用于血管斑块分析的装置、系统及介质制造方法及图纸

本公开涉及一种用于血管斑块分析的装置、系统及介质。装置包括：获取单元，配置为获取血管的中心线点的序列及各个中心线点处的图像块的序列；斑块检测单元，配置为：基于图像块的序列，利用第一学习网络来检测斑块以及确定斑块的开始和结束位置，第一学习网络包括基于图像块的序列提取特征映射的编码器和基于特征映射生成各个斑块的开始和结束位置的斑块范围生成器；以及斑块类型分类和狭窄度量化单元，配置为：对于各个检出的斑块，利用第二学习网络复用第一学习网络的参数和所提取的特征映射的至少部分，确定该斑块的类型和狭窄度。从而，自动准确且迅速地检出并定位斑块并确定其类型和狭窄度，降低运算复杂度，改进操作便利性和用户友好度。

【技术实现步骤摘要】
用于血管斑块分析的装置、系统及介质相关申请的交叉引用本申请基于并要求于2020年5月26日提交且申请号为63/030,248的美国临时申请的优先权，其通过引用整体上并入本文。
本公开涉及用于医学图像分析的装置、系统和介质，并且更具体地，涉及用于血管图像分析的装置、系统和介质。
技术介绍
血管类疾病已经成为人类健康的重要问题。相当比例的血管类疾病由血管壁上的斑块积聚引起，但这些斑块的检测、分析和诊断存在问题，下面以冠脉为例进行说明。冠状动脉疾病(CAD)通常表示冠状动脉发生了狭窄或阻塞。它是最常见的心脏病，通常是由冠状动脉壁上的动脉粥样硬化斑块积聚引起的。冠状动脉被斑块狭窄或阻塞(即狭窄)的患者，其心肌的血液供应有限，可能患有心肌缺血。此外，如果斑块破裂，则患者可能患上急性冠状动脉综合症，甚或更严重的心脏病发作(心肌梗塞)。根据动脉粥样硬化斑块的组成，可将其进一步分为钙化斑块、非钙化斑块和混合斑块(即具有钙化和非钙化成分两者)。斑块的稳定性根据其组成而变化。钙化斑块相对稳定，而非钙化斑块或混合斑块则不稳定且更容易破裂。然而，风险更高的非钙化斑块或混合斑块利用现有的医学成像手段反而更难以检测或者检测更加复杂。冠状动脉CT血管造影(CCTA)是用于分析CAD和冠状动脉斑块的常用非侵入性方法。以CCTA为例，非钙化斑块和混合斑块与周围组织的照射对比度比较低，导致检测更加复杂，甚至漏检或与周围组织混淆。动脉粥样硬化斑块散布于结构复杂的冠脉各支(例如左冠状动脉的前降支、右冠状动脉主干、左冠状动脉主干和左旋支)的血管壁上，呈现出多发性的特点，对斑块的分析和诊断是一项艰巨而耗时的工作。即使对于有经验的放射科医师和心血管专家而言，也是如此。例如，对于冠脉的全面人工扫描也造成了大工作负荷和工作强度，放射科医师和心血管专家即便全面扫描冠脉也可能遗漏局部的斑块，尤其容易遗漏与周围组织CT密度接近但风险性高的非钙化斑块和混合斑块。进一步说来，即便检出了斑块，对于斑块类型的分类误差也会严重影响放射科医师和心血管专家的诊断结果，从而导致后续过度治疗或治疗不足；对于斑块类型的分类准确度严重依赖于放射科医师和心血管专家的经验，且个体差异较大。虽然近日也提出了一些血管斑块分析算法试图帮助放射线医师进行日常诊断程序并减少他们的工作量，但这些算法中存在如下缺点：需要大量人工交互(例如体素级别的标注)；或者需要预先进行繁杂且耗时的血管腔分割、血管的健康直径估计和血管壁形态分析等辅助分析；或者只能对血管的局部进行分析，在自动化水平、运算(涉及检测阶段和训练阶段)复杂度、操作便利性和用户友好度等方面均无法满足临床需求，依然存在改进空间。
技术实现思路
提供了本公开以解决现有技术中存在的上述问题。需要一种用于血管斑块分析的装置、系统和介质，其能够以端到端的方式，自动且灵活地为血管的任何分支、路径、分段或者整个血管树准确且迅速地检出并定位斑块并确定各个检出斑块的类型和狭窄度，有效降低了运算复杂度(涉及检测阶段和训练阶段)，且显著改进了操作便利性和用户友好度。根据本公开的第一方案，提供了一种用于血管斑块分析的装置。所述装置可以包括获取单元、斑块检测单元和斑块类型分类和狭窄度量化单元。获取单元可以配置为获取血管的一组中心线点的序列以及各个中心线点处的图像块的序列。斑块检测单元可以配置为：基于所述各中心线点处的图像块的序列，利用第一学习网络来检测斑块以及确定各个检出的斑块的开始位置和结束位置。所述第一学习网络可以依序包括编码器和斑块范围生成器。所述编码器可以被配置为基于所述各中心线点处的图像块的序列提取特征映射。所述斑块范围生成器可以被配置为基于所提取的特征映射生成各个斑块的开始位置和结束位置。斑块类型分类和狭窄度量化单元可以配置为：对于各个检出的斑块，利用第二学习网络复用所述第一学习网络的参数和所提取的特征映射的至少部分，来确定该斑块的类型和狭窄度。根据本公开的第二方案，提供了一种用于血管斑块分析的系统。所述系统可以包括接口和处理器。接口可以配置为获取由医学成像装置采集的沿着血管的一组图像。所述处理器可以被配置为基于所述血管的一组图像来重建所述血管的3D模型，并提取血管的一组中心线点的序列以及各个中心线点处的图像块的序列。所述处理器还可以配置为基于所述各中心线点处的图像块的序列，利用第一学习网络，基于所述各中心线点处的图像块的序列提取特征映射，然后基于所提取的特征映射生成各个斑块的开始位置和结束位置。所述处理器还配置为对于各个检出的斑块，利用第二学习网络复用所述第一学习网络的参数和所提取的特征映射的至少部分，来确定该斑块的类型和狭窄度。根据本公开的第三方案，提供一种计算机存储介质，其上存储有计算机可执行指令。该计算机可执行指令由处理器执行时可以实现用于血管斑块分析的方法。该方法具体可以包括获取血管的一组中心线点的序列以及各个中心线点处的图像块的序列。该方法还可以包括基于所述各中心线点处的图像块的序列，利用第一学习网络，基于所述各中心线点处的图像块的序列提取特征映射，然后基于所提取的特征映射生成各个斑块的开始位置和结束位置。以及所述方法还可以包括：对于各个检出的斑块，利用第二学习网络复用所述第一学习网络的参数和所提取的特征映射的至少部分，来确定该斑块的类型和狭窄度。利用根据本公开各个实施例的用于血管斑块分析的装置、系统和介质，能够以端到端的方式，自动且灵活地为血管的任何分支、路径、分段或者整个血管树准确且迅速地检出并定位斑块并确定各个检出斑块的类型和狭窄度，有效降低了运算复杂度(涉及检测阶段和训练阶段)，且显著改进了操作便利性和用户友好度。应当理解，前面的一般性描述和下面的详细描述都只是示例性和说明性的，并不是对要求保护的本专利技术的限制。附图说明在不一定按比例绘制的附图中，相似的附图标记可以在不同的视图中描述相似的组件。具有字母后缀或不同字母后缀的相似附图标记可以表示相似组件的不同实例。附图通过示例而非限制的方式大体上示出了各种实施例，并且与说明书和权利要求书一起用于解释所公开的实施例。这样的实施例是说明性的，并且不意图是本方法、系统或其上具有用于实现该方法的指令的非暂时性计算机可读介质的穷举或排他性实施例。图1示出根据本公开的实施例的用于血管斑块分析的装置的结构和工作原理的示意性图示。图2示出根据本公开的实施例的用于血管斑块分析的装置中的斑块检测单元的编码器的3D卷积架构的示例性图示。图3示出根据本公开的实施例的用于血管斑块分析的装置中的斑块检测单元的示例性图示。图4示出根据本公开的实施例的用于血管斑块分析的装置中利用的学习网络的示例性图示。图5示出根据本公开的实施例的用于血管斑块分析的装置中利用的学习网络的示例性图示。图6示出图5中所示的学习网络中的编码器和解码器的示例性图示。图7示出根据本公开的实施例的用于对用于血管斑块分析的装置中利用的学习网络进行训练的示意性流程图。图8示出根据本公开的实施例的用于血管斑本文档来自技高网...

【技术保护点】
1.一种用于血管斑块分析的装置，其特征在于，所述装置包括：/n获取单元，其配置为获取血管的一组中心线点的序列以及各个中心线点处的图像块的序列；/n斑块检测单元，其配置为：基于所述各中心线点处的图像块的序列，利用第一学习网络来检测斑块以及确定各个检出的斑块的开始位置和结束位置，所述第一学习网络依序包括编码器和斑块范围生成器，所述编码器被配置为基于所述各中心线点处的图像块的序列提取特征映射，所述斑块范围生成器被配置为基于所提取的特征映射生成各个斑块的开始位置和结束位置；以及/n斑块类型分类和狭窄度量化单元，其配置为：对于各个检出的斑块，利用第二学习网络复用所述第一学习网络的参数和所提取的特征映射的至少部分，来确定该斑块的类型和狭窄度。/n

【技术特征摘要】
20200526 US 63/030,2481.一种用于血管斑块分析的装置，其特征在于，所述装置包括：
获取单元，其配置为获取血管的一组中心线点的序列以及各个中心线点处的图像块的序列；
斑块检测单元，其配置为：基于所述各中心线点处的图像块的序列，利用第一学习网络来检测斑块以及确定各个检出的斑块的开始位置和结束位置，所述第一学习网络依序包括编码器和斑块范围生成器，所述编码器被配置为基于所述各中心线点处的图像块的序列提取特征映射，所述斑块范围生成器被配置为基于所提取的特征映射生成各个斑块的开始位置和结束位置；以及
斑块类型分类和狭窄度量化单元，其配置为：对于各个检出的斑块，利用第二学习网络复用所述第一学习网络的参数和所提取的特征映射的至少部分，来确定该斑块的类型和狭窄度。


2.根据权利要求1所述的装置，其特征在于，所述血管包括冠脉、颈动脉、腹主动脉、脑部血管、眼部血管、股动脉中的任何一种，所述获取单元进一步配置为：接收经由计算机断层摄影血管造影(CTA)装置采集的血管的CTA图像，基于所述血管的CTA图像，提取所述血管的一组中心线点的序列以及各个中心线点处的图像块的序列。


3.根据权利要求1所述的装置，其特征在于，所述斑块类型分类和狭窄度量化单元进一步配置为：对于各个检出的斑块，确定该斑块的正性重构、脆弱性和餐巾纸环征中的至少一种的相关参数。


4.根据权利要求1所述的装置，其特征在于，各个中心线点处的所述图像块为在相应中心线点处与中心线正交的2D图像块、相应中心线点周围的沿中心线的2D切片图像块的叠层、或相应中心线点周围的3D图像块中的一种，所述编码器包括卷积层和池化层，所述卷积层的卷积核的维度与所述图像块的维度相同。


5.根据权利要求4所述的装置，其特征在于，所述第一学习网络的输入具有多个通道，且通过将在各个相应中心点处的一组多个尺度的图像块调整为相同尺寸并堆叠而成。


6.根据权利要求1所述的装置，其特征在于，在所述图像块为3D图像块的情况下，所述编码器依序包括多个3D卷积层和池化层，每个3D卷积层包括多个3D卷积核，其配置为分别提取立体空间和各个坐标平面内的特征映射，且各个3D卷积核提取的各个特征映射进行联合后馈送到下一层。


7.根据权利要求1所述的装置，其特征在于，在所述图像块为2D图像块的情况下，所述编码器被配置为提取2D图像块级别的特征映射，
所述斑块范围生成器包括：一个以上的第一全连接层，其配置为基于所提取的特征映射确定在各个中心线点处的2D图像块上存在斑块的概率相关参数；以及第一后处理单元，其被配置为：基于各个中心线点处的2D图像块上存在斑块的概率相关参数，确定存在斑块的中心线点，将一组连续的确定存在斑块的中心线点合并为斑块，确定该组中心线点中的第一个中心线点和最后一个中心线点作为该斑块的开始位置和结束位置，并且
所述第二学习网络包括一个以上的第二全连接层，其配置为复用由所述编码器为确定存在斑块的中心线点处的2D图像块提取的特征映射作为输入。


8.根据权利要求1所述的装置，其特征在于，在所述图像块为2D图像块的情况下，所述编码器被配置为提取2D图像块级别的特征映射，
所述斑块范围生成器依序包括第一递归神经网络(RNN)或卷积RNN层、一个以上的第三全连接层和第二后处理单元，第一RNN或卷积RNN层连同一个以上的第三全连接层配置为基于所提取的特征映射确定在各个中心线点处的2D图像块上存在斑块的概率相关参数，所述第二后处理单元被配置为：基于各个中心线点处的2D图像块上存在斑块的概率相关参数，确定存在斑块的中心线点，将一组连续的确定存在斑块的中心线点合并为斑块，确定该组中心线点中的第一个中心线点和最后一个中心线点作为该斑块的开始位置和结束位置，并且
所述第二学习网络被配置为，对于各个检出的斑块：复用由所述编码器为存在该斑块的中心线点处的2D图像块提取的特征映射作为输入，依序包括第二RNN或卷积RNN层、池化层和一个以上的第四全连接层作为用于确定该斑块的类型的管路，且依序包括所述第二RNN或卷积RNN层、池化层和一个以上的第五全连接层作为用于确定...

【专利技术属性】
技术研发人员：高峰，方正涵，潘月，白军杰，尹游兵，杨皓宇，曹坤琳，宋麒，
申请(专利权)人：深圳科亚医疗科技有限公司，
类型：发明
国别省市：广东;44