CN115996673A - 用于根据超声数据来识别脉管的系统和方法 - Google Patents

Abstract

本发明提供了一种用于基于从对象采集的多普勒超声数据来识别对象的脉管的类型的计算机实施的方法。计算机实施的方法包括接收通过超声探头从对象采集的超声数据，并且从接收到的超声数据生成彩色多普勒超声数据。从彩色多普勒超声数据分割对象的脉管表示，并且从分割的脉管表示获得脉搏波多普勒超声数据。然后将特征提取算法应用于脉搏波多普勒超声数据，从而提取经分割的脉管内的流动的特征，并且基于提取的流动的特征将脉管的类型识别为动脉或静脉。

Description

用于根据超声数据来识别脉管的系统和方法

技术领域

本发明涉及超声成像的领域，并且更具体而言涉及脉管超声成像的领域。

背景技术

在血液动力学监测(HDM)应用中，从脉管进行连续、准确的血流测量是至关重要的。可以为对象提供基于超声的贴片，所述贴片将连续地量化和监测血流参数。对象可以例如处于急诊和/或围手术期护理中。

脉管的完整超声成像和诊断涉及结构成像(例如B型成像)和多普勒成像(例如色流和/或频谱多普勒成像)的组合。在超声诊断成像中，多普勒测量通常由熟练的超声检查师进行，其中，超声检查师将多普勒成像平面定位在脉管的中部，并与沿脉管长度方向延伸的主轴线对齐。

然而，由未经训练的操作者定位这种脉管中的这样的平面可能是麻烦的。此外，在OR/ICU环境中，监视器上的实时图像反馈通常不可用。此外，在使用超声的连续、非侵入性血流监测的一些示例中，特别是在涉及非超声人员的围手术期护理中，传统的超声扫描器和图像反馈没有意义。

在这样的应用中，可以部署用于连续对象监测的可穿戴超声传感器或超声贴片设备。在这种情况下，诸如护士的操作者的参与可能极少，例如通过简单地放置传感器并允许系统连续记录所有超声数据。然而，这需要操作者在不看到相关脉管的实际超声图像的情况下正确放置贴片。当对颈总动脉(CCA)等脉管进行成像时，由于颈内静脉与CCA平行，探头很可能位于静脉而非动脉上方。因此，在监测期间放置贴片并保持贴片的位置与动脉的长轴正确对准可能是极具挑战性的，特别是对于不熟练的超声技师。

因此需要一种准确且可靠地识别被测量脉管的手段，例如以不依赖于用户技能的方式在定位超声探头或贴片时引导用户。

发明内容

本发明由权利要求所定义。

根据根据本发明的一个方面的示例，提供了一种用于基于从对象采集的多普勒超声数据来识别对象的脉管的类型的计算机实施的方法，所述方法包括：

接收从所述对象采集的超声数据；

根据接收到的超声数据来生成彩色多普勒超声数据；

从所述彩色多普勒超声数据分割所述对象的脉管的表示；

根据所分割的脉管的表示来获得脉搏波多普勒超声数据；

将特征提取算法应用于脉搏波多普勒超声数据，从而提取所分割的脉管内的流动的特征；并且

基于所提取的流动的特征来将所述脉管的类型识别为动脉或静脉。

所述方法提供了一种仅基于多普勒超声数据来将脉管识别为静脉或动脉的方法，并且当获得超声数据时，脉管内的流动的特征不依赖于超声探头的方向，与用于采集所述超声数据的所述超声探头的取向无关。

以此方式，所述方法提供了一种执行自动脉管识别的方式，而不需要用户进行任何熟练的输入。

在一个实施例中，从被分割的脉管获得脉搏波多普勒超声数据包括：

基于所述彩色多普勒超声数据来识别所述脉管的中心；

在所述脉管的中心生成采样体积；并且

从所述采样体积中采集脉搏波多普勒超声数据。

这样，脉搏波多普勒超声数据的采集位置位于脉管最准确的测量位置，从而提高了脉搏波多普勒超声数据和最终脉管识别的准确性。

在一个实施例中，所述特征提取算法包括：

从所述脉搏波多普勒超声数据中提取最大频率包络；

对所提取的最大频率包络进行归一化；

确定经归一化的最大频率包络的特征；并且

提取经归一化的最大频率包络的特征作为所述流动的特征。

通常，动脉的流动变化高于静脉的变化，并且与静脉相比，动脉的收缩期轮廓更尖锐。通过分析脉搏波多普勒超声数据的频率包络，可以以简单有效的方式分析流动的特性。

在一个实施例中，确定归一化最大频率包络的特征包括利用包括多个分箱的直方图来生成经归一化的最大频率包络的分布。

在一个实施例中，经归一化的最大频率包络的特征包括以下中的一个或多个：

包络的偏斜度；

最大分箱比率；以及

分箱边缘滚降。

通过分析这些特征，可以区分动脉和静脉流动特性的变化。

在一个实施例中，基于所提取的流动的特征将脉管的类型识别为动脉或静脉包括将机器学习算法应用于所提取的特征。

通过使用机器学习算法，例如多种已知机器学习算法中的一种，可以提高脉管的识别的准确性。此外，可以使用减少的输入数据来执行对脉管的识别。

在一个实施例中，基于所提取的流动的特征将脉管的类型识别为动脉或静脉包括对彩色多普勒超声数据执行彩色分布分析。

这样，在识别脉管时也可以考虑流动方向，从而提高识别的准确性。

在一个实施例中，对彩色多普勒超声数据进行颜色分布分析包括：

在采集彩色多普勒超声数据期间获得与超声探头的取向有关的探头取向数据；并且

根据探头取向数据和彩色多普勒数据的组合来将脉管分类为动脉或静脉。

以此方式，在识别脉管时也可以考虑探头取向，从而提高识别的准确性。

在一个实施例中，所述方法还包括：

基于对所述脉管的所述识别来生成引导指令；并且

向所述用户呈现所述引导指令。

以此方式，可以指导用户如何基于脉管的识别来改进超声探头的定位。

根据本发明的一个方面的示例，提供了一种包括计算机程序代码单元的计算机程序，当所述计算机程序在计算机上运行时，所述计算机程序代码单元适于实施如上所述的方法。

根据根据本发明的一个方面的示例，提供了一种用于基于从对象采集的多普勒超声数据来识别对象的脉管的类型的处理器，其中，所述处理器适于：

通过超声探头来从对象获得超声数据；

根据接收到的超声数据生成彩色多普勒超声数据；

从所述彩色多普勒超声数据分割所述对象的脉管的表示；

根据所分割的脉管的表示来获得脉搏波多普勒超声数据；

将特征提取算法应用于脉搏波多普勒超声数据，从而提取所分割的脉管内的流动的特征；并且

基于所提取的流动的特征来将所述脉管的类型识别为动脉或静脉。

在一个实施例中，当从所分割的脉管获得所述脉搏波多普勒超声数据时，所述处理器适于：

基于所述彩色多普勒超声数据来识别所述脉管的中心；

在所述脉管的中心生成采样体积；并且

从所述采样体积中采集脉搏波多普勒超声数据。

在一个实施例中，当应用特征提取算法时，所述处理器适于：

从所述脉搏波多普勒超声数据中提取最大频率包络；

对所提取的最大频率包络进行归一化；

确定经归一化的最大频率包络的特征；并且

提取经归一化的最大频率包络的特征作为所述流动的特征。

根据本发明的一个方面的示例，提供了一种超声成像系统，包括：

如上所述的处理器；以及

超声成像探头，其中，所述超声探头包括超声贴片。

在一个实施例中：所述系统还包括显示单元，并且其中，所述处理器还用于根据识别的脉管类型来生成引导指令，并生成显示指令，以使显示单元显示所述引导指令。或者，所述超声贴片还包括引导指示器，并且其中，所述处理器还适于根据对脉管类型的识别来生成引导指令，并且控制所述引导指示器向用户提供引导指令。

参考下文描述的实施例，本发明的这些和其他方面将变得显而易见并将得以阐述。

附图说明

为了更好地理解本发明，并且更清楚地示出其如何被付诸实践，现在将仅通过示例的方式参考附图，其中，

图1示出了用于解释一般操作的超声诊断成像系统；

图2示出了本发明的方法；

图3是特征提取算法的示例；

图4是表示脉管轴线与成像面之间的多普勒角度与检测到的椭圆的形状之间的关系的示意表示；

图5示出了定位于所识别的椭圆形脉管截面的质心处的多普勒门；并且

图6示出了使用T形阵列和布置在传感器上的视觉指示器的引导传感器放置的示例的图形表示。

具体实施方式

将参考附图来描述本发明。

应当理解，详细说明和具体示例虽然指示了设备、系统和方法的示例性实施例，但是仅旨在用于说明的目的，而并不旨在限制本发明的范围。根据以下说明、所附权利要求书和附图，将更好地理解本发明的设备、系统和方法的这些和其他特征、方面和优点。应该理解，附图仅是示意性的，并且未按比例绘制。还应该理解，贯穿附图，使用相同的附图标记来表示相同或相似的部分。

本发明提供了一种用于基于从对象采集的多普勒超声数据来识别对象的脉管的类型的计算机实施的方法。计算机实施的方法包括接收通过超声探头从对象采集的超声数据，并且从接收到的超声数据生成彩色多普勒超声数据。从彩色多普勒超声数据分割对象的脉管表示，并且从分割的脉管表示获得脉搏波多普勒超声数据。然后将特征提取算法应用于脉搏波多普勒超声数据，从而提取经分割的脉管内的流动的特征，并且基于提取的流动的特征将脉管的类型识别为动脉或静脉。

首先将参考图1来描述示例性超声系统的一般操作，并且重点在于系统的信号处理功能，因为本发明涉及对由换能器阵列测量的信号的处理。

所述系统包括阵列换能器探头4，所述阵列换能器探头具有用于发射超声和接收回波信息的换能器阵列6。换能器阵列6可以包括：CMUT换能器；压电换能器，由PZT或PVDF等材料制成；或任何其他合适的换能器技术。在该示例中，换能器阵列6是能够扫描感兴趣区域的2D平面或三维体积的换能器8的二维阵列。在另一个示例中，换能器阵列可以是1D阵列。

换能器阵列6被耦合到微波束形成器12，微波束形成器控制换能器元件的信号接收。如美国专利US 5997479(Savord等)，US 6013032(Savord)和US 6623432(Powers等)中所述，微波束形成器能够对换能器的子阵列(一般称为“组”或“贴片”)接收的信号进行至少部分波束形成。

应当指出，微波束形成器是完全任选的。此外，系统包括发射/接收(T/R)开关16，微波束形成器12可以被耦合到括发射/接收开关16并且在发射和接收模式之间对阵列进行切换，并且在没有使用微波束形成器并且换能器阵列由主系统波束形成器直接操作的情况下保护主波束形成器20免受高能量发射信号的影响。从换能器阵列6的超声束的发射通过T/R开关16耦合到微波束形成器和主发射波束形成器(未示出)的换能器控制器18指示，其可以从用户对用户接口或控制面板38的操作接收输入。控制器18可以包括发射电路，所述发射电路被布置为在发射模式期间(直接地或经由微波束形成器)驱动阵列6的换能器元件。

在典型的逐线成像序列中，探头内的波束形成系统可以如下地操作。在发射期间，波束形成器(取决于实现方式可以是微波束形成器或主系统波束形成器)激活换能器阵列或换能器阵列的子孔径。子孔径可以是较大阵列内的换能器的一维线或换能器的二维片。在发射模式下，如下所述地控制由阵列或阵列的子孔径产生的超声束的聚焦和转向。

在接收到来自对象的反向散射回波信号后，接收到的信号将进行接收波束形成(如下所述)，从而将接收到的信号对齐，并且在使用子孔径的情况下，例如通过一个换能器元件来对子孔径进行移位。然后激活经移位的子孔径，并且重复该过程，直到激活了换能器阵列的所有换能器元件。

对于每条线(或子孔径)，用于形成最终超声图像相关联的线的总接收信号将是在接收时段期间由给定子孔径的换能器元件测得的电压信号的总和。在下面的波束形成过程之后，所得的线路信号通常称为射频(RF)数据。然后，由各个子孔径生成的每个线信号(RF数据集)都经过额外处理，以生成最终超声图像的线。线信号的幅值随时间的变化将有助于超声图像的亮度随深度的变化，其中，高幅值峰将对应于最终图像中的亮像素(或像素的集合)。出现在线信号开始附近的峰值将表示来自浅层结构的回波，而出现在线路信号后期的峰值将表示来自对象内深度不断增加的结构的回波。

由换能器控制器18控制的功能之一是波束被转向和聚焦的方向。波束可以被转向为从换能器阵列垂直向前(垂直于换能器阵列)，或者以不同的角度用于更宽的视场。可以根据换能器元件致动时间来控制发射束的转向和聚焦。

在常规超声数据采集中可以区分两种方法：平面波成像和“波束转向”成像。两种方法的区别在于在发射模式(“波束转向”成像)和/或接收模式(平面波成像和“波束转向”成像)中存在波束形成。

首先来看聚焦功能，通过同时激活所有换能器元件，换能器阵列生成平面波，所述平面波在穿过对象时发散。在这种情况下，超声波的波束保持不聚焦。通过将取决于位置的时间延迟引入换能器的激活，可以使波束的波前会聚在期望的点上，所述点称为聚焦区。聚焦区定义为横向波束宽度小于发射波束宽度一半的点。以这种方式，提高了最终超声图像的横向分辨率。

例如，如果时间延迟导致换能器元件从最外面的元件开始并在换能器阵列的(一个或多个)中心元件结束处系列地激活，则将在距探头给定距离处形成焦点区域，与(一个或多个)中心元件成一条线。焦点区域与探头的距离将根据换能器元件激活的每个后续一轮之间的时间延迟而变化。在波束通过聚焦区后，它将开始发散，形成远场成像区域。应当注意，对于位于靠近换能器阵列的聚焦区，超声束将在远场中迅速发散，从而导致最终图像中的波束宽度伪影。通常，由于超声波束中的大的交叠，位于换能器阵列与聚焦区之间的近场显示的细节很少。因此，改变聚焦区的位置能够导致最终图像质量的显著变化。

应当注意，在发射模式下，除非将超声图像划分为多个焦点区域(每个焦点区域可能具有不同的发射焦点)，否则只能定义一个焦点。

另外，在从对象内部接收到回波信号时，可以执行上述处理的逆过程以执行接收聚焦。换句话说，进入的信号可以被换能器元件接收并且在被传递到系统中用于信号处理之前经历电子时间延迟。最简单的示例称为延迟和求和波束形成。可以根据时间动态地调整换能器阵列的接收聚焦。

现在来看波束转向的功能，通过对换能器元件正确地施加时间延迟，可以在超声束离开换能器阵列时在超声束上赋予期望的角度。例如，通过激活换能器阵列的第一侧上的换能器，然后以在阵列的相对侧上结束的顺序激活其余的换能器，波束的波前将朝向第二侧倾斜。相对于换能器阵列的法线的转向角的大小取决于随后的换能器元件激活之间的时间延迟的大小。

此外，可以对转向波束进行聚焦，其中，应用于每个换能器元件的总时间延迟是聚焦和转向时间延迟之和。在这种情况下，换能器阵列称为相控阵列。

在CMUT换能器需要激活直流偏压的情况下，换能器控制器18可以被耦合以控制换能器阵列的DC偏置控制器45。DC偏置控制器45设置被应用到CMUT换能器元件的(一个或多个)偏压。

对于换能器阵列的每个换能器元件，模拟超声信号(通常称为通道数据)通过接收通道进入系统。在接收通道中，通过微波束形成器12从通道数据中产生部分波束形成的信号，并且然后被传送到主接收波束形成器20，在主接收波束形成器20中，来自个体换能器片的部分波束形成的信号被组合成完全波束形成的信号，称为射频(RF)数据。可以如上所述执行在每个阶段执行的波束形成，或者可以包括额外的功能。例如，主波束形成器20可以具有128个通道，其中的每个接收来自换能器元件的数十或者数百的部分波束形成的信号。以此方式，由换能器阵列的数千个换能器接收到的信号可以有效地贡献于单个波束形成的信号。

波束形成的接收信号被耦合到信号处理器22。信号处理器22可以以各种方式处理接收到的回声信号，例如：带通滤波；抽取；I和Q分量分离；以及谐波信号分离，用于分离线性和非线性信号，以便识别从组织和微泡返回的非线性(基频的高次谐波)回波信号。处理器还可以执行的信号增强，例如纹波降低、信号复合以及噪声消除。信号处理器中的带通滤波器可以是跟踪滤波器，其中，其通带随着回波信号从增加的深度被接收而从较高的频带滑落到较低的频带，从而拒绝来自更大深度的较高频率处的噪声，所述噪声通常没有解剖信息。

用于发射和用于接收的波束形成器以不同的硬件实现并且可以具有不同的功能。当然，接收器波束形成器被设计为考虑到发射波束形成器的特性。为了简化，在图1中仅示出了接收器波束形成器12、20。在整个系统中，还将有具有发射微波束形成器和主发射波束形成器的发射链。

微波束形成器12的功能是提供信号的初始组合，以便减少模拟信号路径的数量。这通常在模拟域中执行。

最终的波束形成在主波束形成器20中完成，并且通常在数字化之后。

发射和接收信道使用具有固定频带的同一换能器阵列6。但是，发射脉冲占用的带宽可以根据使用的发射波束形成而变化。接收通道可以捕获整个换能器带宽(这是经典方法)，或者通过使用带通处理，它可以只提取包含期望的信息(例如主谐波的谐波)的带宽。

RF信号可以然后被耦合到B模式(即，亮度模式或2D成像模式)处理器26和多普勒处理器28。B模式处理器26对接收到的超声信号执行幅值检测，以对身体中的结构(例如，器官组织和血管)进行成像。在逐线成像的情况下，每条线(波束)由关联的RF信号表示，其幅值用于生成要分配给B模式图像中像素的亮度值。图像内像素的确切位置由沿RF信号的相关幅度测量值的位置以及RF信号的线(束)数确定。这种结构的B模式图像可以以谐波或基本图像模式或两者的组合形成，如美国专利US 6283919(Roundhill等人)和美国专利US6458083(Jago等人)中所描述。多普勒处理器28可以处理源自组织运动和血液流动的时间上分立的信号，用于检测运动的物质，例如图像场中的血细胞的流动。多普勒处理器28通常包括壁滤波器，其具有被设置为使从身体中的选定类型的材料返回的回波通过或拒绝其的参数。

将由B模式和多普勒处理器生成的结构和运动信号耦合到扫描转换器32和多平面重新格式化器44。扫描转换器32以期望的图像格式来根据回波信号被接收的空间关系来布置回波信号。换句话说，扫描转换器的作用是将RF数据从圆柱坐标系转换为适于在图像显示器40上显示超声图像在的笛卡尔坐标系。在B模式成像的情况下，给定坐标处像素的亮度与从该位置接收的RF信号的幅值成比例。例如，扫描转换器可以将回波信号布置为二维(2D)扇区形格式，或者锥体三维(3D)图像。扫描转换器可以在B模式结构图像上叠加与图像场中各个点的运动相对应的颜色，在这些点处多普勒估计的速度可产生给定的颜色。组合的B模式结构图像和彩色多普勒图像描述了结构图像场内组织和血流的运动。多平面重新格式化器将从身体的体积区域中的共同平面中的点接收到的回波转换为该平面的超声图像，如在美国专利US 6443896(Detmer)中所描述。体积绘制器42将3D数据集的回波信号转换成如从给定参考点所看到的投影的3D图像，如在美国专利US 6530885(Entrekin等人)中所描述的。

2D或3D图像被从扫描转换器82、多平面重新格式化器44、以及体积绘制器42耦合到图像处理器30用于进一步增强、缓存和临时存储，以在图像显示器40上显示。成像处理器可以适于从最终的超声图像中去除某些成像伪像，例如：声学阴影，例如由强衰减物或折射引起的；后增强，例如由弱衰减物引起的；混响伪影，例如，高度反射的组织界面的紧邻定位之处；等等。另外，图像处理器可以适于处理特定纹波减少功能，以便改善最终超声图像的对比度。

除了用于成像外，由多普勒处理器28生成的血流值以及由B模式处理器26生成的组织结构信息被耦合到量化处理器34。所述量化处理器生成不同流动状况的量度(例如，血流的体积率)以及结构测量结果(例如，器官的尺寸和孕龄)。量化处理器46可以接收来自用户控制面板38的输出，例如，要进行测量的图像的解剖结构中的点。

来自量化处理器的输出数据PUHC耦合到图形处理器36，用于在显示器40上与图像一起再现测量图形和值，以及从显示设备40输出音频。图形处理器36也可以生成图形叠加以用于与超声图像一起显示。这些图形叠加可以包括标准识别信息，例如图像的患者姓名、日期和时间、成像参数等等。出于这些目的，图形处理器从用户接口38接收输入，例如患者姓名。所述用户接口还被耦合到发射控制器18以控制来自换能器阵列6的超声信号生成，并因此控制由换能器阵列和超声系统生成的图像。控制器18的发射控制功能仅仅是所执行的功能之一。控制器18还考虑了操作模式(由用户给定)以及接收器模数转换器中的相应所需的发射器配置和带通配置。控制器18可以是具有固定状态的状态机。

用户接口也可以被耦合到多平面重新格式化器44以选择和控制多个经多平面重新格式化的(MPR)的图像的平面，其可以被用于执行MPR图像的图像场中的量化的度量。

本文描述的方法可以在处理单元上执行。这样的处理单元可以位于超声系统之内，诸如上面参考图1描述的系统。例如，上述图像处理器30可以执行以下详述的方法步骤中的一些或全部。替代地，处理单元可以位于适于接收与对象有关的输入的任何合适的系统中，例如监测系统。

图2示出了用于基于从对象采集的多普勒超声数据来识别对象的脉管的类型的计算机实施的方法100。

计算机实施的方法通过接收通过超声探头从对象采集的超声数据而开始于步骤110。可以使用任何合适的超声探头来获得超声数据，例如常规超声探头或超声贴片。超声探头可以包括各种不同的传感器，即超声换能器，例如：线性换能器阵列；两个线性换能器阵列，其被布置为使得一个阵列的成像平面与另一个正交；或者2D阵列。

换句话说，超声探头可以包括基于超声阵列的超声贴片或可穿戴超声传感器，所述超声阵列包括例如生成多平面数据集的一维超声布置或多个一维子阵列。

超声可穿戴贴片可以包括任何合适的超声换能器类型，例如CMUT单元或压电换能器单元。换能器元件可以布置成双平面配置，其具有在横向方向上的线性元件组和在纵向方向上的另一独立线性元件组。换句话说，换能器可以布置成两组正交线性阵列。布置在纵向方向上的元件可以与布置在横向方向上的元件的中心在空间上对齐。

当采集待处理的超声数据时，无论是稍后在单独的处理系统上还是在适当的超声系统上实时采集，超声贴片都会根据颈动脉解剖学的基本知识(例如触诊)放置在CCA附近。在将超声贴片放置在对象的皮肤上后，用户可以操作按钮来初始化系统以开始采集超声数据。

在步骤120中，从接收到的超声数据生成彩色多普勒超声数据，并且在步骤130中从所述彩色多普勒超声数据中分割出对象的脉管的表示。

为了从彩色多普勒超声数据中分割脉管，基于Chan-Vese形活动轮廓/蛇概念(如以下文章中所述：Chan,T.F.,&Sandberg Y.B(2000).Active contours without edgesfor Vector-valued Image.Journal of Visual Communication and ImageRepresentation 11,130–141(2000)；Chan,T.F.,&Vese,L.A.(2001).Active contourswithout edges.IEEE Transactions on Image Processing,10(2),266-277；and Chan,T.F.,&Vese,L.A.(2002).A Multiphase level set framework for image segmentationusing the Mumford and Shah model.International Journal of Computer Vision 50(3),271–293,(2002))，并且可以使用归一化能量梯度方法。后者类似于针对给定的应用程序使用优化的内核的一组非线性混合检测算法(例如，分别在Sobel,I.,Feldman,G.,"A3x3 Isotropic Gradient Operator for Image Processing",在Stanford ArtificialIntelligence Project(SAIL)在1968年提出的以及Canny,J.,A Computational ApproachTo Edge Detection,IEEE Trans.Pattern Analysis and Machine Intelligence,8(6):679–698,1986中描述的Sobel和Canny算符的组合)。这些方法专门针对传感器的成像性能进行了调整。为了提高准确性和鲁棒性，可以指定关于主方向的受限制的感兴趣区域(从中采集数据)，并且在局部2D区域上执行相同的流程。

在步骤140中，从分割的脉管表示中获得脉波多普勒超声数据。一旦已经从彩色多普勒超声数据中分割出脉管的表示，就可以识别用于从脉管获得脉搏波多普勒超声数据的准确采样位置。

例如，从分割脉管获得脉搏波多普勒超声数据的步骤可以包括基于彩色多普勒超声数据，并且更具体地基于脉管的分割表示的形状来识别脉管的中心。脉管的中心可以从彩色多普勒超声数据的RGB模式中识别出来，以区分脉管内的层流和湍流。然后可以将采样体积放置在脉管的中心，这是脉管的具有最大血流速度的区域，因此是针对测量脉搏波多普勒超声数据的最准确位置。然后可以从采样体积采集脉搏波多普勒超声数据。

换句话说，可以将彩色多普勒超声数据提供给处理单元，其中可以使用分割算法来使用超声流动信息(即彩色多普勒图像)来检测脉管，并且识别脉管的中心。然后通过将样本体积放置在脉管的已识别中心来采集脉搏波多普勒超声数据。

基于脉管中心的采样体积的放置将在下面参考图4进一步描述。

在步骤150中，将特征提取算法应用于脉搏波多普勒超声数据，从而提取经分割的脉管内的流动的特征，并且在步骤160基于提取的流动的特征将脉管的类型识别为动脉或静脉。下面描述特征提取算法的各种示例。

应该注意的是，所述方法可以在先前采集的数据集或连续的输入超声数据流上进行操作。因此，可以连续重复该方法以便基于最近接收到的数据更新当前成像脉管的标识。以这种方式，所述方法可以在监测期间实时补偿对象运动或用户经验不足。

如上所述，脉搏波多普勒超声数据经过特征提取步骤以提取区分动脉和静脉的特征。这些特征是通过考虑动脉和静脉中的流动特征而导出的。通常，动脉中的流运变化大于静脉中的流运变化，并且与静脉相比，动脉中存在更尖锐的收缩期。图3示出了根据本发明一方面的特征提取算法的示例200。

在步骤210中，从脉搏波多普勒超声数据中提取最大频率包络，然后在步骤220中对其进行归一化以获得经归一化的最大频率包络。

然后识别经归一化的最大频率包络的特征，例如通过利用包括多个分箱的直方图来生成经归一化的最大频率包络的分布，如步骤230所示。

在步骤240中，经归一化的最大频率包络的特征，可以包括以下的一个或多个：包络的偏斜度；最大分箱比率；以及分箱边缘滚降，其被提取为流动的特征。

例如，将e(n)作为脉搏波多普勒数据的归一化包络，b(n)和c(n)分别作为直方图的分箱边缘值和分箱计数。可以根据以下公式来提取以下特征：

其中，N是样本总数，并且

是包络的平均值；

最大分箱比率：

其中，L是直方图中分箱的总数；并且

分箱边缘滚降：L1使得，

0<P<1并且L1<L

这些特征区分动脉和静脉流动值的变化，以便识别被测量的脉管。

可以使用应用于提取特征的机器学习算法来执行基于提取特征的脉管识别。

机器学习算法是任何处理输入数据以生成或预测输出数据的自训练算法。此处，输入数据包括流动特征，输出数据包括脉管标识。

用于本发明的合适的机器学习算法对于技术人员来说将是显而易见的。合适的机器学习算法的示例包括决策树算法和人工神经网络。逻辑回归、支持向量机或朴素贝叶斯模型等其他机器学习算法都是合适的替代方案。

人工神经网络(或简称为神经网络)的结构受到人脑的启发。神经网络由层组成，每一层包含多个神经元。每个神经元包括数学运算。特别地，每个神经元可以包括单一类型变换的不同加权组合(例如，相同类型的变换、S形等但具有不同的权重)。在处理输入数据的过程中，每个神经元对输入数据进行数学运算，产生数值输出，神经网络中每一层的输出顺序地馈入下一层。最后一层提供输出。

训练机器学习算法的方法是众所周知的。通常，这样的方法包括获得训练数据集，训练数据集包括训练输入数据条目和对应的训练输出数据条目。将初始化的机器学习算法应用于每个输入数据条目以生成预测的输出数据条目。预测的输出数据条目和对应的训练输出数据条目之间的误差用于修改机器学习算法。可以重复这个过程，直到误差收敛，并且预测的输出数据条目与训练输出数据条目足够相似(例如±1％)。这通常被称为监督学习技术。

例如，在机器学习算法由神经网络形成的情况下，可以修改每个神经元的数学运算(的权重)直到误差收敛。已知的修改神经网络的方法包括梯度下降、反向传播算法等。

训练输入数据条目对应于示例流动特征。训练输出数据条目对应于脉管标识。

换一种方式，使用提取的流特征训练机器学习模型。例如，前馈神经网络可以与一个输入、两个隐藏层(每层有四个隐藏神经元)和一个输出层一起使用。神经元的权重可以通过交叉熵损失函数和S形激活函数获得。

在该方法的实时应用中，可以提取与上述特征相同的特征，并针对训练的机器学习算法计算相似性度量。与输入特征向量最相似的脉管因此被标记为动脉或静脉。

上述分类方法的准确性(根据50个信号样本计算得出)如下表所示，并说明了根据上述特征的组合执行识别的好处：

特征	分类准确度
		包络的偏斜度	54
最大分箱比率	58
		分箱边缘滚降	60
包络的偏斜度&最大分箱比率	88
		偏斜度&分箱边缘滚降	90
最大分箱比率&分箱边缘滚降	88
		所有三个特征	98

此外，通过固定扫描方向，可以通过分析识别脉管段的颜色强度值和分布(基于RGB值)来区分动脉和静脉。由于动脉和静脉的血流方向相反，如果探头取向保持在某个已知方向，则颜色分布值可用于区分动脉和静脉。

换句话说，基于所提取的流动的特征将脉管的类型识别为动脉或静脉可以包括对彩色多普勒超声数据执行颜色分布分析，例如，通过获得与取向有关的探头取向数据来在采集彩色多普勒超声数据期间超声探头的定位，并且基于探头取向数据和彩色多普勒数据的组合来将对象的脉管分类为动脉或静脉。例如，这可以用于确认对如上所述导出的脉管的类型的识别。

例如，可以利用一些关于颈动脉解剖学的基本先验知识、利用固定探头取向和如上所述分割的脉管将超声可穿戴贴片放置在颈动脉附近。然后可以单独分析所识别脉管的颜色分布，并且可以基于探头取向来确认对动脉和静脉的识别。

由于成像平面相对于脉管轴的角度，所采集的彩色多普勒超声数据中对象的脉管形状通常是椭圆形的。图4示出了角度α、脉管轴线和成像平面之间的多普勒角度与检测到的椭圆的形状之间的关系的示意图。

通常，当平面以90°以外的角度穿过半径为R的无限圆柱体230时，所得的形状为椭圆240。假设脉管可以建模为无限圆柱(即在成像平面内，脉管的形状或方向没有显著变化)，则脉管截面将为椭圆形。

当识别出椭圆时，从彩色多普勒数据流导出的形状因子(a和b，主轴的尺寸)及其取向(

和α)足以建立脉管轴线，并且可以进一步用于矢量化相对于成像平面方向的流向。

可以使用非线性最小二乘法通过一般椭圆方程来拟合形状。在这种情况下，主欧拉角和脉管直径将直接可用。替代地，可以使用图像动量方法直接在成像平面中执行形状识别。

形状的质心然后可用于多普勒选通放置，以获得脉搏波多普勒超声数据，流动特征从所述脉搏波多普勒超声数据提取。

由于与流量有关的参数是从多普勒超声数据流中连续导出的，因此流量矢量校正可能会响应于外部移动(例如对象在检查或监测过程中移动)而随时间进行调整。

主角度

由皮下的动脉取向确定，而角度α主要由与动脉交叉的成像平面设置。

图5示出了位于成像平面270内的已识别椭圆形脉管截面260的质心处的多普勒门，例如采样体积，250。

可以在算法中采用动态多普勒门概念。这可以通过多种方式来实现。例如，可以将恒定的门尺寸与在彩色多普勒数据中识别的椭圆形的质心上的门的动态定位组合使用。

替代地，可以使用动态门尺寸，其遵循彩色多普勒数据的椭圆形状。应当指出，这可以包括内接到椭圆内的矩形，其中，矩形具有与所述椭圆相同的纵横比。在这种情况下，系统会动态选择脉冲波模式门或样本量大小，以覆盖评估中的整个脉管。

在另一示例中，可以在心动周期中使用多个门位置来遵循彩色多普勒形状，并且更具体地遵循质心运动。

使用动态门(位置和/或大小)可以实现：连续监测期间较低的机械指数/热指数(MI/TI)；在患者运动期间更好地排除伪影；并且更准确地报告波形。

如上所述，超声数据是通过传感器的方式采集的。如所描述的，传感器的多种实现方式可以用于收集超声数据。例如，传感器可以包括：线性换能器阵列；两个线性换能器阵列，其被布置为使得一个阵列的成像平面与另一个正交；或者2D阵列。

此外，可以关于传感器的放置引导用户。提供给用户的引导可以以间接方式提供。换句话说，系统可以分析超声数据并通过与传感器分开的引导器件来生成引导信号。例如，在生成视觉引导信号的情况下，可以在屏幕上显示箭头，所述箭头指示用户应当移动传感器的方向。

替代地，用于向用户提供引导的器件可以被包括在传感器本身中。例如，传感器可以适于生成以下中的一项或多项：听觉指令；视觉指令；电子控制信号；以及触觉指令，以引导用户。

可以基于对接受调查的脉管的类型和期望的脉管的识别来生成该指南。例如，在测量CCA的情况下，如果脉管被识别为静脉，则可以向用户呈现移动探头的指导指令，或者如果脉管被识别为动脉，则可以将探头保持在适当位置。

图6示出了使用T形阵列和布置在传感器上的视觉指示器的引导传感器放置的示例的图形表示600。

传感器610被示出为紧邻感兴趣脉管620放置。传感器包括第一换能器阵列630和第二换能器阵列640，第一换能器阵列630在这种情况下生成脉管的截面图，第二换能器阵列640正交于第一换能器阵列布置。传感器贴片还可包括其他换能器阵列。

此外，传感器包括平移视觉指示器650和旋转视觉指示器660。在操作中，平移视觉指示器可以被照亮以向用户提供引导信号，以沿所指示的方向移动贴片。类似地，可旋转的视觉指示器可被照亮以向用户提供引导信号，以沿所指示的方向旋转贴片。

在图6所示的示例中，放置传感器，使得第一换能器阵列捕获包括感兴趣脉管的不完整视图670的成像平面。可以通过适当的用户输入(例如位于传感器贴片上的按钮)来初始化传感器。

首先可以仅激活第一换能器阵列，以确保感兴趣脉管的完整截面图。替代地，第一换能器阵列和第二换能器阵列可以同时被激活。

在这种情况下，超声传感器贴片捕获双重(B模式和彩色多普勒)数据，所述数据可以流式传输到连接的超声系统的处理器。

如上所述，采用分割算法来基于彩色多普勒超声数据检测成像平面内的脉管(例如，通过搜索脉管的圆形外观)。图6所示示例的目标是将贴片放置在颈总动脉上，而不是颈内静脉上。如果检测到的脉管的类型被识别为动脉而不是静脉，则指示器会通知此步骤已成功完成。

在这种情况下，脉管的初始视图是不完整的。因此，可以在传感器贴片上激活平移视觉指示器，从而引导用户将贴片移动到脉管680的完整视图的视觉指示器。

为了确保分割区域690确实是期望的脉管，例如动脉而不是静脉或噪声伪影，如上所述从脉管采集脉搏波多普勒超声数据并且提取流的特征。

应当注意，数据不必对用户可见，而是可以通过算法在系统内执行。超声传感器贴片可以是可穿戴的贴片，其可以临时固定到对象，从而允许他们在贴片操作时自由移动。

在另一个示例中，贴片可以包括能够执行3D超声成像的换能器元件的2D阵列。在这种情况下，可以使用x平面以类似于上述第一换能器阵列的方式帮助进行脉管对齐。建议使用x平面，而不是使用完整的2D阵列，因为这会减少对齐贴片所需的通道数量，从而减少功耗和数据速率，和/或允许更高的帧率。在这种情况下，可以将贴片简单地放置在感兴趣的区域上，而无需迭代移动或调整贴片。可以激活阵列的所有元素，以找到与脉管轴最佳对齐的元素子集。在这样的示例中，将不需要(或最少)训练或专门知识来放置贴片。

在另一示例中，图6中描述的传感器贴片的线性换能器阵列可以被替换为1.5D换能器元件，这将增加成像平面的视场并且可以最小化搜索脉管和/或将传感器贴片与脉管对齐所需的迭代。

本领域技术人员通过研究附图、公开内容以及权利要求书，在实践请求保护的本发明时能够理解并且实现对所公开的实施例的变型。在权利要求中，“包括”一词不排除其他元件或步骤，并且词语“一”或“一个”不排除多个。

单个处理器或者其它单元可以实现权利要求书中记载的若干项的功能。

尽管特定措施是在互不相同的从属权利要求中记载的，但是这并不指示不能有利地使用这些措施的组合。

可以将计算机程序存储/分布在与其它硬件一起提供或者作为其它硬件的部分提供的诸如光存储介质或者固态介质的合适介质上，但是还可以以诸如经因特网或者其它有线或无线电信系统的其它形式分布。

如果在权利要求书或说明书中使用术语“适于”，则应注意，术语“适于”旨在等同于术语“被配置为”。

权利要求书中的任何附图标记不应被解释为对范围的限制。

Claims (13)

1.一种用于基于从对象采集的多普勒超声数据来识别对象的脉管的类型的计算机实施的方法(100)，所述方法包括：

接收(110)从所述对象采集的超声数据；

根据接收到的超声数据来生成(120)彩色多普勒超声数据；

从所述彩色多普勒超声数据分割(130)所述对象的脉管的表示；

根据所分割的脉管的表示来获得(140)脉搏波多普勒超声数据；

将特征提取算法应用(150)于所述脉搏波多普勒超声数据，从而提取所分割的脉管内的流动的特征；并且

基于所提取的所述流动的特征来将所述脉管的所述类型识别(160)为动脉或静脉，

其中，基于所提取的所述流动的特征来将所述脉管的所述类型识别为动脉或静脉的步骤还包括：

在采集所述彩色多普勒超声数据期间获得与所述超声探头的取向有关的探头取向数据；并且

基于探头取向数据和彩色多普勒数据的组合来将所述脉管分类为动脉或静脉。

2.根据权利要求1所述的计算机实施的方法(100)，其中，从所分割的脉管获得所述脉搏波多普勒超声数据包括：

基于所述彩色多普勒超声数据来识别所述脉管的中心；

在所述脉管的所述中心处生成采样体积；并且

从所述采样体积采集所述脉搏波多普勒超声数据。

3.根据权利要求1至2中的任一项所述的计算机实施的方法(100)，其中，所述特征提取算法包括：

从所述脉搏波多普勒超声数据中提取(170)最大频率包络；

对所提取的最大频率包络进行归一化(175)；

确定经归一化的最大频率包络的特征；并且

提取(185)所述经归一化的最大频率包络的所述特征作为所述流动的特征。

4.根据权利要求3所述的计算机实施的方法(100)，其中，确定所述经归一化的最大频率包络的特征包括利用包括多个分箱的直方图来生成(180)所述经归一化的最大频率包络的分布。

5.根据权利要求4所述的计算机实施的方法(100)，其中，所述经归一化的最大频率包络的所述特征包括以下中的一项或多项：

所述包络的偏斜度；

最大分箱比率；以及

分箱边缘滚降。

6.根据权利要求1至5中的任一项所述的计算机实施的方法(100)，其中，基于所提取的所述流动的特征将所述脉管的所述类型识别为动脉或静脉包括将机器学习算法应用于所提取的特征。

7.根据权利要求1至6中的任一项所述的计算机实施的方法(100)，其中，所述方法还包括：

基于对所述脉管的所述识别来生成引导指令；并且

向所述用户呈现所述引导指令。

8.一种包括计算机程序代码模块的计算机程序，当所述计算机程序在计算机上运行时，所述计算机程序代码模块适于实施根据权利要求1至7中的任一项所述的方法。

9.一种用于基于从对象采集的多普勒超声数据来识别对象的脉管的类型的处理器，其中，所述处理器适于：

通过超声探头来从所述对象获得超声数据；

根据接收到的超声数据来生成彩色多普勒超声数据；

从所述彩色多普勒超声数据分割所述对象的脉管的表示；

根据所分割的脉管的表示来获得脉搏波多普勒超声数据；

将特征提取算法应用于所述脉搏波多普勒超声数据，从而提取所分割的脉管内的流动的特征；并且

通过以下操作来基于所提取的所述流动的特征将所述脉管的所述类型识别为动脉或静脉：

在采集所述彩色多普勒超声数据期间获得与所述超声探头的取向有关的探头取向数据；并且

基于探头取向数据和彩色多普勒数据的组合来将所述脉管分类为动脉或静脉。

10.根据权利要求9所述的处理器，其中，当从所分割脉管获得所述脉搏波多普勒超声数据时，所述处理器适于：

基于所述彩色多普勒超声数据来识别所述脉管的中心；

在所述脉管的所述中心处生成采样体积；并且

从所述采样体积中采集所述脉搏波多普勒超声数据。

11.根据权利要求9至10中的任一项所述的处理器，其中，当应用所述特征提取算法时，所述处理器适于：

从所述脉搏波多普勒超声数据中提取最大频率包络；

对所提取的最大频率包络进行归一化；

确定经归一化的最大频率包络的特征；并且

提取所述经归一化的最大频率包络的所述特征作为所述流动的特征。

12.一种超声成像系统(2)，包括：

根据权利要求9至11中的任一项所述的处理器，以及

超声成像探头，其中，所述超声探头包括超声贴片(610)。

13.根据权利要求12所述的超声成像系统，其中：

所述系统还包括显示单元，并且其中，所述处理器还适于基于对所述脉管的所述类型的所述识别来生成引导指令并生成显示指令，以使所述显示单元显示所述引导指令；或者

所述超声贴片(610)还包括引导指示器，并且其中，所述处理器还适于基于对所述脉管的所述类型的所述识别来生成引导指令并且控制所述引导指示器向所述用户提供所述引导指令。

Images