使用放射特征对冠状动脉CT图像中的冠状动脉易损斑块的全自动评估制造技术

提供了用于病变的自动评估的系统和方法。接收患者的脉管的一个或多个输入医学图像。在所述一个或多个输入医学图像中定义病变。在所述一个或多个输入医学图像中定义所述病变周围的感兴趣区域。从所述感兴趣区域中提取放射特征。基于所述放射特征使用基于机器学习的分类器网络来确定所述病变的评估。输出所述病变的评估。的评估。的评估。

【技术实现步骤摘要】
使用放射特征对冠状动脉CT图像中的冠状动脉易损斑块的全自动评估
[0001]本申请要求2021年8月24日提交的第63/260,518号美国临时申请的权益，其公开内容通过引用整体地并入本文中。


[0002]本专利技术总体上涉及对冠状动脉CT（计算机断层摄影）图像中的冠状动脉易损斑块的评估，并且特别地涉及使用放射特征对冠状动脉CT图像中的冠状动脉易损斑块的全自动评估。

技术介绍

[0003]冠状动脉疾病涉及由于冠状动脉中的斑块的积聚所致的去往心脏的血液流动减少。易损斑块是处于破裂的高风险下从而导致心脏病发作、中风或其他心脏问题的斑块。在当前的临床实践中，易损斑块是由放射科医师通过手动检查和观察CT（计算机断层摄影）图像来检测的。然而，对易损斑块的手动检测是主观的、劳动密集型的，并且需要专门的训练和经验。

技术实现思路

[0004]根据一个或多个实施例，提供了用于病变的自动评估的系统和方法。接收患者的脉管的一个或多个输入医学图像。定义一个或多个输入医学图像中的病变。在一个或多个输入医学图像中定义病变周围的感兴趣区域。从感兴趣本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种计算机实现方法，包括：接收患者的脉管的一个或多个输入医学图像；定义所述一个或多个输入医学图像中的病变；在所述一个或多个输入医学图像中定义所述病变周围的感兴趣区域；从所述感兴趣区域中提取放射特征；基于所述放射特征使用基于机器学习的分类器网络来确定所述病变的评估；以及输出所述病变的评估。2.根据权利要求1所述的计算机实现方法，其中基于所述放射特征使用基于机器学习的分类器网络来确定所述病变的评估包括：将所述病变分类为易损斑块或非易损斑块。3.根据权利要求1所述的计算机实现方法，其中基于所述放射特征使用基于机器学习的分类器网络来确定所述病变的评估包括：确定指示所述病变的易损性程度的概率得分。4.根据权利要求1所述的计算机实现方法，其中基于所述放射特征使用基于机器学习的分类器网络来确定所述病变的评估包括：确定所述病变的易损斑块的类型的分类。5.根据权利要求1所述的计算机实现方法，其中在所述输入医学图像中定义所述病变周围的感兴趣区域包括：基于冠状动脉的外壁的分割或冠状动脉管腔的分割中的至少一个来自动定义所述感兴趣区域。6.根据权利要求5所述的计算机实现方法，其中基于冠状动脉的外壁的分割或冠状动脉管腔的分割中的至少一个来自动定义所述感兴趣区域包括：将所述感兴趣区域自动定义为冠状动脉的外壁的分割掩模。7.根据权利要求5所述的计算机实现方法，其中基于冠状动脉的外壁的分割或冠状动脉管腔的分割中的至少一个来自动定义所述感兴趣区域包括：将所述感兴趣区域定义为排除了冠状动脉管腔的冠状动脉的外壁的分割掩模。8.根据权利要求5所述的计算机实现方法，其中基于冠状动脉的外壁的分割或冠状动脉管腔的分割中的至少一个来自动定义所述感兴趣区域包括：将所述感兴趣区域定义为围绕冠状动脉的外壁的分割掩模。9.根据权利要求1所述的计算机实现方法，其中所述放射特征包括一阶统计特征、二阶统计特征、或更高阶统计特征中的一个或多个。10.根据权利要求1所述的计算机实现方法，其中所述放射特征包括以下各项中的一个或多个：基于大小和形状的特征、所述输入医学图像的图像强度直方图的描述符、图像体素之间的关系的描述符、纹理特征、或分形特征。11.根据权利要求1所述的计算机实现方法，其中从所述感兴趣区域中提取放射特征包括：选择用于确定所述病变的评估的所述放射特征的最佳集合。12.根据权利要求1所述的计算机实现方法，进一步包括：接收所述病变的附加输入医学图像，所述附加输入医学图像是在与所述输入医学图像
不同的时间点处获取的；使用所述附加输入医学图像作为所述输入医学图像来重复所述定义、所述提取和所述确定，以确定所述病变的附加评估；以及呈现所述病变的评估和所述病变的附加评估中的改变。13.根据权利要求1所述的计算机实现方法，其中所述输入医学图像是冠状动脉斑块的计算机断层摄影图像。14.一种设备，包括：用于接收患者的脉管的一个或多个输入医学图像的装置；用于定义所述一个或多个输入医学图像中的病变的装置；用于在所述一个或多个输入医学图像中定义所述病变周围的感兴趣...

【专利技术属性】
技术研发人员：P，
申请(专利权)人：西门子医疗有限公司，
类型：发明
国别省市：