用于基于机器学习的传感器分析和血管树分割的系统和方法与流程

本发明在其一些实施例中涉及血管成像领域，并且更特别地但不限于涉及血管计算机建模和分割。

背景技术：

1、动脉狭窄是最严重的动脉疾病形式之一。其严重程度可以通过通常通过侵入性流程估计血管的几何测量结果或流速来确定。然而，通过使用血管的图像创建血管计算机模型，无需侵入性流程即可确定动脉狭窄的严重程度。血管成像提供了生成血管计算机模型所需的血管位置的特征。然而，血管成像需要血管分割和特征标识作为血管状态的基于图像的测量的初步阶段。

2、目前，可以使用自动分析来执行血管分割和特征标识的许多阶段。自动标识血管位置是潜在的优点，因为它可以减少人类操作员完全手动标识这些位置所需的时间、精力、技能和/或注意力，即使用户之后必须手动确认或纠正血管树。

3、尽管能够执行自动分析，但从血管分割和特征标识产生的相关图像特征通常对比度较低。图像特征还可能被嵌入在包括模糊几何结构和无关特征的复杂环境中，这导致输出容易出错。

技术实现思路

技术特征：

1.一种标识血管图像的血管部分的方法，所述方法包括：

2.根据权利要求1所述的方法，其中：

3.根据权利要求2所述的方法，其中所述第一解剖学定义的血管类型和所述第二解剖学定义的血管类型选自包括以下项的组：lad、lad子树的其他血管、lcx、lcx子树的其他血管、rca、以及rca子树的其他血管。

4.根据权利要求2所述的方法，其中所述第一基于ml的血管标识器和所述第二基于ml的血管标识器分别被配置为使用训练输入来识别它们相应的解剖学定义的第一血管类型和解剖学定义的第二血管类型，所述训练输入包括针对所述第一解剖学定义的血管类型和所述第二解剖学定义的血管类型的图像和图像位置指示。

5.根据权利要求1所述的方法，其中：

6.根据权利要求5所述的方法，其中所述第一基于ml的血管标识器包括网络，所述网络的输出层是回归层。

7.根据权利要求5所述的方法，其中所述第二血管标识器是基于ml的血管标识器，所述基于ml的血管标识器的输出层是分类层。

8.根据权利要求5所述的方法，其中所述组合包括：

9.根据权利要求1所述的方法，其中所述第一数据结构和所述第二数据结构中的至少一个数据结构包括错误地标识的血管部分；所述方法包括：

10.一种标识血管图像的血管部分的方法，所述方法包括：

11.根据权利要求10所述的方法，其中所述多个血管图像各自是相同的图像时间系列的部分。

12.根据权利要求11所述的方法，其中所述时间系列的每个图像对相同解剖区域进行成像，并且所述时间系列的每个相邻图像对中的所述图像在一秒或更短的间隔内对所述解剖区域进行成像。

13.根据权利要求10所述的方法，其中所述基于ml的血管标识器是在多个图像时间系列上被训练的基于ml的血管标识器。

14.根据权利要求1所述的方法，其中所述第二数据结构省略在所述第一数据结构中标识的一些血管部分。

15.一种用于标识血管图像的血管部分的系统，所述系统包括处理器和存储器，所述存储器编码指令，所述指令使所述处理器：

16.根据权利要求15所述的系统，其中所述第一基于ml的血管标识器基于用于生成所述基于ml的血管标识器的训练输入被配置为识别第一解剖学定义的血管类型，并且其中所述第二血管标识器也是基于ml的血管标识器，并且基于用于生成所述基于ml的血管标识器的训练输入被配置为识别第二解剖学定义的血管类型。

17.根据权利要求16所述的系统，其中所述第一解剖学定义的血管类型和所述第二解剖学定义的血管类型选自包括以下项的组：lad、lad子树的其他血管、lcx、lcx子树的其他血管、rca、以及rca子树的其他血管。

18.根据权利要求16所述的系统，其中所述第一基于ml的血管标识器和所述第二基于ml的血管标识器分别被配置为使用训练输入来识别它们相应的解剖学定义的第一血管类型和第二血管类型，所述训练输入包括针对所述第一解剖学定义的血管类型和所述第二解剖学定义的血管类型的图像和图像位置指示。

19.根据权利要求15所述的系统，其中：

20.根据权利要求19所述的系统，其中所述第一基于ml的血管标识器包括网络，所述网络的输出层是回归层。

21.根据权利要求19所述的系统，其中所述第二血管标识器是基于ml的血管标识器，所述基于ml的血管标识器的输出层是分类层。

22.根据权利要求19所述的系统，其中所述指令另外指示所述处理器：

23.根据权利要求15所述的系统，其中所述指令另外指示所述处理器：

24.根据权利要求15所述的系统，其中所述第二数据结构省略所述第一数据结构中标识的一些血管部分。

25.一种用于标识血管图像的血管部分的系统，所述系统包括处理器和存储器，所述存储器编码指令，所述指令使所述处理器：

26.根据权利要求25所述的系统，其中所述多个血管图像各自是相同的图像时间系列的部分。

27.根据权利要求26所述的系统，其中所述时间系列的每个图像对相同解剖区域进行成像，并且所述时间序列的每个相邻图像对的所述图像在一秒或更短的间隔内对所述解剖区域进行成像。

28.根据权利要求25所述的系统，其中所述基于ml的血管标识器是在多个图像时间系列上被训练的基于ml的血管标识器。

29.一种由一个或多个计算机的系统实现的方法，所述方法包括：

30.根据权利要求29所述的方法，其中所述血管图像是血管造影图像。

31.根据权利要求29所述的方法，其中所述血管图像是计算机断层摄影图像。

32.根据权利要求29所述的方法，其中所述图像序列中包括的所述血管图像是以特定频率获得的，使得所述时间根据所述特定频率分开。

33.根据权利要求29所述的方法，其中所述图像序列是经由c臂获得的，所述c臂被定位使得其在所述特定视点处获得所述图像序列。

34.根据权利要求29所述的方法，其中确定心动时相图像的子集包括：

35.根据权利要求34所述的方法，其中确定所述图像序列是与左侧还是右侧相关联基于不同的机器学习模型的使用，并且其中所述不同的机器学习模型向每个血管图像指配指示所述血管图像与左侧和右侧相关联的可能性的值。

36.根据权利要求29所述的方法，其中所述机器学习模型是卷积神经网络，并且其中确定所述子集包括：

37.根据权利要求36所述的方法，其中所述特定图像是在所述阈值数量的所述血管图像的中间的图像。

38.根据权利要求29所述的方法，其中所述特定心动时相是舒张末期。

39.根据权利要求29所述的方法，其中所述机器学习模型输出指示血管图像是舒张末期的可能性的值。

40.根据权利要求29所述的方法，其中所述机器学习模型使用一个或多个长短期记忆单元。

41.根据权利要求29所述的方法，其中所述分割掩码是基于不同的机器学习模型而被生成的，其中所述不同的机器学习模型被训练以分割血管图像中描绘的血管。

42.根据权利要求41所述的方法，其中所述不同的机器学习模型是卷积神经网络。

43.根据权利要求29所述的方法，其中所述分割掩码是基于使用frangi滤波器而被生成的。

44.根据权利要求29所述的方法，其中所述分割掩码包括被指配了二元颜色的像素，其中第一颜色表示被指配的像素形成血管的一部分，并且其中第二颜色表示被指配的像素不形成血管的一部分。

45.根据权利要求29所述的方法，其中所述图像序列被确定为与所述心脏的左侧或右侧相关联，并且其中对于所述右侧，针对所述子集中包括的每个血管图像，单个分割掩码被生成。

46.根据权利要求45所述的方法，其中所述单个分割掩码分割与右冠状动脉相关联的血管。

47.根据权利要求29所述的方法，其中所述图像序列被确定为与所述心脏的左侧或右侧相关联，并且其中对于所述左侧，针对所述子集中包括的每个血管图像，两个或更多个分割掩码被生成。

48.根据权利要求47所述的方法，其中所述两个或更多个分割掩码分割与以下两项或更多项相关联的血管：左前降支lad动脉、左回旋支lcx、以及左缘动脉。

49.根据权利要求29所述的方法，其中所述分割掩码是斑点类型或路径类型。

50.根据权利要求29所述的方法，其中所述机器学习模型的所述输出是基于ml的血管标识器。

51.根据权利要求29所述的方法，其中所述子集中包括的一个或多个血管图像基于所述分割掩码被丢弃，并且其中丢弃是基于所述分割掩码中包括的血管具有不连续性。

52.根据权利要求29所述的方法，其中掩码分数指示与血管相关联的长度或与所述血管相关联的面积。

53.根据权利要求29所述的方法，其中确定所述特定血管造影图像包括：

54.根据权利要求53所述的方法，其中统一分割掩码针对过滤的所述子集中包括的所述血管图像被生成，并且其中所述对比度分数比较所述血管图像中包括的相同血管的对比度。

55.根据权利要求53所述的方法，其中所述距离分数是填充分数，进一步地其中确定所述填充分数包括使用所述分割掩码确定形成所述血管的像素数量或所述像素数量的估计。

56.根据权利要求29所述的方法，其中所述交互式用户界面被配置为使得能够选择与所述特定血管图像不同的血管图像，并且其中所述系统被配置为基于所述选择更新所述机器学习模型。

57.根据权利要求29所述的方法，其中所述交互式用户界面对指示所述特定血管造影图像中的血管的轮廓或位置的用户输入进行响应。

58.一种系统，包括一个或多个计算机和存储指令的非暂时性计算机存储介质，所述指令当由所述一个或多个计算机执行时使所述一个或多个计算机执行根据权利要求29至57所述的方法。

59.一种存储指令的非暂时性计算机存储介质，所述指令当由一个或多个计算机的系统执行时使所述一个或多个计算机执行根据权利要求26至57所述的方法。

60.一种由一个或多个计算机的系统实现的方法，所述方法包括：

61.根据权利要求60所述的方法，其中所述第一机器学习模型和所述第二机器学习模型是基于所述图像序列是描绘所述心脏的左侧还是右侧来选择的。

62.一种系统，包括一个或多个计算机和存储指令的非暂时性计算机存储介质，所述指令当由所述一个或多个计算机执行时使所述一个或多个计算机：

63.根据权利要求62所述的系统，其中所述第一机器学习模型和所述第二机器学习模型是基于所述图像序列是描绘所述心脏的左侧还是右侧来选择的。

64.一种存储指令的非暂时性计算机存储介质，所述指令当由一个或多个计算机的系统执行时使所述一个或多个计算机：

65.根据权利要求64所述的计算机存储介质，其中所述第一机器学习模型和所述第二机器学习模型是基于所述图像序列是描绘所述心脏的左侧还是右侧来选择的。

66.一种由一个或多个计算机的系统实现的方法，其中所述方法包括：

67.根据权利要求66所述的方法，其中所述交互式用户界面呈现形成所述特定图像序列的所述血管图像的动画或影片。

68.根据权利要求67所述的方法，其中所述特定血管影像在所述动画或影片的所述呈现中被标识。

69.一种由一个或多个计算机的系统实现的方法，其中所述方法包括：

70.根据权利要求69所述的方法，其中所述交互式用户界面呈现形成所述特定图像序列的所述血管图像的动画或影片。

71.根据权利要求70所述的方法，其中所述特定血管图像在所述动画或影片的所述呈现中被标识。

技术总结描述了用于自动标识血管特征的方法。在一些实施例中，使用一个或多个基于机器学习(ML)的血管分类器，将其结果与至少一个其他血管分类器的结果组合以便产生最终结果。这种方法的潜在优点包括能够将ML分类器的某些优势与基于更经典(“基于公式的”)方法的分割方法组合。这些优势可以特别地包括标识图像内混合的解剖学上标识的目标，还示出外观相似但解剖学上不同的目标。技术研发人员：M·沙尔洪·利夫内,A·B·亚里,H·布莱彻·塞格夫,T·沙皮拉,O·A·诺克德·帕图什受保护的技术使用者：凯思沃克斯有限公司技术研发日：技术公布日：2024/11/21