JP7445779B2 - 冠状動脈の血流速度の算出方法、装置及び電子デバイス - Google Patents

冠状動脈の血流速度の算出方法、装置及び電子デバイス Download PDF

Info

Publication number
JP7445779B2
JP7445779B2 JP2022551789A JP2022551789A JP7445779B2 JP 7445779 B2 JP7445779 B2 JP 7445779B2 JP 2022551789 A JP2022551789 A JP 2022551789A JP 2022551789 A JP2022551789 A JP 2022551789A JP 7445779 B2 JP7445779 B2 JP 7445779B2
Authority
JP
Japan
Prior art keywords
main branch
blood vessel
coronary artery
length
branch blood
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
JP2022551789A
Other languages
English (en)
Other versions
JP2023516013A (ja
Inventor
トゥー，シァンシエン
ヂァオ，チウヤン
グティエレス＝チコ，フアン・ルイス
チェン，シゥーヂァン
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Pulse Medical Technology Inc
Original Assignee
Shanghai Pulse Medical Technology Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Pulse Medical Technology Inc filed Critical Shanghai Pulse Medical Technology Inc
Publication of JP2023516013A publication Critical patent/JP2023516013A/ja
Application granted granted Critical
Publication of JP7445779B2 publication Critical patent/JP7445779B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/48—Diagnostic techniques
    • A61B6/481—Diagnostic techniques involving the use of contrast agents
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/48—Diagnostic techniques
    • A61B6/486—Diagnostic techniques involving generating temporal series of image data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/503—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of the heart
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/504—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of blood vessels, e.g. by angiography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/507—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for determination of haemodynamic parameters, e.g. perfusion CT
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • 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
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/48—Diagnostic techniques
    • A61B6/486—Diagnostic techniques involving generating temporal series of image data
    • A61B6/487—Diagnostic techniques involving generating temporal series of image data involving fluoroscopy
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10116—X-ray image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20092—Interactive image processing based on input by user
    • 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
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular
    • G06T2207/30104—Vascular flow; Blood flow; Perfusion

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Biophysics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Optics & Photonics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Quality & Reliability (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Geometry (AREA)
  • Cardiology (AREA)
  • Physiology (AREA)
  • Vascular Medicine (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
  • Image Analysis (AREA)

Description

本発明はコンピュータ技術分野に関し、特に、冠状動脈の血流速度の算出方法、装置、電子デバイス及びコンピュータ記憶媒体に関する。
近年、心血管画像に基づいて冠状動脈ＦＦＲ（血流予備量比）及びＣＦＲ（冠状動脈血流予備能）を算出する方法が多く提出され、その中で、冠状動脈血流速度はＦＦＲとＣＦＲの算出に必要な重要条件であり、現在冠状動脈血流速度を算出する方法は主にＴＩＭＩフレームカウント法があるが、該方法は医者がマニュアルで測定を行う必要があり、操作が複雑である。
上記の技術課題を解決するために、本発明の１つの目的は、冠状動脈の血流速度の算出方法を提供することにあり、該算出方法は冠状動脈の血流速度の算出の自動化を実現し、算出された冠状動脈の血流速度がより正確で、該算出方法が簡単である。
本発明のもう１つの目的は、上記冠状動脈の血流速度の算出方法を含んだ冠状動脈の血流予備量の算出方法を提供することにある。
本発明のさらに１つの目的は、上記冠状動脈の血流速度の算出方法を実現する冠状動脈の血流速度の算出装置を提供することにある。
上記の目的を達成するために、本発明は次のような技術案を用いる。
本発明の第一の実施例に係る冠状動脈の血流速度の算出方法は、
前記冠状動脈の造影画像を取得し、深層学習によって前記冠状動脈の造影画像を分割し、主枝血管の分割画像を得るステップＳ１と、
前記主枝血管の分割画像に基づき、フレーム毎の分割画像内の前記主枝血管の長さを算出するステップ２と、
算出された前記主枝血管の長さの時間の経過に伴う変化に基づいて前記主枝血管の血流速度を得るステップ３と、を含む。
好ましくは、前記ステップＳ１は、具体的には、前記冠状動脈の造影画像を取得し、冠状動脈の主枝血管の類型選択を表示し、ユーザが選択した主枝血管の類型に基づき、深層学習によって前記冠状動脈の造影画像を分割し、主枝血管の分割画像を得ることを含む。
好ましくは、前記ステップＳ１は、ユーザが選択した主枝血管の類型に基づき、前記冠状動脈の造影画像の投影角度が該類型の主枝血管の要求角度範囲内にあるか否かを判断し、
前記冠状動脈の造影画像の投影角度が該類型の主枝血管の要求角度範囲内にある場合に、深層学習によって前記冠状動脈の造影画像を分割し、主枝血管の分割画像を得て、
前記冠状動脈の造影画像の投影角度が該類型の主枝血管の要求角度範囲内にない場合に、提示情報を表示することをさらに含む。
好ましくは、前記深層学習によって前記冠状動脈の造影画像を分割して主枝血管の分割画像を得ることは、具体的には、
Ｕ－Ｎｅｔモデルのエンコーダー構造により前記冠状動脈の造影画像の多種の異なる解像度の特徴マップを取得し、さらにはＲｅｆｉｎｅＮｅｔモジュールを用いて前記多種の異なる解像度の特徴マップを精製して結合することで、主枝血管の分割画像を得ることを含む。
好ましくは、前記ステップＳ２は、具体的には、
前記主枝血管の分割画像を抽出し、血管骨格の造影画像を得るステップＳ２１と、
前記血管骨格の造影画像中の血管骨格の長さを算出し、画素を単位とした主枝血管の長さを得て、画像のスケーリング因数と結びつけ、主枝血管の実際の物理的長さを算出するステップＳ２２と、を含む。
好ましくは、前記ステップＳ３は、具体的には、
時間を横座標とし、前記主枝血管の分割画像中の主枝血管の長さを縦座標として、主枝血管の長さの経時的な変化曲線を得るステップＳ３１と、
前記主枝血管の長さの経時的な変化曲線の所定セグメントを選択して、前記所定セグメントの勾配を算出し、前記主枝血管の血流速度を得るステップＳ３２と、を含む。
好ましくは、前記ステップＳ３１は、具体的には、
前記主枝血管の分割画像のフレーム数を横座標とし、主枝血管の実際長さを縦座標として、主枝血管の長さのフレーム数に伴う変化曲線を得るステップＳ３１１と、
フレーム周波数情報に基づいて前記主枝血管の長さのフレーム数に伴う変化曲線中の横座標を時間に変換し、主枝血管の長さの経時的な変化曲線を得るステップＳ３１２と、を含む。
好ましくは、前記ステップＳ３２は、具体的には、
前記主枝血管の長さの経時的な変化曲線を平滑処理し、前記主枝血管の長さの経時的な変化曲線の平滑曲線を得ることと、
前記平滑曲線上の主枝血管の長さの最大値を得て、前記平滑曲線上の主枝血管の長さが前記主枝血管の長さの最大値の所定値となるセグメントを所定セグメント領域として取得し、前記平滑曲線上の所定セグメント領域に対応する前記主枝血管の長さの経時的な変化曲線のセグメントを予選セグメントとすることと、
前記予選セグメントに対応する冠状動脈の心電情報に基づき、前記予選セグメントが１つの心拍動周期を含むか否かを判断し、前記予選セグメントが１つの心拍動周期を含まない場合には、前記予選セグメントを前記所定セグメントとすることと、
前記所定セグメントを直線フィッティングし、フィッティングされた直線の勾配を算出し、前記主枝血管の血流速度を得ることと、を含む。
好ましくは、前記予選セグメントが１つの心拍動周期を含む場合に、前記予選セグメントの中心を開始点として前記予選セグメントの両端へ半分の心拍動周期の長さをそれぞれ延伸して所定セグメントを得る。
好ましくは、前記主枝血管の長さの経時的な変化曲線及び前記冠状動脈の造影画像並びに前記冠状動脈の造影画像に対応する前記冠状動脈の心電情報を表示し、ユーザが所定セグメントに対応する冠状動脈の造影画像及び前記冠状動脈の心電情報を調べ、所定セグメントの選択を検証し、所定セグメントの選択が不合理である場合に、マニュアルで所定セグメントの選択を調整する。
本発明の第二の実施例に係る冠状動脈の血流予備量の算出方法は、
上記いずれか１つの実施例に記載の冠状動脈の血流速度の算出方法により、それぞれ前記主枝血管の安静状態における血流速度及び充血状態における血流速度を算出し、算出された前記主枝血管の安静状態における血流速度及び充血状態における血流速度に基づき、前記冠状動脈の血流予備量を得ることを含む。
好ましくは、前記の冠状動脈の血流速度の算出方法により、主枝血管が安静状態と充血状態にある前記冠状動脈の造影画像に基づき、それぞれ前記主枝血管の安静状態における血流速度及び充血状態における血流速度を算出し、前記主枝血管が安静状態にある冠状動脈の造影画像の採取時間と、前記主枝血管が充血状態にある冠状動脈の造影画像の採取時間との間の時間差が第１の時間閾値より大きくない。
本発明の第三の実施例に係る冠状動脈の血流速度の算出装置は、
前記冠状動脈の造影画像を取得し、深層学習によって前記冠状動脈の造影画像を分割し、主枝血管の分割画像を得るための冠状動脈造影画像分割モジュールと、
前記主枝血管の分割画像に基づき、フレーム毎の分割画像内の前記主枝血管の長さを算出するための長さ算出モジュールと、
算出された前記主枝血管の長さの経時的な変化に基づいて前記主枝血管の血流速度を得るための血流速度算出モジュールと、を含む。
好ましくは、前記冠状動脈の血流速度の算出装置は、ユーザに冠状動脈の主枝血管の類型選択を表示するための表示装置をさらに備え、
前記冠状動脈造影画像分割モジュールは、前記冠状動脈の造影画像を取得し、ユーザが選択した主枝血管の類型に基づき、深層学習によって前記冠状動脈の造影画像を分割し、主枝血管の分割画像を得るためのものである。
好ましくは、前記冠状動脈造影画像分割モジュールは、ユーザが選択した主枝血管の類型に基づき、前記冠状動脈の造影画像の投影角度が該類型の主枝血管の要求角度範囲内にあるか否かを判断するためのものであり、
前記冠状動脈の造影画像の投影角度が該類型の主枝血管の要求角度範囲内にある場合に、深層学習によって前記冠状動脈の造影画像を分割し、主枝血管の分割画像を得て、
前記冠状動脈の造影画像の投影角度が該類型の主枝血管の要求角度範囲内にない場合に、前記表示装置はユーザに提示情報を表示するのに用いられる。
好ましくは、前記冠状動脈造影画像分割モジュールは、Ｕ－Ｎｅｔモデルのエンコーダー構造により前記冠状動脈の造影画像の多種の異なる解像度の特徴マップを取得し、さらにＲｅｆｉｎｅＮｅｔモジュールを用いて前記多種の異なる解像度の特徴マップを精製して結合することで、主枝血管の分割画像を得るためのものである。
好ましくは、前記長さ算出モジュールは、前記主枝血管の分割画像を抽出し、血管骨格の造影画像を得て、前記血管骨格の造影画像中の血管骨格の長さを算出し、画素を単位とした主枝血管の長さを得て、画像のスケーリング因数と結びつけて、主枝血管の実際の物理的長さを算出するためのものである。
好ましくは、前記血流速度算出モジュールは、時間を横座標とし、前記主枝血管の分割画像中の主枝血管の長さを縦座標として、主枝血管の長さの経時的な変化曲線を得て、前記主枝血管の長さの経時的な変化曲線の所定セグメントを取得し、前記所定セグメントの勾配を算出し、前記主枝血管の血流速度を得るためのものである。
好ましくは、前記血流速度算出モジュールは、前記主枝血管の分割画像のフレーム数を横座標とし、主枝血管の実際の長さを縦座標として、主枝血管の長さのフレーム数に伴う変化曲線を得て、フレーム周波数情報に基づき、前記主枝血管の長さのフレーム数に伴う変化曲線中の横座標を時間に変換し、主枝血管の長さの経時的な変化曲線を得るためのものである。
好ましくは、前記血流速度算出モジュールは、前記主枝血管の長さの経時的な変化曲線を平滑処理し、前記主枝血管の長さの経時的な変化曲線の平滑曲線を得て、前記平滑曲線上の主枝血管の長さの最大値を得て、前記平滑曲線上の主枝血管の長さが前記主枝血管の長さの最大値の所定値となるセグメントを所定セグメント領域として抽出して、前記平滑曲線上の所定セグメント領域に対応する前記主枝血管の長さの経時的な変化曲線のセグメントを予選セグメントとし、前記予選セグメントに対応する冠状動脈の心電情報に基づき、前記予選セグメントが１つの心拍動周期を含むか否かを判断し、前記予選セグメントが１つの心拍動周期を含まない場合に、前記予選セグメントを前記所定セグメントとし、
前記所定セグメントを直線フィッティングし、フィッティングされた直線の勾配を算出し、前記主枝血管の血流速度を得るためのものである。
好ましくは、前記予選セグメントが１つの心拍動周期を含む場合に、前記予選セグメントの中心を開始点として前記予選セグメントの両端へ半分の心拍動周期の長さをそれぞれ延伸して所定セグメントを得る。
好ましくは、前記冠状動脈の血流速度の算出装置は、ユーザに前記主枝血管の長さの経時的な変化曲線及び前記冠状動脈の造影画像並びに前記冠状動脈の造影画像に対応する前記冠状動脈の心電情報を表示するための表示装置をさらに備え、ユーザは所定セグメントに対応する冠状動脈の造影画像及び前記冠状動脈の心電情報を調べ、所定セグメントの選択を検証し、所定セグメントの選択が不合理である場合に、マニュアルで所定セグメントの選択を調整する。
本発明の第四の実施例に係る冠状動脈の血流速度の算出のための電子デバイスは、
1つ又は複数のプロセッサと、
コンピュータ読み取り可能なコードが記憶された1つ又は複数のメモリと、を備え、前記コンピュータ読み取り可能なコードは、前記1つ又は複数のプロセッサにより実行される場合、上記いずれか１つの実施例に記載の冠状動脈の血流速度の算出方法を行う。
本発明の第五の実施例に係るコンピュータ記憶媒体には、コンピュータ読み取り可能なコードが記憶され、前記コンピュータ読み取り可能なコードは、1つ又は複数のプロセッサにより実行される場合、上記いずれか１つの実施例に記載の冠状動脈の血流速度の算出方法を行う。
本発明の有益な効果は以下のとおりである：
深層学習によって冠状動脈の造影画像を分割し、主枝血管の分割画像を得て、フレーム毎の画像内の主枝血管の長さを算出し、さらには主枝血管の長さの経時的な変化に基づいて主枝血管の血流速度を得ることで、該算出方法が冠状動脈の血流速度の算出の自動化を実現し、算出された冠状動脈の血流速度がより正確で、該算出方法が簡単である。
上記の説明はただ本発明の技術案の略述だけであり、本発明の技術案をよりはっきり理解させることができ、明細書の内容に基づいて実施できるように、以下、本発明の好ましい実施例によって図面を参照しながら下記のように詳しく説明する。
本発明の実施例の冠状動脈の血流速度の算出方法のフローチャートである。 冠状動脈の造影画像を分割して主枝血管の分割画像を得る模式図である。 従来のＵ－Ｎｅｔモデルの構造を示す図である。 従来のＲｅｆｉｎｅＮｅｔモデルの構造を示す図である。 本発明の実施例における冠状動脈の造影画像を分割するために使用されたＲｅｆｉｎｅＵ－Ｎｅｔの構造を示す図である。 本発明の実施例の主枝血管の分割画像を抽出して得られた単画素幅の血管骨格の造影画像である。 本発明の実施例の主枝血管の長さの経時的な変化曲線及び平滑曲線の模式図である。 １つの心拍動周期内の心電図である。 本発明の実施例の表示装置で表示される第一表示画面を示す図である。 本発明の実施例の表示装置で表示される第二表示画面を示す図である。 本発明の実施例の表示装置で表示される第三表示画面を示す図である。 本発明の実施例の表示装置で表示される第四表示画面を示す図である。 本発明の実施例の表示装置で表示される第五表示画面を示す図である。 本発明の実施例の冠状動脈の血流速度の算出装置の構造を示す図である。 本発明の実施例の電子デバイスの構造を示す図である。
以下、図と実施例を合わせて、本発明の具体的な実施形態についてさらに詳しく説明する。以下の実施例はただ本発明を説明するだけに用いられるが、本発明の範囲を制限するのに用いられるものではない。
なお、この文章に使用されるように、用語「モジュール」は、専用集積回路(ＡＳＩＣ)、電子回路、1つ又は複数のソフトウエア又はファームウエアプログラムを実行するプロセッサ(共有、専用、又はグループ)及び／又はメモリ、組合せ論理回路、及び／又は記載された機能を提供するその他の適当なハードウエアコンポーネントを指すか、又は含んでもよい、あるいは、これらのハードウエアコンポーネントの一部としてもよい。
なお、本発明の各実施例では、プロセッサは、マイクロプロセッサ、デジタル信号プロセッサ、マイクロコントローラ等、及び／又はその如何なる組合せであってもよい。別の態様によれば、前記プロセッサは、シングルコアプロセッサ、マルチコアプロセッサ等、及び／又はその如何なる組合せであってもよい。
図１に示すように、本発明実施例に係る冠状動脈の血流速度の算出方法は、次のようなステップを含む。
ステップＳ１、前記冠状動脈の造影画像を取得し、深層学習によって前記冠状動脈の造影画像を分割し、主枝血管の分割画像を得る。
具体的には、冠状動脈の血流速度を算出する際に、主枝血管中の血流速度のみに関心を持つため、冠状動脈造影画像中の主枝血管を分割して主枝血管の分割画像を得るだけでよい。しかし、Ｇａｂｏｒフィルタリング、Ｈｅｓｓｉａｎマトリックス等のような従来の画像処理方法は、あらゆる血管状構造に対しても非常に敏感であり、主枝血管と側枝血管との区分では無力である。したがって、深層学習の方法を用い、深層ニューラルネットワークの強大な特徴抽出能力によって主枝血管と側枝血管を区分し、主枝血管だけを分割し、続いてくる主枝血管長さの算出プロセスを極めて大きく簡素化した。
図２に示すように、取得したフレーム毎の冠状動脈の造影画像について、深層ニューラルネットワークの入力として、深層ニューラルネットワークから一枚の原画像の大きさと同じ主枝血管の分割画像が出力され、該主枝血管の分割画像におけるその原画像上の主枝血管の位置に対応する位置の画素値を１（図２に白色で表示される）とし、該主枝血管の分割画像のその他の位置の画素値を０（図２に黒色で表示される）とする。
好ましくは、ステップＳ１は、具体的には、冠状動脈の造影画像を取得し、冠状動脈の主枝血管の類型選択を表示し、ユーザが選択した主枝血管の類型に基づき、深層学習によって前記冠状動脈の造影画像を分割し、主枝血管の分割画像を得ることを含む。
具体的には、冠状動脈の主枝血管は、前下行枝血管、回旋枝血管及び右冠状動脈血管を含み、表示装置によってユーザに具体的に前下行枝血管、回旋枝血管及び右冠状動脈血管のうちのどの主枝血管を選択するかを表示することができ、ユーザが選択した主枝血管の類型に基づき、深層学習によって前記冠状動脈の造影画像を分割し、ある１つの主枝血管の分割画像を得る。また、本発明の他の実施例では、冠状動脈の造影画像に基づき、主枝血管の類型を自動的に識別し、それから、深層学習によって前記冠状動脈の造影画像を分割し、ある１つの主枝血管の分割画像を得るようにしてもよい。
好ましくは、前記ステップＳ１は、ユーザが選択した主枝血管の類型に基づき、前記冠状動脈の造影画像の投影角度が該類型の主枝血管の要求角度範囲内にあるか否かを判断し、
前記冠状動脈の造影画像の投影角度が該類型の主枝血管の要求角度範囲内にある場合に、深層学習によって前記冠状動脈の造影画像を分割し、主枝血管の分割画像を得て、
前記冠状動脈の造影画像の投影角度が該類型の主枝血管の要求角度範囲内にない場合に、提示情報を表示することをさらに含む。
具体的には、図９に示すように、冠状動脈の造影画像を取得した後、表示装置によってユーザに冠状動脈の主枝血管の類型選択を表示し、ユーザが選択した主枝血管の類型に基づき、冠状動脈の造影画像の投影角度が該類型の主枝血管の要求角度範囲内にあるか否かを判断し、冠状動脈の造影画像の投影角度が該類型の主枝血管の要求角度範囲内にない場合に、表示装置は冠状動脈の造影画像の投影角度が該類型の主枝血管の受入可能な角度範囲内にないことを提示するように提示情報をユーザに表示する。
前記冠状動脈の造影画像の投影角度が該類型の主枝血管の要求角度範囲内にあるか否かを判断することで、算出された主枝血管の血流速度の正確性を確保することができる。
好ましくは、前記深層学習によって前記冠状動脈の造影画像を分割し、主枝血管の分割画像を得ることは、具体的には、
Ｕ－Ｎｅｔモデルのエンコーダー構造により前記冠状動脈の造影画像の多種の異なる解像度の特徴マップを取得し、さらにはＲｅｆｉｎｅＮｅｔモジュールを用いて前記多種の異なる解像度の特徴マップを精製して結合することで、主枝血管の分割画像を得ることを含む。
具体的には、従来のＵ－Ｎｅｔモデルは、エンコーダー・デコーダーの構造を使用し、図３に示すように、オリジナルの画像が２回の畳み込みによって、６４チャンネルの特徴マップを得て、該特徴マップの解像度がオリジナルの画像と同じであり、該６４チャンネルの特徴マップを最大値プーリング処理することにより解像度を元の半分に下げて、畳み込みによってさらに特徴を抽出すると、第２層の１２８チャンネルの特徴マップを得て、上記のプロセスを繰り返して、５つの異なる解像度の特徴マップを得ることができる。これはコーディングプロセスであり、該プロセスの目的は高階層の語義情報（低解像度の特徴マップ）と低階層の構造情報（高解像度の特徴マップ）を抽出し、その後、デコードプロセスに入り、低解像度の特徴マップを高解像度にアップサンプリングして、上位の高解像度の特徴マップとスプライシング処理を行い、畳み込みで特徴を抽出するように、最高解像度の特徴マップとスプライシングした後、１×１の畳み込みによってチャンネル数を調整すると所要の分割結果を得るまでに、アップサンプリング及びスプライシングの処理を繰り返す。
従来のＲｅｆｉｎｅＮｅｔモデルはＵ－Ｎｅｔモデルと類似し、図４に示すように、異なる尺度の特徴マップの入力を受信して異なる尺度の特徴マップを合併して精製することができ、特徴マップの続いてくる処理を容易にさせる。
従来のＲｅｆｉｎｅＮｅｔモデルとＵ－Ｎｅｔモデルとの区別は、主に次の２つの面にある。ＲｅｆｉｎｅＮｅｔモデルのエンコーダーは語義分割分野で広く用いられているＲｅｓＮｅｔ構造を使用し、一方、Ｕ－Ｎｅｔモデルのエンコーダーは単純に畳み込みを使用して特徴を抽出する。ＲｅｆｉｎｅＮｅｔモデルはデコーダーにおいて独創的なＲｅｆｉｎｅＮｅｔモジュールを使用し、該モジュールは低解像度の特徴マップと高解像度の特徴マップの情報をより良く精製することができる。
本発明における冠状動脈の造影画像の分割に使用されたＲｅｆｉｎｅ－ＵＮｅｔの構造図を図５に示す。なおまた、Ｕ－Ｎｅｔモデルのエンコーダー構造により取得した冠状動脈の造影画像の異なる解像度の特徴マップの種類が実際のニーズによって決まり、例えば、５種であってもよく、３種であってもよく、さらに７種等であってもよい。
Ｕ－Ｎｅｔモデルのエンコーダー構造、即ち畳み込みだけを使用することにより、冠状動脈の造影画像の多種の異なる解像度の特徴マップを取得し、算出資源の浪費を避け、算出速度を速めた。一方、ＲｅｆｉｎｅＮｅｔモジュールを用いて高解像度と低解像度の特徴マップを精製した後、さらに結合することで、高階層の語義情報と低階層の構造情報をより高い効率で利用し、分割の正確性を増強することができる。
ステップＳ２：前記主枝血管の分割画像に基づき、フレーム毎の分割画像内の前記主枝血管の長さを算出する。
好ましくは、前記ステップＳ２は、具体的には、次のようなステップを含む。
ステップＳ２１：前記主枝血管の分割画像を抽出し、血管骨格の造影画像を得る。
具体的には、図６に示すように、得られた前記主枝血管の分割画像を抽出し、単画素幅の血管骨格の造影画像を得ることができる。
ステップＳ２２：前記血管骨格の造影画像中の血管骨格の長さを算出し、画素を単位とした主枝血管の長さを得て、画像のスケーリング因数と結合することで、主枝血管の実際の物理的長さを算出する。
具体的には、Ｆａｓｔ Ｍａｒｃｈｉｎｇアルゴリズムを使用して前記血管骨格の造影画像中の血管骨格の長さを算出してもよい。
抽出によって血管骨格の造影画像を得て、血管骨格の造影画像中の血管骨格の長さを算出することで主枝血管の長さを得て、このように、算出によって得られた主枝血管の長さの正確度を高め、さらには算出された冠状動脈の血流速度の正確度を高めた。
ステップＳ３：算出された前記主枝血管の長さの経時的な変化に基づいて前記主枝血管の血流速度を得る。
好ましくは、前記ステップＳ３は、具体的には、次のようなステップを含む。
ステップＳ３１：時間を横座標とし、前記主枝血管の分割画像中の主枝血管の長さを縦座標として、主枝血管の長さの経時的な変化曲線を得る。
具体的には、図７に示すように、該主枝血管の長さの経時的な変化曲線は、一般に、平坦－上昇－平坦の「Ｓ」字状を呈し、これは冠状動脈造影画像序列の前段に、造影剤がまだ冠状動脈に注入されていないため、主枝血管がＸ線で見えないからである。この時、算出によって得られた主枝血管の長さは一般に０であり、冠状動脈造影画像序列の後段に、造影剤が冠状動脈において満ちあふれているため、この時、算出によって得られた主枝血管長さは主枝血管の完全な長さであり、もう変化しない。
好ましくは、前記ステップＳ３１は、具体的には、
前記主枝血管の分割画像のフレーム数を横座標とし、主枝血管の実際の長さを縦座標として、主枝血管の長さのフレーム数に伴う変化曲線を得るステップＳ３１１と、
フレーム周波数情報に基づき、前記主枝血管の長さのフレーム数に伴う変化曲線中の横座標を時間に変換し、主枝血管の長さの経時的な変化曲線を得るステップＳ３１２と、を含む。
ステップＳ３２：前記主枝血管の長さの経時的な変化曲線の所定セグメントを取得し、前記所定セグメントの勾配を算出し、前記主枝血管の血流速度を得る。
好ましくは、前記ステップＳ３２は、具体的には、次のようなステップを含む。
ステップＳ３２１：前記主枝血管の長さの経時的な変化曲線を平滑処理し、前記主枝血管の長さの経時的な変化曲線の平滑曲線を得る。
具体的には、心臓拍動及び血管分割の誤差等の原因で、主枝血管の長さの経時的な変化曲線には一般に一定のノイズがあるので、主枝血管の長さの経時的な変化曲線を平滑処理することができ、Ｋ次ベジェ曲線によって主枝血管の長さの経時的な変化曲線を平滑処理することができる。
ステップＳ３２２：前記平滑曲線上の主枝血管の長さの最大値を得て、前記平滑曲線上の主枝血管の長さが前記主枝血管の長さの最大値の所定値となるセグメントを所定セグメント領域として取得し、前記平滑曲線上の所定セグメント領域に対応する前記主枝血管の長さの経時的な変化曲線のセグメントを予選セグメントとする。
好ましくは、前記所定値の最低値は０～２０％であってもよく、所定値の最高値は８０～９０％であってもよい。
ステップＳ３２３：前記予選セグメントに対応する冠状動脈の心電情報に基づき、前記予選セグメントが１つの心拍動周期を含むか否かを判断し、前記予選セグメントが１つの心拍動周期を含まない場合に、前記予選セグメントを前記所定セグメントとする。
具体的には、正常な１つの心拍動周期内の心電図は、図８に示すように、ＱＲＳ波の波動はその他の波より著しく高く、閾値等の方法によってＱＲＳ波のピークを速く検出することができ、隣り合う２つのＱＲＳ波の間の時間間隔に基づき、１つの心拍動周期の時間を得ることができる。
ステップＳ３２４：前記所定セグメントを直線フィッティングし、フィッティングされた直線の勾配を算出し、前記主枝血管の血流速度を得る。
具体的には、線形最小二乗法によって所定セグメントを直線フィッティングし、フィッティングされた直線の勾配は主枝血管の血流速度である。
これによって、上記の方法により主枝血管の長さの経時的な変化曲線の所定セグメントを取得し、主枝血管の血流速度をさらに得ることで、算出によって得られた主枝血管の血流速度をより正確にさせる。
好ましくは、前記予選セグメントが１つの心拍動周期を含む場合に、前記予選セグメントの中心を開始点として前記予選セグメントの両端へそれぞれ半分の心拍動周期の長さを延伸して所定セグメントを得る。
具体的には、主枝血管の血流速度が心拍動周期の異なる段階において一般に差異があるため、１つの心拍動周期に対応する主枝血管の長さの経時的な変化曲線のセグメントを所定セグメントとし、算出によって得られた主枝血管の血流速度をより正確にさせる。
深層学習によって冠状動脈の造影画像を分割することで、主枝血管の分割画像を得て、フレーム毎の画像内の主枝血管の長さを算出し、さらには主枝血管の長さの経時的な変化に基づいて主枝血管の血流速度を得る。該算出方法は冠状動脈の血流速度の算出の自動化を実現し、算出によって得られた冠状動脈の血流速度がより正確になり、且該算出方法は比較的簡単である。
好ましくは、前記主枝血管の長さの経時的な変化曲線及び前記冠状動脈の造影画像並びに前記冠状動脈の造影画像に対応する前記冠状動脈の心電情報を表示し、ユーザが所定セグメントに対応する冠状動脈の造影画像及び前記冠状動脈の心電情報を調べ、所定セグメントの選択を検証し、所定セグメントの選択が不合理である場合に、マニュアルで所定セグメントの選択を調整する。
具体的には、図１０及び図１１に示すように、表示装置によってユーザに主枝血管の長さの経時的な変化曲線及び該変化曲線に対応する冠状動脈の心電情報を表示することができ、又、所定セグメントを直線フィッティングして得られた主枝血管の血流速度を表示した。図１０に示すように、ユーザが表示画面の右側の画像ウィンドウにおいてマウスホイールをスクロールし、又は変化曲線上の任意位置をクリックすることで、異なるフレームの冠状動脈の造影画像を調べることができる。図１１に示すように、所定セグメントに対応する冠状動脈の造影画像の調査や所定セグメントの選択の検証が容易になるように、マウスである機能アイコンをクリックすることで表示画面の右側の画像ウィンドウをマルチウィンドウ模式に切り替えてもよい。所定セグメントの選択が不合理である場合に、マニュアルで所定セグメントの選択を調整し、表示画面に表示された主枝血管の血流速度は、所定セグメントの選択に基づいてリアルタイムに更新される。
ユーザが自動的に選択した所定セグメントの選択が不合理であると認めた場合、マニュアルで所定セグメントの選択を調整可能であることによって、所定セグメントの選択の合理性を確保し、さらには得られた冠状動脈の血流速度が比較的正確であることを確保する。
上記冠状動脈の血流速度の算出方法を含む冠状動脈の血流予備量の算出方法は、次のようなステップを含む。
上記のいずれか１つの実施例に記載の冠状動脈の血流速度の算出方法によって、それぞれ前記主枝血管の安静状態における血流速度及び充血状態における血流速度を算出し、算出された前記主枝血管の安静状態における血流速度及び充血状態における血流速度に基づき、前記冠状動脈の血流予備量を得る。
具体的には、一序列の冠状動脈の造影画像を選択し、上記の冠状動脈の血流速度の算出方法により主枝血管の１つの状態における血流速度を算出する。図１２に示すように、表示装置の表示画面の冠状動脈の血流予備量を算出するアイコン(ＣＦＲアイコン）をクリックし、その後、別の序列の冠状動脈の造影画像を選択し、その中で、前記別の序列の冠状動脈の造影画像中の主枝血管の状態と前記一序列の冠状動脈の造影画像中の主枝血管の状態とが逆であり、表示装置は前記別の序列の冠状動脈の造影画像中の主枝血管の状態の種類選択（安静状態又は充血状態）をユーザに表示して、ユーザの選択に基づいて前記一序列の冠状動脈の造影画像中の主枝血管の状態を確定し、その後、主枝血管のもう１つの状態における血流速度を算出して、算出された主枝血管の安静状態における血流速度及び充血状態における血流速度に基づき、前記冠状動脈の血流予備量を得る。図１３に示すように、冠状動脈の血流予備量を表示する。
好ましくは、前記の冠状動脈の血流速度の算出方法により、主枝血管が安静状態と充血状態にある前記冠状動脈の造影画像に基づき、それぞれ前記主枝血管の安静状態における血流速度及び充血状態における血流速度を算出し、その中で、前記主枝血管が安静状態にある冠状動脈の造影画像の採取時間と前記主枝血管が充血状態にある冠状動脈の造影画像の採取時間との間の時間差が第１の時間閾値より大きくない。
具体的には、第１の時間閾値は７日であってもよく、１５日等であってもよく、具体的には実情に応じて決定する。主枝血管が安静状態にある冠状動脈の造影画像の採取時間と前記主枝血管が充血状態にある冠状動脈の造影画像の採取時間との間の時間差が第１の時間閾値より大きくない。これによって、算出された冠状動脈の血流予備量の正確性を確保できる。
該冠状動脈の血流予備量の算出方法は、冠状動脈の血流予備量の算出の自動化を実現し、算出された冠状動脈の血流予備量がより正確になり、該算出方法は比較的簡単である。
図１４に示すように、上記発明実施例に係る冠状動脈の血流速度の算出方法を実現した本発明の実施例に係る冠状動脈の血流速度の算出装置は、冠状動脈造影画像分割モジュール２０、長さ算出モジュール３０及び血流速度算出モジュール４０を備える。
その中で、冠状動脈造影画像分割モジュール２０は、前記冠状動脈の造影画像を取得し、深層学習によって前記冠状動脈の造影画像を分割し、主枝血管の分割画像を得るためのものである。
長さ算出モジュール３０は、前記主枝血管の分割画像に基づき、フレーム毎の分割画像内の前記主枝血管の長さを算出するためのものである。
血流速度算出モジュール４０は、算出された前記主枝血管の長さの経時的な変化に基づいて前記主枝血管の血流速度を得るためのものである。
好ましくは、前記冠状動脈の血流速度の算出装置は、前記表示装置が冠状動脈の主枝血管の類型選択をユーザに表示するための表示装置をさらに備える。
前記冠状動脈造影画像分割モジュール２０は、前記冠状動脈の造影画像を取得し、ユーザが選択した主枝血管の類型に基づき、深層学習によって前記冠状動脈の造影画像を分割し、主枝血管の分割画像を得るためのものである。
好ましくは、前記冠状動脈造影画像分割モジュール２０は、ユーザが選択した主枝血管の類型に基づき、前記冠状動脈の造影画像の投影角度が該類型の主枝血管の要求角度範囲内にあるか否かを判断するためのものである。
前記冠状動脈の造影画像の投影角度が該類型の主枝血管の要求角度範囲内にある場合に、深層学習によって前記冠状動脈の造影画像を分割し、主枝血管の分割画像を得る。
前記冠状動脈の造影画像の投影角度が該類型の主枝血管の要求角度範囲内にない場合に、前記表示装置はユーザに提示情報を表示する。
好ましくは、前記冠状動脈造影画像分割モジュール２０は、Ｕ－Ｎｅｔモデルのエンコーダー構造により前記冠状動脈の造影画像の多種の異なる解像度の特徴マップを取得し、さらにはＲｅｆｉｎｅＮｅｔモジュールを用いて前記多種の異なる解像度の特徴マップを精製して結合することで、主枝血管の分割画像を得るためのものである。
好ましくは、前記長さ算出モジュール３０は、前記主枝血管の分割画像を抽出し、血管骨格の造影画像を得て、前記血管骨格の造影画像中の血管骨格の長さを算出し、画素を単位とした主枝血管の長さを得て、画像のスケーリング因数と結びつけ、主枝血管の実際の物理的長さを算出するためのものである。
好ましくは、前記血流速度算出モジュール４０は、時間を横座標とし、前記主枝血管の分割画像中の主枝血管の長さを縦座標として、主枝血管の長さの経時的な変化曲線を得て、前記主枝血管の長さの経時的な変化曲線の所定セグメントを取得し、前記所定セグメントの勾配を算出し、前記主枝血管の血流速度を得るためのものである。
好ましくは、前記血流速度算出モジュール４０は、前記主枝血管の分割画像のフレーム数を横座標とし、主枝血管の実際の長さを縦座標として、主枝血管の長さのフレーム数に伴う変化曲線を得て、フレーム周波数情報に基づいて前記主枝血管の長さのフレーム数に伴う変化曲線中の横座標を時間に変換して、主枝血管の長さの経時的な変化曲線を得るためのものである。
好ましくは、前記血流速度算出モジュール４０は、前記主枝血管の長さの経時的な変化曲線を平滑処理し、前記主枝血管の長さの経時的な変化曲線の平滑曲線を得て、前記平滑曲線上の主枝血管の長さの最大値を得て、前記平滑曲線上の主枝血管の長さが前記主枝血管の長さの最大値の所定値となるセグメントを所定セグメント領域として取得し、前記平滑曲線上の所定セグメント領域に対応する前記主枝血管の長さの経時的な変化曲線のセグメントを予選セグメントとし、前記予選セグメントに対応する冠状動脈の心電情報に基づき、前記予選セグメントが１つの心拍動周期を含むか否かを判断し、前記予選セグメントが１つの心拍動周期を含まない場合に、前記予選セグメントを前記所定セグメントとする。
前記所定セグメントを直線フィッティングし、フィッティングされた直線の勾配を算出し、前記主枝血管の血流速度を得る。
好ましくは、前記予選セグメントが１つの心拍動周期を含む場合に、前記予選セグメントの中心を開始点として前記予選セグメントの両端へそれぞれ半分の心拍動周期の長さを延伸して所定セグメントを得る。
好ましくは、前記冠状動脈の血流速度の算出装置は、前記主枝血管の長さの経時的な変化曲線及び前記冠状動脈の造影画像並びに前記冠状動脈の造影画像に対応する前記冠状動脈の心電情報をユーザに表示するための表示装置をさらに備え、ユーザが所定セグメントに対応する冠状動脈の造影画像及び前記冠状動脈の心電情報を調べ、所定セグメントの選択を検証し、所定セグメントの選択が不合理である場合に、マニュアルで所定セグメントの選択を調整する。
深層学習によって冠状動脈の造影画像を分割することで主枝血管の分割画像を得て、フレーム毎の画像内の主枝血管の長さを算出し、さらには主枝血管の長さの経時的な変化に基づいて主枝血管の血流速度を得る、該冠状動脈の血流速度の算出装置は、冠状動脈の血流速度の算出の自動化を実現し、算出された冠状動脈の血流速度がより正確になり、該算出方法は比較的簡単である。
図１５に示すように、上記冠状動脈の血流速度の算出方法と同じ発明構想に基づき、本願は電子デバイス１４００をさらに提供し、該電子デバイス１４００は1つ又は複数のプロセッサ１４０１と1つ又は複数のメモリ１４０２を備え、メモリ１４０２にコンピュータ読み取り可能なコードが記憶されている。
その中で、コンピュータ読み取り可能なコードは、1つ又は複数のプロセッサ１４０１により実行される場合、次のような処理を行う。
ステップＳ１：前記冠状動脈の造影画像を取得し、深層学習によって前記冠状動脈の造影画像を分割し、主枝血管の分割画像を得る。
ステップＳ２：前記主枝血管の分割画像に基づき、フレーム毎の分割画像内の前記主枝血管の長さを算出する。
ステップＳ３：算出された前記主枝血管の長さの経時的な変化に基づいて前記主枝血管の血流速度を得る。
好ましくは、前記ステップＳ１は、具体的には、前記冠状動脈の造影画像を取得し、冠状動脈の主枝血管の類型選択を表示し、ユーザが選択した主枝血管の類型に基づき、深層学習によって前記冠状動脈の造影画像を分割し、主枝血管の分割画像を得ることを含む。
好ましくは、前記ステップＳ１は、ユーザが選択した主枝血管の類型に基づき、前記冠状動脈の造影画像の投影角度が該類型の主枝血管の要求角度範囲内にあるか否かを判断し、
前記冠状動脈の造影画像の投影角度が該類型の主枝血管の要求角度範囲内にある場合に、深層学習によって前記冠状動脈の造影画像を分割し、主枝血管の分割画像を得て、
前記冠状動脈の造影画像の投影角度が該類型の主枝血管の要求角度範囲内にない場合に、提示情報を表示することをさらに含む。
好ましくは、前記深層学習によって前記冠状動脈の造影画像を分割し、主枝血管の分割画像を得ることは、具体的には、
Ｕ－Ｎｅｔモデルのエンコーダー構造により前記冠状動脈の造影画像の多種の異なる解像度の特徴マップを取得し、さらにはＲｅｆｉｎｅＮｅｔモジュールを用いて前記多種の異なる解像度の特徴マップを精製して結合することで、主枝血管の分割画像を得ることを含む。
好ましくは、前記ステップＳ２は、具体的には、
前記主枝血管の分割画像を抽出し、血管骨格の造影画像を得るステップＳ２１と、
前記血管骨格の造影画像中の血管骨格の長さを算出し、画素を単位とした主枝血管の長さを得て、画像のスケーリング因数と結びつけ、主枝血管の実際の物理的長さを算出するステップＳ２２と、を含む。
好ましくは、前記ステップＳ３は、具体的には、
時間を横座標とし、前記主枝血管の分割画像中の主枝血管の長さを縦座標として、主枝血管の長さの経時的な変化曲線を得るステップＳ３１と、
前記主枝血管の長さの経時的な変化曲線の所定セグメントを取得し、前記所定セグメントの勾配を算出し、前記主枝血管の血流速度を得るステップＳ３２と、を含む。
好ましくは、前記ステップＳ３１は、具体的には、
前記主枝血管の分割画像のフレーム数を横座標とし、主枝血管の実際の長さを縦座標として、主枝血管の長さのフレーム数に伴う変化曲線を得るステップＳ３１１と、
フレーム周波数情報に基づいて前記主枝血管の長さのフレーム数に伴う変化曲線中の横座標を時間に変換し、主枝血管の長さの経時的な変化曲線を得るステップＳ３１２と、を含む。
好ましくは、前記ステップＳ３２は、具体的には、
前記主枝血管の長さの経時的な変化曲線を平滑処理し、前記主枝血管の長さの経時的な変化曲線の平滑曲線を得ることと、
前記平滑曲線上の主枝血管の長さの最大値を得て、前記平滑曲線上の主枝血管の長さが前記主枝血管の長さの最大値の所定値となるセグメントを所定セグメント領域として取得し、前記平滑曲線上の所定セグメント領域に対応する前記主枝血管の長さの経時的な変化曲線のセグメントを予選セグメントとすることと、
前記予選セグメントに対応する冠状動脈の心電情報に基づき、前記予選セグメントが１つの心拍動周期を含むか否かを判断し、前記予選セグメントが１つの心拍動周期を含まない場合に、前記予選セグメントを前記所定セグメントとすることと、
前記所定セグメントを直線フィッティングし、フィッティングされた直線の勾配を算出し、前記主枝血管の血流速度を得ることと、を含む。
好ましくは、前記予選セグメントが１つの心拍動周期を含む場合に、前記予選セグメントの中心を開始点として前記予選セグメントの両端へそれぞれ半分の心拍動周期の長さを延伸して所定セグメントを得る。
好ましくは、前記主枝血管の長さの経時的な変化曲線及び前記冠状動脈の造影画像並びに前記冠状動脈の造影画像に対応する前記冠状動脈の心電情報を表示し、ユーザが所定セグメントに対応する冠状動脈の造影画像及び前記冠状動脈の心電情報を調べ、所定セグメントの選択を検証し、所定セグメントの選択が不合理である場合に、マニュアルで所定セグメントの選択を調整する。
さらには、電子デバイス１４００は、ネットワークインターフェース１４０３、入力装置１４０４、ハードディスク１４０５、及び表示装置１４０６をさらに備える。
上記各インターフェースと装置との間は、バスアーキテクチャを介して相互接続されてもよい。バスアーキテクチャは、任意数量の相互接続されたバスとブリッジを含んてもよい。具体的には、プロセッサ１４０１に代表される1つ又は複数の中央処理装置（ＣＰＵ）、及びメモリ１４０２に代表される1つ又は複数のメモリ１４０２の各種の回路が接続されている。バスアーキテクチャは、さらに周辺装置、スタビライザやパワー管理回路などのような各種のその他の回路を一緒に接続していてもよい。なお、バスアーキテクチャは、これらのモジュールの間の接続通信の実現に用いられる。バスアーキテクチャは、データバスに加えて、電源バス、制御バス及び状態信号バスも備える。これらのいずれも本分野で公知されているので、ここではそれについて詳しく説明しない。
ネットワークインターフェース１４０３は、ネットワーク（例えば、インターネット、ローカル・エリア・ネットワーク等）に接続されてもよい。ネットワークから関連データを取得して、ハードディスク１４０５に保存してもよい。
入力装置１４０４は、操作員から入力された各種の指令を受信して、プロセッサ１４０１に送信して実行させることができる。入力装置１４０４は、キーボード又はポインティングデバイス(例えば、マウス、トラックボール(ｔｒａｃｋｂａｌｌ)、タッチパッドやタッチパネルなどを含んてもよい。
表示装置１４０６は、プロセッサ１４０１が指令を実行して得られた結果を表示することができる。
メモリ１４０２は、オペレーティングシステム１４０２１の動作に必要なプログラムとデータ、及びプロセッサ１４０１の算出プロセスにおける中間結果等のデータを記憶するためのものである。
なお、本願実施例中のメモリ１４０２は、揮発性メモリ又は不揮発性メモリであってもよく、或いは揮発性と不揮発性メモリの両者を含んでもよい。その中で、不揮発性メモリは、読み出し専用メモリ(ＲＯＭ)、プログラマブル読み取り専用メモリ(ＰＲＯＭ)、消去可能なプログラマブル読み取り専用メモリ(ＥＰＲＯＭ)、電気的に消去可能なプログラマブル読み取り専用メモリ(ＥＥＰＲＯＭ)又はフラッシュメモリであってもよい。揮発性メモリは、外部のキャッシュとして使用されるランダムアクセスメモリ(ＲＡＭ)であってもよく。本文に記載の装置と方法のメモリ１４０２は、これらのメモリ及び任意のその他の適切なタイプのメモリを含むが、これらに限定されない。
幾つかの実施形態では、メモリ１４０２には、実行可能なモジュール又はデータ構造、或いはそれらのサブグループ、若しくはそれらの拡張グループ：オペレーティングシステム１４０２１及びアプリケーションプログラム１４０１４のような要素が記憶されている。
その中で、オペレーティングシステム１４０２１は、各種のシステムプログラム、例えば、フレームワークレイヤ、コアライブラリレイヤ、ドライバーレイヤ等を含み、各種の基礎業務を実現し、及びハードウエアに基づくタスクを処理するのに用いられる。アプリケーションプログラム１４０１４は、各種のアプリケーションプログラム、例えば、ブラウザ(Ｂｒｏｗｓｅｒ)等を含み、各種のアプリケーション業務の実現に用いられる。本願実施例の方法を実現するプログラムは、アプリケーションプログラム１４０１４に含まれてもよい。
本願の上記実施例に開示された方法は、プロセッサ１４０１に使用されることができ、又はプロセッサ１４０１で実現される。プロセッサ１４０１は信号の処理能力を有する集積回路チップであってもよい。実現の過程において、上記方法の各ステップは、プロセッサ１４０１におけるハードウエアの集積論理回路又はソフトウエア形式の指令によって完成できる。上記のプロセッサ１４０１が、汎用プロセッサ、デジタル信号プロセッサ(ＤＳＰ)、特定用途向け集積回路(ＡＳＩＣ)、フィールドプログラマブルゲートアレイ(ＦＰＧＡ)又はその他のプログラマブルロジックデバイス、ディスクリートゲート又はトランジスタロジックデバイス、ディスクリートハードウエアモジュールであってもよく、本願実施例に開示された各方法、ステップ及びロジックブロック図を実現又は実行できる。汎用プロセッサが、マイクロプロセッサであってもよく、又は該プロセッサが、如何なる通常のプロセッサ等であってもよい。本願実施例に開示された方法によるステップは、直接ハードウエアデコードプロセッサで実行され完成されるように体現されてもい、又はデコードプロセッサ中のハードウエア及びソフトウエアモジュールの組合せで実行されて完成されてもよい。ソフトウエアモジュールが、ランダムメモリ、フラッシュメモリ、読み出し専用メモリ、プログラマブル読み出し専用メモリ又は電気的消去可能なプログラマブルメモリ、レジスター等の本分野で成熟した記憶媒体に位置してもよい。該記憶媒体がメモリ１４０２に位置し、プロセッサ１４０１がメモリ１４０２中の情報を読み取り、そのハードウエアと結びつけて上記方法のステップを完成する。
なお、本文に記載のこれらの実施例は、ハードウエア、ソフトウエア、ファームウエア、ミドルウェア、マイクロコード又はその組合せを用いて実現することができる。ハードウエアによる実現について、処理ユニットは、1つ又は複数の特定用途向け集積回路(ＡＳＩＣ)、デジタル信号プロセッサ(ＤＳＰ)、デジタル信号処理装置(ＤＳＰＤ)、プログラマブルロジックデバイス(ＰＬＤ)、フィールドプログラマブルゲートアレイ(ＦＰＧＡ)、汎用プロセッサ、コントローラ、マイクロコントローラ、マイクロプロセッサ、本願の前記機能を実行するためのその他の電子ユニット又はその組合せにおいて実現されることができる。
ソフトウエアによる実現について、本文に記載された前記機能のモジュール(例えばプロセス、関数等)を実行することで、本文に記載された技術を実現してもよい。ソフトウエアコードがメモリに記憶されてプロセッサにより実行されてもよい。メモリがプロセッサの中又はプロセッサの外部で実現されてもよい。
本願実施例では、該電子デバイス１４００は、深層学習によって冠状動脈の造影画像を分割することで主枝血管の分割画像を得て、フレーム毎の画像内の主枝血管の長さを算出し、さらには主枝血管の長さの経時的な変化に基づいて主枝血管の血流速度を得る。該冠状動脈の血流速度の算出のための電子デバイスによれば、冠状動脈の血流速度の算出の自動化を実現し、算出された冠状動脈の血流速度がより正確になり、該算出方法が比較的簡単である。
また、本願実施例は、コンピュータが読み取り可能なコードが記憶されるコンピュータ記憶媒体をさらに提供し、コンピュータが読み取り可能なコードは、1つ又は複数のプロセッサで実行される場合、次のような処理を行う。
ステップＳ１：前記冠状動脈の造影画像を取得し、深層学習によって前記冠状動脈の造影画像を分割し、主枝血管の分割画像を得る。
ステップＳ２：前記主枝血管の分割画像に基づき、フレーム毎の分割画像内の前記主枝血管の長さを算出する。
ステップＳ３：算出された前記主枝血管の長さの経時的な変化に基づいて前記主枝血管の血流速度を得る。
該コンピュータ読み取り可能なコードは、プロセッサに実行される時、上記冠状動脈の血流速度の算出方法実施例の各プロセスを実現し、且同じ技術効果を奏することができる。重複を避けるために、ここで、詳細なプロセスについての説明を省略する。前記のコンピュータ記憶媒体としては、例えば、読み出し専用メモリ（Ｒｅａｄ－Ｏｎｌｙ Ｍｅｍｏｒｙ、ＲＯＭと略称）、ランダムアクセスメモリ（ＲａｎｄｏｍＡｃｃｅｓｓＭｅｍｏｒｙ、ＲＡＭと略称）、磁気ディスクや光ディスクなどである。
なお、本願に提供されたいくつかの実施例では、開示された方法と装置が、その他の方式で実現されてもよい。例えば、上述した装置の実施例は、ただ例示的なものであり、例えば、前記ユニットの区分は、ただ論理機能の区分だけであり、実際に実現する時、別の区分方式を有してもよい。例えば、複数のユニット又はモジュールを組み合わせてもよい、又は別のシステムに集積されてもよく、或いは、一部の特徴が無視されてもよく、若しくは実行しなくてもよい。別の点では、表示又は討論される相互間の結合又は直接結合或いは通信接続は、幾つかのインターフェース、装置又はユニットによる間接結合又は通信接続であってもよく、電気的、機械的又はその他の形式であってもよい。
また、本願の各実施例中の各機能ユニットは、１つの処理ユニットに集積されてもよく、各ユニットが単独で物理的に含有されてもよく、２つ又は２つ以上のユニットが１つのユニットに集積されてもよい。上記集積したユニットは、ハードウエアの形式で実現されてもよいし、ハードウエアにソフトウエア機能ユニットを加えた形式で実現されてもよい。
上記実施例の各技術特徴を任意に組み合せてもよい。記述を簡潔させるために、上記実施例中の各技術特徴のあらゆるあり得る組合せのいずれもについて述べていないが、これらの技術特徴の組合せには矛盾さえなければ、いずれも本明細書の記載の範囲だと思われるべきである。
上記の実施例は、ただ本発明の幾つかの実施形態を表現しただけであり、その記述は割と具体的で詳細であるが、発明の特許請求の範囲を限定するものであると理解することができない。なお、当業者にとって、本発明の構想から逸脱しない前提下で、若干の変形や改良を行ってもよい。これらのいずれも本発明の保護範囲に属する。したがって、本発明特許の保護範囲は、添付された特許請求の範囲を基準とすべきである。

Claims (21)

1つ又は複数のプロセッサと、コンピュータ読み取り可能なコードが記憶された1つ又は複数のメモリとを備えたコンピュータにおいて、前記プロセッサが前記コンピュータ読み取り可能なコードを実行することによって実現される冠状動脈の血流速度の算出方法において、前記プロセッサが、
前記冠状動脈の造影画像を取得し、冠状動脈の主枝血管の類型選択を表示し、ユーザが選択した主枝血管の類型に基づき、深層学習によって前記冠状動脈の造影画像を分割し、主枝血管の分割画像を得るステップＳ１と、
前記主枝血管の分割画像に基づき、フレーム毎の分割画像内の前記主枝血管の長さを算出するステップＳ２と、
算出された前記主枝血管の長さの経時的な変化に基づいて前記主枝血管の血流速度を得るステップＳ３と、
を含むステップを実行することを特徴とする、冠状動脈の血流速度の算出方法。
前記ステップＳ１は、ユーザが選択した主枝血管の類型に基づき、前記冠状動脈の造影画像の投影角度が該類型の主枝血管の要求角度範囲内にあるか否かを判断し、
前記冠状動脈の造影画像の投影角度が該類型の主枝血管の要求角度範囲内にある場合に、深層学習によって前記冠状動脈の造影画像を分割し、主枝血管の分割画像を得て、
前記冠状動脈の造影画像の投影角度が該類型の主枝血管の要求角度範囲内にない場合に、提示情報を表示すること、をさらに含むことを特徴とする、請求項１に記載の冠状動脈の血流速度の算出方法。
前記深層学習によって前記冠状動脈の造影画像を分割し、主枝血管の分割画像を得ることは、具体的には、
Ｕ－Ｎｅｔモデルのエンコーダー構造により、前記冠状動脈の造影画像の多種の異なる解像度の特徴マップを取得し、さらにはＲｅｆｉｎｅＮｅｔモジュールを用いて前記多種の異なる解像度の特徴マップを精製して結合することで、主枝血管の分割画像を得ることを含むことを特徴とする、請求項１に記載の冠状動脈の血流速度の算出方法。
前記ステップＳ２は、具体的には、
前記主枝血管の分割画像を抽出し、血管骨格の造影画像を得るステップ２１と、
前記血管骨格の造影画像中の血管骨格の長さを算出し、画素を単位とした主枝血管の長さを得て、画像のスケーリング因数と結びつけて、主枝血管の実際の物理的長さを算出するステップＳ２２と、を含むことを特徴とする、請求項１に記載の冠状動脈の血流速度の算出方法。
前記ステップＳ３は、具体的には、
時間を横座標とし、前記主枝血管の分割画像中の主枝血管の長さを縦座標として、主枝血管の長さの経時的な変化曲線を得るステップＳ３１と、
前記主枝血管の長さの経時的な変化曲線の所定セグメントを選択して、前記所定セグメントの勾配を算出し、前記主枝血管の血流速度を得るステップＳ３２と、を含むことを特徴とする、請求項４に記載の冠状動脈の血流速度の算出方法。
前記ステップＳ３１は、具体的には、
前記主枝血管の分割画像のフレーム数を横座標とし、主枝血管の実際の長さを縦座標として、主枝血管の長さのフレーム数に伴う変化曲線を得るステップＳ３１１と、
フレーム周波数情報に基づき、前記主枝血管の長さのフレーム数に伴う変化曲線中の横座標を時間に変換し、主枝血管の長さの経時的な変化曲線を得るステップＳ３１２と、を含むことを特徴とする、請求項５に記載の冠状動脈の血流速度の算出方法。
前記ステップＳ３２は、具体的には、
前記主枝血管の長さの経時的な変化曲線を平滑処理し、前記主枝血管の長さの経時的な変化曲線の平滑曲線を得ることと、
前記平滑曲線上の主枝血管の長さの最大値を得て、前記平滑曲線上の主枝血管の長さが前記主枝血管の長さの最大値の所定値となるセグメントを所定セグメント領域として取得し、前記平滑曲線上の所定セグメント領域に対応する前記主枝血管の長さの経時的な変化曲線のセグメントを予選セグメントとすることと、
前記予選セグメントに対応する冠状動脈の心電情報に基づき、前記予選セグメントが１つの心拍動周期を含むか否かを判断し、前記予選セグメントが１つの心拍動周期を含まない場合には、前記予選セグメントを前記所定セグメントとすることと、
前記所定セグメントを直線フィッティングし、フィッティングされた直線の勾配を算出し、前記主枝血管の血流速度を得ることと、を含むことを特徴とする、請求項５に記載の冠状動脈の血流速度の算出方法。
前記予選セグメントが１つの心拍動周期を含む場合に、前記予選セグメントの中心を開始点として前記予選セグメントの両端へそれぞれ半分の心拍動周期の長さを延伸して所定セグメントを得ることを含むことを特徴とする請求項７に記載の冠状動脈の血流速度の算出方法。
前記主枝血管の長さの経時的な変化曲線及び前記冠状動脈の造影画像並びに前記冠状動脈の造影画像に対応する前記冠状動脈の心電情報を表示し、所定セグメントの選択が不合理である場合に、マニュアルによる所定セグメントの選択の調整を受け付けることを特徴とする、請求項８に記載の冠状動脈の血流速度の算出方法。
請求項１～９のいずれか１項に記載の冠状動脈の血流速度の算出方法により、前記主枝血管の安静状態における血流速度及び充血状態における血流速度をそれぞれ算出し、算出された前記主枝血管の安静状態における血流速度及び充血状態における血流速度に基づき、前記冠状動脈の血流予備量を得て、
前記の冠状動脈の血流速度の算出方法により、主枝血管の安静状態と充血状態にある前記冠状動脈の造影画像に基づいて前記主枝血管の安静状態における血流速度及び充血状態における血流速度をそれぞれ算出し、前記主枝血管の安静状態にある冠状動脈の造影画像の採取時間と前記主枝血管の充血状態にある冠状動脈の造影画像の採取時間との間の時間差が第１の時間閾値より大きくないことを特徴とする、冠状動脈の血流予備量の算出方法。
ユーザに冠状動脈の主枝血管の類型選択を表示するための表示装置と、
冠状動脈の造影画像を取得し、ユーザが選択した主枝血管の類型に基づき、深層学習によって前記冠状動脈の造影画像を分割し、主枝血管の分割画像を得るための冠状動脈造影画像分割モジュールと、
前記主枝血管の分割画像に基づき、フレーム毎の分割画像内の前記主枝血管の長さを算出するための長さ算出モジュールと、
算出された前記主枝血管の長さの経時的な変化に基づいて前記主枝血管の血流速度を得るための血流速度算出モジュールと、
を備えることを特徴とする、冠状動脈の血流速度の算出装置。
前記冠状動脈造影画像分割モジュールは、ユーザが選択した主枝血管の類型に基づき、前記冠状動脈の造影画像の投影角度が該類型の主枝血管の要求角度範囲内にあるか否かを判断し、
前記冠状動脈の造影画像の投影角度が該類型の主枝血管の要求角度範囲内にある場合に、深層学習によって前記冠状動脈の造影画像を分割し、主枝血管の分割画像を得て、
前記冠状動脈の造影画像の投影角度が該類型の主枝血管の要求角度範囲内にない場合に、前記表示装置はユーザに提示情報を表示するためのものであることを特徴とする、請求項１１に記載の冠状動脈の血流速度の算出装置。
前記冠状動脈造影画像分割モジュールは、Ｕ－Ｎｅｔモデルのエンコーダー構造により前記冠状動脈の造影画像の多種の異なる解像度の特徴マップを取得し、さらにＲｅｆｉｎｅＮｅｔモジュールを用いて前記多種の異なる解像度の特徴マップを精製して結合することで、主枝血管の分割画像を得るためのものであることを特徴とする、請求項１１に記載の冠状動脈の血流速度の算出装置。
前記長さ算出モジュールは、前記主枝血管の分割画像を抽出し、血管骨格の造影画像を得て、前記血管骨格の造影画像中の血管骨格の長さを算出し、画素を単位とした主枝血管の長さを得て、画像のスケーリング因数と結びつけて、主枝血管の実際の物理的長さを算出するためのものであることを特徴とする、請求項１１に記載の冠状動脈の血流速度の算出装置。
前記血流速度算出モジュールは、時間を横座標とし、前記主枝血管の分割画像中の主枝血管の長さを縦座標として、主枝血管の長さの経時的な変化曲線を得て、前記主枝血管の長さの経時的な変化曲線の所定セグメントを取得し、前記所定セグメントの勾配を算出し、前記主枝血管の血流速度を得るためのものであることを特徴とする、請求項１４に記載の冠状動脈の血流速度の算出装置。
前記血流速度算出モジュールは、前記主枝血管の分割画像のフレーム数を横座標とし、主枝血管の実際長さを縦座標として、主枝血管の長さのフレーム数に伴う変化曲線を得て、フレーム周波数情報に基づき、前記主枝血管の長さのフレーム数に伴う変化曲線中の横座標を時間に変換し、主枝血管の長さの経時的な変化曲線を得るためのものであることを特徴とする、請求項１５に記載の冠状動脈の血流速度の算出装置。
前記血流速度算出モジュールは、前記主枝血管の長さの経時的な変化曲線を平滑処理し、前記主枝血管の長さの経時的な変化曲線の平滑曲線を得て、前記平滑曲線上の主枝血管の長さの最大値を得て、前記平滑曲線上の主枝血管の長さが前記主枝血管の長さの最大値の所定値となるセグメントを所定セグメント領域として取得し、
前記平滑曲線上の所定セグメント領域に対応する前記主枝血管の長さの経時的な変化曲線のセグメントを予選セグメントとし、前記予選セグメントに対応する冠状動脈の心電情報に基づき、前記予選セグメントが１つの心拍動周期を含むか否かを判断し、前記予選セグメントが１つの心拍動周期を含まない場合に、前記予選セグメントを前記所定セグメントとし、
前記所定セグメントを直線フィッティングし、フィッティングされた直線の勾配を算出し、前記主枝血管の血流速度を得るためのものであることを特徴とする、請求項１５に記載の冠状動脈の血流速度の算出装置。
前記予選セグメントが１つの心拍動周期を含む場合に、前記予選セグメントの中心を開始点として前記予選セグメントの両端へ半分の心拍動周期の長さをそれぞれ延伸して所定セグメントを得ることを特徴とする請求項１７に記載の冠状動脈の血流速度の算出装置。
前記冠状動脈の血流速度の算出装置は、前記主枝血管の長さの経時的な変化曲線及び前記冠状動脈の造影画像並びに前記冠状動脈の造影画像に対応する前記冠状動脈の心電情報をユーザに表示するための表示装置をさらに備え、ユーザが所定セグメントに対応する冠状動脈の造影画像及び前記冠状動脈の心電情報を調べ、所定セグメントの選択を検証し、所定セグメントの選択が不合理である場合に、マニュアルで所定セグメントの選択を調整することを特徴とする、請求項１７に記載の冠状動脈の血流速度の算出装置。
1つ又は複数のプロセッサと、
コンピュータ読み取り可能なコードが記憶された1つ又は複数のメモリと、を備え、
前記コンピュータ読み取り可能なコードは、前記1つ又は複数のプロセッサにより実行される場合、請求項１～９に記載の血流速度の算出方法を行うことを特徴とする、冠状動脈の血流速度の算出のための電子デバイス。
コンピュータ読み取り可能なコードが記憶され、前記コンピュータ読み取り可能なコードは、1つ又は複数のプロセッサにより実行される場合、請求項１～９に記載の血流速度の算出方法を行うことを特徴とする、コンピュータ記憶媒体。
JP2022551789A 2020-03-02 2021-01-22 冠状動脈の血流速度の算出方法、装置及び電子デバイス Active JP7445779B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
CN202010134217.7 2020-03-02
CN202010134217.7A CN111369519B (zh) 2020-03-02 2020-03-02 冠状动脉的血流速度的计算方法、装置及电子设备
PCT/CN2021/073277 WO2021175039A1 (zh) 2020-03-02 2021-01-22 冠状动脉的血流速度的计算方法、装置及电子设备

Publications (2)

Publication Number Publication Date
JP2023516013A JP2023516013A (ja) 2023-04-17
JP7445779B2 true JP7445779B2 (ja) 2024-03-07

Family

ID=71206516

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2022551789A Active JP7445779B2 (ja) 2020-03-02 2021-01-22 冠状動脈の血流速度の算出方法、装置及び電子デバイス

Country Status (5)

Country Link
US (1) US20230108647A1 (ja)
EP (1) EP4104766A4 (ja)
JP (1) JP7445779B2 (ja)
CN (2) CN113487588B (ja)
WO (1) WO2021175039A1 (ja)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7532402B2 (ja) 2019-04-01 2024-08-13 キャスワークス リミテッド 血管造影画像選択のための方法および装置
WO2021059165A1 (en) 2019-09-23 2021-04-01 Cathworks Ltd. Methods, apparatus, and system for synchronization between a three-dimensional vascular model and an imaging device
CN113487588B (zh) * 2020-03-02 2024-03-22 上海博动医疗科技股份有限公司 冠状动脉的血流速度的计算方法、装置及电子设备
CN112309542B (zh) * 2020-07-27 2021-06-15 李星阳 心脏搭桥模式选择系统
CN112674736B (zh) * 2021-01-08 2023-07-25 上海博动医疗科技股份有限公司 一种用于自动评价血管形变的监测显示方法及系统
CN113706559A (zh) * 2021-09-13 2021-11-26 复旦大学附属中山医院 基于医学图像的血管分段提取方法和装置
US11776240B1 (en) * 2023-01-27 2023-10-03 Fudan University Squeeze-enhanced axial transformer, its layer and methods thereof
WO2024177428A1 (ko) * 2023-02-24 2024-08-29 주식회사 메디픽셀 의료 영상에 기초한 혈류 속도 산출 방법 및 시스템
CN116206162B (zh) * 2023-04-28 2023-08-01 杭州脉流科技有限公司 基于造影影像的冠脉血流储备获取方法、装置及设备
CN116205917B (zh) * 2023-04-28 2023-08-11 杭州脉流科技有限公司 获取冠脉血流储备的方法、装置、计算机设备和存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150148662A1 (en) 2013-11-22 2015-05-28 Julie Alex Technique for Determining Blood Velocity in a Blood Vessel
US20170258433A1 (en) 2016-03-10 2017-09-14 Siemens Healthcare Gmbh Method and System for Extracting Centerline Representation of Vascular Structures in Medical Images Via Optimal Paths in Computational Flow Fields
CN109065170A (zh) 2018-06-20 2018-12-21 博动医学影像科技（上海）有限公司 获取血管压力差的方法及装置
CN109805949A (zh) 2019-03-19 2019-05-28 苏州润迈德医疗科技有限公司 基于压力传感器和造影图像计算血流储备分数的方法
CN110448319A (zh) 2018-05-08 2019-11-15 博动医学影像科技（上海）有限公司 基于造影影像及冠状动脉的血流速度计算方法
CN110674824A (zh) 2019-09-26 2020-01-10 五邑大学 基于R2U-Net的手指静脉分割方法、装置和存储介质

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105096388B (zh) * 2014-04-23 2019-02-05 北京冠生云医疗技术有限公司 基于计算流体力学的冠状动脉血流仿真系统和方法
CN105326486B (zh) * 2015-12-08 2017-08-25 博动医学影像科技（上海）有限公司 血管压力差与血流储备分数的计算方法及系统
CN105559810B (zh) * 2015-12-10 2017-08-08 博动医学影像科技（上海）有限公司 血管单位时间血流量与血流速度的计算方法
WO2018133118A1 (zh) * 2017-01-23 2018-07-26 上海联影医疗科技有限公司 血流状态分析系统及方法
US11534136B2 (en) * 2018-02-26 2022-12-27 Siemens Medical Solutions Usa, Inc. Three-dimensional segmentation from two-dimensional intracardiac echocardiography imaging
CN110226923B (zh) * 2018-03-05 2021-12-14 苏州润迈德医疗科技有限公司 一种无需血管扩张剂测量血流储备分数的方法
CN109754402B (zh) * 2018-03-15 2021-11-19 京东方科技集团股份有限公司 图像处理方法、图像处理装置以及存储介质
CN109509192B (zh) * 2018-10-18 2023-05-30 天津大学 融合多尺度特征空间与语义空间的语义分割网络
CN109686450A (zh) * 2018-12-22 2019-04-26 北京工业大学 一种基于超声和ct成像技术的冠脉血流储备分数计算方法
CN109907772B (zh) * 2019-04-15 2020-11-10 博动医学影像科技（上海）有限公司 获取冠脉血流量及血流速度的方法和装置
CN110136147A (zh) * 2019-05-21 2019-08-16 湖北工业大学 一种基于U-Net模型的分割医学图像的方法、装置及存储介质
CN110335670A (zh) * 2019-06-10 2019-10-15 北京深睿博联科技有限责任公司 用于骨骺等级分级的图像数据处理方法及装置
CN110350958B (zh) * 2019-06-13 2021-03-16 东南大学 一种基于神经网络的大规模mimo的csi多倍率压缩反馈方法
CN113487588B (zh) * 2020-03-02 2024-03-22 上海博动医疗科技股份有限公司 冠状动脉的血流速度的计算方法、装置及电子设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150148662A1 (en) 2013-11-22 2015-05-28 Julie Alex Technique for Determining Blood Velocity in a Blood Vessel
US20170258433A1 (en) 2016-03-10 2017-09-14 Siemens Healthcare Gmbh Method and System for Extracting Centerline Representation of Vascular Structures in Medical Images Via Optimal Paths in Computational Flow Fields
CN110448319A (zh) 2018-05-08 2019-11-15 博动医学影像科技（上海）有限公司 基于造影影像及冠状动脉的血流速度计算方法
CN109065170A (zh) 2018-06-20 2018-12-21 博动医学影像科技（上海）有限公司 获取血管压力差的方法及装置
CN109805949A (zh) 2019-03-19 2019-05-28 苏州润迈德医疗科技有限公司 基于压力传感器和造影图像计算血流储备分数的方法
CN110674824A (zh) 2019-09-26 2020-01-10 五邑大学 基于R2U-Net的手指静脉分割方法、装置和存储介质

Also Published As

Publication number Publication date
CN113487588B (zh) 2024-03-22
CN113487588A (zh) 2021-10-08
US20230108647A1 (en) 2023-04-06
CN111369519A (zh) 2020-07-03
JP2023516013A (ja) 2023-04-17
EP4104766A4 (en) 2023-09-13
CN111369519B (zh) 2021-09-17
WO2021175039A1 (zh) 2021-09-10
EP4104766A1 (en) 2022-12-21

Similar Documents

Publication Publication Date Title
JP7445779B2 (ja) 冠状動脈の血流速度の算出方法、装置及び電子デバイス
US20210251592A1 (en) X-Ray Image Feature Detection And Registration Systems And Methods
CN108665462B (zh) 用于医学成像的高度集成的注释和分割系统
US11058385B2 (en) Method for evaluating cardiac motion using an angiography image
Wu et al. Automatic detection of coronary artery stenosis by convolutional neural network with temporal constraint
JP5317866B2 (ja) グラフィック処理の監視
Liao et al. 3-D reconstruction of the coronary artery tree from multiple views of a rotational X-ray angiography
JP2019504659A (ja) 自動化された心臓ボリュームセグメンテーション
KR20180118458A (ko) 영상 분할 방법 및 그 전자 장치
CN111815598B (zh) 一种血管参数的计算方法、装置、设备及存储介质
CN113436166A (zh) 基于磁共振血管造影数据的颅内动脉瘤检测方法及系统
JP6745623B2 (ja) ボリューム画像を表示するためのシステムおよび方法
US20210056684A1 (en) Medical image classification method and related device
CN111640124B (zh) 一种血管提取方法、装置、设备及存储介质
CN112348861B (zh) 图像处理方法、装置、设备及存储介质
WO2021232867A1 (zh) 超分辨流场重建方法及其装置
US20240005510A1 (en) Method and apparatus of nidus segmentation, electronic device, and storage medium
CN113827263A (zh) 灌注影像处理方法、系统、电子设备及存储介质
CN113298856A (zh) 一种图像配准方法、装置、设备和介质
US20220039769A1 (en) Method, device, and system for determining abnormality in myocardium region
JP2024519764A (ja) 動き補償ウェーブレット血管造影法
US11317875B2 (en) Reconstruction of flow data
CN113112507B (zh) 灌注影像分析方法、系统、电子设备及存储介质
Sun et al. LIVE-Net: Comprehensive 3D vessel extraction framework in CT angiography
CN117495951B (zh) 颅内动脉瘤定位方法、装置、计算机设备及存储介质

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20221024

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20230814

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230905

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20231205

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20240221

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20240226

R150 Certificate of patent or registration of utility model

Ref document number: 7445779

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150