CN111954907A - 基于机器学习的血管成像中的分辨和操纵决策焦点 - Google Patents
基于机器学习的血管成像中的分辨和操纵决策焦点 Download PDFInfo
- Publication number
- CN111954907A CN111954907A CN201980025136.9A CN201980025136A CN111954907A CN 111954907 A CN111954907 A CN 111954907A CN 201980025136 A CN201980025136 A CN 201980025136A CN 111954907 A CN111954907 A CN 111954907A
- Authority
- CN
- China
- Prior art keywords
- image
- vascular medical
- cvmi
- diagnostic
- image features
- 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
- 238000010801 machine learning Methods 0.000 title claims description 6
- 238000003384 imaging method Methods 0.000 title description 18
- 230000002792 vascular Effects 0.000 claims abstract description 113
- 238000004364 calculation method Methods 0.000 claims abstract description 17
- 238000003745 diagnosis Methods 0.000 claims abstract description 11
- 238000000034 method Methods 0.000 claims description 31
- 238000002608 intravascular ultrasound Methods 0.000 claims description 18
- 230000008859 change Effects 0.000 claims description 14
- 229910052791 calcium Inorganic materials 0.000 claims description 11
- 239000011575 calcium Substances 0.000 claims description 11
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 10
- 230000002308 calcification Effects 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 230000003902 lesion Effects 0.000 claims description 6
- 238000012512 characterization method Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 230000036262 stenosis Effects 0.000 claims description 5
- 230000035945 sensitivity Effects 0.000 claims description 4
- 208000018262 Peripheral vascular disease Diseases 0.000 claims description 3
- 230000001154 acute effect Effects 0.000 claims description 3
- 101100009643 Papaver somniferum CODM gene Proteins 0.000 claims description 2
- 208000007536 Thrombosis Diseases 0.000 claims description 2
- 230000003247 decreasing effect Effects 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 claims description 2
- 208000019553 vascular disease Diseases 0.000 claims description 2
- 241000764238 Isis Species 0.000 claims 1
- 206010057469 Vascular stenosis Diseases 0.000 claims 1
- 238000012014 optical coherence tomography Methods 0.000 description 12
- 238000010968 computed tomography angiography Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 210000005166 vasculature Anatomy 0.000 description 7
- 208000004476 Acute Coronary Syndrome Diseases 0.000 description 6
- 230000015654 memory Effects 0.000 description 6
- 206010051895 acute chest syndrome Diseases 0.000 description 5
- 239000002872 contrast media Substances 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 239000007943 implant Substances 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 208000031481 Pathologic Constriction Diseases 0.000 description 4
- 210000004351 coronary vessel Anatomy 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 208000037804 stenosis Diseases 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 210000004204 blood vessel Anatomy 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 101000666730 Homo sapiens T-complex protein 1 subunit alpha Proteins 0.000 description 2
- 102100038410 T-complex protein 1 subunit alpha Human genes 0.000 description 2
- 230000002411 adverse Effects 0.000 description 2
- 238000002583 angiography Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 201000011244 Acrocallosal syndrome Diseases 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 244000208734 Pisonia aculeata Species 0.000 description 1
- 208000019905 acrocephalosyndactyly Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 150000001669 calcium Chemical class 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000001454 recorded image Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
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
-
- 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
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- Radiology & Medical Imaging (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Endoscopes (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
一种用于确定影响总体诊断度量的血管医学图像的多个图像特征(Fn)中的每个图像特征的相对重要性的系统(SY),所述总体诊断度量是根据自动生成的诊断规则针对所述图像计算的。医学图像数据库(MIDB)包括多幅血管医学图像(M1..k)。规则生成单元(RGU)分析多幅血管医学图像,并基于血管医学图像的子集共有的多个图像特征自动生成与多幅血管医学图像的子集的公共诊断相对应的至少一个诊断规则。图像提供单元(IPU)提供包括多个图像特征的当前血管医学图像(CVMI)。诊断度量计算单元(DMCU)通过将至少一个自动生成的诊断规则应用于当前血管医学图像来计算针对当前血管医学图像的总体诊断度量。决策传播单元(DPU)在当前血管医学图像中识别多个图像特征中的每个图像特征对所计算的总体诊断度量的相对重要性。
Description
技术领域
本发明涉及图像引导治疗领域。更具体地,其涉及血管成像领域的决策制定。
背景技术
诸如血管内超声(即IVUS)或光学相干断层摄影(即OCT)的血管成像模态在对冠状动脉以及周围血管进行成像中起着越来越重要的作用。应用包括评价冠状动脉斑块以及钙化负担、狭窄水平表征或在支架置入背景下的成像支持。
数据驱动的决策支持系统也在这一领域发展。这越来越呈现需要临床医师理解自动导出的决策源自何处,并且在必要时与决策查找过程进行交互。本申请解决了这个需要和其他需要。
以下文档在本发明和相关领域中是已知的:
[1]Dmitry Nemirovsky,Imaging of High-Risk Plaque,Cardiology 100:160–175;2003.
[2]Grégoire Montavon,Wojciech Samek,and Klaus-Robert Müller:Methodsfor Interpreting and Understanding Deep Neural Networks Digital SignalProcessing,73:1-15,2017.
[3]Zeiler,Matthew D.,and Rob Fergus.Visualizing and understandingconvolutional networks.Computer Vision–ECCV 2014.Springer.InternationalPublishing,818-833,2014.
[4]R.R.Salakhutdinov and G.E.Hinton.Deep Boltzmann machines.InProceedings of the International Conference on Artificial Intelligence andStatistics,volume 12,2009.
另一文档WO2015095282公开了用于预测冠状动脉斑块易损性的系统和方法。一种方法包括采集患者的血管系统的至少部分的解剖图像数据;使用处理器对解剖图像数据执行一个或多个图像特性分析、几何分析、计算流体动力学分析和结构力学分析;使用处理器预测患者的血管系统中存在的冠状动脉斑块易损性,其中,预测冠状动脉斑块易损性包括基于对解剖图像数据的图像特性分析、几何分析、计算流体动力学分析和结构力学分析的结果来计算不良斑块特性;并且使用处理器来报告所计算的不良斑块特性。
发明内容
诸如IVUS或(冠状动脉)计算断层摄影血管造影(即(C)CTA)的血管成像技术,在对冠状动脉和周围血管成像中起着越来越重要的作用。应用包括评价冠状动脉斑块以及钙化负担、狭窄水平表征或在支架置入的背景下的成像支持。
在该领域中的数据驱动的决策支持系统的出现生成以下需要:使临床医师理解自动导出的决策源自何处,以及在必要时与决策查找过程进行交互。决策水平越高且越抽象,对理解过程的需求就越大。
在斑块检测和风险评分(例如针对急性冠状动脉综合症,即ACS)的特定示例中,可以根据数据来训练算法以从沿感兴趣血管的血管内图像检测某些图像特征,例如软斑块和钙,并将它们加入到风险评分中。在这种情况下,能够发生图像伪影,例如由诸如心脏运动的运动、造影剂变化、现有支架或其他植入物引起的图像伪影,保持未被识别,并错误地影响决策。
本发明提供一种用于确定影响总体诊断度量的血管医学图像的多个图像特征中的每个图像特征的相对重要性的系统,所述总体诊断度量是根据自动生成的诊断规则针对所述图像计算的。所述系统包括医学图像数据库、规则生成单元、图像提供单元、诊断度量计算单元和决策传播单元。医学图像数据库包括多幅血管医学图像。规则生成单元分析所述多幅血管医学图像并且基于多幅血管医学图像的子集共有的多个图像特征来自动生成与多幅血管医学图像的子集的公共诊断相对应的至少一个诊断规则。图像提供单元提供包括多个图像特征的当前血管医学图像。诊断度量计算单元通过将至少一个自动生成的诊断规则应用于当前血管医学图像来计算针对当前血管医学图像的总体诊断度量。决策传播单元在当前血管医学图像中识别多个图像特征中的每个图像特征对计算的总体诊断度量的相对重要性。
例如,可以由机器学习过程生成分析血管图像以提供诸如钙化负担的总体诊断度量的自动生成的规则。通常,机器学习过程对各种图像特征进行加权以便得出规则,并且然后计算总体诊断度量。然而,每个特征的加权通常是隐藏参数,并且因此影响诊断度量的图像特征中的每个的相对重要性并不透明。已知系统或者仅计算针对图像的总体诊断参数,或者指示图像中的高风险区域,但是没有指示图像中的每个特征相对于总体诊断参数的相对重要性。在一些情况下,此类自动生成的规则能够错误地以较高的加权来识别图像特征,从而导致针对图像的高总体风险评分。源自例如心脏运动的运动或造影剂变化、现有支架、植入物或分叉的图像伪影能够以这种方式错误地自动识别。通过在血管医学图像中识别多个图像特征中的每个图像特征对计算的总体诊断度量的相对重要性,所述系统有利地允许用户验证自动生成的规则的下层假设。用户将根据其自己的经验容易地知道此类运动伪影、支架等是否应该确实对计算的总体诊断度量具有识别的相对影响。
根据一个方面,诊断度量计算单元还被配置为:从用户输入设备接收指示所述多个图像特征中的至少一个图像特征的用户输入,并且i)通过改变所述多个图像特征中的所述至少一个图像特征的所述相对重要性并且将所述至少一个诊断规则重新应用于所述当前血管医学图像来重新计算针对所述当前血管医学图像的所述总体诊断度量或者ii)改变所述多个图像特征中的所述至少一个图像特征的所述相对重要性并且使所述规则生成单元重新分析所述多幅血管医学图像并且基于所述血管医学图像的选择共有的多个图像特征来自动生成与所述血管医学图像的所述选择的公共诊断相对应的经修订的诊断规则,并且使所述诊断度量计算单元通过将经修订的自动生成的诊断规则应用于所述当前血管医学图像来计算针对所述当前血管医学图像的经修订的总体诊断度量,并且使所述决策传播单元在所述当前血管医学图像中识别所述多个图像特征中的每个图像特征对所计算的经修订的总体诊断度量的所述相对重要性。
因此,根据该方面,所述系统可以允许用户改变例如当前正在分析的图像的区域的相对重要性,并且重新应用相同的诊断规则并重新计算针对图像的总体诊断度量,或者改变例如当前正在分析的图像区域的相对重要性,并重新计算诊断规则并重新计算针对图像的总体诊断度量。例如,用户可以向系统指示与支架相对应的图像中已经被错误地识别为对原始计算的诊断度量具有该影响的区域根本不应该贡献于该度量,并且响应于此,使系统通过忽略由支架对度量的任何贡献来如此重新计算总体诊断度量。
根据其他相关方面,还提供了对应的方法和计算机程序产品。
因此,本发明通过将自动决策传播回到输入图像空间内的相关性评分中来解决前述需要中的一个或多个。相关性评分可以借助于热图来指示。这些类似热图的结构可以用于理解决策,验证或拒绝其,或者最重要地,为临床医师提供反馈的方式。后者是通过减少或增加特定图像特征对决策的影响的图像操纵来实现的。热图可以用于直接调制输入图像,或者可以用作系统的单独的额外反馈通道。除了标准的前馈决策系统外,具有双向推理的生成模型构成了用于输入被屏蔽或调制的输入并重新计算所需的输出的另一方式。
附图说明
图1图示了根据本发明的一些方面的系统SY,所述系统SY用于确定影响总体诊断度量的血管医学图像的多个图像特征Fn中的每个的相对重要性,所述总体诊断度量是根据自动生成的诊断规则针对所述图像计算的。
图2图示了根据本发明的一些方面的方法MET。
图3图示了示例性系统,其中,网络使用IVUS图像数据进行预测和解释,并将其以钙评分的形式输出给用户。
图4图示了示例性相关性热图,其用于将信息反馈到系统中,以便在(a-c)IVUS图像和(d-f)冠状CTA图像上重新运行图像的评价后潜在地校正决策。
具体实施方式
为了图示本发明的原理,特别参考IVUS图像描述了一种用于确定血管医学图像的多个图像特征中的每个图像特征的相对重要性的系统。然而,应意识到,所述系统可以备选地与来自其他成像模态的图像一起使用,包括但不限于OCT图像、(C)CTA图像或血管造影图像。
如上所述,诸如IVUS或OCT的血管成像模态在对冠状动脉以及周围血管成像中起着越来越重要的作用。应用包括评价冠状动脉斑块以及钙化负担、狭窄水平表征或在支架置入的背景下的成像支持。
在这一领域中的数据驱动的决策支持系统的出现生成对以下的需要:使临床医师理解自动导出的决策源自何处,并在必要时与决策查找过程进行交互。决策水平越高,越抽象,对理解过程的需要就越大。本发明还可以帮助满足对诊断和治疗决策制定的正式文件的增加的要求。
在斑块检测和针对例如ACS的风险评分的特定示例中,根据数据来训练以从沿着感兴趣血管的血管内图像中检测特定图像特征的算法可以将这些局部证据加入到整体风险评分中。具体地,软斑块图案的检测和评估,如引用文档[1]中所描述的,其在血管树上的范围和分布将实质性影响ACS评分。在这种情形下,可能会发生图像伪影(例如由诸如心脏运动的运动、造影剂变化、现有支架或其他植入物引起的)维持未被识别,并错误地影响决策系统。关于输出的额外确定性措施常常不解决问题,并且不提供用于临床医师与支持系统之间的交互的任何模块。在其他情况下,支持系统可能没有经过足够的训练以应对特殊的数据出现,例如对比度下降、运动伪影、经验不足的用户的不寻常视图。这些情形通常需要重复采集或放弃支持系统,这在事后(post hoc)处理的情况下耗时或不可能。
图1图示了根据本发明的一些方面的系统SY,所述系统SY用于确定影响总体诊断度量的血管医学图像的多个图像特征Fn中的每个的相对重要性,所述总体诊断度量是根据自动生成的诊断规则针对所述图像计算的。系统SY包括医学图像数据库MIDB、规则生成单元RGU、图像提供单元IPU、诊断度量计算单元DMCU和决策传播单元DPU。这些项目的功能通常可以由计算机相关的产品提供。更具体地,项目RGU、DMCU和DPU的功能可以由一个或多个处理器实施,并且单元MIDB和IPU的功能可以由一个或多个存储器实施。(一个或多个)存储器可以由一个或多个处理器支持或控制。
继续参考图1,医学图像数据库MIDB包括多幅血管医学图像M1..k。在与本发明一致的实施例中,图像可以例如是i)IVUS图像、ii)OCT图像、iii)(C)CTA图像或iv)血管造影图像。然而,本发明不限于这些示例。规则生成单元RGU被配置为分析多幅血管医学图像M1..k并基于血管医学图像的子集共有的多个图像特征Fn自动生成与多幅血管医学图像的子集的公共诊断相对应的至少一个诊断规则。用于分析此类图像的合适技术通常从上面的引用文档[1-4]中已知,并且通常可以包括通过执行例如机器学习算法、深度学习算法或自动智能算法来提供至少一个诊断规则。图像特征Fn通常可以对应于图像强度,或更具体地,通过非限制性示例,对应于斑块、钙、破裂斑块的存在、病变中的血栓、与管腔相邻的斑块中的脂肪的存在,和/或包括计算的管腔面积、计算的斑块面积、计算的病变尺寸、计算的病变中钙的分布或比例中的一个或多个。
继续参考图1,图像提供单元IPU被配置为提供包括多个图像特征Fn的当前血管医学图像CVMI。当前血管医学图像CVMI可以是从医学图像数据库MIDB接收的图像,或者实际上是从诸如图像提供单元IPU或网络服务器内的数据库的另一数据库接收的图像,或者实际上是从脉管系统VA中的导管CA接收的图像。当前血管医学图像CVMI可以是预先记录的图像或实况图像。脉管系统VA可以是人体或动物体的脉管系统的部分。图1中图示的部分包括限定轴线A-A’的管腔LU,并且该管腔LU具有对应的血管壁VW。在所图示的示例中,导管CA可以是IVUS或OCT成像导管,其提供OCT或IVUS图像数据,该OCT或IVUS图像数据是围绕轴线A-A’旋转地测量的,如角度θ所指示的。在IVUS的情况下,数据的强度对应于周围物质的超声反射率。在OCT的情况下,数据对应于光学辐照射束和射束的反射部分之间的干涉。旋转是指在角度方向θ的部分周围测量数据。所述数据例如可以从IVUS/OCT检测器元件的固定阵列中采集,所述元件相对于导管CA围绕角度方向θ布置,或者所述数据例如可以从扫描或旋转IVUS/OCT检测器采集,其中,一个或多个检测器元件或者对应的光学元件关于导管CA围绕角度方向θ旋转。所述数据通常在所谓的“回拉”流程期间采集,其中,先前通常已经借助于导丝插入在脉管系统VA中的导管CA随后沿脉管系统被拉回,同时采集数据。
如由互连导管CA和医学图像数据库MIDB的虚线所图示的,导管CA也可以以与上面描述的类似的方式使用,以将多幅血管医学图像M1..k提供到医学图像数据库MIDB。在一种上述实施方式中,当前血管医学图像CVMI可以是多幅血管医学图像M1..k之一。在另一实施方式中,可以在比当前血管医学图像CVMI更早的时间点采集血管医学图像M1..k。在一些实施方式中,可以从与当前血管医学图像CVMI相同的脉管系统采集血管医学图像M1..k,而在其他实施方式中,可以从与当前血管医学图像CVMI不同的脉管系统采集血管医学图像M1..k。可以使用与提供当前血管医学图像CVMI的导管相同或不同的导管来采集血管医学图像M1..k。可以在当前血管医学图像CVMI之前采集血管医学图像M1..k。
当系统SY与备选图像类型(诸如由(C)CTA或血管造影提供的图像)一起使用时,这些图像的来源也可能如上所述。
继续参考图1,诊断度量计算单元DMCU通过将至少一个自动生成的诊断规则应用于当前血管医学图像CVMI来计算针对当前血管医学图像CVMI的总体诊断度量。从整体上看,其旨在,多个图像特征对诊断度量具有影响,而不是简单地对影响该度量的一个图像特征具有影响。总体诊断度量的非限制性示例包括:与诸如ACS的急性冠状动脉事件的风险、钙化负担、周围血管疾病的风险、冠状动脉斑块的风险、冠状血管疾病的风险或狭窄水平表征相对应的风险评分。可以以类似的方式计算其他总体诊断度量。
随后,决策传播单元DPU在当前血管医学图像CVMI中识别多个图像特征Fn中的每个对所计算的总体诊断度量的相对重要性。因此,与简单地识别例如在诊断图像中具有高风险的区域相对,图像区域中的每个对计算的高风险评分的相对重要性被识别。这允许用户确定当前图像的关键区域或方面对计算的总体诊断度量的相对重要性,并且因此验证其相对重要性。在一个示例实施方式中,当前血管医学图像CVMI中的每个像素对针对该图像的总体诊断度量的影响可以在从1至100的标度上进行评级,100是影响所计算的总体诊断度量的唯一因子,并且被指示为例如颜色。像素的组可以以类似的方式表示。这在自动生成此类诊断度量时非常有益,因为决策制定的透明性支持用户在自动决策制定中的信心,并且允许识别与用户自身体验不符的结果。
一种优选方式,其中,可以以叠加在当前血管医学图像上的热图的形式指示这种相对重要性。在这种情况下,对总体诊断度量具有相对较高影响的图像区域可以是彩色的,例如。红色,而对总体诊断度量具有相对较低影响的图像区域能够是透明的。具有中间影响的图像区域也可以被分配各种颜色。通过以这种方式指示相对重要性,用户可以容易地验证所计算的总体诊断度量。计算的图像特征(诸如例如管腔直径等)的相对重要性也可以类似的方式指示。显然,可以备选地使用其他形式的相对重要性指示,诸如显示器上的文本和表格指示。
在一个实施方式中,可以基于所计算的总体诊断度量对多个图像特征Fn中的每个的变化的敏感性来确定多个图像特征中的每个对计算的总体诊断度量的相对重要性。总体诊断度量的敏感性可以例如通过使例如每个图像特征的强度以预定百分比变化来计算,并且因此用于识别当前血管医学图像的区域的相对重要性。计算的图像特征(诸如例如管腔直径等)的相对重要性也可以以预定百分比改变,例如,通过使用已知的图像变形技术对图像进行变形,以便以类似的方式指示其对计算的总体诊断度量的相对重要性。
在一种实施方式中,可以作为改变多个图像特征Fn的结果计算所计算的总体诊断度量的熵的改变。作为改变图像特征的相对重要性的结果的熵的这种变化(或更具体地,信息增益的变化)可以提供图像特征对计算的总体诊断度量的相对重要性的备选指示。
在一个实施方式中,诊断度量计算单元DMCU还被配置为针对当前血管医学图像计算总体诊断度量的不确定性的量度。一种计算不确定性的方法是通过训练额外网络以预测其自身预测的误差。Pavel Gurevich和Hannes Stuke的文档“Learning uncertainty inregression tasks by artificial neural networks”(2018年1月20日,arXiv:1707.07287,在线发表于https://arxiv.org/abs/1707.07287)中描述了一种适用于此的技术。Yarin Gal和Zoubin Ghahramani的文档“Dropout as a Bayesian Approximation:Representing Model Uncertainty in Deep Learning”(2016年10月4日,arXiv:1506.02142,在线发表于https://arxiv.org/abs/1506.02142)中描述了计算不确定性的另一种方法。在该后一种方法中,使用均值预测及其方差的缺失(dropout)和蒙特卡洛估计来计算不确定性。这种方法使用弱规则的系综。以与对多个图像特征Fn中的每个图像特征对计算的总体诊断度量的相对重要性的识别类似的方式,决策传播单元DPU然后可以识别在当前血管医学图像CVMI中每个图像特征对总体诊断度量的不确定性的相对重要性。这种不确定性还可以支持用户验证自动生成的规则的结果。例如,用户能够看到特定的图像特征对计算的总体诊断度量具有高的影响,但是其不确定性非常高。这能够警报用户,如下所述,考虑改变或甚至忽略该图像特征对计算的总体诊断度量的贡献,并重新计算该度量。如下所述,系统可以备选地自动执行该重新计算。
如上所述,在一个实施方式中,系统SY可以额外接收用户输入。用户输入可以用于修订诊断规则,和/或重新计算总体诊断度量。因此,该实施方式可以允许用户指导改进的诊断规则的创建,和/或基于用户自己的经验来校正诊断度量。在一个实例中,系统SY的诊断度量计算单元DMCU还被配置为从用户输入设备UID接收该用户输入。用户输入指示所述多个图像特征Fn中的至少一个,并且诊断度量计算单元被配置为基于所述用户输入,通过改变所述多个图像特征Fn中的所述至少一个的相对重要性并将至少一个诊断规则重新应用于当前血管医学图像CVMI来重新计算针对当前血管医学图像CVMI的总体诊断度量。用户输入可以例如指示与一个或多个图像伪影相对应的图像特征Fn。这样的图像伪影可以包括例如心脏运动、造影剂变化、现有的支架、植入物、分叉等。经由自动生成的规则,能够错误地将此类图像特征确定为对计算的总体诊断度量具有高的相对重要性。因此,用户可以基于他们自己的经验来手动改变此类特征的相对重要性,并且因此校正诊断度量。
用户可以经由图1中的用户输入设备UID(诸如指针、鼠标、键盘等)来提供该用户输入。用户输入设备UID可以用于定义由图像提供单元IPU提供的当前血管医学图像CVMI的区域。用户可以例如识别当前血管医学图像中的高相对重要性图像特征的轮廓。系统SY可以例如通过自动提供围绕具有超过预定阈值的相对重要性的图像特征的轮廓来促进这一点,其中,用户可以选择图像轮廓以提供用户输入。
改变所述多个图像特征Fn中的所述至少一个的相对重要性可以例如意味着增加或减小或甚至忽略所述多个图像特征Fn中的所述至少一个的相对重要性。当规则生成单元RGU通过加权多个图像特征Fn中的每个来自动生成至少一个诊断规则时;改变所述多个图像特征Fn中的所述至少一个的相对重要性可以包括改变所述多个图像特征Fn中的所述至少一个的权重。
在另一实例中,用户输入可以用于改变多个图像特征Fn中的至少一个的相对重要性,并使规则生成单元RGU重新分析多幅血管医学图像M1..k并基于血管医学图像M1..k的选择共有的多个图像特征来自动生成与对血管医学图像M1..k的选择的公共诊断相对应的经修订的诊断规则,并使诊断度量计算单元通过将经修订的自动生成的诊断规则应用于当前血管医学图像CVMI计算针对当前血管医学图像CVMI的经修订的总体诊断度量,并使决策传播单元DPU在当前血管医学图像CVMI中识别多个图像特征Fn中的每个对计算的经修订的总体诊断度量的相对重要性。通过如此修订诊断规则并重新计算诊断度量,由于可以减少自动生成的规则中的误差,可以获得甚至更加准确的诊断度量。
在另一实施方式中,提供了一种确定影响总体诊断度量的血管医学图像的多个图像特征Fn中的每个图像特征的相对重要性的方法,所述总体诊断度量根据自动生成的诊断规则针对所述图像计算。参考图2,其图示了根据本发明某些方面的方法MET,所述方法MET包括:
分析APVMI多幅血管医学图像M1..k,并基于血管医学图像的子集共有的多个图像特征自动生成与血管医学图像的子集的公共诊断相对应的至少一个诊断规则;
提供PCVMI包括多个图像特征Fn的当前血管医学图像CVMI;
通过将至少一个自动生成的诊断规则应用于当前血管医学图像CVMI来计算CODM针对当前血管医学图像CVMI的总体诊断度量;并且
在当前血管医学图像CVMI中识别IRI多个图像特征Fn中的每个对计算的总体诊断度量的相对重要性。
方法MET可以包括实施关于以上关于图1所描述的项目所描述的功能中的一个或多个的额外步骤。此外,方法MET可以作为指令存储在计算机程序产品上,所述指令当在计算机上执行时使计算机执行方法MET。
因此,本发明通过首先将自动决策传播回到输入图像空间内的相关性评分中来解决前述需要中的一个或多个。这种相关性评分的简单示例将是确定性设置中的敏感性量度或概率设置中的熵差。热图可以被用于可视化、传递、记录和理解决策,并且之后验证、重塑或拒绝其,或者最重要地为临床医师提供一种反馈的方式-参见图3。
后者是通过减少或增加某些图像特征对决策的影响的图像操纵实现的-参见图4。使用相关性反向传播,可以识别图像域中的决策焦点,底部图像具有红色焦点。尽管右焦点是正确检测到的钙斑,但左焦点已经错误地检测到,并错误地驱动钙评分为高。对于经由反馈接口进行焦点操纵,用户可以基于该相关性修改输入,例如强度调制或擦除图像特征,并且利用重新引导的焦点重新运行分析,从而可能导出不同的总体估计-图3从引用文档[1]适应。
主要部件:
血管成像:输入信息是通过一种或多种血管成像方法(例如IVUS、OCT、CCTA、血管造影等)生成的。该信息被提供为N维图像,其理论上可以手动或自动检查以评价针对急性冠状动脉事件、钙化负担、周围血管疾病等的风险。
决策支持系统:将原始数据输入到决策支持系统中,所述决策支持系统将上述图像信息采取为输入,并将疾病风险评分以及可能地不确定性的量度提供为输出。尽管本发明可以主要聚焦在具有更复杂推理的这种高水平支持上,但是应用范围也可以扩展到较低水平系统。一个示例将是检测特定斑块图案,诸如例如针对冠状动脉高风险斑块的餐巾环图案,其中,系统将在内部查找数据中的特定纹理以识别图案。通常,所述系统充当黑匣子,其行为已经以较早的数据驱动方式获悉。
相关性传播模块:一旦在输出中接收到决策,可以触发相关性传播模块,以将决策传播回到原始图像空间中。在本发明的实施方式中,这将以与输入数据相同的格式产生如热图的图像。由于支持系统的决策是该模块的唯一输入,因此热图将仅包含哪些区域中的哪些信息已经被用于得到该决策的指示-参见图3。针对该模块的可能实施方式是系统特异性的,并且呈现在引用文档[2]或引用文档[3]中。
图4图示了示例性相关性热图,其用于将信息反馈到系统中,以在对重新运行对(a-c)IVUS图像和(d-f)冠状动脉CTA图像进行图像评价之后潜在地校正决策。参考图4(a-c),在IVUS图像上训练系统以基于血管(a)中的总体钙化负担输出风险评分。该系统生成例如3的高风险评分,并且提供主要标记了非常明亮的分段(b)的图像内的决策焦点的热图。用户认为不应将第一分段识别为钙,并且因此错误地增加评分。因此,通过使用热图来缩小分段的重要性(例如,缩小该焦点区的强度)。这确实产生了较低总评分(c)。参考图4(d-f),描述了使用冠状动脉CTA数据的类似情形。该系统基于高风险斑块和钙特征预测高ACS评分(d)。该系统弄错了第一高焦点分段,其实际上是分叉(e)。用户决定将该区域屏蔽为不是该区域的部分。屏蔽可以应用于输入数据,或者可以用作系统的额外输入通道,其将通知系统该区(f)中的用户定义的低优先级。
反馈模块:任选的反馈模块闭合环路以完成交互式系统。给定热图,反馈模块为临床医师提供了改变输入的操纵的接口。通过操纵热图,可以操纵决策支持系统的注意集中。人类观察者可以降级已经被错误地分配了高相关性的区域,例如减弱焦点。这能够导致直接屏蔽输入或对其进行强度调制,或者能够使用决策系统的额外输入通道来实现,所述决策系统间接通知系统输入图像中的变化的用户定义的相关性。斑块情形中的假高焦点区域的示例是:支架或其他植入物,其能够被解释为钙、异常高浓度的造影剂、运动或其他伪影。同样,某些区域的升级也是可能的,例如生成焦点。示例包括未充分考虑到的对比度差的区域,超声应用中的阴影等。
在操纵之后,经变换的热图被用于直接或间接地重新加权输入,并将输入再次提交给决策系统。
决策支持系统通常由前馈体系结构实施。备选地,具有双向推理的(概率)生成模型构成了另一方式以用于输入被屏蔽的输入或利用调制来形成用于重复推理过程的先验信息,如在引用文档[4]中所讨论的。
对于介入应用,反馈模块接口可以经由例如触摸输入实现,其中,临床医师可以使用用户生成的命令(诸如手势)来操控热图并操纵焦点。重聚焦和额外的用户输入还可以用于自动改进决策支持系统,以避免长期的类似的重聚焦情况。
本发明与涉及诸如IVUS、CCTA或OCT的血管成像的应用相关。其可以用于介入性和事后应用。其适用于冠状动脉和外周血管。
本文公开的方法步骤中的任何可以以指令的形式记录,所述指令当在处理器上执行时使处理器执行这样的方法步骤。指令可以存储在计算机程序产品上。所述计算机程序产品可以由专用硬件以及能够与适当的软件相关联地执行软件的硬件来提供。当由处理器提供时,功能可以由单个专用处理器、单个共享处理器或多个个体处理器(其中一些可以共享)提供。此外,术语“处理器”或“控制器”的明确使用不应解释为专门指能够执行软件的硬件,并且可以隐含包括但不限于数字信号处理器“DSP”硬件、用于存储软件的只读存储器“ROM”、随机存取存储器“RAM”、非易失性存储等。此外,本发明的实施例可以采用可从计算机可用或计算机可读存储介质访问的计算机程序产品的形式,计算机可用或计算机可读存储介质提供程序代码,所述程序代码由计算机或任何指令执行系统使用或与之结合使用。为了该描述的目的,计算机可用或计算机可读存储介质可以是任何装置,其可以包括、存储、通信、传播或传输由指令执行系统、装置或设备使用或与其结合使用的程序。介质可以是电子、磁性、光学、电磁、红外或半导体系统、或装置或设备、或传播介质。计算机可读介质的示例包括半导体或固态存储器、磁带、可移除计算机软盘、随机存取存储器“RAM”、只读存储器“ROM”、刚性磁盘和光盘。光盘的当前示例包括压缩盘–只读存储器“CD-ROM”、压缩盘–读/写“CD-R/W”、Blu-RayTM和DVD。
总之,已经提供了一种系统,用于确定影响总体诊断度量的血管医学图像的多个图像特征中的每个图像特征的相对重要性,所述总体诊断度量根据自动生成的诊断规则针对所述图像计算。所述系统包括医学图像数据库、规则生成单元、图像提供单元、诊断度量计算单元和决策传播单元。医学图像数据库包括多幅血管医学图像。规则生成单元分析多幅血管医学图像,并基于血管医学图像的子集共有的多个图像特征来自动生成与多幅血管医学图像的子集的公共诊断相对应的至少一个诊断规则。图像提供单元提供包括多个图像特征的当前血管医学图像。诊断度量计算单元通过将至少一个自动生成的诊断规则应用于当前血管医学图像来计算针对当前血管医学图像的总体诊断度量。决策传播单元在当前血管医学图像中识别多个图像特征中的每个图像特征对计算的总体诊断度量的相对重要性。
已经相对于系统SY描述了各种实施例和选择,并且应注意,可以将各种实施例组合以实现进一步的有益效果。
Claims (15)
1.一种用于确定影响总体诊断度量的血管医学图像的多个图像特征(Fn)中的每个图像特征的相对重要性的系统(SY),所述总体诊断度量是根据自动生成的诊断规则针对所述图像计算的,所述系统(SY)包括:
医学图像数据库(MIDB),其包括多幅血管医学图像(M1..k);
规则生成单元(RGU),其被配置为分析所述多幅血管医学图像(M1..k)并且基于所述多幅血管医学图像的子集共有的多个图像特征(Fn)来自动生成与血管医学图像的所述子集的公共诊断相对应的至少一个诊断规则;
图像提供单元(IPU),其被配置为提供包括所述多个图像特征(Fn)的当前血管医学图像(CVMI);
诊断度量计算单元(DMCU),其被配置为通过将至少一个自动生成的诊断规则应用于所述当前血管医学图像(CVMI)来计算针对所述当前血管医学图像(CVMI)的总体诊断度量;
决策传播单元(DPU),其被配置为在所述当前血管医学图像(CVMI)中识别所述多个图像特征(Fn)中的每个图像特征对所计算的总体诊断度量的所述相对重要性。
2.根据权利要求1所述的系统,其中,所述规则生成单元(RGU)被配置为通过执行机器学习算法、深度学习算法或自动智能算法来提供所述至少一个诊断规则。
3.根据权利要求1所述的系统,其中,所述总体诊断度量是与急性冠状动脉事件的风险、钙化负担、周围血管疾病的风险、冠状动脉斑块的风险、冠状动脉血管疾病的风险或狭窄水平表征相对应的风险评分,所述急性冠状动脉事件诸如为ACS。
4.根据权利要求1所述的系统,其中,所述决策传播单元(DPU)被配置为以热图的形式来识别所述多个图像特征(Fn)中的每个图像特征对所计算的总体诊断度量的所述相对重要性。
5.根据权利要求1所述的系统,其中,所述诊断度量计算单元(DMCU)还被配置为:从用户输入设备(UID)接收指示所述多个图像特征(Fn)中的至少一个图像特征的用户输入,并且i)通过改变所述多个图像特征(Fn)中的所述至少一个图像特征的所述相对重要性并且将所述至少一个诊断规则重新应用于所述当前血管医学图像(CVMI)来重新计算针对所述当前血管医学图像(CVMI)的所述总体诊断度量或者ii)改变所述多个图像特征(Fn)中的所述至少一个图像特征的所述相对重要性并且使所述规则生成单元(RGU)重新分析所述多幅血管医学图像(M1..k)并且基于所述血管医学图像(M1..k)的选择共有的多个图像特征来自动生成与所述血管医学图像(M1..k)的所述选择的公共诊断相对应的经修订的诊断规则,并且使所述诊断度量计算单元通过将经修订的自动生成的诊断规则应用于所述当前血管医学图像(CVMI)来计算针对所述当前血管医学图像(CVMI)的经修订的总体诊断度量,并且使所述决策传播单元(DPU)在所述当前血管医学图像(CVMI)中识别所述多个图像特征(Fn)中的每个图像特征对所计算的经修订的总体诊断度量的所述相对重要性。
6.根据权利要求5所述的系统,其中,改变所述多个图像特征(Fn)中的所述至少一个图像特征的所述相对重要性包括增加或减小或忽略所述多个图像特征(Fn)中的所述至少一个图像特征的所述相对重要性。
7.根据权利要求5所述的系统,其中,所述规则生成单元(RGU)被配置为通过对所述多个图像特征(Fn)中的每个图像特征进行加权来自动生成所述至少一个诊断规则,并且其中,改变所述多个图像特征(Fn)中的所述至少一个图像特征的所述相对重要性包括改变所述多个图像特征(Fn)中的所述至少一个图像特征的权重。
8.根据权利要求5所述的系统,其中,所述用户输入设备(UID)被配置为定义由所述图像提供单元(IPU)提供的所述当前血管医学图像(CVMI)的区域。
9.根据权利要求5所述的系统,其中,所述多个图像特征(Fn)中的所述至少一个图像特征对应于一个或多个图像伪影。
10.根据权利要求1所述的系统,其中,所述决策传播单元(DPU)被配置为基于以下项在所述当前血管医学图像(CVMI)中识别所述多个图像特征中的每个图像特征对所计算的总体诊断度量的所述相对重要性:i)所计算的总体诊断度量对所述多个图像特征(Fn)中的每个图像特征的变化的敏感性;或者ii)由所述多个图像特征(Fn)中的每个图像特征的变化引起的所计算的总体诊断度量的熵的改变。
11.根据权利要求1所述的系统,其中,所述多个图像特征(Fn)对应于以下中的一项或多项:斑块、钙、破裂斑块的存在、病变中的血栓、与管腔相邻的斑块区域中的脂肪的存在;和/或包括以下中的一项或多项:所计算的管腔面积、所计算的斑块面积、所计算的病变尺寸、所计算的钙在病变中的分布或比例。
12.根据权利要求1所述的系统,其中,所述多幅血管医学图像(M1..k)和所述当前血管医学图像(CVMI)是i)IVUS图像、ii)OCT图像、iii)(C)CTA图像或iv)血管造影图像。
13.根据权利要求1所述的系统,其中,所述诊断度量计算单元(DMCU)还被配置为针对所述当前血管医学图像计算所述总体诊断度量的不确定性的量度;并且其中,所述决策传播单元(DPU)还被配置为识别所述当前血管医学图像(CVMI)中的所述不确定性。
14.一种确定影响总体诊断度量的血管医学图像的多个图像特征(Fn)中的每个图像特征的相对重要性的方法(MET),所述总体诊断度量是根据自动生成的诊断规则针对所述图像计算的;所述方法(MET)包括:
分析(APVMI)多幅血管医学图像(M1..k)并且基于所述血管医学图像的子集共有的多个图像特征来自动生成与所述血管医学图像的所述子集的公共诊断相对应的至少一个诊断规则;
提供(PCVMI)包括所述多个图像特征(Fn)的当前血管医学图像(CVMI);
通过将至少一个自动生成的诊断规则应用于所述当前血管医学图像(CVMI)来计算(CODM)针对所述当前血管医学图像(CVMI)的总体诊断度量;并且
在所述当前血管医学图像(CVMI)中识别(IRI)所述多个图像特征(Fn)中的每个图像特征对所计算的总体诊断度量的所述相对重要性。
15.一种包括指令的计算机程序产品,所述指令当在计算机上被执行时使所述计算机执行根据权利要求14所述的方法(MET)。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP18160717.7 | 2018-03-08 | ||
EP18160717 | 2018-03-08 | ||
EP18175034.0A EP3576097A1 (en) | 2018-05-30 | 2018-05-30 | Resolving and steering decision foci in machine learning-based vascular imaging |
EP18175034.0 | 2018-05-30 | ||
PCT/EP2019/055231 WO2019170561A1 (en) | 2018-03-08 | 2019-03-04 | Resolving and steering decision foci in machine learning-based vascular imaging |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111954907A true CN111954907A (zh) | 2020-11-17 |
Family
ID=65729315
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980025136.9A Pending CN111954907A (zh) | 2018-03-08 | 2019-03-04 | 基于机器学习的血管成像中的分辨和操纵决策焦点 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11721439B2 (zh) |
EP (1) | EP3762937A1 (zh) |
JP (1) | JP2021516108A (zh) |
CN (1) | CN111954907A (zh) |
WO (1) | WO2019170561A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111507381B (zh) * | 2020-03-31 | 2024-04-02 | 上海商汤智能科技有限公司 | 图像识别方法及相关装置、设备 |
WO2024071321A1 (ja) * | 2022-09-30 | 2024-04-04 | テルモ株式会社 | コンピュータプログラム、情報処理方法及び情報処理装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1914617A (zh) * | 2004-02-03 | 2007-02-14 | 美国西门子医疗解决公司 | 与心脏有关的疾病和病症的自动诊断和决策支持系统和方法 |
CN102652317A (zh) * | 2009-12-10 | 2012-08-29 | 皇家飞利浦电子股份有限公司 | 用于连续存储以及联合分析图像和非图像医学数据的诊断技术 |
US20150003701A1 (en) * | 2011-09-16 | 2015-01-01 | Technische Universitat Berlin | Method and System for the Automatic Analysis of an Image of a Biological Sample |
US20160235373A1 (en) * | 2015-02-13 | 2016-08-18 | Siemens Aktiengesellschaft | Plaque vulnerability assessment in medical imaging |
JP2017102869A (ja) * | 2015-12-04 | 2017-06-08 | 日本電信電話株式会社 | 重要度算出装置、方法、及びプログラム |
Family Cites Families (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5635839A (en) | 1994-11-04 | 1997-06-03 | Picker International, Inc. | High order passive shimming assembly for MRI magnets |
JPH09238917A (ja) | 1996-03-11 | 1997-09-16 | Toshiba Corp | 磁気共鳴診断用コイルアセンブリ |
US7957574B2 (en) * | 2006-11-22 | 2011-06-07 | General Electric Company | Methods and apparatus for generating a risk metric for soft plaque in vessels |
TWI387445B (zh) * | 2009-09-17 | 2013-03-01 | Univ Nat Taiwan | 得到一影像生物指標的方法、病況預測方法、病況預測裝置及電腦程式產品 |
JP5596100B2 (ja) * | 2012-10-05 | 2014-09-24 | ジーイー・メディカル・システムズ・グローバル・テクノロジー・カンパニー・エルエルシー | X線断層撮影装置 |
US9675301B2 (en) | 2012-10-19 | 2017-06-13 | Heartflow, Inc. | Systems and methods for numerically evaluating vasculature |
WO2014064702A2 (en) * | 2012-10-24 | 2014-05-01 | Cathworks Ltd. | Automated measurement system and method for coronary artery disease scoring |
US8824752B1 (en) * | 2013-03-15 | 2014-09-02 | Heartflow, Inc. | Methods and systems for assessing image quality in modeling of patient anatomic or blood flow characteristics |
US9471989B2 (en) | 2013-06-03 | 2016-10-18 | University Of Florida Research Foundation, Inc. | Vascular anatomy modeling derived from 3-dimensional medical image processing |
WO2015044851A2 (en) * | 2013-09-25 | 2015-04-02 | Mindmaze Sa | Physiological parameter measurement and feedback system |
US9220418B2 (en) | 2013-12-18 | 2015-12-29 | Heartflow, Inc. | Systems and methods for predicting coronary plaque vulnerability from patient-specific anatomic image data |
JP6400326B2 (ja) | 2014-05-02 | 2018-10-03 | キヤノンメディカルシステムズ株式会社 | 磁気共鳴イメージング装置及び傾斜磁場コイル |
WO2016075331A2 (en) | 2014-11-14 | 2016-05-19 | Siemens Healthcare Gmbh | Method and system for purely geometric machine learning based fractional flow reserve |
WO2016092779A1 (en) * | 2014-12-12 | 2016-06-16 | Canon Kabushiki Kaisha | Information processing apparatus, information processing method, and program |
US11071517B2 (en) * | 2015-11-10 | 2021-07-27 | The Trustees Of The University Of Pennsylvania | Machine implemented methods, systems, and apparatuses for improving diagnostic performance |
KR102531819B1 (ko) * | 2016-06-08 | 2023-05-16 | 리서치 디벨럽먼트 파운데이션 | 혈관내 광 간섭 단층촬영법을 사용한 자동 관상동맥 플라크 특징화 및 위험 평가를 위한 시스템들 및 방법들 |
-
2019
- 2019-03-04 EP EP19710340.1A patent/EP3762937A1/en active Pending
- 2019-03-04 CN CN201980025136.9A patent/CN111954907A/zh active Pending
- 2019-03-04 US US16/978,799 patent/US11721439B2/en active Active
- 2019-03-04 WO PCT/EP2019/055231 patent/WO2019170561A1/en active Application Filing
- 2019-03-04 JP JP2020546470A patent/JP2021516108A/ja active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1914617A (zh) * | 2004-02-03 | 2007-02-14 | 美国西门子医疗解决公司 | 与心脏有关的疾病和病症的自动诊断和决策支持系统和方法 |
CN102652317A (zh) * | 2009-12-10 | 2012-08-29 | 皇家飞利浦电子股份有限公司 | 用于连续存储以及联合分析图像和非图像医学数据的诊断技术 |
US20150003701A1 (en) * | 2011-09-16 | 2015-01-01 | Technische Universitat Berlin | Method and System for the Automatic Analysis of an Image of a Biological Sample |
US20160235373A1 (en) * | 2015-02-13 | 2016-08-18 | Siemens Aktiengesellschaft | Plaque vulnerability assessment in medical imaging |
JP2017102869A (ja) * | 2015-12-04 | 2017-06-08 | 日本電信電話株式会社 | 重要度算出装置、方法、及びプログラム |
Also Published As
Publication number | Publication date |
---|---|
EP3762937A1 (en) | 2021-01-13 |
JP2021516108A (ja) | 2021-07-01 |
WO2019170561A1 (en) | 2019-09-12 |
US20200411189A1 (en) | 2020-12-31 |
US11721439B2 (en) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3142033B1 (en) | Physiology-driven decision support for therapy planning | |
Schaap et al. | Standardized evaluation methodology and reference database for evaluating coronary artery centerline extraction algorithms | |
CN110998744A (zh) | 针对弥漫性和串联性病变中冠状动脉疾病的非侵入性评估和治疗指导 | |
US20150265162A1 (en) | Automated measurement system and method for coronary artery disease scoring | |
US10758125B2 (en) | Enhanced personalized evaluation of coronary artery disease using an integration of multiple medical imaging techniques | |
CN114126491B (zh) | 血管造影图像中的冠状动脉钙化的评估 | |
US11410308B2 (en) | 3D vessel centerline reconstruction from 2D medical images | |
JP2021516106A (ja) | 高リスクプラーク面積率評価のためのインタラクティブな自己改善アノテーションシステム | |
Gharleghi et al. | Towards automated coronary artery segmentation: A systematic review | |
US11721439B2 (en) | Resolving and steering decision foci in machine learning-based vascular imaging | |
Ciompi et al. | Computer‐aided detection of intracoronary stent in intravascular ultrasound sequences | |
US20230102246A1 (en) | Probabilistic tree tracing and large vessel occlusion detection in medical imaging | |
Aromiwura et al. | Artificial intelligence in cardiac computed tomography | |
JP7421689B2 (ja) | 介入装置形状の決定 | |
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 | |
US20240020877A1 (en) | Determining interventional device position | |
EP3576097A1 (en) | Resolving and steering decision foci in machine learning-based vascular imaging | |
Liu et al. | Toward reliable calcification detection: calibration of uncertainty in object detection from coronary optical coherence tomography images | |
EP4220553A1 (en) | Coronary lumen and reference wall segmentation for automatic assessment of coronary artery disease | |
EP4181058A1 (en) | Time-resolved angiography | |
WO2024074309A1 (en) | Systems and methods for planning coronary interventions | |
Gharaibeh | COMPUTATIONAL IMAGING AS APPLIED TO CORONARY ARTERY OPTICAL CO-HERENCE TOMOGRAPHY | |
GB2617212A (en) | Method for automated characterisation of images obtained using a medical imagingmodality | |
Manandhar et al. | Automated IVUS Segmentation using Deformable Template Model with Feature Tracking |
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 |