CN117064432A - 超声波时间序列数据处理装置以及非临时性存储介质 - Google Patents
超声波时间序列数据处理装置以及非临时性存储介质 Download PDFInfo
- Publication number
- CN117064432A CN117064432A CN202310450827.1A CN202310450827A CN117064432A CN 117064432 A CN117064432 A CN 117064432A CN 202310450827 A CN202310450827 A CN 202310450827A CN 117064432 A CN117064432 A CN 117064432A
- Authority
- CN
- China
- Prior art keywords
- series data
- time
- lesion
- prediction
- unit
- 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
- 230000003902 lesion Effects 0.000 claims abstract description 120
- 201000010099 disease Diseases 0.000 claims abstract description 69
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 69
- 230000005540 biological transmission Effects 0.000 claims description 28
- 230000010349 pulsation Effects 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 9
- 239000008280 blood Substances 0.000 claims description 8
- 210000004369 blood Anatomy 0.000 claims description 8
- 230000002123 temporal effect Effects 0.000 claims description 7
- 238000000034 method Methods 0.000 abstract description 12
- 230000008569 process Effects 0.000 abstract description 6
- 239000000523 sample Substances 0.000 description 14
- 230000006870 function Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 230000006735 deficit Effects 0.000 description 9
- 230000015654 memory Effects 0.000 description 9
- 238000001228 spectrum Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 208000019553 vascular disease Diseases 0.000 description 3
- 206010059245 Angiopathy Diseases 0.000 description 2
- 208000031481 Pathologic Constriction Diseases 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 208000037804 stenosis Diseases 0.000 description 2
- 230000036262 stenosis Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 206010002329 Aneurysm Diseases 0.000 description 1
- 206010003210 Arteriosclerosis Diseases 0.000 description 1
- 206010057469 Vascular stenosis Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 208000011775 arteriosclerosis disease Diseases 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
-
- 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
-
- 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
- A61B8/5269—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving detection or reduction of artifacts
-
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Radiology & Medical Imaging (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
提供超声波时间序列数据处理装置以及非临时性存储介质。在多普勒模式的情况下,多普勒处理部(18)基于来自接收部(16)的接收波束数据串来生成作为对象时间序列数据的多普勒数据。在M模式的情况下,波束数据处理部(20)生成作为对象时间序列数据的实施了各种信号处理的接收波束数据串。疾患预测部(36)对疾患预测学习器(32)输入对象时间序列数据,基于针对对象时间序列数据的疾患预测学习器(12)的输出数据,来预测对象时间序列数据所表示的疾患,其中,该疾患预测学习器(32)进行了学习,以使得基于所输入的时间序列数据来预测并输出该时间序列数据所表示的疾患。显示控制部(24)将疾患预测部(36)的预测结果通知给用户。
Description
对关联申请的交叉参考
本申请主张2022年5月16日申请的日本专利申请第2022-080336号的优先权,通过引用将包括说明书、权利要求书、附图和摘要的全部内容并入本文。
技术领域
本说明书公开超声波时间序列数据处理装置以及超声波时间序列数据处理程序。
背景技术
过去,对被检体内的相同位置(从超声波探头来看是相同方向)多次重复进行超声波的收发,对由此得到的时间序列的接收波束数据串即时间序列数据进行图像化或解析。
作为将时间序列数据图像化的产物,例如包含:以横轴为时间且以纵轴为深度并通过时间轴方向上延伸的亮度线条来表示组织向深度方向的活动的情形的M模式图像;或者,基于发送的超声波的频率与接收的超声波的频率的差分来运算被检部位或在被检部位内流过的血流的速度的、以横轴为时间且以纵轴为速度的多普勒波形图像等。
在国际公开第2012/008173号中,作为解析时间序列数据的方法而公开了如下方法:在作为非创伤性的手法的同时,以高精度判定血管疾患、特别是动脉硬化、血管狭窄以及动脉瘤,通过对搏动的被测试体的血管壁发送超声波(振动频率f)来接收振动频率变化成f0的反射回波,对该反射回波实施小波变换来取得小波谱,对该小波谱进行模式分解来取得按模式区分的谱,并通过小波逆变换来取得位于时间轴的按模式区分的波形,按每个模式算出范数值,通过与从正常个体得到的范数分布进行比较,来判定血管疾患的有无、或者特定的血管疾患的罹患率。
如上述那样,过去,对时间序列数据进行解析来判定疾患,但存在用于该判定的运算量变多这样的问题。例如,在上述的专利文献1中,需要进行如下那样的各种处理:通过小波变换取得小波谱,对该小波谱进行模式分解来取得按模式区分的谱,并通过小波逆变换来取得位于时间轴的按模式区分的波形,按每个模式算出范数值,与从正常个体得到的范数分布进行比较。
发明内容
本说明书中公开的超声波时间序列数据处理装置的目的在于,减少用于基于对被检体内的相同位置多次重复进行超声波的收发而得到的时间序列数据来预测该时间序列数据所表示的疾患的运算量。
本说明书中公开的超声波时间序列数据处理装置具备:疾患预测部,其对疾患预测学习器输入对象时间序列数据,基于针对该输入的所述疾患预测学习器的输出来预测所述对象时间序列数据所表示的疾患,其中,所述疾患预测学习器将作为多次重复进行针对具有疾患的被检部位内的相同位置的超声波的收发并基于来自该被检部位或在该被检部位内流过的血液的反射波而生成的、表示信号的时间变化的时间序列数据的学习用时间序列数据与表示该被检部位所具有的疾患的信息的组合用作学习数据进行了学习,以使得基于所输入的所述时间序列数据来预测并输出该时间序列数据所表示的疾患,所述对象时间序列数据是通过多次重复进行针对对象被检部位内的相同位置的超声波的收发而生成的所述时间序列数据;和通知部,其将所述疾患预测部的预测结果通知给用户。
根据该结构,疾患预测部只要将对象时间序列数据输入到学习完毕的疾患预测学习器,就能基于疾患预测学习器的输出来预测该对象时间序列数据所表示的疾患。由此,与过去相比,用于预测对象时间序列数据所表示的疾患的运算量减少。
也可以,所述疾患预测学习器进行学习,以使得基于所输入的所述时间序列数据分别针对多个疾患来输出该时间序列数据所符合的可能性,所述疾患预测部对所述疾患预测学习器输入所述对象时间序列数据,分别针对多个疾患来预测所述对象时间序列数据所符合的可能性,所述通知部分别针对多个疾患将所述对象时间序列数据所符合的可能性通知给所述用户。
根据该结构,与过去相比,减少了用于分别针对多个疾患来预测对象时间序列数据所符合的可能性的运算量,并且用户能分别针对多个疾患来掌握对象时间序列数据所符合的可能性。
也可以,所述通知部在显示部强调显示所述多个疾患当中的所述对象时间序列数据所符合的可能性最高的疾患。
根据该结构,用户能容易地掌握对象时间序列数据所符合的可能性最高的疾患。
也可以,所述疾患预测部在所述对象时间序列数据所表示的疾患的预测之前确定所述对象被检部位是哪个部位,并进一步基于所确定的部位来预测所述对象时间序列数据所表示的疾患。
根据该结构,通过提升疾患预测学习器的输出精度,能提升对象时间序列数据所表示的疾患的预测精度。
也可以,所述对象被检部位以及所述被检部位是进行脉动的部位,所述对象时间序列数据以及所述学习用时间序列数据是与所述对象被检部位以及所述被检部位的脉动周期中的相同期间对应的所述时间序列数据。
根据该结构,通过脉动周期中的学习用时间序列数据和对象时间序列数据的期间成为相同,提升了疾患预测学习器的输出精度,由此能提升对象时间序列数据所表示的疾患的预测精度。
也可以,所述超声波时间序列数据处理装置还具备:时间序列数据生成部,其生成所述对象时间序列数据,所述疾患预测部针对所述时间序列数据生成部的所述对象时间序列数据的生成来实时地预测所述对象时间序列数据所表示的疾患,所述通知部针对所述疾患预测部的所述对象时间序列数据所表示的疾患的预测来实时地将所述疾患预测部的预测结果通知给所述用户。
在本说明书中公开的超声波时间序列数据处理装置中,减少了用于预测对象时间序列数据所表示的疾患的运算量,由此也减少了运算时间。因此,在如该结构那样实时地将疾患的预测结果通知给用户的情况下,能减少预测结果的通知相对于对象时间序列数据的取得时间点的延迟。
此外,本说明书中公开的超声波时间序列数据处理程序使计算机作为如下要素发挥功能:疾患预测部,其对疾患预测学习器输入对象时间序列数据,基于针对该输入的所述疾患预测学习器的输出来预测所述对象时间序列数据所表示的疾患,其中,所述疾患预测学习器将作为多次重复进行针对具有疾患的被检部位内的相同位置的超声波的收发并基于来自该被检部位或在该被检部位内流过的血液的反射波而生成的、表示信号的时间变化的时间序列数据的学习用时间序列数据与表示该被检部位所具有的疾患的信息的组合用作学习数据进行了学习,以使得基于所输入的所述时间序列数据来预测并输出该时间序列数据所表示的疾患,所述对象时间序列数据是通过多次重复进行针对对象被检部位内的相同位置的超声波的收发而生成的所述时间序列数据;和通知部,其将所述疾患预测部的预测结果通知给用户。
根据本说明书中公开的超声波时间序列数据处理装置,能减少用于基于对被检体内的相同位置多次重复进行超声波的收发而得到的时间序列数据来预测该时间序列数据所表示的疾患的运算量。
附图说明
图1是本实施方式所涉及的超声波诊断装置的框图。
图2是表示接收波束数据与接收帧数据的关系的概念图。
图3是表示疾患预测学习器的学习处理的情形的概念图。
图4是表示利用了疾患预测学习器的预测处理的情形的概念图。
图5是表示通知疾患预测部的预测结果的通知画面的第1例的图。
图6是表示通知疾患预测部的预测结果的通知画面的第2例的图。
图7是表示本实施方式所涉及的超声波诊断装置的处理的流程的流程图。
具体实施方式
图1是表示本实施方式所涉及的作为超声波时间序列数据处理装置的超声波诊断装置10的框图。超声波诊断装置10设置在医院等医疗机构,是在超声波检查时使用的医用装置。
超声波诊断装置10能以包括B模式、多普勒模式以及M模式在内的多个动作模式进行动作。所谓B模式,是如下模式:基于由扫描超声波波束(发送波束)而得到的多个接收波束数据构成的接收帧数据,来生成并显示将来自扫描面的反射波的振幅强度变换成亮度的断层图像(B模式图像)。多普勒模式是如下模式:基于在被检体内设定的观察线中的发送波与反射波的频率的差分,来生成并显示表示观察线中的组织的运动速度的波形(多普勒波形)。多普勒模式可以包含连续波模式、脉冲多普勒模式、彩色多普勒模式或组织多普勒模式。所谓M模式,是如下模式:基于与在被检体内设定的观察线对应的接收波束数据,来生成并显示表征该观察线上的组织运动的M模式图像。本实施方式特别着眼于超声波诊断装置10以多普勒模式或M模式进行动作的情况。
超声波探头即探头12是进行超声波的发送以及反射波的接收的器件。具体地,探头12与被检体的体表抵接,向被检体发送超声波,接收在被检体内的组织中反射的反射波。在探头12内设有由多个振动元件构成的振动元件阵列。对振动元件阵列中所含的各振动元件从后述的发送部14供给作为电信号的发送信号,由此生成超声波波束(发送波束)。此外,振动元件阵列中所含的各振动元件接收来自被检体的反射波,将反射波变换成作为电信号的接收信号并发送到后述的接收部16。
发送部14在超声波的发送时对应于后述的处理器34的控制来对探头12(详细是振动元件阵列)并列地供给多个发送信号。由此,从振动元件阵列发送超声波。
在多普勒模式或M模式下,发送部14对探头12供给发送信号,以使得对于由医师、检查技师等用户决定的被检体的被检部位内的相同位置,由探头12多次重复进行发送波束的发送。换言之,发送部14对探头12供给发送信号,以使得由探头12多次重复进行朝向往被检部位内的相同位置去的方向的发送波束的发送。另外,在B模式下,发送部14对探头12供给发送信号,以使得从探头12发送的发送波束在扫描面内进行电子扫描。或者,还能进行时分扫描,以使得在将发送波束在扫描面内进行电子扫描的期间,重复进行向由用户决定的相同位置的发送波束的发送。
接收部16在反射波的接收时,并列地接受来自探头12(详细是振动元件阵列)的多个接收信号。在接收部16中,实施针对多个接收信号的调相加法运算(延迟加法运算),由此生成接收波束数据。
在多普勒模式或M模式下,通过探头12多次重复进行针对被检部位内的相同位置的发送波束的发送,接收部16接收来自该被检部位或在该被检部位内流过的血液的多个反射波,基于多个反射波来生成时间序列的接收波束数据串。另外,在B模式下,接收部16通过在扫描方向上排列的多个接收波束数据来构成接收帧数据。
图2是表示接收波束数据BD与接收帧数据F的关系的概念图。在多普勒模式或M模式下,向由用户指定的位置(方向)进行超声波的收发。由此,生成时间序列的多个接收波束数据DB(即接收波束数据串)。接收波束数据DB具有表示来自各深度的反射波的强度以及频率的信息。在B模式下,将发送波束在扫描方向θ上扫描,通过在扫描方向θ上排列的多个接收波束数据来生成接收帧数据F。
在多普勒模式下,将接收波束数据串送往多普勒处理部18,在M模式下,将接收波束数据串送往波束数据处理部20。
回到图1,多普勒处理部18在多普勒模式下,基于来自接收部16的接收波束数据串,生成表示被检部位或在被检部位内流过的血液的速度的时间变化的、作为时间序列数据的多普勒数据。具体地,多普勒处理部18对于各接收波束数据乘以参考频率(发送频率),进行经过低通滤波器来取出多普勒频移的正交检波、仅取出采样体积的位置的信号的采样门处理(脉冲多普勒模式的情况)、信号的A/D变换、以及基于高速傅立叶变换法(FFT法)的频率分析等处理,来生成多普勒数据。将所生成的多普勒数据送往图像生成部22以及处理器34。在多普勒模式的情况下,接收部16以及多普勒处理部18相当于时间序列数据生成部。
波束数据处理部20在M模式下,对来自接收部16的接收波束数据串进行增益补正处理、对数放大处理以及滤波处理等各种信号处理。将处理后的接收波束数据串送往图像生成部22以及处理器36。在本实施方式中,在M模式下,波束数据处理部20的处理后的接收波束数据串相当于表示被检部位的位置的时间变化的时间序列数据。在该情况下,接收部16以及波束数据处理部20相当于时间序列数据生成部。另外,在B模式下,波束数据处理部20也对来自接收部16的接收帧数据进行上述的各种信号处理。
图像生成部22由数字扫描转换器构成,具备坐标变换功能、像素插补功能、帧频变换功能等。
在多普勒模式下,图像生成部22基于来自多普勒处理部18的多普勒数据来生成多普勒波形图像。多普勒波形是在时间与速度的二维平面上示出的波形,表示与接收波束数据串对应的观测线上的被检部位或在被检部位内流过的血液的速度的时间变化。
在M模式下,图像生成部22基于来自波束数据处理部20的接收波束数据串来生成M模式图像。M模式图像是在时间与深度的二维平面上示出的波形,表示与接收波束数据串对应的观测线上的被检部位的位置的时间变化。
另外,在B模式下,图像生成部22基于来自波束数据处理部20的接收帧数据来生成以亮度表征反射波的振幅(强度)的B模式图像。
显示控制部24使例如由液晶面板等构成的作为显示部的显示器26显示由图像生成部22生成的多普勒波形图像、M模式图像或B模式图像等各种图像。此外,显示控制部24使显示器26显示后述的疾患预测部36的预测结果。
另外,发送部14、接收部16、多普勒处理部18、波束数据处理部20、图像生成部22、显示控制部24的各部由1个或多个处理器、芯片、电气电路等构成。各部可以通过硬件与软件的协作来实现。
输入接口28例如由按钮、轨迹球或触控面板等构成。输入接口28用于对超声波诊断装置10输入用户的指示。
存储器30包含HDD(Hard Disk Drive,硬盘驱动器)、SSD(Solid State Drive,固态硬盘)、eMMC(embedded Multi Media Card,嵌入式多媒体卡)、ROM(Read Only Memory,只读存储器)或RAM(Random Access Memory,随机存取存储器)等而构成。在存储器30中存储用于使超声波诊断装置10的各部动作的超声波时间序列数据处理程序。另外,超声波时间序列数据处理程序还能存放于USB(Universal Serial Bus,通用串行总线)存储器或CD-ROM等计算机可读的非临时性存储介质。超声波诊断装置10或其他计算机能从这样的存储介质读取超声波时间序列数据处理程序并执行。此外,如图1所示那样,在存储器30中存储疾患预测学习器32。
疾患预测学习器32例如由RNN(Recurrent neural network;循环神经网络)、作为RNN的一种的LSTM(Long Short Term Memory,长短期记忆)、CNN(Convolutional NeuralNetwork;卷积神经网络)、或利用了深度强化学习算法的DQN(Deep Q-Network)等学习模型构成。疾患预测学习器32将作为多次重复进行针对具有疾患的被检部位内的相同位置的超声波的收发并基于来自该被检部位或在该被检部位内流过的血液的反射波而生成的时间序列数据的学习用时间序列数据与表示该被检部位所具有的疾患的信息(标签)的组合用作学习数据进行了学习,以使得基于所输入的时间序列数据来预测并输出该时间序列数据所表示的疾患。
图3是表示疾患预测学习器32的学习处理的情形的概念图。例如,对疾患预测学习器32输入对具有“狭窄”来作为疾患的被检部位进行超声波的收发而得到的学习用时间序列数据。在该情况下,疾患预测学习器32预测并输出该学习用时间序列数据所表示的疾患。疾患预测学习器32在最终级(输出层)设有softmax函数等激活函数,疾患预测学习器32分别针对多个疾患来输出学习用时间序列数据所表示的可能性(概率),作为输出数据。进行学习处理的计算机通过给定的损失函数来运算该输出数据与标注于该学习用时间序列数据的标签(该情况下为“狭窄”)的误差,调整疾患预测学习器32的各参数(例如各神经元的权重、偏置),以使得该误差变小。疾患预测学习器32通过重复这样的学习处理,能基于所输入的时间序列数据分别针对多个疾患来高精度地输出该时间序列数据所符合的可能性。
成为学习用时间序列数据的对象的被检部位有时是进行脉动的部位。在该情况下,学习用时间序列数据可以是与被检部位的脉动周期中的给定期间对应的数据。例如,可以从配备于被检体的心电图仪取得被检体的心电波形,将基于在心电波形中的R波到R波之间的期间取得的接收波束数据串的时间序列数据作为学习用时间序列数据。
在本实施方式中,学习用时间序列数据是图像化前的数据(相当于上述的多普勒数据、接收波束数据串),但作为学习用时间序列数据,也可以是基于多普勒数据、接收波束数据串而图像化的多普勒波形图像或M模式图像(详细是将多普勒波形图像、M模式图像的特征数值化的数据)。
另外,在图3中,作为学习数据而包含未示出疾患的时间序列数据(正常时),但也可以在学习数据中不包含正常时的时间序列数据。此外,疾患预测学习器32也可以按每个疾患准备不同的学习器。在该情况下,各学习器进行学习,以使得输出所输入的时间序列数据表示对应的疾患的概率。
在本实施方式中,疾患预测学习器32通过超声波诊断装置10以外的其他计算机学习,将学习完毕的疾患预测学习器32存储到存储器30。但也可以将通过超声波诊断装置10取得的时间序列数据作为学习用时间序列数据,由超声波诊断装置10进行疾患预测学习器32的学习处理。在该情况下,处理器34发挥作为进行疾患预测学习器32的学习处理的学习处理部的功能。
回到图1,处理器34包含通用的处理装置(例如CPU(Central Processing Unit,中央处理器)等)以及专用的处理装置(例如GPU(Graphics Processing Unit,图形处理器)、ASIC(Application Specific Integrated Circuit,特定用途集成电路)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、或可编程逻辑器件等)的至少1者来构成。作为处理器34,也可以不是基于1个处理装置,而是通过存在于物理上分离的位置的多个处理装置的协作来构成。如图1所示那样,处理器34按照存储于存储器30的超声波时间序列数据处理程序,来发挥作为疾患预测部36的功能。
图4是表示利用了疾患预测学习器32的预测处理的情形的概念图。疾患预测部36将通过多次重复进行针对成为疾患预测的对象的被检部位(本说明书中称作“对象被检部位”)内的相同位置的超声波的收发而得到的时间序列数据(本说明书中称作“对象时间序列数据”)输入到学习完毕的疾患预测学习器32。如上述那样,对象时间序列数据由接收部16以及多普勒处理部18(多普勒模式的情况)、或接收部16以及波束数据处理部20(M模式的情况)生成。此外,作为对象时间序列数据,也可以是基于多普勒数据、接收波束数据串而图像化的多普勒波形图像或M模式图像(详细是将多普勒波形图像、M模式图像的特征数值化的数据)。
疾患预测学习器32基于所输入的对象时间序列数据来预测对象时间序列数据所表示的疾患,并输出表示预测结果的输出数据。疾患预测部36基于疾患预测学习器32的输出数据来预测对象时间序列数据所表示的疾患。如上述那样,在本实施方式中,疾患预测学习器32能分别针对多个疾患来输出对象时间序列数据所示出的可能性,作为输出数据。例如,疾患预测学习器32输出“0.12(12%)”作为对象时间序列数据示出疾患A的可能性,输出“0.83(83%)”作为对象时间序列数据示出疾患B的可能性,输出“0.06(6%)”作为对象时间序列数据示出疾患C的可能性,…输出“0.03(3%)”作为对象时间序列数据示出疾患N的可能性。疾患预测部36能基于这样的输出数据分别针对多个疾患来预测对象时间序列数据所符合的可能性。
在按疾患区分而准备有多个疾患预测学习器32的情况下,疾患预测部36将对象时间序列数据依次输入到多个疾患预测学习器32,基于多个疾患预测学习器32各自的输出数据分别针对多个疾患来预测对象时间序列数据所符合的可能性。
如此地,在本实施方式中,疾患预测部36只要将对象时间序列数据输入到学习完毕的疾患预测学习器32,就能基于疾患预测学习器32的输出来预测对象时间序列数据所表示的疾患。由此,与过去相比,用于预测对象时间序列数据所表示的疾患的运算量减少。
在对象被检部位以及成为学习用时间序列数据的对象的被检部位是进行脉动的部位的情况下,对象时间序列数据以及学习用时间序列数据可以是与对象被检部位以及被检部位的脉动周期中的相同期间对应的时间序列数据。例如,在学习用时间序列数据是基于在心电波形中的R波到R波之间的期间取得的接收波束数据串的时间序列数据的情况下,疾患预测部36可以将对象时间序列数据也设为基于在心电波形中的R波到R波之间的期间取得的接收波束数据串的时间序列数据。通过脉动周期中的学习用时间序列数据和对象时间序列数据的期间成为相同,能提升疾患预测学习器32的输出精度。即,疾患预测部36的对象时间序列数据所表示的疾患的预测精度提升。
此外,疾患预测部36可以在对象时间序列数据所表示的疾患的预测之前确定对象被检部位是哪个部位,并进一步基于所确定的部位来预测对象时间序列数据所表示的疾患。
关于对象被检部位是哪个部位的确定,例如能通过基于对象时间序列数据对图像生成部22所生成的图像(多普勒波形图像或M模式图像)进行解析来确定。在通过时分扫描同时间序列数据一起取得接收帧数据的情况下,也可以通过对由图像生成部22基于该接收帧数据而生成的B模式图像进行解析,来进行对象被检部位是哪个部位的确定。或者,疾患预测部36可以基于来自输入接口28的用户输入来确定对象被检部位是哪个部位。例如,也可以基于用户从输入接口28输入的用于超声波诊断的设定(例如由用户选择的预设置等)来确定对象被检部位是哪个部位。
疾患预测部36将表示对象被检部位是哪个部位的参数同对象时间序列数据一起输入到疾患预测学习器32。由此,疾患预测学习器32能在考虑对象被检部是哪个部位的同时预测对象时间序列数据所表示的疾患。例如,疾患预测学习器32能在将不会在对象被检部位产生的疾患除外的基础上来预测对象时间序列数据所表示的疾患。由此,提升了疾患预测学习器32的输出精度,即,提升了疾患预测部36的对象时间序列数据所表示的疾患的预测精度。
显示控制部24将疾患预测部36的预测结果通知给用户。即,显示控制部24作为通知部发挥功能。另外,在本实施方式中,疾患预测部36的预测结果如以下说明的那样通过显示控制部24显示于显示器26,但也可以在此基础上或取而代之地通过声音输出等来将疾患预测部36的预测结果通知给用户。
图5是表示显示于显示器26的、通知疾患预测部36的预测结果的通知画面50的第1例的图。在通知画面50中,显示基于对象时间序列数据生成的超声波图像52以及疾患预测部36的预测结果54。另外,通知画面50是多普勒模式下的画面,作为超声波图像52而显示多普勒波形图像,当然,在M模式的情况下,作为超声波图像52而显示M模式图像。
如上述那样,疾患预测部36由于能分别针对多个疾患来预测对象时间序列数据所符合的可能性,因此,显示控制部24可以分别针对多个疾患将对象时间序列数据所符合的可能性通知给用户。在通知画面50的预测结果54中,显示控制部24显示多个疾患名(“疾患A”、“疾患B”、“疾患C”、…、“疾患N”),并且以图表的形式针对各疾患来显示对象时间序列数据所符合的可能性。
图6是表示通知画面50的第2例的图。如图6的通知画面50所示那样,显示控制部24可以在预测结果54’中强调显示在由疾患预测部36预测了对象时间序列数据所符合的可能性的多个疾患当中对象时间序列数据所符合的可能性最高的疾患。在图6的示例中,由于在多个疾患当中“疾患B”是对象时间序列数据所符合的可能性最高的疾患,因此,在预测结果54’中强调显示“疾患B”。
作为强调显示的方式,考虑各种方式。例如,可以将成为强调显示的对象的疾患用与其他疾患不同的颜色、字体进行显示。此外,也可以对成为强调显示的对象的疾患施予标记、阴影等来进行显示。此外,也可以将多个疾患按照对象时间序列数据所符合的可能性从高到低的顺序排列。此外,也可以仅显示成为强调显示的对象的疾患(对象时间序列数据所符合的可能性最高的疾患)。
通过强调显示多个疾患当中的对象时间序列数据所符合的可能性最高的疾患,用户能容易地掌握对象时间序列数据所符合的可能性高的疾患。
如上述那样,在本实施方式中,与过去相比,用于预测对象时间序列数据所表示的疾患的运算量减少。即,能更高速地进行对象时间序列数据所表示的疾患的预测。因此,疾患预测部36可以针对对象时间序列数据的生成来实时地预测对象时间序列数据所表示的疾患,显示控制部24可以针对疾患预测部36的对象时间序列数据所表示的疾患的预测来实时地将疾患预测部36的预测结果通知给用户。根据本实施方式,即使进行这样的实时处理,也能在不产生延迟等的情况下顺畅地将疾患预测部36的预测结果通知给用户。
以下按照图7所示的流程图来说明本实施方式所涉及的超声波诊断装置10的处理的流程。
在步骤S10中,超声波诊断装置10对应于来自输入接口28的用户的指示而开始多普勒模式或M模式。
在步骤S12中,在多普勒模式的情况下,多普勒处理部18基于来自接收部16的接收波束数据串来生成作为对象时间序列数据的多普勒数据。在M模式的情况下,波束数据处理部20生成作为对象时间序列数据的实施了各种信号处理的接收波束数据串。
在步骤S14中,疾患预测部36将步骤S12中生成的对象时间序列数据(多普勒数据或接收波束数据串)输入到学习完毕的疾患预测学习器32。然后,疾患预测部36基于针对对象时间序列数据的疾患预测学习器32的输出数据来预测对象时间序列数据所表示的疾患。
在步骤S16中,显示控制部24使显示器26显示基于步骤S12中生成的多普勒数据的多普勒波形图像或基于步骤S12中生成的接收波束数据串的M模式图像、和步骤S14中的疾患预测部36的预测结果。由此,将疾患预测部36的预测结果通知给用户。
在步骤S18中,处理器34判定是否通过用户的指示而使多普勒模式或M模式结束。在多普勒模式或M模式继续的情况下,回到步骤S12,重复步骤S12到S18的处理。在多普勒模式或M模式结束的情况下,结束处理。
以上说明了本公开所涉及的超声波时间序列数据处理装置,但本公开所涉及的超声波时间序列数据处理装置并不限于上述实施方式,只要不脱离其主旨,就能进行各种变更。
例如,在本实施方式中,超声波时间序列数据处理装置是超声波诊断装置10,但超声波时间序列数据处理装置并不限于超声波诊断装置10,也可以是其他计算机。在该情况下,在能从作为超声波时间序列数据处理装置的计算机访问的存储器中存储学习完毕的疾患预测学习器32,该计算机的处理器发挥作为疾患预测部36以及显示控制部24的功能。
Claims (7)
1.一种超声波时间序列数据处理装置,其特征在于,具备:
疾患预测部,其对疾患预测学习器输入对象时间序列数据,基于针对该输入的所述疾患预测学习器的输出来预测所述对象时间序列数据所表示的疾患,其中,所述疾患预测学习器将作为多次重复进行针对具有疾患的被检部位内的相同位置的超声波的收发并基于来自该被检部位或在该被检部位内流过的血液的反射波而生成的、表示信号的时间变化的时间序列数据的学习用时间序列数据与表示该被检部位所具有的疾患的信息的组合用作学习数据进行了学习,以使得基于所输入的所述时间序列数据来预测并输出该时间序列数据所表示的疾患,所述对象时间序列数据是通过多次重复进行针对对象被检部位内的相同位置的超声波的收发而生成的所述时间序列数据;和
通知部,其将所述疾患预测部的预测结果通知给用户。
2.根据权利要求1所述的超声波时间序列数据处理装置,其特征在于,
所述疾患预测学习器进行学习,以使得基于所输入的所述时间序列数据分别针对多个疾患来输出该时间序列数据所符合的可能性,
所述疾患预测部对所述疾患预测学习器输入所述对象时间序列数据,分别针对多个疾患来预测所述对象时间序列数据所符合的可能性,
所述通知部分别针对多个疾患将所述对象时间序列数据所符合的可能性通知给所述用户。
3.根据权利要求2所述的超声波时间序列数据处理装,其特征在于,
所述通知部在显示部强调显示所述多个疾患当中的所述对象时间序列数据所符合的可能性最高的疾患。
4.根据权利要求1所述的超声波时间序列数据处理装置,其特征在于,
所述疾患预测部在所述对象时间序列数据所表示的疾患的预测之前确定所述对象被检部位是哪个部位,并进一步基于所确定的部位来预测所述对象时间序列数据所表示的疾患。
5.根据权利要求1所述的超声波时间序列数据处理装置,其特征在于,
所述对象被检部位以及所述被检部位是进行脉动的部位,
所述对象时间序列数据以及所述学习用时间序列数据是与所述对象被检部位以及所述被检部位的脉动周期中的相同期间对应的所述时间序列数据。
6.根据权利要求1所述的超声波时间序列数据处理装置,其特征在于,
所述超声波时间序列数据处理装置还具备:
时间序列数据生成部,其生成所述对象时间序列数据,
所述疾患预测部针对所述时间序列数据生成部的所述对象时间序列数据的生成来实时地预测所述对象时间序列数据所表示的疾患,
所述通知部针对所述疾患预测部的所述对象时间序列数据所表示的疾患的预测来实时地将所述疾患预测部的预测结果通知给所述用户。
7.一种计算机可读的非临时性存储介质,存储计算机能执行的命令,所述计算机可读的非临时性存储介质的特征在于,
所述命令使所述计算机执行:
疾患预测步骤,对疾患预测学习器输入对象时间序列数据,基于针对该输入的所述疾患预测学习器的输出来预测所述对象时间序列数据所表示的疾患,其中,所述疾患预测学习器将作为多次重复进行针对具有疾患的被检部位内的相同位置的超声波的收发并基于来自该被检部位或在该被检部位内流过的血液的反射波而生成的、表示信号的时间变化的时间序列数据的学习用时间序列数据与表示该被检部位所具有的疾患的信息的组合用作学习数据进行了学习,以使得基于所输入的所述时间序列数据来预测并输出该时间序列数据所表示的疾患,所述对象时间序列数据是通过多次重复进行针对对象被检部位内的相同位置的超声波的收发而生成的所述时间序列数据;和
通知步骤,将所述疾患预测部的预测结果通知给用户。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022-080336 | 2022-05-16 | ||
JP2022080336A JP2023168940A (ja) | 2022-05-16 | 2022-05-16 | 超音波時系列データ処理装置及び超音波時系列データ処理プログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117064432A true CN117064432A (zh) | 2023-11-17 |
Family
ID=88699413
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310450827.1A Pending CN117064432A (zh) | 2022-05-16 | 2023-04-24 | 超声波时间序列数据处理装置以及非临时性存储介质 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20230368917A1 (zh) |
JP (1) | JP2023168940A (zh) |
CN (1) | CN117064432A (zh) |
-
2022
- 2022-05-16 JP JP2022080336A patent/JP2023168940A/ja active Pending
-
2023
- 2023-04-24 CN CN202310450827.1A patent/CN117064432A/zh active Pending
- 2023-04-24 US US18/138,494 patent/US20230368917A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
US20230368917A1 (en) | 2023-11-16 |
JP2023168940A (ja) | 2023-11-29 |
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 | |
JP2020531074A (ja) | 画像アーチファクト特定及び除去のための深層学習ネットワークを有する超音波システム | |
EP3132749B1 (en) | Ultrasound diagnosis apparatus for analyzing plaque | |
CN103202714B (zh) | 超声波诊断装置、医用图像处理装置以及医用图像处理方法 | |
US11593933B2 (en) | Systems and methods for ultrasound image quality determination | |
US11432806B2 (en) | Information processing apparatus, information processing method, and storage medium | |
US10832405B2 (en) | Medical image processing apparatus with awareness of type of subject pattern | |
JP7333448B2 (ja) | 超音波診断装置 | |
JP2023160986A (ja) | 超音波診断装置及び解析装置 | |
US11026655B2 (en) | Ultrasound diagnostic apparatus and method of generating B-flow ultrasound image with single transmission and reception event | |
US20230368917A1 (en) | Ultrasound time-series data processing device and ultrasound time-series data processing program | |
US20190209136A1 (en) | Ultrasonic imaging device and ultrasonic image display method | |
EP3197365B1 (en) | Ultrasound diagnostic apparatus and method of generating ultrasound image | |
US20230368376A1 (en) | Ultrasound time-series data processing device and ultrasound time-series data processing program | |
CN114173673A (zh) | 使用图像数据进行的超声系统声学输出控制 | |
KR100842234B1 (ko) | 도플러 스펙트럼의 베이스라인 및 스케일을 조절하는 영상처리 시스템 및 방법 | |
US20230397905A1 (en) | Ultrasound time series data processing apparatus and ultrasound time series data processing program | |
US20210228177A1 (en) | Ultrasonic diagnostic apparatus, learning apparatus, and image processing method | |
US20240148364A1 (en) | Ultrasound image processing apparatus, ultrasound image diagnosis system, ultrasound image processing method, and non-transitory computer-readable recording medium storing ultrasonic image processing program | |
JP7082540B2 (ja) | ドプラ波形処理装置 | |
CN113939236A (zh) | 一种超声成像设备及其超声回波信号的处理方法 | |
JP2023148356A (ja) | 医用情報処理装置、超音波診断装置、及び学習用データ生成方法 | |
KR20160086126A (ko) | 초음파 진단 방법 및 장치 |
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 |