JP2023521817A - 非侵襲的圧力測定用のシステム及び方法 - Google Patents
非侵襲的圧力測定用のシステム及び方法 Download PDFInfo
- Publication number
- JP2023521817A JP2023521817A JP2022562278A JP2022562278A JP2023521817A JP 2023521817 A JP2023521817 A JP 2023521817A JP 2022562278 A JP2022562278 A JP 2022562278A JP 2022562278 A JP2022562278 A JP 2022562278A JP 2023521817 A JP2023521817 A JP 2023521817A
- Authority
- JP
- Japan
- Prior art keywords
- ultrasound
- ultrasound data
- pressure
- data
- heart
- 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
- 238000000034 method Methods 0.000 title claims description 66
- 238000009530 blood pressure measurement Methods 0.000 title description 2
- 238000002604 ultrasonography Methods 0.000 claims abstract description 122
- 230000000747 cardiac effect Effects 0.000 claims abstract description 52
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 30
- 238000005259 measurement Methods 0.000 claims abstract description 28
- 238000012285 ultrasound imaging Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims description 34
- 210000005246 left atrium Anatomy 0.000 claims description 22
- 238000003384 imaging method Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 17
- 210000005240 left ventricle Anatomy 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 10
- 238000012546 transfer Methods 0.000 claims description 8
- 230000006403 short-term memory Effects 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 5
- 210000005242 cardiac chamber Anatomy 0.000 claims 2
- 238000013528 artificial neural network Methods 0.000 abstract description 22
- 230000002861 ventricular Effects 0.000 abstract description 10
- 230000001746 atrial effect Effects 0.000 abstract description 8
- 230000035487 diastolic blood pressure Effects 0.000 abstract description 2
- 230000015654 memory Effects 0.000 description 31
- 238000012545 processing Methods 0.000 description 15
- 239000000523 sample Substances 0.000 description 14
- 238000004458 analytical method Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000003491 array Methods 0.000 description 6
- 230000002596 correlated effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000002592 echocardiography Methods 0.000 description 6
- 238000009877 rendering Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 238000006073 displacement reaction Methods 0.000 description 4
- 238000012417 linear regression Methods 0.000 description 4
- 238000002099 shear wave elastography Methods 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 206010019280 Heart failures Diseases 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 230000002685 pulmonary effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 238000005311 autocorrelation function Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 238000002565 electrocardiography Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000007914 intraventricular administration Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 101100074187 Caenorhabditis elegans lag-1 gene Proteins 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 238000002091 elastography Methods 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002611 ovarian Effects 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003393 splenic effect Effects 0.000 description 1
- 230000002381 testicular Effects 0.000 description 1
- 210000001685 thyroid gland Anatomy 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/04—Measuring blood pressure
-
- 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
- A61B8/48—Diagnostic techniques
- A61B8/483—Diagnostic techniques involving the acquisition of a 3D volume of data
-
- 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
- A61B8/48—Diagnostic techniques
- A61B8/485—Diagnostic techniques involving measuring strain or elastic properties
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Public Health (AREA)
- Heart & Thoracic Surgery (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Cardiology (AREA)
- Hematology (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
超音波イメージングシステムは心臓から超音波データを収集し得る。超音波データを解析して、左心室拡張末期圧(LVEDP)など心圧の値が非侵襲的に提供され得る。いくつかの例では、超音波データは、Bモード画像、ドップラー画像、及び/又はストレイン測定結果から収集され得る。いくつかの例では、超音波データは、心臓の1つの心周期全体にわたって収集され得る。いくつかの例では、超音波データは左心房のストレイン測定結果及び/又はボリューム測定結果を含み得る。いくつかの例では、超音波データは、部分最小二乗法モデル及び/又はニューラルネットワークなどの相関アルゴリズムによって解析され得る。
Description
[001] 本開示は、非侵襲的に圧力を測定するためのイメージングシステム及び方法に関する。より具体的には、本開示は、左心室圧を非侵襲的に測定するための超音波データの解析に関する。
[002] 左心室拡張末期圧(LVEDP)は、心室機能を判断するための重要な臨床的尺度であり、この尺度は、後期心不全のリスクがある患者を判断するのに役立つ。LVEDPは、従来、左心カテーテル法によって得られている。これは侵襲的な処置であり、患者の治療に使用できる追加の時間及びリソースを必要とする。LVEDPを非侵襲的な方法で得ることが望ましい。少数の入力パラメータを手動で選択し、これらのパラメータ間である程度最適化するという単純な回帰手法に基づいて、いくつかの方法がこれまでに提案されている。
しかし、これらの方法は、特に入力パラメータのうちの2つ以上が独立していない可能性がある場合に、心周期の多くの異なる側面によって影響を受ける多次元的な問題には適していない。
[003] 本明細書で開示するように、LVEDP、又は充満圧及び肺毛細血管楔入圧(PCWP)などの他の圧力は、左心房(LA)及び/又は左心室(LV)からといったように、心臓から収集した超音波データを用いて非侵襲的に測定できる。超音波データの例としては、LA及び/又はLVのストレイン及び/又はボリューム情報が挙げられる。超音波データと侵襲的カテーテル圧力との相関アルゴリズムを使用して圧力値を決定できる。いくつかの例では、相関アルゴリズムをトレーニングする前に超音波データが事前処理される(例えば入力LAストレイン信号対1心周期の時間のクリーンアップ)。データが事前処理されると、結果として得られるデータが相関アルゴリズムに入力される。相関アルゴリズムには、深層学習モデル、機械学習モデル、人工知能、及び/又は他のモデルなどのモデルが含まれ得る。いくつかの例では、モデルには、モデルのトレーニングによって開発された回帰係数のセットが含まれる。いくつかの例では、モデルは部分最小二乗法(PLS)モデル及び/又は長・短期記憶(LSTM)ネットワークである。一例では、超音波データは、圧力カテーテルで測定された実際の圧力出力と相関される。別の例では、超音波データは、例えば臨床的に関連性があり得る圧力の高/中/低閾値である分類子に相関される。
[004] 本開示の一例による超音波イメージングシステムは、プロセッサを含み、このプロセッサは、心臓の超音波データを受信することであって、超音波データは1つの心周期の少なくとも一部分にわたって収集されたものである、受信することと、相関アルゴリズムを適用することによって超音波データを解析して、心圧の値を決定することとを実行する。
[005] 本開示の一例による方法は、心臓の超音波データを受信するステップであって、超音波データは1つの心周期にわたって収集されたものである、受信するステップと、相関アルゴリズムを適用することによって超音波データを解析して、心圧の値を決定するステップとを含む。
[006] 本開示の一例によれば、非一時的コンピュータ可読媒体は命令を含む。これらの命令は、実行されると、イメージングシステムに、心臓の超音波データを受信することであって、超音波データは1つの心周期の少なくとも一部分にわたって収集されたものである、受信することと、相関アルゴリズムを適用することによって超音波データを解析して、心圧の値を決定することとを実行させる。
[012] 特定の実施形態の次の説明は、本質的に例示的であり、本発明又はその応用若しくは使用を限定することを意図したものではない。本システム及び方法の実施形態の以下の詳細な説明において、本明細書の一部をなし、かつ、例示として、説明されるシステム及び方法を実践し得る特定の実施形態が示されている添付の図面が参照される。これらの実施形態は、当業者が本開示のシステム及び方法を実践できるように十分な詳細で説明されており、また、他の実施形態が利用されてもよく、かつ本システムの趣旨及び範囲から逸脱することなく、構造的及び論理的な変更を行うことができることが理解されるものとする。さらに、明確にするために、本システムの説明を不明瞭にしないように、特定の特徴の詳細な説明は、当業者に明らかである場合には議論されない。したがって、以下の詳細な説明は、限定的な意味で解釈されるべきではなく、本システムの範囲は、添付の特許請求の範囲によってのみ定義される。
[013] Kawasaki他によって説明されるように、左肺毛細血管楔入圧(PCWP)値は、左心房(LA)ボリュームサイクルのいくつかの側面に相関している。Kawasakiは、回帰テストを複数回繰り返して、どのLAボリュームパラメータがPCWPカテーテル圧力値と最もよく相関するかを確認した。最終的に、Kawasakiは、2つのパラメータの組み合わせを1つ選択して、論文において「KTインデックス」として知られるものを作成した。Kawasaki他の「A novel ultrasound predictor of pulmonary capillary wedge pressure assessed by the combination of left atrial volume and function:A speckle tracking echocardiography study)(J.Cardiol.、第66巻。第3号、253~262頁、2015年)を参照されたい。この方法では、手動で最適化されるが、カテーテル圧力との相関性が示された他のすべてのパラメータは無視される。これらを含めるためには、多次元回帰方程式が作成される。しかしながら、独立した入力パラメータが相互に線形的に相関している場合は、多次元線形回帰を使用できない。ここでは、LAボリュームパラメータが該当することが分っている。さらに、Kawasakiが使用する入力パラメータはノイズが多く、また、回帰方程式で使用する前にクリーンアップされていない。
[014] また、左心室拡張末期圧(LVEDP)は左心房ストレイン情報に直接関連していることが示されている。これまでの文献では、手動による線形回帰法のみによる相関が示されている(例えばM.Cameli他の「Left atrial longitudinal strain by speckle tracking echocardiography correlates well with left ventricular filling pressures in patients with heart failure)(Cardiovascular Ultrasound、第8巻、第14号、2010年)及びA.Singh他の「Peak left atrial strain as a single measure for the non-invasive assessment of left ventricular filling pressures)(Int J Cardiovasc Imaging、第35巻、第1号、2019年)を参照)。心室内圧とストレインとの間の関係を展開させるこれらの追加的な方法は、Kawasakiが説明するLAボリューム方法と同様に機能する。
[015] 心周期の複数の位相(例えば早期拡張期から後期収縮期まで、第1心拍の早期拡張期から第2心拍の早期拡張期までなど)にわたって、パラメータが独立しているかどうかに関係なく、複数のパラメータによって提供される情報を利用できる非侵襲的なソリューションが望ましい。
[016] 本開示の原理によれば、LA又は左心室(LV)からなど、心臓から収集した超音波データを相関アルゴリズムに提供できる。相関アルゴリズムには、モデル(例えば機械学習、深層学習、人工知能、アルゴリズム)が含まれ得る。モデルは、提供された超音波データに基づいて心圧(例えばLVEDP、LV充満圧、PCWP、Pre-A圧)を決定できる。モデルに提供され得る心臓からの超音波導出データの例としては、組織ストレイン測定結果(例えば長手方向ストレイン、円周方向ストレイン)及びボリュームが挙げられるが、これらに限定されない。いくつかの例では、モデルは部分最小二乗法(PLS)モデルを含む。いくつかの例では、モデルは、提供された超音波データに基づいて圧力を決定するために使用できる伝達関数を生成するようにトレーニングされる。いくつかの例では、伝達関数は1つ以上の回帰係数を含む。いくつかの例では、モデルは長・短期記憶(LSTM)ネットワークなどのニューラルネットワークを含む。いくつかの例では、モデルは圧力の数値が出力する。いくつかの例では、モデルは圧力の定性的な指標を提供する分類子(例えば正常、軽度、中程度、重度)を出力する。
[017] いくつかの例では、超音波データは、モデルに提供される前に事前処理される。いくつかの例では、超音波データは、1つの心周期で事前設定された数のフレームまで補間される。いくつかの例では、事前設定された数のフレームは1つの心周期で均等に配置される。いくつかの例では、心周期がLA(リザーバ期、導管期、及び収縮期)、LV、及び/又は心臓の他の部分の異なる位相にサブ分割される。いくつかの例では、これらの位相の各々は、事前設定された数のフレームまで個別に補間されてから結合される。いくつかの例では、事前設定された数のフレームは、心周期の所望の位相(例えば早期心房収縮期、後期心房拡張期)から選択される。心周期の長さ及び/又は位相は、超音波イメージング(例えばBモード若しくはドップラー)及び/又は心電図検査(ECG)信号(例えばQRS波の検出)に基づいて決定される。いくつかの例では、超音波データはサビツキー・ゴーレイ(Savitsky-Golay)フィルタなどのフィルタによって平滑化される。いくつかの例では、補間後にフィルタ処理が行われる。
[018] 本明細書に開示するシステム及び方法は、心周期の位相全体、心周期の複数の位相、心周期全体、及び/又は複数の心周期にわたる複数のパラメータを利用する、圧力を決定するための非侵襲的手法を提供する。いくつかの応用では、これにより、既存の非侵襲的方法よりも正確及び/又は一貫性のある圧力測定結果が得られる。
[019] 図1は、本開示の原理に従って構築された超音波イメージングシステム100のブロック図を示している。本開示による超音波イメージングシステム100は、超音波プローブ112(例えば外部プローブ、又は、心臓内エコーグラフィ(ICE)プローブ若しくは経食道エコーグラフィ(TEE)プローブなどの内部プローブ)に含まれ得るトランスデューサアレイ114を含む。他の実施形態では、トランスデューサアレイ114は、イメージング対象(例えば患者)の表面にぴったりと合って適用されるフレキシブルアレイの形であり得る。トランスデューサアレイ114は、超音波信号(例えばビーム、波)を送信し、超音波信号に応答したエコーを受信する。例えばリニアアレイ、曲面アレイ、又はフェーズドアレイである、様々なトランスデューサアレイも使用できる。例えばトランスデューサアレイ114は、2D及び/又は3Dイメージングのために仰角寸法及び方位角寸法の両方でスキャン可能なトランスデューサ素子の2次元アレイ(図示する)を含む。一般的に知られているように、軸方向は、アレイの表面に垂直な方向であり(曲面アレイの場合は、軸方向は扇形に広がる)、方位角方向は一般にアレイの長手方向の寸法によって定義され、仰角方向は方位角方向を横断する。
[020] いくつかの実施形態では、トランスデューサアレイ114は、超音波プローブ112内に設置され、また、アレイ114内のトランスデューサ素子による信号の送受信を制御するマイクロビームフォーマ116に結合される。いくつかの実施形態では、マイクロビームフォーマ116は、アレイ114内のアクティブ素子(例えば任意の所与の時間にアクティブアパーチャを画定するアレイの素子のアクティブサブセット)によって信号の送受信を制御する。
[021] いくつかでは、マイクロビームフォーマ116は、例えばプローブケーブルによって又は無線で、送受信(T/R)スイッチ118に結合される。T/Rスイッチ118は、送信と受信とを切り替え、メインビームフォーマ122を高エネルギー送信信号から保護する。いくつかの実施形態では、例えばポータブル超音波システムでは、T/Rスイッチ118及びシステム内の他の要素は、画像処理用電子機器を収容する超音波システムベースではなく、超音波プローブ112内に含まれていてもよい。超音波システムベースは通常、信号処理及び画像データ生成用の回路並びにユーザインターフェースを提供するための実行可能命令を含むソフトウェア及びハードウェアコンポーネント(例えば処理回路150及びユーザインターフェース124)を含む。
[022] マイクロビームフォーマ116の制御下でのトランスデューサアレイ114からの超音波信号の送信は、送信コントローラ120によって指示される。この送信コントローラ120は、T/Rスイッチ218及びメインビームフォーマ122に結合される。送信コントローラ120は、ビームがステアリングされる方向を制御する。ビームは、トランスデューサアレイ114からまっすぐに前に(トランスデューサアレイに直交して)ステアリングすることも、より広い視野を得るために異なる角度でステアリングすることもできる。送信コントローラ120はまた、ユーザインターフェース124に結合されて、ユーザによるユーザコントロールの操作から入力を受信する。ユーザインターフェース124は、制御パネル152などの1つ以上の入力デバイスを含む。制御パネルには、1つ以上の機械的コントロール(例えばボタン、エンコーダ)、タッチセンシティブコントロール(例えばトラックパッド、タッチスクリーンなど)、及び/又は他の既知の入力デバイスが含まれ得る。
[023] いくつかの実施形態では、マイクロビームフォーマ116によって生成された部分的ビーム形成信号は、メインビームフォーマ122に結合される。ここでは、トランスデューサ素子の個々のパッチからの部分的ビーム形成信号が完全ビーム形成信号になるように結合される。いくつかの実施形態では、マイクロビームフォーマ116は省略され、トランスデューサアレイ114は、すべての信号のビーム形成を実行するメインビームフォーマ122の制御下にある。マイクロビームフォーマ116を有する実施形態及び有さない実施形態において、メインビームフォーマ122のビーム形成信号は、処理回路150に結合される。処理回路150は、ビーム形成信号(例えばビーム形成RFデータ)から超音波画像を生成する1つ以上のプロセッサ(例えば信号プロセッサ126、Bモードプロセッサ128、ドップラープロセッサ160、及び1つ以上の画像生成及び処理コンポーネント168)を含む。
[024] 信号プロセッサ126は、バンドパスフィルタリング、デシメーション、I及びQ成分の分離、並びに高調波信号の分離など、様々なやり方で、受け取ったビーム形成RFデータを処理する。また、信号プロセッサ126は、スペックルの低減、信号複合、及びノイズ除去などの追加の信号強調を行う。処理された信号(I及びQ成分又はIQ信号とも呼ばれる)は、画像生成のために追加の下流の信号処理回路に結合される。IQ信号は、システム内の複数の信号経路に結合される。各信号経路は、異なるタイプの画像データ(例えばBモード画像データ、ドップラー画像データ)の生成に適した特定の信号処理コンポーネントの配置に関連付けられている。例えばシステムは、Bモードの画像データを生成するために、信号プロセッサ126からの信号をBモードプロセッサ128に結合するBモード信号経路158を含む。
[025] Bモードプロセッサは、体内の構造のイメージングのために振幅検出を採用できる。Bモードプロセッサ128によって生成される信号は、スキャンコンバータ130及び/又はマルチプラナーリフォーマッタ132に結合される。スキャンコンバータ130は、エコー信号を、それらを受け取った元の空間的関係で所望の画像フォーマットで配置する。例えばスキャンコンバータ130は、エコー信号を2次元(2D)セクタ型フォーマット、又はピラミッド若しくは他の形状の3次元(3D)フォーマットに配置する。例えば米国特許第6,443,896号(Detmer)に説明されているように、マルチプラナーリフォーマッタ132は、体のボリュメトリック領域内の共通平面内の点から受け取ったエコーをその平面の超音波画像(例えばBモード画像)に変換できる。いくつかの実施形態では、スキャンコンバータ130及びマルチプラナーリフォーマッタ132は、1つ以上のプロセッサとして実装される。
[026] ボリュームレンダラ134は、例えば米国特許第6,530,885号(Entrekin他)に説明されているように、所与の基準点から見た3Dデータセットの画像(投影、レンダ、又はレンダリングとも呼ばれる)を生成する。いくつかの実施形態では、ボリュームレンダラ134は、1つ以上のプロセッサとして実装される。ボリュームレンダラ134は、表面レンダリング及び最大強度レンダリングなどの任意の既知又は将来の既知となる手法によって、正のレンダリング又は負のレンダリングなどのレンダリングを生成する。
[027] いくつかの実施形態では、システムは、信号プロセッサ126からの出力をドップラープロセッサ160に結合するドップラー信号経路162を含む。ドップラープロセッサ160は、ドップラー偏移を推定し、ドップラー画像データを生成する。ドップラー画像データには、表示のためにBモード(即ち、グレースケール)画像データに重ねられるカラーデータが含まれる。ドップラープロセッサ160は例えばウォールフィルタを使用して、不要な信号(即ち、動いていない組織に関連するノイズ又はクラッタ)を除去する。ドップラープロセッサ160はさらに、既知の手法に従って速度及びパワーを推定する。例えばドップラープロセッサには自己相関器などのドップラー推定器が含まれている。ここでは、速度(ドップラー周波数)推定は、ラグ1自己相関関数の引数に基づいており、ドップラーパワー推定は、ラグ0自己相関関数の大きさに基づいている。動きもまた、既知の位相領域(例えばMUSIC、ESPRITなどのパラメトリック周波数推定器)又は時間領域(例えば相互相関)の信号処理手法によって推定される。速度推定器の代わりに又はそれに加えて、加速度又は時間的及び/若しくは空間的速度導関数の推定器など、速度の時間分布又は空間分布に関連する他の推定器を使用できる。いくつかの実施形態では、速度及び/又はパワー推定値は、さらにノイズを低減するためのさらなる閾値検出、並びにセグメント化及び充填及び平滑化などの後処理が行われる。その後、速度及び/又はパワー推定値は、カラーマップに従って所望の表示色の範囲にマッピングされる。カラーデータ(ドップラー画像データとも呼ぶ)はスキャンコンバータ230に結合され、そこで、ドップラー画像データは所望の画像フォーマットに変換されて、組織構造のBモード画像に重ねられてカラードップラー画像又はパワードップラー画像が形成される。いくつかの例では、スキャンコンバータ130は、ドップラー画像とBモード画像とを位置合わせする。
[028] いくつかの実施形態では、システムは、信号プロセッサ126からの信号をストレインプロセッサ166に結合してストレイン測定結果を生成するストレインイメージング信号経路164を含む。ストレイン測定結果には、せん断弾性係数、ヤング係数、及び/又は他のストレイン測定結果が含まれる。いくつかの例では、ストレイン測定結果は、ピクセルカラー及び/又は強度値にマッピングされて、Bモード画像及び/又はドップラー画像に重ねられるマップ(例えばストレインマップ)が生成される。いくつかの例では、スキャンコンバータ130は、ストレイン測定結果をBモード画像及び/又はドップラー画像と位置合わせする。
[029] いくつかの例では、ストレイン測定結果はせん断波エラストグラフィ(SWE)によって得られる。SWEでは、プローブ112が、物体(例えば組織)内にせん断波を誘導する超音波信号「プッシュパルス」を送信する。或いは、物体内のせん断波は、音響放射力ではなく、物体を圧迫する機械的バイブレータ(図示せず)などによって、物体に外部から加えられる機械的力によって生成される。プローブ112は、プッシュパルスが送信された場所に及び/又はそこに隣接して物体内に追加の超音波信号「トラッキングパルス」を送信する。トラッキングパルスに応答するエコーが、プローブ112で受信される。エコーに基づく信号は、ストレインプロセッサ166によって解析されて、物体内のトラッキングパルスの場所を伝播する際のせん断波の様々な特性が決定される。ストレインプロセッサ166は、トラッキングパルスの1つ以上の場所におけるせん断波のピーク変位、位相、速度、及び/又は他の特徴を計算する。その後、せん断波のこれらの特徴は、ストレインプロセッサ166で使用されて、プッシュパルスの場所及び/又はトラッキングパルスの場所(複数可)における物体の材料特性が計算される。例えばせん断波の速度を使用してせん断係数及び/又はヤング係数が決定される。いくつかの例では、Bモード信号及び/又はRF信号が解析のためのストレインプロセッサ166に提供されて、ストレイン測定結果が生成される。例えば圧迫前後の異なるウィンドウのRFエコー信号間の相関を使用して、組織の変位が決定される。いくつかの例では、この組織変位を使用して、正常なストレインが計算される。別の例では、Bモード信号内のスペックルトラッキングを使用して、粒子運動及び/又は組織変位が決定される。いくつかの例では、粒子運動の速度を使用して、体積弾性率が計算される。ストレイン測定結果を計算する他の手法(例えば音響放射力インパルスストレインイメージング、トランジエントエラストグラフィ)も使用できる。
[030] 本開示の実施形態によれば、Bモード画像、ドップラー画像、ストレイン測定結果、及び/又はストレインマップなどのスキャンコンバータ130からの出力は、圧力プロセッサ170に供給される。圧力プロセッサ170は、超音波データの超音波画像、ストレイン測定結果、及び/又はストレインマップを解析して、心圧の値(例えばmmHg)を決定する。心圧には、LVEDP、LV充満圧、及び/又はPCWPが含まれるが、これらに限定されない。
[031] いくつかの例では、超音波データにはボリュームが含まれている。いくつかの例では、圧力プロセッサ170は、1つの心周期、1つの心周期の一部、及び/又は複数の心周期にわたって収集された2D Bモード画像のシーケンスを受信する。このシーケンスは、同じイメージング面で収集されたものである。圧力プロセッサ170は2D Bモード画像を解析して、LA及び/又は心臓の他の室の境界を見つける。境界は任意の適切な手法を使用して見つけることができる。例えば、境界はTOMTECが提供する2D Cardiac Performance Analysisを使用して見つけることができる。境界が決定されると、例えばシンプソンのディスク法の手法を使用して、室のボリュームが推定される。いくつかの例では、圧力プロセッサ170は、1つの心周期にわたる3D Bモードボリューム画像のシーケンスを受信する。圧力プロセッサ170は3D Bモードボリュームを解析して、心室のボリュームを直接見つける。ボリュームは、例えばKoninklijke Philipsが開発したHeartModelA.I.を使用する任意の適切な手法を使用して見つけることができる。したがって、1つの心周期の複数の時点での心室のボリュームが得られる。
[032] いくつかの例では、圧力プロセッサ170は、1つの心周期、1つの心周期の一部、及び/又は複数の心周期の異なる時点で収集されたストレインマップ及び/又はストレイン測定結果を受信する。ストレインマップ及び/又はストレイン測定結果は、圧力プロセッサ170で解析されてストレイン曲線が生成される。ストレイン曲線は、時間の経過によるストレイン測定結果をプロットする。いくつかの例では、ストレイン曲線は、長手方向ストレイン又は円周方向ストレインについてのものである。図4に、LAの長手方向ストレイン曲線例400を示す。ストレイン曲線例400は、ミリ秒単位の時間の経過によるLA組織のストレインの割合を反映している。ストレイン曲線は、例えばTOMTECから入手できるAutoStrainを使用する任意の適切な手法によって生成される。
[033] ボリューム及び/又はストレインなどの超音波データは、圧力プロセッサ170で解析されて圧力の値が決定される。いくつかの例では、超音波データは、解析される前に事前処理される。いくつかの応用では、データを前処理することによって、データセット間のデータの一貫性が向上し、及び/又は圧力の決定に影響を与え得るノイズが低減される。いくつかの例では、超音波データは、所望の収集長さ(例えば心周期全体、心周期の1つ以上の位相、複数の心周期)にわたって事前設定された数のフレームまで補間される。いくつかの例では、補間を使用することで、圧力プロセッサ170で解析されるフレーム数が、収集された元のフレーム数と比較して増加される。いくつかの例では、補間によって、毎回、圧力プロセッサ170によって同じ数のデータ点が解析されることが確実にされる。いくつかの例では、これは、解析されたデータ点が収集期間にわたってどのように分布しているかについて、一貫性を向上させるのに役立つ。事前設定されるフレーム数は、超音波イメージングシステム100で事前にプログラムされても、及び/又はユーザインターフェース124を介してユーザによって選択されてもよい。いくつかの例では、超音波画像が複数の心周期で収集される場合、これらの心周期にわたるフレームは、補間の前に平均化される。他の例では、補間は心周期毎に実行され、心周期の補間されたフレームが平均化される。
[034] いくつかの例では、超音波データはフィルタリングされる。いくつかの例では、超音波データはデジタルフィルタによって平滑化される。適切なフィルタの例としては、サビツキー・ゴーレイフィルタがある。いくつかの例では、サビツキー・ゴーレイフィルタは、3次ポリフィット(cubic polyfit)とともに使用される。いくつかの例では、フィルタのウィンドウは経験的に選択される。ウィンドウの長さは解析する超音波データに少なくとも部分的に基づいている。例えばいくつかの応用では9ポイントウィンドウを使用してストレイン測定を行い、いくつかの応用では5ポイントウィンドウを使用してボリューム測定を行う。いくつかの例ではウィンドウの長さは、ユーザインターフェース124を介してユーザによって選択される。他の平滑化フィルタとは異なり、サビツキー・ゴーレイフィルタは、関連する信号をほとんど又はまったく犠牲にすることなく、信号からのノイズを低減する。いくつかの例では、超音波データは事前設定された数のフレームまで補間した後にフィルタリングされる。
[035] いくつかの実施形態では、圧力プロセッサ170は、1つ以上のプロセッサ及び/又は特定用途向け集積回路によって実装される。いくつかの実施形態では、圧力プロセッサ170は、任意の1つ以上の機械学習モデル、人工知能アルゴリズム、及び/又はニューラルネットワークを含む。いくつかの例では、圧力プロセッサ170はボリュームを推定する及び/又は圧力を決定するために、部分最小二乗法(PLS)モデル、深層ニューラルネットワーク(DNN)、畳み込みニューラルネットワーク(CNN)、リカレントニューラルネットワーク(RNN)、オートエンコーダニューラルネットワークなどを含む。モデル及び/又はニューラルネットワークは、ハードウェアコンポーネント(例えばニューロンは物理的なコンポーネントで表される)及び/又はソフトウェアコンポーネント(例えばニューロン及びパスウェイはソフトウェアアプリケーションで実装される)で実装される。本開示によって実装されるモデル及び/又はニューラルネットワークは、モデル及び/又はニューラルネットワークをトレーニングするために、様々なトポロジ及び学習アルゴリズムを使用して、所望の出力を生成する。例えばソフトウェアベースのニューラルネットワークは、命令を実行するプロセッサ(例えばシングルコア又はマルチコアCPU、単一のGPU、若しくはGPUクラスタ、又は並列処理用に配置された複数のプロセッサ)を使用して実装される。命令はコンピュータ可読媒体に保存され、実行されると、プロセッサに、ボリュームを推定する及び/又は圧力を決定するためのトレーニングされたアルゴリズムを実行させる。いくつかの実施形態では、圧力プロセッサ170は、モデル及び/又はニューラルネットワークを他の画像処理方法(例えばセグメント化、ヒストグラム解析)と組み合わせて実装する。
[036] 様々な実施形態では、モデル及び/又はニューラルネットワークは、様々な現在知られている又は後に開発される学習手法のいずれかを使用してトレーニングされて、超音波画像、測定結果、及び/又は統計値の形の入力データを解析するモデル及び/又はニューラルネットワーク(例えばトレーニングされたアルゴリズム、伝達関数、又はノードのハードウェアベースのシステム)が得られる。いくつかの実施形態では、モデル及び/又はニューラルネットワークは静的にトレーニングされる。つまり、モデル及び/又はニューラルネットワークは、データセットでトレーニングされて、圧力プロセッサ170に導入される。いくつかの実施形態では、モデル及び/又はニューラルネットワークは動的にトレーニングされる。これらの実施形態では、モデル及び/又はニューラルネットワークは、初期データセットでトレーニングされ、圧力プロセッサ170に導入される。ただし、モデル及び/又はニューラルネットワークは、圧力プロセッサ170にモデル及び/又はニューラルネットワークを導入した後も、圧力プロセッサ170が収集した超音波画像に基づいて引き続きトレーニングされ、変更される。
[037] いくつかの例では、超音波データが圧力プロセッサ170のモデルに提供される。モデルは超音波データの解析に基づいて圧力の値を決定する。超音波データは、前述したように、モデルに提供される前に事前処理されている場合がある。モデルは超音波データを圧力値と関連付ける相関アルゴリズムを含む。相関アルゴリズムは、1つ以上の回帰係数を有する伝達関数を生成するようにトレーニングされている。いくつかの例では、伝達関数は1つ以上の次元のマトリックスである。伝達関数を超音波データに適用して、圧力の値が出力される。いくつかの例では、相関アルゴリズムはPLSモデルを含む。PLS手法では、入力が相互に線形に相関している場合でも、複数の入力(例えばボリューム、ストレイン測定結果)のセットと単一の出力(例えばLVEDP)との相関が可能にされる。いくつかの例では、モデルは、PLSモデルに加えて又はその代わりに、長・短期記憶(LSTM)ネットワークなどのニューラルネットワークを含む。
[038] 圧力の値の代わりに又は加えて、圧力プロセッサ170によって分類子が出力されてもよい。例えばバイナリ分類子(例えば正常/高)又はマルチレベル分類子(例えば正常、軽度、中程度、重度)である。分類子のレベルは、少なくとも部分的に、圧力の値が1つ以上の閾値を超えているか、等しいか、又は下回っているかに基づいている。例えばバイナリ分類子の場合、圧力プロセッサ170は、圧力が閾値を下回っていると、分類子のレベルとして「正常」を出力し、圧力が閾値以上の場合は「高」を出力する。いくつかの例では、圧力の閾値は、少なくとも部分的に被検者の特性(例えば性別、年齢、体重)に基づいている。
[039] 任意選択で、いくつかの例では、圧力プロセッサ170は、圧力の値に関連付けられた信頼レベルなどの追加データを出力する。いくつかの例では、信頼レベルを使用して、追加の分類子が提供される。例えば圧力プロセッサ170が閾値(例えば50%、60%、80%、90%、95%)を上回る信頼性で圧力の値を決定するのにデータが不十分である及び/又はデータのノイズが多すぎる場合、返される分類子は不確定である(例えば未知、無効)。さらに、例としてストレイン及びボリュームが与えられているが、解析のために他の超音波データ(例えば1つの心周期にわたる心臓からの血流速度の推定値)を圧力プロセッサ170に提供しても圧力を決定できる。また、いくつかの例では、解析のために超音波以外のデータ(例えば心電図検査信号)を圧力プロセッサ170に提供しても圧力を決定できる。
[040] 圧力プロセッサ170、スキャンコンバータ130、マルチプラナーリフォーマッタ132、及び/又はボリュームレンダラ134からの出力は、画像ディスプレイ138で表示される前に、さらなる強調、バッファリング、及び一時的保存のために画像プロセッサ136に結合される。いくつかの例では、圧力の値及び/又は圧力に関連付けられた分類子は、テキスト及び/又は色としてディスプレイ138に表示される。例えば分類子は円又は他の記号として表示され、記号の色が分類子のレベルを示す(例えば正常=緑、軽度=黄、中程度=橙、高=赤、未知/無効=グレー)。いくつかの例では、圧力の値及び/又は分類子は1つ以上の画像(例えばBモード画像、ストレインマップ)と同時にディスプレイ138に示される。グラフィックプロセッサ140が、画像とともに表示されるグラフィックオーバーレイを生成する。これらのグラフィックオーバーレイには、患者名、画像の日時、イメージングパラメータなどの標準的な識別情報を含めることができる。このために、グラフィックプロセッサは、タイプ入力された患者名又は他の注釈などの入力をユーザインターフェース124から受信する。ユーザインターフェース124はまた、複数のマルチプラナーリフォーマットされた(MPR)画像の表示の選択及び制御のために、マルチプラナーリフォーマッタ132に結合される。
[041] システム100はローカルメモリ142を含む。ローカルメモリ142は、任意の適切な非一時的コンピュータ可読媒体(例えばフラッシュドライブ、ディスクドライブ)として実装される。ローカルメモリ142には、超音波画像、ストレイン測定結果、ボリューム測定結果、実行可能命令、イメージングパラメータ、トレーニングデータセット、及び/又はシステム100の操作に必要な任意の他の情報など、システム100によって生成されるデータが保存される。
[042] 前述のように、システム100はユーザインターフェース124を含む。ユーザインターフェース124には、ディスプレイ138及び制御パネル152が含まれている。ディスプレイ138には、LCD、LED、OLED、又はプラズマディスプレイ技術など、様々な既知のディスプレイ技術を使用して実装されるディスプレイデバイスが含まれている。いくつかの実施形態では、ディスプレイ138は、複数のディスプレイを含む。制御パネル152は、ユーザ入力(例えば事前設定されたフレーム数、フィルタウィンドウ長、イメージングモード)を受信する。制御パネル152は、1つ以上のハード制御部(例えばボタン、ノブ、ダイヤル、エンコーダ、マウス、トラックボールなど)を含む。いくつかの実施形態では、制御パネル152は、追加的に又は代替的に、タッチ感知ディスプレイに提供されるソフト制御部(例えばGUI制御要素、即ち、単にGUI制御部)を含んでいてもよい。いくつかの実施形態では、ディスプレイ138は、制御パネル152の1つ以上のソフト制御部を含むタッチ感知ディスプレイである。
[043] いくつかの実施形態では、図1に示す様々なコンポーネントは組み合わされる。例えば画像プロセッサ136及びグラフィックプロセッサ140は、単一のプロセッサとして実装される。いくつかの実施形態では、図1に示す様々なコンポーネントは、別個のコンポーネントとして実装される。例えば信号プロセッサ126は、イメージングモード毎(例えばBモード、ドップラー、SWE)に個別の信号プロセッサとして実装される。いくつかの実施形態では、図1に示す様々なコンポーネントのうちの1つ以上は、指定されたタスクを実行するように設定された汎用プロセッサ及び/又はマイクロプロセッサによって実装される。いくつかの実施形態では、様々なプロセッサのうちの1つ以上は、特定用途向け回路として実装される。いくつかの実施形態では、様々なプロセッサのうちの1つ以上(例えば画像プロセッサ136)は1つ以上のグラフィカル処理ユニット(GPU)で実装される。
[044] 図2は、本開示の原理によるプロセッサ例200を示すブロック図である。プロセッサ200は、本明細書で説明する1つ以上のプロセッサ及び/又はコントローラ、例えば図1に示す画像プロセッサ136及び/又は図1に示す任意の他のプロセッサ若しくはコントローラを実装するために使用される。プロセッサ200は、マイクロプロセッサ、マイクロコントローラ、デジタル信号プロセッサ(DSP)、フィールドプログラマブルアレイ(FPGA)(FPGAはプロセッサを形成するようにプログラムされている)、グラフィック処理ユニット(GPU)、特定用途向け回路(ASIC)(ASICはプロセッサを形成するように設計されている)、又はこれらの組み合わせを含むが、これらに限定されない任意の適切なプロセッサタイプであってよい。
[045] プロセッサ200は、1つ以上のコア202を含み得る。コア202は、1つ以上の算術論理演算ユニット(ALU)204を含み得る。いくつかの実施形態では、コア202は、ALU204に加えて又はその代わりに、浮動小数点論理ユニット(FPLU)206及び/又はデジタル信号処理ユニット(DSPU)208を含む。
[046] プロセッサ200は、コア202に通信可能に結合された1つ以上のレジスタ212を含み得る。レジスタ212は、専用の論理ゲート回路(例えばフリップフロップ)及び/又は任意のメモリ技術を使用して実装され得る。いくつかの実施形態では、レジスタ212は、スタティックメモリを使用して実装される。レジスタは、コア202にデータ、命令、及びアドレスを提供できる。
[047] いくつかの実施形態では、プロセッサ200は、コア202に通信可能に結合された1つ以上のレベルのキャッシュメモリ210を含む。キャッシュメモリ210は、実行のためにコンピュータ可読命令をコア202に提供できる。キャッシュメモリ210は、コア202で処理するデータを提供できる。いくつかの実施形態では、コンピュータ可読命令は、ローカルメモリ(例えば外部バス216に接続されているローカルメモリ)によってキャッシュメモリ210に提供されていてもよい。キャッシュメモリ210は、例えば、スタティックランダムアクセスメモリ(SRAM)、ダイナミックランダムアクセスメモリ(DRAM)、及び/又は任意の他の適切なメモリ手法など、例えば金属酸化物半導体(MOS)メモリである、任意の適切なキャッシュメモリタイプで実装できる。
[048] プロセッサ200は、コントローラ214を含む。コントローラ214は、システムに含まれている他のプロセッサ及び/若しくはコンポーネント(例えば図1に示す制御パネル152及びスキャンコンバータ130)からのプロセッサ200への入力、並びに/又は、システムに含まれている他のプロセッサ及び/若しくはコンポーネント(例えば図1に示すディスプレイ138及びボリュームレンダラ134)へのプロセッサ200からの出力を制御する。コントローラ214は、ALU204、FPLU206、及び/又はDSPU208内のデータパスを制御する。コントローラ214は、1つ以上のステートマシン、データパス、及び/又は専用制御論理として実装される。コントローラ214のゲートは、スタンドアロンのゲート、FPGA、ASIC、又は任意の他の適切な技術として実装される。
[049] レジスタ212及びキャッシュメモリ210は、内部接続220A、220B、220C、及び220Dを介してコントローラ214及びコア202と通信できる。内部接続は、バス、マルチプレクサ、クロスバースイッチ、及び/又は任意の他の適切な接続技術として実装できる。
[050] プロセッサ200の入出力は、バス216を介して提供され得る。バス216には、1本以上の導電線が含まれ得る。バス216は、例えばコントローラ214、キャッシュメモリ210、及び/又はレジスタ212である、プロセッサ200の1つ以上のコンポーネントと通信可能に結合され得る。バス216は、前述のディスプレイ138及び制御パネル152など、システムの1つ以上のコンポーネントに結合され得る。
[051] バス216は、1つ以上の外部メモリに結合され得る。外部メモリには、読み出し専用メモリ(ROM)232が含まれ得る。ROM232は、マスクROM、電子的にプログラム可能な読み出し専用メモリ(EPROM)、又は任意の他の適切な技術であり得る。外部メモリにはランダムアクセスメモリ(RAM)233が含まれ得る。RAM233は、スタティックRAM、バッテリバックアップスタティックRAM、ダイナミックRAM(DRAM)、又は任意の他の適切な技術であり得る。外部メモリには電気的に消去可能なプログラム可能な読み出し専用メモリ(EEPROM)235が含まれ得る。外部メモリにはフラッシュメモリ234が含まれ得る。外部メモリには、ディスク236などの磁気ストレージデバイスが含まれ得る。いくつかの実施形態では、外部メモリは、例えばローカルメモリ142など、図1に示す超音波イメージングシステム100などのシステム内に含まれている。
[052] 図3は、本開示の原理による、相関アルゴリズム及び/又はニューラルネットワーク(例えばPLS、LSTM)などのモデルのトレーニング及び導入のプロセスのブロック図を示す。図3に示すプロセスは、圧力プロセッサ170に含まれているモデルをトレーニングするために使用される。図3の左側、即ち、フェーズ1は、モデルのトレーニングを示す。モデルをトレーニングするには、入力アレイの複数のインスタンスと出力分類とを含むトレーニングセットがモデルのトレーニングアルゴリズム(例えばKrizhevsky,A.、Sutskever,I.及びHinton,G.E.による「ImageNet Classification with Deep Convolutional Neural Networks」(NIPS2012)に説明されるAlexNetトレーニングアルゴリズム又はその子孫)に提示される。トレーニングには、開始アルゴリズム及び/又はネットワークアーキテクチャ312の選択及びトレーニングデータ314の準備が含まれる。開始アーキテクチャ312は、ブランクアーキテクチャ(例えば定義された層及びノードの配置は有するが、以前にトレーニングされた重みはないアーキテクチャ、設定された数の回帰係数を有する又は有さない定義済みアルゴリズム)か、又は超音波データの解析のために後にさらにカスタマイズされる、インセプションネットワークなどの部分的にトレーニングされたモデルである。始動アーキテクチャ312(例えばブランクの重み)及びトレーニングデータ314は、モデルをトレーニングするためにトレーニングエンジン310に提供される。十分な回数で反復されると(例えばモデルが許容可能なエラー内で着実に動作すると)、モデル320はトレーニングされて、導入の準備が整っていると言える。これは、図3の中央、即ち、フェーズ2に示す。図3の右側、即ち、フェーズ3では、トレーニングされたモデル320が(推論エンジン330を介して)新しいデータ332の解析のために適用される。このデータは、(フェーズ1における)初期トレーニング中にモデルに提示されなかったデータである。例えば、新しいデータ332には、患者のスキャン中に収集されたライブ超音波画像(例えば心エコー検査中の心臓画像)などの未知のデータが含まれ得る。エンジン330を介して実装されるトレーニングされたモデル320を使用して、モデル320のトレーニングに従って未知のデータを解析して、出力334(例えばLAの境界、圧力値)が提供される。その後、出力334は、後続のプロセス340(例えば境界からLAのボリュームを決定すること、ディスプレイに圧力のテキストを出力すること)のためにシステムによって使用される。
[053] トレーニングされたモデル320を使用して圧力プロセッサ170のモデルを実装する実施形態では、開始アーキテクチャは、いくつかの例では、畳み込みニューラルネットワーク又は深層畳み込みニューラルネットワークの開始アーキテクチャである。このアーキテクチャは、LA、LV、及び/又は他の心室の境界を生成するようにトレーニングされる。トレーニングデータ314には、複数の(数百もの、しばしば、数千又はそれ以上もの)注釈付き/ラベル付きの画像(トレーニング画像とも呼ぶ)が含まれ得る。トレーニング画像には、イメージングシステムによって生成された完全な画像(例えば超音波プローブの全視野を表す)が含まれている必要はなく、画像のパッチ又は部分、例えばLAを含む部分が含まれていればよいことが理解されるものとする。
[054] トレーニングされたモデル320を使用して圧力プロセッサ170のモデルを実装する実施形態では、開始アーキテクチャは、いくつかの例では、PLSモデル及び/又はLSTMネットワークの開始アーキテクチャである。このアーキテクチャは、圧力の値及び/又は分類子を生成するようにトレーニングされる。トレーニングデータ314には、カテーテル又は他の手段で測定された圧力を示す注釈/ラベル付きの複数の超音波データセット(例えばストレイン曲線、ボリュームなど)が含まれ得る。いくつかの例では、トレーニングデータ314は、図1を参照して説明したように、トレーニングエンジン310に提供される前に事前処理されている。いくつかの例では、超音波データセットは、分類子(例えば高、低)で注釈付け/ラベル付けされている。いくつかの例では、超音波データセットは、分類子と圧力値との両方で注釈付け/ラベル付けされている。
[055] いくつかの例では、トレーニングには、トレーニングデータセット、検証データセット、及びテストデータセットを提供することが含まれる。トレーニングデータセットは、アルゴリズム構築(例えばPLS及びLSTMネットワーク内の係数の重みを見つけること)に使用される。検証データセットは、トレーニング後にモデルを最適化して、トレーニングデータセットへの過剰適合を回避するために使用される。例えば3つの連続するトレーニングエポックに対して検証データセットの損失関数が増加した場合、トレーニングは停止される。最後に、トレーニングされたモデルは、テストデータセットでテストされる。いくつかの応用では、PLSモデルと比較して、LSTMネットワークのトレーニングに追加データが使用される場合がある。
[056] 様々な実施形態において、トレーニングされたモデルは、少なくとも部分的に、プロセッサ(例えば圧力プロセッサ170)によって実行される実行可能命令を含むコンピュータ可読媒体に実装される。
[057] 図5は、本開示の原理による方法500のフローチャートである。いくつかの例では、方法500は、超音波イメージングシステム100及び/又は超音波イメージングシステムの一部(例えばプローブ112、ストレインプロセッサ166、及び/又は圧力プロセッサ170)によって実行される。
[058] ステップ502において、「超音波データを受信する」が実行される。いくつかの例では、超音波データは心臓の左心房(LA)のものである。しかし、他の例では、超音波データは、左心室(LV)、心臓の別の部分、及び/又はそれらの組み合わせ(例えばLAとLVとの両方)からであってもよい。いくつかの例では、超音波データは、1つの心周期、1つの心周期の一部、及び/又は複数の心周期にわたって収集されている。いくつかの例では、超音波データは、Bモード画像、ドップラー画像、ストレイン測定結果、及び/又はこれらの組み合わせから収集されている。超音波データには、ストレイン測定結果(例えばストレイン曲線)及び/又はボリューム(例えばLA及び/又はLVのボリューム)が含まれ得る。いくつかの例では、画像及び/又はストレイン測定結果は、超音波プローブ112から収集した超音波信号に少なくとも部分的に基づいて、Bモードプロセッサ128、ドップラープロセッサ160、及び/又はストレインプロセッサ166などの様々なプロセッサによって生成されている。
[059] ステップ504において「超音波データを解析して圧力値を決定する」が実行される。いくつかの例では、超音波データは1つ以上のモデルが含まれ得る相関アルゴリズムを使用して解析される。いくつかの例では、モデルは部分最小二乗法モデルを含む。いくつかの例では、モデルは長・短期記憶ネットワークを含む。いくつかの例では、超音波データの解析には、少なくとも1つの回帰係数を含む伝達関数を超音波データに適用することが含まれる。いくつかの例では、解析は圧力プロセッサ170によって実行される。いくつかの例では圧力は心室内圧である。いくつかの例では、圧力にはLVEDP、充満圧、又はPCWPのうち少なくとも1つが含まれている。
[060] 任意選択で、ステップ506において「分類子を生成する」が実行される。いくつかの例では、分類子は圧力の値に関連付けられている。いくつかの例では、分類子はバイナリ分類子である。いくつかの例では、バイナリ分類子は、圧力の値が閾値を下回る場合に、第1のレベルを有し、圧力の値が閾値以上である場合に、第2のレベルを有する。他の例では、分類子は、圧力の値の異なる範囲に少なくとも部分的に基づいて、3つ以上のレベルを有する。いくつかの例では、この生成は圧力プロセッサ170によって実行される。
[061] いくつかの例では、ステップ508において「超音波データを補間する」が実行される。いくつかの例では、超音波データは、ステップ504での解析の前に、所望の収集期間(例えば心周期全体、1つの心周期の位相全体又は複数の位相)にわたって事前設定された数のフレームまで補間される。
[062] いくつかの例では、ステップ510において「超音波データをフィルタリングする」が実行される。フィルタリングは、解析前にデジタルフィルタを用いて実行される。図5に示すようないくつかの例では、ステップ508における補間の後にフィルタリングが実行される。いくつかの例では、デジタルフィルタには、3次ポリフィットを有するサビツキー・ゴーレイフィルタが含まれている。いくつかの例では、補間及び/又はフィルタリングは圧力プロセッサ170によって実行される。モデルにLSTMネットワークが含まれている場合など、いくつかの例では、超音波データのフィルタリングの一部又はすべてが省略される。例えばいくつかの応用では、LSTMネットワークは、時間系列全体で最適な重みを見つけて、入力-出力の関係に非常に重要な特徴を見つけ、また、他の特徴を無視する。したがって、堅牢なモデルを構築するための十分に大きなデータセットが利用可能である場合は、ノイズの一部又はすべてのフィルタリングが省略されることがある。
[063] いくつかの例では、ステップ502の前に、ステップ512において「モデルをトレーニングする」が実行される。いくつかの例では、トレーニングはトレーニングデータセットを使用して実行される。トレーニングデータセットには、カテーテルから収集された圧力値でラベル付けされた超音波データセットが含まれ得る。例えば超音波データセットには、カテーテルから収集された圧力値に関連付けられたストレイン測定結果及び/又はボリューム測定結果が含まれている。いくつかの例では、モデルは超音波イメージングシステム100でトレーニングされる。いくつかの例では、モデルは超音波イメージングシステム100に導入される(例えば圧力プロセッサ170によって実装される)前にトレーニングされる。
[064] 本明細書に開示されているシステム及び方法は、少なくとも部分的に超音波データに基づいて圧力の値を決定し、及び/又は圧力の定性的評価を提供する非侵襲的手法を提供することができる。いくつかの応用では、これにより、圧力を決定するための侵襲的処置、時間、及び/又は費用が削減でき、これは、後期心不全及び/又は他の心疾患の診断に役立ち得る。
[065] いくつかの応用では、PLS及び/又はLSTMネットワークを使用することで、相互に関連する及び/又は依存する超音波データから複数の成分を解析でき、これにより、線形回帰法よりも信頼性の高い結果が提供できる。いくつかの応用では、LSTMネットワークを使用すると、フレーム間の時間差の変化に対する感度が低下する。例えば心拍数(例えば1分あたりの拍数)は、解析用の超音波データを生成するために使用される1つの収集又は複数の収集にわたって変化することがある。他の例では、収集レート(例えばフレームレート)は、被検者又はスキャン毎に変化することがある。したがって、フレームの時間点が異なる場合がある。対照的に、線形回帰を使用する手法では時間軸が分っている及び/又は固定されている必要がある。
[066] 本明細書で説明する例では、超音波画像データの処理について述べているが、本開示の原理は超音波に限定されず、磁気共鳴イメージング及びコンピュータ断層撮影などの他のモダリティからの画像データに適用され得ることが理解されるものとする。
[067] コンピュータベースのシステム又はプログラマブルロジックなど、プログラマブルデバイスを使用してコンポーネント、システム、及び/又は方法が実装される様々な実施形態において、前述のシステム及び方法は、「C」、「C++」、「C#」、「Java(登録商標)」、「Python」など、様々な既知の又は後に開発されるプログラミング言語のいずれかを使用して実装できることを理解されたい。したがって、コンピュータなどのデバイスに上記のシステム及び/又は方法を実装するように指示できる情報を含むことができる磁気コンピュータディスク、光ディスク、電子メモリなどの様々な記憶媒体を用意することができる。適切なデバイスが記憶媒体に含まれている情報及びプログラムにアクセスできるようになると、記憶媒体は、デバイスに情報及びプログラムを提供でき、これにより、デバイスは、本明細書に説明されているシステム及び/又は方法の機能を実行できる。例えばソースファイル、オブジェクトファイル、実行可能ファイルなどの適切なマテリアルを含むコンピュータディスクがコンピュータに提供された場合、コンピュータは情報を受け取り、自身を適切に設定し、上記の機能を実施するために上記の図及びフローチャートに説明されている様々なシステム及び方法の機能を実行できる。つまり、コンピュータは、上記のシステム及び/又は方法の様々な要素に関連する情報の様々な部分をディスクから受け取り、個々のシステム及び/又は方法を実施し、上記の個々のシステム及び/又は方法の機能を調整できる。
[068] 本開示の観点から、本明細書に説明されている様々な方法及びデバイスは、ハードウェア、ソフトウェア、及びファームウェアに実装できることに留意されたい。さらに、様々な方法及びパラメータは、限定の意味ではなく、例としてのみ含まれている。本開示の観点から、当業者は、本発明の範囲内に留まりながら、当業者自身の手法及びこれらの手法に作用するために必要な機器を決定するために、本教示内容を実施できる。本明細書に説明されているプロセッサのうちの1つ以上の機能は、少数又は単一のプロセッサユニット(例えばCPU)に組み込むことができ、また、本明細書に説明されている機能を実行するように実行可能命令に応答するようにプログラムされた特定用途向け集積回路(ASIC)又は汎用処理回路を使用して実装できる。
[069] 本システムは、特に超音波イメージングシステムを参照して説明されているが、本システムは、1つ以上の画像が体系的に取得される他の医用イメージングシステムにも拡張できることも想定されている。したがって、本システムは、腎臓系、精巣系、乳房系、卵巣系、子宮系、甲状腺系、肝臓系、肺系、筋骨格系、脾臓系、心臓系、動脈系、及び血管系に関するが、これらに限定されない画像情報を取得及び/又は記録するために、及び超音波誘導介入に関連する他のイメージング応用に使用され得る。さらに、本システムはまた、従来のイメージングシステムで使用できる1つ以上のプログラムを含み、これにより、従来のイメージングシステムが、本システムの特徴及び利点を提供できるようになる。本開示の特定の追加の利点及び特徴は、本開示を検討後、当業者には明らかとなろう。又は、本開示の新規のシステム及び方法を採用する人によって経験されるであろう。本システム及び方法の別の利点は、従来の医用イメージングシステムを簡単にアップグレードして、本システム、デバイス、及び方法の特徴及び利点を組み込むことができることである。
[070] 当然ながら、本明細書に説明されている例、実施形態、又はプロセスのいずれか1つを、本システム、デバイス、及び方法に従って、1つ以上の他の例、実施形態、及び/又はプロセスと組み合わせたり、別個のデバイス又はデバイス部分間で分離及び/又は実施されたりし得ることが理解されるものとする。
[071] 最後に、上記の議論は、本システムの例示に過ぎず、添付の特許請求の範囲を任意の特定の実施形態又は実施形態のグループに限定するものと解釈されるべきではない。このように、本システムは、例示的な実施形態を参照して、特に詳細に説明されているが、また、以下の特許請求の範囲に記載されているように、本システムのより広範で意図された精神や範囲から逸脱することなく、当業者が、数多くの修正及び代替実施形態を考案することができることも理解されたい。したがって、明細書及び図面は、例示的であると見なされ、添付の特許請求の範囲を限定することを意図していない。
Claims (20)
- プロセッサを含む超音波イメージングシステムであって、
前記プロセッサは、
心臓から超音波データを受信することであって、前記超音波データは1つの心周期の少なくとも一部分にわたって収集されたものである、受信することと、
相関アルゴリズムを適用することによって前記超音波データを解析して、心圧の値を決定することと
を実行する、超音波イメージングシステム。 - 前記相関アルゴリズムは、部分最小二乗法モデル又は長・短期記憶ネットワークのうちの少なくとも1つを含む、請求項1に記載の超音波イメージングシステム。
- 前記プロセッサはさらに、前記超音波データを、前記1つの心周期の前記少なくとも一部分にわたって事前設定された数のフレームまで補間する、請求項1に記載の超音波イメージングシステム。
- 前記プロセッサはさらに、デジタルフィルタを用いて前記超音波データをフィルタリングする、請求項1に記載の超音波イメージングシステム。
- 前記デジタルフィルタは、3次ポリフィットを有するサビツキー・ゴーレイフィルタを含む、請求項4に記載の超音波イメージングシステム。
- 前記プロセッサはさらに、
機械学習モデルを用いて2次元超音波画像のシーケンスを解析して、前記2次元超音波画像の個々の2次元超音波画像内の前記心臓の室の境界を決定することと、
前記2次元超音波画像の前記個々の2次元超音波画像の前記境界に少なくとも部分的に基づいて、前記超音波データに含まれる前記室のボリュームを計算することと
を実行する、請求項1に記載の超音波イメージングシステム。 - 前記プロセッサはさらに、
機械学習モデルを用いて3次元超音波画像のシーケンスを解析して、前記3次元超音波画像の個々の3次元超音波画像内の前記心臓の室の境界を決定することと、
前記3次元超音波画像の前記個々の3次元超音波画像の前記境界に少なくとも部分的に基づいて、前記超音波データに含まれる前記室のボリュームを計算することと
を実行する、請求項1に記載の超音波イメージングシステム。 - 前記心臓から受信した超音波信号に少なくとも部分的に基づいてストレイン測定結果を生成するストレインプロセッサをさらに含み、
前記ストレイン測定結果は、前記超音波データに含まれている、請求項1に記載の超音波イメージングシステム。 - 前記プロセッサはさらに、前記心圧の前記値に関連付けられる分類子を生成する、請求項1に記載の超音波イメージングシステム。
- 心臓から超音波データを受信するステップであって、前記超音波データは、1つの心周期にわたって収集されたものである、受信するステップと、
相関アルゴリズムを適用することによって前記超音波データを解析して、心圧の値を決定するステップと、
を含む、方法。 - 前記解析するステップの前に、前記超音波データを、前記1つの心周期にわたって事前設定された数のフレームまで補間するステップをさらに含む、請求項10に記載の方法。
- 前記解析するステップの前に、デジタルフィルタを用いて前記超音波データをフィルタリングするステップをさらに含み、前記デジタルフィルタは、3次ポリフィットを有するサビツキー・ゴーレイフィルタを含む、請求項10に記載の方法。
- 前記超音波データは、ストレイン測定結果又はボリュームのうちの少なくとも1つを含む、請求項10に記載の方法。
- 前記心圧の前記値又は前記心圧の前記値の信頼レベルのうちの少なくとも1つに関連付けられる分類子を生成するステップをさらに含む、請求項10に記載の方法。
- 前記分類子は、バイナリ分類子であり、前記バイナリ分類子は、前記圧力の前記値が閾値を下回る場合に、第1のレベルを有し、前記心圧の前記値が前記閾値以上である場合に、第2のレベルを有する、請求項14に記載の方法。
- 前記相関アルゴリズムは、モデルを含み、前記モデルは、部分最小二乗法モデル又は長・短期記憶ネットワークのうちの少なくとも1つを含む、請求項10に記載の方法。
- トレーニングデータセットを用いて前記モデルをトレーニングするステップをさらに含み、前記トレーニングデータセットは、カテーテルから収集された前記心圧の値でラベル付けされた超音波データセットを含む、請求項16に記載の方法。
- 前記解析するステップは、少なくとも1つの回帰係数を含む伝達関数を前記超音波データに適用するステップを含む、請求項10に記載の方法。
- 前記超音波データは、前記心臓の左心房又は左心室のうちの少なくとも1つからのものである、請求項10に記載の方法。
- 命令を含む非一時的コンピュータ可読媒体であって、前記命令は、実行されると、イメージングシステムに、
心臓から超音波データを受信することであって、前記超音波データは、1つの心周期の少なくとも一部分にわたって収集されたものである、受信すること、
前記超音波データを、前記1つの心周期にわたって事前設定された数のフレームまで補間することと、
補間後に、デジタルフィルタを用いて前記超音波データをフィルタリングすることと、
フィルタリング後に、相関アルゴリズムを適用することによって前記超音波データを解析して、心圧の値を決定することと、
を実行させる、非一時的コンピュータ可読媒体。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202063010748P | 2020-04-16 | 2020-04-16 | |
US63/010,748 | 2020-04-16 | ||
PCT/EP2021/059471 WO2021209400A1 (en) | 2020-04-16 | 2021-04-13 | Systems and methods for non-invasive pressure measurements |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2023521817A true JP2023521817A (ja) | 2023-05-25 |
JPWO2021209400A5 JPWO2021209400A5 (ja) | 2024-04-22 |
Family
ID=75530006
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022562278A Pending JP2023521817A (ja) | 2020-04-16 | 2021-04-13 | 非侵襲的圧力測定用のシステム及び方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20230134503A1 (ja) |
EP (1) | EP4135585A1 (ja) |
JP (1) | JP2023521817A (ja) |
CN (1) | CN115666401A (ja) |
WO (1) | WO2021209400A1 (ja) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4338680A1 (en) * | 2022-09-16 | 2024-03-20 | Koninklijke Philips N.V. | Methods and systems for analyzing diastolic function using 2d echocardiographic images |
WO2024056472A1 (en) | 2022-09-16 | 2024-03-21 | Koninklijke Philips N.V. | Methods and systems for analyzing diastolic function using only 2d echocardiographic images |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6530885B1 (en) | 2000-03-17 | 2003-03-11 | Atl Ultrasound, Inc. | Spatially compounded three dimensional ultrasonic images |
US6443896B1 (en) | 2000-08-17 | 2002-09-03 | Koninklijke Philips Electronics N.V. | Method for creating multiplanar ultrasonic images of a three dimensional object |
US20130245441A1 (en) * | 2012-03-13 | 2013-09-19 | Siemens Medical Solutions Usa, Inc. | Pressure-Volume with Medical Diagnostic Ultrasound Imaging |
WO2013147262A1 (ja) * | 2012-03-30 | 2013-10-03 | 東芝メディカルシステムズ株式会社 | 超音波診断装置、画像処理装置及び画像処理方法 |
US20180192987A1 (en) * | 2015-07-07 | 2018-07-12 | Koninklijke Philips N.V. | Ultrasound systems and methods for automatic determination of heart chamber characteristics |
WO2017205836A1 (en) * | 2016-05-26 | 2017-11-30 | Icahn School Of Medicine At Mount Sinai | Systems and methods for categorization |
-
2021
- 2021-04-13 CN CN202180035829.3A patent/CN115666401A/zh active Pending
- 2021-04-13 WO PCT/EP2021/059471 patent/WO2021209400A1/en unknown
- 2021-04-13 US US17/918,152 patent/US20230134503A1/en active Pending
- 2021-04-13 EP EP21718849.9A patent/EP4135585A1/en active Pending
- 2021-04-13 JP JP2022562278A patent/JP2023521817A/ja active Pending
Also Published As
Publication number | Publication date |
---|---|
WO2021209400A1 (en) | 2021-10-21 |
CN115666401A (zh) | 2023-01-31 |
EP4135585A1 (en) | 2023-02-22 |
US20230134503A1 (en) | 2023-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220225967A1 (en) | Ultrasound imaging system with a neural network for deriving imaging data and tissue information | |
US11364013B2 (en) | Ultrasound imaging system with a neural network for image formation and tissue characterization | |
US11100665B2 (en) | Anatomical measurements from ultrasound data | |
KR20140027989A (ko) | 초음파 촬영을 이용한 관 특성기술 | |
US20230134503A1 (en) | Systems and methods for non-invasive pressure measurements | |
US20220071596A1 (en) | Systems and methods for contrast enhanced imaging | |
JP2005514997A (ja) | 体器官内の流動の定量的な算出を実行するための超音波画像シーケンスを処理する手段を有する観察システム | |
US20230404519A1 (en) | Quantification of Blood Flow with Ultrasound B-mode Imaging | |
JP2022551143A (ja) | 画像最適化のためのシステム及び方法 | |
JP2021529035A (ja) | 経弁圧の定量化を行うための方法及びシステム | |
Duan et al. | Simulation of 3D ultrasound with a realistic electro-mechanical model of the heart | |
US20230240645A1 (en) | Systems and methods for measuring cardiac stiffness | |
CN113015490A (zh) | 用于同时呈现多门多普勒信号的对应于不同解剖结构的多普勒信号的方法和系统 | |
US20230228873A1 (en) | Systems and methods for generating color doppler images from short and undersampled ensembles | |
Nguyen | Layer-specific strain and strain rate: Estimation using miniature transducers attached to the epicardium | |
JP2022529603A (ja) | 心臓エラストグラフィのための取得トリガのためのシステム及び方法 | |
Jang et al. | Industrial mathematics in ultrasound imaging | |
WO2024013114A1 (en) | Systems and methods for imaging screening | |
EP4312792A1 (en) | Method and apparatus with user guidance and automated image setting selection for mitral regurgitation evaluation | |
Bu | Higher-order ultrasonic strain imaging for assessment of regional myocardial function |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240411 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20240411 |