JP7250414B2 - 異なる組織タイプの新型超音波検出 - Google Patents

Description

発明の詳細な説明

（関連出願の相互参照）
本願は、２０１７年１０月１３日に提出した第６２／５７１,８５０（「‘８５０出願」）、代理事務所案件番号ＣＣＦ―０２７０５７、名称が「神経血管束の超音波スペクトルパラメータ検出」の米国仮特許出願の優先権を主張し、当該‘８５０出願の内容全体は、参照により本明細書に組み込まれる。

本開示は、医学結像に関し、より具体的に異なる組織タイプの超音波スペクトルパラメータ検出、複数の超音波源からの入力データをマージするための機械学習及び組織タイプ間の区別を助けるためのケプストラムパラメータの使用に関する。

傍脊椎神経ブロック（「ＰＶＢ」）は、椎間孔に脊髄神経が現れる位置に隣接する空間に麻酔薬を注入する技術である。ＰＶＢは、一般的に急性及び慢性の痛みの治療に用いられ、種々の外科手術（例えば、胸部や腹部の手術）の鎮痛として用いられる。傍椎空間は、くさび形であり、且つ脊柱の両側に位置する。それは、後部において上肋横靱帯（くさびの一方の側）によって区切られ、前外側において胸膜（さびのもう一方の側）によって区切られ、くさびの基部において椎体と椎間板によって区切られる。それは、連続する方式で横方向に肋間空間に延在する。肋間動脈、肋間静脈、および肋間神経はすべてこの空間に含まれ、脊椎の内側から始まり、傍脊椎腔を横切り、肋間から肋間を横切って肋間空間に延在する。傍脊椎腔への局所麻酔薬の注入は、複数の隣接する皮膚節で同側体細胞ブロックを引き起こす可能性がある。

ＰＶＢは、通常、ランドマーク認識、抵抗の喪失、神経刺激、またはリアルタイムな蛍光検査または超音波画像ガイダンスを含む様々なガイダンスモードを使用して実行される。しかし、ランドマーク認識技術を使用すると、鎮痛の効果が望ましいレベルにより低くなる可能性がある。注射の画像ガイダンス及びリアルタイムな可視化は、通常、のより適切なレベルとより少ない合併症をもたらす。しかし、蛍光検査は、患者および麻酔科医を放射線量に曝し、造影剤の使用を必要とし、これは望ましくない。

超音波結像は非電離性且つ非侵襲性であるため、より望ましい。なお、針のリアルタイムな可視化により、超音波ガイド付きＰＶＢを使用すると、結果が改善され、合併症が減少し、成パワーが高くなる。しかし、超音波を使用した視覚化により、いくつかの合併症のリスクを減らすことができるが、末梢神経とそれに関連する血管は周囲の組織と同様の音響インピーダンスを持つ傾向があるため、針の注入中に肋間血管と肋間神経を識別するのは困難である。なお、通常実現し難い非垂直入射角の必要性に対して、ドップラー超音波は、血管の位置を特定できない場合がある。従って、ＰＶＢを実施する医師などの使用者は、物理的ランドマークおよび針を挿入することによる相対的な抵抗に依存することで正確な注射位置を見つける場合があり、これは、効果的または正確ではない可能性がある。これは、他の合併症をもたらす可能性がある。

頸動脈プラークの場合、ドップラー超音波（ｄｕｐｌｅｘ ｕｌｔｒａｓｏｕｎｄ）は、通常、頸動脈内のプラークの位置及び大きさを特定するために用いられる。具体的に、ドップラー超音波は、狭窄の程度の代替として用いられる。他の結像方式もコンピュータ断層撮影と磁気共鳴血管造影のような計測を提供可能である。しかし、これらの方法は、非常に高価であり、ＣＴは、患者を電離放射線に曝す。頸動脈狭窄の程度は、患者の最善の治療方法を決定するための主な措置であるが、周知されているように、プラーク組成は、将来の脳卒中のリスクを特定するためのより良い方法であり、従って、組成は患者の最善の治療方法を特定するためにより重要である。

頸動脈プラークの組成は、臨床的に使用されるいかなる結像方式を通じても取得できない。磁気共鳴は、線維性プラークと出血性プラーク（前者は安定だり、後者は不安定である）を区別することは、困難である。ＣＴは、はカルシウムの負荷を特定するのに非常に優れているが、軟部組織のタイプを区別することは、困難である。ＶＨ―ＩＶＵＳは、適用可能であるが、頸動脈内に血管内超音波プローブを配置するための侵襲的手術は、必要である。

一例では、システムであって、プロセッサと、プロセッサによって実行されるプログラム指令を格納するコンピュータ読み取り可能な有形の記憶装置と、を備える。プログラム指令は、関心領域（ｒｅｇｉｏｎ ｏｆ ｉｎｔｅｒｅｓｔ）を表す超音波画像及び超音波画像に関連する無線周波数（「ＲＦ」）データを含むデータを受信するための指令と、ＲＦデータを分析して関心領域に関連する少なくとも１つの特徴を識別するために指令、とを含み、２次元スペクトル特徴を表す特徴と、ＲＦデータから特定されるケプストラムの特徴のうちの１つまたは２つを含む。プログラム指令は、識別された少なくとも１つの特徴から、関心領域を複数の解剖種別のうちの１つの解剖種別に分類し、ディスプレイに当該解剖種別を表示させる指令をさらに含む。

別の例では、関心領域を解剖学的特徴として分類するシステムであって、プロセッサと、プロセッサが実行可能な実行可能指令を格納する非一時的なコンピュータ可読媒体とを含む。指令は、超音波インターフェースを含み、当該超音波インターフェースは、関連する超音波システムから、関心領域からの記録されたエコーを１組の無線周波数（ＲＦ）信号として受信し、前記ＲＦ信号から超音波画像を構築する。前記ＲＦ信号は、１組の高調波信号を含み、当該組の高調波信号は、記録されたエコーの第２次高調波に関連する周波数範囲から抽出される。周波数変換コンポーネントは、前記ＲＦ信号を時間領域から周波数領域表現に変換する。特徴抽出器は、周波数領域表現から複数の特徴を抽出し、前記複数の特徴のうちの少なくとも１つは、当該組の高調波信号を表す。分類器は、抽出された複数の特徴から関心領域を、解剖学的特徴を表す複数の種別のうちの１つに割り当てる。

さらに別の例では、方法は、提供される。関心領域からの記録されたエコーは、１組の無線周波数（ＲＦ）信号として受信される。前記ＲＦ信号は、時間領域表現から周波数領域表現に変換される。前記周波数領域表現は、関心領域の深さの関数として調整されて減衰に用いられる。前記周波数領域表現から複数の特徴を抽出する。分類器モデルにおいて抽出された複数の特徴から、関心領域を、解剖学的特徴を表す複数の種別のうちの１つに割り当てる。

関心領域を複数の解剖学的特徴のうちの１つに分類するためのシステムである。 傍椎空間で使用される当該システムの例を示す。 解剖学的特徴を識別および分類するための例示的なシステムを示す。 図３におけるシステムによって使用される例示的な分類コンピュータのブロック図である。 正規化されたスペクトルを含む単一の関心領域からの平均スペクトルを示すグラフである。 図５Ａの正規化されたスペクトルを拡大表示したグラフである。 径方向に積分されたスペクトルパワーを計算するための例示的なジオメトリを示すグラフである。 角度積分されたスペクトルパワーを示すグラフである。 患者の解剖学的構造における関心領域を識別および分類するための例示的な方法を示す。 関心領域を解剖学的特徴を表す複数の種別のうちの１つに分類する方法を示す。

本開示は、医学結像に関し、さらに、より具体的に、関心領域内の解剖学的特徴を識別するためのシステム及び方法に関する。解剖学的特徴には、組織のいかなるタイプ、組織の欠如（例えば、空洞）または特定の組織タイプの存在によって引き起こされる既知のアーチファクト（ａｒｔｉｆａｃｔ）（例えば、選択された関心領域での音響シャドーイング）、または意図的に引き起こした組織特性の変化（例えば、加熱組織が生じる音響後方散乱の変化）。図１は、関心領域を複数の解剖学的特徴のうちの１つに分類するシステム１０を示す。システム１０は、プロセッサ１２と、プロセッサによって実行可能な実行可能指令を格納する非一時的なコンピュータ可読媒体１４とを含む。

コンピュータ可読媒体は、超音波インターフェース２２を含み、当該超音波インターフェース２２は、関連する超音波システム（図示せず）から、関心領域からの記録されたエコーを１組の無線周波数（ＲＦ）信号として受信し、当該ＲＦ信号から超音波画像を構築する。ＲＦ信号は、トランスデューサから超音波を送信するときに超音波デバイスに関連する基本周波数を表す信号と、周波数範囲を表す１組の高調波信号とを含み、当該周波数範囲は、超音波伝播または散乱中に生じる非線形的に生成された第２次高調波に関連する。一実施態様では、基本周波数範囲は、３～７ＭＨｚであり、第２次高調波は、５.３～８.７ＭＨｚである。

発明者らは、受信された信号を周波数領域表現に変換することで、信号の調整及び適切な分類特徴の抽出を簡略化すると確定した。従って、指令は、ＲＦ信号を時間領域表現から周波数領域表現に変換する周波数変換コンポーネント２４を含む。一実施態様では、周波数変換コンポーネント２４は、信号に対して自己回帰スペクトル推定技術（ａｕｔｏ―ｒｅｇｒｅｓｓｉｖｅ ｓｐｅｃｔｒａｌ ｅｓｔｉｍａｔｉｏｎ ｔｅｃｈｎｉｑｕｅ）を使用してパワースペクトルを提供する。この例では、所定の関心領域を１５セットの６４回の測定として表すことができる。各ラインを個別に変換し、デシベルへの変換後に平均化して、周波数領域表現を提供する。

そして、得られた周波数領域表現を信号調整コンポーネント２６に提供する。信号調整コンポーネント２６は、ＲＦ信号の周波数領域表現を逆畳み込みして、超音波システムの伝達関数を除去し、ＲＦの周波数領域表現を調整して減衰に用いられる。均一な伝播媒体の場合、超音波システムの焦点ゾーン内に所定の深さ（ｄ）で散乱した受信信号のパワースペクトル（Ｓ（ｆ，ｄ））は、Ｓ（ｆ，ｄ）＝Ｔ（ｆ）Ｒ（ｆ，ｄ）Ｄ（ｆ，ｄ）Ａ（ｆ，ｄ）Ｂ（ｆ）として表すことができる。
ただし、ｆは周波数であり、Ｔ（ｆ）及びＲ（ｆ，ｄ）は、超音波システムのトランスデューサ及びシステム電子機器のビームにより形成された送信伝達関数及び受信伝達関数を表し、Ｄ（ｆ，ｄ）は、回折効果を含み、Ａ（ｆ，ｄ）は、重なる減衰を説明し、Ｂ（ｆ）は、後方散乱伝達関数である。

一実施形態では、理想的な反射器を使用して、水タンク内のＴ（ｆ）、Ｒ（ｆ，ｄ）及びＤ（ｆ，ｄ）を特定することができる。別の実施形態では、アパーチャビーム情報の送信と受信、および受信ビーム情報（ゲインステージ付き）のシミュレーションにより、これらのアイテムのスペクトル補償を取得する。３種目の実施形態は、ハイドロフォン（ｈｙｄｒｏｐｈｏｎｅ）を使用してＴ（ｆ）及びＤ（ｆ，ｄ）を特定し、同時に、超音波のポイントソースを導入してＲ（ｆ，ｄ）を距離及び周波数の関数として直接測定する。Ｔ（ｆ）、Ｒ（ｆ，ｄ）及びＤ（ｆ，ｄ）の推定値がどのように取得されるかに関係なく、、これらの影響について、これらを使用してＲＦ信号の周波数表現を補償することができる。

一様な基準ファントム（ｕｎｉｆｏｒｍ ｒｅｆｅｒｅｎｃｅ ｐｈａｎｔｏｍ）からの後方散乱ＲＦデータの分析を行うことにより、Ｔ（ｆ）、Ｒ（ｆ，ｄ）及びＤ（ｆ，ｄ）を特定する推定値を取得して、受信した信号を補償する。ファントムから後方散乱したＲＦは、回折効果、送信伝達関数及び受信伝達関数を説明することができる。それは、減衰を部分的に補償する。ファントムは、均一な散乱及び音響特性を持つファントムである必要がある。理想的に、当該ファントムは、組織と同等な音速を示す必要がある。例えば、ＣＩＲＳ型０４４ファントムは、１５４０ｍ／ｓの音速を有し、且つ０.５ｄＢ／ｃｍ―ＭＨｚ減衰を有する均一な材料である。ファントムないの異なる領域から複数のフレームを収集し、体内の関心領域と同じ深さにおいて全てのライン及びフレームの推定パワースペクトルを平均化して、ファントムからデータを取得し、参照パワースペクトルを作成する。関心領域のパワースペクトルで参照パワースペクトル（または、もし両方がいずれもデシベルを単位とすると、関心領域のパワースペクトルから参照パワースペクトルを減産する）を除算することで、送信及び受信電子器機器及びトランスデューサの影響、回折及び減衰の部分的な影響を解消することができる。

信号調整コンポーネント２６は、後方散乱伝達関数（ｅＢＴＦ）の推定を得るために、減衰に対する補償をさらに提供することができる。一実施形態では、標準的な減衰補償（例えば、０.５ｄＢ／ｃｍ―ＭＨｚ）を使用することができる。参照ファントム方法を使用する場合、ファントムの固有の減衰は、組織の特性評価に有用なｅＢＴＦを取得するために十分である場合がある。別の実施形態では、患者内の既知の特性を有する組織の後方散乱に基づく減衰補償を使用することができる。例えば、動脈内の動脈プラークを特定するための実施形態では、動脈周囲の外膜組織を使用することができる。代替的に、正常な被検体における既知の組織の値又はエクスビボ（ｅｘ ｖｉｖｏ）のデータを使用することができる。どちらの例でも、既知の組織からの後方散乱を使用して使用可能な帯域幅にわたる個別の周波数のそれぞれについて深さの関数として推定減衰補償を計算することができる。なお、各患者の経路における上層の筋肉と比較した上層の皮膚及び脂肪領域の相対的な厚さに基づき減衰値を調整することができ、特定の各患者に適応可能な減衰補償を可能にする。最後に、スペクトルに基づく方法、例えば最適パワースペクトルシフト推定器（ＯＰＳＳＥ）方法を使用することができる。

後方散乱のデータの基本部分と非線形的に生成された第２次高調波部分は、いずれも減衰補償を必要とし、これらの２種類の信号について、異なる方法を必要とする場合がある。具体的に、基本部分についての最適減衰補償方法は、非線形的に生成された第２次高調波についての最適補償方法とは、異なる可能性があり、逆にも同様であるため、複数種の補償方法を適用する必要がある。

参照ファントムを使用して後方散乱伝達関数（ｅＢＴＦ）の推定を取得するための補償方法は、深さ（ｄ）及び周波数（ｆ）から、以下のように記述することができ、

（２）
ただし、Ｓ（ｆ，ｄ）は、頸動脈プラークからの測定信号であり、Ｓ_ｒｅｆ（ｆ，ｄ）は、参照ファントムからの後方散乱の信号であり、また、

は、参照ファントム減衰と、トランスデューサと外膜との間の組織の上層の減衰との差を補償するための減衰係数である。このような補償減衰は、上記の減衰推定方法のうちの１つにより特定されるため、基本周波数及び高調周波数のそれぞれは、いずれも後方散乱伝達関数で表すことができる。

特徴抽出器２８は、ＲＦ信号から少なくとも１つの特徴を抽出する。一例では、１組の高調波信号から少なくとも１つの特徴を抽出する。従って、基本周波数及び高調周波数のｅＢＴＦのそれぞれについて、例示的な特徴は、勾配、ミッドバンドフィット及び周波数関数としてのｅＢＦＴにフィットする回帰直線の切片値、並びに、帯域幅の上半分、帯域幅の下半分、および帯域幅全体のそれぞれでの積分後方散乱（ｉｎｔｅｇｒａｔｅｄ ｂａｃｋｓｃａｔｔｅｒ）、ｅＢＴＦの最大値及び最小値、最大値及び最小値に対応する周波数、及びｅＢＴＦのケプストラム、ケプストラムピーク値、ケプストラムピーク値に関連する周波数から抽出された２つの値を含むことができる。

分類器２９は、抽出された少なくとも１つの特徴から、関心領域を、解剖学的特徴を表す複数の種別のうちの１つに割り当てる。一例では、分類器２９は、ランダムフォレストモデル、サポートベクターマシン及びＫ最近傍モデルのうちの１つまたは複数を含むことができる。割り当てられた種別は、非一時的媒体２０に格納され、ディスプレイなどの関連する出力装置３０で使用者に提供される。

図２は、機械学習アルゴリズムを使用して関心領域（例えば、傍椎又は肋間空間１００）の超音波結像から得られたデータをスペクトル分析することで神経１０２及び血管１０４を識別することを示す。神経１０２を識別することにより、傍脊椎神経ブロック術（「ＰＶＢ」）１０６などのような医療手術を行いながら神経を可視化することができ、これは、手術中に発生する合併症または不具合を減少することができる。また、血管１０４を識別することにより、ＰＶＢ１０６などのような医療手術を行いながら血管１０４を可視化することができ、血管は、麻酔薬の導管として機能し、効力を低下させるため、強力な痛みの管理を可能にする。患者の快適さと効果を改善することができる。本明細書で説明する例示的なシステム及び方法は、具体的にＰＶＢ１０６手術を指すことができるが、説明するシステム及び方法は、他の用途でも同様に使用することができ、神経１０２及び血管１０４の位置を特定し、これは、神経組織損傷を最小化または回避する能力につながり、効果を改善する。なお、当該システムは、画像上の他の組織及び非組織内容物を識別するために使用可能であると理解されるであろう。一実施形態では、当該システムは、靭帯組織、肋間筋肉、他の筋肉組織、胸膜、肋骨または他の骨からの影、傍椎空間、ならびに神経及び血管を区別することができる。別の一実施形態では、それは、マイクロバブルが存在しない場合にアブレーションされた組織と正常組織とを区別することができる。さらに別の実施形態では、当該システムは、異なるタイプの動脈プラークを区別することができる。

図３は、例えば傍椎空間内に位置する関心領域内の組織及び他の解剖構造（以下、「システム」と呼ぶ）２００を識別及び分類するための例示的なシステムを示す。システム２００は、超音波コンピュータ２０２を含むことで、プローブ２０６を介して患者２０４の超音波導出データを収集する。プローブ２０６は、患者２０４のいかなる関心領域に向けられてもよい。超音波画像を捉えることに加え、プローブ２０６は、また超音波画像に対応する無線周波数（「ＲＦ」）信号をキャプチャーすることも可能である。特に、プローブ２０６は、圧力波またはパルスを組織に伝達する。組織密度に応じて、パルスは、散乱及び反射し、その一部は、反射及び散乱してプローブ２０６に戻る。プローブ２０６は、これらのパルスを受信された電気信号またＲＦ信号に変換する。

システム２００は、ディスプレイ２０８をさらに含み、ディスプレイ２０８は、超音波コンピュータ２０２が収集された超音波導出データに基づき生成した表示内容を表示するためのものである。例えば、ディスプレイ２０８は、超音波コンピュータ２０２が捉えた関心領域に関連する超音波画像を表示することができる。

システム２００は、関心領域分類コンピュータ（以下、「分類コンピュータ」と呼び）２１０をさらに含む。分類コンピュータ２１０及び超音波コンピュータ２０２を２つの異なるコンピュータとして示すが、分類コンピュータ２１０及び超音波コンピュータ２０２は、単一のコンピューティングシステム（図示せず）に組み合わせることができる。例えば、超音波コンピュータ２０２は、本明細書に記載される分類コンピュータ２１０の特徴および機能を提供するように構成され得る。

分類コンピュータ２１０は、超音波波コンピュータによって収集された超音波導出データを受信し、関心領域を複数の解剖種別のうちの１つに分類するように構成される。所定の解剖種別は、例えば組織のタイプ、組織の欠如又は特定の組織タイプの存在によって引き起こされる既知のアーチファクト（例えば、音響シャドーイング）。一例では、分類コンピュータ２１０は、超音波コンピュータ２０２から、音響放射力インパルス（以下、「ＡＲＦＩ」と呼ぶ）の導出データを含む超音波導出データを受信するように構成される。ＡＲＦＩデータは、ＡＲＦＩ相対剛性データを含むことができ、当該ＡＲＦＩ相対剛性データは、ＡＲＦＩプッシュパルスを加えた後、どれぐらいの変位から生じる相対組織剛性を測定する。ＡＲＦＩデータは、せん断波弾性結像（以下「ＳＷＥＩ」と呼ぶ）をさらに含むことができ、ＡＲＦＩプッシュパルスを使用して超音波照射の方向に直交して伝播するせん断波を生成し、ＡＲＦＩデータは、変位測定の導関数（例えば、速度及び加速度）をさらに含むことができる。次に、組織のヤング率に直接関係するせん断波の伝播速度を追跡するために結像を行う。

分類コンピュータ２１０は、さらに超音波コンピュータ２０２から後方散乱伝達関数（「ｅＢＴＦ」）の推定から取得する超音波後方散乱のスペクトルパラメータを含む超音波導出データを受信するように構成される。超音波コンピュータ２０２によって送信及び受信伝達関数から生じる影響、回折効果及び減衰効果を逆畳み込みすることによりｅＢＴＦを取得することができる。ｅＢＴＦは、正規化されたパワースペクトルであり、パラメータは、それが使用可能な帯域幅から取得することができる。取得するパラメータは、勾配、切片及びミッドバンドフィットを含む３つの線形フィットパラメータを含む。取得するパラメータは、ｅＢＴＦと線形フィットの二乗平均平方根（「ＲＭＳ」）偏差をさらに含む。取得するパラメータは、さらに３つの積分後方散乱（ＩＢ）パラメータ、またはｅＢＴＦの下方領域の定義された帯域幅の合計を含み、全帯域幅、帯域幅の下半分及び帯域幅の上半分を含む。取得するパラメータは、さらにｅＢＴＦの使用可能な帯域幅における４つの最大及び最小値と対応する周波数を含む。取得するパラメータは、さらにピーク値およびピーク値の周波数を含む２つのケプストラムパラメータを含む。パワースペクトルのフーリエ変換の大きさを計算するか、又はｅＢＴＦの大きさのフーリエ変換を計算することにより、ケプストラムを取得することができる。

一例では、分類コンピュータ２１０は、スペクトルパラメータのみを受信する。別の例では、分類コンピュータ２１０は、ＡＲＦＩ導出パラメータ及びスペクトルパラメータを受信する。ＡＲＦＩ導出パラメータは、組織の剛性と機械的特性に敏感であり、スペクトルパラメータは、後方散乱の散乱体の分布、大きさ及び強度に敏感である。従って、スペクトルパラメータ及びＡＲＦＩ導出パラメータは、組織に関する補足情報を提供する。従って、一例では、説明される２つのＡＲＦＩデータポイント及び説明される１３個のスペクトルパラメータを分類コンピュータ２１０の組み合わせの入力として使用することにより、それらを組織タイプの単一の特定に組み合わせる。これらのパラメータの生成および適用の２つの例については、Ｓｐｅｃｔｒａｌ Ａｎａｌｙｓｉｓ ｏｆ Ｕｌｔｒａｓｏｕｎｄ Ｒａｄｉｏｆｒｅｑｕｅｎｃｙ Ｂａｃｋｓｃａｔｔｅｒ ｆｏｒ ｔｈｅ Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｏｆ Ｆｉｖｅ Ｔｉｓｓｕｅ Ｔｙｐｅｓ Ｆｏｕｎｄ Ｉｎ ａｎｄ Ａｒｏｕｎｄ ｔｈｅ Ｐａｒａｖｅｒｔｅｂｒａｌ Ｓｐａｃｅ， ｂｙ Ｈａｇｇａｒｄ ｅｔ ａｌ． ｉｎ Ｕｌｔｒａｓｏｎｉｃ Ｉｍａｇｉｎｇ ａｎｄ Ｔｏｍｏｇｒａｐｈｙ（ＳＰＩＥ， Ｖｏｌ． １０５８０， １０５８０１６）を参照することができる。

分類コンピュータ２１０は、さらに受信した超音波導出データに基づいて関心領域を識別及び分類するように構成される。特に、分類コンピュータ２１０は、教師あり機械学習モデルを使用して、受信された超音波導出データの少なくとも一部に基づいて関心領域を識別及び分類するように構成される。一例では、分類コンピュータ２１０は、関心領域の識別および分類を学習するために、受信した超音波導出データの少なくとも一部をトレーニング入力として使用するように構成される。例えば、分類モデルは、分類木、ランダムフォレスト法、サポートベクターマシンまたはＫ最近傍モデルとして実装することができる。

実装された教師あり機械学習モデルに関係なく、分類コンピュータ２１０は、組織タイプを識別するための定義された基準（「ゴールドスタンダード」とも呼ばれる）に基づいて学習する（即ち、トレーニングされる）ように構成される。一例では、ゴールドスタンダードは、超音波コンピュータ２０２から取得される画像に対する使用者の説明であり得る。例えば、分類コンピュータ２１０が使用者の信頼度に基づいてトレーニングして使用するために、画像を選択することができる。別の例では、ゴールドスタンダードの参照は、組織学または他の適切な結像モードに基づいてもよい。肋間空間は、非常に限られた音響ウィンドウを提供するので、通常血管からのドップラー信号が存在しないが、剛性及び散乱は血流に対する超音波照射角度に依存しないため、超音波コンピュータ２０２によって提供されるデータは、依然として組織タイプのロバスト性測定（ｒｏｂｕｓｔ ｍｅａｓｕｒｅ）を維持する。

分類コンピュータ２１０は、さらに、関心領域を識別及び分類するために、（次にトレーニングされた後）受信された超音波導出データを統計分析する。分類コンピュータ２１０は、識別された関心領域をディスプレイ２０８に伝送するように構成される。例えば、分類コンピュータ２１０は、ディスプレイ２０８が識別した神経及び血管情報を用いて超音波コンピュータ２０２によって提供される超音波画像を増強するようにすることで、医師などの使用者に例えばＰＶＢの医療手術を行うと同時に神経及び血管を可視化できる能力を提供する。

図４は、分類コンピュータ３００（例えば、図３の分類コンピュータ２１０）を示すブロック図である。分類コンピュータ３００は、超音波コンピュータ（即ち、図３の超音波コンピュータ２０２）から超音波導出データを受信するためのデータ取得モジュール３０２を含む。一例では、データ取得モジュール３０２は、超音波導出データをデータベース３１０に格納してさらなる処理を行う。超音波導出データは、超音波画像及び超音波画像に関連する基礎となるＲＦデータを含む。一例では、超音波導出データは、さらに、肋間動脈および／または静脈の識別のための参照を使用し、関心領域を選択して分析に使用することを支援するカラードップラーループを含む。

分類コンピュータ３００は、選択された関心領域の特徴を識別するために、選択された関心領域のＲＦ信号を分析するためのスペクトル分析モジュール３０４を含む。一例では、スペクトル分析モジュール３０４は、関心領域ごとに、関心領域を横断する１次元信号のスペクトルに基づくスペクトル特徴、２次元スペクトル特徴及びケプストラムに基づく特徴を含む３つの特徴種別を識別または計算するように構成される。

一例では、スペクトル分析モジュール３０４は、自己回帰（「ＡＲ」）モデルを使用してＲＦ信号をスペクトル分析するように構成される。スペクトル推定のＡＲモデルはゼロパディング（ｚｅｒｏ―ｐａｄｄｉｎｇ）を必要とせず、他の代替的な方法に比べ、より良い周波数分解能を有する場合がある。他の代替的な方法に比べ、ＡＲモデルは、短時間の時系列分析にも優れている場合がある。従って、ＡＲモデルは、スペクトル分析モジュール３０４により実装される理想的な選択である。しかし、他の例では、スペクトル分析モジュール２０４は、スペクトル分析を行うための代替モデルを実装することができる。

ランダムプロセスのＡＲモデルは、次の方程式によって説明することができる。

（３）
但し、ｐはＡＲ次数として定義され、ａ［ｋ］は、ＡＲ係数として評価され、ｅ［ｎ］は、ホワイトノイズランダムプロセスである。現在値は、過去の値の加重和としてモデル化され、ここで、加法性ノイズ項ｅ［ｎ］は、ホワイトノイズ分散σ^２を有する。
パワースペクトル密度（ＰＳＤ）は、ＡＲモデルから推定することができ、以下の方程式に示す通りである。

（４）
但し、ＰＳＤは周波数（ｆ）の関数としてのパワースペクトル密度であり、σ^２は、ホワイトノイズの分散であり、ａ［ｋ］は、ＡＲ係数であり、ｐは、モデルのＡＲ次数である。Ｙｕｌｅ―Ｗａｌｋｅｒ方程式系は、ＡＲ係数と、自己相関関数の間の関係を通じて取得され、この関係は、ＡＲに基づくＰＳＤを生成するために使用可能であり、次の形式となる。

（５）
但し、σ^２はホワイトノイズの分散、Ｒ_ＸＸは、信号から計算された自己相関である。これらの方程式は、Ｌｅｖｉｎｓｏｎ―Ｄｕｒｂｉｎアルゴリズムを使用して再帰的に解くことができ、ＡＲパラメータ｛ａ_１、ａ_２、・・・ 、ａ_ｐ、σ^２｝を増分的に計算する。ノイズの分散σ^２は、このモデルのスペクトル推定のモデリング誤差に等しくなる。従って、誤差を申請者に関連するレベルを減少する（ａｐｐｌｉｃａｎｔ ｄｅｐｅｎｄｅｎｔ ｌｅｖｅｌ）まで、ＡＲパラメータを再帰的に計算し、次数ｐを大きくする。

異種組織からの超音波の拡散散乱を処理するときに、ＡＲモデルの次数を増加させることによって導入されるノイズの一部は、組織の特性評価のプロセスに役立つ。従って、ＡＲ次数の最適な範囲が存在する可能性があり、当該範囲は、正確なスペクトル推定を作成し、組織の特性評価に役立つノイズを含むのに十分な大きさであるが、ノイズがデータを難読化するほど大きくない。適切なＡＲ次数を選択して研究するために、スペクトル分析モジュール３０４は、次数ペナルティコスト関数（ａｎ ｏｒｄｅｒ ｐｅｎａｌｉｚｉｎｇ ｃｏｓｔ ｆｕｎｃｔｉｏｎ）を使用して平均二乗誤差（ＭＳＥ）を観測するように構成される。一例では、スペクトル分析モジュール３０４は、最終予測誤差（Ｆｉｎａｌ Ｐｒｅｄｉｃｔｉｏｎ Ｅｒｒｏｒ、ＦＰＥ）、Ａｋａｉｋｅ情報量基準（Ａｋａｉｋｅ‘ｓ Ｉｎｆｏｒｍａｔｉｏｎ Ｃｒｉｔｅｒｉｏｎ、ＡＩＣ）及び最小記述長（Ｍｉｎｉｍｕｍ Ｄｅｓｃｒｉｐｔｉｏｎ Ｌｅｎｇｔｈ、ＭＤＬ）を含む３つの次数ペナルティコスト関数の１つを使用するように構成される。

これらの技術のうちのそれぞれのコスト関数は、所定の方程式によって定義することができる。

（６）

（７）

（８）
但し、ｐは、ＡＲ次数であり、σ(ｐ)^２は、ｐ次数の関数としての誤差であり、Ｎは、分析に使用されるサンプルの数である。

スペクトル分析モジュール３０４は、ＡＲモデルを使用してＰＳＤ（「スペクトル」とも呼ばれる）を計算するために、関心領域におけるそれぞｒのＡラインのＲＦ信号を使用するように構成される。一例では、スペクトル分析モジュール３０４は、異なる関心領域サイズ、次数及び異なる帯域幅で複数のスペクトルを計算するように構成される。そのような例では、スペクトル分析モジュール３０４は、取得された校正データを使用してスペクトル減算を通じてスペクトルを平均化および正規化するようにさらに構成される。

一例では、スペクトル分析モジュール３０４は、正規化されたデータから周波数に対する振幅の線形回帰を生成し、回帰直線及び正規化されたデータから、（１）最大パワー及び（２）その対応する周波数、（３）最小パワー及び（４）その対応する周波数、（５）回帰直線のＹ切片及び（６）回帰直線の勾配、（７）ミッドバンドフィット、（８）積分後方散乱パラメータを含む８つのスペクトルパラメータを計算するように構成される。

図５Ａは、単一の関心領域４０２からの平均スペクトル、選択された関心領域４０４と同じ深さの正規化スペクトル、及び取得した正規化後のスペクトル４０６を示すグラフ４００である。図５Ｂは、正規化されたスペクトル４０６及び関連する回帰直線の拡大図であり、８つのスペクトルパラメータ、即ち最大パワー１、その対応する周波数２、最小パワー３、その対応する周波数４、Ｙ切片５、回帰直線の勾配６、及びミッドバンドフィット７を含む。積分後方散乱は、図示されていないが、次の方程式で定期することができる。

（９）
但し、Ｓ（ｆ）は、ＡＲモデルに基づく方法によって計算される正規化されたパワースペクトル密度（ＰＳＤ）である。

再び図４を参照すると、それは、各ＲＯＩについて計算される１次元（「１―Ｄ」）パラメータがビームと平行な範囲方向のみの周波数成分を含むことを。従って、一例では、１―Ｄスペクトル情報を補足するために、スペクトル分析モジュール３０４は、分類のために２次元（「２―Ｄ」）スペクトルパラメータを計算し、それを特徴セットに含めるように構成される。ここで使用される用語である２次元スペクトル特徴は、超音波ビームの範囲方向及びクロスレンジ（ｃｒｏｓｓ―ｒａｎｇｅ ｄｉｒｅｃｔｉｏｎ）方向の周波数成分を表す。一例では、スペクトル分析モジュール３０４は、２―Ｄスペクトルパラメータを計算するために、Ｈａｍｍｉｎｇウィンドウ（Ｈａｍｍｉｎｇ ｗｉｎｄｏｗ）を使用して関心領域内のサンプルを各方向で１０２４までゼロパディングするように構成される。スペクトル分析モジュール３０４は、範囲指向の大きさスペクトルを正規化し、クロスレンジ方向でフーリエ変換を計算し、２―Ｄ ＰＳＤを生成するために、範囲方向でフーリエ変換を計算し、Ｓ_２Ｄ（ｋ，μ）と呼ぶ。

図６に示されるグラフ５００は、径方向積分スペクトルパワー（ＲＩＳＰ）を計算するためのジオメトリを示す。ＲＩＳＰは、角度の関数であり、図６におけるグラフ５００に示すように、次の方程式で定義することができる。

（１０）
ただし、空間周波数は、径方向座標角の定義を使用して効果的に置き換えられる。

（１１）
及び

（１２）

積分は、周波数帯域の下端ｋ_１から周波数帯域の上端ｋ_２までの時間周波数範囲にわたって径方向に沿って行われる。図７におけるグラフ６００は、角積分スペクトルパワー（ＡＩＳＰ）を示す。ＡＩＳＰは、半径（Ｋ）の関数であり、次の方程式で定義される。

（１３）
ただし、

（１４）

また、角度の範囲は、使用可能な帯域幅によって制限される。一例では、ＲＩＳＰ関数及びＡＩＳＰ関数から４つの２―Ｄスペクトルパラメータが導出され、ＲＩＳＰのピーク値、ＲＩＳＰの３ｄＢ帯域幅、ＡＩＳＰにフィットする回帰直線の勾配及びＡＩＳＰにフィットする回帰直線の切片が含まれる。

再び図４を参照すると、一例では、１―Ｄ及び２―Ｄスペクトルパラメータに加え、分類のために、ケプストラムに基づく特徴が含まれる。対応的に、スペクトル分析モジュール３０４は、方程式に従って関心領域内の信号セグメントのパワーケプストラム（ｐｏｗｅｒ ｃｅｐｓｔｒｕｍ）を計算するように構成される。

（１５）

特に、信号のパワーケプストラムは、信号のフーリエ変換の二乗された大きさの対数の逆フーリエ変換の二乗された大きさとして定義される。スペクトル分析モジュール３０４は、さらに、関心領域の平均ケプストラムを計算し、分類に使用するために平均ケプストラムのピークを抽出するように構成される。

分類コンピュータ３００は、スペクトル分析モジュール３０４によって提供される特徴またはスペクトルパラメータに基づいて関心領域における関心領域を識別又は分類するための識別モジュール３０６をさらに含む。一例では、上記のように、識別モジュール３０６は、スペクトル分析モジュール３０４によって提供されるスペクトルパラメータと音響放射力インパルス（「ＡＲＦＩ」）導出情報との組み合わせに基づいて、関心領域を分類する。

一実施形態では、識別モジュール３０６は、１つまたは複数のモード識別分類器を含むことができ、それぞれの分類器は、抽出した特徴また抽出した特徴のサブセットを利用して適切な種別を特定する。複数の分類器を使用する場合、複数の分類器からの一貫した結果（ｃｏｈｅｒｅｎｔ ｒｅｓｕｌｔ）を提供するために、調停要素を利用することができる。それぞれの分類器を各注目種別の複数のトレーニング画像でトレーニングする。所定の分類器ののトレーニングプロセスは、その実施に伴い変化するが、トレーニングは、通常、複数のトレーニング画像のトレーニングデータを、出力種別に関連する１つまたは複数のパラメータに統計的、集約することに関する。サポートベクターマシン、自己組織マップ、ファジーロジックシステム、データ融合プロセス、ｂｏｏｓｔｉｎｇ及びｂａｇｇｉｎｇ法、ルールベースのシステムまたは人工ニューラルネットワークを含む複数種の最適化技術のうちのいずれか１つを分類アルゴリズムに使用することができる。

例えば、ＳＶＭ分類器は、超平面と呼ばれる複数の関数を利用して、Ｎ次元特徴空間の境界を概念的に分割することができ、ここで、Ｎ次元のそれぞれは、特徴ベクトルの１つの関連する特徴を表す。境界は、各種別に関連する特徴値の範囲を定義する。従って、所定の入力特徴ベクトルの境界に対する特徴空間内の位置に従って、当該所定の入力特徴ベクトルについて出力種別及び関連する信頼度値を特定することができる。ルールベースの分類器は、１組のロジカルルールを、抽出した特徴に適用して、出力種別を選択する。通常、ルールは、順番に適用され、各ステップのロジカル結果は、後のステップの分析を影響する。一実施形態では、線形または非線形カーネルを使用するカーネル方法によりＳＶＭを実装することができる。

ＡＮＮ分類器は、複数の相互接続を有する複数のノードを含む。特徴ベクトルからの値は、複数の入力ノードに提供される。各入力ノードは、これらの入力値を１つ又は複数の中間ノードのレイヤに提供する。所定の中間ノードは、前のノードからの１つまたは複数の出力値を受信する。分類器のトレーニング中に確立された一連の重みに従って受信した値に対して重み付けする。中間ノードは、当該ノードでの伝達関数に従ってその受信した値を単一の出力に変換する。例えば、中間ノードは、受信した値を合計し、その合計をバイナリステップ関数に代入する。ノードの最後のレイヤは、ＡＮＮの出力種別に信頼度ｎ値を提供し、各ノードは、分類器の関連する出力種別のうちの１つの信頼度を表す１つの関連値を有する。

ルールベースの分類器は、出力種別を選択するために、１組のロジカルルールを、抽出した特徴に適用する。通常、ルールは順番に適用され、各ステップのロジカル結果は、後のステップの分析を影響する。トレーニングデータのいずれかまたは全て、以前のケースからの類推、または既存分野の知識から特定のルール及びその順番を特定することができる。ルールベースの１つの例は、決定木アルゴリズムであり、この場合、特徴セットのうちの特徴の値を階層ツリー構造の対応する閾値と比較して、特徴ベクトルの種別を選択する。ランダムフォレスト分類器は、ブートストラップ集約法（ｂｏｏｔｓｔｒａｐ ａｇｇｒｅｇａｔｉｎｇ）または「ｂａｇｇｉｎｇ」法を使用して決定木アルゴリズムに対する変更である。この方法では、トレーニングセットのランダムサンプルで複数の決定木がトレーニングされ、複数の決定木にわたる平均（例えば、平均、中央値、またはモード）結果が返される。分類タスクの場合、各ツリーからの結果はカテゴリカルであるため、モーダル結果を使用することができる。

分類コンピュータ３００は、ディスプレイ（例えば、図３のディスプレイ２０８）と通信し、ディスプレイに変化を引き起こし、特にディスプレイに、識別モジュール３０６の提供するデータを表示させる出力モジュール３０８をさらに含む。出力モジュール３０８は、有線接続または無線接続のいずれかを介してディスプレイと通信するように構成される。一例では、出力モジュール３０８は、識別モジュール３０６によって提供されるデータを、ディスプレイに提供する他のデータ（例えば、超音波コンピュータ（例えば、図３の超音波コンピュータ２０２）がディスプレイに提供する画像）と積み重ねるか、またはマージすることができる。

上述した前記特徴に鑑みて、例示的な方法は、図８及び図９を参照することでよりよく理解される。説明を簡単にするために、この方法は、連続して実行されるものとして示され説明されるが、この方法の一部は、図示及び説明される順番と異なる順番でおよび／または同時に発生することが可能であると理解されるであろう。

図８は、患者の解剖学的構造における関心領域を識別および分類するための方法を示す。７０２で、超音波結像システム（例えば、図３の超音波コンピュータ２０２）は、患者の解剖学的構造からＲＦ及びドップラーデータを含む超音波画像を取得する。一例では、超音波画像は、傍椎空間及び肋間空間から取得されるものである。一例では、解剖学的構造上の領域の両側で超音波画像を取得する。一例では、音響放射力インパルスから得られた導出データと超音波後方散乱のスペクトルパラメータとの両方を受信する。超音波画像は、さらなる検索と分析のために記憶される。

７０４では、関心領域に関連する少なくとも１つの特徴を識別するために、コンピュータ（例えば、図３の分類コンピュータ２１０）によって、取得した超音波画像をスペクトル分析する。一例では、１次元スペクトル特徴、２次元スペクトル特徴、及びケプストラムに基づく特徴を含む３つの種別のうちの複数の特徴を識別する。一例では、スペクトル分析は、自己回帰（「ＡＲ」）モデルを使用して実行される。一例では、ＡＲモデルに基づき、異なる関心領域サイズ、次数、及び異なる帯域で、複数のスペクトルを計算し、取得した校正データを使用してスペクトル減算を通じて複数のスペクトルを平均化及び正規化する。一例では、正規化されたデータから、最大パワー、最大パワーに対応する周波数、最小パワー、最小パワーに対応する周波数、Ｙ切片、回帰直線の勾配、ミッドバンドフィット、及び積分後方散乱を含む８つのスペクトルパラメータを計算する。

７０６では、識別した少なくとも１つの特徴に基づき、教師あり機械学習を使用して関心領域を分類する。一例では、単一の分類ツリー、ランダムフォレスト、サポートベクトル、およびｋ最近傍教師あり機械学習の１つを使用して、関心領域を組織または解剖学的特徴の特定タイプに分類する。７０８では、ディスプレイにその出力変更させ、関心領域の分類を出力表示させる。

図９は、関心領域解剖学的特徴の複数の種別のうちの１つに分類する方法９００を示す。９０２では、関心領域から、超音波システムからの記録されたエコーを１組の無線周波数（ＲＦ）信号として受信する。一実施形態では、ＲＦ信号は、記録されたエコーの第２次高調波に関連する周波数範囲から抽出される１組の高調波信号を含む。９０４では、ＲＦ信号を時間領域表現から周波数領域表現に変換する。一例では、信号を変換して超音波装置の基本周波数を表す第１周波数領域表現及び基本周波数の第２次高調波周波数を表す第２周波数領域表現を提供することができる。

９０６では、周波数領域表現を関心領域の深さの関数に調整して、減衰に用いる。一例では、当該関数は、患者固有であり、例えば減衰は、関心領域の深さ及び患者の体内の皮膚及び脂肪厚さと肌肉厚さとの比のそれぞれの関数に調整される。別の例では、既知の組織から測定した後方散乱を使用して、関心領域に関連する被検体以外の被検体から減衰関数を特定する。これは、ファントムまたはエクスビボ組織サンプルを使用して実行することもできる。減衰関数は、周波数固有であってもよく、これにより、第１関数が第１周波数帯域に関連し、第２関数が第２周波数帯域に関連するようにし、第１周波数帯域内の信号について、第１関数を利用し、第２周波数帯域内の信号について、第２関数を利用することで、減衰のために周波数領域表現を調整する。

９０８では、周波数領域表現から複数の特徴を抽出する。一実施形態では、１組の高調波信号の周波数領域表現から、少なくとも１つの特徴を抽出する。代替的または追加的に、これらの特徴は、２次元スペクトル特徴及びこの組の高調波データから特定されたケプストラムに基づく特徴のうちの少なくとも１つを含むことができる。９１０では、分類器モデルで、抽出された複数の特徴に従って、関心領域を、解剖学的特徴を表す複数の種別のうちの１つに割り当て、９１２で、使用者に対して割り当てられた種別を表示する。

上記は一例である。当然ながら、コンポーネントまたは方法の考えられるすべての組み合わせを説明することは不可能であるが、当業者は、多くの他の組み合わせ及び置き換えは可能であると理解するであろう。従って、本開示は、添付の特許請求の範囲を含む、本出願の範囲内に入るそのようなすべての変更、修正、および変形を包含することが意図されている。本明細書で使用する場合、「含む」という用語は、限定はしないが含むことを意味する外、本開示または特許請求の範囲に記載の「１つ」、「第１」または「別の」要素またはその均等物を引用する場合、１つまたは複数のそのような要素を含むと解釈されるべきであり、２つ以上のそのような要素は、要求も除外もされない。

Claims (4)

1. システムであって、
   少なくとも１つのプロセッサと、
   前記少なくとも１つのプロセッサによって実行されるプログラム指令を格納する少なくとも１つのコンピュータ読み取り可能な有形の記憶装置と、を備え、
   前記プログラム指令は、
   関心領域を表す超音波画像及び前記超音波画像に関連する無線周波数（ＲＦ）データを含む超音波導出データを受信するための第１プログラム指令と、
   前記ＲＦデータを分析して、前記関心領域に関連する少なくとも１つの特徴を識別するための第２プログラム指令と、
   機械学習モデルを用いて識別された少なくとも１つの特徴から、前記関心領域を複数の解剖種別のうちの１つの解剖種別に分類するための第３プログラム指令と、
   前記複数の解剖種別のうちの１つの解剖種別をディスプレイに表示させるための第４プログラム指令と、を含み、
   前記ＲＦデータは、記録されたエコーの第２次高調波に関連する周波数範囲から抽出された１組の高調波信号を含み、
   前記少なくとも１つの特徴は、２次元スペクトル特徴及び前記ＲＦデータから特定されたケプストラムを表す特徴のうちの１つの特徴と、前記１組の高調波信号を表す特徴とを含むことを特徴とするシステム。
2. 前記少なくとも１つの特徴は、前記２次元スペクトル特徴を含むことを特徴とする請求項１に記載のシステム。
3. 前記少なくとも１つの特徴は、前記ＲＦデータから特定された前記ケプストラムを表す特徴を含むことを特徴とする請求項１に記載のシステム。
4. 前記第２プログラム指令は、前記ＲＦデータから周波数に対する振幅の線形回帰を行って回帰直線を提供し、正規化されたデータから８つのスペクトルパラメータを計算するように構成され、前記８つのスペクトルパラメータは、最大パワー、前記最大パワーに対応する周波数、最小パワー、前記最小パワーに対応する周波数、回帰直線のＹ切片、回帰直線の勾配、ミッドバンドフィット及び積分後方散乱パラメータを含むことを特徴とする請求項１に記載のシステム。

Images