CN115965621B - 一种基于磁共振成像的主要心脏不良事件的预测装置 - Google Patents
一种基于磁共振成像的主要心脏不良事件的预测装置 Download PDFInfo
- Publication number
- CN115965621B CN115965621B CN202310113841.2A CN202310113841A CN115965621B CN 115965621 B CN115965621 B CN 115965621B CN 202310113841 A CN202310113841 A CN 202310113841A CN 115965621 B CN115965621 B CN 115965621B
- Authority
- CN
- China
- Prior art keywords
- image
- physiological parameter
- target
- myocardial
- heart
- 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
- 230000002411 adverse Effects 0.000 title claims abstract description 29
- 238000002595 magnetic resonance imaging Methods 0.000 title claims abstract description 20
- 230000002861 ventricular Effects 0.000 claims abstract description 83
- 230000011218 segmentation Effects 0.000 claims abstract description 56
- 238000004458 analytical method Methods 0.000 claims abstract description 52
- 238000012545 processing Methods 0.000 claims abstract description 33
- 230000002107 myocardial effect Effects 0.000 claims description 78
- 230000000747 cardiac effect Effects 0.000 claims description 36
- 210000004369 blood Anatomy 0.000 claims description 29
- 239000008280 blood Substances 0.000 claims description 29
- 210000004165 myocardium Anatomy 0.000 claims description 26
- 230000002159 abnormal effect Effects 0.000 claims description 20
- 102000010834 Extracellular Matrix Proteins Human genes 0.000 claims description 16
- 108010037362 Extracellular Matrix Proteins Proteins 0.000 claims description 16
- 230000008859 change Effects 0.000 claims description 16
- 210000002744 extracellular matrix Anatomy 0.000 claims description 16
- 230000004217 heart function Effects 0.000 claims description 12
- 238000000034 method Methods 0.000 claims description 12
- 210000001174 endocardium Anatomy 0.000 claims description 8
- 210000003743 erythrocyte Anatomy 0.000 claims description 6
- 230000004083 survival effect Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 5
- 238000004393 prognosis Methods 0.000 claims description 4
- 230000035945 sensitivity Effects 0.000 claims description 4
- 210000004027 cell Anatomy 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 239000003623 enhancer Substances 0.000 claims description 3
- 230000003205 diastolic effect Effects 0.000 claims 1
- 206010060933 Adverse event Diseases 0.000 description 24
- 235000009421 Myristica fragrans Nutrition 0.000 description 18
- 244000270834 Myristica fragrans Species 0.000 description 18
- 238000003384 imaging method Methods 0.000 description 9
- 230000000875 corresponding effect Effects 0.000 description 8
- 210000001519 tissue Anatomy 0.000 description 8
- 206010012812 Diffuse cutaneous mastocytosis Diseases 0.000 description 7
- 238000013507 mapping Methods 0.000 description 7
- 238000005192 partition Methods 0.000 description 6
- 239000002872 contrast media Substances 0.000 description 5
- 210000005240 left ventricle Anatomy 0.000 description 5
- 239000000243 solution Substances 0.000 description 5
- 230000002526 effect on cardiovascular system Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 206010028594 Myocardial fibrosis Diseases 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 206010056370 Congestive cardiomyopathy Diseases 0.000 description 2
- 201000010046 Dilated cardiomyopathy Diseases 0.000 description 2
- 206010016654 Fibrosis Diseases 0.000 description 2
- 206010019280 Heart failures Diseases 0.000 description 2
- 201000004224 Schnyder corneal dystrophy Diseases 0.000 description 2
- 206010049418 Sudden Cardiac Death Diseases 0.000 description 2
- 238000001574 biopsy Methods 0.000 description 2
- 210000000601 blood cell Anatomy 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 230000001066 destructive effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000004761 fibrosis Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000012528 membrane Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000010412 perfusion Effects 0.000 description 2
- 230000001681 protective effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 241001522301 Apogonichthyoides nigripinnis Species 0.000 description 1
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 241000156978 Erebia Species 0.000 description 1
- 229910052688 Gadolinium Inorganic materials 0.000 description 1
- 208000031226 Hyperlipidaemia Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 238000000692 Student's t-test Methods 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 210000002159 anterior chamber Anatomy 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000005242 cardiac chamber Anatomy 0.000 description 1
- 230000007211 cardiovascular event Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000000546 chi-square test Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- UIWYJDYFSGRHKR-UHFFFAOYSA-N gadolinium atom Chemical compound [Gd] UIWYJDYFSGRHKR-UHFFFAOYSA-N 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 238000002513 implantation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000008155 medical solution Substances 0.000 description 1
- 230000007659 motor function Effects 0.000 description 1
- 208000010125 myocardial infarction Diseases 0.000 description 1
- 239000002405 nuclear magnetic resonance imaging agent Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000009862 primary prevention Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012353 t test Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本申请公开了一种基于磁共振成像的主要心脏不良事件的预测装置，该装置包括：获取模块，用于获取待处理心脏磁共振图像；分割模块，用于基于左室切面标准对待处理心脏磁共振图像进行分割，得到目标分割图像；分析模块，用于对目标分割图像进行图像特性分析，得到多个用于表征心脏状态的生理参数指标；处理模块，用于将多个生理参数指标输入目标回归预测模型进行处理，得到用于衡量每个生理参数指标与发生主要心脏不良事件的相关度；预测模块，用于基于相关度，预测在未来预设时间发生主要心脏不良事件的概率。根据本申请实施例，能够提高基于磁共振成像的主要心脏不良事件的预测装置预测在未来预设时间发生主要心脏不良事件的准确性。
Description
技术领域
本申请属于医学图像处理领域，尤其涉及一种基于磁共振成像的主要心脏不良事件的预测装置。
背景技术
扩张型心肌病 (dilated cardiomyopathy，DCM)作为心血管疾病终末期的表现，具有较高的异质性和发病率，且由于在前期基本是没有预兆的，所以，如何更为精准的对发生主要心脏不良事件（Major Adverse Cardiovascular Events，MACEs）的患者进行风险评估，预测患者发生MACEs的概率，是临床亟待解决的一个难点。
目前，现有的MACEs预测装置是建立在例如异常延迟增强、左室射血分数等传统分层工具的基础上，但由于MACEs的复杂性，以及传统分层工具不可避免的劣势，如过于依赖正常心肌为参照，定性预测受限较为明显以及传统分层工具的单一性等，使得传统分层工具无法适用于MACEs的预测，从而导致现有的MACEs预测装置所得到的预测结果准确性较低。
发明内容
本申请实施例提供了一种基于磁共振成像的主要心脏不良事件的预测装置，能够提高基于磁共振成像的主要心脏不良事件的预测装置预测在未来预设时间发生主要心脏不良事件的准确性。
第一方面，本申请实施例提供了一种基于磁共振成像的主要心脏不良事件的预测装置，该装置包括：
获取模块，用于获取扫描对象的待处理心脏磁共振图像；
分割模块，用于基于左室切面标准对待处理心脏磁共振图像进行分割，得到目标分割图像；
提取模块，用于对目标分割图像进行图像特性分析，得到多个用于表征心脏状态的生理参数指标；
处理模块，用于将多个生理参数指标输入目标回归预测模型进行处理，得到用于衡量每个生理参数指标与发生主要心脏不良事件的相关度；
预测模块，用于基于相关度，预测在未来预设时间发生主要心脏不良事件的概率。
在第一方面的一些可实现方式中，目标分割图像包括左室短轴图像、左室长轴两腔图像和左室长轴四腔图像，上述分析模块还包括：
第一确定子模块，用于分别确定左室短轴图像、左室长轴两腔图像和左室长轴四腔图像中心内膜和心外膜的位置；
第二确定子模块，用于基于心内膜和心外膜的位置，分别确定左室短轴图像、左室长轴两腔图像和左室长轴四腔图像中血池和心肌的感兴趣区域，以基于感兴趣区域对目标分割图像进行图像特性分析。
在第一方面的一些可实现方式中，生理参数指标至少包括异常延迟增强区域占左室心肌质量的百分比，上述分析模块还包括：
增强子模块，用于对目标分割图像进行图像增强，得到增强后的目标分割图像；
第三确定子模块，用于基于目标分割图像的弛豫时间和增强后的目标分割图像的弛豫时间，分别确定目标分割图像和增强后的目标分割图像中血池和心肌的感兴趣区域的心肌平均信号强度；
判断子模块，用于基于目标分割图像和增强后的目标分割图像中血池和心肌的感兴趣区域的心肌平均信号强度，判断增强后的目标分割图像是否存在异常延迟增强区域，以计算异常延迟增强区域占左室心肌质量的百分比。
在第一方面的一些可实现方式中，生理参数指标至少包括心肌细胞外间质容积分数，上述分析模块还包括：
第四确定子模块，用于基于目标分割图像的弛豫时间和增强后的目标分割图像的弛豫时间，确定感兴趣区域中血池和心肌的纵向弛豫变化率以及血液红细胞比值；
第五确定子模块，用于基于血池和心肌的纵向弛豫变化率以及血液红细胞比值，利用如下公式（1）确定心肌细胞外间质容积分数：
其中，ECV表示心肌细胞外间质容积分数，
表示心肌的纵向弛豫变化率，
表示血池的纵向弛豫变化率，HCT表示血液红细胞比值。
在第一方面的一些可实现方式中，生理参数指标还包括心功能参数，心功能参数包括右室射血分数、左室射血分数、左室舒张末容积、左室收缩末容积和左心室质量中的至少一个，上述分析模块还包括：
第六确定子模块，用于基于增强后的左室短轴图像、左室长轴两腔图像和左室长轴四腔图像的扫描序列，分别确定右室射血分数、左室射血分数、左室舒张末容积、左室收缩末容积和左心室质量。
在第一方面的一些可实现方式中，生理参数指标还包括左室心肌应变信息，左室心肌应变信息包括左室整体径向应变峰值、环向应变峰值和纵向应变峰值中的至少一个，上述分析模块还包括：
第七确定子模块，用于根据左室短轴图像、左室长轴两腔图像和左室长轴四腔图像在每个节段的心肌运动，确定左室短轴图像、左室长轴两腔图像和左室长轴四腔图像在心动周期内的心肌体素变化和心肌长度变化；
第八确定子模块，用于基于心肌体素变化和心肌长度变化，确定左室整体径向应变峰值、环向应变峰值和纵向应变峰值。
在第一方面的一些可实现方式中，上述处理模块还包括：
筛选子模块，用于从多个候选回归预测模型中选取统计量最大的预测模型作为目标回归预测模型。
在第一方面的一些可实现方式中，目标回归预测模型如下公式（2）所示，上述处理模块还包括：
处理子模块，用于将多个生理参数指标输入如下公式（2）中进行处理：
其中，P表示预设时间t内生理参数指标预测发生主要心脏不良事件的相关度，
表示预设时间t内的平均生存概率，B表示预后指数，为生理参数指标与对应指标系数的乘积之和。
在第一方面的一些可实现方式中，生理参数指标还包括影响心脏状态的影响因素，上述预测模块还包括：
分类子模块，用于对异常延迟增强区域占左室心肌质量的百分比、心肌细胞外间质容积分数、心功能参数、左室心肌应变信息和影响心脏状态的影响因素进行分类，得到计量性指标和计数性指标；
比较子模块，用于对计量性指标和计数性指标进行组间比较，确定计量性指标和计数性指标与发生主要心脏不良事件的相关度；
第八确定子模块，用于在相关度小于预设阈值的情况下，确定每个生理参数指标的目标截止值，目标截止值用于表征生理参数指标的灵敏性和特异性；
选取子模块，用于基于每个生理参数指标的目标截止值和相关度，从多个生理参数指标中选取目标特征参数；
预测子模块，用于利用目标特征参数，预测在未来预设时间发生主要心脏不良事件的概率。
第二方面，本申请实施例提供了一种计算机可读存储介质，其特征在于，计算机可读存储介质上存储有计算机程序指令，计算机程序指令被处理器执行时实现如下方法：
获取待处理心脏磁共振图像；
基于左室切面标准对待处理心脏磁共振图像进行分割，得到目标分割图像；
对目标分割图像进行图像特性分析，得到多个用于表征心脏状态的生理参数指标；
将多个生理参数指标输入目标回归预测模型进行处理，得到用于衡量每个生理参数指标与发生主要心脏不良事件的相关度；
基于相关度，预测在未来预设时间发生主要心脏不良事件的概率。
本申请实施例的基于磁共振成像的主要心脏不良事件的预测装置，基于获取模块和分割模块获取待处理心脏磁共振图像，并基于左室切面标准进行分割，得到包括左室短袖图像、左室长袖两腔图像和左室长轴四腔图像的目标分割图像，并基于分析模块对目标分割图像进行图像特性分析，得到多个用于表征心脏状态的生理参数指标，以利用处理模块将多个生理参数指标输入目标回归预测模型进行处理，得到用于衡量每个生理参数指标与发生主要心脏不良事件的相关度，从而基于预测模块，利用相关度，预测在未来预设时间发生主要心脏不良事件的概率。根据本申请实施例，基于分割模块对待处理心脏磁共振图像进行分割，对分割得到的目标分割图像进行图像特性分析，从多个维度得到了多个表征心脏状态的生理参数指标，相对于传统分层工具新产生了新兴分层工具，并借助处理模块得到新兴分层工具与发生MACEs的相关度，在此基础上，结合心肌状况，基于预测模块得到的在未来预设时间发生MACEs的概率更为准确，从而提高了基于磁共振成像的主要心脏不良事件的预测装置预测在未来预设时间发生MACEs的准确性。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单的介绍，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种基于磁共振成像的主要心脏不良事件的预测装置的结构示意图；
图2是本申请实施例提供的一种左室分区结果的靶心图；
图3是本申请实施例提供的一种心内膜和心外膜的位置示意图；
图4是本申请实施例提供的一种列线图；
图5是本申请实施例提供的一种未来一年发生心脏主要不良事件的趋势图；
图6是本申请实施例提供的一种未来两年发生心脏主要不良事件的趋势图；
图7是本申请实施例提供的一种未来一年发生心脏主要不良事件的临床决策曲线；
图8是本申请实施例提供的一种未来两年发生心脏主要不良事件的临床决策曲线。
具体实施方式
下面将详细描述本申请的各个方面的特征和示例性实施例，为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本申请进行进一步详细描述。应理解，此处所描述的具体实施例仅意在解释本申请，而不是限定本申请。对于本领域技术人员来说，本申请可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请更好的理解。
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……”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。
现有的心衰管理指南中指出，以左室射血分数≤35%，伴有纽约心脏协会心功能II/III级症状，或左室射血分数≤30% ，不伴有心力衰竭症状作为心源性猝死（SuddenCardiac Death，SCD）的一级预防策略，但并没有直接证据表明仅根据左室射血分数（Leftventricular ejection fraction，LVEF）和纽约心功能分级（New York HeartAssociation，NYHA）预测具有高SCD风险的患者是可信赖的，而且许多DCM患者的LVEF只有轻度降低，变化并不明显，进一步降低了预测结果的准确性。
DCM患者以细胞外基质的变化为特征，包括纤维化的形成，心内膜活检虽是心肌纤维化的金标准，但心内膜活检属于有创检查，且存在一定的假阴性和假阳性，由此，属于无创检查的磁共振对比剂延迟强化（Late gadolinium enhancement magnetic resonanceimaging，LGE-MRI）得到了本领域人员的关注。随着进一步的研究，本领域人员又发现LGE判断弥漫性心肌纤维化存在一定限制，当DCM患者存在弥漫性纤维化时，缺乏正常心肌的参照，就无法正常利用LGE进行评估。而且由于主要心脏不良事件MACEs的复杂性，传统的单一风险因素已经无法全面的显示DCM患者的心肌状况，而且目前针对心肌状况的绝大部分研究都是依靠视觉评估，评估风险的预测因子来源单一且考虑因素并不全面，导致预测结果的准确性较低。
现如今，心脏磁共振(cardiac magnetic resonance，CMR)作为一种多参数、多序列、多平面成像的无创检查成像，在“一站式”评估心脏的解剖结构、运动功能、心肌灌注和组织特性中的应用价值与日俱增，从而在对DCM患者的风险预测方面具有良好的应用并且取得了有效成果。但是，现有的MACEs预测装置是建立在例如异常延迟增强、左室射血分数等传统分层工具的基础上，由于MACEs的复杂性，以及传统分层工具不可避免的劣势，如过于依赖正常心肌为参照，定性预测受限较为明显以及传统分层工具的单一性等，使得传统分层工具无法适用于MACEs的预测，从而导致现有的MACEs预测装置所得到的预测结果准确性较低。
为了解决现有技术问题，本申请实施例提供了一种基于磁共振成像的主要心脏不良事件的预测装置。下面对本申请实施例所提供的基于磁共振成像的主要心脏不良事件的预测装置进行介绍。
图1示出了本申请实施例提供的一种基于磁共振成像的主要心脏不良事件的预测装置的结构示意图。如图1所示，该基于磁共振成像的主要心脏不良事件的预测装置100具体包括如下模块：
获取模块101，用于获取待处理心脏磁共振图像；
分割模块102，用于基于左室切面标准对待处理心脏磁共振图像进行分割，得到目标分割图像；
分析模块103，用于对目标分割图像进行图像特性分析，得到多个用于表征心脏状态的生理参数指标；
处理模块104，用于将多个生理参数指标输入目标回归预测模型进行处理，得到用于衡量每个生理参数指标与发生主要心脏不良事件的相关度；
预测模块105，用于基于相关度，预测在未来预设时间发生主要心脏不良事件的概率。
由此，根据本申请实施例的基于磁共振成像的主要心脏不良事件的预测装置，基于分割模块对待处理心脏磁共振图像进行分割，对分割得到的目标分割图像进行图像特性分析，从多个维度得到了多个表征心脏状态的生理参数指标，相对于传统分层工具新产生了新兴分层工具，并借助处理模块得到新兴分层工具与发生MACEs的相关度，在此基础上，结合心肌状况，基于预测模块得到的在未来预设时间发生MACEs的概率更为准确，从而提高了基于磁共振成像的主要心脏不良事件的预测装置预测在未来预设时间发生MACEs的准确性。
在一些实施例中，待处理心脏磁共振图像是基于预设扫描方案和预设扫描序列，由扫描设备进行扫描获得的。示例性的，扫描设备可以是GE MR750 3.0T磁共振仪，预设扫描方案可以是采用头先进仰卧位扫描，无线矢量心电单门控扫描，部分序列采取呼吸导航心电门控法扫描，预设扫描序列可以为常规定位像、常规电影序列、对比剂增强前T1mapping成像、对比剂首过灌注序列、延迟增强序列 、对比剂增强后T1 mapping序列。
在一些实施例中，目标分割图像可以包括左室短轴图像、左室长轴两腔图像和左室长轴四腔图像，基于左室切面标准将左室分为17区，取二尖瓣中心点和心尖部的连线作为左室长轴，水平面长轴显示四腔心，矢状面长轴显示两腔心，二尖瓣至腱索附着起点称为基底部，腱索附着起点和终点之间为中部，腱索附着终点至心尖称心尖部，没有心腔的心尖部称心尖。由此，分割模块102基于左室切面标准对待处理心脏磁共振图像进行分割，得到目标分割图像，分割结果更符合心脏解剖结构，从而提高了分割模块102的分割性能，进而能够提高基于目标分割图像得到的生理参数指标的准确性。
作为一种示例，如果从心尖部到基底部将区由中心向外周排列起来，则构成一个靶心图，如图2所示，左室前壁对应于1区—基底部前壁、7区—中部前壁和13区—心尖部前壁；间隔壁对应于2区—基底部近前壁间隔壁、3区—基底部近下壁间隔壁、8区—中部近前壁间隔壁、9区—中部近下壁间隔壁和14区—心尖部间隔壁；下壁对应于4区—基底部侧壁、10区—中部下壁和15区心尖部下壁；侧壁对应于5区—基底部近下壁侧壁、6区—基底部近前壁侧壁、11区—中部近下壁侧壁、12区—中部近间隔壁侧和16区—心尖部侧壁，心尖部对应于17区—心尖。
在一些实施例中，为了便于利用分析模块103对目标分割图像进行图像特性分析，上述分析模块103可以包括以下子模块：
第一确定子模块，用于分别确定左室短轴图像、左室长轴两腔图像和左室长轴四腔图像中心内膜和心外膜的位置；
第二确定子模块，用于基于心内膜和心外膜的位置，分别确定左室短轴图像、左室长轴两腔图像和左室长轴四腔图像中血池和心肌的感兴趣区域，以基于感兴趣区域对目标分割图像进行图像特性分析。
作为一种示例，如图3所示，勾画心外膜和心内膜的轮廓，分别确定左室短轴图像、左室长轴两腔图像和左室长轴四腔图像中心内膜和心外膜的位置。示例性的，血池的感兴趣区域可以是在如图3所示深灰色区域中划定直径约10mm的区域，心肌的感兴趣区域可以是在心内膜和心外膜之间的区域中选取直径约2mm的区域。
由此，利用第一确定子模块分别确定出心肌和血池的感兴趣区域，以使分析模块103便于基于感兴趣区域进行图像特性分析，能够更为准确的分析获得多个用于表征心脏状态的生理参数指标以及各个指标对应的特征数值。
在一些实施例中，生理参数指标至少包括异常延迟增强区域占左室心肌质量的百分比，为了使分析模块103准确的确定异常延迟增强区域占左室心肌质量的百分比，上述分析模块103可以包括以下子模块：
增强子模块，用于对目标分割图像进行图像增强，得到增强后的目标分割图像；
第三确定子模块，用于基于目标分割图像的弛豫时间和增强后的目标分割图像的弛豫时间，分别确定目标分割图像和增强后的目标分割图像中血池和心肌的感兴趣区域的心肌平均信号强度；
判断子模块，用于基于目标分割图像和增强后的目标分割图像中血池和心肌的感兴趣区域的心肌平均信号强度，判断增强后的目标分割图像是否存在异常延迟增强区域，以计算异常延迟增强区域占左室心肌质量的百分比。
在一些实施例中，示例性的，增强子模块采用T1 mapping成像技术，在增强扫描以前，可以测量组织的T1值，记为Native T1；使用对比剂后，对比剂会缩短组织的T1值，增强以后测量组织的T1值，记为Enhance T1。由于T1 Mapping成像不依赖于正常心肌的参照，可对成像范围内的感兴趣区域直接进行定量分析，由此，分析模块103克服了现有MACEs预测装置的常规增强方式中，依赖正常心肌参照定性评价心肌纤维化的限制。并且由于T1mapping序列具有成像速度快、信噪比高、对运动伪影不敏感、T1值绝对定量等优点，分析模块103基于T1 mapping成像技术，克服了传统方式中只能定性诊断的缺点，在此基础上，分析模块103进一步分析获得心肌细胞外间质容积分数，能够更加准确的反映心脏微观结构组织的细微差别。
在一些实施例中，示例性的，正常心肌的T1值在磁场强度为1.5T时约为1400-1250ms，在磁场强度为3.0T时约为950-1000ms，基于此，上述第三确定子模块确定目标分割图像和增强后的目标分割图像中血池和心肌的感兴趣区域的心肌平均信号强度。由判断子模块进行异常延迟增强LGE判断后，基于与T1 mapping对应的左室切面分析延迟强化，示例性的，异常延迟增强LGE定义为感兴趣区域的心肌平均信号强度高于与正常心肌平均信号强度的标准差的二倍。
示例性的，基于异常延迟增强的定义，在第一确定子模块确定心内膜和心外膜的位置后，进一步利用判断子模块确定异常延迟增强区域，也即绝对心梗的面积，以此计算异常延迟增强区域占左室心肌质量的百分比，排除例如心肌纤维等其他因素的干扰。
在一些实施例中，生理参数指标至少包括心肌细胞外间质容积分数，为了便于分析模块准确确定心肌细胞外间质容积分数，上述分析模块103可以包括以下子模块：
第四确定子模块，用于基于目标分割图像的弛豫时间和增强后的目标分割图像的弛豫时间，确定感兴趣区域中血池和心肌的纵向弛豫变化率以及血液红细胞比值；
第五确定子模块，用于基于血池和心肌的纵向弛豫变化率以及血液红细胞比值，利用如下公式（1）确定心肌细胞外间质容积分数：
其中，ECV表示心肌细胞外间质容积分数，
表示心肌的纵向弛豫变化率，
表示血池的纵向弛豫变化率，HCT表示血液红细胞比值。
作为一种示例，上述第四确定子模块可以基于Medis软件对目标分割图像和增强后的目标分割图像进行分析，分别对应得到初始的心肌T1值和增强后的心肌T1值，以及初始的血池T1值和增强后的血池T1值。其中，心肌的纵向弛豫变化率
如下公式（1-1）所示：
其中，A表示增强后的心肌T1值，B表示初始的心肌T1值；
血池的纵向弛豫变化率
如下公式（1-2）所示：
其中，C表示增强后的血池T1值，D表示初始的血池T1值。
由此，第四确定子模块基于公式（1-1）和公式（1-2）分别确定得到心肌的纵向弛豫变化率
和血池的纵向弛豫变化率/>
，在此基础上，第五确定子模块利用公式（1）进一步计算得到心肌细胞外间质容积分数ECV。
在一些实施例中，生理参数指标还包括心功能参数，心功能参数包括右室射血分数、左室射血分数、左室舒张末容积、左室收缩末容积和左心室质量中的至少一个。为了确定心功能参数，上述分析模块103可以包括以下子模块：
第六确定子模块，用于基于增强后的左室短轴图像、左室长轴两腔图像和左室长轴四腔图像的扫描序列，分别确定右室射血分数、左室射血分数、左室舒张末容积、左室收缩末容积和左心室质量。
示例性的，第六确定子模块基于心功能专用分析软件 （Syngo VD15B,SyngoVX49B，Argus,VA60C，Siemens AG， Medical Solutions, Erlangen，Germany）进行分析，基于平扫后的左室短轴图像、左室长轴两腔图像和左室长轴四腔图像的扫描序列，分别确定各个右室射血分数、左室射血分数、左室舒张末容积、左室收缩末容积和左心室质量对应的特征数值。
在一些实施例中，生理参数指标还包括左室心肌应变信息，左室心肌应变信息包括左室整体径向应变峰值、环向应变峰值和纵向应变峰值中的至少一个。为了确定左室心肌应变信息，上述分析模块103可以包括如下子模块：
第七确定子模块，用于根据左室短轴图像、左室长轴两腔图像和左室长轴四腔图像在每个节段的心肌运动，确定左室短轴图像、左室长轴两腔图像和左室长轴四腔图像在心动周期内的心肌体素变化和心肌长度变化；
第八确定子模块，用于基于心肌体素变化和心肌长度变化，确定左室整体径向应变峰值、环向应变峰值和纵向应变峰值。
作为一种示例，结合图2示意的靶心图，每个数字对应的区域可看作为一个节段，心动周期为60秒/心率（次数/分钟），也就是心脏的一次收缩舒张。示例性的，第七确定子模块基于CVI42（Circle Cardiovascular Imaging）软件中的组织追踪（tissue-tracking）工具对左心室心肌应变进行分析，得到心动周期内心肌体素变化以及心肌长度变化。
作为一种示例，应变值实际上是心动周期不同部分的起始心肌长度与最终心肌长度之比，基于组织追踪工具，根据心肌体素的变化和心肌长度的变化，确定左室整体径向应变峰值、环向应变峰值和纵向应变峰值。
由此，由于CVI42心血管影像分析软件结合了对心血管磁共振成像（MRI）和心血管计算机断层扫描（CT）影像的分析功能，基于第七确定子模块和第八确定子模块，利用组织追踪工具，并结合心动周期内心肌体素和心肌长度变化，追踪心肌运动的形变信息，能够准确得到左室整体径向应变峰值、环向应变峰值和纵向应变峰值。
在一些实施例中，为了保证处理模块104得到的用于衡量每个生理参数指标与发生主要心脏不良事件的相关度的准确性，上述处理模块104可以包括如下子模块：
筛选子模块，用于从多个候选回归预测模型中选取统计量最大的预测模型作为目标回归预测模型。
作为一种示例，筛选子模块基于Cox回归模型，从多个候选回归预测模型中选取统计量最大的预测模型作为目标回归预测模型，其中，统计量一般指C统计量。作为一种示例，C统计量是一个总体指标，尤其是用于评估Cox回归模型的判别能力时，C统计量的范围是0.5到1.0，C统计量为0.5代表完全不一致，表明该模型没有预测效果；C统计量为 1.0代表完全一致，表明模型预测结果与实际完全一致。通常认为C统计量在0.50和0.70之间的精度较低，0.71和0.80之间的精度适中，0.80以上的精度较高，0.9以上的精度很高。
在一些实施例中，目标回归预测模型如下公式（2）所示，上述处理模块104还包括：
处理子模块，用于将多个生理参数指标输入如下公式（2）中进行处理：
其中，P表示预设时间t内生理参数指标预测发生主要心脏不良事件的相关度，
表示预设时间t内的平均生存概率，B表示预后指数，为生理参数指标与对应指标系数的乘积之和。
示例性的，如下表1和表2所示，上述处理子模块基于单因素和多因素进行Cox分析，单因素Cox分析结果如表1所示，评估因素与心脏主要不良事件是否相关以预设值为界限，其中，预设值可设置为0.05，经分析所得的因素概率大于预设值时则认为该因素与主要心脏不良事件不相关，若小于预设值，则认为该因素与心脏主要不良事件相关。例如，年龄（p=0.840）、性别（p=0.358）、DCM家族史（p=0.212）均与主要心脏不良事件不相关；NYHA心功能分级、磁共振心功能参数、ECV、LGE存在百分比、截止值及三分位数均与终点事件显著相关。为防止模型过拟合，如表2所示，将多个生理参数指标相结合进行多因素Cox分析，其中模型2 的C统计量最大为0.851，可以选择模型2作为目标回归预测模型。
表1 单因素Cox分析结果示意表
表2 多因素Cox分析结果示意表
由此，处理子模块分别从单因素和多因素角度进行Cox回归分析，并基于筛选子模块选取C统计量最大的回归预测模型作为目标回归预测模型，从而保证了处理模块104得到的用于衡量每个生理参数指标与发生主要心脏不良事件的相关度的准确性。
在一些实施例中，生理参数指标还包括影响心脏状态的影响因素，为了预测在未来预设时间发生主要心脏不良事件的概率，上述预测模块105可以包括以下子模块：
分类子模块，用于对异常延迟增强区域占左室心肌质量的百分比、心肌细胞外间质容量相对值、心功能参数、左室心肌应变信息和影响心脏状态的影响因素进行分类，得到计量性指标和计数性指标；
比较子模块，用于对计量性指标和计数性指标进行组间比较，确定计量性指标和计数性指标与发生主要心脏不良事件的相关度；
第八确定子模块，用于在相关度小于预设阈值的情况下，确定每个生理参数指标的目标截止值，目标截止值用于表征生理参数指标的灵敏性和特异性；
选取子模块，用于基于每个生理参数指标的目标截止值和相关度，从多个生理参数指标中选取目标特征参数；
预测子模块，用于利用目标特征参数，预测在未来预设时间发生主要心脏不良事件的概率。
在一些实施例中，计量性指标指分类变量，如性别、糖尿病、高血压、高血脂等用于分类的变量；计数性指标指连续性变量，如身高、体重等，基于此，分类子模块将多个生理参数指标与影响心脏状态的影响因素进行分类。示例性的，计量性指标可以采用卡方检验，计数性指标可以采用t检验，从而通过比较子模块确定计量性指标和计数性指标与发生主要心脏不良事件的相关度。
在一些实施例中，第八确定子模块基于受试者工作特征曲线(ReceiverOperating Characteristic curve，ROC 曲线)确定每个生理参数指标的目标截止值。其中，预设阈值可根据实际情况进行取值，例如可取0.05。示例性的，目标截至值可通过Youden 指数，即灵敏度和特异性进一步确定，并通过曲线下面积(area under the curve，AUC)评估准确性。作为一种示例，如表3所示，ROC分析显示平均ECV分数、初始T1值、左室射血分数等信息，分别得到各个生理参数指标的目标截止值。
表3 各个生理参数指标的目标截止值的结果示意表
在一些实施例中，为了确保选取的目标特征参数的准确性、可靠性和适用性，选取子模块在目标截止值和相关度的基础上，进一步结合每个生理参数指标的风险比率，确定每个生理参数的指标类型，进而选取目标特征参数。作为一种示例，风险比率是两个期望风险的比值，并不会随着时间的变化而变化。指标类型至少可以包括保护性的和破坏性的。示例性的，如果指标的风险比率接近于1，表明该指标并不影响生存；如果指标的风险比率小于1，那么说明该指标是保护性的，会增加生存几率；如果风险比率大于1，那么说明该指标是破坏性的，会提高风险或者是减少生存概率。
作为一种示例，预测子模块利用所选取的目标特征参数，预测在未来预设时间发生主要心脏不良事件的概率。为了更为直观形象的显示预测结果，如图4所示， 预测子模块基于列线图，给每个生理参数指标的取值水平进行赋分，然后再将各个评分相加得到总得分，最后通过总得分与发生主要心脏不良事件概率之间的函数转换关系，从而计算出在未来预设时间发生主要心脏不良事件的概率。示例性的，如图5和图6所示，分别表示未来一年和两年时间发生心脏主要不良事件的趋势，并且基于图7和图8所示的未来一年和两年发生心脏主要不良事件的临床决策曲线，其中从本申请实施例所提供的新预测装置、不包括新技术的预测装置、新预测装置对比当前指南等角度进行对比，从而进一步分析验证了选取的目标特征参数相比于当前指南推荐的ICD植入标准效果更为明显。其中，全部处理和不处理所对应的曲线为决策曲线绘制自动生成的曲线，IDI表示综合判别改善指数，NRI表示净重新分类指数，CI表示置信区间。
需要说明的是，上述本申请实施例描述的应用场景是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定。本领域技术人员可知，随着新应用场景的出现，本申请实施例提供的技术方案对于类似的技术问题同样适用。
另外，本申请实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序指令，该计算机程序指令被处理器执行时实现如下方法：
获取待处理心脏磁共振图像；
基于左室切面标准对待处理心脏磁共振图像进行分割，得到目标分割图像；
对目标分割图像进行图像特性分析，得到多个用于表征心脏状态的生理参数指标；
将多个生理参数指标输入目标回归预测模型进行处理，得到用于衡量每个生理参数指标与发生主要心脏不良事件的相关度；
基于相关度，预测在未来预设时间发生主要心脏不良事件的概率。
计算机可读存储介质可以包括能够存储或传输信息的任何介质。计算机可读存储介质例如可以包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM（EROM）、软盘、CD-ROM、光盘、硬盘、光纤介质、射频（RF）链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是，本申请中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本申请不局限于上述步骤的顺序，本领域的技术人员可以在领会本申请的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。
以上所述，仅为本申请的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块和单元的具体工作过程，在此不再赘述。应理解，本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。
Claims (9)
1.一种基于磁共振成像的主要心脏不良事件的预测装置，其特征在于，包括：
获取模块，用于获取待处理心脏磁共振图像；
分割模块，用于基于左室切面标准对所述待处理心脏磁共振图像进行分割，得到目标分割图像；
分析模块，用于对所述目标分割图像进行图像特性分析，得到多个用于表征心脏状态的生理参数指标；
处理模块，用于将多个所述生理参数指标输入目标回归预测模型进行处理，得到用于衡量每个所述生理参数指标与发生主要心脏不良事件的相关度；
预测模块，用于基于所述相关度，预测在未来预设时间发生所述主要心脏不良事件的概率；
所述目标分割图像包括左室短轴图像、左室长轴两腔图像和左室长轴四腔图像，所述分析模块还包括：
第一确定子模块，用于分别确定所述左室短轴图像、左室长轴两腔图像和左室长轴四腔图像中心内膜和心外膜的位置；
第二确定子模块，用于基于所述心内膜和心外膜的位置，分别确定所述左室短轴图像、左室长轴两腔图像和左室长轴四腔图像中血池和心肌的感兴趣区域，以基于所述感兴趣区域对所述目标分割图像进行图像特性分析。
2.根据权利要求1所述的装置，其特征在于，所述生理参数指标至少包括异常延迟增强区域占左室心肌质量的百分比，所述分析模块还包括：
增强子模块，用于对所述目标分割图像进行图像增强，得到增强后的目标分割图像；
第三确定子模块，用于基于所述目标分割图像的弛豫时间和所述增强后的目标分割图像的弛豫时间，分别确定所述目标分割图像和所述增强后的目标分割图像中所述血池和心肌的感兴趣区域的心肌平均信号强度；
判断子模块，用于基于所述目标分割图像和所述增强后的目标分割图像中所述血池和心肌的感兴趣区域的心肌平均信号强度，判断所述增强后的目标分割图像是否存在异常延迟增强区域，以计算所述异常延迟增强区域占左室心肌质量的百分比。
3.根据权利要求1所述的装置，其特征在于，所述生理参数指标至少包括心肌细胞外间质容积分数，所述分析模块还包括：
第四确定子模块，用于基于所述目标分割图像的弛豫时间和所述增强后的目标分割图像的弛豫时间，确定所述感兴趣区域中血池和心肌的纵向弛豫变化率以及血液红细胞比值；
第五确定子模块，用于基于所述血池和心肌的纵向弛豫变化率以及所述血液红细胞比值，利用如下公式（1）确定所述心肌细胞外间质容积分数：
其中，ECV表示心肌细胞外间质容积分数，
表示心肌的纵向弛豫变化率，
表示血池的纵向弛豫变化率，HCT表示血液红细胞比值。
4.根据权利要求1所述的装置，其特征在于，所述生理参数指标还包括心功能参数，所述心功能参数包括右室射血分数、左室射血分数、左室舒张末容积、左室收缩末容积和左心室质量中的至少一个，所述分析模块还包括：
第六确定子模块，用于基于增强后的左室短轴图像、左室长轴两腔图像和左室长轴四腔图像的扫描序列，分别确定所述右室射血分数、左室射血分数、左室舒张末容积、左室收缩末容积和左心室质量。
5.根据权利要求1所述的装置，其特征在于，所述生理参数指标还包括左室心肌应变信息，所述左室心肌应变信息包括左室整体径向应变峰值、环向应变峰值和纵向应变峰值中的至少一个，所述分析模块还包括：
第七确定子模块，用于根据所述左室短轴图像、左室长轴两腔图像和左室长轴四腔图像在每个节段的心肌运动，确定所述左室短轴图像、左室长轴两腔图像和左室长轴四腔图像在心动周期内的心肌体素变化和心肌长度变化；
第八确定子模块，用于基于所述心肌体素变化和所述心肌长度变化，确定所述左室整体径向应变峰值、环向应变峰值和纵向应变峰值。
6.根据权利要求1所述的装置，其特征在于，所述处理模块还包括：
筛选子模块，用于从多个候选回归预测模型中选取统计量最大的预测模型作为所述目标回归预测模型。
7.根据权利要求6所述的装置，其特征在于，所述目标回归预测模型如下公式（2）所示，所述处理模块还包括：
处理子模块，用于将多个所述生理参数指标输入如下公式（2）中进行处理：
其中，P表示预设时间t内生理参数指标预测发生主要心脏不良事件的相关度，
表示预设时间t内的平均生存概率，B表示预后指数，预后指数为生理参数指标与对应指标系数的乘积之和。
8.根据权利要求1所述的装置，其特征在于，所述生理参数指标还包括影响心脏状态的影响因素，所述预测模块还包括：
分类子模块，用于对异常延迟增强区域占左室心肌质量的百分比、心肌细胞外间质容积分数、心功能参数、左室心肌应变信息和所述影响心脏状态的影响因素进行分类，得到计量性指标和计数性指标；
比较子模块，用于对所述计量性指标和所述计数性指标进行组间比较，确定所述计量性指标和所述计数性指标与发生所述主要心脏不良事件的相关度；
第八确定子模块，用于在所述相关度小于预设阈值的情况下，确定每个所述生理参数指标的目标截止值，所述目标截止值用于表征所述生理参数指标的灵敏性和特异性；
选取子模块，用于基于每个所述生理参数指标的目标截止值和所述相关度，从多个所述生理参数指标中选取目标特征参数；
预测子模块，用于利用所述目标特征参数，预测在未来预设时间发生所述主要心脏不良事件的概率。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如下方法：
获取待处理心脏磁共振图像；
基于左室切面标准对所述待处理心脏磁共振图像进行分割，得到目标分割图像；
对所述目标分割图像进行图像特性分析，得到多个用于表征心脏状态的生理参数指标；
将多个所述生理参数指标输入目标回归预测模型进行处理，得到用于衡量每个所述生理参数指标与发生主要心脏不良事件的相关度；
基于所述相关度，预测在未来预设时间发生所述主要心脏不良事件的概率；
所述目标分割图像包括左室短轴图像、左室长轴两腔图像和左室长轴四腔图像，所述对所述目标分割图像进行图像特性分析，得到多个用于表征心脏状态的生理参数指标，包括：
分别确定所述左室短轴图像、左室长轴两腔图像和左室长轴四腔图像中心内膜和心外膜的位置；
基于所述心内膜和心外膜的位置，分别确定所述左室短轴图像、左室长轴两腔图像和左室长轴四腔图像中血池和心肌的感兴趣区域，以基于所述感兴趣区域对所述目标分割图像进行图像特性分析。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310113841.2A CN115965621B (zh) | 2023-02-15 | 2023-02-15 | 一种基于磁共振成像的主要心脏不良事件的预测装置 |
| PCT/CN2023/130620 WO2024169271A1 (zh) | 2023-02-15 | 2023-11-09 | 一种基于磁共振成像的主要心脏不良事件的预测装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310113841.2A CN115965621B (zh) | 2023-02-15 | 2023-02-15 | 一种基于磁共振成像的主要心脏不良事件的预测装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115965621A CN115965621A (zh) | 2023-04-14 |
| CN115965621B true CN115965621B (zh) | 2023-06-20 |
Family
ID=85896056
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310113841.2A Active CN115965621B (zh) | 2023-02-15 | 2023-02-15 | 一种基于磁共振成像的主要心脏不良事件的预测装置 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN115965621B (zh) |
| WO (1) | WO2024169271A1 (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115965621B (zh) * | 2023-02-15 | 2023-06-20 | 中国医学科学院阜外医院 | 一种基于磁共振成像的主要心脏不良事件的预测装置 |
| CN116245878B (zh) * | 2023-05-08 | 2023-08-18 | 中山大学附属第五医院 | 一种心肌局灶性瘢痕检测方法、风险预测方法和相关装置 |
| CN118116555B (zh) * | 2024-04-28 | 2024-07-09 | 中国医学科学院阜外医院 | 基于磁共振的参数确定方法、装置、设备、介质和产品 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN113012173A (zh) * | 2021-04-12 | 2021-06-22 | 中国医学科学院北京协和医院 | 基于心脏mri的心脏分割模型和病理分类模型训练、心脏分割、病理分类方法及装置 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7747308B2 (en) * | 2004-02-06 | 2010-06-29 | Wake Forest University Health Sciences | Non-invasive systems and methods for the determination of cardiac injury using a characterizing portion of a voxel histogram |
| US8009910B2 (en) * | 2006-05-05 | 2011-08-30 | Valtion Teknillinen Tutkimuskeskus | Method, a system, a computer program product and a user interface for segmenting image sets |
| CN106910194B (zh) * | 2015-12-22 | 2020-11-27 | 上海联影医疗科技股份有限公司 | 心脏心功能磁共振图像中的心内外膜的分割方法 |
| CN106910182B (zh) * | 2015-12-22 | 2020-11-27 | 上海联影医疗科技股份有限公司 | 心脏心功能磁共振图像中舒张末期图像中血池的分割方法 |
| CN110226098B (zh) * | 2016-11-28 | 2021-11-23 | 皇家飞利浦有限公司 | 动态对比增强的磁共振成像中的图像质量控制 |
| CN109754884B (zh) * | 2019-01-30 | 2020-05-08 | 山东大学齐鲁医院 | 心脏病妊娠患者分娩前新生儿风险预测方法、系统及介质 |
| CN110766691A (zh) * | 2019-12-06 | 2020-02-07 | 北京安德医智科技有限公司 | 一种心脏磁共振影像分析及心肌病预测的方法、装置 |
| US11636603B2 (en) * | 2020-11-03 | 2023-04-25 | Dyad Medical, Inc. | System and methods for segmentation and assembly of cardiac MRI images |
| CN113707333A (zh) * | 2021-08-31 | 2021-11-26 | 复旦大学附属中山医院 | 免疫检查点抑制剂相关心脏毒性的预后评估模型及其应用 |
| CN115965621B (zh) * | 2023-02-15 | 2023-06-20 | 中国医学科学院阜外医院 | 一种基于磁共振成像的主要心脏不良事件的预测装置 |
-
2023
- 2023-02-15 CN CN202310113841.2A patent/CN115965621B/zh active Active
- 2023-11-09 WO PCT/CN2023/130620 patent/WO2024169271A1/zh unknown
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN113012173A (zh) * | 2021-04-12 | 2021-06-22 | 中国医学科学院北京协和医院 | 基于心脏mri的心脏分割模型和病理分类模型训练、心脏分割、病理分类方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2024169271A1 (zh) | 2024-08-22 |
| CN115965621A (zh) | 2023-04-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115965621B (zh) | 一种基于磁共振成像的主要心脏不良事件的预测装置 | |
| Kawel-Boehm et al. | Reference ranges (“normal values”) for cardiovascular magnetic resonance (CMR) in adults and children: 2020 update | |
| Militello et al. | A semi-automatic approach for epicardial adipose tissue segmentation and quantification on cardiac CT scans | |
| Salton et al. | Gender differences and normal left ventricular anatomy in an adult population free of hypertension: a cardiovascular magnetic resonance study of the Framingham Heart Study Offspring cohort | |
| Kempny et al. | Quantification of biventricular myocardial function using cardiac magnetic resonance feature tracking, endocardial border delineation and echocardiographic speckle tracking in patients with repaired tetralogy of Fallot and healthy controls | |
| Sera et al. | Left ventricular longitudinal strain by speckle-tracking echocardiography is associated with treatment-requiring cardiac allograft rejection | |
| US20050059876A1 (en) | Systems and methods for providing automated regional myocardial assessment for cardiac imaging | |
| CN105518684A (zh) | 用于预测冠状动脉病变的位置、开始、和/或变化的系统和方法 | |
| US12033323B2 (en) | Method, device and computer-readable medium for automatically classifying coronary lesion according to CAD-RADS classification by a deep neural network | |
| Kawasaki et al. | Evaluation of significant coronary artery disease based on CT fractional flow reserve and plaque characteristics using random forest analysis in machine learning | |
| Metan et al. | Cardiovascular MRI image analysis by using the bio inspired (sand piper optimized) fully deep convolutional network (Bio-FDCN) architecture for an automated detection of cardiac disorders | |
| Lin et al. | Echocardiography-based AI detection of regional wall motion abnormalities and quantification of cardiac function in myocardial infarction | |
| Rahmouni et al. | Clinical utility of automated assessment of left ventricular ejection fraction using artificial intelligence–assisted border detection | |
| Bhagawati et al. | Cardiovascular disease/stroke risk stratification in deep learning framework: a review | |
| Zhao et al. | Entropy of left ventricular late gadolinium enhancement and its prognostic value in hypertrophic cardiomyopathy a new CMR assessment method | |
| Penso et al. | A deep-learning approach for myocardial fibrosis detection in early contrast-enhanced cardiac CT images | |
| Granot et al. | Detection of severe pulmonary hypertension based on computed tomography pulmonary angiography | |
| US20230309940A1 (en) | Explainable deep learning camera-agnostic diagnosis of obstructive coronary artery disease | |
| KR20220141218A (ko) | 자동 알고리즘 기반의 확장성 심근병증 보조진단을 위한 의사결정 시스템 | |
| Mehta et al. | Heart Disease Diagnosis using Deep Learning | |
| Ehara et al. | Comprehensive evaluation of the apex beat using 64-slice computed tomography: Impact of left ventricular mass and distance to chest wall | |
| WO2022053710A1 (en) | Quantitative imaging of the heart muscle | |
| Liu et al. | Artificial Intelligence—A Good Assistant to Multi-Modality Imaging in Managing Acute Coronary Syndrome | |
| LU505348B1 (en) | A deep learning-based method for CT pulmonary angiography cardiac chamber segmentation and quantification | |
| CN118298004B (zh) | 一种基于三维超声心动图的心脏功能评估方法及系统 |
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 |