CN113313687A - 一种基于能谱ct的钙化分数计算的方法和装置 - Google Patents
一种基于能谱ct的钙化分数计算的方法和装置 Download PDFInfo
- Publication number
- CN113313687A CN113313687A CN202110593457.8A CN202110593457A CN113313687A CN 113313687 A CN113313687 A CN 113313687A CN 202110593457 A CN202110593457 A CN 202110593457A CN 113313687 A CN113313687 A CN 113313687A
- Authority
- CN
- China
- Prior art keywords
- calcification
- region
- score
- calcified
- module
- 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
- 230000002308 calcification Effects 0.000 title claims abstract description 66
- 238000004364 calculation method Methods 0.000 title claims abstract description 9
- 238000001228 spectrum Methods 0.000 title claims description 16
- 238000001514 detection method Methods 0.000 claims abstract description 33
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 claims abstract description 29
- 229910052791 calcium Inorganic materials 0.000 claims abstract description 29
- 239000011575 calcium Substances 0.000 claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 29
- 230000008569 process Effects 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 13
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 10
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims abstract description 9
- 230000003595 spectral effect Effects 0.000 claims abstract description 9
- 238000013528 artificial neural network Methods 0.000 claims abstract description 6
- 210000000748 cardiovascular system Anatomy 0.000 claims abstract description 4
- 238000003062 neural network model Methods 0.000 claims abstract description 4
- 238000010586 diagram Methods 0.000 claims abstract description 3
- 210000004351 coronary vessel Anatomy 0.000 claims description 11
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000010968 computed tomography angiography Methods 0.000 description 25
- 102000056548 Member 3 Solute Carrier Family 12 Human genes 0.000 description 11
- 108091006623 SLC12A3 Proteins 0.000 description 11
- 230000006872 improvement Effects 0.000 description 7
- 238000013461 design Methods 0.000 description 4
- 210000001519 tissue Anatomy 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 210000000709 aorta Anatomy 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 210000000988 bone and bone Anatomy 0.000 description 2
- 239000002872 contrast media Substances 0.000 description 2
- 230000008021 deposition Effects 0.000 description 2
- 230000002526 effect on cardiovascular system Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 206010003211 Arteriosclerosis coronary artery Diseases 0.000 description 1
- 238000010989 Bland-Altman Methods 0.000 description 1
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000002586 coronary angiography Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003703 image analysis method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000002792 vascular Effects 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
-
- 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
- A61B6/50—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
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/20081—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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- High Energy & Nuclear Physics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Public Health (AREA)
- Vascular Medicine (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Quality & Reliability (AREA)
- Pulmonology (AREA)
- Physiology (AREA)
- Geometry (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
一种基于能谱CT的钙化分数计算的方法,包括以下步骤:1)钙化区域检测模块中的深度神经网络模型来确定钙化区域与心血管的位置相关性;2)通过钙化区域检测模块中的深度神经网络模块来精准定位和分割钙化区域;3)通过钙化积分回归模块对钙化区域检测模块的钙化区域检测结果进行回归/计算,计算每个钙化位置的分数,在训练期间,使用金标准来训练其输出,在预测过程中,训练好的钙化区域检测模块会检测相关的钙区域,并将相应的概率/特征图提供给评分回归模块从而计算出钙分数。本发明能够自动区分目标血管周围的相关钙化区域与其他区域,从而消除了人工识别每个相关钙区域的工作。
Description
技术领域
本发明涉及钙化区域检测技术领域,具体涉及一种基于能谱CT的钙化分数计算的方法和装置。
背景技术
钙化积分是一种评估钙化斑块在血管周围发展程度的定量方法。现临床中有许多钙化积分的评估方法,包括Agatston积分,容量积分,和质量积分,其中Agatston积分作为一种有效的斑块负荷与与心血管疾病风险评估指标应用最为广泛。
在传统的评估方法中,Agatston评分过程是基于独立的平扫CT图像的。观察者需手动选择血管周围比预定阈值(>130 HU)亮的体素作为钙化体素,然后基于钙区域的亮度和面积,根据预定公式计算钙积分。过程中区分血管周围的钙化区域与沉积在其他位置(例如主动脉和骨骼)的钙化区域依靠人为区分。
计算机断层扫描血管造影(CTA)是一种常用的心血管造影方式,需对患者注射造影剂以增强CT扫描下的血管可见度。 CTA通常用于评估患者的血管状况。但是,由于打入造影剂后,CTA中的血管同钙化区域一样,也具有高亮度,令二者不易区分,因此在CTA中不易计算钙评分。
能谱CT与普通CT相比,在造影过程中可产生多张单能量图像,由于组织结构在不同能量点下有不同的显示效果,可据此调整图像显示效果。单能量图像不但具有更高的图像质量、信噪比及对比噪声比,更重要的是,不同组织间在不同能量图下的差值不同,可据此对组织进行有效区分。本发明申请公开一种从冠脉能谱CT全自动获得钙化积分的装置和方法,充分利用能谱CT优势,无需医生手动选择钙化区域,且省去了做额外平扫CT检查的必要。
发明内容
为解决上述问题,本发明公开了一种基于CTA的钙化分数计算装置,所述装置包括钙化区域检测模块和钙化积分回归模块,钙化区域检测模块和钙化积分回归模块分开提供并且同时运行,其中钙化检测模块旨在从输入能谱CT图像中检测出相关钙化区域。对于Agatston冠状动脉钙化评分,这意味着要确定钙沉积的区域,并且还应确定钙沉积与心血管间的相关性,确保其应在冠状动脉周围而不是在如主动脉之类的其他位置。传统的Agatston评分计算基于预定义的阈值识别NCCT图像中的钙化区域,将冠状动脉周围的钙化区域与其他部位的钙化区域区分开来时也需要人工干预。
相比之下,本发明充分利用能谱CT的组织分离优势,开发钙化检测和分数回顾模型,不需要人工进行钙化区域的标注,能够显著减少模型开发时间,以及避免人工干预的不一致性,本发明公开了一种基于能谱CT的钙化分数计算的方法,所述方法包括以下步骤:
1) 通过钙化区域检测模块中的深度神经网络模型来确定钙化区域与心血管的位置相关性;
2) 通过钙化区域检测模块中的深度神经网络模块来精准定位和分割钙化区域,这种结构能有效整合处于不同网络层中的具有不同分辨率的图像特征,加强网络特征提取能力,从而提升分割效果;
3) 通过对钙化区域检测模块的钙化区域检测结果进行回归/计算,计算每个钙化位置的分数,通过利用来自深度神经网络多个尺度的特征对相应的钙化积分进行回归,该深度学习模型可以采用多层全卷积深度神经网络,在训练期间,使用金标准来训练其输出,在测试过程中,在预测过程中,训练好的钙化区域检测模块会检测相关的钙区域,并将相应的概率/特征图提供给评分回归模块从而计算出钙分数。钙化积分的金标准可以从能谱CT的VNC获得,也可以通过普通平扫CT的钙化积分计算得到。在训练过程中,可以对单个的钙化区域进行单独训练,也可以对多个钙化区域一起进行训练。
从普通NCCT图像中手动选择钙化积分区域,并将区域掩码配准到薄层的CTA图像中是常用的金标准获取方法,但整个过程既费力又易出错。为提高标注效率及准确性,本设计利用能谱CT获得的VNC图像,无需任何人工即可获得钙化积分区域掩码。
作为本发明的一种改进,所述1)中通过能谱CT获得的VNC图像,首先,获得VNC中高于一定阈值的区域作为候选区域,其次,由分割模型基于CTA图像生成冠状动脉分割,由于VNC扫描与CTA完全吻合,仅将紧邻冠状动脉分割的候选钙化积分区域掩码保留为最后的钙化积分区域。
作为本发明的一种改进,在钙化检测过程中,通过感兴趣区域确定模块检测包含血管目标的区域,医学图像通常包含大量体素,例如肋骨,很容易被计算机系统误认为是钙化,通过感兴趣区域确定模块缩小视野,令分析集中在包含冠状动脉的区域上进行,有效地减少假阳数量。
作为本发明的一种改进,所述1)中将CTA图像作为输入并生成钙化检测结果和钙化分数结果。
作为本发明的一种改进,所述3)中,钙化区域检测模块的训练目标真值可以通过能谱CT的图像信息获得。
作为本发明的一种改进,所述3)中,图像信息帮助识别相关的钙化区域,包括每个钙化区域的体素级掩码。
作为本发明的一种改进,此设计还配置为按血管段,分支,路径或血管组提供分数测量。
作为本发明的一种改进,本系统除能计算整个图像的钙化积分外,还能按预设规则分配积分,如钙化亮度,位置,和容积等。在训练时,需按钙化积分种类需求提供给系统相应的训练真值。
本发明的有益效果是:
1)它能自动区分目标血管周围的相关钙化区域与其他区域,例如骨骼和其他非目标血管周围的钙化区域,从而消除了人工识别每个相关钙区域的工作;
2)能够基于能谱CT进行钙化积分计算并且保证高准确性。通过训练专用的钙化区域检测模块,令检测不再依赖于全局强度阈值。独立的钙评分回归模块能够对从输入目标图像计算出的评分进行回归。
附图说明
图1为本发明所述的装置模块示意图。
图2为基于多任务深度学习模型的于冠脉造影图像中量化钙化积分方法概览图。
图3为钙化区域在CTA,VNC及NCCT中的征象示意图。
图4为DL-CTA CAC与标准NCCT CAC的相关性关系图。
图5为DL-CTA CAC与标准NCCT CAC之间的一致性评估关系图。
具体实施方式
下面结合附图和具体实施方式,进一步阐明本发明,应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。
本发明公开了一种基于CTA的钙化分数计算装置,如图1所示,所述装置包括钙化区域检测模块和钙化积分回归模块,钙化区域检测模块和钙化积分回归模块分开提供并且同时运行。
本发明公开了一种基于能谱CT的钙化分数计算方法,所述方法包括以下步骤:
1) 通过钙化区域检测模块中的深度神经网络模型来确定钙化区域与心血管的位置相关性;
2) 通过钙化区域检测模块中的深度神经网络模块来精准定位钙化区域;
4) 通过钙化积分回归模块对钙化区域检测模块的钙化区域检测结果进行回归,计算每个钙化位置的分数,或者可以对多个钙化区域检测结果一起进行回归得出累计钙化分数。在训练期间,使用金标准来训练其输出,在预测过程中,训练好的钙化区域检测模块会检测相关的钙区域,并将相应的概率/特征图提供给评分回归模块从而计算出钙分数。钙化积分的金标准可以从能谱CT的VNC获得,也可以通过普通平扫CT的钙化积分计算得到。在训练过程中,可以对单个的钙化区域进行单独训练,也可以对多个钙化区域一起进行训练。
从普通NCCT图像中手动选择钙化积分区域,并将区域掩码配准到薄层的CTA图像中是常用的金标准获取方法,但整个过程既费力又易出错,如图3所示。为提高标注效率及准确性,本设计利用能谱CT获得的VNC图像,无需任何人工即可获得钙化积分区域掩码。
所述1)中通过能谱CT获得的VNC图像,首先,获得VNC中高于一定阈值的区域(如130HU)作为候选区域,其次,由分割模型基于CTA图像生成冠状动脉分割,该分割模型可以是传统基于图像分析方法等到,也可以通过深度神经网络获得,仅将紧邻冠状动脉分割的候选钙化积分区域掩码保留为最后的钙化积分区域。
在钙化检测过程中,通过感兴趣区域确定模块检测包含血管目标的区域,通过感兴趣区域确定模块缩小视野,令分析集中在包含冠状动脉的区域上进行。
所述1)中将CTA图像作为输入并生成钙化检测结果和钙化分数结果。
所述3)中,钙化区域检测模块的训练目标真值直接同人工标注获取或同自能谱CT的图像信息获得,该目标真值可以是钙化区域,例如边界框,也可以是体素级掩码。
所述3)中,图像信息帮助识别相关的钙化区域,包括每个钙化区域的体素级掩码,该体素级掩码定义了属于钙化区域的多个体素,可以体素级别的监督学习。
由本设计预测的钙化积分(DL-CTA CAC)和基于标准NCCT得到的 CAC之间的相关性很好(R2 = 0.87),如图4所示。Bland-Altman图,如图5所示,显示DL-CTA CAC得分与标准NCCT CAC得分之间具有良好的一致性。
由表1可见,基于DL-CTA和标准NCCT CAC风险分类的一致性在验证集上效果不错(加权kappa = 0.939; 95%CI:0.910-0.967)。
DL-CTA | 0-10 | 11-100 | 101-400 | >400 | NCCT total |
Standard-NCCT | <u></u> | ||||
0-10 | <u>112</u> | 2 | 0 | 0 | 114 |
11-100 | 3 | <u>51</u> | 5 | 0 | 59 |
101-400 | 0 | 2 | <u>28</u> | 3 | 33 |
>400 | 0 | 0 | 2 | <u>32</u> | 34 |
DL-CTA higher | 0 | 2 | 5 | 3 | 10 |
DL-CTA lower | 3 | 2 | 2 | 0 | 7 |
same | <u>112</u> | <u>51</u> | <u>28</u> | <u>32</u> | <u>223</u> |
DL-CTA total | 115 | 55 | 35 | 35 | 240 |
表1:基于DL-CTA和标准NCCT的CAC风险分类的验证集(n=240)结果
在本发明的描述中,需要说明的是,术语 “上”、“下”、“左”、“右”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制;此外,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
最后应说明的是:以上所述的实施例仅用于说明本发明的技术方案,而非对其限制,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或全部技术特征进行等同替换,而这些修改或替换,并不使相应技术方案的本质脱离本发明实施例技术方案的范围。
Claims (7)
1.一种基于能谱CT的钙化分数计算的方法,其特征在于,所述方法包括以下步骤:
1)通过钙化区域检测模块中的深度神经网络模型来确定钙化区域与心血管的位置相关性;
2)通过钙化区域检测模块中的深度神经网络模块来精准定位和分割钙化区域;
3)通过钙化积分回归模块对钙化区域检测模块的钙化区域检测结果进行回归/计算,计算每个钙化位置的分数,在训练期间,使用金标准来训练其输出,在预测过程中,训练好的钙化区域检测模块会检测相关的钙区域,并将相应的概率/特征图提供给钙化积分回归模块从而计算出钙分数。
2.根据权利要求1所述的一种基于能谱CT的钙化分数计算的方法,其特征在于,通过能谱CT获得的VNC图像,首先,获得VNC中高于一定阈值的区域作为候选区域,其次,由分割模型基于CTA图像生成冠状动脉分割区域,仅将紧邻冠状动脉分割的候选钙化积分区域掩码保留为最后的钙化积分区域,作为钙化去检测训练的金标准,钙化区域检测模块的训练目标真值直接同人工标注获取或同自能谱CT的图像信息获得。
3.根据权利要求2所述的一种基于能谱CT的钙化分数计算的方法,其特征在于,在钙化检测过程中,通过感兴趣区域确定模块检测包含血管目标的区域,通过感兴趣区域确定模块缩小视野,令分析集中在包含冠状动脉的区域上进行。
4.根据权利要求3所述的一种基于能谱CT的钙化分数计算的方法,其特征在于,所述1)中将CTA图像作为输入并生成钙化检测结果和钙化分数结果。
5.根据权利要求4所述的一种基于能谱CT的钙化分数计算的方法,其特征在于,所述3)中,图像信息帮助识别相关的钙化区域,包括每个钙化区域的体素级掩码。
6.基于权利要求1至5任一项所述的基于能谱CT的钙化分数计算的方法上的一种基于CTA的钙化分数计算的装置,其特征在于,所述装置包括钙化区域检测模块和钙化积分回归模块。
7.根据权利要求6所述的一种基于CTA的钙化分数计算的装置,其特征在于,钙化区域检测模块和钙化积分回归模块分开提供并且同时运行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110593457.8A CN113313687A (zh) | 2021-05-28 | 2021-05-28 | 一种基于能谱ct的钙化分数计算的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110593457.8A CN113313687A (zh) | 2021-05-28 | 2021-05-28 | 一种基于能谱ct的钙化分数计算的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113313687A true CN113313687A (zh) | 2021-08-27 |
Family
ID=77376115
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110593457.8A Pending CN113313687A (zh) | 2021-05-28 | 2021-05-28 | 一种基于能谱ct的钙化分数计算的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113313687A (zh) |
-
2021
- 2021-05-28 CN CN202110593457.8A patent/CN113313687A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8605979B2 (en) | Automatic detection and quantification of plaque in the coronary arteries of subjects from CT scans | |
CN110222759B (zh) | 一种冠状动脉易损斑块自动识别系统 | |
US7940970B2 (en) | Method and system for automatic quality control used in computerized analysis of CT angiography | |
US7567696B2 (en) | System and method for detecting the aortic valve using a model-based segmentation technique | |
US8649843B2 (en) | Automated calcium scoring of the aorta | |
EP3828817B1 (en) | Computer-implemented method for evaluating a ct data set regarding perivascular tissue, evaluation device, computer program and electronically readable storage medium | |
CN109035283B (zh) | 一种基于随机选取分区的肺气肿精准检测与量化分析方法 | |
CN102428495A (zh) | 对成像数据的置信度的自动评估 | |
US20230172451A1 (en) | Medical image visualization apparatus and method for diagnosis of aorta | |
EP4018415A1 (en) | Computerised tomography image processing | |
Takamoto et al. | Automated three-dimensional liver reconstruction with artificial intelligence for virtual hepatectomy | |
US11836921B2 (en) | Artificial-intelligence-based global cardiac motion classification | |
CN113826140B (zh) | 血管造影数据分析 | |
KR101162599B1 (ko) | 흉부 방사선 이미지 분석을 통한 심비대 자동탐지 방법 및 그 기록매체 | |
CN113313687A (zh) | 一种基于能谱ct的钙化分数计算的方法和装置 | |
CN115482223A (zh) | 图像处理方法、装置、存储介质及电子设备 | |
CN110892448B (zh) | 用于动脉钙化的检测和量化的方法 | |
CN117036302B (zh) | 主动脉瓣膜钙化程度的确定方法和系统 | |
Mohammadi et al. | Deep learning-based detection of coronary artery calcification in non-contrast and contrast-enhanced CT scans | |
US20230309940A1 (en) | Explainable deep learning camera-agnostic diagnosis of obstructive coronary artery disease | |
Peters et al. | Labeling the pulmonary arterial tree in CT images for automatic quantification of pulmonary embolism | |
CN114255207A (zh) | 用于确定重要性评分的方法和系统 | |
Sedghi Gamechi | Automatic Quantification of the Aorta and Pulmonary Artery in Chest CT: methods and validation in lung screening | |
CN116681890A (zh) | 一种基于目标检测的血管狭窄病变识别方法及其应用 | |
CN116563256A (zh) | 血管狭窄率、栓塞等级确定方法、装置及存储介质 |
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 |