利用超声成像的脂肪层识别

摘要

本公开描述了成像系统，其被配置为识别图像帧内的特征并通过实施图像质量调节来改善帧。超声成像系统能够包括换能器，其被配置为响应于朝向目标发射的超声脉冲采集回波信号。系统还能够包括被配置为显示图像的用户接口和被配置为识别图像内的一个或多个特征的一个或多个处理器。处理器能够使接口显示与特异于所识别的特征的至少两个图像质量操作相关联的元素。第一图像质量操作能够包括对换能器设置的手动调节，第二图像质量操作能够包括对从包括所识别的特征的参考帧导出的所识别的特征的自动调节。处理器能够接收对一个或多个元素的用户选择，并且应用操作来修改图像。

说明书

技术领域

本公开涉及用于经由超声成像来识别诸如脂肪层的特征并且基于所识别的特征来修改图像的超声系统和方法。具体实施方式涉及被配置为从超声图像识别并去除脂肪层和相关联的图像伪影，从而提高图像质量的系统。

背景技术

当扫描具有中等到很厚脂肪层的患者时，尤其是在扫描腹部区域时，超声成像可能是具有挑战性的。脂肪导致声音衰减增加，并且由于相对于其他软组织，声波通常以的不同的速度行进通过脂肪组织，因此传播通过脂肪组织的超声射束通常变为散焦的，一种被称为相位偏离的效应。更具体地，基于声脉冲的飞行时间，例如，超声回波信号从特定解剖学点行进到每个换能器接收元件所花费的时间长度，或者所发射的超声信号从换能器到达某些解剖点所花费的时间长度，通过向每个换能器元件施加特定的延迟来实现超声射束聚焦。基于不正确的声速假设的射束成形可能导致不正确的距离-时间关系计算，例如，这可能生成散焦超声射束，其特征是宽的主射束和高的旁瓣。当对腹部脂肪层进行成像时，这种散焦可能会频繁发生，声波通常仅以约1450m/s的速度通过脂肪层行进，这个速度比通常其中声波以约1540m/s行进的大多数周围组织慢得多。因此，包含脂肪层的区域(如腹部)的图像通常包含不想要的伪影，并且总体上质量较差。旨在校正或最小化由脂肪导致的图像伪影的现有技术实施起来过于复杂并且常常无效。因此，需要能够减少或消除由脂肪层导致的图像退化的新的超声系统，以改善对脂肪层下面的解剖学目标的成像和评估。

发明内容

本公开描述了用于识别和定位超声图像内的至少一个特征(如脂肪层)的超声系统和方法。在一些范例中，能够通过实施神经网络来识别特征。还能够自动或手动确定特征的各种测量值，如所识别的脂肪层的厚度，并在图形用户接口上显示对特征的各种测量值的指示。系统能够生成已注释的超声图像，在所述超声图像中，标记或突出显示特征(例如脂肪层)，以用于进一步评估，从而警告用户注意特征以及任何相关的偏差。系统还能够基于所识别的特征来生成并显示对换能器设置的至少一种推荐的手动调节，使得实施所述调节能够去除由特征导致的偏差或图像伪影。在一些实施例中，还能够实施第二神经网络，其被训练为从超声图像自动去除或修改所识别的特征。通过从具体图像去除特征，第二神经网络能够生成缺少特征和由特征导致的相关联的图像伪影的修正图像。然后能够显示相对于原始图像具有增强的质量的修正图像，以进行分析。所公开的系统和方法适用于广泛的成像协议，但是在扫描诸如腹部区域的脂肪含量高的解剖区域时可以是特别有利的，在所述腹部区域处，由脂肪诱发的伪影导致的图像劣化可能是最严重的。尽管相对于脂肪层识别和相关联的图像修改描述了范例系统和方法，但是应当理解，本公开不限于脂肪层应用，根据本文所公开的原理能够识别、修改和/或去除各种解剖特征和/或图像伪影。

根据本公开的一些范例，超声成像系统可以包括：超声换能器，其被配置为响应于朝向目标区域发射的超声脉冲来采集回波信号，以及图形用户接口，其被配置为显示来自根据超声回波生成的至少一个图像帧中的超声图像。所述系统还能够包括与超声换能器和图形用户接口通信的一个或多个处理器。所述处理器能够被配置为识别图像帧内的一个或多个特征，并且使图形用户接口显示与特异于所识别的特征的至少两个图像质量操作相关联的元素。第一图像质量操作能够包括对换能器设置的手动调节，并且第二图像质量操作能够包括对从包括所识别的特征的参考帧导出的所识别的特征的自动调节。所述处理器还可以被配置为接收对由图形用户接口显示的元素中的至少一个的用户选择，并且应用与用户选择相对应的图像质量操作来修改图像帧。

在一些范例中，第二图像质量操作能够取决于第一图像质量操作。在一些实施例中，能够通过将图像帧输入到利用包括参考特征的成像数据训练的第一神经网络中来识别一个或多个特征。在一些范例中，一个或多个特征能够包括脂肪层。在一些实施例中，图形用户接口能够被配置为显示在其中标记一个或多个特征的已注释的图像帧。在一些范例中，第一神经网络能够包括由U-net或V-net架构定义的卷积网络，所述U-net或V-net架构还被配置为描绘图像帧内的内脏脂肪层和皮下脂肪层。在一些实施例中，处理器能够被配置为通过将图像帧输入到第二神经网络中来修改图像帧，第二神经网络被训练为输出在其中省略了所识别的特征的修正的图像帧，以显示在图形用户接口上。在一些范例中，第二神经网络能够包括生成性对抗网络。在一些实施例中，处理器还能够被配置为在识别一个或多个特征之前从图像帧去除噪声。在一些范例中，一个或多个处理器还能够被配置为确定脂肪层的尺寸。在一些实施例中，尺寸能够包括由用户经由图形用户接口指定的在脂肪层内部的位置处的脂肪层的厚度。在一些范例中，目标区域能够包括腹部区域。

根据本公开的一些范例，一种超声成像的方法能够涉及：响应于朝向目标区域发射的超声脉冲来采集回波信号；显示来自根据超声回波生成的至少一个图像帧中的超声图像；识别图像帧内的一个或多个特征；以及显示与特异于所识别的特征的至少两个图像质量操作相关联的元素。第一图像质量操作能够包括对换能器设置的手动调节，并且第二图像质量操作能够包括对从包括所识别的特征的参考帧导出的所识别的特征的自动调节。所述方法还能够涉及：接收对所显示的元素中的至少一个的用户选择；以及应用与用户选择相对应的图像质量操作来修改图像帧。

在一些范例中，第二图像质量操作能够取决于第一图像质量操作。在一些实施例中，能够通过将图像帧输入到利用包括参考特征的成像数据训练的第一神经网络中来识别一个或多个特征。在一些范例中，一个或多个特征能够包括脂肪层。在一些实施例中，方法还可以涉及显示在其中标记一个或多个特征的已注释的图像帧。在一些范例中，能够通过将图像帧输入第二神经网络来修改图像帧，第二神经网络被训练为输出在其中省略了所识别的特征的修正的图像帧。在一些实施例中，方法还能够涉及确定由用户指定的解剖位置处的一个或多个特征的尺寸。

本文描述的任何方法或其步骤可以体现在包括可执行指令的非暂时性计算机可读介质中，但被执行时所述可执行指令使医学成像系统的处理器执行体现在本文中的方法或步骤。

附图说明

图1是分层的肌肉、脂肪和皮肤组织及其对应的超声图像的横截面示意图。

图2是根据本公开原理的超声系统的框图。

图3A是根据本公开原理的被配置为用于脂肪组织分割的U-net卷积网络的框图。

图3B是根据本公开原理的被配置为用于脂肪组织分割的V-net卷积网络的框图。

图4是根据本公开原理实施的图形用户接口。

图5是根据本公开原理的被配置为用于脂肪层图像去除的神经网络的框图。

图6是根据本公开原理的被配置为从超声图像识别和去除脂肪层的协调神经网络的框图。

图7是根据本公开原理执行的超声成像方法的流程图。

具体实施方式

以下对某些实施例的描述本质上仅是范例性的，绝不旨在限制本发明或其应用或用途。在以下对本系统和方法的实施例的详细描述中，参考形成其一部分的附图，并且这些附图以图示的方式示出在其中可以实践所描述的系统和方法的特定实施例。足够详细地描述了这些实施例，以使本领域普通技术人员能够实践当前公开的系统和方法，并且应当理解，可以利用其他实施例并且可以在不背离本系统精神和范围的情况下做出结构和逻辑上的改变。而且，为了清楚的目的，当某些特征的详细描述对于本领域普通技术人员而言显而易见时，将不讨论它们，以便不模糊本系统的描述。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所附权利要求限定。

本文所公开的系统能够被配置为实施深度学习模型以识别目标区域中存在的至少一个脂肪层。能够在用户接口上指示脂肪层，并且可以生成并可选地显示用于消除或减少由脂肪导致的图像劣化的推荐解决方案。实施例还包括被配置为通过采用深度学习模型来改进超声图像的系统，所述深度学习模型被训练为从图像中去除脂肪层和相关联的图像伪影并生成缺少这种特征的新图像。所公开的系统能够改善B-模式图像质量，特别是当对诸如腹部区域的高脂肪区域进行成像时。系统不限于B-模式成像或腹部成像，并且可以应用于对各种解剖特征进行成像，例如肝、肺和/或各种肢体，因为系统能够用于校正包含在患者的任何解剖位置处的脂肪的图像。除B-模式成像之外或代替B-模式成像，系统还能够用于各种定量成像模式，以改善其准确性和/或有效性。例如，所公开的系统可以被实施为用于剪切波弹性成像优化、用于声学衰减的射束方向图案调节和/或背向散射系数估计。

根据本公开的超声系统可以利用各种神经网络，例如深度神经网络(DNN)、卷积神经网络(CNN)、递归神经网络(RNN)、生成性对抗网络(GAN)、自动编码器神经网络等，以识别脂肪层并任选地去除新生成的图像中的脂肪层。在各种范例中，可以使用各种当前已知或以后开发的学习技术中的任一种来训练第一神经网络，以获得被配置为分析超声图像帧形式的输入数据并确定其中至少一个脂肪层的存在的神经网络(例如，训练过的算法或基于硬件的节点系统)。第二神经网络可以训练为修正超声图像帧形式的输入数据或包含或体现脂肪层的数据并从中去除脂肪层。由脂肪诱发的相位偏离产生的图像伪影也能够由第二神经网络选择性地去除。没有脂肪层和相关联的伪影，图像质量显著增强，这可以通过改善的清晰度和/或对比度来体现。

根据本发明原理的超声系统可以包括或可操作地被耦合到超声换能器，所述超声换能器被配置为向例如人体或其特定部分的介质发射超声脉冲，并且响应于超声脉冲而生成回波信号。超声系统可以包括被配置为执行发射和/或接收射束形成的射束形成器，以及在某些范例中被配置为显示由超声成像系统生成的超声图像的显示器。超声成像系统可以包括一个或多个处理器和至少一个神经网络，这可以以硬件和/或软件部件来实施。实施例可以包括两个或多个神经网络，其可以可通信地被耦合或集成到一个多层网络中，使得第一网络的输出用作第二网络的输入。

根据本公开实施的神经网络可以是硬件的(例如，由物理部件代表的神经元)或基于软件的(例如，在软件应用中实施的神经元和路径)，并且能够使用用于训练神经网络以产生所需输出的各种拓扑和学习算法。例如，可以使用被配置为执行可以存储在计算机可读介质中的指令的处理器(例如，单核或多核CPU、单个GPU或GPU集群、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，并且在执行时，所述指令使处理器执行训练过的算法，以识别超声图像内存在的脂肪层和/或生成缺少已识别的脂肪层的新图像。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可操作为在用于在超声系统的用户接口上显示的显示窗口中布置超声图像和/或附加图形信息，所述附加图形信息可以包括注释、置信度、用户指令、组织信息、患者信息、指示器和其他图形组件。在一些实施例中，可以将超声图像和相关联的测量值提供给存储和/或储存设备，诸如图片归档和通信系统(PACS)，以用于报告目的或将来的训练(例如，以继续增强神经网络的性能)，特别是由被配置为从标记脂肪的图像中去除脂肪层和相关联的伪影的系统生成的修正图像。

图1示出了正常组织102a的横截面的表示，所述正常组织102a包括皮肤的外层104a、脂肪层106a和肌肉层108a。组织的超声成像能够产生皮肤层104b、脂肪层106b和肌肉层108b的对应图像102b。如图所示，每一层在超声图像102b上能够不同地呈现，并且肌肉层108b可以看起来比脂肪层106b更亮。现有技术要求用户手动识别和测量脂肪层106b，并且这样的技术不能从图像中去除脂肪层和相关联的伪影。本文中的系统能够自动识别一个或多个脂肪层，并且在一些范例中，尽管存在这样的脂肪层，但是仍处理对应的图像以改善图像质量。具体而言，本文中的系统可以不限于脂肪层的识别，并且可以被配置为识别任何形式的脂肪，例如各种形状的局部沉积物、袋状物或堆积物。范例系统也能够配置为描绘内脏脂肪和皮下脂肪。皮下脂肪能够包括沿着剑突脐带线在脐带上方约一厘米的区域。呼气时能够测量皮下脂肪层的厚度，作为皮肤-脂肪界面与白线外部边缘之间的距离。内脏脂肪能够被测量为沿着剑突脐带线在脐带上方约一厘米处白线与前主动脉之间的距离。

图2示出了根据本公开原理的范例超声系统。超声系统200可以包括超声数据采集单元210。超声数据采集单元210能够包括超声探头，所述超声探头包括超声传感器阵列212，其被配置为将超声脉冲214发射到对象的目标区域216，所述目标区域可以包括腹部区域、胸部区域、一个或多个肢体和/或其特征，并响应于所发射脉冲来接收超声回波218。区域216可以包括具有可变厚度的脂肪层217。例如，脂肪层在厚度上的范围可以从约0.1到约20cm、约1到约12cm、约2到约6cm或约4到约5cm。如进一步所示，超声数据采集单元210能够包括射束形成器220和信号处理器222，其能够被配置为根据在阵列212处接收的超声回波218来生成离散的超声图像帧224的流。图像帧224能够被通信到数据处理器226，例如计算模块或电路，所述数据处理器在一些范例中可以包括预处理模块228，并且可以被配置为实施至少一个神经网络，如神经网络230，其被训练为识别图像帧224内的脂肪层。

超声传感器阵列212可以包括至少一个换能器阵列，其被配置为发射和接收超声能量。超声传感器阵列212的设置能够预设用于执行具体的扫描，并且在扫描期间能够是可调节的。可以使用各种换能器阵列，例如，线性阵列、凸形阵列或相控阵列。包括在传感器阵列212中的换能器元件的数量和布置可以在不同范例中变化。例如，超声传感器阵列212可以包括换能器元件的1D或2D阵列，分别对应于线性阵列探头和矩阵阵列探头。2D矩阵阵列可以被配置为在仰角和方位角维度上进行电子扫描(经由相控阵射束成形)以进行2D或3D成像。除了B-模式成像之外，根据本文的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数据采集单元210以执行本文所描述的方法。

被耦合到超声传感器阵列212的射束形成器220能够包括微波射束形成器或微波射束形成器和主射束形成器的组合。射束形成器220可以例如通过将超声脉冲形成为聚焦射束来控制超声能量的发射。射束形成器220还可以被配置为控制超声信号的接收，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。射束形成器220的作用可以在不同的超声探头种类中变化。在一些实施例中，射束形成器220可以包括两个单独的射束形成器：发射射束形成器，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；以及单独的接收射束形成器，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。在一些实施例中，射束形成器220可以包括在用于发射和接收射束形成二者的传感器元件组上操作的微射束形成器，所述微射束形成器被耦合到主射束形成器，所述主射束形成器在分别用于发射和接收射束形成二者的输入和输出组上操作。

信号处理器222可以与传感器阵列212和/或射束形成器220可通信地、操作地和/或物理地耦合。在图2中所示的范例中，信号处理器222被包括为数据采集单元210的整体部件，但是在其他范例中，信号处理器222可以是单独的部件。在一些范例中，信号处理器可以与传感器阵列212一起容纳，或者可以从传感器阵列212物理上分离但是与其可通信地(例如，经由有线或无线连接)耦合。信号处理器222可以被配置为接收体现在传感器阵列212处接收的超声回波218的未过滤的和无组织的超声数据。根据这种数据，信号处理器222可以在用户扫描目标区域216时生成超声图像帧224。在一些实施例中，由数据采集单元210接收和处理的超声数据能够在根据其生成超声图像帧之前被系统200的一个或多个部件利用。例如，如由虚线所示并且在下面进一步描述的，超声数据能够分别直接通信到第一神经网络230或第二神经网络242，以在生成和/或显示超声图像帧之前进行处理。

预处理模块228能够被配置为从在数据处理器226处接收的图像帧224中去除噪声，从而改善图像帧的信噪比。在一些范例中，由预处理模块228所采用的降噪方法可以变化，并能够包括具有3D滤波的块匹配。通过改善超声图像帧的信噪比，预处理模块228能够在处理帧时改善神经网络230的准确性和有效性。

在具体实施例中，神经网络230可以包括深度学习分割网络，其被配置为基于在超声图像帧224中检测到的脂肪的一个或多个独特特征或由数据采集单元210采集的图像数据来检测并且任选地测量一个或多个脂肪层。在一些范例中，网络230能够被配置为识别和分割图像帧内存在的脂肪层，并自动确定在可由用户指定的各种位置处的所识别的层的尺寸，例如厚度、长度和/或宽度。能够在经处理的图像上对层进行掩模或标记。在一些范例中，神经网络230的不同配置能够分割存在于2D图像或3D图像中的脂肪层。具体的网络结构能够包括收缩和扩张卷积和最大池化层的级联。训练神经网络230能够涉及输入包含已注释的脂肪层的大量图像和缺乏脂肪层的图像，使得随着时间的过去，网络学习在超声扫描期间实时识别非已注释图像中的脂肪层。

能够经由与图形用户接口234耦合的显示处理器232将检测到的脂肪层报告给用户。显示处理器232能够被配置为根据图像帧224生成超声图像235，然后能够在执行超声扫描时，在用户接口234上实时显示所述超声图像235。用户接口234可以被配置为在超声过程之前、之中或之后的任何时间处接收用户输入236。除了所显示的超声图像235之外，用户接口能够被配置为生成一个或多个附加输出238，所述附加输出238能够包括与超声图像235同时显示(例如覆盖)的各种各样的图形。这种图形可以与各种器官、骨骼、组织和/或组织界面一起标记由系统识别的某些解剖特征和测量值，如至少一个脂肪层(例如内脏和/或皮下)的存在和尺寸。在一些范例中，能够通过描绘脂肪的轮廓和/或对脂肪区域进行颜色编码来突出显示脂肪层。还能够通过确定从分割网络230输出的掩模脂肪区域的最大、最小和/或平均垂直厚度来计算脂肪厚度。在一些实施例中，输出238能够包括与图像质量操作相关联的可选择元素，以改善具体图像235的质量。图像质量操作可以包括指令，所述指令用于以通过消除、减少或最小化由脂肪层导致的一个或多个图像伪影或偏差而改善图像235的方式来手动调节换能器设置，例如，调节模拟增益曲线、施加预加载以压缩检测到的脂肪层和/或打开谐波成像模式。输出238能够包括额外的用户可选择的元素和/或警报，以实施另一图像质量操作，所述另一图像操作可以取决于第一图像操作，以消除、减少或最小化特征和/或任何相关联的伪影或偏差的方式体现图像235内的所识别特征(例如脂肪层)的自动调节，如下文进一步所述的。图形用户接口234随后能够接收用户输入236以实施质量操作中的至少一个，其能够提示数据处理器226修改包含特征的图像帧224。在一些范例中，用户接口234还能够接收与输出238中体现的指令(例如基于用户知识和经验的指令)不同的图像质量增强指令。输出238还能够包括注释、置信度、用户指令、组织信息、患者信息、指示符、用户通知和其他图形部分。

在一些范例中，用户接口234可以被配置为接收特异于自动图像质量操作的用户指令240。用户指令240能够对显示在用户接口234上的或由用户简单输入的可选警报做出响应。根据这样的范例，用户接口234可以通过实施第二神经网络242来提示数据处理器226基于所确定的脂肪层的存在来自动生成改善的图像，所述第二神经网络242被配置为从超声图像去除脂肪层，从而生成缺少一个或多个脂肪层和/或与之相关联的图像伪影的改善的图像244。如图2所示，第二神经网络242能够与第一神经网络230可通信地耦合，使得第一神经网络的输出(例如在其中已经识别脂肪的已注释的超声图像)可以被直接输入到第二神经网络242中。在一些范例中，第二神经网络242可以包括对抗网络的拉普拉斯金字塔，其被配置为利用卷积网络的级联以从粗到细的方式生成图像。对包含至少一个脂肪层的输入图像所做的大规模调节能够被最小化以保留最显著的图像特征，同时使特异于所识别的脂肪层和相关联的图像伪影的精细变化最大化。由第二神经网络242接收的输入能够包括包含脂肪层的超声图像，或体现尚未被处理为完整图像的脂肪层的图像数据。根据后一范例，第二神经网络242能够被配置为例如通过在超声数据采集单元210的通道域中从图像信号去除脂肪层和相关联的伪影来校正图像信号。第二神经网络242的架构和操作模式可以改变，如下文结合图5所述的。

图2中所示的部件的配置可以改变。例如，系统200能够是便携式的或固定的。各种便携式设备(例如笔记本电脑、平板电脑、智能电话等)可以用于实施系统200的一项或多项功能。在包含此类设备的范例中，超声传感器阵列可以是经由例如USB接口可连接的。在一些范例中，图2中所示的各种部件可以组合。例如，神经网络230可以与神经网络242合并。根据这样的实施例，这两个网络可以构成例如更大的分层网络的子部件。

网络230的具体架构可以变化。在范例中，网络230能够包括卷积神经网络。在特定范例中，网络230能够包括卷积自动编码器，所述卷积自动编码器具有在相同架构网络级别上的从编码器层到解码器层的跳过连接。对于2D超声图像，可以在特定实施例中实施U-net架构302a，如图3A的范例中所示。U-net架构302a包括收缩路径304a和扩展路径306a。在一个实施例中，收缩路径304a能够包括级联的重复的3×3卷积，随后是整流线性单元，以及在每个步骤处下采样的2×2最大池化操作，例如，如Ronneberger，O等人在“U-Net：Convolutional Networks for Biomedical Image Segmentation”(2015年11月18日出版的Medical Image Computing and Computer Assisted Intervention Society有条件接受)(“Ronneberger”)中所描述的。扩展路径306a能够包括向上卷积的连续步骤，每个步骤将特征通道的数量二等分，如由Ronneberger所述的。输出308a可以包括识别在初始图像帧224内存在的一个或多个脂肪层的分割图。在一些实施方式中，能够对脂肪层或周围的非脂肪区域进行掩模，并且在一些范例中，输出308a可以用针对每种组织类型实施的单独掩模来描绘非脂肪区域、皮下脂肪层和/或内脏脂肪层。训练网络能够涉及输入包含一个或多个脂肪层的超声图像和对应的分割图，直到网络学会可靠地识别新图像中存在的脂肪层。如Ronneberger所述，还可以实施数据增量措施，以在少量训练图像可用时训练网络。

对于3D超声图像，可以在特定实施例中实施卷积V-net架构302b，如图3B的范例中所示。V-net架构302b能够包括压缩路径304b，其后是解压缩路径306b。在一个实施例中，压缩路径304b的每个阶段能够以不同的分辨率操作，并且能够包括在不同尺寸的体素上执行卷积的一到三个卷积层，例如，如Milletari，F等人在“V-Net：Fully ConvolutionalNeural Networks for Volumetric Medical Image Segmentation”(2016年10月25日出版的3D视觉(3DV)，2016年第四届国际会议，第565-571页)(“Milletari”)中所描述的。在一些范例中，如Milletari进一步描述的，每个阶段都能够被配置为学习残差函数，所述残差函数能够在比现有网络体系架构更少的时间内实现收敛。输出308b可以包括识别在初始图像帧224内存在的一个或多个脂肪层的三维分割图，所述三维分割图可以包括对非脂肪、内脏脂肪和/或皮下脂肪的描绘。训练网络能够涉及通过输入包括一个或多个脂肪层和在其中识别脂肪层的对应的已注释图像的三维图像的端到端训练。如Milletari所述，可以实施数据增量措施，以在有限数量的训练图像(尤其是已注释图像)可用时训练网络。

图4示出了根据本公开配置的图形用户接口400的范例。如图所示，接口400能够被配置为示出目标区域416的超声图像435，所述目标区域416包含至少一个脂肪层417，其边界由线417a和417b表示。如进一步示出的，脂肪层417的厚度在一个位置处测量为14mm，所述位置能够由用户例如通过直接与触摸屏上的图像435交互来指定。还示出了各种范例输出，包括脂肪层检测通知438a、“自动校正”按钮438b和用于通过调节系统参数来改善图像435的质量的推荐指令438c。脂肪层检测通知438a包括对脂肪层417的平均厚度的指示，在该具体范例中平均厚度为16mm。通过选择“自动校正”按钮438b，用户能够经由修正图像的神经网络生成来启动从图像自动去除脂肪层417，所述修正图像保留除脂肪层和任何相关联的伪影之外的图像435的所有特征。在修正图像中，信号衰减也可能会降低。推荐指令438c包括用于启动谐波成像、施加更多的预负载和调节模拟增益曲线的指令。指令438c能够根据在给定图像中检测到的脂肪层的厚度和/或位置和/或脂肪层导致图像伪影出现和/或总体上降低图像质量的程度而变化。例如，指令438c可以包括对用于采集图像的超声探头的位置和/或取向的推荐修改。在一些实施方式中，用户接口400能够显示修正图像和可选择的选项以回复到原始图像，例如，“撤消校正”按钮。根据这样的范例，用户能够在包含已注释的脂肪层的图像与缺少脂肪层的新的修正图像之间来回切换。

图5示出了神经网络500的范例，其被配置为从超声图像去除一个或多个脂肪层和相关联的伪影，并生成缺少这些特征的新的修正图像。该具体范例包括生成性对抗网络(GAN)，但是也能够实施各种网络类型。GAN500包括生成性网络502和竞争性判别网络504，例如，如在Reed，S.等人的“Generative Adversarial Text to Image Synthesis”(第33届机器学习国际会议论文集，纽约，NY(2016年)JMLR：W&CP第48卷)中所描述的。在操作中，生成性网络502能够被配置为基于其中注释所识别的脂肪层的由文本标记的图像构成的输入508以前馈方式生成缺少一个或多个脂肪层和相关联的伪影的合成超声图像样本506。判别网络504能够被配置为部分地基于包含脂肪层和缺乏脂肪层的多个训练图像来确定由生成性网络502生成的样本506是真还是假的可能性。在训练之后，生成性网络502能够学习根据包含一个或多个脂肪层的输入图像生成缺少一个或多个脂肪层的图像，使得修正后的没有脂肪的图像基本上无法从实际的但是存在脂肪和相关联的伪影的超声图像辨认。在一些范例中，训练网络500可以涉及输入在表面附近的具有和不具有脂肪层的体模组织的受控实验图像对。为了以一致的方式生成大量样本图像，使得每个图像在体模组织中具有相同的视场，例如，能够利用各种机器人部件和/或电动平台。

图6示出了根据本公开原理的被配置为从原始超声图像识别和去除至少一个脂肪层的卷积网络的协调系统600。能够将初始超声图像602输入到第一卷积网络604中，所述第一卷积网络604能够被配置为对存在于初始图像中的脂肪层606进行分割和注释，从而生成已注释的图像608。能够将已注释的图像608输入到与卷积判别器网络612可通信地耦合的卷积生成器网络610中。如图所示，卷积生成器网络610能够被配置为生成修正图像614，所述修正图像缺少由第一卷积网络604识别和标记的脂肪层606。由于缺少脂肪层606及其导致的图像劣化，因此在修正图像614中，多个解剖特征616更加明显。网络604、610和612的组织在实施例中可以改变。在各种范例中，能够在图形用户接口上显示图像602、608和/或614中的一个或多个，以供用户分析。

图7是根据本公开原理执行的超声成像方法的流程图。范例方法700示出了由本文所描述的系统和/或装置以任何顺序利用的步骤，以例如在腹部扫描期间从超声图像识别和任选地去除一个或多个脂肪层。方法700可以由诸如系统100的超声成像系统或包括例如像Koninklijke Philips N.V.(“Philips”)的LUMIFY的移动系统的其他系统来执行。额外范例系统可以包括也由Philips生产的SPARQ和/或EPIQ。

在所示实施例中，方法700通过“响应于朝向目标区域发射的超声脉冲来采集回波信号”在框702处开始。

方法通过“显示来自根据超声回波生成的至少一个图像帧的超声图像”在框704处继续。

方法通过“识别图像帧内的一个或多个特征”在框706处继续。

方法通过“显示与特异于所识别的特征的至少两个图像质量操作相关联的元素，其中，第一图像质量操作包括对换能器设置的手动调节，并且第二图像质量操作包括对从包含所识别的特征的参考帧中导出的所识别的特征的自动调节”在框708处继续。

方法通过“接收对所显示的元素中的至少一个的用户选择”在框710处继续。

方法通过“应用与用户选择相对应的图像质量操作来修改图像帧”在框712处继续。

在各种实施例中，使用诸如基于计算机的系统或可编程逻辑之类的可编程设备来实施部件、系统和/或方法，应当理解，上述系统和方法能够使用各种已知的或以后开发的编程语言中的任一种来实施，例如“C”、“C++”、“FORTRAN”、“Pascal”、“VHDL”等。因此，能够准备各种存储介质，诸如磁性计算机磁盘、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以实施上述系统和/或方法的信息。一旦适当的设备访问包含在存储介质上的信息和程序，则存储介质能够将信息和程序提供给设备，从而使设备能够执行本文所述的系统和/或方法的功能。例如，如果将包含诸如源文件、目标文件、可执行文件等的适当材料的计算机磁盘提供给计算机，则计算机能够接收信息、适当地对其自身进行配置并执行在上面的附图和流程图中概述的各种系统和方法的功能，以实施各种功能。即，计算机能够从磁盘接收与上述系统和/或方法的不同元素有关的信息的各个部分、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。

鉴于本公开，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。此外，仅以范例的方式包括各种方法和参数，而没有任何限制的意义。鉴于本公开，本领域普通技术人员能够在确定他们自己的技术和实现这些技术的所需设备的情况下实施本教导，同时仍在本发明的范围内。本文描述的一个或多个处理器的功能可以合并到更少数量的或单个处理单元(例如，CPU)中，并且可以使用响应于可执行指令以执行本文描述的功能被编程的专用集成电路(ASIC)或通用处理电路来实施。

尽管可以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，本系统能够扩展到以系统性方式获得一个或多个图像的其他医学成像系统。因此，本系统可以用于获得和/或记录关于但不限于肾、睾丸、乳腺、卵巢、子宫、甲状腺、肝、肺、肌肉骨骼、脾、心脏、动脉和血管系统的图像信息，以及与超声引导的介入相关的其他成像应用。此外，本系统还可以包括可以与常规成像系统一起使用的一个或多个程序，从而使得它们可以提供本系统的特征和优点。对于本领域技术人员，通过研究本公开，本公开的某些附加优点和特征可以是显而易见的，或者，可以由采用本公开的新颖系统和方法的人员来体验本公开的某些附加优点和特征。本系统和方法的另一个优点可以是常规医学图像系统能够容易地升级为结合本系统、设备和方法的特征和优点。

当然，应当理解，本文描述的范例、实施例或过程中的任何一个可以与一个或多个其他范例、实施例和/或过程组合，或者可以根据本系统、设备和方法在单独的设备或设备部分中分离和/或执行。

最后，上述讨论对本系统仅是示意性的，不应被解释为将所附权利要求限制为任何具体实施例或实施例组。因此，尽管已经参考范例性实施例对本系统进行了具体细节的描述，但是还应当理解，本领域普通技术人员可以设计出许多修改和替代实施例，而不背离如所附权利要求书所阐述的本系统的更广泛的和预期的精神和范围。因此，说明书和附图应被认为是以示意性方式，并非限制所附权利要求的范围。