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 PDF

Info

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
Application number
LU500798A
Other languages
English (en)
Other versions
LU500798B1 (en
Inventor
Ying Chi
Jian Wang
Cheng Xu
Yining Wang
Minfeng Xu
Zhengyu Jin
Heng Guo
Original Assignee
Peking Union Medical College Hospital
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 Peking Union Medical College Hospital filed Critical Peking Union Medical College Hospital
Publication of LU500798A1 publication Critical patent/LU500798A1/en
Application granted granted Critical
Publication of LU500798B1 publication Critical patent/LU500798B1/en

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)

Patentansprüche
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.
LU500798A 2020-10-29 2021-10-28 Full-Automatic Segmentation Method for Coronary Artery Calcium Lesions Based on Non-Contrast Chest CT LU500798B1 (en)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (1)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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