CN109658407A - 冠状动脉病变的评分方法、装置、服务器和存储介质 - Google Patents
冠状动脉病变的评分方法、装置、服务器和存储介质 Download PDFInfo
- Publication number
- CN109658407A CN109658407A CN201811614274.4A CN201811614274A CN109658407A CN 109658407 A CN109658407 A CN 109658407A CN 201811614274 A CN201811614274 A CN 201811614274A CN 109658407 A CN109658407 A CN 109658407A
- Authority
- CN
- China
- Prior art keywords
- coronary artery
- images
- scoring
- history
- image
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Abstract
本发明实施例公开了一种冠状动脉病变的评分方法、装置、服务器和存储介质。其中，方法包括：获取待评分冠状动脉图像；将所述待评分冠状动脉图像输入至预先训练得到的冠脉病变评分模型得到冠脉病变评分。本发明实施例解决了现有技术中不能完全自动化地由冠状动脉医学图像获得冠脉病变评分，获取评分效率低的问题，实现了由冠状动脉的医学图像得到SYNTAX评分的自动化，提高了获取SYNTAX评分的效率。
Description
技术领域
本发明实施例涉及一种计算机技术，尤其涉及一种冠状动脉病变的评分方法、装置、服务器和存储介质。
背景技术
SYNTAX(The Synergy between Percutaneous Coronary Intervention withTAXUS and Cardiac Surgery，经皮冠状动脉介入治疗与心脏手术的协同作用
)评分系统是一种根据冠脉解剖特点来评估冠脉病变复杂程度的评分系统，其主要根据冠脉造影结果，采用冠脉树16段法，结合冠状动脉分布优势类型、病变部位、狭窄程度、病变数目及病变的具体特征对冠状动脉病变进行综合分析而最终得到一个评分，为临床治疗提供了一种有据可依、精确量化的客观评价指标，有较强的临床实用性。
在现有技术中，通过人工标记的方式对病人冠状动脉图像数据中的狭窄进行识别，标示出狭窄位置及严重程度等SYNTAX评分所需要的特征信息，然后将得到的特征信息手动输入到SYNTAX评分应用中，得到最终的评分。但是，这一过程耗时较长，自动化程度较低。
发明内容
本发明实施例提供一种冠状动脉病变的评分方法、装置、服务器和存储介质，以实现由冠状动脉的医学图像得到SYNTAX评分的自动化，提高了获取SYNTAX评分的效率。
第一方面，本发明实施例提供了一种冠状动脉病变的评分方法，该方法包括：
获取待评分冠状动脉图像；
将所述待评分冠状动脉图像输入至预先训练得到的冠脉病变评分模型得到冠脉病变评分。
进一步的，所述方法还包括：
对冠脉病变评分模型进行训练；
相应地，所述对冠脉病变评分模型进行训练包括：
基于至少一张历史冠状动脉图像生成训练样本集；
将所述训练样本集中的历史冠状动脉图像样本输入至待训练的冠脉病变评分模型中，得到与所述历史冠状动脉图像样本对应的当前输出评分结果；
根据所述当前输出评分结果和期望输出评分结果之间的误差，调节所述冠脉病变评分模型的预判参数。
可选的，在所述对冠脉病变评分模型进行训练之前，还包括：
获取历史患者的历史冠状动脉图像，并提取出所述历史冠状动脉图像中的评分图像特征；
根据所述评分图像特征和预设的评分法则计算出与所述历史冠状动脉图像对应的历史冠脉病变评分。
可选的，所述基于至少一张历史冠状动脉图像生成训练样本集，包括：
对至少一张所述历史冠状动脉图像进行增强处理得到与所述至少一张所述历史冠状动脉图像对应的至少一张增强图像；
将所述至少一张所述历史冠状动脉图像和所述至少一张增强图像的集合作为训练样本集；
其中，所述增强处理包括旋转处理、拉伸处理以及镜像处理中的至少一个。
可选的，所述提取出所述历史冠状动脉图像中的评分图像特征，包括：
将所述历史冠状动脉图像进行图像分割得到目标冠状动脉图像，对所述目标冠状动脉图像的病变区域的参数信息进行标记，根据标记结果生成评分图像特征；和/或
给予深度学习网络提取所述出所述历史冠状动脉图像中的评分图像特征。
可选的，所述冠脉病变评分模型包括卷积神经网络模型。
可选的，所述卷积神经网络具体包括：输入层、卷积层、池化层、Drop Out丢弃层、全连接层和输出层。
第二方面，本发明实施例还提供了一种冠状动脉病变的评分装置，该装置包括：
图像获取模块，用于获取待评分冠状动脉图像；
图像评分模块，用于将所述待评分冠状动脉图像输入至预先训练得到的冠脉病变评分模型得到冠脉病变评分。
进一步的，所述装置还包括：
模型训练模块，用于对冠脉病变评分模型进行训练；
相应地，所述模型训练模块包括：
样本集生成单元，用于基于至少一张历史冠状动脉图像生成训练样本集；
当前评分结果获取单元，用于将所述训练样本集中的历史冠状动脉图像样本输入至待训练的冠脉病变评分模型中，得到与所述历史冠状动脉图像样本对应的当前输出评分结果；
参数调节单元，用于根据所述当前输出评分结果和期望输出评分结果之间的误差，调节所述冠脉病变评分模型的预判参数。
可选的，所述装置还包括：特征提取模块和评分计算模块，其中，特征提取模块，用于在所述对冠脉病变评分模型进行训练之前，获取历史患者的历史冠状动脉图像，并提取出所述历史冠状动脉图像中的评分图像特征；
评分计算模块，根据所述评分图像特征和预设的评分法则计算出与所述历史冠状动脉图像对应的历史冠脉病变评分。
可选的，所述样本集生成单元具体用于：
对至少一张所述历史冠状动脉图像进行增强处理得到与所述至少一张所述历史冠状动脉图像对应的至少一张增强图像；
将所述至少一张所述历史冠状动脉图像和所述至少一张增强图像的集合作为训练样本集；
其中，所述增强处理包括旋转处理、拉伸处理以及镜像处理中的至少一个。
可选的，所述特征提取模块具体用于：
将所述历史冠状动脉图像进行图像分割得到目标冠状动脉图像，对所述目标冠状动脉图像的病变区域的参数信息进行标记，根据标记结果生成评分图像特征；和/或
给予深度学习网络提取所述出所述历史冠状动脉图像中的评分图像特征。
可选的，所述冠脉病变评分模型包括卷积神经网络模型。
可选的，所述卷积神经网络具体包括：输入层、卷积层、池化层、Drop Out丢弃层、全连接层和输出层。
第三方面，本发明实施例还提供了一种服务器，该服务器包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明实施例中任一所述的冠状动脉病变的评分方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例中任一所述的冠状动脉病变的评分方法。
本发明实施例通过将获取到的待评分冠状动脉图像输入至预先训练好的冠脉病变评分模型得到冠脉病变评分，解决了现有技术中这个对病变区域进行打分，通过逐个相加获取评分结果从而不能完全自动化地由冠状动脉医学图像获得冠脉病变评分，获取评分效率低的问题，实现了由冠状动脉的医学图像得到SYNTAX评分的自动化，提高了获取SYNTAX评分的效率。
附图说明
图1是本发明实施例一中的冠状动脉病变的评分方法的流程图；
图2a是本发明实施例二中的冠状动脉病变的评分方法的流程图；
图2b是本发明实施例二中的对冠脉病变评分模型进行训练过程的流程图；
图3是本发明实施例三中的冠状动脉病变的评分装置的结构示意图；
图4是本发明实施例四中的服务器的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的冠状动脉病变的评分方法的流程图，本实施例可适用于根据冠状动脉图像为冠脉病变进行评分的情况，该方法可以由冠状动脉病变的评分装置来执行，该装置例如可配置于服务器中。如图1所示，该方法具体包括：
S110、获取待评分冠状动脉图像。
其中，所述冠状动脉图像包括冠状动脉造影图像或冠状动脉CTA图像。
冠状动脉造影图像是通过冠状动脉造影获得的图像。冠状动脉造影是诊断冠状动脉粥样硬化性心脏病(冠心病)的一种常用而且有效的方法。选择性冠状动脉造影就是利用血管造影机，通过特制定型的心导管经皮穿刺入下肢股动脉，沿降主动脉逆行至升主动脉根部，然后探寻左或右冠状动脉口插入，注入造影剂，使冠状动脉显影，这样就可清楚地将整个左或右冠状动脉的主干及其分支的血管腔显示出来。通过冠状动脉造影图像可以了解血管有无狭窄病灶存在，对病变部位、范围、严重程度、血管壁的情况等作出明确诊断，决定治疗方案(介入、手术或内科治疗)，还可用来判断疗效。
冠状动脉CTA图像则是经静脉注射造影剂后利用螺旋CT扫描，再经过计算机处理重建得出的心脏冠状动脉成像的一种检查方法，可以观察冠状动脉狭窄或钙化等。
当患者选择了上述两种方式中任一一种方式获得的冠状动脉图像都可以用来进行SYNTAX评分。
S120、将所述待评分冠状动脉图像输入至预先训练得到的冠脉病变评分模型得到冠脉病变评分。
当获取到待评分的冠状动脉的医学图像之后，将该图像输入至预先训练得到的冠脉病变评分模型即可得到冠脉病变评分。
其中，冠脉病变评分模型是基于大量的学习样本，经过机器学习过程之后而获得的一个模型。
可选的，待评分的冠状动脉的医学图像可以是经过图像增强变换后的冠状动脉图像。
本实施例的技术方案，通过将获取到的待评分冠状动脉图像输入至预先训练好的冠脉病变评分模型得到冠脉病变评分，解决了现有技术中不能完全自动化地由冠状动脉医学图像获得冠脉病变评分，获取评分效率低的问题，实现了由冠状动脉的医学图像得到SYNTAX评分的自动化，提高了获取SYNTAX评分的效率。
实施例二
图2a为本发明实施例二提供的冠状动脉病变的评分方法的流程图，本实施例二在实施例一的基础上做出进一步地优化。如图2a所示，所述方法包括：
S210、对冠脉病变评分模型进行训练。
在开始对冠脉病变评分模型进行训练之前，需要进行准备工作，如获取历史患者的历史冠状动脉图像，并提取出所述历史冠状动脉图像中的评分图像特征：将所述历史冠状动脉图像进行图像分割得到目标冠状动脉图像，对所述目标冠状动脉图像的病变区域的参数信息进行标记，根据标记结果生成评分图像特征；和/或给予深度学习网络提取所述出所述历史冠状动脉图像中的评分图像特征。根据所述评分图像特征和预设的评分法则计算出与所述历史冠状动脉图像对应的历史冠脉病变评分。即，得到训练样本的过程。所述病变区域包括管狭窄、完全闭塞、三叉病变、分叉病变、开口病变、严重扭曲、血管病变长度、钙化、血栓、弥漫病变。
具体的，如图2b所示，对冠脉病变评分模型进行训练过程包括如下步骤：
S211、基于至少一张历史冠状动脉图像生成训练样本集。
通常，一种模型的训练需要大量的训练样本，但是，在临床中能够获得的医学图像的数量相对于模型训练所需要的样本数量是不够的，因此，可以选择将在临床中获取到的医学图像进行进一步的处理，将一个图像变为多个图像，同时作为模型训练的样本。
在一种实施方式中，对至少一张所述历史冠状动脉图像进行增强处理得到与所述至少一张所述历史冠状动脉图像对应的至少一张增强图像；将所述至少一张所述历史冠状动脉图像和所述至少一张增强图像的集合作为训练样本集；其中，所述增强处理包括旋转处理、拉伸处理以及镜像处理中的至少一个。
S212、将所述训练样本集中的历史冠状动脉图像样本输入至待训练的冠脉病变评分模型中，得到与所述历史冠状动脉图像样本对应的当前输出评分结果。
其中，当前输出评分结果是由当前被训练的冠脉病变评分模型得到的对冠状动脉图像的SYNTAX评分结果。
S213、根据所述当前输出评分结果和期望输出评分结果之间的误差，调节所述冠脉病变评分模型的预判参数。
其中，期望输出评分结果为在进行模型训练的准备工作阶段，对历史冠状动脉图像根据提取出的评分图像特征和预设的评分法则计算出的与历史冠状动脉图像对应的历史冠脉病变评分。
根据当前输出评分结果和期望输出评分结果之间的误差，调节冠脉病变评分模型的预判参数，从而使当前输出评分结果和期望输出评分结果之间误差变小，在可接受的误差范围内尽量保持一致。具体的，可以设定一个误差阈值，若当前输出评分结果和期望输出评分结果之间的误差小于预先设定的误差阈值时，确定冠脉病变评分模型的最终预判参数，所述误差阈值可以选取为10-6。
S220、获取待评分冠状动脉图像。
S230、将所述待评分冠状动脉图像输入至预先训练得到的冠脉病变评分模型得到冠脉病变评分。
可选的，冠脉病变评分模型包括卷积神经网络模型。卷积神经网络(CNN)是一种常见的深度学习架构，受生物自然视觉认知机制启发而来，CNN能够得出原始图像的有效表征，这使得CNN能够直接从原始像素中，经过极少的预处理，识别视觉上面的规律。
卷积神经网络具体包括：输入层、卷积层、池化层、Drop Out丢弃层、全连接层和输出层。
其中，最核心的两层为卷积层和池化层。卷积主要起到作用是抽取特征，使神经网络网络具有一定转移不变性，也有一定降维的作用。例如，设定一个n行m列的卷积窗口，采用relu(elu，leakyrelu)函数做为激活函数，对输入X进行卷积操作。卷积可进行单通道或者多通道卷积；卷积操作时分为padding和非padding两种方式，padding也分为很多方式，比如zero-padding，mean-padding等；对同一个输入可以设置不同大小卷积和，或从不同的位置，或不同的卷积步长多次进行卷积，从而可以尽可能多的抽取特征。
池化则主要起降维的作用。示例性的，设置一个n行m列的池化窗口，对输入X进行池化操作，采用relu(elu，leakyrelu)函数做为激活函数。也可采用sigmoid或tans型激活函数。池化可以采用最大值池化或平均值池化等方式。
Dropout丢弃层的操作是一种防止模型过拟合的技术，它的基本思想是在训练的时候随机的dropout(丢弃)一些神经元的激活，这样可以让模型更具备鲁棒性，而不会太依赖某些局部的特征。
本实施例的技术方案，通过对历史冠状动脉图像进行处理并得到冠脉病变评分从而生成模型训练的样本集，采用卷积神经网络的方式对冠脉病变评分模型进行训练，在根据当前输出评分结果和期望输出评分结果之间的误差，调节冠脉病变评分模型的预判参数后，最终得到冠脉病变评分模型，解决了现有技术中不能完全自动化地由冠状动脉医学图像获得冠脉病变评分，获取评分效率低的问题，实现了由冠状动脉的医学图像得到SYNTAX评分的自动化，提高了获取SYNTAX评分的效率。
实施例三
图3是本发明实施例三中的冠状动脉病变的评分装置的结构示意图。如图3所示，冠状动脉病变的评分装置包括：图像获取模块310和图像评分模块320。
其中，图像获取模块310，用于获取待评分冠状动脉图像，其中，冠状动脉图像包括冠状动脉造影图像或冠状动脉CTA图像；图像评分模块320，用于将待评分冠状动脉图像输入至预先训练得到的冠脉病变评分模型得到冠脉病变评分。
本实施例的技术方案通过将获取到的待评分冠状动脉图像输入至预先训练好的冠脉病变评分模型得到冠脉病变评分，解决了现有技术中不能完全自动化地由冠状动脉医学图像获得冠脉病变评分，获取评分效率低的问题，实现了由冠状动脉的医学图像得到SYNTAX评分的自动化，提高了获取SYNTAX评分的效率。
进一步的，冠状动脉病变的评分装置还包括：
模型训练模块，用于对冠脉病变评分模型进行训练；
相应地，模型训练模块包括：
样本集生成单元，用于基于至少一张历史冠状动脉图像生成训练样本集；
当前评分结果获取单元，用于将训练样本集中的历史冠状动脉图像样本输入至待训练的冠脉病变评分模型中，得到与历史冠状动脉图像样本对应的当前输出评分结果；
参数调节单元，用于根据当前输出评分结果和期望输出评分结果之间的误差，调节冠脉病变评分模型的预判参数。
可选的，冠状动脉病变的评分装置还包括：特征提取模块和评分计算模块。
其中，特征提取模块，用于在对冠脉病变评分模型进行训练之前，获取历史患者的历史冠状动脉图像，并提取出历史冠状动脉图像中的评分图像特征；评分计算模块，根据评分图像特征和预设的评分法则计算出与历史冠状动脉图像对应的历史冠脉病变评分。
可选的，样本集生成单元具体用于：
对至少一张历史冠状动脉图像进行增强处理得到与至少一张历史冠状动脉图像对应的至少一张增强图像；
将至少一张历史冠状动脉图像和至少一张增强图像的集合作为训练样本集；
其中，增强处理包括旋转处理、拉伸处理以及镜像处理中的至少一个。
可选的，特征提取模块具体用于：
将历史冠状动脉图像进行图像分割得到目标冠状动脉图像，对目标冠状动脉图像的病变区域的参数信息进行标记，根据标记结果生成评分图像特征；和/或
给予深度学习网络提取出历史冠状动脉图像中的评分图像特征。
可选的，冠脉病变评分模型包括卷积神经网络模型。
可选的，卷积神经网络具体包括：输入层、卷积层、池化层、Drop Out丢弃层、全连接层和输出层。
本发明实施例所提供的冠状动脉病变的评分装置可执行本发明任意实施例所提供的冠状动脉病变的评分方法，具备执行方法相应的功能模块和有益效果。
实施例四
图4是本发明实施例四中的服务器的结构示意图。图4示出了适于用来实现本发明实施方式的示例性服务器412的框图。图4显示的服务器412仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示，服务器412以通用计算设备的形式表现。服务器412的组件可以包括但不限于：一个或者多个处理器或者处理单元416，系统存储器428，连接不同系统组件(包括系统存储器428和处理单元416)的总线418。
总线418表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
服务器412典型地包括多种计算机系统可读介质。这些介质可以是任何能够被服务器412访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器428可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)430和/或高速缓存存储器432。服务器412可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统434可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线418相连。存储器428可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块442的程序/实用工具440，可以存储在例如存储器428中，这样的程序模块442包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块442通常执行本发明所描述的实施例中的功能和/或方法。
服务器412也可以与一个或多个外部设备414(例如键盘、指向设备、显示器424等)通信，还可与一个或者多个使得用户能与该服务器412交互的设备通信，和/或与使得该服务器412能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口422进行。并且，服务器412还可以通过网络适配器420与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器420通过总线418与服务器412的其它模块通信。应当明白，尽管图4中未示出，可以结合服务器412使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元416通过运行存储在系统存储器428中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的冠状动脉病变的评分方法，该方法主要包括：
获取待评分冠状动脉图像；
将所述待评分冠状动脉图像输入至预先训练得到的冠脉病变评分模型得到冠脉病变评分。
实施例五
本发明实施例五还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例所提供的冠状动脉病变的评分方法，该方法主要包括：
获取待评分冠状动脉图像；
将所述待评分冠状动脉图像输入至预先训练得到的冠脉病变评分模型得到冠脉病变评分。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如”如”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)域连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种冠状动脉病变的评分方法，其特征在于，包括：
获取待评分冠状动脉图像；
将所述待评分冠状动脉图像输入至预先训练得到的冠脉病变评分模型得到冠脉病变评分。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
对冠脉病变评分模型进行训练；
相应地，所述对冠脉病变评分模型进行训练包括：
基于至少一张历史冠状动脉图像生成训练样本集；
将所述训练样本集中的历史冠状动脉图像样本输入至待训练的冠脉病变评分模型中，得到与所述历史冠状动脉图像样本对应的当前输出评分结果；
根据所述当前输出评分结果和期望输出评分结果之间的误差，调节所述冠脉病变评分模型的预判参数。
3.根据权利要求2所述的方法，其特征在于，在所述对冠脉病变评分模型进行训练之前，还包括：
获取历史患者的历史冠状动脉图像，并提取出所述历史冠状动脉图像中的评分图像特征；
根据所述评分图像特征和预设的评分法则计算出与所述历史冠状动脉图像对应的历史冠脉病变评分。
4.根据权利要求2所述的方法，其特征在于，所述基于至少一张历史冠状动脉图像生成训练样本集，包括：
对至少一张所述历史冠状动脉图像进行增强处理得到与所述至少一张所述历史冠状动脉图像对应的至少一张增强图像；
将所述至少一张所述历史冠状动脉图像和所述至少一张增强图像的集合作为训练样本集；
其中，所述增强处理包括旋转处理、拉伸处理以及镜像处理中的至少一个。
5.根据权利要求3所述的方法，其特征在于，所述提取出所述历史冠状动脉图像中的评分图像特征，包括：
将所述历史冠状动脉图像进行图像分割得到目标冠状动脉图像，对所述目标冠状动脉图像的病变区域的参数信息进行标记，根据标记结果生成评分图像特征；和/或
给予深度学习网络提取所述出所述历史冠状动脉图像中的评分图像特征。
6.根据权利要求1-5任一所述的方法，其特征在于，所述冠脉病变评分模型包括卷积神经网络模型。
7.根据权利要求6所述的方法，其特征在于，所述卷积神经网络具体包括：输入层、卷积层、池化层、Drop Out丢弃层、全连接层和输出层。
8.一种冠状动脉病变的评分装置，其特征在于，包括：
图像获取模块，用于获取待评分冠状动脉图像，其中，所述冠状动脉图像包括冠状动脉造影图像或冠状动脉CTA图像；
图像评分模块，用于将所述待评分冠状动脉图像输入至预先训练得到的冠脉病变评分模型得到冠脉病变评分。
9.一种服务器，其特征在于，所述服务器包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的冠状动脉病变的评分方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的冠状动脉病变的评分方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811614274.4A CN109658407A (zh) | 2018-12-27 | 2018-12-27 | 冠状动脉病变的评分方法、装置、服务器和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811614274.4A CN109658407A (zh) | 2018-12-27 | 2018-12-27 | 冠状动脉病变的评分方法、装置、服务器和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109658407A true CN109658407A (zh) | 2019-04-19 |
Family
ID=66117725
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811614274.4A Pending CN109658407A (zh) | 2018-12-27 | 2018-12-27 | 冠状动脉病变的评分方法、装置、服务器和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109658407A (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110211111A (zh) * | 2019-05-31 | 2019-09-06 | 上海联影医疗科技有限公司 | 一种血管提取的方法、装置、图像处理设备及存储介质 |
| CN111145160A (zh) * | 2019-12-28 | 2020-05-12 | 上海联影医疗科技有限公司 | 钙化区域所处冠脉分支的确定方法、装置、服务器及介质 |
| CN111179257A (zh) * | 2019-12-31 | 2020-05-19 | 上海联影医疗科技有限公司 | 一种评价方法、装置、电子设备及存储介质 |
| CN111192664A (zh) * | 2019-12-31 | 2020-05-22 | 上海联影医疗科技有限公司 | 一种图像标记方法、系统、设备及存储介质 |
| CN111312374A (zh) * | 2020-01-21 | 2020-06-19 | 上海联影智能医疗科技有限公司 | 医学图像处理方法、装置、存储介质及计算机设备 |
| CN111340794A (zh) * | 2020-03-09 | 2020-06-26 | 中山大学 | 冠状动脉狭窄的量化方法及装置 |
| TWI711051B (zh) * | 2019-07-11 | 2020-11-21 | 宏碁股份有限公司 | 血管狀態評估方法與血管狀態評估裝置 |
| CN112151179A (zh) * | 2020-09-29 | 2020-12-29 | 上海联影医疗科技股份有限公司 | 影像数据评估方法、装置、设备及存储介质 |
| CN112308813A (zh) * | 2019-07-26 | 2021-02-02 | 宏碁股份有限公司 | 血管状态评估方法与血管状态评估装置 |
| CN112307804A (zh) * | 2019-07-25 | 2021-02-02 | 宏碁股份有限公司 | 血管状态评估方法与血管状态评估装置 |
| CN112754449A (zh) * | 2019-11-05 | 2021-05-07 | 西门子医疗有限公司 | 侧支冠状动脉的评估 |
| CN113096141A (zh) * | 2021-04-19 | 2021-07-09 | 推想医疗科技股份有限公司 | 冠状动脉分割方法以及冠状动脉分割装置 |
| CN114533264A (zh) * | 2022-01-25 | 2022-05-27 | 中山大学孙逸仙纪念医院 | 一种无症状性冠脉疾病的预测模型训练方法、装置及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106456078A (zh) * | 2013-10-17 | 2017-02-22 | 西门子保健有限责任公司 | 用于对血流储备分数的基于机器学习的评估的方法和系统 |
| CN107427268A (zh) * | 2014-11-14 | 2017-12-01 | 西门子保健有限责任公司 | 用于基于纯几何机器学习的血流储备分数的方法和系统 |
| CN108280827A (zh) * | 2018-01-24 | 2018-07-13 | 北京红云视界技术有限公司 | 基于深度学习的冠状动脉病变自动检测方法、系统和设备 |
-
2018
- 2018-12-27 CN CN201811614274.4A patent/CN109658407A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106456078A (zh) * | 2013-10-17 | 2017-02-22 | 西门子保健有限责任公司 | 用于对血流储备分数的基于机器学习的评估的方法和系统 |
| CN107427268A (zh) * | 2014-11-14 | 2017-12-01 | 西门子保健有限责任公司 | 用于基于纯几何机器学习的血流储备分数的方法和系统 |
| CN108280827A (zh) * | 2018-01-24 | 2018-07-13 | 北京红云视界技术有限公司 | 基于深度学习的冠状动脉病变自动检测方法、系统和设备 |
Non-Patent Citations (1)
| Title |
|---|
| MEDSCI原创: "《2018长城会（GW-ICC）：葛均波专题|人工智能在心血管领域的应用展望》", 《HTTPS://WWW.MEDSCI.CN/ARTICLE/SHOW_ARTICLE.DO?ID=808D151355C5》 * |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110211111A (zh) * | 2019-05-31 | 2019-09-06 | 上海联影医疗科技有限公司 | 一种血管提取的方法、装置、图像处理设备及存储介质 |
| TWI711051B (zh) * | 2019-07-11 | 2020-11-21 | 宏碁股份有限公司 | 血管狀態評估方法與血管狀態評估裝置 |
| US11342078B2 (en) | 2019-07-11 | 2022-05-24 | Acer Incorporated | Blood vessel status evaluation method and blood vessel status evaluation device |
| CN112307804A (zh) * | 2019-07-25 | 2021-02-02 | 宏碁股份有限公司 | 血管状态评估方法与血管状态评估装置 |
| CN112308813A (zh) * | 2019-07-26 | 2021-02-02 | 宏碁股份有限公司 | 血管状态评估方法与血管状态评估装置 |
| CN112754449A (zh) * | 2019-11-05 | 2021-05-07 | 西门子医疗有限公司 | 侧支冠状动脉的评估 |
| CN111145160B (zh) * | 2019-12-28 | 2023-06-30 | 上海联影医疗科技股份有限公司 | 钙化区域所处冠脉分支的确定方法、装置、服务器及介质 |
| CN111145160A (zh) * | 2019-12-28 | 2020-05-12 | 上海联影医疗科技有限公司 | 钙化区域所处冠脉分支的确定方法、装置、服务器及介质 |
| CN111192664A (zh) * | 2019-12-31 | 2020-05-22 | 上海联影医疗科技有限公司 | 一种图像标记方法、系统、设备及存储介质 |
| CN111179257A (zh) * | 2019-12-31 | 2020-05-19 | 上海联影医疗科技有限公司 | 一种评价方法、装置、电子设备及存储介质 |
| CN111312374A (zh) * | 2020-01-21 | 2020-06-19 | 上海联影智能医疗科技有限公司 | 医学图像处理方法、装置、存储介质及计算机设备 |
| CN111312374B (zh) * | 2020-01-21 | 2024-03-22 | 上海联影智能医疗科技有限公司 | 医学图像处理方法、装置、存储介质及计算机设备 |
| CN111340794A (zh) * | 2020-03-09 | 2020-06-26 | 中山大学 | 冠状动脉狭窄的量化方法及装置 |
| CN111340794B (zh) * | 2020-03-09 | 2023-07-04 | 中山大学 | 冠状动脉狭窄的量化方法及装置 |
| CN112151179A (zh) * | 2020-09-29 | 2020-12-29 | 上海联影医疗科技股份有限公司 | 影像数据评估方法、装置、设备及存储介质 |
| CN112151179B (zh) * | 2020-09-29 | 2023-11-14 | 上海联影医疗科技股份有限公司 | 影像数据评估方法、装置、设备及存储介质 |
| CN113096141A (zh) * | 2021-04-19 | 2021-07-09 | 推想医疗科技股份有限公司 | 冠状动脉分割方法以及冠状动脉分割装置 |
| CN114533264A (zh) * | 2022-01-25 | 2022-05-27 | 中山大学孙逸仙纪念医院 | 一种无症状性冠脉疾病的预测模型训练方法、装置及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109658407A (zh) | 冠状动脉病变的评分方法、装置、服务器和存储介质 | |
| JP7039442B2 (ja) | 血管モデルの作成方法 | |
| US20230282365A1 (en) | Diagnostically useful results in real time | |
| JP6175073B2 (ja) | 最適なデバイスナビゲーションのための血管系ビューのリアルタイム表示 | |
| US20180177474A1 (en) | Creating a vascular tree model | |
| Tmenova et al. | CycleGAN for style transfer in X-ray angiography | |
| Yu et al. | Annotation-free cardiac vessel segmentation via knowledge transfer from retinal images | |
| CN105877767A (zh) | 一种冠脉图像造影方法和装置 | |
| CN115953495B (zh) | 基于二维造影图像的智能路径规划装置、系统和存储介质 | |
| Menten et al. | Physiology-based simulation of the retinal vasculature enables annotation-free segmentation of oct angiographs | |
| Gharleghi et al. | Annotated computed tomography coronary angiogram images and associated data of normal and diseased arteries | |
| CN116630334B (zh) | 用于多分段血管实时自动分割方法、装置、设备及介质 | |
| Zablah et al. | Rapid prototyping airway and vascular models from 3D rotational angiography: Beans to cup 3D printing | |
| CN112971979B (zh) | 仿真系统、仿真方法及装置 | |
| Gharleghi et al. | Computed tomography coronary angiogram images, annotations and associated data of normal and diseased arteries | |
| Valenzuela III et al. | Post-procedure micro-CT analyses of coronary artery stenting in left main vessels of reanimated and perfusion-fixed human hearts | |
| Ling et al. | Deep learning model for coronary angiography | |
| Braga et al. | Nonfluoroscopic 3D Image Guidance System Reduces Navigation Times Through Five 3D-Printed Iliofemoral Vascular Phantoms | |
| Stone et al. | Patterns of variance in/s/during normal and glossectomy speech | |
| Ranne et al. | AiAReSeg: Catheter Detection and Segmentation in Interventional Ultrasound using Transformers | |
| CN116994067B (zh) | 基于冠状动脉钙化的血流储备分数的预测方法及系统 | |
| Seemann et al. | Data augmentation for computed tomography angiography via synthetic image generation and neural domain adaptation | |
| Çimen et al. | CoronARe: a coronary artery reconstruction challenge | |
| Shrestha et al. | A novel enhanced energy function using augmented reality for a bowel: modified region and weighted factor | |
| Du et al. | Morphology reconstruction of obstructed coronary artery in angiographic images |
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 | ||
| CB02 | Change of applicant information |
Address after: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant after: Shanghai Lianying Medical Technology Co.,Ltd. Address before: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190419 |
|
| RJ01 | Rejection of invention patent application after publication |