CN113592879A - 基于人工智能的颈动脉斑块分割方法、装置及存储介质 - Google Patents
基于人工智能的颈动脉斑块分割方法、装置及存储介质 Download PDFInfo
- Publication number
- CN113592879A CN113592879A CN202110863545.5A CN202110863545A CN113592879A CN 113592879 A CN113592879 A CN 113592879A CN 202110863545 A CN202110863545 A CN 202110863545A CN 113592879 A CN113592879 A CN 113592879A
- Authority
- CN
- China
- Prior art keywords
- plaque
- bifurcation
- carotid plaque
- slice
- carotid
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000011218 segmentation Effects 0.000 title claims abstract description 44
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 22
- 238000003860 storage Methods 0.000 title claims abstract description 19
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 17
- 239000012528 membrane Substances 0.000 claims abstract description 7
- 238000001727 in vivo Methods 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 239000000463 material Substances 0.000 claims description 9
- 238000002372 labelling Methods 0.000 claims description 8
- 239000000203 mixture Substances 0.000 claims description 8
- 230000002966 stenotic effect Effects 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 230000006835 compression Effects 0.000 claims description 4
- 238000007906 compression Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000007670 refining Methods 0.000 claims description 2
- 238000003384 imaging method Methods 0.000 abstract description 7
- 238000013135 deep learning Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 13
- 239000010410 layer Substances 0.000 description 11
- 210000001367 artery Anatomy 0.000 description 7
- 208000031481 Pathologic Constriction Diseases 0.000 description 5
- 230000036262 stenosis Effects 0.000 description 5
- 208000037804 stenosis Diseases 0.000 description 5
- 201000001320 Atherosclerosis Diseases 0.000 description 4
- 208000014882 Carotid artery disease Diseases 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 208000037876 carotid Atherosclerosis Diseases 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 208000037260 Atherosclerotic Plaque Diseases 0.000 description 3
- 208000006011 Stroke Diseases 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000001356 surgical procedure Methods 0.000 description 3
- 206010003210 Arteriosclerosis Diseases 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 208000006170 carotid stenosis Diseases 0.000 description 2
- 230000008602 contraction Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000009556 duplex ultrasonography Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 201000006474 Brain Ischemia Diseases 0.000 description 1
- 206010008120 Cerebral ischaemia Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 210000001715 carotid artery Anatomy 0.000 description 1
- 238000013172 carotid endarterectomy Methods 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 206010008118 cerebral infarction Diseases 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000000302 ischemic effect Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 150000002632 lipids Chemical class 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000003562 morphometric effect Effects 0.000 description 1
- 238000013425 morphometry Methods 0.000 description 1
- 230000001338 necrotic effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035778 pathophysiological process Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 238000012285 ultrasound imaging 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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
- G06T2207/10136—3D ultrasound image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—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)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明提供一种基于人工智能的颈动脉斑块分割方法、装置及存储介质，包括：获取原始模式图像切片，基于所述原始模式图像切片识别分叉切片；对所述分叉切片进行初始边界点的标记，将标记的初始边界点进行插值以创建连续的初始边界；通过距离规则化水平集细化所述初始边界，获得颈动脉斑块血管内腔内膜边界和外壁边界，得到颈动脉斑块。本发明提供的技术方案，基于3DUS和深度学习的斑块分割集成框架，使用全新的3DUS成像对颈动脉斑块进行自动分割，提高了颈动脉斑块分割的准确率，能够更全面地测量斑块负担，使得颈动脉斑块的识别更加精确。
Description
技术领域
本发明涉及人工智能、动脉检测技术，尤其涉及一种基于人工智能的颈动脉斑块分割方法、装置及存储介质。
背景技术
动脉粥样硬化是动脉粥样硬化性心血管疾病(atherosclerotic cardiovasculardisease，ASCVD)的主要病理生理过程，主要分布在冠状动脉，颈动脉，脑血管和周围动脉。而颈内动脉斑块最常发生在颈动脉分叉处，其不仅是颈动脉粥样硬化的标志物，而且还是未来缺血事件的风险预测因子。颈动脉粥样硬化是中风的重要原因。而超声成像已被广泛用于动脉粥样硬化的诊断。
人们认为，颈动脉斑块的形状在随后的发展和破裂过程中起着非常重要的作用。预防(复发性)脑缺血是药物或外科治疗的目标。目前，临床通常根据狭窄程度决定是否进行手术治疗，例如颈动脉内膜切除术或颈动脉支架置入术，但是结合采用非侵入性措施选择斑块成分有望改善对患者的选择，这些患者将从外科手术中受益随着医学成像技术的发展，基于图像的计算模型已经被引入到计算斑块形状/应力和斑块的进展和破裂调查。而计算结果的准确性在很大程度上取决于这些模型所使用的数据和假设。因此，在超声图像中分割颈部动脉粥样硬化斑块是一项重要的任务。
在现有技术中，颈动脉粥样硬化的严重程度是通过二维双工超声(two-dimensional duplex ultrasound，2DUS)成像评估的方式基于速度的狭窄百分比标准进行评判。然而，现有的技术并不能很好地在图像与之后中风等症状的预测中建立一致的关系。因此斑块严重程度的额外措施需要更好地量化斑块负荷预测中风的风险。参数诸如病变几何形状或拓扑结构，在人体动脉粥样硬化斑块的新兴变量，不能从这种传统的分析导出。此外，随着越来越多的单独使用药物治疗无症状性颈动脉粥样硬化，斑块进展或消退的准确测量对于评估治疗的成败至关重要。尽管2D成像可用于定位斑块并测量其厚度，但是并不能纵向和横截面上可视化并量化斑块，实用性较差。
发明内容
本发明实施例提供一种基于人工智能的颈动脉斑块分割方法、装置及存储介质，。
本发明实施例的第一方面，提供一种基于人工智能的颈动脉斑块分割方法，包括：
获取原始模式图像切片，基于所述原始模式图像切片识别分叉切片得到分叉切片特征图像；
对所述分叉切片特征图像进行初始边界点的标记，将标记的初始边界点进行插值以创建连续的初始边界；
通过距离规则化水平集细化所述初始边界，获得颈动脉斑块血管内腔内膜边界和外壁边界，得到颈动脉斑块。
可选地，在第一方面的一种可能实现方式中，还包括：
对所述颈动脉斑块进行标记；
在所述颈动脉斑块所处管腔直径正常且为狭窄的远端斑块的终点处，标记该管腔恢复正常的直径。
可选地，在第一方面的一种可能实现方式中，所述获取原始模式图像切片，基于所述原始模式图像切片识别分叉切片包括：
基于编码器网络对获取的原始模式图像切片进行分叉特征的提取；
基于解码器网络对提取的分叉特征进行图像的重建以得到分叉切片特征图像；
基于soft-max层对所述分叉切片特征图像进行处理，使得分叉切片特征图像具有流明和非流明区域。
可选地，在第一方面的一种可能实现方式中，对所述分叉切片特征图像进行初始边界点的标记，将标记的初始边界点进行插值以创建连续的初始边界包括：
基于所述分叉切片特征图像形成分叉的三维模型；
对所述分叉的三维模型的轴向和周向收缩容器以得到数值起始几何形状；
施加轴向拉伸和圆周加压以恢复血管的体内形状；
通过以下公式计算血管材料特性和体内血管的斑块周向收缩率，包括：
其中，其中p(x|Ti)和p(t，d|Ti)是两个条件独立的概率率密度函数，Pr(Ti)是每种组织类型的相对频率。
可选地，在第一方面的一种可能实现方式中，所述通过距离规则化水平集细化所述初始边界，获得颈动脉斑块血管内腔内膜边界和外壁边界，得到颈动脉斑块包括：
通过变异系数CV将测量的变异性作为平均值的函数进行量化，包括：
其中，σ为变异性的标准偏差值，μ为变异性的均值，
获取菌斑体积和组织组成的最小可检测变化MDC，通过以下公式计算，包括：
其中，SEM是测量的标准误差，SD表示观察者内和观察者间测量的所有受试者的标准偏差；
基于所述变异系数CV、最小可检测变化MDC绘制内腔和外壁边界；
通过骰子相似系数和改性Hausdorff距离对所述内腔和外壁边界进行测量；
得到每个轴向切片的管腔和外壁边界的骰子相似系数和改性Hausdorff距离，基于所述骰子相似系数和改性Hausdorff距离得到颈动脉斑块。
本发明实施例的第二方面，提供一种基于人工智能的颈动脉斑块分割装置，包括：
识别模块，用于获取原始模式图像切片，基于所述原始模式图像切片识别分叉切片得到分叉切片特征图像；
创建模块，用于对所述分叉切片特征图像进行初始边界点的标记，将标记的初始边界点进行插值以创建连续的初始边界；
细化模块，用于通过距离规则化水平集细化所述初始边界，获得颈动脉斑块血管内腔内膜边界和外壁边界，得到颈动脉斑块。
可选地，在第二方面的一种可能实现方式中，还包括标记模块，用于执行以下步骤：
对所述颈动脉斑块进行标记；
在所述颈动脉斑块所处管腔直径正常且为狭窄的远端斑块的终点处，标记该管腔恢复正常的直径。
可选地，在第二方面的一种可能实现方式中，所述识别模块包括：
提取单元，用于基于编码器网络对获取的原始模式图像切片进行分叉特征的提取；
重建单元，用于基于解码器网络对提取的分叉特征进行图像的重建以得到分叉切片特征图像；
处理单元，用于基于soft-max层对所述分叉切片特征图像进行处理，使得分叉切片特征图像具有流明和非流明区域。
可选地，在第一方面的一种可能实现方式中，
本发明实施例的第三方面，提供一种可读存储介质，所述可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时用于实现本发明第一方面及第一方面各种可能设计的所述方法。
本发明提供的一种基于人工智能的颈动脉斑块分割方法、装置及存储介质，基于3DUS和深度学习的斑块分割集成框架，使用全新的3DUS成像对颈动脉斑块进行自动分割，提高了颈动脉斑块分割的准确率，能够更全面地测量斑块负担，使得颈动脉斑块的识别更加精确。
附图说明
图1为基于人工智能的颈动脉斑块分割方法的第一种实施方式的流程图；
图2为基于人工智能的颈动脉斑块分割方法的第二种实施方式的流程图；
图3为狭窄动脉的管腔(A和B)和外壁边界(C和D)的分割及重建图；
图4为基于人工智能的颈动脉斑块分割装置的第一种实施方式的流程图。
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中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
应当理解，在本发明的各种实施例中，各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
应当理解，在本发明中，“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解，在本发明中，“多个”是指两个或两个以上。“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“包含A、B和C”、“包含A、B、C”是指A、B、C三者都包含，“包含A、B或C”是指包含A、B、C三者之一，“包含A、B和/或C”是指包含A、B、C三者中任1个或任2个或3个。
应当理解，在本发明中，“与A对应的B”、“与A相对应的B”、“A与B相对应”或者“B与A相对应”，表示B与A相关联，根据A可以确定B。根据A确定B并不意味着仅仅根据A确定B，还可以根据A和/或其他信息确定B。A与B的匹配，是A与B的相似度大于或等于预设的阈值。
取决于语境，如在此所使用的“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
本发明提供一种基于人工智能的颈动脉斑块分割方法，如图1和图2所示其流程图，包括：
步骤S110、获取原始模式图像切片，基于所述原始模式图像切片识别分叉切片得到分叉切片特征图像。
步骤S110为初始化阶段，在初始化阶段，将原始模式图像切片从交叉平台导入到数学软件中，然后基于转换后的体积切片以此识别分叉切片。同步进行的2DUS检查期间获得的彩色流和灰度图像在必要时用于指导分叉的识别。本发明可确保不同使用者之间分叉切片选择的可重复性。半自动分割的开始和结束切片的选择方式与手动分割相同，其层间距离为1mm。该阶段允许分叉的识别以及对将被分割的横向图像的特定帧的选择。输出数值以mm3为单位测量。
步骤S120、对所述分叉切片特征图像进行初始边界点的标记，将标记的初始边界点进行插值以创建连续的初始边界。
步骤S120为中间的自动分段阶段，中间的自动分段阶段包括自动标记LIB(lumen-intima boundary，LIB)和OWB(outer wall boundary，OWB)上的六个初始边界点，每2mm标记六个轮廓点便对离散的标记点进行插值以创建连续的边界。以便在先前所识别出的分叉切片特征图像的每个帧中显示斑块。接着输入到下一个阶段。在算法的此中间阶段获得的初始边界可用于获得斑块尺寸和几何形状的近似估计。
步骤S130、通过距离规则化水平集细化所述初始边界，获得颈动脉斑块血管内腔内膜边界和外壁边界，得到颈动脉斑块。
步骤S130为在最后的自动分割阶段，使用距离规则化水平集方法细化了初始近似边界，以迭代地勾勒颈动脉斑块血管内腔内膜边界(lumen-intima boundary，LIB)和外壁边界(outer wall boundary，OWB)。本发明在计算基础上施加了停止准则，该准则可以在连续迭代中分析轮廓，以获得上述阶段中选择的每个横向输入图像的最终LIB和OWB边界，如图3所示。
其中图3为狭窄动脉的管腔(A和B)和外壁边界(C和D)的分割和三维(3D)重建图。A和B为轴向切片中的管腔分割和3D管腔重建：(A)在初始优化之前自动生成，而(B)在中间自动优化之后生成。(C)和(D)为轴向切片中的外壁分割和3D外壁重建：(C)在初始优化之前自动生成，而(D)在中间自动优化之后生成。血管壁被标记为普通(01)，内部(02)和外部(03)颈动脉。外壁标记为绿色(04)和蓝色(05)。
完整的3D模型对于斑块的分割至关重要。如图3所示的重建图，在迭代过程中基于重建图确定适合腔周长随心动周期变化的材料参数值。但是，完整的3D模型构建非常耗时，材料参数调整过程需要20–50次迭代，如果使用完整的3D模型，运算时间将难以承受。本发明使用一种3D薄层建模方法，作为一种近似方法，其计算成本比完整3D模型要低得多。将3D轴向拉伸应用于3D薄层模型，模仿完整的3D模型过程。3D薄层模型比使用的2D模型更接近真实的体内条件。这种3D薄层方法比完整的3D模型需要更少的计算成本，以实现周向收缩率和材料参数值的收敛。与2D模型结果相比，来自3D薄层模型的准确度比纯粹的2D模型高7.98％。差异表明，使用3D薄层模型代替2D模型将提高材料参数值估计的准确性。
在一个可能的实施方式中，还包括：
对所述颈动脉斑块进行标记；
在所述颈动脉斑块所处管腔直径正常且为狭窄的远端斑块的终点处，标记该管腔恢复正常的直径。
本发明在确定动脉粥样硬化斑块后，算法会在狭窄的近端斑块的起点处自动进行一个标记，而在该处的管腔直径正常且为狭窄的远端斑块的终点处，另行标记该管腔恢复正常的直径。该标记用于随后自动计算斑块的形态特征(几何形状和组织组成)。
在一个可能的实施方式中，步骤S110包括：
基于编码器网络对获取的原始模式图像切片进行分叉特征的提取；
基于解码器网络对提取的分叉特征进行图像的重建以得到分叉切片特征图像；
基于soft-max层对所述分叉切片特征图像进行处理，使得分叉切片特征图像具有流明和非流明区域。
通过步骤S110，可根据分段的软件获得图像的感兴趣区域(region ofinterested，ROI)，并将它们全部规格化为128×128像素。本发明使用改进的方法进行管腔分割，并在相关的医学图像分割任务中取得了出色的性能。提供了一种全自动的库文件分割方法，无需任何用户交互。体系结构包括一个编码器网络，用于从输入图像中提取特征；一个相应的解码器网络，用于以与原始图像相同的大小重建特征图；以及一个soft-max层，用于将特征图分类为流明和非流明区域以像素为单位。
随后对基于体内图像数据的斑块模型，本发明将确定收缩率(轴向收缩率和周向收缩率)，以将体内血管的几何形状缩小至其“空载”形状，从而获得加载的应力/应变条件。通过对原始二进制组织学分割进行高斯模糊来创建软标签，以减少组件之间边界处的权重，并通过估计的配准精度对权重进行加权。引入了一项收缩拉伸工艺计算三维流体-结构交互(Fluid structure interaction，FSI)模型与体内斑块数据。它们的收缩拉伸过程包括：a)轴向和周向收缩容器以得到数值起始几何形状；b)施加轴向拉伸和圆周加压以恢复血管的体内形状。轴向收缩率为9％，因此当施加10％的轴向拉伸时可以恢复体内血管长度。确定血管腔和外壁的周向收缩，以便：a)保留血管体积；b)加压和10％轴向拉伸后的血管形状恢复了原始的体内形状。本发明还可自动报告不均匀的收缩-拉伸过程，其与体内血管的几何形状更好地匹配。这是一种非侵入性方法来量化患者特定的血管材料特性和体内血管与“空载”几何之间的斑块周向收缩率。它们的材料性能和周向收缩率是通过3D斑块模型计算的。
其中p(xTi)和p(t，dTi)是两个条件独立的概率密度函数，Pr(Ti)是每种组织类型的相对频率。保留手动绘制的内腔和外壁边界，并用作算法的输入。根据这些管腔和壁的轮廓，本发明可以对斑块钙化区域和富脂坏死核心(lipid-rich necrotic core，LRNC)区域进行全自动分割，而无需进行任何手动校正。基于此公式，无论图像上的信号强度如何，均使用预对比得数作为参考在图像上进行颈动脉斑块的自动分割。算法一共输入三个图像权重：TOF，T1w和CE-T1。如果T1w不可用，则将其替换为T2w。
在一个可能的实施方式中，步骤S120包括：
基于所述分叉切片特征图像形成分叉的三维模型；
对所述分叉的三维模型的轴向和周向收缩容器以得到数值起始几何形状；
施加轴向拉伸和圆周加压以恢复血管的体内形状；
通过以下公式计算血管材料特性和体内血管的斑块周向收缩率，包括：
其中，其中p(x|Ti)和p(t，d|Ti)是两个条件独立的概率密度函数，pr(Ti)是每种组织类型的相对频率。
本发明使用MATLAB软件进行统计分析。总颈动脉斑块体积(腔和外膜边界之间的体积)以立方毫米为单位进行测量。使用变异系数CV将测量的变异性作为平均值的函数进行量化，以使(CV＝σ/μ)，
其中σ和μ分别代表标准偏差(standard deviation，SD)和均值。类内和类间相关系数(Intraclass and interclass correlation coefficients，ICC)被用作斑块体积和组织组成测量的可重复性测量。计算菌斑体积和组织组成(绝对值和比例值)的最小可检测变化(Minimal detective change，MDC)，假设相同的观察者和不同的观察者重复测量。其中，MDC的计算公式为
其中，SEM是测量的标准误差，SD表示观察者内和观察者间测量的所有受试者的平均SD。绘制的内腔和外壁边界(观察者内和观察者)的实际几何轮廓的对齐由骰子相似系数(Dice similar coefficient，DSC)和改性Hausdorff距离(modified Hausdorffdistance，MHD)进行评价。DSC测量的重叠从0(无重叠)的一对轮廓和范围之间为1(完全重叠)的量。MHD量化比较轮廓的相应点之间的平均距离(以毫米为单位)。较小的MHD值表示分析轮廓之间的相似度更高。确定沿每个患者整个斑块的每个轴向切片的管腔和外壁边界的DSC和MHD。结果以箱须图的形式表示，表示这些量度在所有图像中的分布。除非另有说明，否则所有值均以平均值±SD表示。
在一个可能的实施方式中，步骤S130包括：
通过变异系数CV将测量的变异性作为平均值的函数进行量化，包括：
其中，σ为变异性的标准偏差值，μ为变异性的均值，
获取菌斑体积和组织组成的最小可检测变化MDC，通过以下公式计算，包括：
其中，SEM是测量的标准误差，SD表示观察者内和观察者间测量的所有受试者的标准偏差；
基于所述变异系数CV、最小可检测变化MDC绘制内腔和外壁边界；
通过骰子相似系数和改性Hausdorff距离对所述内腔和外壁边界进行测量；
得到每个轴向切片的管腔和外壁边界的骰子相似系数和改性Hausdorff距离，基于所述骰子相似系数和改性Hausdorff距离得到颈动脉斑块。
本发明提供的技术方案，能够准确的斑块分割有助于测量颈动脉斑块负担。由于通过三维双工超声(three-dimensional duplex ultrasound，3DUS)成像评估的血管壁体积比常规的二维狭窄二维测量可更全面地测量斑块负担。本发明提供了一种新颖的基于3DUS和深度学习的斑块分割集成框架，使用全新的3DUS成像对颈动脉斑块进行自动分割且有效的解决现有的3DUS手动切割引起的一系列问题。
其中，在现有技术方案中，当前的颈动脉斑块测量技术为核磁MRI与2D或3D-DUS(three-dimensional duplex ultrasound，3DUS)。同DUS相比，MRI可以提供高分辨率图像，可以评估3D几何形状和斑块组织组成，但它对患者的运动敏感，需要更长的扫描时间，专用设备和操作员技能，所有这些都会导致成本增加，所以并不适合临床大面积推广。
对于3D-DUS，在大规模研究中使用3D测量的斑块形态测量指标之前，开发和验证标准化的分析技术至关重要。本发明提供了分割颈动脉斑块的可靠、可复用的技术方案，并且其能够检测出形态上的细微变化，大大提高了临床3D图像测量颈动脉斑块形态(几何形状和组织组成)的半自动图像处理协议的能力。
本发明根据自动动分配参考点以定义动脉，每条动脉花费3±1分钟。半自动分割、管腔和外壁的编辑在每条动脉以17±10分钟内完成。因此，整个分析的总时间为每条动脉20±11分钟。本发明有效地实现了不同使用者之间的斑块的几何形状尺寸的可重复性测量，并将花费时间从原先的45分钟至一个小时压缩至20-30分钟，大大提高了临床影像科医生的工作效率。
本发明的实施例还提供一种基于人工智能的颈动脉斑块分割装置，如图4所示，包括：
识别模块，用于获取原始模式图像切片，基于所述原始模式图像切片识别分叉切片得到分叉切片特征图像；
创建模块，用于对所述分叉切片特征图像进行初始边界点的标记，将标记的初始边界点进行插值以创建连续的初始边界；
细化模块，用于通过距离规则化水平集细化所述初始边界，获得颈动脉斑块血管内腔内膜边界和外壁边界，得到颈动脉斑块。
在一个可能的实施方式中，还包括标记模块，用于执行以下步骤：
对所述颈动脉斑块进行标记；
在所述颈动脉斑块所处管腔直径正常且为狭窄的远端斑块的终点处，标记该管腔恢复正常的直径。
在一个可能的实施方式中，所述识别模块包括：
提取单元，用于基于编码器网络对获取的原始模式图像切片进行分叉特征的提取；
重建单元，用于基于解码器网络对提取的分叉特征进行图像的重建以得到分叉切片特征图像；
处理单元，用于基于soft-max层对所述分叉切片特征图像进行处理，使得分叉切片特征图像具有流明和非流明区域。
其中，可读存储介质可以是计算机存储介质，也可以是通信介质。通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。计算机存储介质可以是通用或专用计算机能够存取的任何可用介质。例如，可读存储介质耦合至处理器，从而使处理器能够从该可读存储介质读取信息，且可向该可读存储介质写入信息。当然，可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(ApplicationSpecific Integrated Circuits，简称：ASIC)中。另外，该ASIC可以位于用户设备中。当然，处理器和可读存储介质也可以作为分立组件存在于通信设备中。可读存储介质可以是只读存储器(ROM)、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本发明还提供一种程序产品，该程序产品包括执行指令，该执行指令存储在可读存储介质中。设备的至少一个处理器可以从可读存储介质读取该执行指令，至少一个处理器执行该执行指令使得设备实施上述的各种实施方式提供的方法。
在上述终端或者服务器的实施例中，应理解，处理器可以是中央处理单元(英文：Central Processing Unit，简称：CPU)，还可以是其他通用处理器、数字信号处理器(英文：Digital Signal Processor，简称：DSP)、专用集成电路(英文：Application SpecificIntegrated Circuit，简称：ASIC)等。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。结合本发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (9)
1.一种基于人工智能的颈动脉斑块分割方法，其特征在于，包括：
获取原始模式图像切片，基于所述原始模式图像切片识别分叉切片得到分叉切片特征图像；
对所述分叉切片特征图像进行初始边界点的标记，将标记的初始边界点进行插值以创建连续的初始边界；
通过距离规则化水平集细化所述初始边界，获得颈动脉斑块血管内腔内膜边界和外壁边界，得到颈动脉斑块。
2.根据权利要求1所述的基于人工智能的颈动脉斑块分割方法，其特征在于，还包括：
对所述颈动脉斑块进行标记；
在所述颈动脉斑块所处管腔直径正常且为狭窄的远端斑块的终点处，标记该管腔恢复正常的直径。
3.根据权利要求1所述的基于人工智能的颈动脉斑块分割方法，其特征在于，
所述获取原始模式图像切片，基于所述原始模式图像切片识别分叉切片包括：
基于编码器网络对获取的原始模式图像切片进行分叉特征的提取；
基于解码器网络对提取的分叉特征进行图像的重建以得到分叉切片特征图像；
基于soft-max层对所述分叉切片特征图像进行处理，使得分叉切片特征图像具有流明和非流明区域。
4.根据权利要求1所述的基于人工智能的颈动脉斑块分割方法，其特征在于，
对所述分叉切片特征图像进行初始边界点的标记，将标记的初始边界点进行插值以创建连续的初始边界包括：
基于所述分叉切片特征图像形成分叉的三维模型；
对所述分叉的三维模型的轴向和周向收缩容器以得到数值起始几何形状；
施加轴向拉伸和圆周加压以恢复血管的体内形状；
通过以下公式计算血管材料特性和体内血管的斑块周向收缩率，包括：
其中，其中p(x|Ti)和p(t，d|Ti)是两个条件独立的概率密度函数，Pr(Ti)是每种组织类型的相对频率。
5.根据权利要求1所述的基于人工智能的颈动脉斑块分割方法，其特征在于，
所述通过距离规则化水平集细化所述初始边界，获得颈动脉斑块血管内腔内膜边界和外壁边界，得到颈动脉斑块包括：
通过变异系数CV将测量的变异性作为平均值的函数进行量化，包括：
其中，σ为变异性的标准偏差值，μ为变异性的均值，
获取菌斑体积和组织组成的最小可检测变化MDC，通过以下公式计算，包括：
其中，SEM是测量的标准误差，SD表示观察者内和观察者间测量的所有受试者的标准偏差；
基于所述变异系数CV、最小可检测变化MDC绘制内腔和外壁边界；
通过骰子相似系数和改性Hausdorff距离对所述内腔和外壁边界进行测量；
得到每个轴向切片的管腔和外壁边界的骰子相似系数和改性Hausdorff距离，基于所述骰子相似系数和改性Hausdorff距离得到颈动脉斑块。
6.一种基于人工智能的颈动脉斑块分割装置，其特征在于，包括：
识别模块，用于获取原始模式图像切片，基于所述原始模式图像切片识别分叉切片得到分叉切片特征图像；
创建模块，用于对所述分叉切片特征图像进行初始边界点的标记，将标记的初始边界点进行插值以创建连续的初始边界；
细化模块，用于通过距离规则化水平集细化所述初始边界，获得颈动脉斑块血管内腔内膜边界和外壁边界，得到颈动脉斑块。
7.根据权利要求6所述的基于人工智能的颈动脉斑块分割装置，其特征在于，还包括标记模块，用于执行以下步骤：
对所述颈动脉斑块进行标记；
在所述颈动脉斑块所处管腔直径正常且为狭窄的远端斑块的终点处，标记该管腔恢复正常的直径。
8.根据权利要求6所述的基于人工智能的颈动脉斑块分割装置，其特征在于，
所述识别模块包括：
提取单元，用于基于编码器网络对获取的原始模式图像切片进行分叉特征的提取；
重建单元，用于基于解码器网络对提取的分叉特征进行图像的重建以得到分叉切片特征图像；
处理单元，用于基于soft-max层对所述分叉切片特征图像进行处理，使得分叉切片特征图像具有流明和非流明区域。
9.一种可读存储介质，其特征在于，所述可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时用于实现权利要求1至5任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110863545.5A CN113592879A (zh) | 2021-07-29 | 2021-07-29 | 基于人工智能的颈动脉斑块分割方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110863545.5A CN113592879A (zh) | 2021-07-29 | 2021-07-29 | 基于人工智能的颈动脉斑块分割方法、装置及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113592879A true CN113592879A (zh) | 2021-11-02 |
Family
ID=78251794
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110863545.5A Pending CN113592879A (zh) | 2021-07-29 | 2021-07-29 | 基于人工智能的颈动脉斑块分割方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113592879A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114170378A (zh) * | 2021-11-27 | 2022-03-11 | 飞依诺科技(苏州)有限公司 | 医疗设备、血管及内部斑块三维重建方法和装置 |
| CN114224388A (zh) * | 2021-12-31 | 2022-03-25 | 山东大学 | 基于多频率超声的颈动脉三维重建方法及系统 |
| CN114431846A (zh) * | 2022-01-12 | 2022-05-06 | 中国科学院力学研究所 | 一种术中血管血压非接触式测量方法及视觉检测系统 |
| CN114693622A (zh) * | 2022-03-22 | 2022-07-01 | 电子科技大学 | 一种基于人工智能的斑块侵蚀自动检测系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070038061A1 (en) * | 2005-06-24 | 2007-02-15 | Volcano Corporation | Three dimensional co-registration for intravascular diagnosis and therapy |
| US20070269086A1 (en) * | 2006-03-22 | 2007-11-22 | Kerwin William S | Conditional shape model for image processing |
| US20110257545A1 (en) * | 2010-04-20 | 2011-10-20 | Suri Jasjit S | Imaging based symptomatic classification and cardiovascular stroke risk score estimation |
| US20170109881A1 (en) * | 2015-10-14 | 2017-04-20 | The Regents Of The University Of California | Automated segmentation of organ chambers using deep learning methods from medical imaging |
| US20190175142A1 (en) * | 2017-12-12 | 2019-06-13 | Canon Medical Systems Corporation | Ultrasonic diagnostic apparatus, medical image processing apparatus, and method for calculating plaque score |
| WO2021129325A1 (zh) * | 2019-12-25 | 2021-07-01 | 飞依诺科技(苏州)有限公司 | 超声图像病灶的分割方法、装置和计算机设备 |
-
2021
- 2021-07-29 CN CN202110863545.5A patent/CN113592879A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070038061A1 (en) * | 2005-06-24 | 2007-02-15 | Volcano Corporation | Three dimensional co-registration for intravascular diagnosis and therapy |
| US20070269086A1 (en) * | 2006-03-22 | 2007-11-22 | Kerwin William S | Conditional shape model for image processing |
| US20110257545A1 (en) * | 2010-04-20 | 2011-10-20 | Suri Jasjit S | Imaging based symptomatic classification and cardiovascular stroke risk score estimation |
| US20170109881A1 (en) * | 2015-10-14 | 2017-04-20 | The Regents Of The University Of California | Automated segmentation of organ chambers using deep learning methods from medical imaging |
| US20190175142A1 (en) * | 2017-12-12 | 2019-06-13 | Canon Medical Systems Corporation | Ultrasonic diagnostic apparatus, medical image processing apparatus, and method for calculating plaque score |
| WO2021129325A1 (zh) * | 2019-12-25 | 2021-07-01 | 飞依诺科技(苏州)有限公司 | 超声图像病灶的分割方法、装置和计算机设备 |
Non-Patent Citations (1)
| Title |
|---|
| 李俊来 等；: "颈动脉粥样硬化斑块的超声影像分析", 中华超声影像学杂志, no. 11, 25 November 2003 (2003-11-25), pages 52 - 53 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114170378A (zh) * | 2021-11-27 | 2022-03-11 | 飞依诺科技(苏州)有限公司 | 医疗设备、血管及内部斑块三维重建方法和装置 |
| CN114224388A (zh) * | 2021-12-31 | 2022-03-25 | 山东大学 | 基于多频率超声的颈动脉三维重建方法及系统 |
| CN114224388B (zh) * | 2021-12-31 | 2023-07-28 | 山东大学 | 基于多频率超声的颈动脉三维重建方法及系统 |
| CN114431846A (zh) * | 2022-01-12 | 2022-05-06 | 中国科学院力学研究所 | 一种术中血管血压非接触式测量方法及视觉检测系统 |
| CN114431846B (zh) * | 2022-01-12 | 2023-09-22 | 中国科学院力学研究所 | 一种术中血管血压非接触式测量方法及视觉检测系统 |
| CN114693622A (zh) * | 2022-03-22 | 2022-07-01 | 电子科技大学 | 一种基于人工智能的斑块侵蚀自动检测系统 |
| CN114693622B (zh) * | 2022-03-22 | 2023-04-07 | 电子科技大学 | 一种基于人工智能的斑块侵蚀自动检测系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11049246B2 (en) | Rapid calculation method and system for plaque stability index based on medical image sequence | |
| CN113592879A (zh) | 基于人工智能的颈动脉斑块分割方法、装置及存储介质 | |
| Lynch et al. | Automatic segmentation of the left ventricle cavity and myocardium in MRI data | |
| Barbosa et al. | Fast and fully automatic 3-d echocardiographic segmentation using b-spline explicit active surfaces: Feasibility study and validation in a clinical setting | |
| Tang et al. | Semiautomatic carotid lumen segmentation for quantification of lumen geometry in multispectral MRI | |
| Shekhar et al. | Three-dimensional segmentation of luminal and adventitial borders in serial intravascular ultrasound images | |
| CN110349143B (zh) | 一种确定管状组织感兴趣区的方法、装置、设备及介质 | |
| Guo et al. | A machine learning-based method for intracoronary oct segmentation and vulnerable coronary plaque cap thickness quantification | |
| CN113066091A (zh) | 基于黑血管壁曲面重建的脑血管分割方法、装置及存储介质 | |
| CN109009000A (zh) | 一种主动脉夹层破口位置的检测方法 | |
| CN113223015A (zh) | 血管壁图像分割方法、装置、计算机设备和存储介质 | |
| CN113643353B (zh) | 眼底图像的血管管径的增强分辨率的测量方法 | |
| Sakellarios et al. | Novel methodology for 3D reconstruction of carotid arteries and plaque characterization based upon magnetic resonance imaging carotid angiography data | |
| CN114782358A (zh) | 一种血管形变自动计算的方法、装置及存储介质 | |
| CN115018863A (zh) | 基于深度学习的图像分割方法及装置 | |
| WO2004086296A2 (en) | Computation of wall thickness | |
| Marin-Castrillon et al. | 4D segmentation of the thoracic aorta from 4D flow MRI using deep learning | |
| CN112116623B (zh) | 图像分割方法及装置 | |
| CN111627023B (zh) | 一种冠脉投影图像生成的方法、装置及计算机可读介质 | |
| Oguz et al. | Automated placenta segmentation from 3D ultrasound images | |
| CN115841472A (zh) | 大脑中动脉高密度征识别方法、装置、设备及存储介质 | |
| Wang et al. | Improving segmentation of breast arterial calcifications from digital mammography: good annotation is all you need | |
| CN114708283A (zh) | 图像目标的分割方法、装置、电子设备及存储介质 | |
| CN113129297A (zh) | 基于多期相肿瘤影像的直径自动测量方法及系统 | |
| Habijan et al. | Estimation of the left ventricle volume using semantic segmentation |
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 |