[发明专利]基于自动器官识别的全自动图像优化

说明书

提供了基于自动器官识别的全自动图像优化的系统和方法。在医学成像系统中，在基于特定成像技术的医学成像期间，正被成像的区域中的解剖特征可以被自动辨别，并且基于该解剖特征的辨别，可以自动确定用于优化所辨别的解剖特征的成像质量的一个或多个成像参数或设置。然后，可以基于所确定的一个或多个成像参数或设置来配置成像功能，并且根据基于该配置采集的医学成像数据集的处理，用于渲染的一个或多个医学图像。可以使用基于深度学习和/或神经网络的模型来辨别解剖特征并选择一个或多个成像参数或设置。

技术领域

本公开的方面涉及医学成像。更具体地，某些实施例涉及用于基于自动器官识别的全自动图像优化的方法和系统。

背景技术

各种医学成像技术可以例如用于对人体中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、计算机断层扫描(CT)、磁共振成像(MRI)等。在医学成像期间生成图像的方式取决于特定的技术。

例如，超声成像使用实时非侵入性高频声波来产生通常在人体内的器官、组织、物体(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(基本上实时/连续的3D图像)。在医学成像期间，成像数据集(包括例如3D/4D成像期间的体积成像数据集)被采集并且用于实时生成和渲染对应的图像(例如，经由显示器)。

用于优化医学成像的常规方法可能存在各种问题。就这一点而言，用于在医学成像操作期间优化图像质量的常规系统和方法，如果存在的话，可能是低效和/或无效的。

通过参考附图将这些系统与本申请的其余部分中所阐述的本公开的某些方面进行比较，本领域技术人员将会明白常规和传统方法的进一步的缺陷和缺点。

发明内容

提供了用于基于自动器官识别的完全自动图像优化的系统和方法，基本上如结合至少一个附图所示出和/或描述的，正如在权利要求中更全面地阐述的。

从下面的描述和附图将更充分地理解本公开的这些和其它优点、方面和新颖特征以及其一个或多个图示的示例性实施例的细节。

根据本公开的各种实现可以涉及基于自动器官识别的全自动图像优化。根据本公开的示例性方法可以包括在医学成像设备中：在基于特定成像技术的医学成像期间，自动辨别(例如，不需要用户的任何输入)正被成像的区域中的解剖特征；基于解剖特征的辨别而自动确定(例如，不需要用户的任何输入)一个或多个成像参数或设置，以用于优化所辨别的解剖特征的成像质量；基于所确定的一个或多个成像参数或设置，配置所述医学成像设备中的成像功能；基于该配置采集对应于正被成像的区域的医学成像数据集；以及基于医学成像数据集的处理而生成用于渲染的一个或多个医学图像。特定的成像技术包括超声成像；并且使用捕获的回波超声信号采集医学成像数据集。

在示例性实现中，可以使用基于深度学习和/或神经网络的模型来辨别解剖特征并选择一个或多个成像参数或设置。基于深度学习和/或神经网络的模型可以被预先训练，以用于识别一个或多个解剖特征。基于深度学习和/或神经网络的模型可以被预先训练，以用于为每个识别的解剖特征选择一个或多个成像优化参数或设置。基于深度学习和/或神经网络的模型可以基于来自一个或多个用户的反馈数据来生成和/或更新，反馈数据与特定解剖特征的识别和/或优化成像有关。

在示例性实现中，可以在专用计算系统中收集和处理至少一些反馈数据。基于深度学习和/或神经网络的模型和/或基于深度学习和/或神经网络的模型的更新可以从专用计算系统导入到医学成像设备。

在示例性实现中，在医学成像期间，基于解剖特征的辨别来处理用户输入和/或输出。

在示例性实现中，基于解剖特征的辨别将所生成的一个或多个图像并入到与解剖特征相关的信息中。