用于确定胎儿神经系统的状况的系统和方法.pdf

《用于确定胎儿神经系统的状况的系统和方法.pdf》由会员分享，可在线阅读，更多相关《用于确定胎儿神经系统的状况的系统和方法.pdf（21页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 202010255399.3 (22)申请日 2020.04.02 (30)优先权数据 16/372,446 2019.04.02 US (71)申请人 通用电气公司 地址 美国纽约州 (72)发明人 苏瓦迪普慕克吉 拉胡尔文卡塔拉马尼 阿努普里娅戈格纳 斯蒂芬安岑格鲁贝 (74)专利代理机构 上海专利商标事务所有限公 司 31100 代理人 侯颖媖钱慰民 (51)Int.Cl. G16H 30/20(2018.01) G06N 3/08(2006.01) (54)发明名称 用于。

2、确定胎儿神经系统的状况的系统和方 法 (57)摘要 本发明提供了一种用于确定神经系统状况 的方法， 所述方法包括在指导的扫描程序期间使 用第一深度学习网络来获得产妇受试者的多个 平面中的第一扫描平面的估计。 所述方法还包括 接收与所述初始估计相对应的三维(3D)超声体 积， 以及根据所述第一深度学习网络确定最佳第 一扫描平面。 所述方法还包括基于所述最佳第一 扫描平面和与所述多个平面相对应的临床约束 中的至少一者， 使用第二深度学习网络来确定所 述多个平面中的第二扫描平面、 第三扫描平面和 第四扫描平面中的至少一者。 所述方法包括基于 所述多个平面中的至少一者使用第三深度学习 网络来确定与神经。

3、系统相对应的生物计量参数。 权利要求书3页 说明书10页 附图7页 CN 111798965 A 2020.10.20 CN 111798965 A 1.一种方法， 包括： 在指导的扫描程序期间使用第一深度学习网络来获得与产妇受试者的胎儿相对应的 第一扫描平面的初始估计， 其中所述扫描平面包括经丘脑平面(TTP)、 经心室平面(TVP)、 正 中矢状平面(MSP)或经小脑平面(TCP)中的一者； 接收与所述第一扫描平面的所述初始估计相对应的所述胎儿的三维(3D)超声体积； 基于所述3D超声体积和所述第一扫描平面的所述初始估计根据所述第一深度学习网 络确定最佳第一扫描平面； 基于所述3D超声体积。

4、、 所述最佳第一扫描平面、 以及与所述TTP、 所述TVP、 所述MSP或所 述TCP相对应的临床约束中的至少一者， 使用对应的第二深度学习网络来确定第二扫描平 面、 第三扫描平面或第四扫描平面中的至少一者， 其中所述第二扫描平面、 所述第三扫描平 面或所述第四扫描平面中的所述至少一者包括所述TTP、 所述TVP、 所述MSP或所述TCP中的 一者并且与所述第一扫描平面明显不同； 基于所述第一扫描平面、 所述第二扫描平面、 所述第三扫描平面或所述第四扫描平面 中的至少一者以及所述临床约束， 使用第三深度学习网络来确定与所述胎儿的神经系统相 对应的生物计量参数； 以及 基于所述生物计量参数确定所。

5、述胎儿的神经系统状况。 2.根据权利要求1所述的方法， 其中确定所述最佳第一扫描平面包括： 基于所述初始估计生成多个TTP候选； 使用所述第一深度学习网络来确定与所述多个TTP候选中的每一个相对应的质量得分 以生成多个质量得分； 确定所述多个质量得分中的最小得分； 以及 选择所述多个TTP候选中的与所述最小得分相对应的TTP候选作为最佳TTP。 3.根据权利要求2所述的方法， 其中确定所述第二扫描平面包括： 对所述最佳TTP进行分割以基于所分割的TTP来检测中线大脑镰和TTP中点； 基于所述中线大脑镰来确定与所述MSP相对应的平面参数矢量； 以及 根据所确定的平面参数来生成最佳MSP。 4.根。

6、据权利要求3所述的方法， 其中确定所述第三扫描平面包括： 生成多个TVP候选， 其中所述多个TVP候选中的每一个平行于所述最佳TTP且正交于所 述MSP； 通过使用所述第二深度学习网络来确定最佳TVP； 以及 通过由所述第二深度学习网络处理所述多个TVP候选来估计最佳TVP。 5.根据权利要求4所述的方法， 其中确定所述第四扫描平面包括： 生成多个TCP候选， 其中所述多个TCP候选中的每一个正交于所述最佳MSP并且以预定 角度跨度内的角度定向成垂直于所述最佳TTP； 以及 通过由所述第二深度学习网络处理所述多个TVP候选来估计最佳TCP， 其中所述第二学 习网络被进一步配置为确定最佳TCP。。

7、 6.根据权利要求5所述的方法， 其中确定所述生物计量参数包括基于所述最佳TTP、 所 述最佳MSP、 所述最佳TCP或所述最佳TVP中的一者或多者来确定头围(HC)、 双顶径(BPD)、 枕 额径(OFD)、 经小脑径(TCD)、 与小脑延髓池(CM)相关的维度、 半球(HEM)和颈褶(NF)、 前脑室 权利要求书 1/3 页 2 CN 111798965 A 2 (Va)、 透明隔腔(CSP)或后脑室(Vp)中的至少一者。 7.根据权利要求1所述的方法， 其中确定所述神经系统状况包括将所述生物计量参数 与预定阈值进行比较以及基于所述比较来选择与所述神经系统相对应的选项。 8.根据权利要求7。

8、所述的方法， 其中确定所述神经系统状况包括执行图像分割以及使 用第四深度学习网络来确定所分割的图像中的对象， 其中使用多个带注释的图像来训练所 述第四深度学习网络。 9.根据权利要求8所述的方法， 其中确定所述神经系统状况包括识别所述对象的位置 以及使用卡尺放置算法来执行自动化测量。 10.一种系统， 包括： 超声扫描探头， 所述超声扫描探头被配置为在指导的扫描程序期间使用第一深度学习 网络来获得与产妇受试者的胎儿相对应的第一扫描平面的初始估计， 其中所述扫描平面包 括经丘脑平面(TTP)、 经心室平面(TVP)、 正中矢状平面(MSP)或经小脑平面(TCP)中的一者； 数据获取单元， 所述数。

9、据获取单元通信地耦接到所述超声探头并且被配置为接收由所 述超声扫描探头获得的扫描数据； 学习单元， 所述学习单元通信地耦接到所述数据获取单元并且被配置为： 从所述数据获取单元接收与所述第一扫描平面的所述初始估计相对应的所述胎儿的 三维(3D)超声体积； 基于所述3D超声体积和所述第一扫描平面的所述初始估计根据所述第一深度学习网 络确定最佳扫描平面； 基于所述3D超声体积、 所述最佳第一扫描平面、 以及与所述TTP、 所述TVP、 所述MSP或所 述TCP相对应的临床约束中的至少一者， 使用对应的第二深度学习网络来确定第二扫描平 面、 第三扫描平面或第四扫描平面中的至少一者， 其中所述第二扫描平。

10、面、 所述第三扫描平 面或所述第四扫描平面包括所述TTP、 所述TVP、 所述MSP或所述TCP中的一者并且与所述第 一扫描平面明显不同； 基于所述第一扫描平面、 所述第二扫描平面、 所述第三扫描平面或所述第四扫描平面 中的至少一者以及所述临床约束， 使用第三深度学习网络来确定与所述胎儿的神经系统相 对应的生物计量参数； 以及 诊断单元， 所述诊断单元通信地耦接到所述学习单元并且被配置为基于所述生物计量 参数来确定所述胎儿的神经系统状况。 11.根据权利要求10所述的系统， 其中所述学习单元被配置为： 基于所述初始估计生成多个TTP候选； 使用所述第一深度学习网络来确定与所述多个TTP候选中的。

11、每一个相对应的质量得分 以生成多个质量得分； 确定所述多个质量得分中的最小得分； 以及 选择所述多个TTP候选中的与所述最小得分相对应的TTP候选作为最佳TTP。 12.根据权利要求11所述的系统， 其中所述学习单元被配置为： 对所述最佳TTP进行分割以基于所分割的TTP来检测颅骨的中线和TTP中点； 基于所述中线来确定与所述MSP相对应的平面参数矢量； 以及 根据所确定的平面参数生成所述MSP作为最佳MSP。 权利要求书 2/3 页 3 CN 111798965 A 3 13.根据权利要求12所述的系统， 其中所述学习单元被配置为： 生成多个TVP候选， 其中所述多个TVP候选中的每一个平行。

12、于所述最佳TTP且正交于所 述MSP； 接收被配置为确定最佳TVP的所述第二深度学习网络； 以及 通过由所述第二深度学习网络处理所述多个TVP候选来估计最佳TVP。 14.根据权利要求13所述的系统， 其中所述学习单元被配置为： 生成多个TCP候选， 其中所述多个TCP候选中的每一个正交于所述最佳MSP并且以预定 角度跨度内的角度定向成垂直于所述最佳TTP； 以及 通过由所述第二深度学习网络处理所述多个TVP候选来估计最佳TCP， 其中所述第二学 习网络被进一步配置为确定最佳TCP。 15.根据权利要求14所述的系统， 其中所述学习单元被配置为基于所述最佳TTP、 所述 最佳MSP、 所述最佳。

13、TCP和所述最佳TVP中的一者或多者来确定头围(HC)、 双顶径(BPD)、 枕额 径(OFD)、 经小脑径(TCD)、 小脑延髓池(CM)和后脑室(Vp)中的至少一者。 16.根据权利要求10所述的系统， 其中所述诊断单元被配置为将所述生物计量参数与 预定阈值进行比较以及基于所述比较来选择与所述神经系统相对应的选项。 17.根据权利要求16所述的系统， 其中所述诊断单元被配置为执行图像分割以及使用 第四深度学习网络来确定所分割的图像中的对象， 其中使用多个带注释的图像来训练所述 第四深度学习网络。 18.根据权利要求17所述的系统， 其中所述诊断单元被配置为识别所述对象的位置以 及使用卡尺放。

14、置算法来执行自动化测量。 19.一种非暂态计算机可读介质， 所述非暂态计算机可读介质具有使得至少一个处理 器单元能够进行以下操作的指令： 在指导的扫描程序期间使用第一深度学习网络来获得与产妇受试者的胎儿相对应的 第一扫描平面的初始估计， 其中所述扫描平面包括经丘脑平面(TTP)、 经心室平面(TVP)、 正 中矢状平面(MSP)或经小脑平面(TCP)中的一者； 接收与所述第一扫描平面的所述初始估计相对应的所述胎儿的三维(3D)超声体积； 基于所述3D超声体积和所述第一扫描平面的所述初始估计根据所述第一深度学习网 络确定最佳扫描平面； 基于所述3D超声体积、 所述最佳第一扫描平面、 以及与所述T。

15、TP、 所述TVP、 所述MSP或所 述TCP相对应的临床约束中的至少一者， 使用对应的第二深度学习网络来确定第二扫描平 面、 第三扫描平面或第四扫描平面中的至少一者， 其中所述第二扫描平面、 所述第三扫描平 面或所述第四扫描平面包括所述TTP、 所述TVP、 所述MSP或所述TCP中的一者并且与所述第 一扫描平面明显不同； 基于所述第一扫描平面、 所述第二扫描平面、 所述第三扫描平面或所述第四扫描平面 中的至少一者以及所述临床约束， 使用第三深度学习网络来确定与所述胎儿的神经系统相 对应的生物计量参数； 以及 基于所述生物计量参数确定所述胎儿的神经系统状况。 权利要求书 3/3 页 4 CN。

16、 111798965 A 4 用于确定胎儿神经系统的状况的系统和方法 背景技术 0001 本说明书的实施方案整体涉及超声成像， 并且更具体地讲， 涉及以有效方式获取 扫描数据并处理所获取的扫描数据以用于诊断目的的系统和方法。 在评估胎儿神经系统的 状况的背景下解释了本说明书的实施方案。 0002 通常， 超声成像技术包括朝向人体中的确定部分(例如， 胎儿、 肾脏等)发射超声 束， 并且然后对反射束进行处理以获得与软组织或血流的一部分相关联的图像。 超声系统 具有体积小、 价格便宜、 可实时显示、 以及安全的优点， 因为受试者不会暴露于X射线和其他 有害辐射。 0003 超声成像技术通常用于在怀。

17、孕期间确定胎儿的健康。 具体地， 通常通过测量几何 参数(诸如胎儿的颈部半透明(NT)的厚度)来识别胎儿中的染色体异常。 厚NT的存在确定了 唐氏综合症或其他染色体异常(诸如心脏畸形或特纳氏综合症)。 相同的染色体异常也可以 通过使用超声成像来测量各种几何参数而确定。 在识别胎儿中的唐氏综合症的情况下， 可 以测量上颚和鼻背之间的角度(即前上颌骨面部(FMF)角度)。 另选地， 唐氏综合症还可以基 于测量双顶径(BPD)、 头围(HC)、 腹围(AC)、 股骨长度(FL)等来确定。 可以基于所测量的几何 参数来估计胎儿的胎龄和体重。 0004 胎儿的几何参数的测量需要从超声数据中获得准确的矢状。

18、、 横向和其他标准扫描 平面视图。 通常， 扫描平面图是基于医师的经验来确定的。 因此， 可能的是， 胎儿的NT的测量 厚度或上颚与背鼻之间的FMF角可能具有一些误差并且可能与实际值不同。 因此， 导致难以 进行准确的诊断。 有时， 在确定扫描平面和对应的几何参数时采用半自动技术， 其中需要人 工干预来完成对胎儿健康的评估。 然而， 此类技术受患者解剖结构的变化以及由操作员引 入的变化的影响。 发明内容 0005 根据本说明书的一个方面， 公开了一种方法。 方法包括在指导的扫描程序期间使 用第一深度学习网络来获得与产妇受试者的胎儿相对应的第一扫描平面的初始估计。 扫描 平面包括经丘脑平面(TT。

19、P)、 经心室平面(TVP)、 正中矢状平面(MSP)和/或经小脑平面(TCP) 中的一者。 方法还包括接收与第一扫描平面的初始估计相对应的胎儿的三维(3D)超声体 积。 方法还包括基于3D超声体积和第一扫描平面的初始估计根据第一深度学习网络确定最 佳第一扫描平面。 方法还包括基于3D超声体积、 最佳第一扫描平面、 以及与TTP、 TVP、 MSP和/ 或TCP相对应的临床约束中的至少一者， 使用对应的第二深度学习网络来确定第二扫描平 面、 第三扫描平面和/或第四扫描平面中的至少一者。 第二扫描平面、 第三扫描平面和第四 扫描平面中的每一者包括TTP、 TVP、 MSP和/或TCP中的一者并且。

20、与第一扫描平面明显不同。 方法包括基于第一扫描平面、 第二扫描平面、 第三扫描平面和/或第四扫描平面中的至少一 者以及临床约束， 使用第三深度学习网络来确定与胎儿的神经系统相对应的生物计量参 数。 方法还包括基于生物计量参数确定胎儿的神经系统状况。 0006 根据本说明书的另一个方面， 公开了一种系统。 系统包括超声扫描探头， 该超声扫 说明书 1/10 页 5 CN 111798965 A 5 描探头被配置为在指导的扫描程序期间使用第一深度学习网络来获得与产妇受试者的胎 儿相对应的第一扫描平面的初始估计。 扫描平面包括经丘脑平面(TTP)、 经心室平面(TVP)、 正中矢状平面(MSP)和/。

21、或经小脑平面(TCP)中的一者。 系统还包括数据获取单元， 该数据获 取单元可通信地耦接到超声探头并且配置为接收由超声扫描探头获得的扫描数据。 系统还 包括学习单元， 该学习单元可通信地耦接到数据获取单元并且被配置为从数据获取单元接 收与第一扫描平面的初始估计相对应的胎儿的三维(3D)超声体积。 学习单元被进一步配置 为基于3D超声体积和第一扫描平面的初始估计根据第一深度学习网络确定最佳扫描平面。 学习单元还被配置为基于3D超声体积、 最佳第一扫描平面、 以及与TTP、 TVP、 MSP和/或TCP相 对应的临床约束中的至少一者， 使用对应的第二深度学习网络来确定第二扫描平面、 第三 扫描平面。

22、和/或第四扫描平面中的至少一者。 第二扫描平面、 第三扫描平面和/或第四扫描 平面中的每一者包括TTP、 TVP、 MSP和/或TCP中的一者并且与第一扫描平面明显不同。 学习 单元还被配置为基于第一扫描平面、 第二扫描平面、 第三扫描平面和/或第四扫描平面中的 至少一者以及临床约束， 使用第三深度学习网络来确定与胎儿的神经系统相对应的生物计 量参数。 系统还包括诊断单元， 该诊断单元可通信地耦接到学习单元并且被配置为基于生 物计量参数来确定胎儿的神经系统状况。 0007 一种非暂态计算机可读介质， 该非暂态计算机可读介质具有使得至少一个处理器 单元能够进行以下操作的指令： 在指导的扫描程序期。

23、间使用第一深度学习网络来获得与产 妇受试者的胎儿相对应的第一扫描平面的初始估计。 扫描平面包括经丘脑平面(TTP)、 经心 室平面(TVP)、 正中矢状平面(MSP)和/或经小脑平面(TCP)中的一者。 指令还使得至少一个 处理器能够接收与第一扫描平面的初始估计相对应的胎儿的三维(3D)超声体积。 另外， 指 令还使得至少一个处理器能够基于3D超声体积和第一扫描平面的初始估计根据第一深度 学习网络确定最佳扫描平面； 以及基于3D超声体积、 最佳第一扫描平面、 以及与TTP、 TVP、 MSP和/或TCP相对应的临床约束中的至少一者， 使用对应的第二深度学习网络来确定第二 扫描平面、 第三扫描平。

24、面和/或第四扫描平面中的至少一者。 第二扫描平面、 第三扫描平面 和/或第四扫描平面中的每一者包括TTP、 TVP、 MSP和/或TCP中的一者并且与第一扫描平面 明显不同。 指令还使得至少一个处理器能够基于第一扫描平面、 第二扫描平面、 第三扫描平 面和/或第四扫描平面中的至少一者以及临床约束， 使用第三深度学习网络来确定与胎儿 的神经系统相对应的生物计量参数； 以及基于生物计量参数确定胎儿的神经系统状况。 附图说明 0008 当参考附图阅读以下详细描述时， 将更好地理解本发明实施方案的这些和其他特 征和方面， 其中附图中相同的符号在所有附图中表示相同的部分， 其中： 0009 图1是根据示。

25、例性实施方案的用于确定胎儿中的神经系统状况的系统的图解图 示； 0010 图2是示出根据示例性实施方案的经丘脑平面(TTP)的选择的图像， 0011 图3A至图3C是示出根据示例性实施方案的胎脑的扫描平面的选择的图像， 0012 图4是示出根据示例性实施方案的经心室平面(TVP)的选择的图像； 0013 图5是示出根据示例性实施方案的经小脑平面(TCP)的选择的图像； 0014 图6是根据示例性实施方案的用于确定胎儿的神经系统的状况的工作流程的示意 说明书 2/10 页 6 CN 111798965 A 6 图； 并且 0015 图7是根据示例性实施方案的用于确定胎儿的神经系统的状况的方法的流。

26、程图。 具体实施方式 0016 如将在下文中详细描述的， 呈现了用于超声成像的系统和方法。 更具体地， 系统和 方法被配置为使得操作员能够以有效方式获取扫描数据以用于诊断目的。 在使用三维(3D) 超声图像数据集来评估胎儿神经系统的背景下解释本说明书的实施方案。 0017 术语 “矢状平面” 、“冠状平面” 和 “横向平面” 分别是指受试者的三维解剖结构中的 横向、 正向和侧向平面。 矢状平面将身体分成左部分和右部分， 冠状平面将身体分成前部分 和后部分， 并且横向平面将身体分成上部分和底部分。 后部分也称为 “背部部分” 或 “后部部 分” 并且前部分也称为 “腹侧部分” 或 “前部部分” 。

27、。 将身体分成相等的左右部分的矢状平面 称为 “中矢状平面” 并缩写为MSP。 顶部分称为 “上部分” 或 “颅部分” 并且底部分也称为 “下部 分” 或 “尾部分” 。 前缀 “经” 通常与感兴趣器官的3D体积中的解剖结构一起使用以指代与该 解剖结构相关联的平面。 例如， 在本文中缩写为TVP的术语 “经心室平面” 包括侧脑室的前部 分和后部分。 侧脑室的前部分(额角或前角)表现为两个逗号形的充满液体的结构， 并具有 明确限定的侧壁， 以及在中间被透明隔腔(CSP)分开。 缩写为TTP的术语 “经丘脑平面” 包括 丘脑和海马回。 缩写为TCP的术语 “经小脑平面” 与小脑部分和小脑延髓池相关。

28、。 术语 “正中 矢状平面” 是指沿着矢状缝合线的平面。 术语 “侧矢状平面” 是指将身体分成与矢状平面平 行的左右部分的平面。 有时， 术语侧矢状平面也指与矢状平面成角度地分开的平面。 术语 “胎儿超声检查” 用于指使用沿轴向和矢状平面获取的超声图像来评定胎儿的中枢神经系 统(CNS)的状况。 0018 图1是用于确定与受试者106相关的医学状况的超声扫描器100的图解图示。 在特 定示例中， 受试者106可以是在早期妊娠期间例如通过胎儿超声检查进行评定以评估胎儿 健康、 监测胎脑发育或两者的孕妇。 根据本说明书的示例性实施方案， 超声扫描用于评定胎 儿的中枢神经系统(CNS)的状况。 超声。

29、扫描器100包括超声扫描探头108， 操作员104使用该 超声扫描探头来检查受试者106并生成大体由附图标号102表示的超声扫描数据。 超声扫描 器100还包括数据处理系统114， 该数据处理系统可通信地耦接到超声扫描探头108并且被 配置为接收超声扫描数据102。 数据处理系统114被进一步配置为基于超声扫描数据102生 成大体由附图标号110表示的输出数据。 在一个实施方案中， 输出数据110可以是以对于操 作员104的反馈的形式， 以便对扫描操作进行修改或调整以使得能够更准确地执行扫描操 作。 在另一个实施方案中， 输出数据110可以是可呈现给操作员104的图像数据。 在又一个实 施方案。

30、中， 输出数据110可以是与受试者106的感兴趣器官的诊断状况相对应的诊断信息。 在一个非限制性示例中， 诊断状况可以是表示胎儿中枢神经系统的发育不足或不完全发育 的发育不良状况。 在另一个非限制性示例中， 诊断状况可以是表示胎儿中枢神经系统的异 常发育的发育异常状况。 超声扫描器100还包括用于将输出数据110呈现给操作员104的输 出设备112。 输出设备112可以包括监视器、 扬声器、 触觉设备或其他设备。 0019 在所示的实施方案中， 数据处理系统114包括经由通信总线126彼此耦接的数据获 取单元116、 学习单元118、 诊断单元120、 存储器单元122和处理器单元124。 在。

31、一个实施方案 中， 单元116、 118、 120、 122、 124中的每一者可以包括至少一个处理元件(诸如处理器或控制 说明书 3/10 页 7 CN 111798965 A 7 器)、 一个或多个存储器芯片、 用于接收相应单元所需的输入数据的至少一个输入引线、 以 及用于将来自相应单元的输出数据提供给一个或多个其他单元或设备的至少一个输出引 线。 另外， 单元116、 118、 120、 122、 124中的每一者还可以包括与以下中的一者或多者交接的 电路： 其他单元、 超声扫描探头108、 输出设备110和大体由附图标号128表示的用户输入。 0020 在示例性实施方案中， 超声扫描探。

32、头108被配置为在指导的扫描程序中获得与产 妇受试者的胎儿相对应的第一扫描平面的初始估计。 学习单元118被配置为在操作员获取 初始估计时提供指导。 第一扫描平面包括MSP、 TTP、 TVP和TCP中的一者。 学习单元118被配置 为接收平面类型作为输入， 并且在检查产妇受试者时随着超声扫描探头的移动估计指定扫 描平面的质量。 使得操作员能够基于估计的质量或基于他/她的经验或两者， 将指定扫描平 面的良好估计识别为第一扫描平面。 另外， 超声扫描探头108被配置为以半自动方式或完全 以自动方式获取与第一扫描平面的初始估计相对应的三维(3D)超声体积。 所获取的3D超声 体积在本文中被称为 “。

33、超声扫描数据” 。 0021 数据获取单元116可通信地耦接到超声扫描探头108并且被配置为接收超声扫描 数据102。 超声扫描数据102包括与产妇受试者的胎儿相对应的3D超声体积。 数据获取单元 116可以包括与超声扫描探头108交接并且将超声扫描数据102解释为图像帧的必要电路。 数据获取单元116还被配置为从操作员控制台(诸如但不限于键盘或触摸显示器)接收用户 输入128。 数据获取单元116还被配置为将超声扫描数据102传输到存储器单元122并且从存 储器单元检索历史数据。 数据获取单元116还被配置为从超声扫描探头108接收第一扫描平 面的初始估计。 0022 学习单元118可通信地。

34、耦接到数据获取单元116并且被配置为接收第一扫描平面 的初始估计。 学习单元118包括一个或多个学习网络、 机器学习模块， 其被配置为学习和估 计扫描平面、 与扫描平面相关联的生物特征参数和神经系统状况。 在一个实施方案中， 学习 单元118被配置为辅助操作员选择第一扫描平面的良好初始估计。 学习单元118采用第一深 度学习网络以提供由超声探头108获取的扫描平面的质量指示符。 另外， 学习单元118还被 配置为基于初始估计来生成第一扫描平面的多个估计作为第一扫描平面候选。 第一扫描平 面的初始估计的平面参数在预定的值范围内变化以生成多个第一扫描平面候选的平面参 数。 学习单元118被进一步配。

35、置为使用第一深度学习网络根据多个第一扫描计划候选确定 最佳的第一扫描平面候选。 具体地， 第一深度学习网络被配置为确定与多个第一扫描平面 候选中的每一个相对应的质量得分并且生成多个质量得分。 另外， 可以确定多个质量得分 中的最小得分。 在一个实施方案中， 学习单元118被配置为在多个第一扫描平面候选中选择 与最小得分相对应的第一扫描平面候选。 学习单元118还被配置为使用对应的第二深度学 习网络基于3D超声体积、 最佳的第一扫描平面来确定第二扫描平面、 第三扫描平面和第四 扫描平面中的至少一者。 第二扫描平面、 第三扫描平面和第四扫描平面中的每一者是MSP、 TTP、 TVP和/或TCP中的。

36、一者并且与第一扫描平面明显不同。 在此可以注意到， 第一扫描平 面、 第二扫描平面， 第三扫描平面和/或第四扫描平面中的每一者唯一地映射到MSP、 TTP、 TVP和/或TCP。 通过第二学习网络的对平面的确定是基于实践中使用的指定临床指南。 作为 临床指南的示例， MSP基于与产妇受试者体内的解剖结构相关的解剖或几何特性来确定。 作 为临床指南的另一个示例， MSP被约束为与TTP正交且与TVP平行。 作为临床指南的又一个示 例， TCP被约束为与MSP正交且与TTP平行。 类似地， 可以注意到， 临床指南还将TVP约束为与 说明书 4/10 页 8 CN 111798965 A 8 TCP。

37、平行。 0023 在第一实施方案中， 第一扫描平面对应于TTP， 第二平面对应于正中矢状平面 (MSP)， 第三扫描平面对应于经小脑平面(TCP)， 并且第四扫描平面对应于经心室平面 (TVP)。 在第二实施方案中， 第一扫描平面对应于TVP， 第二扫描平面对应于TTP， 第三扫描平 面对应于MSP， 并且第四扫描平面对应于TCP。 在第三实施方案中， 第一扫描平面对应于TCP， 第二扫描平面对应于MSP， 第三扫描平面对应于TTP， 并且第四扫描平面对应于TVP。 在第四 实施方案中， 第一扫描平面对应于MSP， 第二扫描平面对应于TCP， 第三扫描平面对应于TTP， 并且第四扫描平面对应于。

38、TVP。 0024 具体地， 在第一实施方案中， 学习单元118被配置为分割最佳TTP以基于分割的最 佳TTP来检测颅骨的中线和TTP的中点。 学习单元118还被配置为基于颅骨的中线确定与MSP 相对应的平面参数矢量。 学习单元118被进一步配置为根据确定的平面参数生成MSP。 在另 一实施方案中， 学习单元118被配置为生成TVP的多个估计作为TVP候选。 在特定实施方案 中， 通过改变最佳TTP的平面参数和MSP的平面参数来生成多个TVP候选， 使得多个TVP候选 中的每一个平行于最佳TTP且正交于MSP。 在这种实施方案中， 学习单元118被进一步配置为 接收第二深度学习网络， 该第二深。

39、度学习网络被配置为确定最佳TVP。 另外， 学习单元118被 配置为通过由第二深度学习网络处理多个TVP候选来估计最佳TVP。 第二深度学习网络被配 置为生成与多个TVP候选相对应的多个质量得分。 多个质量得分中的每一个表示对应TVP候 选与3D体积中的期望TVP的接近度。 由学习单元118选择多个质量得分中的最小得分， 并且 将对应TVP候选识别为最佳TVP。 0025 另外， 在第一实施方案中， 学习单元118被配置为生成多个TCP估计作为TCP候选。 可以通过在预定值范围内改变最佳MSP的平面参数和最佳TTP参数来生成多个TCP候选。 生 成多个TCP候选， 使得多个TCP候选中的每一个。

40、正交于最佳MSP， 或者通过预规定角度跨度内 的角度定向到最佳TTP的垂线。 另外， 学习单元118被配置为通过使用第二深度学习网络处 理多个TCP候选来估计最佳TCP。 在这种情况下， 第二学习网络被进一步配置为确定最佳 TCP。 学习单元118被进一步配置为基于MSP、 TCP和TVP中的至少一者和几何约束， 使用第三 深度学习网络来确定与胎儿的神经系统相对应的生物计量参数。 在一个实施方案中， 学习 单元118被配置为基于最佳TTP、 MSP、 TCP和TVP中的一者或多者来确定头围(HC)、 双顶径 (BPD)、 枕额径(OFD)、 经小脑径(TCD)、 小脑延髓池(CM)和后脑室(V。

41、p)中的至少一者。 0026 诊断单元120可通信地耦接到学习单元118， 并且被配置为基于生物计量参数来确 定胎儿的神经系统状况。 在图1中， 神经系统状况大体由附图标号130表示。 另外， 诊断单元 120被配置为使用第四深度学习网络来确定对象分割。 第四深度学习网络被训练为使用多 个带注释的图像来执行图像分割。 另选地， 可以训练第四深度学习网络来确定无分割的解 剖结构的位置(或存在)。 具体地， 第四深度学习网络可以被训练为使用界标检测网络或根 据一个或多个病理图像对健康图像进行分类的分类网络。 在另一实施方案中， 诊断单元120 被配置为识别分割图像上的位置并且使用卡尺放置算法来执行。

42、自动化测量。 在一个实施方 案中， 诊断单元120被配置为将生物计量参数与预定阈值进行比较并且基于该比较来选择 诊断选项。 在一个实施方案中， 选项是指神经系统状况和与神经系统状况相关联的类别。 另 外， 选项可以包括诸如显示神经系统状况并在显示设备上打印类别的动作。 0027 在第二实施方案中， 学习单元118被配置为将最佳TVP确定为第一扫描平面。 另外， 说明书 5/10 页 9 CN 111798965 A 9 学习单元118被配置为生成与最佳TVP平行的多个TTP候选。 学习单元118还被配置为根据 TTP中的镰形内突估计中线并且通过中线正交地放置MSP。 学习单元118被配置为确定。

43、空间 中的与MSP正交的多个TCP候选。 学习单元118被配置为确定通过平行偏移从TTP围绕镰形内 突的中点旋转约三十五度以确定TCP的平面。 0028 在第三实施方案中， 学习单元118被配置为将最佳TCP确定为第一扫描平面。 另外， 学习单元118被配置为生成与最佳TCP平行的多个MSP候选。 学习单元118还被配置为根据 TCP中的镰形内突估计中线并且通过中线正交地放置MSP。 学习单元118被配置为确定空间 中的与MSP正交的多个TTP候选。 学习单元118被配置为确定通过平行偏移从TCP围绕镰形内 突的中点旋转约三十五度以确定TTP的平面。 学习单元118还被配置为要与TTP平行的确。

44、定 TVP。 0029 在第四实施方案中， 学习单元118被配置为将最佳MSP确定为第一扫描平面。 另外， 学习单元118被配置为使用基于解剖学的技术和多个平面中的几何约束来确定TCP。 具体 地， 在一个实施方案中， 学习单元118被配置为基于最佳MSP来确定小脑和透明隔腔中的至 少一者的位置。 另外， 由学习单元118确定多个TCP候选。 多个TCP候选中的与小脑和透明隔 腔中的至少一者正交的平面被视为所需的TCP。 学习单元118还被配置为确定与TCP平行并 且围绕TCP的镰形内突的中点旋转的TTP。 最后， 学习单元118还被配置为确定与TCP平行的 TVP。 0030 处理器单元12。

45、4可通信地耦接到存储器单元122， 并且被配置为对数据获取单元 116、 学习单元118和诊断单元120执行控制操作。 处理器单元还被配置为控制进/出存储器 单元120的数据的存储和检索。 在一些实施方案中， 处理器单元124还可以辅助执行或可以 执行数据获取单元116、 学习单元118和诊断单元120的功能。 处理器单元124包括图形处理 单元(GPU)、 一个或多个微处理器和微控制器。 处理器单元124还包括专用电路或硬件， 诸如 但不限于现场可编程门阵列(FPGA)、 专用集成电路(ASIC)。 尽管处理器单元124被示为单个 处理器， 但可以使用共同定位或分布在多个位置并且被配置为协同。

46、操作的多个计算元件。 在替代性实施方案中， 处理器单元124可以是云服务或作为服务机制的任何其他计算。 0031 存储器单元122可通信地耦接到数据获取单元116并且被配置为存储超声扫描数 据102。 另外， 存储器单元122还被配置为接收由操作员在扫描期间提供的用户输入128或在 扫描程序开始时设置的超声扫描参数。 存储器单元120可以被进一步配置为向学习单元118 提供输入并且将输出存储在诊断单元120中。 存储器单元120可以是单个存储器存储单元或 耦接在一起以按照协调方式工作的多个较小的存储器存储单元。 在一个实施方案中， 存储 器单元120可以是随机存取存储器(RAM)、 只读存储器。

47、(ROM)或闪存存储器。 存储器单元122 还可以包括但不限于基于磁盘、 磁带、 或硬件驱动器的存储器单元。 可以注意到， 存储器单 元122的一部分也可以作为硬件单元或作为提供计算和存储服务的云服务设置在远程位置 处。 在一个实施方案中， 存储器单元122可以预加载有深度学习模型、 以标记的解剖信息形 式的训练数据、 以及历史图像数据。 在一些实施方案中， 训练数据可以被标记有多个属性， 诸如但不限于受试者的年龄、 区域、 性别和医疗状况。 0032 图2是示出根据第一实施方案的经丘脑平面(TTP)的选择的图像200。 图像200包括 由学习单元(诸如图1的学习单元118)使用初始TTP估计。

48、来生成的多个TTP候选204。 图像200 还包括从多个TTP候选204中选择的TTP候选206。 选择TTP候选206以使得TTP候选206具有与 说明书 6/10 页 10 CN 111798965 A 10 多个TTP候选相对应地生成的多个质量得分中的最小得分。 可以通过使用第一深度学习网 络处理多个候选204中的每一个来生成多个质量得分。 可以从存储器单元122检索第一深度 学习网络以用于生成多个质量得分。 在一个实施方案中， 通过使用存储在存储器单元122中 的标记的超声图像训练神经网络来生成第一深度学习网络。 在该实施方案中， 标记信息包 括表示TTP候选与期望TTP平面的分开的数。

49、值。 较低数值指示接近期望的TTP候选， 并且较大 数值指示TTP候选与期望TTP平面相距的距离增加。 还可以注意到， 在替代性实施方案中， 当 最大数值得分指示TTP候选与期望TTP候选接近时， 可以选择多个质量得分中的最大得分。 训练是在超声波扫描器的离线模式下执行的， 并且已训练的深度学习网络存储在存储器单 元122中。 0033 图3A至图3C是示出根据第一实施方案的胎脑的扫描平面的选择的图像300、 304、 312。 图像300和304对应于TTP候选(诸如图2中由数字206所指的候选)并且图像312对应于 正中矢状平面(MSP)。 图像300示出了颅骨302， 硬脑膜的脑膜层的大。

50、镰刀状新月形折叠320， 其在人脑的大脑半球之间的纵裂中垂直下降。 使用应用于图像300的分割技术为选定TTP候 选206确定颅骨302。 图像304是示出颅骨中线的TTP候选图像300的副本。 在图像304中， 在图 像304中还示出了选定TTP候选206的中线大脑镰308和中点306。 还使用分割的颅骨图像302 确定中点306。 在图像304中示出了MSP的法线310。 另外， 使用分析方程基于所检测的中线大 脑镰308和法线310来确定MSP的平面参数。 最后， 根据计算的参数生成MSP。 示出纹理图314 的图像312对应于所生成的MSP。 图像MSP中的垂直线316示出了对应于图像。