CN114795276A - 用于从超声图像自动估计肝肾指数的方法和系统 - Google Patents
用于从超声图像自动估计肝肾指数的方法和系统 Download PDFInfo
- Publication number
- CN114795276A CN114795276A CN202210018104.XA CN202210018104A CN114795276A CN 114795276 A CN114795276 A CN 114795276A CN 202210018104 A CN202210018104 A CN 202210018104A CN 114795276 A CN114795276 A CN 114795276A
- Authority
- CN
- China
- Prior art keywords
- liver
- region
- samples
- sample
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
- A61B8/5223—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for extracting a diagnostic or physiological parameter from medical diagnostic data
-
- G—PHYSICS
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic 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
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
- G06T2207/10136—3D 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30056—Liver; Hepatic
-
- 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
- G06T2207/30084—Kidney; Renal
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Heart & Thoracic Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Physiology (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明题为“用于从超声图像自动估计肝肾指数的方法和系统”。本发明提供了一种用于从超声图像自动估计肝肾指数(HRI)的系统和方法。该方法包括获取超声图像数据的序列,直到获得期望的超声图像视图。该方法包括在该获得的超声图像视图中分割肝脏和肾皮质。该方法包括通过排除无效样本来在该获得的超声图像视图中标识该肝脏和该肾皮质中的有效样本。该方法包括基于该有效样本和至少一个标准来在该获得的超声图像视图中自动定位感兴趣的肝脏区域和感兴趣的肾皮质区域。该方法包括确定HRI并且使显示系统呈现该HRI。
Description
技术领域
某些实施方案涉及超声成像。更具体地,某些实施方案涉及一种用于从超声图像自动估计肝肾指数(HRI)的方法和系统。
背景技术
超声成像是用于对人体中的器官和软组织进行成像的医学成像技术。超声成像使用实时、非侵入式高频声波来产生二维(2D)、三维(3D)和/或四维(4D)(即实时/连续3D图像)图像。
超声成像是一种有价值的、非侵入性的工具,用于诊断各种医疗状况,诸如非酒精性脂肪性肝病(NAFLD)。NAFLD在美国是肝病最常见的原因之一,美国30%至40%的成年人患有NAFLD。脂肪变性的肝脏(即脂肪含量超过5%)可在超声中显示为比邻近肾脏更亮。肝肾指数(HRI)(其定义为肝脏的平均样本值与肾皮质的平均样本值的比率)是临床实践中用于NAFLD脂肪变性分级的生物标志物,是一种简单有效的标识肝脏脂肪变性的方法。然而,由于缺乏指南和社会共识,临床医生在估计HRI时具有高度主观性。另外,标识肝脏和肾脏区域以用于计算HRI取决于临床医生的技能水平、区域大小、解剖视图、深度、超声机器、输入数据的类型以及某些解剖部位的选择/避免。例如,临床医生经常使用的较小的感兴趣区域(ROI)大小使得HRI非常容易受到肾脏解剖结构变化的影响。
通过将此类系统与本申请的其余部分中参考附图阐述的本公开的一些方面进行比较,常规和传统方法的进一步限制和缺点对本领域的技术人员将变得显而易见。
发明内容
提供了一种用于从超声图像自动估计肝肾指数(HRI)的系统和/或方法,该系统和/或方法基本上如结合至少一个附图所示和/或所述,如在权利要求书中更完整地阐述。
从以下描述和附图将更全面地理解本公开的这些和其他优点、方面和新颖特征、以及其例示的实施方案的细节。
附图说明
图1是根据各种实施方案的可操作为从超声图像自动估计肝肾指数(HRI)的示例性超声系统的框图。
图2是根据各种实施方案的具有肝脏和肾皮质的解剖分割的摩里逊氏陷凹超声图像视图的示例性显示。
图3是根据各种实施方案的具有所标识的有效样本的图2的分割的摩里逊氏陷凹超声图像视图的示例性显示。
图4是根据各种实施方案的具有图3的所标识的有效样本的分割的摩里逊氏陷凹超声图像视图的示例性显示,其具有自动定位的感兴趣的肝脏区域和感兴趣的肾皮质区域以用于HRI计算。
图5是示出根据示例性实施方案的可用于从超声图像自动估计HRI的示例性步骤的流程图。
具体实施方式
某些实施方案可在用于从超声图像自动估计肝肾指数(HRI)的方法和系统中发现。各种实施方案具有从摩里逊氏陷凹视图的超声图像自动计算HRI的技术效果。某些实施方案具有在超声图像视图中自动标识肝脏和肾脏解剖结构的技术效果。本公开的各方面提供了标识肝脏和肾脏区域中可用于HRI计算的有效样本的技术效果。各种实施方案具有标识用于HRI计算的适当解剖视图,计算HRI得分,以及为每个HRI计算提供置信度得分的技术效果。某些实施方案具有基于所标识的有效样本来自动定位感兴趣的肝脏区域和感兴趣的肾皮质区域的技术效果。本公开的各方面具有自动HRI计算的技术效果,该计算是客观的、独立于用户的、准确的并且优化了临床方案。
当结合附图阅读时,将更好地理解前述发明内容以及某些实施方案的以下具体实施方式。就附图示出各种实施方案的功能块的图的范围而言,这些功能块不一定表示硬件电路之间的划分。因此,例如,一个或多个功能块(例如,处理器或存储器)可以在单件硬件(例如,通用信号处理器或随机存取存储器块、硬盘等)或多件硬件中来实现。类似地,程序可以是独立程序,可以作为子例程包含在操作系统中,可以是安装的软件包中的功能等。应当理解,各种实施方案不限于附图中所示的布置和工具。还应当理解,可以组合实施方案,或者可以利用其他实施方案,并且可以在不脱离各种实施方案的范围的情况下做出结构的、逻辑的和电气的改变。因此,以下详述不应视为限制性意义,并且本公开的范围由所附权利要求书及其等同物限定。
如本文所用,以单数形式列举并且以单词“一”或“一个”开头的元件或步骤应当被理解为不排除多个所述元件或步骤,除非明确说明此类排除。此外,对“示例性实施方案”、“各种实施方案”、“某些实施方案”、“代表性的实施方案”等的引用不旨在被解释为排除存在也结合了叙述的特征的附加实施方案。此外,除非明确地相反说明,否则“包含”、“包括”或“具有”具有特定性质的一个元件或多个元件的实施方案可以包括不具有该性质的附加元件。
另外,如本文所用,术语“图像”广义地是指可视图像和表示可视图像的数据两者。然而,许多实施方案生成(或被配置为生成)至少一个可视图像。此外,如本文所用,短语“图像”用于指超声模式,诸如B模式(2D模式)、M模式、三维(3D)模式、CF模式、PW多普勒、CW多普勒、MGD,和/或B模式和/或CF的子模式,诸如剪切波弹性成像(SWEI)、TVI、Angio、B-flow、BMI、BMI_Angio,并且在某些情况下还包括MM、CM、TVD,其中“图像”和/或“平面”包括单个波束或多个波束。
此外,如本文所用,术语处理器或处理单元是指可执行各种实施方案需要的所需计算的任何类型的处理单元,诸如单核或多核:CPU、加速处理单元(APU)、图形板、DSP、FPGA、ASIC或它们的组合。
应当指出的是,本文所述的生成或形成图像的各种实施方案可包括用于形成图像的处理,该处理在一些实施方案中包括波束形成,而在其他实施方案中不包括波束形成。例如,可在不进行波束形成的情况下形成图像,诸如通过将解调数据的矩阵乘以系数矩阵,使得乘积是图像,并且其中该过程不形成任何“波束”。另外,可使用可能源自多于一个发射事件的信道组合(例如,合成孔径技术)来执行图像的形成。
在各种实施方案中,例如,在软件、固件、硬件或它们的组合中执行超声处理以形成图像,包括超声波束形成,诸如接收波束形成。具有根据各种实施方案形成的软件波束形成器架构的超声系统的一个具体实施在图1中示出。
图1是根据各种实施方案的可操作为从超声图像自动估计肝肾指数(HRI)的示例性超声系统100的框图。参考图1,示出了超声系统100和训练系统200。超声系统100包括发射器102、超声探头104、发射波束形成器110、接收器118、接收波束形成器120、A/D转换器122、RF处理器124、RF/IQ缓冲器126、用户输入设备130、信号处理器132、图像缓冲器136、显示系统134和档案138。
发射器102可包括可操作以驱动超声探头104的合适逻辑、电路、接口和/或代码。超声探头104可包括压电元件的二维(2D)阵列。超声探头104可包括通常构成相同元件的一组发射换能器元件106和一组接收换能器元件108。在某个实施方案中,超声探头104可操作为获取覆盖解剖结构(诸如肝脏和肾脏或任何合适的解剖结构)的至少大部分的超声图像数据。
发射波束形成器110可包括合适的逻辑、电路、接口和/或代码,该逻辑、电路、接口和/或代码可操作以控制发射器102,该发射器通过发射子孔径波束形成器114驱动该组发射换能器元件106以将超声发射信号发射到感兴趣区域(例如,人、动物、地下空腔、物理结构等)中。发射的超声信号可从感兴趣对象中的结构(如血细胞或组织)反向散射,以产生回波。回波由接收换能器元件108接收。
超声探头104中的这组接收换能器元件108可操作以将接收的回波转换为模拟信号,通过接收子孔径波束形成器116进行子孔径波束形成,然后传送到接收器118。接收器118可包括合适的逻辑、电路、接口和/或代码,该逻辑、电路、接口和/或代码可操作为接收来自接收子孔径波束形成器116的信号。可将模拟信号传送至多个A/D转换器122中的一个或多个A/D转换器。
多个A/D转换器122可包括合适的逻辑、电路、接口和/或代码,该逻辑、电路、接口和/或代码可操作以将来自接收器118的模拟信号转换为对应的数字信号。多个A/D转换器122设置在接收器118与RF处理器124之间。尽管如此,本公开在这方面并不受限制。因此,在一些实施方案中,多个A/D转换器122可被集成在接收器118内。
RF处理器124可包括合适的逻辑、电路、接口和/或代码,该逻辑、电路、接口和/或代码可操作以解调由多个A/D转换器122输出的数字信号。根据一个实施方案,RF处理器124可包括复解调器(未示出),该复解调器可操作以解调数字信号,以形成代表对应回波信号的I/Q数据对。然后可将RF或I/Q信号数据传送到RF/IQ缓冲器126。RF/IQ缓冲器126可包括合适的逻辑、电路、接口和/或代码,该逻辑、电路、接口和/或代码可操作为提供由RF处理器124生成的RF或I/Q信号数据的临时存储。
接收波束形成器120可包括合适的逻辑、电路、接口和/或代码,该逻辑、电路、接口和/或代码可操作以执行数字波束形成处理,以例如对经由RF/IQ缓冲器126从RF处理器124接收的延迟信道信号求和并输出波束求和信号。所得到的经处理的信息可以是从接收波束形成器120输出并且传送到信号处理器132的波束求和信号。根据一些实施方案,接收器118、多个A/D转换器122、RF处理器124和波束形成器120可被集成到单个波束形成器中,该单个波束形成器可以是数字的。在各种实施方案中,超声系统100包括多个接收波束形成器120。
用户输入设备130可用于输入患者数据,扫描参数,设置,选择方案和/或模板,选择检查类型,选择期望的超声图像视图,选择有效的样本标识算法,重新定位自动放置的感兴趣区域等。在示例性实施方案中,用户输入设备130可操作为配置、管理和/或控制超声系统100中的一个或多个部件和/或模块的操作。就这一点而言,用户输入设备130可用于配置、管理和/或控制发射器102、超声探头104、发射波束形成器110、接收器118、接收波束形成器120、RF处理器124、RF/IQ缓冲器126、用户输入设备130、信号处理器132、图像缓冲器136、显示系统134和/或档案138的操作。用户输入设备130可包括按钮、旋转编码器、触摸屏、触摸板、轨迹球、运动跟踪、语音识别、鼠标设备、键盘、相机和/或能够接收用户指令的任何其它设备。在某些实施方案中,例如,用户输入设备130中的一者或多者可集成到其它部件诸如显示系统134中。例如,用户输入设备130可包括触摸屏显示器。
信号处理器132可包括合适的逻辑、电路、接口和/或代码,该逻辑、电路、接口和/或代码可操作以处理超声扫描数据(即,求和的IQ信号),以生成用于在显示系统134上呈现的超声图像。信号处理器132可操作以根据所采集的超声扫描数据上的多个可选择超声模态来执行一个或多个处理操作。在示例性实施方案中,信号处理器132可用于执行显示处理和/或控制处理等。随着接收到回波信号,可以在扫描会话期间实时处理采集的超声扫描数据。除此之外或另选地,超声扫描数据可在扫描会话期间暂时存储在RF/IQ缓冲器126中并且在在线操作或离线操作中以不太实时的方式处理。在各种实施方案中,经处理的图像数据可呈现在显示系统134处和/或可存储在档案138处。档案138可以是本地档案、图像归档和通信系统(PACS)、企业档案(EA)、与供应商无关的档案(VNA),或用于存储图像和相关信息的任何合适的设备。
信号处理器132可以是一个或多个中央处理单元、微处理器、微控制器等。例如,信号处理器132可以是集成部件,或者可分布在各个位置。在示例性实施方案中,信号处理器132可包括图像分析处理器140、分割处理器150、样本标识处理器160、感兴趣区域(ROI)定位处理器170和肝肾指数(HRI)处理器180。信号处理器132可能够从用户输入设备130和/或档案138接收输入信息、接收图像数据、生成可由显示系统134显示的输出并且响应于来自用户输入设备130的输入信息来操纵输出等。信号处理器132(其包括图像分析处理器140、分割处理器150、样本标识处理器160、感兴趣区域(ROI)定位处理器170和肝肾指数(HRI)处理器180)能够例如执行在本文根据各种实施方案所讨论的方法和/或指令集中的任一者。
超声系统100可操作以按适用于所考虑的成像情况的帧速率连续采集超声扫描数据。典型的帧速率在20至120的范围内,但可更低或更高。所采集的超声扫描数据可以与帧速率相同、或更慢或更快的显示速率显示在显示系统134上。图像缓冲器136被包括以用于存储未被安排立即显示的所采集的超声扫描数据的处理的帧。优选地,图像缓冲器136具有足够的容量来存储至少几分钟的超声扫描数据的帧。超声扫描数据的帧以根据其采集顺序或时间易于从其取回的方式存储。图像缓冲器136可体现为任何已知的数据存储介质。
信号处理器132可包括图像分析处理器140,该图像分析处理器包括合适的逻辑、电路、接口和/或代码,该逻辑、电路、接口和/或代码可操作为分析获取的超声图像数据以确定是否已获得期望的超声图像视图。例如,图像分析处理器140可分析由超声探头104获取的超声图像数据以确定是否已获得期望的视图,诸如摩里逊氏陷凹超声图像视图或肝脏和肾脏的任何合适的超声图像视图。一旦获得期望的图像视图,图像分析处理器140就可指示信号处理器132冻结显示系统134处呈现的视图。该视图可存储在档案138和/或任何合适的数据存储介质处。图像分析处理器140可包括例如人工智能图像分析算法、一个或多个深度神经网络(例如,卷积神经网络,诸如u-net),并且/或者可利用被配置为确定是否已获得期望视图的任何合适的图像分析技术或机器学习处理功能。附加地和/或另选地,被配置为提供图像分析技术的人工智能图像分析技术或机器学习处理功能可由不同的处理器提供或分布在超声系统100处的多个处理器上和/或分布在通信地耦接到超声系统100的远程处理器上。在各种实施方案中,图像分析处理器140可包括合适的逻辑、电路、接口和/或代码,该逻辑、电路、接口和/或代码可操作为提供与获得的视图相关联的质量度量。例如,图像分析处理器140可分析获得的超声图像视图(作为整体)、获得的超声图像视图的区域、由分割处理器150分割的获得的超声图像视图等,以提供与获得的视图相关联的质量度量。图像分析处理器140可被配置为使显示系统134将质量度量与获得的超声图像视图一起呈现。例如,质量度量可以是获得的超声图像视图(作为整体)和/或获得的超声图像视图的每个区域的得分(例如,1、2、3、4、5)、等级(例如,A、B、C、D、F)、评级(例如,优秀、良好、一般、差)、颜色编码(例如,绿色、黄色、红色)等。质量度量可帮助用户确定是继续获得视图还是获取附加的超声图像数据。图像分析处理器140可将质量度量存储在档案和/或任何合适的数据存储介质处。
信号处理器132可包括分割处理器150,该分割处理器包括合适的逻辑、电路、接口和/或代码,该逻辑、电路、接口和/或代码可操作为分割流图像帧和B模式帧。分割处理器150可用于在获得的超声图像视图(诸如摩里逊氏陷凹视图)中标识肝脏和肾脏的肾皮质。就这一点而言,分割处理器150可包括例如人工智能图像分析算法、一个或多个深度神经网络(例如,卷积神经网络,诸如u-net),并且/或者可利用被配置为提供自动化分割功能的任何合适形式的人工智能图像分析技术或机器学习处理功能。附加地和/或另选地,被配置为提供自动化分割的人工智能图像分析技术或机器学习处理功能可由不同的处理器提供或分布在超声系统100处的多个处理器上和/或分布在通信地耦接到超声系统100的远程处理器上。例如,图像分割功能可被提供为深度神经网络,该深度神经网络可由例如输入层、输出层以及输入层与输出层之间的一个或多个隐藏层构成。每个层可由可称为神经元的多个处理节点构成。例如,图像分割功能可包括输入层,该输入层具有来自获得的肝脏和肾脏的超声图像视图的每个样本或一组样本的神经元。输出层可具有对应于多种预定义解剖结构(诸如肝脏、肾皮质或任何合适的解剖结构)的神经元。每个层的每个神经元可执行处理功能,并且将处理的超声图像信息传递到下游层的多个神经元中的一个神经元以用于进一步处理。例如,第一层的神经元可学习识别获得的超声图像中的结构边缘。第二层的神经元可学习以基于来自第一层的检测边缘识别形状。第三层的神经元可学习所识别的形状相对于获得的超声图像中的界标的位置。由深度神经网络执行的处理可以大概率标识解剖结构和结构在获得的超声图像中的位置。
在示例性实施方案中,分割处理器150可被配置为将图像分割信息存储在档案138和/或任何合适的存储介质处。分割处理器150可被配置为使显示系统134将图像分割信息与获得的超声图像一起呈现。图像分割信息可被提供给图像分析处理器140,用于提供与获得的超声图像视图相关联的质量度量,如上所讨论的。图像分割信息可被提供给样本标识处理器160,用于在获得的超声图像标识肝脏和肾皮质部分中的有效样本,如下所述。
图2是根据各种实施方案的具有肝脏204和肾皮质208的解剖分割210、220的摩里逊氏陷凹超声图像视图202的示例性显示200。参考图2,显示200包括获得的超声图像视图202,诸如具有肝脏204和肾脏206的摩里逊氏陷凹超声图像视图202。分割处理器150可对获得的超声图像视图202执行图像分割210、220以标识肝脏204和肾脏206的肾皮质208。获得的超声图像视图202(其具有分割210的肝脏204和分割220的肾脏206的肾皮质208)可在显示系统134处显示200,提供给图像分析处理器140,提供给样本标识处理器160,和/或存储在档案138和/或任何合适的数据存储介质处。
信号处理器132可包括样本标识处理器160,该样本标识处理器包括合适的逻辑、电路、接口和/或代码,该逻辑、电路、接口和/或代码可操作为通过排除无效样本来在获得的超声图像视图202中标识肝脏204和肾皮质208中的有效样本。例如,样本标识处理器160可基于在获得的超声图像视图202中从肝脏204和肾皮质208中排除无效样本来标识有效样本。样本标识处理器160可通过应用人工智能算法和/或任何合适的图像分析技术来排除肝脏204中在大的管道、血管、肿块和囊肿内部的样本,从而从获得的超声图像视图202的分割210的肝脏204中排除样本。样本标识处理器160可应用人工智能算法和/或任何合适的图像分析技术来排除分割210的肝脏204中具有伪影和/或在伪影易发区域中的样本。样本标识处理器160可应用人工智能算法和/或任何合适的图像分析技术来排除分割210的肝脏204中在距肝脏204的边界的阈值距离内的样本。样本标识处理器160可应用人工智能算法和/或任何合适的图像分析技术来标识分割210的肝脏204中仅在分割210的肝脏204的均质区域中的有效样本。样本标识处理器160可应用人工智能算法和/或任何合适的图像分析技术来排除分割210的肝脏204中样本值高于上限阈值或低于下限阈值的样本。样本标识处理器160可应用人工智能算法和/或任何合适的图像分析技术来排除分割210的肝脏204中距肾脏206的距离大于阈值距离的样本。
样本标识处理器160可应用人工智能算法和/或任何合适的图像分析技术来排除分割210的肾皮质208中在肿块、囊肿、收集系统和外肾组织内部的样本。样本标识处理器160可应用人工智能算法和/或任何合适的图像分析技术来排除分割210的肾皮质208中具有伪影和/或在伪影易发区域中的样本。样本标识处理器160可应用人工智能算法和/或任何合适的图像分析技术来排除分割210的肾皮质208中在距肾脏206的边界的阈值距离内的样本。样本标识处理器160可应用人工智能算法和/或任何合适的图像分析技术来标识分割210的肾皮质208中仅在分割210的肾皮质208的均质区域中的有效样本。样本标识处理器160可应用人工智能算法和/或任何合适的图像分析技术来排除分割210的肾皮质208中样本值高于上限阈值或低于下限阈值的样本。样本标识处理器160可应用人工智能算法和/或任何合适的图像分析技术来排除分割210的肾皮质208中距肝脏204的距离大于阈值距离的样本。
在各种实施方案中,样本标识处理器160可被配置为利用突出显示、阴影、标记和/或任何合适的视觉指示来标识有效样本。获得的具有所标识的样本的视觉指示的超声图像视图202可在显示系统134处显示。附加地和/或另选地,样本标识处理器160可向ROI定位处理器170提供获得的具有所标识的有效样本(具有或不具有视觉指示)的超声图像视图202。附加地和/或另选地,样本标识处理器160可将获得的具有所标识的有效样本(具有或不具有视觉指示)的超声图像视图202存储到档案138和/或任何合适的数据存储介质。
图3是根据各种实施方案的具有所标识的有效样本230、240的图2的分割的摩里逊氏陷凹超声图像视图202的示例性显示300。参考图3,显示300包括图2的分割的超声图像视图202,其描绘了具有肝脏204和肾脏206的摩里逊氏陷凹超声图像视图202。样本标识处理器160可对分割的超声图像视图202应用样本标识算法来标识肝脏204和肾脏206的肾皮质208的有效样本。样本标识处理器160可被配置为利用突出显示、阴影、标记和/或任何合适的视觉指示230、240来标识有效样本。具有所标识的肝脏204的有效样本的视觉指示230和所标识的肾皮质208的有效样本的视觉指示240的分割的超声图像视图202可在显示系统134处显示300。被样本标识处理器160排除的分割的肝脏204和肾皮质208的样本232、242可不包括视觉指示或者可被提供与有效样本230、240不同的视觉指示。具有所标识的肝脏204的有效样本230和所标识的肾脏206的肾皮质208的有效样本240的分割的超声图像视图202可在显示系统134处显示300,提供给ROI定位处理器170,和/或存储在档案138和/或任何合适的数据存储介质处。
信号处理器132可包括感兴趣区域(ROI)定位处理器170,该ROI定位处理器包括合适的逻辑、电路、接口和/或代码,该逻辑、电路、接口和/或代码可操作为基于所标识的有效样本230、240和至少一个标准来在获得的超声图像视图202中自动定位感兴趣的肝脏区域和感兴趣的肾皮质区域。例如,ROI定位处理器170可被配置为将由至少一个标准定义的算法应用于获得的超声图像视图202的有效样本230、240,以标识肾脏206的肾皮质208中的最密集有效样本区域和肝脏204中的最密集有效样本区域。ROI定位处理器170可至少部分地基于以下中的一者或多者来确定肝脏204的最密集有效样本区域:到换能器数据的中心线的最短距离;到肾皮质208的最密集有效样本区域的最短距离;肝脏204的最密集有效样本区域与肾皮质208的最密集有效样本区域处于同一图像深度;和/或肝脏204的最密集有效样本区域与肾皮质208的最密集有效样本区域处于同一几何深度(例如,如果使用弯曲阵列换能器)。ROI定位处理器170可被配置为在获得的超声图像视图202中提供感兴趣的肝脏区域和感兴趣的肾皮质区域的视觉指示。感兴趣区域的视觉指示可包括突出显示、阴影、标记、重叠形状和/或任何合适的视觉指示。获得的具有感兴趣的肝脏区域和感兴趣的肾皮质区域的视觉指示的超声图像视图202可在显示系统134处显示。附加地和/或另选地,ROI定位处理器170可向HRI处理器180提供获得的具有定位的感兴趣的肝脏区域和感兴趣的肾皮质区域(具有或不具有视觉指示)的超声图像视图202。附加地和/或另选地,ROI定位处理器170可将获得的具有定位的感兴趣的肝脏区域和感兴趣的肾皮质区域(具有或不具有视觉指示)的超声图像视图202存储到档案138和/或任何合适的数据存储介质。
图4是根据各种实施方案的具有图3的所标识的有效样本230、240的分割的摩里逊氏陷凹超声图像视图202的示例性显示400,其具有自动定位的感兴趣的肝脏区域250和感兴趣的肾皮质区域260以用于HRI计算。参考图4,显示400包括图3的分割的超声图像视图202,其描绘了具有所标识的有效样本230、240的具有肝脏204和肾脏206的摩里逊氏陷凹超声图像视图202。ROI定位处理器170可基于所标识的有效样本230、240和至少一个标准来在获得的超声图像视图202中自动定位感兴趣的肝脏区域250和感兴趣的肾皮质区域260。ROI定位处理器170可被配置为利用突出显示、阴影、标记、重叠形状和/或任何合适的视觉指示来标识感兴趣的肝脏区域250和感兴趣的肾皮质区域260。具有自动定位的感兴趣的肝脏区域250和感兴趣的肾皮质区域260的分割的超声图像视图202可在显示系统134处显示400,提供给HRI处理器180,和/或存储在档案138和/或任何合适的数据存储介质处。在各种实施方案中,临床医生可经由用户输入设备130重新定位自动定位的感兴趣的肝脏区域250和感兴趣的肾皮质区域260。
信号处理器132可包括肝肾指数(HRI)处理器180,该HRI处理器包括合适的逻辑、电路、接口和/或代码,该逻辑、电路、接口和/或代码可操作为基于分割的超声图像视图202中的感兴趣的肝脏区域250和感兴趣的肾皮质区域260来确定HRI。例如,HRI处理器180可通过计算感兴趣的肝脏区域250中的肝脏数据与感兴趣的肾皮质区域260中的肾皮质数据的比率来确定HRI。肝脏数据和肾皮质数据可包括波束形成数据、同相和正交(I/Q)数据、后处理数据或灰度值。HRI处理器180可被配置为使显示系统134呈现HRI值。在某些实施方案中,HRI处理器180可被配置为确定与所确定的HRI值相对应的质量得分。例如,HRI处理器180可基于与分割的超声图像视图202的肝脏204和肾皮质208中的多个感兴趣区域的标准偏差来应用质量得分算法。HRI处理器180可被配置为使显示系统134将质量得分与HRI值一起呈现。
显示系统134可为能够将视觉信息传送给用户的任何设备。例如,显示系统134可包括液晶显示器、发光二极管显示器、和/或任何合适的一种或多种显示器。显示系统134可操作为显示来自信号处理器132和/或档案138的信息,诸如具有和/或不具有图像质量度量的超声图像202、分割信息210、220、有效样本信息230、240和/或无效样本信息232、242、感兴趣区域250、260、HRI值、HRI质量得分和/或任何合适的信息。
档案138可以是与超声系统100集成和/或可通信地耦接(例如,通过网络)到超声系统100的一个或多个计算机可读存储器,诸如图像归档和通信系统(PACS)、企业档案(EA)、与供应商无关的档案(VNA)、服务器、硬盘、软盘、CD、CD-ROM、DVD、紧凑存储装置、闪存存储器、随机存取存储器、只读存储器、电可擦除和可编程只读存储器、以及/或者任何合适的存储器。档案138可包括例如由信号处理器132访问和/或与信号处理器132结合的数据库、库、信息集或其他存储器。例如,档案138能够暂时或永久地存储数据。档案138可能能够存储医学图像数据、由信号处理器132生成的数据和/或信号处理器132可读取的指令等。在各种实施方案中,档案138存储超声图像202、由图像分析处理器140生成的图像质量度量、用于分析超声图像202并生成图像质量度量的指令、由分割处理器150生成的分割信息、用于执行图像分割的指令、由样本标识处理器160生成的有效样本信息230、240和/或无效样本信息232、242、用于标识有效样本230、240的指令、由ROI定位处理器170生成的感兴趣区域信息250、260、用于自动定位感兴趣区域250、260的指令、由HRI处理器180生成的HRI值、用于确定HRI值的指令、由HRI处理器180生成的HRI质量得分和/或用于生成HRI质量得分的指令等等。
超声系统100的部件可在软件、硬件、固件等中实现。超声系统100的各种部件可以通信地连接。超声系统100的部件可单独实现和/或以各种形式集成。例如,显示系统134和用户输入设备130可集成为触摸屏显示器。
仍然参考图1,训练系统200可包括训练引擎210和训练数据库220。训练引擎160可包括合适的逻辑、电路、接口和/或代码,该逻辑、电路、接口和/或代码可操作为训练由图像分析处理器140、分割处理器150、样本标识处理器160、ROI定位处理器170和/或HRI处理器180推断(即,部署)的深度神经网络(例如,人工智能模型)的神经元。例如,由图像分析处理器140推断的人工智能模型可经训练以自动标识超声图像视图(例如,摩里逊氏陷凹超声图像视图202)。由分割处理器150推断的人工智能模型可经训练以自动分割获得的超声图像视图以标识解剖结构(例如,肝脏204和肾脏206的肾皮质208)。例如,训练引擎210可使用肝脏204和肾脏206的肾皮质208的分类的摩里逊氏陷凹超声图像视图的数据库220来训练由图像分析处理器140和/或分割处理器150部署的深度神经网络。超声图像可包括特定解剖特征的超声图像,诸如具有肝脏204和肾脏206的肾皮质208或任何合适的超声图像和特征的摩里逊氏陷凹超声图像视图202。
在各种实施方案中,训练图像的数据库220可以是图片归档和通信系统(PACS)或任何合适的数据存储介质。在某些实施方案中,训练引擎210和/或训练图像数据库220可以是经由有线或无线连接通信地耦接到超声系统100的远程系统,如图1所示。除此之外和/或另选地,训练系统200的部件或全部可以以各种形式与超声系统100集成。
图5是示出根据示例性实施方案的可用于从超声图像自动估计HRI的示例性步骤502至516的流程图500。参考图5,示出了包括示例性步骤502至516的流程图500。某些实施方案可省略一个或多个步骤,和/或以与所列顺序不同的顺序执行步骤,和/或组合下文讨论的某些步骤。例如,在某些实施方案中可能不执行一些步骤。又如,某些步骤可能以与下面所列时间顺序不同的时间顺序执行,包括同时执行。
在步骤502处,超声系统100可获取超声数据的序列。例如,超声系统100的超声探头104可连续获取超声图像数据,直到获得期望的超声图像视图。可处理获取的超声数据序列并在显示系统134处呈现该超声数据序列。
在步骤504处,超声系统100的信号处理器132可确定是否已获得期望的超声图像视图202。例如,超声系统100的信号处理器132的图像分析处理器140可分析在步骤502处获取的超声图像数据以确定是否已获得期望的超声图像视图202。期望的超声图像视图202可以是摩里逊氏陷凹超声图像视图或肝脏204和肾脏206的任何合适的超声图像视图。一旦获得期望的图像视图,图像分析处理器140就可指示信号处理器132冻结显示系统134处呈现的视图。图像分析处理器140可包括例如人工智能图像分析算法、一个或多个深度神经网络(例如,卷积神经网络,诸如u-net),并且/或者可利用被配置为确定是否已获得期望视图的任何合适的图像分析技术或机器学习处理功能。
在步骤506处,超声系统100的信号处理器132可向获得的超声图像视图202分配质量度量。例如,图像分析处理器140可分析获得的超声图像视图202(作为整体)、获得的超声图像视图202的区域、由分割处理器150在步骤508处分割的获得的超声图像视图等,以提供与获得的超声图像视图202相关联的质量度量。图像分析处理器140可被配置为使显示系统134将质量度量与获得的超声图像视图202一起呈现。
在步骤508处,超声系统100的信号处理器132可在获得的超声图像视图202中分割210、220肝脏204和肾皮质208。例如,信号处理器132的分割处理器140可被配置为在获得的超声图像视图202(诸如摩里逊氏陷凹视图)中标识210、220肝脏204和肾脏206的肾皮质208。分割处理器150可包括例如人工智能图像分析算法、一个或多个深度神经网络(例如,卷积神经网络,诸如u-net)并且/或者可利用被配置为提供自动化分割功能的任何合适形式的人工智能图像分析技术或机器学习处理功能。分割处理器150可被配置为使显示系统134将图像分割信息210、220与获得的超声图像202一起呈现。
在步骤510处,超声系统100的信号处理器132可通过排除无效样本232、242来在获得的超声图像视图202中标识肝脏204、210和肾皮质208、220中的有效样本230、240。例如,超声系统100的信号处理器132的样本标识处理器160可被配置为通过应用人工智能算法和/或任何合适的图像分析技术来排除以下各项,从而从获得的超声图像视图202的分割210的肝脏204中排除样本232:肝脏204中在大的管道、血管、肿块和囊肿内部的样本232;分割210的肝脏204中具有伪影和/或在伪影易发区域中的样本232;分割210的肝脏204中在距肝脏204的边界的阈值距离内的样本232;分割210的肝脏204中在非均质区域中的样本232;分割210的肝脏204中样本值高于上限阈值或低于下限阈值的样本;和/或分割210的肝脏204中距肾脏206的距离大于阈值距离的样本。又如,样本标识处理器160可应用人工智能算法和/或任何合适的图像分析技术来排除以下各项:分割210的肾皮质208中在肿块、囊肿、收集系统和外肾组织内部的样本242;分割210的肾皮质208中具有伪影和/或在伪影易发区域中的样本242;分割210的肾皮质208中在距肾脏206的边界的阈值距离内的样本242;分割210的肾皮质208中在非均质区域中的样本242;分割210的肾皮质208中样本值高于上限阈值或低于下限阈值的样本242;和/或分割210的肾皮质208中距肝脏204的距离大于阈值距离的样本242。样本标识处理器160可被配置为利用突出显示、阴影、标记和/或任何合适的视觉指示来标识有效样本。获得的具有所标识的样本的视觉指示的超声图像视图202可在显示系统134处显示。
在步骤512处,超声系统100的信号处理器132可基于有效样本230、240和至少一个标准来在获得的超声图像视图202中自动定位感兴趣的肝脏区域250和感兴趣的肾皮质区域260。例如,超声系统100的信号处理器132的感兴趣区域(ROI)定位处理器170可被配置为将由至少一个标准定义的算法应用于获得的超声图像视图202的有效样本230、240,以标识肾脏206的肾皮质208中的最密集有效样本区域和肝脏204中的最密集有效样本区域。ROI定位处理器170可至少部分地基于以下中的一者或多者来确定肝脏204的最密集有效样本区域:到换能器数据的中心线的最短距离;到肾皮质208的最密集有效样本区域的最短距离;肝脏204的最密集有效样本区域与肾皮质208的最密集有效样本区域处于同一图像深度;和/或肝脏204的最密集有效样本区域与肾皮质208的最密集有效样本区域处于同一几何深度(例如,如果使用弯曲阵列换能器)。ROI定位处理器170可被配置为在获得的超声图像视图202中提供感兴趣的肝脏区域250和感兴趣的肾皮质区域260的视觉指示。感兴趣区域的视觉指示可包括突出显示、阴影、标记、重叠形状和/或任何合适的视觉指示。获得的具有感兴趣的肝脏区域和感兴趣的肾皮质区域的视觉指示的超声图像视图202可在显示系统134处显示。在各种实施方案中,临床医生可经由用户输入设备130重新定位自动定位的感兴趣的肝脏区域250和感兴趣的肾皮质区域260。
在步骤514处,超声系统100的信号处理器132可确定肝肾指数(HRI)和HRI的质量得分。例如,超声系统100的信号处理器132的HRI处理器180可被配置为基于分割的超声图像视图202中的感兴趣的肝脏区域250和感兴趣的肾皮质区域260来确定HRI。HRI处理器180可通过计算感兴趣的肝脏区域250中的肝脏数据与感兴趣的肾皮质区域260中的肾皮质数据的比率来确定HRI。肝脏数据和肾皮质数据可包括波束形成数据、同相和正交(I/Q)数据、后处理数据或灰度值。在某些实施方案中,HRI处理器180可被配置为确定与所确定的HRI值相对应的质量得分。例如,HRI处理器180可基于与分割的超声图像视图202的肝脏204和肾皮质208中的多个感兴趣区域的标准偏差来应用质量得分算法。
在步骤516处,超声系统100的信号处理器132可显示HRI和HRI的质量得分。例如,HRI处理器180可被配置为使显示系统134呈现HRI值和HRI的质量得分。
本公开的各方面提供来自超声图像202的肝肾指数(HRI)的自动估计。根据各种实施方案,方法500可包括由超声系统100获取502超声图像数据的序列,直到获得504期望的超声图像视图202。方法500可包括由超声系统100的至少一个处理器132、150在获得的超声图像视图202中分割508肝脏204、210和肾皮质208、220。方法500可包括由至少一个处理器132、160通过排除无效样本232、242来在获得的超声图像视图202中标识510肝脏204、210和肾皮质208、220中的有效样本230、240。方法500可包括由至少一个处理器132、170基于有效样本230、240和至少一个标准来在获得的超声图像视图202中自动定位512感兴趣的肝脏区域250和感兴趣的肾皮质区域260。方法500可包括由至少一个处理器132、180确定514肝肾指数(HRI)。方法500可包括由至少一个处理器132、180使516显示系统134呈现HRI。
在代表性实施方案中,方法500可包括由至少一个处理器132、180确定514HRI的质量得分并由至少一个处理器132、180使显示系统134将HRI的质量得分与HRI一起呈现。在示例性实施方案中,方法500可包括由至少一个处理器132、140向获得的超声图像视图202分配506质量度量并由至少一个处理器132、140使506显示系统134呈现质量度量。在各种实施方案中,肝脏204、210中的无效样本232包括以下中的一者或多者:在管道、血管、肿块和囊肿中的一者或多者内部的样本;描绘伪影的样本或伪影易发区域中的样本中的一者或两者;在距肝脏边界线的阈值距离内的样本;在肝脏204、210内部的非均质区域中的样本;值高于上限阈值或低于下限阈值的样本;和距肾脏206、208的距离大于限定距离的样本。在某些实施方案中,肾皮质208、220中的无效样本242包括以下中的一者或多者:在肿块、囊肿、收集系统和外肾组织中的一者或多者内部的样本;描绘伪影的样本或伪影易发区域中的样本中的一者或两者;在距肾脏边界线的阈值距离内的样本;在肾皮质208、220内部的非均质区域中的样本;和值高于上限阈值或低于下限阈值的样本。在代表性实施方案中,至少一个标准包括以下中的一者或两者:肾皮质208、220中的最密集有效样本区域;和肝脏204、210中的最密集有效样本区域。可至少部分地基于以下中的一者或多者来标识肝脏204、210中的最密集有效样本区域:到换能器数据的中心线的最短距离;到肾皮质208、220中的最密集有效样本区域的最短距离;肝脏204、210中的最密集有效样本区域与肾皮质208、220中的最密集有效样本区域处于同一图像深度;以及肝脏204、210中的最密集有效样本区域与肾皮质208、220中的最密集有效样本区域处于同一几何深度。在示例性实施方案中,确定HRI是基于感兴趣的肝脏区域250中的肝脏数据的平均值与感兴趣的肾皮质区域260中的肾皮质数据的平均值的比率。肝脏数据和肾皮质数据可为以下中的一者:波束形成数据、同相和正交(I/Q)数据、后处理数据或灰度值。
各种实施方案提供了一种用于从超声图像自动估计肝肾指数(HRI)的超声系统100。超声系统100可包括超声探头104、至少一个处理器132、140、150、160、170、180和显示系统134。超声探头104可操作为获取超声图像数据的序列,直到获得期望的超声图像视图202。至少一个处理器132、150可被配置为在获得的超声图像视图202中分割肝脏204、210和肾皮质208、220。至少一个处理器132、160可被配置为通过排除无效样本232、242来在获得的超声图像视图202中标识肝脏204、210和肾皮质208、220中的有效样本230、240。至少一个处理器132、170可被配置为基于有效样本230、240和至少一个标准来在获得的超声图像视图202中自动定位感兴趣的肝脏区域250和感兴趣的肾皮质区域260。至少一个处理器132、180可被配置为确定肝肾指数(HRI)。显示系统134可被配置为呈现HRI。
在示例性实施方案中,至少一个处理器132、180可被配置为确定HRI的质量得分并且使显示系统134将HRI的质量得分与HRI一起呈现。在各种实施方案中,至少一个处理器132、140可被配置为向获得的超声图像视图202分配质量度量并且使显示系统134呈现质量度量。在某些实施方案中,肝脏204、210中的无效样本232包括以下中的一者或多者:在管道、血管、肿块和囊肿中的一者或多者内部的样本;描绘伪影的样本或伪影易发区域中的样本中的一者或两者;在距肝脏边界线的阈值距离内的样本;在肝脏204、210内部的非均质区域中的样本;值高于上限阈值或低于下限阈值的样本;和距肾脏206、208的距离大于限定距离的样本。在代表性实施方案中,肾皮质208、220中的无效样本242包括以下中的一者或多者:在肿块、囊肿、收集系统和外肾组织中的一者或多者内部的样本;描绘伪影的样本或伪影易发区域中的样本中的一者或两者;在距肾脏边界线的阈值距离内的样本;在所述肾皮质内部的非均质区域中的样本;和值高于上限阈值或低于下限阈值的样本。在示例性实施方案中,至少一个标准可包括以下中的一者或两者:肾皮质208、220中的最密集有效样本区域;和肝脏204、210中的最密集有效样本区域。可至少部分地基于以下中的一者或多者来标识肝脏204、210中的最密集有效样本区域:到换能器数据的中心线的最短距离;到肾皮质208、220中的最密集有效样本区域的最短距离;肝脏204、210中的最密集有效样本区域与肾皮质208、220中的最密集有效样本区域处于同一图像深度;以及肝脏204、210中的最密集有效样本区域与肾皮质208、220中的最密集有效样本区域处于同一几何深度。在各种实施方案中,至少一个处理器132、180被配置为基于感兴趣的肝脏区域250中的肝脏数据的平均值与感兴趣的肾皮质区域260中的肾皮质数据的平均值的比率来确定HRI。肝脏数据和肾皮质数据可为以下中的一者:波束形成数据、同相和正交(I/Q)数据、后处理数据或灰度值。
某些实施方案提供一种非暂态计算机可读介质,该非暂态计算机可读介质上存储有计算机程序,该计算机程序具有至少一个代码段。该至少一个代码段可由机器执行以使超声系统执行步骤500。步骤500可包括接收502超声图像数据的序列,直到接收到504期望的超声图像视图202。步骤500可包括在所接收的超声图像视图202中分割508肝脏204、210和肾皮质208、220。步骤500可包括通过排除无效样本232、242来在所接收的超声图像视图202中标识510肝脏204、210和肾皮质208、220中的有效样本230、240。步骤500可包括基于有效样本230、240和至少一个标准来在所接收的超声图像视图202中自动定位512感兴趣的肝脏区域250和感兴趣的肾皮质区域260。步骤500可包括确定514肝肾指数(HRI)。步骤500可包括使516显示系统134呈现HRI。
在各种实施方案中,步骤500可包括向所接收的超声图像视图202分配506质量度量并且使显示系统134呈现质量度量。步骤500可包括确定514HRI的质量得分并且使516显示系统134将HRI的质量得分与HRI一起呈现。在某些实施方案中,肝脏204、210中的无效样本232可包括以下中的一者或多者:在管道、血管、肿块和囊肿中的一者或多者内部的样本;描绘伪影的样本或伪影易发区域中的样本中的一者或两者;在距肝脏边界线的阈值距离内的样本;在肝脏204、210内部的非均质区域中的样本;值高于上限阈值或低于下限阈值的样本;和距肾脏206、208的距离大于限定距离的样本。在代表性实施方案中,肾皮质208、220中的无效样本242可包括以下中的一者或多者:在肿块、囊肿、收集系统和外肾组织中的一者或多者内部的样本;描绘伪影的样本或伪影易发区域中的样本中的一者或两者;在距肾脏边界线的阈值距离内的样本;在肾皮质208、220内部的非均质区域中的样本;和值高于上限阈值或低于下限阈值的样本。
在示例性实施方案中,至少一个标准可包括以下中的一者或两者:肾皮质208、220中的最密集有效样本区域;和肝脏204、210中的最密集有效样本区域。可至少部分地基于以下中的一者或多者来标识肝脏204、210中的最密集有效样本区域:到换能器数据的中心线的最短距离;到肾皮质208、220中的最密集有效样本区域的最短距离;肝脏204、210中的最密集有效样本区域与肾皮质208、220中的最密集有效样本区域处于同一图像深度;以及肝脏204、210中的最密集有效样本区域与肾皮质208、220中的最密集有效样本区域处于同一几何深度。在各种实施方案中,确定514HRI可以是基于感兴趣的肝脏区域250中的肝脏数据的平均值与感兴趣的肾皮质区域260中的肾皮质数据的平均值的比率。肝脏数据和肾皮质数据可为以下中的一者:波束形成数据、同相和正交(I/Q)数据、后处理数据或灰度值。
如本文所用,术语“电路”是指物理电子部件(即,硬件)以及可配置硬件、由硬件执行和/或以其他方式与硬件相关联的任何软件和/或固件(“代码”)。例如,如本文所用,当执行一条或多条第一代码时,特定处理器和存储器可包括第一“电路”,并且在执行一条或多条第二代码时,特定处理器和存储器可包括第二“电路”。如本文所用,“和/或”表示列表中的由“和/或”连结的项中的任一个或多个项。例如,“x和/或y”表示三元素集{(x),(y),(x,y)}中的任何元素。作为另一个示例,“x、y和/或z”表示七元素集{(x),(y),(z),(x,y),(x,z),(y,z),(x,y,z)}中的任何元素。如本文所用,术语“示例性”表示用作非限制性示例、实例或例证。如本文所用,术语“例如(e.g.)”和“例如(for example)”引出一个或多个非限制性示例、实例或例证的列表。如本文所用,电路“用于”或“被配置为”每当该电路包括执行功能的必需硬件和代码(如果需要的话)时就执行该功能,不管是否通过某些用户可配置的设置禁用或不启用该功能的执行。
其他实施方案可提供计算机可读设备和/或非暂态计算机可读介质,和/或机器可读设备和/或非暂态机器可读介质,该计算机可读设备和/或非暂态计算机可读介质和/或该机器可读设备和/或非暂态机器可读介质上存储有机器代码和/或具有可由机器和/或计算机执行的至少一个代码段的计算机程序,从而使机器和/或计算机执行如本文所述的用于从超声图像自动估计肝肾指数(HRI)的步骤。
因此,本公开可在硬件、软件或硬件和软件的组合中实现。本公开可能以集中方式在至少一个计算机系统中实现,或以分布式方式实现,其中不同的元件分布在若干互连的计算机系统上。适于执行本文所述的方法的任何种类的计算机系统或其他装置都是合适的。
各种实施方案也可嵌入计算机程序产品中,该计算机程序产品包括能够实现本文所述的方法的所有特征,并且当加载到计算机系统中时能够执行这些方法。本文中的计算机程序是指以任何语言、代码或符号表示的一组指令的任何表达,这些指令旨在使具有信息处理能力的系统直接执行特定功能或在以下两项或其中一项之后执行特定功能:a)转换为另一种语言、代码或符号;b)以不同的物质形式进行复制。
虽然已经参考某些实施方案来描述了本公开,但是本领域的技术人员应当理解,在不脱离本公开的范围的情况下,可以进行各种改变并可以替换等同物。另外,在不脱离本公开的范围的情况下,可以进行许多修改以使特定情况或材料适应于本公开的教导。因此,本公开不旨在限于所公开的特定实施方案,而是本公开将包括落入所附权利要求书的范围内的所有实施方案。
Claims (20)
1.一种方法,所述方法包括:
由超声系统获取超声图像数据的序列,直到获得期望的超声图像视图;
由所述超声系统的至少一个处理器在所述获得的超声图像视图中分割肝脏和肾皮质;
由所述至少一个处理器通过排除无效样本来在所述获得的超声图像视图中标识所述肝脏和所述肾皮质中的有效样本;
由所述至少一个处理器基于所述有效样本和至少一个标准来在所述获得的超声图像视图中自动定位感兴趣的肝脏区域和感兴趣的肾皮质区域;
由所述至少一个处理器确定肝肾指数(HRI);以及
由所述至少一个处理器使显示系统呈现所述HRI。
2.根据权利要求1所述的方法,所述方法包括:
由所述至少一个处理器确定所述HRI的质量得分;以及
由所述至少一个处理器使所述显示系统将所述HRI的所述质量得分与所述HRI一起呈现。
3.根据权利要求1所述的方法,所述方法包括:
由所述至少一个处理器向所述获得的超声图像视图分配质量度量;以及
由所述至少一个处理器使所述显示系统呈现所述质量度量。
4.根据权利要求1所述的方法,其中所述肝脏中的所述无效样本包括以下中的一者或多者:
在管道、血管、肿块和囊肿中的一者或多者内部的样本;
描绘伪影的样本或伪影易发区域中的样本中的一者或两者;
在距肝脏边界线的阈值距离内的样本;
在所述肝脏内部的非均质区域中的样本;
值高于上限阈值或低于下限阈值的样本;以及
距肾脏的距离大于限定距离的样本。
5.根据权利要求1所述的方法,其中所述肾皮质中的所述无效样本包括以下中的一者或多者:
在肿块、囊肿、收集系统和外肾组织中的一者或多者内部的样本;
描绘伪影的样本或伪影易发区域中的样本中的一者或两者;
在距肾脏边界线的阈值距离内的样本;
在所述肾皮质内部的非均质区域中的样本;以及
值高于上限阈值或低于下限阈值的样本。
6.根据权利要求1所述的方法,其中所述至少一个标准包括以下中的一者或两者:
所述肾皮质中的最密集有效样本区域;以及
所述肝脏中的最密集有效样本区域,其中所述肝脏中的所述最密集有效样本区域至少部分地基于以下中的一者或多者来标识:
到换能器数据的中心线的最短距离;
到所述肾皮质中的所述最密集有效样本区域的最短距离;
所述肝脏中的所述最密集有效样本区域与所述肾皮质中的所述最密集有效样本区域处于同一图像深度;以及
所述肝脏中的所述最密集有效样本区域与所述肾皮质中的所述最密集有效样本区域处于同一几何深度。
7.根据权利要求1所述的方法,其中:
确定所述HRI是基于所述感兴趣的肝脏区域中的肝脏数据的平均值与所述感兴趣的肾皮质区域中的肾皮质数据的平均值的比率,并且
所述肝脏数据和所述肾皮质数据为以下中的一者:
波束形成数据,
同相和正交(I/Q)数据,
后处理数据,以及
灰度值。
8.一种超声系统,所述超声系统包括:
超声探头,所述超声探头能够操作为获取超声图像数据的序列,直到获得期望的超声图像视图;
至少一个处理器,所述至少一个处理器被配置为:
在所述获得的超声图像视图中分割肝脏和肾皮质;
通过排除无效样本来在所述获得的超声图像视图中标识所述肝脏和所述肾皮质中的有效样本;
基于所述有效样本和至少一个标准来在所述获得的超声图像视图中自动定位感兴趣的肝脏区域和感兴趣的肾皮质区域;并且
确定肝肾指数(HRI);以及
显示系统,所述显示系统被配置为呈现所述HRI。
9.根据权利要求8所述的系统,其中所述至少一个处理器被配置为:
确定所述HRI的质量得分;并且
使所述显示系统将所述HRI的所述质量得分与所述HRI一起呈现。
10.根据权利要求8所述的系统,其中所述至少一个处理器被配置为:
向所述获得的超声图像视图分配质量度量;并且
使所述显示系统呈现所述质量度量。
11.根据权利要求8所述的系统,其中所述肝脏中的所述无效样本包括以下中的一者或多者:
在管道、血管、肿块和囊肿中的一者或多者内部的样本;
描绘伪影的样本或伪影易发区域中的样本中的一者或两者;
在距肝脏边界线的阈值距离内的样本;
在所述肝脏内部的非均质区域中的样本;
值高于上限阈值或低于下限阈值的样本;以及
距肾脏的距离大于限定距离的样本。
12.根据权利要求8所述的系统,其中所述肾皮质中的所述无效样本包括以下中的一者或多者:
在肿块、囊肿、收集系统和外肾组织中的一者或多者内部的样本;
描绘伪影的样本或伪影易发区域中的样本中的一者或两者;
在距肾脏边界线的阈值距离内的样本;
在所述肾皮质内部的非均质区域中的样本;以及
值高于上限阈值或低于下限阈值的样本。
13.根据权利要求8所述的系统,其中所述至少一个标准包括以下中的一者或两者:
所述肾皮质中的最密集有效样本区域;以及
所述肝脏中的最密集有效样本区域,其中所述肝脏中的所述最密集有效样本区域至少部分地基于以下中的一者或多者来标识:
到换能器数据的中心线的最短距离;
到所述肾皮质中的所述最密集有效样本区域的最短距离;
所述肝脏中的所述最密集有效样本区域与所述肾皮质中的所述最密集有效样本区域处于同一图像深度;以及
所述肝脏中的所述最密集有效样本区域与所述肾皮质中的所述最密集有效样本区域处于同一几何深度。
14.根据权利要求8所述的系统,其中:
所述至少一个处理器被配置为基于所述感兴趣的肝脏区域中的肝脏数据的平均值与所述感兴趣的肾皮质区域中的肾皮质数据的平均值的比率来确定所述HRI,并且
所述肝脏数据和所述肾皮质数据为以下中的一者:
波束形成数据,
同相和正交(I/Q)数据,
后处理数据,以及
灰度值。
15.一种非暂态计算机可读介质,在所述非暂态计算机可读介质上存储有计算机程序,所述计算机程序具有至少一个代码段,所述至少一个代码段能够由机器执行以使得超声系统执行包括以下各项的步骤:
接收超声图像数据的序列,直到接收到期望的超声图像视图;
在所述接收的超声图像视图中分割肝脏和肾皮质;
通过排除无效样本来在所述接收的超声图像视图中标识所述肝脏和所述肾皮质中的有效样本;
基于所述有效样本和至少一个标准来在所述接收的超声图像视图中自动定位感兴趣的肝脏区域和感兴趣的肾皮质区域;
确定肝肾指数(HRI);以及
使显示系统呈现所述HRI。
16.根据权利要求15所述的非暂态计算机可读介质,所述非暂态计算机可读介质包括以下步骤中的一者或两者:
向所述接收的超声图像视图分配质量度量并且使所述显示系统呈现所述质量度量;以及
确定所述HRI的质量得分并且使所述显示系统将所述HRI的所述质量得分与所述HRI一起呈现。
17.根据权利要求15所述的非暂态计算机可读介质,其中所述肝脏中的所述无效样本包括以下中的一者或多者:
在管道、血管、肿块和囊肿中的一者或多者内部的样本;
描绘伪影的样本或伪影易发区域中的样本中的一者或两者;
在距肝脏边界线的阈值距离内的样本;
在所述肝脏内部的非均质区域中的样本;
值高于上限阈值或低于下限阈值的样本;以及
距肾脏的距离大于限定距离的样本。
18.根据权利要求15所述的非暂态计算机可读介质,其中所述肾皮质中的所述无效样本包括以下中的一者或多者:
在肿块、囊肿、收集系统和外肾组织中的一者或多者内部的样本;
描绘伪影的样本或伪影易发区域中的样本中的一者或两者;
在距肾脏边界线的阈值距离内的样本;
在所述肾皮质内部的非均质区域中的样本;以及
值高于上限阈值或低于下限阈值的样本。
19.根据权利要求15所述的非暂态计算机可读介质,其中所述至少一个标准包括以下中的一者或两者:
所述肾皮质中的最密集有效样本区域;以及
所述肝脏中的最密集有效样本区域,其中所述肝脏中的所述最密集有效样本区域至少部分地基于以下中的一者或多者来标识:
到换能器数据的中心线的最短距离;
到所述肾皮质中的所述最密集有效样本区域的最短距离;
所述肝脏中的所述最密集有效样本区域与所述肾皮质中的所述最密集有效样本区域处于同一图像深度;以及
所述肝脏中的所述最密集有效样本区域与所述肾皮质中的所述最密集有效样本区域处于同一几何深度。
20.根据权利要求15所述的非暂态计算机可读介质,其中:
确定所述HRI是基于所述感兴趣的肝脏区域中的肝脏数据的平均值与所述感兴趣的肾皮质区域中的肾皮质数据的平均值的比率,并且
所述肝脏数据和所述肾皮质数据为以下中的一者:
波束形成数据,
同相和正交(I/Q)数据,
后处理数据,以及
灰度值。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/155,384 | 2021-01-22 | ||
US17/155,384 US20220237798A1 (en) | 2021-01-22 | 2021-01-22 | Method and system for automatically estimating a hepatorenal index from ultrasound images |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114795276A true CN114795276A (zh) | 2022-07-29 |
Family
ID=82494783
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210018104.XA Pending CN114795276A (zh) | 2021-01-22 | 2022-01-07 | 用于从超声图像自动估计肝肾指数的方法和系统 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20220237798A1 (zh) |
CN (1) | CN114795276A (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4327750A1 (en) * | 2022-08-25 | 2024-02-28 | Koninklijke Philips N.V. | Guided ultrasound imaging for point-of-care staging of medical conditions |
WO2024042044A1 (en) * | 2022-08-25 | 2024-02-29 | Koninklijke Philips N.V. | Guided ultrasound imaging for point-of-care staging of medical conditions |
CN116269507B (zh) * | 2023-05-23 | 2023-07-25 | 中日友好医院(中日友好临床医学研究所) | 高尿酸血症和痛风性肾病分类方法、装置和电子设备 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3826544B1 (en) * | 2018-07-26 | 2024-06-05 | Koninklijke Philips N.V. | Ultrasound system with an artificial neural network for guided liver imaging |
KR102258776B1 (ko) * | 2019-05-20 | 2021-05-31 | 주식회사 힐세리온 | 인공지능형 초음파 지방간 자동 진단 장치 및 이를 이용한 원격 의료 진단 방법 |
-
2021
- 2021-01-22 US US17/155,384 patent/US20220237798A1/en active Pending
-
2022
- 2022-01-07 CN CN202210018104.XA patent/CN114795276A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
US20220237798A1 (en) | 2022-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7407790B2 (ja) | 誘導肝イメージングのための人工ニューラルネットワークを有する超音波システム | |
CN114795276A (zh) | 用于从超声图像自动估计肝肾指数的方法和系统 | |
US11903768B2 (en) | Method and system for providing ultrasound image enhancement by automatically adjusting beamformer parameters based on ultrasound image analysis | |
CN114159093A (zh) | 用于基于所采集的超声图像视图中的实时解剖结构识别来调整用户界面元素的方法和系统 | |
CN113034375A (zh) | 用于提供模糊滤波以强调超声图像数据中的聚焦区域或深度的方法和系统 | |
CN114554966A (zh) | 用于图像优化的系统和方法 | |
CN112447276A (zh) | 用于提示数据捐赠以用于人工智能工具开发的方法和系统 | |
CN115334975A (zh) | 用于对心外膜脂肪组织进行成像和测量的系统和方法 | |
CN112515747A (zh) | 用于分析超声场景以提供针引导和警告的方法和系统 | |
US11941806B2 (en) | Methods and systems for automatic assessment of fractional limb volume and fat lean mass from fetal ultrasound scans | |
CN114098797B (zh) | 用于提供解剖取向指示符的方法和系统 | |
US11903898B2 (en) | Ultrasound imaging with real-time visual feedback for cardiopulmonary resuscitation (CPR) compressions | |
KR102539922B1 (ko) | 탄성초음파영상에 대한 변형률 계산 및 변형량의 자동 측정을 위한 방법 및 시스템 | |
JP2022509050A (ja) | マルチゲートドプラ信号のパルス波ドプラ信号に基づいて解剖学的構造を経時的に追跡するための方法及びシステム | |
US11382595B2 (en) | Methods and systems for automated heart rate measurement for ultrasound motion modes | |
US20220160334A1 (en) | Method and system for enhanced visualization of a pleural line by automatically detecting and marking the pleural line in images of a lung ultrasound scan | |
US20220280133A1 (en) | Method and system for automatically detecting an ultrasound image view and focus to provide measurement suitability feedback | |
US20230196554A1 (en) | Method and system for automatically analyzing placenta insufficiency in a curved topographical ultrasound image slice | |
US20240041430A1 (en) | Method and system for defining a boundary of a region of interest by applying threshold values to outputs of a probabilistic automatic segmentation model based on user-selected segmentation sensitivity levels | |
US20210204908A1 (en) | Method and system for assisted ultrasound scan plane identification based on m-mode analysis | |
CN116612061A (zh) | 用于经食道超声图像中的自动二维标准视图检测的方法和系统 | |
WO2024013114A1 (en) | Systems and methods for imaging screening | |
CN116958037A (zh) | 用于对超声图像进行自动分割和阶段预测的方法和系统 | |
CN115969414A (zh) | 用于在超声成像期间使用分析辅助的方法和系统 | |
CN116602706A (zh) | 用于自动测量和标记在超声体积的图像切片中描绘的卵泡的系统和方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |