CN110222759A - 一种冠状动脉易损斑块自动识别系统 - Google Patents

一种冠状动脉易损斑块自动识别系统 Download PDF

Info

Publication number
CN110222759A
CN110222759A CN201910476401.7A CN201910476401A CN110222759A CN 110222759 A CN110222759 A CN 110222759A CN 201910476401 A CN201910476401 A CN 201910476401A CN 110222759 A CN110222759 A CN 110222759A
Authority
CN
China
Prior art keywords
plaque
patch
coronary
image
vulnerable plaque
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
CN201910476401.7A
Other languages
English (en)
Other versions
CN110222759B (zh
Inventor
刘婷
金士琪
霍怀璧
李思邈
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.)
First Hospital of China Medical University
Original Assignee
First Hospital of China Medical 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 First Hospital of China Medical University filed Critical First Hospital of China Medical University
Priority to CN201910476401.7A priority Critical patent/CN110222759B/zh
Publication of CN110222759A publication Critical patent/CN110222759A/zh
Application granted granted Critical
Publication of CN110222759B publication Critical patent/CN110222759B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10101—Optical tomography; Optical coherence tomography [OCT]
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明涉及一种冠状动脉易损斑块自动识别系统，其基于卷积神经网络实现，即通过人工智能卷积神经网络技术对CCTA数据进行深度挖掘，自动提取易损斑块潜在的定量化特征信息，建立易损斑块高精度识别系统，可明显提高无创性手段对易损斑块的检出率，解决关于易损斑块特征判读对医生经验的依赖性和人眼对像素识别的局限性，减少影像医生对大量图像判定的工作负担。

Description

一种冠状动脉易损斑块自动识别系统
技术领域
本发明涉及一种冠状动脉易损斑块自动识别系统。
背景技术
近年来，冠状动脉造影(CAG)检查一直作为评估冠心病的金标准。但是其仅提供管腔的信息，无法详细判别冠状动脉血管壁及斑块内部的情况。而大量研究显示，易损斑块破裂继发血栓形成是引起急性心血管事件(ACS)的主要因素。然而易损斑块(Vulnerableplaque)具有症状隐匿性、破裂突发性的特点，难以早期精准诊断。
目前，血管内超声(intravascular ultrasound，IVUS)与光学相干断层成像(optical oherence tomography，OCT)作为血管内影像学检测技术在识别易损斑块特征方面表现优异，但其有创性的检查方式局限了其在临床上的广泛应用。CT冠状动脉造影(Coronary CT Angiography，CCTA)作为非侵袭性的检查手段在冠心病的诊断方面得到了越来越广泛的应用，成为目前无创性评价冠状动脉粥样硬化斑块的主要影像学方法。相关研究表明，CCTA检测到的易损斑块特征明显增加了发生ACS的可能性。但冠状动脉斑块自身形态结构复杂，同时CCTA的斑块评估还受到斑块分析软件可重复性，特别是医生经验的差异性，肉眼识别的局限性的影响，无法对易损斑块进行精准的识别和判定。如果能够通过无创性CTA或MRI等方法，结合神经网络深度学习等人工智能手段，对易损斑块进行多因素精准识别，同时在体监测斑块由稳定到不稳定乃至破裂的动态演变过程，将会拓展对易损斑块的认识，进一步深入了解斑块易损性在急性心血管事件中的触发机制，实现急性冠脉事件的早期预警和危险分层。
卷积神经网络是一种含有多层网络的网络结构，由输入层、卷积层、下采样层、输出层共同建立了卷积神经网络模型结构。由于它的特征检测层是通过训练数据进行学习，所以在使用时避免了显式的特征抽取，而是隐式地从训练数据中进行学习，因此在模式识别领域取得了显著成绩。
基于卷积神经网络人工智能技术可以对医学图像数据进行深度挖掘，自动提取医学影像中潜在的病理生理定量化相关信息，而并不只限于人工设计的影像学特征，预期可以通过对影像数据的这些高维特征进行降维并构建出高效的冠脉斑块形态识别模型，对易损斑块进行精准预测识别判断，获得和有创性腔内检查一致的诊断效果从而早期个性化指导临床决策。因此，如何整合无创性影像学方法与神经网络深度学习等人工智能手段，实现全心冠脉斑块定量化判别及易损斑块高精度自动检测，解决目前诊断体系对易损斑块识别的不全面性是亟需解决的重大科学问题。
发明内容
本发明要解决的技术问题是：针对目前诊断体系对冠状动脉易损斑块早期识别的不全面性，旨在构建基于卷积神经网络的易损斑块精准自动识别系统。
本发明解决其技术问题所采用的技术方案是：
一种冠状动脉易损斑块自动识别系统，所述系统的实现基于数据扩充技术和迁移学习技术实现；所述系统包括：
第一获取模块：用于获取训练图像，并发送给第一图像预处理模块进行预处理；
第二获取模块：用于获取测试图像，并发送给第二图像预处理模块进行预处理；
第一和第二图像预处理模块将预处理后的数据发送给具有3D卷积神经网络(3D-CNN)模型的第一处理模块；
第二处理模块：接收第一处理模块经3D-CNN模型匹配后的数据，执行冠状斑块形态识别；
输出模块：用于实现冠状斑块信息输出。
优选的，3D-CNN建模过程包括：输入CTA和OCT图像，通过3D卷积对图像进行融合处理，利用有监督的学习方法，对分类特征进行提取；利用下采样层提取更多的结构边缘信息，同时去除冗余信息和噪声。
优选的，所述CTA和OCT图像选取自同一样本中的同一块斑块。
优选的，所述系统还包括处理器，以基于CCTA全心冠状动脉血管树数据，构建具有易损斑块患者的异常特征图谱，反映疾病相关的斑块形态结构改变；根据通过卷积神经网络的方法，对训练集的患者冠状动脉成像数据进行斑块特征识别，构建冠状动脉粥样硬化斑块的智能分类模型。
优选的，所述系统采用数据扩充技术来改善样本量不足而产生的过拟合问题，利用迁移学习来提高分类性能，提高深度学习的效果；最后，通过训练集对该自动诊断模型进行验证。
优选的，所述验证指标包括：由真阳性，假阳性，真阴性，假阴性，识别准确率，马修相关系数和运行时间。
优选的，所述系统还包括对易损斑块征象进行标记和判读，然后进行斑块定量化分析。
优选的，在全部冠状动脉分支斑块总体积(TP)、非钙化体积(NCP)、钙化体积(CP)低密度斑块体积(LDP)总斑块负荷以及斑块密度，最大重塑指数(RI)指标的基础上，提取易损斑块定量化指标。
优选的，所述系统还可以实现全心冠状动脉斑块病变提取的步骤：首先通过不同宽高的窗口滑动获得潜在的目标病变区域，然后进行归一化操作，作为卷积神经网的标准输入；然后根据输入进行卷积池化操作，得到固定维度的特征向量输出；最后根据上一步输出的特征向量进行分类，并且通过边界回归检出精确的病变目标区域。
本发明的有益效果是，本发明提供的一种冠状动脉易损斑块自动识别系统，其基于卷积神经网络实现，以IVUS、OCT作为依据，将500例CCTA数据作为训练集，构建冠状动脉易损斑块自动判别诊断模型；利用100例数据对该模型进行有效性验证。即通过人工智能卷积神经网络技术对CCTA数据进行深度挖掘，自动提取易损斑块潜在的定量化特征信息，建立易损斑块高精度识别系统，可明显提高无创性手段对易损斑块的检出率，解决关于易损斑块特征判读对医生经验的依赖性和人眼对像素识别的局限性，减少影像医生对大量图像判定的工作负担。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明的优选实施例的冠状动脉易损斑块自动识别系统；
图2是本发明的优选实施例的卷积3D卷积神经网络(CNN)训练过程；
图3是本发明的优选实施例的易损斑块征象的判读；
图4是本发明的优选实施例的基于深度卷积神经网络的冠状动脉斑块病灶定位及病灶分割模型。
具体实施方式
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。
本发明的提供了一种冠状动脉易损斑块自动识别系统，所述系统的实现基于数据扩充技术和迁移学习技术实现；所述系统包括：
第一获取模块：用于获取训练图像，并发送给第一图像预处理模块进行预处理；
第二获取模块：用于获取测试图像，并发送给第二图像预处理模块进行预处理；
第一和第二图像预处理模块将预处理后的数据发送给具有3D卷积神经网络(3D-CNN)模型的第一处理模块；
第二处理模块：接收将经3D-CNN模型匹配后的数据，执行冠状斑块形态识别；
输出模块：用于实现冠状斑块信息输出。优选的，所述CTA和OCT图像选取自同一样本中的同一块斑块。
如图1所示，首先将选取同一样本的冠状动脉CTA图像和OCT图像的冠状动脉斑块为感兴趣区(ROI)。并将同一块斑块的CTA图像和OCT图像作为不同的通道(Channel)输入到CNN中，在后续的CNN全连接层部分将CTA和OCT的图像特征进行自动融合，从而建立模型。并在测试数据集中对模型进行有效性验证，由此实现了卷积神经网络数据训练的测试。
为保证识别系统的准确性，现对对象选择以及选择的血液循环生物标志物进行说明：
1)研究对象选择：
有300例冠脉CTA和IVUS数据集的基础上，前瞻性的纳入稳定性心绞痛300例，非ST段抬高ACS300例；所有患者均进行冠状动脉CTA检查，临床危险因素评估，及新型血液循环标志物指标，非ST段抬高ACS患者同时进行IVUS或OCT检查。
具体入组标准如下：①有典型心绞痛症状或临床确诊为非ST段抬高心肌梗死患者：②确定患者既往无明确心肌梗死病史；②冠状动脉血管狭窄率＞30％；③1个以上动脉粥样硬化危险因素，如高血压、糖尿病、脂代谢紊乱、吸烟等。
排除标准：①曾行PCI或冠脉塔桥术后患者；②有先心病，心肌病等其他心血管疾病病史；③对碘造影剂过敏的患者；④ST段抬高型心肌梗死患者；⑤扫描图像质量差，不能进行数据测量和分析者。
2)血液循环生物标志物检测
(1)LpPLA2(脂蛋白相关磷脂酶A2)，参与动脉粥样硬化的发展过程，具有风险预测价值。(2)MMP-9(基质蛋白金属酶9)，与心血管疾病和预后的相关性得到多项研究证实。(3)NGAL/MMP-9复合物(中性粒细胞明胶酶相关载脂蛋白/基质蛋白金属酶9)是心血管事件风险预测因子，与出血斑块相关。(4)OGN(骨甘蛋白聚糖)，在冠脉钙化区域表达显著升高。以上四种标志物主要从机体炎症、斑块进展和斑块钙化不同角度识别高风险斑块的存在。(5)vWF(血管性血友病因子)，可作为反应血管内皮细胞损伤程度和高凝状态的敏感指标。(6)CRP(C反应蛋白)属于急性时相蛋白，是斑块发生、发展有关的促炎因子。(7)FIB(纤维蛋白原)，参与血管内血栓的形成，在血凝和血栓形成中有重要作用。(8)D-dimer(D-二聚体)可作为体内血栓形成的分子标志之一。(9)MPV(平均血小板体积)与血小板计数与栓塞事件等密切相关。以上几种标志物主要从血管内皮、凝血系统和血小板状态不同的角度识别高风险斑块的存在。
优选的，3D-CNN建模过程包括：输入CTA和OCT图像，通过3D卷积对图像进行融合处理，利用有监督的学习方法，对分类特征进行提取；利用下采样层提取更多的结构边缘信息，同时去除冗余信息和噪声。
如图2所示3D-CNN建模过程：原始输入为CTA和OCT的图像，通过3D卷积，融合二者的图像特征；并利用有监督的学习方法，更有效地对病人的分类特征进行提取；下采样层使得特征提取更多的结构边缘信息，同时剔除冗余信息和噪声；多模态共同输入使得原始输入需要更少的领域信息，以提供易损斑块特征识别精度。
优选的，所述系统还包括处理器，以基于CCTA全心冠状动脉血管树数据，构建具有易损斑块患者的异常特征图谱，反映疾病相关的斑块形态结构改变；根据通过卷积神经网络的方法，对训练集的患者冠状动脉成像数据进行斑块特征识别，构建冠状动脉粥样硬化斑块的智能分类模型。
优选的，所述系统采用数据扩充技术来改善样本量不足而产生的过拟合问题，利用迁移学习来提高分类性能，提高深度学习的效果；最后，通过训练集对该自动诊断模型进行验证。优选的，所述验证指标包括：由真阳性，假阳性，真阴性，假阴性，识别准确率，马修相关系数和运行时间。
具体的是通过随机选取其中500例CCTA数据作为卷积神经网络的输入训练集数据，余下的100例作为测试集对构建的自动诊断模型进行有效性验证。采用首先基于不稳定心绞痛和NSTE-ACS患者的CCTA全心冠状动脉血管树数据，构建具有易损斑块患者的异常特征图谱，反映疾病相关的斑块形态结构改变。其次，根据通过卷积神经网络的方法，对训练集的患者冠状动脉成像数据进行斑块特征识别，构建冠状动脉粥样硬化斑块的智能分类模型；在500例的影像数据基础上，应用数据扩充来改善因样本量不足而产生的过拟合问题，迁移学习来提高分类性能，提高深度学习的效果。最后，通过训练集对该自动诊断模型进行验证。验证指标包括：由真阳性，假阳性，真阴性，假阴性，识别准确率，马修相关系数和运行时间。
本发明采用了数据扩增与迁移学习：为了改善深度学习的效果，在用于训练的样本影像数据基础上，通过对原始数据集进行图像旋转、尺度变换、添加噪声等数据扩充方法来改善因样本量不足而产生的过拟合问题。使用迁移学习技术，即利用已有的公开数据集进行预训练，使用训练得到的权值参数初始化网络，再通过训练本项目采集的医学图像对网络参数进行微调，从而实现对医学图像的分类，提高分类性能。
优选的，所述系统还包括对易损斑块征象进行标记和判读，以及斑块定量化分析。
在对易损斑块征象进行标记和判读时，进行特征说明，即CT斑块定性特征(正性重构，餐巾环征，点状钙化，低密度斑块)；餐巾环征：冠状动脉斑块非钙化部分的环状高密度围绕中心低密度；低密度斑块：三个感兴趣区域内的平均CT数值<30HU；斑点状钙化：是微小钙化在任意一个方向下直径均小于3mm；正性重构：病变处管腔与邻近参考血管管腔比值大于1.1。如图3所示(易损斑块征象的判读)，其中，A-非钙化斑块伴随正性重构(箭头)；B-出现低HU斑块的右冠状动脉中段中的部分钙化斑块；C-斑块餐巾环征；D-出现钙化(所有方向直径<3mm)。
斑块定量化分析，即CT对斑块的量化分析(包括全心斑块总负荷，斑块位置、范围、狭窄率、不同密度斑块体积，重构指数等指标)：具体包括全心冠状动脉的斑块负荷指数，斑块体积，斑块的不同成分的体,斑块长度，直径狭窄正性重构指数等等指标。自动调整血管中线冠状动脉斑块的定量分析在全心冠状动脉进行。如果在一个冠状动脉段内发现了多个斑块，汇总全心冠状动脉中所有斑块的定量测量结果。重构指数计算方法是最小腔径部位的血管直径除以近端和远端参考点平均腔径的比值。斑块长度计算方法为从斑块近端到远端的中线距离。直径狭窄计算方法是最小腔径除以近端和远端参考点平均腔径。
IVUS(血管内超声)及OCT检查：参照美国心脏病学院的IVUS检测指南进行操作。定性分析包括将斑块分斑块(脂质斑块)及硬斑块(纤维斑块与钙化斑块)。IVUS诊断斑块破裂、血栓。OCT诊断结果为易损斑块(TCFA)，斑块破裂，斑块侵蚀。
优选的，在全部冠状动脉分支斑块总体积(TP)、非钙化体积(NCP)、钙化体积(CP)低密度斑块体积(LDP)总斑块负荷以及斑块密度，最大重塑指数(RI)指标的基础上，提取易损斑块定量化指标。
本申请基于神经网络深度学习的冠脉动脉斑块自动识别算法，提高冠脉中心线识别的准确率，通过RCNN卷积神经网络，对全心冠状动脉病变自动提取，建立血管树和斑块的精确定位和精细分割，以实现全心冠状动脉斑块自动定量识别；建立新型卷积网络算法；在采用标准化测量方法在全部冠状动脉分支斑块总体积(TP)、非钙化体积(NCP)、钙化体积(CP)低密度斑块体积(LDP)总斑块负荷以及斑块密度，最大重塑指数(RI)等指标的基础上，提取新型潜在的易损斑块定量化指标。由此实现优化全心冠状动脉斑块提取的自动识别方案和精准定量化分析的新型卷积网络方法。
优选的，所述系统还可以实现全心冠状动脉斑块病变提取的步骤：首先通过不同宽高的窗口滑动获得潜在的目标病变区域，然后进行归一化操作，作为卷积神经网的标准输入；然后根据输入进行卷积池化操作，得到固定维度的特征向量输出；最后根据上一步输出的特征向量进行分类，并且通过边界回归检出精确的病变目标区域。
如图4所示基于深度卷积神经网络的冠状动脉斑块病灶定位及病灶分割模型，定位模型的主要目的是实现从CTA解剖图像中自动定位病灶位置及范围；分割模型主要是实现自动分割出病灶的轮廓；即从CCTA图像中，自动分割主动脉区域及各主要冠脉分支，自动地检测出冠状动脉粥样硬化病变的区域。建立血管树和斑块的精确定位和精细分割。通过RCNN卷积神经网络，对全心冠状动脉病变自动提取，首先通过不同宽高的窗口滑动获得潜在的目标病变区域，然后进行归一化操作，作为卷积神经网的标准输入；然后根据输入进行卷积池化操作，得到固定维度的特征向量输出；最后根据上一步输出的特征向量进行分类，并且通过边界回归检出精确的病变目标区域。
本发明的有益效果是，本发明提供的一种冠状动脉易损斑块自动识别系统，其基于卷积神经网络实现，以IVUS、OCT作为依据，根据选取的训练集，构建冠状动脉易损斑块自动判别诊断模型；然后利用其它数据对该模型进行有效性验证。通过人工智能卷积神经网络技术对CCTA数据进行深度挖掘，自动提取易损斑块潜在的定量化特征信息，建立易损斑块高精度识别系统，可明显提高无创性手段对易损斑块的检出率，解决关于易损斑块特征判读对医生经验的依赖性和人眼对像素识别的局限性，减少影像医生对大量图像判定的工作负担。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (9)

1.一种冠状动脉易损斑块自动识别系统，所述系统基于数据扩充技术和迁移学习技术实现；其特征在于：所述系统包括：
第一获取模块：用于获取训练图像，并发送给第一图像预处理模块进行预处理；
第二获取模块：用于获取测试图像，并发送给第二图像预处理模块进行预处理；
第一和第二图像预处理模块将预处理后的数据发送给具有3D卷积神经网络(3D-CNN)模型的第一处理模块；
第二处理模块：接收经第一处理模块使用3D-CNN模型匹配后的数据，执行冠状斑块形态识别；
输出模块：用于实现冠状斑块信息输出。
2.如权利要求1所述的系统，其特征在于：3D-CNN建模过程包括：输入CTA和OCT图像，通过3D卷积对图像进行融合处理，利用有监督的学习方法，对分类特征进行提取；利用下采样层提取更多的结构边缘信息，同时去除冗余信息和噪声。
3.如权利要求2所述的系统，其特征在于：所述CTA和OCT图像选取自同一样本中的同一块斑块。
4.如权利要求1所述的系统，其特征在于：所述系统还包括处理器，以基于CCTA全心冠状动脉血管树数据，构建具有易损斑块患者的异常特征图谱，反映疾病相关的斑块形态结构改变；根据通过卷积神经网络的方法，对训练集的患者冠状动脉成像数据进行斑块特征识别，构建冠状动脉粥样硬化斑块的智能分类模型。
5.如权利要求1所述的系统，其特征在于：所述系统采用数据扩充技术来改善样本量不足而产生的过拟合问题，利用迁移学习来提高分类性能，提高深度学习的效果；最后，通过训练集对该自动诊断模型进行验证。
6.如权利要求5所述的系统，其特征在于：所述验证指标包括：由真阳性，假阳性，真阴性，假阴性，识别准确率，马修相关系数和运行时间。
7.如权利要求1所述的系统，其特征在于：所述系统还包括对易损斑块征象进行标记和判读，然后进行斑块定量化分析。
8.如权利要求7所述的系统，其特征在于：在全部冠状动脉分支斑块总体积(TP)、非钙化体积(NCP)、钙化体积(CP)低密度斑块体积(LDP)总斑块负荷以及斑块密度，最大重塑指数(RI)指标的基础上，提取易损斑块定量化指标。
9.如上述任一权利要求所述的系统，其特征在于：所述系统还可以实现全心冠状动脉斑块病变提取的步骤：首先通过不同宽高的窗口滑动获得潜在的目标病变区域，然后进行归一化操作，作为卷积神经网的标准输入；然后根据输入进行卷积池化操作，得到固定维度的特征向量输出；最后根据上一步输出的特征向量进行分类，并且通过边界回归检出精确的病变目标区域。
CN201910476401.7A 2019-06-03 2019-06-03 一种冠状动脉易损斑块自动识别系统 Active CN110222759B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910476401.7A CN110222759B (zh) 2019-06-03 2019-06-03 一种冠状动脉易损斑块自动识别系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910476401.7A CN110222759B (zh) 2019-06-03 2019-06-03 一种冠状动脉易损斑块自动识别系统

Publications (2)

Publication Number Publication Date
CN110222759A true CN110222759A (zh) 2019-09-10
CN110222759B CN110222759B (zh) 2021-03-30

Family

ID=67819166

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910476401.7A Active CN110222759B (zh) 2019-06-03 2019-06-03 一种冠状动脉易损斑块自动识别系统

Country Status (1)

Country Link
CN (1) CN110222759B (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111199253A (zh) * 2019-12-30 2020-05-26 北京小白世纪网络科技有限公司 基于3d cnn深度学习的前列腺癌症图像识别方法
CN111476757A (zh) * 2020-03-10 2020-07-31 西北大学 一种冠脉斑块数据检测方法、系统、存储介质、终端
CN111583260A (zh) * 2020-06-10 2020-08-25 中国医学科学院阜外医院 斑块易损性预测方法、装置、设备和存储介质
CN111598870A (zh) * 2020-05-15 2020-08-28 北京小白世纪网络科技有限公司 基于卷积神经网络端对端推理计算冠状动脉钙化比的方法
CN111696089A (zh) * 2020-06-05 2020-09-22 上海联影医疗科技有限公司 一种动静脉确定方法、装置、设备和存储介质
CN111768403A (zh) * 2020-07-09 2020-10-13 成都全景恒升科技有限公司 一种基于人工智能算法的钙化斑块检测决策系统及装置
CN111920388A (zh) * 2020-08-25 2020-11-13 南京沃福曼医疗科技有限公司 一种基于oct图像评估斑块负荷的方法
CN111986101A (zh) * 2020-07-09 2020-11-24 浙江工业大学 一种脑血管图谱构建方法
CN112862781A (zh) * 2021-02-05 2021-05-28 上海市第六人民医院 一种cta斑块成分自动分析方法
CN113379739A (zh) * 2021-07-23 2021-09-10 平安科技（深圳）有限公司 超声图像的识别方法、装置、设备及存储介质
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
US11436731B2 (en) 2019-08-05 2022-09-06 Lightlab Imaging, Inc. Longitudinal display of coronary artery calcium burden
WO2022236995A1 (zh) * 2021-05-12 2022-11-17 深圳市中科微光医疗器械技术有限公司 一种引导式钙化斑块的检测评分方法、设备及存储介质
CN117152492A (zh) * 2023-08-08 2023-12-01 广东省公路建设有限公司湾区特大桥养护技术中心 钢箱梁内疲劳裂纹的识别方法、系统、计算机设备及介质
CN117455878A (zh) * 2023-11-08 2024-01-26 中国医学科学院北京协和医院 一种基于ccta图像的冠状动脉易损斑块识别方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9767557B1 (en) * 2016-06-23 2017-09-19 Siemens Healthcare Gmbh Method and system for vascular disease detection using recurrent neural networks
CN107871318A (zh) * 2017-11-16 2018-04-03 吉林大学 一种基于模型迁移的冠状动脉钙化斑块检测方法
CN108961229A (zh) * 2018-06-27 2018-12-07 东北大学 基于深度学习的心血管oct影像易损失斑块检测方法及系统
CN109091167A (zh) * 2018-06-29 2018-12-28 东南大学 冠状动脉粥样硬化斑块增长的预测方法
CN109410242A (zh) * 2018-09-05 2019-03-01 华南理工大学 基于双流卷积神经网络的目标跟踪方法、系统、设备及介质
CN109670446A (zh) * 2018-12-20 2019-04-23 泉州装备制造研究所 基于线性动态系统和深度网络的异常行为检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9767557B1 (en) * 2016-06-23 2017-09-19 Siemens Healthcare Gmbh Method and system for vascular disease detection using recurrent neural networks
CN107871318A (zh) * 2017-11-16 2018-04-03 吉林大学 一种基于模型迁移的冠状动脉钙化斑块检测方法
CN108961229A (zh) * 2018-06-27 2018-12-07 东北大学 基于深度学习的心血管oct影像易损失斑块检测方法及系统
CN109091167A (zh) * 2018-06-29 2018-12-28 东南大学 冠状动脉粥样硬化斑块增长的预测方法
CN109410242A (zh) * 2018-09-05 2019-03-01 华南理工大学 基于双流卷积神经网络的目标跟踪方法、系统、设备及介质
CN109670446A (zh) * 2018-12-20 2019-04-23 泉州装备制造研究所 基于线性动态系统和深度网络的异常行为检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
TING LIU 等: "Quantification of plaque characteristics detected by dual source computed tomography angiography to predict myocardial ischemia as assessed by single photon emission computed tomography myocardial perfusion imaging", 《QUANTITATIVE IMAGING IN MEDICINE AND SURGERY》 *

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11436731B2 (en) 2019-08-05 2022-09-06 Lightlab Imaging, Inc. Longitudinal display of coronary artery calcium burden
CN111199253A (zh) * 2019-12-30 2020-05-26 北京小白世纪网络科技有限公司 基于3d cnn深度学习的前列腺癌症图像识别方法
CN111476757A (zh) * 2020-03-10 2020-07-31 西北大学 一种冠脉斑块数据检测方法、系统、存储介质、终端
CN111476757B (zh) * 2020-03-10 2023-05-23 西北大学 一种冠脉斑块数据检测方法、系统、存储介质、终端
CN111598870B (zh) * 2020-05-15 2023-09-15 北京小白世纪网络科技有限公司 基于卷积神经网络端对端推理计算冠状动脉钙化比的方法
CN111598870A (zh) * 2020-05-15 2020-08-28 北京小白世纪网络科技有限公司 基于卷积神经网络端对端推理计算冠状动脉钙化比的方法
CN111696089A (zh) * 2020-06-05 2020-09-22 上海联影医疗科技有限公司 一种动静脉确定方法、装置、设备和存储介质
CN111583260A (zh) * 2020-06-10 2020-08-25 中国医学科学院阜外医院 斑块易损性预测方法、装置、设备和存储介质
CN111986101A (zh) * 2020-07-09 2020-11-24 浙江工业大学 一种脑血管图谱构建方法
CN111768403A (zh) * 2020-07-09 2020-10-13 成都全景恒升科技有限公司 一种基于人工智能算法的钙化斑块检测决策系统及装置
CN111920388A (zh) * 2020-08-25 2020-11-13 南京沃福曼医疗科技有限公司 一种基于oct图像评估斑块负荷的方法
CN112862781A (zh) * 2021-02-05 2021-05-28 上海市第六人民医院 一种cta斑块成分自动分析方法
WO2022236995A1 (zh) * 2021-05-12 2022-11-17 深圳市中科微光医疗器械技术有限公司 一种引导式钙化斑块的检测评分方法、设备及存储介质
CN113379739A (zh) * 2021-07-23 2021-09-10 平安科技（深圳）有限公司 超声图像的识别方法、装置、设备及存储介质
CN113379739B (zh) * 2021-07-23 2022-03-25 平安科技（深圳）有限公司 超声图像的识别方法、装置、设备及存储介质
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
CN117152492A (zh) * 2023-08-08 2023-12-01 广东省公路建设有限公司湾区特大桥养护技术中心 钢箱梁内疲劳裂纹的识别方法、系统、计算机设备及介质
CN117152492B (zh) * 2023-08-08 2024-04-19 广东省公路建设有限公司湾区特大桥养护技术中心 钢箱梁内疲劳裂纹的识别方法、系统、计算机设备及介质
CN117455878A (zh) * 2023-11-08 2024-01-26 中国医学科学院北京协和医院 一种基于ccta图像的冠状动脉易损斑块识别方法及系统

Also Published As

Publication number Publication date
CN110222759B (zh) 2021-03-30

Similar Documents

Publication Publication Date Title
CN110222759A (zh) 一种冠状动脉易损斑块自动识别系统
EP3730040A1 (en) Method and apparatus for assisting in diagnosis of cardiovascular disease
CN110223781B (zh) 一种多维度斑块破裂风险预警系统
CN102258381B (zh) 用于自动检测和分类心脏ct容积中的冠状动脉狭窄的方法和系统
CN111340789A (zh) 眼底视网膜血管识别及量化方法、装置、设备及存储介质
US20220335616A1 (en) Longitudinal Display Of Coronary Artery Calcium Burden
CN111657883B (zh) 基于序列造影的冠脉syntax分数自动计算方法与系统
EP4018413A1 (en) Computerised tomography image processing
CN111932554A (zh) 一种肺部血管分割方法、设备及存储介质
US20230162359A1 (en) Diagnostic assistance method and device
US11983875B2 (en) Method and apparatus for analysing intracoronary images
ElTanboly et al. An integrated framework for automatic clinical assessment of diabetic retinopathy grade using spectral domain OCT images
Maaliw et al. An enhanced segmentation and deep learning architecture for early diabetic retinopathy detection
Joshi et al. Automated method for the identification and analysis of vascular tree structures in retinal vessel network
Giannoglou et al. Genetic fuzzy rule based classification systems for coronary plaque characterization based on intravascular ultrasound images
Remeseiro et al. Automatic classification of retinal blood vessels based on multilevel thresholding and graph propagation
Joshi et al. Identification and reconnection of interrupted vessels in retinal vessel segmentation
Bouacheria et al. Automatic glaucoma screening using optic nerve head measurements and random forest classifier on fundus images
US20220061920A1 (en) Systems and methods for measuring the apposition and coverage status of coronary stents
Avram et al. CathAI: fully automated interpretation of coronary angiograms using neural networks
CN116363311A (zh) 冠脉Leiden分数计算及风险分级的方法和系统
CN115965621A (zh) 一种基于磁共振成像的主要心脏不良事件的预测装置
Thanh et al. A Real-Time Classification Of Glaucoma from Retinal Fundus Images Using AI Technology
Giannoglou et al. Decision fusion of multiple classifiers for coronary plaque characterization from IVUS images
CN114068013B (zh) 一种脑动脉闭塞人工智能辅助决策系统

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