JP7225345B1 - 超音波診断装置および表示方法 - Google Patents
超音波診断装置および表示方法 Download PDFInfo
- Publication number
- JP7225345B1 JP7225345B1 JP2021170554A JP2021170554A JP7225345B1 JP 7225345 B1 JP7225345 B1 JP 7225345B1 JP 2021170554 A JP2021170554 A JP 2021170554A JP 2021170554 A JP2021170554 A JP 2021170554A JP 7225345 B1 JP7225345 B1 JP 7225345B1
- Authority
- JP
- Japan
- Prior art keywords
- image
- ultrasonic
- ultrasound
- difficulty level
- diagnostic apparatus
- 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
- 238000002604 ultrasonography Methods 0.000 title claims abstract description 173
- 238000000034 method Methods 0.000 title claims abstract description 72
- 239000000523 sample Substances 0.000 claims abstract description 54
- 230000000968 intestinal effect Effects 0.000 claims abstract description 27
- 210000004003 subcutaneous fat Anatomy 0.000 claims abstract description 22
- 238000007689 inspection Methods 0.000 claims description 56
- 230000003601 intercostal effect Effects 0.000 claims description 55
- 210000004185 liver Anatomy 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 24
- 238000004891 communication Methods 0.000 claims description 12
- 230000009471 action Effects 0.000 claims description 11
- 210000003205 muscle Anatomy 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 39
- 238000012545 processing Methods 0.000 description 31
- 230000008569 process Effects 0.000 description 30
- 239000008186 active pharmaceutical agent Substances 0.000 description 17
- 230000006870 function Effects 0.000 description 11
- 238000007781 pre-processing Methods 0.000 description 10
- 210000000056 organ Anatomy 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 7
- 238000002591 computed tomography Methods 0.000 description 5
- 238000002372 labelling Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000003909 pattern recognition Methods 0.000 description 4
- 238000002600 positron emission tomography Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 210000003734 kidney Anatomy 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 206010028980 Neoplasm Diseases 0.000 description 2
- 230000003187 abdominal effect Effects 0.000 description 2
- 210000000746 body region Anatomy 0.000 description 2
- 238000002592 echocardiography Methods 0.000 description 2
- 238000005401 electroluminescence Methods 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 210000002216 heart Anatomy 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 210000005075 mammary gland Anatomy 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 210000000496 pancreas Anatomy 0.000 description 2
- 210000002307 prostate Anatomy 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 210000000952 spleen Anatomy 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 101000710013 Homo sapiens Reversion-inducing cysteine-rich protein with Kazal motifs Proteins 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000002091 elastography Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 210000003141 lower extremity Anatomy 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Landscapes
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
Description
また近年では、深層学習(Deep learning)などの機械学習を利用して、診断画像の画質向上を図る技術も提案されている。この場合、学習させる画像は高SN比の画像(いわゆる模範画像)であり、学習後の入力は低SN比の画像(いわゆる低品質の画像)とするのが通例である。
前記超音波プローブで被検体を走査することにより得られた超音波画像を表示する表示部と、
前記超音波プローブおよび前記表示部と通信する1つ又は複数のプロセッサと
を含む超音波診断装置であって、
前記1つまたは複数のプロセッサが、
前記超音波プローブに、前記被検体の所定の部位の走査を実行させること、
前記走査により得られたエコーデータおよび/又は超音波画像に基づいて、前記被検体の皮下脂肪厚、腸管ガスの量、および超音波の減衰特性を表す減衰係数のうちの少なくとも一つを求めること、および
前記被検体の皮下脂肪厚、前記腸管ガスの量、および超音波の減衰特性を表す減衰係数のうちの少なくとも一つに基づいて、所望の画質を有する超音波画像を取得することがどの程度困難であるかを表す難度を求めること、
を含む動作を実行し、
前記表示部が前記難度を表示する、超音波診断装置である。
前記超音波プローブで被検体を走査することにより得られた超音波画像を表示する表示部と、
前記超音波プローブおよび前記表示部と通信する1つ又は複数のプロセッサと
を含む超音波診断装置であって、
前記1つまたは複数のプロセッサが、
前記超音波プローブに、前記被検体の所定の部位の走査を実行させること、
前記走査により取得されたエコーデータに基づいて、超音波画像を生成すること、
前記超音波画像に基づいて、学習済みモデルに入力される入力画像を生成すること、および
前記入力画像を前記学習済みモデルに入力し、前記学習済みモデルを用いて、所望の画質を有する超音波画像を取得することがどの程度困難であるかを表す難度を推論すること、
を含む動作を実行し、
前記表示部が前記難度を表示する、超音波診断装置である。
前記超音波プローブで被検体を走査することにより得られた超音波画像を表示する表示部と、
前記超音波プローブおよび前記表示部と通信する1つ又は複数のプロセッサと
を含む超音波診断装置であって、
前記1つまたは複数のプロセッサが、
超音波診断装置とは別のモダリティの画像に基づいて、ガスを含むガス領域と検査対象物とを特定すること、
前記別のモダリティの画像に基づいて肋間の位置を特定すること、
前記肋間と前記検査対象物との間に前記ガス領域が存在しているか否かを判定すること、
前記肋間から前記検査対象物に向けて送信される超音波の体表面に対する入射角を求めること、および
前記ガス領域が存在しているか否かの判定結果と前記入射角とに基づいて、所望の画質を有する超音波画像を取得することがどの程度困難であるかを表す難度を求めること、
を含む動作を実行し、
前記表示部が前記難度を表示する、超音波診断装置である。
前記超音波プローブで被検体を走査することにより得られた超音波画像を表示する表示部と、
前記超音波プローブおよび前記表示部と通信する1つ又は複数のプロセッサと
を含む超音波診断装置であって、
前記1つまたは複数のプロセッサが、
超音波診断装置とは別のモダリティの画像に基づいて、学習済みモデルに入力される入力画像を生成すること、および
前記入力画像を前記学習済みモデルに入力し、前記学習済みモデルを用いて、所望の画質を有する超音波画像を取得することがどの程度困難であるかを表す難度を推論すること、
を含む動作を実行し、
前記表示部が前記難度を表示する、超音波診断装置である。
前記被検体の皮下脂肪厚、前記腸管ガスの量、および超音波の減衰特性を表す減衰係数のうちの少なくとも一つに基づいて、所望の画質を有する超音波画像を取得することがどの程度困難であるかを表す難度を求めること、および
前記難度を表示部に表示すること、
を含む表示方法である。
前記別のモダリティの画像に基づいて肋間の位置を特定すること、
前記肋間と前記検査対象物との間に前記ガス領域が存在しているか否かを判定すること、
前記肋間から前記検査対象物に向けて送信される超音波の体表面に対する入射角を求めること、
前記ガス領域が存在しているか否かの判定結果と前記入射角とに基づいて、所望の画質を有する超音波画像を取得することがどの程度困難であるかを表す難度を求めること、および
前記難度を表示部に表示すること、
を含む表示方法である。
図1は、本発明の第1の実施形態の超音波診断装置1のブロック図である。
超音波診断装置1は、超音波プローブ2、送信ビームフォーマ3、送信器4、受信器5、受信ビームフォーマ6、プロセッサ7、表示部8、メモリ9、およびユーザインタフェース10を有している。
(1a) 超音波プローブ2に、被検体の所定の部位の走査を実行させること、
(1b) (1a)の走査により得られたエコーデータおよび/又は超音波画像に基づいて、被検体の皮下脂肪厚、腸管ガスの量、および超音波の減衰特性を表す減衰係数のうちの少なくとも一つを求めること、
(1c) 被検体の皮下脂肪厚、腸管ガスの量、および超音波の減衰特性を表す減衰係数のうちの少なくとも一つに基づいて、所望の画質を有する超音波画像を取得することがどの程度困難であるかを表す難度を求めること、
(1a’) 超音波プローブ2に、被検体の所定の部位の走査を実行させること、
(1b’) (1a’)の走査により得られたエコーデータおよび/又は超音波画像に基づいて、被検体の皮下脂肪厚、腸管ガスの量、および超音波の減衰特性を表す減衰係数のうちの少なくとも一つを求めること、
(1c’) 被検体の皮下脂肪厚、腸管ガスの量、および超音波の減衰特性を表す減衰係数のうちの少なくとも一つに基づいて、所望の画質を有する超音波画像を取得することがどの程度困難であるかを表す難度を求めること、
超音波診断装置1は上記のように構成されている。
a)被検体の皮下脂肪厚、b)腸管ガスの量、c)筋組織における超音波の減衰係数、d)肝臓の深部減衰による超音波の減衰係数
次に、上記の説明に従って実際に被検体を検査するときの検査フローの一例について説明する。
ステップST1では、検査者は事前走査を行う。この事前走査は、所望の画質を有する超音波画像を取得することがどの程度困難であるかを表す難度を求めるために実行される走査である。
a)被検体の皮下脂肪厚、b)腸管ガスの量、c)筋組織における超音波の減衰係数、d)肝臓の深部減衰による超音波の減衰係数
先ず、医療機関で実際に患者に肋間煽り走査を実行することにより得られたn枚の超音波画像Aj(j=1~n)を用意する。この肋間煽り走査は、できるだけ多くの患者に対して実行され、多数の患者から、肋間煽り走査により超音波画像を取得することが望ましい。超音波画像Ajは、診断画像でもよいし、診断画像に対して所定の前処理を実行することにより生成された画像でもよい。
Y=a + b1x1 + b2x2 + b3x3 + b4x4 ・・・(1)
ここで、Y:難度、a:定数、b1、b2、b3、b4:係数、x1:皮下脂肪厚、x2:腸管ガスの量、x3:筋組織における超音波の減衰係数、x4:肝臓の深部減衰による超音波の減衰係数
図2に戻って説明を続ける。
図4は、難度Yの表示方法の一例を示す図である。
表示部8には、難度Yが数字で表されている。第1の実施形態では、難度Yを1~5の数字で表している。難度Yが5に近いほど、所望の画質を有する超音波画像を取得することが困難であり、難度Yが1に近いほど、所望の画質を有する超音波画像を取得することが容易であることを表している。図4では、難度Yは4であるので、所望の画質を有する超音波画像を取得することは比較的困難であることが表されている。難度Yを表示した後、ステップST5に進む。
難度Yは5つの星を用いて表される。難度Yは、黒で塗りつぶされた星の数が多いほど、高画質の超音波画像を取得することが困難であり(難度Yが高い)、一方、黒で塗りつぶされた星の数が少ないほど、高画質の超音波画像を取得することが容易である(難度Yが低い)ことを表している。図5では、黒で塗りつぶされた星の数は4つであるので、高品質の超音波画像を取得することが比較的困難であることを表している。このように、難度Yは、検査者に認識させることができる任意の方法で表示させることが可能である。
(2-2)熟練者が、所望の画質を得ることは比較的容易である判断した場合には、超音波画像Ajに「2」を対応付ける。
(2-3)熟練者が、所望の画質を得ることは容易でないが困難でもないと判断した場合には、超音波画像Ajに「3」を対応付ける。
(2-4)熟練者が、所望の画質を得ることは比較的困難である判断した場合には、超音波画像Ajに「4」を対応付ける。
(2-5)熟練者が、所望の画質を得ることは非常に困難である判断した場合には、超音波画像Ajに「5」を対応付ける。
第1の実施形態では、超音波画像に基づいて計算した上記の特徴量を利用して、難度Yを計算している。しかし、深層学習を利用して難度Yを求めてもよい。以下に、深層学習を利用して難度Yを求める方法について説明する。
(2a) 超音波プローブに、被検体の所定の部位の走査を実行させること、
(2b) (2a)の走査により取得されたエコーデータに基づいて、超音波画像を生成すること、
(2c) 超音波画像に基づいて、後述する学習済みモデル71(図13参照)に入力される入力画像を生成すること、
(2d) 入力画像を学習済みモデル71に入力し、学習済みモデル71を用いて、所望の画質を有する超音波画像を取得することがどの程度困難であるかを表す難度を推論すること、
学習フェーズでは、先ず、トレーニングデータを作成するための元になる原画像を用意する。
第2の実施形態では、原画像として、病院などの医療施設で取得された超音波画像Ei(i=1~n)を用意する。
前処理には、例えば、画像を切り出しする処理、標準化処理、正規化処理、画像反転処理、画像回転処理、拡大率変更処理、画質変更処理などがある。このようにして、原画像Eiから、前処理された原画像Fiを得ることができる。前処理された原画像Fiが、学習済みモデルを生成するためのトレーニングデータFiとして使用される。
図9は、ラベリングの説明図である。
トレーニングデータには、正解データとして、所望の画質を有する超音波画像を取得することがどの程度困難であるかを表す難度Yがラベリングされている。難度Yは、第1の実施形態で説明された難度Yと同じである。第2の実施形態では、第1の実施形態で説明した5段階の難度Y(1~5)を複数の正解データ61として用意し、各トレーニングデータに、複数の正解データ61のうちの対応する正解データ(難度Y)をラベリングする。そして、正解データがラベリングされたトレーニングデータを用いて学習済みモデルを作成する(図10参照)。
学習済みモデルを生成する場合、正解データ61(難度Y)がラベリングされたトレーニングデータFiをニューラルネットワーク70に学習させる。このようにして、学習済みモデル71を作成することができる。学習済みモデル71は、後で説明する図13に示すように、所望の画質を有する超音波画像を取得することがどの程度困難であるかを表す難度Yを推論するものである。
ステップST11は、プロセッサ7が、超音波プローブ2に、肋間から肝臓端部を描出する肋間煽り走査を実行させる。プロセッサ7は、肋間煽り走査により取得されたエコーデータに基づいて、超音波画像を生成する。超音波画像を生成した後、ステップST12に進む。
プロセッサ7は、肋間煽り走査により取得された超音波画像80を前処理する。この前処理は、トレーニングデータFiを生成するときに実行した前処理(図8参照)と同じである。超音波画像80を前処理することにより、入力画像81を生成することができる。入力画像81を生成した後、ステップST13に進む。
プロセッサ7は、入力画像81を学習済みモデル71に入力し、学習済みモデル71を用いて、所望の画質を有する超音波画像を取得することがどの程度困難であるかを表す難度Yを推論する。難度Yを推論した後、ステップST14に進む。
第1および第2の実施形態では、超音波診断装置により取得された超音波画像に基づいて難度Yを求めているが、第3の実施形態では、超音波診断装置とは別のモダリティにより取得された画像に基づいて、難度Yを求める例について説明する。
(3a) 超音波診断装置とは別のモダリティの画像に基づいて、ガスを含むガス領域と検査対象物とを特定すること、
(3b) 別のモダリティの画像に基づいて肋間の位置を特定すること、
(3c) 別のモダリティの画像に基づいて、肋間の位置から超音波プローブで走査可能な走査範囲を決定すること、
(3d) 肋間と検査対象物との間にガス領域が存在しているか否かを判定すること、
(3e) 肋間から検査対象物に向けて送信される超音波の体表面に対する入射角を求めること、
(3f) ガス領域が存在しているか否かの判定結果と入射角とに基づいて、所望の画質を有する超音波画像を取得することがどの程度困難であるかを表す難度を求めること、
ステップST21では、プロセッサ7は、超音波検査を開始する前に、CT(Computed Tomography)、MRI(Magnetic Resonance Imaging)、PET(Positron Emission Tomography)、PET-CT、PET-MRなど別のモダリティにより取得された画像があるか否かを判定する。この判定は、例えば、放射線科情報システム(RIS:Radiology Information System)に保存されている検査情報などから確認することができる。別のモダリティにより取得された画像が無い場合は、ステップST26に進み、第1の実施形態で説明されたステップST1~ST5(図2参照)又は第2の実施形態で説明されたステップST11~ST15(図11参照)が実行され、フローが終了する。
図15は、ステップST22の説明図である。
ステップST22では、プロセッサ7は、別のモダリティにより取得された画像Bi(i=1~m)の中に、今回の超音波検査の検査対象である検査部位と同じ部位の画像BCj(j=1~n)が含まれているか否かを判定する。この判定は、例えば、RISに保存されている検査情報などから確認することができる。別のモダリティにより取得された画像Biの中に、今回の超音波検査の検査対象である検査部位と同じ部位の画像BCjが含まれていない場合は、ステップST26に進み、第1又は第2の実施形態の各ステップが実行される。
ステップST231では、プロセッサ7が、画像BCjに描出されている被検体の体内領域を複数の領域に分割する画像処理(セグメンテーション)を実行する。この処理では、各画像BCjに表されている、臓器(例えば、肝臓、腎臓、脾臓)、骨(例えば、肋骨、背骨)、ガスを含む領域、検査対象物(癌、病変など)等をパターン認識により特定する。
ステップST233では、プロセッサ7が各肋間31、32、および33から超音波プローブで走査可能な走査範囲を求める。更に、プロセッサ7は、以下の処理(f1)および(f2)を実行する。
(f1)各肋間31、32、および33と検査対象物41との間にガス領域42が存在しているか否かを判定する処理。
(f2)各肋間31、32、および33から検査対象物41に向けて送信される超音波の体表面48に対する入射角θ1、θ2、およびθ3を計算する処理。
第3の実施形態では、別のモダリティの画像のパターン認識を行い、難度Yを計算している。しかし、別のモダリティの画像に対して深層学習を利用して難度Yを求めることも可能である。以下に、別のモダリティの画像に対して深層学習を利用して難度Yを求める方法について説明する。
(4a) 超音波診断装置とは別のモダリティの画像に基づいて、学習済みモデルに入力される入力画像を生成すること、
(4b) 入力画像を学習済みモデルに入力し、学習済みモデルを用いて、所望の画質を有する超音波画像を取得することがどの程度困難であるかを表す難度Yを推論すること、
学習フェーズでは、先ず、トレーニングデータを生成するための元になる原画像を用意する(図20参照)。
第1の実施形態では、原画像として、超音波診断装置とは別のモダリティで取得された画像Gi(i=1~n)を用意する。原画像Giは、例えば、MR画像、CT画像、PET画像、PET-CT画像、PET-MR画像を含むことができる。
前処理には、例えば、画像を切り出しする処理、標準化処理、正規化処理、画像反転処理、画像回転処理、拡大率変更処理、画質変更処理などがある。このようにして、原画像Giから、前処理された原画像Hi(i=1~n)を得ることができる。前処理された原画像Hiが、学習済みモデルを作成するためのトレーニングデータHiとして使用される。
図22は、ラベリングの説明図である。
第4の実施形態では、トレーニングデータHiに複数の正解データ62をラベリングする。複数の正解データ62には、所望の画質を有する超音波画像を取得することがどの程度困難であるかを表す数値が含まれる。数値は、トレーニングデータHiの元になる原画像Gi(図20参照)の画質などを参考にして、例えば、超音波検査の熟練者が決定することができる。数値は、例えば、1~5の整数値とすることができる。数値が5に近いほど、所望の画質を有する超音波画像を取得することが困難であり、数値が1に近いほど、所望の画質を有する超音波画像を取得することが容易であることを表している。尚、正解データには、肋骨の位置を表す位置データ、ガス領域の位置を表す位置データ、検査対象物(例えば、病変、腫瘍)の位置を表す位置データを含めてもよい。
図23は、学習済みモデルの作成方法の説明図である。
学習済みモデルを生成する場合、正解データ62(難度Y)がラベリングされたトレーニングデータHiをニューラルネットワーク70に学習させる。このようにして、学習済みモデル72を作成することができる。学習済みモデル72は、後で説明する図25に示すように、所望の画質を有する超音波画像を取得することがどの程度困難であるかを表す難度Yを推論するものである。尚、好適には、セグメンテーションによって各臓器が識別されているトレーニングデータを使用して学習済みモデル72を生成することが望ましい。これにより、学習済みモデル72の推論精度を向上させることが可能である。ただし、画像に含まれる複数の臓器をセグメンテーションする画像解析も行うように、学習済みモデル72を作成してもよい。
ステップST231では、プロセッサ7が、ステップST22で選択された画像BCjから、学習済みモデル72に入力される入力画像を生成する。ここでは、k(≧1)枚の画像BCjが選択されたとする。したがって、プロセッサ7は、選択されたk枚の画像BCjごとに入力画像を生成する。入力画像を生成した後、ステップST232に進む。
尚、第4の実施形態では、
超音波診断装置には、走査により取得された超音波画像と模範画像とを比較し、超音波画像と模範画像との類似度が閾値以上の場合、超音波画像は所望の画像であると判定して、その超音波画像を自動的に画像記録する自動記録機能を備えたものがある。第5の実施形態では、難度Yに基づいて、自動記録機能で使用する閾値を決定する例について説明する。
(5a) 被検体の断面を走査することにより得られた超音波画像と、前記断面における模範画像との類似度を求めること、
(5b) 類似度と、超音波画像が所望の画像であるか否かを判定するための基準となる閾値とを比較し、その比較結果に基づいて、超音波画像が所望の画像であるか否かを判定すること。尚、閾値は難度Yに基づいて決定されるものである。
ステップST81では、検査者が被検体の所定の断面を走査し、所定の断面の超音波画像50を取得する。
ステップST71では、難度Yを求める。この難度Yは、第1~第4の実施形態のいずれかの方法を使用することができる。ここでは、難度Yは5であるとする。難度Yを求めた後、ステップST72に進む。
閾値THを決定したら、ステップST81に進む。
ステップST82では、超音波画像50と、所定の断面の模範画像RIとの類似度DSを求める。ここでは、DS=0.6であるとする。
以上説明したように、第5の実施形態では、プロセッサ7が、難度Yに基づいて閾値THを決定する。したがって、難度Yが高い場合は、閾値THを低くすることにより、現実的に得られそうな画質の超音波画像が得られた時点で、画像が記録されるようにすることができるので、検査時間の延長を抑えることが可能となる。
2 超音波プローブ
2a 振動素子
3 送信ビームフォーマ
4 送信器
5 受信器
6 受信ビームフォーマ
7 プロセッサ
8 表示部
9 メモリ
10 ユーザインタフェース
15 外部記憶装置
31 肋間
41 検査対象物
42 ガス領域
43 肝臓
44 肋骨
48 体表面
50、80 超音波画像
61、62 正解データ
70 ニューラルネットワーク
71、72 学習済みモデル
81 入力画像
Claims (15)
- 超音波プローブと、
前記超音波プローブで被検体を走査することにより得られた超音波画像を表示する表示部と、
前記超音波プローブおよび前記表示部と通信する1つ又は複数のプロセッサと
を含む超音波診断装置であって、
前記1つまたは複数のプロセッサが、
前記超音波プローブに、前記被検体の所定の部位の走査を実行させること、
前記走査により得られたエコーデータおよび/又は超音波画像に基づいて、前記被検体の皮下脂肪厚、腸管ガスの量、および超音波の減衰特性を表す減衰係数のうちの少なくとも一つを求めること、および
前記被検体の皮下脂肪厚、前記腸管ガスの量、および超音波の減衰特性を表す減衰係数のうちの少なくとも一つに基づいて、所望の画質を有する超音波画像を取得することがどの程度困難であるかを表す難度を求めること、
を含む動作を実行し、
前記表示部が前記難度を表示する、超音波診断装置。 - 前記減衰係数が、超音波の筋組織における減衰係数と、深部減衰による減衰係数とのうちの少なくとも一方の減衰係数を含む、請求項1に記載の超音波診断装置。
- 前記難度を求めることが、
以下の式を用いて前記難度を計算する、請求項2に記載の超音波診断装置。
Y=a + b1x1 + b2x2 + b3x3 + b4x4
ここで、Y:難度、a:定数、b1、b2、b3、b4:係数、x1:皮下脂肪厚、x2:腸管ガスの量、x3:筋組織における超音波の減衰係数、x4:肝臓の深部減衰による超音波の減衰係数 - 複数の超音波画像の各々に、所望の画質の超音波画像を得ることがどの程度困難であるのかを表す数値が対応付けられており、
前記難度を求めることが、
前記複数の超音波画像の中から、前記被検体を走査することにより得られた超音波画像に最も類似する超音波画像を求め、前記最も類似する超音波画像に対応付けられた数値を、前記難度として求めることを含む、請求項1に記載の超音波診断装置。 - 前記所定の部位の走査が肋間煽り走査である、請求項1に記載の超音波診断装置。
- 超音波プローブと、
前記超音波プローブで被検体を走査することにより得られた超音波画像を表示する表示部と、
前記超音波プローブおよび前記表示部と通信する1つ又は複数のプロセッサと
を含む超音波診断装置であって、
前記1つまたは複数のプロセッサが、
前記超音波プローブに、前記被検体の所定の部位の走査を実行させること、
前記走査により取得されたエコーデータに基づいて、超音波画像を生成すること、
前記超音波画像に基づいて、学習済みモデルに入力される入力画像を生成すること、および
前記入力画像を前記学習済みモデルに入力し、前記学習済みモデルを用いて、所望の画質を有する超音波画像を取得することがどの程度困難であるかを表す難度を推論すること、
を含む動作を実行し、
前記表示部が前記難度を表示する、超音波診断装置。 - 前記学習済みモデルは、
ニューラルネットワークが、超音波画像を用いて作成されたトレーニングデータであって、所望の画質を有する超音波画像を取得することがどの程度困難であるかを表す難度がラベリングされたトレーニングデータを学習することにより作成されたものである、請求項6に記載の超音波診断装置。 - 前記所定の部位の走査が肋間煽り走査である、請求項6に記載の超音波診断装置。
- 超音波プローブと、
前記超音波プローブで被検体を走査することにより得られた超音波画像を表示する表示部と、
前記超音波プローブおよび前記表示部と通信する1つ又は複数のプロセッサと
を含む超音波診断装置であって、
前記1つまたは複数のプロセッサが、
超音波診断装置とは別のモダリティの画像に基づいて、ガスを含むガス領域と検査対象物とを特定すること、
前記別のモダリティの画像に基づいて肋間の位置を特定すること、
前記肋間と前記検査対象物との間に前記ガス領域が存在しているか否かを判定すること、
前記肋間から前記検査対象物に向けて送信される超音波の体表面に対する入射角を求めること、および
前記ガス領域が存在しているか否かの判定結果と前記入射角とに基づいて、所望の画質を有する超音波画像を取得することがどの程度困難であるかを表す難度を求めること、
を含む動作を実行し、
前記表示部が前記難度を表示する、超音波診断装置。 - 前記難度を求めることが、
前記前記ガス領域が存在しているか否かの判定結果と前記入射角とに基づいて、前記肋間ごとに、前記検査対象物を所望の画質で描出することがどの程度困難であるかを表す指標を求めること、および
前記指標に基づいて、前記難度を求めること、
を含む、請求項9に記載の超音波診断装置。 - 超音波プローブと、
前記超音波プローブで被検体を走査することにより得られた超音波画像を表示する表示部と、
前記超音波プローブおよび前記表示部と通信する1つ又は複数のプロセッサと
を含む超音波診断装置であって、
前記1つまたは複数のプロセッサが、
超音波診断装置とは別のモダリティの画像に基づいて、学習済みモデルに入力される入力画像を生成すること、および
前記入力画像を前記学習済みモデルに入力し、前記学習済みモデルを用いて、所望の画質を有する超音波画像を取得することがどの程度困難であるかを表す難度を推論すること、
を含む動作を実行し、
前記表示部が前記難度を表示する、超音波診断装置。 - 前記学習済みモデルは、
ニューラルネットワークが、超音波診断装置とは別のモダリティの画像に基づいて作成されたトレーニングデータであって、所望の画質を有する超音波画像を取得することがどの程度困難であるかを表す数値を含む正解データがラベリングされたトレーニングデータを学習することにより作成されたものである、請求項11に記載の超音波診断装置。 - 前記正解データは、
検査対象物の位置データ、ガス領域の位置データ、および肋骨の位置データを含む、請求項12に記載の超音波診断装置。 - 前記1つまたは複数のプロセッサが、
前記被検体の断面を走査することにより得られた超音波画像と、前記断面における模範画像との類似度を求めること、および
前記類似度と、前記超音波画像が前記所望の画像であるか否かを判定するための基準となる閾値とを比較し、その比較結果に基づいて、前記超音波画像が前記所望の画像であるか否かを判定すること、
を含む動作を実行し、
前記閾値は前記難度に基づいて決定されるものである、請求項に記載1~13のうちのいずれか一項に記載の超音波診断装置。 - 超音波プローブで被検体を走査することにより得られたエコーデータおよび/又は超音波画像に基づいて、前記被検体の皮下脂肪厚、腸管ガスの量、および超音波の減衰特性を表す減衰係数のうちの少なくとも一つを求めること、
前記被検体の皮下脂肪厚、前記腸管ガスの量、および超音波の減衰特性を表す減衰係数のうちの少なくとも一つに基づいて、所望の画質を有する超音波画像を取得することがどの程度困難であるかを表す難度を求めること、および
前記難度を表示部に表示すること、
を含む表示方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021170554A JP7225345B1 (ja) | 2021-10-18 | 2021-10-18 | 超音波診断装置および表示方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021170554A JP7225345B1 (ja) | 2021-10-18 | 2021-10-18 | 超音波診断装置および表示方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP7225345B1 true JP7225345B1 (ja) | 2023-02-20 |
JP2023060768A JP2023060768A (ja) | 2023-04-28 |
Family
ID=85238724
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021170554A Active JP7225345B1 (ja) | 2021-10-18 | 2021-10-18 | 超音波診断装置および表示方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7225345B1 (ja) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011102401A1 (ja) | 2010-02-17 | 2011-08-25 | 株式会社 日立メディコ | 弾性画像の画質評価方法及び超音波診断装置 |
JP2013176409A (ja) | 2012-02-28 | 2013-09-09 | Hitachi Ltd | 超音波撮像装置の画質評価方法および装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07121722A (ja) * | 1993-06-23 | 1995-05-12 | Toshiba Corp | 画像評価装置 |
JP5750668B2 (ja) * | 2013-02-26 | 2015-07-22 | オリンパス株式会社 | カメラ、再生装置、および再生方法 |
-
2021
- 2021-10-18 JP JP2021170554A patent/JP7225345B1/ja active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011102401A1 (ja) | 2010-02-17 | 2011-08-25 | 株式会社 日立メディコ | 弾性画像の画質評価方法及び超音波診断装置 |
JP2013176409A (ja) | 2012-02-28 | 2013-09-09 | Hitachi Ltd | 超音波撮像装置の画質評価方法および装置 |
Also Published As
Publication number | Publication date |
---|---|
JP2023060768A (ja) | 2023-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11633169B2 (en) | Apparatus for AI-based automatic ultrasound diagnosis of liver steatosis and remote medical diagnosis method using the same | |
US20210177373A1 (en) | Ultrasound system with an artificial neural network for guided liver imaging | |
RU2653274C2 (ru) | Связанная сегментация в стандартных и контрастных ультразвуковых 3d-изображениях | |
CN107464231B (zh) | 用于确定医学成像的最佳操作参数的系统和方法 | |
CN114903522A (zh) | 超声成像中的机器辅助工作流 | |
US10470744B2 (en) | Ultrasound diagnosis apparatus, ultrasound diagnosis method performed by the ultrasound diagnosis apparatus, and computer-readable storage medium having the ultrasound diagnosis method recorded thereon | |
JP2008073305A (ja) | 超音波乳房診断システム | |
US20120157834A1 (en) | Path Parametric Visualization in Medical Diagnostic Ultrasound | |
JP2008073304A (ja) | 超音波乳房診断システム | |
JP2013542046A (ja) | 超音波画像処理のシステムおよび方法 | |
JPWO2020027228A1 (ja) | 診断支援システム及び診断支援方法 | |
JP2023521738A (ja) | 前立腺自動解析システム | |
US11278259B2 (en) | Thrombus detection during scanning | |
KR20170086311A (ko) | 의료 영상 장치 및 그 동작방법 | |
JP2010094181A (ja) | 超音波診断装置および超音波診断装置のデータ処理プログラム | |
JP2021041029A (ja) | 診断支援装置、診断支援システム、及び診断支援方法 | |
US11250564B2 (en) | Methods and systems for automatic measurement of strains and strain-ratio calculation for sonoelastography | |
CA3054483A1 (en) | Ultrasound guidance dynamic mode switching | |
CN111317508B (zh) | 超声波诊断装置、医用信息处理装置、计算机程序产品 | |
JP7225345B1 (ja) | 超音波診断装置および表示方法 | |
JP7488789B2 (ja) | 超音波診断装置及び診断支援方法 | |
JP6293429B2 (ja) | データ解析装置、データ解析装置のプログラム及び超音波診断装置 | |
US12004900B2 (en) | System and methods for a measurement tool for medical imaging | |
WO2021230230A1 (ja) | 超音波診断装置、医用画像処理装置、及び、医用画像処理方法 | |
JP7438038B2 (ja) | 超音波診断装置及び診断支援方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20211112 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220928 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221222 |
|
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: 20230111 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230208 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7225345 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |