CN108960322A - 一种基于心脏ct图像的冠状动脉钙化斑块自动检测方法 - Google Patents
一种基于心脏ct图像的冠状动脉钙化斑块自动检测方法 Download PDFInfo
- Publication number
- CN108960322A CN108960322A CN201810709652.0A CN201810709652A CN108960322A CN 108960322 A CN108960322 A CN 108960322A CN 201810709652 A CN201810709652 A CN 201810709652A CN 108960322 A CN108960322 A CN 108960322A
- Authority
- CN
- China
- Prior art keywords
- feature
- image
- coordinate system
- cardiac
- heart
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Abstract
本发明涉及一种基于心脏CT图像的冠状动脉钙化斑块自动检测方法,属于生物医学工程技术领域,该技术以心脏CT图像的三维重建为基础,通过一系列特征来从不同角度描述和区分冠状动脉钙化斑块,继而分四个阶段对冠状动脉候选钙化斑块进行分类和量化,从而实现钙化斑块的自动检测。该技术能够自动、快速检测和测量一组心脏CT图像中的钙化斑块并识别其所处的冠脉分支,可以有效降低人工负担和主观因素带来的误差,提高阅片的效率和准确性,具有重要的临床意义,并获得可观的社会效益和经济效益。
Description
技术领域
本发明属于生物医学工程技术领域,具体地,涉及一种基于心脏CT图像的冠状动脉钙化斑块自动检测方法。
背景技术
心血管疾病包括冠心病、高血压、充血性心脏衰竭和先天性心血管缺陷等,在世界范围内都是死亡率最高的疾病之一。大多数心脏病发作和心脏突然死亡的根本原因是不断增 长的动脉粥样硬化斑块,这些斑块被认为是易损斑块。冠状动脉内的钙化斑块是该血管发生 动脉粥样硬化程度大小的一个标志,因此可以作为一个预测工具来对有症状和无症状的患者 发生冠状动脉疾病的可能性进行预测。
冠状动脉钙化斑块可能位于下面的主冠状动脉及其分支中的任意位置:左主干(Left Main,LM),左前降支(Left Anterior Descending,LAD),回旋支(Circumflex,CX)和右冠脉(Right Coronary Artery,RCA)。目前一些商业的医学图像分析工作站采用连接元 件标记法(使用130HU的阈值)和3/4像素(最小1mm2)的最小尺寸约束来检测冠状动脉钙化。每一冠状动脉钙化斑块必须由训练有素的操作员手工确定,然后由软件计算出它们各 自的计分(如盖斯顿计分、体积积分、质量计分)以及总的冠状动脉钙计分。然而,这样的一个过程通常费时费力,尤其是在进行纵向研究和大规模筛选时。这在很大程度上限制了钙 计分的应用,难以作为常规检查在所有心脏CT扫描中推广。因此,需要研究冠状动脉钙化 的自动识别与量化方法以降低人工负担、减少评估时间,这在大规模筛选和心血管风险评估 中尤其重要。
发明内容
针对上述问题,本发明的目的在于提供一种基于心脏CT图像的冠状动脉钙化斑块自动检测方法。该方法以心脏CT图像的三维重建为基础,通过一系列特征来从不同角度描述和区分冠状动脉钙化斑块,继而分四个阶段对冠状动脉候选钙化斑块进行分类和量化,从 而实现钙化斑块更为快速、准确地自动检测。
为了实现上述目的,本发明采用的具体方案为:
一种基于心脏CT图像的冠状动脉钙化斑块自动检测方法,首先对从PACS服务器读取的心脏CT图像数据集进行CUDA加速最大密度投影三维重建,接着建立心脏坐标系来提取感兴趣容积以减少诸如胸椎和肋骨等其他高密度区的干扰,接着根据所设计的钙化斑块 特征对感兴趣容积内的候选钙化斑块进行检测、分类和量化,最后输出检测结果。
作为对上述方案的进一步优化,所述检测方法包括以下步骤:
S1:图像重建:对PACS服务器读取的心脏CT图像数据集进行无失真最大密度投 影三维重建,得到完整的心脏图像;
S2:建立心脏坐标系:在图像坐标系的基础上建立心脏坐标系,所述心脏坐标系的X轴、Y轴与Z轴的指向与图像坐标系中的指向相同;所述心脏坐标系的坐标原点为S1步 骤中得到的完整的心脏图像中的主动脉与左主干的交点作为心脏坐标系的原点;所述心脏坐标系的X轴和Y轴均有正值或负值,而Z轴只有正值;
S3:钙化斑块特征设计:借助S2步骤中建立的心脏坐标系对将要表征的冠状动脉钙 化斑块进行包括基于体素灰度的特征、形状特征、几何特征和纹理特征的钙化斑块特征设计;
S4:分类器设计:选择k-近邻分类器进行冠状动脉钙化斑块的检测分类;
S5:钙化斑块检测、分类与量化:利用S3步骤设计的钙化斑块特征和步骤S4选择的分类器通过四个阶段对冠状动脉钙化斑块进行检测、分类与量化;所述四个阶段包括:第一阶段是根据钙化阈值将可能钙化的区域和非钙化区域区分开来;第二阶段是将CT值大于钙化阈值的体素分类成心脏VOI中的候选钙化斑块和其他高密度对象;第三阶段是对心脏VOI中的候选钙化斑块进行分类,区分出冠状动脉钙化斑块和其他钙化斑块;第四阶段针对检测出的冠状动脉钙化斑块,建立心脏坐标系并在该坐标系内计算包括三个正交平面内的距 离和角度特征来区分钙化斑块所处的冠状动脉及其分支。
作为对上述方案的更进一步优化,S3步骤中设计的钙化斑块特征的具体特征及描述 如下:
F1为某体素的灰度值;
F2为候选钙化斑块内所有体素的平均灰度值;
F3为候选钙化斑块内所有体素的最大灰度值;
F4和F5为区分片状结构和长条形结构的形状特征;所述F4由λ1/λ3计算得出,所 述F5由λ2/λ3计算得出;其中,λ1,λ2和λ3为候选钙化斑块产生的三个特征向量,且 λ1≤λ2≤λ3;
F6–F11为位置特征,其中F6-F8为图像坐标系中某体素的x,y,z坐标;F9-F11为 心脏坐标系中某体素的x,y,z坐标;
F12为尺寸特征,表示为心脏CT数据集中候选钙化斑块的体积;
F13-F15为距离特征,分别依次表示心脏坐标系中两个体素在横断面、冠状面和矢状面上的投影之间的距离;
F16-F18为角度特征,分别依次表示心脏坐标系中的横断面角度、冠状面角度和矢状面角度;
F19-F22为纹理特征,分别依次表示对比度、相关性、熵和逆差距。
作为对上述方案的更进一步优化,S5步骤中所述四个阶段中不同的阶段利用不同的 特征,具体如下:第一阶段只利用F1;第二阶段利用F2、F3、F6、F7、F8和F12;第三阶 段利用F2、F3、F4、F5、F12、F19、F20、F21和F22;第四阶段利用F9、F10、F11、F13、 F14、F15、F16、F17和F18。
作为对上述方案的更进一步优化,所述第二阶段利用的特征分为三种组合G2、G3和 G4;所述G2包含F6-F8三个特征,在利用该组特征进行分类时,由用户通过一个类似盒子的向导手工确定该组特征的取值以将心脏VOI中的候选钙化斑块和其他高灰度区分开;所述 G3由F2、F3和F12三个特征组成,由系统根据这些特征来自动进行分类;所述G4包含G1和G2中的所有特征,分类过程由手动和自动结合起来进行。
作为对上述方案的更进一步优化,所述第三阶段利用的特征分为三种组合G5、G6和 G7;所述G5包括F4和F5,通过该组特征对冠状动脉钙化斑块和其他钙化斑块进行分类;所述G6是根据纹理特征F19-F22来进行分类;所述G7是在纹理特征的基础上,再加上体素的灰度特征和尺寸特征进行分类。
作为对上述方案的更进一步优化,所述第四阶段利用的特征分为三种组合G8、G9和 G10;所述G8利用心脏坐标系中的6个特征F9-F11和F13-F15来区分冠状动脉钙化斑块所处的冠状动脉及分支;在所述G9中,距离特征F13-F15换成了角度特征F16-F18;所述G10 则将心脏坐标系中的坐标值、距离特征和角度特征结合起来进行分类。
有益效果:
一种冠状动脉钙化斑块自动检测方法以对比增强型心脏CT三维重建为基础,每个阶段采用不同的特征组合来实现不同的检测目标。阶段1通过灰度特征来区分候选钙化组织 和其他非钙化组织;阶段2通过空间位置、灰度和尺寸特征来将第一阶段的候选钙化组织分 成心脏VOI中的钙化斑块和其他高密度对象(肋骨、胸椎、噪声等);阶段3采用形状和纹 理特征将心脏VOI中的钙化斑块分类成冠状动脉钙化斑块和非冠状动脉钙化斑块(如主动 脉钙化斑块等);阶段4根据心脏坐标系中的位置、距离和角度特征来区分冠状动脉钙化斑 块所处的冠脉分支。该方法能正确地区分冠状动脉钙化斑块与非冠状动脉钙化斑块,且能有 效地识别每个钙化斑块所处的冠脉分支并对斑块的多少和大小进行量化,可以降低人工负担 和主观因素带来的误差,提高阅片的效率和准确性,具有重要的科研意义,并可获得可观的 社会效益和经济效益。
附图说明
图1是冠状动脉钙化斑块自动检测流程图;
图2是心脏CT数据集CUDA加速MIP重建流程
图3是本方法采用的心脏坐标系;
图4是冠状动脉钙化斑块检测分类原理图。
具体实施方式
下面将结合本发明实施例及其附图,对本发明实施例中的技术方案进行清楚、完整 地描述。
一种基于心脏CT图像的冠状动脉钙化斑块自动检测方法,工作流程如图1所示:首先对从PACS服务器读取的心脏CT图像数据集进行CUDA加速最大密度投影(MIP)三 维重建,接着建立心脏坐标系来提取感兴趣容积以减少诸如胸椎和肋骨等其他高密度区的干扰,接着根据所设计的钙化斑块特征对感兴趣容积内的候选钙化斑块进行检测、分类和量化, 最后输出检测结果。
具体操作步骤如下:
一、心脏CT数据集CUDA加速MIP重建
本方法在心脏CT数据集三维重建的基础上进行冠状动脉钙化斑块的自动检测和分类, 因此三维重建的精度和速度会影响最终检测的准确度和实用性。本方法利用光线投射法对心 脏CT数据集进行无失真最大密度投影重建,利用CUDA技术进行加速,重建流程如图2所示。
二、建立心脏坐标系
心脏CT的扫描协议通常要求将整个完整的心脏包括在视野中。因此,由于病人的大 小和解剖结构不同,不同的扫描之间包含在视野中的结构集变化很大。在一些扫描中可见完 整的肋骨、脊椎和胸骨,而另一些扫描中则只有部分甚至完全没有。因此,采用图像坐标系 并不总能可靠地表达一个钙化斑块在心脏CT数据集中的位置。鉴于此,本方法另外建立了 心脏坐标系(xheart,yheart,zheart)来描述钙化斑块的相对位置,如图3所示,其X轴、Y轴与Z轴的 指向与图像坐标系中的指向相同,不同之处在于:第一,其坐标原点为主动脉与左主干的交 点,需由人工确定,而在图像坐标系中坐标原点为CT数据集中最靠近头部的切片中位于最 右最后位置的那个像素,由系统自动确定;第二,在图像坐标系中,ximage,yimage,zimage均为正 值,而在心脏坐标系中,zheart只有正值,而xheart和yheart则可正可负。
三、钙化斑块特征设计
准确地表述冠状动脉钙化斑块的特征是该方法的关键,在很大程度上决定了最终检 测的准确性。为了检测冠状动脉钙化斑块并判断其所处的冠脉及分支(左主干LM、回旋支 CX、左前降支LAD、右冠脉RCA),本方法设计了一系列特征来从不同的角度描述和区分冠状动脉钙化斑块,这些特征包括基于体素灰度的特征,形状特征,几何特征和纹理特征等, 如表1。
表1:本方法设计的表征候选钙化斑块的图像特征
特征 | 描述 |
F1 | 某体素的灰度值 |
F2 | 候选钙化斑块内所有体素的平均灰度值 |
F3 | 候选钙化斑块内所有体素的最大灰度值 |
F4,F5 | λ1/λ3,λ2/λ3 |
F6-F8 | 图像坐标系中的x,y,z坐标 |
F9-F11 | 心脏坐标系中的x,y,z坐标 |
F12 | 候选钙化斑块体积Vlesion |
F13-F15 | 心脏坐标系中的横断面距离daxial,冠状面距离dcoronal,矢状面距离dsagittal |
F16-F18 | 心脏坐标系中的横断面角度αaxial,冠状面角度αcoronal,矢状面角度αsagittal |
F19-F22 | 对比度CON,相关性COR,熵ENT,逆差距IDM |
(1)基于体素灰度的特征
在用心脏CT图像进行冠状动脉钙化斑块检测时,CT值可以作为一个检测钙化斑块的重要特征F1。此外,由于钙化斑块的平均CT值和最大CT值一般比骨骼结构的低,比噪 声的高,所以平均CT值和最大CT值也可用作图像特征F2和F3。
(2)形状特征
一般来说,冠状动脉中的钙化斑块通常是长条形的或球形的,而其他部位(如二尖瓣)中的钙化斑块则通常是片状的。因此,可对体素坐标集进行主成分分析,计算每个候选钙化斑块的特征向量。这样,每个候选钙化斑块将产生三个特征向量λ1,λ2和λ3 (λ1≤λ2≤λ3),它们分别代表该候选对象的三个主轴。根据这些特征向量可以计算出两个 特征λ1/λ3(F4)和λ2/λ3(F5),这两个特征用来区分片状结构和长条形结构。
(3)几何特征
几何特征包括位置特征F6–F11、尺寸F12、距离F13-F15和角度F16-F18。
位置特征F6–F8分别为图像坐标系中某体素的x,y,z坐标,F9–F1分别为心脏坐标系中某体素的x,y,z坐标.
尺寸特征F12为心脏CT数据集中候选钙化斑块的体积。一个候选钙化斑块的体积等于单个体素的尺寸乘以该候选钙化斑块所包含的体素个数,即:
Vlesion=N·Vvoxel (1)
而一个体素尺寸的计算公式为:
Vvoxel=(Fov/rows)*(Fov/columns)*slice thickness (2)
其中,Fov为CT数据的重建视野,rows和columns分别为CT切片的行数和列数,slice thickness为单个切片的厚度。
距离特征F13-F15为心脏坐标系中的欧式距离。为了后面分类方便,将三维空间中的距离分解成三个正交平面上的距离,即横断面距离daxial(F13)、冠状面距离dcoronal(F14)和 矢状面距离dsagittal(F15),它们分别指体素fheart1(xheart1,yheart1,zheart1)和fheart2(xheart2,yheart2,zheart2) 在横断面、冠状面和矢状面上的投影之间的距离:
角度特征F16-F18用来区分钙化斑块所处的冠状动脉及分支,在心脏坐标系中进行计 算。为便于区分,将三维空间中的角度分解成三个二维平面中的角度进行计算,分别为:横 断面角度αaxial(F16)、冠状面角度αcoronal(F17)和矢状面角度αsagittal(F18)。
横断面角度αaxial指CT数据集中某一体素(xheart,yheart,zheart)在横断面上的投影与X轴之 间的夹角:
冠状面角度αcoronal指CT数据集中某一体素(xheart,yheart,zheart)在冠状面上的投影与X轴 之间的夹角:
矢状面角度αsagittal指CT数据集中某一体素(xheart,yheart,zheart)在矢状面上的投影与Z轴 之间的夹角:
(4)纹理特征
纹理特征包括对比度F19、相关性F20、熵F21和逆差距F22。
对比度F19的计算方法为:
CON反映了图像的清晰度和纹理沟纹深浅的程度。CON较大,纹理沟纹越深,视觉效果越清晰。
相关性F20的计算公式为:
其中,
COR用来度量灰度共生矩阵元素在行或列方向上的相似程度,反映了图像中局部灰 度相关性。当矩阵元素均匀相等时,COR值就大。
熵F21的计算公式:
ENT表示图像中纹理的非均匀程度或复杂程度。当共生矩阵中所有元素有最大的随 机性或空间共生矩阵中所有值几乎相等或共生矩阵中元素分散分布时,熵值较大。
逆差距F22的计算公式:
IDM反映图像纹理的同质性,度量图像纹理局部变化的多少,其值大说明图像纹理的不同区域间缺少变化,局部非常平均。
4)分类器设计
在一个心脏CT数据集中,CT值大于钙化阈值的组织除了钙化斑块外,还可能是骨骼、噪声、金属伪影等。即使是钙化斑块,也有冠状动脉钙化斑块和非冠状动脉钙化斑块(如升主动脉、降主动脉和心脏瓣膜中的钙化斑块)之分。要将冠状动脉钙化斑块和其他钙化斑块及高密度区区分开来,本方法选择k-近邻分类器进行冠状动脉钙化斑块的检测分类。
k-近邻法(K-nearest-neighbor Algorithm,k-NN)是近邻法的改进,这个法则是在x 的k个近邻中,按出现次数最多的样本类别来判定x的的类别。具体而言,它是指在N个已 知样本中,找出x的k个近邻。设这N个样本中,来自ω1类的有N1个,来自ω2类的有N2个,…,来自ωc类的有Nc个,若k1,k2,L,kc分别是k个近邻中属于ω1,ω2,L,ωc类中的样本数,则判别函数可以定义为
di(x)=ki,i=1,2,L,c (13)
决策规则是:若则决策x∈ωi。
5)钙化斑块检测与量化
本方法将冠状动脉钙化斑块的分类检测分解成四个阶段来进行,如图4所示。第一阶段根据钙化阈值将可能钙化的区域和非钙化区域区分开来。第二阶段根据位置特征(图像 坐标系中)、平均灰度值、最大灰度值和尺寸等特征来将CT值大于钙化阈值的体素分类成 心脏VOI中的候选钙化斑块和其他高密度对象(肋骨、胸椎、金属伪影等)。第三阶段对心脏VOI中的候选钙化斑块进行分类,区分出冠状动脉钙化斑块和其他钙化斑块,如主动脉和心肌中的钙化斑块以及噪声等,这一阶段采用的特征包括形状(λ1/λ3和λ2/λ3)、平均灰度值、最大灰度值、尺寸以及纹理特征(对比度、相关性、熵、逆差距)等。第四阶段针对 检测出的冠状动脉钙化斑块,建立心脏坐标系并在该坐标系内计算三个正交平面内的距离和角度等特征来区分钙化斑块所处的冠状动脉及其分支(左主干LM、左前降支LAD、回旋支 CX和右冠脉RCA)。以上各个阶段可以利用的特征总结在表2中。
表2:各个检测分类阶段可以利用的特征
检测分类阶段 | 可以利用的特征 |
阶段1 | F1 |
阶段2 | F2,F3,F6,F7,F8,F12 |
阶段3 | F2,F3,F4,F5,F12,F19,F20,F21,F22 |
阶段4 | F9,F10,F11,F13,F14,F15,F16,F17,F18 |
为了研究不同的特征组合在冠状动脉钙化斑块检测中的性能,本方法将各个检测阶 段可用的特征进行了分组,如表3所示。具体如下:
阶段1只用到一个特征,无需分组。
阶段2的特征可分为三种组合G1,G2和G3。G1包含F6-F8三个特征,对应于图 像坐标系中的x,y,z坐标,在利用该组特征进行分类时,由用户通过一个类似盒子的向导手 工确定该组特征的取值以将心脏VOI中的候选钙化斑块和肋骨、胸椎等其他高灰度区分开;G2由平均灰度值F2、最大灰度值F3和体积F12三个特征组成,由系统根据这些特征来自 动进行分类。G3包含G1和G2中的所有特征,分类过程由手动和自动结合起来进行。
阶段3的特征也可分为三组:G1根据形状特征F4(λ1/λ3)和F5(λ2/λ3)来对冠 状动脉钙化斑块和其他钙化斑块(如主动脉钙化斑块、心肌钙化斑块)进行分类;G2根据 纹理特征F19-F22来进行分类;G3在纹理特征的基础上,再加上体素的灰度特征和尺寸特 征进行分类。
在阶段4,G1利用心脏坐标系中的6个特征F9-F11和F13-F15来区分冠状动脉钙化斑块所处的冠状动脉及分支(LM、CX、LAD、RCA);在G2中,距离特征F13-F15换成 了角度特征F16-F18;G3则将心脏坐标系中的坐标值、距离特征和角度特征结合起来进行 分类。
表3:各个检测阶段特征组合
本发明提出了一种冠状动脉钙化斑块自动检测技术。该技术以心脏CT图像的三维重建为基础,设计了一系列特征来从不同角度描述和区分冠状动脉钙化斑块,继而采用k-近 邻分类器分四个阶段对冠状动脉候选钙化斑块进行分类和量化,从而实现钙化斑块的自动检 测。该技术能够自动、快速检测和测量一组心脏CT图像中的钙化斑块并识别其所处的冠脉 分支,可以有效降低人工负担和主观因素带来的误差,提高阅片的效率和准确性。需要注意 的是,本发明并不是以疾病的诊疗为目的,本发明意在通过提供一种方法对冠状动脉钙化斑 块进行分类和量化从而为针对冠状动脉钙化斑块的科研研究提供基础,或为有关疾控部门采 集和整理相关疾病信息提供方便从而制定措施保障全民健康,具有重要的社会效益。
以上所述实施例仅为发明的较佳实施例而己,并不用以限制本发明,凡在本发明的 精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于心脏CT图像的冠状动脉钙化斑块自动检测方法,其特征在于:首先对从PACS服务器读取的心脏CT图像数据集进行CUDA加速最大密度投影三维重建,接着建立心脏坐标系来提取感兴趣容积以减少诸如胸椎和肋骨等其他高密度区的干扰,接着根据所设计的钙化斑块特征对感兴趣容积内的候选钙化斑块进行检测、分类和量化,最后输出检测结果。
2.如权利要求1所述的一种基于心脏CT图像的冠状动脉钙化斑块自动检测方法,其特征在于:包括以下步骤:
S1:图像重建:对PACS服务器读取的心脏CT图像数据集进行无失真最大密度投影三维重建,得到完整的心脏图像;
S2:建立心脏坐标系:在图像坐标系的基础上建立心脏坐标系,所述心脏坐标系的X轴、Y轴与Z轴的指向与图像坐标系中的指向相同;所述心脏坐标系的坐标原点为S1步骤中得到的完整的心脏图像中的主动脉与左主干的交点作为心脏坐标系的原点;所述心脏坐标系的X轴和Y轴均有正值或负值,而Z轴只有正值;
S3:钙化斑块特征设计:借助S2步骤中建立的心脏坐标系对将要表征的冠状动脉钙化斑块进行包括基于体素灰度的特征、形状特征、几何特征和纹理特征的钙化斑块特征设计;
S4:分类器设计:选择k-近邻分类器进行冠状动脉钙化斑块的检测分类;
S5:钙化斑块检测、分类与量化:利用S3步骤设计的钙化斑块特征和步骤S4选择的分类器通过四个阶段对冠状动脉钙化斑块进行检测、分类与量化;所述四个阶段包括:第一阶段是根据钙化阈值将可能钙化的区域和非钙化区域区分开来;第二阶段是将CT值大于钙化阈值的体素分类成心脏VOI中的候选钙化斑块和其他高密度对象;第三阶段是对心脏VOI中的候选钙化斑块进行分类,区分出冠状动脉钙化斑块和其他钙化斑块;第四阶段针对检测出的冠状动脉钙化斑块,建立心脏坐标系并在该坐标系内计算包括三个正交平面内的距离和角度特征来区分钙化斑块所处的冠状动脉及其分支。
3.如权利要求2所述的一种基于心脏CT图像的冠状动脉钙化斑块自动检测方法,其特征在于:S3步骤中设计的钙化斑块特征的具体特征及描述如下:
F1为某体素的灰度值;
F2为候选钙化斑块内所有体素的平均灰度值;
F3为候选钙化斑块内所有体素的最大灰度值;
F4和F5为区分片状结构和长条形结构的形状特征;所述F4由λ1/λ3计算得出,所述F5由λ2/λ3计算得出;其中,λ1,λ2和λ3为候选钙化斑块产生的三个特征向量,且λ1≤λ2≤λ3;
F6–F11为位置特征,其中F6-F8为图像坐标系中某体素的x,y,z坐标;F9-F11为心脏坐标系中某体素的x,y,z坐标;
F12为尺寸特征,表示为心脏CT数据集中候选钙化斑块的体积;
F13-F15为距离特征,分别依次表示心脏坐标系中两个体素在横断面、冠状面和矢状面上的投影之间的距离;
F16-F18为角度特征,分别依次表示心脏坐标系中的横断面角度、冠状面角度和矢状面角度;
F19-F22为纹理特征,分别依次表示对比度、相关性、熵和逆差距。
4.如权利要求3所述的一种基于心脏CT图像的冠状动脉钙化斑块自动检测方法,其特征在于:S5步骤中所述四个阶段中不同的阶段利用不同的特征,具体如下:第一阶段只利用F1;第二阶段利用F2、F3、F6、F7、F8和F12;第三阶段利用F2、F3、F4、F5、F12、F19、F20、F21和F22;第四阶段利用F9、F10、F11、F13、F14、F15、F16、F17和F18。
5.如权利要求4所述的一种基于心脏CT图像的冠状动脉钙化斑块自动检测方法,其特征在于:所述第二阶段利用的特征分为三种组合G2、G3和G4;所述G2包含F6-F8三个特征,在利用该组特征进行分类时,由用户通过一个类似盒子的向导手工确定该组特征的取值以将心脏VOI中的候选钙化斑块和其他高灰度区分开;所述G3由F2、F3和F12三个特征组成,由系统根据这些特征来自动进行分类;所述G4包含G1和G2中的所有特征,分类过程由手动和自动结合起来进行。
6.如权利要求4所述的一种基于心脏CT图像的冠状动脉钙化斑块自动检测方法,其特征在于:所述第三阶段利用的特征分为三种组合G5、G6和G7;所述G5包括F4和F5,通过该组特征对冠状动脉钙化斑块和其他钙化斑块进行分类;所述G6是根据纹理特征F19-F22来进行分类;所述G7是在纹理特征的基础上,再加上体素的灰度特征和尺寸特征进行分类。
7.如权利要求4所述的一种基于心脏CT图像的冠状动脉钙化斑块自动检测方法,其特征在于:所述第四阶段利用的特征分为三种组合G8、G9和G10;所述G8利用心脏坐标系中的6个特征F9-F11和F13-F15来区分冠状动脉钙化斑块所处的冠状动脉及分支;在所述G9中,距离特征F13-F15换成了角度特征F16-F18;所述G10则将心脏坐标系中的坐标值、距离特征和角度特征结合起来进行分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810709652.0A CN108960322B (zh) | 2018-07-02 | 2018-07-02 | 一种基于心脏ct图像的冠状动脉钙化斑块自动检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810709652.0A CN108960322B (zh) | 2018-07-02 | 2018-07-02 | 一种基于心脏ct图像的冠状动脉钙化斑块自动检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108960322A true CN108960322A (zh) | 2018-12-07 |
CN108960322B CN108960322B (zh) | 2022-01-28 |
Family
ID=64484595
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810709652.0A Active CN108960322B (zh) | 2018-07-02 | 2018-07-02 | 一种基于心脏ct图像的冠状动脉钙化斑块自动检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108960322B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110276408A (zh) * | 2019-06-27 | 2019-09-24 | 腾讯科技(深圳)有限公司 | 3d图像的分类方法、装置、设备及存储介质 |
CN110390671A (zh) * | 2019-07-10 | 2019-10-29 | 杭州依图医疗技术有限公司 | 一种乳腺钙化检出的方法及装置 |
CN110443268A (zh) * | 2019-05-30 | 2019-11-12 | 杭州电子科技大学 | 一种基于深度学习的肝癌ct图像良性恶性分类方法 |
CN110458223A (zh) * | 2019-08-06 | 2019-11-15 | 湖南省华芯医疗器械有限公司 | 一种内镜下支气管肿瘤自动检测方法及检测系统 |
CN111612756A (zh) * | 2020-05-18 | 2020-09-01 | 中山大学 | 冠状动脉特异性钙化检测方法及装置 |
CN112288752A (zh) * | 2020-10-29 | 2021-01-29 | 中国医学科学院北京协和医院 | 一种基于胸部平扫ct的冠脉钙化灶全自动分割方法 |
CN114049282A (zh) * | 2022-01-07 | 2022-02-15 | 浙江大学 | 一种冠状动脉的构建方法、装置、终端及存储介质 |
CN114972376A (zh) * | 2022-05-16 | 2022-08-30 | 北京医准智能科技有限公司 | 冠脉钙化斑块的分割方法、分割模型训练方法、相关装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105096270A (zh) * | 2015-08-07 | 2015-11-25 | 北京欣方悦医疗科技有限公司 | 一种冠脉三维重建中的钙化斑块去除方法 |
US20170251931A1 (en) * | 2016-03-04 | 2017-09-07 | University Of Manitoba | Intravascular Plaque Detection in OCT Images |
CN108171698A (zh) * | 2018-02-12 | 2018-06-15 | 数坤(北京)网络科技有限公司 | 一种自动检测人体心脏冠脉钙化斑块的方法 |
-
2018
- 2018-07-02 CN CN201810709652.0A patent/CN108960322B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105096270A (zh) * | 2015-08-07 | 2015-11-25 | 北京欣方悦医疗科技有限公司 | 一种冠脉三维重建中的钙化斑块去除方法 |
US20170251931A1 (en) * | 2016-03-04 | 2017-09-07 | University Of Manitoba | Intravascular Plaque Detection in OCT Images |
CN108171698A (zh) * | 2018-02-12 | 2018-06-15 | 数坤(北京)网络科技有限公司 | 一种自动检测人体心脏冠脉钙化斑块的方法 |
Non-Patent Citations (3)
Title |
---|
IVANA IŠGUM,等: "Detection of coronary calcifications from computed tomography scans for automated risk assessment of coronary artery disease", 《MEDICAL PHYSICS》 * |
李玉芝等: "64排螺旋CT冠脉成像对不同性质粥样斑块的研究", 《中国现代医生》 * |
赵思鸿等: "冠状动脉非钙化斑块的CT影像特征分析", 《中国CT和MRI杂志》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110443268A (zh) * | 2019-05-30 | 2019-11-12 | 杭州电子科技大学 | 一种基于深度学习的肝癌ct图像良性恶性分类方法 |
CN110443268B (zh) * | 2019-05-30 | 2022-02-08 | 杭州电子科技大学 | 一种基于深度学习的肝部ct图像良性恶性分类方法 |
CN110276408B (zh) * | 2019-06-27 | 2022-11-22 | 腾讯科技(深圳)有限公司 | 3d图像的分类方法、装置、设备及存储介质 |
WO2020259453A1 (zh) * | 2019-06-27 | 2020-12-30 | 腾讯科技(深圳)有限公司 | 3d图像的分类方法、装置、设备及存储介质 |
CN110276408A (zh) * | 2019-06-27 | 2019-09-24 | 腾讯科技(深圳)有限公司 | 3d图像的分类方法、装置、设备及存储介质 |
US11961609B2 (en) | 2019-06-27 | 2024-04-16 | Tencent Technology (Shenzhen) Company Limited | 3D image classification method and apparatus, device, and storage medium |
CN110390671A (zh) * | 2019-07-10 | 2019-10-29 | 杭州依图医疗技术有限公司 | 一种乳腺钙化检出的方法及装置 |
CN110390671B (zh) * | 2019-07-10 | 2021-11-30 | 杭州依图医疗技术有限公司 | 一种乳腺钙化检出的方法及装置 |
CN110458223A (zh) * | 2019-08-06 | 2019-11-15 | 湖南省华芯医疗器械有限公司 | 一种内镜下支气管肿瘤自动检测方法及检测系统 |
CN111612756A (zh) * | 2020-05-18 | 2020-09-01 | 中山大学 | 冠状动脉特异性钙化检测方法及装置 |
CN111612756B (zh) * | 2020-05-18 | 2023-03-21 | 中山大学 | 冠状动脉特异性钙化检测方法及装置 |
CN112288752A (zh) * | 2020-10-29 | 2021-01-29 | 中国医学科学院北京协和医院 | 一种基于胸部平扫ct的冠脉钙化灶全自动分割方法 |
CN114049282A (zh) * | 2022-01-07 | 2022-02-15 | 浙江大学 | 一种冠状动脉的构建方法、装置、终端及存储介质 |
CN114972376A (zh) * | 2022-05-16 | 2022-08-30 | 北京医准智能科技有限公司 | 冠脉钙化斑块的分割方法、分割模型训练方法、相关装置 |
CN114972376B (zh) * | 2022-05-16 | 2023-08-25 | 北京医准智能科技有限公司 | 冠脉钙化斑块的分割方法、分割模型训练方法、相关装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108960322B (zh) | 2022-01-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108960322A (zh) | 一种基于心脏ct图像的冠状动脉钙化斑块自动检测方法 | |
US8855387B2 (en) | System for detecting bone cancer metastases | |
CN103337096B (zh) | 一种冠状动脉ct造影图像钙化点检测方法 | |
Elsayed et al. | Automatic detection of the pulmonary nodules from CT images | |
Memon et al. | Segmentation of lungs from CT scan images for early diagnosis of lung cancer | |
US7248728B2 (en) | Abnormal shadow detecting system | |
Maitra et al. | Automated digital mammogram segmentation for detection of abnormal masses using binary homogeneity enhancement algorithm | |
Tun et al. | Feature extraction and classification of lung cancer nodule using image processing techniques | |
CN107708550A (zh) | 用于检测和测量解剖异常的分段回声结构的表面建模 | |
CN104616289A (zh) | 一种3d ct图像中骨组织的移除方法及系统 | |
Zidan et al. | Level set-based CT liver image segmentation with watershed and artificial neural networks | |
Maitra et al. | Detection of abnormal masses using divide and conquer algorithmin digital mammogram | |
CN110866905A (zh) | 一种肋骨识别与标注方法 | |
Lo et al. | Classification of lung nodules in diagnostic CT: an approach based on 3D vascular features, nodule density distribution, and shape features | |
Lakshminarayanan et al. | Diagnosis of cancer using hybrid clustering and convolution neural network from breast thermal image | |
Kubicek et al. | Fuzzy algorithm for segmentation of images in extraction of objects from MRI | |
Purnama et al. | Follicle detection on the usg images to support determination of polycystic ovary syndrome | |
Wiharto et al. | The segmentation analysis of retinal image based on k-means algorithm for computer-aided diagnosis of hypertensive retinopathy | |
JP2010200925A (ja) | 画像処理装置および方法並びにプログラム | |
Bampis et al. | Segmentation and extraction of the spinal canal in sagittal MR images | |
Bravo et al. | An unsupervised clustering framework for automatic segmentation of left ventricle cavity in human heart angiograms | |
Liu et al. | A novel harmonic field based method for femoral head segmentation from challenging CT data | |
Beura et al. | Automatic characterization of mammograms using fractal texture analysis and fast correlation based filter method | |
Tang et al. | An algorithm for fully automatic detection of calcium in chest ct imaging | |
Sable et al. | Lung Segmentation and Tumor Identification from CT Scan Images Using SVM |
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 |