TWI711051B - 血管狀態評估方法與血管狀態評估裝置 - Google Patents

血管狀態評估方法與血管狀態評估裝置 Download PDF

Info

Publication number
TWI711051B
TWI711051B TW108124403A TW108124403A TWI711051B TW I711051 B TWI711051 B TW I711051B TW 108124403 A TW108124403 A TW 108124403A TW 108124403 A TW108124403 A TW 108124403A TW I711051 B TWI711051 B TW I711051B
Authority
TW
Taiwan
Prior art keywords
image
blood vessel
learning model
deep learning
target
Prior art date
Application number
TW108124403A
Other languages
English (en)
Other versions
TW202103181A (zh
Inventor
謝成典
李愛先
Original Assignee
宏碁股份有限公司
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 宏碁股份有限公司 filed Critical 宏碁股份有限公司
Priority to TW108124403A priority Critical patent/TWI711051B/zh
Priority to US16/666,427 priority patent/US11342078B2/en
Application granted granted Critical
Publication of TWI711051B publication Critical patent/TWI711051B/zh
Publication of TW202103181A publication Critical patent/TW202103181A/zh

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • 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
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • 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
    • G06T2207/20081—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
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

一種血管狀態評估方法，其包括：獲得對應於目標使用者的至少一血管造影影像；藉由第一深度學習模型分析所述至少一血管造影影像以從所述至少一血管造影影像中選擇目標影像；藉由至少一第二深度學習模型分析所述目標影像以判斷所述目標使用者的血管類型並將所述目標影像中的目標血管圖案劃分為多個評分區段；以及藉由第三深度學習模型分析所述至少一第二深度學習模型的輸出以獲得所述目標使用者的血管狀態。

Description

血管狀態評估方法與血管狀態評估裝置
本發明是有關於一種基於深度學習的生理狀態評估技術，且特別是有關於一種血管狀態評估方法與血管狀態評估裝置。
隨著現代人飲食習慣改變，心血管疾病有年輕化的趨勢。心血管阻塞有可能造成心肌梗塞，而急性心肌梗塞則經常造成生命損失，因此保持心血管暢通是刻不容緩的事。一般來說，若發生心血管阻塞，除了吃藥控制病情外，還可透過心臟內科的心導管手術，利用氣球擴張或置放支架，更嚴重的可選擇心臟外科冠狀動脈繞道手術。此外，SYNTAX評分是一種透過血管造影來計算心臟血管的阻塞程度，從而作為放置支架或是進行繞道手術之評估方式。然而，SYNTAX評分機制極為複雜，醫生或檢驗師須自行根據血管造影影像研判血管狀態並執行繁瑣的評分程序。
本發明提供一種血管狀態評估方法與血管狀態評估裝置，可有效提高血管狀態的評估效率。
本發明的實施例提供一種血管狀態評估方法，其包括：獲得對應於目標使用者的至少一血管造影影像；藉由第一深度學習模型分析所述至少一血管造影影像以從所述至少一血管造影影像中選擇目標影像；藉由至少一第二深度學習模型分析所述目標影像以判斷所述目標使用者的血管類型並將所述目標影像中的目標血管圖案劃分為多個評分區段；以及藉由第三深度學習模型分析所述至少一第二深度學習模型的輸出以獲得所述目標使用者的血管狀態。
本發明的實施例另提供一種血管狀態評估裝置，其包括儲存裝置與處理器。所述儲存裝置用以儲存對應於目標使用者的至少一血管造影影像。所述處理器耦接至所述儲存裝置。所述處理器用以藉由第一深度學習模型分析所述至少一血管造影影像以從所述至少一血管造影影像中選擇目標影像。所述處理器更用以藉由至少一第二深度學習模型分析所述目標影像以判斷所述目標使用者的血管類型並將所述目標影像中的目標血管圖案劃分為多個評分區段。所述處理器更用以藉由第三深度學習模型分析所述至少一第二深度學習模型的輸出以獲得所述目標使用者的血管狀態。
基於上述，在獲得對應於目標使用者的至少一血管造影影像後，藉由第一深度學習模型分析所述血管造影影像，目標影像可被選擇。接著，藉由第二深度學習模型分析所述目標影像，目標使用者的血管類型可被決定且目標影像中的目標血管圖案可被劃分為多個評分區段。此外，藉由第三深度學習模型分析第二深度學習模型的輸出，目標使用者的血管狀態可被獲得。藉此，可有效提高血管狀態的評估效率。
為讓本發明的上述特徵和優點能更明顯易懂，下文特舉實施例，並配合所附圖式作詳細說明如下。
圖1是根據本發明的一實施例所繪示的血管狀態評估裝置的示意圖。請參照圖1，在一實施例中，裝置(亦稱為血管狀態評估裝置)10可為任意具影像分析與運算功能的電子裝置或電腦裝置。在另一實施例中，裝置10亦可為心血管狀態的檢驗設備或用於心血管造影的影像擷取設備。裝置10可用以自動分析某一使用者(亦稱為目標使用者)的血管造影影像並自動產生評估資訊以反映目標使用者的血管狀態。在一實施例中，可將顯影劑注入至目標使用者的心臟血管(例如冠狀動脈)並對目標使用者的心臟血管進行攝影，以獲得所述血管造影影像。
裝置10包括處理器101、儲存裝置102及影像處理模組103。處理器101耦接至儲存裝置102與影像處理模組103。處理器101可為中央處理單元(Central Processing Unit, CPU)、圖形處理器(graphics processing unit, GPU)、或是其他可程式化之一般用途或特殊用途的微處理器、數位訊號處理器(Digital Signal Processor, DSP)、可程式化控制器、特殊應用積體電路(Application Specific Integrated Circuits, ASIC)、可程式化邏輯裝置(Programmable Logic Device, PLD)或其他類似裝置或這些裝置的組合。處理器101可負責裝置10的整體或部分運作。
儲存裝置102用以儲存影像(即血管造影影像)與其他資料。儲存裝置102可包括揮發式儲存媒體與非揮發式儲存媒體。揮發式儲存媒體可包括隨機存取記憶體(RAM)，而非揮發性儲存媒體可包括唯讀記憶體(ROM)、固態硬碟(SSD)或傳統硬碟(HDD)等。
影像處理模組103用以對儲存裝置102所儲存的影像執行影像辨識，以藉由機器視覺辨識影像中的圖案。影像處理模組103可實作為軟體模組、韌體模組或硬體電路。例如，在一實施例中，影像處理模組103可包括至少一圖形處理器(GPU)或類似的處理晶片，以執行所述影像辨識。或者，在一實施例中，影像處理模組103為可載入至儲存裝置102且可由處理器101執行的程式碼。在一實施例中，影像處理模組103亦可實作於處理器101內。
須注意的是，影像處理模組103具有機器學習及/或深度學習等人工智慧架構並可經由訓練而持續改善其影像辨識性能。例如，影像處理模組103可包括深度學習模型(亦稱為第一深度學習模型)1031、深度學習模型(亦稱為第二深度學習模型)1032及深度學習模型(亦稱為第三深度學習模型)1033。影像處理模組103中的各深度學習模型可以彼此獨立或相互溝通。此外，在一實施例中，裝置10還可包括滑鼠、鍵盤、顯示器、顯示器、麥克風、揚聲器或網路介面卡等輸入/輸出裝置，且輸入/輸出裝置的類型不限於此。
圖2是根據本發明的一實施例所繪示的藉由第一深度學習模型分析影像的示意圖。請參照圖1與圖2，儲存裝置102可儲存多個影像21(1)~21(n)。影像21(1)~21(n)可屬於一或多個影片檔。影像21(1)~21(n)皆為對應於同一目標使用者的血管造影影像。處理器101可藉由深度學習模型1031分析影像21(1)~21(n)以從影像21(1)~21(n)中選擇一或多個影像(亦稱為目標影像)。例如，深度學習模型1031可包括循環神經網路(Recurrent Neural Network, RNN)模型及/或長短期記憶模型(Long Short Term Memory, LSTM)等與時間序列相關的學習模型。
根據影像21(1)~21(n)的分析結果，深度學習模型1031可輸出包含n個機率值P(1)~P(n)的序列22。機率值P(1)~P(n)分別對應於影像21(1)~21(n)。例如，機率值P(i)對應於影像21(i)。i介於1與n之間。機率值P(i)介於0與1之間。機率值P(i)可表示影像21(i)參與後續運算的機率。處理器101可將機率值P(1)~P(n)分別與一個預設值進行比較。若機率值P(i)高於此預設值，處理器101可將對應於機率值P(i)的影像21(i)決定為目標影像。
在選定目標影像後，處理器101可藉由深度學習模型1032分析目標影像以判斷目標使用者的血管類型並將目標影像中的血管圖案(亦稱為目標血管圖案)劃分為多個評分區段。例如，評分區段之劃分可符合SYNTAX或類似的評分標準。例如，深度學習模型1032可包括卷積神經網路(Convolutional neural network, CNN)模型、全卷積網路(Full Convolutional network, FCN)模型、區域卷積網路(Region-based CNN)及/或U-Net模型等涉及編碼與解碼的神經網路模型。
圖3是根據本發明的一實施例所繪示的藉由第二深度學習模型分析影像的示意圖。請參照圖1與圖3，假設影像31為目標影像。處理器101可藉由深度學習模型1032分析影像31以判斷目標使用者的血管類型。另一方面，處理器101可藉由深度學習模型1032將影像31中的血管圖案(亦稱為目標血管圖案)劃分為多個評分區段。須注意的是，判斷目標使用者的血管類型之操作與將目標影像中的目標血管圖案劃分為多個評分區段之操作可藉由深度學習模型1032中的一或多個子深度學習模型執行。
根據影像31的分析結果，深度學習模型1032可決定目標使用者的血管類型為左側優勢(left dominance)301與右側優勢(right dominance)302的其中之一。例如，左側優勢201與右側優勢202可反映兩種不同的右冠狀動脈之類型。此外，若影像31的分析結果不符合左側優勢201與右側優勢202中的任一者，則深度學習模型1032亦可判定目標使用者的血管類型為未知303。若目標使用者的血管類型為未知303，則處理器101可重新執行圖2的操作以選擇新的目標影像。然後，圖3的操作可對新的目標影像執行以再次辨識目標使用者的血管類型為左側優勢301或右側優勢302。
在一實施例中，深度學習模型1032中的某一個子深度學習模型可用以檢查深度學習模型1031所選擇的目標影像之合理性。例如，若深度學習模型1032根據當前選擇的目標影像判定目標使用者的血管類型為圖3的未知303，則此子深度學習模型可判定當前選擇的目標影像之合理性為否。若當前選擇的目標影像之合理性不足，則處理器101可藉由深度學習模型1031重新選擇另一影像作為目標影像。深度學習模型1032可再次判斷此新的目標影像之合理性。或者，若深度學習模型1032根據當前選擇的目標影像判定目標使用者的血管類型為圖3的左側優勢301或右側優勢302，則此子深度學習模型可判定當前選擇的目標影像之合理性為是並且處理器101可根據判斷結果執行後續程序。
圖4是根據本發明的一實施例所繪示的評分規則與對應的評分區段的示意圖。請參照圖3與圖4，評分規則41與42分別對應於左側優勢301與右側優勢302。若目標使用者的血管類型為左側優勢301，則可基於評分規則41對血管圖案中標記為數值1~15的多個評分區段內的血管阻塞狀態進行評分。或者，若目標使用者的血管類型為右側優勢302，則可基於評分規則42對血管圖案中標記為數值1~15、16及16a~16c的多個評分區段內的血管阻塞狀態進行評分。因此，根據影像31的分析結果，深度學習模型1032可根據評分規則41與42的其中之一，將影像31中的目標血管圖案劃分為多個評分區段。
圖5是根據本發明的一實施例所繪示的劃分評分區段的示意圖。請參照圖3至圖5，在一實施例中，假設目標使用者的血管類型為右側優勢302。深度學習模型1032可根據右側優勢302將影像51中的血管圖案(即目標血管圖案)劃分為評分區段501~505。其中，評分區段501對應於評分規則42所指示的區段1，評分區段502對應於評分規則42所指示的區段2，評分區段503對應於評分規則42所指示的區段3，評分區段504對應於評分規則42所指示的區段4，而評分區段505則對應於評分規則42所指示的區段16與16a~16c。需注意的是，在另一實施例中，若目標使用者的血管類型為左側優勢301，則深度學習模型1032亦可以基於評分規則41所指示的區段1~15來將目標影像中的目標血管圖案劃分為相應的多個評分區段。
回到圖1，在將目標影像中的目標血管圖案劃分為多個評分區段後，處理器101可藉由深度學習模型1033分析深度學習模型1032的輸出以獲得目標使用者的血管狀態。例如，深度學習模型1033可包括CNN模型(例如VGGNet或ResNet)或其他合適的學習模型。
圖6是根據本發明的一實施例所繪示的藉由第三深度學習模型分析影像的示意圖。請參照圖6，在一實施例中，深度學習模型1033可獲得對應於目標影像的多個單色影像601(R)、601(G)及601(B)。例如，單色影像601(R)、601(G)及601(B)可藉由對目標影像執行顏色過濾而獲得，以分別以單色(例如紅、綠及藍)呈現目標影像。在某些情況下，分析單色影像的準確率高於分析彩色影像的準確率。
深度學習模型1033亦可獲得對應於所劃分之多個評分區段的多個遮罩影像602(1)~602(p)。例如，圖1的處理器101可根據深度學習模型1032所劃分的p個評分區段來產生相應的遮罩影像602(1)~602(p)。p可介於數值2與25之間(對應於SYNTAX評分標準)。以圖5為例，遮罩影像602(1)可根據所劃分的評分區段501產生並且用以分析評分區段501內的血管狀態，且遮罩影像602(2)可根據所劃分的評分區段502產生並且用以分析評分區段502內的血管狀態，依此類推。在一實施例中，根據目標使用者的血管類型為左側優勢或右側優勢，遮罩影像602(1)~602(p)的總數(即數值p)可能不同。
深度學習模型1033可分析單色影像601(R)、601(G)、601(B)及遮罩影像602(1)~602(p)並產生評估資訊603。評估資訊603可反映使用者的血管狀態。例如，評估資訊603可反映某一評分區段內的血管是否出現完全阻塞(Total Occlusion)、三叉病變(Trifurcation)、分叉病變(Bifurcation)、開口病變(Aorto-ostial lesion)、嚴重扭曲(Severe tortuosity)或嚴重鈣化(Heavy Calcification)等病灶。此些病灶例如是定義於SYNTAX評分標準中。
圖7是根據本發明的一實施例所繪示的評估資訊的示意圖。請參照圖7，評估資訊71可儲存於圖1的儲存裝置102並可藉由輸入/輸出介面輸出(例如呈現於顯示器)。
在本實施例中，評估資訊71可記載評分區段1~15中的血管是否出現病灶0~19中的任一種病灶。若分析結果反映某一平分區段(例如評分區段1)中的血管出現某一病灶(例如病灶0)，則此平分區段與此病灶(例如評分區段1與病灶0)之間的交叉欄位可記載為T。若分析結果反映某一平分區段(例如評分區段2)中的血管出現某一病灶(例如病灶19)，則此評分區段與此病灶(例如評分區段2與病灶19)之間的交叉欄位可記載為F。藉此，評估資訊71可清楚反映目標使用者的血管狀態。例如，評估資訊71可記載對於一或多個評分區段之血管狀態的評分結果。
須注意的是，在一實施例中，評估資訊71亦可藉由其他的形式來記載至少一評分區段與至少一病灶之間的關聯資訊。此外，在另一實施例中，評估資訊71亦可記載更多可用於描述目標使用者的血管狀態之資訊，例如某一評分區段發生某一病灶的機率等等，本發明不加以限制。
在一實施例中，輸入的影像(例如圖2的影像21(1)~21(n))可包含不同攝影角度的影像。在經過多個深度學習模型(如圖1的深度學習模型1031~1033)來分析所述影像後，藉由分析此些不同攝影角度之影像所產生的多個評分結果可被獲得，且此些評分結果可記載於評估資訊71中。若藉由分析不同攝影角度之影像而產生對於同一個評分區段(亦稱為目標評分區段)之不同的評分結果，則最終可以僅採用部分的評分結果來描述目標評分區段之血管狀態。例如，可採用所有評分結果中對於此評分區段的最大值(即最高分數)作為最終評分結果，以藉由此最終評分結果來描述目標評分區段的血管狀態。
圖8是根據本發明的一實施例所繪示的血管狀態評估方法的流程圖。請參照圖8，在步驟S801中，獲得對應於目標使用者的至少一血管造影影像。在步驟S802中，藉由第一深度學習模型分析所述血管造影影像以從所述血管造影影像中選擇目標影像。在步驟S803中，藉由第二深度學習模型分析目標影像以判斷目標使用者的血管類型並將目標影像中的目標血管圖案劃分為多個評分區段。在步驟S804中，藉由第三深度學習模型分析第二深度學習模型的輸出以獲得目標使用者的血管狀態。
然而，圖8中各步驟已詳細說明如上，在此便不再贅述。值得注意的是，圖8中各步驟可以實作為多個程式碼或是電路，本發明不加以限制。此外，圖8的方法可以搭配以上範例實施例使用，也可以單獨使用，本發明不加以限制。
綜上所述，在獲得對應於目標使用者的至少一血管造影影像後，藉由第一深度學習模型分析所述血管造影影像，目標影像可被選擇。接著，藉由第二深度學習模型分析所述目標影像，目標使用者的血管類型可被決定且目標影像中的目標血管圖案可被劃分為多個評分區段。此外，藉由第三深度學習模型分析第二深度學習模型的輸出，目標使用者的血管狀態可被獲得。藉此，可有效提高血管狀態的評估效率。
雖然本發明已以實施例揭露如上，然其並非用以限定本發明，任何所屬技術領域中具有通常知識者，在不脫離本發明的精神和範圍內，當可作些許的更動與潤飾，故本發明的保護範圍當視後附的申請專利範圍所界定者為準。
10:血管狀態評估裝置 101:處理器 102:儲存裝置 103:影像處理模組 1031~1033:深度學習模型 21(1)~21(n)、31、51:影像 22:序列 301:左側優勢 302:右側優勢 303:未知 41、42:評分規則 501~505:評分區段 601(R)、601(G)、601(B):單色影像 602(1)~602(p):遮罩影像 603、71:評估資訊 S801~S804:步驟
圖1是根據本發明的一實施例所繪示的血管狀態評估裝置的示意圖。 圖2是根據本發明的一實施例所繪示的藉由第一深度學習模型分析影像的示意圖。 圖3是根據本發明的一實施例所繪示的藉由第二深度學習模型分析影像的示意圖。 圖4是根據本發明的一實施例所繪示的評分規則與對應的評分區段的示意圖。 圖5是根據本發明的一實施例所繪示的劃分評分區段的示意圖。 圖6是根據本發明的一實施例所繪示的藉由第三深度學習模型分析影像的示意圖。 圖7是根據本發明的一實施例所繪示的評估資訊的示意圖。 圖8是根據本發明的一實施例所繪示的血管狀態評估方法的流程圖。
S801~S804:步驟

Claims (10)

  1. 一種血管狀態評估方法，包括：獲得對應於一目標使用者的至少一血管造影影像；藉由一第一深度學習模型分析該至少一血管造影影像以從該至少一血管造影影像中選擇一目標影像；藉由至少一第二深度學習模型分析該目標影像以判斷該目標使用者的一血管類型並將該目標影像中的一目標血管圖案劃分為多個評分區段；以及藉由一第三深度學習模型分析該至少一第二深度學習模型的輸出以獲得該目標使用者的一血管狀態，其中該至少一血管造影影像包含不同攝影角度的多個影像，且藉由該第三深度學習模型分析該至少一第二深度學習模型的該輸出以獲得該目標使用者的該血管狀態的步驟包括：產生對應於一目標評分區段的多個評分結果；以及採用該多個評分結果中對於該目標評分區段的最大值作為最終評分結果，以描述該目標評分區段的一血管狀態。
  2. 如申請專利範圍第1項所述的血管狀態評估方法，其中藉由該第一深度學習模型分析該至少一血管造影影像以從該至少一血管造影影像中選擇該目標影像的步驟包括：藉由該第一深度學習模型決定對應於該至少一血管造影影像中的一第一影像的一機率值；以及若該機率值高於一預設值，將該第一影像決定為該目標影像。
  3. 如申請專利範圍第1項所述的血管狀態評估方法，其中該目標使用者的該血管類型包括一左側優勢(left dominance)與一右側優勢(right dominance)的其中之一。
  4. 如申請專利範圍第1項所述的血管狀態評估方法，其中該多個評分區段之劃分符合一SYNTAX評分標準。
  5. 如申請專利範圍第1項所述的血管狀態評估方法，其中藉由該第三深度學習模型分析該至少一第二深度學習模型的該輸出以獲得該目標使用者的該血管狀態的步驟包括：獲得對應於該多個評分區段的多個遮罩影像與對應於該目標影像的多個單色影像；以及藉由該第三深度學習模型分析該多個遮罩影像與該多個單色影像以獲得該目標使用者的該血管狀態。
  6. 一種血管狀態評估裝置，包括：一儲存裝置，用以儲存對應於一目標使用者的至少一血管造影影像；以及一處理器，耦接至該儲存裝置，其中該處理器用以藉由一第一深度學習模型分析該至少一血管造影影像以從該至少一血管造影影像中選擇一目標影像，該處理器更用以藉由至少一第二深度學習模型分析該目標影像以判斷該目標使用者的一血管類型並將該目標影像中的一目標血管圖案劃分為多個評分區段，並且該處理器更用以藉由一第三深度學習模型分析該至少一第二 深度學習模型的輸出以獲得該目標使用者的一血管狀態，其中該至少一血管造影影像包含不同攝影角度的多個影像，且該處理器藉由該第三深度學習模型分析該至少一第二深度學習模型的該輸出以獲得該目標使用者的該血管狀態的操作包括：產生對應於一目標評分區段的多個評分結果；以及採用該多個評分結果中對於該目標評分區段的最大值作為最終評分結果，以描述該目標評分區段的一血管狀態。
  7. 如申請專利範圍第6項所述的血管狀態評估裝置，其中該處理器藉由該第一深度學習模型分析該至少一血管造影影像以從該至少一血管造影影像中選擇該目標影像的操作包括：藉由該第一深度學習模型決定對應於該至少一血管造影影像中的一第一影像的一機率值；以及若該機率值高於一預設值，將該第一影像決定為該目標影像。
  8. 如申請專利範圍第6項所述的血管狀態評估裝置，其中該目標使用者的該血管類型包括一左側優勢與一右側優勢的其中之一。
  9. 如申請專利範圍第6項所述的血管狀態評估裝置，其中該多個評分區段之劃分符合一SYNTAX評分標準。
  10. 如申請專利範圍第6項所述的血管狀態評估裝置，其中該處理器藉由該第三深度學習模型分析該至少一第二深度學習模型的該輸出以獲得該目標使用者的該血管狀態的操作包括：獲得對應於該多個評分區段的多個遮罩影像與對應於該目標 影像的多個單色影像；以及藉由該第三深度學習模型分析該多個遮罩影像與該多個單色影像以獲得該目標使用者的該血管狀態。
TW108124403A 2019-07-11 2019-07-11 血管狀態評估方法與血管狀態評估裝置 TWI711051B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
TW108124403A TWI711051B (zh) 2019-07-11 2019-07-11 血管狀態評估方法與血管狀態評估裝置
US16/666,427 US11342078B2 (en) 2019-07-11 2019-10-29 Blood vessel status evaluation method and blood vessel status evaluation device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW108124403A TWI711051B (zh) 2019-07-11 2019-07-11 血管狀態評估方法與血管狀態評估裝置

Publications (2)

Publication Number Publication Date
TWI711051B true TWI711051B (zh) 2020-11-21
TW202103181A TW202103181A (zh) 2021-01-16

Family

ID=74101514

Family Applications (1)

Application Number Title Priority Date Filing Date
TW108124403A TWI711051B (zh) 2019-07-11 2019-07-11 血管狀態評估方法與血管狀態評估裝置

Country Status (2)

Country Link
US (1) US11342078B2 (zh)
TW (1) TWI711051B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114663651A (zh) * 2022-03-24 2022-06-24 北京安德医智科技有限公司 一种根据颅内cta图像识别血管闭塞状态的方法和装置
TWI790508B (zh) * 2020-11-30 2023-01-21 宏碁股份有限公司 血管偵測裝置及基於影像的血管偵測方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI824829B (zh) * 2021-12-20 2023-12-01 仁寶電腦工業股份有限公司 造影影像判定方法及造影影像判定裝置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060050966A1 (en) * 2002-05-12 2006-03-09 Hirokazu Nishimura Image processing system and image processing method
CN104867147A (zh) * 2015-05-21 2015-08-26 北京工业大学 基于冠状动脉造影图像分割的syntax自动评分方法
TW201903708A (zh) * 2017-06-06 2019-01-16 國立陽明大學 數位減影血管攝影圖像的分析方法與系統
CN109658407A (zh) * 2018-12-27 2019-04-19 上海联影医疗科技有限公司 冠状动脉病变的评分方法、装置、服务器和存储介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2694166A1 (en) * 2006-07-31 2008-02-07 Bio-Tree Systems, Inc. Blood vessel imaging and uses therefor
US7853061B2 (en) * 2007-04-26 2010-12-14 General Electric Company System and method to improve visibility of an object in an imaged subject
WO2016092420A1 (en) * 2014-12-08 2016-06-16 Koninklijke Philips N.V. Devices, systems, and methods for vessel assessment and intervention recommendation
JP2019080749A (ja) * 2017-10-30 2019-05-30 テルモ株式会社 治療方法
CN108830155B (zh) * 2018-05-10 2021-10-15 北京红云智胜科技有限公司 一种基于深度学习的心脏冠状动脉分割及识别的方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060050966A1 (en) * 2002-05-12 2006-03-09 Hirokazu Nishimura Image processing system and image processing method
CN104867147A (zh) * 2015-05-21 2015-08-26 北京工业大学 基于冠状动脉造影图像分割的syntax自动评分方法
TW201903708A (zh) * 2017-06-06 2019-01-16 國立陽明大學 數位減影血管攝影圖像的分析方法與系統
CN109658407A (zh) * 2018-12-27 2019-04-19 上海联影医疗科技有限公司 冠状动脉病变的评分方法、装置、服务器和存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI790508B (zh) * 2020-11-30 2023-01-21 宏碁股份有限公司 血管偵測裝置及基於影像的血管偵測方法
US11690569B2 (en) 2020-11-30 2023-07-04 Acer Incorporated Blood vessel detecting apparatus and image-based blood vessel detecting method
CN114663651A (zh) * 2022-03-24 2022-06-24 北京安德医智科技有限公司 一种根据颅内cta图像识别血管闭塞状态的方法和装置
CN114663651B (zh) * 2022-03-24 2023-01-24 北京安德医智科技有限公司 一种根据颅内cta图像识别血管闭塞状态的方法和装置

Also Published As

Publication number Publication date
US11342078B2 (en) 2022-05-24
US20210012901A1 (en) 2021-01-14
TW202103181A (zh) 2021-01-16

Similar Documents

Publication Publication Date Title
TWI698225B (zh) 血管狀態評估方法與血管狀態評估裝置
TWI711051B (zh) 血管狀態評估方法與血管狀態評估裝置
EP3730040A1 (en) Method and apparatus for assisting in diagnosis of cardiovascular disease
Xian et al. Main coronary vessel segmentation using deep learning in smart medical
CN109816666B (zh) 对称全卷积神经网络模型构建方法、眼底图像血管分割方法、装置、计算机设备及存储介质
JP2021529061A (ja) 画像処理方法、電子機器及び記憶媒体
US10997720B2 (en) Medical image classification method and related device
US20230298180A1 (en) Blood vessel image segmenting method and apparatus using plurality of prediction results
Hu et al. Automatic artery/vein classification using a vessel-constraint network for multicenter fundus images
CN115546570A (zh) 一种基于三维深度网络的血管图像分割方法及系统
WO2021259390A2 (zh) 一种冠脉钙化斑块检测方法及装置
WO2021005613A1 (en) Chest radiograph image analysis system and a method thereof
CN105701791A (zh) 用于确定血管中斑块沉积的方法和设备
Kayser et al. Understanding the effects of artifacts on automated polyp detection and incorporating that knowledge via learning without forgetting
JP7349018B2 (ja) 冠状動脈の分割方法、装置、電子デバイス及びコンピュータ読取可能な記憶媒体
TWI824829B (zh) 造影影像判定方法及造影影像判定裝置
Shi et al. FRCNet: feature refining and context-guided network for efficient polyp segmentation
CN113995388B (zh) 血流储备分数计算方法、装置、电子设备及可读存储介质
CN112308813A (zh) 血管状态评估方法与血管状态评估装置
WO2019171398A1 (en) A fundus image analysis system
CN115908274A (zh) 一种病灶检测的装置、设备及介质
Revathi et al. A deep learning based approach for diagnosing coronary inflammation with multi-scale coronary response dynamic balloon tracking (MSCAR-DBT) based artery segmentation in coronary computed tomography angiography (CCTA)
CN113610800A (zh) 用于评估侧支循环的装置、非诊断方法及电子设备
CN114119645A (zh) 一种图像分割质量的确定方法、系统、设备及介质
Lang et al. LCCF-Net: Lightweight contextual and channel fusion network for medical image segmentation