用于在多普勒超声成像中检测异常流量的方法和系统与流程

1.本文公开的主题的实施方案涉及超声成像，并且更具体地涉及用于经由多普勒超声成像检测异常流量方法和系统。


背景技术：

2.医学诊断超声是采用超声波来探测患者身体的内部结构并产生对应图像的成像模态。例如，包括多个换能器元件的超声探头发射超声脉冲，这些超声脉冲会被身体中的结构反射或回传、折射或者吸收。然后超声探头接收所反射的回波，这些所反射的回波被处理成图像。超声探头的此类换能器元件通常包括机电元件，这些机电元件能够将电能转换成机械能以便将超声波发射到患者组织中，并且在所反射的超声波到达换能器时将机械能转换回电能。
3.此外，在血液流经的结构(例如，心脏、血管、动脉等)的超声期间，多普勒超声可用于针对多个心动周期获得通过血管或结构的血流的图像(彩色多普勒)和/或血流速度波形(连续或脉冲波多普勒)。来自连续或脉冲波多普勒的多普勒频谱可以经由超声成像系统的显示设备与诸如b模式图像和彩色多普勒图像之类的超声图像一起显示。


技术实现要素：

4.在一个实施方案中，一种方法包括：经由超声探头采集多个心动周期内的多普勒测量结果；评估包括多普勒测量结果的流量分布以检测流量分布中的异常；以及经由显示设备显示其上覆盖有参考流量分布的流量分布。以此方式，可将评估来自超声成像检查的结果的医师的注意力引导到潜在地指示病状的异常流量，从而能够更早且更准确地诊断病状。
5.应当理解，提供上面的简要描述来以简化的形式介绍在具体实施方式中进一步描述的精选概念。这并不意味着识别所要求保护的主题的关键或必要特征，该主题的范围由具体实施方式后的权利要求书唯一地限定。此外，所要求保护的主题不限于解决上文或本公开的任何部分中提到的任何缺点的实施方式。
附图说明
6.通过参考附图阅读以下对非限制性实施方案的描述将更好地理解本发明，其中以下：
7.图1示出了根据一个实施方案的示出了示例性超声成像系统的方框示意图；
8.图2是示出根据实施方案的用于检测和分类多普勒超声测量结果中的异常的图像处理系统的示意图；
9.图3示出了根据一个实施方案的示出用于利用多普勒流型的自动分析进行超声成像的示例性方法的高级流程图；
10.图4示出了根据一个实施方案的图形用户界面的示例性显示输出，该图形用户界
面示出了具有正常流量的血管的多普勒流量分布；
11.图5示出了根据一个实施方案的图形用户界面的示例性显示输出，该图形用户界面示出了具有病状流量血管的多普勒流量分布；
12.图6示出了根据一个实施方案的图形用户界面的示例性显示输出，该图形用户界面示出了其上覆盖有正常流量分布的图5的病状多普勒流量分布；
13.图7示出了根据一个实施方案的图形用户界面的示例性显示输出，该图形用户界面示出了图5的病状多普勒流量分布，其中正常流量分布被调节为匹配病状流量分布并覆盖在其上；
14.图8示出了根据一个实施方案的图形用户界面的示例性显示输出，该图形用户界面示出了图5的病状多普勒流量分布，其中显示被调节以突出显示与经对齐以匹配病状流量分布并覆盖在其上的正常流量分布的差异；
15.图9示出了根据一个实施方案的图形用户界面的示例性显示输出，该图形用户界面示出了图5的病状多普勒流量分布，其中正常流量分布被对齐和缩放以匹配病状流量分布并覆盖在其上，并且具有与覆盖在其上的正常流量分布的差异的视觉指示标记；
16.图10示出了根据一个实施方案的图形用户界面的示例性显示输出，该图形用户界面示出了具有病状流量的血管的另一多普勒流量分布；
17.图11示出了根据一个实施方案的图形用户界面的示例性显示输出，该图形用户界面示出了其上覆盖有正常流量分布的图10的病状多普勒流量分布；并且
18.图12示出了根据一个实施方案的示出用于在后续检查期间利用多普勒流型的自动分析进行超声成像的示例性方法的高级流程图。
具体实施方式
19.以下描述涉及超声成像的各种实施方案。具体地讲，本发明公开了用于检测多普勒超声成像中的流量异常的系统和方法。可在由利用超声成像系统(诸如图1所示的超声成像系统)采集的多普勒超声数据生成的多普勒频谱中检测流量异常。在产科超声检查中，胎儿器官筛查属于应用最多的应用。检查的主要部分是胎儿和母体血管(诸如母体子宫动脉、胎儿脐动脉、胎儿主动脉、胎儿大脑中动脉和胎儿导管静脉)的多普勒超声分析。如果胎儿健康状况受到干扰，例如由于胎盘氧气和营养物质的供应不足，则可能发生胎儿窘迫级联，其中随着时间的推移，首先在母体子宫动脉处流动被干扰，然后在胎儿脐动脉处流动被干扰，依此类推。当在胎儿大脑中动脉处流动受干扰时，胎儿的状态很危险。通常监测胎儿心率，并使用胎儿心率的异常来提供对胎儿窘迫的诊断。然而，胎儿心率的潜在误解可能导致胎儿窘迫的过度诊断和通过紧急剖腹产进行的不必要干预。每个血管具有非常特定的流量分布或多普勒频谱，因此速度和某些指数的特定测量结果可用于对血液动力异常进行分类和检测。例如，可用于检测异常的示例性图像处理系统(诸如图2所示的图像处理系统)包括一个或多个机器学习模型，该一个或多个机器学习模型经过训练以自动检测所关注血管的流量分布的反常。因此，用于超声成像的方法，诸如图3所示的方法，可包括在血管的多普勒成像期间利用机器学习模型评估多普勒频谱或流量分布，以及在机器学习模型检测到反常时显示病状流量的指示。可向超声成像系统的用户指示病状流量，例如通过在病状流量分布上显示标称或正常的流量分布。例如，图4示出了在用于超声成像的图形用户界面中显示
的子宫动脉的正常流量分布，而图5示出了子宫动脉的病状流量分布。当检测到此类病状流量分布时，可通过图形用户界面向用户突出显示或指示异常。例如，如图6所示，可在图形用户界面中显示同一血管的正常流量分布，例如通过将正常分布叠加在病状流量分布上。在其他示例中，可调节正常流量分布，例如通过时间对齐正常流量分布，使得周期峰值与病状流量分布的峰值对齐，如图7所示。此外，在一些示例中，图形用户界面可具体地突出显示或指示病状流量分布中偏离正常流量分布的部分，如图8所示。在一些示例中，如图9所示，可对正常流量分布进行时间对齐和缩放，以进一步匹配异常流量分布，使得强调流量分布之间的差异。子宫动脉的另一种病状流量的示例和此类病状流量的示例性指示在图10和图11中示出。此外，可在后续超声检查期间检索来自患者的先前超声扫描的多普勒测量结果，如图12所示。
20.参见图1，示出了根据本公开的实施方案的超声成像系统100的示意图。超声成像系统100包括发射波束形成器101和发射器102，该发射器驱动换能器阵列(本文中称为探头106)内的元件(例如，换能器元件)104，以将脉冲超声信号(本文中称为发射脉冲)发射到身体(未示出)中。根据一个实施方案，探头106可以是一维换能器阵列探头。然而，在一些实施方案中，探头106可以是二维矩阵换能器阵列探头。如以下进一步解释的，换能器元件104可以由压电材料构成。当向压电晶体施加电压时，晶体物理地膨胀和收缩，从而发射超声球波。这样，换能器元件104可将电子发射信号转换为声学发射波束。
21.在探头106的元件104将脉冲超声信号发射到(患者的)身体中之后，脉冲超声信号从身体内部的结构(如血细胞或肌肉组织)向后散射，以产生返回到元件104的回波。回波被元件104转换成电信号或超声数据，并且电信号被接收器108接收。表示所接收的回波的电信号穿过输出超声数据的接收波束形成器110。另外，换能器元件104可根据所接收的回波产生一个或多个超声脉冲以形成一个或多个发射波束。
22.根据一些实施方案，探头106可包含电子电路来执行发射波束形成和/或接收波束形成的全部或部分。例如，发射波束形成器101、发射器102、接收器108和接收波束形成器110的全部或一部分可位于探头106内。在本公开中，术语“扫描”或“扫描中”还可用于指通过发射和接收超声信号的过程来获取数据。本公开中，术语“数据”可以用于指用超声成像系统获取的一个或多个数据集。在一个实施方案中，可使用经由超声系统100获取的数据来训练机器学习模型。用户界面115可用于控制超声成像系统100的操作，包括用于控制患者数据(例如，患者病史)的输入、用于改变扫描或显示参数、用于启动探头复极化序列等。用户界面115可包括以下项中的一者或多者：旋转元件、鼠标、键盘、轨迹球、链接到特定动作的硬键、可被配置为控制不同功能的软键，以及显示在显示设备118上的图形用户界面。
23.超声成像系统100还包括处理器116，该处理器用以控制发射波束形成器101、发射器102、接收器108和接收波束形成器110。处理器116与探头106进行电子通信(例如，通信地连接)。出于本公开的目的，术语“电子通信”可被定义为包括有线通信和无线通信两者。处理器116可以根据存储在处理器的存储器、和/或存储器120上的指令来控制探头106以采集数据。处理器116控制元件104中的哪些是活动的以及从探头106发射的波束的形状。处理器116还与显示设备118进行电子通信，并且处理器116可将数据(例如，超声数据)处理成图像以用于在显示设备118上显示。处理器116可以包括根据一个实施方案的中央处理器(cpu)。根据其他实施方案，处理器116可以包括能够执行处理功能的其他电子部件，诸如数字信号
处理器、现场可编程门阵列(fpga)或图形板。根据其他实施方案，处理器116可包括能够执行处理功能的多个电子部件。例如，处理器116可包括从电子部件的列表中选择的两个或更多个电子部件，这些电子部件包括：中央处理器、数字信号处理器、现场可编程门阵列和图形板。根据另一个实施方案，处理器116还可包括解调rf数据并且生成原始数据的复合解调器(未示出)。在另一个实施方案中，解调可以在处理链中较早地执行。处理器116适于根据数据上的多个可选超声模态来执行一个或多个处理操作。在一个示例中，可在扫描会话期间实时处理数据，因为回波信号被接收器108接收并且被传输至处理器116。出于本公开的目的，术语“实时”被定义为包括在没有任何有意延迟的情况下执行的过程。例如，实施方案可以7至20帧/秒的实时速率获取图像。超声成像系统100能够以显著更快的速率获取一个或多个平面的2d数据。然而，应当理解，实时帧速率可取决于采集用于显示的每帧数据所花费的时间长度。因此，当采集相对大量的数据时，实时帧速率可能较慢。因此，一些实施方案可具有显著快于20帧/秒的实时帧速率，而其他实施方案可具有低于7帧/秒的实时帧速率。数据可在扫描会话期间临时存储在缓冲器(未示出)中，并且在实时或离线操作中以不太实时的方式处理。本发明的一些实施方案可包括多个处理器(未示出)，以处理根据上文所述的示例性实施方案的由处理器116处理的处理任务。例如，在显示图像之前，可利用第一处理器来解调和抽取rf信号，同时可使用第二处理器来进一步处理数据(例如，通过如本文进一步描述的那样扩充数据)。应当理解，其他实施方案可使用不同的处理器布置方式。
24.超声成像系统100可以例如10hz至30hz的帧速率(例如，每秒10帧至30帧)连续采集数据。根据数据生成的图像可以在显示设备118上以相似的帧速率刷新。其他实施方案能够以不同速率获取并且显示数据。例如，根据帧的大小和预期的应用，一些实施方案可以小于10hz或大于30hz的帧速率采集数据。包括存储器120，用于存储经处理的采集数据的帧。在示例性实施方案中，存储器120具有足够的容量来存储至少数秒钟的超声数据帧。数据帧的存储方式便于根据其采集顺序或时间进行检索。存储器120可包括任何已知的数据存储介质。
25.在本发明的各种实施方案中，处理器116可通过不同的模式相关模块(例如，b模式、彩色多普勒、m模式、彩色m模式、频谱多普勒、弹性成像、tvi、应变、应变速率等)来处理数据，以形成2d或3d数据。例如，一个或多个模块可生成b模式、彩色多普勒、m模式、彩色m模式、频谱多普勒、弹性成像、tvi、应变、应变速率以及它们的组合，等等。作为一个示例，一个或多个模块可处理彩色多普勒数据，其可包括传统彩色流量多普勒、功率多普勒、hd流量、缓慢流量hd，等等。图像线和/或帧存储在存储器中，并且可包括指示图像线和/或帧存储在存储器中的时间的定时信息。这些模块可包括例如扫描转换模块，用于执行扫描转换操作，以将所采集的图像从波束空间坐标转换为显示空间坐标。可以提供视频处理器模块，该视频处理器模块从存储器读取所采集的图像并且在对患者执行规程(例如，超声成像)时实时显示图像。视频处理器模块可包括单独的图像存储器，并且超声图像可被写入图像存储器以便由显示设备118读取和显示。
26.在一个示例中，超声成像系统100可被配置为在频谱多普勒模式下操作，其中超声成像系统100获得包括多个心动周期(例如跳动)的血流速度数据的脉冲波多普勒频谱或连续波多普勒频谱(本文称为多普勒频谱或流量分布)。经由超声成像系统100的显示设备118显示的多普勒频谱的示例在图4
‑
图11中示出，如下文进一步所述。
27.在本公开的各种实施方案中，超声成像系统100的一个或多个部件可以包括在便携手持式超声成像设备中。例如，显示设备118和用户界面115可以集成到手持式超声成像设备的外部表面中，该手持式超声成像设备可还包括处理器116和存储器120。在本公开的其他示例中，显示设备118和/或用户界面115可集成到位于本地的远程计算系统中，诸如查看工作站或远程定位的远程计算系统中(例如，用于远程医疗)。探头106可以包括与手持式超声成像设备进行电子通信以收集原始超声数据的手持式探头。发射波束形成器101、发射器102、接收器108和接收波束形成器110可以包括在超声成像系统100的相同或不同部分中。例如，发射波束形成器101、发射器102、接收器108和接收波束形成器110可以包括在手持式超声成像设备、探头以及它们的组合中。
28.在执行二维超声扫描之后，生成包含扫描线及其样本的数据块。在应用后端滤波器之后，执行称为扫描转换的过程，以将二维数据块变换为具有附加扫描信息(诸如深度、每条扫描线的角度等)的可显示的位图图像。在扫描转换期间，应用内插技术来填充所得图像中的丢失的孔(即，像素)。出现这些丢失的像素是因为二维块的每个元素通常应该覆盖所得图像中的许多像素。例如，在当前超声成像系统中，应用了双三次插值，其利用了二维块的相邻元素。因此，如果与位图图像的尺寸相比，二维块相对较小，则扫描转换后的图像将包括分辨率差或分辨率低的区域，特别是对于深度较大的区域。
29.参见图2，示出了示例性医学图像处理系统200。在一些实施方案中，医学图像处理系统200被结合到医学成像系统诸如超声成像系统(例如，图1的超声成像系统100)、mri系统、ct系统、单光子发射计算机断层显像(spect)系统等中。在一些实施方案中，医学图像处理系统200的至少一部分设置在设备(例如，边缘设备或服务器)处，该设备经由有线和/或无线连接可通信地耦接到医学成像系统。在一些实施方案中，医学图像处理系统200设置在单独的设备(例如，工作站)处，该设备可从医学成像系统或者从存储由医学成像系统生成的图像的存储设备接收图像。医学图像处理系统200可包括图像处理器231、用户输入设备232和显示设备233。例如，图像处理器231可以可操作地/通信地耦接到用户输入设备232和显示设备233。
30.图像处理器231包括处理器204，该处理器被配置为执行存储在非暂态存储器206中的机器可读指令。处理器204可以是单核或多核的，并且由处理器204执行的程序可被配置用于进行并行或分布式处理。在一些实施方案中，处理器204可以任选地包括分布在两个或更多个设备中的单独组件，其可以被远程定位和/或配置用于协调处理。在一些实施方案中，处理器204的一个或多个方面可被虚拟化并由以云计算配置进行配置的能够远程访问的联网计算设备执行。在一些实施方案中，处理器204可包括能够执行处理功能的其他电子部件，诸如数字信号处理器、现场可编程门阵列(fpga)或图形板。在一些实施方案中，处理器204可包括能够执行处理功能的多个电子部件。例如，处理器204可包括从多个可能的电子部件中选择的两个或更多个电子部件，这些电子部件包括：中央处理器、数字信号处理器、现场可编程门阵列和图形板。在另外的实施方案中，处理器204可被配置为图形处理单元(gpu)，包括并行计算架构和并行处理能力。
31.在图2所示的实施方案中，非暂态存储器206存储检测模块212和医学图像数据214。医学图像数据214可以包括超声成像数据，包括但不限于经由超声成像系统(诸如超声成像系统100)采集的b模式超声图像数据、彩色多普勒超声图像数据和多普勒频谱或流量
分布。检测模块212包括一个或多个人工智能算法，包括机器学习模型，以处理来自医学图像数据214的输入医学图像。具体地讲，检测模块212可以提供人工智能系统，以用于识别医学图像数据214内的患者异常，并且具体地用于识别医学图像数据214的多普勒频谱或流量分布中的异常流量或病状流量。例如，检测模块212可包括一个或多个深度学习网络，该一个或多个深度学习网络包括多个权重和偏差、激活函数、损失函数、梯度下降算法以及用于实现该一个或多个深度学习网络以处理输入医学图像的指令。附加地或另选地，检测模块212可存储用于实现神经网络(诸如卷积神经网络)的指令，以用于检测和分类医学图像数据214的多普勒频谱或流量分布中的潜在流量异常。在此类示例中，流量分布可作为图像输入到神经网络。另选地，以流量分布描绘的波形可作为时间序列输入到神经网络。在此类示例中，机器学习模型或神经网络可被构造和配置用于接收时间序列而不是图像作为输入。
32.检测模块212可包括受过训练的神经网络并且还可包括与存储在其中的一个或多个神经网络模型相关联的训练例程或参数(例如，权重和偏差)。检测模块212还可包括图像识别算法、形状或边缘检测算法、解剖结构分割和分类算法等。在一些实施方案中，检测模块212可以在实时采集医学图像数据214时评估该医学图像数据。附加地或另选地，检测模块212可离线而不是实时评估医学图像数据214。检测模块212还可包括用于自动血管分割和分类的受过训练的机器学习模型，以及用于将自动多普勒光标放置在血管内以进行数据采集的受过训练的机器学习模型或算法。
33.在一些实施方案中，患者异常可包括在医学图像数据214中成像的解剖特征中的异常流量或病状。例如，当解剖特征为血管时，患者异常包括相对于血管标称流量的异常流量。在一些示例中，检测模块212包括用于多个血管的多个机器学习模型，其中每个机器学习模型在针对特定血管的流量分布上训练。例如，检测模块212可包括在子宫动脉的流量分布上训练的机器学习模型、在大脑中动脉的流量分布上训练的机器学习模型、在脐动脉的流量分布上训练的机器学习模型等。在其他示例中，检测模块212可包括在多个血管的流量分布上训练的机器学习模型。
34.图像处理器231可通信地耦接到训练模块210，该训练模块包括用于训练存储在检测模块212中的一个或多个机器学习模型的指令。训练模块210可包括指令，这些指令在被处理器执行时致使处理器基于样本数据构建模型(例如，数学模型)，以作出关于患者异常的检测和分类的预测或决策，而无需不利用机器学习的传统算法的明确编程。在一个示例中，训练模块210包括用于从医学图像数据214接收训练数据集的指令。训练数据集包括多普勒流量分布集、相关联的地面实况标签和相关联的模型输出，以用于训练存储在检测模块212中的机器学习模型中的一个或多个。训练模块210可从医学图像数据214以外的其他来源(诸如其他图像处理系统、云等)接收用于训练一个或多个机器学习模型的多普勒流量分布、相关联的地面实况标签和相关联的模型输出。在一些实施方案中，训练模块210的一个或多个方面可包括以云计算配置进行配置的可远程访问的联网存储设备。此外，在一些实施方案中，训练模型210被包含在非暂态存储器206中。附加地或另选地，在一些实施方案中，训练模型210可用于离线且远离图像处理系统200生成检测模块212。在此类实施方案中，训练模块210可不包含在图像处理系统200中，但是可生成存储在图像处理系统200中的数据。
35.非暂态存储器206还存储医学图像数据214。医学图像数据214包括例如由成像模
态(诸如超声成像系统、mri系统、ct系统、pet系统等)捕获的功能图像和/或解剖图像。作为一个示例，医学图像数据214可包括超声图像，诸如超声b模式图像、彩色多普勒图像数据以及多普勒流量分布。
36.在一些实施方案中，非暂态存储器206可以包括设置在两个或更多个设备上的组件，这些组件可以被远程定位和/或配置用于协调处理。在一些实施方案中，非暂态存储器206的一个或多个方面可以包括以云计算配置的可远程访问的联网存储设备。作为一个示例，非暂态存储器206可为影像存档与通信系统(pacs)的一部分，该部分被配置为存储例如患者病史、成像数据、测试结果、诊断信息、管理信息和/或排程信息。
37.图像处理系统200还可包括用户输入设备232。用户输入设备232可包括触摸屏、键盘、鼠标、触控板、运动感测相机或被配置为使用户能够与图像处理器231内存储的数据交互并操纵该数据的其他设备中的一者或多者。作为示例，用户输入设备232可使用户能够对成像结构进行分析和排序和/或响应通知提示。
38.显示设备233可包括利用任何类型的显示技术的一个或多个显示设备。在一些实施方案中，显示设备233可包括计算机监视器，并且可显示未处理的图像、经处理的图像、参数标测图和/或检查报告。显示设备233可与处理器204、非暂态存储器206和/或用户输入设备232在共享壳体中组合，或者可为外围显示设备。显示设备233可包括监视器、触摸屏、投影仪或另一种类型的显示设备，该显示设备可使得用户能够查看医学图像和/或与存储在非暂态存储器206中的各种数据进行交互。在一些实施方案中，显示设备233可包括在智能电话、平板电脑、智能手表等中。
39.可以理解，图2所示的医学图像处理系统200是图像处理系统的一个非限制性实施方案，并且在不脱离本公开的范围的情况下，其他成像处理系统可包括更多、更少或不同的部件。此外，在一些实施方案中，医学图像处理系统200的至少部分可包括在图1的超声成像系统100中，或反之亦然(例如，超声成像系统100的至少部分可包括在医学图像处理系统200中)。此外，虽然医学图像处理系统200可以包括与医学成像系统(诸如超声成像系统100)分开的图像处理系统，但是在一些示例中，医学图像处理系统200可以集成到超声成像系统100中。例如，处理器204和非暂态存储器206可分别包括处理器116和存储器120，而用户输入设备232和显示设备233分别包括用户界面115和显示设备118。
40.如本文所用，术语“系统”和“模块”可包括操作以执行一个或多个功能的硬件和/或软件系统。例如，模块或系统可包括计算机处理器、控制器或基于存储在有形和非暂态计算机可读存储介质(诸如计算机存储器)上的指令来执行操作的其他基于逻辑的设备，或可被包括在其中。另选地，模块或系统可包括基于设备的硬连线逻辑来执行操作的硬连线设备。附图中示出的各种模块或系统可表示基于软件或硬连线指令操作的硬件、指示硬件执行操作的软件、或它们的组合。
[0041]“系统”或“模块”可包括或表示执行本文描述的一个或多个操作的硬件和相关指令(例如，存储在有形和非暂态计算机可读存储介质上(诸如计算机硬盘驱动器、rom、ram等)的软件)。硬件可包括电子电路，其包括和/或连接到一个或多个基于逻辑的设备，诸如微处理器、处理器、控制器等。这些设备可以是被适当编程或指示以根据上文所述的指令来执行本文所述的操作的现成设备。除此之外或另选地，这些设备中的一个或多个可以与逻辑电路硬连线以执行这些操作。
[0042]
图3示出了根据一个实施方案的示出用于利用多普勒流型的自动分析进行超声成像的示例性方法300的高级流程图。具体地讲，方法300涉及评估超声多普勒测量结果以检测血管中的异常血流。参照图1和图2的系统和部件描述了方法300，但是应当理解，方法300可在不脱离本公开的范围的情况下用其他系统和部件来实现。方法300可以例如作为可执行指令实现在非暂态存储器120和/或非暂态存储器206中，并且可以由处理器116和/或处理器204执行以执行本文以下所描述的动作。
[0043]
方法300在305处开始。在305处，方法300开始血管的超声扫描。例如，方法300控制发射波束形成器101和发射器102以驱动探头106的换能器元件104将超声波朝向血管发射到患者体内，并且还控制接收器108和接收波束形成器110以经由探头106的换能器元件104检测超声波的回波，如上文所述。因此，方法300可根据多普勒超声成像协议控制超声成像系统100的部件。以此方式，在310处，方法300采集血管的b模式图像或灰度超声图像。
[0044]
在315处，方法300接收被成像的血管的指示。例如，方法300可以经由用户界面115和/或用户输入设备232接收被成像的血管的指示。即，超声成像系统100的用户可例如通过菜单手动选择或以其他方式输入被成像的血管，并且因此方法300接收被成像的血管的指示。在此类示例中，方法300可在305处开始超声扫描之前接收被成像的血管的指示。作为另一示例，方法300可以执行对在310处采集的b模式图像或超声图像的图像分类以自动检测血管，因此方法300可以经由图像分类接收被成像的血管的指示。在此类示例中，方法300可以作为说明性示例利用受过训练的卷积神经网络或另一种合适的图像分类技术来执行图像分类，诸如在超声图像中分割血管并将分割的血管与血管片段的词典进行比较以识别血管。如本文进一步所述，方法300还采集多普勒测量结果，因此在一些示例中，方法300可对颜色或功率多普勒图像或对频谱多普勒图像本身执行自动图像分类。此外，可以使用受过分割和分类训练的机器学习模型两者来识别被成像的血管。例如，可以利用分割机器学习模型从图像数据分割血管，并且可以利用分类机器学习模型对分割血管进行分类，或者另选地，单个机器学习模型可以同时对血管进行分割和分类。
[0045]
在320处，方法300采集多普勒测量结果。例如，方法300可控制如上文所述的超声成像系统100的部件以在频谱多普勒模式下操作，并且采集针对至少若干次心跳或心动周期的血流速度数据和多普勒频谱或流量分布。多普勒光标(即，多普勒roi的定位或根据多普勒成像模式成像的区域)可根据被成像的血管的指示自动定位。例如，方法300可在315处自动识别被成像的血管的位置，并且将多普勒光标自动定位在用于多普勒数据采集的血管的位置处。此外，方法300可基于所采集的多普勒数据来计算各种测量结果或指数。例如，多普勒测量结果还可包括由血流速度数据和/或多普勒频谱计算阻力指数(ri)和/或脉动指数(pi)，其中阻力指数包括收缩期峰值血流速度和舒张末期血流速度之间的差值除以收缩期峰值血流速度，并且脉动指数包括收缩期峰值血流速度和舒张末期血流速度之间的差值除以时间平均速度。
[0046]
在采集多普勒测量结果之后，方法300继续到325。在325处，方法300显示具有多普勒测量结果的超声图像。例如，方法300可将血流速度数据显示为叠加在超声b模式图像上的彩色流量图像数据。此外，在330处，方法300显示在320处采集的流量分布。流量分布或多普勒频谱可邻近超声b模式图像显示，其中在例如经由显示设备118或显示设备233显示的图形用户界面中显示其上叠加有彩色流量图像数据。方法300还可在图形用户界面中显示
附加多普勒测量结果，诸如所计算的ri和/或pi。
[0047]
在335处，方法300评估流量分布。在一个示例中，方法300可利用机器学习模型来评估流量分布。例如，方法300可将流量分布、附加多普勒测量结果(例如ri和/或pi)和b模式图像中的一者或多者输入到例如检测模块212的一个或多个机器学习模型中。在每个血管的多个正常或标称流量分布上训练机器学习模型。在一些示例中，被成像的血管的指示可用于评估流量分布。例如，在一些示例中，被成像的血管的指示可与流量分布一起输入到例如在多个血管的正常流量分布上训练的机器学习模型。在此类示例中，机器学习模型还可基于流量分布输出被成像的血管的指示。以此方式，如果实际成像的血管不同于在315处接收的被成像的血管的指示中所指示的血管，则方法300可基于由机器学习模型输出的血管的指示与在315处接收的血管的指示的比较来识别误差。在此类示例中，作为一个示例，方法300可任选地显示请求确认被成像的血管的通知。在其他示例中，方法300可从多个机器学习模型中选择在被成像的血管的正常流量分布上训练的机器学习模型，其中每个机器学习模型在不同血管的正常流量分布上训练。
[0048]
机器学习模型可被配置为输出关于流量分布是否正常的指示，或者类似地，输出相对于正常流量分布呈现反常或异常的流量分布的指示。在一些示例中，机器学习模型还可被配置为输出流量分布中相对于正常流量分布反常或异常的部分的标识或指示。
[0049]
在一些示例中，机器学习模型在病状流量分布以及正常流量分布上进行训练。因此，用于训练机器学习模型的训练数据可包括标记为正常的正常流量分布和标记为病状的病状流量分布。此外，对于不同类型的病状流量分布，训练数据还可包括病状流量分布所呈现的病状类型的指示。即，各种病状可与给定血管相关联并且可引起不同类型的流量，并且机器学习模型可在训练数据上进行训练，该训练数据包括与不同病状相关联的多个异常流量分布以及造成异常流量的病状的标记。在此类示例中，机器学习模型可被配置为当机器学习模型输出流量分布是病状的或异常的指示时，输出病状流量分布所呈现的病状类型的指示。另外，可根据流量分级系统对流量分布进行表征或分级。例如，流量分布可被分级为不存在(例如，不存在流量)、最小、减弱、抑制、狭窄或正常。具有不同等级的异常流量分布可利用用于训练机器学习模型的等级来标记，使得机器学习模型可输出针对输入到机器学习模型的流量分布的等级。
[0050]
在其他示例中，方法300可利用除用于信号分析的机器学习模型之外的信号处理方法来评估流量分布。例如，方法300可以执行时间序列分析、傅立叶分析、基于小波的分析、它们的组合等，以识别异常和/或对流量分布进行分级。
[0051]
在评估流量分布之后，方法300继续到340。在340处，方法300确定是否在流量分布中检测到反常。如果未检测到反常(“否”)，则方法300继续到355。然而，如果检测到反常(“是”)，则方法300继续到345。在345处，方法300显示血管的正常流量分布。例如，方法300可从正常流量分布的库(诸如，例如存储在训练模块210中的流量分布)检索血管的正常流量分布。此外，正常流量分布可选自存储在正常流量分布的库中的血管的多个正常流量分布，例如，基于采集参数，使得正常流量分布对应于在给定采集的情况下可预期的流量。在一些示例中，可邻近流量分布显示正常流量分布。在其他示例中，正常流量分布被叠加在图形用户界面中的流量分布上。以此方式，用户可轻易地识别流量分布与正常流量分布之间的差异。在一些示例中，可在叠加正常流量分布之前基于流量分布来调节正常流量分布。例
如，正常流量分布可为时间对齐的，使得正常流量分布的至少一个峰值(例如，r波)与流量分布的峰值对齐。本文参照图7进一步描述了将正常流量分布调节为与流量分布时间对齐的示例。另外，可例如缩放正常流量分布，以使得与流量分布的峰值时间对齐的至少一个峰值的振幅也等于流量分布的峰值的振幅。本文参考图9进一步描述了以这种方式调节正常流量分布的示例。
[0052]
在350处，方法300显示病状的指示。例如，方法300可突出显示流量分布的反常部分，例如通过调节流量分布在反常部分处的显示。作为另一示例，方法300可以图形方式突出显示流量分布与正常流量分布之间的差异。例如，方法300可自动突出显示流量分布中不同于正常流量分布的部分。作为另一示例，方法300可将流量分布中正常的部分着色为第一颜色(例如，绿色)，并且用第二颜色(例如，红色)将不同的部分着色。作为又一个示例，方法300可显示对造成流量分布异常的病状类型的指示。在其中机器学习模型被配置为根据流量分级系统对流量分布进行分类的示例中，方法300还可在图形用户界面中显示流量分布的分类或流量等级(例如，不存在、最小、减弱、抑制、狭窄、正常等)。
[0053]
在355处，方法300确定扫描是否完成。例如，当超声成像系统100的用户经由用户界面115指示扫描完成时，扫描可以完成。如果扫描未完成(“否”)，则方法300继续到360以继续扫描。为了继续扫描，方法300返回到310，例如，以采集附加b模式图像并继续采集多普勒测量结果。在一些示例中，方法300可另选地返回到320以采集附加多普勒测量结果而不采集附加b模式图像。因此，方法300继续采集多普勒测量结果并评估流量分布或多普勒频谱以确定是否存在病状流量，直到扫描完成。一旦在355处扫描完成(“是”)，方法300就前进至365。在365处，方法300结束扫描。然后，方法300返回。
[0054]
因此，提供了用于自动检测异常流量分布并指示流量分布异常的系统和方法。虽然上文所述的方法300涉及在超声扫描期间实时评估多普勒测量结果，但应当理解，方法300可适于用作后处理技术，例如，在采集包括多普勒测量结果的超声数据之后。例如，并非在超声扫描期间实时采集和评估超声数据，而是可首先在超声扫描期间采集包括多普勒测量结果的超声数据，然后将其保存在非暂态存储器中(例如作为医学图像处理系统200的非暂态存储器206中的医学图像数据214)。然后可利用如上文所述的机器学习模型来评估包括多普勒测量结果的超声数据，以确定流量是病状的还是异常的，并且多普勒频谱或流量分布可与叠加在其上的正常流量分布一起显示。另外，可在流量分布的显示中突出显示流量分布中的异常的指示。此外，当用户执行扫描助理协议或脚本以执行患者检查时，用户可配置图像何时经历对流量血液动力学异常的自动检测，以及系统可在异常的情况下自动执行什么附加动作(如果有的话)(例如，额外的测量等)。然后可以为用户自动填充所检测到的异常发现作为评论/注释，并将其自动填充到报告软件中。
[0055]
作为可如何向用户指示异常流量分布的说明性且非限制性示例，图4
‑
图11示出了用于显示包括多普勒频谱的超声数据的示例性图形用户界面。本文所述的图形用户界面可以例如经由超声成像系统100的显示设备118或经由医学图像处理系统200的显示设备233显示。作为说明性且非限制性示例，图4示出了图形用户界面400的示例性显示输出，该图形用户界面示出具有正常流量的血管的多普勒频谱或流量分布410。图形用户界面400显示超声图像405，该超声图像包括在彩色流量相关区域(roi)409中其上叠加有彩色流量图像数据(例如，速度测量结果)的灰度或b模式图像。图形用户界面400还可包括邻近超声图像405
定位的色标407，以示出在超声图像405的彩色流量图像数据中描绘的颜色的速度。图形用户界面400还显示定位在彩色流量roi 409中的血管的多普勒频谱或流量分布410。图形用户界面400还显示可基于流量分布410自动生成的流量分布410的流量分布迹线420。
[0056]
图形用户界面400还包括显示一个或多个多普勒测量结果和其他测量结果的测量参数显示412。例如，如图所示，测量参数显示412包括阻力指数(ri)以及心率(hr)的测量结果。应当理解，可在测量参数显示412中显示其他测量结果，诸如平均最大血流速度、平均均值血流速度、血流速度的平均最大压力梯度、平均速度时间积分、平均包络时间、脉动指数等。在一些示例中，这些测量结果可基于流量分布迹线420来计算。
[0057]
应当理解，图形用户界面400可包括附加部件，诸如菜单(未示出)，该菜单包括用于控制或调节超声成像系统的采集参数和/或图形用户界面400的显示参数的选项。
[0058]
在所描绘的示例中，被成像的血管包括子宫动脉。对于正常子宫动脉，阻力指数通常为0.5或更低。对于子宫动脉中的病状流量，阻力指数可为0.6或更高。正如所示流量分布是正常的，
[0059]
图5示出了图形用户界面500的示例性显示输出，该图形用户界面示出了具有病状流量的血管的多普勒流量分布510。具体地讲，血管包括子宫动脉。类似于图形用户界面400，图形用户界面500包括超声图像505、色标507和测量参数显示512，该超声图像包括在彩色流量roi 509内其上叠加有彩色流量图像数据的灰度或b模式图像。在流量分布510上显示对应于流量分布510的上边界的流量分布迹线520。
[0060]
子宫动脉流量负趋势的第一个指示是收缩倾斜后的凹口，其在流量分布510中清晰可见，以及高于0.6的阻力指数，如图所示。该凹口可包括相对于子宫动脉的正常流量分布420的反常或异常。
[0061]
当检测到此类病状流量分布时，可通过图形用户界面向用户突出显示或指示异常。例如，如图6的图形用户界面600所示，可例如通过将正常流量分布630叠加在病状流量分布510上来在图形用户界面600中显示相同血管的正常流量分布630。如图所示，正常流量分布630可包括正常流量分布410的流量分布迹线420，但应当理解，在一些示例中，正常流量分布410可与病状流量分布510叠加或以其他方式一起显示。通过在流量分布510上显示正常流量分布630，查看图形用户界面600的用户可因此被通知流量分布510为异常或病状的。
[0062]
此外，尽管未在图形用户界面600中示出，但在一些示例中，阻力指数可被突出显示，因为给定血管的值指示流量分布是病状的。例如，可调节测量参数显示512的显示以突出显示(例如，通过调节文本的颜色或通过将背景颜色添加到文本)测量参数显示512内的阻力指数(ri)。
[0063]
在其他示例中，可例如通过时间对齐正常流量分布630来调节正常流量分布630，使得周期峰值与病状流量分布510的峰值对齐。例如，图7示出了示例性图形用户界面700，其中在病状流量分布510上显示正常流量分布730，其中正常流量分布730对应于具有与流量分布510的第一峰值时间对齐的第一峰值的正常流量分布630。
[0064]
作为另一示例，可调节病状流量分布510中反常或异常部分的显示以突出显示该异常。例如，图8示出了示例性图形用户界面800，其中流量分布510的流量分布迹线520被替换为流量分布迹线820。具体地讲，流量分布迹线820包括流量分布迹线520，其中流量分布
迹线820的部分841、842、843、844、845、846和847的显示被调节以突出显示这些部分相对于正常流量分布730的反常。如图所示，部分841、842、843、844、845、846和847是虚线而非实线的，但应当理解，部分841、842、843、844、845、846和847可以是彩色的(例如，以红色显示)，而流量分布迹线820的其余部分以另一种颜色(例如，绿色)显示，以强调或突出显示部分841、842、843、844、845、846和847。
[0065]
在一些示例中，可对正常流量分布进行时间对齐和缩放，以进一步匹配异常流量分布，使得强调流量分布之间的差异。例如，图9示出了示例性图形用户界面900，其中正常流量分布930显示在或叠加在流量分布510上。具体地讲，正常流量分布930对应于正常流量分布630，其中第一峰值与流量分布510的第一峰值时间对齐并且缩放，使得振幅匹配，如图所示。以此方式，用户经由显示设备(诸如显示设备115或显示设备233)查看图形用户界面900可轻易地辨别流量分布930和510之间的差异。此外，可类似于流量分布迹线820来调节流量分布510的流量分布迹线920，以进一步强调正常流量分布930与流量分布510之间的差异。另选地，如图所示，视觉指示标记941、942、943、944、945、946和947可叠加在流量分布迹线930上以指示由机器学习模型检测到的反常的位置。
[0066]
子宫动脉的另一种病状流量的示例和此类病状流量的示例性指示在图10和图11中示出。具体地讲，图10示出了显示具有病状流量的子宫动脉的多普勒频谱或流量分布1010的示例性图形用户界面1000。与流量分布510的病状流量相比，流量分布1010通过阻力指数高于0.6的基本上低的舒张流量而呈现出病状流量。图形用户界面1000还包括超声图像1005、色标1007和测量参数显示1012，该超声图像具有叠加在彩色流量roi 1009内的彩色流量图像数据。
[0067]
如上文所述，可通过在子宫动脉的多个正常和/或异常流量分布上训练的机器学习模型来评估流量分布1010，所述机器学习模型继而确定流量分布1010相对于正常流量分布是异常或病状的。为了向用户指示流量分布1010的异常，可在其上叠加正常流量分布。例如，图11示出图形用户界面1100的示例性显示输出，该图形用户界面示出其上覆盖有正常流量分布1130的图10的病状多普勒流量分布1010。如图所示，正常流量分布1130可包括正常流量分布410的流量分布迹线420，而无需对流量分布迹线420的时序和比例进行调节。在其他示例中，如上文参考图7
‑
图9所述，正常流量分布1130可与流量分布1010时间对齐，并且可附加地或另选地缩放，使得峰值的振幅匹配。此外，可调节流量分布迹线1020以指示流量分布迹线1020中相对于正常流量分布1130异常的部分。附加地或另选地，可将视觉指示标记显示或叠加到流量分布1010上以指示流量分布1010的异常部分。
[0068]
对于其他血管，诸如大脑中动脉、脐动脉、导管静脉等，正常和病状流量分布的特定形状可不同于子宫动脉的正常和病状流量分布。因此，正常和病状流量的阻力指数也可不同于子宫动脉。例如，对于大脑中动脉，正常流量分布可呈现出阻力指数在0.8至0.85范围内的低、平坦舒张流量，而病状流量分布可呈现出阻力指数低于0.7的明显增加的舒张流量。作为另一示例，对于脐动脉，正常流量分布可呈现出阻力指数在0.6至0.8范围内的舒张流量，而病状流量分布可呈现出阻力指数高于0.8的过低或缺失的舒张流量。作为又一个示例，对于导管静脉，正常流量分布可呈现出在舒张末期中没有完整切口的m形流量，其中病状流量分布呈现出向下到达零线的切口或甚至逆向流量。
[0069]
图12示出了根据一个实施方案的示出用于在后续检查期间利用多普勒流型的自
动分析进行超声成像的示例性方法1200的高级流程图。具体地讲，方法1200涉及评估超声多普勒测量结果以检测血管中的异常血流。参照图1和图2的系统和部件描述了方法1200，但是应当理解，方法300可在不脱离本公开的范围的情况下用其他系统和部件来实现。方法1200可以例如作为可执行指令实现在非暂态存储器120和/或非暂态存储器206中，并且可以由处理器116和/或处理器204执行以执行本文以下所描述的动作。
[0070]
方法1200在1205处开始。在1205处，方法1200加载包括在患者的先前超声扫描期间采集的血管的多普勒测量结果的超声数据。在1210处继续，方法1200开始血管的超声扫描。例如，方法1200控制发射波束形成器101和发射器102以驱动探头106的换能器元件104将超声波朝向血管发射到患者体内，并且还控制接收器108和接收波束形成器110以经由探头106的换能器元件104检测超声波的回波，如上文所述。因此，方法1200可根据多普勒超声成像协议控制超声成像系统100的部件。以此方式，在1215处，方法300采集血管的b模式图像或灰度超声图像以及血管的多普勒测量结果。方法1200可另外自动检测血管的位置和类型，如上文所述，并且将多普勒光标自动定位在血管的位置处以采集多普勒测量结果。
[0071]
继续在1220处，方法1200显示具有在1215处采集的多普勒测量结果的超声图像，例如经由显示设备118或显示设备233。此外，在1225处，方法1200显示来自在1205处检索到的先前超声扫描的流量分布以及来自在1215处采集的当前超声扫描的流量分布。可在经由显示设备118或显示设备233显示的图形用户界面中并排显示流量分布。由于先前的流量分布和当前流量分布分别在时间t1和时间t1 δt采集，因此用户可查看这两个流量分布以监测疾病进展或治疗效果。
[0072]
在1230处，方法1200评估来自先前超声扫描和当前超声扫描的流量分布。例如，方法1200可将两个流量分布输入到如上文所讨论的受过训练的机器学习模型，以识别任一流量分布中的潜在异常。如果先前针对潜在异常评估了来自先前超声扫描的流量分布，则可从存储装置检索对先前流量分布的分析的先前结果，而不是在当前扫描期间分析流量分布。
[0073]
在评估流量分布之后，方法1200继续到1235。在1235处，方法1200确定是否在任一流动分布中检测到反常。如果未检测到反常(“否”)，则方法1200继续到1250。然而，如果检测到反常(“是”)，则方法1200继续到1240。在1240处，方法1200显示血管的正常或参考流量分布。例如，方法1200可从正常或参考流量分布的库(诸如，例如存储在训练模块210中的流量分布)检索血管的参考流量分布。此外，参考流量分布可选自存储在参考流量分布的库中的血管的多个参考流量分布，例如，基于采集参数，使得参考流量分布对应于在给定采集的情况下可预期的流量。在一些示例中，参考流量分布可邻近包括异常或反常的流量分布来显示。在其他示例中，在图形用户界面中参考流量分布叠加在以反常为特征的流量分布上。以此方式，用户可轻易地识别流量分布与参考流量分布之间的差异。在一些示例中，可在叠加参考流量分布之前基于流量分布来调节参考流量分布。例如，参考流量分布可为时间对齐的，使得参考流量分布的至少一个峰值(例如，r波)与流量分布的峰值对齐。另外，可例如缩放参考流量分布，以使得与流量分布的峰值时间对齐的至少一个峰值的振幅也等于流量分布的峰值的振幅。
[0074]
在1245处，方法1200显示病状的指示。例如，方法1200可突出显示流量分布的反常部分，例如通过调节流量分布在反常部分处的显示。作为另一示例，方法1200可以图形方式
突出显示流量分布与参考流量分布之间的差异，以及当前流量分布与先前流量分布之间的差异。例如，方法1200可自动突出显示流量分布中不同于参考流量分布和/或先前流量分布的部分。作为另一示例，方法1200可将流量分布中正常的部分着色为第一颜色(例如，绿色)，并且用第二颜色(例如，红色)将不同的部分着色。作为又一个示例，方法1200可显示对造成流量分布异常的病状类型的指示。在其中机器学习模型被配置为根据流量分级系统对流量分布进行分类的示例中，方法1200还可在图形用户界面中显示流量分布的分类或流量等级(例如，不存在、最小、减弱、抑制、狭窄、正常等)。
[0075]
在1250处，方法1200确定扫描是否完成。例如，当超声成像系统100的用户经由用户界面115指示扫描完成时，扫描可以完成。如果扫描未完成(“否”)，则方法1200继续到1255以继续扫描。为了继续扫描，方法1200返回到1215，例如，以采集附加b模式图像并继续采集多普勒测量结果。因此，方法1200继续采集多普勒测量结果并评估流量分布或多普勒频谱以确定是否存在病状流量，直到扫描完成。一旦在1250处扫描完成(“是”)，方法1200就前进至1260。在1260处，方法1200结束扫描。然后，方法1200返回。
[0076]
因此，在后续检查期间，来自先前检查的流量分布或多普勒频谱以及当前检查的流量分布可并排显示给用户。此外，可评估两个流量分布以检测流量血液动力学的异常，并且可将两个结果呈现给用户以用于疾病/治疗监测。此外，可在超声检查之后执行本文所述的流量分布的评估。例如，可检索来自一个或多个先前超声检查的多普勒频谱并评估异常，其中结果如上文所述显示给用户。
[0077]
本公开的技术效果包括在病状流量分布上显示正常流量分布。本公开的另一个技术效果包括在图形用户界面中显示流量分布，其中流量分布的病状部分或异常部分在图形用户界面中突出显示。本公开的又一个技术效果包括自动检测多普勒频谱中的异常。本公开的另一个技术效果包括在多普勒频谱中自动识别的病状类型的指示。
[0078]
在一个实施方案中，一种方法包括：经由超声探头采集多个心动周期内的多普勒测量结果；评估包括多普勒测量结果的流量分布以检测流量分布中的异常；以及经由显示设备显示其上覆盖有参考流量分布的流量分布。
[0079]
在该方法的第一示例中，该方法还包括调节流量分布的显示以突出显示流量分布中呈现异常的一个或多个部分。在任选地包括第一示例的方法的第二示例中，调节流量分布的显示以突出显示流量分布中呈现异常的一个或多个部分包括将流量分布中呈现异常的一个或多个部分着色为第一颜色，以及将流量分布的其余部分着色为第二颜色。在任选地包括第一示例和第二示例中的一个或多个的方法的第三示例中，该方法还包括将视觉指示标记叠加在流量分布上，以突出显示流量分布中呈现异常的一个或多个部分。在任选地包括第一示例至第三示例中的一个或多个的方法的第四示例中，该方法还包括采集血管的多普勒测量结果，其中参考流量分布基于无病状情况下血管的一个或多个流量分布。在任选地包括第一示例至第四示例中的一个或多个的方法的第五示例中，该方法还包括采集血管的超声图像，并且基于超声图像检测被成像的血管，其中检测被成像的血管包括检测被成像的血管的位置和被成像的血管的类型中的一者或多者，并且其中检测被成像的血管包括以下中的一者：利用被训练用于血管分类的机器学习模型基于超声图像自动检测被成像的血管，或者经由用户输入接收对在超声图像中被成像的血管的手动选择。在任选地包括第一示例至第五示例中的一个或多个的方法的第六示例中，评估流量分布包括利用受过训
练的机器学习模型来评估流量分布，受过训练的机器学习模型基于被成像的血管的类型从多个受过训练的机器学习模型中选择。在任选地包括第一示例至第六示例中的一个或多个的方法的第七示例中，该方法还包括将多普勒光标自动定位在被成像的血管的位置处以用于采集多普勒测量结果。在任选地包括第一示例至第七示例中的一个或多个的方法的第八示例中，该方法还包括调节参考流量分布的显示以至少部分地匹配流量分布，其中调节参考流量分布的显示包括中的一者或多者：将参考流量分布的峰值与流量分布的峰值时间对齐，以及缩放参考流量分布以将参考流量分布的峰值的振幅与流量分布的峰值的振幅匹配。在任选地包括第一示例至第八示例中的一个或多个的方法的第九示例中，该方法还包括利用受过训练的机器学习模型确定与流量分布的异常相关联的病状的类型，以及经由显示设备显示对病状的类型的指示。
[0080]
在另一个实施方案中，方法包括：经由超声探头采集血管的超声图像；经由超声探头采集血管内血流的多普勒测量结果；经由显示设备显示图形用户界面，该图形用户界面包括具有叠加在其上的多普勒测量结果的彩色流量数据的超声图像，以及由多普勒测量结果构建的流量分布；利用受过训练的机器学习模型检测流量分布中的异常；经由显示设备在图形用户界面中显示叠加在流量分布上的血管的参考流量分布；以及调节图形用户界面中流量分布的显示以指示异常。
[0081]
在该方法的第一示例中，检测流量分布中的异常包括将流量分布输入到受过训练的机器学习模型，并且接收异常的指示作为来自受过训练的机器学习模型的输出。在任选地包括第一示例的方法的第二示例中，将流量分布作为图像输入到受过训练的机器学习模型。在任选地包括第一示例的方法的第三示例中，将流量分布作为时间序列输入到受过训练的机器学习模型。在任选地包括第一示例至第三示例中的一个或多个的方法的第四示例中，所述方法还包括在将参考流量分布叠加在图形用户界面中的流量分布上之前，调节参考流量分布的比例和时序以至少部分地匹配流量分布。
[0082]
在又一个实施方案中，超声成像系统包括超声探头、显示设备和用非暂态存储器中的可执行指令进行配置的处理器，该可执行指令在被执行时致使处理器：经由超声探头采集多个心动周期内的多普勒测量结果；评估包括多普勒测量结果的流量分布以检测流量分布中的异常；以及经由显示设备显示其上覆盖有参考流量分布的流量分布。
[0083]
在该系统的第一示例中，处理器进一步用非暂态存储器中的可执行指令进行配置，该可执行指令在被执行时致使处理器调节流量分布的显示以突出显示流量分布中呈现异常的一个或多个部分。在任选地包括第一示例的系统的第二示例中，处理器进一步用非暂态存储器中的可执行指令进行配置，该可执行指令在被执行时致使处理器通过将流量分布中呈现异常的一个或多个部分着色为第一颜色，以及将流量分布的其余部分着色为第二颜色，来调节流量分布的显示以突出显示流量分布中呈现异常的一个或多个部分。在任选地包括第一示例和第二示例中的一个或多个的系统的第三示例中，处理器进一步用非暂态存储器中的可执行指令进行配置，该可执行指令在被执行时致使处理器采集血管的多普勒测量结果，以及根据被成像的血管从多个参考流量分布中选择参考流量分布。在任选地包括第一示例至第三示例中的一个或多个的系统的第四示例中，处理器进一步用非暂态存储器中的可执行指令进行配置，该可执行指令在被执行时致使处理器用包括多个参考流量分布和多个异常流量分布中的一者或多者的训练数据训练机器学习模型，并且用受过训练的
机器学习模型评估流量分布以检测异常。在任选地包括第一示例至第四示例中的一个或多个的系统的第五示例中，处理器进一步用非暂态存储器中的可执行指令进行配置，该可执行指令在被执行时致使处理器利用受过训练的机器学习模型确定与流量分布的异常相关联的病状的类型，以及经由显示设备显示对病状的类型的指示。
[0084]
如本文所用，以单数形式列举并且以单词“一个”或“一种”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，除非明确说明此类排除。此外，对本发明的“一个实施方案”的引用不旨在被解释为排除也包含所引用特征的附加实施方案的存在。此外，除非明确地相反说明，否则“包含”、“包括”或“具有”具有特定特性的元件或多个元件的实施方案可包括不具有该特性的附加此类元件。术语“包括”和“在
…
中”用作相应的术语“包含”和“其中”的简明语言等同形式。此外，术语“第一”、“第二”和“第三”等仅用作标记，而不旨在对其对象施加数字要求或特定位置次序。
[0085]
该书面描述使用示例来公开本发明，包括最佳模式，并且还使相关领域中的普通技术人员能够实践本发明，包括制造和使用任何设备或系统以及执行任何包含的方法。本发明可取得专利权的范围由权利要求书限定，并且可包括本领域普通技术人员想到的其他示例。如果此类其他示例具有与权利要求书的字面语言没有区别的结构元件，或者如果它们包括与权利要求书的字面语言具有微小差别的等效结构元件，则此类其他示例旨在落入权利要求书的范围内。