CN117522887A - 用于定义超声图像中的感兴趣区域的边界的系统和方法 - Google Patents
用于定义超声图像中的感兴趣区域的边界的系统和方法 Download PDFInfo
- Publication number
- CN117522887A CN117522887A CN202310885744.5A CN202310885744A CN117522887A CN 117522887 A CN117522887 A CN 117522887A CN 202310885744 A CN202310885744 A CN 202310885744A CN 117522887 A CN117522887 A CN 117522887A
- Authority
- CN
- China
- Prior art keywords
- segmentation
- ultrasound image
- threshold
- interest
- processor
- 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
- 238000002604 ultrasonography Methods 0.000 title claims abstract description 178
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000011218 segmentation Effects 0.000 claims abstract description 226
- 230000035945 sensitivity Effects 0.000 claims abstract description 151
- 238000012545 processing Methods 0.000 claims abstract description 22
- 210000003484 anatomy Anatomy 0.000 claims description 11
- 238000005259 measurement Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 238000013473 artificial intelligence Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 description 11
- 230000015654 memory Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 210000002569 neuron Anatomy 0.000 description 9
- 239000000523 sample Substances 0.000 description 9
- 238000013500 data storage Methods 0.000 description 8
- 238000010191 image analysis Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 5
- 238000003825 pressing Methods 0.000 description 5
- 210000005240 left ventricle Anatomy 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000012285 ultrasound imaging Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000002592 echocardiography Methods 0.000 description 3
- 210000004204 blood vessel Anatomy 0.000 description 2
- 230000001605 fetal effect Effects 0.000 description 2
- 210000002216 heart Anatomy 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 210000000689 upper leg Anatomy 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000000601 blood cell Anatomy 0.000 description 1
- 210000005242 cardiac chamber Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 238000002607 contrast-enhanced ultrasound Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000002091 elastography Methods 0.000 description 1
- 210000004696 endometrium Anatomy 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 210000003754 fetus Anatomy 0.000 description 1
- 230000010365 information processing Effects 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
- 210000000056 organ Anatomy 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
- 238000002099 shear wave elastography Methods 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 210000004291 uterus Anatomy 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
-
- 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
- A61B8/46—Ultrasonic, sonic or infrasonic diagnostic devices with special arrangements for interfacing with the operator or the patient
- A61B8/467—Ultrasonic, sonic or infrasonic diagnostic devices with special arrangements for interfacing with the operator or the patient characterised by special input means
- A61B8/469—Ultrasonic, sonic or infrasonic diagnostic devices with special arrangements for interfacing with the operator or the patient characterised by special input means for selection of a region of interest
-
- 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
- A61B8/0883—Detecting organic movements or changes, e.g. tumours, cysts, swellings for diagnosis of the heart
-
- 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
- A61B8/465—Displaying means of special interest adapted to display user selection data, e.g. icons or menus
-
- 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
- G06T7/12—Edge-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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/08—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
- A61B8/0841—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving detecting or locating foreign bodies or organic structures for locating instruments
-
- 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
- A61B8/08—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
- A61B8/0875—Detecting organic movements or changes, e.g. tumours, cysts, swellings for diagnosis of bone
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
Abstract
提供了用于定义超声图像中的感兴趣区域的边界的系统和方法。该方法包括接收具有像素的超声图像,以及自动处理该超声图像以输出该像素中的每个像素处于感兴趣区域中的概率。该方法包括应用第一阈值来确定该感兴趣区域的边界。该第一阈值与多个分割灵敏度级别中的第一分割灵敏度级别相对应。该方法包括显示该超声图像,其中该边界重叠在该超声图像上。该方法包括接收对与不同于该第一阈值的第二阈值相对应的第二分割灵敏度级别的用户选择,以及基于该第二阈值在显示器处动态地更新重叠在该超声图像上的该边界。
Description
技术领域
某些实施方案涉及超声成像。更具体地,某些实施方案涉及用于通过将对应于用户选择的分割灵敏度级别的阈值应用于概率自动分割模型的输出来定义超声图像中的感兴趣区域的边界的方法和系统。
背景技术
超声成像是用于对人体中的器官和软组织进行成像的医学成像技术。超声成像使用实时的、非侵入性高频声波来产生一系列二维(2D)图像和/或三维(3D)图像。
超声成像可涉及超声图像中的感兴趣区域的分割以用于分析和诊断。通过处理超声图像以确定图像的每个像素处于感兴趣区域内的概率,并应用单个固定阈值来定义感兴趣区域的边界,可应用诸如计算机视觉、人工智能等的图像分析技术来分割感兴趣区域。因此,这些图像分析技术本质上通常是静态的。图像分析技术的静态性质缺乏针对不同用户、感兴趣区域类型和/或超声检查类型的处理的动态适应性,由此将图像分析技术的使用限于特定用户和/或应用程序。例如,不同的用户可能偏好超声图像中的感兴趣区域的不同轮廓(例如,更粗或更细)。作为另一示例,用户可能根据被分割的感兴趣区域和/或超声检查的类型而偏好不同的轮廓。
通过将此类系统与本申请的其余部分中参考附图阐述的本公开的一些方面进行比较,常规和传统方法的更多限制和缺点对本领域的技术人员将变得显而易见。
发明内容
提供了一种用于通过将对应于用户选择的分割灵敏度级别的阈值应用于概率自动分割模型的输出来定义超声图像中的感兴趣区域的边界的系统和/或方法,基本上如附图中的至少一个附图中所示和/或如结合附图中的至少一个附图所述,如权利要求中更完整地阐述。
从以下描述和附图将更全面地理解本公开的这些和其它优点、方面和新颖特征、以及其例示的实施方案的细节。
附图说明
图1是根据各种实施方案的示例性超声系统的框图,该示例性超声系统可操作为通过将对应于用户选择的分割灵敏度级别的阈值应用于概率自动分割模型的输出来定义超声图像中的感兴趣区域的边界。
图2是根据各种实施方案的具有定义经分割的感兴趣区域的多个边界的示例性超声图像的显示,这些边界中的每个边界对应于与应用于概率自动分割模型的输出的不同分割灵敏度级别相关联的不同阈值。
图3是根据各种实施方案的用于选择多个分割灵敏度级别中的一个分割灵敏度级别的示例性用户界面工具的显示,该多个分割灵敏度级别中的每个分割灵敏度级别与应用于概率自动分割模型的输出以定义感兴趣区域的边界的不同阈值相关联。
图4是根据各种实施方案的示出可用于通过将对应于用户选择的分割灵敏度级别的阈值应用于概率自动分割模型的输出来定义超声图像中的感兴趣区域的边界的示例性步骤的流程图。
具体实施方式
某些实施方案可在用于通过将对应于用户选择的分割灵敏度级别的阈值应用于概率自动分割模型的输出来定义超声图像中的感兴趣区域的边界的方法和系统中找到。本公开的各方面具有提供应用于定义感兴趣区域的边界的多个用户可选分割灵敏度级别的技术效果。各种实施方案提供了响应于对多个分割灵敏度级别中的一个分割灵敏度级别的用户选择而动态地更新感兴趣区域的边界的技术效果。某些实施方案提供了提供多个预设的技术效果,该多个预设中的每个预设与不同的分割灵敏度级别相关联,该不同的分割灵敏度级别具有应用于概率自动分割模型的输出以定义感兴趣区域的边界的对应阈值。本公开的各方面具有更新默认阈值以使其与最后选择的分割灵敏度级别相对应的技术效果。各种实施方案提供了与特定用户和/或特定超声系统相关联地存储与最后选择的分割灵敏度级别相对应的阈值的技术效果。某些实施方案提供了提供在显示系统处与重叠有感兴趣区域的边界的超声图像一起呈现的用户界面工具的技术效果,该用户界面工具被配置为接收用于选择不同的分割灵敏度级别的用户输入,该不同的分割灵敏度级别具有应用于概率自动分割模型的输出以动态地更新重叠在超声图像上的边界的阈值。
当结合附图阅读时,将更好地理解前述发明内容以及某些实施方案的以下具体实施方式。就附图示出各个实施方案的功能块的图的范围而言,这些功能块不一定表示硬件电路之间的划分。因此,例如,一个或多个功能块(例如,处理器或存储器)可以在单件硬件(例如,通用信号处理器或随机存取存储器块、硬盘等)或多件硬件中来实现。类似地,程序可以是独立程序,可以作为子例程包含在操作系统中,可以是安装的软件包中的功能等。应当理解,各个实施方案不限于附图中所示的布置和工具。还应当理解,可以组合实施方案,或者可以利用其它实施方案,并且可以在不脱离各个实施方案的范围的情况下做出结构的、逻辑的和电气的改变。因此,以下详述不应视为限制性意义,并且本公开的范围由所附权利要求书及其等同物限定。
如本文所用,以单数形式列举并且以单词“一”或“一个”开头的元件或步骤应当被理解为不排除多个该元件或步骤,除非明确说明此类排除。此外,对“示例性实施方案”、“各个实施方案”、“某些实施方案”、“代表性的实施方案”等的引用不旨在被解释为排除存在也包含了叙述的特征的附加实施方案。此外,除非明确地相反说明,否则“包含”、“包括”或“具有”具有特定属性的一个元素或多个元素的实施方案可以包括不具有该属性的附加元素。
另外,如本文所用,术语“图像”广义地是指可视图像和表示可视图像的数据两者。然而,许多实施方案生成(或被配置为生成)至少一个可视图像。此外,如本文所用,短语“图像”用于指超声模式,诸如B模式(2D模式)、M模式、三维(3D)模式、CF模式、PW多普勒、CW多普勒、对比增强超声(CEUS),和/或B模式和/或CF的子模式,诸如谐波成像、剪切波弹性成像(SWEI)、应变弹性成像、TVI、PDI、B-flow、MVI、UGAP,并且在某些情况下还包括MM、CM、TVD,其中“图像”和/或“平面”包括单个波束或多个波束。
此外,如本文所用,术语处理器或处理单元是指可执行各个实施方案需要的所需计算的任何类型的处理单元,诸如单核或多核:CPU、加速处理单元(APU)、图形处理单元(GPU)、DSP、FPGA、ASIC或它们的组合。
应当指出的是,本文所述的生成或形成图像的各个实施方案可包括用于形成图像的处理,该处理在一些实施方案中包括波束形成,而在其它实施方案中不包括波束形成。例如,可在不进行波束形成的情况下形成图像,例如通过将解调数据的矩阵乘以系数矩阵,使得乘积是图像,并且其中该过程不形成任何“波束”。另外,可使用可能源自多于一个发射事件的信道组合(例如,合成孔径技术)来执行图像的形成。
在各个实施方案中,例如,在软件、固件、硬件或它们的组合中执行超声处理以形成图像,包括超声波束形成,诸如接收波束形成。具有根据各个实施方案形成的软件波束形成器架构的超声系统的一个具体实施在图1中示出。
图1是根据各种实施方案的示例性超声系统100的框图,该示例性超声系统可操作为通过将对应于用户选择的分割灵敏度级别的阈值应用于概率自动分割模型的输出来定义超声图像中的感兴趣区域的边界。参考图1,示出了超声系统100和训练系统200。超声系统100包括发射器102、超声探头104、发射波束形成器110、接收器118、接收波束形成器120、A/D转换器122、RF处理器124、RF/IQ缓冲器126、用户输入设备130、信号处理器132、图像缓冲器136、显示系统134和档案138。
发射器102可包括可操作以驱动超声探头104的合适逻辑部件、电路、接口和/或代码。超声探头104可包括压电元件的二维(2D)阵列。超声探头104可包括通常构成相同元件的一组发射换能器元件106和一组接收换能器元件108。在某些实施方案中,超声探头104可操作为采集覆盖解剖结构(诸如心脏、胎儿、子宫、血管或任何合适的解剖结构)的至少大部分的超声图像数据。
发射波束形成器110可包括合适的逻辑部件、电路、接口和/或代码,该逻辑部件、电路、接口和/或代码可操作以控制发射器102,该发射器通过发射子孔径波束形成器114驱动该组发射换能器元件106以将超声发射信号发射到感兴趣区域(例如,人、动物、地下空腔、物理结构等)中。发射的超声信号可从感兴趣对象中的结构(如血细胞或组织)反向散射,以产生回波。回波由接收换能器元件108接收。
超声探头104中的这组接收换能器元件108可操作以将接收的回波转换为模拟信号,通过接收子孔径波束形成器116进行子孔径波束形成,然后传送到接收器118。接收器118可包括合适的逻辑部件、电路、接口和/或代码,该逻辑部件、电路、接口和/或代码可操作为接收来自接收子孔径波束形成器116的信号。可以将模拟信号传送到一个或多个A/D转换器122。
多个A/D转换器122可包括合适的逻辑部件、电路、接口和/或代码,该逻辑部件、电路、接口和/或代码可操作以将来自接收器118的模拟信号转换为对应的数字信号。多个A/D转换器122设置在接收器118与RF处理器124之间。尽管如此,本公开在这方面并不受限制。因此,在一些实施方案中,可将多个A/D转换器122集成在接收器118内。
RF处理器124可包括合适的逻辑部件、电路、接口和/或代码,该逻辑部件、电路、接口和/或代码可操作以解调由多个A/D转换器122输出的数字信号。根据一个实施方案,RF处理器124可包括复解调器(未示出),该复解调器可操作为解调数字信号,以形成代表对应回波信号的I/Q数据对。然后可将RF或I/Q信号数据传送到RF/IQ缓冲器126。RF/IQ缓冲器126可包括合适的逻辑部件、电路、接口和/或代码,该逻辑部件、电路、接口和/或代码可操作为提供由RF处理器124生成的RF或I/Q信号数据的临时存储。
接收波束形成器120可包括合适的逻辑部件、电路、接口和/或代码,该逻辑部件、电路、接口和/或代码可操作以执行数字波束形成处理,以例如对经由RF/IQ缓冲器126从RF处理器124接收的延迟信道信号求和并输出波束求和信号。所得到的经处理的信息可以是从接收波束形成器120输出并且传送到信号处理器132的波束求和信号。根据一些实施方案,可将接收器118、多个A/D转换器122、RF处理器124和波束形成器120集成到单个波束形成器中,该单个波束形成器可以是数字的。在各个实施方案中,超声系统100包括多个接收波束形成器120。
用户输入设备130可用于输入患者数据、图像采集和扫描参数、设置、配置参数,选择协议和/或模板,改变扫描模式,选择多个分割灵敏度级别中的一个分割灵敏度级别等。在示例性实施方案中,用户输入设备130可操作为配置、管理和/或控制超声系统100中的一个或多个部件和/或模块的操作。就这一点而言,用户输入设备130可操作为配置、管理和/或控制发射器102、超声探头104、发射波束形成器110、接收器118、接收波束形成器120、RF处理器124、RF/IQ缓冲器126、用户输入设备130、信号处理器132、图像缓冲器136、显示系统134和/或档案138的操作。用户输入设备130可包括一个或多个按钮、一个或多个旋转编码器、触摸屏、运动跟踪、语音识别、鼠标设备、键盘、相机和/或能够接收用户指令的任何其它设备。在特定实施方案中,例如,可将用户输入设备130中的一个或多个用户输入设备集成到其它部件(诸如显示系统134或超声探头104)中。例如,用户输入设备130可包括触摸屏显示器。
信号处理器132可包括合适的逻辑部件、电路、接口和/或代码,该逻辑部件、电路、接口和/或代码可操作以处理超声扫描数据(即,求和的IQ信号),以生成用于在显示系统134上呈现的超声图像。信号处理器132可操作以根据所采集的超声扫描数据上的多个可选超声模态来执行一个或多个处理操作。在示例性实施方案中,信号处理器132可用于执行显示处理和/或控制处理等。随着接收到回波信号,可在扫描会话期间实时处理所采集的超声扫描数据。附加地或另选地,超声扫描数据可在扫描会话期间暂时存储在RF/IQ缓冲器126中并且在在线操作或离线操作中以不太实时的方式处理。在各个实施方案中,经处理的图像数据可呈现在显示系统134处和/或可存储在档案138中。档案138可以是本地档案、图片归档和通信系统(PACS)或用于存储图像和相关信息的任何合适的设备。
信号处理器132可以是一个或多个中央处理单元、图形处理单元、微处理器、微控制器等。例如,信号处理器132可以是集成部件,或者可分布在各个位置。在示例性实施方案中,信号处理器132可包括分割处理器140和边界处理器150并且能够从用户输入设备130和/或档案138接收输入信息,生成可由显示系统134显示的输出,并且响应于来自用户输入设备130的输入信息来操纵输出等。例如,信号处理器132、分割处理器140和边界处理器150能够执行在本文根据各种实施方案所讨论的方法和/或指令集中的任一者。
超声系统100可操作为按适于所考虑的成像情况的帧速率连续获取超声扫描数据。通常,帧速率在20至120的范围内,但可更低或更高。获取的超声扫描数据可与帧速率相同、或以更慢或更快的显示速率显示在显示系统134上。图像缓冲器136被包括以用于存储未被安排立即显示的获取的超声扫描数据的处理的帧。优选地,图像缓冲器136具有足够的容量来存储至少几分钟的超声扫描数据的帧。超声扫描数据的帧以根据其获取顺序或时间易于从其取回的方式存储。图像缓冲器136可体现为任何已知的数据存储介质。
信号处理器132可包括分割处理器140,该分割处理器包括合适的逻辑部件、电路、接口和/或代码,该逻辑部件、电路、接口和/或代码可操作为接收具有多个像素的超声图像。分割处理器140可被配置为自动处理超声图像,以输出超声图像中的多个像素中的每个像素处于感兴趣区域中的概率。例如,分割处理器140可包括概率自动分割模型,该概率自动分割模型接收具有多个像素的超声图像并输出每个像素是感兴趣区域的一部分的概率。感兴趣区域可为解剖结构、人工结构、测量端点等。例如,感兴趣区域可为解剖结构,诸如心腔(例如,左心室)、子宫内膜、胎头、血管或任何合适的解剖结构。作为另一示例,感兴趣区域可为诸如针的人工结构、或任何合适的人工结构。作为另一示例,感兴趣区域可为测量端点,诸如提供股骨长度测量的胎儿股骨的末端或任何合适的测量端点。
分割处理器140可包括概率自动分割模型(该概率自动分割模型包括图像分析算法、人工智能算法、计算机视觉算法、一个或多个深度神经网络(例如,卷积神经网络))和/或可利用被配置为自动处理和输出超声图像的像素是感兴趣区域的一部分的概率的任何合适形式的图像分析技术或机器学习处理功能。由分割处理器140执行的概率自动分割模型可将输出的概率提供给边界处理器150以用于生成叠加在超声图像上并呈现在显示系统134处的感兴趣区域的边界,和/或将概率存储在档案138和/或任何合适的数据存储介质处。
在各种实施方案中,由分割处理器140执行的概率自动分割模型可被提供为深度神经网络,该深度神经网络可由例如输入层、输出层以及输入层与输出层之间的一个或多个隐藏层组成。每个层可由可称为神经元的多个处理节点构成。例如,由分割处理器140执行的概率自动分割模型可包括输入层,该输入层具有用于来自超声图像(诸如超声心动图超声扫描)的每个像素或一组像素的神经元。输出层可具有对应于这些像素中的每个像素是感兴趣区域(诸如心脏的左心室)的一部分的概率的神经元。每个层的每个神经元可执行处理功能,并且将处理的超声图像信息传递到下游层的多个神经元中的一个神经元以用于进一步处理。例如,第一层的神经元可学习以识别超声图像数据中的结构边缘。第二层的神经元可学习以基于来自第一层的检测边缘识别形状。第三层的神经元可学习所识别的形状相对于超声图像数据中的界标的位置。由分割处理器140深度神经网络(例如,卷积神经网络)执行的处理可以高精确度输出超声图像中的感兴趣区域像素概率。
信号处理器132可包括边界处理器150,该边界处理器包括合适的逻辑部件、电路、接口和/或代码,该逻辑部件、电路、接口和/或代码可操作为从分割处理器140接收或从档案138和/或任何合适的数据存储介质检索超声图像中的每个像素是感兴趣区域的一部分的概率。边界处理器150可被配置为应用对应于多个分割灵敏度级别中的一个分割灵敏度级别的阈值来确定感兴趣区域的边界。多个分割灵敏度级别中的每个分割灵敏度级别与不同的阈值相对应。例如,多个分割灵敏度级别可包括两个(2)、三个(3)、五个(5)、十个(10)、或任何合适数量的分割灵敏度级别。可通过数字(例如,1、2、3等)、字母(例如,A、B、C等)、名称(例如,低、中、高等)、在显示系统处呈现的用户界面工具上的位置(例如,滚动条的顶部、滚动条的中部、滚动条的底部等)或任何合适的区分特征来区分多个分割灵敏度级别。
由边界处理器150应用与分割灵敏度级别中的每个分割灵敏度级别相关联的阈值来确定要包括在感兴趣区域中的超声图像的像素。例如,阈值可为90%概率、80%概率、70%概率、或任何合适的概率。边界处理器150被配置为确定感兴趣区域的边界(即,外边缘),并将边界叠加在超声图像上,从而确定超声图像中的感兴趣区域的轮廓。重叠在超声图像上的边界的位置基于应用于概率自动分割模型的输出的多个分割灵敏度级别中的所应用的一个分割灵敏度级别的阈值。例如,边界可为针对第一分割灵敏度级别的粗轮廓、针对第二分割灵敏度级别的细轮廓以及针对第三分割灵敏度级别的中间轮廓等。
边界处理器150可被配置为最初将与第一或默认分割灵敏度级别相对应的第一或默认阈值应用于概率自动分割模型的输出来确定超声图像中的感兴趣区域并将边界重叠在超声图像上。响应于将分割灵敏度级别改变为与不同阈值相对应的不同分割灵敏度级别的用户选择,边界处理器150可被配置为将与不同用户选择的分割灵敏度级别相对应的不同阈值重新应用于概率自动分割模型的输出,以确定超声图像中的经调整的感兴趣区域并将经调整的边界动态地重叠在超声图像上。在各种实施方案中,与初始默认分割灵敏度级别相对应的初始默认阈值可与特定用户(例如,用户配置文件)、特定超声检查类型、特定超声系统100等相关联地存储。在示例性实施方案中,边界处理器150可被配置为将初始默认分割灵敏度级别更新为由特定用户针对特定超声检查类型,在特定超声系统100等处最后选择的分割灵敏度级别。
边界处理器150可被配置为致使显示系统134呈现具有重叠边界的超声图像和/或将具有重叠边界的超声图像存储在档案138和/或任何合适的数据存储介质处。边界处理器150可被配置为致使显示系统134呈现用于选择和/或改变分割灵敏度级别的用户界面工具。用户界面工具可包括以下中的一者或多者:具有与不同分割灵敏度级别相关联的不同位置的滚动条、用户可选的分割灵敏度级别的列表、示出可增(+)和可减(-)分割灵敏度级别的工具、具有各自与不同分割灵敏度级别相关联的可选位置的图标、和/或用于选择性地改变分割灵敏度级别的任何合适的用户界面工具。
图2是根据各种实施方案的具有定义经分割的感兴趣区域312的多个边界320的示例性超声图像310的显示300,边界322、324、326中的每个边界对应于与应用于概率自动分割模型的输出的不同分割灵敏度级别相关联的不同阈值。参考图2,示出了具有定义感兴趣区域312的边界320的超声图像310的显示300。在图2所示的实施方案中,示出了心尖二腔(2CH)超声图像视图310,其中感兴趣区域312为左心室。边界320包括第一边界322、第二边界324和第三边界326。边界322、324、326中的每个边界对应于与由边界处理器150应用于分割处理器140的概率自动分割模型的输出的不同分割灵敏度级别相关联的不同阈值。实际上,基于默认的或选择的分割灵敏度级别,通常仅示出边界322、324、326中的一个边界。第一边界322可对应于第一分割灵敏度级别(例如,低)并且可具有感兴趣区域312的细轮廓。第二边界324可对应于第二分割灵敏度级别(例如,中)并且可具有感兴趣区域312的中间轮廓。第三边界326可对应于第三分割灵敏度级别(例如,高)并且可具有感兴趣区域312的粗轮廓。
图3是根据各种实施方案的用于选择多个分割灵敏度级别342、344、346、352、354、356、362、364、366、372、374、376中的一个分割灵敏度级别的示例性用户界面工具330的显示300,多个分割灵敏度级别342、344、346、352、354、356、362、364、366、372、374、376中的每个分割灵敏度级别与应用于概率自动分割模型的输出以定义感兴趣区域312的边界322的不同阈值相关联。参考图3,示出了示例性用户界面工具330和具有定义感兴趣区域312的边界322的超声图像310的显示300。在图3所示的实施方案中,示出了心尖二腔(2CH)超声图像视图310,其中感兴趣区域312为左心室。重叠在超声图像310上的感兴趣区域312的边界322与具有应用于概率自动分割模型的输出的关联阈值的当前选择的或默认的分割灵敏度级别相对应。用户界面工具330包括滚动条340、列表350、可增(+)和可减(-)工具360以及具有可选位置的图标370。实际上,通常仅示出用户界面工具330中的一个用户界面工具用于调整或选择分割灵敏度级别。滚动条340可竖直地(如图所示)或水平地呈现。
滚动条340可包括指示符342,该指示符位于与当前选择的分割灵敏度级别相对应的位置处。例如,在上部位置处示出的指示符342可被拖动到中心位置或底部位置。作为另一示例,可通过选择调整按钮344、346、转动旋转编码器用户输入设备130、旋转鼠标滚轮用户输入设备130、按下键盘用户输入设备130上的箭头、按下控制面板用户输入设备130上的专用按钮和/或提供任何合适的用户输入设备130指令来移动指示符342。指示符342的位置与具有相关联阈值的分割灵敏度级别(例如,低)相对应,该相关联阈值被应用于概率自动分割模型的输出以定义感兴趣区域312的边界322。
列表用户界面工具350包括多个可选分割灵敏度级别,诸如低352、中354和高356。列表350可包括当前选择的分割灵敏度级别(例如,低)352的指示。该指示可为粗体文本或突出显示的文本、下划线、复选框、阴影或任何合适的指示。该指示可诸如通过触摸或指向列表350中的分割灵敏度级别352、354、356、转动旋转编码器用户输入设备130、旋转鼠标滚轮用户输入设备130、按下键盘用户输入设备130的箭头、按下控制面板用户输入设备130上的专用按钮和/或任何合适的用户输入设备130指令,根据所选择的分割灵敏度级别来改变或移动。分割灵敏度级别(例如,低)的指示识别具有相关联阈值的分割灵敏度级别,该相关联阈值被应用于概率自动分割模型的输出以定义感兴趣区域312的边界322。
可增(+)和可减(-)工具360可包括通过放大的文本、突出显示、下划线、阴影、粗体文本或任何合适的指示符来识别当前分割灵敏度级别(例如,默认值)的指示符。可增(+)和可减(-)工具360可包括用于增加366、减少362或选择默认364分割灵敏度级别的可选按钮。作为另一示例,可增(+)和可减(-)工具360可经由旋转编码器用户输入设备130、鼠标滚轮用户输入设备130、键盘用户输入设备130的箭头、控制面板用户输入设备130上的专用按钮、或任何合适的用户输入设备130来增大或减小分割灵敏度级别。分割灵敏度级别的指示(例如,放大的“默认值”文本)识别具有相关联阈值的分割灵敏度级别,该相关联阈值被应用于概率自动分割模型的输出以定义感兴趣区域312的边界322。
图标370可包括多个可选位置372、374、376,每个可选位置与不同的可选分割灵敏度级别相对应。当前选择的分割灵敏度级别372可由诸如着色、阴影和/或任何合适的指示符的指示符来识别。可通过选择不同的可选位置374、376、转动旋转编码器用户输入设备130、旋转鼠标滚轮用户输入设备130、按下键盘用户输入设备130上的箭头和/或提供任何合适的用户输入设备130指令来改变指示符。指示符372的位置与具有相关联阈值的分割灵敏度级别(例如,低)相对应,该相关联阈值被应用于概率自动分割模型的输出以定义感兴趣区域312的边界322。
再次参考图1,显示系统134可以是能够将视觉信息传达给用户的任何设备。例如,显示系统134可包括液晶显示器、发光二极管显示器、和/或任何合适的一种或多种显示器。显示系统134可操作为呈现超声图像310、边界320、用户界面工具330和/或任何合适的信息。
档案138可以是与超声系统100集成和/或可通信地耦接(例如,通过网络)到超声系统100的一个或多个计算机可读存储器,诸如图像归档和通信系统(PACS)、服务器、硬盘、软盘、CD、CD-ROM、DVD、紧凑存储器、闪存存储器、随机存取存储器、只读存储器、可电擦除和可编程只读存储器,和/或任何合适的存储器。档案138可包括例如由信号处理器132访问和/或与信号处理器132结合的数据库、库、信息集或其它存储器。例如,档案138能够暂时或永久地存储数据。档案138可能能够存储医学图像数据、由信号处理器132生成的数据和/或信号处理器132可读取的指令等。在各种实施方案中,例如,档案138存储超声图像310、重叠有边界320的超声图像310、由分割处理器140执行的概率自动分割模型的输出、与分割灵敏度级别342、344、346、352、354、356、362、364、366、372、374、376相对应的阈值、用于执行概率自动分割模型的指令、用于将阈值应用于概率自动分割模型的输出的指令、用于生成边界322、324、326并将其重叠在超声图像310上的指令、默认分割灵敏度级别342、344、346、352、354、356、362、364、366、372、374、376、用于更新默认分割灵敏度级别342、344、346、352、354、356、362、364、366、372、374、376的指令、和/或任何合适的图像、信息和/或指令。
超声系统100的部件可在软件、硬件、固件等中实现。超声系统100的各个部件可以通信地连接。超声系统100的部件可单独实现和/或以各种形式集成。例如,显示系统134和用户输入设备130可集成为触摸屏显示器。
仍然参考图1,训练系统200可包括训练引擎210和训练数据库220。训练引擎210可包括合适的逻辑部件、电路、接口和/或代码,该逻辑部件、电路、接口和/或代码可操作为训练由分割处理器140推断(例如,部署)的深度神经网络(例如,人工智能分类自适应分割网络)的神经元。例如,可训练由分割处理器140推断的概率自动分割模型以自动确定像素是感兴趣区域312的一部分的概率。作为示例,训练引擎210可训练由分割处理器140部署的概率自动分割模型,以使用经分类的解剖结构、人工结构、测量端点和/或任何合适的感兴趣区域312的数据库220来自动确定像素是感兴趣区域312的一部分的概率。经分类的感兴趣区域可包括输入图像和经手动分割的感兴趣区域的地面真值二值图像(即,掩模)。训练引擎210可被配置为通过调整概率自动分割模型的权重以使输入的地面真值掩模和输出的经预测掩模之间的分割损失函数最小化来优化概率自动分割模型。
在各种实施方案中,训练图像的数据库220可以是图片归档和通信系统(PACS)或任何合适的数据存储介质。在特定实施方案中,训练引擎210和/或训练图像数据库220可以是经由有线或无线连接通信地耦接到超声系统100的远程系统,如图1所示。附加地和/或另选地,训练系统200的部件或全部可以以各种形式与超声系统100集成。
图4是根据各种实施方案的示出可用于通过将对应于用户选择的分割灵敏度级别342、344、346、352、354、356、362、364、366、372、374、376的阈值应用于概率自动分割模型的输出来定义超声图像310中的感兴趣区域312的边界320、322、324、326的示例性步骤402至412的流程图400。参考图4,示出了包括示例性步骤402至412的流程图400。某些实施方案可省略一个或多个步骤,和/或以与所列顺序不同的顺序执行步骤,和/或组合下文讨论的某些步骤。例如,在特定实施方案中可能不执行一些步骤。又如,某些步骤可能以与下面所列时间顺序不同的时间顺序执行,包括同时执行。
在步骤402处,超声系统100或医疗工作站的信号处理器132接收具有多个像素的超声图像310。例如,可导航超声系统100的超声探头104以执行超声扫描。所采集的超声图像可呈现在超声系统100的显示系统134处、提供给超声系统100的信号处理器132的分割处理器140和/或存储在超声系统100的档案138和/或任何合适的数据存储介质处。作为另一示例,医疗工作站的信号处理器132可从档案138和/或任何合适的数据存储介质检索超声图像310,以便呈现在医疗工作站的显示系统134处。
在步骤404处,信号处理器132处理超声图像310以输出多个像素中的每个像素处于感兴趣区域312中的概率。例如,信号处理器的分割处理器132可包括概率自动分割模型,该概率自动分割模型接收具有多个像素的超声图像310并输出每个像素是感兴趣区域312的一部分的概率。感兴趣区域312可为解剖结构、人工结构、测量端点等。概率自动分割模型可包括图像分析算法、人工智能算法、计算机视觉算法、一个或多个深度神经网络(例如,卷积神经网络)和/或可利用被配置为自动处理和输出超声图像310的像素是感兴趣区域312的一部分的概率的任何合适形式的图像分析技术或机器学习处理功能。由分割处理器140执行的概率自动分割模型可将输出的概率提供给信号处理器132的边界处理器150和/或将概率存储在档案138和/或任何合适的数据存储介质处。
在步骤406处,信号处理器132应用第一阈值来确定超声图像310中的感兴趣区域312的边界320、322、324、326。第一阈值与多个分割灵敏度级别342、344、346、352、354、356、362、364、366、372、374、376中的第一分割灵敏度级别相对应。例如,信号处理器132的边界处理器150可被配置为应用对应于多个分割灵敏度级别342、344、346、352、354、356、362、364、366、372、374、376中的一个分割灵敏度级别的第一(例如,默认)阈值来确定感兴趣区域312的边界320、322、324、326。多个分割灵敏度级别342、344、346、352、354、356、362、364、366、372、374、376中的每个分割灵敏度级别与不同的阈值相对应。例如,多个分割灵敏度级别342、344、346、352、354、356、362、364、366、372、374、376可包括两个(2)、三个(3)、五个(5)、十个(10)或任何合适数量的分割灵敏度级别。由边界处理器150应用与分割灵敏度级别342、344、346、352、354、356、362、364、366、372、374、376中的每个割灵敏度级别相关联的阈值来确定要包括在感兴趣区域312中的超声图像310的像素。例如,阈值可为90%概率、80%概率、70%概率、或任何合适的概率。边界处理器150被配置为确定感兴趣区域312的边界(即,外边缘)320、322、324、326。
在步骤408处,信号处理器132致使超声系统100或工作站的显示系统134呈现超声图像,其中边界320、322、324、326重叠在超声图像310上。例如,信号处理器132的边界处理器150可被配置为将边界320、322、324、326叠加在超声图像310上,从而确定超声图像310中的感兴趣区域312的轮廓。重叠在超声图像310上的边界320、322、324、326的位置基于应用于概率自动分割模型的输出的多个分割灵敏度级别中的所应用的一个分割灵敏度级别的阈值。例如,边界320、322、324、326可为针对第一分割灵敏度级别的粗轮廓、针对第二分割灵敏度级别的细轮廓以及针对第三分割灵敏度级别的中间轮廓等。边界处理器150可被配置为致使显示系统134将用于选择和/或改变分割灵敏度级别的用户界面工具330与超声图像310和叠加的边界320、322、324、326一起呈现。用户界面工具330可包括以下中的一者或多者:具有与不同分割灵敏度级别相关联的不同位置的滚动条340、用户可选的分割灵敏度级别的列表350、示出可增(+)和可减(-)的分割灵敏度级别的工具360、具有各自与不同分割灵敏度级别相关联的可选位置372、374、376的图标370、和/或用于选择性地改变分割灵敏度级别的任何合适的用户界面工具330。
在步骤410处,信号处理器132接收对多个分割灵敏度级别342、344、346、352、354、356、362、364、366、372、374、376中的第二分割级别的用户选择。第二分割灵敏度级别与不同于第一阈值的第二阈值相对应。例如,信号处理器132的边界处理器150可被配置为经由用户界面工具330和/或用户输入设备130接收对不同分割灵敏度级别的选择。
在步骤412处,信号处理器132可致使超声系统100或工作站的显示系统134基于第二阈值来动态地更新重叠在超声图像310上的边界320、322、324、326。例如,响应于在步骤410处将分割灵敏度级别改变为与不同阈值相对应的不同分割灵敏度级别的用户选择,边界处理器150可被配置为将与不同用户选择的分割灵敏度级别相对应的不同阈值重新应用于概率自动分割模型的输出,以确定超声图像310中的经调整的感兴趣区域312并将经调整的边界320、322、324、326动态地重叠在超声图像310上。在各种实施方案中,与在步骤406处应用的初始默认分割灵敏度级别相对应的初始默认阈值可与特定用户(例如,用户配置文件)、特定超声检查类型、特定超声系统100等相关联地存储。在示例性实施方案中,边界处理器150可被配置为将初始默认分割灵敏度级别更新为由特定用户针对特定超声检查类型,在特定超声系统100等处最后选择的分割灵敏度级别。
本公开的各方面提供了用于通过将对应于用户选择的分割灵敏度级别342、344、346、352、354、356、362、364、366、372、374、376的阈值应用于概率自动分割模型的输出来定义超声图像310中的感兴趣区域312的边界320、322、324、326的方法400和系统100。根据各种实施方案,方法400可包括由至少一个处理器132接收402具有多个像素的超声图像310。方法400可包括由至少一个处理器132、140执行分割模型来自动处理404超声图像300,以输出多个像素中的每个像素处于感兴趣区域312中的概率。方法400可包括由至少一个处理器132、150应用406第一阈值来确定感兴趣区域312的边界320、322、324、326。第一阈值与多个分割灵敏度级别342、344、346、352、354、356、362、364、366、372、374、376中的第一分割灵敏度级别相对应。方法400可包括由至少一个处理器132、150致使显示系统134呈现408超声图像310,其中边界320、322、324、326重叠在超声图像310上。方法400可包括由至少一个处理器132、150接收410对多个分割灵敏度级别342、344、346、352、354、356、362、364、366、372、374、376中的第二分割灵敏度级别的用户选择。第二分割灵敏度级别与不同于第一阈值的第二阈值相对应。方法400可包括由至少一个处理器132、150基于第二阈值在显示系统134处动态地更新412重叠在超声图像310上的边界320、322、324、326。
在代表性实施方案中,多个分割灵敏度级别342、344、346、352、354、356、362、364、366、372、374、376中的每个分割灵敏度级别为具有不同预定义阈值的预设。在示例性实施方案中,方法400可包括在显示系统134处将具有多个分割灵敏度级别352、354、356的列表的用户界面工具350与超声图像310一起呈现408。列表中呈现的多个分割灵敏度级别352、354、356中的每个分割灵敏度级别是用户可选的。在各种实施方案中,方法400可包括在显示系统134处将具有多个可选位置342、344、346、372、374、376的用户界面工具340、370与超声图像310一起呈现408。多个可选位置342、344、346、372、374、376中的每个可选位置与多个分割灵敏度级别342、344、346、352、354、356、362、364、366、372、374、376中的一个分割灵敏度级别相对应。在某些实施方案中,与第一分割灵敏度级别相对应的第一阈值为默认值。方法400还可包括基于用户选择410将默认值更新412为与第二分割灵敏度级别相对应的第二阈值。在代表性实施方案中,方法400可包括与特定用户配置文件或特定超声系统100中的一者或两者相关联地存储412默认值。在示例性实施方案中,感兴趣区域312为解剖结构312、人工结构或测量端点中的一者。在某些实施方案中,分割模型为人工智能分割模型。
各种实施方案提供了用于通过将对应于用户选择的分割灵敏度级别342、344、346、352、354、356、362、364、366、372、374、376的阈值应用于概率自动分割模型的输出来定义超声图像310中的感兴趣区域312的边界320、322、324、326的系统100。系统100可包括至少一个处理器132、140、150和显示系统134。至少一个处理器132可被配置为接收具有多个像素的超声图像310。至少一个处理器132、140可被配置为通过执行分割模型来自动处理超声图像310,以输出多个像素中的每个像素处于感兴趣区域312中的概率。至少一个处理器132、150可被配置为应用第一阈值来确定感兴趣区域312的边界320、322、324、326。第一阈值与多个分割灵敏度级别342、344、346、352、354、356、362、364、366、372、374、376中的第一分割灵敏度级别相对应。至少一个处理器132、150可被配置为致使显示系统134呈现超声图像310,其中边界320、322、324、326重叠在超声图像310上。至少一个处理器132、150可被配置为接收对多个分割灵敏度级别342、344、346、352、354、356、362、364、366、372、374、376中的第二分割灵敏度级别的用户选择。第二分割灵敏度级别与不同于第一阈值的第二阈值相对应。至少一个处理器132、150可被配置为基于第二阈值在显示系统134处动态地更新重叠在超声图像310上的边界320、322、324、326。显示系统134可被配置为呈现超声图像310,其中边界320、322、324、326重叠在超声图像310上。
在示例性实施方案中,多个分割灵敏度级别342、344、346、352、354、356、362、364、366、372、374、376中的每个分割灵敏度级别为具有不同预定义阈值的预设。在某些实施方案中,至少一个处理器132、150被配置为致使显示系统134将具有多个分割灵敏度级别352、354、356的列表的用户界面工具350与超声图像310一起呈现。列表中呈现的多个分割灵敏度级别352、354、356中的每个分割灵敏度级别是用户可选的。
在各种实施方案中,至少一个处理器132、150被配置为致使显示系统134将具有多个可选位置342、344、346、372、374、376的用户界面工具340、370与超声图像310一起呈现。多个可选位置342、344、346、372、374、376中的每个可选位置与多个分割灵敏度级别342、344、346、352、354、356、362、364、366、372、374、376中的一个分割灵敏度级别相对应。在代表性实施方案中,与第一分割灵敏度级别相对应的第一阈值为默认值。至少一个处理器132、150可被配置为基于用户选择将默认值更新为与第二分割灵敏度级别相对应的第二阈值。至少一个处理器132、150可被配置为与特定用户配置文件或特定超声系统100中的一者或两者相关联地存储默认值。在示例性实施方案中,感兴趣区域312为解剖结构312、人工结构或测量端点中的一者。在各种实施方案中,分割模型为人工智能分割模型。
某些实施方案提供一种非暂态计算机可读介质,在该非暂态计算机可读介质上存储有计算机程序,该计算机程序具有至少一个代码段。该至少一个代码段可由机器执行以致使系统执行步骤400。步骤400可包括接收402具有多个像素的超声图像310。步骤400可包括通过执行分割模型来自动处理404超声图像310,以输出多个像素中的每个像素处于感兴趣区域312中的概率。步骤400可包括应用406第一阈值来确定感兴趣区域312的边界320、322、324、326。第一阈值与多个分割灵敏度级别342、344、346、352、354、356、362、364、366、372、374、376中的第一分割灵敏度级别相对应。步骤400可包括致使显示系统134呈现408超声图像310,其中边界320、322、324、326重叠在超声图像310上。步骤400可接收410对多个分割灵敏度级别342、344、346、352、354、356、362、364、366、372、374、376中的第二分割灵敏度级别的用户选择。第二分割灵敏度级别与不同于第一阈值的第二阈值相对应。步骤400可基于第二阈值在显示系统134处动态地更新412重叠在超声图像310上的边界320、322、324、326。
在各种实施方案中,多个分割灵敏度级别342、344、346、352、354、356、362、364、366、372、374、376中的每个分割灵敏度级别为具有不同预定义阈值的预设。在某些实施方案中,步骤400可包括在显示系统134处将具有多个分割灵敏度级别352、354、356的列表的用户界面工具350与超声图像310一起呈现408。列表中呈现的多个分割灵敏度级别352、354、356中的每个分割灵敏度级别是用户可选的。在代表性实施方案中,步骤400可包括在显示系统134处将具有多个可选位置342、344、346、372、374、376的用户界面工具340、370与超声图像310一起呈现408。多个可选位置342、344、346、372、374、376中的每个可选位置与多个分割灵敏度级别342、344、346、352、354、356、362、364、366、372、374、376中的一个分割灵敏度级别相对应。在示例性实施方案中,与第一分割灵敏度级别相对应的第一阈值为默认值。步骤400可包括基于用户选择410将默认值更新412为与第二分割灵敏度级别相对应的第二阈值。步骤400可包括与特定用户配置文件或特定超声系统100中的一者或两者相关联地存储412默认值。
如本文所用,术语“电路”是指物理电子部件(即,硬件)以及可配置硬件、由硬件执行和/或以其它方式与硬件相关联的任何软件和/或固件(“代码”)。例如,如本文所用,当执行一条或多条第一代码时,特定处理器和存储器可包括第一“电路”,并且在执行一条或多条第二代码时,特定处理器和存储器可包括第二“电路”。如本文所用,“和/或”表示列表中的由“和/或”连结的项中的任一个或多个项。例如,“x和/或y”表示三元素集{(x),(y),(x,y)}中的任何元素。作为另一个示例,“x、y和/或z”表示七元素集{(x),(y),(z),(x,y),(x,z),(y,z),(x,y,z)}中的任何元素。如本文所用,术语“示例性”表示用作非限制性示例、实例或例证。如本文所用,术语“例如”和“如”引出一个或多个非限制性示例、实例或例证的列表。如本文所用,电路“可操作为”和/或“被配置为”每当该电路包括执行功能的必需硬件和代码(如果需要的话)时就执行该功能,不管是否通过某些用户可配置的设置禁用或不启用该功能的执行。
其他实施方案可提供计算机可读设备和/或非暂态计算机可读介质,和/或机器可读设备和/或非暂态机器可读介质,以上设备和/或介质上存储有可由机器和/或计算机执行的机器代码和/或具有至少一个代码段的计算机程序,由此致使机器和/或计算机执行如本文所述的用于通过将对应于用户选择的分割灵敏度级别的阈值应用于概率自动分割模型的输出来定义超声图像中的感兴趣区域的边界的步骤。
因此,本公开可在硬件、软件或硬件和软件的组合中实现。本公开可能以集中方式在至少一个计算机系统中实现,或以分布式方式实现,其中不同的元件分布在若干互连的计算机系统上。适于执行本文所述的方法的任何种类的计算机系统或其它装置都是合适的。
各个实施方案也可嵌入计算机程序产品中,该计算机程序产品包括能够实现本文所述的方法的所有特征,并且当加载到计算机系统中时能够执行这些方法。本文中的计算机程序是指以任何语言、代码或符号表示的一组指令的任何表达,这些指令旨在使具有信息处理能力的系统直接执行特定功能或在以下两项或其中一项之后执行特定功能:a)转换为另一种语言、代码或符号;b)以不同的物质形式进行复制。
虽然已经参考某些实施方案来描述了本公开,但是本领域的技术人员应当理解,在不脱离本公开的范围的情况下,可以进行各种改变并可以替换等同物。另外,在不脱离本公开的范围的情况下,可以进行许多修改以使特定情况或材料适应于本公开的教导。因此,本公开不旨在限于所公开的特定实施方案,而是本公开将包括落入所附权利要求书的范围内的所有实施方案。
Claims (15)
1.一种方法,所述方法包括:
由至少一个处理器接收具有多个像素的超声图像;
由所述至少一个处理器执行分割模型来自动处理所述超声图像,以输出所述多个像素中的每个像素处于感兴趣区域中的概率;
由所述至少一个处理器应用第一阈值来确定所述感兴趣区域的边界,其中所述第一阈值与多个分割灵敏度级别中的第一分割灵敏度级别相对应;
由所述至少一个处理器致使显示系统呈现所述超声图像,其中所述边界重叠在所述超声图像上;
由所述至少一个处理器接收对所述多个分割灵敏度级别中的第二分割灵敏度级别的用户选择,其中所述第二分割灵敏度级别与不同于所述第一阈值的第二阈值相对应;以及
由所述至少一个处理器基于所述第二阈值在所述显示系统处动态地更新重叠在所述超声图像上的所述边界。
2.根据权利要求1所述的方法,其中所述多个分割灵敏度级别中的每个分割灵敏度级别为具有不同预定义阈值的预设。
3.根据权利要求1所述的方法,所述方法包括在所述显示系统处将具有所述多个分割灵敏度级别的列表的用户界面工具与所述超声图像一起呈现,所述列表中呈现的所述多个分割灵敏度级别中的每个分割灵敏度级别是用户可选的。
4.根据权利要求1所述的方法,所述方法包括在所述显示系统处将具有多个可选位置的用户界面工具与所述超声图像一起呈现,所述多个可选位置中的每个可选位置与所述多个分割灵敏度级别中的一个分割灵敏度级别相对应。
5.根据权利要求1所述的方法,其中与所述第一分割灵敏度级别相对应的所述第一阈值为默认值,并且所述方法还包括基于所述用户选择将所述默认值更新为与所述第二分割灵敏度级别相对应的所述第二阈值。
6.根据权利要求5所述的方法,所述方法包括与特定用户配置文件或特定超声系统中的一者或两者相关联地存储所述默认值。
7.根据权利要求1所述的方法,其中所述感兴趣区域为解剖结构、人工结构或测量端点中的一者。
8.根据权利要求1所述的方法,其中所述分割模型为人工智能分割模型。
9.一种系统,所述系统包括:
至少一个处理器,所述至少一个处理器被配置为:
接收具有多个像素的超声图像;
通过执行分割模型来自动处理所述超声图像,以输出所述多个像素中的每个像素处于感兴趣区域中的概率;
应用第一阈值来确定所述感兴趣区域的边界,其中所述第一阈值与多个分割灵敏度级别中的第一分割灵敏度级别相对应;
致使显示系统呈现所述超声图像,其中所述边界重叠在所述超声图像上;
接收对所述多个分割灵敏度级别中的第二分割灵敏度级别的用户选择,其中所述第二分割灵敏度级别与不同于所述第一阈值的第二阈值相对应;以及
基于所述第二阈值在所述显示系统处动态地更新重叠在所述超声图像上的所述边界;并且
所述显示系统被配置为呈现所述超声图像,其中所述边界重叠在所述超声图像上。
10.根据权利要求9所述的系统,其中所述多个分割灵敏度级别中的每个分割灵敏度级别为具有不同预定义阈值的预设。
11.根据权利要求9所述的系统,其中所述至少一个处理器被配置为致使所述显示系统将具有所述多个分割灵敏度级别的列表的用户界面工具与所述超声图像一起呈现,所述列表中呈现的所述多个分割灵敏度级别中的每个分割灵敏度级别是用户可选的。
12.根据权利要求9所述的系统,其中所述至少一个处理器被配置为致使所述显示系统将具有多个可选位置的用户界面工具与所述超声图像一起呈现,所述多个可选位置中的每个可选位置与所述多个分割灵敏度级别中的一个分割灵敏度级别相对应。
13.根据权利要求9所述的系统,其中:
与所述第一分割灵敏度级别相对应的所述第一阈值为默认值;并且
所述至少一个处理器被配置为:
基于所述用户选择将所述默认值更新为与所述第二分割灵敏度级别相对应的所述第二阈值,以及
与特定用户配置文件或特定超声系统中的一者或两者相关联地存储所述默认值。
14.根据权利要求9所述的系统,其中所述感兴趣区域为解剖结构、人工结构或测量端点中的一者。
15.根据权利要求9所述的系统,其中所述分割模型为人工智能分割模型。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/880,490 US20240041430A1 (en) | 2022-08-03 | 2022-08-03 | Method and system for defining a boundary of a region of interest by applying threshold values to outputs of a probabilistic automatic segmentation model based on user-selected segmentation sensitivity levels |
US17/880,490 | 2022-08-03 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117522887A true CN117522887A (zh) | 2024-02-06 |
Family
ID=89751940
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310885744.5A Pending CN117522887A (zh) | 2022-08-03 | 2023-07-19 | 用于定义超声图像中的感兴趣区域的边界的系统和方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20240041430A1 (zh) |
CN (1) | CN117522887A (zh) |
-
2022
- 2022-08-03 US US17/880,490 patent/US20240041430A1/en active Pending
-
2023
- 2023-07-19 CN CN202310885744.5A patent/CN117522887A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
US20240041430A1 (en) | 2024-02-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11903768B2 (en) | Method and system for providing ultrasound image enhancement by automatically adjusting beamformer parameters based on ultrasound image analysis | |
US20220071595A1 (en) | Method and system for adapting user interface elements based on real-time anatomical structure recognition in acquired ultrasound image views | |
US20220237798A1 (en) | Method and system for automatically estimating a hepatorenal index from ultrasound images | |
CN113116387A (zh) | 用于通过一系列超声图像采集提供指导工作流的方法和系统 | |
US20210174476A1 (en) | Method and system for providing blur filtering to emphasize focal regions or depths in ultrasound image data | |
CN112515747A (zh) | 用于分析超声场景以提供针引导和警告的方法和系统 | |
CN112568927A (zh) | 用于为三维的和四维的超声图像提供旋转预览的方法和系统 | |
US11974881B2 (en) | Method and system for providing an anatomic orientation indicator with a patient-specific model of an anatomical structure of interest extracted from a three-dimensional ultrasound volume | |
US11903898B2 (en) | Ultrasound imaging with real-time visual feedback for cardiopulmonary resuscitation (CPR) compressions | |
US20240041430A1 (en) | Method and system for defining a boundary of a region of interest by applying threshold values to outputs of a probabilistic automatic segmentation model based on user-selected segmentation sensitivity levels | |
US11109841B2 (en) | Method and system for simultaneously presenting doppler signals of a multi-gated doppler signal corresponding with different anatomical structures | |
CN112690826A (zh) | 用于在脉冲波多普勒成像中自动提供伪影警告的方法和系统 | |
US20230196554A1 (en) | Method and system for automatically analyzing placenta insufficiency in a curved topographical ultrasound image slice | |
US20230210498A1 (en) | Method and system for automatically setting an elevational tilt angle of a mechanically wobbling ultrasound probe | |
CN114098797B (zh) | 用于提供解剖取向指示符的方法和系统 | |
US20220160334A1 (en) | Method and system for enhanced visualization of a pleural line by automatically detecting and marking the pleural line in images of a lung ultrasound scan | |
US20230057317A1 (en) | Method and system for automatically recommending ultrasound examination workflow modifications based on detected activity patterns | |
US20220211347A1 (en) | Method and system for automatically detecting an apex point in apical ultrasound image views to provide a foreshortening warning | |
US20230404533A1 (en) | System and method for automatically tracking a minimal hiatal dimension plane of an ultrasound volume in real-time during a pelvic floor examination | |
US20220280133A1 (en) | Method and system for automatically detecting an ultrasound image view and focus to provide measurement suitability feedback | |
US20230248331A1 (en) | Method and system for automatic two-dimensional standard view detection in transesophageal ultrasound images | |
US20210390685A1 (en) | Method and system for providing clutter suppression in vessels depicted in b-mode ultrasound images | |
US11382595B2 (en) | Methods and systems for automated heart rate measurement for ultrasound motion modes | |
US11980495B2 (en) | Method and system for providing enhanced color flow doppler and pulsed wave doppler ultrasound images by applying clinically specific flow profiles | |
US20230342917A1 (en) | Method and system for automatic segmentation and phase prediction in ultrasound images depicting anatomical structures that change over a patient menstrual cycle |
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 |