KR102617857B1 - 초음파 의료 이미징을 사용한 간 질환 활성도 추정 - Google Patents
초음파 의료 이미징을 사용한 간 질환 활성도 추정 Download PDFInfo
- Publication number
- KR102617857B1 KR102617857B1 KR1020210030006A KR20210030006A KR102617857B1 KR 102617857 B1 KR102617857 B1 KR 102617857B1 KR 1020210030006 A KR1020210030006 A KR 1020210030006A KR 20210030006 A KR20210030006 A KR 20210030006A KR 102617857 B1 KR102617857 B1 KR 102617857B1
- Authority
- KR
- South Korea
- Prior art keywords
- shear wave
- disease activity
- estimating
- ultrasound
- liver disease
- Prior art date
Links
- 238000002604 ultrasonography Methods 0.000 title claims abstract description 103
- 230000009266 disease activity Effects 0.000 title claims abstract description 98
- 208000019423 liver disease Diseases 0.000 title claims abstract description 24
- 238000002059 diagnostic imaging Methods 0.000 title 1
- 238000005259 measurement Methods 0.000 claims abstract description 116
- 210000001519 tissue Anatomy 0.000 claims description 128
- 238000006073 displacement reaction Methods 0.000 claims description 37
- 238000000034 method Methods 0.000 claims description 34
- 230000005540 biological transmission Effects 0.000 claims description 31
- 208000022309 Alcoholic Liver disease Diseases 0.000 claims description 18
- 230000001419 dependent effect Effects 0.000 claims description 18
- 238000007477 logistic regression Methods 0.000 claims description 14
- 238000010801 machine learning Methods 0.000 claims description 14
- 210000004185 liver Anatomy 0.000 claims description 13
- 210000005228 liver tissue Anatomy 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 239000006185 dispersion Substances 0.000 claims description 5
- 238000013016 damping Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims 1
- 208000008338 non-alcoholic fatty liver disease Diseases 0.000 abstract description 18
- 230000000694 effects Effects 0.000 abstract description 9
- 230000008901 benefit Effects 0.000 abstract description 4
- 238000012285 ultrasound imaging Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 41
- 230000004044 response Effects 0.000 description 23
- 238000003384 imaging method Methods 0.000 description 13
- 230000015654 memory Effects 0.000 description 9
- 230000003595 spectral effect Effects 0.000 description 8
- 238000010521 absorption reaction Methods 0.000 description 7
- 230000005284 excitation Effects 0.000 description 7
- 238000002595 magnetic resonance imaging Methods 0.000 description 7
- 238000001228 spectrum Methods 0.000 description 7
- 206010016654 Fibrosis Diseases 0.000 description 6
- 230000001934 delay Effects 0.000 description 6
- 230000005855 radiation Effects 0.000 description 6
- 206010061218 Inflammation Diseases 0.000 description 5
- 238000013459 approach Methods 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 5
- 201000010099 disease Diseases 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 230000004054 inflammatory process Effects 0.000 description 5
- 230000007863 steatosis Effects 0.000 description 5
- 231100000240 steatosis hepatitis Toxicity 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 239000000090 biomarker Substances 0.000 description 4
- 238000001574 biopsy Methods 0.000 description 4
- 238000002592 echocardiography Methods 0.000 description 4
- 230000004761 fibrosis Effects 0.000 description 4
- 206010053219 non-alcoholic steatohepatitis Diseases 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 3
- 239000008280 blood Substances 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 102100036475 Alanine aminotransferase 1 Human genes 0.000 description 2
- 108010082126 Alanine transaminase Proteins 0.000 description 2
- 102000002260 Alkaline Phosphatase Human genes 0.000 description 2
- 108020004774 Alkaline Phosphatase Proteins 0.000 description 2
- 108010003415 Aspartate Aminotransferases Proteins 0.000 description 2
- 102000004625 Aspartate Aminotransferases Human genes 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 210000000481 breast Anatomy 0.000 description 2
- 230000007882 cirrhosis Effects 0.000 description 2
- 208000019425 cirrhosis of liver Diseases 0.000 description 2
- 239000002872 contrast media Substances 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 238000013213 extrapolation Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 206010073071 hepatocellular carcinoma Diseases 0.000 description 2
- 231100000844 hepatocellular carcinoma Toxicity 0.000 description 2
- 230000002962 histologic effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000000284 resting effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 206010011732 Cyst Diseases 0.000 description 1
- 206010061818 Disease progression Diseases 0.000 description 1
- 208000004930 Fatty Liver Diseases 0.000 description 1
- 206010019668 Hepatic fibrosis Diseases 0.000 description 1
- 241001319955 Unda Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 208000031513 cyst Diseases 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005750 disease progression Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000002440 hepatic effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012317 liver biopsy Methods 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000885 nephron Anatomy 0.000 description 1
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
Classifications
-
- 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
- A61B8/485—Diagnostic techniques involving measuring strain or elastic properties
-
- 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
- A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
-
- 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
- A61B8/0833—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving detecting or locating foreign bodies or organic structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Abstract
간 질환에 대한 NAFLD에 대한 NAS 또는 다른 활성 지수와 같은 질병 활성도의 초음파-기반 추정(40)이 제공된다. 초음파는, 음향 후방 산란 계수, 전단파 속도 및 전단파 감쇠비의 측정과 같이, 음향 산란 및 전단파 전파 파라미터들을 측정한다(30, 32). 질병 활성도에 대한 점수는 이러한 산란 및 전단파 전파 파라미터들로부터 결정된다(40). 의사는, NAFLD와 같은 질병 활성도의 점수화에 있어서, 생검 또는 MRI 기반 점수화와 비교하여, 상대적으로 저렴하고 빠른 초음파의 도움을 받을 수 있다 초음파 이미징(42)은 MRI보다 더 쉽게 이용가능하고 비용이 더 저렴하다. 초음파는 비-외과적이다.
Description
[0001] 본 특허 문서는 2017년 9월 26일에 출원된 미국 특허 출원 일련 번호 제15/716,444호의 일부 계속 출원이고, 상기 출원은 35 U.S.C.§119(e) 하에서 2017년 4월 6일에 출원된 미국 가특허 출원 일련 번호 제62/482,606호의 출원일의 이익을 주장한다. 이로써, 상기 출원들 둘 모두는 인용에 의해 본원에 포함된다.
[0002] 본 실시예들은 초음파 이미징(ultrasound imaging)에 관한 것이다. 간(liver)과 같은 조직(tissue)의 질환-관련 활성도(disease-related activity)가 초음파를 사용하여 측정된다.
[0003] 비알코올성 지방 간 질환(NAFLD; nonalcoholic fatty liver disease)은 미국 성인들 및 어린이들에게 가장 흔한 간 질환이다. NAFLD는 과도한 간 지방 축적(excess hepatic fat accumulation)뿐만 아니라 간 섬유증(hepatic fibrosis)을 특징으로 한다. 지방 분율(fat fraction)은 NAFLD의 표시자로서 측정될 수 있다. 간 또는 유방 조직과 같은 다른 조직들의 지방 분율 및/또는 다른 조직 특성들(예컨대, 섬유증의 정도)은 진단적으로 유용한 정보를 제공한다.
[0004] NAFLD를 갖는 환자들 중 25 % 이상이 비알코올성 지방 간염(NASH; non-alcoholic steatohepatitis)이 걸린다(develop). NASH는 간경변 및 간세포 암종으로 진행될 수 있다. NAFLD 활성도 점수(NAS; NAFLD activity score)는 NASH의 변화들 또는 레벨(level)을 진단하고 모니터링(monitor)하는 데 사용된다. NAS는 간 생검들(liver biopsies)의 조직학적 평가(histologic evaluation)로부터 제공되며, 관찰된 지방증, 소엽 염증 및 풍선 점수들(ballooning scores)의 비가중된 합계(unweighted sum)로서 계산된다.
[0005] 자기 공명 이미징(MRI; magnetic resonance imaging)은 간의 지방 함량의 바이오마커(biomarker)로서 양성자 밀도 지방 분율(PDFF; proton density fat fraction)을 측정할 수 있다. MRI는 NAS를 추가로 추정하는 데 사용될 수 있다. 그러나, MRI는 널리 이용가능하지 않으며 비용이 많이 든다.
[0006] 서론으로서, 아래에 설명되는 바람직한 실시예들은 NAFLD에 대한 NAS 또는 다른 활성도 지수(activity index)와 같은 질병 활성도의 초음파-기반 추정을 위한 방법들, 명령들 및 시스템들(systems)을 포함한다. 초음파는, 음향 후방 산란 계수, 전단파 속도 및 전단파 감쇠비의 측정과 같이, 음향 산란 및 전단파 전파 파라미터들(parameters)을 측정한다. 질병 활성도에 대한 점수는 이러한 산란 및 전단파 전파 파라미터들로부터 결정된다. 의사는, NAFLD와 같은 질병 활성도의 점수화(scoring)에 있어서, 생검 또는 MRI 기반 점수화와 비교하여, 상대적으로 저렴하고 빠른 초음파의 도움을 받을 수 있다. 초음파는 비-외과적(non-invasive)이고, MRI보다 더 쉽게 이용가능하고 비용이 더 저렴하다.
[0007] 제1 양상에서, 초음파 스캐너(ultrasound scanner)를 사용한 비알코올성 간 질환 활성도 추정(non-alcoholic liver disease activity estimation)을 위한 방법이 제공된다. 조직 내의 산란의 제1 측정치는 초음파 스캐너에 의한 환자의 스캔(scan)으로부터 생성된다. 산란의 제1 측정치는 후방 산란 계수이다. 조직 내의 전단파 전파의 제2 및 제3 측정치들은 초음파 스캐너에 의한 환자의 스캔으로부터 생성된다. 제2 측정치는 전단파 속도이고, 제3 측정치는 전단파 감쇠비이다. 초음파-도출 간 질환 활성도 지수(ultrasound-derived liver disease activity index)에 대한 제1 값은 후방 산란 계수, 전단파 속도 및 전단파 감쇠비로부터 추정된다. 추정된 바와 같은 초음파-도출 간 질환 활성도 지수의 제1 값의 표시를 포함하는 초음파 이미지(ultrasound image)가 출력된다.
[0008] 제2 양상에서, 질환 활성도의 추정을 위한 시스템이 제공된다. 빔포머(beamformer)는 트랜스듀서(transducer)를 사용하여 환자에서 펄스들의 시퀀스들(sequences of pulses)을 송신 및 수신하도록 구성된다. 펄스들의 시퀀스는 산란 파라미터(parameter) 및 제1 및 제2 전단파 파라미터들에 대한 것이다. 이미지 프로세서(image processor)는 산란 파라미터, 제1 전단파 파라미터 및 제2 전단파 파라미터의 조합으로부터 질병 활성도의 지수에 대한 점수를 생성하도록 구성된다. 디스플레이(display)는 질병 활성도의 지수에 대한 점수를 디스플레이하도록 구성된다.
[0009] 제3 양상에서, 초음파 시스템을 사용한 간 질환 활성도 추정을 위한 방법이 제공된다. 초음파 시스템은 환자의 간 조직의 복수의 산란 파라미터들을 결정한다. 초음파 시스템은 환자의 간 조직의 복수의 전단파 파라미터들을 결정한다. 산란 파라미터들 중 적어도 하나로부터 지방 분율이 추정된다. 전단파 파라미터들 중 적어도 하나 및 지방 분율로부터 간 질환 활성도의 레벨이 추정된다. 간 질환의 레벨이 디스플레이된다.
[0010] 본 발명은 다음의 청구항들에 의해 정의되고, 본 섹션(section)의 아무것도 그러한 청구항들에 대한 제한으로서 취해지지 않아야 한다. 본 발명의 추가적인 양상들 및 장점들은 바람직한 실시예들과 함께 아래에서 논의되며, 독립적으로 또는 결합하여 나중에 청구될 수 있다.
[0011] 구성요소들 및 도면들이 반드시 실척에 맞는 것은 아니며, 대신에, 본 발명의 원리들을 예시할 때 강조가 이루어진다. 게다가, 도면들에서, 유사한 참조 부호들은 상이한 도면들 전체에 걸쳐 대응하는 부분들을 표기한다.
[0012] 도 1은 초음파를 사용한 조직 특성을 추정하기 위한 방법의 일 실시예의 흐름도이다.
[0013] 도 2는 초음파를 사용한 조직 특성을 추정하기 위한 시스템의 일 실시예의 블록도(block diagram)이다.
[0014] 도 3은 초음파를 사용한 NAS와 같은 질병 활성도를 추정하기 위한 방법의 일 실시예의 흐름도이다.
[0015] 도 4는, 조직학적(histologic) NAS와 비교하여, 초음파 측정치들로부터 NAS를 예측하는 데 있어서 정확도를 도시하는 예시적인 플롯(plot)이다.
[0012] 도 1은 초음파를 사용한 조직 특성을 추정하기 위한 방법의 일 실시예의 흐름도이다.
[0013] 도 2는 초음파를 사용한 조직 특성을 추정하기 위한 시스템의 일 실시예의 블록도(block diagram)이다.
[0014] 도 3은 초음파를 사용한 NAS와 같은 질병 활성도를 추정하기 위한 방법의 일 실시예의 흐름도이다.
[0015] 도 4는, 조직학적(histologic) NAS와 비교하여, 초음파 측정치들로부터 NAS를 예측하는 데 있어서 정확도를 도시하는 예시적인 플롯(plot)이다.
[0016] 질병 활성도는 건강 상태들의 진단, 검진(screening), 모니터링(monitoring) 및/또는 예측을 지원하는 것으로 추정된다. 예컨대, NAS 또는 다른 간 질환 활성도가 추정된다. 지수의 점수는 초음파를 사용하여 추정되어, 질병 활성도를 빠르고 저렴하며 비-외과적인 추정을 허용한다. 초음파-도출 NAFLD 활성도 점수가 추정되어, 생검 또는 MRI를 회피한다.
[0017] 질병 활성도는 간 지방 분율 및/또는 간 지방 분율의 추정치들과 같은 조직 특성들을 추정하는 데 사용되는 측정치들로부터 추정될 수 있다. 지방 분율 또는 다른 조직 특성들의 측정들 및 추정이 도 1과 관련하여 아래에서 논의된다. 그런 다음, 질병 활성도를 추정하는 데 있어서 이러한 측정들 및/또는 조직 특성들의 사용은 도 3과 관련하여 논의된다.
[0018] 조직 특성 추정과 관하여, 정량적 초음파(QUS; quantitative ultrasound)는 건강 상태들의 검진, 진단, 모니터링 및/또는 예측하는 데 사용된다. 인간 조직의 복잡성은 해당 조직의 정확한 특징화를 위해 다수의 QUS 파라미터들을 사용하여 측정될 수 있다. 예컨대, 간 지방 분율은 종파들(longitudinal waves)의 산란 및 감쇠, 전단파들의 전파 및 감쇠, 및/또는 음향 복사력 임펄스(ARFI; acoustic radiation force impulse)로부터의 축상 파들의 전파 및 감쇠와 같은 상이한 파 현상들(wave phenomena)의 수신된 신호들로부터 추출된 정량적 파라미터들(quantitative parameters)을 결합하는 다중-파라미터 접근법을 사용하여 추정된다.
[0019] 일 실시예에서, 조직 특성(예컨대, 간 지방 분율)은, 산란 파라미터들을 추정하기 위해 펄스들의 시퀀스를 송신 및 수신하고 그리고 전단파 파라미터들을 획득하기 위해 펄스들의 시퀀스를 송신 및 수신함으로써 추정된다. 추정은 또한 음향 복사력 임펄스(ARFI; acoustic radiation force impulse)들에 의해 발생되는 축방향 변위들(axial displacements)로부터 파라미터들을 추정하기 위해 펄스들의 시퀀스를 송신 및 수신하는 것을 포함할 수 있다. QUS 파라미터들이 추정되고 결합되어 조직 특성을 추정한다. 비초음파 데이터(data)(예컨대, 혈액 바이오마커)와 같은 다른 정보가 조직 특성의 추정에 포함될 수 있다.
[0020] 도 1은 초음파 스캐너 또는 시스템을 사용한 조직 특성 추정을 위한 방법을 도시한다. 상이한 타입들(types)의 파들 또는 파 현상들에 대한 조직 반응들이 측정된다. 이러한 상이한 반응들의 측정치들의 조합은 조직 특성을 추정하는 데 사용된다.
[0021] 방법은 도 2의 시스템 또는 상이한 시스템에 의해 구현된다. 의료 진단 초음파 스캐너는 음향적으로 파들을 생성하고 응답들을 측정함으로써 측정들을 수행한다. 스캐너, 컴퓨터(computer), 서버(server) 또는 다른 디바이스(device)의 이미지 프로세서는 측정치들로부터 추정한다. 디스플레이 디바이스, 네트워크(network) 또는 메모리(memory)는 추정된 조직 특성을 출력하는 데 사용된다.
[0022] 부가적인, 상이한, 또는 더 적은 수의 동작들이 제공될 수 있다. 예컨대, 동작들(33, 및/또는 38)이 제공되지 않는다. 다른 예로서, 동작들(36 및 37)은 대체 가능한 것들(alternatives)이거나 이들 둘 모두로부터의 결과들을 평균하는 것과 같이 함께 사용될 수 있다. 다른 예에서, 초음파 스캐너를 구성하고 그리고/또는 스캐닝(scanning)을 위한 동작들이 제공된다.
[0023] 동작들은 설명되거나 또는 도시된 순서로(예컨대, 최상부에서 최하부로 또는 숫자로 표시된 대로) 수행되지만, 다른 순서들로 수행될 수 있다. 예컨대, 동작들(30, 32 및 33)이, 이를테면, 동일한 송신 및 수신 펄스들을 사용하여 동시에 수행되거나, 임의의 순서로 수행된다.
[0024] 동작(30)에서, 초음파 스캐너는 환자의 스캔으로부터 조직 내의 산란 측정치를 생성한다. 산란 측정치는 초음파 스캐너로부터 송신되는 종파에 대한 조직 반응을 측정한다. 조직에 충돌하는 종파의 산란 또는 에코(echo)가 측정된다.
[0025] 임의의 산란 측정이 사용될 수 있다. 예시적인 산란 파라미터들은 사운드 스피드(sound speed), 사운드 분산(sound dispersion), 각도 산란 계수(angular scattering coefficient)(예컨대, 후방 산란 계수), 주파수-종속 감쇠 계수, 감쇠 계수 기울기, 정규화된 로그 스펙트럼(log-spectrum)의 스펙트럼 기울기, 정규화된 로그-스펙트럼의 스펙트럼 절편(spectral intercept), 정규화된 로그-스펙트럼의 스펙트럼 중간 대역(spectral midband), 유효 산란기 직경(effective scatterer diameter), 음향 농도(acoustic concentration), 산란기 수 밀도(scatterer number density), 평균 산란기 간격(mean scatterer spacing), 비선형성 파라미터(B/A) 및/또는 코히어런트 대 인코히어런트 산란(coherent to incoherent scattering)의 비율을 포함한다.
[0026] 하나 초과의 측정이 수행될 수 있다. 예컨대, 초음파 시스템은 환자 조직의 둘 이상의 산란 파라미터들에 대한 값들을 결정한다. 일 실시예에서, 음향 감쇠 계수, 후방 산란 계수, 및/또는 주파수-종속 후방 산란 계수의 로그(logarithm)의 스펙트럼 기울기가 측정된다.
[0027] 산란을 측정하기 위해, 초음파 스캐너는 초음파를 사용하여 조직을 스캔한다. 정량적 초음파 산란 파라미터들을 추정하기 위한 신호들을 획득하기 위해 일련의 송신 및 수신 이벤트들(events)이 수행된다. 일 실시예에서, 1, 2 또는 3차원 구역은 B-모드 시퀀스(B-mode sequence)에 의해 스캔된다(예컨대, 광대역(예컨대, 1-2 사이클(cycle)) 송신 빔(transmit beam)을 송신하고 하나 이상의 응답 수신 빔들을 형성함). 선형, 섹터(sector) 또는 벡터(vector)와 같은 임의의 스캔 포맷(scan format)이 사용될 수 있다. 송신 및 수신 동작들은 각각의 스캔 라인(scan line)에 대해 반복될 수 있다. 협대역 펄스들(예컨대, 3개 이상의 사이클들)은, 오버랩핑하는 스펙트럼들(overlapping spectra)과 관계없이 별개의 중심 주파수들로부터 송신 및 수신될 수 있다. 협대역 송신 펄스들은 단일 또는 다수의 송신 및 수신 이벤트들에서 사용될 수 있다. 송신 펄스들 및 대응하는 수신 빔들은, 상이한 방향들로부터 동일한 조직 위치의 샘플링(sampling)과 같이 상이한 스티어링(steering) 각도들에서 형성될 수 있다. 단지 송신에 대해 또는 단지 수신에 대해 상이한 스티어링이 수행될 수 있다. 상이한 송신 빔들은 상이한 송신 전력들 및/또는 F 수들을 가질 수 있다. 단일 송신 또는 다수의 송신들에 초점이 맞춰지거나, 초점이 맞춰지지 않거나, 이들은 평면파를 사용할 수 있다. 임의의 스캔 시퀀스가 사용될 수 있다.
[0028] 상이한 송신 및/또는 수신 설정들과 관계없는 반복은 산란을 한 번 측정하거나 산란을 상이하게 측정하는 데 사용될 수 있다. 동일한 위치에 대해 동일한 산란 파라미터의 다수의 측정치들이 제공되는 경우, 측정치들이 평균화되거나 결합될 수 있다. 인접한 위치들 또는 정해진 범위 내의 위치들과 같은 상이한 위치들로부터의 측정치들이 평균화될 수 있다. 예컨대, 산란 측정치는 동일한 위치로의 다수의 송신들로부터 평균화된 주파수-종속 측정치이다. 깊이, 각도 및/또는 주파수의 함수로서 전력 스펙트럼의 변화들이 측정될 수 있다. 다른 예로서, 상이한 송신 및/또는 수신 각도들로부터의 감쇠 계수의 추정치들은 분산(variance)을 감소시키기 위해 평균화되거나, 감쇠의 각도 종속성을 정량화하는 데 사용된다.
[0029] 일 실시예에서, 측정하기 위한 스캐닝은 적응적이다. 송신들 및/또는 수신들은 적응적일 수 있다. 예컨대, 하나의 측정의 결과들은 후속 송신들에 대한 진폭, 각도, 주파수 및/또는 F #을 설정하는 데 사용된다.
[0030] 일 예에서, 감쇠 계수가 측정된다. 기준 팬텀 방법(reference-phantom method)이 사용되지만, 감쇠 계수의 다른 측정치들이 사용될 수 있다. 음향 에너지(acoustic energy)는 깊이의 함수로서 기하급수적인 감쇠(exponential decay)를 갖는다. 깊이 게인 보정(depth gain correction) 전에 또는 그 보정 없이 깊이의 함수로서 음향 강도의 측정이 수행된다. 시스템 영향들을 제거하기 위해, 측정은 팬텀의 깊이 함수로서 음향 강도의 측정치들에 기반하여 교정된다. 측정은 1차원, 2차원 또는 3차원 구역에 대해 평균화함으로써 잡음에 영향을 덜 받을 수 있다. 빔포밍된 샘플들(beamformed samples) 또는 음향 강도는 주파수 도메인(frequency domain)으로 변환될 수 있으며, 계산은 주파수 도메인에서 수행된다.
[0031] 다른 예에서, 후방 산란 계수가 측정된다. 음향 감쇠가 결정된다. 이 음향 감쇠는 기준 교정을 결정하는 데 사용된다. 음향 감쇠를 교정함으로써, 산란된 에너지가 후방 산란 계수로서 제공된다. 계산은 주파수 도메인에서 수행되어, 주파수의 함수로서 측정치들을 제공할 수 있다.
[0032] 주파수-종속 후방 산란의 로그의 스펙트럼 기울기는 후방 산란 계수로부터 측정된다. 후방 산란 계수의 로그는 주파수의 함수로서 결정된다. 스펙트럼 기울기를 결정하기 위해, 주파수의 함수로서 후방 산란의 로그에 라인이 적합하다(예컨대, 최소 제곱).
[0033] 동작(32)에서, 초음파 스캐너는 환자의 스캔으로부터 조직 내의 전단파 전파의 측정치를 생성한다. 전단파 이미징에 대해, 음향 복사력 임펄스(ARFI 또는 푸싱 펄스(pushing pulse))가 조직에 전달된다. 임펄스는 한 위치에서 조직의 변위를 발생시켜, 전단파의 생성을 초래한다. 전단파는 일반적으로 푸싱 펄스의 송신 빔을 가로질러(transversely) 이동한다. 하나 이상의 측방향으로 이격된 위치들에서 조직 변위를 추적함으로써, 이러한 위치들을 통과하는 전단파가 검출될 수 있다. 전단파가 원점으로부터 나중의 위치로 이동하는 시간 및 그 위치들 사이의 거리는 전단파 스피드를 제공한다.
[0034] 임의의 전단파 파라미터가 결정될 수 있다. 예컨대, 조직 내의 전단파 스피드 또는 속도가 측정된다. 다른 전단파 파라미터들은 각도 및/또는 주파수-종속 전단파 스피드, 각도 및 주파수-종속 전단파 감쇠, 각도 및/또는 주파수-종속 저장 모듈러스(modulus), 각도 및/또는 주파수-종속 손실 모듈러스, 점도 및/또는 각도 및/또는 주파수-종속 음향 흡수 계수를 포함한다.
[0035] 음향 흡수 계수는 전단파의 흡수가 아니라 음향 펄스의 흡수로부터 기인한다. 음향 흡수는 F 로서 결정되고, 여기서 F는 복사력(radiation force)이고, I는 ARFI 푸시 펄스(push pulse)의 강도이고, c는 음향 사운드 스피드이고, α는 음향 흡수 계수이다.
[0036] 전단파를 측정하기 위해, 푸싱 펄스 또는 ARFI가 조직 내의 초점 위치로 송신된다. 휴식 상태 조직 포지션(resting state tissue position)에 대한 기준 스캔은, 푸싱 펄스 전에 또는 조직이 휴식 상태로 돌아간 후에 수행된다. 초점 위치로부터 하나 이상의 위치 공간에서 조직의 포지션 변화 또는 변위는 시간이 지남에 따라 측정된다. 추적 스캔들이 반복적으로 수행된다. 상관관계 또는 다른 유사성 측정을 사용하여, 현재 추적 시간과 비교하여 기준 시간으로부터 조직의 축항, 2D 또는 3D 시프트(shift)가 결정된다. 최대 변위의 시간은 전단파의 시간을 나타낸다. 변위의 시작 또는 끝과 같은 다른 타이밍(timing)이 사용될 수 있다. 전단파가 추적 위치에 도달하는 시간 및 추적 위치로부터 푸싱 펄스의 초점 위치까지의 거리는 전단파 속도를 제공한다. 상이한 추적 위치들에 대한 변위 프로파일(profile)의 시프트(시간 함수로서의 변위)를 결정하거나 위치의 함수로서 변위들로부터 해결함으로써, 다수의 위치들에서 전단파 속도를 해결하는 것과 같은 다른 접근법들이 사용될 수 있다.
[0037] 전단파 파라미터들의 측정은 주파수 및/또는 각도의 함수일 수 있다. 상이한 각도들 및/또는 상이한 주파수들로부터 빔들로 푸시 펄스들을 송신함으로써, 측정이 반복된다. 시공간 변위 프로파일들(spatio-temporal displacement profiles)은 측정을 결정하기 위해 시간 또는 주파수 도메인에서 사용된다. 상이한 각도들로부터의 결과들은 각도 종속 측정치를 결정하는 데 사용될 수 있다.
[0038] 전단파 파라미터는 상이한 위치들에서 측정될 수 있다. 측정은 하나 또는 단일 푸싱 펄스에 대한 조직 변위에 기반할 수 있다. 대신에, 측정은 다수의 푸싱 펄스들에 대한 조직 변위에 기반할 수 있다. 측정은 상이한 푸싱 펄스들을 사용하여 상이한 구역들에 대해 반복된다.
[0039] 전단파 파라미터를 측정하기 위해, 푸싱 펄스 및 추적 송신들 둘 모두가 발생한다. 변위들은, 푸싱 펄스 송신들이 아닌 추적 송신들에 대한 음향 응답을 수신함으로써 측정된다. 산란 파라미터를 측정하는 데 사용된 것과 동일한 스캔을 사용하여 전단파 파라미터를 측정할 수 있다. 예컨대, 푸싱 펄스를 송신하기 전에 추적에 사용되는 기준 스캔은 산란을 측정하는 데 사용된다. 다른 실시예들에서, 전단파 파라미터에 대한 스캔은 산란 파라미터에 대한 송신들 및/또는 수신들과 상이한 송신들 및/또는 수신들을 사용한다. 측정들을 위한 스캔은 상이한 측정들에 대한 송신 및 수신 이벤트들의 개별 시퀀스들로 분할된다.
[0040] 푸싱 펄스는, 푸싱 펄스에 대해 수십, 수백 또는 수천 개의 사이클들 및 추적 송신들에 대해 1 내지 3개의 사이클들과 같이, 추적 펄스들과 비교하여, 상대적으로 긴 지속기간을 갖는다. 반복이 제공되는 경우, 상이한 초점 위치들, 주파수들, 각도들, 전력들 및/또는 F 수들이 푸시 펄스들에 사용될 수 있다.
[0041] 동일한 위치 및/또는 다른 위치들에 대해 동일한 측정이 반복될 수 있다. 임의의 반복을 위해 상이한 주파수, F 수, 각도, 전력, 초점 위치들 및/또는 다른 차이들이 사용될 수 있다. 결과적인 측정치들은 다른 측정치를 결정하기 위해 함께 사용될 수 있거나, 잡음을 감소시키기 위해 평균화되는 것과 같이 결합될 수 있다.
[0042] 초음파 스캐너는 전단파 파라미터 측정을 위해 스캐닝을 조정할 수 있다. 예컨대, 전단파의 감쇠 계수의 추정을 위해 푸시 펄스가 조정된다. 중심 주파수, 지속기간, f-수 또는 푸시 펄스의 다른 특성이 나중의 송신을 위해 변경된다. 초점이 더 좁거나(tighter) 더 약하다(weaker). 전단파를 생성하기 위한 변위는 더 크거나 더 적다. 또 다른 예로서, ARFI 푸시 펄스를 사용한 흡수 계수의 추정을 위해, 더 좁은 초점 또는 더 긴 지속기간으로 또 다른 푸시 펄스가 송신된다. 이러한 변화는 신호 대 잡음비(SNR; signal-to-noise ratio)를 개선하거나 측정들의 변동성(variability)을 감소시킬 수 있다.
[0043] 조정(adaptation)은 임의의 정보에 기반한다. 예컨대, 변위 프로파일은 기준 또는 교정 프로파일과 비교된다. 다른 예로서, 최대, 평균, 또는 중앙 변위의 변위량이 결정된다. 정보는, 더 강하거나 더 높은 강도의 푸시 펄스에 대한 필요성을 나타낼 수 있거나, 더 적은 강도의 푸시 펄스들이 필요로 된다는 것을 나타낼 수 있으며, 이는 더 짧은 냉각(cool down) 시간을 허용한다.
[0044] 동작(33)에서, 초음파 스캐너는 조직의 축방향 변위에 대한 ARFI 측정치를 생성한다. ARFI 송신은 조직으로 하여금 송신 빔의 축 또는 스캔 라인을 따라 변위하게 한다. 전단파를 추적하기보다는, ARFI에 의해 발생되거나 ARFI에 의해 생성된 종파에 대한 응답으로 발생되는, 축을 따른 조직 변위가 시간이 지남에 따라 추적된다.
[0045] 임의의 ARFI 측정이 사용될 수 있다. 예컨대, ARFI 펄스의 종파의 감쇠는, ARFI의 초점으로부터 이격된 위치들에서 추적된 변위들로부터 추정될 수 있다. 측정치들은 축방향 스캔 라인을 따라 초점 또는 다른 위치들에 있을 수 있다.
[0046] 측정하기 위해, ARFI는 스캔 라인을 따라 송신된다. 추적 스캔들은 ARFI의 송신 후에 수행된다. 스캔 라인을 따른 추적 송신들로부터의 음향 에코들이 수신된다. 수신된 데이터는 ARFI-발생 변위들 이전 또는 이후의 기준과 상관된다. 시간, 위치, 송신 각도 및/또는 송신 주파수의 함수로서 변위의 양이 결정된다. 최대 변위의 양, 깊이의 함수로서의 변위 및/또는 시간의 함수로서의 변위는 ARFI 측정치를 계산하는 데 사용된다.
[0047] 다른 시간들 및/또는 위치들에서 동일한 측정이 수행될 수 있다. 반복으로부터의 결과들은 또 다른 측정치를 도출하는 데 사용될 수 있거나 평균화될 수 있다.
[0048] 송신들은 F 수, 주파수, 지속기간, 전력 및/또는 각도를 조정하는 것과 같이 조정될 수 있다. 조정(adaption)은 최대 변위의 크기와 같은 임의의 측정치에 응답할 수 있다.
[0049] 다른 측정치들이 사용될 수 있다. 상이한 타입들의 파들 및/또는 스캐닝에 대한 조직의 반응이 측정된다. 동일한 타입의 하나 이상의 측정치들이 사용된다. 정해진 측정치에 대해, 단일 인스턴스(instance), 평균 또는 분포(예컨대, 시간에 따른 표준 편차, 지속기간, 주파수, 각도 및/또는 공간)가 수행된다. 임의의 수의 동일하거나 상이한 타입들의 측정들이 수행될 수 있다.
[0050] 동작(34)에서, 초음파 스캐너 또는 다른 이미지 프로세서는 상이한 측정치들로부터 환자 조직의 조직 특성을 추정한다. 둘 이상의 상이한 파 현상들로부터의 측정치들이 사용된다. 둘 이상의 측정치들의 값들은 조직 특성을 추정하는 데 사용된다. 예컨대, 산란의 측정치 및 전단파 전파의 측정치 둘 모두는 조직 특성을 추정하는 데 사용된다. 다른 예에서, 축상 변위의 측정치(예컨대, ARFI 측정치)는 음향 산란 측정치 및/또는 전단파 전파 측정치와 함께 사용된다.
[0051] 조직 특성을 추정하기 위해 다른 정보가 사용될 수 있다. 예컨대, 환자에 대한 임상 정보가 사용된다. 임상 정보는 병력(medical history), 나이, 체질량 지수, 성별, 금식 여부(fasting or not), 혈압, 당뇨병 여부(diabetic or not) 및/또는 혈액 바이오마커 측정치일 수 있다. 예시적인 혈액 바이오마커들은 알라닌 아미노트랜스퍼레이스(ALT; alanine aminotransferase) 레벨, 아스파테이트 아미노트랜스퍼레이스(AST; aspartate aminotransferase) 레벨 및/또는 알칼리 포스파타제(ALP; alkaline phosphatase) 레벨을 포함한다. 환자에 관한 임의의 정보가 포함될 수 있다.
[0052] 임의의 조직 특성이 추정될 수 있다. 예컨대, 조직의 지방 분율이 추정된다. 간, 유방 또는 다른 조직의 지방 분율은 진단적으로 유용하다. 환자의 간의 지방 분율은 NAFLD의 진단을 돕는다. 다른 진단적으로 유용한 조직 특성들은 염증, 밀도, 섬유증 및/또는 네프론 특성(nephron characteristic)(개수 및/또는 직경)을 포함한다. 조직 특성은 존재 여부와 같이 이진(binary)이거나, 스케일(scale)에 따른 추정치(즉, 조직 특성의 레벨 또는 크기)이다. 일 실시예에서 오직 하나의 조직 특성만이 추정된다. 다른 실시예들에서, 둘 이상의 상이한 조직 특성들은 동일하거나 상이한 측정치들로부터 추정된다.
[0053] 동작들(36 및 37)은 동작(34)에서 추정하기 위한 2개의 상이한 실시예들을 나타낸다. 상이한 실시예들은 대체 가능한 것들이다. 다른 실시예들이 사용될 수 있다. 2개의 방식들로 조직 특성에 대한 값을 결정하고 그런 다음 결과들을 평균화하거나 가장 정확할 것 같은 결과를 선택하는 것과 같이, 양자 또는 다수의 실시예들이 사용될 수 있다.
[0054] 조직 특성의 값이 추정된다. 동작(36)의 실시예에서, 머신-학습 분류기(machine-learnt classifier)는 조직 특성을 추정한다. 머신-트레이닝 분류기(machine-trained classifier)는 비선형 모델을 제공한다. 임의의 머신 학습 및 결과적인 머신-학습 분류기가 사용될 수 있다. 예컨대, 서포트 벡터 머신(support vector machine), 확률적 부스팅 트리(probabilistic boosting tree), 베이지안 네트워크(Bayesian network), 뉴럴 네트워크(neural network) 또는 다른 머신 학습이 사용된다.
[0055] 머신 학습은 트레이닝 데이터(training data)로부터 학습한다. 트레이닝 데이터는 수십, 수백 또는 수천 개의 샘플들과 같은 다양한 예들 및 실측 자료(ground truth)를 포함한다. 예들은, 산란 및 전단파 전파 파라미터들에 대한 값들과 같이 사용될 입력 데이터를 포함한다. 실측 자료는 각각의 예의 조직 특성에 대한 값이다. 일 실시예에서, 머신 학습은, 산란 및 전단파 전파 파라미터들에 기반하여, 지방 분율을 분류하는 것을 학습하는 것이다. 지방 분율에 대한 실측 자료에는, 양성자 밀도 지방 분율(PDFF; proton density fat fraction)를 제공하는 자기 공명(MR; magnetic resonance) 스캔이 제공된다. MR-PDFF는 위치 또는 구역에 대한 지방의 퍼센티지(percentage)를 제공한다. 지방의 퍼센티지는, 머신 학습이 초음파 파라미터들에 대한 입력 값들로부터 지방의 퍼센티지를 분류하는 것을 학습하도록 실측 자료로서 사용된다. 이를테면, 생검, 모델링(modeling) 또는 다른 측정들로부터의 정해진 조직 특성에 대해 다른 실측 자료의 소스들(sources)이 사용될 수 있다.
[0056] 일 실시예에서, 머신 학습은 뉴럴 네트워크를 트레이닝시킨다. 뉴럴 네트워크는, 조직 특성의 값들을 구별하기 위해 필터 커널(filter kernel)을 학습하는 하나 이상의 컨벌루셔널 계층들(convolution layers)을 포함한다. 머신 트레이닝은, 입력 값들의 어떤 가중치 조합(예컨대, 학습된 커널을 사용하는 컨볼루션(convolution))이 출력을 나타내는지를 학습한다. 결과적인 머신-학습 분류기는 입력 값들을 사용하여 구별 정보를 추출하고, 그런 다음, 추출된 정보에 기반하여 조직 특성을 분류한다.
[0057] 트레이닝은 하나 이상의 행렬들(matrices)을 제공한다. 행렬 또는 행렬들은 입력 정보와 출력 클래스(output class)를 관련시킨다. 계층적 트레이닝 및 결과적인 분류기가 사용될 수 있다. 상이한 조직 특성들에 대해 상이한 분류기들이 사용될 수 있다. 동일한 조직 특성 및 평균화되거나 결합된 결과들에 대해 다수의 분류기들이 사용될 수 있다.
[0058] 동작(37)의 실시예에서, 머신-학습 모델 대신에 또는 이외에도 선형 모델이 사용된다. 미리 결정되거나 프로그래밍된(programmed) 함수는 입력 값들과 출력 값들을 관련시킨다. 함수 및/또는 함수에 사용되는 가중치들은 실험적으로(experimentally) 결정될 수 있다. 예컨대, 가중치들은 MR-PDFF 값들을 사용하여 최소 제곱 최소화에 의해 획득된다.
[0059] 임의의 선형 함수가 사용될 수 있다. 예컨대, 조직 특성의 값은 하나 이상의 산란기 파라미터들 및 하나 이상의 전단파 전파 파라미터들로부터 추정된다. 덧셈, 뺄셈, 곱셈 또는 나눗셈의 임의의 조합이 사용될 수 있다.
[0060] 일 실시예에서, 둘 이상의 함수들(예컨대, 가중된 측정들의 조합)이 제공된다. 파라미터들 중 하나의 값에 기반하여 함수들 중 하나가 선택된다. 예컨대, 초음파-도출 지방 분율(UDFF; ultrasound-derived fat fraction) 추정은 가중된 조합들로서 표현되는 2개의 함수들을 포함한다.
여기서 d와 δ는 상수들이고, a, b, c, α 및 β는 가중치들이고, P는 파라미터의 측정치이다. 어떤 함수를 선택할지를 결정하기 위해 하나의 파라미터(Pi, k)가 사용된다. 가능한 함수들은 2개 또는 3개의 다른 파라미터들 및 가중치들을 포함한다. 부가적이거나, 상이하거나 더 적은 수들의 함수들, 함수의 파라미터들, 가중치들 및/또는 상수들이 사용될 수 있다. 상이한 선택 기준들이 사용될 수 있다. 선택 파라미터는 하나의 타입일 수 있고, 각각의 함수의 가중된 파라미터는 다른 타입일 수 있다. 대안적으로, 선택에 사용되는 파라미터들의 타입 또는 타입들과 관계없이, 상이한 타입들(예컨대, 산란 및 전단파 전파)이 가중된 파라미터들로서 포함된다.
[0061] 일 예에서, AC는 음향 감쇠 계수(예컨대, 산란 파라미터)이고, BSC는 후방 산란 계수(예컨대, 산란 파라미터)이고, SS는 주파수-종속 후방 산란 계수(예컨대, 또한 산란 파라미터)의 로그의 스펙트럼 기울기이다. SWS는 전단파 스피드(예컨대, 전단파 전파 파라미터)이다. 산란 파라미터들에 기반하는 2개의 함수들이 사용되고, 여기서 정해진 추정에 대한 함수는, 다음과 같이 표현된 바와 같이, 전단파 전파 파라미터에 기반하여 선택된다.
가중치들 및 상수들은 MR-PDFF에 의해 제공된 지방 분율로부터의 차이를 최소화하는 것에 기반한다. 전문가가 선택한 또는 다른 가중치들 및/또는 상수들이 사용될 수 있다.
[0062] 동작(38)에서, 초음파 스캐너 또는 디스플레이 디바이스는 추정된 조직 파라미터를 디스플레이한다. 예컨대, 지방 분율의 이미지가 생성된다. 추정된 지방 분율을 나타내는 값이 스크린 상에 디스플레이된다. 대안적으로 또는 부가적으로, 추정된 지방 분율을 나타내는 그래픽(graphic)(예컨대, 곡선 또는 아이콘(icon))이 디스플레이된다. 스케일에 대한 기준 또는 다른 기준이 디스플레이될 수 있다. 다른 실시예들에서, 위치의 함수로서 지방 분율은 컬러(color), 밝기, 색조(hue), 휘도, 또는 1차원, 2차원 또는 3차원 표현의 디스플레이 값의 다른 변조에 의해 디스플레이된다. 조직 특성은 픽셀 컬러(pixel color)로 선형적으로 또는 비선형적으로 맵핑될(mapped) 수 있다.
[0063] 조직 특성은 단독으로 또는 다른 정보와 함께 표시된다. 예컨대, 전단파 이미징이 수행된다. 전단파 속도, 모듈러스 또는 전단파에 대한 조직 반응으로부터 결정된 또는 다른 정보가 디스플레이된다. 임의의 전단 이미징이 사용될 수 있다. 디스플레이된 이미지는 관심 구역 또는 전체 이미징 구역에 대한 전단파 정보를 나타낸다. 예컨대, 관심 구역 또는 시야의 모든 그리드 포인트들(grid points)에 대해 전단 속도 값들이 결정되는 경우, 디스플레이의 픽셀들은 해당 구역에 대한 전단파 속도들을 나타낸다. 디스플레이 그리드(display grid)는, 변위들이 계산되는 그리드 및/또는 스캔 그리드와 상이할 수 있다.
[0064] 전단파 정보는 컬러 오버레이(color overlay) 또는 디스플레이 값들의 다른 변조에 사용된다. 컬러, 밝기, 휘도, 색조 또는 다른 디스플레이 특성은 전단파 속도와 같은 전단파 특성의 함수로서 변조된다. 이미지는 2-차원 또는 3-차원 위치들의 구역을 나타낸다. 전단 데이터는 디스플레이 포맷이거나, 디스플레이 포맷으로 스캔 변환될 수 있다. 전단 데이터는 컬러 또는 그레이 스케일 데이터(gray scale data)이지만, 그레이 스케일 또는 컬러 스케일로 맵핑(mapping)하기 전의 데이터일 수 있다. 정보는 디스플레이 값들로 선형적으로 또는 비선형적으로 맵핑될 수 있다.
[0065] 이미지는 다른 데이터를 포함할 수 있다. 예컨대, 전단파 정보는 B-모드 정보 위에 또는 B-모드 정보와 함께 디스플레이된다. 전단파 속도가 임계치 미만이거나 품질이 열악한 임의의 위치에 대한 B-모드 데이터를 디스플레이하는 것과 같이, B-모드 또는 동일한 구역의 조직, 유체 또는 조영제들(contrast agents)을 나타내는 다른 데이터가 포함될 수 있다. 다른 데이터는 사용자가 전단 정보의 위치를 결정하는 데 도움을 준다. 다른 실시예들에서, 전단파 특성은 다른 데이터 없이 이미지로서 디스플레이된다. 또 다른 실시예들에서, B-모드 또는 다른 이미지 정보는 전단파 정보 없이 제공된다.
[0066] 조직 특성의 부가적인 추정된 값은, 전단파, B-모드, 컬러 또는 유동 모드, M-모드, 조영제 모드 및/또는 다른 이미징과 실질적으로 동시에 디스플레이된다. 보기의 시각적 지각이 실질적으로 감안(account for)된다. 충분한 빈도로 2개의 이미지들을 순차적으로 디스플레이하는 것은, 시청자가 이미지들을 동시에 디스플레이되는 것으로 지각하는 것을 허용할 수 있다. 조직 특성을 추정하는 데 사용되는 컴포넌트 측정치들(component measures)이 또한, 이를테면, 표에 디스플레이될 수 있다.
[0067] 실질적으로 동시의 디스플레이를 위한 임의의 포맷이 사용될 수 있다. 일 예에서, 전단파 또는 해부학적 이미지는 2 차원 이미지이다. 조직 특성의 값은 텍스트(text), 그래프(graph), 2 차원 이미지 또는 추정의 값들의 다른 표시자이다. 커서(cursor) 또는 다른 위치 선택은 전단 또는 해부학적 이미지에 대해 포지셔닝될(positioned) 수 있다. 커서는 위치의 선택을 나타낸다. 예컨대, 사용자는 병변, 낭포, 내포물 또는 다른 구조의 내부 구역과 연관된 픽셀을 선택한다. 그런 다음, 선택된 위치에 대한 조직 특성이 값, 스케일을 따른 포인터(pointer) 또는 다른 표시로서 디스플레이된다. 다른 예에서, 조직 특성은 관심 구역(시야의 서브-부분(sub-part)) 또는 전체 시야에 표시된다.
[0068] 다른 실시예에서, 전단파 또는 B-모드 및 지방 분율 이미지들이 실질적으로 동시에 디스플레이된다. 예컨대, 듀얼-스크린 디스플레이(dual-screen display)가 사용된다. 전단파 이미지(예컨대, 전단파 속도) 및/또는 B-모드 이미지가 스크린의 하나의 영역에 디스플레이된다. 위치의 함수로서의 지방 분율은 스크린의 다른 영역에 디스플레이된다. 사용자는 진단을 위해 스크린 상의 상이한 이미지들을 볼 수 있다. 조직 특성의 부가적인 정보 또는 표시는 사용자가 그 구역을 진단하는 것을 돕는다.
[0069] 일 실시예에서, 조직 추정은 실시간 숫자 또는 정량적 이미지로서 제공된다. 조직 파라미터들이 신속하게 추정될 수 있기 때문에, 조직 파라미터의 값이 추정되고, 스캐닝을 시작하고 1-3 초 이내에 출력된다. 조직 특성은 치료 전, 치료 동안 및/또는 치료 후와 같이 상이한 시간들에 추정될 수 있다. 상이한 시간들로부터의 추정치들은 질병의 진행 및/또는 치료에 대한 반응을 모니터링하는 데 사용된다. 예컨대, 시간에 따른 조직 특성의 값의 퍼센트 변화(percent change)가 계산되고 출력된다.
[0070] 조직 특성 및/또는 조직 특성들을 도출하는 데 사용되는 측정들은 질병 활성도를 추정하는 데 사용될 수 있다. 도 3은 초음파 시스템을 사용한 질병 활성도 추정을 위한 방법의 일 실시예의 흐름도이다. 예컨대, 방법은 초음파-도출 비알코올성 간 질환 활성도 추정을 위한 것이다. 초음파 스캐너는 질병 활성도를 직접 또는 간접적으로 추정하기 위해 환자의 조직 내의 산란 및/또는 전단파 전파를 측정한다.
[0071] 예컨대, 비알코올성 지방 간 질환 활성도 점수(NAS; non-alcoholic fatty liver disease activity score)는 정량적 초음파를 사용하여 예측된다. NAS는 조직의 기계적 및 음향적 특성들의 초음파 추정치들에 기반하여 예측된다. 모델은 의료용 초음파를 사용하여 추정된 조직의 기계적 및 음향적 특성들에 기반하여 NAS를 예측한다. 일 실시예에서, 초음파 시스템은 NAS의 예측자로서 초음파-도출 NAFLD 활성도(UDNA; ultrasound-derived NAFLD activity) 지수를 비외과적으로 획득한다. 초음파 시스템은 산란 및 전단파 전파의 측정치들을 생성하기 위한 펄스 시퀀스를 수행하도록 구성된다. UDNA는, 음향 후방 산란 계수, 전단파 속도 및 전단파 감쇠비를 포함하는, 간의 적어도 3개의 특성들의 모델들을 사용하여 결정된다.
[0072] 조직학적 NAS는 지방증, 소엽 염증 및 풍선 조직학적 점수의 합계이지만, 생검을 요구한다. 일 실시예에서, 제안된 초음파-도출 모델은 적절한 기계적 및 음향적 특성들과 NAS 특징들을 페어링(pair)한다. 후방 산란, 감쇠 및/또는 사운드 스피드에 기반한 초음파-도출 지방 분율은 지방증 등급의 측정치로서 사용된다. 전단파 감쇠비는 염증의 측정치로서 사용되고, 전단파 스피드는 풍선의 측정치로서 사용된다. 다른 초음파 측정치들이 사용될 수 있다.
[0073] 도 3의 방법은 도 2의 시스템 또는 상이한 시스템에 의해 구현된다. 의료 진단 초음파 스캐너는 음향적으로 파들을 생성하고 응답들을 측정함으로써 측정들을 수행한다. 스캐너, 컴퓨터, 서버 또는 다른 디바이스의 이미지 프로세서는 측정들로부터 추정한다. 디스플레이 디바이스, 네트워크 또는 메모리는 추정된 질병 활성도 점수를 출력하는 데 사용된다.
[0074] 부가적인, 상이한, 또는 더 적은 수의 동작들이 제공될 수 있다. 예컨대, 지방 분율 또는 다른 조직 특성의 추정에서 ARFI 측정치를 사용하는 것과 같은, 도 1의 동작들(33)이 포함된다. 다른 예로서, 조직 특성(예컨대, 지방 분율)의 별개의 추정 없이 측정치들로부터 질병 활성도 지수 점수가 추정되는 경우와 같은 동작(34)이 포함되지 않는다. 또 다른 예에서, 동작(38)이 제공되지 않는다. 다른 예에서, 초음파 스캐너를 구성하고 그리고/또는 스캐닝을 위한 동작들이 제공된다.
[0075] 동작들은 설명되거나 또는 도시된 순서로(예컨대, 최상부에서 최하부로 또는 숫자로 표시된 대로) 수행되지만, 다른 순서들로 수행될 수 있다. 예컨대, 동작들(30 및 32)이, 이를테면, 동일한 송신 및 수신 펄스들을 사용하여 동시에 수행되거나, 임의의 순서로 수행된다.
[0076] 동작(30)에서, 초음파 스캐너는 환자의 초음파 스캔으로부터 조직 내의 산란의 하나 이상의 측정치들을 생성한다. 간 조직과의 음향 상호작용의 측정치들과 같은 임의의 음향 산란 파라미터들이 사용될 수 있다. 예컨대, 초음파 스캐너 또는 시스템은 후방 산란 계수, 주파수-종속 후방 산란 계수, 감쇠, 사운드 스피드 및/또는 도 1에 대해 위에서 논의된 산란 측정치들 중 임의의 다른 측정치를 측정한다. 측정치는 주파수-종속적이고, 이를테면, 다수의 송신들로부터 평균화될 수 있다. 적응형 스캐닝이 사용될 수 있다.
[0077] 산란의 측정치들은, 이를테면, 음향 후방 산란(예컨대, 주파수-종속 음향 후방 산란) 및 음향 감쇠를 사용하여, 지방 분율을 추정하는 데 사용될 수 있다. 산란의 측정치들은 대안적으로 또는 부가적으로, 이를테면, 음향 후방 산란 또는 주파수-종속 음향 후방 산란을 사용하여, 질병 활성도의 추정에 사용된다.
[0078] 동작(32)에서, 초음파 스캐너는 환자의 초음파 스캔으로부터 조직 내의 전단파 전파의 하나 이상의 측정치들을 생성한다. 임의의 전단파 전파 파라미터들이 사용될 수 있다. 예컨대, 전단파 속도 및 전단파 감쇠비가 사용된다. 도 1에 대해 위에서 논의된 전단파 전파 측정치 중 임의의 것이 사용될 수 있다. 측정치들은 환자의 관심 조직, 이를테면, 간 조직에서 ARFI 유도 전단파에 대한 것이다. 적응형 스캐닝이 사용될 수 있다.
[0079] 도 1에 대해 위에서 논의된 바와 같이, 산란을 측정하고 전단파 전파를 측정하는 데 사용되는 초음파 스캐닝은 동일하거나 상이한 송신 및 수신 이벤트들을 사용한다. 예컨대, 전단파를 생성하고 전단파에 대한 조직 반응을 측정하는 데 사용되는 산란을 측정하기 위해 별개의 송신들 및 수신들이 사용된다.
[0080] 일 실시예에서, 전단파 감쇠비가 생성된다. 복소수로서 전단파 점도, 이를테면, 손실 모듈러스에 대한 저장 모듈러스의 비율을 결정하기 위해, 전단파에 대한 조직 반응을 측정하기 위해 초음파 스캐닝이 수행된다. 이러한 복소 표현은 점도의 실수 부분을 저장 모듈러스로서 사용하고 점도의 허수 부분을 손실 모듈러스로서 사용한다.
[0081] 하나의 접근법에서, 시공간 변위 측정치들은 전단파 전파 동안에 획득된다. 이러한 측정치들은, 이를테면, 고속 푸리에 변환(fast Fourier transform)을 사용하여 주파수 도메인으로 푸리에 변환되며(Fourier transformed), 복소파 수(complex wave number)를 결정하는 데 사용된다. 시간의 함수로서 변위 스펙트럼의 로그는 전단 또는 다른 파에 영향을 받는 다양한 위치들 각각에 대해 결정될 수 있다. 위치의 함수로서 로그를 사용하여 해결하는 것은 복소파 수를 제공한다. 손실 모듈러스 및 저장 모듈러스와 같은 다양한 점탄성 파라미터들(viscoelastic parameters)은 복소파 수로부터 결정된다. 일 실시예에서, 미국 공개 특허 출원 번호 제2016/0302769호에 개시된 복소파 수, 점도, 또는 다른 감쇠비 측정치를 결정하기 위한 측정치들이 사용된다.
[0082] 또 다른 접근법으로서, 전단파 감쇠 및 전단파 분산이 측정된다. 분산은 주파수의 함수로서 전단파 스피드 또는 속도의 변화이다. 전단파 감쇠는 또한 주파수의 함수로서 측정될 수 있다. 정해진 주파수에 대해 또는 다수의 주파수들의 결합(예컨대, 평균)에 대해, 감쇠 및 분산 값에 기반하여 페이저(phasor)가 생성된다. 이 페이저는 복소수로 변환되고, 복소수로부터의 실수 및 허수 부분들이 감쇠비로서 사용된다. 전단파에 대한 조직 반응으로부터의 감쇠비의 다른 측정치들이 사용될 수 있다.
[0083] 이미지 프로세서는, 후방 산란 계수, 전단파 속도 및 전단파 감쇠비로부터 초음파-도출 간 질환 활성도 지수에 대한 값을 추정한다. 다른 측정들이 사용될 수 있다. 이를테면, 환자 의료 기록으로부터의 비초음파 정보가 부가적으로 사용될 수 있다.
[0084] 질병 활성도는 측정들로부터 직접 또는 간접적으로 추정된다. 직접적인 측정들에 대해, 측정들이 모델에 입력되며, 이 모델은 동작(40)에서 질병 활성도 값의 추정치를 출력한다. 점수는 측정치로부터 직접적으로 추정된다. 간접적인 측정들에 대해, 동작(34)에서 다른 값 또는 추정치(예컨대, 지방 분율)를 결정하는 데 하나 이상의 타입들의 측정들이 사용되며, 그런 다음, 이 추정치는 단독으로, 다른 타입들의 추정치들과 함께, 다른 측정치들과 함께, 또는 동작(40)에서 질병 활성도를 추정하기 위한 다른 타입들의 추정치들 및 다른 측정치들과 함께 사용된다.
[0085] 일 실시예에서, 후방 산란 계수, 음향 감쇠 및/또는 전단파 속도(예컨대, 전단파 속도가 없는 경우, 후방 산란 계수(음향 산란) 및 음향 감쇠를 사용함)는 동작(34)에서 지방 분율을 추정하는 데 사용된다. 하나 이상의 산란 및/또는 하나 이상의 전단파 전파 파라미터들이 지방 분율을 추정하는 데 사용된다. 도 1에 대해 위에서 논의된 지방 분율을 추정하기 위한 실시예들 중 임의의 실시예가 사용될 수 있다. 예컨대 음향 감쇠 계수(예컨대, 산란 파라미터), 후방 산란 계수(예컨대, 산란 파라미터) 및 주파수-종속 후방 산란 계수의 로그의 스펙트럼 기울기(예컨대, 또한 산란 파라미터)는 지방 분율을 추정하는 데 사용된다. 전단파 스피드(예컨대, 전단파 전파 파라미터)는, 이를테면, 산란 파라미터들로부터 지방 분율을 추정하기 위한 함수를 선택하는 데 사용될 수 있다.
[0086] 동작(40)에서, 이미지 프로세서는 간 질환 활성도의 레벨(예컨대, NAS 또는 UDNA)을 추정한다. 간접적인 추정에 대해, 질병 활성도의 레벨은 전단파 파라미터들 중 적어도 하나 및 지방 분율로부터 추정된다. 예컨대, 질병 활성도의 추정에서 3개의 입력들이 사용된다. 초음파 기계적 및 음향적 특성들은 조직학적 NAS 특징들을 대체한다. 이를테면, 후방 산란, 감쇠 및/또는 사운드 스피드에 기반한 초음파-도출 지방 분율은 지방증 등급의 측정치로서 사용된다. 전단파 감쇠비는 염증의 측정치로서 사용되고, 전단파 스피드는 풍선의 측정치로서 사용된다. 의사를 보조하는 지표에 대한 간 질환 활성도의 값은 지방 분율, 감쇠비 및 전단파 속도와 같은 다양한 측정치들 및/또는 추정치들로부터 직접적으로 또는 간접적으로 추정된다.
[0087] 다른 측정치들 및/또는 추정치들이 대체물로서 사용될 수 있다. 하나의 조직학적 NAS 변수를 대신해서 다수의 추정치들 및/또는 측정치들이 사용될 수 있다. 활성도는, 조직학적 변수들과 상이하여, 질병 활성도를 결정하는 상이한 접근법을 제공하는 추정치들 및/또는 측정치들로부터 추정될 수 있다.
[0088] 이미지 프로세서는 모델을 사용하여 간 질환 활성도 지수에 대한 점수 또는 값을 추정한다. 점수 또는 값은, 이를테면, 정수 범위에 걸친 지수의 부분이다. 3 개의 레벨들(예컨대, 지방 간염, 간경변 또는 간세포 암종), 2 개의 레벨들(예컨대, 지방증 또는 섬유증) 또는 4 개의 이상의 레벨들과 같은 임의의 범위가 사용될 수 있다. 점수화는 질병의 특정 스테이지들(stages)과 관련될 수 있거나, 특정 스테이지들을 참조하지 않고 질병의 레벨을 나타낼 수 있다(예컨대, 0-7은 각각의 레벨에 대해 상이한 양의 활성도를 갖는 8개의 레벨들을 제공함). 추정된 값 또는 점수는 스테이지 및/또는 수치 표현이다.
[0089] 모델은, 이를테면, 변수들에서 추정치들 및/또는 측정치들을 사용하는 함수일 수 있다. 다른 실시예들에서, 모델은 머신-학습 분류기이다. 이를테면, 완전히 연결된 뉴럴 네트워크, 컨벌루셔널 뉴럴 네트워크 또는 서포트 벡터 머신을 사용하는 머신 학습은, 입력 추정치들 및/또는 측정치들이 정해지면, 질병 활성도의 값을 분류-출력하기 위한 모델을 트레이닝시킨다. 다른 실시예에서, 로지스틱 회귀 모델(logistic regression model)이 사용된다. 질병 활성도의 값은 로지스틱 회귀를 사용한 측정치들 및/또는 추정치들로부터 추정된다. 예컨대, 질병 활성도는 지방 분율, 전단파 속도 및 감쇠비의 로지스틱 회귀를 사용하여 추정된다. 또 다른 예로서, 질병 활성도는 후방 산란 계수, 전단파 속도 및 전단파 감쇠비의 로지스틱 회귀로서 추정된다.
[0090] 이미지 프로세서는 질병 활성도를 추정하기 위해 다른 입력 정보를 사용할 수 있다. 예컨대, ARFI로부터의 종파에 대한 조직 반응의 측정치들이 사용될 수 있다. 다른 예로서, 환자에 대한 임상 정보가 사용될 수 있다.
[0091] 동작(42)에서, 이미지 프로세서는 질병 활성도의 추정치를 생성하고, 디스플레이(예컨대, 디스플레이 스크린)는 이를 디스플레이한다. 간 질환 활성도 레벨(예컨대, UDNA)이 사용자에게 디스플레이되어 질병 진단 또는 모니터링을 보조한다. 초음파가 사용되기 때문에, 외과적 생검 및/또는 MRI의 시간 및 비용 없이, 보조가 제공된다.
[0092] UNDA 지수의 레벨(예컨대, 값) 또는 다른 질병 활성도의 스케일은 영숫자 텍스트로서, 그래프로서 또는 환자의 조직을 나타내는 이미지에서 컬러 코딩(color coding) 또는 라벨링(labeling)으로서 출력된다. 예컨대, 간 조직의 초음파 이미지가 디스플레이된다. 이미지는 추정된 바와 같이 초음파-도출 간 질환 활성도 지수의 값의 표시를 포함한다. 지방 분율, 다른 조직 특성 추정치 및/또는 측정치들이 또한 출력될 수 있다. 동작(38)에 대해 위에서 논의된 출력들 중 임의의 것은 지방 분율 대신에 또는 그에 추가하여 질병 활성도와 함께 사용될 수 있다.
[0093] 도 4는 조직학적 NAS와 비교하여 예측된 NAS의 그래프를 도시한다. 예측된 NAS는, 전단파 전파에 기반한, 지방 분율, 전단파 속도 및 전단파 감쇠비로부터의 로지스틱 회귀로부터 UDNA를 추정한 것이다. 지수는 점수화하기 위해 8개의 레벨들(0-7)을 사용한다. 82명의 환자들에 기반하여, 예측된 NAS와 조직학적 NAS 사이의 제곱 평균 제곱근 오차는 1.14이다. 예측은 특히 2-5의 중간-위 점수들에 대해 조직학적 NAS와 잘 상관된다. 양호한 진단 성능이 제공된다.
[0094] 도 2는 상이한 타입들의 파들에 대한 응답으로 측정치들로부터 조직 특성 및/또는 질병 활성도 추정을 위한 시스템(10)의 일 실시예를 도시한다. 시스템(10)은 도 1의 방법, 도 3의 방법 또는 다른 방법들을 구현한다. 시스템(10)은 송신 빔포머(12), 트랜스듀서(14), 수신 빔포머(16), 이미지 프로세서(18), 디스플레이(20), 및 메모리(22)를 포함한다. 부가적인, 상이한, 또는 더 적은 수의 구성요소들이 제공될 수 있다. 예컨대, 시스템과의 사용자 상호작용을 위한 사용자 입력이 제공된다.
[0095] 시스템(10)은 의료 진단 초음파 이미징 시스템이다. 대안적인 실시예들에서, 시스템(10)은 개인용 컴퓨터(computer), 워크스테이션(workstation), PACS 스테이션(station), 또는 실시간 또는 획득 후 이미징을 위해 동일한 위치에 있거나 또는 네트워크(network)에 걸쳐 분포된 다른 어레인지먼트(arrangement)이다.
[0096] 송신 및 수신 빔포머들(12, 16)은 트랜스듀서(14)를 사용하여 송신 및 수신하는 데 사용되는 빔포머를 형성한다. 펄스들의 시퀀스들이 송신되고, 빔포머의 동작 또는 구성에 기반하여 응답들이 수신된다. 빔포머는 산란, 전단파 및/또는 ARFI 파라미터들을 측정하기 위해 스캔한다. 빔포머들(12, 16)은 트랜스듀서(14)를 사용하여 환자에서 펄스들의 시퀀스를 송신 및 수신하도록 구성된다. 펄스들의 시퀀스는 하나 이상의 산란 파라미터들 및 하나 이상의 전단파 파라미터들에 대한 것이다.
[0097] 송신 빔포머(12)는 초음파 송신기, 메모리, 펄서(pulser), 아날로그(analog) 회로, 디지털(digital) 회로, 또는 이들의 결합들이다. 송신 빔포머(12)는, 상이한 또는 상대적인 진폭들, 지연들, 및/또는 페이징(phasing)을 갖는 복수의 채널(channel)들에 대한 파형들을 생성하도록 동작가능하다. 생성된 전기 파형들에 대한 응답으로 트랜스듀서(14)로부터 음향 파들의 송신 시, 하나 이상의 빔들이 형성된다. 2차원 또는 3차원 구역을 스캐닝하기 위해 송신 빔들의 시퀀스가 생성된다. 섹터(sector), Vector®, 선형, 또는 다른 스캔 포맷(format)들이 사용될 수 있다. 동일한 구역은 상이한 스캔 라인 각도들, F 수들 및/또는 파형 중심 주파수들을 사용하여 여러 번 스캔될 수 있다. 유동 또는 도플러 이미징(Doppler imaging)에 대해 그리고 전단 이미징에 대해, 동일한 라인 또는 라인들을 따른 일련의 스캔들이 사용된다. 도플러 이미징에서, 시퀀스는, 인접 스캔 라인을 스캐닝하기 전에 동일한 스캔 라인을 따른 다수의 빔들을 포함할 수 있다. 전단 이미징에 대해, 스캔 또는 프레임 인터리빙(frame interleaving)이 사용될 수 있다(즉, 다시 스캐닝하기 전에 전체 구역을 스캐닝함). 라인 또는 라인의 그룹(group) 인터리빙이 사용될 수 있다. 대안적인 실시예들에서, 송신 빔포머(12)는 더욱 신속한 스캐닝을 위해 평면파 또는 발산파를 생성한다.
[0098] 동일한 송신 빔포머(12)는, 변위를 발생시키기 위한 음향 에너지를 생성하기 위해 임펄스 여기들(impulse excitations) 또는 전기 파형들을 생성한다. 음향 복사력 임펄스들을 위한 전기 파형들이 생성된다. 대안적인 실시예들에서, 임펄스 여기를 생성하기 위해 상이한 송신 빔포머가 제공된다. 송신 빔포머(12)는 트랜스듀서(14)로 하여금 푸싱 펄스들 또는 음향 복사력 펄스들을 생성하게 한다.
[0099] 트랜스듀서(14)는 전기 파형들로부터 음향 에너지를 생성하기 위한 어레이(array)이다. 어레이의 경우, 상대 지연들이 음향 에너지를 포커싱(focus)한다. 지연들이 주어지면, 주어진 송신 이벤트는 실질적으로 동일한 시간에 상이한 엘리먼트(element)들에 의한 음향 에너지의 송신에 대응한다. 송신 이벤트는 조직을 변위시키기 위한 초음파 에너지의 펄스를 제공할 수 있다. 펄스는 임펄스 여기, 추적 펄스, B-모드 펄스, 또는 다른 측정들을 위한 펄스들일 수 있다. 임펄스 여기는 많은 사이클들(예컨대, 500개의 사이클들)을 갖는 파형들을 포함하지만, 그것은 더 긴 시간에 걸쳐 조직 변위를 유발하기 위해 비교적 짧은 시간에 일어난다. 추적 펄스는, 이를테면, 15개의 사이클들을 사용하는 B-모드 송신일 수 있다. 추적 펄스들은 환자의 구역을 스캔하는 데 사용된다.
[00100] 트랜스듀서(14)는 압전기(piezoelectric) 또는 용량성 멤브레인(membrane) 요소들의 1-차원, 1.25-차원, 1.5-차원, 1.75-차원 또는 2 차원 어레이이다. 트랜스듀서(14)는 음향 에너지와 전기 에너지 사이를 변환하기 위한 복수의 엘리먼트들을 포함한다. 트랜스듀서(14)의 엘리먼트들에 충돌하는 초음파 에너지(에코들)에 대한 응답으로, 수신 신호들이 생성된다. 엘리먼트들은 송신 빔포머(12) 및 수신 빔포머(16)의 채널들과 연결된다. 대안적으로, 기계적 포커스(mechanical focus)를 갖는 단일 엘리먼트가 사용된다.
[00101] 수신 빔포머(16)는 증폭기들, 지연들, 및/또는 위상 회전기들을 갖는 복수의 채널들, 그리고 하나 이상의 합산기(summer)들을 포함한다. 각각의 채널은 하나 이상의 트랜스듀서 엘리먼트들과 연결된다. 수신 빔포머(16)는, 각각의 이미징 또는 추적 송신에 대한 응답으로, 하나 이상의 수신 빔들을 형성하기 위해, 상대적 지연들, 위상들, 및/또는 아포다이제이션(apodization)을 적용하도록 하드웨어(hardware) 또는 소프트웨어(software)에 의해 구성된다. 조직을 변위시키기 위해 사용되는 임펄스 여기로부터의 에코들에 대한 수신 동작은 일어나지 않을 수 있다. 수신 빔포머(16)는, 수신 신호들을 사용하여, 공간 위치들을 표현하는 데이터를 출력한다. 상이한 요소들로부터의 신호들의 상대적 지연들 및/또는 페이징 그리고 합산이 빔포메이션(beamformation)을 제공한다. 대안적인 실시예들에서, 수신 빔포머(16)는 푸리에 또는 다른 변환들을 사용하여 샘플들을 생성하기 위한 프로세서이다.
[00102] 수신 빔포머(16)는 필터(filter), 이를테면, 송신 주파수 대역에 대해 제2 고조파 또는 다른 주파수 대역에서의 정보를 격리하기 위한 필터를 포함할 수 있다. 그러한 정보는 원하는 조직, 조영제, 및/또는 유동 정보를 포함할 가능성이 더 높을 수 있다. 다른 실시예에서, 수신 빔포머(16)는 메모리 또는 버퍼(buffer), 그리고 필터 또는 가산기(adder)를 포함한다. 원하는 주파수 대역, 이를테면 제2 고조파 대역, 입방(cubic) 기본 대역, 또는 다른 대역에서의 정보를 격리시키기 위해, 둘 이상의 수신 빔들이 결합된다.
[00103] 송신 빔포머(12)와 협력하여, 수신 빔포머(16)는 ROI를 표현하는 데이터를 생성한다. 전단파 또는 축의 종파를 추적하기 위해, 상이한 시간들에 구역을 표현하는 데이터가 생성된다. 음향 임펄스 여기 후에, 수신 빔포머(16)는 상이한 시간들에 하나의 라인 또는 복수의 라인들을 따른 위치들을 표현하는 빔들을 생성한다. 초음파를 이용하여 관심 구역을 스캐닝함으로써, 데이터(예컨대, 빔포밍된(beamformed) 샘플들)가 생성된다. 스캐닝을 반복함으로써, 임펄스 여기 후의 상이한 시간들에 구역을 표현하는 초음파 데이터가 획득된다.
[00104] 수신 빔포머(16)는 공간 위치들을 표현하는 빔 합산 데이터를 출력한다. 단일 위치, 라인을 따른 위치들, 영역에 대한 위치들, 또는 볼륨(volume)에 대한 위치들에 대한 데이터가 출력된다. 동적 포커싱(focusing)이 제공될 수 있다. 데이터는 상이한 목적들을 위한 것일 수 있다. 예컨대, 변위를 위한 것과는 상이한 부분들의 스캔들이 B-모드 또는 조직 데이터에 대해 수행된다. 대안적으로, B-모드 데이터는 또한 변위를 결정하는 데 사용된다. 다른 예로서, 일련의 공유된 스캔들을 이용하여, 상이한 타입들의 측정들을 위한 데이터가 획득되고, 동일한 데이터의 일부를 사용하여 또는 별개로 B-모드 또는 도플러 스캐닝이 수행된다.
[00105] 이미지 프로세서(18)는 빔포밍된 초음파 샘플들로부터 디스플레이를 위한 정보를 검출 및 프로세싱(processing)하기 위한 B-모드 검출기, 도플러 검출기, 펄스형(pulsed) 파 도플러 검출기, 상관 프로세서, 푸리에 변환 프로세서, 주문형 집적 회로, 일반 프로세서, 제어 프로세서, 이미지 프로세서, 필드 프로그램가능 게이트 어레이(field programmable gate array), 디지털 신호 프로세서, 아날로그 회로, 디지털 회로, 이들의 결합들, 또는 다른 현재 알려진 또는 추후에 개발되는 디바이스이다. 일 실시예에서, 이미지 프로세서(18)는 하나 이상의 검출기들, 및 별개의 이미지 프로세서를 포함한다. 별개의 이미지 프로세서는 제어 프로세서, 일반 프로세서, 디지털 신호 프로세서, 주문형 집적 회로, 필드 프로그래밍 가능 게이트 어레이, 네트워크, 서버, 프로세서들의 그룹, 데이터 경로, 이들의 조합, 또는 빔포밍 및/또는 검출된 초음파 데이터로부터 상이한 타입들의 파라미터들의 값들을 계산하기 위한 그리고/또는 상이한 타입들의 측정들로부터 값들을 추정하기 위한 현재 알려지거나 나중에 개발되는 다른 디바이스이다. 예컨대, 별개의 이미지 프로세서는 도 1에 도시된 동작들(34-38) 및/또는 도 3에서 도시된 동작들(34-42)을 수행하도록 하드웨어, 펌웨어(firmware), 및/또는 소프트웨어에 의해 구성된다.
[00106] 이미지 프로세서(18)는 상이한 타입들의 파라미터들의 결합으로부터 조직 특성 및/또는 질병 활성도에 대한 값을 추정하도록 구성된다. 예컨대, 측정된 산란 파라미터와 하나, 둘 또는 그 초과의 측정된 전단파 파라미터들이 사용된다. 다양한 타입들의 파라미터들은 송신 및 수신 시퀀스들 및 결과들의 계산에 기반하여 측정된다. 지방 분율 추정을 위해, 적어도 2개의 타입들(예컨대, 산란, 전단파 전파 또는 축상 ARFI)의 파라미터들 각각의 하나 이상의 측정치들의 값들이 결정된다. 하나 이상의 산란 및 하나 이상(예컨대, 2개)의 전단파 전파 파라미터들의 값들은 간 질환 활성도 추정을 위해 결정된다.
[00107] 일 실시예에서, 이미지 프로세서(18)는 상이한 타입들의 파면들(wave fronts)에 대한 조직 반응의 상이한 타입들의 파라미터들 또는 측정치들에 기반하여 조직 특성을 추정한다. 추정은 머신-학습 분류기를 적용한다. 다른 정보와 상관없이 측정치들의 입력 값들은 학습된 행렬에 의해 조직 특성 값을 출력하는 데 사용된다. 다른 실시예들에서, 이미지 프로세서(18)는 파라미터들의 값들의 가중된 결합을 사용한다. 예컨대, 둘 이상의 함수들이 제공된다. 하나 이상의 파라미터들의 값(예컨대, 전단파 스피드)을 사용하여, 함수들 중 하나가 선택된다. 선택된 함수는, 조직 특성의 값을 결정하기 위해, 동일하거나 상이한 파라미터들의 값들을 사용한다. 선형 또는 비선형 맵핑은 하나 이상의 파라미터들의 값들과 조직 특성 값을 관련시킨다. 예컨대, 둘 이상의 산란 파라미터들은 전단파 전파 선택 함수를 사용하여 조직 특성의 값을 결정하는 데 사용된다.
[00108] 다른 실시예에서, 이미지 프로세서(18)는, 하나 이상의 산란 파라미터들 및 하나 이상(예컨대, 2개)의 전단파 파라미터들의 조합으로부터 질병 활성도의 인덱스에 대한 점수를 생성하도록 구성된다. 예컨대, 이미지 프로세서(18)는 하나 이상의 산란 파라미터들로부터 환자의 간의 지방 분율을 추정한다. 이미지 프로세서(18)는, 지방 분율 및 둘 이상의 전단파 파라미터들로부터 초음파-도출 비알코올성 간 질환 활성도로서 점수를 생성한다. 점수는 머신-학습 분류기 또는 로지스틱 회귀 모델을 사용하여 생성된다. 예컨대, 로지스틱 회귀 모델은 산란(예컨대, 음향 후방 산란 계수) 및 둘 이상의 전단파 파라미터들(예컨대, 전단파 속도 및 전단파 감쇠비)과 질병 활성도의 레벨을 관련시킨다.
[00109] 프로세서(18)는 하나 이상의 이미지들을 생성하도록 구성된다. 예컨대, 전단파 속도, B-모드, 조영제, M-모드, 유동 또는 컬러 모드, ARFI 및/또는 다른 타입의 이미지가 생성된다. 전단파 속도, 유동 또는 ARFI 이미지는 단독으로 또는 B-모드 이미지 내에서 오버레이 또는 관심 구역으로서 제공될 수 있다. 전단파 속도, 유동 또는 ARFI 데이터는 관심 구역의 위치들에서 컬러를 변조한다. 전단파 속도, 유동 또는 ARFI 데이터가 임계치 미만인 경우, B-모드 정보는 전단파 속도에 의한 변조 없이 디스플레이될 수 있다.
[00110] 다른 정보는 이미지에 포함되거나 순차적으로 또는 실질적으로 동시에 디스플레이된다. 예컨대, 조직 특성 추정 이미지 및/또는 질병 활성도 레벨은 다른 이미지와 동시에 디스플레이된다. 조직 특성 및/또는 질병 활성도 맵(map)의 값 또는 값들은 정보를 디스플레이할 수 있다. 조직 특성 및/또는 질병 활성도가 상이한 위치들에서 측정되는 경우, 조직 특성 및/또는 질병 활성도의 값들은 B-모드 이미지들의 관심 구역에서 컬러 오버레이로서 생성될 수 있다. 전단파 속도, 조직 특성 및/또는 질병 활성도 데이터는 하나의 B-모드 이미지 상에서 단일 오버레이로서 결합될 수 있다. 대안적으로, 조직 특성 및/또는 질병 활성도의 값 또는 값들은 B-모드 또는 전단파 이미징 이미지 상에서 인접하거나 오버레이된(overlaid) 텍스트 또는 수치 값(들)으로서 디스플레이된다. 이미지 프로세서(18)는 다른 디스플레이들을 생성하도록 구성될 수 있다. 예컨대, 전단파 속도 이미지는 지방 분율 및/또는 섬유증의 정도와 같은 조직 특성, 및/또는 UDNA의 레벨을 나타내는 지수 값과 같은 질병 활성도의 그래프, 텍스트 또는 그래픽 표시자들 옆에 디스플레이된다. 조직 특성 정보 및/또는 질병 활성도는, 별개의 2 차원 또는 3 차원 표현이 아니라 하나의 차원 표현으로 관심 구역의 하나 이상의 위치들에 제공되고, 이를테면, 여기서 사용자가 위치를 선택하고, 그런 다음 초음파 스캐너가 해당 위치에 대한 조직 특성 및/또는 질병 활성도를 제공한다.
[00111] 이미지 프로세서(18)는, 상이한 타입들의 파들(예컨대, 송신된 초음파로부터의 산란, 축상의 조직 변위 및/또는 조직 변위에 의해 발생된 전단파)에 대한 조직 반응의 측정치들로부터 추정을 위해, 메모리(22) 또는 다른 메모리에 저장된 명령들에 따라 동작한다. 메모리(22)는 비-일시적인 컴퓨터 판독가능 저장 매체이다. 본원에서 논의된 프로세스(process)들, 방법들 및/또는 기법들을 구현하기 위한 명령들은 컴퓨터-판독가능 저장 매체 또는 메모리들, 이를테면, 캐시(cache), 버퍼(buffer), RAM, 착탈가능 매체, 하드 드라이브(hard drive) 또는 다른 컴퓨터 판독가능 저장 매체 상에 제공된다. 컴퓨터 판독가능 저장 매체는 다양한 타입들의 휘발성 및 비휘발성 저장 매체를 포함한다. 본원에서 설명되거나 또는 도면들에서 예시된 기능들, 동작들 또는 작업들은 컴퓨터 판독가능 저장 매체에 또는 이러한 컴퓨터 판독가능 저장 매체 상에 저장된 명령들의 하나 이상의 세트들(sets)에 대한 응답으로 실행된다. 기능들, 동작들 또는 태스크들(tasks)은 특정 타입의 명령 세트, 저장 매체, 프로세서 또는 프로세싱 전략에 독립적이며, 그리고 단독으로 또는 결합하여 동작하여, 소프트웨어, 하드웨어, 집적 회로들, 펌웨어, 마이크로 코드(micro code) 등에 의해 수행될 수 있다. 마찬가지로, 프로세싱 전략들은 멀티프로세싱(multiprocessing), 멀티태스킹(multitasking), 병렬 프로세싱 등을 포함할 수 있다. 일 실시예에서, 명령들은, 로컬(local) 또는 원격 시스템들에 의한 판독을 위해 착탈가능 매체 디바이스 상에 저장된다. 다른 실시예들에서, 명령들은, 컴퓨터 네트워크를 통한 또는 전화 라인들을 통한 전송을 위해 원격 위치에 저장된다. 또 다른 실시예들에서, 명령들은 주어진 컴퓨터, CPU, GPU 또는 시스템 내에 저장된다.
[00112] 디스플레이(20)는 1 또는 2-차원 이미지들 또는 3-차원 표현들을 디스플레이(displaying)하기 위한 CRT, LCD, 프로젝터(projector), 플라즈마(plasma), 또는 다른 디스플레이와 같은 디바이스이다. 2차원 이미지들은 영역의 공간 분포를 표현한다. 3차원 표현들은, 볼륨으로 공간 분포를 표현하는 데이터로부터 렌더링된다(rendered). 디스플레이(20)는, 이미지로서 디스플레이될 신호들의 입력에 의해, 이미지 프로세서(18) 또는 다른 디바이스에 의해 구성된다. 디스플레이(20)는 관심 구역 또는 전체 이미지의 단일 위치에 대한 조직 특성 및/또는 질병 활성도(예컨대, 인접한 위치들을 포함하여 조직 특성 추정치들로부터 평균화됨)를 나타내는 이미지를 디스플레이한다. 예컨대, 디스플레이(20)는 지방 분율에 대한 값 및/또는 질병 활성도의 지수에 대한 점수를 디스플레이한다. 상이한 타입들의 파들에 기반한 조직 특성 및/또는 질병 활성도의 디스플레이는 진단을 위한 더 정확한 조직 특성 및 또는 질병 레벨 정보를 제공한다.
[00113] 본 발명이 다양한 실시예들을 참조하여 위에서 설명되었지만, 본 발명의 범위로부터 벗어나지 않고, 많은 변화들 및 수정들이 이루어질 수 있다는 것이 이해되어야 한다. 따라서, 앞선 상세한 설명은 제한적인 것이 아니라 예시적인 것으로서 간주되며, 본 발명의 사상 및 범위를 정의하도록 의도되는 것은, 모든 등가물들을 포함하는 다음의 청구항들이라는 것이 이해되는 것이 의도된다.
Claims (20)
- 초음파 스캐너(ultrasound scanner)를 사용한 비알코올성 간 질환 활성도 추정(non-alcoholic liver disease activity estimation)을 위한 방법으로서,
상기 초음파 스캐너에 의한 환자의 스캔(scan)으로부터 조직(tissue) 내의 산란(scattering)의 제1 측정치를 생성하는 단계(30) ― 상기 산란의 제1 측정치는 후방 산란 계수(backscatter coefficient)를 포함함 ― ;
상기 초음파 스캐너에 의한 상기 환자의 스캔으로부터 상기 조직 내의 전단파 전파(shear wave propagation)의 제2 측정치 및 제3 측정치를 생성하는 단계(32) ― 상기 제2 측정치는 전단파 속도를 포함하고, 상기 제3 측정치는 전단파 감쇠비(shear wave damping ratio)를 포함함 ― ;
상기 후방 산란 계수, 상기 전단파 속도 및 상기 전단파 감쇠비로부터 초음파-도출 간 질환 활성도 지수(ultrasound-derived liver disease activity index)에 대한 제1 값을 추정하는 단계(40); 및
추정된 상기 초음파-도출 간 질환 활성도 지수의 상기 제1 값의 표시를 포함하는 초음파 이미지(ultrasound image)를 출력하는 단계(42)
를 포함하는,
초음파 스캐너를 사용한 비알코올성 간 질환 활성도 추정을 위한 방법. - 제1 항에 있어서,
상기 스캔으로부터 상기 제1 측정치, 상기 제2 측정치 및 상기 제3 측정치를 생성하는 단계(30, 32)는 (1) 상기 산란의 제1 측정치 및 (2) 상기 전단파 전파의 제2 측정치 및 제3 측정치에 대한 별개의 송신 및 수신 이벤트들(events)을 포함하는,
초음파 스캐너를 사용한 비알코올성 간 질환 활성도 추정을 위한 방법. - 제1 항에 있어서,
상기 산란의 제1 측정치를 생성하는 단계(30)는 상기 후방 산란 계수로서 주파수-종속 후방 산란 계수(frequency-dependent backscatter coefficient)를 생성하는 단계(30)를 포함하는,
초음파 스캐너를 사용한 비알코올성 간 질환 활성도 추정을 위한 방법. - 제1 항에 있어서,
상기 제3 측정치를 생성하는 단계(32)는, 상기 전단파 전파에 의해 발생된 시공간 변위들(spatial-temporal displacements)의 푸리에 변환(Fourier transformation)으로부터 복소수(complex number)의 실수(real) 부분 및 허수(imaginary) 부분의 비율로서 상기 전단파 감쇠비를 생성하는 단계(32)를 포함하는,
초음파 스캐너를 사용한 비알코올성 간 질환 활성도 추정을 위한 방법. - 제1 항에 있어서,
상기 제3 측정치를 생성하는 단계(32)는, 전단파 감쇠(attenuation) 및 전단파 분산(dispersion)으로부터 상기 전단파 감쇠비를 생성하는 단계(32)를 포함하는,
초음파 스캐너를 사용한 비알코올성 간 질환 활성도 추정을 위한 방법. - 제1 항에 있어서,
상기 제1 값을 추정하는 단계(40)는 음향 감쇠(acoustic attenuation), 상기 후방 산란 계수 및 상기 전단파 속도로부터 상기 환자의 간의 지방 분율(fat fraction)을 추정하는 단계(34), 및 상기 지방 분율, 상기 감쇠비 및 상기 전단파 속도로부터 상기 초음파-도출 간 질환 활성도 지수에 대한 상기 제1 값을 추정하는 단계(40)를 포함하는,
초음파 스캐너를 사용한 비알코올성 간 질환 활성도 추정을 위한 방법. - 제6 항에 있어서,
상기 제1 값을 추정하는 단계(40)는 상기 지방 분율, 상기 전단파 속도 및 상기 감쇠비의 로지스틱 회귀(logistic regression)를 사용하여 추정하는 단계(40)를 포함하는,
초음파 스캐너를 사용한 비알코올성 간 질환 활성도 추정을 위한 방법. - 제1 항에 있어서,
상기 추정하는 단계(40)는 머신-학습 분류기(machine-learnt classifier)를 사용하여 추정하는 단계(40)를 포함하는,
초음파 스캐너를 사용한 비알코올성 간 질환 활성도 추정을 위한 방법. - 제1 항에 있어서,
상기 추정하는 단계(40)는 로지스틱 회귀 모델(logistic regression model)을 사용하여 추정하는 단계(40)를 포함하는,
초음파 스캐너를 사용한 비알코올성 간 질환 활성도 추정을 위한 방법. - 제9 항에 있어서,
상기 로지스틱 회귀 모델을 사용하여 추정하는 단계(40)는 상기 후방 산란 계수, 상기 전단파 속도 및 상기 전단파 감쇠비의 로지스틱 회귀로서 추정하는 단계(40)를 포함하는,
초음파 스캐너를 사용한 비알코올성 간 질환 활성도 추정을 위한 방법. - 제1 항에 있어서,
상기 산란의 측정치를 생성하는 단계(30)는 다수의 송신들로부터 평균화된 주파수-종속 측정치로서 상기 산란의 측정치를 생성하는 단계(30)를 포함하는,
초음파 스캐너를 사용한 비알코올성 간 질환 활성도 추정을 위한 방법. - 제1 항에 있어서,
상기 제1 측정치, 상기 제2 측정치 및 상기 제3 측정치를 생성하는 단계(30, 32)는 적응형 스캐닝(adaptive scanning)을 포함하는,
초음파 스캐너를 사용한 비알코올성 간 질환 활성도 추정을 위한 방법. - 제1 항에 있어서,
상기 추정하는 단계(40)는 상기 환자에 대한 임상 정보의 함수로서 추정하는 단계(40)를 포함하는,
초음파 스캐너를 사용한 비알코올성 간 질환 활성도 추정을 위한 방법. - 질병 활성도의 추정을 위한 시스템(system)으로서,
트랜스듀서(transducer)(14);
상기 트랜스듀서(14)를 사용하여 환자의 펄스들의 시퀀스들(sequences of pulses)을 송신 및 수신하도록 구성된 빔포머(beamformer)(12, 16) ― 상기 펄스들의 시퀀스는 산란 파라미터(scatter parameter), 제1 전단파 파라미터 및 제2 전단파 파라미터에 대한 것이며, 상기 제1 전단파 파라미터 및 상기 제2 전단파 파라미터는 전단파 속도 및 전단파 감쇠비를 포함함 ― ;
상기 산란 파라미터로부터 도출된 지방 분율(fat fraction), 상기 제1 전단파 파라미터 및 상기 제2 전단파 파라미터의 조합에 기초한 로지스틱 회귀로부터 상기 질병 활성도의 지수에 대한 점수(score)를 생성하도록 구성된 이미지 프로세서(image processor)(18); 및
상기 질병 활성도의 지수에 대한 상기 점수를 디스플레이(display)하도록 구성된 디스플레이(20)
를 포함하는,
질병 활성도의 추정을 위한 시스템. - 제14 항에 있어서,
상기 이미지 프로세서(18)는 머신-학습 분류기를 사용하여 상기 점수를 생성하도록 구성되는,
질병 활성도의 추정을 위한 시스템. - 제14 항에 있어서,
상기 이미지 프로세서(18)는 상기 산란 파라미터, 상기 제1 전단파 파라미터 및 상기 제2 전단파 파라미터의 로지스틱 회귀 모델을 사용하여 상기 점수를 생성하도록 구성되는,
질병 활성도의 추정을 위한 시스템. - 제14 항에 있어서,
상기 산란 파라미터는 음향 후방 산란 계수를 포함하는,
질병 활성도의 추정을 위한 시스템. - 제14 항에 있어서,
상기 이미지 프로세서(18)는 상기 산란 파라미터로부터 상기 환자의 간의 상기 지방 분율을 추정하도록 구성되고, 그리고
상기 이미지 프로세서(18)는 상기 지방 분율, 상기 제1 전단파 파라미터 및 상기 제2 전단파 파라미터로부터 초음파-도출 비알코올성 간 질환 활성도로서 상기 점수를 생성하도록 구성되는,
질병 활성도의 추정을 위한 시스템. - 초음파 시스템을 사용한 간 질환 활성도 추정을 위한 방법으로서,
상기 초음파 시스템에 의해, 환자의 간 조직의 복수의 산란 파라미터들을 결정하는 단계(30);
상기 초음파 시스템에 의해, 상기 환자의 상기 간 조직의 복수의 전단파 파라미터들을 결정하는 단계(32) ― 상기 복수의 전단파 파라미터들은 전단파 속도 및 전단파 감쇠비를 포함함 ―;
상기 산란 파라미터들 중 적어도 하나로부터 지방 분율을 추정하는 단계(34);
상기 지방 분율, 상기 전단파 속도 및 상기 전단파 감쇠비로부터 로지스틱 회귀로서 상기 간 질환 활성도의 레벨(level)을 추정하는 단계(40); 및
상기 간 질환 활성도의 레벨을 디스플레이하는 단계(42)
를 포함하는,
초음파 시스템을 사용한 간 질환 활성도 추정을 위한 방법. - 제19 항에 있어서,
상기 지방 분율을 추정하는 단계(34)는 음향 감쇠 및 음향 산란으로부터 상기 산란 파라미터들로서 추정하는 단계(34)를 포함하는,
초음파 시스템을 사용한 간 질환 활성도 추정을 위한 방법.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US16/816,351 US11553901B2 (en) | 2017-04-06 | 2020-03-12 | Liver disease activity estimation with ultrasound medical imaging |
| US16/816,351 | 2020-03-12 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20210116268A KR20210116268A (ko) | 2021-09-27 |
| KR102617857B1 true KR102617857B1 (ko) | 2023-12-22 |
Family
ID=77457325
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210030006A KR102617857B1 (ko) | 2020-03-12 | 2021-03-08 | 초음파 의료 이미징을 사용한 간 질환 활성도 추정 |
Country Status (3)
| Country | Link |
|---|---|
| KR (1) | KR102617857B1 (ko) |
| CN (1) | CN113440166A (ko) |
| DE (1) | DE102021105965A1 (ko) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113936788B (zh) * | 2021-09-23 | 2023-04-07 | 北京大学 | 用于区分单纯非酒精性脂肪肝与非酒精性脂肪性肝炎患者的系统及计算机存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014162966A1 (ja) | 2013-04-03 | 2014-10-09 | 日立アロカメディカル株式会社 | 超音波診断装置、及び弾性評価方法 |
| JP2015126955A (ja) | 2015-04-08 | 2015-07-09 | 日立アロカメディカル株式会社 | 超音波診断装置、及び超音波診断方法 |
| JP5753633B2 (ja) | 2013-03-05 | 2015-07-22 | 日立アロカメディカル株式会社 | 超音波診断装置、及び送受信方法 |
| JP2017535327A (ja) | 2015-08-03 | 2017-11-30 | コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． | せん断波を用いる測定に関する超音波システム及び方法 |
| JP2020503142A (ja) * | 2017-01-05 | 2020-01-30 | コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． | イメージングデータ及び組織情報を導出するためのニューラルネットワークを用いた超音波イメージングシステム |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS55165587A (en) * | 1979-06-11 | 1980-12-24 | Hitachi Cable | Method of forming rubber and plastic insulated cable connector |
| US10376242B2 (en) | 2015-04-16 | 2019-08-13 | Siemens Medical Solutions Usa, Inc. | Quantitative viscoelastic ultrasound imaging |
| FR3036943A1 (fr) * | 2015-06-02 | 2016-12-09 | Echosens | Dispositif non invasif de detection de lesion hepatique |
| US10512452B2 (en) * | 2016-07-13 | 2019-12-24 | Siemens Medical Solutions Usa, Inc. | Tissue characterization in medical diagnostic ultrasound |
-
2021
- 2021-03-08 KR KR1020210030006A patent/KR102617857B1/ko active IP Right Grant
- 2021-03-11 DE DE102021105965.8A patent/DE102021105965A1/de active Pending
- 2021-03-12 CN CN202110270447.0A patent/CN113440166A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5753633B2 (ja) | 2013-03-05 | 2015-07-22 | 日立アロカメディカル株式会社 | 超音波診断装置、及び送受信方法 |
| WO2014162966A1 (ja) | 2013-04-03 | 2014-10-09 | 日立アロカメディカル株式会社 | 超音波診断装置、及び弾性評価方法 |
| JP2015126955A (ja) | 2015-04-08 | 2015-07-09 | 日立アロカメディカル株式会社 | 超音波診断装置、及び超音波診断方法 |
| JP2017535327A (ja) | 2015-08-03 | 2017-11-30 | コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． | せん断波を用いる測定に関する超音波システム及び方法 |
| US20180228463A1 (en) | 2015-08-03 | 2018-08-16 | Koninklijke Philips N.V. | Ultrasound system and method for measuement using shear wave |
| JP2020503142A (ja) * | 2017-01-05 | 2020-01-30 | コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． | イメージングデータ及び組織情報を導出するためのニューラルネットワークを用いた超音波イメージングシステム |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20210116268A (ko) | 2021-09-27 |
| DE102021105965A1 (de) | 2021-09-16 |
| CN113440166A (zh) | 2021-09-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108685596B (zh) | 利用超声医疗成像的组织性质估计 | |
| US9468421B2 (en) | Visualization of associated information in ultrasound shear wave imaging | |
| KR101964213B1 (ko) | 의료 진단 초음파에서의 조직 특성화 | |
| CN110192893B (zh) | 量化超声成像的感兴趣区域放置 | |
| US10338203B2 (en) | Classification preprocessing in medical ultrasound shear wave imaging | |
| US8801614B2 (en) | On-axis shear wave characterization with ultrasound | |
| US8187187B2 (en) | Shear wave imaging | |
| US10004474B2 (en) | Tissue density quantification using shear wave information in medical ultrasound scanning | |
| US10743814B2 (en) | Fat fraction estimation using ultrasound with shear wave propagation | |
| US9332962B2 (en) | Ultrasound ARFI displacement imaging using an adaptive time instance | |
| US20230104771A1 (en) | Liver disease activity estimation with ultrasound medical imaging | |
| US11154277B2 (en) | Tissue viscoelastic estimation from shear velocity in ultrasound medical imaging | |
| US20230233187A1 (en) | Additional diagnostic data in parametric ultrasound medical imaging | |
| US20230404537A1 (en) | Ultrasound medical imaging with optimized speed of sound based on fat fraction | |
| KR102617857B1 (ko) | 초음파 의료 이미징을 사용한 간 질환 활성도 추정 | |
| US11678862B2 (en) | Muscle contraction state triggering of quantitative medical diagnostic ultrasound | |
| EP2853918B1 (en) | Shear wave detection in medical ultrasound imaging | |
| KR102661893B1 (ko) | 물리적 양에 대한 초음파-도출된 프록시 | |
| US20220142614A1 (en) | Ultrasound-derived proxy for physical quantity |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |