CN115444451A - 用于医学成像的测量工具的系统和方法 - Google Patents

用于医学成像的测量工具的系统和方法 Download PDF

Info

Publication number
CN115444451A
CN115444451A CN202210575881.4A CN202210575881A CN115444451A CN 115444451 A CN115444451 A CN 115444451A CN 202210575881 A CN202210575881 A CN 202210575881A CN 115444451 A CN115444451 A CN 115444451A
Authority
CN
China
Prior art keywords
image
measurement
ultrasound
liver disease
visceral fat
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
CN202210575881.4A
Other languages
English (en)
Inventor
叶莲娜·齐姆巴连科
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.)
GE Precision Healthcare LLC
Original Assignee
GE Precision Healthcare LLC
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 GE Precision Healthcare LLC filed Critical GE Precision Healthcare LLC
Publication of CN115444451A publication Critical patent/CN115444451A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/08—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
    • 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
    • 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
    • A61B8/0858—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving measuring tissue layers, e.g. skin, interfaces
    • 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
    • A61B8/44—Constructional features of the ultrasonic, sonic or infrasonic diagnostic device
    • A61B8/4477—Constructional features of the ultrasonic, sonic or infrasonic diagnostic device using several separate ultrasound transducers or probes
    • 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
    • A61B8/48—Diagnostic techniques
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
    • A61B8/5223—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for extracting a diagnostic or physiological parameter from medical diagnostic data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/5292—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves using additional data, e.g. patient information, image labeling, acquisition parameters
    • 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
    • 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
    • G06N3/08—Learning methods
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • 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
    • G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
    • 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
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • 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
    • 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
    • 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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • 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
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • 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
    • G06T2207/30—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
    • G06T2207/30168—Image quality inspection

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Vascular Medicine (AREA)
  • Physiology (AREA)
  • Gynecology & Obstetrics (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

提供了用于使用超声图像来评估受试者肝脏疾病的方法和系统。在一个示例中，一种方法包括：响应于评估肝脏疾病的请求，利用测量模型确定受试者的选定医学图像帧包括目标解剖视图并且具有高于阈值图像质量的图像质量，并且作为响应，利用该测量模型测量该选定医学图像中的肝脏疾病的标记物；以及输出该标记物的测量以用于在显示设备上显示。

Description

用于医学成像的测量工具的系统和方法
技术领域
本文所公开主题的实施方案涉及医学成像，并且更具体地涉及用于使用医学成像来评估肝脏疾病的自动化测量工具。
背景技术
医学超声是采用超声波来探测患者身体的内部结构并产生对应图像的成像模态。例如，包括多个换能器元件的超声探头发射超声脉冲，这些超声脉冲会被身体中的结构反射或回传、折射或者吸收。然后超声探头接收所反射的回波，这些所反射的回波被处理成图像。内部结构的超声图像可被保存以供临床医生稍后分析从而有助于诊断和/或可以实时地或近实时地显示在显示设备上。
发明内容
在一个实施方案中，一种用于评估受试者肝脏疾病的方法包括：响应于评估肝脏疾病的请求，利用测量模型确定受试者的选定医学图像帧包括目标解剖视图并且具有高于阈值图像质量的图像质量，并且作为响应，利用该测量模型测量该选定医学图像中的肝脏疾病的标记物，以及输出该标记物的测量以用于在显示设备上显示。
在单独或与附图联系时，本说明书的以上优势以及其他优势和特征将从以下具体实施方式中显而易见。应当理解，提供以上发明内容是为了以简化的形式介绍在具体实施方式中进一步描述的概念的选择。这并不意味着识别所要求保护的主题的关键或必要特征，该主题的范围由具体实施方式后的权利要求书唯一地限定。此外，所要求保护的主题不限于解决上文或本公开的任何部分中提到的任何缺点的实施方式。
附图说明
通过阅读以下详细描述并且参考附图，可以更好地理解本公开的各个方面，其中：
图1示出了超声系统的实施方案的框图；
图2是示出了根据实施方案的用于使用测量模型来测量医学图像的系统的示意图；
图3至图5示出了经由测量模型生成的示例性超声图像和对应注释；
图6是示出了用于使用测量模型来评估肝脏疾病的示例性方法的流程图；并且
图7是示出了用于训练测量模型的示例性方法的流程图。
具体实施方式
医学超声成像通常包括在目标解剖特征(例如，腹部、胸部等)的位置处将包括一个或多个换能器元件的超声探头放置到成像对象(诸如患者)上。图像由超声探头采集并且实时或接近实时地显示在显示设备上(例如，一旦生成图像就显示图像且没有有意延迟)。超声探头的操作者可查看图像并且调整超声探头的各种采集参数和/或位置以便获得一个或多个目标解剖特征(例如，心脏、肝脏、肾或另一个解剖特征)的高质量图像。
由于超声成像具有相对便宜、便携、非侵入和普遍的性质，所以对于评估和监测患者病症(诸如疾病进展)，超声成像可优于活组织检查或其他类型的医学成像(例如，计算机断层扫描或磁共振成像)。然而，由于操作者与操作者的不同，所以所采集的超声图像缺乏标准化，这可使得对某些病症的诊断和/或监测具有挑战性。例如，通常出现在肥胖患者中的非酒精性脂肪性肝病(NAFLD)被定义为脂肪堆积在超过5％的肝细胞中并且是最普遍的肝脏疾病。NAFLD当前是经由肝活组织检查来诊断。肝活组织检查是侵入性的，并且不适用于监测大量准患者或确诊患者的疾病风险或进展。
因此，NAFLD是非常适合于经由超声进行诊断和监测的患者病症，以便有助于对当前无法用肝活组织检查进行早期检测和持续监测的疾病进行早期检测和持续监测。然而，鉴于超声成像依赖于操作者的性质，到目前为止，通过使用肝脏本身的超声成像来诊断或监测NAFLD一直具有挑战性。例如，操作者经验水平、超声机器和超声设置的差异可能导致采集到具有不同解剖视图和图像质量的不同图像并将这些不同图像用于监测或诊断NAFLD，这可能导致对NAFLD的评估不一致和不可靠。因此，尚未采用广泛使用超声来评估NAFLD。
因此，根据本文公开的实施方案，可通过使用测量工具在超声图像上测量腹部内脏脂肪来对NAFLD进行诊断和分期。测量工具可包括人工智能分类模型(例如，如下所述的测量模型)，该人工智能分类模型用于检测可进行内脏脂肪测量的标准平面，测量图像质量以用于内脏脂肪测量，处理内脏脂肪测量(包括计算多次内脏脂肪测量的平均测量)，并且基于内脏脂肪测量来预测存在NAFLD的风险。通过将人工智能分类模型暴露于多个初步或早期NAFLD病例，测量腹部内脏脂肪以诊断NAFLD可促进NAFLD的早期诊断，并且用人工智能分类模型辅助内脏脂肪测量可能会导致更准确的测试、测量和预测，包括对没有症状的患者进行NAFLD诊断。通过确保将标准平面和高质量图像用于内脏脂肪测量，本文描述的测量模型可提高内脏脂肪测量的准确性，这可减少假阳性和假阴性结果并且减少测量中操作者与操作者的不同。
图1中示出了一种示例性超声系统，该示例性超声系统包括超声探头、显示设备和成像处理系统。经由超声探头，可采集超声图像并将其显示在显示设备上。如图2所示的图像处理系统包括测量模型，该测量模型可包括多个子模型，该多个子模型被训练以执行各种任务以便评估肝脏疾病，诸如解剖视图检测、图像质量检测、解剖分割和测量以及疾病风险/进展分析，该测量模型可根据图6的方法进行部署并且根据图7的方法进行训练，以便评估肝脏疾病诸如NAFLD。一旦测量模型在目标视图中识别出具有足够质量的图像，测量模型就可测量目标解剖特征(本文中为肝脏周围的内脏脂肪)并且基于所测量的目标解剖特征确定疾病风险或进展，并且可将测量和疾病风险或进展与图像一起显示，如图3至图5所示。
参见图1，示出了根据本公开的实施方案的超声成像系统100的示意图。超声成像系统100包括发射波束形成器101和发射器102，该发射器驱动换能器阵列(本文中称为探头106)内的元件(例如，换能器元件)104，以将脉冲超声信号(本文中称为发射脉冲)发射到身体(未示出)中。根据一个实施方案，探头106可以是一维换能器阵列探头。然而，在一些实施方案中，探头106可以是二维矩阵换能器阵列探头。多种几何形状和构形可用于换能器阵列(例如，线性、凸形、相控阵列)，并且换能器阵列可作为例如不同类型的超声探头的一部分进行提供，包括但不限于标准手持式线性或曲线探头、内源性探头和心脏探头。如以下进一步解释的，换能器元件104可以由压电材料构成。当向压电晶体施加电压时，晶体物理地膨胀和收缩，从而发射超声球波。这样，换能器元件104可将电子发射信号转换为声学发射波束。
在探头106的元件104将脉冲超声信号发射到(例如，患者的)身体中之后，脉冲超声信号从身体内部的结构如血细胞或肌肉组织向后散射，以产生返回到元件104的回波。回波被元件104转换成电信号或超声数据，并且电信号被接收器108接收。表示所接收的回波的电信号穿过输出超声数据的接收波束形成器110。另外，换能器元件104可根据所接收的回波产生一个或多个超声脉冲以形成一个或多个发射波束。
根据一些实施方案，探头106可包含电子电路来执行发射波束形成和/或接收波束形成的全部或部分。例如，发射波束形成器101、发射器102、接收器108和接收波束形成器110的全部或部分可位于探头106内。在本公开中，术语“扫描”或“扫描中”可也用于指通过发射和接收超声信号的过程来采集数据。本公开中，术语“数据”可以用于指称用超声成像系统来采集的一个或多个数据集。在一个实施方案中，可使用经由超声成像系统100采集的数据来训练机器学习模型。用户界面115可用于控制超声成像系统100的操作，包括用于控制患者数据(例如，患者病史)的输入、用于改变扫描或显示参数、用于启动探头复极化序列等。用户界面115可包括以下项中的一者或多者：旋转元件、鼠标、键盘、轨迹球、链接到特定动作的硬键、可被配置为控制不同功能的软键，以及显示在显示设备118上的图形用户界面。
超声成像系统100还包括处理器116，该处理器用以控制发射波束形成器101、发射器102、接收器108和接收波束形成器110。处理器116与探头106进行电子通信(例如，通信地连接)。出于本公开的目的，术语“电子通信”可被定义为包括有线通信和无线通信两者。处理器116可以根据存储在处理器的存储器、和/或存储器120上的指令来控制探头106以采集数据。处理器116控制元件104中的哪些是活动的以及从探头106发射的波束的形状。处理器116还与显示设备118进行电子通信，并且处理器116可将数据(例如，超声数据)处理成图像以用于在显示设备118上显示。处理器116可以包括根据一个实施方案的中央处理器(CPU)。根据其他实施方案，处理器116可包括能够执行处理功能的其他电子部件，诸如数字信号处理器、现场可编程门阵列(FPGA)或图形板。根据其他实施方案，处理器116可包括能够执行处理功能的多个电子部件。例如，处理器116可包括从电子部件的列表中选择的两个或更多个电子部件，这些电子部件包括：中央处理器、数字信号处理器、现场可编程门阵列和图形板。根据另一个实施方案，处理器116还可包括解调RF数据并且生成原始数据的复合解调器(未示出)。在另一个实施方案中，解调可以在处理链中较早地执行。处理器116适于根据数据上的多个可选超声模态来执行一个或多个处理操作。在一个示例中，可在扫描会话期间实时处理数据，因为回波信号被接收器108接收并且被发射至处理器116。出于本公开的目的，术语“实时”被定义为包括在没有任何有意延迟的情况下执行的程序。例如，实施方案可以7帧/秒至20帧/秒的实时速率采集图像。超声成像系统100能够以显著更快的速率获取一个或多个平面的2D数据。然而，应当理解，实时帧速率可取决于采集用于显示的每帧数据所花费的时间长度。因此，当采集相对大量的数据时，实时帧速率可能较慢。因此，一些实施方案可具有显著快于20帧/秒的实时帧速率，而其他实施方案可具有低于7帧/秒的实时帧速率。数据可在扫描会话期间临时存储在缓冲器(未示出)中，并且在实时或离线操作中以不太实时的方式处理。本发明的一些实施方案可包括多个处理器(未示出)，以处理根据上文所述的示例性实施方案的由处理器116处理的处理任务。例如，在显示图像之前，可利用第一处理器来解调和抽取RF信号，同时可使用第二处理器来进一步处理数据(例如，通过如本文进一步描述的那样扩充数据)。应当理解，其他实施方案可使用不同的处理器布置方式。
超声成像系统100可以例如10Hz至30Hz的帧速率(例如，每秒10帧至30帧)连续采集数据。根据数据生成的图像可以在显示设备118上以相似的帧速率刷新。其他实施方案能够以不同速率采集并且显示数据。例如，根据帧的大小和预期的应用，一些实施方案可以小于10Hz或大于30Hz的帧速率采集数据。包括存储器120，用于存储经处理的采集数据的帧。在示例性实施方案中，存储器120具有足够的容量来存储至少几秒钟的超声数据帧。数据帧的存储方式便于根据其采集顺序或时间进行检索。存储器120可包括任何已知的数据存储介质。
在本发明的各种实施方案中，处理器116可通过不同的模式相关模块(例如，B模式、彩色多普勒、M模式、彩色M模式、频谱多普勒、弹性成像、TVI、应变、应变速率等)来处理数据，以形成2D或3D数据。例如，一个或多个模块可生成B模式、彩色多普勒、M模式、彩色M模式、频谱多普勒、弹性成像、TVI、应变、应变速率以及它们的组合等。作为一个示例，一个或多个模块可处理彩色多普勒数据，其可包括传统彩色血流多普勒、功率多普勒、HD流，等等。图像线和/或帧存储在存储器中，并且可包括指示图像线和/或帧存储在存储器中的时间的定时信息。这些模块可包括例如扫描转换模块，用于执行扫描转换操作，以将所采集的图像从波束空间坐标转换为显示空间坐标。可以提供视频处理器模块，该视频处理器模块从存储器读取所采集的图像并且在对患者执行规程(例如，超声成像)时实时显示图像。视频处理器模块可包括单独的图像存储器，并且超声图像可被写入图像存储器以便由显示设备118读取和显示。
在本公开的各种实施方案中，超声成像系统100的一个或多个部件可以包括在便携手持式超声成像设备中。例如，显示设备118和用户界面115可以集成到手持式超声成像设备的外部表面中，该手持式超声成像设备可还包括处理器116和存储器120。探头106可以包括与手持式超声成像设备进行电子通信以收集原始超声数据的手持式探头。发射波束形成器101、发射器102、接收器108和接收波束形成器110可以包括在超声成像系统100的相同或不同部分中。例如，发射波束形成器101、发射器102、接收器108和接收波束形成器110可以包括在手持式超声成像设备、探头以及它们的组合中。
在执行二维超声扫描之后，生成包含扫描线及其样本的数据块。在应用后端滤波器之后，执行称为扫描转换的过程，以将二维数据块变换为具有附加扫描信息(诸如深度、每条扫描线的角度等)的可显示的位图图像。在扫描转换期间，应用内插技术来填充所得图像中的丢失的孔(即，像素)。出现这些丢失的像素是因为二维块的每个元素通常应该覆盖所得图像中的许多像素。例如，在当前超声成像系统中，应用了双三次插值，其利用了二维块的相邻元素。
可进一步处理由超声成像系统100获取的超声图像。在一些实施方案中，可将超声成像系统100所产生的超声图像发射到图像处理系统，其中在一些实施方案中，可通过使用超声图像和对应的地面实况输出所训练的一个或多个机器学习模型来分析超声图像，以便估计当前用户动作(例如，在采集当前超声图像之前和/或期间的探头运动)、超声图像中的当前解剖视图和探头运动建议。如本文所用，地面实况输出是指基于到机器学习模型中的给定输入的预期或“正确”输出。例如，如果正训练机器学习模型来对猫的图像进行分类，则当馈送猫的图像时，模型的地面实况输出为标签“猫”。如下面更详细地解释，如果正训练机器学习模型以基于在采集超声图像之前和/或期间发生探头运动/用户动作来对超声图像进行分类，则模型的地面实况输出可以是指示探头运动/用户动作的标签，例如，指示平移、旋转等的标签。类似地，如果正训练机器学习模型以基于超声图像中的解剖特征对超声图像进行分类，则模型的地面实况输出可以是指示超声图像中的一个或多个解剖特征的标签。
尽管在本文被描述为单独的系统，但应当理解，在一些实施方案中，超声成像系统100包括图像处理系统。在其他实施方案中，超声成像系统100和图像处理系统可包括单独的设备。在一些实施方案中，超声成像系统100所产生的图像可用作用于训练一个或多个机器学习模型的训练数据集，其中如下所述，可使用机器学习模型来执行超声图像处理的一个或多个步骤。
参见图2，其示出了根据示例性实施方案的图像处理系统202。在一些实施方案中，图像处理系统202结合到超声成像系统100中。例如，图像处理系统202可作为处理器116和存储器120设置在超声成像系统100中。在一些实施方案中，图像处理系统202的至少一部分设置在经由有线连接和/或无线连接通信地耦合到超声成像系统的设备(例如，边缘设备、服务器等)处。在一些实施方案中，图像处理系统202的至少一部分设置在单独的设备(例如，工作站)处，该单独的设备可从超声成像系统或从存储由超声成像系统所生成的图像/数据的存储设备接收图像/标测图。图像处理系统202可以可操作地/通信地耦接到用户输入设备232和显示设备234。至少在一些示例中，用户输入设备232可包括超声成像系统100的用户界面115，而显示设备234可包括超声成像系统100的显示设备118。
图像处理系统202包括处理器204，该处理器被配置为执行存储在非暂态存储器206中的机器可读指令。处理器204可以是单核或多核处理器，并且在其上执行的程序可被配置用于并行处理或分布式处理。在一些实施方案中，处理器204可任选地包括分布在两个或更多个设备中的单独部件，这些设备可远程定位和/或被配置用于协调处理。在一些实施方案中，处理器204的一个或多个方面可由在云计算配置中配置的可远程访问的联网计算设备虚拟化和执行。
非暂态存储器206可存储测量模型208、训练模块210和超声图像数据212。测量模型208可包括一个或多个机器学习模型诸如深度学习网络，该一个或多个机器学习模型包括多个权重和偏差、激活函数、损失函数、梯度下降算法，以及用于实现一个或多个深度神经网络以处理输入超声图像的指令。测量模型208可包括经训练的和/或未经训练的神经网络并且还可包括与存储在其中的一个或多个神经网络模型相关联的训练例程或参数(例如权重和偏差)。
测量模型208可生成给定超声图像的多个输出。例如，测量模型208可输出图像的解剖视图207、图像的图像质量209、图像的分割和测量211以及基于测量的疾病风险或进展213。在一个示例中，测量模型208可以是多个模型，其中可通过单独模型来生成给定超声图像的每个输出。在此类示例中，测量模型可包括解剖视图模型、图像质量模型、分割和测量模型以及风险或进展模型。在一些示例中，一个模型的输出可被用作另一模型的输入，或者可评估一个模型的输出以确定超声图像是否应被输入到其他模型中。例如，可评估来自解剖视图模型和图像质量模型的输出以确定超声图像是应被拒绝还是应作为输入被输入到分割和测量模型。
由测量模型208确定/输出的解剖视图207可包括当前超声图像的当前解剖视图(例如，扫描平面或解剖区域)。例如，如果超声图像包括肝脏和/或作为腹部扫描的一部分被采集，则可训练测量模型208以确定输入超声图像是否包括肝脏/腹部的目标解剖视图，诸如长轴主动脉视图。在一些示例中，解剖视图207还可包括在当前超声图像中识别的解剖特征。例如，可使用分割在当前超声图像中识别解剖特征，并且然后可使用所识别的解剖特征来确定在当前超声图像中成像的扫描平面/解剖区域。在一些示例中，除了识别当前解剖视图之外，还可训练测量模型以确定当前解剖视图与将进行内脏脂肪测量的标准或目标视图的接近度(例如，以度数和/或距离测量为单位)。例如，如果目标视图是长轴主动脉视图，则可确定测量模型以识别当前解剖视图是否为长轴主动脉视图，并且如果是，则识别当前视图与标准长轴主动脉视图的匹配程度。模型可确定当前视图是否相对于标准长轴主动脉视图以某一角度倾斜(例如，相对于标准长轴主动脉视图的平面以5度倾斜)以及当前视图的定中与标准长轴主动脉视图相似还是不同(例如，垂直地和/或水平地偏移一定距离，诸如垂直地偏移3cm)。
由测量模型208确定/输出的图像质量209可包括指示符(视觉的或非视觉的)，该指示符表明当前超声图像对于内脏脂肪测量可以是可接受的还是不可接受的。例如，如果超声图像包括肝脏和/或作为腹部扫描的一部分被采集，则可训练测量模型208以确定输入超声图像是否具有阈值图像分辨率、图像对比度、噪声和/或亮度。此外，由测量模型确定的图像质量209可以是测量模型分割和测量内脏脂肪的能力的函数(如下所述)，并且因此可以基于特定解剖特征(例如，肝脏、内脏脂肪、腹白线等)的边缘的清晰度、图像(特别是在将进行测量的区域)中伪影的缺乏、运动诱导模糊的缺乏等。在一些示例中，图像质量209输出可包括质量度量，诸如1-10范围内的数值，并且该数值可与质量或充分性阈值进行比较，以确定当前图像帧的图像质量是否足够高以准确地执行内脏脂肪的测量，并且该充分性阈值可由测量模型在训练期间学习，如下面将更详细地解释。在一些示例中，可基于当前解剖视图(例如，基于当前解剖视图与标准/目标解剖视图的接近度)来调整充分性阈值。
由测量模型208确定/输出的分割和测量211可包括当前超声图像的内脏脂肪厚度的测量。例如，如果超声图像包括肝脏和/或作为腹部扫描的一部分被采集，则可训练测量模型208以分割超声图像并确定超声图像的内脏脂肪厚度。由测量模型208执行的分割可包括确定和输出超声图像中的顶侧和底侧内脏脂肪周围的视觉指示符。在一个示例中，为了图像清晰，测量模型208可输出超声图像的多个区段诸如超声图像中皮下脂肪组织、腹白线和/或肝叶的顶侧和底侧周围的视觉指示符。在一个示例中，测量模型208可对超声图像的分割区域进行着色。测量模型208可被训练以测量从超声图像的均匀位置(例如，沿着超声图像的中心轴)到均匀位置的内脏脂肪厚度。在一个示例中，测量模型208可被训练以测量超声图像中内脏脂肪的最厚点处的内脏脂肪厚度。在另一示例中，测量模型208可被训练以测量沿着内脏脂肪的多个位置处的内脏脂肪厚度，并且确定给定图像帧的平均内脏脂肪厚度。在一个示例中，测量模型208可被训练以跨多个帧测量内脏脂肪厚度并且计算平均值。
由测量模型208确定/输出的疾病风险或进展213可包括预测值(例如，象形图、刻度、颜色映射)，该预测值指示根据当前超声图像对NAFLD的存在和/或进展的预测。例如，如果超声图像包括肝脏和/或作为腹部扫描的一部分被采集，则可训练测量模型208以确定存在NAFLD的风险并且将预测输出为值、象形图、进展条、颜色映射等。在一个示例中，可显示对未来动作(例如，门诊、扫描)的建议以及基于由测量模型208做出的预测对何时安排未来动作的建议。在一个示例中，测量模型208可预测NAFLD的进展以及在未采取未来动作的情况下、在采取建议的未来动作等情况下针对患者的可能结果。
因此，测量模型208可以是一个或多个深度学习网络(例如，神经网络)，其将一个或多个超声图像作为输入并且产生多个输出，包括解剖视图、图像质量、器官/解剖特征分割和内脏脂肪测量以及肝脏疾病风险或进展。该网络可与所有这些任务的损失函数联合训练。为了确定由测量模型确定/输出的解剖视图，可使用专家提供的标签/注释来训练测量模型，并且将相应的合适损失函数添加到正在训练的联合模型。注释可包括对每个图像中扫描平面/解剖特征的指示，以训练该模型确定解剖视图。为了分割和测量内脏脂肪，可用临床医生专家注释的图像来训练测量模型208(例如，专家可在多个图像中测量内脏脂肪，并且这些图像可包括指示在其间确定内脏脂肪厚度的测量点的标签和/或指示内脏脂肪厚度的值)。
为了确定图像质量，可用不同质量的多个图像来训练测量模型208。临床医生专家或单独的模型(例如，神经网络)可选择图像或生成图像，这些图像的质量故意降低并带有可接受或不可接受图像质量的注释，以训练测量模型208确定哪些因素成为可接受或不可接受图像。在另一示例中，测量模型208可使用包括多个图像集合的训练数据来训练以确定图像质量，每个图像集合包括高质量图像和根据高质量图像生成的图像子集，每个图像子集的质量逐渐降低(例如，由专家生成或由另一模型(诸如神经网络)自动生成)。较低质量的图像可通过以下方式来生成：从高质量图像中移除像素信息(例如，逐渐移除越来越大量的像素信息)，向高质量图像引入伪影(或不补偿高质量图像的图像数据内的伪影)，使高质量图像内的解剖特征的边缘模糊，等等。一旦测量模型208已被训练以分割和测量内脏脂肪，就可将质量故意降低的图像输入到经部分训练的测量模型208中，该经部分训练的测量模型可分割和测量图像中的内脏脂肪。测量模型208可输出测量并将该测量与地面实况测量进行比较，该地面实况测量可以是由专家在相同图像上执行的测量，但是质量更高(例如，在故意降低质量之前)。另选地，测量模型208可对高质量图像和所有对应的质量降低的图像均执行测量，并且将对质量降低的图像执行的测量与对高质量图像执行的测量进行比较(例如，对高质量图像执行的测量可以是地面实况测量)。如果测量模型208无法在给定图像上准确地测量内脏脂肪，则可认为该图像的质量不足，并且模型可学习哪些图像特征提供足够的质量与不足的质量。作为示例，模型可被训练以输出指示输入图像的图像质量的相对水平的图像质量度量，并且模型还可学习充分性阈值，图像质量度量可与该充分性阈值进行比较以确定输入图像是否具有足够的质量。
为了确定肝脏疾病的风险和/或进展，可用历史数据来训练测量模型208，其中具有已知和可量化的NAFLD风险和/或进展的先前超声图像可用于基于给定的内脏脂肪厚度训练风险/进展预测。临床医生专家可选择用于训练的图像来指导测量模型208识别历史上的常见用例，以及在识别和响应异常值和不常见用例方面测试测量模型208。在一些示例中，还可基于患者的病史和当前人口统计和/或风险因素(诸如患者的体重、年龄、性别、地理位置、诊断实验室测试(例如，血液测试结果)等，这些信息可从患者的电子病历中检索)来确定肝脏疾病的风险和/或进展。因此，在一些示例中，训练数据除了包括标记有内脏脂肪测量和患者疾病预后的超声图像之外，训练数据还可包括患者病史、人口统计、血液(或其他生物样本)测试结果和/或风险因素。
此外，虽然测量模型208已在本文被描述为使用2D超声图像来作为输入，但是在一些示例中，代替2D图像或者除了2D图像之外，测量模型208还可使用3D超声数据。例如，可使用3D数据来确定解剖视图和解剖特征分割(和内脏脂肪测量)。此外，虽然测量模型208已在本文被描述为被训练以分析超声图像来确定肝脏疾病风险或进展，但是也可采取类似方法针对其他成像模态(特别是手持式或以其他方式容易操纵的成像模态，诸如X射线/荧光透视扫描仪、近红外(NIR)光谱扫描仪和光学相干断层扫描(OCT)扫描仪)来评估肝脏疾病。
非暂态存储器206还可包括训练模块210，该训练模块包括用于训练存储在测量模型208中的一个或多个机器学习模型的指令。在一些实施方案中，训练模块210不设置在图像处理系统202处。在此类示例中，测量模型208因此包括经训练和验证的网络。
非暂态存储器206还可存储超声图像数据212，诸如图1的超声成像系统100所捕获的超声图像。超声图像数据212的超声图像可包括已由超声成像系统100采集的具有不同解剖特征(例如，不同内脏脂肪量)和/或不同图像质量的超声图像。此外，当训练模块210存储在非暂态存储器206中时，超声图像数据212可存储超声图像、地面实况输出、机器学习模型输出的迭代以及可用于训练测量模型208的其他类型的超声图像数据。在一些实施方案中，超声图像数据212可以有序的格式存储超声图像和地面实况输出，使得每个超声图像都与一个或多个对应的地面实况输出相关联。然而，在训练模块210未设置在图像处理系统202处的示例中，可用于训练测量模型208的图像/地面实况输出可被存储在其他地方。
在一些实施方案中，非暂态存储器206可包括设置在两个或更多个设备上的部件，这些部件可被远程定位和/或配置用于协调处理。在一些实施方案中，非暂态存储器206的一个或多个方面可包括以云计算配置进行配置的能够远程访问的联网存储设备。
用户输入设备232可包括触摸屏、键盘、鼠标、触控板、运动感测相机或被配置为使用户能够与图像处理系统202内的数据交互并操纵该数据的其他设备中的一者或多者。在一个示例中，用户输入设备232可使得用户能够选择超声图像以用于训练机器学习模型，以在超声图像数据212中指示或标记介入设备的位置，或者用于使用经训练的机器学习模型进行进一步处理。
显示设备234可包括利用几乎任何类型的技术的一个或多个显示设备。在一些实施方案中，显示设备234可以包括计算机监视器，并且可以显示超声图像。显示设备234可以与处理器204、非暂态存储器206和/或用户输入设备232组合在共享的壳体中，或者可以是外围显示设备，并且可以包括监视器、触摸屏、投影仪或本领域中已知的其他显示设备，该其他显示设备可使得用户能够查看由超声成像系统产生的超声图像并且/或者与存储在非暂态存储器206中的各种数据进行交互。
应当理解，图2所示的图像处理系统202是用于说明而非限制。另一种合适的图像处理系统可以包括更多、更少或不同的部件。
图3是超声检查期间肝脏的示例性视图300。视图300可包括显示在显示设备(例如，图2的显示设备234)上的超声图像302，该超声图像具有测量模型(诸如图2的测量模型208)的输出的图形表示，该输出是响应于超声图像被输入到测量模型。视图300示出了内脏脂肪304的分割，该分割由内脏脂肪304的顶侧的第一线306(例如，在内脏脂肪与腹白线之间的边界处)和内脏脂肪304的底侧的第二线308(例如，在肝脏与内脏脂肪之间的边界处)限定。视图300示出了在图形文本框310中显示的内脏脂肪厚度测量。在一个示例中，视图300能够以多个单位(例如，英制、公制)显示内脏脂肪厚度测量。视图300可示出由测量模型放置的第一测量点314和第二测量点316以及从第一测量点314跨越到第二测量点316的测量线312，其中第一测量点314可以是处于内脏脂肪304的顶侧的点，第二测量点316可以是处于内脏脂肪304的底侧的点，并且测量线312可以是第一测量点314与第二测量点316之间的测量距离。测量线312可用于确定内脏脂肪304的厚度，该厚度在图形文本框310中表示。在一个示例中，视图300可示出沿着图像的中心轴在内脏脂肪的最厚部分等处进行测量的内脏脂肪厚度测量。
例如，当在内脏脂肪分割区域的最厚部分处计算内脏脂肪测量时，经训练的测量模型可分割内脏脂肪区域，并且然后计算并将测量卡尺自动放置在经分割区域的最厚部分处(例如，第一测量点314和第二测量点316)，并且然后计算内脏脂肪的最厚部分的长度。
另外，测量模型还可被训练以分割皮下脂肪组织区域，并且基于皮下脂肪组织的经分割区域，可计算并自动放置与皮下脂肪组织的最厚区域对应的两个测量卡尺。可计算并显示这些卡尺之间的长度。
因此，除了内脏脂肪厚度测量之外，还可自动计算两个附加测量并将其显示给用户：a)皮下脂肪组织的厚度，和b)皮下脂肪组织的厚度与内脏脂肪的厚度的比率。在一些示例中，用户可选择是否仅查看内脏脂肪的测量或是否查看内脏脂肪和皮下脂肪组织的测量和/或皮下脂肪组织与内脏脂肪的厚度的比率。
图4是包括显示在显示设备(例如，图2的显示设备234)上的超声图像302的另一示例性视图400。视图400示出了在图形文本框310中显示的内脏脂肪304的厚度测量，类似于上文所解释的视图300。可在视图400中显示预测风险图形元素404，其示出了由测量模型基于内脏脂肪304的厚度测量而输出的对NAFLD存在的预测。预测风险图形元素404可在视图400中被显示为具有指示符的分区条，其中指示符在分区条的左侧表示预测的存在NAFLD的风险较低，并且指示符在分区条的右侧表示预测的存在NAFLD的风险较高。图形元素404内显示的预测风险可在视图400中被显示为文本，包括“低”、“高”等。还可基于多个患者数据以及内脏脂肪厚度(包括但不限于人口统计患者数据和患者医疗数据)来确定预测风险。
图5是包括显示在显示设备(例如，图2的显示设备234)上的超声图像302的另一示例性视图500。视图500示出了在图形文本框310中显示的内脏脂肪304的厚度测量。可在视图500中显示进展条504，其示出了如由测量模型输出的对肝脏中NAFLD进展的预测。在所示的示例中，进展条504可包括颜色梯度(例如，黑色/白色/灰色)，该颜色梯度对应于疾病进展而改变(例如，从亮变为暗)，并且可沿着进展条504放置箭头以指示当前估计的疾病进展。在一个示例中，视图500可表示当患者已经确诊NAFLD时进行随访检查的视图，其中进展条504可表示基于来自当前检查和先前检查的内脏脂肪厚度测量对NAFLD进行的比较测量。虽然图4和图5不包括分割内脏脂肪的线或测量点之间的测量线，但是应当理解，分割内脏脂肪的线和/或测量点之间的测量线可被显示，类似于图3的视图300。
图6是示出了根据本公开的实施方案的用于测量模型(诸如图2的测量模型208)的示例性方法600的流程图，该测量模型将来自扫描的超声图像用作输入并且将肝脏疾病(诸如NAFLD)的度量显示为输出。参照图1至图2的系统和部件描述了方法600，但应当理解，方法600可在不脱离本公开的范围的情况下用其他系统和部件来实现。方法600可根据存储在计算设备(诸如图2的图像处理系统202)的非暂态存储器中的指令来执行。
在602处，采集超声图像并将其显示在显示设备上。例如，可利用图1的超声探头106来采集受试者的超声图像并且经由显示设备118将其显示给操作者。图像可实时或接近实时地获取和显示，并且可通过默认或用户规定的扫描参数(例如，默认深度、频率等)来获取。
在604处，方法600包括确定是否已经请求了测量工具，该测量工具被配置为测量内脏脂肪作为肝脏疾病的标记物。测量工具可包括测量模型(诸如图2的测量模型208)以及用于在一个或多个超声图像上实施该模型并做出决策/处理测量模型的输出的指令。操作者可在超声扫描期间经由用户输入(例如，通过按下按钮或选择用户界面控制按钮)请求测量工具。如果未请求测量工具，则方法600可继续进行到602以采集更多超声图像。
如果在604处已请求了测量工具，则方法600可继续进行到606，其包括将当前图像帧输入到测量模型中。在一个示例中，测量模型是图2的测量模型208，并且因此包括解剖视图输出(诸如图2的解剖视图207)、图像质量输出(诸如图2的图像质量209)、分割和测量输出(诸如图2的分割和测量211)以及疾病风险或进展输出(诸如图2的疾病风险或进展213)。
在608处，方法600包括利用测量模型来确定当前帧的解剖视图。测量模型可如上文参照图2描述的那样确定解剖视图。例如，可将当前图像帧输入到测量模型，该测量模型可被训练以确定当前帧是否处于目标视图，在该目标视图中特定解剖特征(例如，肝脏、腹白线)存在于特定横截面和/或取向中。作为示例，目标视图可包括长轴主动脉视图或另一合适的视图。
在610处，方法600包括确定当前帧是否属于目标视图。在一些示例中，测量模型可输出解剖视图的二进制指示符。例如，测量模型可输出表明当前帧的解剖视图是否是目标视图的指示(例如，是或否)。在其他示例中，测量模型可输出当前帧的解剖视图的名称，并且测量工具可决定解剖视图是否与目标视图匹配。在一些示例中，测量模型也可输出置信度分数，该置信度分数反映当前帧的解剖视图与目标视图的接近度/类似度。
如果在610处当前帧不属于目标视图，则方法600可继续进行到612，其包括在超声图像中采集下一个帧。这样，如果当前图像帧不是目标/标准视图，则可不执行测量。在一个示例中，可在采集下一个帧之前输出(例如，在显示设备上显示)指导，指示关于当前帧不属于目标视图和/或如何采集目标视图的帧的因素或参数。在一些示例中，测量工具可被配置为分析保存在存储器中的一个或多个附加图像帧，而不是分析当前帧并且然后指导操作者采集另一个帧。在一个示例中，如果扫描中没有帧属于目标视图，则可显示关于如何采集目标视图帧的指导以用于后续扫描。此外，虽然方法600在本文中被描述为在正在进行的患者检查期间实施，但是也可在执行了检查之后请求测量工具，并且可从图像档案(例如，PACS)检索图像并将其输入到测量模型中。方法600可继续进行到606以将下一个帧输入到测量模型中(例如，无论该下一个帧是在当前帧之后采集还是来自全面检查的另一个帧/图像)。
如果在610处当前帧属于目标视图，则方法600进行到611以利用模型确定当前帧的图像质量。如上文参照图2所解释的，测量模型可输出指示当前帧的相对图像质量的图像质量度量(例如，数值)，并且该质量度量可与在测量模型的训练期间确定的充分性阈值进行比较，如在613处指示的。例如，图像质量度量可以是1-10范围内的数值，并且充分性阈值可以是1-10之间的非零数值，诸如7。如果当前帧的图像质量度量高于充分性阈值，则可确定当前帧具有足够的质量以执行内脏脂肪测量，如下所述。在一些示例中，可基于当前帧的解剖视图来调整充分性阈值，如在615处指示的。例如，如上所解释的，测量模型可被训练以在评估当前帧的解剖视图时输出置信度分数，其中置信度分数(例如，在0-100的范围内)指示模型对当前解剖视图是目标视图的确定程度和/或当前解剖视图与目标视图的接近度。如果当前帧的置信度分数处于阈值范围内(例如，低于上限阈值但高于下限阈值，诸如在80-90内)，则可调整(例如，增加)充分性阈值。这样，在当前帧处于或非常接近目标视图时(例如，置信度分数高于阈值范围)，可应用相对较低的充分性阈值，其中如果当前帧稍微接近目标视图(例如，在阈值范围内)，则可应用更高的充分性阈值。在这样做时，可确保对内脏脂肪的准确测量，同时允许当前帧的解剖视图或图像质量(但不是两者)的变化有一定灵活性，这可能会增加可能符合内脏脂肪测量条件的图像的数量并降低执行准确测量所需采集的图像的总数。
在614处，方法600包括确定当前帧是否具有足够的图像质量，例如由模型输出的当前帧的质量度量是否大于充分性阈值。如果当前帧不具有足够的质量(例如，图像质量度量低于充分性阈值)，则方法600进行到612以采集或获得下一个帧，并且任选地提供对采集下一个帧的指导。如果当前帧具有足够的质量(例如，图像质量度量高于充分性阈值)，则方法600进行到616，其包括利用测量模型分割当前帧以识别测量点。分割当前帧可包括识别内脏脂肪，包括指示当前帧中内脏脂肪的顶侧和内脏脂肪的底侧。测量点可包括分别处于内脏脂肪的顶侧和底侧的第一测量点和第二测量点。测量点可沿着当前帧的中心垂直轴放置，其中第一测量点可被放置在内脏脂肪的顶侧与中心垂直轴相交的地方，并且第二测量点可被放置在内脏脂肪的底侧与中心垂直轴相交的地方。在一个示例中，当测量模型被配置为在多个地方测量内脏脂肪厚度以计算平均内脏脂肪厚度时，可使用多个测量点对。
在618处，方法600包括利用测量模型测量内脏脂肪。测量内脏脂肪厚度可包括测量从第一测量点到第二测量点的距离。在一个示例中，可使用多个测量点对，使得可进行内脏脂肪厚度的多次测量。
在620处，方法600包括显示内脏脂肪厚度的测量并且任选地显示风险或进展指示符。测量可由测量模型确定并且以文本(该文本显示测量的值和单位)和测量的图形指示符(该图形指示符示出测量点以及测量点之间的测量(该测量覆盖在图像中的内脏脂肪上))的形式被显示在一个或多个显示设备(例如，计算机监视器)上。疾病风险或进展可由测量模型确定并且被显示在一个或多个显示设备上。在其他示例中，测量工具可根据一组规则或另一合适机制基于测量模型的输出(例如，内脏脂肪厚度)以及患者数据(例如，人口统计、风险因素、病史)和/或内脏脂肪厚度的过去测量来确定风险或进展。疾病风险或进展可被显示为文本(诸如指示对存在NAFLD的可能性的评估)，被显示为图形条(诸如指示对NAFLD的进展的评估，其中图形条的第一端表示很少或甚至没有进展并且图形条的第二端表示明显进展)，或被显示为文本和图形指示符的组合。在一个示例中，患者可在第二次或第三次检查期间接收比较结果，其中当前疾病风险或进展评估可与先前疾病风险或进展评估一起或相关地显示。然后，方法600结束。
这样，可执行方法600以便提供表明经历超声检查的患者是否可能有患有肝脏疾病(诸如NAFLD)的风险的指示。NAFLD的定义是脂肪遍布整个肝脏。测量肝细胞的脂肪含量会给出直接诊断，但其在技术上是非常具有挑战性的任务。相反，如本文所公开的，对内脏脂肪进行测量，内脏脂肪是脂肪性肝病的“标记物”(即，内脏脂肪过多与肝脏中脂肪过多相关，但其并不是直接确定因素)。内脏脂肪是身体腹部深处包裹肾脏和其他腹部器官(例如，胃、肠)的脂肪。内脏脂肪测量可比使用超声诊断NAFLD的其他方法更快且更容易执行，并且能够以完全自动的方式执行。测量内脏脂肪厚度不需要昂贵或特殊的硬件/装备，诸如用于剪切波/纤维扫描技术的装备。同样，测量内脏脂肪不需要用户有特殊技术技能或进行训练。因此，依赖于对内脏脂肪的测量是一种廉价、简单、非侵入性和可扩展的筛查人群NAFLD的方式，并且可能对于儿科患者特别有价值。
图7是示出了根据本公开的实施方案的用于训练测量模型(诸如图2的测量模型208)的示例性方法700的流程图。参照图1至图2的系统和部件描述了方法700，但应当理解，方法700可在不脱离本公开的范围的情况下用其他系统和部件来实现。方法700可根据存储在计算设备(诸如图2的图像处理系统202的训练模块210)的非暂态存储器中的指令来执行。
在702处，方法700包括使用第一训练数据集来训练测量模型以检测标准或目标解剖视图。第一训练数据集可包括多个超声图像，该多个超声图像由专家注释以指示图像是否是正确的标准解剖视图(例如，上文所解释的目标解剖视图)。在另一示例中，第一训练数据集可包括各种解剖视图的多个图像，其中每个图像由专家用对应的解剖视图标记。
在704处，方法700包括使用第二训练数据集来训练测量模型以测量内脏脂肪。第二训练数据集可包括多个超声图像，该多个超声图像由专家利用内脏脂肪测量进行注释。可通过从已知测量点测量内脏脂肪并将该测量与图像的已知测量进行比较来训练测量模型。还可通过使用由测量模型放置的测量点而不是已知测量点来测量内脏脂肪以将该测量的准确性与测量点的放置的准确性进行比较来训练测量模型。
在706处，方法700包括使用第三训练数据集来训练测量模型以检测图像质量充分性。第三训练数据集可包括多个超声图像，该多个超声图像注释有对图像质量充分或不足的指示。第三训练数据集可包括高质量图像，因此测量模型可识别高质量图像的质量(例如，高对比度噪声比、高分辨率)。第三训练数据集还可包括较低质量的图像，因此测量模型可识别图像质量不足的图像的质量。
在一些示例中，如在708处，训练测量模型以检测图像质量充分性包括根据第二训练数据集的选定图像生成质量降低的图像。可包括质量逐渐降低的多个图像，从质量降低不太显著的图像到质量降低更显著的图像不等，并且这些图像可包括第三训练数据集。在该示例中，这些图像可标记有对图像质量的预定指示，诸如质量度量。例如，原始图像可标记有10(指示最高质量)，并且根据原始图像生成的每个故意降低的图像可基于质量降低水平进行标记(例如，第一图像可标记有9，指示质量有所降低，而第二图像可标记有5，指示质量显著降低)。
在一些示例中，如在710处，训练测量模型以检测图像质量充分性包括将原始图像和质量降低的图像(诸如在708处生成的那些图像)输入到测量模型中以及接收来自测量模型的对每个图像的测量输出。如上文所解释的，测量模型可被训练以执行内脏脂肪测量。
在一些示例中，如在712处，训练测量模型以检测图像质量充分性包括将来自710的每个测量输出与相应地面实况测量进行比较。地面实况测量可以是由测量模型对原始高质量图像执行的测量(例如，在上述质量降低之前)或由专家对高质量图像执行的测量。可将测量模型在710处进行的测量与每个图像的地面实况测量进行比较，其中对于每个图像，可将来自测量模型的测量与对应地面实况测量之间的误差的绝对值与准确性阈值进行比较。准确性阈值可用于确定来自测量模型的哪些测量不是准确的，例如，误差的绝对值是否超过图像的准确性阈值。
在一些示例中，如在714处，训练测量模型以检测图像质量充分性包括基于图像的图像质量确定图像质量的充分性阈值，其中来自710的测量输出的测量准确性低于准确性阈值。通过使用准确性阈值，可识别图像质量降低水平，其中测量模型仍可进行满足准确性阈值的准确测量，并且模型可学习最低图像质量水平，其中测量模型仍能够通过准确性阈值进行准确测量。如上文参照图6所解释的，模型因此可被训练以输出输入图像的图像质量度量并且将该质量度量与充分性阈值进行比较，以确定图像的质量是否足以用于执行内脏脂肪的测量。然后，方法700结束。
使用本文所述的测量模型测量内脏脂肪以预测或诊断NAFLD存在的技术效果是，可在无需侵入性医疗过程的情况下以快速且廉价的方式提供NAFLD诊断、风险或进展。该测量模型的另一技术效果是，用于内脏脂肪测量的图像平面和图像质量可以被标准化，这可提高测量的准确性。
本公开还提供了对用于评估受试者肝脏疾病的方法的支持，该方法包括：响应于评估肝脏疾病的请求，利用测量模型确定受试者的选定医学图像帧包括目标解剖视图并且具有高于图像质量阈值的图像质量，并且作为响应，利用该测量模型测量该选定医学图像帧中的肝脏疾病的标记物；以及输出该标记物的测量以用于在显示设备上显示。在该方法的第一示例中，该方法还包括利用该测量模型确定受试者的在选定医学图像帧之前采集的先前医学图像帧不包括目标解剖视图和/或不具有高于图像质量阈值的图像质量，并且作为响应，拒绝该先前医学图像帧，使得不测量标记物。在该方法的第二示例中，该第二示例任选地包括第一示例，测量模型包括一个或多个深度学习网络，并且其中确定选定医学图像帧包括目标解剖视图并且具有高于图像质量阈值的图像质量包括：将选定医学图像帧输入到一个或多个深度学习网络中的一个或多个深度学习网络中，其中一个或多个深度学习网络被训练以输出选定医学图像帧的解剖视图和选定医学图像帧的图像质量。在该方法的第三示例中，该第三示例任选地包括第一示例和第二示例中的一者或两者，测量肝脏疾病的标记物包括：将选定医学图像帧输入到一个或多个深度学习网络，其中一个或多个深度学习网络被训练以分割选定医学图像帧以便识别标记物并测量所识别的标记物。在该方法的第四示例中，该第四示例任选地包括第一示例至第三示例中的一者或多者或每一者，图像质量阈值由一个或多个深度学习网络在训练期间学习。在该方法的第五示例中，该第五示例任选地包括第一示例至第四示例中的一者或多者或每一者，为了学习图像质量阈值以及为了输出图像质量，利用包括多个医学图像帧集合的训练数据集来训练一个或多个深度学习网络，每个医学图像帧集合包括高质量图像帧和根据高质量图像帧生成的图像帧子集，每个图像帧子集的质量逐渐降低。在该方法的第六示例中，该第六示例任选地包括第一示例至第五示例中的一者或多者或每一者，肝脏疾病是非酒精性脂肪性肝病，其中标记物是肝脏周围的内脏脂肪，并且其中测量模型被训练以测量内脏脂肪的厚度。在该方法的第七示例中，该第七示例任选地包括第一示例至第六示例中的一者或多者或每一者，该方法还包括：基于标记物的测量来确定受试者患有肝脏疾病的风险或受试者的肝脏疾病的当前进展；以及输出该风险或该进展的视觉表示以用于显示。
本公开还提供了对一种系统的支持，该系统包括：显示设备和图像处理系统，该图像处理系统在非暂态存储器中配置有指令，该指令在被执行时致使该图像处理系统：确定受试者的超声图像帧是否包括目标解剖视图以及超声图像帧的图像质量是否高于阈值图像质量；如果超声图像帧包括目标解剖视图并且具有高于阈值图像质量的图像质量，则将超声图像帧输入到测量模型中，该测量模型被训练以测量超声图像帧中存在的内脏脂肪的厚度；以及输出内脏脂肪的厚度的测量和对受试者的基于内脏脂肪的测量确定的肝脏疾病评估，以用于在显示设备上显示。在系统的第一示例中，阈值图像质量由深度学习网络在该深度学习网络的训练期间学习，并且其中确定超声图像帧的图像质量是否高于阈值图像质量包括：将超声图像帧作为输入输入到深度学习网络，其中深度学习网络被训练以输出图像质量。在该系统的第二示例中，该第二示例任选地包括第一示例，为了学习阈值图像质量以及为了输出图像质量，利用包括多个超声图像帧集合的训练数据集来训练深度学习网络，每个超声图像帧集合包括高质量图像帧和根据高质量图像帧生成的图像帧子集，每个图像帧子集的质量逐渐降低。在该系统的第三示例中，该第三示例任选地包括第一示例和第二示例中的一者或两者，确定超声图像帧是否包括目标解剖视图包括：将超声图像帧作为输入输入到深度学习网络，其中该深度学习网络被训练以输出超声图像帧的解剖视图和超声图像帧的解剖视图是目标解剖视图的置信度分数。在该系统的第四示例中，该第四示例任选地包括第一示例至第三示例中的一者或多者或每一者，指令能够被执行以基于置信度分数调整阈值图像质量。在该系统的第五示例中，该第五示例任选地包括第一示例至第四示例中的一者或多者或每一者，对肝脏疾病的评估包括对患有肝脏疾病的风险或对肝脏疾病的当前进展的图形指示，其中肝脏疾病是非酒精性脂肪性肝病。
本公开还提供了对用于评估受试者肝脏疾病的方法的支持，该方法包括：响应于评估肝脏疾病的请求，利用测量模型确定受试者的选定超声图像包括目标解剖视图并且具有足以在选定超声图像中执行内脏脂肪测量的图像质量，并且作为响应，利用该测量模型测量选定超声图像中内脏脂肪的厚度，其中使用包括多个图像子集的训练数据集来训练测量模型以确定图像质量足以执行内脏脂肪的测量，每个图像子集包括初始图像和根据初始图像生成的一个或多个质量降低的图像；以及输出内脏脂肪的厚度的测量以用于在显示设备上显示。在该方法的第一示例中，测量模型被训练以输出指示选定超声图像的图像质量的图像质量度量，并且基于该图像质量度量大于充分性阈值来确定图像质量是足够的，其中充分性阈值由测量模型使用训练数据集来学习。在该方法的第二示例中，该第二示例任选地包括第一示例，该方法还包括：基于该测量来确定受试者患有肝脏疾病的风险或受试者的肝脏疾病的当前进展；以及输出该风险或该进展的视觉表示以用于显示。在该方法的第三示例中，该第三示例任选地包括第一示例和第二示例中的一者或两者，肝脏疾病是非酒精性脂肪性肝病。在该方法的第四示例中，该第四示例任选地包括第一示例至第三示例中的一者或多者或每一者，测量模型包括一个或多个深度学习网络。在该方法的第五示例中，该第五示例任选地包括第一示例至第四示例中的一者或多者或每一者，利用测量模型测量选定超声图像中内脏脂肪的厚度包括：将选定超声图像作为输入输入到测量模型，该测量模型被训练以分割选定超声图像以识别内脏脂肪，将测量点放置在内脏脂肪的边界上，并且通过测量测量点之间的距离来确定厚度。
当介绍本公开的各种实施方案的元件时，词语“一个”、“一种”和“该”旨在意指存在这些元件中的一个或多个元件。术语“第一”、“第二”等不表示任何顺序、量或重要性，而是用于将一个元件与另一个元件区分开。术语“包括”、“包含”和“具有”旨在是包含性的，并且意指除了列出的元件之外还可存在附加元件。如本文使用术语“连接到”、“联接到”等，一个对象(例如，材料、元件、结构、构件等)可以连接到或联接到另一个对象，而无论该一个对象是否直接连接或联接到另一个对象，或者在该一个对象和另一个对象之间是否存在一个或多个介入对象。此外，应当理解，对本公开的“一个实施方案”或“实施方案”的引用不旨在被解释为排除也包含所引用特征的附加实施方案的存在。
除了任何先前指示的修改之外，本领域技术人员可以在不脱离本描述的实质和范围的情况下设计出许多其他变型和替换布置，并且所附权利要求书旨在覆盖此类修改和布置。因此，尽管上面已经结合当前被认为是最实际和最优选的方面对信息进行了具体和详细的描述，但对于本领域的普通技术人员将显而易见的是，在不脱离本文阐述的原理和概念的情况下，可以进行许多修改，包括但不限于形式、功能、操作方式和使用。同样，如本文所使用的，在所有方面，示例和实施方案仅意图是说明性的，并且不应以任何方式解释为限制性的。

Claims (20)

1.一种用于评估受试者肝脏疾病的方法，所述方法包括：
响应于评估所述肝脏疾病的请求，利用测量模型确定所述受试者的选定医学图像帧包括目标解剖视图并且具有高于图像质量阈值的图像质量，并且作为响应，利用所述测量模型测量所述选定医学图像帧中的所述肝脏疾病的标记物；以及
输出所述标记物的测量以用于在显示设备上显示。
2.根据权利要求1所述的方法，所述方法还包括利用所述测量模型确定所述受试者的在所述选定医学图像帧之前采集的先前医学图像帧不包括所述目标解剖视图和/或不具有高于所述图像质量阈值的图像质量，并且作为响应，拒绝所述先前医学图像帧，使得不测量所述标记物。
3.根据权利要求2所述的方法，其中所述测量模型包括一个或多个深度学习网络，并且其中确定所述选定医学图像帧包括所述目标解剖视图并且具有高于所述图像质量阈值的图像质量包括：将所述选定医学图像帧输入到所述一个或多个深度学习网络中的一个或多个深度学习网络中，其中所述一个或多个深度学习网络被训练以输出所述选定医学图像帧的解剖视图和所述选定医学图像帧的图像质量。
4.根据权利要求3所述的方法，其中测量所述肝脏疾病的所述标记物包括：将所述选定医学图像帧输入到所述一个或多个深度学习网络，其中所述一个或多个深度学习网络被训练以分割所述选定医学图像帧以便识别所述标记物并测量所识别的标记物。
5.根据权利要求3所述的方法，其中所述图像质量阈值由所述一个或多个深度学习网络在训练期间学习。
6.根据权利要求5所述的方法，其中为了学习所述图像质量阈值以及为了输出所述图像质量，利用包括多个医学图像帧集合的训练数据集来训练所述一个或多个深度学习网络，每个医学图像帧集合包括高质量图像帧和根据所述高质量图像帧生成的图像帧子集，每个图像帧子集的质量逐渐降低。
7.根据权利要求1所述的方法，其中所述肝脏疾病是非酒精性脂肪性肝病，其中所述标记物是肝脏周围的内脏脂肪，并且其中所述测量模型被训练以测量所述内脏脂肪的厚度。
8.根据权利要求1所述的方法，所述方法还包括：基于所述标记物的所述测量来确定所述受试者患有所述肝脏疾病的风险或所述受试者的所述肝脏疾病的当前进展；以及输出所述风险或所述进展的视觉表示以用于显示。
9.一种系统，所述系统包括：
显示设备；和
图像处理系统，所述图像处理系统在非暂态存储器中配置有指令，所述指令在被执行时致使所述图像处理系统：
确定受试者的超声图像帧是否包括目标解剖视图以及所述超声图像帧的图像质量是否高于阈值图像质量；
如果所述超声图像帧包括所述目标解剖视图并且具有高于所述阈值图像质量的图像质量，则将所述超声图像帧输入到测量模型中，所述测量模型被训练以测量所述超声图像帧中存在的内脏脂肪的厚度；以及
输出所述内脏脂肪的所述厚度的所述测量和对所述受试者的基于所述内脏脂肪的所述测量确定的肝脏疾病的评估，以用于在所述显示设备上显示。
10.根据权利要求9所述的系统，其中所述阈值图像质量由深度学习网络在所述深度学习网络的训练期间学习，并且其中确定所述超声图像帧的所述图像质量是否高于所述阈值图像质量包括：将所述超声图像帧作为输入输入到所述深度学习网络，其中所述深度学习网络被训练以输出所述图像质量。
11.根据权利要求10所述的系统，其中为了学习所述阈值图像质量以及为了输出所述图像质量，利用包括多个超声图像帧集合的训练数据集来训练所述深度学习网络，每个超声图像帧集合包括高质量图像帧和根据所述高质量图像帧生成的图像帧子集，每个图像帧子集的质量逐渐降低。
12.根据权利要求9所述的系统，其中确定所述超声图像帧是否包括所述目标解剖视图包括：将所述超声图像帧作为输入输入到深度学习网络，其中所述深度学习网络被训练以输出所述超声图像帧的解剖视图和所述超声图像帧的所述解剖视图是所述目标解剖视图的置信度分数。
13.根据权利要求12所述的系统，其中所述指令能够被执行以基于所述置信度分数调整所述阈值图像质量。
14.根据权利要求9所述的系统，其中对所述肝脏疾病的所述评估包括对患有所述肝脏疾病的风险或对所述肝脏疾病的当前进展的图形指示，其中所述肝脏疾病是非酒精性脂肪性肝病。
15.一种用于评估受试者肝脏疾病的方法，所述方法包括：
响应于评估所述肝脏疾病的请求，利用测量模型确定所述受试者的选定超声图像包括目标解剖视图并且具有足以在所述选定超声图像中执行内脏脂肪测量的图像质量，并且作为响应，利用所述测量模型测量所述选定超声图像中所述内脏脂肪的厚度，其中使用包括多个图像子集的训练数据集来训练所述测量模型以确定所述图像质量足以执行所述内脏脂肪的所述测量，每个图像子集包括初始图像和根据所述初始图像生成的一个或多个质量降低的图像；以及
输出所述内脏脂肪的所述厚度的所述测量以用于在显示设备上显示。
16.根据权利要求15所述的方法，其中所述测量模型被训练以输出指示所述选定超声图像的所述图像质量的图像质量度量，并且基于所述图像质量度量大于充分性阈值来确定所述图像质量是足够的，其中所述充分性阈值由所述测量模型使用所述训练数据集来学习。
17.根据权利要求15所述的方法，所述方法还包括：基于所述测量来确定所述受试者患有所述肝脏疾病的风险或所述受试者的所述肝脏疾病的当前进展；以及输出所述风险或所述进展的视觉表示以用于显示。
18.根据权利要求15所述的方法，其中所述肝脏疾病是非酒精性脂肪性肝病。
19.根据权利要求15所述的方法，其中所述测量模型包括一个或多个深度学习网络。
20.根据权利要求15所述的方法，其中利用所述测量模型测量所述选定超声图像中所述内脏脂肪的所述厚度包括：将所述选定超声图像作为输入输入到所述测量模型，所述测量模型被训练以分割所述选定超声图像以识别所述内脏脂肪，将测量点放置在所述内脏脂肪的边界上，并且通过测量所述测量点之间的距离来确定所述厚度。
CN202210575881.4A 2021-06-09 2022-05-25 用于医学成像的测量工具的系统和方法 Pending CN115444451A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US17/343,619 2021-06-09
US17/343,619 US12004900B2 (en) 2021-06-09 2021-06-09 System and methods for a measurement tool for medical imaging

Publications (1)

Publication Number Publication Date
CN115444451A true CN115444451A (zh) 2022-12-09

Family

ID=84296300

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210575881.4A Pending CN115444451A (zh) 2021-06-09 2022-05-25 用于医学成像的测量工具的系统和方法

Country Status (2)

Country Link
US (2) US12004900B2 (zh)
CN (1) CN115444451A (zh)

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10242443B2 (en) * 2016-11-23 2019-03-26 General Electric Company Deep learning medical systems and methods for medical procedures

Also Published As

Publication number Publication date
US20220395251A1 (en) 2022-12-15
US12004900B2 (en) 2024-06-11
US20240299004A1 (en) 2024-09-12

Similar Documents

Publication Publication Date Title
US11488298B2 (en) System and methods for ultrasound image quality determination
US11883229B2 (en) Methods and systems for detecting abnormal flow in doppler ultrasound imaging
US10470744B2 (en) Ultrasound diagnosis apparatus, ultrasound diagnosis method performed by the ultrasound diagnosis apparatus, and computer-readable storage medium having the ultrasound diagnosis method recorded thereon
US11593933B2 (en) Systems and methods for ultrasound image quality determination
EP2744417A1 (en) A method and system of characterization of carotid plaque
JP2013542046A (ja) 超音波画像処理のシステムおよび方法
CN111311701B (zh) 用于生成医学图像的成像系统和方法
US20210177374A1 (en) Biometric measurement and quality assessment
US20210100530A1 (en) Methods and systems for diagnosing tendon damage via ultrasound imaging
CN115813434A (zh) 用于由胎儿超声扫描自动评估分数肢体体积和脂肪瘦体块的方法和系统
CN111281425A (zh) 用于显示目标对象质量水平的超声成像系统和方法
US11250564B2 (en) Methods and systems for automatic measurement of strains and strain-ratio calculation for sonoelastography
US12004900B2 (en) System and methods for a measurement tool for medical imaging
CN114098796B (zh) 用于检测医学图像中的胸膜不规则性的方法和系统
CN112807016B (zh) 用于启用湍流感知的超声扫描的方法和系统
CN116258736A (zh) 用于分割图像的系统和方法
US11890142B2 (en) System and methods for automatic lesion characterization
US20220296219A1 (en) System and methods for adaptive guidance for medical imaging
JP7225345B1 (ja) 超音波診断装置および表示方法
CN116650006A (zh) 用于自动超声检查的系统和方法
US20230157661A1 (en) Ultrasound image analysis apparatus, ultrasound diagnostic apparatus, and control method for ultrasound image analysis apparatus
US20210228187A1 (en) System and methods for contrast-enhanced ultrasound imaging
CN118512204A (zh) 超声波诊断装置

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