TWI844414B - 阻塞性冠狀動脈疾病的預測系統和方法 - Google Patents
阻塞性冠狀動脈疾病的預測系統和方法 Download PDFInfo
- Publication number
- TWI844414B TWI844414B TW112123900A TW112123900A TWI844414B TW I844414 B TWI844414 B TW I844414B TW 112123900 A TW112123900 A TW 112123900A TW 112123900 A TW112123900 A TW 112123900A TW I844414 B TWI844414 B TW I844414B
- Authority
- TW
- Taiwan
- Prior art keywords
- image
- myocardial
- coronary artery
- left ventricular
- disease
- Prior art date
Links
- 230000000414 obstructive effect Effects 0.000 title claims abstract description 72
- 208000029078 coronary artery disease Diseases 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000013135 deep learning Methods 0.000 claims abstract description 41
- 238000007781 pre-processing Methods 0.000 claims abstract description 29
- 230000002861 ventricular Effects 0.000 claims abstract description 26
- 210000004165 myocardium Anatomy 0.000 claims abstract description 22
- 210000004351 coronary vessel Anatomy 0.000 claims abstract description 11
- 230000002107 myocardial effect Effects 0.000 claims description 97
- 201000010099 disease Diseases 0.000 claims description 38
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 38
- 208000031481 Pathologic Constriction Diseases 0.000 claims description 32
- 208000037804 stenosis Diseases 0.000 claims description 32
- 230000036262 stenosis Effects 0.000 claims description 13
- 230000010412 perfusion Effects 0.000 claims description 12
- 210000001367 artery Anatomy 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 230000000284 resting effect Effects 0.000 claims description 6
- 238000003384 imaging method Methods 0.000 claims description 5
- 238000011002 quantification Methods 0.000 abstract description 12
- 150000001875 compounds Chemical class 0.000 abstract description 4
- 238000012937 correction Methods 0.000 abstract description 4
- 230000008901 benefit Effects 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 abstract 1
- 230000008569 process Effects 0.000 description 21
- 238000012549 training Methods 0.000 description 20
- 238000004458 analytical method Methods 0.000 description 18
- 238000010200 validation analysis Methods 0.000 description 17
- 238000013480 data collection Methods 0.000 description 14
- 230000002792 vascular Effects 0.000 description 9
- 238000011161 development Methods 0.000 description 8
- 230000018109 developmental process Effects 0.000 description 8
- 201000000057 Coronary Stenosis Diseases 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000002603 single-photon emission computed tomography Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 238000002790 cross-validation Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 230000009466 transformation Effects 0.000 description 6
- 230000004913 activation Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000035945 sensitivity Effects 0.000 description 5
- 208000032928 Dyslipidaemia Diseases 0.000 description 4
- 206010020772 Hypertension Diseases 0.000 description 4
- 208000017170 Lipid metabolism disease Diseases 0.000 description 4
- 238000012952 Resampling Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 101100233916 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) KAR5 gene Proteins 0.000 description 3
- 238000002586 coronary angiography Methods 0.000 description 3
- 230000006735 deficit Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 206010011089 Coronary artery stenosis Diseases 0.000 description 2
- 101001121408 Homo sapiens L-amino-acid oxidase Proteins 0.000 description 2
- 102100026388 L-amino-acid oxidase Human genes 0.000 description 2
- 238000002583 angiography Methods 0.000 description 2
- 230000000747 cardiac effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000012880 independent component analysis Methods 0.000 description 2
- 210000005240 left ventricle Anatomy 0.000 description 2
- 230000000873 masking effect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 208000025494 Aortic disease Diseases 0.000 description 1
- 101000827703 Homo sapiens Polyphosphoinositide phosphatase Proteins 0.000 description 1
- 238000000585 Mann–Whitney U test Methods 0.000 description 1
- 238000001358 Pearson's chi-squared test Methods 0.000 description 1
- 102100023591 Polyphosphoinositide phosphatase Human genes 0.000 description 1
- 101100012902 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) FIG2 gene Proteins 0.000 description 1
- 238000000692 Student's t-test Methods 0.000 description 1
- 206010057469 Vascular stenosis Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013103 analytical ultracentrifugation Methods 0.000 description 1
- 210000000709 aorta Anatomy 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000005494 condensation Effects 0.000 description 1
- 238000009833 condensation Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- IZEKFCXSFNUWAM-UHFFFAOYSA-N dipyridamole Chemical compound C=12N=C(N(CCO)CCO)N=C(N3CCCCC3)C2=NC(N(CCO)CCO)=NC=1N1CCCCC1 IZEKFCXSFNUWAM-UHFFFAOYSA-N 0.000 description 1
- 229960002768 dipyridamole Drugs 0.000 description 1
- 238000002651 drug therapy Methods 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010348 incorporation Methods 0.000 description 1
- 238000010253 intravenous injection Methods 0.000 description 1
- 208000028867 ischemia Diseases 0.000 description 1
- 230000000302 ischemic effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 208000010125 myocardial infarction Diseases 0.000 description 1
- 238000013146 percutaneous coronary intervention Methods 0.000 description 1
- 239000000700 radioactive tracer Substances 0.000 description 1
- 230000000250 revascularization Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 208000019553 vascular disease Diseases 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本揭露提供一種阻塞性冠狀動脈疾病的預測系統和方法，其中，預處理模組架構於自對象的空間-不變量3D影像生成左心室心肌影像，扁平化模組架構於將該左心室心肌影像重新取樣為3D球型座標中的扁平化影像並保存該個體心肌之間的相鄰關係，以及深度學習模組架構於預測左前降支動脈、左迴旋支動脈和右冠狀動脈中的阻塞性冠狀動脈疾病之機率以及冠狀動脈無狹窄之機率，以計算該對象阻塞性冠狀動脈疾病的複合機率。因此，本揭露達成全自動化並利用3D資訊藉由MPI預測阻塞性冠狀動脈疾病，故於預測時無須極點圖、手動校正或NDB衍生的定量，從而在預測阻塞性冠狀動脈疾病中的成效超越傳統TPD定量。
Description
本揭露涉及醫療顯影技術，尤係阻塞性冠狀動脈疾病的預測系統和方法。
心肌灌注顯影(myocardial perfusion imaging；MPI)已廣泛地應用於診斷冠狀動脈疾病(coronary artery disease；CAD)和評估心血管風險。MPI提供珍貴的功能性資訊，並為侵入性冠狀動脈血管攝影術(invasive coronary angiography；ICA)和冠狀動脈介入(coronary interventions)作把關。例如，當MPI顯示顯著缺血時，表示血管重建(revascularization)於減少缺血負擔(ischemic burden)的成效將會超越藥物治療，並有助於存活。此外，MPI在追蹤冠狀動脈疾病患者和提供預後影響亦為重要的。
由於心臟性CZT相機能夠降低MPI獲取時間並保存診斷準確度，其有益於MPI。閥控式(gated)MPI可常態性地獲取並提供珍貴訊息。然而，相較於傳統單光子射出電腦斷層造影(single-photon emission computed tomography；SPECT)，特殊設計的心臟性CZT相機光線調準(collimation)系統時
常造成不同的衰減模式，意味可能無法使用先前對傳統SPECT建立的正常資料庫(normal databases；NDB)，並將需要考慮到該變化而投入生成新NDBs。
在近年來，機器學習(machine learning；ML)已大量應用於醫療影像的分析。相對於基於人類經驗設計的手工製作方程式，機器學習模型直接從數據學習。機器學習模型允許併入如人口數據(demographic data)和影像圖譜特徵(radiomic features)之生醫資訊以進行預測。在針對此主題的機器學習技術領域中，深度學習(deep learning；DL)使模型能夠直接提取影像作為輸入源，並自行捕獲影像特徵或模式。
基於極點圖(PM)的分析亦係臨床判讀中受歡迎的MPI分析手段，極點圖或極點圖衍生的參數可提供在相同2D座標系統(coordinate system)中結合或比較不同心肌影像的手段，並允許以平易近人的2D形式顯示整體的3D MPI或定量數據。基於極點圖的分析衍生一些如常用的總灌注不足(total perfusion deficit；TPD)的定量參數。然而，基於極點圖的分析時常需要如橢球面或半球加圓柱之預先定義的模型，以轉換3D心肌成2D極點圖，意味著瓣膜底面(basal valve plane)的選擇會有問題，且將對定量結果有巨大影響。進一步的，自3D心肌轉換至2D極點圖時亦含有數據壓縮(data condensing)的流程(藉由提取最大圓周計數槪貌(maximum circumferential count profile)，或藉由垂直於貼合面(fitting surface)的心肌立體像素活動(myocardial voxel activity)之平均)，其間將造成資訊佚失。
一些先前發表的研究應用機器學習或深度學習於MPI中，且多種基於深度學習的模型(DL模型)已顯示，藉由使用定量的極點圖，自MPI預測阻塞性冠狀動脈疾病的成效超越傳統定量(如傳統TPD定量)。通常在標準
QPS(品質定位服務(quality positioning services))軟體(如Cedars-Sinai Medical Center所開發者)中，從MPI自動化定量和NDB比較開始，且源自該比較之定量的極點圖結果接著輸入該DL模型，以預測阻塞性冠狀動脈疾病。雖然極點圖在定量MPI中有用，但仍存在在利用DL模型的極點圖中，不完美的自動橢球面貼合問題，該問題可能造成錯誤的左心室(LV)心肌輪廊繪製(contouring)。更具體的，現行DL模型的MPI影像仍需要12%至21%的手動校正。
因此，仍需要實現完全自動化且利用3D資訊藉由MPI預測阻塞性冠狀動脈疾病。
鑑於上述情況，本揭露提供阻塞性冠狀動脈疾病的預測系統和方法，該系統和該方法的設定為，預處理模組係架構於預處理有需要的個體的MPI影像組(image set)，以形成壓力後(post-stress)形式和休息形式的左心室心肌影像，其中該MPI影像組包括該壓力後形式和該休息形式的3D影像；扁平化(flattening)模組係架構於重新取樣該左心室心肌影像，以形成該壓力後形式和該休息形式的扁平化影像，其中，該扁平化影像包括3D球面座標系統中的數據；以及深度學習模組係架構於以該左心室心肌影像和該扁平化影像作為預測該個體的阻塞性冠狀動脈疾病之輸入源。本揭露亦提供一種處理該個體之MPI影像的方法
1:系統
10:數據收集模組
20:預處理模組
21:3D U網模型
211:左臂
212:右臂
30:扁平化模組
40:深度學習模組
41:疾病預測網路
42:無狹窄預測網路
401:卷積層
402:空間減少區塊
403:殘餘卷積區塊
404:最大池化層
405:完全連接層
50:輸出模組
S1:步驟S1
S2:步驟S2
S3:步驟S3
S4:步驟S4
S5:步驟S5
由下列實施態樣的描述結合所附圖式可更完整地理解本揭露。
圖1係顯示依據本揭露之一具體實施態樣的阻塞性冠狀動脈疾病預測系統示意圖；
圖2係顯示依據本揭露之一具體實施態樣的阻塞性冠狀動脈疾病預測方法示意流程圖；
圖3係顯示依據本揭露之一具體實施態樣對自3D影像LV心肌分段之3D U網結構示意圖；
圖4係顯示依據本揭露之一具體實施態樣的3D遮蔽(blackout)影像生成流程示意圖；
圖5A和5B係顯示依據本揭露之一具體實施態樣的預測阻塞性冠狀動脈疾病深度學習模型結構示意圖；以及
圖6顯示依據本揭露之一具體實施態樣之基於患者分析的該系統和該方法預測阻塞性冠狀動脈疾病的表現。
圖7顯示依據本揭露之一具體實施態樣之基於血管(vessel)分析的該系統和該方法預測阻塞性冠狀動脈疾病的表現。
圖8A顯示一個依據本揭露之一具體實施態樣之基於血管分析的該系統和該方法預測阻塞性冠狀動脈疾病的表現之代表性案例。一位有高血壓和血脂異常的66歲男性。ICA確認3種血管疾病。
圖8B顯示依據本揭露之另一具體實施態樣之基於血管分析的該系統和該方法預測阻塞性冠狀動脈疾病的表現之代表性案例。一位有高血壓、血脂異常和冠狀動脈無狹窄(patent coronary arteries)的61歲女性。
提供以下實施態樣以詳細闡明本發明。本技術領域中具有通常知識者在閱讀本發明書內容後，可以輕易理解本揭露之優點及功效，亦可以其他不同實施態樣施行或應用。因此，本文中所揭露之本揭露的範疇內任何元件或方法，可與本揭露之任何特定實施態樣中所揭露的任何其他元件或方法結合。
本揭露的附圖中所示的比例關係、結構、尺寸和其他特徵僅用於闡明本文中所描之實施態樣，以使所屬技術領域具有通常知識者能夠從中閱讀和理解本發明，並不旨在限制本揭露的範疇。在不影響本揭露所設計之目的和效果下，對所述特徵的任何改變、修飾或調整均應落入本揭露的技術內容的範疇內。
如本說明書中所用，當描述一個物體「包括」、「包含」或「具有」某規格時，除非另有指明，否則可額外包含其他元件、組件、結構、區域、零件、裝置、系統、步驟、連接等，且不應排除其他規格。
如本說明書中所用，僅引用如「第一」、「第二」等順序術語以便描述或區別規格(如元件、組件、結構、區域、零件、裝置、系統等)彼此，其不旨在限制本揭露的應用範疇，亦不限制該規格之間的空間順序。進一步的，單數形式術語「一種」和「該」除非明確地指出，否則亦適用複數形式，且術語如「或」與「和/或」可交替使用。
如圖1所示之阻塞性冠狀動脈疾病的預測系統1，包括：數據收集模組10，預處理模組20，扁平化模組30，深度學習模組40，和輸出模組50。進一步的，該系統1元件間標示的箭頭標明其間的運作關係，該運作關係將在之後詳述。此外，該系統1描述的元件可藉由合適的有線或無線方式彼此連接，但不以此為限。
在某些具體實施態樣中，該數據收集模組10係架構於收集來自進行MPI(如，鉈-201 MPI)以預測阻塞性冠狀動脈疾病之任意個體(患者)的MPI影像組。在實踐中，該MPI影像組包括分別顯影至少該個體左心室(LV)心肌壓力後形式和休息形式的3D影像。進一步的，該數據收集模組10可耦合到提供或儲存該MPI影像組的數據源或與其一同施行。該數據源如CZT相機、相機系統、數據儲存裝置、系統、資料庫、雲端儲存等等，但不以此為限。
在某些具體實施態樣中，該預處理模組20係架構於自動預處理由該數據收集模組10接收的該MPI影像組。在實踐中，由該預處理模組20所執行的該MPI影像組的該自動預處理可包括至少以下處理：執行該MPI影像組的3D影像左心室(LV)心肌分段(segmentation)以取得對應於該3D影像之LV心肌影像；執行剛性配準(rigid registration)以將LV心肌影像對齊至預設心肌模板；以及執行正規化以正規各LV心肌影像的立體像素(voxel)最大值至該分段的LV心肌最大20%立體像素值的平均值。應注意的是，藉由該預處理模組20執行的該預處理之處理不限於上方所述，且可包含其他有益於之後階段的預測結果之可應用的處理，但不以此為限。
在某些具體實施態樣中，該扁平化模組30係架構於重新取樣(resample)藉由該預處理模組20預處理的該MPI影像組之LV心肌影像，以形成扁平化影像以保存心肌間的相鄰關係(neighborhood relationship)。在實踐中，由該扁平化影像係藉由自笛卡兒座標(Cartesian coordinate)系統重新取樣LV心肌影像成3D球型座標而生成。
在某些具體實施態樣中，該深度學習模組40係架構於考慮到藉由該預處理模組20預處理的該MPI影像組之LV心肌影像，和自該扁平化模組
30輸出之對應於該LV心肌影像的扁平化影像，來預測該個體的阻塞性冠狀動脈疾病。在實踐中，該深度學習模組40包括疾病預測網路41和無狹窄預測網路42。其疾病預測網路41係架構於分別基於該LV心肌影像和該扁平化影像，預測該個體左前降支動脈(LAD)、左迴旋支動脈(LCX)和右冠狀動脈(RCA)中阻塞性冠狀動脈疾病的機率；和該無狹窄預測網路42係架構於預測該個體的冠狀動脈無狹窄機率。較佳地，以卷積類神經網路(convolution neural networks；CNN)實現該疾病預測網路41和該無狹窄預測網路42，但亦可應用其他種類的深度學習網路，但不以此為限。該深度學習模組40亦可具有其他架構。例如，可係架構於分別計算該個體LAD、LCX和RCA中阻塞性冠狀動脈疾病的機率之3個分開的深度學習網路來實現該疾病預測網路41，或亦可以單一個深度學習網路同時計算該個體的LAD、LCX和RCA中阻塞性冠狀動脈疾病的機率和冠狀動脈無狹窄的機率來替代實現該疾病預測網路41和該無狹窄預測網路42，但不以此為限。
在某些具體實施態樣中，該輸出模組50係架構於提供基於藉由該深度學習模組40所做出之預測的該個體阻塞性冠狀動脈疾病的複合機率(compound probability)。在實踐中，該輸出模組50可架構於以數值形式顯示該複合機率給心臟專科醫生進一步分析的顯示器。然而，該輸出模組50可以其他形式實現，且顯示該複合機率的方式亦可以其他方式實現，但不以此為限。
圖2顯示操作圖1之該系統1預測阻塞性冠狀動脈疾病的步驟。
在步驟S1，藉由該數據收集模組10收集個體的MPI影像組，其MPI影像組分別包括集體地壓力後形式和休息形式的3D影像。
在步驟S2，該MPI影像組的3D影像藉由預處理模組20自動的預處理成LV心肌影像(對應該3D影像的壓力後形式和休息形式)，該3D影像的預處理包括對3D影像執行LV心肌分段，以取得對應該3D影像的LV心肌影像；執行剛性配準以將LV心肌影像對齊至預設心肌模板；以及執行正規化以正規各LV心肌影像的立體像素最大值至該分段的LV心肌最大20%立體像素值的平均值。
在步驟S3中，藉由該扁平化模組30自笛卡兒座標系統重新取樣LV心肌影像成3D球型座標，以取得對應該LV心肌影像的扁平化影像(亦對應該3D影像的壓力後形式和休息形式)。
在步驟S4中，該深度學習模組40提取該LV心肌影像和該扁平化影像之壓力後形式和休息形式兩種形式影像以分別計算該個體的LAD、LCX和RCA中阻塞性冠狀動脈疾病的機率，以及提取該壓力後形式LV心肌影像以計算該個體冠狀動脈無狹窄的機率。
在步驟S5中，藉由該輸出模組50，計算該LAD、LCX和RCA中阻塞性冠狀動脈疾病的機率和該冠狀動脈無狹窄的機率為複合機率，以表示該對象阻塞性冠狀動脈疾病的機率。
以下本文將詳細描述如何設計該數據收集模組10、該預處理模組20、該扁平化模組30、該深度學習模組40和該輸出模組50的運作機制。
材料方法
研究族群
為了開發本揭露的系統1，利用國立台灣大學醫院的CZT相機，連續1867位在5年期間轉介至SPECT MPI的個體(患者)參加研究。所有個體皆
不具有經皮冠狀動脈介入(percutaneous coronary intervention)、冠狀動脈繞道手術(coronary bypass surgery)或心肌梗塞(myocardial infarction)病史，且全部個體皆於MPI 90天內基於臨床指示接受侵入性冠狀動脈血管攝影術(ICA)。應注意的是，較佳地，MPI中對參加試驗的個體使用的灌注示蹤劑(perfusion tracer)係鉈-201，但不以此為限。進一步注意的是，MPI中對參加試驗的個體使用的CZT相機可包含一種或多種形式，但不以此為限。
該參加試驗的個體可進一步分成內部參數化群組(internal parameterization group)(即，在前述5年的中間時間點(middle timestamp)前進行MPI的個體，n=928)和外部驗證群組(external validation group)(即，在前述5年的中間時間點後進行MPI的個體，n=933)。使用該內部參數化群組的數據開發和訓練該預測模型，而該外部驗證群組則與本揭露的系統1之所有模型開發和訓練流程隔離。該外部驗證群組模擬未來部署後，開發的模型可能遭遇的患者。該內部參數化群組和該外部驗證群組的劃分並未隨機化(即，基於連續的參加試驗時間軸分割)，意味著其基線特徵(baseline characteristics)之間將有顯著差異，而有利於驗證本揭露系統1之開發。
此外，亦收集30位具有冠狀動脈無狹窄且幾近正常MPI記錄的個體為另一組群組，以建立正常資料庫(NDB)。建立該NDB以執行傳統TPD定量來生成遮蔽圖，並在本揭露系統1實際使用前，測試為其提出模型之開發是否需要基於NDB的定量。
壓力測試和影像獲取
本文中所述之具體實施態樣中係藉由該數據收集模組10收集該參加試驗的個體MPI影像組，以開發(即，與該內部參數化群組相關的MPI影像組)和驗證(即，與該外部驗證群組相關的MPI影像組)本揭露的系統1。
在研究期間，所有參加試驗的個體進行標準化的二吡待摩(dipyridamole)醫藥型壓力測試(n=1436，約總個體數的77%)或Bruce標準的跑步機運動(n=425，約總個體數的23%)。在靜脈內注射111 MBq(3mCi)鉈-201後之壓力尖峰(peak stress)的4到6分鐘內，利用CZT SPECT相機(如GE Healthcare,Haifa,Israel開發的Discovery NM530c)取得壓力後影像，並以數據收集模組10收集。在休息至少4小時後，在相同相機上取得休息影像(亦可理解為再分布(redistribution)影像，但不以此為限)，並其後相應地以數據收集模組10收集。本文中所述之具體實施態樣中，對該壓力後影像的採集時間(acquisition time)為3至4分鐘，而對該休息影像的採集時間為4至6分鐘。接著，藉由原始設定的數據收集模組10，重新構築該壓力後影像和該休息影像，並將其他臨床數據匿名化(anonymized)。接著，藉由數據收集模組10，輸出該重新構築的壓力後影像和再分布影像為32位元浮點值(floating point values)(70×70×70立體像素)的3D陣列以進一步分析(統稱為3D影像，其在壓力後形式和休息形式中不同)。進一步的，藉由數據收集模組10，依輸出的3D影像中心，剪裁其影像成64×64×64的矩陣以減少空邊界(empty boundaries)，從而形成該個體的MPI影像組。
侵入性冠狀動脈血管攝影術
ICA根據臨床常規執行。所有的ICAs由心臟專科醫生執行和肉眼判讀。視左主動脈50%或更高的管腔狹窄(luminal stenosis)或其他3條心外膜血管(epicardial vessels)70%或更高的管腔狹窄為阻塞性疾病。視有阻塞性左主動
脈疾病的個體為具有左前降支動脈(LAD)和左迴旋支動脈(LCX)疾病。在研究期間，利用自ICA觀察到的血管狀態作為在驗證本揭露的系統期間的參考標準。
生成心肌模板
在本文中所述的具體實施態樣中，手動選擇來自該內部參數化群組的145張視覺上正常的休息總分(summed rest score；SRS)小於4之再分布3D SPECT影像，以生成心肌模板。接著，在該選擇的145張再分布影像中，挑選心肌最置中的1張作為目標。之後，執行剛性轉換以使該剩餘的144張再分布影像與該目標對齊。最後，藉由該選擇的145張再分布影像之平均，生成心肌模板。
本揭露的範疇不受上述該生成心肌模板的流程所限，且可藉由各種手段進行。例如，該生成心肌模板的流程可在該預處理模組20上即時執行(如，使該預處理模組20提供操作上述流程的介面)，或該心肌模板可藉由外界資源生成後儲存於該預處理模組20中，但不以此為限。此外，該心肌模板可進一步在本揭露的系統1實際使用期間，藉由該預處理模組20，隨著連續性的從個體收集的MPI影像組而迭代地改良，但不以此為限。
自動數據預處理
在本文中所述的具體實施態樣中，MPI影像組的自動數據預處理係藉由該預處理模組20的3個流程實現。首先，藉由利用訓練良好的U網模型，在該MPI影像組的3D影像中取得左心室(LV)心肌影像，以執行其LV心肌分段。接著，依據該分段的LV心肌執行剛性配準，以將各LV心肌影像對齊至心肌模板。最後，執行正規化以正規各LV心肌影像的立體像素最大值至該分段的LV心肌之最大20%立體像素值的平均值。
在一具體實施態樣中，該LV心肌分段使用的該U網模型為3D U網模型21，其架構顯示於圖3。如圖3所示，此3D U網模型21的左臂211係架構於藉由利用卷積層(convolution layers)和活化層(activation layers)，將該3D影像編碼成高維度特徵圖(high-dimension feature maps)。在各步驟中，自該卷積層和活化層輸出的特徵圖的大小係藉由隨後的最大池化層(max-pooling layer)降取樣(down-sampled)至一半。該左臂211中的降取樣流程係架構為不改變卷積核心(convolution kernel)大小之該卷積層和活化層的雙重接受域(double receptive field)。此3D U網模型21的右臂212係架構為在該左臂211尾端依序上取樣(up-sample)該特徵圖，結合(串接(concat))來自該左臂211的資訊，和輸出該經預測的心肌分段(LV心肌影像)。在研究期間，利用來自500位個體的LV心肌影像手動片段數據組，訓練該3D U網模型21並訓練直至預測結果和手動片段之間達到最大Dice係數(Dice’s coefficient)。然而，所屬技術領域具有通常知識者應能理解，本揭露的範疇並不受該3D U網模型21的訓練流程所限，且可藉由其他可應用的方法訓練。
在一具體實施態樣中，該剛性配準係架構於將來自該3D U網模型21的LV心肌影像對齊至該心肌模板。在本文中所述的具體實施態樣中，先進行允許移動、轉動和調整大小的剛性配準演算法以使該LV心肌影像匹配該心肌模板。接著，該剛性配準流程以梯度優化器(gradient optimizer)迭代地執行，以最小化該LV心肌影像之間的強度差(intensity difference)。本文中執行的該剛性配準有利於在後續處理空間-不變量(space-invariant)以生成LV心肌扁平化，其將在後討論。
在一具體實施態樣中，該LV心肌影像的正規化係在預設MPI期間至少正常灌注20%心肌下執行。由此，將此該LV心肌影像的影像值除以其分段的心肌最大20%立體像素值的平均值，使得該正常灌注心肌平均具有100%的換算值。
生成針對特定性別的NDBs和量化TPD
為測試相較於現存技術之本揭露系統1的表現，建立針對特定性別的NDB，且亦在該參加試驗的1861位個體的LV心肌影像上基於該針對特定性別的NDB進行3D TPD(TPD3D)量化，以預測阻塞性冠狀動脈疾病。該3D TPD量化係作為本揭露系統1開發的對照組。
建立該針對特定性別的NDB的流程如下所述。首先，NDB先由一組正常MPI(即，總壓力相積數(summed stress score)和SRS皆小於4)且經血管攝影紀錄冠狀動脈無狹窄的個體群組(如，額外收集15位男性和15位女性)所收集MPI影像組建立。這些影像進一步輸入至市售的灌注量化SPECT軟體(QPS,Cedar-Sinai Medical Center,USA)資料庫產生器。藉由該QPS軟體，來自參數化群組或驗證群組之各個個體在無手動調整LV輪廓下處理。自動計算壓力TPD值以及各血管領域(vessel territories)的TPD值以作為比較的基準線。
由於本揭露的具體實施態樣直接處理3D SPECT圖而非極點圖，在傳統TPD之外還使用3D版的TPD(TPD3D)以更佳比較。利用上述步驟自動處理來自NDB的影像。然後，藉由計算來自該個體的MPI影像組之3D影像的經片段的心肌區域(如，可利用該3D U網模型21執行片段化)之各立體像素平均值和標準差(SD)建立3D NDB。之後，來自任一群組的各個個體與此3D NDB比
較，且利用下列定義給予在該3D影像經片段化的心肌區域中的各立體像素一個分數：
然後，將各3D影像的立體像素分數值加總在一起並正規化成3D總灌注不足比例(total perfusion deficit)(TPD3D)：
生成3D遮蔽影像
本揭露系統1的另一個目標為消除需要極點圖以預測阻塞性冠狀動脈疾病的需要。為此目的，從該參加試驗的1861位個體LV心肌影像生成基於針對特定性別NDB的3D遮蔽影像。當該參加試驗的1861位個體LV心肌影像輸入該深度學習模組40以預測阻塞性冠狀動脈疾病時，該3D遮蔽影像當作其深度學習模組40添加的數值處理。
在測試期間，生成對應該參加試驗的1861位個體LV心肌影像的空間匹配3D遮蔽影像，以強化該LV心肌影像中灌注不足的區域。該生成3D遮蔽影像的流程係顯示於圖4中。使用單邊Student t檢定以比較該LV心肌影像中各心肌立體像素值與包含鄰近立體像素的針對特定性別的NDB；標記具有p值小於0.05的立體像素為顯著；使用等位集(level-set)演算法以從該LV心肌影
像片段化正常灌注心肌；移除與正常心肌重疊的小型標註區域；以及該遮蔽影像係由強制設定標記區域的立體像素值為0來生成。
LV心肌扁平化
已知CNNs對影像轉換為不變量，但對影像轉動非不變量，因為CNNs的卷積操作係像滑動視窗(sliding window)應用，且池化操作降低轉換的影響。然而，這在處理3D MPI時是有問題的。例如，在MPI處理期間精於在前壁(anterior wall)中獲取活動模式的CNN卷積核心應用於中隔(septum)和側壁(lateral wall)可能不佳。可藉由導入手動轉動至CNN訓練數據組部份解決該問題。然而，經擴增轉動的(augmented rotated)影像可能破壞實徵的(empirical)心外膜血管領域，因此影響預測個別血管阻塞性冠狀動脈疾病的表現。
為避免上述問題，本揭露於扁平化模組30中使用影像轉換，其對LV心肌影像導入球型座標轉換。球型座標轉換在扁平化心肌的意義上係與極點圖流程相似，但對阻塞性冠狀動脈疾病預測更合適，因為其保存該LV心肌影像中的3D資訊。考慮到此額外優勢，藉由自該預處理模組20的該LV心肌影像(在笛卡兒座標系統中的數據且因該預處理模組所執行的剛性配準而係空間-不變量)，該扁平化模組30係架構於重新取樣至3D球型座標系統來生成扁平化影像，使得接鄰心肌之間的鄰近關係得以在深度學習模組40預測阻塞性冠狀動脈疾病期間保存。
在本文中所述的具體實施態樣中，藉由該扁平化模組30執行的該重新取樣係藉由利用起始點位於左心室中央之球型座標系統重新取樣其LV心肌影像執行，從而轉換該LV心肌影像成基於笛卡兒座標系統的22×46×18矩陣。
網路結構和訓練
在研究期間，由於MPI中常見的衰減偽影(attenuation artifacts)，為預測血管內阻塞性冠狀動脈疾病而特別訓練的各CNNs在辨識沒有任何阻塞性疾病的個體(即，具有血管無狹窄的個體)上表現不佳。因此，為在患者層面預測沒有任何阻塞性疾病的個體，訓練額外模型(即，無狹窄預測網路42)以辨識MPIs(在此案例中，LV心肌影像)中的衰減偽影係有益的。以此方式，藉由該無狹窄預測網路42預測的具有冠狀動脈無狹窄個體的機率可併入疾病預測網路41(其訓練成預測LAD、LCS和RCA中阻塞性冠狀動脈疾病的個別機率)的損失函數，從而改良該深度學習模組40的預測能力。
如述，該深度學習模組40由該疾病預測網路41和該無狹窄預測網路42所組成。在該疾病預測網路41和該無狹窄預測網路42皆為CNNs的具體實施態樣中，該疾病預測網路41係架構於分別預測LAD、LCS和RCA中阻塞性冠狀動脈疾病的機率，和該無狹窄預測網路42係架構於預測個體具有冠狀動脈無狹窄的機率。
圖5A和5B顯示依據本揭露的該深度學習模組40之該疾病預測網路41和該無狹窄預測網路42的結構。該疾病預測網路41和該無狹窄預測網路42皆可視為兩部分：第一部分為由卷積層401、空間減少區塊(spatial reduction block)402、殘餘(residual)卷積區塊403和最大池化層404所組成。跟隨各卷積層401的是批次正規層和經校正的(rectified)線性單元活化函數(未顯示)，且該空間減少區塊402和該殘餘卷積區塊403係架構於整合來自不同接受域的資訊。另一方面，第二部分由一個或多個完全連接層405(較佳為3層)所組成，跟隨各層的是S形曲線(sigmoid)活化函數(未顯示)。
進一步檢視圖5A和5B，該疾病預測網路41的結構與該無狹窄預測網路42的不同在於：該疾病預測網路41的第一部分係以雙通道構築，使得從該預處理模組20可獲取壓力後形式和休息形式LV心肌影像二者，以及從該扁平化模組30獲取對應的扁平化影像(亦有壓力後形式和休息形式)作為輸入源，以分別預測該個體的LAD、LCS和RCA中的阻塞性冠狀動脈疾病；而該無狹窄預測網路42僅需要單通道的第一部分以獲取壓力後形式的LV心肌影像作為輸入源，以預測該個體冠狀動脈無狹窄。
在某些具體實施態樣中，該疾病預測網路41和該無狹窄預測網路42和其訓練程式在Keras架構下的Python中運行。其訓練流程是在有圖形處理器(GPU；Titan RTX,NVIDIA,California,United States)的工作站上執行。然而，應注意的是本揭露的範疇不受該疾病預測網路41和該無狹窄預測網路42的訓練環境所限，且可以其他應用環境實現。
在至少一具體實施態樣中，使用血管攝影結果在第一訓練步驟中訓練該無狹窄預測網路42(如，無狹窄CNN)。在第二步驟，整合藉由該無狹窄預測網路42學習到的資訊以指引該疾病預測網路41的訓練(如，疾病CNN)。該深度學習模組40的訓練結果係藉由基於該疾病預測網路41和該無狹窄預測網路42表現之兩個交叉熵(cross-entropy)的複合損失函數判斷：
n代表訓練案例件數；yc,i代表案例i的血管c是否為阻塞性的標籤；pc,i代表案例i的血管c阻塞的預測機率(網路輸出)；以及N Pi 代表案例i冠狀動脈無狹窄的預測機率(網路輸出)。
訓練該深度學習模組40以在訓練數據組(即，對應內部參數化群組相關的MPI影像之LV心肌影像和扁平化影像)中最小化以上損失函數，該訓練流程設定在損失函數達到1300人工智慧訓練型樣(epochs)時停止。接著，該深度學習模組40可投入預測阻塞性冠狀動脈疾病的實際使用。
驗證
為評估系統1實際使用上概化(generalization)的能力，利用2種方法以在開發期間和開發後驗證該系統1，即，交叉驗證和外部驗證。在開發期間，應用10倍交叉驗證以充分利用該內部參數化群組中的各個個體並預防過度擬合(overfitting)，所述10倍交叉驗證包括步驟：將該內部參數化群組相關LV心肌影像分割成10個互斥子集，而平衡各血管的疾病盛行率；重複該深度學習模組40的訓練流程10次，每訓練流程回合使用不同的9子集組合作為訓練數據，而剩餘1子集作為驗證數據；以及將來自10組訓練流程的10組驗證結果接合在一起以代表經訓練的深度學習模型40的表現。在開發後，應用外部驗證以進一步評估該深度學習模組40的強健性(robustness)，所述外部驗證包括步驟：利用所有該內部參數化群組相關LV心肌影像作為訓練數據再訓練該深度學習模組40；以及利用該外部驗證群組相關LV心肌影像作為驗證數據驗證該深度學習模組40。
統計分析
本揭露系統1表現的分析基於各具體實施態樣施行。例如，利用Wilcoxon秩和檢定比較衍生自系統1表現的連續基準線特徵，和利用皮爾遜卡方檢定比較衍生自系統1表現的分類(categorical)基準線特徵。進一步的，使用接收者操作特徵(receiver-operating characteristic)(ROC)分析以評估該系統1在預測
阻塞性冠狀動脈疾病中的表現，其中應用DeLong檢定以比較以3D遮蔽影像預測(代表提議的系統1使用NDB資訊的表現)和未以3D遮蔽影像預測(代表提議的系統1的表現)之ROC曲線下面積(AUC)的不同。在利用R軟體進行系統1表現統計分析的具體實施態樣中，p值小於0.01當作統計顯著。
結果
首先，開發本揭露系統1之該參加試驗的1861位個體的連續和分類基準線特徵顯示於下表1。在外部驗證群組中顯示有顯著低血脂異常盛行率和稍微較高之高血壓盛行率(見標示為「EVG」之欄)，而相較於內部參數化群組中，外部驗證群組中顯示有較高比例個體轉介至跑步機運動(見標示為「IPG」之欄)。
表1：參加試驗個體的基準線特徵
進一步的，參加試驗的1861位個體之有或沒有阻塞性疾病病患特徵的比較顯示於下表2。有阻塞性疾病的患者顯著為年齡較大、為男性比例較高、且高血壓、糖尿病和血脂異常盛行率較高。
表2：具有或不具有阻塞性疾病病患特徵的比較
此外，本揭露系統1的參加試驗的1861位個體之血管攝影特徵顯示於下表3。在參加試驗的個體中記錄到MPI和ICA之間有平均一個月(約30天)的間隔，在參加試驗的個體中阻塞性冠狀動脈疾病的盛行率為60%，且在內部參數化群組(見標示為「IPG」之欄)和外部驗證群組(見標示為「EVG」之欄)之間的血管攝影特徵無顯示顯著差別。
表3：在參加試驗個體的血管攝影特徵
在具體實施態樣中，為預測阻塞性冠狀動脈疾病之目的，該系統1的各元件係架構於全自動預處理和視覺檢視所有與參加試驗的1861位個體相關的MPI影像組，意味著本揭露系統1的操作無須手動調整。
圖6、7、8A和8B顯示本揭露系統1基於參加試驗的1861位個體之表現。
圖6顯示基於患者分析的系統1(具體實施態樣中的CNN模型)表現。來自本揭露系統1之10倍交叉驗證預測的個體(內部參數化群組)阻塞性冠狀動脈疾病之AUC(0.844)顯示出高於利用該TPD預測的個體阻塞性冠狀動脈疾病之AUC(0.795)(p值<0.01)；且高於利用該TPD3D預測的個體阻塞性冠狀動脈疾病之AUC(0.781)(p值<0.01)。TPD3D的表現比TPD稍佳(p=0.03)。而
且，該來自有額外3D遮蔽影像的系統1預測的個體阻塞性冠狀動脈疾病之AUC(0.841)和沒有使用3D遮蔽影像預測的個體阻塞性冠狀動脈疾病之AUC(0.844)並無不同(p值=0.72)。此外，利用實徵5% TPD截止點，傳統TPD的敏感度和特異性分別為76.6%和62.1%。TPD3D方法在保有相同特異性水平的同時，並未改變敏感度(同樣為76.6%)。相反的，本揭露系統1的敏感度顯著提升(83.8%比76.6%，p<0.01，機率的截止點為33%)。圖6中顯示的結果證實相較於NDB衍生的不正常區域，使用MPI中的3D資訊含有更多在預測阻塞性冠狀動脈疾病有用的資訊。
圖7顯示基於血管分析的系統(具體實施態樣中的CNN模型)表現。來自本揭露系統1之10倍交叉驗證預測的個體(內部參數化群組)LAD(0.81)、LCX(0.81)和RCA(0.80)阻塞性冠狀動脈疾病之AUC顯示出顯著高於利用該TPD預測的LAD(0.72)、LCX(0.73)和RCA(0.70)阻塞性冠狀動脈疾病之AUC(全部p值<0.01)；且顯著高於利用該TPD3D預測的LAD(0.73)、LCX(0.74)和RCA(0.73)阻塞性冠狀動脈疾病之AUC(全部p值<0.01)。進一步的，該來自有額外3D遮蔽影像的系統1預測的LAD、LCX和RCA阻塞性冠狀動脈疾病之AUC和沒有使用量化遮蔽影像預測的LAD、LCX和RCA阻塞性冠狀動脈疾病之AUC並無不同(全部p值>0.05)。此外，利用實徵2%區域性TPD截止點，傳統TPD的敏感度和特異性分別為67.1%和64.5%。本揭露系統1在保有相同特異性水平的同時，敏感度亦顯著提升(77.7%比67.1%，p<0.01)。圖8A和8B顯示代表性案例。圖8A顯示透過TPD定量僅微量短缺(minor deficit)；然而，本揭露系統1正確地預測多血管疾病(機率的截止點為33%)。圖8B顯示對任一血管
領域顯示不典型缺陷之影像，而本揭露系統1正確地預測低機率(<33%)的阻塞疾病。
此外，亦測試以外部驗證群組再訓練後之本揭露系統1。來自基於患者分析之AUC(0.819)和基於血管分析之AUC(0.783)與來自系統1之10倍交叉驗證之AUCs(0.844)並無顯著不同(p值分別為0.17和0.12)。因此，其意味本揭露系統1的開發和訓練沒有過度擬合，且對來自不同期間的個體預測效能一致。
討論
本揭露系統1提出自MPI預測阻塞性冠狀動脈疾病的3D深度學習技術。該提出的技術無須手動校正LV輪廓(傳統的極點圖生成流程)，和與NDB定量比較。在來自該參加試驗的1861位個體以其ICA結果作為參考標準之預測結果驗證下，該提出的技術成效超越基於患者分析和基於患者分析的TPD3D。
結論
鑒於不需要極點圖、手動校正或NDB衍生的定量，證實本揭露中所述之3D深度學習技術有利於自CZT心肌灌注SPECT預測阻塞性冠狀動脈疾病，且在預測阻塞性冠狀動脈疾病中的成效超越傳統TPD定量。
本揭露以示例性實施態樣闡明本揭露的原理、特徵和功效，但並不用於限制本揭露的實施範圍。所屬技術領域具有通常知識者可在不脫離本揭露的精神和範疇的前提下對本揭露進行各種改變和修飾。然而，任何根據本揭露所揭露之內容完成的等同改變和修飾都應視為涵蓋在本揭露的範疇內。本揭露的範疇應由所附請求項界定。
1:系統
10:數據收集模組
20:預處理模組
30:扁平化模組
40:深度學習模組
41:疾病預測網路
42:無狹窄預測網路
50:輸出模組
Claims (10)
- 一種於有需要的個體中預測阻塞性冠狀動脈疾病的系統，係包括：預處理模組，係架構於預處理該個體的心肌灌注顯影影像組，以形成壓力後形式和休息形式的左心室心肌影像，其中，該心肌灌注顯影影像組包括該壓力後形式和該休息形式之3D影像；扁平化模組，係架構於重新取樣該左心室心肌影像，以形成該壓力後形式和該休息形式之扁平化影像，其中，該扁平化影像包括在3D球型座標系統中的數據；以及深度學習模組，係架構於以該左心室心肌影像和該扁平化影像作為預測該對象的阻塞性冠狀動脈疾病之輸入源。
- 如請求項1所述之系統，其中，該預處理模組的預處理包括步驟：藉由U網模型對該3D影像執行左心室心肌分段，以取得該左心室心肌影像；以及依據分段之左心室心肌執行剛性配準，以令各左心室心肌影像對齊至心肌模板。
- 如請求項1所述之系統，其中，該深度學習模組包括疾病預測網路和無狹窄預測網路，其中，該疾病預測網路係架構於分別預測該個體左前降支動脈、左迴旋支動脈和右冠狀動脈阻塞性冠狀動脈疾病之機率；以及其中，該無狹窄預測網路係架構於預測該個體冠狀動脈無狹窄之機率。
- 如請求項3所述之系統，其中，該疾病預測網路係架構於以該壓力後形式和該休息形式之該左心室心肌影像和該扁平化影像作為預測的輸入源，以及其中，該無狹窄預測網路係架構於以該壓力後形式之該左心室心肌影像作為預測的輸入源。
- 如請求項3所述之系統，該疾病預測網路和該無狹窄預測網路為卷積類神經網路。
- 一種於有需要的個體中預測阻塞性冠狀動脈疾病的方法，係包括：使預處理模組預處理該個體的心肌灌注顯影影像組，以形成壓力後形式和休息形式的左心室心肌影像，其中，該心肌灌注顯影影像組包括該壓力後形式和該休息形式之3D影像；使扁平化模組重新取樣該左心室心肌影像，以形成該壓力後形式和該休息形式之扁平化影像，其中，該扁平化影像包括在3D球型座標系統中的數據；以及使深度學習模組以該左心室心肌影像和該扁平化影像作為預測該對象的阻塞性冠狀動脈疾病之輸入源。
- 如請求項6所述之方法，其中，該預處理模組的預處理包括：藉由U網模型對該3D影像執行左心室心肌分段，以取得該左心室心肌影像；以及依據分段之左心室心肌執行剛性配準，以令各左心室心肌影像對齊至心肌模板。
- 如請求項6所述之方法，其中，該深度學習模組包括疾病預測網路和無狹窄預測網路，其中，該疾病預測網路係架構於分別預測該個體左前降支動脈、左迴旋支動脈和右冠狀動脈阻塞性冠狀動脈疾病之機率；以及其中，該無狹窄預測網路係架構於預測該個體冠狀動脈無狹窄之機率。
- 如請求項8所述之方法，其中，該疾病預測網路係架構於以該壓力後形式和該休息形式之該左心室心肌影像和該扁平化影像作為預測的輸入源，以及其中，該無狹窄預測網路係架構於以該壓力後形式之該左心室心肌影像作為預測的輸入源。
- 如請求項8所述之方法，該疾病預測網路和該無狹窄預測網路為卷積類神經網路。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW112123900A TWI844414B (zh) | 2023-06-27 | 2023-06-27 | 阻塞性冠狀動脈疾病的預測系統和方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW112123900A TWI844414B (zh) | 2023-06-27 | 2023-06-27 | 阻塞性冠狀動脈疾病的預測系統和方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| TWI844414B true TWI844414B (zh) | 2024-06-01 |
Family
ID=92541505
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW112123900A TWI844414B (zh) | 2023-06-27 | 2023-06-27 | 阻塞性冠狀動脈疾病的預測系統和方法 |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWI844414B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1161140C (zh) * | 2001-11-09 | 2004-08-11 | 天津天士力制药股份有限公司 | 一种预防和治疗冠心病心绞痛的药物及其制备方法和其它用途 |
| CN110731789A (zh) * | 2019-10-25 | 2020-01-31 | 上海杏脉信息科技有限公司 | 一种冠脉微血管阻力指数获取方法、介质及设备 |
| EP3816933A1 (en) * | 2019-10-28 | 2021-05-05 | AI4Medimaging - Medical Solutions, S.A. | Artificial intelligence based cardiac motion classification |
| TWI787980B (zh) * | 2021-08-30 | 2022-12-21 | 奇美醫療財團法人奇美醫院 | 通過深度學習模型自動判讀心臟功能的方法及系統 |
-
2023
- 2023-06-27 TW TW112123900A patent/TWI844414B/zh active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1161140C (zh) * | 2001-11-09 | 2004-08-11 | 天津天士力制药股份有限公司 | 一种预防和治疗冠心病心绞痛的药物及其制备方法和其它用途 |
| CN110731789A (zh) * | 2019-10-25 | 2020-01-31 | 上海杏脉信息科技有限公司 | 一种冠脉微血管阻力指数获取方法、介质及设备 |
| EP3816933A1 (en) * | 2019-10-28 | 2021-05-05 | AI4Medimaging - Medical Solutions, S.A. | Artificial intelligence based cardiac motion classification |
| TWI787980B (zh) * | 2021-08-30 | 2022-12-21 | 奇美醫療財團法人奇美醫院 | 通過深度學習模型自動判讀心臟功能的方法及系統 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11779292B2 (en) | Systems, methods, and devices for medical image analysis, diagnosis, risk stratification, decision making and/or disease tracking | |
| Celebi et al. | Dermoscopy image analysis: overview and future directions | |
| Torosdagli et al. | Deep geodesic learning for segmentation and anatomical landmarking | |
| US20230237654A1 (en) | Systems, methods, and devices for medical image analysis, diagnosis, risk stratification, decision making and/or disease tracking | |
| US10854339B2 (en) | Systems and methods for associating medical images with a patient | |
| AU2017292642A1 (en) | System and method for automatic detection, localization, and semantic segmentation of anatomical objects | |
| JP7521834B2 (ja) | 人工神経網を利用する臓器の体積測定方法及びその装置 | |
| Goyal et al. | A refined deep learning architecture for diabetic foot ulcers detection | |
| Yan et al. | Cine MRI analysis by deep learning of optical flow: Adding the temporal dimension | |
| Sharma et al. | Heart disease prediction using convolutional neural network | |
| Al-Khasawneh et al. | Alzheimer’s Disease Diagnosis Using MRI Images | |
| Jayachandran et al. | Multi-dimensional cascades neural network models for the segmentation of retinal vessels in colour fundus images | |
| Aguirre Nilsson et al. | Classification of ulcer images using convolutional neural networks | |
| TWI844414B (zh) | 阻塞性冠狀動脈疾病的預測系統和方法 | |
| Yojana et al. | OCT layer segmentation using U-Net semantic segmentation and RESNET34 encoder-decoder | |
| Shaaf et al. | A Convolutional Neural Network Model to Segment Myocardial Infarction from MRI Images. | |
| GP et al. | Prediction of kidney stones using machine learning | |
| JP6827245B1 (ja) | Ａｉを用いる診断装置、学習データ生成装置、データ要求装置、診断システム、及び、プログラム | |
| CN114974522A (zh) | 医学影像处理方法、装置、电子设备及存储介质 | |
| US12068077B2 (en) | Application of artificial intelligence on detecting canine left atrial enlargement on thoracic radiographs | |
| Morano et al. | Deep multimodal fusion of data with heterogeneous dimensionality via projective networks | |
| Jayasingh et al. | Medical Image Diagnosis Using Deep Learning Classifiers for COVID-19 | |
| US20210304893A1 (en) | Projection System for Visual Morphing of Patient Disease | |
| Sille | Real time segmentation of medical images | |
| Kumar et al. | AVETrends in Intelligent Health Letters |