NL2029877B1 - Image based analysis of a vessel structure - Google Patents
Image based analysis of a vessel structure Download PDFInfo
- Publication number
- NL2029877B1 NL2029877B1 NL2029877A NL2029877A NL2029877B1 NL 2029877 B1 NL2029877 B1 NL 2029877B1 NL 2029877 A NL2029877 A NL 2029877A NL 2029877 A NL2029877 A NL 2029877A NL 2029877 B1 NL2029877 B1 NL 2029877B1
- Authority
- NL
- Netherlands
- Prior art keywords
- segment
- mask
- image
- vessel
- values
- 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
- G06T7/0014—Biomedical image inspection using an image reference approach
- G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- 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
- G06T2207/30—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)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Claims (15)
1. Een door een computer geïmplementeerde werkwijze voor beeld- gebaseerde analyse van een vatenstructuur (V), waarbij de werkwijze omvat het ontvangen van een sequentie van beelden (I[t]), waarbij een respectief beeld (I) in de sequentie van beelden (I[t]) een set pixels (P) omvat met pixelwaarden (D) die de vatenstructuur (V) weergeven op een respectief tijdstip (t) na injectie met een contrastvloeistof (Fc) die door de vatenstructuur (V) stroomt; voor een respectief beeld (I) in de sequentie van beelden (I[t]), het bepalen van een respectief vatenmasker (Vm) dat de vatenstructuur (V) omlijnt op basis van respectieve pixelwaarden (D); het verdelen van het respectieve vatenmasker (Vm) in een set maskersegmenten (Vs[n]) die samenvallen met verschillende secties van de vatenstructuur (V); voor respectieve combinaties van een respectief maskersegment (Vs) in de set maskersegmenten (Vs[n]) en een respectief beeld (I) in de sequentie van beelden (I[t]), het bepalen van een respectieve verdeling van pixelwaarden (D) van pixels (P) in de respectieve afbeelding (I) die het respectieve maskersegment (Vs) overlappen, en het bepalen van een respectieve segmentwaarde (S) die de distributie karakteriseert op het respectieve tijdstip (t) van de respectieve afbeelding (I); voor een respectief maskersegment (Vs) in de set maskersegmenten (Vs[n]), het bepalen van een respectieve set segmentwaarden (S[t]) op basis van de respectieve segmentwaarde (S) als functie van het respectieve tijdstip (t); en het bepalen, op basis van de respectieve set segmentwaarden (S[t]), van een gecombineerde segmentwaarde als een respectieve strommgsmetriek (Q) van de contrastvloeistof (Fc) die door een respectief gedeelte van de vatenstructuur stroomt (V) overeenkomend met het respectieve maskersegment (Vs).
2. De werkwijze volgens de voorgaande conclusie, omvattende het bepalen van ten minste één stromingsmetriek (Q1) voor elk maskersegment (Vs) in de set maskersegmenten (Vs[n]).
3. De werkwijze volgens de voorgaande conclusie, omvattende het genereren van een parametrisch beeld (Iq) door het instellen van een pixelwaarde van pixels in het parametrische beeld (Ip) dat het respectieve maskersegment (Vs) overlapt op basis van de respectieve stromingsmetriek (Q) van het maskersegment.
4. De werkwijze volgens de voorgaande conclusie, omvattende het weergeven van een afbeelding op basis van de parametrische afbeelding (Iq), of een combinatie van de parametrische afbeelding (Iq) met een afbeelding (1[21]) van de sequentie van afbeeldingen (I[t]).
5. De werkwijze volgens een der voorgaande conclusies, waarbij een set stromingsmetrieken (Q) en/of ten minste één parametrisch beeld (Iq) wordt ingevoerd in een computermodel, om een classificatie van de vatenstructuur (Vs) te bepalen en/of een segment van interesse (*) te lokaliseren.
6. De werkwijze volgens een der voorgaande conclusies, omvattende het bepalen van een injectielocatie (Ci) van de contrastvloeistof (Fc) die de vatenstructuur (V) binnenkomt, waarbij het vatenmasker (Vm) wordt verdeeld in respectieve maskersegmenten (Vs[n]) in overeenstemming met een respectieve afstand (d) tot de injectielocatie (Ci).
7. De werkwijze volgens een der voorgaande conclusies, waarbij het vatenmasker (Vm) wordt verdeeld in maskersegmenten (Vs) in overeenstemming met een respectieve tak (Vb) van de vatenstructuur (V) die samenvalt met het respectieve maskersegment (Vs).
8. De werkwijze volgens een der voorgaande conclusies, waarbij de respectieve segmentwaarde (S) wordt bepaald met behulp van een eerste algoritme dat is geconfigureerd om een statistische eigenschap van de verdeling van pixelwaarden (D) te berekenen, en de respectieve stromimgsmetriek (Q) wordt bepaald met behulp van een tweede algoritme dat is geconfigureerd om een statistische eigenschap van de set segmentwaarden te berekenen, waarbij de statistische eigenschap ten minste één omvat van een gemiddelde waarde (Dm,Sm), spreiding in waarde (Do,S0), of combinatie daarvan.
9. De werkwijze volgens een der voorgaande conclusies, waarbij al de pixels in de respectieve afbeelding (T) die het respectieve maskersegment (Vs) overlappen een volledige set overlappende pixels vormen, waarbij de segmentwaarde (S) voor de respectieve afbeelding (T) die het respectieve maskersegment (Vs) overlappen is gebaseerd op de pixelwaarden (D) van een subset de volledige set overlappende pixels, waarbij de subset wordt bepaald door uitsluitend pixels te selecteren uit de volledige set overlappende pixels met een respectieve pixelwaarde (D) die voldoet aan een drempelwaarde (T), waarbij de drempel (T) ten minste één van een minimale pixelwaarde en een maximale pixelwaarde omvat, waarbij de drempelwaarde (T) wordt bepaald ten opzichte van een verdeling van alle pixelwaarden in de volledige set overlappende pixels.
10. De werkwijze volgens een der voorgaande conclusies, waarbij voor elk maskersegment (Vs) en elk beeld (I), ten minste twee verschillende segmentwaarden worden gegenereerd op basis van de pixelwaarden (D) van respectieve verschillende subsets van de volledige set overlappende pixels.
11. De werkwijze volgens een der voorgaande conclusies, waarbij voor elk maskersegment (Vs) en elk beeld (I), ten minste twee verschillende sets van segmentwaarden worden gegenereerd, waarbij respectieve verschillende stromingsmetrieken (Q1, Q2) worden bepaald op basis van de verschillende sets segmentwaarden.
12. De werkwijze volgens een der voorgaande conclusies, waarbij, voor elk maskersegment (Vs) en sequentie van beelden (I[t]), ten minste twee verschillende stromingsmetrieken (Q1,Q2) worden bepaald, waarbij de aanwezigheid en/of locatie van een stenose in de vatenstructuur wordt bepaald op basis van de ten minste twee verschillende stromingsmetrieken (Q1,Q2).
13. Een niet-tijdelijk computer-leesbaar medium dat instructies opslaat die, wanneer uitgevoerd door een of meer processors, veroorzaakt dat een apparaat de werkwijze volgens een der voorgaande conclusies uitvoert.
14. Het medium volgens de voorgaande conclusie dat een machine learning-algoritme en een set gewichten opslaat die zijn geconfigureerd om de aanwezigheid en/of locatie van een stenose te bepalen op basis van ontvangst als invoer in het algoritme van ten minste één van een set stromingsmetrieken (Q1,Q2,Q3), bepaald volgens de werkwijze van een der conclusies 1 — 12; en/of een parametrische afbeelding (Ip) gebaseerd op de set stromingsmetrieken (Q1,Q2,Q3).
15. Een systeem voor beeld-gebaseerde analyse van een vatenstructuur (V), waarbij het systeem omvat een processor die communicatief is gekoppeld aan een medische beeldvormingsinrichting voor het ontvangen van een sequentie van beelden (I[t]); en een geheugen dat niet-tijdelijke computer-leesbare instructies opslaat, die, wanneer utgevoerd, veroorzaken dat de processor de werkwijze uitvoert volgens een der conclusies 1 — 12.
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
NL2029877A NL2029877B1 (en) | 2021-11-23 | 2021-11-23 | Image based analysis of a vessel structure |
PCT/NL2022/050671 WO2023096481A1 (en) | 2021-11-23 | 2022-11-22 | Image based analysis of a vessel structure |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
NL2029877A NL2029877B1 (en) | 2021-11-23 | 2021-11-23 | Image based analysis of a vessel structure |
Publications (1)
Publication Number | Publication Date |
---|---|
NL2029877B1 true NL2029877B1 (en) | 2023-06-15 |
Family
ID=80625290
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
NL2029877A NL2029877B1 (en) | 2021-11-23 | 2021-11-23 | Image based analysis of a vessel structure |
Country Status (2)
Country | Link |
---|---|
NL (1) | NL2029877B1 (nl) |
WO (1) | WO2023096481A1 (nl) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130253895A1 (en) * | 2012-03-20 | 2013-09-26 | Isis Innovation Ltd. | Quantification of blood volume flow rates from dynamic angiography data |
US20130345559A1 (en) * | 2012-03-28 | 2013-12-26 | Musc Foundation For Reseach Development | Quantitative perfusion analysis for embolotherapy |
EP2946321A1 (en) | 2013-01-15 | 2015-11-25 | Cathworks Ltd. | Diagnostically useful results in real time |
US9247918B2 (en) | 2012-07-09 | 2016-02-02 | Siemens Aktiengesellschaft | Computation of hemodynamic quantities from angiographic data |
US9891044B2 (en) | 2014-03-18 | 2018-02-13 | Medis Associated B.V. | Method and device for determining deviation in pressure in a blood vessel |
US9974508B2 (en) | 2011-09-01 | 2018-05-22 | Ghassan S. Kassab | Non-invasive systems and methods for determining fractional flow reserve |
US10694963B2 (en) * | 2015-04-27 | 2020-06-30 | Coronary Technologies Sarl | Computer-implemented method for identifying zones of stasis and stenosis in blood vessels |
-
2021
- 2021-11-23 NL NL2029877A patent/NL2029877B1/en active
-
2022
- 2022-11-22 WO PCT/NL2022/050671 patent/WO2023096481A1/en unknown
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9974508B2 (en) | 2011-09-01 | 2018-05-22 | Ghassan S. Kassab | Non-invasive systems and methods for determining fractional flow reserve |
US20130253895A1 (en) * | 2012-03-20 | 2013-09-26 | Isis Innovation Ltd. | Quantification of blood volume flow rates from dynamic angiography data |
US20130345559A1 (en) * | 2012-03-28 | 2013-12-26 | Musc Foundation For Reseach Development | Quantitative perfusion analysis for embolotherapy |
US9247918B2 (en) | 2012-07-09 | 2016-02-02 | Siemens Aktiengesellschaft | Computation of hemodynamic quantities from angiographic data |
EP2946321A1 (en) | 2013-01-15 | 2015-11-25 | Cathworks Ltd. | Diagnostically useful results in real time |
US9891044B2 (en) | 2014-03-18 | 2018-02-13 | Medis Associated B.V. | Method and device for determining deviation in pressure in a blood vessel |
US10694963B2 (en) * | 2015-04-27 | 2020-06-30 | Coronary Technologies Sarl | Computer-implemented method for identifying zones of stasis and stenosis in blood vessels |
Non-Patent Citations (1)
Title |
---|
S.J. WHARTON ET AL: "Measuring the Concentration of Contrast Agent in Blood for DSC MRI from the Extra-Vascular Phase Shift", INTERNATIONAL SOCIETY FOR MAGNETIC RESONANCE IN MEDICINE, 18 April 2009 (2009-04-18) - 24 April 2009 (2009-04-24), HI, USA, pages 720 - 720, XP040607952 * |
Also Published As
Publication number | Publication date |
---|---|
WO2023096481A1 (en) | 2023-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11883225B2 (en) | Systems and methods for estimating healthy lumen diameter and stenosis quantification in coronary arteries | |
Fraz et al. | QUARTZ: Quantitative Analysis of Retinal Vessel Topology and size–An automated system for quantification of retinal vessels morphology | |
Prasad et al. | Multiple eye disease detection using Deep Neural Network | |
Pinto et al. | Enhancing clinical MRI perfusion maps with data-driven maps of complementary nature for lesion outcome prediction | |
Carballal et al. | Automatic multiscale vascular image segmentation algorithm for coronary angiography | |
RU2752690C2 (ru) | Обнаружение изменений на медицинских изображениях | |
Vasilev et al. | q-Space novelty detection with variational autoencoders | |
US20210219839A1 (en) | Method for classifying fundus image of subject and device using same | |
Denzinger et al. | Coronary artery plaque characterization from CCTA scans using deep learning and radiomics | |
US20210383262A1 (en) | System and method for evaluating a performance of explainability methods used with artificial neural networks | |
FR et al. | Segmentation of mammography by applying extreme learning machine in tumor detection | |
Rachmadi et al. | Limited one-time sampling irregularity map (LOTS-IM) for automatic unsupervised assessment of white matter hyperintensities and multiple sclerosis lesions in structural brain magnetic resonance images | |
KR20200114228A (ko) | 순환 신경망을 이용한 이소시트르산 탈수소효소 유전형 변이 예측 방법 및 시스템 | |
Liu et al. | Two new stenosis detection methods of coronary angiograms | |
Ramos et al. | Computational assessment of the retinal vascular tortuosity integrating domain-related information | |
NL2029877B1 (en) | Image based analysis of a vessel structure | |
Sankaran et al. | Real-time sensitivity analysis of blood flow simulations to lumen segmentation uncertainty | |
Dhuru et al. | The Detection of Diabetic Retinopathy in Human Eyes Using Convolution Neural Network (CNN) | |
Dhuru et al. | Using Convolutional Neural Network to Detect Diabetic Retinopathy in Human Eye | |
CN116934741B (zh) | 一站式血管壁的成分和定量参数获取方法和装置 | |
EP4197442A1 (en) | Peripheral perfusion analysis | |
Tomar et al. | A visual attention-based algorithm for brain tumor detection using an on-center saliency map and a superpixel-based framework | |
Al Sariera et al. | Detection of Artery/Vein in Retinal Images Using CNN and GCN for Diagnosis of Hypertensive Retinopathy | |
CN117333470A (zh) | 一种糖尿病视网膜病变硬渗出物分割方法及装置 | |
CN117320628A (zh) | 一种用于识别冠状动脉疾病的系统和方法 |