专利名称：用于自动检测和分类心脏ct容积中的冠状动脉狭窄的方法和系统的制作方法
技术领域：
本发明涉及基于医学图像的冠状动脉狭窄的检测，并且尤其涉及自动检测和分类心脏计算机断层摄影(CT)容积中的冠状动脉狭窄。
背景技术：
根据美国心脏协会(American Heart Association)，在西方国家中冠状动脉疾病 (CAD)是引起死亡的病因之一。据评估每年在美国急诊部门中有大约六百万患者是因为急性胸痛。当前的诊断标准是传统侵入式冠状动脉血管造影，其不仅昂贵并且具有极大的风险。新产生的高性能CT扫描器，并且特别地双源CT扫描器的出现，能够获取高质量的冠状 CT血管造影(CCTA)图像。多数临床研究已经证明用于冠状病变检测的CCTA具有实用性， 并且特别地使用所谓的“三重排除(triple rule-out) ”技术来评估具有急性胸痛的急救室患者。因为其高质量，CCTA图像将来能够替代侵入式血管造影图像。特别地，CCTA图像的高阴性(negative)预测值允许医师通过单CT检查即可排除冠状血管中的大动脉解剖、肺动脉栓塞和显著狭窄。但是，阅读CCTA图像需要基本经验，并且通常只有接受良好培训的医师才能够合适地解释CCTA图像。因为低信噪比和运动/重建伪影而导致图像质量的变化，致使CCTA图像中的冠状动脉狭窄的检测、分类和评定(rating)受到挑战。即使专家努力使用CCTA图像给予正确的诊断。这仍将导致对冠状动脉狭窄的不正确或不协调的评估。因此，期望对冠状血管中各种类型的狭窄进行自动检测。
发明内容
本发明提供一种用于自动检测和分类心脏计算机断层摄影(CT)容积中的冠状动脉狭窄的方法和系统。本发明的实施例可以用于检测冠状血管中的狭窄以及量化狭窄的等级，以便排除非显著性狭窄。在本发明的一个实施例中，从3D CT容积中提取冠状血管中心线。基于冠状血管中心线来估计内腔横截面积。基于所估计的内腔横截面积来检测狭窄候选(candidate)。 非血管区域可以沿着冠状血管中心线来检测并且在估计内腔横截面积之前从冠状血管中心线移除。可以对所检测的狭窄候选进行分类。所检测的狭窄候选的分类可包括确定哪些所检测的狭窄候选是显著的，以及将每个显著的狭窄候选分类为钙化的、非钙化的以及混合的中的一个。
通过参考下面详细描述以及附图，本发明的这些以及其它优点对本领域技术人员来说将变得显而易见。图1示意了根据本发明实施例的用于自动检测和分类冠状动脉CT血管造影 (CCTA)图像容积中的冠状动脉狭窄的方法；图2示意了示例性冠状动脉中心线追踪结果；图3示意了从各个提取的中心线获得的示例性冠状动脉中心线树；图4A和4B示意了用于特征提取的圆柱形采样模式；图5和6示意了用于受训的非冠状血管区域检测器的ROC曲线；图7示意了图1的步骤106的非血管区域检测的示例性结果；图8示意了分成五个不相交的段的示例性血管树；图9示意了针对示例性中心线的段的狭窄候选检测；图10示意了根据本发明实施例的对狭窄候选进行分类的方法；图11示意了用于注释中心线和钙化病变的示例性注释方案；图12示意了用于训练钙化狭窄检测器的阳性(positive)训练采样的添加；图13示意了针对钙化狭窄检测器的ROC曲线；图14示意了使用受训钙化狭窄检测器的示例性钙化狭窄检测结果；图15和16示意了使用图1的方法获得的示例性狭窄检测和分类结果；以及图17是能够实现本发明的计算机的高级框图。
具体实施例方式本发明涉及用于自动检测、分级和分类心脏计算机断层摄影(CT)容积中的冠状动脉狭窄的方法和系统。在此对本发明的实施例进行描述，以便给出冠状动脉狭窄检测和分级方法的可视化理解。数字图像通常由一个或多个对象(或形状)的数字表示组成。在此通常从对象的识别和操作方面来描述对象的数字表示。这种操作是在计算机系统的存储器或其它电路/硬件中完成的虚拟操作。因此，可以理解通过使用存储在计算机系统内的数据可以在该计算机系统中实现本发明的实施例。图1示意了根据本发明实施例用于自动检测和分类冠状动脉CT血管造影(CCTA) 图像容积中的冠状动脉狭窄的方法。如图1所示，在步骤102，接收CCTA图像容积。CCTA 图像容积是3D心脏CT容积，其是在将造影剂注入到患者体内后获取的，由此示出对比度增强的冠状动脉。CCTA图像容积可以从CT扫描器接收。CCTA容积也可以通过加载之前存储的CCTA容积来接收。在步骤104，从CCTA图像中提取针对冠状血管的中心线。人工追踪3D心脏CT数据中的冠状动脉中心线是一项极单调乏味的工作。这归结于以下事实，即冠状动脉沿着难以精确跟踪的长路径前进。而且，利用CT图像获取的当前标准，冠状动脉可能在直径上仅具有少量体素。由于血管变窄、形成分支以及那些区域中的亮度损失，在冠状动脉的末端部分，跟踪冠状动脉中心线的工作甚至变得更困难。因此，已经提出了多种用于自动或半自动跟踪中心线的算法。用于冠状动脉跟踪(CAT)的自动方法典型地使用冠状动脉心门作为种
7子点来开始中心线跟踪。可以采用用于跟踪冠状血管中心线的任何方法来实现步骤104。 例如，用于提取冠状血管中心线的各种方法在D. Lesage等人的“A Review of 3D Vessel Lumen Segmentation Techniques :Models,Features and Extractions Schemes"Medical Image Analysis, 13 (6) :819_845，2009中得以描述，通过参考将其合并在此。根据有利的实施方式，冠状血管的中心线可以通过使用M.A. Gulsun等人在“Robust Vessel Tree Modeling，，In MICCAI’ 08 !Proceedings of the 11th International Conference on Medical Image Computing and Computer-Assisted Intervention，2008 中所述白勺方法而在步骤104中被提取，通过参考将其合并在此。在步骤106，对沿着中心线的非血管区域进行检测和移除。在可行的实施方式中， 受训的非冠状血管区域检测器用于检测沿着所提取的中心线的非血管区域。非冠状血管区域检测器可以是随机森林分类器(random forest classifier)，所述分类器基于注释的训练样本通过使用以圆柱形采样模式提取的旋转不变特征来训练。基于在每个点周围以圆柱形采样模式提取的旋转不变特征，非冠状血管区域检测器可以确定提取的中心线上的点是否处于非血管区域中。用于在步骤104提取冠状血管中心线的任何中心线跟踪算法在跟踪过程中都可能会出错，由此导致中心线进入非冠状动脉区域，诸如静脉、心室等。在某些情况下，一条冠状动脉的中心线可能被跟踪至另一冠状动脉或冠状静脉中。因此，在步骤104提取的某些中心线可能是部分或完全不正确的。图2示意了由步骤104产生的冠状动脉中心线跟踪结果的示例性的弯曲多面重建(CPR)视图。使用M.A. Gulsun等人的“Robust Vessel Tree Modeling" In MICCAI' 08 :Proceedings of the 11th International Conference on Medical Image Computing and Computer-Assisted Intervention，2008 中所述白勺方法来提取图2所示的冠状动脉中心线。在图2的图像200和210中，中心线202和212是部分不正确的并且分别被跟踪至心室和大动脉。在图像220和230中，中心线222和232 是部分不正确的并且被跟踪至静脉。在图像240和沈0中，中心线242和262是完全错误地跟踪至心室。表1概括了在使用如下算法针对具有1472条跟踪中心线的总共2 个容积进行跟踪冠状血管中心线中的误差，所述算法在M. A. Gulsun等人的“Robust Vessel Tree Modeling，，In MICCAI' 08 Proceedings of the 11th International Conference on Medical Image Computing and Computer-Assisted Intervention, 2008 中进行了描述。
权利要求
1.一种用于检测3D CT容积中的冠状动脉狭窄的方法，包括从3D CT容积中提取冠状血管中心线；基于所提取的冠状血管中心线来估计内腔横截面积；以及基于所估计的内腔横截面积来检测狭窄候选。
2.根据权利要求1所述的方法，还包括，在基于所提取的冠状血管中心线来估计内腔横截面积的步骤之前检测沿着所提取的冠状动脉中心线的非血管区域；以及将所检测的非血管区域从所提取的冠状血管中心线移除。
3.根据权利要求2所述的方法，其中检测沿着所提取的冠状动脉中心线的非血管区域的步骤包括使用受训非血管区域检测器，基于在沿着冠状血管中心线的多个点中的每一个点处使用圆柱形采样模式提取的旋转不变特征来检测非血管区域。
4.根据权利要求3所述的方法，其中受训非血管区域检测器是使用基于在多个所注释的训练样本点中的每一个点处使用圆柱形采样模式提取的旋转不变特征的随机森林来训练的。
5.根据权利要求1所述的方法，其中基于所提取的冠状血管中心线来估计内腔横截面积的步骤包括使用受训回归函数来估计所提取的冠状血管中心线中的多个点中的每一个点处的内腔横截面积。
6.根据权利要求5所述的方法，其中使用受训回归函数来估计所提取的冠状血管中心线中的多个点中的每一个点处的内腔横截面积的步骤包括基于使用圆柱形采样模式提取的各个点的旋转不变特征来估计多个点中的每一个点处的内腔。
7.根据权利要求1所述的方法，其中基于所估计的内腔横截面积来检测狭窄候选的步骤包括使用低通滤波器和样条平滑器的其中之一来生成基线曲线；通过从所估计的一段冠状血管中心线中的内腔横截面积减去基线曲线来生成消除趋势剩余曲线；提取消除趋势剩余曲线的局部最大量和局部最小量；以及基于消除趋势剩余曲线的局部最大量和局部最小量来检测该段冠状血管中的狭窄候选。
8.根据权利要求7所述的方法，其中基于所估计的内腔横截面积来检测狭窄候选的步骤还包括在提取消除趋势剩余曲线的局部最大量和局部最小量的步骤之前，对消除趋势剩余曲线进行平滑。
9.根据权利要求7所述的方法，其中基于所估计的内腔横截面积来检测狭窄候选的步骤还包括基于所估计的所检测的狭窄候选内的内腔半径来确定每个所检测的狭窄候选的等级。
10.根据权利要求1所述的方法，还包括对所检测的狭窄候选进行自动分类。
11.根据权利要求10所述的方法，其中对所检测的狭窄候选进行分类的步骤包括 将每个所检测的狭窄候选的至少一个特征与阈值进行比较以确定狭窄候选是否是显著的；放弃被确定为非显著的所有狭窄候选；以及将每个显著狭窄候选分类为钙化的、非钙化的以及混合的中的一个。
12.根据权利要求11所述的方法，其中将每个所检测的狭窄候选的至少一个特征与阈值进行比较以确定狭窄候选是否为显著的步骤包括将针对每个狭窄候选计算的等级与阈值进行比较；如果针对狭窄候选的等级大于所述阈值，则狭窄候选被确定为显著的；如果针对狭窄候选的等级不大于所述阈值，则狭窄候选被确定为非显著的。
13.根据权利要求11所述的方法，其中将每个显著狭窄候选分类为钙化的、非钙化的以及混合的中的一个的步骤包括使用受训钙化狭窄检测器来确定针对显著狭窄候选中的多个点中的每一个点的钙化概率得分；使用受训非钙化狭窄检测器来确定针对显著狭窄候选中的多个点中的每一个点的非钙化概率得分；以及基于显著狭窄候选中的多个点的钙化概率得分以及非钙化概率得分，将显著狭窄候选分类为钙化的、非钙化的以及混合的中的一个。
14.根据权利要求13所述的方法，其中基于显著狭窄候选中的多个点的钙化概率得分和非钙化概率得分对显著狭窄候选进行分类的步骤包括基于针对各个点的钙化概率得分和非钙化概率得分，将显著狭窄候选中的多个点中的每一个点分类为钙化的和非钙化的中的一个；以及基于在显著狭窄候选中被分类为钙化的多个点和非钙化的多个点的相对数量，将显著狭窄候选分类为钙化的、非钙化的和混合的中的一个。
15.根据权利要求1所述的方法，其中3DCT图像容积为计算机断层摄影血管造影 (CCTA)图像容积。
16.一种用于检测3D CT容积中的冠状动脉狭窄的设备，包括 用于从3D CT容积提取冠状血管中心线的装置；用于基于所提取的冠状血管中心线来估计内腔横截面积的装置；以及用于基于所估计的内腔横截面积来检测狭窄候选的装置。
17.根据权利要求16所述的设备，还包括用于检测沿着所提取的冠状动脉中心线的非血管区域的装置；以及用于将所检测的非血管区域从所提取的冠状血管中心线移除的装置。
18.根据权利要求17所述的设备，其中用于检测沿着所提取的冠状动脉中心线的非血管区域的装置包括用于使用受训非血管区域检测器，基于在沿着冠状血管中心线的多个点中的每一个点处使用圆柱形采样模式提取的旋转不变特征来检测非血管区域的装置。
19.根据权利要求16所述的设备，其中用于基于所提取的冠状血管中心线来估计内腔横截面积的装置包括用于估计使用受训回归函数而提取的冠状血管中心线中的多个点中的每一个点处的内腔横截面积的装置。
20.根据权利要求16所述的设备，其中用于基于所估计的内腔横截面积来检测狭窄候选的装置包括用于使用低通滤波器和样条平滑器中的一个来生成基线曲线的装置； 用于通过从所估计的一段冠状血管中心线中的内腔横截面积减去基线曲线来生成消除趋势剩余曲线的装置；用于提取消除趋势剩余曲线的局部最大量和局部最小量的装置；以及用于基于消除趋势剩余曲线的局部最大量和局部最小量来检测该段冠状血管中的狭窄候选的装置。
21.根据权利要求16所述的设备，还包括 用于对所检测的狭窄候选进行分自动类的装置。
22.根据权利要求21所述的设备，其中用于对所检测的狭窄候选进行分类的装置包括用于将每个所检测的狭窄候选的至少一个特征与阈值进行比较以确定狭窄候选是否为显著的装置；用于放弃被确定为非显著的所有狭窄候选的装置；以及用于将每个显著狭窄候选分类为钙化的、非钙化的和混合的中的一个的装置。
23.根据权利要求22所述的设备，其中用于将每个显著狭窄候选分类为钙化的、非钙化的和混合的中的一个的装置包括用于使用受训钙化狭窄检测器来确定针对显著狭窄候选中的多个点中的每一个点的钙化概率得分的装置；用于使用受训非钙化狭窄检测器来确定针对显著狭窄候选中的多个点中的每一个点的非钙化概率得分的装置；以及用于基于显著狭窄候选中的多个点的钙化概率得分和非钙化概率得分来将显著狭窄候选分类为钙化的、非钙化的以及混合的中的一个的装置。
24.一种利用用于检测3D CT容积中的冠状动脉狭窄的计算机可执行指令编码的非短暂计算机可读介质，所述计算机可执行指令限定包括如下各项的步骤从3D CT容积提取冠状血管中心线； 基于所提取的冠状血管中心线来估计内腔横截面积；以及基于所估计的内腔横截面积来检测狭窄候选。
25.根据权利要求M所述的计算机可读介质，还包括限定如下步骤的计算机可执行指令检测沿着所提取的冠状动脉中心线的非血管区域；以及将所检测的非血管区域从所提取的冠状血管中心线移除。
26.根据权利要求25所述的计算机可读介质，其中限定检测沿着所提取的冠状动脉中心线的非血管区域的步骤的计算机可执行指令包括限定如下步骤的计算机可执行指令使用受训非血管区域检测器，基于在沿着冠状血管中心线的多个点中的每一个点处使用圆柱形采样模式提取的旋转不变特征来检测非血管区域。
27.根据权利要求M所述的计算机可读介质，其中限定基于所提取的冠状血管中心线来估计内腔横截面积的步骤的计算机可执行指令包括限定如下步骤的计算机可执行指令估计使用受训回归函数而提取的冠状血管中心线中的多个点中的每一个点处的内腔横截面积。
28.根据权利要求M所述的计算机可读介质，其中限定基于所估计的内腔横截面积来检测狭窄候选的步骤的计算机可执行指令包括限定如下步骤的计算机可执行指令使用低通滤波器和样条平滑器中的一个来生成基线曲线；通过从所估计的一段冠状血管中心线中的内腔横截面积中减去基线曲线来生成消除趋势剩余曲线；提取消除趋势剩余曲线的局部最大量和局部最小量；以及基于消除趋势剩余曲线的局部最大量和局部最小量来检测该段冠状血管中的狭窄候选。
29.根据权利要求M所述的计算机可读介质，还包括限定如下步骤的计算机可执行指令对所检测的狭窄候选进行自动分类。
30.根据权利要求四所述的计算机可读介质，其中限定对所检测的狭窄候选进行分类的步骤的计算机可执行指令包括限定如下步骤的计算机可执行指令将每个所检测的狭窄候选的至少一个特征与阈值进行比较以确定狭窄候选是否是显著的；放弃被确定为非显著的所有狭窄候选；以及将每个显著狭窄候选分类为钙化的、非钙化的以及混合的中的一个。
31.根据权利要求30所述的计算机可读介质，其中限定将每个显著狭窄候选分类为钙化的、非钙化的和混合的中的一个的步骤的计算机可执行指令包括限定如下步骤的计算机可执行指令使用受训钙化狭窄检测器来确定针对显著狭窄候选中的多个点中的每一个点的钙化概率得分；使用受训非钙化狭窄检测器来确定针对显著狭窄候选中的多个点中的每一个点的非钙化概率得分；以及基于显著狭窄候选中的多个点的钙化概率得分以及非钙化概率得分，将显著狭窄候选分类为钙化的、非钙化的以及混合的中的一个。
全文摘要
本发明涉及用于自动检测和分类心脏CT容积中的冠状动脉狭窄的方法和系统。公开了一种用于提供对3D CT图像数据中的冠状狭窄进行检测和分类的方法和系统。从CT图像数据中提取冠状血管的中心线。检测非血管区域并将其从冠状血管中心线移除。基于冠状血管中心线，使用受训回归函数来估计内腔的横截面积。基于所估计的内腔横截面积检测冠状血管中的狭窄候选，并且将显著狭窄候选自动分类为钙化的、非钙化的或混合的。
文档编号A61B6/03GK102258381SQ201110101248
公开日2011年11月30日 申请日期2011年3月11日 优先权日2010年3月12日
发明者A·岑巴尔, B·乔治斯库, D·伯恩哈德特, D·科马尼丘, F·贝加-希格拉, M·克尔姆, S·米塔尔, 周少华, 郑冶枫 申请人:西门子公司