DE102011013505A1

DE102011013505A1 - Verfahren und System zur automatischen Erkennung und Klassifizierung von Koronarstenosen in Herz-CT-Volumina

Info

Publication number: DE102011013505A1
Application number: DE102011013505A
Authority: DE
Inventors: Sushil Mittal; Bogdan Georgescu; Yefeng Zheng; Fernando Vega-Higuera; Shaohua Kevin Zhou; Dorin Comaniciu; Michael Kelm; Alexey Tsymbal; Dominik BERNHARDT
Original assignee: Siemens AG; Siemens Corp
Current assignee: SIEMENS HEALTHINEERS AG, DE
Priority date: 2010-03-12
Filing date: 2011-03-10
Publication date: 2012-02-16
Anticipated expiration: 2031-03-11
Also published as: US8526699B2; CN102258381A; DE102011013505B4; US20110224542A1; CN102258381B

Abstract

Ein Verfahren und ein System zum Schaffen des Erkennens und Klassifizierens von Koronarstenosen in 3D-CT-Bilddaten werden offenbart. Mittellinien von Koronargefäßen werden aus den CT-Bilddaten extrahiert. Nicht zu Gefäßen gehörende Bereiche werden erkannt und von den Koronargefäß-Mittellinien entfernt. Die Querschnittsfläche des Lumens wird auf Grundlage der Koronargefäß-Mittellinien unter Verwendung einer trainierten Regressionsfunktion geschätzt. Stenose-Kandidaten werden in den Koronargefäßen auf Grundlage der geschätzten Lumen-Querschnittsfläche erkannt, und die signifikanten Stenose-Kandidaten werden automatisch als verkalkt, nicht verkalkt oder gemischt klassifiziert.

Description

Hintergrund der Erfindung
Die vorliegende Erfindung bezieht sich auf die Erkennung von Koronarstenosen auf Grundlage medizinischer Bilder und insbesondere auf die automatische Erkennung und Klassifizierung von Koronarstenosen in Herz-Computertomographie-Volumina (CT-Volumina).
Gemäß der American Heart Association ist die koronare Herzkrankheit (KHK) eine der Haupt-Todesursachen in der westlichen Welt. Jedes Jahr werden ungefähr sechs Millionen Patienten in den Notfallstationen der Vereinigten Staaten wegen akuter Brustschmerzen untersucht. Der aktuelle Standard für die Diagnose ist die herkömmliche invasive koronare Angiographie, die teuer ist und ein hohes Risiko einschließt. Neue Generationen von Hochleistungs-Computertomographen, und insbesondere das Aufkommen von Computertomographen mit zwei Quellen, haben die Aufnahme von hochwertigen koronaren CT-Angiographiebildern (CCTA) ermöglicht. Eine Vielzahl von klinischen Studien erwiesen die Nützlichkeit der CCTA für die Erkennung koronarer Läsionen, und insbesondere für die Untersuchung von Notaufnahmepatienten mit akuten Brustschmerzen unter Verwendung der Technik des „dreifachen Ausschlusses”. Wegen ihrer hohen Qualität können CCTA-Bilder in der nahen Zukunft eine praktikable Alternative zur invasiven Angiographie sein. Insbesondere erlaubt der hohe negative prädikative Wert von CCTA-Bildern einem Arzt, Aortendissektion, Lungenembolie und signifikante Stenosen der Koronargefäße durch eine einzige CT-Untersuchung auszuschließen. Jedoch erfordert das Lesen von CCTA-Bildern erhebliche Erfahrung, und nur gut ausgebildete Ärzte sind typischerweise in der Lage, CCTA-Bilder angemessen zu interpretieren.
Die Erkennung, Klassifizierung und Einschätzung von Koronarstenosen in CCTA-Bildern sind aufgrund schwankender Bildqualität wegen niedriger Signal-Rausch-Abstände und Bewegungs-/Rekonstruktions-Artefakten anspruchsvoll. Selbst Fachleute können Mühe haben, eine korrekte Diagnose unter Verwendung von CCTA-Bildern abzugeben. Dies kann zu inkorrekter oder inkonsistenter Bewertung von Koronarstenosen führen. Demgemäß ist eine automatische Erkennung verschiedener Arten von Stenosen in den Koronargefäßen wünschenswert.
Kurze Zusammenfassung der Erfindung
Die vorliegende Erfindung schafft ein Verfahren und ein System zur automatischen Erkennung und Klassifizierung von Koronarstenosen in Herz-Computertomographie-Volumina (CT-Volumina). Ausführungsformen der vorliegenden Erfindung können benutzt werden, um Stenosen in den Koronargefäßen zu erkennen und ein Ausmaß für die Stenosen zu quantifizieren, um unbedeutende Stenosen auszuschließen.
Bei einer Ausführungsform der vorliegenden Erfindung werden Mittellinien von Koronargefäßen aus einem 3D-CT-Volumen extrahiert. Eine Lumen-Querschnittsfläche wird auf Grundlage der Koronargefäß-Mittellinien geschätzt. Stenose-Kandidaten werden auf Grundlage der geschätzten Lumen-Querschnittsfläche erkannt. Nicht zu Gefäßen gehörende Bereiche können entlang den Koronargefäß-Mittellinien erkannt und vor dem Schätzen der Lumen-Querschnittsfläche von den Koronargefäß-Mittellinien entfernt werden. Die erkannten Stenose-Kandidaten können klassifiziert werden. Die Klassifizierung der erkannten Stenose-Kandidaten kann das Bestimmen, welche der erkannten Stenose-Kandidaten signifikant sind, und das Klassifizieren jedes signifikanten Stenose-Kandidaten als einen aus den Kategorien verkalkt, nicht verkalkt und gemischt einschließen.
Diese und andere Vorteile der Erfindung werden Fachleuten durch Verweis auf die folgende genaue Beschreibung und die begleitende Zeichnung offenbar.
Kurze Beschreibung der Zeichnungen
1 stellt ein Verfahren zur automatischen Erkennung und Klassifizierung von Koronarstenosen in einem koronaren CT-Angiographiebildvolumen (CCTA) gemäß einer Ausführungsform der vorliegenden Erfindung dar;
2 stellt beispielhafte Nachziehergebnisse von Koronargefäß-Mittellinien dar;
3 stellt einen beispielhaften Koronargefäß-Mittellinienbaum dar, der aus einzeln extrahierten Mittellinien erhalten wurde;
4A und 4B stellen ein zylindrisches Abtastmuster für die Merkmalsextraktion dar;
5 und 6 stellen ROC-Kurven für einen trainierten Detektor nicht zu Koronargefäßen gehörender Bereiche dar;
7 stellt beispielhafte Ergebnisse der Erkennung von nicht zu Gefäßen gehörenden Bereichen des Schritts 106 von 1 dar;
8 stellt einen beispielhaften Gefäßbaum dar, der in fünf getrennte Segmente aufgeteilt ist;
9 stellt eine Stenose-Kandidat-Erkennung für ein beispielhaftes Mittelliniensegment dar;
10 stellt ein Verfahren zum Klassifizieren von Stenose-Kandidaten gemäß einer Ausführungsform der vorliegenden Erfindung dar;
11 stellt ein beispielhaftes Annotationsschema zum Annotieren der Mittellinien und der verkalkten Läsionen dar;
12 stellt das Zufügen positiver Trainingsmuster zum Trainieren eines Detektors für verkalkte Stenose dar;
13 stellt ROC-Kurven für einen Detektor für verkalkte Stenose dar;
14 stellt beispielhafte Ergebnisse der Erkennung verkalkter Stenose unter Verwendung eines trainierten Detektors für verkalkte Stenose dar;
Die 15 und 16 stellen beispielhafte Ergebnisse der Stenose-Erkennung und -Klassifizierung dar, die unter Verwendung des Verfahrens von 1 erhalten wurden; und
17 ist ein Übersichts-Blockschaltbild eines Computers, der in der Lage ist, die vorliegende Erfindung umzusetzen.
Genaue Beschreibung
Die vorliegende Erfindung bezieht sich auf ein Verfahren und ein System zur automatischen Erkennung, Einstufung und Klassifizierung von Koronarstenosen in Herz-Computertomographie-Volumina (CT-Volumina). Ausführungsformen der vorliegenden Erfindung sind hierin beschrieben, um ein visuelles Verständnis des Verfahrens zur Erkennung und Einstufung von Koronarstenosen zu gewähren. Ein digitales Bild besteht oft aus digitalen Darstellungen eines oder mehrerer Objekte (oder Formen). Die digitale Darstellung eines Objekts ist hierin oft hinsichtlich der Identifizierung und Manipulation der Objekte beschrieben. Solche Manipulationen sind virtuelle Manipulationen, die im Arbeitsspeicher oder anderen Schaltungen/Hardware eines Computersystems ausgeführt werden. Demgemäß versteht sich, dass Ausführungsformen der vorliegenden Erfindung innerhalb eines Computersystems unter Verwendung von in dem Computersystem gespeicherten Daten ausgeführt werden können.
1 stellt ein Verfahren zur automatischen Erkennung und Klassifizierung von Koronarstenosen in einem koronaren CT-Angiographiebildvolumen (CCTA-Bildvolumen) gemäß einer Ausführungsform der vorliegenden Erfindung dar. Wie in 1 dargestellt, wird in Schritt 102 ein CCTA-Bildvolumen empfangen. Das CCTA-Bildvolumen ist ein 3D-Herz-CT-Volumen, das aufgenommen wird, nachdem ein Kontrastmittel in einen Patienten injiziert wurde, und daher kontrastverstärkte Koronararterien zeigt. Das CCTA-Bildvolumen kann von einem Computertomographen empfangen werden. Das CCTA-Volumen kann auch empfangen werden, indem ein zuvor gespeichertes CCTA-Volumen geladen wird.
Im Schritt 104 werden Mittellinien für die Koronargefäße aus dem CCTA-Bild extrahiert. Manuelles Nachziehen von Koronararterien-Mittellinien in 3D-Herz-CT-Daten ist eine höchst mühsame Aufgabe. Dies kann auf die Tatsache zurückgeführt werden, dass die Koronararterien einem langen Weg folgen, den exakt nachzuziehen schwierig ist. Darüber hinaus kann die Koronararterie bei aktuellen Standards der CT-Bilderfassung nur einige Voxel im Durchmesser betragen. Die Aufgabe, Koronararterien-Mittellinien nachzuziehen, wird sogar noch schwieriger bei den distalen Teilen der Koronargefäße wegen des Verengens der Gefäße, des Verzweigens und des Helligkeitsverlusts in diesen Bereichen. Demgemäß wurden viele Algorithmen für automatisches und halbautomatisches Nachzeichnen von Mittellinien vorgeschlagen. Automatische Verfahren zum Verfolgen von Koronararterien (CAT) verwenden typischerweise die koronaren Ostia als Keimpunkt zum Starten des Nachziehens der Mittellinie. Jedes beliebige Verfahren zum Verfolgen der Mittellinie der Koronargefäße kann benutzt werden, um den Schritt 104 umzusetzen. Zum Beispiel sind verschiedene Verfahren zum Extrahieren von Mittellinien für Koronargefäße beschrieben in D. Lesage et al., „A Review of 3D Vessel Lumen Segmentation Techniques: Models, Features and Extractions Schemes", (Übersicht über 3D-Gefäßlumen-Segmentierungstechniken: Modelle, Merkmale und Extraktionsmaßnahmen) Medical Image Analysis, 13(5): 819–845, 2009, das hier durch Verweis mit aufgenommen ist. Gemäß einer vorteilhaften Umsetzung können die Mittellinien der Koronargefäße in Schritt 104 nach dem Verfahren extrahiert werden, das beschrieben ist in M. A. Gülsün et al., "Robust Vessel Tree Modeling" (Robuste Gefäßbaum-Modellierung) in MICCAI '08: Proceedings of the 11th International Conference on Medical Image Computing and Computer-Assisted Intervention, 2008, das hier durch Verweis mit aufgenommen ist.
In Schritt 106 werden nicht zu Gefäßen gehörende Bereiche entlang den Mittellinien erkannt und entfernt. In einer möglichen Umsetzung wird ein trainierter Detektor nicht zu Koronargefäßen gehörender Bereiche benutzt, um die nicht zu Gefäßen gehörenden Bereiche entlang den extrahierten Mittellinien zu erkennen. Der Detektor nicht zu Koronargefäßen gehörender Bereiche kann ein Random-Forest-Klassifikator sein, der trainiert ist, rotationsinvariante Merkmale zu benutzen, die auf Grundlage annotierter Trainingsmuster in einem zylindrischen Abtastmuster extrahiert sind. Der Detektor nicht zu Koronargefäßen gehörender Bereiche kann auf Grundlage rotationsinvarianter Merkmale, die in einem zylindrischen Abtastmuster um jeden Punkt extrahiert sind, bestimmen, ob sich Punkte auf den extrahierten Mittellinien in einem nicht zu Gefäßen gehörenden Bereich befinden.
Jeder beliebige Mittellinien-Nachzieh-Algorithmus, der zum Extrahieren der Koronargefäß-Mittellinien in Schritt 104 benutzt wurde, kann Fehlern beim Nachziehen unterliegen, was dazu führt, dass Mittellinien in nicht zu Koronararterien gehörende Bereiche einlaufen, wie etwa Venen, Herzkammern usw. In einigen Fällen kann die Mittellinie einer Koronararterie in eine andere Koronararterie oder eine Koronarvene nachgezogen werden. Demgemäß können einige in Schritt 104 extrahierte Mittellinien teilweise oder vollständig inkorrekt sein. 2 stellt beispielhafte gekrümmte Mehrebenen-Rekonstruktions-(CPR-)Ansichten von Koronargefäß-Mittellinien-Nachziehergebnissen dar, die aus Schritt 104 hervorgingen. Die in 2 gezeigten Koronargefäß-Mittellinien wurden unter Verwendung des Verfahrens extrahiert, das beschrieben ist in M. A. Gülsün et al., „Robust Vessel Tree Modeling" (Robuste Gefäßbaum-Modellierung) in MICCAI '08: Proceedings of the 11th International Conference on Medical Image Computing and Computer-Assisted Intervention, 2008. In den Bildern 200 und 210 von 2 sind die Mittellinien 202 und 212 teilweise inkorrekt und sind in eine Herzkammer bzw. in die Aorta nachgezogen. In den Bildern 220 und 230 sind die Mittellinien 222 und 232 teilweise inkorrekt und sind in eine Vene nachgezogen. In den Bildern 240 und 260 sind die Mittellinien 242 und 262 vollständig falsch in eine Herzkammer nachgezogen. Die Tabelle 1 fasst die Fehler beim Nachziehen von Koronargefäß-Mittellinien für insgesamt 229 Volumina mit 1472 unter Verwendung des Algorithmus nachgezogenen Mittellinien zusammen, der beschrieben ist in M. A. Gülsün et al., „Robust Vessel Tree Modeling" (Robuste Gefäßbaum-Modellierung) in MICCAI '08: Proceedings of the 11th International Conference on Medical Image Computing and Computer-Assisted Intervention, 2008.

Fehler beim Nachziehen ≥ 5 mm ≥ 10 mm ≥ 15 mm

Anzahl betroffener Gefäße 259 226 210

Anzahl betroffener Volumina 131 116 107

Tabelle 1
Es ist zu bemerken, dass Tabelle 1 keine Teile von Mittellinien umfasst, die in die Aorta verlängert sind. Der zum Extrahieren der Mittellinien benutzte Algorithmus kennt die genaue Position der Ostia, und das Nachziehen eines Teils der Mittellinie in die Aorta ist in diesem Algorithmus beabsichtigt.
Auf Grundlage der in 2 und Tabelle 1 dargestellten Ergebnisse ist zu verstehen, dass die Verwendung solcher Mittellinien zum manuellen oder automatischen Erkennen koronarer Läsionen zu ungenauen Erkennungsergebnissen führen kann. Insbesondere ist es, da die Erkennung koronarer Läsionen sehr empfindlich gegenüber Rauschen und anderen Artefakten ist, sehr schwierig, aussagefähige Merkmale zu extrahieren, um zwischen normalen und Läsionsbereichen entlang solchen Mittellinien zu unterscheiden. Daher wird gemäß einer Ausführungsform der vorliegenden Erfindung eine schnelle und automatische Technik zur Korrektur der extrahierten Mittellinien benutzt. Insbesondere wird ein lernbasiertes Verfahren zum Erkennen nicht zu Koronargefäßen gehörender Bereiche entlang den extrahierten Mittellinien benutzt. Bei einer Ausführungsform kann ein zylindrisches Abtastmuster für das Extrahieren von Merkmalen benutzt werden, wobei die Achse des Zylinders zur Koronargefäß-Mittellinie ausgerichtet ist. Rotationsinvariante Merkmale können entlang der Länge des Zylinders bei veränderlichen Radien extrahiert werden. Diese Merkmale können benutzt werden, um einen Klassifikator auf Random-Forest-(RF-)Grundlage zu trainieren, die nicht zu Koronargefäßen gehörenden Bereiche zu erkennen.
In einer beispielhaften Umsetzung arbeiteten die Erfinder des Vorliegenden mit Scans, die von 229 Patienten erhalten wurden. Die Schichtdicke für diese Scans variierte zwischen 0,3 und 0,5 mm, wobei der x-y-Pixelabstand typisch zwischen 0,3 und 0,4 mm betrug. Jeder Scan enthält typischerweise ungefähr 200–300 Schichten. Das Mittellinien-Nachziehverfahren, das beschrieben ist in M. A. Gülsün et al., „Robust Vessel Tree Modeling" (Robuste Gefäßbaum-Modellierung) in MICCAI '08: Proceedings of the 11th International Conference on Medical Image Computing and Computer-Assisted Intervention, 2008, kann benutzt werden, um die Mittellinien zu extrahieren. Dieses Verfahren gibt Mittellinien für drei Haupt-Koronararterien zusammen mit ihren Ästen aus – Ramus interventricularis anterior (RIVA), Ramus circumflexus (RCX) und Arteria coronaria dextra (RCA). Die linke Haupt-Koronararterie (LCA) ist als Teil der RIVA- und/oder der RCX-Arterie nachgezogen. Dieses Verfahren gibt die Menge einzelner Koronar-Mittellinien aus, jeweils beginnend bei der Aorta. Daher gibt es eine bedeutende Überlappung zwischen zwei Ästen, die von derselben Hauptarterie ausgehen. Um Redundanz zu vermeiden, können die ausgegebenen Mittellinien in einen Koronargefäß-Mittellinienbaum umgewandelt werden, indem man die gemeinsamen Bereiche in den extrahierten Gefäßen ineinander aufgehen lässt.
3 stellt einen beispielhaften Koronargefäß-Mittellinienbaum 300 dar, der aus einzelnen extrahierten Mittellinien erhalten wurde. Wie in 3 gezeigt, enthält der Mittellinienbaum 300 die RIVA-, RCX- und RCA-Koronararterien und ihre Äste 302, 304 bzw. 306. Aufgrund variierender Längen der Koronararterien können die Punkte entlang den Mittellinien erneut abgetastet werden, um dieselbe Auflösung (z. B. 1 mm) zu erhalten, und geglättet werden, zum Beispiel unter Verwendung eines Binomialfilters. Um Trainingsmuster zu erzeugen, können zwei Kopien der sich ergebenden Mittellinienbäume erstellt werden. In der ersten Kopie können alle Punkte in den nicht zu Koronargefäßen gehörenden Bereichen manuell entfernt werden. Positive Trainingsmuster (Punkte in den nicht zu Koronargefäßen gehörenden Bereichen) können dann erhalten werden durch Subtrahieren der Punktemenge in der ersten Kopie von denjenigen in der zweiten Kopie. Negative Trainingsmuster (Punkte innerhalb der Koronararterien) sind einfach die Punkte in der ersten Kopie. In einer beispielhaften Umsetzung gab es insgesamt 21 940 positive Trainingsmuster (einschließlich Punkten innerhalb der Aorta) und 104 191 negative Trainingsmuster, die erhalten wurden. Merkmalsextraktion wird in einer Nähe jedes positiven und negativen Trainingsmusters durchgeführt, um rotationsinvariante Merkmale zu extrahieren, die jedem Trainingsmuster entsprechen.
Ein kontrollierter Lernalgorithmus benötigt Merkmale, die ausreichend in der Lage sind, die charakteristischen Eigenschaften der zugrunde liegenden Datenklassen aufzugreifen. Koronararterien sind örtlich zylindrisch geformt, wobei ihre Dicke gewöhnlich von ihren Anfangspunkten (z. B. den Ostia) zu ihren distalen Enden abnimmt. Andererseits weisen die nicht zu Koronargefäßen gehörenden Bereiche keine spezifische Form, Größe oder Lage entlang der Mittellinie auf. Das gewählte Abtastmuster sollte daher invariant gegenüber solchen Änderungen sein. Gemäß einer vorteilhaften Ausführungsform der vorliegenden Erfindung wird ein zylindrisches Abtastmuster benutzt, dessen Achse zur Mittellinie eines Koronargefäßes ausgerichtet ist. Die Länge des Zylinders muss sorgfältig gewählt werden. Die Länge des Zylinders sollte gering genug sein, um die örtlich zylindrische Form der Koronararterie zu nutzen. Gleichzeitig sollte die Zylinderlänge groß genug sein, sodass es genügend Überlappung zwischen den Abtastmustern zweier beliebiger benachbarter Kontrollpunkte entlang der Mittellinie gibt, sodass kein Bereich durch das Merkmals-Extraktionsmuster ausgelassen wird.
Die 4A und 4B stellen ein zylindrisches Abtastmuster für die Merkmalsextraktion dar. Wie in 4A dargestellt, ist die Achse jedes zylindrischen Abtastmusters 402a und 402b zur Mittellinie 404 ausgerichtet. Die zylindrischen Abtastmuster 402a und 402b sind auf einen jeweiligen der Kontrollpunkte 406a–406e auf der Mittellinie 404 zentriert. Die zylindrischen Abtastmuster 402a und 402b weisen eine genügend große Länge auf, dass es eine Überlappung 408 zwischen den zylindrischen Abtastmustern 402a und 402b an zwei benachbarten Kontrollpunkten 406a und 406b gibt. Ausführungsformen der vorliegenden Erfindung benutzen Merkmale, die rotationsinvariant um die Achse des Zylinders sind. Wie in 4B gezeigt, wird ein zylindrisches Abtastmuster 410 der Länge L und des Radius R um einen Kontrollpunkt 412 beschrieben. Für einen Punkt im Abstand l, –L/2 ≤ l ≤ L/2, von dem Kontrollpunkt 412 entlang der Achse des Zylinders 410 können die folgenden neun Merkmale bei einem Radius r extrahiert werden, wobei 0 ≤ r ≤ R: mittlere, minimale und maximale Intensität (I_mitt, I_min, I_max), mittlerer, minimaler und maximaler Gradient entlang der radialen Richtung (G r / mitt , G r / min , G r / max ) und mittlerer, minimaler und maximaler Gradient entlang der tangentialen Richtung (G t / mitt , G t / min , G t / max ) sind. Gemäß einer vorteilhaften Umsetzung kann eine Länge von L = 6 (mal 0,5 mm) benutzt werden, um eine akzeptable Überlappung zwischen benachbarten Zylindern zu ergeben, und ein Radius von R = 3 (mal 0,5 mm) kann benutzt werden, um die Breite des Koronargefäßes ausreichend zu erfassen. Mit L = 6 und R = 3 wird für jeden Kontrollpunkt ein 6 × 3 × 9 = 162-dimensionaler Merkmalsvektor erhalten.
Gemäß einer vorteilhaften Umsetzung kann kontrolliertes Lernen auf Random-Forests-Basis benutzt werden, um einen Klassifikator automatisch zu trainieren, die nicht zu Koronargefäßen gehörenden Bereiche entlang einer gegebenen Mittellinie zu erfassen. Das Lernen auf Random-Forests-Basis kann die oben beschriebenen rotationsinvarianten Merkmale benutzen, um einen Klassifikator zu trainieren, nicht zu Koronargefäßen gehörende Bereiche zu erkennen. Ein Klassifikator auf Random-Forests-Basis ist eine Gesamtheit vieler Entscheidungsbäume, welche die Klasse ausgibt, die der Modus der durch die einzelnen Bäume ausgegebenen Klassen ist. Alternativ können die Ausgaben der einzelnen Entscheidungsbäume auch zu einer Wahrscheinlichkeits-Massenfunktion über verschiedene Klassen kombiniert werden. Dieses Verfahren gibt eine Wahrscheinlichkeit aus, dass ein Punkt entlang einer gegebenen Mittellinie in den nicht zu Koronargefäßen gehörenden Bereich fällt. Der Schwellwert über diese Wahrscheinlichkeit kann variiert werden, um Receiving Operating Characteristics-(ROC-)Kurven zu erhalten, und ein geeigneter Arbeitspunkt kann dann auf der Kurve gewählt werden.
Um einen geeigneten Schwellwert für die durch den trainierten Klassifikator für nicht zu Koronargefäßen gehörende Bereiche ausgegebene Wahrscheinlichkeit zu wählen, teilten die Erfinder des Vorliegenden die gesamte Datenmenge in zehn Untermengen auf, die dann für eine 10-fache Kreuzvalidierung benutzt wurden. Das Training wurde durchgeführt unter Benutzung von Random Forests unter Verwendung der rotationsinvarianten Merkmale um jeden Kontrollpunkt entlang der Mittellinie. 5 stellt ROC-Kurven (Sensitivität gegen Spezifität) dar, die für Training und Kreuzvalidierung erhalten wurden, indem der Schwellwert für durch den trainierten Klassifikator zurückgegebene Wahrscheinlichkeiten variiert wurde. Insbesondere zeigt 5 ROC-Kurven Sensitivität gegen Spezifität, die erhalten wurden, indem der Random-Forests-trainierte Klassifikator über 229 Volumina auf Basis pro Gefäßpunkt benutzt wurde. Die Grafik 500 zeigt die ROC-Kurven 502, 504 und 506 für die Erkennung der RIVA-, RCX- bzw. RCA-Koronararterien, durchgeführt über Trainingsdaten. Die Grafik 510 zeigt die ROC-Kurven 512, 514 und 516 für die Erkennung der RIVA-, RCX- bzw. RCA-Koronararterien, durchgeführt unter Verwendung 10-facher Kreuzvalidierung. Die Sensitivität und die Spezifität sind in diesem Fall auf Basis pro Kontrollpunkt berechnet und sind definiert als:
6 stellt ROC-Kurven für positiven prädikativen Wert (PPV) gegen negativen prädikativen Wert (NPV) für Trainings- und Kreuzvalidierungs-Experimente dar. Insbesondere zeigt 6 ROC-Kurven PPV gegen NPV, die erhalten wurden, indem der Random-Forests-trainierte Klassifikator über 229 Volumina auf Basis pro Gefäßpunkt benutzt wurde. Die Grafik 600 zeigt die ROC-Kurven 602, 604 und 606 für die Erkennung der RIVA-, RCX- bzw. RCA-Koronararterien, durchgeführt über Trainingsdaten. Die Grafik 610 zeigt die ROC-Kurven 612, 614 und 616 für die Ergebnisse der Erkennung der RIVA-, RCX- bzw. RCA-Koronararterien, durchgeführt unter Verwendung 10-facher Kreuzvalidierung. Der PPV und der NPV werden auf Basis pro Kontrollpunkt berechnet und sind definiert als:
Die durchschnittliche Erkennungszeit pro Volumen in dieser Umsetzung betrug unter einer Sekunde. Wie aus den ROC-Kurven zu ersehen, ist die Leistung des Detektors nicht zu Koronargefäßen gehörender Bereiche etwas schlechter bei der RCA-Arterie im Vergleich zu der RIVA- und der RCX-Arterie. Der Grund dafür kann der Tatsache zugeschrieben werden, dass in vielen Fällen der mittlere und der distale Teil der RCA-Arterie mit dem Koronarvenensinus und der posterioren Vene des linken Ventrikels verwechselt werden können (die zwischen dem linken und dem rechten Ventrikel parallel zur RCA verläuft). Da diese Venen aufgrund ihrer zylindrischen Form arterienähnliche Eigenschaften aufweisen, wird es schwieriger, sie von den Arterien zu unterscheiden.
7 stellt beispielhafte Ergebnisse der Erkennung von nicht zu Gefäßen gehörenden Bereichen des Schritts 106 von 1 dar. Insbesondere zeigt 7 CPR-Ansichten von Mittellinien-Erkennungsergebnissen 700, 710, 720, 730, 740 und 750, die aus Schritt 104 von 1 hervorgingen, sowie entsprechende Ergebnisse der Erkennung nicht zu Gefäßen gehörender Bereiche 704, 714, 724, 734, 744 und 754, die aus Schritt 106 hervorgingen. Außerhalb der Koronargefäße erkannte Punkte sind in den Bildern 704, 714, 724, 734, 744 und 754 mit einem „+”-Zeichen markiert. Das Bild 700 zeigt eine erkannte Mittellinie 702, und das Bild 704 zeigt erkannte nicht zu Gefäßen gehörende Bereiche 706 der Mittellinie 702. Das Bild 710 zeigt eine erkannte Mittellinie 712, und das Bild 714 zeigt erkannte nicht zu Gefäßen gehörende Bereiche 716 der Mittellinie 712. Das Bild 720 zeigt eine erkannte Mittellinie 722, und das Bild 724 zeigt erkannte nicht zu Gefäßen gehörende Bereiche 726 der Mittellinie 722. Das Bild 730 zeigt eine erkannte Mittellinie 732, und das Bild 734 zeigt erkannte nicht zu Gefäßen gehörende Bereiche 736 der Mittellinie 732. Das Bild 740 zeigt eine erkannte Mittellinie 742, und das Bild 744 zeigt erkannte nicht zu Gefäßen gehörende Bereiche 746 der Mittellinie 742. Wie in Bild 744 gezeigt, ist die gesamte Mittellinie 742 des Bildes 740 als nicht zu Gefäßen gehörender Bereich 746 erkannt. Das Bild 750 zeigt eine erkannte Mittellinie 752, und das Bild 754 zeigt erkannte nicht zu Gefäßen gehörende Bereiche 756 der Mittellinie 752. Wie in Bild 754 gezeigt, ist die gesamte Mittellinie 752 des Bildes 750 als nicht zu Gefäßen gehörender Bereich 746 erkannt.
Zurück zu 1 wird in Schritt 108 die Lumen-Querschnittsfläche unter Verwendung einer trainierten Regressionsfunktion geschätzt. Gemäß einer vorteilhaften Ausführungsform der vorliegenden Erfindung kann anstelle der Segmentierung des Lumens und Berechnens der Lumen-Querschnittsfläche entlang den Gefäß-Mittellinien ein Maschinen-Lernverfahren, insbesondere eine trainierte Regressionsfunktion, verwendet werden, um die Querschnittsfläche direkt aus örtlichen Bildmerkmalen zu schätzen. Um die Querschnittsfläche des Lumens zu schätzen, wird der Radius R eines Kreises geschätzt, der gleichwertig mit dem Querschnitt des Lumens ist und mit der Querschnittsfläche A des Lumens über A = πR² in Beziehung steht.
Demgemäß wird eine Funktion für den Radius R = y(x|p) geschätzt, die von einer Menge extrahierter Bildmerkmale x und einer Menge von Parametern p abhängt, die aus einer manuell annotierten Trainings-Datenmenge gelernt sind. Eine Trainingsmenge T = (x₁, y₁), (x₂, y₂), ..., (x_i, y_i),, (x_N, y_N) wird konstruiert durch manuelles Segmentieren des Lumens von Koronargefäßen in einigen CCTA-Datenmengen und Berechnen der Querschnittsflächen und aus diesen der Radien y_i an insgesamt N Punkten entlang den Mittellinien. Für dieselben Punkte entlang den Mittellinien wird eine Menge von Merkmalen x_i aus dem CCTA-Bildvolumen um den entsprechenden Punkt extrahiert und zur Mittellinie ausgerichtet. Gemäß einer vorteilhaften Umsetzung können die oben beschriebenen und in 4 dargestellten rotationsinvarianten Merkmale und das zylindrische Abtastmuster benutzt werden, um die regressive Funktion zu trainieren. Jedoch ist die vorliegende Erfindung nicht auf diese Arten von Merkmalen beschränkt, und andere geeignete Merkmale können ebenfalls benutzt werden.
Bei gegebener Trainingsmenge T wird ein Regressor (eine regressive Funktion) trainiert durch Minimieren der quadrierten Verlustfunktion:
bezüglich der Regressionsfunktionsparameter p. Es existieren verschiedene Algorithmen zum Minimieren der quadrierten Verlustfunktion. Zum Beispiel können der wohl bekannte Boosting-Algorithmus für die Regression und der Random-Forest-Regressions-Algorithmus benutzt werden. In einer vorteilhaften Umsetzung wird der Random-Forest-Regressions-Algorithmus zum Minimieren der quadrierten Verlustfunktion benutzt, um die Regressionsfunktion zu trainieren.
Bei einem neuen, ungesehenen Volumen kann die trainierte Regressionsfunktion (unter Verwendung der oben bestimmten Regressionsfunktionsparameter p) benutzt werden, um Lumenradius/-fläche bei beliebigen Mittellinienpunkten zu schätzen. In einer möglichen Umsetzung kann die trainierte Regressionsfunktion benutzt werden, um den Radius (oder die Fläche) bei jedem Kontrollpunkt (z. B. Voxel) entlang den in den Schritten 104 und 106 erkannten Mittellinien zu schätzen.
In Schritt 110 werden Stenose-Kandidaten auf Grundlage der geschätzten Querschnittsfläche des Lumens erkannt. Um Stenose-Kandidaten in den Koronararterien zu erkennen, kann der extrahierte Mittellinienbaum in vielfache Segmente aufgeteilt werden, die getrennt nach Stenose-Kandidaten untersucht werden. 8 stellt einen beispielhaften Gefäßbaum dar, der in fünf getrennte Segmente S₁, S₂, S₃, S₄ und S₅ aufgeteilt ist. In 8 wird der Anfang jedes Segments als das „linke” Ende und das Ende jedes Segments als das „rechte” Ende bezeichnet. Jedes Segment beginnt entweder an einer Gefäßverzweigung (S₂–S₅) oder einem Ostium (S₁) und endet an einer Gefäßverzweigung (S₁, S₂) oder einem Gefäßbaumblatt (S₃–S₅).
Für jedes getrennte Segment des Gefäßbaums wird die Lumenradius-/-flächenkurve entlang der Gefäßmittellinie auf Stenosen untersucht. 9 stellt eine Stenose-Kandidat-Erkennung für ein beispielhaftes Mittelliniensegment dar. Wie in 9 dargestellt, zeigt die Radiuskurve 902 die Radiusschätzung an verschiedenen Punkten des Mittelliniensegments. Die Radiuskurve 902 ergibt sich aus der Radius-/Flächenschätzung von Schritt 108 der 1. Es versteht sich, dass eine Flächenkurve ähnlich wie die Radiuskurve 902 der 9 benutzt werden kann. Unter Verwendung eines Tiefpassfilters (oder einer Spline-Glättung) wird eine „Grundlinien”-Kurve 904 berechnet. Die Grundlinienkurve 904 wird von der Radiuskurve 902 subtrahiert, um eine trendbereinigte Restkurve zu erhalten, die wiederum etwas geglättet wird und die Kurve 906 in 9 ergibt. Von dieser Kurve 906 werden die Positionen aller lokalen Optima extrahiert. Wie in 9 gezeigt, ergibt dies eine Kurve der lokalen Maxima 908 und eine Kurve der lokalen Minima 910. Erkennbar wechseln sich lokale Minima und Maxima ab. Jedes Tripel (max-min-max) wird dann als Stenose-Kandidat betrachtet. In einer Erweiterung dieses Ansatzes können auch die Quintupel (max-min-max-min-max) und allgemein die 2n + 1-Tupel als Stenose-Kandidaten betrachtet werden. Wie in 9 gezeigt, wird ein Stenose-Kandidat 912 über einen Bereich der Mittellinie erkannt, an dem ein max-min-max-Muster beobachtet wird. Eine Verzweigung 914 ist ebenfalls in 9 gezeigt, nach der sich der Radius bzw. die Fläche verringert.
Obwohl 9 eine Technik zum Erkennen von Stenose-Kandidaten in einem Segment eines Koronargefäßes darstellt, versteht sich, dass die vorliegende Erfindung nicht auf die oben beschriebene Technik beschränkt ist und andere Techniken, wie etwa Mehrskalen-Klassifikatoren und bedingte Zufallsfelder, ebenfalls benutzt werden können, um Stellen von Stenose-Kandidaten in einem Segment einer Koronararterie zu erkennen.
Ein Stenosegrad wird für jeden erkannten Stenose-Kandidaten geschätzt. Der Stenosegrad kann berechnet werden nach:
wobei r_min die minimale Radius-Schätzung innerhalb des Stenose-Kandidaten, r_links die Radius-Schätzung am linken Ende (zum Ostium hin) und r_rechts die Radius-Schätzung am rechten Ende (zu den Blättern hin) des Stenose-Kandidaten sind. Für einen am linken Ende eines bestimmten Gefäßbaumsegments (an den Ostia oder einer Verzweigung) befindlichen Stenose-Kandidaten kann der Grad mit der alternativen Formel geschätzt werden:
Zurück zu 1 werden im Schritt 112 die Stenose-Kandidaten automatisch klassifiziert. Insbesondere wird für jeden Stenose-Kandidaten bestimmt, ob dieser Kandidat verworfen werden sollte oder ob er eine verkalkte, nicht verkalkte oder gemischte Stenose ist. Die oben beschriebenen und in 4 dargestellten rotationsinvarianten Merkmale und das zylindrische Abtastmuster können unter Verwendung getrennt trainierter Klassifikatoren zur lernbasierten Erkennung sowohl von verkalkter als auch weicher (nicht verkalkter) Plaque benutzt werden. Die Stenose-Kandidaten können dann unter Benutzung von Wahrscheinlichkeitsergebnissen klassifiziert werden, die aus den beiden Klassifikatoren erhalten wurden.
10 stellt ein Verfahren zum Klassifizieren von Stenose-Kandidaten gemäß einer Ausführungsform der vorliegenden Erfindung dar. Das Verfahren von 10 kann zum Umsetzen des Schritts 112 von 1 benutzt werden. In Schritt 1002 werden die Stenose-Kandidaten mit einem Schwellwert verglichen, um signifikante und insignifikante Kandidaten zu bestimmen, und die insignifikanten Stenose-Kandidaten werden verworfen. Zu diesem Zweck können mehrere Merkmale für jeden Stenose-Kandidaten extrahiert werden, wie etwa der Grad, die Stenoselänge, der linke und der rechte Lumenradius, der Minimalabstand zu den Blättern und der Abstand zum Ostium. Ein Schwellwertvergleich eines oder mehrerer dieser Werte kann benutzt werden, um Stenose-Kandidaten zu erkennen, die als signifikant und insignifikant betrachtet werden können. Zum Beispiel kann ein Schwellwert von 0,5 auf den Grad der Stenose-Kandidaten angewandt werden, sodass jeder Stenose-Kandidat mit einem höheren Grad als 0,5 als akzeptabel betrachtet wird und zum Schritt 1004 übergeht und jeder Stenose-Kandidat mit einem geringeren Grad als 0,5 als insignifikant betrachtet und verworfen wird.
In Schritt 1004 werden unter Verwendung eines trainierten Detektors für verkalkte Stenose Verkalkungs-Wahrscheinlichkeitsergebnisse für jeden akzeptierten Stenose-Kandidaten berechnet. Der trainierte Detektor für verkalkte Stenose kann unter Verwendung der oben beschriebenen und in 4 dargestellten rotationsinvarianten Merkmale und des zylindrischen Abtastmusters trainiert werden. Der trainierte Detektor für verkalkte Stenose bestimmt ein Verkalkungs-Wahrscheinlichkeitsergebnis für jeden Punkt in einem bestimmten Stenose-Kandidaten. Das Verkalkungs-Wahrscheinlichkeitsergebnis für einen Punkt ist eine Wahrscheinlichkeit, dass der Punkt Teil einer verkalkten Stenose ist.
In einer beispielhaften Umsetzung arbeiteten die Erfinder des Vorliegenden zum Trainieren des Detektors für verkalkte Stenose mit Scans, die von 165 Patienten erhalten wurden, die insgesamt 355 verkalkte Läsionen aufwiesen. In allen der Trainings-Volumina wurden die Koronargefäß-Mittellinie und die verkalkten Läsionen zu Trainings- und Bewertungszwecken manuell annotiert. Die meisten der Kontrollpunkte waren nicht genau entlang der Mitte des Lumens annotiert, jedoch wurde ausreichende Sorgfalt aufgewendet, um sicherzustellen, dass fast alle der Kontrollpunkte innerhalb der Außenwände der Koronararterie liegen. Dieses Annotationsschema macht das hierin beschriebene Stenose-Erkennungsschema robust gegenüber Ungenauigkeit einer gegebenen Mittellinie. Die drei Haupt-Koronararterien (RIVA, RCX und RCA) können in den Trainingsdaten auf Vorhandensein verkalkter Läsionen analysiert werden. Die linke Haupt-Koronararterie (LCA) kann als Teil der RIVA-Arterie annotiert werden. Zugunsten der Konsistenz können die annotierten Mittellinien erneut, mit einer gemeinsamen Auflösung (z. B. 1 mm), abgetastet werden. 11 stellt ein beispielhaftes Annotationsschema zum Annotieren der Mittellinien und der verkalkten Läsionen dar. Wie in 11 dargestellt, zeigt das Bild 1100 die Annotation einer Mittellinie 1102 der RIVA-Koronararterie und verkalkte Läsionen 1104 und 1106 an der RIVA-Koronararterie. Bild 1110 ist eine gestreckte CPR-Ansicht derselben RIVA-Koronararterie und zeigt die Annotation der Mittellinie 1102 und der verkalkten Läsionen 1104 und 1106.
Um den Detektor für verkalkte Stenose zu trainieren, kann eine Merkmals-Extraktion um jeden Kontrollpunkt unter Verwendung des in 4 dargestellten zylindrischen Abtastmusters durchgeführt werden. Insbesondere können, wieder mit Bezug auf 4B, für einen Punkt im Abstand l, –L/2 ≤ l ≤ L/2, von einem Kontrollpunkt 412 entlang der Achse des Zylinders 410 die folgenden neun Merkmale bei einem Radius r extrahiert werden, wobei 0 ≤ r ≤ R: mittlere, minimale und maximale Intensität (I_mitt, I_min, I_max), mittlerer, minimaler und maximaler Gradient entlang der radialen Richtung (G r / mitt , G r / min , G r / max ) und mittlerer, minimaler und maximaler Gradient entlang der tangentialen Richtung (G t / mitt , G t / min , G t / max ). Gemäß einer vorteilhaften Umsetzung können eine Länge von L = 5 (mal 0,5 mm) und ein Radius von R = 3 (mal 0,5 mm) zum Extrahieren von Merkmalen zum Trainieren des Detektors für verkalkte Stenose benutzt werden. Mit L = 5 und R = 3 wird für jeden Kontrollpunkt ein 5 × 3 × 9 = 135-dimensionaler Merkmalsvektor erhalten. Gemäß einer vorteilhaften Umsetzung kann kontrolliertes Lernen auf Random-Forests-Basis benutzt werden, um den Detektor für verkalkte Stenose auf Grundlage der extrahierten Merkmale automatisch zu trainieren. Alternativ kann ein Probabilistic Boosting Tree (PBT) benutzt werden, um den Detektor für verkalkte Stenose auf Grundlage der extrahierten Merkmale zu trainieren.
In einer beispielhaften Umsetzung teilten die Erfinder des Vorliegenden die gesamte Datenmenge in vier Untermengen für eine 4-fache Kreuzvalidierung auf. Das Training wurde unter Verwendung von Random Forests durchgeführt. Um die große Anzahl von negativen Mustern im Vergleich zur kleinen Anzahl von positiven Mustern zu kompensieren, ist es möglich, dass alle zwei aufeinanderfolgenden positiven Kontrollpunkte mit drei zusätzlichen Funkten linear interpoliert werden. Weiter können auch für jeden positiven Kontrollpunkt acht benachbarte Punkte in der Ebene senkrecht zur Mittellinie zu den positiven Trainingsmustern hinzugefügt werden. Diese beiden Typen von Erweiterungen der positiven Daten tragen dazu bei, Über-Anpassen zu vermeiden und Fehler bei der Mittellinienschätzung zu kompensieren. 12 stellt das Zufügen positiver Trainingsmuster zum Trainieren des Detektors für verkalkte Stenose dar. Wie in 12 dargestellt, stellen die Punkte 1202 die ursprünglichen positiven Kontrollpunkte, die Punkte 1204 die interpolierten Punkte und die Punkte 1206 die benachbarten Punkte in der normal zur Mittellinie des Koronargefäßes liegenden Ebene dar.
Für jede Koronararterie wurde ein Testen an der ursprünglichen Menge von Kontrollpunkten durchgeführt. 13 stellt ROC-Kurven dar, die für den Detektor für verkalkte Stenose erhalten wurden, indem der Schwellwert für die ausgegebenen Wahrscheinlichkeiten des Klassifikators variiert wurden. Wie in 13 dargestellt, ist die Grafik 1300 eine ROC-Kurve, welche die Anzahl falsch-positiver Läsionen gegen den Prozentsatz korrekt erkannter Läsionen zeigt. Die Grafik 1310 ist eine ROC-Kurve, die Sensitivität gegen Spezifität auf einer Basis pro Gefäß zeigt. Bei der läsionsbasierten Bewertung ist die wahre Erkennungsrate als der Prozentsatz der tatsächlich erkannten Läsionen definiert, und die Anzahl der Falsch-Positiven pro Volumen ist die mittlere Anzahl der ausgelassenen Läsionen pro Volumen. Bei der gefäßbasierten Bewertung ist die Sensitivität als der Prozentsatz der Gefäße mit Läsionen definiert, die korrekt erkannt sind, und die entsprechende Spezifität ist als der Prozentsatz der gesunden Gefäße definiert, die korrekt als gesund erkannt sind. In einer beispielhaften Umsetzung wurde eine mittlere Erkennungszeit von 0,82 Sekunden pro Volumen erreicht.
14 stellt beispielhafte Ergebnisse der Erkennung verkalkter Stenosen unter Verwendung eines trainierten Detektors für verkalkte Stenose dar. Wie in 14 dargestellt, zeigen die Bilder 1400, 1405, 1410, 1415, 1420, 1425, 1430, 1435, 1440 und 1445 eingegebene Bilder, und die Bilder 1402, 1407, 1412, 1417, 1422, 1427, 1432, 1437, 1442 und 1447 zeigen verkalkte Stenosen 1404, 1409 1414, 1419, 1424, 1429, 1434, 1439, 1444 und 1449, die in den Bildern 1400, 1405, 1410, 1415, 1420, 1425, 1430, 1435, 1440 bzw. 1445 erkannt wurden.
Zurück zu 10 werden in Schritt 1006 unter Verwendung eines trainierten Detektors für nicht verkalkte Stenose Nichtverkalkungs-Wahrscheinlichkeitsergebnisse für die Stenose-Kandidaten erkannt. Der trainierte Detektor für nicht verkalkte Stenose bestimmt ein Verkalkungs-Wahrscheinlichkeitsergebnis für jeden Punkt in einem bestimmten Stenose-Kandidaten. Das Nichtverkalkungs-Wahrscheinlichkeitsergebnis für einen Punkt ist eine Wahrscheinlichkeit, dass der Punkt Teil einer nicht verkalkten Stenose ist. Gemäß einer vorteilhaften Umsetzung kann ein etwas abweichender Merkmalsvektor für die Erkennung nicht verkalkter Stenose gegenüber der Erkennung verkalkter Stenose benutzt werden. Statt einfach die rotationsinvarianten Merkmale um einen Kontrollpunkt zu berechnen, kann ein Ansatz mit gleitendem Fenster benutzt werden, und ähnliche Merkmale von den angrenzenden linken und rechten Kontrollpunkten können auch dem Merkmalsvektor zugefügt werden.
Im Schritt 1008 wird jeder Stenose-Kandidat als „verkalkt”, „nicht verkalkt” oder „gemischt” klassifiziert, auf Grundlage der Verkalkungs-Wahrscheinlichkeitsergebnisse und der Nichtverkalkungs-Wahrscheinlichkeitsergebnisse von Punkten innerhalb jedes Stenose-Kandidaten. Zum Beispiel kann jeder Kontrollpunkt (oder Voxel) in einem Stenose-Kandidaten als verkalkt oder nicht verkalkt klassifiziert werden, auf Grundlage des Verkalkungs-Wahrscheinlichkeitsergebnisses und des Nichtverkalkungs-Wahrscheinlichkeitsergebnisses für diesen Punkt. Der Stenose-Kandidat kann dann als verkalkt, nicht verkalkt oder gemischt klassifiziert werden, auf Grundlage der Anzahl verkalkter Punkte und nicht verkalkter Punkte in dem Stenose-Kandidaten. Eine Stenose wird als verkalkt klassifiziert, wenn die Stenose hauptsächlich durch verkalkte Bestandteile verursacht ist, als nicht verkalkt, wenn die Stenose durch nicht verkalkte Bestandteile verursacht ist, und als gemischt, wenn die Stenose verkalkte sowie nicht verkalkte Teile aufweist.
Zurück zu 1 werden im Schritt 114 die Stenose-Erkennungs- und -Klassifizierungsergebnisse ausgegeben. Zum Beispiel können die Stenose-Erkennungs- und -Klassifizierungsergebnisse ausgegeben werden, indem die Ergebnisse auf dem Bildschirm eines Computersystems dargestellt werden. Die Stenose-Erkennungs- und -Klassifizierungsergebnisse können auch ausgegeben werden, indem die Ergebnisse zum Beispiel im Arbeitsspeicher oder im Ablagespeicher eines Computersystems oder auf einem computerlesbaren Medium gespeichert werden.

In einer beispielhaften Umsetzung führten die Erfinder des Vorliegenden Experimente mit Daten aus, die von 225 Patienten erhalten wurden, um die Leistung des Erkennungssystems bezüglich nicht verkalkter Stenosen zu bewerten. Tabelle 2 zeigt die Ergebnisse von 10-fachen Kreuzvalidierungsexperimenten auf einer Grundlage pro Läsion und auf einer Grundlage pro Gefäß, die erhalten wurden, indem die vollständigen Stenose-Erkennungs- und -Klassifizierungsverfahren der 1 und 10 abliefen.

		RIVA	RCX	RCA	Gesamt
Läsion	TPR	100,00%	90,00%	95,24%	94,55%
Läsion	FP/pro Volumen	0,81	1,03	1,13	2,97
Gefäß	Sensitivität	100,00%	93,75%	100,00%	97,62%
	Spezifität	75,23%	63,16%	62,86%	67,14%
	Negative PV	100,00%	99,17%	100,00%	99,77%

Tabelle 2

Die 15 und 16 stellen beispielhafte Ergebnisse der Stenose-Erkennung und -Klassifizierung dar, die unter Verwendung des Verfahrens von 1 erhalten wurden. Wie in 15 dargestellt, zeigt Bild 1500 eine Mittellinie 1502 einer Koronararterie, einen auf der Mittellinie 1502 erkannten nicht zu Gefäßen gehörenden Bereich 1504 und eine in der Koronararterie entdeckte verkalkte Stenose 1506. Die verkalkte Stenose weist einen Grad von 0,68 auf, und keine anderen signifikanten Stenosen wurden erkannt. Wie in 16 dargestellt, zeigt Bild 1600 eine Mittellinie 1602 einer Koronararterie, einen auf der Mittellinie 1602 erkannten nicht zu Gefäßen gehörenden Bereich 1604 und eine in der Koronararterie entdeckte nicht verkalkte Stenose 1606. Die nicht verkalkte Stenose weist einen Grad von 0,67 auf, und keine anderen signifikanten Stenosen wurden erkannt.
Wie oben beschrieben, stellt 10 ein Verfahren zum Klassifizieren von Stenose-Kandidaten dar. Es versteht sich, dass die vorliegende Erfindung nicht auf das Verfahren von 10 beschränkt ist. Zum Beispiel kann alternativ ein Mehrklassen-Klassifikator verwendet werden, um jeden Stenose-Kandidaten in eine der vier Klassen verkalkt, gemischt, nicht verkalkt und verworfen einzuordnen.
Die oben beschriebenen Verfahren zum Erkennen und Klassifizieren von Koronarstenosen können auf einem Computer unter Verwendung wohl bekannter Computer-Prozessoren, Arbeitsspeicher, Speichergeräte, Computersoftware und anderer Bestandteile umgesetzt werden. Ein Übersichts-Blockdiagramm eines solchen Computers ist in 17 dargestellt. Der Computer 1702 enthält einen Prozessor 1704, der den Gesamtbetrieb des Computers 1702 steuert, indem er Computerprogrammanweisungen ausführt, die diesen Betrieb definieren. Die Computerprogrammanweisungen können in einem Speichergerät 1712 (z. B. auf einer Magnetplatte) gespeichert sein und in den Arbeitsspeicher 1710 geladen werden, wenn die Ausführung der Computerprogrammanweisungen gewünscht ist. Daher können die Schritte der Verfahren der 1 und 10 durch die im Arbeitsspeicher 1710 oder im Speichergerät 1712 gespeicherten Computerprogrammanweisungen definiert sein, und durch den Prozessor 1704 gesteuert werden, der die Computerprogrammanweisungen ausführt. Eine Bilderfassungsvorrichtung 1720, wie etwa ein Computertomograph, kann an den Computer 1702 angeschlossen sein, um Bilddaten in den Computer 1702 einzugeben. Es ist möglich, die Bilderfassungsvorrichtung 1720 und den Computer 1702 als eine Vorrichtung umzusetzen. Es ist auch möglich, dass die Bilderfassungsvorrichtung 1720 und der Computer 1702 drahtlos über ein Netzwerk kommunizieren. Der Computer 1702 enthält auch eine oder mehrere Netzwerkschnittstellen 1706 zum Kommunizieren mit anderen Vorrichtungen über ein Netzwerk. Der Computer 1702 enthält auch andere Ein-/Ausgabevorrichtungen 1708, die Benutzerinteraktion mit dem Computer 1702 ermöglichen (z. B. Bildschirm, Tastatur, Maus, Lautsprecher, Drucktasten usw.). Solche Ein-/Ausgabevorrichtungen 1708 können in Verbindung mit einem Satz von Computerprogrammen als Annotierungswerkzeug zum Annotieren von Volumina verwendet werden, die von der Bilderfassungsvorrichtung 1720 empfangen wurden. Ein Fachmann wird erkennen, dass eine Umsetzung eines tatsächlichen Computers ebenso andere Bestandteile enthalten könnte, und dass 17 eine Übersichtsdarstellung einiger der Bestandteile eines solchen Computers zu Erläuterungszwecken ist.
Die vorstehende genaue Beschreibung ist in jeder Beziehung als erläuternd und beispielhaft, jedoch nicht einschränkend zu verstehen, und der Umfang der hier offenbarten Erfindung ist nicht aus der genauen Beschreibung zu bestimmen, sondern vielmehr aus den Ansprüchen, wie sie gemäß der vollen Breite ausgelegt werden, welche die Patentgesetze zulässt. Es versteht sich, dass die hierin gezeigten und beschriebenen Ausführungsformen nur erläuternd für die Prinzipien der vorliegenden Erfindung sind, und dass verschiedene Abwandlungen durch Fachleute umgesetzt werden können, ohne vom Umfang und Erfindungsgeist der Erfindung abzuweichen. Fachleute könnten verschiedene andere Merkmalskombinationen umsetzen, ohne vom Umfang und Erfindungsgeist der Erfindung abzuweichen.
ZITATE ENTHALTEN IN DER BESCHREIBUNG
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
Zitierte Nicht-Patentliteratur

D. Lesage et al., „A Review of 3D Vessel Lumen Segmentation Techniques: Models, Features and Extractions Schemes”, (Übersicht über 3D-Gefäßlumen-Segmentierungstechniken: Modelle, Merkmale und Extraktionsmaßnahmen) Medical Image Analysis, 13(5): 819–845, 2009 [0024]
M. A. Gülsün et al., ”Robust Vessel Tree Modeling” (Robuste Gefäßbaum-Modellierung) in MICCAI '08: Proceedings of the 11th International Conference on Medical Image Computing and Computer-Assisted Intervention, 2008 [0024]
M. A. Gülsün et al., „Robust Vessel Tree Modeling” (Robuste Gefäßbaum-Modellierung) in MICCAI '08: Proceedings of the 11th International Conference on Medical Image Computing and Computer-Assisted Intervention, 2008 [0026]
M. A. Gülsün et al., „Robust Vessel Tree Modeling” (Robuste Gefäßbaum-Modellierung) in MICCAI '08: Proceedings of the 11th International Conference on Medical Image Computing and Computer-Assisted Intervention, 2008 [0026]
M. A. Gülsün et al., „Robust Vessel Tree Modeling” (Robuste Gefäßbaum-Modellierung) in MICCAI '08: Proceedings of the 11th International Conference on Medical Image Computing and Computer-Assisted Intervention, 2008 [0029]

Claims

Verfahren zum Erkennen von Koronarstenosen in einem 3D-CT-Volumen, umfassend: Extrahieren von Koronargefäß-Mittellinien aus dem 3D-CT-Volumen; Schätzen einer Lumen-Querschnittsfläche auf Grundlage der extrahierten Koronargefäß-Mittellinien; und Erkennen von Stenose-Kandidaten auf Grundlage der geschätzten Lumen-Querschnittsfläche.
Verfahren nach Anspruch 1, weiter umfassend vor dem Schritt des Schätzens einer Lumen-Querschnittsfläche auf Grundlage der extrahierten Koronargefäß-Mittellinien: Erkennen von nicht zu Gefäßen gehörenden Bereichen entlang den extrahierten Koronararterien-Mittellinien; und Entfernen der erkannten nicht zu Gefäßen gehörenden Bereiche von den extrahierten Koronargefäß-Mittellinien.
Verfahren nach Anspruch 2, wobei der Schritt des Erkennens nicht zu Gefäßen gehörender Bereiche entlang den extrahierten Koronararterien-Mittellinien umfasst: Erkennen der nicht zu Gefäßen gehörenden Bereiche unter Verwendung eines trainierten Detektors für nicht zu Gefäßen gehörende Bereiche auf Grundlage von rotationsinvarianten Merkmalen, die an jedem aus einer Vielzahl von Punkten entlang der Koronargefäß-Mittellinien unter Verwendung eines zylindrischen Abtastmusters extrahiert sind.
Verfahren nach Anspruch 3, wobei der trainierte Detektor für nicht zu Gefäßen gehörende Bereiche unter Verwendung von Random Forests auf Grundlage von rotationsinvarianten Merkmalen trainiert ist, die an jedem aus einer Vielzahl von annotierten Trainings-Musterpunkten unter Verwendung eines zylindrischen Abtastmusters extrahiert sind.
Verfahren nach Anspruch 1, wobei der Schritt des Schätzens einer Lumen-Querschnittsfläche auf Grundlage der extrahierten Koronargefäß-Mittellinien umfasst: Schätzen der Lumen-Querschnittsfläche an jedem aus einer Vielzahl von Punkten in den extrahierten Koronargefäß-Mittellinien unter Verwendung einer trainierten Regressionsfunktion.
Verfahren nach Anspruch 5, wobei der Schritt des Schätzens der Lumen-Querschnittsfläche an jedem aus einer Vielzahl von Punkten in den extrahierten Koronargefäß-Mittellinien unter Verwendung einer trainierten Regressionsfunktion umfasst: Schätzen des Lumens an jedem aus der Vielzahl von Punkten auf Grundlage rotationsinvarianter Merkmale, die am jeweiligen Punkt unter Verwendung eines zylindrischen Abtastmusters extrahiert sind.
Verfahren nach Anspruch 1, wobei der Schritt des Erkennens von Stenose-Kandidaten auf Grundlage der geschätzten Lumen-Querschnittsfläche umfasst: Erzeugen einer Grundlinien-Kurve unter Verwendung eines Tiefpassfilters und einer Spline-Glättung; Erzeugen einer trendbereinigten Restkurve durch Subtrahieren der Grundlinien-Kurve von der geschätzten Lumen-Querschnittsfläche in einem Segment der Koronargefäß-Mittellinien; Extrahieren lokaler Maxima und lokaler Minima der trendbereinigten Restkurve; und Erkennen eines Stenose-Kandidaten in dem Segment des Koronargefäßes auf Grundlage der lokalen Maxima und lokalen Minima der trendbereinigten Restkurve.
Verfahren nach Anspruch 7, wobei der Schritt des Erkennens von Stenose-Kandidaten auf Grundlage der geschätzten Lumen-Querschnittsfläche weiter umfasst: Glätten der trendbereinigten Restkurve vor dem Schritt des Extrahierens lokaler Maxima und lokaler Minima der trendbereinigten Rest kurve
Verfahren nach Anspruch 7, wobei der Schritt des Erkennens von Stenose-Kandidaten auf Grundlage der geschätzten Lumen-Querschnittsfläche weiter umfasst: Bestimmen eines Grads für jeden erkannten Stenose-Kandidaten auf Grundlage eines geschätzten Lumenradius innerhalb des erkannten Stenose-Kandidaten.
Verfahren nach Anspruch 1, weiter umfassend: automatisches Klassifizieren der erkannten Stenose-Kandidaten.
Verfahren nach Anspruch 10, wobei der Schritt des Klassifizierens der erkannten Stenose-Kandidaten umfasst: Vergleichen mindestens eines Merkmals jedes erkannten Stenose-Kandidaten mit einem Schwellwert, um zu bestimmen, ob der Stenose-Kandidat signifikant ist; Verwerfen aller als nicht signifikant bestimmten Stenose-Kandidaten; und Klassifizieren jedes signifikanten Stenose-Kandidaten als einen aus den Kategorien verkalkt, nicht verkalkt und gemischt.
Verfahren nach Anspruch 11, wobei der Schritt des Vergleichens mindestens eines Merkmals jedes erkannten Stenose-Kandidaten mit einem Schwellwert, um zu bestimmen, ob der Stenose-Kandidat signifikant ist, umfasst: Vergleichen eines für jeden Stenose-Kandidaten berechneten Grads mit einem Schwellwert; wenn der Grad für einen Stenose-Kandidaten größer als der Schwellwert ist, wird der Stenose-Kandidat als signifikant bestimmt; wenn der Grad für einen Stenose-Kandidaten nicht größer als der Schwellwert ist, wird der Stenose-Kandidat als nicht signifikant bestimmt.
Verfahren nach Anspruch 11, wobei der Schritt des Klassifizierens jedes signifikanten Stenose-Kandidaten als einen aus den Kategorien verkalkt, nicht verkalkt und gemischt umfasst: Bestimmen eines Verkalkungs-Wahrscheinlichkeitsergebnisses für jeden aus einer Vielzahl von Punkten in einem signifikanten Stenose-Kandidaten unter Verwendung eines trainierten Detektors für verkalkte Stenose; Bestimmen eines Nichtverkalkungs-Wahrscheinlichkeitsergebnisses für jeden aus der Vielzahl von Punkten in dem signifikanten Stenose-Kandidaten unter Verwendung eines trainierten Detektors für nicht verkalkte Stenose; und Klassifizieren des signifikanten Stenose-Kandidaten als einen aus den Kategorien verkalkt, nicht verkalkt und gemischt auf Grundlage der Verkalkungs-Wahrscheinlichkeitsergebnisse und der Nichtverkalkungs-Wahrscheinlichkeitsergebnisse der Vielzahl von Punkten in dem signifikanten Stenose-Kandidaten.
Verfahren nach Anspruch 13, wobei der Schritt des Klassifizierens des signifikanten Stenose-Kandidaten auf Grundlage der Verkalkungs-Wahrscheinlichkeitsergebnisse und der Nichtverkalkungs-Wahrscheinlichkeitsergebnisse der Vielzahl von Punkten in dem signifikanten Stenose-Kandidaten umfasst: Klassifizieren jedes aus der Vielzahl von Punkten in dem signifikanten Stenose-Kandidaten als einen aus den Kategorien verkalkt und nicht verkalkt auf Grundlage des Verkalkungs-Wahrscheinlichkeitsergebnisses und des Nichtverkalkungs-Wahrscheinlichkeitsergebnisses für den jeweiligen Punkt; und Klassifizieren des signifikanten Stenose-Kandidaten als einen aus den Kategorien verkalkt, nicht verkalkt und gemischt auf Grundlage der relativen Anzahl aus der Vielzahl von als verkalkt und nicht verkalkt klassifizierten Punkte in dem signifikanten Stenose-Kandidaten.
Verfahren nach Anspruch 1, wobei das 3D-CT-Bildvolumen ein Computertomographie-Angiographie-Bildvolumen (CCTA-Bildvolumen) ist.
Vorrichtung zum Erkennen von Koronarstenosen in einem 3D-CT-Volumen, umfassend: ein Mittel zum Extrahieren von Koronargefäß-Mittellinien aus dem 3D-CT-Volumen; ein Mittel zum Schätzen einer Lumen-Querschnittsfläche auf Grundlage der extrahierten Koronargefäß-Mittellinien; und ein Mittel zum Erkennen von Stenose-Kandidaten auf Grundlage der geschätzten Lumen-Querschnittsfläche.
Vorrichtung nach Anspruch 16, weiter umfassend: ein Mittel zum Erkennen von nicht zu Gefäßen gehörenden Bereichen entlang den extrahierten Koronararterien-Mittellinien; und ein Mittel zum Entfernen der erkannten nicht zu Gefäßen gehörenden Bereiche von den extrahierten Koronargefäß-Mittellinien.
Vorrichtung nach Anspruch 17, wobei das Mittel zum Erkennen von nicht zu Gefäßen gehörenden Bereichen entlang den extrahierten Koronararterien-Mittellinien umfasst: ein Mittel zum Erkennen der nicht zu Gefäßen gehörenden Bereiche unter Verwendung eines trainierten Detektors für nicht zu Gefäßen gehörende Bereiche auf Grundlage von rotationsinvarianten Merkmalen, die an jedem aus einer Vielzahl von Punkten entlang der Koronargefäß-Mittellinien unter Verwendung eines zylindrischen Abtastmusters extrahiert sind.
Vorrichtung nach Anspruch 16, wobei das Mittel zum Schätzen einer Lumen-Querschnittsfläche auf Grundlage der extrahierten Koronargefäß-Mittellinien umfasst: ein Mittel zum Schätzen der Lumen-Querschnittsfläche an jedem aus einer Vielzahl von Punkten in den extrahierten Koronargefäß-Mittellinien unter Verwendung einer trainierten Regressionsfunktion.
Vorrichtung nach Anspruch 16, wobei das Mittel zum Erkennen von Stenose-Kandidaten auf Grundlage der geschätzten Lumen-Querschnittsfläche umfasst: ein Mittel zum Erzeugen einer Grundlinien-Kurve unter Verwendung eines Tiefpassfilters und einer Spline-Glättung; ein Mittel zum Erzeugen einer trendbereinigten Restkurve durch Subtrahieren der Grundlinien-Kurve von der geschätzten Lumen-Querschnittsfläche in einem Segment der Koronargefäß-Mittellinien; ein Mittel zum Extrahieren lokaler Maxima und lokaler Minima der trendbereinigten Restkurve; und ein Mittel zum Erkennen eines Stenose-Kandidaten in dem Segment des Koronargefäßes auf Grundlage der lokalen Maxima und lokalen Minima der trendbereinigten Restkurve.
Vorrichtung nach Anspruch 16, weiter umfassend: ein Mittel zum automatischen Klassifizieren der erkannten Stenose-Kandidaten.
Vorrichtung nach Anspruch 21, wobei das Mittel zum Klassifizieren der erkannten Stenose-Kandidaten umfasst: ein Mittel zum Vergleichen mindestens eines Merkmals jedes erkannten Stenose-Kandidaten mit einem Schwellwert, um zu bestimmen, ob der Stenose-Kandidat signifikant ist; ein Mittel zum Verwerfen aller als nicht signifikant bestimmten Stenose-Kandidaten; und ein Mittel zum Klassifizieren jedes signifikanten Stenose-Kandidaten als einen aus den Kategorien verkalkt, nicht verkalkt und gemischt.
Vorrichtung nach Anspruch 22, wobei das Mittel zum Klassifizieren jedes signifikanten Stenose-Kandidaten als einen aus den Kategorien verkalkt, nicht verkalkt und gemischt umfasst: ein Mittel zum Bestimmen eines Verkalkungs-Wahrscheinlichkeitsergebnisses für jeden aus einer Vielzahl von Punkten in einem signifikanten Stenose-Kandidaten unter Verwendung eines trainierten Detektors für verkalkte Stenose; ein Mittel zum Bestimmen eines Nichtverkalkungs-Wahrscheinlichkeitsergebnisses für jeden aus der Vielzahl von Punkten in dem signifikanten Stenose-Kandidaten unter Verwendung eines trainierten Detektors für nicht verkalkte Stenose; und ein Mittel zum Klassifizieren des signifikanten Stenose-Kandidaten als einen aus den Kategorien verkalkt, nicht verkalkt und gemischt auf Grundlage der Verkalkungs-Wahrscheinlichkeitsergebnisse und der Nichtverkalkungs-Wahrscheinlichkeitsergebnisse der Vielzahl von Punkten in dem signifikanten Stenose-Kandidaten.
Nichtflüchtiges computerlesbares Medium, auf dem computerausführbare Anweisungen zum Erkennen von Koronarstenosen in einem 3D-CT-Volumen codiert sind, wobei die computerausführbaren Anweisungen Schritte definieren, die umfassen: Extrahieren von Koronargefäß-Mittellinien aus dem 3D-CT-Volumen; Schätzen einer Lumen-Querschnittsfläche auf Grundlage der Koronargefäß-Mittellinien; und Erkennen von Stenose-Kandidaten auf Grundlage der geschätzten Lumen-Querschnittsfläche.
Computerlesbares Medium nach Anspruch 24, weiter umfassend computerausführbare Anweisungen, die folgende Schritte definieren: Erkennen von nicht zu Gefäßen gehörenden Bereichen entlang den extrahierten Koronararterien-Mittellinien; und Entfernen der erkannten nicht zu Gefäßen gehörenden Bereiche von den extrahierten Koronargefäß-Mittellinien.
Computerlesbares Medium nach Anspruch 25, wobei die computerausführbaren Anweisungen, die den Schritt des Erkennens nicht zu Gefäßen gehörender Bereiche entlang den extrahierten Koronararterien-Mittellinien definieren, computerausführbare Anweisungen umfassen, die den folgenden Schritt definieren: Erkennen der nicht zu Gefäßen gehörenden Bereiche unter Verwendung eines trainierten Detektors für nicht zu Gefäßen gehörende Bereiche auf Grundlage von rotationsinvarianten Merkmalen, die an jedem aus einer Vielzahl von Punkten entlang der Koronargefäß-Mittellinien unter Verwendung eines zylindrischen Abtastmusters extrahiert sind.
Computerlesbares Medium nach Anspruch 24, wobei die computerausführbaren Anweisungen, die den Schritt des Schätzens einer Lumen-Querschnittsfläche auf Grundlage der extrahierten Koronargefäß-Mittellinien definieren, computerausführbare Anweisungen umfassen, die den folgenden Schritt definieren: Schätzen der Lumen-Querschnittsfläche an jedem aus einer Vielzahl von Punkten in den extrahierten Koronargefäß-Mittellinien unter Verwendung einer trainierten Regressionsfunktion.
Computerlesbares Medium nach Anspruch 24, wobei die computerausführbaren Anweisungen, die den Schritt des Erkennens von Stenose-Kandidaten auf Grundlage der geschätzten Lumen-Querschnittsfläche definieren, computerausführbare Anweisungen umfassen, welche die folgenden Schritte definieren: Erzeugen einer Grundlinien-Kurve unter Verwendung eines Tiefpassfilters und einer Spline-Glättung; Erzeugen einer trendbereinigten Restkurve durch Subtrahieren der Grundlinien-Kurve von der geschätzten Lumen-Querschnittsfläche in einem Segment der Koronargefäß-Mittellinien; Extrahieren lokaler Maxima und lokaler Minima der trendbereinigten Restkurve; und Erkennen eines Stenose-Kandidaten in dem Segment des Koronargefäßes auf Grundlage der lokalen Maxima und lokalen Minima der trendbereinigten Restkurve.
Computerlesbares Medium nach Anspruch 24, weiter umfassend computerausführbare Anweisungen, die den folgenden Schritt definieren: automatisches Klassifizieren des erkannten Stenose-Kandidaten.
Computerlesbares Medium nach Anspruch 29, wobei die computerausführbaren Anweisungen, die den Schritt des Klassifizierens der erkannten Stenose-Kandidaten definieren, computerausführbare Anweisungen umfassen, welche die folgenden Schritte definieren: Vergleichen mindestens eines Merkmals jedes erkannten Stenose-Kandidaten mit einem Schwellwert, um zu bestimmen, ob der Stenose-Kandidat signifikant ist; Verwerfen aller als nicht signifikant bestimmten Stenose-Kandidaten; und Klassifizieren jedes signifikanten Stenose-Kandidaten als einen aus den Kategorien verkalkt, nicht verkalkt und gemischt.
Computerlesbares Medium nach Anspruch 30, wobei die computerausführbaren Anweisungen, die den Schritt des Klassifizierens jedes signifikanten Stenose-Kandidaten als einen aus den Kategorien verkalkt, nicht verkalkt und gemischt definieren, computerausführbare Anweisungen umfassen, welche die folgenden Schritte definieren: Bestimmen eines Verkalkungs-Wahrscheinlichkeitsergebnisses für jeden aus einer Vielzahl von Punkten in einem signifikanten Stenose-Kandidaten unter Verwendung eines trainierten Detektors für verkalkte Stenose; Bestimmen eines Nichtverkalkungs-Wahrscheinlichkeitsergebnisses für jeden aus der Vielzahl von Punkten in dem signifikanten Stenose-Kandidaten unter Verwendung eines trainierten Detektors für nicht verkalkte Stenose; und Klassifizieren des signifikanten Stenose-Kandidaten als einen aus den Kategorien verkalkt, nicht verkalkt und gemischt auf Grundlage der Verkalkungs-Wahrscheinlichkeitsergebnisse und der Nichtverkalkungs-Wahrscheinlichkeitsergebnisse der Vielzahl von Punkten in dem signifikanten Stenose-Kandidaten.