JP6930668B2 - 超音波診断システム - Google Patents

Description

本発明は、超音波を照射して被検体の断層画像を作成する超音波診断システムに関する。

非侵襲性である超音波による診断システムは、生体を直接切開して観察する外科手術の必要がないため、被検体内部の情報を診断する技術として医療分野で広く用いられている。

超音波診断の一手法である超音波ＣＴ（Computed Tomography）は、超音波を被検体に照射し、反射超音波や透過超音波を用いて被検体の断層画像を作成するものであり、近年の研究により、乳がんの検出に有用性があることが示されている。超音波ＣＴは、例えば、超音波の送受信を行う多数の素子をリング状に配置したリング型アレイトランスデューサを使用し、断層像を作成する。

例えば、超音波を送信する素子を順に切り替えながら、エコー信号を全素子で受信し、ＲＦデータ（生データ）として保存する。そして、ＲＦデータに基づいて、断層画像を表す画像信号を生成する。

従来、断層画像を再構成する際に、音速を一定とみなすなどの近似演算を行っていた。近似演算によりＲＦデータの情報量が削減されるため、鮮明な断層画像を形成することが困難になり、診断精度向上の妨げとなっていた。

国際公開第２０１７／０５１９０３号

本発明は、上記従来の実状に鑑みてなされたものであり、正確で鮮明な超音波画像を生成する超音波診断システムを提供することを目的とする。

本発明による超音波診断システムは、被検体に対する超音波の送信及び前記被検体から反射される反射超音波の受信の少なくともいずれか一方を行う複数の素子と、超音波を送信する素子を切り替えながら、前記反射超音波の測定データを前記複数の素子の少なくとも一部を介して収集するデータ収集部と、音響特性の分布で表現された被検体モデルと、前記複数の素子のサイズ及び配列を模擬したシミュレーション空間上で素子を切り替えながら超音波を送信し、前記被検体モデルからの反射超音波を複数の素子の少なくとも一部で受信したシミュレーション測定データと、を含む学習データを用いて学習することで、入力された前記測定データから前記被検体の断層画像を出力する第１学習器と、を備えるものである。

本発明による超音波診断システムは、被検体に対する超音波の送信及び前記被検体から反射される反射超音波の受信の少なくともいずれか一方を行う複数の素子と、超音波を送信する素子を切り替えながら、前記反射超音波の測定データを前記複数の素子の少なくとも一部を介して収集するデータ収集部と、自然画像に基づく輝度画像と、前記複数の素子のサイズ及び配列を模擬したシミュレーション空間上で素子を切り替えながら超音波を送信し、前記輝度画像に基づく音響特性分布からの反射超音波を複数の素子の少なくとも一部で受信したシミュレーション測定データと、を含む学習データを用いて学習することで、入力された前記測定データから前記被検体の断層画像を出力する第１学習器と、を備えるものである。

本発明の一態様によれば、前記データ収集部が収集した前記測定データを前記第１学習器に入力し、該第１学習器から出力された断層画像を取得する画像取得部をさらに備える。

本発明の一態様によれば、学習用断層画像と、該学習用断層画像に含まれる腫瘍箇所を特定する腫瘍情報とを含む学習データを用いて学習することで、被検体の断層画像における腫瘍の有無の判定及び腫瘍箇所の特定が可能な第２学習器と、前記画像取得部が取得した前記断層画像を前記第２学習器に入力し、該第２学習器の出力データに基づいて、該断層画像における腫瘍の有無の判定結果、及び腫瘍がある場合は腫瘍箇所の情報を出力する判定部と、をさらに備える。

本発明の一態様によれば、前記複数の素子は被検体の周囲に配置されている。

本発明によれば、正確で鮮明な超音波画像を生成できる。

本発明の実施形態における超音波診断システムの概略構成図である。 図１のＡ−Ａ線断面図である。 演算装置の機能ブロック図である。 測定データの模式図である。 超音波の伝播の模式図である。 着目箇所の部分ＲＦデータを示す図である。 学習器の概略構成図である。 画像再構成方法を示す模式図である。 図９ａは生体モデルを示し、図９ｂは計測画像を示し、図９ｃは学習器の出力から再構成された画像を示す図である。 複数の素子での送受信の例を示す図である。 部分ＲＦデータの例を示す図である。 図１２ａ、図１２ｂは超音波の伝搬経路の例を示す図であり、図１２ｃは部分ＲＦデータを示す図である。 輝度画像を密度分布に変換する例を示す図である。 図１４ａは輝度画像を示し、図１４ｂは密度分布画像を示し、図１４ｃは再構成画像を示す。

以下、図面を参照して本発明についてさらに詳細に説明する。本発明の実施形態に係る超音波診断システムは、人体等の被検体に超音波を照射し、受信した反射波信号を用いて断層像（超音波画像）を作成する。医師は、作成された断層像を確認し、診断を行う。

図１に示すように、本実施形態に係る超音波診断システム１０は、リングアレイＲと、スイッチ回路１１０と、送受信回路１２０と、演算装置１３０と、画像表示装置１４０とを備えている。

リングアレイＲは、複数の振動子が組み合わさって構成される、好ましくは直径８０〜５００ｍｍ、より好ましくは直径１００〜３００ｍｍのリング型形状の振動子である。また、リングアレイＲは、直径を可変とする構成をとることもできる。本実施形態では一例として、４つの凹面型振動子Ｐ０１〜Ｐ０４を組み合わせたリング形状の振動子を用いる。

例えば、凹面型振動子Ｐ０１〜Ｐ０４が、それぞれ５１２個の短冊形圧電素子Ｅ（以下、単に「素子Ｅ」とも呼ぶ。）を有する場合、リングアレイＲは２０４８個の素子Ｅから構成されることになる。凹面型振動子Ｐ０１〜Ｐ０４に設けられる素子Ｅの数は限定されず、好ましくは１〜１０００個である。

各素子Ｅは、電気的信号と超音波信号とを相互変換する機能を有する。素子Ｅは被検体Ｔに超音波を送信し、被検体Ｔで反射される反射波を受信し、電気的信号を測定データとして形成する。

本実施形態では、各素子Ｅが、超音波の送信及び受信の両方の機能を備えるものとして説明するが、これに限定されない。例えば、超音波の送信機能及び受信機能のうちいずれか一方のみを有する送信素子又は受信素子を使用し、複数の送信素子及び複数の受信素子をリング状に配置してもよい。また、送信及び受信の両方の機能を備える素子と、送信素子と、受信素子とが混在する構成であってもよい。

図２は、図１のＡ−Ａ線断面図である。例えば、リングアレイＲは、穴の開いたベッドの下に、ベッドの穴と挿入部ＳＰとが重畳するように設置される。被験者はベッドの穴から、撮像対象となる身体の部位（被検体Ｔ）を挿入部ＳＰに挿入する。

被検体Ｔを挿入するための挿入部ＳＰは、リングアレイＲの中央に設けられている。リングアレイＲの複数の素子Ｅは、リングに沿って挿入部ＳＰの周囲に等間隔で設けられている。リングアレイＲの内周側には、音響レンズと呼ばれる凸面レンズが表面に取り付けられている。このような表面加工をリングアレイＲの内周側に施すことで、各素子Ｅが送信する超音波を、リングアレイＲを含む平面内に収束させることができる。

本実施形態では、各素子Ｅを等間隔にリング状に配置しているが、リングアレイＲの形状は円形に限定されず、例えば、六角形、正方形、三角形など任意の多角形、少なくとも一部に曲線や円弧を含む形状、その他任意の形状、または、これらの形状の一部（例えば、半円や円弧）であってもよい。すなわち、リングアレイＲは、アレイＲと一般化することができる。また、アレイＲを構成する各素子Ｅの配置は、被検体Ｔの周囲を断続的に少なくとも９０度またはそれ以上囲むような配置であれば好ましいものの、これらに限定されるものではない。

リングアレイＲはスイッチ回路１１０を介して送受信回路１２０に接続されている。送受信回路１２０（制御部）は、リングアレイＲの素子Ｅに制御信号（電気的信号）を送信し、超音波の送受信を制御する。例えば、送受信回路１２０は、素子Ｅに対して、送信する超音波の周波数や大きさ、波の種類（連続波やパルス波等）等を指示する。

スイッチ回路１１０は、リングアレイＲの複数の素子Ｅの各々に接続されており、送受信回路１２０からの信号を任意の素子Ｅに伝達し、素子Ｅを駆動させ、信号の送受信を行わせる。例えば、スイッチ回路１１０が、送受信回路１２０からの制御信号を供給する素子Ｅを切り替えることで、複数の素子Ｅのいずれかを、超音波を送信する送信素子として機能させ、複数（例えば全て）の素子Ｅで反射波を受信させる。

リングアレイＲは、ステッピングモータ等により上下動可能に設置されている。リングアレイＲを上下動させて、被検体Ｔの全体のデータ収集を行うことができる。

次に、複数の素子Ｅにより得られたデータである測定データ（ＲＦデータ）について説明する。１つの送信素子から送信された超音波は被検体Ｔで反射し、複数の受信素子で受信される。これにより、第１軸が受信素子番号、第２軸が反射波到達時間となる２次元のＲＦデータが得られる。送信素子を切り替えながら測定を行うことで、送信素子数分の２次元データが得られる。言い換えれば、図４に示すような、第１軸が受信素子番号、第２軸が反射波到達時間、第３軸が送信素子番号となる３次元のＲＦデータが得られる。

図５は、１つの送信素子Ｅｔから送信された超音波が、１つの点散乱体ＰＳ（被検体Ｔの１点）で反射（散乱）し、複数の受信素子Ｅｒ１、Ｅｒ２、Ｅｒ３で受信される様子の模式図である。超音波の伝播経路（伝播距離）が異なるため、各受信素子への反射波到達時間も異なる。

そのため、各受信素子で測定される点散乱体ＰＳでの反射波は、第１軸が受信素子番号、第２軸が反射波到達時間となる２次元のＲＦデータでは曲線を描く。また、各受信素子で測定される点散乱体ＰＳでの反射波は、３次元のＲＦデータでは、図６に示すような曲面Ｃ上に分布する。本実施形態では、曲面Ｃに対応する部分ＲＦデータを抽出し、部分ＲＦデータを学習済みの学習器に入力し、点散乱体ＰＳに対応する部分再構成画像を出力する。

図３に示すように、演算装置１３０は、例えばＣＰＵ、通信部、記憶部Ｍ等を備えたコンピュータにより構成されている。記憶部Ｍは、例えばＲＡＭ、ＲＯＭ、ハードディスク等を有する。記憶部Ｍに格納された画像再構成プログラムが実行されることで、データ収集部１３５及び画像取得部１３６等の機能が実現され、測定データ格納領域１３３が記憶部Ｍに確保される。各部による処理については後述する。

記憶部Ｍには、学習器１３１が記憶される。学習器１３１は、各ユニット（ニューロン）に関する重み及びバイアスなどの各パラメータ、並びに、入力データに対して処理を行うための処理実行プログラムである。記憶部Ｍに学習器１３１が記憶されるとは、学習１３１に関する各種パラメータと処理実行プログラムが記憶部Ｍに記憶されることを意味する。

学習処理部１３４は、記憶部Ｍに格納された学習データ１３２を用いて、学習器１３１の学習処理を実行する。学習データ１３２は、音響特性の分布で表現された生体モデル（被検体モデル）に対し、シミュレーション空間上で、リングアレイＲの複数の素子Ｅのサイズ及び配列を模擬し、送信素子を切り替えながら複数の素子で生体モデルからの反射超音波を受信したシミュレーションのＲＦデータと、生体モデルの計測画像（音響インピーダンスの空間勾配強度などの生体モデルの音響特性から算出される理想的な計測画像）とを含む。シミュレーションＲＦデータと計測画像との組は、複数準備される。

シミュレーションＲＦデータを学習器１３１に入力し、学習器１３１の出力データが計測画像の画素値に適合するように、学習器１３１を学習する。

学習器１３１は、ニューラルネットワークを用いたものとなっている。図７は、学習器１３１の構造を示す図である。学習器１３１の入力データは、複数の入力変数ｘ_１、ｘ_２、ｘ_３・・・を含んでいる。各入力データの入力変数は、シミュレーションＲＦデータに含まれる各受信素子の受信信号の値である。

学習器１３１は、それぞれが複数のユニットＵを含む複数の層を含んで構成される。通常、最も入力側に位置する入力層、最も出力側に位置する出力層、及び、入力層と出力層の間に設けられる中間層を含んで構成される。図７の例では、中間層は１層となっているが、中間層は複数あってもよい。

各入力変数は、入力層の各ユニットＵに入力される。各ユニットＵにおいては、各入力変数に対する重みｗ_１、ｗ_２、ｗ_３・・・、及びバイアスｂが定義されている。各入力変数と対応する重みが掛け合わされた値の合計にバイアスを加算した値が当該ユニットＵの入力ｕとなる。

各ユニット５０は、入力ｕに対する、活性化関数と呼ばれる関数ｆの出力ｆ（ｕ）を出力する。活性化関数としては、例えばシグモイド関数、ランプ関数、あるいはステップ関数などを利用することができる。入力層の各ユニットＵからの出力は、中間層の各ユニットに入力される。すなわち、入力層の各ユニットＵと中間層の各ユニットは全結合される。

中間層の各ユニットは、入力層の各ユニットＵの出力を入力として、上記と同様の処理を行う。すなわち、中間層の各ユニットには、入力層の各ユニットＵに対する重みとバイアスが設定されている。中間層の各ユニットからの出力は、出力層の各ユニットに入力される。すなわち、中間層の各ユニットと出力層の各ユニットも全結合される。

出力層の各ユニットも、中間層の各ユニットの出力を入力として、上記と同様の処理を行う。すなわち、出力層の各ユニットには、中間層の各ユニットに対する重みとバイアスが設定されている。

出力層の各ユニットの出力が学習器１３１の出力データとなる。出力データに含まれる出力変数ｙ_１、ｙ_２、ｙ_３・・・は、再構成画像の各画素の画素値となる。

学習処理１３４は、シミュレーションＲＦデータに対する出力データにおいて、出力変数の値が、計測画像の画素値に近付くように、各層の各ユニットの重み及びバイアスを調整する。

データ収集部１３５は、スイッチ回路１１０及び送受信回路１２０を介して、複数の素子により得られたデータである測定データ（ＲＦデータ）を収集（受信又は取得することを含む）する。ＲＦデータは、記憶部ＭのＲＦデータ格納領域１３３に格納される。

画像取得部１３６は、ＲＦデータから着目箇所に対応する部分ＲＦデータを抽出する。図８に示すように、画像取得部１３６は、十分に学習された学習器１３１に対して部分ＲＦデータを入力データとして入力し、学習器１３１から出力される部分再構成画像の画素値を取得する。画像取得部１３６は、関心領域に含まれる複数の着目箇所について上述の処理を繰り返し行う。これにより、被検体Ｔの関心領域に対応する断層画像を再構成することができる。再構成画像は画像表示装置１４０に表示される。特に本発明においては、複数の着目箇所を１つの画像上に膨大に設定することにより、学習のためのデータ生成時間を大きく向上することが可能である。例えば、画素数がＮ^２、画素毎の情報の独立性が、担保されない近接画素の距離がｎの場合、オーダーとしてＮ^２／ｎ^２の着目箇所を設定することが可能であり、数値シミュレーションに要する時間コスト、データサイズを大幅に削減することが可能となる。

図９ａは生体モデルの一例であり、物質の密度分布を示す。図９ｂはこの生体モデルの計測画像である。図９ｃは、この生体モデルに対するシミュレーションＲＦデータを学習済みの学習器１３１に入力し、出力データから得られる再構成画像の例を示す。鮮明な再構成画像が得られることが確認された。

このように、本実施形態によれば、近似演算等を行わずに、ＲＦデータ（部分ＲＦデータ）をそのまま学習器１３１に入力するため、ＲＦデータの情報量を削減することなく、正確な画像再構成を行うことができる。また、本実施形態によれば、学習器１３１の学習には、シミュレーションで作成した教師データを用いることができる。ここで、教師データとして臨床画像を利用する場合、学習の精度を担保するためには、一般的に、医師の診断結果を含有する臨床画像が大量に必要とされる。しかし、臨床画像を必要十分に収集することは容易ではない。また、人が診断したデータのみを使用する結果、既存の画像データの範囲を超える画像は学習できず、適用するデータのサンプルの偏りを完全に排除することは難しい。従って、シミュレーションで作成した教師データを用いることで、教師データ作成コストを抑え、教師データの偏りや精度のばらつきを低減することができる。

記憶部Ｍには、断層画像（例えば過去の医用画像）と、断層画像に含まれる腫瘍箇所を特定する腫瘍情報とを含む学習データを用いて学習し、被検体の断層画像における腫瘍の有無の判定及び腫瘍箇所の特定が可能な第２学習器がさらに記憶されていてもよい。

演算装置１３０は判定部をさらに有し、判定部は、画像取得部１３６が取得した断層画像を第２学習器に入力し、第２学習器の出力データに基づいて、断層画像における腫瘍の有無の判定結果、及び腫瘍がある場合は腫瘍箇所の情報を出力する。

学習器１３１に入力する部分ＲＦデータは、図６に示すような曲面Ｃに対応するＲＦデータだけでなく、その周辺のＲＦデータを含んでいてもよい。

送信条件数Ｎ，受信素子数Ｍ、時間方向のサンプル点数ｎを用いると、図６で示す部分ＲＦデータのサイズはＮ×Ｍ×ｎとなる。ここまでの説明では、ｎにどのような値を設定するか、詳細の説明を行っていない。音速不均質の影響が小さい条件においては、ｎ＝１もしくはそれに近い値を設定することができる。一方、音速不均質の影響が大きい条件においては、図５に示す、距離から、伝搬時間に換算する際における不確定性が大きくなる。このため、ｎは比較的大きな値を設定することが好ましい。例えば、経路上の存在する可能性がある媒質において、音速が最も早かった場合と、遅かった場合の伝搬時間差を、サンプリング周期で除したものに、バラツキの分散を掛けた値をｎとする。このようにｎを設定することで、本発明の構成による学習により得られる効果として、音速不均質の補正効果が期待できる。

図１２ａは、超音波の伝搬経路の一例を示す図である。送信点ＬＴから送信され、各散乱点ＰＩで反射された反射波を受信点ＬＲで受信する時、送信点ＬＴから受信点ＬＲへの伝搬時間は、リングアレイによって囲まれる円領域の半径をＲ、当該円の中心と散乱点ＰＩとの距離をｄとし、送信点ＬＴから散乱点ＰＩとの距離をＬ_ＴＸ、散乱点ＰＩから受信点ＬＲとの距離をＬ_ＲＸ、送信点ＬＴの位置を（Ｒ、ω）、受信点の位置を（Ｒ、θ）とすると、下記の式１にて求められる。

伝搬時間は距離に比例するため、ある時刻tにおける伝搬時間を下記の式２のように示すことができる。

図１２ｂは、送信点ＬＴから送信され、点散乱体Ｐ_０、Ｐ_１、Ｐ_２での反射波を受信点ＬＲｎで受信する場合の、超音波の伝搬経路の例を示す図である。図１２ｃは、送信点をＬＴとした場合のＲＦデータを示し、縦軸を受信素子番号、横軸を時間軸（反射波到達時間）としている。

例えば、点散乱体Ｐ_０の位置を特定するとき、時刻ｔ_０のＲＦデータには、点散乱体Ｐ_０からの反射波成分だけでなく、点散乱体Ｐ_１、Ｐ_２からの反射波成分も含まれる。そこで、学習器１３１に入力する部分ＲＦデータを時刻ｔ_０のみでなく、時刻ｔ_０を含むある程度の幅を持つものとする（時間方向のサンプル点数ｎを大きくする）ことが好ましい。各散乱点が持つＲＦデータは、位置に由来する固有の軌道をもち、また散乱点各々が持つ生体組織の特性に依存する散乱強度によって異なる信号強度を有するなど、散乱点固有の情報を含むため、時間幅において連続性のある情報を利用する事で、点散乱体Ｐ_１、Ｐ_２各々のＲＦデータの特性からの反射波成分の影響が検出し易くなり、着目している点散乱体Ｐ_０に対応する部分再構成画像の画質を向上させることができる。学習器１３１に入力する部分ＲＦデータの時間幅が狭すぎると他のＲＦデータとの識別が難しくなり、時間幅が広すぎると深層学習の工数コストがかかるため、両方の条件を満たす十分な幅とすることが好ましい。

次に、本発明を音速不均質補正以外の別用途に用いた実施例について説明を行う。リングアレイを用いた撮像では、送信条件数が多くなることで、撮像時間が長くなり、取得ＲＦデータの大きさも大きくなる。中心周波数に対して、適切なサンプリング周波数を設定したＲＦデータにおいて、送信条件数が１００のオーダー、受信素子数が１０００のオーダーの場合、一断面当たりのデータサイズは数百ＧＢのオーダーとなり、乳房全体の三次元データでは、１ＴＢと相当に膨大なデータ量となってしまう。

一方、信号対雑音比が低下する領域を作らないためには、多方向から超音波エネルギーを入れることで、撮像領域全体に音響エネルギーを投入することは有効である。従来の開口合成法においては、どの送信点（Ｅｔ）、散乱点（ＰＳ）、受信点（Ｅｒ）が確定することで、伝搬時間がもとまり、画像化を行うことができる。しかし、本発明の方法によれば、図１０に示すように、複数のＥｔ（図では３つのＥｔの例）から同時に送信し、それぞれのＥｒで受信すると、図１１に示すように、帯状の領域が、対応したデータが格納された領域である。（当然、この帯内のデータが全て、対応するデータのみで構成されるわけではない）。

従来の開口合成法においては、ラインＣが帯状の領域に広がったことにより、画像がぼやけてしまう。一方、本発明では、この帯状のデータから部分RFデータを抽出し、学習にかけることで、ぼやけを抑制しつつ、送信条件数が少ないことに起因する領域内の信号対雑音比のムラも抑制した画像化が可能となる。この結果として、撮像時間の短縮や、ＲＦデータの総データ量の削減が可能となる。

なお、本発明にて、生体モデル中を伝搬する超音波について、シミュレーション計算は、波動方程式を時間領域有限差分法により求めることや、Ray Tracingの方法などにより算出することが可能である。生体モデルは、空間を離散化し、各離散点における音速、密度、減衰率などを設定することによって、得られる。この時、超音波の散乱は音速と密度の積である音響インピーダンスの空間勾配によって与えられるので、減衰率は、音速不均質とおなじように外乱として与えられることになる。このような外乱に対してロバスト性のある学習を行うことも、多様な生体モデルを用いて学習することの利点である。

学習器１３１の学習には、シミュレーションによる生体モデルの代わりに、動物や風景等の自然画像をグレースケール変換した輝度画像を教師データとして用いてもよい。自然画像は様々な空間周波数成分を含んでおり、医用画像において撮像対象となる生体内の環境により近くなるからである。人工的にランダムパターンの画像を作成して、学習用の生体モデルを構築すると、低い空間周波数成分に比べて相対的に高い空間周波数成分が多くなり、臨床画像として本来トレーニングするべき特徴とずれが生じてしまう。臨床画像が大量に入手可能であれば、目的に適するが、一般に臨床画像を沢山集めることは困難であり、かつ臨床画像には空間解像度の限界があり、十分高い空間周波数を含んでいないことも学習用のモデルとして必ずしも適していない。自然画像を活用することは、上記の２つの点で有利である。

この場合、まず、輝度画像を音響特性分布画像に変換する。なお、本実施形態では、音響特性分布画像として密度分布画像を用いる例について説明するが、例えば、音速分布像などにも適用が可能である。画像変換には、下記の数式を用いることができる。下記の数式において、σ_ｉ（ｘ、ｙ）は画素（ｘ、ｙ）に対応する密度、σ_０は基準密度、Ｉ（ｘ、ｙ）は輝度画像の画素（ｘ、ｙ）の［０，１］の輝度（画素値）、σ_ｍａｘは最大振幅、εは［−１，１］の乱数である。

σ_ｉ（ｘ、ｙ）＝σ_０＋Ｉ（ｘ、ｙ）＊σ_ｍａｘ＊ε

図１３は、白色部分、黒色部分、白色部分が順に配置された画素列（輝度画像）を密度分布に変換する例を示す。

密度分布に対し、シミュレーション空間上で、リングアレイＲの複数の素子Ｅのサイズ及び配列を模擬し、送信素子を切り替えながら複数の素子で密度分布からの反射超音波を受信したシミュレーションのＲＦデータ（測定データ）を学習器１３１に入力する。学習器１３１の出力データが輝度画像の画素値に適合するように、学習器１３１を学習する。

図１４ａはチンパンジーの画像をグレースケール変換した輝度画像を示す。図１４ｂは、図１４ａの輝度画像をから生成した密度分布画像を示す。図１４ｃは、図１４ｂの密度分布に対するシミュレーションＲＦデータを学習済みの学習器１３１に入力し、出力データから得られる再構成画像を示す。鮮明な再構成画像が得られることが確認された。

上記実施形態では、リングアレイを用いる構成について説明したが、超音波の送受信を行う素子が直線上又は平面上に配置されたプローブを用いてもよい。

本発明を特定の態様を用いて詳細に説明したが、本発明の意図と範囲を離れることなく様々な変更が可能であることは当業者に明らかである。
本出願は、２０１８年１０月２２日付で出願された日本特許出願２０１８−１９８６５８に基づいており、その全体が引用により援用される。

１０ 超音波診断システム
１１０ スイッチ回路
１２０ 送受信回路
１３０ 演算装置
１４０ 画像表示装置

Claims (5)

1. 被検体に対する超音波の送信及び前記被検体から反射される反射超音波の受信の少なくともいずれか一方を行う複数の素子と、
   超音波を送信する素子を切り替えながら、前記反射超音波の測定データを前記複数の素子の少なくとも一部を介して収集するデータ収集部と、
   音響特性の分布で表現された被検体モデルと、前記複数の素子のサイズ及び配列を模擬したシミュレーション空間上で素子を切り替えながら超音波を送信し、前記被検体モデルからの反射超音波を複数の素子の少なくとも一部で受信したシミュレーション測定データと、を含む学習データを用いて学習することで、入力された前記測定データから前記被検体の断層画像を出力する第１学習器と、
   を備え、
   前記第１学習器に入力される前記測定データのサイズは、送信条件数Ｎ×受信素子数Ｍ×時間方向のサンプル点数ｎであり、ｎは、着目画素に対応する信号が対応し得る整数２以上のサンプリング点数であり、
   前記サンプル点数ｎは、音速が最も速かった場合と遅かった場合の伝搬時間差をサンプリング周期で除し、バラツキの分散をかけた値であることを特徴とする超音波診断システム。
2. 前記データ収集部が収集した前記測定データを前記第１学習器に入力し、該第１学習器から出力された断層画像を取得する画像取得部をさらに備えることを特徴とする請求項１に記載の超音波診断システム。
3. 学習用断層画像と、該学習用断層画像に含まれる腫瘍箇所を特定する腫瘍情報とを含む学習データを用いて学習することで、被検体の断層画像における腫瘍の有無の判定及び腫瘍箇所の特定が可能な第２学習器と、
   前記画像取得部が取得した前記断層画像を前記第２学習器に入力し、該第２学習器の出力データに基づいて、該断層画像における腫瘍の有無の判定結果、及び腫瘍がある場合は腫瘍箇所の情報を出力する判定部と、
   をさらに備えることを特徴とする請求項２に記載の超音波診断システム。
4. 前記画像取得部は、前記データ収集部が収集した前記測定データから、着目箇所に対応する測定データを抽出し、抽出した測定データを前記第１学習器に入力データとして入力し、前記入力データには整相演算前の受信信号が含まれることを特徴とする請求項２又は３に記載の超音波診断システム。
5. 前記複数の素子は被検体の周囲に配置されていることを特徴とする請求項１乃至４のいずれかに記載の超音波診断システム。

Images