JP2023544129A - 組織の区別に基づくｂモード画像のレンダリング - Google Patents
組織の区別に基づくｂモード画像のレンダリング Download PDFInfo
- Publication number
- JP2023544129A JP2023544129A JP2023518994A JP2023518994A JP2023544129A JP 2023544129 A JP2023544129 A JP 2023544129A JP 2023518994 A JP2023518994 A JP 2023518994A JP 2023518994 A JP2023518994 A JP 2023518994A JP 2023544129 A JP2023544129 A JP 2023544129A
- Authority
- JP
- Japan
- Prior art keywords
- voxels
- tissue
- mode
- rendering
- mode image
- 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
- 238000009877 rendering Methods 0.000 title claims description 59
- 230000004069 differentiation Effects 0.000 title 1
- 239000000463 material Substances 0.000 claims abstract description 82
- 238000000034 method Methods 0.000 claims abstract description 81
- 238000003384 imaging method Methods 0.000 claims abstract description 22
- 238000002604 ultrasonography Methods 0.000 claims description 41
- 238000013528 artificial neural network Methods 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 18
- 238000010801 machine learning Methods 0.000 claims description 12
- 238000013473 artificial intelligence Methods 0.000 claims description 6
- 238000005286 illumination Methods 0.000 claims description 6
- 230000001902 propagating effect Effects 0.000 claims 2
- 230000011218 segmentation Effects 0.000 abstract description 15
- 210000001519 tissue Anatomy 0.000 description 120
- 230000015654 memory Effects 0.000 description 30
- 230000006870 function Effects 0.000 description 17
- 238000012545 processing Methods 0.000 description 14
- 239000000523 sample Substances 0.000 description 12
- 230000000875 corresponding effect Effects 0.000 description 10
- 239000010410 layer Substances 0.000 description 10
- 238000005259 measurement Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 210000004185 liver Anatomy 0.000 description 7
- 210000005228 liver tissue Anatomy 0.000 description 7
- 210000003205 muscle Anatomy 0.000 description 7
- 238000010521 absorption reaction Methods 0.000 description 6
- 238000012285 ultrasound imaging Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000003491 array Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000002592 echocardiography Methods 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 239000003086 colorant Substances 0.000 description 3
- 238000002059 diagnostic imaging Methods 0.000 description 3
- 210000003734 kidney Anatomy 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 210000000577 adipose tissue Anatomy 0.000 description 2
- 238000005311 autocorrelation function Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 210000002216 heart Anatomy 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 210000004003 subcutaneous fat Anatomy 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- MCSXGCZMEPXKIW-UHFFFAOYSA-N 3-hydroxy-4-[(4-methyl-2-nitrophenyl)diazenyl]-N-(3-nitrophenyl)naphthalene-2-carboxamide Chemical compound Cc1ccc(N=Nc2c(O)c(cc3ccccc23)C(=O)Nc2cccc(c2)[N+]([O-])=O)c(c1)[N+]([O-])=O MCSXGCZMEPXKIW-UHFFFAOYSA-N 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 241000699670 Mus sp. Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 238000013329 compounding Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002091 elastography Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000002608 intravascular ultrasound Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000001672 ovary Anatomy 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- YIXCPMSISWSKKS-FGCOXFRFSA-N ram-333 Chemical compound C1([C@]23CCN(C)[C@@H]([C@@]2(CCCC3)O)CC1=CC=C1OC)=C1OC1=CC=CC=C1 YIXCPMSISWSKKS-FGCOXFRFSA-N 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
- 239000002356 single layer Substances 0.000 description 1
- 210000000952 spleen Anatomy 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 210000001550 testis Anatomy 0.000 description 1
- 210000001685 thyroid gland Anatomy 0.000 description 1
- 210000004291 uterus Anatomy 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/08—Volume rendering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
-
- 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
- A61B8/5238—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for combining image data of patient, e.g. merging several images from different acquisition modes into one image
- A61B8/5246—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for combining image data of patient, e.g. merging several images from different acquisition modes into one image combining images from the same or different imaging techniques, e.g. color Doppler and B-mode
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/5269—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving detection or reduction of artifacts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/50—Lighting effects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/41—Medical
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2219/00—Indexing scheme for manipulating 3D models or images for computer graphics
- G06T2219/20—Indexing scheme for editing of 3D models
- G06T2219/2012—Colour editing, changing, or manipulating; Use of colour codes
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Computer Graphics (AREA)
- Quality & Reliability (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Animal Behavior & Ethology (AREA)
- Biomedical Technology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Architecture (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
いくつかの例では、Ｂモード画像における組織タイプは、マルチパラメトリック・イメージング及び／又は他のセグメント化技法によって区別される。組織タイプは、色、半透明性、及び反射率などの物質特性をＢモード画像のボクセルに割り当てるために使用される。物質特性は、レンダリングされた画像を生成するために使用される。いくつかの例では、ボクセルに割り当てられた物質特性の１つ又は複数は、マルチパラメータ・イメージング中に獲得された組織パラメータの値に対応する。レンダリングされた画像は、Ｂモード画像とマルチパラメータ・イメージング両方に基づくデータを有する。
Description
[001] 本出願は、グレースケール画像からカラー画像を生成することに関する。より詳細には、本出願は、例えば組織タイプに基づいて強化された、強化されたレンダリングをＢモード超音波画像から生成することに関する。
[002] Ｂモード超音波画像は、数１０年前の導入以来、グレースケール画像を生成するために使用されてきた。それでも、画像処理の進歩が、他の画像診断法で行われてくるにつれて、ユーザは、Ｂモード・イメージングから、色彩豊かな及び／又は現実的な画像を要求し始めてきた。いくつかの用途では、色及び／又は他の可視化の改善は、Ｂモード画像を解釈しやすいものにする。超音波画像の使用が、非専門家（例えば、非放射線医、非音波検査者、経験のない音波検査者）の間で増加するにつれ、より簡単な画像解釈の必要性も増加する。
[003] 本明細書で開示されるように、組織タイプ及び／又は機械的特性に基づく現実的なレンダリング技法が、Ｂモード画像のグレースケール・マッピングの代わりに適用される。組織タイプをより現実的であるように見せる、並びに／又は、組織タイプを区別及び／若しくは解釈しやすいものにする、種々の色及び／又は他の物質特性で、種々の組織タイプ（例えば、筋肉、脂肪、肝臓、腎臓）が表される。いくつかの例では、種々の組織タイプは、マルチパラメトリック・イメージング（例えば、減衰、音の速さ、エラストグラフィ）に基づいて決定される。いくつかの例では、組織タイプを決定するために、ニューラル・ネットワーク、Ｂモード・テクスチャ、及び／又は解剖学的モデルなど、他の又は追加の技法が使用される。色及び／又は他の物質特性は、各組織タイプに対して異なるレンダリング「レシピ」を使用することによって適用される。例えば、脂肪として識別された組織は、脂肪を光沢のない又はつや消しに見せる白色及び物質特性を割り当てられ、健康な肝臓と識別された組織は、肝臓を輝いているように見せる赤色及び物質特性を割り当てられる。
[004] 本明細書で開示された少なくとも１つの例によれば、装置は、画像化されたボリュームのＢモード画像を受信することであって、Ｂモード画像が、画像化されたボリューム内の異なる空間ロケーションにそれぞれが関連付けられ、画像化されたボリューム内の関連付けられた空間ロケーションから受信されたエコー信号の強度に対応する強度値をそれぞれが有する、複数の第１のボクセルを有する、受信することと、複数の第１のボクセルのそれぞれの１つ又は複数の組織パラメータ値を有する組織パラメータ・マップを受信することと、１つ又は複数の物質特性値を複数の第２のボクセルのそれぞれに割り当てることによって、複数の第２のボクセルを有する３Ｄレンダリング・データセットを生成することであって、複数の第２のボクセルのそれぞれに割り当てられた１つ又は複数の物質特性値が、Ｂモード画像のそれぞれの第１のボクセルに関連付けられた強度値に少なくとも部分的に基づき、組織パラメータ・マップから取得されたそれぞれのボクセルに関連付けられた組織パラメータ値に少なくとも部分的にさらに基づく、生成することと、３Ｄレンダリング・データセットから、強化されたＢモード・レンダリングを生成することとを行うように構成された、プロセッサを備える。装置は、強化されたＢモード・レンダリングを表示するように構成されたディスプレイを備える。
[005] 本明細書で開示された少なくとも１つの例によれば、方法は、画像化されたボリュームのＢモード画像を受信することであって、Ｂモード画像が、画像化されたボリューム内の異なる空間ロケーションにそれぞれが関連付けられ、画像化されたボリューム内の関連付けられた空間ロケーションから受信されたエコー信号の強度に対応する強度値をそれぞれが有する、複数の第１のボクセルを有する、受信することと、複数の第１のボクセルのそれぞれの１つ又は複数の組織パラメータ値を有する組織パラメータ・マップを受信することと、３Ｄレンダリング・データセットの複数の第２のボクセルのそれぞれに１つ又は複数の物質特性値を割り当てることであって、複数の第２のボクセルのそれぞれに割り当てられた１つ又は複数の物質特性値が、Ｂモード画像のそれぞれの第１のボクセルに関連付けられた強度値に少なくとも部分的に基づき、組織パラメータ・マップから取得されたそれぞれのボクセルに関連付けられた組織パラメータ値に少なくとも部分的にさらに基づく、割り当てることと、３Ｄレンダリング・データセットから、強化されたＢモード・レンダリングを生成することとを有する。
[006] 本明細書で開示された少なくとも１つの例によれば、方法は、Ｂモード画像の複数の第１のボクセルのうちの個々の１つの組織タイプを決定するためにＢモード画像をセグメント化することと、３Ｄレンダリング・データセットの複数の第２のボクセルのそれぞれに１つ又は複数の物質特性値を割り当てることであって、１つ又は複数の物質特性値が、組織タイプに少なくとも部分的に基づく、割り当てることと、３Ｄレンダリング・データセットから、強化されたＢモード・レンダリングを生成することと、強化されたＢモード・レンダリングをディスプレイに表示することとを有する。
[015] 特定の例示的な例の以下の説明は、本質的に例示にすぎず、本開示又はその用途若しくは使用目的を限定することを少しも意図するものではない。本装置、システム、及び方法の例についての以下の詳細な説明では、本明細書の一部を形成し、説明される装置、システム、及び方法が実践される図固有の例によって示された、添付の図面を参照する。これらの例は、本開示の装置、システム、及び方法を当業者が実践できるように十分詳しく説明されるが、他の例が利用されてもよいこと、並びに、本開示の精神及び範囲から逸脱することなく、構造的及び論理的変更が行われてもよいことを理解されたい。その上、明瞭さのために、特定の特徴の詳細な説明は、当業者に明らかなとき、本開示の説明を不明瞭にしないよう、論じられない。したがって、以下の詳細な説明は、限定的な意味で理解されるべきではなく、本装置、システム、及び方法の範囲は、添付の特許請求の範囲によってのみ、定義される。
[016] Ｋｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓによって開発されたＴｒｕｅＶｕｅシステムなどの、超音波のためのフォトリアリスティック・レンダリング技法が、最近、市販で入手可能になってきた。それでも、既存のフォトリアリスティック・レンダリング技法が、３次元（例えば、ボリューム）データセットに典型的に適用され、組織タイプを区別しない。組織の１つ又は複数のパラメータ（例えば、組織を通る音の速さ、組織内での超音波信号の減衰、剛性）を決定可能な、新しい超音波画像及びデータ分析技法も開発されてきた。それでも、既存のシステムでは、これらのパラメータは、典型的には、Ｂモード画像とは別々に提示されるか、パラメータは、カラー・マッピングされ、Ｂモード画像に単純に被せられる。
[017] 図１は、Ｂモード画像及び対応する組織パラメータ・カラーマップの例を示す。Ｂモード画像１００は、肝臓及び周囲の組織の一部である。組織パラメータ・カラーマップ１０５は、音の速さのマップである。言い換えれば、超音波信号が組織の異なる領域を通って進んだ速さが、異なる色にマッピングされ、表示されている。Ｂモード画像１００では、皮下脂肪層１０２、下にある筋肉層１０４、及び肝臓組織１０６は、異なるテクスチャ及び異なるピクセル強度を提示する。カラーマップ１０５では、皮下脂肪層１０２は、音の速さが遅いことを示す鮮やかな青色であり、筋肉層１０４は、音の速さが速いことを示す深い赤色であり、一方で、肝臓組織１０６は、音の速さがさらに遅いことを示す明るい青色から暗い青色である。色のこれらのはっきりした変化は、組織パラメータ・カラーマップ１０５において、異なる組織タイプをはるかに判別しやすいものにする。それでも、カラーマップ１０５がＢモード画像１００に被せられた場合、Ｂモード画像１００によって提供された構造及びテクスチャ情報は、不明瞭になる。さらに、カラーマップ１０５の解像度は、Ｂモード画像１００の解像度より低いので、組織タイプをピクセル間（又はボクセル間）で正確に相関させることはできない。例えば、原則として、脂肪層１０２は、肝臓組織１０６より音の速さが遅いはずであるが、脂肪層１０２は、カラーマップ１０５では、隣接した筋肉層１０４からの影響を平均することにより、速い速度を持つように見える。
[018] 本開示の例によれば、Ｂモード画像における異なる組織タイプを決定するために、マルチパラメトリック超音波画像が使用される。いくつかの例では、組織タイプを決定するために、ニューラル・ネットワーク、Ｂモード・テクスチャ、及び／又は解剖学的モデルなど、他の又は追加の技法が使用される。異なる組織タイプ（例えば、筋肉、脂肪、肝臓、腎臓）に関連付けられたピクセル又はボクセルは、異なる色及び／又は他の物質特性の値を割り当てられる。値に基づいて、カラーＢモード画像の外見を有するレンダリングが生成される。ボクセルに割り当てられた物質特性は、ボクセルがどのようにレンダリングされるか（例えば、レンダリングにおけるボクセルの外見が物質特性でどのように変化するか）に影響を及ぼす。色及び／又は他の物質特性の値は、組織タイプがより現実的に見えるＢモード画像の生成を可能にする、並びに／又は、組織タイプを区別及び／若しくは解釈しやすいものにする。いくつかの例では、Ｂモード画像及びパラメータ・マップのサイドバイサイド・ビューを要求すること、又はＢモード画像にパラメータ・マップを被せることではなく、Ｂモード画像において複数のパラメータが伝えられる。
[019] 図２は、本開示の原理による、構築された超音波画像システム２００のブロック図を示す。本開示による超音波画像システム２００は、トランスデューサ・アレイ２１４を備えることができ、トランスデューサ・アレイ２１４は、血管内超音波（ＩＶＵＳ）カテーテル・プローブなど、例えば外部プローブ又は内部プローブのような、超音波プローブ２１２に備えられる。他の例では、トランスデューサ・アレイ２１４は、画像化されることになる対象者（例えば、患者）の表面に等角にあてがわれるように構成された柔軟なアレイの形である。トランスデューサ・アレイ２１４は、超音波信号（例えば、ビーム、波）を送信し、送信された超音波信号に応じたエコー（例えば、受信された超音波信号）を受信するように構成される。例えば、直線アレイ、曲線アレイ、又はフェーズド・アレイのような、様々なトランスデューサ・アレイが使用される。トランスデューサ・アレイ２１４は、例えば、２Ｄ及び／又は３Ｄイメージングのために、高度と方位角両方の次元でスキャンする能力があるトランスデューサ素子の（示されたような）２次元アレイを有することができる。一般に知られているように、軸方向は、（軸方向が広がる曲線アレイの場合）アレイの面に垂直な方向であり、方位角の方向は、一般に、アレイの縦の次元で定義され、高度の方向は、方位角の方向を横切る。
[020] いくつかの例では、トランスデューサ・アレイ２１４は、マイクロビーム形成器２１６に連結され、マイクロビーム形成器２１６は、超音波プローブ２１２内にあり、アレイ２１４のトランスデューサ素子による信号の送信及び受信を制御する。いくつかの例では、マイクロビーム形成器２１６は、アレイ２１４の能動素子（例えば、任意の所与の時間における能動的な開口部を定義するアレイの素子の能動的なサブセット）による信号の送信及び受信を制御する。
[021] いくつかの例では、マイクロビーム形成器２１６は、送信／受信（Ｔ／Ｒ）スイッチ２１８に、例えばプローブ・ケーブルによって又はワイヤレスで、連結され、送信／受信（Ｔ／Ｒ）スイッチ２１８は、送信と受信を切り替え、高エネルギー送信信号からメイン・ビーム形成器２２２を保護する。いくつかの例では、例えばポータブル超音波システムでは、Ｔ／Ｒスイッチ２１８、及びシステムの他の要素は、画像処理電子機器を収納する超音波システム・ベースではなく、超音波プローブ２１２に備えられることが可能である。超音波システム・ベースは、典型的には、信号処理及び画像データ生成のための回路機器、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有する、ソフトウェア及びハードウェア構成要素を有する。
[022] マイクロビーム形成器２１６の制御下でのトランスデューサ・アレイ２１４からの超音波信号の送信は、送信コントローラ２２０によって指図され、送信コントローラ２２０は、Ｔ／Ｒスイッチ２１８及びメイン・ビーム形成器２２２に連結される。送信コントローラ２２０は、ビームが誘導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２１４からまっすぐに（トランスデューサ・アレイ２１４に直角）、又は、より広い視野のために異なる角度で、誘導される。送信コントローラ２２０は、さらに、ユーザ・インターフェース２２４に連結され、ユーザ入力デバイスのユーザの動作（例えば、ユーザ制御）からの入力を受信する。ユーザ・インターフェース２２４は、制御パネル２５２など、１つ又は複数の入力デバイスを含むことができ、制御パネル２５２は、１つ又は複数の機械制御（例えば、ボタン、スライダ、等）、タッチ・センサ制御（例えば、トラックパッド、タッチスクリーン、若しくは同様のもの）、及び／又は、他の既知の入力デバイスを含む。
[023] いくつかの例では、マイクロビーム形成器２１６によって生み出された部分的にビーム形成された信号は、メイン・ビーム形成器２２２に連結され、メイン・ビーム形成器２２２において、トランスデューサ素子の個々のパッチからの部分的にビーム形成された信号が、完全にビーム形成された信号に結合される。いくつかの例では、マイクロビーム形成器２１６は省略される。これらの例では、トランスデューサ・アレイ２１４は、メイン・ビーム形成器２２２の制御下にあり、メイン・ビーム形成器２２２は、信号の全てのビーム形成を実施する。例では、マイクロビーム形成器２１６の有無にかかわらず、メイン・ビーム形成器２２２のビーム形成された信号は、処理回路機器２５０に連結され、処理回路機器２５０は、ビーム形成された信号（すなわち、ビーム形成されたＲＦデータ）から超音波画像を生み出すように構成された、１つ又は複数のプロセッサ（例えば、信号プロセッサ２２６、Ｂモード・プロセッサ２２８、ドップラー・プロセッサ２６０、並びに、１つ又は複数の画像生成及び処理構成要素２６８）を備えることができる。
[024] 信号プロセッサ２２６は、帯域通過フィルタリング、デシメーション、Ｉ及びＱ成分分離、並びに調和信号分離などの様々な方式で、受信されたビーム形成されたＲＦデータを処理するように構成される。信号プロセッサ２２６は、さらに、スペックル低減、信号コンパウンディング、及び電子ノイズ除去など、追加の信号強化を実施する。処理された信号（Ｉ及びＱ成分又はＩＱ信号と呼ばれることもある）は、画像生成のための追加の下流の信号処理回路に連結される。ＩＱ信号は、システム内の複数の信号経路に連結され、信号経路のそれぞれは、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）を生成するのに適した信号処理構成要素の固有の配置に関連付けられる。例えば、システムは、Ｂモード画像データを生み出すために、信号プロセッサ２２６からＢモード・プロセッサ２２８に信号を連結するＢモード信号経路２５８を有することができる。
[025] Ｂモード・プロセッサ２２８は、体の構造の画像化のために振幅検出を採用することができる。Ｂモード・プロセッサ２２８は、組織画像及び／又はコントラスト画像のための信号を生成する。Ｂモード・プロセッサ２２８によって生み出された信号は、スキャン・コンバータ２３０及び／又はマルチプラナー・リフォーマッタ２３２に連結される。スキャン・コンバータ２３０は、エコー信号が受信された空間的な関係から所望の画像フォーマットにエコー信号を配置するように構成される。例えば、スキャン・コンバータ２３０は、２次元（２Ｄ）セクタ形状のフォーマット、又は角錐若しくはそうでなければ、形作られた３次元（３Ｄ）フォーマットに、エコー信号を配置する。
[026] いくつかの例では、システムは、信号プロセッサ２２６からの出力をドップラー・プロセッサ２６０に連結するドップラー信号経路２６２を有することができる。ドップラー・プロセッサ２６０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ように構成される。ドップラー画像データは、色データを含むことができ、色データは、次いで、表示のために、Ｂモード（すなわちグレースケール）画像データを被せられる。ドップラー・プロセッサ２６０は、例えばウォール・フィルタを使用して、不要な信号（すなわち、動いていない組織に関連付けられたノイズ又は擾乱）を取り除くように構成される。ドップラー・プロセッサ２６０は、既知の技法に従って速度及びパワーを推定するようにさらに構成される。例えば、ドップラー・プロセッサは、自動相関器などのドップラー推定器を備え、速度（ドップラー周波数）推定は、ラグワン自己相関機能（例えば、Ｒ１）の論拠に基づき、ドップラー・パワー推定は、ラグゼロ自己相関機能（例えば、Ｒ０）の規模に基づく。速度推定は、カラー・ドップラー・データと呼ばれ、パワー推定は、パワー・ドップラー・データと呼ばれる。既知の位相ドメイン（例えば、ＭＵＳＩＣ、ＥＳＰＲＩＴなどの、パラメトリック周波数推定器）、又は時間ドメイン（例えば、相互相関）信号処理技法によって、動きも推定されることが可能である。加速度又は時間及び／若しくは空間速度の派生語の推定器など、速度の時間又は空間的分散に関する他の推定器が、速度推定器の代わりに又は追加として、使用されることが可能である。いくつかの例では、速度及びパワー推定（例えば、カラー及びパワー・ドップラー・データ）は、ノイズをさらに低減させるためのさらなる閾値検出、並びに、充填（ｆｉｌｌｉｎｇ）及び平滑化などのセグメント化及び後処理を受ける。速度及び／又はパワー推定は、次いで、１つ又は複数の色及び／又は強度マップに従って、ディスプレイの色及び／又は強度の所望の範囲にマッピングされる。マップ・データは、ドップラー画像データとも呼ばれ、次いで、スキャン・コンバータ２３０に連結され、スキャン・コンバータ２３０において、ドップラー画像データが所望の画像フォーマットにコンバートされ、カラー・ドップラー又はパワー・ドップラー画像を形成する。
[027] いくつかの実施形態では、システム２００は、組織パラメータ測定値を生み出すために、信号プロセッサ２２６からの信号をパラメータ・プロセッサ２６６に連結するパラメータ・イメージング信号経路２６４を含むことができる。パラメータ・プロセッサ２６６は、１つ又は複数のタイプの組織パラメータ測定値を生み出す。いくつかの例では、組織パラメータ測定値は、Ｂモード及び／又はドップラー画像に被せられるマップ（例えば、剛性マップ、音の速さマップ）を生成するために、ピクセル又はボクセルのカラー及び／又は強度値にマッピングされる。いくつかの例では、スキャン・コンバータ２３０は、組織パラメータ測定値を、Ｂモード及び／又はドップラー画像と適合させる。
[028] マルチプラナー・リフォーマッタ２３２は、体の体積測定領域における共通平面（例えば、スライス）のポイントから受信されたエコーを、例えば、米国特許第６，４４３，８９６号（Ｄｅｔｍｅｒ）で説明されるような、この平面の超音波画像（例えば、Ｂモード画像）にコンバートすることができる。いくつかの例では、ユーザ・インターフェース２２４は、複数のマルチプラナー・リフォーマット（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２３２に連結される。言い換えれば、ユーザは、２Ｄ画像を生成することになるボリューム内の所望の平面を選択する。いくつかの例では、ボリューム内の平面のロケーション及び／又は向きを選択することに加えて、ユーザは、平面の厚さも選択する。いくつかの例では、マルチプラナー・リフォーマッタ２３２の平面データは、ボリューム・レンダラ２３４に提供される。
[029] ボリューム・レンダラ２３４は、例えば米国特許第６，５３０，８８５号（Ｅｎｔｒｅｋｉｎら）で説明されるような、所与の基準点から眺められるような、３Ｄデータセットの画像（投影、３Ｄシーン、又はレンダリングとも呼ばれる）を生成する。いくつかの例では、ボリューム・レンダラ２３４によって生成された画像は、ボクセルを有するボリューム（例えば、３Ｄデータセット）に基づくが、ボリューム・レンダラ２３４によってレンダリングされた最終的な画像は、ピクセルを有する２Ｄデータセット（例えば、２Ｄ画像）である。２Ｄ画像は、次いで、従来のディスプレイ（例えば、液晶ディスプレイ）に表示される。
[030] 本開示の例によれば、ボリューム・レンダラ２３４は、スキャン・コンバータ２３０及び／又はマルチプラナー・リフォーマッタ２３２からの２Ｄ及び／又は３Ｄ Ｂモード画像を受信する。２Ｄ画像は、強度値を有するピクセルを有する２Ｄデータセットを有する。３Ｄ画像は、強度値を有するボクセルを有する３Ｄデータセットを有する。いくつかの例では、ボリューム・レンダラ２３４は、２０２０年８月２０日に提出された、「ＲＥＮＤＥＲＩＮＧ ＯＦ ＴＷＯ ＤＩＭＥＮＳＩＯＮＡＬ ＤＡＴＡ ＳＥＴＳ」という題の、欧州特許出願第２０２９００６２．７号でより詳しく説明されるように、２Ｄデータセットを３Ｄデータセットに変換する。他の例では、ボリューム・レンダラ２３４は、２Ｄデータセットを、ピクセルの強度値に対応する強度値を有する単一層のボクセルに変換する。ボリューム・レンダラ２３４は、スキャン・コンバータ２３０及び／又はマルチプラナー・リフォーマッタ２３２から、２Ｄ又は３Ｄ画像に対応する組織パラメータ測定値を受信する。いくつかの例では、ボリューム・レンダラ２３４は、組織パラメータ測定値に少なくとも部分的に基づいて、物質特性（例えば、色、吸収、散乱）を、３Ｄデータセット内の各ボクセルに割り当てる。ボリューム・レンダラ２３４は、ボクセルに割り当てられた物質特性に少なくとも部分的に基づいて、レンダリング（例えば、強化されたＢモード・レンダリング）を生成する。ボリューム・レンダラ２３４は、いくつかの例においてレンダリングされた画像を生成したときの少なくとも１つの光源をシミュレートする。
[031] いくつかの例では、ボリューム・レンダラ２３４は、組織タイプを区別するために、Ｂモード・テクスチャ分析、解剖学的モデル、及び／又は、人工知能／機械学習（例えば、ニューラル・ネットワーク）などの他のセグメント化技法を適用する。ボリューム・レンダラ２３４は、他のセグメント化技法によって決定された組織タイプに少なくとも部分的に基づいて、物質特性をボクセルに割り当てる。いくつかのケースでは、他のセグメント化技法が使用されるとき、ボリューム・レンダラ２３４は、組織パラメータ測定値を使用しない、及び／又は、パラメータ・プロセッサ２６６は省略される。いくつかのケースでは、物質特性をボクセルに割り当てるために、組織パラメータ測定値を補足及び／又は強化するために、他のセグメント化技法が使用される。例えば、組織パラメータ測定値の解像度は、Ｂモード画像の解像度により近くマッチするように増加される。
[032] スキャン・コンバータ２３０（例えば、Ｂモード画像、ドップラー画像）、マルチプラナー・リフォーマッタ２３２、及び／又はボリューム・レンダラ２３４からの出力（例えば、レンダリング、３Ｄシーン）は、画像ディスプレイ２３８に表示される前に、さらなる強化、バッファリング、及び一時記憶のために画像プロセッサ２３６に連結される。いくつかの例では、ドップラー画像は、表示のために、スキャン・コンバータ２３０及び／又は画像プロセッサ２３６によって、組織構造のＢモード画像に被せられる。
[033] グラフィックス・プロセッサ２４０は、画像で表示するためのグラフィック・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、例えば、患者名、画像の日時、画像化パラメータ、及び同様のものなどの、標準的な識別情報を有する。これらのために、グラフィックス・プロセッサ２４０は、タイプされた患者名又は他の注釈など、ユーザ・インターフェース２２４からの入力を受信するように構成される。
[034] システム２００は、ローカル・メモリ２４２を含む。ローカル・メモリ２４２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）として提供される。ローカル・メモリ２４２は、画像、解剖学的モデル、レンダリング「レシピ」、実行可能命令、ユーザ・インターフェース２２４を介してユーザによって提供される入力、又は、システム２００の動作に必要な任意の他の情報を含む、システム２００によって生成されたデータを格納する。
[035] 前述のように、システム２００は、ユーザ・インターフェース２２４を備える。ユーザ・インターフェース２２４は、ディスプレイ２３８及び制御パネル２５２を含む。ディスプレイ２３８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提供された表示デバイスを含む。いくつかの例では、ディスプレイ２３８は、複数のディスプレイを備える。制御パネル２５２は、ユーザ入力（例えば、所望の画像平面、所望の光源、等）を受信するように構成される。制御パネル２５２は、１つ又は複数のハード制御（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、又はその他）を含む。いくつかの例では、制御パネル２５２は、追加又は代替として、タッチ・センサ・ディスプレイ上で提供されるソフト制御（例えば、ＧＵＩ制御要素、又は単に、ＧＵＩ制御）を含む。いくつかの例では、ディスプレイ２３８は、制御パネル２５２の１つ又は複数のソフト制御を含むタッチ・センサ・ディスプレイである。
[036] いくつかの例では、図２に示された様々な構成要素が組み合わされる。例えば、画像プロセッサ２３６とグラフィックス・プロセッサ２４０が、単一のプロセッサとして提供される。別の例では、ドップラー・プロセッサ２６０とＢモード・プロセッサ２２８が、単一のプロセッサとして提供される。いくつかの例では、図２に示された様々な構成要素は、別々の構成要素として提供される。例えば、信号プロセッサ２２６は、各イメージング・モード（例えば、Ｂモード、ドップラー）のための別々の信号プロセッサとして提供される。いくつかの例では、図２に示された様々なプロセッサの１つ又は複数が、指定のタスクを実施するように構成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提供される。いくつかの例では、様々なプロセッサの１つ又は複数が、アプリケーション固有回路として提供される。いくつかの例では、様々なプロセッサの１つ又は複数（例えば、画像プロセッサ２３６）が、１つ又は複数のグラフィカル処理ユニット（ＧＰＵ）で提供される。
[037] 図３は、本開示の原理による、実例のプロセッサ３００を示すブロック図である。プロセッサ３００は、例えば、図２に示された画像プロセッサ２３６のような、本明細書で説明される１つ又は複数のプロセッサを提供するために使用される。プロセッサ３００は、マイクロプロセッサ、マイクロコントローラ、デジタル・シグナル・プロセッサ（ＤＳＰ）、プロセッサを形成するようにプログラムされたフィールド・プログラマブル・アレイ（ＦＰＧＡ）、グラフィカル処理ユニット（ＧＰＵ）、プロセッサを形成するようにデザインされた特定用途向け集積回路（ＡＳＩＣ）、又は、その組合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・タイプである。
[038] プロセッサ３００は、１つ又は複数のコア３０２を備える。コア３０２は、１つ又は複数の算術論理演算装置（ＡＬＵ）３０４を備える。いくつかの例では、コア３０２は、ＡＬＵ３０４の追加又は代替として、浮動小数点論理ユニット（ＦＰＬＵ）３０６及び／又はデジタル信号処理ユニット（ＤＳＰＵ）３０８を備える。
[039] プロセッサ３００は、コア３０２に通信連結された１つ又は複数のレジスタ３１２を備える。レジスタ３１２は、専用論理ゲート回路（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提供される。いくつかの例では、レジスタ３１２は、スタティック・メモリを使用して提供される。レジスタは、データ、命令、及びアドレスをコア３０２に提供する。
[040] いくつかの例では、プロセッサ３００は、コア３０２に通信連結された１つ又は複数のレベルのキャッシュ・メモリ３１０を含む。キャッシュ・メモリ３１０は、実行のために、コンピュータ可読命令をコア３０２に提供する。キャッシュ・メモリ３１０は、コア３０２で処理するためのデータを提供する。いくつかの例では、コンピュータ可読命令は、例えば、外部バス３１６に取り付けられたローカル・メモリのような、ローカル・メモリによってキャッシュ・メモリ３１０に提供される。キャッシュ・メモリ３１０は、例えば、スタティック・ランダム・アクセス・メモリ（ＳＲＡＭ）などの金属酸化膜半導体（ＭＯＳ）メモリ、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技術のような、任意の適切なキャッシュ・メモリ・タイプで提供される。
[041] プロセッサ３００は、コントローラ３１４を含み、コントローラ３１４は、システムに備えられた他のプロセッサ及び／若しくは構成要素（例えば、図２に示された制御パネル２５２及びスキャン・コンバータ２３０）からのプロセッサ３００への入力、並びに／又は、システムに備えられた他のプロセッサ及び／若しくは構成要素（例えば、図２に示されたディスプレイ２３８及びボリューム・レンダラ２３４）へのプロセッサ３００からの出力を制御する。コントローラ３１４は、ＡＬＵ３０４、ＦＰＬＵ３０６、及び／又はＤＳＰＵ３０８におけるデータ経路を制御する。コントローラ３１４は、１つ又は複数の状態機械、データ経路、及び／又は専用制御ロジックとして提供される。コントローラ３１４のゲートは、スタンドアロン・ゲート、ＦＰＧＡ、ＡＳＩＣ、又は任意の他の適切な技術として提供される。
[042] レジスタ３１２及びキャッシュ・メモリ３１０は、内部接続３２０Ａ、３２０Ｂ、３２０Ｃ、及び３２０Ｄを介して、コントローラ３１４及びコア３０２と通信する。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提供される。
[043] プロセッサ３００への入力及び出力は、バス３１６を介して提供され、バス３１６は、１つ又は複数の伝導線を備える。バス３１６は、例えば、コントローラ３１４、キャッシュ・メモリ３１０、及び／又はレジスタ３１２のような、プロセッサ３００の１つ又は複数の構成要素に通信連結される。バス３１６は、前述のディスプレイ２３８及び制御パネル２５２など、システムの１つ又は複数の構成要素に連結される。
[044] バス３１６は、１つ又は複数の外部メモリに連結される。外部メモリは、リード・オンリ・メモリ（ＲＯＭ）３３２を含む。ＲＯＭ３３２は、マスクＲＯＭ、電子的プログラマブル・リード・オンリ・メモリ（ＥＰＲＯＭ）、又は任意の他の適切な技術である。外部メモリは、ランダム・アクセス・メモリ（ＲＡＭ）３３３を含む。ＲＡＭ３３３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る。外部メモリは、電気的消去可能プログラマブル・リード・オンリ・メモリ（ＥＥＰＲＯＭ）３３５を含む。外部メモリは、フラッシュ・メモリ３３４を含む。外部メモリは、ディスク３３６などの磁気ストレージ・デバイスを含む。いくつかの例では、外部メモリは、例えばローカル・メモリ２４２のような、図２に示された超音波画像システム２００などのシステムに備えられる。
[045] 本開示の例によるＢモード・イメージング及び／又はマルチパラメトリック・イメージングからレンダリングを生成するために、ボリューム・レンダラ２３４などのボリューム・レンダラによって実施される機能が、これから、以下の図を参照しながら、より詳しく説明される。
[046] 図４は、本開示の例による、Ｂモード及びマルチパラメトリック・イメージングからレンダリングを生成するプロセスのグラフィカル表現を示し、プロセスは、超音波画像システム２００の、ボリューム・レンダード２３４、画像プロセッサ２３６、又はその組合せなど、プロセッサの１つ又は複数で提供又は具体化される。ボリュームＢモード画像４０２及びボリューム組織パラメータ・マップ４０４は、プロセッサ（例えば、ボリューム・レンダラ２３４）によって受信される。図４に示された例では、Ｂモード画像４０２と組織パラメータ・マップ４０４の両方が、３Ｄデータセットである。いくつかの例では、データセットは、図２を参照しながら説明されたような、３Ｄデータセットにコンバートされた２Ｄデータセットであった。いくつかの例では、データセットは、本来、３Ｄデータセットであった。いくつかの例では、Ｂモード画像４０２は、ボクセルに割り当てられた強度値Ｉ（ｘ，ｙ，ｚ）のボリューム・データセットを有する。強度値は、ボクセルに関連付けられた画像化されたボリューム内の空間ロケーションから受信されたエコー信号の強度に対応する。各ボクセルは、画像化されたボリューム内の異なる空間ロケーションに対応する。組織パラメータ・マップ４０４は、組織パラメータ値Ｐ（ｘ，ｙ，ｚ）のボリューム・データセットを有する。いくつかの例では、組織パラメータ・マップ４０４は、データセットの各ボクセルのための複数のパラメータ（例えば、密度、音の速度、減衰）の値を有する。各ボクセルは、スキャンされたボリューム内の異なる空間ロケーションに対応する。いくつかの例では、Ｂモード画像４０２と組織パラメータ・マップ４０４のボクセルの間に１対１の対応関係がある。
[047] いくつかの例では、Ｂモード画像４０２及び組織パラメータ・マップ４０４は、対象者の同じボリュームから獲得されたものである。Ｂモード画像４０２及び組織パラメータ・マップ４０４は、同じ獲得中に獲得されたものである。言い換えれば、Ｂモード画像４０２及び組織パラメータ・マップ４０４は、トランスデューサ・アレイ（例えば、トランスデューサ・アレイ２１４）によって受信されたエコーに基づく信号から生成されたものであり、ここで、エコーは、送信された超音波信号の同じセットに応答したものである。他の例では、Ｂモード画像４０２及び組織パラメータ・マップ４０４は、異なる獲得中に獲得されたものである。例えば、これは、関心のある組織パラメータの１つ又は複数が、Ｂモード信号とは異なる獲得設定（例えば、異なる周波数、パルス幅、パルス持続期間、等）を必要とするときに発生する。
[048] プロセッサは、Ｂモード画像４０２及び組織パラメータ・マップ４０４に基づいて、１つ又は複数の物質特性をボクセル４０６に割り当てることによって、ボクセル４０６を有する３Ｄレンダリング・データセットを生成する。いくつかの例では、Ｂモード画像４０２のあらゆるボクセルに対応するボクセル４０６がある。
[049] いくつかの例では、ボックス４０８に示されるように、プロセッサは、Ｂモード画像４０２及び／又は組織パラメータ・マップ４０４の関数に基づいて、１つ又は複数の物質特性の値を割り当てる。例えば、物質特性は、強度Ｉ及び／又は組織パラメータ値Ｐの関数である。示された例では、吸収Ａ及び散乱Ｓという２つの物質特性が示されているが、他の例では、より多くの又は少ない物質特性に値を割り当ててもよい。例を続けると、吸収は、Ｂモード画像４０２からの強度と、組織パラメータ・マップ４０４からの組織パラメータ値両方の関数に基づき、散乱は、組織パラメータ・マップ４０４からの組織パラメータ値の関数に基づく。それでも、これは、例としてのみ提供され、他の例では、全ての物質特性が、Ｂモード画像４０２と組織パラメータ・マップ４０４両方の関数であるか、いくつかの物質特性が、Ｂモード画像４０２の単に関数である。いくつかの例では、物質特性は、強度及び／又は組織パラメータ値に基づく伝達関数によって定義される。
[050] いくつかの例では、ボックス４１０に示されているように、プロセッサは、各ボクセル４０６における組織タイプを決定するために、組織パラメータ・マップ４０４からの組織パラメータ値を分析する。いくつかの例では、組織パラメータ値は、組織タイプを決定するためにテーブルと比較される。プロセッサ（例えば、ボリューム・レンダラ２３４）によってアクセスされる組織パラメータ・テーブル５００の例が、図５に示されている。いくつかの例では、Ｂモード画像４０２は、さらに、組織タイプを決定するために分析される。組織タイプが決定されると、プロセッサは、特定の組織タイプのプロファイルに基づいて物質特性値を割り当てる。プロファイルによって、組織タイプの、ボクセルに割り当てられた物質特性４０６が、組織パラメータに基づいて（例えば、ボックス４０８を参照しながら説明されたように）直接的に計算されるのではなく、予め定義されることを意味する。図４に示された例では、プロファイルは、吸収及び散乱の値を有する。当然、より少ない又は追加の物質特性が、プロファイルに含まれる。さらに、３つの組織タイプしかボックス４１０に示されていないが、より多くの又は少ない組織タイプのプロファイルが含まれてもよい。
[051] （例えば、ボックス４１０に示されるような）所定のプロファイルに基づくのではなく、（例えば、ボックス４０８に示されているような）強度及び／又は組織パラメータの関数に基づいて物質特性を適用することは、強化されたレンダリング、及び、画像化される解剖学的構造についての情報（例えば、Ｂモード画像データ）で、１つ又は複数の組織パラメータ（例えば、剛性、減衰）が伝えられることになるときのいくつかの用途で好まれる。例えば、物質特性は、脂肪組織が肝臓組織とは異なる色でレンダリングされるように割り当てられ、これは、ユーザが脂肪組織を肝臓組織と区別するのを容易にする。同じ例では、肝臓組織に関連付けられたボクセルは、さらに、測定された剛性値に基づいて、異なる強度値及び／又は「明るさ」値を割り当てられる。したがって、肝臓組織のボクセルは同じ色を有するが、肝臓の異なる部分が、剛性値に少なくとも部分的に基づいて、より薄暗く及び／又はくすんで見える。それでも、ボックス４１０を参照しながら説明されたように、組織タイプに基づいて所定のプロファイルを適用することは、計算能力をあまり使用せず、及び／又は、実際の組織パラメータ値がユーザにとって関心がないかそれに近いものであるとき、無関係な情報によるユーザの混乱を回避する。
[052] いくつかの例では、物質特性の値は、所定のプロファイルと、強度及び／又は組織パラメータの関数との組合せに基づいて割り当てられる。例えば、ボクセル４０６の組織タイプは、強度及び／又は組織パラメータに基づいて決定される。組織タイプに基づいて、物質特性の対応するプロファイルは、物質特性のうちのいくつかの値を割り当てるために使用される。それでも、物質特性の１つ又は複数は、所定の値を有しておらず、強度及び／又は組織パラメータ値の関数に基づいて割り当てられる。いくつかの例では、物質特性の使用のための関数は、組織タイプのプロファイルに格納される。
[053] 物質特性がボクセル４０６に割り当てられると、プロセッサ（例えば、ボリューム・レンダラ２４３）は、ボクセル４０６からレンダリング４１２を生成する。いくつかの例では、レンダリング４１２は、ディスプレイ２３８などのディスプレイ上で示される。図８を参照しながらより詳しく説明されるように、プロセッサは、いくつかの例では、２ステップ・レンダリング・プロセスを使用して、レンダリング４１２を生成する。図４に示された例では、Ｂモード画像４０２は、区間の一部のものであり、組織パラメータ・マップ４０４は、組織内の対応する音の速さの値を示す。レンダリング４１２では、脂肪４１４の上層と筋肉４１６の下層は、Ｂモード画像４０２より容易に判別されることが可能である。それでも、組織パラメータ・マップ４０４をＢモード画像４０２に単に被せるときと違って、Ｂモード画像４０２の詳細は、レンダリング４１２において失われない。
[054] 図６は、本開示の例による、Ｂモード・イメージングからレンダリングを生成するプロセスのグラフィカル表現を示す。ボリュームＢモード画像６０２は、プロセッサ（例えば、ボリューム・レンダラ２３４）によって受信される。いくつかの例では、及びボリューム組織パラメータ・マップ６０４は、さらに、プロセッサによって受信される。Ｂモード画像６０２及び組織パラメータ・マップ６０４は、Ｂモード画像４０２及び組織パラメータ・マップ４０４と実質的に同じである。
[055] 図６に示された例では、プロセッサ（例えば、ボリューム・レンダラ２３４、画像プロセッサ、又は、その別の若しくは任意の組合せ）は、Ｂモード画像６０２及び／又は組織パラメータ・マップ６０４に１つ又は複数の画像セグメント化技法を適用して、各ボクセルに割り当てるための物質特性を決定する。ボックス６２０に示されるように、プロセッサは、物質特性を決定するために、ニューラル・ネットワークを提供するか、ニューラル・ネットワークと通信する。それでも、他の人工知能又は機械学習技法が使用される。セグメント化を実施するためのＡＩ／機械学習モデルの訓練が、図７を参照してより詳しく説明される。エッジ検出、Ｂモード・テクスチャ分析、及び／又は解剖モデリング（これらの例は、米国特許第７，９５７，５７２号で見つかる）などの、他の非ＡＩ／機械学習技法も使用される。これらの他の技法は、ＡＩ／機械学習技法の代わりに又は追加として使用される。セグメント化に基づいて、プロセッサは、次いで、１つ又は複数の物質特性を、ボリューム・データセットのボクセル６０６に割り当てる。いくつかの例では、ボリューム・データセットは、Ｂモード画像６０２のあらゆるボクセルに対応するボクセルを有する。
[056] いくつかの例では、ボックス６０８に示されているように、プロセッサ（例えば、ボリューム・レンダラ２３４）は、図４に示されたボックス４０８を参照しながら説明された例と同様の、使用されるセグメント化技法の機能に基づいて、１つ又は複数の物質特性の値を割り当てる。示された例では、吸収Ａ及び散乱Ｓという２つの物質特性が示されているが、他の例では、より多くの又は少ない物質特性に値が割り当てられてもよい。例えば、ボックス６２０で実施されるニューラル・ネットワーク又は他のセグメント化技法の出力は、各ボクセル６０６の物質特性値のセットである。いくつかの例では、ボックス６１０に示されているように、セグメント化は、各ボクセル６０６における組織タイプを決定する。例えば、機械学習モデルの出力は、各ボクセル６０６の組織タイプである。組織タイプが決定されると、プロセッサは、図４に示されたボックス４１０を参照しながら説明された例と同様の、物質特性の組織タイプ固有のプロファイルをボクセル６０６に適用する。いくつかの例では、物質特性の値は、所定のプロファイルと、ボックス６２０に示されたセグメント化からの出力との組合せに基づいて割り当てられる。例えば、ボクセル６０６の組織タイプは、セグメント化に基づいて決定される。組織タイプに基づいて、物質特性の対応するプロファイルが、物質特性のうちのいくつかの値を割り当てるために使用される。それでも、物質特性の１つ又は複数は、所定の値を有しておらず、ボックス６２０に示されたセグメント化の別々の出力に基づいて割り当てられる。物質特性がボクセル６０６に割り当てられると、ボリューム・レンダラは、図４を参照しながら説明されたのと同じ様式で、ボクセル６０６から強化されたＢモード・レンダリング６１２を生成する。
[057] 図６を参照して説明されたものなどの、いくつかの例では、画像セグメント化を実施するために、プロセッサ（例えば、ボリューム・レンダラ２３４）は、任意の１つ又は複数の機械学習モデル、人工知能アルゴリズム、及び／又はニューラル・ネットワークを有する。いくつかの例では、プロセッサ（例えば、ボリューム・レンダラ２３４、画像プロセッサ２３６、若しくは別のプロセッサ、又はその組合せ）は、ボクセルの物質特性を決定するため、及び／又はボクセルの組織タイプを決定するために、ディープ・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）、回帰型ニューラル・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、又は同様のものを有する。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（例えば、ニューロンが、物理的な構成要素で表される）、及び／又は、ソフトウェア（例えば、ニューロン及び経路が、ソフトウェア・アプリケーションで実装される）構成要素で実装される。本開示に従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、所望の出力を生み出すようにモデル及び／又はニューラル・ネットワークを訓練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する。例えば、命令を実行するように構成されたプロセッサ（例えば、シングル又はマルチコアＣＰＵ、シングルＧＰＵ若しくはＧＰＵクラスタ、又は平行処理のために配置された複数のプロセッサ）を使用して、ソフトウェアベースのニューラル・ネットワークが実装され、命令は、コンピュータ可読媒体に格納され、実行されると、ボクセルの物質特性を決定するため、及び／又はボクセルの組織タイプを決定するために、訓練済みアルゴリズムをプロセッサに実施させる。いくつかの実施形態では、プロセッサ（例えば、ボリューム・レンダラ）は、他の画像処理方法（例えば、セグメント化、ヒストグラム分析）と組み合わせて、モデル及び／又はニューラル・ネットワークを実装する。
[058] 様々な例では、モデル及び／又はニューラル・ネットワークは、超音波画像、測定値、及び／又は統計の形で入力データを分析するように構成された、モデル及び／又はニューラル・ネットワーク（例えば、訓練済みアルゴリズム、伝達関数、又は、ノードのハードウェアベースのシステム）を取得するために、様々な現在既知の又は後に開発される学習技法のいずれかを使用して訓練される。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、静的に訓練される。すなわち、モデル及び／又はニューラル・ネットワークは、データセットを用いて訓練され、次いで、例えば、ボリューム・レンダラ２３４などのプロセッサのような、超音波システム（例えば、システム２００）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、動的に訓練される。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、初期のデータセットを用いて訓練され、超音波システムに導入される。それでも、モデル及び／又はニューラル・ネットワークは、超音波システムにモデル及び／又はニューラル・ネットワークを導入した後、超音波システムによって獲得された超音波画像に基づいて訓練し続け、修正される。
[059] 図７は、本開示の例による、モデルの訓練及び導入のためのプロセスのブロック図を示す。図７に示されたプロセスは、超音波システムのプロセッサ（例えば、ボリューム・レンダラ２３４）によって実装されたモデル（例えば、人工知能、機械学習、深層学習）を訓練するために使用される。例えば、図７に示されたプロセスは、図６のブロック６２０に示されているように、画像をセグメント化するために使用されるモデルを訓練するために使用される。
[060] 図７の左側のフェーズ１は、モデルの訓練を示す。モデルを訓練するために、モデルの訓練アルゴリズム（例えば、Ｋｒｉｚｈｅｖｓｋｙ，Ａ．、Ｓｕｔｓｋｅｖｅｒ，Ｉ．、及びＨｉｎｔｏｎ，Ｇ．Ｅ．「ＩｍａｇｅＮｅｔ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｗｉｔｈ Ｄｅｅｐ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ」、ＮＩＰＳ２０１２又はその後継によって説明されたような、ＡｌｅｘＮｅｔ訓練アルゴリズム）に、入力アレイ及び出力分類の複数のインスタンスを含む訓練セットが提示される。訓練は、スタート・アルゴリズム及び／又はネットワーク・アーキテクチャ７１２の選択、並びに訓練データ７１４の準備を伴う。スタート・アーキテクチャ７１２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を有するが、以前に訓練された重みが何もないアーキテクチャ、セットされた数の回帰係数の有無にかかわらない定義されたアルゴリズム）であるか、超音波データの分析のためにその後さらに作られたインセプション・ネットワークなどの部分的に訓練されたモデルである。スタート・アーキテクチャ７１２（例えば、ブランク重量）、及び訓練データ７１４は、モデルを訓練するために訓練エンジン７１０に提供される。十分な回数、反復すると（例えば、モデルが、受入れ可能な誤差の中で一貫して実施すると）、モデル７２０は、訓練されて、導入の準備ができたと考えられ、これは、図７の真ん中のフェーズ２に示されている。図７の右側、すなわちフェーズ３の、訓練済みモデル７２０は、新しいデータ７３２の分析のために（推論エンジン７３０を介して）適用され、新しいデータ７３２は、（フェーズ１における）初期訓練中、モデルに提示されたことがないデータである。例えば、新しいデータ７３２は、患者のスキャン中に獲得されたライブ超音波画像（例えば、心エコー検査中の心画像）などの、未知のデータを含む。エンジン７３０を介して実施された訓練済みモデル７２０は、出力７３４（例えば、組織タイプ、物質特性値）を提供するために、モデル７２０の訓練に従って、未知のデータを分析するために使用される。出力７３４は、次いで、その後のプロセス７４０（例えば、物質特性をボクセルに割り当てること、レンダリングを生成すること）のために、システムによって使用される。
[061] 超音波システムのプロセッサ（例えば、ボリューム・レンダラ２３４）によって実施又は具体化されたモデルとして訓練済みモデル７２０が使用される実施形態では、スタート・アーキテクチャは、畳み込みニューラル・ネットワークのアーキテクチャであるか、いくつかの例では、ボクセルの１つ若しくは複数の物質特性値、及び／又はボクセルの組織タイプを提供するように訓練されたディープ畳み込みニューラル・ネットワークのアーキテクチャである。訓練データ７１４は、訓練画像とも呼ばれる、複数（数百、しばしば数千、又はそれ以上）の注釈付き／ラベル付き画像を含む。例えば、訓練画像のボクセルは、組織タイプ及び／又は物質特性でラベル付けされる。訓練画像は、（例えば、超音波プローブの完全な視野を表す）イメージング・システムによって生み出された完全な画像を含む必要はないが、画像のパッチ又は一部を含むことが理解されよう。
[062] いくつかの例では、不十分な超音波訓練データが存在する場合、他の診断法からの画像（例えば、コンピュータ断層撮影、磁気共鳴画像法、さらに、国立衛生研究所の可視化人体画像データ・プロジェクトなどからの写真）が、訓練データとして使用される。いくつかの例では、ｋ－ｗａｖｅ又はＦＡＭＵＳ ＩＩなどの超音波シミュレータを使用して、他の診断法からの画像から超音波データがシミュレートされる。シミュレートされた超音波データは、ラベル付けされ、その後、訓練データとして使用される。
[063] いくつかの例では、ラベル付き組織パラメータ・マップも、訓練データとして提供される。これらの例では、モデルは、画像をセグメント化すること、並びに／又は、Ｂモード画像及び組織パラメータ・マップに基づいて物質特性値をボクセルに割り当てることを行うように訓練される。いくつかの例では、複数のタイプの組織パラメータ・マップ（例えば、音の速さ、減衰、及び剛性マップ）が、訓練データとして提供される。
[064] 様々な実施形態では、訓練済みモデルは、例えばボリューム・レンダラ２３４のような１つ又は複数の超音波システムのプロセッサによって実行される実行可能命令を有するコンピュータ可読媒体に、少なくとも部分的に実装される。
[065] 図８は、本開示の例による、２ステップ・レンダリング・プロセスのグラフィカルな概観を提供する。いくつかの例では、図８に示されたレンダリング・プロセスは、レンダリング４１２及び／又は６１２などの、強化されたＢモード・レンダリングを生成するために使用される。いくつかの例では、ボリューム・レンダラ２３４などの超音波システムのプロセッサは、レンダリングを生成するために、照明パス及び合成パスを実施する。いくつかの例では、照明パスは、合成パスの前に実施される。照明パス中、ボリューム８１０に対する仮想光源８００がシミュレートされる。ボリューム８１０は、Ｂモード画像に少なくとも部分的に基づいて、プロセッサ（例えば、ボリューム・レンダラ２３４）によって物質特性が割り当てられたボクセルを有する。物質特性は、いくつかの例では、図４～図６を参照しながら説明された方法を使用して割り当てられたものである。図６に示されたものなどの、いくつかの例では、光源８００は、等しい強度で全方向に光を放射する点光源である。他の例では、光源８００は、有向光源（例えば、スポットライト、ビーム）である。いくつかの例では、複数の光源がシミュレートされる。光源の数、光源のタイプ、ボリューム８１０に対する光源８００の位置、及び／又は、光源８００の強度は、ユーザ・インターフェースを介してユーザによって予め設定されるか、選択される。いくつかの例では、光源８００のサイズ、及び／又は光源８００の色（例えば、波長範囲）などの光源の他の特性も、ユーザによって選択される。適切な光源及び光源のユーザ制御の例は、米国特許出願第１６／３０６，９５１号及び第１６／３４７，７３９号において見つかり、その内容が、任意の目的のために参照により本明細書に組み込まれる。
[066] 照明パスを続けると、光源８００からの光は、ボリューム８１０を通じて３次元空間を伝搬される。図８では、単一の光の光線（ｌｉｇｈｔ ｒａｙ）８０２だけが示されているが、光源８００をシミュレートするために、多くの光の光線がボリューム８１０を通じて伝搬されることが理解される。ボリューム８１０の各ボクセルに達する光の量は、光源８００の特性、及び各ボクセルに割り当てられた物質特性に応じて計算される。例えば、特定のボクセルが、吸収に応じた波長を有し、この波長は、ボクセルを特定の色に見せる。例えば、筋肉組織に対応するように決定されたボクセルは、赤い波長をあまり吸収せず、最終的なレンダリングにおいて、これらのボクセルを赤く見せる。各ボクセルの光の計算された量は、合成パスでの使用のために格納される。
[067] 合成パス中、平行な光線８０４が、仮想観察者８０６の観察面８０８からボリューム８１０を通じて伝搬される。いくつかの例では、光線８０４は、観察面８０８に対して直角である。ボリューム８１０からの観察面８０８の距離、及び／又はボリューム８１０に対する観察面８０８の向きは、ユーザ・インターフェースを介してユーザによって予め設定されるか、選択される。いくつかの例では、プロセッサ（例えば、ボリューム・レンダラ２３４）は、光線８０４の方向に沿って３線補間体積測定サンプル（ｔｒｉ－ｌｉｎｅａｒ ｉｎｔｅｒｐｏｌａｔｅｄ ｖｏｌｕｍｅｔｒｉｃ ｓａｍｐｌｅ）８１２による前後赤緑青（ＲＧＢ）集積（ｆｒｏｎｔ－ｔｏ－ｂａｃｋ ｒｅｄ－ｇｒｅｅｎ－ｂｌｕｅ ａｃｃｕｍｕｌａｔｉｏｎ）を使用するレイ・マーチング数値スキーム（ｒａｙ ｍａｒｃｈｉｎｇ ｎｕｍｅｒｉｃａｌ ｓｃｈｅｍｅ）を実施する。照明パスにおける各ボクセルのために計算された光、及び光線８０４の進行に基づいて、プロセッサ（例えば、ボリューム・レンダラ２３４）は、ディスプレイ（例えば、ディスプレイ２３８）でユーザに示されるレンダリングのボクセル及び／又はピクセルの最終値を計算する。
[068] 本明細書で開示されたように、マルチパラメトリック超音波画像を使用したシステム及び方法が、Ｂモード画像における異なる組織タイプを決定するため、及び／又は物質特性をボクセルに割り当てるために使用される。いくつかの例では、組織タイプを決定するため、及び／又は物質特性をボクセルに割り当てるために、他の又は追加の技法が使用される。ボクセルは、組織タイプに少なくとも部分的に基づいて、色、密度、散乱、及び／又は他の物質特性の異なる値を割り当てられる。ボクセルに割り当てられた物質特性値に基づいて、カラーＢモード画像が生成される。本明細書で開示されたシステム及び方法によって生成されたＢモード画像は、より現実的に見え、並びに／又は、組織タイプを区別及び／若しくは解釈しやすいものにする。いくつかの例では、別々の画像及びパラメータ・マップを分析することをユーザに要求することも、パラメータ・マップでＢモード画像を不明瞭にすることもなく、複数のパラメータが、レンダリングされたＢモード画像で伝えられる。
[069] コンピュータベースのシステム又はプログラム可能ロジックなどのプログラム可能デバイスを使用して構成要素、システム、及び／又は方法が提供される様々な例では、上述のシステム及び方法は、「Ｃ」、「Ｃ＋＋」、「ＦＯＲＴＲＡＮ」、「Ｐａｓｃａｌ」、「ＶＨＤＬ」、及び同様のものなどの、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可能であることを理解されたい。したがって、磁気コンピュータ・ディスク、光ディスク、電子メモリ、及び同様のものなどの様々なストレージ媒体が用意されることが可能であり、ストレージ媒体は、上述のシステム及び／又は方法を実施するようにコンピュータなどのデバイスに指図可能な情報を有することができる。ストレージ媒体に含まれる情報及びプログラムに、適切なデバイスがアクセスすると、ストレージ媒体は、情報及びプログラムをデバイスに提供することができ、したがって、本明細書で説明されるシステム及び／又は方法の機能をデバイスが実施することを可能にする。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、又は同様のもの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、情報を受信し、コンピュータ自体を適切に構成し、様々な機能を実行するために上記の図及びフローチャートで概説された様々なシステム及び方法の機能を実施する。すなわち、コンピュータは、上述のシステム及び／又は方法の異なる要素に関するディスクからの情報の様々な部分を受信し、個々のシステム及び／又は方法を提供し、上記で説明された個々のシステム及び／又は方法の機能を調整することができる。
[070] 本開示を考慮して、本明細書で説明され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／又はファームウェアで実施可能であることが指摘される。さらに、ほんの一例として、及びどのような限定的意味でもなく、様々な方法及びパラメータが含まれる。本開示を考慮して、当業者は、本発明の範囲内であることを維持しつつ、本教示自体の技法、及びこれらの技法に影響を及ぼすために必要な機器を決定する際に、本教示を実施することができる。本明細書で説明されるプロセッサのうちの１つ又は複数の機能は、より少ない数の又は単一の処理ユニット（例えば、ＣＰＵ）に組み込まれ、本明細書で説明される機能を実施するための実行可能命令に応じて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施される。
[071] 本装置、システム、及び方法は、超音波画像システムを特に参照しながら説明されてきたが、本システムは、１つ又は複数の画像が体系的に取得される他の医療イメージング・システムに拡張可能であることがさらに想定される。したがって、本システムは、腎臓、精巣、乳房、卵巣、子宮、甲状腺、肝臓、肺、筋骨格、脾臓、心臓、動脈、及び脈管系に関するものであるが、これらに限定されない画像情報、並びに、超音波ガイド介入に関する他のイメージング・アプリケーションを取得及び／又は記録するために使用される。さらに、本システムは、本システムの特徴及び利点を提供するような従来のイメージング・システムで使用される１つ又は複数のプログラムも有する。本開示の特定の追加の利点及び特徴は、本開示を研究すれば当業者には明らかであるか、本開示の斬新なシステム及び方法を採用する人によって経験される。本システム及び方法の別の利点は、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ために、従来の医療画像システムが容易にアップグレード可能なことである。
[072] 当然、本明細書で説明される例、例、又はプロセスのうちのいずれか１つが、１つ又は複数の他の例、例、及び／又はプロセスと組み合わされるか、本装置、システム、デバイス、及び方法に従って、別々のデバイス又はデバイス部分の中で分離及び／又は実施されることを認識されたい。
[073] 最後に、上記の議論は、本システム及び方法の例証にすぎないことが意図され、添付の特許請求の範囲を、任意の特定の例、又は例のグループに限定するものと解釈されるべきではない。したがって、本システムは、例示的な例を参照しながら特に詳しく説明されてきたが、続く特許請求の範囲で説明されるような、本システム及び方法のより広く、意図された精神及び範囲から逸脱することなく、数多くの修正及び代替の例が当業者によって考案され得ることをさらに認識されたい。したがって、本明細書及び図面は、例証として考えられるべきであり、添付の特許請求の範囲の範囲を限定することを意図するものではない。
Claims (20)
- 画像化されたボリュームのＢモード画像を受信することであって、前記Ｂモード画像が複数の第１のボクセルを有し、各第１のボクセルが前記画像化されたボリューム内の異なる空間ロケーションにそれぞれが関連付けられ、各第１のボクセルが前記画像化されたボリューム内の前記関連付けられた空間ロケーションから受信されたエコー信号の強度に対応する強度値をそれぞれが有する、当該Ｂモード画像を受信すること、
前記複数の第１のボクセルのそれぞれの１つ又は複数の組織パラメータ値を有する組織パラメータ・マップを受信すること、
１つ又は複数の物質特性値を複数の第２のボクセルのそれぞれに割り当てることによって、前記複数の第２のボクセルを有する３Ｄレンダリング・データセットを生成することであって、前記複数の第２のボクセルのそれぞれに割り当てられた前記１つ又は複数の物質特性値が、前記Ｂモード画像のそれぞれの前記第１のボクセルに関連付けられた前記強度値に少なくとも部分的に基づき、前記組織パラメータ・マップから取得されたそれぞれの前記ボクセルに関連付けられた組織パラメータ値に少なくとも部分的にさらに基づく、当該３Ｄレンダリング・データセットを生成すること、及び
前記３Ｄレンダリング・データセットから、強化されたＢモード・レンダリングを生成すること
を行うように構成された、プロセッサと、
前記強化されたＢモード・レンダリングを表示するように構成されたディスプレイと
を備える、装置。 - 前記プロセッサが、
前記組織パラメータ値に少なくとも部分的に基づいて、前記複数の第１のボクセルのうちの個々の１つの組織タイプを決定することと、
前記組織タイプに基づく物質特性値のプロファイルに基づいて、前記１つ又は複数の物質特性値を割り当てることと
をさらに行う、請求項１に記載の装置。 - 前記組織タイプが、前記組織パラメータ値を組織パラメータ値のテーブルと比較することによって決定される、請求項２に記載の装置。
- 前記プロセッサが、
前記複数のボクセルのうちの個々の１つの組織タイプを決定するために前記Ｂモード画像をセグメント化することと、
前記組織タイプに基づく物質特性値のプロファイルに基づいて、前記１つ又は複数の物質特性値を割り当てることと
をさらに行う、請求項１に記載の装置。 - 前記Ｂモード画像が、訓練済み機械学習モデルを使用してセグメント化される、請求項４に記載の装置。
- 前記組織パラメータ値が、音の速さの値、減衰値、剛性値、又は密度値のうちの少なくとも１つを含む、請求項１に記載の装置。
- 前記強化されたＢモード・レンダリングが、照明パス及び合成パスを有する２パス・プロセスを使用して生成される、請求項１に記載の装置。
- 画像化されたボリュームのＢモード画像を受信するステップであって、前記Ｂモード画像が複数の第１のボクセルを有し、各第１のボクセルが前記画像化されたボリューム内の異なる空間ロケーションにそれぞれが関連付けられ、各第１のボクセルが前記画像化されたボリューム内の前記関連付けられた空間ロケーションから受信されたエコー信号の強度に対応する強度値をそれぞれが有する、当該Ｂモード画像を受信するステップと、
前記複数の第１のボクセルのそれぞれの１つ又は複数の組織パラメータ値を有する組織パラメータ・マップを受信するステップと、
３Ｄレンダリング・データセットの複数の第２のボクセルのそれぞれに１つ又は複数の物質特性値を割り当てるステップであって、前記複数の第２のボクセルのそれぞれに割り当てられた前記１つ又は複数の物質特性値が、前記Ｂモード画像のそれぞれの前記第１のボクセルに関連付けられた前記強度値に少なくとも部分的に基づき、前記組織パラメータ・マップから取得されたそれぞれの前記ボクセルに関連付けられた組織パラメータ値に少なくとも部分的にさらに基づく、当該１つ又は複数の物質特性値を割り当てるステップと、
前記３Ｄレンダリング・データセットから、強化されたＢモード・レンダリングを生成するステップと
を有する、方法。 - 前記複数の第１のボクセルのうちの個々の１つの組織タイプを決定するために前記Ｂモード画像をセグメント化するステップをさらに有し、前記１つ又は複数の物質特性値を割り当てるステップが物質特性値のプロファイルに基づき、前記プロファイルが組織タイプに基づく、請求項８に記載の方法。
- 前記セグメント化するステップが、機械学習モデルによって実施される、請求項９に記載の方法。
- 別の画像診断法から獲得された画像から、シミュレートされた超音波画像を生成するステップと、
前記シミュレートされた超音波画像を有する前記Ｂモード画像をセグメント化するように前記機械学習モデルを訓練するステップと
をさらに有する、請求項１０に記載の方法。 - 前記セグメント化するステップが、前記Ｂモード画像のテクスチャを分析するステップを有する、請求項９に記載の方法。
- 前記セグメント化するステップが、解剖学的モデルを前記Ｂモード画像に適用するステップを有する、請求項９に記載の方法。
- 前記組織パラメータ値に少なくとも部分的に基づいて、前記複数の第１のボクセルのうちの個々の１つの組織タイプを決定するステップと、
前記組織タイプに基づく物質特性値のプロファイルに基づいて、前記１つ又は複数の物質特性値を割り当てるステップと
をさらに有する、請求項８に記載の方法。 - 前記組織タイプを決定するステップが、前記組織パラメータ値を組織パラメータ値のテーブルと比較するステップを有する、請求項１４に記載の方法。
- 前記強化されたＢモード・レンダリングを生成するステップが、
仮想光源から前記複数のボクセルを通じて光の光線を伝搬させるステップと、
前記複数のボクセルを通じて、仮想観察者の観察面に対して直角である光を伝搬させるステップと
を有する、請求項８に記載の方法。 - Ｂモード画像の複数の第１のボクセルのうちの個々の１つの組織タイプを決定するために前記Ｂモード画像をセグメント化するステップと、
３Ｄレンダリング・データセットの複数の第２のボクセルのそれぞれに、前記組織タイプに少なくとも部分的に基づく１つ又は複数の物質特性値を割り当てるステップと、
前記３Ｄレンダリング・データセットから、強化されたＢモード・レンダリングを生成するステップと、
前記強化されたＢモード・レンダリングをディスプレイに表示するステップと
を有する、方法。 - 前記セグメント化するステップが、人工知能又は機械学習モデルのうちの少なくとも１つで前記Ｂモード画像を分析するステップを有する、請求項１７に記載の方法。
- 前記人工知能又は前記機械学習モデルが、ニューラル・ネットワークを含む、請求項１８に記載の方法。
- 前記セグメント化するステップが、前記Ｂモード画像の前記複数の第１のボクセルに関連付けられた組織パラメータ・マップから組織パラメータ値を分析するステップを有する、請求項１７に記載の方法。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US202063084870P | 2020-09-29 | 2020-09-29 | |
| US63/084,870 | 2020-09-29 | ||
| PCT/EP2021/076422 WO2022069377A1 (en) | 2020-09-29 | 2021-09-26 | Rendering of b-mode images based on tissue differentiation |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2023544129A true JP2023544129A (ja) | 2023-10-20 |
Family
ID=78032438
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2023518994A Pending JP2023544129A (ja) | 2020-09-29 | 2021-09-26 | 組織の区別に基づくｂモード画像のレンダリング |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US20230377246A1 (ja) |
| EP (1) | EP4222716A1 (ja) |
| JP (1) | JP2023544129A (ja) |
| CN (1) | CN116457839A (ja) |
| WO (1) | WO2022069377A1 (ja) |
Family Cites Families (5)
| 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 |
| US7957572B2 (en) | 2005-02-11 | 2011-06-07 | Koninklijke Philips Electronics N.V. | Image processing device and method |
| US10878639B2 (en) * | 2018-02-09 | 2020-12-29 | David Byron Douglas | Interactive voxel manipulation in volumetric medical imaging for virtual motion, deformable tissue, and virtual radiological dissection |
| US11324485B2 (en) * | 2017-01-05 | 2022-05-10 | Koninklijke Philips N.V. | Ultrasound imaging system with a neural network for deriving imaging data and tissue information |
-
2021
- 2021-09-26 US US18/028,945 patent/US20230377246A1/en active Pending
- 2021-09-26 CN CN202180066696.6A patent/CN116457839A/zh active Pending
- 2021-09-26 JP JP2023518994A patent/JP2023544129A/ja active Pending
- 2021-09-26 EP EP21783487.8A patent/EP4222716A1/en active Pending
- 2021-09-26 WO PCT/EP2021/076422 patent/WO2022069377A1/en active Application Filing
Also Published As
| Publication number | Publication date |
|---|---|
| US20230377246A1 (en) | 2023-11-23 |
| EP4222716A1 (en) | 2023-08-09 |
| CN116457839A (zh) | 2023-07-18 |
| WO2022069377A1 (en) | 2022-04-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9113811B2 (en) | Image processing apparatus and computer program product | |
| US20110125016A1 (en) | Fetal rendering in medical diagnostic ultrasound | |
| JP6688618B2 (ja) | 医用画像処理装置及び医用画像診断装置 | |
| US20170032702A1 (en) | Method and Apparatus For Generating an Ultrasound Scatterer Representation | |
| WO2007100263A1 (en) | Method for simulation of ultrasound images | |
| US9759814B2 (en) | Method and apparatus for generating three-dimensional (3D) image of target object | |
| JP2023544129A (ja) | 組織の区別に基づくｂモード画像のレンダリング | |
| US20220398725A1 (en) | Systems and methods for color mappings of contrast images | |
| CN109754869B (zh) | 着色的超声图像对应的着色描述符的呈现方法和系统 | |
| US20230070102A1 (en) | Volumetric lighting of 3d overlays on 2d images | |
| US20230316642A1 (en) | Rendering of two dimensional data sets | |
| US20220133278A1 (en) | Methods and systems for segmentation and rendering of inverted data | |
| KR102377530B1 (ko) | 대상체의 3차원 영상을 생성하기 위한 방법 및 장치 | |
| US20230228873A1 (en) | Systems and methods for generating color doppler images from short and undersampled ensembles | |
| WO2023186948A1 (en) | Systems and methods for color mapping for contrast enhanced ultrasound parametric imaging | |
| CN115187501A (zh) | 用于识别非均质性肝脏脂肪的系统、方法和装置 | |
| CN115279273A (zh) | 用于脉管绘制的系统和方法 |