CN112912012A - 管腔内超声血管边界选择和相关联的设备、系统和方法 - Google Patents
管腔内超声血管边界选择和相关联的设备、系统和方法 Download PDFInfo
- Publication number
- CN112912012A CN112912012A CN201980070946.6A CN201980070946A CN112912012A CN 112912012 A CN112912012 A CN 112912012A CN 201980070946 A CN201980070946 A CN 201980070946A CN 112912012 A CN112912012 A CN 112912012A
- Authority
- CN
- China
- Prior art keywords
- boundary
- processor circuit
- lumen
- vessel
- intraluminal
- 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.)
- Granted
Links
- 238000002604 ultrasonography Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims description 75
- 238000004891 communication Methods 0.000 claims abstract description 36
- 238000012285 ultrasound imaging Methods 0.000 claims abstract description 26
- 238000003384 imaging method Methods 0.000 claims description 70
- 238000002608 intravascular ultrasound Methods 0.000 claims description 47
- 238000005259 measurement Methods 0.000 claims description 40
- 238000004422 calculation algorithm Methods 0.000 claims description 33
- 230000002093 peripheral effect Effects 0.000 claims description 9
- 238000010801 machine learning Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 230000001902 propagating effect Effects 0.000 claims description 5
- 210000005259 peripheral blood Anatomy 0.000 claims description 4
- 239000011886 peripheral blood Substances 0.000 claims description 4
- 210000004204 blood vessel Anatomy 0.000 description 38
- 238000012545 processing Methods 0.000 description 30
- 238000002059 diagnostic imaging Methods 0.000 description 16
- 210000003462 vein Anatomy 0.000 description 15
- 238000001514 detection method Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 210000003484 anatomy Anatomy 0.000 description 10
- 210000001367 artery Anatomy 0.000 description 10
- 230000006835 compression Effects 0.000 description 10
- 238000007906 compression Methods 0.000 description 10
- 210000001519 tissue Anatomy 0.000 description 8
- 210000005166 vasculature Anatomy 0.000 description 8
- 238000002591 computed tomography Methods 0.000 description 7
- 238000002592 echocardiography Methods 0.000 description 7
- 208000007536 Thrombosis Diseases 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 210000004369 blood Anatomy 0.000 description 5
- 239000008280 blood Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000012014 optical coherence tomography Methods 0.000 description 5
- 210000000056 organ Anatomy 0.000 description 5
- 206010051055 Deep vein thrombosis Diseases 0.000 description 4
- 206010047249 Venous thrombosis Diseases 0.000 description 4
- 238000002679 ablation Methods 0.000 description 4
- 238000002583 angiography Methods 0.000 description 4
- 238000002399 angioplasty Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 239000003814 drug Substances 0.000 description 4
- 230000003902 lesion Effects 0.000 description 4
- 238000013151 thrombectomy Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 239000004020 conductor Substances 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 229940079593 drug Drugs 0.000 description 3
- 239000012530 fluid Substances 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 210000002216 heart Anatomy 0.000 description 3
- 229910052451 lead zirconate titanate Inorganic materials 0.000 description 3
- 210000003041 ligament Anatomy 0.000 description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 3
- 238000002627 tracheal intubation Methods 0.000 description 3
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 2
- 208000031481 Pathologic Constriction Diseases 0.000 description 2
- 206010048591 Post thrombotic syndrome Diseases 0.000 description 2
- 210000001015 abdomen Anatomy 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 229910052791 calcium Inorganic materials 0.000 description 2
- 239000011575 calcium Substances 0.000 description 2
- 230000001684 chronic effect Effects 0.000 description 2
- 239000002872 contrast media Substances 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000002594 fluoroscopy Methods 0.000 description 2
- 210000004013 groin Anatomy 0.000 description 2
- 210000002414 leg Anatomy 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 210000005010 torso Anatomy 0.000 description 2
- 238000013175 transesophageal echocardiography Methods 0.000 description 2
- 230000002792 vascular Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 206010016654 Fibrosis Diseases 0.000 description 1
- 230000003187 abdominal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000002308 calcification Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 210000002808 connective tissue Anatomy 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000004761 fibrosis Effects 0.000 description 1
- 210000000232 gallbladder Anatomy 0.000 description 1
- 230000035931 haemagglutination Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 210000003709 heart valve Anatomy 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- HFGPZNIAWCZYJU-UHFFFAOYSA-N lead zirconate titanate Chemical compound [O-2].[O-2].[O-2].[O-2].[O-2].[Ti+4].[Zr+4].[Pb+2] HFGPZNIAWCZYJU-UHFFFAOYSA-N 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001338 necrotic effect Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 210000000496 pancreas Anatomy 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 210000000578 peripheral nerve Anatomy 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 231100000241 scar Toxicity 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000004513 sizing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 210000000278 spinal cord Anatomy 0.000 description 1
- 208000037804 stenosis Diseases 0.000 description 1
- 230000036262 stenosis Effects 0.000 description 1
- CCEKAJIANROZEO-UHFFFAOYSA-N sulfluramid Chemical group CCNS(=O)(=O)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)F CCEKAJIANROZEO-UHFFFAOYSA-N 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 210000002435 tendon Anatomy 0.000 description 1
- 230000008719 thickening Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 210000001635 urinary tract Anatomy 0.000 description 1
- 208000019553 vascular disease Diseases 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- A61B8/12—Diagnosis using ultrasonic, sonic or infrasonic waves in body cavities or body tracts, e.g. by using catheters
-
- 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
- A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
- A61B8/0891—Detecting organic movements or changes, e.g. tumours, cysts, swellings for diagnosis of blood vessels
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/46—Ultrasonic, sonic or infrasonic diagnostic devices with special arrangements for interfacing with the operator or the patient
- A61B8/461—Displaying means of special interest
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/46—Ultrasonic, sonic or infrasonic diagnostic devices with special arrangements for interfacing with the operator or the patient
- A61B8/461—Displaying means of special interest
- A61B8/463—Displaying means of special interest characterised by displaying multiple images or images and diagnostic data on one display
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/46—Ultrasonic, sonic or infrasonic diagnostic devices with special arrangements for interfacing with the operator or the patient
- A61B8/467—Ultrasonic, sonic or infrasonic diagnostic devices with special arrangements for interfacing with the operator or the patient characterised by special input means
- A61B8/469—Ultrasonic, sonic or infrasonic diagnostic devices with special arrangements for interfacing with the operator or the patient characterised by special input means for selection of a region of interest
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/149—Segmentation; Edge detection involving deformable models, e.g. active contour models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/174—Segmentation; Edge detection involving the use of two or more images
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20096—Interactive definition of curve of interest
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Public Health (AREA)
- Theoretical Computer Science (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Vascular Medicine (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Business, Economics & Management (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
所公开的是一种管腔内超声成像系统,包括:与管腔内超声成像导管通信的处理器电路,其中,所述处理器电路被配置为接收在所述管腔内超声成像导管在患者的身体管腔内移动期间由所述管腔内超声成像导管获得的多幅管腔内超声图像。所述处理器电路还被配置为:从所述多幅管腔内超声图像中间选择图像;生成与选定的图像内的管腔相关联的至少两个边界轮廓;显示与所述管腔相关联的边界轮廓,每个叠加在选定的图像的单独实例上;接收选择所述边界轮廓之一的用户输入;并且显示与选定的边界轮廓相叠加的选定的图像。
Description
相关申请的交叉引用
本申请要求于2018年10月26日提交的美国临时专利申请US62/750996的优先权和权益,其以整体内容通过引用并入本文。
技术领域
本文所描述的主题涉及一种用于医学成像的系统。特别地,所公开的系统提供一种用于识别和选择自动检测的管腔和/或血管界限的系统。该系统具有用于血管疾病的诊断和处理的特别但是非专有实用程序。
背景技术
血管内超声(IVUS)被使用在冠状动脉血管流程和周围血管流程两者中,诸如血管成形术和支架、IVC-滤波器检索、EVAR和FEVAR(并且在腹部特征上类似的)斑块切除术和血栓切除术。不同疾病或者医学流程产生具有用于成像传感器的不同大小、结构、密度、水含量和可达性的物理特征。例如,深静脉血栓形成(DVT)产生血细胞凝块,然而血栓后综合征(PTS)产生具有类似疤痕组织的组成或者血管壁自己的类似组成并且可能因此难以与血管壁区分的血管中的边带(粘连)或其他残余结构效应。支架是可以放置在血管或管腔中以保持血管或管腔打开到特定直径的密集(例如,金属)对象。压缩当血管或管腔外部的解剖结构撞击在血管或管腔上以使其收缩时发生。
在一些情况下,管腔内医学成像利用包括一个或多个超声换能器的IVUS设备执行。IVUS设备可以被传递到血管中并且引导到要成像的区域。换能器发射超声能量并且接收从血管反射的超声回波。超声回波被处理以创建感兴趣血管的图像或多幅图像。感兴趣血管的图像可以包括血管中的一个或多个病变或阻塞。支架可以放置在血管内以处置这些阻塞并且管腔内成像可以执行以查看将支架放置在血管内。其他类型的处置包括血栓切除术、消融、血管成形术、药物等。
自动化算法可以向血管内成像系统的用户提供对于临床图像解释而言相关的实时测量结果(例如,血管壁或血管腔的直径或横截面积)。尽管这样的算法的目标是对于自动化测量结果尽可能准确,但是这些算法不总是识别人类将特别地围绕诸如血管侧支的模糊区域的相同界限或测量结果。作为结果,所识别的边界或测量结果的变化常常是必要的。在其中算法结果可能需要调节或者当用户想要改变或者编辑结果的那些情况下,那样做的典型手段是经由一些形式的手动编辑,其能够是困难或耗时的并且还可能经受误差。因此,需要允许所识别的边界的合理化校正和从其导出的任何计算的经改进的系统和方法。
说明书的该背景技术部分中包括的信息(包括本文中记载的任何参考文献和其任何描述或讨论)仅被包括用于技术参考目的而不应被认为是本公开的范围要以其被限制的主题。
发明内容
所公开的是一种用于有利地使能IVUS的使用期间的测量结果和边界的容易编辑的系统,或者可以从其识别血管边界的任何其他成像模态。自动化算法通过向用户提供两个、三个、四个、或更多个自动识别的血管边界选项以计算概率次序排名迅速地选择实现这一点。这些选项可以同时地呈现给用户。这可以例如视觉上(例如,通过示出具有三个不同边界选项的相同IVUS图像的三个不同实例)和/或数值上(例如,通过呈现与三个不同血管边界轮廓相关联的三个不同数值)完成。这通过避免对用户手动绘制其测量结果校正的需要来减少编辑测量结果所需的时间量。这样的自动化算法可以基于经典技术或者可以采用机器学习或深度学习技术或者其他类型的人工智能或其组合。所述系统在下文中被称为血管边界选择系统。
基于概率,算法向用户呈现2、3或更多选项来迅速选择,而不是必须向自动地识别的血管边界进行手动编辑。该构思可以被实现用于血管内成像(例如,血管内超声或IVUS),但是也可以应用于其他临床成像模态(OCT、外部、超声、X射线、血管造影或静脉造影、CT、MRI等)。所述系统还可以向所述用户提供手动编辑选定的轮廓的能力。
本文所公开的血管边界选择系统具有用于管腔内超声成像流程的特别但非专有的实用程序。所述血管边界选择系统的一个一般方面包括一种管腔内超声成像系统,包括:处理器电路,其被配置用于与管腔内超声成像导管通信,其中,所述处理器电路被配置为:接收在所述管腔内超声成像导管在患者的身体管腔内移动期间由所述管腔内超声成像导管获得的多幅管腔内超声图像;从所述多幅管腔内超声图像中间选择图像;生成与选定的图像内的管腔相关联的至少两个边界轮廓;将包括与所述管腔相关联的所述至少两个边界轮廓的屏幕显示输出到与所述处理器电路通信的显示器,所述至少两个边界轮廓中的每个被叠加在所述选定的图像的单独实例上;从与所述处理器电路通信的用户接口接收第一用户输入,所述第一用户输入选择所述边界轮廓中的一个;并且将与选定的边界轮廓相叠加的选定的图像输出到所述显示器。该方面的其他实施例包括对应的计算机系统、装置和计算机程序,其被记录在各自被配置为执行方法的动作的一个或多个计算机存储设备上。
实现方式可以包括以下特征中的一个或多个。所述系统,其中,所述处理器电路还被配置为:通过将所述选定的图像的所述选定的边界轮廓传播到来自所述多幅管腔内超声图像的至少一幅额外的图像来生成与针对所述至少一幅额外的图像的所述管腔相关联的导出的边界轮廓。所述系统,其中,所述处理器电路还被配置为:生成针对每个边界轮廓的几何测量结果;并且将针对每个边界轮廓的所述几何测量结果输出到所述显示器。所述系统,其中,所述几何测量结果包括以下各项中的至少一项:管腔直径、血管壁外径、管腔横截面积或者血管横截面积。所述系统,其中,所述处理器电路还被配置为:从所述用户接口接收第二用户输入以编辑所述选定的边界轮廓;基于经编辑的边界轮廓来重新计算所述几何测量结果;并且将与所述经编辑的边界轮廓相叠加的所述选定的图像连同重新计算的几何测量结果一起输出到所述显示器。所述系统,其中,所述处理器电路被配置为基于统计量度的第一值来生成所述至少两个边界轮廓,并且其中,所述处理器电路被配置为基于所述统计量度的第二值来生成不同的边界轮廓。所述系统,其中,所述处理器电路被配置为从所述用户接口接收第二输入,以将所述统计量度从所述第一值改变为所述第二值。所述系统,其中,所述处理器电路被配置为基于机器学习算法来生成所述至少两个边界轮廓。所述系统还包括:所述管腔内超声成像导管。所述系统还包括:所述显示器;以及所述用户接口,其中,所述用户接口包括所述显示器的触摸屏。所描述的技术的实现方式可以包括硬件、方法或过程、或计算机可访问介质上的计算机软件。
一个一般方面包括一种管腔内超声成像方法,包括:在与管腔内超声成像导管通信的处理器电路处接收在所述管腔内超声成像导管在患者的身体管腔内移动期间由所述管腔内超声成像导管获得的多幅管腔内超声图像;使用所述处理器电路从所述多幅管腔内超声图像中间选择图像;使用所述处理器电路生成与选定的图像内的管腔相关联的至少两个边界轮廓;将包括与所述管腔相关联的所述至少两个边界轮廓的屏幕显示输出到与所述处理器电路通信的显示器,所述屏幕显示,所述至少两个边界轮廓中的每个被叠加在所述选定的图像的单独实例上;从与所述处理器电路通信的用户接口接收第一用户输入,所述第一用户输入选择所述边界轮廓中的一个;并且使用所述处理器电路将与选定的边界轮廓相叠加的所述选定的图像输出到所述显示器。该方面的其他实施例包括对应的计算机系统、装置和计算机程序,其被记录在各自被配置为执行方法的动作的一个或多个计算机存储设备上。
实施方式可以包括以下特征中的一个或多个。所述方法还包括:通过将所述选定的图像的所述选定的边界轮廓传播到来自所述多幅管腔内超声图像的至少一幅额外的图像来生成与针对所述至少一幅额外的图像的所述管腔相关联的导出的边界轮廓。所述方法还包括:生成针对每个边界轮廓的几何测量结果;并且将针对每个边界轮廓的所述几何测量结果输出到所述显示器。所述几何测量结果包括以下各项中的至少一项:管腔直径、血管壁外径、管腔横截面积或者血管横截面积。所述方法还包括:从所述用户接口接收第二用户输入以编辑所述选定的边界轮廓;基于经编辑的边界轮廓来重新计算所述几何测量结果;并且将与所述经编辑的边界轮廓相叠加的所述选定的图像连同重新计算的几何测量结果一起输出到所述显示器。所述方法还包括:基于统计量度的第一值来生成所述至少两个边界轮廓;并且基于所述统计量度的第二值来生成不同的边界轮廓。所述方法还包括:还包括从所述用户接口接收第二输入,以将所述统计量度从所述第一值改变为所述第二值。所述方法,其中,所述至少两个边界轮廓基于机器学习算法来生成。所描述的技术的实现方式可以包括硬件、方法或过程、或计算机可访问介质上的计算机软件。
一个一般方面包括一种用于外围血管中的血管内超声成像系统,所述系统包括:血管内超声成像导管,其被配置为在所述血管内超声成像导管在患者的外围血管内移动期间获得多幅血管内超声图像;以及处理器电路,其被配置用于与所述血管内超声成像导管通信,其中,所述处理器电路被配置为:接收由所述血管内超声成像导管获得的所述多幅血管内超声图像;从所述多幅血管内超声图像中间选择图像;生成与选定的图像内的所述外围血管相关联的至少两个边界轮廓;将包括与所述外围血管相关联的所述至少两个边界轮廓的屏幕显示输出到与所述处理器电路通信的显示器,所述至少两个边界轮廓各自被叠加在所述选定的图像的单独实例上;从与所述处理器电路通信的用户接口接收第一用户输入,所述第一用户输入选择所述边界轮廓中的一个;并且将与选定的边界轮廓相叠加的所述选定的图像输出到所述显示器。该方面的其他实施例包括对应的计算机系统、装置和计算机程序,其被记录在各自被配置为执行方法的动作的一个或多个计算机存储设备上。
提供本发明内容以简化的形式介绍一些概念,这些概念将在下文的详细描述中进一步描述。本发明内容既不旨在标识所要求保护的主题的关键特征或必要特征,也并不旨在限制所要求保护的主题的范围。在本公开的各种实施例的以下书面描述中提供并且在附图中图示了如在权利要求书中所定义的血管边界选择系统的特征、细节、实用性和优点的更宽泛的呈现。
附图说明
将参考附图描述本公开的说明性实施例,其中:
图1是根据本公开的方面的管腔内成像系统的图解示意图。
图2图示了人体中的血管(例如,动脉和静脉)。
图3图示了并入了压缩的血管。
图4图示了并入了压缩并且具有在其内扩张以恢复流动的支架的血管。
图5图示了根据本公开的至少一个实施例的范例管腔内成像显示屏。
图6示出了根据本公开的至少一个实施例的范例轮廓选择屏幕显示;
图7示出了根据本公开的至少一个实施例的范例管腔边界轮廓编辑屏幕显示。
图8是根据本公开的至少一个实施例的图示用于血管识别的方法的流程图。
图9是根据本公开的实施例的处理器电路的示意图。
具体实施方式
本公开总体上涉及医学成像,包括与使用管腔内成像设备的患者的身体管腔相关联的成像。例如,本公开描述了通过向用户提供两个、三个、或更多个自动生成的边界选项(以基于算法确定的概率按次序排名来选择)在血管内超声(IVUS)和其他成像模态的使用期间的血管或其他器官的边界的识别和测量的系统、设备和方法。编辑血管或器官边界的当前方法包含由用户重新绘制或者通过一些手段重新引导自动化算法已经在图像上确定的特征的手动交互。这样的编辑技术可能针对一些用户是耗时并且还是困难或易于出错的。本公开通过避免针对所述用户手动绘制其到边界或界限的连接的要求减少针对临床医师或其他用户编辑血管或器官边界轮廓要求的时间量,以及从其导出的测量结果。本公开的一个优点在于,利用多个可能轮廓之间的容易的单击选择,使过程对于用户更容易并且更不耗费时间。在一些实施例中,如果没有自动计算的界限轮廓与临床医师或其他用户的预期或期望匹配,则手动编辑可以仍然可用作反馈选项。该构思可以针对血管内成像(IVUS)实现,并且还利用其他临床成像模态(血管造影或静脉造影、CT等)。只要存在与发现图像内的一些特征或特征相关联的自动化算法,就存在对编辑那些发现的需要,并且因此对使编辑过程合理化的需要。
本公开基于来自通过根据自动化算法计算的概率排名的多个自动检测的选项中间的容易选择来提供许多优点,包括自动检测的特征的容易和快速编辑。利用机器学习/深度学习或者经典算法,存在确定算法被建立以检测的特征的概率的方法。例如,在血管内超声图像(IVUS)中,人们可能试图通过检测血管腔边界和外动脉或静脉壁边界分割病变。通过计算自动化边界检测的概率,可以计算被计算的边界的概率或(一个或多个)其他参数附近的2或3或更多个选项。因此,当用户与系统交互以编辑边界时,这些选项可以呈现给用户以迅速地挑选最接近其将已经手动绘制或校正的边界的一个。该系统在本文中被称为血管边界选择系统。
在本文中所描述的设备、系统和方法能够包括在下文所描述的一个或多个特征:2018年10月26日提交的美国临时专利申请US 62/750983(代理人案号2018PF01112-44755.2000PV01)、2018年10月26日提交的美国临时专利申请US 62/751268(代理人案号2018PF01160-44755.1997PV01)、2018年10月26日提交的美国临时申请US 62/751289(代理人案号2018PF01159-44755.1998PV01)、2018年10月26日提交的美国临时申请US 62/750996(代理人案号2018PF01145-44755.1999PV01)、2018年10月26日提交的美国临时专利申请US 62/751167(代理人案号2018PF01115-44755.2000PV01),以及2018年10月26日提交的美国临时申请US 62/751185(代理人案号2018PF01116-44755.2001PV01),由此通过引用将其中的每个整体并入本文,如同其在本文中完整阐述一样。
在本文中所描述的设备、系统和方法还能够包括在以下描述的一个或多个特征:2018年3月14日提交的美国临时申请US 62/642847(代理人案号为2017PF02103)(以及于2019年3月12日从其提交的非临时申请,美国序列号为US 16/351175)、2018年7月30日提交的美国临时申请US62/712009(代理人案号2017PF02296)、2018年7月30日提交的美国临时申请US 62/711927(代理人案号2017PF02101),以及2018年3月15日提交的美国临时申请US62/643366(代理人案号2017PF02365)(以及2019年3月15日从其提交的非临时申请,美国序列号为US 16/354970),由此通过引用将其中的每个整体并入本文,如同其在本文中完整阐述一样。
本公开基本上帮助临床医师理解大量的管腔内成像数据,以及报告和处置计划。本公开通过连同相关联的测量结果一起提供用于血管或其他器官的界限的识别、选择和编辑的快速无缝过程实现这一点。在与医学成像传感器(例如,管腔内超声传感器)通信的医学成像控制台(例如,IVUS成像控制台)上实现,本文所公开的血管边界选择系统提供血管边界识别和测量的准确度的时间节省和改进。该改进的成像工作流程将手动标记、编辑和校正的耗时的过程变换为包含更少步骤和更简单步骤的合理化过程。这例如在没有对临床医师绘制图像上的边界轮廓或者编辑(例如,拖曳和放下)定义边界轮廓的点的正常常规需要。该非常规方法通过使由临床医师或其他用户通常手动执行的血管边界识别和计算步骤自动化来改进医学成像控制台和传感器的运行。
血管边界选择系统可以被实现为一组逻辑分支和数学运算,其输出在显示器上是可见的,并且由在处理器上执行的控制过程来操作,所述处理器接受(例如来自诸如键盘、鼠标或触摸屏界面的用户接口)的用户输入,并且与一个或多个医学成像传感器(例如,管腔内超声传感器)进行通信。在该方面,所述控制过程响应于由用户在成像流程的开始时进行的不同输入或选择来执行某些特定操作,并且还可以响应于由用户在所述程序期间进行的输入。处理器、显示器、传感器和用户输入系统的某些结构、功能和操作在本领域中是已知的,而在本文中记载了其他结构、功能和操作以是的能够具体实现本公开的新颖特征或方面。
各种类型的管腔内成像系统被用于诊断和处置疾病。例如,血管内超声(IVUS)成像被用作用于对患者的身体内的血管进行可视化的诊断工具。这可以辅助评估人类身体内患病或受压的血管,诸如动脉或静脉,以确定对处置的需求、优化处置、和/或评估处置的有效性(例如,通过在处置之前和之后对血管的成像)。
在一些情况下,利用包括一个或多个超声换能器的IVUS设备来执行管腔内成像。所述IVUS设备可以被传递到血管中并且被引导到待成像的区域。所述换能器发射超声能量并且接收从血管反射的超声回波。所述超声回波被处理以创建感兴趣血管的图像。所述感兴趣血管的图像可以包括血管中的一个或多个病变或阻塞。支架可以被放置在血管内以处置这些阻塞,并且可以执行管腔内成像以查看支架在血管内的放置。其他类型的处置包括血栓切除、消融、血管成形术、药物等。
血管边界选择系统减轻临床医师的工作负担,并且允许血管边界识别、编辑和相关联的测量的某些方面要么在IVUS流程自己期间要么在流程之后的查看模式期间或在其组合期间自动发生。
这些描述仅出于示范性目的而提供,并且不应当被认为是限制血管边界选择系统的范围。在不背离所要求保护的主题的主旨的情况下,可以添加、移除或者修改某些特征。
为了促进对本公开的原理的理解,现在将参考在附图中所图示的实施例,并且将使用特定语言来对其进行描述。然而,应当理解,并不意图限制本公开的范围。如本公开所涉及领域的技术人员通常想到的,对所描述的设备、系统和方法的任何改变和进一步的修改,以及对本公开的原理的任何进一步的应用,都被充分地考虑并且被包括在本公开的内容中。具体地,完全设想到的是,关于一个实施例所描述的特征、部件和/或步骤可以与关于本公开的其他实施例所描述的特征、部件和/或步骤进行组合。然而,为了简洁起见,将不单独描述这些组合的许多迭代。
图1是根据本公开的各方面的并入了血管边界选择系统的管腔内成像系统的示意性示图。在一些实施例中,管腔内成像系统100能够是血管内超声(IVUS)成像系统。管腔内成像系统100可以包括管腔内设备102、患者接口模块(PIM)104、控制台或处理系统106、监视器108,以及外部成像系统132,外部成像系统132可以包括血管造影、超声、X射线、计算机断层摄影(CT)、磁共振成像(MRI)或者其他成像技术、设备和方法。管腔内设备102被设定尺寸和形状和/或以其他方式在结构上被布置为定位在患者的体腔内。例如,在各种实施例中,管腔内设备102能够是导管、导丝、引导导管、压力丝和/或流丝。在一些情况下,系统100可以包括额外的元件和/或可以在没有图1中所图示的元件中的一个或多个元件的情况下实现。例如,系统100可以省略外部成像系统132。
管腔内成像系统100(或者血管内成像系统)能够是适合于在患者的腔内或脉管系统中所使用的任何类型的成像系统。在一些实施例中,管腔内成像系统100是管腔内超声(IVUS)成像系统。在其他实施例中,管腔内成像系统100可以包括被配置用于前瞻性管腔内超声(FL-IVUS)成像、管腔内光声(IVPA)成像、心脏内超声心动图(ICE)、经食道超声心动图(TEE)和/或其他合适的成像模态。
应当理解,系统100和/或设备102能够被配置为获得任何合适的管腔内成像数据。在一些实施例中,设备102可以包括任何合适的成像模态的成像部件,诸如光学成像、光学相干断层摄影(OCT)等。在一些实施例中,设备102可以包括任何合适的非成像部件,包括压力传感器、流量传感器、温度传感器、光纤、反射器、镜子、棱镜、消融元件、射频(RF)电极、导体或者其组合。通常,设备102能够包括成像元件,以获得与内腔120相关联的管腔内成像数据。设备102可以被设定尺寸和形状(和/或被配置)为用于插入到患者的血管或内腔120中。
系统100可以被部署在具有控制室的插管实验室中。处理系统106可以位于所述控制室中。任选地,处理系统106可以位于别处,诸如在插管实验室本身中。所述插管实验室可以包括无菌区,而其相关联的控制室则可以是无菌的或者可以是非无菌的,这取决于待执行的流程和/或健康护理机构。所述插管实验室和控制室可以被用于执行任意数量的医学成像流程,诸如血管造影、荧光透视、CT、IVUS、虚拟组织学(VH)、前瞻性IVUS(FL-IVUS)、管腔内光声(IVPA)成像、血流储备分数(FFR)确定、冠状动脉血流储备(CFR)确定、光学相干断层摄影(OCT)、计算机断层摄影、心内超声心动图(ICE)、前瞻性ICE(FLICE)、管腔内造影、经食道超声、荧光透视和其他医学成像模态,或者其组合。在一些实施例中,可以从诸如控制室之类的远程位置来控制设备102,使得不需要操作者非常靠近患者。
管腔内设备102、PIM 104、监视器108和外部成像系统132可以直接地或间接地与处理系统106通信地耦合。这些元件可以经由诸如标准铜线链路或光纤链路和/或经由使用IEEE 802.11Wi-Fi标准、超宽带(UWB)标准、无线火线、无线USB或另一高速无线网络标准的无线连接通信地耦合到医学处理系统106。处理系统106可以被通信地耦合到一个或多个数据网络,例如,基于TCP/IP的局域网(LAN)。在其他实施例中,可以利用不同的协议,诸如同步光网络(SONET)。在一些情况下,处理系统106可以被通信地耦合到广域网(WAN)。处理系统106可以利用网络连接性来访问各种资源。例如,处理系统106可以经由网络连接与医学数字成像和通信(DICOM)系统、图片存档和通信系统(PACS)和/或医院信息系统(HIS)进行通信。
在高水平上,超声成像管腔内设备102从被安装在管腔内设备102的远端附近的扫描器组件110中所包括的换能器阵列124发射超声能量。超声能量被围绕扫描器组件110的介质(诸如内腔120)中的组织结构反射,并且超声回波信号由换能器阵列124接收。扫描器组件110生成表示超声回波的(一个或多个)电信号。扫描器组件110能够包括一个或多个单超声换能器和/或者任意合适配置的换能器阵列124,诸如平面阵列、弯曲阵列、圆周阵列、环形阵列等。例如,在一些情况下,扫描器组件110能够是一维阵列或二维阵列。在一些情况下,扫描器组件110能够是旋转超声设备。扫描器组件110的活动区域能够包括一种或多种换能器材料和/或超声元件的一个或多个段(例如,一个或多个行、一个或多个列、和/或一个或多个取向),其能够被一致地或独立地控制和激活。扫描器组件110的有效区域能够被构图或构造成各种基本或复杂的几何结构。扫描器组件110能够以侧视取向(例如,垂直于和/或正交于管腔内设备102的纵轴发射的超声能量)和/或前视取向(例如,平行于和/或沿着纵轴发射的超声能量)来设置。在一些情况下,扫描器组件110在结构上被布置为在近端或远端方向上相对于纵轴成倾斜角发射和/或接收超声能量。在一些实施例中,能够通过选择性地触发扫描器组件110的一个或多个换能器元件来电子地操纵超声能量发射。
扫描器组件110的(一个或多个)超声换能器能够是压电微机械超声换能器(PMUT)、电容微机械超声换能器(CMUT)、单晶、锆钛酸铅(PZT)、PZT复合材料、其他合适的换能器类型和/或者其组合。在实施例中,超声换能器阵列124能够包括在1个声学元件与1000个声学元件之间的任意合适数量的个体换能器元件或声学元件,包括诸如2个声学元件、4个声学元件、36个声学元件、64个声学元件、128个声学元件、500个声学元件、812个声学元件的值和/或更大或者更小的其他值。
PIM 104将接收到的回波信号传送到处理系统106,在处理系统106中,重建超声图像(包括流量信息)并且将其显示在监视器108上。控制台或处理系统106能够包括处理器和存储器。处理系统106可以操作用于促进在本文中所描述的管腔内成像系统100的特征。例如,处理器能够执行被存储在非瞬态有形计算机可读介质上的计算机可读指令。
PIM 104促进在处理系统106与管腔内设备102中所包括的扫描器组件110之间的信号通信。该通信可以包括:向管腔内设备102内的(一个或多个)集成电路控制器芯片提供命令、选择换能器阵列124上的(一个或多个)特定元件以用于进行发送和接收、将发送触发信号提供给(一个或多个)集成电路控制器芯片以激活发射器电路,从而生成电脉冲来激发所选择的(一个或多个)换能器阵列元件,和/或经由(一个或多个)集成电路控制器芯片上所包含的放大器来接受从所选择的(一个或多个)换能器阵列元件接收到的放大回波信号。在一些实施例中,PIM 104在将数据中继到处理系统106之前执行对回波数据的初步处理。在这样的实施例的范例中,PIM 104执行对数据的放大、滤波和/或聚合。在实施例中,PIM104还提供高压和低压DC功率以支持管腔内设备102的操作,所述管腔内设备102包括在扫描器组件110内的电路。
处理系统106通过PIM 104的方式接收来自扫描器组件110的回波数据,并且处理所述数据以重建围绕扫描器组件110的介质中的组织结构的图像。通常,能够在患者的任何合适的解剖结构和/或体腔内利用设备102。处理系统106输出图像数据,使得在监视器108上显示血管或内腔120的图像,诸如内腔120的横截面IVUS图像。内腔120可以表示充满流体或围绕流体的结构,可以是天然的和人造的。内腔120可以在患者的身体内。内腔120可以是血管,诸如患者的脉管系统的动脉或静脉,包括心脏脉管系统、外周脉管系统、神经脉管系统、肾脉管系统和/或身体内的任何其他合适的内腔。例如,设备102可以被用于检查任意数量的解剖位置和组织类型,包括但不限于:器官,包括肝脏、心脏、肾脏、胆囊、胰腺、肺;导管;肠;神经系统结构,包括大脑、硬脑膜囊、脊髓和周围神经;尿路;以及血液、心脏的腔室或其他部位和/或身体的其他系统内的瓣膜。除了自然结构之外,设备102可以被用于检查人造结构,诸如但不限于:心脏瓣膜、支架、分流器、过滤器以及其他设备。
控制器或处理系统106可以包括处理电路,所述处理电路具有与存储器和/或其他合适的有形计算机可读存储介质通信的一个或多个处理器。控制器或处理系统106可以被配置为执行本公开的一个或多个方面。在一些实施例中,处理系统106和监视器108是分开的部件。在其他实施例中,处理系统106和监视器108被集成在单个部件中。例如,系统100能够包括触摸屏设备,包括具有触摸屏显示器和处理器的壳体。系统100能够包括任意合适的输入设备,诸如触敏垫或触摸屏显示器、键盘/鼠标、操纵杆、按钮等,以供用户选择在监视器108上所示的选项。处理系统106、监视器108、输入设备和/或者其组合能够被称为系统100的控制器。所述控制器能够与设备102、PIM 104、处理系统106、监视器108、输入设备和/或系统100的其他部件进行通信。
在一些实施例中,管腔内设备102包括与常规的固态IVUS导管相似的一些特征,诸如能从Volcano Corporation获得的导管以及在美国专利US7846101中(在此通过引用将其全文并入)公开的那些。例如,管腔内设备102可以包括靠近管腔内设备102的远端的扫描器组件110和沿着管腔内设备102的纵向主体延伸的传输线束112。电缆或传输线束112能够包括多个导体,包括一、二、三、四、五、六、七或更多个导体。
传输线束112终止于管腔内设备102的近端处的PIM连接器114中。PIM连接器114将传输线束112电耦合至PIM 104,并且将管腔内设备102物理耦合至PIM 104。在实施例中,管腔内设备102还包括导丝出口116。因此,在一些情况下,管腔内设备102是快速更换的导管。导丝出口116允许导丝118朝着远端插入,以便引导管腔内设备102穿过内腔120。
监测器108可以是显示设备,诸如计算机监测器或者其他类型的屏幕。监测器108可以被用于向用户显示可选择的提示、指令和成像数据的可视化。在一些实施例中,监测器108可以被用于向用户提供特定于流程的工作流以完成管腔内成像流程。该工作流可以包括:执行支架前计划以确定内腔的状态和针对支架的潜力,以及支架后检查以确定已经被定位在内腔中的支架的状态。可以将工作流呈现给用户作为在图5-7中所示的任何显示或可视化。
外部成像系统132能够被配置为获得患者的身体(包括血管120)的X射线、射线照相、血管造影/静脉造影(例如,具有造影剂)和/或荧光透视(例如,没有造影剂)图像。外部成像系统132还可以被配置为获得患者的身体(包括血管120)的计算机断层摄影图像。外部成像系统132可以包括外部超声探头,所述外部超声探头被配置为当位于体外部时获得患者的身体(包括血管120)的超声图像。在一些实施例中,系统100包括其他成像模态系统(例如,MRI)以获得患者的身体(包括血管120)的图像。处理系统106能够结合由管腔内设备102获得的管腔内图像来利用患者的身体的图像。
图2图示了人类身体中的血管(例如,动脉和静脉)。例如,人类身体的静脉被标记。本公开的各方面能够涉及外周脉管系统,例如,躯干或腿中的静脉。
阻塞能够发生在动脉或静脉中。阻塞通常能够表示任何阻塞或者其他结构布置,其导致例如以对患者的健康有害的方式来限制通过内腔(例如,动脉或静脉)的流体的流量。例如,闭塞使内腔变窄,使得内腔的横截面面积和/或流体流动通过内腔的可用空间减小。在解剖结构是血管的情况下,闭塞可能是由于压迫(例如,来自外部血管)斑块堆积而变窄的结果,包括但不限于:斑块成分,诸如纤维状、纤维脂质(纤维状脂肪)、坏死核、钙化(致密的钙)、血液和/或不同阶段的血栓(急性、亚急性、慢性等)。在一些情况下,闭塞能够被称为血栓、狭窄和/或病变。通常,阻塞的组成将取决于被评估的解剖结构的类型。解剖结构中的较健康的部分可以具有均匀或对称的轮廓(例如,具有圆形横截面轮廓的圆柱形轮廓)。阻塞可能没有均匀或对称的轮廓。因此,具有阻塞的解剖结构的患病或受压部分将具有非对称和/或以其他方式不规则的轮廓。解剖结构能够具有一个阻塞或者多个阻塞。
阻塞的堆积(例如,血栓、深静脉血栓形成或DVT、慢性总阻塞或CTO等)是可能减少外周脉管系统(例如,躯干、腹部、腹股沟、腿部)中的静脉的横截面积的一种方式。接触静脉的其他解剖结构也能够减小其横截面积,从而限制通过其的血流。例如,躯干、腹部、腹股沟或腿部中的动脉或韧带会压在静脉上,其改变了静脉的形状并且减小了其横截面积。由于与其他解剖结构相接触而造成的这样的横截面积减小能够被称为压缩,因为静脉的壁由于与动脉或韧带的接触而被压缩。
人类血管是通常在更近端位置更大(即具有更大直径或横截面积)并且在更远端位置更小(例如具有更小直径或横截面积)的分支结构,以及沿给定血管的长度的频繁分支。在分支或侧支附近,其可以是血管是否包括各自具有其自己的测量结果(例如,直径或横截面积)的两个相邻血管或者仅具有单个测量结果集的单个血管(也许具有复杂形状)的看法问题。
图3图示了并入了压缩或者血栓330的血管300。压缩或血栓330可以在血管腔120内的血管壁310外部发生,或者作为血管壁310的扩大或变厚,并且可以限制管腔120内的血液320的流动。压缩可以由血管300外部的其他解剖结构引起,包括但不限于肌腱、韧带或相邻管腔。
图4图示了并入了压缩330并且具有在其内扩张以恢复流动的支架440的血管300。支架400移位并且阻止压缩330,向外推动血管壁310,因此增加血管腔的横截面积并且降低针对血液320的流量限制。用于减轻阻塞的其他处置选项可以包括但不限于血栓切除术、消融、血管成形术和药物。然而,在大多数情况下,可能高度期望连同在处置之前、期间、或之后的受影响区域的位置、取向、长度、体积、直径和横截面积的准确和详细知识一起,获得受影响区域的准确和及时血管内图像。这样的信息依赖于血管边界的准确评估,例如,血管壁310的血管腔界限和/或外界限。
图5图示了根据本公开的至少一个实施例的范例管腔内成像显示屏500。在该范例中,屏幕显示500包括来自血管的一系列连续断层摄影图像的当前断层摄影IVUS图像510。可见的是连同侧支512一起的血管腔120,表示来自管腔120的第二管腔分支。自动计算的血管腔边界或界限514已经叠加在图像之上。自动计算的血管腔界限可以例如使用在计算额外变量(诸如管腔直径或管腔横截面积)中,其可以在做出诸如支架调整大小的临床决策中是有用的。
自动边界或界限检测、图像处理、图像分析和/或图案识别的范例包括于2001年3月13日发布的、发明人为D.Geoffrey Vince、Barry D.Kuban和Anuja Nair的题为“VASCULAR PLAQUE CHARACTERIZATION”的美国专利US 6200268,于2002年4月30日发布的、发明人为Jon D.Klingensmith、D.Geoffrey Vince和Raj Shekhar的题为“INTRAVASCULARULTRASONIC ANALYSIS USING ACTIVE CONTOUR METHOD AND SYSTEM”的美国专利US6381350,于2006年7月11日发布的、发明人为Anuja Nair、D.Geoffrey Vince、JonD.Klingensmith和Barry D.Kuban的题为“SYSTEM AND METHOD OF CHARACTERIZINGVASCULAR TISSUE”的美国专利US 7074188,于2007年2月13日发布的、发明人为D.GeoffreyVince、Anuja Nair和Jon D.Klingensmith的题为“NON-INVASIVE TISSUECHARACTERIZATION SYSTEM AND METHOD”的美国专利US 7175597,于2007年5月8日发布的、发明人为Jon D.Klingensmith、Anuja Nair、Barry D.Kuban和D.Geoffrey Vince的题为“SYSTEM AND METHOD FOR VASCULAR BORDER DETECTION”的美国专利US 7215802,于2008年4月15日发布的、发明人为Jon D.Klingensmith、D.Geoffrey Vince、Anuja Nair和BarryD.Kuban的题为“SYSTEM AND METHOD FOR IDENTIFYING A VASCULAR BORDER”的美国专利US 7359554,于2008年12月9日发布的、发明人为Jon D.Klingensmith、Anuja Nair、BarryD.Kuban和D.Geoffrey Vince的题为“SYSTEM AND METHOD FOR VASCULAR BORDERDETECTION”的美国专利US 7463759,其教导由此通过引用全文并入本文。
在图5中还可见的是连同血管的图像纵向显示(ILD)520一起的图形路线图530,包括一系列连续断层摄影图像的堆叠截面,形成血管的纵向截面图像。此外,书签540a、540b、540c、540d、540e、和540f与图形路线图530和ILD 520两者相关联。在该范例中,书签540d还与当前IVUS图像510相关联,与包含关于IVUS图像510的位置和性质的信息的标签一样。
图6示出了根据本公开的至少一个实施例的范例轮廓选择屏幕显示600。在该范例中,轮廓选择屏幕显示屏幕显示600包括相同断层摄影图像的三个不同实例610a、610b、610c(例如,基本上垂直于血管的纵轴的横向或径向截面图像)。每个实例610a、610b、和610c中可见的是血管腔120和侧支515。在侧支在断层摄影图像(例如,IVUS图像)中出现的情况下,确定血管的管腔界限变得困难,至于任何给定帧,其能够是侧支是否被认为是主要血管的部分的个体临床偏好的问题。管腔界限中的模糊性的其他源可以包括但不限于复杂(例如,凹或豆形的)血管几何结构、阻塞、压缩、狭窄和支架,包括次优放置或次优扩展的支架。
在该范例中,代替于如例如在图5中看到的单个自动计算的管腔界限,轮廓选择屏幕显示600提供各自具有其自己相关联的管腔测量结果或其他数值620a、620b、和620c(例如,以mm为单位的管腔直径或以mm2为单位的管腔横截面积)的计算的管腔界限的三个不同选择614a、614b、和614c。在范例中,选择表示界限检测算法的三个最可能管腔界限轮廓。算法可以识别其他可能管腔界限轮廓,但是如果其不是三个最可能之一,则不示出其。在其他实施例中,选择的数目可以是除三之外的数目,诸如但不限于两个选择、四个选择或五个选择。在范例中,临床医师或其他用户可以通过选择相关联的断层摄影图像或者通过选择与图像相关联的字母数字符号(例如,A、B、C等)或者通过其他类似手段利用用户接口(例如,鼠标、轨迹球、触摸屏或键盘)选择建议管腔界限614a、614b、或614c之一。
在一些实施例中,显示器和用户接口可以是相同设备。在示范性实施例中,具有对应的候选界限和测量结果的相同IVUS图像的多个实例被显示在触摸屏显示器上。用户输入可以是选择候选之一的触摸屏显示器上的触摸输入。在其他实施例中,显示器和用户接口可以是彼此直接/间接耦合或者彼此分离/间隔的不同设备。
在一些实施例中,边界检测算法采用在使用人类识别的管腔边界在可比较IVUS图像数据集上训练的机器学习网络,诸如深度学习、深度结构化学习或深度分层学习网络(例如,具有输入和输出层之间的多个层的学习人工神经网络(ANN))。深度学习网络的范例包括但不限于卷积神经网络(CNN,例如,全连接网络)、深度信念网络(例如,具有在层之间但不在每个层内的单元之间的连接的网络)或深度玻耳兹曼机。边界检测算法可以产生多个候选边界轮廓,每个具有概率、置信度水平或与其相关联的置信度区间。
处理器电路将基于统计量度(概率、置信度区间、置信度水平)生成并且输出不同边界候选。即,处理器电路将生成并且输出针对统计量度的给定值的一组边界候选,并且输出并生成针对统计量度的不同值的不同一组边界候选。在各种实例中,两组边界候选可以是相同(例如,所有相同候选)、完全不同(例如,没有相同候选)或部分不同的(例如,一些相同候选、一些不同候选)。统计量度的该选择可以例如通过用户输入执行。
在一些实施例中,尽管默认值还可以由系统供应,但是针对候选管腔界限的最小置信度区间是用户可编辑的参数。在一些实施例中,如果可能管腔界限轮廓中的一个或多个不超过最小置信度区间,则血管边界选择系统可以示出更少的选择,并且如果若干可能管腔界限轮廓超过最小置信度区间,则血管边界选择系统可以示出更多的选择。因此,针对其中血管腔具有简单的几乎圆形截面的区域,算法可以识别更少的可能管腔界限614,然而针对其中血管腔具有复杂、凹(例如,豆形)、分支或其他情况下的模糊截面的区域,算法可以识别临床医师或其他用户可以从其选择的更多可能管腔界限614。
还可见的是手动调节按钮630,其在一些实施例中使得临床医师或其他用户能够调节包括选定的管腔界限614的个体点。在一些实施例中,用户可以自动进入手动调节模式,并且具有编辑或者不编辑血管边界轮廓的选项。在其他实施例中,边界编辑可以在所显示的边界轮廓选项上直接完成,例如,通过点击和拖曳血管边界轮廓的部分,或者通过利用所选择的选项激活并且与弹出窗口交互。还预期了边界轮廓的手动调节的其他手段。
在一些实施例中,边界轮廓可以是身体的自然轮廓,诸如管腔边界、血管边界、内中膜边界、中膜-外膜边界等。在一些实施例中,边界轮廓可以是患者的血管内的医学设备的轮廓,诸如支架边界。
本公开的一些实施例可以包括在2018年3月14日提交的美国临时申请US 62/642847(2017P02103US/44755.1840PV01)中所描述的特征,通过引用将其整体并入本文,如同在本文中完全阐述一样。
图7示出了根据本公开的至少一个实施例的范例管腔边界轮廓编辑屏幕显示700。在一些实施例中,如果临床医师或其他用户选择来自图6的手动调节按钮630或者类似控制,则系统连同选定的管腔界限714一起示出选定的断层摄影图像710。然而,系统还示出了定义管腔界限714的多个点720。通过选择和移动这些点(例如,使用触摸屏、键盘、鼠标、或轨迹球),临床医师或其他用户能够改变管腔界限714。可以使用该选项,例如如果临床医师或其他用户对由管腔边界检测算法提供的所有选择不满意。在这样的实例中,临床医师或其他用户可以例如选择来自可用选择的最接近匹配,并且然后手编辑一个或多个点,直到管腔界限714匹配用户的预期。在一些实施例中,编辑的管腔界限714反馈回到边界检测神经网络或其他学习算法的训练中。
应注意到,不仅通过移动分立点,血管边界轮廓的手动调节可以以任何适合的方式执行。例如,显示器可以仅示出所识别的轮廓自己,并且用户可以触摸并且拖曳轮廓自己以改变形状。在一些实例中,用户可能能够经由触摸输入绘制轮廓的全部或部分。针对选定的边界轮廓的编辑屏幕、编辑窗口或编辑选项可以使用一个或多个输入进入。如果用户在具有相同IVUS帧的多个实例的屏幕上直接编辑,则可能仅需要一个输入。如果用户选择按钮或其他输入以进入手动编辑模式,则额外输入可以被要求以实际上编辑边界。
图8是图示根据本公开的至少一个实施例的用于血管识别的方法800的流程图。在一些实施例中,方法800的步骤中的一个或多个可以由管腔内医学成像系统执行。
在步骤810中,管腔内医学成像系统获得与血管相关联的多幅图像。在一些实施例中,可以在血管的不同位置处或者在血管内的不同时间或取向处获得多幅图像中的每幅。在一些实施例中,多幅图像可以沿着血管的长度顺序地获得。在一些实施例中,沿着血管的长度获得的幅个图像可以被用于创建血管的二维和/或三维表示。
在步骤820中,系统选择血管的多幅图像之一。在一些实施例中,选定的图像可以是沿着血管的长度顺序地获得的第一或最后图像,或者可以是沿着血管的长度获得的中间图像。图像可以例如是感兴趣区域内的目标帧(例如,表示血管的患病或压缩部分内的最大阻塞或最小管腔横截面积的帧)或者参考帧(例如,血管的患病或压缩部分近端或远端的健康组织)。在一些实施例中,图像选择可以通过用户接口由临床医师或其他用户手动完成。在其他实施例中,图像选择由算法(例如,用于选择来自图像数据集的目标和参考帧的算法)自动做出。
在步骤830中,血管边界选择系统分析选定的图像以识别图像中的一个或多个潜在边界,诸如图像中的血管的周缘。在一些实施例中,所识别的潜在边界可以表示管腔边界、血管边界、血管的内壁、和/或血管的外壁。分析可以由医学成像系统的一个或多个部件执行,诸如处理单元、用户显示器或医学成像设备。边界可以使用任何适合的解剖边界检测算法识别。这样的自动化算法可以在经典技术上建立或者可以并入机器学习或深度学习技术或其他类型的人工智能、或其组合。利用深度学习或者经典算法,存在确定算法被建立以检测的特征的概率的方法。因此,每个自动识别的边界还可以具有由算法计算的相关联的概率或置信度区间。
在步骤840中,血管边界选择系统将潜在边界彼此和/或与阈值相比较,并且因此对其进行过滤。例如,在一些实施例中,潜在边界的一个或多个直径或横截面积值可以彼此或与阈值相比较,并且潜在边界可以基于比较过滤出。例如,具有低于用户可定义的最小阈值或高于用户可定义的最大阈值的血管边界轮廓可以由算法过滤出。另外,算法可以过滤出具有低于阈值的概率或置信度区间的所识别的管腔边界。一旦已经过滤出不想要或不适合的候选边界,则医学成像系统可以任选地识别来自潜在边界的一个或多个备选候选边界。
在步骤850中,医学成像系统将血管的选定的图像的两个或更多实例输出给用户显示器,每个具有在步骤840中已经计算的叠加在其上的候选边界轮廓。如上文所描述的,在一些实施例中,一个或多个备选候选边界可以包括相同解剖特征或边界的备选表示,诸如沿着血管的路径的特定点处的血管的内壁。在一些实施例中,成像系统可以预选择选择备选候选边界之一作为主要候选边界,使得临床医师或其他用户仅需要确认选择以便接受其。候选边界可以例如基于其相对概率或置信度区间来排名,使得最可能的选择首先出现(例如,在顶部或左边),并且最不可能的选择最后出现(例如,在右边或底部),但是代替地或者额外地,可以使用其他布置。每个候选边界具有还显示的与其相关联的血管测量结果或其他数值(例如,直径或横截面积),使得每个边界候选的测量结果可以由临床医师或其他用户用于确定选择哪个候选边界,并且任选地是否在最后选择它之前手动地编辑其点。
在步骤860中,系统接收来自用户的边界选择输入。边界选择输入可以经由用户接口传送到系统。在一些实施例中,用户接口可以包括触摸屏设备、鼠标、键盘、操纵杆、和/或被配置为接收与候选边界轮廓相关联的用户输入的任何其他适合部件。边界选择输入可以包括选择一个或多个备选候选边界之一的指令。在一些实施例中,在步骤850中,系统可以首先仅显示主要或“最好选择”候选边界。如果临床医师或其他用户对主要候选边界满意,则边界选择输入可以然后包括继续进行由系统识别的主要或最好边界的指令。在其他实施例中,如果用户对所显示的主要候选边界满意,则不要求边界选择输入。例如,主要候选边界可以默认接受。在该方面中,系统可以继续显示叠加在血管的图像上的主要候选边界,并且可以继续进行其他步骤(例如,另外的图像处理、基于主要候选边界尺寸的计算等)。在其他实施例中,边界选择输入可以包括选择同时显示的候选边界之一。在其中主要候选边界默认接受的实施例中,用户可以提供边界选择输入,使得系统当用户对主要候选边界不满意时输出一个或多个备选候选边界。另外的边界选择输入可以由用户提供以选择备选候选边界之一。
在一些实施例中,边界选择输入可以包括拒绝一个或多个备选候选边界中的一个或多个的指令。在一些实施例中,边界选择输入可以包括修改一个或多个备选候选边界之一的指令。
在步骤870中,在候选边界轮廓已经利用边界选择输入选择之后,系统可以显示具有叠加在图像上的选定的候选边界的血管的图像。
在步骤880中,系统可以识别与选定的边界相关联的准则。准则可以包括与图像上的选定的边界的位置、取向、大小或形状相关联的直径或横截面积值或另一值。在一些实施例中,图像可以识别与选定的图像相关联的若干准则。在一些实施例中,一个或多个准则可以包括用于识别图像中的轮廓线的公式的系数。在其他实施例中,一个或多个准则可以包括对应于其中期望边界可能被发现的图像上的区域或区的图像上的一个或多个位置。
在步骤890中,系统可以将所识别的准则和/或所识别的边界传播到多个中的剩余图像作为起始点以识别或检测多幅图像中的每幅中的一个或多个导出边界。通过将所识别的准则或边界用作起始点,系统可能更可能一致地识别或导出跨图像的血管中的边界。通过将所识别的准则或边界传播到多幅图像中的每幅,临床医师或其他用户可能不需要再访问多幅图像中的每幅以确保令人满意的边界已经被识别。
应注意,与管腔相关联的所识别的边界可以包括管腔边界、血管边界、内膜/中膜边界、中膜/外膜边界和/或血管内和/或管腔内图像中的任何结构的任何其他边界、轮廓、和/或分割。例如,管腔边界可以是血液与血管组织之间的边界。例如,血管边界可以是血管组织与周围组织之间的边界。边界可以是所识别的结构周围的自动绘制轮廓,其可以是管腔、血管、心室、瓣膜、血栓、钙、相邻动脉或静脉(血管)、支架轮廓或其他结构。
在一些实施例中,由医学成像系统识别的潜在边界中的每个可以是要显示给用户显示器的候选边界,使得没有过滤步骤是必要的。在一些实施例中,方法可以包括从要显示给用户显示器的多个候选边界选择多个边界。例如,在一些实施例中,方法可以包括选择血管壁的外边界和相同血管壁的内边界以将外边界和内边界两者显示在用户显示器上。
图9是根据本公开的实施例的处理器电路950的示意图。处理器电路950可以在超声成像系统100或者其他设备或工作站(例如,第三方工作站、网络路由器等)中实现,或者在云处理器或其他远程处理单元上实现,按照需要实现所述方法。如所示的,处理器电路950可以包括处理器960、存储器964和通信模块968。这些元件可以例如经由一条或多条总线彼此直接或间接通信。
处理器960可以包括中央处理单元(CPU)、数字信号处理器(DSP)、ASIC、控制器、或者通用计算设备、精简指令集计算(RISC)设备、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他相关逻辑设备的任意组合,包括机械和量子计算机。处理器960还可以包括被配置为执行在本文中所描述的操作的另一硬件设备、固件设备或者其任何组合。处理器960还可以被实现为计算设备的组合,例如,DSP和微处理器的组合、多个微处理器、结合DSP核心的一个或多个微处理器、或者任何其他这样的配置。
存储器964可以包括高速缓存存储器(例如,处理器960的高速缓存存储器)、随机存取存储器(RAM)、磁阻RAM(MRAM)、只读存储器(ROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)、闪存、固态存储器设备、硬盘驱动器、其他形式的易失性和非易失性存储器、或者不同类型的存储器的组合。在实施例中,存储器964包括非瞬态计算机可读介质。存储器964可以存储指令966。指令966可以包括在由处理器960执行时使处理器960执行在本文中所描述的操作的指令。指令966也可以被称为代码。术语“指令”和“代码”应当被宽泛地解读为包括任何类型的(一个或多个)计算机可读语句。例如,术语“指令”和“代码”可以指代一个或多个程序、例程、子例程、函数、流程等。“指令”和“代码”可以包括单个计算机可读语句或者许多计算机可读语句。
通信模块968能够包括任何电子电路和/或逻辑电路,以促进在处理器电路950与其他处理器或设备之间的数据的直接或间接通信。就此而言,通信模块968能够是输入/输出(I/O)设备。在一些情况下,通信模块968促进在处理器电路950的各个元件和/或超声成像系统100之间的直接或间接通信。通信模块968可以通过多种方法或协议在处理器电路950内通信。串行通信协议可以包括但不限于:US SPI、I2C、RS-232、RS-485、CAN、以太网、ARINC 429、MODBUS、MIL-STD-1553,或者任何其他合适的方法或协议。并行协议包括但不限于:ISA、ATA、SCSI、PCI、IEEE-488、IEEE-1284以及其他合适的协议。在适当的情况下,可以通过UART、USART或者其他适当的子系统桥接串行和并行通信。
外部通信(包括但不限于:软件更新、固件更新或者来自超声设备的读数)可以使用任何适当的无线或有线通信技术来完成,所述技术例如为诸如USB、micro USB、Lightning或FireWire接口、蓝牙、Wi-Fi、ZigBee、Li-Fi的电缆接口,或诸如2G/GSM、3G/UMTS、4G/LTE/WiMax或5G的蜂窝数据连接。例如,蓝牙低功耗(BLE)无线电能够被用于与云服务建立连接、传输数据,以及接收软件补丁。所述控制器可以被配置为与远程服务器或诸如膝上型计算机、平板计算机或手持设备之类的本地设备通信,或者可以包括能够示出状态变量和其他信息的显示器。信息也可以在诸如USB闪存驱动器或记忆棒的物理介质上传送。
多个变型在上文所描述的范例和实施例上是可能的。例如,血管边界选择系统可以采用在除所描述的那些之外的身体内的解剖系统中,或者可以被用于对除所描述的那些之外的其他疾病类型、对象类型或流程类型进行成像。本文所描述的技术可以应用于不同类型的成像传感器,无论当前存在还是以后开发的。系统可以与IVUS一起用于冠状动脉和在动脉或静脉成像中的外围使用,诸如IVUS控制台软件。备选地或者额外地,系统可以与启用自动化测量并且因此可能要求自动识别的边界轮廓的编辑的X射线、血管造影和静脉造影应用一起使用。系统可以应用于具有自动化特征检测或启用的测量的任何成像模态,但是具有那些发现的允许编辑,以便使编辑过程合理化。
因此,构成在本文中所描述的技术的实施例的逻辑操作被不同地称为操作、步骤、对象、元件、部件或模块。此外,应当理解,可以这些操作以任何次序出现或执行,除非另有明确声明,或者权利要求语言固有地需要特定次序。所有方向参考(例如上、下、内、外、向上、向下、左、右、侧边、前、后、顶部、底部、以上、以下、垂直、水平、顺时针、逆时针、近端和远端)仅用于识别目的,以帮助读者理解所要求保护的主题,并且不产生限制,特别是在血管边界选择系统的位置、取向或使用方面。除非另外指出,否则连接参考(例如,附接、耦合、连接和结合)应当被广义地解释,并且可以包括在元件集合之间的中间构件以及在元件之间的相对运动。这样,连接参考不一定暗示两个元件直接连接并且彼此成固定关系。术语“或”应当解释为表示“和/或”而不是“排他或”。除非在权利要求中另有说明,否则所述值应仅被解释为说明性的,并且不应当被认为是限制性的。
上面的说明书、范例和数据提供了对权利要求中所定义的血管边界选择系统的示范性实施例的结构和使用的完整描述。尽管以上已经以某种程度的特殊性或参考一个或多个个体实施例描述了所要求保护的主题的各种实施例,但是本领域技术人员可以在不背离所要求保护主体的精神或范围的情况下对所公开的实施例进行多种更改。还设想了其他实施例。意图是,以上描述中包含的以及在附图中示出的所有内容应当被解释为仅是特定实施例的说明,而不是限制性的。在不背离如所附权利要求所定义的主题的基本元素的情况下,可以进行细节或结构上的改变。
Claims (19)
1.一种管腔内超声成像系统,包括:
处理器电路,其被配置用于与管腔内超声成像导管通信,其中,所述处理器电路被配置为:
接收在所述管腔内超声成像导管在患者的身体管腔内移动期间由所述管腔内超声成像导管获得的多幅管腔内超声图像;
从所述多幅管腔内超声图像中间选择图像;
生成与选定的图像内的管腔相关联的至少两个边界轮廓;
将包括与所述管腔相关联的所述至少两个边界轮廓的屏幕显示输出到与所述处理器电路通信的显示器,所述至少两个边界轮廓中的每个被叠加在所述选定的图像的单独实例上;
从与所述处理器电路通信的用户接口接收第一用户输入,所述第一用户输入选择所述边界轮廓中的一个;并且
将与选定的边界轮廓相叠加的所述选定的图像输出到所述显示器。
2.根据权利要求1所述的系统,其中,所述处理器电路还被配置为:
通过将所述选定的图像的所述选定的边界轮廓传播到来自所述多幅管腔内超声图像的至少一幅额外的图像来生成与针对所述至少一幅额外的图像的所述管腔相关联的导出的边界轮廓。
3.根据权利要求1所述的系统,其中,所述处理器电路还被配置为:
生成针对每个边界轮廓的几何测量结果;并且
将针对每个边界轮廓的所述几何测量结果输出到所述显示器。
4.根据权利要求3所述的系统,其中,所述几何测量结果包括以下各项中的至少一项:管腔直径、血管壁外径、管腔横截面积或者血管横截面积。
5.根据权利要求3所述的系统,其中,所述处理器电路还被配置为:
从所述用户接口接收第二用户输入以编辑所述选定的边界轮廓;
基于经编辑的边界轮廓来重新计算所述几何测量结果;并且
将与所述经编辑的边界轮廓相叠加的所述选定的图像连同重新计算的几何测量结果一起输出到所述显示器。
6.根据权利要求1所述的系统,其中,所述处理器电路被配置为基于统计量度的第一值来生成所述至少两个边界轮廓,并且其中,所述处理器电路被配置为基于所述统计量度的第二值来生成不同的边界轮廓。
7.根据权利要求6所述的系统,其中,所述处理器电路被配置为从所述用户接口接收第二输入,以将所述统计量度从所述第一值改变为所述第二值。
8.根据权利要求1所述的系统,其中,所述处理器电路被配置为基于机器学习算法来生成所述至少两个边界轮廓。
9.根据权利要求1所述的系统,还包括:
所述管腔内超声成像导管。
10.根据权利要求1所述的系统,还包括:
所述显示器;以及
所述用户接口,其中,所述用户接口包括所述显示器的触摸屏。
11.一种管腔内超声成像方法,包括:
在与管腔内超声成像导管通信的处理器电路处接收在所述管腔内超声成像导管在患者的身体管腔内移动期间由所述管腔内超声成像导管获得的多幅管腔内超声图像;
使用所述处理器电路从所述多幅管腔内超声图像中间选择图像;
使用所述处理器电路生成与选定的图像内的管腔相关联的至少两个边界轮廓;
将包括与所述管腔相关联的所述至少两个边界轮廓的屏幕显示输出到与所述处理器电路通信的显示器,所述屏幕显示,所述至少两个边界轮廓中的每个被叠加在所述选定的图像的单独实例上;
从与所述处理器电路通信的用户接口接收第一用户输入,所述第一用户输入选择所述边界轮廓中的一个;并且
使用所述处理器电路将与选定的边界轮廓相叠加的所述选定的图像输出到所述显示器。
12.根据权利要求11所述的方法,还包括:
通过将所述选定的图像的所述选定的边界轮廓传播到来自所述多幅管腔内超声图像的至少一幅额外的图像来生成与针对所述至少一幅额外的图像的所述管腔相关联的导出的边界轮廓。
13.根据权利要求11所述的方法,还包括:
生成针对每个边界轮廓的几何测量结果;并且
将针对每个边界轮廓的所述几何测量结果输出到所述显示器。
14.根据权利要求13所述的方法,其中,所述几何测量结果包括以下各项中的至少一项:管腔直径、血管壁外径、管腔横截面积或者血管横截面积。
15.根据权利要求13所述的方法,还包括:
从所述用户接口接收第二用户输入以编辑所述选定的边界轮廓;
基于经编辑的边界轮廓来重新计算所述几何测量结果;并且
将与所述经编辑的边界轮廓相叠加的所述选定的图像连同重新计算的几何测量结果一起输出到所述显示器。
16.根据权利要求11所述的方法,还包括:
基于统计量度的第一值来生成所述至少两个边界轮廓;并且
基于所述统计量度的第二值来生成不同的边界轮廓。
17.根据权利要求16所述的方法,还包括从所述用户接口接收第二输入,以将所述统计量度从所述第一值改变为所述第二值。
18.根据权利要求11所述的方法,其中,所述至少两个边界轮廓是基于机器学习算法来生成的。
19.一种用于外围血管中的血管内超声成像系统,所述系统包括:
血管内超声成像导管,其被配置为在所述血管内超声成像导管在患者的外围血管内移动期间获得多幅血管内超声图像;以及
处理器电路,其被配置用于与所述血管内超声成像导管通信,其中,所述处理器电路被配置为:
接收由所述血管内超声成像导管获得的所述多幅血管内超声图像;
从所述多幅血管内超声图像中间选择图像;
生成与选定的图像内的所述外围血管相关联的至少两个边界轮廓;
将包括与所述外围血管相关联的所述至少两个边界轮廓的屏幕显示输出到与所述处理器电路通信的显示器,所述至少两个边界轮廓各自被叠加在所述选定的图像的单独实例上;
从与所述处理器电路通信的用户接口接收第一用户输入,所述第一用户输入选择所述边界轮廓中的一个;并且
将与选定的边界轮廓相叠加的所述选定的图像输出到所述显示器。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201862750996P | 2018-10-26 | 2018-10-26 | |
US62/750,996 | 2018-10-26 | ||
PCT/IB2019/059166 WO2020084583A1 (en) | 2018-10-26 | 2019-10-25 | Intraluminal ultrasound vessel border selection and associated devices, systems, and methods |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112912012A true CN112912012A (zh) | 2021-06-04 |
CN112912012B CN112912012B (zh) | 2024-05-31 |
Family
ID=
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11648424B2 (en) | 2018-11-28 | 2023-05-16 | Histosonics Inc. | Histotripsy systems and methods |
US11813485B2 (en) | 2020-01-28 | 2023-11-14 | The Regents Of The University Of Michigan | Systems and methods for histotripsy immunosensitization |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003503141A (ja) * | 1999-07-02 | 2003-01-28 | ザ・クリーブランド・クリニツク・フアンデーシヨン | 有効な輪郭線作成法及びシステムを使用する血管内の超音波分析 |
US20040197015A1 (en) * | 2003-04-02 | 2004-10-07 | Siemens Medical Solutions Usa, Inc. | Border detection for medical imaging |
US20070036404A1 (en) * | 2005-08-15 | 2007-02-15 | Wenguang Li | Medical image analysis |
JP2013005983A (ja) * | 2011-06-27 | 2013-01-10 | Hitachi Medical Corp | 医用画像診断装置 |
US20140100440A1 (en) * | 2012-10-05 | 2014-04-10 | Volcano Corporation | System and method for instant and automatic border detection |
US20140276085A1 (en) * | 2013-03-13 | 2014-09-18 | Volcano Corporation | Coregistered intravascular and angiographic images |
JP2015173820A (ja) * | 2014-03-14 | 2015-10-05 | テルモ株式会社 | 画像処理装置、画像処理方法及びプログラム |
CN105190693A (zh) * | 2013-03-01 | 2015-12-23 | 波士顿科学国际有限公司 | 用于血管内超声序列中的管腔边界检测的系统和方法 |
CN105283901A (zh) * | 2013-03-15 | 2016-01-27 | 光学实验室成像公司 | 校准和图像处理设备、方法和系统 |
CN105530871A (zh) * | 2013-09-11 | 2016-04-27 | 波士顿科学国际有限公司 | 使用血管内超声成像系统选择和显示图像的系统和方法 |
CN107025667A (zh) * | 2008-01-04 | 2017-08-08 | 韦伯斯特生物官能公司 | 利用多普勒超声的三维图像重建 |
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003503141A (ja) * | 1999-07-02 | 2003-01-28 | ザ・クリーブランド・クリニツク・フアンデーシヨン | 有効な輪郭線作成法及びシステムを使用する血管内の超音波分析 |
US20040197015A1 (en) * | 2003-04-02 | 2004-10-07 | Siemens Medical Solutions Usa, Inc. | Border detection for medical imaging |
US20070036404A1 (en) * | 2005-08-15 | 2007-02-15 | Wenguang Li | Medical image analysis |
CN107025667A (zh) * | 2008-01-04 | 2017-08-08 | 韦伯斯特生物官能公司 | 利用多普勒超声的三维图像重建 |
JP2013005983A (ja) * | 2011-06-27 | 2013-01-10 | Hitachi Medical Corp | 医用画像診断装置 |
US20140100440A1 (en) * | 2012-10-05 | 2014-04-10 | Volcano Corporation | System and method for instant and automatic border detection |
CN105190693A (zh) * | 2013-03-01 | 2015-12-23 | 波士顿科学国际有限公司 | 用于血管内超声序列中的管腔边界检测的系统和方法 |
US20140276085A1 (en) * | 2013-03-13 | 2014-09-18 | Volcano Corporation | Coregistered intravascular and angiographic images |
CN105283901A (zh) * | 2013-03-15 | 2016-01-27 | 光学实验室成像公司 | 校准和图像处理设备、方法和系统 |
CN105530871A (zh) * | 2013-09-11 | 2016-04-27 | 波士顿科学国际有限公司 | 使用血管内超声成像系统选择和显示图像的系统和方法 |
JP2015173820A (ja) * | 2014-03-14 | 2015-10-05 | テルモ株式会社 | 画像処理装置、画像処理方法及びプログラム |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11648424B2 (en) | 2018-11-28 | 2023-05-16 | Histosonics Inc. | Histotripsy systems and methods |
US11813484B2 (en) | 2018-11-28 | 2023-11-14 | Histosonics, Inc. | Histotripsy systems and methods |
US11980778B2 (en) | 2018-11-28 | 2024-05-14 | Histosonics, Inc. | Histotripsy systems and methods |
US11813485B2 (en) | 2020-01-28 | 2023-11-14 | The Regents Of The University Of Michigan | Systems and methods for histotripsy immunosensitization |
Also Published As
Publication number | Publication date |
---|---|
WO2020084583A1 (en) | 2020-04-30 |
JP7299992B2 (ja) | 2023-06-28 |
EP3870064A1 (en) | 2021-09-01 |
JP2022509453A (ja) | 2022-01-20 |
US20200129147A1 (en) | 2020-04-30 |
US11596384B2 (en) | 2023-03-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11596384B2 (en) | Intraluminal ultrasound vessel border selection and associated devices, systems, and methods | |
EP3870070B1 (en) | Speed determination for intraluminal ultrasound imaging and associated devices, systems, and methods | |
US20200129142A1 (en) | Intraluminal ultrasound navigation buidance and associated devices, systems, and methods | |
US20200129158A1 (en) | Graphical longitudinal display for intraluminal ultrasound imaging and associated devices, systems, and methods | |
EP3870069B1 (en) | Intraluminal ultrasound directional guidance and associated devices and systems | |
CN113473917A (zh) | 具有自动和辅助标签和书签的腔内超声成像 | |
US20230008714A1 (en) | Intraluminal image-based vessel diameter determination and associated devices, systems, and methods | |
US20230045488A1 (en) | Intraluminal imaging based detection and visualization of intraluminal treatment anomalies | |
US20230051383A1 (en) | Automatic intraluminal imaging-based target and reference image frame detection and associated devices, systems, and methods | |
US20230112722A1 (en) | Intraluminal image visualization with adaptive scaling and associated systems, methods, and devices | |
CN112912012B (zh) | 管腔内超声血管边界选择和相关联的设备、系统和方法 | |
JP7493524B2 (ja) | 管腔内超音波イメージングのためのグラフィカル長手方向表示、並びに、関連するデバイス、システム、及び方法 | |
JP7493523B2 (ja) | 管腔内超音波方向性ガイダンス、並びに関連するデバイス、システム、及び方法 | |
WO2023052278A1 (en) | Intraluminal ultrasound vessel segment identification and associated devices, systems, and methods |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |