CN115187501A - 用于识别非均质性肝脏脂肪的系统、方法和装置 - Google Patents

用于识别非均质性肝脏脂肪的系统、方法和装置 Download PDF

Info

Publication number
CN115187501A
CN115187501A CN202110398371.XA CN202110398371A CN115187501A CN 115187501 A CN115187501 A CN 115187501A CN 202110398371 A CN202110398371 A CN 202110398371A CN 115187501 A CN115187501 A CN 115187501A
Authority
CN
China
Prior art keywords
liver
image
processor
fat
region
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110398371.XA
Other languages
English (en)
Inventor
徐泾平
周佳音
邓君坪
W·史
谢华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Koninklijke Philips NV
Original Assignee
Koninklijke Philips NV
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Koninklijke Philips NV filed Critical Koninklijke Philips NV
Priority to CN202110398371.XA priority Critical patent/CN115187501A/zh
Priority to PCT/EP2022/058807 priority patent/WO2022214407A1/en
Priority to EP22720945.9A priority patent/EP4320587A1/en
Priority to US18/285,506 priority patent/US20240119705A1/en
Priority to CN202280026307.1A priority patent/CN117136378A/zh
Publication of CN115187501A publication Critical patent/CN115187501A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • 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
    • G06T11/00—2D [Two Dimensional] image generation
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • G06V10/235—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition based on user input or interaction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/24—Indexing scheme for image data processing or generation, in general involving graphical user interfaces [GUIs]
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20076—Probabilistic image processing
    • 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
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • G06V2201/031—Recognition of patterns in medical or anatomical images of internal organs

Abstract

超声成像系统可以采集肝脏的图像。肝脏可以从图像分割。诸如图像均质性图、强度概率图表和/或散斑尺寸图的参数可以从图像的肝脏部分提取。参数可以用来确定脂肪肝沉积是弥漫性的还是非均质性的。在一些范例中，非均质性区域可以从肝脏脂肪量化测量结果的计算中排除。在一些范例中，非均质性区域可以被显示，使得用户可以选择排除非均质性区域的感兴趣区域来计算肝脏脂肪量化测量结果。

Description

用于识别非均质性肝脏脂肪的系统、方法和装置
技术领域
本公开涉及用于利用超声成像评价肝脏脂肪的成像系统和方法。具体地，用于识别非均质性肝脏脂肪的区域的成像系统和方法。
背景技术
由于肥胖和胰岛素抵抗(其是非酒精性脂肪肝疾病(NAFLD)的危险因素)，肝脏脂肪变性(脂肪含量多于总肝脏的5％)的流行在全世界日益增加。肝脏脂肪的检测和量化在临床上是重要的。例如，在肝脏移植的背景下，为了成功的肝脏移植，捐赠者和接受者具有少于10％的肝脏脂肪是必要的。一些公司已经开发并实施了使用超声衰减系数、超声弹性点测量、或二维(2D)或三维(3D)超声弹性描记成像的肝脏脂肪量化工具。为了增加测量准确性和可靠性，用于肝脏脂肪测量的感兴趣区域(ROI)被设置为M厘米(高度)乘N厘米(宽度)的矩形或圆扇形，以增加来自相对大的测量区域(经常矩形或圆扇形)的信噪比(SNR)。通常，M一般被设置为8厘米并且N一般在从2至6厘米的范围内变动，这取决于被用于脂肪量化的算法。目前的算法假设肝脏中的弥漫性(例如，均质性)脂肪分布。然而，所估计的10％的慢性肝病患者具有非均质性肝脏脂肪浸润。脂肪量化算法可能为这些患者提供不准确的肝脏脂肪测量。因此，在测量工作流期间确定具有慢性肝病的患者在用于肝脏脂肪量化的ROI处是具有弥漫性还是非均质性肝脏脂肪分布是重要的。
发明内容
公开了用于识别超声图像上的非均质性肝脏脂肪区域的系统、方法和装置。可以采集一系列2D肝脏超声图像，并且可以从2D肝脏超声图像分割肝脏区域。在分割之后，肝脏血管可以被检测并且从分割的肝脏区域中排除。一个或多个参数(诸如图像均质性、像素强度的分布)可以从分割的肝脏区域提取。这些参数可以被组织为诸如图像均质性图、强度概率图表和/或散斑尺寸图。这些参数可以被提供给分类模型，在一些范例中，分类模型可以是人工智能模型(例如，深度学习模型)。ROI可以被该模型分类为例如两种情况中的一种：指示肝脏脂肪分布在ROI处是均质性的第一种情况或指示脂肪分布在ROI处是非均质性的第二种情况。所确定的分类可以作为结果被报告给超声成像系统的用户。在一些范例中，分割的肝脏超声图像可以被提供给用户。本文中公开的系统、方法和装置可以在肝脏脂肪量化工具方面提供自动化或半自动化预处理工具以促进准确脂肪量化测量结果的采集。
根据本公开的至少一个范例，一种超声成像系统可以被配置为提供肝脏脂肪沉积的分类。所述系统可以包括非瞬态计算机可读介质和至少一个处理器，所述非瞬态计算机可读介质被编码有指令，并且被配置为存储一系列图像，所述至少一个处理器与所述非瞬态计算机可读介质通信，并且被配置为执行所述指令，其中当被执行时，所述指令引起所述至少一个处理器从所述系列图像中的至少一个图像分割肝脏区域，从所述肝脏区域提取至少一个参数，至少部分地基于所述至少一个参数将所述肝脏区域中的肝脏脂肪沉积分类为弥漫性的或非均质性的，以及至少部分地基于所述肝脏脂肪沉积的分类来提供结果。
根据本公开的至少一个范例，一种用于提供肝脏脂肪沉积的分类的方法可以包括接收一系列图像，利用至少一个处理器从所述系列图像中的至少一个图像分割肝脏区域，利用所述至少一个处理器从所述肝脏区域提取至少一个参数，利用所述至少一个处理器至少部分地基于所述至少一个参数将所述肝脏区域中的肝脏脂肪沉积分类为弥漫性的或非均质性的，以及至少部分地基于所述肝脏脂肪沉积的分类来提供结果。
附图说明
图1是根据本公开的原理的超声系统的方框图。
图2是根据本公开的原理的用于对肝脏脂肪进行分类的技术的流程图。
图3示出了根据本公开的原理的用于神经网络的训练和部署的过程的方框图。
图4示出了具有均质性脂肪分布的肝脏的部分的范例二维图像。
图5示出了具有非均质性脂肪分布的肝脏的部分的范例二维图像。
图6示出了根据本公开的原理的均质性脂肪肝的范例强度概率分布。
图7示出了根据本公开的原理的非均质性脂肪肝的范例强度概率分布。
图8示出了根据本公开的原理的均质性脂肪肝和非均质性脂肪肝的范例自相关函数。
图9是从肝脏的二维图像提取的范例参数的表。
图10是根据本公开的原理的方法的流程图。
图11是图示根据本公开的原理的范例处理器1100的方框图。
具体实施方式
某些实施例的以下描述在本质上仅仅是示范性的，并且完全不旨在限制本发明或其应用或使用。在本系统和方法的实施例的以下详细描述中，参考形成本说明书的一部分的附图，这些附图通过图示的方式来示出可以实践所描述的系统和方法的具体实施例。以足够的细节描述这些实施例使得本领域技术人员能够实践当前公开的装置、系统和方法，并且应当理解，可以利用其他实施例，并且可以做出结构和逻辑改变而不偏离本公开的精神和范围。此外，出于清楚的目的，当特定特征对于本领域技术人员而言是显而易见的时，将不再论述对这些特征的详细描述，以便不使对本装置、系统和方法的描述变得模糊不清。以下详细描述因此并非出于限制性的意义，并且本系统的范围仅仅是由所附权利要求来限定的。
对于弥漫性/均质性肝脏脂肪沉积，由于被用于平均目的以增加信噪比(SNR)的相对大的区域，现有的脂肪量化算法通常提供对于肝脏脂肪量化的可接受估计。肝脏脂肪量化测量(也被简称为测量)通常通过移位ROI的位置和/或改变ROI的尺寸而在选定的超声图像上被重复多次。如果这些测量的标准偏差(SD)显著小于平均值，那么测量被认为是可接受的。当SD值更大时，测量被认为是不可接受的。有时，大的SD值可以是由于操作者(例如，未以适当的发射角度放置超声探头)或患者(例如，未在图像采集期间屏住呼吸)。然而，在其他情况下，大的SD值可能是由于肝脏中的非均质性脂肪沉积。如何确定正被检查的患者在特定区域处是具有均质性肝脏脂肪分布还是非均质性肝脏脂肪分布对于操作者来说难以确定。测量前的视觉检查可以由操作者执行，但是成功取决于操作者的经验，并且视觉感受有时由于人类视觉对灰度的不敏感区分能力而是不可靠的。因此，能够事先自动确定患者肝脏脂肪分布的类型(例如，均质性或非均质性)的预处理步骤会是期望的。
自动确定患者肝脏的区域是否包括非均质性脂肪沉积可以允许操作者选择合适的ROI(例如，均质性脂肪分布的区域)用于肝脏脂肪量化测量和/或选择不同的算法用于进行肝脏脂肪量化测量。在一些应用中，这可以改善肝脏脂肪量化测量的可靠性。在一些应用中，这可以减少操作者的工作负荷，因为当用于放置ROI的合适区域事先被识别时，可靠的测量结果可以在更少的时间内被采集。在一些应用中，非均质性肝脏脂肪分布的存在和/或流行本身可以提供肝脏健康的诊断指标。
本公开的范例可以包括计算2D肝脏超声图像的各种图像参数的系统和方法。图像参数的范例包括但不限于均质性图、散斑尺寸、例如图像像素强度的概率分布。计算机图像参数可以被提供给机器学习模型。该机器学习模型可以被训练为确定肝脏的一个或多个区域是包括均质性(例如，弥漫性)还是非均质性肝脏脂肪分布。超声成像系统可以向超声成像系统的用户提供确定的指示。例如，当用户选择用于肝脏脂肪量化测量的包括非均质性肝脏脂肪分布的ROI时，超声成像系统可以提供视觉或听觉警告。因此，可以提示用户选择肝脏的不同区域作为用于测量的ROI。在另一范例中，超声成像系统可以将指示哪些区域包括均质性脂肪分布和/或包括非均质性脂肪分布的叠加提供在2D肝脏超声图像上。因此，用户能够看见2D肝脏超声图像的哪些区域适合选择作为用于肝脏脂肪量化测量的ROI。
可选地，在一些范例中，系统和方法可以包括用于允许用户确认肝脏在2D超声图像中被适当地分割的技术。可选地，在一些范例中，系统和方法可以包括提供关于2D图像的信息(例如，在显示器上提供计算的图像参数的值、分割的肝脏的形状)。
图1示出了根据本公开的原理构建的超声成像系统100的方框图。根据本公开的超声成像系统100可以包括换能器阵列114，换能器阵列114可以被包括在超声探头112(例如外部探头或内部探头)中。换能器阵列114被配置为发射超声信号(例如，波束、波)并且响应于超声信号而接收回波。各种各样的换能器阵列可以被使用，例如，线性阵列、弧形阵列或相控阵列。换能器阵列114例如能够包括能够在用于2D和/或3D成像的仰角和方位角维度上扫描的换能器元件的二维阵列(如图所示)。众所周知，轴向方向是垂直于阵列的面的方向(在弧形阵列的情况下，轴向方向成扇形展开)，方位角方向一般由阵列的纵向尺寸定义，并且仰角方向横向于方位角方向。
在一些实施例中，换能器阵列114可以被耦合到微波束形成器116，微波束形成器116可以位于超声探头112中，并且微波束形成器116可以控制通过阵列114中的换能器元件的信号的发射和接收。在一些实施例中，微波束形成器116可以控制通过阵列114中的有源元件(例如，在任何给定时间处定义有源孔径的阵列的元件的有源子集)的信号的发射和接收。
在一些实施例中，微波束形成器116可以例如通过探头电缆或无线地被耦合到发射/接收(T/R)开关118，发射/接收(T/R)开关118在发射与接收之间切换并且保护主波束形成器122免受高能量发射信号伤害。在一些实施例中，例如在便携式超声系统中，T/R开关118和系统中的其他元件能够被包括在超声探头112中而非在可以容纳图像处理电子设备的超声系统基部中。超声系统基部通常包括软件和硬件部件，其包括用于信号处理和图像数据生成的电路以及用于提供用户接口的可执行指令(例如处理电路150和用户接口124)。
超声信号在微波束形成器116的控制下从换能器阵列114的发射可以由发射控制器120进行引导，发射控制器120可以被耦合到T/R开关118和主波束形成器122。发射控制器120可以控制波束被转向的方向。波束可以从换能器阵列114前面笔直地(正交于换能器阵列114)或以用于更宽视场的不同角度被转向。发射控制器120也可以被耦合到用户接口124，并且接收来自用户控制的用户操作的输入。用户接口124可以包括一个或多个输入设备(诸如控制面板152)，一个或多个输入设备可以包括一个或多个机械控制装置(例如，按钮、编码器等)、触敏控制装置(例如，触控板、触摸屏等)和/或其他已知的输入设备。
在一些实施例中，由微波束形成器116产生的部分波束形成的信号可以被耦合到主波束形成器122，其中，来自换能器元件的个体贴片的部分波束形成的信号可以被组合成完全波束形成的信号。在一些实施例中，微波束形成器116被省略，并且换能器阵列114是在主波束形成器122的控制下，主波束形成器122执行信号的所有波束形成。在具有和没有微波束形成器116的实施例中，主波束形成器122的波束形成的信号被耦合到处理电路150，处理电路150可以包括被配置为从波束形成的信号(例如，波束形成的RF数据)产生超声图像的一个或多个处理器(例如，信号处理器126、B-模式处理器128、多普勒处理器160以及一个或多个图像生成和处理部件168)。
信号处理器126可以被配置为以各种方式处理接收的波束形成的RF数据，诸如带通滤波、抽取、I和Q分量分离、以及谐波信号分离。信号处理器126也可以执行额外的信号增强，诸如散斑抑制、信号复合和噪声消除。经处理的信号(也被称为I和Q分量或IQ信号)可以被耦合到用于图像生成的额外下游信号处理电路。IQ信号可以被耦合到系统内的多条信号路径，每条信号路径可以与适合于生成不同类型的图像数据(例如，B-模式图像数据、多普勒图像数据)的信号处理部件的特定布置相关联。例如，系统可以包括将来自信号处理器126的信号耦合到B-模式处理器128以便产生B-模式图像数据的B-模式信号路径158。
B-模式处理器能够采用振幅检测用于身体中的结构的成像。由B-模式处理器128产生的信号可以被耦合到扫描转换器130和/或多平面重新格式化器132。扫描转换器130可以被配置为根据它们被接收到期望图像格式的空间关系布置回波信号。例如，扫描转换器130可以将回波信号布置成二维(2D)扇形格式、或锥体形或其他形状的三维(3D)格式。多平面重新格式化器132能够将从身体的体积区域中的共同平面中的点接收的回波转换成该平面的超声图像(例如，B-模式图像)，例如如在美国专利号6,443,896(Detmer)中描述的。在一些实施例中，扫描转换器130和多平面重新格式化器132可以被实施为一个或多个处理器。
体积绘制器134可以生成如从给定参考点观察到的3D数据集的图像(也被称为投影、绘制或绘制)，例如，如在美国专利号6,530,885(Entrekin等人)中描述的。在一些实施例中，体积绘制器134可以被实施为一个或多个处理器。体积绘制器134可以通过任何已知的或未来已知的技术(诸如表面绘制和最大强度绘制)来生成绘制，诸如正绘制或负绘制。
在一些实施例中，系统可以包括将来自信号处理器126的输出耦合到多普勒处理器160的多普勒信号路径162。多普勒处理器160可以被配置为估计多普勒频移并且生成多普勒图像数据。多普勒图像数据可以包括彩色数据，所述彩色数据然后与用于显示的B-模式(即灰度)图像数据叠加。多普勒处理器160可以被配置为例如使用壁滤波器滤除不想要的信号(即，与非移动组织相关联的噪声或杂波)。多普勒处理器160可以被进一步配置为根据已知技术估计速度和功率。例如，多普勒处理器可以包括多普勒估计器，诸如自动关联器，其中速度(多普勒频率、谱多普勒)估计是基于一滞后自相关函数的自变量的，而多普勒功率估计是基于零滞后自相关函数的量值的。运动也能够通过已知的相位域(例如，参数频率估计器，诸如MUSIC、ESPRIT等)或时域(例如，交叉关联)信号处理技术来估计。速度和/或功率估计然后可以根据彩色图被映射到期望范围的显示颜色。彩色数据(也被称为多普勒图像数据)然后可以被耦合到扫描转换器130，其中多普勒图像数据可以被转换为期望的图像格式并且被叠加在组织结构的B-模式图像上以形成彩色多普勒或功率多普勒图像。
来自扫描转换器130、多平面重新格式化器132和/或体积绘制器134的输出可以被耦合到图像处理器136，以便在被显示在图像显示器138上之前进一步增强、缓冲和暂时存储。图形处理器140可以生成用于与图像一起显示的图形叠加。这些图形叠加能够包含例如标准识别信息，诸如患者姓名、图像的日期和时间、成像参数等。出于这些目的，图形处理器140可以被配置为接收来自用户接口124的输入，诸如录入的患者姓名或其他注释。用户接口124也能够被耦合到多平面重新格式化器132以便选择并控制多个多平面重新格式化的(MPR)图像的显示。
系统100可以包括本地存储器142。本地存储器142可以被实施为任何合适的非瞬态计算机可读介质(例如，闪存驱动器、磁盘驱动器)。本地存储器142可以存储由系统100生成的数据，包括超声图像、可执行指令、图像参数、训练数据集或系统100的操作所需的任何其他信息。在一些范例中，本地存储器1242可以包括多个存储器，其可以是相同或不同的类型。例如，本地存储器142可以包括动态随机存取存储器(DRAM)和闪存存储器。
如之前提到的，系统100包括用户接口124。用户接口124可以包括显示器138和控制面板152。显示器138可以包括使用各种已知的显示技术实施的显示设备，诸如LCD、LED、OLED或等离子显示技术。在一些实施例中，显示器138可以包括多个显示器。控制面板152可以被配置为接收用户输入(例如，检查类型、成像参数)。控制面板152可以包括一个或多个硬控制(例如，按钮、旋钮、拨盘、编码器、鼠标、跟踪球或其他)。在一些实施例中，控制面板152可以额外地或备选地包括被提供在触敏显示器上的软控制(例如，GUI控制元件或简单地GUI控制)。在一些实施例中，显示器138可以是包括控制面板152的一个或多个软控制的触敏显示器。
在一些实施例中，图1中示出的各种部件可以被组合。例如，多平面重新格式化器132和体积绘制器134可以被实施为单个处理器。在一些实施例中，图1中示出的各种部件可以被实施为单独的部件。例如，信号处理器126可以被实施为用于每个成像模式(例如，B-模式、多普勒)的单独信号处理器。在另一范例中，图像处理器136可以被实施为用于不同任务和/或同一任务的并行处理的单独处理器。在一些实施例中，图1中示出的各种处理器中的一个或多个可以由通用处理器和/或被配置为执行指定任务的微处理器来实施。在一些范例中，处理器可以通过从非瞬态计算机可读介质(例如，从本地存储器142)提供用于任务的指令来进行配置。指令然后可以由处理器执行。在一些实施例中，各种处理器中的一个或多个可以被实施为专用电路。在一些实施例中，各种处理器中的一个或多个(例如，图像处理器136)可以利用一个或多个图形处理单元(GPU)来实施。
图2是根据本公开的原理的用于对肝脏脂肪进行分类的技术的流程图。流程图200中示出的技术可以至少部分地由超声成像系统(诸如图1中示出的超声成像系统100)执行。虽然流程图200将会参考超声成像系统100进行描述，但这是出于解释目的，并且流程图200中示出的技术不限于由超声成像系统100执行。
成像系统(诸如超声成像系统100)可以采集并保存(例如，存储)肝脏的一系列2D图像，如方框202中示出的。例如，2D图像可以由超声探头112采集。2D图像可以被存储在非瞬态计算机可读介质(诸如本地存储器142)中。在一些范例中，2D图像可以具有随着时间采集的肝脏的同一位置。在一些范例中，2D图像可以具有肝脏中的不同位置。换言之，2D图像可以对应于位于肝脏的不同部分处的成像平面。成像平面可以或可以不交叠。一系列2D图像可以覆盖肝脏的一部分或肝脏的全部。备选地，可以只采集肝脏的单个2D图像。
图像处理器(诸如图像处理器136)可以从2D图像分割包括肝脏组织(例如，肝脏区域)的一个或多个2D图像的区域，如方框204中示出的。任何合适的分割技术可以被使用，诸如边缘检测、梯度分析、纹理分析、分水岭算法、机器学习模型等。一旦肝脏区域已经从2D图像被分割，图像处理器就可以分析个体2D图像的肝脏区域以检测肝脏血管和/或要被排除的其他解剖特征(例如，胆囊)，如通过方框206示出的。任何合适的检测(例如，特征提取)技术可以被使用，诸如Frangi模型、基于Hessian的算法、基于Hough-forest的检测器、机器学习模型等。对应于检测到的肝脏血管和/或其他解剖特征的像素可以从2D图像中的肝脏区域的进一步分析中被排除。
图像处理器可以从个体2D图像的肝脏区域(不包括对应于检测到的肝脏血管和/或其他解剖特征的区域)提取(例如，确定、计算)一个或多个参数，如通过方框208示出的。参数的范例包括散斑尺寸分布(例如，表征散斑尺寸)、像素强度(例如，概率)分布和图像均质性。在一些范例中，参数可以通过分析个体2D图像的肝脏区域中的一个或多个像素来提取。本文中公开了用于提取参数的范例技术。
参数可以以各种各样的方式被组织，诸如图像均质性图、强度概率图表和/或散斑尺寸图。参数可以被提供给一个或多个机器学习模型，诸如通过210指示的机器学习分类模型。在一些范例中，机器学习模型可以由图像处理器来实施。在一些范例中，图像处理器可以执行被存储在计算机可读介质中的指令以实施机器学习模型。图像处理器可以实施任何一个或多个深度学习、AI算法和/或多个神经网络(共同地，机器学习模型)。在一些范例中，图像处理器可以实施深度神经网络(DNN)、卷积神经网络(CNN)、递归神经网络(RNN)、自动编码器神经网络和/或单步检测器等中的一个或多个，以识别并将肝脏中的脂肪分类为均质性的(例如，弥漫性的)或非均质性的。机器学习模型可以以硬件(例如，神经网络的神经元通过物理部件来表示)和/或软件(例如，以软件应用的方式被实施的神经元和路径)部件的方式被实施。根据本公开实施的神经网络可以使用各种各样的拓扑和学习算法来训练神经网络以产生期望的输出。例如，基于软件的神经网络可以使用被配置为执行指令的处理器(例如，单或多核CPU、单个GPU或GPU集群或被布置用于并行处理的多个处理器)来实施，所述指令可以被存储在计算机可读介质中，并且当被执行时，所述指令使得处理器执行经训练的算法。在一些范例中，图像处理器可以结合其他图像处理方法(例如，分割、直方图分析)来实施机器学习模型。
结果(诸如在210处由机器学习模型确定的分类)可以被报告，如通过方框212指示的。在一些范例中，报告可以被提供在显示器(诸如显示器138)上。在一些范例中，结果可以是指示非均质性脂肪是否存在于肝脏中的文本。在一些范例中，结果可以被图形地提供。例如，叠加可以被生成，并且被显示在2D图像中的一个或多个上。叠加可以包括与2D图像中的肝脏区域的像素相对应的像素。被确定为具有弥漫性肝脏脂肪的区域中的像素可以具有一个或多个显示性质(例如，具体的强度和/或色度)，而被确定为具有非均质性肝脏脂肪的区域中的像素可以具有不同的显示性质(例如，不同的强度和/或色度)。其他报告技术也可以被使用(例如，经由扬声器的听觉通知)。在一些范例中，基于结果的报告，可以引导用户选择不包括具有非均质性脂肪沉积的区域的用于肝脏脂肪量化测量的ROI。在一些范例中，用户可以选择适合于非均质性脂肪沉积的用于采集肝脏脂肪量化测量的不同算法或技术。
可选地，在一些范例中，不是分析整个肝脏区域和/或报告关于整个肝脏区域的结果，而是可以经由用户接口(诸如用户接口124)接收用户输入。用户输入可以指示2D图像中的一个或多个的肝脏区域内的ROI。参数的提取、分类和/或报告可以被限制于ROI内的像素。在这些范例中，报告可以包括当选定的ROI被确定为包括非均质性脂肪时向用户提供警告。警告可以是图形的(例如，ROI或指示ROI的方框可以改变颜色)、文本的(例如，屏幕上的警告消息)和/或其他媒介(例如，来自扬声器的听觉警告、通过控制面板中的马达的振动)。在一些范例中，可以提示用户选择用于采集肝脏脂肪量化测量的不同ROI。
可选地，在一些范例中，不是向用户报告来自机器学习模型的肝脏脂肪的分类，而是结果可以被图像处理器使用以计算肝脏脂肪量化测量结果。例如，被机器学习模型指示为包括非均质性肝脏脂肪的肝脏的部分可以从肝脏区域中排除，类似于肝脏血管和/或其他解剖特征的排除。剩余的肝脏区域可以用来计算肝脏脂肪量化测量结果。例如，图像处理器可以应用使用弥漫性/均质性肝脏脂肪分布的假设来计算肝脏脂肪量化测量的算法。在这些范例中，被报告给用户的结果可以是肝脏脂肪量化测量结果(例如，如显示器上的文本)而非分类。
可选地，在一些范例中，在方框204和/或方框206处生成的被分割图像可以在显示器上被提供给用户。这可以允许用户确认分割操作被适当地执行。在一些范例中，如果不满意由图像处理器执行的分割，用户可以调整分割的边界和/或其他参数(例如，种子点)。
当参考2D图像(例如，由扫描转换器130和/或多平面重新格式化器132提供给图像处理器的图像)时，流程图200中描述的技术可以被应用于RF数据(例如，在通过波束形成器122的波束形成之前或之后接收的数据)或最低程度上处理的数据(例如，从信号处理器126接收的数据)。
尽管流程图200中的技术参考图像处理器进行描述，但是在一些范例中，其他处理器可以执行该技术的一些或所有部分。例如，图形处理器(诸如图形处理器140)可以生成被显示在一个或多个2D图像上的叠加。在一些范例中，图像处理器可以包括可以并行地执行任务和/或被指定用于不同任务的一个或多个处理器。例如，处理器可以从一系列2D图像分割肝脏区域，并且另一处理器可以实施机器学习模型。
在各种范例中，用来对肝脏脂肪沉积进行分类的一个或多个机器学习模型可以使用各种各样的目前已知或随后开发的学习技术中的任一个来进行训练以获得经训练的模型，诸如被配置为分析超声图像、参数、测量结果和/或统计形式的输入数据的神经网络(例如，经训练的算法或节点的基于硬件的系统)。在一些实施例中，机器学习模型可以被统计地训练。即，机器学习模型可以利用数据集来进行训练，并且被部署在成像系统上并由一个或多个处理器(诸如图像处理器136)来实施。在一些范例中，机器学习模型可以被动态地训练。在这些范例中，机器学习模型可以利用初始数据集来进行训练，并且被部署在成像系统上。然而，机器学习模型可以基于在机器学习模型部署在系统上并由图像处理器实施之后由系统采集的超声图像继续训练并且被修改。
图3示出了根据本公开的原理的用于训练并部署神经网络的过程的方框图。图3中示出的过程可以用来训练由医学成像系统(诸如图2中示出的机器学习模型)实施的机器学习模型。图3的左手侧(阶段1)图示了机器学习模型的训练。为了训练机器学习模型，包括输入阵列和输出分类的多个实例的训练集可以被呈现给(一个或多个)机器学习模型的(一个或多个)训练算法(例如，AlexNet训练算法,如由Krizhevsky,A.,Sutskever,I.andHinton,G.E.“ImageNet Classification with Deep Convolutional Neural Networks,”NIPS 2012或其衍生所描述的)。例如，训练集可以包括从超声图像提取的一个或多个参数(例如，散斑尺寸、概率分布等)和对应的分类(例如，均质性或非均质性肝脏脂肪)。
训练可以包含开始架构312的选择和训练数据314的准备。开始架构312可以是空白架构(例如，具有定义的层和节点的布置但是没有任何之前训练的权重的架构)或部分训练的模型(诸如开端网络，其然后可以进一步适应于超声图像的分类)。开始架构312(例如，空白权重)和训练数据314被提供给训练引擎310(例如，ADAM优化器)以便对模型进行训练。在足够的迭代次数之后(例如，当模型在可接受误差内一致地执行时)，模型320被认为是经训练的并且为部署做好准备，其在图3的中间(阶段2)进行图示。
图3的右手侧或阶段3，经训练的模型320(经由推理引擎330)被应用于新数据332的分析，新数据332是未在初始训练期间(在阶段1中)被呈现给模型的数据。例如，新数据332可以包括未知的图像(诸如在患者的扫描期间采集的实况超声图像(例如，肝脏图像))和/或从未知的图像提取的参数。经由引擎330实施的经训练的模型320用来根据模型320的训练对未知的图像进行分类以提供输出334(例如，关于像素或一组像素是包括均质性还是非均质性脂肪分布的确定)。输出334然后可以被系统用于后续的过程340(例如，生成用于显示在超声图像上的叠加，计算脂肪量化测量结果)。可选地，当经训练的模型320被动态地训练时(例如，如参考图1讨论的)，经训练的模型可以320在实施之后继续训练，如通过现场训练338指示的。在一些范例中，新数据332可以被用于现场训练经训练的模型320。
在经训练的模型320用来实施由处理器(诸如图像处理器136)执行的神经网络的实施例中，开始架构可以是卷积神经网络或深度卷积神经网络的开始架构，所述卷积神经网络或深度卷积神经网络可以被训练以确定像素或包括多个像素的区域是包括非均质性脂肪沉积还是均质性(例如，弥漫性)脂肪分布。训练数据314可以包括多个(数百、经常数千或甚至更多)注释的/标记的参数，也被称为训练数据。应理解，训练数据不必从由成像系统产生的全图像(例如，表示超声探头的全视场或整个体积)提取，而是可以包括图像的片块或部分，例如，包括感兴趣器官或感兴趣器官的部分的那些部分。
图4示出了具有均质性脂肪分布的肝脏的部分的范例二维图像。图像400是包括均质性(例如，弥漫性)脂肪分布的肝脏的部分的图像。ROI通过方框402来指示。图像404是方框402中的ROI的“放大”视图。图像406是包括均质性脂肪分布的肝脏的部分的图像。ROI通过方框408来指示。图像410是方框408中的ROI的“放大”视图。图像400和402两者都是由超声成像系统采集的2D超声图像。
图5示出了具有非均质性脂肪分布的肝脏的部分的范例二维图像。图像500是包括非均质性脂肪分布的肝脏的部分的图像。ROI通过方框502来指示。图像504是方框502中的ROI的“放大”视图。图像506是包括非均质性脂肪分布的肝脏的部分的图像。ROI通过方框508来指示。图像510是方框508中的ROI的“放大”视图。图像500和502两者都是由超声成像系统采集的2D超声图像。
如本文中描述的，参数可以从超声图像(诸如图像400、406、500和/或506)的肝脏部分提取。提取的参数然后可以被提供给机器学习模型以确定肝脏部分是包括均质性还是非均质性脂肪。范例参数包括散斑尺寸分布(例如，表征散斑尺寸)、像素强度和/或其分布(例如，概率分布)，和图像均质性，其可以用来生成图像均质性图、强度概率图表和/或散斑尺寸分布图。
均质性图可以针对2D图像的肝脏部分或肝脏部分的子集(例如，图像500中的方框502的ROI)进行计算。在一些范例中，图像均质性图可以通过滑动窗口技术来计算。对于图像(i，j)，其中i是等于图像的宽度的像素的数量并且j是等于图像的长度的像素的数量，窗口(例如、15x15像素)跨图像在轴向和横向方向上被平移以覆盖整个图像或图像的整个肝脏区域。窗口中的像素的强度值的平均值(m)和像素的强度值的标准偏差(SD)针对窗口中的每个位置进行计算。均质性点值是标准偏差除以平均值(SD/m)。在一些范例中，所计算的均质性点值的数量可以等于图像中的像素的数量或肝脏区域的像素的数量。在一些范例中，可以从均质性图提取另外的参数，例如，均质性指数(HI)。HI可以是均质性图的点值的平均值或均质性图的点值的子集(例如，均质性图内的ROI)。
均质性图和/或HI可以被机器学习模型使用以对肝脏中的弥漫性和非均质性脂肪分布进行分类(例如，在它们之间区分)。例如，对于图像404中示出的ROI，HI是9％，并且图像410中示出的ROI具有11％的HI。相比之下，图像504中示出的ROI具有39.8％的HI，并且图像510的ROI具有26.23％的HI。因此，非均质性肝脏脂肪的HI高于弥漫性肝脏脂肪的HI。
在一些范例中，图像的像素的灰度强度值的一个或多个概率分布可以针对2D图像的肝脏部分或肝脏部分内的子集(例如，图像400中的方框402中的ROI)进行计算。在一些范例中，概率分布可以通过描绘肝脏区域的像素的强度值的直方图并且将曲线拟合到直方图以找到概率密度函数来计算。在一些范例中，概率密度函数可以被归一化。在一些范例中，可以从概率密度函数提取另外的参数。例如，峰值的数量和/或分布的宽度。
图6示出了均质性脂肪肝的范例强度概率分布，并且图7示出了根据本公开的原理的非均质性(例如，异质性)脂肪肝的范例强度概率分布。曲线图600、602、604和606示出了均质性脂肪肝的图像的像素强度的直方图608、610、612和614。曲线618、620、622和624被拟合到每个直方图608、610、612和614以找到强度的分布。换言之，通过曲线618、620、622和624定义的分布图示了图像中的具有给定强度的像素的概率。类似地，曲线图700、702、704和706示出了异质性脂肪肝的图像的像素强度的直方图708、710、712和714。曲线718、720、722和724被拟合到直方图以找到像素的强度的分布。图6中的曲线图600、602、604和606中示出的概率分布是正态分布，而图7中的曲线图700、702、704和706中示出的概率分布是非正态分布，一些具有多个峰值。此外，图7中的非均质性脂肪肝的分布的宽度宽于图6中的弥漫性脂肪肝的分布。因此，在一些范例中，代替或除了异质性图，概率分布(例如，被拟合到像素强度的直方图的曲线)可以被机器学习模型使用以对肝脏中的弥漫性和非均质性脂肪分布进行分类。
在一些范例中，散斑尺寸图可以从2D图像的肝脏部分或肝脏部分内的子集(例如，ROI)提取。在一些范例中，散斑尺寸图可以通过获取图像的肝脏部分的自相关来生成。图8示出了根据本公开的原理的均质性脂肪肝和非均质性脂肪肝的范例自相关函数。曲线图800图示了具有均质性脂肪分布的肝脏的超声图像的肝脏部分的自相关函数。曲线图802图示了具有非均质性脂肪分布的肝脏的超声图像的肝脏部分的自相关函数。在一些范例中，表征散斑尺寸可以通过测量自相关函数的峰值的高度和/或宽度来计算。在一些范例中，表征散斑尺寸可以通过获取高度和宽度的比来计算。曲线图800的散斑804尺寸小于曲线图802的散斑806。因此，代替或除了图像异质性图和/或强度概率图表，散斑尺寸分布(诸如从获取自相关函数确定的散斑尺寸分布)可以被机器学习模型使用以对肝脏中的弥漫性和非均质性脂肪分布进行分类。
在一些应用中，散斑尺寸图可以是系统依赖的。在一些范例中，散斑尺寸图可以依据所使用的超声探头的类型和/或图像采集设置而改变。因此，在一些范例中，自相关函数和/或从其导出的散斑尺寸分布可以在被提供给机器学习模型之前被归一化。在一些范例中，散斑尺寸分布可以基于来自标准化参考体模的散斑的测量被归一化。在一些范例中，散斑尺寸分布可以基于超声成像系统的点扩散函数被归一化。
尽管以范例的方式提供了图像异质性图、强度概率分布图表和散斑尺寸图，但是可以从2D超声图像提取其他参数来提供给机器学习模型以便对弥漫性和非均质性肝脏脂肪进行分类。此外，尽管机器学习模型被描述为将肝脏脂肪分类为均质性或非均质性的，但是在一些范例中，机器学习模型可以进行更详细的分类。图9是从肝脏的二维图像提取的范例参数的表。如图9中示出的，被标记“描述”的列存在各种类型的均质性和非均质性肝脏脂肪沉积。因此，在一些范例中，从超声图像提取的参数可以被机器学习模型使用以不仅将脂肪沉积分类为均质性或非均质性的，而且均质性或非均质性肝脏脂肪的具体类型。
图10是根据本公开的原理的方法的流程图。在一些范例中，方法1000可以完全或部分地由超声成像系统(诸如图1中示出的超声成像系统100)执行。在一些范例中，方法1000可以包括图2中图示的一些或所有技术。
一个或多个处理器(诸如图像处理器136)可以接收一系列图像，如在方框1002处指示的。处理器可以从该系列图像中的至少一个图像分割肝脏区域，如在方框1004处指示的。可选地，在一些范例中，分割的肝脏区域可以被提供在显示器上以便由用户复查。用户可以根据需要改变肝脏的分割。
一个或多个处理器可以从肝脏区域提取至少一个参数，如通过方框1006指示的。在一些范例中，一个或多个处理器可以识别肝脏区域中的肝脏血管或其他解剖特征中的至少一个，并且在提取至少一个参数之前从肝脏区域排除所识别的肝脏血管或其他解剖特征。在一些范例中，至少一个参数可以包括异质性图、概率分布和/或散斑尺寸。
在一些范例中，提取异质性图可以包括跨肝脏区域在轴向和横向方向两者上平移窗口，针对窗口的个体平移计算窗口中的像素的强度值的平均值，针对窗口的个体平移计算窗口中的像素的强度值的标准偏差，并且通过将标准偏差除以平均值来计算针对窗口的个体平移的均质性点值。可选地，均质性指数(HI)可以从图中提取。HI可以是均质性点的平均值。在一些范例中，提取强度概率图表可以包括在直方图中描绘肝脏区域的像素的强度值，并且将曲线拟合到直方图。可选地，概率分布的宽度可以从该曲线计算。在一些范例中，提取散斑尺寸图包括计算肝脏区域的自相关函数。
至少一个处理器可以至少部分地基于至少一个参数将肝脏区域中的肝脏脂肪沉积分类为弥漫性的或非均质性的，如通过方框1008指示的。在一些范例中，分类可以由通过至少一个处理器实施的机器学习模型(诸如神经网络)执行。在一些范例中，方法1000可以进一步包括通过提供包括从被标记为弥漫性的或非均质性的图像的肝脏区域提取的参数的训练数据集来训练机器学习模型以对肝脏脂肪沉积进行分类。
如方框1010中示出的，至少一个处理器和/或成像系统的其他部件(例如，显示器138、用户接口124)可以至少部分地基于肝脏脂肪沉积的分类来提供结果。在一些范例中，可以通过将图形叠加显示在图像上或图像的肝脏区域上以将结果提供给用户。图形叠加可以包括与肝脏区域的多个像素相对应的多个像素，其中图形叠加的多个像素中的像素的性质是至少部分地基于分类的。
图11是图示根据本公开的原理的范例处理器1100的方框图。处理器1100可以用来实施本文中描述的一个或多个处理器和/或控制器，例如，图1中示出的图像处理器136和/或图1中示出的任何其他处理器或控制器。处理器1100可以是任何合适的处理器类型，包括但不限于微处理器、微控制器、数字信号处理器(DSP)、现场可编程阵列(FPGA)(其中FPGA已经被编程为形成处理器)、图形处理单元(GPU)、专用电路(ASIC)(其中ASIC已经被设计为形成处理器)或其组合。
处理器1100可以包括一个或多个核心1102。核心1102可以包括一个或多个算术逻辑单元(ALU)1104。在一些实施例中，除了或代替ALU1104，核心1102可以包括浮点逻辑单元(FPLU)1106和/或数字信号处理单元(DSPU)1108。
处理器1100可以包括被通信性地耦合到核心1102的一个或多个寄存器1112。寄存器1112可以使用专用的逻辑门电路(例如，触发器)和/或任何存储器技术来实施。在一些实施例中，寄存器1112可以使用静态存储器来实施。寄存器可以向核心1102提供数据、指令和地址。
在一些实施例中，处理器1100可以包括被通信性地耦合到核心1102的一个或多个水平的高速缓冲存储器1110。高速缓冲存储器1110可以向核心1102提供用于执行的计算机可读指令。高速缓冲存储器1110可以提供用于由核心1102处理的数据。在一些实施例中，计算机可读指令可以已经被本地存储器(例如，被附接到外部总线1116的本地存储器)提供给高速缓冲存储器1110。高速缓冲存储器1110可以利用任何合适的高速缓冲存储器类型来实施，例如，金属氧化物半导体(MOS)存储器，诸如静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)和/或任何其他合适的存储器技术。
处理器1100可以包括控制器1114，控制器1114可以控制从被包括在系统中的其他处理器和/部件(例如，图1中示出的控制面板152和扫描转换器130)到处理器1100的输入和/或从处理器1100到被包括在系统中的其他处理器和/部件(例如，图1中示出的显示器138和体积绘制器134)的输出。控制器1114可以控制ALU1104、FPLU1106和/或DSPU1108中的数据路径。控制器1114可以被实施为一个或多个状态机、数据路径和/或专用的控制逻辑。控制器1114的门可以被实施为独立的门、FPGA、ASIC或任何其他合适的技术。
寄存器1112和高速缓冲存储器1110可以经由内部连接1120A、1120B、1120C和1120D与控制器1114和核心1102通信。内部连接可以被实施为总线、多路复用器、纵横开关和/或任何其他合适的连接技术。
用于处理器1100的输入和输出可以经由总线1116来提供，总线1116可以包括一条或多条传导线。总线1116可以被通信性地耦合到处理器1100的一个或多个部件，例如控制器1114、高速缓冲存储器1110和/或寄存器1112。总线1116可以被耦合到系统的一个或多个部件，诸如之前提到的显示器138和控制面板152。
总线1116可以被耦合到一个或多个外部存储器。外部存储器可以包括只读存储器(ROM)1132。ROM1132可以是掩模ROM、电子可编程只读存储器(EPROM)或任何其他合适的技术。外部存储器可以包括随机存取存储器(RAM)1133。RAM1133可以是静态RAM、电池备份静态RAM、动态RAM(DRAM)或任何其他合适的技术。外部存储器可以包括电可擦除可编程只读存储器(EEPROM)1135。外部存储器可以包括闪存存储器1134。外部存储器可以包括磁性存储设备，诸如磁盘1136。在一些实施例中，外部存储器可以被包括在系统(诸如图1中示出的超声成像系统100)中，例如本地存储器142。
本文中公开的系统、方法和装置可以通过确定肝脏的哪些区域包括非均质性脂肪肝沉积来减少非均质性脂肪肝沉积对干扰用于计算肝脏脂肪量化测量结果的算法的影响。在一些范例中，这些区域可以从脂肪量化测量结果的计算中移除。在一些范例中，可以向用户警告非均质性肝脏脂肪的区域，使得用户可以选择用于计算肝脏脂肪量化测量的ROI可以被放置在没有非均质性肝脏脂肪的区域中。在一些应用中，排除具有非均质性脂肪分布的区域可以为肝脏脂肪量化提供更一致和/或可靠的测量。在一些应用中，向用户提供关于非均质性肝脏脂肪沉积的位置的信息可以减少用户获得肝脏脂肪量化测量结果所需的时间。
尽管本文中描述的范例是参考超声成像系统的，但是图像的分析也可以由可以存储用于超声后检查复查的超声图像的单独计算系统执行。例如，影像归档和通信系统(PACS)。PACS可以通过有线或无线连接被通信性地耦合到超声成像系统。例如，PACS可以经由以太网电缆和/或Wi-Fi接收由成像系统采集的超声图像。此外，尽管本文中描述的范例讨论对超声图像数据的处理，但是应理解本公开的原理不限于超声并且可以被应用于来自诸如磁共振成像和计算机断层摄影的其他模态的图像数据。
在使用诸如基于计算机的系统或可编程逻辑的可编程设备来实施部件、系统和/或方法的各种实施例中，应该意识到，上述系统和方法可以使用诸如“C”、“C++”、“C#”、“Java”、“Python”等的各种已知或以后开发的编程语言中任一个来实施。相应地，可以准备各种存储介质，诸如磁性计算机盘、光盘、电子存储器等，其可以包含可以引导诸如计算机的设备以实施上述系统和/或方法的信息。一旦适当的设备访问存储介质上包含的信息和程序，存储介质就可以向设备提供信息和程序，从而使设备能够执行本文所述的系统和/或方法的功能。例如，如果向计算机提供包含适当材料(例如源文件、目标文件、可执行文件等)的计算机盘，则计算机可以接收该信息，适当地配置其自身并执行在上面的图表和流程图中概述的各种系统和方法的功能以实施各种功能。也就是说，计算机可以从磁盘接收涉及上述系统和/或方法的不同元件的信息的各个部分，实施个体系统和/或方法并协调以上所描述的个体系统和/或方法的功能。
鉴于本公开，要注意的是，本文描述的各种方法和设备可以以硬件、软件和固件来实施。此外，各种方法和参数仅通过范例而不是以任何限制意义被包括。鉴于本公开，本领域技术人员可以实施本教导以确定它们自己的技术和实现这些技术需要的设备，同时保持在本发明的范围内。本文中描述的处理器中的一个或多个的功能性可以被并入到更少数或单个处理单元(例如，CPU)内，并且可以使用被编程为响应于可执行指令而执行本文中描述的功能的专用集成电路(ASIC)或通用处理电路来实施。
尽管本系统可能已经特别参考超声成像系统进行了描述，但也可以设想，本系统可以扩展到其中以系统性方式获得一幅或多幅图像的其他医学成像系统。此外，本系统还可以包括可以与常规成像系统一起使用的一个或多个程序，使得它们可以提供本系统的特征和优点。在研究本公开内容时，本公开的某些额外优点和特征对本领域技术人员而言显而易见，或者可以由采用本公开的新颖系统和方法的人员实现。本系统和方法的另一优点可以是常规医学图像系统可以容易地升级以并入本系统、设备和方法的特征和优点。
当然，应该理解的是，本文描述的范例、实施例或过程中的任何一个可以与一个或多个其他范例、实施例和/或过程组合或分离，和/或根据本系统、设备和方法在分离的设备或设备部分中间执行。
最后，上述讨论仅仅旨在说明本系统，不应将其解释为将权利要求限制到任何特定实施例或实施例组。因此，虽然已经参考示范性实施例特别详细地描述了本系统，但是也应该意识到，本领域普通技术人员可以设计出众多修改和替代实施例，而不偏离如在权利要求中所阐述的本系统的更广泛的和想要的精神和范围。因此，说明书和附图应被认为是说明性的，而不是要限制权利要求书的范围。

Claims (20)

1.一种被配置为提供肝脏脂肪沉积的分类的超声成像系统(100)，所述系统包括：
非瞬态计算机可读介质(142)，其被编码有指令，并且被配置为存储一系列图像；以及
至少一个处理器(136)，其与所述非瞬态计算机可读介质通信，并且被配置为执行所述指令，其中，当被执行时，所述指令使得所述至少一个处理器：
从所述系列图像中的至少一个图像分割肝脏区域；
从所述肝脏区域提取至少一个参数；
至少部分地基于所述至少一个参数将所述肝脏区域中的肝脏脂肪沉积分类为弥漫性的或非均质性的；以及
至少部分地基于所述肝脏脂肪沉积的分类来提供结果。
2.根据权利要求1所述的系统，其中，所述至少一个处理器还被配置为识别所述肝脏区域中的肝脏血管或其他解剖特征中的至少一个，并且在所述至少一个参数的提取之前从所述肝脏区域排除所识别的肝脏血管或所述其他解剖特征。
3.根据权利要求1所述的系统，还包括显示器(138)，其中，所述结果包括用于在所述显示器上的所述至少一个图像上显示的图形叠加，其中，所述图形叠加包括对应于所述肝脏区域的多个像素的多个像素，其中，所述图形叠加的所述多个像素中的像素的性质是至少部分地基于所述分类的。
4.根据权利要求1所述的系统，还包括显示器和用户接口(124)，其中，所述用户接口被配置为接收指示所述肝脏区域内的感兴趣区域(ROI)的用户输入，其中，所述至少一个处理器还被配置为当所述ROI包括被分类为非均质性的所述肝脏脂肪沉积时提供用于警告的显示信息。
5.根据权利要求1所述的系统，其中，所述至少一个处理器被配置为实施机器学习模型以分析所述至少一个参数并生成所述肝脏脂肪沉积的所述分类。
6.根据权利要求5所述的系统，其中，所述机器学习模型包括神经网络。
7.根据权利要求1所述的系统，其中，所述至少一个参数包括异质性图、像素强度的分布或散斑尺寸中的至少一个。
8.根据权利要求1所述的系统，其中，所述至少一个处理器还被配置为至少部分地基于所述肝脏脂肪沉积的所述分类计算脂肪量化测量结果。
9.根据权利要求8所述的系统，其中，所述脂肪量化测量结果是基于排除了被分类为非均质性的所述肝脏脂肪沉积的所述肝脏区域的。
10.一种用于提供肝脏脂肪沉积的分类的方法，所述方法包括：
接收一系列图像；
利用至少一个处理器(136)从所述系列图像中的至少一个图像分割肝脏区域；
利用所述至少一个处理器从所述肝脏区域提取至少一个参数；
利用所述至少一个处理器至少部分地基于所述至少一个参数将所述肝脏区域中的肝脏脂肪沉积分类为弥漫性的或非均质性的；以及
至少部分地基于所述肝脏脂肪沉积的分类来提供结果。
11.根据权利要求10所述的方法，还包括：
识别所述肝脏区域中的肝脏血管或其他解剖特征中的至少一个；以及
在提取所述至少一个参数之前从所述肝脏区域排除所识别的肝脏血管或所述其他解剖特征。
12.根据权利要求10所述的方法，其中，所述至少一个参数包括异质性图、像素强度的概率分布或散斑尺寸中的至少一个。
13.根据权利要求12所述的方法，其中，提取所述异质性图包括：
跨所述肝脏区域在轴向和横向方向两者上平移窗口；
针对所述窗口的个体平移，计算所述窗口中的像素的强度值的平均值；
针对所述窗口的所述个体平移，计算所述窗口中的所述像素的所述强度值的标准偏差；以及
通过将所述标准偏差除以所述平均值来计算针对所述窗口的所述个体平移的均质性点值。
14.根据权利要求13所述的方法，还包括提取均质性指数，其中，所述均质性指数包括针对所述窗口的所述个体平移的所述均质性点值的平均值。
15.根据权利要求12所述的方法，其中，提取所述概率分布包括：
在直方图中描绘所述肝脏区域的像素的强度值；以及
将曲线拟合到所述直方图。
16.根据权利要求15所述的方法，还包括至少部分地基于所述曲线计算所述概率分布的宽度。
17.根据权利要求12所述的方法，其中，提取所述散斑尺寸包括计算所述肝脏区域的自相关函数。
18.根据权利要求10所述的方法，其中，所述分类由机器学习模型执行。
19.根据权利要求18所述的方法，还包括通过提供包括从被标记为弥漫性的或非均质性的图像的肝脏区域提取的参数的训练数据集来训练所述机器学习模型以对所述肝脏脂肪沉积进行分类。
20.根据权利要求10所述的方法，其中，提供所述结果包括显示包括对应所述肝脏区域的多个像素的多个像素的图形叠加，其中，所述图形叠加的所述多个像素中的像素的性质是至少部分地基于所述分类的。
CN202110398371.XA 2021-04-06 2021-04-06 用于识别非均质性肝脏脂肪的系统、方法和装置 Pending CN115187501A (zh)

Priority Applications (5)

Application Number Priority Date Filing Date Title
CN202110398371.XA CN115187501A (zh) 2021-04-06 2021-04-06 用于识别非均质性肝脏脂肪的系统、方法和装置
PCT/EP2022/058807 WO2022214407A1 (en) 2021-04-06 2022-04-01 Systems, methods, and apparatuses for identifying inhomogeneous liver fat
EP22720945.9A EP4320587A1 (en) 2021-04-06 2022-04-01 Systems, methods, and apparatuses for identifying inhomogeneous liver fat
US18/285,506 US20240119705A1 (en) 2021-04-06 2022-04-01 Systems, methods, and apparatuses for identifying inhomogeneous liver fat
CN202280026307.1A CN117136378A (zh) 2021-04-06 2022-04-01 用于识别非均质性肝脏脂肪的系统、方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110398371.XA CN115187501A (zh) 2021-04-06 2021-04-06 用于识别非均质性肝脏脂肪的系统、方法和装置

Publications (1)

Publication Number Publication Date
CN115187501A true CN115187501A (zh) 2022-10-14

Family

ID=81579975

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202110398371.XA Pending CN115187501A (zh) 2021-04-06 2021-04-06 用于识别非均质性肝脏脂肪的系统、方法和装置
CN202280026307.1A Pending CN117136378A (zh) 2021-04-06 2022-04-01 用于识别非均质性肝脏脂肪的系统、方法和装置

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN202280026307.1A Pending CN117136378A (zh) 2021-04-06 2022-04-01 用于识别非均质性肝脏脂肪的系统、方法和装置

Country Status (4)

Country Link
US (1) US20240119705A1 (zh)
EP (1) EP4320587A1 (zh)
CN (2) CN115187501A (zh)
WO (1) WO2022214407A1 (zh)

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6530885B1 (en) 2000-03-17 2003-03-11 Atl Ultrasound, Inc. Spatially compounded three dimensional ultrasonic images
US6443896B1 (en) 2000-08-17 2002-09-03 Koninklijke Philips Electronics N.V. Method for creating multiplanar ultrasonic images of a three dimensional object

Also Published As

Publication number Publication date
WO2022214407A1 (en) 2022-10-13
US20240119705A1 (en) 2024-04-11
EP4320587A1 (en) 2024-02-14
CN117136378A (zh) 2023-11-28

Similar Documents

Publication Publication Date Title
US20210177373A1 (en) Ultrasound system with an artificial neural network for guided liver imaging
KR101565311B1 (ko) 3 차원 심초음파 검사 데이터로부터 평면들의 자동 검출
EP2846310A2 (en) Method and apparatus for registering medical images
DE102012108121A1 (de) Verfahren und System für ultraschallgestützte automatische Erkennung, Quantifizierung und Nachverfolgung von Pathologien
US20110184290A1 (en) Performing image process and size measurement upon a three-dimensional ultrasound image in an ultrasound system
JP7464593B2 (ja) 医用画像内でのインターベンションデバイスの識別
CN114554966A (zh) 用于图像优化的系统和方法
US20120078101A1 (en) Ultrasound system for displaying slice of object and method thereof
KR20120102447A (ko) 진단장치 및 방법
US20240119705A1 (en) Systems, methods, and apparatuses for identifying inhomogeneous liver fat
KR102539922B1 (ko) 탄성초음파영상에 대한 변형률 계산 및 변형량의 자동 측정을 위한 방법 및 시스템
US20240065668A1 (en) Systems, methods, and apparatuses for quantitative assessment of organ mobility
KR102377530B1 (ko) 대상체의 3차원 영상을 생성하기 위한 방법 및 장치
US20230377246A1 (en) Rendering of b-mode images based on tissue differentiation
WO2024013114A1 (en) Systems and methods for imaging screening
US20220133278A1 (en) Methods and systems for segmentation and rendering of inverted data
EP4213094A1 (en) Systems, methods, and apparatuses for pleural line detection
JP2023531984A (ja) 短いアンダーサンプリングされたアンサンブルからカラードップラ画像を生成するためのシステム及び方法
EP4291097A1 (en) Apparatuses, systems and methods for providing acquisition feedback
WO2021099171A1 (en) Systems and methods for imaging screening
CN115177289A (zh) 提供用户指导以获取肝肾指数测量的系统和方法
WO2023135128A1 (en) Systems, methods, and apparatuses for pleural line detection
CN117731330A (zh) 一种颅脑容积测量方法、装置、设备及介质
Goyal et al. Segmentation of coronary arteries of heart

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