用于改进超声平面采集的方法和系统与流程

医药医疗技术的改进;医疗器械制造及应用技术1.本发明涉及用于获得指示超声图像对生物测定测量的适合性的全局置信指数的方法和系统。本发明还涉及使得技能不高的用户在使用全局置信指数的情况下能够根据超声体积来执行生物测定测量。背景技术：2.超声成像技术已将超声成像转变成强大的诊断工具，因为此类技术对正在研究的对象的解剖结构提供了强大可视化工具，其成本仅是其他诊断工具(例如，mri)的一小部分。3.在怀孕期间惯常地使用超声成像来评估胎儿在母体的子宫中的发育情况并测量胎儿的解剖结构(这被称为胎儿生物测定)。临床医师采集胎儿的每种要求视图的图像的传统方式是在与母体的腹部进行声学接触时操纵超声探头，直到期望的解剖取向在2d成像探头的平面中为止。如果多幅视图是利用这样的流程生成的，则存在很高的非最优测量风险，因为获得和分析这些视图要求很高的技能(特别地，胎儿超声心动描记非常依赖于操作者)，同时，除此之外胎儿可能在流程期间移动，从而要求临床医师在每次胎儿移动时都要使他/她自己对胎儿进行重新定向。4.在分析胎儿的发育情况中特别感兴趣的是所谓的生物测定测量，所述生物测定测量用于检查胎儿是否正常发育，例如是否在预期容限内。此类生物测定测量通常依赖于在国际指南中定义的解剖准则来促进生物测定测量。然而，提供此类测量是一项耗时的活动，因为它要求检测和标示胎儿体内的诸如骨骼和关节之类的解剖特征，以便提供目标界标。由于因胎儿在母体的子宫中的位置引起的众所周知的伪影、散射和阴影效应会损害超声胎儿图像，因此标示可能很困难。因此，胎儿生物测定要求高技能的人采集合适的平面，以便执行生物测定测量。5.也可以使用超声成像来例如评估对象的肝脏。必须通过在成像平面中搜索肝静脉来采集针对肝脏的最优平面，这要求很高技能的临床医师来执行此类测量。6.us 2009/0074280公开了一种用于确定针对体积的3d超声数据内的平面位置以获得标准视图的系统。使用标准视图提高了用户之间的一致性。使用体积特征、haar小波特征和梯度特征来分析3d体积。7.us 2016/081663公开了一种对对象进行成像的方法。在多个3d图像帧中的每个3d图像帧中识别候选结构。从3d帧中识别包括目标结构的图像帧的子组。对于3d图像帧的这个子组，确定了多个2d扫描平面，并且使用确定的排序函数对这多个2d扫描平面进行排序以识别期望的扫描平面。8.需要改进的方法来使得不太专业的用户或非专业用户能够执行标准的生物测定测量。技术实现要素：9.本发明由权利要求来限定。10.根据依据本发明的一个方面的示例，提供了一种用于确定针对从三维，3d，超声体积中提取的二维，2d，超声图像的全局置信指数的方法，其中，所述全局置信指数包括所述2d超声图像对生物测定测量的适合性的量度，所述方法包括：11.获得对象的3d超声体积；12.从所述3d超声体积中提取至少一幅2d超声图像的集合；13.利用第一神经网络获得几何指示物的集合，其中，每个几何指示物指示所述对象的解剖结构的几何特征；14.利用第二神经网络处理2d超声图像的所述集合，其中，所述第二神经网络的输出是解剖指示物的集合，并且其中，所述解剖指示物至少指示解剖界标的存在；并且15.基于所述几何指示物和所述解剖指示物来确定针对2d超声图像的所述集合中的每幅2d超声图像的全局置信指数。16.该方法基于3d超声体积向临床医师提供了针对2d超声图像的全局置信指数。首先，从3d超声体积中提取2d超声图像的集合。为了获得全局置信指数，必须首先确定几何指示物的集合和解剖指示物的集合。17.在胎儿生物测定中，几何指示物可以指示头围或腹围、双顶径和/或前后径，具体取决于2d超声图像的解剖结构(图像是头部图像还是腹部图像)。通常将腹围与头围和股骨长度结合使用以确定胎儿的体重和年龄。如果2d超声图像是股骨图像，则几何指示物可以指示股骨的长度。几何指示物的集合还可以包括在胎儿生物测定期间的股骨长度与腹围之间的头指数和/或比率，因为这些内容是众所周知的可以指示胎儿的健康状况的测量结果。18.为了确定解剖指示物，将2d超声图像输入到第二神经网络中，其中，第二神经网络已经被训练为识别解剖界标的集合。例如，在胎儿的腹部的超声图像中，第二神经网络可以被训练为识别胃、肋骨、脊柱、脐静脉和左门静脉。专家在胎儿生物测定中通常使用这些解剖界标来识别适合用于测量腹围的超声图像平面。19.第二神经网络被配置为输出解剖指示物的集合。例如，众所周知，在胎儿生物测定期间测量头围的最优平面是经丘脑冠状切面。在经丘脑冠状切面中，丘脑和透明隔腔是能够看到的解剖界标。第二神经网络能够被训练为识别这些解剖界标，其中，解剖指示物至少指示在2d超声图像中的解剖界标的存在。20.在胎儿生物测定中，对头围、腹围和股骨长度的准确可靠的医学测量对于确定胎儿的年龄、体重、大小和健康状况很重要。全局置信指数可以指示2d超声图像是否是适合用于执行对例如胎儿的头围、腹围和股骨长度的医学测量的平面。例如，全局置信指数使得能够从2d超声图像的集合中选择最合适的图像。全局置信指数还使得用户能够确定或估计2d超声图像与针对生物测定测量的最优平面的接近程度。几何指示物和解剖指示物都用于确定全局置信指数。全局置信指数可以辅助临床医师在胎儿生物测定中确定当测量头围时要使用哪幅2d超声图像，在胎儿生物测定中，临床医师只需要获得3d超声体积，因此不需要成为在胎儿生物测定方面的专家。21.所述第一神经网络可以是2d神经网络，并且获得几何指示物的集合包括利用所述2d神经网络处理2d超声图像的所述集合，其中，所述2d神经网络的输出是几何指示物的所述集合。22.在这种用于确定几何指示物的集合的方法中，将2d超声图像输入到第一2d神经网络中，其中，第一2d神经网络已经被训练以分割并指示几何特征，例如，头部、腹部和/或股骨。输出可以例如是经分割的解剖结构的周长或面积。23.替代地，所述第一神经网络可以是3d神经网络，并且其中，获得几何指示物的集合包括利用所述3d神经网络处理所述3d超声体积，其中，所述3d神经网络被训练为识别在所述3d超声体积内部的3d解剖结构，并且所述3d神经网络的输出是几何指示物的所述集合。24.在这种方法中，将3d超声体积输入到第一3d神经网络中。第一3d神经网络被训练为识别在3d体积内部的解剖结构(例如，肋骨、肝脏、胃等)。然后，几何指示物可以基于与解剖结构相交并测量例如解剖结构的大小、长度或宽度的各种2d平面。25.第一3d神经网络能够用于在3d中的解剖分割(例如，胃，肋骨等)。这允许获得截断3d解剖分割段的2d平面的集合并因此获得基于2d平面的2d超声图像，并且能够忽略未截断3d解剖分割段的任何2d平面。26.几何指示物可以取决于其他几何指示物中的一个或多个其他几何指示物。27.可以在2d超声图像的所述集合与3d解剖结构的截断处计算从所述3d神经网络获得的所述几何指示物。28.所述方法还可以包括显示2d超声图像的子集并显示与来自2d超声图像的所述子集的所述2d超声图像中的每幅2d超声图像对应的全局置信指数，其中，2d超声图像的所述子集是通过选择以下2d超声图像基于比较所述2d超声图像的所述对应的全局置信指数来确定的：29.所述2d超声图像具有针对所述集合中的所述2d超声图像的所述全局置信指数的最高值；或者30.所述2d超声图像具有针对所述集合中的所述2d超声图像的所述全局置信指数的最低值；或者31.所述2d超声图像满足所述全局置信指数的预定值；或者32.所述2d超声图像满足所述全局置信指数的用户确定值。33.因此，全局置信指数的值可以表示良好的适合性，或者全局置信指数的低值可以表示良好的适合性。2d超声图像之间的全局置信指数的相对值可以用于选择子集，否则绝对值(其可以由用户定义)可以用作2d超声图像与之比较的阈值。34.显示2d超声图像的与某个范围和/或值的全局置信指数相对应的子集可以帮助临床医师学习什么样的平面最适合用于2d超声图像。例如，可以显示三幅2d超声图像，其中，这些图像中的一幅图像处于被确定为最适合的平面上，而其他图像则处于已经被平移到最适合的平面的任一侧的平面上。这能够帮助临床医师学习何时他们正在接近针对生物测定测量的最优平面。35.本发明还提供了一种用于在胎儿生物测定期间选择2d超声图像的方法，所述方法包括：36.使用上文定义的方法确定全局置信指数，其中，所述3d超声体积是胎儿生物测定3d超声体积；37.显示所述3d超声体积的2d绘制；38.显示虚拟超声探头，其中，所述虚拟超声探头被配置为根据胎儿生物测定工作流程在所述3d超声体积周围进行虚拟三维导航；39.基于所述虚拟超声探头相对于所述3d超声体积的位置并还利用与最高水平的适合性相对应的全局置信指数来从2d超声图像的所述集合中选择2d超声图像。40.用于选择所述2d超声图像的方法还可以包括：针对所选择的具有选定平面的2d超声图像：41.将所述虚拟超声探头绕垂直于所述选定平面的法线并通过所述选定平面的中心的轴线旋转，并且其中，选择所述2d超声图像还基于所述虚拟超声探头绕所述垂直轴线的所述旋转；并且42.沿着平行于所述选定平面的法线的轴线平移所述虚拟超声探头，并且其中，选择所述2d超声图像还基于所述虚拟超声探头沿着所述平行轴线的所述平移。43.一种用于在胎儿生物测定期间模拟平面提取的方法帮助缺乏经验的临床医师将真实超声探头导航到合适的位置以获得超声图像。胎儿的3d体积和虚拟超声探头可以被显示在显示器上。然后，虚拟超声探头能够在胎儿的3d体积周围自动进行虚拟导航，并且向临床医师示出根据将真实超声探头放置在某些位置将会获得哪幅2d超声图像。也能够显示针对每幅2d超声图像的全局置信指数以示出哪些超声图像最适合用于生物测定测量。44.用于选择2d超声图像的方法还可以包括：45.显示所选择的2d超声图像；46.显示所述对应的全局置信指数；并且47.将所述虚拟超声探头显示在所述3d超声体积上的以下位置：所述位置指示为了获得所选择的2d超声图像而将真实超声探头放置在真实3d体积上的位置。48.本发明还提供了一种包括代码单元的计算机程序，当所述程序在处理系统上运行时，所述代码单元用于实施上文提到的方法。49.本发明还提供了一种用于确定针对从三维，3d，超声体积中提取的二维，2d，超声图像的全局置信指数的系统，其中，所述全局置信指数包括所述2d超声图像对医学测量的适合性的量度，所述系统包括：50.超声探头，其用于获得对象的3d超声体积；51.处理器，其被配置为：52.从所述3d超声体积中提取至少一幅2d超声图像的集合；53.利用第一神经网络计算几何指示物的集合，其中，每个几何指示物指示所述对象的解剖结构的几何特征；54.利用第二神经网络处理2d超声图像的所述集合，其中，所述第二神经网络的输出是解剖指示物的集合，并且其中，所述解剖指示物至少指示解剖界标的存在；并且55.基于所述几何指示物和所述解剖指示物来确定针对2d超声图像的所述集合中的每幅2d超声图像的全局置信指数。56.所述系统还可以包括显示器，所述显示器用于显示以下各项中的一项或多项：57.全局置信指数；以及58.至少一幅2d超声图像。59.本发明还提供了一种用于在胎儿生物测定期间选择2d超声图像的系统，包括：60.如上文所定义的用于确定全局置信指数的系统，其中，所述3d超声体积是胎儿测定3d超声体积，并且其中，所述处理器还被配置为：61.基于虚拟超声探头相对于所述3d超声体积的位置并还利用与最高水平的适合性相对应的全局置信指数(114)来从2d超声图像的集合中选择2d超声图像；62.并且其中，所述显示器还被配置为：63.显示所述3d超声体积的2d绘制；64.显示虚拟超声探头，其中，所述虚拟超声探头被配置为根据胎儿生物测定工作流程在所述3d超声体积周围进行虚拟三维导航；并且65.显示所选择的2d超声图像和所述对应的全局置信指数。66.所述处理器还可以被配置为：针对所选择的具有选定平面的2d超声图像：67.将所述虚拟超声探头绕垂直于所述选定平面的法线并通过所述选定平面的中心的轴线旋转；沿着平行于所述选定平面的法线的轴线平移所述虚拟超声探头；并且68.还基于所述虚拟超声探头绕所述垂直轴线的所述旋转和所述虚拟超声探头沿着所述平行轴线的所述平移来选择2d超声图像。69.所述显示器还可以被配置为：70.将所述虚拟超声探头显示在所述3d超声体积上的以下位置：所述位置指示为了获得所选择的2d超声图像而将真实超声探头放置在真实3d体积上的位置。71.参考下文描述的(一个或多个)实施例，本发明的这些方面和其他方面将变得明显并得到阐明。附图说明72.为了更好地理解本发明并且更清楚地示出如何将本发明付诸实践，现在将仅通过举例的方式参考附图，在附图中：73.图1示出了用于获得全局置信指数的方法；74.图2示出了用于使用第一3d神经网络的方法；75.图3示出了用于使用第一2d神经网络的方法；76.图4示出了通过第一3d神经网络执行的3d分割；77.图5示出了通过第一2d神经网络执行的2d分割；78.图6示出了解剖指示物的集合的示例；79.图7示出了最优超声平面的示例；80.图8示出了在不同的虚拟探头平移下的腹围的第一示例；81.图9a和图9b示出了在不同的虚拟探头平移和旋转下的腹围测量的示例；82.图10示出了针对角度组合的集合的几何指示物的图示；并且83.图11示出了2d超声图像的三个示例。具体实施方式84.将参考附图来描述本发明。85.应当理解，虽然详细的描述和特定示例指示装置、系统和方法的示例性实施例，但是详细的描述和特定示例旨在仅用于说明的目的且并不旨在限制本发明的范围。根据下面的描述、权利要求和附图将更好地理解本发明的装置、系统和方法的这些和其他特征、方面和优点。应当理解，这些附图仅仅是示意性的且并未按缩放比例绘制。还应当理解，贯穿所有附图，使用相同的附图标记来指示相同或相似的部分。86.本发明提供了用于确定针对从3d超声体积中提取的2d超声图像的全局置信指数的方法，其中，全局置信指数指示2d超声图像对医学测量的适合性。该方法包括获得对象的3d超声体积并且从3d超声体积中提取至少一幅2d超声图像的集合。然后，利用第一神经网络获得几何指示物的集合，其中，每个几何指示物指示对象的解剖结构的几何特征。然后利用第二神经网络处理2d超声图像的集合，其中，第二神经网络的输出是解剖指示物的集合，并且其中，解剖指示物至少指示解剖界标的存在。然后基于几何指示物和解剖指示物来确定针对2d超声图像的集合中的每幅2d超声图像的全局置信指数。87.图1示出了用于获得全局置信指数114的方法。原理是让用户采集包含目标解剖结构的3d超声体积102并且从3d体积102中提取2d超声图像104。对于给定的解剖结构，不要求体积的中心切片在对应的2d标准平面上的特定对齐。通过使用所采集的体积102，第一步骤是测量目标解剖结构的几何形状(几何指示物)。将超声数据输入到第一神经网络106中，其中，第一神经网络106被训练为测量目标解剖结构的几何形状(例如，肝脏的圆周周长、股骨的长度等)并且输出几何指示物108的集合。88.并行地，运行第二神经网络110，以便评估每个提取平面的有效性并且输出解剖指示物112的集合。通过组合几何指示物108和解剖指示物112的测量结果，导出了全局置信指数114。针对每幅二维(2d)超声图像提供了全局置信指数114。89.在图1的示例中，几何指示物是根据3d体积102导出的，而解剖指示物是根据2d图像104导出的。这只是一个示例，根据下面的其他示例将会清楚地理解这一点。90.全局置信指数114可以用于向用户提出最合适的目标平面。可以将目标平面与对应的全局置信指数114一起显示。额外的显示内容可以允许评价在目标平面附近的平面的相应的全局置信指数114。91.因此，全局置信指数114能够用于辅助缺乏经验的临床医师采集与最优平面(例如，用于头围生物测定的经丘脑冠状切面)最相似的合适平面来进行2d超声测量。例如，可以在胎儿生物测定中使用全局置信指数114来采集用于测量头部、腹部和股骨的平面。在另一示例中，在对对象的肝脏进行成像时，可以使用全局置信指数114来采集最适合用于肝静脉的2d超声平面。92.找到全局置信指数114包括：使用(多个)神经网络执行3d器官分割或2d生物测定分割，并且进行2d解剖帧评分并导出针对每个帧的分数。然后，能够在肝脏用途中使用全局置信指数114来指导临床医师(例如，缺乏经验的临床医师)获得适合用于生物测定测量的超声平面/图像。93.图2示出了用于使用第一3d神经网络106a的方法。在给定3d超声体积的情况下，在步骤202中，直接在3d中分割解剖结构，在步骤204中，利用第一3d神经网络106a来分割解剖结构。在步骤206中，可以执行额外的处理以提取该结构的主长轴(例如在腹部成像中与脊柱平行的方向)，并且在步骤208中，然后从与3d体积相交的平面中提取2d超声平面。然后，根据3d分割结果与每个2d超声平面之间的相交部分来确定几何指示物108。每个2d平面的几何指示物108可以取决于其他2d超声平面的几何指示物108。94.显示器可以用于显示2d超声图像的提取内容。例如，可以显示虚拟2d探头，以便模拟将对该体积的部分进行成像的等效2d探头的多个位置。对于每幅2d图像，然后通过使用先前通过取用该平面与该体积的相交部分而获得的3d分割结果来计算目标解剖结构的测量结果。95.图3示出了用于使用替代的第一2d神经网络106b的方法。如果没有3d分割网络106a可用，则可以例如使用第一2d神经网络106b作为2d分割网络。在步骤302中获得了3d超声体积并在步骤304中对3d超声体积进行了定向之后，在步骤306中从该体积中提取2d超声图像。然后将2d超声图像输入到第一2d神经网络106b中，并且向对应的2d超声图像中的每幅2d超声图像给出几何指示物108的集合。96.在使用第一2d神经网络106b的情况下，用于对3d超声体积进行定向的方法可以例如基于对2d超声图像或3d超声体积的分割。97.在这种情况下，可以直接使用虚拟探头来模拟多个位置并且获得超声体积的部分。然后，例如，在与虚拟探头的位置相对应的2d超声图像中的每幅2d超声图像上使用2d分割网络106b，以分割每幅图像的对应的解剖结构并执行对解剖结构的测量，从而确定几何指示物108的集合。98.图4示出了通过第一3d神经网络106a执行的3d分割402。可以利用由与3d中的真实情况分割结果相关联的目标解剖结构的3d体积102组成的学习数据库来完成训练第一3d神经网络。例如，学习数据库可以是具有对应的3d分割402的胃的3d体积102。3d神经网络被训练为推断对应的解剖结构的3d分割402。第一3d神经网络的输出可以是在体积坐标中表示的3d网格或掩模。99.图5示出了通过第一2d神经网络106b执行的2d分割502。可以利用包含给定的解剖结构(腹部、头部等)的2d图像104的数据库来完成训练第一2d神经网络106b。第一2d神经网络106b被训练为分割对应的解剖结构并输出例如经分割的周长502。然后，在临床例程之后，能够将几何对象504(椭圆、圆等)拟合到网络的输出，以便提供对象的测量结果。100.图6示出了解剖指示物112的集合的示例。解剖指示物在胎儿的头部的超声图像104中示出：头部112a、丘脑112b、脉络丛112c、大脑镰112d和透明隔腔112e。可以利用包含根据临床指南所要求的解剖结构的2d图像104的数据库来训练第二神经网络110。然后，每个平面都可以与对应于其解剖内容的分数相关联。第二神经网络110的输出可以是例如包围解剖界标中的每个解剖界标的正方形以及神经网络对解剖界标的存在的自信程度的百分比。101.图7示出了最优超声平面702的示例。受到临床工作流程的启发，虚拟探头可以在以下的有组织的方法中在体积中进行虚拟导航：102.首先，沿着检测到的主轴执行平移并在不同的平移位置处提取平面。然后，使用第一神经网络106和第二神经网络110根据几何指示物108和解剖指示物112来评价每个平面。103.其次，选择与最佳全局置信指数相对应的平面，并且将该平面表示为popttrans702。点c(参考704)是探头足迹与平面popttrans702的交点。104.然后定义了可能的旋转：105.(1)从c704和所考虑的2d帧的中心o706，向量是第一旋转轴线。106.(2)到popttrans的法线702与之间的叉积定义了被表示为的第二旋转轴线。107.对于离散范围的角度和θ的值，先执行角度的(绕轴线的)旋转，然后执行角度θ的(绕轴线的)旋转，并且提取对应的平面。108.对于提取的平面中的每个平面，然后确定全局置信指数114。然后，比较针对平面中的每个平面的全局置信指数114，然后将具有指示针对生物测定测量的最大适合性的全局置信指数114的平面认为是用于获得2d超声图像的目标(最优可用)平面。这是因为，虽然平面popttrans702可以是在平移期间最合适的平面，但是可以存在以不同的角度(和/或θ)到达popttrans702的更好的平面来进行所要求的生物测定测量。109.可以根据最大数值或最小数值来确定指示最佳适合性的全局置信指数，具体取决于全局置信指数的格式。110.可以从提取的平面中选择2d超声图像的子集，以用于与对应的全局置信指数一起显示。例如，基于比较2d超声图像的对应的全局置信指数值来确定2d超声图像的子集。可以选择具有指示最大适合性的全局置信指数值(这可以是上面提到的全局置信指数的最高值或最低值)的期望数量的2d图像的子集。替代地，用于显示的图像可以基于满足全局置信指数的预定阈值或者满足全局置信指数的用户定义的阈值。111.图8示出了在不同的虚拟探头平移下的腹围的第一示例。在示例中，popttrans702对应于曲线802达到其最大值的位置。显然，可以基于任何已知的曲线拟合技术将曲线802拟合到腹围的测量点。替代地，popttrans702可以对应于具有最高值的点804。112.图9a和图9b示出了在不同的虚拟探头平移和旋转下的腹围测量的示例。腹围测量可以形成在胎儿生物测定中的几何指示物108的部分。如上所述，虚拟探头沿着腹部的主轴线平移，并且在不同(离散)的位置处执行测量。具有最佳几何指示物108的平面对应于在这种情况下具有最大圆周周长的平面902。图9a示出了表示为了选择popttrans702而测试的经平移的横截面的横截面。圆周周长902可以用于确定几何指示物(在这种情况下指示腹围)。113.一旦找到最合适的平面，就执行不同的可能的旋转。图9b示出在固定的popttrans702处的表示和的变化的组合的横截面。因此，能够基于在不同旋转下的不同圆周周长来导出最佳几何指示物。然而，最佳几何指示物可能与最佳全局置信指数无关，因为具有高几何指示物的平面可能并不包含生物测定测量所要求的解剖界标。114.在图9b中，圆周周长904是在执行了旋转之后测得的最大圆周周长。因此，代替使用圆周周长902来确定几何指示物，能够使用圆周周长904来为腹围提供更准确的几何指示物。115.图10示出了针对角度组合的集合的几何指示物的图示。x轴和y轴表示绕和θ的不同旋转，并且z轴表示指示腹围的几何指示物。然后可以使用最佳几何指示物值1002并结合其他几何指示物108和解剖指示物112来计算全局置信指数114。116.图11示出了2d超声图像的三个示例。在给定(根据几何指示物和解剖指示物的组合导出的)全局置信指数的情况下，使用可视化工具使用户了解超声平面的质量。对于任何给定的平面(图像)，可以根据该全局置信指数114对相关联的视图进行着色。底层颜色图的范围可以从绿色(良好的解剖视图，适合用于测量)到红色(不正确的视图)。例如，图11中的图像a)示出了不正确的视图并且将被着色为红色。图像b)示出了解剖结构的稍微不正确的视图，但是它确实示出了一些感兴趣解剖结构，因此它将被着色为黄色。图像c)示出了良好的解剖视图(适合用于测量)，因此将被着色为绿色。注意，该功能能够与关于手头的3d体积102中的视图的定位的指示相耦合，以便向用户给出一般背景。117.如上面所解释的，对解剖指示物和几何指示物的检测基于机器学习算法的用户。118.机器学习算法是处理输入数据以产生或预测输出数据的任何自我训练算法。这里，输入数据包括2d超声图像和/或3d超声体积，并且输出数据包括几何指示物的集合和解剖指示物的集合。119.适合用于本发明的机器学习算法对于技术人员来说是显而易见的。合适的机器学习算法的示例包括决策树算法和人工神经网络。其他机器学习算法(例如，逻辑回归、支持向量机或朴素贝叶斯模型)是合适的替代方法。120.人工神经网络(或简称为神经网络)的结构受到人脑的启发。神经网络由多层构成，每层都包括多个神经元。每个神经元都包括数学运算。特别地，每个神经元都可以包括单一类型的变换(例如，相同类型的变换、sigmoid等，但被不同地加权)的不同加权组合。在处理输入数据的过程中，对输入数据执行每个神经元的数学运算以产生数值输出，并且将神经网络中的每层的输出顺序地馈入下一层。最后一层提供输出。121.训练机器学习算法的方法是众所周知的。通常，此类方法包括获得训练数据集，所述训练数据集包括训练输入数据条目和对应的训练输出数据条目。将经初始化的机器学习算法应用于每个输入数据条目以生成预测的输出数据条目。使用所预测的输出数据条目和对应的训练输出数据条目之间的误差来修改机器学习算法。能够重复该过程，直到误差收敛并且所预测的输出数据条目与训练输出数据条目充分相似(例如±1％)为止。这通常被称为有监督的学习技术。122.例如，在机器学习算法是由神经网络形成的情况下，可以修改每个神经元的数学运算(的加权)，直到误差收敛为止。已知的修改神经网络的方法包括梯度下降、反向传播算法等。123.训练输入数据条目对应于用目标解剖结构和解剖界标注释的示例2d超声图像和/或3d超声体积。技术人员将很容易开发出用于执行本文描述的任何方法的处理器。因此，流程图的每个步骤都可以表示由处理器执行的不同动作，并且可以由处理器的相应模块来执行。124.能够利用软件和/或硬件以多种方式实施处理器以执行所要求的各种功能。处理器通常使用一个或多个微处理器，可以使用软件(例如，微代码)对这一个或多个微处理器进行编程以执行所要求的功能。处理器可以被实施为用于执行一些功能的专用硬件与用于执行其他功能的一个或多个经编程的微处理器和相关联的电路的组合。125.可以在本公开内容的各种实施例中使用的电路的示例包括但不限于常规的微处理器、专用集成电路(asic)和现场可编程门阵列(fpga)。126.在各种实施方式中，处理器可以与一个或多个存储介质相关联，这一个或多个存储介质例如为易失性和非易失性计算机存储器，例如，ram、prom，eprom和eeprom。存储介质可以被编码有一个或多个程序，这一个或多个程序在一个或多个处理器和/或控制器上被运行时执行所要求的功能。各种存储介质可以被固定在处理器或控制器内，也可以是可转移的，使得存储在其上的一个或多个程序能够被加载到处理器中。127.本领域技术人员通过研究附图、公开内容以及权利要求，在实践请求保护的发明时能够理解并实现对所公开的实施例的变型。在权利要求中，“包括”一词不排除其他元件或步骤，并且词语“一”或“一个”不排除多个。128.虽然某些措施被记载在互不相同的从属权利要求中，但是这并不指示不能有利地使用这些措施的组合。129.计算机程序可以被存储/分布在合适的介质上，例如与其他硬件一起或者作为其他硬件的部分而供应的光学存储介质或固态介质，但是也可以以其他形式分布，例如经由互联网或其他有线或无线的电信系统进行分布。130.如果在权利要求书或说明书中使用了术语“适于”，则应当注意，术语“适于”旨在等同于术语“被配置为”。131.权利要求中的任何附图标记都不应被解释为对范围的限制。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!