CN112823295A - 检测流动不稳定性的方法和装置 - Google Patents

检测流动不稳定性的方法和装置 Download PDF

Info

Publication number
CN112823295A
CN112823295A CN201980058594.2A CN201980058594A CN112823295A CN 112823295 A CN112823295 A CN 112823295A CN 201980058594 A CN201980058594 A CN 201980058594A CN 112823295 A CN112823295 A CN 112823295A
Authority
CN
China
Prior art keywords
flow
data
doppler
doppler bandwidth
bandwidth
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
CN201980058594.2A
Other languages
English (en)
Inventor
姚逸舜
迟·安德鲁·建元
余·阿尔弗雷德·卓恒
唐果
骆文博
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.)
Opening Of Science And Technology Us Technology Center
Original Assignee
Opening Of Science And Technology Us Technology Center
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 Opening Of Science And Technology Us Technology Center filed Critical Opening Of Science And Technology Us Technology Center
Publication of CN112823295A publication Critical patent/CN112823295A/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
    • 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
    • A61B8/48—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
    • A61B8/48—Diagnostic techniques
    • A61B8/488—Diagnostic techniques involving Doppler signals
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
    • A61B8/5223—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for extracting a diagnostic or physiological parameter from medical diagnostic data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • 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

Abstract

一种检测流动不稳定性的方法包括用超声波脉冲使关注区域受声波作用，从超声波脉冲的回波脉冲中获取射频(RF)数据，处理RF数据，并且通过AR建模从处理后的RF数据导出多普勒带宽。本文中是描述了一种用于检测流动不稳定性的装置。该装置包括发射器被配置使超声波脉冲作用在关注区域上的发射器，被配置为接收超声波脉冲中的回波脉冲的接收器，被配置为从回波脉冲获取射频(RF)数据的扫描仪，和处理器，其被配置为处理RF数据和通过AR建模从处理后的RF数据中得出多普勒带宽。

Description

检测流动不稳定性的方法和装置
优先权声明和交叉引用
本申请主张2018年9月7日提交的美国临时专利申请US 62/728,271的优先权，其全部内容通过引用被并入本文中。
背景技术
流动不稳定性，例如由于血管变窄引起的血管中的流动不稳定性，已经显示出引起人和动物未来发生心血管和脑血管事件的风险。然而，非侵入性地检测和识别血管中的流动不稳定性仍然是具有挑战性的。
附图说明
当与附图一起阅读时，根据以下详细描述可以最好地理解本公开的各方面。注意，根据行业中的标准实践，各种特征未按比例绘制。实际上，为了清楚起见，可以任意增加或减小各种特征的尺寸。
图1是根据一些实施例的一种检测流动不稳定性的方法的流程图；
图2是根据一些实施例的一种用于检测流动不稳定性的装置的示意图；
图3是根据一些实施例的一种检测流动不稳定性的方法的图示；
图4A是根据一些实施例的一种喷嘴的侧视图；
图4B是根据一些实施例的一种基于喷嘴的不稳定流动模型的图像；
图5A-5C是根据使用超声增强造影(CEUS)方法的一些实施例的检测到的流动不稳定性的图像；
图5D-5F是根据使用CFI(多普勒方差映射)方法的一些实施例的检测到的流动不稳定性的图像；
图6A-6C是用超声增强造影(CEUS)方法测量不稳定流量的图像；
图7A-7D是根据一些实施例的检测流动不稳定性的方法的敏感性和特异性分析的曲线图；
图8A-8O是根据一些实施例的检测流动不稳定性的方法的结果的图像；
图9A-9B是根据一些实施例的狭窄模型的多普勒带宽的图像。
具体实施方式
以下公开提供了用于实现所提供的主题的不同特征的许多不同的实施例或示例。下面描述部件和布置的特定示例以简化本公开。当然，这些仅仅是示例，而无意于进行限制。例如，在下面的描述中，在第二特征之上或之上形成第一特征可以包括其中第一特征和第二特征直接接触形成的实施例，并且还可以包括其中在第一特征和第二特征之间形成附加特征，使得第一特征和第二特征可以不直接接触的实施例。另外，本公开可以在各个示例中重复附图标记和/或字母。这种重复是出于简单和清楚的目的，并且不一定指示所讨论的各种实施例和/或配置之间的关系。
检测流动不稳定性的方法
在一些实施例中，本公开针对一种检测流动不稳定性的方法。
在一些实施例中，本公开针对一种检测人或动物的血管中的流动不稳定性的方法。在一些实施例中，本公开针对一种检测由血管变窄引起的血管中的流动不稳定性的方法。
在某些情况下，流动不稳定是由血管变窄引起的(血管狭窄)。血管狭窄的一个示例是颈动脉粥样硬化狭窄，颈动脉、颈部中向大脑、颈部和面部供血的主要血管的狭窄。颈动脉粥样硬化狭窄能够引起中风或中风样发作。
在其他方法中，颈动脉粥样硬化狭窄的风险分层是基于管腔变窄和峰值收缩速度的测量。然而，具有相同程度狭窄的动脉粥样硬化斑块在其相关风险方面可能存在实质性差异，从而促使在直接狭窄部位之外进行诊断。从血液动力学的角度来看，狭窄的存在会扰乱血流，进而狭窄会导致流动不稳定。这个现象为经由使用听诊器检测颈动脉杂音，为颈动脉粥样硬化的身体检查奠定了基础。不稳定的血流(即非层流，包括湍流)也与动脉粥样硬化和斑块进展以及血栓形成和栓塞的风险增加有关。因此，监测血流不稳定性也可以提供新的临床见解，以了解动脉粥样硬化斑块形成的机制。
流动的不稳定性以流动速度在时间和空间上的波动为特征。医学影像学方法已经被利用来导出流动湍流指数，该参数描述了多个连续心动周期之间特定心脏情况下血流速度的变化。例如，相位对比磁共振成像已经证明从体素内平均速度变化的测量绘制湍流区域的可行性。类似地，多普勒超声可用于通过测量连续心动周期内流速的标准偏差来计算湍流指数。然而，由于其对心动周期间变化的敏感性，因此心率和心搏量的波动为湍流指数方法带来了重大缺陷。
无需依赖多个心动周期的测量，而是可以通过识别心动周期中特定时刻的高频速度波动来检测不稳定流动。在一些方法中，使用血管内导管测量瞬时血流速度波动，但是这种方法是高度侵入性的。在一些方法中，基于多普勒频谱带宽的特征，多普勒超声已经用于以多普勒频谱展宽的形式(作为流速波动的影响)以非侵入方式检测流动不稳定性。这种方法已经证明在评估斑块风险方面的初步成功。然而，仅在单距离门上操作的多普勒超声缺乏追踪多个空间位置中的流速波动的能力。
多普勒超声的单门数据采集范例的一种变通方法是执行基于多普勒的彩色流成像(CFI)，该成像能够提供平均轴向速度估算或速度方差估算的彩色编码渲染。使用CFI，即单门多普勒超声的全景版本，能够在CFI框架中从视觉上将不稳定的流动区域识别为类胀泡色块或马赛克色图案。然而，在使用CFI 进行流动不稳定性分析时有多重警告。首先，尽管CFI在视频显示范围内
Figure GDA0003011751560000033
Figure GDA0003011751560000034
产生实时帧速率，但在某些情况下，CFI的时间分辨率难以适应不稳定流动的快速变化特性。其次，CFI数据采集涉及图像视图中每条扫描线上的多次触发，因此每个CFI帧都无法捕获不稳定流动的连贯的空间快照。第三，由于在实时需求的限制下，用于多普勒处理的每个慢时间集合的大小都受到限制(8-16个样本)，因此在像素位置进行流量估计的CFI导出容易产生明显的波动和不精确性。考虑到所有这些问题，CFI帧中的类胀泡或马赛克式着色图案只是伪造的伪像，而不是不稳定流动的真实指示(尤其是在CFI参数未正确调整时)的风险很高。
在一些实施例中，检测流动不稳定性的方法100包括：用超声波脉冲使关注区域受声波作用110；从超声波脉冲的回波脉冲中获取射频(RF)数据120；处理RF数据130；并且通过AR建模从处理后的RF数据导出多普勒带宽140。
在一些实施例中，用超声波脉冲串使关注区域受声波作用110包括用未聚焦的平面波、发散的球形波、弱聚焦的宽束波或聚焦的会聚波使关注区域受声波作用。在一些实施例中，关注区域受声波作用包括宽视角的受声波作用。在一些实施例中，超声波是高帧频超声波。
在一些实施例中，获取RF数据120包括从多个阵列通道中的每个阵列通道获取RF数据。
在一些实施例中，处理RF数据130包括对RF数据进行波束成形以生成关注区域的全景图像。在一些实施例中，执行回波数据的波束成形包括执行并行波束成形。
在一些实施例中，处理RF数据130还包括通过沿慢时间维度堆叠多个全景图像来形成3D数据矩阵；并且将杂波过滤应用于3D数据矩阵。在一些实施例中，处理RF数据130还包括将杂波滤波应用于3D数据矩阵。
在一些实施例中，检测流动不稳定性的方法100是检测血管中的流动不稳定性的方法。在一些实施例中，血管是动脉。
在一些实施例中，在心动周期的不同阶段重复用超声波脉冲使关注区域受声波作用110，从超声波脉冲的回波脉冲中获取射频(RF)数据120，和处理 RF数据130，以捕获心动周期不同阶段的时态信息。
在一些实施例中，通过AR建模导出处理后的RF数据的多普勒带宽140 包括通过首先导出慢时间集合的AR模型来估计在短时间内的给定像素位置处的多普勒带宽，然后估计信号模型的频谱功率。在一些实施例中，多普勒带宽被确定为功率谱的半峰全宽(FWHM)。在一些实施例中，针对每个图像像素重复对多普勒带宽过程的估计，以生成多普勒超声带宽成像(DUBI)帧，作为图像视图上的流动不稳定性的描绘。在一些实施例中，为了跟踪多普勒带宽随时间的演变，在随后的时间点(间隔M个慢时间采样)重复整个估计程序，以在图像视图上生成DUBI帧的时间序列(请参见图3B)。
在一些实施例中，通过AR建模导出处理后的RF数据的多普勒带宽140，包括根据以下式1的P阶复数AR模型表示，用N个样本在慢时间集合中对第 n个样本进行建模：
Figure GDA0003011751560000051
其中，在式1中，aP，k为模型的第k个复数AR参数，e[n]为复数建模误差中的第n个样本。
在一些实施例中，由于伯格法通过迭代地使前向预测误差和后向预测误差的平均值最小化来工作，因此使用伯格法来迭代估计AR参数{aP，k}的集合以产生良好的频谱估计可靠性。
在一些实施例中，通过AR建模导出处理后的RF数据的多普勒带宽140 还包括计算通过如下式2定义的参数谱拟合从AR模型构造的集合x[n]的多普勒功率谱SAR[f]：
Figure GDA0003011751560000052
其中，在式2中，f是单元频率，Δt是脉冲间隔，σP 2是前向预测误差和后向预测误差的平均功率的平均值。
参照图3B，在一些实施例中，在将SAR[f]归一化为SAR[f]的最大功率之后，将慢时间集合的多普勒带宽确定为半峰全宽(FWHM)SAR[f]。
通过AR建模从处理后的RF数据中导出多普勒带宽是可取的，因为通过使用AR建模，DUBI的多普勒带宽估计过程已成为在平滑多普勒功率谱上找到FWHM的任务。反过来，DUBI的多普勒带宽估计过程较不容易受到源自经典周期图方法的多普勒功率谱中可能出现的随机频谱尖峰的影响，因此与其他方法相比，提高了多普勒带宽估计的一致性。使用AR建模方法导出多普勒功率谱的另一个优势是，可以用更精细的光谱分辨率来重构该光谱，而不受慢时间信号中样本数量的限制。这样一来，所得的多普勒带宽估计就更准确了，因为它们不易产生离散化噪声。
在不希望受到理论束缚的情况下，发明人认为，流动不稳定性自然会引起关注区域中样品体积上的宽范围的流动速度。由于流速与多普勒频移的大小相关，因此宽范围的流速反过来会产生较大的多普勒带宽估计值。
因此，在一些实施例中，当导出的多普勒带宽等于或大于预定值时，确定流动不稳定性存在。在一些实施例中，当导出的多普勒带宽小于预定值时，确定流动不稳定性不存在。
在一些实施例中，用于导出多普勒带宽的RF数据的样本是来自持续时间明显短于心动周期的持续时间的时间窗口的样本。
由于在人类中心动周期的持续时间为约0.6-1秒，因此在一些实施例中，受声波作用的持续时间为100毫秒(ms)或更短，例如50毫秒或更短，40毫秒或更短，30毫秒或更短，20毫秒或更短，10毫秒或更短，5毫秒或更短， 2毫秒或更短，或1毫秒或更短。如果受声波作用的持续时间大于100毫秒，则由心动周期相位的变化引起的流速变化可能会引入噪音。
在一些实施例中，该检测流动不稳定性的方法还包括将导出的多普勒带宽与预定值进行比较。在一些实施例中，将导出的多普勒带宽与预定值进行比较包括将在全景图像的一个或多个像素处的导出的多普勒带宽与预定值进行比较。
在一些实施例中，该检测流动不稳定性的方法100还包括与显示流动轨迹或B模式图像的流动斑点图案同步地显示多普勒带宽的图150。
利用在不同时刻在每个像素位置处导出的多普勒带宽估计，能够将DUBI 帧形成为三层显示方案，以便于随时间推移在图像视图中可视化流动不稳定性。如图3C所示，DUBI能够同步显示：(a)多普勒带宽图，注释每个像素位置的流动不稳定性；(b)流动斑点图案揭示了流动轨迹；和/或，(c)显示解剖结构的B模式图像。
流动斑点共可视化能够通过颜色编码的斑点成像来执行，其中，通过计算杂波滤波后相应的慢时间集合的幂，可以在不同像素位置导出流动斑点值。流动斑点共同可视化的描述可在本发明人在Ultrasound Med Biol上发表的文章“High-frame-rateultrasound color-encoded speckle imaging of complex flow dynamics(复杂流动力学的高帧速超声彩色编码斑点成像)”中找到，其全部内容通过引用合并在本文中。
在一些实施例中，为了形成DUBI的三层显示，首先将流动斑点图覆盖在 B模式图像的流动区域上，并且显示为基础层。然后，将多普勒带宽估计映射到具有对应于较高多普勒带宽的较亮颜色的热色调。随后使用Alpha合成原理覆盖此颜色图。对于非流动区域，将透明度设置为100％以显示解剖结构。对于流动区域，将透明度设置为70％，以显示流动斑点图案和颜色编码的多普勒带宽估计。在不同的时间点重复这种渲染策略，并且将图像帧堆叠在一起以形成影像回放系统。
检测流动不稳定性的装置
在一些实施例中，本公开针对一种检测流动不稳定性的装置200。该检测流动不稳定性的装置200包括：发射器210，其被配置为使超声波脉冲作用在关注区域上；接收器220，其被配置为接收超声波脉冲中的回波脉冲；扫描仪 230，其被配置为从回波脉冲获取射频(RF)数据；和处理器240，其被配置为：处理RF数据；并通过AR建模从处理后的RF数据中得出多普勒带宽。
在一些实施例中，发射器210或接收器220包括超声阵列换能器。
在一些实施例中，处理器240被配置为以类似于前一部分中所描述的方式，通过AR建模来处理RF数据或从处理后的RF数据中导出多普勒带宽。
在一些实施例中，处理器240还被配置为使用由接收器获取的RF数据来生成揭示流动轨迹或B模式图像的流动斑点图案。
在一些实施例中，处理器240还被配置为与要由显示器显示的流动斑点图案或B模式图像同步地生成多普勒带宽的图。在一些实施例中，处理器240 被配置为与前一部分中所描述的那些类似的方式，基于与流动斑点图案或B模式图像的同步来生成多普勒带宽的图。在一些实施例中，显示器被包括在装置 200中。在一些实施例中，装置200被配置为连接到外部显示器。
在一些实施例中，处理器240还被配置为将多普勒带宽与预定值进行比较。在一些实施例中，等于或大于预定值的多普勒带宽指示流动不稳定性，并且小于预定值的多普勒带宽指示稳定流动。
示例
示例1：DUBI的实现方法
示例1-1：成像硬件和数据采集
DUBI是在可编程的研究平台上实现的，该平台基于超声流动成像创新而构建，该创新参见本发明人发表的文章“High-frame-rate ultrasound color-encoded speckleimaging of complex flow dynamics(复杂流动力学的高帧速超声彩色编码斑点成像)”和“Vector Projectile image：time-resolved dynamic visualization of complex flowpattern(矢量抛射图像：复杂流动图案的时间分辨动态可视化)”。这两篇文章均通过引用整体并入本文。该平台包括128通道可编程传输前端(SonixTouch；Analogic Ultrasound，Peabody，MA，USA)，具有 40MHz采样率和12位分辨率的预先波束成形的DAQ工具，41以及基于图形处理单元(GPU)技术的用于波束成形和信号处理的高速处理平台(GTX 1080；NVidia Corporation，Santa Clara，CA，USA)。我们的研究平台经过编程，以根据需要执行高帧率数据采集。使用L14-5线性阵列(0.3048mm间距；模拟的超声波)，通过无转向平面波激励(0°传输；5MHz中心频率，5个周期的脉冲) 实现了10kHz的宽视角采集。因此，以10,000fps的速率获取原始数据帧。同样，根据已建立的公式，传输脉冲形状产生的有效轴向范围为0.77mm。49在每次采集中，将原始通道域数据存储在DAQ工具上，直到内部16GB存储缓冲区被填满(5cm成像深度持续3s)。然后将数据离线流式传输到GPU平台进行处理。
示例1-2：平面波图像形成
对于采集的数据集的每一帧，使用在Matlab(R2016a；Mathworks Inc.， Natick，MA，USA)中编程的编解码器在GPU计算平台上执行并行波束成形，其中调用了GPU加速的并行波束成形库。编解码器首先在每个通道的基础上将3-7MHz带通滤波器应用于接收到的RF数据，以抑制带外白噪声。该滤波器在Matlab中实现为有限脉冲响应(FIR)滤波器，使用Parks-McClellan等波纹设计算法制定了最小滤波器阶数(30个抽头)。如前所述，随后使用基于FIR 的Hilbert变换器(50阶)获得了采集数据的分析形式。借助解析的RF数据，最终使用我们基于GPU的延迟和求和算法(与Hanning切趾一起使用了64个阵列通道)对图像帧(像素间距为0.2mm)进行了平行波束成形。对不同慢时间采样时刻的数据重复这个三阶段过程，从而在慢时间生成图像帧的堆叠，以进行多普勒信号处理和带宽估计。请注意，对于64通道接收孔径配置，如基于众所周知的公式所确定，对于2-5cm的成像深度范围，有效的横向宽度估计在0.31到0.77mm之间。此外，根据内部点目标仿真，利用其切趾曲线，发现其接收波束成形器的最大旁瓣大小(发生在2cm深度处)比主瓣低27.6 dB。
示例1-3：用于多普勒带宽估计的信号处理
多普勒带宽估计是在每个像素基础上的各种慢时间时刻进行的。首先，应用多普勒杂波滤波器来抑制组织回声；这种滤波器被实现为具有0.05归一化截止频率的FIR高通滤波器(即，对于10kHz慢时间采样率为250Hz)，并且使用等波纹滤波器设计算法将其滤波器阶数优化为135个抽头。对于流动区域，在每个慢时间集合中执行N＝100个样本的多普勒带宽估计，相当于10ms 观察周期的窗口。选择这个相对较短的持续时间以限制由血流的快速加速(和减速)引起的频谱展宽。随后如所述的导出相应的基于AR的多普勒频谱。在我们的实现中，选择了8阶AR模型，因为在早期工作中，其性能与更高阶模型(最高16阶)相似。37此外，AR建模的功率谱以10Hz的频谱分辨率形成(即，相对于慢时间采样率的0.001归一化频率)，以避免频谱离散化噪声。
为了加快每个DUBI帧的推导，通过设计用于AR建模的基于GPU的并行计算内核，并发执行了多个像素的多普勒带宽估计。这个GPU内核是使用 C++编程语言和计算统一的设备架构应用程序编程接口(ver.7.5；NVidia Corporation)实现的。如附录中所述，其制定是基于伯格法的公共域计算算法。在完成每个DUBI帧的多普勒带宽估计过程之后，在其他慢时间采样时刻重复该过程，以生成多普勒带宽图的时间序列。具体地，在沿着慢时间将观察窗移动25个样本之后执行重复(即，M＝25；对于N＝100，有75％的重叠)。多普勒带宽图的有效帧速率为400fps(10,000fps原始数据帧速率除以25)。如前所述，最终绘制了所得的多普勒带宽图。
示例2：实验测试方法
示例2-1：基于喷嘴的不稳定流动模型
为了评估DUBI在识别不稳定流动区域中的性能，设计了喷嘴流装置以产生从层流到湍流的流动条件。流动条件的特征在于其雷诺数Re，定义为Re＝ uD/m，其中u是平均流速，D是喷嘴直径，m是流体运动粘度。由于已知平均速度项u等于流量Q除以横截面积A(即，u＝Q/A)，因此雷诺数可以很容易地改写为Re＝4Q/πDm。基于这种关系，通过改变流量实现了不同的Re值。反过来，通过增加流量产生了一系列随着流动扰动的进展程度而产生的流动条件。对于这些流动条件中的每一个，借助于CEUS识别了稳定流动区域和不稳定流动区域(将在示例2-3中讨论)。
就喷嘴设计而言，它被成形为弯曲漏斗形，以在15mm的通道上将流道的直径从10.6mm逐渐缩小到1.5mm(见图4A)，从而逐渐增加了流速。该模型的底座拉长了15mm，以便可以将流量连接器(EW-06361-61；Cole-Parmer， Vernon Hills，IL，USA)牢固地固定在底座端上。然后将喷嘴插入由聚乙烯醇 (PVA)制成的体模(示例2-2中讨论的制造细节)中以进行流动，以将其排出到直径15mm的直管流动通道中。体模提供了一个声窗，以对从喷嘴排出的流进行成像。请注意，这种喷嘴流几何形状可作为狭窄的理想模型(在这种情况下，直径可减少90％)。
示例2-2：喷嘴流模型的建造和流路设置
利用3-D打印来物理构造喷嘴。首先，其物理尺寸是在计算机辅助设计 (CAD)软件(SolidWorks；Dassault Systems，Waltham，MA，USA)上起草的。为了编译3-D打印说明，将CAD模型(以STL立体光刻文件格式保存)导入了切片机软件(KISSlicer；ver 1.5)中。然后将说明下载到喷嘴尺寸为0.25mm 的熔融沉积建模(FDM)系统(DX型；CreatBot 3D打印机，中国郑州)上，以创建物理模型。使用的层和皮肤的厚度分别为0.1和0.5毫米。
根据先前工作中报告的方案，基于熔模铸造原理制造的流动体模。在这项研究中，制造了一个在整个仿组织平板上具有15mm直径的流动通道的基于PVA的无壁流动体模。通过首先将直杆包埋在PVA溶液中，然后在溶液凝结后去除杆来形成流动通道。直杆的直径为15mm，长度为280mm，并且起流动通道的复制阴模的作用。为了使体模紧握在入口喷嘴和出口流动连接器上，将杆两端的30mm直径缩小到9mm(流动通道的有效长度变为220mm)。类似于喷嘴，内芯是在SolidWorks上绘制的，并且使用具有相同设置的FDM系统进行物理构造。接下来，使用砂纸(400粒度)对杆进行轻轻打磨，然后通过将其安装到两个侧板上，将其悬挂在体模盒(80×295×70mm3，宽×长×高) 中。通过以下方式将仿组织材料浇铸到直杆周围：(a)将PVA溶液倒入体模盒中，(b)进行三个冻融循环(在-20℃冻结24h，然后在4℃融化24h)。
请注意，PVA混合物由10％的PVA(341584；Sigma-Aldrich，St Louis，MO， USA)、3％的石墨(282863；Sigma-Aldrich)、0.3％的山梨酸钾(85520； Sigma-Aldrich)和86.7％的蒸馏水组成。如先前报道，这个仿组织材料的声衰减和速度分别为0.229dB/(cm·MHz)和1535m/s。完成热循环过程后，只需将直杆从体模的一端滑出，就可以设置流动通道。
制作完流动体模后，将喷嘴固定到入口流动连接器中。然后将装置连接到可编程流量泵(详细信息在其他地方描述)，该流量泵根据表I中列出的参数以恒定的流量供给仿血流体，以生成如前所述的一系列流动条件。请注意，模仿血流体是使用基于Orgasol的标准化公式和先前描述的实验室程序制造的。其动态粘度(4.1mPa·s)和密度(1037kg/m3)与人体血液相匹配。图4B显示了使用临床扫描仪(SonixTouch；Analogic Ultrasound)捕获的组装后的流动体模的进气段的B模式图像。
表I-每种流量条件的流量和ROI大小
Figure GDA0003011751560000111
示例2-3：用CEUS识别不稳定的流动区域
为了便于识别存在不稳定流动的区域，可使用微泡对比剂来追踪流动轨 迹。背后的基本原理是，当流体在平行层中流动而层之间没有中断时，就会发 生层流。这样，稳定区域中的微泡将沿直线路径移动。相反，不稳定的流动将 对应于观察到微泡的轨迹具有相互交叉路径的情况。根据这个概念，将微泡造 影剂(USphere Prime；Trust BioSonics，Hsinchu，中国台湾)以手动方式缓慢注 入到流动体模的入口，以进行CEUS成像。
使用示例1-1中描述的相同数据采集方案，针对所有流量重复进行平面波数据采集，但是使用原始发射功率为50％的5MHz的2周期脉冲，而不是在稳定空化状态中激发微泡。然后，通过与示例1-2中所述的相同图像形成方法生成高帧率CEUS图像。为了突出显示流动轨迹，在对数压缩之前，通过在多个帧上平均波束形成的RF信号大小来渲染高持续性B模式图像。这使得高回声微泡沿着其轨迹产生划线，代表了流动路线。每K帧以重叠方式重复这个过程，以生成流动路线的影像回放系统进行分析。
根据流量调整图像持续性和重叠(即有效帧速率)，以标准化微泡的保留时间(以帧数表示)，进而生成一致的轨迹。表II总结了三种代表性流动条件的CEUS渲染参数。识别出观察到微气泡穿过路径的区域，并且将其分类为不稳定流动区域。另一方面，层流层破裂之前的区域被分类为处于稳定流动状态。还识别了在所有流动条件下流动从层流过渡到湍流的中间边界。使用Matlab 内置功能手动选择了关注区域(ROI)；ROI的高度设置为1.5mm以匹配喷嘴直径。ROI的长度根据中间边界的位置而变化；为了避免在选择ROI进行性能分析时出现歧义，从中间边界为稳定区域和不稳定区域保留了2.5mm的空白，这是一种保守的立场。表I最右两列总结了不同流量下每个区域的ROI大小。
表II-对比增强的超声电影环渲染参数
Figure GDA0003011751560000121
示例2-5：多普勒带宽测量的ROC分析
为了评估DUBI在确定流量不稳定性方面的敏感性和特异性，进行了ROC 分析。该程序涉及以下关键步骤。首先，基于CEUS参考数据，将所有图像帧在ROI中测得的多普勒带宽估计归类为属于稳定流动(负)组或不稳定流动 (正)组。接下来，设置带宽阈值，以将测得的带宽分类到其预测条件(稳定或不稳定)；超过阈值的多普勒带宽被分类为正(即不稳定)，反之亦然。从稳定组计算出真阴性(TN)和假阳性(FP)，而从不稳定组计算出真阳性(TP) 和假阴性(FN)。在0.1至10kHz范围中的不同带宽阈值上以0.1kHz的增量重复这个过程，并且计算出TN、FN、TP和FP值的每个相应集。使用这些数据，导出测试的敏感性[TP/(TP+FN)]和特异性[TN/(TN+FP)]以绘制ROC曲线。计算曲线下面积作为ROC的总结性测量。此外，还计算了ROC曲线上所有点的约登指数(敏感性+特异性-1)，以识别在相等权重下使敏感性和特异性最大化的最佳临界值。
示例2-5：与CFI的比较分析
将DUBI的性能与常规CFI的性能进行了对比。为了促进这种比较，通过应用基于CFI扫描线的成像范例来计算CFI帧，以重新处理如示例1-1中所述的原始通道域数据集。具体来说，我们平台的GPU波束成形器被重新配置为对通道域数据的每一帧执行四线并行接收波束成形。完整的图像视图被分为 48个区域，每个区域在相邻的横向位置都包含四束。在前进到下一个区域之前，在每个区域上执行了10条连续脉冲事件的四线波束成形。因此，在CFI 扫描线中的每个像素位置处，慢时间集合是具有10kHz采样率的10个样本的大小，从而产生10ms的观察周期(即，与DUBI的观察周期相同)。有效的 CFI帧速率为20.8fps。对于每个慢时间集合，使用一阶无限脉冲响应高通滤波器(0.05归一化截止；使用投影初始化)抑制组织杂波，然后通过Kasai自相关算法估计平均流速和速度方差。将CFI帧中不同像素的流量估计映射到热冷色调，以呈现平均流速信息。它们还被映射为三色色调，以呈现平均速度和方差信息。
示例2-6：使用拟人化体模进行示例演示
为了进一步证明DUBI在生理相关条件下检测流动不稳定性的功效，对健康的颈动脉分叉模型、中度狭窄的分叉(基于NASCET标准定义的，相对于颈内动脉直径的50％偏心狭窄)和严重狭窄的分叉(75％偏心狭窄)进行一系列成像实验。这些几何形状具有从多普勒超声和粒子图像测速获得的经过充分研究的流动特性。
使用相同的熔模铸造程序制造分叉体模。血管芯(健康的、50％偏心狭窄和75％偏心狭窄)与先前报道的芯几何形状相同，颈总动脉、颈内动脉和颈外动脉的未缩窄直径分别为6.0mm、4.2mm和3.5mm。血管芯首先使用CAD 软件(SolidWorks)绘制，并且使用前面提到的FDM系统进行物理制造。随后将血管芯的物理构造包埋到体模盒(80×295×70mm3，宽×长×高)内的PVA 溶液中，并且进行三个冻融循环以固化PVA溶液。最后，通过移除芯(通过在分叉部位扣紧芯并且从两端滑出已扣紧的零件)来建立血管的几何形状。
在实验过程中，分叉体模被连接到可编程流量泵，该流量泵驱动脉动流曲线(20ml/s收缩期流量；60bpm)。使用定制的PVA耦合楔，使换能器表面相对于体模表面倾斜20°，进行平面波成像。请注意，对倾斜耦合楔的使用是受到另一项研究的启发，该研究在执行临床多普勒超声检查时使用倾斜的凝胶垫以产生更有利的束流角度。通过这种实验配置，使用与前面小节中描述的相同的方案获得DUBI影像回放系统。
示例3：喷嘴流体模的发现
示例3-1：DUBI描绘不稳定流动区域是有效的
通过三种流动条件下平均超过0.5s得到平均多普勒带宽的静止帧。结果示于图5A至图5C中，稳定流动和不稳定流动之间的中间边界由白色箭头指示(根据CEUS确定)。图5D至图5F也示出了从CFI方差映射(即，平均多普勒方差)得出的比较结果。要注意的一项普遍观察是，随着Re从375增加到750和1125，DUBI平均多普勒带宽图的最大值从2.1kHz增加到3.1kHz 和5.2kHz。更重要的是，对于Re＝1125的情况，不稳定流动的发展对应于从DUBI导出的平均多普勒带宽图中的空间峰值区域。不稳定流动区中的5.2kHz 空间峰值明显高于喷嘴附近上游流动射流中2.4Hz的空间最大值。在平均多普勒方差图中没有清晰地突出显示这种可视化，因为发现上游流动射流产生的平均多普勒方差值(空间最大值：6.7kHz)与不稳定流动区域(空间最大值：7.1 kHz)相似。
示例3-2：DUBI的发现与CEUS相似
作为进一步的分析，图6A至图6C示出了绘制有虚线以指示稳定流动和不稳定流动之间的中间边界的选定CEUS框架。发现这些边界在高Re情况下 (中间帧和右帧)的位置与图5A至图5C中开始出现多普勒带宽估计上升的位置非常接近，从而指示多普勒带宽能够是辨别流不稳定性的可靠指标。
示例3-3：DUBI在映射流动不稳定性方面显示出强大的ROC性能
图7A包括DUBI的ROC曲线(暗线)的曲线图，其中具有三种流量从所有ROI收集的样品。可以观察到，ROC曲线(曲线下面积为0.85)位于对角线(灰色虚线)上方，从而表明DUBI在确定流动不稳定性方面具有正的预测能力。图7A(灰色线)还绘制了约登指数，作为敏感性和特异性的整体指标。当敏感性和特异性分别为0.72和0.83时，发现最佳的约登指数为0.54。如图7B所示的双种群直方图所示，这个最佳点对应于2.4kHz的带宽阈值。这些ROC结果代表了与多普勒方差映射所获得的结果相比的重大改进。如图 7C和图7D所示，多普勒方差映射的最佳敏感性和特异性分别为0.68和0.66，并且它们的最大约登指数为0.34，带宽阈值为4.0kHz。多普勒方差映射(0.72) 的ROC曲线下面积也小于DUBI。
示例4：颈动脉分叉实验的发现
示例4-1：DUBI突出显示狭窄部位出现的不稳定流动
当将DUBI应用于搏动性颈动脉分叉体模时，发现其能够突出显示病变分叉中狭窄部位下游产生的血流不稳定性。
需要注意的是，由于狭窄部位的管腔变窄，狭窄的血管(上部分支)中的多普勒带宽范围增加。这个观察结果与从流量喷嘴模型中得出的结果一致，即增加Re将导致更大的多普勒带宽(在分叉实验中，流量分布保持不变，但随着狭窄程度的增加，“喷嘴”变窄)。健康模型中的多普勒带宽在整个心动周期中都较低(＜1.4kHz)。相反，在两个患病模型中都观察到了高多普勒带宽(＞2.4 kHz)，尤其是在心动周期的流动收缩期和重搏波期期间的流动喷射区域。
图8A至图8O中示出了DUBI的选定帧，以促进对DUBI在关注的特定时间点提供的信息的进一步解释。这个图描绘了从在心动周期(图8B、图8G 和图8I)、收缩末期(图8C、图8H和图8M)、舒张末期(图8D，图8I和图 8N)中测得的峰值多普勒带宽的时刻的收缩期峰值(图8A、图8F和图8K) 的帧，以及狭窄部位的相应多普勒频谱图(图8E、图8J和图8O)。可以得出三个主要观察。首先，最大的多普勒带宽随着狭窄程度的增加而增加，这反映在DUBI帧中更亮的热色调上。其次，在喷射尾部发现了峰值多普勒带宽[图 8K和图8L]，此处流量扰动最强。第三，对于50％狭窄模型(图8F至图8J)，仅在流动收缩期才发现多普勒带宽的显着增加，而对于75％狭窄模型，其在整个心动周期中均持续高程多普勒带宽(图8K到图8O)。峰值多普勒带宽的时间和位置通常地与在先前报道的相似流动条件下使用湍流强度测量的时间和位置一致。
示例4-2：最大多普勒带宽与狭窄程度相关
作为DUBI的进一步分析，图9A和图9B示出了在两个患病分叉体模的狭窄射流区域(暗线)及其尾部(灰色线)处测得的多普勒带宽的时间轨迹。这个图中还包括一条指示收缩期峰值的虚线。对于75％狭窄模型，与50％狭窄模型(3.3kHz)相比，喷射尾部的最大多普勒带宽明显更高(7.7kHz)。此外，在75％狭窄模型中，射流尾部的多普勒带宽在整个心动周期上显示出较大的时间波动，并且由于流动减速自然有利于恢复稳定流动情况，因此在收缩末期(收缩峰后100ms)显示出下降趋势。另一点值得注意的是，在两个患病模型中，流动射流处的多普勒带宽均低于射流尾部的多普勒带宽。这个发现预期地表明流动不稳定性主要不出现在流动射流处，而是出现在射流的下游。对于75％狭窄模型，在狭窄流动射流处，发现多普勒带宽显示出更大程度的波动。这种趋势可能是因为对于75％狭窄模型，射流速度的较高时间变化自然会有利于稳定流动状态和不稳定流动状态之间的转换。
示例5：DUBI作为映射流动不稳定性的框架
以非侵入方式可视化不稳定流动不是一件容易的事。特别是，在设计新的流动不稳定性映射框架时必须解决两个实际的流动特征：(a)由于其耗散特性，在给定时间点，不稳定流动图案可以在空间上变化；(b)在心动周期中，由于血流的搏动性，流动状况可能会随时间变化。DUBI专为可视化和跟踪这些时空动态而设计。它具有三个关键特征，这些特征共同地使不稳定流动的可视化成为可能。首先，DUBI能够以超出视频显示范围的高帧速率在整个图像视图上跟踪流动不稳定性的空间变化(经由局部多普勒带宽测量)[图3A]。其次， DUBI使用AR建模方法来一致地导出多普勒带宽估计[图3B]。第三，DUBI 的三重显示方法能够同时呈现流动不稳定性信息(多普勒带宽)、流动轨迹(流动斑点)和解剖学背景[图3C]。
至少在图4A和图4B中证明了DUBI对于从层流到湍流的一系列流动条件识别不稳定流动的功效。首先在喷嘴流装置(图4A和图4B)上评估DUBI 的性能，以获得的CEUS图像作为基准参考(图6A至图6C)。发现不稳定的流动区域对应于DUBI中的高多普勒带宽区域(图5A至图5C)。与传统的多普勒方差的CFI映射相比，广泛地发现这种对应关系是敏感和特异的(图7A 至图7D)。通过一系列颈动脉分叉实验还确定了DUBI的实用价值(图8A至 8O)。发现DUBI可有效地识别狭窄部位下游喷射尾部的不稳定流动(图9A 和图9B)。
DUBI代表了第一个基于图像的具有精细时间分辨率的非侵入性流动不稳定性映射框架。从临床诊断的观点来看，这个框架释放了改善动脉粥样硬化疾病管理的新潜力。例如，不稳定血流的出现能够指示斑块形成的开始，因此 DUBI可能有助于促进动脉粥样硬化的早期诊断。另外，由于不稳定流动已经显示出有助于动脉粥样硬化斑块的进展，因此可以与流动不稳定性区域的强度和大小相关联地获得关于斑块进展的新见解。此外，鉴于喷嘴流装置已经证明了检测从狭窄的流量出口出现的流动不稳定性的初步潜力，因此DUBI可能会进一步发展为瓣膜狭窄诊断的新工具，以补充其他新兴的超声技术。
示例6：基于GPU的伯格法的实现
对于用于多普勒带宽估计的GPU计算内核，分配了一个线程块来处理 DUBI帧中一个像素的慢时间集合的多普勒带宽估计。请注意，首先将相应的慢时间集合x[n]传输到GPU的共享存储器中，以进行快速数据访问。然后，通过执行涉及从p＝1到p＝P的P次迭代的伯格法的快速实现，继续包含N 个线程(即与慢时间集合大小相同)的线程块以导出该慢时间集合的P阶AR 参数值集。在每次迭代中，执行了两个计算步骤。首先，计算线程的任务是计算前向预测误差集合和后向预测误差集合，分别表示为ef P[n]和eb P[n]。具体来说，对于第p次迭代，第n个线程的任务是在以下错误集合中计算第n个样本 (每个集合有N个样本)：
Figure GDA0003011751560000181
Figure GDA0003011751560000182
注意，对于第p次迭代，(A1)和(A2)的平均值对应于(1)中的AR 模型中的误差项e[n]。
在同一迭代的第二个计算步骤中，线程的子组的任务是计算中间AR参数 aP，k。第二个计算步骤通过使用下式更新中间AR参数来获得中间AR参数：
Figure GDA0003011751560000183
其中i＝1、2，...，p-1，ao，o＝1，*表示复共轭，并且
Figure GDA0003011751560000184
Figure GDA0003011751560000185
重复上述计算步骤以进行P次迭代后，最终确定AR模型系数集。
前述概述了几个实施例的特征，使得本领域技术人员可以更好地理解本公开的各方面。本领域技术人员应当领会，可以容易地将本公开用作设计或修改其他过程和结构的基础，以实现与本文介绍的实施例相同的目的和/或实现相同的优点。本领域技术人员还应该认识到，这样的等同构造不脱离本公开的精神和范围，并且在不背离本公开的精神和范围的情况下，可以作出各种改变、替换和变更。

Claims (20)

1.一种检测流动不稳定性的方法，包括
用超声波脉冲使关注区域受声波作用；
从所述超声波脉冲的回波脉冲中获取射频(RF)数据；
处理所述RF数据；和
通过自回归(AR)建模从所述处理后的RF数据导出多普勒带宽。
2.如权利要求1所述的方法，其中所述超声波脉冲包括选自未聚焦的平面波、发散的球形波、弱聚焦的宽束波和聚焦的会聚波中的至少一项。
3.如权利要求1所述的方法，其中处理所述RF数据包括对所述RF数据进行波束成形以生成所述关注区域的全景图像。
4.如权利要求3所述的方法，其中处理所述RF数据还包括在所述全景图像内为所有像素执行慢时间采样。
5.如权利要求3所述的方法，其中处理所述RF数据还包括：
通过沿慢时间维度堆叠多个所述全景图像来形成3D数据矩阵；和
将杂波过滤应用于所述3D数据矩阵。
6.如权利要求1所述的方法，其中使用AR建模导出所述处理后的RF数据的多普勒带宽包括：根据以下式1的P阶复数AR模型表示，用N个样本在慢时间集合中对第n个样本进行建模：
Figure FDA0002965975720000011
其中，在式1中，aP，k为模型的第k个复数AR参数，e[n]为复数建模误差中的第n个样本。
7.如权利要求6所述的方法，其中使用AR建模导出所述处理后的RF数据的多普勒带宽还包括计算通过如下式2定义的参数谱拟合从所述AR模型构造的集合x[n]的多普勒功率谱SAR[f]：
Figure FDA0002965975720000021
其中，在式2中，f是单元频率，Δt是脉冲间隔，σP 2是前向预测误差和后向预测误差的平均功率的平均值。
8.如权利要求1所述的方法，其中导出所述多普勒带宽包括在50ms或更短的时窗上估计所述多普勒带宽。
9.如权利要求1所述的方法，还包括与显示流动轨迹或B模式图像的流动斑点图案同步地显示所述多普勒带宽的图。
10.如权利要求1所述的方法，还包括将所述多普勒带宽与预定值比较，其中等于或大于所述预定值的多普勒带宽指示流动不稳定性，并且小于所述预定值的多普勒带宽指示稳定流动。
11.如权利要求1所述的方法，其中检测所述流动不稳定性包括检测人或动物的血管中的血流不稳定性。
12.如权利要求11所述的方法，其中检测所述流动不稳定性包括检测由颈动脉粥样硬化狭窄所引起的血流不稳定性。
13.一种检测流动不稳定性的装置，包括：
发射器，其被配置为使超声波脉冲作用在关注区域上；
接收器，其被配置为接收所述超声波脉冲中的回波脉冲；
扫描仪，其被配置为从所述回波脉冲获取射频(RF)数据；和
处理器，其被配置为：
处理所述RF数据；和
使用自回归(AR)建模从所述处理后的RF数据导出多普勒带宽。
14.如权利要求13所述的装置，其中发射器或接收器中的至少一个包括超声阵列换能器。
15.如权利要求13所述的装置，其中所述处理器被配置为通过由所述接收器获取的所述RF数据进行波束成形来处理所述RF数据，以生成所述关注区域的全景图像。
16.如权利要求13所述的装置，其中所述处理器被配置为根据以下式1的P阶复数AR模型表示，用N个样本在慢时间集合中对第n个样本进行建模来导出所述多普勒带宽：
Figure FDA0002965975720000031
其中，在式1中，aP，k为模型的第k个复数AR参数，e[n]为复数建模误差中的第n个样本。
17.如权利要求13所述的装置，其中所述处理器被配置为计算通过如下式2定义的参数谱拟合从所述AR模型构造的集合x[n]的多普勒功率谱SAR[f]来导出所述多普勒带宽：
Figure FDA0002965975720000041
其中，在式2中，f是单元频率，Δt是脉冲间隔，σP 2是前向预测误差和后向预测误差的平均功率的平均值。
18.如权利要求13所述的装置，其中所述处理器还被配置为使用由所述接收器获取的所述RF数据来生成揭示所述流动轨迹或B模式图像的流动斑点图案。
19.如权利要求18所述的装置，其中所述处理器还被配置为生成所述多普勒带宽的图，和与所述流动斑点图案或所述B模式图像同步地显示所述的图。
20.如权利要求13所述的装置，其中所述处理器还被配置为将所述多普勒带宽与预定值比较，其中等于或大于所述预定值的多普勒带宽指示流量不稳定性，并且小于所述预定值的多普勒带宽指示稳定流动。
CN201980058594.2A 2018-09-07 2019-09-06 检测流动不稳定性的方法和装置 Pending CN112823295A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201862728271P 2018-09-07 2018-09-07
US62/728,271 2018-09-07
PCT/US2019/050026 WO2020051504A1 (en) 2018-09-07 2019-09-06 Method and apparatus for detecting flow instability

Publications (1)

Publication Number Publication Date
CN112823295A true CN112823295A (zh) 2021-05-18

Family

ID=69721074

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980058594.2A Pending CN112823295A (zh) 2018-09-07 2019-09-06 检测流动不稳定性的方法和装置

Country Status (4)

Country Link
US (1) US11779300B2 (zh)
EP (1) EP3847480B1 (zh)
CN (1) CN112823295A (zh)
WO (1) WO2020051504A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11774553B2 (en) * 2020-06-18 2023-10-03 Infineon Technologies Ag Parametric CNN for radar processing

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090149759A1 (en) * 2007-12-05 2009-06-11 Kabushiki Kaisha Toshiba Ultrasonic imaging apparatus and a method of generating ultrasonic images
JP2013005957A (ja) * 2011-06-27 2013-01-10 Fujifilm Corp ドプラ画像表示方法および装置
US20160157814A1 (en) * 2013-07-24 2016-06-09 Koninklijke Philips N.V. Non-imaging two dimensional array probe and system for classifying carotid stenosis
US20170273699A1 (en) * 2010-04-22 2017-09-28 University Of Washington Through Its Center For Commercialization Ultrasound based method and apparatus for stone detection and to facilitate clearance thereof
CN107340226A (zh) * 2017-08-03 2017-11-10 江苏大学 一种油液中悬浮微粒计数检测装置及其应用

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9066679B2 (en) * 2004-08-31 2015-06-30 University Of Washington Ultrasonic technique for assessing wall vibrations in stenosed blood vessels
CN101336830B (zh) * 2007-07-03 2012-07-04 深圳迈瑞生物医疗电子股份有限公司 用于超声诊断成像的正交多普勒信号间隙填充方法与装置
CN101342083B (zh) 2007-07-12 2012-07-18 深圳迈瑞生物医疗电子股份有限公司 多普勒信号频谱计算方法与装置
EP3071111B1 (en) * 2013-11-19 2022-03-09 Versitech Limited Apparatus for ultrasound flow vector imaging and methods thereof
US10482215B2 (en) * 2014-10-22 2019-11-19 Indiana University Research And Technology Corporation Unified computational method and system for patient-specific hemodynamics

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090149759A1 (en) * 2007-12-05 2009-06-11 Kabushiki Kaisha Toshiba Ultrasonic imaging apparatus and a method of generating ultrasonic images
US20170273699A1 (en) * 2010-04-22 2017-09-28 University Of Washington Through Its Center For Commercialization Ultrasound based method and apparatus for stone detection and to facilitate clearance thereof
JP2013005957A (ja) * 2011-06-27 2013-01-10 Fujifilm Corp ドプラ画像表示方法および装置
US20160157814A1 (en) * 2013-07-24 2016-06-09 Koninklijke Philips N.V. Non-imaging two dimensional array probe and system for classifying carotid stenosis
CN107340226A (zh) * 2017-08-03 2017-11-10 江苏大学 一种油液中悬浮微粒计数检测装置及其应用

Also Published As

Publication number Publication date
US11779300B2 (en) 2023-10-10
EP3847480A1 (en) 2021-07-14
WO2020051504A1 (en) 2020-03-12
EP3847480B1 (en) 2023-07-19
EP3847480C0 (en) 2023-07-19
EP3847480A4 (en) 2022-06-08
US20200077972A1 (en) 2020-03-12

Similar Documents

Publication Publication Date Title
JP7132925B2 (ja) イメージングデータ及び組織情報を導出するためのニューラルネットワークを用いた超音波イメージングシステム
Voorneveld et al. 4-D echo-particle image velocimetry in a left ventricular phantom
KR102006035B1 (ko) 초음파 촬영을 이용한 관 특성기술
US20140147013A1 (en) Direct echo particle image velocimetry flow vector mapping on ultrasound dicom images
Dahl et al. Coherence beamforming and its applications to the difficult-to-image patient
Swillens et al. Accuracy of carotid strain estimates from ultrasonic wall tracking: A study based on multiphysics simulations and in vivo data
CN102125444B (zh) 超声波诊断装置和超声波图像处理装置
EP3364881B1 (en) Ultrasound imaging apparatus and controlling method for the same
JP2024056928A (ja) 心臓の血流と組織の４ｄ超高速ドップラー撮像及び定量化パラメータの取得を同時に行う方法並びに装置。
EP4135585A1 (en) Systems and methods for non-invasive pressure measurements
Yiu et al. High frame rate doppler ultrasound bandwidth imaging for flow instability mapping
JP7371105B2 (ja) 血管特性を調査するための方法及びシステム
CN112823295A (zh) 检测流动不稳定性的方法和装置
JP2023524945A (ja) 超音波ボリュームフロー測定のための３次元カラードップラー
CN114466620A (zh) 用于超声灌注成像的系统和方法
Kim et al. Blood flow velocity and wall shear stress estimation in forward-viewing intravascular ultrasound imaging: Comparison of Doppler and Particle Image Velocimetry (PIV) approaches
Bonnefous Blood flow and tissue motion with ultrasound for vascular applications
Wei Direct measurement of blood flow reflections by plane-wave ultrasound
Kim et al. Designing a system for forward-viewing 3D intravascular ultrasound imaging of blood flow velocity: assessing the effect of the catheter on velocity estimation in stenoses
Udesen et al. 11C-4 fast blood vector velocity imaging: simulations and preliminary in vivo results
Ebbini et al. Dereverberation of ultrasound echo data in vascular imaging applications
Shcherbakova A multiphysics model of the mouse aorta for the
Bu Higher-order ultrasonic strain imaging for assessment of regional myocardial function

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