CN114757944B - 一种血管图像的分析方法、装置及存储介质 - Google Patents
一种血管图像的分析方法、装置及存储介质 Download PDFInfo
- Publication number
- CN114757944B CN114757944B CN202210659076.XA CN202210659076A CN114757944B CN 114757944 B CN114757944 B CN 114757944B CN 202210659076 A CN202210659076 A CN 202210659076A CN 114757944 B CN114757944 B CN 114757944B
- Authority
- CN
- China
- Prior art keywords
- blood vessel
- image
- stenosis
- functional
- information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 210000004204 blood vessel Anatomy 0.000 title claims abstract description 197
- 238000003703 image analysis method Methods 0.000 title abstract description 5
- 208000031481 Pathologic Constriction Diseases 0.000 claims abstract description 84
- 230000036262 stenosis Effects 0.000 claims abstract description 84
- 208000037804 stenosis Diseases 0.000 claims abstract description 84
- 238000013145 classification model Methods 0.000 claims abstract description 41
- 238000004458 analytical method Methods 0.000 claims abstract description 37
- 230000011218 segmentation Effects 0.000 claims abstract description 33
- 238000000605 extraction Methods 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000000034 method Methods 0.000 claims description 41
- 230000006870 function Effects 0.000 claims description 32
- 230000008569 process Effects 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000002603 single-photon emission computed tomography Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 14
- 238000011156 evaluation Methods 0.000 abstract description 5
- 238000010191 image analysis Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 201000010099 disease Diseases 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 230000002966 stenotic effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 238000012417 linear regression Methods 0.000 description 4
- 238000007477 logistic regression Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 208000024172 Cardiovascular disease Diseases 0.000 description 2
- 201000000057 Coronary Stenosis Diseases 0.000 description 2
- 206010057469 Vascular stenosis Diseases 0.000 description 2
- 230000004872 arterial blood pressure Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000017531 blood circulation Effects 0.000 description 2
- 208000026106 cerebrovascular disease Diseases 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000003205 diastolic effect Effects 0.000 description 2
- 230000002526 effect on cardiovascular system Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 238000012880 independent component analysis Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 208000035150 Hypercholesterolemia Diseases 0.000 description 1
- 208000031226 Hyperlipidaemia Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000006793 arrhythmia Effects 0.000 description 1
- 206010003119 arrhythmia Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 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
- A61B6/48—Diagnostic techniques
- A61B6/481—Diagnostic techniques involving the use of contrast agents
-
- 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
-
- 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
- A61B6/5258—Devices using data or image processing specially adapted for radiation diagnosis involving detection or reduction of artifacts or noise
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Evolutionary Computation (AREA)
- Optics & Photonics (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- General Engineering & Computer Science (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- High Energy & Nuclear Physics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Dentistry (AREA)
- Vascular Medicine (AREA)
- Pulmonology (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请涉及一种血管图像的分析方法、装置及存储介质。该分析方法包括：获取血管的CTA图像和分割蒙版；至少将所获取的血管的CTA图像和分割蒙版输入到基于学习的特征提取部，以提取至少包括图像特征和结构特征的特征信息；基于所提取的特征信息，分别利用分类模型和回归模型来预测所述血管的狭窄区域和所述血管各处的至少狭窄程度，其中，所述分析方法在所述基于学习的特征提取部的输入、回归模型的预测输出和所述分类模型和/或回归模型的训练中结合所述血管的功能学信息。如此，能够减少CTA图像上的干扰影响信息例如伪影的影响，实现精准的血管检测与评估。
Description
技术领域
本申请大体涉及图像处理和分析。更具体地，本申请涉及一种血管图像的分析方法、装置及存储介质。
背景技术
近年来，心脑血管疾病的发病率、致死率均高于其他疾病，成为威胁人类健康的主要疾病之一，血管受到高血脂和高胆固醇等因素影响会逐渐变狭窄，从而引起疾病的发生是临床上一个非常普遍的问题，尤其中老年人发病率更高。目前，临床上常利用CTA图像实现对血管狭窄检测与量化 (如狭窄程度、狭窄长度等)，辅助医生对疾病的诊断与治疗。
随着计算机辅助的自动化冠脉狭窄检测与评估技术的日渐成熟，已有多种技术和方法可以实现基于CTA图像的自动冠脉狭窄检测与评估。但是，目前基于CTA图像的狭窄检测与评估方法仅利用了影像学信息，其存在如下问题：首先，对于严重钙化斑块，CTA上存在开花状伪影，影响管腔真实狭窄程度的判断；其次，由于呼吸运动和心律不齐，导致图像采集时心脏不在同一时相，出现阶梯状伪影，表现为长轴位上血管突然断开，常易误判为狭窄。
发明内容
提供了本申请以解决现有技术中存在的上述缺陷。需要一种血管图像的分析方法、装置及存储介质，其利用血管的CTA图像和分割蒙版作为基于学习的特征提取部的输入，来提取特征信息。同时，在分析方法中引入并结合血管的功能学信息。所述分析方法能够减少CTA图像上的干扰影响信息例如伪影的影响，实现精准的血管检测与评估。
根据本申请的第一方案，提供了一种血管图像的分析方法，所述分析方法包括如下步骤。可以获取血管的CTA图像和分割蒙版，并至少将所获取的血管的CTA图像和分割蒙版输入到基于学习的特征提取部，以提取至少包括图像特征和结构特征的特征信息。基于所提取的特征信息，可以分别利用分类模型和回归模型来预测所述血管的狭窄区域和所述血管各处的至少狭窄程度。其中，所述分析方法在所述基于学习的特征提取部的输入、回归模型的预测输出和所述分类模型和/或回归模型的训练中结合所述血管的功能学信息。
根据本申请的第二方案，提供了一种血管图像进行分析的装置，所述装置包括接口和处理器。所述接口可以配置为接收由图像采集装置采集的血管的CTA图像。所述处理器可以配置为对所接收的血管的CTA图像进行分割，以得到血管的分割蒙版。基于血管的CTA图像和血管的分割蒙版，可以执行根据本申请中各个实施例所述的血管图像的分析方法。
根据本申请的第三方案，提供了一种计算机可读存储介质，其上存储有指令，其中当由处理器执行时，所述指令执行本申请中各个实施例所述的血管图像的分析方法的步骤。
本申请各个实施例提供的血管图像的分析方法、装置及存储介质，其首先通过共用的基于学习的特征提取部，从血管的CTA图像和分割蒙版提取特征，得到包括图像特征和结构特征的特征信息，有助于获得更全面的血管特征信息，并降低血管狭窄检测的过拟合风险。然后将特征信息分别输入到分类模型和回归模型，获得血管各处的至少狭窄程度。血管的功能学信息可以按需巧妙地结合在分析方法的各个环节中，缺乏外源的功能学信息时可以自动预测功能学信息并直接提供给用户，具有外源的功能学信息时则可以在分析过程中引入使得分析或者训练过程更加关注存在狭窄的功能学信息所在的血管的位置。所述方法能够减少CTA图像上的干扰影响信息例如伪影的影响，减少血管狭窄的误判，提升血管的狭窄检测和评估的准确度，有利于辅助医生对疾病的诊断。
应当理解，前面的大体描述以及后续的详细描述只是例示性的和说明性的，并非对所要求保护的本发明的限制。
附图说明
在未必按照比例绘制的附图中，不同视图中相似的附图标记可以表示相似的构件。具有字母后缀的相似附图标记或具有不同字母后缀的相似附图标记可以表示相似构件的不同实例。附图通常作为示例而非限制地图示各种实施例，并且与说明书和权利要求书一起用于解释所申请的实施例。
图1（a）示出根据本申请第一实施例的血管图像的分析方法的流程图；
图1（b）示出根据本申请实施例的血管图像的分析过程的示意图；
图2示出根据本申请第二实施例的血管图像的分析方法的流程图；
图3示出根据本申请第三实施例的血管图像的分析方法的流程图；
图4示出根据本申请实施例的血管图像进行分析的系统的示意性图示；以及
图5示出根据本申请实施例的血管图像进行分析的装置的示意性框图。
具体实施方式
为使本领域技术人员更好的理解本申请的技术方案，下面结合附图和具体实施方式对本申请作详细说明。下面结合附图和具体实施例对本申请的实施例作进一步详细描述，但不作为对本申请的限定。
本申请中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分。“包括”或者“包含”等类似的词语意指在该词前的要素涵盖在该词后列举的要素，并不排除也涵盖其他要素的可能。
本申请提出了一种血管图像的分析方法。图1（a）示出根据本申请第一实施例的血管图像的分析方法的流程图。该方法始于步骤S101，获取血管的CTA图像和分割蒙版。
所述血管的CTA图像可以包括血管的2D CTA图像或其序列，或者可以包括血管的3D CTA图像。具体说来，血管的2D CTA图像或其序列可以通过向血管注入造影剂并对包含血管的部分进行计算机断层扫描来生成。血管的3D CTA图像可以通过对2D CTA图像的序列进行三维重建来得到，相较2D CTA能够更好考虑到邻近像素在空间上的关联性。以冠脉血管的CTA图像为例，能够通过冠脉血管的CTA图像获得冠脉血管的影像学信息，所述影像学信息包括从CTA图像中得到的血管粗细、位置及形态状况等信息。所述影像学信息能够反映出血管的影像特征，所以将血管的CTA图像作为分析方法的信息输入，有助于对血管进行检测和评估。
所述分割蒙版表示血管的CTA图像中的血管的分割结果。在一些实施例中，所述分割蒙版为利用血管分割方法从CTA影像中提取出的血管的像素级2D模型或体素级3D模型。所述分割蒙版可以表征血管的复杂的树形结构，包括血管的多变的走向和粗细的变化信息等。所述血管分割方法可以有多种，可以为基于图像亮度的分割方法水平集（level set）、对图像中每个像素点周围进行多尺度求解二阶导（Frangi Filter）的方法等。所述分割蒙版能够表达较清晰的血管结构特征，在判断血管的狭窄位置和狭窄程度时，有利于提供血管的粗细及分叉点等结构信息。比如，可以在血管的结构上是分叉点前的血管相比于分叉后的血管粗，然后对照分叉的血管，来判断血管是否是狭窄位置。如果有钙化斑块覆盖住分叉点时或者阶梯状伪影覆盖住的位置，则可以参照分割蒙版进行判断血管的走向和粗细程度，有利于对血管狭窄进行检测和评估。
在步骤S102中，将血管的CTA图像和分割蒙版输入到基于学习的特征提取部，以提取至少包括图像特征和结构特征的特征信息。所述基于学习的特征提取部对于CTA图像和分割蒙版是共用的，提取出的特征信息由分类模型和回归模型用来预测血管的狭窄区域和狭窄程度。在一些实施例中，所述基于学习的特征提取部包括卷积神经网络，比如VGG（Visual Geometry Group Network），ResNet（深度残差网络），DenseNet（DenseConvolutional Network）等。所述卷积神经网络的特征提取操作是基于学习的，也就是说，其利用训练样本进行训练（特征提取部可以独立训练，也可以与分类模型和/或回归模型联合训练）来习得如何提取特征信息。如此，可以受益于训练而更准确地提取出特征信息。
接下来在步骤S103中，基于所提取的特征信息，分别利用分类模型和回归模型来预测所述血管的狭窄区域和所述血管各处的至少狭窄程度。
在步骤S103中，利用回归模型来预测所述血管各处的狭窄程度。可以理解的是回归模型可以采用各种方式实现回归来预测血管各处的狭窄程度。例如，回归模型可以采用监督学习算法来实现，例如但不限于有逻辑回归（Logistic Regression），支持向量机（SVM）、K最近邻算法（K-NearestNeighbor）、线性回归（LR，Linear Regreesion）、神经网络等。又例如，回归模型也可以采用半监督学习算法来实现，例如但不限于纯半监督学习算法、直推学习（transductive learning）算法等。只要该回归模型能够预测血管各处的狭窄程度，本申请对此不作具体限定。
在步骤S103中，利用分类模型来预测所述血管的狭窄区域。例如，分类模型可以采用监督学习算法来实现，例如但不限于决策树、朴素贝叶斯分类器、逻辑回归（LogisticRegression），支持向量机（SVM）、K最近邻算法（K-NearestNeighbor）、线性回归（LR，LinearRegreesion）、神经网络等。又例如，分类模型也可以采用半监督学习算法来实现，例如但不限于纯半监督学习算法、直推学习（transductive learning）算法等。又例如，分类模型也可以采用非监督学习算法来实现，例如但不限于聚类算法、主成分分析（PCA）、SVD矩阵分解、独立成分分析(ICA)、Apriori算法以及K-均值算法(K-Means)、稀疏自编码（sparseauto-encoder）等等，在此不赘述。
在步骤S103中，分类模型和回归模型共享基于学习的特征提取部使得两者的分类分析和回归分析过程彼此关联，且在训练优化过程和分析过程都可以受益于特征提取部的共享，使得分类模型和回归模型相互辅助改善彼此的学习性能，降低过拟合风险。
其中，所述分析方法可以在所述基于学习的特征提取部的输入（如图1（a）中的箭头105所示）、回归模型的预测输出（如图1（a）中的箭头104所示）和所述分类模型和/或回归模型的训练（如图1（a）中的箭头106所示）中的任何一个环节中，结合所述血管的功能学信息。所述血管的功能学信息是独立于血管的CTA图像和血管分割蒙版之外的血管特征信息，包括血管的功能学指标、功能学图像中的至少一种。所述血管的功能学信息与影像或结构特征信息配合，能够复核并增强血管狭窄的生理显著性，例如如果从功能学、影像和结构三个方面都表征了血管狭窄的生理显著性，相较某个方面不明显的情况，显然更倾向于预测出血管狭窄。所述血管的功能学信息也能够与影像或结构特征信息进行核对，从而剔除由于影像或结构特征信息的偏差（例如伪影或者血管的伪中断）导致的血管狭窄的生理显著性，进而减少伪影对血管狭窄的预测结果的干扰。
在本申请中的各个环节中，根据血管的功能学信息是否是现成的、能够从外源获得，根据具体的预测需求，可以在包括特征提取环节、分析环节、训练环节的各个环节中巧妙结合所述血管的功能学信息。
图1（b）示出根据本申请实施例的血管图像的分析过程的示意图，如果缺乏血管的功能学信息，则可以与血管的狭窄区域和各处的狭窄程度一起，预测输出血管的功能学信息，使得能够补充血管的功能学信息并直接提供给用户，从而使得用户可以在人工分析中综合考虑到血管的功能学信息。如图1（b）所示，CTA图像和分割蒙版14可以被一同馈送到基于学习的特征提取部11，由基于学习的特征提取部11提取的特征信息可以被并行馈送到分类模型12和回归模型13，以分别预测狭窄区域15a、狭窄程度15b连同所缺乏的功能学信息15c。
如果已经获取了血管的功能学信息，则可以在分析过程中引入使得分析或者训练过程能够更关注到表征存在狭窄的功能学信息所在的血管的位置，从而在自动化分析中综合考虑到血管的功能学信息，以提升狭窄检测和评估的准确度。
在CTA图像上存在各种干扰影像信息例如伪影，所以在CTA图像上显示的狭窄，有可能是图像上的断点等，使得仅仅基于影像学信息会导致狭窄的误判。本申请的分析方法结合了功能学信息，在CTA图像上一些异常的地方或者受到干扰的地方，模型可以结合功能学信息判断减少干扰所导致的狭窄误判。由此，本申请的分析方法能够减少甚至消除干扰影像信息的影响，使血管狭窄的位置和狭窄程度的输出结果更加接近真实情况。
图2示出根据本申请第二实施例的血管图像的分析方法的流程图。图2示出了本申请在血管的功能学信息能够从外源获得的情况下的一种血管图像的分析方法的流程图。如图2所示，该方法始于步骤S201，分别获取血管的CTA图像、分割蒙版和功能学信息。可以理解的是，所述血管的功能学信息是血管的功能学指标特征和功能学图像中的至少一种。
在S202，基于血管的CTA图像、分割蒙版利用基于学习的特征提取部提取图像特征和结构特征；基于血管的功能学信息利用基于学习的特征提取部提取功能特征。
接着在S203中，将所述图像特征、结构特征和功能特征融合得到特征信息。在一些实施例中，通过识别网络模型进行图像特征、结构特征和功能特征的特征融合过程。特征融合的过程中将输入的各个特征向量进行融合以生成新的特征向量。使图像特征、结构特征和功能特征融合成为一种更具有狭窄判别能力的特征，方便后续的分类模型和回归模型进行预测，提供结果的准确度。比如血管的分割走向与血管的功能特征（血流特征等）及图像特征进行结合，得到的新的特征向量，综合了三种特征的信息，具有更好的代表性和准确性。
然后在步骤S204中，利用回归模型预测所述血管各处的狭窄程度，利用分类模型来预测所述血管的狭窄区域。
在一些实施例中，如步骤S205所示，在回归模型和/或分类模型的训练中结合血管的功能学信息。使得训练过程能够更关注到表征可能存在狭窄的功能学信息所在的血管的位置，训练后得到的回归模型和分类模型分别应用在利用特征信息进行预测血管狭窄的过程中，从而在自动化分析中综合考虑血管的功能学信息，以提升检测和评估的准确度。
在一些实施例中，所述分类模型和回归模型是联合训练的，且在联合训练使用的损失函数基于血管各处的功能学信息所表征的狭窄的存在可能性而缩放，使得功能学信息所表征的狭窄的存在可能性较高的血管各处，相较功能学信息表征狭窄的存在可能性较低的血管各处，而放大损失函数。
在本申请中，基于功能学信息对损失函数进行缩放，功能学信息所表征的狭窄的存在可能性较高的血管各处，放大损失函数，这时代表损失函数的变化波动更大，对于调参的响应灵敏度也就更高，从而损失函数能够更多关注到表征的狭窄的存在可能性较高的血管位置，使得在狭窄处能够做到更精确的调参。经过训练后的模型，有利于提高血管狭窄的检测和评估的准确性，减少CTA图像上的干扰影响信息例如伪影的影响。
图3示出了本发明的第三实施例的血管图像的分析方法的流程图。血管的功能学信息如果能够直接获取，那么可以直接将血管的功能学信息输入或结合到分析方法过程中。如果血管的功能学信息的获取可能不方便的情况下，可以按照图3的流程进行血管狭窄的预测。
在步骤S301中，获取血管的CTA图像和分割蒙版。然后在步骤S302中，基于血管的CTA图像和分割蒙版，利用基于学习的特征提取部提取图像特征和结构特征。接下来在步骤S303中，基于步骤S302获得的特征信息利用分类模型预测血管的狭窄区域，利用回归模型预测血管各处的狭窄程度，利用回归模型预测血管的功能学信息。通过步骤S303获得了血管的功能学信息，将获得的血管的功能学信息作为反馈而分别结合到基于学习的特征提取部的输入中（如图3中的箭头305所示）、回归模型对其他信息例如狭窄程度的预测输出中（如图3中的箭头304所示）、分类模型和/或回归模型的训练中（如图3中的箭头306所示），这样可以解决血管的功能学信息的获取可能不方便的问题。
在一些实施例中，所述损失函数包含利用权重因子对分类损失函数和回归损失函数进行加权的项，所述权重因子结合有血管各处的功能学信息，使得功能学信息所表征的狭窄的存在可能性较高的血管各处，相较功能学信息表征狭窄的存在可能性较低的血管各处权重因子更大。功能学信息所表征的狭窄的存在可能性较高的血管各处，对应的权重因子就更大，相反，功能学信息表征狭窄的存在可能性较低的血管各处，对应的权重因子就更小。这样通过权重因子对分类损失函数和回归损失函数进行加权的项，使得损失函数能够通过权重因子的乘法缩放，更多关注到表征的狭窄的存在可能性较高的血管位置，使得在狭窄处能够做到更精确的调参，实现对分类模型和回归模型的联合训练。
这里注意的是，上面所述的血管的功能学信息可以是并不与位置严格绑定的功能学信息，例如可以是这段血管中最小的FFR，血管的功能学图像等等，也可以是与血管的位置相对应的功能学信息。血管各处的功能学信息也可以是与位置分别对应的功能学信息，例如血管中心线上各采样点的FFR，可以形成一个FFR的分布曲线。所以通过分析血管各个位置上的功能信息的不同，能够在不同的位置表征出不同的狭窄可能性，这样可以对狭窄的存在可能性进行分配权重，比如在FFR的分布曲线上可以选择某个FFR值较低的范围内所代表的权重因子更大，某个FFR值较高的范围内所代表的权重因子更小。有利于对分类模型和回归模型的联合训练，使分类模型和回归模型更多关注狭窄的存在可能性较高的血管位置，进行精确的调参。
在一些实施例中，目标损失函数为Lz =λ*(Lc+Lr)；其中，Lz为损失函数，Lc为分类损失函数，Lr为回归损失函数，λ为结合有血管各处的功能学信息的损失权重因子。目标损失函数为损失权重因子与分类损失函数和回归损失函数之和的乘积，使得损失函数能够通过权重因子的乘法缩放，如果损失权重因子越大，则损失函数越大，如果损失权重因子越小，则损失函数越小。使损失函数更多关注到表征狭窄的存在可能性较高的血管位置，使得在狭窄处能够做到更精确的调参。
在一些实施例中，所述权重因子基于对所述血管各处的FFR相较邻近点的变化绝对值进行归一化处理的结果来构建，使得所述归一化处理的结果越大则所述权重因子越大。上面所述获得血管中心线上各采样点的FFR，可以形成一个FFR的分布曲线。本申请中对血管各处的FFR相较邻近点的变化绝对值进行归一化处理，对FFR的分布曲线进行求偏导得到dFR，即采用FFR的变化值dFR作为功能性信息，可以方便地配置权重因子。具体说来， FFR的值的大小有时对于狭窄并不是很敏感，可能因为检测的误差而导致误判，但dFR对于狭窄的检测来说鲁棒性更高，更具体的，一段血管如果各处的FFR变化不显著，通常表示这段血管不大可能存在狭窄，这段血管如果存在狭窄，则狭窄所在位置相较邻近位置通常会表现出FFR的显著变化。进一步说来，一段血管如果不存在狭窄，某个位置的FFR也可能因为检测误差而偏低（越低表示狭窄度可能越严重），但该位置的FFR相较邻近位置的FFR的变化程度通常还是能够抵抗检测误差的影响而维持变化不显著的情况，因为邻近位置的FFR也会类似受检测误差的影响，如果两个位置都偏低，那么相减就可以抵消，从而使得对于狭窄的表征更准确，鲁棒性更强。归一化处理则是为了消除幅值大小的影响，使得对于狭窄的表征更准确。
在一些实施例中，在所述基于学习的特征提取部的输入所结合的所述血管的功能学信息包括所述血管的功能学指标和功能学图像中的至少一种，所述回归模型的预测输出和所述分类模型和/或回归模型的训练中结合的所述血管的功能学信息包括所述血管的功能学指标。进一步，功能学图像包括所述血管的PET图像、SPECT图像和CT-MPI图像中的至少一种。
在一些实施例中，所述血管的功能学指标包括FFR、CT-FFR（基于CTA图像，采取计算流体力学或深度学习的方式模拟冠脉内血流与压力来计算目标血管内每一处位置的FFR值）、iFR、RFR（静息全周期比率，为整个心动周期中无偏移、最小的远端动脉压力（distalcoronary pressure，Pd）与近端动脉压力（aortic pressure，Pa）的比值）、dFR、dPR（舒张压比，是在整个舒张期平均的狭窄远端（狭窄下游 2 厘米）的平均压力(Pd) 除以舒张期平均主动脉压(Pa)）中的至少一种。
图4示出根据本申请实施例的血管图像进行分析的系统400的示意性图示，如图4所示，血管图像进行分析的系统400可以包括学习模型构建单元401和训练单元402。所述学习模型构建单元401可以配置为构建所述基于学习的特征提取部、分类模型和回归模型。作为示例，可以基于多个密集块的依序联合来构建，所述密集块内的基本单元之间具有密集连接，所述基本单元由批量归一化层、RELU层和卷积层组成。学习网络构建单元401可以将所构建的基于学习的特征提取部、分类模型和回归模型输出给训练单元402，训练单元402配置为基于训练样本数据库403所提供的训练样本数据集，利用损失函数对基于学习的特征提取部、分类模型和回归模型进行训练，所述损失函数更关注狭窄的存在可能性较高的血管位置，进行调参。训练好的基于学习的特征提取部、分类模型和回归模型可以从训练单元402馈送到分析单元404，以便其对来自医学图像数据库405的医学图像进行分析，以得到分析结果，分析结果包括血管的狭窄区域和血管各处的至少狭窄程度。
图5图示出了根据本申请实施例的血管图像进行分析的装置500的示意性框图。在一些实施例中，血管图像进行分析的装置500可以是专用计算机或通用计算机。例如，血管图像进行分析的装置500可以是为医院定制的计算机，以执行图像采集和图像处理任务。如图5中所示，血管图像进行分析的装置500可以包括通信接口503、处理器504、内存505、储存器506和显示器507。
在一些实施例中，通信接口503可以包括网络适配器、电缆连接器、串行连接器，USB连接器、并行连接器、高速数据传输适配器（诸如光纤、USB 3.0、雷电接口等）、无线网络适配器（诸如WiFi适配器）、电信（3G、7G/LTE等）适配器等。血管图像进行分析的装置500可以通过通信接口503连接到其他构件，例如图4中示出的血管图像进行分析的系统400中的其他构件。在一些实施例中，通信接口503从CTA图像采集装置502接收医学图像。例如，CTA图像采集装置502可以包括3D CT扫描仪。在一些实施例中，所述CTA图像可以包括3D容积CT图像。在一些实施例中，通信接口503还从模型训练装置501接收诸如训练好的基于学习的特征提取部、分类模型和回归模型等。
在一些实施例中，处理器504可以是包括一个以上通用处理设备的处理设备，诸如微处理器、中央处理单元（CPU）、图形处理单元（GPU）等。更具体地，该处理器可以是复杂指令集计算（CISC）微处理器、精简指令集计算（RISC）微处理器、超长指令字（VLIW）微处理器、运行其他指令集的处理器或运行指令集的组合的处理器。该处理器还可以是一个以上专用处理设备，诸如专用集成电路（ASIC）、现场可编程门阵列（FPGA）、数字信号处理器（DSP）、片上系统（SoC）等。处理器504可以通信地耦合到内存505并且被配置为执行存储在其上的计算机可执行指令，以执行诸如根据本申请各实施例的血管图像的分析方法的基于学习的特征提取部、分类模型和回归模型的训练方法、利用训练好的基于学习的特征提取部、分类模型和回归模型对血管图像的分析方法。在一些实施例中，可以由通信接口503接收现成的血管的分割蒙版。在一些实施例中，所述处理器504可以配置为对所接收的血管的CTA图像进行分割，以得到血管的分割蒙版。
在一些实施例中，内存505/储存器506可以是非暂时性计算机可读的介质，诸如只读存储器（ROM）、随机存取存储器（RAM）、相变随机存取存储器（PRAM）、静态随机存取存储器（SRAM）、动态随机存取存储器（DRAM）、电可擦除可编程只读存储器（EEPROM）、其他类型的随机存取存储器（RAM）、闪存盘或其他形式的闪存、缓存、寄存器、静态存储器、光盘只读存储器（CD-ROM）、数字通用光盘（DVD）或其他光学存储器、盒式磁带或其他磁存储设备，或被用于储存能够被计算机设备访问的信息或指令的任何其他可能的非暂时性的介质等。
在一些实施例中，储存器506可以储存训练好的基于学习的特征提取部、分类模型和回归模型和数据，该数据诸如为原始医学图像、提取的图像特征、在执行计算机程序的同时所接收的、所使用的或所生成的各种数据等。在一些实施例中，内存505可以储存计算机可执行指令，诸如一个以上图像处理程序，以实现诸如图4中所示的分析单元404的功能。
在一些实施例中，处理器504可以在显示器507上呈现血管图像的分析结果（例如是否存在肿瘤及其分布情况）和/或其他数据的可视化。显示器507可以包括液晶显示器（LCD）、发光二极管显示器（LED）、等离子显示器或任何其他类型的显示器，并提供显示器上呈现的图形用户界面（GUI）用于用户输入和图像/数据显示。
根据本申请，模型训练装置501可以具有与血管图像进行分析的装置500相同或相似的结构。模型训练装置501和血管图像进行分析的装置500也可以整合为同个装置。
根据本申请的实施例还提供一种非暂时性计算机可读介质，其上存储有指令，其中当由处理器执行时，所述指令执行根据本申请各个实施例所述的血管图像的分析方法的步骤。在一些实施例中，计算机可读介质可包括易失性或非易失性、磁性、半导体、磁带、光学、可移动、不可移动或其他类型的计算机可读介质或计算机可读存储装置。例如，计算机可读介质可以是其上存储有计算机指令的存储装置或存储器模块。在一些实施例中，计算机可读介质可以是其上存储有计算机指令的盘或闪存驱动器。
以上描述旨在说明性的而不是限制性的。例如，上述示例（或其一个或多个方案）可以彼此组合使用。本领域普通技术人员在查看以上描述时可以使用其他实施例。而且，在上面的详细描述中，各种特征可以被组合在一起以简化本申请。这不应被解释成意图让不要求保护的申请特征对于任何权利要求而言都是必不可少的。而是，发明主题可以在于比一个申请的实施例的所有特征少的特征组合。因此，以下权利要求由此作为示例或实施例并入到具体实施方式中，其中每个权利要求独立作为单独的实施例，并且可以构想的是，这些实施例可以以各种组合或置换来相互组合。本发明的范围应该参考所附权利要求以及赋予这些权利要求的等同物的全部范围来确定。
Claims (10)
1.一种血管图像的分析方法，其特征在于，所述分析方法包括：
获取血管的CTA图像和分割蒙版；
至少将所获取的血管的CTA图像和分割蒙版输入到基于学习的特征提取部，以提取至少包括图像特征和结构特征的特征信息；
基于所提取的特征信息，分别利用分类模型和回归模型来预测所述血管的狭窄区域和所述血管各处的至少狭窄程度，
其中，所述分析方法在所述基于学习的特征提取部的输入、回归模型的预测输出和所述分类模型和/或回归模型的训练中结合所述血管的功能学信息。
2.根据权利要求1所述的血管图像的分析方法，其特征在于，还包括：
获取所述血管的功能学信息；
将所获取的血管的CTA图像、分割蒙版和所述血管的功能学信息输入到基于学习的特征提取部，以提取图像特征、结构特征和功能特征，并将所述图像特征、结构特征和功能特征融合以得到所述特征信息用于分别输入到分类模型和回归模型。
3.根据权利要求1所述的血管图像的分析方法，其特征在于，所述分类模型和回归模型是联合训练的，且在联合训练使用的损失函数基于血管各处的功能学信息所表征的狭窄的存在可能性而缩放，使得功能学信息所表征的狭窄的存在可能性较高的血管各处，相较功能学信息表征狭窄的存在可能性较低的血管各处，而放大损失函数。
4.根据权利要求1所述的血管图像的分析方法，其特征在于，还包括：基于所提取的特征信息，分别利用分类模型和回归模型来预测所述血管的狭窄区域以及所述血管各处的狭窄程度和功能学信息。
5.根据权利要求3所述的血管图像的分析方法，其特征在于，所述损失函数包含利用权重因子对分类损失函数和回归损失函数进行加权的项，所述权重因子结合有血管各处的功能学信息，使得功能学信息所表征的狭窄的存在可能性较高的血管各处，相较功能学信息表征狭窄的存在可能性较低的血管各处权重因子更大。
6.根据权利要求5所述的血管图像的分析方法，其特征在于，所述权重因子基于对所述血管各处的FFR相较邻近点的变化绝对值进行归一化处理的结果来构建，使得所述归一化处理的结果越大则所述权重因子越大。
7.根据权利要求1所述的分析方法，其特征在于，
在所述基于学习的特征提取部的输入所结合的所述血管的功能学信息包括所述血管的功能学指标和功能学图像中的至少一种，所述回归模型的预测输出和所述分类模型和/或回归模型的训练中结合的所述血管的功能学信息包括所述血管的功能学指标。
8.根据权利要求7所述的分析方法，其特征在于，所述血管的功能学指标包括FFR、CT-FFR、iFR、RFR、dFR、dPR中的至少一种，所述血管的功能学图像包括所述血管的PET图像、SPECT图像和CT-MPI图像中的至少一种。
9.一种血管图像进行分析的装置，其特征在于，所述装置包括：
接口，其配置为接收由图像采集装置采集的血管的CTA图像；
处理器，其配置为：
对所接收的血管的CTA图像进行分割，以得到血管的分割蒙版；
执行根据权利要求1-8中任何一项所述的血管图像的分析方法。
10.一种其上储存有计算机程序的非暂时性计算机可读的介质，其中，所述计算机程序由至少一个处理器执行时，实现根据权利要求1-3中任何一项所述的血管图像的分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210659076.XA CN114757944B (zh) | 2022-06-13 | 2022-06-13 | 一种血管图像的分析方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210659076.XA CN114757944B (zh) | 2022-06-13 | 2022-06-13 | 一种血管图像的分析方法、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114757944A CN114757944A (zh) | 2022-07-15 |
| CN114757944B true CN114757944B (zh) | 2022-08-16 |
Family
ID=82336990
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210659076.XA Active CN114757944B (zh) | 2022-06-13 | 2022-06-13 | 一种血管图像的分析方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114757944B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115439686B (zh) * | 2022-08-30 | 2024-01-09 | 一选(浙江)医疗科技有限公司 | 一种基于扫描影像的关注对象检测方法及系统 |
Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106456078A (zh) * | 2013-10-17 | 2017-02-22 | 西门子保健有限责任公司 | 用于对血流储备分数的基于机器学习的评估的方法和系统 |
| CN107977709A (zh) * | 2017-04-01 | 2018-05-01 | 北京昆仑医云科技有限公司 | 预测血管树血管路径上的血流特征的深度学习模型和系统 |
| CN109544566A (zh) * | 2018-11-29 | 2019-03-29 | 上海联影医疗科技有限公司 | 冠脉图像分割方法、装置、计算机设备和存储介质 |
| CN109979593A (zh) * | 2018-09-24 | 2019-07-05 | 北京昆仑医云科技有限公司 | 血管路径的健康半径的预测方法、血管路径的候选狭窄处的预测方法、血管狭窄度预测装置 |
| CN110310256A (zh) * | 2019-05-30 | 2019-10-08 | 上海联影智能医疗科技有限公司 | 冠脉狭窄检测方法、装置、计算机设备和存储介质 |
| CN110490927A (zh) * | 2018-08-23 | 2019-11-22 | 深圳科亚医疗科技有限公司 | 用于为图像中的对象生成中心线的方法、装置和系统 |
| CN110599444A (zh) * | 2018-08-23 | 2019-12-20 | 深圳科亚医疗科技有限公司 | 预测血管树的血流储备分数的设备、系统以及非暂时性可读存储介质 |
| CN111369528A (zh) * | 2020-03-03 | 2020-07-03 | 重庆理工大学 | 基于深度卷积网络的冠状动脉血管造影图像狭窄区域标示方法 |
| CN111709925A (zh) * | 2020-05-26 | 2020-09-25 | 深圳科亚医疗科技有限公司 | 用于血管斑块分析的装置、系统及介质 |
| CN111815599A (zh) * | 2020-07-01 | 2020-10-23 | 上海联影智能医疗科技有限公司 | 一种图像处理方法、装置、设备及存储介质 |
| CN111833343A (zh) * | 2020-07-23 | 2020-10-27 | 北京小白世纪网络科技有限公司 | 冠状动脉狭窄度估计方法系统及设备 |
| CN112598619A (zh) * | 2020-11-23 | 2021-04-02 | 西安科锐盛创新科技有限公司 | 基于迁移学习的颅内血管模拟三维狭窄化模型的建立方法 |
| CN113241183A (zh) * | 2021-04-30 | 2021-08-10 | 深圳睿心智能医疗科技有限公司 | 治疗方案预测方法及装置 |
| CN113592939A (zh) * | 2021-07-20 | 2021-11-02 | 燕山大学 | 基于冠脉造影图像判断狭窄血管尺寸的深度学习方法 |
| CN113628193A (zh) * | 2021-08-12 | 2021-11-09 | 推想医疗科技股份有限公司 | 血管狭窄率确定方法、装置、系统及存储介质 |
| CN114298193A (zh) * | 2021-12-21 | 2022-04-08 | 科亚医疗科技股份有限公司 | 基于分割网络的血管斑块检测装置和方法 |
| CN114359140A (zh) * | 2021-11-29 | 2022-04-15 | 吉林大学 | 一种使用计算机对冠状动脉狭窄诊断定位方法 |
| CN114596311A (zh) * | 2022-04-22 | 2022-06-07 | 深圳科亚医疗科技有限公司 | 基于血管图像的血管功能评估方法和血管功能评估装置 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| NL2012459B1 (en) * | 2014-03-18 | 2016-01-08 | Medis Ass B V | Method and device for determining deviation in pressure in a blood vessel. |
| US10964017B2 (en) * | 2018-11-15 | 2021-03-30 | General Electric Company | Deep learning for arterial analysis and assessment |
-
2022
- 2022-06-13 CN CN202210659076.XA patent/CN114757944B/zh active Active
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106456078A (zh) * | 2013-10-17 | 2017-02-22 | 西门子保健有限责任公司 | 用于对血流储备分数的基于机器学习的评估的方法和系统 |
| CN107977709A (zh) * | 2017-04-01 | 2018-05-01 | 北京昆仑医云科技有限公司 | 预测血管树血管路径上的血流特征的深度学习模型和系统 |
| CN110490927A (zh) * | 2018-08-23 | 2019-11-22 | 深圳科亚医疗科技有限公司 | 用于为图像中的对象生成中心线的方法、装置和系统 |
| CN110599444A (zh) * | 2018-08-23 | 2019-12-20 | 深圳科亚医疗科技有限公司 | 预测血管树的血流储备分数的设备、系统以及非暂时性可读存储介质 |
| CN109979593A (zh) * | 2018-09-24 | 2019-07-05 | 北京昆仑医云科技有限公司 | 血管路径的健康半径的预测方法、血管路径的候选狭窄处的预测方法、血管狭窄度预测装置 |
| CN109544566A (zh) * | 2018-11-29 | 2019-03-29 | 上海联影医疗科技有限公司 | 冠脉图像分割方法、装置、计算机设备和存储介质 |
| CN110310256A (zh) * | 2019-05-30 | 2019-10-08 | 上海联影智能医疗科技有限公司 | 冠脉狭窄检测方法、装置、计算机设备和存储介质 |
| CN111369528A (zh) * | 2020-03-03 | 2020-07-03 | 重庆理工大学 | 基于深度卷积网络的冠状动脉血管造影图像狭窄区域标示方法 |
| CN111709925A (zh) * | 2020-05-26 | 2020-09-25 | 深圳科亚医疗科技有限公司 | 用于血管斑块分析的装置、系统及介质 |
| CN111815599A (zh) * | 2020-07-01 | 2020-10-23 | 上海联影智能医疗科技有限公司 | 一种图像处理方法、装置、设备及存储介质 |
| CN111833343A (zh) * | 2020-07-23 | 2020-10-27 | 北京小白世纪网络科技有限公司 | 冠状动脉狭窄度估计方法系统及设备 |
| CN112598619A (zh) * | 2020-11-23 | 2021-04-02 | 西安科锐盛创新科技有限公司 | 基于迁移学习的颅内血管模拟三维狭窄化模型的建立方法 |
| CN113241183A (zh) * | 2021-04-30 | 2021-08-10 | 深圳睿心智能医疗科技有限公司 | 治疗方案预测方法及装置 |
| CN113592939A (zh) * | 2021-07-20 | 2021-11-02 | 燕山大学 | 基于冠脉造影图像判断狭窄血管尺寸的深度学习方法 |
| CN113628193A (zh) * | 2021-08-12 | 2021-11-09 | 推想医疗科技股份有限公司 | 血管狭窄率确定方法、装置、系统及存储介质 |
| CN114359140A (zh) * | 2021-11-29 | 2022-04-15 | 吉林大学 | 一种使用计算机对冠状动脉狭窄诊断定位方法 |
| CN114298193A (zh) * | 2021-12-21 | 2022-04-08 | 科亚医疗科技股份有限公司 | 基于分割网络的血管斑块检测装置和方法 |
| CN114596311A (zh) * | 2022-04-22 | 2022-06-07 | 深圳科亚医疗科技有限公司 | 基于血管图像的血管功能评估方法和血管功能评估装置 |
Non-Patent Citations (10)
| Title |
|---|
| A Recurrent CNN for Automatic Detection and Classification of Coronary Artery Plaque and Stenosis in Coronary CT Angiography;Majd Zreik 等;《arXiv》;20181210;1-11 * |
| AI Evaluation of Stenosis on Coronary CT Angiography, Comparison With Quantitative Coronary Angiography and Fractional Flow Reserve;William F. Griffin 等;《JACC Journals》;20220216;1-13 * |
| Automated coronary artery atherosclerosis detection and weakly supervised localization on coronary CT angiography with a deep 3-dimensional convolutional neural network;Sema Candemir 等;《Computerized Medical Imaging and Graphics 》;20200526;1-10 * |
| CT Angiographic Analysis of Carotid Artery Stenosis: Comparison of Manual Assessment,Semiautomatic Vessel Analysis, and Digital Subtraction Angiography;H.M. Silvennoinen 等;《AJNR Am J Neuroradiol》;20070131;第28卷(第1期);97-103 * |
| CT Evaluation by Artificial Intelligence for Atherosclerosis, Stenosis and Vascular Morphology (CLARIFY): A Multi-center, international study;Andrew D. Choi 等;《Journal of Cardiovascular Computed Tomography》;20211101;第15卷(第6期);1-7 * |
| Deep learning-based stenosis quantification from coronary CT Angiography;Youngtaek Hong 等;《Proc SPIE Int Soc Opt Eng》;20190315;1-12 * |
| Medical Prior Knowledge Guided Automatic Detection of Coronary Arteries Calcified Plaque with Cardiac CT;Mengxue Zhao 等;《electronics》;20201211;第9卷(第12期);1-14 * |
| 冠周脂肪影像组学鉴别冠状动脉狭窄程度初探;查昕仪 等;《影像诊断与介入放射学》;20220225;第31卷(第1期);20-25 * |
| 基于 CTA 的颈动脉斑块测量与急性缺血性卒中风险的相关性研究;王文静 等;《局解手术学杂志》;20220425;第31卷(第4期);324-328 * |
| 基于模糊 C 均值法的 CTA 图像冠状动脉狭窄量化;孙巧榆 等;《东南大学学报（自然科学版）》;20160120;第46卷(第1期);30-34 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114757944A (zh) | 2022-07-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20240212143A1 (en) | Myocardial ischemia prediction | |
| Das et al. | Deep learning architecture based on segmented fundus image features for classification of diabetic retinopathy | |
| US11607179B2 (en) | Non-invasive risk stratification for atherosclerosis | |
| US11120312B2 (en) | Quantitative imaging for cancer subtype | |
| US11087459B2 (en) | Quantitative imaging for fractional flow reserve (FFR) | |
| KR102491988B1 (ko) | 정량적 이미징을 이용하기 위한 방법 및 시스템 | |
| US10580131B2 (en) | Convolutional neural network for segmentation of medical anatomical images | |
| CN111340789A (zh) | 眼底视网膜血管识别及量化方法、装置、设备及存储介质 | |
| US12008751B2 (en) | Quantitative imaging for detecting histopathologically defined plaque fissure non-invasively | |
| US11676359B2 (en) | Non-invasive quantitative imaging biomarkers of atherosclerotic plaque biology | |
| Wang et al. | Automated diagnosis and segmentation of choroidal neovascularization in OCT angiography using deep learning | |
| CN112991346B (zh) | 用于医学图像分析的学习网络的训练方法和训练系统 | |
| US12026868B2 (en) | Quantitative imaging for detecting histopathologically defined plaque erosion non-invasively | |
| Huang et al. | A review of deep learning segmentation methods for carotid artery ultrasound images | |
| CN114757944B (zh) | 一种血管图像的分析方法、装置及存储介质 | |
| Velpula et al. | Multi-stage glaucoma classification using pre-trained convolutional neural networks and voting-based classifier fusion | |
| Guo et al. | Joint optic disc and cup segmentation using feature fusion and attention | |
| Shibutani et al. | Automated classification of coronary atherosclerotic plaque in optical frequency domain imaging based on deep learning | |
| CN111340794A (zh) | 冠状动脉狭窄的量化方法及装置 | |
| Zreik et al. | Combined analysis of coronary arteries and the left ventricular myocardium in cardiac CT angiography for detection of patients with functionally significant stenosis | |
| Huang et al. | POST-IVUS: A perceptual organisation-aware selective transformer framework for intravascular ultrasound segmentation | |
| Masayoshi et al. | Automatic segmentation of non-perfusion area from fluorescein angiography using deep learning with uncertainty estimation | |
| Khalid et al. | FGR-Net: interpretable fundus image gradeability classification based on deep reconstruction learning | |
| CN114711730A (zh) | 由医学图像进行联合异常检测和生理状况估计的系统和方法 | |
| Alam et al. | Early detection of coronary artery blockage using image processing: segmentation, quantification, identification of degree of blockage and risk factors of heart attack |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |