KR102344912B1 - 초음파 영상화 장치 및 이를 이용한 혈류신호 추정방법 - Google Patents

초음파 영상화 장치 및 이를 이용한 혈류신호 추정방법 Download PDF

Info

Publication number
KR102344912B1
KR102344912B1 KR1020190168452A KR20190168452A KR102344912B1 KR 102344912 B1 KR102344912 B1 KR 102344912B1 KR 1020190168452 A KR1020190168452 A KR 1020190168452A KR 20190168452 A KR20190168452 A KR 20190168452A KR 102344912 B1 KR102344912 B1 KR 102344912B1
Authority
KR
South Korea
Prior art keywords
data
blood flow
matrices
ultrasound
matrix
Prior art date
Application number
KR1020190168452A
Other languages
English (en)
Other versions
KR20210077815A (ko
Inventor
이승환
장선엽
박다정
Original Assignee
알피니언메디칼시스템 주식회사
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 알피니언메디칼시스템 주식회사 filed Critical 알피니언메디칼시스템 주식회사
Priority to KR1020190168452A priority Critical patent/KR102344912B1/ko
Publication of KR20210077815A publication Critical patent/KR20210077815A/ko
Application granted granted Critical
Publication of KR102344912B1 publication Critical patent/KR102344912B1/ko

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
    • A61B8/06—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
    • A61B8/48—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
    • 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
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10132—Ultrasound image

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)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • General Physics & Mathematics (AREA)
  • Physiology (AREA)
  • Theoretical Computer Science (AREA)
  • Hematology (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

초음파 영상화 장치 및 이를 이용한 혈류신호 추정방법이 개시된다. 일 실시 예에 따른 초음파 영상화 장치를 이용한 혈류신호 추정방법은, 대상체의 관심영역으로부터 초음파 데이터를 획득하는 단계와, 획득된 초음파 데이터를 구성하는 블록 데이터 간 오버랩 된 영역 이외에 새롭게 갱신(update) 되는 데이터를 추출하여 이로부터 특징 데이터를 구성하는 단계와, 구성된 특징 데이터를 이용하여 초음파 데이터로부터 클러터 신호를 필터링함에 따라 혈류신호를 추정하는 단계를 포함한다.

Description

초음파 영상화 장치 및 이를 이용한 혈류신호 추정방법 {Ultrasound imaging apparatus and method for estimating blood flow signal using the apparatus}
본 발명은 신호 처리 기술에 관한 것으로, 보다 상세하게는 초음파 신호를 영상화하는 기술에 관한 것이다.
혈류(blood flow) 정보를 측정하기 위해 일반적으로 잘 알려진 도플러 효과를 이용한 초음파 도플러 법을 사용한다. 혈류정보를 측정하기 위하여 초음파 신호를 신체에 전송하고, 이 전송된 신호가 혈액으로부터 반사되어 되돌아올 때 이 반사된 초음파 신호를 이용한다. 반사된 초음파 신호는 미세혈관(micro vessel) 속의 적혈구 등에서 반사되는 신호 이외에도 혈관 벽 등과 같은 조직으로부터 반사되는 신호가 존재하게 되어 실제 혈류정보를 계산하는 데 있어서 오차를 유발하게 된다. 조직이나 근육 등과 같이 정지해 있거나 매우 천천히 움직이는 것에 의해서 반사되어 오는 조직신호(tissue signal)나 잡음신호(noise signal)를 클러터 신호라 한다. 왜곡된 초음파 반사신호로부터 원하는 초음파 도플러 신호를 얻는데 사용하기 위한 필터를 클러터 필터(clutter filter)라 한다. 클러터 필터를 통한 필터링 과정을 클러터 필터링(clutter filtering)이라 한다. 초음파 영상화 장치에서 클러터 필터링을 통해 혈류신호(blood flow signal)를 원하지 않는 클러터 신호와 분리할 수 있다.
일 실시 예에 따라, 미세혈류 영상을 재건하는 클러터 필터의 처리속도를 향상시키기 위한 초음파 영상화 장치 및 이를 이용한 혈류신호 추정방법을 제안한다.
일 실시 예에 따른 초음파 영상화 장치를 이용한 혈류신호 추정방법은, 대상체의 관심영역으로부터 초음파 데이터를 획득하는 단계와, 획득된 초음파 데이터를 구성하는 블록 데이터 간 오버랩 된 영역 이외에 새롭게 갱신(update) 되는 데이터를 추출하여 이로부터 특징 데이터를 구성하는 단계와, 구성된 특징 데이터를 이용하여 초음파 데이터로부터 클러터 신호를 필터링함에 따라 혈류신호를 추정하는 단계를 포함한다.
특징 데이터를 구성하는 단계는, 첫 번째 블록 데이터를 특이 값 분해 하여 특이 값 행렬들을 획득하는 단계와, 특이 값 행렬들로부터 초기화 행렬들을 획득하는 단계와, 초기화 행렬과 갱신된 블록 데이터 행렬 x(t)를 이용하여 특징행렬 h(t)를 계산하는 단계를 포함할 수 있다.
혈류신호를 추정하는 단계는, 특징행렬 h(t)를 이용하여 출력 행렬들을 생성하는 단계와, 출력 행렬들을 특이 값 분해하여 새로운 특이 값 행렬들을 획득하는 단계와, 새로운 특이 값 행렬들을 이용하여 혈류영상을 생성하는 단계를 포함할 수 있다.
출력 행렬들을 생성하는 단계는, 특징행렬 h(t)를 이용하여 QR 분해를 위한 보조행렬 A, B를 구성하는 단계와, 보조행렬 A, B를 각각 QR 분해하여 출력 QR 행렬들을 생성하는 단계를 포함하고, 새로운 특이 값 행렬들을 획득하는 단계에서 출력 QR 행렬들을 특이 값 분해하여 새로운 특이 값 행렬들을 획득할 수 있다.
특징 데이터를 구성하는 단계는, 첫 번째 블록 데이터로부터 특징행렬 h(t)를 계산하는 단계와, 갱신된 블록 데이터로부터 특징행렬 h(t)를 갱신하는 단계를 포함할 수 있다.
혈류신호를 추정하는 단계는, 갱신된 특징행렬 h(t)을 고유 값 분해하여 고유 값 행렬들을 획득하는 단계와, 고유 값 행렬들로부터 출력 행렬들을 생성하는 단계와, 출력 행렬들로부터 특이 값 행렬들을 획득하는 단계와, 획득된 특이 값 행렬들을 이용하여 혈류영상을 생성하는 단계를 포함할 수 있다.
출력 행렬들을 생성하는 단계는, 특징행렬 h(t)를 이용하여 특이 값 행렬을 유도하기 위한 V, D 행렬을 생성하는 단계와, 생성된 V, D 행렬을 이용하여 특이 값 행렬을 유도하는 단계를 포함할 수 있다.
특징 데이터를 구성하는 단계는, B-모드 데이터 획득 이후 새로운 미세혈류 영상화 데이터를 획득하면, 이전 미세혈류 영상화 데이터는 폐기하고 현재 데이터에 새로운 미세혈류 영상화 데이터를 부가하는 단계와, 새로 획득된 미세혈류 영상화 데이터를 포함하는 입력 데이터를 3D에서 2D 형태로 변환하는 단계와, 변환된 2D 형태의 입력 데이터에서 갱신된 블록 데이터 x(t)만 가져와 특징행렬 h(t)를 구성하는 단계를 포함할 수 있다. 특징 데이터를 구성하는 단계는, 시간(t) 축으로 적어도 하나의 프레임만큼 갱신 영역을 조정하는 단계를 더 포함하며, 갱신 영역이 클수록 연산 속도가 단축될 수 있다.
특징 데이터를 구성하는 단계는, 블록 데이터가 X축 또는 Z축으로 이동하여 블록 데이터가 갱신되면, 갱신된 블록 데이터를 포함하는 입력 데이터를 3D에서 2D 형태로 변환하는 단계와, 변환된 2D 형태의 입력 데이터에서 갱신된 블록 데이터 x(t)만 가져와 특징행렬 h(t)를 구성하는 단계를 포함할 수 있다. 특징 데이터를 구성하는 단계는, X축 또는 Z축으로 적어도 하나의 픽셀만큼 갱신 영역을 조정하는 단계를 더 포함하며, 갱신 영역이 클수록 연산 속도가 단축될 수 있다.
다른 실시 예에 따른 초음파 영상화 장치는, 대상체의 관심영역으로부터 초음파 데이터를 획득하는 신호 획득부와, 획득된 초음파 데이터를 구성하는 블록 데이터 간 오버랩 된 영역 이외에 새롭게 갱신(update) 되는 데이터를 추출하여 이로부터 특징 데이터를 구성하고, 구성된 특징 데이터를 이용하여 초음파 데이터로부터 클러터 신호를 필터링함에 따라 혈류신호를 추정하는 프로세서와, 혈류신호 추정에 따른 혈류 영상을 제공하는 출력부를 포함한다.
프로세서는, 첫 번째 블록 데이터를 특이 값 분해하여 특이 값 행렬들을 획득하고, 특이 값 행렬로부터 초기화 행렬들을 획득하는 초기화부와, 초기화 행렬과 갱신된 블록 데이터 행렬 x(t)를 이용하여 특징행렬 h(t)를 계산하고 특징행렬 h(t)를 이용하여 QR 분해를 위한 보조행렬 A, B를 구성하고 보조행렬 A, B를 각각 QR 분해하여 출력 QR 행렬들을 계산하며, 출력 QR 행렬들을 특이 값 분해하여 새로운 특이 값 행렬들을 획득하는 갱신부와, 갱신부를 통해 얻어진 새로운 특이 값 행렬들을 가지고 클러터 신호를 필터링함에 따라 혈류신호를 추정하는 영상 처리부를 포함할 수 있다.
프로세서는, 첫 번째 블록 데이터로부터 특징행렬 h(t)를 계산하는 초기화부와, 갱신된 블록 데이터로부터 특징행렬 h(t)를 갱신하고 갱신된 특징행렬 h(t)을 고유 값 분해하여 고유 값 행렬들을 획득하고 고유 값 행렬들로부터 출력 행렬들을 생성하며 출력 행렬들로부터 특이 값 행렬들을 획득하는 갱신부와, 갱신부를 통해 획득된 특이 값 행렬들을 가지고 클러터 신호를 필터링함에 따라 혈류영상을 추정하는 영상 처리부를 포함할 수 있다.
프로세서는, B-모드 데이터 획득 이후 새로운 미세혈류 영상화 데이터를 획득하면, 이전 미세혈류 영상화 데이터는 폐기하고 현재 데이터에 새로운 미세혈류 영상화 데이터를 부가하고, 새로 획득된 미세혈류 영상화 데이터를 포함하는 입력 데이터를 3D에서 2D 형태로 변환한 후 변환된 2D 형태의 입력 데이터에서 갱신된 블록 데이터 x(t)만 가져와 특징행렬 h(t)를 구성할 수 있다.
프로세서는 블록 데이터가 X축 또는 Z축으로 이동하여 블록 데이터가 갱신되면, 갱신된 블록 데이터를 포함하는 입력 데이터를 3D에서 2D 형태로 변환한 후 변환된 2D 형태의 입력 데이터에서 갱신된 블록 데이터 x(t)만 가져와 특징행렬 h(t)를 구성할 수 있다.
일 실시 예에 따른 초음파 영상화 장치 및 이를 이용한 혈류신호 추정방법 에 따르면, 블록 데이터 간 오버랩 된 영역 외에 새롭게 갱신되는 데이터만을 추출하여 특성화하는 작업을 반복(iteration)한 후 이를 가지고 한 번의 계수행렬분해, 예를 들어 SVD 또는 EVD 등을 수행하므로 연산속도를 단축시킬 수 있다. 또한 데이터 행렬을 대상으로 저차 근사법(Low-rank approximation)이 적용된 이중 반복(Bi-Iteration) QR 분해 또는 자기 상관 행렬을 이용하여 연산하므로 연산 속도를 향상할 수 있다.
갱신된 블록 데이터로부터 생성되는 특성행렬 h(t)를 대칭 자기 상관 행렬로 구성하는 경우, 랭크(rank)가 대폭 감소하므로 이후 연산에서 처리 부하가 급격히 감소할 수 있다.
도 1은 본 발명의 일 실시 예에 따른 클러터 필터링 개념을 설명하기 위해 초음파 데이터에서 얻은 특이 값 곡선을 보여주는 그래프,
도 2는 본 발명의 일 실시 예에 따른 계수행렬분해 대상이 되는 입력 데이터 집합(Data Set)을 도시한 도면,
도 3은 본 발명의 일 실시 예에 따른 초음파 영상화 장치의 구성도,
도 4는 본 발명의 일 실시 예에 따른 도 3의 프로세서의 세부 구성을 도시한 도면,
도 5는 본 발명의 일 실시 예에 따른 일부 갱신되는 데이터 셋을 이용하여 SVD를 빠르게 수행할 수 있는 SVD 프로세스를 도시한 도면,
도 6은 도 5의 SVD 프로세스를 세부화하여 도시한 도면,
도 7은 본 발명의 일 실시 예에 따른 일부 갱신되는 데이터 셋을 이용하여 SVD를 빠르게 수행할 수 있는 SVD 프로세스를 도시한 도면,
도 8 및 도 9은 본 발명의 일 실시 예에 따른 전역 SVD(Global SVD)를 위한 데이터 행렬 구성 예를 도시한 도면,
도 10 및 도 11은 본 발명의 일 실시 예에 따른 블록 기반 SVD(Block-wise SVD)를 위한 데이터 행렬 구성 예를 도시한 도면,
도 12은 본 발명의 일 실시 예에 따른 혈류신호 추정방법의 흐름을 도시한 도면이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시 예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시 예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.
본 발명의 실시 예들을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이며, 후술되는 용어들은 본 발명의 실시 예에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
첨부된 블록도의 각 블록과 흐름도의 각 단계의 조합들은 컴퓨터 프로그램인스트럭션들(실행 엔진)에 의해 수행될 수도 있으며, 이들 컴퓨터 프로그램 인스트럭션들은 범용 컴퓨터, 특수용 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장치의 프로세서에 탑재될 수 있으므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장치의 프로세서를 통해 수행되는 그 인스트럭션들이 블록도의 각 블록 또는 흐름도의 각 단계에서 설명된 기능들을 수행하는 수단을 생성하게 된다.
이들 컴퓨터 프로그램 인스트럭션들은 특정 방식으로 기능을 구현하기 위해 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장치를 지향할 수 있는 컴퓨터 이용가능 또는 컴퓨터 판독 가능 메모리에 저장되는 것도 가능하므로, 그 컴퓨터 이용가능 또는 컴퓨터 판독 가능 메모리에 저장된 인스트럭션들은 블록도의 각 블록 또는 흐름도의 각 단계에서 설명된 기능을 수행하는 인스트럭션 수단을 내포하는 제조 품목을 생산하는 것도 가능하다.
그리고 컴퓨터 프로그램 인스트럭션들은 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장치 상에 탑재되는 것도 가능하므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장치 상에서 일련의 동작 단계들이 수행되어 컴퓨터로 실행되는 프로세스를 생성해서 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장치를 수행하는 인스트럭션들은 블록도의 각 블록 및 흐름도의 각 단계에서 설명되는 기능들을 실행하기 위한 단계들을 제공하는 것도 가능하다.
또한, 각 블록 또는 각 단계는 특정된 논리적 기능들을 실행하기 위한 하나 이상의 실행 가능한 인스트럭션들을 포함하는 모듈, 세그먼트 또는 코드의 일부를 나타낼 수 있으며, 몇 가지 대체 실시 예들에서는 블록들 또는 단계들에서 언급된 기능들이 순서를 벗어나서 발생하는 것도 가능함을 주목해야 한다. 예컨대, 잇달아 도시되어 있는 두 개의 블록들 또는 단계들은 사실 실질적으로 동시에 수행되는 것도 가능하며, 또한 그 블록들 또는 단계들이 필요에 따라 해당하는 기능의 역순으로 수행되는 것도 가능하다.
이하, 첨부 도면을 참조하여 본 발명의 실시 예를 상세하게 설명한다. 그러나 다음에 예시하는 본 발명의 실시 예는 여러 가지 다른 형태로 변형될 수 있으며, 본 발명의 범위가 다음에 상술하는 실시 예에 한정되는 것은 아니다. 본 발명의 실시 예는 이 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 본 발명을 보다 완전하게 설명하기 위하여 제공된다.
도 1은 본 발명의 일 실시 예에 따른 클러터 필터링 개념을 설명하기 위해 초음파 데이터에서 얻은 특이 값 곡선을 보여주는 그래프이다.
클러터 필터링은 미세혈관에 대한 혈류신호를 영상화한 미세혈류 영상(micro vascular Imaging: MVI)을 재건하는 데 있어 필수적이다. 클러터 필터링을 통해 혈류신호를 원하지 않는 클러터 신호로부터 분리할 수 있다. 도플러 효과를 이용하여 혈류영상을 측정하는 기존의 컬러 도플러 초음파 영상화 장치에서 구분하기 어려웠던 혈류신호를 구분하기 위해, 일 실시 예에 따른 초음파 영상화 장치는 계수행렬분해(Rank matrix decomposition) 기반 클러터 필터링을 수행한다. 획득된 초음파 입력신호를 입력 데이터 행렬 형태로 변환하고 입력 데이터 행렬을 계수행렬분해하면, 입력 데이터 행렬을 다수의 행렬로 분해할 수 있다. 계수행렬분해는 카루넨 루베 변환(Karhunen Loeve transform: KLT, 이하 'KLT'라 칭함), 특이값 분해(singular value decomposition: SVD, 이하 'SVD'라 칭함), 고유값 분해(eigenvalue decomposition: EVD, 이하 'EVD'라 칭함), 주성분 분석(principle component analysis: PCA, 이하 'PCA'라 칭함) 등 중 적어도 하나를 수행한다. SVD의 경우 세 개의 행렬 S, V, D로 분해할 수 있고, EVD의 경우 E, V로 분해할 수 있다. 이하, SVD를 중심으로 설명하고자 하나, 계수행렬분해가 이에 한정되는 것은 아니며, KLT, EVD, PCA 등에 동일하게 적용될 수 있다.
계수행렬분해 기반 클러터 필터링을 통해 공간적으로 조직 및 잡음 특성이 변화하는 영상 내에서 혈류신호를 조직신호(tissue signal) 또는 잡음신호(noise signal)로부터 분리한다. 예를 들어, 도 1에 도시된 바와 같이 입력 데이터 행렬을 대상으로 SVD를 수행하여 생성된 특이 값들(singular values)을 대상으로 그 크기(dB)가 높은 순에서 낮은 순으로 차례대로 특이 값 차수(singular value order)를 정렬한 특이 값 곡선(singular value curve)을 생성한다. 생성된 특이 값 곡선에서, 조직신호는 전형적으로 높은 스펙클 강도 및 시간적 일관성 때문에 큰 스펙트럼 성분(즉, 높은 특이 값)에 존재한다. 잡음신호는 상대적으로 낮은 스펙클 강도 및 시간적 일관성 때문에 더 낮은 스펙트럼 성분(즉, 낮은 특이 값)에서 발견된다. 조직신호 및 혈액신호, 그리고 어느 정도의 잡음신호는 SVD 및 특이 값 경계화(singular value thresholding: SV)를 통해 쉽게 분리될 수 있다. 특이 값 경계화는 저차 컷오프 경계값(low order cutoff threshold)을 이용하여 조직신호와 혈액신호 간의 구분하여 조직신호를 필터링하고 고차 컷오프 경계값(high order cutoff threshold)을 이용하여 혈액신호와 잡음신호 간의 구분하여 잡음신호를 필터링하는 것을 의미한다.
클러터 필터링을 위한 SVD는 전역적 SVD(Global SVD) 방법과 블록 기반 SVD(Block-wise SVD) 방법이 있다. 전역적 SVD 방법은 관심영역(field-of-view: FOV) 전체에서 얻은 데이터 집합에 SVD를 수행하여 하나의 특이 값 곡선을 얻는다. 특이 값 곡선을 이용해서 관심영역 전체에서 각각 하나의 저차 컷오프 경계값 또는 고차 컷오프 경계값을 구하여 필터링한다. 전역적 SVD 방법은 고 프레임률 빔(High frame rate beam)을 기반으로 느린 시간 프레임(slow-time frame)을 짧은 시간에 획득하여 이를 영상화(imaging) 한다. 전역적 SVD 방법은 고 프레임률 영상화(High frame rate imaging)가 불가능한 종래(conventional) 장비에서는 적용이 불가능하다. 전역적 SVD 방법은 영상의 관심영역 전체를 SVD하여 모든 픽셀에 유일한 특이 값을 생성하고 유일한 경계값을 계산함에 따라 모든 픽셀에 동일한 경계값을 사용한다. 따라서, 전역 SVD 방법은 하나의 경계값을 이용하여 필터링하기 때문에 특정 픽셀 위치에는 부분적으로 조직신호가 남아있거나, 혈액신호가 필터링 되는 등의 클러터 필터의 성능 저하가 유발된다.
이에 비해, 블록 기반 SVD 방법은 관심영역을 여러 개의 부분 블럭들(sub blocks)로 나누고 나눈 부분블록들을 대상으로 각각 SVD를 수행하고 각각 경계값을 계산하여 지역 적응적 필터링(local adaptive filtering)을 수행하기 때문에 필터링 성능이 개선된다. 그러나 모든 부분 블록들에 대해 SVD 계산을 수행해야 하므로 부분 블록들 간의 수가 많고 오버랩(overlap) 되는 비율이 클수록 처리 횟수로 인한 계산부하로 너무 커서 실시간 영상화가 불가능하다.
일 실시 예에 따른 초음파 영상화 장치는 실시간 영상화를 위해 초음파 데이터 전체를 대상으로 단일의 계수행렬분해를 수행하는 방법을 제안한다. 즉, 초음파 데이터를 여러 블록으로 나누고 각 블록 별로 SVD를 수행하는 것이 아니라, 초음파 데이터 전체를 대상으로 한 번 SVD를 수행한다. 이에 따라 SVD에 의해 특이 값이 각 블록 별로 생성되는 것이 아니라, 모든 블록에 공통으로 사용되는 단일의 특이 값만 생성된다. 각 블록 별로 SVD를 수행하는 경우는 블록의 개수 별로 SVD를 수행하여 블록 별 특이 값이 생성되므로 계산 부하가 너무 크다. 그러나 전체 데이터를 대상으로 단 한 번의 SVD를 수행하면 단일의 특이 값만 생성되며 이를 이용해 필터링이 수행되므로 계산 부하가 대폭 감소되어 실시간 영상화가 가능하다.
일 실시 예에 따른 초음파 영상화 장치는 계산 부하 감소를 통한 실시간 영상화와 함께, 필터링 성능을 높이기 위해 지역 적응적 클러터 필터링(local adaptive clutter filtering) 방법을 사용한다. 전역 SVD의 경우, 영상의 관심영역 전체를 대상으로 한 번 SVD를 수행하므로 모든 픽셀에 공통적인 하나의 특이 값만이 생성된다. 따라서, 특이 값 곡선에서 하나의 경계값만 계산되며, 하나의 경계값을 이용하여 필터링하기 때문에, 부분적으로 조직신호가 남아있거나, 혈액신호가 과도하게 필터링 되는 등의 클러터 필터의 성능 저하가 유발된다. 일 실시 예에 따른 초음파 영상화 장치는 SVD를 통해 생성된 공통의 특이 값을 대상으로 각 픽셀에 대한 공간정보를 반영하여 지역적 특성정보를 추정함에 따라 픽셀 별 필터링이 가능하다. 즉, 공통의 특이 값을 픽셀 별 특성을 반영하여 변형시켜 새로운 특성 값들을 생성함에 따라 픽셀 별로 지역 적응적 클러터 필터링이 가능하다.
일 실시 예에 따른 초음파 영상화 장치는 전술한 바와 같이 전체 영상 데이터를 대상으로 전역 SVD를 수행하며 이와 함께 지역 적응적 필터링 방법을 사용한다. 이러한 방법을 전역 SVD 기반 지역 적응적 필터링 방법이라 명한다.
도 2는 본 발명의 일 실시 예에 따른 계수행렬분해 대상이 되는 입력 데이터 집합(Data Set)을 도시한 도면이다.
도 2를 참조하면, 계수행렬분해를 위한 입력 데이터 집합을 3차원에서 2차원 형태로 재구성한다. 초음파 영상화 장치는 초음파 데이터를 기반으로 대상체 내 작은 혈관들에서 혈류를 나타내는 영상을 생성한다. 획득된 초음파 데이터는 입력 데이터 행렬(input data matrix) M으로 표현될 수 있으며, 계수 K를 가진다. 이 입력 데이터 행렬 M은 공간 방향과 관련된 2차원(Nx 및 Nz)과 시간 방향과 관련된 1차원(Nt)을 가진 3차원 행렬(Nx, Nz, Nt)이며, 도 2의 (a)와 같다. Nx는 스캔라인(scanline)이고, Nz는 샘플(sample)이며, Nt는 시간(slow-time)이다. 이 3차원 입력 데이터 행렬 M은 공간 상의 1차원(Nx·Nz)과 시간 상의 1차원(Nt)을 가진 2차원 데이터 집합 행렬(Nx·Nz, Nt)로 재구성될 수 있으며, 도 2의 (b)와 같다. 계수 K를 가지는 2차원 행렬 M은, 계수행렬분해를 통해 3개의 행렬인, U, S 및 V로 분해될 수 있다. 일반적으로, 이러한 프로세스는 입력 데이터 행렬 M에 기반하여 분해 값들을 생성한다. 예를 들어, EVD를 수행하는 경우 분해 값들은 고유값들(eigenvalues)이다. 다른 예로, SVD를 수행하는 경우 분해 값들은 특이값들(singular values)이다.
입력 데이터 행렬 M을 분해하여 생성된 USV의 U는 공간정보이고, S는 크기정보이며 V는 시간정보이다. SVD의 경우, S는 각 부분공간에 대한 크기 값을 나타내는 특이 값들(Singular Values)로 구성된 특이 값 행렬이고, U는 각 특이 값에 대응되는 공간 벡터들로 구성된 공간 벡터 행렬(U)이며, V는 각 특이 값에 대응되는 시간 벡터들로 구성된 시간 벡터 행렬(V)의 전치행렬(transpose)이다. U, V는 각각 특이 값에 대응하는 특이 벡터(singular vector)이다. 특이 벡터는 유니터리 벡터(unitary vector)일 수 있다. U는 좌 특이 벡터라 칭하고, V는 우 특이 벡터라 칭할 수 있다. S는 대각행렬(diagonal matrix)이다.
U(i)와 V(i)는 M 행렬의 i번째 열(columns)이며, S의 대각요소인 λi는 정렬된 특이 값(ordered singular value)이다. 0이 아닌 λi의 수는 정확히 M 행렬의 계수(rank)이다. V(i)의 각 열은 길이 nt를 가진 시간 신호에 해당하며, U(i)의 각 열은 길이 nt를 가진 공간 신호에 해당한다.
M=USV의 의미를 살펴보면, M이라는 하나의 입력 데이터 행렬을 3개의 특성을 가진 행렬로 분해하며, 특성 중에는 3개의 변환의 특성이 결합하여 입력 데이터 행렬 M이 된다고 볼 수 있다. 입력 데이터 행렬 M은 U(회전 변환: rotation) + S(크기 변환: scale) + V(회전 변환: rotation)로 결합하였다고 볼 수 있다. 예를 들어, V로 인해 회전(rotation)이 일어나고, S로 축의 길이가 변하며(scaling), U로 인해 회전(rotation)이 다시 일어나서 최종의 M이 만들어진다고 볼 수 있다.
도 3은 본 발명의 일 실시 예에 따른 초음파 영상화 장치의 구성도이다.
도 3을 참조하면, 초음파 영상화 장치(1)는 신호 획득부(10), 프로세서(12), 입력부(14), 출력부(16) 및 저장부(18)를 포함한다.
신호 획득부(10)는 초음파 신호를 대상체에 송출하고 대상체로부터 반사되는 초음파 신호(즉, 초음파 에코신호)를 수신한다. 스캔라인을 고정시킨 채 정해진 횟수로 초음파 신호를 반복해서 송수신하고 다음 스캔라인으로 이동, 또 정해진 횟수를 반복 송수신하는 식으로 데이터를 얻는다. N개의 스캔라인이 있고 샘플 볼륨이 M개이며, 한 스캔라인을 얻기 위해서 그 스캔라인을 위해 L번 송신한다고 하면, 이때 매번 송신해서 M개의 샘플 볼륨 데이터를 얻는데, 각각의 샘플 볼륨 데이터에서 첫 송신 때 얻은 데이터를 첫 번째 블록 데이터, 두 번째 송신 때 얻은 데이터를 두 번째 블록 데이터 등으로 부르기로 한다. 이때, 얻은 데이터는 원시 데이터(raw data)일 수 있는데, 예를 들어, I, Q 데이터일 수 있다. I, Q 데이터에는 도플러 성분뿐 아니라 클러터 성분도 포함되어 있다.
신호 획득부(10)는 블록 넘버(block number)에 따라서 송신신호의 형성을 순차적 및 반복적으로 수행하여 복수의 송신신호를 생성한다. 그리고 신호 획득부(10)는 생성된 송신신호를 초음파 신호로 변환하여 대상체에 송신한 후, 대상체로부터 반사된 초음파 에코 신호가 수신되면 초음파 에코 신호를 디지털 신호로 변환한다. 변환된 초음파 에코 신호는 I, Q 신호일 수 있다.
저장부(18)는 본 발명의 일 실시 예에 따른 초음파 영상화 장치(1)의 동작 프로세스를 저장하며, 저장부(18)는 통상의 하드디스크, RAM 또는 ROM 중 하나 이상으로 구현될 수 있다.
일 실시 예에 따른 프로세서(12)는 신호 획득부(10)에 의해 변환 및 출력된 I, Q 신호를 대상으로 입력 데이터 행렬 M을 생성하고 입력 데이터 행렬 M을 특이 값 분해(SVD) 하여 USV를 생성한다. 프로세서(12)는 USV를 이용하여 초음파 영상인 혈류 영상을 형성하고, 형성된 혈류 영상을 출력부(16)로 전달한다.
일 실시 예에 따른 프로세서(12)는 신호 획득부(10)에 의해 획득된 초음파 데이터를 구성하는 블록 데이터 간 오버랩 된 영역 이외에 새롭게 갱신(update) 되는 데이터를 추출하여 특성화하는 작업을 반복(iteration)한 후 이를 가지고 한 번의 계수행렬분해, 예를 들어 SVD를 수행하므로 SVD 연산속도를 단축시킬 수 있다. 예를 들어, 새롭게 갱신되는 데이터를 추출하고 이로부터 특징 데이터를 구성한다. 이때, 특징 데이터를 이용하여 초음파 데이터로부터 클러터 신호를 필터링함에 따라 혈류신호를 추정한다. 새롭게 갱신되는 데이터에 대한 특성화를 통해 특징행렬 h(t)을 생성할 수 있는데, 특징행렬 h(t)는 새롭게 갱신된 데이터 블록을 특성화한 신규 데이터 갱신 행렬(new data update matrix)에 해당한다. 새로운 블록 데이터(t+1)가 생성된 경우, 이전 블록 데이터(t)와 서로 오버랩 되는데, 오버랩 되지 않고 새롭게 갱신되는 영역의 데이터만을 가지고 SVD를 수행 함에 따라 연산속도를 크게 향상시킬 수 있다. 이때, 갱신 영역이 클수록 연산속도는 빨라지게 된다. 프로세서(12)의 세부 구성은 도 4를 참조로 하여 후술한다.
입력부(14)는 사용자의 입력정보를 수신하는 인터페이스를 제공한다. 일 실시 예에서, 인터페이스는 대상체의 B 모드(brightness mode) 영상, 혈류 영상에 설정되는 관심영역(즉, 컬러박스)의 크기 및 위치 정보에 대하여 사용자가 선택할 수 있도록 한다. 사용자 입력부(130)는 컨트롤 패널(control panel), 마우스(mouse), 키보드(keyboard) 등을 포함할 수 있다.
출력부(16)는 프로세서(12)에 의해 형성된 B 모드 영상, 혈류 영상 등을 사용자를 위한 화면에 디스플레이 한다. 혈류 영상은 프로세서(12)에 의한 혈류신호 추정에 따라 재건되는 영상이다.
도 4는 본 발명의 일 실시 예에 따른 도 3의 프로세서의 세부 구성을 도시한 도면이다.
도 3 및 도 4를 참조하면, 프로세서(12)는 초기화부(120), 갱신부(122) 및 영상 처리부(124)를 포함한다.
일 실시 예에 따른 초기화부(120)는 첫 번째 블록 데이터를 특이 값 분해(SVD)하여 U, S, V 행렬을 획득하고, U, S, V 행렬로부터 초기화 행렬을 획득한다. 이때, 갱신부(122)는 초기화 행렬과, 블록 간에 갱신된 블록 데이터 행렬 x(t)를 이용하여 특징행렬 h(t)를 계산한다. 이어서, 특징행렬 h(t)를 이용하여 QR 분해를 위한 보조행렬 A, B를 구성하고, 보조행렬 A, B를 각각 QR 분해하여 출력 QR 행렬을 계산한다. 이어서, 출력 QR 행렬들을 특이 값 분해(SVD) 하여 새로운 특이 값 행렬 V, S, U를 획득한다. 이때, 블록 데이터가 시간 상으로 계속 누적되어 갱신된 블록 데이터가 추가로 있는 경우, 출력 QR 행렬을 가지고 특징행렬 h(t) 구성 단계, 보조행렬 A, B 구성 단계 및 출력 QR 행렬 획득 단계를 반복 수행한다. 이에 대한 실시 예는 도 5 및 도 6을 참조로 하여 후술한다.
다른 실시 예에 따른 초기화부(120)는 첫 번째 블록 데이터로부터 특징행렬 h(t)를 계산한다. 특징행렬 h(t)를 계산하는 과정은 전술한 바와 같다. 이때, 갱신부(122)는 갱신된 블록 데이터 x(t)로부터 특징행렬 h(t)를 갱신한다. 그리고 갱신된 특징행렬 h(t)을 고유 값 분해(EVD)하여 고유 값 행렬들 V, D을 획득한 후 고유 값 행렬들 V, D로부터 출력 행렬들을 생성한다. 이어서, 출력 행렬들로부터 특이 값 행렬들 U, S, V를 획득한다. 이때, 블록 데이터가 시간 상으로 계속 누적되어 갱신된 블록 데이터가 추가로 있는 경우, 특징행렬 h(t)를 갱신하는 갱신 단계를 반복 수행한다. 이에 대한 실시 예는 도 7을 참조로 하여 후술한다.
영상 처리부(124)는 갱신부(122)의 반복 수행을 통해 얻어진 새로운 분해 데이터, 예를 들어 특이 값 행렬들을 가지고 클러터 신호를 필터링함에 따라 혈류신호를 추정한다.
갱신부(122)는 전역 SVD 및 블록 기반 SVD 처리를 위한 데이터 행렬을 구성할 수 있다. 구성된 데이터 행렬을 이용하여 입력 데이터에 전역 SVD 방법 또는 블록 기반 SVD 방법을 적용하여 미세혈류 영상을 재건할 수 있다.
전역 SVD 처리를 위한 데이터 행렬 구성 예를 들면, 실시간 처리를 위해, 신호 획득부(10)가 B-모드 데이터 획득 이후 새로운 미세혈류 영상화 데이터를 획득한다. 새로운 미세혈류 영상 데이터를 획득하면, 갱신부(122)는 이전 미세혈류 영상화 데이터는 폐기하고 현재 데이터에 새로운 미세혈류 영상화 데이터를 부가하고, 새로 획득된 미세혈류 영상화 데이터를 포함하는 입력 데이터를 3D에서 2D 형태로 변환한 후 변환된 2D 형태의 입력 데이터에서 갱신된 블록 데이터 x(t)만 가져와 특징행렬 h(t)를 구성한다. 이때, 갱신부(122)는 시간(t) 축으로 적어도 하나의 프레임만큼 갱신 영역을 조정할 수 있다. 갱신 영역이 클수록 연산 속도가 단축된다.
블록 기반 SVD 처리를 위한 데이터 행렬 구성 예를 들면, 블록 데이터가 X축 또는 Z축으로 이동하여 블록 데이터가 갱신되는 경우, 갱신부(122)는 갱신된 블록 데이터를 포함하는 입력 데이터를 3D에서 2D 형태로 변환한 후 변환된 2D 형태의 입력 데이터에서 갱신된 블록 데이터 x(t)만 가져와 특징행렬 h(t)를 구성한다. 이때, 갱신부(122)는 X축 또는 Z축으로 적어도 하나의 픽셀만큼 갱신 영역을 조정할 수 있다. 갱신 영역이 클수록 연산 속도가 단축된다.
도 5는 본 발명의 일 실시 예에 따른 일부 갱신되는 데이터 셋을 이용하여 SVD를 빠르게 수행할 수 있는 SVD 프로세스를 도시한 도면이다.
도 5를 참조하면, 초음파 영상화 장치는 입력 데이터 집합 중에 일부 갱신되는 데이터만을 가지고 SVD를 수행하여 SVD 처리속도를 향상시키고자 한다. 이를 위한 프로세스는 제1 단계(First Stage): i)(510), 갱신 단계(Update Stage): ii) ~ vi)(520) 및 영상화 단계(Imaging Stage): v) (530)로 분류된다.
1. 제1 단계(First Stage)(510)
i) 제1 단계(510)에서, 초음파 영상화 장치는 정확도 향상을 위해 첫 번째 블록 데이터, 예를 들어, 첫 송신 때 획득한 첫 번째 블록 데이터(1st image block) 만 SVD를 수행하여 USV를 얻은 후, USV로부터 초기화 행렬(Initialize Matrix)들을 획득한다.
2. 갱신 단계(Update Stage)(520)
ii) 초음파 영상화 장치는 i) 단계에서 획득된 초기화 행렬(Initialize Matrix)들을 가지고 데이터 행렬 구성방식(1), (2)(도 8 내지 도 11 참조)에 기반하여 블록 데이터 간에 오버랩 된 영역 이외에 새롭게 갱신된 데이터 블록만을 추출하고 이로부터 특징행렬 h(t)를 계산한다. 특징행렬 h(t)는 새롭게 갱신된 데이터 블록을 특성화한 신규 데이터 갱신 행렬(new data update matrix)에 해당한다. 도 8 및 도 9을 참조로 하여 전역 SVD(Global SVD)를 위한 데이터 행렬 구성방법을, 도 10 및 도 11을 참조로 하여 블록 기반 SVD(Block-wise SVD)를 위한 데이터 행렬 구성방법을 각각 후술한다.
iii) 이어서, 초음파 영상화 장치는 특징행렬 h(t)를 이용하여 이중 반복(Bi-Iteration, 이하, 'Bi-Iteration'이라 칭함) QR 분해(Decomposition)를 위한 보조행렬 A, B를 구성한다.
iv) 이어서, 초음파 영상화 장치는 보조행렬 A, B를 Bi-Iteration QR 분해를 하여 출력 행렬(Output Matrix)들을 계산한다.
3. 영상화 단계(Imaging Stage)(530)
v) 초음파 영상화 장치는 출력 행렬(Output Matrix)들을 이용해 USV를 다시 합성하여 해당 데이터의 미세혈류 영상을 재건한다.
vi) 오버랩 된 데이터 외에 새롭게 갱신되는 데이터가 추가로 존재하는 경우(Variable Update), 초음파 영상화 장치는 iv) 단계에서 계산된 출력 행렬(Output Matrix)들을 가지고 ii) 단계부터 차례대로 반복 수행한다.
전술한 프로세스에 따르면, SVD 대신에 저차 근사법(Low-rank approximation)이 적용된 Bi-Iteration QR 분해를 이용하여 연산하므로 연산 속도를 향상할 수 있다. 또한 블록 데이터 간 오버랩 된 영역 외에 새롭게 갱신되는 데이터만 특징행렬 h(t)의 구조를 만듦에 따라 SVD를 빠르게 수행할 수 있다.
도 6은 도 5의 SVD 프로세스를 세부화하여 도시한 도면이다.
도 6을 참조하면, 초음파 영상화 장치는 제1 단계(First Stage)(510)에서 첫 번째 블록 데이터(1st image block) 만을 대상으로 SVD를 수행하여 USV를 얻은 후, USV로 초기화 행렬(Initialize Matrix)들: Qa(1), Ra(1), Rb(1), Qb(1)을 획득한다. 예를 들어, U 행렬로부터 Qa(1)을 획득하고, S로부터 Ra(1), Rb(1)을 획득하며, V로부터 Qb(1)을 획득한다.
갱신 단계(Update Stage)(520)에 진입하면, 초음파 영상화 장치는 t-1번째 블록 데이터로부터 획득된 초기화 행렬(Initialize Matrix)들: Qa(t-1), Ra(t-1), Rb(t-1), Qb(t-1) 중 Qa(t-1)와, t-1번째 블록 데이터와 t번째 블록 데이터 간에 오버랩되지 않고 새롭게 갱신된 데이터 행렬 x(t)를 연산하여 특징행렬 h(t)을 생성한다. 이를 수식으로 표현하면,
Figure 112019130171401-pat00001
와 같다. t는 데이터 획득 시간(Data Acquisition Time)이다.
시간 t-1에서의 블록 데이터와 시간 t에서의 블록 데이터 간에 오버랩된 데이터 외에 새롭게 갱신되는 데이터가 있는 경우, 새롭게 갱신된 데이터 행렬 x(t), 초기화 행렬 Qa(t-1) 및 특징행렬 h(t)을 연산하여 x⊥(t) 행렬을 생성한다. 이를 수식으로 표현하면,
Figure 112019130171401-pat00002
와 같다.
이어서, 특징행렬 h(t)를 이용하여 Bi-Iteration QR 분해(Decomposition)를 위한 보조행렬 A, B를 구성한다. 예를 들어, 특징행렬 h(t)로부터 보조행렬 B(t)을 생성한다. 이를 수식으로 표현하면,
Figure 112019130171401-pat00003
와 같다. 또한, 초기화 행렬 Qa(t-1), Rb(t-1), Qb(t-1) 및 x*?*(t) 행렬을 이용하여 보조행렬 A(t)을 생성한다. 이를 수식으로 표현하면,
Figure 112019130171401-pat00004
와 같다.
이어서, 보조행렬 A(t), B(t)을 각각 QR 분해하여 출력 행렬(Output Matrix) Qb(t), Rb(t), Ra(t), Qa(t)을 생성한다. 이를 수식으로 표현하면,
Figure 112019130171401-pat00005
,
Figure 112019130171401-pat00006
와 같다.
영상화 단계(Imaging Stage)(530)에 진입하면, 초음파 영상화 장치는 출력 행렬들을 특이 값 분해(SVD) 하여 새로운 V, S, U 행렬을 생성한다. 예를 들어, 출력 행렬 Qb(t)로부터 V를 생성하고, 출력 행렬 Rb(t)로부터 S를 생성하며, Qa(t)로부터 U를 생성하여 해당 데이터의 미세혈류 영상을 재건한다.
도 7은 본 발명의 다른 실시 예에 따른 일부 갱신되는 데이터 셋을 이용하여 SVD를 빠르게 수행할 수 있는 SVD 프로세스를 도시한 도면이다.
도 7을 참조하면, 초음파 영상화 장치는 제1 단계(First Stage)(710)에서 정확도를 유지를 위해 첫 번째 블록 데이터만을 대상으로 특성행렬 h(t)를 생성한다. 특성행렬 h(t)는 대칭 자기 상관 행렬로서, 랭크(rank)가 대폭 감소하므로 이후 연산에서 처리 부하가 급격히 감소한다.
이어서, 초음파 영상화 장치는 갱신 단계(Update Stage)(720)에서 특성행렬 h(t)를 고유 값 분해(EVD) 하여 고유 값 V, D를 획득한다. 획득된 고유 값 V, D로부터 출력 행렬들을 생성한다. V, D 값은 특이 값 행렬을 유도하기 위한 행렬로서, 생성된 V, D 행렬을 이용하여 특이 값 행렬을 유도할 수 있다.
이어서, 초음파 영상화 장치는 영상화 단계(Imaging Stage)(730)에서 출력 행렬들로부터 USV 행렬을 각각을 다시 도출하여, USV로 다시 합성한 후 해당 데이터의 미세혈류 영상을 재건한다.
한편, 갱신 단계(Update Stage)(720)에서 시간 t-1에서의 블록 데이터와 시간 t에서의 블록 데이터 간에 오버랩된 데이터 외에 새롭게 갱신되는 데이터가 있는 경우, 특징행렬 h(t)를 갱신한다. 이를 수식으로 표현하면, h(t)=x(t)x(t)H이다. 이후, 갱신된 특징행렬 h(t)를 고유 값 분해(EVD) 하여 고유 값 V, D를 획득한다. 이를 수식으로 표현하면 [V, D2] = evd(h(t)) 이다. 획득된 고유 값 V, D로부터 출력 행렬들을 생성한다. 그리고 영상화 단계(Imaging Stage)(730)에서 출력 행렬들로부터 USV 행렬을 각각 도출하여, USV로 다시 합성한 후 해당 데이터의 미세혈류 영상을 재건하는 단계를 반복 수행한다.
도 8 및 도 9는 본 발명의 일 실시 예에 따른 전역 SVD(Global SVD)를 위한 데이터 행렬 구성 예를 도시한 도면이다.
도 8 및 도 9를 참조하면, 실시간 영상화(Real-Time Imaging)을 위한 데이터 행렬 구성 방법에 따르면, 공간 블록(Spatial Block)이 아닌 시간 블록(Temporal Block)을 사용하여 전역 SVD를 수행한다. 실시간 영상화를 위해서는 도 9에 도시된 바와 같이 B 모드 데이터 패킷(B) / 미세혈류 영상화(Micro Vascular Imaging: MVI, 이하, 'MVI'라 칭함) 데이터 패킷(MVI)을 순차 반복적으로 획득해야 한다. 예를 들어, B 모드 데이터 획득 이후 다음 B 모드 데이터 획득 사이에 일정한 간격으로 유휴 시간(idle time)이 발생하는데, 이 유휴 시간에 미세혈류 영상화 데이터를 획득하면 실시간 영상처리가 가능하다.
초음파 영상화 장치는 B 모드 데이터 패킷 획득 이후에, 새로운 MVI 데이터 패킷 (n')을 획득하면, 과거 데이터 패킷 (n)을 폐기하고 새로운 MVI 데이터 패킷 (n')을 현재 데이터 패킷 (m)에 부가한다. 그리고 새로운 MVI 데이터 패킷 (n')을 포함하는 3차원 형태의 입력 데이터 X(x, z, t)를 2차원 형태의 입력 데이터 X'(x*z, t)로 변환한다. 2차원 형태의 입력 데이터 X'(x*z, t)는 공간(Spatial) 상의 1차원(x*z)과 시간(Temporal) 상의 1차원(t)을 가지도록 재구성된 데이터 행렬이다. t는 데이터 획득 시간(Data Acquisition Time)이다.
이어서, 초음파 영상화 장치는 2차원 형태의 X'(x*z, t)에서 갱신된 블록 데이터 x(t)만을 특징행렬 h(t)에 가져와 행렬화 한 후 QR 분해를 수행한다. 이어서, QR 분해를 통해 생성된 출력 행렬을 대상으로 클러터 필터를 적용하여 미세혈류 영상을 재건한다. 갱신 영역은 t축으로 1 프레임 또는 여러 프레임만큼 조정 가능하며, 갱신 영역이 클수록 연산 속도는 빨라지고 정확도는 떨어진다.
도 10 및 도 11은 본 발명의 일 실시 예에 따른 블록 기반 SVD(Block-wise SVD)를 위한 데이터 행렬 구성 예를 도시한 도면이다.
보다 세부적으로 도 10은 블록 데이터가 X축으로 갱신되는 경우를 도시한 것이고, 도 11은 블록 데이터가 Z축으로 갱신되는 경우를 도시한 것이다.
도 10를 참조하면, 소정의 블록 데이터(910)가 X축으로 이동하여(920) 갱신 영역(930)만큼 데이터가 갱신된 경우, 갱신된 블록 데이터를 포함하는 3차원 형태의 입력 데이터 X(x, z, t)를 2차원 형태의 입력 데이터 X'(x*z, t)로 변환한다. 2차원 형태의 입력 데이터 행렬 X'(x*z, t)로 변환되면 갱신된 블록 데이터 x(t)를 가진다. 이어서, 입력 데이터 X'(x*z, t)에서 갱신된 블록 데이터 x(t)(940)만 가져와 하나의 갱신 영역(950)으로 구성되는 특징행렬 h(t)을 생성하고 특징행렬 h(t)을 이용하여 QR 분해를 수행하여 출력 행렬을 생성한다. 갱신 영역은 X축으로 1 픽셀 또는 여러 픽셀만큼 조정 가능하며, 갱신 영역이 클수록 연산 속도는 빨라지고 정확도는 떨어진다
도 11을 참조하면, 소정의 블록 데이터(1010)가 Z축으로 이동하여(1020) 갱신 영역(1030)만큼 데이터가 갱신된 경우, 갱신된 블록 데이터를 포함하는 3차원 형태의 입력 데이터 X(x, z, t)를 2차원 형태의 입력 데이터 X'(x*z, t)로 변환한다. 2차원 형태의 입력 데이터 X'(x*z, t)로 변환되면 갱신된 블록 데이터 x(t)를 가진다. 입력 데이터 X'(x*z, t)에서 갱신된 블록 데이터 x(t)(1040)만 가져와 하나의 갱신 영역(1050)으로 구성되는 특징행렬 h(t)을 생성하고 특징행렬 h(t)을 이용하여 QR 분해를 수행하여 출력 행렬을 생성한다. 이때, 갱신 영역은 Z축으로 1 픽셀 또는 여러 픽셀만큼 조정 가능하며, 갱신 영역이 클수록 연산 속도는 빨라지고 정확도는 떨어진다.
도 12는 본 발명의 일 실시 예에 따른 혈류신호 추정방법의 흐름을 도시한 도면이다.
도 12를 참조하면, 초음파 영상화 장치는 대상체의 관심영역으로부터 초음파 데이터를 획득한다(S1110).
이어서, 초음파 영상화 장치는 획득된 초음파 데이터를 구성하는 블록 데이터 간 오버랩 된 영역 이외에 새롭게 갱신(update) 되는 데이터를 추출하여 이로부터 특징 데이터를 구성한다(S1120). 이를 위해, 일 실시 예에 따른 초음파 영상화 장치는 첫 번째 블록 데이터를 특이 값 분해(SVD) 하여 특이 값 행렬들을 획득하고, 특이 값 행렬들로부터 초기화 행렬들을 획득한다. 그리고 초기화 행렬과 갱신된 블록 데이터 행렬 x(t)를 이용하여 특징행렬 h(t)를 계산한다.
특징 데이터 구성 단계(S1120)에서, 일 실시 예에 따른 초음파 영상화 장치는 B-모드 데이터 획득 이후 새로운 미세혈류 영상화 데이터를 획득하고, 이전 미세혈류 영상화 데이터는 폐기하고 현재 데이터에 새로운 미세혈류 영상화 데이터를 부가한다. 그리고 새로 획득된 미세혈류 영상화 데이터를 포함하는 입력 데이터를 3D에서 2D 형태로 변환한 후, 변환된 2D 형태의 입력 데이터에서 갱신된 블록 데이터 x(t)만 가져와 특징행렬 h(t)를 구성한다. 이때, 시간(t) 축으로 적어도 하나의 프레임만큼 갱신 영역을 조정할 수 있으며, 갱신 영역이 클수록 연산 속도가 단축된다.
특징행렬 h(t)를 구성하는 단계에서, 다른 실시 예에 따른 초음파 영상화 장치는 블록 데이터가 X축 또는 Z축으로 이동하여 블록 데이터가 갱신되면, 갱신된 블록 데이터를 포함하는 입력 데이터를 3D에서 2D 형태로 변환한다. 이어서, 변환된 2D 형태의 입력 데이터에서 갱신된 블록 데이터 x(t)만 가져와 특징행렬 h(t)를 구성한다. 이때, X축 또는 Z축으로 적어도 하나의 픽셀만큼 갱신 영역을 조정할 수 있으며, 갱신 영역이 클수록 연산 속도가 단축된다.
이어서, 초음파 영상화 장치는 구성된 특징 데이터를 이용하여 초음파 데이터로부터 클러터 신호를 필터링함에 따라 혈류신호를 추정한다(S1130). 예를 들어, 초음파 영상화 장치는 특징행렬 h(t)를 이용하여 QR 분해를 위한 보조행렬 A, B를 구성하고, 보조행렬 A, B를 각각 QR 분해하여 출력 QR 행렬을 계산한다. 이어서, 출력 QR 행렬들을 특이 값 분해(SVD)하여 새로운 특이 값 행렬들 U, S, V를 획득한다. 해당 단계는 각 시간(t)에서 이루어진다. 예를 들어, 갱신된 블록 데이터가 추가로 있는 경우 출력 QR 행렬을 가지고 특징행렬 h(t) 구성 단계, 보조행렬 A, B 구성 단계 및 출력 QR 행렬 획득 단계를 반복 수행한다.
다른 예로, 갱신된 블록 데이터로부터 특징행렬 h(t)를 갱신하고, 갱신된 특징행렬 h(t)을 고유 값 분해(EVD)하여 고유 값 행렬들 V, D을 획득한다. 그리고 고유 값 행렬들 V, D로부터 출력 행렬들을 생성하고, 출력 행렬들로부터 특이 값 행렬들 U, S, V을 획득한 후 획득된 특이 값 행렬들 U, S, V을 이용하여 혈류영상을 생성한다. 해당 단계는 각 시간(t)에서 이루어진다.
이제까지 본 발명에 대하여 그 실시 예들을 중심으로 살펴보았다. 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 실시 예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.

Claims (16)

  1. 초음파 영상화 장치를 이용한 혈류신호 추정방법에 있어서,
    대상체의 관심영역으로부터 초음파 데이터를 획득하는 단계;
    획득된 초음파 데이터를 구성하는 블록 데이터 간을 오버랩 하는 단계;
    상기 오버랩 된 영역 이외에 새롭게 갱신(update) 되는 블록 데이터를 추출하는 단계;
    상기 갱신된 블록 데이터로부터 특징 데이터를 구성하는 단계; 및
    구성된 특징 데이터를 이용하여 초음파 데이터로부터 클러터 신호를 필터링함에 따라 혈류신호를 추정하는 단계;
    를 포함하는 것을 특징으로 하는 혈류신호 추정방법.
  2. 초음파 영상화 장치를 이용한 혈류신호 추정방법에 있어서,
    대상체의 관심영역으로부터 초음파 데이터를 획득하는 단계;
    획득된 초음파 데이터를 구성하는 블록 데이터 간 오버랩 된 영역 이외에 새롭게 갱신(update) 되는 데이터를 추출하여 이로부터 특징 데이터를 구성하는 단계; 및
    구성된 특징 데이터를 이용하여 초음파 데이터로부터 클러터 신호를 필터링함에 따라 혈류신호를 추정하는 단계; 를 포함하며,
    특징 데이터를 구성하는 단계는
    첫 번째 블록 데이터를 특이 값 분해 하여 특이 값 행렬들을 획득하는 단계;
    특이 값 행렬들로부터 초기화 행렬들을 획득하는 단계; 및
    초기화 행렬과 갱신된 블록 데이터 행렬 x(t)를 이용하여 특징행렬 h(t)를 계산하는 단계;
    를 포함하는 것을 특징으로 하는 혈류신호 추정방법.
  3. 초음파 영상화 장치를 이용한 혈류신호 추정방법에 있어서,
    대상체의 관심영역으로부터 초음파 데이터를 획득하는 단계;
    획득된 초음파 데이터를 구성하는 블록 데이터 간 오버랩 된 영역 이외에 새롭게 갱신(update) 되는 데이터를 추출하여 이로부터 특징 데이터를 구성하는 단계; 및
    구성된 특징 데이터를 이용하여 초음파 데이터로부터 클러터 신호를 필터링함에 따라 혈류신호를 추정하는 단계; 를 포함하며,
    혈류신호를 추정하는 단계는
    특징행렬 h(t)를 이용하여 출력 행렬들을 생성하는 단계;
    출력 행렬들을 특이 값 분해하여 새로운 특이 값 행렬들을 획득하는 단계; 및
    새로운 특이 값 행렬들을 이용하여 혈류영상을 생성하는 단계;
    를 포함하는 것을 특징으로 하는 혈류신호 추정방법.
  4. 제 3 항에 있어서, 출력 행렬들을 생성하는 단계는
    특징행렬 h(t)를 이용하여 QR 분해를 위한 보조행렬 A, B를 구성하는 단계; 및
    보조행렬 A, B를 각각 QR 분해하여 출력 QR 행렬들을 생성하는 단계; 를 포함하고,
    새로운 특이 값 행렬들을 획득하는 단계는
    출력 QR 행렬들을 특이 값 분해하여 새로운 특이 값 행렬들을 획득하는 것을 특징으로 하는 혈류신호 추정방법.
  5. 초음파 영상화 장치를 이용한 혈류신호 추정방법에 있어서,
    대상체의 관심영역으로부터 초음파 데이터를 획득하는 단계;
    획득된 초음파 데이터를 구성하는 블록 데이터 간 오버랩 된 영역 이외에 새롭게 갱신(update) 되는 데이터를 추출하여 이로부터 특징 데이터를 구성하는 단계; 및
    구성된 특징 데이터를 이용하여 초음파 데이터로부터 클러터 신호를 필터링함에 따라 혈류신호를 추정하는 단계; 를 포함하며,
    특징 데이터를 구성하는 단계는
    첫 번째 블록 데이터로부터 특징행렬 h(t)를 계산하는 단계; 및
    갱신된 블록 데이터로부터 특징행렬 h(t)를 갱신하는 단계;
    를 포함하는 것을 특징으로 하는 혈류신호 추정방법.
  6. 제 5 항에 있어서, 혈류신호를 추정하는 단계는
    갱신된 특징행렬 h(t)을 고유 값 분해하여 고유 값 행렬들을 획득하는 단계;
    고유 값 행렬들로부터 출력 행렬들을 생성하는 단계;
    출력 행렬들로부터 특이 값 행렬들을 획득하는 단계; 및
    획득된 특이 값 행렬들을 이용하여 혈류영상을 생성하는 단계;
    를 포함하는 것을 특징으로 하는 혈류신호 추정방법.
  7. 제 6 항에 있어서, 출력 행렬들을 생성하는 단계는
    특징행렬 h(t)를 이용하여 특이 값 행렬을 유도하기 위한 V, D 행렬을 생성하는 단계; 및
    생성된 V, D 행렬을 이용하여 특이 값 행렬을 유도하는 단계;
    를 포함하는 것을 특징으로 하는 혈류신호 추정방법.
  8. 초음파 영상화 장치를 이용한 혈류신호 추정방법에 있어서,
    대상체의 관심영역으로부터 초음파 데이터를 획득하는 단계;
    획득된 초음파 데이터를 구성하는 블록 데이터 간 오버랩 된 영역 이외에 새롭게 갱신(update) 되는 데이터를 추출하여 이로부터 특징 데이터를 구성하는 단계; 및
    구성된 특징 데이터를 이용하여 초음파 데이터로부터 클러터 신호를 필터링함에 따라 혈류신호를 추정하는 단계; 를 포함하며,
    특징 데이터를 구성하는 단계는
    B-모드 데이터 획득 이후 새로운 미세혈류 영상화 데이터를 획득하면, 이전 미세혈류 영상화 데이터는 폐기하고 현재 데이터에 새로운 미세혈류 영상화 데이터를 부가하는 단계;
    새로 획득된 미세혈류 영상화 데이터를 포함하는 입력 데이터를 3D에서 2D 형태로 변환하는 단계; 및
    변환된 2D 형태의 입력 데이터에서 갱신된 블록 데이터 x(t)만 가져와 특징행렬 h(t)를 구성하는 단계;
    를 포함하는 것을 특징으로 하는 혈류신호 추정방법.
  9. 제 8 항에 있어서, 특징 데이터를 구성하는 단계는
    시간(t) 축으로 적어도 하나의 프레임만큼 갱신 영역을 조정하는 단계; 를 더 포함하며,
    갱신 영역이 클수록 연산 속도가 단축되는 것을 특징으로 하는 혈류신호 추정방법.
  10. 초음파 영상화 장치를 이용한 혈류신호 추정방법에 있어서,
    대상체의 관심영역으로부터 초음파 데이터를 획득하는 단계;
    획득된 초음파 데이터를 구성하는 블록 데이터 간 오버랩 된 영역 이외에 새롭게 갱신(update) 되는 데이터를 추출하여 이로부터 특징 데이터를 구성하는 단계; 및
    구성된 특징 데이터를 이용하여 초음파 데이터로부터 클러터 신호를 필터링함에 따라 혈류신호를 추정하는 단계; 를 포함하며,
    특징 데이터를 구성하는 단계는
    블록 데이터가 X축 또는 Z축으로 이동하여 블록 데이터가 갱신되면, 갱신된 블록 데이터를 포함하는 입력 데이터를 3D에서 2D 형태로 변환하는 단계; 및
    변환된 2D 형태의 입력 데이터에서 갱신된 블록 데이터 x(t)만 가져와 특징행렬 h(t)를 구성하는 단계;
    를 포함하는 것을 특징으로 하는 혈류신호 추정방법.
  11. 제 10 항에 있어서, 특징 데이터를 구성하는 단계는
    X축 또는 Z축으로 적어도 하나의 픽셀만큼 갱신 영역을 조정하는 단계; 를 더 포함하며,
    갱신 영역이 클수록 연산 속도가 단축되는 것을 특징으로 하는 혈류신호 추정방법.
  12. 대상체의 관심영역으로부터 초음파 데이터를 획득하는 신호 획득부;
    획득된 초음파 데이터를 구성하는 블록 데이터 간을 오버랩 하고 상기 오버랩 된 영역 이외에 새롭게 갱신(update) 되는 블록 데이터를 추출하여 상기 갱신된 블록 데이터로부터 특징 데이터를 구성하고, 구성된 특징 데이터를 이용하여 초음파 데이터로부터 클러터 신호를 필터링함에 따라 혈류신호를 추정하는 프로세서; 및
    혈류신호 추정에 따른 혈류 영상을 제공하는 출력부;
    를 포함하는 것을 특징으로 하는 초음파 영상화 장치.
  13. 대상체의 관심영역으로부터 초음파 데이터를 획득하는 신호 획득부;
    획득된 초음파 데이터를 구성하는 블록 데이터 간 오버랩 된 영역 이외에 새롭게 갱신(update) 되는 데이터를 추출하여 이로부터 특징 데이터를 구성하고, 구성된 특징 데이터를 이용하여 초음파 데이터로부터 클러터 신호를 필터링함에 따라 혈류신호를 추정하는 프로세서; 및
    혈류신호 추정에 따른 혈류 영상을 제공하는 출력부; 를 포함하며,
    프로세서는
    첫 번째 블록 데이터를 특이 값 분해하여 특이 값 행렬들을 획득하고, 특이 값 행렬로부터 초기화 행렬들을 획득하는 초기화부;
    초기화 행렬과 갱신된 블록 데이터 행렬 x(t)를 이용하여 특징행렬 h(t)를 계산하고 특징행렬 h(t)를 이용하여 QR 분해를 위한 보조행렬 A, B를 구성하고 보조행렬 A, B를 각각 QR 분해하여 출력 QR 행렬들을 계산하며, 출력 QR 행렬들을 특이 값 분해하여 새로운 특이 값 행렬들을 획득하는 갱신부; 및
    갱신부를 통해 얻어진 새로운 특이 값 행렬들을 가지고 클러터 신호를 필터링함에 따라 혈류신호를 추정하는 영상 처리부;
    를 포함하는 것을 특징으로 하는 초음파 영상화 장치.
  14. 대상체의 관심영역으로부터 초음파 데이터를 획득하는 신호 획득부;
    획득된 초음파 데이터를 구성하는 블록 데이터 간 오버랩 된 영역 이외에 새롭게 갱신(update) 되는 데이터를 추출하여 이로부터 특징 데이터를 구성하고, 구성된 특징 데이터를 이용하여 초음파 데이터로부터 클러터 신호를 필터링함에 따라 혈류신호를 추정하는 프로세서; 및
    혈류신호 추정에 따른 혈류 영상을 제공하는 출력부; 를 포함하며,
    프로세서는
    첫 번째 블록 데이터로부터 특징행렬 h(t)를 계산하는 초기화부;
    갱신된 블록 데이터로부터 특징행렬 h(t)를 갱신하고 갱신된 특징행렬 h(t)을 고유 값 분해하여 고유 값 행렬들을 획득하고 고유 값 행렬들로부터 출력 행렬들을 생성하며 출력 행렬들로부터 특이 값 행렬들을 획득하는 갱신부; 및
    갱신부를 통해 획득된 특이 값 행렬들을 가지고 클러터 신호를 필터링함에 따라 혈류영상을 추정하는 영상 처리부;
    를 포함하는 것을 특징으로 하는 초음파 영상화 장치.
  15. 대상체의 관심영역으로부터 초음파 데이터를 획득하는 신호 획득부;
    획득된 초음파 데이터를 구성하는 블록 데이터 간 오버랩 된 영역 이외에 새롭게 갱신(update) 되는 데이터를 추출하여 이로부터 특징 데이터를 구성하고, 구성된 특징 데이터를 이용하여 초음파 데이터로부터 클러터 신호를 필터링함에 따라 혈류신호를 추정하는 프로세서; 및
    혈류신호 추정에 따른 혈류 영상을 제공하는 출력부; 를 포함하며,
    프로세서는
    B-모드 데이터 획득 이후 새로운 미세혈류 영상화 데이터를 획득하면, 이전 미세혈류 영상화 데이터는 폐기하고 현재 데이터에 새로운 미세혈류 영상화 데이터를 부가하고, 새로 획득된 미세혈류 영상화 데이터를 포함하는 입력 데이터를 3D에서 2D 형태로 변환한 후 변환된 2D 형태의 입력 데이터에서 갱신된 블록 데이터 x(t)만 가져와 특징행렬 h(t)를 구성하는 것을 특징으로 하는 초음파 영상화 장치.
  16. 대상체의 관심영역으로부터 초음파 데이터를 획득하는 신호 획득부;
    획득된 초음파 데이터를 구성하는 블록 데이터 간 오버랩 된 영역 이외에 새롭게 갱신(update) 되는 데이터를 추출하여 이로부터 특징 데이터를 구성하고, 구성된 특징 데이터를 이용하여 초음파 데이터로부터 클러터 신호를 필터링함에 따라 혈류신호를 추정하는 프로세서; 및
    혈류신호 추정에 따른 혈류 영상을 제공하는 출력부; 를 포함하며,
    블록 데이터가 X축 또는 Z축으로 이동하여 블록 데이터가 갱신되면, 갱신된 블록 데이터를 포함하는 입력 데이터를 3D에서 2D 형태로 변환한 후 변환된 2D 형태의 입력 데이터에서 갱신된 블록 데이터 x(t)만 가져와 특징행렬 h(t)를 구성하는 것을 특징으로 하는 초음파 영상화 장치.
KR1020190168452A 2019-12-17 2019-12-17 초음파 영상화 장치 및 이를 이용한 혈류신호 추정방법 KR102344912B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190168452A KR102344912B1 (ko) 2019-12-17 2019-12-17 초음파 영상화 장치 및 이를 이용한 혈류신호 추정방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190168452A KR102344912B1 (ko) 2019-12-17 2019-12-17 초음파 영상화 장치 및 이를 이용한 혈류신호 추정방법

Publications (2)

Publication Number Publication Date
KR20210077815A KR20210077815A (ko) 2021-06-28
KR102344912B1 true KR102344912B1 (ko) 2021-12-31

Family

ID=76608022

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190168452A KR102344912B1 (ko) 2019-12-17 2019-12-17 초음파 영상화 장치 및 이를 이용한 혈류신호 추정방법

Country Status (1)

Country Link
KR (1) KR102344912B1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115861095A (zh) * 2022-11-22 2023-03-28 深圳先进技术研究院 血流图像的去噪方法和装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101859392B1 (ko) * 2017-10-27 2018-05-18 알피니언메디칼시스템 주식회사 초음파 영상 기기 및 이를 이용한 클러터 필터링 방법
WO2018134729A1 (en) 2017-01-18 2018-07-26 Technion Research & Development Foundation Ltd. Sparsity-based ultrasound super-resolution imaging
WO2018144805A1 (en) * 2017-02-03 2018-08-09 Mayo Foundation For Medical Education And Research System and method for accelerated clutter filtering in ultrasound blood flow imaging using randomized ultrasound data
JP2019535448A (ja) 2016-11-29 2019-12-12 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． 超音波画像クラッタをフィルタリングする方法及びシステム

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101313221B1 (ko) * 2010-11-29 2013-10-14 삼성메디슨 주식회사 적응적 프레임 평균 처리를 수행하는 초음파 시스템 및 방법
KR102223058B1 (ko) * 2013-04-22 2021-03-05 삼성전자주식회사 초음파 시스템 및 이의 클러터 필터링 방법
KR20160087221A (ko) * 2015-01-13 2016-07-21 삼성메디슨 주식회사 초음파 진단 장치 및 그 동작방법
KR101882326B1 (ko) * 2016-12-23 2018-07-26 서강대학교산학협력단 대상체의 움직임을 추정하는 초음파 의료영상 장치가 적응적으로 참조 프레임을 결정하는 방법 및 그 초음파 의료영상 장치

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019535448A (ja) 2016-11-29 2019-12-12 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． 超音波画像クラッタをフィルタリングする方法及びシステム
WO2018134729A1 (en) 2017-01-18 2018-07-26 Technion Research & Development Foundation Ltd. Sparsity-based ultrasound super-resolution imaging
WO2018144805A1 (en) * 2017-02-03 2018-08-09 Mayo Foundation For Medical Education And Research System and method for accelerated clutter filtering in ultrasound blood flow imaging using randomized ultrasound data
KR101859392B1 (ko) * 2017-10-27 2018-05-18 알피니언메디칼시스템 주식회사 초음파 영상 기기 및 이를 이용한 클러터 필터링 방법

Also Published As

Publication number Publication date
KR20210077815A (ko) 2021-06-28

Similar Documents

Publication Publication Date Title
KR101859392B1 (ko) 초음파 영상 기기 및 이를 이용한 클러터 필터링 방법
CN110381845B (zh) 具有用于导出成像数据和组织信息的神经网络的超声成像系统
EP3548920B1 (en) Methods and systems for filtering ultrasound image clutter
US8818064B2 (en) Time-domain estimator for image reconstruction
Huang et al. Mimicknet, mimicking clinical image post-processing under black-box constraints
EP3576632A1 (en) System and method for accelerated clutter filtering in ultrasound blood flow imaging using randomized ultrasound data
Simson et al. Deep learning beamforming for sub-sampled ultrasound data
US20110137168A1 (en) Providing a three-dimensional ultrasound image based on a sub region of interest in an ultrasound system
CN110431444A (zh) 用于超快成像的系统和方法
Wang et al. A conditional adversarial network for single plane wave beamforming
EP3754558A1 (en) Method and system for generating a synthetic elastrography image
KR102344912B1 (ko) 초음파 영상화 장치 및 이를 이용한 혈류신호 추정방법
KR20120121229A (ko) 빔포머, 진단시스템, 의료영상시스템 및 진단영상을 표시하는 방법
Ozgun et al. Multidimensional clutter filtering of aperture domain data for improved blood flow sensitivity
KR100983770B1 (ko) 초음파 탄성영상을 형성하기 위한 시스템 및 방법
CN110891492B (zh) 用于处理超声图像的方法和系统
CN110869799B (zh) 用于处理超声图像的方法和系统
van Sloun et al. 1 Deep learning for ultrasound beamforming
Goudarzi et al. A unifying approach to inverse problems of ultrasound beamforming and deconvolution
Mo A retrospective look at retrospective transmit beamforming
Orlowska et al. Singular value decomposition filtering for high frame rate speckle tracking echocardiography
Li et al. 3D B-mode ultrasound speckle reduction using deep learning for 3D registration applications
CN112842382B (zh) 用于对信道数据进行流处理以应用非线性波束形成的方法和系统
JP2022169274A (ja) 超音波撮像装置、信号処理装置、および、信号処理方法
Robert et al. Resolution improvement in phantom and in vivo through l1 regularized coherent compounding

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right