用于投影轮廓启用的计算机辅助检测(CAD)的方法和系统

摘要

本发明题为“用于投影轮廓启用的计算机辅助检测(CAD)的方法和系统”。本发明提供了用于投影轮廓启用的计算机辅助检测(CAD)的系统和方法。可基于回波超声信号生成体积超声数据集，并且可基于体积超声数据集生成三维(3D)超声体积。可对三维(3D)超声体积应用选择性结构检测。选择性结构检测可包括：基于三维(3D)超声体积在特定空间方向上的投影生成二维(2D)图像；对二维(2D)图像应用二维(2D)结构检测，以标识与特定类型的结构相关联的结构候选；针对每个所标识的结构候选在三维(3D)超声体积内选择对应局部体积；对每个所选择的局部体积应用三维(3D)结构检测；以及基于应用三维(3D)结构检测来标识与特定类型的结构匹配的一个或多个结构候选。

说明书

技术领域

本公开的各方面涉及医学成像。更具体地，某些实施方案涉及用于投影轮廓启用的计算机辅助检测(CAD)的方法和系统。

背景技术

各种医学成像技术可用于诸如对人体内的器官和软组织进行成像。医学成像技术的示例包括超声成像、计算机断层摄影(CT)扫描、磁共振成像(MRI)等。在医学成像期间生成图像所用的方式取决于特定技术。

例如，超声成像使用实时的、无创的高频声波来产生超声图像，通常为人体内的器官、组织、对象(例如，胎儿)的超声图像。在医学成像期间产生或生成的图像可以是二维(2D)、三维(3D)和/或四维(4D)图像(本质上为实时/连续的3D图像)。在医学成像期间，采集成像数据集(包括例如3D/4D成像期间的体积成像数据集)并且利用成像数据集实时地生成和渲染对应的图像(例如，经由显示器)。

用于在医学成像期间检测特定结构的现有解决方案可能存在各种问题。在这方面，用于在医学成像操作期间检测异常(例如，肿瘤或病灶)的常规系统和方法(如果存在的话)可能是低效的和/或无效的。

通过将此类系统与本申请的其余部分中参考附图阐述的本公开的一些方面进行比较，常规和传统方法的更多限制和缺点对本领域的技术人员将变得显而易见。

发明内容

提供了用于投影轮廓启用的计算机辅助检测(CAD)的系统和方法，其基本上如结合至少一个附图所示和/或所述，如在权利要求书中更完整地阐述。

从以下描述和附图将更全面地理解本公开的这些和其他优点、方面和新颖特征、以及本公开的一个或多个所例示的示例性实施方案的细节。

附图说明

图1是示出根据本公开的支持投影轮廓启用的计算机辅助检测(CAD)的示例性医学成像布置的框图。

图2是示出根据本公开的支持投影轮廓启用的计算机辅助检测(CAD)的示例性超声的框图。

图3示出了根据本公开的可使用投影轮廓启用的计算机辅助检测(CAD)处理的示例性自动乳房超声筛查(ABUS)扫描。

图4示出了根据本公开的自动乳房超声筛查(ABUS)体积的基于示例性投影的合并。

图5A和图5B示出了对根据本公开的自动乳房超声筛查(ABUS)体积的冠状投影的示例性处理。

图6示出了根据本公开的使用自动乳房超声筛查(ABUS)体积的多个投影的示例性病灶强化。

图7示出了根据本公开的使用多个自动乳房超声筛查(ABUS)体积的示例性病灶强化。

图8示出了根据本公开的用于基于投影轮廓启用的计算机辅助检测(CAD)对自动乳房超声筛查(ABUS)体积进行处理的示例性过程的流程图。

具体实施方式

根据本公开的某些具体实施可涉及通过投影轮廓启用的计算机辅助检测(CAD)进行的超声成像。特别地，各种实施方案具有增强在医学成像操作期间对异常(例如，肿瘤或病灶)的检测并且特别是以最佳方式(例如，减少此类检测的计算需求)进行增强的技术效果。这可例如通过以下方式进行：使用优化的二维(2D)检测技术(例如，使用学习算法)获得扫描区域的三维(3D)体积，以标识基于3D体积生成的二维(2D)图像中的候选区域，然后标识对应于所标识候选的局部体积，然后对这些局部体积应用优化的二维(2D)检测技术。本公开的各方面具有以下技术效果：实现3D检测的益处而无执行整个3D体积的3D检测的计算需求；相反，将其限制到与候选异常相关联的区域。

当结合附图阅读时，将更好地理解前述发明内容以及某些实施方案的以下具体实施方式。就附图示出各种实施方案的功能块的图的范围而言，这些功能块不一定表示硬件电路之间的划分。因此，例如，一个或多个功能框(例如，处理器或存储器)可以在单件硬件(例如，通用信号处理器或随机存取存储器块、硬盘等)或多件硬件中来实现。类似地，程序可以是独立程序，可以作为子例程包含在操作系统中，可以是安装的软件包中的功能等。应当理解，各种实施方案不限于附图中所示的布置和工具。还应当理解，可以组合实施方案，或者可以利用其他实施方案，并且可以在不脱离各种实施方案的范围的情况下做出结构的、逻辑的和电气的改变。因此，以下详述不应视为限制性意义，并且本公开的范围由所附权利要求书及其等同物限定。

如本文所用，以单数形式列举并且以单词“一”或“一个”开头的元件或步骤应当被理解为不排除多个所述元件或步骤，除非明确说明这种排除。此外，对“示例性实施方案”、“各种实施方案”、“某些实施方案”、“代表性的实施方案”等的引用不旨在被解释为排除存在也结合了叙述的特征的附加实施方案。此外，除非明确地相反说明，否则“包含”、“包括”或“具有”具有特定性质的一个元件或多个元件的实施方案可以包括不具有该性质的附加元件。

另外，如本文所用，术语“图像”广义地是指可视图像和表示可视图像的数据两者。然而，许多实施方案生成(或被配置为生成)至少一个可视图像。此外，如本文所用，短语“图像”用于指超声模式，诸如B模式(2D模式)、M模式、三维(3D)模式、CF模式、PW多普勒、CW多普勒、MGD，和/或B模式和/或CF的子模式，诸如剪切波弹性成像(SWEI)、TVI、Angio、B-flow、BMI、BMI_Angio，并且在某些情况下还包括MM、CM、TVD，其中“图像”和/或“平面”包括单个波束或多个波束。

此外，如本文所用，短语“像素”也包括其中数据由“体素”表示的实施方案。因此，术语“像素”和“体素”两者可在本文档通篇中可互换地使用。

此外，如本文所用，术语处理器或处理单元是指可执行各种实施方案需要的所需计算的任何类型的处理单元，诸如单核或多核：CPU、加速处理单元(APU)、图形板、DSP、FPGA、ASIC或它们的组合。

应当指出的是，本文所述的生成或形成图像的各种实施方案可包括用于形成图像的处理，该处理在一些实施方案中包括波束形成，而在其他实施方案中不包括波束形成。例如，可在不进行波束形成的情况下形成图像，诸如通过将解调数据的矩阵乘以系数矩阵，使得乘积是图像，并且其中该过程不形成任何“波束”。此外，可使用可能源自多于一个发射事件的信道组合(例如，合成孔径技术)来执行图像的形成。

在各种实施方案中，例如，在软件、固件、硬件或它们的组合中执行超声处理以形成图像，包括超声波束形成，诸如接收波束形成。图1和图2中示出了具有根据各种实施方案形成的软件波束形成器架构的超声系统的一个具体实施。

图1是示出根据本公开的支持投影轮廓启用的计算机辅助检测(CAD)的示例性医学成像布置的框图。图1中示出了包括一个或多个医学成像系统110和一个或多个计算系统120的示例性设置100。

医学成像系统110包括用于支持医学成像(即，使得能够获得用于在医学成像检查期间生成和/或渲染图像的数据)的合适的硬件、软件或它们的组合。这可能需要以特定方式捕获特定类型的数据，这继而可用于生成图像的数据。例如，医学成像系统110可以是被配置用于生成和/或渲染超声图像的超声系统。参考图2更详细地描述了可对应于医学成像系统110的超声系统的示例性具体实施。

如图1所示，医学成像系统110可包括探头112和显示/控制单元114，探头112可以是便携式的且可移动的。探头112可被配置用于诸如通过在患者身体(或其部分)之上移动来生成和/或捕获特定类型的信号(或与其对应的数据)。例如，在医学成像系统110是超声系统的情况下，探头112可发射超声信号并捕获回波超声图像。

显示/控制单元114可被配置用于显示图像(例如，经由屏幕116)。在一些情况下，显示/控制单元114还可被配置用于至少部分地生成所显示图像。此外，显示/控制单元114还可支持用户输入/输出。例如，除了图像之外，显示/控制单元114还可提供(例如，经由屏幕116)用户反馈(例如，与系统、其功能、其设置等相关的信息)。显示/控制单元114还可支持用户输入(例如，经由用户控件118)，以便诸如允许控制医学成像。用户输入可涉及控制图像的显示、选择设置、指定用户偏好、请求反馈等。

在一些具体实施中，医学成像系统110还可并入另外的和专用的计算资源，诸如一个或多个计算系统120。在这方面，每个计算系统120可包括用于处理、存储和/或通信数据的合适的电路、接口、逻辑和/或代码。计算系统120可以是被配置用于特别地结合医学成像使用的专用设备，或者它可以是被设置和/或配置为执行下文相对于计算系统120所述的操作的通用计算系统(例如，个人计算机、服务器等)。计算系统120可被配置为支持医学成像系统110的操作，如下所述。在这方面，可从成像系统卸载各种功能和/或操作。这样做可简化和/或集中处理的某些方面，以降低成本(通过消除增加成像系统中的处理资源的需要)。

计算系统120可被设置和/或布置用于以不同方式使用。例如，在一些具体实施中，可使用单个计算系统120；在其他具体实施中，多个计算系统120被配置为一起工作(例如，基于分布式处理配置)，或者单独工作，其中每个计算系统120被配置为处理特定方面和/或功能，和/或仅为特定医学成像系统110处理数据。

在一些具体实施中，计算系统120可以是本地的(例如，与一个或多个医学成像系统110协同定位，诸如在相同设施和/或相同本地网络内)；在其他具体实施中，计算系统120可以是远程的，因此只能经由远程连接(例如，经由互联网或其他可用远程访问技术)访问。在特定具体实施中，计算系统120可以基于云的方式配置，并且可以与访问和使用其他基于云的系统基本上类似的方式访问和/或使用。

一旦在计算系统120中生成和/或配置数据，就可将数据复制和/或加载到医学成像系统110中。这可以不同的方式进行。例如，可经由医学成像系统110和计算系统120之间的定向连接或链接来加载数据。在这方面，可使用可用的有线和/或无线连接和/或根据任何合适的通信(和/或联网)标准或协议来进行设置100中的不同元件之间的通信。另选地或附加地，可间接地将数据加载到医学成像系统110中。例如，可将数据存储到合适的机器可读介质(例如，闪存卡等)中，然后使用机器可读介质将数据加载到医学成像系统110中(现场，诸如由系统的用户或授权人员)；或者可将数据下载到本地能够通信的电子设备(例如，膝上型电脑等)中，然后现场使用(例如，由系统的用户或授权人员)这些电子设备经由直接连接(例如，USB连接器等)将数据上传到医学成像系统110中。

在操作中，医学成像系统110可用于在医学检查期间生成和呈现(例如，渲染或显示)图像，和/或用于与其结合支持用户输入/输出。图像可以是2D、3D和/或4D图像。在医学成像系统110中执行以便于生成和/或呈现图像的特定操作或功能取决于系统的类型(即，获得和/或生成对应于图像的数据所用的方式)。例如，在超声成像中，数据基于发射超声信号和回波超声信号，如相对于图2更详细描述的。

在各种具体实施中，医学成像系统110可支持投影轮廓启用的计算机辅助检测(CAD)，如下所述。

图2是示出根据本公开的支持投影轮廓启用的计算机辅助检测(CAD)的示例性超声的框图。图2中示出了超声系统200。

超声系统200可被配置用于提供超声成像，并且因此可包括用于执行和/或支持超声成像相关功能的合适的电路、接口、逻辑和/或代码。在超声成像使用场景中，超声系统200可对应于图1的医学成像系统110。

如图2所示，超声系统200包括例如发射器202、超声探头204、发射波束形成器210、接收器218、接收波束形成器220、RF处理器224、RF/IQ缓冲器226、用户输入设备230、信号处理器240、图像缓冲器250、显示系统260、档案270和训练引擎280。

发射器202可包括可操作以驱动超声探头204的合适的电路、接口、逻辑和/或代码。超声探头204可包括二维(2D)压电元件阵列。超声探头204可包括通常构成相同元件的一组发射换能器元件206和一组接收换能器元件208。在某些实施方案中，超声探头204可操作以采集覆盖解剖结构(诸如心脏、血管或任何合适的解剖结构)的至少大部分的超声图像数据。

发射波束形成器210可包括合适的电路、接口、逻辑和/或代码，该电路、接口、逻辑和/或代码可操作以控制发射器202，发射器202通过发射子孔径波束形成器214驱动这组发射换能器元件206以将超声发射信号发射到感兴趣的区域(例如，人、动物、地下空腔、物理结构等)中。发射的超声信号可从感兴趣对象中的结构(如血细胞或组织)反向散射，以产生回波。回波由接收换能器元件208接收。

超声探头204中的这组接收换能器元件208可操作以将接收的回波转换为模拟信号，通过接收子孔径波束形成器216进行子孔径波束形成，然后传送到接收器218。接收器218可包括合适的电路、接口、逻辑和/或代码，该电路、接口、逻辑和/或代码可操作以接收来自接收子孔径波束形成器216的信号。可将模拟信号传送到多个A/D转换器222中的一个或多个。

多个A/D转换器222可包括合适的电路、接口、逻辑和/或代码，该电路、接口、逻辑和/或代码可操作以将来自接收器218的模拟信号转换为对应的数字信号。多个A/D转换器222设置在接收器218和RF处理器224之间。尽管如此，本公开在这方面并不受限制。因此，在一些实施方案中，多个A/D转换器222可集成在接收器218内。

RF处理器224可包括合适的电路、接口、逻辑和/或代码，该电路、接口、逻辑和/或代码可操作以解调由多个A/D转换器222输出的数字信号。根据一个实施方案，RF处理器224可包括复合解调器(未示出)，该复合解调器可操作以解调数字信号以形成代表对应回波信号的I/Q数据对。然后可将RF或I/Q信号数据传送到RF/IQ缓冲器226。RF/IQ缓冲器226可包括合适的电路、接口、逻辑和/或代码，该电路、接口、逻辑和/或代码可操作以提供由RF处理器224生成的RF或I/Q信号数据的临时存储。

接收波束形成器220可包括合适的电路、接口、逻辑和/或代码，该电路、接口、逻辑和/或代码可操作以执行数字波束形成处理，以例如对经由RF/IQ缓冲器226从RF处理器224接收的延迟信道信号求和并输出波束求和信号。所得到的处理的信息可以是从接收波束形成器220输出并传送到信号处理器240的波束求和信号。根据一些实施方案，接收器218、多个A/D转换器222、RF处理器224和波束形成器220可集成到单个波束形成器中，该单个波束形成器可以是数字的。在各种实施方案中，超声系统200包括多个接收波束形成器220。

用户输入设备230可用于输入患者数据、扫描参数、设置、选择协议和/或模板，与人工智能分段处理器交互以选择跟踪目标等。在示例性实施方案中，用户输入设备230可操作以配置、管理和/或控制超声系统200中的一个或多个部件和/或模块的操作。在这方面，用户输入设备230可操作以配置、管理和/或控制发射器202、超声探头204、发射波束形成器210、接收器218、接收波束形成器220、RF处理器224、RF/IQ缓冲器226、用户输入设备230、信号处理器240、图像缓冲器250、显示系统260和/或档案270的操作。用户输入设备230可包括按钮、旋转编码器、触摸屏、运动跟踪、语音识别、鼠标设备、键盘、相机和/或能够接收用户指令的任何其他设备。在某些实施方案中，例如，用户输入设备230中的一个或多个用户输入模块可集成到其他部件(诸如显示系统260或超声探头204)中。作为一个示例，用户输入设备230可包括触摸屏显示器。作为另一个示例，用户输入设备230可包括附接到探头204和/或与探头204集成在一起的加速度计、陀螺仪和/或磁力仪，以提供探头204的姿势运动识别，诸如标识抵靠患者身体的一次或多次探头压缩、预定义探头移动或倾斜操作等。附加地和/或另选地，用户输入设备230可包括图像分析处理以通过分析所采集的图像数据来标识探头姿势。

信号处理器240可包括合适的电路、接口、逻辑和/或代码，该电路、接口、逻辑和/或代码可操作以处理超声扫描数据(即，求和的IQ信号)，以生成用于在显示系统260上呈现的超声图像。信号处理器240可操作以根据所采集的超声扫描数据上的多个可选择超声模态来执行一个或多个处理操作。在示例性实施方案中，信号处理器240可操作以执行显示处理和/或控制处理等。随着接收到回波信号，可以在扫描会话期间实时处理获取的超声扫描数据。附加地或另选地，超声扫描数据可以在扫描会话期间暂时存储在RF/IQ缓冲器226中并且在在线操作或离线操作中以不太实时的方式处理。在各种实施方案中，处理的图像数据可呈现在显示系统260处和/或可存储在档案270处。档案270可以是本地档案、图片归档和通信系统(PACS)，或用于存储图像和相关信息的任何合适的设备。

信号处理器240可以是一个或多个中央处理单元、微处理器、微控制器等。例如，信号处理器240可为集成部件，或者可分布在各种位置上。信号处理器240可被配置用于从用户输入设备230和/或档案270接收输入信息，生成可由显示系统260显示的输出，并且响应于来自用户输入设备230的输入信息来操纵输出等。信号处理器240可能够执行例如根据各种实施方案的本文所讨论的一种或多种方法和/或一个或多个指令集的任一者。

超声系统200可操作以用适于所考虑的成像情况的帧速率连续采集超声扫描数据。典型的帧速率在20-220的范围内，但可以更低或更高。所采集的超声扫描数据可以以与帧速率相同、或更慢或更快的显示速率显示在显示系统260上。图像缓冲器250被包括以用于存储未被安排立即显示的所采集的超声扫描数据的处理的帧。优选地，图像缓冲器250具有足够的容量来存储至少几分钟的超声扫描数据帧。超声扫描数据的帧以根据其采集顺序或时间易于从其取回的方式存储。图像缓冲器250可体现为任何已知的数据存储介质。

在示例性实施方案中，信号处理器240可包括结构检测模块242，结构检测模块242包括可被配置为执行和/或支持结构检测、特别是支持轮廓启用的计算机辅助检测(CAD)的合适的电路、接口、逻辑和/或代码，如下所述。

结构检测模块242可被配置为例如实现和/或使用深度学习技术和/或算法，诸如使用深度神经网络(例如，卷积神经网络)，和/或可利用任何合适形式的人工智能图像分析技术或机器学习处理功能，人工智能图像分析技术或机器学习处理功能被配置为分析所采集的超声图像以标识、分段、标记和跟踪满足特定标准和/或具有特定特性的结构。结构检测模块242可被配置用于利用这些技术和/或能力来促进或支持特定身体部分(例如，乳房)中的异常(例如，病灶)结构。

在示例性具体实施中，结构检测模块242可被提供为深度神经网络，深度神经网络可由例如输入层、输出层以及输入层和输出层之间的一个或多个隐藏层构成。每个层可由可称为神经元的多个处理节点构成。例如，结构检测模块242可包括输入层，输入层针对来自解剖结构的扫描平面的每个像素或一组像素具有神经元。输出层可具有对应于多个预定义结构或预定义类型的结构的神经元。每个层的每个神经元可执行处理功能，并且将处理的超声图像信息传递到下游层的多个神经元中的一个神经元以用于进一步处理。例如，第一层的神经元可学习识别超声图像数据中的结构边缘。第二层的神经元可学习基于来自第一层的检测边缘识别形状。第三层的神经元可学习所识别的形状相对于超声图像数据中的标志的位置。由结构检测模块242深度神经网络(例如，卷积神经网络)执行的处理可以高度概率标识超声图像数据中的生物结构和/或人造结构。

在某些实施方案中，结构检测模块242可被配置为经由用户输入设备230基于用户指令来执行或以其他方式控制由此执行的功能中的至少一些。例如，结构检测模块242可被配置为经由用户输入设备230与用户进行交互以接收用于搜索超声图像的指令。例如，用户可提供语音命令、探头姿势、按钮按压等，其指示结构检测模块242搜索特定结构和/或搜索超声图像的特定区域。

训练引擎280可包括可操作为训练结构检测模块242的一个或多个深度神经网络的神经元的合适的电路、接口、逻辑和/或代码。例如，可训练结构检测模块242以识别在超声扫描平面中提供的特定结构或特定类型的结构。例如，训练引擎280可使用各种结构的分类超声图像的一个或多个数据库来训练结构检测模块242的深度神经网络。

作为示例，结构检测模块242可由训练引擎280用特定结构的超声图像训练，以相对于特定结构的特性来训练结构检测模块242，诸如结构边缘的外观、基于边缘的结构形状的外观、形状相对于超声图像数据中的标志的位置等。在各种实施方案中，训练图像的数据库可存储在档案270或任何合适的数据存储介质中。在某些实施方案中，训练引擎280和/或训练图像数据库可以是经由有线或无线连接通信地耦接到超声系统200的一个或多个外部系统。

在操作中，超声系统200可用于生成超声图像，包括二维(2D)、三维(3D)和/或四维(4D)图像。在这方面，超声系统200可操作以以特定的帧速率连续采集超声扫描数据，这可适用于所讨论的成像情况。例如，帧速率可在20-70的范围内，还可以更低或更高。所采集的超声扫描数据可以以与帧速率相同、或更慢或更快的显示速率显示在显示系统260上。图像缓冲器250被包括以用于存储未被安排立即显示的所采集的超声扫描数据的处理的帧。优选地，图像缓冲器250具有足够的容量来储存至少几秒钟的超声扫描数据的帧。超声扫描数据的帧以根据其采集顺序或时间易于从其取回的方式存储。图像缓冲器250可体现为任何已知的数据存储介质。

在一些情况下，超声系统200可被配置为支持灰阶和基于颜色的操作。例如，信号处理器240可操作以执行灰阶B模型处理和/或颜色处理。灰阶B模型处理可包括处理B模型RF信号数据或IQ数据对。例如，灰阶B模型处理可使得通过计算量(I

在一些情况下，超声成像可包括体积超声图像的生成和/或显示(即，对象(例如，器官、组织等)以三维显示3D的位置)。在这方面，用3D(并且类似地用4D)成像，可采集包括对应于成像对象的体素的体积超声数据集。这可例如通过以不同角度发射声波而不是仅沿一个方向(例如，直向下)发射它们来完成，并且然后将它们的反射捕获回去。然后捕获并且处理(例如，经由信号处理器240)返回的(以不同角度的发射的)回响以生成对应体积数据集，其继而可用于创建和/或显示体积(例如，3D)图像，诸如经由显示器250。这可能需要使用特定的处理技术来提供所需的3D感知。例如，体积渲染技术可用于显示体积(例如，3D)数据集的投影(例如，2D投影)。在这方面，渲染3D数据集的2D投影可包括相对于正被显示的对象设置或限定空间上的感知角度，并且然后为数据集中的每个体素限定或计算必要的信息(例如，不透明度和颜色)。这可例如使用合适的传输函数来为每个体素限定RGBA(红色、绿色、蓝色和α)值来进行。

在各种具体实施中，超声系统200可被配置为支持投影轮廓启用的计算机辅助检测(CAD)。在这方面，检测特定结构(例如，对应于异常诸如病灶或其他肿瘤相关的组织的那些)、特别是结合某些类型的超声扫描(例如，乳房相关的超声扫描)进行检测可能是挑战，并且因此优化此类检测是期望的。例如，自动乳房超声筛查(ABUS)扫描的使用越来越多地作为其他类型的乳房扫描技术(例如，乳房X线照相术)的替代方案和/或与其结合使用。然而，在ABUS扫描期间检测病灶或其他可疑结构可能是具有挑战性的。在这方面，在ABUS扫描期间，临床医生可能不得不对数百个切片进行筛选以检测和表征肿瘤/病灶。基于本公开的解决方案允许增强此类扫描期间的病灶(或其他异常)检测。特别地，这可通过并入基于深度学习(DL)的方法的使用以使检测功能的至少一部分自动化来进行。

然而，当对大数据集执行时，基于DL的过程在计算上是昂贵的，就如3D扫描的情况，并且通过常规手段(例如，下采样)缩减数据集的大小会不利地影响检测的结果，因为可能损失或更改原本将用于检测此类结构的信息。

因此，在根据本公开的具体实施中，可使用替代方法，其中基于3D体积(例如，通过使用成像数据的投影)获得2D图像，以将3D体积有效地塌缩到2D图像上。然后应用二维(2D)检测(例如，基于深度学习(DL)的检测)来标识投影图像中的潜在特定结构候选(例如，病灶候选)。一旦标识这些候选，然后就可以全分辨率但是在全3D体积的一小部分(例如，限于所标识的候选的小局部邻域(在投影方向上))中执行三维(3D)检测(例如，基于深度学习(DL)的检测)。以全空间分辨率运行3D检测将确保CAD算法的高特异性和灵敏度。此外，在小的局部邻域中运行的基于3D DL的算法将确保合理的操作速度。在一些具体实施中，可并入另外的措施以实现更高的特异性和/或可靠性(例如，验证所标识的病灶)。这可例如通过比较沿着多个方向取得的投影和/或通过比较相同扫描区域(特别是重叠区域)的不同体积来进行，其中强化真实病灶并且拒绝假警报。下面更详细地描述示例性具体实施。

尽管如此，虽然相对于特定类型的扫描(例如，ABUS扫描)描述了各种具体实施，但本公开并不限于此，并且本文所述的相同解决方案可类似地应用于其他合适类型的扫描。

图3示出了根据本公开的可使用投影轮廓启用的计算机辅助检测(CAD)处理的示例性自动乳房超声筛查(ABUS)扫描。

图3中示出了示例性三维(3D)自动乳房超声筛查(ABUS)体积300，其可使用超声系统、诸如图2的超声系统200生成和处理。在这方面，ABUS 300可在自动乳房超声筛查(ABUS)扫描期间生成。利用此类扫描，可在相对于所扫描身体部位的不同方向或取向上生成体积数据(例如，利用针对每次扫描(如图3所示，在示例性ABUS扫描期间)生成的对应于所扫描乳房的前后(AP)、内侧和外侧区段的前后(AP)、内侧和外侧体积)。

在示例性具体实施中，每个ABUS体积的大小可为843×546×354个体素，其中每个体素具有0.2×0.073×1mm的尺寸。此类ABUS扫描的目的是检测可对应于肿瘤的异常(例如，病灶)。然而，对3D体积应用病灶检测可能有许多不利。

在这方面，病灶检测可更好地适用于自适应标识技术，诸如通过使用深度学习(DL)类型的方法。为了获得最佳结果，必须对三维(3D)体积进行基于DL的检测。对3D体积执行基于深度学习(DL)的检测在计算上可能是大量的。考虑到计算复杂性，可处理ABUS体积以降低计算复杂性，诸如通过在检测过程期间对3D体积进行下采样。然而，这可能导致信息丢失，尤其是在较小病灶周围。另选地，可对ABUS体积的光栅化3D贴片运行深度学习(DL)检测以用于病灶检测。然而，考虑到体积的大小，必须轮询过多的位置以进行检测，从而减慢检测过程。

根据本公开的具体实施可解决这些不利中的一些。特别地，各种示例性具体实施可并入智能向下选择的使用以避免(例如，消除)“正常”位置(即，没有异常的区域)，使得3DDL检测可仅集中于“感兴趣”区域(即，具有可能异常(例如，病灶)的区域)。换句话讲，根据本公开的具体实施可允许和并入对ABUS体积中的仅“感兴趣”3D区域的局部病灶检测(例如，基于DL的检测)。因此，可首先合并大量数据。这可例如通过取得ABUS体积的二维(2D)投影来进行，二维投影可被处理为2D图像以用于检测任何异常。换句话讲，通过取得在特定方向上的投影，将体积塌缩成二维(2D)图像，其中可能的异常(例如，病灶)显现为强度谷。这在图4中示出。

图4示出了根据本公开的自动乳房超声筛查(ABUS)体积的基于示例性投影的合并。图4中示出了对相对于图3所述的ABUS体积300的示例性基于投影的合并。

在这方面，可基于ABUS体积300在不同方向上的投影生成数个二维(2D)图像。特别地，如图3所示，使用x轴、y轴和z轴，可基于ABUS体积300使用三个投影来生成三个对应的2D图像：对应于ABUS体积300的轴向投影(即，在z轴的方向(或z方向)上)的轴向2D图像410；对应于ABUS体积300的冠状投影(即，在y轴的方向(或y方向)上)的冠状2D图像410；以及对应于ABUS体积300的矢状投影(即，在x轴的方向(或x方向)上)的矢状2D图像410。

一旦生成，就可将2D图像用于根据本公开的增强的检测。在这方面，可处理每个基于投影的2D图像以检测其中对应于候选异常(例如，病灶)的区域。然后，可仅对这些所标识的区域(例如，包括特定大小的周围区域，特定大小可以是预定义的和/或由操作者调节的)应用选择性3D检测。为了进一步增强检测(例如，增加其可靠性)，可以相同的方式处理基于投影的2D图像中的多个(例如，优选地它们中的全部)，然后可比较所标识的异常以验证检测结果。这在图5A、图5B、图6和图7中进一步示出。

图5A和图5B示出了对根据本公开的自动乳房超声筛查(ABUS)体积的冠状投影的示例性处理。图5A和图5B中示出了对应于ABUS体积在特定方向上的投影的二维(2D)图像500。例如，2D图像500可表示对应于ABUS体积的冠状投影的2D图像。因此，2D图像500可对应于例如图4的冠状2D图像420。

如图5A所示，可处理2D图像500以用于异常(例如，病灶)检测。在这方面，可首先(510)对2D图像500进行基本病灶检测，这可允许检测清晰的病灶(即，满足“某些”病灶的一些特定标准的结构)，例如显现为比周围更暗的病灶，诸如基于一个或多个预设暗度阈值(例如，绝对的或相对于周围组织)。

接着，可应用(520)更自适应的检测来检测候选病灶。例如，然后可对2D图像500应用基于二维(2D)卷积神经网络(CNN)的检测，其中使用高灵敏度，例如以便检测图像中的病灶候选530。换句话讲，可采用基于2D CNN的检测来检测病灶样结构，这些病灶样结构可对应于病灶候选。

接着，然后应用三维(3D)检测，仅限于所标识的病灶候选，并且仅在用于生成2D图像的投影方向上，如图5B所示。换句话讲，在基于2D检测(例如，使用增强的2D检测，诸如基于2D CNN的检测)检测和标识病灶候选530的候选检测步骤(520)之后，对潜在病灶的3D搜索将仅限于那些候选，并且仅在ABUS体积中的冠状方向(或y方向)上。

在这方面，可在冠状投影路径中使用三维(3D)卷积神经网络(CNN)检测，其中针对原始ABUS体积中的每个候选选择感兴趣体积(VoI)。基于3D CNN的病灶检测可以全空间分辨率执行，因为其限于一个或多个小体积(即，选定的感兴趣体积(VoI)而不是整个ABUS体积)。

因此，如图5B所示，针对病灶候选530中的每一个，在原始ABUS体积内在投影方向(在这种情况下为冠状)上的3D贴片采用3D CNN，以准确地检测病灶的存在。因此，可在局部邻域中以全图像(例如，空间)分辨率对ABUS体积运行在计算上昂贵的3D CNN，从而改善检测性能(尤其是对于较小病灶)。

图6示出了根据本公开的使用自动乳房超声筛查(ABUS)体积的多个投影的示例性病灶强化。图6中示出了分别对应于超声体积(例如，图3的ABUS体积300)的轴向投影、冠状投影和矢状投影的二维(2D)图像610、620和630。

如图6所示，多个投影和基于其生成的2D图像可用于病灶强化(即，验证所标识的候选病灶)。例如，如图6所示，可在冠状投影/2D图像620中检测到病灶候选640，诸如基于如相对于图5A和图5B所述的检测过程。为了验证候选病灶(例如，候选病灶640)，也可以相同的方式对剩余投影/2D图像中的一者或两者进行病灶检测过程。

然后，可比较在三个轴对准的方向上的投影/2D图像，以验证检测到的病灶。在这方面，真实病灶应彼此强化(例如，在不同投影/2D图像内在空间上匹配)，如图6所示。另一方面，可将未强化的候选(即，在一个投影/2D图像中检测到的候选未被其他投影/2D图像中的一者或两者强化)指定为假阳性，并且可丢弃这些候选。

图7示出了根据本公开的使用多个自动乳房超声筛查(ABUS)体积的示例性病灶强化。图7中示出了前后(AP)、内侧和外侧体积710、720和730。

可使用超声系统、诸如图2的超声系统200生成和处理前后(AP)、内侧和外侧体积710、720和730。在这方面，前后(AP)、内侧和外侧体积710、720和730可包括覆盖所扫描乳房的前后(AP)、内侧和外侧区段的ABUS体积(即，可在ABUS扫描期间生成)。

如图7所示，多个体积可用于病灶强化(即，验证所标识的候选病灶)，特别是位于所有三个体积的重叠区域740内的病灶候选。例如，在如上所述(例如，相对于图3-6)对体积710、720和730中的每一者应用病灶检测过程之后，可使用所有三个体积验证检测到的候选。

在这方面，将体积710、720和730在重叠区域740内的区段进行比较，以验证在其中检测到的病灶。在这方面，真实病灶应彼此强化(例如，在不同体积内在空间上匹配)。另一方面，可将未强化的候选(即，在一个体积中检测到的候选未被其他体积中的一者或两者强化)指定为假阳性，并且可丢弃这些候选。

图8示出了根据本公开的用于基于投影轮廓启用的计算机辅助检测(CAD)对自动乳房超声筛查(ABUS)体积进行处理的示例性过程的流程图。

图8中示出了流程图800，其包括多个示例性步骤(表示为框802-816)，这些步骤可在合适的系统(例如，图2的系统200)中执行以用于执行投影轮廓启用的计算机辅助检测(CAD)。

在开始步骤802中，可设置系统，并且可启动操作。

在步骤804中，可生成三维(3D)超声体积(例如，在ABUS扫描期间)。

在步骤806中，可基于特定3D体积(例如，在特定方向上，诸如冠状)的投影来生成一个或多个二维(2D)图像，以将信息合并到图像上。

在步骤808中，可对2D图像应用二维(2D)卷积神经网络(CNN)检测，以检测图像中的病灶样结构/区域。

在步骤810中，可在3D体积内定位所标识的病灶候选结构(例如，与其对应的空间信息)。

在步骤812中，可从3D体积中提取对应于所标识的病灶候选结构的感兴趣体积(VoI)。

在步骤814中，可以全分辨率逐贴片地对所提取的VoI应用三维(3D)卷积神经网络(CNN)检测，以标识真实病灶。

在步骤816中，验证所标识的病灶(例如，使用多个投影和/或多个体积病灶强化)。

根据本公开的用于超声成像的示例性系统包括：超声设备，该超声设备包括至少一个处理器，该超声设备被配置为：基于回波超声信号生成体积超声数据集；基于体积超声数据集生成三维(3D)超声体积；并且对三维(3D)超声体积应用选择性结构检测。该选择性结构检测包括：基于三维(3D)超声体积在特定空间方向上的投影生成二维(2D)图像；对二维(2D)图像应用二维(2D)结构检测，其中二维(2D)结构检测被配置为标识与特定类型的结构相关联的结构候选，该特定类型的结构包括特定身体部分中的异常组织结构；针对每个所标识的结构候选在三维(3D)超声体积内选择对应局部体积；对每个所选择的局部体积应用三维(3D)结构检测；以及基于应用三维(3D)结构检测来标识与特定类型的结构匹配的一个或多个结构候选。该三维(3D)结构检测被配置为将与结构候选相关联的特性与特定类型的结构进行比较，并且以全分辨率对每个所选择的局部体积应用三维(3D)结构检测。

在一个示例性具体实施中，该超声设备被配置为基于三维(3D)超声体积在至少一个其他空间方向上的投影来应用选择性结构检测。

在一个示例性具体实施中，该超声设备被配置为基于对应于三维(3D)超声体积在至少一个其他空间方向上的投影的选择性结构检测来验证与特定类型的结构匹配的一个或多个所标识的结构候选。

在一个示例性具体实施中，该超声设备被配置为基于与对应的所标识的结构候选的空间匹配来验证一个或多个所标识的结构候选中的每一个，该对应的所标识的结构候选是基于对应于三维(3D)超声体积在至少一个其他空间方向上的投影的选择性结构检测确定的。

在一个示例性具体实施中，该超声设备被配置为：基于体积超声数据集生成至少一个其他三维(3D)超声体积；并且对至少一个其他三维(3D)超声体积应用选择性结构检测。

在一个示例性具体实施中，该超声设备被配置为：确定三维(3D)超声体积和至少一个其他三维(3D)超声体积之间的重叠区域；以及基于对至少一个其他三维(3D)超声体积应用的选择性结构检测，验证位于重叠区域的与特定类型的结构匹配的一个或多个所标识的结构候选。

在一个示例性具体实施中，该超声设备被配置为基于与位于重叠区域内的对应的所标识的结构候选的空间匹配来验证一个或多个所标识的结构候选中的每一个，该对应的所标识的结构候选是基于对应于三维(3D)超声体积在至少一个其他空间方向上的投影的选择性结构检测确定的。

在一个示例性具体实施中，该超声设备被配置为基于自适应学习算法来调节二维(2D)结构检测。

在一个示例性具体实施中，该超声设备被配置为基于自适应学习算法来调节三维(3D)结构检测。

根据本公开的用于超声成像的示例性方法包括：基于回波超声信号生成体积超声数据集；基于体积超声数据集生成三维(3D)超声体积；以及对三维(3D)超声体积应用选择性结构检测。该选择性结构检测包括：基于三维(3D)超声体积在特定空间方向上的投影生成二维(2D)图像；对二维(2D)图像应用二维(2D)结构检测，其中该二维(2D)结构检测被配置为标识与特定类型的结构相关联的结构候选，该特定类型的结构包括特定身体部分中的异常组织结构；针对每个所标识的结构候选在三维(3D)超声体积内选择对应局部体积；对每个所选择的局部体积应用三维(3D)结构检测；以及基于应用三维(3D)结构检测来标识与特定类型的结构匹配的一个或多个结构候选。该三维(3D)结构检测被配置为将与结构候选相关联的特性与特定类型的结构进行比较，并且以全分辨率对每个所选择的局部体积应用三维(3D)结构检测。

在一个示例性具体实施中，该方法还包括：基于三维(3D)超声体积在至少一个其他空间方向上的投影来应用选择性结构检测。

在一个示例性具体实施中，该方法还包括：基于对应于三维(3D)超声体积在至少一个其他空间方向上的投影的选择性结构检测来验证与特定类型的结构匹配的一个或多个所标识的结构候选。

在一个示例性具体实施中，该方法还包括：基于与对应的所标识的结构候选的空间匹配来验证一个或多个所标识的结构候选中的每一个，该对应的所标识的结构候选是基于对应于三维(3D)超声体积在至少一个其他空间方向上的投影的选择性结构检测确定的。

在一个示例性具体实施中，该方法还包括：基于体积超声数据集生成至少一个其他三维(3D)超声体积；以及对至少一个其他三维(3D)超声体积应用选择性结构检测。

在一个示例性具体实施中，该方法还包括：确定三维(3D)超声体积和至少一个其他三维(3D)超声体积之间的重叠区域；以及基于对至少一个其他三维(3D)超声体积应用的选择性结构检测，验证位于重叠区域的与特定类型的结构匹配的一个或多个所标识的结构候选。

在一个示例性具体实施中，该方法还包括：基于与位于重叠区域内的对应的所标识的结构候选的空间匹配来验证一个或多个所标识的结构候选中的每一个，该对应的所标识的结构候选是基于对应于三维(3D)超声体积在至少一个其他空间方向上的投影的选择性结构检测确定的。

在一个示例性具体实施中，该方法还包括：基于自适应学习算法来调节二维(2D)结构检测。

在一个示例性具体实施中，该方法还包括：基于自适应学习算法来调节三维(3D)结构检测。

在一个示例性具体实施中，该二维(2D)结构检测还包括常规的基于卷积神经网络(CNN)的检测。

在一个示例性具体实施中，该三维(3D)结构检测还包括常规的基于卷积神经网络(CNN)的检测。

如本文所用，术语“电路(circuit/circuitry)”是指物理电子部件(例如，硬件)以及可配置硬件、由硬件执行和/或以其他方式与硬件相关联的任何软件和/或固件(“代码”)。例如，如本文所用，当执行一条或多条第一代码时，特定处理器和存储器可包括第一“电路”，并且在执行一条或多条第二代码时，特定处理器和存储器可包括第二“电路”。如本文所用，“和/或”表示列表中的由“和/或”连结的项中的任一个或多个项。作为一个示例，“x和/或y”表示三元素集{(x),(y),(x,y)}中的任何元素。换句话讲，“x和/或y”意指“x和y中的一者或两者”。作为另一个示例，“x、y和/或z”表示七元素集{(x),(y),(z),(x,y),(x,z),(y,z),(x,y,z)}中的任何元素。换句话讲，“x、y和/或z”意指“x、y和z中的一者或多者”。如本文所用，术语“框”和“模块”是指可由一个或多个电路执行的功能。如本文所用，术语“示例性”表示用作非限制性示例、实例或例证。如本文所用，术语“例如(for example/e.g.)”引出一个或多个非限制性示例、实例或例证的列表。如本文所用，电路“可操作为”每当该电路包括执行功能的必需硬件(和代码，如果需要的话)时就执行该功能，不管是否(例如，通过某些用户可配置的设置、工厂微调等)禁用或不启用该功能的执行。

本发明的其他实施方案可提供其上存储有机器代码和/或计算机程序的非暂态计算机可读介质和/或存储介质和/或非暂态机器可读介质和/或存储介质，机器代码和/或计算机程序具有至少一个代码段，至少一个代码段可由机器和/或计算机执行，从而致使机器和/或计算机执行如本文所述的过程。

因此，本公开可在硬件、软件或硬件和软件的组合中实现。本发明可以集中方式在至少一个计算系统中实现，或以分布式方式实现，其中不同的元件分布在若干互连的计算系统上。适于执行本文所述的方法的任何种类的计算系统或其他装置都是合适的。硬件和软件的典型组合可以是具有程序或其他代码的通用计算系统，该程序或其他代码在加载和执行时控制计算系统，使得其执行本文所述的方法。另一个典型的具体实施可包括专用集成电路或芯片。

根据本公开的各种实施方案也可嵌入计算机程序产品中，该计算机程序产品包括能够实现本文所述的方法的所有特征，并且当加载到计算机系统中时能够执行这些方法。本文中的计算机程序是指以任何语言、代码或符号表示的一组指令的任何表达，这些指令旨在使具有信息处理能力的系统直接执行特定功能或在以下两项或其中一项之后执行特定功能：a)转换为另一种语言、代码或符号；b)以不同的物质形式进行复制。

虽然已经参考某些实施方案来描述了本发明，但是本领域的技术人员应当理解，在不脱离本发明的范围的情况下，可以进行各种改变并可以替换等同物。另外，在不脱离本发明的范围的情况下，可以进行许多修改以使特定情况或材料适应于本发明的教导。因此，本发明不旨在限于所公开的特定实施方案，而是本发明将包括落入所附权利要求书的范围内的所有实施方案。