收反射波。
环形阵列R通过步进马达等能够上下移动地设置。能够使环形阵列R上下移动,来进行被检测体T的整体的数据收集。
接着,对由多个元件E得到的数据即测定数据(RF数据)进行说明。从1个发送元件发送的超声波由被检测体T反射,并由多个接收元件接收。由此,得到第一轴为接收元件编号、第二轴为反射波到达时间的2维的RF数据。通过在切换发送元件的同时进行测定,能够得到发送元件数量的2维数据。换言之,得到如图4所示的第一轴为接收元件编号、第二轴为反射波到达时间、第三轴为发送元件编号的3维的RF数据。
图5是从1个发送元件Et发送的超声波在1个点散射体PS(被检测体T的1点)反射(散射),由多个接收元件Er1、Er2、Er3接收的情况的示意图。由于超声波的传播路径(传播距离)不同,因此针对各接收元件的反射波到达时间也不同。
因此,由各接收元件测定的点散射体PS的反射波在第一轴为接收元件编号、第二轴为反射波到达时间的2维的RF数据中描绘曲线。另外,由各接收元件测定的点散射体PS的反射波在3维的RF数据中分布在图6所示那样的曲面C上。在本实施方式中,提取与曲面C对应的部分RF数据,将部分RF数据输入到已学习的学习器,输出与点散射体PS对应的部分重构图像。
如图3所示,运算装置130例如由具备CPU、通信部、存储部M等的计算机构成。存储部M例如具有RAM、ROM、硬盘等。通过执行存储在存储部M中的图像重构程序,实现数据收集部135及图像取得部136等的功能,在存储部M中确保测定数据存储区域133。关于各部分的处理将在后面叙述。
在存储部M中存储有学习器131。学习器131是用于对与各单元(神经元)相关的权重及偏置等各参数以及输入数据进行处理的处理执行程序。在存储部M中存储有学习器131是指与学习器131相关的各种参数和处理执行程序被存储在存储部M中。
学习处理部134使用存储在存储部M中的学习数据132来执行学习器131的学习处理。学习数据132包含模拟的RF数据和生物体模型的测量图像(根据声阻抗的空间梯度强度等生物体模型的声学特性而计算出的理想的测量图像),其中,该模拟的RF数据是对于由声学特性的分布表现的生物体模型(被检测体模型),在模拟空间上模拟环形阵列R的多个元件E的尺寸以及排列,在切换发送元件的同时由多个元件接收来自生物体模型的反射超声波而得的数据。准备多个模拟RF数据和测量图像的组。
将模拟RF数据输入到学习器131,以使学习器131的输出数据适合测量图像的像素值的方式来学习学习器131。
学习器131使用了神经网络。图7是表示学习器131的构造的图。学习器131的输入数据包括多个输入变量x1、x2、x3…。各输入数据的输入变量是模拟RF数据所包含的各接收元件的接收信号的值。
学习器131构成为包括分别包含多个单元U的多个层。通常,构成为包括位于最靠输入侧的输入层、位于最靠输出侧的输出层、以及设置于输入层与输出层之间的中间层。在图7的例子中,中间层为1层,但中间层也可以有多个。
各输入变量被输入到输入层的各单元U。在各单元U中,定义了与各输入变量对应的权重w1、w2、w3…、以及偏置b。将对与各输入变量对应的权重相乘后的值的合计加上偏置而得的值作为该单元U的输入u。
各单元50输出与输入u对应的称为激活函数的函数f的输出f(u)。作为激活函数,例如能够利用S形(sigmoid)函数、斜坡函数或阶梯函数等。来自输入层的各单元U的输出被输入到中间层的各单元。即,输入层的各单元U和中间层的各单元全部耦合。
中间层的各单元以输入层的各单元U的输出为输入,进行与上述同样的处理。即,在中间层的各单元中设定有与输入层的各单元U对应的权重和偏置。来自中间层的各单元的输出被输入到输出层的各单元。即,中间层的各单元和输出层的各单元也全部耦合。
输出层的各单元也以中间层的各单元的输出作为输入,进行与上述同样的处理。即,在输出层的各单元中设定有与中间层的各单元对应的权重和偏置。
输出层的各单元的输出成为学习器131的输出数据。输出数据中包含的输出变量y1、y2、y3…成为重构图像的各像素的像素值。
学习处理134在与模拟RF数据对应的输出数据中,调整各层的各单元的权重及偏置,以使输出变量的值接近测量图像的像素值。
数据收集部135经由开关电路110以及收发电路120收集(包括接收或取得)由多个元件得到的数据即测定数据(RF数据)。RF数据被存储在存储部M的RF数据存储区域133中。
图像取得部136从RF数据中提取与关注部位对应的部分RF数据。如图8所示,图像取得部136将部分RF数据作为输入数据输入到充分学习的学习器131,并取得从学习器131输出的部分重构图像的像素值。图像取得部136对关注区域所包含的多个关注部位反复进行上述的处理。由此,能够重构与被检测体T的关注区域对应的断层图像。重构图像显示在图像显示装置140上。特别是在本发明中,通过将多个关注部位大量地设定在1个图像上,能够大幅提高用于学习的数据生成时间。例如,在像素数为N2、不保证每个像素的信息的独立性的接近像素的距离为n的情况下,能够设定N2/n2的关注部位作为数量级,能够大幅削减数值模拟所需的时间成本、数据大小。
图9a是生物体模型的一例,表示物质的密度分布。图9b是该生物体模型的测量图像。图9c表示将与该生物体模型对应的模拟RF数据输入到已学习的学习器131,根据输出数据得到的重构图像的例子。确认得到清晰的重构图像。
这样,根据本实施方式,不进行近似运算等,将RF数据(部分RF数据)直接输入到学习器131,因此能够不削减RF数据的信息量而进行准确的图像重构。另外,根据本实施方式,在学习器131的学习中,能够使用通过模拟制作的教师数据。在此,在利用临床图像作为教师数据的情况下,为了保证学习的精度,一般需要大量的含有医生的诊断结果的临床图像。但是,充分必要地收集临床图像并不容易。另外,仅使用人诊断出的数据的结果是,无法学习超过已有的图像数据的范围的图像,难以完全排除应用的数据的样本的偏颇。因此,通过使用利用模拟制作的教师数据,能够抑制教师数据制作成本,减少教师数据的偏颇和精度的偏差。
在存储部M中也可以还存储有第二学习器,该第二学习器使用包含断层图像(例如过去的医用图像)和确定断层图像所包含的肿瘤部位的肿瘤信息的学习数据来进行学习,能够进行被检测体的断层图像中有无肿瘤的判定以及肿瘤部位的确定。
运算装置130还具有判定部,判定部将图像取得部136所取得的断层图像输入到第二学习器,根据第二学习器的输出数据,输出断层图像中有无肿瘤的判定结果、以及有肿瘤的情况下的肿瘤部位的信息。
输入到学习器131的部分RF数据不仅可以包含与图6所示的曲面C对应的RF数据,也可以包含其周边的RF数据。
如果使用发送条件数N、接收元件数M、时间方向的采样点数n,则图6所示的部分RF数据的尺寸为N×M×n。在到此为止的说明中,没有详细说明对n设定怎样的值。在声速不均质的影响小的条件下,能够设定n=1或与其接近的值。另一方面,在声速不均质的影响大的条件下,从图5所示的距离换算为传播时间时的不确定性变大。因此,n优选设定比较大的值。例如,在有可能存在于路径上的介质中,将声速最快的情况下和最慢的情况下的传播时间差除以采样周期后的值乘以偏差的方差而得到的值设为n。通过这样设定n,作为通过本发明的结构下的学习而得到的效果,能够期待声速不均质的修正效果。
图12a是表示超声波的传播路径的一例的图。在接收点LR接收从发送点LT发送并由各散射点PI反射的反射波时,如果将由环形阵列包围的圆区域的半径设为R,将该圆的中心与散射点PI的距离设为d,将从发送点LT到散射点PI的距离设为LTX,将从散射点PI到接收点LR的距离设为LRX,将发送点LT的位置设为(R,ω),将接收点的位置设为(R,θ),则从发送点LT到接收点LR的传播时间通过下述的数式1求出。
[数式1]
传播时间与距离成比例,因此,能够如下述的数式2那样表示某时刻t的传播时间。
[数式2]
t∝LTwoWay=LTX+LRX···(2)
图12b是表示从发送点LT发送并在接收点LRn接收点散射体P0、P1、P2的反射波的情况下的超声波的传播路径的例子的图。图12c表示将发送点设为LT的情况下的RF数据,将纵轴设为接收元件编号,将横轴设为时间轴(反射波到达时间)。
例如,在确定点散射体P0的位置时,在时刻t0的RF数据中,不仅包含来自点散射体P0的反射波分量,还包含来自点散射体P1、P2的反射波分量。因此,优选将输入到学习器131的部分RF数据设为不仅具有时刻t0,还具有包含时刻t0的某程度的宽度(增大时间方向的采样点数n)的数据。各散射点具有的RF数据具有由位置产生的固有的轨道,并且根据依赖于各个散射点所具有的生物体组织的特性的散射强度而具有不同的信号强度等,包含散射点固有的信息,因此,通过利用在时间宽度上具有连续性的信息,容易检测来自点散射体P1、P2各自的RF数据的特性的反射波分量的影响,能够提高与所关注的点散射体P0对应的部分重构图像的画质。如果输入至学习器131的部分RF数据的时间宽度过窄,则难以与其他RF数据进行识别,如果时间宽度过宽,则花费深层学习的工时成本,因此优选设为满足双方的条件的充分的宽度。
接着,对将本发明使用于声速不均质修正以外的其他用途的实施例进行说明。在使用了环形阵列的摄像中,通过增多发送条件数,摄像时间变长,取得RF数据的大小也变大。与中心频率相对地,在设定了适当的采样频率的RF数据中,在发送条件数为100的数量级、接收元件数为1000的数量级的情况下,每一个截面的数据尺寸成为数百GB的数量级,在乳房整体的三维数据中,成为1TB这样相当庞大的数据量。
另一方面,为了不产生信噪比下降的区域,通过从多方向加入超声波能量来向摄像区域整体投入声能是有效的。在以往的开口合成法中,通过确定哪个发送点(Et)、散射点(PS)、接收点(Er),能够求出传播时间并进行图像化。但是,根据本发明的方法,如图10所示,如果从多个Et(图中为3个Et的例子)同时发送,并由各个Er接收,则如图11所示,带状的区域是保存有对应的数据的区域。(当然,该带内的数据并非全部仅由对应的数据构成)。
在以往的开口合成法中,由于线C扩展到带状的区域,所以图像模糊。另一方面,在本发明中,通过从该带状的数据中提取部分RF数据并应用于学习,能够实现在抑制了模糊的同时还抑制了因发送条件数少而引起的区域内的信噪比不均的图像化。作为其结果,能够缩短摄像时间,削减RF数据的总数据量。
此外,在本发明中,关于在生物体模型中传播的超声波,模拟计算能够通过时域有限差分法求出波动方程式,或者通过Ray Tracing(光线追踪)的方法等进行计算。生物体模型通过对空间进行离散化并设定各离散点处的声速、密度、衰减率等而获得。此时,超声波的散射是通过声速与密度的积即声阻抗的空间梯度而给出的,因此,衰减率是以与声速不均质一致的方式作为干扰而给出的。对这样的干扰进行具有鲁棒性的学习也是使用多样的生物体模型进行学习的优点。
在学习器131的学习中,也可以代替基于模拟的生物体模型,而将对动物或风景等自然图像进行灰度转换而得到的亮度图像作为教师数据来使用。这是因为,自然图像包含各种空间频率分量,与在医用图像中成为摄像对象的生物体内的环境更接近。如果人工制作随机图案的图像来构建学习用的生物体模型,则与低的空间频率分量相比,相对高的空间频率分量变多,作为临床图像而产生本来应训练的特征和偏移。如果能够大量获得临床图像,则适合于目的,但一般难以大量收集临床图像,并且在临床图像中存在空间分辨率的界限,不包含足够高的空间频率这一情况也未必适合作为学习用的模型。有效利用自然图像在上述的2个方面是有利的。
在这种情况下,首先将亮度图像转换为声学特性分布图像。此外,在本实施方式中,对使用密度分布图像作为声学特性分布图像的例子进行说明,但例如也能够应用于声速分布像等。在图像转换中,能够使用下述的数式。在下述数式中,σi(x,y)是与像素(x,y)对应的密度,σ0是基准密度,I(x,y)是亮度图像的像素(x,y)的[0,1]的亮度(像素值),σmax是最大振幅,ε是[-1,1]的随机数。
σi(x、y)=σ0+I(x、y)*σmax*ε
图13表示将依次配置有白色部分、黑色部分、白色部分的像素列(亮度图像)转换为密度分布的例子。
与密度分布相对,在模拟空间上模拟环形阵列R的多个元件E的尺寸和排列,一边切换发送元件一边将通过多个元件接收到来自密度分布的反射超声波而得的模拟的RF数据(测定数据)输入到学习器131。学习器131以使学习器131的输出数据适合于亮度图像的像素值的方式进行学习。
图14a示出对黑猩猩的图像进行灰度转换而得到的亮度图像。图14b表示根据图14a的亮度图像生成的密度分布图像。图14c表示将与图14b的密度分布对应的模拟RF数据输入到已学习的学习器131并从输出数据得到的重构图像。确认得到清晰的重构图像。
在上述实施方式中,对使用环形阵列的结构进行了说明,但也可以使用将进行超声波的收发的元件配置在直线上或平面上的探测器。
使用特定的方式对本发明进行了详细说明,但本领域技术人员明了能够在不脱离本发明的意图和范围的情况下进行各种变更。
本申请基于2018年10月22日申请的日本专利申请2018-198658,其整体通过引用而加以援引。
附图标记说明
10 超声波诊断系统、
110 开关电路、
120 收发电路、
130 运算装置、
140 图像显示装置。
Claims (5)
1.一种超声波诊断系统,其特征在于,具备:
多个元件,其进行针对被检测体的超声波的发送以及从所述被检测体反射的反射超声波的接收中的至少任一方;
数据收集部,其一边切换发送超声波的元件,一边经由所述多个元件的至少一部分收集所述反射超声波的测定数据;以及
第一学习器,其使用学习数据进行学习,由此根据输入的所述测定数据输出所述被检测体的断层图像,该学习数据包括:由声学特性的分布表现的被检测体模型;以及在模拟了所述多个元件的尺寸和排列的模拟空间上一边切换元件一边发送超声波,通过多个元件的至少一部分接收来自所述被检测体模型的反射超声波而得的模拟测定数据。
2.一种超声波诊断系统,其特征在于,具备:
多个元件,其进行针对被检测体的超声波的发送以及从所述被检测体反射的反射超声波的接收中的至少任一方;
数据收集部,其一边切换发送超声波的元件,一边经由所述多个元件的至少一部分收集所述反射超声波的测定数据;以及
第一学习器,其使用学习数据进行学习,由此根据输入的所述测定数据输出所述被检测体的断层图像,该学习数据包括:基于自然图像的亮度图像;以及在模拟了所述多个元件的尺寸和排列的模拟空间上一边切换元件一边发送超声波,通过多个元件的至少一部分接收来自基于所述亮度图像的声学特性分布的反射超声波而得的模拟测定数据。
3.根据权利要求1或2所述的超声波诊断系统,其特征在于,
所述超声波诊断系统还具备图像取得部,该图像取得部将所述数据收集部收集到的所述测定数据输入到所述第一学习器,取得从该第一学习器输出的断层图像。
4.根据权利要求3所述的超声波诊断系统,其特征在于,
所述超声波诊断系统还具备:
第二学习器,其使用学习数据进行学习,由此能够进行被检测体的断层图像中有无肿瘤的判定以及肿瘤部位的确定,该学习数据包括学习用断层图像和确定该学习用断层图像中包含的肿瘤部位的肿瘤信息;以及
判定部,其将所述图像取得部取得的所述断层图像输入到所述第二学习器,根据该第二学习器的输出数据,输出该断层图像中有无肿瘤的判定结果以及有肿瘤的情况下的肿瘤部位的信息。
5.根据权利要求1至4中任一项所述的超声波诊断系统,其特征在于,
所述多个元件配置于被检测体的周围。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018198658 | 2018-10-22 | ||
JP2018-198658 | 2018-10-22 | ||
PCT/JP2019/041335 WO2020085312A1 (ja) | 2018-10-22 | 2019-10-21 | 超音波診断システム |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112638279A true CN112638279A (zh) | 2021-04-09 |
Family
ID=70332113
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980057030.7A Pending CN112638279A (zh) | 2018-10-22 | 2019-10-21 | 超声波诊断系统 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20210204904A1 (zh) |
EP (1) | EP3871611B1 (zh) |
JP (1) | JP6930668B2 (zh) |
CN (1) | CN112638279A (zh) |
WO (1) | WO2020085312A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022071380A1 (ja) * | 2020-09-30 | 2022-04-07 | 株式会社Lily MedTech | 超音波撮像システムの故障検査方法及び超音波撮像システム |
WO2023027172A1 (ja) * | 2021-08-26 | 2023-03-02 | 国立大学法人東京大学 | 超音波撮像装置 |
CN114397474B (zh) * | 2022-01-17 | 2022-11-08 | 吉林大学 | 基于fcn-mlp的弧形超声传感阵列风参数测量方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101938942A (zh) * | 2008-02-07 | 2011-01-05 | 株式会社日立医疗器械 | 超声波诊断装置 |
CN102970936A (zh) * | 2010-06-30 | 2013-03-13 | 富士胶片株式会社 | 超声诊断装置和超声诊断方法 |
CN106897573A (zh) * | 2016-08-01 | 2017-06-27 | 12西格玛控股有限公司 | 使用深度卷积神经网络的用于医学图像的计算机辅助诊断系统 |
US20180206827A1 (en) * | 2015-09-24 | 2018-07-26 | The University Of Tokyo | Ultrasonic diagnostic system and ultrasonic diagnostic method |
WO2018180386A1 (ja) * | 2017-03-30 | 2018-10-04 | 国立研究開発法人産業技術総合研究所 | 超音波画像診断支援方法、およびシステム |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6995500B2 (ja) | 2017-05-25 | 2022-02-04 | フクダ電子株式会社 | 生体信号記録装置およびその制御方法 |
-
2019
- 2019-10-21 EP EP19877409.3A patent/EP3871611B1/en active Active
- 2019-10-21 CN CN201980057030.7A patent/CN112638279A/zh active Pending
- 2019-10-21 WO PCT/JP2019/041335 patent/WO2020085312A1/ja unknown
- 2019-10-21 JP JP2020553399A patent/JP6930668B2/ja active Active
-
2021
- 2021-03-24 US US17/210,929 patent/US20210204904A1/en not_active Abandoned
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101938942A (zh) * | 2008-02-07 | 2011-01-05 | 株式会社日立医疗器械 | 超声波诊断装置 |
CN102970936A (zh) * | 2010-06-30 | 2013-03-13 | 富士胶片株式会社 | 超声诊断装置和超声诊断方法 |
US20180206827A1 (en) * | 2015-09-24 | 2018-07-26 | The University Of Tokyo | Ultrasonic diagnostic system and ultrasonic diagnostic method |
CN106897573A (zh) * | 2016-08-01 | 2017-06-27 | 12西格玛控股有限公司 | 使用深度卷积神经网络的用于医学图像的计算机辅助诊断系统 |
WO2018180386A1 (ja) * | 2017-03-30 | 2018-10-04 | 国立研究開発法人産業技術総合研究所 | 超音波画像診断支援方法、およびシステム |
Non-Patent Citations (3)
Title |
---|
H.D. CHENG ET AL: ""Automated breast cancer detection and classification using ultrasound images:Asurvey"", 《 PATTERN RECOGNITION》, vol. 43, pages 3 * |
OLIVER KUTTER ET AL.: ""Visualization and GPU-accelerated simulation of medical ultrasound from CT images"", 《COMPUTER METHODSAND PROGRAMS IN BIOMEDICINE》, vol. 94, pages 2 * |
SANKETH VEDULA ET AL.: ""TOWARDS CT-QUALITY ULTRASOUND IMAGING USING DEEP LEARNING"", 《ARXIV》 * |
Also Published As
Publication number | Publication date |
---|---|
US20210204904A1 (en) | 2021-07-08 |
EP3871611A4 (en) | 2022-05-18 |
EP3871611A1 (en) | 2021-09-01 |
JPWO2020085312A1 (ja) | 2021-06-03 |
JP6930668B2 (ja) | 2021-09-01 |
EP3871611B1 (en) | 2023-11-22 |
WO2020085312A1 (ja) | 2020-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
ES2886155T3 (es) | Método de reconstrucción de imágenes basado en un mapeo no lineal entrenado | |
US20210204904A1 (en) | Ultrasound diagnostic system | |
EP3510938A1 (en) | Mapping of intra-body cavity using a distributed ultrasound array on basket catheter | |
CN106163409A (zh) | 用于超声图像采集的触觉反馈 | |
CN108685596A (zh) | 利用超声医疗成像的组织性质估计 | |
JP2023038799A (ja) | データ処理装置、磁気共鳴イメージング装置及びデータ処理方法 | |
CN110192893A (zh) | 量化超声成像的感兴趣区域放置 | |
JP6841341B2 (ja) | 超音波診断システム及び超音波撮影方法 | |
KR102380167B1 (ko) | 단일 초음파 프로브를 이용한 정량적 이미징 방법 및 장치 | |
JP2021530303A (ja) | 深層学習による超音波イメージング、並びに関連デバイス、システム、及び方法 | |
AU2017375899A1 (en) | Method of, and apparatus for, non-invasive medical imaging using waveform inversion | |
WO2007100263A1 (en) | Method for simulation of ultrasound images | |
CN102626328B (zh) | 超声波诊断装置、超声波图像处理装置及取得方法 | |
JP6698511B2 (ja) | 超音波信号処理装置、および、それを用いた超音波送受信装置 | |
Fincke et al. | Towards ultrasound travel time tomography for quantifying human limb geometry and material properties | |
CN113382685B (zh) | 用于研究血管特性的方法和系统 | |
JP6933262B2 (ja) | 超音波診断システム及び画像生成方法 | |
Omidvar et al. | Shape estimation of flexible ultrasound arrays using spatial coherence: A preliminary study | |
CN104899902B (zh) | 一种血管内光声二维图像的重建方法 | |
KR20230011856A (ko) | 의료 초음파의 정량적 이미징 방법 및 장치 | |
US20210177380A1 (en) | Method and apparatus for quantitative ultrasound imaging using single-ultrasound probe | |
CN114173673A (zh) | 使用图像数据进行的超声系统声学输出控制 | |
CN112638274A (zh) | 用于智能剪切波弹性成像的超声系统和方法 | |
JP7187735B2 (ja) | 撮像装置及びプログラム | |
CN111050663B (zh) | 超声波信号处理装置、超声波诊断装置以及超声波信号运算处理方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210409 |
|
WD01 | Invention patent application deemed withdrawn after publication |