CN110717487A - 用于识别脑血管异常的方法和*** - Google Patents
用于识别脑血管异常的方法和*** Download PDFInfo
- Publication number
- CN110717487A CN110717487A CN201910505267.9A CN201910505267A CN110717487A CN 110717487 A CN110717487 A CN 110717487A CN 201910505267 A CN201910505267 A CN 201910505267A CN 110717487 A CN110717487 A CN 110717487A
- Authority
- CN
- China
- Prior art keywords
- blood vessel
- brain region
- region
- vessel
- cerebrovascular
- 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.)
- Pending
Links
- 230000005856 abnormality Effects 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000002792 vascular Effects 0.000 claims abstract description 20
- 238000002059 diagnostic imaging Methods 0.000 claims abstract description 18
- 210000004556 brain Anatomy 0.000 claims description 43
- 238000013527 convolutional neural network Methods 0.000 claims description 37
- 210000004204 blood vessel Anatomy 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 17
- 210000003462 vein Anatomy 0.000 claims description 9
- 210000004298 cerebral vein Anatomy 0.000 claims description 7
- 230000017531 blood circulation Effects 0.000 claims description 6
- 230000002490 cerebral effect Effects 0.000 abstract description 5
- 239000000284 extract Substances 0.000 abstract description 3
- 208000026106 cerebrovascular disease Diseases 0.000 description 9
- 238000010968 computed tomography angiography Methods 0.000 description 8
- 210000001367 artery Anatomy 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000036244 malformation Effects 0.000 description 5
- 238000002591 computed tomography Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 206010002329 Aneurysm Diseases 0.000 description 3
- 239000008280 blood Substances 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 208000022211 Arteriovenous Malformations Diseases 0.000 description 2
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 102000008186 Collagen Human genes 0.000 description 2
- 108010035532 Collagen Proteins 0.000 description 2
- 238000002583 angiography Methods 0.000 description 2
- 230000005744 arteriovenous malformation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 229920001436 collagen Polymers 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- JVTAAEKCZFNVCJ-UHFFFAOYSA-N lactic acid Chemical compound CC(O)C(O)=O JVTAAEKCZFNVCJ-UHFFFAOYSA-N 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 208000002251 Dissecting Aneurysm Diseases 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000002775 capsule Substances 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 210000001627 cerebral artery Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000000004 hemodynamic effect Effects 0.000 description 1
- 238000001990 intravenous administration Methods 0.000 description 1
- 239000004310 lactic acid Substances 0.000 description 1
- 235000014655 lactic acid Nutrition 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 239000002207 metabolite Substances 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000010412 perfusion Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000001732 thrombotic effect Effects 0.000 description 1
- 208000019553 vascular disease Diseases 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- 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
-
- 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
- A61B6/501—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 the head, e.g. neuroimaging or craniography
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- A61B6/504—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 blood vessels, e.g. by angiography
-
- 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
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/695—Preprocessing, e.g. image segmentation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2576/00—Medical imaging apparatus involving image processing or analysis
- A61B2576/02—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part
- A61B2576/026—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part for the brain
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
- A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
- A61B5/0042—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part for the brain
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4058—Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
- A61B5/4064—Evaluating the brain
-
- 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
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- 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
- A61B6/48—Diagnostic techniques
- A61B6/481—Diagnostic techniques involving the use of contrast agents
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
- G06T2207/30016—Brain
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/698—Matching; Classification
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Pathology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Heart & Thoracic Surgery (AREA)
- High Energy & Nuclear Physics (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Optics & Photonics (AREA)
- Quality & Reliability (AREA)
- Multimedia (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Neurology (AREA)
- Neurosurgery (AREA)
- Bioinformatics & Cheminformatics (AREA)
Abstract
公开了用于识别以及区分脑血管异常的***和方法。所述***包括医学成像设备,配置为捕获受试者的脑血管区的多个图像并将其传送到计算设备。所述计算设备包括一个或多个模块,配置为从捕获的图像中提取特征,将所述脑血管区分组为血管类型和非血管类型之一,以及进一步提取与所述血管相关联的特征以将所述血管上的每个点分类为非分支型、会聚型和发散型之一。所述***进一步包括用户界面模块,用于交互地查看分类结果,从而提供识别脑血管异常的方式。
Description
技术领域
本发明涉及血管疾病检测,并且更特别地涉及一种使用图像处理和卷积神经网络进行脑血管疾病检测的方法和***。
背景技术
通常,脑血管疾病包括影响脑血管以及通过脑动脉和静脉网络供应到脑的血流的多种医学病症。动脉向脑输送含氧血和其它营养物质,并且静脉将缺氧血运送回心脏,去除二氧化碳、乳酸和其它代谢产物。动脉或静脉结构的任何改变都会导致脑血管疾病,所述脑血管疾病可大致分为非动脉瘤和动脉瘤相关疾病。
脑血管疾病的早期诊断和治疗对预防发病或死亡非常重要。随着技术的进步,经常将计算机断层扫描(CT)灌注成像、数字减影血管造影、CT血管造影等用作侵入性血管造影的替代,以评估患有急性脑血管疾病的患者中的血液动力学变化并使病变可视化。例如,用于脑血管疾病检测的常规***包括计算机断层扫描(CT)扫描仪和一个或多个处理器,所述计算机断层扫描(CT)扫描仪能够采集高质量CT血管造影(CTA)图像,所述处理器在图像数据/图像中分配兴趣点(POI)。也就是说,所述一个或多个处理器基于与脑血管病症相关的确定特征在受试者的图像内的血管上分配POI,计算每个POI的一个或多个特征,并基于所计算的特征识别一个或多个脑血管异常疑似对象,其中计算所述一个或多个特征包括计算从POI到中心线的距离、计算血管半径、计算血管在POI处的平面度、计算POI处的形状指数等之一。
此外,开发了使用CTA图像来自动检测脑血管疾病的多种算法。然而,这样的算法依赖于沿着血管分支提取的局部图像特征,并且因此只能产生独立表征沿着血管分支的中心线点的局部预测。此外,由于异常的形状和外观的高度可变性,常规算法通常达不到实现真正临床效用所需的精确度水平。例如,常规***不能检测诸如脑静脉畸形的罕见异常,因为这些异常包括由异常通道桥接的动脉与静脉***之间的异常连接,所述异常通道本质上是弯曲的且非球形的。此外,常规***不能检测发育性静脉异常—异常发育的静脉束、夹层动脉瘤、血栓性动脉瘤等。
发明内容
因此,需要一种减少现有技术的至少一些缺点的***和方法。
提供本发明内容是为了以简单的方式介绍对发明构思的选择,所述发明构思将在本发明的具体实施方式中进一步描述。本发明内容不旨在确定主题的关键或基本的发明构思,也不旨在确定本发明的范围。
本发明公开了一种使用图像处理和卷积神经网络识别脑血管异常的方法和***。在本发明的一些实施方案中,所述方法包括以下步骤:对来自受试者的脑区的循环***构建虚拟表示,其中所述虚拟表示使用由医学成像设备捕获的脑区的多个图像来构建;使用卷积神经网络特征(CNN特征)将虚拟表示中的每个空间位置分类成血管类型和非血管类型;使用所述分类的输出生成血管网络的图形表示;使用多个CNN特征和导出特征将血管网络的图形表示中的每个位置进一步分类为会聚型、发散型和非分支型;在用户界面上显示血管网络的带注释的图形表示;接收在图形表示内用户选择的感兴趣区;使用图形卷积网络架构或GNU-LSTM架构之一处理所选择的感兴趣区,以识别一个或多个脑血管异常。
在一些实施方案中,本发明的***包括医学成像设备,所述医学成像设备配置为捕获受试者的脑区的多个图像并将多个图像传送到计算设备;所述计算设备包括:接收器模块,所述接收器模块配置为接收所述多个图像,并且进一步将所述图像存储在所述计算设备的存储单元中;所述计算设备进一步包括图形处理模块,所述图形处理模块配置为重建受试者的脑区中的循环***的二维或三维虚拟表示;提取器模块,所述提取器模块配置为用于实施卷积神经网络,以提取与输入图像相关联的多个特征;分类器模块,所述分类器模块配置为将血管网络的图形表示中的每个空间位置分类为会聚型、发散型和非分支型;以及用户界面模块,所述用户界面模块配置为显示血管网络的图形表示,并配置为接收在图形表示内用户选择的感兴趣区以用于进一步诊断;与所述分类器模块耦合的处理器配置为接收来自用户界面模块的输入并处理输入图形表示,以识别一个或多个脑血管异常。
附图说明
将结合附图以附加的特征和细节来描述和解释本发明,其中:
图1示出了根据本发明的多个实施方案的用于识别受试者中脑血管异常的***;
图2示出了根据本发明的多个实施方案的用于识别受试者中脑血管异常的方法;
图3示出了根据本发明的实施方案的由医学成像设备捕获的i)正常脑血管区、ii)导致脑血管异常的动脉与静脉之间的异常连接、以及iii)动静脉畸形的图像。
此外,本发明所属领域的技术人员将理解,附图中的元件是为了简单起见而示出的,并且可能不一定是按比例绘制的。此外,在设备的构造方面,可能已经在附图中用常规符号表示出所述设备的一个或多个部件,并且附图可能仅示出与理解本发明的实施方案相关的那些具体细节,以免因细节而使附图不清楚,并且对于受益于本文描述的本领域普通技术人员来说,所述细节将是显而易见的。
具体实施方式
为了促进对本发明的原理的理解,现在将参考附图中示出的实施方案,并且将使用特定语言来对其进行描述。然而,应该理解的是,不因此意图而限制本发明的范围。对本发明的这样的改变和进一步修改,以及如本文所述的本发明的原理的这样的进一步应用预期为本发明相关领域的技术人员通常会想到的,因此可认为是本发明的一部分。
本领域技术人员将理解,前面的一般性描述和下面的具体实施方式是本发明的示例和解释,并不旨在限制本发明。
术语“包括”、“包含”或其任何其它变型旨在涵盖非排他性的包含,从而使得包括步骤列表的过程或方法不仅包括那些步骤,还可以包括没有明确列出的或这样的过程或方法固有的其它步骤。类似地,在没有更多约束的情况下,前面有“包括”或“包含”的一个或多个设备或子***或元件或结构或部件并不排除存在其它设备、其它子***、其它元件、其它结构、其它部件、附加设备、附加子***、附加元件、附加结构或附加部件。在整个本说明书中出现的短语“在一个实施方案中”、“在另一实施方案中”及类似语言可以但不一定都指相同的实施方案。
除非另有定义,否则本文所用的所有技术和科学术语均具有与本发明所属领域的普通技术人员通常理解的相同的含义。本文提供的***、方法和实例只是说明性的而不旨在进行限制。
下面将参考附图详细描述本发明的实施方案。
本文的实施方案公开了使用与使用卷曲神经网络提取的特征相结合的受试者脑区中的循环***的虚拟表示来识别所述脑区中的脑血管异常的方法和***。
现在参考图1,公开了一种用于识别受试者中脑血管异常的***。所述***包括医学成像设备105,其配置为捕获受试者的脑区的多个图像。医学成像装备105可选地与用于选择感兴趣区的计算机通信,从而运行软件以优化设备105、进行校准等。医学成像设备105是例如64层或256层CT血管造影设备。通常,在使用CT血管造影设备扫描感兴趣区之前,向受试者施用静脉内放射性显影物质。医学成像设备105经由通信网络可操作地连接到计算设备110。通信网络是例如有线或无线网络。可选地,医学成像设备105还经由通信网络连接到远程服务器,从而用于存档在一段时间内由设备105捕获的医学图像数据。
计算设备110配置为操作多个模块,每个模块执行一个或多个过程,所述一个或者多个过程对从医学成像设备105接收的医学图像数据进行分析,以识别一个或多个脑血管异常。例如,计算设备110包括接收器模块112、图形处理模块114、提取器模块116、分类器模块118、用户界面模块120和耦合至存储单元的处理器122。处理器122优选为能够有效地处理图像数据的图形处理单元(GPU)。
接收器模块112从医学成像设备105接收包括与受试者的脑区有关的多个图像的医学图像数据。在一个实施方案中,接收器模块112可以包括过滤机构,其用于分类或选择脑区的最合适的图像以供进一步分析。此外,接收器模块112将图像和其它医学数据存储在计算设备110的存储单元中。
图形处理模块114配置为从由计算设备110接收的图像来重建循环***的二维或三维图。使用本领域已知的诸如表面绘制技术(surface rendering technique)、非立体对应轮廓方法(non-stereo corresponding contour method)等方法通过图形处理模块114来处理与感兴趣区(即,受试者的脑区)有关的图像,以重建描绘脑区中的血管和其它组织的循环***。将脑区的循环***的二维或三维重建称为脑区的“虚拟表示”。
提取器模块116配置为进行根据本发明的实施方案的发明性特征提取过程。利用脑区的二维或三维虚拟表示作为输入,提取器模块116执行卷积神经网络(CNN)或深度卷积神经网络以提取与虚拟表示相关联的CNN特征。在一个实例中,在计算设备110本身处实施卷积神经网络。在另一实例中,提取器模块116经由通信网络与实施卷积神经网络的计算机网络通信,其中每个计算单元充当一个“节点”。多个计算节点构成卷积神经网络的输入层、隐藏层和输出层,所述多个计算节点中的每一个节点从输入中提取特征,并且可以额外地学习待从训练数据集中提取的特征。在一个实例中,可以使用生成对抗网络(generativeadversarial network,GAN)来生成训练数据集。在另一实例中,可以将由医学成像设备105捕获并在远程服务器处存档的多个图像用作训练数据集。可以通过计算设备110的处理器122进一步处理由提取器模块116提取的多个CNN特征,以导出一个或多个附加特征,称为“导出特征(derived features)”。
通常,卷积神经网络的一个或多个层中的每个节点包括可学习的滤器,其检测与输入中的一个或多个空间位置中的每一个空间位置相关联的特定类型的特征。结果,对于由图形处理模块114提供的包括受试者的脑区的虚拟表示的输入,与卷积神经网络耦合的提取器模块116提取与虚拟表示相关联的多个特征。现在将这些特征称为“CNN特征”。还将提取的CNN特征存储在计算设备110的数据库(未示出)中。
在一个实施方式中,为了以较少的训练图像获得精确图像,将提取器模块116的卷积神经网络(CNN)布置成具有用于提取多个特征的若干层,随后是级联(concatenation)或池化(pooling)操作以提高输出图像的精度。与常规CNN模型相比,在该方法中,将该网络的连续层用于过滤特征并对图像数据进行上采样,而不是进行我们的池化操作。这导致输出的分辨率提高。
在另一实施方式中,提取器模块116实施称为胶囊神经网络的CNN的变体,其中池化操作由子和父拓扑中的层代替,使得每个子层预测来自父层的输出,以使得在一段时间内,学习收敛以提供高分辨率输出。
分类器模块118配置为对医学图像数据进行一个或多个分类处理。在一个实施方案中,分类器模块118执行功能和过程以使用由提取器模块116提取的CNN特征来将虚拟表示中的区分为血管类型和非血管类型。为了实现本发明的目的,希望具有真实循环***的高度精确表示以便更好地诊断。分类器模块118通过将脑区的虚拟表示中的区分为血管类型和诸如组织、胶原蛋白等的非血管类型,从而产生循环***的这样的精确表示。分类器模块使用作为分类器模块118的输入提供的CNN特征向量将虚拟表示中的每个空间位置识别为血管类型和非血管类型这两种类别之一。
此外,图形处理模块114配置为使用分类器模块118和提取器模块116的输出来生成由分类器模块118识别的一个或多个血管中的每一个的图形表示。具体地,图形处理模块114创建脑区中的每个血管的图形表示,其中使用由提取器模块116提取的特征(包括但不限于CNN特征)生成图形表示中的每个空间位置。CNN特征和导出特征包括例如血管中心、血管半径、纹理、血流方向、所考虑区域的体积、所考虑区域相对于脑区中心的相对位置等。此外,由图形处理模块114生成的脑区中的血管的图形表示可以是二维表示—在这种情况下,血管边缘处的尺寸与血管的厚度成正比,或者三维表示—在这种情况下,血管边缘的尺寸与通过血管的血流量成正比。应注意,诸如厚度和血流量的血管的特性通过提取器模块116提取的特征导出。
分类器模块118还配置为将由图形处理模块114生成的图形表示中的血管分类为发散型、会聚型和非分支型之一。在一个实例中,分类器模块118实施图形卷积网络(GCN)以将图形表示中的一个或多个血管中的每一个血管上的每个空间位置分类为发散型、会聚型和非分支型之一。使用颜色代码、字母数字图例等,用该分类数据进一步注释图形表示。
用户界面模块120配置为例如在图形显示界面上显示脑区中的血管的图形表示。在一个实施方案中,用户界面模块120是交互式的并且能够接收来自计算设备110的用户的指令。用户为例如医生和保健专业人员。在一个实例中,用户界面模块120在描绘受试者的脑的截面图的椭圆体中显示图形表示。用户界面模块120还配置为接收在图形表示内所选择的感兴趣区,其中感兴趣区从椭圆体的中心到圆周优选在一个方向上选择。例如,通过用户界面模块120的触摸屏接收所选择的感兴趣区。在一个实例中,用户可选择多个感兴趣区。
进一步处理用户选择的感兴趣区以识别受试者的脑区内的一个或多个脑血管异常。在一个实施方案中,将所选择的感兴趣区的图形表示内的血管网络作为输入提供给分类器模块118。分类器模块118执行第二图形卷积网络,以使用诸如发育性静脉异常(DVA)的罕见脑血管异常的属性和图形表示内的血管网络中的空间位置的特征来对所选择的感兴趣区进行分类。
在另一实施方案中,分类器模块118实施GNU-LSTM(长短期记忆网络)架构,其从图形表示中的所选择的感兴趣区中接收多个特征和血管网络中的每个空间位置的分类(即,会聚型、发散型和非分支型)。分类器模块118的输出导致可以识别不同类别的称为脑静脉畸形的罕见脑血管异常。使用LSTM架构允许分类器模块118将所选择的感兴趣区分类为多种不同类型的脑静脉畸形之一。
现在参考图2,公开了一种用于识别感兴趣区中的脑血管异常的方法。在一个实施方案中,所述方法包括以下步骤:通过计算设备110的接收器模块112从诸如CT血管造影的医学成像设备接收多个图像。所述多个图像与感兴趣区有关。具体地,所述多个图像捕获诊断中的受试者的脑区。此外,通过图形处理模块114使用多个图像重建脑区中的循环***的二维或三维虚拟表示。
在步骤205处,循环***的虚拟表示作为输入提供至提取器模块116。在该步骤处,提取器模块116在计算设备110上或在经由通信网络可操作地连接到计算设备110的计算节点的网络上实施卷积神经网络架构。提取与虚拟表示中的一个或多个空间点中的每一个相关联的多个特征,称为CNN特征。在一个实施方案中,生成对抗网络(GAN)提供了包含与感兴趣区相关联的多个图像的用于提取CNN特征的训练数据。
在步骤210处,通过分类器模块118使用提取的CNN特征将循环***的虚拟表示分类为血管和非血管。如可以理解的,虚拟表示中的血管网络内的血管结构对于达到本发明的目的是至关重要的。在虚拟表示中捕获的非血管是例如组织、胶原蛋白等,其在该步骤由分类器模块118过滤掉。
在步骤215处,使用提取的CNN特征或使用导出的特征组,通过图形处理模块114生成血管网络的二维或三维图形表示。一个或多个CNN特征和导出的特征包括,例如,血管中心、血管半径、纹理、血流方向、所考虑区域的体积、所考虑区域相对于脑区中心的相对位置等。血管网络中血管边缘的尺寸与受试者脑区内的血管的厚度或流过血管的血容量成正比。
在步骤220处,分类器模块118实施图形卷积网络(GCN)架构,以将血管网络的图形表示中的每个空间位置分类为会聚型、发散型和非分支型。将血管网络的图形表示以及多个提取和导出的特征作为输入提供给图形卷积网络。此外,血管网络的图形表示用GCN的输出进行注释,即,图形表示中的每个空间位置是彩色编码的或给出了例如字母数字图例以识别会聚型、发散型和非分支型。
在步骤225处,在用户界面模块120上显示图形表示,用于接收用户选择的感兴趣区以进行进一步诊断。用户为例如医生、保健专业人员。例如,通过计算设备110的交互式显示单元接收用户选择的感兴趣区。优选地,以椭圆体表示血管网络的三维图形表示,从而使得椭圆体的中心对应于受试者的脑区的中心。此外,例如,优选地从椭圆体的中心到其边缘以截面的形式接受用户选择的感兴趣区。
在一个实例中,由用户选择的感兴趣截面的半径与正在研究的脑血管异常的类型相关。例如,对于发育性静脉异常(DVA),通常选择较大的半径。另一方面,对于脑静脉畸形,选择较小半径的多个选择。
在步骤230处,将由用户选择的感兴趣截面作为输入提供给分类器模块118。分类器模块118进一步实施第二图形卷积网络,以使用所选择的区域的图形表示和与其相关联的特征来识别诸如DVA的罕见脑血管异常的属性。在另一个实施方案中,将由用户选择的一个或多个感兴趣截面作为输入提供给由分类器模块118实施的GNU-LSTM架构,以识别一个或多个脑静脉畸形。
图3示出了使用根据本发明的实施方案的医学成像设备105捕获的受试者的脑血管区的剖视图。3A示出了正常脑血管区的剖视图,其中在动脉和静脉中没有可见的症状性凸起或结节。3B示出了在标记为“x”的区处具有动脉与静脉之间的异常通道的受试者的剖视图。类似地,3C示出了具有动静脉畸形的受试者的剖视图,其中在没有毛细血管***的动脉与静脉之间形成异常连接。
从图3B和图3C中可以看出,动脉与静脉之间的异常连接通常看起来与人眼相似,并且鉴于这些脑血管异常大多具有非常相似的症状,因此很难正确诊断患有特定脑血管病症的受试者。通过使用本发明的***和方法,这两种病症的剖视图通过下述方式是可以区分的:捕获多个图像,提取与捕获图像中识别的脑血管区相关联的CNN特征,将循环***分组为血管和非血管,提取与感兴趣区中的血管相关联的特征,对感兴趣区中的血管上的每个点进行分类,以及使用前述公开的实施方案确定脑血管异常。
如从前述公开可显而易见的,本发明的***和方法是有利的,因为其能够识别几种类型的脑血管异常,包括使用通过诸如CT血管造影的医学成像设备的扫描通常无法检测到的罕见脑血管异常,并且可以凭借由本发明的***实施的特征训练模型来进行早期诊断。此外,所述方法允许用户利用单个扫描和特征训练模型对不同类型的脑血管异常进行诊断。其它几个优点是显而易见的。
虽然已经使用具体语言来描述本发明,但是并非旨在由此而产生任何限制。对于本领域技术人员而言显而易见的是,可以对所述方法进行多种工作修改,以便实现如本文所教导的发明构思。
附图和前面的描述给出了实施方案的实例。本领域技术人员将理解,所描述的元件中的一个或多个可以很好地组合成单个功能元件。或者,某些元件可以分成多个功能元件。可以将来自一个实施方案的元件添加到另一个实施方案中。例如,可以改变本文所述的过程的顺序,并且不限于本文所述的方式。而且,任何流程图的动作都不需要按所示的顺序实施;也不一定需要进行所有动作。此外,不依赖于其它动作的那些动作可以与其它动作同时进行。实施方案的范围决不受这些具体实例的限制。无论是否在说明书中明确给出,诸如结构、尺寸和材料使用的差异,都可以进行许多变化。实施方案的范围至少与所附权利要求给出的范围一样宽。
Claims (9)
1.一种用于识别受试者的脑区中的脑血管异常的方法,所述方法包括:
使用所述脑区的虚拟表示来提取所述脑区中的循环***的一个或多个CNN特征;
基于所述CNN特征,将所述脑区中的所述循环***分组为血管类型和非血管类型;
导出与所述血管相关联的一个或多个附加特征;
使用图形卷积网络将所述血管的每个点分类为非分支型、发散型和会聚型之一;
选择所述脑区的所述虚拟表示中的感兴趣区,其中,所述感兴趣区包含所述血管的一个或多个点;以及
使用所提取的与所述感兴趣区的所述血管或所述血管的分类或两者相关联的一个或多个特征来识别所述脑血管异常。
2.根据权利要求1所述的方法,其中,识别的所述脑血管异常包括发育性静脉异常或脑静脉畸形之一。
3.根据权利要求1所述的方法,其中,所述受试者的所述脑区的所述虚拟表示是二维或三维表示之一。
4.根据权利要求1所述的方法,其中,使用由医学成像设备捕获的多个图像来生成包括所述循环***的所述脑区的所述虚拟表示。
5.根据权利要求1所述的方法,其中,所述血管的一个或多个导出特征包括所述血管的中心、所述血管的半径、所述血管的纹理、血流方向、所述血管的容积以及所述血管相对于所述脑区的中心的相对位置。
6.根据权利要求1所述的方法,其中,将所述血管的每个点分类为非分支型、发散型和会聚型包括使用所提取的特征重建所述血管的步骤,并且其中,所述血管的边缘与血管厚度或血管容积之一成正比。
7.一种用于识别受试者的脑区中的脑血管异常的***,所述***包括:
医学成像设备,配置为捕获受试者的脑区的一个或多个图像;以及
计算设备,配置为执行用于识别脑血管异常的步骤,所述计算设备包括:
-接收器模块,配置为接受来自所述医学成像设备的所述一个或多个图像;
-图形处理模块,配置为生成所述脑区的虚拟表示;
-提取器模块,配置为提取与所述脑区的所述虚拟表示中的一个或多个血管相关联的一个或多个特征;
-分类器模块,配置为将所述血管分类为非分支型、会聚型和发散型之一,以及
-用户界面模块,配置为显示包含一个或多个血管的所述脑区的虚拟表示,
其中,所述计算设备配置为接收在所述虚拟表示中所选择的感兴趣区,以识别一个或多个脑血管异常。
8.根据权利要求7所述的***,其中,所述提取器模块配置为与计算机网络通信,以提取与所述脑区的所述循环***相关联的CNN特征。
9.根据权利要求7所述的***,其中,所述提取器模块实施卷积神经网络的一个或多个变体,以提取高分辨率输出供所述分类器模块处理。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
IN201841026289 | 2018-07-13 | ||
IN201841026289 | 2018-07-13 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110717487A true CN110717487A (zh) | 2020-01-21 |
Family
ID=65812191
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910505267.9A Pending CN110717487A (zh) | 2018-07-13 | 2019-06-12 | 用于识别脑血管异常的方法和*** |
Country Status (5)
Country | Link |
---|---|
US (1) | US10991460B2 (zh) |
EP (1) | EP3593722A1 (zh) |
JP (1) | JP7488541B2 (zh) |
CN (1) | CN110717487A (zh) |
AU (1) | AU2019205013B2 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114255235A (zh) * | 2020-09-23 | 2022-03-29 | 西门子医疗有限公司 | 用于自动定位三维图像中的器官分段的方法和布置 |
CN114283240A (zh) * | 2021-12-24 | 2022-04-05 | 深圳市铱硙医疗科技有限公司 | 脑部影像识别的***及方法 |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108776808A (zh) * | 2018-05-25 | 2018-11-09 | 北京百度网讯科技有限公司 | 一种用于检测钢包溶蚀缺陷的方法和装置 |
US11080895B2 (en) * | 2018-10-30 | 2021-08-03 | International Business Machines Corporation | Generating simulated body parts for images |
JP7271277B2 (ja) * | 2019-04-10 | 2023-05-11 | キヤノンメディカルシステムズ株式会社 | 医用画像処理装置及び医用画像処理システム |
CN113034425B (zh) * | 2019-12-25 | 2024-05-28 | 阿里巴巴集团控股有限公司 | 数据处理方法、设备及存储介质 |
WO2021162481A1 (en) * | 2020-02-11 | 2021-08-19 | Samsung Electronics Co., Ltd. | Electronic device and control method thereof |
US11816149B2 (en) | 2020-02-11 | 2023-11-14 | Samsung Electronics Co., Ltd. | Electronic device and control method thereof |
KR102289648B1 (ko) * | 2021-02-03 | 2021-08-18 | 주식회사 휴런 | 의료 영상 기반 허혈성 뇌졸중 검출 및 형태 분류 방법, 장치 및 시스템 |
KR102657687B1 (ko) * | 2022-05-24 | 2024-04-16 | 사회복지법인 삼성생명공익재단 | 뇌혈관 청크 특징을 기준으로 뇌혈관 영상을 분석하는 방법 및 분석장치 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102015202287A1 (de) * | 2015-02-10 | 2016-08-11 | Siemens Healthcare Gmbh | Verfahren zur Transformation einer Gefäßstruktur sowie Computerprogramm, maschinenlesbares Medium und bildgebendes Gerät |
CN107545269A (zh) * | 2016-06-23 | 2018-01-05 | 西门子保健有限责任公司 | 使用递归神经网络进行血管疾病检测的方法和*** |
CN107563983A (zh) * | 2017-09-28 | 2018-01-09 | 上海联影医疗科技有限公司 | 图像处理方法以及医学成像设备 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011004923A (ja) * | 2009-06-25 | 2011-01-13 | Toshiba Corp | 医用画像処理装置 |
US9349176B2 (en) | 2009-07-15 | 2016-05-24 | Mayo Foundation For Medical Education And Research | Computer-aided detection (CAD) of intracranial aneurysms |
US9814531B2 (en) * | 2011-08-26 | 2017-11-14 | EBM Corporation | System for diagnosing bloodflow characteristics, method thereof, and computer software program |
US10206587B2 (en) * | 2014-05-16 | 2019-02-19 | Toshiba Medical Systems Corporation | Image processing apparatus, image processing method, and storage medium |
JP6271458B2 (ja) * | 2015-02-25 | 2018-01-31 | 富士フイルム株式会社 | 画像処理装置、方法、及びプログラム |
JPWO2017047819A1 (ja) * | 2015-09-18 | 2018-08-02 | イービーエム株式会社 | 血管形状分析装置、その方法、及びそのコンピュータソフトウェアプログラム |
JP6525912B2 (ja) * | 2016-03-23 | 2019-06-05 | 富士フイルム株式会社 | 画像分類装置、方法およびプログラム |
US10740651B2 (en) * | 2016-10-27 | 2020-08-11 | General Electric Company | Methods of systems of generating virtual multi-dimensional models using image analysis |
WO2018106713A1 (en) * | 2016-12-06 | 2018-06-14 | Darmiyan, Inc. | Methods and systems for identifying brain disorders |
-
2019
- 2019-03-14 EP EP19162807.2A patent/EP3593722A1/en active Pending
- 2019-03-26 US US16/365,548 patent/US10991460B2/en active Active
- 2019-03-29 JP JP2019067305A patent/JP7488541B2/ja active Active
- 2019-06-12 CN CN201910505267.9A patent/CN110717487A/zh active Pending
- 2019-07-12 AU AU2019205013A patent/AU2019205013B2/en active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102015202287A1 (de) * | 2015-02-10 | 2016-08-11 | Siemens Healthcare Gmbh | Verfahren zur Transformation einer Gefäßstruktur sowie Computerprogramm, maschinenlesbares Medium und bildgebendes Gerät |
CN107545269A (zh) * | 2016-06-23 | 2018-01-05 | 西门子保健有限责任公司 | 使用递归神经网络进行血管疾病检测的方法和*** |
CN107563983A (zh) * | 2017-09-28 | 2018-01-09 | 上海联影医疗科技有限公司 | 图像处理方法以及医学成像设备 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114255235A (zh) * | 2020-09-23 | 2022-03-29 | 西门子医疗有限公司 | 用于自动定位三维图像中的器官分段的方法和布置 |
CN114283240A (zh) * | 2021-12-24 | 2022-04-05 | 深圳市铱硙医疗科技有限公司 | 脑部影像识别的***及方法 |
Also Published As
Publication number | Publication date |
---|---|
EP3593722A1 (en) | 2020-01-15 |
US10991460B2 (en) | 2021-04-27 |
US20200020435A1 (en) | 2020-01-16 |
JP2020011042A (ja) | 2020-01-23 |
AU2019205013A1 (en) | 2020-01-30 |
AU2019205013B2 (en) | 2021-04-29 |
JP7488541B2 (ja) | 2024-05-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2019205013B2 (en) | Method and system for identification of cerebrovascular abnormalities | |
US11501485B2 (en) | System and method for image-based object modeling using multiple image acquisitions or reconstructions | |
US9514530B2 (en) | Systems and methods for image-based object modeling using multiple image acquisitions or reconstructions | |
US11364002B2 (en) | Medical-image processing apparatus and medical-image diagnostic apparatus | |
US11468570B2 (en) | Method and system for acquiring status of strain and stress of a vessel wall | |
US20230076868A1 (en) | Systems and methods for utilizing synthetic medical images generated using a neural network | |
US20060211940A1 (en) | Blood vessel structure segmentation system and method | |
US20200170519A1 (en) | Fluid analysis apparatus, method for operating fluid analysis apparatus, and fluid analysis program | |
WO2018159708A1 (ja) | 血流解析装置および方法並びにプログラム | |
JP2022550267A (ja) | 血流予備量比を決定するための画像データの自動解析 | |
CN110546684B (zh) | 时变数据的定量评估 | |
JP7502125B2 (ja) | 医用画像処理装置、医用画像処理システム、及び、医用画像処理方法 | |
US20240122563A1 (en) | Medical image processing device, medical image processing method, and storage medium | |
JP7059391B2 (ja) | 流体解析装置、方法およびプログラム | |
Ogiela et al. | Cognitive methods for semantic image analysis in medical imaging applications | |
Hachaj et al. | Computer-aided intelligent diagnostics of dynamic perfusion CT maps |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40021642 Country of ref document: HK |
|
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |