超声方法技术

一种自动识别超声图像中的参考血管的计算机实现的方法，该方法包括：对图像进行分割以识别器官；定位特定于该器官的预定解剖标志；识别适合该器官的脉管系统；以及从该脉管系统中选择尺寸在预定尺寸范围内且位置距所述预定解剖标志预定距离范围的参考血管。述预定解剖标志预定距离范围的参考血管。述预定解剖标志预定距离范围的参考血管。

【技术实现步骤摘要】
【国外来华专利技术】超声方法


[0001]本专利技术涉及超声成像和测量，特别是使用功率多普勒超声技术来测量血流。

技术介绍

[0002]功率多普勒超声是使用反射信号的振幅作为有关发射信号的频移的函数来确定受试者中组织的运动、特别是血流的一种技术。功率多普勒(Power Doppler，PD)超声是通过在感兴趣的面积(2D
‑
PD)或体积(3D
‑
PD)内对超声散射的振幅进行积分来量化的。这是通过对感兴趣区域内的功率多普勒信号求和来实现的，该PD信号表示红细胞的局部浓度(其散射超声)。通常，功率多普勒超声只能提供关于相对血流的信息，这是因为测量部位和传感器之间返回的回波的衰减量是未知的。衰减取决于测量部位和传感器之间的距离以及介入组织的性质，例如疤痕组织衰减强烈。了解绝对血流将改善各种疾病的诊断。已知的用于功率多普勒信号标准化的技术涉及人工识别感兴趣区域以用作标准化参考，从而确定标准化点。所使用的标准化点是“拐点值(knee value)”，其中高于标准化点的功率多普勒强度值被赋值1，低于该标准化点的值被缩放到0到1的范围内[1]。

技术实现思路

[0003]需要一种能够对血流进行绝对测量的技术。
[0004]根据本专利技术，提供了一种自动识别超声图像中的参考血管的计算机实现的方法，该方法包括：分割图像以识别器官；定位特定于该器官的预定解剖标志；识别适合该器官的脉管系统；以及从该脉管系统中选择尺寸在预定尺寸范围内且位置距所述预定解剖标志预定距离范围的参考血管。
[0005]理想地，预定尺寸范围的直径大于3mm。
[0006]理想地，分割包括使用训练后的全卷积神经网络。
[0007]理想地，定位包括使用多类迁移学习模型。
[0008]理想地，多类迁移学习模型包括两个独立的路径：第一路径和第二路径，第一路径具有使用分割模型初始化的参数，第二路径具有使用方差缩放初始化的参数。
[0009]理想地，识别包括使用基于自动化多种子区域生长的方法。
[0010]理想地，识别还包括在基于自动多种子区域生长的方法的输出使用基于3D中轴的细化方法。
[0011]理想地，该器官是胎盘，优选地，解剖标志是子宫
‑
胎盘界面。在这种情况下，理想地，预定距离范围为约0.5cm至约1.5cm。
[0012]根据本专利技术，提供了一种在器官的功率多普勒图像中绘制血流的计算机实现的方法，该方法包括：
使用上述方法识别功率多普勒图像中的参考血管；根据该参考血管确定参考功率多普勒值；以及基于参考功率多普勒值对功率多普勒图像中的功率多普勒值进行缩放，以获得标准化的血流图像。
[0013]理想地，确定参考功率多普勒值包括将模型血管分布拟合到参考血管并确定未落在高剪切血管边缘内的标准化点。
[0014]理想地，拟合模型血管分布包括检测局部最大强度点，并使用区域生成方法来获得所有内部强度都大于阈值的初始血管区域。
[0015]理想地，应用迭代梯度下降技术以最小化成本函数。
[0016]根据本专利技术，提供了一种确定器官中的运动血容量分数的计算机实现的方法，该方法包括：获得该器官的功率多普勒图像；使用上述方法在功率多普勒图像中绘制血流，以获得标准化的血流图像；以及使用标准化的血流图像确定运动血容量分数。
[0017]根据本专利技术，提供了一种计算不良妊娠结局(例如胎儿生长受限和/或先兆子痫)的风险的计算机实现的方法，包括：根据上述方法确定受试者的胎盘中的运动血容量分数；测量受试者的胎盘体积；以及至少部分地基于运动血容量分数和胎盘体积来计算风险评分。
[0018]因此，本专利技术通过对绝对信号进行标准化，使得感兴趣区域上的信号积分始终基线化，从而实现对具有不同组织衰减的不同患者之间的定量血流估计的全自动比较。为此，在与感兴趣区域相似的组织深度水平上识别具有“100％血管分布”的大血管，并将该血管中PD信号记录的数值用作“标准化点”[2]。如果将该大血管中的信号除以整个感兴趣区域的PD信号，那么该感兴趣区域的其他较小血管将始终具有与100％血管分布的血管相关的相同比例信号强度。这种标准化过程产生了一种称为运动血容量分数(Fractional Moving Blood Volume，FMBV)的测量方法，这是用2D和3D超声来定量测量灌注(perfusion)的唯一有效方法。
[0019]本专利技术提供了一种新的用于FMBV估计的方法，该方法克服了现有技术的限制，并且可以提高该技术的准确性。例如，本专利技术避免了由于限定用于分析的感兴趣区域而导致的困难，其中标准化值是感兴趣区域的大小以及包括在该感兴趣区域中的组织的性质的函数。此外，本专利技术的技术不易受到采集图像中的信噪比的影响；在许多情况下，对噪声的敏感度极低。此外，本专利技术不容易受感兴趣区域内中等大小的血管对“拐点(knee point)”的位置和随后计算的标准化值的影响。
[0020]本专利技术能够自动识别来自单个血管的功率多普勒标准化值，以调节超声信号的组织衰减。本专利技术的实施例提供了一种鲁棒且有效的方法，用于从由标准3D功率多普勒超声成像的复杂血管网络中提取的单个血管中自动识别功率多普勒标准化值。
附图说明
[0021]下面将参考示例性实施例和附图进一步描述本专利技术，在附图中：
图1描绘了可用于本专利技术实施例的全卷积神经网络(fully convolutional neural network，fCNN)的架构。图2描绘了使用2D B超平面的胎盘分割(左边的图)、使用半自动随机游走分割的胎盘分割(中间的图)和使用图1的fCNN的分割的胎盘分割(右边的图)的示例图像。图3a和图3b示出了将通过图1的fCNN计算的胎盘体积分别与通过半自动随机游走技术计算的胎盘体积和通过市售的VOCAL
TM
技术计算的胎盘体积进行比较的图。图4描绘了一旦羊膜
‑
胎盘界面(amniotic
‑
placental interface，API)和胎儿
‑
胎盘界面(fetal
‑
placental interface，FPI)已知，如何识别子宫
‑
胎盘界面(utero
‑
placental interface，UPI)。图5a至图5c描绘了在本专利技术实施例中使用的模型的全卷积神经网络架构，具体地，图5(a)为胎盘分割(placenta segmentation，PS)模型；图5(b)为混合(hybrid，HB)模型；及图5(c)为符号描述。图6a描绘了血管树的骨架化和示出横截面分布的血管中心线的例子，图6b描绘了具有分离的血管段的血管树。图7a描绘了闪光伪影，图7b描绘了扫描平面上的平均多普勒信号强度。图8a描绘了由示出周期性噪声的功率多普勒信号覆盖的B超扫描，图8b是侧视图，图8c描绘了线性核。图9描绘了示出周期性噪声的3D
‑
US数据的3D快速傅立叶变换。图10是本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种自动识别超声图像中的参考血管的计算机实现的方法，所述方法包括：分割所述超声图像以识别器官；定位特定于所述器官的预定解剖标志；识别适合所述器官的脉管系统；以及从所述脉管系统中选择尺寸在预定尺寸范围内且位置距所述预定解剖标志预定距离范围的参考血管。2.根据权利要求1所述的方法，其中，所述预定尺寸范围的直径大于3mm。3.根据权利要求1或2所述的方法，其中，所述分割包括使用训练后的全卷积神经网络。4.根据前述权利要求中任一项所述的方法，其中，所述定位包括使用多类别迁移学习模型。5.根据权利要求4所述的方法，其中，所述多类迁移学习模型包括两个独立的路径：第一路径和第二路径，所述第一路径具有使用分割模型初始化的参数，所述第二路径具有使用方差缩放初始化的参数。6.根据前述权利要求中任一项所述的方法，其中，所述识别包括使用基于自动多种子区域生长的方法。7.根据权利要求6所述的方法，其中，所述识别还包括在所述基于自动多种子区域生长的方法的输出使用基于3D中轴的细化方法。8.根据前述权利要求中任一项所述的方法，其中，所述器官是胎盘，优选地，所述解剖标志是子宫
‑
胎盘界面。9.根据权利要求8所述的方法，其中，所述预定距离范围为约0.5cm至约1.5cm。10.一种在器官的功率多普勒图像中绘制血流的计算机实现的方法，所述方法包括：使用根据前述权利要求中任一项所述的方法来识别所述功率多普勒图像中...

【专利技术属性】
技术研发人员：莎莉，
申请(专利权)人：奥克兰联合服务有限公司，
类型：发明
国别省市：