CN108209955A - 斑块的表征 - Google Patents

斑块的表征 Download PDF

Info

Publication number
CN108209955A
CN108209955A CN201711311401.9A CN201711311401A CN108209955A CN 108209955 A CN108209955 A CN 108209955A CN 201711311401 A CN201711311401 A CN 201711311401A CN 108209955 A CN108209955 A CN 108209955A
Authority
CN
China
Prior art keywords
pixel
patch
data set
parameter value
equipment
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.)
Granted
Application number
CN201711311401.9A
Other languages
English (en)
Other versions
CN108209955B (zh
Inventor
T·弗洛尔
B·施密特
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.)
Siemens AG
Siemens Healthcare GmbH
Original Assignee
Siemens AG
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 Siemens AG filed Critical Siemens AG
Publication of CN108209955A publication Critical patent/CN108209955A/zh
Application granted granted Critical
Publication of CN108209955B publication Critical patent/CN108209955B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0012Biomedical image inspection
    • G06T7/0014Biomedical image inspection using an image reference approach
    • G06T7/0016Biomedical image inspection using an image reference approach involving temporal comparison
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03Computed tomography [CT]
    • A61B6/032Transmission computed tomography [CT]
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/48Diagnostic techniques
    • A61B6/482Diagnostic techniques involving multiple energy imaging
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/50Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/504Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of blood vessels, e.g. by angiography
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/42Arrangements for detecting radiation specially adapted for radiation diagnosis
    • A61B6/4208Arrangements for detecting radiation specially adapted for radiation diagnosis characterised by using a particular type of detector
    • A61B6/4241Arrangements for detecting radiation specially adapted for radiation diagnosis characterised by using a particular type of detector using energy resolving detectors, e.g. photon counting
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/48Diagnostic techniques
    • A61B6/481Diagnostic techniques involving the use of contrast agents
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/48Diagnostic techniques
    • A61B6/486Diagnostic techniques involving generating temporal series of image data
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5229Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image
    • A61B6/5235Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image combining images from the same or different ionising radiation imaging techniques, e.g. PET and CT
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10072Tomographic images
    • G06T2207/10081Computed x-ray tomography [CT]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20081Training; Learning
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30004Biomedical image processing
    • G06T2207/30101Blood vessel; Artery; Vein; Vascular
    • G06T2207/30104Vascular flow; Blood flow; Perfusion
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02ATECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Physics & Mathematics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Optics & Photonics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Pulmonology (AREA)
  • Vascular Medicine (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Physiology (AREA)
  • Quality & Reliability (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明涉及斑块的表征。描述了一种通过多个图像数据集(BDLE,BDHE)来表征检查对象(10)内的感兴趣区域中的斑块(LP,FP,CP)的方法。图像数据集(BDLE,BDHE)已经从多个投影数据集被重建,多个投影数据集已经使用不同X射线能谱通过CT设备(2)被获取。该方法包括以下步骤:获取包括多个像素的图像数据集(BDLE,BDHE)。使用至少两个图像数据集(BDLE,BDHE)逐像素地获取光谱参数值(SP1,SP2)。基于光谱参数值(SP1,SP2)逐像素地获取特征参数值(CP),用以表征斑块(LP,FP,CP)。本发明还涉及一种分析单元(25)和一种计算机断层摄影系统(1)。

Description

斑块的表征
技术领域
本发明涉及一种用于表征斑块的方法、一种分析设备以及一种计算机断层摄影系统。
背景技术
在日益老龄化的人群中,血管疾病代表了日益强大的医学挑战。动脉粥样硬化由例如血管中的斑块表征,特别是由冠状动脉中的斑块表征。如果斑块变为从血管壁脱落,这被称为“斑块破裂”。如果在冠状动脉中存在斑块破裂,则这可能导致血管闭塞,从而导致心脏病发作。
有迹象表明,斑块的成分和斑块的形态是允许作出关于斑块风险的声明的因素,因此可以用来预测破裂的可能性。例如,脂质斑块被评定为特别具有破裂风险;另一方面,钙化斑块更可能表示冠心病的最终稳定阶段。因此,斑块的成分可以用作后续治疗的指示。当存在特别危险的斑块时,可以引入利用他汀类药物、β受体阻滞剂等的侵袭性疗法,或者可以给血管提供支架。在基于药物的疗法中,要治疗的斑块的后续调查需要被指示。
到目前为止,为了表征斑块,通常使用诸如血管内超声(IVUS)等之类的方法,在所述方法中,超声探针被插入到要检查的血管中。
与这些方法相比,直到现在,计算机断层摄影(CT)在斑块的表征中仅起到从属作用。这首先是由于以下事实:迄今通常仅基于CT值(即,重建的切片图像中的像素的灰度值(以Hounsfield为单位))来确定斑块成分。脂肪区域中的具有低CT值的斑块被表征为“脂质”,软组织区域中的具有中等CT值的斑块被表征为“纤维”,具有高CT值的斑块被表征为“钙化”。在这一简单的分析中,对于前述三种类别的斑块,CT值范围的相当大的重叠使得斑块的确切分类变得更加困难。
其次,CT值高度依赖于用于扫描的管电压。其结果是,从在120kV的标准电压下进行的扫描中推导出的、针对脂质斑块、纤维斑块和钙化斑块的CT值范围不能变换到在不同管电压(例如,80kV或100kV)下进行的CT扫描上。这里,管电压设定X射线的最大能量,这就是不同X射线光谱还通过所使用的不同管电压而生成的原因。因此管电压通常用作对应的X射线光谱的标示或表征。然而,总体而言,对于表征斑块的成分而言,仅仅测量CT值所具有的信息价值是有限的。
发明内容
本发明解决了以下问题:提供一种用于表征斑块的方法,一种分析设备以及一种计算机断层摄影系统,利用所述方法、设备和系统,可以改进基于CT数据的斑块表征。
该问题通过根据权利要求1所述的用于表征斑块的方法,根据权利要求11所述的分析设备以及根据权利要求12所述的计算机断层摄影系统来解决。
引言中提到的方法用于表征检查对象内的感兴趣区域中的斑块。表征通过从多个投影数据集重建的多个图像数据集来实现。分别使用不同的X射线能谱,通过CT设备已经获取了多个投影数据集。该方法至少包括以下步骤:在一个步骤中,获取包括多个像素的图像数据集。在另一步骤中,使用至少两个图像数据集逐像地获取光谱参数值。在另一步骤中,基于光谱参数值,逐像素地获取用于表征斑块的特征参数值。
在本发明的上下文中,斑块被定义为内血管壁的细胞中和/或中心血管壁的内层的细胞中慢性发展的局灶性变化。正如在引言中已经陈述的,斑块或动脉粥样硬化具有不同的成分和/或特性。这些使得可以区分或表征各种类型的斑块,这允许分类成不同种类或类别。因此斑块的类型可以被归类、分类或表征为脂质斑块、纤维斑块或钙化斑块。这些类别与根据光谱参数值给这些类别赋予它们的名称的物质类型相对应。然而,相应类型的斑块的其他类别(特别地,更多或更少)也是可行的。
为此,感兴趣区域被检查,感兴趣区域优选包括血管,即例如静脉、动脉或特别地冠状动脉。该区域位于检查对象内,检查对象例如可以是动物对象,但优选是人类对象。
在根据本发明的方法实际开始之前,已经使用CT设备获取了表征所需的数据。为此,首先分别使用不同X射线能谱来获取多个(即至少多于一个)投影数据集。因此,X射线能谱被分配给每个投影数据集。其包括X射线的局部辐射强度的值,所述X射线在穿过检查对象之后在检测元件中被检测,即X射线在来自CT设备的检测器的像素中被检测。相对于检查对象从多个角度来确定X射线强度。在投影数据集之间,X射线能谱可以在以下方面不同:例如它们的最大能量、它们的平均能量、它们的特征最大辐射水平,也就是总体上它们的光谱分布。通过已知的重建方法(诸如滤波反投影、迭代重建方法等)从投影数据集来重建相同数目的图像数据集。在本发明的上下文中,图像数据集被定义为例如检查对象的体图像或切片图像。图像数据集包括多个像素,其在三维体数据集的情况下通常被称为体素,并且在二维切片数据集的情况下被称为像素。
在第一处理步骤中,获取图像数据集。这意味着图像数据集可以例如直接从前述获取步骤或重建步骤中被得到,或者存储在例如存储器中,并且可以从存储器中取出以用于根据本发明的方法。在另一步骤中,从图像数据集逐像素地获取至少一个光谱参数的光谱参数值。在该上下文中,“逐像素地”意味着这些值逐像素地或逐体素地被获取。因此光谱参数值表示在每个像素中来自图像数据集的图像数据的组合,这些图像数据集具有不同X射线能谱。为此,在适当的情况下,在数据集彼此配准之后,图像数据集中仅两个对应的像素可以被组合。或者,像素区域也可以被组合,这些像素被布置在中心像素周围的区域中,针对该中心像素的光谱参数值要被确定。
通过这种组合,光谱参数值包含相应像素上的光谱信息。基本上,可以从具有不同光谱的任何数目的图像数据集来确定光谱参数值。然而,在根据本发明的方法的一个简单且优选的变型中,恰好从两个图像数据集(即低能量图像数据集和高能量图像数据集)来确定光谱参数值。这里,不仅可以获取与一个光谱参数相关的值,而且还可以获取与多个不同光谱参数相关的值,多个不同光谱参数包含不同光谱信息,如下文将更详细解释的。
随后基于光谱参数值,逐像素地获取特征参数值以表征斑块。在最简单的情况下,可以直接使用针对光谱参数获取的值来表征斑块。为此,例如,可以定义相应像素中的光谱参数值的范围,该范围将种类或类别分配给斑块。然而,也可以首先将来自不同光谱参数的值组合,然后基于该组合进行斑块的表征,如下文将更详细解释的。
与已知的现有技术不同,斑块因此不仅由其衰减值表征,而且也基于光谱参数值来表征。如前所述,光谱参数值包含有关斑块特性的详细信息。因此,有利地,可以基于使用CT设备已经获取的数据来更精确地表征斑块。
为了表征检查对象内的感兴趣区域中的斑块,引言中提及的分析设备包括图像数据接口、获取单元和表征单元。分析设备被设计为使得其执行根据本发明的用于表征斑块的方法中的步骤。
在引言中提及的计算机断层摄影系统包括CT设备以及根据本发明的分析设备。
根据本发明的分析设备的一些基本部件可以大部分以软件部件的形式被设计。这特别应用于获取单元。基本上,该部件也可以部分地以软件支持的硬件(例如FPGA等)的形式被实现,特别是在涉及特别快速的计算时更是如此。同样,例如如果仅仅是从其他软件部件导入数据的问题,则所需接口可以被实现为软件接口。然而,这些接口也可以被设计为通过适当软件激活的基于硬件的接口。
大部分基于软件的设计具有如下优点:迄今为止已经使用的计算机断层摄影系统和/或评估计算机甚至也可以通过软件更新以简单的方式被改装,使得它们以本发明的方式进行操作。在这方面,可以通过包括计算机程序的相应计算机程序产品来解决所述问题,计算机程序可以被直接加载到计算机断层摄影系统的存储器单元中,计算机程序具有程序段,当程序在计算机断层摄影系统中运行时,程序段执行本发明的方法中的所有步骤。这样的计算机程序产品可以可选地包括与计算机程序并存的附加部件,例如文档和/或附加组件以及硬件组件,例如用于使用软件的硬件密钥(加密狗等)。
为了传送到计算机断层摄影系统和/或在计算机断层摄影系统上或中存储,可以使用计算机可读介质,例如记忆棒、硬盘或其它可移动或固定安装的数据载体,在计算机可读介质上存储计算机程序的程序段,这些程序段可由计算机断层摄影系统的计算单元读取和执行。为此,计算单元可以包括例如一个或多个协同操作的微处理器等。
本发明的进一步特别有利的变体和变形由从属权利要求以及以下描述产生,其中一种权利要求类别的独立权利要求还可以类似地被变形为另一权利要求类别的从属权利要求或描述部分,特别是各实施例或变体的各个特征也可以被组合,以形成新的实施例或变体。
原则上,任何复杂的方法都可以用来基于CT数据来确定物质的成分。因此,例如,对基本物质的分解是尽可能多地获取关于物质的信息的、高要求的计算密集型方法。这种详细程度对于充分的诊断通常是不必要的。相反,使用节约资源(即计算密集度较低)的方法可能会有帮助。
因此,光谱参数值的获取优选地包括获取双能量比。双能量比表示每个像素中低能量图像数据集的衰减值与高能量图像数据集的衰减值的比。因此,通常使用两个图像数据集,具有较低的最大X射线能量(例如,80KV)的低能量图像数据集和具有较高的最大X射线能量(例如,140KV)的高能量图像数据集。
在不限制本发明的范围的情况下,在以下描述中,这两个图像数据集被用作多个图像数据集的替代。因此,在每个像素中可以经由算术运算来计算双能量比,即从低能量图像数据集中的对应像素值和高能量图像数据集中的对应像素值来创建商。如果双能量比(DE比)的值低于所定义的阈值,优选低于1(DE比<1),则其结果是相应像素中的斑块可以被表征为脂质。具有在1附近的范围中的双能量比值(DE比~1)的像素应当优选地被分类为纤维,而具有大于1的双能量比值(DE比>1)的斑块将被分类为钙化。
双能量比通常是与浓度无关的值。这意味着双能量比表征所出现的物质类型,不管其局部密度如何。然而,当表征斑块时,考虑物质的浓度可能是有利的。光谱参数值的获取因此优选地包括获取双能量指数。按照下式从高能量图像数据集和低能量图像数据集来计算每个像素的双能量指数:
这里BDLE(x)表示低能量图像数据集中的像素x的像素值,BDLE(x)表示高能量图像数据集BDHE中的像素x的像素值。参数α是与表示有关的缩放因子。双能量指数根据其特性既包含与物质的原子成分(原子序数)有关的信息,也包含与物质浓度有关的信息。因此,可以有利地基于双能量指数(DE-指数)来获取随后的斑块表征。在双能量指数值低于零(DE指数<0,特别优选地DE指数<-0.05)的情况下,斑块优选地被表征为脂质。相反,双能量指数值大于零(DE指数>0,特别优选地DE指数>0.05)的斑块优选地被分类为钙化。双能量指数值在(DE-指数~0,特别优选地-0.05<DE-指数<0.05)附近的范围中的斑块优选地被分类为纤维。
然而,除了双能量比以外,还很有可能使用双能量指数来表征斑块。为此,特别优选地,从这两个光谱参数确定组合参数,组合参数组合了这两个参数的优点。因此,例如,可以使用加权加法来计算组合参数,该加权加法根据需要来突出对物质的浓度的依赖或对物质的成分的依赖。
在根据本发明的方法中,优选地在附加步骤中,基于特征参数值来获取风险参数值。风险参数值在此被理解为表示关于未来致病的可能性的值。因此风险参数值给出了对疾病可能进一步发展的可能性的预测,例如斑块进一步积聚或斑块破裂的风险。基本上可以仅基于特征参数值来确定风险参数值,但是也可以考虑另外的参数,如下文将更详细解释的。
风险参数值的获取优选地通过使用形态数据来实现。形态数据可以包括针对以下各项的值:斑块体积、斑块长度和斑块在血管内的位置等。斑块体积可以表示斑块的整体体积,但是它还可以描述预先表征过的各个斑块区域的体积。斑块长度表示斑块沿着血管纵向长度或在血液流动方向上的长度。另外地,例如,从斑块体积和斑块长度可以确定斑块的形状参数,形状参数定义了斑块长度与斑块厚度的比。据此例如可以得出关于斑块破裂的可能性的结论。
因此,斑块在血管内的位置,例如在分支之前等,可能对斑块的发展具有相当大的影响。此外,斑块的风险或进一步发展可能受到所谓的“正性重塑”的影响。这描述了作为对斑块形成的反应而发生的血管扩张,由此血管延展其横截面以保留其原始内腔。这样的改变因而对斑块的进一步发展可能具有相当大的影响,因此优选地在获取风险参数时被纳入考虑。
优选地,使用血流量数据来实现风险参数值的获取。优选地,血流量数据包括来自先前CT灌注检查的数据、来自与血流储备分数(FFR)有关的测量的数据和/或与通过CT设备获取的血流储备分数(CT-FFR)有关的数据。这些数据给出了关于局部的信息,即关于斑块的位置、主要的血流量的信息,因此可以有利地有助于尽可能精确地确定风险参数值。借助血流量数据,任何复杂的计算可以被执行以用于风险分析,例如有限元模拟(FEM)、流动模拟等。因此,例如,首先主要的剪切力可以被确定并且与斑块的粘附力相关联,而从粘附力又可以确定风险参数值。
其次,也可以在机器学习表征过程的上下文中考虑这些数据,如稍后将更详细描述的。
在同时和迅速获取的数据的基础上,使用特征参数值的表征或使用风险参数值的风险评估表示的是初步印象,而不具有按照时间顺序的上下文。然而,风险参数值的获取优选地包括特征参数值、形态数据和/或血流量数据的按照时间顺序的发展。
优选地,参数值或数据的按照时间顺序的发展通过两个或更多个数据获取来确定,这些数据获取按照时间顺序被间隔开。为了确定按照时间顺序的发展,比较在不同时间点获取的参数值或数据。比较可以在任何级别上进行。这意味着,例如,可以在初步评估级别上对不同时间点的光谱参数值进行相互比较,可选地预先执行图像数据集彼此的配准。
备选地,在结果级别上对按时间顺序间隔开的风险参数值进行相互比较。换句话说,借助于后续检查,风险参数值可以被确定得更准确。这意味着可以更准确地预测斑块的未来发展。同样,按时间顺序的发展可以用作疗法反应的指示,从而确认或反驳疗法的成功。此外,在该后续检查的上下文中,可以核查先前检查的风险参数值是否被正确确定以及被正确确定的程度。该核查的结果可以有利地用作机器学习过程的参考,这将在稍后作更详细的描述。
对于根据本发明的方法,优选地,已经预先以高分辨率模式,尤其是使用具有光子计数检测器的CT设备获取了投影数据集。光子计数检测器被设计为例如直接转换半导体检测器,其以能量分辨方式确定X射线。高分辨率模式(HRCT)基本上表示分辨率被最大化的获取模式。例如,这可以通过过采样(低间距、检测器上的弹性焦点等)和/或通过优化CT设备的几何结构(窄焦点、通过UHR梳减小检测器孔径等)来实现。这避免了表征中的不确定性,例如由于“钙质繁盛”而发生的那些不确定性。
在根据本发明的方法中,特征参数值的获取和/或风险参数值的获取优选地包括机器学习过程,特别优选地机器学习过程基于参考检查对象的数据库。在机器学习过程的上下文中,确定额外地改善特征参数值的获取和/或风险参数值的获取的准则。特别地,这涉及复杂的准则,借助于这些复杂的准则,计算单元或计算机例如可以基于算法来分析如何使用光谱不同的图像数据集更好地表征斑块,以及如何进一步提高风险参数的信息价值。
优选的学习过程包括以下步骤:首先,获取学习数据,特别优选地学习数据来自参考检查对象的数据库。学习数据是利用不同X射线能量已经获取的图像数据。通过学习数据,随后多个斑块被表征,另外特别优选地,随后风险参数值也借助根据本发明的方法被确定—可选地,在从原始数据重建图像之后。在另一步骤中,由此获得的结果被监测或评估。评估接着可以由操作者例如使用分级量表来进行。但是,也可以在后续检查的基础上执行评估,其中事先确定的特征参数值和/或风险参数值的统计显著性可以被检查,同时考虑到斑块的发展。
在根据本发明的方法中,在附加步骤中,特征参数值和/或风险参数值可以优选地按位置被分配,并且特别优选地被显示。这里,特别优选地,参数值将按位置被输出为图—即被分配给空间上对应的像素。例如,这些参数值可以被显示在鼠标光标的位置或者被显示为感兴趣区域(ROI)的平均值。
备选地或附加地,特别优选地,叠加图像被输出,叠加图像基于图像数据集,并且在叠加图像中参数值以图形编码的形式被显示。这意味着,例如,来自低能量图像数据集(或来自高能量图像数据集)的切片图像以灰度值被示出。另外,特征参数值逐像素地以不同的颜色明暗度(例如,红色)被可视化,并且风险参数值以不同颜色明暗度(例如,绿色)被可视化。在这样的表示中,操作者容易确定哪些类别的斑块被布置在血管中的哪些位置,并且估计局部斑块破裂的风险有多高。
备选地或附加地,还可以在直接地或经由网络连接的存储设备中实现输出,在存储设备中存储该输出,并且可以在稍后的时间点从该存储设备下载该输出。
根据本发明的方法还可以包括分割。分割可以例如通过已知的分割方法来自动实现或由操作者手动地实现。在分割的上下文中,图像数据集被划分成区域,在这些区域中,存在例如第一碘造影血液、第二血管壁或结缔组织以及第三斑块积聚。该方法的另外步骤然后可以有利地用于位于血管壁内部的、但不包含任何造影血液的那些区段。
优选地,在感兴趣区域(ROI)上使用根据本发明的方法,感兴趣区域可以预先自动地或由操作者建立。这有利于节约资源,这是因为例如不必将所需的获取步骤应用到图像数据所捕获的整个区域,而是仅应用到感兴趣区域。
根据本发明的计算机断层摄影系统中的CT设备是多能量CT设备。多能量CT设备在这里被理解为双源CT设备、具有kV切换(慢速或快速)的CT设备、具有管光谱预滤波的CT设备、具有多层检测器的CT设备和/或具有能量选择性光子计数检测器的CT设备等。
特别优选地,CT设备被设计用于ECG触发或ECG门控的投影数据获取。因此,有利地,也可以进行运动血管的检查,例如冠状动脉的检查。
附图说明
以下参照附图并通过实施例更详细地描述本发明。在各图中,相同的部件由相同的附图标记表示。这些图一般不按比例,其中:
图1示出了根据本发明的计算机断层摄影系统的实施例的粗略示意图,
图2示出了根据本发明的分析设备的实施例的示意性电路框图,
图3示出了根据本发明的方法的简单实施例的方框示意图,
图4示出了根据本发明的方法的另一实施例的方框示意图,
图5示出了患者的血管的四个示意性横截面视图,这些视图示出了根据本发明的方法的不同步骤。
具体实施方式
图1通过示例并以粗略图的形式示出了根据本发明的计算机断层摄影系统1,计算机断层摄影系统1包括用户终端20和计算机断层摄影设备2。计算机断层摄影系统1被设计为执行根据本发明的用于表征斑块的方法。计算机断层摄影设备2包括患者台12,患者台12用于定位作为检查对象的患者10,患者台可以沿系统轴线6移动。系统轴线6在下文中被称为z轴线,其可以与患者10一起移动到测量区域中。该设备还包括台架3,台架3包括源-检测器-布置4、5,其围绕系统轴线6被可旋转地定位。源-检测器-布置4、5包括X射线源5和量子计数检测器4,X射线源5和量子计数检测器4面向彼此而被对齐,使得当在操作中时,从X射线源5的焦点发射的X射线撞击检测器4。X射线源被设计为用于快速KV切换。这意味着,在扫描期间,X射线源以例如1000Hz的频率在80kV和140kV之间改变其管电压。检测器4被构造用于在各个像素7中对X射线进行空间分辨检测,各个像素7被布置在多个检测器行中。目前,正在使用的检测器4具有总共64个或更多的行,并且空间分辨率在亚毫米范围内。对于每个投影,检测器4生成投影数据集。这里,投影数据表示X射线中被患者10所衰减的、针对所有像素7的衰减值。根据这些衰减值的能级,在来自检测器4的像素7的分离箱中获取这些衰减值。
这样的计算机断层摄影设备2已知被用于3D图像重建。为了获取感兴趣区域的图像,随着源-检测器-布置4、5的旋转,从多个不同的投影方向来获取投影数据。在螺旋扫描的情况下,例如在源-检测器-布置4、5的旋转期间,同时发生患者台12在系统轴线6的方向上的连续调整。因此在这种类型的扫描中,X射线源5和检测器4在围绕患者10的螺旋轨迹上移动。
计算机断层摄影系统1还包括用户终端20,用户终端20具有分析设备25的图像重建装置24、显示单元21(例如监测器)和用于记录用户输入的输入单元22(例如键盘)。分析设备25被设计为执行根据本发明的方法。已经获取的投影数据首先使用已知的方法被重建,然后通过根据本发明的方法被转换成所得到的叠加图像,该叠加图像例如可以在显示单元21上被示出和/或可以被存储在存储器中和/或被转发到其他系统。以下参照图2描述分析设备25的详细设计。
图2以示例的方式示出了根据本发明的分析设备25的电路框图。其包括图像数据接口30、获取单元32、表征单元33、评估单元34、可视化单元37和输出接口38,它们经由总线31连接到数据传送系统。因此可以经由总线31在分析设备25的部件之间自由交换数据。分析设备25还包括连接到评估单元34的形态数据接口35和流量数据接口36。
分析设备25经由接口30、35、36、38连接到网络,例如CT系统1的存储器单元和/或其他部件(诸如重建单元14)。这些接口被用于从分析设备25到这些部件的数据传送,并且在必要时反之亦然。
图3以框图的形式示出了根据本发明的方法的简单示例性实施例,该方法具有三个步骤,借助于图2中描述的分析设备25来执行该方法。在第一步骤I中,经由图像数据接口30获取两个图像数据集BDHE,BDLE。已经在预备获取步骤中(其并非根据本发明的方法的一部分)使用CT设备2检测到了图像数据集BDLE,BDHE,作为具有不同X射线能谱的投影数据集(80kV用于低能量图像数据集BDLE,以及140kV用于高能量图像数据集BDHE)。随后,它们已经被重建为低能量图像数据集BDLE和高能量图像数据集BDHE。图像数据集BDLE,BDHE可选地被彼此配准,以允许统一的数据定位。
在第二步骤II中,在获取单元32中,逐像素地从图像数据集BDLE,BDHE分别计算双能量比SP1,以作为光谱参数值,即逐体素或逐像素地从相应像素值计算双能量比SP1。从来自低能量图像数据集BDLE的像素值和来自高能量图像数据集BDHE的对应像素值,通过商BDLE/BDHE来计算每个像素中的双能量比SP1。
在第三步骤III中,在表征单元33中,每个像素根据其计算的双能量比SP1而被分配给一个斑块类别,即值低于1(<1)为脂质,值在1附近(~1)为纤维,值大于1(>1)为钙化。相应的斑块类别对应于特征参数值CP。随后其可以经由输出接口38被转发到CT系统1的其他部件,并且因此例如借助显示单元21来显示。
这里BD80(x)表示低能量图像数据集BDLE中的像素x的像素值,BD140(x)表示高能量图像数据集BDHE中的像素x的像素值。这里,缩放因子α已经被设置为2000。在作为其修改的第三步骤III'中,在表征单元33中,从双能量比SP1的值和双能量指数SP2的值来确定特征参数值CP。这通过逐像素地加权相加地实现,在加权相加中,根据需要来选择加权系数。
在第四步骤IV中,借助于流量数据接口36来获得已经借助于CT-FFR扫描而被预先获取的流量数据FD。这里,流量数据FD包括例如血管内的整体流量分布或者斑块前后两个位置之间的普遍存在的压力差。
此外,在第五步骤V中,通过形态数据接口35获得形态数据MD,形态数据MD预先已经从例如图像数据集BDLE,BDHE的结构分析中被获取。形态数据MD包括例如与斑块形式有关的长度、体积和/或参数。可选地,通过形态数据MD,在血管中检测“正性重塑”,即响应于提高的生理或病理压力的反应性商业重塑过程。
在第六步骤VI中,在评估单元34中逐像素地获取风险参数值RP。为此,例如可以执行模拟。例如,这结合了作用在斑块上的剪切力,剪切力由流量数据FD中包括的局部流动引起。其次,考虑了基于形态数据MD的斑块形式以及基于特征参数值CP的斑块成分。备选地,还可以使用预先已经在机器学习过程的上下文中设定的复杂准则来确定风险参数值RP。
在第七步骤VII中,在可视化单元37中产生图,即要被输出的图像,以显示在显示单元21上。该图基本上还可以包括迄今使用的所有数据FD、MD或值SP1、SP2、CP、RP,使得用户可以选择要显示哪些元素。例如,该图可以基于图像数据集BDLE,BDHE中的一个,其在背景中用作灰度色调。流量数据FD可以通过向量被象征性地示出为矢量场。例如,参数值可以按颜色(例如,风险参数值RP用红色和特征参数值CP用绿色)按与其量相对应的明暗度而被叠加,以作为背景的覆盖。该图形编码的图可以由用户通过输入单元22经由输入来交互地调整,并且最终作为图数据DD被传送到显示单元21并在显示单元21上显示。
图5示出了患者血管的四个示意性横截面视图,其图示了根据本发明的方法中的不同步骤。血液沿着流动方向FR在所示血管中流动。
在抽象的物质图像MB中,血管主要填充有血液B.0,该图像表示血管中普遍存在的物质的实际布置。在血管的一个边缘上,不同类型的斑块LP.0、FP.0和CP.0积聚在血管壁上。在物质图像MB中,可以明确区分脂质斑块LP.0、纤维斑块FP.0和钙化斑块CP.0。
视图BDLE、BDHE表示来自低能量图像数据集BDLE和高能量图像数据集BDHE的切片图像。物质布置中的所有分量B.1、LP.1、FP.1和CP.1以及B.2、LP.2、FP.2和CP.2均以灰度再现,这致使表征斑块更加困难。特别地,在高能量图像数据集BDHE中几乎无法区分纤维斑块FP.1和钙化斑块CP.1。
相反,在根据本发明(其基于双能量指数SP2)的视图中,可以清楚地区分所有分量B.3、LP.3、FP.3和CP.3。特别地,由于清晰的彩色图,这里不同类型的斑块沉积LP.3、FP.3和CP.3可以清晰可见地被划分为脂质斑块LP.3、纤维斑块FP.3和钙化斑块CP.3,这使诊断和/或预测或风险评估更容易。
总之,再次指出,已经详细描述的装置和方法仅为实施例,这些实施例可以由本领域技术人员以各种方式修改,而不超出本发明的范围。此外,量词“一”或“一个”的使用不排除相关特征也以复数的形式出现。类似地,术语“单元”、“装置”、“设备”和“系统”不排除相关部件包括多个部分部件,这些部分部件组合工作并且可以可选地在空间上分布。然而相反,例如,分析设备的接口也可以组合在通用接口中。

Claims (15)

1.一种通过多个图像数据集(BDLE,BDHE)来表征斑块(LP,FP,CP)的方法,所述斑块(LP,FP,CP)在一个检查对象(10)内的一个感兴趣区域中,所述多个图像数据集(BDLE,BDHE)已经从多个投影数据集被重建,所述多个投影数据集分别使用不同X射线能谱、通过一个CT设备(2)而被获取,所述方法至少包括以下多个步骤:
-获取(I)所述多个图像数据集(BDLE,BDHE),所述多个图像数据集(BDLE,BDHE)包括多个像素,
-使用至少两个图像数据集(BDLE,BDHE),逐像素地获取(II,II')多个光谱参数值(SP1,SP2),
-基于所述多个光谱参数值(SP1,SP2),逐像素地获取(III)多个特征参数值(CP),以表征所述多个斑块(LP,FP,CP)。
2.根据权利要求1所述的方法,其中获取(II,II')所述多个光谱参数值(SP1)包括获取(II)一个双能量比。
3.根据权利要求1或2所述的方法,其中获取所述多个光谱参数值(SP2)包括获取(II')一个双能量指数。
4.根据前述权利要求中任一项所述的方法,其中附加地,多个风险参数值(RP)从所述多个特征参数值(CP)被确定。
5.根据权利要求4所述的方法,其中通过使用形态数据(MD)来实现所述多个风险参数值(RP)的获取(VI)。
6.根据权利要求4或5所述的方法,其中通过使用血流量数据(FD)来实现所述多个风险参数值(RP)的获取(VI)。
7.根据权利要求4至6中任一项所述的方法,其中所述多个风险参数值(RP)的获取(VI)是所述多个特征参数值(CP)、所述形态数据(MD)和/或所述血流量数据(FD)的按时间顺序的一个演变。
8.根据前述权利要求中任一项所述的方法,其中所述多个投影数据集特别地使用一个CT设备(2)、在一个高分辨率模式中被获取,所述CT设备(2)具有一个光子计数检测器(4)。
9.根据前述权利要求中任一项所述的方法,其中获取(III)所述多个特征参数值(CP)和/或获取(VI)所述多个风险参数值(RP)包括一个机器学习过程,优选地,所述机器学习过程基于多个参考检查对象的一个数据库。
10.根据前述权利要求中任一项所述的方法,还包括按位置分配输出(VII)所述多个特征参数值(CP)和/或所述多个风险参数值(RP),其中所述多个参数值(CP,RP)被输出为一个图,所述图以图形编码的形式按位置被分配和/或输出在一个叠加图像中,所述叠加图像基于所述多个图像数据集之一。
11.一种分析设备(25),用于表征一个检查对象(10)内的一个感兴趣区域中的斑块,所述分析设备(25)包括:
-一个图像数据接口(30),用于获取多个图像数据集(BDLE,BDHE),所述多个图像数据集(BDLE,BDHE)已经从多个投影数据集被重建,所述多个投影数据集分别使用不同X射线能谱、通过一个CT设备(2)而被获取,
-一个获取单元(32),用于使用至少两个图像数据集(BDLE,BDHE),逐像素地获取(II,II')多个光谱参数值(SP1,SP2),
-一个表征单元(33),用于从多个光谱参数值(SP1,SP2)逐像素地获取(III)多个特征参数值(CP),以用于表征多个斑块(LP,FP,CP)。
12.一种计算机断层摄影系统(1),包括一个CT设备(2)和根据权利要求11所述的一个分析设备(25)。
13.根据权利要求12所述的计算机断层摄影系统,其中所述CT设备(2)被设计为一个多能量CT设备(2)。
14.一种计算机程序产品,具有一个计算机程序,所述计算机程序能够被直接加载到一个分析设备(25)的一个存储器单元中,所述计算机程序具有多个程序段,当所述程序在所述分析设备(25)中运行时,所述多个程序段执行根据权利要求1至10中任一项所述的方法中的所有步骤。
15.一种计算机可读介质,在所述计算机可读介质上存储有多个程序段,所述多个程序段可由一个计算单元读取和执行,以便当所述多个程序段被所述计算单元运行时,执行根据权利要求1至10中任一项所述的方法中的所有步骤。
CN201711311401.9A 2016-12-12 2017-12-11 用于表征斑块的方法、分析设备和计算机断层摄影系统 Active CN108209955B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
EP16203444.1 2016-12-12
EP16203444.1A EP3332710B1 (de) 2016-12-12 2016-12-12 Charakterisierung von plaque

Publications (2)

Publication Number Publication Date
CN108209955A true CN108209955A (zh) 2018-06-29
CN108209955B CN108209955B (zh) 2021-12-03

Family

ID=57609674

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711311401.9A Active CN108209955B (zh) 2016-12-12 2017-12-11 用于表征斑块的方法、分析设备和计算机断层摄影系统

Country Status (3)

Country Link
US (1) US11328423B2 (zh)
EP (1) EP3332710B1 (zh)
CN (1) CN108209955B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110881992A (zh) * 2018-09-07 2020-03-17 西门子医疗有限公司 使用双能量计算机断层扫描的针对外伤性出血的检测和量化

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10813612B2 (en) 2019-01-25 2020-10-27 Cleerly, Inc. Systems and method of characterizing high risk plaques
DE102019203714B4 (de) 2019-03-19 2020-10-22 Siemens Healthcare Gmbh Verfahren und Datenverarbeitungssystem zum Bereitstellen von Entscheidungsunterstützungsdaten
US20220392065A1 (en) 2020-01-07 2022-12-08 Cleerly, Inc. Systems, methods, and devices for medical image analysis, diagnosis, risk stratification, decision making and/or disease tracking
US11969280B2 (en) 2020-01-07 2024-04-30 Cleerly, Inc. Systems, methods, and devices for medical image analysis, diagnosis, risk stratification, decision making and/or disease tracking
EP4087486A4 (en) 2020-01-07 2024-02-14 Cleerly, Inc. SYSTEMS, METHODS AND DEVICES FOR MEDICAL IMAGE ANALYSIS, DIAGNOSIS, RISK STRATIFICATION, DECISION-MAKING AND/OR DISEASE MONITORING
US20230289963A1 (en) 2022-03-10 2023-09-14 Cleerly, Inc. Systems, devices, and methods for non-invasive image-based plaque analysis and risk determination
CN115600075B (zh) * 2022-12-12 2023-04-28 深圳市城市规划设计研究院股份有限公司 景观斑块变化的测度方法和装置、电子设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101433464A (zh) * 2007-11-12 2009-05-20 Ge医疗系统环球技术有限公司 X射线ct装置和图像处理装置
US20140050378A1 (en) * 2012-08-14 2014-02-20 Instituto Do Coracao System and method for detecting materials or disease states using multi-energy computed tomography
US9220419B2 (en) * 2013-12-18 2015-12-29 Heartflow, Inc. Systems and methods for predicting coronary plaque vulnerability from patient-specific anatomic image data
CN109009181A (zh) * 2018-06-07 2018-12-18 西安交通大学 双能量ct下同时估计x射线球管光谱和重建图像的方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102006015451A1 (de) * 2006-03-31 2007-10-11 Siemens Ag Verfahren und Vorrichtung zur automatischen Differenzierung von Knochen oder anderen kalziumhaltigen Materialien und Kontrastmittel in Weichteilgewebe
US7298812B2 (en) * 2006-03-31 2007-11-20 General Electric Company Image-based material decomposition
JP5329103B2 (ja) * 2008-02-01 2013-10-30 ジーイー・メディカル・システムズ・グローバル・テクノロジー・カンパニー・エルエルシー 画像処理装置及びx線ct装置
US8280134B2 (en) * 2008-09-22 2012-10-02 Cambridge Research & Instrumentation, Inc. Multi-spectral imaging including at least one common stain
DE102011004120B4 (de) * 2011-02-15 2017-04-06 Siemens Healthcare Gmbh Verfahren, Bilddatensatzbearbeitungseinrichtung, Röntgensystem und Computerprogramm zur Korrektur von Bilddaten eines Untersuchungsobjekts
US8934693B2 (en) * 2011-11-23 2015-01-13 Siemens Aktiengesellschaft Method and system for intervention planning for transcatheter aortic valve implantation from 3D computed tomography data
WO2015092588A2 (en) * 2013-12-17 2015-06-25 Koninklijke Philips N.V. Spectral image data processing
JP7104034B2 (ja) * 2016-11-30 2022-07-20 コーニンクレッカ フィリップス エヌ ヴェ スペクトルctにおける骨及びハードプラークのセグメンテーション

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101433464A (zh) * 2007-11-12 2009-05-20 Ge医疗系统环球技术有限公司 X射线ct装置和图像处理装置
US20140050378A1 (en) * 2012-08-14 2014-02-20 Instituto Do Coracao System and method for detecting materials or disease states using multi-energy computed tomography
US9220419B2 (en) * 2013-12-18 2015-12-29 Heartflow, Inc. Systems and methods for predicting coronary plaque vulnerability from patient-specific anatomic image data
CN109009181A (zh) * 2018-06-07 2018-12-18 西安交通大学 双能量ct下同时估计x射线球管光谱和重建图像的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
BOUSSEL, L (BOUSSEL, L.)[ 1,2 ] ; COULON, P (COULON, P.)[ 3 ]: "Photon counting spectral CT component analysis of coronary artery atherosclerotic plaque samples", 《BRITISH JOURNAL OF RADIOLOGY》 *
OBAID, DR (OBAID, DANIEL R.)[ 1,2 ] ; CALVERT, PA (CALVERT, PATR: "Dual-energy computed tomography imaging to determine atherosclerotic plaque composition: A prospective study with tissue validation", 《JOURNAL OF CARDIOVASCULAR COMPUTED TOMOGRAPHY》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110881992A (zh) * 2018-09-07 2020-03-17 西门子医疗有限公司 使用双能量计算机断层扫描的针对外伤性出血的检测和量化
CN110881992B (zh) * 2018-09-07 2023-08-22 西门子医疗有限公司 使用双能量计算机断层扫描的针对外伤性出血的检测和量化

Also Published As

Publication number Publication date
CN108209955B (zh) 2021-12-03
EP3332710B1 (de) 2020-09-16
US20180165811A1 (en) 2018-06-14
EP3332710A1 (de) 2018-06-13
US11328423B2 (en) 2022-05-10

Similar Documents

Publication Publication Date Title
CN108209955A (zh) 斑块的表征
US8229200B2 (en) Methods and systems for monitoring tumor burden
NL1024869C2 (nl) Werkwijze en systeem voor het meten van voor ziekte relevante weefselveranderingen.
CN110944586B (zh) 来自x射线图像数据的炎症估计
EP1526808B1 (en) Systems for detecting components of plaque
RU2443020C2 (ru) Компенсация движения в чувствительной к изменению энергии компьютерной томографии
JP5188154B2 (ja) 血管内部のソフトプラークに対するリスク計測基準を作成するための方法及び装置
US10098602B2 (en) Apparatus and method for processing a medical image of a body lumen
Rajagopal et al. Evaluation of coronary plaques and stents with conventional and photon-counting CT: benefits of high-resolution photon-counting CT
CN105830123B (zh) 谱图像数据处理
JP7059298B6 (ja) 心筋ct灌流画像合成
JP2004105728A (ja) コンピュータを利用した医療用画像の収集
JP2004105731A (ja) コンピュータを利用した医療用画像の処理
US20060122500A1 (en) Imaging method and apparatus for visualizing coronary heart diseases, in particular instances of myocardial infarction damage
JP2004174253A (ja) 軟組織空間の視覚化の方法及び装置
JP2020535924A (ja) 診断撮像における画像特徴のアノテーション
Glaßer et al. Automatic transfer function specification for visual emphasis of coronary artery plaque
CN108618797A (zh) 光谱ct图像数据的对比度增强再现
CN109727660A (zh) 在医学成像中针对血液动力学量化的不确定性或敏感性的机器学习预测
US20230222658A1 (en) Spectral dark-field imaging
WO2018098118A1 (en) System and method for quantifying luminal stenosis using multi-energy computed tomography imaging
JP7080214B2 (ja) 脂肪組織のタイプの識別
Kukar et al. Supporting diagnostics of coronary artery disease with neural networks
Part Low dose calcium scoring
Santarelli et al. On-line 3D evaluation of left ventricular wall motion in magnetic resonance imaging

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
GR01 Patent grant
GR01 Patent grant