CN117036302B - 主动脉瓣膜钙化程度的确定方法和系统 - Google Patents
主动脉瓣膜钙化程度的确定方法和系统 Download PDFInfo
- Publication number
- CN117036302B CN117036302B CN202311029581.7A CN202311029581A CN117036302B CN 117036302 B CN117036302 B CN 117036302B CN 202311029581 A CN202311029581 A CN 202311029581A CN 117036302 B CN117036302 B CN 117036302B
- Authority
- CN
- China
- Prior art keywords
- aortic valve
- nodes
- node
- calcification
- determining
- 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
- 210000001765 aortic valve Anatomy 0.000 title claims abstract description 129
- 230000002308 calcification Effects 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000003062 neural network model Methods 0.000 claims description 33
- 238000002604 ultrasonography Methods 0.000 claims description 30
- 206010050559 Aortic valve calcification Diseases 0.000 claims description 26
- 238000001514 detection method Methods 0.000 claims description 16
- 238000010276 construction Methods 0.000 claims description 5
- 238000007689 inspection Methods 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000000547 structure data Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 210000000709 aorta Anatomy 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 210000005240 left ventricle Anatomy 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 231100000915 pathological change Toxicity 0.000 description 2
- 230000036285 pathological change Effects 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 210000003238 esophagus Anatomy 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 206010016256 fatigue Diseases 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 210000003709 heart valve Anatomy 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000002966 stenotic effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
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
- 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
- G06N3/042—Knowledge-based neural networks; Logical representations of neural 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06T7/60—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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/10132—Ultrasound 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明提供的一种主动脉瓣膜钙化程度的确定方法和系统，该方法包括基于所述主动脉瓣膜的超声检查视频使用回声强度确定模型确定所述主动脉瓣膜的回声强度分布信息；基于所述主动脉瓣膜的CT图像确定CT图像中钙化斑块信息；构建两个节点和两个节点之间的一条边，所述两个节点分别为超声检查节点和CT检查节点，所述超声检查节点的节点特征为所述主动脉瓣膜的超声检查视频、所述主动脉瓣膜的回声强度分布信息，所述CT检查节点的节点特征为所述主动脉瓣膜的CT图像、所述CT图像中钙化斑块信息；对所述两个节点和两个节点之间的一条边进行处理得到主动脉瓣膜钙化程度，该方法能够快速准确的确定主动脉瓣膜钙化程度。
Description
技术领域
本发明涉及主动脉瓣膜技术领域，具体涉及一种主动脉瓣膜钙化程度的确定方法和系统。
背景技术
主动脉瓣膜钙化是一种常见的心血管疾病，主动脉瓣膜钙化会导致主动脉瓣膜变得僵硬和狭窄，从而影响血液的正常流动。因此，准确评估主动脉瓣膜钙化程度对于主动脉瓣膜的诊断和治疗决策至关重要。
目前，医生通常使用超声检查或CT扫描来人为评估主动脉瓣膜的健康状态。然而人为评估需要医生对主动脉瓣膜的解剖结构、病理变化以及不同的影像特征有深入的了解。然而，医生的专业知识水平可能因培训、经验和个体差异等因素而不同，从而影响评估的准确性。而且人为评估需要医生对大量的影像数据进行分析和比对，这需要耗费大量的时间和精力。同时，长时间的视觉分析也增加了疲劳和注意力不集中导致错误判断的风险
因此如何快速准确的确定主动脉瓣膜钙化程度是当前亟待解决的问题、
发明内容
本发明主要解决的技术问题是如何快速准确的确定主动脉瓣膜钙化程度。
根据第一方面，本发明提供一种主动脉瓣膜钙化程度的确定方法，包括：获取主动脉瓣膜的超声检查视频；基于所述主动脉瓣膜的超声检查视频使用回声强度确定模型确定所述主动脉瓣膜的回声强度分布信息；获取主动脉瓣膜的CT图像；基于所述主动脉瓣膜的CT图像使用CT图像处理模型确定CT图像中钙化斑块信息；构建两个节点和两个节点之间的一条边，所述两个节点分别为超声检查节点和CT检查节点，其中每个节点包括多个节点特征，所述超声检查节点的节点特征为所述主动脉瓣膜的超声检查视频、所述主动脉瓣膜的回声强度分布信息，所述CT检查节点的节点特征为所述主动脉瓣膜的CT图像、所述CT图像中钙化斑块信息；基于图神经网络模型对所述两个节点和两个节点之间的一条边进行处理得到主动脉瓣膜钙化程度。
更进一步地，所述钙化斑块信息包括每个钙化斑块面积和每个钙化斑块密度。
更进一步地，所述主动脉瓣膜钙化程度为0-1之间的数值，数值越大，则主动脉瓣膜钙化程度越严重。
更进一步地，所述回声强度确定模型为长短期神经网络模型，所述回声强度确定模型的输入为所述主动脉瓣膜的超声检查视频，所述回声强度确定模型的输出为所述主动脉瓣膜的回声强度分布信息。
更进一步地，所述图神经网络模型的输入为所述两个节点和两个节点之间的一条边，所述图神经网络模型的输出为主动脉瓣膜钙化程度。
根据第二方面，本发明提供一种主动脉瓣膜钙化程度的确定系统，包括：第一获取模块，用于获取主动脉瓣膜的超声检查视频；
回声强度确定模块，用于基于所述主动脉瓣膜的超声检查视频使用回声强度确定模型确定所述主动脉瓣膜的回声强度分布信息；
第二获取模块，用于获取主动脉瓣膜的CT图像；
CT图像处理模块，用于基于所述主动脉瓣膜的CT图像使用CT图像处理模型确定CT图像中钙化斑块信息；
构建模块，用于构建两个节点和两个节点之间的一条边，所述两个节点分别为超声检查节点和CT检查节点，其中每个节点包括多个节点特征，所述超声检查节点的节点特征为所述主动脉瓣膜的超声检查视频、所述主动脉瓣膜的回声强度分布信息，所述CT检查节点的节点特征为所述主动脉瓣膜的CT图像、所述CT图像中钙化斑块信息；
钙化程度确定模块，用于基于图神经网络模型对所述两个节点和两个节点之间的一条边进行处理得到主动脉瓣膜钙化程度。
更进一步地，所述钙化斑块信息包括每个钙化斑块面积和每个钙化斑块密度。
更进一步地，所述主动脉瓣膜钙化程度为0-1之间的数值，数值越大，则主动脉瓣膜钙化程度越严重。
更进一步地，所述回声强度确定模型为长短期神经网络模型，所述回声强度确定模型的输入为所述主动脉瓣膜的超声检查视频，所述回声强度确定模型的输出为所述主动脉瓣膜的回声强度分布信息。
更进一步地，所述图神经网络模型的输入为所述两个节点和两个节点之间的一条边，所述图神经网络模型的输出为主动脉瓣膜钙化程度。
本发明提供的一种主动脉瓣膜钙化程度的确定方法和系统，该方法包括获取主动脉瓣膜的超声检查视频；基于所述主动脉瓣膜的超声检查视频使用回声强度确定模型确定所述主动脉瓣膜的回声强度分布信息；获取主动脉瓣膜的CT图像；基于所述主动脉瓣膜的CT图像使用CT图像处理模型确定CT图像中钙化斑块信息；构建两个节点和两个节点之间的一条边，所述两个节点分别为超声检查节点和CT检查节点，其中每个节点包括多个节点特征，所述超声检查节点的节点特征为所述主动脉瓣膜的超声检查视频、所述主动脉瓣膜的回声强度分布信息，所述CT检查节点的节点特征为所述主动脉瓣膜的CT图像、所述CT图像中钙化斑块信息；基于图神经网络模型对所述两个节点和两个节点之间的一条边进行处理得到主动脉瓣膜钙化程度，该方法能够快速准确的确定主动脉瓣膜钙化程度。
附图说明
图1为本发明实施例提供的一种主动脉瓣膜钙化程度的确定方法的流程示意图；
图2为本发明实施例提供的一种主动脉瓣膜钙化程度的确定系统的示意图。
具体实施方式
本发明实施例中，提供了如图1所示的一种主动脉瓣膜钙化程度的确定方法，所述主动脉瓣膜钙化程度的确定方法包括步骤S1～S6：
步骤S1，获取主动脉瓣膜的超声检查视频。
主动脉瓣膜位于主动脉与左心室之间的一种心脏瓣膜，用于控制血液从左心室流入主动脉。
超声检查视频是使用超声波技术对患者的主动脉瓣膜进行检查并生成的视频。
医生可以使用超声仪器在患者胸部或食道位置放置超声探头，通过传输超声波并接收其回波，生成一段超声检查视频。超声检查视频显示了主动脉瓣膜的结构和运动情况以及主动脉瓣膜的钙化信息。
超声波在体内传播时遇到不同类型的组织会发生不同程度的反射。在超声检查视频中，钙化斑块通常会造成超声波的强烈反射，产生明亮的回声信号。这是因为钙化物质相对于周围组织具有较高的密度和刚性，导致超声波无法轻易穿透并被完全反射。
步骤S2，基于所述主动脉瓣膜的超声检查视频使用回声强度确定模型确定所述主动脉瓣膜的回声强度分布信息。
回声强度分布信息表示主动脉瓣膜内回声强度的空间分布特征，回声强度分布信息包括了主动脉瓣膜不同位置像素的亮度变化情况。
回声强度确定模型为长短期神经网络模型。长短期神经网络模型包括长短期神经网络(LSTM，LongShort-TermMemory)。长短期神经网络模型能够处理任意长度的序列数据，捕捉序列的信息，输出基于序列中前后数据关联关系的结果。回声强度确定模型综合考虑了各个时间点的所述主动脉瓣膜的超声检查视频，最终确定所述主动脉瓣膜的回声强度分布信息。回声强度确定模型可以通过梯度下降法对训练样本进行训练得到。
所述回声强度确定模型为长短期神经网络模型，所述回声强度确定模型的输入为所述主动脉瓣膜的超声检查视频，所述回声强度确定模型的输出为所述主动脉瓣膜的回声强度分布信息。
步骤S3，获取主动脉瓣膜的CT图像。
主动脉瓣膜的CT图像可以提供更加详细的结构信息，有助于评估主动脉瓣膜的形态、位置和周围结构，以及检测是否存在钙化斑块等异常情况。相比于超声检查，主动脉瓣膜的CT图像具有更高的空间分辨率和对组织密度的敏感性，因此可以提供更准确的信息。
步骤S4，基于所述主动脉瓣膜的CT图像使用CT图像处理模型确定CT图像中钙化斑块信息。
所述CT图像处理模型为卷积神经网络模型。卷积神经网络(ConvolutionalNeuralNetwork，CNN)是一种用于图像处理和识别任务的深度学习模型。它模仿了人类视觉系统的工作原理，卷积神经网络模型包括多个卷积层、池化层和全连接层来自动提取图像中的特征并进行分类。
所述CT图像处理模型的输入为所述主动脉瓣膜的CT图像，所述CT图像处理模型的输出为CT图像中钙化斑块信息。
在一些实施例中，所述钙化斑块信息包括每个钙化斑块面积和每个钙化斑块密度。
在一些实施例中，所述CT图像处理模型包括钙化斑块分割子模型、钙化斑块面积确定子模型、钙化斑块密度确定子模型，钙化斑块分割子模型、钙化斑块面积确定子模型、钙化斑块密度确定子模型都为卷积神经网络模型。所述钙化斑块分割层的输入为所述主动脉瓣膜的CT图像，所述钙化斑块分割层的输出为分割后的多个钙化斑块的CT图像。所述钙化斑块面积确定子模型的输入为分割后的多个钙化斑块的CT图像，所述钙化斑块面积确定子模型的输出为每个钙化斑块面积，所述钙化斑块密度确定子模型的输入为分割后的多个钙化斑块的CT图像，所述钙化斑块密度确定子模型的输出为每个钙化斑块密度。
通过将CT图像处理模型分为钙化斑块分割子模型、钙化斑块面积确定子模型和钙化斑块密度确定子模型，可以实现更加高效、准确和可解释的主动脉瓣膜钙化斑块检测和定量分析。这样的设计使得整个模型结构清晰，每个子模型的功能明确，有助于提升模型性能和应用的可靠性。
步骤S5，构建两个节点和两个节点之间的一条边，所述两个节点分别为超声检查节点和CT检查节点，其中每个节点包括多个节点特征，所述超声检查节点的节点特征为所述主动脉瓣膜的超声检查视频、所述主动脉瓣膜的回声强度分布信息，所述CT检查节点的节点特征为所述主动脉瓣膜的CT图像、所述CT图像中钙化斑块信息。
超声检查和CT检查是医学中常用的两种非侵入性检查方法，它们在获取主动脉瓣膜相关信息方面具有各自的优势和特点。通过将这两个节点连接起来，可以实现多模态信息的融合和综合分析。具体而言，超声检查可以提供主动脉瓣膜的回声分布信息，有助于评估瓣膜的运动状态和形态特征。而CT检查则可以提供更详细的解剖结构信息和钙化斑块等病理性改变的检测信息。通过连接超声检查节点和CT检查节点，可以将这两种不同类型的检查信息进行综合后作为图神经网络模型的输入以确定主动脉瓣膜钙化程度。所述超声检查节点的节点特征为所述主动脉瓣膜的超声检查视频、所述主动脉瓣膜的回声强度分布信息，所述CT检查节点的节点特征为所述主动脉瓣膜的CT图像、所述CT图像中钙化斑块信息。
在一些实施例中，超声检查节点和CT检查节点之间的一条边表示超声检查和CT检查的一致程度。超声检查和CT检查的一致程度表示超声检查结果和CT检查结果之间的一致性或相关程度。
在一些实施例中，超声检查和CT检查的一致程度可以为0-1之间的数值，数值越大，则表示超声检查结果和CT检查结果越一致，在一些实施例中，可以通过一致性确定模型确定超声检查结果和CT检查结果的一致性。一致性确定模型的输入为所述主动脉瓣膜的回声强度分布信息、CT图像中钙化斑块信息，一致性确定模型的输出为超声检查和CT检查的一致程度。一致性确定模型为深度神经网络模型。深度神经网络模型是一种机器学习模型，它由多个层次组成，每一层都包含多个神经元。这些神经元通过权重和偏置来进行计算，从而对输入数据进行非线性的转换和特征提取。模型通过反复迭代的训练过程来学习数据的模式和规律。
所述图神经网络模型的输入为所述两个节点和两个节点之间的一条边，所述图神经网络模型的输出为主动脉瓣膜钙化程度。
步骤S6，基于图神经网络模型对所述两个节点和两个节点之间的一条边进行处理得到主动脉瓣膜钙化程度。
图神经网络模型包括图神经网络(GraphNeuralNetwork，GNN)和全连接层，图神经网络是一种直接作用于图结构数据上的神经网络，所述图结构数据是由节点和边两部分组成的一种数据结构。
所述图神经网络模型的输入为所述两个节点和两个节点之间的一条边，所述图神经网络模型的输出为主动脉瓣膜钙化程度。图神经网络模型可以通过历史数据中的标注好的图形结构数据进行训练得到。
主动脉瓣膜的超声检查数据和CT图像数据之间存在一定的关联性和依赖关系。通过构建超声检查节点和CT检查节点之间的边，图神经网络模型可以利用图结构信息来捕捉节点之间的关系，从而更好地预测主动脉瓣膜的钙化程度。
所述主动脉瓣膜钙化程度为0-1之间的数值，数值越大，则主动脉瓣膜钙化程度越严重。作为示例，当主动脉瓣膜钙化程度的数值为0时，表示该瓣膜上没有观察到任何钙化现象。这是主动脉瓣膜正常的状态，没有钙化的存在。
在一些实施例中，若所述主动脉瓣膜钙化程度大于钙化程度阈值，则提醒医护人员进行人工诊断复核。钙化程度阈值可以提前人为设定。
基于同一发明构思，图2为本发明的实施例提供的一种主动脉瓣膜钙化程度的确定系统示意图，所述主动脉瓣膜钙化程度的确定系统包括：
第一获取模块21，用于获取主动脉瓣膜的超声检查视频；
回声强度确定模块22，用于基于所述主动脉瓣膜的超声检查视频使用回声强度确定模型确定所述主动脉瓣膜的回声强度分布信息；
第二获取模块23，用于获取主动脉瓣膜的CT图像；
CT图像处理模块24，用于基于所述主动脉瓣膜的CT图像使用CT图像处理模型确定CT图像中钙化斑块信息；
构建模块25，用于构建两个节点和两个节点之间的一条边，所述两个节点分别为超声检查节点和CT检查节点，其中每个节点包括多个节点特征，所述超声检查节点的节点特征为所述主动脉瓣膜的超声检查视频、所述主动脉瓣膜的回声强度分布信息，所述CT检查节点的节点特征为所述主动脉瓣膜的CT图像、所述CT图像中钙化斑块信息；
钙化程度确定模块26，用于基于图神经网络模型对所述两个节点和两个节点之间的一条边进行处理得到主动脉瓣膜钙化程度。
Claims (10)
1.一种主动脉瓣膜钙化程度的确定方法，其特征在于，包括：
获取主动脉瓣膜的超声检查视频；
基于所述主动脉瓣膜的超声检查视频使用回声强度确定模型确定所述主动脉瓣膜的回声强度分布信息；
获取主动脉瓣膜的CT图像；
基于所述主动脉瓣膜的CT图像使用CT图像处理模型确定CT图像中钙化斑块信息；
构建两个节点和两个节点之间的一条边，所述两个节点分别为超声检查节点和CT检查节点，其中每个节点包括多个节点特征，所述超声检查节点的节点特征为所述主动脉瓣膜的超声检查视频、所述主动脉瓣膜的回声强度分布信息，所述CT检查节点的节点特征为所述主动脉瓣膜的CT图像、所述CT图像中钙化斑块信息；
基于图神经网络模型对所述两个节点和两个节点之间的一条边进行处理得到主动脉瓣膜钙化程度。
2.如权利要求1所述的主动脉瓣膜钙化程度的确定方法，其特征在于，所述钙化斑块信息包括每个钙化斑块面积和每个钙化斑块密度。
3.如权利要求1所述的主动脉瓣膜钙化程度的确定方法，其特征在于，所述主动脉瓣膜钙化程度为0-1之间的数值，数值越大，则主动脉瓣膜钙化程度越严重。
4.如权利要求1所述的主动脉瓣膜钙化程度的确定方法，其特征在于，所述回声强度确定模型为长短期神经网络模型，所述回声强度确定模型的输入为所述主动脉瓣膜的超声检查视频，所述回声强度确定模型的输出为所述主动脉瓣膜的回声强度分布信息。
5.如权利要求3所述的主动脉瓣膜钙化程度的确定方法，其特征在于，所述图神经网络模型的输入为所述两个节点和两个节点之间的一条边，所述图神经网络模型的输出为主动脉瓣膜钙化程度。
6.一种主动脉瓣膜钙化程度的确定系统，其特征在于，包括：
第一获取模块，用于获取主动脉瓣膜的超声检查视频；
回声强度确定模块，用于基于所述主动脉瓣膜的超声检查视频使用回声强度确定模型确定所述主动脉瓣膜的回声强度分布信息；
第二获取模块，用于获取主动脉瓣膜的CT图像；
CT图像处理模块，用于基于所述主动脉瓣膜的CT图像使用CT图像处理模型确定CT图像中钙化斑块信息；
构建模块，用于构建两个节点和两个节点之间的一条边，所述两个节点分别为超声检查节点和CT检查节点，其中每个节点包括多个节点特征，所述超声检查节点的节点特征为所述主动脉瓣膜的超声检查视频、所述主动脉瓣膜的回声强度分布信息，所述CT检查节点的节点特征为所述主动脉瓣膜的CT图像、所述CT图像中钙化斑块信息；
钙化程度确定模块，用于基于图神经网络模型对所述两个节点和两个节点之间的一条边进行处理得到主动脉瓣膜钙化程度。
7.如权利要求6所述的主动脉瓣膜钙化程度的确定系统，其特征在于，所述钙化斑块信息包括每个钙化斑块面积和每个钙化斑块密度。
8.如权利要求6所述的主动脉瓣膜钙化程度的确定系统，其特征在于，所述主动脉瓣膜钙化程度为0-1之间的数值，数值越大，则主动脉瓣膜钙化程度越严重。
9.如权利要求6所述的主动脉瓣膜钙化程度的确定系统，其特征在于，所述回声强度确定模型为长短期神经网络模型，所述回声强度确定模型的输入为所述主动脉瓣膜的超声检查视频，所述回声强度确定模型的输出为所述主动脉瓣膜的回声强度分布信息。
10.如权利要求8所述的主动脉瓣膜钙化程度的确定系统，其特征在于，所述图神经网络模型的输入为所述两个节点和两个节点之间的一条边，所述图神经网络模型的输出为主动脉瓣膜钙化程度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311029581.7A CN117036302B (zh) | 2023-08-15 | 2023-08-15 | 主动脉瓣膜钙化程度的确定方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311029581.7A CN117036302B (zh) | 2023-08-15 | 2023-08-15 | 主动脉瓣膜钙化程度的确定方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117036302A CN117036302A (zh) | 2023-11-10 |
| CN117036302B true CN117036302B (zh) | 2024-04-02 |
Family
ID=88638769
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311029581.7A Active CN117036302B (zh) | 2023-08-15 | 2023-08-15 | 主动脉瓣膜钙化程度的确定方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117036302B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101799864A (zh) * | 2010-01-15 | 2010-08-11 | 北京工业大学 | 基于血管内超声波图像的动脉斑块类型自动识别方法 |
| CN103917166A (zh) * | 2011-08-17 | 2014-07-09 | Vp诊断公司 | 一种表征颈动脉斑块的方法和系统 |
| CN114038550A (zh) * | 2021-09-26 | 2022-02-11 | 武汉联影医疗科技有限公司 | 扫描方案确定方法、装置、计算机设备和存储介质 |
| CN114155193A (zh) * | 2021-10-27 | 2022-03-08 | 北京医准智能科技有限公司 | 一种基于特征强化的血管分割方法及装置 |
| CN114972376A (zh) * | 2022-05-16 | 2022-08-30 | 北京医准智能科技有限公司 | 冠脉钙化斑块的分割方法、分割模型训练方法、相关装置 |
| CN115222713A (zh) * | 2022-07-28 | 2022-10-21 | 深圳睿心智能医疗科技有限公司 | 一种冠状动脉钙化积分的计算方法、装置及存储介质 |
| CN115511811A (zh) * | 2022-09-19 | 2022-12-23 | 深圳睿心智能医疗科技有限公司 | 冠脉钙化积分的计算方法、装置、电子设备及存储介质 |
| CN115670508A (zh) * | 2022-11-11 | 2023-02-03 | 上海长征医院 | 一种基于大数据的超声三维模型的数据处理系统及方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9730609B2 (en) * | 2011-12-15 | 2017-08-15 | Siemens Healthcare Gmbh | Method and system for aortic valve calcification evaluation |
-
2023
- 2023-08-15 CN CN202311029581.7A patent/CN117036302B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101799864A (zh) * | 2010-01-15 | 2010-08-11 | 北京工业大学 | 基于血管内超声波图像的动脉斑块类型自动识别方法 |
| CN103917166A (zh) * | 2011-08-17 | 2014-07-09 | Vp诊断公司 | 一种表征颈动脉斑块的方法和系统 |
| CN114038550A (zh) * | 2021-09-26 | 2022-02-11 | 武汉联影医疗科技有限公司 | 扫描方案确定方法、装置、计算机设备和存储介质 |
| CN114155193A (zh) * | 2021-10-27 | 2022-03-08 | 北京医准智能科技有限公司 | 一种基于特征强化的血管分割方法及装置 |
| CN114972376A (zh) * | 2022-05-16 | 2022-08-30 | 北京医准智能科技有限公司 | 冠脉钙化斑块的分割方法、分割模型训练方法、相关装置 |
| CN115222713A (zh) * | 2022-07-28 | 2022-10-21 | 深圳睿心智能医疗科技有限公司 | 一种冠状动脉钙化积分的计算方法、装置及存储介质 |
| CN115511811A (zh) * | 2022-09-19 | 2022-12-23 | 深圳睿心智能医疗科技有限公司 | 冠脉钙化积分的计算方法、装置、电子设备及存储介质 |
| CN115670508A (zh) * | 2022-11-11 | 2023-02-03 | 上海长征医院 | 一种基于大数据的超声三维模型的数据处理系统及方法 |
Non-Patent Citations (6)
| Title |
|---|
| Deep Learning-Assisted Repurposing of Plant Compounds for Treating Vascular Calcification: An In Silico Study with Experimental Validation;Chia-Ter Chao等;《Oxidative Medicine and Cellular Longevity》;20220105;第1-15页 * |
| PCSK9对钙化性主动脉瓣疾病病变的影响及机制研究;王文广;《中国博士学位论文全文数据库 医药卫生科技辑》;20180115(第（2018）01期);E062-35 * |
| Real-time imaging required for optimal echocardiographic assessment of aortic valve calcification;Mohamed Yousry等;《Clin Physiol Funct Imaging》;20121231;第32卷(第6期);第470-475页 * |
| 人体颈动脉管壁三层膜超声回波信号分析及脉动检测;胡晓;《中国博士学位论文全文数据库 医药卫生科技辑》;20200115(第（2020）01期);E060-17 * |
| 冠状动脉CT血管成像及血管内超声诊断冠脉钙化病变的比较;钟志安等;《心血管康复医学杂志》;20150630;第24卷(第3期);第313-316页 * |
| 图神经网络分类模型的构造和应用;玉宇航;《万方数据》;20230710;第1-56页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117036302A (zh) | 2023-11-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11576621B2 (en) | Plaque vulnerability assessment in medical imaging | |
| US10762637B2 (en) | Vascular segmentation using fully convolutional and recurrent neural networks | |
| KR102698916B1 (ko) | 초음파 분석을 위한 시스템, 방법 및 컴퓨터-접근가능 매체 | |
| JP5944917B2 (ja) | 身体内腔分岐を検出及び表示するためのコンピュータ可読媒体及び同コンピュータ可読媒体を含むシステム | |
| CN112469340A (zh) | 具有用于引导式肝成像的人工神经网络的超声系统 | |
| DE102012108121A1 (de) | Verfahren und System für ultraschallgestützte automatische Erkennung, Quantifizierung und Nachverfolgung von Pathologien | |
| JP2000126182A (ja) | 腫瘍診断方法 | |
| CN110946619B (zh) | 血管内超声自动影像组学分析系统及分析方法 | |
| US8805043B1 (en) | System and method for creating and using intelligent databases for assisting in intima-media thickness (IMT) | |
| JP2013542046A (ja) | 超音波画像処理のシステムおよび方法 | |
| CN112819818B (zh) | 图像识别模块训练方法和装置 | |
| CN111297399B (zh) | 一种基于超声视频的胎心定位和胎心率提取方法 | |
| Singh et al. | Good view frames from ultrasonography (USG) video containing ONS diameter using state-of-the-art deep learning architectures | |
| WO2022096867A1 (en) | Image processing of intravascular ultrasound images | |
| CN117036302B (zh) | 主动脉瓣膜钙化程度的确定方法和系统 | |
| EP4265191A1 (en) | Ultrasound imaging | |
| Jabbar et al. | Liver fibrosis detection and classification for shear wave elastography (SWE) images based on convolutional neural network (CNN) | |
| JP2024526761A (ja) | Ｏｃｔ画質保証のための深層学習に基づくアプローチ | |
| JP2632501B2 (ja) | 内臓器官の複数画像フレームを使用した生体内における内臓器官輪郭抽出方法 | |
| CN111862014A (zh) | 一种基于左右侧脑室分割的alvi自动测量方法及装置 | |
| Mi et al. | Detecting carotid intima-media from small-sample ultrasound images | |
| Selvathi et al. | Automated characterization of Atheromatous plaque in intravascular ultrasound images using Neuro fuzzy classifier | |
| Lu | Hough transforms for shape identification and applications in medical image processing | |
| Kaur | An Electronic Analytical System For Classification of Kidney Abnormalities Aimed At Identifying Abnormalities In Ultrasound Pictures of The Kidney | |
| Begimov | EXTRACTING TAGGING FROM EXOCARDIOGRAPHIC IMAGES VIA MACHINE LEARNING ALGORITHMICS |
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 |