JP2023531982A - 超音波データから血管を識別するためのシステム及び方法 - Google Patents
超音波データから血管を識別するためのシステム及び方法 Download PDFInfo
- Publication number
- JP2023531982A JP2023531982A JP2022579774A JP2022579774A JP2023531982A JP 2023531982 A JP2023531982 A JP 2023531982A JP 2022579774 A JP2022579774 A JP 2022579774A JP 2022579774 A JP2022579774 A JP 2022579774A JP 2023531982 A JP2023531982 A JP 2023531982A
- Authority
- JP
- Japan
- Prior art keywords
- vessel
- ultrasound data
- data
- doppler ultrasound
- blood flow
- 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 167
- 238000000034 method Methods 0.000 title claims abstract description 50
- 210000004204 blood vessel Anatomy 0.000 title claims abstract description 13
- 230000017531 blood circulation Effects 0.000 claims abstract description 47
- 239000000523 sample Substances 0.000 claims abstract description 41
- 238000000605 extraction Methods 0.000 claims abstract description 15
- 210000001367 artery Anatomy 0.000 claims description 20
- 210000003462 vein Anatomy 0.000 claims description 19
- 238000010801 machine learning Methods 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 13
- 238000012285 ultrasound imaging Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 9
- 238000003384 imaging method Methods 0.000 description 37
- 230000006870 function Effects 0.000 description 15
- 238000012545 processing Methods 0.000 description 14
- 238000013479 data entry Methods 0.000 description 10
- 230000033001 locomotion Effects 0.000 description 10
- 238000005259 measurement Methods 0.000 description 9
- 238000012549 training Methods 0.000 description 9
- 230000000007 visual effect Effects 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000003491 array Methods 0.000 description 7
- 210000002569 neuron Anatomy 0.000 description 7
- 210000001168 carotid artery common Anatomy 0.000 description 6
- 230000004913 activation Effects 0.000 description 5
- 238000001994 activation Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000008321 arterial blood flow Effects 0.000 description 4
- 238000002592 echocardiography Methods 0.000 description 4
- 238000011002 quantification Methods 0.000 description 4
- 230000003213 activating effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000008320 venous blood flow Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 210000001715 carotid artery Anatomy 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 230000001934 delay Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 210000004731 jugular vein Anatomy 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 239000002033 PVDF binder Substances 0.000 description 1
- 241000270295 Serpentes Species 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 210000000601 blood cell Anatomy 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000000004 hemodynamic effect Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000002559 palpation Methods 0.000 description 1
- 229920002981 polyvinylidene fluoride Polymers 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000007920 subcutaneous administration Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
- 230000009278 visceral effect 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
- A61B8/52—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
- A61B8/48—Diagnostic techniques
- A61B8/488—Diagnostic techniques involving Doppler signals
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本発明は、対象者から得たドップラー超音波データに基づいて対象者の血管のタイプを識別するためのコンピュータ実装方法を提供する。コンピュータ実装方法は、超音波プローブによって対象者から得た超音波データを受信することと、受信した超音波データからカラードップラー超音波データを生成することとを含む。対象者の血管の表現は、カラードップラー超音波データからセグメント化され、パルス波ドップラー超音波データは、セグメント化された血管表現から取得される。次いで、特徴抽出アルゴリズムが、パルス波ドップラー超音波データに適用されることによって、セグメント化された血管内の血流の特徴が抽出され、血管のタイプは、血流の抽出された特徴に基づいて、動脈か、それとも静脈かが識別される。
Description
本発明は、超音波イメージングの分野に関し、より詳細には、血管超音波イメージングの分野に関する。
血管からの連続的で正確な血流測定は、血流力学モニタリング(HDM)用途では必須である。対象者には、血流パラメータを連続的に定量及び監視する超音波ベースのパッチを付けることが可能である。対象者は、例えば、緊急の状態、及び/又は周術期ケア状態にある。
血管の完全な超音波イメージング及び診断には、Bモードイメージングなどの構造的なイメージングと、カラー血流及び/又はスペクトルドップラーイメージングなどのドップラーイメージングとの組み合わせが伴う。超音波診断イメージングでは、ドップラー測定は、典型的には熟練した超音波検査士によって実施され、超音波検査士はドップラーイメージング平面を血管の中央に位置付け、血管の長さに沿って延びる主軸に合わせる。
しかし、訓練されていないオペレータには、このような平面を血管に配置することは、面倒である。その上、OR/ICU環境では、モニタ上でのライブの画像フィードバックは、利用可能ではないことが多い。更には、超音波を用いる連続的で非侵襲的な血流モニタリングの一部の例、特に超音波担当者が関与しない周術期ケアでは、従来的な超音波スキャナと画像フィードバックの意味がない。
そのような用途では、連続的な対象者モニタリングのための、ウェアラブルの超音波センサ又は超音波パッチデバイスが配備される。このような事例では、看護師などのオペレータの関与は、例えば単にセンサを配置して、システムに超音波データのすべてを連続的に記録させるなど、最小限である。しかし、このことは、オペレータに、対象となる血管の正確な超音波画像を見ることなく、パッチを正しく配置するよう要求するものである。総頸動脈(CCA)などの血管をイメージングする場合、内頸静脈がCCAと並行して見えるため、プローブを動脈ではなく静脈上に位置付ける確率が高い。したがって、モニタリングの間、動脈の長軸に正しく揃えてパッチを配置して、パッチの位置を維持することは、特に未熟な超音波検査士には極めて困難である。
したがって、ユーザの熟練度に関係しないやり方で、例えば超音波プローブ又はパッチを位置付けるときユーザをガイドするための、測定される血管を正確且つ確実に識別する手段が必要である。
本発明は、特許請求項によって定められる。
本発明の態様に従う例によると、対象者から得たドップラー超音波データに基づいて対象者の血管のタイプを識別するためのコンピュータ実装方法が提供され、方法は、対象者から得た超音波データを受信することと、受信した超音波データから、カラードップラー超音波データを生成することと、カラードップラー超音波データから、対象者の血管の表現をセグメント化することと、セグメント化された血管表現から、パルス波ドップラー超音波データを取得することと、パルス波ドップラー超音波データに特徴抽出アルゴリズムを適用することによって、セグメント化された血管内の血流の特徴を抽出することと、血管のタイプを、血流の抽出された特徴に基づいて、動脈か、それとも静脈かを識別することとを含む。
血管内の血流の特徴は、超音波データが取得されるとき超音波プローブの向きには依存せず、超音波データを得るために使用される超音波プローブの向きとは無関係であるため、方法は、ドップラー超音波データのみに基づいて、血管を静脈か動脈かのいずれかとして識別する手段を提供する。
このやり方では、方法は、ユーザによるどのような熟練した入力を必要とすることなく、自動的な血管識別を実施する手段を提供する。
一実施形態では、セグメント化された血管から、パルス波ドップラー超音波データを取得することは、カラードップラー超音波データに基づいて、血管の中心を識別することと、血管の中心においてサンプリングボリュームを生成することと、サンプリングボリュームから、パルス波ドップラー超音波データを得ることとを含む。
このやり方では、パルス波ドップラー超音波データの取得場所は、血管の最も正確な測定場所に位置付けられ、それによって、パルス波ドップラー超音波データ及び最終的な血管識別の精度を高める。
一実施形態では、特徴抽出アルゴリズムは、パルス波ドップラー超音波データから、最大周波数エンベロープを抽出することと、抽出された最大周波数エンベロープを正規化することと、正規化された最大周波数エンベロープの特徴を判断することと、正規化された最大周波数エンベロープの特徴を、血流の特徴として抽出することとを含む。
典型的には、動脈の血流の変動は、静脈における変動よりも大きく、動脈の収縮期プロファイルは静脈におけるよりもシャープである。パルス波ドップラー超音波データの周波数エンベロープを分析することによって、血流の特性が、単純且つ効率的なやり方で分析される。
一実施形態では、正規化された最大周波数エンベロープの特徴を判断することは、正規化された最大周波数エンベロープの分布を、複数の柱を含む柱状図を用いて生成することを含む。
一実施形態では、正規化された最大周波数エンベロープの特徴は、エンベロープの歪度、最大柱比、柱のエッジロールオフのうちの1つ又は複数を含む。
これらの特徴を分析することによって、動脈と静脈の血流特性における変動を区別することが可能である。
一実施形態では、血管のタイプを、血流の抽出された特徴に基づいて、動脈か、それとも静脈か識別することは、抽出された特徴に機械学習アルゴリズムを適用することを含む。
数多く知られている機械学習アルゴリズムのうちの1つなど、機械学習アルゴリズムを使用することによって、血管の識別の精度が向上する。更には、血管の識別は、低減された入力データを用いて実施される。
一実施形態では、血管のタイプを、血流の抽出された特徴に基づいて、動脈か、それとも静脈かを識別することは、カラードップラー超音波データに対してカラー分布分析を実施することを含む。
このやり方では、血管を識別する際、血流方向も考慮され、それによって識別の精度が向上する。
一実施形態では、カラードップラー超音波データに対してカラー分布分析を実施することは、カラードップラー超音波データの取得の間、超音波プローブの向きに関してプローブの向きデータを取得することと、血管を、プローブの向きデータとカラードップラーデータとの組み合わせに基づいて、動脈か、それとも静脈かを分類することとを含む。
このやり方では、血管を識別する際、プローブの向きも考慮され、それによって識別の精度が向上する。
一実施形態では、方法は、血管の識別に基づいて、ガイダンス命令を生成することと、ガイダンス命令をユーザに提示することとを更に含む。
このやり方では、ユーザは、血管の識別に基づいて超音波プローブの位置付けをどのように改善するかについて、ガイドされる。
本発明の態様に従う例によると、コンピュータプログラムコード手段を含むコンピュータプログラムが提供され、コンピュータプログラムがコンピュータ上で実行されると、コンピュータプログラムコード手段は上述の方法を実行するように構成される。
本発明の態様に従う例によると、対象者から得たドップラー超音波データに基づいて対象者の血管のタイプを識別するためのプロセッサが提供され、プロセッサは、超音波プローブによって対象者から超音波データを取得することと、受信した超音波データから、カラードップラー超音波データを生成することと、カラードップラー超音波データから、対象者の血管の表現をセグメント化することと、セグメント化された血管表現から、パルス波ドップラー超音波データを取得することと、パルス波ドップラー超音波データに特徴抽出アルゴリズムを適用することによって、セグメント化された血管内の血流の特徴を抽出することと、血管のタイプを、血流の抽出された特徴に基づいて、動脈か、それとも静脈かを識別することとを行うように構成される。
一実施形態では、セグメント化された血管から、パルス波ドップラー超音波データを取得する場合、プロセッサは、カラードップラー超音波データに基づいて、血管の中心を識別することと、血管の中心においてサンプリングボリュームを生成することと、サンプリングボリュームから、パルス波ドップラー超音波データを得ることとを行うように構成される。
一実施形態では、特徴抽出アルゴリズムを適用する場合、プロセッサは、パルス波ドップラー超音波データから、最大周波数エンベロープを抽出することと、抽出された最大周波数エンベロープを正規化することと、正規化された最大周波数エンベロープの特徴を判断することと、正規化された最大周波数エンベロープの特徴を、血流の特徴として抽出することとを行うように構成される。
本発明の態様に従う例によると、上述の通りのプロセッサと、超音波イメージングプローブであり、超音波プローブは超音波パッチを含む、超音波イメージングプローブとを備える超音波イメージングシステムが提供される。
一実施形態では、システムは、ディスプレイユニットを更に備え、プロセッサは、血管のタイプの識別に基づいてガイダンス命令を生成することと、ディスプレイユニットにガイダンス命令を表示させるための表示命令を生成することとを更に行うように構成される。或いは、超音波パッチは、ガイダンスインジケータを更に含み、プロセッサは、血管のタイプの識別に基づいてガイダンス命令を生成することと、ガイダンス命令をユーザに与えるためにガイダンスインジケータを制御することとを更に行うように構成される。
本発明のこれらの態様及び他の態様は、以降で説明する実施形態から明白であり、それらを参照して明らかにされよう。
本発明をより理解するために、また本発明がどのように実用化されるかをより明確に示すために、単なる例として添付の図面を参照する。
図面を参照して、本発明を説明する。
詳細な説明及び具体的な例は、装置、システム、及び方法の例示の実施形態を示しているが、単なる説明目的であるよう意図されており、本発明の範囲を限定することは意図されていないことを理解されたい。本発明の装置、システム、及び方法の、これら及び他の特徴、態様、及び利点は、以下の説明、添付の特許請求の範囲、及び添付の図面から、より理解されよう。図面は概略的に過ぎず、縮尺通りに描かれていないことを理解されたい。また、同一又は類似の部分を示すために、同一符号が図面全体で使用されることも理解されたい。
本発明は、対象者から得たドップラー超音波データに基づいて対象者の血管のタイプを識別するためのコンピュータ実装方法を提供する。コンピュータ実装方法は、超音波プローブによって対象者から得た超音波データを受信することと、受信した超音波データからカラードップラー超音波データを生成することを含む。対象者の血管の表現は、カラードップラー超音波データからセグメント化され、パルス波ドップラー超音波データは、セグメント化された血管表現から取得される。次いで、特徴抽出アルゴリズムが、パルス波ドップラー超音波データに適用されることによって、セグメント化された血管内の血流の特徴が抽出され、血管のタイプは、血流の抽出された特徴に基づいて、動脈か、それとも静脈かが識別される。
まず、図1を参照して、例示的な超音波システムの一般的な操作を説明するが、本発明は変換器アレイによって測定される信号の処理に関するため、システムの信号処理機能に着目する。
システムは、超音波を送信し、エコー情報を受信する変換器アレイ6を有するアレイ変換器プローブ4を含む。変換器アレイ6は、CMUT変換器、PZTやPVDFなどの材料から形成される圧電変換器、又はあらゆる他の好適な変換器技術を含んでもよい。この例では、変換器アレイ6は、関心領域の2D平面又は三次元ボリュームのいずれかをスキャンすることが可能な変換器8の二次元アレイである。別の例では、変換器アレイは、1Dアレイである。
変換器アレイ6は、変換器素子による信号の受信を制御するマイクロビームフォーマ12に結合される。マイクロビームフォーマは、米国特許第5,997,479号(Savordら)、米国特許第6,013,032号(Savord)、及び米国特許第6,623,432号(Powersら)で説明されるような、一般的に変換器の「グループ」又は「パッチ」と称されるサブアレイによって受信された信号を少なくとも部分的にビームフォーミングできるものである。
マイクロビームフォーマは、完全に任意選択的であることに留意されたい。更には、システムは、マイクロビームフォーマ12が結合される送信/受信(T/R)スイッチ16を含み、このスイッチはアレイを送信モードと受信モードとで切り替え、またマイクロビームフォーマが使用されず変換器アレイがメインのシステムビームフォーマによって直接操作される場合、メインのビームフォーマ20を高エネルギーの送信信号から保護する。変換器アレイ6からの超音波ビームの送信は、T/Rスイッチ16及びメイン送信ビームフォーマ(図示せず)によってマイクロビームフォーマに結合される変換器コントローラ18によって方向付けられ、メイン送信ビームフォーマは、ユーザインターフェース又はコントロールパネル38のユーザ操作から入力を受信する。コントローラ18は、送信モードの間、アレイ6の変換器素子を駆動するように構成された送信回路を含む(直接的に、又はマイクロビームフォーマを介してのいずれかで)。
典型的なラインごとのイメージングシーケンスでは、プローブ内のビームフォーミングシステムは、次のように動作する。送信の間、ビームフォーマ(実装形態に応じて、マイクロビームフォーマであってもよいし、メインのシステムビームフォーマであってもよい)は、変換器アレイ、又は変換器アレイのサブアパーチャをアクティブ化する。サブアパーチャは、変換器の一次元のライン、又はより大型のアレイ内の変換器の二次元パッチである。送信モードでは、アレイ、又はアレイのサブアパーチャによって生成される超音波ビームのフォーカス及びステアリングは、以下で説明されるように制御される。
対象者から後方散乱されたエコー信号を受信すると、受信した信号を揃えるために、受信された信号には受信ビームフォーミング(以下で説明する通り)が行われ、サブアパーチャが使用される事例では、次いでサブアパーチャが、例えば変換器素子1つ分シフトされる。次いで、シフトされたサブアパーチャはアクティブ化され、プロセスは、変換器アレイの変換器素子のすべてがアクティブ化されてしまうまで繰り返される。
ライン(又はサブアパーチャ)ごとに、最終的な超音波画像の関連ラインを形成するために使用される全受信信号は、受信期間中に所与のサブアパーチャの変換器素子によって測定された電圧信号の合計となる。以下のビームフォーミングプロセスに従って得られるライン信号は、典型的には高周波(RF)データと称される。様々なサブアパーチャによって生成された各ライン信号(RFデータセット)は、最終的な超音波画像のラインを生成するために次いで追加的な処理を受ける。時間に伴うライン信号の振幅変化は、深度に伴う超音波画像の輝度の変化に寄与し、この場合、高い振幅ピークが、最終的な画像での明るいピクセル(又はピクセルの集合)に相当する。ライン信号の始まり付近に見られるピークは、浅い構造からのエコーを表しているが、後のライン信号で徐々に表れるピークは、対象者内のより深い構造からのエコーを表す。
変換器コントローラ18によって制御される機能の1つは、ビームがステアリング及びフォーカスされる方向である。ビームは、変換器アレイから真正面に(変換器アレイに対して直交して)、又は広い視野に向けて異なる角度でステアリングされる。送信ビームのステアリング及びフォーカスは、変換器素子作動時間の関数として制御される。
一般的な超音波データ取得では、平面波イメージング、及び「ビームステアリング」イメージングという2つの方法が区別される。2つの方法は、送信モード(「ビームステアリング」イメージング)及び/又は受信モード(平面波イメージング及び「ビームステアリング」イメージング)における、ビームフォーミングの存在によって区別される。
まずフォーカス機能を見ると、変換器素子のすべてを同時にアクティブ化することによって、変換器アレイは、対象者を通過するときに発散する平面波を生成する。この事例では、超音波のビームは、フォーカスされないままである。変換器のアクティブ化に位置依存的な時間遅延を導入することによって、ビームの波面を、焦点領域と称される所望の点に収束させることが可能である。焦点領域は、横方向のビーム幅が送信ビーム幅の半分未満である点として定められる。このやり方では、最終的な超音波画像の横方向の解像度が向上する。
例えば、時間遅延により、変換器素子が、変換器アレイの最外素子で始まり中央素子で終わるよう連続してアクティブ化される場合、焦点領域は、中央素子に沿って、プローブから所与の距離離れて形成される。プローブからの焦点領域の距離は、変換器素子アクティブ化の各後続ラウンド間の時間遅延に応じて変化する。ビームは、焦点領域を通過した後に発散し始め、遠視野のイメージング領域を結像する。変換器アレイの近くに位置する焦点領域では、超音波ビームは、遠視野で直ぐに発散され、最終的な画像でビーム幅アーチファクトをもたらすことに留意されたい。典型的には、変換器アレイと焦点領域との間に位置する近視野では、超音波ビームとの広い重なりにより、細部がほとんど示されない。故に、焦点領域の位置の変化は、最終的な画像の品質に著しい変化をもたらす。
送信モードでは、超音波画像が複数の焦点領域(そのそれぞれが異なる送信フォーカスを有する)に分割されない限り、1フォーカスのみが定められることに留意されたい。
加えて、対象者内部からエコー信号を受信すると、受信フォーカスを実施するために上述のプロセスの逆を実施することが可能である。換言すると、入来信号は、変換器素子によって受信され、信号処理のためにシステムに渡される前に、電子的な時間遅延にかけられる。この最も単純な例は、遅延和ビームフォーミングと称される。変換器アレイの受信フォーカスは、時間の関数として動的に調整することが可能である。
次に、ビームステアリング機能を見ると、時間遅延を変換器素子に正確に印加することにより、超音波ビームが変換器アレイから離れる際、ビームに所望の角度を与えることが可能である。例えば、変換器アレイの第1の側にある変換器をアクティブ化し、続いてアレイの反対側で終わるシーケンスで残りの変換器をアクティブ化することによって、ビームの波面は第2の側に向かって角度付けされる。変換器アレイの法線に対するステアリング角の大きさは、後続の変換器素子アクティブ化同士の時間遅延の大きさに依存的である。
更には、ステアリングされたビームをフォーカスすることが可能であり、各変換器素子に印加される合計の時間遅延は、フォーカスとステアリング両方の時間遅延の合計である。この場合、変換器アレイは、フェーズドアレイと称される。
アクティブ化にDCバイアス電圧を必要とする、CMUT変換器の事例では、変換器コントローラ18は、変換器アレイ用のDCバイアスコントロール45を制御するよう結合される。DCバイアスコントロール45は、CMUT変換器素子に印加されるDCバイアス電圧をセットする。
変換器アレイの変換器素子ごとに、典型的にはチャネルデータと称されるアナログの超音波信号が、受信チャネルにより、システムに入力される。受信チャネルでは、マイクロビームフォーマ12によってチャネルデータから部分的にビームフォーミングされた信号が作り出され、次いで、メインの受信ビームフォーマ20に渡され、ここで変換器の個別のパッチから部分的にビームフォーミングされた信号は、高周波(RF)データと称される、すべてビームフォーミングされた信号に組み合わされる。各工程で実施されるビームフォーミングは、上述のように実行されてもよいし、追加的な機能を含んでもよい。例えば、メインのビームフォーマ20は、128チャネルを有し、そのそれぞれが、部分的にビームフォーミングされた信号を、数十から数百の変換器素子のパッチから受信してもよい。このやり方では、変換器アレイの数千の変換器によって受信された信号が、単一のビームフォーミングされた信号に効率的に寄与する。
ビームフォーミングされた受信信号は、信号プロセッサ22に結合される。信号プロセッサ22は、受信されたエコー信号を様々なやり方で処理する:バンドパスフィルタリング、デシメーション、IQ成分分離、及び組織や微小気泡から返される非線形(基本周波数の高調波)エコー信号の識別を可能にするべく、線形信号と非線形信号を分離するよう作用するハーモニック信号分離などである。信号プロセッサはまた、スペックルの低減、信号複合化、及びノイズ除去など、追加的な信号強化を実施する。信号プロセッサにおけるバンドパスフィルタは、トラッキングフィルタであり、受信されるエコー信号の深度が大きくなるにつれ、そのパスバンドは高周波数帯から低周波数帯にスライドし、それによって、典型的には解剖学的な情報のない、更に深部からの高周波数のノイズを防止する。
送信及び受信用のビームフォーマは、様々なハードウェアに実装され、異なる機能を持つ。もちろん、受信側ビームフォーマは、送信ビームフォーマの特性を考慮してデザインされる。図1では、簡潔さのため、受信側ビームフォーマ12、20のみが示される。完全なシステムでは、送信マイクロビームフォーマ、及びメイン送信ビームフォーマを伴う送信チェーンもある。
マイクロビームフォーマ12の機能は、アナログ信号経路の数を減らすために、信号の最初の組み合わせを提供することである。これは、典型的にはアナログドメインで実施される。
最終的なビームフォーミングは、メインのビームフォーマ20で、典型的にはデジタル化の後に、行われる。
送信及び受信チャネルは、固定周波数帯を有する同一の変換器アレイ6を使用する。しかし、送信パルスが占有する帯域幅は、使用される送信ビームフォーミングに応じて変わる。受信チャネルは、変換器帯域幅全体をキャプチャする(古典的な手法)、又はバンドパス処理を使用することによって、所望の情報を含む帯域幅のみを抽出する(例えば、メインのハーモニックの高調波)。
次いで、RF信号は、Bモード(つまり、輝度モード、又は2Dイメージングモード)プロセッサ26及びドップラープロセッサ28に結合される。Bモードプロセッサ26は、内蔵組織及び血管などの体内の構造のイメージングのために、受信した超音波信号に対して振幅検知を実施する。ラインごとのイメージングの事例では、各ライン(ビーム)は、関連RF信号によって表現され、その振幅は、Bモード画像中のピクセルに割振られる輝度値を生成するために使用される。画像内のピクセルの正確な位置は、RF信号及びRF信号のライン(ビーム)番号に沿って、関連する振幅測定の位置によって決定される。そのような構造のBモード画像は、高調波又は基本画像モードで、或いは米国特許第6,283,919号(Roundhillら)及び米国特許第6,458,083号(Jagoら)に説明されるように、それら両方の組み合わせとして形成される。ドップラープロセッサ28は、画像視野内の血球の流れなど、移動する物質の検知のために、組織の動き及び血流から生じる時間的に別個の信号を処理する。ドップラープロセッサ28は、典型的には、体内の選択されたタイプの物質から返されるエコーを通過又は拒否するようセットされたパラメータを有するウォールフィルタを含む。
Bモードプロセッサ及びドップラープロセッサによって作り出される構造及び動きによる信号は、スキャンコンバータ32及び多断面再構成器44に結合される。スキャンコンバータ32は空間的な関係性においてエコー信号を配列するが、エコー信号は、この空間的な関係性から、所望の画像フォーマットで受信されたものである。換言すると、スキャンコンバータは、RFデータを円柱形状の座標系から、画像ディスプレイ40で超音波画像を表示するために適当なデカルト座標系に変換するよう機能する。Bモードイメージングの事例では、所与の座標でのピクセルの輝度は、その場所で受信したRF信号の振幅に比例する。例えば、スキャンコンバータは、エコー信号を二次元(2D)の扇形フォーマット、又はピラミッド型の三次元(3D)画像に構成する。スキャンコンバータは、Bモードの構造的な画像に、画像視野でのポイントにおける動きに対応するカラーを重ねるが、ここには所与の色を作り出すドップラー推定速度がある。組み合わされたBモードの構造的な画像及びカラードップラー画像は、構造的な画像視野内で、組織及び血流の動きを描く。米国特許第6,443,896号(Detmer)で説明されるように、多断面再構成器は、体内の立体領域の共通平面内の点から受信したエコーを、その平面の超音波画像に変換する。ボリュームレンダラ42は、米国特許第6,530,885号(Entrekinら)で説明されるように、3Dデータセットのエコー信号を、所与の基準点から見たときの投影3D画像に変換する。
2D又は3D画像は、スキャンコンバータ32、多断面再構成器44、及びボリュームレンダラ42から、画像ディスプレイ40での表示のための更なる改善、バッファリング、及び一時的な記憶のために、画像プロセッサ30に結合される。イメージングプロセッサは、例えば強い減衰物又は屈折により生じる音響陰影、例えば弱い減衰物によって生じる後方増強、例えば高反射組織境界がごく近傍に位置する場合の残響アーチファクトなどの、一定のイメージングアーチファクトを、最終的な超音波画像から除去するように構成される。加えて、画像プロセッサは、最終的な超音波画像のコントラストを改善するために、一定のスペックル低減機能を扱うように構成される。
イメージングに使用されることに加えて、ドップラープロセッサ28によって作り出される血流値、及びBモードプロセッサ26によって作り出される組織構造情報は、定量化プロセッサ34に結合される。定量化プロセッサは、臓器の大きさ及び在胎期間などの構造的測定値に加えて、血流速度などの異なる血流条件の測定値を作り出す。定量化プロセッサは、測定が行われる画像の生体構造上の点など、ユーザコントロールパネル38からの入力を受信する。
定量化プロセッサからの出力データは、ディスプレイ40で測定グラフィック及び値を画像とともに再現するために、またディスプレイデバイス40からの音響出力のために、グラフィックプロセッサ36に結合される。グラフィックプロセッサ36はまた、超音波画像に伴う表示用のグラフィックオーバレイを生成する。これらのグラフィックオーバレイは、患者氏名、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む。これらの目的のために、グラフィックプロセッサは、ユーザインターフェース38から、患者氏名などの入力を受信する。ユーザインターフェースはまた、送信コントローラ18に結合され、変換器アレイ6からの超音波信号の生成、ひいては変換器アレイ及び超音波システムによって作り出される画像を制御する。コントローラ18の送信制御機能は、実行される機能のうちの1つに過ぎない。コントローラ18はまた、(ユーザにより与えられる)動作のモード、並びに対応する必要な送信機構成及び受信機アナログデジタルコンバータにおけるバンドパス構成も考慮する。コントローラ18は、状態が固定されたステートマシンである。
ユーザインターフェースはまた、多断面再構成(MPR)画像の画像視野内における定量化測定を実施するために使用される、複数のMPR画像の平面の選択と制御のために、多断面再構成器44に結合される。
本明細書で説明される方法は、処理ユニットで実施される。そのような処理ユニットは、図1を参照して上述したシステムなど、超音波システム内に配置される。例えば、上述の画像プロセッサ30は、以下で説明する方法のステップの一部又はすべてを実施する。或いは、処理ユニットは、対象者に関する入力を受信するように構成された監視システムなどの、あらゆる好適なシステムに配置されてもよい。
図2は、対象者から得たドップラー超音波データに基づいて対象者の血管のタイプを識別するためのコンピュータ実装方法100を示す。
コンピュータ実装方法は、超音波プローブによって対象者から得た超音波データを受信することにより、ステップ110で開始する。従来型のプローブ又は超音波パッチなど、あらゆる好適な超音波プローブが、超音波データを取得するために使用される。超音波プローブは、多様で異なるセンサ、つまり、1つの線形変換器アレイ、1つのアレイのイメージング平面がもう1つのアレイのイメージング平面と直交する2つの線形変換器アレイ、又は2Dアレイなどの超音波変換器を含む。
別の言い方をすれば、超音波プローブは、例えば1D超音波配置構成又は多平面データセットを生成する複数の1Dサブアレイを含む超音波アレイに基づいた、超音波パッチ又はウェアラブルの超音波センサを含む。
超音波ウェアラブルパッチは、CMUTセル又は圧電変換器セルなどの、あらゆる好適な超音波変換器のタイプを含む。変換器素子は、横方向の素子の線形グループと、縦方向の素子のもう1つの独立的な線形なグループとを有する二平面(bi-planar)構成に配列される。換言すると、変換器は、直交する線形アレイの2つのグループに配列される。縦方向に配列される素子は、横方向に配列される素子の中心と空間的に揃えられる。
処理対象の超音波データを得る場合、後の時間に基づいて別個の処理システムで、又は適当な超音波システムでリアルタイムでのいずれかで、頸動脈構造の触診などの基本的な知識に基づいて、超音波パッチがCCA近傍に配置される。対象者の皮膚に超音波パッチが配置されると、ユーザは、システムを初期化するようボタンを操作して、超音波データを取得し始める。
ステップ120では、受信した超音波データからカラードップラー超音波データが生成され、ステップ130では、対象者の血管の表現が、カラードップラー超音波データからセグメント化される。
カラードップラー超音波データから血管をセグメント化するために、Chan-Veseライクな動的輪郭/snake概念(以下に説明される通り:Chan,T.F.及びSandberg Y.B(2000)、「Active contours without edges for Vector‐valued Image」、Journal of Visual Communication and Image Representation11、130~141(2000);Chan,T.F.及びVese,L.A.(2001)、「Active contours without edges」、IEEE Transactions on Image Processing、10(2)、266~277;及びChan,T.F.及びVese,L.A.(2002)、「A Multiphase level set framework for image segmentation using the Mumford and Shah model」、International Journal of Computer Vision50(3),271~293、(2002))に基づいた適合アルゴリズム、及び正規化されたエネルギー勾配法が使用される。後者は、非線形ハイブリッド検知アルゴリズム(Stanford Artificial Intelligence Project(SAIL)で1968年に提示されたSobel,I.、Feldman,G.、「A 3x3 Isotropic Gradient Operator for Image Processing」及び、Canny,J.「A Computational Approach To Edge Detection」IEEE Trans.Pattern Analysis and Machine Intelligence、8(6):679~698、1986年で、それぞれ説明されるようなSobelとCannyの演算子の組み合わせなど)のファミリに類似したものであり、所与の用途に最適化したカーネルを使用する。これらの方法は、センサのイメージング性能に対して具体的に微調整される。精度と堅牢性を向上させるために、主方向の周りで(データが取得される元となる)制限された関心領域が指定され、局所化された2Dエリアで同一手順が実行される。
ステップ140では、パルス波ドップラー超音波データが、セグメント化された血管表現から取得される。いったんカラードップラー超音波データから血管表現がセグメント化されてしまうと、血管からパルス波ドップラー超音波データを取得するための正確なサンプリング場所が特定される。
例えば、セグメント化された血管からパルス波ドップラー超音波データを取得するステップは、カラードップラー超音波データに基づいて、より具体的には血管のセグメント化された表現の形状に基づいて、血管の中心を識別するステップを含む。血管の中心は、血管内の層流及び乱流を区別するために、カラードップラー超音波データのRGBパターンから識別される。次いで、サンプリングボリュームが血管の中心に配置されるが、この位置は、最大血流速度を持ち、そのためパルス波ドップラー超音波データを測定するために最も正確な場所である、血管の領域である。次いで、パルス波ドップラー超音波データは、サンプリングボリュームから得られる。
別の言い方をすれば、カラードップラー超音波データは、処理ユニットに提供され、ここで超音波血流情報、つまりカラードップラー画像を使用して血管を検知するためにセグメント化アルゴリズムが使用され、血管の中心が識別される。次いで、血管の識別された中心にサンプルボリュームを配置することによって、パルス波ドップラー超音波データが得られる。
血管の中心に基づくサンプリングボリュームの配置は、図4を参照して以下で更に説明する。
ステップ150では、特徴抽出アルゴリズムが、パルス波ドップラー超音波データに適用され、それによって、セグメント化された血管内の血流の特徴が抽出され、ステップ160では、血管のタイプが、血流の抽出された特徴に基づいて、動脈か、それとも静脈か識別される。特徴抽出アルゴリズムの様々な例を、以下で説明する。
方法は、以前に得られたデータセット又は入来超音波データの継続的なストリームに対して動作することに留意されたい。したがって、最新の受信データに基づいて現在イメージングされている血管の識別を更新するために、方法は継続的に繰り返される。このやり方では、方法は、対象者の動き又はユーザの経験不足を、モニタリングの間リアルタイムで補償する。
上述のように、パルス波ドップラー超音波データは、特徴抽出ステップにかけられて、動脈と静脈とを区別する特徴を抽出する。これらの特徴は、動脈と静脈の血流の特性を検討することによって導出される。典型的には、動脈中の血流での変動は、静脈における変動よりも大きく、静脈と比べて動脈ではよりシャープな収縮期が存在する。図3は、本発明の態様による、特徴抽出アルゴリズムの例200を示す。
ステップ210では、最大周波数エンベロープが、パルス波ドップラー超音波データから抽出され、次いでこのエンベロープはステップ220において正規化されて、正規化された最大周波数エンベロープが得られる。
次いで、例えばステップ230で示されるように、正規化された最大周波数エンベロープの分布を、複数の柱を含む柱状図を用いて生成することによって、正規化された最大周波数エンベロープの特徴が識別される。
ステップ240では、次のうちの1つ又は複数を含む正規化された最大周波数エンベロープの特徴が、血流の特徴として抽出される:エンベロープの歪度、最大柱比、及び柱のエッジロールオフ。
例として、それぞれ、パルス波ドップラーデータの正規化されたエンベロープをe(n)、並びに柱状図の柱のエッジ値及び柱数をb(n)及びc(n)とする。以下の特徴が、次の式に従って抽出される:
ここで、Nはサンプルの総数であり、
はエンベロープの平均値である;
最大柱比:
ここで、Lは柱状図の柱の総数である;
柱のエッジロールオフ:
となるようなL1;ここで、0<P<1、且つL1<L。
最大柱比:
柱のエッジロールオフ:
これらの特徴は、測定される血管を識別するために、動脈と静脈の血流値の変動を区別する。
抽出された特徴に基づいた血管の識別は、抽出された特徴に適用される機械学習アルゴリズムを使用して実施される。
機械学習アルゴリズムは、出力データを作り出すために、又は予測するために入力データを処理する、あらゆる自己訓練アルゴリズムである。この場合では、入力データは血流特徴を含み、出力データは血管の識別を含む。
本発明で採用される好適な機械学習アルゴリズムは、当業者には明らかとなろう。好適な機械学習アルゴリズムの例としては、デシジョンツリーアルゴリズム及び人工ニューラルネットワークが挙げられる。ロジスティック回帰、サポートベクタマシン、又はナイーブベイズモデルなどの、他の機械学習アルゴリズムが、好適な代替である。
人工ニューラルネットワーク(又は、単にニューラルネットワーク)の構造は、人間の脳にインスピレーションを得たものである。ニューラルネットワークは層から構成され、各層は複数のニューロンを含む。各ニューロンは、数学的な演算を含む。特に、各ニューロンは、単一タイプの変換の異なる重み付けされた組み合わせを含む(例えば、同一タイプの変換、シグモイドなどであるが、異なる重みを持つ)。入力データを処理するプロセスでは、各ニューロンの数学的な演算は、入力データに対して行われ、数値出力を作り出し、ニューラルネットワークの各層の出力は、順次、次の層に与えられる。最終層が、出力を与える。
機械学習アルゴリズムを訓練する方法は、よく知られている。典型的には、そのような方法は、訓練入力データエントリ及び対応する訓練出力データエントリを含む訓練データセットを取得することを含む。初期化された機械学習アルゴリズムは、各入力データエントリに適用され、予測された出力データエントリを生成する。予測された出力データエントリと、対応する訓練出力データエントリとの間の誤差は、機械学習アルゴリズムを修正するために使用される。このプロセスは、誤差が収束し、予測された出力データエントリが、訓練出力データエントリに十分類似するまで(例えば、±1%)繰り返される。これは、教師あり学習技法として、一般的に知られている。
例えば、機械学習アルゴリズムが、ニューラルネットワークから形成される場合、各ニューロンの数学的な演算(の重み)は、誤差が収束するまで修正される。ニューラルネットワークを修正する既知の方法としては、勾配降下、逆伝搬アルゴリズムなどがある。
訓練入力データエントリは、例示の血流特徴に相当する。訓練出力データエントリは、血管識別に相当する。
別の言い方をすれば、機械学習モデルは、抽出された血流特徴を使用して訓練される。例えば、フィードフォワードのニューラルネットワークが、入力層、2つの隠れ層(各層に4つの隠れニューロンを持つ)、及び出力層を用いて使用される。ニューロンの重みは、交差エントロピー損失関数及びシグモイド活性関数を用いて取得される。
方法のリアルタイム用途では、上述の特徴の同一のものが抽出され、訓練された機械学習アルゴリズムに関して類似度測定が計算される。入力特徴ベクトルに最も類似する血管が、結果的に動脈又は静脈のいずれかとしてラベル付けされる。
上述の分類方法の精度(50信号サンプルに対して計算した場合)を以下の表にまとめ、上述の特徴の組み合わせに基づいて識別を実施する利点を説明する。
加えて、スキャンする方向を固定することによって、カラー強度値及び識別された血管セグメントの分布(RGB値に基づく)を分析することで、動脈と静脈とを区別する。動脈と静脈とでは、血流の方向が逆となるため、カラー分布値は、プローブの向きが一定の既知の向きに保たれる場合、動脈と静脈とを区別するために用いられる。
別の言い方をすれば、血流の抽出された特徴に基づいて、血管のタイプを動脈か、それとも静脈か識別することは、例えば、カラードップラー超音波データの取得の間、超音波プローブの向きに関してプローブの向きデータを取得すること、及び対象者の血管を、プローブの向きデータとカラードップラーデータとの組み合わせに基づいて、動脈か、それとも静脈か分類することによって、カラードップラー超音波データに対してカラー分布分析を実施することを含む。このことは、例えば、上述のように導出された血管のタイプの識別を確認するために使用されてもよい。
例えば、超音波ウェアラブルパッチは、固定されたプローブの向きを用いた頸動脈構造の何らかの基本的な以前の情報、及び上述のようにセグメント化された血管により、頸動脈の近傍に配置される。次いで、識別された血管のカラー分布は、プローブの向きに基づいて個別に分析され、動脈と静脈の識別が確認される。
得られるカラードップラー超音波データにおける対象者の血管の形状は、典型的には、血管の軸に対するイメージング平面の角度のため、楕円である。図4は、血管軸とイメージング平面との間のドップラー角度である角度αと、検出される楕円の形状との関係性の概略表現図である。
典型的には、ある平面が半径Rの無限円筒230を90°以外の角度で横切るとき、得られる形状は楕円240となる。血管が無限円筒としてモデル化されると仮定すると(つまり、イメージング平面の視野内で血管の形状又は方向に著しい変化がない)、血管断面は、楕円となる。
楕円は、識別されると、カラードップラーデータストリームから導出されるフォームファクタ(主軸の次元であるa及びb)及びその方向(φ及びα)は、血管軸を確立するのに十分であり、血流方向をイメージング平面の向きに関してベクトル化するために更に使用されてもよい。
形状は、非線形の最小二乗法を用いて一般的な楕円の等式によってフィッティングされる。この事例では、主たるオイラー角と血管の直径は、そのまま利用可能である。或いは、画像運動量法(image momentum method)を使用してイメージング平面において直接的に形状認識が実行される。
次いで形状のセントロイドは、血流特徴を抽出する元となるパルス波ドップラー超音波データを取得するために、ドップラーゲート配置に使用される。
血流に関するパラメータは、ドップラー超音波データのストリームから継続して導出されているため、検査又はモニタリング中の対象者の動きなど、外部的な動きに応答して、血流ベクトル補正を経時的に調節することが可能である。
主角φは、皮下の動脈の向きによって定められるが、角度αは、動脈を横切るイメージング平面によって主にセットされる。
図5は、イメージング平面270内の識別された楕円血管断面260のセントロイドに位置付けられた、サンプリングボリューム250などのドップラーゲートを示す。
アルゴリズムでは、動的なドップラーゲーティングの概念が採用される。これは、いくつものやり方で実現化される。例えば、一定のゲーティングサイズは、カラードップラーデータで識別された楕円のセントロイド上のゲートの動的な位置付けと合わせて使用される。
或いは、カラードップラーデータの楕円面形状に従う、動的なゲーティングサイズが使用されてもよい。これは、楕円に内接する長方形を含み、長方形はこの楕円と同一のアスペクト比を持つことに留意されたい。この事例では、システムは、評価の下、血管全体を動的にカバーするように、パルス波モードのゲート、又はサンプルボリュームサイズを選択する。
更なる例では、複数のゲート位置を使用して、心周期における、カラードップラー形状の動き、より具体的にはセントロイドの動きを追う。
動的なゲーティング(位置及び/又はサイズ)の使用により、次が可能となる:連続的なモニタリングの間の低いメカニカルインデックス/サーマルインデックス(MI/TI)、患者が動いている間のアーチファクトのより良好な防止、及び波形のより正確なレポーティング。
上で考察したように、超音波データはセンサにより得られる。説明したような超音波データを収集するために使用されるセンサの実装形態は、複数存在する。例えば、センサとしては、以下を挙げることができる:1つの線形変換器アレイ、1つのアレイのイメージング平面がもう1つのイメージング平面と直交するように配列された2つの線形変換器アレイ、又は2Dアレイ。
更には、ユーザは、センサの配置に関してガイドされる。ユーザに与えられるガイダンスは、間接的なやり方で与えられる。換言すると、システムは、超音波データを分析し、センサとは別個のガイダンス手段によってガイダンス信号を生成する。例えば、視覚的なガイダンス信号が生成される場合、ユーザがセンサを動かすべき方向を示す矢印がスクリーンに表示される。
或いは、ユーザにガイダンスを与えるための手段は、センサ自身に含まれてもよい。例えば、センサは、次のうちの1つ又は複数を生成するよう構成される:ユーザをガイドするための、可聴命令、視覚的な命令、電子制御信号、及び触覚的な命令。
ガイダンスは、検査を受けている血管のタイプ及び所望の血管の識別に基づいて生成される。例えば、CCAを測定する事例では、血管が静脈であると識別された場合はプローブを動かすように、又は血管が動脈であると識別された場合は位置を維持するように、ユーザにはガイダンス命令が提示される。
図6は、T形アレイ及びセンサに配置された視覚インジケータを使用してガイドされるセンサ配置の例の図表現600である。
センサ610は、対象の血管620のごく近傍に配置されて示される。センサは、この場合は血管の断面図を生成する第1の変換器アレイ630、及び第1の変換器アレイに直交して配列された第2の変換器アレイ640を含む。センサパッチはまた、更なる変換器アレイを含んでもよい。
更には、センサは、並進視覚インジケータ650及び回転視覚インジケータ660を含む。動作中、並進視覚インジケータは、パッチを示された方向に動かすよう、ユーザにガイダンス信号を与えるために点灯する。同様に、回転視覚インジケータは、パッチを示された方向に回転させるよう、ユーザにガイダンス信号を与えるために点灯する。
図6に示される例では、センサは、第1の変換器アレイが、対象の血管の不完全な視野670を含むイメージング平面をキャプチャするように配置される。センサは、好適なユーザ入力、例えばセンサパッチに配置されたボタンによって初期化される。
対象の血管の完全な断面視野を確保するために、初めは第1の変換器アレイのみがアクティブ化される。或いは、第1及び第2の変換器アレイの両方が同時にアクティブ化されてもよい。
この事例では、超音波センサパッチは、接続された超音波システムのプロセッサにストリーミングされる二重化(Bモード及びカラードップラー)データをキャプチャする。
上述のようなセグメント化アルゴリズムは、カラードップラー超音波データに基づいて(例えば、血管の円形の概観を探すことによって)イメージング平面内で血管を検知するために採用される。図6に示される例における目標は、パッチを内頸静脈ではなく総頸動脈に配置することである。検知された血管のタイプが静脈ではなく動脈と識別された場合、インジケータは、このステップの正常な完了を通信する。
この場合、血管の初期視野は不完全である。したがって、並進視覚インジケータは、センサパッチでアクティブ化され、それにより、血管680の完全な視野までパッチを移動するよう、ユーザをガイドする。
セグメント化された領域690が、静脈やノイズアーチファクトではなく、動脈などの実際に所望の血管であることを確実にするために、パルス波ドップラー超音波データが、上述のように血管から得られ、血流の特徴が抽出される。
データは、ユーザにとって見える必要はないが、アルゴリズムによってシステム内で実行されることに留意されたい。超音波センサパッチは、対象者に一時的に固定することができ、それによりパッチが動作中でもパッチを自由に動かすことができる、ウェアラブルのパッチである。
別の例では、パッチは、3D超音波イメージングを実施可能な変換器素子の2Dアレイを含む。この事例では、上述の第1の変換器アレイに似たやり方で、血管の位置揃えを支援するために、x平面が使用される。完全な2Dアレイを使用するのではなく、x平面が提案されるが、これによりx平面がパッチを揃えるために必要なチャネル数が減るためであり、電力消費とデータレートを低減する、及び/又はより高いフレームレートを可能にする。この事例では、パッチを繰り返し動かすこと又は調整を必要とすることなく、パッチは、対象のエリアに単純に配置される。アレイのすべての要素は、血管軸と最も良く揃う要素のサブセットを見つけるようアクティブ化される。そのような例では、パッチ配置のために必要な訓練又は専門知識はない(又は最小限である)。
更なる例では、図6で説明されるセンサパッチの線形変換器アレイは、1.5D変換器素子で置き換えてもよく、これはイメージング平面の視野を大きくし、血管を探すために及び/又はセンサパッチを血管に揃えるために必要な繰返しを最小限にする。
開示の実施形態に対する変形形態は、特許請求される発明を実用化するにあたって、図面、開示、及び添付の特許請求の範囲を検討することにより、当業者によって理解及び実施される。特許請求では、「を含む」という語句は、他の要素又はステップを排除するものではなく、単数形は複数形を排除するものではない。
単一のプロセッサ又は他のユニットは、特許請求で列挙されるいくつかの項目の機能を満たす。
特定の手段が相互に異なる従属請求項で述べられるという単なる事実は、これらの手段の組み合わせを有利に使用することができないということを示すものではない。
コンピュータプログラムは、光学記憶媒体又はソリッドステート媒体などの、好適な媒体に、他のハードウェアの一部ともに供給されて、又は他のハードウェアの一部として記憶/配布されるが、インターネット又は他の有線若しくは無線の電気通信システムを介するなど、他の形態でも配布される。
特許請求項又は本明細書において用語「ように適合している」が使用される場合、用語「ように適合している」は、「ように構成される」と等価であるよう意図されることに留意されたい。
請求項における参照符号は、範囲を限定するものとして解釈されるべきではない。
Claims (13)
- 対象者から得たドップラー超音波データに基づいて前記対象者の血管のタイプを識別するためのコンピュータ実装方法であって、前記コンピュータ実装方法は、
前記対象者から得た超音波データを受信するステップと、
前記受信した超音波データから、カラードップラー超音波データを生成するステップと、
前記カラードップラー超音波データから、前記対象者の血管の表現をセグメント化するステップと、
前記セグメント化された血管表現から、パルス波ドップラー超音波データを取得するステップと、
前記パルス波ドップラー超音波データに特徴抽出アルゴリズムを適用することによって、前記セグメント化された血管内の血流の特徴を抽出するステップと、
前記血管のタイプを、前記血流の前記抽出された特徴に基づいて、動脈か、それとも静脈かを識別するステップと
を有し、前記血管のタイプを、前記血流の前記抽出された特徴に基づいて、動脈か、それとも静脈かを識別するステップが、
前記カラードップラー超音波データの取得の間、超音波プローブの向きに関して前記プローブの向きデータを取得するステップと、
前記血管を、プローブの向きデータとカラードップラーデータとの組み合わせに基づいて、動脈か、それとも静脈かを分類するステップと
を更に有する、コンピュータ実装方法。 - 前記セグメント化された血管から、前記パルス波ドップラー超音波データを取得するステップが、
前記カラードップラー超音波データに基づいて、前記血管の中心を識別するステップと、
前記血管の前記中心においてサンプリングボリュームを生成するステップと、
前記サンプリングボリュームから、前記パルス波ドップラー超音波データを得るステップと
を有する、請求項1に記載のコンピュータ実装方法。 - 前記特徴抽出アルゴリズムが、
前記パルス波ドップラー超音波データから、最大周波数エンベロープを抽出するステップと、
前記抽出された最大周波数エンベロープを正規化するステップと、
前記正規化された最大周波数エンベロープの特徴を判断するステップと、
前記正規化された最大周波数エンベロープの前記特徴を、前記血流の特徴として抽出するステップと
を有する、請求項1又は2に記載のコンピュータ実装方法。 - 前記正規化された最大周波数エンベロープの特徴を判断するステップが、前記正規化された最大周波数エンベロープの分布を、複数の柱を含む柱状図を用いて生成するステップを有する、請求項3に記載のコンピュータ実装方法。
- 前記正規化された最大周波数エンベロープの前記特徴が、
エンベロープの歪度、
最大柱比、
柱のエッジロールオフ
のうちの1つ又は複数を含む、請求項4に記載のコンピュータ実装方法。 - 前記血管のタイプを、前記血流の前記抽出された特徴に基づいて、動脈か、それとも静脈かを識別するステップが、前記抽出された特徴に機械学習アルゴリズムを適用するステップを含む、請求項1から5のいずれか一項に記載のコンピュータ実装方法。
- 前記コンピュータ実装方法が、
前記血管の前記識別に基づいて、ガイダンス命令を生成するステップと、
前記ガイダンス命令をユーザに提示するステップと
を更に有する、請求項1から6のいずれか一項に記載のコンピュータ実装方法。 - コンピュータプログラムコード手段を含むコンピュータプログラムであって、前記コンピュータプログラムがコンピュータ上で実行されると、前記コンピュータプログラムコード手段が請求項1から7のいずれか一項に記載のコンピュータ実装方法を実行する、コンピュータプログラム。
- 対象者から得たドップラー超音波データに基づいて前記対象者の血管のタイプを識別するためのプロセッサであって、前記プロセッサは、
超音波プローブによって前記対象者から超音波データを取得することと、
前記受信した超音波データから、カラードップラー超音波データを生成することと、
前記カラードップラー超音波データから、前記対象者の血管の表現をセグメント化することと、
前記セグメント化された血管表現から、パルス波ドップラー超音波データを取得することと、
前記パルス波ドップラー超音波データに特徴抽出アルゴリズムを適用することによって、前記セグメント化された血管内の血流の特徴を抽出することと、
前記血管のタイプを、前記血流の前記抽出された特徴に基づいて、動脈か、それとも静脈かを識別することとを行い、
動脈か静脈化の識別は、
前記カラードップラー超音波データの取得の間、超音波プローブの向きに関して前記プローブの向きデータを取得すること、及び
前記血管を、プローブの向きデータとカラードップラーデータとの組み合わせに基づいて、動脈か、それとも静脈かを分類すること
によって行う、プロセッサ。 - 前記セグメント化された血管から、前記パルス波ドップラー超音波データを取得することを行う場合、前記プロセッサは
前記カラードップラー超音波データに基づいて、前記血管の中心を識別することと、
前記血管の前記中心においてサンプリングボリュームを生成することと、
前記サンプリングボリュームから、前記パルス波ドップラー超音波データを得ることと
を行う、請求項9に記載のプロセッサ。 - 前記特徴抽出アルゴリズムを適用することを行う場合、前記プロセッサが、
前記パルス波ドップラー超音波データから、最大周波数エンベロープを抽出することと、
前記抽出された最大周波数エンベロープを正規化することと、
前記正規化された最大周波数エンベロープの特徴を判断することと、
前記正規化された最大周波数エンベロープの前記特徴を、前記血流の特徴として抽出することと
を行う、請求項9又は10に記載のプロセッサ。 - 請求項9から11のいずれか一項に記載のプロセッサと、
超音波イメージングプローブと
を備え、前記超音波プローブが、超音波パッチを含む、超音波イメージングシステム。 - 前記超音波イメージングシステムが、ディスプレイユニットを更に備え、前記プロセッサが、前記血管のタイプの前記識別に基づいてガイダンス命令を生成することと、前記ディスプレイユニットに前記ガイダンス命令を表示させるための表示命令を生成することとを更に行うか、又は
前記超音波パッチが、ガイダンスインジケータを更に含み、前記プロセッサが、前記血管のタイプの前記識別に基づいてガイダンス命令を生成することと、前記ガイダンス命令をユーザに与えるために前記ガイダンスインジケータを制御することとを更に行う、
請求項12に記載の超音波イメージングシステム。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP20181679.0 | 2020-06-23 | ||
EP20181679.0A EP3928709A1 (en) | 2020-06-23 | 2020-06-23 | Systems and methods for identifying a vessel from ultrasound data |
PCT/EP2021/066165 WO2021259713A1 (en) | 2020-06-23 | 2021-06-16 | Systems and methods for identifying a vessel from ultrasound data |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2023531982A true JP2023531982A (ja) | 2023-07-26 |
JPWO2021259713A5 JPWO2021259713A5 (ja) | 2024-06-21 |
Family
ID=71138556
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022579774A Pending JP2023531982A (ja) | 2020-06-23 | 2021-06-16 | 超音波データから血管を識別するためのシステム及び方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20230285001A1 (ja) |
EP (2) | EP3928709A1 (ja) |
JP (1) | JP2023531982A (ja) |
CN (1) | CN115996673A (ja) |
WO (1) | WO2021259713A1 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114664414B (zh) * | 2022-03-28 | 2024-04-26 | 中国人民解放军总医院第三医学中心 | 血流频谱包络线生成方法及装置、可读存储介质 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6283919B1 (en) | 1996-11-26 | 2001-09-04 | Atl Ultrasound | Ultrasonic diagnostic imaging with blended tissue harmonic signals |
US6458083B1 (en) | 1996-11-26 | 2002-10-01 | Koninklijke Philips Electronics N.V. | Ultrasonic harmonic imaging with adaptive image formation |
US6013032A (en) | 1998-03-13 | 2000-01-11 | Hewlett-Packard Company | Beamforming methods and apparatus for three-dimensional ultrasound imaging using two-dimensional transducer array |
US5997479A (en) | 1998-05-28 | 1999-12-07 | Hewlett-Packard Company | Phased array acoustic systems with intra-group processors |
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 |
US6468216B1 (en) | 2000-08-24 | 2002-10-22 | Kininklijke Philips Electronics N.V. | Ultrasonic diagnostic imaging of the coronary arteries |
US10231694B2 (en) * | 2011-12-16 | 2019-03-19 | Koninklijke Philips N.V. | Automatic blood vessel identification by name |
WO2017108864A1 (en) * | 2015-12-21 | 2017-06-29 | Koninklijke Philips N.V. | A system and a method for estimation of arterial blood gas |
EP3669786A1 (en) * | 2018-12-17 | 2020-06-24 | Koninklijke Philips N.V. | Systems and methods for guided ultrasound data acquisition |
-
2020
- 2020-06-23 EP EP20181679.0A patent/EP3928709A1/en not_active Withdrawn
-
2021
- 2021-06-16 CN CN202180045227.6A patent/CN115996673A/zh active Pending
- 2021-06-16 JP JP2022579774A patent/JP2023531982A/ja active Pending
- 2021-06-16 EP EP21732074.6A patent/EP4167864A1/en active Pending
- 2021-06-16 US US18/009,759 patent/US20230285001A1/en active Pending
- 2021-06-16 WO PCT/EP2021/066165 patent/WO2021259713A1/en unknown
Also Published As
Publication number | Publication date |
---|---|
EP4167864A1 (en) | 2023-04-26 |
EP3928709A1 (en) | 2021-12-29 |
WO2021259713A1 (en) | 2021-12-30 |
CN115996673A (zh) | 2023-04-21 |
US20230285001A1 (en) | 2023-09-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7488272B2 (ja) | 血管からの流れに関するパラメータを導出するための方法及びシステム | |
JP7240415B2 (ja) | 超音波スクリーニングのためのシステム及び方法 | |
JP2023528679A (ja) | 血行動態パラメータを推定する方法 | |
EP3890613B1 (en) | Systems and methods for guided ultrasound data acquisition | |
CN112867444B (zh) | 用于引导对超声图像的采集的系统和方法 | |
WO2020083660A1 (en) | Methods and systems for deriving a parameter relating to flow from a blood vessel | |
JP2023531982A (ja) | 超音波データから血管を識別するためのシステム及び方法 | |
JP2022500136A (ja) | 超音波画像内のツールを追跡するためのシステム及び方法 | |
CN112672696A (zh) | 用于跟踪超声图像中的工具的系统和方法 | |
EP3708088A1 (en) | Methods and systems for deriving a parameter relating to flow from a blood vessel | |
EP4108179A1 (en) | Ultrasound systems and methods for monitoring a valsalva manoeuvre | |
EP4299010A1 (en) | Obtaining ultrasound images of a moving organ | |
US20240000430A1 (en) | Processing ultrasound scan data | |
EP3777695A1 (en) | Systems and methods for guiding the acquisition of ultrasound data | |
US20240029245A1 (en) | Analysing ultrasound image data of the rectus abdominis muscles | |
EP4159139A1 (en) | System and method for segmenting an anatomical structure | |
WO2022268612A1 (en) | Ultrasound systems and methods for monitoring a valsalva manoeuvre | |
WO2024046806A1 (en) | Ultrasound imaging systems and methods | |
WO2023148160A1 (en) | Method and system for performing fetal weight estimations | |
WO2023227488A1 (en) | Processing sequences of ultrasound images | |
WO2023052178A1 (en) | System and method for segmenting an anatomical structure | |
EP4078511A1 (en) | Generating a segmentation confidence map from node variations in a plurality of differently perturbed, model-based anatomical image segmentations |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240613 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20240613 |