CN112967220B - 评估与血管周围组织有关的ct数据集的计算机实现的方法 - Google Patents
评估与血管周围组织有关的ct数据集的计算机实现的方法 Download PDFInfo
- Publication number
- CN112967220B CN112967220B CN202011364498.1A CN202011364498A CN112967220B CN 112967220 B CN112967220 B CN 112967220B CN 202011364498 A CN202011364498 A CN 202011364498A CN 112967220 B CN112967220 B CN 112967220B
- Authority
- CN
- China
- Prior art keywords
- region
- vessel
- interest
- radius
- heart
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 210000004351 coronary vessel Anatomy 0.000 claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 25
- 238000011156 evaluation Methods 0.000 claims description 24
- 210000001519 tissue Anatomy 0.000 claims description 21
- 230000005856 abnormality Effects 0.000 claims description 18
- 210000004204 blood vessel Anatomy 0.000 claims description 17
- 238000001514 detection method Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 210000000577 adipose tissue Anatomy 0.000 claims description 8
- 210000000709 aorta Anatomy 0.000 claims description 6
- 238000012986 modification Methods 0.000 claims description 5
- 230000004048 modification Effects 0.000 claims description 5
- 230000007423 decrease Effects 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims 2
- 238000002591 computed tomography Methods 0.000 description 46
- 230000011218 segmentation Effects 0.000 description 13
- 206010061218 Inflammation Diseases 0.000 description 7
- 230000004054 inflammatory process Effects 0.000 description 7
- 230000003902 lesion Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 6
- 239000002872 contrast media Substances 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000010968 computed tomography angiography Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 210000003484 anatomy Anatomy 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 208000019553 vascular disease Diseases 0.000 description 2
- 208000004434 Calcinosis Diseases 0.000 description 1
- 208000008658 Myocardial Bridging Diseases 0.000 description 1
- 101710098555 NADPH-cytochrome P450 reductase 1 Proteins 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 208000031662 Noncommunicable disease Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 230000003143 atherosclerotic effect Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 230000002308 calcification Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000003176 fibrotic effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000002107 myocardial effect Effects 0.000 description 1
- 210000004165 myocardium Anatomy 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 210000003291 sinus of valsalva Anatomy 0.000 description 1
- 208000023516 stroke disease Diseases 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/46—Arrangements for interfacing with the operator or the patient
- A61B6/461—Displaying means of special interest
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/46—Arrangements for interfacing with the operator or the patient
- A61B6/467—Arrangements for interfacing with the operator or the patient characterised by special input means
- A61B6/469—Arrangements for interfacing with the operator or the patient characterised by special input means for selecting a region of interest [ROI]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/48—Diagnostic techniques
- A61B6/481—Diagnostic techniques involving the use of contrast agents
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/504—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of blood vessels, e.g. by angiography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- 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
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/20—ICT specially adapted for the handling or processing of medical references relating to practices or guidelines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30048—Heart; Cardiac
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
-
- 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
- G06T2207/30172—Centreline of tubular or elongated structure
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Optics & Photonics (AREA)
- High Energy & Nuclear Physics (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Pulmonology (AREA)
- Vascular Medicine (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Bioethics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Geometry (AREA)
- Physiology (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
一种用于评估患者(19)的冠状区域的CT数据集的计算机实现的方法，冠状区域与至少一个目标血管(3)的血管周围组织有关，至少一个目标血管(3)特别地包括至少一个冠状动脉，该方法包括自动地：在CT数据集中确定至少一个目标血管(3)的中心线(5)；将感兴趣区域(4)限定为具有至少一个限定的外部区域半径(9)，至少一个限定的外部区域半径(9)围绕中心线(5)的扩展区间，扩展区间特别是患者特定的，所述外部区域半径(9)大于所述目标血管(3)的半径；从所述CT数据来计算所述感兴趣区域中的至少一个定量值(4)。
Description
技术领域
本发明涉及用于评估患者的冠状区域的CT数据集的计算机实现的方法，冠状区域与至少一个目标血管的血管周围组织有关，至少一个目标血管特别地包括至少一个冠状动脉。本发明还涉及评估设备、计算机程序和电子可读存储介质。
背景技术
已发现冠状血管疾病(CVD)是全世界最常见的死亡原因，请参阅“OrganizationalUpdate:The World Health Organization Global Status Report on NoncommunicableDiseases 2014:One More Landmark Step in the Combat Against Stroke andVascular Disease”(Stephen Mendis等人，2015年)。大多数CVD与由于炎症或血流紊乱引起的动脉粥样硬化性冠状动脉斑块沉积有关。
为了针对CVD和可能的其他疾病来检查患者，已知使用计算机断层摄影(CT)来获得患者冠状区域的CT数据集，其中通常施用造影剂来使得血管、特别是冠状血管具有更好的可视性。该成像方法被称为冠状动脉计算机断层血管造影(CCTA)。
最新研究表明，冠状动脉周围组织的炎症与关于脂肪组织的HU范围(-200HU至30HU)的平均HU值有关。由“Detecting human coronary inflammation by imagingperivascular fat”,Alexios N.Antonopoulos et al.,Science TranslationalMedicine 9,eaal2658(2017)的作者介绍了通过评估CT数据集而引入对应的定量值，作为脂肪衰减指数(FAI)。为了测量该值，需要对感兴趣(ROI)的同心血管周围区域进行分段，并根据HU值分布来计算该区域内的FAI。由上述文章的作者提出的ROI从距离心门或距左动脉下降(LAD)和回旋支(CX)之间的分支处10mm处开始、长度为40mm并且被限定为血管的外壁和到血管壁的径向距离之间的区域。特别是关于血管的外壁的ROI需要至少部分地手动定位，这是麻烦的并且易于出错。
此外，在计算这些感兴趣区域时，需要对解剖学变异进行特殊处理。例如，右冠状动脉(RCA)的牧羊犬弯曲被限定为直接邻近心门的环，导致标准的默认40毫米长的ROI与自身重叠，从而产生较大的血管周围半径，并且通常不评估与其他变异相同的心包组织区域。大约5％的患病率，这种变异绝对与CT数据集的评估有关。同样，ROI的该限定没有考虑到每个患者的心脏尺寸会有所不同。
此外，相对于外壁来确定感兴趣区域(也可以被称为“血管周围壁”)的事实要求对外壁进行精确估计，这通常无法直接从CT数据集中识别，使得所需的外壁手动标记容易出错。
EP 3 179 917 B1公开了可以相对于脂肪组织范围内的平均放射密度值来分析相对于外壁的感兴趣的同心血管周围区域。ROI可以被限定为沿RCA的中心线，距心门10mm-50mm的距离；以及沿LAD/CX分叉的中心线，0mm-40mm的距离。根据Antonopoulos等人的上述文章，平均HU值与冠状动脉炎症相关，并且可能是评估患者特定风险的重要风险因素。
但是，EP 3 179 917 B1和该文章都具有以下缺点：
-经常影响RCA路线的冠状动脉解剖变异被忽略，从而导致针对不同患者的心包脂肪的分析区域不同。
-在限定ROI时，针对每个患者使用相同的分段长度。但是，不同患者的心脏尺寸不同，也会引起对不同血管周围区域的分析。
-ROI被限定为相对于血管外壁的同心血管周围壁，使得需要精确的外壁分割，精确的外壁分割不能完全自动执行，需要手动交互。
-尚不清楚FAI是否是评估血管周围组织中的炎症的理想值。
发明内容
本发明的一个目的是提供稳定的、全自动的方法，用于从CCTA数据集中提取关于血管周围组织的特征，该方法特别地允许更好地在患者之间比较所确定的定量值。
该目的通过提供根据独立权利要求的方法、评估设备、计算机程序和电子可读存储介质来实现。在从属权利要求中描述了有利的实施例。
本文的特征、优点或备选实施例可以被分配给其他所要求保护的对象，反之亦然。换言之，可以利用在方法的上下文中描述或要求保护的特征来改进设备的权利要求，反之亦然。在前一情况下，方法的功能特征由设备的目标单元来体现。
在最初描述的方法中，根据本发明，包括以下自动执行的步骤：
-在CT数据集中确定至少一个目标血管的中心线，
-将感兴趣区域限定为具有至少一个限定的外部区域半径，至少一个限定的外部区域半径围绕中心线的扩展区间，该扩展区间特别是患者特定的，外部区域半径大于目标血管的半径，
-根据CT数据来计算感兴趣区域中的至少一个定量值。
CT数据集(也可以被称为CCTA数据集)优选地已使用造影剂获取，使得血管、特别是其管腔可以被容易地标识和分割。CT数据集可以使用计算机断层摄影(CT)设备来获取，计算机断层摄影(CT)设备还可以包括被配置为执行根据本发明的方法的步骤的本发明的评估设备，本发明的评估设备例如是CT设备的控制设备或由其构成。然而，评估设备也可以被实现为工作站或其他计算设备或作为其一部分。
关于确定CT数据集中所描绘的血管的中心线，在现有技术中已提出了通常对基于造影剂填充的血管腔进行分割的合适算法。例如，由Yefeng Zheng等人在“Robust andAccurate Coronary Artery Centerline Extraction in CTA by Combining Model-Driven and Data-Driven Approaches”in:K.Mori et al.(Eds.):MICCAI 2013,PartIII,LNCS 8151,pages 74-81,2013中提出的算法可以被采用。
根据本发明，提出了用于限定ROI的新方法。ROI的限定基于自动以稳定且可靠的方式确定相应目标血管、特别是冠状动脉的中心线。这样消除了在限定ROI期间进行手动交互的要求，从而允许完全自动化的评估过程。在特别优选的实施例中，感兴趣区域被限定为包括血管壁。因此，还评估了血管壁中由内壁和外壁界定的组织(例如，脂肪组织)。血管壁内部的发炎组织(特别是关于CVD的)也很重要，并且在本发明中也被有利地考虑。在例如与脂肪组织(油脂组织)和/或水相关联的HU范围具体被专门用于计算定量值(例如，计算FAI)的情况下，血管壁内部的纤维化和钙化组织仍然被忽略，因为它们的HU值未被包括在感兴趣范围内。
使用围绕中心线所限定的外部区域半径来限定血管周围壁(即，感兴趣区域)不仅允许更快的计算，而且在分割误差方面也更稳定，同时不影响血管周围分割的结果。换言之，相对于(可变且难以定位)外壁的分割，固定(即，仅相对于中心线来限定)区域半径分割可靠得多。
本发明的方法允许全自动的工作流来提取血管周围组织特征，特别是在进一步的后续步骤中检测目标血管(例如，冠状动脉)周围的炎症。这允许在无需医生进行交互的情况下，进行背景评估/预处理。
在这一点上注意，感兴趣区域的限定当然可以并且通常是目标血管特定的。即，对于不同的目标血管，例如不同的冠状动脉，可以使用不同尺寸的ROI，特别是不同的扩展区间和/或不同的外部区域半径。
在一般示例中，外部区域半径可以大约等于或基本上等于目标血管半径加上4到10毫米(特别是5毫米)，例如在6到12毫米的间隔内(例如对于2到3毫米的血管直径)。扩展区间的长度可以例如在几十毫米的范围内。
目标血管优选是冠状动脉。在实施例中，至少一个目标血管选自包括右冠状动脉(RCA)、左动脉下降(LAD)、回旋动脉(CX)以及中间支(RIM)的组。下面将关于具体实施例来给出关于这些目标血管的扩展区间的位置和长度的具体示例。
优选地，至少扩展区间、优选地还有区域半径以患者特定方式来限定，扩展区间限定了感兴趣区域的中心线的一部分，该扩展区间沿着中心线扩展，使得特别是可以考虑患者的不同心脏尺寸并且结果呈现出改进的可比性。
在一个特别有利的实施例中，扩展区间和/或外部区域半径通过将预定的固定基值乘以患者特定的缩放因子来限定。在本发明的过程中已发现，可以通过使用确定的缩放因子来考虑不同的患者解剖结构、特别是不同的心脏尺寸，缩放因子具体地由患者确定、特别是也从CT数据集中确定。在具体的实施例中，缩放因子可以根据患者的心脏尺寸、特别是根据CT数据集和/或作为与参考患者群体的平均心脏尺寸的偏差来确定，其中一个或多个基值分别对应于平均心脏尺寸。因此，缩放因子在明确限定的客观测量中被确定，使得甚至可以对与具有不同心脏尺寸的患者有关的结果进行比较。这也可能影响该领域的临床学习和研究，从而改进质量和可靠性。
例如，缩放因子可以被确定为心脏、特别是心脏的最长主轴的绝对或相对扩展，和/或被确定为至少一个目标血管、特别是右冠状动脉(arteria coronaria dextra)的中心线的开始和结束的绝对或相对线性距离。例如，在相对扩展的情况下，缩放因子可以被限定为特定患者心脏的最长主轴与参考患者(患者队列)群体内的中位值之间的比率。很好地近似心脏尺寸的另一选项是，使用某个血管(优选是RCA)的所检测的第一(最近端)和最后(最远端)中心线点之间的距离。后一变型不是优选的，因为最后的可检测点可能与图像质量和/或所使用的中心线算法相关。但是，特别是如果可以根据CT数据集进行自动确定，则也可以使用描述心脏尺寸的其他参数。
优选地，通常，外部区域半径和扩展区间使用缩放因子来限定。关于扩展区间，虽然可以考虑缩放其长度，但是优选地，起点和终点、特别是距心门的距离或用于其限定的任何参数可以使用缩放因子来进行缩放。
在具体的实施例中，扩展区间相对于标记至少一个目标血管的起点的心门来限定，其中扩展区间始于起点并终止于终点，其中终点被限定为距起点的扩展长度或沿中心线距心门的距离，或者被限定为以心门为中心并具有所限定的圆半径的圆与中心线的交点，其中缩放因子特别适用于计算扩展长度距离，或所限定的圆半径。例如，在第一备选方案中，起点和终点均被限定为沿中心线距心门的某个距离，优选地使用缩放因子来缩放。在示例中，关于RCA，起点可以被限定为沿中心线距心门的r*10mm，并且终点可以被限定为沿中心线距心门的r*50mm，其中r是缩放因子。关于LAD和CX，可以使用r*5mm和r*45mm。
然而，优选地使用第二备选方案，其中终点根据围绕心门的圆与中心线之间的交点而被限定为例如具有40mm至60mm的半径。此处的益处是，解剖学变异(例如诸如牧羊犬弯曲)可以被自动考虑，因为例如当目标血管中具有回路时，扩展区间的长度会简单地增加，并确保任何情况下都应包括圆面积中的相关组织。
关于心门的限定，对于至少一个目标血管中的至少一个，心门可以相对于所确定的中心线的分叉和/或使用较大血管的至少基本圆柱形体积模型来限定，目标血管从较大血管、特别是主动脉上分支。在许多情况下，主动脉被建模为圆柱形，即具有一定体积的模型。在这种情况下，例如，对于RCA作为目标血管，心门可以被限定为中心线与圆柱形体积模型相交或从圆柱形体积型开始的位置。但是，在其他情况下，例如对于其中中心线分叉的LAD和/或CX的情况，则心门可以被限定为距分叉下游0.5mm，或分叉下游中心线具有到另一中心线的限定距离(例如，0.5mm)的部位。关于LAD和CX的分叉，二者通常都用作目标血管。
在实施例中，至少一个目标血管的内壁可以在CT数据集中进行分割，其中感兴趣区域的内部区域边界被限定为相应的内壁位置。在该情况下，目标血管的管腔被排除在感兴趣区域之外，而血管壁被明确地包括，并且具有上述优点。然而，特别是如果在至少一个定量值的确定中仅包括某些HU范围，则在任何情况下都不必排除管腔，因为携带造影剂的血液通常具有独特的HU范围。关于血管壁的内壁的自动分割，即，管腔的边界，可以采用本领域中已知的分割算法。例如，可以使用Lugauer等人在“Precise Lumen Segmentation inCoronary Computed Tomography Angiography”,DOI:10.1007/978-3-319-13972-2_13,September 2014中提出的算法。
在有利的实施例中，外部区域半径可以被限定为朝向感兴趣区域的远端减小。例如，关于中心线的感兴趣圆锥形区域可以使用沿中心线线性减小的外部区域半径来限定。以这种方式，可以考虑血管通常在下游变小的事实。
特别是对于沿中心线的感兴趣区域的层，与脂肪组织和/或水有关的至少一个射线密度或由其导出的值可以被计算，作为定量值。例如，以上引用的Antonopoulos提出的计算可以被执行。
然而，在优选实施例中，备选地或附加地，至少一个放射组学算法被用于将特别是多个定量值计算为特别是特征向量。以该方式，血管周围组织的放射组学特征可以使用本领域已知的算法，例如从PyRadiomics开源库中提取。有关放射组学的更多信息，请参阅P.Lambin et al.,“Radiomics:Extracting more information from medical imagesusing advanced feature analysis”,European Journal of Cancer 48(4),2012,pages441-446。使用放射组学不仅可以选择比例如FAI更合适的特征，而且还允许将不同的特征、即不同的定量值进行组合。提取大量特征允许进行进一步的研究，并且也可以提高临床风险评估程序的稳定性和对临床结果的预测。
在有利的实施例中，用于检测冠状区域中的至少一个解剖学异常的至少一个异常检测算法可以被应用于CT数据集，其中如果检测到解剖学异常，则根据与所检测的解剖学异常相关联的至少一个修改指令来修改感兴趣区域的限定，和/或如果所检测的异常涉及至少一个预定附加血管的存在，则附加血管被添加作为附加目标血管。例如，如果所检测的解剖学异常涉及在至少一个目标血管中的至少一个中存在回路，特别是存在牧羊犬弯曲，则受影响的目标血管的扩展区间的长度被延长。在上述RCA示例中，其中当未检测到异常时，扩展区间的终点被限定为距心门的r*50mm，该距离可以增加到例如r*70mm，甚至更大。以类似的方式，其他环路可以进行处理。然而，要注意的是，在优选的实施例中，使用围绕心门的圆来找到与心门具有至少一定绝对距离的近端中心线点作为终点，这样的关于回路的单独处理不是必需的。
关于附加血管，附加血管可以是中间支(RIM)。在某些情况下，解剖结构不仅示出了进入LAD和CX的分叉，而且示出了另外的分叉甚至是三叉，使得存在第三冠状动脉(即，中间支)，第三冠状动脉可以被有利地添加为附加目标血管，使得所有相关的血管周围组织都被检查。
异常的其他示例包括高起(high take-off)，其中冠状动脉心门的位置比主动脉窦管结高5mm或更多。由于该异常可能已与中心线检测相关，因此对应的异常检测算法可以在确定中心线之前被执行。此外，心肌桥接(即，穿过心肌而不是穿过心外膜脂肪的冠状动脉)可以通过例如心肌分割来确定，使得桥接部分可以例如被排除在感兴趣区域之外。
在具体实施例中，异常检测算法可以分析至少一个目标血管中的至少一个的至少一个中心线的路线和/或包括至少一个目标血管中的至少一个的中心线的中心线树的结构。通过分析中心线的路线，回路(例如，牧羊犬弯曲)可以被检测，而通过分析血管树的结构，附加血管可以被检测。至少一个异常检测算法还可以包括已通过机器学习、特别是深度学习进行过训练的至少一个人工智能分类算法、特别是神经网络。具体地，神经网络可以是深度神经网络、卷积神经网络、卷积深度神经网络或图卷积神经网络。此外，神经网络可以是对抗网络、深度对抗网络和/或生成性对抗网络。在待检测的解剖学异常更为复杂的情况下，这是有利的。用于训练人工智能训练算法的训练数据可以包括其他患者的经标注的CT数据集，其中特别地，至少标记存在或不存在解剖学异常。
在优选实施例中，在限定感兴趣区域之后，可以显示允许修改用户输入的用户界面，并且如果接收到修改用户输入，则感兴趣区域可以根据所接收的修改用户输入来修改。诸如监视器的显示器以及诸如键盘和/或鼠标的输入设备可以被使用。以这种方式，例如在无支撑的解剖学变异的情况下，可以考虑感兴趣区域的自动限定、特别是起点和终点的限定和/或内壁的分割的限定不完全合适的情况。在进一步评估之前，用户被使得能够调整感兴趣区域，例如，扩展区间的起点和终点。优选地，调整可以在CT数据集的描绘和/或从分割中获取的血管树的示意图中执行。
如已讨论的，定量值可以具体由用户进一步评估，以用于诊断，特别是用于诊断血管周围组织中的炎症。
在另一实施例中，冠状病变检测算法可以评估CT数据集，其中至少一个附加感兴趣区域可以被限定为跨越所检测的冠状病变。以这种方式，分析不限于目标血管、特别是主冠状动脉的近端区段，而是可以针对所检测的冠状病变来执行、特别是针对那些病变中的每一个病变来单独执行。然而，在多个病变的情况下，优选地，至少一个定量值还可以附加地对所有病变累加和/或平均。例如，所累加的FAI可以通过对所有病变求和来计算。
本发明还涉及评估设备，评估设备包括至少一个处理器和至少一个存储装置并且被配置为执行根据本发明的方法的步骤。关于根据本发明的方法的所有评论和优点也适用于评估设备，反之亦然。
具体地，评估设备可以包括用于接收CT数据集的第一接口、用于确定中心线的确定单元、用于限定感兴趣区域的限定单元以及用于根据感兴趣区域中的CT数据来计算至少一个定量值的计算单元。关于上述实施例的其他功能单元也是可预期的。评估设备可以进一步包括用于输出至少一个定量值的第二接口。
评估设备可以形成CT设备的一部分，特别是作为CT设备的控制设备或作为CT设备的控制设备的一部分。
根据本发明的计算机程序可以被加载到评估设备的存储装置中，并且包括当计算机程序在评估设备上执行时，执行根据本发明的方法的步骤的程序装置。计算机程序可以被存储在根据本发明的电子可读存储介质上，在电子可读存储介质上存储了至少包括根据本发明的计算机程序的控制信息。控制信息被配置为使得在评估设备中使用电子可读存储介质允许评估设备执行根据本发明的方法的步骤。电子可读存储介质优选地是诸如CD ROM的非暂时性存储介质。
附图说明
根据结合附图考虑的以下详细描述，本发明的其他目的和特征将变得显而易见。然而，附图仅是原理示意图，仅出于例示的目的而设计，并且不限制本发明。附图示出了：
图1是根据本发明的方法的实施例的流程图，
图2是目标血管的示意性弯曲平面重建图像，
图3是目标血管的示意性多平面重建图像，
图4是示出了限定扩展区间的终点的备选选项的示意图，
图5是CT设备的原理图，
图6是根据本发明的评估设备的功能结构。
具体实施方式
图1是根据本发明的方法的实施例的流程图。在该方法中，包括患者心脏的成像区域的CT数据集被评估，以导出有关血管周围组织的定量值。这些定量值在通过方法提供之后，可以进一步被特别是医师和/或参照CVD评估。
在步骤S1中，在施用造影剂之后，使用CT设备和CCTA作为成像方法来获取CT数据集，并将其提供给评估设备，评估设备也可以是CT设备的一部分或在CT设备外部，例如作为工作站或作为工作站的一部分。
在步骤S2中，可以被实现为单个普通冠状动脉分割算法的中心线提取算法和/或内壁分割算法被应用于CT数据集，以导出至少包括RCA、LAD和CX的冠状动脉中心线，并且如果存在RIM，附加地包括RIM，并且可选地包括内壁(即，管腔边缘)。由于使用了造影剂，因此该过程可以稳定地执行。例如，以上引用的Zheng等人和Lugauer等人在论文中描述的算法可以被使用。中心线例如可以被确定为至少一个中心线树，至少一个中心线树各自具有至少一个中心线并且源自主动脉的体积模型。内壁被限定为相对于血管壁界定血管管腔，血管壁还具有不能自动地、即通过算法从CT数据集中清楚辨别的外壁。
附加地，在步骤S2中，患者心脏的尺寸被测量来导出缩放因子以供以后使用。例如，心脏的最长主轴被测量，或者RCA中心线的第一和最后的可确定点可以被用于计算这些点之间的直接线性距离。缩放因子然后被计算为相对于大量参考患者的平均值的心脏尺寸。
在冠状动脉中，至少RCA、LAD和CX是预定的目标血管，其血管周围组织将被自动检查。
在可选步骤S3中，冠状血管的解剖学异常可以使用异常检测算法来检测，异常检测算法可以评估在步骤S2中确定的目标血管的中心线和/或整个CT数据集。例如，回路(例如，RCA的牧羊犬弯曲)的存在可以通过分析中心线的路线来检测。附加血管(例如，RIM)可以通过分析血管树来检测。异常检测算法可以采用人工智能，人工智能例如包括神经网络。
在可选步骤S4中，检查在步骤S3中是否已检测到相关的解剖学异常。如果是，则在可选步骤S5中，在随后的步骤中用于限定感兴趣区域的参数可以被调整，例如，感兴趣区域沿中心线的扩展区间的长度可能由于回路而增加。具体地，例如，在检测到RIM的情况下，附加目标血管可以在步骤S5中被添加。
在步骤S6中，沿中心线限定扩展区间的起点和终点根据目标血管特定规则，针对每个目标血管来确定。
在该示例性实施例中，对于RCA，心门被限定为RCA的中心线与主动脉的圆柱形体积模型的壁相交或开始的位置。从该心门点开始，起点被限定为沿中心线位于r*10mm处，终点被限定为沿中心线位于r*50mm处，都是从心门开始限定的。r是在步骤S3中确定的缩放因子，使得10mm和50mm的基值对应于参考患者群体的平均心脏尺寸。
对于LAD和CX，如果还存在RIM，则心门点被限定为第一近端点，其中中心线与在分叉处分支的另一中心线相距至少0.5mm。从该心门点开始，起点被限定为沿中心线位于r*5mm处，并且终点被限定为沿中心线位于r*45mm处。
如果在步骤S3中已检测到回路，则10mm、50mm、5mm和45mm的基值可以被修改，或者针对端点的确定规则可以被修改，例如沿中心线与心门点相距某个直接线性距离(例如，50mm)的第一点(即，近端点)可以被修改。换言之，终点可以被选择为围绕心门点的具有某个圆半径(被确定为基值乘以缩放参数)的圆与中心线相交处的(最近端)点。
注意，在这一点上，在优选实施例中，根据以心门点为中心的圆来限定终点被用作唯一的变型，因为它导致对期望的血管周围区域的分析，而与回路或其他路线异常的存在无关，这使得这些异常也可以在可选步骤S3中被检测。
在可选步骤S7中，该步骤可能已被包括在步骤S2中，如上所述，管腔并因此的每个目标血管的内壁被分割。在步骤S6中限定的扩展区间中沿中心线的内壁位置用于限定待限定的感兴趣区域的内部区域边界。
在步骤S8中，待限定的感兴趣区域的外部区域半径被确定。在这种情况下，血管壁的外壁不用作参考，而是使用围绕中心线的固定半径(关于周向方向)。外部区域半径沿扩展区间可以是恒定的，例如对于RCA被选择为r*10mm，对于LAD/CX/RIM被选择为r*9mm，即，基值乘以如步骤S2中所确定的缩放因子。然而，基值也可以沿扩展区间变化，使得例如限定关于中心线的圆锥形感兴趣区域，其中外部区域半径沿远端方向减小。
通过扩展区间，(可选的)内部区域边界和外部区域半径、针对每个目标血管的感兴趣区域可以被清晰而明确地限定。
图2和图3分别示出了目标血管3以及所限定的感兴趣区域4的示意性CPR 1和示意性MPR 2。在该实施例中，中心线5和内壁6在步骤S2中被确定，其中内壁6限定了感兴趣区域4的内部边界。起点7和终点8在步骤S6中被限定。从图3具体可以看出，与内壁6相比，外边界使用围绕中心线5的固定外部区域半径9。仅目标血管3的管腔被排除在感兴趣区域4之外，因为血管壁组织中钙化等的HU值通常位于以下评估的相关HU范围(例如，脂肪组织的HU范围)之外。
图4图示了使用圆10来限定扩展区间的终点8。主动脉的圆柱形体积模型11被指示。RCA 12(及其中心线5)开始于心门点13，心门点13也是具有圆半径14的圆10的中心。终点8是圆10与中心线5之间的最近端交点。可以看出，诸如所示的牧羊犬弯曲15的回路不会影响对血管周围组织到心门的距离的分析。指示了RCA 12的备选路线16，以进行比较。
返回图1，在步骤S9中，根据每个目标血管3的感兴趣区域4中的血管周围组织的CT数据来计算至少一个定量值。尽管定量值可以是例如FAI，但是优选在每个感兴趣区域4中应用至少一种放射组学算法。放射组学算法产生特征向量。
图5示出了CT设备17的原理图。CT设备17包括患者台18，患者19可以被放置在患者台18上。在机架20中，包括X射线源21和X射线检测器22的获取装置被可旋转地安装。患者19可以被放置在患者孔24内部，在这种情况下用于获取CCTA数据。
CT设备17还包括具有获取单元26的控制设备25，控制设备用于控制CT数据、特别是步骤S1的CT数据集的获取。作为控制设备25的一部分，提供了评估设备27来执行根据本发明的方法的步骤。
在图6中更详细地示出了评估设备27的功能结构。评估设备27包括用于接收CT数据集的第一接口28和用于将定量值提供给例如显示器和/或在内部存储装置30之外的外部存储装置的第二接口29。
在确定单元31中，中心线5和内壁6以及心脏尺寸根据步骤S2被确定。可选的异常检测单元32可以被提供来执行异常检测算法(步骤S3)以及步骤S4、S5。评估设备27还包括用于根据步骤S6至S8来限定感兴趣区域的限定单元33以及用于根据步骤S9而从感兴趣区域中的CT数据来计算至少一个定量值的计算单元34。所有功能单元31至34可以在评估设备27的至少一个处理器(未示出)上实现，和/或作为根据本发明的计算机程序的计算机程序装置。
尽管已参考优选实施例详细地描述了本发明，但是本发明不限于所公开的示例，本领域技术人员能够在不脱离本发明的范围的情况下，从所公开的示例中导出其他变型。
Claims (19)
1.一种用于评估患者(19)的冠状区域的CT数据集的计算机实现的方法，所述冠状区域与至少一个目标血管(3)的血管周围组织有关，所述方法包括自动地：
-在所述CT数据集中确定所述至少一个目标血管(3)的中心线(5)，
-将感兴趣区域(4)限定为具有至少一个限定的外部区域半径(9)，所述至少一个限定的外部区域半径(9)围绕所述中心线(5)的扩展区间，所述外部区域半径(9)大于所述目标血管(3)的半径，其中所述至少一个目标血管(3)的内壁(6)在所述CT数据集中被分割，其中所述感兴趣区域(4)的内边界被限定为相应的所述内壁的位置，
-从所述CT数据来计算所述感兴趣区域(4)中的至少一个定量值。
2.根据权利要求1所述的方法，其特征在于，所述至少一个目标血管(3)包括至少一个冠状动脉。
3.根据权利要求1所述的方法，其特征在于，所述扩展区间是患者特定的。
4.根据权利要求1所述的方法，其特征在于，所述感兴趣区域(4)被限定为包括血管壁。
5.根据权利要求1所述的方法，其特征在于，通过将预定且固定的基值乘以患者特定的缩放因子来限定所述扩展区间和/或所述外部区域半径(9)。
6.根据权利要求5所述的方法，其特征在于，所述缩放因子根据所述患者(19)的心脏尺寸被确定，和/或所述缩放因子被确定为与参考患者群体的平均心脏尺寸的偏差，其中所述基值对应于所述平均心脏尺寸。
7.根据权利要求6所述的方法，其特征在于，所述缩放因子根据来自所述CT数据集的所述患者(19)的心脏尺寸被确定。
8.根据权利要求6所述的方法，其特征在于，所述缩放因子被确定为所述心脏的绝对或相对扩展，和/或所述缩放因子被确定为所述至少一个目标血管(3)中的至少一个目标血管的所述中心线(5)的开始和结束的绝对或相对线性距离。
9.根据权利要求8所述的方法，其特征在于，所述缩放因子被确定为所述心脏的最长主轴的绝对或相对扩展，和/或所述缩放因子被确定为右冠状动脉(12)的所述中心线(5)的开始和结束的绝对或相对线性距离。
10.根据权利要求1至9中任一项所述的方法，其特征在于，所述扩展区间相对于心门(13)被限定，所述心门(13)标记所述至少一个目标血管(3)的开始，其中所述扩展区间在起点(7)处开始并且在终点(8)处结束，其中所述终点(8)被限定为沿所述中心线(5)、距所述心门(13)或距所述起点(7)为扩展长度或距离，或者所述终点被限定为以所述心门(13)为中心并具有所限定的圆半径(14)的圆(10)与中心线(5)的交点。
11.根据权利要求10所述的方法，其特征在于，缩放因子被用于计算所限定的长度或所限定的圆半径(14)。
12.根据权利要求10所述的方法，其特征在于，针对所述至少一个血管(3)中的至少一个血管，所述心门(13)相对于所确定的中心线(5)的分叉和/或使用至少是较大血管的基本圆柱形体积模型(11)被限定，所述目标血管(3)是从所述较大血管分支出的血管。
13.根据权利要求12所述的方法，其中特征在于，所述较大血管是主动脉。
14.根据权利要求1至9中任一项所述的方法，其特征在于，所述外部区域半径(9)被限定为朝向所述感兴趣区域(4)的远端逐渐减小。
15.根据权利要求1至9中任一项所述的方法，其特征在于，针对所述感兴趣区域(4)沿所述中心线(5)的层，计算与脂肪组织和/或水有关的至少一个辐射密度或由与脂肪组织和/或水有关的至少一个辐射密度得出的值，作为所述定量值。
16.根据权利要求1至9中任一项所述的方法，其特征在于，至少一个放射组学算法用于计算多个的定量值作为特征向量。
17.根据权利要求1至9中任一项所述的方法，其特征在于，用于检测所述冠状区域中的至少一个解剖学异常的至少一个异常检测算法被应用于所述CT数据集，其中如果检测到解剖学异常，则所述感兴趣区域(4)的所述限定根据与所检测到的所述解剖学异常相关联的至少一个修改指令而被修改，和/或如果所检测到的所述异常涉及至少一个预定的附加血管的存在，则所述附加血管被添加作为附加目标血管(3)。
18.一种评估设备(27)，包括至少一个处理器和至少一个存储装置(30)，并且被配置为执行根据权利要求1至17中任一项所述的方法的步骤。
19.一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，所述计算机程序如果在评估设备(27)上被执行，则所述计算机程序执行根据权利要求1至17中任一项所述的方法的步骤。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| EP19212263.8 | 2019-11-28 | ||
| EP19212263.8A EP3828817B1 (en) | 2019-11-28 | 2019-11-28 | Computer-implemented method for evaluating a ct data set regarding perivascular tissue, evaluation device, computer program and electronically readable storage medium |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112967220A CN112967220A (zh) | 2021-06-15 |
| CN112967220B true CN112967220B (zh) | 2024-05-14 |
Family
ID=68732737
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011364498.1A Active CN112967220B (zh) | 2019-11-28 | 2020-11-27 | 评估与血管周围组织有关的ct数据集的计算机实现的方法 |
Country Status (3)
| Country | Link |
|---|---|
| US (2) | US11803966B2 (zh) |
| EP (2) | EP4276751A3 (zh) |
| CN (1) | CN112967220B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB2577349B (en) * | 2018-09-18 | 2023-06-14 | Univ Oxford Innovation Ltd | Radiomic signature of adipose |
| GB201820044D0 (en) * | 2018-10-29 | 2019-01-23 | Univ Oxford Innovation Ltd | Radiomic signature of an epicardial region |
| JP7532402B2 (ja) | 2019-04-01 | 2024-08-13 | キャスワークス リミテッド | 血管造影画像選択のための方法および装置 |
| US12039685B2 (en) | 2019-09-23 | 2024-07-16 | Cathworks Ltd. | Methods, apparatus, and system for synchronization between a three-dimensional vascular model and an imaging device |
| EP3913638A1 (en) * | 2020-09-30 | 2021-11-24 | Siemens Healthcare GmbH | Method and data processing system for providing radiomics-related information |
| CN113744223A (zh) * | 2021-08-26 | 2021-12-03 | 联影智能医疗科技(北京)有限公司 | 血管的风险评估方法、计算机设备和存储介质 |
| CN113763403B (zh) * | 2021-09-07 | 2024-03-08 | 北京深睿博联科技有限责任公司 | 一种冠状动脉血管分割方法及装置 |
| EP4156020A1 (en) * | 2021-09-22 | 2023-03-29 | Siemens Healthcare GmbH | Computer-implemented method for evaluating a three-dimensional angiography dataset, evaluation system, computer program and electronically readable storage medium |
| CN115240429B (zh) * | 2022-08-11 | 2023-02-14 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种人车流量统计方法、电子设备及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109829878A (zh) * | 2017-11-22 | 2019-05-31 | 西门子保健有限责任公司 | 用于评估血液动力学参数的方法和系统 |
| CN110428420A (zh) * | 2018-09-05 | 2019-11-08 | 深圳科亚医疗科技有限公司 | 基于患者的冠状动脉ct血管造影图像来确定冠状动脉的流动信息的方法、装置和介质 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8526699B2 (en) * | 2010-03-12 | 2013-09-03 | Siemens Aktiengesellschaft | Method and system for automatic detection and classification of coronary stenoses in cardiac CT volumes |
| US8315812B2 (en) * | 2010-08-12 | 2012-11-20 | Heartflow, Inc. | Method and system for patient-specific modeling of blood flow |
| CN106537392B (zh) | 2014-04-22 | 2019-07-26 | 西门子保健有限责任公司 | 用于冠状动脉中的血液动力学计算的方法和系统 |
| GB201414496D0 (en) | 2014-08-15 | 2014-10-01 | Isis Innovation | Method |
| CN109843161B (zh) * | 2016-09-30 | 2022-07-12 | 皇家飞利浦有限公司 | 用于确定针对狭窄评估的功能指数的装置 |
| WO2018078395A1 (en) * | 2016-10-31 | 2018-05-03 | Oxford University Innovation Limited | Method |
| US11471063B2 (en) * | 2016-11-10 | 2022-10-18 | Auburn University | Information processing method, device, and system for evaluating blood vessels |
| EP4445835A2 (en) | 2017-02-24 | 2024-10-16 | HeartFlow, Inc. | Systems and methods for identifying anatomically relevant blood flow characteristics in a patient |
| WO2018172990A1 (en) * | 2017-03-24 | 2018-09-27 | Pie Medical Imaging B.V. | Method and system for assessing vessel obstruction based on machine learning |
| US10699407B2 (en) * | 2018-04-11 | 2020-06-30 | Pie Medical Imaging B.V. | Method and system for assessing vessel obstruction based on machine learning |
-
2019
- 2019-11-28 EP EP23192012.5A patent/EP4276751A3/en active Pending
- 2019-11-28 EP EP19212263.8A patent/EP3828817B1/en active Active
-
2020
- 2020-11-11 US US17/095,057 patent/US11803966B2/en active Active
- 2020-11-27 CN CN202011364498.1A patent/CN112967220B/zh active Active
-
2023
- 2023-08-04 US US18/365,507 patent/US20230386037A1/en active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109829878A (zh) * | 2017-11-22 | 2019-05-31 | 西门子保健有限责任公司 | 用于评估血液动力学参数的方法和系统 |
| CN110428420A (zh) * | 2018-09-05 | 2019-11-08 | 深圳科亚医疗科技有限公司 | 基于患者的冠状动脉ct血管造影图像来确定冠状动脉的流动信息的方法、装置和介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| EP3828817A1 (en) | 2021-06-02 |
| US20230386037A1 (en) | 2023-11-30 |
| EP3828817B1 (en) | 2023-08-23 |
| US11803966B2 (en) | 2023-10-31 |
| EP3828817C0 (en) | 2023-08-23 |
| EP4276751A2 (en) | 2023-11-15 |
| CN112967220A (zh) | 2021-06-15 |
| US20210166389A1 (en) | 2021-06-03 |
| EP4276751A3 (en) | 2024-01-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112967220B (zh) | 评估与血管周围组织有关的ct数据集的计算机实现的方法 | |
| EP2849631B1 (en) | Determination of a fractional flow reserve (ffr) value for a stenosis of a vessel | |
| JP6667999B2 (ja) | 画像処理装置、画像処理方法、及びプログラム | |
| CN113614845A (zh) | 动脉成像与评定系统和方法以及相关的基于用户界面的工作流程 | |
| JP6484760B2 (ja) | 非侵襲的血流予備量比（ｆｆｒ）に対する側副血流モデル化 | |
| CN110944586B (zh) | 来自x射线图像数据的炎症估计 | |
| JP2017500179A (ja) | 狭窄マッピングによって狭窄重症度を評価するための方法 | |
| JP2013059620A (ja) | 血管狭窄の視覚化及びナビゲーションのシステム及び方法 | |
| CN110612063B (zh) | 标准化冠状动脉疾病度量 | |
| CN109688908B (zh) | 用于确定血流储备分数的装置和方法 | |
| US20220319004A1 (en) | Automatic vessel analysis from 2d images | |
| US20230172451A1 (en) | Medical image visualization apparatus and method for diagnosis of aorta | |
| EP3602485B1 (en) | Interaction monitoring of non-invasive imaging based ffr | |
| JP6981807B2 (ja) | 医用情報処理装置、ｘ線ｃｔ装置、医用情報処理プログラム、医用情報処理方法及び医用情報処理システム | |
| CN118339581A (zh) | 一种用于分析受试者的血管的方法和处理器 | |
| US20240197405A1 (en) | Determining end point locations for a stent | |
| EP4449993A1 (en) | Determining a status of vascular disease | |
| EP4224416A1 (en) | Identifying angiographic images for vessel assessment | |
| WO2024175415A1 (en) | Determining a status of vascular disease | |
| WO2024170357A1 (en) | Systems and methods for invasive diagnostic planning | |
| KR20240057147A (ko) | 기계 학습 모델에 기초하여 혈관을 분석하는 방법 및 장치 | |
| CN113313687A (zh) | 一种基于能谱ct的钙化分数计算的方法和装置 | |
| IL269223B2 (en) | Automatic analysis of information from images to determine ffr |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240903 Address after: German Phu F Haim Patentee after: Siemens Medical AG Country or region after: Germany Address before: Erlangen Patentee before: Siemens Healthineers AG Country or region before: Germany |
|
| TR01 | Transfer of patent right |