CN116650006A - 用于自动超声检查的***和方法 - Google Patents
用于自动超声检查的***和方法 Download PDFInfo
- Publication number
- CN116650006A CN116650006A CN202310052494.7A CN202310052494A CN116650006A CN 116650006 A CN116650006 A CN 116650006A CN 202310052494 A CN202310052494 A CN 202310052494A CN 116650006 A CN116650006 A CN 116650006A
- Authority
- CN
- China
- Prior art keywords
- segmentation
- image
- ultrasound
- view plane
- plane
- 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.)
- Pending
Links
- 238000002604 ultrasonography Methods 0.000 title claims abstract description 210
- 238000000034 method Methods 0.000 title claims abstract description 104
- 238000007689 inspection Methods 0.000 title abstract description 7
- 210000003484 anatomy Anatomy 0.000 claims abstract description 12
- 230000011218 segmentation Effects 0.000 claims description 183
- 238000005259 measurement Methods 0.000 claims description 29
- 210000003205 muscle Anatomy 0.000 claims description 26
- 238000012545 processing Methods 0.000 description 33
- 230000008569 process Effects 0.000 description 31
- 238000012285 ultrasound imaging Methods 0.000 description 27
- 239000000523 sample Substances 0.000 description 26
- 238000012549 training Methods 0.000 description 18
- 238000013528 artificial neural network Methods 0.000 description 17
- 238000009877 rendering Methods 0.000 description 16
- 210000003903 pelvic floor Anatomy 0.000 description 15
- 230000006870 function Effects 0.000 description 14
- 238000004891 communication Methods 0.000 description 6
- 238000013136 deep learning model Methods 0.000 description 5
- 238000002592 echocardiography Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 210000004197 pelvis Anatomy 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000004118 muscle contraction Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 239000013078 crystal Substances 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000002091 elastography Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 208000034693 Laceration Diseases 0.000 description 1
- 241000699666 Mus <mouse, genus> Species 0.000 description 1
- 241000699670 Mus sp. Species 0.000 description 1
- 241000228740 Procrustes Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 210000000601 blood cell Anatomy 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 208000013823 pelvic organ prolapse Diseases 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000002336 repolarization Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000011477 surgical intervention Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 210000003708 urethra Anatomy 0.000 description 1
- 210000001215 vagina Anatomy 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
- A61B8/46—Ultrasonic, sonic or infrasonic diagnostic devices with special arrangements for interfacing with the operator or the patient
- A61B8/467—Ultrasonic, sonic or infrasonic diagnostic devices with special arrangements for interfacing with the operator or the patient characterised by special input means
- A61B8/469—Ultrasonic, sonic or infrasonic diagnostic devices with special arrangements for interfacing with the operator or the patient characterised by special input means for selection of a region of interest
-
- 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
- A61B8/085—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving detecting or locating foreign bodies or organic structures for locating body or organic structures, e.g. tumours, calculi, blood vessels, nodules
-
- 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
- A61B8/0866—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving foetal diagnosis; pre-natal or peri-natal diagnosis of the baby
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/46—Ultrasonic, sonic or infrasonic diagnostic devices with special arrangements for interfacing with the operator or the patient
- A61B8/461—Displaying means of special interest
- A61B8/463—Displaying means of special interest characterised by displaying multiple images or images and diagnostic data on one display
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/46—Ultrasonic, sonic or infrasonic diagnostic devices with special arrangements for interfacing with the operator or the patient
- A61B8/461—Displaying means of special interest
- A61B8/466—Displaying means of special interest adapted to display 3D data
-
- 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
- A61B8/483—Diagnostic techniques involving the acquisition of a 3D volume of data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
- A61B8/5223—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for extracting a diagnostic or physiological parameter from medical diagnostic data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
- A61B8/523—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for generating planar views from image data in a user selectable plane not corresponding to the acquisition plane
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/44—Constructional features of the ultrasonic, sonic or infrasonic diagnostic device
- A61B8/4427—Device being portable or laptop-like
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
- G06T2207/10136—3D ultrasound image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Computer Graphics (AREA)
- Physiology (AREA)
- Gynecology & Obstetrics (AREA)
- Pregnancy & Childbirth (AREA)
- Vascular Medicine (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
提供了用于自动超声检查的方法和***。在一个示例中,一种方法包括:基于一个或多个3D超声图像识别感兴趣的视平面,从患者的超声数据的3D体积获得包括感兴趣的视平面的视平面图像,其中一个或多个3D超声图像由超声数据的3D体积生成,在视平面图像内分割感兴趣的解剖部位(ROI)以生成解剖ROI的轮廓,以及在视平面图像上显示轮廓。
Description
技术领域
本文所公开的主题的实施方案涉及超声成像,并且更具体地涉及自动的、基于超声的骨盆底检查。
背景技术
医学超声是采用超声波来探测患者身体的内部结构并产生对应图像的成像模态。例如,包括多个换能器元件的超声探头发射超声脉冲,这些超声脉冲会被身体中的结构反射或回传、折射或者吸收。然后超声探头接收所反射的回波,这些所反射的回波被处理成图像。内部结构的超声图像可被保存以供临床医生稍后分析从而有助于诊断和/或可以实时地或近实时地显示在显示设备上。
发明内容
在一个实施方案中,一种方法包括:基于一个或多个3D超声图像识别感兴趣的视平面,从患者的超声数据的3D体积获得包括感兴趣的视平面的视平面图像,其中一个或多个3D超声图像由超声数据的3D体积生成,在视平面图像内分割感兴趣的解剖部位(ROI)以生成解剖ROI的轮廓,以及在视平面图像上显示轮廓。
在单独或与附图联系时,本说明书的以上优势以及其他优势和特征将从以下具体实施方式中显而易见。应当理解,提供以上发明内容是为了以简化的形式介绍在具体实施方式中进一步描述的概念的选择。这并不意味着识别所要求保护的主题的关键或必要特征,该主题的范围由具体实施方式后的权利要求书唯一地限定。此外,所要求保护的主题不限于解决上文或本公开的任何部分中提到的任何缺点的实施方式。
附图说明
通过阅读以下详细描述并且参考附图,可以更好地理解本公开的各个方面,其中:
图1示出了超声***的实施方案的框图;
图2是示出了示例性图像处理***的框图;
图3示意性地示出了用于利用3D堆叠图像切片作为输入来生成识别感兴趣的视平面的2D分割掩模的示例过程;
图4示出了对应的感兴趣的视平面的示例输入图像和输出标识;
图5示意性地示出了用于生成和细化感兴趣的解剖部位的分割轮廓的示例过程;
图6示出了根据图5的过程生成的感兴趣的解剖部位的轮廓的示例;
图7为示出用于识别感兴趣的视平面的方法的流程图;
图8为示出用于生成感兴趣的解剖部位的轮廓的方法的流程图;并且
图9和图10示出了显示感兴趣的视平面和感兴趣的解剖部位的叠加轮廓的示例性用户界面。
具体实施方式
利用超声的骨盆底检查可用于评估骨盆底的健康,包括但不限于膀胱、肛提肌、尿道和***。基于超声的骨盆底检查可以帮助确定骨盆肌肉的完整性,并且确定包括外科手术干预在内的矫正措施的必要性。患者的完整骨盆底检查可包括具有2D和3D采集两者的一系列动态检查,其高度依赖于患者的参与(例如,由患者控制的肌肉运动)和操作者的专业性。例如,可以采集一个或多个3D渲染以观察感兴趣的解剖部位,然后可以采集一系列3D渲染,同时要求患者下推和/或收缩骨盆底肌肉。此外,检查包括对所采集图像的若干测量。因此,标准的骨盆底检查需要受过充分训练的操作者,并且对于患者和操作者二者来说可能是耗时且有心理负担的。
例如,测量可包括肛提肌裂孔的尺寸(例如,面积和侧向以及前-后直径),肛提肌裂孔是由肛提肌和下耻骨支形成的骨盆底中的开口。肛提肌裂孔的尺寸可在肌肉收缩和伸展期间(例如,在Valsalva动作期间)测量,用于评估肛提肌的结构完整性、可能的盆腔器官脱垂以及骨盆底肌肉的正常功能和强度。
在标准骨盆底检查期间,超声操作者可将超声探头保持在患者的给定部位上,同时患者执行屏气、收缩和/或下推骨盆底肌肉、或者执行其他活动。因此,图像质量可能因检查而异。此外,所成像的骨盆底肌肉的呈现可能因患者而异,因此受过充分训练的操作者可能是必要的,以确保(从作为超声数据的3D体积的一部分而采集的多个图像切片中)选择正确的图像切片(例如,显示最小裂孔尺寸的平面)用于分析。操作者可识别适当的初始体积图像(例如,来自3D体积的图像帧)、在所选体积图像中识别感兴趣的视平面(例如,最小裂孔尺寸的平面)、用肛提肌裂孔轮廓注解感兴趣的视平面、并且对肛提肌裂孔执行各种测量,诸如面积、周长、侧向直径和前-后直径。每个步骤可能是耗时的,如果低图像质量导致操作者必须重新采集某些图像或数据体积,则耗时问题可能进一步恶化。
因此,根据本文所公开的实施方案,可将基于人工智能的方法应用于骨盆底检查的自动化方面。如下文更详细地说明的,可在3D超声图像中自动识别感兴趣的视平面(例如,包括最小裂孔尺寸的平面)。一旦识别了感兴趣的视平面,可部署一组深度学***面上标记两个直径(例如,侧向和前-后直径),用于确定各种测量结果以及随后确定肛提肌的健康/完整性。当患者执行屏气、收缩骨盆底肌肉等时,可以重复该过程。这样做时,可通过提高骨盆检查的准确性和鲁棒性来改善临床结果,由于减少了检查和分析时间,可改善操作者和患者的体验,并且可减少对受过充分训练的操作者的依赖。
虽然本文给出的公开内容涉及骨盆底检查,其中在超声数据的体积内识别最小裂孔尺寸的平面,并且使用一组深度学习模型分割肛提肌裂孔以初始识别并且随后测量肛提肌裂孔的多个方面,但是本文提供的机制可应用于使依赖于从数据体积识别切片和/或分割感兴趣的解剖部位的其他医学成像检查自动化。
图1中示出了一种示例性超声***,该示例性超声***包括超声探头、显示设备和成像处理***。可经由超声探头采集超声数据,并且可在显示设备上显示由超声数据产生的超声图像(其可包括3D体积的2D图像、3D渲染和/或切片)。超声图像/体积可由图像处理***(诸如图2的图像处理***)进行处理以识别感兴趣的视平面、分割感兴趣的解剖部位(ROI)、以及基于解剖ROI的轮廓进行测量。图3示出了用于从体积超声数据集的所选3D图像识别感兴趣的视平面的过程,其示例在图4中示出。图5示出了用于分割解剖ROI(例如,肛提肌裂孔)并且生成解剖ROI的轮廓的过程,其示例在图6中示出。在图7中示出了用于识别感兴趣的视平面的方法,并且在图8中示出了用于生成解剖ROI的轮廓的方法。图9和图10示出了示例性图形用户界面,经由该图形用户界面可以显示视平面标识和对应的解剖ROI轮廓标识。
参见图1,示出了根据本公开的实施方案的超声成像***100的示意图。超声成像***100包括发射波束形成器101和发射器102,该发射器驱动换能器阵列(本文中称为探头106)内的元件(例如,换能器元件)104,以将脉冲超声信号(本文中称为发射脉冲)发射到身体(未示出)中。根据一个实施方案,探头106可以是一维换能器阵列探头。然而,在一些实施方案中,探头106可以是二维矩阵换能器阵列探头。如以下进一步解释的,换能器元件104可以由压电材料构成。当向压电晶体施加电压时,压电晶体会发生物理膨胀和收缩,从而发射超声波。这样,换能器元件104可将电子发射信号转换为声学发射波束。
在探头106的元件104将脉冲超声信号发射到(患者的)身体中之后,脉冲超声信号从身体内部的结构(如血细胞或肌肉组织)反射,以产生返回到元件104的回波。回波被元件104转换成电信号或超声数据,并且电信号被接收器108接收。表示所接收的回波的电信号穿过输出超声数据的接收波束形成器110。
通过发射操作产生的回波信号沿着发射的超声波束从位于连续距离处的结构反射。回波信号由每个换能器元件单独感测,并且在特定时间点处的回波信号幅值的样本表示在特定距离处发生的反射量。然而,由于反射点P与每个元件之间的传播路径的差异,因此不同时检测到这些回波信号。接收器108放大单独的回波信号,将计算出的接收时间延迟赋给每个回波信号,并且将它们求和以提供单个回波信号,该单个回波信号大致指示沿着以角度θ定向的超声波束从位于距离R处的点P反射的总超声能量。
在接收回波期间,每个接收信道的时间延迟持续变化以在距离R处提供接收的波束的动态聚焦,基于介质的假设声速假设回波信号从距离R处发出。
根据处理器116的指示,接收器108在扫描期间提供时间延迟,使得接收器108的转向追踪由发射器转向的波束的方向θ,并且在连续的距离R处对回波信号进行采样,以便提供时间延迟和相移来沿着波束在点P处动态聚焦。因此,超声脉冲波形的每次发射导致一连串数据点的采集,这些数据点表示从沿着超声波束定位的一连串对应点P反射的声量。
根据一些实施方案,探头106可包含电子电路来执行发射波束形成和/或接收波束形成的全部或部分。例如,发射波束形成器101、发射器102、接收器108和接收波束形成器110的全部或部分可位于探头106内。在本公开中,术语“扫描”或“扫描中”可也用于指通过发射和接收超声信号的过程来采集数据。本公开中,术语“数据”可以用于指称用超声成像***来采集的一个或多个数据集。用户界面115可用于控制超声成像***100的操作,包括用于控制患者数据(例如,患者病史)的输入、用于改变扫描或显示参数、用于启动探头复极化序列等。用户界面115可包括以下项中的一者或多者:旋转元件、鼠标、键盘、轨迹球、链接到特定动作的硬键、可被配置为控制不同功能的软键,以及显示在显示设备118上的图形用户界面。
超声成像***100还包括处理器116,该处理器用以控制发射波束形成器101、发射器102、接收器108和接收波束形成器110。处理器116与探头106进行电子通信(例如,通信地连接)。出于本公开的目的,术语“电子通信”可被定义为包括有线通信和无线通信两者。处理器116可以根据存储在处理器的存储器、和/或存储器120上的指令来控制探头106以采集数据。处理器116控制元件104中的哪些是活动的以及从探头106发射的波束的形状。处理器116还与显示设备118进行电子通信,并且处理器116可将数据(例如,超声数据)处理成图像以用于在显示设备118上显示。处理器116可以包括根据一个实施方案的中央处理器(CPU)。根据其他实施方案,处理器116可包括能够执行处理功能的其他电子部件,诸如数字信号处理器、现场可编程门阵列(FPGA)或图形板。根据其他实施方案,处理器116可包括能够执行处理功能的多个电子部件。例如,处理器116可包括从电子部件的列表中选择的两个或更多个电子部件,这些电子部件包括:中央处理器、数字信号处理器、现场可编程门阵列和图形板。根据另一实施方案,处理器116还可包括复合解调器(未示出),该复合解调器解调真实RF(射频)数据并生成复合数据。在另一个实施方案中,解调可以在处理链中较早地执行。处理器116适于根据数据上的多个可选超声模态来执行一个或多个处理操作。在一个示例中,可在扫描会话期间实时处理数据,因为回波信号被接收器108接收并且被发射至处理器116。出于本公开的目的,术语“实时”被定义为包括在没有任何有意延迟的情况下执行的过程。例如,一个实施方案可以7-20帧/秒的实时速率采集图像和/或可以合适的体积速率采集体积数据。超声成像***100能够以显著更快的速率获取一个或多个平面的2D数据。然而,应当理解,实时帧速率可取决于采集用于显示的每帧数据所花费的时间长度。因此,当采集相对大量的数据时,实时帧速率可能较慢。因此,一些实施方案可具有显著快于20帧/秒(或体积/秒)的实时帧速率或体积速率,而其他实施方案可具有低于7帧/秒(或体积/秒)的实时帧速率或体积速率。数据可在扫描会话期间临时存储在缓冲器(未示出)中,并且在实时或离线操作中以不太实时的方式处理。本发明的一些实施方案可包括多个处理器(未示出),以处理根据上文所述的示例性实施方案的由处理器116处理的处理任务。例如,在显示图像之前,可利用第一处理器来解调和抽取RF信号,同时可使用第二处理器来进一步处理数据(例如,通过如本文进一步描述的那样扩充数据)。应当理解,其他实施方案可使用不同的处理器布置方式。
超声成像***100可以例如10Hz至30Hz(例如,每秒10帧至30帧)的帧速率或体积速率连续采集数据。从数据生成的图像(其可以是2D图像或3D渲染)可在显示设备118上以类似帧速率刷新。其他实施方案能够以不同速率采集并且显示数据。例如,一些实施方案可根据帧的大小和预期的应用,以小于10Hz或大于30Hz的帧速率或体积速率采集数据。包括存储器120,以用于存储经处理的采集数据的帧或体积。在示例性实施方案中,存储器120具有足够的容量来存储至少几秒钟的超声数据帧或体积。数据帧或体积以便于根据其采集顺序或时间对其进行检索的方式存储。存储器120可包括任何已知的数据存储介质。
在本发明的各种实施方案中,处理器116可通过不同的模式相关模块(例如,B模式、彩色多普勒、M模式、彩色M模式、频谱多普勒、弹性成像、TVI、应变、应变速率等)来处理数据,以形成2D或3D数据。例如,一个或多个模块可生成B模式、彩色多普勒、M模式、彩色M模式、频谱多普勒、弹性成像、TVI、应变、应变速率以及它们的组合等。作为一个示例,一个或多个模块可处理彩色多普勒数据,其可包括传统彩色血流多普勒、功率多普勒、HD流,等等。图像线、帧和/或体积存储在存储器中,并且可包括指示图像线、帧和/或体积存储在存储器中的时间的定时信息。这些模块可包括例如扫描转换模块以执行扫描转换操作,以将所采集的数据从波束空间坐标转换成显示空间坐标。可以提供视频处理器模块,该视频处理器模块从存储器读取所采集的图像并且在对患者执行规程(例如,超声成像)时实时显示图像。视频处理器模块可包括单独的图像存储器,并且超声图像可被写入图像存储器以便由显示设备118读取和显示。
在本公开的各种实施方案中,超声成像***100的一个或多个部件可以包括在便携手持式超声成像设备中。例如,显示设备118和用户界面115可以集成到手持式超声成像设备的外部表面中,该手持式超声成像设备可还包括处理器116和存储器120。探头106可以包括与手持式超声成像设备进行电子通信以收集原始超声数据的手持式探头。发射波束形成器101、发射器102、接收器108和接收波束形成器110可以包括在超声成像***100的相同或不同部分中。例如,发射波束形成器101、发射器102、接收器108和接收波束形成器110可以包括在手持式超声成像设备、探头以及它们的组合中。
在执行二维或三维超声扫描之后,生成包括扫描线和它们的样本的数据块(其可以是二维或三维的)。在应用后端滤波器之后,执行称为扫描转换的过程,以将数据块变换成具有另外的扫描信息(诸如每条扫描线的深度、角度等)的可显示位图图像。在扫描转换期间,应用内插技术来填充所得图像中的丢失的孔(即,像素)。出现这些丢失的像素是因为块的每个元素通常会覆盖所得图像中的许多像素。例如,在当前超声成像***中,应用了双三次插值,该双三次插值利用了块的相邻元素。因此,如果与位图图像的大小相比,块相对较小,则经扫描转换图像将包括分辨率低于最优或分辨率低的区域,特别是对于深度较大的区域。
参考图2,示出了根据示例性实施方案的图像处理***202。在一些实施方案中,图像处理***202结合到超声成像***100中。例如,图像处理***202可作为处理器116和存储器120设置在超声成像***100中。在一些实施方案中,图像处理***202的至少一部分包括在经由有线连接和/或无线连接通信地耦接到超声成像***的设备(例如,边缘设备、服务器等)中。在一些实施方案中,图像处理***202的至少一部分包括在单独的设备(例如,工作站)中,该单独的设备可从超声成像***或从存储由超声成像***生成的图像/数据的存储设备接收超声数据(诸如图像/3D体积)。图像处理***202可以可操作地/通信地耦接到用户输入设备232和显示设备234。在一个示例中,用户输入设备232可包括超声成像***100的用户界面115,而显示设备234可包括超声成像***100的显示设备118。
图像处理***202包括处理器204,该处理器被配置为执行存储在非暂态存储器206中的机器可读指令。处理器204可以是单核或多核处理器,并且在其上执行的程序可被配置用于并行处理或分布式处理。在一些实施方案中,处理器204可任选地包括遍布于两个或更多个设备中的单独部件,这些单独部件可远程定位和/或被配置用于协同处理。在一些实施方案中,处理器204的一个或多个方面可被虚拟化并且由在云计算配置中配置的可远程访问的联网计算设备来执行。
非暂态存储器206可存储视平面模型207、分割模型208、轮廓细化模型210、超声图像数据212和训练模块214。
视平面模型207、分割模型208和轮廓细化模型210中的每一者可包括一个或多个机器学***面模型207、分割模型208和轮廓细化模型210中的每一者可包括受过训练的神经网络和/或未受过训练的神经网络,并且还可以包括与存储在其中的一个或多个神经网络模型相关联的训练例程或参数(例如,权重和偏差)。
视平面模型207因此可包括一个或多个机器学***面。如将在下文更详细地说明的,在骨盆检查期间,感兴趣的视平面可以是包括最小裂孔尺寸(MHD)的视平面,称为MHD平面。视平面模型207可接收超声数据体积的所选帧并处理所选帧以识别超声数据体积内的MHD平面。视平面模型207可包括混合神经网络(例如,卷积神经网络(CNN))架构,其包括3D卷积层、展平层和2D神经网络(例如,诸如UNet的CNN)。视平面模型207可输出2D分割掩模,其识别感兴趣的视平面在超声数据体积内的位置。
分割模型208可包括一个或多个机器学***面模型207识别的视平面(例如,MHD平面)的图像。分割模型208可处理输入超声图像以输出识别在输入超声图像中的解剖ROI的分割(例如,掩模)。然而,考虑到患者间解剖特征的尺寸和形状的可变性,一些解剖特征,诸如肛提肌裂孔,可能难以以精确的方式准确地识别。因此,将分割模型208的初始分割输出用作引导,以将预定模板映射到给定超声图像中的解剖ROI以形成经调整的分割模板,该经调整的分割模板可作为输入被输入到轮廓细化模型210。
轮廓细化模型210可包括一个或多个机器学习模型,诸如神经网络,其被配置为处理输入超声图像(例如,用作分割模型的输入的相同图像)和经调整的分割模板,用于更准确地识别输入超声图像中的解剖ROI。所识别的解剖ROI(例如,轮廓细化模型210的分割输出)可用于生成解剖ROI的边界/轮廓,然后可以评估该边界/轮廓以测量解剖ROI的多个方面。
超声图像数据212可包括可从其生成3D渲染和2D图像/切片的由图1的超声成像***100或另一超声成像***捕获的2D图像和/或3D体积数据。超声图像数据212可包括B模式图像、多普勒图像、彩色多普勒图像、M模式图像等和/或它们的组合。作为超声图像数据212的一部分保存的图像和/或体积超声数据可用于训练视平面模型207、分割模型208和/或轮廓细化模型210,如下文更详细地说明的,和/或被输入到视平面模型207、分割模型208和/或轮廓细化模型210中以生成用于执行自动超声检查的输出,如下文将关于图7和图8更详细地说明的。
训练模块214可包括用于训练存储在视平面模型207、分割模型208、和/或轮廓细化模型210中的一个或多个深度神经网络的指令。在一些实施方案中,训练模块214包括用于实现一个或多个梯度下降算法、应用一个或多个损失函数和/或训练例程以用于调整视平面模型207、分割模型208、和/或轮廓细化模型210的一个或多个深度神经网络的参数的指令。在一些实施方案中,训练模块214包括用于从超声图像数据212智能地选择训练数据对的指令。在一些实施方案中,训练数据对包括输入数据和基准真相数据对。输入数据可包括一个或多个超声图像。例如,为了训练视平面模型207,对于每对输入数据和基准真相数据,输入数据可包括从超声数据的体积中选择的一组3D超声图像(例如,三个或更多个3D超声图像,诸如九个3D超声图像)。对于每组3D超声图像,用于训练视平面模型207的对应的基准真相数据可包括指示感兴趣的视平面在超声数据体积内的位置的分割掩模(例如,由专家生成)。视平面模型207可基于视平面模型输出的每个分割掩模与对应的基准真相分割掩模之间的损失函数来更新。
为了训练分割模型208,对于每对输入数据和基准真相数据,输入数据可包括感兴趣的视平面的超声图像。对应的基准真相数据可包括在感兴趣的视平面的超声图像内的解剖ROI的专家标记的分割。分割模型208可基于分割模型输出的每个分割与对应的基准真相分割之间的损失函数来更新。
为了训练轮廓细化模型210,对于每对输入数据和基准真相数据,输入数据可以包括感兴趣的视平面的超声图像和在超声图像内的解剖ROI的经调整的分割模板(例如,使用模型208的分割输出变换的模板,如上文所说明的),并且对应的基准真相数据可包括在感兴趣的视平面的超声图像内的解剖ROI的专家标记的分割。在一些示例中,可训练和验证分割模型,然后可使用用于训练轮廓细化模型的训练图像来部署分割模型,用于生成各自用于调整模板分割的多个分割。这些经调整的分割模板可与训练图像一起用作输入,用于训练轮廓细化模型。轮廓细化模型210可基于轮廓细化模型输出的每个分割与对应的基准真相分割之间的损失函数来更新。分割模型208的输出(分割)可用作引导图,以将肛提肌裂孔的预定(和固定)模板定位到所考虑的超声图像。期望匹配的模板用作对轮廓细化模型210的附加引导输入,该轮廓细化模型还将初始超声图像作为输入。对应的基准真相数据可包括在感兴趣的视平面的超声图像内的解剖ROI的专家标记的分割。轮廓细化模型210可基于轮廓细化模型输出的每个分割与对应的基准真相分割之间的损失函数来更新。对所得分割输出执行形态学操作以进一步平滑和细化轮廓。
分割模型208和轮廓细化模型210可以是彼此独立地经训练的独立模型/网络。例如,分割模型208的神经网络可具有与轮廓细化模型210的神经网络不同的权重/偏差。此外,虽然在一些示例中可使用分割模型208的输出来训练轮廓细化模型210,但是可以独立于分割模型208来训练轮廓细化模型210,因为轮廓细化模型210可使用与分割模型208不同的损失函数和/或在轮廓细化模型210的训练期间应用的损失函数不直接考虑来自分割模型208的输出。
在一些实施方案中,非暂态存储器206可包括有包括在可远程定位和/或被配置用于协调处理的两个或更多个设备中的部件。例如,存储作为超声图像数据212的一部分的图像中的至少一些图像可存储在图像档案诸如图片归档和通信***(PACS)中。在一些实施方案中,非暂态存储器206的一个或多个方面可包括在云计算配置中配置的可远程访问的联网存储设备。
在一些实施方案中,训练模块214不设置在图像处理***202处,并且可以在外部设备上训练视平面模型207、分割模型208和/或轮廓细化模型210。因此,在图像处理***202上的视平面模型207、分割模型208和/或轮廓细化模型210包括经过训练和验证的网络。
用户输入设备232可包括触摸屏、键盘、鼠标、触控板、运动感测相机或被配置为使得用户能够与图像处理***202内的数据交互并操纵该数据的其他设备中的一者或多者。在一个示例中,用户输入设备232可使得用户能够选择视平面厚度,并且启动用于经由视平面模型207自动识别视平面、经由分割模型208和轮廓细化模型210分割感兴趣的部位,以及基于分割执行自动测量的工作流。
显示设备234可包括利用几乎任何类型的技术的一个或多个显示设备。在一些实施方案中,显示设备234可包括计算机监视器,并且可显示超声图像。显示设备234可与处理器204、非暂态存储器206和/或用户输入设备232一起组合在共享壳体中,或者可以是***显示设备,并且可包括监视器、触摸屏、投影仪或本领域中已知的其他显示设备,这些显示设备可使得用户能够查看由超声成像***产生的超声图像和/或与存储在非暂态存储器206中的各种数据进行交互。
应当理解,图2所示的图像处理***202是出于说明而非限制的目的。另一种合适的图像处理***可以包括更多、更少或不同的部件。
图3示意性地示出了用于使用视平面模型(诸如图2的视平面模型207)来识别感兴趣的视平面的过程300。作为自动超声检查(诸如自动骨盆检查)的一部分,过程300可根据存储在计算设备的存储器(例如图像处理***202的存储器206)中的指令来执行。如上文关于图2所说明的,视平面模型可以取多个3D图像作为输入以便生成分割掩模,该分割掩模识别在超声数据体积内的感兴趣的视平面的位置。因此,过程300包括从超声数据的体积302中选择多个3D图像304。可利用定位成对解剖邻域进行成像的超声探头来采集体积302,该解剖邻域包括在感兴趣的视平面中可见的解剖ROI。例如,当在骨盆检查期间应用过程300时,解剖邻域可包括患者的骨盆,并且解剖ROI可包括在最小裂孔尺寸的平面(例如,MHD平面)中观察到的肛提肌裂孔。
多个3D图像304中的每个图像可对应于超声数据的不同切片(切片在高程平面中延伸,高程平面可称为矢状平面),并且每个切片可定位在沿着方位方向的不同位置处,而感兴趣的视平面可在方位方向上延伸(例如,在轴向平面中),并且因此包括来自多个3D图像中的每个图像的超声数据。可根据合适的过程选择多个3D图像304。例如,可自动选择(例如,通过计算设备)多个3D图像304。在一些示例中,可基于识别对视平面在体积302内的位置的初始估计的用户输入来选择多个3D图像304。例如,超声探头的操作者可输入指示所选3D超声图像内的感兴趣的视平面的位置的用户输入。计算设备然后可基于用户指定的感兴趣的视平面的位置和/或由用户选择的3D图像来选择多个3D图像304。例如,多个3D图像304可包括由用户选择的3D图像以及在由用户选择的3D图像附近的一个或多个附加3D图像(例如,与由用户选择的3D图像相邻的切片)。虽然图3示出了从体积302中选择的三个3D超声图像,但是应当理解,可以选择多于三个3D图像(例如,5个图像、9个图像等)。
将多个3D图像304组合成堆叠的3D图像集合306。多个3D图像可被拼接或组合成多个层,以形成堆叠的3D图像集合306。作为输入,将堆叠的3D图像集合306输入到视平面模型307,其为图2的视平面模型207的非限制性示例。视平面模型307包括3D卷积层集合308。作为输入,将堆叠的3D图像集合306输入到3D卷积层集合308,其中可以对堆叠的3D图像集合306执行多轮(例如,两轮或三轮)3D卷积。将来自3D卷积层集合308的输出(其可为3D张量)传递到展平层310,该展平层将输出展平为2D,从而形成2D张量。随后将来自展平层310的输出(例如,2D张量)输入到2D神经网络312中,本文为2D UNet。2D神经网络312输出2D分割掩模314。2D分割掩模314指示感兴趣的视平面相对于多个3D图像304中的一个3D图像的位置。在如图3所示的具体示例中,2D分割掩模314示出了体积302内的MHD平面的位置(例如,跨掩模延伸的浅灰色线)、以及相关解剖特征的位置(例如,肛提肌和下耻骨支,由掩模上的较浅的灰色标记和白色标记示出)。通过使用如图3所示的混合架构(例如,3D卷积层和2D神经网络的相对小的集合),可以使用3D输入,同时减少完整3D神经网络所需的处理和/或存储。
图4示出了示例3D图像400,其包括多个未标记的3D图像402和多个标记的3D图像404,示出了如根据从本文所述的视平面模型的2D分割掩模输出所确定的,感兴趣的视平面相对于每个3D图像的位置。多个未标记的3D图像402可以是来自相同解剖邻域(例如,不同患者的骨盆)的不同体积的切片。作为输入,如上所述将来自每个体积的图像输入到视平面模型,该视平面模型输出相应的2D分割掩模,其可应用于生成在多个标记的3D图像404中示出的标记。例如,第一3D图像406可以是(作为输入)输入到视平面模型的体积的一个3D图像,该视平面模型可输出识别感兴趣的视平面的分割掩模。感兴趣的视平面由叠加在第一3D图像406的标记版本407上的视平面指示符408示出。除了示出感兴趣的视平面的位置之外,视平面指示符408还可以指示将用于生成可以被示出的感兴趣的视平面的3D图像的切片厚度(例如,视平面指示符408的两条线之间的距离可以指示厚度),如下文更详细地说明的。
以这种方式,视平面模型可识别超声数据体积内的感兴趣的视平面(例如,MHD平面)。一旦识别了感兴趣的视平面,该视平面的3D图像可以被渲染并用于在自动超声检查中的进一步处理。相比之下,先前的手动超声检查可要求操作者通过将渲染框应用于图像来识别在所选3D图像(例如,第一3D图像406)上的感兴趣的视平面的位置,诸如通过绘制包围视平面的位置的框。如从图4所示的视平面指示符408和其他视平面线所了解到的,感兴趣的视平面可能不以直线延伸,因此使用矩形框识别视平面的过程可能易于出错和/或需要过多的用户时间和努力来正确地放置渲染框。相比之下,视平面模型可将视平面识别为以通过视平面在体积内的位置所规定的任何角度延伸的线,这可为更准确的,并且对用户的要求更低。
图5示出了用于使用分割模型和轮廓细化模型(诸如图2的分割模型208和轮廓细化模型210),在感兴趣的视平面的图像内分割解剖ROI的过程500。作为自动超声检查(诸如自动骨盆检查)的一部分,过程500可根据存储在计算设备的存储器(诸如图像处理***202的存储器206)中的指令来执行。如上所述,可从超声数据的体积提取感兴趣的视平面的图像,诸如图像502,其在所示的示例中是MHD平面的图像。图像502可以是2D图像,如图所示。然而,在一些示例中,图像502可以是3D渲染。作为输入,将图像502输入到504处的分割模型(例如,分割模型208)。作为骨盆检查的一部分,执行如图5所示的过程500的示例,并且因此可训练分割模型以分割图像502中的肛提肌裂孔。分割模型可输出解剖ROI(本文为肛提肌裂孔)的初始分割506。然而,一些解剖部位(诸如肛提肌裂孔)可能表现出因患者而异的外观。此外,周围的解剖特征可能导致难以使用典型的分割模型来正确识别解剖ROI的总体形状。因此,初始分割506可用于校正模板分割508。模板分割508可从解剖ROI的多个先前的分割生成,并且可以表示解剖ROI的平均或理想的形状和尺寸。例如,初始分割506用于利用变换矩阵来映射预定(如上所述)模板分割508。映射可以产生已经在长度、宽度和/或形状方面(例如,可填充被其他组织遮挡的解剖ROI的区域)而非在其他方面(例如,可保持歪斜、旋转等)经调整(基于初始分割)的经校正分割模板。
经校正的分割模板可作为输入,与图像502一起被输入在510处的轮廓细化模型(例如,图2的轮廓细化模型210),其中轮廓细化模型经训练以输出解剖ROI的细化分割512,其可用于生成可叠加在图像上的解剖ROI的轮廓(例如,边界)。例如,示出了图像502的标记版本514,包括被描绘为在图像的标记版本514上的叠加的解剖ROI的轮廓516。轮廓可用于测量解剖ROI的一个或多个方面,诸如直径、周长、面积等。
图6示出了解剖ROI的多个示例图像600,本文为如MHD平面中所示的肛提肌裂孔。多个示例图像600包括第一图像602,其可以是第一患者的超声数据的体积的MHD平面的2D图像或3D渲染。第一图像602可作为输入,被输入分割模型和轮廓细化模型,如上文关于图5所说明的。轮廓细化模型的输出可用于生成叠加在第一图像602的标记版本604上的轮廓606。除了轮廓606之外,还可以将线在前-后方向和侧向方向上置于最大直径处。多个示例图像600包括第二图像608,其可以是第二患者的超声数据的体积的MHD平面的2D图像或3D渲染。第二图像608可作为输入,被输入分割模型和轮廓细化模型,如上文关于图5所说明的。轮廓细化模型的输出可用于生成叠加在第二图像608的标记版本610上的轮廓612。如通过比较轮廓606与轮廓612所了解到的,不同的患者可表现出解剖ROI的形状和尺寸的差异,并且因此由分割模型输出的初始分割的映射,以及经由轮廓细化模型,使用经校正的分割模板对解剖ROI的边界的重新识别致使能够更准确地确定解剖ROI的边界,并且因此能够更准确地测量解剖ROI。
图7是示出了根据本公开的实施方案,用于识别在超声数据的一个或多个体积中的感兴趣的视平面的示例性方法700的流程图。方法700是参考图1-图2的***和部件描述的,但应当理解,方法700可在不脱离本公开的范围的情况下用其他***和部件来实现。方法700可根据存储在诸如图2的图像处理***202的计算设备的非暂态存储器中的指令来执行。在一个非限制性示例中,可根据方法700执行图3的过程300。
在702处,方法700包括采集患者的超声数据。可用超声探头(例如图1的超声探头106)采集超声数据。可处理超声数据以生成可以在显示设备(例如,显示设备118)上显示的一个或多个可显示图像。可处理超声数据以生成2D图像和/或3D渲染,它们可以在采集图像时实时显示和/或可以响应于用户输入以更持久的方式显示(例如,在给定图像上的冻结指示)。在704处,接收用户输入,其在所选的显示的超声图像帧上指定感兴趣的视平面和感兴趣的视平面的期望切片厚度。例如,如上所述,超声探头的操作者可根据检查工作流执行患者检查,该检查工作流指示待进行的解剖ROI的某些测量,诸如在骨盆检查期间对肛提肌裂孔的测量。解剖ROI可在难以由标准2D超声成像生成的视平面中延伸,并且因此检查工作流可包括在体积(例如,3D)超声数据集中的视平面的自动识别。操作者可通过在所选超声图像上提供视平面的长度和切片厚度的指示来触发视平面的自动识别。例如,用户可沿着当前显示的超声图像画线,指示感兴趣的视平面的长度。用户还可经由用户输入指定感兴趣的视平面的渲染的期望最终切片厚度。用户所画的线和识别的切片厚度可用于触发4D采集并且在4D采集(例如,随时间推移的体积采集)的第一帧上识别感兴趣的视平面。
在706处,方法700包括在患者处于第一状况时采集体积超声数据。诸如骨盆检查的一些检查工作流可以规定在患者执行肌肉收缩、放松、屏气或其他动作的同时对患者的解剖邻域(例如,骨盆)进行成像。因此,操作员可控制超声探头以采集解剖邻域的体积超声数据集,同时指导患者呈现/保持第一状况,该第一状况例如可以是诸如Valsalva动作的屏气。
在708处,一旦已经采集了体积超声数据集,就将体积超声数据的所选帧作为输入,输入到视平面模型中,诸如图2的视平面模型207。所选帧可包括多于一帧的合适数目的帧(例如,3、6、9或其他合适数目)。如前文关于图3所说明的,所选的超声帧(其为3D图像)被堆叠,并且作为联合输入被输入到3D卷积层集合的输入层,其可对输入图像执行一系列3D卷积并将3D张量从卷积层输出到可将3D张量展平成2D张量的展平层。然后使2D张量通过输出2D分割掩模的2D神经网络。在710处,接收2D分割掩模作为来自视平面模型的输出。2D分割掩模可指示感兴趣的视平面相对于所选超声帧中的一帧的位置。当患者检查为如本文所述的骨盆检查时,2D分割掩模可以指示MHD平面的位置以及限定MHD平面的解剖特征(例如,肛提肌)的位置,如在712处所指示的。
在714处,可将视平面的位置(如由2D分割掩模所识别的位置)显示为叠加在所选的超声图像帧中的一个所选的超声图像帧上的视平面指示符。以这种方式,操作者可查看识别的感兴趣的视平面的位置。如果操作者不同意识别的感兴趣的视平面的位置,那么操作者可输入用户输入(例如,根据需要移动视平面指示符),并且方法700可包括在716处基于所输入的用户输入来调整视平面。
在718处,方法700确定检查工作流是否包括另外的患者状况。例如,在第一患者状况之后,检查工作流可规定在患者处于与第一状况不同的第二状况(例如,肌肉收缩)时采集超声数据的新体积。如果工作流包括尚未被成像的另外的患者状况,则方法700进行至720以在患者处于下一状况时采集体积超声数据。在患者处于下一状况时的体积数据采集可包括:在采集体积数据之前,接收指定所选图像上的视平面长度和期望切片厚度的用户输入。用户输入可触发下一次体积采集。然后,方法700循环回到708,并且重复在新采集的体积超声数据集中对感兴趣的视平面的识别。如果相反地在718处确定工作流不包括另外的患者状况(例如,所有患者状况已经被成像)和/或检查完成,则方法700结束。
图8是示出根据本公开的实施方案,用于识别视平面图像中的解剖ROI的示例性方法800的流程图。方法800是参考图1-图2的***和部件描述的,但应当理解,方法800可在不脱离本公开的范围的情况下用其他***和部件来实现。方法800可根据存储在诸如图2的图像处理***202的计算设备的非暂态存储器中的指令来执行。在一个非限制性示例中,可根据方法800执行图5的过程500。
在802处,方法800包括获取视平面图像。可通过基于由视平面模型(诸如视平面模型207)输出的掩模从体积超声数据集提取视平面图像,来获得视平面图像。可以基于作为上述方法700的一部分输出的2D分割掩模中的一者,来提取视平面图像。例如,体积超声数据集可以是作为方法700的一部分,在患者处于第一状况时采集的体积超声数据集。2D分割掩模可指示感兴趣的视平面在体积超声数据内的位置,该感兴趣的视平面可以是如上所述的MHD平面。可通过从位于由2D分割掩模识别的平面中的体积超声数据集提取超声数据,以及如由用户指定的切片厚度所指示的与平面相邻(例如,上方和下方)的超声数据(如上文关于图7所说明的),来提取视平面图像。至少在一些示例中,视平面图像可以是感兴趣的视平面的3D渲染。在其他示例中,视平面图像可以是2D图像。
在804处,将视平面图像作为输入,输入到分割模型,诸如分割模型208。分割模型可以是深度学***面图像内的解剖ROI(诸如肛提肌裂孔)的分割。在一些示例中,深度学***均形状和/或尺寸。例如,用于训练分割模型的训练数据可包括基准真相数据,其包括多名患者的专家标记的图像,其中标记指示每个图像中解剖ROI的边界。由专家生成的标记/边界可使用合适的方法(诸如普氏分析(Procrustes analysis))进行平均,以识别解剖ROI的平均形状。初始分割可用于利用变换矩阵来调整预定模板。模板可以如由在x方向和y方向上的初始分割所指示的那样进行调整(例如,被拉伸和/或被挤压),但是可以不被旋转或者具有应用的其他更复杂的变换。一旦基于分割调整了模板,就形成经调整的分割模板。
在810处,将视平面图像和经调整的分割模板作为输入,输入到轮廓细化模型(例如,图2的轮廓细化模型210)。作为轮廓细化模型的输入,输入的视平面图像是初始作为分割模型的输入而输入的相同视平面图像。可训练轮廓细化模型以不仅使用视平面图像而且使用经调整的分割模板来输出在视平面图像内的解剖ROI的分割,这可以导致比由分割模型输出的初始分割更准确的分割。在812处,接收解剖ROI的细化分割作为来自轮廓细化模型的输出。在一些示例中,可对细化分割执行一个或多个精细形态学操作,以进一步平滑细化分割的轮廓。
在814处,从细化分割生成的轮廓显示为在视平面图像上的叠加。轮廓可以是细化分割的边界。通过将轮廓显示为在视平面图像上的叠加(其中轮廓与视平面图像内的解剖ROI对准,使得轮廓标记解剖ROI的边界),查看视平面图像的超声***的操作者或其他临床医生可以确定轮廓是否准确并且是否足以限定视平面图像内的解剖ROI。
在816处,可以基于轮廓执行一个或多个测量。例如,可以基于轮廓自动测量解剖ROI的面积、周长、直径。为了测定直径,可以跨轮廓设置一个或多个测量线,例如,可以将第一测量线置于轮廓的最长段处,并且可以将第二测量线置于轮廓的最宽段处。可显示测量结果用于用户检查和/或作为患者检查的一部分保存。
在818处,方法800确定是否有另外的体积可用于分析。如前文所述,在骨盆检查期间,可以在不同患者状况下采集多个超声数据的体积。如果另外的超声数据的体积可用于分析(例如,在第二状况期间采集的第二体积超声数据集,如上文关于图7所说明的),则方法800进行到820以前进到下一体积,然后方法800循环回到802以从下一体积提取视平面图像、识别下一体积的视平面图像内的解剖ROI、并且执行下一体积的视平面图像内的解剖ROI的一个或多个测量。以这种方式,可以跨多个患者状况评估解剖ROI的尺寸或其他测量结果。如果相反地在818处确定没有更多的体积可用于评估(例如,已经评估了每个采集的体积),则方法800结束。
图9和图10示出了可以在根据方法700和方法800执行的自动超声检查期间显示的示例图形用户界面(GUI)。图9示出了可以在患者的自动骨盆检查的第一部分期间显示的第一示例GUI 900。第一示例GUI 900包括第一3D超声图像902。第一3D超声图像可以是在患者处于第一状况时采集的第一体积超声数据集的正中矢状切片。第一视平面指示符904显示为在第一3D超声图像902上的叠加。第一视平面指示符904可指示感兴趣的视平面相对于第一3D超声图像902的位置,其中基于来自视平面模型的输出来识别感兴趣的视平面的位置。还显示了第一切片厚度线906。第一切片厚度线906可指示基于感兴趣的视平面的位置从第一体积数据集渲染的第一视平面图像的切片厚度。在示出的示例中,感兴趣的视平面为MHD平面。
第一示例GUI 900还包括第一视平面图像910,其是来自第一体积超声数据集的数据的轴向切片的3D渲染,其中切片在由第一视平面指示符904限定的视平面中延伸,并且具有由第一切片厚度线906限定的厚度。第一视平面图像910包括作为叠加的第一轮廓912以及两条测量线,该第一轮廓示出根据分割模型和轮廓细化模型的输出所确定的解剖ROI(本文为肛提肌裂孔)的边界。解剖ROI的边界和测量线可用于生成解剖ROI的测量结果,其在第一测量框914中示出。如图所示,第一体积超声数据集中的解剖ROI具有第一面积(例如,26.5cm2)、第一前-后(AP)直径(例如,72.3mm)、和第一侧向(侧向)直径(例如,48.1mm)。
图10示出了可以在自动骨盆检查的第二部分期间显示的第二示例GUI920。第二示例GUI 920包括第二3D超声图像922。第二3D超声图像可以是在患者处于第二状况时采集的第二体积超声数据集的正中矢状切片。第二视平面指示符924显示为在第二3D超声图像922上的叠加。第二视平面指示符924可指示感兴趣的视平面相对于第二3D超声图像922的位置,其中基于来自视平面模型的输出来识别感兴趣的视平面的位置。还显示了第二切片厚度线926。第二切片厚度线926可指示基于感兴趣的视平面的位置从第二体积数据集渲染的第二视平面图像的切片厚度。在示出的示例中,感兴趣的视平面为MHD平面。因为第二示例GUI 920示出了与第一体积超声数据集不同的第二体积超声数据集的图像,所以第二视平面指示符924可以以与第一视平面指示符904不同的角度、从不同的起点等延伸,假定感兴趣的视平面在第一体积超声数据集与第二体积超声数据集中位于不同位置。以这种方式,可以在不同状况期间显示相同的解剖ROI。
第二示例GUI 920还包括第二视平面图像930,其是来自第二体积超声数据集的数据的轴向切片的3D渲染,其中切片在由第二视平面指示符924限定的视平面中延伸,并且具有由第二切片厚度线926限定的厚度。第二视平面图像930包括作为叠加的第一轮廓932以及两条测量线,该第二轮廓示出根据分割模型和轮廓细化模型的输出所确定的解剖ROI(本文为肛提肌裂孔)的边界。解剖ROI的边界和测量线可用于生成解剖ROI的测量结果,其在第二测量框934中示出。如图所示,第二体积超声数据集中的解剖ROI具有第二面积(例如,23.8cm2)、第二AP直径(例如,63.7mm)和第二侧向直径(例如,49.6mm)。
执行包括使用视平面模型自动识别在超声数据体积内的感兴趣的视平面的自动超声检查的技术效果在于,与手动识别感兴趣的视平面相比,可以更准确且更快速地识别感兴趣的视平面。执行包括使用两个独立分割模型和经调整的分割模板来分割解剖ROI的自动超声检查的另一技术效果在于,可以快速地且以比依赖于标准的单个分割模型更准确的方式来识别解剖ROI。
本公开还提供对方法的支持,包括:基于一个或多个3D超声图像识别感兴趣的视平面,从患者的超声数据的3D体积获得包括感兴趣的视平面的视平面图像,其中一个或多个3D超声图像由超声数据的3D体积生成,在视平面图像内分割感兴趣的解剖部位(ROI)以生成解剖ROI的轮廓,以及在视平面图像上显示轮廓。在该方法的第一示例中,感兴趣的视平面包括最小裂孔尺寸(MHD)平面,并且解剖ROI包括肛提肌裂孔。在该方法的第二示例中,任选地包括第一示例,该方法还包括:识别轮廓的第一直径和轮廓的第二直径,并且显示第一直径和第二直径。在该方法的第三示例中(任选地包括第一示例和第二示例中的一个或两个),分割解剖ROI以生成轮廓包括将视平面图像作为输入,输入到经训练以输出解剖ROI的初始分割的分割模型中。在该方法的第四示例中(任选地包括第一示例至第三示例中的一个或多个或每一个),分割解剖ROI以生成轮廓还包括:基于初始分割调整解剖ROI的模板分割以生成经调整的分割模板,以及将经调整的分割模板和视平面图像作为输入,输入到轮廓细化模型中,该轮廓细化模型经训练以输出解剖ROI的细化分割,该轮廓基于细化分割。在该方法的第五示例中(任选地包括第一示例至第四示例中的一个或多个或每一个),分割模型和轮廓细化模型是独立的模型,并且彼此独立地受到训练。在该方法的第六示例中(任选地包括第一示例至第五示例中的一个或多个或每一个),模板分割表示来自多名患者的解剖ROI的平均分割。在该方法的第七示例中(任选地包括第一示例至第六示例中的一个或多个或每一个),基于一个或多个3D超声图像识别感兴趣的视平面包括将一个或多个3D超声图像作为输入,输入到视平面模型中,该视平面模型经训练以输出指示感兴趣的视平面在超声数据的3D体积内的位置的2D分割掩模。
本公开还提供对***的支持,包括:显示设备;和计算设备,该计算设备能够操作地联接到显示设备并且包括存储指令的存储器,该指令能够由处理器执行以:基于一个或多个3D超声图像识别感兴趣的视平面,从患者的超声数据的3D体积获得包括感兴趣的视平面的视平面图像,其中一个或多个3D超声图像由超声数据的3D体积生成,在视平面图像内分割感兴趣的解剖部位(ROI)以生成解剖ROI的轮廓,以及在显示设备的视平面图像上显示轮廓。在该***的第一示例中,存储器存储经训练为使用一个或多个3D超声图像作为输入来识别感兴趣的视平面的视平面模型。在该***的第二示例中(任选地包括第一示例),视平面模型包括一个或多个3D卷积层、展平层和2D网络。在该***的第三示例中(任选地包括第一示例和第二示例中的一个或两个),存储器存储被部署用于分割解剖ROI的分割模型和轮廓细化模型。在该***的第四示例中(任选地包括第一示例至第三示例中的一个或多个或每一个),分割模型经训练为使用视平面图像作为输入来输出解剖ROI的初始分割,并且轮廓细化模型经训练为使用视平面图像和经调整的分割模板来输出解剖ROI的细化分割,经调整的分割模板包括基于初始分割而调整的模板分割,并且其中解剖ROI的轮廓从细化分割而生成。在该***的第五示例中(任选地包括第一示例至第四示例中的一个或多个或每一个),感兴趣的视平面包括最小裂孔尺寸(MHD)平面,并且解剖ROI包括肛提肌裂孔。
本公开还提供对用于自动骨盆超声检查的方法的支持,包括:基于从患者的超声数据的3D体积生成的一个或多个3D超声图像来识别最小裂孔尺寸(MHD)平面、在显示设备上显示MHD平面相对于一个或多个3D超声图像中的一者的位置的指示符、从超声数据的3D体积获得包括MHD平面的MHD图像、在MHD图像内分割肛提肌裂孔以生成肛提肌裂孔的轮廓、基于轮廓执行肛提肌裂孔的一个或多个测量、在显示设备上显示一个或多个测量的结果和/或在MHD图像上显示轮廓。在方法的第一示例中,超声数据的3D体积为在患者处于第一状况时采集的超声数据的第一3D体积,并且还包括:基于从在患者处于第二状况时采集的患者的超声数据的第二3D体积生成的一个或多个第二3D超声图像来识别MHD平面、在显示设备上显示MHD平面相对于一个或多个第二3D超声图像中的一个的第二位置的第二指示符、从超声数据的第二3D体积获得包括MHD平面的第二MHD图像、在第二MHD图像内分割肛提肌裂孔以生成肛提肌裂孔的第二轮廓、基于第二轮廓执行肛提肌裂孔的一个或多个第二测量、并且在显示设备上显示一个或多个第二测量的结果和/或在第二MHD图像上显示第二轮廓。在该方法的第二示例中(任选地包括第一示例),基于一个或多个3D超声图像识别MHD平面包括将一个或多个3D超声图像作为输入,输入到视平面模型中,该视平面模型经训练以输出指示MHD平面在超声数据的3D体积内的位置的2D分割掩模。在该方法的第三示例中(任选地包括第一示例和第二示例中的一个或两个),分割肛提肌裂孔以生成轮廓包括将MHD图像作为输入,输入到经训练以输出肛提肌裂孔的初始分割的分割模型中。在该方法的第四示例中(任选地包括第一示例至第三示例中的一个或多个或每一个),分割肛提肌裂孔以生成轮廓还包括:基于初始分割调整肛提肌裂孔的模板分割以生成经调整的分割模板,以及将经调整的分割模板和MHD图像作为输入,输入到轮廓细化模型中,该轮廓细化模型经训练以输出肛提肌裂孔的细化分割,该轮廓基于细化分割。在该方法的第五示例中(任选地包括第一示例至第四示例中的一个或多个或每一个),模板分割表示来自多名患者的肛提肌裂孔的平均分割。
当介绍本公开的各种实施方案的元件时,词语“一个”、“一种”和“该”旨在意指存在这些元件中的一个或多个元件。术语“第一”、“第二”等不表示任何顺序、量或重要性,而是用于将一个元件与另一个元件区分开。术语“包括”、“包含”和“具有”旨在是包含性的,并且意指除了列出的元件之外还可存在附加元件。如本文使用术语“连接到”、“联接到”等,一个对象(例如,材料、元件、结构、构件等)可以连接到或联接到另一个对象,而无论该一个对象是否直接连接或联接到另一个对象,或者在该一个对象和另一个对象之间是否存在一个或多个介入对象。此外,应当理解,对本公开的“一个实施方案”或“实施方案”的引用不旨在被解释为排除也包含所引用特征的附加实施方案的存在。
除了任何先前指示的修改之外,本领域技术人员可以在不脱离本描述的实质和范围的情况下设计出许多其他变型和替换布置,并且所附权利要求书旨在覆盖此类修改和布置。因此,尽管上面已经结合当前被认为是最实际和最优选的方面对信息进行了具体和详细的描述,但对于本领域的普通技术人员将显而易见的是,在不脱离本文阐述的原理和概念的情况下,可以进行许多修改,包括但不限于形式、功能、操作方式和使用。同样,如本文所使用的,在所有方面,示例和实施方案仅意图是说明性的,并且不应以任何方式解释为限制性的。
Claims (20)
1.一种方法,所述方法包括:
基于一个或多个3D超声图像识别感兴趣的视平面;
从患者的超声数据的3D体积获得包括所述感兴趣的视平面的视平面图像,其中所述一个或多个3D超声图像由所述超声数据的3D体积生成;
在所述视平面图像内分割感兴趣的解剖部位(ROI)以生成所述解剖ROI的轮廓;以及
在所述视平面图像上显示所述轮廓。
2.根据权利要求1所述的方法,其中所述感兴趣的视平面包括最小裂孔尺寸(MHD)平面,并且所述解剖ROI包括肛提肌裂孔。
3.根据权利要求1所述的方法,所述方法还包括识别所述轮廓的第一直径和所述轮廓的第二直径,并且显示所述第一直径和所述第二直径。
4.根据权利要求1所述的方法,其中分割所述解剖ROI以生成所述轮廓包括将所述视平面图像作为输入,输入到经训练以输出所述解剖ROI的初始分割的分割模型中。
5.根据权利要求4所述的方法,其中分割所述解剖ROI以生成所述轮廓还包括:基于所述初始分割调整所述解剖ROI的模板分割以生成经调整的分割模板,以及将所述经调整的分割模板和所述视平面图像作为输入,输入到轮廓细化模型中,所述轮廓细化模型经训练以输出所述解剖ROI的细化分割,所述轮廓基于所述细化分割。
6.根据权利要求5所述的方法,其中所述分割模型和所述轮廓细化模型是独立的模型,并且彼此独立地受到训练。
7.根据权利要求5所述的方法,其中所述模板分割表示来自多名患者的所述解剖ROI的平均分割。
8.根据权利要求1所述的方法,其中基于所述一个或多个3D超声图像识别所述感兴趣的视平面包括将所述一个或多个3D超声图像作为输入,输入到视平面模型中,所述视平面模型经训练以输出指示所述感兴趣的视平面在超声数据的所述3D体积内的位置的2D分割掩模。
9.一种***,所述***包括:
显示设备;和
计算设备,所述计算设备能够操作地联接到所述显示设备并且包括存储指令的存储器,所述指令能够由处理器执行以:
基于一个或多个3D超声图像识别感兴趣的视平面;
从患者的超声数据的3D体积获得包括所述感兴趣的视平面的视平面图像,其中所述一个或多个3D超声图像由所述超声数据的3D体积生成;
在所述视平面图像内分割感兴趣的解剖部位(ROI)以生成所述解剖ROI的轮廓;以及
在所述显示设备上的所述视平面图像上显示所述轮廓。
10.根据权利要求9所述的***,其中所述存储器存储经训练为使用所述一个或多个3D超声图像作为输入来识别所述感兴趣的视平面的视平面模型。
11.根据权利要求10所述的***,其中所述视平面模型包括一个或多个3D卷积层、展平层和2D网络。
12.根据权利要求9所述的***,其中所述存储器存储被部署用于分割所述解剖ROI的分割模型和轮廓细化模型。
13.根据权利要求12所述的***,其中所述分割模型经训练为使用所述视平面图像作为输入来输出所述解剖ROI的初始分割,并且所述轮廓细化模型经训练为使用所述视平面图像和经调整的分割模板来输出所述解剖ROI的细化分割,所述经调整的分割模板包括基于所述初始分割而调整的模板分割,并且其中所述解剖ROI的所述轮廓从所述细化分割而生成。
14.根据权利要求9所述的***,其中所述感兴趣的视平面包括最小裂孔尺寸(MHD)平面,并且所述解剖ROI包括肛提肌裂孔。
15.一种用于自动骨盆超声检查的方法,所述方法包括:
基于从患者的超声数据的3D体积生成的一个或多个3D超声图像来识别最小裂孔尺寸(MHD)平面;
在显示设备上显示所述MHD平面相对于所述一个或多个3D超声图像中的一个3D超声图像的位置的指示符;
从超声数据的所述3D体积获得包括所述MHD平面的MHD图像;
在所述MHD图像内分割肛提肌裂孔以生成所述肛提肌裂孔的轮廓;
基于所述轮廓执行所述肛提肌裂孔的一个或多个测量;以及
在所述显示设备上显示所述一个或多个测量的结果和/或在所述MHD图像上显示所述轮廓。
16.根据权利要求15所述的方法,其中超声数据的所述3D体积为在所述患者处于第一状况时采集的超声数据的第一3D体积,并且还包括:
基于从在所述患者处于第二状况时采集的所述患者的超声数据的第二3D体积生成的一个或多个第二3D超声图像来识别所述MHD平面;
在所述显示设备上显示所述MHD平面相对于所述一个或多个第二3D超声图像中的一个第二3D超声图像的第二位置的第二指示符;
从超声数据的所述第二3D体积获得包括所述MHD平面的第二MHD图像;
在所述第二MHD图像内分割所述肛提肌裂孔以生成所述肛提肌裂孔的第二轮廓;
基于所述第二轮廓执行所述肛提肌裂孔的一个或多个第二测量;以及
在所述显示设备上显示所述一个或多个第二测量的结果和/或在所述第二MHD图像上显示所述第二轮廓。
17.根据权利要求15所述的方法,其中基于所述一个或多个3D超声图像识别所述MHD平面包括将所述一个或多个3D超声图像作为输入,输入到视平面模型中,所述视平面模型经训练以输出指示所述MHD平面在超声数据的所述3D体积内的位置的2D分割掩模。
18.根据权利要求15所述的方法,其中分割所述肛提肌裂孔以生成所述轮廓包括将所述MHD图像作为输入,输入到经训练以输出所述肛提肌裂孔的初始分割的分割模型中。
19.根据权利要求18所述的方法,其中分割所述肛提肌裂孔以生成所述轮廓还包括:基于所述初始分割调整所述肛提肌裂孔的模板分割以生成经调整的分割模板,以及将所述经调整的分割模板和所述MHD图像作为输入,输入到轮廓细化模型中,所述轮廓细化模型经训练以输出所述肛提肌裂孔的细化分割,所述轮廓基于所述细化分割。
20.根据权利要求19所述的方法,其中所述模板分割表示来自多名患者的所述肛提肌裂孔的平均分割。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/651,770 US20230267618A1 (en) | 2022-02-18 | 2022-02-18 | Systems and methods for automated ultrasound examination |
US17/651,770 | 2022-02-18 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116650006A true CN116650006A (zh) | 2023-08-29 |
Family
ID=87574655
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310052494.7A Pending CN116650006A (zh) | 2022-02-18 | 2023-02-02 | 用于自动超声检查的***和方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20230267618A1 (zh) |
CN (1) | CN116650006A (zh) |
-
2022
- 2022-02-18 US US17/651,770 patent/US20230267618A1/en active Pending
-
2023
- 2023-02-02 CN CN202310052494.7A patent/CN116650006A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
US20230267618A1 (en) | 2023-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
RU2667617C2 (ru) | Система и способ эластографических измерений | |
US11488298B2 (en) | System and methods for ultrasound image quality determination | |
US10470744B2 (en) | Ultrasound diagnosis apparatus, ultrasound diagnosis method performed by the ultrasound diagnosis apparatus, and computer-readable storage medium having the ultrasound diagnosis method recorded thereon | |
US11593933B2 (en) | Systems and methods for ultrasound image quality determination | |
US20120065512A1 (en) | Ultrasonic diagnostic apparatus and ultrasonic image processng apparatus | |
US11931201B2 (en) | Device and method for obtaining anatomical measurements from an ultrasound image | |
US11712224B2 (en) | Method and systems for context awareness enabled ultrasound scanning | |
CN112890854A (zh) | 用于顺序扫描参数选择的***和方法 | |
CN112890853A (zh) | 用于联合扫描参数选择的***和方法 | |
US11250564B2 (en) | Methods and systems for automatic measurement of strains and strain-ratio calculation for sonoelastography | |
US20210100530A1 (en) | Methods and systems for diagnosing tendon damage via ultrasound imaging | |
US11672503B2 (en) | Systems and methods for detecting tissue and shear waves within the tissue | |
US11890142B2 (en) | System and methods for automatic lesion characterization | |
CN116650006A (zh) | 用于自动超声检查的***和方法 | |
CN113662579A (zh) | 超声波诊断装置、医用图像处理装置及方法、存储介质 | |
US12004900B2 (en) | System and methods for a measurement tool for medical imaging | |
CN114098687B (zh) | 用于超声运动模式的自动心率测量的方法和*** | |
US20210228187A1 (en) | System and methods for contrast-enhanced ultrasound imaging | |
US11881301B2 (en) | Methods and systems for utilizing histogram views for improved visualization of three-dimensional (3D) medical images | |
CN116258736A (zh) | 用于分割图像的***和方法 | |
CN116602704A (zh) | 用于医学图像的自动测量的***和方法 | |
CN117557591A (zh) | 一种基于超声图像的轮廓编辑方法和超声成像*** |
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 |