CN116245878A - 一种心肌局灶性瘢痕检测方法、风险预测方法和相关装置 - Google Patents
一种心肌局灶性瘢痕检测方法、风险预测方法和相关装置 Download PDFInfo
- Publication number
- CN116245878A CN116245878A CN202310505772.XA CN202310505772A CN116245878A CN 116245878 A CN116245878 A CN 116245878A CN 202310505772 A CN202310505772 A CN 202310505772A CN 116245878 A CN116245878 A CN 116245878A
- Authority
- CN
- China
- Prior art keywords
- myocardial
- focal
- image
- scar
- left ventricular
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray image
-
- 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
- G06T2207/30048—Heart; Cardiac
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种心肌局灶性瘢痕检测方法、风险预测方法和相关装置,先基于预置左心室壁心肌自动分割模型对基于单能量CCTA或双能量CCTA扫描到的心肌图像进行体素二分类分割,得到左心室壁心肌图像,再基于预置心肌局灶性瘢痕定位模型对左心室壁心肌图像的低密度灶进行体素三分类分割,得到心肌局灶性瘢痕定位图像。解决了现有技术存在的操作技术难度大、检测耗时长、费用高、碘对比剂用量大和辐射剂量高的技术问题。
Description
技术领域
本发明涉及医学影像分析技术领域,尤其涉及一种心肌局灶性瘢痕检测方法、风险预测方法和相关装置。
背景技术
心肌局灶性瘢痕(Myocardial Focal Scar,MFS)是心肌受到某种形式的创伤后导致的纤维组织的替代。MFS存在于许多心肌病的病理改变过程中,如心肌梗塞(MyocardialInfarction,MI)、肥厚型心肌病、结节病、心肌炎、尿毒症心肌病等。
目前的用于检测心肌局灶性瘢痕的现有技术有心内膜下穿刺活检术、心脏磁共振(Cardiac Magnetic Resonance Imaging,CMR)钆对比剂延迟强化成像(Late GadoliniumEnhancement,LGE)和基于冠脉CT造影(Coronary CT Angiography,CCTA)的碘对比剂延迟强化(Late Iodine Enhancement,LIE)等,但心内膜下穿刺活检术操作技术难度大,对操作者要求极高,且不能反映心肌整体改变状况。心脏磁共振钆对比剂延迟强化成像技术不但操作技术难度大,而且检测耗时长、费用高。基于冠脉CT造影的碘对比剂延迟强化技术存在碘对比剂用量大和辐射剂量高的问题。因此,研究新的心肌局灶性瘢痕检测方法,以解决以上技术问题,是本领域技术人员亟待解决的技术问题。
发明内容
本发明提供了一种心肌局灶性瘢痕检测方法、风险预测方法和相关装置,用于解决现有技术存在的操作技术难度大、检测耗时长、费用高、碘对比剂用量大和辐射剂量高的技术问题。
有鉴于此,本发明第一方面提供了一种心肌局灶性瘢痕检测方法,包括:
基于预置左心室壁心肌自动分割模型对基于单能量CCTA或双能量CCTA扫描到的心肌图像进行体素二分类分割,得到左心室壁心肌图像,其中,体素二分类分割结果包括左心室壁心肌组织和非左心室壁心肌组织;
基于预置心肌局灶性瘢痕定位模型对左心室壁心肌图像的低密度灶进行体素三分类分割,得到心肌局灶性瘢痕定位图像,其中,体素三分类分割结果包括心肌局灶性瘢痕、心肌射线硬化伪影和正常心肌。
可选地,基于预置左心室壁心肌自动分割模型对基于单能量CCTA或双能量CCTA扫描到的心肌图像进行体素二分类分割,得到左心室壁心肌图像,之前还包括:
构建基于单能量CCTA扫描图像和双能量CCTA扫描图像的左心室壁心肌标注数据集;
利用左心室壁心肌标注数据集对左心室壁心肌自动分割模型进行基于体素二分类分割的训练、验证和测试,得到预置左心室壁心肌自动分割模型。
可选地,基于预置心肌局灶性瘢痕定位模型对左心室壁心肌图像的低密度灶进行体素三分类分割,得到心肌局灶性瘢痕定位图像,之前还包括:
基于标注有心肌局灶性瘢痕和心肌射线硬化伪影的左心室壁心肌图像,构建心肌局灶性瘢痕伪影和射线硬化伪影标注数据集;
利用心肌局灶性瘢痕伪影和射线硬化伪影标注数据集对局灶性瘢痕定位模型进行基于体素三分类分割的训练、验证和测试,得到预置心肌局灶性瘢痕定位模型。
可选地,基于预置心肌局灶性瘢痕定位模型对左心室壁心肌图像的低密度灶进行体素三分类分割,得到心肌局灶性瘢痕定位图像,之前还包括:
基于标注有心肌局灶性瘢痕和心肌射线硬化伪影的左心室壁心肌图像,构建心肌局灶性瘢痕伪影和射线硬化伪影标注数据集;
利用心肌局灶性瘢痕伪影和射线硬化伪影标注数据集对局灶性瘢痕定位模型进行基于体素三分类分割的训练、验证和测试,得到预置心肌局灶性瘢痕定位模型。
可选地,基于预置心肌局灶性瘢痕定位模型对左心室壁心肌图像的低密度灶进行体素三分类分割,得到心肌局灶性瘢痕定位图像,包括:
基于预置心肌局灶性瘢痕定位模型对左心室壁心肌图像的低密度灶进行体素三分类分割,得到心肌局灶性瘢痕图像;
对心肌局灶性瘢痕图像计算心肌局灶性瘢痕体积,得到心肌局灶性瘢痕定量信息;
基于心肌局灶性瘢痕定量信息和心肌节段划分信息,对心肌局灶性瘢痕进行定位,得到心肌局灶性瘢痕定位图像。
本发明第二方面提供了一种风险预测方法,包括第一方面任一种所述的心肌局灶性瘢痕检测方法,还包括:
提取心肌局灶性瘢痕定位图像的影像学特征;
基于心肌局灶性瘢痕定位图像的影像学特征和主要不良心血管事件的关系,筛选出基于单能量CCTA图像或双能量CCTA图像的主要不良心血管事件危险因素;
采用预置风险预测模型,根据主要不良心血管事件危险因素和多维医学数据对主要不良心血管事件进行风险分层预测,得到风险分层预测结果。
可选地,提取心肌局灶性瘢痕定位图像的影像学特征,包括:
基于心肌局灶性瘢痕定位图像提取多种影像学特征,对多种影像学特征进行归一化、降维和去冗余处理,得到心肌局灶性瘢痕定位图像的影像学特征。
可选地,提取心肌局灶性瘢痕定位图像的影像学特征,包括:
基于心肌局灶性瘢痕定位图像提取多种影像学特征,对多种影像学特征进行视觉评估、归一化、降维和去冗余处理,得到心肌局灶性瘢痕定位图像的影像学特征,其中,多种影像学特征包括人眼视觉评估影像学特征和基于计算机运算识别的影像组学特征。
本发明第三方面提供了一种心肌局灶性瘢痕检测装置,包括:
左心室壁心肌图像获取模块,用于基于预置左心室壁心肌自动分割模型对基于单能量CCTA或双能量CCTA扫描到的心肌图像进行体素二分类分割,得到左心室壁心肌图像,其中,体素二分类分割结果包括左心室壁心肌组织和非左心室壁心肌组织;
局灶性瘢痕定位模块,用于基于预置心肌局灶性瘢痕定位模型对左心室壁心肌图像的低密度灶进行体素三分类分割,得到心肌局灶性瘢痕定位图像,其中,体素三分类分割结果包括心肌局灶性瘢痕、心肌射线硬化伪影和正常心肌。
可选地,还包括第一模型构建模块;
第一模型构建模块用于:
构建基于单能量CCTA扫描图像和双能量CCTA扫描图像的左心室壁心肌标注数据集;
利用左心室壁心肌标注数据集对左心室壁心肌自动分割模型进行基于体素二分类分割的训练、验证和测试,得到预置左心室壁心肌自动分割模型。
可选地,还包括第二模型构建模块;
第二模型构建模块用于:
基于标注有心肌局灶性瘢痕和心肌射线硬化伪影的左心室壁心肌图像,构建心肌局灶性瘢痕伪影和射线硬化伪影标注数据集;
利用心肌局灶性瘢痕伪影和射线硬化伪影标注数据集对局灶性瘢痕定位模型进行基于体素三分类分割的训练、验证和测试,得到预置心肌局灶性瘢痕定位模型。
本发明第四方面提供了一种风险预测设备,包括第二方面任一种所述的心肌局灶性瘢痕检测装置,还包括:
特征提取模块,用于提取心肌局灶性瘢痕定位图像的影像学特征;
危险因素筛选模块,用于基于心肌局灶性瘢痕定位图像的影像学特征和主要不良心血管事件的关系,筛选出基于单能量CCTA图像或双能量CCTA图像的主要不良心血管事件危险因素;
风险分层预测模块,用于采用预置风险预测模型,根据主要不良心血管事件危险因素和多维医学数据对主要不良心血管事件进行风险分层预测,得到风险分层预测结果。
从以上技术方案可以看出,本发明提供的心肌局灶性瘢痕检测方法具有以下优点:
本发明提供的心肌局灶性瘢痕检测方法,先基于预置左心室壁心肌自动分割模型对基于单能量CCTA或双能量CCTA扫描到的心肌图像进行体素二分类分割,得到左心室壁心肌图像,再基于预置心肌局灶性瘢痕定位模型对左心室壁心肌图像的低密度灶进行体素三分类分割,得到心肌局灶性瘢痕定位图像。实现了对心肌局灶性瘢痕的快速有效检测。
本发明提供的心肌局灶性瘢痕检测方法与心内膜下穿刺活检术相比,具有无创、操作难度小,且可反应心肌整体改变状况的优点。
本发明提供的心肌局灶性瘢痕检测方法与心脏磁共振钆对比剂延迟强化成像技术相比,具有操作难度小、检测耗时短,且费用较低的优点。
本发明提供的心肌局灶性瘢痕检测方法与基于冠脉CT造影的碘对比剂延迟强化技术相比,基于单能量CCTA或双能量CCTA扫描图像进行心肌局灶性瘢痕检测,不需要进行延迟扫描,因此不需要额外增加碘对比剂用量和辐射剂量,具有耗费碘对比剂用量和辐射剂量减半的优点。
因此,本发明提供的心肌局灶性瘢痕检测方法解决了现有技术存在的操作技术难度大、检测耗时长、费用高、碘对比剂用量大和辐射剂量高的技术问题。
本发明提供的风险预测方法,在基于发明提供的心肌局灶性瘢痕检测方法获得心肌局灶性瘢痕定位图像的基础上,进一步提取心肌局灶性瘢痕定位图像的影像学特征,基于心肌局灶性瘢痕定位图像的影像学特征和主要不良心血管事件的关系,筛选出基于单能量CCTA图像或双能量CCTA图像的主要不良心血管事件危险因素,最后采用预置风险预测模型,根据主要不良心血管事件危险因素和多维医学数据对主要不良心血管事件进行风险分层预测,得到风险分层预测结果。通过深度学习的方法将影像学特征与多维医学数据融合,实现了对主要不良心血管事件的风险分层预测,在实现了本发明提供的心肌局灶性瘢痕检测方法所解决的技术问题的技术效果的基础上,还解决了基于冠脉CT造影的碘对比剂延迟强化技术(LIE-CT)不能用于心肌局灶性瘢痕风险分层的问题。
本发明提供的心肌局灶性瘢痕检测装置和风险预测设备,用于执行本发明提供的心肌局灶性瘢痕检测方法和风险预测方法,其原理和所取得的技术效果与本发明提供的的心肌局灶性瘢痕检测方法和风险预测方法相同,在此不再赘述。
附图说明
为了更清楚的说明本发明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的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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相关的附图。
图1为本发明提供的一种心肌局灶性瘢痕检测方法的流程示意图;
图2为本发明提供的一种心肌局灶性瘢痕检测方法的逻辑框图;
图3为本发明提供的一种风险预测方法的流程示意图;
图4为本发明提供的一种心肌局灶性瘢痕检测装置的结构示意图;
图5为本发明提供的一种风险预测设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为了便于理解,请参阅图1和图2,本发明中提供了一种心肌局灶性瘢痕检测方法的实施例,包括:
步骤101、基于预置左心室壁心肌自动分割模型对基于单能量CCTA或双能量CCTA扫描到的心肌图像进行体素二分类分割,得到左心室壁心肌图像,其中,体素二分类分割结果包括左心室壁心肌组织和非左心室壁心肌组织。
需要说明的是,心肌局灶性瘢痕的位置、体积、透壁程度都会影响左心室的结构重塑和功能恢复,瘢痕体积的大小与左心功能直接相关,前壁瘢痕更易导致心衰及心源性死亡,甚至瘢痕几何形状和结构都可对心脏的机械和电功能产生影响。因此,需要对心肌局灶性瘢痕进行检测。本发明实施例中,利用预置左心室壁心肌自动分割模型对基于单能量CCTA或双能量CCTA扫描到的心肌图像进行体素二分类分割,得到左心室壁心肌图像。预置左心室壁心肌自动分割模型的构建,可以通过人工标注与机器标注结合的方式,先建立基于单能量CCTA扫描图像和双能量CCTA扫描图像的左心室壁心肌标注数据集,将左心室壁心肌标注数据集划分为训练数据集、验证数据集和测试数据集,再利用训练数据集、验证数据集和测试数据集分别对基于深度学习网络的左心室壁心肌自动分割模型进行基于体素二分类分割的训练、验证和测试,得到预置左心室壁心肌自动分割模型。将基于单能量CCTA或双能量CCTA扫描到的心肌图像输入预置左心室壁心肌自动分割模型,即可依据预置左心室壁心肌自动分割模型对心肌图像进行体素二分类分割,得到左心室壁心肌图像。体素二分类分割结果为1类和2类,即分别对应左心室壁心肌组织和非左心室壁心肌组织。需要指出的是,由于双能量CCTA可以通过一次扫描重建多种虚拟单能量图像及基物质图像,因而若心肌图像是双能量CCTA扫描到的心肌图像,预置左心室壁心肌自动分割模型在多种虚拟单能量图像及基物质图像进行体素二分类分割之后,需要利用高级标准化工具(AdvancedNormalization Tools,ANTs)对多种虚拟单能量图像及基物质图像的体素二分类分割结果进行配准与标准化后,再输出最终的左心室壁心肌图像。相应地,在构建预置左心室壁心肌自动分割模型,需进行相同的处理。
步骤102、基于预置心肌局灶性瘢痕定位模型对左心室壁心肌图像的低密度灶进行体素三分类分割,得到心肌局灶性瘢痕定位图像,其中,体素三分类分割结果包括心肌局灶性瘢痕、心肌射线硬化伪影和正常心肌。
需要说明的是,心肌射线硬化伪影是心脏CT检查过程中另一类最常见的伪影,也是影响CT心肌灌注评价准确性的一个重要问题。其形成的原理如下:在X射线工业CT成像的过程中,由于X射线能谱具有多色性,是由不同能量的射线组成的,因此当X射线穿过组织时,它的衰减并不是随穿过组织的厚度线性衰减的。当X射线在穿过高密度的组织时,能量较低的射线/光子就会优先被吸收,而能量较高的光子穿过组织,这种光电效应使得射线能谱变窄,射线逐渐被滤过为高能量光子的射线,这个过程就是射线硬化的过程。这种射线硬化的现象导致了人体不同组织所接收到的射线能量不同,因而导致了组织CT值的失真,产生了射线硬化伪影现象。射线硬化伪影现象主要表现为高密度物质之间的条带状或杯状低密度影。因此,在进行心肌局灶性瘢痕检测时,需要进行局灶性瘢痕和心肌射线硬化伪影的鉴别。因此,本发明实施例中,基于预置心肌局灶性瘢痕定位模型对左心室壁心肌图像的低密度灶进行体素三分类分割,三分类分别对应的是局灶性瘢痕、心肌射线硬化伪影和正常心肌。
预置心肌局灶性瘢痕定位模型的构建,可以先对照心脏磁共振钆对比剂延迟强化成像(CMR-LGE)在左心室壁心肌图像上对心肌局灶性瘢痕(MFS)进行标注,并在其它局灶性的心肌密度升高或降低区域标注为心肌射线硬化伪影,构建心肌局灶性瘢痕伪影和射线硬化伪影标注数据集。将心肌局灶性瘢痕和射线硬化伪影伪影标注数据集划分为训练数据集、验证数据集和测试数据集,再利用训练数据集、验证数据集和测试数据集分别对心肌局灶性瘢痕定位模型进行基于体素三分类分割的训练、验证和测试,得到预置心肌局灶性瘢痕定位模型。
在一个实施例中,利用预置心肌局灶性瘢痕定位模型对左心室壁心肌图像的低密度灶进行体素三分类分割,首先得到的是分割出来的心肌局灶性瘢痕图像,根据心肌局灶性瘢痕图像计算心肌局灶性瘢痕体积,得到心肌局灶性瘢痕定量信息,最后再结合心肌节段划分信息,对心肌局灶性瘢痕进行定位,得到精确定位后的心肌局灶性瘢痕定位图像。左心室的心肌节段划分方法为现有技术,在此不再赘述。
本发明提供的心肌局灶性瘢痕检测方法与心内膜下穿刺活检术相比,具有无创、操作难度小,且可反应心肌整体改变状况的优点。
本发明提供的心肌局灶性瘢痕检测方法与心脏磁共振钆对比剂延迟强化成像技术相比,具有操作难度小、检测耗时短,且费用较低的优点。
本发明提供的心肌局灶性瘢痕检测方法与基于冠脉CT造影的碘对比剂延迟强化技术相比,基于单能量CCTA或双能量CCTA扫描图像进行心肌局灶性瘢痕检测,不需要进行延迟扫描,因此不需要额外增加碘对比剂用量和辐射剂量,具有耗费碘对比剂用量和辐射剂量减半的优点。
因此,本发明提供的心肌局灶性瘢痕检测方法解决了现有技术存在的操作技术难度大、检测耗时长、费用高、碘对比剂用量大和辐射剂量高的技术问题。
为了便于理解,请参阅图3,本发明提供了一种风险预测方法的实施例,该风险预测方法包括本发明提供的心肌局灶性瘢痕检测方法,还包括:
步骤201、提取心肌局灶性瘢痕定位图像的影像学特征。
需要说明的是,在利用本发明提供的心肌局灶性瘢痕检测方法得到心肌局灶性瘢痕定位图像后,利用特征提取方法提取心肌局灶性瘢痕定位图像的影像学特征。具体地,基于心肌局灶性瘢痕定位图像提取多种影像学特征,包括人眼视觉评估影像学特征和基于计算机运算识别的影像组学特征,对多种影像学特征进行视觉评估、归一化、降维和去冗余处理,得到具有高相关、高区分度、高可靠性的心肌局灶性瘢痕定位图像的影像学特征。
步骤202、基于心肌局灶性瘢痕定位图像的影像学特征和主要不良心血管事件的关系,筛选出基于单能量CCTA图像或双能量CCTA图像的主要不良心血管事件危险因素。
需要说明的是,主要不良心血管事件(Major Adverse Cardiovascular Events,MACE)包括复发心绞痛、急性心肌梗死、严重心律失常、心力衰竭、冠心病死亡等,主要不良心血管事件危险因素包括高血压、房颤、高脂血、吸烟等。心肌局灶性瘢痕定位图像的影像学特征和主要不良心血管事件具备对应的关系,二者的对应关系可以预先经过海量数据分析建立。因此,在提取出心肌局灶性瘢痕定位图像的影像学特征之后,可依据心肌局灶性瘢痕定位图像的影像学特征和主要不良心血管事件的关系,确定心肌局灶性瘢痕定位图像对应的主要不良心血管事件,从而筛选出基于单能量CCTA图像或双能量CCTA图像的主要不良心血管事件危险因素。
步骤203、采用预置风险预测模型,根据主要不良心血管事件危险因素和多维医学数据对主要不良心血管事件进行风险分层预测,得到风险分层预测结果。
需要说明的是,多维医学数据包括临床表现、实验室检查、经胸心脏超声、心电图等多个维度的特征数据。结合主要不良心血管事件危险因素和多维医学数据,以及对应的风险分层标签,可构建基于深度学习网络的预置风险预测模型。将步骤202得到的主要不良心血管事件危险因素,以及对应的多维医学数据输入预置风险预测模型进行主要不良心血管事件的风险分层预测,可得到对应的风险分层预测结果。
本发明提供的风险预测方法,在基于发明提供的心肌局灶性瘢痕检测方法获得心肌局灶性瘢痕定位图像的基础上,进一步提取心肌局灶性瘢痕定位图像的影像学特征,基于心肌局灶性瘢痕定位图像的影像学特征和主要不良心血管事件的关系,筛选出基于单能量CCTA图像或双能量CCTA图像的主要不良心血管事件危险因素,最后采用预置风险预测模型,根据主要不良心血管事件危险因素和多维医学数据对主要不良心血管事件进行风险分层预测,得到风险分层预测结果。通过深度学习的方法将影像学特征与多维医学数据融合,实现了对主要不良心血管事件的风险分层预测,在实现了本发明提供的心肌局灶性瘢痕检测方法所解决的技术问题的技术效果的基础上,还解决了基于冠脉CT造影的碘对比剂延迟强化技术(LIE-CT)不能用于心肌局灶性瘢痕风险分层的问题。
为了便于理解,请参阅图4,本发明中提供了一种心肌局灶性瘢痕检测装置的实施例,包括:
左心室壁心肌图像获取模块,用于基于预置左心室壁心肌自动分割模型对基于单能量CCTA或双能量CCTA扫描到的心肌图像进行体素二分类分割,得到左心室壁心肌图像,其中,体素二分类分割结果包括左心室壁心肌组织和非左心室壁心肌组织;
局灶性瘢痕定位模块,用于基于预置心肌局灶性瘢痕定位模型对左心室壁心肌图像的低密度灶进行体素三分类分割,得到心肌局灶性瘢痕定位图像,其中,体素三分类分割结果包括心肌局灶性瘢痕、心肌射线硬化伪影和正常心肌。
还包括第一模型构建模块;
第一模型构建模块用于:
构建基于单能量CCTA扫描图像和双能量CCTA扫描图像的左心室壁心肌标注数据集;
利用左心室壁心肌标注数据集对左心室壁心肌自动分割模型进行基于体素二分类分割的训练、验证和测试,得到预置左心室壁心肌自动分割模型。
还包括第二模型构建模块;
第二模型构建模块用于:
基于标注有心肌局灶性瘢痕和心肌射线硬化伪影的左心室壁心肌图像,构建心肌局灶性瘢痕伪影和射线硬化伪影标注数据集;
利用心肌局灶性瘢痕伪影和射线硬化伪影标注数据集对局灶性瘢痕定位模型进行基于体素三分类分割的训练、验证和测试,得到预置心肌局灶性瘢痕定位模型。
局灶性瘢痕定位模块具体用于:
基于预置心肌局灶性瘢痕定位模型对左心室壁心肌图像的低密度灶进行体素三分类分割,得到心肌局灶性瘢痕图像;
对心肌局灶性瘢痕图像计算心肌局灶性瘢痕体积,得到心肌局灶性瘢痕定量信息;
基于心肌局灶性瘢痕定量信息和心肌节段划分信息,对心肌局灶性瘢痕进行定位,得到心肌局灶性瘢痕定位图像。
为了便于理解,请参阅图5,本发明中提供了一种风险预测设备,包括本发明中提供的心肌局灶性瘢痕检测装置,还包括:
特征提取模块,用于提取心肌局灶性瘢痕定位图像的影像学特征;
危险因素筛选模块,用于基于心肌局灶性瘢痕定位图像的影像学特征和主要不良心血管事件的关系,筛选出基于单能量CCTA图像或双能量CCTA图像的主要不良心血管事件危险因素;
风险分层预测模块,用于采用预置风险预测模型,根据主要不良心血管事件危险因素和多维医学数据对主要不良心血管事件进行风险分层预测,得到风险分层预测结果。
特征提取模块具体用于:
基于心肌局灶性瘢痕定位图像提取多种影像学特征,对多种影像学特征进行视觉评估、归一化、降维和去冗余处理,得到心肌局灶性瘢痕定位图像的影像学特征,其中,多种影像学特征包括人眼视觉评估影像学特征和基于计算机运算识别的影像组学特征。
本发明提供的心肌局灶性瘢痕检测装置和风险预测设备,用于执行本发明提供的心肌局灶性瘢痕检测方法和风险预测方法,其原理和所取得的技术效果与本发明提供的的心肌局灶性瘢痕检测方法和风险预测方法相同,在此不再赘述。
本发明的说明书及附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种心肌局灶性瘢痕检测方法,其特征在于,包括:
基于预置左心室壁心肌自动分割模型对基于单能量CCTA或双能量CCTA扫描到的心肌图像进行体素二分类分割,得到左心室壁心肌图像,其中,体素二分类分割结果包括左心室壁心肌组织和非左心室壁心肌组织;
基于预置心肌局灶性瘢痕定位模型对左心室壁心肌图像的低密度灶进行体素三分类分割,得到心肌局灶性瘢痕定位图像,其中,体素三分类分割结果包括心肌局灶性瘢痕、心肌射线硬化伪影和正常心肌。
2.根据权利要求1所述的心肌局灶性瘢痕检测方法,其特征在于,基于预置左心室壁心肌自动分割模型对基于单能量CCTA或双能量CCTA扫描到的心肌图像进行体素二分类分割,得到左心室壁心肌图像,之前还包括:
构建基于单能量CCTA扫描图像和双能量CCTA扫描图像的左心室壁心肌标注数据集;
利用左心室壁心肌标注数据集对左心室壁心肌自动分割模型进行基于体素二分类分割的训练、验证和测试,得到预置左心室壁心肌自动分割模型。
3.根据权利要求1所述的心肌局灶性瘢痕检测方法,其特征在于,基于预置心肌局灶性瘢痕定位模型对左心室壁心肌图像的低密度灶进行体素三分类分割,得到心肌局灶性瘢痕定位图像,之前还包括:
基于标注有心肌局灶性瘢痕和心肌射线硬化伪影的左心室壁心肌图像,构建心肌局灶性瘢痕伪影和射线硬化伪影标注数据集;
利用心肌局灶性瘢痕伪影和射线硬化伪影标注数据集对局灶性瘢痕定位模型进行基于体素三分类分割的训练、验证和测试,得到预置心肌局灶性瘢痕定位模型。
4.根据权利要求1所述的心肌局灶性瘢痕检测方法,其特征在于,基于预置心肌局灶性瘢痕定位模型对左心室壁心肌图像的低密度灶进行体素三分类分割,得到心肌局灶性瘢痕定位图像,包括:
基于预置心肌局灶性瘢痕定位模型对左心室壁心肌图像的低密度灶进行体素三分类分割,得到心肌局灶性瘢痕图像;
对心肌局灶性瘢痕图像计算心肌局灶性瘢痕体积,得到心肌局灶性瘢痕定量信息;
基于心肌局灶性瘢痕定量信息和心肌节段划分信息,对心肌局灶性瘢痕进行定位,得到心肌局灶性瘢痕定位图像。
5.一种风险预测方法,其特征在于,包括权利要求1-4中任一项所述的心肌局灶性瘢痕检测方法,还包括:
提取心肌局灶性瘢痕定位图像的影像学特征;
基于心肌局灶性瘢痕定位图像的影像学特征和主要不良心血管事件的关系,筛选出基于单能量CCTA图像或双能量CCTA图像的主要不良心血管事件危险因素;
采用预置风险预测模型,根据主要不良心血管事件危险因素和多维医学数据对主要不良心血管事件进行风险分层预测,得到风险分层预测结果。
6.根据权利要求5所述的风险预测方法,其特征在于,提取心肌局灶性瘢痕定位图像的影像学特征,包括:
基于心肌局灶性瘢痕定位图像提取多种影像学特征,对多种影像学特征进行视觉评估、归一化、降维和去冗余处理,得到心肌局灶性瘢痕定位图像的影像学特征,其中,多种影像学特征包括人眼视觉评估影像学特征和基于计算机运算识别的影像组学特征。
7.一种心肌局灶性瘢痕检测装置,其特征在于,包括:
左心室壁心肌图像获取模块,用于基于预置左心室壁心肌自动分割模型对基于单能量CCTA或双能量CCTA扫描到的心肌图像进行体素二分类分割,得到左心室壁心肌图像,其中,体素二分类分割结果包括左心室壁心肌组织和非左心室壁心肌组织;
局灶性瘢痕定位模块,用于基于预置心肌局灶性瘢痕定位模型对左心室壁心肌图像的低密度灶进行体素三分类分割,得到心肌局灶性瘢痕定位图像,其中,体素三分类分割结果包括心肌局灶性瘢痕、心肌射线硬化伪影和正常心肌。
8.根据权利要求7所述的心肌局灶性瘢痕检测装置,其特征在于,还包括第一模型构建模块;
第一模型构建模块用于:
构建基于单能量CCTA扫描图像和双能量CCTA扫描图像的左心室壁心肌标注数据集;
利用左心室壁心肌标注数据集对左心室壁心肌自动分割模型进行基于体素二分类分割的训练、验证和测试,得到预置左心室壁心肌自动分割模型。
9.根据权利要求7所述的心肌局灶性瘢痕检测装置,其特征在于,还包括第二模型构建模块;
第二模型构建模块用于:
基于标注有心肌局灶性瘢痕和心肌射线硬化伪影的左心室壁心肌图像,构建心肌局灶性瘢痕伪影和射线硬化伪影标注数据集;
利用心肌局灶性瘢痕伪影和射线硬化伪影标注数据集对局灶性瘢痕定位模型进行基于体素三分类分割的训练、验证和测试,得到预置心肌局灶性瘢痕定位模型。
10.一种风险预测设备,其特征在于,包括权利要求7-9中任一项所述的心肌局灶性瘢痕检测装置,还包括:
特征提取模块,用于提取心肌局灶性瘢痕定位图像的影像学特征;
危险因素筛选模块,用于基于心肌局灶性瘢痕定位图像的影像学特征和主要不良心血管事件的关系,筛选出基于单能量CCTA图像或双能量CCTA图像的主要不良心血管事件危险因素;
风险分层预测模块,用于采用预置风险预测模型,根据主要不良心血管事件危险因素和多维医学数据对主要不良心血管事件进行风险分层预测,得到风险分层预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310505772.XA CN116245878B (zh) | 2023-05-08 | 2023-05-08 | 一种心肌局灶性瘢痕检测方法、风险预测方法和相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310505772.XA CN116245878B (zh) | 2023-05-08 | 2023-05-08 | 一种心肌局灶性瘢痕检测方法、风险预测方法和相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116245878A true CN116245878A (zh) | 2023-06-09 |
CN116245878B CN116245878B (zh) | 2023-08-18 |
Family
ID=86629785
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310505772.XA Active CN116245878B (zh) | 2023-05-08 | 2023-05-08 | 一种心肌局灶性瘢痕检测方法、风险预测方法和相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116245878B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102551780A (zh) * | 2010-11-12 | 2012-07-11 | 西门子公司 | 用于确定和显示心肌的供血的装置和计算机断层造影仪 |
CN111281387A (zh) * | 2020-03-09 | 2020-06-16 | 中山大学 | 基于人工神经网络的左心房与心房瘢痕的分割方法及装置 |
CN114419032A (zh) * | 2022-03-14 | 2022-04-29 | 深圳科亚医疗科技有限公司 | 心脏左心室的心肌内膜和/或心肌外膜的分割方法和装置 |
CN115294030A (zh) * | 2022-07-15 | 2022-11-04 | 陕西省核工业二一五医院 | 一种获取冠状动脉功能学指标的方法与装置 |
CN115471654A (zh) * | 2022-09-15 | 2022-12-13 | 上海域唯医疗科技有限公司 | 一种spect图像左心室自动分割方法及系统 |
CN115965621A (zh) * | 2023-02-15 | 2023-04-14 | 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
- 2023-05-08 CN CN202310505772.XA patent/CN116245878B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102551780A (zh) * | 2010-11-12 | 2012-07-11 | 西门子公司 | 用于确定和显示心肌的供血的装置和计算机断层造影仪 |
CN111281387A (zh) * | 2020-03-09 | 2020-06-16 | 中山大学 | 基于人工神经网络的左心房与心房瘢痕的分割方法及装置 |
CN114419032A (zh) * | 2022-03-14 | 2022-04-29 | 深圳科亚医疗科技有限公司 | 心脏左心室的心肌内膜和/或心肌外膜的分割方法和装置 |
CN115294030A (zh) * | 2022-07-15 | 2022-11-04 | 陕西省核工业二一五医院 | 一种获取冠状动脉功能学指标的方法与装置 |
CN115471654A (zh) * | 2022-09-15 | 2022-12-13 | 上海域唯医疗科技有限公司 | 一种spect图像左心室自动分割方法及系统 |
CN115965621A (zh) * | 2023-02-15 | 2023-04-14 | 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 |
Non-Patent Citations (1)
Title |
---|
MINGQUAN LIN ET AL.: "Cascaded Triplanar Autoencoder M-Net for Fully Automatic Segmentation of Left Ventricle Myocardial Scar From Three-Dimensional Late Gadolinium-Enhanced MR Images", 《IEEE JOURNAL OF BIOMEDICAL AND HEALTH INFORMATICS》, vol. 26, no. 6, pages 2582 - 2593 * |
Also Published As
Publication number | Publication date |
---|---|
CN116245878B (zh) | 2023-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2022525198A (ja) | 陽電子放射断層撮影を用いた腫瘍セグメンテーションのための深層畳み込みニューラルネットワーク | |
US7840046B2 (en) | System and method for detection of breast masses and calcifications using the tomosynthesis projection and reconstructed images | |
CN102985009B (zh) | 医学断层合成系统 | |
CN101626726B (zh) | 医学成像中病灶的识别与分析 | |
US8873819B2 (en) | Method for sorting CT image slices and method for constructing 3D CT image | |
EP2245592B1 (en) | Image registration alignment metric | |
JP2004174232A (ja) | 画像セットのコンピュータ支援診断 | |
US20220313176A1 (en) | Artificial Intelligence Training with Multiple Pulsed X-ray Source-in-motion Tomosynthesis Imaging System | |
CN111080584A (zh) | 医学图像的质控方法、计算机设备和可读存储介质 | |
CN107545551B (zh) | 数字乳腺体层合成图像的重建方法和系统 | |
WO2022247234A1 (zh) | 一种锥束x射线荧光成像方法、系统、终端以及存储介质 | |
CN111128348A (zh) | 医学图像处理方法、装置、存储介质及计算机设备 | |
US20240242338A1 (en) | Functional imaging features from computed tomography images | |
Shi et al. | Metabolic anomaly appearance aware U-Net for automatic lymphoma segmentation in whole-body PET/CT scans | |
CN116245878B (zh) | 一种心肌局灶性瘢痕检测方法、风险预测方法和相关装置 | |
Nguyen et al. | Anomalies Detection in Chest X-Rays Images Using Faster R-CNN and YOLO. | |
US20090010486A1 (en) | Modifying Software To Cope With Changing Machinery | |
US8854355B2 (en) | System and method of visualizing features in an image | |
CN111012370A (zh) | 基于ai的x射线成像分析方法、装置及可读存储介质 | |
Raghul et al. | Deep Learning Technique for COVID 19 Prediction using CT Scan Images | |
Gori et al. | Lung nodule detection in screening computed tomography | |
Ren et al. | Feature Patch Based Attention Model for Dental Caries Classification | |
CN109447974A (zh) | 体数据处理方法、装置、图像处理工作站和可读存储介质 | |
US20230329657A1 (en) | Method for aiding an operator to determine a position of a region of interest in a breast and mammography apparatus implementing it | |
Zubair et al. | Detection of Lung Nodules in Chest Radiographs Using Wiener Filter and D-CNN Model |
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 |