JP2023532268A - 深層学習に基づいて大動脈を取得する方法及び記憶媒体 - Google Patents
深層学習に基づいて大動脈を取得する方法及び記憶媒体 Download PDFInfo
- Publication number
- JP2023532268A JP2023532268A JP2022579901A JP2022579901A JP2023532268A JP 2023532268 A JP2023532268 A JP 2023532268A JP 2022579901 A JP2022579901 A JP 2022579901A JP 2022579901 A JP2022579901 A JP 2022579901A JP 2023532268 A JP2023532268 A JP 2023532268A
- Authority
- JP
- Japan
- Prior art keywords
- image
- circle
- obtaining
- layer
- aorta
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 210000000709 aorta Anatomy 0.000 title claims abstract description 52
- 238000013135 deep learning Methods 0.000 title claims abstract description 30
- 238000013136 deep learning model Methods 0.000 claims abstract description 17
- 210000002376 aorta thoracic Anatomy 0.000 claims description 71
- 210000002216 heart Anatomy 0.000 claims description 47
- 210000004072 lung Anatomy 0.000 claims description 30
- 230000005484 gravity Effects 0.000 claims description 24
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000003384 imaging method Methods 0.000 claims description 7
- 210000001519 tissue Anatomy 0.000 claims description 7
- 210000000988 bone and bone Anatomy 0.000 claims description 6
- 210000004351 coronary vessel Anatomy 0.000 claims description 5
- 239000012535 impurity Substances 0.000 claims description 5
- 230000000916 dilatatory effect Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 230000000747 cardiac effect Effects 0.000 claims description 3
- 230000010339 dilation Effects 0.000 claims description 3
- 101000802640 Homo sapiens Lactosylceramide 4-alpha-galactosyltransferase Proteins 0.000 claims description 2
- 102100035838 Lactosylceramide 4-alpha-galactosyltransferase Human genes 0.000 claims description 2
- 238000000605 extraction Methods 0.000 abstract description 5
- 238000004364 calculation method Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 230000017531 blood circulation Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 208000024172 Cardiovascular disease Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 208000029078 coronary artery disease Diseases 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 200000000007 Arterial disease Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000000004 hemodynamic effect Effects 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 210000003141 lower extremity Anatomy 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011369 optimal treatment Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/174—Segmentation; Edge detection involving the use of two or more images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
-
- 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
- G06T2207/30008—Bone
- G06T2207/30012—Spine; Backbone
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30048—Heart; Cardiac
-
- 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
- G06T2207/30061—Lung
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (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)
- Public Health (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
Description
大動脈層のスライスデータベースと非大動脈層のスライスデータベースを取得するステップと、
それぞれ前記大動脈層のスライスデータベースと前記非大動脈層のスライスデータベースに対して深層学習を行い、深層学習モデルを取得するステップと、
処理対象のCTシーケンス画像又はCTシーケンス画像の三次元データを取得するステップと、
処理対象の前記CTシーケンス画像又はCTシーケンス画像の三次元データの特徴データを抽出するステップと、
前記深層学習モデル、前記特徴データに基づいて前記CTシーケンス画像から大動脈画像を取得するステップとを含む深層学習に基づいて大動脈を取得する方法を提供する。
前記CT画像から肺、下行大動脈、脊椎、肋骨を除去して新規画像を得るステップと、
前記新規画像の最上層からスライスし、二次元画像群を得るステップと、
前記二次元画像群に対して二値化処理を行い、二値化画像群を得るステップと、
各組の前記二値化画像に基づいて大動脈画像を生成するステップと、
前記大動脈画像に基づいて大動脈層のスライスデータを生成し、残りのスライスデータは非大動脈層のスライスデータであり、大動脈層のスライスデータベースと非大動脈層のスライスデータベースを取得するステップとを含む。
冠動脈樹階調閾値Q冠1を設定し、
(ただし、mが正の整数であり、Qmがm番目の画素点POに対応する階調値を示し、P(m)がm番目の画素点POに対応する画素値を示す)に従って、肺、下行大動脈、脊椎、肋骨を除去した新規画像の各層のスライスに対して二値化処理をすべて行い、前記新規画像における不純物点を除去し、前記二値化画像群を得るステップを含む。
前記二値化画像群における各層の前記スライスに検索エンジンリストを構築するステップと、
各層のスライスの円を検索し、各層の前記検索エンジンリストにおける画素点の個数と円の半径を比較し、条件に合致する円中心点を見つけるステップと、
条件に合致する円中心点を見つけることができないと、次の層のスライスの円中心点を検索するステップとを含む。
CTシーケンス画像の三次元データベースを取得するステップと、
各組の前記CTシーケンス画像の階調ヒストグラムを作成するステップと、
前記階調ヒストグラムの終点Mから原点Oの方向に沿って、M点からM-1点まで、M点からM-2点まで、というようにM点からO点までの各階調値領域の体積が取得されるまで順次取得し、M点からO点までの総領域の体積に対する各階調値領域の体積の占める比率Vを取得するステップと、
医学知識及びCT画像イメージング原理に基づいて、肺階調閾値Q肺を設定し、前記階調ヒストグラムにおける階調値がQ肺よりも小いと、前記階調値に対応する画像を除去し、肺組織を除去した第1画像を得るステップと、
前記第1画像に基づいて各群のCTシーケンス画像に対応する心臓重心と脊椎重心を取得するステップと、
前記心臓重心と前記脊椎重心に基づいて各群のCTシーケンス画像の下行大動脈画像を取得するステップと、
前記CT画像から肺、下行大動脈、脊椎、肋骨を除去し、新規画像を取得するステップとを含む。
V=b(ただし、bが定数を示し、0.2<b<1である)である場合、前記階調値領域に対応する開始点をピックアップし、前記開始点を前記CT三次元画像に投射し、心臓領域三次元画像を取得し、前記心臓領域三次元画像の物理的重心をピックアップし、すなわち心臓重心P2を取得するステップと、
V=a(ただし、aが定数を示し、0<a<0.2である)である場合、前記階調値領域に対応する開始点をピックアップし、前記開始点を前記CT三次元画像に投射し、骨領域三次元画像を取得し、前記骨領域三次元画像の物理的重心をピックアップし、すなわち脊椎重心P1を取得するステップとを含む。
医学知識及びCT画像イメージング原理に基づいて、肺階調閾値Q肺を設定するステップと、
前記階調ヒストグラムにおける階調値がQ肺よりも小いと、前記階調値に対応する画像を除去し、肺組織を除去した第1画像を得るステップと、
前記心臓重心P2を前記第1画像に投影し、心臓の円中心O1を取得するステップと、
前記下行大動脈階調閾値Q下行を設定し、前記第1画像に対して二値化処理を行うステップと、
前記下行大動脈と心臓円中心O1との距離、及び前記脊椎と前記心臓円中心O1との距離に基づいて、下行大動脈に対応する円を取得するステップと、
前記CT画像から下行大動脈画像を取得するステップとを含む。
前記下行大動脈から前記心臓縁部までの円の半径閾値をr閾に設定するステップと、
前記下行大動脈と前記心臓との距離が前記脊椎と前記心臓との距離よりも小さいことに基づいて、前記脊椎の略領域と前記下行大動脈の略領域を取得するステップと、
前記下行大動脈の略領域に基づいて、誤差画素点を除去し、前記下行大動脈画像を取得し、すなわち前記下行大動脈に対応する円を取得するステップとを含む。
ハフ検出アルゴリズムにより得られた円の半径r>r閾である場合、この円は脊椎に対応する円であり、この円の円中心と半径を記録せず、すなわち前記脊椎の略領域を取得するステップと、
ハフ検出アルゴリズムにより得られた円の半径r≦r閾である場合、この円は下行大動脈に対応する円である可能性があり、この円の円中心と半径を記録し、すなわち下行大動脈の略領域を取得するステップとを含む。
前記下行大動脈の略領域内の前記円の円中心と半径を選別し、隣接するスライス間の円中心が大きくずれた円を除去し、すなわち誤差画素点を除去し、下行大動脈のシード点リストを形成し、前記下行大動脈画像を取得するステップを含む。
前記深層学習モデルに基づいて、前記特徴データを解析し、大動脈データを取得するステップと、
前記大動脈データを膨張するステップと、
膨張後の前記大動脈データとCT原画像データを乗算し、各画素点の勾配を算出し、勾配データを得るステップと、
前記勾配データに基づいて、勾配エッジを抽出するステップと、
前記膨張後の大動脈データから前記勾配エッジを減算するステップと、
前記擬似円中心に基づいてシード点リストを生成するステップと、
前記シード点リストに基づいて連結領域を抽出し、大動脈画像を取得するステップとを含む。
ハフ検出アルゴリズムを採用し、最上層から、3層のスライスを順次検出し、各層の前記スライス内からそれぞれ1つの円中心と1つの半径を取得し、それぞれ3つの円を形成するステップと、
3つの前記円中心からずれが大きい点を除去し、下行大動脈シード点P1を取得するステップと、
前記シード点P1が位置する層の連結領域A1を取得するステップと、
連結領域A1の重心を取得して擬似円中心C1として、連結領域A1の面積S1及び擬似円半径R1を取得するステップと、
前記C1をシード点をとし、前記シード点P1が位置する層の連結領域A2を取得するステップと、
前記連結領域A1を膨張し、膨張領域D1を得て、前記連結領域A2から前記膨張領域D1と重なる部分を除去し、連結領域A2’を得るステップと、
連結領域の体積閾値V閾を設定し、連結領域A2’の体積V2<V閾である場合、上の層円中心C1との距離が大きすぎる点を除去し、フィルタリング面積Hkを取得し、前記連結領域A2’の重心を擬似円中心C2とし、連結領域A2の面積S2及び擬似円半径R2を取得するステップと、
前記連結領域A2の方法を繰り返し、各前記二値化画像の連結領域、及び連結領域に対応する擬似円中心Ck、面積Sk、擬似円半径Rk、及び隣接する2層の円中心間の距離Ck-C(k-1)、各層のスライスの円中心Ckと前記最上層の円中心C1との距離Ck-C1を順次取得するステップとを含む。
S100、図2に示すように、大動脈層のスライスデータベースと非大動脈層のスライスデータベースを取得する。S100は、S110~S150を含む。
S110、図3に示すように、CT画像から肺、下行大動脈、脊椎、肋骨を除去して新規画像を得る。S110は、S111~S117を含む。
S111、CTシーケンス画像の三次元データベースを取得する。
S112、各群のCTシーケンス画像の階調ヒストグラムを作成する。
S113、階調ヒストグラムの終点Mから原点Oの方向に沿って、M点からM-1点まで、M点からM-2点まで、というようにM点からO点までの各階調値領域の体積が取得されるまで順次取得し、M点からO点までの総領域の体積に対する各階調値領域の体積の占める比率Vを取得する。
S114、医学知識及びCT画像イメージング原理に基づいて、肺階調閾値Q肺を設定し、階調ヒストグラムにおける階調値がQ肺よりも小いと、階調値に対応する画像を除去し、肺組織を除去した第1画像を得る。
S115、第1画像に基づいて各群のCTシーケンス画像に対応する心臓重心と脊椎重心を取得する。S115は、
V=b(ただし、bが定数を示し、0.2<b<1である)である場合、階調値領域に対応する開始点をピックアップし、開始点をCT三次元画像に投射し、心臓領域三次元画像を取得し、心臓領域三次元画像の物理的重心をピックアップし、すなわち心臓重心P2を取得するステップと、
V=a(ただし、aが定数を示し、0<a<0.2である)である場合、階調値領域に対応する開始点をピックアップし、開始点をCT三次元画像に投射し、骨領域三次元画像を取得し、骨領域三次元画像の物理的重心をピックアップし、すなわち脊椎重心P1を取得するステップとを含む。
S116、図4に示すように、心臓重心と脊椎重心に基づいて各群のCTシーケンス画像の下行大動脈画像を取得する。S116は、S1161~S1165を含む。
S1161、医学知識及びCT画像イメージング原理に基づいて、肺階調閾値Q肺を設定する。
S1162、階調ヒストグラムにおける階調値がQ肺よりも小いと、階調値に対応する画像を除去し、肺組織を除去した第1画像を得る。
S1163、心臓重心P2を第1画像に投影し、心臓の円中心O1を取得する。
S1164、図5に示すように、下行大動脈階調閾値Q下行を設定し、第1画像に対して二値化処理を行う。S1164は、S11641~S11643を含む。
S11642、第1画像の最下層から階層的にスライスし、第1二次元スライス画像群を得る。
S11643、
(ただし、kが正の整数であり、Qkがk番目の画素点POに対応する階調値を示し、P(k)がk番目の画素点POに対応する画素値を示す)に従って、第1画像的スライス画像に対して二値化処理を行い、第1画像における不純物点を除去し、二値化画像を得る。
S1165、図6に示すように、下行大動脈と心臓円中心O1との距離、及び脊椎と心臓円中心O1との距離に基づいて、下行大動脈に対応する円を取得する。S1165は、S11651~S11653を含む。
S11651、下行大動脈から心臓縁部までの円の半径閾値をr閾に設定する。
S11652、下行大動脈と心臓との距離が脊椎と心臓との距離よりも小さいことに基づいて、脊椎の略領域と下行大動脈の略領域を取得する。S11652は、
ハフ検出アルゴリズムにより得られた円の半径r>r閾である場合、この円は脊椎に対応する円であり、この円の円中心と半径を記録せず、すなわち脊椎の略領域を取得するステップと、
ハフ検出アルゴリズムにより得られた円の半径r≦r閾である場合、この円は下行大動脈に対応する円である可能性があり、この円の円中心と半径を記録し、すなわち下行大動脈の略領域を取得するステップとを含む。
S11653、下行大動脈の略領域に基づいて、誤差画素点を除去し、すなわち下行大動脈に対応する円を取得する。S11653は、
下行大動脈の略領域内の円の円中心と半径を選別し、隣接するスライス間の円中心が大きくずれた円を除去し、すなわち誤差画素点を除去し、下行大動脈のシード点リストを形成し、下行大動脈画像を取得し、CT画像から下行大動脈画像を取得するステップとを含む。
S117、CT画像から肺、下行大動脈、脊椎、肋骨を除去し、新規画像を取得する。
S120、新規画像の最上層からスライスし、二次元画像群を得る。
S130、二次元画像群に対して二値化処理を行い、二値化画像群を得る。S130は、
冠動脈樹階調閾値Q冠1を設定し、
(ただし、mが正の整数であり、Qmがm番目の画素点POに対応する階調値を示し、P(m)がm番目の画素点POに対応する画素値を示す)に従って、肺、下行大動脈、脊椎、肋骨を除去した新規画像の各層のスライスに対して二値化処理をすべて行い、新規画像における不純物点を除去し、二値化画像群を得るステップを含む。
S140、図7に示すように、各組の二値化画像に基づいて大動脈画像を生成する。S140は、S141~S143を含む。
S141、二値化画像群における各層のスライスに検索エンジンリストを構築する。
S142、各層のスライスの円を検索し、各層の検索エンジンリストにおける画素点の個数と円の半径を比較し、条件に合致する円中心点を見つける。
S143、条件に合致する円中心点を見つけることができないと、次の層のスライスの円中心点を検索する。
S150、大動脈画像に基づいて大動脈層のスライスデータを生成し、残りのスライスデータは非大動脈層のスライスデータであり、大動脈層のスライスデータベースと非大動脈層のスライスデータベースを取得する。
まず心臓重心及び脊椎重心を選別し、心臓及び脊椎の位置を位置決めし、続いて心臓及び脊椎の位置に基づいて下行大動脈画像を取得することにより、演算量を減少させ、アルゴリズムがシンプルで、操作しやすく、演算速度が速く、設計が科学的で、画像処理が精確になる。
S200、それぞれ大動脈層のスライスデータベースと非大動脈層のスライスデータベースに対して深層学習を行い、深層学習モデルを取得する。
S300、処理対象のCTシーケンス画像又はCTシーケンス画像の三次元データを取得する。
S400、図8に示すように、処理対象のCTシーケンス画像又はCTシーケンス画像の三次元データの特徴データを抽出する。S400は、S410~S450を含む。
S450、図9に示すように、最上層から、各二値化画像の連結領域、及び連結領域に対応する擬似円中心Ck、面積Sk、擬似円半径Rk、及び隣接する2層の円中心間の距離Ck-C(k-1)、各層のスライスの円中心Ckと最上層の円中心C1との距離Ck-C1、及び画素点の層の画素が0よりも大きく且つ上の層の画素が0であるすべての画素の面積Mk及びフィルタリング面積Hk(ただし、kが第k層のスライスを示し、k≧1)を順次取得し、連結領域に対応する擬似円中心Ck、距離Ck-C(k-1)、面積Sk、Mk、Hk、擬似円半径Rk、及び隣接する2層間の距離Lk-(k-1)を特徴データとする。S450は、S451~S458を含む。
S451、ハフ検出アルゴリズムを採用し、最上層から、3層のスライスを順次検出し、各層のスライス内からそれぞれ1つの円中心と1つの半径を取得し、それぞれ3つの円を形成する。
S452、3つの円中心からずれが大きい点を除去し、下行大動脈シード点P1を取得する。
S453、シード点P1が位置する層の連結領域A1を取得する。
S454、連結領域A1の重心を取得して擬似円中心C1として、連結領域A1の面積S1及び擬似円半径R1を取得する。
S455、C1をシード点をとし、シード点P1が位置する層の連結領域A2を取得する。
S456、連結領域A1を膨張し、膨張領域D1を得て、連結領域A2から膨張領域D1と重なる部分を除去し、連結領域A2’を得る。
S457、連結領域の体積閾値V閾を設定し、連結領域A2’の体積V2<V閾である場合、上の層円中心C1との距離が大きすぎる点を除去し、フィルタリング面積Hkを取得し、連結領域A2’の重心を擬似円中心C2とし、連結領域A2の面積S2及び擬似円半径R2を取得する。
S458、連結領域A2の方法を繰り返し、各前記二値化画像の連結領域、及び連結領域に対応する擬似円中心Ck、面積Sk、擬似円半径Rk、及び隣接する2層の円中心間の距離Ck-C(k-1)、各層のスライスの円中心Ckと前記最上層の円中心C1との距離Ck-C1を順次取得する。
S500、図10に示すように、深層学習モデル、特徴データに基づいてCTシーケンス画像から大動脈画像を取得する。S500は、S510~S570を含む。
S510、深層学習モデルに基づいて、特徴データを解析し、大動脈データを取得する。
S520、大動脈データを膨張する。
S530、膨張後の大動脈データとCT原画像データを乗算し、各画素点の勾配を算出し、勾配データを得る。
S540、勾配データに基づいて、勾配エッジを抽出する。
S550、膨張後の大動脈データから勾配エッジを減算する。
S560、擬似円中心に基づいてシード点リストを生成する。
S570、シード点リストに基づいて連結領域を抽出し、大動脈画像を取得する。
Claims (14)
- 深層学習に基づいて大動脈を取得する方法であって、
大動脈層のスライスデータベースと非大動脈層のスライスデータベースを取得するステップと、
それぞれ前記大動脈層のスライスデータベースと前記非大動脈層のスライスデータベースに対して深層学習を行い、深層学習モデルを取得するステップと、
処理対象のCTシーケンス画像又はCTシーケンス画像の三次元データを取得するステップと、
処理対象の前記CTシーケンス画像又はCTシーケンス画像の三次元データの特徴データを抽出するステップと、
前記深層学習モデル、前記特徴データに基づいて前記CTシーケンス画像から大動脈画像を取得するステップとを含むことを特徴とする深層学習に基づいて大動脈を取得する方法。 - 前記大動脈層のスライスデータベースと非大動脈層のスライスデータベースを取得する方法は、
前記CTシーケンス画像から肺、下行大動脈、脊椎、肋骨を除去して新規画像を得るステップと、
前記新規画像の最上層からスライスし、二次元画像群を得るステップと、
前記二次元画像群に対して二値化処理を行い、二値化画像群を得るステップと、
各組の前記二値化画像に基づいて大動脈画像を生成するステップと、
前記大動脈画像に基づいて大動脈層のスライスデータを生成し、残りのスライスデータは非大動脈層のスライスデータであり、大動脈層のスライスデータベースと非大動脈層のスライスデータベースを取得するステップとを含むことを特徴とする請求項1に記載の深層学習に基づいて大動脈を取得する方法。 - 前記二次元画像群に対して二値化処理を行い、二値化画像群を得る方法は、
冠動脈樹階調閾値Q冠1を設定し、
(ただし、mが正の整数であり、Qmがm番目の画素点POに対応する階調値を示し、P(m)がm番目の画素点POに対応する画素値を示す)に従って、肺、下行大動脈、脊椎、肋骨を除去した新規画像の各層のスライスに対して二値化処理をすべて行い、前記新規画像における不純物点を除去し、前記二値化画像群を得るステップを含むことを特徴とする請求項2に記載の深層学習に基づいて大動脈を取得する方法。 - 前記各組の前記二値化画像に基づいて大動脈画像を生成する方法は、
前記二値化画像群における各層の前記スライスに検索エンジンリストを構築するステップと、
各層のスライスの円を検索し、各層の前記検索エンジンリストにおける画素点の個数と円の半径を比較し、条件に合致する円中心点を見つけるステップと、
条件に合致する円中心点を見つけることができないと、次の層のスライスの円中心点を検索するステップとを含むことを特徴とする請求項2に記載の深層学習に基づいて大動脈を取得する方法。 - 前記CTシーケンス画像から肺、下行大動脈、脊椎、肋骨を除去して新規画像を得る前記方法は、
CTシーケンス画像の三次元データベースを取得するステップと、
各組の前記CTシーケンス画像の階調ヒストグラムを作成するステップと、
前記階調ヒストグラムの終点Mから原点Oの方向に沿って、M点からM-1点まで、M点からM-2点まで、というようにM点からO点までの各階調値領域の体積が取得されるまで順次取得し、M点からO点までの総領域の体積に対する各階調値領域の体積の占める比率Vを取得するステップと、
医学知識及びCT画像イメージング原理に基づいて、肺階調閾値Q肺を設定し、前記階調ヒストグラムにおける階調値がQ肺よりも小いと、前記階調値に対応する画像を除去し、肺組織を除去した第1画像を得るステップと、
前記第1画像に基づいて各群のCTシーケンス画像に対応する心臓重心と脊椎重心を取得するステップと、
前記心臓重心と前記脊椎重心に基づいて各群のCTシーケンス画像の下行大動脈画像を取得するステップと、
前記CTシーケンス画像から肺、下行大動脈、脊椎、肋骨を除去し、新規画像を取得するステップとを含むことを特徴とする請求項1に記載の深層学習に基づいて大動脈を取得する方法。 - 前記第1画像に基づいて各群のCTシーケンス画像に対応する心臓重心と脊椎重心を取得する方法は、
V=b(ただし、bが定数を示し、0.2<b<1である)である場合、前記階調値領域に対応する開始点をピックアップし、前記開始点をCT三次元画像に投射し、心臓領域三次元画像を取得し、前記心臓領域三次元画像の物理的重心をピックアップし、すなわち心臓重心P2を取得するステップと、
V=a(ただし、aが定数を示し、0<a<0.2である)である場合、前記階調値領域に対応する開始点をピックアップし、前記開始点を前記CT三次元画像に投射し、骨領域三次元画像を取得し、前記骨領域三次元画像の物理的重心をピックアップし、すなわち脊椎重心P1を取得するステップとを含むことを特徴とする請求項5に記載の深層学習に基づいて大動脈を取得する方法。 - 前記心臓重心と前記脊椎重心に基づいて各群のCTシーケンス画像の下行大動脈画像を取得する方法は、
医学知識及びCT画像イメージング原理に基づいて、肺階調閾値Q肺を設定するステップと、
前記階調ヒストグラムにおける階調値がQ肺よりも小いと、前記階調値に対応する画像を除去し、肺組織を除去した第1画像を得るステップと、
前記心臓重心P2を前記第1画像に投影し、心臓の円中心O1を取得するステップと、
前記下行大動脈階調閾値Q下行を設定し、前記第1画像に対して二値化処理を行うステップと、
前記下行大動脈と心臓円中心O1との距離、及び前記脊椎と前記心臓円中心O1との距離に基づいて、下行大動脈に対応する円を取得するステップと、
前記CTシーケンス画像から下行大動脈画像を取得するステップとを含むことを特徴とする請求項6に記載の深層学習に基づいて大動脈を取得する方法。 -
(ただし、kが正の整数であり、Qkがk番目の画素点POに対応する階調値を示し、P(k)がk番目の画素点POに対応する画素値を示す)に従って、前記第1画像に対して二値化処理を行い、前記第1画像における不純物点を除去し、二値化画像を得るステップとを含むことを特徴とする請求項7に記載の深層学習に基づいて大動脈を取得する方法。 - 前記下行大動脈と心臓円中心O1との距離、及び前記脊椎と前記心臓円中心O1との距離に基づいて、前記下行大動脈に対応する円を取得する方法は、
前記下行大動脈から前記心臓縁部までの円の半径閾値をr閾に設定するステップと、
前記下行大動脈と前記心臓との距離が前記脊椎と前記心臓との距離よりも小さいことに基づいて、前記脊椎の略領域と前記下行大動脈の略領域を取得するステップと、
前記下行大動脈の略領域に基づいて、誤差画素点を除去し、前記下行大動脈画像を取得し、すなわち前記下行大動脈に対応する円を取得するステップとを含むことを特徴とする請求項8に記載の深層学習に基づいて大動脈を取得する方法。 - 前記下行大動脈と前記心臓との距離が前記脊椎と前記心臓との距離よりも小さいことに基づいて、前記脊椎の略領域と前記下行大動脈の略領域を取得する方法は、
ハフ検出アルゴリズムにより得られた円の半径r>r閾である場合、この円は脊椎に対応する円であり、この円の円中心と半径を記録せず、すなわち前記脊椎の略領域を取得するステップと、
ハフ検出アルゴリズムにより得られた円の半径r≦r閾である場合、この円は下行大動脈に対応する円である可能性があり、この円の円中心と半径を記録し、すなわち下行大動脈の略領域を取得するステップとを含むことを特徴とする請求項9に記載の深層学習に基づいて大動脈を取得する方法。 -
- 前記深層学習モデル、前記特徴データに基づいて、前記CTシーケンス画像から大動脈画像を取得する方法は、
前記深層学習モデルに基づいて、前記特徴データを解析し、大動脈データを取得するステップと、
前記大動脈データを膨張するステップと、
膨張後の前記大動脈データとCT原画像データを乗算し、各画素点の勾配を算出し、勾配データを得るステップと、
前記勾配データに基づいて、勾配エッジを抽出するステップと、
前記膨張後の大動脈データから前記勾配エッジを減算するステップと、
前記擬似円中心に基づいてシード点リストを生成するステップと、
前記シード点リストに基づいて連結領域を抽出し、大動脈画像を取得するステップとを含むことを特徴とする請求項11に記載の深層学習に基づいて大動脈を取得する方法。 - 前記最上層から、各前記二値化画像の連結領域、及び連結領域に対応する擬似円中心Ck、面積Sk、擬似円半径Rk、及び隣接する2層の円中心間の距離Ck-C(k-1)、各層のスライスの円中心Ckと前記最上層の円中心C1との距離Ck-C1、及び前記画素点の前記層の画素が0よりも大きく、且つ上の層の画素であるすべての画素の面積Mk及びフィルタリング面積Hk(ただし、kが第k層のスライスを示し、k≧1)を順次取得する方法は、
ハフ検出アルゴリズムを採用し、最上層から、3層のスライスを順次検出し、各層の前記スライス内からそれぞれ1つの円中心と1つの半径を取得し、それぞれ3つの円を形成するステップと、
3つの前記円中心からずれが大きい点を除去し、下行大動脈シード点P1を取得するステップと、
前記シード点P1が位置する層の連結領域A1を取得するステップと、
連結領域A1の重心を取得して擬似円中心C1として、連結領域A1の面積S1及び擬似円半径R1を取得するステップと、
前記C1をシード点をとし、前記シード点P1が位置する層の連結領域A2を取得するステップと、
前記連結領域A1を膨張し、膨張領域D1を得て、前記連結領域A2から前記膨張領域D1と重なる部分を除去し、連結領域A2’を得るステップと、
連結領域の体積閾値V閾を設定し、連結領域A2’の体積V2<V閾である場合、上の層円中心C1との距離が大きすぎる点を除去し、フィルタリング面積Hkを取得し、前記連結領域A2’の重心を擬似円中心C2とし、連結領域A2の面積S2及び擬似円半径R2を取得するステップと、
前記連結領域A2の方法を繰り返し、各前記二値化画像の連結領域、及び連結領域に対応する擬似円中心Ck、面積Sk、擬似円半径Rk、及び隣接する2層の円中心間の距離Ck-C(k-1)、各層のスライスの円中心Ckと前記最上層の円中心C1との距離Ck-C1を順次取得するステップとを含むことを特徴とする請求項12に記載の深層学習に基づいて大動脈を取得する方法。 - コンピュータプログラムがプロセッサに実行されると、請求項1~13のいずれか1項に記載の深層学習に基づいて大動脈を取得する方法を実現することを特徴とするコンピュータ記憶媒体。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010606963.1A CN111815587A (zh) | 2020-06-29 | 2020-06-29 | 基于ct序列图像拾取主动脉中心线上的点的方法和系统 |
CN202010606964.6A CN111815588B (zh) | 2020-06-29 | 2020-06-29 | 基于ct序列图像获取降主动脉的方法和系统 |
CN202010606963.1 | 2020-06-29 | ||
CN202010606964.6 | 2020-06-29 | ||
PCT/CN2020/132796 WO2022000976A1 (zh) | 2020-06-29 | 2020-11-30 | 基于深度学习获取主动脉的方法和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2023532268A true JP2023532268A (ja) | 2023-07-27 |
Family
ID=79317360
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022579902A Active JP7446645B2 (ja) | 2020-06-29 | 2020-11-30 | 深層学習に基づいて大動脈画像を取得するシステム |
JP2022579901A Pending JP2023532268A (ja) | 2020-06-29 | 2020-11-30 | 深層学習に基づいて大動脈を取得する方法及び記憶媒体 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022579902A Active JP7446645B2 (ja) | 2020-06-29 | 2020-11-30 | 深層学習に基づいて大動脈画像を取得するシステム |
Country Status (5)
Country | Link |
---|---|
US (2) | US20230260133A1 (ja) |
EP (2) | EP4174762A1 (ja) |
JP (2) | JP7446645B2 (ja) |
CN (2) | CN115769251A (ja) |
WO (2) | WO2022000976A1 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116645372B (zh) * | 2023-07-27 | 2023-10-10 | 汉克威(山东)智能制造有限公司 | 一种制动气室外观图像智能检测方法及系统 |
Family Cites Families (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008142482A (ja) | 2006-12-13 | 2008-06-26 | Med Solution Kk | 縦隔リンパ節郭清で切除される領域を複数の区域にセグメンテーションする装置およびプログラム |
US20170235915A1 (en) * | 2016-02-17 | 2017-08-17 | Siemens Healthcare Gmbh | Personalized model with regular integration of data |
CN106803251B (zh) * | 2017-01-12 | 2019-10-08 | 西安电子科技大学 | 由ct影像确定主动脉缩窄处压力差的装置与方法 |
JP6657132B2 (ja) | 2017-02-27 | 2020-03-04 | 富士フイルム株式会社 | 画像分類装置、方法およびプログラム |
US10685438B2 (en) * | 2017-07-17 | 2020-06-16 | Siemens Healthcare Gmbh | Automated measurement based on deep learning |
CN107563983B (zh) * | 2017-09-28 | 2020-09-01 | 上海联影医疗科技有限公司 | 图像处理方法以及医学成像设备 |
CN109035255B (zh) * | 2018-06-27 | 2021-07-02 | 东南大学 | 一种基于卷积神经网络的ct图像中带夹层主动脉分割方法 |
US11127138B2 (en) * | 2018-11-20 | 2021-09-21 | Siemens Healthcare Gmbh | Automatic detection and quantification of the aorta from medical images |
CN110264465A (zh) * | 2019-06-25 | 2019-09-20 | 中南林业科技大学 | 一种基于形态学和深度学习的主动脉夹层动态检测方法 |
CN111815586B (zh) * | 2020-06-29 | 2022-08-05 | 苏州润迈德医疗科技有限公司 | 基于ct图像获取左心房、左心室的连通域的方法和系统 |
CN111815587A (zh) * | 2020-06-29 | 2020-10-23 | 苏州润心医疗器械有限公司 | 基于ct序列图像拾取主动脉中心线上的点的方法和系统 |
CN111815583B (zh) * | 2020-06-29 | 2022-08-05 | 苏州润迈德医疗科技有限公司 | 基于ct序列图像获取主动脉中心线的方法和系统 |
CN111815588B (zh) * | 2020-06-29 | 2022-07-26 | 苏州润迈德医疗科技有限公司 | 基于ct序列图像获取降主动脉的方法和系统 |
CN111815585B (zh) * | 2020-06-29 | 2022-08-05 | 苏州润迈德医疗科技有限公司 | 基于ct序列图像获取冠脉树和冠脉入口点的方法和系统 |
CN111815584B (zh) * | 2020-06-29 | 2022-06-07 | 苏州润迈德医疗科技有限公司 | 基于ct序列图像获取心脏重心的方法和系统 |
CN111815589B (zh) * | 2020-06-29 | 2022-08-05 | 苏州润迈德医疗科技有限公司 | 基于ct序列图像获取无干扰冠脉树图像的方法和系统 |
-
2020
- 2020-11-30 CN CN202080100602.8A patent/CN115769251A/zh active Pending
- 2020-11-30 WO PCT/CN2020/132796 patent/WO2022000976A1/zh unknown
- 2020-11-30 CN CN202080100603.2A patent/CN115769252A/zh active Pending
- 2020-11-30 JP JP2022579902A patent/JP7446645B2/ja active Active
- 2020-11-30 EP EP20943564.3A patent/EP4174762A1/en active Pending
- 2020-11-30 EP EP20943267.3A patent/EP4174760A1/en active Pending
- 2020-11-30 WO PCT/CN2020/132798 patent/WO2022000977A1/zh unknown
- 2020-11-30 JP JP2022579901A patent/JP2023532268A/ja active Pending
-
2022
- 2022-12-28 US US18/089,694 patent/US20230260133A1/en active Pending
- 2022-12-28 US US18/089,728 patent/US20230153998A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
WO2022000977A1 (zh) | 2022-01-06 |
CN115769251A (zh) | 2023-03-07 |
JP7446645B2 (ja) | 2024-03-11 |
US20230260133A1 (en) | 2023-08-17 |
EP4174760A1 (en) | 2023-05-03 |
EP4174762A1 (en) | 2023-05-03 |
JP2023532269A (ja) | 2023-07-27 |
US20230153998A1 (en) | 2023-05-18 |
CN115769252A (zh) | 2023-03-07 |
WO2022000976A1 (zh) | 2022-01-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6790179B2 (ja) | リアルタイムの診断上有用な結果 | |
US11049246B2 (en) | Rapid calculation method and system for plaque stability index based on medical image sequence | |
JP6522175B2 (ja) | 血管形状及び生理学から血流特性を推定するシステム及びその作動方法 | |
CN110866914B (zh) | 脑动脉瘤血流动力学指标的评估方法、系统、设备及介质 | |
CN108511075B (zh) | 一种非侵入式获取血流储备分数的方法和系统 | |
US20230144795A1 (en) | Methods and systems for acquiring centerline of aorta based on ct sequence images | |
JP6667999B2 (ja) | 画像処理装置、画像処理方法、及びプログラム | |
CN105518684A (zh) | 用于预测冠状动脉病变的位置、开始、和/或变化的系统和方法 | |
JP2019512131A (ja) | 画像ベースの患者固有の血流力学的モデルにおいて解像されていない血管を特定してモデル化するためのシステム及び方法 | |
WO2022000727A1 (zh) | 基于ct序列图像获取冠脉树和冠脉入口点的方法和系统 | |
WO2022000729A1 (zh) | 基于ct序列图像获取无干扰冠脉树图像的方法和系统 | |
WO2018133098A1 (zh) | 血管壁应力应变状态获取方法及系统 | |
WO2022000726A1 (zh) | 基于ct图像获取左心房、左心室的连通域的方法和系统 | |
US11727570B2 (en) | Methods and systems for determining coronary hemodynamic characteristic(s) that is predictive of myocardial infarction | |
US20220151500A1 (en) | Noninvasive quantitative flow mapping using a virtual catheter volume | |
CN112132882A (zh) | 从冠状动脉二维造影图像中提取血管中心线的方法和装置 | |
US20230260133A1 (en) | Methods for acquiring aorta based on deep learning and storage media | |
WO2022000734A1 (zh) | 基于ct序列图像拾取主动脉中心线上的点的方法和系统 | |
WO2022000728A1 (zh) | 基于ct序列图像获取降主动脉的方法和系统 | |
CN115222665B (zh) | 一种斑块检测方法、装置、电子设备及可读存储介质 | |
M'hiri | Angiographic image analysis for the diagnosis of coronary disease in young patients | |
Węgliński et al. | The concept of image processing algorithms for assessment and diagnosis of hydrocephalus in children |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20221222 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20231114 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231121 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240202 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20240402 |