具体实施方式

将参照附图来描述本发明。

应该理解，在表明所述装置、系统和方法的示例性实施例的同时，详细描述和特定示例仅仅并且并非意在限制本发明的范围。通过下面的描述、所附权利要求书和附图，本发明的装置、系统和方法的优点将变得更加容易理解。应该理解，附图只是示意性的并且没有按照比例绘制。整个附图中使用相同的附图标记来标识相同或者类似的部分。

本发明提供了用于基于对采集的管腔的血管内超声数据的分析来检测血管管腔中血管内对象的存在的超声数据处理方法。所述方法包括接收包括多个帧的数据，并且每个帧包含针对多个辐射线的数据，对应于IVUS设备主体周围的不同圆周位置，并且将数据减少到针对每个帧中的每个辐射线的单个代表值。这些代表值随后被处理以推导针对至少每个帧的代表给定帧内对象的存在概率的值。基于概率值，确定数据内由血管内对象占据的区域，例如由对象占据的连续帧集合。

因而，所述方法提供对静脉或者动脉或者其它身体管腔的检测，并且使用新颖的解决方案，从而针对每个线的数据被聚集到单个值以允许更快速和更容易的处理。也可以允许为用户表示捕获的数据。该解决方案以如下视点为基础：为了检测对象，针对每个线的单个代表值提供足够的信息，这是由于对象在超声数据中清楚显示为与周围区域对比的区域(例如，按照强度值)的事实。因此，单个值能够捕获数据值在辐射线中的变化或者扩展的程度，或者线的最大强度点，其中这本身与针对帧中其它线的类似值相组合可以提供足以检测对象是否存在于该数据帧中的信息。

因而，本发明的实施例基于对数据的不同表示或者处理的使用，这在所有方向上提供对血管内扫描的概览。

本发明的实施例提出应用该简化的数据处理用于对血管内对象进行检测和/或分类，特别是人工的血管内对象，这倾向于在数据中生成大的反射，允许例如经过在数据中搜索某些对比属性来进行识别。

使用数据的这一处理来检测血管内对象、解剖结构或者病理学在本领域中不是公知的。人工血管内对象的示例通过非限制性示例的方式包括支架、护套和导线。解剖结构的示例通过非限制性示例的方式包括分叉。病理学的示例通过非限制性示例的方式包括斑块、钙化和血栓。

图4以方框图形式示出了根据本发明一个或多个实施例的示例超声数据分析方法30。方法30用于分析由血管内超声IVUS设备捕获的超声数据。

方法30包括接收32由IVUS设备捕获的超声数据的多个帧，其中，每个帧包括针对多个辐射状扫描线的数据。每个辐射状扫描线对应于沿着设备的不同辐射轴接收到的超声信号，在设备周围关于设备的纵向轴(A-A’)具有方向性的特定的旋转(或者方位)角度即，在设备周围关于设备的纵向轴(A-A’)沿不同旋转角度接收的信号。这从图1中可以更加清楚地看出，下面将进行解释。辐射轴的方向在图1中由线A-A’表示。

数据可以例如从IVUS超声设备接收。备选地，可以从通信耦合的数据存储装置或存储器接收，或者在某些示例中可以从外部或远程计算机或服务器接收。

方法30还包括，处理34针对每个帧中的每个辐射状扫描线的超声数据，以将针对每个线的数据降低到针对该线的单个代表数据值。在一些示例中可以生成多于一个的代表值，每个代表值代表整个辐射线。

方法30还包括根据代表数据值的集合来推导36对应于至少在每个帧内人工血管内对象的存在的概率的概率值的集合。

方法30还包括基于概率值来确定38在超声数据内由血管内对象占据的的区域。

在某些示例中，所述方法还可以包括生成代表确定的由血管内对象占据的区域的数据输出，例如用于传送到外部设备，例如外部计算机，或者用于传送到患者监视设备或者显示设备。可以生成控制输出，用于控制操作耦合的显示设备以显示对象检测的结果。

本发明用于分析血管内超声(IVUS)数据，意味着由IVUS设备12捕获的数据。如上面讨论的(例如参见图1)，IVUS设备典型地具有细长设备主体14并且在操作中被拉动纵向通过血管，以规则的间隔捕获帧。IVUS设备典型地包括位于其外侧表面处的超声换能器元件20的阵列16，在设备周围以圆周延伸。在从一个或多个换能器元件传输超声信号之后由一个或多个换能器元件接收的信号被组合以创建超声数据24的多个辐射线中的一个。超声数据24的辐射线可以被组合以形成多个帧25中的一个，每个帧代表被成像的管腔的局部空间切片。

每个辐射线可以通过沿着设备的特定辐射轴传输超声信号(例如，超声波束)来实现，具有特定的方位方向这意味着沿着设备周围的特定旋转角度方向反射的信号接着被接收并且提供数据的辐射线。每个辐射线可以通过沿着相应的辐射轴传输超声波束或者射线来生成。每个辐射线可以使用多个换能器元件的子集来进行传输和/或接收，以便于例如波束成形。

在操作中，设备12沿着其被插入的血管28管腔被纵向拉回。这在图2中进行说明。设备沿着圆周步进通过换能器元件的阵列20，围绕圆周的每个换能器元件(或者元件的子集)捕获超声数据的不同相应的辐射线。辐射线的每个完成外围扫掠构成针对单个帧f的数据。

根据本发明，针对每个辐射状扫描线24的数据被转换为单个代表数字，例如最大像素强度或者其标准偏差。

这些值可以被绘制在2D图中。图5中示出了示例。

该图的y轴是相应辐射线的方位(或者旋转)角度并且x轴是辐射线被包含在其中的帧编号。帧编号有效地对应于沿着管腔的纵向位置，由于在捕获连续帧的同时设备沿着管腔被纵向拉动的方式。这因而是在设备周围的每一个圆周位置处代表值(在这一示例中是最大强度值)的图，在沿着管腔的一系列纵向位置中的每一个处。

这样的图可以本身是有用的，用于向诸如临床医生的用户呈现。例如，血管侧分支在这一图中表示为暗区域(由图5中的箭头表示)。相较而言，钙化可以被检测为数据内的特征明亮区域。注意到，不要求执行数据的简要分段，由于该图提供对血管内侧的直观视图，纵轴对方位角。

当被表示为2D图时，产生的减少的数据集有效地提供被成像血管内壁的展开视图，就好像被沿着其长度切割并且与内表面平齐的放置，例如在图6中示意性说明的。

对于每个辐射状扫描线，计算针对整个线的接收到的超声信号的代表值。

通过非限制性示例的方式，代表值可以例如包括下面中的任意一个或多个：

辐射线的数据值(例如，强度值)的标准偏差(或者方差)。

辐射线的最大值(例如，强度值)。

代表沿着该线的最大数据值的位置的索引，即，沿着该线的最大值的辐射位置。

代表数据值或者沿着该线的(例如，辐射)位置的索引，沿着该线的第一像素具有超出预定义阈值的值。所述数据值是强度值。

代表沿着该线的在其处数据值的累积和达到该行数据值的总和的预先限定的百分比(例如，75％)的位置(例如，辐射位置)的索引。

匹配的滤波器的输出具有与待检测的目标对象的特征形状相匹配的滤波器内核。匹配的滤波器因而将产生采用存在目标对象的(局部)最大值的输出信号。这样，匹配的滤波器可以例如与在辐射方向上支撑的支架的尺寸和/或形状相匹配。

本发明的至少一些实施例用于识别超声数据内人工血管内对象的存在。在一些示例中可以检测的人工血管内对象的一个示例是血管内支架。

血管支架典型地由金属网格的管状长度形成，其中网格的围绕其圆周延伸的连接元件被已知为支撑体。

金属支架支撑体对入射的超声信号产生强反射。这导致沿着包含支撑体的辐射状扫描线的强度值的高最大值和/或强度值的大方差。因此，在代表值的集合与每个线的最大强度值或者方差值相对应的情况下，支撑体的位置在数据中可检测为相对高代表值(相对于周围值)的区域，即，与周围值高对比的区域。

这在图7中进行说明，图7示出了针对示例超声数据集的辐射线的最大强度值的2D图。说明的区域包含支架的一部分。X轴对应于扫描线的帧编号，y轴对应于扫描线的方位角

支架的网格交叉模式在数据中清楚可见，因为高对比的明亮区域针对较暗值的背景进行设置。

将数据处理为每个扫描线的代表值的集合相较于处理和代表捕获的IVUS数据的传统模式提供了优点。在典型的已知解决方案中，在任意分析过程中使用整个IVUS数据集，并且基于分段来执行对数据内的对象或者解剖区域的检测和识别。分段可以利用解剖模式信息，并且包括基于参考轮廓或者图像来检测可识别对象的轮廓。

然而，特别是对于血管内超声，管腔分割是不可靠的，并且非常容易出错。因而，对捕获数据的分割能够仅提供对血管壁的相对粗糙的表示，其中，会容易错失诸如血管分叉的较小细节。

本技术方案通过代替地简单分析计算的代表值，例如搜索值中的模式或者高对比区域，避免了对于分割的需要。在自身中生成这些值执行从数据中提取对于对象存在的识别最相关的关键数据点。

因而，并非应用分割，本发明的实施例遵循在3D体积呈现领域中最通常的方案，其中，通过沿着辐射指向的扫描线的集合直接评估3D体积来构成2D输出图像。扫描线沿着辐射深度方向(从血管壁的生成的2D图像的透视)延伸。

该解决方案允许根据沿着整个辐射路径收集超声数据来识别即使空间上非常小的细节的存在。例如，在检测血管分叉的情况下，沿着相同辐射路径的多个相邻数据点在创建针对这样分叉的特定的局部低强度值时有效地“协作”。

在图8的方框图中示出了根据一个或多个实施例的示例数据分析方法的示例工作流。

首先接收52原始(极化)超声数据。备选地，原始极化数据可以在这一点处以至少一些形式输出到图形用户界面(GUI)62用于由用户观察。例如，数据的某些辐射线可以被输出用于帧的完整集合。在一些示例中，这可以被输出作为图形或者视觉输出。

接着进行处理54以从每个辐射状扫描线提取单个代表值。这包括在一起形成单个帧的(辐射)超声A-线的集合内执行每辐射A-线(波束成形之后的包络线信号)代表值的逐帧计算。代表值可以提供对比机制以创建针对每个帧的数据的压缩表示。

使用按照对比或者变化属性(对比机制)代表数据的代表值理想地适合于随后检测对象存在。这是因为，它允许保留足够的信息用于检测对象的存在，例如支架、移植、导向环、导线或者任何其它血管内对象，这是因为对象倾向于与背景相比较表现出高的对比区域。因而，本发明实施例的方案至少部分地遵循以下观察：针对对比机制的至少某些选择，代表值的输出集合表现出保留足够的相关信息以实现对象的成功检测或者分类。

接着缓冲56产生的代表值的集合。备选地，推导的代表值的集合可以在这一点上被输出给图形用户界面(GUI)62，用于由用户观察。它们可以以图形或者视觉形式输出。例如，可以生成所生成的代表值的集合的2D图或者曲线，例如在图5的示例2D图中示出的，以及代表传送到相关联的GUI 62(例如显示设备或者患者监视器)的这一图形输出的控制信号。

接着向生成的代表值的集合应用对象检测过程58，其检测在数据中是否存在对象，并且优选地确定数据内由对象占据的区域。这基于推导每个帧数据中对象的存在的概率的概率代表值的集合，并且接着根据这些值来确定数据内由对象占据的区域。

接着缓冲60检测过程58的结果。检测过程的结果可以被输出到图形用户界面62，用于按照图形、文本或者任意其它形式。可选地，结果可以例如被代替地本地或者远程存储。

图9中示出了根据一个或多个实施例用于示例数据分析方法的进一步更加具体的示例工作流。在这一示例中，根据超声数据推导的代表值是最大强度值。

对于人工对象(例如，支架)存在检测的应用，已经发现使用所谓的最大强度投影(MIP)是逐线数据的有用表示。MIP被已知为在3D体积呈现中计算有效的方法，以便使作为所谓的体素值存储在3D数据缓冲器中的体积数据可视化。当应用于体积数据时，MIP产生具有3D体积在2D图像平面上的半透明投影的外观的图像

MIP以下面为基础：识别经过体积数据沿着投影线的最大强度体素或者像素，并且接着使用该值用于输出2D MIP图像。

下面是在本发明的某些实施例中类似类型的解决方案，其中，沿着每个辐射线进行最大强度投影。这意味着每个辐射线被转换为与沿着该辐射指向的扫描线的最大强度值相对应的单个值。因而，有效地，类似的MIP操作用于将原始逐帧2D超声极化数据转换为单个值(最大强度值)。

而且，根据示例的有益集合，针对每个线推导两个代表值：最大强度值本身以及代表沿着辐射状扫描线的最大值的位置的索引(这里被称为“最大强度索引”)。提取这两条信息使得能够执行某些更加稳健的对象检测过程，这将在下面进行进一步更加详细地解释。

最大强度值和最大强度索引可以被理解为两个1D向量的集合。

对于采集的帧的给定序列，最大强度值向量和最大强度索引向量可以分别被表示为相应的2D图上，与图5中的图类似。

图9和图10中示出了两个示例。每幅附图中的上图示出了对于每个辐射状扫描线的最大强度值的图，并且每幅附图中的下图示出了对于每个辐射线的最大强度索引值的图。在每一种情况下，针对y轴上的线的方位角和x轴上的帧编号来绘制值。图9对应于针对其中存在对象(特别是支架)的数据的示例集合的最大强度和索引值，并且图10对应于其中不存在对象的数据的示例集合。

图9中支架的存在通过由支架支撑体的交叉网格布置引起的特征模式来清楚地展现。相对强的反射引起明亮的局部最大强度值(上曲线)，并且支撑体间隔在最大强度索引值中引起不同的槽式模式(下曲线)。

图11示出了针对采取最大强度值和最大强度索引的提取的示例方法的示例工作流。

如在图8的工作流中，所述方法包括接收原始极化超声数据52。再次，任选地，这可以在这一阶段中被输出到图形用户界面(GUI)，例如以图形形式。所述方法可以包括呈现图形输出，或者GUI可以执行呈现。

所述方法接着包括针对接收的数据的每个辐射扫描提取55最大强度值和最大强度索引。接着被缓冲56。

接着应用对象检测过程59，其包括检测在数据中是否存在对象。

这可以基于推导代表在数据的每个帧中对象存在的概率的概率值集合，并且接着根据这些值来确定是否存在对象。

接着缓冲61对象检测过程的结果。

如果检测到对象，则接着应用边缘检测过程62来确定在对象的边缘在数据内的位置。再次，这可以基于使用根据提取的最大强度和最大强度索引值推导的概率值集合。

这一过程生成帧索引(或者帧编号)作为输出，在该帧索引内已经发现定位了边缘。这可以接着被输出到诸如GUI 70的用户显示器用于呈现给用户。

边缘位置提供本身对由诸如支架的对象占据的区域的指示。这些本质上表明了两个识别的边缘之间的区域，即，位于两个边缘位置帧之间的帧的连续集合。

下面将更加详细地描述用于执行上面每一个步骤的示例过程。

尽管在这一示例中详细讨论了使用最大强度值作为对于每个辐射线的代表值，但是本发明并不局限于使用代表值这一特定的类型。在其它示例中，针对每个扫描线的数据可以被转换到不同的代表值。上面列出了根据实施例可以使用的多个不同示例代表值。

如上面讨论的，所述方法包括根据针对辐射状扫描线的提取的代表值的集合来推导至少在每个帧内对应于血管内对象的存在的概率的概率值集合，例如，人工血管内对象。

在一些示例中，这些值可以被时间平均或者平滑，以生成根据帧编号的概率值的连续序列或者曲线。这一概率值序列可以接着被处理以检测对象占据的数据的区域(连续帧的集合)。在一些示例中，可以检测多于一个区域。

可以按照不同的方式来执行根据代表值集合生成概率值。现在将详细描述用于生成概率值集合的不同示例方法。之后，将描述用于根据概率值来检测对象存在并且确定对象在数据内的占据区域的各种示例方法。

下面将描述第一示例方法。这一解决方案基于根据每个辐射线推导最大强度值作为代表值。简要地，最大强度值将被称为“MIP值”。

用于将逐帧代表值(例如，MIP值)转换为对象(例如，支架)存在于相关联帧中的概率估计的一种示例方法基于使用随机森林(机器学习)分类器算法以及离散小波变换(DWT)以减少输入数据的维度。这一解决方案优选地使用MIP值作为代表值，并且部分地基于对支架的存在倾向于产生MIP以及MIP索引的值二者的特征模式的观察。这一解决方案已经被示出为由于相对简单的算法以及因而减小的计算复杂性而比第二方法(下面进一步描述)具有较少的计算需求。

注意到，尽管参照支架检测出于说明目的描述了下面示例，但是这仅是示例的方式。这一解决方案并不局限于检测支架。它也可以用于检测任意其它血管内对象，并且例如已经被成功测试用于在检测其它血管插入体时使用，例如但不局限于导向环或者血管移植。

这一解决方案基于离散小波变换(DWT)、标准偏差计算和随机森林(RF)分类器的组合。用于推导概率值的示例方法的工作流在图12中以方框图形式示出。

首先，IVUS超声数据的完整集合被处理82以将在每个辐射线中的数据减少到MIP值形式的单个代表值，以及附加的伴随索引，表明沿着相应线发现最大强度值处的位置。

这些输出值接着作为输入被提供到离散小波变换(DWT)84。DWT用于将数据的维度从2*256个值减少到每帧15个值(对应于包括在每个帧中的15个辐射线)。这些数字只是示例性的并且不限制本发明。

离散小波变换过程84生成所产生的小波系数的逐带方差86的集合作为输出。这些有效地提供了第二特征向量。

接着提供逐带方差或者标准偏差86作为到随机森林(RF)分类器算法88的输入。这一算法被训练为针对每个帧产生指示在相应帧中存在支架(或者其它对象)的概率的概率值(在0和1之间)。

RF分类器可以是已经基于标记的示例数据进行训练的算法。在训练之后，所述算法包括训练的决策树的集合，其组合在一起能够既用作分类器(存在或者不存在于帧中)也用作回归器(回归分析)。回归函数可以被配置为针对帧的集合产生连续概率值或者函数(或者值的序列)，分别在0和1之间。

如上所述，可以基于在由对象产生的数据内的特征模式的存在来在数据内识别对象(例如，支架)的存在。诸如支架的大多数人工对象生成相对强的反射，这导致明亮的局部MIP值，并且支撑体间隔导致MIP索引中不同的槽式模式。因而，这些不同的模式提供用于检测可能的对象存在的一种方式。分类器算法可以被训练为检测这样的模式或者使用这样的模式作为确定对象在帧内存在的概率的一部分。

概率值的集合随后可以被时间取平均或者使用逐帧滤波操作(时间滤波操作)90进行滤波，这产生局部时间平均概率值的序列。根据这些，支架(或者其它对象)的边缘可以利用适合的边缘检测过程进行检测，并且因而识别由对象占据区域。下面将进一步详细描述基于概率值来确定对象位置的示例过程。

如上所述，解决方案涉及应用离散小波变换，并且生成用于馈送到RF分类器的输出，包括小波系数的逐带方差的集合。现在将更加详细地讨论这一过程。

针对诸如小波变化的频率变换的选择基于如下观察：支架(或者其它对象)支撑体的模式在MIP值(和MIP索引)的集合中产生特征规则模式。这一模式其本质上是准周期性的。出于这一原因，特征模式(表明对象存在)可以与一个或多个特征空间频率相关联。

通过示例的方式，在有利的示例中，可以使用离散哈尔小波变换。

离散哈尔小波的使用在其相对有限的计算复杂性方面具有优势，因而使得过程更快并且更加计算有效地运行。这一简化符合哈尔基础函数的正方形。出于说明目的，这一形状在图13中示出。

连续哈尔基础小波函数ψ(t)具有形式：

归一化离散哈尔小波变换产生MIP值的输入集合的连续卷积，具有下面的滤波内核：

和

其中，高通滤波器h[n]和低通滤波器g[n]在滤波和下采样操作的级联中重复地卷积输入(MIP值)信号x[n]。

滤波和下采样操作的这一级联在图14中进行了示意性说明。在每一个分解级别110a、110b、110c，信号的下采样的低通滤波近似值形成对于下个信号分解的输入。在每个级别处，应用具有上面描绘的内核的高通滤波器h[n]和低通滤波器g[n]。

对于向支架存在检测应用变换的情况，该变换可以被应用到输入信号x[n]，包括MIP值和MIP索引。通过示例的方式，可以应用7级别变换。这可以产生总共512个输出小波系数(2*256个小波系数)。

对于每个子带，计算标准偏差(或者备选的方差)以形成2*7个逐子带标准偏差值的向量。这些值可以被理解为跨越14维度特征空间。标准偏差值的这些计算的向量形成到RF分类器算法88的输入。

用于将针对每帧中的每个辐射线的代表值的集合转换为逐帧支架存在估计(概率值)的第二示例方法基于一个或多个卷积神经网络(CNN)的使用。任选地，这些使用来自多个帧而非单个帧的输入。由于神经网络被进一步训练，这一解决方案可以变得比上面列出的第一示例解决方案更加稳健和可靠。然而，有时会计算上更加复杂。

这一解决方案提供使用小波变换的替代方案。CNN可以基于例如标记的样本数据(MIP值并且可选地也是MIP索引的样本集合)被训练。算法可以使用深度学习。

在操作中，CNN被馈送逐帧MIP值作为输入，并且产生对象在每一个相应帧中存在的0和1之间的连续概率值(或者值的序列)作为输出。

这样，使用这样的CNN可以在某些实施例中更换在上面的解决方案中使用的离散小波变化DWT、标准偏差计算和RF分类器的组合。

因而，使用这一深度学习解决方案，输入的MIP值(例如，2*256个MIP值，使用上面的示例)形成深度卷积神经网络的输入。当利用代表性评注数据进行训练时，卷积神经网络可以执行特征提取/检测(尽管是暗含和隐藏)和特征分类的功能。特征提取意味着例如检测对象的存在。特征分类意味着例如检测可能对象的集合中的哪一个对象已经被检测。

通过向CNN馈送MIP值数据而非原始的全极化数据集，神经网络的尺寸能够被保持为比否则可能的尺寸要小，这允许在计算上非常有效的实施方式。这样的小网络能够例如可行地实时运行在典型的CPU上。

图15示出了在每个帧中对象存在的逐帧概率值120的产生序列的示例，针对从每个辐射状扫描线提取的最大强度值的背景进行示出。背景图的y轴对应于辐射线方位角，并且x轴对应于每个辐射线的帧编号。

用于推导概率值集合的上面示例解决方案中的每个包括使用机器学习算法，第一解决方案使用随机森林算法，并且第二解决方案使用卷积神经网络。

现在将简要概述机器学习算法的基本原理。

机器学习算法是按顺序处理输入数据以产生输出数据的任意自训练算法。这里，输入数据可以包括在每个帧中对象存在的概率值的集合，或者针对辐射线推导的代表值的集合。输出数据包括对象的存在或者不存在，并且可以进一步包括由对象占据的数据的区域。

用于在本发明中采用的适合的机器学习算法对于本领域普通技术人员将变得明显。适合的机器学习算法的示例包括决策树算法(例如上面引用的随机森林算法)和人工神经网络。诸如逻辑回归、支持向量机或者朴素贝叶斯模型的其它机器学习算法是适合的替代。

人工神经网络(或者简单地为神经网络)的结构由人类大脑激发。神经网络由多个层构成，每个层包括多个神经元。每个神经元包括数学运算。具体地，每个神经元可以包括变换的单个类型的不同加权组合(例如，相同类型的变换、S型函数等，但具有不同的权重)。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字输出，并且神经网络中每一层的输出被顺序地馈送到下一层。最后的层提供输出。

训练机器学习算法的方法是已知的。典型地，这样的方法包括获得训练数据集，包括训练输入数据条目和相对应的训练输出数据条目。初始化的机器学习算法被应用到每个输入数据条目以生成预测的输出数据条目。预测的输出数据条目和相对应的训练输出数据条目之间的误差用于修改机器学习算法。这一过程可以重复进行，直到误差聚合，并且预测的输出数据条目与训练输出数据条目足够类似(例如，±1％)。这通常被已知为监督学习技术。

例如，在机器学习算法由神经网络形成的情况下，每个神经元的数学运算(的权重)可以被修改，直到误差聚合。修改神经网络的已知方法包括梯度下降、后传播算法等等。

训练输入数据条目对应于对象存在概率值的示例集合或者针对辐射线的完整集合的代表值集合。训练输出数据条目对应于对象在数据中的存在或者不存在和/或由对象占据的数据的区域(在对象存在的情况下)。

在生成对象存在概率值的逐帧序列(例如在图15中示出的连续概率值波形)之后，方法30还包括处理所述值以基于它们确定由血管内对象占据的超声数据的至少一个区域(例如，帧的连续子集)。

检测由对象占据的区域可以利用如下事实：特别是对于例如支架、移植、导引鞘和导线的手动人工插入体，对象具有分离且不同的大小，这导致在IVUS设备经过血管管腔拉回期间对象出现在多个连续帧中。这一贯穿有限宽度区域的连续存在的特征能够估计占据的区域，特别是沿着拉回的纵向方向对象的纵向远端和近端边缘。

检测由血管内对象占据的数据的区域(例如，连续帧的集合)可以包括至少两个解决方案中的一个。第一解决方案可以包括搜索所有具有所有高于特定阈值的相应概率值的连续帧区域，例如高于50％或者高于60％或者可以定义的任意阈值。

另一更加复杂的解决方案包括试验数据内多个可能的占据区域，评估针对每一个的预定义成本函数(基于针对完整超声数据集的概率值的推导集合)，并且接着基于识别具有最小(或者最大)成本函数结果的区域来确定对于一个或多个对象中的任意一个的最可能占据区域。

在任一情况下，所述解决方案可以包括识别对象的边缘，并且基于边缘检测推导占据的区域。备选地，所述解决方案可以包括在并未首先识别对象边缘的情况下识别占据的完整区域。

下面首先阐释第一解决方案。

根据第一解决方案，可以首先执行包括在时间上平均或者平滑概率值的初始处理步骤。时间意味着使帧编号自增的维度，即，时域对应于帧编号域。在操作中，由于帧被以规则间隔捕获，因此，帧索引可以有效地被理解为时间索引。关于时间(或者在时间上)取平均因而在这一示例中与关于使帧编号自增取平均相对应。

因而，根据一个或多个有利的实施例，执行逐帧滤波操作(时间滤波操作)，这产生局部时间平均的概率值的序列。

图16中示出了作为示例时间滤波操作的输出产生的经滤波的概率值的示例序列。这一示例示出了针对上面图15中示出的原始概率值的示例集合的经滤波的值124(以连续概率曲线的形式)。经滤波的概率曲线124被示出为叠加在其所基于的图15的代表值的2D图之上。为了容易参考，图16中示出的概率值120的原始集合直接位于时间平均的概率曲线124下方。

在图15和16中，相应的概率曲线120、124被示出为叠加在每个帧(x轴；帧索引)中的每个辐射线(y轴，方位角度)的代表值的2D图上，根据其推导出概率值。两个概率值的序列(原始和时间平均)在最大100％(或者1)和0％(0)之间变化。

时间平均或者滤波在帧索引(x轴)域进行平均或者滤波，以便对概率中的非常快速的局部变化进行平滑。

根据这一第一示例解决方案，可以基于向平均概率值的集合应用简单阈值来检测由人工血管内对象占据的超声数据内的区域。具体地，该解决方案包括识别其时间平均的概率值保持高于预定义阈值的帧的连续子集。

在有利示例中，预定义阈值可以是50％。在其它示例中，预定义阈值可以大于50％，例如60％或者70％。在其它示例中可以低于50％。阈值可以取决于上下文进行设置，例如取决于获得的数据的嘈杂程度以及指定给帧的概率的整体水平。例如，在数据嘈杂并且产生的概率值在通常低概率的区域周围变化的情况下，阈值概率值可以被设置为较低(并且在嘈杂数据导致通常高概率值集合的情况下反之亦然)。

识别具有高于预定义阈值的概率值的帧的连续集合在示例中可以包括应用矩形低通滤波器(在概率域中)，并且接着向输出应用阈值。

根据一些示例，该过程可以包括识别数据集内具有高于预定义阈值的概率值的帧的最大连续集合。这处理了其中存在满足阈值标准的多于一个区域的情形。所有区域可以被选择作为由相应对象占据的区域，或者仅可以选择帧的最长集合。可以存在代表数据中由对象占据的区域的预期典型宽度的预存储的先前信息，并且这一信息可以被应用以仅选择被发现作为通过概率阈值的区域的任意多个集合中的一个或多个。

该过程在某些示例中可以包括识别具有最高概率值的帧的最长连续集合的动态过程。这可以是针对集合的长度向概率值应用不同权重的算法，以便识别占据的最可能区域。

图16示出了在由对象占据的数据内连续帧的识别区域128。对象的识别的近端边缘(“PE”)和远端边缘(“DE”)由相应的箭头表示。

上面的解决方案具有相对简单的优点，并且因此对执行该方法的处理器提出了低计算需求。

现在将阐释用于基于概率值来确定由血管内对象占据的超声数据内的区域的第二解决方案。这一解决方案已经被发现在精确识别由对象占据的区域方面表现出更加稳健和可靠的性能，例如检测对象的边缘。

这一第二解决方案基于测试数据内的多个试验区域，该测试包括针对每个试验区域计算该试验区域的概率值集合与代表由对象精确占据的区域的概率值的等效集合之间的差异。所述测试具体地包括计算成本函数，所述成本函数包括针对贯穿试验区域的整个帧集合的计算的差异值的集合的加和作为第一项。所述成本函数还包括针对试验区域的一侧或者两侧上的帧的连续集合的概率值的加和作为进一步的一个或多个附加。

现在将更加详细地阐释这一解决方案。

这一解决方案基于如下观察：支架估计的存在倾向于根据拉回距离(或者根据帧编号)采取矩形轮廓。该概念包括测试在帧d和帧p之间延伸的区域(帧)内存在例如支架的对象的多个假设，其中，帧d和帧p分别包含远端和近端对象边缘(或者反之亦然)。对于每个试验区域(边缘位置d和p的每一个试验组合)，计算成本函数C(d,p)，与对象存在于该给定区域内的给定假设相关联。

在一些示例中可以试验占据的所有可能区域，或者，为了节约处理资源并且降低处理时间，仅是对象的可能占据区域的子集。

基于每个帧中对象存在的逐帧(原始)概率值的集合(在上面示例中阐释的步骤中计算)与覆盖测试区域的测试波(例如，方波)(代表在试验区域内侧每一帧处的100％(或者预定义图)概率和区域外侧0％概率)之间的差异来计算成本函数C(d,p)。这一测试波因而与对象占据试验区域的某一(或者预定义高)概率相对应，并且不占据任意其它区域。

这在图17中进行说明，示出了逐帧概率值142的序列，其中，示例试验区域测试波144被叠加在其上。在这种情况下，测试波是方波。

成本函数基于图17中试验区域测试曲线144与逐帧概率值曲线142之间的差异，并且由下面给出：

其中s是根据帧索引的逐帧对象存在估计(概率值)，并且其中，L是在数据集中捕获的总数量帧的数量(在经过血管完全拉回期间捕获的帧的数量)。

该过程包括识别使成本C最小化的d和p的值，即，识别针对成本函数具有最小值的区域(帧的连续集合)。

使C最小的d和p的值被选取为估计的远端和近端对象边缘位置。

在图17的概率值的示例集合中，图18中示出了导致最小成本函数的d和p的值。图18示出了连续帧的所产生的最小成本试验区域145。这一区域75因而由算法提供作为由血管内对象占据的推导区域。

C(d,p)的直接计算涉及计算针对d和p的每个组合的三个加和项。这有一些是计算低效率的。

可以考虑计算更快的解决方案。这一解决方案基于两个累积成本函数的初始计算。第一个函数N(i)描述了在帧0和帧i之间“无对象”假设的累积成本，

N的值有效地描述了在图19中阴影示出的概率曲线下方的区域148。

第二个函数S(i)描述了在帧0和帧i之间的“对象存在”假设的累积成本，

S的值有效地描述了在图20中阴影示出的概率曲线下方的区域150。

使用预计算的累积成本函数N(i)和S(i)，上面表达式(3)的三个加和项中的每个现在可以按照下面的形式进行更加有效的计算：

C(d,p)＝[N(d-1)]+[S(p)-S(d)]+[N(L-1)-N(p+1)]. (6)

在图21中描绘了针对等式(3)和(6)中的三个项中的每个的相关联区域，其中阴影区域154对应于第一项，区域156对应于第二项，并且区域158对应于第三项。

使用预计算的累积成本函数，N(i)和S(i)已经被说明为将对象区域位置估计算法的速度增加大致300的因数。

增加的速度可以根据如下事实进行理解：这一解决方案根据帧索引预计算针对两种假设的累积成本函数(支架存在和没有支架存在)，导致两个函数N(i)和S(i)。S(i)和N(i)可以被理解为简单的1D阵列。每个累积成本函数因此仅采取一个参数，而不是多个参数，导致速度增加。

具体地，在表达式(6)中可以看出，三个加和项(在表达式(3)中)中的每个由使用N(i)和S(i)的评估代替。

根据一些示例，所述方法被配置为测试d和p的所有可能组合，额外施加的约束为p-d>M，其中，M是对象被期望横跨的预定义的最小数目的帧。M的增加值降低了被测试的试验区域的数目，并且因而增加了算法速度，但是以对于比M帧小的对象的检测能力损失为代价。

根据一些示例，所述方法可以应用于检测数据内支架(例如，支架边缘)的位置。然而，检测任意其它对象也是可能的，例如由移植、导引鞘或者导线占据的连续帧的区域。这些仅代表示例的一个限制集合。

根据一个或多个示例，可以按照对象的近端边缘总是位于接收到的数据集中的最后帧处的假设形式来施加额外约束。因而，这里，p＝L-1。这极大地降低了成本函数计算的复杂度，并且也减少了要求被搜索的成本函数的数目。

使用这一假设对于例如检测血管内鞘边缘会尤其有效。这是因为，实际上，大多数IVUS拉回扫描在导引鞘的位置处结束。随着导引鞘因而倾向于出现在拉回的端部，因此拉回的最后帧通常包含导引鞘。因此，在合适情况下，固定近端边缘p为等于最后帧的索引是合理的假设。

导引鞘的内直径倾向于比健康血管的管腔要小。对于最小管腔区域的自动搜索因此可能将包含导引鞘的帧错误地识别为被成像血管的疾病区域。窄的导引鞘则被误以为是狭窄。因而，自动识别导引鞘的存在的能力对于避免这一错误是有价值的。

根据一个或多个示例，所述算法可以被配置为针对对象存在于接收的IVUS数据中的概率进行测试，该接收的IVUS数据横跨数据集中帧的整个集合。因而，这允许算法成功地处理其中对象比数据集中帧的集合的总长度长的情形，即，L<M。

在一个或多个示例中，所述算法可以被配置为允许检测帧集合内的多于一个对象，例如彼此分隔开的两个或者更多个对象。

根据本发明另一方面的示例提供了一种用于分析由IVUS设备捕获的超声数据的超声数据处理器。所述处理器适于执行下面的步骤：

接收由IVUS设备捕获的超声数据的多个帧，每个帧包括针对多个辐射状扫描线的数据，每个辐射状扫描线对应于沿着关于设备的纵向轴(A-A’)的不同旋转角度接收到的声学信号；

处理针对每个帧中的每个辐射状扫描线的超声数据，以便将针对每个线的数据减少到针对所述线的单个代表数据值；

根据代表数据值的集合来推导与至少在每个帧内的人工血管内对象的存在概率相对应的概率值的集合；

基于概率值来确定所述超声数据内由血管内对象占据的区域。

对于由处理器实现的上述步骤中的每一个的实现选项和细节可以根据上面针对本发明的方法方面提供的解释和描述来理解和解释。

上面关于本发明方法方面描述的任意示例、选项或者实施例特征或细节可以在经过适当修改后被应用或者组合或者结合到本发明的当前处理器方面中。

上面讨论的处理器可以按照各种方式来实现，利用软件和/或硬件，以便执行要求的各种功能。处理器典型地采用可以使用软件(例如微代码)进行编程以执行要求的功能的一个或多个微处理器。处理器可以被实现为专用硬件的组合以执行一些功能并且被实现为一个或多个编程微处理器和相关联电路以执行其它功能。

可以在本公开各种实施例中采用的电路的示例包括但不局限于传统微处理器、专用集成电路(ASIC)和现场可编程门阵列(FPGA)。

在各种实现中，处理器可以与诸如易失性和非易失性计算机存储器的一个或多个存储介质(例如RAM、PROM、EPROM和EEPROM)相关联。存储介质可以被编码有一个或多个程序，当在一个或多个处理器和/或控制器上执行时，所述一个或多个程序执行要求的功能。各种存储介质可以被固定在处理器或者控制器内或者可以是可运输的，以使得存储在其上的一个或多个程序能够被装载到处理器中。

根据本发明进一步方面的示例提供一种超声系统。

所述超声系统包括用于沿着多个不同的辐射状扫描线捕获血管管腔内的超声数据的血管内超声IVUS设备；以及

根据上面列出和下面描述的任意示例或者实施例或者根据本申请的任意权利要求的超声数据处理器，可操作地与血管内超声设备耦合，并且被配置为接收由IVUS设备捕获的超声数据。

本领域普通技术人员通过研究附图本公开和所附权利要求书在实践请求保护的本发明时可以理解和实现对所公开实施例的变型。在权利要求书中，词语“包括”不排除其它元素或者步骤，并且表述“一”或者“一个”不排除多个。单个处理器或者其它单元可以实现在权利要求书中引述的几个项目的功能。唯一事实在于，在共同的不同从事权利要求中引述的某些措施不表明不能够充分利用这些措施的组合。如果上面讨论了计算机程序，则它可以被存储/分布在合适的介质上，例如连同其它硬件一起提供或者作为其它硬件一部分的光学存储介质或者固态介质，但是也可以按照其它形式分布，例如经由互联网或者其它有线或无线电信系统。如果在权利要求书或者说明书中使用表述“适合于”，则注意到表述“适合于”意在等同于表述“被配置为”。权利要求书中的任意附图标记不应该被构筑为限制保护的范围。