CN111612756B - 冠状动脉特异性钙化检测方法及装置 - Google Patents
冠状动脉特异性钙化检测方法及装置 Download PDFInfo
- Publication number
- CN111612756B CN111612756B CN202010419427.0A CN202010419427A CN111612756B CN 111612756 B CN111612756 B CN 111612756B CN 202010419427 A CN202010419427 A CN 202010419427A CN 111612756 B CN111612756 B CN 111612756B
- Authority
- CN
- China
- Prior art keywords
- calcification
- coronary artery
- result
- view image
- view
- 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.)
- Active
Links
Images
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
- G06T7/11—Region-based segmentation
-
- 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
-
- 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
- G06T2207/20—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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请提供了一种冠状动脉特异性钙化检测方法及装置,包括:利用人工智能模型的自学习能力,建立冠状动脉多视角医学图像的多视角图像特征与冠状动脉中的钙化分割结果和钙化量化结果之间的对应关系;获取患者的当前冠状动脉多视角医学图像的当前多视角图像特征;通过对应关系,确定与当前多视角图像特征对应的当前冠状动脉中的钙化分割结果和钙化量化结果;具体地,确定与多视角图像特征对应的当前冠状动脉中的钙化分割结果和钙化量化结果,包括:将对应关系中与当前多视角图像特征相同的多视角图像特征所对应的冠状动脉中的钙化分割结果和钙化量化结果,确定为当前冠状动脉中的钙化分割结果和钙化量化结果。同时实现分割和量化,节省冗余工作。
Description
技术领域
本申请涉及医学检测领域,特别是冠状动脉特异性钙化检测方法及装置。
背景技术
冠状动脉特异性钙化分析是同时对不同冠状动脉中的钙化病变进行分割和定量,从而详细揭示每个冠状动脉的狭窄位置和狭窄程度。动脉特异性钙化的分割旨在定位所有冠状动脉分支上的钙化斑块,它可以捕获丰富的钙化信息,包括钙化斑块的分布特征和几何特征。动脉特异性钙化的量化旨在估计所有冠状动脉分支上钙化斑块的钙化积分(Agatston score),体积积分和质量积分,直接反映单个冠脉的钙化程度。
但动脉特异性钙化分析由于它的特殊性,还面临以下几种挑战:
第一,由于钙化斑块的位置和形状多变,再加上钙化通常很小,分割冠脉特异性钙化仍然是一个具有挑战性的问题;而且,在计算机断层扫描(CT扫描)中,肋骨和脊柱的像素强度比冠状动脉钙化高,这也可能导致钙化的错误分割。另外,主动脉和二尖瓣上的钙化也会对钙化的分割造成干扰。
第二,不同的钙化积分因为测量标准不同,难以同时进行评估。
第三,动脉特异性钙化的同时分割和量化是一个多任务问题,不同任务之间存在的复杂依赖关系,给钙化特征的深度学习带来了困难;而且,多任务问题同时也是一个高维多输出问题,使动脉特异性钙化分析比单独的分割和量化在有效特征的提取上难度更大。
现有的一些钙化分析方法大都是基于钙化的分类和回归:
(1)分类方法实现钙化分割,这些方法通常根据人工或自动特征对钙化和非钙化区域进行分类,然后根据分割得到的钙化斑块计算钙化积分。根据CT扫描的不同形式,这些分类方法可以进一步分为三种:非对比心脏CT方法,对比增强心脏CT造影(CTA)方法和低剂量胸部CT方法。
此外,深度学习由于其有效的层级表示能力,也用于钙化分割问题,它们采用自动特征来代替人工特征,从而获得了优越的性能。
但是,以上的这些基于钙化分类的方法必须首先对钙化斑块进行分割,然后再计算钙化积分,这会导致大量的冗余工作,尤其是在大型数据集中。
(2)回归方法实现钙化积分估计,由于CT扫描序列中包含足够的钙化信息,因此一些基于钙化回归的方法,可以直接估算特定的钙化积分,省去了中间的钙化分割步骤。例如,Cano-Espinosa等人采用简单的神经网络结构来进行Agatston积分的直接回归估计。在另一个工作中,de Vos等人使用配准卷积网络对CT切片进行有效选择,然后将得到的切片通过另一个卷积网络对某一种钙化积分进行回归估计。
但是,以上的钙化回归方法一次只能获得一种特定的钙化积分,而且在估算过程中没有利用不同钙化积分之间的相关性,容易产生误差。
如图1,现有技术实现冠脉特异性钙化分析有一定缺陷:
(1)现有的钙化分析方法只能在CT扫描序列和钙化之间建立间接映射,存在导致在复杂的信息传递过程中出现误差传递的可能。
(2)现有的钙化分析方法均是先检测出钙化斑块,然后根据检测到的钙化来计算钙化积分;或是先估计钙化积分,再根据钙化积分可视化钙化斑块,处理过程是孤立进行的,处理时容易丢失关键信息。
发明内容
鉴于所述问题,提出了本申请以便提供克服所述问题或者至少部分地解决所述问题的冠状动脉特异性钙化检测方法及装置,包括:
一种冠状动脉特异性钙化检测方法,包括:
利用人工智能模型的自学习能力,建立冠状动脉多视角医学图像的多视角图像特征与冠状动脉中的钙化分割结果和钙化量化结果之间的对应关系;其中,所述多视角至少包括三个位置不同的视角;
获取患者的当前冠状动脉多视角医学图像的当前多视角图像特征;
通过所述对应关系,确定与所述当前多视角图像特征对应的当前冠状动脉中的钙化分割结果和钙化量化结果;具体地,确定与所述多视角图像特征对应的当前冠状动脉中的钙化分割结果和钙化量化结果,包括:将所述对应关系中与所述当前多视角图像特征相同的多视角图像特征所对应的冠状动脉中的钙化分割结果和钙化量化结果,确定为所述当前冠状动脉中的钙化分割结果和钙化量化结果。
进一步地,所述多视角图像特征,包括:轴视角特征,和/或冠状视角特征,和/或矢状视角特征,和/或由按设定规律自所述轴视角特征,所述冠状视角特征,和所述矢状视角特征中提取的特征组成的一维或以上的综合特征;其中,
所述轴视角特征,包括:轴视角图像灰度值,以及像素坐标;
和/或,
所述冠状视角特征,包括:冠状视角图像灰度值,以及像素坐标;
和/或,
所述矢状视角特征,包括:矢状视角图像灰度值,以及像素坐标;
和/或,
所述对应关系,包括:函数关系;所述多视角图像特征为所述函数关系的输入参数,所述冠状动脉中的钙化分割结果和钙化量化结果为所述函数关系的输出参数;
确定与所述当前多视角图像特征对应的当前冠状动脉中的钙化分割结果和钙化量化结果,还包括:
当所述对应关系包括函数关系时,将所述当前多视角图像特征输入所述函数关系中,确定所述函数关系的输出参数为当前冠状动脉中的钙化分割结果和钙化量化结果。
进一步地,所述建立冠状动脉多视角医学图像的多视角图像特征与冠状动脉中的钙化分割结果和钙化量化结果之间的对应关系的步骤,包括:
获取用于建立所述钙化分割结果与所述钙化量化结果之间的依赖性关系的样本数据;
依据所述样本数据确定所述钙化分割结果与所述钙化量化结果之间的依赖性关系。
进一步地,所述建立冠状动脉多视角医学图像的多视角图像特征与冠状动脉中的钙化分割结果和钙化量化结果之间的对应关系的步骤,包括:
获取用于建立所述多视角图像特征与所述冠状动脉中的钙化分割结果和钙化量化结果之间的对应关系的样本数据;
分析所述多视角图像特征的特性及其规律,根据所述特性及其规律,确定所述人工智能模型的模型结构及其模型参数;
使用所述样本数据,对所述模型结构和所述模型参数进行训练和测试,确定所述多视角图像特征与所述冠状动脉中的钙化分割结果和钙化量化结果的所述对应关系。
进一步地,所述获取用于建立所述多视角图像特征与所述冠状动脉中的钙化分割结果和钙化量化结果之间的对应关系的样本数据的步骤,包括:
收集不同心脏状况的患者的所述多视角图像特征和所述冠状动脉中的钙化分割结果和钙化量化结果;
对所述多视角图像特征进行分析、并结合预存的专家经验信息,选取与所述冠状动脉中的钙化分割结果和钙化量化结果相关的数据作为所述多视角图像特征;
将所述冠状动脉中的钙化分割结果和钙化量化结果、以及选取的所述多视角图像特征构成的数据对,作为样本数据。
进一步地,对所述模型结构和所述模型参数进行训练,包括:
选取所述样本数据中的一部分数据作为训练样本,将所述训练样本中的所述多视角图像特征输入到所述模型结构,通过所述模型结构的损失函数,激活函数和所述模型参数进行训练,得到实际训练结果;
确定所述实际训练结果与所述训练样本中的相应冠状动脉中的钙化分割结果和钙化量化结果之间的实际训练误差是否满足预设训练误差;
当所述实际训练误差满足所述预设训练误差时,确定对所述模型结构和所述模型参数的所述训练完成;
和/或,
对所述模型结构和所述模型参数进行测试,包括:
选取所述样本数据中的另一部分数据作为测试样本,将所述测试样本中的所述多视角图像特征输入到所述训练完成的所述模型结构中,以所述损失函数,激活函数和所述训练完成的所述模型参数进行测试,得到实际测试结果;
确定所述实际测试结果与所述测试样本中的相应冠状动脉中的钙化分割结果和钙化量化结果之间的实际测试误差是否满足设定测试误差;
当所述实际测试误差满足所述设定测试误差时,确定对所述模型结构和所述模型参数的所述测试完成。
进一步地,对所述模型结构和所述模型参数进行训练,还包括:
当所述实际训练误差不满足所述设定训练误差时,通过所述模型结构的误差损失函数更新所述模型参数;
通过所述模型结构的所述损失函数,激活函数和更新后的所述模型参数进行重新训练,直至所述重新训练后的实际训练误差满足所述设定训练误差;
和/或,
对所述模型结构和所述模型参数进行测试,还包括:
当所述实际测试误差不满足所述设定测试误差时,对所述模型结构和所述模型参数进行重新训练,直至所述重新训练后的实际测试误差满足所述设定测试误差。
一种冠状动脉特异性钙化检测装置,包括:
建立模块,用于利用人工智能模型的自学习能力,建立冠状动脉多视角医学图像的多视角图像特征与冠状动脉中的钙化分割结果和钙化量化结果之间的对应关系;其中,所述多视角至少包括三个位置不同的视角;
获取模块,用于获取患者的当前冠状动脉多视角医学图像的当前多视角图像特征;
确定模块,用于通过所述对应关系,确定与所述当前多视角图像特征对应的当前冠状动脉中的钙化分割结果和钙化量化结果;具体地,确定与所述多视角图像特征对应的当前冠状动脉中的钙化分割结果和钙化量化结果,包括:将所述对应关系中与所述当前多视角图像特征相同的多视角图像特征所对应的冠状动脉中的钙化分割结果和钙化量化结果,确定为所述当前冠状动脉中的钙化分割结果和钙化量化结果。
一种设备,包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如上所述的冠状动脉特异性钙化检测方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如上所述的冠状动脉特异性钙化检测方法的步骤。
本申请具有以下优点:
在本申请的实施例中,通过利用人工智能模型的自学习能力,建立冠状动脉多视角医学图像的多视角图像特征与冠状动脉中的钙化分割结果和钙化量化结果之间的对应关系;其中,所述多视角至少包括三个位置不同的视角;获取患者的当前冠状动脉多视角医学图像的当前多视角图像特征;通过所述对应关系,确定与所述当前多视角图像特征对应的当前冠状动脉中的钙化分割结果和钙化量化结果;具体地,确定与所述多视角图像特征对应的当前冠状动脉中的钙化分割结果和钙化量化结果,包括:将所述对应关系中与所述当前多视角图像特征相同的多视角图像特征所对应的冠状动脉中的钙化分割结果和钙化量化结果,确定为所述当前冠状动脉中的钙化分割结果和钙化量化结果。能同时实现冠脉特异性钙化的分割和量化,节省了大量的冗余工作;通过人工智能模型对多视角特征进行深度学习识别,能更好地提高各个视角之间的协作性,从而提升特征表示的判别性。
附图说明
为了更清楚地说明本申请的技术方案,下面将对本申请的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请背景技术中现有的冠状动脉特异性钙化检测方法的流程示意图;
图2是本申请一实施例提供的一种冠状动脉特异性钙化检测方法的步骤流程图;
图3是本申请一实施例提供的一种冠状动脉特异性钙化检测方法的轴向视角的特征提取网络结构示意图;
图4是本申请一具体实现提供的一种冠状动脉特异性钙化检测方法的多种评估指标对比效果示意图;
图5是本申请一具体实现提供的一种冠状动脉特异性钙化检测方法的感兴趣区域对比效果示意图;
图6是本申请一具体实现提供的一种冠状动脉特异性钙化检测方法的依赖性钙化分析对比效果示意图;
图7是本申请一实施例提供的一种冠状动脉特异性钙化检测装置的结构框图;
图8是本发明一实施例的一种计算机设备的结构示意图。
具体实施方式
为使本申请的所述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本申请作进一步详细的说明。显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
参照图2,示出了本申请一实施例提供的一种冠状动脉特异性钙化检测方法,包括:
S110、利用人工智能模型的自学习能力,建立冠状动脉多视角医学图像的多视角图像特征与冠状动脉中的钙化分割结果和钙化量化结果之间的对应关系;其中,所述多视角至少包括三个位置不同的视角;
S120、获取患者的当前冠状动脉多视角医学图像的当前多视角图像特征;
S130、通过所述对应关系,确定与所述当前多视角图像特征对应的当前冠状动脉中的钙化分割结果和钙化量化结果;具体地,确定与所述多视角图像特征对应的当前冠状动脉中的钙化分割结果和钙化量化结果,包括:将所述对应关系中与所述当前多视角图像特征相同的多视角图像特征所对应的冠状动脉中的钙化分割结果和钙化量化结果,确定为所述当前冠状动脉中的钙化分割结果和钙化量化结果。
在本申请的实施例中,通过利用人工智能模型的自学习能力,建立冠状动脉多视角医学图像的多视角图像特征与冠状动脉中的钙化分割结果和钙化量化结果之间的对应关系;其中,所述多视角至少包括三个位置不同的视角;获取患者的当前冠状动脉多视角医学图像的当前多视角图像特征;通过所述对应关系,确定与所述当前多视角图像特征对应的当前冠状动脉中的钙化分割结果和钙化量化结果;具体地,确定与所述多视角图像特征对应的当前冠状动脉中的钙化分割结果和钙化量化结果,包括:将所述对应关系中与所述当前多视角图像特征相同的多视角图像特征所对应的冠状动脉中的钙化分割结果和钙化量化结果,确定为所述当前冠状动脉中的钙化分割结果和钙化量化结果。能同时实现冠脉特异性钙化的分割和量化,节省了大量的冗余工作;通过人工智能模型对多视角特征进行深度学习识别,能更好地提高各个视角之间的协作性,从而提升特征表示的判别性。
下面,将对本示例性实施例中冠状动脉特异性钙化检测方法作进一步地说明。
如上述步骤S110所述,利用人工智能模型的自学习能力,建立冠状动脉多视角医学图像的多视角图像特征与冠状动脉中的钙化分割结果和钙化量化结果之间的对应关系;其中,所述多视角至少包括三个位置不同的视角;具体包括:轴视角,冠状视角以及矢状视角。
例如:利用人工智能模型算法来分析冠状动脉中的钙化分割结果和钙化量化结果对应的冠状动脉多视角医学图像的显示状态规律,通过人工智能模型的自学习、自适应特性找到患者冠状动脉多视角医学图像的多视角图像特征与冠状动脉中的钙化分割结果和钙化量化结果间的映射规律。
例如:可以利用人工智能模型算法,通过对大量不同志愿者(包括但不限于如下的一种或多种:年龄,体重,性别,病况等)的冠状动脉多视角医学图像的多视角图像特征汇总收集,选取若干志愿患者的冠状动脉多视角医学图像的多视角图像特征及冠状动脉中的钙化分割结果和钙化量化结果作为样本数据,对人工智能模型进行学习和训练,通过调整模型结构及模型节点间的权值,使人工智能模型拟合冠状动脉多视角医学图像的多视角图像特征及冠状动脉中的钙化分割结果和钙化量化结果之间的关系,最终使人工智能模型能准确拟合出不同患者的冠状动脉多视角医学图像的多视角图像特征及冠状动脉中的钙化分割结果和钙化量化结果的对应关系。
参照图3,在一实施例中,所述多视角图像特征,包括:轴视角特征,和/或冠状视角特征,和/或矢状视角特征,和/或由按设定规律自所述轴视角特征,所述冠状视角特征,和所述矢状视角特征中提取的特征组成的一维或以上的综合特征;其中,
所述轴视角特征,包括:轴视角图像灰度值,以及像素坐标;
和/或,
所述冠状视角特征,包括:冠状视角图像灰度值,以及像素坐标;
和/或,
所述矢状视角特征,包括:矢状视角图像灰度值,以及像素坐标。
作为一种示例,在临床冠脉疾病的检查过程中,医生通常会通过查看轴向切片来关注CT扫描的平面信息,并进一步从冠状和矢状面收集辅助信息以帮助诊断,因此通过模仿此诊断过程,进行多视角提取具有强力判别性的钙化特征。
具体地,首先,对原始的3D CT图像进行下采样,降低特征图的尺寸并提取高分辨率全局特征,其中,进行下采样操作的模型结构包括一个大小为7x7,步长为2的卷积层和一个大小为2x2,步长为2的最大池化层。
然后,对下采样的结果从不同视角进行裁剪得到轴向、冠状和矢状视角的切片作为中不同编码器的输入。最后根据不同编码器得到的多视角特征构建一个空间-通道注意力子模型,进一步增强多个成像视角之间的协作性。
再者,利用一个新的残差空洞网络来提取CT图像轴向视角的特征,该网络是通过残差学习网络和空洞卷积而构建的一个具有强大特征提取能力的网络模型,具体结构如图3。在网络结构的收缩路径中(图3的上层),把残差网络(共52层,4个残差块,卷积核大小为3x3)作为基础模块,其中,为了扩大感受野,在残差网络的最后两个残差块中使用空洞卷积(扩张率是2)来代替原始卷积,因此得到的有效感受野能够覆盖CT图像中的整个心脏区域。在残差网络之后,通过添加一个4层的金字塔池化模块(池化核的大小分别为1x1,2x2,3x3,6x6)以最大感受野提取层级全局上下钙化信息。在网络结构扩张路径中(图3的下层),通过3个特征融合模块把上述的全局上下信息(见图3中的金字塔池化)和网络收缩路径提取的多尺度特征(由图3中间的四个空洞卷积模块得到)进行融合,特征融合模块分别包括:基于3x3反卷积核的上采样、基于通道的级联和两个3x3的卷积层,多尺度特征是根据收缩路径中每个残差块提取到的特征进行一次空洞卷积得到的,空洞卷积的扩张率是2,通道数是16,将特征进行融合可以得到具有表现性的钙化特征。
再者,利用一个改进的U-Net网络来提取CT图像冠状和矢状视角的特征,该网络以U-Net作为基础模块,其中所有的卷积核大小都是3x3。收缩路径由4个卷积模块组成,通道数分别是16,32,64,128,每一模块包含两个卷积层;扩张路径和收缩路径对称,每个扩张模块包含一个反卷积层和两个卷积层。网络结构对U-Net中的快捷连接进行改进,对每个尺度的特征分别使用一个扩张率是2,通道数是16的空洞卷积,相对于原始的U-Net改进后的网络可以扩大特征图的感受野,帮助提取钙化特征。为了把冠状视角和矢状视角编码器提取到的特征作为辅助信息形成注意力模型,在编码器扩张路径的最后一个卷积层使用Sigmoid函数形成注意力图谱,如图3右侧所示。
通过对轴向特征和冠状以及矢状辅助信息的整合,形成一个特征提取模型,其数学形式可表示如下:
vwa=(Fcv*W1)*Fav+(Fsv*W2)*Fav+Fav
其中,Fcv表示冠状视角特征,Fsv表示矢状视角特征,Fav表示轴向视角特征,W1表示冠状在提取模型中的权重和W2表示矢状特征在提取模型中的权重。
在一实施例中,所述对应关系,包括:函数关系。
优选地,所述多视角图像特征为所述函数关系的输入参数,所述冠状动脉中的钙化分割结果和钙化量化结果为所述函数关系的输出参数;
确定与所述当前多视角图像特征对应的当前冠状动脉中的钙化分割结果和钙化量化结果,还包括:
当所述对应关系包括函数关系时,将所述当前多视角图像特征输入所述函数关系中,确定所述函数关系的输出参数为当前冠状动脉中的钙化分割结果和钙化量化结果。
由此,通过多种形式的对应关系,可以提升对当前冠状动脉中的钙化分割结果和钙化量化结果确定的灵活性和便捷性。
在一实施例中,可以结合下列描述进一步说明步骤S110中“建立冠状动脉多视角医学图像的多视角图像特征与冠状动脉中的钙化分割结果和钙化量化结果之间的对应关系”的具体过程。
如下列步骤所述:获取用于建立所述钙化分割结果与所述钙化量化结果之间的依赖性关系的样本数据;
在一进阶实施例中,可以结合下列描述进一步说明“获取用于建立所述钙化分割结果与所述钙化量化结果之间的依赖性关系的样本数据”的具体过程。
如下列步骤所述:收集不同心脏状况的患者的所述冠状动脉中的钙化分割结果和钙化量化结果;
例如:数据搜集:搜集不同健康状况的患者的冠状动脉中的钙化分割结果和钙化量化结果;以及,搜集不同年龄的患者的冠状动脉中的钙化分割结果和钙化量化结果;以及,搜集不同性别的患者的冠状动脉中的钙化分割结果和钙化量化结果。
如下列步骤所述:依据所述样本数据确定所述钙化分割结果与所述钙化量化结果之间的依赖性关系。
具体地,针对任务内的依赖性,全钙化和动脉特异性钙化之间存在相互制约,例如在一种极端情况下,如果不存在全冠脉钙化,就不存在动脉特异性钙化。第二,对于相同类型的钙化积分,如果全冠脉钙化积分为零,则动脉特异性钙化积分也为零。对于每条冠脉分支来说,如果一种类型的钙化积分为零,则其他两种类型的钙化积分都为零。因此,可以对钙化分割和量化任务施加任务特异性约束,
其中,seg表示分割任务,qua表示量化任务,Rintra表示L2正则化有助于每个任务相关的输出之间的共同特征提取。
针对任务间依赖性,钙化积分会随着钙化分割的结果而变化,随着检测到的钙化像素数量增加,相应的钙化积分也增加。如果冠脉不存在钙化,则相应的钙化积分则强制为0。为剔除违反任务间依赖性的情况,对量化结果施加分割信息约束:
其中,c=1…C和s=1…S分别表示钙化的类别和钙化积分的类型,c1和c2表示两种不同的钙化类别,表示条件函数,Eseg表示两个不同冠脉分支上钙化像素数量的差,Equac表示两个冠脉分支的钙化积分之间的差,表示钙化分割任务中的第c个类别,表示量化任务中第c类钙化的第s类钙化积分。Rinter有效地模拟了钙化分割和量化任务之间内在的相互依赖关系,从而确保估计的钙化积分与实际的冠脉钙化相一致。
在一实施例中,可以结合下列描述进一步说明步骤S110中“建立冠状动脉多视角医学图像的多视角图像特征与冠状动脉中的钙化分割结果和钙化量化结果之间的对应关系”的具体过程。
如下列步骤所述:获取用于建立所述多视角图像特征与所述冠状动脉中的钙化分割结果和钙化量化结果之间的对应关系的样本数据;
在一进阶实施例中,可以结合下列描述进一步说明“获取用于建立所述多视角图像特征与所述冠状动脉中的钙化分割结果和钙化量化结果之间的对应关系的样本数据”的具体过程。
如下列步骤所述:收集不同心脏状况的患者的所述多视角图像特征和所述冠状动脉中的钙化分割结果和钙化量化结果;
例如:数据搜集:搜集不同健康状况的患者的多视角图像特征及对应的冠状动脉中的钙化分割结果和钙化量化结果;以及,搜集不同年龄的患者的多视角图像特征及对应的冠状动脉中的钙化分割结果和钙化量化结果;以及,搜集不同性别的患者的多视角图像特征及对应的冠状动脉中的钙化分割结果和钙化量化结果。
由此,通过多种途径收集运行数据,有利于增加运行数据的量,提升人工智能模型的学习能力,进而提升确定的对应关系的精准性和可靠性。
如下列步骤所述:对所述多视角图像特征进行分析、并结合预存的专家经验信息,选取与所述冠状动脉中的钙化分割结果和钙化量化结果相关的数据作为所述多视角图像特征(例如:选取对冠状动脉中的钙化分割结果和钙化量化结果有影响的多视角图像特征作为输入参数,将指定参数作为输出参数);
例如:通过将已确诊的志愿者的相关数据中的多视角图像特征作为输入参数,将其相关数据中的冠状动脉中的钙化分割结果和钙化量化结果作为输出参数。
如下列步骤所述:将所述冠状动脉中的钙化分割结果和钙化量化结果、以及选取的所述多视角图像特征构成的数据对,作为样本数据。
例如:将得到的输入、输出参数对,一部分用作训练本样数据,一部分用作测试样本数据。
由此,通过对收集到的多视角图像特征进行分析及处理,进而得到样本数据,操作过程简单,操作结果可靠性高。
如下列步骤所述:分析所述多视角图像特征的特性及其规律,根据所述特性及其规律,确定所述人工智能模型的模型结构及其模型参数;
例如:分析多视角的冠脉CT图像的特性及冠状动脉中的钙化分割结果和钙化量化结果的特征,可初步确定模型的基本结构、模型的输入、输出节点数、隐层数、隐节点数、初始权值等。
可选地,可以结合下列描述进一步说明步骤“使用所述样本数据,对所述模型结构和所述模型参数进行训练和测试,确定所述多视角图像特征与所述冠状动脉中的钙化分割结果和钙化量化结果的所述对应关系”中对所述模型结构和所述模型参数进行训练的具体过程。
如下列步骤所述,选取所述样本数据中的一部分数据作为训练样本,将所述训练样本中的所述多视角图像特征输入到所述模型结构,通过所述模型结构的损失函数,激活函数和所述模型参数进行训练,得到实际训练结果;
具体地,通过梯度下降算法最小化损失函数,更新模型参数,训练当前多视角人工智能模型,得到实际训练结果;
确定所述实际训练结果与所述训练样本中的相应冠状动脉中的钙化分割结果和钙化量化结果之间的实际训练误差是否满足预设训练误差;当所述实际训练误差满足所述预设训练误差时,确定对所述模型结构和所述模型参数的所述训练完成;
具体地,当所述实际训练误差满足所述预设训练误差时,且在当前训练的模型收敛,确定对所述模型结构和所述模型参数的所述训练完成。
更可选地,对所述模型结构和所述模型参数进行训练,还包括:
当所述实际训练误差不满足所述设定训练误差时,通过所述模型结构的误差损失函数更新所述模型参数;通过所述模型结构的所述损失函数,激活函数和更新后的所述模型参数进行重新训练,直至所述重新训练后的实际训练误差满足所述设定训练误差;
例如:若测试误差满足要求,则网络训练测试完成。
由此,通过将测试样本用于训练得到的模型结构和模型参数进行测试,以进一步验证模型结构及模型参数的可靠性。
可选地,可以结合下列描述进一步说明步骤“使用所述样本数据,对所述模型结构和所述模型参数进行训练和测试,确定所述多视角图像特征与所述冠状动脉中的钙化分割结果和钙化量化结果的所述对应关系”中对所述模型结构和所述模型参数进行测试的具体过程。
如下列步骤所述,选取所述样本数据中的另一部分数据作为测试样本,将所述测试样本中的所述多视角图像特征输入到所述训练完成的所述模型结构中,以所述损失函数,激活函数和所述训练完成的所述模型参数进行测试,得到实际测试结果;确定所述实际测试结果与所述测试样本中的相应冠状动脉中的钙化分割结果和钙化量化结果之间的实际测试误差是否满足设定测试误差;当所述实际测试误差满足所述设定测试误差时,确定对所述模型结构和所述模型参数的所述测试完成。
如上述步骤S120所述,获取患者的当前冠状动脉多视角医学图像的当前多视角图像特征;
如上述步骤S130所述,通过所述对应关系,确定与所述当前多视角图像特征对应的当前冠状动脉中的钙化分割结果和钙化量化结果。
例如:实时识别出患者的冠状动脉多视角医学图像的多视角图像特征。
由此,通过基于对应关系,根据当前多视角图像特征有效地识别出冠状动脉多视角医学图像的当前冠状动脉中的钙化分割结果和钙化量化结果,从而为医生的诊断提供准确的判断依据,且判断结果精准性好。
在一个可选例子中,步骤S130中确定与所述多视角图像特征对应的当前冠状动脉中的钙化分割结果和钙化量化结果,可以包括:将所述对应关系中与所述当前多视角图像特征相同的多视角图像特征所对应的冠状动脉中的钙化分割结果和钙化量化结果,确定为所述当前冠状动脉中的钙化分割结果和钙化量化结果。
在一个可选例子中,步骤S130中确定与所述多视角图像特征对应的当前冠状动脉中的钙化分割结果和钙化量化结果,还可以包括:当所述对应关系可以包括函数关系时,将所述当前多视角图像特征输入所述函数关系中,确定所述函数关系的输出参数为当前冠状动脉中的钙化分割结果和钙化量化结果。
由此,通过基于对应关系或函数关系,根据当前多视角图像特征确定当前冠状动脉中的钙化分割结果和钙化量化结果,确定方式简便,确定结果可靠性高。
例如,用训练所得到的人工智能模型去检测测试集中每一个样例的冠状动脉中的钙化分割结果和钙化量化结果。
在一个可选实施方式中,还可以包括:验证所述当前冠状动脉中的钙化分割结果和钙化量化结果与实际冠状动脉中的钙化分割结果和钙化量化结果是否相符的过程。
可选地,可以接收到所述当前冠状动脉中的钙化分割结果和钙化量化结果与实际冠状动脉中的钙化分割结果和钙化量化结果不符的验证结果、和/或确定所述对应关系中没有与所述当前多视角图像特征相同的多视角图像特征时,对所述对应关系进行更新、修正、再学习中的至少一种维护操作。
例如:设备本身无法获知到实际冠状动脉中的钙化分割结果和钙化量化结果,需要有医生的反馈操作才行,即如果设备智能判断出冠状动脉中的钙化分割结果和钙化量化结果,医生通过操作反馈其与实际的状态不符,设备才能获知。
验证所述当前冠状动脉中的钙化分割结果和钙化量化结果与实际冠状动脉中的钙化分割结果和钙化量化结果是否相符(例如:可以通过AR显示模块对实际冠状动脉中的钙化分割结果和钙化量化结果进行显示,以验证确定的所述当前冠状动脉中的钙化分割结果和钙化量化结果与实际冠状动脉中的钙化分割结果和钙化量化结果是否相符)。
当所述当前冠状动脉中的钙化分割结果和钙化量化结果与实际冠状动脉中的钙化分割结果和钙化量化结果不符、和/或所述对应关系中没有与所述当前多视角图像特征相同的多视角图像特征时,对所述对应关系进行更新、修正、再学习中的至少一种维护操作。
例如:可以根据维护后的对应关系,根据所述当前多视角图像特征确定当前冠状动脉中的钙化分割结果和钙化量化结果。例如:将维护后的所述对应关系中与所述当前多视角图像特征相同的多视角图像特征对应的冠状动脉中的钙化分割结果和钙化量化结果,确定为当前冠状动脉中的钙化分割结果和钙化量化结果。
由此,通过对确定的多视角图像特征与冠状动脉中的钙化分割结果和钙化量化结果之间的对应关系的维护,有利于提升对冠状动脉中的钙化分割结果和钙化量化结果确定的精准性和可靠性。
参照图4~6,在一具体实现中,采用多种评估指标对本实施例公开的方法与现有技术方案进行测试效果的对比,其中,评估指标包括敏感度(Sensitivity),阳性预测值(PPV),F1-分数(F1-score),组内相关系数(ICC-AS和ICC-VS)和加权kappa系数(k);其中,AS表示Agatston积分;VS表示体积积分;现有技术方案包括:(表一)3D FCN、3D U-Net、3DResNet、ACNN、SSLLN、Indices-Net和DMTRL;(图4)orScore挑战赛中的六种方法(orScore_4是半自动方法,orScore_6的结果太差不具有比较意义)和另外的Wolterink_1、Shahzad、Saur、Wolterink_2、Lessmann五种方法。对比结果如下表一以及图4所示,从图中表示本发明实施例部分可以看出,在各种指标上超越了其它现有的钙化分析自动分析方法,在PPV和k方面相比于半自动分析方法亦更为突出。
表一
通过对本实施例网络的感兴趣区域进行关注,并与未使用多视角加权注意力的方法相对比,对比结果如表二以及图5所示,特征表示的判别性和最终的钙化分析效果有所增加。通过图5可以明显得出在进行多视角特征获取后,消除了更多的噪声干扰,特征判别性获得提高。
通过对比本实施例每两个任务之间的关系矩阵与单任务方法可以明显得出,使用多任务依赖性学习后,最终的钙化分析效果有所增加,对比结果如表二以及图6所示。图6中,颜色越深表示两个任务之间的依赖性越强,LAD表示左前降支,LCX表示左回旋支,RCA表示右冠脉,whole表示全冠脉,C表示钙化,AS表示Agatston积分,VS表示体积积分,MS表示质量积分。通过图6中的颜色深浅分部可以明显得出,在引入多任务依赖性作为先验知识后,本实施例相比未引入依赖性关系的单任务方法,效果获得提升。
表二
上表二为本实施例与单视角和多视角方法对比,结果表明在进行多视角特征获取后,检测的最终结果在各项性能上均获得提升;本实施例与单独的分割和量化模型对比,在引入任务依赖性关系后,检测的最终结果在各项性能上亦获得提升。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
参照图7,示出了本申请一实施例提供的一种冠状动脉特异性钙化检测装置,其特征在于,包括:
建立模块710,用于利用人工智能模型的自学习能力,建立冠状动脉多视角医学图像的多视角图像特征与冠状动脉中的钙化分割结果和钙化量化结果之间的对应关系;其中,所述多视角至少包括三个位置不同的视角;
获取模块720,用于获取患者的当前冠状动脉多视角医学图像的当前多视角图像特征;
确定模块730,用于通过所述对应关系,确定与所述当前多视角图像特征对应的当前冠状动脉中的钙化分割结果和钙化量化结果;具体地,确定与所述多视角图像特征对应的当前冠状动脉中的钙化分割结果和钙化量化结果,包括:将所述对应关系中与所述当前多视角图像特征相同的多视角图像特征所对应的冠状动脉中的钙化分割结果和钙化量化结果,确定为所述当前冠状动脉中的钙化分割结果和钙化量化结果。
在一实施例中,所述多视角图像特征,包括:轴视角特征,和/或冠状视角特征,和/或矢状视角特征,和/或由按设定规律自所述轴视角特征,所述冠状视角特征,和所述矢状视角特征中提取的特征组成的一维或以上的综合特征;其中,
所述轴视角特征,包括:轴视角图像灰度值,以及像素坐标;
和/或,
所述冠状视角特征,包括:冠状视角图像灰度值,以及像素坐标;
和/或,
所述矢状视角特征,包括:矢状视角图像灰度值,以及像素坐标;
和/或,
所述对应关系,包括:函数关系;所述多视角图像特征为所述函数关系的输入参数,所述冠状动脉中的钙化分割结果和钙化量化结果为所述函数关系的输出参数;
确定与所述当前多视角图像特征对应的当前冠状动脉中的钙化分割结果和钙化量化结果,还包括:
当所述对应关系包括函数关系时,将所述当前多视角图像特征输入所述函数关系中,确定所述函数关系的输出参数为当前冠状动脉中的钙化分割结果和钙化量化结果。
在一实施例中,所述建立模块710,包括:
依赖性关系样本数据获取子模块,用于获取用于建立所述钙化分割结果与所述钙化量化结果之间的依赖性关系的样本数据;
依赖性关系建立子模块,用于依据所述样本数据确定所述钙化分割结果与所述钙化量化结果之间的依赖性关系。
在一实施例中,所述依赖性关系建立子模块,包括:
约束条件确定子模块,用于确定所述钙化分割结果和所述钙化量化结果的约束条件;
依赖性关系确定子模块,用于依据所述约束条件确定所述依赖性关系。
在一实施例中,所述建立模块710,包括:
获取子模块,用于获取用于建立所述多视角图像特征与所述冠状动脉中的钙化分割结果和钙化量化结果之间的对应关系的样本数据;
分析子模块,用于分析所述多视角图像特征的特性及其规律,根据所述特性及其规律,确定所述人工智能模型的模型结构及其模型参数;
训练子模块,用于使用所述样本数据,对所述模型结构和所述模型参数进行训练和测试,确定所述多视角图像特征与所述冠状动脉中的钙化分割结果和钙化量化结果的所述对应关系。
在一实施例中,所述获取子模块,包括:
收集子模块,用于收集不同心脏状况的患者的所述多视角图像和所述冠状动脉中的钙化分割结果和钙化量化结果;
分析子模块,用于对所述多视角图像特征进行分析、并结合预存的专家经验信息,选取与所述冠状动脉中的钙化分割结果和钙化量化结果相关的数据作为所述多视角图像特征;
样本数据生成子模块,用于将所述冠状动脉中的钙化分割结果和钙化量化结果、以及选取的所述多视角图像特征构成的数据对,作为样本数据。
在一实施例中,
所述训练子模块,包括:
训练结果生成子模块,用于选取所述样本数据中的一部分数据作为训练样本,将所述训练样本中的所述多视角图像特征输入到所述模型结构,通过所述模型结构的损失函数,激活函数和所述模型参数进行训练,得到实际训练结果;
训练结果误差判断子模块,用于确定所述实际训练结果与所述训练样本中的相应冠状动脉中的钙化分割结果和钙化量化结果之间的实际训练误差是否满足预设训练误差;
训练完成判定子模块,用于当所述实际训练误差满足所述预设训练误差时,确定对所述模型结构和所述模型参数的所述训练完成;
和/或,
测试子模块,用于对所述模型结构和所述模型参数进行测试,所述测试子模块,包括:
测试结果生成子模块,用于选取所述样本数据中的另一部分数据作为测试样本,将所述测试样本中的所述多视角图像特征输入到所述训练完成的所述模型结构中,以所述损失函数,激活函数和所述训练完成的所述模型参数进行测试,得到实际测试结果;
测试结果误差判断子模块,用于确定所述实际测试结果与所述测试样本中的相应冠状动脉中的钙化分割结果和钙化量化结果之间的实际测试误差是否满足设定测试误差;
测试完成判定子模块,用于当所述实际测试误差满足所述设定测试误差时,确定对所述模型结构和所述模型参数的所述测试完成。
在一实施例中,
所述训练子模块,还包括:
模型参数更新子模块,用于当所述实际训练误差不满足所述设定训练误差时,通过所述模型结构的误差损失函数更新所述模型参数;
第一重训练子模块,用于通过所述模型结构的所述损失函数,激活函数和更新后的所述模型参数进行重新训练,直至所述重新训练后的实际训练误差满足所述设定训练误差;
和/或,
所述测试子模块,还包括:
第二重训练子模块,用于当所述实际测试误差不满足所述设定测试误差时,对所述模型结构和所述模型参数进行重新训练,直至所述重新训练后的实际测试误差满足所述设定测试误差。
参照图8,示出了本发明的一种冠状动脉特异性钙化检测方法的计算机设备,具体可以包括如下:
上述计算机设备12以通用计算设备的形式表现,计算机设备12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16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线18结构中的一种或多种,包括存储器总线18或者存储器控制器,外围总线18,图形加速端口,处理器或者使用多种总线18结构中的任意总线18结构的局域总线18。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18,微通道体系结构(MAC)总线18,增强型ISA总线18、音视频电子标准协会(VESA)局域总线18以及外围组件互连(PCI)总线18。
计算机设备12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计算机设备12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28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)30和/或高速缓存存储器32。计算机设备12可以进一步包括其他移动/不可移动的、易失性/非易失性计算机体统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(通常称为“硬盘驱动器”)。尽管图8中未示出,可以提供用于对可移动非易失性磁盘(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或者其他光介质)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界面与总线18相连。存储器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42,这些程序模块42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42的程序/实用工具40,可以存储在例如存储器中,这样的程序模块42包括——但不限于——操作系统、一个或者多个应用程序、其他程序模块42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42通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24、摄像头等)通信,还可与一个或者多个使得用户能与该计算机设备12交互的设备通信,和/或与使得该计算机设备12能与一个或多个其他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)界面22进行。并且,计算机设备12还可以通过网络适配器20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20通过总线18与计算机设备12的其他模块通信。应当明白,尽管图8中未示出,可以结合计算机设备12使用其他硬件和/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16、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34等。
处理单元16通过运行存储在系统存储器28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特异性钙化检测方法。
也即,上述处理单元16执行上述程序时实现:利用人工智能模型的自学习能力,建立冠状动脉多视角医学图像的多视角图像特征与冠状动脉中的钙化分割结果和钙化量化结果之间的对应关系;其中,所述多视角至少包括三个位置不同的视角;获取患者的当前冠状动脉多视角医学图像的当前多视角图像特征;通过所述对应关系,确定与所述当前多视角图像特征对应的当前冠状动脉中的钙化分割结果和钙化量化结果;具体地,确定与所述多视角图像特征对应的当前冠状动脉中的钙化分割结果和钙化量化结果,包括:将所述对应关系中与所述当前多视角图像特征相同的多视角图像特征所对应的冠状动脉中的钙化分割结果和钙化量化结果,确定为所述当前冠状动脉中的钙化分割结果和钙化量化结果。
在本发明实施例中,本发明还提供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申请所有实施例提供的冠状动脉特异性钙化检测方法:
也即,给程序被处理器执行时实现:利用人工智能模型的自学习能力,建立冠状动脉多视角医学图像的多视角图像特征与冠状动脉中的钙化分割结果和钙化量化结果之间的对应关系;其中,所述多视角至少包括三个位置不同的视角;获取患者的当前冠状动脉多视角医学图像的当前多视角图像特征;通过所述对应关系,确定与所述当前多视角图像特征对应的当前冠状动脉中的钙化分割结果和钙化量化结果;具体地,确定与所述多视角图像特征对应的当前冠状动脉中的钙化分割结果和钙化量化结果,包括:将所述对应关系中与所述当前多视角图像特征相同的多视角图像特征所对应的冠状动脉中的钙化分割结果和钙化量化结果,确定为所述当前冠状动脉中的钙化分割结果和钙化量化结果。
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克顿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)、可擦可编程只读存储器(EPOM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。
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,上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“C”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者服务器上执行。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)——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)。本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
尽管已描述了本申请实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本申请所提供的冠状动脉特异性钙化检测方法及装置,进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种冠状动脉特异性钙化检测方法,其特征在于,包括:
利用人工智能模型的自学习能力,建立冠状动脉多视角医学图像的多视角图像特征与冠状动脉中的钙化分割结果和钙化量化结果之间的对应关系;其中,所述多视角至少包括三个位置不同的视角;具体的,利用残差空洞网络提取轴视角特征;所述残差空洞网络包括依次设置的收缩路径、金字塔池化模块和扩张路径;所述收缩路径包括残差网络,所述残差网络共52层,包括4个卷积核大小为3x3的残差块,所述残差网络的最后两个残差块中使用扩张率为2的空洞卷积;所述金字塔池化模块共4层,池化核的大小分别为1x1、2x2、3x3和6x6,所述金字塔池化模块用于提取全局上下钙化信息;所述扩张路径包括3个特征融合模块,每个所述特征融合模块分别包括基于3x3反卷积核的上采样、基于通道的级联和2个3x3的卷积层,所述扩张路径用于将所述收缩路径提取的多尺度特征和所述金字塔池化模块提取的全局上下钙化信息进行融合,其中,所述多尺度特征由所述收缩路径中每个残差块提取到的特征经过一次扩张率为2、通道数为16的空洞卷积得到;
获取患者的当前冠状动脉多视角医学图像的当前多视角图像特征;
通过所述对应关系,确定与所述当前多视角图像特征对应的当前冠状动脉中的钙化分割结果和钙化量化结果;具体地,确定与所述多视角图像特征对应的当前冠状动脉中的钙化分割结果和钙化量化结果,包括:将所述对应关系中与所述当前多视角图像特征相同的多视角图像特征所对应的冠状动脉中的钙化分割结果和钙化量化结果,确定为所述当前冠状动脉中的钙化分割结果和钙化量化结果。
2.根据权利要求1所述的方法,其特征在于,
所述多视角图像特征,包括:轴视角特征,和/或冠状视角特征,和/或矢状视角特征,和/或由按设定规律自所述轴视角特征,所述冠状视角特征,和所述矢状视角特征中提取的特征组成的一维或以上的综合特征;其中,
所述轴视角特征,包括:轴视角图像灰度值,以及像素坐标;
和/或,
所述冠状视角特征,包括:冠状视角图像灰度值,以及像素坐标;
和/或,
所述矢状视角特征,包括:矢状视角图像灰度值,以及像素坐标;
和/或,
所述对应关系,包括:函数关系;所述多视角图像特征为所述函数关系的输入参数,所述冠状动脉中的钙化分割结果和钙化量化结果为所述函数关系的输出参数;
确定与所述当前多视角图像特征对应的当前冠状动脉中的钙化分割结果和钙化量化结果,还包括:
当所述对应关系包括函数关系时,将所述当前多视角图像特征输入所述函数关系中,确定所述函数关系的输出参数为当前冠状动脉中的钙化分割结果和钙化量化结果。
3.根据权利要求1所述的方法,其特征在于,所述建立冠状动脉多视角医学图像的多视角图像特征与冠状动脉中的钙化分割结果和钙化量化结果之间的对应关系的步骤,包括:
获取用于建立所述钙化分割结果与所述钙化量化结果之间的依赖性关系的样本数据;
依据所述样本数据确定所述钙化分割结果与所述钙化量化结果之间的依赖性关系。
4.根据权利要求1所述的方法,其特征在于,所述建立冠状动脉多视角医学图像的多视角图像特征与冠状动脉中的钙化分割结果和钙化量化结果之间的对应关系的步骤,包括:
获取用于建立所述多视角图像特征与所述冠状动脉中的钙化分割结果和钙化量化结果之间的对应关系的样本数据;
分析所述多视角图像特征的特性及其规律,根据所述特性及其规律,确定所述人工智能模型的模型结构及其模型参数;
使用所述样本数据,对所述模型结构和所述模型参数进行训练和测试,确定所述多视角图像特征与所述冠状动脉中的钙化分割结果和钙化量化结果的所述对应关系。
5.根据权利要求4所述的方法,其特征在于,所述获取用于建立所述多视角图像特征与所述冠状动脉中的钙化分割结果和钙化量化结果之间的对应关系的样本数据的步骤,包括:
收集不同心脏状况的患者的所述多视角图像特征和所述冠状动脉中的钙化分割结果和钙化量化结果;
对所述多视角图像特征进行分析、并结合预存的专家经验信息,选取与所述冠状动脉中的钙化分割结果和钙化量化结果相关的数据作为所述多视角图像特征;
将所述冠状动脉中的钙化分割结果和钙化量化结果、以及选取的所述多视角图像特征构成的数据对,作为样本数据。
6.根据权利要求4或5所述的方法,其特征在于,
对所述模型结构和所述模型参数进行训练,包括:
选取所述样本数据中的一部分数据作为训练样本,将所述训练样本中的所述多视角图像特征输入到所述模型结构,通过所述模型结构的损失函数,激活函数和所述模型参数进行训练,得到实际训练结果;
确定所述实际训练结果与所述训练样本中的相应冠状动脉中的钙化分割结果和钙化量化结果之间的实际训练误差是否满足预设训练误差;
当所述实际训练误差满足所述预设训练误差时,确定对所述模型结构和所述模型参数的所述训练完成;
和/或,
对所述模型结构和所述模型参数进行测试,包括:
选取所述样本数据中的另一部分数据作为测试样本,将所述测试样本中的所述多视角图像特征输入到所述训练完成的所述模型结构中,以所述损失函数,激活函数和所述训练完成的所述模型参数进行测试,得到实际测试结果;
确定所述实际测试结果与所述测试样本中的相应冠状动脉中的钙化分割结果和钙化量化结果之间的实际测试误差是否满足设定测试误差;
当所述实际测试误差满足所述设定测试误差时,确定对所述模型结构和所述模型参数的所述测试完成。
7.根据权利要求6所述的方法,其特征在于,
对所述模型结构和所述模型参数进行训练,还包括:
当所述实际训练误差不满足所述设定训练误差时,通过所述模型结构的误差损失函数更新所述模型参数;
通过所述模型结构的所述损失函数,激活函数和更新后的所述模型参数进行重新训练,直至所述重新训练后的实际训练误差满足所述设定训练误差;
和/或,
对所述模型结构和所述模型参数进行测试,还包括:
当所述实际测试误差不满足所述设定测试误差时,对所述模型结构和所述模型参数进行重新训练,直至所述重新训练后的实际测试误差满足所述设定测试误差。
8.一种冠状动脉特异性钙化检测装置,其特征在于,包括:
建立模块,用于利用人工智能模型的自学习能力,建立冠状动脉多视角医学图像的多视角图像特征与冠状动脉中的钙化分割结果和钙化量化结果之间的对应关系;其中,所述多视角至少包括三个位置不同的视角;
获取模块,用于获取患者的当前冠状动脉多视角医学图像的当前多视角图像特征;
确定模块,用于通过所述对应关系,确定与所述当前多视角图像特征对应的当前冠状动脉中的钙化分割结果和钙化量化结果;具体地,确定与所述多视角图像特征对应的当前冠状动脉中的钙化分割结果和钙化量化结果,包括:将所述对应关系中与所述当前多视角图像特征相同的多视角图像特征所对应的冠状动脉中的钙化分割结果和钙化量化结果,确定为所述当前冠状动脉中的钙化分割结果和钙化量化结果。
9.一种设备,其特征在于,包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010419427.0A CN111612756B (zh) | 2020-05-18 | 2020-05-18 | 冠状动脉特异性钙化检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010419427.0A CN111612756B (zh) | 2020-05-18 | 2020-05-18 | 冠状动脉特异性钙化检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111612756A CN111612756A (zh) | 2020-09-01 |
CN111612756B true CN111612756B (zh) | 2023-03-21 |
Family
ID=72201913
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010419427.0A Active CN111612756B (zh) | 2020-05-18 | 2020-05-18 | 冠状动脉特异性钙化检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111612756B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112288752B (zh) * | 2020-10-29 | 2021-08-27 | 中国医学科学院北京协和医院 | 一种基于胸部平扫ct的冠脉钙化灶全自动分割方法 |
CN112927196B (zh) * | 2021-02-09 | 2024-03-22 | 深圳睿心智能医疗科技有限公司 | 钙化积分方法及装置 |
CN114972376B (zh) * | 2022-05-16 | 2023-08-25 | 北京医准智能科技有限公司 | 冠脉钙化斑块的分割方法、分割模型训练方法、相关装置 |
CN115330808B (zh) * | 2022-07-18 | 2023-06-20 | 广州医科大学 | 一种分割引导的磁共振图像脊柱关键参数自动测量方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108171698A (zh) * | 2018-02-12 | 2018-06-15 | 数坤(北京)网络科技有限公司 | 一种自动检测人体心脏冠脉钙化斑块的方法 |
CN108960322A (zh) * | 2018-07-02 | 2018-12-07 | 河南科技大学 | 一种基于心脏ct图像的冠状动脉钙化斑块自动检测方法 |
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 |
-
2020
- 2020-05-18 CN CN202010419427.0A patent/CN111612756B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108171698A (zh) * | 2018-02-12 | 2018-06-15 | 数坤(北京)网络科技有限公司 | 一种自动检测人体心脏冠脉钙化斑块的方法 |
CN108960322A (zh) * | 2018-07-02 | 2018-12-07 | 河南科技大学 | 一种基于心脏ct图像的冠状动脉钙化斑块自动检测方法 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN111612756A (zh) | 2020-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111612756B (zh) | 冠状动脉特异性钙化检测方法及装置 | |
CN111493935B (zh) | 基于人工智能的超声心动图自动预测识别方法及系统 | |
CN110400298B (zh) | 心脏临床指标的检测方法、装置、设备及介质 | |
US20090252394A1 (en) | Computer Aided Detection of Pulmonary Embolism with Local Characteristic Features in CT Angiography | |
CN111275686B (zh) | 用于人工神经网络训练的医学图像数据的生成方法及装置 | |
CN109949280B (zh) | 图像处理方法、装置、设备存储介质及生长发育评估系统 | |
CN111667459B (zh) | 一种基于3d可变卷积和时序特征融合的医学征象检测方法、系统、终端及存储介质 | |
CN113205524B (zh) | 基于U-Net的血管图像分割方法、装置和设备 | |
FR2942669A1 (fr) | Methodes de segmentation d'images et de detection de structures particulieres. | |
CN111340794B (zh) | 冠状动脉狭窄的量化方法及装置 | |
CN116309571B (zh) | 一种基于半监督学习的三维脑血管分割方法和装置 | |
CN112102259A (zh) | 一种基于边界引导深度学习的图像分割算法 | |
KR100998630B1 (ko) | 폐질환 자동 분류 방법 | |
CN115018863A (zh) | 基于深度学习的图像分割方法及装置 | |
CN111028940A (zh) | 肺结节多尺度检测方法、装置、设备及介质 | |
CN111598966B (zh) | 一种基于生成对抗网络的磁共振成像方法及装置 | |
CN113537407B (zh) | 基于机器学习的图像数据评价处理方法及装置 | |
CN113379770B (zh) | 鼻咽癌mr图像分割网络的构建方法、图像分割方法及装置 | |
KR102400568B1 (ko) | 인코더를 이용한 이미지의 특이 영역 분석 방법 및 장치 | |
CN110786839A (zh) | 瞬时无波形比值的生成方法、装置、设备及介质 | |
CN112446499A (zh) | 改进用于自动量化冠状动脉疾病的机器学习模型的性能 | |
Ram et al. | Lung Lobe Segmentation With Automated Quality Assurance Using Deep Convolutional Neural Networks | |
CN112926537B (zh) | 图像处理方法、装置、电子设备以及存储介质 | |
Navish et al. | A Metaphorical Interpretation on Vessel Segmentation Algorithms by using Local Connected Fractal Dimension | |
US20230196557A1 (en) | Late Gadolinium Enhancement Analysis for Magnetic Resonance Imaging |
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 |