CN115565667A - Cto介入治疗成功率的预测方法、装置、设备及介质 - Google Patents

Cto介入治疗成功率的预测方法、装置、设备及介质 Download PDF

Info

Publication number
CN115565667A
CN115565667A CN202211184912.XA CN202211184912A CN115565667A CN 115565667 A CN115565667 A CN 115565667A CN 202211184912 A CN202211184912 A CN 202211184912A CN 115565667 A CN115565667 A CN 115565667A
Authority
CN
China
Prior art keywords
image
pci
success rate
blood vessel
vessel segmentation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202211184912.XA
Other languages
English (en)
Inventor
徐磊
张楠
周振
王瑞
王辉
黄晓萌
李广
王霁虹
王立伟
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.)
Beijing Anzhen Hospital
Keya Medical Technology Co Ltd
Original Assignee
Beijing Anzhen Hospital
Keya Medical Technology Co Ltd
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 Beijing Anzhen Hospital, Keya Medical Technology Co Ltd filed Critical Beijing Anzhen Hospital
Priority to CN202211184912.XA priority Critical patent/CN115565667A/zh
Publication of CN115565667A publication Critical patent/CN115565667A/zh
Pending legal-status Critical Current

Links

Images

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
    • 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
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping
    • 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)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Epidemiology (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本申请涉及一种CTO介入治疗成功率的预测方法、装置、设备及介质，所述方法包括：获取病变心脏的冠脉CTA图像；利用预先训练的血管分割模型，确定所述冠脉CTA图像的血管分割掩膜；接收用户输入的PCI预介入位置，并基于所述PCI预介入位置对所述冠脉CTA图像进行裁剪，得到裁剪图像；将所述血管分割掩膜和所述裁剪图像输入预先训练的特征提取模型，以获取所述冠脉CTA图像对应的影像特征；提取所述血管分割掩膜和所述裁剪图像对应的影像组学特征；将所述影像特征和所述影像组学特征输入预先训练的成功率预测模型，以获取对所述病变心脏进行PCI手术的预测成功率。本申请仅需用户输入PCI预介入位置即可自动、快速、准确地预测出PCI手术的成功率。

Description

CTO介入治疗成功率的预测方法、装置、设备及介质
技术领域
本申请涉及医学图像处理技术领域，尤其涉及一种CTO介入治疗成功率的预测方法、装置、设备及介质。
背景技术
冠状动脉慢性完全闭塞(ChronicTotal Occlusion，CTO)是指正向TIMI血流0级且闭塞时间超过三个月的冠状动脉阻塞性病变。CTO一直是威胁人类心血管健康的重要问题，它占到冠心病人群的20％左右。冠状动脉慢性完全闭塞病变是目前冠状动脉疾病介入领域的重点和难点。最新数据显示，目前冠状动脉完全闭塞病变介入治疗的平均成功率仅为75％左右。如果能在介入发生前，就对介入治疗的成功率、风险及手术难度做出更准确的评估，可以帮助医师提前做出更精准的判断以提高手术成功率。然而现有介入治疗成功率的评分模型还存在一定的不足，未能提供足够准确的预测结果。
目前预测冠脉慢性完全闭塞病变介入治疗成功率的方法一般是通过评分模型结合人工评分的方式实现。该类评分模型一般将模型拆解成几个评分变量，例如，钝性闭塞获1分、钙化获1分、弯曲获1分、闭塞长度≥20mm获得1分等诸如此类的评分变量，最后再基于综合得分来预测介入治疗的成功率。此类方法需要医师通过观察患者的CTA影像来为各个指标进行打分，因此高度依赖医师的经验，无疑也是及其耗时的工作。此外，即使目前广受认可的CT-RECTOR评分模型对于介入治疗成功率的预测也仅能达到70％左右的平均准确率。为了提升冠脉慢性完全闭塞病变介入治疗成功率的预测效率和准确性，并将医生从繁琐的阅片工作中解放出来，急需开发一种完全基于CTA医学影像的自动化冠脉慢性完全闭塞病变介入治疗成功率的预测方法。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题，本申请提供了一种CTO介入治疗成功率的预测方法、装置、设备及介质。
根据本申请的第一方面，提供了一种CTO介入治疗成功率的预测方法，包括：
获取冠脉CTA图像；
利用预先训练的血管分割模型，确定所述冠脉CTA图像的血管分割掩膜；
接收用户输入的PCI预介入位置，并基于所述PCI预介入位置对所述冠脉CTA图像进行裁剪，得到裁剪图像；
将所述血管分割掩膜和所述裁剪图像输入预先训练的特征提取模型，以获取所述冠脉CTA图像对应的影像特征；
提取所述血管分割掩膜和所述裁剪图像对应的影像组学特征；
将所述影像特征和所述影像组学特征输入预先训练的成功率预测模型，以获取进行PCI手术的预测成功率。
根据本申请的第二方面，提供了一种CTO介入治疗成功率的预测装置，包括：
第一获取模块，用于获取冠脉CTA图像；
确定模块，用于利用预先训练的血管分割模型，确定所述冠脉CTA图像的血管分割掩膜；
裁剪模块，用于接收用户输入的PCI预介入位置，并基于所述PCI预介入位置对所述冠脉CTA图像进行裁剪，得到裁剪图像；
第二获取模块，用于将所述血管分割掩膜和所述裁剪图像输入预先训练的特征提取模型，以获取所述冠脉CTA图像对应的影像特征；
提取模块，用于提取所述血管分割掩膜和所述裁剪图像对应的影像组学特征；
第三获取模块，用于将所述影像特征和所述影像组学特征输入预先训练的成功率预测模型，以获取进行PCI手术的预测成功率。
根据本申请的第三方面，提供了一种电子设备，包括：处理器，所述处理器用于执行存储于存储器的计算机程序，所述计算机程序被处理器执行时实现第一方面所述的CTO介入治疗成功率的预测方法。
根据本申请的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面所述的CTO介入治疗成功率的预测方法。
根据本申请的第五方面，提供了一种计算机程序产品，当所述计算机程序产品在计算机上运行时，使得所述计算机执行第一方面所述的CTO介入治疗成功率的预测方法。
本申请实施例提供的技术方案与现有技术相比具有如下优点：
通过获取冠脉CTA图像，利用预先训练的血管分割模型，确定冠脉CTA图像的血管分割掩膜，接收用户输入的PCI预介入位置，并基于PCI预介入位置对冠脉CTA图像进行裁剪，得到裁剪图像，接着将血管分割掩膜和裁剪图像输入预先训练的特征提取模型，以获取冠脉CTA图像对应的影像特征，以及提取血管分割掩膜和裁剪图像对应的影像组学特征，进而将影像特征和影像组学特征输入预先训练的成功率预测模型，以获取进行PCI手术的预测成功率。采用上述技术方案，仅需用户输入PCI预介入位置即可自动、快速、准确地预测出PCI手术的成功率，无需用户对各评价指标进行打分，避免了用户繁琐的阅片工作。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请一实施例提供的CTO介入治疗成功率的预测方法的流程示意图；
图2为本申请一实施例提供的CTO介入治疗成功率的预测装置的结构示意图。
具体实施方式
下面将参照附图更详细地描述本申请的实施例。虽然附图中显示了本申请的某些实施例，然而应当理解的是，本申请可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本申请。应当理解的是，本申请的附图及实施例仅用于示例性作用，并非用于限制本申请的保护范围。
应当理解，本申请的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本申请的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。需要注意，本申请中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本申请中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
在对本申请提供的CTO介入治疗成功率的预测方法的实施例进行解释说明之前，先对本申请涉及的名词及其在本申请中的作用进行解释如下：
CTA，即CT(Computed Tomography，电子计算机断层扫描)血管成像，是CT临床应用中一个非常重要的部分，由于血管及其背景软组织自然对比差，常规CT平扫往往难以显示血管。在行CTA检查的时候，需要引入对比剂，改变血管与背景组织的影像对比，从而突显血管。CTA广泛的应用在头颈部血管、心脏冠状动脉、肺动静脉、胸主动脉、腹主动脉、下肢动静脉中。
冠脉CTA，行冠脉CTA检查，原则上要把心率控制在70/min以下。但随着设备越来越先进，对心脉的要求逐渐宽松，即使心率大于70/min，也可以做出较好的冠脉。
PCI，经皮冠状动脉介入术，英文全称为Percutaneous Coronary Intervention，是指经心导管技术疏通狭窄甚至闭塞的冠状动脉管腔，从而改善心肌的血流灌注的治疗方法。
针对现有的评分模型结合人工评分实现的PCI治疗成功率预测的方式，存在对医生经验依赖度高、耗时、准确率低的问题，本公开提供了一种基于深度学习和机器学习技术的自动化冠脉慢性完全闭塞病变介入治疗成功率预测方案，可用于直接评估预测CTO经皮冠状动脉介入治疗技术失败的风险，具有耗时少且预测能力强、准确率高等优点。本申请的方案能够解决以下技术问题：
(1)现有方案依赖大量的人工评价，因此对CTO经皮冠状动脉介入(PCI)治疗技术失败的评估预测极为耗时，通常医师需要5分钟左右的时间观察血管的CTA影像，再对各个评价指标进行打分。针对这一问题，本申请提出一种更为高效的评估预测方法，仅需医师对PCI治疗预介入位置进行选点，之后无需任何人工参与，即可在短时间内(10秒左右)评估出该PCI治疗的成功率。
(2)现有方案依赖医师经验，存在个体经验差异，因此对CTO经皮冠状动脉介入(PCI)治疗技术失败的评估预测会存在不稳定的情况，准确性较差。针对这一问题，本申请提出一种基于深度学习和机器学习技术，对冠脉CTA影像数据进行分析以评估PCI治疗的成功率的方案，可以自动、高效、稳定地评估预测不同的CTO患者接受PCI治疗的成功率。
本申请提出的方案具体包括以下内容：获取冠脉CTA图像；利用预先训练的血管分割模型，确定所述冠脉CTA图像的血管分割掩膜；接收用户输入的PCI预介入位置，并基于所述PCI预介入位置对所述冠脉CTA图像进行裁剪，得到裁剪图像；将所述血管分割掩膜和所述裁剪图像输入预先训练的特征提取模型，以获取所述冠脉CTA图像对应的影像特征；提取所述血管分割掩膜和所述裁剪图像对应的影像组学特征；将所述影像特征和所述影像组学特征输入预先训练的成功率预测模型，以获取进行PCI手术的预测成功率。本申请的方案相较于现有方案存在以下优势：
(1)与人工评分模型相比，本申请可自动、快速、准确地评估预测CTO经皮冠状动脉介入治疗技术失败的风险，将评估预测时间从5分钟缩短至10秒左右，在提升诊断效率的同时大幅降低医生工作量及患者等待时间。
(2)与人工评分模型相比，本申请可以不依赖于医师的经验，通过对大量多中心数据的学习分析，排除评分者个体差异、数据分布差异等不稳定因素，更准确且稳定的评估预测来自不同临床中心的病例数据。
(3)与其他深度学习或机器学习技术的应用相比，本申请成功的将深度学习技术、影像组学和传统的机器学习模型结合在一起并应用于评估预测CTO经皮冠状动脉介入治疗的成功率，为CTO经皮冠状动脉介入治疗术前风险预测提供全新的、全自动的及快速、准确的评价方案。
图1为本申请一实施例提供的CTO介入治疗成功率的预测方法的流程示意图，该方法可以由本申请实施例提供的CTO介入治疗成功率的预测装置执行，其中该装置可以采用软件和/或硬件实现，可集成在电子设备中，电子设备比如可以是医生使用的电脑，也可以是其他设备。
如图1所示，该CTO介入治疗成功率的预测方法可以包括以下步骤：
步骤101，获取冠脉CTA图像。
其中，冠脉即冠状动脉。
当患者发生CTO病变考虑进行PCI治疗时，可以先获取该患者的冠脉CTA图像。CTA图像序列一般符合医学影像格式为医学数字成像与通信(Digital Imaging andCommunications in Medicine，DICOM)协议，实际使用时需保证选取图像序列符合CTA基本要求，如无造影剂充盈、无明显运动伪影等。
步骤102，利用预先训练的血管分割模型，确定所述冠脉CTA图像的血管分割掩膜。
其中，血管分割模型是预先训练得到的。血管分割模型一般采用3D U-Net网络结构，血管分割模型的训练方式可以包括：先获取训练样本，训练样本可以基于经验丰富的影像科医生对训练样本影像中的血管进行标记来获得，将被标记的训练样本影像(采集的冠脉CTA图像)作为样本图像，将对应的标记作为训练时的真实标签，以此构成一个训练样本，从而得到多个训练样本。在对血管分割模型进行训练时，训练样本影像输入血管分割模型中，得到血管分割结果，并计算血管分割结果与真实标签之间的损失，依据该损失调整血管分割模型的网络参数，当该损失小于等于预设阈值或者达到收敛时，表明血管分割模型训练收敛，得到训练好的血管分割模型。可选地，计算损失时可以采用Dice损失函数、交叉熵损失函数或者其他类型的损失函数；在调整血管分割模型的网络参数时，可以采用随机梯度下降(Stochastic gradient descent，SGD)优化器或者其他类型的优化器，本公开对此不作限制。训练好的血管分割模型能够对输入的冠脉CTA图像进行分割，以获取冠脉CTA图像的血管分割结果，血管分割结果为掩膜图像，即得到血管分割掩膜。也就是说，训练好的血管分割模型能够识别出冠脉CTA图像中的血管，并输出血管分割掩膜。
本公开实施例中，获取了冠脉CTA图像之后，可以将获取的冠脉CTA图像输入至预先训练好的血管分割模型中，由血管分割模型输出该冠脉CTA图像对应的血管分割掩膜。
需要说明的是，由于PCI治疗是对冠脉进行介入治疗，因此本申请实施例中，获取的血管分割掩膜可以仅包括对冠状动脉的分割结果。
步骤103，接收用户输入的PCI预介入位置，并基于所述PCI预介入位置对所述冠脉CTA图像进行裁剪，得到裁剪图像。
其中，PCI预介入位置，是指如果医生对患者进行PCI治疗，考虑进行PCI手术的开通位置。
本申请实施例中，可以由用户(即医生)输入PCI预介入位置，电子设备接收到PCI预介入位置后，可以基于PCI预介入位置，对获取的冠脉CTA图像进行裁剪，得到裁剪图像。
在本公开的一种可选实施方式中，在基于PCI预介入位置对冠脉CTA图像进行裁剪，得到裁剪图像时，可以以PCI预介入位置为圆心，按照预设半径在冠脉CTA图像上确定出一个圆形区域，对该圆形区域进行裁剪，得到裁剪图像。从而裁剪图像即为以PCI预介入位置为圆心、以预设半径为半径，从冠脉CTA图像中裁剪出的一个圆形图像。
其中，预设半径可以根据实际需求预先设定。
在本公开的一种可选实施方式中，在基于PCI预介入位置对冠脉CTA图像进行裁剪，得到裁剪图像时，可以以PCI预介入位置为中心，按照预设半边长在冠脉CTA图像上确定出一个正方形区域，对该正方形区域进行裁剪，得到裁剪图像。从而裁剪图像即为以PCI预介入位置为中心、以两倍的预设半边长为边长，从冠脉CTA图像中裁剪出的一个正方形图像。
其中，预设半边长可以根据实际需求预先设定。
步骤104，将所述血管分割掩膜和所述裁剪图像输入预先训练的特征提取模型，以获取所述冠脉CTA图像对应的影像特征。
其中，特征提取模型是预先训练得到的。
在本申请的一种可选实施方式中，特征提取模型通过如下步骤获得：
获取多个训练样本，每个所述训练样本包括样本图像和所述样本图像对应的标签，所述样本图像包括属于同一冠脉CTA图像样本的血管分割掩膜样本和基于PCI介入位置裁剪出的裁剪图像样本，所述标签为成功或失败；
利用所述多个训练样本对初始深度神经网络进行训练，得到训练完成的深度神经网络；
将所述深度神经网络的输出层及所述输出层的激活函数丢弃，得到所述特征提取模型。
其中，初始深度神经网络比如可以是ResNet网络。
本申请实施例中，在对ResNet网络进行训练之前，可以先获取多个训练样本。比如，可以在获得患者许可的前提下，从合作医院获取真实的冠脉CTA图像样本，并利用预先训练的血管分割模型，确定冠脉CTA图像样本的血管分割掩膜样本，以及基于对患者进行PCI治疗时的介入位置，从冠脉CTA图像样本中裁剪出裁剪图像样本。同一冠脉CTA图像样本的血管分割掩膜样本和裁剪图像样本即构成一个样本图像，对应患者的手术结果(成功(开通)或失败(未开通))被标注为该样本图像的标签。
之后，可以利用获取的训练样本对初始深度神经网络进行迭代训练，基于初始深度神经网络的输出结果与样本图像的标签计算损失，当损失小于预设值或者达到收敛时，训练结束，得到训练完成的深度神经网络。在模型训练完成后，抛弃深度神经网络中的最后一层网络结构(即输出层及其激活函数)，保留之前层的结构及参数，得到特征提取模型。此时若再次输入新的数据，该特征提取模型的输出则为对输入数据提取的影像特征向量。
从而，本申请实施例中，将冠脉CTA图像的血管分割掩膜和裁剪图像输入预先训练的特征提取模型之后，特征提取模型输出冠脉CTA图像对应的影像特征，影像特征为特征向量。
步骤105，提取所述血管分割掩膜和所述裁剪图像对应的影像组学特征。
本申请实施例中，可以基于影像组学技术，从血管分割掩膜和裁剪图像中提取出对应的影像组学特征。
步骤106，将所述影像特征和所述影像组学特征输入预先训练的成功率预测模型，以获取进行PCI手术的预测成功率。
其中，成功率预测模型是预先训练得到的。在进行训练时，基于真实病例(训练样本)在PCI介入位置进行PCI手术是否成功作为真实标签进行训练，可以将训练样本的影像特征样本和影像组学特征样本输入至随机森林模型进行特征选择和模型选择，依照选出来的最优特征组合进行训练，并进行K-fold交叉检验(比如K＝10)，最终选择准确性最高的预测模型，得到成功率预测模型。
本申请实施例中，获取了冠脉CTA图像的影像特征和影像组学特征之后，可以将影像特征和影像组学特征输入预先训练的成功率预测模型，由成功率预测模型输出对冠脉CTA图像所属的患者进行PCI手术的预测成功率，预测成功率表明了对患者进行PCI手术的成功概率，预测成功率越高，表明患者进行PCI治疗的成功概率越大，治愈几率越高。
能够理解的是，本申请实施例中，成功率预测模型输出的是在PCI预介入位置进行PCI手术时的成功概率。当成功概率较低时，表示手术风险较大，此时用户可以重新输入PCI预介入位置重新进行手术成功率评估，直至得到较为满意的评估结果，由此，能够获取较佳的PCI介入位置，从而提高PCI治疗的成功率。
本申请实施例的CTO介入治疗成功率的预测方法，通过获取冠脉CTA图像，利用预先训练的血管分割模型，确定冠脉CTA图像的血管分割掩膜，接收用户输入的PCI预介入位置，并基于PCI预介入位置对冠脉CTA图像进行裁剪，得到裁剪图像，接着将血管分割掩膜和裁剪图像输入预先训练的特征提取模型，以获取冠脉CTA图像对应的影像特征，以及提取血管分割掩膜和裁剪图像对应的影像组学特征，进而将影像特征和影像组学特征输入预先训练的成功率预测模型，以获取进行PCI手术的预测成功率。采用上述技术方案，仅需用户输入PCI预介入位置即可自动、快速、准确地预测出PCI手术的成功率，无需用户对各评价指标进行打分，避免了用户繁琐的阅片工作。
在本申请的一种可选实施方式中，输入成功率预测模型的特征可以是融合后的特征，从而，将所述影像特征和所述影像组学特征输入预先训练的成功率预测模型，包括：
将所述影像特征和所述影像组学特征进行特征融合，得到融合特征向量；
将所述融合特征向量输入预先训练的成功率预测模型。
在本申请的一种可选实施方式中，进行特征融合时，可以将所述影像特征和所述影像组学特征进行拼接，得到所述融合特征向量。
比如，可以将影像组学特征拼接在影像特征的后面，得到融合特征向量。又比如，可以将影像特征拼接在影像组学特征的后面，得到融合特征向量。本申请对拼接方式不作限制。
在本申请的一种可选实施方式中，进行特征融合时，可以将所述影像特征和所述影像组学特征进行相加，得到所述融合特征向量。
之后，可以将特征融合得到的融合特征向量输入至成功率预测模型中，由成功率预测模型输出进行PCI手术的预测成功率。
在本申请的一种可选实施方式中，用户可以在冠脉CTA图像上进行选点，即拟CTO经皮介入治疗开通位置，电子设备会对选点附近区域进行自动裁剪。从而，本申请实施例中，接收用户输入的PCI预介入位置，包括：
接收用户对所述冠脉CTA图像的点击操作；
将所述点击操作的作用位置确定为所述PCI预介入位置。
通常，选取慢性闭塞病变发生位置上游1mm(毫米)左右作为PCI介入位置，因此医生可以对冠脉CTA图像上病变位置上游1mm左右的地方执行点击操作。本申请实施例中，电子设备接收用户对冠脉CTA图像的点击操作，并确定点击操作的作用位置，进而将该作用位置确定为PCI预介入位置。
相应于上述方法实施例，本申请实施例还提供了一种CTO介入治疗成功率的预测装置。
图2为本申请一实施例提供的CTO介入治疗成功率的预测装置的结构示意图，如图2所示，该CTO介入治疗成功率的预测装置20可以包括：第一获取模块210、确定模块220、裁剪模块230、第二获取模块240、提取模块250和第三获取模块260。
其中，第一获取模块210，用于获取冠脉CTA图像；
确定模块220，用于利用预先训练的血管分割模型，确定所述冠脉CTA图像的血管分割掩膜；
裁剪模块230，用于接收用户输入的PCI预介入位置，并基于所述PCI预介入位置对所述冠脉CTA图像进行裁剪，得到裁剪图像；
第二获取模块240，用于将所述血管分割掩膜和所述裁剪图像输入预先训练的特征提取模型，以获取所述冠脉CTA图像对应的影像特征；
提取模块250，用于提取所述血管分割掩膜和所述裁剪图像对应的影像组学特征；
第三获取模块260，用于将所述影像特征和所述影像组学特征输入预先训练的成功率预测模型，以获取进行PCI手术的预测成功率。
可选地，所述CTO介入治疗成功率的预测装置20，还包括：训练模块；所述训练模块，用于：
获取多个训练样本，每个所述训练样本包括样本图像和所述样本图像对应的标签，所述样本图像包括属于同一冠脉CTA图像样本的血管分割掩膜样本和基于PCI介入位置裁剪出的裁剪图像样本，所述标签为成功或失败；
利用所述多个训练样本对初始深度神经网络进行训练，得到训练完成的深度神经网络；
将所述深度神经网络的输出层及所述输出层的激活函数丢弃，得到所述特征提取模型。
可选地，所述第三获取模块260包括：
特征融合单元，用于将所述影像特征和所述影像组学特征进行特征融合，得到融合特征向量；
输出单元，用于将所述融合特征向量输入预先训练的成功率预测模型。
可选地，所述特征融合单元，还用于：
将所述影像特征和所述影像组学特征进行拼接，得到所述融合特征向量；或者
将所述影像特征和所述影像组学特征进行相加，得到所述融合特征向量。
可选地，所述裁剪模块230，还用于：
以所述PCI预介入位置为圆心，按照预设半径在所述冠脉CTA图像上确定出圆形区域；
对所述圆形区域进行裁剪，得到所述裁剪图像。
可选地，所述裁剪模块230，还用于：
以所述PCI预介入位置为中心，按照预设半边长在所述冠脉CTA图像上确定出正方形区域；
对所述正方形区域进行裁剪，得到所述裁剪图像。
可选地，所述裁剪模块230，还用于：
接收用户对所述冠脉CTA图像的点击操作；
将所述点击操作的作用位置确定为所述PCI预介入位置。
本申请实施例所提供的CTO介入治疗成功率的预测装置，可执行本申请实施例所提供的任意CTO介入治疗成功率的预测方法，具备执行方法相应的功能模块和有益效果。本申请装置实施例中未详尽描述的内容可以参考本申请任意方法实施例中的描述。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本申请的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
在本申请的示例性实施例中，还提供一种电子设备，包括：处理器，所述处理器用于执行存储于存储器的计算机程序，所述计算机程序被处理器执行时实现上述实施例所述的CTO介入治疗成功率的预测方法的步骤。
在本申请的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述实施例所述的CTO介入治疗成功率的预测方法的步骤。
需要说明的是，本申请所示的计算机可读存储介质例如可以是—但不限于—电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器、只读存储器、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。计算机可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、射频等等，或者上述的任意合适的组合。
在本申请的示例性实施例中，还提供了一种计算机程序产品，当所述计算机程序产品在计算机上运行时，使得所述计算机执行上述实施例所述的CTO介入治疗成功率的预测方法的步骤。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本申请的具体实施方式，使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所述的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种CTO介入治疗成功率的预测方法，其特征在于，所述方法包括：
获取冠脉CTA图像；
利用预先训练的血管分割模型，确定所述冠脉CTA图像的血管分割掩膜；
接收用户输入的PCI预介入位置，并基于所述PCI预介入位置对所述冠脉CTA图像进行裁剪，得到裁剪图像；
将所述血管分割掩膜和所述裁剪图像输入预先训练的特征提取模型，以获取所述冠脉CTA图像对应的影像特征；
提取所述血管分割掩膜和所述裁剪图像对应的影像组学特征；
将所述影像特征和所述影像组学特征输入预先训练的成功率预测模型，以获取进行PCI手术的预测成功率。
2.根据权利要求1所述的方法，其特征在于，所述特征提取模型通过如下步骤获得：
获取多个训练样本，每个所述训练样本包括样本图像和所述样本图像对应的标签，所述样本图像包括属于同一冠脉CTA图像样本的血管分割掩膜样本和基于PCI介入位置裁剪出的裁剪图像样本，所述标签为成功或失败；
利用所述多个训练样本对初始深度神经网络进行训练，得到训练完成的深度神经网络；
将所述深度神经网络的输出层及所述输出层的激活函数丢弃，得到所述特征提取模型。
3.根据权利要求1所述的方法，其特征在于，所述将所述影像特征和所述影像组学特征输入预先训练的成功率预测模型，包括：
将所述影像特征和所述影像组学特征进行特征融合，得到融合特征向量；
将所述融合特征向量输入预先训练的成功率预测模型。
4.根据权利要求3所述的方法，其特征在于，所述将所述影像特征和所述影像组学特征进行特征融合，得到融合特征向量，包括：
将所述影像特征和所述影像组学特征进行拼接，得到所述融合特征向量；或者
将所述影像特征和所述影像组学特征进行相加，得到所述融合特征向量。
5.根据权利要求1所述的方法，其特征在于，所述基于所述PCI预介入位置对所述冠脉CTA图像进行裁剪，得到裁剪图像，包括：
以所述PCI预介入位置为圆心，按照预设半径在所述冠脉CTA图像上确定出圆形区域；
对所述圆形区域进行裁剪，得到所述裁剪图像。
6.根据权利要求1所述的方法，其特征在于，所述基于所述PCI预介入位置对所述冠脉CTA图像进行裁剪，得到裁剪图像，包括：
以所述PCI预介入位置为中心，按照预设半边长在所述冠脉CTA图像上确定出正方形区域；
对所述正方形区域进行裁剪，得到所述裁剪图像。
7.根据权利要求1所述的方法，其特征在于，所述接收用户输入的PCI预介入位置，包括：
接收用户对所述冠脉CTA图像的点击操作；
将所述点击操作的作用位置确定为所述PCI预介入位置。
8.一种CTO介入治疗成功率的预测装置，其特征在于，包括：
第一获取模块，用于获取冠脉CTA图像；
确定模块，用于利用预先训练的血管分割模型，确定所述冠脉CTA图像的血管分割掩膜；
裁剪模块，用于接收用户输入的PCI预介入位置，并基于所述PCI预介入位置对所述冠脉CTA图像进行裁剪，得到裁剪图像；
第二获取模块，用于将所述血管分割掩膜和所述裁剪图像输入预先训练的特征提取模型，以获取所述冠脉CTA图像对应的影像特征；
提取模块，用于提取所述血管分割掩膜和所述裁剪图像对应的影像组学特征；
第三获取模块，用于将所述影像特征和所述影像组学特征输入预先训练的成功率预测模型，以获取进行PCI手术的预测成功率。
9.一种电子设备，包括：处理器，所述处理器用于执行存储于存储器的计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7任一项所述的CTO介入治疗成功率的预测方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7任一项所述的CTO介入治疗成功率的预测方法的步骤。
CN202211184912.XA 2022-09-27 2022-09-27 Cto介入治疗成功率的预测方法、装置、设备及介质 Pending CN115565667A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211184912.XA CN115565667A (zh) 2022-09-27 2022-09-27 Cto介入治疗成功率的预测方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211184912.XA CN115565667A (zh) 2022-09-27 2022-09-27 Cto介入治疗成功率的预测方法、装置、设备及介质

Publications (1)

Publication Number Publication Date
CN115565667A true CN115565667A (zh) 2023-01-03

Family

ID=84743122

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211184912.XA Pending CN115565667A (zh) 2022-09-27 2022-09-27 Cto介入治疗成功率的预测方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN115565667A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116052883A (zh) * 2023-01-09 2023-05-02 北京大学口腔医学院 头颈部手术的受区血管数量与手术风险的av值评价方法
CN117079080A (zh) * 2023-10-11 2023-11-17 青岛美迪康数字工程有限公司 冠脉cta智能分割模型的训练优化方法、装置和设备

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116052883A (zh) * 2023-01-09 2023-05-02 北京大学口腔医学院 头颈部手术的受区血管数量与手术风险的av值评价方法
CN116052883B (zh) * 2023-01-09 2023-08-22 北京大学口腔医学院 头颈部手术的受区血管数量与手术风险的av值评价方法
CN117079080A (zh) * 2023-10-11 2023-11-17 青岛美迪康数字工程有限公司 冠脉cta智能分割模型的训练优化方法、装置和设备
CN117079080B (zh) * 2023-10-11 2024-01-30 青岛美迪康数字工程有限公司 冠脉cta智能分割模型的训练优化方法、装置和设备

Similar Documents

Publication Publication Date Title
JP7039442B2 (ja) 血管モデルの作成方法
US11615894B2 (en) Diagnostically useful results in real time
US11406337B2 (en) Calculating a fractional flow reserve
US20180177474A1 (en) Creating a vascular tree model
CN115565667A (zh) Cto介入治疗成功率的预测方法、装置、设备及介质
EP2365471B1 (en) Diagnosis assisting apparatus, coronary artery analyzing method and recording medium having a coronary artery analzying program stored therein
JP2014534822A5 (ja) 冠動脈カルシウムのスコアリング方法、システム及びコンピュータプログラム製品
CN109360209B (zh) 一种冠状血管分割方法及系统
JP2012115635A (ja) 画像処理方法、画像処理装置、画像システム及びプログラムコード
CN111553887B (zh) 桥血管评价信息获取方法及装置
KR101785293B1 (ko) 3d cta 영상 정보를 활용한 2d xa 영상에서의 자동 혈관 구조 해석 방법, 이를 수행하기 위한 기록 매체 및 장치
CN114359295A (zh) 病灶分割方法及装置、电子设备及存储介质
CN113706559A (zh) 基于医学图像的血管分段提取方法和装置
KR102354396B1 (ko) 관상동맥석회화점수 산정 방법 및 장치
KR20210115223A (ko) 인공지능 기술을 이용한 혈관 구조 추출 방법, 이를 수행하기 위한 기록 매체 및 장치
CN116747017A (zh) 脑出血手术规划系统及方法
US20170322684A1 (en) Automation Of Clinical Scoring For Decision Support
KR102402011B1 (ko) 의료영상 처리 장치와 그 의료영상 학습 방법 및 의료영상 처리 방법
CN113706541A (zh) 一种图像处理方法及装置
WO2020054019A1 (ja) 画像処理装置、画像処理方法、及びプログラム
CN116993713A (zh) 一种外凸型肾肿瘤切除难度评估方法及装置
JP2020195787A (ja) 医用画像処理方法、医用画像処理装置および医用画像処理システム
CN117765081A (zh) 术前目标平面的定位方法、装置及医学扫描成像设备
CN117958966A (zh) 一种血管介入手术的术中路径校正方法及装置
CN113538403A (zh) 一种虚拟dsa影像获取装置、方法、介质及电子设备

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