JP7123891B2 - 超音波心臓ドップラー検査の自動化 - Google Patents
超音波心臓ドップラー検査の自動化 Download PDFInfo
- Publication number
- JP7123891B2 JP7123891B2 JP2019182879A JP2019182879A JP7123891B2 JP 7123891 B2 JP7123891 B2 JP 7123891B2 JP 2019182879 A JP2019182879 A JP 2019182879A JP 2019182879 A JP2019182879 A JP 2019182879A JP 7123891 B2 JP7123891 B2 JP 7123891B2
- Authority
- JP
- Japan
- Prior art keywords
- doppler
- measurements
- ultrasound
- exam
- type
- 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.)
- Active
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/08—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
- A61B8/44—Constructional features of the ultrasonic, sonic or infrasonic diagnostic device
- A61B8/4483—Constructional features of the ultrasonic, sonic or infrasonic diagnostic device characterised by features of the ultrasound transducer
- A61B8/4488—Constructional features of the ultrasonic, sonic or infrasonic diagnostic device characterised by features of the ultrasound transducer the transducer being a phased array
-
- 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
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/88—Sonar systems specially adapted for specific applications
- G01S15/89—Sonar systems specially adapted for specific applications for mapping or imaging
- G01S15/8906—Short-range imaging systems; Acoustic microscope systems using pulse-echo techniques
- G01S15/8979—Combined Doppler and pulse-echo imaging systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/52—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00
- G01S7/52017—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00 particularly adapted to short-range imaging
- G01S7/52098—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00 particularly adapted to short-range imaging related to workflow protocols
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/06—Measuring blood flow
-
- 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
- A61B8/5207—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of raw data to produce diagnostic data, e.g. for generating an image
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/52—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00
- G01S7/52017—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00 particularly adapted to short-range imaging
- G01S7/52053—Display arrangements
- G01S7/52057—Cathode ray tube displays
- G01S7/52071—Multicolour displays; using colour coding; Optimising colour or information content in displays, e.g. parametric imaging
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
-
- 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
- G06T2207/20076—Probabilistic image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30048—Heart; Cardiac
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Biomedical Technology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Cardiology (AREA)
- General Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Physiology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Gynecology & Obstetrics (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Image Analysis (AREA)
Description
撮像デバイス(例えば、ガンマカメラ、陽電子放射断層撮影(PET)スキャナ、コンピュータ断層撮影(CT)スキャナ、X線装置、磁気共鳴(MR)撮像装置、超音波スキャナなど)は、疾患を診断および/または治療するために身体の部分(例えば、臓器、組織など)を表す医用画像(例えば、医用画像におけるネイティブデジタル撮像および通信(DICOM))を生成する。医用画像視覚化ソフトウェアは、臨床医が医用画像の様々な場所で機能的または解剖学的特徴をセグメント化、注釈付け、測定、および/または報告することを可能にする。いくつかの例では、臨床医は、医用画像視覚化ソフトウェアを利用して、医用画像で関心のある領域を識別することができる。
深層学習は、機械に生データを与え、データ分類に必要な表現を決定することを可能にする表現学習方法を用いる機械学習技術の一種である。深層学習は、深層学習機械の内部パラメータ(例えば、ノード重み)を変更するために使用される逆伝搬アルゴリズムを使用してデータセット内の構造を確認する。深層学習機械は、様々な多層アーキテクチャおよびアルゴリズムを利用することができる。例えば、機械学習ではネットワークの訓練に使用される特徴の識別が必要であるが、深層学習では生データを処理し、外部識別なしで関心のある特徴を識別する。
例示的な撮像システムおよび方法
本明細書に記載の方法、装置、および製造物品は、様々なヘルスケアおよび非ヘルスケアシステムに適用することができる。1つの特定の例では、本明細書に記載の方法、装置、および製造物品は、超音波撮像システムの構成要素、構成、および動作に適用することができる。図1~図2は、本明細書に開示される方法、装置、および製造物品を適用することができる超音波撮像スキャナ装置の例示的な実装態様を示す。
図3は、例示的な学習ニューラルネットワーク300の図である。例示的なニューラルネットワーク300は、層320、340、360、および380を含む。層320および340は、ニューラル接続部330と接続されている。層340および360は、ニューラル接続部350と接続されている。層360および380は、ニューラル接続部370と接続されている。データは、入力312、314、316を介して入力層320から出力層380および出力390へと順方向に流れる。
図10Aは、例示的な超音波撮像自動化パイプラインまたはプロセス1000を示す。例示的なパイプライン1000は、プローブ載置1010、パラメータ設定1020、ドップラースキャン1030、試験分類1040、および測定性能1050を含む。ブロック1010において、超音波プローブの載置が決定される。例えば、プローブの位置は、ターゲットの解剖学的構造に対してプローブによって生成される超音波の入射角を指示する。
1.スキャン深度(dopplerSampleMovie:#UserControls.ROICenter)、
2.フォーカスチルト(dopplerSampleMovie:#UserControls.BeamPosition)、ラジアン単位、
3.最大フォーカス深度(twoDSampleMovie:#UserControls.DepthEnd)、
4.最小フォーカス深度(twoDSampleMovie:#UserControls.DepthStart)、
5.絞り(twoDSampleMovie:#UserControls.Width)、ラジアン単位、
6.ベースライン位置(metadata:RelativeBaselinePosition)、
7.式(1)および(2)で算出された、ゲート座標(x;y)、
8.速度間隔(metadata:VelocityInterval)、(2つの値)、および
9.超音波モード(metadata:DopplerModeName)。
I[-L+1:、-L+1:]およびI[-L+1:、0:L] (式3)、
式中、Iは、2D-FFT変換された行列を示し、L=20である。上記の式(3)の表現は、PythonのNumpy配列のインデックス付け規則に従う(例えば、[-M:]は、配列の最後のM値を指す)。
ブロック1620において、アルゴリズムおよび/またはモデルがドップラー検査に適用され、ドップラー検査のタイプに従って測定出力を生成する。例えば、検査タイプに基づいて、特定のアルゴリズムおよび/またはモデルがドップラースペクトルスキャンデータに適用され、スキャンされたドップラースペクトルの測定値を生成する。
110 超音波プローブ
120 送受信ビームフォーマ
130 エコーデータ処理ユニット
140 表示制御ユニット
150 表示ユニット
160 操作ユニット
170 制御ユニット
180 スピーカ
200 ドップラー処理ユニット
210 直交検波ユニット
220 ウォールフィルタユニット
230 メモリ
240 高速フーリエ変換(FFT)処理ユニット
250 信号推定ユニット
260 逆高速フーリエ変換(IFFT)処理ユニット
270 オーディオ処理ユニット
300 学習ニューラルネットワーク
310 入力
312 入力
314 入力
316 入力
320 入力層、第1の層
322 入力ノード
324 入力ノード
326 入力ノード
330 ニューラル接続部
332 例示的な接続部
334 例示的な接続部
340 隠れ層、第2の層
342 ノード
344 ノード
346 ノード
348 ノード
350 ニューラル接続部
352 例示的な接続部
354 例示的な接続部
360 隠れ層、第3の層
362 ノード
364 ノード
366 ノード
368 ノード
370 ニューラル接続部
372 例示的な接続部
374 例示的な接続部
380 出力層
382 出力ノード
390 出力
400 畳み込みニューラルネットワーク
402 ウィンドウ
404 畳み込み
406 特徴マップ
410 特徴マップ
412 畳み込み
414 拡張特徴マップ
416 サブサンプリング
418 特徴マップ
420 畳み込み
422 分類層、畳み込みされた層
424 カテゴリ
425 信号推定ユニット
426 接続部
500 ニューラルネットワーク
502 マトリックス
504 層
510 特徴
512 特徴
514 特徴
516 特徴
518 特徴
520 特徴
522 特徴
530 マトリックス、第2の層、複数の画像、サブ画像
532 マトリックス、複数の画像、サブ画像
534 マトリックス、複数の画像、サブ画像
536 マトリックス、複数の画像、サブ画像
538 マトリックス、複数の画像、サブ画像
540 マトリックス
542 マトリックス
544 マトリックス
546 マトリックス
548 マトリックス
550 出力、部分
552 出力、部分
554 出力、部分
600 例示的な構成
610 生データ
620 学習ネットワーク
702 入力、データ、入力データセット
704 訓練ネットワーク
706 順方向
708 犬、ネットワーク結果、決定、ネットワーク出力
710 既知の結果との比較
712 既知の結果、データ、既知の出力
714 エラー
716 逆方向パス
720 入力
722 展開された学習ネットワーク
724 出力、人間の顔
810 生の入力データ、入力
820 前処理
830 パッチ作成
840 訓練されたネットワーク
850 出力アセンブル
860 表示
900 学習デバイス
901 訓練デバイス
903 展開されたデバイス
910 入力定義
911 訓練入力
913 入力定義、システム入力
920 学習ネットワークモデル、ネットワーク
921 ネットワーク
923 訓練されたネットワーク
930 出力定義、出力
931 出力評価部
933 出力定義、出力
1000 超音波撮像自動化パイプラインまたはプロセス
1010 プローブ載置、ブロック
1020 パラメータ設定、設定されたパラメータ
1030 ドップラースキャン、自動ドップラー検査分類モジュール
1040 試験分類、検査分類、自動化ドップラー検査分類部、検査/試験分類部
1050 測定性能、性能測定
1060 試験分類部
1062 画像キャプチャ部
1064 パラメータデータストア
1066 パラメータ計算部
1068 心臓周期モニタ
1070 ドップラースペクトルレコーダ
1072 検査タイプ推論部
1100 表
1110 ゲート位置
1120 検査タイプ
1130 撮像モード
1140 標準像
1200 インターフェース画面、超音波デバイス画面、デバイス
1201 ミニチュア画像
1202 キャプチャされたドップラースペクトル
1203 スケール
1204 心電図(ECG)
1205 心拍数
1206 グレースケールインジケータ
1210 検査のタイプ
1300 出力
1310 入力パラメータ、パラメータのリスト
1320 Bモード画像、Bモードフレーム
1330 スペクトログラム、ドップラースペクトル
1332 心臓周期スペクトログラム、心臓周期、セグメント
1334 心臓周期スペクトログラム、心臓周期、セグメント
1336 心臓周期スペクトログラム、心臓周期、セグメント
1400 分類システム
1412 ニューラルネットワークNN1
1414 ニューラルネットワークNN1
1416 ニューラルネットワークNN1
1420 第2のニューラルネットワークNN2
1432 FFTフィルタ
1434 FFTフィルタ
1436 FFTフィルタ
1440 平均化
1450 組み合わせ、組み合わせ部
1460 分類部
1500 表
1510 実際の値
1520 予測値
1600 方法
1610 ブロック
1620 ブロック
1630 ブロック
1710 ブロック
1720 ブロック
1802 ブロック
1804 ブロック
1806 ブロック
1808 ブロック
1810 ブロック
1812 ブロック
1814 ブロック
1816 ブロック
1818 ブロック
1820 ブロック
1822 ブロック
1824 ブロック
1900 プロセッサプラットフォーム
1912 プロセッサ
1913 ローカルメモリ
1914 揮発性メモリ、主メモリ
1916 不揮発性メモリ、主メモリ
1918 バス
1920 インターフェース回路
1922 入力デバイス
1924 出力デバイス
1926 ネットワーク
1928 大容量記憶デバイス
1932 符号化命令
x、y ゲート座標
Claims (24)
- 超音波検査の一部としてターゲットのBモード画像(1320)のキャプチャを行わせるための画像キャプチャ部(1062)と、
超音波検査の一部として、ドップラーゲート位置からキャプチャされた前記ターゲットのドップラースペクトル(1202)を記録するドップラースペクトルレコーダ(1070)と、
前記ターゲットの前記Bモード画像および前記ドップラーゲート位置を処理するとともに、前記Bモード画像および前記ドップラーゲート位置の処理に基づいて前記超音波検査の検査タイプを推論する少なくとも1つのニューラルネットワーク(1412、1414、1416、1420)を含む検査タイプ推論部(1072)であって、前記検査タイプが、複数の超音波検査タイプから推論される、検査タイプ推論部(1072)と、
プロセッサであって、
前記検査タイプ推論部により推論された検査タイプに基づいて1つ以上の測定を自動的に選択する、
前記キャプチャされたドップラースペクトルに前記選択された1つ以上の測定を自動的に実行する、および
a)前記選択された1つ又は複数の測定を表示すること、b)前記選択された1つ又は複数の測定を報告すること、c)前記選択された1つ又は複数の測定を記憶すること、又はd)前記選択された1つ又は複数の測定を臨床システムに送信すること、のうちの少なくとも1つを実行する、プロセッサと
を備える、ドップラーシステム(1400)。 - 前記二次元超音波画像または前記Bモード画像(1320)の前記少なくとも1つの解剖学的位置を示すゲート座標(x、y)を計算するパラメータ計算部(1066)をさらに含む、請求項1に記載のシステム(1400)。
- 前記ターゲットの心臓周期(1332、1334、1336)を記憶する心臓周期モニタ(1068)をさらに含み、前記心臓周期(1332、1334、1336)が、前記キャプチャされたドップラースペクトル(1202)を複数のドップラーセグメントにセグメント化し、各ドップラーセグメントが、ニューラルネットワーク(1412、1414、1416、1420)のセットを使用して処理される、請求項1に記載のシステム(1400)。
- 前記複数のドップラーセグメントが前記ニューラルネットワーク(1412、1414、1416、1420)のセットによって処理される前に前記複数のドップラーセグメントをフィルタリングする高速フーリエ変換フィルタ(1432、1434、1436)をさらに含む、請求項4に記載のシステム(1400)。
- ニューラルネットワーク(1412、1414、1416、1420)のセットを使用して前記複数のドップラーセグメントを前記処理することが、複数の第1の確率分布を生成することであり、前記複数の第1の確率分布の各々が、前記複数のドップラーセグメントの1つに対応し、前記複数の第1の確率分布が、平均化され、前記第2の確率分布と組み合わされる平均の第1の確率分布を提供して前記検査タイプを推論する、請求項4に記載のシステム(1400)。
- 前記Bモード画像(1320)が、前記少なくとも1つのニューラルネットワーク(1412、1414、1416、1420)を使用して処理する前にサイズ変更される、請求項1に記載のシステム(1400)。
- 命令を含む非一時的コンピュータ可読記憶媒体であって、前記命令が実行されると、少なくとも1つのプロセッサ(1912)に、少なくとも、
少なくとも1つのニューラルネットワーク(1412、1414、1416、1420)を使用してターゲットのBモード画像およびドップラーゲート位置を処理させることであって、前記Bモード画像が、超音波検査の一部としてキャプチャされるものであり、前記ドップラーゲート位置が、前記超音波検査の一部として前記ターゲットのドップラースペクトルをキャプチャするために使用される、処理させること、
前記処理に基づいて前記超音波検査の検査タイプ(1120)を推論させることであって、前記検査タイプが、複数の超音波検査から推論される、推論させること、
前記検査タイプに基づいて1つ以上の測定を自動的に選択させること、
前記ドップラースペクトルに対して前記選択された1つ以上の測定を自動的に実行させること、および
a)前記選択された1つ又は複数の測定を表示させること、b)前記選択された1つ又は複数の測定を報告させること、c)前記選択された1つ又は複数の測定を記憶させること、又はd)前記選択された1つ又は複数の測定を臨床システムに送信させること、のうちの少なくとも1つ、
を実行させる、非一時的コンピュータ可読記憶媒体。 - 前記命令が、実行されると、前記少なくとも1つのプロセッサ(1912)に、前記Bモード画像(1320)の解剖学的位置を示すゲート座標(x、y)を計算させる、請求項8に記載のコンピュータ可読記憶媒体。
- 前記命令が、実行されると、前記少なくとも1つのプロセッサ(1912)に、前記ターゲットの心臓周期(1332、1334、1336)に基づいて前記ドップラースペクトル(1202)を複数のドップラーセグメントにセグメント化させる、請求項8に記載のコンピュータ可読記憶媒体。
- 前記命令が、実行されると、前記少なくとも1つのプロセッサ(1912)に、高速フーリエ変換を使用して前記複数のドップラーセグメントをフィルタリングさせる、請求項10に記載のコンピュータ可読記憶媒体。
- 前記命令が、実行されると、前記少なくとも1つのプロセッサ(1912)に、前記少なくとも1つのニューラルネットワーク(1412、1414、1416、1420)を使用して前記複数のドップラーセグメントを処理し、複数の第1の確率分布を生成させ、前記複数の第1の確率分布の各々が、前記複数のドップラーセグメントの1つに対応し、前記命令が、実行されると、前記少なくとも1つのプロセッサ(1912)に、前記複数の第1の確率分布を平均化し、前記第2の確率分布と組み合わされる平均の第1の確率分布を提供させて前記検査タイプを推論させる、請求項10に記載のコンピュータ可読記憶媒体。
- 前記命令が、実行されると、前記少なくとも1つのプロセッサ(1912)に、前記少なくとも1つのニューラルネットワーク(1412、1414、1416、1420)を使用して処理する前に前記Bモード画像(1320)をサイズ変更させる、請求項8に記載のコンピュータ可読記憶媒体。
- 少なくとも1つのプロセッサ(1912)および少なくとも1つのニューラルネットワーク(1412、1414、1416、1420)を使用してターゲットのBモード画像およびドップラーゲート位置を処理することであって、前記Bモード画像が、超音波検査の一部としてキャプチャされるものであり、前記ドップラーゲート位置は、前記超音波検査の一部として前記ターゲットのドップラースペクトルをキャプチャするために使用される、処理すること、
前記少なくとも1つのプロセッサ(1912)を使用して、前記処理に基づいて前記超音波検査のスキャンされたドップラースペクトル(1202)に関連する検査タイプ(1120)を推論すること、
前記少なくとも1つのプロセッサ(1912)を使用して、前記検査タイプに基づいて1つ以上の測定を自動的に選択すること、
前記少なくとも1つのプロセッサ(1912)を使用して、前記ドップラースペクトルに前記選択された1つ以上の測定を自動的に実行すること、および
a)前記選択された1つ又は複数の測定を表示すること、b)前記選択された1つ又は複数の測定を報告すること、c)前記選択された1つ又は複数の測定を記憶すること、又はd)前記選択された1つ又は複数の測定を臨床システムに送信すること、のうちの少なくとも1つを実行すること、
を含む、コンピュータ実装方法(1600)。 - 前記Bモード画像(1320)の解剖学的位置を示すゲート座標(x、y)を計算することをさらに含む、請求項14に記載の方法(1600)。
- 前記ターゲットの心臓周期に基づいて前記ドップラースペクトル(1202)を前記複数のドップラーセグメントにセグメント化することをさらに含む、請求項14に記載の方法(1600)。
- 高速フーリエ変換を使用して前記複数のドップラーセグメントをフィルタリングすることをさらに含む、請求項16に記載の方法(1600)。
- 前記少なくとも1つのニューラルネットワーク(1412、1414、1416、1420)を使用して前記複数のドップラーセグメントを処理し、複数の第1の確率分布を生成することであって、前記複数の第1の確率分布の各々が、前記複数のドップラーセグメントの1つに対応するものである、前記複数のドップラーセグメントを処理し複数の第1の確率分布を生成すること、
前記複数の第1の確率分布を平均化して、前記第2の確率分布と組み合わされる平均の第1の確率分布を提供し、前記検査タイプを推論すること
を含む、請求項16に記載の方法(1600)。 - 前記少なくとも1つのニューラルネットワーク(1412、1414、1416、1420)を使用して処理する前に前記Bモード画像(1320)をサイズ変更することをさらに含む、請求項14に記載の方法(1600)。
- 前記検査タイプ(1120)に基づいて、前記複数のドップラーセグメントで形成されたドップラースペクトル(1202)への処理アルゴリズムまたはモデルの少なくとも1つの適用を容易にすることをさらに含む、請求項16に記載の方法(1600)。
- 前記検査タイプ推論部(1072)が、少なくとも、
少なくとも1つのニューラルネットワーク(1412、1414、1416、1420)を使用して前記ドップラースペクトル(1202)を処理し、複数の検査タイプ分類間の第1の確率分布を生成すること、
前記少なくとも1つのニューラルネットワーク(1412、1414、1416、1420)を使用して前記Bモード画像(1320)を処理し、複数の検査タイプ分類間の第2の確率分布を生成すること、および
検査タイプ分類の前記第1の確率分布と検査タイプ分類の前記第2の確率分布を組み合わせて検査タイプ(1120)を推論すること、
によって、前記検査タイプ(1120)を推論する、請求項1に記載のシステム。 - 前記検査タイプが、大動脈弁逆流(AR)、大動脈弁流出(AVO)、左心室流出路(LVOT)、僧帽弁逆流(MR)、僧帽弁流入(MVI)、肺動脈弁流出(PVO)、肺静脈(PulmVein)、右心室流出路(RVOT)、側方組織ドップラー流入(LAT)、中隔組織ドップラー流入(SEP)、右心室組織ドップラー流入(RV)、三尖弁逆流(TR)、および三尖弁流入(TVI)のうちの1つである、請求項1に記載のシステム。
- 前記検査タイプが、大動脈弁逆流(AR)、大動脈弁流出(AVO)、左心室流出路(LVOT)、僧帽弁逆流(MR)、僧帽弁流入(MVI)、肺動脈弁流出(PVO)、肺静脈(PulmVein)、右心室流出路(RVOT)、側方組織ドップラー流入(LAT)、中隔組織ドップラー流入(SEP)、右心室組織ドップラー流入(RV)、三尖弁逆流(TR)、および三尖弁流入(TVI)のうちの1つである、請求項8に記載のシステム。
- 前記検査タイプが、大動脈弁逆流(AR)、大動脈弁流出(AVO)、左心室流出路(LVOT)、僧帽弁逆流(MR)、僧帽弁流入(MVI)、肺動脈弁流出(PVO)、肺静脈(PulmVein)、右心室流出路(RVOT)、側方組織ドップラー流入(LAT)、中隔組織ドップラー流入(SEP)、右心室組織ドップラー流入(RV)、三尖弁逆流(TR)、および三尖弁流入(TVI)のうちの1つである、請求項14に記載のシステム。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/154,202 US11207055B2 (en) | 2018-10-08 | 2018-10-08 | Ultrasound Cardiac Doppler study automation |
US16/154,202 | 2018-10-08 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020075104A JP2020075104A (ja) | 2020-05-21 |
JP7123891B2 true JP7123891B2 (ja) | 2022-08-23 |
Family
ID=70052826
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019182879A Active JP7123891B2 (ja) | 2018-10-08 | 2019-10-03 | 超音波心臓ドップラー検査の自動化 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11207055B2 (ja) |
JP (1) | JP7123891B2 (ja) |
CN (1) | CN111000590B (ja) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11301996B2 (en) * | 2018-12-11 | 2022-04-12 | Eko.Ai Pte. Ltd. | Training neural networks of an automatic clinical workflow that recognizes and analyzes 2D and doppler modality echocardiogram images |
US12001939B2 (en) * | 2018-12-11 | 2024-06-04 | Eko.Ai Pte. Ltd. | Artificial intelligence (AI)-based guidance for an ultrasound device to improve capture of echo image views |
US11931207B2 (en) * | 2018-12-11 | 2024-03-19 | Eko.Ai Pte. Ltd. | Artificial intelligence (AI) recognition of echocardiogram images to enhance a mobile ultrasound device |
US11446009B2 (en) * | 2018-12-11 | 2022-09-20 | Eko.Ai Pte. Ltd. | Clinical workflow to diagnose heart disease based on cardiac biomarker measurements and AI recognition of 2D and doppler modality echocardiogram images |
JP7242409B2 (ja) * | 2019-04-26 | 2023-03-20 | キヤノンメディカルシステムズ株式会社 | 医用画像処理装置、超音波診断装置及び学習済モデルの作成方法 |
JP7379120B2 (ja) * | 2019-11-28 | 2023-11-14 | キヤノン株式会社 | 超音波診断装置、医用画像撮影装置、学習装置、超音波画像表示方法及びプログラム |
EP3878361B1 (en) * | 2020-03-12 | 2024-04-24 | Siemens Healthineers AG | Method and device for determining a cardiac phase in magnet resonance imaging |
US11869208B2 (en) * | 2020-03-16 | 2024-01-09 | Taipei Veterans General Hospital | Methods, apparatuses, and computer programs for processing pulmonary vein computed tomography images |
CN111583250B (zh) * | 2020-05-14 | 2023-04-18 | 上海深至信息科技有限公司 | 一种基于深度学习的超声图像二尖瓣的定位方法及系统 |
KR102436351B1 (ko) * | 2020-07-29 | 2022-08-26 | 전남대학교산학협력단 | Ct 스캔 영상에서 딥러닝에 기반한 간 종양 검출 방법 및 장치 |
JP7410624B2 (ja) * | 2020-09-14 | 2024-01-10 | キヤノン株式会社 | 超音波診断装置、計測条件設定方法及びプログラム |
CN114169704B (zh) * | 2021-11-22 | 2024-05-17 | 成都飞机工业(集团)有限责任公司 | 产品生产过程质量控制方法、装置、设备及存储介质 |
US20230334911A1 (en) * | 2022-04-13 | 2023-10-19 | Nec Corporation | Face liveness detection |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010504578A (ja) | 2006-09-22 | 2010-02-12 | コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ | 分類器アンサンブルを用いた遺伝的アルゴリズムに基づく特徴選択のための方法 |
WO2010050333A1 (ja) | 2008-10-30 | 2010-05-06 | コニカミノルタエムジー株式会社 | 情報処理装置 |
US20160350620A1 (en) | 2015-05-27 | 2016-12-01 | Siemens Medical Solutions Usa, Inc. | Knowledge-based ultrasound image enhancement |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3892538B2 (ja) | 1997-07-18 | 2007-03-14 | 株式会社東芝 | 超音波ドプラ診断装置 |
US5935074A (en) | 1997-10-06 | 1999-08-10 | General Electric Company | Method and apparatus for automatic tracing of Doppler time-velocity waveform envelope |
US7244230B2 (en) * | 2002-11-08 | 2007-07-17 | Siemens Medical Solutions Usa, Inc. | Computer aided diagnostic assistance for medical imaging |
US7678050B2 (en) | 2004-08-24 | 2010-03-16 | General Electric Company | Method and apparatus for detecting cardiac events |
US8036856B2 (en) * | 2005-12-01 | 2011-10-11 | General Electric Company | Method and apparatus for automatically adjusting spectral doppler gain |
US20070161898A1 (en) * | 2006-01-10 | 2007-07-12 | Siemens Medical Solutions Usa, Inc. | Raw data reprocessing in ultrasound diagnostic imaging |
JP5342104B2 (ja) * | 2006-10-30 | 2013-11-13 | 株式会社東芝 | 超音波診断装置及び画像処理プログラム |
US20090177089A1 (en) * | 2008-01-04 | 2009-07-09 | Assaf Govari | Three-dimensional image reconstruction using doppler ultrasound |
MX346426B (es) * | 2011-09-30 | 2017-03-21 | Koninklijke Philips Nv | Sistema de ultrasonido con parametros de flujo doppler automatizados. |
US20140303499A1 (en) * | 2013-04-09 | 2014-10-09 | Konica Minolta, Inc. | Ultrasound diagnostic apparatus and method for controlling the same |
US10206651B2 (en) * | 2015-09-30 | 2019-02-19 | General Electric Company | Methods and systems for measuring cardiac output |
EP3467540A1 (en) * | 2017-10-03 | 2019-04-10 | Esaote S.p.A. | Ultrasound method and ultrasound system for real time automatic setting of parameters for doppler imaging modes |
-
2018
- 2018-10-08 US US16/154,202 patent/US11207055B2/en active Active
-
2019
- 2019-09-26 CN CN201910919552.5A patent/CN111000590B/zh active Active
- 2019-10-03 JP JP2019182879A patent/JP7123891B2/ja active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010504578A (ja) | 2006-09-22 | 2010-02-12 | コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ | 分類器アンサンブルを用いた遺伝的アルゴリズムに基づく特徴選択のための方法 |
WO2010050333A1 (ja) | 2008-10-30 | 2010-05-06 | コニカミノルタエムジー株式会社 | 情報処理装置 |
US20160350620A1 (en) | 2015-05-27 | 2016-12-01 | Siemens Medical Solutions Usa, Inc. | Knowledge-based ultrasound image enhancement |
JP2016221264A (ja) | 2015-05-27 | 2016-12-28 | シーメンス メディカル ソリューションズ ユーエスエー インコーポレイテッドSiemens Medical Solutions USA,Inc. | 知識ベース超音波画像強調 |
Also Published As
Publication number | Publication date |
---|---|
US20200107818A1 (en) | 2020-04-09 |
US11207055B2 (en) | 2021-12-28 |
CN111000590B (zh) | 2022-09-20 |
JP2020075104A (ja) | 2020-05-21 |
CN111000590A (zh) | 2020-04-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7123891B2 (ja) | 超音波心臓ドップラー検査の自動化 | |
CN109758178B (zh) | 超声成像中的机器辅助工作流 | |
US11817203B2 (en) | Ultrasound clinical feature detection and associated devices, systems, and methods | |
US8343053B2 (en) | Detection of structure in ultrasound M-mode imaging | |
KR102255831B1 (ko) | 초음파 장치 및 초음파 장치의 영상 인식 방법 | |
CN112292086B (zh) | 超声病变评估及相关联的设备、系统和方法 | |
KR20190132936A (ko) | 튜닝식 의료 초음파 이미징 | |
US20210022715A1 (en) | Method for objective, noninvasive staging of diffuse liver disease from ultrasound shear-wave elastography | |
US20220012875A1 (en) | Systems and Methods for Medical Image Diagnosis Using Machine Learning | |
de Siqueira et al. | Artificial intelligence applied to support medical decisions for the automatic analysis of echocardiogram images: A systematic review | |
WO2024126468A1 (en) | Echocardiogram classification with machine learning | |
US20230404541A1 (en) | Method and system for managing ultrasound operations using machine learning and/or non-gui interactions | |
Ragnarsdottir et al. | Interpretable prediction of pulmonary hypertension in newborns using echocardiograms | |
US12020806B2 (en) | Methods and systems for detecting abnormalities in medical images | |
US11803967B2 (en) | Methods and systems for bicuspid valve detection with generative modeling | |
US20230316523A1 (en) | Free fluid estimation | |
US11901076B1 (en) | Prediction of probability distribution function of classifiers | |
TWI796647B (zh) | 用於評估心臟影像的影像處理裝置及心室狀態辨識方法 | |
WO2024046807A1 (en) | Ultrasound video feature detection using learning from unlabeled data | |
Sanjeevi et al. | Deep learning supported echocardiogram analysis: A comprehensive review | |
Akkus | Artificial Intelligence-Powered Ultrasound for Diagnosis and Improving Clinical Workflow | |
Calm Salvans | Development of fully automated echocardiographic data interpretation technique | |
Jafari | Towards a more robust machine learning framework for computer-assisted echocardiography | |
Ranaweera et al. | Artificial Neural Network Application in Classifying the Left Ventricular Function of the Human Heart Using Echocardiography | |
WO2024146823A1 (en) | Multi-frame ultrasound video with video-level feature classification based on frame-level detection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20201222 |
|
RD02 | Notification of acceptance of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7422 Effective date: 20210520 |
|
RD04 | Notification of resignation of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7424 Effective date: 20210524 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20211126 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20211207 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220307 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20220713 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220810 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7123891 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |