CN112955927A - 用于针对血管造影-ffr的2d脉管分割的取向检测 - Google Patents
用于针对血管造影-ffr的2d脉管分割的取向检测 Download PDFInfo
- Publication number
- CN112955927A CN112955927A CN201980070502.2A CN201980070502A CN112955927A CN 112955927 A CN112955927 A CN 112955927A CN 201980070502 A CN201980070502 A CN 201980070502A CN 112955927 A CN112955927 A CN 112955927A
- Authority
- CN
- China
- Prior art keywords
- vessel
- segmentation
- orientation
- indication
- interest
- 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
- 230000011218 segmentation Effects 0.000 title claims abstract description 203
- 238000001514 detection method Methods 0.000 title description 3
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000012937 correction Methods 0.000 claims description 16
- 230000002792 vascular Effects 0.000 claims description 13
- 238000012795 verification Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 8
- 238000012706 support-vector machine Methods 0.000 claims description 7
- 238000002583 angiography Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 108010001267 Protein Subunits Proteins 0.000 claims 1
- 230000000004 hemodynamic effect Effects 0.000 abstract description 11
- 238000004088 simulation Methods 0.000 abstract description 3
- 239000012530 fluid Substances 0.000 description 28
- 230000006870 function Effects 0.000 description 11
- 230000000007 visual effect Effects 0.000 description 8
- 239000002872 contrast media Substances 0.000 description 5
- 230000017531 blood circulation Effects 0.000 description 4
- 208000031481 Pathologic Constriction Diseases 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 238000002059 diagnostic imaging Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 208000037804 stenosis Diseases 0.000 description 3
- 230000036262 stenosis Effects 0.000 description 3
- 206010020565 Hyperaemia Diseases 0.000 description 2
- 210000000709 aorta Anatomy 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 208000029078 coronary artery disease Diseases 0.000 description 2
- 210000004351 coronary vessel Anatomy 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 238000012285 ultrasound imaging Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 210000005166 vasculature Anatomy 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20101—Interactive definition of point of interest, landmark or seed
-
- 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)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (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)
Abstract
提供了一种用于评价感兴趣脉管的装置以及对应的方法,其中,使用流体动力学模型对血流动力学参数的建模能够通过从经分割的感兴趣脉管导出特征值并且将这些特征值输入到分类器中进行验证。所述分类器然后可以基于所述特征值来确定所述分割是已经从近侧到远侧、从远侧到近侧被执行还是不能够根据所提供的数据来确定。不正确的分割次序因此能够被识别并且可能被校正,由此避免不准确的模拟结果。
Description
技术领域
本发明涉及用于评价感兴趣脉管的装置、对应的方法以及计算机程序。具体地,本发明涉及采用经训练的分类器来自动地检测和/或校正被用于生成包括流体动力学模型的生理模型的脉管分割的脉管分割取向的装置。
背景技术
对冠状动脉疾病的准确评价对于确定最佳的处置选项是极其重要的。这样的评价需要关于冠状动脉生理学中的血流动力学的了解。出于该目的,诸如血流储备分数(FFR)或瞬时无波比(iFR)的度量可以被用于准确地评估患者的冠状动脉疾病。FFR以及iFR这两者是针对例如由在感兴趣脉管中的狭窄造成的血液沿着所述感兴趣脉管的压降的度量。其可以被确定为狭窄远侧的压力(Pd)与主动脉中的压力(Pa)的比率。
因此,FFR测量必须在最大血流期间(即,在充血下)被执行,这会引起患者的不适。相比之下,iFR测量在心舒期中的特定时段期间在静息时被执行,由此避免了对诱发患者中的充血的需要。
在过去,FFR和/或iFR测量通常被有创地执行,通过测量在远离病灶的位置和邻近病灶的位置处的压力。近年来,已经对借助于所谓的“虚拟”方案无创地确定FFR和/或iFR值做出了努力。根据所述虚拟方案,基于包括表示通过一个或多个感兴趣脉管的血流的流体动力学模型的生理模型而模拟患者的冠状动脉中的流体动力学。
因此,基于冠状动脉脉管系统的诊断图像数据而生成所述生理模型。亦即,对如通过所述图像数据表示的感兴趣脉管进行分割,并且基于所述分割来生成所述生理模型。为了执行脉管分割,用户通常手动地指示要被分割的感兴趣脉管的开始位置和结束位置。因此,所述开始位置被认为对应于近端,并且所述结束位置被认为对应于要被考虑的脉管节段的远端。所述开始位置和所述结束位置定义脉管分割从近侧到远侧的分割次序。
对要被分割的脉管的开始位置和结束位置的正确选择因此对于使用流体动力学模型实现准确的流体动力学估计是重要的,因为这种选择确定了脉管节段的取向,换言之,“脉管分割取向”。
通常,脉管分割取向为使得假设血液从开始位置流动到结束位置。因此,流体动力学建模被执行为使得脉管分割的开始位置对应于近侧位置并且结束点对应于远侧位置。
另一方面,如果开始位置和结束位置例如在手动选择期间被互换,脉管分割取向将被反转,对应于从远侧位置到近侧位置的不正确的血流方向。在这种情况下,流体动力学建模将提供不准确或不正确的结果。因此,该过程是相当易于出错的。
发明内容
因此,本发明的目的是防止使用包括感兴趣脉管的流体动力学模型的生理模型对所述感兴趣脉管中的不正确的流体动力学评价。
更具体而言,本发明的目的是提供一种用于自动地检测要被分割的感兴趣脉管的脉管分割取向以用于生成包括流体动力学模型的生理模型并且用于验证所述脉管分割取向以使得用户可以意识到不正确地评价的感兴趣脉管的装置和方法。
该目的是通过一种用于评价患者的感兴趣脉管的装置来实现的,所述装置包括:输入单元,其被配置为接收包括由对所述感兴趣脉管的分割而得到的至少一个脉管节段的指示的分割数据;计算单元,其被配置为导出针对所述至少一个脉管节段的至少一个脉管参数;以及分类单元,其被配置为接收所述至少一个脉管参数,并且对所述至少一个脉管参数进行分类以获得所述至少一个脉管节段的分割取向的指示,其中,所述分类单元已经使用训练数据集进行训练,所述训练数据集是将一组已知脉管分割取向与所述至少一个脉管参数的对应值相关联的数据集的形式。
在该背景下,术语分割数据可以具体指代包括所述感兴趣脉管的一个或多个节段(即,应当被考虑以例如确定所述感兴趣脉管的血流动力学性质的脉管)的数据集。所述节段因此可以通过使用医学成像模态采集至少一幅诊断图像并且通过识别所述至少一幅诊断图像中的所述感兴趣脉管来获得。所识别的感兴趣脉管然后被分割成所述一个或多个节段。节段尺寸因此可以由用户手动地或者由装置自动地预先确定。
术语脉管参数可以具体指代可以辅助导出关于脉管和/或分割的另外的信息的参数。作为范例,在分割后,针对所述脉管节段的至少部分来导出特征值,诸如几何参数值,例如可以针对每个脉管节段来确定相应的横截面值。这些横截面值然后可以被视为脉管长度的函数,以便确定指示从所述脉管分割的开始位置到结束位置的脉管横截面发展的路线。
因此,所确定的脉管参数然后可以被输入到所述分类单元中。所述分类单元被提供为使得其已经利用使用训练数据集的基础事实(ground truth)进行训练。所述训练数据集可以具体地已经利用允许所述分类单元对一个或多个输入的脉管参数进行分类诸如以检测脉管分割取向的偏差的基础事实对所述分类单元进行训练。亦即,在上文提到的范例中,所述分类单元已经利用允许所述分类单元根据作为脉管长度的函数的横截面值的路线确定脉管分割的分割取向的基础事实进行训练。所述分类单元因此可以确定所述取向与假设的一样,即:所述感兴趣脉管的近侧位置已经用作针对脉管分割的开始位置,并且所述感兴趣脉管的远侧位置已经用作针对脉管分割的结束位置。所述分类单元也可以确定取向偏离假设。在一些实施例中,这意味着所述分类单元可以确定所述感兴趣脉管的远侧位置已经用作针对脉管分割的开始位置,并且所述感兴趣脉管的近侧位置已经用作结束位置。在一些实施例中,与初始假设的偏差也可以对应于所述分类单元确定不能够检测所述感兴趣脉管的哪个位置分别对应于所述分割的开始位置和结束位置,并且因此,取向是不清楚的。
因此,基于分类,所述分类单元可以获得脉管分割取向的指示。该指示然后可以被输出给用户,和/或可以被所述装置用于自动地校正分割次序。
在一些实施例中,所述装置还包括分割单元,所述分割单元被配置为:接收指示针对在至少一幅诊断图像中表示的感兴趣脉管分割开始位置和分割结束位置的用户输入,并且对在所述至少一幅诊断图像中表示的所述感兴趣脉管进行分割以获得所述分割数据,所述分割数据包括多个节段,每个节段是针对沿着所述感兴趣脉管的长度的多个位置中的特定位置获得的,其中,第一位置对应于所述分割开始位置,并且最后的位置对应于所述分割结束位置。在一些实施例中,所述至少一幅诊断图像已经使用X射线血管造影被采集。
所述装置可以还包括分割单元,所述分割单元被配置用于对至少一幅诊断图像进行分割以生成所述分割数据,并且用于将所述分割数据提供给所述输入单元。在该背景下,应当理解,所述分割可以基于表示至少所述感兴趣脉管的一幅或多幅诊断图像。
所述一幅或多幅诊断图像可以已经使用医学成像模态被采集。任何成像模态可以被使用,只要其允许识别所述感兴趣脉管并且执行脉管分割。作为合适的医学成像模态的范例,提到了计算机断层摄影、磁共振成像、超声成像等。
在一些实施例中,所述至少一幅诊断图像可以具体地包括二维X射线血管造影图像。出于该目的,对比剂可以被引入到所述感兴趣脉管中。随后,执行对比剂填充的脉管的X射线血管造影。因此,所采集的图像可以具体地具有低程度的透视收缩和低交叠。此外,对比剂填充应当足以提供合适的对比度。在采集后,X射线血管造影图像然后可以被呈现给用户以用于手动分割输入。
在一些实施例中,用户可以具体地被请求手动地输入用于所述分割的开始位置和结束位置。亦即,通常,所述至少一幅诊断图像被呈现给可以考虑脉管并且提供指示用户认为对应于开始位置和结束位置的点的输入的用户。
在一些实施例中,所述装置自动地分配用于分割的开始位置和结束位置。这种自动分配也可以基于分类。更具体而言,自动分配可以通过利用诊断图像的训练数据集对装置中的(单独的)分类器进行训练来执行,所述诊断图像的训练数据集允许所述分类器确定用于数据的潜在的开始位置和结束位置。
在选择开始位置和结束位置后,开始所述分割。因此,所述分割沿着所述感兴趣脉管的长度从开始位置前进到结束位置。亦即,对所述感兴趣脉管的分割是在沿着所述感兴趣脉管的长度的多个点处执行的。因此,所述开始位置对应于所述多个位置中的第一位置,并且所述结束位置对应于多个位置中的最后的位置。此外,在所述多个位置中的每个位置处获得相应的节段。
因此,所获得的多个节段——针对所述位置中的每个位置有一个——被包括在所述分割数据中。在该背景下,应当理解,术语位置应当被宽泛地解读,如指代已经在沿着所述感兴趣脉管的长度、即沿着所述感兴趣脉管内部的纵向方向的特定点处获得的有限长度的节段。
随后,至少一个脉管参数是基于多个节段来计算的。亦即,针对来自所述多个节段的每个节段,可以获得特征,诸如几何参数值。该特征值然后可以被视为沿着所述感兴趣脉管的长度的多个位置的函数以用于进一步的分析。在一些实施例中,将所述特征值视为所述多个位置的函数可以由所述计算单元来计算,并且所得到的脉管参数(诸如函数的斜率)可以被输入到所述分类单元中以用于分类。在一些实施例中,所述特征值本身以及其相应位置和/或已经针对其导出其相应节段的索引可以被插入到所述分类单元中,所述分类单元本身然后确定脉管参数并且对脉管参数进行分类以获得指示。
根据一些实施例,所述至少一个脉管参数基于以下中的一项或多项:针对所述多个节段中的每个节段的几何参数值,和/或分别与所述第一位置和所述第二位置有关的第一值,和/或分别与所述第一位置和所述第二位置有关的第二值,和/或与被用于采集所述至少一幅诊断图像的采集设置有关的采集参数值,和/或从所述至少一幅诊断图像导出的动力学参数。
在一些实施例中,所述至少一个脉管参数可以通过分析针对所述多个节段获得的多个特征值来导出。一个这样的特征值可以具体地涉及导出针对所述节段中的每个节段的几何参数值,诸如针对所述节段中的每个节段而确定的横截面值或直径。所述几何参数值然后可以被视为沿着所述感兴趣脉管的多个位置的函数或为指示已经针对其确定几何参数值的相应节段的索引的函数。随后,可以导出所述函数的斜率。在一些实施例中,所述斜率可以具体地由通过所有几何参数值的线性回归来确定。要被输入到所述分类单元中的所述脉管参数然后包括如上文所描述的那样确定的斜率。
备选地或另外地,所述至少一个脉管参数可以通过将至少一幅(二维)诊断图像与二维坐标系相叠加并且考虑用于脉管节段的开始点和结束点(通过开始位置和结束位置指示)的x坐标、y坐标来导出。亦即,作为相应的特征值,可以确定针对所述开始位置处的开始点的第二值x1,并且可以确定针对结束位置处的结束点的第二值x2。要被输入到所述分类单元中的脉管参数然后包括指示在两个第二值x1、x2之间的差(沿x-方向)的x差值x12。
备选地或另外地,作为相应的特征值,可以确定针对开始位置处的开始点的第一值y1,并且可以确定针对结束位置处的结束点的第一值y2。要被输入到所述分类单元中的脉管参数然后包括指示在两个第一值y1、y2之间的差(沿y方向)的y差值y12。
备选地或另外地,与所述分割和所述诊断图像无关的信息可以被用于所述至少一个脉管参数。在一些实施例中,指示采集设置的一个或多个采集参数可以被提供给所述分类器,诸如C型臂角度、患者取向信息和/或患者位于其上的桌台的定位。在一些实施例中,如在X射线图像中可见的血管内测量设备(诸如引导导管)的被跟踪位置也可以被使用。
备选地或另外地,可以从所述至少一幅诊断图像导出动力学参数,其是指示通过感兴趣脉管的流动动力学的参数。更具体地,一幅或多幅诊断图像可以被用于检索关于流体流——具体为对比剂流——随着时间的动力学的另外的信息。在一些实施例中,诊断图像的时间系列可以被用于跟踪对比剂的流动。这允许直接确定通过感兴趣脉管的流动方向。
斜率值和/或x差值和/或y差值和/或一个或多个采集参数值和/或动力学参数然后可以单独地或组合地被提供给所述分类单元。所述分类单元可以利用用于将所述脉管参数中的一个或多个(诸如斜率值、x差值、y差值、一个或多个采集参数值和/或动力学参数)与脉管分割取向相关联的基础事实进行训练。
对此,所述训练数据集可以具体地以包括上文所列举的参数的具有已知取向的脉管分割数据的数据集的形式来提供。换言之,所述训练数据集将一组已知脉管分割取向与至少一个脉管参数的对应值相关联。
所述分类单元然后可以使用经训练的基础事实来检测脉管分割取向是“正常的”(即,近侧到远侧)、“反转的”(即,远侧到近侧)、还是不清楚的。基于这种检测,所述分类单元可以提供分类结果的指示。
根据一些实施例,所述分类单元可以实施多个子单元。因此,所述子单元可以具体地使用不同的训练数据集进行训练。例如,每个子单元可以利用不同的训练数据集进行训练,其中,所述脉管分割取向与所述脉管参数的对应子集相关联。
作为范例,所述分类单元中的一个子单元已经接收到包括脉管参数斜率值、x差值、y差值、作为采集参数的C型臂角度指示和作为动力学参数的对比剂流动信息的具有已知取向的脉管分割数据的训练数据集。一个另外的子单元已经接收到包括斜率值、x差值、y差值和作为动力学参数的对比剂流动信息的具有已知取向的脉管分割数据的训练数据集。在这种情况下,假如上文的参数都可用作输入,第一子单元可以被使用,并且假如C型臂角度是缺失的,第二子单元可以被使用。
在一些实施例中,一些分类子单元可以已经被训练为使用单个脉管参数以用于分割取向确定。在一些实施例中,所述分类子单元可以已经被训练为在不同的组合中使用两个、三个、四个等脉管参数。
这种布置允许所述装置适于不同输入(具体地,脉管参数的不同子集)能够或者将被提供以确定脉管分割取向的不同情况。
在一些实施例中,所述分类单元包括支持向量机。
术语支持向量机可以以常规方式来理解,亦即,如指代实施监督的、半监督的或非监督的学习模型的二值线性分类器。所述分类器使用包括被标记为属于两个类别中的一个类别的数据的训练数据集进行训练。训练输出是将训练数据集的值表示为在所映射的空间中的点的使得输入被划分到在其之间具有尽可能宽的清楚间隙的两个类别中的一个类别内的模型。
要被分类的每个新输入然后被映射到依据他们被提供在其上的间隙的侧面而被预测为属于两个类别中的一个类别的相同空间内。在目前的情况下,这两个类别包括为近侧到远侧(即“正确”)的取向和为远侧到近侧(即“不正确”)的取向。此外,被提供在间隙内部的任何结果不被清楚地分类,并且这样,在目前的情况下被认为是“不清楚的”。
在这方面中,应当理解,在一些实施例中,所述分类单元和/或所述计算单元可以使用已经如上文所描述的那样利用相应训练数据集进行训练的神经网络来实施。所述神经网络可以接收分割数据,并且可以基于所述训练来确定分割的取向。
根据一些实施例,所述装置还包括显示单元,其中,所述显示单元被配置为响应于所述分割取向的所述指示而生成图形表示,并且将所述图形表示显示给用户。
在一些实施例中,所述装置可以具体地被提供有显示单元,所述显示单元被配置为响应于所述分割取向的指示而生成图形表示。所述图形表示然后可以被显示给用户。所述图形表示可以包括所述感兴趣脉管的表示和指示所述脉管分割的开始位置和结束位置的相应标记。所述图形表示可以具体地包括所述指示的图形表示。在一些实施例中,所述图形表示可以包括取向是以错误次序(即,从远侧到近侧)或者取向不能够被确定(即,不清楚)的警告消息。在一些实施例中,所述图形表示可以指示取向是以正确的次序。
根据实施例,分割取向的所述指示包括以下中的一项:指示所述分割取向是从远侧到近侧的错误指示,指示所述分割取向是从近侧到远侧的验证指示,或者指示所述分割取向不清楚的清楚性指示。
术语指示可以具体指代可以被用于告知用户所述分割取向的脉管取向的视觉、听觉和/或触觉指示。
错误指示由此可以具体地对应于分割已经以错误的次序(即,脉管分割取向被反转,从远侧到近侧)被执行使得所得到的在经分割的感兴趣脉管中的流体动力学的建模可以是不准确的指示。所述错误指示可以是视觉和/或听觉的,并且可以具体地是以视觉和/或听觉警告消息的形式。所述错误指示也可以被配置为终止流体建模过程,使得没有不正确的结果被实现。
验证指示可以具体地对应于分割已经以正确的次序(即,脉管分割取向正确,从近侧到远侧)被执行的指示。因此,所得到的经分割的感兴趣脉管中的流体动力学的建模可以被认为是准确的。所述验证指示也可以是视觉和/或听觉的。在一些实施例中,所述验证指示可以为使得当发现取向是以正确的次序时根本不输出指示。
清楚性指示可以对应于分割次序不能够被确定(即,不清楚)的指示。亦即,所得到的流体动力学的建模可以是准确的(如果分割的次序已经是正确的)或者不准确的(如果次序已经是不正确的),但是不能确定情况是什么。所述清楚性指示可以是视觉和/或听觉的,并且可以具体地包括警告消息。在一些实施例中,所述视觉和/或听觉警告消息可以不同于被用于所述错误指示的视觉和/或听觉警告消息。在一些实施例中,所述清楚性指示可以引起流体动力学模型停止对通过所述感兴趣脉管的流体动力学进行建模。
在一些实施例中,所述装置包括校正单元,其被配置为响应于所述脉管分割的所述分割取向的所述指示包括所述错误指示而执行校正分割。
根据一些实施例,所述装置还可以被配置为响应于所述错误指示而执行分割校正。亦即,所述装置确定所述分割已经以错误的次序被执行,并且可以响应于该确定而切换用于所述分割的开始位置和结束位置。所述分割然后可以以正确的次序被重新进行,并且对流体动力学的后续建模可以基于新的分割来执行。
在一些实施例中,所述装置还包括输出单元,其输出所述脉管分割的所述分割取向的所述指示。
根据一些实施例,所述装置还可以被提供有输出单元,其用于将视觉、听觉和/或触觉输出提供给用户。在一些实施例中,所述输出单元可以具体地包括声音发射器以输出警告用户所述取向不应当被使用或者向用户验证所述取向可以被使用的听觉信号。在一些实施例中,所述输出单元可以是所述显示单元的部分或者对应于所述显示单元。在一些实施例中,所述输出单元可以与所述显示单元分开,并且所述显示单元可以仅被用于与用户进行交互以用于定义分割的开始位置和结束位置并且表示建模结果。
在一些实施例中,所述分类单元使用包括多个已知的分割取向的训练数据集进行训练。
所述分类单元可以通过输入训练数据集进行训练。该训练数据集可以具体地包括具有已知取向的多个脉管分割。亦即,所述分类单元接收关于哪个脉管分割具有哪个取向的信息。基于此,所述分类单元可以具体地关于哪个脉管参数值可以指示哪个脉管分割取向进行训练。在所述分类单元包括支持向量机的情况下,不清楚的分割取向可以通过在特征空间中的距离度量和用于该距离的预定最小阈值来定义。
根据另外的方面,提供了一种用于评价患者的感兴趣脉管的方法,所述方法包括以下步骤:接收包括由对所述感兴趣脉管的脉管分割而得到的至少一个脉管节段的指示的分割数据,导出针对所述至少一个脉管节段的至少一个脉管参数,以及对所述至少一个脉管参数进行分类以获得所述至少一个脉管节段的脉管分割取向的指示,其中,所述分类是基于从将一组已知脉管分割取向与所述至少一个脉管参数的对应值相关联的训练数据集导出的基础事实而执行的。
在一些实施例中,所述方法还包括输出所述脉管分割的所述分割取向的所述指示的步骤。在一些实施例中,所述方法还包括:如果所述分割取向是从远侧到近侧则校正所述脉管分割的所述分割取向的步骤。
在另外的方面中,提供了一种用于控制根据本发明的装置的计算机程序,所述计算机程序当被处理单元运行时适于执行根据本发明的方法步骤。在又一方面中,提供了一种在其上存储有上文所列举的计算机程序的计算机可读介质。
应当理解,权利要求1的装置、权利要求12的方法、权利要求14的计算机程序和权利要求15的计算机可读介质具有具体地与从属权利要求中所限定的相似和/或相同的优选实施例。
应当理解,本发明的优选实施例也能够是独立权利要求或者以上实施例与相应从属权利要求的任意组合。
参考下文所描述的实施例,本发明的这些方面和其他方面将是显而易见的并且得以阐明。
附图说明
在以下附图中:
图1示意性图示了根据实施例的用于评价感兴趣脉管的装置。
图2图示了根据实施例的范例分类结果。
图3图示了要被呈现在显示单元上的示范性图形表示。
图4表示根据实施例的用于评价感兴趣脉管的方法的流程图。
具体实施方式
附图中的图示是示意性的。在不同的附图中,相似的或完全相同的元件被提供有相同的参考数字。
图1示意性地表示用于评价患者的感兴趣脉管的装置的示范性实施例。在图1的示范性实施例中,装置1包括:包括分割单元101的输入单元100、包括建模单元201的计算单元200、分类单元300、校正单元400以及包括输出单元501的显示单元500。
在根据图1的示范性实施例中,装置1经由输入单元100接收来自成像模态的诊断图像10。在该具体范例中,诊断图像10对应于已经被填充有对比剂的感兴趣脉管的二维X射线血管造影图像10。血管造影图像10可以具有低程度的透视收缩、低交叠以及良好的对比剂填充。输入单元100将血管造影图像10提供给显示单元500。显示单元500生成血管造影图像10的图形表示,并且将所述图形表示输出给用户。显示单元500进一步生成用于促使用户提供指示用于执行分割的感兴趣脉管中的开始位置和结束位置的请求的图形表示。在接收到关于开始位置和结束位置的所述用户输入后,分割单元101然后可以执行对血管造影图像10的分割。
因此,所生成的分割数据11然后可以被提供给计算单元200和建模单元201。
建模单元201可以使用分割数据11来提供感兴趣脉管的生理模型,所述生理模型包括表示通过感兴趣脉管的流体动力学的流体动力学模型。因此,所生成的模型可以被提供给显示单元500。显示单元500可以生成所述感兴趣脉管的模型的图形表示,并且将所述表示显示给用户。
在根据图1的示范性实施例中所使用的流体动力学模型可以具体地对应于集总参数流体动力学模型。在这样的集总参数流体动力学模型中,脉管的流体动力学通过分立实体的拓扑结构来近似。作为范例,脉管系统(诸如脉管树)可以通过均具有特定电阻的电阻器元件的拓扑结构来表示。因此,脉管的远端处的出口也通过特定电阻器元件来表示。该电阻器元件然后被连接到地,诸如以表示脉管的终端。类似地,相应的电阻器元件可以被连接到表示感兴趣脉管的电阻器元件的系列,诸如以表示在特定分叉处从感兴趣脉管的流出。这些电阻器元件通常也可以被连接到地。
相比于诸如Navier-Stokes等的其他方案,集总参数流体动力学模型减少维度的数量。因此,使用集总参数流体动力学模型可以允许脉管内部的流体动力学的简化计算,并且因此在处理时间方面是特别有益的。
所述生理模型可以还包括感兴趣脉管的几何模型。在根据图1的具体实施例中,由于输入已经是单幅二维X射线血管造影图像10,所述几何模型可以具体地对应于二维或者在其中近似第三维度的准三维几何模型。
计算单元200可以使用分割数据11来计算指示脉管参数的一个或多个值。在图1的示范性实施例中,计算单元200可以具体地针对分割数据11中的每个节段来确定感兴趣脉管的直径,并且然后可以将由此导出的直径视为节段数的函数。这允许导出针对沿着经分割的感兴趣脉管的长度的脉管直径的线性斜率。该斜率然后可以被用作第一脉管参数。
此外,计算单元200可以在x-y坐标系中考虑所述脉管。随后,计算单元可以确定脉管分割开始位置和脉管分割结束位置的x-y坐标。计算单元200然后可以被配置为确定指示分别针对开始位置和结束位置的y坐标的差的第一值。此外,计算单元200可以被配置为确定指示分别针对开始位置和结束位置的x坐标的差的第二值。
在根据图1的示范性实施例中,用于分割开始位置的x-y坐标可以是(1,2),并且用于分割结束位置的x-y坐标可以是(3,5)。第一值因此可以对应于3的值,并且第二值可以对应于2的值。所述第一值可以被认为第二脉管参数。所述第二值可以被认为第三脉管参数。
三个脉管参数(即,直径的斜率和沿x方向和y方向的不同值)然后可以从计算单元200被提供给分类单元300。
在根据图1的示范性实施例中,分类单元300包括已经关于具有已知取向的脉管分割数据的数据集被训练的线性支持向量机。基于这种训练,分类单元300可以被配置为基于所导出的脉管参数对所述分割数据进行分类。所述分类由此可以具体地被执行到三个类别中的一个类别中。第一类别可以对应于已经以正确的次序(即,从近侧到远侧)被执行的脉管分割。第二类别可以对应于已经以不正确的次序(即,从远侧到近侧)被执行的脉管分割。第三类别可以对应于次序未知或不清楚的脉管分割。
对此,假如分类单元包括线性支持向量机,图2对应于分类单元300的示范性输出。示意图30示出了利用ic索引的用于分割的特征空间中的距离dc的标绘图。因此,结果通过由dc=0.0索引的分开的平面被分开。示意图30的左手侧32上的小圆点(dot)对应于具有从远侧到近侧的取向的分割(即,其已经以错误的次序被分割)。示意图30的右手侧33上的小圆点对应于具有从近侧到远侧的取向的分割(即,其已经以正确的次序被分割)。灰色区域31指示用于分割取向被认为未知的情况的预定范围。
换言之:在根据图2的示范性实施例中,特征空间中的距离(在从-1.5至+1.5的范围内)是分割取向的度量,其中,具有在-1.5至-0.1之间的特征空间中的距离对应于远侧到近侧的取向,具有在0.1至1.5之间的特征空间中的距离对应于近侧到远侧的取向,并且具有在-0.1至0.1之间的特征空间中的距离对应于“不清楚的”取向。
回到图1的实施例,分类结果然后由装置1来评估。
在根据图1的特定实施例中,这意味着假如分类单元300确定取向是从近侧到远侧,流体动力学模型可以被用于确定通过所述感兴趣脉管的流体动力学。在这种情况下,分类单元300可以将命令提供给建模单元201以执行流体动力学建模并且将结果输出给显示单元500。此外,分类单元300可以将验证指示提供给显示单元500,促使显示单元500生成其图形表示以向用户确认所述分割已经以正确的次序被执行。显示单元500还可以绘制使用所述流体动力学模型模拟的血流动力学参数的图形表示。
在一些实施例中,所述流体动力学模型可以已经在分类结果可用之前被用于确定血流动力学。在这些情况下,分类单元可以促使建模单元501将结果传输到显示单元500以用于图形表示。在一些实施例中,建模单元501也可以在从分类单元接收命令之前传输所述结果,并且分类单元可以仅将验证指示提供给显示单元500以确保被用户验证。
假如分类单元300确定取向是从远侧到近侧,错误指示可以由分类单元300生成,并且被提供给显示单元和/或输出单元以用于将警告输出给用户。该警告可以对应于如例如在图3中所示的警告消息51的图形表示。备选地或另外地,所述警告可以对应于给用户的听觉指示或触觉指示。
在这种情况下,分类单元300还可以被配置为命令建模单元201不生成和/或输出感兴趣脉管的模型。备选地或另外地,建模单元201可以已经生成包括所述流体动力学模型的生理模型。在这种情况下,所述模型也可以被传输到显示单元500,并且其图形表示可以由显示单元500生成并且被示出在显示单元500上,由此所述图形表示可以还包括警告消息。
在根据图1的示范性实施例中,分类单元300也可以被配置为将诊断图像10和/或分割数据11传输到校正单元400。校正单元400然后可以校正对诊断图像10的分割或校正分割数据11以生成表示正确分割次序的分割数据11’。
应当理解,尽管校正单元400在图1中被表示为单独的实体,但是其也可以被集成到分割单元101中,由此校正单元300可以具体地校正开始位置和结束位置,并且促使分割单元101利用经校正的开始位置和结束位置重新进行分割以检索分割数据11’。
分割数据11’然后可以被提供给建模单元201。建模单元201可以使用分割数据11’来生成包括流体动力学模型的生理模型,并且使用所述流体动力学模型来模拟对应的血流动力学参数。建模单元201还可以将模拟结果和/或生理模型提供给显示单元500以用于图形表示。所述图形表示可以包括被用于建模的分割已经被自动地校正的指示。
分类单元300可以确定分割的取向是未知的。返回参考图2,对于在区域31内的所有小圆点,都是这种情况。在此,针对特征空间中的距离的最小最值(由灰色区域31表示)已经被确定,并且在该阈值区域内的每个距离值对应于未知取向。
对此,应当理解,建模单元201可以使用具有未知取向的分割数据11来生成包括流体动力学模型的生理模型并且模拟血流动力学参数。
然而,分类单元300可以将清楚性指示提供给显示单元500。显示单元500然后可以生成清楚性指示的图形表示,具体地以要被示出在显示单元500上的警告消息的形式。此外,输出单元501可以生成听觉警告消息来向用户指示取向是未知的,使得用户可以复查该信息并且可能校正所述分割和/或不依赖于可能不准确的模拟结果。
图4示意性图示了用于评价感兴趣脉管的方法。在步骤S101中,输入单元100接收诊断图像10,在根据图4的实施例中,诊断图像10对应于感兴趣脉管的二维X射线血管造影图像10。在步骤S102中,输入单元100将血管造影图像10提供给显示单元500。
在步骤S501中,显示单元500生成血管造影图像10的图形表示。此外,在步骤S502中,显示单元500将图形表示呈现给用户,并且请求用户指示用于执行对感兴趣脉管的分割的开始位置和结束位置。在步骤S503中,用户提供指示开始位置和结束位置的相应输入。然后,所述方法前进到步骤S103,在步骤S103中,分割单元101执行对血管造影图像10的分割。
在步骤S104中,分割数据11从输入单元100和分割单元101被提供给计算单元200和建模单元201。在步骤S201中,建模单元201使用分割数据11来生成包括感兴趣脉管的几何模型和用于模拟通过感兴趣脉管的流体动力学的流体动力学模型的生理模型,并且在步骤S202中将模型提供给显示单元500。在步骤S504中,显示单元500生成几何模型和流体动力学模型的图形表示,并且将所述表示显示给用户。
此外,计算单元200使用分割数据11来计算指示脉管参数的一个或多个值。具体而言,在步骤S202中,计算单元200针对分割数据11中的每个阶段来确定感兴趣脉管的直径,并且确定依据节段数表示直径的函数的斜率。此外,在步骤S203中,计算单元200在二维(x,y)坐标系中考虑感兴趣脉管,并且确定指示分别用于感兴趣脉管的分割的开始位置和结束位置的y坐标的差的第一值。另外,在步骤S204中,计算单元200确定指示分别用于开始位置和结束位置的x坐标的差的第二值。第一值和第二值然后被用作第二脉管参数和第三脉管参数。在步骤S205中,计算单元200将三个脉管参数提供给分类单元300。
在步骤S301中,分类单元300基于所导出的脉管参数将所述分割数据分类到三个类别中的一个类别中,亦即:“近侧到远侧”(以正确次序的分割)、“远侧到近侧”(以不正确次序的分割)或者“不清楚的”(分割取向不能被确定)。在步骤S302中,分类单元300将作为验证指示、错误指示或清楚性指示中的一项的分类结果输出给显示单元500。根据图4的示范性方法,假如分类结果对应于错误指示,在步骤S302中,所述错误指示被进一步提供给校正单元400。
在步骤S505中,显示单元500生成分类结果的图形表示。亦即,假如分类结果包括验证指示,显示单元500生成验证指示的图形表示,并且将其与生理模型的图形表示并排显示。因此,所述图形表示通常可以包括感兴趣脉管的几何模型、使用流体动力学模型确定的一个或多个血流动力学参数以及指示分割取向已经被验证的验证指示(诸如在显示单元500上的指示“分割取向从近侧到远侧”的文本消息)等。在一些实施例中,步骤S505还可以包括通过输出单元501来输出听觉或触觉确认信号。
假如分类结果包括错误指示,在步骤S505中,显示单元500生成错误指示的图形表示,并且将其显示给用户。在一些实施例中,所述图形表示可以包括警告消息。在一些实施例中,所述警告消息可以写明“分割取向从远侧到近侧”等。在一些实施例中,所述图形表示可以还包括与所述警告消息叠加的诊断图像10。在一些实施例中,所述图形表示还可以包括促使用户手动地校正开始位置和结束位置(即,分割取向)的请求。此外,步骤S505还可以包括通过输出单元501来输出听觉或触觉错误信号。
在根据图4的示范性实施例中,在步骤S505中,警告消息在错误指示的情况下被显示在显示单元500上。然后,在步骤S506中,所述警告消息前进到消息“校正取向”,其指示校正单元400正在执行对分割的校正。
在步骤S401中,响应于所述错误指示,校正单元400检索诊断图像10或分割数据11,并且执行对分割的校正使得所述分割以正确的次序被执行。在步骤S402中,校正单元400将经校正的分割数据11’输出给建模单元201,其然后前进到在步骤S201中基于经校正的分割数据11’来生成包括流体动力学模型的生理模型,并且在步骤S504中将由此校正的模型提供给显示单元500。在步骤S507中,所述显示单元然后显示经校正的模型的图形表示以及指示模型所基于的分割取向已经被校正的消息(诸如陈述“校正模型结束。示出结果”的消息)。此外,在步骤S507中生成并且呈现的图形表示包括已经使用流体动力学模型计算的一个或多个血流动力学参数。
假如在步骤S302中所述分类单元确定分割的取向是未知的,那么在步骤S505中,生成指示取向是未知的警告消息的图形表示。所述警告消息可以例如写明“模糊的取向。请识别分割的近端”。此外,步骤S505可以包括通过输出单元501输出指示取向是不清楚的听觉或触觉信号。所述触觉或听觉信号应当不同于在错误指示的情况下的警告消息的情况下所使用的触觉或听觉信号。
在一些实施例中,所述警告消息可以与诊断图像10并排地被显示在显示单元500上。在这种情况下,用户可以手动地输入用于分割的近(和/或远)端。在其他实施例中,所述警告消息可以与(初步并且可能不准确的)生理模型和相应的血流动力学参数并排地被显示,并且用户可以决定他或她是否将依赖于所述经确定的参数或者他或她是否更倾向于重复分割和建模流程。
尽管在上文所列举的实施例中,诊断图像已经使用X射线血管造影被采集,但是应当理解,可以类似地使用其他成像模态,诸如计算机断层摄影、超声成像、磁共振成像等。还应当理解,尽管上文所列举的实施例预见单幅图像的使用,但是多幅图像也可以被用于生成模型。
此外,尽管在上文的实施例中,脉管直径斜率以及沿x方向和y方向的差已经被用作对分割进行分类的脉管参数,但是应当理解,另外的特征(诸如C型臂投影角度、沿两个方向(即,从近侧到远侧和从远侧到近侧)的虚拟FFR计算、介入的投影的序列和/或自动跟踪的对比导管位置)可以被用作用于对感兴趣脉管的评价的输入。
此外,尽管在上文所列举的实施例中,支持向量机被用作分类器,但是应当理解,也可以使用其他分类器。类似地,所述分类单元可以实施用于对取向的分类的神经网络。
尽管在上文所列举的实施例中血流储备分数和/或瞬时无波比已经被指示作为血流动力学指标,但是应当理解,也可以导出另外的指标,诸如狭窄远侧的压力与主动脉中的压力之间压力比、冠状动脉血流储备以及另外的流动、压力等相关的指标。
此外,尽管在上文所列举的实施例中,所述装置本身确定诊断图像数据的分割数据,但是应当理解,术语确定要被宽泛地解读,并且也可以包含分割数据从另一装置的输入。
本领域技术人员通过研究附图、公开内容以及权利要求,在实践请求保护的发明时能够理解并实现对所公开的实施例的其他变型。
在权利要求中,“包括”一词不排除其他元件或步骤,并且词语“一”或“一个”不排除多个。
单个单元或设备可以实现在权利要求中所记载的若干项的功能。尽管某些措施被记载在互不相同的从属权利要求中,但是这并不指示不能有利地使用这些措施的组合。
像由一个或若干个单元或设备执行的至少一幅诊断图像的分割、至少一个脉管参数的导出、至少一个脉管参数的分类、生理模型的生成、生理模型和/或分割数据的校正等的流程能够由任意其他数量的单元或设备来执行。根据本发明的这些流程因此能够被实施为计算机程序的程序代码单元和/或为专用的硬件。
计算机程序可以被存储/分布在合适的介质上,例如与其他硬件一起供应或者作为其他硬件的部分供应的光学存储介质或固态介质,但是也可以被以其他形式分布,诸如经由互联网或者其他有线或无线的电信系统。
权利要求中的任何附图标记都不应当被解释为对范围的限制。
本发明涉及一种用于评价患者的感兴趣脉管的装置,包括:输入单元其被配置为接收指示所述感兴趣脉管的脉管分割的分割数据;计算单元,其被配置为基于所述分割数据来导出至少一个脉管参数;分类单元,其被配置为接收所述至少一个脉管参数,并且对所述至少一个脉管参数进行分类以获得所述脉管节段的分割取向的指示。此外,本发明涉及由所述装置执行的方法。
Claims (14)
1.一种用于评价患者的感兴趣脉管的装置,所述装置包括:
输入单元,其被配置为接收包括由对所述感兴趣脉管的分割而得到的至少一个脉管节段的指示的分割数据,
计算单元,其被配置为导出针对所述至少一个脉管节段的至少一个脉管参数,以及
分类单元,其被配置为接收所述至少一个脉管参数,并且对所述至少一个脉管参数进行分类以获得所述至少一个脉管节段的脉管分割取向的指示,
其中,所述分类单元已经使用训练数据集进行训练,所述训练数据集是将一组已知脉管分割取向与所述至少一个脉管参数的对应值相关联的数据集的形式。
2.根据权利要求1所述的装置,还包括分割单元,其被配置为:
接收指示针对在至少一幅诊断图像中表示的所述感兴趣脉管的分割开始位置和分割结束位置的用户输入,并且
对在所述至少一幅诊断图像中表示的所述感兴趣脉管进行分割以获得所述分割数据,所述分割数据包括多个节段,每个节段是针对沿着所述感兴趣脉管的长度的多个位置中的具体位置而获得的,其中,第一位置对应于所述分割开始位置,并且最后的位置对应于所述分割结束位置。
3.根据权利要求2所述的装置,其中,所述至少一幅诊断图像已经使用X射线血管造影被采集。
4.根据权利要求2和3中的任一项所述的装置,其中,所述至少一个脉管参数基于以下中的一项或多项:
针对所述多个节段中的每个节段的几何参数值,和/或
分别与所述第一位置和第二位置有关的第一值,和/或
分别与所述第一位置和第二位置有关的第二值,和/或
与被用于采集所述至少一幅诊断图像的采集设置有关的采集参数值,和/或
从所述至少一幅诊断图像导出的动力学参数。
5.根据权利要求1至4中的任一项所述的装置,其中,所述分类单元包括多个子单元,每个子单元已经使用将所述脉管分割取向与所述至少一个脉管参数的对应子集相关联的不同训练数据集进行训练。
6.根据权利要求1至5中的任一项所述的装置,其中,所述分类单元包括支持向量机。
7.根据权利要求1至6中的任一项所述的装置,还包括显示单元,其中,所述显示单元被配置为响应于所述分割取向的所述指示而生成图形表示,并且将所述图形表示显示给用户。
8.根据权利要求1至7中的任一项所述的装置,其中,分割取向的所述指示包括以下中的一项:
指示所述分割取向被反转的错误指示,
指示所述分割取向正常的验证指示,或
指示所述分割取向不清楚的清楚性指示。
9.根据权利要求8所述的装置,还包括校正单元,其被配置为响应于所述脉管分割的所述分割取向的所述指示包括所述错误指示而执行具有正常分割取向的校正分割。
10.根据权利要求1至9中的任一项所述的装置,还包括输出单元,其输出所述脉管分割的所述分割取向的所述指示。
11.一种用于评价患者的感兴趣脉管的方法,所述方法包括以下步骤:
接收包括由对所述感兴趣脉管的脉管分割而得到的至少一个脉管节段的指示的分割数据,
导出针对所述至少一个脉管节段的至少一个脉管参数,并且
对所述至少一个脉管参数进行分类以获得所述至少一个脉管节段的脉管分割取向的指示,其中,所述分类是基于从将一组已知脉管分割取向与所述至少一个脉管参数的对应值相关联的训练数据集导出的基础事实而执行的。
12.根据权利要求11所述的方法,还包括输出所述脉管分割的所述分割取向的所述指示的步骤。
13.一种计算机程序,所述计算机程序当由处理单元运行时适于执行根据权利要求11和12中的任一项所述的方法以用于控制根据权利要求1至10中的任一项所述的分类系统。
14.一种在其上存储有根据权利要求13所述的计算机程序的计算机可读介质。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP18290125.6A EP3644274A1 (en) | 2018-10-26 | 2018-10-26 | Orientation detection for vessel segmentation |
EP18290125.6 | 2018-10-26 | ||
PCT/EP2019/079118 WO2020084101A1 (en) | 2018-10-26 | 2019-10-25 | Orientation detection for 2d vessel segmentation for angio-ffr |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112955927A true CN112955927A (zh) | 2021-06-11 |
Family
ID=64331980
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980070502.2A Pending CN112955927A (zh) | 2018-10-26 | 2019-10-25 | 用于针对血管造影-ffr的2d脉管分割的取向检测 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20210383539A1 (zh) |
EP (2) | EP3644274A1 (zh) |
JP (1) | JP7479364B2 (zh) |
CN (1) | CN112955927A (zh) |
WO (1) | WO2020084101A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7112140B1 (ja) * | 2021-12-21 | 2022-08-03 | 株式会社 マイネ | 撮像支援方法、撮像支援プログラム、撮像支援システム |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120014574A1 (en) * | 2010-07-13 | 2012-01-19 | Sigrid Ferschel | Method for Determining Properties of a Vessel in a Medical Image |
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 |
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 |
US20170262733A1 (en) * | 2016-03-10 | 2017-09-14 | Siemens Healthcare Gmbh | Method and System for Machine Learning Based Classification of Vascular Branches |
CN107256550A (zh) * | 2017-06-06 | 2017-10-17 | 电子科技大学 | 一种基于高效cnn‑crf网络的视网膜图像分割方法 |
CN107292887A (zh) * | 2017-06-20 | 2017-10-24 | 电子科技大学 | 一种基于深度学习自适应权重的视网膜血管分割方法 |
CN108496205A (zh) * | 2015-12-30 | 2018-09-04 | 皇家飞利浦有限公司 | 身体部分的三维模型 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8233965B2 (en) * | 2007-03-08 | 2012-07-31 | Oslo Universitetssykehus Hf | Tumor grading from blood volume maps |
EP2286383A1 (en) * | 2008-05-08 | 2011-02-23 | Oslo Universitetssykehus HF | Vessel segmentation in dce mr imaging |
US9101286B2 (en) * | 2008-11-18 | 2015-08-11 | Sync-Rx, Ltd. | Apparatus and methods for determining a dimension of a portion of a stack of endoluminal data points |
US8934686B2 (en) * | 2009-11-26 | 2015-01-13 | Algotec Systems Ltd. | User interface for selecting paths in an image |
EP2803321A4 (en) * | 2012-01-10 | 2015-11-25 | Konica Minolta Inc | ULTRASONIC DIAGNOSIS DEVICE AND BLOOD VESSEL DETECTION METHOD |
US10210612B2 (en) * | 2016-03-10 | 2019-02-19 | Siemens Healthcare Gmbh | Method and system for machine learning based estimation of anisotropic vessel orientation tensor |
CN109716446B (zh) * | 2016-09-28 | 2023-10-03 | 光学实验室成像公司 | 利用血管表象的支架规划系统及方法 |
JP7149286B2 (ja) * | 2017-03-24 | 2022-10-06 | パイ メディカル イメージング ビー ヴイ | 機械学習に基づいて血管閉塞を評価する方法およびシステム |
-
2018
- 2018-10-26 EP EP18290125.6A patent/EP3644274A1/en not_active Withdrawn
-
2019
- 2019-10-25 US US17/288,357 patent/US20210383539A1/en active Pending
- 2019-10-25 EP EP19790018.6A patent/EP3871184A1/en active Pending
- 2019-10-25 JP JP2021522062A patent/JP7479364B2/ja active Active
- 2019-10-25 CN CN201980070502.2A patent/CN112955927A/zh active Pending
- 2019-10-25 WO PCT/EP2019/079118 patent/WO2020084101A1/en unknown
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120014574A1 (en) * | 2010-07-13 | 2012-01-19 | Sigrid Ferschel | Method for Determining Properties of a Vessel in a Medical Image |
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 |
CN108496205A (zh) * | 2015-12-30 | 2018-09-04 | 皇家飞利浦有限公司 | 身体部分的三维模型 |
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 |
US20170262733A1 (en) * | 2016-03-10 | 2017-09-14 | Siemens Healthcare Gmbh | Method and System for Machine Learning Based Classification of Vascular Branches |
CN107256550A (zh) * | 2017-06-06 | 2017-10-17 | 电子科技大学 | 一种基于高效cnn‑crf网络的视网膜图像分割方法 |
CN107292887A (zh) * | 2017-06-20 | 2017-10-24 | 电子科技大学 | 一种基于深度学习自适应权重的视网膜血管分割方法 |
Non-Patent Citations (2)
Title |
---|
UZMA GUIZAR ABBASI等: "Classifi cation of Blood Vessels as Arteries and Veins for Diagnosis of Hypertensive Retinopathy", 《IEEE》, pages 5 - 9 * |
黄文博;王珂;燕杨;: "彩色视网膜眼底图像血管自动检测方法", 光学精密工程, no. 05 * |
Also Published As
Publication number | Publication date |
---|---|
WO2020084101A1 (en) | 2020-04-30 |
JP7479364B2 (ja) | 2024-05-08 |
JP2022505648A (ja) | 2022-01-14 |
EP3871184A1 (en) | 2021-09-01 |
US20210383539A1 (en) | 2021-12-09 |
EP3644274A1 (en) | 2020-04-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3429465B1 (en) | Systems and methods for estimating healthy lumen diameter and stenosis quantification in coronary arteries | |
US20180235707A1 (en) | Systems and methods for correction of artificial deformation in anatomic modeling | |
JP2019171151A (ja) | 脈管構造を数値的に評価するためのシステムおよび方法 | |
KR102140402B1 (ko) | 기계학습을 이용한 의료 영상 판독의 품질 관리 방법 및 장치 | |
CN105474264A (zh) | 用于交互地分割在血管造影图像数据中的血管的分割装置 | |
CN111210401A (zh) | 根据医学图像的主动脉自动检测和量化 | |
US20240078676A1 (en) | Interactive coronary labeling using interventional x-ray images and deep learning | |
EP3713482B1 (en) | Apparatus, computer program and computer-readable medium for assessing a coronary vasculature | |
CN112955927A (zh) | 用于针对血管造影-ffr的2d脉管分割的取向检测 | |
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 | |
CN114041167A (zh) | 自动化冠状动脉血管造影分析 | |
EP3456248A1 (en) | Hemodynamic parameters for co-registration | |
CN113164131A (zh) | 针对血液动力学模拟的最相关的x射线图像选择 | |
EP3457404A1 (en) | Estimating flow to vessel bifurcations for simulated hemodynamics | |
CN114173649A (zh) | 使用功能信息进行的血管配准 | |
JP2023166761A (ja) | 情報処理システム、情報処理装置および情報処理方法 | |
JP2023525364A (ja) | 網膜画像処理 |
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 |