CN110599444A - 预测血管树的血流储备分数的设备、系统以及非暂时性可读存储介质 - Google Patents

预测血管树的血流储备分数的设备、系统以及非暂时性可读存储介质 Download PDF

Info

Publication number
CN110599444A
CN110599444A CN201910666770.2A CN201910666770A CN110599444A CN 110599444 A CN110599444 A CN 110599444A CN 201910666770 A CN201910666770 A CN 201910666770A CN 110599444 A CN110599444 A CN 110599444A
Authority
CN
China
Prior art keywords
mask image
image block
tree
learning network
sampling
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
CN201910666770.2A
Other languages
English (en)
Other versions
CN110599444B (zh
Inventor
王昕�
尹游兵
白军杰
陆易
曹坤琳
宋麒
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.)
Shenzhen Ke Ya Medical Technology Co Ltd
Original Assignee
Shenzhen Ke Ya Medical Technology Co Ltd
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 Shenzhen Ke Ya Medical Technology Co Ltd filed Critical Shenzhen Ke Ya Medical Technology Co Ltd
Publication of CN110599444A publication Critical patent/CN110599444A/zh
Application granted granted Critical
Publication of CN110599444B publication Critical patent/CN110599444B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06T7/50—Depth or shape recovery
    • 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
    • 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
    • G06T2207/30104—Vascular flow; Blood flow; Perfusion

Abstract

本公开涉及预测血管树的血流储备分数的设备、系统以及非暂时性可读存储介质。所述设备包括：接口，其获取血管树的医学图像；处理器，基于所述医学图像提取所述血管树的中心线，并在沿所述中心线的多个采样位置处提取截面上的第一蒙版图像块，以得到第一蒙版图像块的集合；以及基于所得到的所述第一蒙版图像块的集合，利用训练好的树结构学习网络来预测所述多个采样位置的血流储备分数，所述树结构学习网络基于所述多个采样位置的空间结构关系来构造。本公开能够提高血流储备分数的预测精度。

Description

预测血管树的血流储备分数的设备、系统以及非暂时性可读 存储介质
相关申请的交叉引用
本申请要求于2018年8月23日提交的申请号为62/722,144的美国临时申请的优先权，其全部内容通过引用结合于此。
技术领域
本申请涉及医学图像处理技术领域，具体涉及一种预测血管树的血流储备分数的设备、系统以及非暂时性可读存储介质。
背景技术
已经证明血流储备分数(FFR)是评估心肌缺血的可靠指标。FFR 可用压力线测量；然而，该过程是侵入性的。神经网络是强大的机器学习方法。已经尝试使用机器学习方法来估计FFR。在这些方法中，从医学图像数据中提取用于血管狭窄的一组特征，并且使用训练好的模型基于所提取的一组特征来确定用于血管狭窄的FFR值。已经提出了各种类型的机器学习方法用于评估FFR，其中使用各个特征独立地估计沿着冠状动脉的各个位置的FFR值。然而，这种模型的缺点是同时忽略了沿着血管树路径的所有因素。而且，这些方法不能用于将序列映射到序列以及时变的输入和输出。
发明内容
本公开提出了一种新颖的基于深度学习的架构，以克服基于树结构特性的自动分析的挑战。与先前的方法相比，所公开的设备、系统不仅独立地考虑中心线点的图像，而且还在深层架构中的所有中心线点之间嵌入树形结构的空间关系。利用树结构深度网络中节点的信息传播，所公开的框架可以无缝地整合来自整个树中的中心线点的信息，以进行准确的预测。
为此目的，本公开的一个方案提供了一种由计算机实现的预测血管树的血流储备分数的设备。该设备包括用于获取血管树的医学图像的接口。该设备还包括处理器，该处理器配置为基于所述医学图像提取所述血管树的中心线，并在沿所述中心线的多个采样位置处提取截面上的第一蒙版图像块，以得到第一蒙版图像块的集合。并且，该处理器还配置为基于所得到的所述第一蒙版图像块的集合，利用训练好的树结构学习网络来预测所述多个采样位置的血流储备分数，所述树结构学习网络基于所述多个采样位置的空间结构关系来构造。
本公开的再一个方案提供一种非暂时性可读存储介质，其上存储有计算机可执行指令，所述计算机可执行指令当被处理器执行时实现步骤：获取血管树的医学图像；基于医学图像提取血管树的中心线，并在沿所述中心线的多个采样位置处提取截面上的第一蒙版图像块，以得到第一蒙版图像块的集合；以及基于所得到的所述第一蒙版图像块的集合，利用训练好的树结构学习网络来预测所述多个采样位置的血流储备分数，所述树结构学习网络基于所述多个采样位置的空间结构关系来构造。
本公开的另一个方案提供一种非暂时性可读存储介质，其上存储有计算机可执行指令，所述计算机可执行指令当被处理器执行时实现步骤：获取血管树的医学图像；基于医学图像提取血管树的中心线，并在沿所述中心线的多个采样位置处提取截面上的第一蒙版图像块，以得到第一蒙版图像块的集合；在沿所述中心线的所述多个采样位置处提取截面上的附加蒙版图像块，以得到附加蒙版图像块的集合，所述附加蒙版图像块整合所述第一蒙版图像块所含信息以及血管树所在区域的图像强度信息和血流信息中的至少一种；通过将各位置的第一蒙版图像块和附加蒙版图像块堆叠，以得到所述多个采样位置的张量的集合；以及基于所述多个采样位置的张量的集合，利用训练好的树结构学习网络来预测所述多个采样位置的血流储备分数。
本公开的还一个方案提供一种预测血管树的血流储备分数的系统。所述系统包括：获取单元，其配置为获取血管树的医学图像；中心线提取单元，其配置为基于所述医学图像提取所述血管树的中心线；蒙版图像块提取单元，其配置为在沿所述中心线的多个采样位置处提取截面上的第一蒙版图像块，以得到第一蒙版图像块的集合；以及血流储备分数预测单元，其配置为基于所得到的所述第一蒙版图像块的集合，利用训练好的树结构学习网络来预测所述多个采样位置的血流储备分数，所述树结构学习网络基于所述多个采样位置的空间结构关系来构造。
本公开的预测血管树的血流储备分数的设备及系统采用了基于树结构的学习网络来学习从医学图像数据中直接获得的蒙版图像之间的复杂映射，从而以较高精度输出血管上与蒙版图像对应位置处的预测的FFR。
应当理解，前面的大体描述以及后续的详细描述只是例示性的和说明性的，并非对所要求保护的本发明的限制。
附图说明
在未必按照比例绘制的附图中，不同视图中相似的附图标记可以表示相似的构件。具有字母后缀的相似附图标记或具有不同字母后缀的相似附图标记可以表示相似构件/步骤的不同实例。附图通常作为示例而非限制地图示各种实施例，并且与说明书和权利要求书一起用于解释所公开的实施例。
图1为根据实施例的预测血管树的血流储备分数的方法的示意图；
图2为根据本公开另一实施例的预测血管树的血流储备分数的方法的示意图；
图3为根据本公开实施例的示例性的预测血管树的血流储备分数的系统的框图；
图4为根据本公开实施例的预测血管树的血流储备分数系统的框架的示意图；
图5为根据本公开实施例的从血管树的医学图像预测血流储备分数的例子的示意图；
图6为根据本公开另一实施例的预测血流储备分数的框架的示意图；
图7为描述树结构的卷积RNN的节点的示意图；
图8为树结构学习网络(端到端模型)的训练过程的示意图；
图9为树结构学习网络的预测(或测试)过程的示意图；
图10为根据本公开实施例的示例性的FFR预测设备的框图。
具体实施方式
在本公开中以下技术术语具有统一的含义。技术术语“树结构”可以表示一个以上分支。技术术语“分支”表示源自于分叉点的生理管道(例如血管)中的一种。技术术语“路径”表示解剖树结构的从入口到出口的通路。
图1为根据实施例的预测血管树的血流储备分数的方法100。如图中所示，方法100始于获取血管树的医学图像(步骤101)。医学图像例如是计算机断层摄影(CT)图像、核磁共振成像(MRI)图像、数字减影血管造影(DSA)图像等。
在步骤102，由处理器，基于所述医学图像提取所述血管树的中心线，并在沿所述中心线的多个采样位置处提取截面上的第一蒙版图像块，以得到第一蒙版图像块的集合。在一些实施例中，可以生成带有中心线的血管分割，并选取沿着中心线的多个采样位置。例如，可以选取中心线上的分叉点，其通常承载解剖含义丰富的信息并协助树结构的学习网络准确地计入整个树中的位置的全局相关性。在一些实施例中，尽可能多地选取采样位置，以遍布整个血管树，特别地，整棵树上中心线的各个点都设定为采样位置，以获得对整棵树的FFR 预测结果。在一些实施例中，所述处理器可以提取血管树结构中的分支和分叉点，并且除了分叉点之外额外设置各个分支中的至少一个点作为采样位置。以此方式，树结构的学习网络可以准确且完整地考虑到整个树中的位置的全局相关性。
在一些实施例中，所提取的中心线可以由专家进行验证以在方法的执行之初就确保预测结果的可靠性。然后，对每个采样位置，提取血管截面上的第一蒙版图像块。在一些实施例中，第一蒙版图像块包括采样位置处的血管树所在区域及其周边区域。在一个实施例中，第一蒙版图像块是直接从分割蒙版中提取的二值蒙版图像，其蕴含了血管树的几何特征信息。
在步骤104，由处理器，基于所得到的所述第一蒙版图像块的集合，利用训练好的树结构学习网络来预测所述多个采样位置的血流储备分数，所述树结构学习网络基于所述多个采样位置的空间结构关系来构造。在一些实施例中，树结构学习网络采用递归神经网络(RNN) 实现。多个采样位置中的每一个采样位置都对应一个网络节点(或简称节点)，每一节点对应一个RNN单元。相应节点与相邻节点之间具有父子节点关系。例如，对于其中一个节点，沿着所规定的方向处于其上游的相邻节点是其父节点，而沿着所规定的方向处于其下游的相邻节点是其子节点。在一个实施例中，可以预先规定树结构的方向，如从血管根部到端部的方向或从端部到根部的方向，构建单向RNN。在另一个实施例中，构建双向RNN，这将在图5和图6的示例中体现。在一些实施例中，树结构学习网络采用卷积递归神经网络(简写为CRNN)实现，并且，卷积递归神经网络的节点之间信息传播为双向的，这使得具有更丰富的网络拓扑，学习血管树空间结构之间的关系，其中每个CRNN单元能够在整棵树之间合并帧间信息。并且，使用卷积递归神经网络还能够使图形处理单元(GPU)处理加速，有效降低运算负荷。
由此，可以基于解剖树结构中的各个采样位置的空间约束关系来设置节点之间的信息传播。利用节点之间的信息传播，来自整个树中的采样位置的信息可以被无缝整合以提高FFR预测准确度。另外，可以同时地获得所有采样位置的FFR预测结果，其通过避免由不同位置/分支的异步处理导致的额外耗时以及可能的错误和不一致性，进一步提高了FFR预测准确度和效率。
图2为根据另一实施例的预测血管树的血流储备分数的方法200 的流程图。图2中的方法200与图1中的方法100之间的区别在于，除了与图1中示出的步骤对应的步骤之外(对于相同或相似的步骤，省略了其描述)，方法200还包括：在沿所述中心线的所述多个采样位置处提取截面上的附加蒙版图像块，以得到附加蒙版图像块的集合 (步骤2031)；以及通过将各位置的第一蒙版图像块和附加蒙版图像块堆叠，以得到所述多个采样位置的张量的集合(步骤2032)。
在步骤2031中，所述附加蒙版图像块整合所述第一蒙版图像块所含信息以及血管树所在区域的图像强度信息和血流信息中的至少一种。在一些实施例中，附加蒙版图像块包括第二蒙版图像块，第二蒙版图像块具有血管树所在区域的图像强度信息。在一些实施例中，所述第二蒙版图像块的各个像素的值等于所述第一蒙版图像块上对应像素的值与所述医学图像中对应像素的强度值的乘积，或者等于所述第一蒙版图像块上对应像素的值与该第一蒙版图像块中血管树所在区域的强度平均值的乘积。在一些实施例中，附加蒙版图像块包括第三蒙版图像块，第三蒙版图像块包含血管树所在区域的血流信息。在一些实施例中，所述第三蒙版图像块的各个像素的值等于：所述第一蒙版图像块上对应像素的值乘以该像素所在位置的(血流)压力值，其中压力值可以通过仿真来估计，例如通过CFD仿真或流体有限元；或者所述第一蒙版图像块上对应像素的值乘以该第一蒙版图像块中血管树所在区域的(血流)压力平均值。在另一些实施例中，所述第三蒙版图像块的各个像素的值等于：所述第一蒙版图像块上对应像素的值乘以该像素所在位置的(血流)阻力值；或者所述第一蒙版图像块上对应像素的值乘以该第一蒙版图像块中血管树所在区域的(血流) 阻力平均值。
在一些实施例中，附加蒙版图像块整合所述第一蒙版图像块所含信息以及血管树所在区域的图像强度信息和血流信息这两种信息。
在步骤2032，将各位置的第一蒙版图像块和附加蒙版图像块彼此堆叠，即将第一蒙版图像块对应放在附加蒙版图像块的上方或下方，从而得到所述多个采样位置的张量的集合。该张量可以构造为三维矩阵的形式，例如，通过将各蒙版图像块各个像素点的二位位置作为x、 y坐标，将各个像素点的值作为z坐标来构建三维矩阵。所构建的三维矩阵将在后续步骤中作为输入被馈送到训练好的神经网络中。
通过附加蒙版图像块增加了深度以表达强度信息和/或血流信息，能够进一步提升FFR预测的精度。所获得的张量的集合可作为步骤 204中树结构学习网络的输入。
然后，在步骤204，基于所述多个采样位置的张量的集合，利用训练好的树结构学习网络来预测所述多个采样位置的血流储备分数。由此，可以同时地获得所有采样位置的FFR预测值，提高了预测效率避免由不同位置/分支的异步处理导致的可能的错误和不一致性。
图3示出根据本公开实施例的示例性的预测血管树的血流储备分数的系统300。如图3中所示，系统300包括获取单元302、中心线提取单元304、蒙版图像块提取单元306以及FFR预测单元308。获取单元302配置为获取血管树的医学图像。在一些实施例中，获取单元302可以经由接口从外部图像处理设备、外部存储设备(二者均未示出)获取所需的医学图像；在另一些实施例中，获取单元302可以例如经由网络从医学图像数据库303或中心服务器或外部存储装置(两者均未示出)获取所需的医学图像。中心线提取单元304配置为基于所述医学图像提取所述血管树的中心线，例如，通过生成带有中心线的分割来提取中心线。采样位置设定单元305，其配置为沿中心线设定多个采样位置。在一些实施例中，尽可能多地选取采样位置，以遍布整个血管树，特别地，整棵树上中心线的各个点都设定为采样位置，以获得对整棵树的FFR预测结果。在一些实施例中，所述处理器可以提取血管树结构中的分支和分叉点，并且除了分叉点之外额外设置各个分支中的至少一个点作为采样位置。以此方式，树结构的学习网络可以准确且完整地考虑到整个树中的位置的全局相关性。蒙版图像块提取单元306配置为在沿所述中心线的多个采样位置处提取血管截面上的第一蒙版图像块，以得到第一蒙版图像块的集合。 FFR预测单元308配置为基于所得到的所述第一蒙版图像块的集合，利用训练好的树结构学习网络来预测所述多个采样位置的血流储备分数，所述树结构学习网络基于所述多个采样位置的空间结构关系来构造。
在一些实施例中，所述第一蒙版图像块是包括血管树所在区域及其周边区域的二值图像块。
系统300可以用于将序列映射到序列，实现端到端处理。例如，待分析血管是冠状动脉时，输入序列可以是沿着从开口(ostium)到远端冠状位置的路径的第一蒙版图像块的集合(几何特征)，并且输出序列可以是沿着该路径的一系列FFR值。
在一些实施例中，网络生成单元310可根据所设定的采样位置之间的空间位置关系构建树结构学习网络，网络训练单元312可以从样本数据库314读入训练样本数据(其具有地面真值)，并且根据采样位置设定单元305所设定的各采样位置之间的空间结构关系，对树结构学习网络进行训练。训练好的树结构学习网络可以从网络训练单元 312传输到FFR预测单元308。FFR预测单元308可以从蒙版图像块提取单元306接收各类蒙版图像作为输入，并基于所接收的输入使用训练好的树结构学习网络来执行FFR预测。
在另一些实施例中，蒙版图像块提取单元306还可以配置为：在沿所述中心线的所述多个采样位置处提取血管截面上的附加蒙版图像块，以得到附加蒙版图像块的集合，所述附加蒙版图像块整合所述第一蒙版图像块所含信息以及血管树所在区域的图像强度信息和血流信息中的至少一种；并且所述FFR预测单元308还可以配置为：通过将各位置的第一蒙版图像块和附加蒙版图像块堆叠，以得到所述多个采样位置的张量的集合；以及基于所述多个采样位置的张量的集合，利用训练好的树结构学习网络来预测所述多个采样位置的血流储备分数。
在系统300中，所述树结构学习网络可以构造为具有与所述多个采样位置一一对应的节点，并使用递归神经网络(RNN)单元作为节点；相应节点与相邻节点之间的父子节点关系基于相应位置与相邻位置之间的空间位置关系来设置。在后文中，将具体描述树结构学习网络的节点结构。
在一些实施例中，由蒙版图像块提取单元306提取的附加蒙版图像块可以包括第二蒙版图像块，所述第二蒙版图像块包含血管树所在区域的图像强度信息，所述第二蒙版图像块的各个像素的值等于所述第一蒙版图像块上对应像素的值与所述医学图像中对应像素的强度值的乘积，或者等于所述第一蒙版图像块上对应像素的值与该第一蒙版图像块中血管树所在区域的强度平均值的乘积。
在另一些实施例中，由蒙版图像块提取单元306提取的附加蒙版图像块可以包括第三蒙版图像块，第三蒙版图像块包含血管树所在区域的血流信息，所述第三蒙版图像块的各个像素的值等于：所述第一蒙版图像块上对应像素的值乘以该像素所在位置的压力值；或者所述第一蒙版图像块上对应像素的值乘以该第一蒙版图像块中血管树所在区域的压力平均值；或者所述第一蒙版图像块上对应像素的值乘以该像素所在位置的阻力值；或者所述第一蒙版图像块上对应像素的值乘以该第一蒙版图像块中血管树所在区域的阻力平均值。
在其他的一些实施例中，由蒙版图像块提取单元306提取的附加蒙版图像块同时包括第二蒙版图像块和第三蒙版图像块两者。
系统300中包含的各个模块可以用软件模块和/或相应的硬件电路单独或结合地实现。
图4示出了根据本公开实施例的预测血管树的血流储备分数系统的框架的示意图，其中树结构学习网络采用了树结构的卷积RNN，其从蒙版图像直接预测FFR值。如图所示，该框架包括血管树的中心线提取(402)，然后沿中心线提取各个采样位置的蒙版图像(404)，将提取的蒙版图像馈送到训练好的树结构卷积RNN(CRNN)中(406)，输出预测结果(408)。其中，树结构卷积RNN基于各个采样位置的空间结构关系来构造。
图5示出了根据本公开实施例的从血管树的医学图像预测血流储备分数的例子。首先，进行中心线提取，该过程可以伴随对图中血管的分割而进行，随后，沿中心线的多个采样位置进行截面上的蒙版图像块提取，图中示出对每个采样位置，提取了两个蒙版图像块，所提取的两个蒙版图像块提可以分别对应第一蒙版图像块和第二蒙版图像块，或者分别对应第一蒙版图像块和第三蒙版图像块，此外，在一些实施例中，尽管未图示，在一些实施例中，对每个采样位置，可以提取三个蒙版图像块，例如包括第一、第二和第三蒙版图像块。通过增加在各个采样位置提取的各种蒙版图像块，例如包含血流信息、图像强度信息的蒙版图像块，增加了深度，以进一步提升FFR预测结果的精度。接着，所提取的蒙版图像被馈送到树结构的CRNN，其中各个CRNN单元之间的关系与各采样位置之间的相对位置关系一一对应，且反映了血管树的树结构信息。最后，输出FFR预测结果。在一些实施例中，FFR预测值的输出可以设计为叠加地显示在该血管树的医学图像(即，包含血管树的医学图像)上，以帮助放射科专家、内科医生、临床医生等更好地辨别和理解。
图6是根据本公开另一实施例的预测血流储备分数的框架的示意图。在图6的框架中，X是输入，其可以是蒙版图像(例如第一蒙版图像)、特征图像等。特征图像可以是包含血流特征和/或强度特征的图像，例如第二蒙版图像、第三蒙版图像。树结构学习网络还包括为每个采样位置设置的编码器，用于接收所述张量作为该网络的输入，编码器用于转换各个输入X来产生其特征矢量/映射表示，编码器可以是多层感知器(MLP)或任何卷积神经网络(CNN)(FCN、FCL 等)。并且，树结构学习网络还包括在所述树结构学习网络的下游为每个RNN单元设置的解码器，所述解码器可以由全卷积网络或全连接层实现。例如，解码器可以是FCN，FCL等。在一个实施例中，解码器是全卷积网络，则对应地输出中心线上相应采样位置(中心线点)的截面处所有点的FFR值。在另一个实施例中，解码器是全连接层，则对应地输出中心线上相应采样位置(中心线点)的一个FFR 值，用这一个值近似截面处所有FFR的值，且前边需要展平处理。图中，RNN单元可以是RNN(LSTM、GRU等)或卷积RNN(CGRU、 LSTM等)。
图7是描述树结构的卷积RNN的节点的示意图，以树结构卷积 LSTM(ConvLSTM)为具体示例。图中以节点j(又称单元j)作为父节点为例，此时l表示父节点j的子节点集合中的子节点的序号，图中示出的子节点包括l1和l2。单元j包括输入门限ij、输出门限oj、记忆胞元Cj和隐藏状态Hj。门限信号和记忆胞元依赖于可能的多个子节点的状态，并且每个单元能够并入来自其所有子单元(子节点) 的信息。此外，树结构的ConvLSTM对于每一个子单元l包含一个单独的遗忘门限fjl，这使得ConvLSTM单元能够选择性地整合来自各子节点的信息。N(j)表示树结构的ConvLSTM单元j的子节点集合。节点j的隐藏状态Hj以及记忆胞元Cj可用如下公式更新为：
其中，X是输入(该输入例如可以是张量)，σ表示Sigmoid函数，⊙表示Hadamard积运算，*表示卷积运算，H′和M为中间参数， Wi、Ui、Wf、Uf、Wo、Uo、Wm、Um是权重矩阵。权重矩阵的值可以随机初始化。
树结构ConvLSTM中父节点的信息将并入来自多个子节点的信息，例如图中，单元j具有两个儿子l1和l2。单元j聚集了来自儿子 l1和l2两者的信息。最后，单元k接收来自单元j的信息。
图8示出树结构学习网络(端到端模型)的训练过程。如图所示，训练阶段可以是离线的，在训练阶段集合了具有地面真值的样本数据的数据库(802)。例如，对于冠状动脉的FFR预测这一任务，样本数据是各冠状动脉医学图像样本，且沿各样本图像的树结构的中心线上各个位置对应地具有FFR值(即FFR地面真值，例如，通过压力导丝获得的侵入性的FFR值)。在一些实施例中，各样本医学图像是三维图像，例如，其经由三维重建技术而得到；在另一些实施例中，各样本医学图像包括从至少两个成像角度对同一冠状动脉拍摄的医学图像，特别地，样本医学图像包括了冠状动脉在截面上的成像。图像处理算法自动检测树，然后，根据待预测的各个采样位置，沿树的中心线提取相应的掩模图像块(804)。训练目标是通过使用本公开的树结构学习网络在整个训练数据库中找到预测值和地面真值(即，侵入性的FFR值)之间的最佳拟合来学习输入X和地面真值Y之间的映射。在一些实施例中，训练阶段也可以作为在线过程来进行。使用随机梯度下降相关方法训练端到端模型，以在从训练数据集采样的小批量数据中相对于所有参数最优化目标J(806)。在一些实施例中，可以通过最小化树上的每个节点处的地面真值y与预测值的均方误差来最优化模型的参数(θ)。特别地，对于训练集D，参数(θ) 被优化以最小化目标函数J，可用下列公式表示。
虽然公开了随机梯度下降相关方法和均方差作为示例，也可以采用其他函数，包括但不限于交叉熵等，以及也可以采用其他参数优化方法，包括但不限于适应性矩估计等。
根据本公开的方案训练出的树结构学习网络进行FFR预测，其过程是非侵入性的，不会给受验者带来身体上的负担，并且由于可以同时获得整个血管树中心线上各个位置处的FFR值，本公开的方案是高效的。
图9示出树结构学习网络的预测(或测试)过程。该预测过程是一个在线过程，通过使用来自训练阶段的学习到的映射来计算不可见数据的分割蒙版。从新数据中提取的掩模图像块用作训练好的学习模型的输入。预测过程可分为以下几个步骤进行：首先，获取新图像 (902)。通过成像装置(CT，MRI等)获取医学图像。然后，提取中心线上的输入(蒙版图像块)(904)。接着将提取的蒙版图像块输入到训练好的模型中，生成预测FFR(906)。
图10示出根据本公开实施例的示例性的FFR预测设备1000的框图。FFR预测设备1000包括网络接口1008，FFR预测设备1000 可以利用该网络接口1008连接到网络(未示出)，诸如但不限于医院中的局域网或互联网。所述网络可以将FFR预测设备1000与外部装置连接，外部装置诸如图像采集装置(未示出)、医学图像数据库1005、图像数据存储装置1006等，以从外部获取待预测的血管树的医学图像并进行相应FFR预测处理。图像采集装置可以是任何类型的成像模态，诸如但不限于计算机断层摄影(CT)、数字减影血管造影(DSA)、磁共振成像(MRI)、功能性MRI、动态对比增强-MRI、扩散MRI、螺旋CT、锥形束计算机断层摄影(CBCT)、正电子发射断层摄影(PET)、单光子发射计算断层摄影(SPECT)、X射线成像、光学断层摄影、荧光成像、超声成像、放射治疗射野成像。
在一些实施例中，FFR预测设备1000可以是专用智能装置或通用智能装置。例如，该设备1000可以是为图像数据采集和图像数据处理任务定制的计算机，或位于云端的服务器。例如，设备1000可以被集成到图像采集装置中。设备1000可以包括图像处理器1001和存储器1002，以及可另外包括输入/输出1007和图像显示器1009中的至少一种。图像处理器1001可以是包括一个或多个处理装置的处理装置，诸如微处理器、中央处理单元(CPU)、图形处理单元(GPU) 等。更具体地，图像处理器1001可以是复杂指令集计算(CISC)微处理器、精简指令集计算(RISC)微处理器、超长指令字(VLIW) 微处理器、运行其他指令集的处理器或者运行指令集的组合的处理器。图像处理器1001还可以是一个或多个专用处理装置，诸如专用集成电路(ASICs)、现场可编程门阵列(FPGAs)、数字信号处理器(DSPs)，片上系统(SoCs)等。如本领域技术人员将理解的，在一些实施例中，图像处理器1001可以是专用处理器，而不是通用处理器。图像处理器1001可以包括一个或多个已知的处理装置，例如来自Intel TM制造的Pentium TM、Core TM、Xeon TM或系列的微处理器，由AMD TM制造的Turion TM、Athlon TM、Sempron TM、Opteron TM、FX TM、 Phenom TM系列，或由SunMicrosystems制造的各种处理器。图像处理器1001还可以包括图形处理单元，诸如来自的GPU，由 Nvidia TM制造的系列，由Intel TM制造的GMA，IrisTM系列，或由AMD TM制造的Radeon TM系列。图像处理器901还可以包括加速处理单元，例如由AMD TM制造的Desktop A-4(9,9)系列，由Intel TM制造的Xeon Phi TM系列。所公开的实施例不限于任何类型的处理器或处理器电路，其以其他方式被配置为满足识别、分析、维护、生成、和/或提供大量成像数据或操纵这样的成像数据或与所公开的实施例一致地操纵任何其他类型的数据的计算需求。另外，术语“处理器”或“图像处理器”可以包括一个以上的处理器，例如，多核设计或多个处理器，每个处理器具有多核设计。图像处理器1001 可以执行存储在存储器1002中的计算机程序指令序列，以执行本文公开的各种操作、过程和方法。
图像处理器1001可以通信地耦合到存储器1002并且被配置为执行存储在其中的计算机可执行指令。存储器1002可以包括只读存储器(ROM)、闪存、随机存取存储器(RAM)、诸如同步DRAM(SDRAM) 或Rambus DRAM的动态随机存取存储器(DRAM)、静态存储器(例如，闪存、静态随机存取存储器)等，计算机可执行指令以任何格式存储在其上。在一些实施例中，存储器1002可以存储一个或多个图像处理程序1003的计算机可执行指令。计算机程序指令可以由图像处理器1001访问，从ROM或者任何其他合适的存储器位置读取，并且加载在RAM中以供图像处理器1001执行。例如，存储器1002 可以存储一个或多个软件应用程序。存储在存储器1002中的软件应用程序可以包括，例如，用于普通计算机系统的操作系统(未示出) 以及用于软控制装置的操作系统。
此外，存储器1002可以存储整个软件应用程序或仅存储可由图像处理器1001执行的软件应用程序的一部分(例如，图像处理程序 1003)。此外，存储器1002可以存储多个软件模块，用于实现与本公开相符的用于FFR预测的各个步骤。例如，获取单元302、中心线提取单元304、蒙版图像块提取单元306以及FFR预测单元308(如图 3中所示)等可以实现为存储在存储器1002上的软件模块。
此外，存储器1002可以存储当计算机程序执行时生成/缓存的数据，例如，医学图像数据1004，包括从图像采集装置、医学图像数据库1005、图像数据存储装置1006等传输的医学图像。在一些实施例中，医学图像数据1004可以包括所接收的血管树的图像，还包括带有提取的中心线的图像、与之关联地存储的蒙版图像以及同样关联地存储的FFR预测值等。
在一些实施例中，树结构图像连同FFR预测结果可以显示在图像显示器1009上供用户查看。例如，图像显示器1009可以是LCD、 CRT或LED显示器。FFR预测结果可以与树结构图像关联地临时存储在存储器1002中作为医学图像数据1004，并且可以传输到医学图像数据库1005。
输入/输出1007可以被配置为允许FFR预测设备1000接收和/ 或发送数据。输入/输出1007可以包括允许设备1000与用户或其他机器和装置通信的一个或多个数字和/或模拟通信装置。例如，输入/ 输出1007可以包括允许用户提供输入的键盘和鼠标，该输入包括但不限于采样位置的选取、调整等。
网络接口1008可以包括网络适配器、电缆连接器、串行连接器、 USB连接器、并行连接器、诸如光纤、USB 9.0、闪电的高速数据传输适配器、、例如Wi-Fi适配器的无线网络适配器、电信(9G、4G/LTE 等)适配器。设备1000可以通过网络接口1008连接到网络。网络可以提供局域网(LAN)、无线网络、云计算环境(例如，作为服务的软件、作为服务的平台、作为服务的基础设施等)、客户端-服务器、广域网(WAN)等的功能。
本文描述了各种操作或功能，其可以实现为软件代码或指令或者定义为软件代码或指令。这样的内容可以是可以直接执行(“对象”或“可执行”形式)的源代码或差分代码(“delta”或“patch”代码)。软件代码或指令可以存储在计算机可读存储介质中，并且当被执行时，可以使机器执行所描述的功能或操作，并且包括用于以机器(例如，计算装置，电子系统等)可访问的形式存储信息的任何机构，例如可记录或不可记录介质(例如，只读存储器(ROM)、随机存取存储器 (RAM)、磁盘存储介质、光存储介质、闪存装置等)。
已经出于说明的目的呈现了前面的描述。它并非穷尽的，并且不限于所公开的精确形式或实施例。考虑到所公开实施例的说明书和实践，实施例的修改和改编将是显而易见的。
在本文件中，术语“一”或“个”，如专利文献中常见的那样，包括一个或多个，独立于“至少一个”或“一个以上”的任何其他实例或用法。因此，例如，提到“级别”包括多个这样的级别等。
在本文件中，除非另有说明，否则术语“或”用于表示非排他性的或，即“A或B”包括“A但不是B”，“B但不是A”和“A和B”。在本文中，术语“包括(including)”和“其中(inwhich)”用作相应术语“包括(comprising)”和“其中(wherein)”的普通英语等同物。此外，在随附权利要求中，术语“包括(including)”和“包括(comprising)”是开放式的。也就是说，术语“包括(comprising)”，与“包括(including)”、“包含(containing)”或“其特征在于(characterized by)”同义，是包容性或开放式的，并不排除另外、未陈述的要素或方法步骤。“包括(comprising)”是权利要求语言中使用的专用术语，其意味着所称的要素是必要的，但其他要素可以被添加而依然形成权利要求的范围内的构想。包括除了那些在权利要求中在该术语后列出的要素以外的要素的设备、系统、装置、制品、组成、配方或过程，也被视为落入该权利要求的保护范围内。此外，在下面的权利要求中，术语“第一”、“第二”和“第三”等仅被用作标签，并不旨在对其对象施加数值上的要求。
这里描述的示例性方法可以至少部分地是机器或计算机实现的。一些示例可以包括用指令编码的计算机可读介质或机器可读介质，所述指令可操作以配置电子装置执行如以上示例中所述的方法。这种方法的实现可以包括软件代码，诸如微代码、汇编语言代码、更高级的语言代码等。各种程序或程序模块可以使用各种软件编程技术来创建。例如，可以使用Java、Python、C、C++、汇编语言或任何已知的编程语言来设计程序段或程序模块。一个或多个这样的软件部分或模块可以被集成到计算机系统和/或计算机可读介质中。这种软件代码可以包括用于执行各种方法的计算机可读指令。软件代码可以形成计算机程序产品或计算机程序模块的一部分。此外，在一个示例中，软件代码可以诸如在执行期间或其他时间有形地存储在一个或多个易失性、非暂时性或非易失性有形计算机可读介质上。这些有形的计算机可读介质的示例可以包括但不限于硬盘、可移动磁盘、可移动光盘(例如，光盘和数字视频盘)、磁带盒、存储卡或棒、随机存取存储器 (RAMs)，只读存储器(ROMs)等。
如本文中所使用的，当在列举实体的上下文中使用时，术语“和 /或”表示被单独或组合呈现的实体。因此，例如，短语“A、B、C 和/或D”包括独立的A、B、C和D，但也包括A、B、C和D中的任何一个以及所有的组合和子组合。
此外，尽管在此描述了说明性实施例，但是范围包括具有基于本公开的等效要素、修改、省略、组合(例如，跨各种实施例的方案的组合)、调整或变更的任何和所有实施例。权利要求中的要素将基于权利要求中使用的语言进行宽泛地解释，而不限于本说明书中或在本申请的存续期间描述的示例，这些示例将被解释为非排他性的。此外，所公开的方法的步骤可以以任何方式进行修改，包括通过重新排序步骤或插入或删除步骤。因此，意图仅仅将描述视为例子，真正的范围由以下权利要求及其全部等同范围表示。
以上描述旨在是说明性的而不是限制性的。例如，上述示例(或其一个或多个方案)可以彼此组合使用。本领域普通技术人员在查看以上描述时可以使用其他实施例。而且，在上面的详细描述中，各种特征可以被组合在一起以简化本公开。这不应被解释成意图让不要求保护的公开特征对于任何权利要求而言都是必不可少的。而是，发明主题可以在于比一个公开的实施例的所有特征少的特征组合。因此，以下权利要求由此作为示例或实施例并入到具体实施方式中，其中每个权利要求独立作为单独的实施例，并且可以构想的是，这些实施例可以以各种组合或置换来相互组合。本发明的范围应该参考所附权利要求以及赋予这些权利要求的等同物的全部范围来确定。

Claims (22)

1.一种预测血管树的血流储备分数的设备，其特征在于，所述设备包括：
接口，其配置为获取血管树的医学图像；
处理器，其配置为：
基于所述医学图像提取所述血管树的中心线，并在沿所述中心线的多个采样位置处提取截面上的第一蒙版图像块，以得到第一蒙版图像块的集合；
基于所得到的所述第一蒙版图像块的集合，利用训练好的树结构学习网络来预测所述多个采样位置的血流储备分数，所述树结构学习网络基于所述多个采样位置的空间结构关系来构造。
2.根据权利要求1所述的设备，其特征在于，所述第一蒙版图像块是包括血管树所在区域及其周边区域的二值图像块。
3.根据权利要求2所述的设备，其特征在于，所述处理器还配置为：
在沿所述中心线的所述多个采样位置处提取截面上的附加蒙版图像块，以得到附加蒙版图像块的集合，所述附加蒙版图像块整合所述第一蒙版图像块所含信息以及血管树所在区域的图像强度信息和血流信息中的至少一种；
通过将各位置的第一蒙版图像块和附加蒙版图像块堆叠，以得到所述多个采样位置的张量的集合；
基于所述多个采样位置的张量的集合，利用训练好的树结构学习网络来预测所述多个采样位置的血流储备分数。
4.根据权利要求3所述的设备，其特征在于，所述树结构学习网络构造为具有与所述多个采样位置一一对应的节点，并使用递归神经网络(RNN)单元作为节点；
相应节点与相邻节点之间的父子节点关系基于相应位置与相邻位置之间的空间位置关系来设置。
5.根据权利要求4所述的设备，其特征在于，父节点的RNN单元根据公式(1)来更新：
其中，j为父节点，Nj表示父节点j的子节点集合，l表示父节点j的子节点集合中的子节点的序号，H表示相应节点的隐藏状态，C表示相应节点的记忆胞元，X是作为输入的相应张量，σ表示Sigmoid函数，*表示卷积运算，⊙表示Hadamard积运算，Wi、Ui、Wf、Uf、Wo、Uo、Wm、Um是权重矩阵，H′和M为中间参数，i是输入门限，f是遗忘门限，o是输出门限。
6.根据权利要求3所述的设备，其特征在于，所述附加蒙版图像块包括第二蒙版图像块，所述第二蒙版图像块包含血管树所在区域的图像强度信息，所述第二蒙版图像块的各个像素的值等于所述第一蒙版图像块上对应像素的值与所述医学图像中对应像素的强度值的乘积，或者等于所述第一蒙版图像块上对应像素的值与该第一蒙版图像块中血管树所在区域的强度平均值的乘积。
7.根据权利要求3所述的设备，其特征在于，所述附加蒙版图像块包括第三蒙版图像块，第三蒙版图像块包含血管树所在区域的血流信息，所述第三蒙版图像块的各个像素的值等于：所述第一蒙版图像块上对应像素的值乘以该像素所在位置的压力值；或者所述第一蒙版图像块上对应像素的值乘以该第一蒙版图像块中血管树所在区域的压力平均值；或者所述第一蒙版图像块上对应像素的值乘以该像素所在位置的阻力值；或者所述第一蒙版图像块上对应像素的值乘以该第一蒙版图像块中血管树所在区域的阻力平均值。
8.根据权利要求4所述的设备，其特征在于，所述父、子节点的RNN单元之间的连接是双向连接。
9.根据权利要求4所述的设备，其特征在于，所述树结构学习网络还包括为每个采样位置设置的编码器，
所述编码器由多层感知器(MLP)或卷积神经网络(CNN)实现，且配置为：基于相应采样位置的张量提取并编码特征信息，并馈送到相应节点的RNN单元。
10.根据权利要求4所述的设备，其特征在于，所述树结构学习网络还包括设置在各个RNN单元下游的解码器，所述解码器由全卷积神经网络或全连接层实现。
11.一种非暂时性可读存储介质，其上存储有计算机可执行指令，特征在于，所述计算机可执行指令当被处理器执行时，实现如下步骤：
获取血管树的医学图像；
基于医学图像提取血管树的中心线，并在沿所述中心线的多个采样位置处提取截面上的第一蒙版图像块，以得到第一蒙版图像块的集合；
基于所得到的所述第一蒙版图像块的集合，利用训练好的树结构学习网络来预测所述多个采样位置的血流储备分数，所述树结构学习网络基于所述多个采样位置的空间结构关系来构造。
12.一种非暂时性可读存储介质，其上存储有计算机可执行指令，特征在于，所述计算机可执行指令当被处理器执行时，实现如下步骤：
获取血管树的医学图像；
基于医学图像提取血管树的中心线，并在沿所述中心线的多个采样位置处提取截面上的第一蒙版图像块，以得到第一蒙版图像块的集合；
在沿所述中心线的所述多个采样位置处提取截面上的附加蒙版图像块，以得到附加蒙版图像块的集合，所述附加蒙版图像块整合所述第一蒙版图像块所含信息以及血管树所在区域的图像强度信息和血流信息中的至少一种；
通过将各位置的第一蒙版图像块和附加蒙版图像块堆叠，以得到所述多个采样位置的张量的集合；以及
基于所述多个采样位置的张量的集合，利用训练好的树结构学习网络来预测所述多个采样位置的血流储备分数。
13.一种预测血管树的血流储备分数的系统，其特征在于，所述系统包括：
获取单元，其配置为获取血管树的医学图像；
中心线提取单元，其配置为基于所述医学图像提取所述血管树的中心线；
采样位置设定单元，其配置为延中心线设定多个采样位置；
蒙版图像块提取单元，其配置为在多个采样位置处提取截面上的第一蒙版图像块，以得到第一蒙版图像块的集合；以及
血流储备分数预测单元，其配置为基于所得到的所述第一蒙版图像块的集合，利用训练好的树结构学习网络来预测所述多个采样位置的血流储备分数，所述树结构学习网络基于所述多个采样位置的空间结构关系来构造。
14.根据权利要求13所述的系统，其特征在于，
所述蒙版图像块提取单元还配置为：
在沿所述中心线的所述多个采样位置处提取截面上的附加蒙版图像块，以得到附加蒙版图像块的集合，所述附加蒙版图像块整合所述第一蒙版图像块所含信息以及血管树所在区域的图像强度信息和血流信息中的至少一种；并且
所述血流储备分数预测单元还配置为：
通过将各位置的第一蒙版图像块和附加蒙版图像块堆叠，以得到所述多个采样位置的张量的集合；以及
基于所述多个采样位置的张量的集合，利用训练好的树结构学习网络来预测所述多个采样位置的血流储备分数。
15.根据权利要求13所述的系统，其特征在于，所述系统还包括学习网络生成单元，其配置为基于所述多个采样位置的空间结构关系来构造所述树结构学习网络。
16.根据权利要求15所述的系统，其特征在于，所述学习网络生成单元被配置为：使用RNN单元作为节点来构造所述树结构学习网络，使得所述树结构学习网络构造为具有与所述多个采样位置一一对应的节点，并基于相应位置与相邻位置之间的空间位置关系来设置相应节点与相邻节点之间的父子节点关系。
17.根据权利要求16所述的系统，其特征在于，所述学习网络生成单元被配置为利用公式(1)来更新父节点的RNN单元：
其中，j为父节点，Nj表示父节点j的子节点集合，l表示父节点j的子节点集合中的子节点的序号，H表示相应节点的隐藏状态，C表示相应节点的记忆胞元，X是作为输入的所述第一蒙版图像块的集合和所述多个采样位置的张量的集合中的相应一种，σ表示Sigmoid函数，*表示卷积，⊙表示Hadamard积，Wi、Ui、Wf、Uf、Wo、Uo、Wm、Um是权重矩阵，H′和M为中间参数，i是输入门限，f是遗忘门限，o是输出门限。
18.根据权利要求16所述的系统，其特征在于，所述学习网络生成单元还配置为：将所述父节点与其子节点的RNN单元之间的信息传输方式设置为双向传输。
19.根据权利要求16所述的系统，其特征在于，所述学习网络生成单元还配置为：在所述树结构学习网络的上游为每个采样位置设置编码器，所述编码器由MLP或CNN实现，配置为基于相应采样位置的张量提取并编码特征信息并馈送到相应节点的RNN单元。
20.根据权利要求16所述的系统，其特征在于，所述学习网络生成单元还配置为：在所述树结构学习网络的下游为每个RNN单元设置解码器，所述解码器由全卷积网络或全连接层实现。
21.根据权利要求13所述的系统，其特征在于，所述附加蒙版图像块包括第二蒙版图像块，所述第二蒙版图像块包含血管树所在区域的图像强度信息，所述第二蒙版图像块的各个像素的值等于所述第一蒙版图像块上对应像素的值与所述医学图像中对应像素的强度值的乘积，或者等于所述第一蒙版图像块上对应像素的值与该第一蒙版图像块中血管树所在区域的强度平均值的乘积。
22.根据权利要求13所述的系统，其特征在于，所述附加蒙版图像块包括第三蒙版图像块，第三蒙版图像块包含血管树所在区域的血流信息，所述第三蒙版图像块的各个像素的值等于：所述第一蒙版图像块上对应像素的值乘以该像素所在位置的压力值；或者所述第一蒙版图像块上对应像素的值乘以该第一蒙版图像块中血管树所在区域的压力平均值；或者所述第一蒙版图像块上对应像素的值乘以该像素所在位置的阻力值；或者所述第一蒙版图像块上对应像素的值乘以该第一蒙版图像块中血管树所在区域的阻力平均值。
CN201910666770.2A 2018-08-23 2019-07-23 预测血管树的血流储备分数的设备、系统以及非暂时性可读存储介质 Active CN110599444B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US201862722144P 2018-08-23 2018-08-23
US62/722,144 2018-08-23

Publications (2)

Publication Number Publication Date
CN110599444A true CN110599444A (zh) 2019-12-20
CN110599444B CN110599444B (zh) 2022-04-19

Family

ID=68852880

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910666770.2A Active CN110599444B (zh) 2018-08-23 2019-07-23 预测血管树的血流储备分数的设备、系统以及非暂时性可读存储介质

Country Status (1)

Country Link
CN (1) CN110599444B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111680447A (zh) * 2020-04-21 2020-09-18 深圳睿心智能医疗科技有限公司 血流特征预测方法、装置、计算机设备和存储介质
CN113223671A (zh) * 2021-05-18 2021-08-06 浙江工业大学 基于条件生成对抗网络和约束规则的微血管树生成方法
CN114757944A (zh) * 2022-06-13 2022-07-15 深圳科亚医疗科技有限公司 一种血管图像的分析方法、装置及存储介质

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105190630A (zh) * 2013-01-15 2015-12-23 凯瑟沃克斯有限公司 计算血流储备分数
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
CN106650267A (zh) * 2016-12-28 2017-05-10 北京昆仑医云科技有限公司 应用计算流体力学来模拟计算血流储备分数的系统和方法
CN106980899A (zh) * 2017-04-01 2017-07-25 北京昆仑医云科技有限公司 预测血管树血管路径上的血流特征的深度学习模型和系统
CN107123112A (zh) * 2017-01-23 2017-09-01 上海联影医疗科技有限公司 血流状态分析系统及方法
US20170258433A1 (en) * 2016-03-10 2017-09-14 Siemens Healthcare Gmbh Method and System for Extracting Centerline Representation of Vascular Structures in Medical Images Via Optimal Paths in Computational Flow Fields
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
CN107545269A (zh) * 2016-06-23 2018-01-05 西门子保健有限责任公司 使用递归神经网络进行血管疾病检测的方法和系统
CN108230331A (zh) * 2017-09-30 2018-06-29 深圳市商汤科技有限公司 图像处理方法和装置、电子设备、计算机存储介质
CN108294735A (zh) * 2012-03-13 2018-07-20 西门子公司 用于冠状动脉狭窄的非侵入性功能评估的方法和系统
CN108305246A (zh) * 2017-11-15 2018-07-20 深圳科亚医疗科技有限公司 基于医学图像预测血流特征的装置及系统

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108294735A (zh) * 2012-03-13 2018-07-20 西门子公司 用于冠状动脉狭窄的非侵入性功能评估的方法和系统
CN105190630A (zh) * 2013-01-15 2015-12-23 凯瑟沃克斯有限公司 计算血流储备分数
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
US20170258433A1 (en) * 2016-03-10 2017-09-14 Siemens Healthcare Gmbh Method and System for Extracting Centerline Representation of Vascular Structures in Medical Images Via Optimal Paths in Computational Flow Fields
CN107545269A (zh) * 2016-06-23 2018-01-05 西门子保健有限责任公司 使用递归神经网络进行血管疾病检测的方法和系统
CN106650267A (zh) * 2016-12-28 2017-05-10 北京昆仑医云科技有限公司 应用计算流体力学来模拟计算血流储备分数的系统和方法
CN107123112A (zh) * 2017-01-23 2017-09-01 上海联影医疗科技有限公司 血流状态分析系统及方法
CN106980899A (zh) * 2017-04-01 2017-07-25 北京昆仑医云科技有限公司 预测血管树血管路径上的血流特征的深度学习模型和系统
CN108230331A (zh) * 2017-09-30 2018-06-29 深圳市商汤科技有限公司 图像处理方法和装置、电子设备、计算机存储介质
CN108305246A (zh) * 2017-11-15 2018-07-20 深圳科亚医疗科技有限公司 基于医学图像预测血流特征的装置及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
胡文超等: "无创血流储备分数测定对冠心病患者心肌缺血功能评估的临床进展", 《中华老年多器官疾病杂志》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111680447A (zh) * 2020-04-21 2020-09-18 深圳睿心智能医疗科技有限公司 血流特征预测方法、装置、计算机设备和存储介质
CN111680447B (zh) * 2020-04-21 2023-11-17 深圳睿心智能医疗科技有限公司 血流特征预测方法、装置、计算机设备和存储介质
CN113223671A (zh) * 2021-05-18 2021-08-06 浙江工业大学 基于条件生成对抗网络和约束规则的微血管树生成方法
CN113223671B (zh) * 2021-05-18 2022-05-27 浙江工业大学 基于条件生成对抗网络和约束规则的微血管树生成方法
CN114757944A (zh) * 2022-06-13 2022-07-15 深圳科亚医疗科技有限公司 一种血管图像的分析方法、装置及存储介质
CN114757944B (zh) * 2022-06-13 2022-08-16 深圳科亚医疗科技有限公司 一种血管图像的分析方法、装置及存储介质

Also Published As

Publication number Publication date
CN110599444B (zh) 2022-04-19

Similar Documents

Publication Publication Date Title
US11538161B2 (en) Systems and methods for determining blood vessel conditions
CN110838124B (zh) 用于分割具有稀疏分布的对象的图像的方法、系统和介质
US11495357B2 (en) Method and device for automatically predicting FFR based on images of vessel
CN111709925B (zh) 用于血管斑块分析的装置、系统及介质
CN109635876B (zh) 为生理树结构生成解剖标签的计算机实现的方法、装置和介质
US10548552B2 (en) Method and device for generating anatomical labels for a physiological tree structure
CN110599444B (zh) 预测血管树的血流储备分数的设备、系统以及非暂时性可读存储介质
CN110638438A (zh) 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
US10431328B1 (en) Method and system for anatomical tree structure analysis
CN111429502B (zh) 用于生成对象的中心线的方法和系统以及计算机可读介质
CN110490927B (zh) 用于为图像中的对象生成中心线的方法、装置和系统
CN112529839A (zh) 一种核磁共振图像中颈动脉血管中心线的提取方法及系统
US20230037338A1 (en) Method and system for anatomical tree structure analysis
CN111754476A (zh) 用于解剖树结构的疾病量化建模的方法及系统
WO2020234349A1 (en) Sampling latent variables to generate multiple segmentations of an image
KR20210036840A (ko) 인공지능 모델을 사용 기관에 특화시키는 학습 방법, 이를 수행하는 장치
CN110827283B (zh) 基于卷积神经网络的头颈血管分割方法及装置
CN110070534B (zh) 用于基于血管图像自动获取特征序列的方法和预测血流储备分数的装置
US20220351863A1 (en) Method and System for Disease Quantification of Anatomical Structures
US20220215956A1 (en) System and method for image analysis using sequential machine learning models with uncertainty estimation
US20220392059A1 (en) Method and system for representation learning with sparse convolution
US20220344033A1 (en) Method and System for Anatomical Labels Generation
CN113920132A (zh) 基于多尺度特征学习网络的冠脉cta分割方法和系统
CN117173271A (zh) Ct图像处理方法、模型训练方法、设备、介质及产品
JP2021056571A (ja) 情報処理装置、情報処理システム、情報処理方法及びプログラム

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