CN114072068A - 利用分离的超声数据子集进行超分辨率微血管成像 - Google Patents

Abstract

描述了受试者体内的微血管的超分辨率超声成像。从已经被给予微气泡造影剂的受试者体内的感兴趣区域获取超声数据。当微气泡移动穿过感兴趣区域或以其他方式存在于感兴趣区域中时获取超声数据。微气泡信号从超声数据中被隔离，并基于微气泡的特性(诸如时空血流动力学)被分离为数据子集。通过定位、跟踪和积累每个数据子集中的微气泡，可以针对每个子集生成微血管的超分辨率图像，使得这些图像中的每一个表示稀疏的微气泡信号子集。这些图像被结合以生成超分辨率微血管图像。

Description

利用分离的超声数据子集进行超分辨率微血管成像

关联申请的交叉引用

本申请要求于2019年6月14日提交的题为“SUPER-RESOLUTION MICROVESSELIMAGING USING SEPARATED SUBSETS OF ULTRASOUND DATA(利用分离的超声数据子集进行超分辨率微血管成像)”的美国临时专利申请序列第62/861,580号的权益，该临时专利申请通过引用以其整体并入本文。

关于联邦资助研究的说明

本发明是在国家卫生研究院授予的CA214523项下的政府支持下完成的。政府具有本发明中的某些权利。

背景技术

基于超声造影剂(诸如微气泡)的超声超分辨率微血管成像最近被提出，以打破常规超声成像的衍射极限，大幅提高空间分辨率。实现超分辨率的基本思想是，空间隔离微气泡的位置/定位可被确定，并用于以超过衍射极限的分辨率构建血流图像。这从根本上不同于常规成像，在常规成像下，使用后向散射的微气泡信号形成图像，其中空间分辨率受到超声波长的物理限制，超声波长是微气泡的尺寸的数百倍。超声超分辨率成像的实现一般包括以下步骤：注射造影剂(诸如微气泡)，采集一定时间段的超声数据帧，以及通常包括微气泡信号提取、定位、跟踪和重建的后处理。

目前，超分辨率成像的一个主要挑战是微气泡分离不足。空间隔离微气泡信号对于精确微气泡定位至关重要，精确微气泡定位然后被用于形成超分辨率图像。当微气泡彼此太接近时，它们的回波信号会重叠和干扰，这使得各个微气泡的定位是不准确的甚至是不可能的。解决这一挑战的一种方法是降低微气泡浓度，例如，使用稀释的微气泡。然而，产生足够的隔离微气泡信号也是必要的，以充分填充靶向微脉管系统(microvasculature)。降低浓度将导致更稀疏的微气泡事件，并显著延长重建整个血管树所需的数据采集时间。由于组织和操作者诱发的运动对超分辨率成像有害，因此在体内的长采集时间也是一个挑战。稀释法还可能要求持续输注微气泡或多次微气泡注射以达到目标剂量，这在临床环境中具有挑战性。因此，在降低采集时间和获得足够数量的隔离微气泡信号之间存在根本性的折衷。

发明内容

本公开通过提供一种从超声数据生成受试者体内的微脉管系统的图像的方法来解决上述缺点。方法包括：利用计算机系统访问从受试者获取的超声数据。通过使用所述计算机系统从所述超声数据中提取微气泡信号，来生成微气泡信号数据。使用计算机系统从微气泡信号数据生成多个微气泡信号数据子集。通过基于微气泡特性将微气泡信号数据分离为微气泡信号子集来生成多个微气泡信号数据子集。使用计算机系统针对每个微气泡信号数据子集生成微血管图像，其中每个微血管图像表示稀疏的微气泡信号子集。然后基于所述多个微气泡信号数据子集中的每一个子集的微血管图像的组合生成组合的微血管图像。

本公开的上述和其他方面及优点将通过以下说明书而显现。在说明书中，参考了形成说明书的一部分的附图，其中通过图示的方式示出了优选实施例。然而，此实施例不一定代表本发明的全部范围，并且因此，参考权利要求和本文来解释本发明的范围。

附图说明

图1示出了基于不同微气泡特性分离微气泡信号的示例。

图2示出了阐述用于使用超声系统产生已经被给予微气泡造影剂的受试者体内的微血管的超分辨率图像的示例方法的步骤的流程图。

图3是阐述基于SVD滤波将微气泡信号数据分离为数据子集的示例方法的步骤的流程图。

图4是频谱的示例，该频谱可用于将微气泡信号数据分离为数据子集。

图5是多普勒频谱的示例，该多普勒频谱可用于基于正频率分量和负频率分量将微气泡信号数据分离为数据子集。

图6是微气泡信号数据被转换到k–f域以便基于不同的微气泡速度和方向将微气泡信号数据分离为数据子集的示例。

图7示出了与在没有微气泡信号数据分离的情况下生成的微血管密度图像相比，使用本公开所述的方法所生成的微血管密度图像的示例。

图8示出了与在没有微气泡信号数据分离的情况下生成的微血管速度图像相比，使用本公开所述的方法所生成的微血管速度图像的示例。

图9示出了使用本公开所述的方法的组合所生成的微血管密度和速度图像的示例。

图10示出了与在没有微气泡信号数据分离的情况下生成的微血管密度图像相比，使用本公开所述的方法所生成的微血管密度图像的另一示例。

图11是阐述使用经训练的神经网络或其他机器学习算法基于不同的微气泡特性来分离微气泡信号的示例方法的步骤的流程图。

图12是示例超声系统的框图。

图13是用于从超声数据生成微血管图像的示例系统的框图。

图14是可实现图13的系统的示例部件的框图。

具体实施方式

这里描述的是用于对受试者体内的微血管进行超分辨率超声成像的系统和方法。从已经被给予微气泡造影剂的受试者体内的感兴趣区域获取超声数据。当微气泡移动穿过感兴趣区域或以其他方式存在于感兴趣区域中时获取超声数据。感兴趣区域可以包括，例如，受试者体内的微血管或其他微脉管系统。如本公开描述的，通过隔离、定位、跟踪和积累超声数据中的微气泡，可以生成微血管的超分辨率图像。

为了打破采集时间和微气泡浓度之间的折衷，本公开中描述的系统和方法在超声图像中执行微气泡分离,以提高微气泡信号的稀疏性。这种分离改进了气泡定位，从而实现更稳健的超分辨率成像。本公开发现即使微气泡信号在空间和时间上可重叠，它们仍然是基于微气泡特性或特征的差异可分离的。

在一个示例中，可基于微气泡的时空血流动力学(诸如移动速度、移动方向和去相关)的差异来分离微气泡信号。在另一示例中，可通过各个微气泡的声学特性(诸如对声化超声波的线性或非线性频率响应)的差异来分离微气泡信号。在又另一示例中，微气泡信号可以通过时空血流动力学和声学特性的组合来分离。作为另一示例，可以基于微气泡尺寸的差异来分离微气泡信号。例如，不同尺寸的微气泡具有不同的共振频率，其可用于气泡分离(例如，基于超声接收中的带通或其他滤波)。

本公开聚焦于提取和检测微气泡信号差异，以将所获得的微气泡分离为若干不同的子集，这些不同的子集可以被独立地处理，并且每个子集的微气泡浓度比整体微气泡浓度更为稀疏。因此，许多重叠的微气泡信号可以被处理，否则将被丢弃。

在又另一示例中，可以基于人工智能(AI)技术(诸如机器学习和深度学习)分离微气泡信号，其中可以使用具有不同微气泡特征的模拟或实验微气泡数据来训练用于微气泡分离的算法。因此，微气泡的分离可允许注射更高浓度的微气泡，并显著缩短超分辨率成像的数据采集时间，这对于该技术的成功临床转化至关重要。

图1示出了用于超分辨率超声微血管成像的微气泡分离的总体思路。图1中用不同的标记和颜色指示具有不同特性(诸如时空血流动力学和声学特性)的微气泡的回波信号。单元102指示用微气泡的重叠回波信号形成的常规血管图像，其中空间分辨率在物理上受到超声波长的限制。通过使用本公开中提出的技术，微气泡被分离为具有更稀疏填充(population)的不同子集(单元104)。然后对每个微气泡信号子集分别执行处理，以定位空间隔离微气泡的位置并检取超分辨率微血管图像，如单元106所示。然后将子集微血管图像组合以生成具有高微气泡浓度的最终超分辨率图像，如单元108所指示的。作为图示，在图1中原始微气泡仅被分离为3个子集。实际上，子集的数量可以是任意的。

现在参考图2，示出了阐述用于使用超声系统以产生已经被给予微气泡造影剂的受试者体内的微血管的超分辨率图像的示例方法的步骤的流程图。通常，超分辨率是指相对于成像系统可达到的分辨率增强的分辨率。例如，超分辨率超声图像可以指的是具有比衍射极限更精细的分辨率的图像。

如步骤202所指示，该方法包括利用计算机系统访问超声数据。在一些实施例中，利用计算机系统访问超声数据可以包括：从存储器或其他数据存储设备或介质检取先前所获取的超声数据，该存储器或其他数据存储设备或介质可以是计算机系统的一部分或与计算机系统分离。在一些其他实施例中，访问超声数据可以包括：利用超声系统获取此类数据并将所获取的数据传送到计算机系统，该计算机系统可以是超声系统的一部分或与超声系统分离。

可以使用任何合适的检测序列获取超声数据，包括逐行扫描、复合平面波成像、合成孔径成像、复合发散束成像等。超声数据可以是超声射频数据、超声同相正交(in-phasequadrature，“IQ”)数据、超声包络数据等。例如，超声数据可以是1D数据、2D数据或3D数据。通常，超声数据包含一个或多个空间维度，该一个或多个空间维度可以包括横向维度、轴向维度、仰角维度及它们的组合。例如，超声数据可以包含两个空间维度，诸如横向维度和轴向维度。超声数据还可以包含时间维度，诸如慢时间的维度(即，沿其收集多个超声信号的时间方向)。

可以从超声波的线性和非线性分量二者获取微气泡信号。因此，在一些实施例中，数据采集可以与基波成像(fundamental imaging)或非线性成像序列组合。非线性成像序列的示例包括脉冲反转(“PI”)、幅度调制(“AM”)和脉冲反转幅度调制(“PIAM”)。线性分量通常处于所应用的超声波的基频处，而非线性分量可以处于所应用的超声波的谐波频率处、处于所应用的超声波的基频处、处于次谐波频率处、处于超谐波频率处或它们的组合。例如，通过基于幅度调制的成像方法引入的非线性可以处于基频处。

如步骤204所指示，通过从超声数据中提取微气泡信号来生成微气泡信号数据。通常，隔离微气泡信号包括：将微气泡信号与背景信号(诸如组织信号和来自在采集帧之间不改变(例如，当微气泡在各帧之间不移动时)的非变化微气泡的信号)隔离。在一些实施例中，可以使用帧到帧信号减法、组织杂波滤波等来隔离微气泡信号。组织杂波滤波技术可以包括沿信号的时间方向的高通滤波、基于奇异值分解(“SVD”)的滤波、基于回归的滤波、基于特征(eigen)的滤波等。

作为一个示例，可以使用时间高通滤波来隔离微气泡信号。在这些实现中，可以使用低于隔离的微气泡信号的时间频率但高于背景信号的时间频率的截止频率来过滤超声数据以隔离微气泡信号。

作为另一个示例，可以使用基于SVD的滤波，在基于SVD的滤波中可以使用奇异值截止来将背景信号(例如，组织信号和非移动微气泡信号，这些信号通常被投影到低阶奇异值)与隔离的移动微气泡信号(通常被投影到中到高阶(intermediate-to-high-order)奇异值)分离。作为一个示例，共同未决的美国专利申请第16/079,289号(其通过引用以其整体并入本文)中描述的逐块(block-wise)自适应SVD滤波器可被用于实现基于SVD的滤波以提取微气泡信号。作为另一示例，共同未决的美国专利申请第15/887,029号(其通过引用以其整体并入本文)中描述的加速的SVD滤波器可被用于实现基于SVD的滤波以提取微气泡信号。

可选地，如步骤206所指示，可以预处理微气泡信号数据中的隔离微气泡信号。作为一个示例，该预处理可包括对微气泡信号去噪。移除微气泡信号的每一帧中的噪声可以帮助更准确地定位和跟踪微气泡。

通常，噪声具有与微气泡信号相似的特征，并且当在组织的较深区域中噪声变得更强而微气泡信号变得更弱时，将二者区分开可能是一个挑战。结果，噪声信号可以被错误地标记为微气泡信号，从而导致不准确的微气泡跟踪和积累。

作为一个示例，可以使用基于强度的阈值化方法实现去噪。当可以假定微气泡信号比背景噪声信号更强时，此类方法会更加准确。例如，通过抑制具有小于所选值(例如，相对于当前视场中的最大强度值为-30dB)的强度值的像素，可以抑制显著量的背景噪声。

作为另一个示例，可以至少部分地基于被包含在微气泡信号中的时空信息来对微气泡信号进行去噪。由于微气泡随血流移动，因此微气泡移动是可以在多个采集帧中被连续跟踪的确定性事件，而噪声事件是随机的，并且在多个采集帧中不会显示出任何类似轨迹的特征。可以在时空域中利用微气泡和噪声之间的这些差异来进行稳健的噪声抑制。作为示例，可以将非局部均值(“NLM”)去噪滤波器应用到原始的、有噪声的微气泡数据。

上文描述的时空去噪滤波器的另一个优点是，因为去噪是在时空域中执行的，所以基础微气泡信号几乎没有空间模糊。还可以在时空域中使用其他去噪方法(例如，卷积高斯平滑、高斯谱切趾(Gaussian spectral apodization)、小波阈值化、或迭代总变化(total variation，“TV”)最小化)以实现类似的去噪效果。在一些实现中，轴向-时间微气泡信号数据可以被用于去噪，而在其他实现中，横向-时间数据或完整的轴向-横向-时间3D数据也可以被用于去噪。

通常，可以使用任何合适的去噪滤波器来执行噪声抑制，包括但不限于任何形式的时空低通滤波器、平滑滤波器、中值滤波器、Savitzky-Golay滤波器、非局部均值滤波器、幅度阈值化等。还可以执行强度均衡过程，来均衡微气泡信号由于时间增益补偿(“TGC”)、组织衰减和波束形成过程的影响而导致的空间依赖强度。在美国专利申请第16/079,289号中描述了此类技术的示例(诸如使用噪声分布来均衡微气泡信号)，该美国专利申请通过引用以其整体并入本文。

如步骤208所指示，将微气泡信号数据分离为微气泡信号数据子集。通常，基于微气泡特性、特征或两者，将微气泡信号数据分离为子集。以此方式，每个微气泡信号数据子集将具有比原始微气泡信号数据的浓度更稀疏的浓度。在一些实施例中，可基于微气泡信号数据中微气泡的时空血液动力学特征将微气泡信号数据分离为子集。在一些其他实施例中，可以基于微气泡的声学特性将微气泡信号数据分离为子集。在又其他实施例中，可通过将微气泡信号数据输入经适当训练的机器学习算法或其他基于人工智能的算法，来将微气泡信号数据分离为子集，从而生成作为分离的微气泡信号数据子集的输出。这些分离技术也可以结合使用。下面将更详细地描述这些分离技术的示例。

在微气泡信号数据被分离为不同的子集之后，从微气泡信号数据的每个子集生成超分辨率微血管图像，如过程框210中通常所示。该过程通常包括移除组织运动、微气泡定位、以及微气泡跟踪和积累。超分辨率微血管图像可以包括微气泡密度图像，微气泡密度图像可以描绘微脉管系统的形态；微气泡速度图像，包括速度幅值和方向，微气泡速度图像可以描绘微气泡的流动速度分布；等等。

如步骤212所指示，微气泡被定位在每个微气泡信号数据子集中。通常，该过程包括：识别微气泡信号数据的每个时间帧中微气泡所位于的位置。例如，定位每个隔离的微气泡信号的中心位置使得可以随时间跟踪微气泡的移动。经定位的微气泡的中心位置还可以被用于构造超分辨率微血管图像，以及用于跟踪微气泡的移动以计算血液动力学测量，诸如血流速度。

在一些实现中，可以使用去模糊和去卷积方法(诸如CLEAN算法、基于稀疏度或基于熵的迭代回归方法、盲去卷积方法等)在经去噪的微气泡信号数据中定位微气泡。

在一些其他实现中，可以基于基于二维归一化互相关的方法定位微气泡，该基于二维归一化互相关的方法聚焦于检测与被用于获取微气泡信号数据的超声系统的点扩散函数(“PSF”)良好相关的结构，如在共同未决的专利申请第16/617,628号中所述的，该申请通过引用以其整体并入本文。

如上所述，如步骤214所指示，在微气泡位置积累之前或在微气泡跟踪之前，可以可选地从微血管图像中移除组织运动。例如，可以执行图像配准以移除组织运动，以避免微血管图像中的模糊。可以基于来自原始采集的超声数据的运动估计或基于微气泡信号数据来执行图像配准。可以应用任何合适的图像配准算法，包括但不限于全局或局部互相关方法、基于全局或局部相位相关的方法、全局或局部光流方法等。

如步骤216所指示，在定位微气泡后，积累并跟踪微气泡的位置。除了在产生超分辨率微血管图像和血管动力学测量是有用的，微气泡跟踪过程还可以为微气泡定位步骤提供质量控制步骤。例如，通过移除在一定时间量内无法被跟踪的经定位的微气泡，微气泡跟踪可以被用于拒绝来自噪声或不可靠的微气泡信号的错误微气泡定位。

作为一个示例，通过局部地跟踪单个微气泡的移动，可以实现微气泡跟踪。作为另一示例，可以实现全局微气泡跟踪方法。可实现的微气泡跟踪技术的示例包括局部和全局跟踪方法，诸如在共同未决的专利申请第16/617,628号中描述的那些方法，其通过引用以其整体并入本文。

如步骤218所指示，在微气泡已在微气泡信号数据中被定位和被跟踪并组织运动被移除之后，基于每个微气泡信号数据子集的定位和跟踪结果，为每个微气泡信号数据子集生成一个或多个微血管图像。由于微血管图像是从其中微气泡信号被分离为更稀疏数据集的数据子集生成的，因此这些微血管图像也将各自表示更稀疏的微气泡密度。在一些实施例中，微血管图像可以包括遍及所有采集帧的积累的微气泡位置地图。作为另一示例，微血管图像可以包括具有分配到微气泡被检测到的所有位置的血液速度值的血流速度地图。

积累的微气泡位置地图描绘了微气泡在特定位置出现的次数。通常，在给定的时间间隔期间较大的血管有更多的微气泡流过，因此，它们会比较小的血管看起来更亮，较小的血管在相同的时间间隔内有更少的微气泡流过。

然后将为每个子集生成的微血管图像进行组合，以生成表示更高微气泡密度的微血管图像，如步骤220所指示。利用气泡分离方法，许多重叠的微气泡信号可以被分离和单独地定位，否则这些重叠的微气泡信号可能会被丢弃。因此，在组合的微血管图像中检测到的微气泡数量可以显著增加，以更好地重建微脉管系统。来自每个子集的微血管图像可以使用任何合适的方法组合，例如平均或加权平均。例如，来自不同的数据子集的微血管速度图像的组合可以是任何适当的形式，诸如取平均值、密度加权平均值(通过密度图像加权的平均值)、子集速度图像的中值等，以生成最终的微血管速度图像。

在处理之后，如步骤222所指示，微血管图像(例如，(多个)组合的微血管图像、子集微血管图像或两者)可以向用户显示或被存储以供稍后使用，诸如用于稍后的分析。在一些实现中，可以从一个或多个组合的微血管图像估计微脉管形态学测量(例如，血管密度和血管曲折度)。作为另一示例，微血管血流动力学测量(例如，血流速度和血流量)可以从一个或多个组合的微血管图像估计。例如，微血管图像可以与目标组织的B模式图像叠加或并排呈现。可替代地，具有颜色编码流向的微血管血流速度图像也可以与目标组织的B模式图像叠加或并排呈现。在此类实现中，可以使用多流向色相来指示多于两个的流向。附加地或替代地，可以从微血管图像估计其他衍生测量(诸如其他形态学测量或血流动力学测量)，并向用户显示所述其他衍生测量或存储所述其他衍生测量以供以后使用。例如，可以基于微气泡密度和/或微气泡速度图像来估计其他形态学测量、血流动力学测量或两者。可以生成这些估计的测量的地图，也可以估计和存储各个测量。

可以通过选择一个或多个组合的微血管图像上的感兴趣区域来计算血管密度，其中可以通过血管信号的总面积(或当在3D成像中，总体积)除以感兴趣区域的总面积(或体积)计算血管密度。可以通过诸如距离度量之类的方法测量血管曲折度，该距离度量提供了由各血管曲线端点之间的线性距离归一化的血管实际路径长度的比率。可以将整个感兴趣区域中的微血管血流速度进行平均以表示灌注指数，或者可以由感兴趣区域内的微血管的总横截面积对血流速度进行积分，以导出可以表示灌注指数的横截面血流量速率，或来自所有微血管的血流速度可被用于生成直方图(例如，其中x轴表示血流速度，并且y轴表示具有在每个x轴面元中的一定的血流速度的像素的总数)以表示灌注指数。

一个或多个组合的超分辨率微血管图像还可以被显示为动态视频剪辑，这些视频剪辑示出了动态微气泡移动，以呈现特定的微脉管系统的灌注过程。可以使用此类方法随时间监视提供灌注信息的微气泡的移动。显示动态视频剪辑的另一个方面是使用不同数量的微气泡图像帧进行积累，以得到可动态地显示的不同级别的微血管详细信息。例如，积累的帧越多，在一定时刻可以看到的微气泡移动轨迹就越多。高帧积累可用于对流速较慢的血管进行可视化，并且低帧积累可用于对流速较快的血管进行可视化。因此，通过为显示选择性地选择要积累的帧数，可以向用户描绘和显示不同的血流速度。

图2所示的流程图提供了基于微气泡分离执行超分辨率微血管成像的一般步骤。所述步骤中的一些步骤可以是可选的，可以插入附加步骤，并且可以适当调整步骤的顺序。例如，对于特定成像序列(诸如非线性造影成像)，可以省略微气泡信号提取，其中组织杂波已经从所获取的超声数据中被抑制。在另一示例中，对于那些具有高信噪比(“SNR”)的微气泡数据，可以省略或部分省略预处理。在又另一示例中，对于那些具有很少或没有组织运动的数据，可省略组织运动移除。同样，可以对超声数据或微气泡信号数据执行组织运动移除。

如上所述，可基于微气泡的特性或特征将微气泡信号数据分离为不同的数据子集。作为一个示例，可以基于微气泡之间的时空血流动力学差异来分离微气泡信号。例如，图像中不同的微气泡可能具有不同的移动速度和方向，或者它们的信号可能以不同的方式去相关。通过利用这些微气泡血流动力学差异，可以可靠地将微气泡信号彼此分离，否则这些微气泡信号可在空间或时间上重叠。一般来说，这里可以应用任何能够区分具有不同移动速度/方向的微气泡信号并将其划分为不同子集的处理算法。

在一个示例中，可以使用基于特征的滤波来分离具有不同移动速度的微气泡，基于特征的滤波包括但不限于奇异值分解(“SVD”)滤波、主成分分析(“PCA”)或其他基于特征值的分解。在SVD滤波中，假设不同的奇异值与具有不同时空相干性的微气泡相关联，这可能是由不同的移动速度、不同的移动方向或两者引起的。类似的假设也适用于PCA和其他基于特征值的分解，其中具有不同时空相干性的微气泡可以与不同的成分、特征值等相关联。

现在参考图3，示出了阐述用于基于SVD滤波将微气泡信号数据分离为数据的子集的示例方法的步骤的流程图。通常，快速移动的微气泡信号比慢速移动的微气泡信号更快地去相关，因此快速移动的微气泡信号在时空域中的相干程度较低。如步骤302所指示，该方法包括利用计算机系统访问微气泡信号数据。可通过从存储器或其他数据存储设备或介质检取此类数据来访问微气泡信号数据。作为一个示例，微气泡信号数据可以在由如上所述的计算机系统生成之后被访问。然后对微气泡信号数据执行奇异值分解，如步骤304所指示。作为一个示例，将微气泡信号数据输入到SVD滤波器，生成作为奇异值数据的输出，该奇异值数据可以包括奇异值、奇异值曲线或它们的组合。

在SVD滤波中，组织信号通常由低阶奇异值表示，慢速移动微气泡信号通常由低阶到中阶奇异值表示，而快速移动微气泡信号通常由中阶到高阶奇异值表示。因此，如步骤306所指示，将奇异值数据划分或以其他方式分离成段。例如，通过为每个段选择一范围的奇异值，或者通过将奇异值数据等分或非等分为段，可以将奇异值数据划分成段。然后将逆SVD应用于奇异值数据段，以重建微气泡数据子集，如步骤308所指示。通过将奇异值曲线划分成若干段，并分别执行逆SVD以重建微气泡信号数据，原始数据被划分成若干子集。

段的数量(即数据子集的数量)可以是任意的。各奇异值曲线段之间的重叠以及各相邻段之间的平滑过渡可在一些实现中被使用，以改进微气泡信号数据子集的重建。每个数据子集对应于奇异值曲线的特定段，该特定段包含具有与奇异值段相关联的特定相干/速度范围的微气泡信号。可以对提取的微气泡信号数据或对原始获取的超声数据执行该SVD滤波。

在另一示例中，基于具有不同速度的微气泡对应于不同多普勒频率分量(即，时间方向上的频率分量)的假设，可使用时间滤波来分离微气泡信号数据。多普勒频率通常被估计为沿时间维度(也可被称为慢时间维度)的血流或微气泡信号的频率。多普勒频移量与微气泡沿轴向(即沿超声束方向)的移动速度成比例。

作为图示，图4中绘制了来自三个不同尺寸血管、具有不同流速的微气泡超声信号的频谱，大致揭示了多普勒频移和流速之间的关联：流速越高，多普勒频移越大。使用适当的时间滤波器(例如，低通滤波器、带通滤波器、高通滤波器)，可以分离不同的多普勒频率分量。以此方式，可以将原始微气泡信号数据分离为多个数据子集，每个数据子集对应于不同的多普勒频带。数据子集的数量(即频带的数量)可以是任意的。

不同的多普勒频带可以有重叠，并且每个滤波器的阻带和通带之间的平滑过渡有利于信号重建。可以应用任何合适类型的滤波器，包括但不限于无限脉冲响应(“IIR”)滤波器和有限脉冲响应(“FIR”)滤波器。

在又另一示例中，基于正多普勒频率分量和负多普勒频率分量分别对应于朝向换能器移动的微气泡和远离换能器移动的微气泡的假设，可以使用基于时间的方向滤波来分离微气泡信号数据。因此，该方法也基于多普勒频移的差异来分离以不同方向移动的微气泡。

通常，血流或微气泡信号(沿时间维度的信号)的正多普勒频率分量对应于朝向换能器(向上)移动的流动，并且负多普勒频率分量表示远离探头(向下)移动的流动。图5示出了沿相反方向移动的微气泡信号的示例多普勒频谱，其中两个多普勒信号的正分量或负分量分别占主导地位。通过分离正多普勒频率分量和负多普勒频率分量，可以将微气泡数据分离为两个移动方向相反的子集。

为了分离正多普勒和负多普勒频率分量，傅里叶变换可以用于沿微气泡信号的时间方向计算频谱，并且然后将频谱的正一半和负一半分开。在频谱被分开之后，可以执行逆傅里叶变换来检取两个数据子集。可应用频域中各频带之间的平滑过渡，以避免时域中的信号模糊。该分离操作是时间滤波的过程，因此可以应用能够将数据分离为正分量和/或负分量的任何类型的滤波器来执行微气泡分离。同样，滤波器可以是任何合适的形式，包括但不限于IIR和FIR滤波器。

在另一示例中，基于具有不同速度和移动方向的微气泡可占据时空微气泡数据的傅里叶谱的不同象限(子空间)的假设，可以使用基于时空的滤波来分离微气泡信号。应用时空滤波器隔离出以不同方向和速度移动的微气泡。为了执行多方向和多速度滤波，可以通过使用3D傅里叶变换将时空(x,y,t)微气泡信号数据转换为空间频率-时间频率域(k_x,k_y,f_t)或波数-频率域(k-f)。波数域中的分量表示流动的方向和速度信息，因此可以在波数-频率域上设计滤波器，以保留某些角度和速度分量，并抑制其他分量。

作为示例，图6示出了用于在四个不同方向上分离气泡的滤波器响应。可使用任何类型的窗口函数或滤波器来平滑方向滤波器的边缘(过渡)，以将经滤波的微气泡信号的模糊效应最小化。此外，仍然可以在径向方向上对方向滤波器响应施加带通滤波器，以抑制k–f域中的高或低空间频率分量，从而抑制不需要的运动分量。对于每个方向滤波器，可以保留在主方向附近的角度范围内移动的微气泡，并且将抑制在其他方向中移动的微气泡。

通过考虑f_t域，速度范围也可以被组合到方向滤波器设计中，以分离具有不同运动方向和速度范围的气泡。可以应用在3D k–f域上操作的任何合适的滤波器。作为一个示例，k-f域中的一组3D锥形滤波器可用于将具有不同方向和速度的微气泡信号分离为数据子集。同样，对于每个具有平滑过渡和相邻滤波器之间的大重叠的3-D滤波器，可以应用相对大的通带以将MB信号失真最小化。因此，通过应用这些多方向和多速度滤波器，原始微气泡填充可以被分离为多个具有更稀疏填充的子集。同样，气泡分离的方向数和速度范围可以是任意的。

图7和图8分别显示了基于从鸡胚绒毛尿囊膜(CAM)获取的超声数据的超分辨率微血管密度图像和微血管速度图像的示例。图7和图8中所示的图像是从无气泡分离的原始数据生成；使用SVD滤波生成微气泡信号数据的九个子集，从这九个子集生成图像并对所述图像进行组合；使用基于时间滤波器的微气泡分离方法，显示出更细微的微脉管系统，在没有气泡分离的情况下的原始微血管图像无法解析所述更细微的微脉管系统；以及使用基于时间的方向微气泡分离方法。在每种情况下，可以看出，使用微气泡分离方法能够更好地解析微脉管系统，因为在这些情况下，检测到更多数量的微气泡，在没有微气泡分离技术的情况下，以其他方式将不会检测到这些更多数量的微气泡。

如上所述，上述微气泡分离技术可单独使用或相互组合使用，以将微气泡信号数据分离为子集。可以应用各方法间的任何组合。在一个示例中，基于SVD的滤波可以与时间滤波相结合，以进一步将微气泡信号数据从每个奇异值段分离为多个频带。在另一示例中，时间滤波可以与基于时间的方向方法相结合，以进一步将每个频带分为正负两半。在又另一示例中，基于SVD的滤波可与基于时间的方向方法相结合，以进一步将微气泡数据从每个奇异值段分离为正多普勒频率分量和负多普勒频率分量。在又另一示例中，可以将上述所有方法结合在一起以执行微气泡分离。

作为图示，图9示出了利用时间滤波微气泡分离方法与基于时间的方向微气泡分离方法的组合获得的超分辨率微血管密度图像和微血管速度图像。与分别使用两种方法中的任一种方法导出的微血管图像相比，可以观察到微脉管系统重建和血流速度估计的进一步改善。图10显示了来自鸡胚大脑的另一个超分辨率微血管图像，显示了利用时间滤波微气泡分离方法与基于时间的方向微气泡分离方法的组合可以实现的显著改进。

如上所述，在一些实例中，可基于微气泡的特性或特征，使用基于人工智能(“AI”)的技术将微气泡信号数据分离为不同的数据子集。作为一个非限制性示例，可以将微气泡信号数据输入到经适当训练的机器学习算法中，生成作为分离的微气泡信号数据子集的输出。微气泡信号数据可以基于特性或特征进行分离，诸如任何血流动力学(例如，移动速度、方向等)或声学特性(例如，强度、闪烁行为、对声化超声波的频率响应等)，这些特性或特征可以将微气泡信号彼此区分开来。

可利用微气泡信号特征的基于AI的方法可用于执行对微气泡信号数据的分类、对微气泡信号数据的隔离和/或将微气泡信号数据分离为数据子集。在机器学习中，可以应用任何合适的算法，包括但不限于特征学习、深度学习、稀疏字典学习等。机器学习算法可以是有监督的、半监督的或无监督的。对于深度学习，任何合适的算法都可以有益地应用于微气泡分离，诸如卷积神经网络(“CNN”)、深度神经网络(“DNN”)、前馈神经网络(“FNN”)、深度玻尔兹曼网络(“DBN”)等。

基于AI的方法，诸如机器学习，通常涉及大量具有代表性的数据(这些数据有或没有特定的标签)，以用作用于训练算法的训练集。在一些情况下，用于训练机器学习算法的数据越多，算法就越准确。因此，在为特定任务构造机器学习算法时，训练数据的生成是重要的考虑因素。作为一个示例，可以使用计算模拟、体模(phantom)实验或两者来生成微气泡数据作为训练集，然后可以使用训练集来训练合适的AI算法，诸如机器学习算法。

当训练数据包括计算模拟时，可以模拟具有不同特征的微气泡的超声信号，所述不同特征诸如是浓度、血流动力学(例如，移动速度、方向)和声学特性(例如，强度、闪烁行为、和对声化超声波的频率响应)。计算模拟中超声图像的点扩散函数(“PSF”)可以根据实际成像情况而变化。PSF可以通过实验测量，或者可以使用高斯模型或其他合适的模型进行近似。微气泡的初始空间位置和后向散射强度可以随机化，并且可以添加背景噪声来模拟真实的微气泡成像场景。这些模拟的微气泡数据可以被标记具有不同的特性或特征，并被分配到不同的子集，并用作用于机器学习算法的训练数据。

在另一示例中，训练微气泡数据可使用具有微气泡注射的特定超声系统从任何类型的流动体模、流动通道、水箱或体内血管获得。超声数据采集可以在各种成像和实验设置(诸如不同的微气泡浓度、流动速度和方向、不同的声学传输和SNR情况等)下执行。同样，训练数据可以标记为不同的微气泡特征或不同的子集，并可用于训练合适的AI算法。然后，经训练的算法可应用于对目标微气泡数据执行微气泡分离，以将目标微气泡数据分离为具有更稀疏的微气泡浓度的子集。

在训练数据上训练一个或多个神经网络(或其他合适的机器学习算法)。通常，可以通过基于将损失函数最小化来优化网络参数(例如，权重、偏差或两者)来训练神经网络。作为一个非限制性示例，损失函数可以是均方误差损失函数。

训练神经网络可包括初始化神经网络，诸如通过计算、估计或以其他方式选择初始网络参数(例如，权重、偏差或两者)。然后，可以将训练数据输入到经初始化的神经网络，生成作为微气泡信号数据的分离子集的输出。然后可以评估输出数据的质量，诸如通过将输出数据传递给损失函数来计算误差。然后可基于计算的误差更新当前神经网络(例如，使用基于计算的误差的反向传播方法)。例如，可以通过更新网络参数(例如，权重、偏差或两者)来更新当前神经网络，以便根据损失函数将损失最小化。当误差被最小化时(例如，通过确定是否满足误差阈值或其他停止标准)，当前神经网络及其相关网络参数表示经训练的神经网络。

现在参考图11，流程图被示出为阐述用于基于微气泡的特性或特征，使用经适当训练的神经网络或其他机器学习算法将微气泡信号数据分离为不同数据子集的示例方法的步骤。

如步骤1102所指示，该方法包括利用计算机系统访问微气泡信号数据。访问微气泡信号数据可包括：从存储器或其他数据存储设备或介质检取此类数据。替代地，访问微气泡信号数据可包括如上所述利用超声系统获取或以其他方式生成此类数据，并将数据传输或以其他方式传送到计算机系统，计算机系统可为超声系统的一部分。

然后，如步骤1104所指示，利用计算机系统访问经训练的神经网络(或其他合适的机器学习算法)。访问经训练的神经网络可包括：访问通过在训练数据上训练神经网络而优化或以其他方式估计的网络参数(例如，权重、偏差或两者)。在某些情况下，检取神经网络还可以包括检取、构建或以其他方式访问要实现的特定神经网络架构。例如，可以检取、选择、构造或以其他方式访问与神经网络架构中的层有关的数据(例如，层的数量、层的类型、层的顺序、各层之间的连接、层的超参数)。

通常，神经网络在训练数据上被训练或已经被训练，以便基于微气泡的特性或特征将微气泡信号数据分离为数据子集。

然后将微气泡的特性或特征输入到一个或多个经训练的神经网络，生成作为分离的数据子集的输出，如步骤1106所指示。然后，通过将微气泡信号数据输入到(多个)经训练的神经网络所生成的输出数据可以向用户显示，被存储以供稍后使用或进一步处理，或者二者，如步骤1108所指示并在上文被更详细描述。例如，如上所述，可以进一步处理分离的数据子集以生成超分辨率图像。

尽管本公开中描述的系统和方法已在微气泡成像的背景下关于用于超分辨率微血管成像的信号分离被描述，但它们也可应用于使用任何其他类型造影剂的超声成像，或者甚至可以应用于非造影超声成像。类似地，尽管已经在二维超分辨率成像的背景中描述了系统和方法，但是所述系统和方法也可以容易地扩展到三维或甚至更高维成像。

图12示出了可以实现本公开中所描述的方法的超声系统1200的示例。超声系统1200包括换能器阵列1202，换能器阵列1202包括多个单独驱动的换能器元件1204。换能器阵列1202可包括任何合适的超声换能器阵列，包括线性阵列、曲线阵列、相控阵列等等。

当由发射器1206激励时，每一个换能器元件1202产生超声能量猝发。从被研究的对象或受试者反射回到换能器阵列1202的超声能量(例如，回波)被每一个换能器元件1204转换为电气信号(例如，回波信号)，并且可以通过一组开关1208被单独应用到接收器1210。发射器1206、接收器1208和开关1210在控制器1212的控制下操作，控制器1212可包括一个或多个处理器。作为一个示例，控制器1212可包括计算机系统。

发射器1206可以发射未聚焦的或聚焦的超声波。在一些配置中，发射器1206也可以被编程以发射发散波、球面波、柱面波、平面波、或其组合。此外，发射器1206可被编程以发射空间或时间编码的脉冲。

接收器1208可被编程以针对手头的成像任务实现合适的检测序列。在一些实施例中，检测序列可包括逐行扫描、复合平面波成像、合成孔径成像和复合发散波束成像中的一个或多个。

因此，在一些配置中，发射器1206和接收器1208可以被编程以实现高帧速率。例如，可实现与至少100Hz的采集脉冲重复频率(“PRF”)相关联的帧速率。在一些配置中，超声系统1200可在时间方向上采样和存储至少一百组回波信号。

使用本公开中描述的或本领域中以其他方式已知的技术，控制器1212可以被编程以设计成像序列。在一些实施例中，控制器1212接收用户输入，该用户输入定义在成像序列的设计中使用的各种因素。

可以通过将开关1210设置到它们的发射位置来执行扫描，从而引导发射器1206瞬间地接通，以根据设计的成像序列在单个发射事件期间激励每一个换能器元件1204。然后可以将开关1210设置到其接收位置，并且测量每个传感器元件1204响应于一个或多个检测到的回波而产生的后续回波信号并将所述后续回波信号施加到接收器1208。来自每个换能器元件1204的分离的回波信号可在接收器1208中被组合以产生单个回波信号。从回波信号产生的图像可以显示在显示系统1214上。

在一些实施例中，接收器1208可包括用于处理回波信号或根据回波信号生成的图像的处理单元，该处理单元可以由硬件处理器和存储器来实现。作为示例，此类处理单元可以使用本公开描述的方法隔离微气泡信号以产生微气泡信号数据、在微气泡信号数据中定位微气泡、在时间帧中跟踪微气泡位置、积累微气泡位置、以及产生微血管图像。

现在参考图13，示出了根据本公开中描述的系统和方法的一些实施例的用于生成超分辨率微血管图像的系统1300的示例。如图13所示，计算设备1350可以从图像源1302接收一种或多种类型的数据(例如，超声数据、微气泡信号数据)，图像源1302可以是超声图像源。在一些实施例中，计算设备1350可以执行微血管图像生成系统1304的至少一部分，以将微气泡信号数据分离为数据子集，从这些数据子集生成微血管图像，并通过将从数据子集生成的微血管图像进行组合来生成组合的微血管图像。

附加地或替代地，在一些实施例中，计算设备1350可以通过通信网络1354将与从图像源1302接收的数据有关的信息传送到服务器1352，服务器1352可执行微血管图像生成系统1304的至少一部分。在此类实施例中，服务器1352可以将指示微血管图像生成系统1304的输出的信息返回给计算设备1350(和/或任何其他合适的计算设备)。

在一些实施例中，计算设备1350和/或服务器1352可以是任何合适的计算设备或设备的组合，诸如台式计算机、膝上型计算机、智能电话、平板计算机、可穿戴计算机、服务器计算机、由物理计算设备执行的虚拟机等等。计算设备1350和/或服务器1352还可以从数据重建图像。

在一些实施例中，图像源1302可以是任何合适的图像数据(例如，测量数据、从测量数据重建的图像)源，诸如超声系统、另一计算设备(例如，存储图像数据的服务器)等等。在一些实施例中，图像源1302可以在计算设备1350本地。例如，图像源1302可以与计算设备1350合并(例如，计算设备1350可以被配置为用于捕获、扫描和/或存储图像的设备的一部分)。作为另一示例，图像源1302可通过电缆、直接无线链路等等连接到计算设备1350。附加地或替代地，在一些实施例中，图像源1302可相对于计算设备1350本地地和/或远程地定位，并且可以经由通信网络(例如，通信网络1354)将数据传送到计算设备1350(和/或服务器1352)。

在一些实施例中，通信网络1354可以是任何合适的通信网络或通信网络的组合。例如，通信网络1354可包括Wi-Fi网络(Wi-Fi网络可包括一个或多个无线路由器、一个或多个交换机等)、对等网络(例如，蓝牙网络)、蜂窝网络(例如，符合任何合适的标准(诸如CDMA、GSM、LTE、高级LTE、WiMAX等)的3G网络、4G网络等)、有线网络等等。在一些实施例中，通信网络1354可以是局域网、广域网、公共网络(例如，互联网)、专用或半专用网络(例如，公司或大学内联网)、任何其他合适类型的网络、或任何合适的网络的组合。图13所示的通信链路可各自是任何合适的通信链路或通信链路的组合，诸如有线链路、光纤链路、Wi-Fi链路、蓝牙链路、蜂窝链路等等。

现在参考图14，示出了根据本公开中描述的系统和方法的一些实施例的可用于实现图像源1302、计算设备1350和服务器1352的硬件1400的示例。如图14所示，在一些实施例中，计算设备1350可包括处理器1402、显示器1404、一个或多个输入1406、一个或多个通信系统1408和/或存储器1410。在一些实施例中，处理器1402可以是任何合适的硬件处理器或处理器的组合，诸如中央处理单元(“CPU”)、图形处理单元(“GPU”)等等。在一些实施例中，显示器1404可包括任何合适的显示设备，诸如计算机监视器、触摸屏、电视机等等。在一些实施例中，输入1406可包括可用于接收用户输入的任何合适的输入设备和/或传感器，诸如键盘、鼠标、触摸屏、麦克风等等。

在一些实施例中，通信系统1408可包括用于通过通信网络1354和/或任何其他合适的通信网络传达信息的任何合适的硬件、固件和/或软件。例如，通信系统1408可包括一个或多个收发器、一个或多个通信芯片和/或芯片组等等。在更具体的示例中，通信系统1408可包括可用于建立Wi-Fi连接、蓝牙连接、蜂窝连接、以太网连接等等的硬件、固件和/或软件。

在一些实施例中，存储器1410可包括可用于存储指令、值、数据等等的任何合适的一个或多个存储设备，这些指令、值、数据等等可例如由处理器1402使用以使用显示器1404来呈现内容、以经由(多个)通信系统1408与服务器1352通信等等。存储器1410可以包括任何合适的易失性存储器、非易失性存储器、存储或其任何合适的组合。例如，存储器1410可包括RAM、ROM、EEPROM、一个或多个闪存驱动器、一个或多个硬盘驱动器、一个或多个固态驱动器、一个或多个光驱动器等等。在一些实施例中，存储器1410可具有编码在其上或以其他方式存储在其中的、用于控制计算设备1350的操作的计算机程序。在此类实施例中，处理器1402可以执行计算机程序的至少一部分以呈现内容(例如，图像、用户界面、图形、表格)、从服务器1352接收内容、向服务器1352发送信息等等。

在一些实施例中，服务器1352可包括处理器1412、显示器1414、一个或多个输入1416、一个或多个通信系统1418和/或存储器1420。在一些实施例中，处理器1412可以是任何合适的硬件处理器或处理器的组合，诸如CPU、GPU等等。在一些实施例中，显示器1414可包括任何合适的显示设备，诸如计算机监视器、触摸屏、电视机等等。在一些实施例中，输入1416可包括可用于接收用户输入的任何合适的输入设备和/或传感器，诸如键盘、鼠标、触摸屏、麦克风等等。

在一些实施例中，通信系统1418可包括用于通过通信网络1354和/或任何其他合适的通信网络传达信息的任何合适的硬件、固件和/或软件。例如，通信系统1418可包括一个或多个收发器、一个或多个通信芯片和/或芯片组等等。在更具体的示例中，通信系统1418可包括可用于建立Wi-Fi连接、蓝牙连接、蜂窝连接、以太网连接等等的硬件、固件和/或软件。

在一些实施例中，存储器1420可包括可用于存储指令、值、数据等等的任何合适的一个或多个存储设备，这些指令、值、数据等等可例如由处理器1412使用以使用显示器1414来呈现内容、以与一个或多个计算设备1350通信等等。存储器1420可以包括任何合适的易失性存储器、非易失性存储器、存储或其任何合适的组合。例如，存储器1420可包括RAM、ROM、EEPROM、一个或多个闪存驱动器、一个或多个硬盘驱动器、一个或多个固态驱动器、一个或多个光驱动器等等。在一些实施例中，存储器1420可具有编码在其上的用于控制服务器1352的操作的服务器程序。在此类实施例中，处理器1412可执行服务器程序的至少一部分，以将信息和/或内容(例如，数据、图像、用户界面)发送到一个或多个计算设备1350、从一个或多个计算设备1350接收信息和/或内容、从一个或多个设备(例如，个人计算机、膝上型计算机、平板计算机、智能电话)接收指令等等。

在一些实施例中，图像源1302可包括处理器1422、一个或多个图像获取系统1424、一个或多个通信系统1426和/或存储器1428。在一些实施例中，处理器1422可以是任何合适的硬件处理器或处理器的组合，诸如CPU、GPU等等。在一些实施例中，一个或多个图像采集系统1424通常被配置成获取数据、图像或两者，并且可包括超声系统。附加地或替代地，在一些实施例中，一个或多个图像采集系统1424可包括用于耦合到超声系统和/或控制超声系统的操作的任何合适的硬件、固件和/或软件。在一些实施例中，一个或多个图像获取系统1424的一个或多个部分可以是可移除的和/或可替换的。

注意，尽管未示出，但是图像源1302可包括任何合适的输入和/或输出。例如，图像源1302可包括可用于接收用户输入的输入设备和/或传感器，诸如键盘、鼠标、触摸屏、麦克风、触控板、跟踪球等等。作为另一示例，图像源1302可包括任何合适的显示设备(诸如计算机监视器、触摸屏、电视机等)、一个或多个扬声器等等。

在一些实施例中，通信系统1426可包括用于(并且，在一些实施例中，通过通信网络1350和/或任何其他合适的通信网络)向计算设备1354传送信息的任何合适的硬件、固件和/或软件。例如，通信系统1426可包括一个或多个收发器、一个或多个通信芯片和/或芯片组等等。在更具体的示例中，通信系统1426可包括可用于建立使用任何合适的端口和/或通信标准(例如，VGA、DVI视频、USB、RS-232等)的有线连接、Wi-Fi连接、蓝牙连接、蜂窝连接、以太网连接等等的硬件、固件和/或软件。

在一些实施例中，存储器1428可包括可用于存储指令、值、数据等等的任何合适的一个或多个存储设备，这些指令、值、数据等等可例如由处理器1422使用以：控制一个或多个图像采集系统1424和/或从一个或多个图像采集系统1424接收数据；从数据成像；使用显示器来呈现内容(例如，图像、用户界面)；与一个或多个计算设备1350通信等等。存储器1428可以包括任何合适的易失性存储器、非易失性存储器、存储或其任何合适的组合。例如，存储器1428可包括RAM、ROM、EEPROM、一个或多个闪存驱动器、一个或多个硬盘驱动器、一个或多个固态驱动器、一个或多个光驱动器等等。在一些实施例中，存储器1428可具有编码在其上或以其他方式存储在其中的、用于控制图像源1302的操作的程序。在此类实施例中，处理器1422可执行程序的至少一部分，以生成图像、将信息和/或内容(例如，数据、图像)发送到一个或多个计算设备1350、从一个或多个计算设备1350接收信息和/或内容、从一个或多个设备(例如，个人计算机、膝上型计算机、平板计算机、智能电话等)接收指令等等。

在一些实施例中，可以将任何合适的计算机可读介质用于存储用于执行本文所述的功能和/或过程的指令。例如，在一些实施例中，计算机可读介质可以是瞬态的或非瞬态的。例如，非瞬态计算机可读介质可包括诸如以下的介质：磁介质(例如，硬盘、软盘)、光介质(例如，压缩碟、数字视频碟、蓝光碟)、半导体介质(例如，随机存取存储器(“RAM”)、闪存、电可编程只读存储器(“EPROM”)、电可擦除可编程只读存储器(“EEPROM”))、在传输期间不是短暂的或不是没有任何持久外观的任何合适的介质、和/或任何合适的有形介质。作为另一示例，瞬态计算机可读介质可包括在网络上的信号、在电线的信号、导体、光纤、电路、或在传输期间是短暂的和没有任何持久外观的任何合适介质、和/或任何合适的无形介质。

本公开已经描述了一个或多个优选实施例，并且应当理解，除了明确说明的那些之外的许多等效例、替代例、变化例和修改例是可能的并且在本发明的范围内。

Claims (24)

1.一种从超声数据生成受试者体内的微脉管系统的图像的方法，所述方法包括：

(a)利用计算机系统访问从受试者获取的超声数据；

(b)通过使用所述计算机系统从所述超声数据提取微气泡信号，来生成微气泡信号数据；

(c)使用所述计算机系统从所述微气泡信号数据生成多个微气泡信号数据子集，其中所述多个微气泡信号数据子集是通过基于微气泡特性将所述微气泡信号数据分离为微气泡信号子集而生成的；

(d)使用所述计算机系统针对每个微气泡信号数据子集生成微血管图像，其中每个微血管图像表示稀疏的微气泡信号子集；以及

(e)基于所述多个微气泡信号数据子集中的每一个的所述微血管图像的组合，生成组合的微血管图像。

2.如权利要求1所述的方法，其特征在于，所述多个微气泡信号数据子集是基于微气泡的时空血流动力学分离的。

3.如权利要求2所述的方法，其特征在于，所述多个微气泡信号数据子集是基于所述微气泡信号数据的矩阵分解生成的。

4.如权利要求3所述的方法，其特征在于，所述矩阵分解是奇异值分解。

5.如权利要求4所述的方法，其特征在于，所述多个微气泡信号数据子集中的每一个是通过将微气泡信号数据分离为如下的子集生成的：所述子集中的每个子集与从所述微气泡信号数据的所述奇异值分解确定的不同范围的奇异值相关联。

6.如权利要求5所述的方法，其特征在于，至少一个时间滤波器应用于每个微气泡信号数据子集，以便基于每个微气泡信号数据子集中的不同的多普勒频带将微气泡信号进一步分离为附加子集。

7.如权利要求5所述的方法，其特征在于，所述多个微气泡信号数据子集是通过以下方式被进一步分离的：计算每个微气泡信号数据子集的多普勒频率分量，以便将每个微气泡信号数据子集中的正多普勒频率分量和负多普勒频率分量进一步分离为两个附加的微气泡信号数据子集。

8.如权利要求3所述的方法，其特征在于，所述矩阵分解是基于特征值的分解。

9.如权利要求2所述的方法，其特征在于，所述多个微气泡信号数据子集是基于主成分分析生成的。

10.如权利要求2所述的方法，其特征在于，所述多个微气泡信号数据子集是通过以下方式生成的：对所述微气泡信号数据应用至少一个时间滤波器，以便将所述微气泡信号数据分离为各自对应于不同的多普勒频带的所述多个微气泡信号数据子集。

11.如权利要求10所述的方法，其特征在于，所述多个微气泡信号数据子集是通过以下方式被进一步分离的：计算每个微气泡信号数据子集的多普勒频率分量，以便将每个微气泡信号数据子集中的正多普勒频率分量和负多普勒频率分量进一步分离为两个附加的微气泡信号数据子集。

12.如权利要求2所述的方法，其特征在于，所述多个微气泡信号数据子集是通过以下方式生成的：计算所述微气泡信号数据的多普勒频率分量，并将正多普勒频率分量和负多普勒频率分量分离为两个微气泡信号数据子集。

13.如权利要求2所述的方法，其特征在于，所述多个微气泡信号数据子集是通过以下方式生成的：对所述微气泡信号数据应用至少一个时空滤波器，以便基于以不同速度和在不同方向上移动的微气泡将所述微气泡信号数据分离为所述多个微气泡信号数据子集。

14.如权利要求1所述的方法，其特征在于，所述多个微气泡信号数据子集是通过以下方式生成的：将所述微气泡信号数据输入到经训练的机器学习算法，生成作为所述多个微气泡信号数据子集的输出，其中所述经训练的机器学习算法基于训练数据进行训练，以便基于不同的微气泡特性分离微气泡信号。

15.如权利要求14所述的方法，其特征在于，所述经训练的机器学习算法实现神经网络。

16.如权利要求1所述的方法，其特征在于，所述组合的微血管图像是通过基于每个微血管图像的平均组合每个微血管图像来生成的。

17.如权利要求16所述的方法，其特征在于，所述平均是加权平均。

18.如权利要求1所述的方法，其特征在于，所述超声数据是利用超声系统从在获取所述超声数据时存在微气泡造影剂的所述受试者体内的感兴趣区域获取的超声数据。

19.如权利要求1所述的方法，其特征在于，从所述超声数据提取所述微气泡信号包括：将所述超声数据中的微气泡信号与所述超声数据中的其他信号隔离。

20.如权利要求1所述的方法，其特征在于，为每个微气泡数据子集生成微气泡图像包括：

通过使用所述计算机系统确定与每个微气泡信号数据子集中的微气泡相关联的空间位置，在每个微气泡信号数据子集中定位微气泡信号；以及

至少部分基于经定位的微气泡信号生成每个微血管图像。

21.如权利要求20所述的方法，其特征在于，针对每个微气泡数据子集生成所述微血管图像进一步包括：基于所述经定位的微气泡信号作为时间的函数跟踪微气泡，以及基于对所述微气泡的跟踪生成所述微血管。

22.如权利要求1所述的方法，其特征在于，所述组合的微血管图像包括描绘微气泡出现在给定位置处的次数的积累的微气泡位置地图。

23.如权利要求1所述的方法，其特征在于，所述组合的微血管图像描绘所述受试者体内的微血管的形态学测量，其中所述形态学测量包括血管密度或血管曲折度中的至少一个。

24.如权利要求1所述的方法，其特征在于，所述微血管图像描绘所述受试者体内的微血管的血液动力学测量，其中所述血液动力学测量包括血流速度、由血流速度导出的灌注指数、和横截面血流量速率中的至少一个。

Images