CN117881345A - 用于分析对象的超声图像数据的方法 - Google Patents
用于分析对象的超声图像数据的方法 Download PDFInfo
- Publication number
- CN117881345A CN117881345A CN202280058419.5A CN202280058419A CN117881345A CN 117881345 A CN117881345 A CN 117881345A CN 202280058419 A CN202280058419 A CN 202280058419A CN 117881345 A CN117881345 A CN 117881345A
- Authority
- CN
- China
- Prior art keywords
- time
- enhancement
- frames
- frame
- processor
- 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 53
- 238000000034 method Methods 0.000 title claims description 105
- 238000002607 contrast-enhanced ultrasound Methods 0.000 claims abstract description 64
- 230000015654 memory Effects 0.000 claims abstract description 15
- 230000002123 temporal effect Effects 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims description 23
- 230000008859 change Effects 0.000 claims description 16
- 238000007635 classification algorithm Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 4
- 238000012285 ultrasound imaging Methods 0.000 claims description 3
- 230000003902 lesion Effects 0.000 description 131
- 210000001519 tissue Anatomy 0.000 description 28
- 239000000523 sample Substances 0.000 description 26
- 210000004185 liver Anatomy 0.000 description 23
- 230000000875 corresponding effect Effects 0.000 description 17
- 238000003745 diagnosis Methods 0.000 description 17
- 238000003384 imaging method Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 14
- 230000008569 process Effects 0.000 description 14
- 230000033001 locomotion Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 230000011218 segmentation Effects 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 6
- 239000002872 contrast media Substances 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 210000003240 portal vein Anatomy 0.000 description 4
- 238000003672 processing method Methods 0.000 description 4
- 230000003213 activating effect Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 3
- 238000001994 activation Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000017531 blood circulation Effects 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000010191 image analysis Methods 0.000 description 3
- 238000002347 injection Methods 0.000 description 3
- 239000007924 injection Substances 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013139 quantization Methods 0.000 description 3
- 210000001685 thyroid gland Anatomy 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 2
- 210000000481 breast Anatomy 0.000 description 2
- 101150083127 brox gene Proteins 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000002592 echocardiography Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 206010006272 Breast mass Diseases 0.000 description 1
- 206010027336 Menstruation delayed Diseases 0.000 description 1
- 206010054107 Nodule Diseases 0.000 description 1
- 239000002033 PVDF binder Substances 0.000 description 1
- 208000009453 Thyroid Nodule Diseases 0.000 description 1
- 208000024770 Thyroid neoplasm Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000000601 blood cell Anatomy 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013329 compounding Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 208000019423 liver disease Diseases 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000010412 perfusion Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 229920002981 polyvinylidene fluoride Polymers 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 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
- A61B8/481—Diagnostic techniques involving the use of contrast agent, e.g. microbubbles introduced into the bloodstream
-
- 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
- A61B8/52—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
- A61B8/5284—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving retrospective matching to a physiological signal
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Veterinary Medicine (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Vascular Medicine (AREA)
- Hematology (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
根据一个方面,提供了一种用于在分析对象的超声图像中使用的的装置,所述装置包括:存储器,其包括表示指令的集合的指令数据;处理器,其被配置为与所述存储器通信并且运行所述指令的集合,其中,当该指令的集合由处理器运行时,使所述处理器:获得包括帧的时间序列的对比增强超声图像数据;估计与至少一个事件相对应的至少一个时间点;基于至少一个所估计的时间点来从所述多个帧中选择帧样本;并且对所述帧样本进行分类以导出特征。
Description
技术领域
本发明涉及用于分析对象的超声图像数据的方法和装置,并且更具体地,用于分析对象的对比增强超声图像的方法和装置。
背景技术
与需要复杂仪器的计算机断层扫描(CT)和磁共振成像(MRI)相比,超声,特别是造影增强超声(CEUS)已越来越广泛地用于医学影像诊断,因为它相对便宜、快速且无创并且与之相关联的成本很高。与其他形式的医学成像相比,CEUS具有多种优势,包括诊断准确性高、成本低以及副作用少。CEUS的一项特殊用途是诊断肝脏病变。超声造影(CEUS)是一种重要的成像技术,用于评估包括局灶性肝脏病变(FLL)在内的肝脏疾病,并具有能够实时成像和量化FLL灌注的优点。
在使用CEUS图像诊断肝脏病变的过程中,医师将造影剂注射到患者的血管中并使用超声对肝脏的区域(包括肝脏病变)进行成像。当造影剂随着血液在体内流动时,CEUS图像,即超声图像的时间序列,将形成三个主要阶段——即动脉期、门静脉期和延迟期。每个阶段的持续时间和成像特征都不同。分析所拍摄的CEUS图像的临床医师可以根据对这些阶段病变特征的观察来做出诊断。
发明内容
当前临床医师用于分析CEUS图像以进行诊断的过程涉及来回播放CEUS图像的CEUS循环以解释和提取他们需要的特征或参数,其中,特征或参数可以参考模板找到。模板通常包括用于诊断疾病的特征或参数。不同的疾病有不同的模板。例如,为了诊断肝脏病变,从诸如肝脏模板、乳腺模板、甲状腺模板的各种模板的模板池中选择包括可用于肝脏病变诊断的特征的肝脏模板。一些医院使用定制模板,所述模板包括一系列可用于肝脏病变诊断的特征。在这种模板的示例中,用于肝脏病变诊断的所有特征被列为清单,并且使用该清单创建定制模板。然后可以填充模板以形成报告。这个过程中最耗时的部分是从CEUS图像中提取特征或参数,特别是对于经验不足的临床医师而言。特征提取的过程可以包括通过视觉观察找到最佳参考帧,其中该参考帧呈现与其周围组织充分区分的病变。该过程还可以包括手动添加标记,这些标记可以用于表示最佳参考帧上病变的长轴和短轴。
此外,该过程还可能需要临床医师监测病变及其周围背景组织的亮度强度随时间的相对变化,以便提取特定特征。然而,病变与其周围背景组织之间的对比度通常较低或不明显,这可能导致难以定位病变。例如,通常超过75%的图像在病变与周围背景组织之间没有明显的对比度。这个没有明显对比的时间段经常发生在门静脉期(PVP)期间,这是有问题的,因为PVP期间病变的可见性对于病变诊断很重要。
目前,临床医师常常需要反复查看整个循环的CEUS图像并根据自己的经验和医学知识做出诊断。存在多个指南(例如CEUS-LiRADS、WFUMB-EFSUMB肝脏CEUS指南、中国肝脏CEUS指南)辅助临床医师基于CEUS循环来进行诊断。然而,虽然有基于CEUS数据的针对肝脏病变诊断指南,但并没有要求临床医师遵循这些指南。不同的医院可能使用不同的模板来分析CEUS循环。因此,诊断的准确性在很大程度上取决于临床医师的个人经验以及所使用的特定指南和模板,这可能会导致操作者之间的大的差异。
因此,除了减少分析CEUS图像所需的时间之外,还期望提高CEUS图像分析的一致性。
根据一个方面,提供了一种用于在分析对象的超声图像中使用的的装置,所述装置包括:存储器,其包括表示指令的集合的指令数据;处理器,其被配置为与所述存储器通信并且运行所述指令的集合,其中,所述指令的集合在由所述处理器运行时使所述处理器执行以下操作:
获得包括多个帧的造影增强超声图像数据;估计与至少一个事件相对应的至少一个时间点;基于至少一个所估计的时间点来从所述多个帧中选择帧样本;并且对所述帧样本进行分类以导出特征。所述多个帧是帧的时间序列,也称为CEUS循环或CEUS图像序列。
这有利地减少了识别CEUS循环内的重要点和特征所花费的时间,然后用户可以将其用于诊断。
还可以使处理器导出预定的多个特征,并且基于导出的多个特征共生成报告。所述预定的多个特征可以从预先存储的数据中检索或者可以由用户经由用户界面来设置。例如,预先存储与每种类型的报告相关联的特征的不同集合,并且可以根据要生成的报告的类型来检索预定的多个特征。这将有利地允许灵活地选择可用的临床指南和/或报告模板,和/或允许用户对临床指南和/或报告模板进行定制。
在一些实施例中,帧样本可以是以下之一:估计的时间点附近的多个帧;两个估计的时间点之间的多个帧;预定时间段内的帧。
在一些实施例中,还可以使处理器对帧样本中的每个进行分类并且基于帧样本中的每个的分类来导出特征。可以使用分类算法或者通过响应于向用户呈现帧的分类而接收用户的输入来导出该特征。以这种方式导出特征可以更一致地执行并且独立于用户(例如临床医师)(例如,其技术水平)。对所述至少一个时间点的估计可以基于CEUS图像数据。
在一些实施例中,还可以使得处理器基于至少一个所估计的时间点来选择至少两个时间段,并且选择在所述至少两个时间段中的每个时间段内的帧样本,并且所述至少两个时间段中的第一时间段中所选择的帧样本的时间间隔与所述至少两个时间段中的第二时间段中所选择的帧样本的时间间隔不同。任选地,还使处理器从帧样本中提取多个子集,每个子集跨越至少两个时间段;并且并对所述多个子集进行分类以导出特征。
所述特征可以与至少一个事件相关联,并且所述特征可以是以下中的至少一项:增强程度、增强模式、洗出类型、早洗出、从高增强到等增强的增强改变、从等增强到低增强的增强改变。
根据另一方面,提供了一种超声成像***,所述超声成像***包括所述装置和超声换能器,利用所述超声换能器获得对比增强超声图像数据。
根据另一方面,提供了一种用于分析对象的超声图像数据的计算机实现的方法,所述方法包括:获得包括多个帧的对比增强超声图像数据;以及估计与至少一个事件相对应的至少一个时间点;基于至少一个所估计的时间点来从所述多个帧中选择帧样本;并且对每个帧样本进行分类。
根据第二方面,提供了一种包括计算机可读介质的计算机程序产品,所述计算机可读介质具有包含在其中的计算机可读代码,所述计算机可读代码被配置为使得,在由合适的计算机或处理器执行时,使所述计算机或处理器执行以上描述的方法。
除了减少分析CEUS图像所需的时间之外,这样的方法还可以提高CEUS图像分析的一致性。
在又一示例中,对至少一个时间点的估计可以基于粗略时间强度曲线,所述粗略时间强度曲线是通过以下方式来确定的:在相对于该帧的预定义位置处处理每个帧的区域以产生多个时间强度曲线,并且基于所述时间强度曲线识来别事件发生的至少一个时间点。
因此,使用每帧中相同相对位置的每幅图像的特定部分,从而产生图像的“粗略”时间强度曲线,可以确定特定事件发生的时间。例如,时间强度曲线可以针对每个帧的基本上是整个帧的区域或者超过帧面积的50%的帧的一部分来得到。例如,所述区域的面积可以是帧面积的三分之二。该区域可以具有与帧的中心相对应的中心。
发明人已经确定,使用这样的区域提供了一种用于产生时间强度曲线的快速且准确的方法,然后该时间强度曲线可用于提取事件发生的时间点。这相对于其中由用户指示小区域并用于确定事件发生的***特别有利,因为它更快并且不需要用户交互,从而提高了数据提取的一致性。
参考下文描述的(一个或多个)实施例,这些和其他方面将变得显而易见并得以阐述。
附图说明
现在仅以范例的方式参考附图描述示例性实施例,在附图中:
图1是用于分析对象的超声图像数据的装置;
图2图示了示例超声***;
图3图示了根据示例的方法;
图4图示了根据示例的超声图像的帧的区域的时间强度曲线;
图5图示了根据示例的方法中使用的深度学习模型;
图6图示了最佳参考帧的选择以及最佳参考帧中病变的检测。
图7图示了根据示例的具有标记事件的CEUS图像;
图8是表示用于确定动脉期、门静脉期、晚期的强化程度的流程图;
图9图示了动脉期增强模式分类的流程图;
图10图示了洗出类型分类的流程图;并且
图11图示了处理CEUS数据的方法的流程图。
具体实施方式
如上所述,本文描述的装置和方法除了减少分析CEUS图像所需的时间之外还可以允许改进CEUS图像分析的一致性。
现在转向图1,其示出了根据本文的一些实施例的用于分析对象的超声图像数据的装置100。一般而言,所述装置可以形成计算机装置或***(例如膝上型计算机、台式计算机或其他计算设备)的一部分。在一些实施例中,装置100可以形成分布式计算布置或云的一部分。
一般而言,所述装置可以适合于或被配置为执行本文描述的方法的任何实施例,诸如下面参考图3描述的方法300。
所述装置包括存储器104和处理器102(例如,处理电路或逻辑器件),所述存储器包括表示指令的集合106的指令数据,所述处理器被配置为与该存储器通信并且运行所述指令的集合106。简言之,所述指令的集合106在由处理器102运行时使所述处理器102:获得包括多个帧的对比增强超声图像数据;处理每个帧相对于该帧的预定义位置处的区域,以产生所述多个帧的时间强度曲线;并且基于所述时间强度曲线来识别事件发生的至少一个时间点。
如上所述,使用CEUS图像进行诊断的问题是用于分析的特征提取的一致性。除了减少提取特征所需的时间之外,本文提出的装置还可以实现更一致地提取用于诊断的特征。
更详细地,处理器102可包括一个或多个处理器、处理单元、多核处理器或模块,其被配置或编程为以本文中所描述的方式控制装置100。在特定实现方式中,处理器102可以包括多个软件和/或硬件模块,每个软件和/或硬件模块被配置为执行或用于执行本文中描述的方法的单个或多个步骤。处理器102可包括一个或多个处理器、处理单元、多核处理器和/或模块,其被配置或编程为以本文中所描述的方式控制装置100。在一些实施方式中,例如,处理器102可以包括多个(例如,互操作的)处理器、处理单元、多核处理器和/或被配置用于分布式处理的模块。本领域技术人员将理解,这样的处理器、处理单元、多核处理器和/或模块可以位于不同的位置,并且可以执行本文中所描述的方法的单个步骤的不同步骤和/或不同部分。
存储器104被配置为存储可以由处理器102运行以执行本文描述的方法的程序代码。替代地或另外地,一个或多个存储器104可以在装置100的外部(即,分开或远离)。例如,一个或多个存储器104可以是另一设备的一部分。存储器104可用于存储超声图像数据和/或由装置100的处理器102或从位于装置100的外部任何接口、存储器或设备接收、计算或确定的任何其他信息或数据。处理器102可以被配置为控制存储器104存储超声图像数据的序列和/或由处理器接收、计算或确定的任何其他信息或数据。
在一些实施例中,存储器104可以包括多个子存储器,每个子存储器能够存储一条指令数据。例如,至少一个子存储器可以存储表示所述指令的集合中的至少一条指令的指令数据,而至少一个其他子存储器可以存储表示所述指令的集合中的至少一条其他指令的指令数据。
应当理解,图1仅示出了说明本公开的这个方面所需的部件,并且在实际实施中,装置100可以包括对于所示出的那些部件额外的部件。例如,装置100还可以包括显示器。显示器可以包括例如计算机屏幕和/或移动电话或平板电脑上的屏幕。该装置还可以包括用户输入设备,例如键盘、鼠标或其他输入设备,其使得用户能够与装置交互,例如,以提供将在本文描述的方法中使用的初始输入参数。装置100可包括用于为装置100供电的电池或其他电源或用于将装置100连接到市电电源的装置。
在一些实施例中,装置100可以被包括在超声***中。例如,超声***可以包括上述装置100,并且还包括用于记录超声图像数据序列的换能器。
图2示出了示例超声***200。超声***200可以包括如上所述的装置100。在其他实施例中,超声***200的部件可以适于执行如下所述的方法300。超声***200可以适于收集图像数据以供在本文描述的方法中使用。
所述***200包括阵列换能器探头4,所述阵列换能器探头具有用于发射超声和接收回波信息的换能器阵列6。换能器阵列6可以包括:CMUT换能器;压电换能器,其由PZT或PVDF等材料制成;或任何其他合适的换能器技术。在该示例中,换能器阵列6是能够扫描感兴趣区域的2D平面或三维体积的换能器8的二维阵列。在另一个示例中,换能器阵列可以是1D阵列。
换能器阵列6可以被耦合到微波束形成器12,微波束形成器12控制换能器元件的信号接收。如美国专利US 5997479(Savord等),US 6013032(Savord)和US 6623432(Powers等)中所述,微波束形成器能够对换能器的子阵列(一般称为“组”或“贴片”)接收的信号进行至少部分波束形成。
在替代实施例中,代替微波束形成器12,换能器阵列可以由主***波束形成器(图2中未示出)直接操作。
***200还可以包括发射/接收(T/R)开关16,微波束形成器12可以耦合到该发射/接收(T/R)开关16,并且该开关16在发射和接收模式之间切换阵列。
从换能器阵列6的超声束的发射通过T/R开关16耦合到微波束形成器和主发射波束形成器(未示出)的换能器控制器18指示,其可以从用户对用户接口或控制面板38的操作接收输入。控制器18可以包括发射电路,所述发射电路被布置为在发射模式期间(直接地或经由微波束形成器)驱动阵列6的换能器元件。
注意,在替代实施例中,换能器阵列不是由微波束形成器12直接由主***波束形成器操作,T/R开关16可以保护主波束形成器20免受高能量发射信号的影响。
在典型的逐线成像序列中,探头内的波束形成***可以如下地操作。在发射期间,波束形成器(取决于实现方式可以是微波束形成器或主***波束形成器)激活换能器阵列或换能器阵列的子孔径。子孔径可以是较大阵列内的换能器的一维线或换能器的二维片。在发射模式下,如下所述地控制由阵列或阵列的子孔径产生的超声束的聚焦和转向。
在接收到来自对象的反向散射回波信号后,接收到的信号将进行接收波束形成(如下所述),从而将接收到的信号对齐,并且在使用子孔径的情况下,例如通过一个换能器元件来对子孔径进行移位。然后激活经移位的子孔径,并且重复该过程,直到激活了换能器阵列的所有换能器元件。
对于每条线(或子孔径),用于形成最终超声图像相关联的线的总接收信号将是在接收时段期间由给定子孔径的换能器元件测得的电压信号的总和。在下面的波束形成过程之后,所得的线路信号通常称为射频(RF)数据。然后,由各个子孔径生成的每个线信号(RF数据集)都经过额外处理,以生成最终超声图像的线。线信号的幅值随时间的变化将有助于超声图像的亮度随深度的变化,其中,高幅值峰将对应于最终图像中的亮像素(或像素的集合)。出现在线信号开始附近的峰值将表示来自浅层结构的回波,而出现在线路信号后期的峰值表示来自对象内深度不断增加的结构的回波。
由换能器控制器18控制的功能之一是波束被转向和聚焦的方向。波束可以被转向为从换能器阵列垂直向前(垂直于换能器阵列),或者以不同的角度用于更宽的视场。可以根据换能器元件致动时间来控制发射束的转向和聚焦。
在一般超声数据采集中可以区分两种方法:平面波成像和“波束转向”成像。两种方法的区别在于在发射模式(“波束转向”成像)和/或接收模式(平面波成像和“波束转向”成像)中存在波束形成。
首先来看聚焦功能,通过同时激活所有换能器元件,换能器阵列生成平面波,所述平面波在穿过对象时发散。在这种情况下,超声波的波束保持不聚焦。通过将取决于位置的时间延迟引入换能器的激活,可以使波束的波前会聚在期望的点上,所述点称为聚焦区。聚焦区定义为横向波束宽度小于发射波束宽度一半的点。以此方式,提高了最终超声图像的横向分辨率。
例如,如果时间延迟使得换能器元件从最外面的元件开始并在换能器阵列的(一个或多个)中心元件结束处系列地激活,则将在距探头给定距离处形成焦点区域,与(一个或多个)中心元件成一条线。焦点区域与探头的距离将根据换能器元件激活的每个后续一轮之间的时间延迟而变化。在波束通过聚焦区后,它将开始发散,形成远场成像区域。应当注意,对于位于靠近换能器阵列的聚焦区,超声束将在远场中迅速发散,从而导致最终图像中的波束宽度伪影。通常,由于超声波束中的大的交叠,位于换能器阵列与聚焦区之间的近场显示的细节很少。因此,改变聚焦区的位置能够导致最终图像质量的显著变化。
应当注意,在发射模式下,除非将超声图像划分为多个焦点区域(每个焦点区域可能具有不同的发射焦点),否则只能定义一个焦点。
另外,在从对象内部接收到回波信号时,可以执行上述处理的逆过程以执行接收聚焦。换句话说,进入的信号可以被换能器元件接收并且在被传递到***中用于信号处理之前经历电子时间延迟。最简单的示例称为延迟及求和波束形成。可以根据时间动态地调整换能器阵列的接收聚焦。
现在来看波束转向的功能,通过对换能器元件正确地施加时间延迟,可以在超声束离开换能器阵列时在超声束上赋予期望的角度。例如,通过激活换能器阵列的第一侧上的换能器,然后以在阵列的相对侧上结束的顺序激活其余的换能器,波束的波前将朝向第二侧倾斜。相对于换能器阵列的法线的转向角的尺寸取决于随后的换能器元件激活之间的时间延迟的尺寸。
此外,可以对转向波束进行聚焦,其中,应用于每个换能器元件的总时间延迟是聚焦和转向时间延迟之和。在这种情况下,换能器阵列称为相控阵列。
在CMUT换能器需要激活直流偏压的情况下,换能器控制器18可以被耦合以控制换能器阵列的DC偏置控制器45。DC偏置控制器45设置被应用到CMUT换能器元件的(一个或多个)偏压。
对于换能器阵列的每个换能器元件,模拟超声信号(通常称为通道数据)通过接收通道进入***。在接收通道中,通过微波束形成器12从通道数据中产生部分波束形成的信号,并且然后被传送到主接收波束形成器20,在主接收波束形成器20中,来自个体换能器片的部分波束形成的信号被组合成完全波束形成的信号,称为射频(RF)数据。可以如上所述执行在每个阶段执行的波束形成,或者可以包括额外的功能。例如,主波束形成器20可以具有128个通道,其中的每个接收来自换能器元件的数十或者数百的部分波束形成的信号。以此方式,由换能器阵列的数千个换能器接收到的信号可以有效地贡献于单个波束形成的信号。
波束形成的接收信号被耦合到信号处理器22。信号处理器22可以以各种方式处理接收到的回声信号,例如:带通滤波;抽取;I和Q分量分离;以及谐波信号分离,用于分离线性和非线性信号,以便识别从组织和微泡返回的非线性(基频的高次谐波)回波信号。处理器还可以执行的信号增强,例如纹波降低、信号复合以及噪声消除。信号处理器中的带通滤波器可以是跟踪滤波器,其中,其通带随着回波信号从增加的深度被接收而从较高的频带滑落到较低的频带,从而拒绝来自更大深度的较高频率处的噪声,所述噪声通常没有解剖信息。
用于发射和用于接收的波束形成器以不同的硬件实现并且可以具有不同的功能。当然,接收器波束形成器被设计为考虑到发射波束形成器的特性。简单起见,在图2中仅示出了接收器波束形成器12、20。在整个***中,还将有具有发射微波束形成器和主发射波束形成器的发射链。
微波束形成器12的功能是提供信号的初始组合,以便减少模拟信号路径的数量。这通常在模拟域中执行。
最终的波束形成在主波束形成器20中完成,并且通常在数字化之后。
发射和接收信道使用具有固定频带的同一换能器阵列6。但是,发射脉冲占用的带宽可以根据使用的发射波束形成而变化。接收通道可以捕获整个换能器带宽(这是经典方法),或者通过使用带通处理,它可以只提取包含期望的信息(例如主谐波的谐波)的带宽。
RF信号可以然后被耦合到B模式(即,亮度模式或2D成像模式)处理器26和多普勒处理器28。B模式处理器26对接收到的超声信号执行幅值检测,以对身体中的结构(例如,器官组织和血管)进行成像。在逐线成像的情况下,每条线(波束)由关联的RF信号表示,其幅值用于生成要分配给B模式图像中像素的亮度值。图像内像素的确切位置由沿RF信号的相关幅度测量值的位置以及RF信号的线(束)数确定。这种结构的B模式图像可以以谐波或基本图像模式或两者的组合形成,如美国专利US 6283919(Roundhill等人)和美国专利US6458083(Jago等人)中所描述。多普勒处理器28可以处理源自组织运动和血液流动的时间上分立的信号,用于检测运动的物质,例如图像场中的血细胞的流动。多普勒处理器28通常包括壁滤波器,其具有被设置为使从身体中的选定类型的材料返回的回波通过或拒绝其的参数。
将由B模式和多普勒处理器生成的结构和运动信号耦合到扫描转换器32和多平面重新格式化器44。扫描转换器32以期望的图像格式来根据回波信号被接收的空间关系来布置回波信号。换句话说,扫描转换器的作用是将RF数据从圆柱坐标系转换为适于在图像显示器40上显示超声图像在的笛卡尔坐标系。在B模式成像的情况下,给定坐标处像素的亮度与从该位置接收的RF信号的幅值成比例。例如,扫描转换器可以将回波信号布置为二维(2D)扇区形格式,或者锥体三维(3D)图像。扫描转换器可以在B模式结构图像上叠加与图像场中各个点的运动相对应的颜色,在这些点处多普勒估计的速度可产生给定的颜色。组合的B模式结构图像和彩色多普勒图像能够描述了结构图像场内组织运动和血流。多平面重新格式化器将从身体的体积区域中的共同平面中的点接收到的回波转换为该平面的超声图像,如在美国专利US 6443896(Detmer)中所描述。体积绘制器42将3D数据集的回波信号转换成如从给定参考点所看到的投影的3D图像,如在美国专利US 6530885(Entrekin等人)中所描述。
2D或3D图像被从扫描转换器82、多平面重新格式化器44、以及体积绘制器42耦合到图像处理器30用于进一步增强、缓存和临时存储,以在图像显示器40上显示。成像处理器可以适用于从最终超声图像中去除某些成像伪影,例如像:声学阴影,例如由强衰减物或折射引起的;后增强,例如由弱衰减物引起的;混响伪影,例如,高度反射的组织界面的紧邻定位之处;等等。另外,图像处理器可以适于处理特定纹波减少功能,以便改善最终超声图像的对比度。
除了用于成像外,由多普勒处理器28生成的血流值以及由B模式处理器26生成的组织结构信息被耦合到量化处理器34。量化处理器可用于在图像中进行测量。量化处理器可以接收来自用户控制面板38的输入,例如用于定位肌肉表面的种子点,如下文详细描述的。
来自量化处理器的输出数据被耦合到图形处理器36,用于在显示器40上与图像一起再现测量图形和值,以及从显示设备40输出音频。图形处理器36也可以生成图形叠加以用于与超声图像一起显示。这些图形叠加可以包括标准识别信息,例如图像的患者姓名、日期和时间、成像参数等等。出于这些目的,图形处理器从用户接口38接收输入,例如患者姓名。所述用户接口还被耦合到发射控制器18以控制来自换能器阵列6的超声信号生成,并因此控制由换能器阵列和超声***生成的图像。控制器18的发射控制功能仅仅是所执行的功能之一。控制器18还考虑了操作模式(由用户给定)以及接收器模数转换器中的相应所需的发射器配置和带通配置。控制器18可以是具有固定状态的状态机。
用户接口也可以被耦合到多平面重新格式化器44以选择和控制多个经多平面重新格式化的(MPR)的图像的平面,其可以被用于执行MPR图像的图像场中的量化的度量。
技术人员将理解,上面提供的细节和图2中所示的组件仅是示例,并且超声***可以具有与其中所示的部件不同的部件。
现在回到图1,以及处理器102的功能,如上所述,使处理器102:获得包括多个帧的对比增强超声图像数据;估计与至少一个事件相对应的至少一个时间点,基于至少一个估计的时间点来从所述多个帧中选择帧样本,并且对每个帧样本进行分类。处理器可以从超声***、超声***中包括的处理器或远程服务器等获得CEUS图像数据。处理器可以被包括在超声***中。
转向图3,有一种用于分析对象的超声图像数据的计算机实现的方法300。方法300的实施例可以例如由诸如上述装置100的装置来执行。
简言之,在第一步骤302中,方法300包括:获得包括多个帧的对比增强超声图像数据。在第二步骤304中,方法300还包括估计与至少一个事件相对应的至少一个时间点。在第三步骤306中,方法300还包括基于至少一个估计的时间点来从所述多个帧中选择帧样本。在第四步骤308中,所述方法还包括对所述帧样本进行分类以导出特征。
至少一个时间点的估计可以基于以下中的至少一项:粗略时间强度曲线、常规时间强度曲线、用户输入。因此,可以估计事件发生的时间点。该方法还可以包括基于每个帧样本的分类(例如,分类结果)导出与至少一个事件相关联的特征。与至少一个事件相关联的特征可以使用分类算法或者通过接收响应于向用户呈现分类结果而由用户进行输入来导出。
该特征可以是以下中的至少一项:感兴趣区域(ROI)的增强程度、ROI的增强模式、洗出类型、早洗出、ROI的增强从高增强改变为等增强、病变的增强从等增强变为低增强。该事件可以是以下中的至少一项:动脉期开始、动脉期峰值、峰值增强、动脉期、门静脉期、晚期、从动脉期开始到峰值增强的时间。感兴趣区域可以是病变,例如肝脏病变,或任何其他类型的组织,例如甲状腺或乳腺结节。
帧样本可以是以下中的一项:估计的时间点附近的多个帧;两个估计的时间点之间的多个帧;预定时间段内的帧。因此,来自TIC的估计值或预定值(例如,作为门静脉阶段的典型值的2分钟)可以用作估计的时间点。帧样本可以是例如估计的动脉期开始与估计的峰值动脉期之间的多个帧。帧样本可以是预定时间段,例如最后记录的循环作为晚期的时间段。
该方法还可以包括对至少一个时间点的估计基于粗略时间强度曲线,所述粗略时间强度曲线是通过以下方式来确定的:在相对于该帧的预定义位置处处理每个帧的区域以产生多个时间强度曲线,并且基于所述时间强度曲线识来别事件发生的至少一个时间点。
有利地,所述方法使得能够识别时间点(例如使用时间强度曲线),这可以使得能够对CEUS图像数据的多个帧(例如CEUS循环)进行分析以识别和提取特征。特征的提取可以由用户使用提取的时间点执行或者可以由处理器执行。使用本文描述的方法可以使特征的提取更加一致并且独立于用户(例如临床医师)(例如其技术水平)。这种使用图像处理的方法是进一步有利的,因为它减少了识别CEUS循环内的重要点所花费的时间,然后用户可以将其用于诊断。
在示例中,执行该方法来分析对象肝脏中的病变。然而,应当理解,本文描述的方法可以同样适用于其他应用,例如用于分析对象的甲状腺或***的超声图像数据。
在本文中的示例中,对象的CEUS图像数据已经由临床医师收集。CEUS图像数据可以包括由临床医师记录的循环。在示例中,临床医师可以识别对象感兴趣的局灶性肝脏病变,并采集该病变的2D CEUS数据。注射造影剂后,临床医师可以将探头保持在同一平面上并记录2D环约2分钟。之后,临床医师可能会记录几个2分钟到6分钟的较小循环。然后处理器可以获得所记录的CEUS图像数据。
为了估计对应于至少一个事件的至少一个时间点,在一个示例中,可以使用“粗略”TIC曲线。具体地,可以使用粗略时间强度曲线,所述粗略时间强度曲线是通过以下方式来确定的:处理每个帧在相对于该帧的预定义位置处的区域以产生多个帧的时间强度曲线,并且基于所述时间强度曲线来识别在其上发生事件的至少一个时间点。
帧的区域可以位于相对于帧的预定位置并且可以是帧的设定部分。例如,相同的预定区域可以用于每个帧,而不需要用户输入来指示要使用的区域的位置。因此,可以预设区域的位置。该区域的面积可以是帧的设定比例。例如,所述区域可以是帧面积的至少一半。可以使用该区域,因为感兴趣的对象(例如肝脏病变)很可能出现在覆盖帧的一半的区域中,因为通常用户在执行CEUS成像时会尝试将病变居中。该帧可以是帧面积的至少三分之二,这可以提供改进的结果。该区域可以基本上是整个帧。该区域的中心可以对应于帧的中心。对这些区域的分析可以提供“粗略”TIC,其中图像的大部分(包括病变)的强度可以用于粗略地确定病变随时间的强度。发明人已经确定,“粗略”TIC提供了病变随时间的强度的足够好的指示,并且可以用于确定事件发生的时间点。
图4图示了与在注射造影剂之后从对象的肝脏拍摄的多个帧有关的CEUS图像数据的时间强度曲线(TIC)。包括图像中的多个点的原始TIC曲线示出了每帧的标准化强度平均值(原始数据点在图像中被指示为圆形点)。TIC曲线被拟合减少噪声和异常值的影响,并且被图示为穿过图像中点的线。例如,可以使用低通滤波器或对数正态模型来执行拟合。在图4的示例中,使用帧大小的三分之二的区域来计算原始TIC曲线,并且其中,该区域的中心与帧的中心重合。
TIC曲线可用于确定事件发生的时间点。在该具体示例中,由于拍摄的帧是肝脏病灶的帧,因此可以利用这些帧的TIC曲线来确定注射造影剂后不同时间点的肝脏病变的增强情况。特别是,可以使用TIC曲线来确定诸如动脉期(AP)开始和峰值动脉期等事件的时间。
动脉期(AP)开始时间(图中用方形点表示)可以被确定为CEUS图像数据中强度开始增加(梯度初始增加)的时间,并且AP峰值时间(图中的三角点所示)可以被确定为峰值强度的时间,或者通过确定在初始增加之后强度开始减少(梯度的初始减少)的时间来确定。因此,TIC曲线可用于确定在特定时间点(对应于特定帧)的动脉期开始事件和动脉期峰值事件。在该特定示例中,AP开始时间被确定为9秒并且AP峰值时间被确定为38秒。
时间强度曲线的所识别的时间点可用于确定病变峰值增强的事件,在其处,病变与周围组织最好地区分。病变峰值增强可能发生在AP开始时间与AP峰值时间之间的某个时间。使用从TIC曲线提取的上述时间点,还可以选择用于病变诊断的(一个或多个)最佳帧,或者导出在时间点或事件之间发生的特定阶段的增强程度/模式。
应当理解,上述“粗略”TIC曲线是一种特别有利的方法,利用该方法来估计与至少一个事件相对应的至少一个时间点,然而,应当理解,其他方法,例如使用传统的方法,时间强度曲线,同样可以被使用。该时间点可以由用户指示。
最佳参考帧可以展示病变与其周围背景组织之间的最大对比度。病变与其周围背景组织之间具有良好对比度的最佳帧通常出现在初始动脉期(AP),特别是从AP开始时间到AP峰值时间。动脉期开始时间和动脉期峰值时间可以使用如上所述的TIC来确定。最佳参考帧出现的时间可以通过将一比率起始动脉期时间与峰值动脉期时间之间的差值相乘,并且将结果与起始动脉期时间相加来确定(例如,最佳参考帧的时间为等于AP开始时间加上比率*(AP峰值时间–AP开始时间))。该比率例如是(0,1)。最佳比率可以是预定的并且可以是通常提供可接受的结果的设定值(例如在实验期间,其中,使用不同比率并且产生最佳参考帧的比率被确定为最佳比率)。例如,设置为40%的比率可以提供可接受的结果。可以使用用训练数据集(例如,AP开始时间与AP峰值时间之间的帧组的训练数据集,其已被标记以指示最佳参考帧以什么比率出现)训练的机器学习模型来确定最佳比率,以评估以什么比例出现病变和周围材料之间具有最佳对比度的帧(例如,通过将AP开始时间与AP峰值时间之间的帧输入到机器学习模型)。
可以处理最佳参考帧以定位病变。具体地,所述方法还可以包括以下步骤:确定最佳参考帧,所述最佳参考帧处于动脉期开始时间与动脉期开始后动脉期峰值时间之间的差的预定比率的时间;并且处理最佳参考帧以定位病变。
最佳参考帧可以包括最佳帧,并且可以包括与最佳帧相邻的帧。这些帧也可能具有可接受的对比度。最佳参考帧出现的时间段可以通过以下方式来确定:将第一比率乘以起始动脉期时间与峰值动脉期时间之间的差值,并且将结果与起始动脉期时间相加,并且通过将第二比率乘以起始动脉期时间与峰值动脉期时间之差的比率,并将结果与起始动脉期时间相加。这两点之间的帧可能是也具有可接受的对比度的最佳参考帧。例如,这些帧可以在以下两项之间:AP开始时间+ratio1*(AP峰值时间-AP开始时间),以及AP开始时间+ratio2*(AP峰值时间-AP开始时间)。第一比率(ratio1)和第二比率(ratio2)也可以通过如上面关于针对最佳帧的比率所描述的实验来获得。作为示例,基于实验,发明人已经发现将比率1设置为30%并且将比率2设置为50%以提供可接受的结果。
可以处理最佳参考帧以定位病变。具体地,所述方法还可以包括以下步骤:确定最佳参考帧,所述最佳参考帧处于动脉期开始时间与动脉期开始后动脉期峰值时间之间差的预定比率的时间段;并且处理所述最佳参考帧以定位病变。
病变的定位可以通过使用任何适当的常规图像处理方法来分割图像而实现(例如T.F.Chan,L.A.Vese,“Active contour without edges”,IEEE transactions on imageprocessing 10,February 2001)中描述的方法,使用神经网络或学习方法,例如在Ronneberger,Olaf;Fischer,Philipp;Brox,Thomas."U-Net:Convolutional Networksfor Biomedical Image Segmentation".arXiv:1505.04597(2015年)中描述的方法。在下面的示例中,使用了深度学习。
图5图示了深度学习模型(例如,参见Ronneberger,Olaf;Fischer,Philipp;Brox,Thomas."U-Net:Convolutional Networks for Biomedical Image Segmentation".arXiv:1505.04597,2015年),其中,应用了病变分割来将病变502、504与周围组织区分开。分割可以被应用于最佳参考帧,或者被应用于最佳参考帧506中的至少一个帧。应当理解,能够分割病变的任何算法都可以在该方法中使用。通过将分割应用于最佳参考帧,可以减少识别和分割病变所花费的时间,因为用于分割的帧已经被选择,使得分割是在病变和周围组织之间具有最佳对比度的图像上执行的。
在分割之后,在最佳参考帧(或多个最佳参考帧)中找到的病变内部的点和/或病变的边界或边界框也可以被指示在图像数据的其他帧上。例如,可以在图像数据的每一帧中示出最佳帧中病变的位置。因此,当用户查看图像数据时,即使当病变与周围材料之间的区别对用户来说不是特别明显时,他们也可以了解病变所在的位置。这可以帮助用户对病变进行更准确的评估以进行诊断。
图6中图示了这种情况的示例,其示出了最佳参考帧648的选择以及最佳参考帧648中的病变的检测到的边界649,其中病变651a、651b的视觉标记在第一帧中示出646和最后一帧650中示出(应当理解,视觉标记651可以存在于第一帧646和最后一帧650之间的未在此图像中示出的其他帧上,并且可以替代地存在于不是第一帧和最后一帧的帧上。)。病变的视觉标记651a、651b可以是病变区域内的点或病变区域的边界或覆盖病变区域的边界框的形式。从该图像中可以看出,在该示例中不可能清楚地看到第一帧和最后一帧中病变的位置,因此病变位置的指示可能有助于临床医师或用户理解病变在图像中的位置,以便他们能够解读图像以做出诊断。
替代地或额外地,最佳参考帧中病变的位置可以用于确定不是最佳参考帧的帧中病变的位置。例如,相邻帧之间的病变可能存在微小的视觉变化。因此,可能需要对病变位置进行细化,以便所指示的病变位置与特定帧中的病变的实际位置相匹配。最佳参考帧中病变的位置可以用于指示非最佳参考帧的帧中病变的预测位置(例如,指示病变的边界等)。然后可以使用预测位置来确定非最佳参考帧的帧中病变的实际位置(例如,非最佳参考帧的特定帧中病变的实际边界)。
具体地,可以通过使用深度学***集合的方法来对病变的边界进行微调(例如,TFChan、LAVeseT.F.Chan,L.A.Vese.“Activecontour without edges”.IEEE transactions on image processing 10,February 2001中描述的方法)。因此,可以编辑针对先前帧找到的病变的边界以适合当前帧中病变的实际边界。可以在每一帧中显示病变的边界。
帧样本可以是所有帧或者可以是少于所述多个帧的多个帧。例如,帧样本可以包括间隔1秒的帧。帧样本可以是:估计的时间点附近的(预定)数量的帧;两个估计的时间点之间的(预定)数量的帧;预定时间段内的帧。在一些实施例中,帧样本可以包括在两个不同时间段内选择的帧,并且所选择的帧样本在所述至少两个时间段中的第一时间段中的时间间隔不同于在所述至少两个时间段中第二时间段中的时间间隔。例如,帧样本可以包括从AP(动脉期)时段相等时间间隔选择的4个帧、从PVP(门静脉期)时段相等时间间隔选择的8个帧、从LP(晚期)时段选择的4个帧,并且从AP时段中选择的帧的时间间隔小于从PVP或LP时段中选择的帧的时间间隔。
对帧样本进行分类以得出特征。
在一些实施例中,将帧样本或其子集作为整体进行分类以导出特征。例如,将帧样本输入深度学***面外运动的影响。从多个子集中,可以导出一个或多个特征。在一些实施例中,可以训练多任务模型以一起导出多个特征。例如,在帧样本包括从AP时段和PVP时段两者中选择的帧的情况下,可以训练多任务模型来导出AP时段的增强程度和PVP时段的增强程度。又例如,可以训练多任务模型来导出增强程度和增强模式。在一些实施例中,针对每个子集预测特征的概率,然后例如使用多数投票将所有子集的所有概率组合为最终特征结果。
在一些其他实施例中,可以对每个样本帧进行分类,并且然后基于每个样本帧的分类来导出特征,如下文详细描述的。例如,每个帧样本都对其增强程度或增强模式进行分类。
该方法还可包括对多个帧中的每个帧样本的病变增强程度和/或多个帧中的每个帧样本的病变增强模式进行分类的步骤。
病变的位置可以通过上述方法确定,或者可以由用户指示。
可以使用传统的图像处理方法或深度学习方法(例如预训练的神经网络)来分析每个帧样本,以便对每个帧样本进行分类。例如,帧样本中的每个样本的分类可以包括确定图像中病变的增强程度/增强模式(例如,使用图像中病变的指示位置并且确定病变相对于周围组织的增强程度或增强模式)。可以将每个帧与帧的增强程度的预测结果进行比较,并且基于该比较,可以将增强程度的值或分类分配给该帧。
可以使用已经使用训练数据集训练的机器学习算法,以便对病变的增强程度进行分类。训练数据集可以被标记为示出高增强、等增强和低增强的帧循环。训练的算法可以将AP开始时间和峰值时间之间的循环作为输入来预测AP增强程度,将115秒和120秒之间的循环作为输入来预测PVP增强程度,并且将多个帧中的最后帧作为输入来预测P增强程度。可以为每个帧分配一个值,指示病变相对于组织的增强程度,从0到1的索菲亚,0是病变相对于组织没有增强,1是相对于组织高度增强。
替代地,每个帧可被分类为高增强(其中病变的增强大于周围组织的增强)、等增强(其中病变的增强与周围组织的增强非常相似)或者低增强(其中病变的增强小于周围组织的增强)中的一种,例如使用已经使用训练数据集训练的机器学习算法,以便对病变的增强进行分类。可以分析每个帧以确定帧对应于高增强、等增强和低增强中的至少一个的类别的可能性。然后可以将针对每个类别的0到1之间的值分配给每个帧,指示该帧对应于该类别的可能性。具有最高似然性的类别可以被确定为帧的增强的类别。
然后,帧的结果可以用于基于每个帧样本的分类结果来导出与至少一个事件相关联的特征。例如,可以组合帧的结果以确定例如在特定阶段(例如对应于特定事件)的特定帧集合的增强程度。组合可以通过任何方式来执行,例如平均计算、多数投票等。例如,如果针对[高、等、低]的最终结果是[0.1,0.3,0.6],则可以以0.6的置信度预测病变具有低增强。帧样本的增强程度可用于确定事件发生的至少一个时间点。例如,事件可以是病变的增强从高增强(其中病变的增强大于周围组织的增强)变为等增强(其中病变的增强与周围组织的增强非常相似),或者病变的增强从等增强变为低增强(其中病变的增强小于周围组织的增强)。因此,可以根据所确定的帧样本的增强程度来确定病变增强的变化,并且这些变化(例如,特征)与数据中的事件和时间点相关。例如,所确定的增强可以是病变相对于周围组织的增强的指示。因此,根据一组帧的一组确定的增强(例如分类),可以知道帧的增强在什么时间点从一种增强变为另一种增强(例如高增强、等增强或低增强)。与时间点相关的帧序列中的增强分类从高增强、等增强或低增强到另一增强类别的改变可以指示事件发生的时间点。
因此,可以使用上述方法来估计多个时间点(对应于事件)。例如,可以确定以下中的任一项:动脉期开始时间、动脉期峰值时间、病变达到峰值强化的时间、病变从高增强变为等增强的时间、以及病变从等增强变为低增强的时间。该事件可以是以下中的一项:动脉期开始、动脉期峰值、病变峰值增强、动脉期、门静脉期、晚期、从动脉期开始到病变峰值增强的时间。这些时间点中的任何一个可以在CEUS数据中的相关点处在用户界面中指示(例如,相对于与相关时间点相对应的帧)。
图7图示了CEUS数据的示例,其中已经指示了AP开始时间752、峰值增强754、向等增强的改变756以及向低增强758的改变的时间点。应当理解,视觉标记(例如图7中所示的那些)可以在显示器上指示事件发生的循环中的时间点,使得用户(例如临床医师)可以容易地找到其中的相关点,以便在这些点查看肝脏病变。因此,这可以减少用户分析CEUS数据所花费的时间。
该方法还可以包括使用所确定的时间点从CEUS数据中提取进一步的信息。可以基于每个帧样本的分类结果来导出与至少一个事件相关联的特征。例如,每个帧的分类可以用于导出与至少一个事件相关联的特征,其中已经基于该事件选择了帧样本。与至少一个事件相关联的特征可以使用分类算法或者通过接收响应于向用户呈现分类结果而由用户进行输入来导出。该特征可以是中的任一项:病变增强程度、病变增强模式、洗出类型、早洗出、病变增强从高增强变为等增强、病变增强从等增强变为低增强。
分类算法可用于导出对应于至少一个时间点的特定帧集合(例如属于某个阶段的帧)的增强程度或增强模式。可以使用任何合适的分类算法。分类算法可以基于帧样本中的病变的增强程度或病变的增强模式来导出与至少一个时间点相对应的一组帧的病变的增强程度或病变的增强模式。例如,可以对大部分CEUS图像数据的增强程度/增强模式进行分类,其中,然后选择与相关时间点相对应的帧的子集,并且然后可以使用帧的子集的增强程度/增强模式来导出该时间点的增强程度/增强模式。分类算法可以使用属于一个阶段的多个帧中的每个帧的所确定或分类的增强程度来导出特定阶段的增强程度(例如,导出与至少一个事件相关联的特征)。分类算法可以使用属于该阶段的多个帧的所确定或分类的增强模式来对特定阶段的增强模式进行分类,从而确定特定阶段的增强模式。
因此,分类算法可用于处理与至少一个事件(例如,属于特定阶段)相关联的帧,以便导出各个阶段的增强程度或增强模式。分类算法可以是例如逻辑回归、k最近邻、决策树、支持向量机或朴素贝叶斯中的任何算法。在示例中,决策树可以用作分类算法(然而应当理解,可以使用任何其他适当的分类算法)。为了导出与阶段相关的特征,可以使用与阶段相关的帧的分类。可以使用特定时间点附近的帧,通过确定具有特定分类结果(分类结果为增强程度)的帧的数量来导出与阶段相关联的特征,其中具有最高帧数量的分类被确定为阶段的增强的程度或模式。
图8图示了导出与事件相关联的特征的方法(在该示例中,导出动脉期802、门静脉期804和晚期806的增强程度)。例如,使用利用上述方法确定的病变峰值增强时间808,可以确定病变峰值增强时间附近的帧(例如,所述时间附近的预定数量的帧)的增强程度的分类结果810,然后可以确定动脉期的增强812。具体地,将具有最多帧的类别确定为与相位增强程度相对应的类别。这些类别可以是例如高增强、等增强或低增强。类似地,可以通过以下方式来来确定针对门静脉相818的增强程度:选择2分钟814的时间点,并且对2分钟816的时间点附近的预定数量的帧的增强程度结果进行分类,并且确定每个类别中的帧的数量。具有最多帧的类别是门静脉阶段的导出特征(对应于增强程度)。晚期806的并且对这些帧822的增强程度进行分类增强程度可以使用CEUS数据820中的预定数量的最后帧(例如最后记录的循环)来确定。具有最多帧的类别被确定为晚期822的导出特征(增强程度)。由此,导出了针对晚期事件的增强程度的特征。
该方法还可以包括确定针对一个阶段的增强模式。具体地,所述方法可以包括确定动脉期的增强模式。这种方法的流程图的示例如图9所示。例如,所述方法可以包括选择动脉期开始时间902和病变峰值增强时间904之间的帧(使用使用上述方法确定的时间点)并且对每个所选帧(或帧样本)的增强模式进行分类906。例如,每个选择的帧可以被分类为增强模式,例如,同质、非同质的(例如异质的、周围球状/结节状和边缘)。该分类可以是用于肝脏病变诊断的分类(例如,根据Li-RAD指南)。可以使用任何适当的图像处理方法或机器学***均计算、多数投票等来确定阶段的增强模式(例如,与事件相关联的特征),例如在AP开始时间与AP高峰时间之间。
该方法还可以包括确定是否存在多于预定数量的非同质帧908。如果存在多于预定数量的帧(是),则该方法可以将动脉期的增强模式确定为非同质912。如果存在不超过预定数量的帧(否),则该方法可以将动脉期的增强模式确定为同质910。因此,所述方法可以确定动脉期的增强模式(例如,作为同质910或作为另一模式(例如,异质(非同质)、外周球状/结节和边缘)912)——从而导出与事件相关联的特征。
该方法还可以包括评估冲洗,即病变相对于周围组织的增强从较早阶段到较晚阶段的减少,导致在任何时间的低增强。该方法还可以包括通过基于针对每个帧样本的病变的增强程度来确定在第一预定时间段(例如,60秒)之前的时间点病变的增强是否从等增强改变为低增强来确定是否存在早洗出。例如,在一种方法中,如果动脉期的增强程度为高增强或等增强(如通过上述方法确定的),并且在60s时的增强程度为低增强,则可以确定存在早期洗出。该方法可以使用如上所述的与增强程度的确定相关的预训练模型来确定帧的增强程度。还可以使用AP开始时间和60秒之间的帧以及经训练的模型来预测早洗出(是或否),所述模型可以被训练以对洗出类型进行分类。如果存在早洗出,则该方法还可以通过以下方式来导出在第二预定时间段(例如,120秒)的洗出类型:使用所确定的增强程度或使用预训练的神经网络(或任何其他适当的图像处理或机器学习技术)对第二预定时间点附近预定数量的帧中的每个帧的洗出类型进行分类,并且通过确定每个洗出类型类别(类别为标记、轻度和无)中的帧的数量,从而导出洗出类型。
图10示出了用于确定120秒时的洗出类型的过程的流程图。对于120秒的时间点1002,获得时间点1004附近的帧(例如,所述时间点附近的预定数量的帧)的洗出类型(明显、轻微和无)的分类结果。例如,可以使用已经分类的帧集合来训练模型,然后可以使用训练的模型来预测输入帧集合的分类。具体地,可以基于每个帧样本的分类结果来导出与至少一个事件相关联的特征。然后通过评估每个类别中有多少帧(例如通过投票)来确定120秒处的清洗类型,其中具有最高帧数的类别对应于洗出类型。
图11示出了可用于处理CEUS数据并且可包括上述步骤中的一些或全部的方法的概述,其中示出了该方法的步骤的流程图。具体地,所述图示出了由用户1102注释的病变的第一步(然而,应当理解的是,可以替代地使用上述方法来检测病变),之后CEUS数据(以循环的形式)被获得1104。使用上述方法,可以从CEUS数据获得1106基于每帧的预定区域的TIC曲线。使用TIC曲线,可以估计AP开始时间1108和病变1112的峰值增强时间。帧样本可以从CEUS数据1114中采集(例如,每秒1帧)。可以使用上述方法针对样本1116的每一帧确定病变的增强程度。使用采样帧的增强程度,可以估计病变从高增强到等增强1118改变的时间点,并且还可以估计病变从等增强到低增强1120的时间点。然后可以确定病变从等增强变为低增强的时间点是否发生在60秒1122之前。如果不是(否),则可以推断没有发生早洗出1124。如果确实如此(是),则可以推断发生了早洗出1126。如果发生早洗出,则可以使用上述方法导出1128在120秒的时间点的洗出类型。
注意,图11的流程图示出了可以执行以使用本文描述的方法分析或处理CEUS数据的功能的组合,然而,所述方法可以包括上面概述的方法的任何步骤,以任何适当的组合的形式。此外,用户可以选择他们想要该方法确定的结果、事件和/或时间点,并且该方法可以确定那些结果。
作为对每个样本帧进行分类的补充或替代,可以将帧样本作为整体进行分类。
通过上述任何方法确定的任何事件、结果和/或时间点可以呈现给用户和/或注释在用户正在考虑的CEUS数据上。检测结果可以被显示,可以被存储,和/或用户可以被要求确认任何事件或导出的特征。诸如事件时间、分类结果或确定之类的方法的结果可以被整理并用于形成报告的基础。用户可以选择将哪些结果包括在报告中。用户可以在结果被编译之前调整任何结果、事件、导出特征和/或分类。
在另一实施例中,提供了一种包括计算机可读介质的计算机程序产品,所述计算机可读介质具有包含在其中的计算机可读代码,所述计算机可读代码被配置为使得,在由合适的计算机或处理器执行时,使所述计算机或处理器执行本文中描述的一种或多种方法。
因此,应认识到,本公开还应用于适于将实施例付诸实践的计算机程序,尤其是载体上或载体中的计算机程序。所述程序可以是源代码、目标代码、介于源代码与目标代码中间的代码(例如,以部分编译形式的形式)的形式,或者是适于用于在实施根据本文中描述的实施例的方法中使用的任何其它形式。
还应理解,这样的程序可以具有许多不同的架构设计。例如,实施方法或***的功能的程序代码可以被细分为一个或多个子例程。在这些子例程间分布功能的多种不同方式对本领域的技术人员将是显而易见的。子例程可以一起存储在一个可执行文件中以形成自包含的(self-contained)程序。这样的可执行文件可以包括计算机可执行指令,例如处理器指令和/或解释器指令(例如Java解释器指令)。替代地,子例程中的一个或多个或全部可以被存储在至少一个外部库文件中并且与主程序静态或动态地,(例如在运行时)链接。主程序包括对子例程中的至少一个的至少一个调用。子例程也可包括对彼此的功能调用。
计算机程序的载体可以是能够承载所述程序的任何实体或设备。例如,载体可包括数据存储设备,例如是ROM(如CD-ROM、或半导体ROM),或是磁记录介质(例如硬盘)。此外,载体可以是可传输载体,例如电信号或光学信号,其可以经由电缆或光缆或通过无线电或其他手段被传输。当程序被实现在这样的信号中时,载体可以由这样的电缆或其他设备或单元组成。替代地,载体可以是嵌入了程序的集成电路,所述集成电路适于执行相关方法或在相关方法的实施中使用。
本领域技术人员通过研究附图、公开内容以及权利要求书,在实践本文中描述的原理和技术时能够理解并且实现对所公开的实施例的变型。在权利要求中,“包括”一词不排除其他元件或步骤,并且词语“一”或“一个”不排除多个。单个处理器或其他单元可以完成权利要求书中所记载的若干个项目的功能。尽管特定措施是在互不相同的从属权利要求中记载的,但是这并不指示不能有利地使用这些措施的组合。可以将计算机程序存储或分布在与其它硬件一起提供或者作为其它硬件的一部分提供的诸如光存储介质或者固态介质的合适介质上,但是还可以以诸如经因特网或者其它有线或无线电信***的其它形式分布。权利要求书中的任何附图标记不应被解读为对范围的限制。
Claims (15)
1.一种用于分析对象的超声图像数据的装置(100),所述装置(100)包括:
存储器(104),其包括表示指令的集合(106)的指令数据;以及
处理器(102),其被配置为与所述存储器通信并且运行所述指令的集合(106),其中,当所述指令的集合(106)由所述处理器(102)运行时,使所述处理器(102):
获得包括多个帧(100)的对比增强超声图像数据,所述多个帧是帧的时间序列;
估计与至少一个事件相对应的至少一个时间点;
基于至少一个所估计的时间点来从所述多个帧中选择帧样本;并且
对所述帧样本进行分类以导出特征。
2.根据权利要求1所述的装置(100),其中,还使所述处理器对所述帧样本中的每个进行分类并且基于对所述帧样本中的每个的所述分类来导出所述特征。
3.根据权利要求2所述的装置(100),其中,所述特征是使用分类算法或者通过响应于向用户呈现所述帧的所述分类而接收所述用户的输入来导出的。
4.根据前述权利要求中的任一项所述的装置(100),其中,所述特征与至少一个事件相关联,并且所述特征是以下中的至少一项:增强程度、增强模式、洗出类型、早洗出、从高增强到等增强的增强改变、从等增强到低增强的增强改变。
5.根据权利要求1所述的装置,其中,还使所述处理器:基于至少一个所估计的时间点来选择至少两个时间段,并且选择所述至少两个时间段中的每个时间段内的所述帧样本,并且所述至少两个时间段中的第一时间段中所选择的帧样本的时间间隔与所述至少两个时间段中的第二时间段中所选择的帧样本的时间间隔不同。
6.根据权利要求5所述的装置,其中,还使所述处理器从所述帧样本中提取多个子集,每个子集跨越至少两个时间段;并且对所述多个子集进行分类以导出所述特征。
7.根据前述权利要求中的任一项所述的装置(100),其中,对所述至少一个时间点的估计基于以下中的至少一项:粗略时间强度曲线、时间强度曲线、用户输入。
8.根据前述权利要求中的任一项所述的装置,其中,对所述至少一个时间点的所述估计基于粗略时间强度曲线,所述粗略时间强度曲线是通过以下方式来确定的:在相对于每个帧的预定义位置处处理所述帧的区域以产生所述多个帧的时间强度曲线;并且
基于所述时间强度曲线(306)来识别事件发生的所述至少一个时间点。
9.根据前述权利要求中的任一项所述的装置,其中,所述帧样本是以下中的一项:估计的时间点附近的多个帧;两个估计的时间点之间的多个帧;预定时间段内的帧。
10.根据前述权利要求中的任一项所述的装置(100),其中,所述事件是以下中的至少一项:动脉期开始、动脉期峰值、感兴趣区域的峰值增强、动脉期、门静脉期、晚期、从动脉期开始到感兴趣区域的峰值增强的时间。
11.根据前述权利要求中的任一项所述的装置(100),其中,还使所述处理器(102):对所述帧样本的感兴趣区域的所述增强程度进行分类,并且通过基于所述帧样本的所述感兴趣区域的所述增强程度来确定所述感兴趣区域的所述增强是否在第一预定时间段之前的时间点从等增强改变为低增强来确定是否存在早洗出;并且任选地,如果出现早洗出,则使用分类算法来基于所确定的第二预定时间段附近的帧的洗出类型来导出所述第二预定时间段附近的帧的洗出类型,从而对所述第二预定时间段的洗出类型进行分类。
12.根据前述权利要求中的任一项所述的装置(100),其中,还通过以下方式使所述处理器(102)检测感兴趣区域的位置:
确定最佳参考帧,所述最佳参考帧处于动脉期开始时间与所述动脉期开始后动脉期峰值时间之差的预定比率的时间;并且
处理所述最佳参考帧以定位所述感兴趣区域。
13.一种超声成像***,包括根据前述权利要求中的任一项所述的设备(100)和超声换能器,所述超声换能器用于获得对比增强超声图像数据。
14.一种用于分析对象的超声图像数据的计算机实现的方法,所述方法包括:
获得包括多个帧的对比增强超声图像数据,所述多个帧是帧的时间序列;
估计与至少一个事件相对应的至少一个时间点;
基于至少一个所估计的时间点来从所述多个帧中选择帧样本;并且
对所述帧样本进行分类以导出特征。
15.一种包括计算机可读介质的计算机程序产品,所述计算机可读介质具有包含在其中的计算机可读代码,所述计算机可读代码被配置为使得,在由合适的计算机或处理器(102)运行时,使所述计算机或处理器(102)执行根据权利要求14所述的方法。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNPCT/CN2021/114874 | 2021-08-27 | ||
CN2021114874 | 2021-08-27 | ||
EP21199080.9 | 2021-09-27 | ||
EP21199080.9A EP4140415A1 (en) | 2021-08-27 | 2021-09-27 | Method for use in analysing ultrasound image data of a subject |
PCT/EP2022/073555 WO2023025837A1 (en) | 2021-08-27 | 2022-08-24 | Method for use in analysing ultrasound image data of a subject |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117881345A true CN117881345A (zh) | 2024-04-12 |
Family
ID=83283521
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280058419.5A Pending CN117881345A (zh) | 2021-08-27 | 2022-08-24 | 用于分析对象的超声图像数据的方法 |
Country Status (3)
Country | Link |
---|---|
EP (1) | EP4391920A1 (zh) |
CN (1) | CN117881345A (zh) |
WO (1) | WO2023025837A1 (zh) |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6283919B1 (en) | 1996-11-26 | 2001-09-04 | Atl Ultrasound | Ultrasonic diagnostic imaging with blended tissue harmonic signals |
US6458083B1 (en) | 1996-11-26 | 2002-10-01 | Koninklijke Philips Electronics N.V. | Ultrasonic harmonic imaging with adaptive image formation |
US6013032A (en) | 1998-03-13 | 2000-01-11 | Hewlett-Packard Company | Beamforming methods and apparatus for three-dimensional ultrasound imaging using two-dimensional transducer array |
US5997479A (en) | 1998-05-28 | 1999-12-07 | Hewlett-Packard Company | Phased array acoustic systems with intra-group processors |
US6530885B1 (en) | 2000-03-17 | 2003-03-11 | Atl Ultrasound, Inc. | Spatially compounded three dimensional ultrasonic images |
US6443896B1 (en) | 2000-08-17 | 2002-09-03 | Koninklijke Philips Electronics N.V. | Method for creating multiplanar ultrasonic images of a three dimensional object |
US6468216B1 (en) | 2000-08-24 | 2002-10-22 | Kininklijke Philips Electronics N.V. | Ultrasonic diagnostic imaging of the coronary arteries |
JP2011509790A (ja) * | 2008-01-23 | 2011-03-31 | ミカラキス アヴェルキオウ | 超音波造影剤を用いる呼吸同期治療評価 |
WO2014111860A2 (en) * | 2013-01-17 | 2014-07-24 | Koninklijke Philips N.V. | Eliminating motion effects in medical images caused by physiological function |
-
2022
- 2022-08-24 WO PCT/EP2022/073555 patent/WO2023025837A1/en active Application Filing
- 2022-08-24 CN CN202280058419.5A patent/CN117881345A/zh active Pending
- 2022-08-24 EP EP22769160.7A patent/EP4391920A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
EP4391920A1 (en) | 2024-07-03 |
WO2023025837A1 (en) | 2023-03-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11364013B2 (en) | Ultrasound imaging system with a neural network for image formation and tissue characterization | |
US20190336108A1 (en) | Ultrasound imaging system with a neural network for deriving imaging data and tissue information | |
US20220071595A1 (en) | Method and system for adapting user interface elements based on real-time anatomical structure recognition in acquired ultrasound image views | |
CN112867444B (zh) | 用于引导对超声图像的采集的***和方法 | |
CN116709994A (zh) | 用于监测胎儿的心跳的装置 | |
CN113573645B (zh) | 用于调整超声探头的视场的方法和*** | |
CN113382685B (zh) | 用于研究血管特性的方法和*** | |
US20240212132A1 (en) | Predicting a likelihood that an individual has one or more lesions | |
EP4140415A1 (en) | Method for use in analysing ultrasound image data of a subject | |
CN117881345A (zh) | 用于分析对象的超声图像数据的方法 | |
CN114867418A (zh) | 用于评估胎盘的***和方法 | |
US11109841B2 (en) | Method and system for simultaneously presenting doppler signals of a multi-gated doppler signal corresponding with different anatomical structures | |
CN115996673A (zh) | 用于根据超声数据来识别脉管的***和方法 | |
EP3880082A1 (en) | Method and system for tracking an anatomical structure over time based on pulsed-wave dopper signals of a multi-gated doppler signal | |
EP4282339A1 (en) | Processing sequences of ultrasound images | |
EP4014884A1 (en) | Apparatus for use in analysing an ultrasound image of a subject | |
EP4270411A1 (en) | Analysing an ultrasound image feed | |
US11382595B2 (en) | Methods and systems for automated heart rate measurement for ultrasound motion modes | |
US20240029245A1 (en) | Analysing ultrasound image data of the rectus abdominis muscles | |
EP4134010A1 (en) | Apparatus and method for processing image data relating to a pelvic floor of a subject | |
EP4108179A1 (en) | Ultrasound systems and methods for monitoring a valsalva manoeuvre | |
US20230057317A1 (en) | Method and system for automatically recommending ultrasound examination workflow modifications based on detected activity patterns | |
US20240000430A1 (en) | Processing ultrasound scan data | |
US20210390685A1 (en) | Method and system for providing clutter suppression in vessels depicted in b-mode ultrasound images | |
WO2023227488A1 (en) | Processing sequences of ultrasound images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |