DE102011013505A1 - Verfahren und System zur automatischen Erkennung und Klassifizierung von Koronarstenosen in Herz-CT-Volumina - Google Patents
Verfahren und System zur automatischen Erkennung und Klassifizierung von Koronarstenosen in Herz-CT-Volumina Download PDFInfo
- Publication number
- DE102011013505A1 DE102011013505A1 DE102011013505A DE102011013505A DE102011013505A1 DE 102011013505 A1 DE102011013505 A1 DE 102011013505A1 DE 102011013505 A DE102011013505 A DE 102011013505A DE 102011013505 A DE102011013505 A DE 102011013505A DE 102011013505 A1 DE102011013505 A1 DE 102011013505A1
- Authority
- DE
- Germany
- Prior art keywords
- stenosis
- calcified
- candidate
- significant
- computer
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 201000000057 Coronary Stenosis Diseases 0.000 title claims abstract description 15
- 238000001514 detection method Methods 0.000 title abstract description 29
- 230000000747 cardiac effect Effects 0.000 title description 4
- 208000031481 Pathologic Constriction Diseases 0.000 claims abstract description 157
- 208000037804 stenosis Diseases 0.000 claims abstract description 148
- 230000036262 stenosis Effects 0.000 claims abstract description 148
- 210000004351 coronary vessel Anatomy 0.000 claims abstract description 110
- 230000002792 vascular Effects 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 26
- 230000002308 calcification Effects 0.000 claims description 20
- 238000002591 computed tomography Methods 0.000 claims description 14
- 238000007637 random forest analysis Methods 0.000 claims description 11
- 238000009499 grossing Methods 0.000 claims description 5
- 210000005166 vasculature Anatomy 0.000 claims 1
- 230000003902 lesion Effects 0.000 description 18
- 230000006870 function Effects 0.000 description 14
- 238000004422 calculation algorithm Methods 0.000 description 10
- 210000001367 artery Anatomy 0.000 description 7
- 238000002790 cross-validation Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 230000035945 sensitivity Effects 0.000 description 6
- 210000000709 aorta Anatomy 0.000 description 5
- 210000003462 vein Anatomy 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 3
- 239000013641 positive control Substances 0.000 description 3
- 206010008479 Chest Pain Diseases 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000010968 computed tomography angiography Methods 0.000 description 2
- 208000029078 coronary artery disease Diseases 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 210000005240 left ventricle Anatomy 0.000 description 2
- 230000001373 regressive effect Effects 0.000 description 2
- 230000002966 stenotic effect Effects 0.000 description 2
- BUHVIAUBTBOHAG-FOYDDCNASA-N (2r,3r,4s,5r)-2-[6-[[2-(3,5-dimethoxyphenyl)-2-(2-methylphenyl)ethyl]amino]purin-9-yl]-5-(hydroxymethyl)oxolane-3,4-diol Chemical compound COC1=CC(OC)=CC(C(CNC=2C=3N=CN(C=3N=CN=2)[C@H]2[C@@H]([C@H](O)[C@@H](CO)O2)O)C=2C(=CC=CC=2)C)=C1 BUHVIAUBTBOHAG-FOYDDCNASA-N 0.000 description 1
- 206010000234 Abortion spontaneous Diseases 0.000 description 1
- 101100232929 Caenorhabditis elegans pat-4 gene Proteins 0.000 description 1
- 208000002251 Dissecting Aneurysm Diseases 0.000 description 1
- 208000010378 Pulmonary Embolism Diseases 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 206010002895 aortic dissection Diseases 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 238000002586 coronary angiography Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 208000015994 miscarriage Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 210000005241 right ventricle Anatomy 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 208000000995 spontaneous abortion Diseases 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
- G06T7/0014—Biomedical image inspection using an image reference approach
- G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
-
- 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
- G06T2207/30172—Centreline of tubular or elongated structure
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
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 und4B stellen ein zylindrisches Abtastmuster für die Merkmalsextraktion dar; -
5 und6 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 Schritts106 von1 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 und16 stellen beispielhafte Ergebnisse der Stenose-Erkennung und -Klassifizierung dar, die unter Verwendung des Verfahrens von1 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 in1 dargestellt, wird in Schritt102 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 Schritt104 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 Schritt104 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 Schritt104 extrahierte Mittellinien teilweise oder vollständig inkorrekt sein.2 stellt beispielhafte gekrümmte Mehrebenen-Rekonstruktions-(CPR-)Ansichten von Koronargefäß-Mittellinien-Nachziehergebnissen dar, die aus Schritt104 hervorgingen. Die in2 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 Bildern200 und210 von2 sind die Mittellinien202 und212 teilweise inkorrekt und sind in eine Herzkammer bzw. in die Aorta nachgezogen. In den Bildern220 und230 sind die Mittellinien222 und232 teilweise inkorrekt und sind in eine Vene nachgezogen. In den Bildern240 und260 sind die Mittellinien242 und262 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 - 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-Mittellinienbaum300 dar, der aus einzelnen extrahierten Mittellinien erhalten wurde. Wie in3 gezeigt, enthält der Mittellinienbaum300 die RIVA-, RCX- und RCA-Koronararterien und ihre Äste302 ,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 und4B stellen ein zylindrisches Abtastmuster für die Merkmalsextraktion dar. Wie in4A dargestellt, ist die Achse jedes zylindrischen Abtastmusters402a und402b zur Mittellinie404 ausgerichtet. Die zylindrischen Abtastmuster402a und402b sind auf einen jeweiligen der Kontrollpunkte406a –406e auf der Mittellinie404 zentriert. Die zylindrischen Abtastmuster402a und402b weisen eine genügend große Länge auf, dass es eine Überlappung408 zwischen den zylindrischen Abtastmustern402a und402b an zwei benachbarten Kontrollpunkten406a und406b gibt. Ausführungsformen der vorliegenden Erfindung benutzen Merkmale, die rotationsinvariant um die Achse des Zylinders sind. Wie in4B gezeigt, wird ein zylindrisches Abtastmuster410 der Länge L und des Radius R um einen Kontrollpunkt412 beschrieben. Für einen Punkt im Abstand l, –L/2 ≤ l ≤ L/2, von dem Kontrollpunkt412 entlang der Achse des Zylinders410 können die folgenden neun Merkmale bei einem Radius r extrahiert werden, wobei 0 ≤ r ≤ R: mittlere, minimale und maximale Intensität (Imitt, Imin, Imax), mittlerer, minimaler und maximaler Gradient entlang der radialen Richtung (Gr / mitt r / min r / max t / mitt t / min t / max - 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 zeigt5 ROC-Kurven Sensitivität gegen Spezifität, die erhalten wurden, indem der Random-Forests-trainierte Klassifikator über 229 Volumina auf Basis pro Gefäßpunkt benutzt wurde. Die Grafik500 zeigt die ROC-Kurven502 ,504 und506 für die Erkennung der RIVA-, RCX- bzw. RCA-Koronararterien, durchgeführt über Trainingsdaten. Die Grafik510 zeigt die ROC-Kurven512 ,514 und516 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 zeigt6 ROC-Kurven PPV gegen NPV, die erhalten wurden, indem der Random-Forests-trainierte Klassifikator über 229 Volumina auf Basis pro Gefäßpunkt benutzt wurde. Die Grafik600 zeigt die ROC-Kurven602 ,604 und606 für die Erkennung der RIVA-, RCX- bzw. RCA-Koronararterien, durchgeführt über Trainingsdaten. Die Grafik610 zeigt die ROC-Kurven612 ,614 und616 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 Schritts106 von1 dar. Insbesondere zeigt7 CPR-Ansichten von Mittellinien-Erkennungsergebnissen700 ,710 ,720 ,730 ,740 und750 , die aus Schritt104 von1 hervorgingen, sowie entsprechende Ergebnisse der Erkennung nicht zu Gefäßen gehörender Bereiche704 ,714 ,724 ,734 ,744 und754 , die aus Schritt106 hervorgingen. Außerhalb der Koronargefäße erkannte Punkte sind in den Bildern704 ,714 ,724 ,734 ,744 und754 mit einem „+”-Zeichen markiert. Das Bild700 zeigt eine erkannte Mittellinie702 , und das Bild704 zeigt erkannte nicht zu Gefäßen gehörende Bereiche706 der Mittellinie702 . Das Bild710 zeigt eine erkannte Mittellinie712 , und das Bild714 zeigt erkannte nicht zu Gefäßen gehörende Bereiche716 der Mittellinie712 . Das Bild720 zeigt eine erkannte Mittellinie722 , und das Bild724 zeigt erkannte nicht zu Gefäßen gehörende Bereiche726 der Mittellinie722 . Das Bild730 zeigt eine erkannte Mittellinie732 , und das Bild734 zeigt erkannte nicht zu Gefäßen gehörende Bereiche736 der Mittellinie732 . Das Bild740 zeigt eine erkannte Mittellinie742 , und das Bild744 zeigt erkannte nicht zu Gefäßen gehörende Bereiche746 der Mittellinie742 . Wie in Bild744 gezeigt, ist die gesamte Mittellinie742 des Bildes740 als nicht zu Gefäßen gehörender Bereich746 erkannt. Das Bild750 zeigt eine erkannte Mittellinie752 , und das Bild754 zeigt erkannte nicht zu Gefäßen gehörende Bereiche756 der Mittellinie752 . Wie in Bild754 gezeigt, ist die gesamte Mittellinie752 des Bildes750 als nicht zu Gefäßen gehörender Bereich746 erkannt. - Zurück zu
1 wird in Schritt108 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), ..., (xi, yi),, (xN, yN) wird konstruiert durch manuelles Segmentieren des Lumens von Koronargefäßen in einigen CCTA-Datenmengen und Berechnen der Querschnittsflächen und aus diesen der Radien yi an insgesamt N Punkten entlang den Mittellinien. Für dieselben Punkte entlang den Mittellinien wird eine Menge von Merkmalen xi 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 und106 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. In8 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 in9 dargestellt, zeigt die Radiuskurve902 die Radiusschätzung an verschiedenen Punkten des Mittelliniensegments. Die Radiuskurve902 ergibt sich aus der Radius-/Flächenschätzung von Schritt108 der1 . Es versteht sich, dass eine Flächenkurve ähnlich wie die Radiuskurve902 der9 benutzt werden kann. Unter Verwendung eines Tiefpassfilters (oder einer Spline-Glättung) wird eine „Grundlinien”-Kurve904 berechnet. Die Grundlinienkurve904 wird von der Radiuskurve902 subtrahiert, um eine trendbereinigte Restkurve zu erhalten, die wiederum etwas geglättet wird und die Kurve906 in9 ergibt. Von dieser Kurve906 werden die Positionen aller lokalen Optima extrahiert. Wie in9 gezeigt, ergibt dies eine Kurve der lokalen Maxima908 und eine Kurve der lokalen Minima910 . 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 in9 gezeigt, wird ein Stenose-Kandidat912 über einen Bereich der Mittellinie erkannt, an dem ein max-min-max-Muster beobachtet wird. Eine Verzweigung914 ist ebenfalls in9 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 rmin die minimale Radius-Schätzung innerhalb des Stenose-Kandidaten, rlinks die Radius-Schätzung am linken Ende (zum Ostium hin) und rrechts 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 Schritt112 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 in4 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 von10 kann zum Umsetzen des Schritts112 von1 benutzt werden. In Schritt1002 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 Schritt1004 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 in4 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 in11 dargestellt, zeigt das Bild 1100 die Annotation einer Mittellinie1102 der RIVA-Koronararterie und verkalkte Läsionen1104 und1106 an der RIVA-Koronararterie. Bild1110 ist eine gestreckte CPR-Ansicht derselben RIVA-Koronararterie und zeigt die Annotation der Mittellinie1102 und der verkalkten Läsionen1104 und1106 . - 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 auf4B , für einen Punkt im Abstand l, –L/2 ≤ l ≤ L/2, von einem Kontrollpunkt412 entlang der Achse des Zylinders410 die folgenden neun Merkmale bei einem Radius r extrahiert werden, wobei 0 ≤ r ≤ R: mittlere, minimale und maximale Intensität (Imitt, Imin, Imax), mittlerer, minimaler und maximaler Gradient entlang der radialen Richtung (Gr / mitt r / min r / max t / mitt t / min t / max - 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 in12 dargestellt, stellen die Punkte1202 die ursprünglichen positiven Kontrollpunkte, die Punkte1204 die interpolierten Punkte und die Punkte1206 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 in13 dargestellt, ist die Grafik1300 eine ROC-Kurve, welche die Anzahl falsch-positiver Läsionen gegen den Prozentsatz korrekt erkannter Läsionen zeigt. Die Grafik1310 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 in14 dargestellt, zeigen die Bilder1400 ,1405 ,1410 ,1415 ,1420 ,1425 ,1430 ,1435 ,1440 und1445 eingegebene Bilder, und die Bilder1402 ,1407 ,1412 ,1417 ,1422 ,1427 ,1432 ,1437 ,1442 und1447 zeigen verkalkte Stenosen1404 ,1409 1414 ,1419 ,1424 ,1429 ,1434 ,1439 ,1444 und1449 , die in den Bildern1400 ,1405 ,1410 ,1415 ,1420 ,1425 ,1430 ,1435 ,1440 bzw.1445 erkannt wurden. - Zurück zu
10 werden in Schritt1006 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 Schritt114 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 und10 abliefen.RIVA RCX RCA Gesamt Läsion TPR 100,00% 90,00% 95,24% 94,55% 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% - Die
15 und16 stellen beispielhafte Ergebnisse der Stenose-Erkennung und -Klassifizierung dar, die unter Verwendung des Verfahrens von1 erhalten wurden. Wie in15 dargestellt, zeigt Bild1500 eine Mittellinie1502 einer Koronararterie, einen auf der Mittellinie1502 erkannten nicht zu Gefäßen gehörenden Bereich1504 und eine in der Koronararterie entdeckte verkalkte Stenose1506 . Die verkalkte Stenose weist einen Grad von 0,68 auf, und keine anderen signifikanten Stenosen wurden erkannt. Wie in16 dargestellt, zeigt Bild1600 eine Mittellinie1602 einer Koronararterie, einen auf der Mittellinie1602 erkannten nicht zu Gefäßen gehörenden Bereich1604 und eine in der Koronararterie entdeckte nicht verkalkte Stenose1606 . 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 von10 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 Computer1702 enthält einen Prozessor1704 , der den Gesamtbetrieb des Computers1702 steuert, indem er Computerprogrammanweisungen ausführt, die diesen Betrieb definieren. Die Computerprogrammanweisungen können in einem Speichergerät1712 (z. B. auf einer Magnetplatte) gespeichert sein und in den Arbeitsspeicher1710 geladen werden, wenn die Ausführung der Computerprogrammanweisungen gewünscht ist. Daher können die Schritte der Verfahren der1 und10 durch die im Arbeitsspeicher1710 oder im Speichergerät1712 gespeicherten Computerprogrammanweisungen definiert sein, und durch den Prozessor1704 gesteuert werden, der die Computerprogrammanweisungen ausführt. Eine Bilderfassungsvorrichtung1720 , wie etwa ein Computertomograph, kann an den Computer1702 angeschlossen sein, um Bilddaten in den Computer1702 einzugeben. Es ist möglich, die Bilderfassungsvorrichtung1720 und den Computer1702 als eine Vorrichtung umzusetzen. Es ist auch möglich, dass die Bilderfassungsvorrichtung1720 und der Computer1702 drahtlos über ein Netzwerk kommunizieren. Der Computer1702 enthält auch eine oder mehrere Netzwerkschnittstellen1706 zum Kommunizieren mit anderen Vorrichtungen über ein Netzwerk. Der Computer1702 enthält auch andere Ein-/Ausgabevorrichtungen1708 , die Benutzerinteraktion mit dem Computer1702 ermöglichen (z. B. Bildschirm, Tastatur, Maus, Lautsprecher, Drucktasten usw.). Solche Ein-/Ausgabevorrichtungen1708 können in Verbindung mit einem Satz von Computerprogrammen als Annotierungswerkzeug zum Annotieren von Volumina verwendet werden, die von der Bilderfassungsvorrichtung1720 empfangen wurden. Ein Fachmann wird erkennen, dass eine Umsetzung eines tatsächlichen Computers ebenso andere Bestandteile enthalten könnte, und dass17 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 (31)
- 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.
Applications Claiming Priority (8)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US31328210P | 2010-03-12 | 2010-03-12 | |
US61/313,282 | 2010-03-12 | ||
US38446210P | 2010-09-20 | 2010-09-20 | |
US61/384,462 | 2010-09-20 | ||
US38720210P | 2010-09-28 | 2010-09-28 | |
US61/387,202 | 2010-09-28 | ||
US13/040,716 | 2011-03-04 | ||
US13/040,716 US8526699B2 (en) | 2010-03-12 | 2011-03-04 | Method and system for automatic detection and classification of coronary stenoses in cardiac CT volumes |
Publications (2)
Publication Number | Publication Date |
---|---|
DE102011013505A1 true DE102011013505A1 (de) | 2012-02-16 |
DE102011013505B4 DE102011013505B4 (de) | 2022-10-27 |
Family
ID=44560617
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102011013505.7A Active DE102011013505B4 (de) | 2010-03-12 | 2011-03-10 | Verfahren und System zur automatischen Erkennung und Klassifizierung von Koronarstenosen in Herz-CT-Volumina |
Country Status (3)
Country | Link |
---|---|
US (1) | US8526699B2 (de) |
CN (1) | CN102258381B (de) |
DE (1) | DE102011013505B4 (de) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112863654A (zh) * | 2021-02-09 | 2021-05-28 | 杭州深睿博联科技有限公司 | 一种心脏冠脉血管的自动化命名方法及装置 |
Families Citing this family (73)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10162932B2 (en) | 2011-11-10 | 2018-12-25 | Siemens Healthcare Gmbh | Method and system for multi-scale anatomical and functional modeling of coronary circulation |
US9129417B2 (en) * | 2012-02-21 | 2015-09-08 | Siemens Aktiengesellschaft | Method and system for coronary artery centerline extraction |
CN103300820A (zh) * | 2012-03-13 | 2013-09-18 | 西门子公司 | 用于冠状动脉狭窄的非侵入性功能评估的方法和系统 |
US10373700B2 (en) | 2012-03-13 | 2019-08-06 | Siemens Healthcare Gmbh | Non-invasive functional assessment of coronary artery stenosis including simulation of hyperemia by changing resting microvascular resistance |
US9135699B2 (en) | 2012-03-15 | 2015-09-15 | Siemens Aktiengesellschaft | Method and system for hemodynamic assessment of aortic coarctation from medical image data |
CN109452930B (zh) | 2012-05-14 | 2021-10-29 | 直观外科手术操作公司 | 用于使用减小的搜索空间的医疗设备的配准系统和方法 |
US10039473B2 (en) | 2012-05-14 | 2018-08-07 | Intuitive Surgical Operations, Inc. | Systems and methods for navigation based on ordered sensor records |
JP6334902B2 (ja) | 2012-11-30 | 2018-05-30 | キヤノンメディカルシステムズ株式会社 | 医用画像処理装置 |
US9349220B2 (en) * | 2013-03-12 | 2016-05-24 | Kabushiki Kaisha Toshiba | Curve correction in volume data sets |
US9747527B2 (en) * | 2013-03-15 | 2017-08-29 | Nvidia Corporation | Performing object detection operations via random forest classifier |
US9974442B2 (en) * | 2013-06-24 | 2018-05-22 | Toshiba Medical Systems Corporation | Method of, and apparatus for, processing volumetric image data |
US9805463B2 (en) * | 2013-08-27 | 2017-10-31 | Heartflow, Inc. | Systems and methods for predicting location, onset, and/or change of coronary lesions |
US9629563B2 (en) | 2013-09-04 | 2017-04-25 | Siemens Healthcare Gmbh | Method and system for functional assessment of renal artery stenosis from medical images |
US9700219B2 (en) | 2013-10-17 | 2017-07-11 | Siemens Healthcare Gmbh | Method and system for machine learning based assessment of fractional flow reserve |
US9943277B2 (en) | 2014-04-02 | 2018-04-17 | International Business Machines Corporation | Detecting coronary stenosis through spatio-temporal tracking |
CN106659399B (zh) * | 2014-05-05 | 2020-06-16 | 西门子保健有限责任公司 | 使用患病和假想正常解剖学模型中的流计算的冠状动脉狭窄的非侵入功能评价的方法和系统 |
US9595089B2 (en) | 2014-05-09 | 2017-03-14 | Siemens Healthcare Gmbh | Method and system for non-invasive computation of hemodynamic indices for coronary artery stenosis |
US9747525B2 (en) | 2014-06-16 | 2017-08-29 | Siemens Healthcare Gmbh | Method and system for improved hemodynamic computation in coronary arteries |
US10130266B2 (en) | 2014-06-30 | 2018-11-20 | Siemens Healthcare Gmbh | Method and system for prediction of post-stenting hemodynamic metrics for treatment planning of arterial stenosis |
US9888968B2 (en) * | 2014-07-22 | 2018-02-13 | Siemens Healthcare Gmbh | Method and system for automated therapy planning for arterial stenosis |
US9642586B2 (en) * | 2014-08-18 | 2017-05-09 | Siemens Aktiengesellschaft | Computer-aided analysis of medical images |
US9773155B2 (en) * | 2014-10-14 | 2017-09-26 | Microsoft Technology Licensing, Llc | Depth from time of flight camera |
KR102361733B1 (ko) | 2014-11-28 | 2022-02-11 | 삼성전자주식회사 | 3d cta영상으로부터 관상동맥의 구조를 모델링하는 방법 및 장치 |
US10478130B2 (en) | 2015-02-13 | 2019-11-19 | Siemens Healthcare Gmbh | Plaque vulnerability assessment in medical imaging |
US11471367B2 (en) | 2015-02-17 | 2022-10-18 | The Brigham And Women's Hospital, Inc. | Systems and methods for promotion of angiogenesis and adipogenesis in tissues through application of mechanical forces |
US10872698B2 (en) * | 2015-07-27 | 2020-12-22 | Siemens Healthcare Gmbh | Method and system for enhancing medical image-based blood flow computations using physiological measurements |
EP3422939A4 (de) * | 2016-03-04 | 2020-04-15 | 4DX Limited | Verfahren und system zur bildgebung |
DE102016203860A1 (de) * | 2016-03-09 | 2017-09-14 | Siemens Healthcare Gmbh | Vorrichtung und Verfahren zum Ermitteln zumindest eines individuellen fluiddynamischen Kennwerts einer Stenose in einem mehrere serielle Stenosen aufweisenden Gefäßsegment |
DE102016204225B3 (de) * | 2016-03-15 | 2017-07-20 | Friedrich-Alexander-Universität Erlangen-Nürnberg | Verfahren zur automatischen Erkennung von anatomischen Landmarken und Vorrichtung |
CA3017610C (en) * | 2016-03-16 | 2024-04-30 | Heartflow, Inc. | Systems and methods for estimating healthy lumen diameter and stenosis quantification in coronary arteries |
US10971271B2 (en) | 2016-04-12 | 2021-04-06 | Siemens Healthcare Gmbh | Method and system for personalized blood flow modeling based on wearable sensor networks |
US9767557B1 (en) | 2016-06-23 | 2017-09-19 | Siemens Healthcare Gmbh | Method and system for vascular disease detection using recurrent neural networks |
WO2018029237A1 (en) * | 2016-08-10 | 2018-02-15 | Agfa Healthcare | Method for automatically detecting systemic arteries in arbitrary field-of-view computed tomography angiography (cta). |
US10176575B2 (en) * | 2017-03-24 | 2019-01-08 | Pie Medical Imaging B.V. | Method and system for assessing vessel obstruction based on machine learning |
JP7300027B2 (ja) | 2017-07-05 | 2023-06-28 | キヤノン株式会社 | 画像処理装置、画像処理方法、学習装置、学習方法、及びプログラム |
EP3428925B1 (de) | 2017-07-12 | 2022-06-29 | Siemens Healthcare GmbH | Verfahren und system für klinische entscheidungsunterstützung mit lokaler und entfernter analytik |
US10909676B2 (en) * | 2017-07-12 | 2021-02-02 | Siemens Healthcare Gmbh | Method and system for clinical decision support with local and remote analytics |
US11589924B2 (en) | 2017-08-01 | 2023-02-28 | Siemens Healthcare Gmbh | Non-invasive assessment and therapy guidance for coronary artery disease in diffuse and tandem lesions |
US10762637B2 (en) | 2017-10-27 | 2020-09-01 | Siemens Healthcare Gmbh | Vascular segmentation using fully convolutional and recurrent neural networks |
CN109350102B (zh) * | 2017-11-28 | 2022-07-26 | 科亚医疗科技股份有限公司 | 用于确定血管容量和冠状血流量的方法、装置及系统 |
US11369278B2 (en) | 2017-11-28 | 2022-06-28 | Beijing Keya Medical Technology Co., Ltd. | Methods and systems for determining lumen volume and coronary blood flow |
US10699407B2 (en) | 2018-04-11 | 2020-06-30 | Pie Medical Imaging B.V. | Method and system for assessing vessel obstruction based on machine learning |
EP3564963A1 (de) | 2018-05-02 | 2019-11-06 | Siemens Healthcare GmbH | System und verfahren zur schnellen berechnung der auf computertomografie basierenden fraktionierten strömungsreserve |
US11389130B2 (en) | 2018-05-02 | 2022-07-19 | Siemens Healthcare Gmbh | System and methods for fast computation of computed tomography based fractional flow reserve |
CN109190540B (zh) * | 2018-06-06 | 2020-03-17 | 腾讯科技(深圳)有限公司 | 活检区域预测方法、图像识别方法、装置和存储介质 |
CN109979593B (zh) * | 2018-09-24 | 2021-04-13 | 北京科亚方舟医疗科技股份有限公司 | 血管路径的健康半径的预测方法、血管路径的候选狭窄处的预测方法、血管狭窄度预测装置 |
CN109493323B (zh) * | 2018-10-22 | 2022-03-15 | 北京师范大学 | 基于截面形变几何信息的冠脉狭窄双重判定方法 |
CN109801277B (zh) * | 2019-01-18 | 2021-04-20 | 浙江大学 | 一种图像处理方法及装置、存储介质 |
US10813612B2 (en) | 2019-01-25 | 2020-10-27 | Cleerly, Inc. | Systems and method of characterizing high risk plaques |
CN109875595B (zh) * | 2019-03-12 | 2021-02-09 | 数坤(北京)网络科技有限公司 | 一种颅内血管状态检测方法及装置 |
CN110136107B (zh) * | 2019-05-07 | 2023-09-05 | 上海交通大学 | 基于dssd和时域约束x光冠脉造影序列自动分析方法 |
EP3986278B1 (de) * | 2019-07-22 | 2023-06-07 | Siemens Healthcare GmbH | Beurteilung der kalzifikation der koronararterie auf angiografischen bildern |
JP7324086B2 (ja) * | 2019-08-15 | 2023-08-09 | キヤノン株式会社 | 情報処理装置、情報処理方法 |
CN110889896B (zh) * | 2019-11-11 | 2024-03-22 | 苏州润迈德医疗科技有限公司 | 获取血管狭窄病变区间及三维合成方法、装置和系统 |
CN110910370B (zh) * | 2019-11-21 | 2023-02-28 | 北京理工大学 | 一种cta图像冠脉狭窄检测的方法及装置 |
CN110823311B (zh) * | 2019-11-26 | 2022-07-19 | 湖南农业大学 | 一种快速估算油菜角果体积的方法 |
EP3828817B1 (de) * | 2019-11-28 | 2023-08-23 | Siemens Healthcare GmbH | Computerimplementiertes verfahren zur bewertung eines ct-datensatzes hinsichtlich perivaskulärem gewebe, bewertungsvorrichtung, computerprogramm und elektronisch lesbares speichermedium |
CN111209825B (zh) * | 2019-12-31 | 2022-07-01 | 武汉中海庭数据技术有限公司 | 一种用于动态目标3d检测的方法和装置 |
US11969280B2 (en) | 2020-01-07 | 2024-04-30 | Cleerly, Inc. | Systems, methods, and devices for medical image analysis, diagnosis, risk stratification, decision making and/or disease tracking |
US20220392065A1 (en) | 2020-01-07 | 2022-12-08 | Cleerly, Inc. | Systems, methods, and devices for medical image analysis, diagnosis, risk stratification, decision making and/or disease tracking |
JP2023509514A (ja) | 2020-01-07 | 2023-03-08 | クリールリー、 インコーポレーテッド | 医用画像分析、診断、重症度分類、意思決定、および/または疾患追跡のためのシステム、方法、およびデバイス |
CN111445449B (zh) * | 2020-03-19 | 2024-03-01 | 上海联影智能医疗科技有限公司 | 感兴趣区域的分类方法、装置、计算机设备和存储介质 |
EP4128040A4 (de) * | 2020-04-24 | 2023-09-13 | Shanghai United Imaging Healthcare Co., Ltd. | Systeme und verfahren zur objekterkennung |
CN111681226A (zh) * | 2020-06-09 | 2020-09-18 | 上海联影医疗科技有限公司 | 基于血管识别的目标组织定位方法和装置 |
CN111640102B (zh) * | 2020-05-29 | 2023-05-16 | 深圳睿心智能医疗科技有限公司 | 动脉瘤检测方法、装置以及计算机设备 |
CN111652880A (zh) * | 2020-07-01 | 2020-09-11 | 杭州脉流科技有限公司 | 基于神经网络的ct冠状动脉中心线种子点检测和追踪方法、装置、设备以及可读存储介质 |
CN111815599B (zh) * | 2020-07-01 | 2023-12-15 | 上海联影智能医疗科技有限公司 | 一种图像处理方法、装置、设备及存储介质 |
CN114359128A (zh) * | 2021-09-10 | 2022-04-15 | 数坤(北京)网络科技股份有限公司 | 一种血管狭窄的检测方法、装置及计算机可读介质 |
US11980492B2 (en) | 2021-11-05 | 2024-05-14 | GE Precision Healthcare LLC | System and method for deep-learning based estimation of coronary artery pressure drop |
US20230289963A1 (en) | 2022-03-10 | 2023-09-14 | Cleerly, Inc. | Systems, devices, and methods for non-invasive image-based plaque analysis and risk determination |
CN114972221B (zh) * | 2022-05-13 | 2022-12-23 | 北京医准智能科技有限公司 | 一种图像处理方法、装置、电子设备及可读存储介质 |
CN114708259B (zh) * | 2022-05-24 | 2022-08-16 | 深圳市铱硙医疗科技有限公司 | 基于cta的头颈血管狭窄检测方法、装置、设备及介质 |
CN116704149B (zh) * | 2023-08-03 | 2023-11-14 | 杭州脉流科技有限公司 | 获得颅内动脉狭窄参数的方法和装置 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6047080A (en) * | 1996-06-19 | 2000-04-04 | Arch Development Corporation | Method and apparatus for three-dimensional reconstruction of coronary vessels from angiographic images |
WO2005020790A2 (en) * | 2003-08-21 | 2005-03-10 | Ischem Corporation | Automated methods and systems for vascular plaque detection and analysis |
US20070274579A1 (en) * | 2003-11-26 | 2007-11-29 | Viatronix Incorporated | System And Method For Optimization Of Vessel Centerlines |
JP5337018B2 (ja) * | 2006-03-22 | 2013-11-06 | ヴォルケイノウ・コーポレーション | 分類基準に従った自動プラーク特性決定に基づく自動病変解析 |
US20100004526A1 (en) | 2008-06-04 | 2010-01-07 | Eigen, Inc. | Abnormality finding in projection images |
US9761004B2 (en) | 2008-09-22 | 2017-09-12 | Siemens Healthcare Gmbh | Method and system for automatic detection of coronary stenosis in cardiac computed tomography data |
CA2751469A1 (en) | 2009-02-05 | 2010-08-12 | Yoram Palti | Detecting a stenosis in a blood vessel |
DE102010009701A1 (de) | 2010-03-01 | 2011-09-01 | Siemens Aktiengesellschaft | Verfahren zur Identifikation einer Verengung eines Hohlgefäßes, Recheneinheit und Datenträger |
-
2011
- 2011-03-04 US US13/040,716 patent/US8526699B2/en active Active
- 2011-03-10 DE DE102011013505.7A patent/DE102011013505B4/de active Active
- 2011-03-11 CN CN201110101248.3A patent/CN102258381B/zh active Active
Non-Patent Citations (2)
Title |
---|
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 |
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 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112863654A (zh) * | 2021-02-09 | 2021-05-28 | 杭州深睿博联科技有限公司 | 一种心脏冠脉血管的自动化命名方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
US8526699B2 (en) | 2013-09-03 |
CN102258381A (zh) | 2011-11-30 |
DE102011013505B4 (de) | 2022-10-27 |
US20110224542A1 (en) | 2011-09-15 |
CN102258381B (zh) | 2014-12-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102011013505B4 (de) | Verfahren und System zur automatischen Erkennung und Klassifizierung von Koronarstenosen in Herz-CT-Volumina | |
DE102005036875B4 (de) | System und Verfahren zur 3-D Visualisierung eines Lungenpaars und der Lungenperfusion oder -dichte | |
DE102008002912B4 (de) | Vorrichtung und Verfahren zur Identifizierung von Okklusionen | |
DE102011076233B4 (de) | Verfahren und Computersystem zur Erkennung einer statistisch relevanten Normvariante der Gefaßstruktur eines Patienten mit Hilfe tomographischer Bilddatensatze | |
DE112020004049T5 (de) | Krankheitserkennung aus spärlich kommentierten volumetrischen medizinischen bildern unter verwendung eines faltenden langen kurzzeitgedächtnisses | |
DE10321722A1 (de) | Computergestützte Diagnose von Mehrfachenergiebildern | |
DE102012108185A1 (de) | System und Verfahren zur Visualisierung von Blutgefäßstenosen und zur Navigation | |
DE102005040438A1 (de) | Verfahren und Vorrichtung zur Embolieanalyse | |
DE10350438A1 (de) | Verfahren und Einrichtung zur medizinischen Interventionsverfahrenplanung | |
EP3185215A1 (de) | Automatisierte ermittlung von konturen auf basis einer iterativen rekonstruktion | |
DE112005001755T5 (de) | System und Verfahren zur Baummodell-Visualisierung zur Erkennung von Lungenembolie | |
DE102005050007A1 (de) | Vorrichtung und Verfahren zur Analyse von Gewebeklassen entlang röhrenförmiger Strukturen | |
DE102006046285A1 (de) | Verfahren zur Gefäßhervorhebung und Segmentierung in 3D Volumendaten | |
DE112005001741T5 (de) | System und Verfahren zur Baumprojektion zur Erkennung von Lungenembolie | |
DE102021131242A1 (de) | Medizinbild-Leseassistent-Vorrichtung und Verfahren zum Anpassen eines Schwellenwerts einer Diagnoseassistent-Information basierend auf einer Nachfolgeuntersuchung | |
DE102004061435A1 (de) | Verfahren und Vorrichtung zur Registrierung von Lungenbilddaten | |
DE102018108310A1 (de) | Bildverarbeitungsvorrichtung, Bildverarbeitungsverfahren und Bildverarbeitungsprogramm | |
DE102007029886B4 (de) | Verfahren zum Segmentieren einer Herzmuskelwand und Vorrichtung zur Detektion einer pathologisch veränderten Koronararterie | |
DE102017221276A1 (de) | Medizinische Bildverarbeitungsvorrichtung, Röntgen-CT Vorrichtung und medizinisches Bildverarbeitungsverfahren | |
DE102018214325A1 (de) | Verfahren und Bereitstellungseinheit zum Bereitstellen eines virtuellen tomographischen Schlaganfall-Nachfolgeuntersuchungsbildes | |
DE102009032257B4 (de) | Verfahren und Vorrichtung zur automatisierten Ermittlung der Mittellinie zumindest eines Teilstücks einer tubulären Gewebestruktur | |
DE112019005696T5 (de) | Verfahren und Vorrichtung zur Berechnung eines Koronararterien-Kalzium-Scores | |
EP3420902B1 (de) | Verfahren zur ermittlung einer gewebeverteilungsinformation aus röntgenbilddaten, röntgeneinrichtung, computerprogramm und elektronisch lesbarer datenträger | |
DE102014201321A1 (de) | Bestimmung von Läsionen in Bilddaten eines Untersuchungsobjekts | |
DE102015210912A1 (de) | Rekonstruktion eines Ergebnisbildes unter Berücksichtigung von Kontur-Signifikanz-Daten |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R012 | Request for examination validly filed | ||
R082 | Change of representative |
Representative=s name: MAIER, DANIEL OLIVER, DIPL.-ING. UNIV., DE |
|
R002 | Refusal decision in examination/registration proceedings | ||
R016 | Response to examination communication | ||
R125 | Request for further processing filed | ||
R126 | Request for further processing allowed | ||
R079 | Amendment of ipc main class |
Free format text: PREVIOUS MAIN CLASS: A61B0019000000 Ipc: A61B0034000000 |
|
R081 | Change of applicant/patentee |
Owner name: SIEMENS HEALTHCARE GMBH, DE Free format text: FORMER OWNERS: SIEMENS AKTIENGESELLSCHAFT, 80333 MUENCHEN, DE; SIEMENS CORPORATION, ISELIN, N.J., US Owner name: SIEMENS CORPORATION, ISELIN, US Free format text: FORMER OWNERS: SIEMENS AKTIENGESELLSCHAFT, 80333 MUENCHEN, DE; SIEMENS CORPORATION, ISELIN, N.J., US |
|
R082 | Change of representative |
Representative=s name: MAIER, DANIEL OLIVER, DIPL.-ING. UNIV., DE |
|
R016 | Response to examination communication | ||
R081 | Change of applicant/patentee |
Owner name: SIEMENS HEALTHCARE GMBH, DE Free format text: FORMER OWNERS: SIEMENS CORPORATION, ISELIN, N.J., US; SIEMENS HEALTHCARE GMBH, 91052 ERLANGEN, DE |
|
R082 | Change of representative |
Representative=s name: MAIER, DANIEL OLIVER, DIPL.-ING. UNIV., DE |
|
R082 | Change of representative |
Representative=s name: MAIER, DANIEL OLIVER, DIPL.-ING. UNIV., DE |
|
R018 | Grant decision by examination section/examining division | ||
R081 | Change of applicant/patentee |
Owner name: SIEMENS HEALTHCARE GMBH, DE Free format text: FORMER OWNERS: SIEMENS CORPORATION, ISELIN, N.J., US; SIEMENS HEALTHCARE GMBH, MUENCHEN, DE Owner name: SIEMENS HEALTHINEERS AG, DE Free format text: FORMER OWNERS: SIEMENS CORPORATION, ISELIN, N.J., US; SIEMENS HEALTHCARE GMBH, MUENCHEN, DE |
|
R082 | Change of representative | ||
R020 | Patent grant now final | ||
R081 | Change of applicant/patentee |
Owner name: SIEMENS HEALTHINEERS AG, DE Free format text: FORMER OWNER: SIEMENS HEALTHCARE GMBH, MUENCHEN, DE |