冠脉Leiden分数计算及风险分级的方法和系统技术方案

冠脉Leiden分数计算及风险分级的方法和系统，能够自动计算冠脉Lei den分数，并根据Leiden分数对冠心病风险进行分级，实现冠心病风险评估，提高冠心病的诊断准确率。方法包括：(1)从输入的冠脉CTA图像中分割三维冠脉血管结构；(2)在已提取三维冠脉血管结构的基础上，识别斑块的位置和类型；(3)从输入的冠脉XRA图像中分割二维冠脉血管结构；(4)从输入的冠脉XRA中检测狭窄；(5)进行狭窄程度分级；(6)对冠脉CT A上的斑块和XRA上的狭窄匹配，得到冠脉病变的位置、狭窄程度和斑块类型；(7)根据Leiden评分准则和风险分级标准，自动计算Leiden分数和判断冠心病风险级别。Leiden分数和判断冠心病风险级别。Leiden分数和判断冠心病风险级别。

【技术实现步骤摘要】
冠脉Leiden分数计算及风险分级的方法和系统


[0001]本专利技术涉及医学图像处理的
，尤其涉及一种冠脉Leiden分数计算及风险分级的方法，以及冠脉Leiden分数计算及风险分级的系统。

技术介绍

[0002]冠心病是全球导致人类死亡的主要疾病之一。该疾病的成因是冠脉血管中的脂肪、胆固醇等物质积聚成斑块附着在血管内壁，导致冠脉狭窄或完全闭塞，进而引发心肌供血不足、缺氧甚至坏死。冠脉Leiden评分是一种冠脉病变评估方法，综合了冠脉结构信息、病变狭窄和斑块信息，可实现冠心病风险的量化计算和分级。
[0003]为实现冠脉Leiden评分，临床上需要医生从冠脉影像中获取相关的血管结构和病变信息。目前，临床上对于冠脉病变的分析主要依赖于医生的主观经验知识，导致不同医生在病变诊断结果上存在差异。诊断过程中医生需要反复观察冠脉影像并可能进行手动测量，消耗较多的时间和精力，导致冠心病的诊断效率较低。此外，当前临床上通常只利用单一冠脉影像模态分析冠脉病变，因而难以准确获取冠脉的狭窄和斑块信息，限制了冠心病的诊断准确率。

技术实现思路

[0004]为克服现有技术的缺陷，本专利技术要解决的技术问题是提供了一种冠脉Le iden分数计算及风险分级的方法，其能够自动计算冠脉Leiden分数，并根据Leiden分数对冠心病风险进行分级，实现冠心病风险评估，提高冠心病的诊断准确率。
[0005]本专利技术的技术方案是：这种冠脉Leiden分数计算及风险分级的方法，其包括以下步骤：
[0006](1)从输入的冠脉CTA图像中分割三维冠脉血管结构；
[0007](2)在已提取三维冠脉血管结构的基础上，从输入的冠脉CTA图像中识别斑块的位置和类型；
[0008](3)从输入的冠脉XRA图像中分割二维冠脉血管结构；
[0009](4)从输入的冠脉XRA中检测狭窄；
[0010](5)在已提取二维冠脉血管结构和已探测狭窄的基础上，进行狭窄程度分级；
[0011](6)对冠脉CTA上的斑块和XRA上的狭窄进行匹配，实现冠脉病变信息的融合，得到冠脉病变的位置、狭窄程度和斑块类型；
[0012](7)根据Leiden评分准则和风险分级标准，自动计算Leiden分数和判断冠心病风险级别。
[0013]本专利技术通过冠脉XRA和CTA血管分割，可准确提取二维和三维冠脉血管结构；通过冠脉狭窄检测和程度分级，可准确获取冠脉病变的狭窄位置和严重程度信息；通过冠脉斑块识别，可准确获取冠脉病变的斑块位置和类型，包括非钙化斑块、混合斑块和钙化斑块；通过3D/2D病变信息匹配可有效实现冠脉XRA和CTA的病变信息融合，获得冠脉病变的位置、
狭窄程度和斑块类型信息；基于Leiden评分和风险分级标准，可根据已获得的冠脉结构信息和病变信息计算Leiden分数并进行冠心病风险分级；因此该方法能够自动计算冠脉Leiden分数，并根据Leiden分数对冠心病风险进行分级，实现冠心病风险评估，提高冠心病的诊断准确率。
[0014]还提供了冠脉Leiden分数计算及风险分级的系统，其包括：
[0015]第一分割模块，其配置来从输入的冠脉CTA图像中分割三维冠脉血管结构；
[0016]识别模块，其配置来在已提取三维冠脉血管结构的基础上，从输入的冠脉CTA图像中识别斑块的位置和类型；
[0017]第二分割模块，其配置来从输入的冠脉XRA图像中分割二维冠脉血管结构；
[0018]检测模块，其配置来从输入的冠脉XRA中检测狭窄；
[0019]分级模块，其配置来在已提取二维冠脉血管结构和已探测狭窄的基础上，进行狭窄程度分级；
[0020]匹配模块，其配置来对冠脉CTA上的斑块和XRA上的狭窄进行匹配，实现冠脉病变信息的融合，得到冠脉病变的位置、狭窄程度和斑块类型；
[0021]计算模块，其配置来根据Leiden评分准则和风险分级标准，自动计算Leiden分数和判断冠心病风险级别。
附图说明
[0022]图1为本专利技术的冠脉Leiden分数计算及风险分级的方法的流程图。
[0023]图2为本专利技术系统中冠脉CTA血管分割的方法流程图。
[0024]图3为本专利技术系统中冠脉CTA斑块识别的方法流程图。
[0025]图4为本专利技术系统中冠脉XRA狭窄程度分级的方法流程图。
[0026]图5为本专利技术系统中3D/2D病变信息匹配的方法流程图。
[0027]图6为本专利技术系统中病变评估结果计算的方法流程图。
具体实施方式
[0028]本专利技术实例利用冠脉CTA血管分割、冠脉CTA斑块识别、冠脉XRA血管分割、冠脉XRA狭窄检测、冠脉XRA狭窄程度分级、3D/2D病变信息匹配以及病变评估结果计算七个模块，针对同一例患者的冠脉多模态影像计算Leiden分数并进行风险分级。其中冠脉XRA血管分割和冠脉XRA狭窄检测为专利技术人前期工作，分别采用基于几何特征联合递归学习的冠脉XRA血管分割方法和基于时空特征聚集的冠脉XRA狭窄检测方法实现，在此不做详细描述。下面具体阐述本专利技术的创新。
[0029]如图1所示，这种冠脉Leiden分数计算及风险分级的方法，其包括以下步骤：
[0030](1)从输入的冠脉CTA图像中分割三维冠脉血管结构；
[0031](2)在已提取三维冠脉血管结构的基础上，从输入的冠脉CTA图像中识别斑块的位置和类型；
[0032](3)从输入的冠脉XRA图像中分割二维冠脉血管结构；
[0033](4)从输入的冠脉XRA中检测狭窄；
[0034](5)在已提取二维冠脉血管结构和已探测狭窄的基础上，进行狭窄程度分级；
[0035](6)对冠脉CTA上的斑块和XRA上的狭窄进行匹配，实现冠脉病变信息的融合，得到冠脉病变的位置、狭窄程度和斑块类型；
[0036](7)根据Leiden评分准则和风险分级标准，自动计算Leiden分数和判断冠心病风险级别。
[0037]本专利技术通过冠脉XRA和CTA血管分割，可准确提取二维和三维冠脉血管结构；通过冠脉狭窄检测和程度分级，可准确获取冠脉病变的狭窄位置和严重程度信息；通过冠脉斑块识别，可准确获取冠脉病变的斑块位置和类型，包括非钙化斑块、混合斑块和钙化斑块；通过3D/2D病变信息匹配可有效实现冠脉XRA和CTA的病变信息融合，获得冠脉病变的位置、狭窄程度和斑块类型信息；基于Leiden评分和风险分级标准，可根据已获得的冠脉结构信息和病变信息计算Leiden分数并进行冠心病风险分级；因此该方法能够自动计算冠脉Leiden分数，并根据Leiden分数对冠心病风险进行分级，实现冠心病风险评估，提高冠心病的诊断准确率。
[0038]优选地，如图2所示，所述步骤(1)包括：
[0039](1.1)从Medical Segmentation Decathlon挑战赛引入公开的带标注肝脏血管CTA数据集Task08_H本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.冠脉Leiden分数计算及风险分级的方法，其特征在于：其包括以下步骤：(1)从输入的冠脉CTA图像中分割三维冠脉血管结构；(2)在已提取三维冠脉血管结构的基础上，从输入的冠脉CTA图像中识别斑块的位置和类型；(3)从输入的冠脉XRA图像中分割二维冠脉血管结构；(4)从输入的冠脉XRA中检测狭窄；(5)在已提取二维冠脉血管结构和已探测狭窄的基础上，进行狭窄程度分级；(6)对冠脉CTA上的斑块和XRA上的狭窄进行匹配，实现冠脉病变信息的融合，得到冠脉病变的位置、狭窄程度和斑块类型；(7)根据Leiden评分准则和风险分级标准，自动计算Leiden分数和判断冠心病风险级别。2.根据权利要求1所述的冠脉Leiden分数计算及风险分级的方法，其特征在于：所述步骤(1)包括：(1.1)从Medical Segmentation Decathlon挑战赛引入公开的带标注肝脏血管CTA数据集Task08_HepaticVessel作为源域数据集，利用卷积编码器
‑
解码器组成的源域分割网络，训练肝脏血管分割任务，生成血管分割预训练模型；(1.2)以待分割的冠脉CTA为目标域，通过卷积块和全连接层组成的代理网络学习关于目标分割网络的最优微调策略；(1.3)以待分割的冠脉CTA为输入，将预训练模型参数迁移到卷积编码器
‑
解码器组成的目标分割网络，并利用最优微调策略指导目标分割网络每个卷积滤波器进行参数冻结或微调，实现跨部位自适应迁移学习；同时利用编码血管几何形状知识的距离变换图作为辅助监督学习任务，引导目标分割网络学习血管几何知识，输出距离变换图预测结果和目标域血管分割结果。3.根据权利要求2所述的冠脉Leiden分数计算及风险分级的方法，其特征在于：所述步骤(2)包括：(2.1)针对已提取的冠脉CTA三维血管结构，利用细化方法得到三维冠脉中心线结构；(2.2)针对输入的冠脉CTA图像，结合已提取的三维冠脉中心线结构，通过多平面重建MPR方法对冠脉分支进行拉直，得到冠脉MPR图像；(2.3)针对已生成的冠脉MPR图像，利用卷积编码器、SwinTransformer编码器和卷积解码器组成的斑块识别网络提取图像中的局部细节特征和大范围的上下文特征，识别冠脉分支上斑块的位置和类型。4.根据权利要求3所述的冠脉Leiden分数计算及风险分级的方法，其特征在于：所述步骤(5)包括：(5.1)针对已提取的二维冠脉血管结构和已探测的冠脉狭窄区域，通过欧氏距离变换获取冠脉狭窄区域的管腔半径；(5.2)通过狭窄区域的管腔半径变化计算狭窄率；(5.3)根据已计算的狭窄率判断冠脉狭窄级别，分为狭窄率小于50％的狭窄等级和狭窄率大于等于50％的狭窄等级。5.根据权利要求4所述的冠脉Leiden分数计算及风险分级的方法，其特征在于：所述步
骤(6)包括：(6.1)针对已提取的二维冠脉血管结构和三维冠脉血管结构，分别通过拓扑分析进行二维血管建图和三维血管建图，得到二维血管和三维血管的树状拓扑结构；(6.2)基于二维血管建图和三维血管建图，通过3D/2D血管配准搜索二维冠脉血管结构和三维冠脉血管结构的拓扑匹配关系；(6.3)通过血管结构的拓扑匹配关系搜索冠脉CTA上斑块和冠脉XRA上狭窄的对应匹配关系，结合已获取的斑块信息和狭窄信息，实现病变信息融合，得到冠脉病变的位置、狭窄程度和斑块类型。6.根据权利...

【专利技术属性】
技术研发人员：艾丹妮，韩涛，范敬凡，杨健，宋红，肖德强，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：