基于机器学习来评估血管阻塞的方法和系统技术方案

描述了用于评估血管阻塞的方法和系统。该方法和系统获得包括关注血管的目标器官的体积图像数据集，提取沿着体积图像数据集内的关注血管（VOI）延伸的轴向轨迹，并且基于体积图像数据集和VOI的轴向轨迹来创建三维（3D）多平面重新格式化（MPR）图像。该方法和系统还利用基于机器学习的血管阻塞评估（VOA）模型从MPR中提取VOI参数。还描述了用于实现预测阶段以实行以下各项中的至少一项的方法和系统：i）检测斑块类型，ii）对血管堵塞的解剖学严重程度进行分类，和/或iii）对体积图像数据集的看不见的部分内的血管阻塞的血液动力学严重程度进行分类。进行分类。进行分类。

【技术实现步骤摘要】
【国外来华专利技术】基于机器学习来评估血管阻塞的方法和系统

技术介绍

[0001]1.
本申请总体上涉及评估与一个或多个冠状动脉中的冠状动脉粥样硬化病变严重程度有关的冠状动脉参数的方法和系统。
[0002]2. 现有技术冠状动脉疾病（CAD）是全世界主要的死亡原因之一。CAD通常是指涉及血管狭窄或阻塞的情况，其可能导致狭窄远侧部分的血液供应减少或缺乏，从而导致心肌的氧气供应减少，导致例如局部缺血和胸痛（心绞痛）。血管变窄被叫做狭窄，并且是由动脉粥样硬化引起的，动脉粥样硬化是指脂肪、胆固醇和其他物质在血管壁（斑块）内和在其上的堆积，参见图1。动脉粥样硬化斑块可以根据其成分进行分类，诸如钙化斑块、软斑块和混合斑块，即，包含钙化和非钙化成分的斑块。这样的非钙化成分包括：细胞外基质、平滑肌细胞、巨噬细胞、泡沫细胞、脂质和纤维组织。钙化斑块被认为是稳定的，并且其在冠状动脉中的量是心血管事件的有力预测指标。与钙化斑块不同，非钙化斑块和混合斑块被认为是不稳定的，并且更易于破裂。斑块破裂可能会导致严重的重大事件，诸如中风或心脏附着（假如破裂发生在冠状动脉中）。心脏病发作可能导致心肌梗塞，从而本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种评估血管阻塞的方法，所述方法包括：获得（201）包括关注血管的目标器官的体积图像数据集；提取（202）沿着体积图像数据集内的关注血管（VOI）延伸的轴向轨迹；基于体积图像数据集和VOI的轴向轨迹来创建三维（3D）多平面重新格式化（MPR）图像（203）；以及利用基于机器学习的血管阻塞评估（VOA）模型从MPR图像中提取VOI参数（204）。2.根据权利要求1所述的方法，进一步包括：实现预测阶段以实行以下各项中的至少一项：i）检测斑块类型，ii）对血管堵塞的解剖学严重程度进行分类，和/或iii）对体积图像数据集的看不见的部分内的血管阻塞的血液动力学严重程度进行分类。3.根据权利要求1或2所述的方法，其中：基于机器学习的VOA模型（204）从MPR图像生成立方体的序列（2304），每一个立方体包括来自MPR图像的一组体素，在VOI的部分中创建的立方体的序列会导致对应部分的立方体的序列。4.根据任何前述权利要求所述的方法，其中：轴向轨迹对应于VOI的冠状动脉中心线，冠状动脉中心线表示沿着关注的冠状动脉部分的冠状腔的中心，轴向轨迹对应于单个冠状动脉、冠状动脉分叉或完整的冠状动脉树，其中，当关注的冠状动脉部分包括一个或多个分叉时，冠状动脉中心线就包括一个或多个分叉。5.根据任何前述权利要求所述的方法，其中：基于机器学习的VOA模型（204）基于递归卷积神经网络（RCNN），采用其来分析MPR图像中的沿着VOI的轴向轨迹的附近区域，RCNN将卷积神经网络（CNN）与串联连接的递归神经网络（RNN）连接起来，以分析作为顺序输入的MPR沿着轴向轨迹的部分。6.根据任何前述权利要求所述的方法，其中：基于机器学习的VOA模型（204）包括用于基于MPR图像来创建特征向量的特征提取（2305），所述特征向量包括从图像的参考数据库中测量或提取的一系列因子，所述系列因子描述或表征了关注血管的对应壁区域的性质，基于机器学习的VOA模型进一步包括分类器，用于对从MPR图像中提取的特征向量进行分类。7.根据任何前述权利要求所述的方法，其中：VOI参数包括冠状动脉斑块类型、解剖学冠状动脉病变严重程度或功能上重要的冠状动脉病变严重程度中的至少一种，并且其中，基于机器学习的VOA模型评估以下各项中的至少一项：i）功能上重要的冠状动脉病变严重程度、ii）斑块类型或iii）解剖学冠状动脉病变严重程度。8.一种训练血管阻塞评估（VOA）模型的方法，其包括：获得训练数据库，所述训练数据库包括多名患者的体积成像数据集和对应的冠状动脉疾病（CAD）相关参考值，所述体积图像数据集针对包括关注血管的目标器官，CAD相关参考值对应于在对应的成像数据集中沿着关注血管的一个或多个点；以及对于至少一部分体积图像数据集和对应的CAD相关参考值，提取沿着对应的体积图像数据集中的关注血管（VOI）延伸的轴向轨迹，
基于对应的体积图像数据集和VOI的轴向轨迹，创建三维（3D）多平面重新格式化（MPR）图像，MPR图像沿着VOI的轴向轨迹延伸，以及基于MPR图像来训练基于机器学习的血管阻塞评估（VOA）模型，该训练进一步包括从MPR图像中提取沿着VOI内的轴向轨迹表征CAD相关参数的特征。9.根据任何前述权利要求所述的方法，进一步包括：根据对应的MPR图像生成立方体的序列，每一个立方体包括来自对应的MPR图像的一组体素，在VOI的部分中创建的立方体的序列会导致对应部分的立方体的序列。10.根据任何前述权利要求所述的方法，其中，基于机器学习的VOA模型从立方体的序列中提取与立方体相关联的图像特征。11.根据任何前述权利要求所述的方法，其中，将立方体的大小定义为包含VOI的整个管腔和管腔外部的一部分组织，以便于提取与正重塑有关的VOI参数，其中，正重塑是指动脉粥样硬化斑块生长的方向。12.根据任何前述权利要求所述的方法，其中，基于机器学习的VOA模型应用至少一个卷积层，然后是最大池化层，以从MPR图像中提取关注的图像特征，并且将分类器用于表征斑块类型、对狭窄的解剖学意义进行分类以及确定狭窄的功能意义中的至少一种。13.根据任何前述权利要求所述的方法，其包括：在沿着轴向轨迹的点处生成一组编码，以形成一组一维（1D）序列，1D序列中的每一个表示沿着VOI的特定编码，训练进一步包括应用监督...

【专利技术属性】
技术研发人员：I，
申请(专利权)人：帕伊医疗成像有限公司，
类型：发明
国别省市：