CN113077432B - 基于冠状动脉cta图像粥样硬化斑块综合特征的患者危险度分级系统 - Google Patents
基于冠状动脉cta图像粥样硬化斑块综合特征的患者危险度分级系统 Download PDFInfo
- Publication number
- CN113077432B CN113077432B CN202110342368.6A CN202110342368A CN113077432B CN 113077432 B CN113077432 B CN 113077432B CN 202110342368 A CN202110342368 A CN 202110342368A CN 113077432 B CN113077432 B CN 113077432B
- Authority
- CN
- China
- Prior art keywords
- plaque
- weight coefficient
- weight
- risk
- coronary artery
- 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
- 210000004351 coronary vessel Anatomy 0.000 title claims abstract description 43
- 201000001320 Atherosclerosis Diseases 0.000 title claims abstract description 22
- 230000010354 integration Effects 0.000 claims abstract description 17
- 208000031481 Pathologic Constriction Diseases 0.000 claims description 40
- 208000037804 stenosis Diseases 0.000 claims description 40
- 230000036262 stenosis Effects 0.000 claims description 40
- 208000037260 Atherosclerotic Plaque Diseases 0.000 claims description 15
- 208000024891 symptom Diseases 0.000 claims description 7
- 230000002308 calcification Effects 0.000 claims description 6
- 238000007500 overflow downdraw method Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims 2
- 238000003786 synthesis reaction Methods 0.000 claims 2
- 238000000034 method Methods 0.000 abstract description 5
- 230000002349 favourable effect Effects 0.000 abstract description 2
- 230000004927 fusion Effects 0.000 abstract description 2
- 230000004083 survival effect Effects 0.000 description 9
- 230000007211 cardiovascular event Effects 0.000 description 8
- 238000013517 stratification Methods 0.000 description 5
- 235000009421 Myristica fragrans Nutrition 0.000 description 4
- 208000029078 coronary artery disease Diseases 0.000 description 4
- 239000001115 mace Substances 0.000 description 4
- 230000003211 malignant effect Effects 0.000 description 4
- 206010028980 Neoplasm Diseases 0.000 description 3
- 230000002411 adverse Effects 0.000 description 3
- 201000011510 cancer Diseases 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 230000036210 malignancy Effects 0.000 description 3
- 210000001367 artery Anatomy 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 201000000057 Coronary Stenosis Diseases 0.000 description 1
- 206010011089 Coronary artery stenosis Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000003143 atherosclerotic effect Effects 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000002586 coronary angiography Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005194 fractionation Methods 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 125000003473 lipid group Chemical group 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000002966 stenotic effect Effects 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- G—PHYSICS
- 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
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- Radiology & Medical Imaging (AREA)
- Primary Health Care (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种基于冠状动脉CTA图像粥样硬化斑块综合特征的患者危险度分级系统，危险度分级系统依据CTA图像上粥样硬化斑块的综合特征进行权重积分，利用综合权重系数实现了对复杂斑块特征的有效融合，充分利用了CTA图像中的斑块特征信息，提高了CAD患者危险度分级的准确度。本发明的分级流程快捷、简便，有利于临床广泛普及使用。
Description
技术领域
本发明涉及冠状动脉粥样硬化性心脏病患者危险度分级及辅助临床个体化治疗领域，具体涉及一种根据提取自冠状动脉CTA图像上粥样硬化斑块的特征进行综合权重，并利用权重积分结果对患者进行精准危险度分级的系统。
背景技术
无创的冠状动脉CTA检查能提供多样的冠状动脉解剖学测量信息，对狭窄性冠状动脉疾病(coronary artery disease,CAD)的检出率及排除率均高于侵入性的冠状动脉造影。已有研究证实冠状动脉CTA的检查结果与患者恶性心血管事件的发生率相关，CTA图像上存在斑块的CAD患者恶性心血管事件的发生率显著高于CTA图像上不存在斑块的CAD患者，CTA图像上无阳性表现的患者恶性心血管事件的发生率最低。作为临床广泛应用的无创检查手段，最大限度的对CTA图像进行解读有利于精准医疗的实施，从而对有限的医疗资源合理再分配。
目前，CTA图像的解读主要使用标准化冠状动脉疾病报告与数据系统(CoronaryArtery Disease Reporting and Data System，CAD-RADS)，依据冠状动脉最大狭窄程度将患者由低到高分为0-5级共六个危险度等级，该系统在临床已得到普及使用。然而，CAD-RADS并未综合的体现出CTA图像上观测到的斑块特征。研究证实，与临床实际的随访结果相对照，单纯依靠CAD-RADS进行危险度分级存在过高或过低的预判，临床上迫切的需要更准确的个体化分级方法来满足精准医疗的需求。
大型队列研究证实，CTA图像上的粥样硬化斑块信息，包括斑块位置、斑块数目、以及斑块成分(非钙化斑、混合斑或钙化斑)等都与CAD患者的临床结局密切相关，但目前尚未见到将这些复杂信息融合成危险度分级体系的报道。
发明内容
本发明的目的在于提供一种基于冠状动脉CTA图像粥样硬化斑块综合特征的患者危险度分级系统，该系统根据提取自冠状动脉CTA图像上粥样硬化斑块的综合特征进行权重积分，从而对CAD患者进行更精准的危险度分级，有助于辅助临床个体化诊治。
为达到上述目的，本发明采用了以下技术方案：
一种基于冠状动脉CTA图像的患者危险度分级系统，该危险度分级系统包括斑块特征积分模块及患者危险度分级模块；所述危险度分级系统通过将冠状动脉CTA图像上粥样硬化斑块依据综合特征(通常包括多个斑块的特征信息)进行权重积分，从而对相应CAD患者的危险度进行分级，以更针对性的指导治疗及调整随访间隔时间，为CAD患者个体化诊治(例如，防治恶性心血管事件)提供依据；
所述斑块特征积分模块用于对CAD患者冠状动脉CTA图像中一个或多个(例如，冠状动脉CTA图像上可见的所有单个粥样硬化斑块)粥样硬化斑块按照斑块特征的综合权重系数进行权重积分；所述斑块特征包括斑块位置、斑块成分、管腔狭窄程度及斑块高危征象，所述综合权重系数是斑块位置、斑块成分、管腔狭窄程度及斑块高危征象的权重系数的乘积；
所述患者危险度分级模块用于依据上述CAD患者冠状动脉CTA图像的相应粥样硬化斑块的权重积分结果(CTA Based CAD Score，即总积分)，确定该患者的风险等级，所述风险等级包括低风险组(总积分＜5)、中风险组(总积分为5-10)及高风险组(总积分＞10)。
优选的，所述斑块位置的权重系数是按照Leaman score对粥样硬化斑块所处冠状动脉不同分段位置进行权重而确定的，该权重系数的取值范围为0～6。
优选的，所述斑块成分的权重系数是通过对粥样硬化斑块成分CT值测量结果的定性分类(例如，非钙化斑、钙化斑、混合斑)进行权重而确定的，该权重系数的取值范围为1～2。
优选的，所述管腔狭窄程度的权重系数是通过对粥样硬化斑块阻塞冠状动脉管腔的程度进行权重而确定的，该权重系数的取值范围为1～2。
优选的，所述斑块高危征象的权重系数是通过对无斑块高危征象或出现的特定斑块高危征象(例如，低密度斑、点状钙化斑、“餐巾环”征)进行权重而确定的，该权重系数的取值范围为1～2。
优选的，所述斑块特征积分模块采用以下公式进行权重积分：
其中，l表示斑块位置的权重系数，c表示斑块成分的权重系数，s表示管腔狭窄程度的权重系数，h表示斑块高危征象的权重系数，(li×ci×si×hi)表示冠状动脉CTA图像上第i个用于权重积分的粥样硬化斑块的斑块特征综合权重系数。
优选的，所述危险度分级系统还包括斑块特征识别模块，该模块用于分析或输入冠状动脉CTA图像粥样硬化斑块的斑块位置、斑块成分、管腔狭窄程度及斑块高危征象的权重系数。
一种冠状动脉CTA图像的斑块特征融合方法，该特征融合方法包括以下步骤：
提取冠状动脉CTA图像上粥样硬化斑块的特征，然后计算斑块特征的综合权重系数，所述斑块特征包括斑块位置、斑块成分、管腔狭窄程度及斑块高危征象，所述综合权重系数是斑块位置、斑块成分、管腔狭窄程度及斑块高危征象的权重系数的乘积。
优选的，所述特征融合方法还包括以下步骤：对一个或多个粥样硬化斑块按照斑块特征的综合权重系数进行权重积分。
本发明的有益效果体现在：
本发明提出的危险度分级系统依据CTA图像上粥样硬化斑块的综合特征进行权重积分，利用综合权重系数实现了对复杂斑块特征的有效融合，充分利用了CTA图像中的斑块特征信息，提高了CAD患者危险度分级的准确度。与CAD-RADS相比，本发明得到的危险度分级可获得更好的患者区分度及最佳重分类改善指数(Net Reclassification Index，NRI)，提高了CTA结果的临床应用价值。本发明的分级流程快捷、简便，有利于临床广泛普及使用。
附图说明
图1为斑块位置示意图；其中：1～17为冠状动脉分段编号。
图2为斑块成分示意图。
图3为斑块狭窄程度示意图；其中：a为狭窄段的最窄直径，b为狭窄远端的正常直径。
图4为斑块高危征象示意图。
图5为使用本发明的危险度分级系统得到的患者无事件生存率(A)及使用CAD-RADS分级得到的患者无事件生存率(B)。
具体实施方式
下面结合附图和实施例对本发明做进一步详细说明，所述实施例仅用于解释本发明，而非对本发明保护范围的限制。
本发明基于研究结果和文献回顾，将CTA源的多种粥样硬化斑块特征(斑块位置、斑块成分、管腔狭窄程度及斑块高危征象)通过权重积分进行融合，并依据所得总积分对CAD患者进行更加精准、精细化的危险度分级，可以为临床CAD患者个体化诊治提供依据。
(一)冠状动脉CTA图像上粥样硬化斑块信息的综合权重积分
斑块位置权重系数的确定：依据美国心脏病协会17段分段法对斑块位置进行描述(图1)，同时使用Leaman score对斑块位置进行权重，详见表1。
表1.斑块位置权重系数
斑块成分权重系数的确定：依据测得的斑块成分CT值进行定性(图2)，依据定性结果将斑块分类并进行权重；其中，CT值＞130HU定义为钙化斑，权重系数为1.1；CT值≤130HU定义为非钙化斑，权重系数为1.2；存在钙化斑及非钙化斑两种成分定义为混合斑，权重系数为1.3，详见表2。
表2.斑块成分权重系数
管腔狭窄程度权重系数的确定：依据斑块在长轴图像上对管腔的阻塞程度进行判断(图3)，并按照阻塞程度不同进行权重；其中，轻度狭窄定义为狭窄程度1％-49％，权重系数为1.0；中度狭窄定义为狭窄程度50％-69％，权重系数为1.4；重度狭窄定义为狭窄程度70％-100％或者左冠状动脉主干狭窄程度≥50％，权重系数为1.5，详见表3。
表3.管腔狭窄程度权重系数
高危斑块征象权重系数的确定：依据高危斑块征象出现与否以及出现特定的高危斑块征象进行权重(图4)；其中，无高危斑块特征出现，权重系数为1.0；低密度斑块表现为非钙化斑块且斑块成分CT值≤30HU，权重系数为1.4；点状钙化斑表现为钙化斑最大径(长径)≤3.0mm，权重系数为1.5；“餐巾环”征表现为环状纤维帽(CT值＜130HU)环绕低密度脂质核心区(CT值≤30HU)，权重系数为1.6，详见表4。
表4.斑块高危征象权重系数
患者个体总积分(CTA Based CAD Score)的确定：
将CAD患者冠状动脉CTA图像上各粥样硬化斑块的斑块位置权重系数、斑块成分权重系数、管腔狭窄程度权重系数及高危斑块征象权重系数输入计算机，由计算机按照以下公式完成综合权重系数的权重积分，得到患者个体总积分：
其中，i代表CAD患者冠状动脉CTA图像上第i个单个粥样硬化斑块，l代表斑块位置的权重系数，c代表斑块成分的权重系数，s代表管腔狭窄程度的权重系数，h代表斑块高危征象的权重系数。
计算机依据患者个体总积分，将患者分为低风险组(＜5分)、中风险组(5-10分)或高风险组(＞10分)，各组患者5年内恶性心血管事件发病率按风险等级依次升高。
(二)CAD患者冠状动脉CTA图像积分实例
实例1
通过分析某患者CTA图像，发现该患者为右冠状动脉优势型，共有4处粥样硬化斑块。第一处斑块位于右冠状动脉近段，测得该斑块CT值为110HU，管腔狭窄程度为30％，无高危征象；第二处斑块位于前降支动脉近段，测得该斑块CT值为110HU，管腔狭窄程度为70％，呈“餐巾环”征高危征象；第三处斑块位于第一对角支，测得斑块CT值为210HU，管腔狭窄程度为50％，呈“点状钙化斑”高危征象；第四处斑块位于回旋支动脉近段，测得该斑块存在CT值为90HU及210HU两种成分，管腔狭窄程度为10％，无高危征象。
上述患者第一处斑块的位置权重系数为1.0，成分权重系数为1.2，狭窄程度权重系数为1.0，高危斑块权重系数为1.0，第一处斑块综合权重系数计1.2；第二处斑块的位置权重系数3.5，成分权重系数为1.2，狭窄程度权重系数为1.5，高危斑块权重系数为1.6，第二处斑块综合权重系数计10.08；第三处斑块的位置权重系数为1.0，成分权重系数为1.1分，狭窄程度权重系数为1.4，高危斑块权重系数为1.5，第三处斑块综合权重系数计2.31分；第四处斑块的位置权重系数为1.5，成分权重系数为1.3，狭窄程度权重系数为1.0，高危斑块权重系数为1.0，第四处斑块综合权重系数计1.95。通过权重积分得到该患者个体总积分为15.54分，为一例高风险组患者，提示未来恶性心血管事件发生率较高，需要积极的治疗和密切随访。
实例2
CTA图像显示，某患者为右冠状动脉优势型，共二处粥样硬化斑块，第一处斑块为位于右冠状动脉远段的钙化斑，管腔狭窄程度为70％，无高危征象，第二处斑块为位于第一对角支的非钙化斑，管腔狭窄程度为30％，无高危征象。
依据CAD-RADS分级，该患者最大狭窄程度为70％，分级为4级高危级。依据本发明的分级系统，该患者总积分＝1.0×1.1×1.5×1.0+1.0×1.2×1.0×1.0＝2.85，分级为低风险组。而患者五年内随访并无恶性心血管事件发生，可见本发明的危险度分级更准确。
实例3
为验证本发明的危险度分级系统的优越性，回顾性纳入2014年1月至2015年9月之间3897例行CTA检查的患者的五年随访记录进行实验。
参见图5，本组患者随访事件中位数为1442天。五年的随访结果显示，CAD-RADS 0-1级(低危组)患者的无事件生存率为97.6％，2-3级(中危组)患者的无事件生存率为70.8％，4-5分组(高危组)患者的无事件生存率为37.0％；而本发明分级系统所得低风险组(患者个体总积分＜5分)五年无事件存活率为93.4％，中风险组(患者个体总积分为5-10分)五年无事件存活率为76.5％，高风险组(患者个体总积分＞10分)五年无事件存活率为33.4％。
两种分级方式均显示，随着分组升级(危险度升高)，患者发生主要心血管不良事件(Major Adverse Cardiac Event,MACE)的可能性随时间增加。
表1.Kaplan-Meier累计概率法所得患者在不同时间点不同分级系统所得的MACE发生率
如表1所示，使用CAD-RADS分级所得低危组患者在3个月、6个月、1年、2年、3年主要不良心血管累计发生率均为0，本发明分级能更精准的为低风险组预测MACE发生率。此外，与CAD-RADS相比，本发明分级得到的中风险组患者5年累计事件发生率较低，且高风险组患者5年累计事件发生率较高，体现了本发明分级系统可更加精确的区分患者危险。
表2.单纯使用危险因素、CAD-RADS与本发明分级的预测评价
如表2所示，三种分级方式中，本发明的分级系统所得C指数最高，患者危险度分级的区分度效能最高。
表3.重分类改善指数表
如表3所示，依据是否出现MACE事件，计算本发明系统相对于CAD-RADS的重分类改善指数(net reclassification improvement,NRI)为0.210，显示出本发明分级系统更为优越的患者危险度分级能力。
总之，CAD-RADS预测患者五年无事件生存率的C指数为0.785，而本发明分级系统的C指数为0.814，同时，与CAD-RADS相比，本发明分级系统的NRI值为0.210。以上结果均证实与CAD-RADS相比，本发明的分级系统更具优越性。
Claims (5)
1.一种基于冠状动脉CTA图像的患者危险度分级系统，其特征在于：该危险度分级系统包括斑块特征积分模块及患者危险度分级模块；
所述斑块特征积分模块用于对CAD患者冠状动脉CTA图像中多个粥样硬化斑块按照斑块特征的综合权重系数进行权重积分；所述斑块特征包括斑块位置、斑块成分、管腔狭窄程度及斑块高危征象，所述综合权重系数是斑块位置、斑块成分、管腔狭窄程度及斑块高危征象的权重系数的乘积；
所述斑块特征积分模块采用以下公式对多个粥样硬化斑块按照斑块特征的综合权重系数进行权重积分：
其中，l表示斑块位置的权重系数，c表示斑块成分的权重系数，s表示管腔狭窄程度的权重系数，h表示斑块高危征象的权重系数，(li×ci×si×hi)表示冠状动脉CTA图像上第i个用于权重积分的粥样硬化斑块的斑块特征综合权重系数；
所述斑块成分的权重系数的取值范围为1～2；
所述管腔狭窄程度的权重系数的取值范围为1～2；
所述斑块位置的权重系数是按照Leaman score对粥样硬化斑块所处冠状动脉不同分段位置进行权重而确定的；该权重系数的取值范围为0～6，其中按右冠状动脉优势型将斑块位置位于冠状动脉1至17节段的权重系数依次确定为1、1、1、0.5、5、3.5、2.5、1、1、0.5、1.5、1、1、0.5、0、0.5、1，按左冠状动脉优势型将斑块位置位于冠状动脉1至17节段的权重系数依次确定为1、0、1、0、6、3.5、2.5、1、1、0.5、2.5、1、1.5、0.5、1、0、1；
所述斑块高危征象的权重系数是通过对无斑块高危征象或出现的特定斑块高危征象进行权重而确定的；该权重系数的取值范围为1～2，其中低密度斑权重系数为1.4，点状钙化斑权重系数为1.5，“餐巾环”征权重系数为1.6，无高危斑块特征出现，权重系数为1.0；
所述患者危险度分级模块用于依据斑块特征积分模块的权重积分结果，确定该患者的风险等级，所述风险等级包括权重积分结果＜5分的低风险组、权重积分结果为5-10分的中风险组及权重积分结果＞10分的高风险组。
2.根据权利要求1所述一种基于冠状动脉CTA图像的患者危险度分级系统，其特征在于：所述斑块成分的权重系数是通过对粥样硬化斑块成分CT值测量结果的定性分类进行权重而确定的。
3.根据权利要求1所述一种基于冠状动脉CTA图像的患者危险度分级系统，其特征在于：所述管腔狭窄程度的权重系数是通过对粥样硬化斑块阻塞冠状动脉管腔的程度进行权重而确定的。
4.根据权利要求1所述一种基于冠状动脉CTA图像的患者危险度分级系统，其特征在于：所述危险度分级系统还包括斑块特征识别模块，该模块用于分析或输入冠状动脉CTA图像粥样硬化斑块的斑块位置、斑块成分、管腔狭窄程度及斑块高危征象的权重系数。
5.一种冠状动脉CTA图像的斑块特征融合方法，其特征在于：该特征融合方法包括以下步骤：
提取冠状动脉CTA图像上粥样硬化斑块的特征，然后计算斑块特征的综合权重系数，所述斑块特征包括斑块位置、斑块成分、管腔狭窄程度及斑块高危征象，所述综合权重系数是斑块位置、斑块成分、管腔狭窄程度及斑块高危征象的权重系数的乘积；
采用以下公式对多个粥样硬化斑块按照斑块特征的综合权重系数进行权重积分：
其中，l表示斑块位置的权重系数，c表示斑块成分的权重系数，s表示管腔狭窄程度的权重系数，h表示斑块高危征象的权重系数，(li×ci×si×hi)表示冠状动脉CTA图像上第i个用于权重积分的粥样硬化斑块的斑块特征综合权重系数；
所述斑块成分的权重系数的取值范围为1～2；
所述管腔狭窄程度的权重系数的取值范围为1～2；
所述斑块位置的权重系数是按照Leaman score对粥样硬化斑块所处冠状动脉不同分段位置进行权重而确定的；该权重系数的取值范围为0～6，其中按右冠状动脉优势型将斑块位置位于冠状动脉1至17节段的权重系数依次确定为1、1、1、0.5、5、3.5、2.5、1、1、0.5、1.5、1、1、0.5、0、0.5、1，按左冠状动脉优势型将斑块位置位于冠状动脉1至17节段的权重系数依次确定为1、0、1、0、6、3.5、2.5、1、1、0.5、2.5、1、1.5、0.5、1、0、1；
所述斑块高危征象的权重系数是通过对无斑块高危征象或出现的特定斑块高危征象进行权重而确定的，该权重系数的取值范围为1～2，其中低密度斑权重系数为1.4，点状钙化斑权重系数为1.5，“餐巾环”征权重系数为1.6，无高危斑块特征出现，权重系数为1.0。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110342368.6A CN113077432B (zh) | 2021-03-30 | 2021-03-30 | 基于冠状动脉cta图像粥样硬化斑块综合特征的患者危险度分级系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110342368.6A CN113077432B (zh) | 2021-03-30 | 2021-03-30 | 基于冠状动脉cta图像粥样硬化斑块综合特征的患者危险度分级系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113077432A CN113077432A (zh) | 2021-07-06 |
| CN113077432B true CN113077432B (zh) | 2024-01-05 |
Family
ID=76611942
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110342368.6A Active CN113077432B (zh) | 2021-03-30 | 2021-03-30 | 基于冠状动脉cta图像粥样硬化斑块综合特征的患者危险度分级系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113077432B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117831699B (zh) * | 2023-12-27 | 2024-06-18 | 江苏瑞康成医疗科技有限公司 | 一种用于心脏影像检查的结构化报告系统 |
| CN117524487B (zh) * | 2024-01-04 | 2024-03-29 | 首都医科大学附属北京天坛医院 | 基于人工智能的动脉硬化斑块风险评估的方法及系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106372654A (zh) * | 2016-08-29 | 2017-02-01 | 滕忠照 | 一种由头颈动脉粥样硬化斑块引起的脑梗死风险的评估方法 |
| CN106447645A (zh) * | 2016-04-05 | 2017-02-22 | 天津大学 | 增强ct图像中冠脉钙化检测及量化装置和方法 |
| EP3196317A1 (en) * | 2016-01-21 | 2017-07-26 | Institut d'Investigació Biomèdica de Bellvitge (IDIBELL) | Predictive methods of atherosclerosis and stenosis |
| RU2701391C1 (ru) * | 2019-06-04 | 2019-09-26 | Государственное бюджетное учреждение здравоохранения города Москвы "Научно-исследовательский институт скорой помощи имени Н.В. Склифосовского Департамента здравоохранения г. Москвы" | Способ определения степени нестабильности атеросклеротической бляшки |
| CN110600126A (zh) * | 2019-09-19 | 2019-12-20 | 江苏大学附属医院 | 一种糖尿病足下肢动脉钙化斑块图像的辅助评价方法 |
| CN110827255A (zh) * | 2019-10-31 | 2020-02-21 | 杨本强 | 一种基于冠状动脉ct图像的斑块稳定性预测方法及系统 |
| CN111265252A (zh) * | 2020-02-25 | 2020-06-12 | 上海市同仁医院 | 一种评估动脉粥样硬化斑块稳定性的方法 |
| RU2723741C1 (ru) * | 2019-12-04 | 2020-06-17 | ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ БЮДЖЕТНОЕ УЧРЕЖДЕНИЕ "РОССИЙСКИЙ НАУЧНЫЙ ЦЕНТР РАДИОЛОГИИ И ХИРУРГИЧЕСКИХ ТЕХНОЛОГИЙ ИМЕНИ АКАДЕМИКА А.М. ГРАНОВА" МИНИСТЕРСТВА ЗДРАВООХРАНЕНИЯ РОССИЙСКОЙ ФЕДЕРАЦИИ/ФГБУ "РНЦРХТ им. академика А.М. Гранова" Минздрава России | Способ прогнозирования опасности эмбологенного разрыва нестабильной каротидной атеросклеротической бляшки |
| RU2729733C1 (ru) * | 2019-12-18 | 2020-08-11 | ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ БЮДЖЕТНОЕ УЧРЕЖДЕНИЕ "РОССИЙСКИЙ НАУЧНЫЙ ЦЕНТР РАДИОЛОГИИ И ХИРУРГИЧЕСКИХ ТЕХНОЛОГИЙ ИМЕНИ АКАДЕМИКА А.М. ГРАНОВА" МИНИСТЕРСТВА ЗДРАВООХРАНЕНИЯ РОССИЙСКОЙ ФЕДЕРАЦИИ / ФГБУ "РНЦРХТ им. академика А.М. Гранова" Минздрава России | Способ прогнозирования опасности эмбологенного разрыва каротидной атеросклеротической бляшки |
| CN111709925A (zh) * | 2020-05-26 | 2020-09-25 | 深圳科亚医疗科技有限公司 | 用于血管斑块分析的装置、系统及介质 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8867822B2 (en) * | 2011-10-14 | 2014-10-21 | Fujifilm Corporation | Model-based coronary artery calcium scoring |
| US10478130B2 (en) * | 2015-02-13 | 2019-11-19 | Siemens Healthcare Gmbh | Plaque vulnerability assessment in medical imaging |
| US9557396B2 (en) * | 2015-04-01 | 2017-01-31 | University Of Washington | Dual contrast vessel wall MRI using phase sensitive polarity maps |
-
2021
- 2021-03-30 CN CN202110342368.6A patent/CN113077432B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3196317A1 (en) * | 2016-01-21 | 2017-07-26 | Institut d'Investigació Biomèdica de Bellvitge (IDIBELL) | Predictive methods of atherosclerosis and stenosis |
| CN106447645A (zh) * | 2016-04-05 | 2017-02-22 | 天津大学 | 增强ct图像中冠脉钙化检测及量化装置和方法 |
| CN106372654A (zh) * | 2016-08-29 | 2017-02-01 | 滕忠照 | 一种由头颈动脉粥样硬化斑块引起的脑梗死风险的评估方法 |
| RU2701391C1 (ru) * | 2019-06-04 | 2019-09-26 | Государственное бюджетное учреждение здравоохранения города Москвы "Научно-исследовательский институт скорой помощи имени Н.В. Склифосовского Департамента здравоохранения г. Москвы" | Способ определения степени нестабильности атеросклеротической бляшки |
| CN110600126A (zh) * | 2019-09-19 | 2019-12-20 | 江苏大学附属医院 | 一种糖尿病足下肢动脉钙化斑块图像的辅助评价方法 |
| CN110827255A (zh) * | 2019-10-31 | 2020-02-21 | 杨本强 | 一种基于冠状动脉ct图像的斑块稳定性预测方法及系统 |
| RU2723741C1 (ru) * | 2019-12-04 | 2020-06-17 | ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ БЮДЖЕТНОЕ УЧРЕЖДЕНИЕ "РОССИЙСКИЙ НАУЧНЫЙ ЦЕНТР РАДИОЛОГИИ И ХИРУРГИЧЕСКИХ ТЕХНОЛОГИЙ ИМЕНИ АКАДЕМИКА А.М. ГРАНОВА" МИНИСТЕРСТВА ЗДРАВООХРАНЕНИЯ РОССИЙСКОЙ ФЕДЕРАЦИИ/ФГБУ "РНЦРХТ им. академика А.М. Гранова" Минздрава России | Способ прогнозирования опасности эмбологенного разрыва нестабильной каротидной атеросклеротической бляшки |
| RU2729733C1 (ru) * | 2019-12-18 | 2020-08-11 | ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ БЮДЖЕТНОЕ УЧРЕЖДЕНИЕ "РОССИЙСКИЙ НАУЧНЫЙ ЦЕНТР РАДИОЛОГИИ И ХИРУРГИЧЕСКИХ ТЕХНОЛОГИЙ ИМЕНИ АКАДЕМИКА А.М. ГРАНОВА" МИНИСТЕРСТВА ЗДРАВООХРАНЕНИЯ РОССИЙСКОЙ ФЕДЕРАЦИИ / ФГБУ "РНЦРХТ им. академика А.М. Гранова" Минздрава России | Способ прогнозирования опасности эмбологенного разрыва каротидной атеросклеротической бляшки |
| CN111265252A (zh) * | 2020-02-25 | 2020-06-12 | 上海市同仁医院 | 一种评估动脉粥样硬化斑块稳定性的方法 |
| CN111709925A (zh) * | 2020-05-26 | 2020-09-25 | 深圳科亚医疗科技有限公司 | 用于血管斑块分析的装置、系统及介质 |
Non-Patent Citations (4)
| Title |
|---|
| Detecting vulnerable plaque with vulnerability index based on convolutional neural networks;Yankun Cao等;《Computerized Medical Imaging and Graphics》;20200430;第81卷;1-12 * |
| 冠状动脉CT及颈动脉超声在2型糖尿病合并冠心病风险预测中的价值;陈杰等;《武汉大学学报（医学版）》;20191130;第40卷(第6期);第942-946页 * |
| 詹姆斯•斯特鲁普（JAMES STIRRUP）著.《牛津心血管CT成像》.中国科学技术出版社,2020,115-116. * |
| 颈动脉斑块易损性与冠状动脉病变严重程度的相关性研究;史素君;《中国优秀硕士学位论文全文数据库 医药卫生科技辑》;第2018年卷(第2期);E062-134 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113077432A (zh) | 2021-07-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113077432B (zh) | 基于冠状动脉cta图像粥样硬化斑块综合特征的患者危险度分级系统 | |
| Alkadhi et al. | Dual-source computed tomography coronary angiography: influence of obesity, calcium load, and heart rate on diagnostic accuracy | |
| Brunereau et al. | Familial form of intracranial cavernous angioma: MR imaging findings in 51 families | |
| Paul et al. | Evaluation of a deep learning model on coronary CT angiography for automatic stenosis detection | |
| CN109524119B (zh) | 基于gan血流储备分数预测方法、装置、设备及介质 | |
| Shin et al. | Characteristics of aortic valve dysfunction and ascending aorta dimensions according to bicuspid aortic valve morphology | |
| Rajiah et al. | CT fractional flow reserve: a practical guide to application, interpretation, and problem solving | |
| Fan et al. | [Retracted] Deep Learning‐Based Identification of Spinal Metastasis in Lung Cancer Using Spectral CT Images | |
| CN110970133A (zh) | 一种crt风险评估方法和风险预测系统 | |
| Baur et al. | Analysis of the paraspinal muscle morphology of the lumbar spine using a convolutional neural network (CNN) | |
| Asaithambi et al. | Classification of respiratory abnormalities using adaptive neuro fuzzy inference system | |
| JP2022540954A (ja) | 血管病変の機能的影響 | |
| Ben-Bassat et al. | Evaluating multimembership classifiers: A methodology and application to the MEDAS diagnostic system | |
| Russell et al. | Digital subtraction angiography for evalutation of extracranial carotid occlusive disease: Comparison with conventional arteriography | |
| Niemann et al. | Cardiac cohort classification based on morphologic and hemodynamic parameters extracted from 4D PC-MRI data | |
| CN111297388B (zh) | 一种血流储备分数测量装置 | |
| Martin et al. | Descriptive epidemiology of selected malformations of the aorta, Atlanta, 1970–1983 | |
| Azam et al. | Automated Detection of Broncho-Arterial Pairs Using CT Scans Employing Different Approaches to Classify Lung Diseases. Biomedicines 2023, 11, 133 | |
| Markiewicz et al. | Computerized system for quantitative assessment of atherosclerotic plaques in the femoral and iliac arteries visualized by multislice computed tomography | |
| Ahmed et al. | Evaluation of Extra-Cranial Carotid Arteries by Digital Subtraction Angiogram (DSA) in Stroke Patients in a Tertiary Care Hospital | |
| Tasdemir et al. | Anatomical Variations in Aortic Arch Branching Pattern: A Computed Tomography Angiography Study | |
| Zimina et al. | Application of medical data classification methods for a medical decision support system | |
| Dawud et al. | Classification of heart sounds associated with murmur for diagnosis of cardiac valve disorders | |
| Faghihi et al. | Relationship Between the Coronary Artery Calcium (CAC) Score and the Angle Between the Aortic Valve and the Left Ventricular Inflow Long Axis (AV-LV) as Cardiovascular Risk Factors | |
| Qureshi et al. | Design of na expert system for diagnosis of coronary artery disease using myocardial perfusion imaging |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |