1.本公开内容涉及用于在实时超声成像期间控制体积速率的成像系统和方法。特定实施方式涉及被配置为基于解剖界标来调整扇区宽度和/或高度面的数量以控制体积速率的系统。
背景技术：
2.在超声成像期间，可以通过超声换能器阵列来扫描体积中的多个平面。可以使用这多个平面来生成三维(3d)数据集。可以由多平面重新格式化器来处理3d数据集，该多平面重新格式化器根据3d数据集来重建切片以提供2d超声图像以供观看。可以由用户或超声成像系统来确定要被重建的切片。可以由体积绘制器来处理3d数据集，该体积绘制器可以将3d数据集重建成3d图像以供观看。可以同时显示根据3d数据集生成的2d超声图像和3d超声图像这两者。可以实时或近乎实时地显示2d图像和3d图像。然而，随着被扫描体积变大和/或期望的分辨率提高，换能器阵列的体积速率(例如，体积被扫描的速率)会降低。这会降低多平面重新格式化器提供实时2d图像和/或体积绘制器提供实时3d图像的能力。
技术实现要素：
3.本公开内容描述了用于通过控制基于采集场内的界标采集的高度面的数量和每平面的线的数量(例如，扇区宽度)来将体积速率控制在临床相关水平的系统和方法。例如，系统和方法被提供用于获得正交平面数据以识别界标，并且使用这些界标从默认角度识别更优化的高度角度，这可以使体积所要求的数据量最小化，从而允许提高体积速率。
4.根据本公开内容的示例，一种超声成像系统可以包括：超声传感器阵列，其被配置为扫描区域中的至少一个平面；信号处理器，其被配置为从所述至少一个平面生成至少一个图像帧；数据处理器，其与所述信号处理器通信，其中，所述数据处理器包括神经网络，所述神经网络被配置为接收所述至少一个图像帧，其中，所述神经网络被训练为确定感兴趣特征是否存在于所述至少一个图像帧中，其中，在确定所述感兴趣特征存在于所述至少一个图像帧中时，所述神经网络被进一步配置为输出针对所述感兴趣特征的边界数据；所述数据处理器还包括采集控制器，所述采集控制器被配置为：接收所述边界数据，并且使用所述边界数据来生成与包括所述感兴趣特征的体积相对应的扫描参数；以及波束形成器，其与所述数据处理器通信，其中，所述波束形成器被配置为：接收所述扫描参数，并且使所述超声传感器阵列根据所述扫描参数来执行对包括所述感兴趣特征的所述体积的后续扫描。
5.根据本公开内容的示例，一种方法可以包括：利用超声传感器阵列扫描区域中的至少一个平面；从所述至少一个平面生成至少一个图像帧；利用数据处理器的神经网络分析所述至少一个图像帧以确定感兴趣特征是否存在；如果确定所述感兴趣特征存在，则利用所述神经网络生成针对所述感兴趣特征的边界数据；如果确定所述感兴趣特征存在，则利用所述数据处理器的采集控制器至少部分基于所述边界数据来生成扫描参数，所述扫描参数与包括所述感兴趣特征的体积相对应；并且利用所述超声传感器阵列来扫描所述体
积。
6.本文描述的任何方法或其步骤都可以被实施在包括可执行指令的非瞬态计算机可读介质中，所述可执行指令在被执行时可以使医学成像系统的处理器执行本文实施的方法或步骤。
附图说明
7.图1是根据本文描述的示例的超声系统的框图。
8.图2是示出图1的超声系统的额外部件的图。
9.图3示出了根据本文描述的示例的用于训练和部署神经网络的过程的框图。
10.图4是根据本文描述的示例的采集控制器144的输入和输出的框图。
11.图5示出了根据本文描述的示例的被扫描体积的代表性超声图像。
12.图6示出了根据本文描述的示例的代表性超声图像。
13.图7示出了根据本文描述的示例的被扫描体积的代表性超声图像。
14.图8是根据本文描述的示例的方法的流程图。
具体实施方式
15.下面对某些示例性实施例的描述在本质上仅是示例性的，并且决不旨在限制本发明或其应用或用途。在下面对本系统和方法的实施例的详细描述中参考附图，附图形成下面的详细描述的部分并且通过图示的方式示出了可以实践所描述的系统和方法的特定实施例。本文足够详细地描述这些实施例，从而使本领域技术人员能够实践当前公开的系统和方法，并且应当理解，可以在不脱离本系统的精神和范围的情况下利用其他实施例和进行结构和逻辑上的改变。此外，为了清楚起见，当某些特征对于本领域技术人员来说显而易见时，将不会详细讨论这些特征的详细描述，以免模糊对本系统的描述。因此，以下详细描述不应被视为具有限制意义，并且本系统的范围仅由权利要求来限定。
16.超声成像系统用户可以通过利用超声换能器阵列发射和接收超声信号以搜索感兴趣特征来扫描体积。例如，用户可以搜索胎儿内的胎儿心跳或颈部中的颈动脉。通过采集与多个间隔开的二维成像平面(例如，高度面)相对应的超声信号来扫描体积。成像平面(有时被简称为平面)可以以规则间隔被间隔开，即，对于整个体积来说，任何两个平面的中心之间的距离是相同的。一组平面的任一端处的平面之间的角度可以被称为高度角度。如果平面的间隔保持恒定，则高度角度确定所采集的成像平面的数量。每个平面包括多条扫描线，这多条扫描线也可以被规则地间隔开。如果扫描线的密度保持恒定，则平面中的线的数量可以确定平面的宽度(被称为扇区宽度)。成像平面越多和/或扇区宽度越大，扫描体积所花费的时间就越长。也就是说，它降低了体积速率。成像平面的数量、高度角度、扫描线密度、扫描线的数量和/或扇区宽度是扫描参数的示例。
17.通常，初始被扫描体积大于感兴趣特征的体积。这可以减小找到目标中的感兴趣特征的难度。然而，扫描更大的体积会降低换能器阵列的体积速率。这会限制用户实时查看感兴趣特征的能力。例如，在一些情况下，胎儿心率可能比换能器阵列的体积速率更快。一旦发现了感兴趣特征，用户就可以调整扫描参数(例如，成像平面的数量和/或每平面中的线的数量(例如，扇区宽度))以扫描与感兴趣特征的体积更紧密匹配的经调整的体积。在一
些应用中，这可以通过减小被扫描体积来提高体积速率。然而，手动调整这些参数是麻烦且耗时的。此外，一些用户(尤其是具有较少经验的用户)可能在尝试控制体积速率时无意中使得感兴趣特征落在被扫描体积外部。
18.本文公开的超声成像系统可以自动检测感兴趣特征，并且基于检测到的感兴趣特征来调整成像平面的数量和/或扇区宽度以调整被扫描体积以控制体积速率。在一些应用中，不是调整初始被扫描体积，而是超声成像系统可以基于一个或多个所采集的包括感兴趣特征的2d平面来确定要扫描的体积。自动调整和/或设置要扫描的体积可以减少用户调整扫描(例如，采集)参数所花费的时间，并且在尝试控制体积速率时降低用户“丢失”感兴趣特征的风险。这可以减少检查时间和/或提高在一些应用中采集的图像的诊断质量。
19.根据本公开内容的超声系统可以利用人工神经网络(被简称为神经网络)(例如，深度神经网络(dnn)、卷积神经网络(cnn)、循环神经网络(rnn)、自编码器神经网络等)以自动检测被扫描体积中的感兴趣特征。在各种示例中，可以使用各种当前已知的或更高版本的学习技术来训练(一个或多个)神经网络以获得以下神经网络(例如，经训练的算法或基于硬件的节点系统)，该神经网络被配置为：分析呈超声图像帧、测量结果和/或统计数据的形式的输入数据，并且确定感兴趣特征是否存在于平面或体积中。基于神经网络的输出，超声系统可以设置和/或调整扫描参数以将被扫描体积设置为与感兴趣特征更紧密匹配的体积。
20.根据本发明的原理的超声系统可以包括超声换能器或者被操作性耦合到超声换能器，所述超声换能器被配置为将超声脉冲发射到介质(例如，人类身体或其特定部分)并且生成响应于该超声脉冲的回波信号。超声系统可以包括波束形成器和显示器，所述波束形成器被配置为执行发射和/或接收波束形成，所述显示器被配置为在一些示例中显示由超声成像系统生成的超声图像。超声图像可以是二维图像或三维图像(例如，绘制结果)。超声成像系统可以包括一个或多个处理器以及神经网络的至少一个模型，所述至少一个模型可以在硬件部件和/或软件部件中实施。神经网络能够被训练为确定感兴趣特征是否存在于被扫描体积或平面中。
21.根据本公开内容实施的神经网络可以是基于硬件的(例如，由物理部件表示的神经元)或基于软件的(例如，在软件应用中实施的神经元和路径)，并且能够使用各种拓扑结构和学习算法来训练神经网络以产生所期望的输出。例如，可以使用处理器(例如，单核或多核cpu、单个gpu或gpu群集或被布置用于并行处理的多个处理器)来实施基于软件的神经网络，所述处理器被配置为执行可以被存储在非瞬态计算机可读介质中的指令，所述执行当被执行时使处理器执行经训练的算法，以确定感兴趣特征是否位于被扫描体积内。超声系统可以包括显示器或图形处理器，所述显示器或图形处理器能操作用于在显示窗口中布置超声图像(2d、3d、4d等)和/或额外的图形信息(所述额外的图形信息可以包括注释、用户指令、组织信息、患者信息、指示符、颜色编码、突出显示和其他图形部件)以用于在超声系统的用户接口上进行显示。在一些示例中，可以将超声图像帧提供给存储装置和/或存储器设备(例如，图片归档与通信系统(pacs))以用于检查后审查，报告目的或未来训练(例如继续增强神经网络的性能)，尤其是用于产生与高置信度相关联的感兴趣物项的图像帧。显示器能够位于远处并且与用户相互作用，而不是与正在进行实时或异步成像的超声医师相互作用。
22.图1示出了根据本公开内容的原理的示例超声系统。超声系统100可以包括超声传感器阵列112，超声传感器阵列112被配置为：将超声脉冲114发射到对象的区域116中(例如，腹部)，并且接收响应于发射脉冲(由箭头10所指示)的超声回波118(由箭头12所指示)。超声传感器阵列112可以被包括在(手持式或固定式)探头中或在贴片(例如被配置为粘性结合到患者)中。区域116可以包括一个或多个感兴趣特征(例如，显影的胎儿，如图所示，或者显影的胎儿的部分，例如，心脏)。虽然一些说明性实施例可以指多个胎儿或胎儿解剖解剖结构，但是本公开内容的教导不限于胎儿扫描。区域116可以包括各种其他解剖目标或其部分(例如，肾脏或心脏)，这些其他解剖目标或其部分可以是感兴趣特征。进一步如图所示，超声系统100能够包括波束形成器120，波束形成器120可以控制超声传感器阵列112以扫描区域116中的体积，如箭头14所示。超声系统100可以包括信号处理器122，信号处理器122能够被配置为：根据在阵列112处接收到的并由波束形成器120提供给信号处理器122(如箭头16所示)的超声回波118来生成离散的超声图像帧124的流。超声图像帧124可以是独立采集的图像帧或序列(例如，影像回播)的部分。在区域116的被扫描体积中，每个帧124可以与图像平面(例如，高度面)相对应。图像帧124可以由信号处理器122输出并且被存储在系统100的本地存储器125中，如箭头18所示，其中，可以在检查期间或者在检查后审查期间访问图像帧124。本地存储器125可以由一个或多个硬盘驱动器、固态驱动器或包括非易失性存储器的任何其他类型的合适的存储设备来实施。除了图像帧124以外，本地存储器125还可以被配置为存储额外的图像数据、可执行指令或系统100的操作所需的任何其他信息。
23.额外地或替代地，图像帧124能够被传送到数据处理器126，如箭头20所示。数据处理器126可以被配置为：识别感兴趣特征，并且生成用于扫描包括至少一个识别的感兴趣特征的经调整的体积的扫描参数。数据处理器126可以被实施为一个或多个微处理器、图形处理单元、专用集成电路和/或其他处理器类型。在一些应用中，例如在检查后审查期间，数据处理器126可以从本地存储器125接收图像帧124。在一些示例中，数据处理器126可以被配置为通过实施至少一个神经网络(例如，神经网络128)来识别感兴趣特征，所述至少一个神经网络能够被训练为识别被扫描体积中的感兴趣特征。数据处理器126可以包括采集控制器144。采集控制器144可以提供控制信号，以将扫描参数提供给波束形成器120和/或超声传感器阵列112，如箭头22所示。例如，采集控制器144可以控制扫描平面的数量、每平面的线的数量和/或由超声传感器阵列112和/或波束形成器120生成的超声波束的转向。在一些应用中，扫描参数至少部分地基于网络128的输出，如箭头24所示。在一些示例中，数据处理器126可以任选地包括多个处理器。例如，网络128可以被包括在第一处理器130上，并且采集控制器144可以被包括在第二处理器132上。在其他示例中，网络128和采集控制器144可以被包括在单个处理器上。
24.在一些示例中，网络128可以是静态学习网络。也就是说，网络可以在系统100上进行完整训练，或者用于实施完整训练的网络128的另一系统或可执行指令被提供给数据处理器126。在通常等同于静态学习网络的其他实施例中，数据处理器126可以被提供有可执行指令，所述可执行指令使用类似输入来实施功能，所述可执行指令以类似于经训练的网络的方式处理这些输入并且输出类似的数据。
25.在一些示例中，网络128可以是动态的连续学习网络。在这样的示例中，基于每个
超声检查的结果来修改用于实施网络128的可执行指令。在各种示例中，数据处理器126也能够被(通信性或以其他方式)耦合到数据库127，如箭头26所示。数据库127可以被配置为存储各种数据类型，包括可执行指令、训练数据和新采集的患者特异性数据。在一些示例中，如图1所示，数据库127可以被存储在本地存储器125上，然而，数据库127也可以被实施在系统100上的单独的存储位置中。
26.超声系统100能够被配置为从一个或多个感兴趣区域116采集超声数据，所述超声数据可以包括动脉、胎儿、其他解剖结构或其特征。超声传感器阵列112可以包括至少一个换能器阵列，所述至少一个换能器阵列被配置为发射和接收超声能量。能够预设超声传感器阵列112的设置以执行特定扫描，并且在示例中，在特定扫描期间，超声传感器阵列112的设置能够是可调整的。可以使用各种换能器阵列。在不同的示例中，在传感器阵列112中包括的换能器元件的数量和布置可以变化。超声传感器阵列112可以包括与矩阵阵列探头相对应的换能器元件的2d阵列。2d矩阵阵列可以被配置为(经由相控阵列波束形成)在高度维度的和方位维度这两者上进行电子扫描以进行2d成像或3d成像。在一些示例中，超声传感器阵列112可以包括线性(例如，1d)阵列或相控阵列。然而，线性阵列或相控阵列可以仅提供对被扫描体积的宽度维度和/或深度维度的控制。
27.除了b模式成像以外，根据本文公开内容实施的成像模态还能够包括例如剪切波和/或多普勒。各种用户可以处理和操作超声系统100以执行本文描述的方法。在一些示例中，用户可以是没有经验的操作者、无法准确调整要扫描的体积的位置和/或维度的新手超声操作者。在一些情况下，系统100的一个或多个部件由机器人控制(定位、设置等)，并且能够替换人类操作员数据以执行本文描述的方法。例如，波束形成器120和/或超声传感器阵列112可以被配置为利用由数据处理器126获得的查找结果来调整图像平面的数量和/或每平面的线的数量，从而设置或者调整要扫描的体积。调整可以维持感兴趣特征在经调整的要扫描的体积内。根据这样的示例，超声系统100能够被配置为通过响应于从数据处理器126接收到的反馈而调整换能器、信号处理器或波束形成器的一个或多个参数来以自动方式操作。
28.在一些示例中，波束形成器120可以包括微波束形成器或者微波束形成器与主波束形成器的组合，波束形成器120被耦合到超声传感器阵列112。波束形成器120可以控制对超声能量的发射，例如通过将超声脉冲形成为聚焦波束来控制对超声能量的发射。波束形成器120还可以被配置为控制对超声信号的接收，使得可以借助于其他系统部件来产生和处理可辨别的图像数据。在不同的超声系统变型中，波束形成器120的作用可以变化。在一些示例中，波束形成器120可以包括两个单独的波束形成器：发射波束形成器，其被配置为接收和处理用于发射到对象中的超声能量的脉冲序列；以及单独的接收波束形成器，其被配置为对接收到的超声回波信号进行放大、延迟和/或求和。在一些示例中，波束形成器120可以包括在既用于发射波束形成又用于接收波束形成的传感器元件组上操作的微波束形成器，波束形成器120被耦合到主波束形成器，所述主波束形成器在分别用于发射波束形成和接收波束形成的输入和输出的组上进行操作。在一些示例中，波束形成器120可以通过数据处理器126接收输出的扫描参数。
29.信号处理器122可以与传感器阵列112和/或波束形成器120通信性、操作性和/或物理性耦合。在一些示例中，信号处理器可以与传感器阵列112一起处于壳体中，或者信号
处理器可以与传感器阵列112物理地分离但是(例如经由有线连接或无线连接)被通信性耦合到传感器阵列112。信号处理器122可以被配置为接收未经滤波的和杂化的超声数据，该超声数据体现了在传感器阵列112处接收到的超声回波118。根据该数据，信号处理器122可以在用户扫描感兴趣区域116时连续地生成多个超声图像帧124。
30.在特定示例中，神经网络128可以包括使用经标记的成像数据的训练集训练的深度学习网络，以确定感兴趣特征何时在被扫描体积或平面内。在一些示例中，神经网络128可以分析针对解剖界标的图像平面，以确定感兴趣特征是否存在于被扫描体积中。在一些示例中，神经网络128可以分析针对解剖界标(例如，胎儿心脏的a平面和b平面)的两个或更多个正交平面。解剖界标的示例包括但不限于圆形或管状特征(其可以指示血管)、局部强度最大值(其可以指示可植入设备)以及高流量的区域(其可以指示心脏瓣膜)。一旦识别出感兴趣特征，神经网络128就可以向采集控制器144提供输出。输出可以包括感兴趣特征的位置和/或感兴趣特征的维度，它们可以被统称为感兴趣特征的边界数据。
31.基于从神经网络128接收的输出，采集控制器144可以确定各种扫描参数(例如，要扫描的位置、要采集的成像平面的数量和/或要采集的每平面的线的数量)以生成经调整的与体积相对应的参数或经调整的要扫描的体积。采集控制器144可以将经调整的扫描参数输出到波束形成器120和/或超声传感器阵列112。由采集控制器144输出的经调整的扫描参数可以使波束形成器120和/或超声传感器阵列112调整所发射的超声脉冲114，以采集在由经调整的扫描参数所指示的位置处的图像平面的数量和每平面的线的数量。在一些应用中，由超声传感器阵列112采集的经调整的体积可以小于初始扫描体积。因此，在一些应用中，可以提高体积速率，同时仍然对感兴趣特征进行成像。
32.图2示出了系统100的额外部件。如上面所讨论的，能够经由系统100的一个或多个部件向用户显示一个或多个采集的超声图像帧。如图2所示，这样的部件能够包括显示处理器158，显示处理器158与数据处理器126通信性耦合，如箭头28所示。显示处理器158还与用户接口160相耦合，如箭头32所示，使得显示处理器158能够将数据处理器126(以及因此在其上操作的一个或多个神经网络和采集控制器)链接到用户接口160，从而使数据处理器输出能够被显示在用户接口160的显示器164上。例如，可以显示2d平面和/或3d体积。所显示的2d平面和/或3d体积可以基于由用户最初扫描的体积和/或基于由采集控制器144生成的扫描参数所扫描的体积。显示器164可以包括使用各种已知的显示技术实施的显示设备，例如，lcd、led、oled或等离子体显示技术。在一些示例中，显示处理器158能够被配置为根据在数据处理器126和/或本地存储器125处接收到的图像帧124来生成超声图像162，如箭头30所示。在一些示例中，用户接口160能够被配置为在超声扫描正被执行时实际显示超声图像162。在一些示例中，用户显示器164可以包括多个显示器。在一些示例中，超声图像162可以被显示在第一显示器164上，并且用户接口选项可以同时被显示在第二显示器164上。
33.用户接口160还能够被配置为在超声扫描之前、期间或之后的任何时间经由用户控件或控制器168接收用户输入166，如箭头34所示。例如，用户接口160可以是交互式的，从而接收用户输入166，用户输入166指示期望的检查类型和/或感兴趣特征。在一些示例中，可以向神经网络128提供所期望的检查类型和/或感兴趣特征。在这些示例中，神经网络128可以基于由用户指示的检查类型或感兴趣特征来搜索特定的感兴趣特征。在一些示例中，输入166可以包括对一个或多个成像设置(例如，增益)的调整。在一些示例中，(一个或多
个)用户控件168可以包括一个或多个硬控件(例如，按钮、旋钮、拨号盘、编码器、鼠标、轨迹球或其他控件)。在一些示例中，(一个或多个)用户控件168可以额外地或替代地包括在触敏显示器上提供的软控件(例如，gui控制元件或简称为gui控件)。在一些示例中，显示器164可以是触敏显示器，该触敏显示器包括(一个或多个)用户控件168的一个或多个软控件。
34.图2和图1中示出的部件的配置可能会有所不同。例如，系统100能够是便携式的或静止的。可以使用各种便携式设备(例如，笔记本电脑、平板电脑、智能电话、远程显示器和接口等)来实施系统100的一种或多种功能。图1
‑
2中示出的部件的物理配置可能会有所不同。例如，超声传感器阵列112、波束形成器120、信号处理器122、存储器125和数据处理器126可以被包括在超声探头中，并且用户接口160和显示器158可以被包括在单独的计算设备(例如，超声基座系统、笔记本电脑、平板电脑)中。超声探头和计算设备可以物理耦合(例如，线缆)或无线耦合。在另一示例中，超声传感器阵列112被包括在超声探头中，并且系统100的所有其他部件被包括在超声成像系统的基座单元中。超声探头可以被物理耦合或无线耦合到基座单元。也可以使用其他物理配置。
35.可以远程(例如在云中)执行数据处理中的一些或所有数据处理。在包含这样的设备的示例中，例如能够经由usb接口连接超声传感器阵列112。在一些示例中，图1和图2中示出的各种部件可以组合。例如，神经网络128可以与采集控制器144合并。根据这样的示例，由神经网络128生成的输出仍然可以被输入到采集控制器144中，但是网络和控制器可以构成例如较大的分层网络的子部件。在一些示例中，图1和图2中示出的各种部件可以包括多个部件。例如，信号处理器122可以包括多个处理器(例如，多普勒处理器、b模式处理器、扫描转换器、多平面重新格式化器、体积绘制器)。
36.在一些示例中，系统100可以被配置为实施神经网络128(其可以包括cnn)以确定感兴趣特征何时位于被扫描体积或平面中。在一些示例中，神经网络128可以包括多个神经网络。可以利用诸如一个或多个感兴趣特征被标记为存在其中的图像帧之类的成像数据来训练神经网络128。神经网络128可以被训练为识别与标准超声检查(例如，用于超声心动描记的心脏的不同标准视图)相关联的目标解剖特征，或者用户可以训练神经网络128以定位一个或多个定制的目标解剖特征(例如，植入的设备、肝脏肿瘤)。
37.在一些示例中，能够利用成千上万的训练数据集来呈现与神经网络128相关联的神经网络训练算法，以便训练神经网络以确定何时至少一个感兴趣特征存在于被扫描体积或平面中。在各种示例中，用于训练(一个或多个)神经网络的超声图像的数量的范围可以为大约50000至200000或更高。如果要识别较高数量的不同的感兴趣物项，或者要适应更多种类的患者变化(例如，体重、身高、年龄等)，则可以增加用于训练(一个或多个)网络的图像的数量。训练图像的数量可因不同的感兴趣特征或其子特征而不同，并且可以取决于某些特征的外观的可变性。例如，肿瘤的可变性通常比正常解剖结构的可变性更大。在另一示例中，胎儿心脏可能随着胎儿的发育进展而变化。训练网络128以评估与宽群体可变性很高的特征相关联的感兴趣物项的存在可能需要更大量的训练图像。
38.图3示出了根据本公开内容的原理的用于训练和部署神经网络的过程的框图。图3中示出的过程可以用于训练网络128。图3的左侧(阶段1)图示了神经网络的训练。为了训练神经网络128，可以向(一个或多个)神经网络的(一个或多个)训练算法呈现包括输入阵列
和输出分类的多个实例的训练集(例如，如在由krizhevsky,a.、sutskever,i.和hinton,g.e.的“imagenet classification with deep convolutional neural networks”(nips2012或其后续物)中描述的alexnet训练算法)。训练可以涉及选择开始网络架构312和准备训练数据314。开始网络架构312可以是空白架构(例如，具有定义的层和节点布置但没有任何先前训练的权重的架构)或部分训练的网络(例如，初始网络)，然后可以进一步剪裁该空白架构或部分训练的网络以进行超声图像的分类。开始架构312(例如，空白权重)和训练数据314被提供给训练引擎310以用于训练模型，如箭头36所示。在足够数量的迭代后(例如，当模型在可接受的误差内持续执行时)，模型320被认为被训练好并准备好部署，这在图3的中间(阶段2)中图示出。在图3的右侧或阶段3中，(经由推理引擎330)应用经训练的模型320(如箭头38所示)以用于分析新数据322，如箭头40所示，新数据322是在初始训练期间(在阶段1中)未被呈现给模型的数据。例如，新数据332可以包括未知图像，例如，在对患者的扫描期间采集的实况超声图像(例如，图1中的图像帧124)。经由引擎330实施的经训练的模型320用于根据模型320的训练对未知图像进行分类以提供输出334(例如，用于被扫描体积中的感兴趣特征的边界数据)，如箭头42所示。然后，系统可以将输出334(例如，被扫描体积内的感兴趣特征的维度和位置)用于后续过程340(例如作为针对一个或多个其他机器学习模型的输入，如箭头44所示，并且用于实现系统100的动作，例如生成用于扫描具有感兴趣特征的经调整的体积的扫描参数)。
39.在经训练的模型320用于实施神经网络128的示例中，开始架构可以是卷积神经网络或深度卷积神经网络的开始架构，其可以被训练为执行图像帧索引、图像分割、图像比较或其任何组合。随着存储的医学图像数据的量的增加，高质量临床图像的可用性一直在增加，可以利用这种情况来训练神经网络进行学习，以确定何时感兴趣特征存在于被扫描体积中。训练数据314可以包括多个(数百个、通常成千上万个)的注释/标记的图像(也被称为训练图像)。应当理解，训练图像不必包括由成像系统产生的完整图像(例如，表示探头的完整视场)，而是可以包括标记的感兴趣物项的拼片或图像的部分。
40.在各种示例中，经训练的神经网络128可以至少部分地被实施在由处理器(例如，数据处理器126)执行的可执行指令的计算机可读介质中。
41.图4是根据本文描述的示例的采集控制器144的输入和输出的框图。采集控制器144可以从神经网络128接收输出402(例如，图3所示的输出334)，如箭头46所示。输出可以包括边界数据(例如，感兴趣特征的维度和位置)。任选地，采集控制器144可以接收原始扫描参数404，原始扫描参数404用于最初扫描区域116中的体积或平面，如箭头48所示。可以从波束形成器120和/或超声传感器阵列112接收原始扫描参数。采集控制器144可以使用输入402和404来生成经调整的扫描参数406，如箭头50所示。经调整的扫描参数406可以包括波束形成器变量，例如，要激活换能器阵列的哪些换能器元件，何时激活换能器元件，和/或施加到波束形成器和/或微波束形成器的每条通道的延迟。可以将经调整的扫描参数406提供给波束形成器120和/或超声传感器阵列112。经调整的扫描参数406可以使超声传感器阵列112扫描包括感兴趣特征的经调整的体积。一些应用中，通过调整超声传感器阵列112所扫描的体积，采集控制器144在可以控制体积速率。
42.图5示出了根据本文描述的示例的被扫描体积的代表性超声图像。窗格502是在最初被扫描体积中的颈动脉500的部分的3d超声图像。窗格504是颈动脉500的部分的纵向平
面的2d图像。窗格506是颈动脉500的部分的横向平面的2d图像。在一些示例中，可以通过多平面重新格式化器从3d体积中提取纵向平面和横向平面。在图5所示的示例中，神经网络128分析了窗格506所示的横向平面并且确定颈动脉500(例如，感兴趣特征)存在于被扫描体积中，如圆圈508所示。神经网络128向采集控制器144提供了颈动脉500的边界数据。基于边界数据，采集控制器144生成了经调整的扫描参数。在该示例中，经调整的扫描参数对应于经调整的高度角度，如线510所示。在该示例中，经调整的高度角度比最初被扫描体积的高度角度更窄。
43.窗格512是经调整的体积中的颈动脉500的部分的3d超声图像。窗格514是经调整的体积中的颈动脉500的部分的纵向平面的2d图像。窗格506是经调整的体积中的颈动脉的部分的横向平面的2d图像。在窗格516中能够很明显地看出，经调整的体积与颈动脉500的体积更紧密地对齐。因此，扫描到较少的颈动脉500周围的“外来”组织。与最初被扫描体积相比，经调整的体积的被扫描体积的减小可以提供体积速率的提高。在图5所示的示例中，体积速率从3hz提高到7hz。
44.在一些应用中，用户可以在扫描整个体积之前采集体积中的一个或多个2d平面。在这些应用中，超声成像系统可以至少部分地基于神经网络对这一个或多个2d平面的分析来确定要扫描的体积。
45.图6示出了根据本文描述的示例的代表性超声图像。窗格602是颈动脉600的部分的纵向平面的2d图像。窗格604是颈动脉600的部分的横向平面的2d图像。在图6所示的示例中，神经网络128可以分析窗格602和/或604并确定颈动脉600存在并生成针对颈动脉600的边界数据(例如，感兴趣特征)。可以向采集控制器144提供边界数据，采集控制器144可以生成经调整的扫描参数，所述经调整的扫描参数定义要扫描的体积。窗格602是基于经调整的扫描参数得到的颈动脉600的部分的纵向平面的2d图像。窗格604是基于经调整的扫描参数得到的颈动脉600的部分的横向平面的2d图像。虽然仍然只采集2d平面，但是经调整的扫描参数已经使帧速率从16hz提高到了20hz。基于经调整的扫描参数进行的体积扫描的体积速率可以比基于用于采集窗格602和604所示的图像的初始扫描参数进行的体积扫描的体积速率更高。
46.在一些示例中，超声成像系统可以调整多个平面中的扫描参数，而不是仅仅调整单个平面(例如，横向平面)的扫描参数。
47.图7示出了根据本文描述的示例的被扫描体积的代表性超声图像。窗格702、704和706示出了胎儿心脏700的各种2d图像。窗格708是胎儿心脏700的3d图像。在图7所示的示例中，神经网络128可以分析窗格702、704和/或706以确定胎儿心脏700存在并生成针对胎儿心脏700(例如，感兴趣特征)的边界数据。可以向采集控制器144提供边界数据，采集控制器144可以生成经调整的扫描参数，所述经调整的扫描参数定义要扫描的体积。在图7所示的示例中，经调整的扫描参数可以减小扇区宽度(如窗格702中的线710所示)并且减小高度角度(如窗格704中的线712所示)。基于经调整的扫描参数对包括胎儿心脏700的体积进行扫描的扫描速率可以高于初始被扫描体积的扫描速率(例如具有更高的体积速率)，如图7所示。在一些应用中，较高的体积速率可以允许对胎儿心脏700的移动的更好的可视化。
48.图8是根据本公开内容的一些示例的方法的流程图800。例如，在一些应用中，可以如图5
‑
7所示的那样执行流程图800的方法。在框802处，可以执行“扫描区域中的至少一个
平面”的步骤。在一些示例中，可以由超声传感器阵列112来执行扫描。在一些示例中，可以由波束形成器120来控制超声传感器阵列112。在框804处，可以执行“生成至少一个图像帧”的步骤。在一些示例中，可以根据对至少一个平面的扫描来生成至少一个图像帧。在一些示例中，可以由信号处理器122来生成至少一个图像帧。在框806处，可以执行“分析至少一个平面以确定感兴趣特征是否存在”的步骤。在一些示例中，可以由神经网络128来执行分析，在一些示例中，神经网络128可以被包括在数据处理器126中。在一些示例中，神经网络128可以被训练为搜索解剖界标以确定感兴趣特征是否存在。如果在框806处确定感兴趣特征存在，则在框808处可以执行“生成针对感兴趣特征的边界数据”的步骤。在一些示例中，可以由神经网络128来执行所述生成。在框810处，可以执行“生成扫描参数”的步骤。在一些示例中，可以由采集控制器144来执行所述生成。在一些示例中，采集控制器144可以被包括在数据处理器126中。扫描参数可以对应于包括感兴趣特征的体积，并且至少部分地基于神经网络128提供的边界数据。在框812处，可以执行“对体积进行扫描”的步骤。在一些示例中，可以由超声传感器阵列112来执行所述扫描。在一些示例中，可以在显示器上提供经调整的体积。
49.在一些应用中，本文描述的系统和方法可以提供对超声成像系统的功能的改进。例如，本文描述的系统和方法可以允许自动和/或半自动地调整超声成像系统的采集的体积维度和/或体积速率。这可以减少用户手动调整超声成像系统上的设置所需的时间的量。这可以进一步降低用户在调整由超声成像机器进行的体积扫描时将丢失被扫描体积内的感兴趣特征的风险。
50.在使用可编程设备(例如，基于计算机的系统或可编程逻辑单元)实施部件、系统和/或方法的各种实施例中，应当理解，能够使用各种已知的或后来开发的编程语言(例如，“c”、“c++”、“c#”、“java”、“python”、“vhdl”等)来实施上述系统和方法。因此，能够准备各种存储介质(例如，计算机磁盘、光盘、电子存储器等，其能够包含能够指导诸如计算机的设备的信息)来实现上述系统和/或方法。一旦适当的设备访问了被包含在存储介质上的信息和程序，存储介质就能够向设备提供信息和程序，从而使得设备能够执行本文所述的系统和/或方法的功能。例如，如果向计算机提供包含适当材料(例如，源文件、目标文件、可执行文件等)的计算机磁盘，则计算机可以接收该信息，适当配置其自身并执行在上面的图表和流程图中概述的各种系统和方法的功能，从而实施各种功能。也就是说，计算机可以从盘中接收与上述系统和/或方法的不同元件有关的各种信息的部分，实施各个系统和/或方法并协调上述各个系统和/或方法的功能。
51.鉴于本公开内容，应当注意，本文描述的各种方法和设备能够以硬件、软件和固件来实施。另外，各种方法和参数仅作为示例被包括在内，而不具有任何限制意义。鉴于本公开内容，本领域普通技术人员能够在确定他们自己的技术和所需仪器时实施本教导来影响这些技术，同时保持在本发明的范围内。本文描述的处理器中的一个或多个处理器的功能可以并入更少数量或单个处理单元(例如，cpu)中，并且可以使用专用集成电路(asic)或被编程为响应于可执行指令而执行本文所述的功能的通用处理电路来实施。
52.虽然已经具体参考超声成像系统描述了本系统，但是还可以设想到，本系统能够被扩展到其他医学成像系统，在其他医学成像系统中，以系统方式获得一幅或多幅图像。因此，本系统可以用于获得和/或记录以下图像信息，这些图像信息涉及但不限于肾脏、睾丸、
乳腺、卵巢、子宫、甲状腺、肝脏、肺、肌肉骨骼、脾脏、心脏、动脉和脉管系统，以及与超声引导的介入相关的其他成像应用。另外，本系统还可以包括可以与常规的成像系统一起使用的一个或多个程序，使得所述一个或多个程序可以提供本系统的特征和优点。在研究本公开内容后，本领域技术人员能够容易想到本公开内容的某些额外优点和特征，或者本领域技术人员在采用本公开内容的新颖系统和方法后能够经历本公开内容的某些额外优点和特征。本系统和方法的另一个优点可以是能够容易地升级常规的医学图像系统以结合使用本系统、设备和方法的特征和优点。
53.当然，应当理解，本文描述的示例、实施例或过程中的任一个可以与一个或多个其他示例、实施例和/或过程进行组合，或者可以被分开在根据本系统、设备和方法的设备或设备部分中，并且/或者在根据本系统、设备和方法的设备或设备部分中得到执行。
54.最后，上述讨论仅旨在说明本系统，而不应被解释为将权利要求限制到任何特定的实施例或实施例组。因此，虽然已经参考示例性实施例具体且详细地描述了本系统，但是还应当理解，本领域普通技术人员可以在不脱离如权利要求所阐述的本发明的更广泛和预期的精神和范围的情况下设计出许多修改和替代实施例。因此，说明书和附图应被视为是说明性的，而不是要限制权利要求的范围。