CN108697354B - 超声血流成像 - Google Patents
超声血流成像 Download PDFInfo
- Publication number
- CN108697354B CN108697354B CN201780013123.0A CN201780013123A CN108697354B CN 108697354 B CN108697354 B CN 108697354B CN 201780013123 A CN201780013123 A CN 201780013123A CN 108697354 B CN108697354 B CN 108697354B
- Authority
- CN
- China
- Prior art keywords
- noise
- data
- ultrasound
- singular
- values
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000017531 blood circulation Effects 0.000 title claims abstract description 117
- 238000003384 imaging method Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 claims abstract description 159
- 238000002604 ultrasonography Methods 0.000 claims abstract description 127
- 239000011159 matrix material Substances 0.000 claims abstract description 91
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 30
- 210000005166 vasculature Anatomy 0.000 claims abstract description 26
- 230000002123 temporal effect Effects 0.000 claims abstract description 25
- 238000009826 distribution Methods 0.000 claims description 46
- 239000013598 vector Substances 0.000 claims description 37
- 238000012545 processing Methods 0.000 claims description 23
- 238000012285 ultrasound imaging Methods 0.000 claims description 20
- 210000004369 blood Anatomy 0.000 claims description 19
- 239000008280 blood Substances 0.000 claims description 19
- 230000003595 spectral effect Effects 0.000 claims description 8
- 230000001419 dependent effect Effects 0.000 claims description 7
- 238000009499 grossing Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 6
- 230000003278 mimic effect Effects 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 4
- 238000000513 principal component analysis Methods 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000001902 propagating effect Effects 0.000 claims 1
- 210000004204 blood vessel Anatomy 0.000 abstract description 14
- 239000002872 contrast media Substances 0.000 abstract description 6
- 230000003044 adaptive effect Effects 0.000 abstract description 5
- 210000001519 tissue Anatomy 0.000 description 59
- 230000008569 process Effects 0.000 description 13
- 238000004458 analytical method Methods 0.000 description 10
- 238000001914 filtration Methods 0.000 description 8
- 238000013500 data storage Methods 0.000 description 7
- 230000002792 vascular Effects 0.000 description 7
- 238000013459 approach Methods 0.000 description 5
- 206010028980 Neoplasm Diseases 0.000 description 4
- 238000002607 contrast-enhanced ultrasound Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 201000011510 cancer Diseases 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 206010061218 Inflammation Diseases 0.000 description 2
- 238000013329 compounding Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005111 flow chemistry technique Methods 0.000 description 2
- 230000004054 inflammatory process Effects 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- CVOFKRWYWCSDMA-UHFFFAOYSA-N 2-chloro-n-(2,6-diethylphenyl)-n-(methoxymethyl)acetamide;2,6-dinitro-n,n-dipropyl-4-(trifluoromethyl)aniline Chemical compound CCC1=CC=CC(CC)=C1N(COC)C(=O)CCl.CCCN(CCC)C1=C([N+]([O-])=O)C=C(C(F)(F)F)C=C1[N+]([O-])=O CVOFKRWYWCSDMA-UHFFFAOYSA-N 0.000 description 1
- 208000014644 Brain disease Diseases 0.000 description 1
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 230000003187 abdominal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 210000000748 cardiovascular system Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000002512 chemotherapy Methods 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 210000004351 coronary vessel Anatomy 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000002594 fluoroscopy Methods 0.000 description 1
- 230000000004 hemodynamic effect Effects 0.000 description 1
- 208000027866 inflammatory disease Diseases 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000005865 ionizing radiation Effects 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002610 neuroimaging Methods 0.000 description 1
- 238000009828 non-uniform distribution Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000010412 perfusion Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000008327 renal blood flow Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 210000004003 subcutaneous fat Anatomy 0.000 description 1
- 230000004797 therapeutic response Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/026—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
- A61B8/08—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
- A61B8/0841—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving detecting or locating foreign bodies or organic structures for locating instruments
-
- 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
- A61B8/0891—Detecting organic movements or changes, e.g. tumours, cysts, swellings for diagnosis of blood vessels
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/5207—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of raw data to produce diagnostic data, e.g. for generating an image
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/5269—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving detection or reduction of artifacts
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/88—Sonar systems specially adapted for specific applications
- G01S15/89—Sonar systems specially adapted for specific applications for mapping or imaging
- G01S15/8906—Short-range imaging systems; Acoustic microscope systems using pulse-echo techniques
- G01S15/8977—Short-range imaging systems; Acoustic microscope systems using pulse-echo techniques using special techniques for image reconstruction, e.g. FFT, geometrical transformations, spatial deconvolution, time deconvolution
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/88—Sonar systems specially adapted for specific applications
- G01S15/89—Sonar systems specially adapted for specific applications for mapping or imaging
- G01S15/8906—Short-range imaging systems; Acoustic microscope systems using pulse-echo techniques
- G01S15/8979—Combined Doppler and pulse-echo imaging systems
- G01S15/8981—Discriminating between fixed and moving objects or between objects moving at different speeds, e.g. wall clutter filter
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/52—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00
- G01S7/52017—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00 particularly adapted to short-range imaging
- G01S7/52046—Techniques for image enhancement involving transmitter or receiver
- G01S7/52047—Techniques for image enhancement involving transmitter or receiver for elimination of side lobes or of grating lobes; for increasing resolving power
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/52—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00
- G01S7/52017—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00 particularly adapted to short-range imaging
- G01S7/52077—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00 particularly adapted to short-range imaging with means for elimination of unwanted signals, e.g. noise or interference
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- General Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Computer Networks & Wireless Communication (AREA)
- Acoustics & Sound (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Hematology (AREA)
- Vascular Medicine (AREA)
- Theoretical Computer Science (AREA)
- Cardiology (AREA)
- Physiology (AREA)
- Quality & Reliability (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
这里描述的是用于使用超声波对受试者的脉管***(其可以包括小血管)中的血流进行成像的***和方法,而不需要造影剂。局部实施的低秩矩阵分解与自适应截止值一起使用,以提供能够以非常高的空间和时间分辨率对受试者的脉管***进行成像的非侵入性超声血流成像,并且不需要施用造影剂,诸如微泡造影剂。因此,在一些实例中,***和方法可用于以高空间和时间分辨率对小血管和组织微脉管***中的血流进行成像。
Description
关联申请的交叉引用
本申请要求于2016年2月23日提交的题为“超声小血管血流成像(UltrasoundSmall Vessel Blood Flow Imaging)”的美国临时专利申请序列号62/298,583的权益,并且还要求于2016年2月29日提交的题为“超声血流成像(Ultrasound Blood FlowImaging)”的美国临时专利申请序列号62/301,294的权益,通过引用将两个申请的全部结合于此。
关于联邦资助研究的说明
本发明是在由国家科学基金会授予的CIF1318347下利用政府支持完成的。政府具有本发明中的特定权利。
背景技术
本公开的领域是利用超声对受试者进行成像的***和方法。更具体地,本公开涉及利用超声的血流成像。
小血管血流成像为许多疾病(包括癌症)提供关键的诊断信息。基于X射线透视、磁共振成像(“MRI”)和X射线计算机断层扫描(“CT”)的血管造影方法是当前用于小血管成像的临床标准。然而,这些技术可能是侵入性的,具有高成本或利用电离辐射。
对比度增强的超声成像(“CEUS”)也可用于对血流进行成像。CEUS将微泡注入血管,这提供了高对比度以便对小血管进行成像。然而,除了其他技术挑战外,CEUS仍被视为半侵入性手术,并且尚未获得食品药品管理局(“FDA”)的批准。
因此,仍然需要提供一种用于对小血管中的血流进行成像的非侵入性、低成本的方法。更一般地,仍期望提供具有高空间和时间分辨率的血流成像技术,诸如能够对在小血管中以及在较大脉管***中的血流进行成像的技术。
发明内容
本公开通过提供一种用于使用超声成像***生成描绘受试者的脉管***中的血流的图像的方法来解决上述缺点。从受试者中的视场获取超声信号数据,并且将所获取的超声数据划分为多个超声数据子矩阵,每个子矩阵对应于感兴趣的场的子体积。对每个超声数据子矩阵执行低秩矩阵分解,从而生成包括每个超声数据子矩阵的分解的矩阵值的分解的数据。基于所述分解的数据估计低阶截止值或高阶截止值中的至少一个。低阶截止值将归因于组织的信号与归因于血流的信号区分开,并且高阶截止值将归因于血流的信号与归因于噪声的信号区分开。使用估计的低阶截止值或高阶截止值中的至少一个从每个超声数据子矩阵提取归因于受试者的脉管***中的血流的信号。然后组合所提取的信号以生成图像,该图像描绘了视场中的受试者的脉管***中的血流。
本公开的另一方面提供一种用于使用超声成像***生成描绘受试者的脉管***中的血流的图像的方法。使用超声成像***从受试者中的视场获取超声信号数据,并且对超声数据执行低秩矩阵分解,从而生成包括超声数据的分解的矩阵值的分解的数据。基于所述分解的数据确定低阶截止值或高阶截止值中的至少一个。低阶截止值将归因于组织的信号与归因于血流的信号区分开,并且高阶截止值将归因于血流的信号与归因于噪声的信号区分开。使用低阶截止值或高阶截止值中的至少一个从超声数据提取归因于受试者的脉管***中的血流的信号。然后基于所提取的信号生成描绘视场中的受试者的脉管***中的血流的图像。
本公开的前述以及其他的方面和优点将根据以下描述而显现。在本说明书中,参照在此构成其一部分的附图,并且在附图中借助图示示出了优选实施例。然而,该实施例并不一定表示本发明的全部范围,并且因此参考权利要求书并在此用于解释本发明的范围。
附图说明
图1是阐述用于使用局部自适应的低秩矩阵分解从超声数据生成可包括小血管的受试者脉管***中的血流图像的示例方法的步骤的流程图。
图2A是从超声数据子矩阵计算的奇异(singular)值的示例图,并且示出了估计低阶奇异值截止的示例。
图2B是从超声数据子矩阵计算的奇异向量频率的示例图,并且示出了估计低阶奇异值截止的示例。
图3A是从超声数据子矩阵计算的奇异值的示例图,并且示出了估计高阶奇异值截止的示例。
图3B是从超声数据子矩阵计算的奇异向量频率的示例图,并且示出了估计高阶奇异值截止的示例。
图4是阐述用于组合从超声数据子矩阵提取的血管图像信号的示例方法的步骤的流程图。
图5是可以实现本文中所描述的方法的示例超声成像***的框图。
图6A是使用全局自适应截止技术生成并且描绘严重背景噪声污染的示例小血管图像。
图6B是从组织模仿体模(phantom)估计的示例噪声分布。
图6C是通过使用图6B中的噪声分布去除图6A中的背景噪声生成的示例小血管图像
图7是阐述用于使从超声数据生成的血流信号中的非均匀噪声分布均衡的示例方法的步骤的流程图,其中基于参考数据实现噪声均衡。
图8示出了从超声数据导出的低阶、中阶和高阶奇异值映射。
图9是阐述用于使从超声数据生成的血流信号中的非均匀噪声分布均衡的示例方法的步骤的流程图,其中使用基于高阶奇异向量的技术实现噪声均衡。
图10示出了在使用基于奇异向量的技术的噪声均衡之前和之后的血流图像的示例。
图11是阐述用于使从超声数据生成的血流信号中的非均匀噪声分布均衡的示例方法的步骤的流程图,其中基于实验测量的噪声数据来实现噪声均衡。
图12A描绘了来自没有增益或发射的超声通道的噪声,示出了对噪声没有深度相关性。
图12B描绘了来自具有典型增益设置和具有波束成形的超声通道的噪声,示出了对噪声的深度相关性。
图13示出了在给定增益设置下每个通道的测量到的噪声(虚线)和理论预测的噪声(实线)的示例。
图14是阐述用于使从超声波数据生成的血流信号中的非均匀噪声分布均衡的示例方法的步骤的流程图,
图15示出了比较预测的噪声场和实验测量到的噪声场的示例。
图16示出了用于噪声均衡的基于图像处理的方法。
具体实施方式
这里描述的是用于使用超声波对受试者的脉管***(其可以包括小血管)中的血流进行成像的***和方法,而不需要造影剂。这里描述的***和方法提供了非侵入性超声血流成像,其能够以非常高的空间和时间分辨率对受试者的脉管***进行成像,并且不施加造影剂,诸如微泡造影剂。因此,在一些实施例中,本文描述的***和方法能够对小血管(包括组织微脉管***)中的血流进行成像;然而,该***和方法通常适用于具有高空间和时间分辨率的血流成像。
超声血流成像中的关键挑战是将组织信号与血液信号分离。组织信号通常拥有比血液信号高得多的强度(例如,约40dB的差异),这使得难以将血流信号与主要组织信号分离。在血流成像的背景下,组织信号被认为是“杂波噪声”。然而,血流信号在时间域和空间域中与组织信号表现得非常不同(例如,血液信号随时间快速地变化并且在空间中具有不连续的外观)。血液信号的这种不同的时空行为连同组织和血液之间的强度差异提供了分离两种信号的机会。
在若干研究中已经报道了使用用于在超声血流成像中的杂波噪声抑制的低秩矩阵分解技术,诸如主成分分析(“PCA”)和奇异值分解(“SVD”)。组织信号通常具有比血液信号高得多的散斑强度和时间相干性(即,沿着时间方向的慢变化并且在相邻像素或位置之间的时间变化是相似的),因此通常在SVD处理之后被聚集在高奇异值中。血液信号通常位于奇异值曲线的中间范围中,在组织信号(具有较高奇异值)和噪声(具有较低奇异值)之间。因此,选择一个或多个用于SVD滤波的适合的奇异值截止对于从组织和噪声中提取血液信号是重要的。
传统的SVD滤波方法假设全局均匀的组织特性和均匀的噪声分布,并因此对整个数据集执行SVD处理。然而,当对具有不同特性的组织进行成像时,或者在对超声波噪声分布不均匀的大范围深度的组织进行成像时,SVD杂波滤波的性能显著地受损。此外,尚未提出稳健的自适应截止选择方案以便从组织和噪声两者中隔离血液信号。
这里描述的***和方法通过实现局部低秩矩阵分解(“LRMD”)分析克服了这些限制,该分析可以通过利用当使用局部处理窗口时局部同质组织特性和近似地均匀的噪声分布来自适应地选择用于血液信号提取的截止值。
现在参考图1,流程图被示出为阐述用于基于超声信号数据生成描绘受试者的脉管***(其可包括小血管)中的血流的图像的示例方法的步骤。该方法包括提供利用超声成像***采集的数据,如步骤102所指示。所提供的数据可通常包括输入数据矩阵。在一些实施例中,输入数据矩阵是三维矩阵,其具有与空间方向相关联的两个维度和与时间相关联的一个维度。在一些其他实施例中,输入数据矩阵是四维矩阵,其具有与空间方向相关联的三个维度和与时间相关联的一个维度。作为一个示例,输入数据矩阵可以是Nx×Nz×Nt矩阵。
然后将所提供的数据划分为子矩阵,如步骤104所指示。作为一个示例,当输入数据矩阵是Nx×Nz×Nt矩阵时,每个子矩阵可以是nx×nz×nt矩阵,其中nx≤Nx,nz≤Nz,nt≤Nt,并且nx·nz≥nt。在一些实施例中,子矩阵在空间上是不同的;然而,在一些其他实施例中,子矩阵中的一些或所有子矩阵可以在空间上彼此重叠。通常,应该选择每个子矩阵的大小,使得每个子矩阵窗口内的局部组织具有相似的特性,诸如时间相干性、散斑和噪声特性。在一些实施例中,数据子矩阵可以都具有相同的大小;然而,在其他实施例中,数据子矩阵中的一些或所有可以具有不同的大小。应选择子矩阵窗口之间的重叠量,以便可以生成平滑血管造影映射。
然后处理每个子矩阵以提取与血管相关联的信号。在该过程中,首先借助于低秩矩阵分解或因子分解技术分解每个数据子矩阵,如步骤106所指示。可以利用Karhunen-Loève变换(“KLT”)、奇异值分解(“SVD”)、特征值分解(“EVD”)、主成分分析(“PCA”)等中的至少一种来实现低秩矩阵分解或因子分解。通常,该过程将基于输入数据子矩阵生成分解的矩阵值。
作为一个示例,执行EVD将生成分解的矩阵值作为特征值。作为另一示例,执行SVD将生成分解的矩阵值作为奇异值。使用SVD技术分解数据子矩阵还导致(单一的)奇异向量矩阵,U和V。奇异值按降序排序,其中低阶奇异值大于高阶奇异值。右奇异向量V按照奇异值的相同顺序排序。组织信号通常位于低阶奇异值中,并且噪声信号通常位于高阶奇异值中。
在LRMD期间生成的分解的矩阵值可用于从数据子矩阵提取血管信号。然后处理分解的子矩阵以确定低阶截止值和高阶截止值中的一个或两个,如处理框108所指示。可以确定低阶和高阶截止值的特定顺序可以被交换(即,可以首先或第二确定高阶截止,或者在某些情况下并行确定)。作为一个示例,当低秩矩阵分解实现SVD时,处理奇异值和向量以确定低阶奇异值截止和高阶奇异值截止。在其他实现中,低阶和高阶截止值是基于其他分解的矩阵值,诸如特征值。现在参考图2A-2B和图3A-3B描述用于确定低阶和高阶截止值的示例方法。
图2A和图2B示出了用于确定低阶奇异值截止的两个不同示例方法。这两种方法可以被单独地使用或被组合以共同确定低阶奇异值截止值。
图2A示出了奇异值曲线202,其可用于评估在分解的数据子矩阵中的奇异值的衰减率,以便识别将组织信号与血管流信号区分开的低阶奇异值截止。衰减率可以通过梯度计算方法、拟合方法等中的至少一种来计算。可以预定衰减率的阈值以识别低阶奇异值截止点204。如下所描述,然后可以将具有低于低阶奇异值截止的阶的所有奇异值设置为零,或者使用小的加权因子来加权,以便抑制组织信号。
图2B示出了奇异向量频率曲线206,其通过估计奇异向量中的每个奇异向量的平均频率而获得。奇异值向量的平均频率可以通过滞后一(lag-one)自相关、频谱加权或任何其他合适的方法来计算。组织信号通常呈现在低振荡频率处,并且噪声信号通常呈现在高振荡频率处。因此,使用预定的低频截止值,可以从奇异向量频率曲线206确定低阶奇异值截止点208。如上所提及并且如下所描述,然后可以将具有低于低阶奇异值截止的阶的所有奇异值设置为零,或者使用小的加权因子来加权,以便抑制组织信号。
图3A和图3B示出了用于确定高阶奇异值截止的两个不同示例方法。这两种方法可以被单独地使用或被组合以共同确定低阶奇异值截止值。
图3A示出了奇异值曲线302,其可用于确定高阶奇异值截止点308。-Pastur定律指出独立且相同分布的(“i.i.d.”)复高斯随机矩阵的频谱分布是近似线性的,其中斜率取决于矩阵的维度。在后波束成形超声图像中,(非散斑)噪声均匀分布并且可以在近场中近似为高斯分布。在远场中,通常假设噪声是局部均匀的并且近似为局部高斯分布。因此,由2D或3D超声数据构建的矩阵的奇异值分布的至少一些分量应该是准线性的。可以通过线性拟合表示噪声信号的高阶奇异值来获得拟合线304。奇异值曲线302在线306处开始偏离拟合线304的点可以用作高阶奇异值截止点308。偏差量的预定阈值可以用于识别高阶奇异值截止点308。如下将描述,然后可以将具有高于高阶奇异值截止的阶的所有奇异值设置为零,或者使用小的加权因子来加权,以便抑制噪声信号。
图3B示出了奇异向量频率曲线310。在流信号和噪声信号之间将通常存在尖锐的过渡区域,并且该过渡区域的形状是准线性的。为此,可以通过过渡区域的线性拟合来获得拟合线312。奇异向量频率曲线310从线314处的曲线的低奇异向量阶侧开始偏离拟合线312的点可以用作高阶奇异值截止点316。如上所提及并且如下所描述,然后可以将具有高于高阶奇异值截止的阶的所有奇异值设置为零,或者使用小的加权因子来加权,以便抑制噪声信号。
作为另一示例,可以使用统计估计方法(诸如Stein的无偏风险估计器(UnbiasedRisk Estimator)(“SURE”))来确定低阶截止值和高阶截止值。
再次参考图1,可以分析低阶和高阶截止值以评估它们的保真度和产生具有来自受试者的脉管***(可以包括小血管)的期望信号分量的图像的可能性,如在判定框110处确定的并且在步骤112中指示的。例如,可以制定并实现一组规则以确定所选择的低阶和高阶截止值的稳健性。基于在步骤112中执行的分析,首先确定是否应该处理数据子矩阵以提取血流信号,如判定框114所指示。如果否,则从处理管线中移除数据子矩阵。例如,在步骤112中执行的分析将指示不存在要从数据子矩阵提取的血流信号。在这些实例中,可以通过使数据中的所有条目强制为零或空值来跳过子矩阵块。
然而,如果要处理数据子矩阵,则如判定框116所指示,然后基于在步骤112中执行的分析做出确定是否应保持或拒绝截止值。作为一个示例,如果在步骤112处对截止值的分析确定了使用截止值将可能导致不从输入数据提取血管信号,则可以如在判定框116处所指示的拒绝截止值,并且可以通过执行步骤108确定新的截止值。
作为一个示例,在步骤112处的分析中实现的规则集中的一个规则可以包括确定高阶截止值是否小于或等于低阶截止(即,低阶截止值是否大于高阶截止值)。作为另一示例,在步骤112处的分析中实现的规则集中的规则可以包括确定高阶和低阶截止值之间的差是否小于阈值。作为又另一示例,在步骤112处的分析中实现的规则集中的规则可以包括确定高阶和低阶截止值之间的差是否大于特定阈值。如果满足这些前述规则中的任何规则,则可以如在判定框114处确定的跳过数据子矩阵,或者如在判定框116处确定的拒绝截止值。
如果不执行保真度检查,或者如果保真度检查确认应使用所确定的截止值来处理数据子矩阵,则使用截止值来从数据子矩阵提取血流信号,如在步骤118处所指示的。通常,使用低阶和高阶截止值处理数据子矩阵,使得具有低于低阶截止并且高于高阶截止的阶数的分解的数据子矩阵中的分解的矩阵值被抑制或以其他方式通过零值或低值加权系数来加权。例如,当使用SVD分解数据子矩阵时,具有低于低阶奇异值截止且高于高阶奇异值截止的阶数的奇异值可以通过强制它们为零来被抑制,或者可以使用小系数来被加权。然后使用经处理的奇异值来通过反转SVD计算来重建血管流信号。
然后在判定框120做出确定是否已经处理了所有的期望的数据子矩阵。如果否,则选择下一个数据子矩阵进行处理,如步骤122所指示。否则,则将提取的血流信号组合以形成血管造影图像,如步骤124所指示。然后可以如期望地显示或存储生成的图像,如步骤126所指示。
用于组合所提取的血管信号的示例方法在图4中示出,其示出了阐述用于组合这些提取的信号的示例方法的步骤的流程图。在该示例方法中,将提取的血管信号数据提供给处理器或计算机***以进行组合,如步骤402所指示。首先将子矩阵血管数据归一化(normalize),如步骤404所指示。例如,血管信号可以通过在上面的步骤118中的流信号重建中使用的经处理的奇异值的和来归一化。归一化过程在整个视场中提供血流信号映射的均匀强度。然后可以缩放归一化数据,如步骤406所指示。作为一个示例,当子矩阵包括在超声视场之外的具有零像素值的区域时,归一化数据通过非零输入数据的比率来缩放以消除信号强度的人工增强。
对于每个空间像素,通过对跨包括该特定空间像素的每个局部窗口子矩阵的该像素位置处的信号值求平均来获得最终流信号,如步骤408所指示。作为示例,对于包含五个局部窗口的一组局部窗口W={W1,W2,W3,W4,W5},如果给定的像素位置p包含在局部窗口中的三个中(例如,W1、W2和W3),则在该像素位置p处的最终流信号将是在包含该像素位置的那三个局部窗口W1、W2和W3中的在像素位置p处的信号的平均值。
如步骤410所指示,可以通过时间去噪滤波器进一步对流信号进行去噪。作为一个示例,时间去噪滤波器可以基于像素位置处的信号的时间行为,并且可以使用低通滤波器、高通滤波器、带通滤波器或其组合来实现。对于噪声,假设频谱跨频率范围均匀地分布的能量(即,噪声应该是白噪声)。然而,低频谱中的残余能量可能被错误地计为血液信号。具有预定义的低截止频率的时间高通滤波器可用于去除这种低频分量。可以对整个图像中的每个单个像素执行该滤波。
另外,像素位置处的时间信号的频谱特性可用于进一步区分血液信号与噪声。对于噪声,正频谱和负频谱倾向于对称,但对于血液信号,正频谱和负频谱倾向于不对称。因此,可以基于评估正频谱和负频谱的对称性来识别噪声,其可以基于绝对差之和、互相关、形状相似性测量或任何其他合适的方法来确定。一旦基于时间频谱特性识别噪声像素,就可以创建掩模(mask)以拒绝或抑制噪声像素。
在信号已被去噪后,可以输出最终血管流信号用于图像生成,如步骤412所指示。作为一个示例,可以使用公认的血流处理方法来处理血管流信号数据,包括彩色流成像、频谱多普勒、能量多普勒、向量流成像、血流成像等。
图5图示可以实现本文中所描述的方法的示例超声成像***500的主部件。***500通常包括超声换能器502,其发射超声波504并从对象508接收超声回波506,对象508可以是受试者中的组织。采集***510从换能器502获取超声信号,并将信号输出到处理单元512,处理单元512可包括合适的计算机***或处理器。在一些实施方式中,采集***510对来自每个换能器元件通道的信号进行波束成形,并将该信号输出到处理单元512。处理单元512可以被编程为实现这里描述的方法,用于生成描绘或量化受试者的脉管***中的(包括在小血管中的)血流的图像。来自处理单元512的输出可以由显示和分析单元514显示和分析,显示和分析单元514可以包括合适的计算机显示器或计算机***。
采集***510可以具有高成像帧和体积速率,使得采集脉冲重复频率(“PRF”)可以是至少100Hz。***500可以在时间方向上采样和存储至少一百个超声信号集合。超声***500可以发射和接收聚焦波、发散波、球面波、圆柱波和平面波中的至少一个。超声***500可以实现检测序列,该检测序列包括传统的逐行扫描、复合平面波成像和复合发散束成像之一。此外,由超声***500生成的发射脉冲可包括常规非编码成像脉冲和空间或时间编码脉冲中的至少一种。在一些实例中,由超声***500生成的接收脉冲可以基于基频和谐波频率中的至少一个来生成。
处理单元512可以使用这里描述的方法,并且在一些实例中使用拒绝组织信号的杂波滤波来计算或以其他方式获得超声血流信号。处理单元512还可以实现噪声均衡技术,诸如下面描述的那些,以均衡血流信号。在一些实施例中,可以由处理单元512处理经噪声均衡的血流信号,以获得期望的血液的血流动力学测量值、显示结果等等。
使用未聚焦或弱聚焦的超声波(诸如平面波和宽波束)对于高帧率超声血流成像是有用的。未聚焦或弱聚焦波可以比聚焦波覆盖每个脉冲回波周期大得多的视场(“FOV”),并且因此这些波可以提供多得多的信息,用于稳健的组织杂波抑制和血流信号提取。然而,由于缺乏发射聚焦,未聚焦和弱聚焦波的信噪比(“SNR”)沿深度方向比聚焦波快得多地劣化。
在组织的较深深度处与回波信号相比的噪声水平通常比在组织的较浅深度处的噪声水平高得多,导致妨碍血流成像质量的不均匀噪声分布。这种SNR的下降和噪声随深度的增加不能通过超声***的常规时间增益补偿(“TGC”)控制来容易地补偿,并且可以极大地破坏高帧率未聚焦波和弱聚焦波的血流成像质量。因此,应当使这种不均匀的噪声分布均衡或以其他方式补偿这种噪声分布,以促进稳健的高帧率血流成像。
如上所描述,作为对子矩阵数据执行上述血流信号处理方法的替代方案,可以对整个输入数据执行该方法。也就是说,上述自适应截止选择方法可以应用于输入数据矩阵而不是单独的数据子矩阵,以提取血流信号。使用该全局处理而不是基于数据子矩阵的局部处理生成的示例图像在图6A中示出。可以看出,以这种方式产生的图像被背景噪声严重地污染。存在该图像中的显著噪声水平,因为当处理整个数据集时,噪声的空间分布不均匀,这违反了低秩矩阵分解假设。
现在这里描述的是用于有效且高效地均衡或以其他方式补偿由高帧率超声获取的血流图像的噪声的技术。通常,下文描述的方法使用估计的噪声场来均衡血流信号(或图像)以实现血管灌注的更好的可视化。然而,由不同的方法生成的噪声场也可用于创建空间加权的数据保真度项,以用于在基于模型的图像重建或分解内使用,诸如低秩加稀疏分解。因为超声噪声在空间上不是独立的并且分布相同(i.i.d.),所以重建和分解(诸如低秩加稀疏)的性能通常受到损害。然而,从利用这里介绍的方法获得的噪声场导出的保真度项的积分可以促进针对诸如杂波滤波之类的应用的更稳健的低秩加稀疏分解。
在一个示例中,为了解决与噪声的非均匀分布相关联的问题,可以通过从组织模仿体模获取一组参考信号并且从这些参考信号获得噪声分布来减少、去除或以其他方式在视觉上减弱背景噪声。以这种方式获得的示例噪声分布在图6B中示出。然后可以使用该噪声分布处理原始图像以补偿图像中的噪声,其结果如图6C中所示。作为一个示例,通过将原始图像除以噪声分布,可以减少原始图像中噪声的不等分布的影响。在该特定示例中,通过有效地增强图6A中的图像的上部区域中的信号和噪声,同时有效地抑制图6A中的图像的下部区域中的信号和噪声来减小不等噪声分布的影响。该处理平衡了给定动态范围内的信号和噪声,由此减弱了图6C所示的经处理的图像中的噪声的视觉描绘。还可以基于超声***配置和组织特性来分析地估计噪声分布,如下将描述的。
现在参考图7,流程图图示为阐述用于使从超声数据生成的血流信号中的非均匀噪声分布均衡的示例方法的步骤,其中基于参考数据实现噪声均衡。在该方法中,如步骤702所指示,将超声数据提供给计算机***,并且还将参考数据提供给计算机***,如步骤704所指示。可以通过利用超声成像***获取数据或者通过从数据存储装置检索先前获取的数据来提供这些数据。对于基于获取超声数据时使用的成像序列参数、***配置参数或两者来提供先前获取的参考数据,后一方法可以特别有用。
通常,使用相同的超声成像序列(例如,相同的发射脉冲、相同的接收滤波器)和***配置(例如,相同的增益设置、相同的发射电压、相同的超声换能器)来采集这两组数据。从正在其中检查血流的组织获取超声数据,并且从具有与目标组织相似的声学性质(例如,相似的声速、相似的声学衰减)的参考体模获取参考数据。如果目标组织的成像序列、***配置和声学性质保持不变或仅略微变化,则可能仅需要获取参考体模数据一次。因此,在一些实施例中,可能从数据存储装置中检索和使用与目标组织的相似成像序列、***配置和声学性质相关联的先前获取的参考数据。
然后处理这两组数据,使得从超声数据生成血流信号(或血流图像),如步骤706所指示,并且使得从参考数据生成均衡信号(或均衡图像),如步骤708所指示。在两种情况下,可以使用上述技术生成信号。如上所描述,血流信号不是噪声均衡的。由于参考体模数据不具有血流信号(即纯组织信号),因而血流处理后的大部分剩余信号是噪声,其可用作均衡信号来均衡目标血流信号的噪声。
从血流信号和均衡信号,生成噪声均衡的血流信号(或噪声均衡的血流图像),如步骤710所指示。作为一个示例,噪声均衡的血流信号可以通过将血流信号除以均衡信号来生成,如上所述。作为另一个示例,可以通过计算血流信号和均衡信号之间的差来生成噪声均衡的信号。在一些实施例中,均衡信号可以在均衡之前通过平滑滤波器来处理,以便提供更稳健的划分或减法。
可以构建被扫描以提供参考数据的参考体模以模仿特定位置处的特定组织声学性质。例如,对于腹部成像,体模可以在近场中具有较高的声学衰减和较低的声速以模仿皮下脂肪组织,并且在中等范围场和远场中具有较低的声学衰减和常规声速以模仿诸如肝脏之类的软组织。可以利用超声成像序列、***配置、组织声学性质等的所有可能组合来获取参考体模数据,以构建查找数据库,从该查找数据库可以检索相关参考数据并将其提供给计算机***。***或用户可以从该查找数据库中选择均衡信号,而无需获取新的参考体模数据。这对于实时血流成像尤其重要。
在另一个示例中,可以使用高阶奇异向量技术来均衡血流信号中的非均匀噪声。当对具有空间和时间信息的超声数据执行奇异值分解(“SVD”)时,组织信号通常由低阶大奇异值表示,血液信号通常由中间范围的奇异值表示,并且噪声通常由高阶小奇异值表示。奇异值的这种分布源于超声后向散射信号强度和信号的不同分量的时间行为(例如,组织具有高后向散射信号,但是在时间上缓慢移动,而血液具有弱后向散射信号,但是在时间上快速移动)。
在SVD计算之后,超声信号被分解为单式矩阵(unitary matrix)U(即,左奇异向量),其提供空间信息;矩形对角矩阵D,其对角线条目是奇异值;以及另一个单式矩阵V(即右奇异向量),其提供时间信息。单式矩阵U可用于导出可用于均衡血流信号的噪声场。如图8所示,对于秩为450的超声肾血流信号,低阶奇异向量U(1)主要表示组织,中阶奇异向量U(150)主要表示血液,并且高阶奇异向量U(450)主要表示噪音。
现在参考图9,流程图被图示为阐述用于使从超声数据生成的血流信号中的非均匀噪声分布均衡的示例方法的步骤,其中使用基于高阶奇异向量的技术实现噪声均衡。如在步骤902所指示的,方法包括向计算机***提供超声数据。可以通过利用超声成像***获取数据或者通过从数据存储装置检索先前获取的数据来提供该数据。然后处理超声数据以生成血流信号(或血流图像),如步骤904所指示。例如,可以使用以上描述的方法生成血流信号。
如步骤906所指示,还处理超声数据以生成奇异值数据。奇异值数据通常包括高阶奇异值、中阶奇异值和低阶奇异值。奇异值数据还可以包括分离的空间信息和分离的时间信息,诸如可以分别地体现在左单式矩阵和右单式矩阵中。作为一个示例,通过计算超声数据的奇异值分解来生成奇异值数据。然而,作为其他示例,SVD操作可以实现随机化的奇异值分解(rSVD)、Karhunen-Loève变换(“KLT”)、特征值分解(“EVD”)、功率迭代、主成分分析(“PCA”)等等。
可以从奇异值数据估计噪声场,如步骤908所指示。对于稳健的噪声均衡,可以借助于空间平滑滤波器(例如,二维中值滤波器)平滑高阶奇异向量,或者可以使用每个深度处的所有像素的高阶奇异值的平均值或中值来导出深度相关的噪声曲线,然后可以沿着侧向维度对其进行平滑和复制以获得噪声场。其他方法也可用于从一个或多个高阶奇异值中得出可靠的噪声场。如所提及的,可以基于一个高阶奇异值或基于多个高阶奇异值来估计噪声场。例如,可以对U(440)到U(450)进行平均以平滑噪声场。上述高阶奇异值截止选择方法可用于确定可用于噪声场估计的奇异向量的范围。
在估计噪声场之后,其可以用于生成噪声均衡的血流信号(或噪声均衡的血流图像),如步骤910所指示。作为一个示例,噪声均衡的血流信号可以通过将血流信号除以噪声场来生成。作为另一个示例,可以通过计算血流信号和噪声场之间的差来生成噪声均衡的信号。在一些实施例中,噪声场可以在均衡之前通过平滑滤波器来处理,以便提供更稳健的划分或减法。使用这些技术在噪声均衡之前和之后的示例血流图像在图10中示出。
注意,这里介绍的基于高阶奇异向量的均衡可以应用于用于噪声均衡的任何杂波滤波器,而不仅仅是基于SVD的杂波滤波器。对于基于SVD的杂波滤波器,该方法特别方便,因为已经针对杂波滤波计算了SVD,并且因此不需要为了噪声均衡而计算额外的SVD。
在另一个示例中,可以从超声***直接测量噪声,然后可以使用该噪声来均衡血流信号的噪声。现在参考图11,流程图被示出为阐述了用于均衡从超声数据生成的血流信号中的非均匀噪声分布的示例方法的步骤,其中,基于实验测量的噪声数据来实现噪声均衡。如在步骤1102所指示,方法包括向计算机***提供超声数据。可以通过利用超声成像***获取数据或者通过从数据存储装置检索先前获取的数据来提供该数据。然后处理超声数据以生成血流信号(或血流图像),如步骤1104所指示。例如,可以使用以上描述的方法生成血流信号。
如在步骤1106所指示,还向计算机***提供超声噪声数据。可以通过利用超声成像***获取数据或者通过从数据存储装置检索先前获取的数据来提供超声噪声数据。通过关闭超声发射(例如,将声学输出设置为零),并且利用与用于血流信号采集的那些相同的成像序列(例如,相同的发射脉冲、相同的接收滤波器)和***配置(例如,相同的增益设置、相同的发射电压、相同的超声换能器)来获得噪声。因为没有发射超声波脉冲,所以除了***噪声之外,接收信号将全为零。
可以从该超声噪声数据估计噪声场(或均衡信号),如步骤1108所指示。在估计噪声场之后,其可以用于生成噪声均衡的血流信号(或噪声均衡的血流图像),如步骤1110所指示。作为一个示例,噪声均衡的血流信号可以通过将血流信号除以噪声场来生成。作为另一个示例,可以通过计算血流信号和噪声场之间的差来生成噪声均衡的信号。在一些实施例中,噪声场可以在均衡之前通过平滑滤波器来处理,以便提供更稳健的划分或减法。
可以与上述用于噪声均衡的方法类似地平滑和处理超声噪声数据。还可估计多个噪声场以获得平均噪声场以用于更稳健的噪声均衡。当成像序列或***配置改变时,应测量新的噪声场以用于均衡,除非改变是细微的且噪声场没有正在被显著地改变。类似于参考体模方法,可以建立用于成像序列和***配置的所有可能组合的噪声场的查找数据库,从而促进该技术的实时实现。
可以在关闭发射功率的情况下在组织模仿体模上、水中、空气中或目标组织上测量噪声场。当从体模或水或空气收集噪声时,该方法不考虑来自目标组织的噪声(例如,来自组织衰减、相位偏差的噪声)并且假设噪声纯粹来自超声***。然而,当从目标组织收集噪声时,该方法确实部分地考虑了来自目标组织的噪声。
应注意,由于受试者之间组织的潜在差异,建立从组织收集的噪声的查找数据库可能是不实际的。在这些情况下,首先可以定位目标组织,关闭发射功率以收集如上所描述的目标组织的噪声场,并且然后可以用噪声场使下面的图像均衡。对于对相似组织或靠近目标组织的邻近组织进行成像,以及成像序列和***配置的小改变,可以不需要重新收集噪声场。
在关闭发射功率的那些实例中,通过将超声发射器的电压降低到尽可能接近0V,将超声发射脉冲的占空比降低到尽可能接近百分之零,将发射孔径尺寸降低到尽可能接近0mm,或这些设置的组合,可以将发射功率视为“关闭”。
在另一示例中,基于实验测量的超声噪声数据的基于噪声传播的均衡方法可用于均衡血流信号中的非均匀噪声。这种基于噪声传播的方法仅需要对来自每个换能器元件的***噪声进行单次测量,然后可以基于给定的成像序列和***配置导出理论噪声场。
如图12A和12B所示,在关闭发射功率和来自超声***的零增益的情况下,来自超声元件通道的噪声(图12A)是深度无关的并且大致遵循高斯分布。图12A右手边的绘图示出了来自左手边所示数据的单通道数据集,从中可以看出信号的方差不沿深度变化。这与深度相关的噪声场相反,因为尚未应用增益设置或波束成形。然而,在应用典型的增益设置并执行波束成形处理之后,噪声变得深度相关(即,组织越深,噪声越高),如图12B所示。
将与深度无关的高斯噪声演变为与深度相关的非高斯噪声的原因是双重的。首先,超声***放大器的噪声增益特性(例如,TGC增益和***前端中的其他放大器)是非线性的。也就是说,相比在较低增益处,放大器在较高增益处具有高得多的噪声。在增益设置通常较高的深组织区域中,来自***放大器的所得噪声也是显著较高。第二个因素是波束成形过程。对于基于软件的波束成形或具有动态接收孔径(即,固定F值)的波束成形,每个波束成形像素处的超声信号是超声元件的集合的加权和(即,接收变迹),该超声元件的发射对从这个像素的后向散射信号有贡献。
取决于像素的空间位置,用于波束成形的元件的数量可以显著不同。例如,靠近换能器的表面的像素可能仅需要10个元件用于波束成形,但是远离换能器表面的像素可能需要换能器的所有可用元件(例如,128)用于波束成形。不同数量的波束成形元件可以为每个空间像素导致不同量的噪声累积,这进而导致深度相关和位置相关的噪声行为。
基于可以从制造商实验测量或获得的超声***的噪声增益特性,以及用于将原始通道数据构建成最终超声信号的波束成形过程,可以使用噪声传播导出最终噪声场。为了实验确定超声***的噪声增益特性,可以获取一组没有增益的数据和一组具有已知增益设置的数据,并将其用于计算噪声幅度的比率。然后,可以通过诸如曲线拟合之类的方法导出每个增益设置处的噪声放大。
图13示出了在给定增益设置下每个通道的测量到的噪声(虚线)和理论预测的噪声(实线)的示例。最终曲线拟合提供两个指数模型的和,其中TGC增益作为输入(例如,给定任何TGC增益,可以预测噪声振幅)。预测的噪声振幅曲线沿着深度与实验测量到的噪声曲线很好地匹配。
现在参考图14,流程图图示为阐述用于使从超声数据生成的血流信号中的非均匀噪声分布均衡的示例方法的步骤,其中使用噪声传播技术来实现噪声均衡。如在步骤1402所指示,方法包括将来自每个换能器元件通道的噪声数据提供给计算机***。可以通过利用超声成像***获取数据或者通过从数据存储装置检索先前获取的数据来提供该数据。例如,可以通过关闭超声***的发射和任何增益设置来测量来自每个换能器元件通道的噪声数据。或者,也可以使用具有已知噪声振幅的已知增益设置。
如步骤1404所指示,将被用于对受试者成像的当前成像序列参数和***配置参数被提供给计算机***。然后在用于收集目标组织的超声数据的给定的成像序列和***配置处,调整每个通道和每个深度处的噪声以反映***的当前增益设置(例如,使用上面参考图13描述的方法),如步骤1406所指示。在调整用于所有通道数据的噪声振幅之后,噪声通过与由超声***波束成形器的目标组织数据相同的波束成形过程来传播,以生成噪声场的估计,如步骤1408所指示。在该过程中,通过计算来自所有贡献的换能器元件的累积噪声,获得用于每个波束成形的像素的噪声,并且通过考虑包括空间复合、频率复合、接收变迹、动态接收、接收滤波、信号解码(如果使用编码激励)等等的过程来调整噪声振幅。
使用当前成像序列和***配置参数获取的超声数据被提供给计算机***,如步骤1410所指示。可以通过利用超声成像***获取数据或者通过从数据存储装置检索先前获取的数据来提供该数据。然后处理超声数据以生成血流信号(或血流图像),如步骤1412所指示。例如,可以使用以上描述的方法生成血流信号。
在估计噪声场之后,其可以用于生成噪声均衡的血流信号(或噪声均衡的血流图像),如步骤1414所指示。作为一个示例,噪声均衡的血流信号可以通过将血流信号除以噪声场来生成。作为另一个示例,可以通过计算血流信号和噪声场之间的差来生成噪声均衡的信号。在一些实施例中,噪声场可以在均衡之前通过平滑滤波器来处理,以便提供更稳健的划分或减法。
与上述方法中的一些相似,用于噪声均衡的基于噪声传播的技术可能不考虑组织噪声(例如,来自组织衰减、相位偏差的噪声)。但是,此方法不需要收集新的噪声数据集或为所有可能的成像设置建立数据库。每个换能器元件的噪声仅需要针对每个超声***被收集一次。图15示出了使用这里描述的方法比较预测的噪声场和实验测量到的噪声场的示例。
从每个通道获得噪声数据的替代方法是生成零均值高斯分布的噪声数据,因为来自每个换能器通道的噪声近似地是高斯分布的。因为均衡过程可以使用归一化噪声场(例如,将导出的噪声场归一化到噪声场内的最大值),所以噪声的振幅可以是不相干的。可以使用针对每个通道的这种人工生成的噪声数据(与上文介绍的实验测量的噪声数据相反),接着是上文关于图14描述的用于均衡的相同步骤。
获得噪声数据的又另一替代方法是生成常数矩阵(例如,具有作为条目的所有1的矩阵),其模仿噪声数据的恒定方差水平。因为均衡过程基本上可以使用噪声的振幅(即,噪声数据的方差)来使血流信号均衡,所以使用恒定矩阵可以建模针对不同***配置和整个波束成形过程中的噪声幅度的变化。可以使用针对每个通道的这个恒定矩阵,接着是上文关于图14描述的用于均衡的相同步骤。
在另一示例中,可以使用基于图像处理的均衡方法来均衡血流信号中的非均匀噪声分布,该均衡方法通过从血流图像本身导出均衡场来均衡不均匀的图像噪声。如图16所示,原始血流信号沿深度的强度分布可用于计算血流图像的背景强度分布。可以通过曲线拟合获得背景强度的拟合分布。作为示例,可以沿侧向维度复制拟合的1-D强度分布以获得2-D噪声场,然后使用上述方法将其用于均衡原始血流信号。示例结果在图16中示出。可以从原始血流信号获得多个强度分布,以获得更平滑的强度分布以用于更稳健的曲线拟合。原始血流信号也可以通过空间滤波器来平滑以使详细的脉管***信号模糊并导出可用于均衡的背景噪声场。原始血流信号也可以通过小波处理来分解,以提取可用于均衡的低分辨率背景强度分布。
上述方法对于许多不同的临床应用具有很大的潜力。作为一个示例,这里描述的方法可以用于成像和评估癌症。例如,良性和恶性肿瘤具有非常不同的脉管***特征。这里描述的方法可以非侵入性地成像和监测肿瘤血管化,这为肿瘤表征和评估治疗反应(诸如对化疗的反应)提供关键的信息。
作为另一个示例,这里描述的方法可以用于成像和评估炎症。例如,血管过度形成通常与炎性疾病一致。这里描述的方法可用于对病理部位处的详细脉管***进行成像,以表征和量化炎症。
作为另一示例,这里描述的方法可以用于神经成像应用。例如,这里描述的方法所提供的优越的空间和时间分辨率为对大脑中的血流进行成像提供了很好的机会,这与脑功能和许多脑疾病密切相关。
作为另一示例,这里描述的方法可以用于眼科应用。例如,对眼睛的细血管进行成像在临床上是有用的。眼睛具有低超声衰减,并且因此,非常高频的换能器可以与所提出的***一起使用以对小至几十微米的眼睛血管成像。
作为另一示例,这里描述的方法可以用于成像和评估心血管疾病。例如,由这里描述的方法提供的高时间分辨率对于成像心血管***中的高流速血管是有利的。高空间分辨率具有对冠状动脉进行成像的潜力。
本公开已经描述了一个或多个优选实施例,并且应当理解的是,除明确陈述的以外,许多等价物、备选方案、变化和修改都是可能的并且在本发明的范围之内。
Claims (48)
1.一种用于使用超声成像***生成描绘受试者的脉管***中的血流的图像的方法,所述方法的步骤包括:
(a)从受试者中的视场获取超声信号数据;
(b)将所获取的超声数据划分成多个超声数据子矩阵,每个超声数据子矩阵对应于所述视场的子体积;
(c)对每个超声数据子矩阵执行低秩矩阵分解,从而生成包括每个超声数据子矩阵的分解的矩阵值的分解的数据;
(d)估计基于所述分解的数据的低阶截止值或基于所述分解的数据的高阶截止值中的至少一个,其中所述低阶截止值将归因于组织的信号与归因于血流的信号区分开,并且所述高阶截止值将归因于血流的信号与归因于噪声的信号区分开;
(e)使用低阶截止值或高阶截止值中的至少一个,从每个超声数据子矩阵提取归因于受试者的脉管***中的血流的信号;以及
(f)组合所提取的信号以生成图像,所述图像描绘所述视场中的所述受试者的脉管***中的血流。
2.如权利要求1所述的方法,其中步骤(c)包括执行奇异值分解,使得所述分解的矩阵值是奇异值,并且所述分解的数据还包括奇异向量。
3.如权利要求2所述的方法,其中步骤(d)包括通过绘制所述奇异值生成奇异值曲线并且基于奇异值曲线的衰减率选择低阶截止值。
4.如权利要求3所述的方法,其中使用梯度计算方法或拟合方法之一计算所绘制的奇异值的衰减率。
5.如权利要求2所述的方法,其中步骤(d)包括基于所述奇异向量生成奇异向量频率曲线并且基于预定的频率截止值选择低阶截止值。
6.如权利要求5所述的方法,其中基于估计每个奇异向量的平均多普勒频率来计算奇异向量频率曲线。
7.如权利要求2所述的方法,其中步骤(d)包括通过绘制所述奇异值生成奇异值曲线并且基于在所述奇异值曲线中的高阶奇异值的线性拟合来选择所述高阶截止值。
8.如权利要求7所述的方法,其中,所述高阶截止值被选择为所述奇异值曲线中的点,在所述点处所述线性拟合开始偏离所述奇异值曲线达阈值量。
9.如权利要求2所述的方法,其中步骤(d)包括基于所述奇异向量生成奇异向量频率曲线,并基于在低阶奇异向量频率值和高阶奇异向量频率值之间的过渡区域中的奇异向量频率值的线性拟合来选择所述高阶截止值。
10.如权利要求9所述的方法,其中,所述高阶截止值被选择为所述奇异值频率曲线中的点,在所述点处所述线性拟合偏离在所述低阶奇异向量频率值附近的所述奇异向量频率曲线过渡区域达阈值量。
11.如权利要求1所述的方法,其中步骤(c)包括执行特征值分解,使得分解的矩阵值是特征值,并且所述分解的数据还包括特征向量。
12.如权利要求1所述的方法,其中步骤(e)包括使用加权系数对所述分解的数据中低于所述低阶截止值并高于所述高阶截止值的所述分解的矩阵值进行加权,以减少来自所述数据子矩阵中的那些分解的矩阵值的贡献。
13.如权利要求12所述的方法,其中所述加权系数包括零值系数。
14.如权利要求12所述的方法,其中步骤(e)包括执行低秩矩阵分解的逆,以将所述分解的数据转换成每个数据子矩阵中的血流信号的估计。
15.如权利要求1所述的方法,其中步骤(f)包括通过在跨包含给定像素的多个局部窗口的所述给定像素位置处对所提取的信号求平均来生成图像中的每个像素位置处的图像强度值。
16.如权利要求1所述的方法,其中所述超声数据子矩阵中的至少一些超声数据子矩阵对应于重叠的子体积。
17.如权利要求1所述的方法,其中所述超声数据子矩阵中的至少一些超声数据子矩阵的大小与所述超声数据子矩阵中的其他超声数据子矩阵的大小不同。
18.如权利要求1所述的方法,其中步骤(f)包括基于所提取的信号的时间行为使用时间去噪滤波器对所提取的信号进行去噪。
19.如权利要求18所述的方法,其中所述去噪滤波器包括高通滤波器组件,以便去除归因于与血液信号无关的低频谱中的残余能量的低频分量。
20.如权利要求18所述的方法,其中,所述去噪滤波器是基于噪声信号的对称时间频谱特性和血液信号的不对称时间频谱特性。
21.如权利要求20所述的方法,其中,基于绝对差之和、互相关或形状相似性测量中的至少一个来确定对称时间频谱特性。
22.如权利要求1所述的方法,其中步骤(d)包括基于与所述低阶截止值或所述高阶截止值中的至少一个的保真度有关的规则集来验证所述低阶截止值或所述高阶截止值中的至少一个。
23.如权利要求22所述的方法,其中所述规则集包括以下中的至少一个:
(i)当低阶截止值大于高阶截止值时,拒绝所述高阶截止值;
(ii)当低阶截止值和高阶截止值之间的差小于阈值时,拒绝所述低阶截止值或所述高阶截止值中的至少一个;或者
(iii)当低阶截止值和高阶截止值之间的差大于阈值时,拒绝所述低阶截止值或所述高阶截止值中的至少一个。
24.如权利要求1所述的方法,其中在所述视场中的所述受试者的脉管***包括小血管或微脉管***中的至少一种。
25.一种用于使用超声成像***生成描绘受试者的脉管***中的血流的图像的方法,所述方法的步骤包括:
(a)从受试者中的视场获取超声信号数据,并且将所获取的超声数据划分成多个超声数据子矩阵,每个超声数据子矩阵对应于所述视场的子体积,且每个子矩阵具有至少一个矩阵维度,所述至少一个矩阵维度少于所述超声信号数据的对应矩阵维度;
(b)对每个超声数据子矩阵执行低秩矩阵分解,从而生成包括每个超声数据子矩阵的分解的矩阵值的分解的数据;
(c)估计基于所述分解的数据的低阶截止值和基于所述分解的数据的高阶截止值中的至少一者,其中所述低阶截止值将归因于组织的信号与归因于血流的信号区分开,并且所述高阶截止值将归因于血流的信号与归因于噪声的信号区分开;
(d)使用所述低阶截止值和所述高阶截止值中所述至少一者,从每个超声数据子矩阵提取归因于受试者的脉管***中的血流的信号;以及
(e)基于所提取的信号生成描绘视场中的受试者的脉管***中的血流的图像。
26.如权利要求25所述的方法,其中步骤(e)包括用计算机***处理所述图像以减少所述图像中的非均匀噪声分布的影响。
27.如权利要求26所述的方法,其中在步骤(e)中处理所述图像以减少非均匀噪声分布的影响包括向所述计算机***提供估计所述视场中的背景噪声的噪声分布,并且还包括利用所述计算机***使用所述噪声分布来减少所生成的图像中的不等噪声分布的影响。
28.如权利要求27所述的方法,其中减少所生成的图像中的不等噪声分布的影响包括将所生成的图像除以所述噪声分布。
29.如权利要求27所述的方法,其中通过将来自组织模仿体模的参考信号提供给所述计算机***并基于所获取的参考信号估计所述噪声分布,将所述噪声分布提供给所述计算机***。
30.如权利要求29所述的方法,其中通过以下从所述参考信号估计所述噪声分布:
对所述参考信号执行低秩矩阵分解,由此生成包括针对所述参考信号的分解的参考矩阵值的分解的参考数据;
基于所述分解的参考数据估计高阶截止值,其中所述高阶截止值将归因于血流的信号与归因于噪声的信号区分开;
使用所述高阶截止值从所述参考信号提取归因于噪声的信号。
31.根据权利要求29所述的方法,其中,从存储的参考信号的数据库向所述计算机***提供所述参考信号,并且其中,选择所提供的参考信号,使得在所述参考信号和所述超声信号数据之间的成像序列参数或超声***配置参数中的至少一个是相似的。
32.如权利要求27所述的方法,其中通过从所获取的超声数据计算奇异值数据并基于所述奇异值数据估计所述噪声分布,将所述噪声分布提供给所述计算机***。
33.如权利要求32所述的方法,其中,所述奇异值数据包括高阶奇异值,并且基于所述高阶奇异值估计所述噪声分布。
34.如权利要求33所述的方法,其中基于所述高阶奇异值估计所述噪声分布包括使用空间平滑滤波器平滑所述高阶奇异值并从经平滑的高阶奇异值估计所述噪声分布。
35.如权利要求33所述的方法,其中估计所述噪声分布包括从所述奇异值数据中的每个深度处的所述高阶奇异值导出深度相关的噪声曲线。
36.如权利要求35所述的方法,其中基于高阶奇异值的范围导出所述深度相关的噪声曲线,其中基于所述高阶截止值来定义高阶奇异值的范围。
37.如权利要求32所述的方法,其中通过对所获取的超声数据执行以下中的一个来计算所述奇异值数据:奇异值分解、随机奇异值分解、Karhunen-Loève变换、特征值分解、功率迭代或主成分分析。
38.如权利要求27所述的方法,其中通过提供利用所述超声成像***通过在不将超声发射到参考介质的情况下从所述参考介质获取信号来获取的噪声数据,并从所述噪声数据估计所述噪声分布,来将所述噪声分布提供给所述计算机***。
39.如权利要求38所述的方法,其中所述参考介质是组织模仿体模、空气或水中的一种。
40.如权利要求27所述的方法,其中通过提供利用所述超声成像***通过在不将超声发射到所述受试者的情况下从所述受试者获取信号而获取的噪声数据,并从所述噪声数据估计所述噪声分布,来提供所述噪声分布。
41.如权利要求40所述的方法,其中,所述噪声数据包括与所述超声成像***相关联的每个换能器通道的噪声数据,并且其中,估计所述噪声分布包括使用所述超声成像***的波束成形器来传播所述噪声数据。
42.如权利要求41所述的方法,其中,基于用于获取所述超声信号数据的成像序列参数或***配置参数中的至少一个来调整每个换能器通道的噪声数据的振幅。
43.如权利要求27所述的方法,其中通过从超声信号数据估计背景强度分布并从一维背景强度分布估计所述噪声分布,将所述噪声分布提供给所述计算机***。
44.如权利要求43所述的方法,其中,从所获取的超声数据的单行估计所述背景强度分布。
45.如权利要求43所述的方法,其中,从所获取的超声数据的多行的平均值估计所述背景强度分布。
46.如权利要求43所述的方法,其中通过对所述超声信号数据执行小波变换以生成分解的数据并且提取所述分解的数据的低分辨率部分来估计所述背景强度分布。
47.如权利要求25所述的方法,其中在所述视场中的所述受试者的脉管***包括小血管或微脉管***中的至少一种。
48.如权利要求25所述的方法,其中步骤(e)包括向计算机***提供估计所述视场中的背景噪声的噪声分布,并且其中所述噪声分布用于创建空间加权的数据保真度项,所述空间加权的数据保真度项用于基于模型的图像重建中以便生成图像。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201662298583P | 2016-02-23 | 2016-02-23 | |
US62/298,583 | 2016-02-23 | ||
US201662301294P | 2016-02-29 | 2016-02-29 | |
US62/301,294 | 2016-02-29 | ||
PCT/US2017/016190 WO2017146886A1 (en) | 2016-02-23 | 2017-02-02 | Ultrasound blood flow imaging |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108697354A CN108697354A (zh) | 2018-10-23 |
CN108697354B true CN108697354B (zh) | 2022-12-06 |
Family
ID=59685749
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780013123.0A Active CN108697354B (zh) | 2016-02-23 | 2017-02-02 | 超声血流成像 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11457890B2 (zh) |
EP (1) | EP3419516B1 (zh) |
CN (1) | CN108697354B (zh) |
WO (1) | WO2017146886A1 (zh) |
Families Citing this family (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2019109028A (ru) * | 2016-08-31 | 2020-10-01 | Конинклейке Филипс Н.В. | Устройство для обнаружения канальцев при биопсии ткани |
EP4349263A3 (en) | 2017-05-31 | 2024-06-05 | Mayo Foundation for Medical Education and Research | Methods for super-resolution ultrasound imaging of microvessels |
US10768260B2 (en) * | 2017-09-18 | 2020-09-08 | Regents Of The University Of Minnesota | System and method for controlling noise in magnetic resonance imaging using a local low rank technique |
KR101859392B1 (ko) * | 2017-10-27 | 2018-05-18 | 알피니언메디칼시스템 주식회사 | 초음파 영상 기기 및 이를 이용한 클러터 필터링 방법 |
US11923876B2 (en) | 2018-07-16 | 2024-03-05 | Mayo Foundation For Medical Education And Research | Systems, methods, and media for low-power encoding of continuous physiological signals in a remote physiological monitor |
US20210267577A1 (en) | 2018-07-19 | 2021-09-02 | Mayo Foundation For Medical Education And Research | Systems and Methods for Removing Noise-Induced Bias in Ultrasound Blood Flow Imaging |
DE102018214325A1 (de) * | 2018-08-24 | 2020-02-27 | Siemens Healthcare Gmbh | Verfahren und Bereitstellungseinheit zum Bereitstellen eines virtuellen tomographischen Schlaganfall-Nachfolgeuntersuchungsbildes |
JP7304418B2 (ja) | 2019-02-06 | 2023-07-06 | ウィリアム イー バトラー, | 複数の低次元血管造影投影からの移動血管脈波の時空間的再構成 |
CN109984773A (zh) * | 2019-03-26 | 2019-07-09 | 中国科学院苏州生物医学工程技术研究所 | 微小血管检查与识别***与方法 |
WO2020198592A1 (en) | 2019-03-27 | 2020-10-01 | Butler William E | Reconstructing cardiac frequency phenomena in angiographic data |
EP3946030A4 (en) * | 2019-04-04 | 2022-12-28 | William E. Butler | OPTICAL CROSS-CORELATED WAVELET ANGIOGRAPHY WITH INTRINSIC CONTRAST |
CN114072068A (zh) * | 2019-06-14 | 2022-02-18 | 梅约医学教育与研究基金会 | 利用分离的超声数据子集进行超分辨率微血管成像 |
WO2021062396A1 (en) | 2019-09-26 | 2021-04-01 | Mayo Foundation For Medical Education And Research | Functional ultrasound imaging for spinal cord stimulation electrode guidance and stimulation parameter optimization |
CN110969618B (zh) * | 2019-12-18 | 2023-05-12 | 南京航空航天大学 | 一种基于动态超声造影的肝肿瘤血管生成定量分析方法 |
CN111190768B (zh) * | 2019-12-25 | 2020-10-16 | 中科驭数(北京)科技有限公司 | 数据库执行错误恢复方法、数据库访问方法及装置 |
CN112164020B (zh) * | 2020-03-31 | 2024-01-23 | 苏州润迈德医疗科技有限公司 | 精确提取血管中心线的方法、装置、分析***和存储介质 |
JP7496243B2 (ja) | 2020-06-03 | 2024-06-06 | 富士フイルムヘルスケア株式会社 | 画像処理装置及び画像処理方法。 |
CN114375178A (zh) * | 2020-06-16 | 2022-04-19 | 梅约医学教育与研究基金会 | 对微血管进行高空间和时间分辨率超声成像的方法 |
CN115969413B (zh) * | 2021-10-15 | 2024-07-09 | 青岛海信医疗设备股份有限公司 | 基于奇异值分解的超声彩色血流滤波方法 |
CN114098817A (zh) * | 2021-11-18 | 2022-03-01 | 西安建筑科技大学 | 一种高帧率超声图像血管壁运动细节追踪方法、***、设备和可读存储介质 |
CN114129190B (zh) * | 2021-11-30 | 2022-10-21 | 深圳先进技术研究院 | 全眼微血流的成像方法、装置及电子设备和存储介质 |
CN114424930B (zh) * | 2022-01-07 | 2024-02-27 | 煤炭科学研究总院有限公司 | 基于奇异值分解的超宽带uwb生命信号数据处理方法和装置 |
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 |
CN116269490B (zh) * | 2023-05-16 | 2023-07-28 | 汕头市超声仪器研究所股份有限公司 | 一种超声多普勒血流成像方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1636518A (zh) * | 2003-11-21 | 2005-07-13 | 通用电气公司 | 用于发送多波束的方法和设备 |
CN101744641A (zh) * | 2008-11-28 | 2010-06-23 | 李乾 | 超声波组织评价装置 |
CN102159137A (zh) * | 2008-09-16 | 2011-08-17 | 皇家飞利浦电子股份有限公司 | 利用体数据处理的3-d超声成像 |
EP2409647A1 (en) * | 2010-07-22 | 2012-01-25 | Samsung Medison Co., Ltd. | Ultrasound imaging device and method for clutter filtering |
CN102462508A (zh) * | 2010-11-08 | 2012-05-23 | 通用电气公司 | 用于超声成像的***和方法 |
CN103181780A (zh) * | 2011-12-27 | 2013-07-03 | 财团法人工业技术研究院 | 信号分析方法、超声波图像分析方法以及超声波成像*** |
CN103815933A (zh) * | 2014-02-20 | 2014-05-28 | 飞依诺科技(苏州)有限公司 | 基于rf数据超声成像处理方法及*** |
CN103860195A (zh) * | 2012-12-07 | 2014-06-18 | 三星麦迪森株式会社 | 使用体数据的超声诊断方法和超声诊断设备 |
CN103908289A (zh) * | 2012-12-31 | 2014-07-09 | Ge医疗***环球技术有限公司 | 消除剪切波中的背景噪声的方法和相应的超声成像*** |
CN103908304A (zh) * | 2014-03-14 | 2014-07-09 | 中瑞科技(常州)有限公司 | 一种超声弹性成像*** |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6120446A (en) * | 1998-12-17 | 2000-09-19 | Acuson Corporation | Diagnostic medical ultrasonic imaging system and method with adaptive gain |
US7542622B1 (en) | 2003-06-02 | 2009-06-02 | The Trustees Of Columbia University In The City Of New York | Spatio-temporal treatment of noisy images using brushlets |
CN100548224C (zh) * | 2004-08-31 | 2009-10-14 | 华盛顿州大学 | 利用超声检测内部狭窄以识别由其引起的组织振动的设备 |
GB0613739D0 (en) * | 2006-07-11 | 2006-08-23 | Univ Belfast | Improvements relating to the assessment of blood velocity signals |
KR101120791B1 (ko) * | 2009-11-16 | 2012-03-22 | 삼성메디슨 주식회사 | 클러터 필터링을 적응적으로 수행하는 초음파 시스템 및 방법 |
US20140039320A1 (en) * | 2011-03-31 | 2014-02-06 | Region Midtjylland | Ultrasonic system for assessing tissue substance extraction |
US8989465B2 (en) * | 2012-01-17 | 2015-03-24 | Mayo Foundation For Medical Education And Research | System and method for medical image reconstruction and image series denoising using local low rank promotion |
US9251604B2 (en) * | 2012-07-20 | 2016-02-02 | Samsung Electronics Co., Ltd. | Apparatus and method for generating tomography image |
US9560954B2 (en) | 2012-07-24 | 2017-02-07 | Endochoice, Inc. | Connector for use with endoscope |
US10456115B2 (en) * | 2013-04-22 | 2019-10-29 | Samsung Electronics Co., Ltd. | Ultrasound system and clutter filtering method thereof |
-
2017
- 2017-02-02 EP EP17756971.2A patent/EP3419516B1/en active Active
- 2017-02-02 CN CN201780013123.0A patent/CN108697354B/zh active Active
- 2017-02-02 WO PCT/US2017/016190 patent/WO2017146886A1/en active Application Filing
- 2017-02-02 US US16/079,289 patent/US11457890B2/en active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1636518A (zh) * | 2003-11-21 | 2005-07-13 | 通用电气公司 | 用于发送多波束的方法和设备 |
CN102159137A (zh) * | 2008-09-16 | 2011-08-17 | 皇家飞利浦电子股份有限公司 | 利用体数据处理的3-d超声成像 |
CN101744641A (zh) * | 2008-11-28 | 2010-06-23 | 李乾 | 超声波组织评价装置 |
EP2409647A1 (en) * | 2010-07-22 | 2012-01-25 | Samsung Medison Co., Ltd. | Ultrasound imaging device and method for clutter filtering |
CN102462508A (zh) * | 2010-11-08 | 2012-05-23 | 通用电气公司 | 用于超声成像的***和方法 |
CN103181780A (zh) * | 2011-12-27 | 2013-07-03 | 财团法人工业技术研究院 | 信号分析方法、超声波图像分析方法以及超声波成像*** |
CN103860195A (zh) * | 2012-12-07 | 2014-06-18 | 三星麦迪森株式会社 | 使用体数据的超声诊断方法和超声诊断设备 |
CN103908289A (zh) * | 2012-12-31 | 2014-07-09 | Ge医疗***环球技术有限公司 | 消除剪切波中的背景噪声的方法和相应的超声成像*** |
CN103815933A (zh) * | 2014-02-20 | 2014-05-28 | 飞依诺科技(苏州)有限公司 | 基于rf数据超声成像处理方法及*** |
CN103908304A (zh) * | 2014-03-14 | 2014-07-09 | 中瑞科技(常州)有限公司 | 一种超声弹性成像*** |
Also Published As
Publication number | Publication date |
---|---|
WO2017146886A1 (en) | 2017-08-31 |
EP3419516B1 (en) | 2020-12-16 |
US20190053780A1 (en) | 2019-02-21 |
EP3419516A4 (en) | 2019-10-09 |
CN108697354A (zh) | 2018-10-23 |
EP3419516A1 (en) | 2019-01-02 |
US11457890B2 (en) | 2022-10-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108697354B (zh) | 超声血流成像 | |
Ragesh et al. | Digital image denoising in medical ultrasound images: a survey | |
Xu et al. | Spatio-temporally smoothed coherence factor for ultrasound imaging [correspondence] | |
Huang et al. | Debiasing-based noise suppression for ultrafast ultrasound microvessel imaging | |
US11684345B2 (en) | System and method for visualization of tissue microvasculature using ultrasound | |
US11087466B2 (en) | Methods and system for compound ultrasound image generation | |
US20170301094A1 (en) | Image compounding based on image information | |
US20220292637A1 (en) | Methods for High Spatial and Temporal Resolution Ultrasound Imaging of Microvessels | |
CN114072068A (zh) | 利用分离的超声数据子集进行超分辨率微血管成像 | |
Lee et al. | Speckle reduction with edges preservation for ultrasound images: using function spaces approach | |
Ozgun et al. | Multidimensional clutter filtering of aperture domain data for improved blood flow sensitivity | |
Yan et al. | Regional-lag signed delay multiply and sum beamforming in ultrafast ultrasound imaging | |
US20230086332A1 (en) | High-Sensitivity and Real-Time Ultrasound Blood Flow Imaging Based on Adaptive and Localized Spatiotemporal Clutter Filtering | |
Resham et al. | Noise reduction, enhancement and classification for sonar images | |
Pialot et al. | A simplified and accelerated implementation of SVD for filtering ultrafast power Doppler images | |
CN110869799B (zh) | 用于处理超声图像的方法和*** | |
Tiruwa et al. | Comparing various filtering techniques for reducing noise in MRI | |
US20220091243A1 (en) | Systems and Methods for Ultrasound Attenuation Coefficient Estimation | |
Nguyen et al. | Improvements to ultrasonic beamformer design and implementation derived from the task-based analytical framework | |
US20210100524A1 (en) | Vector flow estimation in medical ultrasound using deep learning neural networks | |
Guo et al. | An Improved Spatio-Temporally Smoothed Coherence Factor Combined with Delay Multiply and Sum Beamformer. Electronics 2023, 12, 3902 | |
Wang et al. | Random matrix theory-based Wiener postfilter combined with eigenspace and spatial coherence-based minimum variance beamformer for coherent plane-wave adaptive compounding | |
Hourani | Fundamental and Harmonic Ultrasound Image Joint Restoration | |
Govor | Ultrasound Image Enhancement via Deconvolution | |
Khodadadi | Ultrasound elastography: Direct strain estimation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |