CN110827255A - 一种基于冠状动脉ct图像的斑块稳定性预测方法及*** - Google Patents
一种基于冠状动脉ct图像的斑块稳定性预测方法及*** Download PDFInfo
- Publication number
- CN110827255A CN110827255A CN201911053961.8A CN201911053961A CN110827255A CN 110827255 A CN110827255 A CN 110827255A CN 201911053961 A CN201911053961 A CN 201911053961A CN 110827255 A CN110827255 A CN 110827255A
- Authority
- CN
- China
- Prior art keywords
- plaque
- image
- neural network
- coronary artery
- different resolutions
- 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
- 210000004351 coronary vessel Anatomy 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000003062 neural network model Methods 0.000 claims abstract description 53
- 230000002093 peripheral effect Effects 0.000 claims abstract description 15
- 238000013528 artificial neural network Methods 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 18
- 238000002608 intravascular ultrasound Methods 0.000 claims description 16
- 238000005070 sampling Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 238000011478 gradient descent method Methods 0.000 claims description 9
- 210000004204 blood vessel Anatomy 0.000 abstract description 10
- 239000000284 extract Substances 0.000 abstract description 9
- 239000000523 sample Substances 0.000 abstract description 5
- 230000006378 damage Effects 0.000 abstract description 4
- 238000013135 deep learning Methods 0.000 description 8
- 208000029078 coronary artery disease Diseases 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 208000024827 Alzheimer disease Diseases 0.000 description 2
- 208000037260 Atherosclerotic Plaque Diseases 0.000 description 2
- 206010006187 Breast cancer Diseases 0.000 description 2
- 208000026310 Breast neoplasm Diseases 0.000 description 2
- 206010012689 Diabetic retinopathy Diseases 0.000 description 2
- 206010061218 Inflammation Diseases 0.000 description 2
- 239000013543 active substance Substances 0.000 description 2
- 210000000577 adipose tissue Anatomy 0.000 description 2
- 238000013170 computed tomography imaging Methods 0.000 description 2
- 210000002808 connective tissue Anatomy 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 230000002757 inflammatory effect Effects 0.000 description 2
- 230000004054 inflammatory process Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000003076 paracrine Effects 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 230000007505 plaque formation Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000002685 pulmonary effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000000405 serological effect Effects 0.000 description 2
- 210000002966 serum Anatomy 0.000 description 2
- 208000017520 skin disease Diseases 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000002792 vascular Effects 0.000 description 2
- 208000031481 Pathologic Constriction Diseases 0.000 description 1
- 206010049418 Sudden Cardiac Death Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 208000010125 myocardial infarction Diseases 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000036262 stenosis Effects 0.000 description 1
- 208000037804 stenosis Diseases 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
- A61B6/50—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
- A61B6/5205—Devices using data or image processing specially adapted for radiation diagnosis involving processing of raw data to produce diagnostic data
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Theoretical Computer Science (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- High Energy & Nuclear Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Physiology (AREA)
- Vascular Medicine (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Artificial Intelligence (AREA)
- Pulmonology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种基于冠状动脉CT图像的斑块稳定性预测方法及***，包括：基于目标对象的冠状动脉CT图像确定斑块位置；基于斑块位置提取斑块及周围脂肪图像；基于斑块及周围脂肪图像获取不同分辨率图像块；基于不同分辨率图像块，通过神经网络模型获取斑块稳定性预测结果。本发明的基于冠状动脉CT图像的斑块稳定性预测方法及***基于冠状动脉CT图像确定斑块位置，提取斑块及周围脂肪图像，进而通过神经网络模型获取斑块稳定性预测结果，不需要超声探头在血管内测量斑块性质，不会损伤患者的血管，自动化程度高，高效便捷，能极大减轻患者痛苦和经济负担，有相当大的临床应用潜力。
Description
技术领域
本发明属于人工智能技术领域，更具体地，涉及一种基于冠状动脉CT图像的斑块稳定性预测方法及***。
背景技术
冠状动脉不稳定斑块是指冠状动脉中具有轻到中等狭窄且倾向破裂或溃疡的部分，它通常可以引起冠心病、心肌梗死和心源性猝死等。因此，寻找并预防冠状动脉不稳定斑块，是防治冠心病的重要手段，斑块稳定性预测是至关重要的。
目前临床上主要通过导管手术利用血管内超声探头测量斑块性质，并进一步判断斑块的属性，该方法成本高，对患者损伤大，且会造成动脉穿刺处血管内皮损伤，继发斑块形成、管腔狭窄，增加患者急性心脑血管事件风险。因此，特别需要开发一种能够便捷高效、高度自动化的无创伤预测斑块的方法。
发明内容
本发明的目的是提出一种能够便捷高效、高度自动化的无创伤预测斑块的基于冠状动脉CT图像的斑块稳定性预测方法及***。
根据本发明的一方面，提出了一种基于冠状动脉CT图像的斑块稳定性预测方法，包括：基于目标对象的冠状动脉CT图像确定斑块位置；基于所述斑块位置提取斑块及周围脂肪图像；基于所述斑块及周围脂肪图像获取不同分辨率图像块；基于所述不同分辨率图像块，通过神经网络模型获取斑块稳定性预测结果。
优选的，所述基于所述斑块及周围脂肪图像获取不同分辨率图像块包括：将提取的斑块及周围脂肪图像进行多次采样处理，获得不同分辨率图像块。
优选的，通过以下步骤获得所述神经网络模型：获取多个现有冠状动脉CT图像以及每个现有冠状动脉CT图像对应的血管内超声检查结果；针对每个现有冠状动脉CT图像，确定斑块位置，并基于所述斑块位置提取斑块及周围脂肪图像，获取与斑块及周围脂肪图像对应的不同分辨率图像块；以每个现有冠状动脉CT图像对应的不同分辨率图像块作为模型输入，以其对应的血管内超声检查结果作为模型输出结果的金标准，利用随机梯度下降法进行训练，获得所述神经网络模型。
优选的，所述神经网络模型包括多个数据输入端及与每个数据输入端对应的特征提取子网络。
优选的，将不同分辨率图像块分别输入所述神经网络模型的不同数据输入端，通过对应的特征提取子网络获取对应的图像特征；基于不同分辨率图像块对应的图像特征，利用所述神经网络的全连接网络层和Softmax函数获取斑块稳定性最终预测结果。
优选的，以所述斑块位置为中心，提取预设边长的立方体内的斑块及周围脂肪图像。
根据本发明的另一方面，提出了一种基于冠状动脉CT图像的斑块稳定性预测***，该***包括：存储器，存储有计算机可执行指令；处理器，所述处理器运行所述存储器中的计算机可执行指令，执行以下步骤：基于目标对象的冠状动脉CT图像确定斑块位置；基于所述斑块位置提取斑块及周围脂肪图像；基于所述斑块及周围脂肪图像获取不同分辨率图像块；基于所述不同分辨率图像块，通过神经网络模型获取斑块稳定性预测结果。
优选的，所述基于所述斑块及周围脂肪图像获取不同分辨率图像块包括：将提取的斑块及周围脂肪图像进行多次采样处理，获得不同分辨率图像块。
优选的，通过以下步骤获得所述神经网络模型：获取多个现有冠状动脉CT图像以及每个现有冠状动脉CT图像对应的血管内超声检查结果；针对每个现有冠状动脉CT图像，确定斑块位置，并基于所述斑块位置提取斑块及周围脂肪图像，获取与斑块及周围脂肪图像对应的不同分辨率图像块；以每个现有冠状动脉CT图像对应的不同分辨率图像块作为模型输入，以其对应的血管内超声检查结果作为为模型输出结果的金标准，利用随机梯度下降法进行训练，获得所述神经网络模型。
优选的，所述神经网络模型包括多个数据输入端及与每个数据输入端对应特征提取子网络。
优选的，将不同分辨率图像块分别输入所述神经网络模型的不同数据输入端，通过对应的特征提取子网络获取对应的图像特征；基于不同分辨率图像块对应的图像特征，利用所述神经网络的全连接网络层和Softmax函数获取斑块稳定性最终预测结果。
优选的，以所述斑块位置为中心，提取预设边长的立方体内的斑块及周围脂肪图像。
本发明的有益效果在于：本发明的基于冠状动脉CT图像的斑块稳定性预测方法及***基于冠状动脉CT图像确定斑块位置，提取斑块及周围脂肪图像，进而通过神经网络模型获取斑块稳定性预测结果，不需要超声探头在血管内测量斑块性质，不会损伤患者的血管，自动化程度高，高效便捷，能极大减轻患者痛苦和经济负担，有相当大的临床应用潜力。
本发明的方法及***具有其它的特性和优点，这些特性和优点从并入本文中的附图和随后的具体实施例中将是显而易见的，或者将在并入本文中的附图和随后的具体实施例中进行详细陈述，这些附图和具体实施例共同用于解释本发明的特定原理。
附图说明
通过结合附图对本发明示例性实施方式进行更详细的描述，本发明的上述以及其它目的、特征和优势将变得更加明显，其中，在本发明示例性实施方式中，相同的参考标号通常代表相同部件。
图1示出了根据本发明的一个实施例的基于冠状动脉CT图像的斑块稳定性预测方法的流程图。
具体实施方式
下面将更详细地描述本发明的优选实施方式。虽然以下描述了本发明的优选实施方式，然而应该理解，可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了使本发明更加透彻和完整，并且能够将本发明的范围完整地传达给本领域的技术人员。
根据本发明的一种基于冠状动脉CT图像的斑块稳定性预测方法，包括：基于目标对象的冠状动脉CT图像确定斑块位置；基于斑块位置提取斑块及周围脂肪图像；基于斑块及周围脂肪图像获取不同分辨率图像块；基于不同分辨率图像块，通过神经网络模型获取斑块稳定性预测结果。
冠状动脉周围脂肪(PCAT)是指冠状动脉三大主要分支血管外膜周围的脂肪组织。PCAT通过旁分泌途径产生脂肪因子、炎性因子等活性物质，调节血管壁重构和血管周围炎症，参与斑块形成与演变过程，有望成为冠心病诊疗“新靶点”。有研究证实PCAT表型特征在不同性质冠状动脉粥样硬化斑块间存在差异，对斑块易损性评估意义重大。
以AlexNet为起始的神经网络复兴已经持续十余年，这期间深度神经网络在计算机视觉、自然语言处理、游戏等领域取得了令人瞩目的成绩，随着图灵奖的肯定，深度学习的学术地位终于实至名归。在众多深度学习热门领域中，医学图像分析可谓是风生水起，在肺结节筛查、乳腺癌病理图片识别、皮肤病图片分类、糖尿病性视网膜病变检测、阿尔兹海默症诊断等各个方面深度学习都有不俗的表现。虽然深度学习在医学图像领域已经取得了长足进步，但在斑块预测问题中尚未有工作涉及。
具体地，基于目标对象的冠状动脉CT图像通过人工识别确定斑块位置，基于斑块位置提取斑块及周围脂肪图像，基于斑块及周围脂肪图像获取不同分辨率图像块，作为后续分析斑块稳定性的数据材料，进而通过神经网络模型获取斑块稳定性预测结果。
根据示例性的实施方式，基于冠状动脉CT图像的斑块稳定性预测方法基于冠状动脉CT成像选定目标斑块位置，提取斑块及周围脂肪图像数据，作为后续分析斑块稳定性的数据材料，利用深度神经网络分析斑块及周围脂肪图像得到斑块稳定性预测结果，不需要超声探头在血管内测量斑块性质，不会损伤患者的血管，自动化程度高，高效便捷，能极大减轻患者痛苦和经济负担，有相当大的临床应用潜力。
作为优选方案，基于斑块及周围脂肪图像获取不同分辨率图像块包括：将提取的斑块及周围脂肪图像进行多次采样处理，获得不同分辨率图像块。
具体的，将提取的斑块及周围脂肪图像分别进行多次采样处理，每次采样处理后的图像块分辨率不同，进而获得多个不同分辨率图像块。
作为优选方案，通过以下步骤获得神经网络模型：获取多个现有冠状动脉CT图像以及每个现有冠状动脉CT图像对应的血管内超声检查结果；针对每个现有冠状动脉CT图像，确定斑块位置，并基于斑块位置提取斑块及周围脂肪图像，获取与斑块及周围脂肪图像对应的不同分辨率图像块；以每个现有冠状动脉CT图像对应的不同分辨率图像块作为模型输入，以其对应的超声检查结果作为模型输出结果的金标准，利用随机梯度下降法进行训练，获得神经网络模型。
深度神经网络从原始的输入提取简单的特征，并以此为基础逐步提取更复杂的抽象特征直至最终结果。这个提取对象抽象特征的过程可能需要经过很多次，此所谓深度。
具体的，以现有冠状动脉CT图像以及对应的血管内超声检查结果为基础，针对每个现有冠状动脉CT图像，确定斑块位置，基于斑块位置提取斑块及周围脂肪图像，进而获取与斑块及周围脂肪图像对应的不同分辨率图像块，将每个现有冠状动脉CT图像对应的不同分辨率图像块作为神经网络模型的数据输入，以其对应的血管内超声检查结果作为神经网络模型输出结果的金标准，利用随机梯度下降法进行训练，进而获得神经网络模型。
神经网络为多通路卷积神经网络，以交叉熵为模型训练的损失函数，以随机梯度下降算法训练模型。
作为优选方案，神经网络模型包括多个数据输入端及与每个数据输入端对应特征提取子网络。
具体的，神经网络模型为多通路神经网络模型，包括多个数据输入端及与每个数据输入端对应的特征提取子网络，通过对应的特征提取网络获得与数据输入端对应的图像特征。
作为优选方案，将不同分辨率图像块分别输入神经网络模型的不同数据输入端，通过对应的特征提取子网络获取对应的图像特征；基于不同分辨率图像块对应的图像特征，利用神经网络的全连接网络层和Softmax函数获取斑块稳定性最终预测结果。
具体的，将不同分辨率图像块作为神经网络模型的不同数据输入端，经过对应的特征提取子网络计算获得与数据输入端对应的图像特征，基于不同数据输入端对应的图像特征，利用全连接层和Softmax函数获取斑块稳定性预测结果。各子网络由卷积层、池化层、上采样层等模块组合而成，通过随机梯度下降算法训练模型时，网络能自动学习到最具判定能力的图像特征。
作为优选方案，以斑块位置为中心，提取预设边长的立方体内的斑块及脂肪图像。
具体的，以斑块位置为中心，提取预设边长的立方体内的斑块及脂肪图像。
在一个示例中，将血清生化物参数、体征参数输入作为神经网络模型的数据输入端。
具体的，将患者血清生化物、体征等参数输入到深度神经网络中，结合图像共同预测斑块稳定性。
在一个示例中，诊断报告中包括斑块稳定性预测结果。
根据本发明的另一方面，提出了一种基于冠状动脉CT图像的斑块稳定性预测***，该***包括：存储器，存储有计算机可执行指令；处理器，处理器运行存储器中的计算机可执行指令，执行以下步骤：基于目标对象的冠状动脉CT图像确定斑块位置；基于斑块位置提取斑块及周围脂肪图像；基于斑块及周围脂肪图像获取不同分辨率图像块；基于不同分辨率图像块，通过神经网络模型获取斑块稳定性预测结果。
冠状动脉周围脂肪(PCAT)是指冠状动脉三大主要分支血管外膜周围的脂肪组织。PCAT通过旁分泌途径产生脂肪因子、炎性因子等活性物质，调节血管壁重构和血管周围炎症，参与斑块形成与演变过程，有望成为冠心病诊疗“新靶点”。有研究证实PCAT表型特征在不同性质冠状动脉粥样硬化斑块间存在差异，对斑块易损性评估意义重大。
以AlexNet为起始的神经网络复兴已经持续十余年，这期间深度神经网络在计算机视觉、自然语言处理、游戏等领域取得了令人瞩目的成绩，随着图灵奖的肯定，深度学习的学术地位终于实至名归。在众多深度学习热门领域中，医学图像分析可谓是风生水起，在肺结节筛查、乳腺癌病理图片识别、皮肤病图片分类、糖尿病性视网膜病变检测、阿尔兹海默症诊断等各个方面深度学习都有不俗的表现。虽然深度学习在医学图像领域已经取得了长足进步，但在斑块预测问题中尚未有工作涉及。
具体地，基于目标对象的冠状动脉CT图像通过人工识别确定斑块位置，也可以通过智能图像识别确定斑块位置，基于斑块位置提取斑块及周围脂肪图像，基于斑块及周围脂肪图像获取不同分辨率图像块，作为后续分析斑块稳定性的数据材料，进而通过神经网络模型获取斑块稳定性预测结果。
根据示例性的实施方式，基于冠状动脉CT图像的斑块稳定性预测方法基于冠状动脉CT成像选定目标斑块位置，提取斑块及周围脂肪图像数据，作为后续分析斑块稳定性的数据材料，利用深度神经网络分析斑块及周围脂肪图像得到斑块稳定性预测结果，不需要超声探头在血管内测量斑块性质，不会损伤患者的血管，自动化程度高，高效便捷，能极大减轻患者痛苦和经济负担，有相当大的临床应用潜力。
作为优选方案，基于斑块及周围脂肪图像获取不同分辨率图像块包括：将提取的斑块及周围脂肪图像进行多次采样处理，获得不同分辨率图像块。
具体的，将提取的斑块及周围脂肪图像分别进行多次采样处理，每次采样处理后的图像块分辨率不同，进而获得多个不同分辨率图像块。
作为优选方案，通过以下步骤获得神经网络模型：获取多个现有冠状动脉CT图像以及每个现有冠状动脉CT图像对应的血管内超声检查结果；针对每个现有冠状动脉CT图像，确定斑块位置，并基于斑块位置提取斑块及周围脂肪图像，获取与斑块及周围脂肪图像对应的不同分辨率图像块；以每个现有冠状动脉CT图像对应的不同分辨率图像块作为模型输入，以其对应的超声检查结果作为模型输出结果的金标准，利用随机梯度下降法进行训练，获得神经网络模型。
深度神经网络从原始的输入提取简单的特征，并以此为基础逐步提取更复杂的抽象特征直至最终结果。这个提取对象抽象特征的过程可能需要经过很多次，此所谓深度。
具体的，以现有冠状动脉CT图像以及对应的血管内超声检查结果为基础，针对每个现有冠状动脉CT图像，确定斑块位置，基于斑块位置提取斑块及周围脂肪图像，进而获取与斑块及周围脂肪图像对应的不同分辨率图像块，将每个现有冠状动脉CT图像对应的不同分辨率图像块作为神经网络模型的数据输入，以其对应的血管内超声检查结果作为神经网络模型输出结果的金标准，利用随机梯度下降法进行训练，进而获得神经网络模型。
神经网络为多通路卷积神经网络，以交叉熵为模型训练的损失函数，以随机梯度下降算法训练模型。
作为优选方案，神经网络模型包括多个数据输入端及与每个数据输入端对应的特征提取子网络。
具体的，神经网络模型为多通路神经网络模型，包括多个数据输入端及与每个数据输入端对应的特征提取子网络，通过对应的特征提取网络获得与数据输入端对应的图像特征。
作为优选方案，将不同分辨率图像块分别输入神经网络模型的不同数据输入端，通过对应的特征提取子网络获取对应的图像特征；基于不同分辨率图像块对应的图像特征，利用神经网络的全连接网络层和Softmax函数获取斑块稳定性最终预测结果。
具体的，将不同分辨率图像块作为神经网络模型的不同数据输入端，经过对应的特征提取子网络计算获得与数据输入端对应的图像特征，基于不同数据输入端对应的图像特征，利用全连接层和Softmax函数获取斑块稳定性预测结果。各子网络由卷积层、池化层、上采样层等模块组合而成，通过随机梯度下降算法训练模型时，网络能自动学习到最具判定能力的图像特征。
作为优选方案，以斑块位置为中心，提取预设边长立方体内的斑块及脂肪图像。
具体的，以斑块位置为中心，提取预设边长立方体内的斑块及脂肪图像。
在一个示例中，将血清生化物参数、体征参数输入作为神经网络模型的数据输入端。
具体的，将患者血清生化物、体征等参数输入到深度神经网络中，结合图像共同预测斑块稳定性。
在一个示例中，诊断报告中包括斑块稳定性预测结果。
在一个示例中，预测***安装在后处理工作站或者其它能与CT设备或PACS***互联的计算机上。
具体的，预测***与CT或者PACS***通信，从中抓取冠状动脉CT数据，并以列表形式显示。操作员只需在本***中选定需分析的案例，双击打开图像，点击图像中目标斑块位置，***会自动提取对应图像区域，分析计算，给出斑块稳定性预测结果。
实施例
图1示出了根据本发明的一个实施例的基于冠状动脉CT图像的斑块稳定性预测方法的流程图。
如图1所示，该基于冠状动脉CT图像的斑块稳定性预测方法，包括：
S102：基于目标对象的冠状动脉CT图像确定斑块位置；
S104：基于斑块位置提取斑块及周围脂肪图像；
其中，以斑块位置为中心，提取预设边长立方体内的斑块及脂肪图像；
S106：基于斑块及周围脂肪图像获取不同分辨率图像块；
其中，基于斑块及周围脂肪图像获取不同分辨率图像块包括：将提取的斑块及周围脂肪图像进行多次采样处理，获得不同分辨率图像块；
S108：基于不同分辨率图像块，通过神经网络模型获取斑块稳定性预测结果；
其中，通过以下步骤获得神经网络模型：获取多个现有冠状动脉CT图像以及每个现有冠状动脉CT图像对应的血管内超声检查结果；针对每个现有冠状动脉CT图像，确定斑块位置，并基于斑块位置提取斑块及周围脂肪图像，获取与斑块及周围脂肪图像对应的不同分辨率图像块；以每个现有冠状动脉CT图像对应的不同分辨率图像块作为模型输入，以其对应的血管内超声检查结果作为神经网络模型输出结果的金标准，利用随机梯度下降法进行训练，获得神经网络模型。
其中，神经网络模型包括多个数据输入端及与每个数据输入端对应的特征提取子网络；
其中，将不同分辨率图像块分别输入神经网络模型的不同数据输入端，通过对应的特征提取子网络获取对应的图像特征；基于不同分辨率图像块对应的图像特征，利用神经网络的全连接网络层和Softmax函数获取斑块稳定性最终预测结果。
以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。
Claims (10)
1.一种基于冠状动脉CT图像的斑块稳定性预测方法，其特征在于，包括：
基于目标对象的冠状动脉CT图像确定斑块位置；
基于所述斑块位置提取斑块及周围脂肪图像；
基于所述斑块及周围脂肪图像获取不同分辨率图像块；
基于所述不同分辨率图像块，通过神经网络模型获取斑块稳定性预测结果。
2.根据权利要求1所述的斑块稳定性预测方法，其特征在于，所述基于所述斑块及周围脂肪图像获取不同分辨率图像块包括：
将提取的斑块及周围脂肪图像进行多次采样处理，获得不同分辨率图像块。
3.根据权利要求1所述的斑块稳定性预测方法，其特征在于，通过以下步骤获得所述神经网络模型：
获取多个现有冠状动脉CT图像以及每个现有冠状动脉CT图像对应的血管内超声检查结果；
针对每个现有冠状动脉CT图像，确定斑块位置，并基于所述斑块位置提取斑块及周围脂肪图像，获取与斑块及周围脂肪图像对应的不同分辨率图像块；
以每个现有冠状动脉CT图像对应的不同分辨率图像块作为模型输入，以其对应的血管内超声检查结果作为模型输出结果的金标准，利用随机梯度下降法进行训练，获得所述神经网络模型。
4.根据权利要求2所述的斑块稳定性预测方法，其特征在于，所述神经网络模型包括多个数据输入端及与每个数据输入端对应特征提取子网络。
5.根据权利要求4所述的斑块稳定性预测方法，其特征在于，将不同分辨率图像块分别输入所述神经网络模型的不同数据输入端，通过对应的特征提取子网络获取对应的图像特征；基于不同分辨率图像块对应的图像特征，利用所述神经网络的全连接网络层和Softmax函数获取斑块稳定性最终预测结果。
6.根据权利要求1所述的斑块稳定性预测方法，其特征在于，以所述斑块位置为中心，提取预设边长的立方体内的斑块及周围脂肪图像。
7.一种基于冠状动脉CT图像的斑块稳定性预测***，其特征在于，该***包括：
存储器，存储有计算机可执行指令；
处理器，所述处理器运行所述存储器中的计算机可执行指令，执行以下步骤：
基于目标对象的冠状动脉CT图像确定斑块位置；
基于所述斑块位置提取斑块及周围脂肪图像；
基于所述斑块及周围脂肪图像获取不同分辨率图像块；
基于所述不同分辨率图像块，通过神经网络模型获取斑块稳定性预测结果。
8.根据权利要求7所述的斑块稳定性预测***，其特征在于，所述基于所述斑块及周围脂肪图像获取不同分辨率图像块包括：
将提取的斑块及周围脂肪图像进行多次采样处理，获得不同分辨率图像块。
9.根据权利要求8所述的斑块稳定性预测***，其特征在于，通过以下步骤获得所述神经网络模型：
获取多个现有冠状动脉CT图像以及每个现有冠状动脉CT图像对应的血管内超声检查结果；
针对每个现有冠状动脉CT图像，确定斑块位置，并基于所述斑块位置提取斑块及周围脂肪图像，获取与斑块及周围脂肪图像对应的不同分辨率图像块；
以每个现有冠状动脉CT图像对应的不同分辨率图像块作为模型输入，以其对应的血管内超声检查结果作为模型输出结果的金标准，利用随机梯度下降法进行训练，获得所述神经网络模型。
10.根据权利要求8所述的斑块稳定性预测***，其特征在于，以所述斑块位置为中心，提取预设边长的立方体内的脂肪图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911053961.8A CN110827255A (zh) | 2019-10-31 | 2019-10-31 | 一种基于冠状动脉ct图像的斑块稳定性预测方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911053961.8A CN110827255A (zh) | 2019-10-31 | 2019-10-31 | 一种基于冠状动脉ct图像的斑块稳定性预测方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110827255A true CN110827255A (zh) | 2020-02-21 |
Family
ID=69551822
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911053961.8A Pending CN110827255A (zh) | 2019-10-31 | 2019-10-31 | 一种基于冠状动脉ct图像的斑块稳定性预测方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110827255A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113077432A (zh) * | 2021-03-30 | 2021-07-06 | 中国人民解放军空军军医大学 | 基于冠状动脉cta图像粥样硬化斑块综合特征的患者危险度分级*** |
| CN113657479A (zh) * | 2021-08-12 | 2021-11-16 | 广东省人民医院 | 一种新型多尺度深宽结合的病理图片分类方法、***及介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130094749A1 (en) * | 2011-10-14 | 2013-04-18 | Fujifilm Corporation | Model-based coronary artery calcium scoring |
| CN103917166A (zh) * | 2011-08-17 | 2014-07-09 | Vp诊断公司 | 一种表征颈动脉斑块的方法和*** |
| CN106056126A (zh) * | 2015-02-13 | 2016-10-26 | 西门子公司 | 医学成像中的斑块易损性评定 |
| CN106974622A (zh) * | 2017-04-06 | 2017-07-25 | 上海交通大学 | 基于光学相干断层成像的斑块稳定性测量方法及*** |
| CN107730497A (zh) * | 2017-10-27 | 2018-02-23 | 哈尔滨工业大学 | 一种基于深度迁移学习的血管内斑块属性分析方法 |
| CN107993228A (zh) * | 2017-12-15 | 2018-05-04 | 中国人民解放军总医院 | 一种基于心血管oct影像的易损斑块自动检测方法和装置 |
| CN108257674A (zh) * | 2018-01-24 | 2018-07-06 | 龙马智芯（珠海横琴）科技有限公司 | 疾病预测方法和装置、设备、计算机可读存储介质 |
| CN108268870A (zh) * | 2018-01-29 | 2018-07-10 | 重庆理工大学 | 基于对抗学习的多尺度特征融合超声图像语义分割方法 |
| CN110223781A (zh) * | 2019-06-03 | 2019-09-10 | 中国医科大学附属第一医院 | 一种多维度斑块破裂风险预警*** |
-
2019
- 2019-10-31 CN CN201911053961.8A patent/CN110827255A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103917166A (zh) * | 2011-08-17 | 2014-07-09 | Vp诊断公司 | 一种表征颈动脉斑块的方法和*** |
| US20130094749A1 (en) * | 2011-10-14 | 2013-04-18 | Fujifilm Corporation | Model-based coronary artery calcium scoring |
| CN106056126A (zh) * | 2015-02-13 | 2016-10-26 | 西门子公司 | 医学成像中的斑块易损性评定 |
| CN106974622A (zh) * | 2017-04-06 | 2017-07-25 | 上海交通大学 | 基于光学相干断层成像的斑块稳定性测量方法及*** |
| CN107730497A (zh) * | 2017-10-27 | 2018-02-23 | 哈尔滨工业大学 | 一种基于深度迁移学习的血管内斑块属性分析方法 |
| CN107993228A (zh) * | 2017-12-15 | 2018-05-04 | 中国人民解放军总医院 | 一种基于心血管oct影像的易损斑块自动检测方法和装置 |
| CN108257674A (zh) * | 2018-01-24 | 2018-07-06 | 龙马智芯（珠海横琴）科技有限公司 | 疾病预测方法和装置、设备、计算机可读存储介质 |
| CN108268870A (zh) * | 2018-01-29 | 2018-07-10 | 重庆理工大学 | 基于对抗学习的多尺度特征融合超声图像语义分割方法 |
| CN110223781A (zh) * | 2019-06-03 | 2019-09-10 | 中国医科大学附属第一医院 | 一种多维度斑块破裂风险预警*** |
Non-Patent Citations (2)
| Title |
|---|
| NICOLA GAIBAZZI 等: "Coronary inflammation by computed tomography pericoronary fat attenuation in MINOCA and tako -tsubo syndrome", JAHA * |
| 杨本强 等: "冠状动脉周围脂肪：冠心病临床诊疗"新靶点"", 中国介入影像与治疗学, vol. 16, no. 4, pages 234 - 236 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113077432A (zh) * | 2021-03-30 | 2021-07-06 | 中国人民解放军空军军医大学 | 基于冠状动脉cta图像粥样硬化斑块综合特征的患者危险度分级*** |
| CN113077432B (zh) * | 2021-03-30 | 2024-01-05 | 中国人民解放军空军军医大学 | 基于冠状动脉cta图像粥样硬化斑块综合特征的患者危险度分级*** |
| CN113657479A (zh) * | 2021-08-12 | 2021-11-16 | 广东省人民医院 | 一种新型多尺度深宽结合的病理图片分类方法、***及介质 |
| CN113657479B (zh) * | 2021-08-12 | 2022-12-06 | 广东省人民医院 | 一种新型多尺度深宽结合的病理图片分类方法、***及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11576621B2 (en) | Plaque vulnerability assessment in medical imaging | |
| US11101033B2 (en) | Medical image aided diagnosis method and system combining image recognition and report editing | |
| Tan et al. | Application of stacked convolutional and long short-term memory network for accurate identification of CAD ECG signals | |
| Sharif et al. | A comprehensive review on multi-organs tumor detection based on machine learning | |
| KR102212499B1 (ko) | Ivus 영상 분석방법 | |
| JP5039294B2 (ja) | 筒状構造に沿って組織種別を解析するための装置及び方法 | |
| TWI668666B (zh) | 肝癌分群預測模型、其預測系統以及肝癌分群判斷方法 | |
| US20150003706A1 (en) | Probability mapping for visualisation and analysis of biomedical images | |
| JP2016531709A (ja) | 疾患を診断するための画像解析技術 | |
| WO2010117576A2 (en) | Image processing and machine learning for diagnostic analysis of microcirculation | |
| CN111178369B (zh) | 一种医学影像的识别方法及***、电子设备、存储介质 | |
| JPWO2020027228A1 (ja) | 診断支援システム及び診断支援方法 | |
| CN110827255A (zh) | 一种基于冠状动脉ct图像的斑块稳定性预测方法及*** | |
| CN110353639B (zh) | 一种基于血管增强造影的供血区定量方法及*** | |
| CN113470060A (zh) | 基于ct影像的冠状动脉多角度曲面重建可视化方法 | |
| KR20230118054A (ko) | 의료 영상으로부터 바이오마커 발현을 예측하는 방법및 시스템 | |
| JP2019513449A (ja) | 光干渉断層撮影イメージから３ｄ網膜血管形態を得る方法及びこれらを分析する方法 | |
| Dehnavi et al. | Automatic soft and hard plaque detection in IVUS images: A textural approach | |
| Noureddine et al. | Segmentation and extraction of brain injury lesions from MRI images: Matlab implementation | |
| JP2004283583A (ja) | 画像形成医療検査装置の作動方法 | |
| Hernanda et al. | Semantic segmentation of venous on deep vein thrombosis (DVT) case using UNet-ResNet | |
| CN116309346A (zh) | 医学图像的检测方法、装置、设备、存储介质及程序产品 | |
| JPH09299366A (ja) | 領域抽出装置 | |
| Salehi et al. | Investigation and simulation of different medical image processing algorithms to improve image quality using simulink matlab | |
| Mi et al. | Detecting carotid intima-media from small-sample ultrasound images |
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 |