CN113096115B - 冠状动脉斑块状态评估方法、装置、电子设备 - Google Patents
冠状动脉斑块状态评估方法、装置、电子设备 Download PDFInfo
- Publication number
- CN113096115B CN113096115B CN202110466164.3A CN202110466164A CN113096115B CN 113096115 B CN113096115 B CN 113096115B CN 202110466164 A CN202110466164 A CN 202110466164A CN 113096115 B CN113096115 B CN 113096115B
- Authority
- CN
- China
- Prior art keywords
- lipid
- plaque
- cap
- thickness
- optical coherence
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 56
- 150000002632 lipids Chemical class 0.000 claims abstract description 203
- 239000000835 fiber Substances 0.000 claims abstract description 75
- 238000012014 optical coherence tomography Methods 0.000 claims abstract description 51
- 230000003287 optical effect Effects 0.000 claims abstract description 42
- 230000015654 memory Effects 0.000 claims description 31
- 238000000034 method Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 12
- 238000013135 deep learning Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 5
- 210000004351 coronary vessel Anatomy 0.000 abstract description 12
- 210000004204 blood vessel Anatomy 0.000 abstract description 5
- 238000011158 quantitative evaluation Methods 0.000 abstract description 3
- 238000003384 imaging method Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- 230000000877 morphologic effect Effects 0.000 description 5
- 230000000295 complement effect Effects 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004497 NIR spectroscopy Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 208000029078 coronary artery disease Diseases 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000001727 in vivo Methods 0.000 description 2
- 125000003473 lipid group Chemical group 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 208000004476 Acute Coronary Syndrome Diseases 0.000 description 1
- 206010049993 Cardiac death Diseases 0.000 description 1
- 206010011906 Death Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002608 intravascular ultrasound Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
- 230000000007 visual 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06T2207/20—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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Endoscopes (AREA)
- Image Analysis (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明提供一种冠状动脉斑块状态评估方法、装置、电子设备及计算机可读存储介质。其中，冠状动脉斑块状态评估方法，包括如下步骤：步骤S1，提供待评估的冠状动脉斑块的光学相干断层图像；步骤S2，对于所述光学相干断层图像进行识别，确定纤维成分与脂质斑块；步骤S3，基于所述纤维成分以及所述脂质斑块的脂质负荷，评价所述冠状动脉斑块的状态。根据本发明实施例的冠状动脉斑块状态评估方法，通过光学相干断层成像技术获取待评估血管的断层影像，基于所获得的断层影像，识别其中的纤维成分与脂质斑块，基于所识别的纤维成分与脂质大小，综合评价冠状动脉斑块的状态，能够实现定量化评估，且可重复性更高。
Description
技术领域
本发明涉及医学成像技术领域，具体涉及一种冠状动脉斑块状态评估方法、装置、电子设备及计算机可读存储介质。
背景技术
心源性死亡是目前人群死亡的首要原因，由冠状动脉内的不稳定斑块引起的急性冠脉综合症更是其中的主要因素。因此，冠心病患者斑块稳定性状态的早期检测对患者的治疗方案的确定及长期预后的评估至关重要。
冠状动脉内成像技术是当前评估冠心病患者冠脉内斑块稳定性状态的主要手段。其中，血管内超声(IVUS)和近红外光谱(NIRS)技术虽能纵深评估斑块的大小，但成像机制本身仍限制了其实现对斑块各成分的明确区分及综合性评估。
光学相干断层扫描成像技术(OCT)以其较高的分辨率在冠状动脉斑块评估方面有独特优势，但因其扫描深度有限，对整个斑块的完整成像仍有缺陷。另外，OCT成像技术虽能清晰的显示冠状动脉斑块的纤维帽厚度，但因为光学衰减的原因，其无法显示斑块内脂质成分的真实大小。目前，临床实践中，基于OCT成像技术只能以纤维帽厚度＜65um且脂质角度≥180°来作为不稳定斑块的评估标准，而忽视脂质成分大小这一已被证实的重要的稳定性状态相关因素，导致上述评估标准并不够准确。
因此，需要开发一种更加准确的评估方法。
发明内容
本发明人等经过反复研究，并通过病理学及临床研究证明，斑块的构成本身，即斑块纤维帽的厚度、脂质的大小等共同决定了斑块的稳定性，并在此基础上完成本发明。
有鉴于此，本提供一种综合考虑斑块的纤维帽以及脂质成分，更准确地评估斑块稳定性状态的冠状动脉斑块状态评估方法。
本发明还提供一种能够综合考虑斑块的纤维帽以及脂质成分，更准确地评估斑块稳定性状态的冠状动脉斑块状态评估装置。
从外，本发明还提供过一种电子设备，其能够执行根据本发明的冠状动脉斑块状态评估方法。
并且，本发明还提供一种计算机可读存储介质，其所述计算机可读存储介质存储有计算机程序指令，所述计算机程序指令被处理器运行时，使得所述处理器执行根据本发明的冠状动脉斑块状态评估方法。
为解决上述技术问题，本发明采用以下技术方案：
根据本发明第一方面实施例的冠状动脉斑块状态评估方法，包括如下步骤：
步骤S1，获取待评估的冠状动脉斑块的光学相干断层图像；
步骤S2，对于所述光学相干断层图像进行识别，确定纤维成分与脂质斑块；
步骤S3，基于所述纤维成分以及所述脂质斑块的脂质负荷，评价所述冠状动脉斑块的状态。
进一步地，所述步骤S3包括：
步骤S31，分别计算所述纤维成分中覆盖在所述脂质斑块表面的纤维帽厚度以及所述脂质斑块的脂质负荷；
步骤S32，基于所述纤维帽厚度以及所述脂质负荷，确定所述冠状动脉斑块的状态。
更进一步地，所述步骤S32包括：
步骤S321，基于所述脂质负荷与所述纤维帽厚度，根据下述公式计算脂帽比，
脂帽比(LCR)＝脂质负荷/纤维帽厚度，
步骤S322，基于所述脂帽比，评价所述冠状动脉斑块的状态。根据本发明的一些实施例，所述步骤S1中，针对目标帧所述光学相干断层图像，分别获取该帧图像前、以及该帧图像后的若干帧连续图像，
所述步骤S31中，分别计算连续多帧所述光学相干断层图像的所述纤维成分的纤维帽厚度以及脂质负荷，并确定多帧所述光学相干断层图像的纤维帽厚度中位数以及脂质负荷平均值，
所述步骤S321中，以脂质负荷平均值以及所述纤维帽厚度中位数，计算所述脂帽比，
步骤S322中，以整个斑块计算得到的最大脂帽比作为该冠状动脉斑块的脂帽比，评价该冠状动脉斑块的状态。
进一步地，所述步骤S322中，当所述脂帽比为第一阈值以上时，判断所述冠状动脉斑块为不稳定斑块。
此处，需要说明的是，根据脂质负荷、纤维帽厚度所采用的单位不同，LCR数值也会相应发生变化，相应地，第一阈值也会发生变化。例如，在脂质负荷取百分数，且纤维帽厚度取μm单位时，根据大量实验结果，例如可以设定第一阈值为0.33。进一步地，所述步骤S322中，除了所述脂帽比之外，还可以结合血流储备分数评价所述冠状动脉斑块的状态。
更进一步地，所述血流储备分数是基于光学相干断层影像得到的血流储备分数，所述步骤S322中，当所述脂帽比为第一阈值以上，且所述血流储备分数为第二阈值以下时，判断所述冠状动脉斑块为不稳定斑块。
通常，血流储备分数与脂质成分的脂质负荷呈负相关，也就是说，血流储备分数越大，则说明脂质斑块的负荷越小，说明斑块相对越稳定。
因此，综合考虑脂帽比、以及血流储备分数来评价该斑块的状态，将形态学与生理学数据相结合，更加准确。
作为基于光学相干断层影像得到的血流储备分数的第二阈值，例如，可以设定为0.84。
当然，需要说明的是，本申请对于第一阈值、第二阈值的具体数值不作特殊限定，本领域技术人员可以结合具体要求进行适当设置。进一步地，通过斑块识别模型对所述光学相干断层图像进行识别，其中，所述斑块识别模型通过深度学习，基于样本训练得到。
具体而言，例如可以通过深度学习模型训练其识别内部弹性板，并基于深度学习模型对其进行补全，并识别补全后的脂质斑块以及覆盖在所述脂质斑块上的所述纤维成分。
通过深度学习训练得到的斑块识别模型，可以根据上下层图像以及之前训练的数据推测出OCT图像当前层由于脂质斑块对光学衰减引起的信号缺失，能更加准确地分析出脂质斑块的脂质负荷的大小。
根据本发明第二方面实施例的冠状动脉斑块状态评估装置，包括：
图像获取模块，用于获取待评估的冠状动脉斑块的若干光学相干断层图像；
识别模块，用于基于若干所述光学相干断层图像，识别纤维成分与脂质斑块；
评价模块，用于基于所述纤维成分以及所述脂质斑块的脂质负荷，评价所述冠状动脉斑块的状态。
根据本发明第三方面实施例的电子设备，包括：
处理器；和
存储器，在所述存储器中存储有计算机程序指令，
其中，在所述计算机程序指令被所述处理器运行时，使得所述处理器执行以下步骤：
步骤S1，获取待评估的冠状动脉斑块的光学相干断层图像；
步骤S2，对于所述光学相干断层图像进行识别，确定纤维成分与脂质斑块；
步骤S3，基于所述纤维成分以及所述脂质斑块的脂质负荷，评价所述冠状动脉斑块的状态。
根据本发明第四方面实施例的计算机可读存储介质，所述计算机可读存储介质存储有计算机程序指令，所述计算机程序指令被处理器运行时，使得所述处理器执行以下步骤：
步骤S1，获取待评估的冠状动脉斑块的光学相干断层图像；
步骤S2，对于所述光学相干断层图像进行识别，确定纤维成分与脂质斑块；
步骤S3，基于所述纤维成分以及所述脂质斑块的脂质负荷，评价所述冠状动脉斑块的状态。
本发明的上述技术方案至少具有如下有益效果之一：
根据本发明实施例的冠状动脉斑块状态评估方法，通过光学相干断层成像技术获取待评估血管的断层影像，基于所获得的断层影像，识别其中的纤维成分与脂质成分，基于所识别的纤维成分与脂质大小，综合评价冠状动脉斑块的稳定性状态，能够实现定量化评估，且可重复性更高；
进一步地，通过综合考虑纤维帽厚度以及脂质负荷，来评价该冠状动脉斑块的状态，相比于现有技术而言，考虑了脂质大小对于稳定性状态的影响，其评价结果的置信度更高；
并且，通过引入LCR这一评价指数，提供了一个连续性定量指标，避免了既往二分类的半定量评价标准所存在的诊断缺陷；
此外，通过深度学习来训练斑块识别模型，实现了冠状动脉斑块在体内的全自动、全面的形态评价，提高了评价的重现性，减少了评价的主观性，且通过深度学习训练得到的斑块识别模型，可以根据上下层图像以及之前训练的数据推测出OCT图像当前层由于脂质斑块对光学衰减引起的信号缺失，能更加准确地分析出脂质斑块的脂质负荷的大小；
另外，结合上述LCR指数这一形态学指数与血流储备分数这一生理学指数进行综合考虑，能够有效提高阳性预测值，获得更好的评价效果。
附图说明
图1为本发明实施例的冠状动脉斑块状态评估方法的流程示意图；
图2为本发明实施例的冠状动脉斑块状态评估装置10的模块图；
图3为本发明实施例的电子设备1400的模块图；
图4示出了4种不同模式的简化斑块示意图。
图5为本发明实施例1中获得的光学相干断层图像的原始图及其识别图，其中(a)表示原始图，(b)表示识别图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。
下面首先结合附图具体描述根据本发明实施例的冠状动脉斑块状态评估方法。
如图1所示，根据本发明实施例的冠状动脉斑块状态评估方法包括：
步骤S1，提供待评估的冠状动脉斑块的光学相干断层图像。
例如可以连接光学相干断层图像仪，由此来获取血管的感兴趣区域，以识别其中的冠状动脉斑块。
步骤S2，对于所述光学相干断层图像进行识别，确定纤维成分与脂质斑块。
在获得光学相干断层图像之后，对其进行识别，以确定纤维成分与脂质斑块。
例如可以通过斑块识别模型对所述光学相干断层图像进行上述识别，其中，所述斑块识别模型例如可以通过深度学习，基于样本训练得到。
具体而言，例如可以通过深度学习模型训练其识别内部弹性板，并基于深度学习模型对其进行补全，并识别补全后的脂质斑块以及覆盖在所述脂质斑块上的所述纤维成分。
通过深度学习来训练斑块识别模型，实现了冠状动脉斑块在体内的全自动、全面的形态评价，提高了评价的重现性，减少了评价的主观性，且通过深度学习训练得到的斑块识别模型，可以根据上下层图像以及之前训练的数据推测出OCT图像当前层由于脂质斑块对光学衰减引起的信号缺失，能更加准确地分析出脂质斑块的脂质负荷的大小。
步骤S3，基于所述纤维成分以及所述脂质斑块的脂质负荷，评价所述冠状动脉斑块的稳定性状态。
其中，脂质负荷指脂质斑块占整个血管的横截面积的百分比，其反映了脂质的大小。
在识别出其中的纤维成分与脂质斑块之后，考虑到脂质大小是影响斑块状态的一个因素，本发明的评估方法，综合考虑所述纤维成分以及所述脂质斑块的脂质负荷，来评价所述冠状动脉斑块的状态。
具体地，所述步骤S3可以包括：
步骤S31，分别计算所述纤维成分中覆盖在所述脂质斑块表面的纤维帽厚度以及所述脂质成分的脂质负荷；
步骤S32，基于所述纤维帽厚度以及所述脂质负荷，确定所述冠状动脉斑块的状态。
也就是说，在识别出所述纤维成分与所述脂质斑块之后，分别计算纤维帽厚度以及所述脂质斑块的脂质负荷，此后基于纤维帽厚度以及所述脂质斑块的脂质负荷来确定所述冠状动脉斑块的状态。
更具体而言，所述步骤S32可以包括：
步骤S321，基于所述脂质负荷与所述纤维帽厚度，根据下述公式计算脂帽比(LCR)，
LCR＝脂质负荷/纤维帽厚度，
步骤S322，基于所述脂帽比，评价所述冠状动脉斑块的状态。
也就是说，通过引入LCR指数来评价冠状动脉斑块的状态。
此处，需要说明的是，根据脂质负荷、纤维帽厚度所采用的单位不同，LCR数值也会相应发生变化，相应地，第一阈值也会发生变化。例如，在脂质负荷取百分数，且纤维帽厚度取μm单位时，根据大量实验结果，分析发现脂帽比0.33以上则稳定性更差，因此可以设定为：当所述脂帽比为0.33以上时，判断冠状动脉斑块为不稳定斑块。
另外，在所述步骤S322中，除了所述脂帽比之外，还可以结合血流储备分数评价冠状动脉斑块的状态。
考虑到本发明的评估方法是基于光学相干断层图像进行的分析，优选地，所述血流储备分数是基于光学相干断层影像得到的血流储备分数，也就是说所述血流储备分数是基于光学相干断层扫描仪来确定血流速度、以及基于光学相干断层图像获取腔内结构，基于此来计算得到血流储备分数。由此，通过一次回撤即可得到光学相干断层图像以及血流储备分数，效率更高。
在结合脂帽比与血流储备分数来评价冠状动脉斑块的稳定性状态时，根据大量实验结果确定，当所述脂帽比为第一阈值(例如上述情况下，取第一阈值为0.33)以上，且所述血流储备分数为第二阈值(经过大量实验分析表明，例如可以取0.84)以下时，可以判断所述冠状动脉斑块为不稳定斑块。
由此，结合上述LCR指数这一形态学指数与血流储备分数这一生理学指数进行综合考虑，能够有效提高灵敏度、阳性预测值和阴性预测值，获得更好的评价效果。
如上所述，根据本发明实施例的冠状动脉斑块状态评估方法，基于待评估的冠状动脉斑块的光学相干断层图像，识别其中的纤维成分与脂质斑块，并基于脂质大小以及纤维成分来综合评价所述冠状动脉斑块稳定性状态，其准确性更高。
作为一个优选实施例，例如：
所述步骤S1中，针对目标帧所述光学相干断层图像，分别获取该帧图像前、以及该帧图像后的若干帧连续图像，
所述步骤S31中，分别计算连续多帧所述光学相干断层图像的所述纤维成分的纤维帽厚度以及脂质负荷，并确定多帧所述光学相干断层图像的纤维帽厚度中位数以及脂质负荷平均值，
所述步骤S321中，以脂质负荷平均值以及所述纤维帽厚度中位数，计算所述脂帽比，
步骤S322中，以整个斑块计算得到的最大脂帽比作为该冠状动脉斑块的脂帽比，评价该冠状动脉斑块的状态。
也就是说，结合连续多帧的光学相干断层图像对斑块的稳定性状态进行评估，由此可以减小因单帧图像的识别误差造成的影响。
图2示出了根据本发明实施例的冠状动脉斑块状态评估装置10。
如图2所示，根据本发明实施例的冠状动脉斑块状态评估装置10包括：图像获取模块100、识别模块200、以及评价模块300。
其中，图像获取模块100用于获取待评估的冠状动脉斑块的光学相干断层图像。例如图像获取模块100可以通过为连接光学相干断层扫描仪的接口，以接收来自光学相干断层扫描仪扫描得到的光学相干断层图像。
识别模块200用于基于若干所述光学相干断层图像，识别纤维成分与脂质斑块。识别模块200例如可以是通过深度学习，基于样本训练形成的斑块识别模型。
评价模块300用于基于所述纤维成分与脂质斑块，评价所述冠状动脉斑块的状态。
其中，评价模块300可以包括：
计算子模块，用于分别计算所述纤维成分的纤维帽厚度以及所述脂质斑块的脂质负荷；
确定子模块，用于基于所述纤维帽厚度以及所述脂质负荷，确定所述冠状动脉斑块的状态。
进一步地，所述确定子模块用于：
基于所述脂质负荷与所述纤维帽厚度，根据下述公式计算脂帽比(LCR)，
LCR＝脂质负荷/纤维帽厚度；
基于所述脂帽比，评价冠状动脉斑块的状态。
进一步地，图像获取模块100用于针对目标帧的所述光学相干断层图像，分别获取该帧图像前、以及该帧图像后的若干帧连续图像，
此后评价模块300中的计算子模块，分别计算连续多帧所述光学相干断层图像的所述纤维成分的纤维帽厚度以及脂质斑块的脂质负荷，并确定多帧所述光学相干断层图像的纤维帽厚度中位数以及脂质负荷平均值，
接着评价模块300中的额确定子模块，以脂质负荷平均值以及所述纤维帽厚度中位数，计算所述脂帽比，以整个斑块计算得到的最大脂帽比作为该冠状动脉斑块的脂帽比，评价冠状动脉斑块的状态。
作为评价标准，例如确定子模块在所述脂帽比为第一阈值以上时，判断所述冠状动脉斑块为不稳定斑块。
此外，确定子模块除了所述脂帽比之外，还可以结合血流储备分数评价所述冠状动脉斑块的状态。由此能够得到置信度更高的评价结果。
具体地，所述血流储备分数例如可以是基于光学相干断层影像得到的血流储备分数，所述确定子模块在所述脂帽比为第一阈值以上，且所述血流储备分数为第二阈值以下时，判断所述冠状动脉斑块为不稳定斑块。
进一步地，识别模块200可以通过斑块识别模型对所述光学相干断层图像进行识别，其中，所述斑块识别模型通过深度学习，基于样本训练得到。
此外，本发明还提供了一种电子设备1400。
如图3所示，本发明实施例提供了一种电子设备1400，包括：处理器1401和存储器1402，在所述存储器1402中存储有计算机程序指令，其中，在所述计算机程序指令被所述处理器运行时，使得所述处理器1401执行以下步骤：
步骤S1，获取待评估的冠状动脉斑块的光学相干断层图像；
步骤S2，对于所述光学相干断层图像进行识别，确定纤维成分与脂质斑块；
步骤S3，基于所述纤维成分以及所述脂质斑块的脂质负荷，评价所述冠状动脉斑块的状态。
具体应用时，本发明的电子设备1400连接光学相干断层扫描仪，电子设备1400的处理器接收来自光学相干断层扫描仪扫描得到的光学相干断层图像，并进行光学相干断层图像识别，并基于识别结果，对斑块的稳定性状态进行评价。
进一步地，如图3所示，电子设备还包括网络接口1403、输入设备1404、硬盘1405、和显示设备1406。
上述各个接口和设备之间可以通过总线架构互连。总线架构可以是可以包括任意数量的互联的总线和桥。具体由处理器1401代表的一个或者多个中央处理器(CPU)，以及由存储器1402代表的一个或者多个存储器的各种电路连接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其它电路连接在一起。可以理解，总线架构用于实现这些组件之间的连接通信。总线架构除包括数据总线之外，还包括电源总线、控制总线和状态信号总线，这些都是本领域所公知的，因此本文不再对其进行详细描述。
所述网络接口1403，可以连接至网络(如因特网、局域网等)，从网络中获取相关数据，并可以保存在硬盘1405中。
所述输入设备1404，可以接收操作人员输入的各种指令，并发送给处理器1401以供执行。所述输入设备1404可以包括键盘或者点击设备(例如，鼠标，轨迹球(trackball)、触感板或者触摸屏等。
所述显示设备1406，可以将处理器1401执行指令获得的结果进行显示。
所述存储器1402，用于存储操作系统运行所必须的程序和数据，以及处理器1401计算过程中的中间结果等数据。
可以理解，本发明实施例中的存储器1402可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(ROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)或闪存。易失性存储器可以是随机存取存储器(RAM)，其用作外部高速缓存。本文描述的装置和方法的存储器1402旨在包括但不限于这些和任意其它适合类型的存储器。
在一些实施方式中，存储器1402存储了如下的元素，可执行模块或者数据结构，或者他们的子集，或者他们的扩展集：操作系统14021和应用程序14014。
其中，操作系统14021，包含各种系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序14014，包含各种应用程序，例如浏览器(Browser)等，用于实现各种应用业务。实现本发明实施例方法的程序可以包含在应用程序14014中。
本发明上述实施例揭示的方法可以应用于处理器1401中，或者由处理器1401实现。处理器1401可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器1401中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器1401可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件，可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器1402，处理器1401读取存储器1402中的信息，结合其硬件完成上述方法的步骤。
可以理解的是，本文描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现，处理单元可以实现在一个或多个专用集成电路(ASIC)、数字信号处理器DSP)、数字信号处理设备(DSPD)、可编程逻辑设备(PLD)、现场可编程门阵列(FPGA)、通用处理器、控制器、微控制器、微处理器、用于执行本申请所述功能的其它电子单元或其组合中。
对于软件实现，可通过执行本文所述功能的模块(例如过程、函数等)来实现本文所述的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。
具体地，处理器1401还用于读取所述计算机程序，执行如下步骤:
步骤S1，获取待评估的冠状动脉斑块的光学相干断层图像；
步骤S2，对于所述光学相干断层图像进行识别，确定纤维成分与脂质斑块；
步骤S3，基于所述纤维成分以及所述脂质斑块的脂质负荷，评价所述冠状动脉斑块的状态。
另外，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器运行时，使得所述处理器执行以下步骤：
步骤S1，提供待评估的冠状动脉斑块的光学相干断层图像；
步骤S2，对于所述光学相干断层图像进行识别，确定纤维成分与脂质斑块；
步骤S3，基于所述纤维成分以及所述脂质斑块的脂质负荷，评价所述冠状动脉斑块的状态。
在本申请所提供的几个实施例中，应该理解到，所揭露方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理包括，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述收发方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
下面，结合简化斑块图来进一步说明根据本发明的冠状动脉斑块状态评估方法。
图4示出了几种简化斑块的示意图。
其中，a和b，分别示出了脂质角度<180°，且纤维帽厚度大于65μm(均为90μm)的情况，也就是说，根据现有的OCT成像技术，这两种模式均被判断为稳定斑块。
然而，观察发现，b所示斑块中，其脂质明显大于a所示斑块，也就是说，a与b所示斑块的稳定性存在显著差异。
对于这两种斑块，根据本发明提出的LCR指数，a图的斑块的LCR＝20/90＝0.222，b图的斑块的LCR＝35/90＝0.389。
由此可知，LCR指数能够更加准确、定量地描述易损性。
另外，c和d示出了基于现有的OCT成像技术分别判断为不稳定、稳定的斑块。
然而，经过观察发现，d斑块的脂质占比更大，经过计算发现：c图的斑块的LCR＝15/60＝0.25，d图的斑块的LCR＝35/90＝0.389，也就是说，d图的斑块LCR显著大于c图的斑块的LCR，相比于c斑块而言，d斑块更不稳定。
也就是说，基于本发明的评估方法提出的LCR指数获得的判断结果，不仅能够更加直观，而且能够克服由于忽视脂质大小所引起的判断错误问题。
下面，结合具体实施例进一步详细说明根据本发明的冠状动脉斑块状态评估方法。
实施例1
首先，获取待评估的冠状动脉斑块的若干帧光学相干断层图像。图5中(a)示出了5帧光学相干断层图像。分别为目标帧原始图以及临近前1、临近前2、临近后1、临近后2的原始图。
接着，对于该5帧原始图，通过识别模型进行识别，识别结果如图5中(b)所示。
经过识别后，确定了其中的纤维成分、脂质斑块。
接下来，基于识别图中的纤维成分、脂质斑块，分别计算各帧图片中的纤维帽厚度以及脂质负荷。
取该5帧图像中的脂质负荷的平均值，以及纤维帽厚度的中位数，计算目标帧的LCR。
表1示出了各帧图像的纤维帽厚度、脂质负荷的计算结果。
根据表1可知，该5帧图像的脂质负荷的百分数平均值为：34.3，且纤维帽厚度的中位数为86，因此目标帧LCR＝34.3/86＝0.40。
此外，对于随访2年的临床病例共计604例病例，分别进行LCR指数评估、LCR结合血流储备分数评估、以及现有的基于OCT成像技术的二分法评估进行评估，结果如表2所示。
表2示出了各种不同评估方法得到的评估结果。
根据表2可知，根据本发明提供的LCR指数评估法，能够更好地、定量地评估斑块的稳定性，且在LCR指数结合血流储备分数评估的情况下，通过对LCR指数这一形态学指数与血流储备分数这一生理学指数进行综合考虑，能够有效提高灵敏度、阳性预测值和阴性预测值，获得更好的评价效果。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (6)
1.一种冠状动脉斑块状态评估方法，其特征在于，包括如下步骤：
步骤S1，获取待评估的冠状动脉斑块的光学相干断层图像；其中，分别获取该帧图像前、以及该帧图像后的若干帧连续图像；
步骤S2，对于所述光学相干断层图像进行识别，确定纤维成分与脂质斑块；
步骤S3，基于所述纤维成分以及所述脂质斑块的脂质负荷，评价所述冠状动脉斑块的状态；
步骤S31，分别计算所述纤维成分中覆盖在所述脂质斑块表面的纤维帽厚度以及所述脂质斑块的脂质负荷，包括：分别计算连续多帧所述光学相干断层图像的所述纤维成分的纤维帽厚度以及脂质负荷，并确定多帧所述光学相干断层图像的纤维帽厚度中位数以及脂质负荷平均值；
步骤S32，基于所述纤维帽厚度以及所述脂质负荷，确定所述冠状动脉斑块的状态，包括：
步骤S321，基于所述脂质负荷与所述纤维帽厚度，根据下述公式计算脂帽比，
脂帽比＝脂质负荷/纤维帽厚度；
其中，以脂质负荷平均值以及所述纤维帽厚度中位数，计算所述脂帽比；
步骤S322，基于所述脂帽比，评价所述冠状动脉斑块的状态；
其中，还结合血流储备分数评价所述冠状动脉斑块的状态，所述血流储备分数是基于光学相干断层影像得到的血流储备分数；
当所述脂帽比为第一阈值以上，且所述血流储备分数第二阈值以下时，判断所述冠状动脉斑块为不稳定斑块。
2.根据权利要求1所述的方法，其特征在于，通过斑块识别模型对所述光学相干断层图像进行识别，其中，所述斑块识别模型通过深度学习，基于样本训练得到。
3.一种冠状动脉斑块状态评估装置，其特征在于，包括：
图像获取模块，用于获取待评估的冠状动脉斑块的光学相干断层图像；其中，分别获取该帧图像前、以及该帧图像后的若干帧连续图像；
识别模块，用于基于若干所述光学相干断层图像，识别纤维成分与脂质斑块；
评价模块，用于基于所述纤维成分以及所述脂质斑块的脂质负荷，评价所述冠状动脉斑块的状态；
所述评价模块包括：
计算子模块，用于分别计算所述纤维成分中覆盖在所述脂质斑块表面的纤维帽厚度以及所述脂质斑块的脂质负荷，包括：分别计算连续多帧所述光学相干断层图像的所述纤维成分的纤维帽厚度以及脂质负荷，并确定多帧所述光学相干断层图像的纤维帽厚度中位数以及脂质负荷平均值；
确定子模块，用于基于所述纤维帽厚度以及所述脂质负荷，确定所述冠状动脉斑块的状态；
所述确定子模块用于：
基于所述脂质负荷与所述纤维帽厚度，根据下述公式计算脂帽比，
脂帽比＝脂质负荷/纤维帽厚度；
其中，以脂质负荷平均值以及所述纤维帽厚度中位数，计算所述脂帽比；
基于所述脂帽比，评价所述冠状动脉斑块的状态；
其中，所述确定子模块还结合血流储备分数评价所述状态，所述血流储备分数是基于光学相干断层影像得到的血流储备分数；
所述确定子模块在所述脂帽比为第一阈值以上，且所述血流储备分数第二阈值以下时，判断所述冠状动脉斑块为不稳定斑块。
4.根据权利要求3所述的装置，其特征在于，所述识别模块通过斑块识别模型对所述光学相干断层图像进行识别，其中，所述斑块识别模型通过深度学习，基于样本训练得到。
5.一种电子设备，其特征在于，包括：
处理器；和
存储器，在所述存储器中存储有计算机程序指令，
其中，在所述计算机程序指令被所述处理器运行时，使得所述处理器执行以下步骤：
步骤S1，获取待评估的冠状动脉斑块的光学相干断层图像；其中，分别获取该帧图像前、以及该帧图像后的若干帧连续图像；
步骤S2，对于所述光学相干断层图像进行识别，确定纤维成分与脂质斑块；
步骤S3，基于所述纤维成分以及所述脂质斑块的脂质负荷，评价所述冠状动脉斑块的状态；
步骤S31，分别计算所述纤维成分中覆盖在所述脂质斑块表面的纤维帽厚度以及所述脂质斑块的脂质负荷，包括：分别计算连续多帧所述光学相干断层图像的所述纤维成分的纤维帽厚度以及脂质负荷，并确定多帧所述光学相干断层图像的纤维帽厚度中位数以及脂质负荷平均值；
步骤S32，基于所述纤维帽厚度以及所述脂质负荷，确定所述冠状动脉斑块的状态，包括：
步骤S321，基于所述脂质负荷与所述纤维帽厚度，根据下述公式计算脂帽比，
脂帽比＝脂质负荷/纤维帽厚度；
其中，以脂质负荷平均值以及所述纤维帽厚度中位数，计算所述脂帽比；
步骤S322，基于所述脂帽比，评价所述冠状动脉斑块的状态；
其中，还结合血流储备分数评价所述冠状动脉斑块的状态，所述血流储备分数是基于光学相干断层影像得到的血流储备分数；
当所述脂帽比为第一阈值以上，且所述血流储备分数第二阈值以下时，判断所述冠状动脉斑块为不稳定斑块。
6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序指令，所述计算机程序指令被处理器运行时，使得所述处理器执行以下步骤：
步骤S1，获取待评估的冠状动脉斑块的光学相干断层图像；其中，分别获取该帧图像前、以及该帧图像后的若干帧连续图像；
步骤S2，对于所述光学相干断层图像进行识别，确定纤维成分与脂质斑块；
步骤S3，基于所述纤维成分以及所述脂质斑块的脂质负荷，评价所述冠状动脉斑块的状态；
步骤S31，分别计算所述纤维成分中覆盖在所述脂质斑块表面的纤维帽厚度以及所述脂质斑块的脂质负荷，包括：分别计算连续多帧所述光学相干断层图像的所述纤维成分的纤维帽厚度以及脂质负荷，并确定多帧所述光学相干断层图像的纤维帽厚度中位数以及脂质负荷平均值；
步骤S32，基于所述纤维帽厚度以及所述脂质负荷，确定所述冠状动脉斑块的状态，包括：
步骤S321，基于所述脂质负荷与所述纤维帽厚度，根据下述公式计算脂帽比，
脂帽比＝脂质负荷/纤维帽厚度；
其中，以脂质负荷平均值以及所述纤维帽厚度中位数，计算所述脂帽比；
步骤S322，基于所述脂帽比，评价所述冠状动脉斑块的状态；
其中，还结合血流储备分数评价所述冠状动脉斑块的状态，所述血流储备分数是基于光学相干断层影像得到的血流储备分数；
当所述脂帽比为第一阈值以上，且所述血流储备分数第二阈值以下时，判断所述冠状动脉斑块为不稳定斑块。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110466164.3A CN113096115B (zh) | 2021-04-28 | 2021-04-28 | 冠状动脉斑块状态评估方法、装置、电子设备 |
| PCT/CN2022/089544 WO2022228463A1 (zh) | 2021-04-28 | 2022-04-27 | 冠状动脉斑块状态评估方法、装置、电子设备 |
| JP2023557182A JP2024513722A (ja) | 2021-04-28 | 2022-04-27 | 冠動脈プラークの状態の評価方法、装置、電子機器 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110466164.3A CN113096115B (zh) | 2021-04-28 | 2021-04-28 | 冠状动脉斑块状态评估方法、装置、电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113096115A CN113096115A (zh) | 2021-07-09 |
| CN113096115B true CN113096115B (zh) | 2024-06-04 |
Family
ID=76681337
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110466164.3A Active CN113096115B (zh) | 2021-04-28 | 2021-04-28 | 冠状动脉斑块状态评估方法、装置、电子设备 |
Country Status (3)
| Country | Link |
|---|---|
| JP (1) | JP2024513722A (zh) |
| CN (1) | CN113096115B (zh) |
| WO (1) | WO2022228463A1 (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113096115B (zh) * | 2021-04-28 | 2024-06-04 | 上海博动医疗科技股份有限公司 | 冠状动脉斑块状态评估方法、装置、电子设备 |
| CN115063504B (zh) * | 2022-08-05 | 2022-11-18 | 全景恒升（北京）科学技术有限公司 | 动脉粥样化斑块识别方法、装置、计算机设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106974622A (zh) * | 2017-04-06 | 2017-07-25 | 上海交通大学 | 基于光学相干断层成像的斑块稳定性测量方法及系统 |
| CN107993221A (zh) * | 2017-11-16 | 2018-05-04 | 济南大学 | 心血管光学相干断层oct图像易损斑块自动识别方法 |
| CN108052909A (zh) * | 2017-12-15 | 2018-05-18 | 中国人民解放军总医院 | 一种基于心血管oct影像的薄纤维帽斑块自动检测方法和装置 |
| CN108109149A (zh) * | 2017-12-14 | 2018-06-01 | 河北大学 | 一种冠状动脉oct图像自动分割方法 |
| CN111145173A (zh) * | 2019-12-31 | 2020-05-12 | 上海联影医疗科技有限公司 | 一种冠脉造影图像的斑块识别方法、装置、设备及介质 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6419659B1 (en) * | 2000-02-10 | 2002-07-16 | Medventure Technology Corp | Lipid pool aspiration arrangement for the treatment of vulnerable atherosclerosis plaque |
| US10478130B2 (en) * | 2015-02-13 | 2019-11-19 | Siemens Healthcare Gmbh | Plaque vulnerability assessment in medical imaging |
| US11205264B2 (en) * | 2019-10-15 | 2021-12-21 | GE Precision Healthcare LLC | Systems and methods for multi-label segmentation of cardiac computed tomography and angiography images using deep neural networks |
| CN113096115B (zh) * | 2021-04-28 | 2024-06-04 | 上海博动医疗科技股份有限公司 | 冠状动脉斑块状态评估方法、装置、电子设备 |
-
2021
- 2021-04-28 CN CN202110466164.3A patent/CN113096115B/zh active Active
-
2022
- 2022-04-27 JP JP2023557182A patent/JP2024513722A/ja active Pending
- 2022-04-27 WO PCT/CN2022/089544 patent/WO2022228463A1/zh active Application Filing
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106974622A (zh) * | 2017-04-06 | 2017-07-25 | 上海交通大学 | 基于光学相干断层成像的斑块稳定性测量方法及系统 |
| CN107993221A (zh) * | 2017-11-16 | 2018-05-04 | 济南大学 | 心血管光学相干断层oct图像易损斑块自动识别方法 |
| CN108109149A (zh) * | 2017-12-14 | 2018-06-01 | 河北大学 | 一种冠状动脉oct图像自动分割方法 |
| CN108052909A (zh) * | 2017-12-15 | 2018-05-18 | 中国人民解放军总医院 | 一种基于心血管oct影像的薄纤维帽斑块自动检测方法和装置 |
| CN111145173A (zh) * | 2019-12-31 | 2020-05-12 | 上海联影医疗科技有限公司 | 一种冠脉造影图像的斑块识别方法、装置、设备及介质 |
Non-Patent Citations (2)
| Title |
|---|
| CT动脉成像在颈动脉斑块特征与缺血性脑血管病风险因素相关性的分析;殷云志;实用医学杂志;第29卷(第10期);第1616-1618页 * |
| 金征宇.放射学高级教程.中华医学电子音像出版社,2018,第351页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2024513722A (ja) | 2024-03-27 |
| WO2022228463A1 (zh) | 2022-11-03 |
| CN113096115A (zh) | 2021-07-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10269118B2 (en) | Automatic measurement of lesions on medical images | |
| Ugander et al. | Myocardial edema as detected by pre-contrast T1 and T2 CMR delineates area at risk associated with acute myocardial infarction | |
| Chen et al. | Thresholds for infarction vary between gray matter and white matter in acute ischemic stroke: a CT perfusion study | |
| Rozanski et al. | Clinical outcomes after both coronary calcium scanning and exercise myocardial perfusion scintigraphy | |
| CN113096115B (zh) | 冠状动脉斑块状态评估方法、装置、电子设备 | |
| Shyamsundar et al. | Clinical review: the role of ultrasound in estimating extra-vascular lung water | |
| Muscogiuri et al. | Artificial intelligence in coronary computed tomography angiography: from anatomy to prognosis | |
| Alabed et al. | Validation of artificial intelligence cardiac MRI measurements: relationship to heart catheterization and mortality prediction | |
| Lee et al. | Diffuse cardiac fibrosis quantification in early systemic sclerosis by magnetic resonance imaging and correlation with skin fibrosis | |
| D'Silva et al. | Left ventricular non-compaction cardiomyopathy: how many needles in the haystack? | |
| Kawel-Boehm et al. | Hypertrabeculated left ventricular myocardium in relationship to myocardial function and fibrosis: the multi-ethnic study of atherosclerosis | |
| EP1542589A2 (en) | Display of image data information | |
| Rubeaux et al. | Normal databases for the relative quantification of myocardial perfusion | |
| Maragna et al. | Artificial intelligence based multimodality imaging: a new frontier in coronary artery disease management | |
| Stöllberger et al. | Correlation between pathoanatomic findings, imaging modalities, and genetic findings in patients with left ventricular hypertrabeculation/noncompaction | |
| Hodzic et al. | Analysis of inter-system variability of systolic and diastolic intraventricular pressure gradients derived from color Doppler M-mode echocardiography | |
| Watson et al. | The role of quantitation in clinical nuclear cardiology: the University of Virginia approach | |
| Wen et al. | A novel method for classification of high-resolution nailfold capillary microscopy images | |
| Berman et al. | Combined anatomy and physiology on coronary computed tomography angiography: a step or two in the right direction | |
| CN113610800A (zh) | 用于评估侧支循环的装置、非诊断方法及电子设备 | |
| Vliegenthart | Future trends in CT for coronary artery disease: from diagnosis to prevention | |
| Villines et al. | Will plaque quantification on coronary CTA end our infatuation with lumen stenosis? | |
| Wu et al. | Computed tomography myocardial perfusion imaging of patients with left ventricular hypertrophy in hypertension: A retrospective study | |
| Pradella et al. | Associations between 3D-based left atrial volumetric and blood flow parameters in a single-site cohort of the Multi-Ethnic Study of Atherosclerosis | |
| Campisi et al. | Myocardial Perfusion Imaging for the Evaluation of Ischemic Heart Disease in Women |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 200233 16th floor, building 82, No. 1198, Qinzhou North Road, Xuhui District, Shanghai Applicant after: Shanghai Bodong Medical Technology Co.,Ltd. Address before: Room 402, building 2, 481 Guiping Road, Xuhui District, Shanghai 200233 Applicant before: PULSE MEDICAL IMAGING TECHNOLOGY (SHANGHAI) Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |