[发明专利]超声成像中的分割和视图引导以及相关联的设备、系统和方法

说明书

提供了超声成像设备、系统和方法。一种超声成像系统，包括处理器电路，所述处理器电路被配置为：从超声成像设备接收移动对象在时间段内的输入图像帧的序列，其中，所述移动对象包括患者的解剖结构或穿过所述患者的解剖结构的医学设备中的至少一个，并且其中，所述移动对象的部分在所述输入图像帧的序列中的第一输入图像帧中是至少部分不可见的；将递归预测网络应用于所述输入图像帧的序列以生成分割数据；并且基于所述分割数据将输出图像帧的序列输出到显示器，其中，所述移动对象的所述部分在所述输出图像帧的序列中的第一输出图像帧中是完全可见的。

相关申请的交叉引用

本申请要求2019年4月2日提交的美国临时专利申请US 62/828185和于2020年1月23日提交的美国临时专利申请US 62/964715的优先权和权益，在此通过引用将其全部内容并入，犹如在下面完全阐述一样并且用于所有适用目的。

技术领域

本公开总体涉及超声成像，并且具体而言涉及提供移动对象的分割和用于定位最佳成像视图的引导。

背景技术

超声可以在医学程序(例如，诊断、介入和/或处置)期间提供解剖结构和/或医学设备的非辐射、安全且实时的动态成像。传统地，临床医生依赖于二维(2D)超声成像来在医学程序期间提供医学设备通过患者身体的诊断和/或导航中的引导。然而，在一些情况下，医学设备和/或解剖结构可能是薄的、非刚性的和/或移动的，使得它们难以在2D超声图像中被识别。类似地，解剖结构可能是薄的、曲折的，并且在一些情况下，可能时刻运动(例如，由于呼吸、心脏和/或动脉脉搏)。

三维(3D)超声的最近发展和可用性使得可以观察3D体积而不是2D图像切片。可视化3D体积的能力在医学程序中可能是有价值的。例如，由于透视缩短，医学设备的端部在2D图像切片中可能是不确定的，但是当在3D体积中观察时可能是清楚的。诸如在3D体积中定位最佳成像平面的操作可以显著受益于四维(4D)成像(例如，跨时间的3D成像)。可以受益于3D和/或4D成像的临床领域的示例可以包括外围血管疾病(PVD)和结构性心脏病(SHD)的诊断和/或处置。

虽然3D和/或4D成像可以为医学程序提供有价值的可视化和/或引导，但是3D和/或4D成像数据的解读由于数据的高容量、高维度、低分辨率和/或低帧率而可能是复杂且具有挑战性的。例如，3D和/或4D成像数据的准确解读可能需要具有广泛训练且丰富专业知识的用户或临床医生。另外，数据的解读可能是用户相关的。通常，在超声引导的程序期间，临床医生可能花费大部分时间寻找患者的解剖结构和/或医学设备的理想成像视图。

计算机通常更擅长于解读高体积、高维度数据。例如，可以应用算法模型来辅助解读3D和/或4D成像数据和/或定位最佳成像视图。然而，传统算法在识别和/或分割超声图像中的薄的对象和/或移动对象时可能表现不佳，例如，由于低信噪比(SNR)、超声伪影、位于混淆姿态(诸如沿着血管壁)的设备的遮挡、和/或可能类似于移动对象的高强度伪影。

发明内容

仍然存在对于用于图像分割和成像引导的改善的系统和技术的临床需要。本公开的实施例提供了一种深度学习网络，其利用三维(3D)超声数据和/或四维(4D)超声数据中的时间连续性信息来分割移动对象和/或提供成像引导。3D超声数据可以指的是跨时间从2D超声成像获得的2D图像的时间系列。4D超声数据可以指的是跨时间从3D超声成像获得的3D体积的时间系列。时间感知深度学习网络包括耦合到以多个不同空间分辨率操作的多个卷积编码-解码层的递归部件(例如，递归神经网络(RNN))。深度学习网络应用于包括移动对象和/或医学设备的2D或3D超声成像帧的时间系列。递归部件将深度学习网络对当前图像帧的预测作为辅助输入传递到下一图像帧的预测。