CN114096191B - 用于预测椎动脉夹层的系统和方法 - Google Patents

用于预测椎动脉夹层的系统和方法 Download PDF

Info

Publication number
CN114096191B
CN114096191B CN202080020570.0A CN202080020570A CN114096191B CN 114096191 B CN114096191 B CN 114096191B CN 202080020570 A CN202080020570 A CN 202080020570A CN 114096191 B CN114096191 B CN 114096191B
Authority
CN
China
Prior art keywords
patient
centerline
vertebral artery
information
medical image
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
Application number
CN202080020570.0A
Other languages
English (en)
Other versions
CN114096191A (zh
Inventor
唐晖
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 CN114096191A publication Critical patent/CN114096191A/zh
Application granted granted Critical
Publication of CN114096191B publication Critical patent/CN114096191B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • 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
    • A61B5/02007—Evaluating blood vessel condition, e.g. elasticity, compliance
    • 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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • 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
    • 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
    • G06T7/12—Edge-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
    • G06T7/174—Segmentation; Edge detection involving the use of two or more images
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4869—Determining body composition
    • A61B5/4872—Body fat
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20076—Probabilistic image processing
    • 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
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20101—Interactive definition of point of interest, landmark or seed
    • 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
    • G06T2207/30172—Centreline of tubular or elongated structure

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Pathology (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Physiology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Signal Processing (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Psychiatry (AREA)
  • Computing Systems (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Fuzzy Systems (AREA)
  • Quality & Reliability (AREA)
  • Vascular Medicine (AREA)
  • Cardiology (AREA)
  • Databases & Information Systems (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Image Analysis (AREA)

Abstract

一种确定患者的椎动脉夹层(VAD)的风险概率的方法，包括接收患者的医学图像信息和患者的临床报告信息；提取与医学图像信息中包括的椎动脉段对应的至少一个生物标志物；从临床报告信息中提取患者历史信息；以及使用深度学习分类模型基于所提取的至少一个生物标志物和所提取的患者历史信息来确定VAD的风险概率。

Description

用于预测椎动脉夹层的系统和方法
相关申请的交叉引用
本申请要求于2019年4月2日提交的美国申请第16/372,996号的优先权，其公开内容通过引用整体并入本文中。
背景技术
椎动脉夹层(Vertebral Artery Dissection，VAD)被视为是18至45岁患者短暂性脑缺血发作和蛛网膜下腔出血的最常见原因之一。VAD容易被临床医生遗漏，因为相关症状并不特殊。因此，预测VAD的发展对于预防患者经历VAD和对于临床医生进行精确诊断和治疗具有重要意义。
已经进行了许多研究来调查VAD的不同风险因素。例如，对颈椎动脉夹层(包括颈动脉夹层和椎动脉夹层)患者中纤维肌肉发育不良患病率的研究发现，纤维肌肉发育不良与颈椎动脉夹层有关。另一项研究发现主动脉根部直径增大与自发性颈椎动脉夹层的风险增加有关。最近发现血管壁增强和动脉瘤扩张与VAD进展有关。在颈椎动脉夹层患者中也发现动脉壁硬度增加。对颈椎动脉夹层的风险因素的回顾，发现了例如目前吸烟与否、有无糖尿病和感染的其他风险因素。
然而，这些研究是针对不同的患者群独立进行的。需要一种系统，其收集不同风险因素连同从临床报告提取的信息以构建用于预测受试者的VAD概率的模型。
发明内容
根据实施方式，确定患者的椎动脉夹层(VAD)的风险概率的方法包括：接收患者的医学图像信息和患者的临床报告信息；提取与医学图像信息中包括的椎动脉段对应的至少一个生物标志物；从临床报告信息中提取患者历史信息；以及使用深度学习分类模型基于所提取的至少一个生物标志物和所提取的患者历史信息来确定VAD的风险概率。
根据实施方式，一种用于确定患者的椎动脉夹层(VAD)的风险概率的装置包括：至少一个存储器，其被配置成存储程序代码；以及至少一个处理器，其被配置成读取程序代码并且根据程序代码的指示进行操作，程序代码包括：接收代码，其被配置成使至少一个处理器接收患者的医学图像信息和患者的临床报告信息；第一提取代码，其被配置成使至少一个处理器提取与医学图像信息中包括的椎动脉段对应的至少一个生物标志物；第二提取代码，其被配置成使至少一个处理器从临床报告信息中提取患者历史信息；以及确定代码，其被配置成使至少一个处理器使用深度学习分类模型基于所提取的至少一个生物标志物和所提取的患者历史信息来确定VAD的风险概率。
根据实施方式，一种非暂态计算机可读介质，其存储指令，所述指令在由用于确定患者的椎动脉夹层(VAD)的风险概率的装置的至少一个处理器执行时，使至少一个处理器接收患者的医学图像信息和患者的临床报告信息；提取与医学图像信息中包括的椎动脉段对应的至少一个生物标志物；从临床报告信息中提取患者历史信息；以及使用深度学习分类模型基于所提取的至少一个生物标志物和所提取的患者历史信息来确定VAD的风险概率。
附图说明
图1是根据实施方式的可以实现本文中描述的方法、装置和系统的环境的图。
图2是图1的一个或更多个设备的示例部件的图。
图3是根据实施方式的确定椎动脉夹层(VAD)的风险概率的方法的流程图。
图4A是根据实施方式的椎动脉段的原始图像的示例。
图4B是根据手动中心线创建的CMPR视图中的成本图像的示例。
图5是根据实施方式的对中心线进行细化的方法的流程图。
图6是根据实施方式的血管腔分割的示例。
图7是根据实施方式的确定椎动脉夹层(VAD)的风险概率的方法的流程图。
具体实施方式
本文中描述的实施方式允许根据从患者的成像数据(例如，飞行时间磁共振成像(Magnetic Resonance Imaging，MRI)和黑血磁共振血管造影术(Magnetic ResonanceAngiography，MRA))和临床报告收集的多模态数据来预测VAD。这些实施方式量化和收集两种类型的信息：来自患者的成像数据的生物标志物，例如椎动脉的几何形状、颈椎变形、血管壁硬度；以及来自临床报告的信息，例如患者的年龄、吸烟史和用药信息。在量化这些生物标志物之后，这些实施方式可以学习深度学习模型，该深度学习模型将提取的生物标志物映射到指示患者将来经历VAD的可能性的风险概率。
本文描述的实施方式可以涉及构建模型以预测患者经历VAD的风险。为了量化来自图像的生物标志物，可以从图像中提取血管中心线和血管腔。由于椎动脉中心线可以是高度弯曲的(例如在v3和v4段中)，所以实施方式可以提供在高度弯曲的情况下工作的精确的中心线提取算法。例如，即使在高度弯曲的情况下，本文描述的实施方式也可以使用独特的中心线细化步骤来实现准确的中心线。
另外，椎动脉腔体积小。例如，椎动脉的腔可以具有小于5mm的直径。另外，由于MRI成像特性，在医学图像中可能发生强度不均匀性。本文中描述的实施方式可以准确地分割出小尺寸腔。例如，深度学习分割模型可以在存在强度不均匀性的情况下准确地处理小结构分割。
此外，本文描述的实施方式还可以处理来自包括MRI图像和临床报告的不同模态的信息。
图1是根据实施方式的可以实现本文中描述的方法、装置和系统的环境100的图。如图1所示，环境100可以包括用户设备110、平台120和网络130。环境100的设备可以经由有线连接、无线连接或有线连接和无线连接的组合进行互连。
用户设备110包括能够对与平台120相关联的信息进行接收、生成、存储、处理和/或提供的一个或更多个设备。例如，用户设备110可以包括计算设备(例如，台式计算机、膝上型计算机、平板计算机、手持式计算机、智能扬声器、服务器等)、移动电话(例如，智能电话、无线电话等)、可穿戴设备(例如，一副智能眼镜或智能手表)或类似设备。在一些实现方式中，用户设备110可以从平台120接收信息并且/或者向平台120发送信息。
平台120包括如本文中其他地方描述的一个或更多个设备。在一些实现方式中，平台120可以包括云服务器或云服务器组。在一些实现方式中，平台120可以被设计成模块化的，使得可以根据特定需要换入或换出软件组件。这样，可以容易地和/或快速地重新配置平台120以用于不同的用途。
在一些实现方式中，如所示出的，平台120可以被托管在云计算环境122中。值得注意的是，尽管本文中描述的实现方式将平台120描述为托管在云计算环境122中，但是在一些实现方式中，平台120可以不是基于云的(即，可以在云计算环境的外部实现)或者可以是部分基于云的。
云计算环境122包括托管平台120的环境。云计算环境122可以提供计算、软件、数据访问、存储等服务，这些服务不需要终端用户(例如，用户设备110)知道托管平台120的系统和/或设备的物理位置和配置。如所示出的，云计算环境122可以包括一组计算资源124(统称为“计算资源124”并且单独称为“计算资源124”)。
计算资源124包括一个或更多个个人计算机、工作站计算机、服务器设备或其他类型的计算和/或通信设备。在一些实现方式中，计算资源124可以托管平台120。云资源可以包括：在计算资源124中执行的计算实例、在计算资源124中提供的存储设备、由计算资源124提供的数据传输设备等。
如图1中进一步示出的，计算资源124包括一组云资源，例如一个或更多个应用(“APPs”)124-1、一个或更多个虚拟机(“VMs”)124-2、一个或更多个虚拟化存储(“VSs”)124-3、一个或更多个监管器(“HYPs”)124-4等。
应用124-1包括可以提供给用户设备110和/或平台120或由用户设备110和/或平台120访问的一个或更多个软件应用。应用124-1可以消除在用户设备110上安装和执行软件应用的需要。例如，应用124-1可以包括与平台120相关联的软件和/或能够经由云计算环境122提供的任何其他软件。在一些实现方式中，一个应用124-1可以经由虚拟机124-2向一个或更多个其他应用124-1发送信息或者从一个或更多个其他应用124-1接收信息。
虚拟机124-2包括像物理机一样的执行程序的机器(例如，计算机)的软件实现方式。虚拟机124-2可以是系统虚拟机或进程虚拟机，这取决于虚拟机124-2的使用和与任何真实机的对应程度。系统虚拟机可以提供支持完整操作系统(“OS”)的执行的完整系统平台。进程虚拟机可以执行单个程序，并且可以支持单个进程。在一些实现方式中，虚拟机124-2可以代表用户(例如，用户设备110)执行，并且可以管理云计算环境122的基础架构，例如数据管理、同步或长持续时间数据传输。
虚拟化存储124-3包括在计算资源124的存储系统或设备内使用虚拟化技术的一个或更多个存储系统和/或一个或更多个设备。在一些实现方式中，在存储系统的上下文内，虚拟化的类型可以包括块虚拟化和文件虚拟化。块虚拟化可以是指逻辑存储从物理存储的抽象(或分离)，以使得可以在不考虑物理存储或异构结构的情况下访问存储系统。分离可以允许存储系统的管理员在管理员如何管理终端用户的存储方面的灵活性。文件虚拟化可以消除在文件级别访问的数据与物理地存储文件的位置之间的依赖性。这可以使得能够优化存储使用、服务器整合和/或无中断文件迁移的性能。
监管器124-4可以提供允许多个操作系统(例如，“客户机操作系统”)在诸如计算资源124的主计算机上同时执行的硬件虚拟化技术。监管器124-4可以向客户机操作系统呈现虚拟操作平台，并且可以管理客户机操作系统的执行。各种操作系统的多个实例可以共享虚拟化硬件资源。
网络130包括一个或更多个有线网络和/或无线网络。例如，网络130可以包括蜂窝网络(例如，第五代(fifth generation，5G)网络、长期演进(Long-Term Evolution，LTE)网络、第三代(third generation，3G)网络、码分多址(Code Division Multiple Access，CDMA)网络等)、公共陆地移动网络(Public Land Mobile Network，PLMN)、局域网(LocalArea Network，LAN)、广域网(Wide Area Network，WAN)、城域网(Metropolitan AreaNetwork，MAN)、电话网络(例如，公共交换电话网络(Public Switched TelephoneNetwork，PSTN))、专用网络、自组织网络、内联网、因特网、基于光纤的网络等，以及/或者这些网络或其他类型的网络的组合。
图1所示的设备和网络的数目和布置被作为示例提供。实际上，相比于图1所示的设备和/或网络，可以存在另外的设备和/或网络、更少的设备和/或网络、不同的设备和/或网络、或不同布置的设备和/或网络。此外，图1所示的两个或更多个设备可以在单个设备内实现，或者图1所示的单个设备可以被实现为多个分布式设备。附加地或替选地，环境100的一组设备(例如，一个或更多个设备)可以执行被描述为由环境100的另一组设备执行的一个或更多个功能。
图2是图1的一个或更多个设备的示例部件的图。设备200可以对应于用户设备110和/或平台120。如图2所示，设备200可以包括总线210、处理器220、存储器230、存储部件240、输入部件250、输出部件260和通信接口270。
总线210包括允许设备200的部件之间通信的部件。处理器220以硬件、固件或硬件和软件的组合来实现。处理器220是中央处理单元(Central Processing Unit，CPU)、图形处理单元(Graphics Processing Unit，GPU)、加速处理单元(Accelerated ProcessingUnit，APU)、微处理器、微控制器、数字信号处理器(Digital Signal Processor，DSP)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)、专用集成电路(Application-Specific Integrated Circuit，ASIC)或另一类型的处理部件。在一些实现方式中，处理器220包括能够被编程以执行功能的一个或更多个处理器。存储器230包括随机存取存储器(Random Access Memory，RAM)、只读存储器(Read Only Memory，ROM)以及/或者存储供处理器220使用的信息和/或指令的另一类型的动态或静态存储设备(例如，闪速存储器、磁存储器和/或光存储器)。
存储部件240存储与设备200的操作和使用有关的信息和/或软件。例如，存储部件240可以包括硬盘(例如，磁盘、光盘、磁光盘和/或固态盘)、致密盘(Compact Disc，CD)、数字通用盘(Digital Versatile Disc，DVD)、软盘、盒式磁带、磁带和/或另一类型的非暂态计算机可读介质以及相应的驱动器。
输入部件250包括允许设备200例如经由用户输入(例如，触摸屏显示器、键盘、小键盘、鼠标、按钮、开关和/或麦克风)接收信息的部件。附加地或替选地，输入部件250可以包括用于感测信息的传感器(例如，全球定位系统(Global Positioning System，GPS)部件、加速度计、陀螺仪和/或致动器)。输出部件260包括提供来自设备200的输出信息的部件(例如，显示器、扬声器和/或一个或更多个发光二极管(Light-Emitting Diode，LED))。
通信接口270包括使得设备200能够例如经由有线连接、无线连接或有线连接和无线连接的组合与其他设备通信的类似收发器的部件(例如，收发器和/或单独的接收器和发送器)。通信接口270可以允许设备200从另一设备接收信息和/或向另一设备提供信息。例如，通信接口270可以包括以太网接口、光接口、同轴接口、红外接口、射频(RadioFrequency，RF)接口、通用串行总线(Universal Serial Bus，USB)接口、Wi-Fi接口、蜂窝网络接口等。
设备200可以执行本文中所描述的一个或更多个处理。设备200可以响应于处理器220执行由诸如存储器230和/或存储部件240的非暂态计算机可读介质存储的软件指令来执行这些处理。计算机可读介质在本文中被限定为非暂态存储器设备。存储器设备包括单个物理存储设备内的存储器空间或分布在多个物理存储设备上的存储器空间。
可以经由通信接口270从另一计算机可读介质或从另一设备将软件指令读入存储器230和/或存储部件240中。在被执行时，存储在存储器230和/或存储部件240中的软件指令可以使处理器220执行本文中所描述的一个或更多个处理。附加地或替选地，可以使用硬连线电路来代替软件指令或与软件指令结合以执行本文中所描述的一个或更多个处理。因此，本文中所描述的实现方式不限于硬件电路和软件的任何特定组合。
图2所示的部件的数目和布置被作为示例提供。实际上，与图2所示的部件相比，设备200可以包括附加的部件、更少的部件、不同的部件或不同地布置的部件。附加地或替选地，设备200的一组部件(例如，一个或更多个部件)可以执行被描述为由设备200的另一组部件执行的一个或更多个功能。
图3示出了预测VAD概率的示例方法300的流程图。在一些实现方式中，图3的一个或更多个处理块可以由平台120执行。在一些实现方式中，图3的一个或更多个处理块可以由与平台210分开或者包括平台120的另一设备或一组设备(例如，用户设备110)来执行。
如图3所示，该方法在操作310处接收来自以下两个源的输入：图像源和文本源。图像被馈入包括以下三个操作的处理：中心线提取操作320，腔分割操作330和生物标志物量化操作340。在概念提取操作350处，从接收自文本源的文本输入中提取信息，例如患者的性别、患者的体重指数(BMI)或患者的用药历史。
在图像数据的分析中，中心线提取操作320可以包括两个阶段：最小成本路径分析阶段和细化阶段。最小成本路径可以基于两个输入：1)两个手动注释的种子点，其指示椎动脉段的起点和终点，以及2)在血管中间具有低响应的成本图像，例如图4B所示的成本图像。
随后的细化阶段可以是迭代过程，例如图5所示的方法500。例如，在操作510处从最小成本路径分析阶段提取的初始中心线可以在操作520处使用，以生成弯曲多平面重建(Curved Multi Plan Reconstruction，CMPR)图像的堆叠。在CMPR堆叠(其可以是3维的，并且其中血管可以是较不弯曲的)中，可以在操作530处再次执行最小成本路径分析以提取CMPR中的中心线。在操作540处，可以将CMPR中的中心线转换回原始图像空间以获得新的中心线。可以迭代这些操作，例如在操作510处再次开始，直到中心线正好位于血管中央。
然后可以将所提取的并且被细化的中心线用作腔分割操作330的输入。从中心线开始，可以利用自定义的大分辨率再次创建CMPR，该分辨率能够放大到中心线附近。这样，可以克服由小血管结构带来的挑战。作为示例，任何有监督深度学习分割网络(例如VNet和3D UNet)，可以学习椎动脉腔的边界。
在图3所示的操作340中，可以从所提取的中心线和腔中提取生物标志物。
在操作350中，可以使用例如语言处理技术从临床报告中提取诸如体重指数、用药历史和血液测试结果的来自患者的不同测量。然后，在操作360处使用来自操作340和350的输出来训练深度学习分类模型，以在操作370处预测VAD的发展。
在一些实施方式中，中心线提取操作320可以利用其他中心线提取方法，例如增加寰椎的形状信息以提高完全遮挡情况下的成功率。
在一些实施方式中，腔分割操作330可以利用基于模型的无监督方法。
在一些实施方式中，深度学习分类模型可以具有不同的衍生物，例如不同层的Resnet、AlexNet、Inception Net以及任何其他分类网络。
图7是根据实施方式的用于预测患者中VAD的风险概率的方法700的流程图。在一些实现方式中，图7的一个或更多个处理块可以由平台120执行。在一些实现方式中，图7的一个或更多个处理块可以由与平台210分开或者包括平台120的另一设备或一组设备(例如，用户设备110)来执行。方法700的一些方面可以对应于以上讨论的方法300的方面。
如图7所示，在操作710中，方法700包括接收患者的医学图像信息和患者的临床报告信息。
在操作720中，方法700包括提取与医学图像信息中包括的椎动脉段对应的至少一个生物标志物。
在操作730中，方法700包括从临床报告信息中提取患者历史信息。
在操作740中，方法700包括使用深度学习分类模型基于所提取的至少一个生物标志物和所提取的患者历史信息来确定VAD的风险概率。
在实施方式中，提取至少一个生物标志物还可以包括：提取椎动脉段的中心线、使用所提取的中心线分割椎动脉段的腔、以及基于中心线和腔提取至少一个生物标志物。
在实施方式中，提取中心线还可以包括通过执行最小成本路径分析来确定初始中心线，以及对初始中心线进行细化以生成细化的中心线。
在实施方式中，可以基于与椎动脉段对应的至少两个种子点以及从医学图像信息生成的成本图像来执行最小成本路径分析。
在实施方式中，至少两个种子点可以包括在椎动脉段的开始处手动标注的第一种子点，以及在椎动脉段的结束处手动标注的第二种子点。
在实施方式中，方法700还可以包括：使用初始中心线生成多个弯曲多平面重建(CMPR)图像；对CMPR图像执行最小成本路径分析以提取修正的中心线；以及将修正的中心线转换到医学图像信息的原始图像空间以获得细化的中心线。
在实施方式中，细化的中心线可以被用于生成多个CMPR图像，并且多个CMPR图像可以被用于分割腔。
在实施方式中，可以使用深度学习分割模型根据医学图像信息中分割腔。
在实施方式中，至少一个生物标志物可以包括来自以下中的至少一个：椎动脉段的几何形状、颈椎变形和血管壁硬度。
在实施方式中，患者历史信息可以包括来自以下中的至少一个：患者的性别、患者的体重指数、患者的用药历史和患者的血液测试结果。
前述公开内容提供了说明和描述，但是并非旨在穷举性的或者将实现方式限制为所公开的确切形式。鉴于以上公开内容，可以进行修改和变型，或者可以从实现方式的实践中获得修改和变型。
如本文所使用的，术语“部件”旨在被广义地解释为硬件、固件或硬件和软件的组合。
将明显的是，可以以不同形式的硬件、固件、或硬件和软件的组合来实现本文所描述的系统和/或方法。用于实现这些系统和/或方法的实际的专用控制硬件或软件代码并不限制实现方式。因此，本文中在不参考特定软件代码的情况下描述了系统和/或方法的操作和行为，应当理解的是，可以基于本文中的描述将软件和硬件设计成实现系统和/或方法。
尽管在权利要求中记载了和/或在说明书中公开了特征的特定组合，但是这些组合并不旨在限制可能的实现方式的公开内容。实际上，这些特征中的许多特征可以以权利要求中未具体记载以及/或者说明书中未公开的方式组合。尽管以下列出的每个从属权利要求可以直接引用仅一个权利要求，但是可能的实现方式的公开内容包括与权利要求组中的每个其他权利要求组合的每个从属权利要求。
除非明确地描述，否则本文中使用的元素、动作或指令均不应当被解释为关键的或必要的。而且，如本文中使用的，冠词“一”和“一种”意在包括一个或更多个项，并且可以与“一个或更多个”互换使用。此外，如本文所使用的，术语“组”旨在包括一个或更多个项(例如，相关项、不相关项、相关项与不相关项的组合等)，并且可以与“一个或更多个”互换使用。在意指仅一项的情况下，使用术语“一个”或类似语言。而且，如本文中使用的，术语“具有”、“有”、“含有”等意在为开放式术语。此外，除非另有明确说明，否则短语“基于”旨在表示“至少部分地基于”。

Claims (11)

1.一种确定患者的椎动脉夹层(VAD)的风险概率的方法，其特征在于，所述方法包括：
接收所述患者的医学图像信息和所述患者的临床报告信息；
提取与所述医学图像信息中包括的椎动脉段对应的至少一个生物标志物，具体包括：提取所述椎动脉段的初始中心线，细化所述初始中心线以生成细化的中心线，从所述细化的中心线开始，利用大分辨率创建弯曲多平面重建CMPR图像，所述大分辨率能够放大到所述细化的中心线附近，使用深度学习分割模型根据所述医学图像信息来分割所述椎动脉段的腔；所述深度学习模型用于学习椎动脉腔的边界；以及基于所述中心线和所述腔来提取所述至少一个生物标志物；
从所述临床报告信息中提取患者历史信息；以及
使用深度学习分类模型基于所提取的至少一个生物标志物和所提取的患者历史信息来确定椎动脉夹层的风险概率。
2.根据权利要求1所述的方法，其中，通过执行最小成本路径分析来确定所述初始中心线。
3.根据权利要求2所述的方法，其中，基于与所述椎动脉段对应的至少两个种子点以及根据所述医学图像信息生成的成本图像来执行所述最小成本路径分析。
4.根据权利要求3所述的方法，其中，所述至少两个种子点包括在所述椎动脉段的开始处手动标注的第一种子点，以及在所述椎动脉段的结束处手动标注的第二种子点。
5.根据权利要求2所述的方法，其特征在于，还包括：
使用所述初始中心线来生成多个弯曲多平面重建(CMPR)图像；
对所述弯曲多平面重建图像执行所述最小成本路径分析以提取修正的中心线；以及
将所述修正的中心线转换到所述医学图像信息的原始图像空间以获得所述细化的中心线。
6.根据权利要求2所述的方法，其中，所述细化的中心线被用于生成多个弯曲多平面重建图像，并且所述多个弯曲多平面重建图像被用于分割所述腔。
7.根据权利要求1至6中任一项所述的方法，其中，使用语言模型从所述临床报告信息中提取所述患者历史信息。
8.根据权利要求1所述的方法，其中，所述患者历史信息包括以下中的至少一个：所述患者的性别、所述患者的体重指数、所述患者的用药历史、所述患者的血液测试结果。
9.一种用于确定患者的椎动脉夹层(VAD)的风险概率的装置，其特征在于，所述装置包括：
至少一个存储器，其被配置成存储程序代码；以及
至少一个处理器，其被配置成读取所述程序代码并且根据所述程序代码的指示来执行根据权利要求1至8中任一项所述的方法。
10.一种用于确定患者的椎动脉夹层(VAD)的风险概率的设备，其特征在于，所述设备包括：
接收模块，其被配置成接收所述患者的医学图像信息和所述患者的临床报告信息；
第一提取模块，其被配置成提取与所述医学图像信息中包括的椎动脉段对应的至少一个生物标志物，具体包括：提取所述椎动脉段的初始中心线，细化所述初始中心线以生成细化的中心线，从所述细化的中心线开始，利用大分辨率创建弯曲多平面重建CMPR图像，所述大分辨率能够放大到所述细化的中心线附近，使用深度学习分割模型根据所述医学图像信息来分割所述椎动脉段的腔；所述深度学习模型用于学习椎动脉腔的边界；以及基于所述中心线和所述腔来提取所述至少一个生物标志物；
第二提取模块，其被配置成从所述临床报告信息中提取患者历史信息；以及
确定模块，其被配置成使用深度学习分类模型基于所提取的至少一个生物标志物和所提取的患者历史信息来确定椎动脉夹层的风险概率。
11.一种非暂态计算机可读介质，其存储指令，所述指令在由至少一个处理器执行时，使所述至少一个处理器执行根据权利要求1至8中任一项所述的方法。
CN202080020570.0A 2019-04-02 2020-02-27 用于预测椎动脉夹层的系统和方法 Active CN114096191B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US16/372,996 2019-04-02
US16/372,996 US11103142B2 (en) 2019-04-02 2019-04-02 System and method for predicting vertebral artery dissection
PCT/US2020/020091 WO2020205105A1 (en) 2019-04-02 2020-02-27 System and method for predicting vertebral artery dissection

Publications (2)

Publication Number Publication Date
CN114096191A CN114096191A (zh) 2022-02-25
CN114096191B true CN114096191B (zh) 2024-04-12

Family

ID=72662701

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080020570.0A Active CN114096191B (zh) 2019-04-02 2020-02-27 用于预测椎动脉夹层的系统和方法

Country Status (3)

Country Link
US (1) US11103142B2 (zh)
CN (1) CN114096191B (zh)
WO (1) WO2020205105A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220180976A1 (en) * 2020-12-08 2022-06-09 International Business Machines Corporation Biomarker selection and modeling for targeted microbiomic testing

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
UA74336U (ru) * 2012-04-04 2012-10-25 Научно-Исследовательский Институт Реабилитации Инвалидов (Учебно-Научно-Лечебный Комплекс) Винницкого Национального Медицинского Университета Им. М.И. Пирогова Способ диагностики стеноза позвоночной артерии
CN103493054A (zh) * 2010-10-12 2014-01-01 美国西门子医疗解决公司 用于预测心血管病发展的医疗信息技术系统
CN107403425A (zh) * 2016-05-18 2017-11-28 西门子保健有限责任公司 从图像自动地生成放射学报告并自动排除没有发现的图像
CN109310362A (zh) * 2016-04-27 2019-02-05 心肌解决方案股份有限公司 通过来自磁共振成像的应变测量值快速定量评估心脏功能

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102006045423B4 (de) * 2006-09-26 2016-07-14 Siemens Healthcare Gmbh 07.09.07Verfahren zur Nachbearbeitung eines dreidimensionalen Bilddatensatzes einer Gefäßstruktur
DE102007026519A1 (de) * 2007-06-08 2008-12-18 Siemens Ag Verfahren zur Bestimmung eines Rupturrisikos wenigstens eines Aneurysmas eines Patienten und zugehöriges System
WO2008154585A1 (en) 2007-06-11 2008-12-18 Macdonald R Loch A drug delivery system for the prevention of cerebral vasospasm
US8218844B2 (en) * 2008-02-21 2012-07-10 Siemens Aktiengesellschaft Method for generating analytical tool for analyzing abnormalities in human organs
US20100130878A1 (en) * 2008-11-24 2010-05-27 General Electric Company Systems, apparatus and processes for automated blood flow assessment of vasculature
US9830427B2 (en) 2011-06-20 2017-11-28 Siemens Healthcare Gmbh Method for intracranial aneurysm analysis and endovascular intervention planning
US9241970B2 (en) * 2011-12-13 2016-01-26 Nono Inc. Therapy for subarachnoid hemorrhage and ischemia
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
US9839483B2 (en) * 2015-04-21 2017-12-12 Heartflow, Inc. Systems and methods for risk assessment and treatment planning of arterio-venous malformation
US10176896B2 (en) * 2017-03-01 2019-01-08 Siemens Healthcare Gmbh Coronary computed tomography clinical decision support system
US10825167B2 (en) * 2017-04-28 2020-11-03 Siemens Healthcare Gmbh Rapid assessment and outcome analysis for medical patients
IT201700059572A1 (it) * 2017-05-31 2018-12-01 Fond Ri Med Metodo e sistema per la valutazione del rischio di un aneurisma dell’aorta toracica ascendente
US20200315547A1 (en) * 2019-04-02 2020-10-08 Tencent America LLC Vertebral artery dissection risk evaluation method, computer device, and storage medium

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103493054A (zh) * 2010-10-12 2014-01-01 美国西门子医疗解决公司 用于预测心血管病发展的医疗信息技术系统
UA74336U (ru) * 2012-04-04 2012-10-25 Научно-Исследовательский Институт Реабилитации Инвалидов (Учебно-Научно-Лечебный Комплекс) Винницкого Национального Медицинского Университета Им. М.И. Пирогова Способ диагностики стеноза позвоночной артерии
CN109310362A (zh) * 2016-04-27 2019-02-05 心肌解决方案股份有限公司 通过来自磁共振成像的应变测量值快速定量评估心脏功能
CN107403425A (zh) * 2016-05-18 2017-11-28 西门子保健有限责任公司 从图像自动地生成放射学报告并自动排除没有发现的图像

Also Published As

Publication number Publication date
WO2020205105A1 (en) 2020-10-08
US11103142B2 (en) 2021-08-31
US20200315465A1 (en) 2020-10-08
CN114096191A (zh) 2022-02-25

Similar Documents

Publication Publication Date Title
US10588590B2 (en) Detection and characterization of aortic pathologies
US20200342056A1 (en) Method and apparatus for natural language processing of medical text in chinese
AU2017272141A1 (en) Duplicate and similar bug report detection and retrieval using neural networks
EP3489957A1 (en) Accelerated clinical biomarker prediction (acbp) platform
US11410302B2 (en) Two and a half dimensional convolutional neural network for predicting hematoma expansion in non-contrast head computerized tomography images
TW202032579A (zh) 病灶檢測方法及其裝置及其設備及儲存媒體
US20230118506A1 (en) Conversational aspect sentiment analysis for dialogue understanding
US20220240881A1 (en) Lung cancer prediction
US11250563B2 (en) Hierarchical processing technique for lesion detection, classification, and segmentation on microscopy images
CN114096191B (zh) 用于预测椎动脉夹层的系统和方法
US11763944B2 (en) System and method for clinical decision support system with inquiry based on reinforcement learning
EP3934521A1 (en) User device based parkinson disease detection
JP2019179445A (ja) 病理診断文入力支援プログラム、病理診断文入力支援方法および病理診断文入力支援システム
CN115482261A (zh) 血管配准方法、装置、电子设备及存储介质
CN116710986A (zh) 基于无参考鉴别器的对话模型训练
WO2021146941A1 (zh) 疾病位置获取方法、装置、设备以及计算机可读存储介质
WO2022081922A1 (en) Identifying vessel occlusions using spatial patterns
US11610315B2 (en) System and method for identifying target regions prior to organs at risk segmentation
US20210383552A1 (en) Layer boundary evolution for macular optical coherence tomography segmentation
WO2023234958A1 (en) Conditional factorization for jointly modeling code-switched and monolingual automatic speech recognition
US20210128007A1 (en) Method and apparatus for filtering electrocardiogram signal
WO2023234947A1 (en) Feature extraction system and method for enhancing recommendations
CN117078714A (zh) 图像分割模型训练方法、装置、设备及存储介质

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40065311

Country of ref document: HK

GR01 Patent grant
GR01 Patent grant