CN110574070A - 慢性血栓栓塞性肺动脉高压的放射学识别的改进 - Google Patents
慢性血栓栓塞性肺动脉高压的放射学识别的改进 Download PDFInfo
- Publication number
- CN110574070A CN110574070A CN201880029130.4A CN201880029130A CN110574070A CN 110574070 A CN110574070 A CN 110574070A CN 201880029130 A CN201880029130 A CN 201880029130A CN 110574070 A CN110574070 A CN 110574070A
- Authority
- CN
- China
- Prior art keywords
- cteph
- computed tomography
- person
- computer system
- pictures
- 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
- 208000002815 pulmonary hypertension Diseases 0.000 title claims abstract description 94
- 208000026151 Chronic thromboembolic pulmonary hypertension Diseases 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000004590 computer program Methods 0.000 claims abstract description 25
- 238000002591 computed tomography Methods 0.000 claims description 105
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 10
- 210000001147 pulmonary artery Anatomy 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 7
- 230000003936 working memory Effects 0.000 claims description 6
- 230000010412 perfusion Effects 0.000 claims description 4
- 238000012567 pattern recognition method Methods 0.000 claims description 3
- 210000005240 left ventricle Anatomy 0.000 claims description 2
- 210000005241 right ventricle Anatomy 0.000 claims description 2
- 208000031481 Pathologic Constriction Diseases 0.000 claims 1
- 210000000709 aorta Anatomy 0.000 claims 1
- 208000037804 stenosis Diseases 0.000 claims 1
- 230000036262 stenosis Effects 0.000 claims 1
- 239000002872 contrast media Substances 0.000 description 14
- 210000000038 chest Anatomy 0.000 description 11
- 206010053648 Vascular occlusion Diseases 0.000 description 10
- 238000003745 diagnosis Methods 0.000 description 10
- 208000021331 vascular occlusion disease Diseases 0.000 description 10
- 210000004351 coronary vessel Anatomy 0.000 description 9
- 210000000481 breast Anatomy 0.000 description 6
- 238000010191 image analysis Methods 0.000 description 6
- 230000002685 pulmonary effect Effects 0.000 description 6
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 206010013975 Dyspnoeas Diseases 0.000 description 2
- 208000019693 Lung disease Diseases 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 2
- 210000000988 bone and bone Anatomy 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 208000019622 heart disease Diseases 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- ZCYVEMRRCGMTRW-UHFFFAOYSA-N 7553-56-2 Chemical compound [I] ZCYVEMRRCGMTRW-UHFFFAOYSA-N 0.000 description 1
- 208000001778 Coronary Occlusion Diseases 0.000 description 1
- 206010011086 Coronary artery occlusion Diseases 0.000 description 1
- 208000000059 Dyspnea Diseases 0.000 description 1
- 101150110027 Plppr4 gene Proteins 0.000 description 1
- 208000035977 Rare disease Diseases 0.000 description 1
- 101150112740 Srgn gene Proteins 0.000 description 1
- 208000007536 Thrombosis Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000002808 connective tissue Anatomy 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000003748 differential diagnosis Methods 0.000 description 1
- 238000013171 endarterectomy Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 239000011152 fibreglass Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 238000013152 interventional procedure Methods 0.000 description 1
- 229910052740 iodine Inorganic materials 0.000 description 1
- 239000011630 iodine Substances 0.000 description 1
- 230000008338 local blood flow Effects 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000010837 poor prognosis Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- WXXSNCNJFUAIDG-UHFFFAOYSA-N riociguat Chemical compound N1=C(N)C(N(C)C(=O)OC)=C(N)N=C1C(C1=CC=CN=C11)=NN1CC1=CC=CC=C1F WXXSNCNJFUAIDG-UHFFFAOYSA-N 0.000 description 1
- 229960000529 riociguat Drugs 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus 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
- A61B6/504—Apparatus 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus 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
- A61B6/507—Apparatus 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 determination of haemodynamic parameters, e.g. perfusion CT
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5217—Devices 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
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30048—Heart; Cardiac
-
- 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
- G06T2207/30061—Lung
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Optics & Photonics (AREA)
- High Energy & Nuclear Physics (AREA)
- Biophysics (AREA)
- Epidemiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Primary Health Care (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Theoretical Computer Science (AREA)
- Dentistry (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Physiology (AREA)
- Vascular Medicine (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Cardiology (AREA)
- Pulmonology (AREA)
Abstract
本发明涉及慢性血栓栓塞性肺动脉高压(CTEPH)的放射学识别。本发明的主题是用于自动化地识别表明人中存在CTEPH的迹象的方法、计算机系统和计算机程序产品。
Description
技术领域
本发明涉及慢性血栓栓塞性肺动脉高压(CTEPH)的放射学识别。本发明的主题是用于自动化地识别表明人中存在CTEPH的迹象的方法、计算机系统和计算机程序产品。
背景技术
慢性血栓栓塞性肺动脉高压(CTEPH)是肺动脉高压(PH,肺高压)的一种特殊形式。慢性血栓栓塞性肺动脉高压的特征在于血栓浸没到肺动脉中。这些血栓完全或部分阻塞血管和使血管变窄,并且可以转化为结缔组织。在极少数情况下发展成具有不良预后的肺动脉高压。
CTEPH的症状是非特异性的。在早期可能出现呼吸困难和疲劳。从最初症状到诊断的持续时间平均为14个月,其中一些患者此时已处于该疾病的晚期。这强调了准确和及时诊断的必要性。
CTEPH的及时诊断也很重要,因为与此同时存在针对该疾病的不同表现形式的治疗选项。
优选的CTEPH治疗是手术性肺动脉内膜切除术(PEA),借助于PEA可以治愈多达70%的患者。同时,经验丰富的中心的围手术期死亡率为2-4%。但是,所有CTEPH患者中约30–50%被归类为不可手术患者。对于这些患者以及对于PEA后持续存在肺动脉高压的患者,2014年初首次用Riociguat允许基于药物的治疗。
用于诊断或排除CTEPH的黄金标准是通气/灌注闪烁扫描术。灌注闪烁扫描术的阴性预测价值几乎为100%,这意味着适当的灌注分布排除了CTEPH,其概率接近于确定性。
但是,问题在于CTEPH相对很少。稀有性以及复杂的诊断和鉴别诊断导致对CTEPH的诊断不足。
因此,需要及早且简单地识别表明存在CTEPH的迹象。
发明内容
根据本发明,该任务是通过权利要求1、4和5的主题来解决的。优选的实施方式可以在从属权利要求和本说明书中找到。
本发明的第一主题是一种用于识别表明人中存在CTEPH的迹象的方法,包括以下步骤:
- 接收或调用所述人的胸部的一张或多张计算机断层扫描照片,
- 借助于图像识别软件分析所述一张或多张计算机断层扫描照片,
- 确定在所述一张或多张计算机断层扫描照片中指示存在CTEPH的特征,
- 基于所确定的特征计算存在CTEPH的概率,
- 在所述概率高于定义的阈值的情况下,向所述人和/或其他人传送消息以进一步阐明检查结果,
其中提到的步骤在一个或多个计算机系统上作为后台进程自动运行。
本发明的另一个主题是一种用于识别表明人中存在CTEPH的迹象的计算机系统,包括:
- 用于自动化地接收或调用所述人的胸部的一张或多张计算机断层扫描照片的部件,
- 用于自动化地分析所述一张或多张计算机断层扫描照片的部件,
- 用于自动化地识别在所述一张或多张计算机断层扫描照片中指示存在CTEPH的特征的部件,
- 用于基于所确定的特征自动化地计算存在CTEPH的概率的部件,
- 用于向所述人和/或其他人自动化地传送消息以进一步阐明检查结果的部件。
本发明的又一个主题是一种计算机程序产品,其包括数据载体,在该数据载体上存储了计算机程序,所述计算机程序可以被加载到计算机系统的工作存储器中并且在所述工作存储器中促使计算机系统执行以下步骤:
- 接收或调用人的胸部的一张或多张计算机断层扫描照片,
- 借助于图像识别软件分析所述一张或多张计算机断层扫描照片,
- 确定在所述一张或多张计算机断层扫描照片中指示存在CTEPH的特征,
- 基于所确定的特征计算存在CTEPH的概率,
- 在所述概率高于定义的阈值的情况下,向所述人和/或其他人传送消息以进一步阐明检查结果,
其中提到的步骤在所述计算机系统上作为后台进程自动运行。
下面更详细地解释表征根据本发明的方法、计算机系统和计算机程序产品的各个要素。在所述解释时,在本发明的各个主题(方法,计算机系统,计算机程序产品)之间没有区别。相反,下面的描述类似地适用于本发明的所有主题,而与它们的上下文无关。
在识别表明人中存在CTEPH的迹象时,本发明集中于所述人的胸部的计算机断层扫描照片的自动化图像分析。
计算机断层扫描(CT)是一种X射线方法,利用该方法在横截面图像(截面图像方法)中显示人体。与通常只能识别出粗略结构和骨骼的常规X射线照片相比,在CT照片中还详细地检测到具有很小对比度差异的软组织。X射线管产生所谓的X射线扇形射束,该射束穿透人体并在人体内被诸如器官和骨骼的各种结构不同强度地衰减。与X射线发射器相对的接收探测器接收不同强度的信号并将这些信号转发到计算机,所述计算机从接收到的数据中组合出人体的断层图像。可以以2D或3D观察计算机断层扫描照片(CT照片)。为了更好地区分人体内的结构(例如血管),可以在产生CT照片之前将造影剂注入静脉。
计算机断层扫描在心脏和肺部疾病的诊断中是常用的方法。优选地,所述CT照片是多探测器CT照片。
所谓的多探测器CT(MDCT)是指最新一代的计算机断层扫描仪,其从1998年以来在临床放射学中可用。多探测器CT广泛可用,并且具有高的、几乎各向同性的分辨率(每个空间方向中的像素大小为0.5–1 mm),这样就允许在任何空间平面中观察所述CT照片。检查时间在1到10秒之间变化,从而即使在患者呼吸困难或缺乏合作的情况下也会产生几乎没有伪影的图像。最新的MDCT扫描仪配备了“双能量”技术,其中同时采用两个不同的能量/管电压。由于吸收的能量依赖性,可以突出确定的组织特性,例如在施用造影剂作为针对局部血液循环的替代物之后的碘分布。
本发明中的关键标准是自动化。如已经讲述的,CTEPH是一种诊断不足的罕见疾病。未检测到这种疾病可能会对患者造成致命的后果。因此,根据本发明自动化地分析胸部的计算机断层扫描照片以寻找表明存在CTEPH的迹象。在这种情况下,“自动化”意思着根本不需要人工干预。因此,根据本发明,计算机程序被安装在可以访问胸部的计算机断层扫描照片的计算机系统上,作为后台进程运行,并且自动化地分析所述照片以寻找表明存在CTEPH的迹象。后台进程是指不直接与用户作用并且因此与用户界面异步运行的进程。
在根据本发明的方法的第一步骤中,接收或调用人的胸部的一张或多张计算机断层扫描照片。通常,CT照片是数据集,利用所述数据集可以三维地显示所述人的胸部结构。因此,一张CT照片通常代表在拍摄计算机断层照片时刻的所述人的胸部。多张CT照片可以代表所述人在不同时刻的肺部区域;因此,基于所述多张CT照片可以识别组织结构的时间变化,从而例如检查出疾病变化过程。然而,也可以考虑的是,所述多张CT照片是代表所述胸部的不同区域的CT照片。
如已经描述的,计算机断层扫描是在诊断心脏和肺部疾病时的常见方法。因此可以考虑检查数据库中已经存在的CT照片以确定是否存在针对CTEPH的迹象。在本发明的一个实施方式中,调用一个或多个数据库中现有的CT照片,并分析是否存在针对CTEPH的迹象。这例如可以定期发生。例如,可以考虑定期(例如每天或每周)在其中通常存储有CT照片的数据库中搜索新的CT照片,并调用所述新的CT照片以进行图像分析。但是,所述调用也可以不定期地发生。所述调用还可以通过事件触发,例如通过存储新的CT照片来触发。优选地,自动化地进行新CT照片的所述调用。
还可以考虑的是,作为对每张从人的胸部产生的CT照片的一类标准分析而执行根据本发明的针对是否存在CTEPH迹象的分析。因此,在本发明的另一优选实施方式中,从人的胸部产生的CT照片在其产生之后直接且自动地用于根据本发明的图像分析。在这种情况下,可以配置被设计为产生对应CT照片的计算机系统,使得该计算机系统将所述CT照片输送给根据本发明的图像分析。执行所述图像分析的组件接收所述CT照片。
在根据本发明的方法的另一步骤中,对所述CT照片进行自动化的分析。通过图像识别软件执行所述分析。所述图像识别软件被配置为使得其检查所述CT图像以确定是否存在特定的(表征性的)特征。
患有CTEPH的人的CT照片通常显示出那些未患有CTEPH的人所不具备的表征性特征。根据本发明,检查所述CT照片以确定是否存在所述表征性特征。
在所提到的分析时可以加以识别的一个表征性特征是右心室和左心室的体积比和/或直径比(RV/LV比)(例如,参见Gonzales G等人的PLoS ONE 10(5):e0127797)。RV/LV直径比情况下等于和大于0.9的值就是表明存在CTEPH的迹象。另一表征性特征是心室之间隔膜的弯曲度(例如,参见D.A. Moses等人,Quantification of the curvature andshape of the interventricular septum; Magnetic Resonance in Medicine, Vol. 52(1), 2004, 154-163以及F. Haddad等人:Septal Curvature is a marker ofhemodynamic, anatomical, and electromechanical ventricular interdependence inpatients with pulmonary arterial hypertension, Echocardiography Vol. 31(6)2014, 699-707)。还可以确定在肺动脉分支的平面中的肺动脉直径与主动脉直径之比(PA:A比)(例如,参见A.S. Iyer等人:CT scan-measured pulmonary artery to aorta ratioand echocardiography for detecting pulmonary hypertension in severe COPD,CHEST 2014, Vol. 145(4), 824-832)。PA:A比为0.7和更高就是表明存在CTEPH的另一迹象。特征性血管特征是例如在完全阻塞情况下在远端血管段中缺乏造影剂,或是形成绳梯血栓、网孔、狭窄和部分阻塞。特定于CTEPH的实质特征包括疤痕、马赛克样灌注、磨玻璃样阴影和支气管异常。所述疤痕通过梗塞引起,所述梗塞由于大多位于下段中的肺血管闭塞而导致。马赛克样灌注由不同密度的区域组成,这些区域是由于栓塞性闭塞、远端血管的血管重排和补偿机制而导致的不规则不足灌注和过度灌注的区域所形成的。由于在这些区域中血流减少并且由此造影剂的浓度降低,因此特别是在闭塞的血管的远端观察到不足灌注的区域。高密度区域大多在现在由于重新分布而被过度灌注并且作为磨玻璃样阴影脱颖而出的区域中识别到。最后所提到的和其他表征性特征在文献中有所描述(例如,参见J.E.Leifheit,Charakterisierung von Patienten mit chronisch thromboembolischerpulmonaler Hypertonie im Vergleich zur polmonalen Hypertonie anderer WHO-Klassifikation mittels Dual Energy Computertomographie, Inauguraldissertationzur Erlangung des Grades eines Doktors der Medizin an der Justus-Liebig-Universität Gießen, 2017)。
优选通过经典的模式识别方法来识别所述表征性特征。原则上也可以考虑机器学习方法(人工神经网络,深度学习等)。但是,患有CTEPH的人的可用CT照片的数量(仍然)相对较少,从而必要时用于训练的可用数据数量很少可能会给所述机器学习方法带来问题。但是原则上可以考虑首先使用模式识别方法识别所述CT照片中表征CTEPH的特征,对CT照片具有表征CTEPH的特征的人进行进一步的诊断,并且将那些被所述进一步诊断确认了存在CTEPH的人的CT照片输送给用于机器学习的训练集,以便不断降低在基于机器学习的图像识别软件情况下的错误率。如果在基于机器学习的图像识别软件情况下的错误率低于在基于模式识别的图像识别软件情况下的错误率,则可以切换到基于机器学习的图像识别软件。
可以考虑的是,在所述图像分析时在所检查的CT照片中未发现特定于CTEPH的特征。在这种情况下,可以在数据库中关于对应的CT照片或关于被产生了所述CT照片的人存储以下信息,即在所述CT照片中没有识别出特定于CTEPH的特征。
如果找到了指示存在CTEPH的特征,则可以在数据库中关于对应的CT照片或关于被产生了所述CT照片的人存储以下信息,即在所述CT照片中识别出了特定于CTEPH的特征。
在根据本发明的方法的另一步骤中,基于所确定的表征性特征来计算存在CTEPH的概率。100%的值表明该患者患有CTEPH;0%的值表示可以排除CTEPH。
为了计算所述概率可以遵循许多不同的方法。例如,可以考虑检查所述一张或多张CT照片来确定是否存在一定数量的表征性特征。可以通过找到的特征的数量总和除以检验的特征的数量总和(P=(找到的特征的总和)/(检验的特征的总和))来计算所述概率。在这种方法中,所有特征都具有相等的价值。但是也可以考虑对各个特征用因子加权,使得与非特异性的特征相比,确实指示CTEPH的特征在所述概率函数中被赋予更高的值。也可以考虑确定特征的程度;其中所述程度表明存在CTEPH的独特性。程度(独特性)越高,所述特征的表现就越明显,并且出现CTEPH的概率也越高。也可以考虑遍历一个或多个决策树或回归树;可能的是,一个特征仅在与另一特征结合时才指示CTEPH。可以考虑用于确定所述概率的其他方法和方法的组合。
在所述概率高于定义的阈值的情况下,产生告知以下信息的消息,即所述CT照片所来自的人以定义的概率患有CTEPH以及因此应当进行进一步检查以阐明检查结果。所述阈值可以例如在20%和70%之间。优选所述阈值高于20%且低于51%。
根据本发明,然后传送以下消息,即所述人应当接受进一步的诊断以确认CTEPH或可靠地排除CTEPH。所述消息可以例如发送给对应的CT图像所来自的人。但是,也可以将所述消息发送给所述人的医师或医院护理人员,或发送给与存在CTEPH迹象的人有联系的其他人。所述消息的传送可以是文本消息(电子邮件,SMS等)或语音消息。
具体实施方式
在下文中基于附图和示例详细描述本发明,而不希望将本发明限制于所描述和示出的特征或特征组合。
图1以示例的方式示出了用于实现根据本发明的系统的实施方式。
在图1中示出了被实施为双焦点探测器系统的CT系统1。该CT系统具有第一X射线管2和相对的探测器以及第二X射线管4和另一相对的探测器5。两个聚焦/探测器系统2、3和4、5均布置在机架上的机架壳体6中,所述机架围绕系统轴9旋转并且在本文中未可见地示出。患者7在可纵向移动的患者卧榻8上。在对患者7进行扫描之前,为了改善由探测器输出数据重建的CT显示的对比度,借助于造影剂注射器12将造影剂施加于患者7。对整个CT系统的控制以及必要时还对探测器数据的评估和CT显示作为截面图像或体积数据的重建可以通过控制和计算单元10来进行。该控制和计算单元10具有存储器11,在存储器11中除了所测得的探测器输出数据之外还存储计算机程序Prg1-Prgn,所述计算机程序Prg1-Prgn在运行中被执行并且基本上承担对所述系统的控制和对所述数据的评估。
在本发明的一个实施方式中,根据本发明的计算机程序在控制和计算单元10上作为后台进程运行。所述计算机程序分析所述截面图像或体积数据以确定是否存在CTEPH迹象。在识别出CTEPH迹象并且计算出的存在CTEPH的概率高于定义的阈值的情况下,由根据本发明的计算机程序在控制和计算单元10的屏幕上显示消息,该消息通知放射科医生存在对CTEPH的怀疑。
图2示意性地示出了用于实现根据本发明的系统的另一实施方式。
CT系统1经由连接14-1与控制和计算单元10连接。经由控制和计算单元10来控制CT系统1以及评估所述探测器数据并将所述CT显示重建为截面图像或体积数据。所述截面图像和体积数据存储在数据库12中,控制和计算单元10经由连接14-2与数据库12连接。还可以考虑所述数据库是控制和计算单元10的组成部分。计算机系统13还可以经由连接14-3访问数据库12。根据本发明的计算机程序在计算机系统13上运行。所述计算机程序被配置为使得它分析存储在数据库12 中的人胸部的CT照片以寻找表明存在CTEPH的迹象。在没有识别出迹象的情况下,存储关于所述CT照片的对应信息。在识别出表明存在CTEPH的迹象的情况下,同样存储关于所述CT图像的对应信息。
配置在计算机系统13上安装并运行的计算机程序,使得该计算机程序基于所确定的指示CTEPH的特征计算出存在CTEPH的概率。如果该概率高于定义的阈值,则所述计算机程序产生可能存在CTEPH的消息。
可以配置在计算机系统13上安装并运行的计算机程序,使得该计算机程序在作为计算机系统13的组成部分的屏幕上显示关于存在CTEPH迹象的消息。也可以考虑将所述计算机程序配置为使得它经由连接14-4将存在CTEPH迹象的消息传送到控制和计算单元10,然后经由控制和计算单元10将所述消息显示在例如屏幕上。还可以考虑由计算机系统10直接从数据库12中获取关于是否存在CTEPH迹象的信息。还可以考虑将所述计算机程序配置为使得它经由连接14-5将存在CTEPH迹象的消息传送到另一计算机系统15,然后在那里例如经由屏幕显示所述消息。还可以考虑由计算机系统15经由连接14-6从数据库12中获取关于是否存在CTEPH迹象的信息。图2中的虚线组件是可选的。连接14-1、14-2、14-3、14-4、14-5和14-6可以是有线的连接、基于玻璃纤维的连接和/或无线的连接(例如,经由无线电)。
图3示意性地示出了根据本发明的计算机系统100的实施方式。
计算机系统100与数据库12连接,在该数据库上存储了人胸部的计算机断层扫描照片。还可以考虑的是,数据库12是计算机系统100的组成部分。计算机系统100包括接收单元110,利用该接收单元110可以接收或调用所述计算机断层扫描照片。计算机系统100包括控制和计算单元120,利用该控制和计算单元120可以分析所述计算机断层扫描照片,并且利用该控制和计算单元120可以识别所述计算机断层扫描照片中指示存在CTEPH的特征。计算机系统100 包括计算和检验单元130,利用该计算和检验单元130可以计算存在CTEPH的概率,并且利用该计算和检验单元130可以检验所述概率是否高于定义的阈值。计算和检验单元130可以是控制和计算单元120的组成部分。计算机系统100包括输出单元140,利用该输出单元140可以将关于所述分析的结果的消息显示给人或传送给人。
本发明的其他实施方式是:
1. 用于识别表明人中存在CTEPH的迹象的方法,包括以下步骤:
- 接收或调用所述人的胸部的一张或多张计算机断层扫描照片,
- 借助于图像识别软件自动分析所述一张或多张计算机断层扫描照片,
- 确定在所述一张或多张计算机断层扫描照片中指示存在CTEPH的特征,
-向所述人和/或其他人传送消息以进一步阐明检查结果。
2. 根据实施方式1所述的方法,其中,调用在数据库中存在的计算机断层扫描照片并输送给所述自动分析。
3. 根据实施方式1所述的方法,其中,在计算机断层扫描照片的产生之后,从产生所述计算机断层扫描照片的计算机系统接收所述计算机断层扫描照片并输送给所述自动分析。
4. 用于识别表明人中存在CTEPH的迹象的计算机系统,包括:
- 用于接收或调用所述人的胸部的一张或多张计算机断层扫描照片的部件,
- 用于自动化地分析所述一张或多张计算机断层扫描照片的部件,
- 用于自动化地识别在所述一张或多张计算机断层扫描照片中指示存在CTEPH的特征的部件,
-用于向所述人和/或其他人传送消息以进一步阐明检查结果的部件。
5. 计算机程序产品,包括数据载体,在所述数据载体上存储有计算机程序,所述计算机程序可以加载到计算机系统的工作存储器中并且在所述工作存储器中促使所述计算机系统执行以下步骤:
- 接收或调用人的胸部的一张或多张计算机断层扫描照片,
- 借助于图像识别软件自动分析所述一张或多张计算机断层扫描照片,
- 确定在所述一张或多张计算机断层扫描照片中指示存在CTEPH的特征,
-向所述人和/或其他人传送消息以进一步阐明检查结果。
Claims (12)
1.一种用于识别表明人中存在CTEPH的迹象的方法,包括以下步骤:
- 接收或调用所述人的胸部的一张或多张计算机断层扫描照片,
- 借助于图像识别软件分析所述一张或多张计算机断层扫描照片,
- 确定在所述一张或多张计算机断层扫描照片中指示存在CTEPH的特征,
- 基于所确定的特征计算存在CTEPH的概率,
- 在所述概率高于定义的阈值的情况下,向所述人和/或其他人传送消息以进一步阐明检查结果,
其中提到的步骤在一个或多个计算机系统中作为后台进程自动运行。
2.根据权利要求1所述的方法,其中,自动调用存在于一个或多个数据库中的计算机断层扫描照片并输送给所述分析。
3.根据权利要求1所述的方法,其中,在计算机断层扫描照片的产生之后,从产生所述计算机断层扫描照片的计算机系统接收所述计算机断层扫描照片并输送给所述分析。
4.根据权利要求1至3中任一项所述的方法,其特征在于,借助于模式识别方法识别在所述一张或多张计算机断层扫描照片中的表征性特征。
5.根据权利要求4所述的方法,其中,所述表征性特征选自以下列表:右心室和左心室的体积比和/或直径比,心室之间隔膜的弯曲度,在肺动脉分支的平面中肺动脉和主动脉的直径比,狭窄的存在性和/或程度,马赛克样灌注的存在性和/或程度,毛玻璃样阴影的存在性和/或程度。
6.根据权利要求1至5中任一项所述的方法,其中,借助于机器学习方法来确定一个或多个特征。
7.一种用于识别表明人中存在CTEPH的迹象的计算机系统,包括:
- 用于自动化地接收或调用所述人的胸部的一张或多张计算机断层扫描照片的部件,
- 用于自动化地分析所述一张或多张计算机断层扫描照片的部件,
- 用于自动化地识别在所述一张或多张计算机断层扫描照片中指示存在CTEPH的特征的部件,
- 用于基于所确定的特征自动化地计算存在CTEPH的概率的部件,
- 用于向所述人和/或其他人自动化地传送消息以进一步阐明检查结果的部件。
8.根据权利要求7所述的计算机系统,包括:
接收单元,利用所述接收单元能够接收和/或调用所述计算机断层扫描照片,
控制和计算单元,利用所述控制和计算单元能够分析所述计算机断层扫描照片并且利用所述控制和计算单元能够识别出在所述计算机断层扫描照片中指示存在CTEPH的特征,
计算和检验单元130,利用所述计算和检验单元能够计算存在CTEPH的概率并且利用所述计算和检验单元能够检验所述概率是否高于定义的阈值,
输出单元140,利用所述输出单元能够将关于所述分析的结果的消息显示给人或传送给人。
9.根据权利要求7和8中任一项所述的计算机系统,其中,所述计算机系统被配置为使得以下进程作为后台进程以自动化的方式运行而无需人的干预:
- 从数据库接收或调用所述人的胸部的一张或多张计算机断层扫描照片,
- 借助于图像识别软件分析所述一张或多张计算机断层扫描照片,
- 在所述一张或多张计算机断层扫描照片中确定指示存在CTEPH的特征,
- 基于所确定的特征计算存在CTEPH的概率,
- 在所述概率高于定义的阈值的情况下,向所述人和/或其他人传送消息以进一步阐明检查结果。
10.根据权利要求7至9中任一项所述的计算机系统,其是CT系统的组成部分。
11.根据权利要求7至9中任一项所述的计算机系统,其与数据库连接,CT系统的CT照片被存储在所述数据库上。
12.一种计算机程序产品,包括数据载体,在所述数据载体上存储有计算机程序,所述计算机程序能够被加载到计算机系统的工作存储器中并且在所述工作存储器中促使所述计算机系统执行以下步骤:
- 接收或调用人的胸部的一张或多张计算机断层扫描照片,
- 借助于图像识别软件分析所述一张或多张计算机断层扫描照片,
- 确定在所述一张或多张计算机断层扫描照片中指示存在CTEPH的特征,
- 基于所确定的特征计算存在CTEPH的概率,
- 在所述概率高于定义的阈值的情况下,向所述人和/或其他人传送消息以进一步阐明检查结果,
其中提到的步骤在所述计算机系统上作为后台进程自动运行。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP17169079 | 2017-05-02 | ||
EP17169079.5 | 2017-05-02 | ||
PCT/EP2018/060732 WO2018202541A1 (de) | 2017-05-02 | 2018-04-26 | Verbesserungen bei der radiologischen erkennung chronisch thromboembolischer pulmonaler hypertonie |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110574070A true CN110574070A (zh) | 2019-12-13 |
Family
ID=58672386
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880029130.4A Pending CN110574070A (zh) | 2017-05-02 | 2018-04-26 | 慢性血栓栓塞性肺动脉高压的放射学识别的改进 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20200237331A1 (zh) |
EP (1) | EP3619631A1 (zh) |
JP (1) | JP2020518396A (zh) |
CN (1) | CN110574070A (zh) |
CA (1) | CA3061988A1 (zh) |
WO (1) | WO2018202541A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113702482A (zh) * | 2021-08-30 | 2021-11-26 | 中国医学科学院北京协和医院 | 一种IgG N-糖链特征组合及其应用 |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102018222606A1 (de) | 2018-12-20 | 2020-06-25 | Siemens Healthcare Gmbh | Verfahren und Vorrichtung zur Detektion eines anatomischen Merkmals eines Blutgefäßabschnittes |
WO2020185758A1 (en) * | 2019-03-12 | 2020-09-17 | Bayer Healthcare Llc | Systems and methods for assessing a likelihood of cteph and identifying characteristics indicative thereof |
CA3154689A1 (en) | 2019-09-18 | 2021-03-25 | Bayer Aktiengesellschaft | System, method, and computer program product for predicting, anticipating, and/or assessing tissue characteristics |
EP4031894B1 (de) | 2019-09-18 | 2023-06-07 | Bayer Aktiengesellschaft | Vorhersage von mrt-aufnahmen durch ein mittels überwachten lernens trainiertes vorhersagemodell |
EP3813017A1 (de) | 2019-10-21 | 2021-04-28 | Bayer AG | Segmentierung der herzregion in ct-aufnahmen |
JP7394588B2 (ja) * | 2019-11-07 | 2023-12-08 | キヤノン株式会社 | 情報処理装置、情報処理方法、および撮像システム |
US20240005650A1 (en) | 2020-11-20 | 2024-01-04 | Bayer Aktiengesellschaft | Representation learning |
WO2022207443A1 (en) | 2021-04-01 | 2022-10-06 | Bayer Aktiengesellschaft | Reinforced attention |
WO2022268656A1 (en) | 2021-06-25 | 2022-12-29 | Bayer Aktiengesellschaft | Federated representation learning with consistency regularization |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140257854A1 (en) * | 2011-09-08 | 2014-09-11 | Radlogics, Inc. | Methods and Systems for Analyzing and Reporting Medical Images |
RU2545927C1 (ru) * | 2014-03-13 | 2015-04-10 | Федеральное государственное бюджетное учреждение "Научно-исследовательский институт кардиологии" Сибирского отделения Российской академии медицинских наук | Способ дифференциальной диагностики острой тромбоэмболии легочной артерии и хронической постэмболической легочной гипертензии |
CN106461677A (zh) * | 2014-04-22 | 2017-02-22 | 国立大学法人东北大学 | 肺高血压病的检查方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090012382A1 (en) * | 2007-07-02 | 2009-01-08 | General Electric Company | Method and system for detection of obstructions in vasculature |
JP2010104581A (ja) * | 2008-10-30 | 2010-05-13 | Canon Inc | X線撮影装置及びx線撮影方法 |
-
2018
- 2018-04-26 US US16/609,138 patent/US20200237331A1/en not_active Abandoned
- 2018-04-26 CA CA3061988A patent/CA3061988A1/en active Pending
- 2018-04-26 EP EP18720250.2A patent/EP3619631A1/de not_active Withdrawn
- 2018-04-26 JP JP2019560392A patent/JP2020518396A/ja active Pending
- 2018-04-26 CN CN201880029130.4A patent/CN110574070A/zh active Pending
- 2018-04-26 WO PCT/EP2018/060732 patent/WO2018202541A1/de unknown
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140257854A1 (en) * | 2011-09-08 | 2014-09-11 | Radlogics, Inc. | Methods and Systems for Analyzing and Reporting Medical Images |
RU2545927C1 (ru) * | 2014-03-13 | 2015-04-10 | Федеральное государственное бюджетное учреждение "Научно-исследовательский институт кардиологии" Сибирского отделения Российской академии медицинских наук | Способ дифференциальной диагностики острой тромбоэмболии легочной артерии и хронической постэмболической легочной гипертензии |
CN106461677A (zh) * | 2014-04-22 | 2017-02-22 | 国立大学法人东北大学 | 肺高血压病的检查方法 |
Non-Patent Citations (1)
Title |
---|
RICHARD COULDEN: "State-of-the-Art Imaging Techniques in Chronic Thromboembolic Pulmonary Hypertension" * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113702482A (zh) * | 2021-08-30 | 2021-11-26 | 中国医学科学院北京协和医院 | 一种IgG N-糖链特征组合及其应用 |
Also Published As
Publication number | Publication date |
---|---|
CA3061988A1 (en) | 2019-10-30 |
WO2018202541A1 (de) | 2018-11-08 |
EP3619631A1 (de) | 2020-03-11 |
US20200237331A1 (en) | 2020-07-30 |
JP2020518396A (ja) | 2020-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110574070A (zh) | 慢性血栓栓塞性肺动脉高压的放射学识别的改进 | |
Coenen et al. | Integrating CT myocardial perfusion and CT-FFR in the work-up of coronary artery disease | |
US20220117570A1 (en) | Systems and methods for contrast flow modeling with deep learning | |
US8229200B2 (en) | Methods and systems for monitoring tumor burden | |
Bath et al. | Visual grading characteristics (VGC) analysis: a non-parametric rank-invariant statistical method for image quality evaluation | |
US7940970B2 (en) | Method and system for automatic quality control used in computerized analysis of CT angiography | |
CN110458837B (zh) | 一种图像后处理方法、装置、电子设备及存储介质 | |
US20230172451A1 (en) | Medical image visualization apparatus and method for diagnosis of aorta | |
US7873196B2 (en) | Medical imaging visibility index system and method for cancer lesions | |
US11995834B2 (en) | Method and system for the automated determination of examination results in an image sequence | |
Henschke et al. | The importance of the regimen of screening in maximizing the benefit and minimizing the harms | |
WO2017064600A1 (en) | Systems and methods for generating correct radiological recommendations | |
JP7426824B2 (ja) | 非侵襲的イメージングベースのffrのインタラクションモニタリング | |
KR102469907B1 (ko) | 복수의 폐질환을 스크리닝하기 위한 의료 영상 재구성 장치 및 방법 | |
JP5348998B2 (ja) | 画像検索装置及びその方法 | |
CN115274063A (zh) | 用于操作医学图像数据集的评估系统的方法、评估系统 | |
Hames et al. | Errors in emergency and trauma radiology: General principles | |
EP3764365A1 (en) | Improvements in the radiological identification of chronic thromboembolic pulmonary hypertension | |
Le Pennec et al. | Gallium-68 ventilation/perfusion PET-CT and CT pulmonary angiography for pulmonary embolism diagnosis: an interobserver agreement study | |
Lee et al. | Artificial intelligence evaluation of coronary computed tomography angiography for coronary stenosis classification and diagnosis | |
EP4134972A1 (en) | Machine learning based quality assessment of medical imagery and its use in facilitating imaging operations | |
EP4105880A1 (en) | An x-ray image analysis method and apparatus | |
EP3944252A1 (en) | System for automatically evaluating virtual patient fitting of medical devices | |
Cheung et al. | A 3D deep learning classifier and its explainability when assessing coronary artery disease | |
de Jong et al. | Modern imaging of acute pulmonary embolism |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20191213 |