LU500798A1 - Full-Automatic Segmentation Method for Coronary Artery Calcium Lesions Based on Non-Contrast Chest CT - Google Patents
Full-Automatic Segmentation Method for Coronary Artery Calcium Lesions Based on Non-Contrast Chest CT Download PDFInfo
- Publication number
- LU500798A1 LU500798A1 LU500798A LU500798A LU500798A1 LU 500798 A1 LU500798 A1 LU 500798A1 LU 500798 A LU500798 A LU 500798A LU 500798 A LU500798 A LU 500798A LU 500798 A1 LU500798 A1 LU 500798A1
- Authority
- LU
- Luxembourg
- Prior art keywords
- coronary artery
- image
- artery calcium
- chest
- contrast
- Prior art date
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
- G06T7/10—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
- G06T7/13—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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/20—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
- 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
- G06T2207/30096—Tumor; Lesion
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (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)
Claims (10)
1. Vollautomatisches Segmentierungsverfahren für Koronararterien-Verkalkungsläsionen basierend auf einem Thorax-Flach-CT, dadurch gekennzeichnet, dass es die folgenden Schritte umfasst: Schritt 1: Vorverarbeiten eines ursprünglichen Thorax-Flach-CT-Bildes, um vorverarbeitete Daten zu erhalten; Schritt 2: Eingeben der vorverarbeiteten Daten in ein vortrainiertes Herzsegmentierungsmodell und Segmentieren eines Herzbereichs in dem ursprünglichen Thorax-Flach-CT-Bild, um ein Herzsegmentierungsbild zu erhalten, das dem ursprünglichen Thorax-Flach-CT-Bild entspricht und den Herzbereich umfasst; Schritt 3: Herausfiltern vermuteten Koronararterien-Verkalkungsläsionen in dem Herzbereich; Schritt 4: Extrahieren einer Vielzahl von Kandidatenprobenblöcken aus den herausgefilterten vermuteten Koronararterien-Verkalkungsläsionen; Schritt 5: Erhalten eines Segmentierungsergebnisses der Koronararterien-Verkalkungsläsionen jeden Kandidatenprobenblocks unter Verwendung eines vortrainierten Verkalkungsläsions- Segmentierungsmodells basierend auf der Vielzahl von Kandidatenprobenblöcken und ihren entsprechenden Koordinaten in einem Koordinatensystem, das dem ursprünglichen Thorax- Flach-CT-Bild entspricht.
2. Vollautomatisches Segmentierungsverfahren für Koronararterien-Verkalkungsläsionen basierend auf einem Thorax-Flach-CT nach Anspruch 1, dadurch gekennzeichnet, dass der Schritt 1 weiterhin umfasst: Schritt 11: Skalieren des ursprünglichen Thorax-Flach-CT-Bildes auf eine festgelegte Größe; Schritt 12: Normalisieren des skalierten ursprünglichen Thorax-Flach-CT-Bildes.
3. Vollautomatisches Segmentierungsverfahren für Koronararterien-Verkalkungsläsionen basierend auf einem Thorax-Flach-CT nach Anspruch 2, dadurch gekennzeichnet, dass der Schritt 3 weiterhin umfasst: Schritt 31: Wiederherstellen des Herzsegmentierungsbildes auf die Größe des ursprünglichen Thorax-Flach-CT-Bildes; Schritt 32: Bestimmen der Grenze des Herzbereichs gemäß dem Herzsegmentierungsbild nach dem Wiederherstellen der Größe in dem ursprünglichen Thorax-Flach-CT-Bild;
Schritt 33: Herausfiltern der vermuteten Koronararterien-Verkalkungsläsionen innerhalb der LUS00798 Grenze des Herzbereichs.
4. Vollautomatisches Segmentierungsverfahren für Koronararterien-Verkalkungsläsionen basierend auf einem Thorax-Flach-CT nach Anspruch 3, dadurch gekennzeichnet, dass der Schritt 33 weiterhin umfasst: Schritt 331: Markieren aller vermuteten Koronararterien-Verkalkungsläsionen innerhalb der Grenze des Herzbereichs gemäß den CT-Werten; Schritt 332: Clustern aller markierten vermuteten Koronararterien-Verkalkungsläsionen und Herausfiltern der vermuteten Koronararterien-Verkalkungsläsionen gemäß den Clustering- Ergebnissen und entsprechendem Vorwissen.
5. Vollautomatisches Segmentierungsverfahren für Koronararterien-Verkalkungsläsionen basierend auf einem Thorax-Flach-CT nach Anspruch 4, dadurch gekennzeichnet, dass das Verfahren vor dem Schritt 5 weiterhin umfasst: Zusammensetzen der Vielzahl von Kandidatenprobenblöcken zu einer Vielzahl von Chargen und anschließendes Eingeben der Kandidatenprobenblöcke in das Verkalkungsläsions- Segmentierungsmodell chargenweise.
6. Vollautomatisches Segmentierungsverfahren für Koronararterien-Verkalkungsläsionen basierend auf einem Thorax-Flach-CT nach Anspruch 1, dadurch gekennzeichnet, dass das Verfahren nach dem Schritt 5 weiterhin umfasst: Erhalten von endgültigen Segmentierungsergebnissen unter Verwendung eines Abstimmungsmechanismus basierend auf dem Segmentierungsergebnis der Koronararterien- Verkalkungsläsionen jeden Kandidatenprobenblocks.
7. Vollautomatisches Segmentierungsverfahren für Koronararterien-Verkalkungsläsionen basierend auf einem Thorax-Flach-CT nach Anspruch 1, dadurch gekennzeichnet, dass das Training des Herzsegmentierungsmodells die folgenden Schritte umfasst: Sammeln von Thorax-Flach-CT-Bildern zum Trainieren und Durchführen einer Herzmarkierung dafür, um entsprechende Herz-Mask-Bilder zu erhalten; Trainieren eines ersten tiefen neuronalen Netzwerks unter Verwendung von den Thorax-Flach- CT-Bildern zum Trainieren und den Herz-Mask-Bildern, bis eine voreingestellte erste Konvergenzbedingung erfüllt ist, um das Herzsegmentierungsmodell zu erhalten.
8. Vollautomatisches Segmentierungsverfahren für Koronararterien-Verkalkungsläsionen LUS00798 basierend auf einem Thorax-Flach-CT nach Anspruch 7, dadurch gekennzeichnet, dass das Training des Verkalkungsläsions-Segmentierungsmodells die folgenden Schritte umfasst: Markieren der Koronararterien-Verkalkungsläsionen auf den Thorax-Flach-CT-Bildern zum Trainieren, um entsprechende Koronararterien-Verkalkungsläsions-Mask-Bilder zu erhalten; Extrahieren einer Vielzahl von Mask-Bild-Probenblôcken einer voreingestellten Größe aus den Koronararterien-Verkalkungsläsions-Mask-Bildern, Extrahieren einer Vielzahl von Originalbild-Probenblôcken der voreingestellten Größe, die der Vielzahl von Mask-Bild- Probenblôcken entsprechen, aus den Thorax-Flach-CT-Bildern zum Trainieren, wobei jeder Mask-Bild-Probenblock und ein entsprechender Originalbild-Probenblock ein Probenpaar bilden; und Trainieren eines zweiten tiefen neuronalen Netzwerks unter Verwendung des Probenpaars, bis eine voreingestellte zweite Konvergenzbedingung erfüllt ist, um das Verkalkungsläsions- Segmentierungsmodell zu erhalten.
9. Vollautomatisches Segmentierungsverfahren für Koronararterien-Verkalkungsläsionen basierend auf einem Thorax-Flach-CT nach Anspruch 8, dadurch gekennzeichnet, dass das Extrahieren einer Vielzahl von Mask-Bild-Probenblôcken einer voreingestellten Größe aus den Koronararterien-Verkalkungsläsions-Mask-Bildern die folgenden Schritte umfasst: Clustern der Koronararterien-Verkalkungsläsions-Mask-Bilder; und jeweiliges Extrahieren der Mask-Bild-Probenblôcke durch Nehmen jedes Clusterzentrums als ein Zentrum.
10. Vollautomatisches Segmentierungsverfahren fiir Koronararterien-Verkalkungsläsionen basierend auf einem Thorax-Flach-CT nach Anspruch 8, dadurch gekennzeichnet, dass das Extrahieren einer Vielzahl von Originalbild-Probenblôcken der voreingestellten Größe, die der Vielzahl von Mask-Bild-Probenblôcken entsprechen, aus den Thorax-Flach-CT-Bildern zum Trainieren, die folgenden Schritte umfasst: Extrahieren eines entsprechenden Originalbild-Probenblocks aus den Thorax-Flach-CT- Bildern zum Trainieren gemäB den Extraktionskoordinaten jeden Mask-Bild-Probenblocks.
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011181703.0A CN112288752B (zh) | 2020-10-29 | 2020-10-29 | 一种基于胸部平扫ct的冠脉钙化灶全自动分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
LU500798A1 true LU500798A1 (en) | 2022-04-28 |
LU500798B1 LU500798B1 (en) | 2022-06-10 |
Family
ID=74353526
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
LU500798A LU500798B1 (en) | 2020-10-29 | 2021-10-28 | Full-Automatic Segmentation Method for Coronary Artery Calcium Lesions Based on Non-Contrast Chest CT |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112288752B (de) |
LU (1) | LU500798B1 (de) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112785591B (zh) * | 2021-03-05 | 2023-06-13 | 杭州健培科技有限公司 | 一种ct影像中肋骨骨折的检测与分割方法及装置 |
CN113658172B (zh) * | 2021-08-30 | 2022-07-08 | 推想医疗科技股份有限公司 | 图像处理方法及装置、计算机可读存储介质及电子设备 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108171698A (zh) * | 2018-02-12 | 2018-06-15 | 数坤(北京)网络科技有限公司 | 一种自动检测人体心脏冠脉钙化斑块的方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2002348241A1 (en) * | 2001-11-24 | 2003-06-10 | Image Analysis, Inc. | Automatic detection and quantification of coronary and aortic calcium |
CA2797267A1 (en) * | 2010-04-30 | 2011-11-03 | Vucomp, Inc. | Probability density function estimator |
CN104091346B (zh) * | 2014-07-24 | 2017-02-15 | 东南大学 | 一种全自动ct图像冠状动脉钙化分数计算方法 |
CN106447645B (zh) * | 2016-04-05 | 2019-10-15 | 天津大学 | 增强ct图像中冠脉钙化检测及量化装置和方法 |
CN107871318B (zh) * | 2017-11-16 | 2018-11-09 | 吉林大学 | 一种基于模型迁移的冠状动脉钙化斑块检测方法 |
CN108960322B (zh) * | 2018-07-02 | 2022-01-28 | 河南科技大学 | 一种基于心脏ct图像的冠状动脉钙化斑块自动检测方法 |
CN109288536B (zh) * | 2018-09-30 | 2021-01-29 | 数坤(北京)网络科技有限公司 | 获取冠脉钙化区域分类的方法、装置及系统 |
CN110136157B (zh) * | 2019-04-09 | 2021-03-26 | 华中科技大学 | 一种基于深度学习的三维颈动脉超声图像血管壁分割方法 |
CN110969633B (zh) * | 2019-11-28 | 2024-02-27 | 南京安科医疗科技有限公司 | 一种心脏ct成像自动最优相位识别方法 |
CN111291887B (zh) * | 2020-03-06 | 2023-11-10 | 北京迈格威科技有限公司 | 神经网络的训练方法、图像识别方法、装置及电子设备 |
CN111612756B (zh) * | 2020-05-18 | 2023-03-21 | 中山大学 | 冠状动脉特异性钙化检测方法及装置 |
-
2020
- 2020-10-29 CN CN202011181703.0A patent/CN112288752B/zh active Active
-
2021
- 2021-10-28 LU LU500798A patent/LU500798B1/en active IP Right Grant
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108171698A (zh) * | 2018-02-12 | 2018-06-15 | 数坤(北京)网络科技有限公司 | 一种自动检测人体心脏冠脉钙化斑块的方法 |
Non-Patent Citations (4)
Title |
---|
IÅ GUM IVANA ET AL: "Detection of coronary calcifications from computed tomography scans for automated risk assessment of coronary artery disease", MEDICAL PHYSICS, AIP, MELVILLE, NY, US, vol. 34, no. 4, 23 March 2007 (2007-03-23), pages 1450 - 1461, XP012103382, ISSN: 0094-2405, DOI: 10.1118/1.2710548 * |
LESSMANN NIKOLAS ET AL: "Deep convolutional neural networks for automatic coronary calcium scoring in a screening study with low-dose chest CT", PROGRESS IN BIOMEDICAL OPTICS AND IMAGING, SPIE - INTERNATIONAL SOCIETY FOR OPTICAL ENGINEERING, BELLINGHAM, WA, US, vol. 9785, 24 March 2016 (2016-03-24), pages 978511 - 978511, XP060070474, ISSN: 1605-7422, ISBN: 978-1-5106-0027-0, DOI: 10.1117/12.2216978 * |
SANTINI G ET AL: "An automatic deep learning approach for coronary artery calcium segmentation", ARXIV.ORG, CORNELL UNIVERSITY LIBRARY, 201 OLIN LIBRARY CORNELL UNIVERSITY ITHACA, NY 14853, 9 October 2017 (2017-10-09), XP080827161, DOI: 10.1007/978-981-10-5122-7_94 * |
UDAY KURKURE ET AL: "A supervised classification-based method for coronary calcium detection in non-contrast CT", THE INTERNATIONAL JOURNAL OF CARDIAC IMAGING, KLUWER ACADEMIC PUBLISHERS, DO, vol. 26, no. 7, 14 March 2010 (2010-03-14), pages 817 - 828, XP019815035, ISSN: 1573-0743 * |
Also Published As
Publication number | Publication date |
---|---|
CN112288752A (zh) | 2021-01-29 |
LU500798B1 (en) | 2022-06-10 |
CN112288752B (zh) | 2021-08-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liang et al. | A transfer learning method with deep residual network for pediatric pneumonia diagnosis | |
Imran et al. | Comparative analysis of vessel segmentation techniques in retinal images | |
Li et al. | Computer‐assisted diagnosis for diabetic retinopathy based on fundus images using deep convolutional neural network | |
EP3770850A1 (de) | Verfahren zur identifizierung medizinischer bilder, modelltrainingsverfahren und computervorrichtung | |
Selver et al. | Patient oriented and robust automatic liver segmentation for pre-evaluation of liver transplantation | |
JP2020518915A (ja) | 自動眼底画像分析用のシステムおよび方法 | |
Zulkifley et al. | Pterygium-Net: a deep learning approach to pterygium detection and localization | |
LU500798B1 (en) | Full-Automatic Segmentation Method for Coronary Artery Calcium Lesions Based on Non-Contrast Chest CT | |
Luca et al. | Impact of quality, type and volume of data used by deep learning models in the analysis of medical images | |
US20220198214A1 (en) | Image recognition method and device based on deep convolutional neural network | |
Rajee et al. | Gender classification on digital dental x-ray images using deep convolutional neural network | |
Gooßen et al. | Deep learning for pneumothorax detection and localization in chest radiographs | |
Sedai et al. | Multi-stage segmentation of the fovea in retinal fundus images using fully convolutional neural networks | |
CN113239755A (zh) | 一种基于空谱融合深度学习的医学高光谱图像分类方法 | |
Pradhan et al. | Lung cancer detection using 3D convolutional neural networks | |
Mahbub et al. | A modified CNN and fuzzy AHP based breast cancer stage detection system | |
Pal et al. | A fully connected reproducible SE-UResNet for multiorgan chest radiographs segmentation | |
Jiang et al. | A hybrid enhanced attention transformer network for medical ultrasound image segmentation | |
CN112862786B (zh) | Cta影像数据处理方法、装置及存储介质 | |
Indu et al. | Diagnosis of lung cancer nodules in ct scan images using fuzzy neural network | |
Takahashi et al. | Fully automated coronary artery calcium quantification on electrocardiogram-gated non-contrast cardiac computed tomography using deep-learning with novel Heart-labelling method | |
Choudhury et al. | Automated Detection of Central Retinal Vein Occlusion Using Convolutional Neural Network | |
Ozbay et al. | Deep learning in analysing paranasal sinuses | |
Niemeijer | Automatic detection of diabetic retinopathy in digital fundus photographs | |
CN112862785A (zh) | Cta影像数据识别方法、装置及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
FG | Patent granted |
Effective date: 20220610 |