CN109091167A - 冠状动脉粥样硬化斑块增长的预测方法 - Google Patents

冠状动脉粥样硬化斑块增长的预测方法 Download PDF

Info

Publication number
CN109091167A
CN109091167A CN201810720835.2A CN201810720835A CN109091167A CN 109091167 A CN109091167 A CN 109091167A CN 201810720835 A CN201810720835 A CN 201810720835A CN 109091167 A CN109091167 A CN 109091167A
Authority
CN
China
Prior art keywords
image
ivus
oct
patch
prediction
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
CN201810720835.2A
Other languages
English (en)
Inventor
郭小亚
唐达林
曹进德
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN201810720835.2A priority Critical patent/CN109091167A/zh
Publication of CN109091167A publication Critical patent/CN109091167A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
    • A61B8/5238—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for combining image data of patient, e.g. merging several images from different acquisition modes into one image
    • A61B8/5246—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for combining image data of patient, e.g. merging several images from different acquisition modes into one image combining images from the same or different imaging techniques, e.g. color Doppler and B-mode
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
    • A61B5/0062—Arrangements for scanning
    • A61B5/0066—Optical coherence imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
    • A61B8/0891—Detecting organic movements or changes, e.g. tumours, cysts, swellings for diagnosis of blood vessels
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/12—Diagnosis using ultrasonic, sonic or infrasonic waves in body cavities or body tracts, e.g. by using catheters

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Pathology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Biomedical Technology (AREA)
  • Veterinary Medicine (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Vascular Medicine (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明属于医学成像技术领域，具体涉及冠状动脉粥样硬化斑块增长的预测方法，将至少两个时刻的IVUS图像和OCT图像分别分割后，再将分割后的IVUS图像和分割后的OCT图像融合，并根据融合后的轮廓建立三维的带有循环弯曲的多模态流固耦合模型，计算模型的力学结果，结合形态学结果，提取力学与形态学的风险因子，并给出斑块增长的指标，利用该机器学习的方法对斑块增长做出预测。从而可以为冠状动脉斑块增长的预测提供一个准确可靠的方法。该发明方法为斑块增长预测提供了临床应用的可能性。

Description

冠状动脉粥样硬化斑块增长的预测方法
技术领域
本发明涉及冠状动脉粥样硬化斑块增长的预测方法，属于医学成像技术领域。
背景技术
中国心血管病患病率及死亡率仍处于上升阶段，推算心血管病现患人数2.9亿，心血管病死亡占居民疾病死亡构成40％以上，居首位，详细内容可以参见陈伟伟等人的中国心血管疾病报告2017概要，中国循环杂志，2018,33(01):1-8。导致斑块破裂机制尚不清楚，可用的筛查和诊断方法不足以在事件发生前确定受害者。目前用于诊断冠状动脉粥样硬化的技术通常缺乏准确可靠的计算力学分析。可用的血管内超声和光学相干断层等医学图像设备没有计算力学分析和相关的预测计算。
目前，对于冠状动脉斑块增长预测的大多数研究是通过形态学和流体剪切应力来研究其与斑块增长的相关性并预测斑块的增长，例如Stone et al.,2011，A prospectivenatural-history study of coronary atherosclerosis.N.Engl.J.Med.364(3):226–235.；Samady et al.,2011，Coronary artery wall shear stress is associated withprogression and transformation of atherosclerotic plaque and arterialremodeling in patients with coronary artery disease.Circulation 124,779–788；and Corban et al.,2014Combination of plaque burden,wall shear stress,andplaque phenotype has incremental value for prediction of coronaryatherosclerotic plaque progression and vulnerability.Atherosclerosis 232,271–276。然而，从力学角度来讲，斑块的增长不仅受流体剪切应力的影响，而且还受到血管固体里的应力应变的影响。斑块的增长过程是一个复杂过程，从受力角度来讲，它是在流固耦合的作用下发生的。所以，仅通过流体部分来研究斑块的增长是不全面的。
现有的一种斑块预测技术是采用随访的虚拟组织学血管内超声(VH-IVUS)图像以及血管造影图像，建立冠状动脉的三维流固耦合模型，通过模型的数值计算结果来预测斑块的增长，详细内容可以参见Wang L,Tang D,Maehara A,Wu Z,Yang C,Muccigrosso D,Zheng J,Bach R,Billiar KL,Mintz GS.Fluid-structure interaction models basedon patient-specific IVUS at baseline and follow-up for prediction of coronaryplaque progression by morphological and biomechanical factors:A preliminarystudy.Journal of biomechanics.2018Feb 8；68:43-50。因其考虑了流体(血流)与固体(血管)两方面的力学影响，该种预测方法在目前存在技术里面对冠状动脉斑块建模仿真最为全面的一种方法。然而，预测结果准确性依赖于模型的数值结果，而模型的数值计算结果的准确程度依赖于医学图像的分辨率。这种斑块增长的预测方法受限于血管内超声这种医学影像，该影像的缺点是分辨率不高。其分辨率为150-200微米，而一些斑块的增长幅度小于200微米，这使得血管内超声无法很好的检测到斑块的增长幅度。同时血管内超声影像对薄纤维帽，尤其是厚度小于65微米的纤维帽也无法准确识别。这就导致血管内超声无法准确地反映出斑块的形态，因此基于血管内超声图像建立的冠脉斑块模型可能与实际中的冠脉斑块有较大误差，所以预测的准确性也会受到模型结果的影响。
近年来，光学相干断层(OCT)技术广泛应用于临床中的冠状动脉检查，因其具有10-20微米的高分辨率，使其成为了一个准确识别薄纤维帽的有力工具。OCT图像虽然分辨率高，但其穿透深度有限，只有1-2毫米左右，所以无法穿透整个血管，只能看到血管腔附近的结构，因此只能建立流体模型，无法建立完整的固体模型。鉴于OCT图像的这些特点，它虽然通过高分辨率的优势可以给出薄纤维帽的详细信息，但是无法给出血管的完整信息，也无法只通过OCT图像建立完整的血管固体模型，所以也无法全面地结合流体与固体的力学因素来预测斑块的增长。
发明内容
本发明所要解决的技术问题是，如何能够综合运用血管内超声(IVUS)和光学相干断层(OCT)两种临床影像数据，从而建立更加准确的冠状动脉粥样硬化斑块流固耦合模型，得到更加准确的模型数值结果。
为了解决上述的技术问题，在本发明中具体公开了以下技术方案：
冠状动脉粥样硬化斑块增长的预测方法，所述预测方法是将至少两个时刻的IVUS图像和OCT图像分别分割后，再将分割后的IVUS图像和分割后的OCT图像融合，并根据融合后的轮廓建立三维的带有循环弯曲的多模态流固耦合模型，计算模型的力学结果，结合形态学结果，提取力学与形态学的风险因子，并给出斑块增长的指标，利用该机器学习的方法对斑块增长做出预测。
该冠状动脉粥样硬化斑块增长的预测方法，具体包括以下步骤：
S1：采集不同时刻的IVUS和OCT图像信息数据，以及血管造影图像数据；
S2：利用血管造影图像获得导管的位置信息，并以此为基础将采集得到的IVUS和OCT图像信息数据进行配对，
S3：采用机器学习的方法分割OCT图像；
S4：采用matlab软件包分割IVUS图像；
S5：将S3和S4中获得的IVUS轮廓与OCT轮廓进行融合；
S6：利用融合后的轮廓建立带有循环弯曲的冠状动脉流固耦合模型；
S7：利用S3中获得的纤维帽厚度对模型进行校正；
S8：分别提取不同时刻所建立模型的计算结果；
S9：选择斑块增长的指标参数类型，然后根据S8中所建立模型的计算结果，建立指标参数对应的斑块增长分类模型，选取某一时刻的流固耦合模型提取结果对斑块增长分类模型进行机器学习来训练斑块增长分类模型，获得特定指标参数所对应的斑块增长分类模型；
S10：选择不同的斑块增长的指标参数类型，并根据S9中公开的方法，获得多个不同特定指标参数对应的斑块增长分类模型。
更为优选的是，在本发明中S1过程中还进一步采集不同时刻的主动脉压、血压或者其他信息。
同时，本发明还进一步公开了S2中，IVUS和OCT图像信息数据配对的方法，包括以下步骤：
S2-1：将同一时刻的IVUS图像的分辨率和OCT图像的分辨率调整一致；
S2-2：利用血管造影图像获得导管的位置信息，将血管分叉作为第一特征标志来确定分叉位置，从而将IVUS图像与OCT图像进行第一轮配对；
S2-3：将管腔面积、脂质核心以及钙化等斑块的特征作为第二特征标志，将IVUS图像和OCT图像进行第二轮配对；
S2-4：结合IVUS图像的生成速率与OCT图像的生成速率比值，进行第三轮配对，从而获得某一时刻的IVUS+OCT配对图像；
S2-5：将不同时刻的IVUS图像和OCT图像按照S2-1至S2-5所公开的步骤进行配对，分别获得不同时刻的IVUS+OCT配对图像；
S2-6：以血管分叉为特征标志，将不同时刻的IVUS+OCT配对图像进行配对。
进一步优选的，所述的生成速率比值是指在生成IVUS图像和OCT图像过程中，由于导丝回撤速率不同所形成的生成速率比值。譬如，IVUS导丝以0.5mm/s的速度回撤，并且IVUS每秒产生30帧图片，OCT导丝以20mm/s的速度回撤，并且OCT每秒产生100帧图片，因此OCT与IVUS图像的生成速率比是12:1(帧/mm)。
同时，在本发明公开的S3步骤中通过机器学习的方法对OCT图像进行分割，特别是采用深度学习或者支持向量机(SVM)的方法进行分割。
优选地，我们采用深度学习的方法，具体包括以下步骤：
S3-1：将图像显示为正常血管结构或者虽然有病变但是在血管的一周上仍然有部分健康血管(即能清晰看到血管的三层结构的部分)挑选出来，作为图片样本，在图片样本上标记正常血管的部分，作为一类，感兴趣区域ROI1剩余的作为另一类，通过在感兴趣区域选定矩阵框大小,31*31，遍历感兴趣区域内的所有的点生成的31*31矩阵框构成机器学习的样本，通过堆叠编码进行分类训练与预测，定义网络拓扑结构，三个隐层的神经元节点数分别设置为120，100,70，将训练集放入编码器后训练得到模型，模型参数设置为SparsityProportion均为0.15，L2WeightRegularization＝0.004，SparsityRegularization＝4，将测试样本放入模型，可以得到对图片里正常血管部分的预测，将预测后的图片在极坐标下通过密度小于90％(预测图片中预测为正常血管的像素点围成的区域里，每个邻域里正常血管像素点占这个邻域像素点的比例)与膨胀腐蚀(size：4pixel)对图片过滤来确定正常血管的位置；
S3-2：以导丝为圆心，以预测的正常血管位置的角度确定出正常血管的区域，并取出以导丝中心为圆心，以得到的角度组成的扇形区域，直接将该区域的正常血管通过形态学的灰度值确定出正常血管的准确位置，将图像去掉扇形区域与感兴趣区域的交集，作为第二次训练的感兴趣区域ROI2，感兴趣区域ROI2里将矩阵框大小定为20*20，遍历感兴趣区域内的所有的点生成的20*20矩阵框构成机器学习的样本，通过堆叠编码进行分类训练与预测，其中定义三个隐含层的神经元节点数分别为110,100,70，这相当于定了网络拓扑结构的过程，其中三个隐含层的参数Sparsity Proportion均为0.05，L2WeightRegularization＝0.001，SparsityRegularization＝4；
S3-3：将识别出的正常血管位置，与ROI2区域拼接在一起的，拼接处通过插值进行光滑。
为了使得本发明的技术方案更加清楚，本发明还公开采用matlab软件包分割IVUS图像的方法可以参考D Yang,J Zheng,A Nofal,JO Deasy,IM El Naqa.2017，“Techniquesand software tool for 3D multimodality medical image segmentation”.Journal ofRadiation Oncology Informatics,1(1):1-22这一文献中公开的方法，但是值得注意的是，这并不代表仅能采用该文献所公开的方法利用matlab软件包分割IVUS图像，现有技术其他公开的利用matlab软件包分割IVUS图像的方法均可以采用。
进一步，在本发明中我们还公开带有循环弯曲的冠状动脉流固耦合模型的建立方法参照Yang C.,Bach R.,Zheng J.,Naqa I.E.,Woodard P.K.,Teng Z.,Billiar K.L.,Tang D.,2009,“In vivo IVUS-Based 3D Fluid Structure Interaction Models withCyclic Bending and Anisotropic Vessel Properties for Human AtheroscleroticCoronary Plaque Mechanical Analysis,”IEEE Trans.Biomed.Engineering,56(10),pp.2420-2428这一文献中公开的方式进行。
需要注意的是，我们还包括建模过程后的利用纤维帽厚度对模型进行校正的步骤，具体来说就是通过OCT图像提供的准确的纤维帽厚度，来检验建模后模型所得到的纤维帽厚度，并且通过多次的校正，将模型所得到的纤维帽厚度与实际纤维帽厚度之间的误差精度降低至5微米以下。
具体来说，利用纤维帽厚度校正的步骤包括：
S7-1：利用建立好的带有循环弯曲的冠状动脉流固耦合模型计算出纤维帽厚度；
S7-2：根据OCT图像获得准确的纤维帽厚度；
S7-3：按照准确的纤维帽厚度校正带有循环弯曲的冠状动脉流固耦合模型，使二者尽量保持一致；
S7-4：重复S7-1到S7-3这一运行-校正迭代过程，当S7-1中计算出的纤维帽厚度与S7-2中获得的准确纤维帽厚度之间的误差小于5微米时，停止迭代；
S7-5：获得校正好的带有循环弯曲的冠状动脉流固耦合模型。
优选地，S9中选择斑块增长的指标参数类型中所述的指标参数类型是指例如斑块面积的增长量PAI，斑块负荷的增长量PBI，管腔面积的减少量LAI，血管壁厚的增长量WTI等用来刻画斑块增长的指标参数。也可以根据冠状动脉粥样斑块指标的变更和更新选择其他的指标参数。
另外，作为进一步的说明，建立指标参数对应的斑块增长分类模型是指根据不同的斑块指标参数将斑块分类，可以分为增长、未增长两类。或者根据不同的需求，将其分成更多的种类。
本发明通过将IVUS和OCT融合后提取轮廓，在融合过程中不会产生IVUS分割后的弥散的小的成分轮廓，所以在建模的时候轮廓处理不需要丢弃或者合并小的脂质与钙化。同时，增加一个反复校正纤维帽厚度的过程，从而可以为冠状动脉斑块增长的预测提供一个准确可靠的方法。该发明方法为斑块增长预测提供了临床应用的可能性。通过大量病人的IVUS和OCT随访数据，应用该方法可以更好地优化预测模型，确定最优模型后，以后只需通过病人一次检查的IVUS和OCT数据，就可以给出病人未来一段时间内的斑块增长的预测，有助于病人预防心血管疾病突发。
附图说明
图1为流程示意图。
图2为IVUS和OCT图像融合的示意图,其中(a)是VH-IVUS和OCT融合的示意图，(b)是IVUS和OCT融合的示意图。
图3为多个片段的轮廓堆叠形成特定时刻的血管图的示意图，其中上部为多个片段的轮廓堆叠示意图，下部为形成的仿真血管模型的纵向切面图。
具体实施方式
为了更好的理解本发明，下面我们结合具体的实施例对本发明进行进一步的阐述。
实施例1
下面我们以T1和T2两个时刻的IVUS和OCT数据进行本分阿明冠状动脉粥样硬化斑块增长的预测方法的说明。
步骤1：获取同一病人的基线(baseline，记为时刻T1)的IVUS与OCT数据，同时获得血管造影数据，以及病人主动脉压或者血压，在病人复查时，获取随访(follow-up，记为时刻T2)的IVUS与OCT数据，血管造影数据以及主动脉压或者血压。其中导管的位置通过血管造影的图像来记录。
步骤2：在得到病人的T1和T2时刻的IVUS和OCT后，调整IVUS图像分辨率与OCT图像分辨率一致，然后根据血管以及斑块的一些特征作为标记物，对图像进行配对。首先是将T1时刻的IVUS与OCT图像进行配对，其中将血管分叉作为第一特征标志来确定分叉位置IVUS与OCT图像的配对。然后将斑块的特征，比如管腔面积、脂质核心以及钙化等作为第二特征标志，同时结合IVUS与OCT的图片生成速率来进行IVUS与OCT的配对(记为IVUS+OCT)。例如IVUS导丝以0.5mm/s的速度回撤，OCT导丝以20mm/s的速度回撤，那么OCT与IVUS图像的生成速率比是12:1。同理，在T2时刻的IVUS与OCT的图像配对与T1时刻的一样。将T1时刻的IVUS+OCT与T2时刻的IVUS+OCT也进行配对，血管分叉是T1与T2时刻IVUS+OCT的配对标志。
步骤3：利用机器学习的方法对OCT图像进行分割。前期工作中已经采集大量OCT图像作为数据库，通过一些不同机器学习方法，例如支持向量机(SVM)，深度学习等方法，来训练一些模型，这些模型可以对步骤2里挑选出来配对的OCT图像给出分割结果并提取轮廓。
在本实施例中我们将图像显示为正常血管结构或者虽然有病变但是在血管的一周上仍然有部分健康血管(即能清晰看到血管的三层结构的部分)挑选出来，作为图片样本，在图片样本上标记正常血管的部分，作为一类，感兴趣区域ROI1剩余的作为另一类，通过在感兴趣区域选定矩阵框大小,31*31，遍历感兴趣区域内的所有的点生成的31*31矩阵框构成机器学习的样本，通过堆叠编码进行分类训练与预测，定义网络拓扑结构，三个隐层的神经元节点数分别设置为120，100,70，将训练集放入编码器后训练得到模型，模型参数设置为Sparsity Proportion均为0.15，L2WeightRegularization＝0.004，SparsityRegularization＝4，将测试样本放入模型，可以得到对图片里正常血管部分的预测，将预测后的图片在极坐标下通过密度小于90％(预测图片中预测为正常血管的像素点围成的区域里，每个邻域里正常血管像素点占这个邻域像素点的比例)与膨胀腐蚀(size：4pixel)对图片过滤来确定正常血管的位置；然后以导丝为圆心，以预测的正常血管位置的角度确定出正常血管的区域，并取出以导丝中心为圆心，以得到的角度组成的扇形区域，直接将该区域的正常血管通过形态学的灰度值确定出正常血管的准确位置，将图像去掉扇形区域与感兴趣区域的交集，作为第二次训练的感兴趣区域ROI2，感兴趣区域ROI2里将矩阵框大小定为20*20，遍历感兴趣区域内的所有的点生成的20*20矩阵框构成机器学习的样本，通过堆叠编码进行分类训练与预测，其中定义三个隐含层的神经元节点数分别为110,100,70，这相当于定了网络拓扑结构的过程，其中三个隐含层的参数Sparsity Proportion均为0.05，L2WeightRegularization＝0.001，SparsityRegularization＝4；将识别出的正常血管位置，与ROI2区域拼接在一起的，拼接处通过插值进行光滑。
步骤4：超声图像的轮廓提取由matlab编写的定制软件包来实现。具体参考DYang,J Zheng,A Nofal,JO Deasy,IM El Naqa.2017，“Techniques and software toolfor 3D multimodality medical image segmentation”.Journal of RadiationOncology Informatics,1(1):1-22这一文献中公开的方法IVUS或者VH-IVUS提取的轮廓与步骤3中提取的OCT轮廓进行融合。如图2中所示，通过IVUS与OCT融合，形成了一个融合的轮廓片段。
步骤5：参考图3，通过将多个片段的轮廓堆叠就可以形成特定时刻的血管图，从而利用融合后的轮廓建立带有循环弯曲的冠状动脉流固耦合模型，模型的建立方法参照YangC.,Bach R.,Zheng J.,Naqa I.E.,Woodard P.K.,Teng Z.,Billiar K.L.,Tang D.,2009,“In vivo IVUS-Based 3D Fluid Structure Interaction Models with Cyclic Bendingand Anisotropic Vessel Properties for Human Atherosclerotic Coronary PlaqueMechanical Analysis,”IEEE Trans.Biomed.Engineering,56(10),pp.2420-2428。区别于以往建模的过程，需要对模型运行后的纤维帽厚度进行多次校正。对于同一个病人有T1和T2两个时刻的模型。分别提取模型的计算结果。
步骤6：定义斑块增长的几种指标，例如斑块面积的增长量PAI，斑块负荷的增长量PBI，管腔面积的减少量LAI，血管壁厚的增长量WTI，用来刻画斑块增长，即从T1到T2时刻，PA,PB,LA和WT的变化。通过指标可以将斑块增长分成两类：斑块未增长与斑块增长；或者根据不同的需求，将其分成更多种类。在本实施例中我们将其分为斑块增长和斑块未增长。
步骤7：从步骤5建立的T1和T2模型中提取数值计算结果，按照步骤6中给出的斑块增长的指标给出斑块增长分类，然后将T1时刻的模型提取的结果按照五折交叉验证的方式通过机器学习来训练斑块增长分类模型。几类不同的机器学习方法，例如广义线性混合模型，支持向量机，深度学习等都可以用来训练模型。使用时可以根据具体的情况，例如样本数量，以及风险因子的数量等择优选择。
譬如在本实施例中，分别从步骤5建立的T1和T2模型中提取PAI数值，然后按照步骤6中给出的斑块增长的指标建立增长分类模型，例如当PAI>0时，表示斑块增长，标签记作1，当PAI≤0，表示斑块未增长，标签记作-1。将T1时刻的模型结果提取形态学以及力学风险因子，其中形态学风险因子可以包括；纤维帽厚度，脂质角度，成分厚度，脂质面积，斑块面积，管腔面积，壁厚等。其中力学风险因子包括应力，应变，剪切应力，局部应力，局部应变等。将选取的风险因子作为分类特征，放入最小二乘支持向量机中，选取RBF作为核函数，进行训练，得到最小二乘支持向量机的分类模型。
若有m个特征，则x∈Rm，分类模型其中N样本数，K(x,xk)是RBF核函数，K(x,xk)＝exp(-||x-xk||2/(2σ2))，σ2是平方带宽，这里记sig2＝2σ2。αk＝γek，γ是正则参数。例如根据我们选取的数据以及特征，优化后正则参数与核参数分别为γ＝103.059238，sig2＝38.283864。同时加上参数b＝0.069227可为确定一个超平面。
训练好的模型可以用于预测斑块增长。将需要预测的数据提取风险因子放入模型中，即可获得预测结果。当采集大量的病人数据后，通过上述过程训练的模型，可以更稳定的给出预测，这将为其应用于临床带来可能性，即通过病人的一次IVUS+OCT检查来预测斑块增长。
譬如，当我们通过T1初访时刻的IVUS以及OCT图像信息获得某一片或者某一区域的PA为4.8mm2,平均纤维帽厚度0.14mm,最小纤维帽厚度0.07mm，管腔面积5.2mm2，斑块负荷48％，同时基于图像的模型里计算的力学因子结果分别为应力105kPa,应变0.13，剪切应力30dyn/cm2，将这些风险因子放入上述模型中，可以预测这一片或者这一区域斑块属于增长型斑块，即在六个月或者12个月的时间后，其PA数据会增加，即PAI>0。
以上所述是本发明的具体实施方式。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (6)

1.冠状动脉粥样硬化斑块增长的预测方法，其特征在于：所述预测方法是将至少两个时刻的IVUS图像和OCT图像分别分割后，再将分割后的IVUS图像和分割后的OCT图像融合，并根据融合后的轮廓建立三维的带有循环弯曲的多模态流固耦合模型，计算模型的力学结果，结合形态学结果，提取力学与形态学的风险因子，并给出斑块增长的指标，利用该机器学习的方法对斑块增长做出预测。
2.根据权利要求1所述的冠状动脉粥样硬化斑块增长的预测方法，其特征在于，具体包括以下步骤：
S1：采集不同时刻的IVUS和OCT图像信息数据，以及血管造影图像数据；
S2：利用血管造影图像获得导管的位置信息，并以此为基础将采集得到的IVUS和OCT图像信息数据进行配对，
S3：采用机器学习的方法分割OCT图像；
S4：采用matlab软件包分割IVUS图像；
S5：将S3和S4中获得的IVUS轮廓与OCT轮廓进行融合；
S6：利用融合后的轮廓建立带有循环弯曲的冠状动脉流固耦合模型；
S7：利用S3中获得的纤维帽厚度对模型进行校正；
S8：分别提取不同时刻所建立模型的计算结果；
S9：选择斑块增长的指标参数类型，然后根据S8中所建立模型的计算结果，建立指标参数对应的斑块增长分类模型，选取某一时刻的流固耦合模型提取结果对斑块增长分类模型进行机器学习来训练斑块增长分类模型，获得特定指标参数所对应的斑块增长分类模型；
S10：选择不同的斑块增长的指标参数类型，并根据S9中公开的方法，获得多个不同特定指标参数对应的斑块增长分类模型。
3.根据权利要求2所述的冠状动脉粥样硬化斑块增长的预测方法，其特征在于，步骤S2中IVUS和OCT图像信息数据配对的方法，包括以下步骤：
S2-1：将同一时刻的IVUS图像的分辨率和OCT图像的分辨率调整一致；
S2-2：利用血管造影图像获得导管的位置信息，将血管分叉作为第一特征标志来确定分叉位置，从而将IVUS图像与OCT图像进行第一轮配对；
S2-3：将管腔面积、脂质核心以及钙化等斑块的特征作为第二特征标志，将IVUS图像和OCT图像进行第二轮配对；
S2-4：结合IVUS图像的生成速率与OCT图像的生成速率比值，进行第三轮配对，从而获得某一时刻的IVUS+OCT配对图像；
S2-5：将不同时刻的IVUS图像和OCT图像按照S2-1至S2-5所公开的步骤进行配对，分别获得不同时刻的IVUS+OCT配对图像；
S2-6：以血管分叉为特征标志，将不同时刻的IVUS+OCT配对图像进行配对。
4.根据权利要求2所述的冠状动脉粥样硬化斑块增长的预测方法，其特征在于，S3步骤中采用深度学习的方法，具体包括以下步骤：
S3-1：将图像显示为正常血管结构或者虽然有病变但是在血管的一周上仍然有部分健康血管(即能清晰看到血管的三层结构的部分)挑选出来，作为图片样本，在图片样本上标记正常血管的部分，作为一类，感兴趣区域ROI1剩余的作为另一类，通过在感兴趣区域选定矩阵框大小,31*31，遍历感兴趣区域内的所有的点生成的31*31矩阵框构成机器学习的样本，通过堆叠编码进行分类训练与预测，定义网络拓扑结构，三个隐层的神经元节点数分别设置为120，100,70，将训练集放入编码器后训练得到模型，模型参数设置为SparsityProportion均为0.15，L2WeightRegularization＝0.004，SparsityRegularization＝4，将测试样本放入模型，可以得到对图片里正常血管部分的预测，将预测后的图片在极坐标下通过密度小于90％(预测图片中预测为正常血管的像素点围成的区域里，每个邻域里正常血管像素点占这个邻域像素点的比例)与膨胀腐蚀(size：4pixel)对图片过滤来确定正常血管的位置；
S3-2：以导丝为圆心，以预测的正常血管位置的角度确定出正常血管的区域，并取出以导丝中心为圆心，以得到的角度组成的扇形区域，直接将该区域的正常血管通过形态学的灰度值确定出正常血管的准确位置，将图像去掉扇形区域与感兴趣区域的交集，作为第二次训练的感兴趣区域ROI2，感兴趣区域ROI2里将矩阵框大小定为20*20，遍历感兴趣区域内的所有的点生成的20*20矩阵框构成机器学习的样本，通过堆叠编码进行分类训练与预测，其中定义三个隐含层的神经元节点数分别为110,100,70，这相当于定了网络拓扑结构的过程，其中三个隐含层的参数Sparsity Proportion均为0.05，L2WeightRegularization＝0.001，SparsityRegularization＝4；
S3-3：将识别出的正常血管位置，与ROI2区域拼接在一起的，拼接处通过插值进行光滑。
5.根据权利要求2所述的冠状动脉粥样硬化斑块增长的预测方法，其特征在于，利用纤维帽厚度校正的步骤包括：
S7-1：利用建立好的带有循环弯曲的冠状动脉流固耦合模型计算出纤维帽厚度；
S7-2：根据OCT图像获得准确的纤维帽厚度；
S7-3：按照准确的纤维帽厚度校正带有循环弯曲的冠状动脉流固耦合模型，使二者尽量保持一致；
S7-4：重复S7-1到S7-3这一运行-校正迭代过程，当S7-1中计算出的纤维帽厚度与S7-2中获得的准确纤维帽厚度之间的误差小于5微米时，停止迭代；
S7-5：获得校正好的带有循环弯曲的冠状动脉流固耦合模型。
6.根据权利要求2所述的冠状动脉粥样硬化斑块增长的预测方法，其特征在于，若有m个特征，则x∈Rm，斑块增长分类模型其中N样本数，K(x,xk)是RBF核函数，K(x,xk)＝exp(-||x-xk||2/(2σ2))，σ2是平方带宽。
CN201810720835.2A 2018-06-29 2018-06-29 冠状动脉粥样硬化斑块增长的预测方法 Withdrawn CN109091167A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810720835.2A CN109091167A (zh) 2018-06-29 2018-06-29 冠状动脉粥样硬化斑块增长的预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810720835.2A CN109091167A (zh) 2018-06-29 2018-06-29 冠状动脉粥样硬化斑块增长的预测方法

Publications (1)

Publication Number Publication Date
CN109091167A true CN109091167A (zh) 2018-12-28

Family

ID=64845577

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810720835.2A Withdrawn CN109091167A (zh) 2018-06-29 2018-06-29 冠状动脉粥样硬化斑块增长的预测方法

Country Status (1)

Country Link
CN (1) CN109091167A (zh)

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109829892A (zh) * 2019-01-03 2019-05-31 众安信息技术服务有限公司 一种预测模型的训练方法、使用该模型的预测方法及装置
CN109846465A (zh) * 2019-04-01 2019-06-07 数坤（北京）网络科技有限公司 一种基于亮度分析的血管钙化误报检测方法
CN109979591A (zh) * 2019-03-12 2019-07-05 众安信息技术服务有限公司 一种基于图神经网络分析斑块进展因子的方法及装置
CN110189306A (zh) * 2019-05-14 2019-08-30 上海联影智能医疗科技有限公司 脑图像中异常区域对应的责任血管确定方法和设备
CN110222759A (zh) * 2019-06-03 2019-09-10 中国医科大学附属第一医院 一种冠状动脉易损斑块自动识别系统
CN110223781A (zh) * 2019-06-03 2019-09-10 中国医科大学附属第一医院 一种多维度斑块破裂风险预警系统
CN110517242A (zh) * 2019-08-23 2019-11-29 强联智创（北京）科技有限公司 一种动脉瘤的分析方法及装置
CN111640106A (zh) * 2020-06-02 2020-09-08 中国医学科学院阜外医院深圳医院(深圳市孙逸仙心血管医院) 一种基于人工智能的多模态医学影像的转换方法
WO2020222004A1 (en) 2019-05-01 2020-11-05 Cambridge Enterprise Limited Method and apparatus for analysing intracoronary images
CN112070778A (zh) * 2020-08-25 2020-12-11 南京沃福曼医疗科技有限公司 一种基于血管内oct和超声图像融合的多参量提取方法
CN113096056A (zh) * 2021-04-06 2021-07-09 全景恒升（北京）科学技术有限公司 一种基于区域互补的血管内图像融合方法
CN114387464A (zh) * 2021-12-01 2022-04-22 杭州脉流科技有限公司 基于ivus影像的易损斑块识别方法、计算机设备、可读存储介质和程序产品
CN114820600A (zh) * 2022-06-27 2022-07-29 天津恒宇医疗科技有限公司 基于oct图像的冠脉血管内支架检测方法及检测系统
CN115063504A (zh) * 2022-08-05 2022-09-16 全景恒升（北京）科学技术有限公司 动脉粥样化斑块识别方法、装置、计算机设备及存储介质
CN116228723A (zh) * 2023-03-13 2023-06-06 航天轩宇(杭州)智能科技有限公司 一种合模度的确定方法、装置、可读介质及电子设备
US11983875B2 (en) 2019-05-01 2024-05-14 Cambridge Enterprise Limited Method and apparatus for analysing intracoronary images

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101594819A (zh) * 2006-11-08 2009-12-02 光学实验室成像公司 光声成像装置和方法
CN102056534A (zh) * 2008-04-03 2011-05-11 英弗拉雷德克斯公司 用于进行血管内结构分析以补偿化学分析模态的系统和方法
US20120172698A1 (en) * 2010-12-30 2012-07-05 Boston Scientific Scimed, Inc. Imaging system
CN103462696A (zh) * 2013-09-17 2013-12-25 浙江大学 一种集成血管内光相干断层扫描（oct）影像和数字减影(dsa)影像的一体化在线实时处理仪
US20140275995A1 (en) * 2013-03-12 2014-09-18 Volcano Corporation Defined borders
CN105103163A (zh) * 2013-03-07 2015-11-25 火山公司 血管内图像中的多模态分割
CN106974622A (zh) * 2017-04-06 2017-07-25 上海交通大学 基于光学相干断层成像的斑块稳定性测量方法及系统
CN107392909A (zh) * 2017-06-22 2017-11-24 苏州大学 基于神经网络与约束图搜索算法的oct图像层分割方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101594819A (zh) * 2006-11-08 2009-12-02 光学实验室成像公司 光声成像装置和方法
CN102056534A (zh) * 2008-04-03 2011-05-11 英弗拉雷德克斯公司 用于进行血管内结构分析以补偿化学分析模态的系统和方法
US20120172698A1 (en) * 2010-12-30 2012-07-05 Boston Scientific Scimed, Inc. Imaging system
CN105103163A (zh) * 2013-03-07 2015-11-25 火山公司 血管内图像中的多模态分割
US20140275995A1 (en) * 2013-03-12 2014-09-18 Volcano Corporation Defined borders
CN103462696A (zh) * 2013-09-17 2013-12-25 浙江大学 一种集成血管内光相干断层扫描（oct）影像和数字减影(dsa)影像的一体化在线实时处理仪
CN106974622A (zh) * 2017-04-06 2017-07-25 上海交通大学 基于光学相干断层成像的斑块稳定性测量方法及系统
CN107392909A (zh) * 2017-06-22 2017-11-24 苏州大学 基于神经网络与约束图搜索算法的oct图像层分割方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
LIANG WANG, DALIN TANG, AKIKO MAEHARA,ET AL: "Fluid-Structure Interaction Models Based on Patient-Specific IVUS at Baseline and Follow-Up for Prediction of Coronary Plaque Progression by Morphological and Biomechanical Factors: A Preliminary Study", 《J BIOMECH》 *
XIAOYA GUO, DON P. GIDDENS, DAVID MOLONY,ET AL: "Combining IVUS and Optical Coherence Tomography for More Accurate Coronary Cap Thickness Quantification and Stress/Strain Calculations: A Patient-Specific Three-Dimensional Fluid-Structure Interaction Modeling Approach", 《JOURNAL OF BIOMECHANICAL ENGINEERING》 *
高丽华，刘展睿，胡庆鹰，王智慧: "光学相干断层成像技术在冠状动脉介入诊疗中的应用价值", 《中国实验诊断学》 *

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109829892A (zh) * 2019-01-03 2019-05-31 众安信息技术服务有限公司 一种预测模型的训练方法、使用该模型的预测方法及装置
CN109979591A (zh) * 2019-03-12 2019-07-05 众安信息技术服务有限公司 一种基于图神经网络分析斑块进展因子的方法及装置
CN109846465A (zh) * 2019-04-01 2019-06-07 数坤（北京）网络科技有限公司 一种基于亮度分析的血管钙化误报检测方法
WO2020222004A1 (en) 2019-05-01 2020-11-05 Cambridge Enterprise Limited Method and apparatus for analysing intracoronary images
US11983875B2 (en) 2019-05-01 2024-05-14 Cambridge Enterprise Limited Method and apparatus for analysing intracoronary images
CN110189306A (zh) * 2019-05-14 2019-08-30 上海联影智能医疗科技有限公司 脑图像中异常区域对应的责任血管确定方法和设备
CN110222759B (zh) * 2019-06-03 2021-03-30 中国医科大学附属第一医院 一种冠状动脉易损斑块自动识别系统
CN110222759A (zh) * 2019-06-03 2019-09-10 中国医科大学附属第一医院 一种冠状动脉易损斑块自动识别系统
CN110223781A (zh) * 2019-06-03 2019-09-10 中国医科大学附属第一医院 一种多维度斑块破裂风险预警系统
CN110517242A (zh) * 2019-08-23 2019-11-29 强联智创（北京）科技有限公司 一种动脉瘤的分析方法及装置
CN111640106A (zh) * 2020-06-02 2020-09-08 中国医学科学院阜外医院深圳医院(深圳市孙逸仙心血管医院) 一种基于人工智能的多模态医学影像的转换方法
CN112070778A (zh) * 2020-08-25 2020-12-11 南京沃福曼医疗科技有限公司 一种基于血管内oct和超声图像融合的多参量提取方法
CN113096056A (zh) * 2021-04-06 2021-07-09 全景恒升（北京）科学技术有限公司 一种基于区域互补的血管内图像融合方法
CN113096056B (zh) * 2021-04-06 2022-04-12 全景恒升（北京）科学技术有限公司 一种基于区域互补的血管内图像融合方法
CN114387464A (zh) * 2021-12-01 2022-04-22 杭州脉流科技有限公司 基于ivus影像的易损斑块识别方法、计算机设备、可读存储介质和程序产品
CN114820600A (zh) * 2022-06-27 2022-07-29 天津恒宇医疗科技有限公司 基于oct图像的冠脉血管内支架检测方法及检测系统
CN115063504A (zh) * 2022-08-05 2022-09-16 全景恒升（北京）科学技术有限公司 动脉粥样化斑块识别方法、装置、计算机设备及存储介质
CN115063504B (zh) * 2022-08-05 2022-11-18 全景恒升（北京）科学技术有限公司 动脉粥样化斑块识别方法、装置、计算机设备及存储介质
CN116228723A (zh) * 2023-03-13 2023-06-06 航天轩宇(杭州)智能科技有限公司 一种合模度的确定方法、装置、可读介质及电子设备
CN116228723B (zh) * 2023-03-13 2023-11-10 航天轩宇(杭州)智能科技有限公司 一种合模度的确定方法、装置、可读介质及电子设备

Similar Documents

Publication Publication Date Title
CN109091167A (zh) 冠状动脉粥样硬化斑块增长的预测方法
CN111260209B (zh) 电子病历与医学影像结合的心血管疾病风险预测评估系统
US11576626B2 (en) Systems and methods for numerically evaluating vasculature
JP7039442B2 (ja) 血管モデルの作成方法
CN107145756A (zh) 一种脑卒中类型预测方法以及装置
CN104871211A (zh) 确定通过冠状动脉的血液流量的方法
CN108257135A (zh) 基于深度学习方法解读医学图像特征的辅助诊断系统
CN106659400A (zh) 用于确定血流储备分数值的装置
KR20150122183A (ko) 환자-특정 기하학적 모델들을 변경함으로써 치료들을 결정하기 위한 방법 및 시스템
KR20150132191A (ko) 시뮬레이션 정확도 및 성능을 위한 이미지 품질 평가
CN108618749B (zh) 基于便携式数字化眼底照相机的视网膜血管三维重建方法
CN110599499B (zh) 基于多路卷积神经网络的mri图像心脏结构分割方法
CN112819818B (zh) 图像识别模块训练方法和装置
CN106803251A (zh) 由ct影像确定主动脉缩窄处压力差的装置与方法
Huang et al. A deep segmentation network of stent structs based on IoT for interventional cardiovascular diagnosis
CN110444275A (zh) 用于快速计算血流储备分数的系统和方法
Zhang et al. Automatic identification of coronary arteries in coronary computed tomographic angiography
Kirişli et al. Comprehensive visualization of multimodal cardiac imaging data for assessment of coronary artery disease: first clinical results of the SMARTVis tool
Zhao et al. Automated coronary tree segmentation for x-ray angiography sequences using fully-convolutional neural networks
AU2019204365B1 (en) Method and System for Image Segmentation and Identification
IT201800001656A1 (it) Metodo di elaborazione di immagini e metodo per la determinazione di caratteristiche quantitative e/o qualitative degli oggetti riprodotti in una immagine, sistema per l’elaborazione di immagini e sistema per la determinazione di caratteristiche quantitative e/o qualitative degli oggetti riprodotti in una immagine
CN114664455A (zh) 一种冠状动脉血流储备分数计算方法及装置
Parthasarathy et al. Assessment of transfer of morphological characteristics of Anomalous Aortic Origin of a Coronary Artery from imaging to patient specific 3D Printed models: A feasibility study
CN112155511A (zh) 一种基于深度学习补偿oct采集过程中人眼抖动的方法
Kim et al. Automatic CAC voxel classification with multi-scale CNN architecture

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WW01 Invention patent application withdrawn after publication

Application publication date: 20181228

WW01 Invention patent application withdrawn after publication