JP2021520250A - 体液の流れを検出するシステムおよび方法 - Google Patents

Abstract

体液の流れを検出し、肝動脈または他の頸動脈以外の血管系の狭窄または他の病変の診断を容易にして、機械学習を用いて血流または他の体液の流れのスペクトルドプラ超音波波形を分析する、システムおよびコンピュータ実行方法。注目する領域がソノグラムの中で特定され、波形包絡線が注目する領域の中で波形に対して生成され、抽出された波形が包絡線に基づいて生成され、フーリエ変換が抽出された波形に対して行われて、フーリエスペクトルが生成される。機械学習を用いて、フーリエスペクトルを含む波形パラメータに基づいて病変の尤度が求められ、病変予測値が求められる。追加の患者情報は、病変の尤度を求める際にアクセスおよび使用することができる。【選択図】図２

Description

関連出願の相互参照
本出願は、２０１８年４月３日に出願され、「体液の流れを検出するシステムおよび方法」と題された米国仮特許出願第６２／６５１，８３３号の優先権の利益を主張し、その全体が参照により本明細書に援用される。

本発明は、身体中の体液の流れを検出、評価する、特に、体液の流れに関連する病変の医学的診断を容易にするためのシステムおよび方法に関する。実施形態は、スペクトルドプラ（spectral Doppler）超音波データ、画像、および／または血流波形を分析することにより、一部の実施形態では機械学習を用いてこれらを分析することにより、肝動脈または他の頸動脈以外の血管系の狭窄または他の病変の医学的診断を容易にするためのシステム、およびコンピュータ実行方法に関する。

数千件の命を救う肝臓移植が毎年行われる。ドナー（臓器提供者）とレシピエント（受容者）の間での移植による早期の不具合の最も一般的な原因の一つは、吻合部接合の動脈狭窄である。移植による動脈狭窄を早期に検出することで、移植による不具合の予防および再移植の必要性を抑えることができる。従来の血管造影法は決定的な検査であるが、高価で侵襲的であり（動脈に穴を開けることが必要となる）、画像化用造影剤は腎毒性を有することがあり、および／または免疫反応を誘発することがある。正確なスクリーニング検査によって、この侵襲的な診断法を受ける必要がある患者の数を低減させられる可能性がある。

ドプラ効果に基づく血流の超音波映像は最も一般的なスクリーニング法であるが、不充分な特異度に悩まされる。「図１ 先行技術」に示されるように、血流速度の波形を示すソノグラム（sonogram）画像２０において、最大収縮期血流速度（「Ｐ」）２２、拡張末期血流速度（「Ｓ」）２４、および、ピーク速度に到達する時間（「ｔ」）２６に基づく異なる特徴が、狭窄の存在を予測するのにこれまで使用されてきた。図１に示される、狭窄を検出するための古典的な特徴２８には最大収縮期速度、抵抗指数（「ＲＩ」）、拍動指標、および加速時間が含まれる。しかし、これらの特徴および／または値は、偽陽性および偽陰性の両方に悩まされるため限定的な精度である可能性があり、狭窄へ進行しかねない狭小化を検出できないことがある。その限定的な予測精度の理由の一つは、各周期内で数回の時点でしか血流をサンプリングしないという損失の多い説明に基づいているという事実である。また、頂点、谷部、または時間に関する特徴として互いに高い相関関係があり、これによりこの特徴の組を用いてモデルを作成する能力が弱められる。

現在、超音波検査者はソノグラム画像内で波形の２つの異なる点を選択して、前述の特徴量を生成する。この最初のステップは、人間の差異のために、時間方向（ｘ軸）および速度方向（ｙ軸）において場所の推定が異なることにつながりうる。これらの差異によって狭窄の分類が変化することがあり、誤診をもたらしうる。さらに、他の動脈および血管系の診断時に古典的特徴量を使用することで、疑わしい結果がもたらされる。

移植吻合部の下流の血流の分析を自動化する試み、および、狭窄を示す狭窄指数（「ＳＩ」）を計算する試みが行われてきた。ＳＩは、ソノグラム波形の周波数成分、特に低次の基本周波数に対する高周波成分の比率を用いて、狭窄の尤度を求める。ＳＩ尺度は、血流の時間的プロファイル全体を考慮しており、閾値を超えると６９％の感度および９０％の特異度で狭窄を予測することができる。比較すると、ＲＩは同じ患者集団で３３％の特異度を有する。しかし、ＳＩ尺度は現在は人間の専門家による中間決定を必要とするインタラクティブなソフトウェアのスクリプトを用いて算出されるため、人為的ミスが発生する。特に、波形を抽出してＳＩを算出するためには、ユーザは手動で領域を精製してノイズ除去を支援し、波形をトレースしなければならない。このプロセスは退屈で、時間がかかることがあり、音波検査者は頂点および谷部を常に特定するのに苦労するのとまったく同じように、常にＳＩを算出するのに苦労する。

ソノグラム画像の分析により頸動脈内の狭窄の存在を判定するための機械学習による方法が説明されてきた。しかし、概して、頸動脈は概してノイズおよび形成異常がない理想的な波形を作る。これは、頸動脈は非常に表在性（皮膚のすぐ下にある）であり、超音波が横断する必要のある組織がより少ないためであり、これにより、ノイズを引き起こす反響および反射が減少し、首の中のその場所が呼吸の影響を制限することで、波形内の欠落を排除する。さらに、頸動脈を容易に見つけられることで、なんらかのノイズまたは形成異常が発生した場合に、容易に再サンプリングできる。したがって、頸動脈に関する機械学習による解決策は、これらの利点を享受しない他の血管系での使用には簡単には適応できない。例えば、より深い場所の動脈を見つけるのははるかに困難となりえて、呼吸によって動脈が撮像フィールドに入ったり出たりして、流れの向きはプローブに向かうことも離れることもあり、動脈の流れの測定値に隣接する血管内の流れが重畳されることがある。さらに、ソノグラムから波形包絡線を抽出するのは、波形のエイリアシング、「ごま塩」ノイズ、微弱またはまばらな信号、内部に「穴」がある断片的な波形、波形の逆転、不完全な／断続的な波形、および巻き込まれた始点および終点によって、はるかに難しいことがある。

この背景の記述は、本発明に関連する、必ずしも先行技術ではない情報を提供することを意図している。

実施形態は、スペクトルドプラ法による血流を表す超音波データを、一部の実施形態では機械学習を用いて、分析することにより、肝動脈または他の頸動脈以外の血管系の狭窄または他の病変の医学的診断を容易にするシステムおよびコンピュータ実行方法を提供することで、先行技術における上記および他の限界に対処する。そのようなスペクトルドプラ超音波データは、スペクトルドプラ超音波生データの形式だけでなく、スペクトルドプラ超音波画像および／または波形の形式であってもよい。有利なことに、実施形態は、より高い予測精度を有し、先行技術による解決策よりも迅速に診断することを容易にする非侵襲的なスクリーニング法を提供する。特に、有利なことに、機械学習を用いることで注目する波形および／または病変に関連する多数の更なる因子および情報を検討することが可能となるが、これに対して先行技術による解決策は一つの因子を考慮するのみである。

１つまたは複数の実施形態では、頸動脈以外の血管系の病変の診断を容易にするシステムが提供される。概して、システムは超音波装置、プロセッサ、および電子ディスプレイを備えうる。超音波装置は、頸動脈以外の血管系に対するスペクトルドプラソノグラムデータを生成するよう構成することができる。プロセッサは、複数の決定木を生成することを含む機械学習プロセスを実行するよう構成することができて、複数の決定木を用いてスペクトルドプラソノグラムデータを評価して、病変予測値を生成する。電子ディスプレイは、病変予測値に基づく病変の尤度を表示するよう構成することができる。

１つまたは複数の実施形態では、被験者の頸動脈以外の血管系の病変の診断を容易にするシステムが提供される。概して、システムは超音波装置、プロセッサ、および電子ディスプレイを備えうる。超音波装置は、被験者の頸動脈以外の血管系に対するスペクトルドプラソノグラムデータを生成するよう構成することができる。プロセッサは、ソノグラムデータを受信して、このソノグラムデータから定量的な波形パラメータの組を抽出するよう構成することができる。プロセッサはさらに、機械学習コンポーネントを用いて定量的な波形パラメータの組から病変予測値を求めて、機械学習コンポーネントを用いて病変予測値に基づいて求めた病変の尤度を求めて（一実行では、求めた尤度は病変予測値でありうる）、求めた病変の尤度に関連する誤差値を推定するよう構成することができる。電子ディスプレイは、被験者の頸動脈以外の血管系の病変の診断における医療関係者の検討のため、求めた病変の尤度および関連する誤差値を表示するよう構成することができる。

１つまたは複数の実施形態では、頸動脈以外の血管系の病変の診断を容易にするコンピュータ実行方法が提供される。概して、コンピュータ実行方法は以下を含みうる。頸動脈以外の血管系に対するスペクトルドプラソノグラムデータを、超音波装置を用いて生成することができる。複数の決定木を生成することができて、スペクトルドプラソノグラムデータを複数の決定木を用いて評価することができて、病変予測値をプロセッサにより機械学習プロセスを用いて生成することができる。病変予測値に基づく病変予測を電子ディスプレイ上に表示することができる。

１つまたは複数の実施形態では、被験者の頸動脈以外の血管系の病変の診断を容易にするコンピュータの機能を改善する、コンピュータ実行方法が提供される。コンピュータはプロセッサを含みうる。概して、コンピュータ実行方法は以下を含みうる。被験者の頸動脈以外の血管系に対するスペクトルドプラソノグラムデータを、超音波装置を用いて生成し、プロセッサにより受信することができる。プロセッサは、ソノグラムデータから定量的な波形パラメータの組を抽出することができる。プロセッサはさらに、機械学習コンポーネントを用いて定量的な波形パラメータの組から病変予測値を求めて、機械学習コンポーネントを用いて病変予測値に基づいて求めた病変の尤度を求める（一実行では、求めた尤度は病変予測値でありうる）ことができる。求めた病変の尤度は、被験者の頸動脈以外の血管系の病変の診断における医療関係者の検討のため、電子ディスプレイ上に表示することができる。

これらの実施形態の様々な実行は、以下の特徴のうちのいずれか１つまたは複数を含みうる。頸動脈以外の血管系は肝動脈であってもよく、病変は狭窄であってもよい。プロセッサは超音波装置に組み込まれていてもよく、コンピュータは超音波装置とは異なっていてもよい。機械学習コンポーネントは、複数の決定木を含むランダムフォレストモデルを使用することができる。スペクトルドプラソノグラムデータは、スペクトルドプラソノグラム画像を含みうる。スペクトルドプラソノグラムデータから定量的な波形パラメータの組を抽出することは、スペクトルドプラソノグラム画像の中で注目する領域を見つけること、注目する領域から波形を抽出して抽出された波形を作り出すこと、および、抽出された波形に対してフーリエ変換を行って定量的な波形パラメータの組であるフーリエスペクトルを生成すること、を含みうる。波形は、エッジ検出フィルタを用いて抽出することができる。プロセッサはさらに、波形包絡線を抽出することとフーリエ変換を行うこととの間に、抽出された波形の中の信号ノイズを相殺することと、抽出された波形の破損部分を分離することと、ソノグラムの最適な部分列を求めることとを行うよう構成することができる。プロセッサはさらに、病変に関連する、被験者についての追加情報へアクセスするように構成することができて、この場合、病変の尤度は病変予測値および追加情報に基づいて求めることができる。プロセッサはさらに、求めた病変の尤度に関連する誤差値を推定するよう構成することができる。関連する誤差値は、医療関係者の検討のため、電子ディスプレイ上に表示することができる。

１つまたは複数の実施形態では、頸動脈以外の血管系の病変の診断を容易にするシステムが提供される。概して、システムは超音波装置、プロセッサ、および電子ディスプレイを備えうる。超音波装置は、頸動脈以外の血管系のスペクトルドプラソノグラム画像を生成するよう構成することができる。プロセッサは、複数の決定木を生成することを含む機械学習プロセスを実行するよう構成することができて、複数の決定木を用いてスペクトルドプラソノグラム画像を評価して、病変予測値を生成する。電子ディスプレイは、病変予測値に基づく病変の尤度を表示するよう構成することができる。

１つまたは複数の実施形態では、被験者の頸動脈以外の血管系の病変の診断を容易にするシステムが提供される。概して、システムは超音波装置、プロセッサ、および電子ディスプレイを備えうる。超音波装置は、被験者の頸動脈以外の血管系のスペクトルドプラソノグラム画像を生成するよう構成することができる。プロセッサは、ソノグラム画像を受信して、このソノグラム画像から定量的な波形パラメータの組を抽出するよう構成することができる。プロセッサはさらに、機械学習コンポーネントを用いて定量的な波形パラメータの組から病変予測値を求めること、機械学習コンポーネントを用いて病変予測値に基づいて求めた病変の尤度を求めること（一実行では、求めた尤度は病変予測値でありうる）、および、求めた病変の尤度に関連する誤差値を推定すること、を行うよう構成することができる。電子ディスプレイは、被験者の頸動脈以外の血管系の病変の診断における医療関係者の検討のため、求めた病変の尤度および関連する誤差値を表示するよう構成することができる。

１つまたは複数の実施形態では、頸動脈以外の血管系の病変の診断を容易にするコンピュータ実行方法が提供される。概して、コンピュータ実行方法は以下を含みうる。頸動脈以外の血管系のスペクトルドプラソノグラム画像を、超音波装置を用いて生成することができる。複数の決定木を生成することができて、スペクトルドプラソノグラム画像を複数の決定木を用いて評価することができて、病変予測値をプロセッサにより機械学習プロセスを用いて生成することができる。病変予測値に基づく病変予測を電子ディスプレイ上に表示することができる。

１つまたは複数の実施形態では、被験者の頸動脈以外の血管系の病変の診断を容易にするコンピュータの機能を改善する、コンピュータ実行方法が提供される。コンピュータはプロセッサを含みうる。概して、コンピュータ実行方法は以下を含みうる。被験者の頸動脈以外の血管系のスペクトルドプラソノグラム画像を、超音波装置を用いて生成し、プロセッサにより受信することができる。プロセッサは、ソノグラム画像から定量的な波形パラメータの組を抽出することができる。プロセッサはさらに、機械学習コンポーネントを用いて定量的な波形パラメータの組から病変予測値を求めて、機械学習コンポーネントを用いて病変予測値に基づいて求めた病変の尤度を求める（一実行では、求めた尤度は病変予測値でありうる）ことができる。求めた病変の尤度は、被験者の頸動脈以外の血管系の病変の診断における医療関係者の検討のため、電子ディスプレイ上に表示することができる。

これらの実施形態の様々な実行は、以下の特徴のうちのいずれか１つまたは複数を含みうる。頸動脈以外の血管系は肝動脈であってもよく、病変は狭窄であってもよい。プロセッサは超音波装置に組み込まれていてもよく、コンピュータは超音波装置とは異なっていてもよい。機械学習コンポーネントは、複数の決定木を含むランダムフォレストモデルを使用することができる。スペクトルドプラソノグラム画像から定量的な波形パラメータの組を抽出することは、スペクトルドプラソノグラム画像の中で注目する領域を見つけること、注目する領域から波形を抽出して抽出された波形を作り出すこと、および、抽出された波形に対してフーリエ変換を行って定量的な波形パラメータの組であるフーリエスペクトルを生成すること、を含みうる。波形は、エッジ検出フィルタを用いて抽出することができる。プロセッサはさらに、波形包絡線を抽出することとフーリエ変換を行うこととの間に、抽出された波形の中の信号ノイズを相殺することと、抽出された波形の破損部分を分離することと、ソノグラムの最適な部分列を求めることとを行うよう構成することができる。プロセッサはさらに、病変に関連する、被験者についての追加情報へアクセスするように構成することができて、この場合、病変の尤度は病変予測値および追加情報に基づいて求めることができる。プロセスはさらに、求めた病変の尤度に関連する誤差値を推定するよう構成することができる。関連する誤差値は、医療関係者の検討のため、電子ディスプレイ上に表示することができる。

この概要は、本発明の本質的な特徴を特定することを意図しておらず、請求の範囲を制限するために使用されることも意図していない。本発明のこれらの態様および他の態様は、以下でより詳しく説明される。

本発明の実施形態を、添付の図面の図を参照して以下で詳しく説明する。

２つの情報点を示すソノグラム画像の例、および先行技術の手法で使用される特徴量を導くための式である。 被験者の頸動脈以外の血管系の病変の診断を容易にする、本発明の実施形態によるシステムの実施形態の図である。 図２のシステムの超音波装置コンポーネントにより生成されるソノグラム画像の例である。 頸動脈以外の動脈または他の血管系の病変の診断を容易にする、本発明の実施形態による方法の略図である。 頸動脈以外の動脈または他の血管系の病変の診断を容易にする、本発明の実施形態による方法の手順のフローチャートである。 本発明の実施形態による、ソノグラム画像から波形に対する波形包絡線を生成して波形を抽出する手順のフローチャートである。 波形の大域的周波数を取得するために本発明の実施形態に従って使用される、波形誤差のグラフである。 図７の波形の大域的周波数に従って波形を３つの部分に分割する３つのパネルを重ねた波形のグラフである。 本発明の実施形態により波形に対して生成された波形包絡線を示す、波形のグラフである。 増強されていないソノグラムおよび増強されたソノグラムと、それらに対応する、ソノグラムの一つの時点に対応する瞬時速度分布のグラフである。 頸動脈以外の動脈または他の血管系の病変の診断を容易にする、本発明の実施形態による別の方法の手順のフローチャートである。

図によってそれらが表す特定の実施形態に本発明を制限することは意図されていない。図面は必ずしも縮尺通りではない。

本発明の実施形態の以下の詳細な説明は、添付の図を参照している。実施形態は、本発明の態様を充分詳しく説明して、当業者が本発明を実践できるようにすることを意図している。本発明の実施形態は、制限としてではなく例として示される。他の実施形態が利用されてもよく、請求の範囲から逸脱することなく変更を行うこともできる。それゆえ、以下の説明は制限的ではない。本発明の範囲は添付の請求項によってのみ規定され、同時に、それらの請求項は均等物のすべての範囲を享受する。

本明細書では、「一実施形態（ｏｎｅ ｅｍｂｏｄｉｍｅｎｔ）」、「実施形態（ａｎ ｅｍｂｏｄｉｍｅｎｔ）」、および「実施形態（ｅｍｂｏｄｉｍｅｎｔｓ）」に対する言及は、言及される１つまたは複数の特徴が本発明の少なくとも一つの実施形態に含まれることを意味する。本明細書において、「一実施形態」、「実施形態」、または「実施形態」に対する別々の言及は、必ずしも同じ実施形態について言及しているわけではなく、そのように記述がない限り、互いに排他的ではない。具体的には、一実施形態で記載される特徴、構成要素、動作、ステップなどは、他の実施形態でも含まれることがあるが、必ずしも含まれるわけではない。したがって、本発明の特定の実行は、本明細書に記載される実施形態の様々な組み合わせ、および／または実施形態の統合を含むことができる。

概して、本発明の実施形態は、導管を通る体液の流れを検出し、スペクトルドプラ超音波データ、画像、および／または検出される血流の波形を、一部の実施形態では機械学習を用いて、分析することにより、肝動脈または他の頸動脈以外の血管系の狭窄または他の病変の医学的診断を容易にする、システムおよびコンピュータ実行方法に関する。より詳細には、本発明の実施形態は、ノイズの多い現実世界の体液の流れのソノグラム画像から波形および特有の特徴を抽出するのを自動化し、体液の流れを包括的に分析するためフーリエ分析を適用して、この情報を機械学習モデルの構築および血管病変の分類のいずれにも使用する。一実行では、例えば、機械学習コンポーネントは決定木学習モデルを利用することができて、血管病変を分類する目的で血流の速度波形から抽出される定量的な波形パラメータを使用する。定量的な波形パラメータは、波形の時間的特性および／またはスペクトル特性（例えばフーリエスペクトル）、波形のピーク値（例えば図１の「Ｐ」）、波形の谷部の値（例えば図１の「Ｓ」）、ピーク値と谷部の値の間の加速度および／または時間（例えば図１の「ｔ」）、波形の平均値、波形の波長、波形の周波数、または測定が可能な、および／または波形から抽出することが可能な他の波形データを含みうる。特定の実施形態では、以下でより詳しく説明されるように、実施形態は機械学習のランダムフォレストモデルを利用することができて、複数の決定木を用いて血管病変を分類する、および／または血管病変の尤度を求める。一部の実施形態は、機械学習コンポーネントを用いて血管病変を推定する採点モデルを生成することができる。実施形態は、サポートベクターマシン、ｋ近傍法、主成分分析、および／またはニューラルネットワークなどの他の適切な機械学習モデル／手法を使用することができる。

機械学習コンポーネントを使う場合、一部の実施形態はさらに、血管病変を推定する採点モデルの作成を支援するため、患者または他の被験者についての他の関連する情報（本明細書では「患者情報」と呼ぶ）、例えば年齢、性別、薬物の使用、血中の肝臓酵素量または他の関連酵素の量などを包含しうる。より具体的には、機械学習コンポーネントは、関連する患者情報を受信して使用することで、採点モデルを構築して実現する場合に意思決定プロセスにおいて波形パラメータを増強することができる。この増強は、採点機構を用いて決定を行う任意の機械学習モデルで利用することができる。この増強を一つのモデルの採点機構が使うことで、病変の推定値（本明細書では「病変の尤度」または「病変予測」と呼ぶ）を求めることができる、または多数のモデルを組み合わせて（例えば、波形パラメータに対して一つのモデル、および追加の患者情報に対して別のモデル）この増強を使用することで、病変の推定値を求めることができる。

一実施形態では、超音波ソノグラム画像の波形のフーリエスペクトル分析に基づいてＳＩを計算して肝臓移植のレシピエントでの肝動脈狭窄を予測し、診断を容易にするとともに、機械学習を用いて予測力を向上させるために、自動化された臨床判断サポートツールを提供することができる。他の実行では、自動化された臨床判断サポートツールは、実質的に任意の頸動脈以外の動脈または、内臓血管系、四肢血管系、および／または頭蓋間血管系などの他の血管系の病変の予測および／または診断に使用することができる。

有利なことに、実施形態は、より高い予測精度を有し、先行技術による解決策よりも迅速に診断することを容易にする非侵襲的なスクリーニング法を提供する。特に、有利なことに、機械学習を用いることで注目する波形および／または病変に関連する多数の更なる因子および情報を検討することが可能となるが、これに対して先行技術による解決策は一つの因子を考慮するのみである。

本明細書では、頸動脈以外の血管系を通って流れる血液の例示の文脈で大まかに記載しているが、被験者の中の生物学的導管（例えば、動脈／静脈、尿管／尿道、脊髄膜／脊髄神経、または身体内で流体を運ぶ他の管状の導管）を通って流れるのを検出することができる、尿や脳脊髄液などの体液に関わる他の文脈で本技術が使用されうることが理解および評価されるであろう。特に、本明細書に記載されるシステムおよび方法は、生物学的導管を通る体液の流れにおける異常を検出するのに有用となりうる。

図２を参照すると、血管系内の血流のスペクトルドプラソノグラム画像を、一部の実施形態では機械学習を用いて、分析することにより、頸動脈以外の動脈または他の血管系の病変の診断を容易にするシステム１２０の実施形態が示されている。システム１２０は、概して、超音波装置１２２、メモリ要素１２８上に記憶されうるコンピュータプログラムを実行する処理要素１２６を含むコンピュータ１２４、および表示装置１３０を備えうる。超音波装置１２２は、被験者１３２の血管系を通る血流（または他の体液の流れ）の速度を検出／測定し、被験者１３２の血管系を通る血流（または他の体液の流れ）の速度についての情報を含むソノグラム画像を生成するよう構成されている、実質的に任意の従来型または非従来型の超音波装置とすることができる。例示のソノグラム画像１３４が図３に示されている。

処理要素１２６を含むコンピュータ１２４は、１つまたは複数の処理要素１２６および／または１つまたは複数のメモリ要素１２８を備える、実質的に任意の従来型または非従来型のコンピュータ装置とすることができて、超音波装置１２２からの情報／データを受信し、メモリ要素１２８上に記憶されるコンピュータプログラムを実行して、表示装置１３０への出力を提供するよう構成される。他の実施形態では、コンピュータ１２４は超音波装置１２２の一部とする、または超音波装置１２２とは異なるものとすることができる。以下でより詳しく説明されるように、コンピュータプログラムは、本明細書に記載される本発明の実施形態の手順、機能、および／または特徴を実行するよう構成することができる。例えば、コンピュータプログラムは、病変予測値を求めるために、および／または被験者１３２の血管系の病変の尤度を求めるために、ソノグラム画像に含まれる波形から波形パラメータを取得して分析するように構成することができて、また一部の実施形態では機械学習を使用するように構成することができる。したがって、コンピュータプログラムは、本明細書に記載される作業のいくつかを行うためにメモリ要素１２８上に記憶される、１つまたは複数のソフトウェアプログラム、命令、コマンド、コード、コードセグメント、実行ファイル、アプリケーション、アプリ、および同種のものとして構成されうる。それゆえ、コンピュータ１２４は本明細書で開示される作業、方法、手順、タスク、および／またはアルゴリズムを実行するようプログラムされた専用コンピュータとすることができる。

コンピュータ１２４の処理要素１２６は、プロセッサ、マイクロプロセッサ、マイクロコントローラ、フィールドプログラマブルゲートアレイ、および同種のもの、またはこれらの組み合わせとすることができる。さらに、処理要素１２６は１つまたは複数のレベルの内部キャッシュ（図示せず）を含んでもよい。また、メモリ要素１２８は、「コンピュータ読み取り可能記憶媒体」として知られるものであってもよく、ランダムアクセスメモリ（ＲＡＭ）、読み出し専用メモリ（ＲＯＭ）、フラッシュドライブメモリ、フロッピーディスク、ハードディスク装置、コンパクトディスク（ＣＤまたはＣＤＲＯＭ）、デジタルビデオディスク（ＤＶＤ）やＢｌｕ−Ｒａｙなどの光記憶媒体、および同種のもの、またはこれらの組み合わせを含むことができる。これらのメモリ要素１２８に加えて、システム１２０はさらに、複数のハードディスク装置、ネットワーク接続型記憶装置、または独立したストレージネットワークを含みうる。

表示装置１３０は、コンピュータ１２４の処理要素１２６により提供される出力情報を表示するよう構成されている、実質的に任意の従来型または非従来型の表示装置とすることができる。他の実行では、表示装置１３０は超音波装置１２２の一部とする、または超音波装置１２２とは異なるものとすることができる。

図４を参照すると、システム１２０の実施形態は、実質的に次のように機能しうる。超音波装置１２２は、患者の肝動脈または他の頸動脈以外の血管系のスペクトルドプラソノグラム画像１３４を取得する、および／または生成することができる。ソノグラム画像１３４は、血管系を通る血液の流れおよび速度の色付きの表現（図４では示されていない、代わりに図３のソノグラム画像１３４の上半分を参照）を含みうる。さらに、ソノグラム画像１３４は、図４では白色で示される、被験者１３２の血管系を通る血流の速度を時間の関数として表す２次元波形を含みうる。ソノグラム画像１３４上で、波形のＸ軸は時間を表し、Ｙ軸は速度を表す。より詳細には、ソノグラム画像１３４は、超音波装置１２２により取得することができてコンピュータのメモリ要素１２８に記憶することができるデジタル画像と定義することができる。ソノグラム画像１３４は、さらに画素の２次元アレイである電子ディスプレイ（例えば表示装置１３０）上で提示されうる。したがって、ソノグラム画像１３４は被験者１３２の頸動脈以外の動脈を通る血流の速度の実例となる波形を提示する。具体的には、ソノグラム画像１３４の波形を表す画素は作動させて「真っ白」とすることができて、その一方で、ソノグラム画像１３４の波形を表さない画素は停止させて「真っ黒」とすることができる。

ソノグラム画像１３４から、実施形態は波形から抽出される定量的な波形パラメータの組を提供する。一実施形態では、図４を参照して、波形パラメータの組を抽出することは、以下のステップ（本実施形態のコンピュータプログラムにより実行されうる）、すなわち、ソノグラム画像１３４の中で注目する領域１３６を見つけることと、注目する領域１３６内で波形に対する波形包絡線１３７を生成することと、波形包絡線１３７に基づいて抽出された波形１３８を作り出すことと、抽出された波形１３８に対して離散フーリエ変換を行うことと、一部の実施形態では定量的な波形パラメータの組を含みうるフーリエスペクトル１４０を生成することと、を含みうる。一部の実施形態では、コンピュータプログラムを用いて、定量的な波形パラメータの組（例えばフーリエスペクトル１４０）を分析し、血管病変（例えば狭窄）が存在するかどうかについての予測を行う根拠として使用することができる病変予測値を求めることができる。病変予測値は、概して、病変の推定値を提供するのに使用することができる任意の種類の値を含みうる。例えば、病変予測値は、抽出された波形に基づいたＳＩ値または別の値（例えば、ＰＩ値、加速時間、大域的周波数、および／または左右半減期）とすることができる。左右半減期は、血流の速度が最大収縮期血流速度の右側および左側で最大収縮期血流速度から拡張期血流速度までの半分へ減少するのにかかる時間である。更なる実施形態では、コンピュータプログラムの機械学習コンポーネントを用いて、定量的な波形パラメータの組（例えばフーリエスペクトル１４０）を分析して病変予測値を生成することができる。そのような実施形態の一部では、機械学習コンポーネントは、独自の採点モデルを用いて病変を示す病変予測値を生成することができる。本明細書で使用される場合、機械学習コンポーネントという用語は、ソフトウェアプログラム、命令、コマンド、コード、コードセグメント、実行ファイル、アプリケーション、アプリ、またはこれらの一部を意味することがあり、本発明の実施形態のコンピュータプログラムの少なくとも一部を成し、少なくともいくつかの機械学習プロセス、機械学習モデル、機械学習手法、または同種のものを包含する。

病変予測値に基づき、実施形態は病変の尤度（「病変予測」とも呼ばれる）を生成することができる。一部の実施形態では、病変の尤度は単に病変予測値とすることができる。あるいは、病変の尤度は、病変の確率を推定して示すのに使用することができる分類方式を含みうる。例えば、病変の尤度は、テキストベースの方式で、患者が狭窄（または別の病変）を経験している「高い可能性」、「中程度の可能性」、「低い可能性」とすることができる。あるいは、またはさらに、病変の尤度は、色付けに基づく方式（例えば、赤（高い可能性）、黄（中程度の可能性）、緑（低い可能性）、や数に基づく方式（例えば百分率）、または同種のものなどの他の分類方式を含むことができる。ともかく、実施形態は、病変の診断時に病変の尤度および／または病変予測値を検討することがある医療関係者へ伝えられる病変の尤度を提供する。例えば、一部の実施形態では、病変の尤度および／または病変予測値は表示装置１３０を介して提示することができる。

システム１２０は、より多い、より少ない、または代替の構成要素を含みうる、または、本明細書のどこかで説明されたもの、および、特にコンピュータ実行方法を説明する以下の節で記載されるものを含む、より多い動作、より少ない動作、または代替の動作を実行することができる。

ここで図５を参照すると、血管系内の血流のスペクトルドプラソノグラム画像を、一部の実施形態では機械学習を用いて、分析することにより、頸動脈以外の動脈または他の血管系の病変の診断を容易にするコンピュータ１２４の機能を改善する、コンピュータ実行方法２００の実施形態が示されている。コンピュータ実行方法２００は、上記のシステム１２０の機能性に対する当然の帰結であってもよく、上記の例示の動作環境または他の文脈においてシステム１２０の様々な構成要素を用いて同様に実行することができる。さらに、方法２００の手順は、全体的に、または一部で、コンピュータ１２４のメモリ要素１２８に記憶されるコンピュータプログラムを実行するシステム１２０により実行される。概して、方法２００は実質的に次のように進みうる。被験者１３２の頸動脈以外の血管系のソノグラム画像１３４は、ステップ２２２に示されるように、超音波装置１２２により生成することができて、コンピュータ１２４の処理要素１２６により受信することができる。

次に、コンピュータ１２４の処理要素１２６は、ソノグラム画像１３４から定量的な波形パラメータの組を抽出することができる。特定の実施形態では、波形パラメータの組を抽出することは、注目する領域１３６を見つけることと、注目する領域１３６内に含まれる波形に対する波形包絡線１３７を生成することと、波形包絡線１３７から抽出される波形１３８を作り出すことと、抽出された波形１３８に対して離散フーリエ変換を行うことと、波形パラメータの組を含むフーリエスペクトル１４０を生成することと、を含みうる。さらに、またはフーリエスペクトル１４０（例えば波形の時間的特性および／またはスペクトル特性）の代わりに、波形パラメータは、波形のピーク値（例えば図１の「Ｐ」）、波形の谷部の値（例えば図１の「Ｓ」）、波形のピーク値と谷部の値の間の加速度および／または時間（例えば図１の「ｔ」）、波形の平均値、波形の波長、波形の周波数、または測定が可能な、および／または波形から抽出することが可能な他の波形データを含みうる。

より詳細には、ソノグラム画像１３４内で注目する領域１３６は、ステップ２２４に示されるように、処理要素１２６により見つけることができる。一実施形態では、図３および６を参照すると、超音波装置１２２の有益なパラメータを用いて、ソノグラム画像１３４の注目する最初の領域の基線１４８および（「外側矩形」を画定する）上部境界１５０を特定することができる。したがって、ソノグラム画像１３４の分析の第１ステップは、ソノグラム画像１３４内で注目する領域を特定することでありえて、そのような注目する領域は概して、少なくとも波形の一部を含む。例えば、上述のように、実施形態は、波形を取り囲む（基線１４８および上部境界１５０により画定される）外側矩形を生成することができる。一部の実施形態では、そのような外側矩形は、超音波装置１２２および／または表示装置１３０の固有の設定により自動的に生成することができる。他の実施形態では、外側矩形は、基線１４８を判定するための真っ白の画素と上部境界１５０を判定するための真っ黒の画素の特定のパターンを用いて形成することができる。ソノグラム画像１３６の基線１４８は、コンピュータプログラムにより、所与の色（例えば真っ白）の水平方向の長い画素列を探索することで見つけることができて、これにより基線１４８の折り返しによる短い欠落部がいくらか許容される。超音波装置で予め設定された（例えば、上部境界１５０を含む）領域および基線１４８を用いて、外側矩形は、概して波形を正確に取り囲むことができる。しかし、場合によっては、波形の一部が基線１４８の下に存在することがある。そのような場合、波形を基線１４８で反転してもよく、その結果、注目する領域は常に基線上で直立して、波形パラメータを抽出するのを簡略化する。

血流速度の単位倍率およびその波形そのものによっては、波形はソノグラム画像１３４上で外側矩形領域の全体を埋めないことがあり、そのため、注目する領域を垂直方向に精製することで、注目する領域をちょうど波形のピークまで縮小することができる。例えば、図３および６を参照して、注目する領域を内部境界１５４により上側で画定されるより小さな矩形（「内側矩形」）へと狭くする、または縮小することができる。場合によっては、この内側矩形はより近接して波形を囲む。内側矩形は、一次導関数および二次導関数、ならびに、ソノグラム画像１３４の垂直次元内の画素の輝度の周辺分布の明から暗への遷移を分析することで生成することができる。つまり、波形は、平均輝度が最も急激に低下する領域の下に見つけることができる。波形の画素列が垂直方向に増加するのに伴い、画素列全体における輝度の総和は概して減少する。これは、画素列が垂直方向に増加するのに伴い、画素列は波形（すなわち、「白色」画素で示される）よりもむしろ、無の空間、または谷部の領域（すなわち、「黒色」画素で示される）で構成されるからである。一部の実施形態では、列の輝度で７５％の差分を、波形のピークの頂点を特定する閾値として使用することがある。波形のピークが特定されたら、波形をより近接して取り囲むように、内側矩形を自動的に生成することができる。

また、本発明の実施形態は、（例えば外側矩形または内側矩形を作成する際の）注目する領域に対する水平方向の精製も含みうる。波形の形成異常および欠落は、波形を抽出する際、および／または波形パラメータを取得する際に問題をもたらすことがある。それゆえ、本発明の特定の実施形態は、注目する領域に含まれる波形がそのような形成異常または欠落を含まないように、注目する領域の水平方向の範囲を減少させる、および／または再配置することがある。概して、本発明の実施形態は、正確な波形パラメータを取得するために（例えば、波形に対するＳＩを正確に算出するために）、揺れのうちの少なくとも３つの波を必要とすることがある。それゆえ、本発明の特定の実施形態は、波形内の少なくとも３つの隣接する波を含むように、注目する領域を規定するよう構成され、そのような波には概して形成異常および欠落がない。そのような選択的な波の特定を実現するため、本発明の実施形態は、波形内で隣接する３つの波を特定する自己相関法を含み、利用することができて、そのような波は大きさおよび形状の点で最も高い類似度を共有する。

注目する領域が規定されると、実施形態はさらに、図５の方法２００のステップ２２６に示されるように、処理要素１２６により波形の破損部分を分離することができる。以下でより詳しく説明されるように、自己相関（図６の自己相関２２６（ａ）を参照）を用いて、波形の推定周波数を見つけることができて、その後、ソノグラム画像１３４は推定周波数に従って複数の部分に分割されて、各部分は波形の推定波長に対応する。（それぞれが個々の波に関連付けられている）これらの部分を互いに揃えることで、波形の中で他の波とは著しく異なる波（または波の一部）を特定することができる。ソノグラム画像１３４内の異なる波の対応する部分列は、一部の実施形態では、さらに分析することで除去しうる。

さらに、実施形態は、ステップ２２８に示されるように、処理要素１２６により判定される、ソノグラムの最適な部分列（すなわち、波形内の波の列）を提供することができる。このソノグラム画像１３４の精製は、所与のソノグラム内に３周期の信号の最良の列（すなわち、形成異常および欠落がない、または少なくとも形成異常および欠落が最も少ない周期）を見つけることを含みうる。より具体的には、上述したように、波形に対するＳＩを算出するには概して情報の３つの波が必要となる。したがって、特定の実施形態は、例えば、たぶん自己相似性スコアとして定義される、最も高い自己相似性（図６の自己相似性２２８（ａ）を参照）を有する少なくとも３つの隣接する波の特定を提供する。ソノグラムの波形の中の最良の３つの波の部分列に注目することで、病変の尤度の決定に関連する誤差を減少させるように、波形パラメータの精度を向上させることができる。一実行では、ソノグラムの最適な波形部分列は、波形のコピーを比較のために元の波形に対してずらすことで見つけることができて、比較される波形の位相が一致する場合に最小の誤差が得られ、比較される波形の位相がずれている場合に最大の誤差が得られる。

より詳細には、実施形態は、ソノグラム画像１３４から元の波形のコピーを生成することができる。コピーされた波形は時間的にずらされて、元の波形と比較することができる。比較される波形の位相が一致する場合に最小の誤差が得られ、比較される波形の位相がずれている場合に最大の誤差が得られる。そのような誤差を図にプロットしたものを図７に示すように作成することができる。次の最小誤差との間の距離を求めて、波形の大域的周波数２２８（ｂ）の推定値として使用することができる。一部の実施形態では、誤差は互いに比較される波形内の点（例えば画素）の数に基づいて正規化することができる。そして、大域的周波数を用いて、図８に示されるように、それぞれが波形の１つの波の上に広がる３つの隣接するパネル２２８（ｃ）を含む、注目する領域を生成することができる。そのようなパネル２２８（ｃ）を用いて、上述したように、波形を複数の部分に分割することができる。パネル２２８（ｃ）により覆われる波（すなわち、波形の各部分の波）の類似度は、残差二乗和の手法を用いて、または変更された測定基準を用いて算出することができる。そして、パネル２２８（ｃ）を波形を超えて移動させることができて、それぞれの移動においても類似度を算出することができる。

さらに、各パネル２２８（ｃ）の長さを大域的周波数の大きさに基づいて拡げる、または縮小することができて、比較に使われる点の数で正規化して、移動および採点を再び行うことができる。パネル２２８（ｃ）の長さの変更は、特定の波形の中の波は大域的周波数よりもわずかに高い、またはわずかに低い周波数を有することがあるため、有益となり得る。そのような変動は、大域的周波数を推定する際または波の変動を推定する際のいずれかの誤差によるものでありうる。したがって、パネル２２８（ｃ）の長さを変更することで、波へのよりよい適合を見つけることができる。

さらなる実施形態では、波形の中のノイズおよび形成異常を最小化する別の精製プロセスを使用することができる。特に、波アポトーシスプロセスを用いて、前述した自己相関法により見つけられた大域的周波数を用いて、波形を波形の個々の波へと分割することができる。その後、すべての他の波に対する各波の類似度を求めることができて、結果として類似度行列がもたらされる。行列の行の総和を計算して、ある波がすべての他の波に対して有する全誤差を得ることができる。最も誤差が大きい（最も大きな誤差の総和を有する）波および最も誤差が小さい（最も小さい誤差数を有する）波を更なる使用のために選択することができる。これらの波を用いて残りの波を一つにまとめることができて、その結果、より小さな誤差の波、したがって最も誤差が小さい波により類似する波が、最も誤差が小さい波へまとめられる。同様に、最も大きな誤差を有する複数の波を最も誤差が大きい波とまとめて一つにすることができる。最も誤差が大きい波と類似する波を取り除くことができて、平均波（あるいは中間の波）を残りの波から生成することができる。平均波は全体にわたって再現することができる。波形の中の複数の波の間で異なる周波数は波のアポトーシスプロセスに影響することがあり、平均波を算出する際にお互いから少し離れるようピークを移動させる場合に、平均波は異常形成されて矩形状になる。この結果は、大域的周波数が正確に推定されていない場合に起こりうる。ピークの移動および単一波のスケーリングがそのような問題を修正するために実行されることがある。

更なる実施形態では、ソノグラム画像１３４の波形の中の信号ノイズは、図５の方法２００のステップ２３０に示されるように、処理要素１２６により相殺することができる。特に、注目する領域内での平均瞬間速度（あらゆる時点での局所平均）をまず算出することができる。ソノグラム画像１３４に、平均瞬時速度の半分まで人工的な疑似カウント（ｐｓｅｕｄｏ ｃｏｕｎｔ、以下でより詳しく説明される）をパディングすることができる。これは、波形上のランダムノイズを、波形の輪郭を変えずに相殺するために行うことができる。

より詳細には、ソノグラム画像１３４からの波形をさらに精製して、被験者１３２の血管系を通る血流の表現としての波形の質と精度を向上させることができる。そのような精製を実現するため、疑似カウントを波形へ加えて波形を精製することができる。疑似カウントは、ソノグラム画像１３４の中で波形のアクティブな部分を表すために黒色から白色へと作動される画素とすることができる。いくつかの超音波装置１２２を用いて、水平方向の黒色画素の列が通常は基線１４８の上、および／または下に追加されて、それゆえ、黒色画素の列は、超音波装置１２２を操作する科学技術者が基線と波形を見分けるのを助けることができる。黒色画素の列をさらに追加すると、波形の特徴量、主に波形の平均速度値に影響することがある。それゆえ、本発明の実施形態は、波形へ加えられる、白色画素列を含む水平方向の基線疑似カウントの列（図６の基線疑似カウント２３０（ａ）を参照）の形の疑似カウントを提供する。一部の実施形態では、そのような基線疑似カウント列が基線１４８に隣接する波形へ加えられる。それゆえ、そのような疑似カウントは、各列に白色画素が加えられるので（各列は特定の時点を表す）所与の時点での瞬時血流速度を増加させる。さらに、波形内の穴（すなわち、無効な黒色画素）は、そのような穴を疑似カウントで埋めることで緩和することができて、それにより、波形上の穴および／または波形から抽出された波形パラメータに対する影響を減少させることができる。また、疑似カウントの使用により、パーセンタイル抽出を助けることができる。基線１４８の近くの輝度分布を高めることで、パーセンタイルは真の波形へさらに移行し、特にノイズの輝度が波形よりも暗いソノグラム画像１３４において、ノイズからは離れる。

さらに、本発明の実施形態は、使用される更なる波形精製を提供する。例えば、一部の実施形態では、水平方向の１次元ガウシアンぼかしを、最初は標準偏差を３画素として適用することができる。ソノグラム画像１３４の波形の上のノイズは、一般的に非常に細く強い。水平方向ぼかしを使用することで、そのようなノイズの強度または輝度を低減させることができる。また、水平方向のガウシアンぼかしは、波形の頂上にまたがる欠落を埋めるのを助けることができる。ただし、ぼかしは波形に対して生成された波形包絡線を変化させ、ピークを不鮮明にして内在する周波数分布を変えうることを理解されたい。それゆえ、ノイズを減少させてより真に近い抽出された波形を作り出すことの有用性は、結果として生じる波形包絡線への影響と比較検討される必要がある。また、非対称ガウシアンぼかしを用いて波形を精製することもできる。

ある特定の実施形態では、１次元ガウシアンぼかしを用いて画像を精製し、数画素に対する平均化を行うことでランダムノイズを打ち消すとともに波形を平滑化することができる。所与の画素のぼかしを計算するには、その画素に関して設定された半径の区間は各点に割り当てられたガウス比率を有し、その比率を用いて平均化される。数学的には、画素に対する重み付けの仕組みは、画素ｘに対して標準偏差をσとして、以下のように定義することができる。

ただし、波形の谷部と頂点に対して同一の標準偏差でぼかしをかけるのは望ましくないことがあることを理解されたい。つまり、波の端部近くの谷部のぼかしを算出する場合、谷部の右にある立ち上がりつつあるピークから谷部へぼかしをかけることは望ましくないことがあり、それゆえ、ぼかしは真の谷部に影響することがある。また、一部の実施形態では、変化が大きい不連続な領域には変化が小さい不連続な領域とは異なるぼかしをかけるのが望ましいことがある。これを可能とするため、ハイパーパラメータを利用して、勾配および連続性、ならびに波のピークおよび谷部の文脈付けを考慮することがある。さらに、一部の実施形態は、ピークおよび谷部に対する基準ぼかし効果のために選ばれる２つの異なる標準偏差を提供する。これらの値は、問題の画素での勾配および凹面に基づいてさらに増強することができる。

注目する領域を生成すること、および注目する領域に含まれる波形を精製することに加えて、実施形態は自動的にソノグラム画像１３４から追加情報を抽出することができる。例えば、肝動脈を通る血流の速度に対する単位倍率は自動的に取得することができる。肝動脈を通る血流の速度（すなわち、ソノグラム画像１３４の四角形３６０で囲まれたＹ軸）に対する単位倍率と血流が測定される時間（すなわち、ソノグラム画像１３４の四角形３６２で囲まれたＸ軸）に対する単位倍率のいずれも、物体文字認識（ＯＣＲ）などにより自動的に取得することができる。そのような特徴量は、ソノグラム画像１３４の倍率により拡大縮小しうる。また、この倍率は、一部の実施形態ではＯＣＲにより取得することができる。単位倍率を抽出する場合、ソノグラム画像１３４を、他の視覚的データをできるだけ取り除くことができるように、波形のＹ軸およびＸ軸のみが含まれるように自動的に切り取ることもできる。場合によっては、ＯＣＲはダッシュおよび数字を誤って読み取ることがある。したがって、一部の実施形態では、正規表現を作成して生成された任意の非数字文字を除外することがある。そして、全体に対して反復することで倍率を自己検証することができて、選択されたｙ軸のスケーリングを検証することができる。つまり、ＯＣＲで生成されたＹ軸の連続する対のそれぞれの間の差分を見つけることができて、最も整合性のある数を倍率として使用することができる。ｘ軸に対しては、画面の下部近くの数だけが読み取り可能である。最終的に、ｘ方向およびｙ方向の両方の目盛りの間の距離を用いて、倍率を作り出すことができる。そして、特徴量は適切な単位へと変換されて、更なる分析または使用のためにテキストファイルに保存される。

図５に戻ると、方法２００は、ステップ２３２に示されるように、処理要素１２６によって波形に対して生成された波形包絡線１３７（図４を参照）をさらに提供することができる。概して、波形包絡線１３７は、波形に対する上側包絡線を形成する曲線であってもよい。それゆえ、波形包絡線１３７は、それぞれの所与の時点における血流の最大速度を表す滑らかな曲線を含みうる。別の言い方をすれば、波形包絡線１３７は、ソノグラム画像１３４により表される血流速度の時間値関数を表す。例えば、更なる詳細のために図９を参照すると、波形包絡線１３７は、収縮期の間は最も高くなり、拡張期の間は最も低くなる血流の瞬時ピーク速度を表す波形の頂点として示される。あるいは、一部の実施形態では、波形包絡線１３７は、注目する領域を波形の頂点まで垂直方向へ精製したものと考えることもできる。

一部の実施形態では、波形包絡線１３７を生成するため、概して白色画素で示される波形がソノグラム画像１３４の底部に位置し、黒色画素の背景が波形の上に位置するという条件で、垂直方向のエッジを探索するのにプレヴィットフィルタを波形に対して使用することができる。あるいは、一部の実施形態では、波形包絡線１３７を生成するのに水平方向エッジ検出フィルタ（図６のエッジ検出２３２（ａ）を参照）を波形に対して使用することができる。一実行では、フィルタは砂時計形水平方向エッジフィルタとすることができる。砂時計形水平方向エッジフィルタは、所与の画素の上下の局所的範囲の強度の差異を積分するマスクとして構成することができて、その結果、下方の白色の波形と上方の暗い背景とのエッジが最も高いスコアを得る。より詳細には、所与の列に対して各画素のエッジスコアを算出することができて、最も高いエッジスコアを有する画素が選択される。この方法は、画素が瞬時血流速度の周辺分布の中でどのパーセンタイルに位置するかを考慮することでさらに強化することができる。つまり、画素が高い場合、特に谷部領域においてはエッジは恐らくノイズ由来であり、画素が低すぎる場合は、画素は内縁である可能性が高い。

さらに、またはあるいは、各時点での速度分布を分析することで、注目する領域１３４内で波形に対する波形包絡線１３７を生成して、瞬時速度分布の９５パーセンタイルを得ることができる。これは、局所的ピーク速度の推定値または各時点における波形の頂点とみなすことができる。図１０において、下のコマにあるグラフ４００、４０２は、上のコマのソノグラム画像４０４、４０６のそれぞれの一つの時点に対応し、かつ血流の９５パーセンタイル値に対応する瞬時速度分布を示す。具体的には、グラフ４００の垂直線４００（ａ）は、ソノグラム画像４０４で強調表示されている時点に対する血流の９５パーセンタイル値を表す。ソノグラム画像４０４は増強されていない。一方で、右側のソノグラム画像４０６は疑似カウントで増強されて、速度分布が歪んでいる。結果として、垂直線４０２（ａ）は血流の元の９５パーセンタイル値を示し、垂直線４０２（ｂ）は疑似カウントを使用したためにより低い速度へ変化した血流の増強された９５パーセンタイル値を表す。このように、９５パーセンタイル値は、疑似カウントをパディングした後に再計算されることがある。

より詳細には、所与の列の９５パーセンタイル（列は波形上の一つの時点を表す）は、波形包絡線１３７がその列のどこに存在するかに対する推定値とみなすことができる。疑似カウントの存在を用いて、推定値を波形から離すことに対するノイズの影響を、特に谷部領域で低減することができる。パーセンタイルが変化するのに伴う距離の変化を考慮するためにパーセンタイル手法をさらに拡張することができる。完全な波形上で、パーセンタイル手法が偏って、波形の谷部よりも波形のピークをより多くの画素だけ低くするのに伴って、波形包絡線１３７が圧縮されることがある。これは単に垂直方向に移動させているのではないため、内在する周波数分布が異なることがあり、結果として生じる波形データに影響を与える。それゆえ、抽出のために選択されたパーセンタイルへの変動と画素の距離を比較するために、パーセンタイル手法をさらに拡張することができる。つまり、パーセンタイルにおける、例えば９５から９４への変化が画素の距離を閾値より大きく変化させる場合、波形包絡線１３７上の推定される点は、波形により近いノイズ領域から移動している。波形包絡線１３７上の推定される点がその閾値より小さく移動した場合、波形の中でさらに、または明るいノイズの塊のさらに先に移動している可能性が高い。

同様に、波形包絡線１３７上の推定される点がより小さなパーセンタイルから、例えば８０から８１へ変化し、点が閾値より大きな距離を移動した場合、波形からノイズへ、または波形内の穴を超えて移動する可能性が高い。点が閾値より小さく移動する場合、波形の頂点へ向かって波形を登っていく可能性が高く、それが続くであろう。このパーセンタイル手法では、ランダムに上位のパーセンタイルと下位のパーセンタイルが選択され、それぞれ上位と下位へ変化させて、上位から下位へ変化させる場合に移動する画素の距離が大きくなく、下位から上位へ変化させる場合に移動する画素の距離が大きくなるまで（波形包絡線１３７上の推定される点として下限を選択する）、続けることができる。値が一致する場合、推定される点を波形包絡線１３７の一部であるとして（すなわち、その列に対して）選択することができる。抽出された値が閾値以内でない点は、推定値が一致する２つの隣接する点を用いて、どちらの推定値が自身の値により近い値を与えるかを選択して、どちらの推定値を使用するかを決定する。そのような隣接する点の使用は、抽出することで上から、および波形内で点を探すので、本明細書において「ゴーフィッシュ（Ｇｏ Ｆｉｓｈ）」抽出として規定される。

さらに、またはあるいは、波形を文脈付けすることもできて、つまり、ピークである領域および谷部である領域を特定し、そのようなものとしてラベル付けしてもよい。そのような文脈付けをすることで、特定の区域を異なるぼかし強度の対象とすることができるので、ガウシアンぼかしの再精製ができる。ピークは、点の間に大きな隔たりがなく最も高い平均値を含む波形包絡線１３７上の点の領域をまず見つけることで、特定することができる。そして、谷部は、複数のピークの間で、点の間に大きな隔たりがない最も低い平均値を探すことで見つけることができる。最終的に、これらの区域は、既知のピークまたは谷部の隣を比較して、どちらに属するべきかを確かめることで、拡張することができる。

波形包絡線１３７が波形に対して生成されたら、方法２００はさらにステップ２３４を含み、このステップは処理要素１２６を提供し、波形包絡線１３７を抽出して、図４に示される、抽出された波形１３８を生成する。したがって、抽出された波形１３８は、残りの部分の波形から分離された波形包絡線１３７を含みうる。一部の実施形態では、抽出された波形１３８は、図４に示されるように、別々にプロットされることがある。次に、離散フーリエ変換を抽出された波形包絡線１３８に対して行うことができて、フーリエスペクトル１４０（例えば定量的な波形パラメータ）を、ステップ２３６に示されるように、プロセッサ１２６により生成することができる。さらに、実施形態は、図５のステップ２３８に示されるように、抽出された波形１３８から取得した波形パラメータから生成することを含め、抽出された波形１３８に基づいて生成される病変予測値を提供する。一部の実施形態では、波形パラメータはフーリエスペクトルであり、病変予測値はＳＩである。あるいは、波形パラメータは波形から取得した他のデータを含むことがあり、その場合、病変予測値は狭窄の他の指標（例えば抵抗指数、拍動指標など）を含みうる。それでもなお、病変予測値は、概して狭窄の病変の推定値または兆候を与える任意の種類の指標または値でありえて、一部の実施形態では、抽出された波形１３８から取得した波形パラメータに基づく。

ＳＩに戻ると、より詳細には、ＳＩはフーリエ分析に基づいて（例えばフーリエスペクトル１４０から）算出することができる。具体的には、高周波成分の低周波数成分に対する比率を用いて、狭窄の存在を判定することができる。狭窄の他の指標（例えば、抵抗指数および拍動指標を含む図１の特徴量２８）に対しては、比率の指標は、波形包絡線１３７および／または抽出された波形１３８から取得した他の波形パラメータから生成することができる。そのような波形パラメータは、波形のピーク値（例えば図１の「Ｐ」）、波形の谷部の値（例えば図１の「Ｓ」）、波形のピーク値と谷部の値の間の加速度および／または時間（例えば図１の「ｔ」）、波形の平均値、波形の波長、波形の周波数、または測定が可能な、および／または波形から抽出することが可能な他の波形データを含みうる。画素スケーリングを解除することは、そのような比率の指標の算出および使用を助ける。したがって、一部の実施形態では、病変予測値は、フーリエスペクトル１４０で高周波成分のパワーの低周波数成分のパワーに対する比率を取ることで、フーリエスペクトル１４０のパワー分布に基づいて算出することができる。また、更なる指標、例えばＲＩ、加速時間、大域的周波数、および／または左右半減期は、必要に応じて、病変予測値を生成する目的で、抽出された波形１３８から取得した波形パラメータから生成することができる。

いくつかの他の実施形態は、コンピュータプログラム（すなわち、メモリ要素１２８上に記憶される）が処理要素１２６により実行される場合に、その機械学習コンポーネントを用いてプロセッサ１２６により定量的な波形データの組から求められる病変予測値を提供する。機械学習コンポーネントは、機械学習モデルを用いて被験者１３２の狭窄を分類、診断することができて、これには、一部の実施形態では抽出された波形１３８から取得した波形パラメータに基づいて病変予測値を生成することが含まれる。例えば、単純ベイズ、決定木、およびランダムフォレストを機械学習モデルとして使用することができる。単純ベイズは、特徴量の条件付き独立性を前提として狭窄の確率を推定し、一部の実施形態では、どれだけの予測力を機械学習モデルから得ることができるかを判定する基準として利用されることがある。決定木を用いてトレーニング空間を分割し、ジニ不純度指標を用いて誤分類を最小化する、またはエントロピーに基づいてほとんどの情報を獲得する、のいずれかを行うことができる。例えば、抽出された波形１３８から取得した波形パラメータを１つまたは複数の決定木モデルと比較して、病変予測値および／または病変の尤度を求めることができる。決定木は高い解釈可能性の恩恵を受けるが、最適モデルを生成するとは限らない。ランダムフォレストは変更された決定木の集団であり、それぞれが特徴量の組のランダムな部分集合により生成された独自のデータセットを有する。サンプリングされた特徴量を使用し、プルーニングを行わないことで、個別に使われた場合は高分散モデルである決定木を生成することができる。ランダムフォレストは、こうした高分散のプルーニングしていない木の平均であるため、訓練セットに対して過剰適合しにくい傾向があるが、より多くの木が利用されるのに伴って、モデルの解釈可能性は減少する。すべてのモデルで交差検証を利用することができて、１０分割交差検証で実行に最良のモデルを決定することができる。

より詳細には、機械学習コンポーネントの特定の実施形態はランダムフォレストモデルを使用することがあり、多数の決定木を用いて木の組み合わせである最終出力を生成する。各決定木は、決定ルールを含む枝を介して、葉ノードへ接続される１つまたは複数の内部ノードを含むことができる。例えば、そのような決定ルールは、「ｉｆ／ｅｌｓｅ」ルール、または、「ｉｆ／ｔｈｅｎ」ルールを含みうる。決定ルールを用いて波形パラメータの１つまたは複数を分析し、どの枝が通り抜けるべき正しい枝であるかを判定することができる。波形パラメータを決定木へ適用することで、実施形態は、波形パラメータを取得した抽出された波形１３８に対して適切な結果（例えば、葉ノード）に到達することができる。そのような結果は、病変の尤度、および／または病変予測値（病変予測とも呼ばれる）とすることができる。一部の特定の実施形態では、結果は病変予測値で構成される病変の尤度とすることができる。

ランダムフォレストは、変更された決定木の集団である。サンプリングされた特徴量を使用し、プルーニングを行わないことで、個別に使われた場合は高分散モデルである木を構築することができる。ランダムフォレストは、こうした高分散のプルーニングしていない木の平均であるため、訓練セットに対して過剰適合しにくい傾向がある。しかし、より多くの木が利用されるのに伴って、モデルの解釈可能性は減少する。本発明の実施形態の機械学習コンポーネントの一部を成しうる例示のランダムフォレストモデルが、「発明を実施するための形態」の最後で提供される。例示のランダムフォレストモデルは５個の決定木を含み、「ｉｆ／ｅｌｓｅ」の各グループは、抽出された波形１３８から取得した波形パラメータを分析するのに使用することができる決定ルールを表す。一部の実施形態では、決定木の数は１０００本の木と設定することができて、ランダムフォレストに対して３０の深さを有する。

本発明の実施形態は、決定木を用いて、波形から取得した波形パラメータを狭窄を分類、診断するための値および決定ルールを含む決定木と比較することで、狭窄などの病変を分類および診断することを含む。より多くの決定木が（特にランダムフォレストモデルにおいて）使用されるのに伴って、狭窄などの病変の分類および診断は著しく増加することがある。例えば、一部の実施形態では、複数の決定木を、狭窄がある／ない患者のソノグラム画像から抽出された波形から作成することができる。したがって、そのような決定木を分類し（例えば狭窄に対して肯定か否定か）、波形パラメータと比較して病変予測値（すなわち、病変の尤度）を取得するのに使用することができる。より多くの決定木が（例えば、追加の動脈のソノグラム画像や左肝動脈および右肝動脈からのソノグラム画像に対して）取得されるのに伴って、そのような決定木を、特にランダムフォレストモデル化を用いて、使用することで、病変の尤度を求めるための正確な病変予測値を生成する実施形態の能力を増強および強化することができる。

一実施形態では、被験者１３２についての病変に関連する追加の患者情報は、図５の方法２００のステップ２４０に示されるように、処理要素１２６によりアクセスすることができる。そのような追加の患者情報は、例えば、メモリ要素１２８上に記憶することができて、例えば、血流中の肝臓酵素量、または他の酵素量を含みうる。病変の尤度は、処理要素１２６により、例えば機械学習コンポーネントを用いて、ならびに／またはそうでなければ、病変予測値および、使用される場合は追加の患者情報に基づいて、ステップ２４０に示されるように決定することができる。一実行では、求めた病変の尤度は単に病変予測値を含みうる。

求めた病変の尤度に関連する誤差値は、２４４に示されるように、処理要素１２６により推定することができる。一実施形態では、波形包絡線１３７の組は、ランダムに選択されたソノグラム画像１３４の組に対して波形包絡線１３７を生成することで、作成することができる。一部の実施形態は、少なくとも５０のランダムに生成される波形包絡線１３７を生成することを含みうる。そのようなランダムに生成された波形包絡線１３７は、上述した実施形態で生成および抽出された、抽出された波形包絡線１３８の精度および／または誤差を予測するそれぞれの方法を用いて比較することができる。誤差は、平均二乗誤差および絶対誤差率として推定することができる。誤差のバイアス成分は、予測および地上検証データとの間の平均差を算出することで、推定することができる。

求めた病変の尤度および関連する誤差値は、頸動脈以外の血管系の病変の診断における医療関係者の検討のため、２４６に示されるように、電子ディスプレイ１３０上に表示することができる。一部の実施形態では、病変の尤度は病変予測値とすることができる。

上記の説明は、主に狭窄に対する病変の尤度および／または病変予測値を求めるためのスペクトルドプラソノグラム画像の分析について言及しているが、特定の実施形態は超音波装置１２２から取得した他の種類のデータを分析することがあることを理解されたい。例えば、特定の実施形態では、超音波装置１２２から取得した生データを分析して、狭窄に対する病変の尤度および／または病変予測値を求めることができる。超音波装置１２２は被験者１３２の血管系を通る血流（または他の体液の流れ）の速度を測定するので、超音波装置１２２はそのような血流速度を示す生データを生成する。一般的に、生データは電子ディスプレイへ提供することができて、電子ディスプレイは生データを、電子ディスプレイ上で視覚的に提示されるスペクトルドプラソノグラム画像１３４へ変換する。それでもなお、本発明の特定の実施形態は、そのような生データを分析して狭窄に対する病変の尤度および／または病変予測値を求めることを含みうる。

概して、そのような生データは、被験者１３２の、時間に対して測定された血流速度を表すデータストリームを含みうる。例えば、前述したように、図１０のグラフ４００、４０２は、一つの時点に対応する血流速度の瞬時分布を示す。したがって、生データは測定される各時点に対する、（例えば、デジタルまたはアナログ形式での）血流速度分布のヒストグラムと解釈することができる。本発明の実施形態は、そのような生データを分析して狭窄に対する病変の尤度および／または病変予測値を求めるよう構成することができる。

例えば、図１１を参照すると、血管系内の血流のスペクトルドプラ法によるソノグラム画像データを、一部の実施形態では機械学習を用いて、分析することにより、頸動脈以外の動脈または他の血管系の病変の診断を容易にするコンピュータ１２４の機能を改善する、コンピュータ実行方法６００の実施形態が示されている。コンピュータ実行方法６００は、上記の例示の動作環境または他の文脈においてシステム１２０の様々な構成要素を用いて同様に実行することができる。さらに、方法６００の手順は、全体的に、または一部で、コンピュータ１２４のメモリ要素１２８に記憶されるコンピュータプログラムを実行するシステム１２０により実行される。

概して、方法６００は実質的に次のように進みうる。被験者１３２の頸動脈以外の血管系のソノグラムデータは、ステップ６２２に示されるように、超音波装置１２２により生成することができて、コンピュータ１２４の処理要素１２６により受信することができる。一部の実施形態では、ソノグラムデータは、ある期間にわたる各時点に対する血流速度の瞬時分布を示す（例えばデジタルまたはアナログ形式の）生データを含みうる。ステップ６２４では、プロセッサはソノグラムデータ内で注目する領域を特定することができる。そのような注目する領域の特定は、ステップ６２６に示されるようにソノグラムデータ内の破損したデータ部分を分離することと、ステップ６２８に示されるようにソノグラムデータの光ソノグラム列を求めることと、ステップ６３０に示されるようにソノグラムデータ内の信号ノイズを相殺することと、を含みうる。

次に、方法６００は、ステップ６３２に示されるようにソノグラム画像から波形を生成することと、ステップ６３４に示されるように波形を抽出することと、を含みうる。ステップ６３６に示されるようにフーリエスペクトルを生成するために、フーリエ変換を抽出された波形に対して行うことができる。一部の実施形態では、病変予測値は、ステップ６３８に示されるように抽出された波形の波形パラメータから取得することができる。一部の実施形態では、波形パラメータはフーリエスペクトルとすることができる。

いくつかの更なる実施形態では、追加の患者情報はステップ６４０に示されるようにアクセスすることができる。ステップ６４２に示されるように、機械学習を用いて、病変予測値および、使用される場合は追加の患者情報に基づいて、病変の尤度を求めることができる。一部の実施形態では、ステップ６４４に示されるように、病変の尤度に対して誤差値を推定することができる。したがって、ステップ６４６に示されるように、病変の尤度および関連する誤差値を提示する、または表示することができる。

コンピュータ実行方法２００および６００は、本明細書のどこかで記述されたものを含め、より多くの、もしくはより少ない、または他の動作を含みうる。例えば、一部の実施形態では、上述した方法２００および６００の特定のステップは、任意選択とする、または省略することができる。さらに、ステップを説明および示されたものとは異なる順番で行ってもよい。

本明細書で列挙された任意の動作、機能、ステップ、および同種のものは、図で示された順番、および／または上述した順番で行ってもよく、または異なる順番で行ってもよい。さらに、一部のステップは連続的に行うのではなく同時に行ってもよい。コンピュータ実行方法が、例示の目的のために例示のシステムおよび／または例示の物理的要素により実行されるものとして上で説明されたが、そのような動作の任意の１つまたは複数の実行を、本発明の趣旨から逸脱することなく、別々に分散させうることが理解されるであろう。

本明細書において、特定の実施形態が論理、または多数のルーチン、サブルーチン、アプリケーション、もしくは命令を含むものとして記載されている。これらは、ソフトウェア（例えば、機械読み取り可能媒体上で、または伝送信号内で具現化されるコード）またはハードウェアのいずれかを構成することができる。ハードウェアでは、ルーチンなどは特定の作業を行うことができる有形のユニットであり、特定の方法で構成する、または配置することができる。例示の実施形態では、１つもしくは複数のコンピュータシステム（例えば、スタンドアローン、クライアント、またはサーバのコンピュータシステム）、またはコンピュータシステムの１つもしくは複数のハードウェアモジュール（例えば、プロセッサ群の中の１つのプロセッサ）は、ソフトウェア（例えば、アプリケーションまたはアプリケーション部）により、本明細書に記載されるような特定の作業を実行するように動作するコンピュータハードウェアとして構成することができる。

非一時的媒体を含むコンピュータ読み取り可能媒体は、その上に記憶され、１つまたは複数のプロセッサに対してコンピュータ実行方法のステップの一部またはすべてを含む本明細書に記載される動作の一部またはすべてを実行するように命令する実行可能コンピュータプログラムを含みうる。コンピュータ読み取り可能媒体上に記憶されるコンピュータプログラムは、システムの処理要素および／または他のコンポーネントに命令して、本明細書のどこかで記述されるものを含む、追加の、もしくはより少ない、または他の動作を実行させることができる。

「処理要素」、「プロセッサ」などの用語は、本明細書で使用される場合は別途明記しない限り、概して、中央処理装置、マイクロプロセッサ、マイクロコントローラ、縮小命令セット回路（ＲＩＳＣ）、特定用途向け集積回路（ＡＳＩＣ）、論理回路、任意の他の回路またはプロセッサを用いて本明細書に記載される機能を実行する能力のあるシステムを含む、任意のプログラマブルシステムを指しうる。上記の例は例示に過ぎず、したがって、「処理要素」および「プロセッサ」という用語の定義および／または意味を制限することは決して意図していない。特に、「処理要素」および「プロセッサ」は、記載された機能を個別に、または集合的に実行する１つまたは複数の処理要素を含みうる。

それゆえ、「処理要素」という用語または均等物は、特定の方法で動作するように、または本明細書に記載される特定の作業を実行するように物理的に構築されている、恒久的に構成されている（例えばハードワイヤードの）、または一時的に構成されている（例えばプログラムされた）エンティティである有形物を網羅すると理解されたい。処理要素が一時的に構成されている（例えばプログラムされた）実施形態を考慮すると、処理要素のそれぞれがいつでも構成される、またはインスタンス化される必要はない。例えば、処理要素がソフトウェアを用いて構成されている汎用プロセッサを含む場合、汎用プロセッサは異なる時間にそれぞれ異なる処理要素として構成することができる。それゆえ、ソフトウェアは処理要素をある時間に特定のハードウェア構成を成すように構成し、異なる時間には異なるハードウェア構成を成すように構成することができる。

さらに、「ソフトウェア」、「コンピュータプログラム」などの用語は、別途明記しない限り、概して、メモリに記憶されて携帯機器、クラスタ、パソコン、ワークステーション、クライアント、サーバ、およびプロセッサで実行する任意の実行可能コードを指すことができて、メモリには読み出し専用メモリ（ＲＯＭ）、電子的プログラム可能読み出し専用メモリ（ＥＰＲＯＭ）、ランダムアクセスメモリ（ＲＡＭ）、電子的消去可能読み出し専用メモリ（ＥＥＰＲＯＭ）、および不揮発性ＲＡＭ（ＮＶＲＡＭ）メモリが含まれる。上記のメモリ種類は例示に過ぎず、したがって、コンピュータプログラムを記憶するのに使用可能なメモリの種類について制限することはない。

「コンピュータ」、「コンピュータ装置」などの用語は、本明細書で使用される場合は別途明記しない限り、概して、ソフトウェアを実行することを含む、情報を処理するのに適した実質的に任意の技術を指すことができて、当技術分野でコンピュータと呼ばれる集積回路に限定されるとは限らず、概して、マイクロコントローラ、マイクロコンピュータ、プログラマブル論理制御装置（ＰＬＣ）、特定用途向け集積回路、および他のプログラム可能な回路を指すことができて、これらの用語が本明細書では同じ意味で使用される。

通信要素、メモリ要素、処理要素、および同種のものなどのコンピュータハードウェアコンポーネントは、他のコンピュータハードウェアコンポーネントへ情報を提供し、他のコンピュータハードウェアコンポーネントから情報を受信することができる。それゆえ、記載されたコンピュータハードウェアコンポーネントは、通信可能に結合されているとみなすことができる。多数のそのようなコンピュータハードウェアコンポーネントが同時に存在する場合、複数のコンピュータハードウェアコンポーネントを接続する通信を（例えば適切な回路およびバスを通じて）信号伝送により実現することができる。多数のコンピュータハードウェアコンポーネントが異なる時間に構成される、またはインスタンス化される実施形態では、そのようなコンピュータハードウェアコンポーネント間の通信は、例えば多数のコンピュータハードウェアコンポーネントがアクセスしたメモリ構造内の情報の記憶および取り出しにより実現することができる。例えば、一つのコンピュータハードウェアコンポーネントは作業を実行して、その作業の出力を通信可能に結合された記憶装置に記憶することができる。更なるコンピュータハードウェアコンポーネントは、後で記憶装置へアクセスして記憶された出力を取り出して処理することができる。また、コンピュータハードウェアコンポーネントは、入力装置または出力装置と通信を開始することもできて、リソース（例えば情報の集まり）に対して影響を与える。

本明細書に記載される例示の方法の様々な作業は、少なくとも部分的に、関連する作業を実行するように（例えばソフトウェアにより）一時的に構成されている、または恒久的に構成されている１つまたは複数の処理要素により行うことができる。一時的に構成されているか、恒久的に構成されているかに関わらず、そのような処理要素は、１つまたは複数の作業または機能を実行するよう動作する、処理要素により実現されるモジュールを構成することができる。本明細書で言及されているモジュールは、一部の例示の実施形態では、処理要素により実現されるモジュールを含みうる。

同様に、本明細書に記載される方法またはルーチンは、少なくとも部分的に処理要素により実現されうる。例えば、方法の作業の少なくとも一部は、１つまたは複数の処理要素、または処理要素により実現されるハードウェアモジュールにより行うことができる。作業のいくつかの実行は、単一のマシン内に存在するだけでなく、多数のマシンに配置されて、１つまたは複数の処理要素の間で分散することができる。一部の例示の実施形態では、処理要素は単一の場所に（例えば、家庭環境内、オフィス環境内、またはサーバーファームとして）位置してもよく、他の実施形態では、処理要素は多数の場所に分散してもよい。

本明細書の開示を検討することで、当業者には本発明の様々な実施形態の更なる利点が明らかになるであろう。本明細書に記載される様々な実施形態は、本明細書でそうでないと示されていない限り、必ずしも相互排他的ではないことが理解されるであろう。例えば、一実施形態で記載される、または示される特徴は、他の実施形態でも含まれることがあるが、必ずしも含まれるわけではない。したがって、本発明は、本明細書に記載される特定の実施形態の様々な組み合わせおよび／または統合を包含する。

具体的に別途明記しない限り、本明細書における「処理する（ｐｒｏｃｅｓｓｉｎｇ）」、「計算する（ｃｏｍｐｕｔｉｎｇ）」、「算出する（ｃａｌｃｕｌａｔｉｎｇ）」、「求める／判定する／特定する（ｄｅｔｅｒｍｉｎｉｎｇ）」、「提示する（ｐｒｅｓｅｎｔｉｎｇ）」、「表示する（ｄｉｓｐｌａｙｉｎｇ）」などの単語を使った記述は、１つまたは複数のメモリ（例えば、揮発性メモリ、不揮発性メモリ、またはそれらの組み合わせ）、レジスタ、または情報を受信、記憶、送信、および／または表示する他の機械部品の中の物理的な（例えば電子的、磁気的、または光学的な）量として表されるデータを操作する、または変換するマシン（例えば処理要素および他のコンピュータハードウェアコンポーネントを備えたコンピュータ）の動作またはプロセスについて言及しうる。本明細書で使用される場合、「および／または」という表現は、２つ以上の項目のリストで使用される場合は、リストに記載された項目のいずれか１つを単独で使用することができる、またはリストに記載された項目のうちの２つ以上の任意の組み合わせを使用することができる、ということを意味する。例えば、組成はコンポーネントＡ、Ｂ、および／またはＣを含む、または除外すると記載される場合、組成は、Ａだけを含む、もしくは除外する、Ｂだけを含む、もしくは除外する、Ｃだけを含む、もしくは除外する、または、ＡとＢを組み合わせで含む、もしくは除外する、ＡとＣを組み合わせで含む、もしくは除外する、ＢとＣを組み合わせで含む、もしくは除外する、Ａ、Ｂ、およびＣを組み合わせで含む、もしくは除外することができる。本明細書で使用される場合、「含む／備える（ｃｏｍｐｒｉｓｅｓ）」、「含む（ｃｏｍｐｒｉｓｉｎｇ）」、「含む（ｉｎｃｌｕｄｅｓ）」、「含む（ｉｎｃｌｕｄｉｎｇ）」、「有する（ｈａｓ）」、「有する（ｈａｖｉｎｇ）」という用語、またはこれらの任意の他の変形は、非排他的な包含を含めることを意図している。例えば、要素のリストを含むプロセス、方法、品物、または装置は、必ずしもそれらの要素だけに限定されるのではなく、明示的にリストに記載されていない他の要素、もしくはそのようなプロセス、方法、品物、または装置に固有の他の要素を含みうる。

本発明は添付の図面の図に示される実施形態を参照して説明されたが、均等物を用いてもよく、請求項に記載される本発明の範囲から逸脱することなく、本明細書において置換を行ってもよい。本発明の１つまたは複数の実施形態がこのように説明されたが、新規であり、特許状による保護が望まれる特許請求の範囲が、以下で請求項のリストで提供される。

ランダムフォレストアルゴリズム：

Claims (20)

1. 体液が流れている生物学的導管の評価を容易にするシステムであって、
   前記生物学的導管に対するスペクトルドプラソノグラムデータを生成するよう構成された超音波装置と、
   機械学習プロセスを実行するよう構成されている処理要素であって、前記機械学習プロセスは
   複数の決定木を生成することと、
   前記複数の決定木を用いて前記スペクトルドプラソノグラムデータを評価することと、
   病変予測値を生成することと、
   を含む、処理要素と、
   前記病変予測値に基づく病変の尤度を表示するよう構成された電子ディスプレイと、
   を含む、システム。
2. 前記導管は頸動脈以外の血管系であり、前記病変は狭窄症の病変である、請求項１に記載のシステム。
3. 前記処理要素は前記超音波装置とは異なるコンピュータ装置に含まれる、請求項１に記載のシステム。
4. 前記機械学習コンポーネントは複数の決定木を含むランダムフォレストモデルを使用する、請求項１に記載のシステム。
5. 前記スペクトルドプラソノグラムデータはスペクトルドプラソノグラム画像を含む、請求項１に記載のシステム。
6. 前記処理要素はさらに、前記スペクトルドプラソノグラム画像から波形パラメータの組を抽出するよう構成され、前記波形パラメータの組は、
   前記スペクトルドプラソノグラム画像の中で注目する領域を見つけることと、
   前記注目する領域から波形を抽出して抽出された波形を作り出すことと、
   前記抽出された波形に対してフーリエ変換を行って前記波形パラメータの組であるフーリエスペクトルを生成することと、
   により抽出される、請求項５に記載のシステム。
7. 前記波形はエッジ検出フィルタを用いて抽出される、請求項６に記載のシステム。
8. 前記処理要素はさらに、前記波形を抽出することと前記フーリエ変換を行うこととの間に、前記抽出された波形の中の信号ノイズを相殺することと、前記抽出された波形の破損部分を分離することと、最適な波形部分列を求めることとを行うよう構成される、請求項６に記載のシステム。
9. 前記処理要素により前記病変に関連する被験者についての患者情報にアクセスすることをさらに含み、前記病変の前記尤度を表示するステップは、前記病変予測値および前記患者情報に基づく、請求項１に記載のシステム。
10. 体液が流れている生物学的導管の評価を容易にするコンピュータ実行方法であって、
    超音波装置を用いて前記生物学的導管に対するスペクトルドプラソノグラムデータを生成することと、
    処理要素により、
    複数の決定木を生成することと、
    前記複数の決定木を用いて前記スペクトルドプラソノグラムデータを評価することと、
    病変予測値を生成することと、
    を含む機械学習プロセスを行うことと、
    前記病変予測値に基づいて病変予測を電子ディスプレイ上に表示することと、
    を含む、コンピュータ実行方法。
11. 前記スペクトルドプラソノグラムデータはスペクトルドプラソノグラム画像を含み、前記導管は肝動脈であり、前記病変は狭窄症の病変であり、
    求めた前記病変予測に関連する誤差値を前記プロセッサにより推定するステップと、
    前記電子ディスプレイ上に前記関連する誤差値を表示するステップと、
    をさらに含む、請求項１０に記載のコンピュータ実行方法。
12. 被験者の頸動脈以外の血管系の病変の診断を容易にするためのコンピュータの機能を改善するコンピュータ実行方法であって、前記コンピュータはプロセッサを含み、
    前記被験者の前記頸動脈以外の血管系に対するスペクトルドプラソノグラムデータを、超音波装置を用いて生成し、前記プロセッサにより受信することと、
    前記プロセッサにより、前記スペクトルドプラソノグラムデータから波形パラメータの組を抽出することと、
    前記プロセッサにより、機械学習コンポーネントを用いて、前記波形パラメータの組から病変予測値を求めることと、
    前記プロセッサにより、前記機械学習コンポーネントを用いて、前記病変予測値に基づいて求めた前記病変の尤度を求めることと、
    前記被験者の前記頸動脈以外の血管系の前記病変の前記診断における医療関係者の検討のため、前記求めた前記病変の尤度を電子ディスプレイ上に表示することと、
    を含む、コンピュータ実行方法。
13. 前記頸動脈以外の血管系は肝動脈であり、前記病変は狭窄である、請求項１２に記載のコンピュータ実行方法。
14. 前記コンピュータは前記超音波装置に組み込まれている、請求項１２に記載のコンピュータ実行方法。
15. 前記コンピュータは前記超音波装置とは異なる、請求項１２に記載のコンピュータ実行方法。
16. 前記機械学習コンポーネントは、複数の決定木を含むランダムフォレストモデルを使用する、請求項１２に記載のコンピュータ実行方法。
17. 前記スペクトルドプラソノグラムデータはスペクトルドプラソノグラム画像を含み、前記スペクトルドプラソノグラム画像から前記波形パラメータの組を抽出することは、
    前記スペクトルドプラソノグラム画像の中で注目する領域を見つけることと、
    前記注目する領域から波形を抽出して抽出された波形を作り出すことと、
    前記抽出された波形に対してフーリエ変換を行って前記波形パラメータの組であるフーリエスペクトルを生成することと、
    を含む、請求項１２に記載のコンピュータ実行方法。
18. 前記波形はエッジ検出フィルタを用いて抽出される、請求項１７に記載のコンピュータ実行方法。
19. 前記波形を抽出することと前記フーリエ変換を行うこととの間に、前記抽出された波形の中の信号ノイズを前記プロセッサにより相殺することと、前記抽出された波形の破損部分を前記プロセッサにより分離することと、前記プロセッサにより最適な波形部分列を求めることとをさらに含む、請求項１７に記載のコンピュータ実行方法。
20. 前記プロセッサにより前記病変に関連する前記被験者についての追加の患者情報にアクセスすることをさらに含み、前記病変の前記尤度を求めるステップは、前記病変予測値および前記追加の患者情報に基づく、請求項１２に記載のコンピュータ実行方法。
    

Images