利用超声成像系统对组织进行热监测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，并且更具体地涉及经由超声成像的热监测。


背景技术：

2.癌症是一组涉及异常细胞生长的疾病，有可能侵入或者扩散到身体的其他部位。癌症通常表现为肿瘤形式的组织异常生长，该肿瘤可能局限于患者身体的特定区域(例如，与特定身体部位或器官相关联)或者可能扩散到全身。良性和恶性肿瘤通常均经由外科介入来治疗和移除，因为通常外科手术提供完全移除和治愈的最大机会，尤其是在癌症尚未扩散到身体的其他部位的情况下。
3.在一些情况下，对于此种侵入式规程，肿瘤的位置可能是不可触及的。在此类情况下，微创热疗法是固体内部恶性肿瘤的潜在疗法。例如，射频消融(rfa)可用于通过经皮施加直接施加到肿瘤的高频能量来通过热破坏癌或病理组织。更具体地，通过在组织内产生交变电场，在邻近电场源的区域(通常为经由rfa针定位在该区域中的电极)中搅动离子，从而增加该区域内的温度，导致病理组织的破坏或消融。rfa是针对肝细胞癌(hcc，成人中最常见类型的原发性肝癌之一)的主要治疗，尤其是当hcc不可切除时。


技术实现要素：

4.在一个实施方案中，方法包括经由超声探头采集超声图像，选择超声图像中的至少一个感兴趣区域，从至少一个感兴趣区域提取特征，基于特征对至少一个感兴趣区域中的组织的热状态进行分类，以及经由显示装置输出组织的热状态。这样，超声成像可用于消融规程期间组织的实时热监测，从而提高消融规程的准确性和功效。
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示例性超声成像系统的框图；
8.图2示出了根据一个实施方案的示出用于在超声成像期间进行热监测的示例性方法的高级流程图；
9.图3示出了根据一个实施方案的示出用于从超声图像中的感兴趣区域提取纹理特征的高级流程图；
10.图4示出了根据一个实施方案的示出利用超声成像系统进行热监测的示例性方法
的框图；
11.图5示出了根据一个实施方案的示出用于从超声图像中的感兴趣区域提取纹理特征的示例性方法的框图；
12.图6示出了根据一个实施方案的描绘不同热状态下组织的超声图像的感兴趣区域的一组图像；
13.图7示出了根据一个实施方案的描绘用于图像到信号转换的示例性像素轨线的一组示意图；
14.图8示出了根据一个实施方案的示出第一热状态的具有不同像素轨线的单个感兴趣区域构造的示例性信号的一组曲线图；
15.图9示出了根据一个实施方案的示出第二热状态的具有不同像素轨线的单个感兴趣区域构造的示例性信号的一组曲线图；
16.图10示出了根据一个实施方案的示出信号偏置校正的一组曲线图；
17.图11示出了根据一个实施方案的示出第一热状态的纹理信号到伪频带的示例性分解的一组曲线图；
18.图12示出了根据一个实施方案的示出第二热状态的纹理信号到伪频带的示例性分解的一组曲线图；
19.图13示出了根据一个实施方案的示出通过分解纹理信号的自回归建模获得的示例性功率谱密度估计的一组曲线图；
20.图14示出了根据一个实施方案的针对多个热状态计算的一组示例性相关系数标测图；
21.图15示出了根据一个实施方案的示出不同热状态的经排序的相关系数的示例性相异性度量的曲线图；
22.图16示出了根据一个实施方案的示出不同热状态的从相异性度量中提取的第一示例性特征的一组曲线图；
23.图17示出了根据一个实施方案的示出不同热状态的从相异性度量中提取的第二示例性特征的一组曲线图；以及
24.图18示出了根据一个实施方案的示出不同热状态的从经排序的相关系数的相异性度量中提取的第三示例性特征和第四示例性特征的一组曲线图。
具体实施方式
25.以下描述涉及超声成像的各种实施方案。具体地，提供了利用超声成像系统对组织进行热监测的方法和系统。在图1中示出了根据本发明技术可用于获取图像和执行热监测的超声成像系统的示例。如上文所讨论，射频消融(rfa)是主要应用于hcc的治疗方法。在此类热规程期间，观察消融进展(即，监测和确定组织的温度范围)是主要问题。达到高于60℃的温度确保病理组织中的细胞被成功并且不可逆地破坏。因此，热监测用于指示某个区段中是否已达到消融温度。目前，磁共振成像(mri)是在热消融期间用于实时和非侵入性温度监测的黄金标准。然而，使用mri进行热监测的主要缺点在于需要专用的mri兼容消融系统、设备和mri时间的成本高、mri孔中的空间有限以及可用性低。相比之下，超声成像系统(诸如图1所示的超声成像系统)是便携式的低成本成像模态，并且可广泛获得。此种系统可
用于例如rfa中的针引导，但是先前的系统不能在rfa规程期间测量和显示组织温度。利用超声成像系统进行热监测的方法，诸如图2所示的方法，包括从超声图像中的感兴趣区域(roi)提取特征，以及基于所提取的特征来评估组织的状态。例如，可训练一个或多个机器学习算法以基于所提取的特征对roi中所描绘的组织的温度进行分类。一种用于提取特征的方法，诸如图3所示的方法，包括将roi从二维图像转换成一维信号，将每个信号分解成多个频带，用自回归(ar)模型生成每个分解信号的估计值，测量相同频带中估计值的相关性，基于相关性确定相异性的量度，以及从这些相异性的量度中提取特征。如图4和图5所示，用于提取特征的方法，包括将roi的改变纹理(例如，由于组织的受热)与roi的初始纹理(例如，消融规程开始时组织的状态)进行比较，例如，如图6所示。因此，特征包括由热引起的图像纹理之间的相异性的定量量度，其可因此与组织的相对温度升高相关联(例如，通过一个或多个机器学习算法的有效训练)。与直接评估组织的图像纹理相比，此类特征可为分类组织的热状态提供更高的精度。为了从组织的图像导出特征，可通过使用相应的多个像素遍历轨线将图像转换成多个信号，如图7所示。初始纹理(如图8所示)以及改变纹理(如图9所示)的所得信号尽管从同一图像获得，但仍表现出不同的信号动态。此外，在执行如图10所示的偏置校正之后，每个信号可分解成如图11和图12所示的多个伪频带。使用基于频率的信号的自回归建模产生功率谱密度(psd)的ar估计值，例如，如图13所示，其作为信号相对于频率的功率含量的量度，提供了对组织纹理的稳健表征。此外，本文提供的方法包括计算初始纹理和改变纹理的此类ar估计值之间的相关系数，从而产生由热引起的组织纹理的相对变化的稳健量度，如图14所示。然后将这些量度组织成相异性度量，如图15所示，从而提供了用于提取上文提及的特征的动态纹理偏移的合适表示。具体地，如图16至图18所示，特征可来源于相异性度量，以提供组织纹理之间随时间推移的相异性的相对简单的定量量度，这继而允许在采集超声图像时对组织的热状态进行稳健分类。这样，超声成像系统可通过处理如本文所述的超声图像来快速并且自动地对组织的温度进行分类。此外，为了简化分类，超声成像系统可相对于临界消融温度对组织纹理的状态进行分类。此外，考虑到不同患者中的不同组织可在不同温度下实现消融，本文提供的用于对组织的热状态进行分类的方法通常可区分对组织的可逆和不可逆损伤，从而针对患者而不是在预定的临界消融温度下对组织纹理的分类进行个性化。这样，执行消融规程的人可使用超声成像系统对组织进行稳健、实时的热监测，以确保消融规程的准确性和功效。
26.图1示出了根据本公开的一个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。
27.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。
28.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”可也用于指通过传输和接收超声信号的过程来采集数据。本公开中，术语“数据”可以用于指称用超声成像系统来采集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。
29.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可根据存储在处理器116的存储器和/或存储器120上的指令来控制探头106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。
30.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几秒钟的超声数据帧。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。
31.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，其可包括传统彩色血流多普勒、功率多普勒、hd流，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。
32.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。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。
33.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。
34.图2示出了根据一个实施方案的示出用于在超声成像期间进行热监测的示例性方法200的高级流程图。具体地，方法200涉及处理超声图像以确定组织随时间推移的热状态，例如在消融规程期间。参照图1的系统和部件描述方法200，但是应当理解，在不脱离本公开的范围的情况下，方法200可用其他系统和部件来实现。方法200可被实现为非暂态存储器诸如存储器120中的可执行指令，该可执行指令在由处理器诸如处理器116执行时使得处理器执行下文所述的动作。
35.方法200在205处开始。在205处，方法200开始患者的超声扫描会话以提供对患者组织的热监测。超声扫描会话可在射频消融(rfa)规程期间执行，以为用户在组织内定位射频消融针提供图像引导。在这种示例中，超声扫描会话可包括控制超声换能器或超声探头106，例如以在正在执行rfa规程的区域执行标准b模式成像。在其他示例中，超声扫描会话
可主要涉及经由聚焦超声执行热消融。在此类示例中，超声扫描会话可包括控制超声探头106经由聚焦超声执行感兴趣消融区域(roi)的热消融，此外还采集用于组织的热监测的b模式图像。另选地，单独的超声成像系统可用于热消融和热监测。此外，可执行超声扫描会话以在经由其他消融模式(诸如微波治疗、激光消融和其他热递送方法)消融组织期间提供组织的热监测。在其他示例中，可在没有并发消融规程的情况下执行超声扫描会话。在任何情况下，在205处发起的超声扫描会话包括采集用于组织热监测的b模式超声图像。
36.为此，在210处，方法200采集超声图像。超声图像可包括b模式或灰度超声图像。在215处，方法200选择超声图像中的感兴趣区域(roi)。例如，方法200选择多个roi，每个roi包括分布在整个超声图像中的图像贴片。作为例示性并且非限制性示例，每个roi可包括超声图像内的20*20像素贴片。为了包括关于组织纹理的更多信息，作为另一个例示性和非限制性示例，每个roi可包括超声图像中的31*31像素贴片。应当理解，每个roi的尺寸可大于或小于31*31像素，例如，取决于超声图像的分辨率和视场。
37.至少一个roi可被定位成与消融roi对准。例如，如果消融方法是rfa，则多个roi中的至少一个roi可定位在超声图像内的rfa针的尖端处。除此之外或另选地，多个roi中的至少一个roi可以消融目标对象(诸如病变)的位置为中心。多个roi中的剩余roi可彼此相距最小距离分布在整个超声图像中，例如以确保具有不同热变化率的多种roi。roi的位置可自动地、手动地或它们的组合来选择。例如，用户可经由超声成像系统100的用户界面115选择消融roi或消融目标诸如病灶的位置。然后，方法200可在消融目标的所选择的位置处选择用于热监测的roi，并且相对于以消融目标为中心的roi位置自动选择附加roi的位置。在其他示例中，用户可经由用户界面115选择用于热监测的每个roi的位置。在其他示例中，方法200可例如基于预先确定的roi位置，或者通过经由图像处理和/或机器学习方法识别感兴趣区域，在没有用户输入的情况下自动选择每个roi的位置。例如，可训练卷积神经网络以利用b模式超声图像作为输入自动确定用于热监测的roi的多个位置。这样，roi可自动选择，例如，具有用于热监测的期望位置(例如，远离骨和组织之间的边界，例如或器官之间的边界，这可能在热监测中潜在地引入错误)。
38.在一些示例中，所选择的roi可一致地应用于在超声扫描会话期间采集的每个超声图像，以在所选择的roi内执行热监测。为此，所选择的roi的位置可相对于超声图像内描绘的解剖结构固定或设置，使得不管超声探头106在超声扫描会话期间相对于组织轻微运动或组织本身轻微运动(例如，由于呼吸或其他患者运动)，热监测都可一致地应用于每个roi。
39.在选择用于热监测的roi之后，方法200继续到220。在220处，方法200从roi中提取特征。具体地，方法200从roi中提取用于热监测的特征或热特征。方法200将特征或热特征与例如被配置用于roi热监测的机器学习一起使用。因此，每个特征包括roi的可测量特性或特征，其可响应于roi中组织热状态的变化而动态地改变。例如，当组织被加热到更高的温度时，如超声图像中所描绘的组织的纹理变化。因此，提取的特征量化超声图像中的组织纹理。一种用于提取特征以研究由热引起的组织纹理的动态变化的方法，诸如用于本文参照图3和图4进一步描述的roi中提取特征的方法，该方法包括将roi的图像数据转换成信号，以及经由基于频率的自回归模型方法从信号中提取特征。
40.在从每个roi中提取热特征之后，方法200继续到225。在225处，方法200基于所提
取的特征评估roi中的组织的状态。方法200可使用所提取的特征作为一个或多个机器学习算法的输入，该一个或多个机器学习算法被配置为能够基于所提取的特征评估组织随时间推移的状态。作为例示性和非限制性示例，方法200可使用包括随机森林分类器(rfc)、支持矢量机(svm)和人工神经网络(ann)中的一者或多者的机器学习算法，基于所提取的特征评估roi中组织的状态。
41.基于所提取的特征评估roi中组织的状态可包括对每个roi中组织的热状态进行分类。例如，可训练一个或多个机器学习算法以对每个roi中组织的温度进行分类。因此，一个或多个机器学习算法可基于输入到一个或多个机器学习算法的所提取的特征输出每个roi中组织的温度分类。例如，温度分类可包括预定义温度仓内的温度分类。例如，每个roi中的温度可被分类为高于或低于一个或多个温度阈值。作为例示性和非限制性示例，每个roi中的温度可被分类为例如高于或低于60℃，或者另一个温度阈值。一个或多个温度阈值可基于消融动态确定，例如，使得一个或多个阈值对应于用于消融的一个或多个临界温度，诸如组织被消融规程永久影响或损坏的温度。此种临界温度可针对例如不同类型的组织或不同类型的患者而变化，因此在一些示例中，可提供至少两个温度阈值以限定消融范围。例如，消融可发生在55℃和65℃之间，因此每个roi中的温度可被分类为低于第一温度阈值(例如，55℃)、高于第二温度阈值(例如，高于65℃)或在其间(例如，在55℃和65℃之间)。然而，由于消融规程的长度不足以在组织达到第一温度阈值后供组织达到第二温度阈值，因此在一些示例中，可仅训练一个或多个机器学习算法以相对于第一温度阈值或较低温度阈值对温度进行分类。又如，预定义温度仓可包括用于每个温度登记的仓，使得可更精确地对组织的温度进行分类。
42.另选地，可训练一个或多个机器学习算法以对纹理状态的动态变化进行分类。例如，一个或多个机器学习算法可将组织的状态分类为可逆(例如，组织尚未消融)或不可逆(例如，组织消融)，并且除此之外可将组织的状态分类为凝结。这样，机器学习算法可识别组织的状态是否指示消融完成，这可针对不同组织和/或不同患者在不同温度下发生。
43.在评估每个roi中组织的状态之后，方法200继续到230。在230处，方法200输出在225处确定的组织的状态。例如，方法200可经由显示设备118在225处显示评估的结果。如果组织的状态经由如上文所述的温度分类来表征，则方法200可经由显示装置118显示至少一个roi的温度分类。在一些示例中，温度分类可显示为例如与超声图像相邻的文本，或者叠加在roi位置处的超声图像上。除此之外或另选地，温度分类可相对于超声图像的显示以图形方式显示(例如，作为热图)，以帮助用户可视化超声图像中组织的温度。通过以这种方式输出组织的状态，超声成像系统100的用户可在消融规程期间实时理解组织的状态。继而，用户可响应于组织的当前状态来调整消融规程(例如，通过结束规程或调整消融规程的参数)。
44.除了将组织的状态输出到显示设备118以显示给超声成像系统100的用户之外，方法200还可将组织的状态输出到存储器120，用于存储和后续查看。
45.在230处输出组织的状态之后，方法200继续到235。在235处，方法200确定超声扫描会话是否完成。方法200可确定例如超声扫描会话相对于例如经由用户界面115从用户接收输入命令是完成的，以结束超声扫描会话。在不存在用于结束超声扫描会话的这种命令的情况下，方法200可推测扫描未完成。如果超声扫描会话未完成(“否”)，则方法200返回到
210。因此，对于在超声扫描会话期间采集的每个超声图像，方法200可继续采集超声图像，从所采集的超声图像中的roi中提取特征，并且基于所提取的特征来评估组织的状态。应当理解，可保持在215处在超声图像中选择的roi用于后续的超声图像。此外，从roi提取的特征以及因此组织的状态可相对于在超声扫描会话期间采集的初始超声图像来确定。
46.最后，再次参考235，一旦扫描完成(“是”)，则方法200继续到240。在240处，方法200结束超声扫描会话。然后，方法200返回。因此，提供了一种用于组织的实时热监测的方法。该方法可被执行用于消融规程期间的热监测，例如，或者用于患者组织的一般非侵入性热监测。
47.图3示出了根据一个实施方案的示出用于从超声图像中的感兴趣区域提取纹理特征的示例性方法300的高级流程图。具体地，方法300涉及从在超声扫描会话期间采集的超声图像中的roi提取特征，并且因此可包括上文所述的方法200的子例程。参照图1的系统和部件以及图2的方法200描述方法300，但是应当理解，在不脱离本公开的范围的情况下，方法300可用其他系统、部件和方法来实现。方法300可被实现为非暂态存储器诸如存储器120中的可执行指令，该可执行指令在由处理器诸如处理器116执行时使得处理器执行下文所述的动作。
48.方法300在305处开始。在305处，方法300将roi转换成信号。具体地，对于每个roi，方法300将二维roi的所有像素值(例如，每个像素的灰度值)级联成单个一维矢量。在一些示例中，方法300使用多个轨线在转换期间遍历每个roi的像素，使得每个roi被转换成多个信号。例如，方法300可使用螺旋轨线(例如，从图像中心开始并向外螺旋)、反向螺旋轨线(例如，螺旋轨线的转置轨线)、之字形轨线(例如，沿着roi的列遍历)和转置之字形轨线(例如，沿着roi的行遍历)。本文参照图7进一步描述了在将roi转换成信号时用于遍历像素的此类示例性轨线。
49.因此，作为例示性和非限制性示例，方法300可将每个roi转换成四个对应信号。由此针对roi获得的四个信号以四种不同的方式表示roi的组织纹理。由于像素遍历轨线的多样性，单个roi的信号的不同动态是可观察的，并且随着组织纹理变化(例如，由于消融规程)的时间推移，此类动态的演变，即使对于相同的轨线，也可如本文进一步所述的进行量化。
50.在频域中更容易观察到信号动态。因此，在310处继续，方法300将每个信号分解成多个频带，每个频带表示纹理的不同动态或方面。在一个示例中，方法300使用离散小波变换(dwt)分解每个信号或纹理信号。每个信号的信号趋势影响小波变换信号两端的奇异点，这可能对频带分解造成负面影响。因此，在分解之前，方法300首先通过计算每个信号的移动平均强度(例如，灰度值)并且从信号中减去移动平均强度来对每个信号执行偏置移除(即信号趋势的移除)。本文参照图10进一步描述了信号趋势或偏置移除的示例性信号。
51.方法300使用dwt中的适当标度选择将移除了偏置的每个信号分解成低频带(lf)、中频带(mf)、高频带(hf)和总频带(tb)。当从空间序列而不是时间序列生成信号时，方法300使用伪频率范围以将小波变换应用于信号。作为例示性的和非限制性的示例，可限定纹理信号中从0hz到100hz的频率范围，并且可为小波变换选择200hz的采样频率。标度选择可针对被成像的组织的类型而不同，因为dwt的标度包含可特定于被成像的组织的类型的动态。用于dwt的特定标度可通过分析不同类型的组织的roi数据的光谱学来确定，例如在整
个消融序列上具有1至10的标度，这揭示了组织类型的基于频率的纹理动态。因此，可基于每个标度中观察到的频率或伪频率以及期望的频带选择标度以与dwt一起使用。例如，对于肝脏组织，标度1可涵盖具有显著变化的宽频率范围，这对于后续分析而言将是复杂的，因此标度1可被省略。同时，标度2和标度3可表现出期望的频率动态以解决例如12hz至35hz之间的高频带。类似地，标度4和标度5可表现出期望的频率动态以解决在3.5hz和11hz之间的中间频带，而标度6和标度7可表现出期望的频率动态以解决在0hz和3.3hz之间的低频带。由于低频信息或没有可观察到的频率观察，因此可忽略或省略高于7的标度。此外，总频带可通过2至7的所有所选择的标度的组合来选择。
52.因此，方法300使用离散的小波变换，其中为被成像的组织选择合适的标度参数，以将每个信号分解成四个窄带信号。应当理解，在不脱离本公开的范围的情况下，可使用除dwt之外的频率分解方法。如前所述，针对图像中的每个roi获得四个纹理信号。在dwt之后，其中每个纹理信号被分解成四个信号，图像中的每个roi有十六个信号。
53.在315处继续，方法300利用自回归模型生成每个分解信号的估计值。作为例示性和非限制性示例，方法300使用参数自回归(ar)模型与yule-walker方法对十六个窄带纹理信号进行建模。具体地，方法300通过由对应的估计ar参数计算功率谱密度(psd)来对每个窄带信号的周期图进行建模。针对每个窄带信号单独地设置ar模型的顺序，使得用于给定窄带纹理信号的建模psd(即，由对应的估计ar参数计算的psd)最佳地匹配直接由窄带纹理信号估计的周期图。作为例示性和非限制性示例，ar顺序可包括lf信号的35、mf信号的25、hf信号的20和tb信号的30。ar顺序可例如基于对不同组织的样本组织纹理的研究预先确定，或者可在窄带纹理信号的建模期间通过方法300动态地确定。
54.所得的十六个ar psd估计值以简化方式表示roi内的组织纹理。在两个不同温度下的纹理之间，在ar psd估计值中可容易地观察到每个频带中的频率偏移，并且导致此类频率偏移的纹理变化可归因于在消融规程期间施加到组织的热量。本文参照图13进一步描述了示例性周期图和ar psd估计值。
55.在利用ar模型生成每个分解信号的估计值之后，方法300继续到320。在320处，方法300计算相同频带中的估计值和roi到信号转换的相同像素轨线的相关系数。即，方法300计算每个估计值与初始估计值的相关系数。具体地，方法300可计算相同频带的一对ar psd估计值的皮尔逊相关系数，包括频带的第一ar psd估计值。因此，对于所采集的第一超声图像，针对第一ar psd估计值与其自身计算给定频带和像素轨线的相关系数，由于精确的相关性，导致相关系数为1。所得相关系数可存储在相关系数标测图或矩阵中，例如如本文参照图14进一步所述。
56.彼此类似的ar psd估计值产生较高的相关系数，而彼此不同的ar psd估计值产生较低的相关系数。虽然最初所有ar psd估计值是类似的并且因此高度相关，但是随着roi的温度升高并且组织纹理响应于升高的温度而变化，在各种频带和转换类型中开始出现相异性。例如，ar psd估计值中的相异性可开始出现在转置螺旋信号的窄带信号上，而之字形信号和转置之字形信号的窄带中的相异性在较高温度下增加。
57.由于每种转换方法的窄带中的相异性已经表现出作为温度增加的函数的某些行为，因此相关系数在一些示例中可用作将纹理变化与温度水平相关联的特征。然而，更稳健的方法可包括组合来自相关系数标测图或矩阵的所有相异性。为此，在325处继续，方法300
确定相关系数的相异性度量。为了确定相关系数的相异性度量，方法300对每个roi的相关系数进行排序，并且将经排序的系数组合成包括相异性度量的相异性矢量。例如，对于所采集的第一超声图像，相异性矢量或相异性度量包括所有值等于1的直线，因为相关系数指示arp sd估计值与其自身的精确相关性。随着时间的推移，当温度升高并且各种相关系数远离一演变(即，随着arp sd估计值在某些频带和转换类型中变得更相异)，相异性矢量表现出指示相异性增加的曲率。本文参照图15进一步描述了示例性相异性矢量。
58.由于随着时间和温度的推移，相异性度量易于区分，因此可容易地用某些特征来描述相异性度量。因此，在330处，方法300从相异性度量中提取特征。作为例示性和非限制性示例，方法300针对每个相异性度量计算多个特征。特征包括相异性度量的平均值和中值。相异性度量的平均值和中值均随温度升高而降低。此外，方法300针对每个相异性度量执行线性回归，并且确定线性回归的所得斜率和截距。因此，特征可包括线性回归的斜率和截距。随着温度升高，斜率升高并且截距减小。因此，方法300提取每个相异性度量的特征，包括相异性度量的中值、相异性度量的平均值、相异性度量的线性回归斜率以及相异性度量的线性回归截距。如上文参照图2所述，这些特征可用于对每个roi的温度范围进行分类。然后，方法300返回。
59.因此，提供了一种用于从图像提取特征以评估组织的热状态的方法。该方法包括使用多个像素遍历轨线将roi从二维图像转换成一维信号，将每个信号分解成多个频带，利用自回归模型生成每个分解信号的估计值，计算相同频带和轨线类型中的估计值的相关系数，确定相关系数的相异性度量，以及由相异性度量计算特征。应当理解，虽然本文所述的方法涉及选择性地处理超声图像以确定超声图像中描绘的组织的热状态，但是该方法可适于原始超声数据，诸如经由超声探头106采集的rf数据，而不是超声图像。
60.为了示出方法200的示例性实施方式，图4示出了示出利用超声成像系统对组织进行热监测的示例性方法400的框图。方法400可被实现为超声成像系统的非暂态存储器(诸如超声成像系统100的存储器120)中的可执行指令，并且可由超声成像系统的处理器(诸如超声成像系统100的处理器116)执行以执行本文所述的动作。
61.方法400采集参考超声图像帧402，并且选择参考纹理roi(roi
t1
)412。参考超声图像帧402包括处于未消融状态(即，在执行消融之前)的组织纹理结构。方法400采集新超声图像帧404，其包括与参考超声图像帧402相同的组织纹理结构但处于消融状态(即，在消融规程期间)。方法400在与参考纹理roi
t1 412相同的位置处选择新纹理roi(roi
tn
)414。参考超声图像帧402和新超声图像帧404在具有相同解剖结构的相同图像平面中采集。
62.方法400计算相异性度量420，其包括roi 412和roi 414的相异性的测量。方法400如下文进一步所述计算相异性度量420，例如通过将每个roi转换成一维信号，执行一维信号的趋势移除，将校正的信号分解成伪频带，对伪频带中的特定范围建模，计算不同roi的对应模型之间的相关性，以及构建相关性矢量(例如，上文所述的相异性矢量或相异性度量)作为输出。相异性度量420包括roi 412和414中描绘的纹理之间的相异性量度。由于roi 412中的纹理描绘了处于未消融状态的组织，而roi 414中的纹理描绘了消融规程期间的相同组织，因此增加的相异性指示roi 414中的组织相对于roi 412中的组织的热状态的变化。如本文所述，这种相异性的定量量度可与温度直接相关联，使得roi 414中的组织的热状态可被稳健地分类。此外，如果相异性度量420指示roi 412和roi 414之间的相似性而不
是相异性，则方法400也可确定组织的热状态未改变。也就是说，相似性指示没有向组织施加热量。
63.再次参考图4，在计算相异性度量420之后，方法400接着从相关矢量执行特征提取425，例如通过从相关矢量中提取特征，该相关性矢量包括但不限于以下中的一者或多者：平均相关性、中值相关性、相关矢量的线性回归的斜率和截距、能量、能量差以及与第一相关矢量的比率等等。从特征提取425提取的特征存储在特征缓冲器427中。此外，从特征提取430提取的特征用作新纹理roi
tn 414的分类430的输入。具体地，分类430使用所提取的特征的特性来对新纹理roi
tn 414的热状态435进行分类。因此，热状态435包括分配给新纹理roi
tn 414的表示新纹理roi
tn 414中所描绘的组织的热状态类别的值。方法400在440处显示热状态435。例如，方法400可将新纹理roi
tn 414的热状态435的指定值转换成颜色，并且用该颜色增强新超声图像帧404中的对应roi 414。
64.基于所提取的特征的新纹理roi
tn 414的热状态435的分类430更稳健，并且与更原始的热监测方法相比进一步降低了计算复杂性，例如，基于对roi 412和roi 414中描绘的纹理的直接分析，或者通过将roi 412和/或roi 414直接输入到一个或多个机器学习算法中。此外，当相异性度量420表征roi 412和roi 414之间的相异性时，在特征提取425期间提取的特征提供用于评估和分类组织的热状态的个性化基础。
65.此外，在一些示例中，分类430可对新纹理roi
tn 414中的组织的非热状态445进行分类。例如，气泡的膨胀、组织收缩或组织膨胀可导致观察到的roi内的组织纹理的偏移。因此，用作参考纹理roi
t1 412的参考超声图像帧402的roi可基于新纹理roi
tn 414内的组织的非热状态445进行更新。因此，方法400确定更新的参考纹理roi 450，并且用更新的参考纹理roi 450替换参考纹理roi
t1 412以用于后续监测。
66.为了使分类430对非热状态445进行分类，将对应于存储在特征缓冲器427中的先前roi或最后已知热状态的特征输入到分类430，使得分类430可基于来自特征缓冲器427的先前特征与在特征提取425期间提取的当前特征的比较来识别非热状态445。
67.因此，提供了一种用于利用超声成像系统对组织进行热监测的方法，该方法包括基于roi中的组织纹理与来自参考roi的组织纹理的比较对roi中的组织的热状态进行分类，其中由于组织的非热状态的变化，参考roi随时间推移进行更新。
68.为了示出方法300的示例性实施方式，图5示出了根据一个实施方案的示出用于从超声图像中的感兴趣区域提取纹理特征的示例性方法500的框图。如上文所讨论的，用于利用超声成像对组织进行热监测的方法包括比较感兴趣区域随时间推移的纹理。例如，方法500包括将第一时间t1的roi中的初始纹理505与第n时间tn的roi中的改变纹理507进行比较，其中roi中的初始纹理505描绘于第一时间t1采集的超声图像中，而roi中的改变纹理507描绘于第n时间tn采集的超声图像中。值n包括超声序列(例如，诸如上文参照图2所述的超声扫描会话)中的图像的索引数量，因此第n时间tn对应于采集第tn超声图像时的时间。
69.为了比较纹理505和507，方法500执行纹理505和507的roi到信号转换510。如上文参照图3所述，方法500通过根据多个像素遍历轨线(包括螺旋轨线、转置螺旋(t.spiral)轨线、之字形轨线和转置之字形(t.zigzag)轨线)级联roi像素值(例如，灰度值)，将每个二维roi转换成一维信号。因此，对于初始纹理505，转换510产生包括初始纹理505的不同一维表示的四个信号515。类似地，对于改变纹理507，转换510产生包括改变纹理507的不同的一维
表示的四个信号517。
70.方法500接着将四个信号515和四个信号517中的每个信号分解成不同的频带(例如，如上文所述的lf、mf、hf和tb)，例如使用小波变换诸如dwt。当每个信号分解成四个不同的信号时，方法500因此针对初始纹理505由四个信号515产生十六个信号525，并且针对改变纹理507由四个信号517产生十六个信号527。
71.然后，方法500对十六个信号525以及十六个信号527执行ar建模530，以估计例如每个信号的psd。ar建模530因此产生包括十六个信号525的ar psd估计值的十六个信号535，以及包括十六个信号527的ar psd估计值的十六个信号537。方法500计算十六个信号535和十六个信号537的相关系数540，产生指示十六个信号535和十六个信号537之间的相关性的相关系数542。具体地，在一些示例中被组织为一组4*4值的相关系数542包括具有相同频带和相同像素遍历轨线的信号之间的相关性的量度。例如，对于频带(例如，lf、mf、hf、tb)的每个组合和像素遍历轨线(例如，螺旋、转置螺旋、之字形、转置之字形)，相关系数542包括：指示源于初始纹理505和改变纹理507的螺旋lf信号的ar psd估计值之间的相关性的相关系数，指示源于纹理505和507的螺旋mf信号的ar psd估计值之间的相关性的相关系数，以及指示源于纹理505和507的螺旋hf信号的ar psd估计值之间的相关性的相关系数等等。
72.然后，方法500确定相关系数542的相异性度量550，并且从相异性度量550中提取特征560。在特征提取560期间获得的特征包括改变纹理507相对于初始纹理505的定量量度，这继而可与roi中的组织的热状态的变化相关联。例如，如上所述，在特征提取560期间获得的特征可用作一个或多个机器学习算法的输入，以对时间tn处的roi的温度进行分类。
73.应当理解，在超声成像序列或超声扫描会话期间采集第一超声图像之后，改变纹理507可包括与初始纹理505相同的纹理。此外，在初始生成十六个信号535之后，方法500可将初始纹理505的十六个信号535存储在本地存储器中，使得可仅处理在初始超声图像之后采集的超声图像的改变纹理507，以获得十六个信号537。
74.为了示出上文所述的方法300、400和500，图6至图18描绘了方法300、400和500的示例性应用。具体地，图6示出了根据一个实施方案的一组超声图像600，该组超声图像描绘了处于不同热状态的组织的超声图像的感兴趣区域。该组超声图像600包括第一超声图像602和第二超声图像622，其中第二超声图像622描绘了在执行消融规程的给定持续时间之后被成像的受试者的相同解剖区域。图像602和图像622均描绘了组织内的rf消融针607。此外，第一超声图像602包括多个roi 610，其包括邻近rf消融针607的端部定位的至少一个roi 612。多个roi 610中的剩余roi远离roi 612分布。
75.此外，第二超声图像622还包括多个roi 630，其包括邻近rf消融针607的端部定位的至少一个roi 632。第二超声图像622中的多个roi 630对应于第一超声图像602中的多个roi 610。
76.该组超声图像600还包括包含第一超声图像602中的roi 612的超声图像618，以及包含第二超声图像622中的roi 632的超声图像638。超声图像618描绘roi 612中的病变，其经由超声图像638中的rfa被破坏，从而产生超声图像618和638中可观察到的不同纹理。由于图像618和638之间的图像纹理的这种变化由于rfa而发生，因此纹理的差异可如本文所述进行定量，以将纹理的变化与温度的变化相关联。
77.具体地，如上文所述，分别用于初始纹理和改变纹理的超声图像618和超声图像638可从图6中描绘的二维表示转换成多个一维表示。为此，图7示出了一组示意图，其描绘了用于示例性感兴趣区域701的图像到信号转换的示例性像素轨线700。像素轨线700包括螺旋轨线710，其中从图像中心开始并且在roi 701中沿逆时针方向螺旋的像素值被级联以形成一维信号或矢量。像素轨线700还包括转置螺旋轨线720，在本文中也称为反向螺旋轨线720，其类似地开始于roi 701的中心处。像素轨线700还包括之字形轨线730，该之字形轨线从roi 701的角落开始并沿着roi701的列遍历。类似地，像素轨线700包括转置之字形轨线740，在本文中也称为反之字形轨线740，其从roi 701的角落开始并沿着roi 701的遍历，如所描绘的。
78.因此，对于图6中描绘的多个roi 610和roi 630中的每个roi，可根据像素轨线700将像素值级联成信号，从而为每个roi产生四个信号。
79.例如，图8示出了示出由单个感兴趣区域(诸如根据像素轨线700的roi 612)构造的示例性信号的一组曲线图800，而图9示出了示出由单个感兴趣区域(诸如根据像素轨线700的roi 632)构造的示例性信号的一组曲线图900。具体地，该组曲线图800包括：描绘根据螺旋轨线710转换的roi 612的螺旋信号812的第一曲线图810，描绘根据之字形轨线730转换的roi 612的之字形信号822的第二曲线图820，描绘根据转置螺旋轨线720转换的roi 612的转置螺旋信号832的第三曲线图830，以及描绘根据转置之字形轨线740转换的roi 612的转置之字形信号842的第四曲线图840。类似地，该组曲线图900包括：描绘根据螺旋轨线710转换的roi 632的螺旋信号912的第一曲线图910，描绘根据之字形轨线730转换的roi 632的之字形信号922的第二曲线图920，描绘根据转置螺旋轨线720转换的roi 632的转置螺旋信号932第三曲线图930，以及描绘根据转置之字形轨线740转换的roi 632的转置之字形信号942的第四曲线图940。
80.如所描绘的，尽管由相同的roi 612转换，但该组曲线图800中的曲线图清楚地指示不同的信号动态。类似地，尽管由相同的roi 632转换，但该组曲线图900中的曲线图也清楚地指示不同的动态。
81.在如上文所述将每个信号分解成不同的频率(或伪频率)带之前，例如通过计算每个信号的移动平均强度(例如，灰度值)并且从信号中减去移动平均强度来从每个信号中移除信号趋势或偏置。作为例示性和非限制性示例，图10示出了一组曲线图1000，其示出了曲线图810中描绘的roi 612的螺旋信号812以及曲线图910中描绘的roi 632的螺旋信号912的信号偏置校正。具体地，该组曲线图1000包括：描绘包括偏置被移除的螺旋信号812的校正的螺旋信号1014的曲线图1012，以及描绘包括偏置被移除的螺旋信号912的校正的螺旋信号1024的曲线图1022。如所描绘的，校正的螺旋信号1014和1024仍然分别表现出螺旋信号812和螺912的信号动态，同时还改善了信号对小波分解的适用性。应当理解，虽然描绘了螺旋信号812和912的偏置移除或校正，但是针对两个roi的剩余信号执行偏置移除。
82.在从信号中移除偏置之后，执行小波分解(例如，dwt)以将校正的信号分解成多个频带。作为例示性和非限制性示例，图11示出了根据一个实施方案的示出第一热状态的纹理信号到伪频带的示例性分解的一组曲线图1100。具体地，该组曲线图1100示出了由roi 612的初始纹理获得的校正的螺旋信号1014的分解。该组曲线图1100包括：描绘低频(lf)带中的dwt螺旋信号1112的第一曲线图1110、描绘中频(mf)带中的dwt螺旋信号1122的第二曲
线图1120、描绘高频(hf)带中的dwt螺旋信号1132的第三曲线图1130以及描绘总频带(tb)中的dwt螺旋信号1142的第四曲线图1140。如上文所讨论的，使用dwt的标度参数6和7获得dwt螺旋信号1112，使用dwt的标度参数4和5获得dwt螺旋信号1122，使用dwt的标度参数2和3获得dwt螺旋信号1132，并且使用dwt的标度参数2至7获得dwt螺旋信号1142。
83.类似地，图12示出了根据一个实施方案的示出第二热状态的纹理信号到伪频带的示例性分解的一组曲线图1200。具体地，该组曲线图1200示出了由roi 632中的改变纹理获得的校正的螺旋信号1024的分解。该组曲线图1200包括：描绘低频(lf)带中的dwt螺旋信号1212的第一曲线图1210、描绘中频(mf)带中的dwt螺旋信号1222的第二曲线图1220、描绘高频(hf)带中的dwt螺旋信号1232的第三曲线图1230以及描绘总频带(tb)中的dwt螺旋信号1242的第四曲线图1240。与图11的dwt螺旋信号一致，使用dwt的标度参数6和7获得dwt螺旋信号1212，使用dwt的标度参数4和5获得dwt螺旋信号1222，使用dwt的标度参数2和3获得dwt螺旋信号1232，并且使用dwt的标度参数2至7获得dwt螺旋信号1242。
84.因此，对于每种转换类型(即，用于将roi转换成信号的每个像素遍历轨线)，信号被分解成四个不同频带，从而产生给定的四种转换类型的十六个信号。分解后的十六个信号都以不同的表示定量地描绘roi的纹理，从而允许清楚地限定纹理的不同方面，该纹理的不同方面可能无法通过简单直接观察roi中的图像纹理来分辨。
85.在信号分解之后，利用上文所述的ar模型来估计分解的信号。作为例示性且非限制性的示例，图13示出了一组曲线图1300，其示出了通过图11和图12的分解纹理信号的自回归建模获得的示例性功率谱密度估计值。该组曲线图1300包括：描绘通过源于roi 612的dwt螺旋信号的ar建模确定的并且在图11中描绘的示例性功率谱密度估计值的第一组曲线图1305；以及描绘通过源于roi 632的dwt螺旋信号的ar建模确定的并且在图12中描绘的示例性功率谱密度估计值的第二组曲线图1355。
86.具体地，第一组曲线图1305包括描绘通过lf带中的dwt螺旋信号1112的ar建模确定的psd估计值1312的曲线图1310。曲线图1310还描绘了针对dwt螺旋信号1112生成的周期图1314。第一组曲线图1305还包括：描绘mf带中的dwt螺旋信号1122的ar psd估计值1322和周期图1324的曲线图1320、描绘hf带中的dwt螺旋信号1132的ar psd估计值1332和周期图1334的曲线图1330以及描绘tb中的dwt螺旋信号1142的ar psd估计值1342和周期图1344的曲线图1340。
87.类似地，第二组曲线图1355包括：描绘lf带中的dwt螺旋信号1212的ar psd估计值1362和周期图1364的曲线图1360、描绘mf带中的dwt螺旋信号1222的ar psd估计值1372和周期图1374的曲线图1370、描绘hf带中的dwt螺旋信号1232的ar psd估计值1382和周期图1384的曲线图1380以及描绘tb中的dwt螺旋信号1242的ar psd估计值1392和周期图1394的曲线图1390。
88.如上文所述，用于组织的热监测的方法包括计算初始纹理和改变纹理之间的信号的相关系数。作为例示性示例，图14示出了根据一个实施方案的针对多个热状态计算的一组示例相关系数(cc)标测图1400。具体地，该组cc标测图1400描绘了针对roi 612随时间推移以及因此roi 612中组织的多个温度计算的相关系数。该组cc标测图1400中的每个cc标测图描绘了示出从零到一的相关系数的值的颜色，如图例1480所示。
89.该组cc标测图1400包括第一cc标测图1410，该第一cc标测图描绘了在27.5℃的第
一温度下在roi 612的ar psd估计值之间计算的相关系数。具体地，针对ar psd估计值与其自身计算每个相关系数，因此每个相关系数为1。
90.该组cc标测图1400还包括在30℃的第二温度下相同roi的第二cc标测图1420、在40℃的第三温度下roi的第三cc标测图1430、在50℃的第四温度下roi的第四cc标测图1440，在60℃的第五温度下的roi的第五cc标测图1450、在70℃的第六温度下的roi的第六cc标测图1460以及在80℃的第七温度下的roi的第七cc标测图1470。
91.如cc标测图1400所描绘的，观察到随着温度升高，相异性增加。cc标测图1410和1420例如描绘了在转置螺旋(t螺旋)转换的窄带中对小温度升高(例如，从27.5℃到30℃)的敏感性。cc标测图1430和1440指示对之字形和转置之字形转换中的温度升高的轻微敏感性。如cc标测图1450和1460所描绘的，对于在较高温度下升高温度，之字形和转置之字形转换的窄带中的相异性显著更敏感。螺旋转换的窄带中的相异性也似乎随着高于70℃的温度而增加，如cc标测图1470所示。
92.虽然cc标测图1400用于在视觉上描绘源于单个roi的十六个通道中不断增加的相异性，并且虽然它们也可用作将纹理变化与温度变化相关联的特征，但是更稳健的方法包括将cc标测图的相异性组合成例如相异性度量或相异性矢量。
93.作为示例性和非限制性示例，图15示出了根据一个实施方案的示出不同热状态的经排序的相关系数的示例性相异性矢量的曲线图1500。cc标测图1400中的每个cc标测图按cc值排序并且组合成图1500中的相异性矢量。具体地，曲线图1500包括：包括cc标测图1410的经排序的相关系数的相异性矢量1510、包括cc标测图1420的经排序的相关系数的相异性矢量1520、包括cc标测图1430的经排序的相关系数的相异性矢量1530、包括cc标测图1440的经排序的相关系数的相异性矢量1540、包括cc标测图1450的经排序的相关系数的相异性矢量1550、包括cc标测图1460的经排序的相关系数的相异性矢量1560以及包括cc标测图1470的经排序的相关系数的相异性矢量1570。
94.相异性矢量1510对应于27.5℃下与其自身相比的初始纹理，并且因此是所有相关系数等于1的直线。组织温度增加至30℃产生相异性矢量1520相对于相异性矢量1510的曲率。后续相异性矢量1530、1540、1550和1560的曲率随着温度升高而继续增加，如通过最低系数(即，相异性矢量中的第一排序系数)特别指出的。相异性矢量1570指示纹理相异性从70℃(相异性矢量1560中示出了相关系数)到80℃的显著偏移。
95.如曲线图1500所描绘的，不同温度的相异性矢量易于区分。此外，相异性矢量可使用多种特征表征，该多种特征可从相异性矢量中提取。
96.作为一个示例，图16示出了一组曲线图1600，其示出了从图15的相异性矢量中提取的第一示例性特征。具体地，第一示例性特征包括相异性矢量的平均相关系数。该组曲线图1600包括曲线图1605，该曲线图描绘了第一相异性矢量1510的平均相关系数1610、第二相异性矢量1520的平均相关系数1612、第三相异性矢量1530的平均相关系数1614、第四相异性矢量1540的平均相关系数1616、第五相异性矢量1550的平均相关系数1618以及第六相异性矢量1560的平均相关系数1620。类似地，该组曲线图1600包括条形图1635，该条形图描绘了根据其对应组织温度的多个相异性矢量的平均相关系数。初始时，初始纹理的平均相关系数为1，并且平均相关系数随着温度升高而减小。
97.中值相关系数是可从相异性矢量中提取的另一个特征。作为示例性示例，图17示
出了一组曲线图1700，该组曲线图示出了从图15的相异性矢量中提取的第二示例性特征。具体地，第二示例性特征包括相异性矢量的中值相关系数。该组曲线图1700包括曲线图1705，其描绘了第一相异性矢量1510的中值相关系数1710、第二相异性矢量1520的中值相关系数1712、第三相异性矢量1530的中值相关系数1714，第四相异性矢量1540的中值相关系数1716、第五相异性矢量1550的中值相关系数1718以及第六相异性矢量1560的中值相关系数1720。类似地，该组曲线图1700包括条形图1735，其描绘了根据其对应组织温度的多个相异性矢量的中值相关系数。初始时，初始纹理的中值相关系数为1，并且中值相关系数随着温度升高而减小。如所描绘的，作为温度的函数的中值相关系数的偏移小于平均相关系数的对应偏移，并且结合中值相关系数和平均相关系数的两个特征提供了将roi的图像纹理与温度相关联的简洁方式。
98.可通过确定相异性矢量的线性回归来获得附加的特征。作为示例性示例，图18示出了一组曲线图1800，其示出了从图15的相异性矢量中提取的第三示例性特征和第四示例性特征。具体地，该组曲线图1800包括曲线图1805，其描绘了每个相异性矢量的示例性线性回归，包括相异性矢量1510的第一线性回归1810、相异性矢量1520的第二线性回归1812、相异性矢量1530的第三线性回归1814、相异性矢量1540的第四线性回归1816、相异性矢量1550的第五线性回归1818和相异性矢量1560的第六线性回归1820。该组曲线图1800还包括描绘曲线图1805中的每个线性回归的斜率的曲线图1835，和描绘曲线图1805中的每个线性回归的截距的曲线图1845。如曲线图1835所描绘的，斜率随着温度升高而增大。类似地，如曲线图1845所描绘的，截距随着温度升高而减小。
99.因此，通过处理roi以获得roi的初始纹理和改变纹理之间的相异性矢量，可从相异性矢量中提取多个特征，包括相异性矢量的平均相关系数、相异性矢量的中值相关系数、相异性矢量的线性回归的斜率和相异性矢量的线性回归的截距。这四个特征可用于对每个改变纹理的温度范围进行分类，如上文所述。
100.可训练上文所述的一个或多个机器学习算法以基于此类特征对组织的温度进行分类。例如，用于训练一个或多个机器学习算法的训练数据集可包括四个提取的特征和每个特征组合的标签。标签可指示组织纹理的温度，其可在创建训练数据集期间通过使用光纤或用于测量roi的精确温度的另一装置来测量。除此之外或另选地，标签可指示对应于温度范围的值。例如，对于低于60℃的温度，标签可包括0，并且对于等于或高于60℃的温度，标签可包括1。训练数据集可随机置换进行重新排列，以对行进行随机排列，并且还分成两部分(例如，包括75％的数据集的第一部分和包括25％的数据集的第二部分)用于训练和测试。如上所述，该一个或多个机器学习算法可包括随机森林分类器(rfc)、支持矢量机(svm)、人工神经网络(ann)和适用于分类的其他机器学习算法中的一者或多者。
101.本公开的技术效果包括采集超声图像。本公开的另一个技术效果包括对超声图像中描绘的组织的温度进行分类。本公开的又一个技术效果包括基于对超声图像的分析来显示组织的热状态。本公开的另一个技术效果包括相对于先前采集的超声图像对超声图像中的图像纹理进行定量评估。
102.在一个实施方案中，方法包括经由超声探头采集超声图像，选择超声图像中的至少一个感兴趣区域，从至少一个感兴趣区域提取特征，基于特征对至少一个感兴趣区域中的组织的热状态进行分类，以及经由显示装置输出组织的热状态。
103.在该方法的第一示例中，从至少一个感兴趣区域提取特征包括将至少一个感兴趣区域转换成至少一个信号，将至少一个信号分解成多个频带，用自回归模型生成每个分解信号的估计值，计算每个估计值与相同频带中的初始估计值的相关系数，基于每个估计值的相关系数确定相异性度量，以及从相异性度量中提取特征。在任选地包括第一示例的方法的第二示例中，特征包括相异性度量的中值相关系数、相异性度量的平均相关系数、相异性度量的线性回归的斜率和相异性度量的线性回归的截距中的一者或多者。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，将至少一个感兴趣区域转换成至少一个信号包括，对于至少一个感兴趣区域中的感兴趣区域，在沿多个像素轨线遍历感兴趣区域的像素时对感兴趣区域的像素值进行采样，以生成感兴趣区域的多个信号，多个信号中的每个信号对应于多个像素轨线中的不同像素轨线。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，将至少一个信号分解成多个频带包括使用离散小波变换将至少一个信号分解成多个频带。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，利用自回归模型生成每个分解信号的估计值包括，对每个分解信号执行自回归建模以获得每个分解信号的自回归参数，以及基于相应的自回归参数计算每个分解信号的功率谱密度，估计值包括功率谱密度。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，该方法还包括计算每个估计值与相同频带中的初始估计值和相同图像到信号转换类型的相关系数。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，基于每个估计值的相关系数确定相异性度量包括将估计值的相关系数分类为矢量，以及从至少一个感兴趣区域提取特征包括从矢量计算特征。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，基于特征对至少一个感兴趣区域中的组织的热状态进行分类包括将特征输入到一个或多个机器学习算法中，以及从一个或多个机器学习算法接收组织的热状态的分类。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，分类包括温度分类或组织损伤可逆性分类中的一个或多个。在任选地包括第一示例至第九示例中的一个或多个的方法的第十示例中，选择超声图像中的至少一个感兴趣区域包括选择超声图像中的消融目标处的第一感兴趣区域，以及选择超声图像中远离消融目标定位的多个附加的感兴趣区域。
104.在另一个实施方案中，方法包括利用超声探头采集超声图像，将超声图像中的感兴趣区域转换成多个信号，将多个信号中的每个信号分解成多个频带，利用多个频带中的每个频带的自回归模型生成每个分解信号的估计值，测量每个分解信号的估计值与从先前采集的超声图像获得的对应估计值的相关性，基于每个分解信号的相关性计算多个特征，利用基于多个特征的机器学习算法对感兴趣区域中的组织的热状态进行分类，以及经由显示装置输出组织的热状态。
105.在该方法的第一示例中，将感兴趣区域转换成多个信号包括利用多个像素遍历轨线对感兴趣区域的像素值进行采样以生成多个信号。在任选地包括第一示例的方法的第二示例中，将多个信号中的每个信号分解成多个频带包括对每个信号应用离散小波变换，以将每个信号分解成低频带信号、中频带信号、高频带信号和总频带信号。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，多个特征包括以下中的一者或多者：中值相关系数、平均相关系数、包括每个分解信号的相关的矢量的线性回归的斜率以及矢量的线性回归的截距。在任选地包括第一示例至第三示例中的一个或多个的第四示例
中，利用基于多个特征的机器学习算法对感兴趣区域中的组织的热状态进行分类包括相对于临界消融温度对组织的温度进行分类。
106.在又一个实施方案中，系统包括超声探头、显示装置和配置有非暂态存储器中的可执行指令的处理器，该可执行指令在被执行时使得处理器：经由超声探头采集超声图像；选择超声图像中的至少一个感兴趣区域；从至少一个感兴趣区域提取特征；基于特征对至少一个感兴趣区域中的组织的热状态进行分类；以及经由显示装置输出组织的热状态。
107.在该系统的第一示例中，处理器还配置有非暂态存储器中的可执行指令，该可执行指令在被执行时使得处理器将至少一个感兴趣区域转换成多个信号；将多个信号中的每个信号分解成多个频带；利用自回归模型生成每个分解信号的估计值；计算每个估计值与从相同频带中的先前采集的超声图像获得的初始估计值的相关系数；基于每个估计值的相关系数确定相异性度量；以及从相异性度量中提取特征。在任选地包括第一示例的系统的第二示例中，特征包括以下中的一者或多者：平均相关系数、中值相关系数、相异性度量的线性回归的斜率和相异性度量的线性回归的截距。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，处理器进一步配置有非暂态存储器中的可执行指令，该可执行指令在被执行时使得处理器：利用基于多个特征的机器学习算法对感兴趣区域中的组织的热状态进行分类，该热状态包括组织的相对于临界消融温度的温度。
108.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。
109.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。