照护点超声(POCUS)扫描辅助和相关装置、系统和方法与流程

照护点超声(pocus)扫描辅助和相关装置、系统和方法
技术领域
1.本公开总体上涉及超声成像，尤其涉及为在临床评估中使用超声成像提供自动的、系统的扫描指导。


背景技术：

2.超声成像系统广泛用于医学成像。例如，医学超声系统可以包括联接到处理系统的超声换能器探头和一个或多个显示装置。超声换能器探头可包括超声换能器元件阵列，其向患者体内发送声波并记录从患者体内的内部解剖学结构反射的声波，其中内部解剖学结构可包括组织、血管和内部器官。声波的发送和/或被反射的声波或回波响应的接收可以由相同组的超声换能器元件或不同组的超声换能器元件执行。处理系统可以对接收到的回波响应施加波束成形、信号处理和/或成像处理，以创建患者内部解剖学结构的图像。图像可以以亮度模式(b模式)图像的形式呈现给临床医生，其中图像的每个像素由与回波强度相对应的亮度水平或强度水平来表示。
3.超声成像是用于诊断检查、介入和/或治疗的安全且有用的工具。例如，阑尾炎和肠套叠在临床表现中具有很高的变化性，因此诊断此类症状可能具有挑战性。盲目地为患者进行外科手术而不进行任何成像可能导致不良的开腹手术，这可能导致并发症。因此，当前的临床指导规定，如果怀疑此类阑尾炎和/或肠套叠症状，超声是一线的成像模态。照护点超声(pocus)的快速发展已经使得在许多照护点场景中，例如在紧急情况和/或危重症监护病房中，能够二十四小时使用超声波。然而，在足够的扫描覆盖范围、结构识别和快速的症状评估方面，使用pocus对于急诊医生(特别是对于新手使用者)来说可能具有挑战性。


技术实现要素：

4.存在着对改进系统和技术的临床需求，以便在临床检查中提供系统的成像指导。本公开的实施例提供了用于诊断临床症状的系统的扫描指导技术。临床症状的评估可能需要遵循特定的扫描形貌或扫描轨迹。例如，用于阑尾炎评估的扫描可能需要扫描患者腹部的右下象限(rlq)。替代性地，用于肠套叠的扫描可能需要扫描患者腹部的所有象限。扫描形貌或扫描轨迹可包括可与评估有关的一系列解剖学标志，或可引导至用于评估的目标解剖学部位。所公开的实施例从获取的图像帧中自动地检测或搜索解剖学标志，并基于所检测到的解剖学标志指导用户对临床症状进行系统的扫描。在一些方面中，所公开的实施例使用深度学习预测网络来执行自动的解剖学标志检测，并基于所检测到的解剖学标志来推断探头操纵配置。所公开的实施例可以基于所推断的探头操纵配置为用户提供用于扫描的视觉指导。视觉指导可以呈显示用于平移和/或旋转的方向箭头、文本显示和/或音频警报的形式。此外，所公开的实施例可以从所获取的图像中自动地选择代表正常临床症状和/或异常临床症状的图像帧，并将所选择的图像帧呈现给用户，使得用户可以执行更快的诊断。此外，所公开的实施例可以自动地调整超声信号设置(例如，信号增益和/或成像景深)，以提供用于扫描的最佳成像质量。尽管所公开的实施例是在阑尾炎和/或肠套叠评估的情景
中进行描述的，但是所公开的实施例适合为患者的其他解剖结构中的其他临床症状的评估提供扫描辅助。此外，所公开的实施例可被应用于pocus系统和/或任何其他类型的超声成像系统。
5.在一个实施例中，一种超声成像系统包括处理器电路，其与包括换能器阵列的超声探头通信，其中处理器电路被配置为：从超声探头接收患者解剖结构的第一图像；从第一图像中检测沿着患者解剖结构的扫描轨迹在第一位置处的第一解剖学标志；基于第一解剖学标志确定用于朝向沿着扫描轨迹在第二位置处的第二解剖学标志操纵超声探头的操纵配置；和基于操纵配置，向与处理器电路通信的显示器输出指令，以朝向在第二位置处的第二解剖学标志操纵超声探头。
6.在一些方面中，该系统还可包括其中操纵配置包括旋转或平移中的至少一种。在一些方面中，该系统还可包括与超声探头和处理器电路通信的探头控制器，其中换能器阵列是二维(2d)换能器阵列，并且处理器电路被配置为：从超声探头接收在第二位置处的患者解剖结构的第二图像，第二图像包括第二解剖学标志；基于第二图像，确定波束操纵角度，以朝向沿着扫描轨迹在第三位置处的第三解剖学标志操纵换能器阵列的超声波束；和基于波束操纵角度向探头控制器输出指令，以配置换能器阵列。在一些方面中，该系统还可以包括与超声探头和处理器电路通信的探头控制器，其中处理器电路被配置为：基于第一图像确定用于换能器阵列的超声信号调整；和基于超声信号调整向探头控制器输出指令，以配置换能器阵列。在一些方面中，该系统还可包括其中超声信号调整与信号增益或成像景深中的至少一个相关联。在一些方面中，该系统还可包括与处理器电路通信的存储器，其中处理器电路被配置为：基于操纵配置从超声探头接收患者解剖结构的第二图像；确定第二图像包括代表临床症状的解剖学特征；和基于确定了第二图像包括代表临床症状的解剖学特征，在存储器处存储第二图像。在一些方面中，该系统还可包括其中处理器电路被配置为基于确定了第二图像包括代表临床症状的解剖学特征，向显示器输出第二图像。在一些方面中，该系统还可包括其中处理器电路被配置为检测第一解剖学标志和确定操纵配置被配置成将预测网络应用于第一图像，该预测网络被训练以用于与扫描轨迹相关联的解剖学标志检测或操纵配置预测中的至少一个。在一些方面中，该系统还可包括与超声探头和处理器电路通信的探头控制器，其中处理器电路被配置为：从超声探头接收在第二位置处的患者解剖结构的第二图像，第二图像包括第二解剖学标志；将预测网络应用于第二图像，该预测网络被训练以用于波束操纵预测；和基于预测网络的输出向探头控制器输出指令，以配置换能器阵列。在一些方面中，该系统还可包括与超声探头和处理器电路通信的探头控制器，其中处理器电路被配置为：基于操纵配置从超声探头接收患者解剖结构的第二图像；将预测网络应用于第二图像，该预测网络被训练以用于超声信号增益调整或成像景深调整中的至少一个；和基于预测网络的输出向探头控制器输出指令，以配置换能器阵列。在一些方面中，该系统还可包括与处理器电路通信的存储器，其中处理器电路被配置为：基于操纵配置从超声探头接收患者解剖结构的第二图像；将预测网络应用于第二图像，该预测网络被训练以识别临床症状；和基于预测网络的输出在存储器处存储第二图像。在一些方面中，该系统还可包括其中处理器电路被配置为输出指令，该指令被配置为向显示器输出扫描轨迹和基于指令的关于扫描轨迹的视觉运动指示符、换能器阵列相对于扫描轨迹的位置、或换能器阵列相对于扫描轨迹的取向中的至少一个的图。在一些方面中，该系统还可包括其
中患者解剖结构包括患者的腹部区域，且扫描轨迹穿过患者的腹部区域的右上象限(ruq)、右下象限(rlq)、左上象限(luq)或左下象限(llq)中的至少一个。在一些方面中，该系统还可包括其中扫描轨迹与阑尾炎检查相关联，且第一解剖学标志包括肝脏、升结肠、盲肠袋、末端回肠、阑尾或阑尾炎的解剖学特征中的至少一个。在一些方面中，该系统还可包括其中扫描轨迹与肠套叠检查相关联，且第一解剖学标志包括腰大肌、升结肠、肝脏、胆囊、上腹部、降结肠或肠套叠的解剖学特征中的至少一个。
7.在一个实施例中，一种超声成像方法，包括：在与包括换能器阵列的超声探头通信的处理器电路处接收患者解剖结构的第一图像；在处理器电路处从第一图像中检测沿着患者解剖结构的扫描轨迹在第一位置处的第一解剖学标志；在处理器电路处基于第一解剖学标志确定用于朝向沿着扫描轨迹在第二位置处的第二解剖学标志操纵超声探头的操纵配置；以及基于操纵配置在与处理器电路通信的显示器上输出指令，以朝向在第二位置处的第二解剖学标志操纵超声探头。
8.在一些方面，该方法还可包括其中操纵配置包括旋转或平移中的至少一种。在一些方面，该方法还可包括在处理器电路处从超声探头接收在第二位置处的患者解剖结构的第二图像，第二图像包括第二解剖学标志；在处理器电路处基于第二图像确定波束操纵角度，以朝向沿着扫描轨迹在第三位置处的第三解剖学标志操纵换能器阵列的超声波束；和基于波束操纵角度向与处理器电路和超声探头通信的探头控制器输出指令，以配置换能器阵列。在一些方面，该方法还可包括在处理器电路处基于第一图像确定用于换能器阵列的超声信号调整，超声信号调整与信号增益或成像景深中的至少一个相关联；和基于超声信号调整向与处理器电路和超声探头通信的探头控制器输出指令，以配置换能器阵列。在一些方面，该方法还可包括基于操纵配置在处理器电路处从超声探头接收患者解剖结构的第二图像；在处理器电路处确定第二图像包括代表临床症状的解剖学特征；以及基于确定了第二图像包括代表临床症状的解剖学特征，在与处理器电路通信的存储器处存储第二图像。
9.本公开的其他方面、特征和优点将从以下详细描述中变得明显。
附图说明
10.将参考附图来描述本公开的例示说明性实施例，其中：
11.图1是根据本公开的多个方面的超声成像系统的示意图。
12.图2是根据本公开的多个方面的腹部结构中的阑尾的示意图。
13.图3是示出根据本公开的多个方面的肠套叠症状的示意图。
14.图4a是根据本公开的多个方面的腹部形貌的示意图。
15.图4b是示出根据本公开的多个方面的用于阑尾炎评估的扫描轨迹的示意图。
16.图4c是示出根据本公开的多个方面的用于肠套叠评估的扫描轨迹的示意图。
17.图5是根据本公开的多个方面的自动超声扫描辅助系统的示意图。
18.图6是根据本公开的多个方面的深度学习网络配置的示意图。
19.图7是根据本公开的多个方面的深度学习网络训练方案的示意图。
20.图8是根据本公开的多个方面的深度学习网络训练方案的示意图。
21.图9是根据本公开的多个方面的用于自动超声扫描辅助系统的用户界面的示意
图。
22.图10是根据本公开的多个方面的用于自动超声扫描辅助系统的用户界面的示意图。
23.图11是根据本公开的实施例的处理器电路的示意图。
24.图12是根据本公开的多个方面的超声成像方法的流程图。
具体实施方式
25.出于促进对本公开的原理理解的目的，现在将参考附图中示出的实施例，且将使用具体语言来描述所述实施例。尽管如此，应当理解的是，并不打算限制本公开的范围。如本公开涉及的技术领域内的人员通常可想到的，对所述装置、系统和方法的任何变更和进一步修改以及本发明原理的任何其它应用均完全被设想到且包含在本公开内。具体而言，已全部设想到关于一个实施例描述的特征、部件和/或步骤可与关于本公开的其他实施例描述的特征、部件和/或步骤相组合。然而，出于简洁的目的，这些组合的多种重复将不再单独描述。
26.图1是根据本公开的多个方面的超声成像系统100的示意图。系统100被用于扫描患者身体的区域或体积。系统100包括通过通信接口或链路120与主机130通信的超声成像探头110。探头110包括换能器阵列112、波束形成器114、处理器电路116和通信接口118。主机130包括显示器132、处理器电路134和通信接口136。
27.在示例性实施例中，探头110是外部超声成像装置，其包括被配置为由用户手持操作的壳体。换能器阵列112可被配置为在用户握持探头110的壳体使得换能器阵列112被定位成与患者的皮肤相邻和/或接触时获取超声数据。探头110被配置为在探头110被定位于患者体外时获得患者体内的解剖结构的超声数据。在一些实施例中，探头110可以是适用于腹部检查(例如用于诊断阑尾炎或肠套叠)的外部超声探头。
28.换能器阵列112朝向患者的解剖学对象105发射超声信号并且接收从对象105反射回到换能器阵列112的回波信号。超声换能器阵列112可以包括任何合适数量的声学元件，包括一个或多个声学元件和/或许多声学元件。在一些情况下，换能器阵列112包括单个声学元件。在一些情况下，换能器阵列112可包括声学元件阵列，其具有呈任何合适的配置的任何数量的声学元件。例如，换能器阵列112可以包括在1个声学元件和10000个声学元件之间的值，包括诸如2个声学元件、4个声学元件、36个声学元件、64个声学元件、128个声学元件、500个声学元件、812个声学元件、1000个声学元件、3000个声学元件、8000个声学元件的值和/或更大和更小的其他值。在一些情况下，换能器阵列112可包括声学元件阵列，其具有呈任何合适的配置的任何数量的声学元件，例如线性阵列、平面阵列、弯曲阵列、曲线阵列、圆周阵列、环形阵列、相控阵列、矩阵阵列、一维(1d)阵列、1.x维阵列(例如，1.5d阵列)或二维(2d)阵列。声学元件阵列(例如，一行或多行、一列或多列、和/或一个或多个取向)可以被统一或独立地控制和激活。换能器阵列112可以被配置为获得患者解剖结构的一维、二维和/或三维图像。在一些实施例中，换能器阵列112可以包括压电微机械超声换能器(pmut)、电容微机械超声换能器(cmut)、单晶、锆钛酸铅(pzt)、pzt复合材料、其他合适的换能器类型和/或它们的组合.
29.对象105可以包括患者的适于超声成像检查的任何解剖结构，例如血管、神经纤
维、气道、二尖瓣、心脏结构、腹部组织结构、阑尾、大肠(或结肠)、小肠、肾脏和/或肝脏。在一些方面，对象105可以包括患者的大肠、小肠、盲肠袋、阑尾、回肠末端、肝脏、上腹部和/或腰大肌的至少一部分。本公开可以在任何数量的解剖学位置和组织类型的情景下实施，包括但不限于器官，包括肝脏、心脏、肾脏、胆囊、胰腺、肺、管道、肠；神经系统结构，包括大脑、硬膜囊、脊髓和周围神经；泌尿道；以及血管、血液、心脏的腔室或其他部分、腹部器官和/或身体的其他系统内的瓣膜。在一些实施例中，对象105可以包括恶性肿瘤，例如人体解剖结构的任何部分内的肿瘤、囊肿、病变、出血或血池。解剖结构可以是血管，例如患者血管系统的动脉或静脉，包括心脏血管系统、外周血管系统、神经血管系统、肾血管系统和/或体内任何其他合适的管腔。除了天然结构之外，本公开可以在人造结构的情景中实施，例如但不限于心脏瓣膜、支架、分流器、过滤器、植入物和其他装置。
30.波束形成器114被联接到换能器阵列112。波束形成器114控制换能器阵列112，例如，用于超声信号的发送和超声回波信号的接收。波束形成器114基于接收到的超声回波信号的响应，向处理器电路116提供图像信号。波束形成器114可以包括多个阶段的波束成形。波束成形可以减少用于联接到处理器电路116的信号线的数量。在一些实施例中，与波束形成器114结合的换能器阵列112可以被称为超声成像部件。
31.处理器电路116被联接到波束形成器114。处理器电路116可以包括被配置为执行本文描述的操作的中央处理单元(cpu)、图形处理单元(gpu)、数字信号处理器(dsp)、专用集成电路(asic)、控制器、现场可编程门阵列(fpga)装置、另一硬件装置、固件装置或其任何组合。处理器电路134还可以被实现为计算装置的组合，例如，dsp和微处理器的组合、多个微处理器、与dsp核心协作的一个或多个微处理器或任何其他此类配置。处理器电路116被配置为处理经波束成形的图像信号。例如，处理器电路116可以执行过滤和/或正交解调以调节图像信号。处理器电路116和/或134可以被配置为控制阵列112以获得与对象105相关联的超声数据。
32.通信接口118被联接到处理器电路116。通信接口118可以包括一个或多个发射器、一个或多个接收器、一个或多个收发器和/或用于发送和/或接收通信信号的电路。通信接口118可以包括实现适合于通过通信链路120将信号传输到主机130的特定通信协议的硬件部件和/或软件部件。通信接口118可以被称为通信装置或通信接口模块。
33.通信链路120可以是任何合适的通信链路。例如，通信链路120可以是有线链路，例如通用串行总线(usb)链路或以太网链路。替代性地，通信链路120可以是无线链路，例如超宽带(uwb)链路、电气和电子工程师协会(ieee)802.11wifi链路或蓝牙链路。
34.在主机130处，通信接口136可以接收图像信号。通信接口136可以基本上类似于通信接口118。主机130可以是任何合适的计算和显示装置，例如工作站、个人计算机(pc)、笔记本电脑、平板电脑或移动电话。
35.处理器电路134被联接到通信接口136。处理器电路134可以被实现为软件部件和硬件部件的组合。处理器电路134可以包括被配置为执行本文描述的操作的中央处理单元(cpu)、图形处理单元(gpu)、数字信号处理器(dsp)、专用集成电路(asic)、控制器、fpga装置、另一硬件装置、固件装置或其任何组合。处理器电路134还可被实现为计算装置的组合，例如，dsp和微处理器的组合、多个微处理器、与dsp核心协作的一个或多个微处理器或任何其他此类配置。处理器电路134可以被配置为根据从探头110接收的图像信号生成图像数
据。处理器电路134可以将先进的信号处理和/或图像处理技术应用于图像信号。在一些实施例中，处理器电路134可以从图像数据形成三维(3d)体积图像。在一些实施例中，处理器电路134可以对图像数据执行实时处理以提供对象105的超声图像的流式视频。
36.显示器132被联接到处理器电路134。显示器132可以是监视器或任何合适的显示器。显示器132被配置为显示对象105的超声图像、图像视频和/或任何成像信息。
37.系统100可被用于帮助超声医师执行超声扫描，例如，在照护点场景中。例如，主机130可以是移动装置，例如平板电脑或移动电话。在一些方面中，超声医师可以将探头110放置在患者身上以开始超声扫描，以便进行特定的临床评估，例如，针对阑尾炎或肠套叠。超声医师可以遵循临床评估常用或推荐的特定的扫描形貌或扫描轨迹。扫描形貌或扫描轨迹可包括可与评估相关的一系列解剖学标志或可引导至用于评估的目标解剖学部位。
38.根据本公开的实施例，系统100可以在探头110的初始位置处获取患者解剖结构的超声图像，基于该图像和/或从该图像检测到的解剖学对象确定患者解剖结构内关于扫描轨迹的位置，以及基于所确定的位置和/或所检测到的解剖学对象确定用于朝向沿着扫描轨迹的下一个标志操纵探头110的操纵配置。系统100可以基于操纵配置在显示器132上显示图形或视觉指示符，以指导超声医师朝向下一个标志操纵探头110。超声医师可以基于图形或视觉指示符来操纵探头110。系统100可以通过在超声医师移动探头110时重复获取超声图像并确定用于朝向沿着扫描轨迹的标志操纵探头110的操纵配置，向超声医师实时提供自动的系统的扫描指导。另外，系统100可以基于所获取的图像自动确定对超声信号设置的调整，例如信号增益和/或成像景深，和/或波束操纵。例如，系统100可以包括探头控制器150，探头控制器150被配置为接收来自主机130的指令并配置探头110处的换能器阵列112。此外，系统100可以在系统100(例如，在存储器138处)中自动捕获或保存所获取的图像中的一个或多个，其代表用于临床评估的正常临床症状或用于临床评估的异常症状，使得超声医师可以在扫描之后查看所捕获的或所保存的图像。
39.在一些方面，处理器电路134可以实现一个或多个基于深度学习的预测网络，该预测网络被训练以基于输入超声图像来执行分类和/或预测。分类和/或预测可以包括：对沿着用于特定临床评估的扫描轨迹的解剖学标志进行分类或识别，预测用于沿着扫描轨迹和/或朝向特定的目标解剖学部位操纵探头110的操纵配置(例如，包括旋转和/或平移)，预测用于配置换能器阵列112以到达特定的解剖学标志或目标部位的波束操纵角度，预测特定的临床症状的存在或不存在，和/或基于图像的质量预测超声信号设置。本文更详细地描述了用于提供系统的扫描辅助的机制。
40.在一些方面，系统100可被用于收集超声图像以形成用于深度学习网络训练的训练数据集。例如，主机130可以包括存储器138，其可以是任何合适的存储装置，例如高速缓冲存储器(例如，处理器电路134的高速缓冲存储器)、随机存取存储器(ram)、磁阻式ram(mram)、只读存储器(rom)、可编程只读存储器(prom)、可擦除可编程只读存储器(eprom)、电可擦除可编程只读存储器(eeprom)、闪存、固态存储装置、硬盘驱动器、固态驱动器、其他形式的易失性和非易失性存储器，或不同类型的存储器的组合。存储器138可以被配置为存储图像数据集140，以训练深度学习网络，从而提供自动扫描辅助、自动图像捕获、自动超声信号设置调整和/或自动波束操纵。本文更详细地描述了用于训练预测或深度学习网络的机制。
41.在临床实践中，当患者因腹痛被送往急诊室时，急诊医师可能会进行腹部扫描以确定腹痛的原因。腹痛的两个常见原因是阑尾炎和肠套叠。阑尾炎是阑尾的炎症(如图2所示)。肠套叠是这样的医疗症状，其中一段肠在另一段肠内伸缩，从而导致肠梗阻或阻塞(如图3所示)。
42.图2是示出根据本公开的多个方面的腹部结构200中的阑尾210的示意图。系统100可用于执行围绕患者腹部区域(例如，腹部结构200)的扫描以评估阑尾炎症状。阑尾210是附接到右下腹部中的大肠220(也称为结肠)的闭合组织管。当阑尾210被感染或阻塞时发生炎症。例如，当阑尾210发炎时，阑尾210可具有大于约6毫米(mm)的直径。超声医师还可以使用其他特征来诊断阑尾炎症状，例如，当阑尾210充满液体时。然而，阑尾210周围或附近的一些结构，例如肠脂垂230、结肠带240、盲肠250、回结肠动脉260、回肠270(小肠的最后一段)、阑尾系膜280和/或阑尾动脉290，可能会在扫描期间对定位阑尾210造成挑战。
43.图3是示出根据本公开的多个方面的肠套叠症状300的示意图。系统100可被用于执行腹部扫描以诊断肠套叠症状300。肠套叠可发生在胃肠道中的任何地方。最常见的肠套叠形式之一可能是回结肠肠套叠，它发生在小肠和大肠的交界处。图3示出了患者胃肠道的一部分，其包括大肠310和小肠320。大肠310的正常部分被放大并被示为302，其中小肠320不会导致对大肠310的任何梗阻或阻塞。大肠310的包括肠套叠330的一部分被放大并被示为304。在肠套叠330的部位处，一段小肠320折叠到大肠310内，从而导致阻塞。
44.对于腹部超声扫描，医师可能使用几种腹部形貌。许多医师喜欢的腹部形貌之一在图4a中示出。图4a是根据本公开的多个方面的腹部形貌400的示意图。系统100可被用于根据形貌400执行系统的腹部扫描。如图所示，形貌400通过轴线和穿过脐部的横向线将患者的腹部区域402划分为右上象限(ruq)410、右下象限(rlu)420、左上象限(luq)430和左下象限(440)。用于阑尾炎和肠套叠的扫描需要系统的扫描并覆盖形貌400以进行临床症状评估。然而，用于诊断阑尾炎的腹部扫描可以使用与用于诊断肠套叠的腹部扫描不同的在形貌400上的轨迹，如下面的图4b和图4c中所示和描述的。
45.图4b是示出根据本公开的多个方面的用于阑尾炎评估的扫描轨迹450的示意图。系统100可被用于根据扫描轨迹450执行超声扫描。阑尾炎评估可包括对患者的rlq(例如，rlq 420)进行系统的扫描。如箭头451-454所示，扫描轨迹450覆盖患者的rlq。例如，超声医师可以将探头459(例如探头110)横向地放置在rlq中靠近脐部的初始位置处，如箭头451所示向左扫掠，然后如箭头452所示向下扫掠，如箭头453所示向右扫掠，以及如箭头454所示向上和向下扫掠以定位阑尾(例如，阑尾210)，以便用于阑尾炎评估。
46.图4c是示出根据本公开的多个方面的用于肠套叠评估的扫描轨迹460的示意图。系统100可被用于根据扫描轨迹460执行超声扫描。肠套叠评估可包括对整个腹部形貌(例如，形貌400)进行系统的扫描，例如以草坪修剪模式。扫描轨迹460由箭头461-463示出。例如，超声医师可以将探头469(例如，探头110)横向地放置在患者的rlq(例如，rlq 420)中的初始位置处，如箭头461所示向上扫掠，然后如箭头462所示向右扫掠，其中探头459被纵向地放置，并且然后如箭头463所示向下扫掠，其中探头459被横向地放置，以便用于肠套叠评估。
47.虽然计算机层析成像(ct)扫描可用于腹部评估，但由于易于获得且无辐射，超声是优选的成像模态。此外，超声的敏感性和特异性较高，因此使用超声已经成为用于检查阑
尾炎或肠套叠的常用临床实践。此外，pocus使在照护点场景下的易用性和超声可用性成为可能。
48.然而，对于新手使用者来说，在紧急场景下执行连续、快速、集中的评估通常具有挑战性。在阑尾炎或肠套叠的超声扫描期间，年龄较大的孩子可以指出疼痛的位置，但对于年龄较小的患者，则需要系统的扫描。尽管新手使用者可以选择初始位置并尝试遵循系统的方法，但他们在尝试遵循理想的腹部轨迹(例如，轨迹450和460)来诊断症状时可能会遇到一些挑战。挑战的一些示例可包括结构的错误识别(例如，将末端回肠或小肠的其他部分错误地识别为阑尾)，漏检盲肠后(盲肠后面局部的)阑尾炎。对识别如升结肠和/或结肠壁的标志和/或确认足够的扫描覆盖范围的需要也可能具有挑战性。此外，识别特征以支持特定的诊断，例如对于阑尾炎，比如测量扩张的阑尾并确定阑尾的直径是否大于6毫米，搜索阑尾结石(阑尾结石由坚硬的粪便和一些矿物质沉积物组成)的不同临床表现、识别回声显著的盲肠周围脂肪、阑尾周围积液和/或搜索特定的图案(例如，像阑尾和肠套叠这样的目标)，可能会很耗时。此外，超声诊断的使用可能取决于超声医师的经验。
49.因此，本公开提供了沿着特定的扫描轨迹或形貌自动地检测解剖学标志的技术，以向超声医师提供系统的扫描指导。在一些方面，本公开提供了自动探头操纵指导，以用于沿着与特定的临床检查相关的特定的扫描轨迹进行扫描，自动捕获代表正常临床症状和/或异常临床症状的成像帧以实现更快诊断，和/或自动超声信号设置调整以获得最佳成像质量。在一些方面中，本公开可以利用经过训练以提供自动扫描指导、自动捕获和/或自动信号调整的深度学习框架。本文更详细地描述了用于提供自动扫描指导、自动捕获和/或自动信号调整的机制。
50.图5是根据本公开的多个方面的自动超声扫描辅助系统500的示意图。系统500可以对应于系统100，并可以提供用于提供超声扫描辅助的实现方式的详细视图。在高层级上，系统500从所获取的图像中自动地识别用于与临床评估相关的特定的扫描轨迹(例如，轨迹450或460)的解剖学标志，将所识别的信息转化为用户动作以向超声医师提供系统的扫描指导。系统500可以提供视觉指导以沿着自动识别的标志的扫描轨迹和/或文本显示来操纵探头(例如，探头110)。此外，系统500自动地调整超声信号增益设置(例如，信号增益和/或信号深度)以提供最佳成像视图。此外，系统500自动地捕获并保存与特定的临床评估相关的图像帧，并跟踪扫描是否包括用于该临床评估的足够的覆盖范围。
51.系统500包括探头510、图像获取部件520、数据预处理部件530、预测部件540、深度学习模型库580、自动捕获部件550、自动扫描设置部件560和视觉指导部件570。探头510可以对应于图1的探头110，并可进行2d成像或3d成像。视觉指导部件570可以对应于图1的显示器132。图像获取部件520、数据预处理部件530、预测部件540、自动捕获部件550和/或自动扫描设置部件560可以包括硬件和/或软件部件。图像获取部件520可以包括用于从探头510接收图像帧的接口。在一些情况下，数据预处理部件530、预测部件540、自动捕获部件550和/或自动扫描设置部件560由处理器电路134来实现。在一些情况下，数据预处理部件530、预测部件540、自动捕获部件550和/或自动扫描设置部件560可以由被配置为用于执行相应功能的附加的专用硬件来实现。深度学习模型储存库580可以包括被保存在存储器(例如，存储器138)中的一个或多个经过训练的深度学习网络582。
52.探头510被配置为获取超声图像512。图像512由图像获取部件520接收。图像512可
以是亮度模式(b模式)图像。数据预处理部件530被配置为在将来自图像512的成像数据532传递到预测部件540之前预处理成像数据532。预处理可以包括调整图像512的大小、从图像512裁剪关注的区域、调整成像增益和/或任何合适的图像预处理。
53.预测部件540接收经预处理的成像数据532。成像数据532可以呈成像帧的形式。预测部件540被配置为将存储在深度学习模型存储库580中的经过训练的深度学习网络582应用到输入图像512。深度学习网络582执行解剖学对象分类和/或检测以及探头操纵预测的任务。在这方面，深度学习网络582可以检测用于特定的扫描轨迹的解剖学标志和/或识别探头510关于扫描轨迹的位置和/或来自每个所获取的图像512的标志。深度学习网络582可以基于探头510的位置和/或所检测到的标志，预测用于操纵探头510沿着扫描轨迹进行扫描的操纵配置。可以训练深度学习网络582以识别用于特定的扫描轨迹的标志，例如用于阑尾炎评估或肠套叠评估，并基于所识别的标志来推断操纵配置。检测到的标志用作得出操纵动作的输入。沿着用于阑尾炎评估的扫描轨迹的一些示例性解剖学标志可以包括肝脏、升结肠、盲肠袋、末端回肠、阑尾/阑尾炎和/或阑尾炎的目标特征。沿着用于肠套叠评估的扫描轨迹的一些示例性解剖学标志可以包括腰大肌、升结肠、肝脏、胆囊、上腹部、降结肠和肠套叠的目标特征。深度学习网络582的架构将在下面的图6中更详细地讨论，且深度学习网络的训练将在下面的图7和图8中更详细地讨论。用于阑尾炎和肠套叠的扫描轨迹将在下面的图9和图10中更详细地讨论。
54.预测部件540将由深度学习网络582预测的扫描指导信息546输出到视觉指导部件570。扫描指导信息546可包括探头操纵配置和/或所识别的标志。操纵配置可包括探头510的平移和/或旋转。视觉指导部件570被配置为将操纵配置转化为动作，并将动作显示为视觉指导以指示超声医师操纵探头510。动作可包括改变探头510的位置、取向和/或方向。视觉指导部件570还可以以文本形式输出所识别的标志或显示所获取的图像512，其中所识别的标志叠加在所获取的图像512的顶部上。
55.在临床检查期间，超声医师可将探头510放置在患者身上靠近扫描轨迹的初始位置处或沿着扫描轨迹的起始位置的某个位置处。探头510可获取患者解剖结构的第一图像512。深度学习网络582可以基于第一图像512来预测操纵配置，以朝向下一个标志操纵探头510。视觉指导部件570可显示操纵指令以指导超声医师操纵探头510。操纵探头510、获取图像以及基于所获取的图像来预测操纵配置的过程可以继续，直到扫描覆盖了整个扫描轨迹。临床工作流程和扫描指导将在下面的图9和图10中更详细地讨论。
56.在一些方面，探头510可以包括能够进行3d成像的2d换能器阵列。深度学习网络582被训练以从输入图像512推断超声波束角度547，以用于朝向目标部位(例如，阑尾210或肠套叠330)操纵换能器阵列的超声波束，而不是指示超声医师旋转探头510。系统500可以包括电子自动波束操纵部件590，其被配置为基于由深度学习网络582预测的角度547来操纵探头510处的超声波束。例如，电子自动波束操纵部件590可以输出控制信号592来调整探头510处的波束角度。
57.此外，深度学习网络582被训练以确定输入图像512是否具有良好的成像质量或不良的成像质量。在一些情况下，预测部件540输出成像质量的指示544。指示544可以指示出良好的成像质量或不良的成像质量。自动扫描设置部件560从预测部件540接收反馈(例如，指示544)并自动确定用于探头510的超声信号设置调整。例如，调整可以包括信号增益，例
如，通过控制探头510的前端处的增益级。另外或替代性地，调整可以包括成像景深调整，例如，通过增加或减少超声频率以相应地减少或增加视野深度。自动扫描设置部件560根据指示544输出控制信号562以调整探头510处的超声信号设置。在一些其他情况中，深度学习网络582被训练以基于所识别的图像质量来推断超声信号设置(例如，信号增益或成像景深调整)，并且预测部件540可以指示自动扫描设置部件560来调整探头510上的超声信号设置。虽然自动扫描设置部件560和自动波束操纵部件590在图5中被示为单独的部件，但在一些示例中，自动扫描设置部件560和自动波束操纵部件590可以是单个控制器，其被配置为控制探头510处的超声信号设置和/或波束角度。
58.此外，深度学习网络582被训练以确定输入图像512是否与临床诊断相关，并将与诊断相关的图像542输出到自动捕获部件550。图像542可以包括具有代表用于临床诊断的正常症状和/或异常症状的解剖学特征的图像。自动捕获部件550被配置为将静止图像542保存到系统500处的存储器(例如，存储器138)。超声医师可以参考自动捕获或自动保存的图像542来确定临床症状。因此，自动捕获或自动保存的图像542可以减少超声医师搜索用于临床诊断的相关成像帧的时间。
59.在一些方面中，自动捕获部件550可以基于所获取的图像512来确定是否从扫描中实现了足够的覆盖范围以用于临床评估。替代性地，深度学习网络582被进一步训练以基于所捕获的图像512来确定是否已经扫描了扫描轨迹的足够的覆盖范围。如果扫描不包括用于临床评估的扫描轨迹的足够的覆盖范围，则预测部件540可以继续应用深度学习网络582以向超声医师提供扫描指导，直到扫描覆盖了扫描轨迹的足够的覆盖范围。
60.在一些方面中，预测部件540可以将来自深度学习模型库580的不同的经训练的深度学习网络应用于不同类型的预测(例如，分类、对象检测、图像质量预测、自动信号设置预测、异常临床症状/正常临床症状预测)。在一些方面中，预测部件540可以将单个深度学习网络应用于上述预测。
61.在一些方面中，预测部件540可以将不同的深度学习网络应用于不同类型的预测。例如，深度学习模型库580可以包括被训练以用于探头操纵运动预测的一个深度学习网络和被训练以用于图像质量或信号设置预测的另一个深度学习网络。在一些方面中，预测部件540可以将不同的深度学习网络应用于不同类型的评估。例如，深度学习模型库580可以包括被训练以帮助用于阑尾炎评估的扫描的一个深度学习网络和被训练以帮助用于肠套叠的扫描的另一个深度学习网络。
62.图6是根据本公开的多个方面的深度学习网络配置600的示意图。配置600可以由诸如深度学习网络582的深度学习网络来实现。配置600包括深度学习网络610，其包括一个或多个cnn 612。为例示说明和讨论的简单起见，图6示出了一个cnn 612。然而，实施例可以被缩放以包括任何合适数量的cnn 612(例如，大约2个、3个或更多个)。配置600可以被训练以用于自动解剖学标志检测、探头操纵配置的推断、图像质量检测和/或临床症状检测，如下面更详细地描述的。
63.cnn 612可以包括一组n个卷积层620，其后是一组k个全连接层630，其中n和k可以是任何正整数。卷积层620被示为620
(1)
至620
(n)
。全连接层630被示为630
(1)
至630
(k)
。每个卷积层620可以包括一组过滤器622，其被配置为从输入602(例如，图像512)中提取特征。n和k的值以及过滤器622的尺寸可以根据实施例而变化。在一些情况下，卷积层620
(1)
至620
(n)
和
全连接层630
(1)
至630
(k-1)
可以利用泄漏修正非线性(relu)激活函数和/或批量归一化。全连接层630可以是非线性的，且可以将高维度输出逐渐收缩到预测结果的维度(例如，分类输出640)。因此，全连接层630也可以称为分类器。
64.分类输出640可以基于输入图像602来指示每个类642的置信度分数。类642被示为642a、642b、...、642c。当cnn 612被训练以用于腹部评估时，类642可以指示肝脏类、升结肠类、降结肠类、阑尾类、盲肠袋类和/或腰大肌类，其对应于沿着用于腹部评估的扫描轨迹的标志。指示高置信度分数的类642指示输入图像602可能包括类642的解剖学对象。相反，指示低置信度分数的类642指示输入图像602不太可能包括类642的解剖学对象。
65.cnn 612还可以在最后的卷积层620
(n)
的输出处输出特征向量650。特征向量650可以指示从输入图像602检测到的对象。例如，特征向量650可以指示从图像602识别出的肝脏、隔膜和/或肾脏。
66.图7是根据本公开的多个方面的用于在阑尾炎评估中提供扫描辅助的深度学习网络训练方案700的示意图。方案700可以由系统100和500来实施。为了训练深度学习网络610以便为阑尾炎评估提供扫描辅助，可以创建训练数据集710(例如，图像数据集140)。训练数据集710可以包括带注释的b模式图像。专家可以用指示解剖学对象和/或成像伪影的标签来注释b模式图像。训练数据集710中的b模式图像可以包括用于沿着用于阑尾炎评估的扫描轨迹(例如，轨迹450)的解剖学标志的注释。例如，b模式图像可以包括对肝脏、升结肠、盲肠袋、末端回肠、阑尾/阑尾炎和/或指示阑尾炎的目标特征的注释。
67.在图7所示的示例中，从患者704捕获b模式图像702，并且由专家对图像702进行注释，其中注释730用于镜像伪影、注释732用于隔膜、注释734用于肝脏且注释736用于肾脏。带注释的图像702被输入到深度学习网络610进行训练。在一些情况下，注释可以包括在对应的解剖学对象所在的区域中的边界框。注释730、732、734和736用作训练深度学习网络610的基本实况。
68.深度学习网络610可被应用于数据集中的每个图像702，例如，使用前向传播，以获得用于输入图像702的输出712。训练部件720调整卷积层620中的过滤器622的系数和全连接层630中的权重，例如，通过使用反向传播来最小化预测误差(例如，基本实况和预测结果712之间的差异)。预测结果712可以包括从输入图像702识别出的解剖学对象。在一些情况下，训练部件720调整每个输入图像的卷积层620中的过滤器622的系数以及全连接层630中的权重。在一些其他情况下，训练部件720基于从一组输入图像获得的预测误差，应用批量训练过程来调整卷积层620中的过滤器622的系数和全连接层630中的权重。
69.在一些方面中，代替在训练图像中包括边界框和注释，训练数据集710可以存储图像-类对。例如，每个训练图像可与特定的类相关联(例如，肝脏、升结肠、正常临床症状、异常临床症状、良好的成像质量或不良的成像质量)。可以向深度学习网络610输送来自训练数据集710的图像-类对，并且训练部件720可以应用类似的机制来调整卷积层620和/或全连接层630中的权重以最小化基本实况(例如，图像-类对中的特定的类)和预测输出712之间的预测误差。
70.图8是根据本公开的多个方面的用于在肠套叠评估中提供扫描辅助的深度学习网络训练方案800的示意图。方案800可以由系统100和500来实现。方案800基本上类似于方案700，但可以使用不同的训练数据集810，其包括特定于用于肠套叠评估的扫描轨迹(例如，
轨迹460)的经注释的图像和/或图像-类对。例如，训练数据集810中的b模式图像可以包括针对腰大肌、升结肠、肝脏、胆囊、上腹部、降结肠和肠套叠的目标特征的注释或类。
71.在图8所示的示例中，训练数据集810包括从患者捕获的b模式图像802，且图像802由专家进行注释，其中注释830用于髂嵴、注释832用于腰大肌、注释834用于腹横肌、注释836用于腹内斜肌、注释838用于腹外斜肌且注释840用于直肌。训练数据集810还可以包括b模式图像804，其包括如标签842和844所示的肠套叠的目标特征表观。
72.训练部件820可以应用与训练部件720中类似的机制来调整卷积层620和/或全连接层630中的权重，以使对于每个训练图像(例如，图像802和804)来说基本实况和预测输出812之间的预测误差最小化。在一些情况下，基本实况可以对应于解剖学对象的注释，并且预测输出812可以包括从输入图像识别出的一个或多个解剖学对象(例如，腰大肌、直肌、肝脏)。在一些其他情况下，基本实况可以对应于图像类，并且预测输出812可以包括预测的类(例如，腰大肌类、肝脏类、正常临床症状、异常临床症状、良好的成像质量或不良的成像质量)。
73.图9是根据本公开的多个方面的用于自动超声扫描辅助系统的用户界面900的示意图。具体地，用户界面900可以向超声医师提供用于阑尾炎评估的扫描辅助。扫描可以沿着类似于患者的rlq中的扫描轨迹450的扫描轨迹进行。用户界面900可以由系统500实现并且可以显示在图5的视觉指导部件570上。用户界面900是关于图5讨论的，且可以参考图5中所示的部件。
74.用户界面900包括视觉指导图910。视觉指导图910可以示出整个扫描图案(包括在扫描下的患者的结肠或大肠974视图)，连同当前的换能器或探头的位置和探头(由换能器符号901示出)的取向的描绘。探头位置和/或取向由图5的深度学习网络582来推断。在时间t1时，超声医师可以将探头510(由换能器符号901示出)横向地放置在患者腹部上的初始位置912处，并捕获第一图像(例如，图像512)。深度学习网络582可以从第一输入图像推断第一输入图像是否位于正确的初始位置处。深度学习网络582可以基于从第一输入图像检测到的一个或多个解剖学标志来执行推断。解剖学标志可以包括升结肠、横结肠、降结肠、乙状结肠和直肠，如分别由带圆圈的数字1、2、3、4和5所示。一个或多个检测到的解剖学标志可以用作确定探头是否在正确位置处的输入。
75.从初始位置912，深度学习网络582推断出操纵配置(例如，操纵配置546)，以指导超声医师朝向rlq(例如，rlq 420)扫掠，其中存在诸如盲肠袋970(例如,盲肠250)的标志。盲肠袋970作为检测阑尾972(例如，阑尾210)的紧密接近度的关键标志。当超声医师使探头510扫掠时，探头510可以继续捕获图像。
76.当超声医师使探头510扫掠时，深度学习网络582确保接收到的输入图像包括基本标志，以推断扫掠操作足够正确。在这方面，深度学习网络582可以从捕获的图像中搜索升结肠的标志(带圆圈的数字1)。如果深度学习网络582确定未在捕获的图像中找到升结肠的标志，则深度学习网络582可以推断用于校正动作的操纵配置，并且视觉指导图910可以显示该动作(例如，以箭头的形式)，以指导用户校正探头510的位置。例如，如果深度学习网络582检测到升结肠在图像中向左漂移，而超声医师使探头510沿着升结肠扫掠(即，探头510正漂移到升结肠的右侧)，则深度学习网络582可以推断用于使探头510向左移动的操纵配置。视觉指导图910可以显示左箭头以根据操纵配置建议向左的路线修正。
77.当深度学习网络582在时间t2时检测到下一个标志(例如，盲肠袋970)时，深度学习网络582提供不同的动作路线。例如，深度学习网络582可以推断探头操纵配置以使探头510物理地旋转大约90度(如换能器符号901b所示)并纵向地移动探头510(如914所示)。在一些其他情况下，当探头510是2d阵列矩阵探头时，该操作可以通过自动波束操纵来实现，而不是让超声医师物理地操纵探头510。探头510处的2d换能器阵列(例如，换能器阵列112)提供了通过适当调整阵列中的换能器元件的相位来选择任意成像平面的能力。2d探头510可以在各种成像平面处获取图像，并且可以将图像输送到深度学习网络582以推断朝向阑尾972所在的目标部位的下一个成像平面。
78.在纵向扫掠914期间，从深度学习网络582中推断出针对阑尾炎的阑尾972的特征。在该连续扫掠操作期间，所获取的图像被输送到图5的自动捕获部件550中，以判断是否实现了足够的扫描覆盖范围。替代性地，深度学习网络582可以基于所获取的图像来推断是否实现了足够的扫描覆盖范围。此外，所获取的图像被输送到图5的自动扫描设置部件560中，以自动地调整探头510处的超声信号设置，以提供用于评估的最佳成像质量。替代性地，深度学习网络582可以推断用于调整探头510处的超声信号的超声信号设置。
79.虽然图9以箭头和换能器的取向的形式示出了建议在探头510的当前位置处的所需动作(例如，平移和/或旋转)的指导，但用户界面900可以以任何合适的视觉形式和/或音频形式(例如，语音警报)来提供指导。例如，可以使用颜色编码的箭头，其中红色箭头可以指示与当前扫描轨迹的偏离，而绿色箭头可以指示探头510在扫描轨迹内。深度学习网络582可以基于从所获取的图像中识别出的特定标志来检测偏差。用户界面900可以进一步提供指示偏离和路线校正的语音警报。
80.用户界面900还可显示一个或多个捕获的静止图像帧920，其指示正常的阑尾或疑似异常的阑尾(例如，具有炎症或充满液体)。图像帧920可以对应于图像542。用户界面900还可以显示所检测到的信息930，例如从捕获的图像识别出的解剖学对象和/或临床症状。显示可以是文本形式，也可以是叠加在捕获的图像顶部上的注释形式。
81.图10是根据本公开的多个方面的用于自动超声扫描辅助系统的用户界面1000的示意图。具体地，用户界面1000可以向超声医师提供用于肠套叠评估的扫描辅助。用户界面1000可以由系统500实现并且可以显示在图5的视觉指导部件570上。在图10所示的示例中，用户界面1000在移动电话的显示器上。在一些其他示例中，用户界面1000可以显示在任何照护点装置上。用户界面1000将关于图5进行讨论，且可以参考图5中所示的部件。用户界面1000与用户界面900基本上相似。例如，用户界面1000包括与视觉指导图910相似的视觉指导图1010，且具有由带圆圈的数字1-5所示的相似标志。然而，视觉指导图1010可以为特定于肠套叠评估的不同扫描轨迹提供指导。
82.例如，在时间t1时，超声医师可以将探头510横向地放置在患者腹部的rlq中的初始位置1012(在图1010上描绘为换能器符号1001a)处并捕获第一输入图像。图5的深度学习网络582可以从第一输入图像推断操纵配置，以操纵探头沿着升结肠(带圆圈的数字1)朝向ruq。当超声医师使探头510扫掠时，探头510继续获取图像并且图像被输送到深度学习网络582。
83.当深度学习网络582从在时间t2时获取的图像中检测到下一个标志(例如肝脏)时，深度学习网络582可以推断操纵配置，以将探头510旋转大约90度到纵向方向，如换能器
符号1001b所示。替代性地，当探头510是2d探头时，该操作可以通过波束操纵来实现，而不是如上面关于图9所述的探头510的物理旋转。随后，深度学习网络582可以推断操纵配置，以指导超声医师纵向地追踪探头510，直到检测到下一个标志(例如，脾脏和/或右肾)。
84.当深度学习网络582在时间t3时检测到下一个标志时，深度学习网络582可以推断操纵配置以将探头510旋转大约90度，如换能器符号1001c所示。深度学习网络582可以继续基于所获取的图像来推断操纵配置，以指导超声医师追踪，直到患者的llq，从而覆盖整个腹部形貌(从rlq到ruq到llq)。
85.类似于用户界面900，用户界面1000还可显示一个或多个捕获的静止图像帧，其指示正常临床症状或肠套叠的存在。在图10所示的示例中，用户界面1000显示图像1020，且在具有疑似肠套叠的位置处具有标记1022。
86.图11是根据本公开的实施例的处理器电路1100的示意图。处理器电路1100可以在图1的探头110和/或主机130中实现。在示例中，处理器电路1100可以与探头110中的换能器阵列112通信。如图所示，处理器电路1100可以包括处理器1160、存储器1164和通信模块1168。这些元件可以彼此直接通信或例如通过一个或多个总线彼此间接通信。
87.处理器1160可包括被配置为执行本文描述的操作(例如，图5-10和图12的方面)的cpu、gpu、dsp、专用集成电路(asic)、控制器、fpga、另一硬件装置、固件装置或其任何组合。处理器1160还可被实现为计算装置的组合，例如，dsp和微处理器的组合、多个微处理器、与dsp核心协作的一个或多个微处理器或任何其他此类配置。
88.存储器1164可包括高速缓冲存储器(例如，处理器1160的高速缓冲存储器)、随机存取存储器(ram)、磁阻式ram(mram)、只读存储器(rom)、可编程只读存储器(prom)、可擦除可编程只读存储器(eprom)、电可擦除可编程只读存储器(eeprom)、闪存、固态存储装置、硬盘驱动器、其他形式的易失性和非易失性存储器，或不同类型存储器的组合。在一实施例中，存储器1164包括非暂时性计算机可读介质。存储器1164可以存储指令1166。指令1166可包括当由处理器1160执行时致使处理器1160执行本文描述的操作(例如，图5-10和图12的方面且参考探头110和/或主机130(图1))的指令。指令1166也可以称为代码。术语“指令”和“代码”应广义解释为包括任何类型的计算机可读语句。例如，术语“指令”和“代码”可以指一个或多个程序、例程、子例程、函数、过程等。“指令”和“代码”可以包括单个计算机可读语句或许多计算机可读语句。
89.通信模块1168可包括任何电子电路和/或逻辑电路，以促进处理器电路1100、探头110和/或显示器132之间的数据的直接通信或间接通信。在这方面，通信模块1168可以是输入/输出(i/o)装置。在一些情况下，通信模块1168促进处理器电路1100和/或探头110(图1)、探头510(图5)和/或主机130(图1)的各种元件之间的直接通信或间接通信。
90.图12是根据本公开的多个方面的具有自动辅助的超声成像方法1200的流程图。方法1200由系统100实施，例如，通过处理器电路，诸如处理器电路1100，和/或其他合适的部件，诸如探头110或510、处理器电路116、主机130和/或处理器电路134。在一些示例中，系统100可包括其上记录有程序代码的计算机可读介质，该程序代码包括用于使系统100执行方法1200的步骤的代码。方法1200可以采用类似的机制，如分别关于图1和5描述的系统100和500、关于图6描述的配置600、分别关于图7和图8描述的方案700和800以及分别关于图9和图10描述的用户界面900和1000。如图所示，方法1200包括多个列举的步骤，但是方法1200
的实施例可以包括在列举的步骤之前、之后和之间的附加步骤。在一些实施例中，可以省略或以不同的顺序执行所列举的步骤中的一个或多个。
91.在步骤1210处，方法1200包括在与包括换能器阵列(例如，换能器阵列112)的超声探头(例如，探头110和510)通信的处理器电路(例如，处理器电路134和1100)处接收患者解剖结构的第一图像(例如，图像512)。
92.在步骤1220处，方法1200包括在处理器电路处从第一图像中检测沿着患者解剖结构的扫描轨迹(例如，扫描轨迹450和460)在第一位置处的第一解剖学标志。
93.在步骤1230处，方法1200包括在处理器电路处基于第一解剖学标志确定用于朝向沿着扫描轨迹在第二位置处的第二解剖学标志操纵超声探头的操纵配置(例如，操纵配置546).
94.在步骤1240处，方法1200包括基于操纵配置向与处理器电路通信的显示器输出指令，以朝向在第二位置处的第二解剖学标志操纵超声探头。
95.在一些情况下，操纵配置包括旋转或平移中的至少一种。
96.在一些情况下，方法1200还包括在处理器电路处从超声探头接收在第二位置处的患者解剖结构的第二图像，第二图像包括第二解剖学标志。方法1200还包括在处理器电路处基于第二图像确定波束操纵角度，以朝向沿着扫描轨迹在第三位置处的第三解剖学标志操纵换能器阵列的超声波束。方法1200还包括基于波束操纵角度向与处理器电路和超声探头通信的控制器输出指令，以配置换能器阵列。该控制器可以类似于探头控制器150和/或自动波束操纵部件590。
97.在一些情况下，方法1200还包括在处理器电路处基于第一图像确定用于换能器阵列的超声信号调整。方法1200还包括基于超声信号调整向与处理器电路和换能器探头通信的控制器输出指令，以配置换能器阵列。在一些情况下，超声信号调整与信号增益或成像景深中的至少一个相关联。该控制器可以类似于探头控制器150和/或自动扫描设置部件560。
98.在一些情况下，方法1200还包括在处理器电路处从换能器阵列中接收沿着扫描轨迹在第二位置处的患者解剖结构的第二图像。方法1200还包括在处理器电路处确定第二图像包括代表临床症状的解剖学特征。方法1200还包括基于确定了第二图像包括代表临床症状的解剖学特征，在与处理器电路通信的存储器(例如，存储器138)处存储第二图像。
99.在一些情况下，步骤1240包括向显示器输出扫描轨迹和基于指令的关于扫描轨迹的视觉运动指示符、换能器阵列关于扫描轨迹的位置或换能器阵列关于扫描轨迹的取向中的至少一个的图，例如，如视觉指导图910或1010中所示。
100.在一些情况下，患者的解剖结构包括患者的腹部区域，并且其中扫描轨迹穿过患者的腹部区域的ruq(例如，ruq 410)、rlq(例如，rlq 420)、luq(例如，luq 430)或llq(例如，llq 440)中的至少一个。
101.在一些情况下，扫描轨迹与阑尾炎检查相关联，并且其中第一解剖学标志包括肝脏、升结肠、盲肠袋、末端回肠、阑尾或阑尾炎的解剖学特征中的至少一个.
102.在一些情况下，扫描轨迹与肠套叠检查相关联，并且其中第一解剖学标志包括腰大肌、升结肠、肝脏、胆囊、上腹部、降结肠、肠套叠的解剖学特征中的至少一个。
103.本公开的多个方面可以提供多个益处。例如，使用基于深度学习的框架进行自动解剖学标志检测和探头操纵运动预测可以为临床医生提供系统的扫描指导，从而减少超声
检查时间和/或用户依赖性。因此，所公开的实施例可以增加临床评估(例如，阑尾炎和肠套叠评估)的准确性并改善工作流程效率。
104.本领域技术人员将认识到，上述设备、系统和方法可以以各种方式修改。因此，本领域的普通技术人员将认识到，本公开所涵盖的实施例并不限于上述特定的示例性实施例。在这方面，尽管已经示出和描述了例示说明性的实施例，但在前述公开中设想到广泛的修改、变化和替换。应理解的是，在不偏离本公开的范围的情况下，可以对前述内容做出这种变化。因此，对所附的权利要求书进行广义地、与本公开相一致的解释是适当的。