CN110140128A - ***动脉钙化的映射 - Google Patents
***动脉钙化的映射 Download PDFInfo
- Publication number
- CN110140128A CN110140128A CN201780064376.0A CN201780064376A CN110140128A CN 110140128 A CN110140128 A CN 110140128A CN 201780064376 A CN201780064376 A CN 201780064376A CN 110140128 A CN110140128 A CN 110140128A
- Authority
- CN
- China
- Prior art keywords
- interest
- area
- branch
- point
- connectivity
- Prior art date
- Legal status (The legal status 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 status listed.)
- Granted
Links
- 230000002308 calcification Effects 0.000 title claims abstract description 84
- 241000440580 Mammaria Species 0.000 title description 7
- 238000013507 mapping Methods 0.000 title description 7
- 238000000034 method Methods 0.000 claims abstract description 286
- 210000001367 artery Anatomy 0.000 claims abstract description 75
- 230000000704 physical effect Effects 0.000 claims abstract description 57
- 238000009966 trimming Methods 0.000 claims abstract description 33
- 230000003044 adaptive effect Effects 0.000 claims abstract description 30
- 238000009607 mammography Methods 0.000 claims abstract description 19
- 208000004434 Calcinosis Diseases 0.000 claims description 120
- 210000000481 breast Anatomy 0.000 claims description 88
- 238000004590 computer program Methods 0.000 claims description 58
- 230000015654 memory Effects 0.000 claims description 56
- 238000004422 calculation algorithm Methods 0.000 claims description 23
- 210000000038 chest Anatomy 0.000 claims description 17
- 229920006395 saturated elastomer Polymers 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 10
- 208000019622 heart disease Diseases 0.000 claims description 10
- 238000003384 imaging method Methods 0.000 claims description 9
- 238000013519 translation Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 5
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 claims description 4
- 239000006071 cream Substances 0.000 claims description 4
- 230000003130 cardiopathic effect Effects 0.000 abstract description 3
- 238000013517 stratification Methods 0.000 abstract description 3
- 239000000090 biomarker Substances 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 22
- 229920000642 polymer Polymers 0.000 description 18
- 238000010191 image analysis Methods 0.000 description 16
- 238000005516 engineering process Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 208000029078 coronary artery disease Diseases 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 230000001413 cellular effect Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 229910052791 calcium Inorganic materials 0.000 description 4
- 239000011575 calcium Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 229910052751 metal Inorganic materials 0.000 description 3
- 239000002184 metal Substances 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- 208000006011 Stroke Diseases 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 239000004615 ingredient Substances 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000010197 meta-analysis Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 206010008190 Cerebrovascular accident Diseases 0.000 description 1
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 208000031226 Hyperlipidaemia Diseases 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 208000005475 Vascular calcification Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 229920000547 conjugated polymer Polymers 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005669 field effect Effects 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 210000000232 gallbladder Anatomy 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000009245 menopause Effects 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000002715 modification method Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/12—Arrangements for detecting or locating foreign bodies
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/502—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of breast, i.e. mammography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5205—Devices using data or image processing specially adapted for radiation diagnosis involving processing of raw data to produce diagnostic data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2137—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on criteria of topology preservation, e.g. multidimensional scaling or self-organising maps
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
- G06V10/435—Computation of moments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/752—Contour matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
-
- 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
- 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
- G06T2207/20036—Morphological image processing
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20064—Wavelet transform [DWT]
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20182—Noise reduction or smoothing in the temporal domain; Spatio-temporal filtering
-
- 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
- G06T2207/30068—Mammography; Breast
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
- G06V2201/031—Recognition of patterns in medical or anatomical images of internal organs
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Evolutionary Computation (AREA)
- Optics & Photonics (AREA)
- High Energy & Nuclear Physics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Epidemiology (AREA)
- Psychiatry (AREA)
- Primary Health Care (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Dentistry (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
Abstract
一种方法,其包括从***X线检查中接收图像,从所述图像中去除噪声,计算所述去噪声图像上的感兴趣点,在所述去噪声图像上创建中尺度感兴趣区域,计算所述中尺度感兴趣区域的连通性,使用所述所计算的连通性标识连通分量,其中所述连通分量表示全局曲线结构的分支,基于所述全局曲线结构的每个分支的物理性质来选择一组分支,基于容错自适应多项式拟合修剪每个分支,标识每个修剪分支中的剩余感兴趣区域,以及使由所述剩余感兴趣区域中所包括的剩余感兴趣点形成的链生长,其中所述链表示宏观全局曲线钙化动脉结构。所述钙化动脉结构的定量可以用作用于心脏病的风险分级的生物标志物。
Description
相关申请的交叉引用
本申请要求2016年9月23日提交的美国临时申请序列号62/399,209和2017年4月5日提交的美国临时申请序列号62/482,177的优先权,所述案中的每一个以全文引用的方式并入本文中。
技术领域
本公开一般涉及用于检测钙化和用于由***X线照片构建全局钙化动脉结构、用于定量钙化动脉结构和用于测定患者心脏病风险的装置、***和方法。
前言
对10项横断面研究的分析表明,***动脉钙化(“BAC”)与冠状动脉疾病大大相关(JiangX.等人,《***动脉钙化与中风和血管造影证实的冠状动脉疾病的关联性:元分析(Association of breast arterial calcification with stroke andangiographically proven coronary artery disease:a meta-analysis)》,《更年期(Menopause)》2015,22(2):136-43)。此外,最近报道,不仅BAC与冠状动脉钙化存在强烈的定量关联性,而且***BAC胜于标准的心血管风险因素(Margolies L.等人,《冠状动脉疾病的数字***X线摄影和筛查(Digital Mammography and Screening for Coronary ArteryDisease)》,《美国心脏病学会杂志·心血管成像(JACC Cardiovasc Imaging)》2016,9(4):350-60)。
发明内容
因此,本发明人已经成功地设计出用于检测钙化、由***X线照片构建全局钙化动脉结构和用于测定患者心脏病风险的新型和改良方法。因此,本发明涉及方法和***以及基于所述方法的计算机程序产品。所述方法包括从***X线检查中接收图像,从图像中去除噪声,从而创建去噪声图像,计算去噪声图像上的感兴趣点,在去噪声图像上创建中尺度感兴趣区域,计算中尺度感兴趣区域的连通性,使用所计算的连通性标识连通分量(connected component),其中连通分量表示全局曲线结构的分支,基于全局曲线结构的每个分支的物理性质来选择一组分支,基于容错自适应多项式拟合修剪每个分支,标识每个修剪分支中的剩余感兴趣区域,并且使由剩余感兴趣区域中所包括的剩余感兴趣点形成的链生长,其中链表示宏观全局曲线钙化动脉结构。
在本发明的一个方面中,钙化动脉结构的定量可以用作用于心脏病的风险分级的生物标志物。
将参考以下实施方式、实例和所附权利要求书更好地理解本教导的这些和其它特点、方面和优点。
附图说明
如附图中所说明,本文所描述的装置、***和方法的前述和其它目的、特点和优点将从以下对其特定实施例的描述中变得显而易见。图式未必按比例绘制,而是将重点放在说明本文所描述的装置、***和方法的原理上
图1说明用于检测钙化结构的网络化***。
图2为用于检测局部钙化微结构并构建全局(钙化)动脉结构的方法的流程图。
图3为用于检测局部钙化微结构并构建全局(钙化)动脉结构的方法的第一阶段的方法流程图。
图4为用于检测局部钙化微结构并构建全局(钙化)动脉结构的方法的第二阶段的方法流程图。
图5为用于检测局部钙化微结构并构建全局(钙化)动脉结构的方法的第三阶段的方法流程图。
图6为用于检测局部钙化微结构并构建全局(钙化)动脉结构的方法的第四阶段的方法流程图。
图7-29说明代表性图像。
图30为用于检测钙化微结构并构建全局动脉结构的方法的流程图。
具体实施方式
现在将在下文中参考附图更全面地描述实施例,附图中示出了优选实施例。然而,前述内容可以以许多不同的形式体现,并且不应当被解释为限于本文所阐述的所说明实施例。相反地,提供这些所说明实施例以使得本公开将范围传达给所属领域的技术人员。
本文所提及的所有文献均以全文引用的方式并入本文中。除非另外明确说明或从文本中清楚得知,否则对单数项目的提及应当理解为包括复数项目,并且反之亦然。除非另外说明或从上下文中清楚得知,否则语法连词旨在表示联合条款、句子、词语等的任何和所有转折连词和连词组合。因此,术语“或”一般应当理解为意指“和/或”等。
除非本文另外指示,否则对本文中的值范围的叙述不旨在为限制性的,而是单独地指落入所述范围内的任何和所有值,并且本说明书中合并在此类范围内的每个单独的值,如同在本文中单独地叙述其一般。当伴随数值时,词语“约(about/approximately)”、“基本上”等应当被解释为指示如所属领域的普通技术人员所了解出于预期目的进行令人满意的操作的偏差。值和/或数值的范围在本文中仅作为实例提供,并且不构成对所描述的实施例的范围的限制。本文所提供的任何和所有实例或示例性语言(“例如”、“如”等)的使用仅旨在更好地说明实施例,而不对实施例的范围产生限制。本说明书中的语言不应当被解释为指示如对于实施例的实践而言必不可少的任何未要求保护的要素。
在以下描述中,应当理解,如“第一”、“第二”、“顶部”、“底部”、“向上”、“向下”等术语为方便用词并且不应当被解释为作为限制术语。
一般来说,本文描述用于检测钙化结构的装置、***和方法,例如用于构建全局(钙化)动脉结构的装置、***和方法。
***动脉钙化(“BAC”)通过其对X射线的不透明性而一般形成***X线照片(MG)图像上的不同的粒状微观结构。对于其中低X射线曝光由亮像素强度表示(并且相反地,其中高X射线曝光由暗像素强度表示)的MG图像,BAC一般表现为具有陡峭空间梯度的亮微结构。这些亮微观结构可以组织成勾勒***动脉的钙化部分并且通常含有动脉分叉之处的分叉/分支点的宏观曲线结构。所公开的实施例的目标为检测局部钙化微结构,自其可以构建全局(钙化)动脉结构。所得全局结构可以具有各种应用,特别地在检测和定量***组织中的动脉钙化程度中的应用,这可以指示其它组织中的动脉钙化。因此,BAC测量可以用作所述组织中的疾病的预测因子。
作为背景,应当注意钙化动脉可能为***X线照片中的突出结构,这可能导致对***X线照片中的可疑性微钙化病变的错误标识。因此,尽可能多地去除这些全局动脉结构可能为重要的。这引起了本发明的当前全局动脉映射算法(mapping algorithm),其适用于预测各种组织中的动脉钙化。因此,当前全局动脉映射算法提供可靠且准确的BAC评估方法。
虽然本文所讨论的装置、***和方法一般描述了动脉钙化的检测、其它细胞的检测和定量、生理异常等,但是其还可以或替代地通过本文所讨论的装置、***和方法来启用。虽然本文所讨论的某些实施例是针对BAC的具体使用情况来描述的,但是本文所讨论的方法可适于其它组织动脉钙化。此外,虽然本文一般所描述的实施例涉及人体组织的医学图像的使用情况,但是所述实施例还可以或替代地适用于例如动物组织。
一般来说,本文所讨论的装置、***和方法可以利用医学图像分析,所述分析可以通过使用如本文所描述的各种硬件和软件来自动化。因此,本文所讨论的医学图像分析技术可以用于检测动脉钙化和/或用于构建全局动脉结构。
图1说明用于检测钙化结构的网络化***。如图中所示,***100可以包括检测钙化结构的客户端服务器实施,例如用于构建全局动脉结构的客户端服务器实施。***100可以包括一个或多个计算装置102,每个装置由用户或管理员使用以通过网络104耦合到后端组件106并与其交互。虽然示出了***100的客户端服务器/网页实施,但是***100也可以使用软件作为服务(SaaS)模型、独立计算机和其它计算机体系结构来实施。
一个或多个计算装置102可以包括基于处理器的计算装置,其具有至少一个处理器103、存储器105、永久性储存器、显示器和通信电路以使得每个计算装置102可以与后端组件106通信,显示与钙化结构有关的信息,将多条医学信息提交给后端组件106,或以其它方式与后端组件106或***100的另一个组件交互。举例来说,计算装置102可以包括但不限于智能电话装置、平板计算机、个人计算机、膝上型计算机、终端装置、蜂窝式电话等。在一些实施例中,计算装置102可以执行促进计算装置102与后端组件106的交互的应用程序,如已知的浏览器应用程序或移动应用程序。一个或多个计算装置102还可以或替代地包括其它装置,例如包括如计算机或计算机***的客户端装置、个人数字助理、移动电话或任何其它移动或固定计算装置。
计算装置102可以包括台式计算机工作站。计算装置102还可以或替代地为适合于通过网络104与其它装置交互的任何装置,如膝上型计算机、台式计算机、个人数字助理、平板、移动电话、电视、机顶盒、可穿戴计算机等。计算装置102还可以或替代地包括服务器或其可以设置于服务器上,如本文所描述的服务器中的任何服务器。
计算装置102可以用于本文所描述的实体中的任何服务器。在某些方面中,计算装置102可以使用硬件(例如在台式计算机中)、软件(例如在虚拟机等中)或软件和硬件组合来实施。计算装置102可以为独立装置、集成到另一个实体或装置中的装置、分布于多个实体上的平台或在虚拟化环境中执行的虚拟化装置。
一般来说,计算装置102可以包括处理器103、存储器105、网络接口124、数据储存器和一个或多个输入/输出接口。计算装置102可以进一步包括***设备和可以与输入/输出接口连通的其它外部输入/输出装置或与其通信。
处理器103可以为能够处理用于在计算装置102或***100内执行的指令的任何处理器或其它处理电路。处理器103可以包括单线程处理器、多线程处理器、多核处理器等。处理器103可以能够处理储存于存储器105或数据储存器中的指令。
存储器105可以储存计算装置102内的信息。存储器105可以包括任何易失性或非易失性存储器或其它计算机可读介质,包括但不限于随机存取存储器(RAM)、快闪存储器、只读存储器(ROM)、可编程只读存储器(PROM)、可擦PROM(EPROM)、寄存器等。存储器105可以储存程序指令、程序数据、可执行程序以及可用于控制计算装置102的操作并且配置计算装置102以为用户执行功能的其它软件和数据。存储器105可以包括用于计算装置102操作的不同方面的多个不同阶段和类型的存储器。举例来说,处理器可以包括单板存储器和/或用于更快地存取某些数据或指令的高速缓存,并且可以包括单独的主存储器等以根据需要扩展存储器容量。所有所述存储器类型可以为如本文所考虑的存储器105的一部分。
一般来说,存储器105可以包括含有计算机代码的非易失性计算机可读介质,所述代码在由计算装置102执行时为所讨论的计算机程序创建执行环境,所述代码例如为构成处理器固件、协议栈、数据库管理***、操作***或前述的组合的代码,和/或进行本文所阐述的各种流程图和其它算法描述中所阐述的步骤中的一些或全部的代码。虽然描绘了单个存储器105,但是应当理解,任何数量的存储器可以有用地并入计算装置102中。举例来说,第一存储器可以提供非易失性储存器如磁盘驱动器以用于永久或长期储存文件和代码,即使在计算装置102断电时也是如此。第二存储器如随机存取存储器可以提供易失性(但是更高速的)存储器以用于储存用于执行处理的指令和数据。第三存储器可以用于通过提供与处理器103物理上相邻的更高速存储器来改善性能以用于寄存器、高速缓存等。处理器103和存储器105可以由逻辑电路补充或并入逻辑电路中。
网络104可以包括通信路径如使用通信协议和数据协议如HTTP或HTTPS和HTML或JSON或REST的有线或无线网络以允许每个计算装置102与后端组件106交互。网络104可以为形成每个计算装置102与后端组件106之间的路径的有线网络、无线计算机网络、无线数字数据网络、蜂窝式无线数字数据网络或这些网络的组合。
网络104还可以或替代地包括适合于传送***100中的参与者之间的数据和控制信息的任何一种或多种数据网络或一种或多种互联网络。这可以包括公共网络如因特网、专用网络和电信网络如公共交换电话网络或使用第三代蜂窝技术(例如3G或IMT-2000)、***蜂窝技术(例如4G、LTE.MT-Advanced、E-UTRA等)或WiMax-Advanced(IEEE 802.16m)和/或其它技术的蜂窝式网络,以及各种公司区域网、城域网、校园网或其它局域网或企业网络中的任何网络,以及可以用于携载***100中的参与者之间的数据的任何交换机、路由器、集线器、网关等。网络104还可以包括数据网络组合,并且不必限于严格的公共或专用网络。***100中的参与者可以每个配置有网络接口124以用于通过网络进行通信。
***100的用户108可以为患者、医生、放射科医师、卫生保健组织、图像分析员等。使用计算装置102的用户108可以提交一条或多条医学信息108以供***100定量和/或基于所接收的医学信息110条从后端组件106接收信息。后端组件106可以包括耦合到后端组件106的储存器112(例如存储器、数据库等),所述储存器可以储存与***100相关联的各种数据,包括多条医学信息110,其可以用于基于如本文所描述的所检测钙化、与***相关联的用户数据等产生信息。储存器112可以使用已知的基于软件或基于硬件的储存***来实施。
后端组件106可以使用一个或多个计算资源来实施,所述计算资源包括但不限于处理器114、存储器116、永久性存储器/储存器等。作为示例,每个计算资源可以为刀锋服务器、服务器计算机、应用程序服务器、数据库服务器、云计算资源等。当***100作为如图中所示的客户端服务器体系结构来实施时,后端组件106可以具有管理与每个计算装置102的连通和交互、产生HTML代码以发送到每个计算装置102、从每个计算装置102接收数据等的网页服务器118等。可以在硬件或软件中实施网络服务器118。
后端组件106可以包括分析关于组织的多条医学信息110的图像分析引擎120。图像分析引擎120可以在组织的任何区域中产生钙化的任何指示,并且可以产生全局结构122。图像分析引擎120可以从计算装置102、通过计算机网络从第三方或从***100的储存器112接收/获得关于组织的多条医学信息110。全局结构122可以通过网络104传输,例如以用于在一个或多个计算装置102上显示。图像分析引擎120可以在软件或硬件中实施。当图像分析引擎120在软件中实施时,图像分析引擎120(和其组件)可以包含多行计算机代码,所述代码可以储存于存储器116中并由后端组件106的处理器114执行以使得处理器114配置成进行如本文所描述的图像分析引擎120(和其组件)的处理。当图像分析引擎120在硬件中实施时,图像分析引擎120(和其组件)可以包含微控制器、可编程逻辑装置、专用集成电路或其它硬件装置,其中硬件装置进行如本文所描述的图像分析引擎120(和其组件)的处理。图像分析引擎120可以包括辅助产生如本文所讨论的全局结构122的算法或一系列算法。
一条或多条医学信息108可以包括医学图像。医学图像可以包括x射线图像,例如***X线照片等。医学图像还可以或替代地包括磁共振(MRI)图像、计算机断层成像(CT)扫描图像、超声图像等。
***100可以替代地作为独立计算机实施的一部分来实施。在这个实施中,图像分析引擎120可以基于储存于计算装置102中或输入计算装置102中的一条或多条医学信息110例如通过处理器103和存储器105在计算装置102中的一个上执行。计算装置102可以具有显示器126和包括但不限于输入/输出装置如键盘和鼠标的任何其它附加硬件。显示器126可以包括用户接口,例如图形用户接口。计算装置102还可以包括处理器,以及彼此连通的永久性储存装置如快闪存储器或硬盘驱动器和存储器如DRAM或SRAM。当计算装置102用于实施***并且图像分析引擎120在软件中实施时,存储器105可以储存图像分析引擎120和操作***,并且***的处理器103可以执行实施图像分析引擎120的多行计算机代码以使得计算机***的处理器103配置成进行如本文所描述的图像分析引擎120的处理。
一般来说,图像分析引擎120可以接收关于患者的一块组织的一条或多条医学信息110,并且对于患者的每块组织,产生与其相关的信息。所述组织块可以包括但不限于可能患有钙化的人体组织中的任一块或动物组织中的任一块。
图2为用于检测局部钙化微结构并构建全局(钙化)动脉结构的方法的流程图。方法200一般可以表示算法的主要阶段以进行用于检测钙化微结构并构建全局动脉结构的技术。
如步骤202所示,方法200可以包括选择感兴趣点(POI)。
如步骤204所示,方法200可以包括转换成中尺度。
如步骤206所示,方法200可以包括从中尺度转换成宏观尺度。
如步骤208所示,方法200可以包括使链生长。
因此,在一个方面中,算法包括四个不同的阶段。在第一阶段中,可以定位POI。在第二阶段中,可以将POI分组并映射到中尺度感兴趣区域(ROI),例如以便提高计算性能。在第三阶段中,可以将ROI分组为全局曲线结构的分支,并且通过容错自适应多项式拟合来消除不属于所述结构的虚假ROI(例如假阳性ROI),并且使所选择的ROI由其成分POI替换以提供更好的算法效率。在第四阶段中,这些所选择的POI可以用作由Q-算法(例如如国际公开PCT/US2016/054074中所描述,并且在本文中以全文引用的方式结合在此)提供的微钙化自身所附着的“生长位点”。钙化动脉结构可以生长直到出现饱和,即结构中所含的微钙化的数量变得不随着生长的进一步尝试而变。这个过程可以直接类比于聚合物生长的物理过程,在所述物理过程中聚合物生长位点用作用于聚合物链生长的种子点。一旦聚合物链开始形成,则其可能仅纵向生长,即生长可能仅发生在聚合物链的端点处。总之,在来自Q-算法的一组微钙化的条件下,全局动脉映射算法可以产生全局曲线结构。因此,可以标识那些不作为这些全局曲线结构的一部分的微钙化。然后可以保留全局动脉结构并丢弃剩余部分。
图3-6为表示如本文中的实施例中所描述的用于检测局部钙化微结构并构建全局(钙化)动脉结构的方法的各个阶段中所采取的步骤的流程图。图7-45说明代表性图像,其被包括在内以进一步说明图3-6的方法中所讨论的各个步骤。
图3为用于检测局部钙化微结构并构建全局(钙化)动脉结构的方法的第一阶段的方法流程图。换句话说,所述图表示可以在与选择感兴趣点(POI)相关的算法技术中采取的步骤。
如步骤302中所示,方法300可以包括计算***边界。在具有像素强度I(x,y)的图像(参见图7)的条件下,可以计算***边界(如图8中的曲线802中所示),其表示为参数曲线(Bx(xi),By(xi)),其中xi为参数量,并且***掩模(breast mask)—布尔数组(Booleanarray),其中如图9中所示逻辑“真”指示***内部的点并且相反地逻辑“假”指示***外的点。
如上文所讨论,可以在除了***之外或代替***的其它组织上使用实施方案,并且因此可以相应地调整步骤以适应其它组织区域的边界/区域。
如步骤304中所示,方法300可以包括将计算限于***区域。为了无准确度损失的计算性能,可以从计算中排除超出***轮廓顶点的区域。图10和11指示在一个实例中应用实际计算的区域。具体地说,在图10中,示出了可以应用计算的原始图像的子区域。已经排除超出***轮廓顶点(超出曲线1002)的区域。可以计算像素强度的全局最大值I0=最大值(I(x,y))以供后续使用。在图11中,示出了对应于图10的子区域的***掩模。
如步骤306中所示,方法300可以包括使原始图像去噪声。在任何进一步处理之前,可以用小波滤波器(Coiflet 1)来预处理图10中所示的图像I(x,y)以去除短尺度长度的噪声,从而产生去噪声图像IDN(x,y)。因此,去噪声图像IDN(x,y)可以专门用于所有处理。提供了“之前”(图12)和“之后”(图13)图像的实例。具体地说,可以用小波滤波器来使原始图像I(x,y)(图12)去噪声以去除短尺度长度的噪声,从而得到待用于所有进一步处理的去噪声图像IDN(x,y)(图13))。
如步骤308中所示,方法300可以包括构建基本搜索单元。基本搜索单元可以为半径为r(以原点为中心)的圆,其中改变r以优化算法性能。在一个实例中,r=3.5毫米:
x0(θ)=r*cos(θ)
y0(θ)=r*sin(θ)
其中θ以4度增量在0到360度之间变化。在“搜索点”的条件下,可以通过在2D坐标平面中简单地移动基本搜索单元来形成与这个搜索点相关联的搜索单元:
xS=xSP+x0(θ)
yS=ySP+y0(θ)
应当注意,通过定义基本搜索单元,任何搜索单元圆的(x,y)坐标均可以通过以下来获得:简单的线性平移—与重新计算三角函数并将这些三角函数重复地乘以半径相比,计算效率更高的操作。
如步骤310中所示,方法300可以包括构建搜索点。在一个方面中,选择***掩模内的所有局部最大值作为搜索点,如图14中的点1402所示。换句话说,如图14中所示,可以选择***区域内的每个局部最大值作为搜索点,由点1402表示。
如步骤312中所示,方法300可以包括从去噪声图像内插到搜索单元上。对于与搜索点相关联的每个搜索单元,可以通过双线性内插将像素强度内插到搜索单元圆上。出于说明目的,叠加到图像上的一个代表性搜索单元圆1502示于图15中,并且对应的内插像素强度示于图16中。如图16中所示,可以通过双线性内插将像素强度从去噪声图像IDN(x,y)内插到图15中所描绘的搜索单元圆上。
如步骤314中所示,方法300可以包括计算感兴趣点(POI)。POI可以定义为满足下文所枚举的两个条件的搜索单位圆上的任何点:
并且,在一个方面中,点(xS(θ),yS(θ))必须距***边界至少5毫米,即,
min(d((θ),ξ))≥5毫米
d=[(xs(θ)-Bx(ξ))2+(ys(θ)-By(ξ))2]1/2
还可以或替代地使用其它距离。
可以选择阈值(tau1,tau2)组以优化算法性能。在说明性实例中,(tau1,tau2)=(0.5,0.1)。对于图17中所示的图像,如上文所描述选择的POI由图18中的点1802描绘。因此,点1802表示说明性实例中的所选POI。
图4为用于检测局部钙化微结构并构建全局(钙化)动脉结构的方法的第二阶段的方法流程图。换句话说,所述图表示可以在与转换成中尺度相关的算法技术中采取的步骤。
如步骤402中所示,方法400可以包括构建中尺度感兴趣区域(ROI)。可以从图像的左上角开始在于水平和垂直方向上均具有间隔D的2D规则网格中构建中尺度ROI。可以选择D的物理尺寸以优化算法性能。在说明性实例中,D=1.3毫米。
图19显示叠加于图像IDN(x,y)上的中尺度ROI,并且背景显示上文所计算的POI(图18)。可以仅示出与***掩模重叠的ROI,并且这些ROI可以为进入后续计算的唯一ROI。
如步骤404中所示,方法400可以包括计算ROI的连通分量。对于每个ROI,可以计算其所含有的POI的数量,并且可以记录其连通性指数(即ROI的非空最近邻居的数量)和哪个最近邻居与其连通。每个ROI最多可以具有8个非空最近邻居(即N、S、E、W、NE、NW、SE、SW)。分离ROI将不具有最近邻居。已经计算出每个ROI的连通性,可以确定连通分量组,其中每个连通分量为一组ROI,其中每个ROI在所述组中具有至少一个最近邻居并且不具有来自不同组的最近邻居。对应于图20的连通分量作为示例示于图21中。物理上,每个连通分量可以表示全局曲线结构的“分支”。因此,在图21中,示出了对应于图20的连通分量或分支。
如步骤406中所示,方法400可以包括计算连通分量的物理性质。
每个连通分量可以与以下两个数值分数相关联:连通性比Ci和圆度比Ri,其计算如下:
其中j=1,2,...,Ni表示属于分支i的ROI组。Pi和Ri分别为分支i的周长和面积。
图5为用于检测局部钙化微结构并构建全局(钙化)动脉结构的方法的第三阶段的方法流程图。换句话说,所述图表示可以在与从中尺度转换成宏观尺度相关的算法技术中采取的步骤。
如步骤502中所示,方法500可以包括向下选择分支。可以在两个阶段中选择分支。作为示例,在第一阶段中,如果满足以下条件中的任一个,则可以丢弃具有指数i的分支:
Ni≤4
Ni=5并且Ci>12
Ni=6并且Ci>14
Ni=7并且Ci>20
Ni=8并且Ci>26
作为示例,在第二阶段中,如果满足并且仅满足两个条件Ci≤C阈值和Ri≥R阈值,则可以保留具有指数i的分支。可以选择阈值C阈值和R阈值以优化算法性能。在说明性实例中,C阈值=5.69并且R阈值=1.49。物理上,可以选择这些条件以有利于长曲线结构,所述结构本身具有比圆形结构更大的圆度比Ri和更小的连通性比Ci。在两个向下选择的阶段之后,所保留的连通分量示于图22和23中。每种颜色/阴影可以表示不同的连通分量。应当注意,每个分支可以包括多个ROI(方框),并且每个ROI可以包括多个POI。与图22中的分支相关联的POI在图23中以相同的颜色编码/阴影示出。
如步骤504中所示,方法500可以包括计算ROI的物理性质。每个具有指数i的ROI可以通过其平均亮度βi和质心位置(Xi,Yi)来描述:
现在可以用其上文所计算的质心位置替换每个所选ROI。图24显示分支中的每个ROI如何由单个点(其质心位置)替换。
如步骤506中所示,方法500可以包括基于容错自适应多项式拟合来修剪分支。
可以将容错自适应多项式拟合应用于每个单独的分支。可以从分支中丢弃多项式拟合所排斥的点(质心),并且也丢弃对应的ROI和POI。对于图24中所示的分支,对应的多项式拟合在图25中使用相同的颜色编码/阴影示出。同样,所保留的ROI和其相关联POI分别示于图26和27中。因此,图25显示图24中所示分支的容错自适应多项式拟合;图26显示由图25中所示的容错自适应多项式拟合保留的ROI;并且图27显示与图26中的ROI相关联的POI。
图27中所示的POI可以形成钙化动脉的曲线结构。因此,这些POI可以用作微钙化自身所附着的“生长位点”。全局钙化动脉结构可以生长直到出现饱和,即结构中所含的微钙化的数量变得不随着生长的进一步尝试而变。这个过程可以直接类比于聚合物生长的物理过程,在所述物理过程中聚合物生长位点用作聚合物链生长的种子点。一旦聚合物链开始形成,其可能仅纵向生长,即生长可能仅发生在聚合物链的端点。
图6为用于检测局部钙化微结构并构建全局(钙化)动脉结构的方法的第四阶段的方法流程图。换句话说,所述图表示可以在与使链生长相关(或使用上文类比,使聚合物生长)的算法技术中采取的步骤。
如步骤602中所示,方法600可以包括检测并选择微钙化。Q-算法(例如,如2015年10月2日提交的美国临时申请第62/236,168号中所描述,所述申请作为附录A附于此并且在本文中以全文引用的方式结合在此)可以基于个别微结构的形态、拓扑和层次并且基于其结构间关系来检测并选择微钙化。在一个实例中,通过Q-算法检测并选择的微钙化示于图28中。在所述图中,每个微钙化显示为点,表示其质心位置。
如步骤604中所示,方法600可以包括使链生长(或使用上文类比,使聚合物生长)。如先前所讨论,图27中所示的所选POI可以用作“聚合物生长位点”。聚合物生长步骤λ内的任何微钙化位点(示于图28中)可以成为其它微钙化可以附着的新聚合物生长位点。可以重复应用这种“聚合物生长”应用直到实现饱和,即当聚合物生长位点的数量变得不随着使聚合物链生长的进一步尝试而变时。在说明性实例中,λ=2.5毫米。在饱和时,附着钙化动脉结构的微钙化示于图29中。在所述图中,点表示形成钙化动脉结构的微钙化的质心位置
图29中所示的所选微钙化可以为全局动脉映射算法的最终产物。微钙化可以形成曲线分支,其本身为宏观全局曲线钙化动脉结构的成分。
图30为用于检测钙化微结构并构建全局动脉结构的方法的流程图。
如步骤3002中所示,方法3000可以包括接收在***X线检查期间获得的患者***的第一图像。在从第一图像中去除噪声之前或之后,可以处理图像。这种处理可以包括计算第一图像中的***边界,和将计算限于***边界内所包括的***区域。计算边界可以包括分析第一图像中的像素强度,并且创建第一***掩模。所述处理还可以或替代地包括排除超出***边界顶点的区域。所述处理还可以或替代地包括创建第二***掩模。所述处理还可以或替代地包括计算像素强度的全局最大值。
如步骤3004中所示,方法3000可以包括从第一图像中去除噪声,从而创建去噪声图像。去除噪声可以包括应用小波滤波器以去除短尺度长度的噪声。
如步骤3006中所示,方法3000可以包括计算去噪声图像上的一个或多个感兴趣点。计算去噪声图像上的一个或多个感兴趣点可以包括:创建用于搜索去噪声图像的搜索单元;在去噪声图像上创建一个或多个搜索点;和对于与搜索点相关联的每个搜索单元,将像素强度从去噪声图像内插到搜索单元上。搜索单元可以包括圆。计算去噪声图像上的一个或多个感兴趣点还可以或替代地包括使用线性平移以在二维坐标平面中移动搜索单元。在一个方面中,去噪声图像的***掩模内的所有局部最大值用作搜索点。
在一个方面中,一个或多个感兴趣点中所包括的感兴趣点满足以下条件中的每一个:
和
感兴趣点可以为距***边界至少预定距离。在一个方面中,预定距离为约5毫米。
如步骤3008中所示,方法3000可以包括在去噪声图像上创建一个或多个中尺度感兴趣区域。创建一个或多个中尺度感兴趣区域可以在具有沿x轴和y轴的预定间隔的二维网格图案中的去噪声图像的角落中开始。预定间隔可以为约1.3毫米。去噪声图像的***掩模内可以含有每个中尺度感兴趣区域。
如步骤3010中所示,方法3000可以包括计算一个或多个中尺度感兴趣区域中的每一个的连通性。计算连通性可以包括计算感兴趣区域内所包括的感兴趣点,计算感兴趣区域的连通性指数,和记录与感兴趣区域连通的邻居。连通性指数可以包括与感兴趣区域连通的非空邻居的数量。
如步骤3012中所示,方法3000可以包括使用所计算的连通性来标识一个或多个连通分量,其中一个或多个连通分量中的每一个表示全局曲线结构的分支。每个连通分量可以包括一组中尺度感兴趣区域,其中含于其中的每个感兴趣区域具有也含于中尺度感兴趣区域组中的至少一个最近邻居,并且不具有来自不同组的中尺度感兴趣区域的最近邻居。
方法3000还可以或替代地包括计算一个或多个连通分量的一个或多个物理性质。方法3000还可以或替代地包括使一个或多个连通分量中的每一个与连通性比和圆度比相关联。
如步骤3014中所示,方法3000可以包括基于全局曲线结构的每个分支的一个或多个物理性质来选择一组分支。一个或多个物理性质可以包括分支中所包括的感兴趣区域的数量和分支的圆度比。方法3000还可以或替代地包括当感兴趣区域的数量少于4时、当感兴趣区域的数量为5并且圆度比大于12时、当感兴趣区域的数量为6并且圆度比大于14时、当感兴趣区域的数量为7并且圆度比大于20时或当感兴趣区域的数量为8并且圆度比大于26时丢弃来自所述分支组的分支。
一个或多个物理性质还可以或替代地包括分支的连通性比和圆度比。方法3000还可以或替代地包括当连通性比小于或等于连通性阈值时和当圆度比大于或等于圆度阈值时保留分支。在一个方面中,连通性阈值为约5.69。在一个方面中,圆度阈值为约1.49。在一个方面中,选择连通性阈值和圆度阈值中的每一个以有利于长曲线结构。
选择所述分支组还可以或替代地包括:当感兴趣区域的数量少于4时、当感兴趣区域的数量为5并且圆度比大于12时、当感兴趣区域的数量为6并且圆度比大于14时、当感兴趣区域的数量为7并且圆度比大于20时或当感兴趣区域的数量为8并且圆度比大于26时丢弃来自所述分支组的分支;和当连通性比小于或等于连通性阈值时和当圆度比大于或等于圆度阈值时保留分支。连通性阈值可以为约5.69,并且圆度阈值可以为约1.49。
方法3000还可以或替代地包括计算中尺度感兴趣区域的一个或多个物理性质。方法3000还可以或替代地包括通过每个感兴趣区域的平均亮度和所计算的质心位置来使其相关联。方法3000还可以或替代地包括使每个感兴趣区域经其所计算的质心位置替换。
如步骤3016中所示,方法3000可以包括基于容错自适应多项式拟合来修剪所选分支组中的每个分支。修剪每个分支可以包括丢弃容错自适应多项式拟合所排斥的点。方法3000还可以或替代地包括丢弃对应于所丢弃的点的感兴趣区域和感兴趣点。
如步骤3018中所示,方法3000可以包括标识每个修剪分支中的剩余感兴趣区域。方法3000还可以或替代地包括标识剩余感兴趣区域中的剩余感兴趣点。剩余感兴趣点可以形成表示***中的一个或多个钙化动脉的曲线结构。剩余感兴趣点可以表示***中的微钙化自身可以附着的生长位点。剩余感兴趣点可以表示链,其中进一步生长发生在链的端点处。
方法3000还可以或替代地包括基于个别微结构的形态、拓扑和层次中的一个或多个来检测并选择微钙化。检测并选择微钙化可以进一步基于个别微结构的结构间关系。检测并选择微钙化可以包括使用Q-算法。
如步骤3020中所示,方法3000可以包括使由剩余感兴趣区域中所包括的剩余感兴趣点形成的链生长,其中链表示宏观全局曲线钙化动脉结构。
方法3000还可以或替代地包括分析链。分析链可以包括计算链的进一步生长。进一步生长可以发生在链的端点处。
方法3000还可以或替代地包括重复应用生长直到实现饱和。当生长位点的数量变得不随着使链生长的进一步尝试而变时,可以实现饱和。
如步骤3022中所示,方法3000可以包括将全局曲线钙化动脉结构应用于特定应用—例如在预测其它组织中的动脉钙化并且随后基于动脉钙化来发展疾病的风险分级预测中的应用。
冠状动脉钙化(“CAC”)、心脏病与BAC之间存在相关性。Matsumura,ME等人《筛查***X线摄影中注意到的***动脉钙化可预测无症状女性的高风险冠状动脉钙化:一项病例对照研究(Breast artery calcium noted on screening mammography is predictiveof high risk coronary calcium in asymptomatic women:a case control study)》.《血管(Vasa)》.2013年11月;42(6):429-33。但是存在患者可能具有高CAC分数但不患有可辨别BAC的病例。然而,只要BAC的存在与CAC分数强烈相关且不患有BAC但具有高CAC分数的病例的百分比显著地小于患有BAC并且具有高CAC分数的病例的百分比,则可以通过分析BAC来改善心脏病的定量。
计划设计如下:
1.基于CAC分数将病例分类为4个区。
2.视觉上检查所有病例是否存在任何类型的BAC,然而其可能为不明显的。
3.评估BAC和CAC的相关性和阳性预测值(“PPV”)。还评估了其它变量(例如高胆固醇、糖尿病、年龄增加、吸烟、高脂血症史和冠状动脉疾病家族史)的作用以使得伴随BAC的存在可以增加与CAC的相关性。
4.优化相关性:确定高CAC分数中所存在的BAC类型与低CAC分数中所存在的BAC类型之间的差异以使得人们能够基于BAC的存在发展更准确的CAC预测因子。为了创立差异,采取以下步骤:i)在两个高CAC分数类别病例中创建BAC基础事实(GT)以及在两个低CAC分数类别中创建BAC GT;ii)建立基于深度学习的分类符以区分两类BAC;iii)使用来自分类符的分数作为BAC分数;和iv)使用这项分数作为与CAC相关联的BAC的指示符以测定BAC和CAC中的PPV增加。
在一个方面中,一种方法包括接收在***X线检查期间获得的患者***的第一图像,从第一图像中去除噪声,从而创建去噪声图像,创建用于搜索去噪声图像的搜索单元,创建去噪声图像上的一个或多个搜索点,对于与搜索点相关联的每个搜索单元将像素强度从去噪声图像内插到搜索单元上,基于内插来计算去噪声图像上的一个或多个感兴趣点,在去噪声图像上创建一个或多个中尺度感兴趣区域,并计算一个或多个中尺度感兴趣区域中的每一个的连通性,其中计算连通性包括计算感兴趣区域内所包括的感兴趣点,计算感兴趣区域的连通性指数,并记录与感兴趣区域连通的邻居。所述方法还可以包括使用所计算的连通性标识一个或多个连通分量,其中每个连通分量包括一组中尺度感兴趣区域,其中含于其中的每个感兴趣区域具有也含于所述中尺度感兴趣区域组中的至少一个最近邻居并且不具有来自不同组的中尺度感兴趣区域的最近邻居,并且其中一个或多个连通分量中的每一个表示全局曲线结构的分支。所述方法可以进一步包括计算一个或多个连通分量的一个或多个物理性质,基于全局曲线结构的每个分支的所计算的物理性质来选择一组分支,基于容错自适应多项式拟合修剪所选分支组中的每个分支,标识每个修剪分支中的剩余感兴趣区域,标识剩余感兴趣区域中的剩余感兴趣点,并且使由剩余感兴趣点形成的链生长,其中链表示宏观全局曲线钙化动脉结构。
在一个方面中,一种计算机程序产品包括包含于非暂时性计算机可读介质中的计算机可执行代码,所述代码在于一个或多个计算装置上执行时进行以下步骤:接收在***X线检查期间获得的患者***的第一图像,从第一图像中去除噪声,从而创建去噪声图像,计算去噪声图像上的一个或多个感兴趣点,在去噪声图像上创建一个或多个中尺度感兴趣区域,计算一个或多个中尺度感兴趣区域中的每一个的连通性,以及使用所计算的连通性标识一个或多个连通分量,其中一个或多个连通分量中的每一个表示全局曲线结构的分支。计算机程序产品还可以包括进行以下步骤的代码:基于全局曲线结构的每个分支的一个或多个物理性质选择一组分支,基于容错自适应多项式拟合修剪所选分支组中的每个分支,标识每个修剪分支中的剩余感兴趣区域,以及使由剩余感兴趣区域中所包括的剩余感兴趣点形成的链生长,其中链表示宏观全局曲线钙化动脉结构。
在一个方面中,一种计算机程序产品包括包含于非暂时性计算机可读介质中的计算机可执行代码,所述代码在于一个或多个计算装置上执行时进行以下步骤:接收在***X线检查期间获得的患者***的第一图像,从第一图像中去除噪声,从而产生去噪声图像,创建用于搜索去噪声图像的搜索单元,在去噪声图像上创建一个或多个搜索点,对于与搜索点相关联的每个搜索单元将像素强度从去噪声图像内插到搜索单元上,基于内插计算去噪声图像上的一个或多个感兴趣点,在去噪声图像上创建一个或多个中尺度感兴趣区域,以及计算一个或多个中尺度感兴趣区域中的每一个的连通性,其中计算连通性包括计算感兴趣区域内所包括的感兴趣点,计算感兴趣区域的连通性指数,并记录与感兴趣区域连通的邻居。计算机程序产品还可以包括进行以下步骤的代码:使用所计算的连通性标识一个或多个连通分量,其中每个连通分量包括一组中尺度感兴趣区域,其中含于其中的每个感兴趣区域具有也含于所述中尺度感兴趣区域组中的至少一个最近邻居并且不具有来自不同组的中尺度感兴趣区域的最近邻居,并且其中一个或多个连通分量中的每一个表示全局曲线结构的分支。计算机程序产品可以进一步包括进行以下步骤的代码:计算一个或多个连通分量的一个或多个物理性质,基于全局曲线结构的每个分支的所计算的物理性质选择一组分支,基于容错自适应多项式拟合修剪所选分支组中的每个分支,标识每个修剪分支中的剩余感兴趣区域,标识剩余感兴趣区域中的剩余感兴趣点,以及使由剩余感兴趣点形成的链生长,其中链表示宏观全局曲线钙化动脉结构。
在一个方面中,一种***包括成像装置(例如其可以为图1中所示的***中的参与者中的一个或多个)和与成像装置通信的计算装置(例如计算装置可以为图1中所示的***中的计算装置)。计算装置可以包括处理器和存储器,其中存储器承载配置成进行以下步骤的计算机可执行代码:接收在***X线检查期间获得的患者***的第一图像,从第一图像中去除噪声,从而创建去噪声图像,计算去噪声图像上的一个或多个感兴趣点,在去噪声图像上创建一个或多个中尺度感兴趣区域,计算一个或多个中尺度感兴趣区域中的每一个的连通性,以及使用所计算的连通性标识一个或多个连通分量,其中一个或多个连通分量中的每一个表示全局曲线结构的分支。存储器还可以承载配置成进行以下步骤的计算机可执行代码:基于全局曲线结构的每个分支的一个或多个物理性质选择一组分支,基于容错自适应多项式拟合修剪所选分支组中的每个分支,标识每个修剪分支中的剩余感兴趣区域,以及使由剩余感兴趣区域中所包括的剩余感兴趣点形成的链生长,其中链表示宏观全局曲线钙化动脉结构。
在一个方面中,一种***包括成像装置和与成像装置通信的计算装置。计算装置可以包括处理器和存储器,其中存储器承载配置成进行以下步骤的计算机可执行代码:接收在***X线检查期间获得的患者***的第一图像,从第一图像中去除噪声,从而创建去噪声图像,创建用于搜索去噪声图像的搜索单元,在去噪声图像上创建一个或多个搜索点,对于与搜索点相关联的每个搜索单元将像素强度从去噪声图像内插到搜索单元上,基于内插计算去噪声图像上的一个或多个感兴趣点,在去噪声图像上创建一个或多个中尺度感兴趣区域,以及计算一个或多个中尺度感兴趣区域中的每一个的连通性,其中计算连通性包括计算感兴趣区域内所包括的感兴趣点,计算感兴趣区域的连通性指数,并记录与感兴趣区域连通的邻居。存储器还可以承载配置成进行以下步骤的计算机可执行代码:使用所计算的连通性标识一个或多个连通分量,其中每个连通分量包括一组中尺度感兴趣区域,其中含于其中的每个感兴趣区域具有也含于中尺度感兴趣区域组中的至少一个最近邻居并且不具有来自不同自的中尺度感兴趣区域的最近邻居,并且其中一个或多个连通分量中的每一个表示全局曲线结构的分支。存储器可以进一步承载配置成进行以下步骤的计算机可执行代码:计算一个或多个连通分量的一个或多个物理性质,基于全局曲线结构的每个分支的所计算的物理性质选择一组分支,基于容错自适应多项式拟合修剪所选分支组中的每个分支,标识每个修剪分支中的剩余感兴趣区域,标识剩余感兴趣区域中的剩余感兴趣点,以及使由剩余感兴趣点形成的链生长,其中链表示宏观全局曲线钙化动脉结构。
在一个方面中,一种检测并定量***组织中的钙化动脉结构的方法包括接收在***X线检查期间获得的患者***的第一图像,从第一图像中去除噪声,从而创建去噪声图像,创建用于搜索去噪声图像的搜索单元,在去噪声图像上创建一个或多个搜索点,对于与搜索点相关联的每个搜索单元将像素强度从去噪声图像内插到搜索单元上,基于内插计算去噪声图像上的一个或多个感兴趣点,在去噪声图像上创建一个或多个中尺度感兴趣区域,以及计算一个或多个中尺度感兴趣区域中的每一个的连通性,其中计算连通性包括计算感兴趣区域内所包括的感兴趣点,计算感兴趣区域的连通性指数,并记录与感兴趣区域连通的邻居。所述方法还可以包括使用所计算的连通性标识一个或多个连通分量,其中每个连通分量包括一组中尺度感兴趣区域,其中含于其中的每个感兴趣区域具有也含于所述中尺度感兴趣区域组中的至少一个最近邻居并且不具有来自不同组的中尺度感兴趣区域的最近邻居,并且其中一个或多个连通分量中的每一个表示全局曲线结构的分支。所述方法可以进一步包括计算一个或多个连通分量的一个或多个物理性质,基于全局曲线结构的每个分支的所计算的物理性质来选择一组分支,基于容错自适应多项式拟合修剪所选分支组中的每个分支,标识每个修剪分支中的剩余感兴趣区域,标识剩余感兴趣区域中的剩余感兴趣点,并且使由剩余感兴趣点形成的链生长,其中链表示宏观全局曲线钙化动脉结构。此外,可以定量所检测的钙化动脉结构
在一个方面中,一种方法可以包括测定患者的心脏病风险。心脏病包括冠心病或冠状动脉疾病。所述方法可以包括接收在***X线检查期间获得的患者***的第一图像,从第一图像中去除噪声,从而创建去噪声图像,创建用于搜索去噪声图像的搜索单元,在去噪声图像上创建一个或多个搜索点,对于与搜索点相关联的每个搜索单元将像素强度从去噪声图像内插到搜索单元上,基于内插计算去噪声图像上的一个或多个感兴趣点,在去噪声图像上创建一个或多个中尺度感兴趣区域,以及计算一个或多个中尺度感兴趣区域中的每一个的连通性,其中计算连通性包括计算感兴趣区域内所包括的感兴趣点,计算感兴趣区域的连通性指数,并记录与感兴趣区域连通的邻居。所述方法还可以包括使用所计算的连通性标识一个或多个连通分量,其中每个连通分量包括一组中尺度感兴趣区域,其中含于其中的每个感兴趣区域具有也含于所述中尺度感兴趣区域组中的至少一个最近邻居并且不具有来自不同组的中尺度感兴趣区域的最近邻居,并且其中一个或多个连通分量中的每一个表示全局曲线结构的分支。所述方法可以进一步包括计算一个或多个连通分量的一个或多个物理性质,基于全局曲线结构的每个分支的所计算的物理性质来选择一组分支,基于容错自适应多项式拟合修剪所选分支组中的每个分支,标识每个修剪分支中的剩余感兴趣区域,标识剩余感兴趣区域中的剩余感兴趣点,并且使由剩余感兴趣点形成的链生长,其中链表示宏观全局曲线钙化动脉结构。此外,可以定量所检测的钙化动脉结构,并且钙化动脉结构的定量值指示心脏病风险。
因此,技术可以包括用以确定(钙化)全局动脉结构的新颖的易于实施并且可靠的技术。
出于解释目的,已经参考具体实施例描述了前述描述。然而,上文说明性讨论不旨在为穷举性的或将本公开限于所公开的精确形式。鉴于上文教导,许多修改和变化均为有可能的。
本文所公开的***和方法可以通过一个或多个组件、***、服务器、设备、其它子组件来实施,或分布于所述元件之间。当作为***实施时,所述***可以包括/或尤其涉及在通用计算机中找到的组件如软件模块、通用CPU、RAM等。在创新驻留于服务器上的实施方案中,此类服务器可以包括或涉及如CPU、RAM等的组件,如在通用计算机中找到的组件。
另外,本文中的***和方法可以通过具有超出上文所阐述的相异或完全不同的软件、硬件和/或固件组件的实施方案来实现。关于与本实施方案(例如本文中的创新的方面)相关联或体现本实施方案的所述其它组件(例如软件、处理组件等)和/或计算机可读介质可以与许多通用或专用计算***或配置一致地实施。可适合于与本文中的创新一起使用的各种示例性计算***、环境和/或配置可以包括但不限于:在个人计算机、服务器或服务器计算装置如路由/连通组件内或包含于其上的软件或其它组件、手持或膝上型装置、多处理器***、基于微处理器的***、机顶盒、消费电子装置、网络PC、其它现有计算机平台、包括上文***或装置中的一个或多个的分布式计算环境等。
在一些实例中,***和方法的方面可以通过包括程序模块的逻辑和/或逻辑指令来实现或由其进行,例如与所述组件或电路联合执行。一般来说,程序模块可以包括进行特定任务或实施本文中的特定指令的例程、程序、对象、组件、数据结构等。还可以在分布式软件、计算机或电路设置(其中电路是通过通信总线、电路或链路连通的)的情况下实践实施例。在分布式设置中,包括存储器储存装置的本地和远程计算机储存介质可以出现控制/指令。
本文中的软件、电路和组件还可以包括和/或利用一种或多种类型的计算机可读介质。计算机可读介质可以为驻留于所述电路和/或计算组件上、可与所述电路和/或计算组件相关联或可以由所述电路和/或计算组件访问的任何可用介质。作为示例并且非限制性地,计算机可读介质可以包含计算机储存介质和通信介质。计算机储存介质包括以用于储存信息如计算机可读指令、数据结构、程序模块或其它数据的任何方法或技术实施的易失性和非易失性、可移动和不可移动介质。计算机储存介质包括但不限于RAM、ROM、EEPROM、快闪存储器或其它存储技术、CD-ROM、数字通用光盘(DVD)或其它光储存器、磁带、磁盘储存器或其它磁储存装置或可以用于储存所期望的信息并且可以由计算组件访问的任何其它介质。通信介质可以包含计算机可读指令、数据结构、程序模块和/或其它组件。此外,通信介质可以包括有线介质,如有线网络或直接有线连通件,其中本文中的任何类型的介质不包括暂时性介质。在计算机可读介质的范围内也包括上文中的任何物件的组合。
在本说明书中,术语组件、模块、装置等可以指可以以各种方式实施的任何类型的逻辑或功能软件元件、电路、区块和/或工艺。举例来说,各种电路和/或区块的功能可以与彼此组合成任何其它数量的模块。每个模块甚至可以作为储存于有形存储器(例如随机存取存储器、只读存储器、CD-ROM存储器、硬盘驱动器等)上的软件程序来实施,所述软件程序待由中央处理单元读取以实施本文中的创新的功能。或,模块可以包含通过传输载波传输到通用计算机或处理/图形硬件的编程指令。此外,模块可以作为实施由本文中的创新所涵盖的功能的硬件逻辑电路来实施。最后,模块可以使用专用指令(SIMD指令)、现场可编程逻辑阵列或其提供所期望级别的性能和成本的任何混合件来实施。
如本文所公开,可以通过计算机硬件、软件和/或固件来实施与本公开一致的特点。举例来说,本文所公开的***和方法可以以各种形式体现,包括例如数据处理器,如还包括数据库、数字电子电路、固件、软件或其组合的计算机。此外,虽然所公开的实施方案中的一些描述了特定硬件组件,但是可以用硬件、软件和/或固件的任何组合来实施与本文中的创新一致的***和方法。此外,本文中的创新的上述特点和其它方面以及原理可以在各种环境中实施。可以专门构建所述环境和相关应用以用于根据本文所描述的实施方案进行各种例程、处理和/或操作,或其可以包括通过代码选择性地激活或重新配置的通用计算机或计算平台以提供必要的功能。本文所公开的处理并非固有地与任何特定计算机、网络、体系结构、环境或其它器械相关,并且可以通过硬件、软件和/或固件的合适组合来实施。举例来说,各种通用机器可以与根据本文中的实施方案的教导编写的程序一起使用,或其可以更方便地构建专用器械或***以进行所需方法和技术。
本文所描述的方法和***的方面如逻辑也可以作为编程到各种电路中的任何电路中的功能来实施,所述电路包括可编程逻辑装置(“PLD”)如现场可编程门阵列(“FPGA”)、可编程阵列逻辑(“PAL”)装置、电可编程逻辑和存储器装置和基于标准单元的装置以及专用集成电路。对于实施方面的一些其它可能性包括:存储器装置、具有存储器(如EEPROM)的微控制器、嵌入式微处理器、固件、软件等。此外,方面可以体现于具有基于软件的电路仿真、(顺序和组合的)离散逻辑、定制装置、模糊(神经)逻辑、量子装置和上文装置类型中的任何装置类型的混合件的微处理器中。可以以各种组件类型提供基础装置技术,例如金属氧化物半导体场效应晶体管(“MOSFET”)技术(如互补金属氧化物半导体(“CMOS”))、双极性技术(如射极耦合逻辑(“ECL”))、聚合物技术(例如硅共轭聚合物和金属共轭聚合物-金属结构)、混合模拟和数字等。
还应当注意,各种本文所公开的逻辑和/或功能可以使用任何数量的硬件、固件组合来激活,和/或作为包含于各种机器可读或计算机可读介质中的数据和/或指令来激活,这是就其行为、寄存器转移、逻辑组件和/或其它特征而言的。其中可以包含所述格式化数据和/或指令的计算机可读介质包括但不限于各种形式的非易失性储存介质(例如光、磁或半导体储存介质),但是也不包括暂时性介质。除非上下文另外清楚地要求,否则在整个说明书中,词语“包含(comprise/comprising)”等应以包括性意义而非排他性或穷举性意义来解释;也就是说,以“包括但不限于”的意义来解释。另外,词语“本文”、“以下”、“上文”、“下文”和具有类似含义的词语指整个本申请而不指本申请的任何特定部分。
此外,上文***、装置、方法、处理等可以在硬件、软件或适合于特定应用的这些***、装置、方法、处理等的任何组合中实现。硬件可以包括通用计算机和/或专用计算装置。这包括在一个或多个微处理器、微控制器、嵌入式微控制器、可编程数字信号处理器或其它可编程装置或处理电路以及内部和/或外部存储器中的实现。这还可以或替代地包括一个或多个专用集成电路、可编程门阵列、可编程阵列逻辑组件或可以配置成处理电子信号的任何其它一种或多种装置。应当进一步了解,上文所描述的处理或装置的实现可以包括使用结构化编程语言如C、面向对象的编程语言如C++或可以储存、编译或解释以在上文装置中的一个上运行的任何其它高级或低级编程语言(包括汇编语言、硬件描述语言和数据库编程语言和技术)创建的计算机可执行代码,以及处理器、处理器体系结构或不同硬件和软件组合的不同种类的组合。在另一个方面中,所述方法可以体现于进行其步骤的***中,并且可以以多种方式分布在装置上。同时,处理可以分布在装置如上文所描述的各种***上,或所有功能可以集成到专用独立装置或其它硬件中。在另一个方面中,用于进行与上文所描述的处理相关联的步骤的构件可以包括上文所描述的硬件和/或软件中的任一个。所有所述排列和组合均旨在落入本公开的范围内。
本文所公开的实施例可以包括包含计算机可执行代码或计算机可用代码的计算机程序产品,所述代码在于一个或多个计算装置上执行时进行其步骤的任一个和/或全部。代码可以以非暂时性方式储存于计算机存储器中,所述计算机存储器可以为从其中执行程序的存储器(如与处理器相关联的随机存取存储器)或储存装置如磁盘驱动器、快闪存储器或任何其它光装置、电磁装置、磁装置、红外线装置或其它装置或装置组合。在另一个方面中,上文所描述的***和方法中的任一种可以体现于携载计算机可执行代码和/或来自其的任何输入或输出的任何合适的传输或传播介质中。
应当了解,作为示例而非限制地阐述上文所描述的装置、***和方法。在不存在相反的明确指示的情况下,可以修改、补充、省略和/或重新排序所公开的步骤并且不脱离本公开的范围。许多变化、添加、省略和其它修改对于所属领域的普通技术人员为显而易见的。另外,除非明确地要求或以其它方式从上下文中清楚地得知特定顺序,否则上文实施方式和附图中的方法步骤的顺序或呈现不旨在要求进行所叙述步骤的这个顺序。
除非明确地提供或以其它方式从上下文中清楚地得知不同的含义,否则本文所描述的实施方案的方法步骤旨在包括与以下权利要求书的专利性一致的使所述方法步骤进行的任何合适方法。因此,例如进行X步骤包括用于使另一方如远程用户、远程处理资源(例如服务器或云计算机)或机器进行X步骤的任何合适方法。类似地,进行步骤X、Y和Z可以包括指导或控制所述其它个人或资源的任何组合进行步骤X、Y和Z以获得所述步骤的益处的的任何方法。因此,除非明确地提供或以其它方式从上下文中清楚地得知不同的含义,本文所描述的实施方案的方法步骤旨在包括与以下权利要求书的专利性一致的使一个或多个其它方或实体进行步骤的任何合适方法。所述方或实体无需处于任何其它方或实体的指导或控制下,并且无需位于特定管辖范围内。
应当进一步了解,上文方法是作为示例提供的。在不存在相反的明确指示的情况下,可以修改、补充、省略和/或重新排序所公开的步骤并且不脱离本公开的范围。
应当了解,作为示例而非限制地阐述上文所描述的方法和***。许多变化、添加、省略和其它修改对于所属领域的普通技术人员为显而易见的。另外,除非明确地要求或以其它方式从上下文中清楚地得知特定顺序,否则上文实施方式和附图中的方法步骤的顺序或呈现不旨在要求进行所叙述步骤的这个顺序。因此,虽然已经示出并描述了特定实施例,但是对于所属领域的技术人员显而易见地,在不脱离本公开的精神和范围的情况下,可以在形式和细节上作出各种改变和修改,并且旨在形成如由以法律允许的最广泛意义解释的以下权利要求书所界定的本发明的一部分。
Claims (255)
1.一种方法,其包含:
接收在***X线检查期间获得的患者***的第一图像;
从所述第一图像中去除噪声,从而创建去噪声图像;
计算所述去噪声图像上的一个或多个感兴趣点;
在所述去噪声图像上创建一个或多个中尺度感兴趣区域;
计算所述一个或多个中尺度感兴趣区域中的每一个的连通性;
使用所述所计算的连通性标识一个或多个连通分量,其中所述一个或多个连通分量中的每一个表示全局曲线结构的分支;
基于所述全局曲线结构的每个分支的一个或多个物理性质来选择一组分支;
基于容错自适应多项式拟合修剪所述所选分支组中的每个分支;
标识每个修剪分支中的剩余感兴趣区域;以及
使由所述剩余感兴趣区域中所包括的剩余感兴趣点形成的链生长,其中
所述链表示宏观全局曲线钙化动脉结构。
2.根据权利要求1所述的方法,其进一步包含计算所述第一图像中的所述***的边界,和将计算限于包括在所述***的所述边界内的***区域。
3.根据权利要求2所述的方法,其中计算所述边界包括分析所述第一图像中的像素强度。
4.根据权利要求3所述的方法,其进一步包含创建第一***掩模。
5.根据权利要求3所述的方法,其进一步包含排除超出所述***的所述边界的顶点的区域。
6.根据权利要求5所述的方法,其进一步包含创建第二***掩模。
7.根据权利要求1所述的方法,其进一步包含计算像素强度的全局最大值。
8.根据权利要求1所述的方法,其中去除噪声包括应用小波滤波器以去除短尺度长度的噪声。
9.根据权利要求1所述的方法,其中计算所述去噪声图像上的一个或多个感兴趣点包含:
创建用于搜索所述去噪声图像的搜索单元;
在所述去噪声图像上创建一个或多个搜索点;和
对于与搜索点相关联的每个搜索单元将像素强度从所述去噪声图像内插到所述搜索单元上。
10.根据权利要求9所述的方法,其中所述搜索单元包括圆。
11.根据权利要求9所述的方法,其进一步包含使用线性平移以在二维坐标平面中移动所述搜索单元。
12.根据权利要求9所述的方法,其中所述去噪声图像的***掩模内的所有局部最大值用作搜索点。
13.根据权利要求1所述的方法,其中所述一个或多个感兴趣点中所包括的感兴趣点满足以下条件中的每一个:
和
14.根据权利要求13所述的方法,其中所述感兴趣点距所述***的边界至少预定距离。
15.根据权利要求14所述的方法,其中所述预定距离为约5毫米。
16.根据权利要求1所述的方法,其中创建所述一个或多个中尺度感兴趣区域在具有沿x轴和y轴的预定间隔的二维网格图案中的所述去噪声图像的角落中开始。
17.根据权利要求16所述的方法,其中所述预定间隔为约1.3毫米。
18.根据权利要求16所述的方法,其中每个中尺度感兴趣区域含于所述去噪声图像的***掩模内。
19.根据权利要求1所述的方法,其中计算所述连通性包括计算感兴趣区域内所包括的所述感兴趣点,计算所述感兴趣区域的连通性指数,和记录与所述感兴趣区域连通的邻居。
20.根据权利要求19所述的方法,其中所述连通性指数包括与所述感兴趣区域连通的非空邻居的数量。
21.根据权利要求1所述的方法,其中每个连通分量包括一组中尺度感兴趣区域,其中含于其中的每个感兴趣区域具有也含于所述中尺度感兴趣区域组中的至少一个最近邻居并且不具有来自不同组的中尺度感兴趣区域的最近邻居。
22.根据权利要求1所述的方法,其进一步包含计算一个或多个连通分量的一个或多个物理性质。
23.根据权利要求22所述的方法,其进一步包含使所述一个或多个连通分量中的每一个与连通性比和圆度比相关联。
24.根据权利要求1所述的方法,其中所述一个或多个物理性质包括分支中所包括的感兴趣区域的数量和所述分支的圆度比。
25.根据权利要求24所述的方法,其进一步包含当所述感兴趣区域的数量少于4时、当所述感兴趣区域的数量为5并且所述圆度比大于12时、当所述感兴趣区域的数量为6并且所述圆度比大于14时、当所述感兴趣区域的数量为7并且所述圆度比大于20时或当所述感兴趣区域的数量为8并且所述圆度比大于26时丢弃来自所述分支组的分支。
26.根据权利要求1所述的方法,其中所述一个或多个物理性质包括所述分支的连通性比和圆度比。
27.根据权利要求26所述的方法,其进一步包含当所述连通性比小于或等于连通性阈值时和当所述圆度比大于或等于圆度阈值时保留分支。
28.根据权利要求27所述的方法,其中所述连通性阈值为约5.69。
29.根据权利要求27所述的方法,其中所述圆度阈值为约1.49。
30.根据权利要求27所述的方法,其中选择所述连通性阈值和所述圆度阈值中的每一个以有利于长曲线结构。
31.根据权利要求1所述的方法,其中选择所述分支组包含:
当感兴趣区域的数量少于4时、当所述感兴趣区域的数量为5并且圆度比大于12时、当所述感兴趣区域的数量为6并且所述圆度比大于14时、当所述感兴趣区域的数量为7并且所述圆度比大于20时或当所述感兴趣区域的数量为8并且所述圆度比大于26时丢弃来自所述分支组的分支;和
当连通性比小于或等于连通性阈值时和当所述圆度比大于或等于圆度阈值时保留分支。
32.根据权利要求31所述的方法,其中所述连通性阈值为约5.69并且所述圆度阈值为约1.49。
33.根据权利要求1所述的方法,其进一步包含计算所述中尺度感兴趣区域的一个或多个物理性质。
34.根据权利要求33所述的方法,其进一步包含通过每个感兴趣区域的平均亮度和所计算的质心位置来使所述每个感兴趣区域相关联。
35.根据权利要求34所述的方法,其进一步包含使每个感兴趣区域经其所计算的质心位置替换。
36.根据权利要求1所述的方法,其中修剪每个分支包括丢弃所述容错自适应多项式拟合所排斥的点。
37.根据权利要求36所述的方法,其进一步包含丢弃对应于所述丢弃点的感兴趣区域和感兴趣点。
38.根据权利要求37所述的方法,其进一步包含标识剩余感兴趣区域。
39.根据权利要求38所述的方法,其进一步包含标识所述剩余感兴趣区域中的剩余感兴趣点。
40.根据权利要求39所述的方法,其中所述剩余感兴趣点形成表示所述***中的一个或多个钙化动脉的曲线结构。
41.根据权利要求39所述的方法,其中所述剩余感兴趣点表示所述***中的微钙化自身可以附着的生长位点。
42.根据权利要求39所述的方法,其中所述剩余感兴趣点表示链,其中进一步生长发生在所述链的端点处。
43.根据权利要求1所述的方法,其进一步包含基于个别微结构的形态、拓扑和层次中的一个或多个来检测并选择微钙化。
44.根据权利要求43所述的方法,其中检测并选择微钙化进一步基于所述个别微结构的结构间关系。
45.根据权利要求43所述的方法,其中检测并选择微钙化包括使用Q-算法。
46.根据权利要求1所述的方法,其进一步包含分析所述链。
47.根据权利要求46所述的方法,其中分析所述链包括计算所述链的进一步生长。
48.根据权利要求47所述的方法,其中进一步生长发生在所述链的端点处。
49.根据权利要求47所述的方法,其进一步包含重复应用生长直到实现饱和。
50.根据权利要求49所述的方法,其中当生长位点的数量变得不随着使所述链生长的进一步尝试而变时,实现饱和。
51.一种方法,其包含:
接收在***X线检查期间获得的患者***的第一图像;
从所述第一图像中去除噪声,从而创建去噪声图像;
创建用于搜索所述去噪声图像的搜索单元;
在所述去噪声图像上创建一个或多个搜索点;
对于与搜索点相关联的每个搜索单元将像素强度从所述去噪声图像内插到所述搜索单元上;
基于所述内插计算所述去噪声图像上的一个或多个感兴趣点;
在所述去噪声图像上创建一个或多个中尺度感兴趣区域;
计算所述一个或多个中尺度感兴趣区域中的每一个的连通性,其中计算所述连通性包括计算感兴趣区域内所包括的感兴趣点,计算所述感兴趣区域的连通性指数,和记录与所述感兴趣区域连通的邻居;
使用所述所计算的连通性标识一个或多个连通分量,其中每个连通分量包括一组中尺度感兴趣区域,其中含于其中的每个感兴趣区域具有也含于所述中尺度感兴趣区域组中的至少一个最近邻居并且不具有来自不同组的中尺度感兴趣区域的最近邻居,并且其中所述一个或多个连通分量中的每一个表示全局曲线结构的分支;
计算所述一个或多个连通分量的一个或多个物理性质;
基于所述全局曲线结构的每个分支的所述所计算的物理性质来选择一组分支;
基于容错自适应多项式拟合修剪所述所选分支组中的每个分支;
标识每个修剪分支中的剩余感兴趣区域;
标识所述剩余感兴趣区域中的剩余感兴趣点;以及
使由所述剩余感兴趣点形成的链生长,其中所述链表示宏观全局曲线钙化动脉结构。
52.一种计算机程序产品,其包含体现于非暂时性计算机可读介质中的计算机可执行代码,所述代码在于一个或多个计算装置上执行时进行以下步骤:
接收在***X线检查期间获得的患者***的第一图像;
从所述第一图像中去除噪声,从而创建去噪声图像;
计算所述去噪声图像上的一个或多个感兴趣点;
在所述去噪声图像上创建一个或多个中尺度感兴趣区域;
计算所述一个或多个中尺度感兴趣区域中的每一个的连通性;
使用所述所计算的连通性标识一个或多个连通分量,其中所述一个或多个连通分量中的每一个表示全局曲线结构的分支;
基于所述全局曲线结构的每个分支的一个或多个物理性质来选择一组分支;
基于容错自适应多项式拟合修剪所述所选分支组中的每个分支;
标识每个修剪分支中的剩余感兴趣区域;以及
使由所述剩余感兴趣区域中所包括的剩余感兴趣点形成的链生长,其中
所述链表示宏观全局曲线钙化动脉结构。
53.根据权利要求52所述的计算机程序产品,其进一步包含进行以下步骤的代码:计算所述第一图像中的所述***的边界,和将计算限于所述***的所述边界内所包括的***区域。
54.根据权利要求52所述的计算机程序产品,其中计算所述边界包括分析所述第一图像中的像素强度。
55.根据权利要求54所述的计算机程序产品,其进一步包含进行创建第一***掩模的步骤的代码。
56.根据权利要求53所述的计算机程序产品,其进一步包含进行排除超出所述***的所述边界的顶点的区域的步骤的代码。
57.根据权利要求56所述的计算机程序产品,其进一步包含进行创建第二***掩模的步骤的代码。
58.根据权利要求52所述的计算机程序产品,其进一步包含进行计算像素强度的全局最大值的步骤的代码。
59.根据权利要求52所述的计算机程序产品,其中去除噪声包括应用小波滤波器以去除短尺度长度的噪声。
60.根据权利要求52所述的计算机程序产品,其中计算所述去噪声图像上的一个或多个感兴趣点包含:
创建用于搜索所述去噪声图像的搜索单元;
在所述去噪声图像上创建一个或多个搜索点;和
对于与搜索点相关联的每个搜索单元将像素强度从所述去噪声图像内插到所述搜索单元上。
61.根据权利要求60所述的计算机程序产品,其中所述搜索单元包括圆。
62.根据权利要求60所述的计算机程序产品,其进一步包含进行使用线性平移以在二维坐标平面中移动所述搜索单元的步骤的代码。
63.根据权利要求60所述的计算机程序产品,其中所述去噪声图像的***掩模内的所有局部最大值用作搜索点。
64.根据权利要求52所述的计算机程序产品,其中所述一个或多个感兴趣点中所包括的感兴趣点满足以下条件中的每一个:
和
65.根据权利要求64所述的计算机程序产品,其中所述感兴趣点距所述***的边界至少预定距离。
66.根据权利要求65所述的计算机程序产品,其中所述预定距离为约5毫米。
67.根据权利要求52所述的计算机程序产品,其中创建所述一个或多个中尺度感兴趣区域在具有沿x轴和y轴的预定间隔的二维网格图案中的所述去噪声图像的角落中开始。
68.根据权利要求67所述的计算机程序产品,其中所述预定间隔为约1.3毫米。
69.根据权利要求67所述的计算机程序产品,其中每个中尺度感兴趣区域含于所述去噪声图像的***掩模内。
70.根据权利要求52所述的计算机程序产品,其中计算所述连通性包括计算感兴趣区域内所包括的所述感兴趣点,计算所述感兴趣区域的连通性指数,和记录与所述感兴趣区域连通的邻居。
71.根据权利要求70所述的计算机程序产品,其中所述连通性指数包括与所述感兴趣区域连通的非空邻居的数量。
72.根据权利要求52所述的计算机程序产品,其中每个连通分量包括一组中尺度感兴趣区域,其中含于其中的每个感兴趣区域具有也含于所述中尺度感兴趣区域组中的至少一个最近邻居并且不具有来自不同组的中尺度感兴趣区域的最近邻居。
73.根据权利要求52所述的计算机程序产品,其进一步包含进行计算一个或多个连通分量的一个或多个物理性质的步骤的代码。
74.根据权利要求73所述的计算机程序产品,其进一步包含进行使所述一个或多个连通分量中的每一个与连通性比和圆度比相关联的步骤的代码。
75.根据权利要求52所述的计算机程序产品,其中所述一个或多个物理性质包括分支中所包括的感兴趣区域的数量和所述分支的圆度比。
76.根据权利要求75所述的计算机程序产品,其进一步包含进行以下步骤的代码:当所述感兴趣区域的数量少于4时、当所述感兴趣区域的数量为5并且所述圆度比大于12时、当所述感兴趣区域的数量为6并且所述圆度比大于14时、当所述感兴趣区域的数量为7并且所述圆度比大于20时或当所述感兴趣区域的数量为8并且所述圆度比大于26时丢弃来自所述分支组的分支。
77.根据权利要求52所述的计算机程序产品,其中所述一个或多个物理性质包括所述分支的连通性比和圆度比。
78.根据权利要求77所述的计算机程序产品,其进一步包含进行以下步骤的代码:当所述连通性比小于或等于连通性阈值时和当所述圆度比大于或等于圆度阈值时保留分支。
79.根据权利要求78所述的计算机程序产品,其中所述连通性阈值为约5.69。
80.根据权利要求78所述的计算机程序产品,其中所述圆度阈值为约1.49。
81.根据权利要求78所述的计算机程序产品,其中选择所述连通性阈值和所述圆度阈值中的每一个以有利于长曲线结构。
82.根据权利要求52所述的计算机程序产品,其中选择所述分支组包含:
当感兴趣区域的数量少于4时、当所述感兴趣区域的数量为5并且圆度比大于12时、当所述感兴趣区域的数量为6并且所述圆度比大于14时、当所述感兴趣区域的数量为7并且所述圆度比大于20时或当所述感兴趣区域的数量为8并且所述圆度比大于26时丢弃来自所述分支组的分支;和
当连通性比小于或等于连通性阈值时和当所述圆度比大于或等于圆度阈值时保留分支。
83.根据权利要求82所述的计算机程序产品,其中所述连通性阈值为约5.69并且所述圆度阈值为约1.49。
84.根据权利要求52所述的计算机程序产品,其进一步包含进行计算所述中尺度感兴趣区域的一个或多个物理性质的步骤的代码。
85.根据权利要求84所述的计算机程序产品,其进一步包含进行通过每个感兴趣区域的平均亮度和所计算的质心位置使所述每个感兴趣区域相关联的步骤的代码。
86.根据权利要求85所述的计算机程序产品,其进一步包含进行使每个感兴趣区域经其所计算的质心位置替换的步骤的代码。
87.根据权利要求52所述的计算机程序产品,其中修剪每个分支包括丢弃所述容错自适应多项式拟合所排斥的点。
88.根据权利要求87所述的计算机程序产品,其进一步包含进行丢弃对应于所述所丢弃的点的感兴趣区域和感兴趣点的步骤的代码。
89.根据权利要求88所述的计算机程序产品,其进一步包含进行标识剩余感兴趣区域的步骤的代码。
90.根据权利要求89所述的计算机程序产品,其进一步包含进行标识所述剩余感兴趣区域中的剩余感兴趣点的步骤的代码。
91.根据权利要求90所述的计算机程序产品,其中所述剩余感兴趣点形成表示所述***中的一个或多个钙化动脉的曲线结构。
92.根据权利要求90所述的计算机程序产品,其中所述剩余感兴趣点表示所述***中的微钙化自身可以附着的生长位点。
93.根据权利要求90所述的计算机程序产品,其中所述剩余感兴趣点表示链,其中进一步生长发生在所述链的端点处。
94.根据权利要求52所述的计算机程序产品,其进一步包含进行基于个别微结构的形态、拓扑和层次中的一个或多个来检测并选择微钙化的步骤的代码。
95.根据权利要求94所述的计算机程序产品,其中检测并选择微钙化进一步基于所述个别微结构的结构间关系。
96.根据权利要求94所述的计算机程序产品,其中检测并选择微钙化包括使用Q-算法。
97.根据权利要求52所述的计算机程序产品,其进一步包含进行分析所述链的步骤的代码。
98.根据权利要求97所述的计算机程序产品,其中分析所述链包括计算所述链的进一步生长。
99.根据权利要求98所述的计算机程序产品,其中进一步生长发生在所述链的端点处。
100.根据权利要求98所述的计算机程序产品,其进一步包含进行重复应用生长直到实现饱和的步骤的代码。
101.根据权利要求100所述的计算机程序产品,其中当生长位点的数量变得不随着使所述链生长的进一步尝试而变时,实现饱和。
102.一种计算机程序产品,其包含体现于非暂时性计算机可读介质中的计算机可执行代码,所述代码在于一个或多个计算装置上执行时进行以下步骤:
接收在***X线检查期间获得的患者***的第一图像;
从所述第一图像中去除噪声,从而创建去噪声图像;
创建用于搜索所述去噪声图像的搜索单元;
在所述去噪声图像上创建一个或多个搜索点;
对于与搜索点相关联的每个搜索单元将像素强度从所述去噪声图像内插到所述搜索单元上;
基于所述内插计算所述去噪声图像上的一个或多个感兴趣点;
在所述去噪声图像上创建一个或多个中尺度感兴趣区域;
计算所述一个或多个中尺度感兴趣区域中的每一个的连通性,其中计算所述连通性包括计算感兴趣区域内所包括的感兴趣点,计算所述感兴趣区域的连通性指数,和记录与所述感兴趣区域连通的邻居;
使用所述所计算的连通性标识一个或多个连通分量,其中每个连通分量包括一组中尺度感兴趣区域,其中含于其中的每个感兴趣区域具有也含于所述中尺度感兴趣区域组中的至少一个最近邻居并且不具有来自不同组的中尺度感兴趣区域的最近邻居,并且其中所述一个或多个连通分量中的每一个表示全局曲线结构的分支;
计算所述一个或多个连通分量的一个或多个物理性质;
基于所述全局曲线结构的每个分支的所述所计算的物理性质来选择一组分支;
基于容错自适应多项式拟合修剪所述所选分支组中的每个分支;
标识每个修剪分支中的剩余感兴趣区域;
标识所述剩余感兴趣区域中的剩余感兴趣点;以及
使由所述剩余感兴趣点形成的链生长,其中所述链表示宏观全局曲线钙化动脉结构。
103.一种***,其包含:
成像装置;和
与所述成像装置通信的计算装置,所述计算装置包括处理器和存储器,所述存储器承载配置成进行以下步骤的计算机可执行代码:
接收在***X线检查期间获得的患者***的第一图像;
从所述第一图像中去除噪声,从而创建去噪声图像;
计算所述去噪声图像上的一个或多个感兴趣点;
在所述去噪声图像上创建一个或多个中尺度感兴趣区域;
计算所述一个或多个中尺度感兴趣区域中的每一个的连通性;
使用所述所计算的连通性标识一个或多个连通分量,其中所述一个或多个连通分量中的每一个表示全局曲线结构的分支;
基于所述全局曲线结构的每个分支的一个或多个物理性质来选择一组分支;
基于容错自适应多项式拟合修剪所述所选分支组中的每个分支;
标识每个修剪分支中的剩余感兴趣区域;以及
使由所述剩余感兴趣区域中所包括的剩余感兴趣点形成的链生长,其中
所述链表示宏观全局曲线钙化动脉结构。
104.根据权利要求103所述的***,其中所述计算机可执行代码进一步配置成进行以下步骤:计算所述第一图像中的所述***的边界,和将计算限于所述***的所述边界内所包括的***区域。
105.根据权利要求104所述的***,其中计算所述边界包括分析所述第一图像中的像素强度。
106.根据权利要求104所述的***,其中所述计算机可执行代码进一步配置成进行创建第一***掩模的步骤。
107.根据权利要求104所述的***,其中所述计算机可执行代码进一步配置成进行排除超出所述***的所述边界的顶点的区域的步骤。
108.根据权利要求107所述的***,其中所述计算机可执行代码进一步配置成进行创建第二***掩模的步骤。
109.根据权利要求103所述的***,其中所述计算机可执行代码进一步配置成进行计算像素强度的全局最大值的步骤。
110.根据权利要求103所述的***,其中去除噪声包括应用小波滤波器以去除短尺度长度的噪声。
111.根据权利要求103所述的***,其中计算所述去噪声图像上的一个或多个感兴趣点包含:
创建用于搜索所述去噪声图像的搜索单元;
在所述去噪声图像上创建一个或多个搜索点;和
对于与搜索点相关联的每个搜索单元将像素强度从所述去噪声图像内插到所述搜索单元上。
112.根据权利要求111所述的***,其中所述搜索单元包括圆。
113.根据权利要求111所述的***,其中所述计算机可执行代码进一步配置成进行使用线性平移以在二维坐标平面中移动所述搜索单元的步骤。
114.根据权利要求111所述的***,其中所述去噪声图像的***掩模内的所有局部最大值用作搜索点。
115.根据权利要求103所述的***,其中所述一个或多个感兴趣点中所包括的感兴趣点满足以下条件中的每一个:
和
116.根据权利要求115所述的***,其中所述感兴趣点距所述***的边界至少预定距离。
117.根据权利要求116所述的***,其中所述预定距离为约5毫米。
118.根据权利要求103所述的***,其中创建所述一个或多个中尺度感兴趣区域在具有沿x轴和y轴的预定间隔的二维网格图案中的所述去噪声图像的角落中开始。
119.根据权利要求118所述的***,其中所述预定间隔为约1.3毫米。
120.根据权利要求118所述的***,其中每个中尺度感兴趣区域含于所述去噪声图像的***掩模内。
121.根据权利要求103所述的***,其中计算所述连通性包括计算感兴趣区域内所包括的所述感兴趣点,计算所述感兴趣区域的连通性指数,和记录与所述感兴趣区域连通的邻居。
122.根据权利要求121所述的***,其中所述连通性指数包括与所述感兴趣区域连通的非空邻居的数量。
123.根据权利要求103所述的***,其中每个连通分量包括一组中尺度感兴趣区域,其中含于其中的每个感兴趣区域具有也含于所述中尺度感兴趣区域组中的至少一个最近邻居并且不具有来自不同组的中尺度感兴趣区域的最近邻居。
124.根据权利要求103所述的***,其中所述计算机可执行代码进一步配置成进行计算一个或多个连通分量的一个或多个物理性质的步骤。
125.根据权利要求124所述的***,其中所述计算机可执行代码进一步配置成进行使所述一个或多个连通分量中的每一个与连通性比和圆度比相关联的步骤。
126.根据权利要求103所述的***,其中所述一个或多个物理性质包括分支中所包括的感兴趣区域的数量和所述分支的圆度比。
127.根据权利要求126所述的***,其中所述计算机可执行代码进一步配置成进行以下步骤:当所述感兴趣区域的数量少于4时、当所述感兴趣区域的数量为5并且所述圆度比大于12时、当所述感兴趣区域的数量为6并且所述圆度比大于14时、当所述感兴趣区域的数量为7并且所述圆度比大于20时或当所述感兴趣区域的数量为8并且所述圆度比大于26时丢弃来自所述分支组的分支。
128.根据权利要求103所述的***,其中所述一个或多个物理性质包括所述分支的连通性比和圆度比。
129.根据权利要求128所述的***,其中所述计算机可执行代码进一步配置成进行以下步骤:当所述连通性比小于或等于连通性阈值时和当所述圆度比大于或等于圆度阈值时保留分支。
130.根据权利要求129所述的***,其中所述连通性阈值为约5.69。
131.根据权利要求129所述的***,其中所述圆度阈值为约1.49。
132.根据权利要求129所述的***,其中选择所述连通性阈值和所述圆度阈值中的每一个以有利于长曲线结构。
133.根据权利要求103所述的***,其中选择所述分支组包含:
当感兴趣区域的数量少于4时、当所述感兴趣区域的数量为5并且圆度比大于12时、当所述感兴趣区域的数量为6并且所述圆度比大于14时、当所述感兴趣区域的数量为7并且所述圆度比大于20时或当所述感兴趣区域的数量为8并且所述圆度比大于26时丢弃来自所述分支组的分支;和
当连通性比小于或等于连通性阈值时和当所述圆度比大于或等于圆度阈值时保留分支。
134.根据权利要求133所述的***,其中所述连通性阈值为约5.69并且所述圆度阈值为约1.49。
135.根据权利要求103所述的***,其中所述计算机可执行代码进一步配置成进行计算所述中尺度感兴趣区域的一个或多个物理性质的步骤。
136.根据权利要求135所述的***,其中所述计算机可执行代码进一步配置成进行通过每个感兴趣区域的平均亮度和所计算的质心位置使所述每个感兴趣区域相关联的步骤。
137.根据权利要求136所述的***,其中所述计算机可执行代码进一步配置成进行使每个感兴趣区域经其所计算的质心位置替换的步骤。
138.根据权利要求103所述的***,其中修剪每个分支包括丢弃所述容错自适应多项式拟合所排斥的点。
139.根据权利要求138所述的***,其中所述计算机可执行代码进一步配置成进行丢弃对应于所述所丢弃的点的感兴趣区域和感兴趣点的步骤。
140.根据权利要求139所述的***,其中所述计算机可执行代码进一步配置成进行标识剩余感兴趣区域的步骤。
141.根据权利要求140所述的***,其中所述计算机可执行代码进一步配置成进行标识所述剩余感兴趣区域中的剩余感兴趣点的步骤。
142.根据权利要求141所述的***,其中所述剩余感兴趣点形成表示所述***中的一个或多个钙化动脉的曲线结构。
143.根据权利要求141所述的***,其中所述剩余感兴趣点表示所述***中的微钙化自身可以附着的生长位点。
144.根据权利要求141所述的***,其中所述剩余感兴趣点表示链,其中进一步生长发生在所述链的端点处。
145.根据权利要求103所述的***,其中所述计算机可执行代码进一步配置成进行基于个别微结构的形态、拓扑和层次中的一个或多个来检测并选择微钙化的步骤。
146.根据权利要求145所述的***,其中检测并选择微钙化进一步基于所述个别微结构的结构间关系。
147.根据权利要求145所述的***,其中检测并选择微钙化包括使用Q-算法。
148.根据权利要求103所述的***,其中所述计算机可执行代码进一步配置成进行分析所述链的步骤。
149.根据权利要求148所述的***,其中分析所述链包括计算所述链的进一步生长。
150.根据权利要求149所述的***,其中进一步生长发生在所述链的端点处。
151.根据权利要求149所述的***,其中所述计算机可执行代码进一步配置成进行重复应用生长直到实现饱和的步骤。
152.根据权利要求151所述的***,其中当生长位点的数量变得不随着使所述链生长的进一步尝试而变时,实现饱和。
153.一种***,其包含:
成像装置;和
与所述成像装置通信的计算装置,所述计算装置包括处理器和存储器,所述存储器承载配置成进行以下步骤的计算机可执行代码:
接收在***X线检查期间获得的患者***的第一图像;
从所述第一图像中去除噪声,从而创建去噪声图像;
创建用于搜索所述去噪声图像的搜索单元;
在所述去噪声图像上创建一个或多个搜索点;
对于与搜索点相关联的每个搜索单元将像素强度从所述去噪声图像内插到所述搜索单元上;
基于所述内插计算所述去噪声图像上的一个或多个感兴趣点;
在所述去噪声图像上创建一个或多个中尺度感兴趣区域;
计算所述一个或多个中尺度感兴趣区域中的每一个的连通性,其中计算所述连通性包括计算感兴趣区域内所包括的感兴趣点,计算所述感兴趣区域的连通性指数,和记录与所述感兴趣区域连通的邻居;
使用所述所计算的连通性标识一个或多个连通分量,其中每个连通分量包括一组中尺度感兴趣区域,其中含于其中的每个感兴趣区域具有也含于所述中尺度感兴趣区域组中的至少一个最近邻居并且不具有来自不同组的中尺度感兴趣区域的最近邻居,并且其中所述一个或多个连通分量中的每一个表示全局曲线结构的分支;
计算所述一个或多个连通分量的一个或多个物理性质;
基于所述全局曲线结构的每个分支的所述所计算的物理性质来选择一组分支;
基于容错自适应多项式拟合修剪所述所选分支组中的每个分支;
标识每个修剪分支中的剩余感兴趣区域;
标识所述剩余感兴趣区域中的剩余感兴趣点;以及
使由所述剩余感兴趣点形成的链生长,其中所述链表示宏观全局曲线钙化动脉结构。
154.一种检测并定量***组织中的钙化动脉结构的方法,所述方法包含:
接收在***X线检查期间获得的患者***的第一图像;
从所述第一图像中去除噪声,从而创建去噪声图像;
计算所述去噪声图像上的一个或多个感兴趣点;
在所述去噪声图像上创建一个或多个中尺度感兴趣区域;
计算所述一个或多个中尺度感兴趣区域中的每一个的连通性;
使用所述所计算的连通性标识一个或多个连通分量,其中所述一个或多个连通分量中的每一个表示全局曲线结构的分支;
基于所述全局曲线结构的每个分支的一个或多个物理性质来选择一组分支;
基于容错自适应多项式拟合修剪所述所选分支组中的每个分支;
标识每个修剪分支中的剩余感兴趣区域;以及
使由所述剩余感兴趣区域中所包括的剩余感兴趣点形成的链生长,其中所述链表示宏观全局曲线钙化动脉结构,并且
其中定量所述所检测的钙化动脉结构。
155.根据权利要求154所述的方法,其进一步包含计算所述第一图像中的所述***的边界,和将计算限于所述***的所述边界内所包括的***区域。
156.根据权利要求155所述的方法,其中计算所述边界包括分析所述第一图像中的像素强度。
157.根据权利要求156所述的方法,其进一步包含创建第一***掩模。
158.根据权利要求155所述的方法,其进一步包含排除超出所述***的所述边界的顶点的区域。
159.根据权利要求158所述的方法,其进一步包含创建第二***掩模。
160.根据权利要求154所述的方法,其进一步包含计算像素强度的全局最大值。
161.根据权利要求154所述的方法,其中去除噪声包括应用小波滤波器以去除短尺度长度的噪声。
162.根据权利要求154所述的方法,其中计算所述去噪声图像上的一个或多个感兴趣点包含:
创建用于搜索所述去噪声图像的搜索单元;
在所述去噪声图像上创建一个或多个搜索点;和
对于与搜索点相关联的每个搜索单元将像素强度从所述去噪声图像内插到所述搜索单元上。
163.根据权利要求162所述的方法,其中所述搜索单元包括圆。
164.根据权利要求162所述的方法,其进一步包含使用线性平移以在二维坐标平面中移动所述搜索单元。
165.根据权利要求162所述的方法,其中所述去噪声图像的***掩模内的所有局部最大值用作搜索点。
166.根据权利要求154所述的方法,其中所述一个或多个感兴趣点中所包括的感兴趣点满足以下条件中的每一个:
和
167.根据权利要求166所述的方法,其中所述感兴趣点距所述***的边界至少预定距离。
168.根据权利要求167所述的方法,其中所述预定距离为约5毫米。
169.根据权利要求154所述的方法,其中创建所述一个或多个中尺度感兴趣区域在具有沿x轴和y轴的预定间隔的二维网格图案中的所述去噪声图像的角落中开始。
170.根据权利要求169所述的方法,其中所述预定间隔为约1.3毫米。
171.根据权利要求169所述的方法,其中每个中尺度感兴趣区域含于所述去噪声图像的***掩模内。
172.根据权利要求154所述的方法,其中计算所述连通性包括计算感兴趣区域内所包括的所述感兴趣点,计算所述感兴趣区域的连通性指数,和记录与所述感兴趣区域连通的邻居。
173.根据权利要求172所述的方法,其中所述连通性指数包括与所述感兴趣区域连通的非空邻居的数量。
174.根据权利要求154所述的方法,其中每个连通分量包括一组中尺度感兴趣区域,其中含于其中的每个感兴趣区域具有也含于所述中尺度感兴趣区域组中的至少一个最近邻居并且不具有来自不同组的中尺度感兴趣区域的最近邻居。
175.根据权利要求154所述的方法,其进一步包含计算一个或多个连通分量的一个或多个物理性质。
176.根据权利要求175所述的方法,其进一步包含使所述一个或多个连通分量中的每一个与连通性比和圆度比相关联。
177.根据权利要求154所述的方法,其中所述一个或多个物理性质包括分支中所包括的感兴趣区域的数量和所述分支的圆度比。
178.根据权利要求177所述的方法,其进一步包含当所述感兴趣区域的数量少于4时、当所述感兴趣区域的数量为5并且所述圆度比大于12时、当所述感兴趣区域的数量为6并且所述圆度比大于14时、当所述感兴趣区域的数量为7并且所述圆度比大于20时或当所述感兴趣区域的数量为8并且所述圆度比大于26时丢弃来自所述分支组的分支。
179.根据权利要求154所述的方法,其中所述一个或多个物理性质包括所述分支的连通性比和圆度比。
180.根据权利要求179所述的方法,其进一步包含当所述连通性比小于或等于连通性阈值时和当所述圆度比大于或等于圆度阈值时保留分支。
181.根据权利要求180所述的方法,其中所述连通性阈值为约5.69。
182.根据权利要求180所述的方法,其中所述圆度阈值为约1.49。
183.根据权利要求180所述的方法,其中选择所述连通性阈值和所述圆度阈值中的每一个以有利于长曲线结构。
184.根据权利要求154所述的方法,其中选择所述分支组包含:
当感兴趣区域的数量少于4时、当所述感兴趣区域的数量为5并且圆度比大于12时、当所述感兴趣区域的数量为6并且所述圆度比大于14时、当所述感兴趣区域的数量为7并且所述圆度比大于20时或当所述感兴趣区域的数量为8并且所述圆度比大于26时丢弃来自所述分支组的分支;和
当连通性比小于或等于连通性阈值时和当所述圆度比大于或等于圆度阈值时保留分支。
185.根据权利要求184所述的方法,其中所述连通性阈值为约5.69并且所述圆度阈值为约1.49。
186.根据权利要求154所述的方法,其进一步包含计算所述中尺度感兴趣区域的一个或多个物理性质。
187.根据权利要求186所述的方法,其进一步包含通过每个感兴趣区域的平均亮度和所计算的质心位置来使所述每个感兴趣区域相关联。
188.根据权利要求187所述的方法,其进一步包含使每个感兴趣区域经其所计算的质心位置替换。
189.根据权利要求154所述的方法,其中修剪每个分支包括丢弃所述容错自适应多项式拟合所排斥的点。
190.根据权利要求189所述的方法,其进一步包含丢弃对应于所述所丢弃的点的感兴趣区域和感兴趣点。
191.根据权利要求190所述的方法,其进一步包含标识剩余感兴趣区域。
192.根据权利要求191所述的方法,其进一步包含标识所述剩余感兴趣区域中的剩余感兴趣点。
193.根据权利要求192所述的方法,其中所述剩余感兴趣点形成表示所述***中的一个或多个钙化动脉的曲线结构。
194.根据权利要求192所述的方法,其中所述剩余感兴趣点表示所述***中的微钙化自身可以附着的生长位点。
195.根据权利要求192所述的方法,其中所述剩余感兴趣点表示链,其中进一步生长发生在所述链的端点处。
196.根据权利要求154所述的方法,其进一步包含基于个别微结构的形态、拓扑和层次中的一个或多个来检测并选择微钙化。
197.根据权利要求196所述的方法,其中检测并选择微钙化进一步基于所述个别微结构的结构间关系。
198.根据权利要求196所述的方法,其中检测并选择微钙化包括使用Q-算法。
199.根据权利要求154所述的方法,其进一步包含分析所述链。
200.根据权利要求199所述的方法,其中分析所述链包括计算所述链的进一步生长。
201.根据权利要求200所述的方法,其中进一步生长发生在所述链的端点处。
202.根据权利要求200所述的方法,其进一步包含重复应用生长直到实现饱和。
203.根据权利要求202所述的方法,其中当生长位点的数量变得不随着使所述链生长的进一步尝试而变时,实现饱和。
204.一种检测并定量***组织中的钙化动脉结构的方法,所述方法包含:
接收在***X线检查期间获得的患者***的第一图像;
从所述第一图像中去除噪声,从而创建去噪声图像;
创建用于搜索所述去噪声图像的搜索单元;
在所述去噪声图像上创建一个或多个搜索点;
对于与搜索点相关联的每个搜索单元将像素强度从所述去噪声图像内插到所述搜索单元上;
基于所述内插计算所述去噪声图像上的一个或多个感兴趣点;
在所述去噪声图像上创建一个或多个中尺度感兴趣区域;
计算所述一个或多个中尺度感兴趣区域中的每一个的连通性,其中计算所述连通性包括计算感兴趣区域内所包括的感兴趣点,计算所述感兴趣区域的连通性指数,和记录与所述感兴趣区域连通的邻居;
使用所述所计算的连通性标识一个或多个连通分量,其中每个连通分量包括一组中尺度感兴趣区域,其中含于其中的每个感兴趣区域具有也含于所述中尺度感兴趣区域组中的至少一个最近邻居并且不具有来自不同组的中尺度感兴趣区域的最近邻居,并且其中所述一个或多个连通分量中的每一个表示全局曲线结构的分支;
计算所述一个或多个连通分量的一个或多个物理性质;
基于所述全局曲线结构的每个分支的所述所计算的物理性质来选择一组分支;
基于容错自适应多项式拟合修剪所述所选分支组中的每个分支;
标识每个修剪分支中的剩余感兴趣区域;
标识所述剩余感兴趣区域中的剩余感兴趣点;以及
使由所述剩余感兴趣点形成的链生长,其中所述链表示宏观全局曲线钙化动脉结构,并且
其中定量所述所检测的钙化动脉结构。
205.一种测定患者的心脏病风险的方法,所述方法包含:
接收在***X线检查期间获得的所述患者的***的第一图像;
从所述第一图像中去除噪声,从而创建去噪声图像;
创建用于搜索所述去噪声图像的搜索单元;
在所述去噪声图像上创建一个或多个搜索点;
对于与搜索点相关联的每个搜索单元将像素强度从所述去噪声图像内插到所述搜索单元上;
基于所述内插计算所述去噪声图像上的一个或多个感兴趣点;
在所述去噪声图像上创建一个或多个中尺度感兴趣区域;
计算所述一个或多个中尺度感兴趣区域中的每一个的连通性,其中计算所述连通性包括计算感兴趣区域内所包括的感兴趣点,计算所述感兴趣区域的连通性指数,和记录与所述感兴趣区域连通的邻居;
使用所述所计算的连通性标识一个或多个连通分量,其中每个连通分量包括一组中尺度感兴趣区域,其中含于其中的每个感兴趣区域具有也含于所述中尺度感兴趣区域组中的至少一个最近邻居并且不具有来自不同组的中尺度感兴趣区域的最近邻居,并且其中所述一个或多个连通分量中的每一个表示全局曲线结构的分支;
计算所述一个或多个连通分量的一个或多个物理性质;
基于所述全局曲线结构的每个分支的所述所计算的物理性质来选择一组分支;
基于容错自适应多项式拟合修剪所述所选分支组中的每个分支;
标识每个修剪分支中的剩余感兴趣区域;
标识所述剩余感兴趣区域中的剩余感兴趣点;以及
使由所述剩余感兴趣点形成的链生长,其中所述链表示宏观全局曲线钙化动脉结构,
其中定量所述所检测的钙化动脉结构,并且
其中钙化动脉结构的定量值指示心脏病风险。
206.根据权利要求205所述的方法,其进一步包含计算所述第一图像中的所述***的边界,和将计算限于所述***的所述边界内所包括的***区域。
207.根据权利要求206所述的方法,其中计算所述边界包括分析所述第一图像中的像素强度。
208.根据权利要求207所述的方法,其进一步包含创建第一***掩模。
209.根据权利要求205所述的方法,其进一步包含排除超出所述***的所述边界的顶点的区域。
210.根据权利要求209所述的方法,其进一步包含创建第二***掩模。
211.根据权利要求205所述的方法,其进一步包含计算像素强度的全局最大值。
212.根据权利要求205所述的方法,其中去除噪声包括应用小波滤波器以去除短尺度长度的噪声。
213.根据权利要求205所述的方法,其中计算所述去噪声图像上的一个或多个感兴趣点包含:
创建用于搜索所述去噪声图像的搜索单元;
在所述去噪声图像上创建一个或多个搜索点;和
对于与搜索点相关联的每个搜索单元将像素强度从所述去噪声图像内插到所述搜索单元上。
214.根据权利要求213所述的方法,其中所述搜索单元包括圆。
215.根据权利要求213所述的方法,其进一步包含使用线性平移以在二维坐标平面中移动所述搜索单元。
216.根据权利要求213所述的方法,其中所述去噪声图像的***掩模内的所有局部最大值用作搜索点。
217.根据权利要求205所述的方法,其中所述一个或多个感兴趣点中所包括的感兴趣点满足以下条件中的每一个:
和
218.根据权利要求217所述的方法,其中所述感兴趣点距所述***的边界至少预定距离。
219.根据权利要求218所述的方法,其中所述预定距离为约5毫米。
220.根据权利要求205所述的方法,其中创建所述一个或多个中尺度感兴趣区域在具有沿x轴和y轴的预定间隔的二维网格图案中的所述去噪声图像的角落中开始。
221.根据权利要求220所述的方法,其中所述预定间隔为约1.3毫米。
222.根据权利要求220所述的方法,其中每个中尺度感兴趣区域含于所述去噪声图像的***掩模内。
223.根据权利要求220所述的方法,其中计算所述连通性包括计算感兴趣区域内所包括的所述感兴趣点,计算所述感兴趣区域的连通性指数,和记录与所述感兴趣区域连通的邻居。
224.根据权利要求223所述的方法,其中所述连通性指数包括与所述感兴趣区域连通的非空邻居的数量。
225.根据权利要求205所述的方法,其中每个连通分量包括一组中尺度感兴趣区域,其中含于其中的每个感兴趣区域具有也含于所述中尺度感兴趣区域组中的至少一个最近邻居并且不具有来自不同组的中尺度感兴趣区域的最近邻居。
226.根据权利要求205所述的方法,其进一步包含计算一个或多个连通分量的一个或多个物理性质。
227.根据权利要求226所述的方法,其进一步包含使所述一个或多个连通分量中的每一个与连通性比和圆度比相关联。
228.根据权利要求205所述的方法,其中所述一个或多个物理性质包括分支中所包括的感兴趣区域的数量和所述分支的圆度比。
229.根据权利要求228所述的方法,其进一步包含当所述感兴趣区域的数量少于4时、当所述感兴趣区域的数量为5并且所述圆度比大于12时、当所述感兴趣区域的数量为6并且所述圆度比大于14时、当所述感兴趣区域的数量为7并且所述圆度比大于20时或当所述感兴趣区域的数量为8并且所述圆度比大于26时丢弃来自所述分支组的分支。
230.根据权利要求205所述的方法,其中所述一个或多个物理性质包括所述分支的连通性比和圆度比。
231.根据权利要求230所述的方法,其进一步包含当所述连通性比小于或等于连通性阈值时和当所述圆度比大于或等于圆度阈值时保留分支。
232.根据权利要求231所述的方法,其中所述连通性阈值为约5.69。
233.根据权利要求231所述的方法,其中所述圆度阈值为约1.49。
234.根据权利要求231所述的方法,其中选择所述连通性阈值和所述圆度阈值中的每一个以有利于长曲线结构。
235.根据权利要求205所述的方法,其中选择所述分支组包含:
当感兴趣区域的数量少于4时、当所述感兴趣区域的数量为5并且圆度比大于12时、当所述感兴趣区域的数量为6并且所述圆度比大于14时、当所述感兴趣区域的数量为7并且所述圆度比大于20时或当所述感兴趣区域的数量为8并且所述圆度比大于26时丢弃来自所述分支组的分支;和
当连通性比小于或等于连通性阈值时和当所述圆度比大于或等于圆度阈值时保留分支。
236.根据权利要求235所述的方法,其中所述连通性阈值为约5.69并且所述圆度阈值为约1.49。
237.根据权利要求205所述的方法,其进一步包含计算所述中尺度感兴趣区域的一个或多个物理性质。
238.根据权利要求237所述的方法,其进一步包含通过每个感兴趣区域的平均亮度和所计算的质心位置来使所述每个感兴趣区域相关联。
239.根据权利要求238所述的方法,其进一步包含使每个感兴趣区域经其所计算的质心位置替换。
240.根据权利要求205所述的方法,其中修剪每个分支包括丢弃所述容错自适应多项式拟合所排斥的点。
241.根据权利要求240所述的方法,其进一步包含丢弃对应于所述所丢弃的点的感兴趣区域和感兴趣点。
242.根据权利要求241所述的方法,其进一步包含标识剩余感兴趣区域。
243.根据权利要求242所述的方法,其进一步包含标识所述剩余感兴趣区域中的剩余感兴趣点。
244.根据权利要求243所述的方法,其中所述剩余感兴趣点形成表示所述***中的一个或多个钙化动脉的曲线结构。
245.根据权利要求243所述的方法,其中所述剩余感兴趣点表示所述***中的微钙化自身可以附着的生长位点。
246.根据权利要求243所述的方法,其中所述剩余感兴趣点表示链,其中进一步生长发生在所述链的端点处。
247.根据权利要求205所述的方法,其进一步包含基于个别微结构的形态、拓扑和层次中的一个或多个来检测并选择微钙化。
248.根据权利要求247所述的方法,其中检测并选择微钙化进一步基于所述个别微结构的结构间关系。
249.根据权利要求247所述的方法,其中检测并选择微钙化包括使用Q-算法。
250.根据权利要求205所述的方法,其进一步包含分析所述链。
251.根据权利要求250所述的方法,其中分析所述链包括计算所述链的进一步生长。
252.根据权利要求251所述的方法,其中进一步生长发生在所述链的端点处。
253.根据权利要求251所述的方法,其进一步包含重复应用生长直到实现饱和。
254.根据权利要求253所述的方法,其中当生长位点的数量变得不随着使所述链生长的进一步尝试而变时,实现饱和。
255.一种测定患者的心脏病风险的方法,所述方法包含:
接收在***X线检查期间获得的患者***的第一图像;
从所述第一图像中去除噪声,从而创建去噪声图像;
创建用于搜索所述去噪声图像的搜索单元;
在所述去噪声图像上创建一个或多个搜索点;
对于与搜索点相关联的每个搜索单元将像素强度从所述去噪声图像内插到所述搜索单元上;
基于所述内插计算所述去噪声图像上的一个或多个感兴趣点;
在所述去噪声图像上创建一个或多个中尺度感兴趣区域;
计算所述一个或多个中尺度感兴趣区域中的每一个的连通性,其中计算所述连通性包括计算感兴趣区域内所包括的感兴趣点,计算所述感兴趣区域的连通性指数,和记录与所述感兴趣区域连通的邻居;
使用所述所计算的连通性标识一个或多个连通分量,其中每个连通分量包括一组中尺度感兴趣区域,其中含于其中的每个感兴趣区域具有也含于所述中尺度感兴趣区域组中的至少一个最近邻居并且不具有来自不同组的中尺度感兴趣区域的最近邻居,并且其中所述一个或多个连通分量中的每一个表示全局曲线结构的分支;
计算所述一个或多个连通分量的一个或多个物理性质;
基于所述全局曲线结构的每个分支的所述所计算的物理性质来选择一组分支;
基于容错自适应多项式拟合修剪所述所选分支组中的每个分支;
标识每个修剪分支中的剩余感兴趣区域;
标识所述剩余感兴趣区域中的剩余感兴趣点;以及
使由所述剩余感兴趣点形成的链生长,其中所述链表示宏观全局曲线钙化动脉结构,并且
其中定量所述所检测的钙化动脉结构,并且
其中钙化动脉结构的定量值指示心脏病风险。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201662399209P | 2016-09-23 | 2016-09-23 | |
US62/399,209 | 2016-09-23 | ||
US201762482177P | 2017-04-05 | 2017-04-05 | |
US62/482,177 | 2017-04-05 | ||
PCT/US2017/053093 WO2018057984A1 (en) | 2016-09-23 | 2017-09-22 | Mapping of breast arterial calcifications |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110140128A true CN110140128A (zh) | 2019-08-16 |
CN110140128B CN110140128B (zh) | 2023-11-07 |
Family
ID=61690667
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780064376.0A Active CN110140128B (zh) | 2016-09-23 | 2017-09-22 | ***动脉钙化的映射 |
Country Status (10)
Country | Link |
---|---|
US (1) | US10973469B2 (zh) |
EP (2) | EP3985557B1 (zh) |
JP (1) | JP7212372B2 (zh) |
CN (1) | CN110140128B (zh) |
AU (1) | AU2017331352B2 (zh) |
BR (1) | BR112019005675A8 (zh) |
CA (1) | CA3038072A1 (zh) |
IL (3) | IL298488B1 (zh) |
MX (1) | MX2019003318A (zh) |
WO (1) | WO2018057984A1 (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10813612B2 (en) | 2019-01-25 | 2020-10-27 | Cleerly, Inc. | Systems and method of characterizing high risk plaques |
US20220392065A1 (en) | 2020-01-07 | 2022-12-08 | Cleerly, Inc. | Systems, methods, and devices for medical image analysis, diagnosis, risk stratification, decision making and/or disease tracking |
US11969280B2 (en) | 2020-01-07 | 2024-04-30 | Cleerly, Inc. | Systems, methods, and devices for medical image analysis, diagnosis, risk stratification, decision making and/or disease tracking |
AU2021205821A1 (en) | 2020-01-07 | 2022-07-21 | Cleerly, Inc. | Systems, methods, and devices for medical image analysis, diagnosis, risk stratification, decision making and/or disease tracking |
US11494924B2 (en) * | 2020-04-28 | 2022-11-08 | KLA Corp. | Image alignment for noisy images |
CN111667467B (zh) * | 2020-05-28 | 2021-01-26 | 江苏大学附属医院 | 基于聚类算法的下肢血管钙化指数多参数累积计算方法 |
DE102020209711A1 (de) | 2020-07-31 | 2022-02-03 | Siemens Healthcare Gmbh | Verfahren zur Bewertung von Kalzifikationen in Brustarterien |
CN113034491B (zh) * | 2021-04-16 | 2021-10-08 | 北京安德医智科技有限公司 | 一种冠脉钙化斑块检测方法及装置 |
US20230289963A1 (en) | 2022-03-10 | 2023-09-14 | Cleerly, Inc. | Systems, devices, and methods for non-invasive image-based plaque analysis and risk determination |
CN115836841A (zh) * | 2022-11-23 | 2023-03-24 | 深兰自动驾驶研究院(山东)有限公司 | 乳腺监测方法、装置和计算机可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100215238A1 (en) * | 2009-02-23 | 2010-08-26 | Yingli Lu | Method for Automatic Segmentation of Images |
US20140210821A1 (en) * | 2013-01-29 | 2014-07-31 | Siemens Aktiengesellschaft | Fast rendering of curved reformation of a 3d tubular structure |
CN104155623A (zh) * | 2013-04-17 | 2014-11-19 | 西门子公司 | 用于自动确定组织种类的磁场反转时间的方法和*** |
US20150010219A1 (en) * | 2012-02-17 | 2015-01-08 | Agfa Healthcare Nv | Method for defining a region of interest in a radiation image of a breast |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5757953A (en) * | 1996-02-29 | 1998-05-26 | Eastman Kodak Company | Automated method and system for region decomposition in digital radiographic images |
US7466848B2 (en) * | 2002-12-13 | 2008-12-16 | Rutgers, The State University Of New Jersey | Method and apparatus for automatically detecting breast lesions and tumors in images |
GB2416223A (en) | 2004-07-15 | 2006-01-18 | Medicsight Plc | Quantification of coronary artery calcification |
US7343032B2 (en) * | 2005-09-01 | 2008-03-11 | Fujifilm Corporation | Method and apparatus for automatic and dynamic vessel detection |
JP2008052701A (ja) * | 2006-07-28 | 2008-03-06 | Sony Corp | 画像処理方法、画像処理装置及びプログラム |
US7953266B2 (en) * | 2007-02-06 | 2011-05-31 | Siemens Medical Solutions Usa, Inc. | Robust vessel tree modeling |
US8086000B2 (en) * | 2007-08-27 | 2011-12-27 | Pie Medical Imaging B.V. | Method, apparatus and computer program for quantitative bifurcation analysis on angiographic images |
DE102009006636B4 (de) * | 2008-12-30 | 2016-02-18 | Siemens Aktiengesellschaft | Verfahren zur Ermittlung einer 2D-Kontur einer in 3D-Bilddaten abgebildeten Gefäßstruktur |
JP5399278B2 (ja) * | 2009-03-31 | 2014-01-29 | 富士フイルム株式会社 | 乳腺含有率推定装置及び方法 |
US8687860B2 (en) * | 2009-11-24 | 2014-04-01 | Penrad Technologies, Inc. | Mammography statistical diagnostic profiler and prediction system |
JP5556674B2 (ja) * | 2011-01-12 | 2014-07-23 | コニカミノルタ株式会社 | 医用画像表示装置及びプログラム |
CN104185858A (zh) * | 2012-01-18 | 2014-12-03 | 新加坡科技研究局 | 睑板腺成像的计算方法和装置 |
US9962124B2 (en) * | 2015-11-20 | 2018-05-08 | The Regents Of The University Of Michigan | Automated analysis of vasculature in coronary angiograms |
US11030748B2 (en) * | 2016-10-28 | 2021-06-08 | Koninklijke Philips N.V. | Automatic CT detection and visualization of active bleeding and blood extravasation |
-
2017
- 2017-09-22 BR BR112019005675A patent/BR112019005675A8/pt unknown
- 2017-09-22 AU AU2017331352A patent/AU2017331352B2/en active Active
- 2017-09-22 JP JP2019537754A patent/JP7212372B2/ja active Active
- 2017-09-22 MX MX2019003318A patent/MX2019003318A/es unknown
- 2017-09-22 CN CN201780064376.0A patent/CN110140128B/zh active Active
- 2017-09-22 WO PCT/US2017/053093 patent/WO2018057984A1/en unknown
- 2017-09-22 US US16/336,047 patent/US10973469B2/en active Active
- 2017-09-22 CA CA3038072A patent/CA3038072A1/en active Pending
- 2017-09-22 EP EP21208420.6A patent/EP3985557B1/en active Active
- 2017-09-22 IL IL298488A patent/IL298488B1/en unknown
- 2017-09-22 EP EP17854041.5A patent/EP3516585B1/en active Active
-
2019
- 2019-03-21 IL IL265547A patent/IL265547B/en active IP Right Grant
-
2021
- 2021-02-18 IL IL280969A patent/IL280969B2/en unknown
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100215238A1 (en) * | 2009-02-23 | 2010-08-26 | Yingli Lu | Method for Automatic Segmentation of Images |
US20150010219A1 (en) * | 2012-02-17 | 2015-01-08 | Agfa Healthcare Nv | Method for defining a region of interest in a radiation image of a breast |
US20140210821A1 (en) * | 2013-01-29 | 2014-07-31 | Siemens Aktiengesellschaft | Fast rendering of curved reformation of a 3d tubular structure |
CN104155623A (zh) * | 2013-04-17 | 2014-11-19 | 西门子公司 | 用于自动确定组织种类的磁场反转时间的方法和*** |
Non-Patent Citations (2)
Title |
---|
JIE-ZHI CHENG等: "Automated Delineation of Calcified Vessels in Mammography by Tracking With Uncertainty and Graphical Linking Techniques", 《IEEE XPLORE》 * |
程运福等: "基于乳腺X线图像的微钙化点区域自动检测算法研究", 《中国医学物理学杂志》 * |
Also Published As
Publication number | Publication date |
---|---|
IL298488B1 (en) | 2024-04-01 |
CA3038072A1 (en) | 2018-03-29 |
US10973469B2 (en) | 2021-04-13 |
JP7212372B2 (ja) | 2023-01-25 |
IL280969B1 (en) | 2023-01-01 |
JP2019532789A (ja) | 2019-11-14 |
MX2019003318A (es) | 2019-09-26 |
AU2017331352B2 (en) | 2022-10-13 |
WO2018057984A9 (en) | 2018-05-24 |
IL298488A (en) | 2023-01-01 |
US20190223809A1 (en) | 2019-07-25 |
WO2018057984A1 (en) | 2018-03-29 |
IL280969A (en) | 2021-04-29 |
AU2017331352A1 (en) | 2019-05-02 |
EP3985557A1 (en) | 2022-04-20 |
EP3516585A1 (en) | 2019-07-31 |
IL265547B (en) | 2021-03-25 |
BR112019005675A8 (pt) | 2023-04-11 |
EP3516585A4 (en) | 2020-07-22 |
IL280969B2 (en) | 2023-05-01 |
EP3985557B1 (en) | 2023-11-08 |
BR112019005675A2 (pt) | 2019-06-11 |
EP3516585B1 (en) | 2021-11-24 |
CN110140128B (zh) | 2023-11-07 |
IL265547A (en) | 2019-05-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110140128A (zh) | ***动脉钙化的映射 | |
Zeiser et al. | Segmentation of masses on mammograms using data augmentation and deep learning | |
US11954902B2 (en) | Generalizable medical image analysis using segmentation and classification neural networks | |
CN110459319A (zh) | 基于人工智能的乳腺钼靶图像的辅助诊断*** | |
Kallergi | Computer‐aided diagnosis of mammographic microcalcification clusters | |
US20220284584A1 (en) | Computerised tomography image processing | |
CN110120047A (zh) | 图像分割模型训练方法、图像分割方法、装置、设备及介质 | |
Bertsatos et al. | Advanced procedures for skull sex estimation using sexually dimorphic morphometric features | |
US11468570B2 (en) | Method and system for acquiring status of strain and stress of a vessel wall | |
Ţălu | Multifractal geometry in analysis and processing of digital retinal photographs for early diagnosis of human diabetic macular edema | |
EP4062362A1 (en) | Anatomical and functional assessment of coronary artery disease using machine learning | |
CN102460471A (zh) | 用于胸腔层析x射线合成成像中的计算机辅助肺结节检测的*** | |
CN109308495A (zh) | 从患者的医学图像自动预测生理状况的装置和*** | |
CN115953393B (zh) | 基于多任务学习的颅内动脉瘤检测***、设备及存储介质 | |
Lachinov et al. | Projective skip-connections for segmentation along a subset of dimensions in retinal OCT | |
Ilanchezian et al. | Interpretable gender classification from retinal fundus images using BagNets | |
WO2024074921A1 (en) | Distinguishing a disease state from a non-disease state in an image | |
Cheng et al. | Dr. Pecker: A Deep Learning-Based Computer-Aided Diagnosis System in Medical Imaging | |
RU2013122758A (ru) | Система и способ динамического приращения базы данных пациентов случаями, демонстрирующими особые характеристики | |
Niemann et al. | Interactive exploration of a 3D intracranial aneurysm wall model extracted from histologic slices | |
Lehmann et al. | Strategies to configure image analysis algorithms for clinical usage | |
Ortega-Ruiz et al. | Multiclass Semantic Segmentation of Immunostained Breast Cancer Tissue with a Deep-Learning Approach | |
Olivares et al. | Shape analysis and computational fluid simulations to assess feline left atrial function and thrombogenesis | |
JP2009181564A (ja) | 健康状態の予測推定情報の表示方法 | |
Wardhana | Automatic Segmentation and 3D Reconstruction of Liver and Tumor |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |