超声心脏多普勒研究自动化制造技术

本发明专利技术题为“超声心脏多普勒研究自动化”。本发明专利技术公开和描述了用于图像数据处理的示例性装置、系统和方法。一个示例性系统包括图像捕获器以便于捕获图像。所述示例性系统包括多普勒频谱记录器以记录多普勒频谱。所述示例性系统包括研究类型推断器，以通过以下方式推断与所述多普勒频谱相关联的研究类型：使用至少一个神经网络处理所述多普勒频谱以在研究类型分类中生成第一概率分布；使用所述至少一个神经网络处理所述图像以在所述研究类型分类中生成第二概率分布；以及组合所述第一概率分布和所述第二概率分布以推断研究类型。

Research automation of ultrasonic heart Doppler

【技术实现步骤摘要】
超声心脏多普勒研究自动化
本公开整体涉及改进的成像系统，并且更具体地讲，涉及用于医学图像处理的改进的机器学习系统和方法。
技术介绍
心脏多普勒超声研究使得能够分析通过心脏的血流，这可帮助医生评估心脏功能(包括收缩和/或舒张功能)和/或以非侵入性方式发现血管阻塞。与其中获得二维图像序列的B模式组织超声扫描相反，多普勒扫描可提供特定点或波束方向的信息。多普勒扫描输出是穿过感兴趣的点和/或方向的移动速度的频谱。目前，无法自动化进行多普勒扫描处理，因为系统无法识别多普勒研究的类型以确定如何处理所采集的多普勒数据。
技术实现思路
某些示例提供了用于改进的图像数据处理的系统和方法。某些示例提供了多普勒研究分类系统，其包括图像捕获器以便于捕获目标的二维超声图像或B模式图像中的至少一者。该示例性系统包括多普勒频谱记录器以记录目标的所捕获的多普勒频谱。该示例性系统包括研究类型推断器，以通过至少以下方式推断与多普勒频谱相关联的研究类型：使用至少一个神经网络处理多普勒频谱，以在多个研究类型分类中生成第一概率分布；使用该至少一个神经网络处理二维超声图像或B模式图像中的至少一者，以在多个研究类型分类中生成第二概率分布；以及组合研究类型分类的第一概率分布与研究类型分类的第二概率分布以推断研究类型。某些示例提供了包括指令的计算机可读存储介质，所述指令在被执行时使得至少一个处理器至少：使用至少一个神经网络处理扫描的多普勒频谱，以在多个研究类型分类中生成第一概率分布；使用至少一个神经网络处理二维超声图像或B模式图像中的至少一者，以在多个研究类型分类中生成第二概率分布；以及组合研究类型分类的第一概率分布与研究类型分类的第二概率分布以推断与多普勒扫描相关的研究类型。某些示例提供了一种计算机实现的方法，包括：使用至少一个处理器，使用至少一个神经网络处理扫描的多普勒频谱，以在多个研究类型分类中生成第一概率分布；使用该至少一个处理器，使用该至少一个神经网络处理二维超声图像或所述B模式图像中的至少一者，以在多个研究类型分类中生成第二概率分布；以及使用该至少一个处理器组合研究类型分类的第一概率分布与研究类型分类的第二概率分布，以推断与扫描的多普勒频谱相关联的研究类型。附图说明图1至图2示出了本文所公开的方法、装置和制品可应用的示例性成像系统。图3是示例性学习神经网络的表示。图4示出了作为卷积神经网络的示例性神经网络的特定实施方式。图5是神经网络的示例性实施方式的表示。图6A示出了应用学习网络来处理和/或以其他方式评估图像的示例性配置。图6B示出了多个学习网络的组合。图7示出了学习网络的示例性训练和部署阶段。图8示出了利用经训练的网络包来提供深度学习产品供应的示例性产品。图9A至图9C示出了各种深度学习设备配置。图10A示出了示例性超声成像自动化过程。图10B示出了检查分类器的示例性实施方式。图11示出了研究类型和多普勒扫描参数之间的示例性关系。图12示出了示例性超声设备界面屏幕。图13示出了相对于用于成像研究分类分析的超声成像设备提供的输入数据和相关输出的示例。图14示出了对成像研究类型进行分类的示例性分类系统。图15示出了示例性多普勒研究分类结果的表。图16至图18示出了用于多普勒图像研究分类的示例性方法的流程图。图19为被构造成执行示例机器可读指令以实现本文所公开和描述的部件的处理器平台的框图。附图未按比例绘制。在所有的附图以及附带的书面描述中，只要有可能，都会使用相同的附图标记来指代相同或类似的部件。具体实施方式在以下详细描述中，参考形成其一部分的附图，并且其中通过图示的方式示出了可实践的具体示例。足够详细地描述了这些示例以使得本领域技术人员能够实践本主题，并且应当理解，可以利用其他示例，并且可以在不脱离本公开主题的范围的情况下进行逻辑、机械、电气和其他改变。因此提供以下详细描述的目的是为了描述示例性实施方式，而非被看作对本公开所述的主题的范围进行限制。来自以下描述的不同方面的某些特征可组合形成下文所讨论的主题的新方面。当介绍本公开的各种实施方案的元件时，词语“一个”、“一种”、“该”和“所述”旨在意指存在这些元件中的一个或多个元件。术语“包含”、“包括”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。虽然下文在医学或医疗保健系统的背景下描述了某些示例，但可在医疗环境之外实现其他示例。例如，某些示例可应用于非医学成像，诸如非破坏性测试、爆炸物检测等。I.概述成像设备(例如，γ相机、正电子发射断层成像(PET)扫描仪、计算机断层成像(CT)扫描仪、X射线机、磁共振(MR)成像机、超声扫描仪等)生成表示身体部位(例如，器官、组织等)的医学图像(例如，原始医学数字成像与通信(DICOM)图像)以诊断和/或治疗疾病。医学图像可视化软件允许临床医生分割、注释、测量和/或报告医学图像的各个位置上的功能或解剖特性。在一些示例中，临床医生可利用医学图像可视化软件以医学图像来识别感兴趣区域。医学图像数据的采集、处理、分析和存储对医疗保健环境中患者的诊断和治疗起着重要作用。医学成像工作流以及该工作流中涉及的设备可在医学成像工作流和设备的整个操作中配置、监测和更新。机器学习可用于帮助配置、监测和更新医学成像工作流和设备。例如，机器学习技术(不论是深度学习网络，还是其他体验/观察学习系统)可用于定位图像中的对象，理解语音并且将语音转换为文本，并且提高搜索引擎结果的相关性。深度学习是机器学习的子集，该机器学习使用一套算法以使用具有多个处理层(包括线性和非线性变换)的深度图对数据中的高层抽象化进行建模。虽然许多机器学习系统都是先植入初始特征和/或网络权重、再通过机器学习网络的学习和更新加以修改，但是深度学习网络是通过训练自身来识别分析的“良好”特征。使用多层架构时，采用深度学习技术的机器对原始数据的处理可好于使用常规机器学习技术的机器。使用评估或抽象化的不同层促进了各组高度相关的值或区别性主题的数据检查。在本说明书和权利要求书中，以下术语自始至终都采取与本文明确相关联的含义，除非上下文另外清楚指明。术语“深度学习”是利用多个数据处理层来识别数据集中的各种结构并且以高准确性对这些数据集进行分类的机器学习技术。深度学习网络可以是基于多个输入和输出来学习模式的训练网络(例如，训练网络模型或设备)。深度学习网络可以是由训练网络生成并且响应于输入而提供输出的所部署的网络(例如，所部署的网络模型或设备)。术语“监督学习”是向机器提供来自人类来源的已分类数据的深度学习训练方法。术语“无监督学习”是不向机器给予已分类数据而是使机器可用于异常检测的深度学习训练方法。术语“半监督学习”是这样的深度学习训练方法，其中向机器提供少量来自人类来源的分类数据，相比之下，更大量的未分类数据可供机器使用。术语“表示学习”是将本文档来自技高网...

【技术保护点】
1.一种多普勒研究分类系统，包括：/n图像捕获器，所述图像捕获器用于便于捕获目标的二维超声图像或B模式图像中的至少一者；/n多普勒频谱记录器，所述多普勒频谱记录器用于记录所述目标的所捕获的多普勒频谱；和/n研究类型推断器，所述研究类型推断器用于通过至少以下方式来推断与所述多普勒频谱相关联的研究类型：/n使用至少一个神经网络处理所述多普勒频谱，以在多个研究类型分类中生成第一概率分布；/n使用所述至少一个神经网络处理所述二维超声图像或所述B模式图像中的所述至少一者，以在多个研究类型分类中生成第二概率分布；以及/n组合所述研究类型分类的第一概率分布和所述研究类型分类的第二概率分布以推断所述研究类型。/n

【技术特征摘要】
20181008 US 16/154,2021.一种多普勒研究分类系统，包括：
图像捕获器，所述图像捕获器用于便于捕获目标的二维超声图像或B模式图像中的至少一者；
多普勒频谱记录器，所述多普勒频谱记录器用于记录所述目标的所捕获的多普勒频谱；和
研究类型推断器，所述研究类型推断器用于通过至少以下方式来推断与所述多普勒频谱相关联的研究类型：
使用至少一个神经网络处理所述多普勒频谱，以在多个研究类型分类中生成第一概率分布；
使用所述至少一个神经网络处理所述二维超声图像或所述B模式图像中的所述至少一者，以在多个研究类型分类中生成第二概率分布；以及
组合所述研究类型分类的第一概率分布和所述研究类型分类的第二概率分布以推断所述研究类型。


2.根据权利要求1所述的系统，还包括参数计算器，所述参数计算器用于计算指示所述二维超声图像或所述B模式图像中的所述至少一者的解剖位置的门坐标。


3.根据权利要求2所述的系统，其中所述参数计算器用于通过以下方式计算门坐标(x,y)：








4.根据权利要求1所述的系统，还包括心动周期监测器，所述心动周期监测器用于存储所述目标的心动周期，所述心动周期将所捕获的多普勒频谱分段成多个多普勒区段，每个多普勒区段使用一组神经网络进行处理。


5.根据权利要求4所述的系统，还包括快速傅里叶变换滤波器，所述快速傅里叶变换滤波器用于在由所述一组神经网络处理所述多个多普勒区段之前对所述多个多普勒区段进行滤波。


6.根据权利要求4所述的系统，其中使用一组神经网络处理所述多个多普勒区段将生成多个第一概率分布，所述多个第一概率分布中的每一个对应于所述多个多普勒区段中的一个，并且其中所述多个第一概率分布将被平均为提供将与所述第二概率分布组合的平均第一概率分布。


7.根据权利要求1所述的系统，其中在使用所述至少一个神经网络进行处理之前，要调整所述二维超声图像或所述B模式图像中的所述至少一者的大小。


8.一种计算机可读存储介质，所述计算机可读存储介质包括指令，所述指令在被执行时使得至少一个处理器至少：
使用至少一个神经网络处理扫描的多普勒频谱，以在多个研究类型分类中生成第一概率分布；
使用所述至少一个神经网络处理所述二维超声图像或所述B模式图像中的至少一者，以在多个研究类型分类中生成第二概率分布；以及
组合所述研究类型分类的第一概率分布和所述研究类型分类的第二概率分布以推断与所述扫描的多普勒频谱相关联的研究类型。


9.根据权利要求8所述的计算机可读存储介质，其中所述指令在被执行时使...

【专利技术属性】
技术研发人员：雷纳托·凯塞特，奥马尔·巴科尔，埃亚勒·哈云，艾吉尔·萨姆塞特，依莉娜·索库林，
申请(专利权)人：通用电气公司，
类型：发明
国别省市：美国;US