CN116249491A - 超声方法 - Google Patents
超声方法 Download PDFInfo
- Publication number
- CN116249491A CN116249491A CN202080105048.2A CN202080105048A CN116249491A CN 116249491 A CN116249491 A CN 116249491A CN 202080105048 A CN202080105048 A CN 202080105048A CN 116249491 A CN116249491 A CN 116249491A
- Authority
- CN
- China
- Prior art keywords
- vessel
- placenta
- organ
- power doppler
- image
- 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
- A61B8/08—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
-
- 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
- A61B8/06—Measuring blood flow
-
- 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
- A61B8/0866—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving foetal diagnosis; pre-natal or peri-natal diagnosis of the baby
-
- 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
- A61B8/0891—Detecting organic movements or changes, e.g. tumours, cysts, swellings for diagnosis of blood vessels
-
- 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
- A61B8/466—Displaying means of special interest adapted to display 3D data
-
- 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
- A61B8/488—Diagnostic techniques involving Doppler signals
-
- 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
- A61B8/5207—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of raw data to produce diagnostic data, e.g. for generating an image
-
- 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
- A61B8/58—Testing, adjusting or calibrating the diagnostic device
- A61B8/585—Automatic set-up of the device
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- 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
- G06T7/11—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
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/20084—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
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
- G06T2207/30104—Vascular flow; Blood flow; Perfusion
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Medical Informatics (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Vascular Medicine (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Hematology (AREA)
- Quality & Reliability (AREA)
- Physiology (AREA)
- Pregnancy & Childbirth (AREA)
- Gynecology & Obstetrics (AREA)
- Computer Graphics (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
一种自动识别超声图像中的参考血管的计算机实现的方法,该方法包括:对图像进行分割以识别器官;定位特定于该器官的预定解剖标志;识别适合该器官的脉管系统;以及从该脉管系统中选择尺寸在预定尺寸范围内且位置距所述预定解剖标志预定距离范围的参考血管。
Description
技术领域
本发明涉及超声成像和测量,特别是使用功率多普勒超声技术来测量血流。
背景技术
功率多普勒超声是使用反射信号的振幅作为有关发射信号的频移的函数来确定受试者中组织的运动、特别是血流的一种技术。功率多普勒(Power Doppler,PD)超声是通过在感兴趣的面积(2D-PD)或体积(3D-PD)内对超声散射的振幅进行积分来量化的。这是通过对感兴趣区域内的功率多普勒信号求和来实现的,该PD信号表示红细胞的局部浓度(其散射超声)。通常,功率多普勒超声只能提供关于相对血流的信息,这是因为测量部位和传感器之间返回的回波的衰减量是未知的。衰减取决于测量部位和传感器之间的距离以及介入组织的性质,例如疤痕组织衰减强烈。了解绝对血流将改善各种疾病的诊断。已知的用于功率多普勒信号标准化的技术涉及人工识别感兴趣区域以用作标准化参考,从而确定标准化点。所使用的标准化点是“拐点值(knee value)”,其中高于标准化点的功率多普勒强度值被赋值1,低于该标准化点的值被缩放到0到1的范围内[1]。
发明内容
需要一种能够对血流进行绝对测量的技术。
根据本发明,提供了一种自动识别超声图像中的参考血管的计算机实现的方法,该方法包括:
分割图像以识别器官;
定位特定于该器官的预定解剖标志;
识别适合该器官的脉管系统;以及
从该脉管系统中选择尺寸在预定尺寸范围内且位置距所述预定解剖标志预定距离范围的参考血管。
理想地,预定尺寸范围的直径大于3mm。
理想地,分割包括使用训练后的全卷积神经网络。
理想地,定位包括使用多类迁移学习模型。
理想地,多类迁移学习模型包括两个独立的路径:第一路径和第二路径,第一路径具有使用分割模型初始化的参数,第二路径具有使用方差缩放初始化的参数。
理想地,识别包括使用基于自动化多种子区域生长的方法。
理想地,识别还包括在基于自动多种子区域生长的方法的输出使用基于3D中轴的细化方法。
理想地,该器官是胎盘,优选地,解剖标志是子宫-胎盘界面。在这种情况下,理想地,预定距离范围为约0.5cm至约1.5cm。
根据本发明,提供了一种在器官的功率多普勒图像中绘制血流的计算机实现的方法,该方法包括:
使用上述方法识别功率多普勒图像中的参考血管;
根据该参考血管确定参考功率多普勒值;以及
基于参考功率多普勒值对功率多普勒图像中的功率多普勒值进行缩放,以获得标准化的血流图像。
理想地,确定参考功率多普勒值包括将模型血管分布拟合到参考血管并确定未落在高剪切血管边缘内的标准化点。
理想地,拟合模型血管分布包括检测局部最大强度点,并使用区域生成方法来获得所有内部强度都大于阈值的初始血管区域。
理想地,应用迭代梯度下降技术以最小化成本函数。
根据本发明,提供了一种确定器官中的运动血容量分数的计算机实现的方法,该方法包括:
获得该器官的功率多普勒图像;
使用上述方法在功率多普勒图像中绘制血流,以获得标准化的血流图像;以及
使用标准化的血流图像确定运动血容量分数。
根据本发明,提供了一种计算不良妊娠结局(例如胎儿生长受限和/或先兆子痫)的风险的计算机实现的方法,包括:
根据上述方法确定受试者的胎盘中的运动血容量分数;
测量受试者的胎盘体积;以及
至少部分地基于运动血容量分数和胎盘体积来计算风险评分。
因此,本发明通过对绝对信号进行标准化,使得感兴趣区域上的信号积分始终基线化,从而实现对具有不同组织衰减的不同患者之间的定量血流估计的全自动比较。为此,在与感兴趣区域相似的组织深度水平上识别具有“100%血管分布”的大血管,并将该血管中PD信号记录的数值用作“标准化点”[2]。如果将该大血管中的信号除以整个感兴趣区域的PD信号,那么该感兴趣区域的其他较小血管将始终具有与100%血管分布的血管相关的相同比例信号强度。这种标准化过程产生了一种称为运动血容量分数(Fractional MovingBlood Volume,FMBV)的测量方法,这是用2D和3D超声来定量测量灌注(perfusion)的唯一有效方法。
本发明提供了一种新的用于FMBV估计的方法,该方法克服了现有技术的限制,并且可以提高该技术的准确性。例如,本发明避免了由于限定用于分析的感兴趣区域而导致的困难,其中标准化值是感兴趣区域的大小以及包括在该感兴趣区域中的组织的性质的函数。此外,本发明的技术不易受到采集图像中的信噪比的影响;在许多情况下,对噪声的敏感度极低。此外,本发明不容易受感兴趣区域内中等大小的血管对“拐点(knee point)”的位置和随后计算的标准化值的影响。
本发明能够自动识别来自单个血管的功率多普勒标准化值,以调节超声信号的组织衰减。本发明的实施例提供了一种鲁棒且有效的方法,用于从由标准3D功率多普勒超声成像的复杂血管网络中提取的单个血管中自动识别功率多普勒标准化值。
附图说明
下面将参考示例性实施例和附图进一步描述本发明,在附图中:
图1描绘了可用于本发明实施例的全卷积神经网络(fully convolutionalneural network,fCNN)的架构。
图2描绘了使用2D B超平面的胎盘分割(左边的图)、使用半自动随机游走分割的胎盘分割(中间的图)和使用图1的fCNN的分割的胎盘分割(右边的图)的示例图像。
图3a和图3b示出了将通过图1的fCNN计算的胎盘体积分别与通过半自动随机游走技术计算的胎盘体积和通过市售的VOCALTM技术计算的胎盘体积进行比较的图。
图4描绘了一旦羊膜-胎盘界面(amniotic-placental interface,API)和胎儿-胎盘界面(fetal-placental interface,FPI)已知,如何识别子宫-胎盘界面(utero-placental interface,UPI)。
图5a至图5c描绘了在本发明实施例中使用的模型的全卷积神经网络架构,具体地,图5(a)为胎盘分割(placenta segmentation,PS)模型;图5(b)为混合(hybrid,HB)模型;及图5(c)为符号描述。
图6a描绘了血管树的骨架化和示出横截面分布的血管中心线的例子,图6b描绘了具有分离的血管段的血管树。
图7a描绘了闪光伪影,图7b描绘了扫描平面上的平均多普勒信号强度。
图8a描绘了由示出周期性噪声的功率多普勒信号覆盖的B超扫描,图8b是侧视图,图8c描绘了线性核。
图9描绘了示出周期性噪声的3D-US数据的3D快速傅立叶变换。
图10是根据本发明的方法的流程图。
在各种附图中,相似的部件由相似的附图标记表示。
具体实施方式
理论:血管的功率多普勒信号分布
Jannson等人指出,在一个包含散射粒子的幻像模型中,在一定的功率范围内,多普勒功率与速度成正比,他们得出的结论是,这可能适用于一系列机器和设置的情况[3]。在任何一个椭圆的血管截面中,我们预期流速或强度I的分布具有以下形状:
其中,a和b是血管横截面的长轴半径和短轴半径,x和y是笛卡尔坐标系,定义了血管的长轴和短轴,Imax是血管内真实的(无噪声的)最大强度,γ是一个用于“展平”速度分布的参数,γ=2表示椭球截面管道中的经典泊肃叶流动(Poiseuille flow)分布,增大的y>2使得能够由于血流的脉动性质(特别是在大动脉中)而使分布展平[4]。
死产的最大风险因素是胎儿生长受限(fetal growth restriction,FGR),通常继发于胎盘植入不佳。不幸的是,目前可用的FGR风险分配方法表现非常糟糕,许多被认为是“低风险”的女性直到出现死产时才意识到她们的婴儿没有正常生长。如果被归类为“高风险”,女性将接受一系列生长超声波扫描,以识别未能发育的婴儿,目的是在死产发生前分娩。目前的风险评估方法表现如此糟糕,以至于许多被认为是“高风险”的女性在怀孕后,在充满了不必要的压力和焦虑的情况下生产了发育良好、健康的婴儿。
目前迫切需要一种鲁棒且可靠的妊娠早期筛查方法来评估FGR的风险。这将意味着那些实际上处于继发于FGR的死产高风险中的女性将接受可用的连续生长超声扫描。
妊娠早期筛查试验
人们早已经知道妊娠早期的胎盘体积(placental volume,PlVol)与足月出生体重相关,并且早在1981年就提出用B超测量的PlVol可用于筛查FGR。此后,许多研究表明,妊娠11周至13周之间的低PlVol可预测不良妊娠结局,包括小于胎龄(small forgestational age,SGA,其为FGR的替代标志)和先兆子痫。由于PlVol也被证明独立于其他生物标志物,如妊娠相关血浆蛋白A(pregnancy associated plasma protein A,PAPP-A)和颈半透明度(nuchal translucency,NT),最近的一项系统综述得出结论,它可以成功地整合到未来FGR的多变量筛查方法中,类似于目前用于筛查妊娠早期胎儿非整倍体(包括唐氏综合征)的“联合试验”。早期试点数据还表明,PlVol与胎盘灌注估计值的结合可能能够区分不同的不良妊娠结局,低PlVol但血管分布正常与FGR风险增加相关,而低PlVol且低血管分布增加了发生先兆子痫的风险。
虽然有可靠的背景数据支持它们的价值,但为了使PlVol和胎盘血管分布成为有用的成像生物标志物,需要一种可靠的、实时的、不依赖于操作者的技术来估计它们。
到目前为止,估计PlVol的唯一方法是通过在三维超声(3D-US)中手动(在构成3D体积的每个2D切片中围绕胎盘绘制)或者使用半自动工具、例如VOCALTM(GE,USA)来标注胎盘。VOCALTM要求操作者在胎盘周围的几个、但不是全部2D切片上“绘制”,然后使用旋转插值算法来估计最终体积。这两种策略都太耗时且依赖于操作者,不能作为基于人群的筛查测试的一部分,并且都不能提供任何其他形态的指标,例如形状或表面积。对于使用VOCALTM基于所用分布的数量(插值程度)和感兴趣的器官的变异性生成的体积结果的可重复性和再现性,也存在重大争议。
目前还没有产品能够自动测量经过验证的血管指标,如运动血容量分数(FMBV)。
本发明者已经开发并验证了一种新的全卷积神经网络(OxNNet)[5](见https:// insight.jci.org/articles/view/120178),其能够从3D-US中自动识别胎盘体积。如下面进一步讨论的,本发明提供了进一步的开发,以实现相关解剖标志的自动识别,从而促进全自动的血管测量。
为了开发OxNNet,使用黄金标准的半自动随机游走技术[6]从2393个妊娠早期3D-US体积中分割胎盘。这由三个操作者进行质量控制,以生成“地面真值(ground truth)”数据集。利用TensorFlow(v1.3)框架和受2D U-net[7]启发的3D架构,创建了一个称为OxNNet的全卷积神经网络(fCNN)(参见图1)。通过使用100、150、300、600、900和1200个案例的样本进行25000次迭代训练,研究了训练集大小对模型性能的影响。
为了评估PlVol分割,使用1097个胎盘作为具有100个验证图像的训练集进行2重交叉验证。OxNNet训练了8次,运行了26个小时。然后对1196个案例进行了测试。在训练之后,最终计算PlVol平均需要11秒。
对每个预测的分割进行后处理,以去除最大区域体积<40%的断开部分。使用半径为三个体素的3D核和应用的孔洞填充滤波器对该分割进行二元扩张和侵蚀。这些方法平滑了胎盘的边界,并填充了被胎盘组织包围的任何孔洞(囊性病变发生在正常胎盘中,应包括在任何PlVol估计中)。
与“地面真值”数据集相比,OxNNet提供了最先进的全自动分割技术(中值Dice相似系数(Dice similarity coefficient,DSC)为0.84:见图2)。训练集大小对OxNNet性能的影响表明需要大数据集(n>1000)。这一点很重要,因为迄今为止,大多数用机器学习生成的成像工具使用的数据集都相当小。通过观察对小于胎龄(SGA)婴儿(FGR的替代标志)的预测,测试了OxNNet生成的PlVol估计的临床效用。接收者-操作特征曲线显示,OxNNet对SGA婴儿的PlVol估计的预测(AUC 0.65(95%CI;0.61-0.69)和半自动随机游走(RW)技术生成的“地面真值”(AUC 0.65(95%CI;0.61-0.69):参见图3a)的结果几乎相同。OxNNet的表现优于唯一的商用工具VOCALTM(AUC 0.57(95%CI;0.48-0.65:参见图3b)。
为了检查胎盘床的血管分布,本发明提出将子宫-胎盘界面(UPI)识别为解剖参考点(见图4)。OxNNet可以成功地分割整个胎盘,但是本发明提出;了将2个不同的胎盘表面分离;UPI—胎盘植入子宫的地方—和羊膜-胎盘界面(API)—胎盘与羊水接触的地方(羊水充满了包含胎儿的囊;见图4)。偶尔胎儿会接触胎盘,因此胎儿-胎盘界面(FPI)也必须被识别并包含在API中。
本发明的实施例使用机器学习来开发鲁棒的多类分割技术,以从3D B超扫描中识别胎盘、胎儿和羊水,从而促进自动解剖标志识别。
从采用现有的胎盘分割的可用的2393个3D-US体积中,随机选择300个体积进行多类分割。羊水和胎儿由两名操作者手动播种,并与先前研究中进行的胎盘播种相结合。羊水和胎儿比胎盘有更明显的边界,因此初始化要容易得多,但任何有模糊的病例都由在产科超声方面有丰富经验的临床专家检查。然后使用黄金标准的随机游走算法将这三个不同的类分割为多类标签图。
300个多类(multi-class,MC)案例被细分为200个训练案例、40个验证案例和60个测试案例。四个MC模型分别训练40次,批量大小为30。首先,使用与原始OxNNet架构相同的fCNN来训练MC模型(见图5a)。然后,使用相同的架构、但采用取自原始OxNNet训练的权重和偏差(有效地“转移”OxNNet从1097个案例的更大的训练数据集“学习”的内容,而不是简单MC模型的200个案例),训练多类迁移学习(multi-class transfer learning,MCTL)模型。
为了克服其他两个目标(胎儿和羊水)性能的任何潜在下降,开发了两种混合模型,即混合模型(hybrid model,HB)和指数平均混合模型(hybrid model withexponential averaging,HBAV)。因为不需要存储所有的权重,所以指数移动平均通过以下方式来减少噪声:在训练过程中对模型的权重进行平均,并且倾向于权重的更近值,以及提供计算效率。两个混合模型都由两个独立的路径组成,如图5b所示。这里没有示出多类(MC)和多类迁移学习(MCTL)模型的架构,因为它们与胎盘分割(PS)模型架构的不同之处在于具有四个通道而不是两个通道。
混合模型(HB)和指数平均混合模型(HBAV)都由两个独立的路径组成,如图5b所示。在上方路径中,使用PS模型初始化HB参数,并使用HBAV模型的PSAV模型初始化HB参数。在下层,使用方差缩放初始化参数,然后对MC数据进行训练。下方路径中的参数允许改变并固定在上方路径中用于HB和HBAV模型。Adam优化器的参数与PS训练中使用的参数相同。
设PBackground,PPlacenta,PAmniotic和PFetus为一个体素分别属于背景、胎盘、羊膜和胎儿的置信度。对于给定体素i,上方路径(T)的softmax输出只给出了两个值和/>其总和为1。在这种情况下,胎儿和羊水被包括在背景中。在下方(B)路径中,最后一层的softmax产生了给定体素的成员的置信度,标量值为/>以及/>其总和1。/>表示体素不是胎盘、胎儿也不是羊水的置信度。将两种路径的输出结合起来定义损失函数L为:
L=∑i∈Mmi×sl(oi/ni) (2)
其中,M是一个二进制掩码,对于胎盘地面真值区域内的体素i,mi为0,该区域外mi为1,oi是下方路径的输出,sl是softmax交叉熵函数,ni是标准化因子,定义为1减去上方路径的softmax层的输出。
因为损失函数在胎盘区域被掩盖,所以胎盘在模型的训练中没有贡献。HB模型中的最终置信度向量具有标量分量,如下所示:
其中,将体素的最终分割作为等式(3)至(6)中定义的值中的最大值。因此,对于的所有体素,HB模型的胎盘分割将与PS模型相同。HB模型将的体素分类为胎盘,而PS模型将其分类为背景,如果是剩余的类别,和/>均具有/>的值。
优化器的参数与原始OxNNet训练中使用的参数相同。尽管指数平均的混合模型是最好的,但所有四个模型都提供了有用的结果。使用这些模型,可以自动识别与解剖标志相关的所有可能的胎盘形态测量,例如UPI的位置和表面积,这使得绘制胎盘床的血管分布成为可能,从而提高了对诸如先兆子痫之类的不良妊娠结局的预测潜力。
识别了子宫-胎盘界面(UPI)后,下一步是评估胎盘中的血流。
多普勒超声被认为是怀孕期间进行的主要非侵入性成像模式,用于评估胎盘和胎儿器官内的血流。与彩色多普勒相比,功率多普勒(PD)超声受超声角度的影响较小,并且对多个流动方向和低流动速度比较灵敏,因此它更有助于评估组织灌注。然而,像所有形式的超声一样,PD超声信号会被它所穿过的组织衰减。为了补偿衰减并允许直接的患者间比较,有必要对功率多普勒信号进行标准化。从PD超声估计组织灌注的唯一有效方法是运动血容量分数(FMBV)。这一点最近在3D中针对猪模型微球中的放射性黄金标准得到了验证[8]。使用3D-FMBV,发明人已在一项小型初步研究(n=143)中证明,对于发展为先兆子痫的妊娠(p=0.03),妊娠早期胎盘床的灌注显著减少,但对于导致小于胎龄(SGA)婴儿的血压正常的妊娠(p=0.16)没有减少[9]。这与螺旋动脉适应性差的先兆子痫的经典组织病理学发现一致。
为了标准化功率多普勒信号以确定3D-FMBV,提出了识别靠近感兴趣的目标的大参考血管,该参考血管可以被假设具有100%的血管分布。然后,参考血管内的PD信号用于定义标准化值,该标准化值对记录在目标中的PD信号值进行校正,从而针对单个信号衰减进行调整,并允许适当的患者间比较。本发明旨在完全自动化3D-FMBV的估计,从而促进该发现的大规模测试,并潜在地提高妊娠早期筛查测试的预测能力。本发明还可以应用于其他器官和/或肿瘤的血管分布的测量,特别是使用迁移学习来最小化对其他器官或肿瘤所需的训练。
现在描述了一种用于根据3D-PD超声扫描绘制和测量子宫-胎盘脉管系统的全自动技术,该技术已经具有如上所描述的自动识别的解剖标志。这避免了限定研究之间可能不同的感兴趣区域,而侧重于识别一致的可自动识别的大血管用于标准化。此外,当该过程识别和分析单个充满血液的血管用于标准化时,提供了一种算法,该算法在功率多普勒典型的信噪比范围内高度一致,并且不会遭受由于在感兴趣的周围区域中存在灌注的软组织或中等大小的血管而引起的标准化的变异性
首先,使用基于自动多种子区域生长的方法来提取整个子宫脉管系统。选择这种方法是因为它优于常用的阈值分割法,因为它可以保持血管连接的呈现形式。然后,采用一种基于3D中轴的细化方法[10]来提取肌层血管丛骨架(见图6a)。然后,通过去除分叉点将血管骨架进一步分离成若干段。使用这些中心线段作为标记来应用一种3D分水岭算法[11]以将血管网络划分为血管段(图6b)。为每一段绘制局部血管横截面,即血管段体和垂直于局部血管中心线的平面之间的相交面,以确定血管直径(图6a)。在横截面中示出单峰强度的血管段被识别为独立的血管,其被认为是参考血管的候选。所选的参考血管是位于感兴趣的体积内的最大直径>3mm的血管。可选地,可以选择直径大于预定阈值(例如3mm)的任何单个血管。
通过将这种血管识别技术与可以识别包括UPI在内的胎盘中的解剖标志的灰度OxNNet工具相结合,可以选择位于离UPI预定义距离处的胎盘床中的适当的参考血管。预定义距离可以是约1cm,例如介于0.5cm和1.5cm之间。如果有多个血管符合标准,可以选择最大的一个。使用该参考血管,可以使用新方法计算整个UPI的3D-FMBV(灌注)或相对于UPI的任何感兴趣的体积的全自动估计。
使用已知具有100%血管分布的血管来估计3D-FMBV是对受组织衰减影响的功率多普勒信号的数值进行标准化的一种方式。执行这种标准化使得定量的患者间比较成为可能,因为它校正了目标器官的深度和被注入的组织类型(例如校正了脂肪的数量)。
标准化值的计算独立于3mm以上的血管尺寸,但适用于血管强度分布形状。通过与合成数据的比较,证明了它的准确性。目前还没有从单个血管手动或自动生成标准化点的技术。
在实施例中,通过基于血管特征(强度分布和直径)和流体力学模拟对单个血管的高剪切血管边缘的自动识别来确定标准化点,该标准化点指示了血流速度的“恒定”值。可以应用剪切阈值。这使得每次都能够对数字标准化值进行精确估计。这将在下文中详细地说明。
定位血管边界
观察到PD超声图像中的血管边界的强度较低(接近背景强度),因此对比度较低。阈值分割作为一种易于操作的方法,通常用于分割血管。然而,由于低对比度边界和成像过程中产生的不可避免的噪声,简单的阈值分割将不能提供精确的血管分割。已经证明,极坐标主动轮廓(active contour)法在具有通常凸形状的其它形式的物体的边界检测中表现良好[12][13][14]。本发明提出使用类似的血管分割方法来实现鲁棒且高度精确的血管分割。
主动轮廓使对象边界变形以最小化定义的能量函数,以便获得对象的分割[14]。设S为在Ω域定义的给定的图像,其包含对象血管,C={χ|φ(χ)=0}是一个封闭的轮廓。φ是符号距离函数。C的内部(候选血管区域)由如下平滑的Heaviside函数逼近来定义:
在极坐标系统中,轮廓以多个角度对边界进行采样。那么极坐标轮廓只向径向演化。为了描述极坐标系统中的能量,我们定义了如下特征函数:
然后,将能量函数表示为:
需要注意,对于子宫血管的检测,其尺寸较小并且观察到具有抛物线强度分布,γ被设置为2。通过将等式(10)拟合到血管轮廓点χ内的径向强度,我们得到了估计的内部强度:
外部平均强度计算如下:
然后,将能量表示为:
Etotal(φ)=E(φ)+ξEcur(φ) (14)
该方法可分为初始化、梯度下降和检测停止条件三个步骤来实现。
对于初始化,检测局部最大强度点并将其视为血管中心。使用该点作为种子来应用简单的区域生长方法,以获得所有内部强度都大于阈值Tini的初始血管区域。初始轮廓Cini由初始区域边界上的一组点组成。
迭代地应用迭代梯度下降技术以迭代最小化定义的能量Etotal(φ)(这是成本函数的一个例子),直到满足平衡停止条件。在每次迭代中,血管中心点被更新为血管区域的质心。
示例性的平衡停止条件是血管区域中的方差非常小并且小于10次迭代的阈值Tvar。
确定标准化点
如上所描述的,已经示出了[3]在包含散射粒子的幻像模型中,在0dB到35dB的功率范围内多普勒功率与速度成正比,尽管这取决于机器设置,但得出的结论是可能是一系列机器和设置的情况。在任何一个椭圆血管横截面中,我们可以预期流速或强度I的分布具有以下形状:
其中,a和b是血管横截面的长轴半径和短轴半径,x和y是笛卡尔坐标,定义了血管的长轴和短轴,Imax是血管内真实的(无噪声的)最大强度,γ是一个用于“展平”速度分布的参数,γ=2表示椭球截面管道中的经典泊肃叶流动分布,增大的γ>2使得能够由于血流的脉动性质(特别是在大动脉中)而使分布变平[5]。
功率多普勒超声成像中的经典累积强度曲线计算感兴趣区域中强度小于或等于给定强度的像素/体素的数量。椭圆形的血管横截面在数学上等同于强度小于给定值的血管面积。如果我们将坐标变化定义为极坐标x=ar cosθ以及y=br sinθ,那么强度的定义就变成了:
I(x,y)=Imax[1-rγ] (16)
我们可以计算出I<I*的血管面积(相当于r>r*的椭圆环面积)为:
我们用血管的总横截面积来标准化这个值以获得I<I*的强度的累积概率为:
在离散意义上,计算p(I*)与使用以下公式计算累积的多普勒功率分布函数完全相同:
其中,n(i)是具有功率强度i的像素的数量,Ntotal是感兴趣区域中的像素的总数,N(I*)是功率强度<I*的像素的总数。
理论上,如果感兴趣区域被定义为血管横截面,可以将离散数据拟合到该曲线来估计γ以及Imax两者。应注意,对于抛物线速度(或强度)分布,γ=2,这是一条直线,并且这与椭圆形的血管横截面的长宽比无关。我们注意到,在子宫-胎盘系统内的许多血管中,大小和血流动力学的考虑意味着γ≈2(这一点也通过在功率多普勒图像中绘制穿过血管横截面的中心的强度分布来证实)。这意味着,根据需要将γ和Imax都拟合到数据中来准确估计血管中的峰值信号,将容易出错。因此,我们提出了一个替代的“加权”累积曲线,即使γ≈2,也可以准确和可靠地进行对血管的γ和Imax拟合。
所提出的累积曲线反映了血管横截面上的总信号随强度I<I*的变化,并且在离散意义上定义为:
其中,I(i)是像素i处的多普勒功率强度,Itotal是整个血管横截面的累积总强度。
在积分形式中(未被Itotal标准化)为:
以上提供了一个合适的累积曲线,我们可以拟合两个参数,最大功率强度Imax和“平整度”γ。
对于任意截面的血管,可以推导出类似的极坐标方程。
标准化点是通过使用“剪切阈值”的概念分离出高剪切血管边缘(具有少量红细胞)和红细胞密集的血管本身来确定的。剪切被确定为血流速度的梯度及其在血管壁处的峰值。通过计算等式(15)的梯度并将“半径”替换为强度来定义剪切为其最大值的X%时的强度,即
对于实际实施,执行以下步骤:
1、使用等式(21)计算强度加权多普勒功率累积分布。
2、将方程(23)拟合为累积分布以提供γ和Imax的最佳拟合值
3、这些最佳拟合值代入在等式(24)中来计算Inorm。X的适当值可以根据正常化血管中的大小和速度分布而变化(肾动脉预计比子宫-胎盘动脉具有更平坦的速度分布)。然而,对于诸如例如子宫-胎盘动脉之类相对较小的血管,血流分布通常呈抛物线,因此X=85是保持血管横截面远离高剪切血管壁的适当阈值。
在基于合成数据的测试中,上述方法能够可靠且一致地预测接近半径>1mm的参考血管的理论理想值的标准化值。Rubin的方法[15]在相同的图像上的自动实现表明,该方法对参考血管半径(相对于ROI大小)和SNR都比较灵敏。这在一定程度上是因为Rubin的方法被设计成应用于具有组织的感兴趣区域(ROI)、分布式组织脉管系统和大的“参考血管”,所以这并不是一个意外的结果。当SNR较高时,会出现相对较大的误差带,这是因为要应用Rubin的方法,在累积强度曲线中就必须有一个可识别的“拐点”。当累积曲线相对较直时,对于自动算法来说,拐点变得很难确定(或者根本不存在),因此Rubin的方法可以人为返回高或低的标准化点。
然而,直到现在,还没有办法完全自动地识别像胎盘床中所见的错综复杂血管网络中的单个血管。如以上所描述的,本发明实施例可以从3D功率多普勒超声扫描(3D powerDoppler Ultrasound scan,3D-PD USS)中自动识别胎盘,并识别包括子宫-胎盘界面(UPI)的相关解剖标志。随着3D-PD信号的叠加,胎盘床的血管网络被自动绘制和测量。从胎盘床中的血管网络中,可以识别出位于子宫肌层中距离UPI约1cm(+/-0.5cm)的大血管(直径>3mm)。也可以使用不同位置处的血管,但是通常期望在该位置处或附近找到合适的血管。该血管应该是桡动脉,因为它们是该解剖位置处的子宫肌层血管网这一部分中最大的血管。桡动脉在妊娠和胎盘期迅速扩张,其直径大于供应桡动脉的子宫动脉,这在血管网络中是非常罕见的特征。由于该血管足够大,可以假设其具有100%的血管分布,因此,在没有组织衰减或组织衰减最小的情况下,该血管应该具有大约250的PD体素值。记录的该单个血管中的体素的实际数值(标准化值)用于校正信号在每个个体患者中经历的独特的组织衰减量。尽管目标器官(例如后/前胎盘)的深度不同、或者腹部脂肪的数量不同、或者组织的类型不同(例如存在疤痕组织),但这使得能够对女性之间的器官灌注进行适当的定量比较。
因此,本发明能够执行全自动单血管3D-FMBV的计算。所描述的技术可以扩展到自动识别子宫-胎盘血管丛中的其他潜在血管标记物(例如桡动脉的长度或直径),这些标记物有望成为不良妊娠结局的有用成像生物标记物。本发明的实施例还可以适于测量任何可以被分割的血管器官或病变,例如肾脏、肝脏(包括胎儿)、胎儿大脑、成人卵巢、IVF期间的子宫内膜以及任何可以通过超声波检查的软组织肿瘤。用于分割和识别标记的fCNN可以使用迁移学习来训练,以最小化手动标记的训练数据量。
图10是概述根据本发明实施例的过程的流程图。该过程包括:
S1-例如通过执行超声扫描来获得受试者的图像数据
S2-可选地清理超声数据以去除噪声和伪像
S3-分割超声数据以识别感兴趣的器官并将其与相邻组织区分开来
S4-定位预定义的解剖标志,例如感兴趣的器官和特定的邻近器官之间的界面
S5-识别感兴趣的器官内和/或附近的脉管系统
S6-选择感兴趣的器官内或附近的参考血管
S7-从参考血管确定参考功率多普勒值或标准化值
S8-基于参考血管的功率多普勒值,将缩放函数(例如线性的)应用于超声图像中的功率多普勒值
S9-根据缩放的功率多普勒值计算运动血容量分数值。
去除不可避免的超声伪影
多普勒US图像质量受多种因素的影响,如参数设置、心动周期、组织运动等。心动周期可诱发周期性伪影,导致血管段断开。“闪光”伪影是由运动(通常是胎动)引起的,会产生错误的血流信号,导致灌注估计不准确。这些伪影的检测和去除是提高包括3D-FMBV在内的血管分布估计准确性的理想预处理步骤。
如果存在较大的组织、流体运动、或换能器的快速运动,就会在静止组织中出现“闪光”伪影。这主要是由于胎动引起,并在少数扫描平面中表现为随机PD信号的突然爆发,而相邻平面不受影响(图7a)。它很容易被肉眼识别。在文献中,显示“闪光”伪影的图像通常被归类为低质量图像,并从数据集中排除以进行进一步分析。提出了通过比较不同平面的平均信号强度来自动检测闪光伪影(在图7b中用红色圆圈标记)。然后,所识别的平面可以潜在地被相邻的平面替换。
现有的“闪光”伪影抑制方法已经被设计用于2D US。2D方法在保证不同时间帧中的信号强度一致的前提下,利用来自时间序列帧的信息来识别和去除伪影。然后,基于信号强度应该在相邻扫描平面之间平滑变化这一事实,来自相邻平面的信息将用于抑制在平均强度突然变化的平面中看到的“闪光”伪影(图7b)。对于3D-PD US扫描,提出了从最近的清晰相邻平面中应用插值来生成新的平面,以取代那些具有“闪光”伪影的平面。可以在处理之前和之后计算灌注的估计值,以评估这种伪影对灌注的定量估计(3D-FMBV)的影响。
周期性噪声以PD信号中的暗条纹形式存在于3D超声体积中(图8b)。在心动周期中,血流速度周期性变化。扫描平面的扫描频率和心率之间的不匹配会导致由不同扫描平面捕获的同一血管段内的信号强度的变化,从而导致在3D血管中出现暗条纹。
初步数据表明,在相邻扫描平面之间执行线性平滑在去除周期性噪声方面具有很好的结果。在环形空间中,定义了线性核(linear kernel)(图8c),并将其应用于环形空间中的3D-PD图像。过滤后的图像可以通过我们的KretzConverter[17]转换到笛卡尔空间。
提出了利用三维傅立叶变换来识别和去除心动周期引起的周期性噪声。采用3D快速傅立叶变换(Fast Fourier Transform,FFT)将环形功率多普勒图像转换到频域。周期性噪声在频域中产生傅立叶尖峰,如图9中所示。应用陷波滤波器来去除检测到的尖峰[18]。然后,通过三维傅立叶逆变换将数据转换回空域。
结论
本发明的方法可以由包括一个或多个计算机的计算机系统来执行。用于实现本发明的计算机可以包括一个或多个处理器,该一个或多个处理器包括通用CPU、图形处理单元(graphical processing unit,GPU)、张量处理单元(tensor processing unit,TPU)或其他专用处理器。用于实现本发明的计算机可以是物理的或虚拟的。用于实现本发明的计算机可以是服务器、客户端或工作站。用于实现本发明的多台计算机可以通过诸如局域网(local area network,LAN)或广域网(wide area network,WAN)之类的网络来分布和互连。该方法的各个步骤可以由计算机系统执行,但不一定是同一计算机系统。本发明的方法的结果可以显示给用户或存储在任何合适的存储介质中。本发明可以体现在存储执行本发明的方法的指令的非暂时性计算机可读存储介质中。本发明可以体现在计算机系统中,该计算机系统包括一个或多个处理器和存储指令以执行本发明的方法的内存或存储器。本发明可以结合到超声扫描仪中,或者结合到这种设备的软件更新或附加组件中。
在描述了本发明之后,将理解,可以对上述实施例进行不旨在限制的变化。本发明已被描述为与女性人类受试者的扫描有关。应当理解的是,本发明也可以应用于男性人类和其他动物。在所附权利要求及其等同物中对本发明进行了限定。
参考文献
[1]J.Rubin et al.“Normalizing fractional moving blood volume estimatewith power Doppler US:Defining a stable intravascular point within thecumulative power distribution function”.Radiology,1997,205:757-765.
[2]A.Welsh et al.“Inapplicability of fractional moving blood volumetechnique to standardize Virtual Organ Computer-aided AnaLysis indices forquantified three-dimensional power Doppler”.Ultrasound Obstet Gynecol,2012,40:688-692.
[3]T.Jansson,E.Hernandez-Andrade,G.Lingman and K.“Estimationof fractional moving blood volume in fetal lung using power Dopplerultrasound:Methodological aspects”.Ultrasound Med Biol,2003,29:1551-1559.
[4]N.A.Smith and P.J.Hunter.“An anatomically based model of transientcoronary blood flow in the heart”.SIAM Journal on Applied mathematics,2002,62(3):990-1018.
[5]P.Looney,G.N.Stevenson,K.H.Nicholaides,W.Plasencius,S.Natsis,S.L.Collins.“Fully automated,real-time 3D ultrasound segmentation to estimatefirst trimester placental volume using deep learning”.JCI insights,2018,3:e120178.
[6]G.N.Stevenson,S.L.Collins,J.Ding,L.Impey and J.A.Noble.“3-DUltrasound Segmentation of the Placenta Using the Random Walker Algorithm:Reliability and Agreement”.Ultrasound Med Biol,2015,3182(93):41.
[7]O.Ronneberger,F.P and T.Brox.“U-Net:Convolutional Networks forBiomedical Image Segmentation”.2015年国际医学图像计算与计算机辅助介入大会,2015.
[8]A.W.Welsh,J.B.Fowlkes,S.Z.Pinter et al.“Three-dimensional USFractional Moving Blood Volume:Validation of Renal Perfusion Quantification”.Radiology,2019,293:460-68.
[9]S.L.Collins,G.N.Stevenson,J.A.Noble and L.Impey.“Utero-placentalinterface vascularity in early pregnancy estimated by 3D fractional movingblood volume(3D FMBV)predicts fetal growth restriction”.Ultrasound ObstetGynecol,2012,40:119.
[10]T.C.Lee,R.L.Kashyap and C.N.Chu.“Building Skeleton Models via 3-DMedial Surface Axis Thinning Algorithms”.CVGIP:Graphical Models and ImageProcessing,1994,56:462-78.
[11]A.Videla,C.-L.Lin and J.D.Miller.“Watershed Functions Applied toa 3D Image Segmentation Problem for the Analysis of Packed Particle Beds”.Particle&Particle Systems Characterization,2006,23:237-45.
[12]左旺孟等.“Combination of polar edge detection and active contourmodel for automated tongue segmentation”.第三届国际图像图形学学术会议,2004.
[13]C.I.Collewet.“Polar snakes:A fast and robust parametric activecontour mode”.2009年第16届IEEE图像处理国际会议,2009.
[14]T.F.Chan and L.A.Vese.“Active contours without edges”.IEEETransactions on Image Processing,2001,10(2):266-277.
[15]J.M.Rubin,R.S.Adler and J.B.Fowlkes et al.“Fractional movingblood volume:estimation with power Doppler”.US.Radiology,1995,197:183-90.
[16]P.-L.Yen,H.-K.Wu and H.-S.Tseng et al.“Vascular morphologicinformation of three-dimensional power Doppler ultrasound is valuable in theclassification of breast lesions”.Clinical Imaging,2012,36:267-71.
[17]P.Looney,G.N.Stevenson and S.L.Collins.“3D ultrasound filereading and coordinate transformations”.Journal of Open Source Software,2019,4:1063.
[18]F.Sur.“An a-contrario approach to quasi-periodic noise removal”.2015年IEEE图像处理国际会议,2015.
Claims (17)
1.一种自动识别超声图像中的参考血管的计算机实现的方法,所述方法包括:
分割所述超声图像以识别器官;
定位特定于所述器官的预定解剖标志;
识别适合所述器官的脉管系统;以及
从所述脉管系统中选择尺寸在预定尺寸范围内且位置距所述预定解剖标志预定距离范围的参考血管。
2.根据权利要求1所述的方法,其中,所述预定尺寸范围的直径大于3mm。
3.根据权利要求1或2所述的方法,其中,所述分割包括使用训练后的全卷积神经网络。
4.根据前述权利要求中任一项所述的方法,其中,所述定位包括使用多类别迁移学习模型。
5.根据权利要求4所述的方法,其中,所述多类迁移学习模型包括两个独立的路径:第一路径和第二路径,所述第一路径具有使用分割模型初始化的参数,所述第二路径具有使用方差缩放初始化的参数。
6.根据前述权利要求中任一项所述的方法,其中,所述识别包括使用基于自动多种子区域生长的方法。
7.根据权利要求6所述的方法,其中,所述识别还包括在所述基于自动多种子区域生长的方法的输出使用基于3D中轴的细化方法。
8.根据前述权利要求中任一项所述的方法,其中,所述器官是胎盘,优选地,所述解剖标志是子宫-胎盘界面。
9.根据权利要求8所述的方法,其中,所述预定距离范围为约0.5cm至约1.5cm。
10.一种在器官的功率多普勒图像中绘制血流的计算机实现的方法,所述方法包括:
使用根据前述权利要求中任一项所述的方法来识别所述功率多普勒图像中的参考血管;
从所述参考血管确定参考功率多普勒值;以及
基于所述参考功率多普勒值对所述功率多普勒图像中的功率多普勒值进行缩放,以获得标准化的血流图像。
11.根据权利要求10所述的方法,其中,所述确定包括将模型血管分布拟合到所述参考血管并确定未落在高剪切血管边缘内的标准化点。
12.根据权利要求11所述的方法,其中,所述拟合模型血管轮廓包括检测局部最大强度点,并使用区域生长方法来获得所有内部强度都大于阈值的初始血管区域。
13.根据权利要求12所述的方法,所述方法还包括应用迭代梯度下降技术以最小化成本函数。
14.一种确定器官中的运动血容量分数的计算机实现的方法,所述方法包括:
获得所述器官的功率多普勒图像;
使用根据权利要求10至13中任一项所述的方法在所述功率多普勒图像中绘制血流,以获得标准化的血流图像;以及
使用所述标准化的血流图像确定运动血容量分数。
15.一种计算不良妊娠结局的风险的计算机实现的方法,包括:
根据权利要求14所述的方法确定受试者的胎盘中的运动血容量分数;
测量所述受试者的胎盘体积;以及
至少部分地基于所述运动血容量分数和所述胎盘体积来计算风险评分。
16.一种计算机程序,其包括指令,当由计算机系统执行时,所述指令指示所述计算机系统执行根据前述权利要求中任一项所述的方法。
17.一种超声扫描仪,其包括计算机控制系统,所述计算机控制系统被配置为执行根据权利要求1至15中任一项所述的方法。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/GB2020/051896 WO2022029397A1 (en) | 2020-08-07 | 2020-08-07 | Ultrasound method |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116249491A true CN116249491A (zh) | 2023-06-09 |
Family
ID=72050904
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080105048.2A Pending CN116249491A (zh) | 2020-08-07 | 2020-08-07 | 超声方法 |
Country Status (7)
Country | Link |
---|---|
US (1) | US20230277156A1 (zh) |
EP (1) | EP4192358A1 (zh) |
JP (1) | JP2023544672A (zh) |
KR (1) | KR20230052280A (zh) |
CN (1) | CN116249491A (zh) |
AU (1) | AU2020462037A1 (zh) |
WO (1) | WO2022029397A1 (zh) |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201101833D0 (en) * | 2011-02-02 | 2011-03-16 | Isis Innovation | Transformation of a three-dimensional flow image |
JP7277105B2 (ja) * | 2018-10-25 | 2023-05-18 | キヤノンメディカルシステムズ株式会社 | 医用画像処理装置、医用画像処理方法、及び、医用画像処理プログラム |
-
2020
- 2020-08-07 KR KR1020237008136A patent/KR20230052280A/ko unknown
- 2020-08-07 AU AU2020462037A patent/AU2020462037A1/en active Pending
- 2020-08-07 US US18/019,110 patent/US20230277156A1/en active Pending
- 2020-08-07 CN CN202080105048.2A patent/CN116249491A/zh active Pending
- 2020-08-07 WO PCT/GB2020/051896 patent/WO2022029397A1/en unknown
- 2020-08-07 JP JP2023508570A patent/JP2023544672A/ja active Pending
- 2020-08-07 EP EP20754821.5A patent/EP4192358A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
AU2020462037A1 (en) | 2023-03-09 |
JP2023544672A (ja) | 2023-10-25 |
KR20230052280A (ko) | 2023-04-19 |
EP4192358A1 (en) | 2023-06-14 |
US20230277156A1 (en) | 2023-09-07 |
WO2022029397A1 (en) | 2022-02-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Meiburger et al. | Automated localization and segmentation techniques for B-mode ultrasound images: A review | |
US20230089236A1 (en) | Method of characterizing tissue of a patient | |
US10593035B2 (en) | Image-based automated measurement model to predict pelvic organ prolapse | |
Barbosa et al. | Fast and fully automatic 3-d echocardiographic segmentation using b-spline explicit active surfaces: Feasibility study and validation in a clinical setting | |
Loizou | A review of ultrasound common carotid artery image and video segmentation techniques | |
Schneider et al. | Mitral annulus segmentation from 3D ultrasound using graph cuts | |
Huang et al. | Analysis of tumor vascularity using three-dimensional power Doppler ultrasound images | |
EP2812882B1 (en) | Method for automatically measuring a fetal artery and in particular the abdominal aorta and device for the echographic measurement of a fetal artery | |
US20110196236A1 (en) | System and method of automated gestational age assessment of fetus | |
Grady et al. | Regurgitation quantification using 3D PISA in volume echocardiography | |
Molinari et al. | CAUDLES-EF: carotid automated ultrasound double line extraction system using edge flow | |
Rueda et al. | Feature-based fuzzy connectedness segmentation of ultrasound images with an object completion step | |
Salgo et al. | Geometric assessment of regional left ventricular remodeling by three-dimensional echocardiographic shape analysis correlates with left ventricular function | |
Singhal et al. | Automated assessment of endometrium from transvaginal ultrasound using deep learned snake | |
JP2005514997A (ja) | 体器官内の流動の定量的な算出を実行するための超音波画像シーケンスを処理する手段を有する観察システム | |
CN112819800A (zh) | Dsa影像识别方法、装置及存储介质 | |
CN112784928A (zh) | Dsa影像识别方法、装置及存储介质 | |
US20230277156A1 (en) | Ultrasound method | |
CN115546123A (zh) | 基于机器学习的腹主动脉瘤破裂风险的预测系统 | |
CN107705308A (zh) | 基于多模态磁共振的脑肿瘤图像分割方法 | |
Sotaquirá et al. | Anatomical regurgitant orifice detection and quantification from 3-D echocardiographic images | |
Kandil et al. | A novel mra-based framework for detecting correlation between cerebrovascular changes and mean arterial pressure | |
US11246550B2 (en) | Method for detection and quantification of arterial calcification | |
EP2533684B1 (en) | Method of characterizing tissue of a patient | |
Bandeira Diniz et al. | Deep learning strategies for ultrasound in pregnancy |
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 |