CN113939224A - 椎动脉夹层风险评估方法、计算机设备和存储介质 - Google Patents

椎动脉夹层风险评估方法、计算机设备和存储介质 Download PDF

Info

Publication number
CN113939224A
CN113939224A CN202080021285.0A CN202080021285A CN113939224A CN 113939224 A CN113939224 A CN 113939224A CN 202080021285 A CN202080021285 A CN 202080021285A CN 113939224 A CN113939224 A CN 113939224A
Authority
CN
China
Prior art keywords
hemodynamic
vertebral
magnetic resonance
resonance imaging
imaging data
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.)
Granted
Application number
CN202080021285.0A
Other languages
English (en)
Other versions
CN113939224B (zh
Inventor
钱正
谭辉
杜楠
涂旻
王堃
韩连漪
范伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tencent America LLC
Original Assignee
Tencent America LLC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tencent America LLC filed Critical Tencent America LLC
Publication of CN113939224A publication Critical patent/CN113939224A/zh
Application granted granted Critical
Publication of CN113939224B publication Critical patent/CN113939224B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/021—Measuring pressure in heart or blood vessels
    • A61B5/02108—Measuring pressure in heart or blood vessels from analysis of pulse wave characteristics
    • A61B5/02125—Measuring pressure in heart or blood vessels from analysis of pulse wave characteristics of pulse wave propagation time
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • 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
    • G06T7/149—Segmentation; Edge detection involving deformable models, e.g. active contour models
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A61B5/02444—Details of sensor
    • 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
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • 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
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G06T2207/10096—Dynamic contrast-enhanced magnetic resonance imaging [DCE-MRI]
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular
    • G06T2207/30104—Vascular flow; Blood flow; Perfusion

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Surgery (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Radiology & Medical Imaging (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Cardiology (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Vascular Medicine (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

使用基于血液动力学变量的四维磁共振血流成像进行椎动脉夹层风险分析的方法和装置，包括：获得四维相位对比磁共振成像数据，对四维相位对比磁共振成像数据进行预处理，从四维相位对比磁共振成像数据获得至少一个血液动力学指标，将至少一个血液动力学指标归类成椎动脉夹层的血液动力学预测值，以及使用血液动力学预测值来创建椎动脉夹层的综合风险评估。

Description

椎动脉夹层风险评估方法、计算机设备和存储介质
相关申请的交叉引用
本申请要求于2019年4月2日提交的第16/372,780号美国申请的优先权，该美国申请的公开内容通过引用整体并入本文。
背景技术
领域
所公开的主题涉及椎动脉夹层(VAD)的诊断和风险评估。
现有技术的描述
VAD是位于颈部并向大脑供血的椎动脉的内衬的瓣状撕裂。VAD通常导致血液进入动脉壁，进而可形成血块，使动脉壁增厚且经常阻碍血液流动。
虽然在普通人群中VAD事件相对较少(每10万人中约有1.1人受到影响，如[1]SchievinkWI，Roiter V.在Front Neurol Neurosci 2005；20:12-15发表的“Epidemiologyof cervical artery dissection(颈动脉夹层的流行病学)”报告的，但是在过去几十年中，此类事件一直在上升。此外，VAD可能是年轻人群和中年人群发生缺血性中风的主要原因。此外，经历VAD的患者中相当大比例的患者(大约占所有VAD病例的67％-85％)会发生渗透状况或经历中风，如[2]Kim Y-K，Schulman S.在Thomb Res.2009；123:810-821发表的“Cervical artery dissection:pathology,epidemiology and management(颈动脉夹层：病理，流行病学和管理)”公开的。
VAD可分成两种类型：自发性VAD和创伤性VAD。自发性VAD通常起源于内在因素，特别是各种潜在动脉病。另一方面，创伤性VAD通常由外在因素(例如颈部受伤)引起。然而，VAD事件的原因可以是组合的。也就是说，具有薄弱椎动脉的患者可更加容易遭受外在创伤和创伤性VAD。
研究，例如[3]Debette S，Leys D.在Lancet Neurol,2009；8:668-678发表的“Cervical-artery dissections:predisposing factors,diagnosis,and outcome(颈动脉夹层：诱发因素、诊断和效果)”已表明自发性VAD与可导致椎动脉壁脆弱的许多潜在疾病之间的可能关联。这些疾病包括结缔组织疾病、炎症和某些类型的遗传疾病。然而，如[4]Debette S，Markus HS在Stroke.2009；40:e459-66发表的“The genetics of cervicalartery dissection:a systematic review(颈动脉夹层的遗传学：系统性综述)”提到的，没有令人信服地证明这些可能关联。
血管成像技术，例如计算机断层扫描血管造影(CTA)和磁共振血管造影(MRA)，通常用于诊断VAD。然而，迄今为止，尚未使用或建议使用此类成像技术作为预测工具，来评估椎动脉的脆弱性和评估未来VAD在无症状患者中发展的风险。
如上所提到的，最近的研究已确定发生VAD的许多潜在推动因素。这些风险因素中的大多数风险因素与可导致椎动脉的脆弱性的潜在动脉病相关。此类动脉病包括但不限于遗传性结缔组织疾病、纤维肌肉发育不良和动脉炎症。这些危险因素分别在[5]RouvièreS，Michelini R，Sarda P，Pagès M.在Cerebrovasc Dis.2004；17:270–272发表的“Spontaneous carotid artery dissection in two siblings with osteogenesisimperfecta(两个患有成骨不全症的兄弟姐妹的自发性颈动脉夹层)”、(在上文引用的)Cervical-artery dissections:predisposing factors,diagnosis,and outcome(颈动脉夹层：诱发因素、诊断和效果)和(在上文引用的)[2]Cervical artery dissection:pathology,epidemiology and management(颈动脉夹层：病理，流行病学和管理)中进行研究。
最近，超声成像用于评估颈动脉的动脉壁脆弱性，这种脆弱性与颈动脉夹层的发生相关联，如[6]Calvet D，Boutouyrie P，Touze E，Laloux B，Mas J-L，Laurent S.在Stroke.2004；35:2078-2082发表的“Increased stiffness of the carotid wallmaterial in patients with spontaneous cervical artery dissection(对于患有自发性颈动脉夹层的患者，颈动脉壁材料的硬度增加)”说明的。
对比增强磁共振成像(MRI)已用作VAD事件发生之后的后续成像工具，如[7]Provenzale JM.在Emerg Radiol,2009；16:185-193发表的“MRI and MRA for evaluationof dissection of craniocerebral arteries:lessons from the medical literature(MRI和MRA用于评估颅脑动脉夹层：来自医学文献的教训)”公开的。
然而，虽然使用这些已知的技术，但是缺乏基于成像的预测工具来评估VAD的风险，以防止VAD。
现在，将描述四维相位对比磁共振成像(4D PC-MRI)的现有技术。
流向大脑的血流紊乱与多种神经疾病(从中风和血管疾病到老年痴呆症和认知衰退)相关联。
二维相位对比磁共振成像(2D PC-MRI)已在临床上使用，来研究大脑动脉的选定横向平面中的血流，如[8]Lotz J，Doker R，Noeske R，Schüttert M，Felix R，Galanski M等人在J Magn Reson Imaging.2005；21:604–610发表的“In vitro validation ofphase-contrast flow measurements at 3T in comparison to 1.5T:precision,accuracy,and signal-to-noise ratios(与1.5T相比，在3T下相位对比血流测量的体外验证：精密度，精确度和信噪比)”公开的。
近年来，主要在研究主动脉和颈动脉中的时间分辨三维(3D)血流的研究能力下开发和实施4D PC-MRI，如[9]Stankovic Z，Allen BD，Garcia J，Jarvis KB，Markl M.在Cardiovasc Diagn Ther.2014；4:173-192发表的“4D flow imaging with MRI(通过MRI实现4D血流成像)”讨论的。
由于椎动脉的尺寸较小，因此椎动脉通常不是4D血流成像的目标。实际上，传统上难以针对这些动脉进行4D血流成像。
此外，由于4D PC-MRI的获取和后处理比较困难，因此4D PC-MRI在临床上很少使用。
此外，尚未使用4D PC-MRI来评估VAD发生的风险。
引用文献列表：
[1]：SchievinkWI，Roiter V.在Front Neurol Neurosci 2005；20:12-15发表的“Epidemiology of cervical artery dissection(颈动脉夹层的流行病学)”；
[2]：Kim Y-K，Schulman S.在Thomb Res.2009；123:810-821发表的“Cervicalartery dissection:pathology,epidemiology and management(颈动脉夹层：病理，流行病学和管理)”；
[3]：Debette S，Leys D.在Lancet Neurol,2009；8:668-678发表的“Cervical-artery dissections:predisposing factors,diagnosis,and outcome(颈动脉夹层：诱发因素、诊断和效果)”；
[4]：Debette S，Markus HS在Stroke.2009；40:e459-66发表的“The genetics ofcervical artery dissection:a systematic review(颈动脉夹层的遗传学：系统性综述)”；
[5]：Rouvière S，Michelini R，Sarda P，Pagès M.在Cerebrovasc Dis.2004；17:270–272发表的“Spontaneous carotid artery dissection in two siblings withosteogenesis imperfecta(两个患有成骨不全症的兄弟姐妹的自发性颈动脉夹层)”；
[6]：Calvet D，Boutouyrie P，Touze E，Laloux B，Mas J-L，Laurent S.在Stroke.2004；35:2078-2082发表的“Increased stiffness of the carotid wallmaterial in patients with spontaneous cervical artery dissection(对于患有自发性颈动脉夹层的患者，颈动脉壁材料的硬度增加)；
[7]：Provenzale JM.在Emerg Radiol,2009；16:185-193发表的“MRI and MRAfor evaluation of dissection of craniocerebral arteries:lessons from themedical literature(MRI和MRA用于评估颅脑动脉夹层：来自医学文献的教训)；
[8]：Lotz J，Doker R，Noeske R，Schüttert M，Felix R，Galanski M等人在JMagn Reson Imaging.2005；21:604–610发表的“In vitro validation of phase-contrast flow measurements at 3T in comparison to 1.5T:precision,accuracy,andsignal-to-noise ratios(与1.5T相比，在3T下相位对比血流测量的体外验证：精密度，精确度和信噪比)”；
[9]：Stankovic Z，Allen BD，Garcia J，Jarvis KB，Markl M.在CardiovascDiagn Ther.2014；4:173-192发表的“4D flow imaging with MRI(通过MRI实现4D血流成像)”。
某些实施例的效果和优点
鉴于上述情况，开发本公开。
某些实施例提供预测工具，来评估VAD在某些高风险无症状患者中发展的风险。该实施例和其他实施例可利用4D PC-MRI来可视化和量化椎动脉中的血流。在某些实施例中，可对从4D PC-MRI提取的时间分辨3D流速场进行处理，以提取各种血液动力学变量，例如脉动波速度和动脉壁剪切应力，来评估椎动脉的健康度以及椎动脉壁和血流之间的动态相互作用。
在某些实施例中，血液动力学变量可包括但绝不限于4D流速场、血流脉动速度和壁剪切应力的时间分辨分布。这些虚幻的血液动力学变量可级联以形成患者的椎动脉的复杂血液动力学轮廓。
在某些实施例中，该轮廓可用于使用机器学习来训练前述预测工具。
此外，在某些实施例中，基于血流成像的血液动力学变量可进一步与其他成像/实验室/基因测试数据集成，例如以生成用于VAD的综合预测工具。此外，在某些实施例中，这种集成可通过统计分析和/或机器学习来执行。
即，本公开的某些实施例基于使用4D PC-MRI分析椎动脉的血液动力学以及血液动力学变量与其他解剖/临床信息的可选集成，提供VAD风险评估工具。
因此，本公开的某些实施例提供一种方法、装置和存储介质，其用于在相对小的血管中以高空间分辨率成像时间分辨3D血流场、通过最小的用户交互实施4D PC-MRI的后处理、使用血流成像对个体的椎动脉的健康度和脆弱性进行无创评估、以及实施多模态和多源来数据的信息融合，来评估VAD风险。
发明内容
一个或多个实施例提供一种义素预测方法、计算机设备和存储介质。
根据实施例的一方面，提供一种用于椎动脉夹层风险评估的方法，该方法包括：获得四维相位对比磁共振成像数据，对四维相位对比磁共振成像数据进行预处理，从四维相位对比磁共振成像数据获得至少一个血液动力学指标，将至少一个血液动力学指标归类成椎动脉夹层的血液动力学预测值，以及使用血液动力学预测值来创建椎动脉夹层的综合风险评估。
根据实施例的一方面，提供一种用于椎动脉夹层风险评估的装置，该装置包括：至少一个存储器，配置成存储计算机程序代码；至少一个硬件处理器，配置成访问所述计算机程序代码并按照所述计算机程序代码的指令操作，所述计算机程序代码包括：第一获取代码，配置成使得所述至少一个硬件处理器获得四维相位对比磁共振成像数据；预处理代码，配置成使得所述至少一个硬件处理器对四维相位对比磁共振成像数据进行预处理；第二获取代码，配置成使得所述至少一个硬件处理器从四维相位对比磁共振成像数据获得至少一个血液动力学指标；归类代码，配置成使得所述至少一个硬件处理器将至少一个血液动力学指标归类成椎动脉夹层的血液动力学预测值；以及创建代码，配置成使得所述至少一个硬件处理器使用血液动力学预测值来创建椎动脉夹层的综合风险评估。
根据实施例的一方面，提供一种非瞬时性计算机可读介质，非瞬时性计算机可读介质存储用于椎动脉夹层风险评估的指令，指令包括一个或多个指令，一个或多个指令在由装置的一个或多个处理器执行时，使得一个或多个处理器：获得四维相位对比磁共振成像数据，对四维相位对比磁共振成像数据进行预处理，从四维相位对比磁共振成像数据获得至少一个血液动力学指标，将至少一个血液动力学指标归类成椎动脉夹层的血液动力学预测值，以及使用血液动力学预测值来创建椎动脉夹层的综合风险评估。
附图说明
图1是根据实施例的可实现本文描述的方法、装置和系统的环境的图。
图2是图1的一个或多个设备的示例组件的图。
图3是根据实施例的VAD诊断和风险评估方法的图。
图4是主动脉血流的示意图。
图5是示出根据实施例的VAD诊断和风险评估的流程图。
具体实施方式
为了使本申请的目的、技术方案和优点更清楚和可理解，将参照附图进一步详细描述实施例。应当理解，本文描述的具体实现方式仅用于解释本申请，而不是限制本申请。
图1是根据实施例的椎动脉夹层(VAD)诊断和风险评估方法的应用环境的示意图。如图1所示，应用环境包括用户终端110和服务器120，用户终端110与服务器120通信。用户可通过用户终端110之一输入数据，例如四维相位对比磁共振成像(4D PC-MRI)数据、患者数据和/或血液动力学变量数据，所输入的数据可通过通信网络发送到服务器120，服务器120可处理数据，并基于所输入的数据提供与VAD诊断和风险预测相关的信息。可选地，用户可通过用户终端110之一输入数据，用户终端110可处理所输入的数据，基于所输入的数据提供与VAD诊断和风险预测相关的信息，并通过通信网络将与VAD诊断和风险预测相关的信息发送到服务器120，通信网络又可将与VAD诊断和风险预测相关的信息发送到另一个用户终端110。
图2是根据实施例的计算机设备的内部结构的示意图。计算机设备可以是用户终端或服务器。如图2所示，计算机设备包括通过系统总线连接的处理器、存储器和网络接口。处理器配置成提供计算和控制能力，以支持计算机设备的操作。存储器包括非易失性存储介质和内部存储器。非易失性存储介质可存储操作系统和计算机可读指令，且内部存储器提供用于运行非易失性存储介质中的操作系统和计算机可读指令的环境。当处理器执行计算机可读指令时，处理器可执行VAD诊断和风险预测方法。网络接口配置成执行与外部终端的网络通信。
实施例不限于图2所示的结构，可以在不脱离本公开的范围的情况下进行各种改变。具体地，计算机设备可包括比图2中的构件多或少的构件，或者包括两个或更多个构件的组合，或者包括不同的构件布局。
参照图3，在一个实施例中，提供一种VAD诊断和风险评估方法。VAD诊断和风险评估方法可以在图1所示的服务器120中运行。VAD诊断和风险评估方法可包括如下步骤：
S310：获得四维相位对比磁共振图像(4D PC-MRI)数据。
首先，应当理解，在获得4D PC-MRI数据之前，可执行飞行时间MR血管造影(TOFMRA)或对比增强MRA，以用作定位器扫描，其中可选择椎动脉所在的3D感兴趣区域(ROI)。这里，可选择较大的ROI区域以包括其他重要的大脑动脉。然而，较大的ROI可增加扫描时间。还可使用定位器MRA来评估ROI内的椎动脉的直径，从该评估中，可使用最小动脉直径来指导PC-MRI的时空分辨率的设置。在某些实施例中，动脉的横向内腔区域可覆盖足够的体素，以可靠地量化流速。在某些实施例中，4D PC-MRI的平面内空间分辨率可设置成0.22×最小直径(Diameter_min)。沿着轴向方向的空间分辨率可设置成≤2mm。时间分辨率可设置成<40ms。速度编码参数(VENC)可设置成<150cm/sec(厘米/秒)。在某些实施例中，椎动脉的4DPC-MRI可以用ECG门控来执行。4D PC-MRI的扫描参数可基于对图像质量和总扫描时间的考虑来确定。例如，在某些实施例中，当使用基于钆的MRI对比时，在对比增强研究之后执行4D血流成像，可改善4D PC-MRI图像中的血液相对组织的对比度和速度与噪声之比。当可用时，可使用成像加速方法来缩短采集时间并改善图像质量。
S320：对四维相位对比磁共振成像数据进行预处理。在该步骤中，对获得的4D PC-MRI数据进行预处理。
许多来源是导致原始4D PC-MRI数据出现血流量量化误差的因素。例如，虽然这些误差的一些来源可以在MRI扫描仪上自动补偿和校正，但是通常存在在预处理S320步骤中解决的两个相位误差。
第一，补偿由涡电流引起的背景相位偏移。在某些实施例中，使用阈值方法来识别从4D PC-MRI数据获得的、4D血流图像中的静态组织区域。另外，或者在可选方案中，用户可使用多项式拟合来估计由涡电流引起的背景相位偏移误差，随后从4D血流数据中移除该相位偏移。
第二，如果需要，例如当发生相位混叠时，执行相位校正。某些实施例可采用一个或多个相位展开算法。
除了校正背景相位偏移和执行相位校正之外，在某些实施例中，预处理步骤S320还可包括对目标动脉的分割和追踪。例如，在一些实施例中，可仅在动脉内腔的边界内执行血流路线追踪。在一些实施例中，对PC-MRI的磁矩图像中的动脉进行分割和追踪。此外，在一些实施例中，可通过首先追踪动脉中心线，然后使用管状的可变形模型执行内腔分割，来执行动脉的自动分割。
在不必在图3中示出的某些实施例中，可应用可视化技术来可视化椎动脉的4D血流图像。在一些实施例中，这些可视化技术可包括但绝不限于流速矢量图、3D流线和时间分辨3D路线。
图4示出了具有二叶式主动脉瓣(BAV)的患者的4D主动脉血流的3D流线可视化。较暗的颜色表示流速，且线的方向表示流向。如图4所示，在主动脉的胸部段中，使用3D流线技术的血流可视化提供动脉血流模式的丰富信息，诸如高速射流和螺旋流的位置和速度。此外，还可使用3D流线来可视化血管变窄、流速增加和压力梯度增加。
返回参照图3，注意力来到S330：从四维相位对比磁共振成像数据获得至少一个血液动力学指标。
由于4D PC-MRI提供ROI的全体积覆盖，因此椎动脉夹层(VAD)诊断和风险评估方法提供3D视场中2D切片或3D子区域的回顾性选择的唯一选项，以用于3D血流量化和分析。因此，除了常规2D血流参数，例如跨瓣梯度和峰值流速之外，可从4D PC-MRI图像数据得到许多高级4D血液动力学指标。下面讨论这些高级指标中的一些指标。然而，应当理解，指标不限于下面讨论的那些指标。
剪切速率(SR)可计算为流速场的空间梯度。SR可与血液血栓过程相关联，原因是SR与血液成分(例如血小板和血红细胞)所经历的力相关联。
壁剪切应力(WSS)是施加在椎动脉壁上的摩擦力血流。在某些实施例中，可通过求取血管壁边界附近的4D流速的导数来估计WSS。认为WSS在调节血管壁中的内皮细胞和细胞外基质的功能方面起重要作用。例如，低WSS与动脉粥样硬化的发展相关联，高WSS与血管扩张和动脉瘤的形成相关联。
脉搏波速度(PWV)是收缩波前部经过动脉的传播速度。PWV是患有高血压和结缔组织疾病的患者的动脉病发展的重要预测值和动脉壁硬化的直接指标。为了在4D血流图像中自动测量PWV，在某些实施例中，可以在沿着椎动脉的中心线的选定位置处测量速度波形。然后，PWV可计算为测量点之间的距离与传输时间之比。
血流偏心(FE)可导致射流碰撞到椎动脉壁上，且可与血管壁的脆弱和VAD的发生相关联。
如上所提到的，应当理解，上述高级血液动力学指标不是可从4D PC-MRI图像数据获得的所有高级血液动力学指标。从4D PC-MRI图像数据获得的其他高级血液动力学指标可包括但绝不限于湍流、动能、能量耗散、相对压力场和血流位移。
因此在S330中，从4D PC-MRI图像数据获得这些血液动力学指标中的至少一个。
应当理解，上述获得高级血液动力学指标的方法绝不是限制性的。实际上，本公开的某些实施例可以以不同方式获得上述高级血液动力学指标。
S340：将至少一个血液动力学指标归类成椎动脉夹层的血液动力学预测值。
这里，对所获得的高级血液动力学指标进行归类。在某些实施例中，可通过深度学习来执行该归类。然而，还可使用其他归类方法。
另外，当其他参数(例如，不一定是高级血液动力学指标)可用时，其他参数例如从对比增强CTA或MRA获得的动脉几何测量、患者临床和医疗信息、实验室测试结果、基因学测试结果以及与VAD相关的外在因素的潜在风险水平，还可对这些附加参数进行归类。在某些实施例中，可使用深度学习对这些附加参数进行归类。然而，还可使用其他归类方法。
在图5中更详细地示出了该归类过程，图5示出了特定实施例的示例性视图。如图5所示，501对应于高级血液动力学参数，502对应于其他参数。例如在某些实施例中，当其他参数不可用时，在S510中使用深度学习对高级血液动力学参数进行归类，从而产生基于血液动力学的预测值503。然后在某些实施例中，可以在S520中对基于血液动力学的预测值503进一步归类，以产生VAD风险的综合评估504。稍后，将再次参照图3更详细地描述VAD风险的这种综合评估。
在图5中描绘的实施例中，当其他参数502可用时，在某些实施例中可以在S520中对其他参数502进行归类，且其他参数502与归类的高级血液动力学参数501和/或归类的基于血液动力学的预测值503一起使用以产生VAD风险的综合评估504。
再次参照图3，在S350中，使用血液动力学预测值来创建VAD风险的综合评估504。
上述方法使用4D PC-MRI血流成像来提取与椎动脉的健康度密切相关的血液动力学信息。所讨论的实施例实现如下功能：
获取椎动脉的高分辨率4D PC-MRI图像数据。实施例可提供使用商业MRI扫描仪来实现大脑血管和脑外血管的高分辨率4D PC-MRI图像数据的指南。
在某些实施例中，通过最小的用户交互实施4D PC-MRI图像数据的后处理，以提取椎动脉的时间分辨3D流速。
在某些实施例中，提取与椎动脉壁的脆弱性相关联的体内血液动力学变量。在某些实施例中，可从4D PC-MRI图像数据中识别和提取与动脉病相关的各种血液动力学参数。
使用以血液动力学变量作为输入特征的机器学习技术，来研究体内椎动脉壁的健康度，如上文参考某些实施例所讨论的。
将血液动力学信息和其他成像/临床/实验室/基因测试结果进行整合，以获得VAD的综合风险评估，如上文参考某些实施例所讨论的。
在容易受到VAD风险的内在因素、外在因素或者这两种因素影响的某些高风险无症状人群中，识别患有潜在椎动脉病的患者并建议主动预防VAD，可能是有益的。例如，具有自发性动脉夹层家族史的患者可受益于VAD的风险评估测试。此外，对于参与竞技体育的运动员，运动员群体和体育产业都非常需要此类筛查工具。
本公开的某些实施例提供对其他相对较小和较深的动脉(例如，直径范围：3-5mm；超声不容易接触到)的评估。
此外，上述实施例可代替或者组合地修改，如下。
前述的归类可被其他基于机器学习或基于统计的方法代替，这些方法不一定根植于深度学习。在可获得非常有限的训练数据的实施例中，可能尤其如此。
对4D PC-MRI的幅值图像中的椎动脉的分割可通过使用其他分割方法(例如3D水平集方法)来执行。
在训练数据有限的实施例中，为了对参数进行归类，可使用平均值。另一种方法是将丢失的数据视为隐藏变量，并使用EM算法来估计隐藏变量。
VAD诊断和风险评估装置/方法对应于VAD诊断和风险评估方法/装置，且在此不重复对应的特定技术特征。
本领域普通技术人员可以理解，前述实施例的所有或一些模块、单元、组件和过程可通过给相关硬件提供指令的计算机程序来实现。程序可存储在非易失性计算机可读存储介质中。当程序被执行时，程序可控制硬件执行前述每个方法的实施例的过程。在本申请的每个实施例中，存储器、存储器件、数据库或其他介质的任何使用可包括非易失性存储器和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或外部高速缓存存储器。为了描述，而不是为了限制，RAM可处于各种形式，例如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双倍数据速率SDRAM(DDRSDRAM)、增强SDRAM(ESDRAM)、同步链路DRAM(SLDRAM)、Rambus直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)和存储器总线动态RAM(RDRAM)。
前述实施例中的每个技术特征可随机组合。为了简化描述，没有描述前述实施例中的每个技术特征的所有可能组合。然而，只要技术特征的组合不存在矛盾，就应当认为这样的组合落入说明书的范围内。前述实施例仅描述了本申请的几种实现方式，这些实现方式的描述是特定和详细的，但是不能因此解释成对本公开的专利范围构成限制。应当注意，本领域普通技术人员可以在不脱离本申请的构思的情况下进一步做出变化和改进，所有这些变化和改进均落入本申请的保护范围内。因此，本申请的专利保护范围应以所附的权利要求为准。

Claims (20)

1.一种由至少一个计算机处理器执行的方法，所述方法包括：
获得四维相位对比磁共振成像数据；
对所述四维相位对比磁共振成像数据进行预处理；
从所述四维相位对比磁共振成像数据获得至少一个血液动力学指标；
将所述至少一个血液动力学指标归类成椎动脉夹层的血液动力学预测值；以及
使用所述血液动力学预测值来创建椎动脉夹层的综合风险评估。
2.根据权利要求1所述的方法，其中，使用深度学习来将所述至少一个血液动力学指标归类成椎动脉夹层的血液动力学预测值。
3.根据权利要求1所述的方法，其中，通过使用如下附加参数中的至少一个来创建椎动脉夹层的综合风险评估：动脉几何形状、患者年龄、患者性别、患者种族、病例、实验室测试结果、基因测试结果以及外在创伤因素。
4.根据权利要求3所述的方法，其中，使用深度学习将所述至少一个附加参数归类成椎动脉夹层的预测值。
5.根据权利要求1所述的方法，所述方法还包括：在获得所述四维相位对比磁共振成像数据之前执行局部扫描，所述执行局部扫描包括选择椎动脉感兴趣的三维区域。
6.根据权利要求1所述的方法，其中，所述至少一个血液动力学指标是四维流速、剪切速率、壁剪切应力、脉搏波速度或血流偏心率。
7.根据权利要求3所述的方法，其中，所述至少一个血液动力学指标是四维流速、剪切速率、壁剪切应力、脉搏波速度或血流偏心率。
8.根据权利要求1所述的方法，其中，使用机器学习或基于统计的学习来将所述至少一个血液动力学指标归类成椎动脉夹层的血液动力学预测值。
9.根据权利要求1所述的方法，所述方法还包括：在获得所述四维相位对比磁共振成像数据之前进行分割和追踪。
10.根据权利要求9所述的方法，其中，所述分割和追踪通过首先追踪动脉中心线，然后使用管状的可变形模型执行内腔分割来执行。
11.一种装置，包括：
至少一个存储器，被配置成存储计算机程序代码；
至少一个硬件处理器，被配置成访问所述计算机程序代码并按照所述计算机程序代码的指令来操作，所述计算机程序代码包括：
第一获取代码，被配置成使得所述至少一个硬件处理器获得四维相位对比磁共振成像数据；
预处理代码，被配置成使得所述至少一个硬件处理器对所述四维相位对比磁共振成像数据进行预处理；
第二获取代码，被配置成使得所述至少一个硬件处理器从所述四维相位对比磁共振成像数据获得至少一个血液动力学指标；
归类代码，被配置成使得所述至少一个硬件处理器将所述至少一个血液动力学指标归类成椎动脉夹层的血液动力学预测值；以及
创建代码，被配置成使得所述至少一个硬件处理器使用所述血液动力学预测值来创建椎动脉夹层的综合风险评估。
12.根据权利要求11所述的装置，其中，所述归类代码被配置成使得所述至少一个硬件处理器使用深度学习来将所述至少一个血液动力学指标归类成椎动脉夹层的血液动力学预测值。
13.根据权利要求11所述的装置，其中，所述创建代码被配置成使得所述至少一个硬件处理器使用如下附加参数中的至少一个来创建椎动脉夹层的综合风险评估：动脉几何形状、患者年龄、患者性别、患者种族、病例、实验室测试结果、基因测试结果以及外在创伤因素。
14.根据权利要求13所述的装置，其中，所述归类代码进一步被配置成使用深度学习将所述至少一个附加参数归类成椎动脉夹层的预测值。
15.根据权利要求11所述的装置，其中，所述至少一个血液动力学指标是四维流速、剪切速率、壁剪切应力、脉搏波速度或血流偏心率。
16.根据权利要求13所述的装置，其中，所述至少一个血液动力学指标是四维流速、剪切速率、壁剪切应力、脉搏波速度或血流偏心率。
17.根据权利要求11所述的装置，其中，所述归类代码被配置成使得所述至少一个硬件处理器使用机器学习或基于统计的学习来将所述至少一个血液动力学指标归类成椎动脉夹层的血液动力学预测值。
18.根据权利要求11所述的装置，所述装置还包括分割和追踪代码，所述分割和追踪代码被配置成使得所述至少一个硬件处理器对所述四维相位对比磁共振成像数据进行分割和追踪。
19.根据权利要求18所述的装置，其中，所述分割和追踪代码被配置成使得所述至少一个硬件处理器通过首先追踪动脉中心线，然后使用管状的可变形模型执行内腔分割来分割和追踪所述四维相位对比磁共振成像数据。
20.一种存储有指令的非暂态的计算机可读介质，所述指令包括一个或多个指令，所述一个或多个指令在由装置的一个或多个处理器执行时，使得所述一个或多个处理器：
获得四维相位对比磁共振成像数据；
对所述四维相位对比磁共振成像数据进行预处理；
从所述四维相位对比磁共振成像数据获得至少一个血液动力学指标；
将所述至少一个血液动力学指标归类成椎动脉夹层的血液动力学预测值；以及
使用所述血液动力学预测值来创建椎动脉夹层的综合风险评估。
CN202080021285.0A 2019-04-02 2020-02-27 椎动脉夹层风险评估方法、计算机设备和存储介质 Active CN113939224B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US16/372,780 US20200315547A1 (en) 2019-04-02 2019-04-02 Vertebral artery dissection risk evaluation method, computer device, and storage medium
US16/372,780 2019-04-02
PCT/US2020/020078 WO2020205103A1 (en) 2019-04-02 2020-02-27 Vertebral artery dissection risk evaluation method, computer device, and storage medium

Publications (2)

Publication Number Publication Date
CN113939224A true CN113939224A (zh) 2022-01-14
CN113939224B CN113939224B (zh) 2024-03-01

Family

ID=72662726

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080021285.0A Active CN113939224B (zh) 2019-04-02 2020-02-27 椎动脉夹层风险评估方法、计算机设备和存储介质

Country Status (3)

Country Link
US (1) US20200315547A1 (zh)
CN (1) CN113939224B (zh)
WO (1) WO2020205103A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11103142B2 (en) * 2019-04-02 2021-08-31 Tencent America LLC System and method for predicting vertebral artery dissection
CN113724207A (zh) * 2021-08-12 2021-11-30 清华大学 基于4D Flow MRI的流速测量方法、装置、计算机和存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030199750A1 (en) * 2002-04-17 2003-10-23 The Board Of Trustees Of The Leland Stanford Junior University Rapid measurement of time-averaged blood flow using ungated spiral phase-contrast MRI
US6887227B1 (en) * 2001-02-23 2005-05-03 Coaxia, Inc. Devices and methods for preventing distal embolization from the vertebrobasilar artery using flow reversal
US20160203288A1 (en) * 2012-06-18 2016-07-14 The Research Foundation For The State University Of New York Systems and Methods for Identifying Historical Vasculature Cases
US20170293735A1 (en) * 2016-04-12 2017-10-12 Siemens Healthcare Gmbh Method and System for Personalized Blood Flow Modeling Based on Wearable Sensor Networks
WO2018220573A1 (en) * 2017-05-31 2018-12-06 Fondazione Ri.Med Method and system for the evaluation of the risk of aortic rupture or dissection in an individual with an ascending thoracic aortic aneurysm
US20190241633A1 (en) * 2016-05-04 2019-08-08 Curevac Ag Rna encoding a therapeutic protein
CN110742633A (zh) * 2019-10-29 2020-02-04 慧影医疗科技（北京）有限公司 B型主动脉夹层术后风险预测方法、装置和电子设备

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101607244B1 (ko) * 2007-06-11 2016-03-30 알. 로치 맥도날드 뇌혈관 연축의 예방을 위한 약물 전달 시스템
US9830427B2 (en) * 2011-06-20 2017-11-28 Siemens Healthcare Gmbh Method for intracranial aneurysm analysis and endovascular intervention planning

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6887227B1 (en) * 2001-02-23 2005-05-03 Coaxia, Inc. Devices and methods for preventing distal embolization from the vertebrobasilar artery using flow reversal
US20030199750A1 (en) * 2002-04-17 2003-10-23 The Board Of Trustees Of The Leland Stanford Junior University Rapid measurement of time-averaged blood flow using ungated spiral phase-contrast MRI
US20160203288A1 (en) * 2012-06-18 2016-07-14 The Research Foundation For The State University Of New York Systems and Methods for Identifying Historical Vasculature Cases
US20170293735A1 (en) * 2016-04-12 2017-10-12 Siemens Healthcare Gmbh Method and System for Personalized Blood Flow Modeling Based on Wearable Sensor Networks
US20190241633A1 (en) * 2016-05-04 2019-08-08 Curevac Ag Rna encoding a therapeutic protein
WO2018220573A1 (en) * 2017-05-31 2018-12-06 Fondazione Ri.Med Method and system for the evaluation of the risk of aortic rupture or dissection in an individual with an ascending thoracic aortic aneurysm
CN110742633A (zh) * 2019-10-29 2020-02-04 慧影医疗科技（北京）有限公司 B型主动脉夹层术后风险预测方法、装置和电子设备

Also Published As

Publication number Publication date
US20200315547A1 (en) 2020-10-08
CN113939224B (zh) 2024-03-01
WO2020205103A1 (en) 2020-10-08

Similar Documents

Publication Publication Date Title
US20220406470A1 (en) Systems and methods for processing electronic images to determine flow using flow ratio
CN109561852B (zh) 用于个性化定制脑疾病诊断和状态判定的医学图像处理系统及方法
Lekadir et al. A convolutional neural network for automatic characterization of plaque composition in carotid ultrasound
Van Ooij et al. Age‐related changes in aortic 3D blood flow velocities and wall shear stress: implications for the identification of altered hemodynamics in patients with aortic valve disease
Wang et al. Threshold segmentation algorithm for automatic extraction of cerebral vessels from brain magnetic resonance angiography images
CN111415321B (zh) 动脉瘤破裂风险检测装置及设备
KR102344157B1 (ko) 개인 맞춤형 뇌졸중 진단을 위한 임상 인자 및 의료 영상 처리 시스템
Forkert et al. Fuzzy-based vascular structure enhancement in time-of-flight MRA images for improved segmentation
Schuchardt et al. In vivo analysis of physiological 3D blood flow of cerebral veins
Blankena et al. Thinner regions of intracranial aneurysm wall correlate with regions of higher wall shear stress: a 7T MRI study
Harloff et al. Wall shear stress distribution at the carotid bifurcation: influence of eversion carotid endarterectomy
EP3695784A1 (en) Prediction of coronary microvascular dysfunction from coronary computed tomography
CN112907563A (zh) 基于深度学习的cta全自动侧枝循环评分方法及系统
CN113939224B (zh) 椎动脉夹层风险评估方法、计算机设备和存储介质
Arnold et al. Magnetic resonance imaging 4-D flow-based analysis of aortic hemodynamics in Turner syndrome
Maroun et al. Multiyear interval changes in aortic wall shear stress in patients with bicuspid aortic valve assessed by 4D flow MRI
CN111429404B (zh) 一种用于心脑血管检测的成像系统和方法
Rava et al. Use of a convolutional neural network to identify infarct core using computed tomography perfusion parameters
Gasteiger Visual exploration of cardiovascular hemodynamics
CN118434369A (zh) 腹主动脉瘤生物标记物
Kandil et al. A novel mra-based framework for detecting correlation between cerebrovascular changes and mean arterial pressure
Saunders et al. Algorithms for segmenting cerebral time-of-flight magnetic resonance angiograms from volunteers and anemic patients
Zhao et al. Intracranial vascular structure extraction: a machine learning approach
Hsu Clinical Model for Cerebral Vasospasm Prediction
Kiewitz et al. Deep Learning-based Multiclass Segmentation in Aneurysmal Subarachnoid Hemorrhage

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40065771

Country of ref document: HK

CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Qian Zhen

Inventor after: Tang Hui

Inventor after: Du Nan

Inventor after: Tu Min

Inventor after: Wang Kun

Inventor after: Han Lianyi

Inventor after: Fan Wei

Inventor before: Qian Zheng

Inventor before: Tan Hui

Inventor before: Du Nan

Inventor before: Tu Min

Inventor before: Wang Kun

Inventor before: Han Lianyi

Inventor before: Fan Wei

GR01 Patent grant
GR01 Patent grant