来自X射线图像数据的炎症估计的制作方法

本发明涉及图像数据分析设备、图像数据分析系统、用于分析图像数据的方法和计算机程序。具体地，本发明涉及用于分析患者的心血管系统的部分的图像数据以便估计心血管系统的该部分中的炎症的水平的图像数据分析设备。图像数据能够从图像扫描器、具体地从x射线断层摄影扫描器(例如计算机断层摄影(ct)扫描器，诸如谱ct扫描器、锥形束ct扫描器、断层合成扫描器、数字x射线系统等)来提供。

背景技术：

冠状动脉疾病(cad)在世界范围内是死亡的最常见原因。在cad患者之中，急性冠状动脉综合症(acs)可以从阻塞性或非阻塞性冠状动脉粥样硬化斑块的侵蚀或破裂发展而来。冠状动脉计算机断层摄影血管造影(ccta)是由于其高阴性预测值而排除cad的无创技术。ccta通常用来表征现有冠状动脉病变的解剖外观。ccta通常使用富碘对比剂和ct扫描来检查向心脏供应血液的动脉，并且确定它们是否已经由于斑块积聚而变窄。

冠状动脉周围脂肪组织体积被认为与斑块的存在相关联。此外认为通过hu测量的冠状动脉周围脂肪组织的质量可以用作用于早期炎症的存在的指标。冠状动脉周围脂肪组织中的炎症与具有cad的患者中的未来acs相关联。冠状动脉周围脂肪组织炎症在ccta中通过使用特定范围的亨氏单位(hu)对ccta进行阈值处理来表征。

wo2016/024128示出了一种用于使用从沿着血管的长度的ct扫描收集的数据来体积地表征血管周围组织的方法。血管周围组织通过量化血管周围组织的一个或多个同心层中的每个中的放射密度并且确定量化的放射密度值中的一个或多个是在基准放射密度值之上还是之下来体积地表征。具体地，放射密度能够以hu来量化。

技术实现要素：

能够将本发明的目的视为提供允许改善心血管系统的部分中的炎症的估计的图像数据分析设备、图像数据分析系统、用于分析图像数据的方法和计算机程序。

在本发明的第一方面中，提出了一种用于分析患者的心血管系统的部分的x射线图像数据以便估计所述心血管系统的所述部分中的炎症的水平的图像数据分析设备。所述图像数据分析设备包括数据接收单元、数据建模单元、特征提取单元和数据处理单元。所述数据接收单元被配置用于接收包括所述患者的所述心血管系统的所述部分的x射线图像数据。所述数据建模单元被配置用于从所述图像数据生成所述心血管系统的所述部分的分割模型。所述特征提取单元被配置用于从所述分割模型提取与炎症有关的预定特征。所述数据处理单元被配置用于根据提取的特征的炎症函数来计算炎症值。所述炎症值中的每个表示所述心血管系统的所述部分中的炎症的水平。

由于所述图像数据分析设备包括用于从所述分割模型提取与炎症有关的预定特征的特征提取单元，所述预定特征能够被提供为到所述炎症函数的输入。这允许改善心血管系统的该部分中的炎症的水平的估计，因为相比于仅仅依赖于hu值的设备，炎症的估计更不受成像伪影(诸如射束硬化和运动影响以及其他)影响。易损斑块(即，高概率破裂的斑块)的无创评价和未来acs的预测通过所述图像数据分析设备来实现。具体地，针对由于可疑的cad而经历ccta的患者易损斑块的评价和acs的概率的预测能够被实现。此外，在任何身体损伤发生之前早期阶段中的cad的改善的评价能够被实现，该改善的评价允许改善针对患者的处置计划和/或通过药物的处置。

x射线图像数据是利用x射线断层摄影扫描器采集的图像数据，例如计算机断层摄影(ct)扫描器，诸如谱ct扫描器、锥形束ct扫描器、断层合成扫描器、数字x射线系统等。

心血管系统的该部分能够例如是患者的颈动脉、心脏解剖结构、冠状动脉树或冠状动脉树的一部分。在这种情况下，数据建模单元能够例如被配置用于从图像数据生成患者的冠状动脉树的解剖模型(例如，三维解剖模型)形式的分割模型。

分割模型包括诸如心血管系统的该部分的脉管壁、组织、管腔或液体的分割部分。分割部分能够例如是冠状动脉树脉管壁、冠状动脉周围脂肪组织、骨骼、冠状动脉管腔、血液或其他分割部分。分割部分的材料具有允许在分割部分之间进行区别的不同元素、密度和/或厚度。所述数据建模单元能够被配置为基于算法来生成分割模型，诸如在m.freiman,h.nickisch,s.prevrhal,h.schmitt,m.vembar,p.maurovich-horvat,p.donnelly,andl.goshen的“improvingccta-basedlesions’hemodynamicsignificanceassessmentbyaccountingforpartialvolumemodelinginautomaticcoronarylumensegmentation”(med.phys.vol.44,no.3,pp.1040-1049,mar.2017)中提出的算法，在此通过引用将其并入。此外，分割部分能够被手动地和/或根据预定的参考来调整。

预定特征能够被手动地设计和/或使用机器学习方法从图像数据来学习。手动设计的特征包括例如组织体积、hu值、基于梯度的特征和纹理特征。纹理特征(诸如共生矩阵等)能够例如在其他特征的图上面进行计算。机器学习方法包括例如词典学习、深度学习或其他机器学习方法。所有预定特征都能够例如被包括到实值向量patient_speicific_features∈rⁿ内。

所述数据处理单元能够被配置用于使用向量patient_speicific_features作为到炎症函数的输入，以便计算表示心血管系统的该部分的图像的每个体素处、仅从分割模型提取特征的体素处、或仅分割模型的一个或多个分割部分的体素处的炎症值。

在图像数据分析设备的一个实施例中，所述特征提取单元被配置为基于对分割模型执行的模式识别来提取预定特征。模式识别能够通过模式识别算法来执行。模式识别算法能够例如是基于准则的算法、机器学习算法或任何其他合适的算法。

所述炎症函数能够通过机器学习方法来优化，例如，监督式学习方法，诸如深度神经网络、回归森林、随机森林、支持向量机和其他监督式学习方法。在监督式学习方法中，多对输入和输出(被称为训练数据)用来基于优化准则找到炎症函数。训练数据包括炎症的实际水平，所述炎症的实际水平能够用来比较通过炎症函数估计的炎症值与训练数据中的炎症的实际值之间的误差。训练流程能够通过以下来描述

其中是优化的炎症函数，f是要被优化的当前的炎症函数，error是用于优化的机器学习模型，并且x是训练数据中的炎症的实际值。机器学习模型能够包括一个或多个正则化项。过拟合能够例如使用标准技术来避免，诸如交叉验证，例如，留一交叉验证等。优化能够使用标准技术来执行，例如，随机梯度下降算法以及其他。

所述炎症函数能够根据训练数据来优化，所述训练数据包括组织学分析数据、疾病结果数据、和/或从允许估计炎症的水平的医学成像技术接收的数据。因此，训练数据能够包括组织学分析数据、疾病结果数据、从允许估计炎症的水平的医学成像技术接收的数据、或其任意组合。组织学数据包括关于从心血管系统的该部分的显微镜研究导出的关于炎症的水平的信息。疾病结果数据包括关于疾病的发生的信息、采集图像数据与疾病的发生之间的之间、疾病的水平、或关于疾病的结果的任何其他信息。疾病结果数据还能够包括两种或更多种疾病的信息。疾病能够例如是acs。在这种情况下，疾病结果数据是acs结果数据，并且acs结果数据包括于acs的发生的信息、acs的水平、ccta与acs事件之间的时间、或关于acs结果的任何其他信息。从允许估计炎症的水平的医学成像技术接收的数据能够例如是pet数据或允许估计炎症的水平的任何其他数据。

所述图像数据分析设备能够包括可视化单元。所述可视化单元能够被配置用于将所述炎症值可视化或者将所述炎症值与所述分割模型一起可视化。因此，所述可视化单元能够被配置为生成针对表示心血管系统的该部分的图像的每个体素、仅针对从分割模型提取特征的体素、或仅针对分割模型的一个或多个分割部分的体素的炎症值的图。得到的图量化炎症，并且允许视觉地且定量地评价斑块易损的风险和新易损斑块发展的风险。所述可视化单元能够被配置为基于炎症值生成不同的视图。所述视图能够包括多平面重新格式化的脉管树视图、三维颜色编码的表面网格视图、平坦表面表示、或允许导出关于炎症的信息以及斑块易损性的风险和新易损斑块发展的风险的任何其他视图。在多平面重新格式化的脉管树视图中，能够沿着冠状动脉树中心线使用笔直多平面或弧形多平面重新格式化对例如心脏解剖结构的图进行采样，以沿着冠状动脉生成炎症值图的视图。在该实施例中，所述可视化单元能够被配置为允许放大和缩小视图，使得例如一个脉管或整个冠状动脉树能够被观察。在三维颜色编码的表面网格视图中，心血管系统的该部分能够与利用炎症值颜色编码的表面网格叠加。在平坦表面表示中，炎症值能够利用炎症值被颜色编码在平坦网格上。

图像数据能够例如包括从由ct扫描器采集的ct投影数据重建的心血管系统的该部分的ct图像。

图像数据能够是谱图像数据，诸如谱ct数据。谱图像数据是包括在至少两种不同水平的能量下的图像数据的图像数据。谱ct数据是包括在至少两种不同水平的能量下的ct数据的ct数据。谱ct数据能够例如利用谱ct扫描器来采集，诸如光子计数的ct扫描器、双源ct扫描器、执行kvp转换的ct扫描器、或具有多层探测器(诸如将探测器处到达x射线通量分成两种水平的能量的双层探测器系统)的ct扫描器。双源ct扫描器能够例如包括在不同位置处的在两种能量下操作的两个x射线和均接收由x射线源中的一个提供的x射线通量的两个探测器阵列。执行kvp转换的ct扫描器能够例如包括在两个不同电压之间快速地转换的一个x射线源。具有多层探测器的ct扫描器能够例如在探测器层之间具有一个或多个不同的滤波器，诸如锡或金箔。

假如图像数据是谱图像数据，诸如谱ct数据，数据建模单元能够被配置为使用包含谱图像数据的谱实现的算法。这能够允许改善分割模型的分割。额外地或备选地，所述特征提取单元能够被配置为提取谱依赖的特征，诸如谱修正的hu值(即，单色hu值)和/或谱结果(诸如谱脂肪图、z-有效值)、或能够从谱图像数据并且具体地从谱ct数据导出的其他信息。谱脂肪图能够使用谱ct数据基于材料分解来获得。谱ct数据能够例如使用两种材料基础在投影域或图像域中进行分解。两种材料基础能够例如是碘和水或光电效应和康普顿散射效应。此外，在描述hu值、谱修正的hu值、谱结果的特征和基于梯度的特征的图上面计算的纹理特征(诸如共生矩阵等)能够是特征提取单元能够被配置为提取的设计特征。预定特征能够被包括在实值向量patient_speicific_features中。

图像数据能够备选地是多色ct数据。多色ct数据能够例如通过具有能量积分探测器的ct扫描器来采集。

所述数据接收单元此外能够被配置用于接收额外的患者数据，例如人口统计学数据、疾病结果数据、实验室检查结果数据、或与估计炎症有关的任何其他数据。人口统计学数据能够包括患者的性别、年龄、体重、身高等。实验室检查结果数据能够例如包括组织学数据或通过实验室检查获得的任何其他数据。

所述数据处理单元能够被配置为基于所述炎症值估计针对所述心血管系统的所述部分中的斑块的发展的概率、针对所述心血管系统的所述部分中的斑块的破裂的概率、或针对所述心血管系统的所述部分中的斑块的发展的概率和针对所述心血管系统的所述部分中的斑块的破裂的概率。这允许预测未来acs事件的概率。所述数据处理单元因此能够被配置用于根据炎症值计算针对斑块的破裂的概率函数和/或根据炎症值计算针对斑块的发展的概率函数的概率值。

所述图像数据分析设备能够包括用户接口。所述用户接口能够被配置为提供用户与所述图像数据分析设备之间的交互的用户接口。用户能够基于炎症值分布的统计学描述符估计心血管系统的部分中的炎症的水平，包括诸如平均值、标准偏差、中值、最大值、最小值、基于脂肪图的特征的统计学描述符或任何其他统计学描述符。此外，例如对于心脏解剖结构，诸如总炎症负担、源于整个冠状动脉周围脂肪组织的百分比炎症负担、冠状动脉树上面的平面炎症值或冠状动脉树中的一组病变等的量能够用于估计整个冠状动脉树上面的炎症的水平。用户接口还能够允许用户通过可视化单元20可视化的图中的一个或多个区域(例如特定病变)，以便对被包括在选定区域中的数据执行措施。具体地，用户能够基于统计学描述符估计选定区域的炎症。这允许支持如何处置患者的决策。用户接口此外能够被配置为根据炎症值提供对于措施(诸如患者的处置)的建议。随着时间的炎症的水平的比较能够允许评价疾病进展或响应于治疗。因此，炎症值能够支持通过药物或备选的医学介入(例如，手术)处置患者的决策。

在本发明的又一方面中，提出了一种图像数据分析系统。所述系统包括根据本发明的任何实施例的图像数据分析设备和用于生成患者的心血管系统的部分的x射线图像数据的图像扫描器。所述图像数据分析系统被配置为向用于分析所述图像数据的所述图像数据分析设备通过由所述图像扫描器生成的所述x射线图像数据。

所述图像扫描器特别是x射线断层摄影扫描器，例如ct扫描器，诸如谱ct扫描器、锥形束ct扫描器、断层合成扫描器、数字x射线系统等。假如所述图像扫描器是ct扫描器，其能够被配置用于生成用于ccta的图像数据。

所述图像数据分析系统能够包括训练设备，用于优化所述图像数据分析设备的所述炎症函数。所述训练设备能够被配置为使用机器学习方法来训练炎症函数，例如，监督式学习方法，诸如深度神经网络、回归森林、随机森林、支持向量机和其他监督式学习方法。额外地或备选地，所述训练设备能够被配置为根据训练数据来优化炎症函数。所述训练数据能够包括组织学分析数据、疾病结果数据、和/或从医学成像技术接收的数据。因此，所述训练设备能够例如被配置用于接收图像数据以及相关联的组织学数据和疾病数据，并且用于基于训练数据对炎症函数进行训练以便优化炎症函数。

所述图像数据分析系统能够被配置用于分析所述患者的所述心血管系统的所述部分。所述图像数据分析系统此外能够被配置为估计炎症的水平，例如，冠状动脉周围炎症的水平，在所分析的心血管系统的部分是心脏解剖结构的情况下。

在本发明的又一方面中，提出了一种用于分析患者的心血管系统的部分的x射线图像数据以便估计所述心血管系统的所述部分中的炎症的水平的方法。所述方法包括以下步骤：

接收包括所述患者的所述心血管系统的所述部分的x射线图像数据，

从所述图像数据生成所述心血管系统的所述部分的分割模型，

从所述分割模型提取与炎症有关的预定特征，

根据提取的特征的炎症函数计算炎症值。所述炎症值中的每个表示所述心血管系统的所述部分中的炎症的水平。

提取预定特征能够通过对所述分割模型执行模式识别来执行。

图像数据能够例如从ccta接收。图像数据能够例如是谱ct数据。所述炎症函数能够通过机器学习方法来优化。

所述方法能够包括将所述炎症值可视化或者将所述炎症值与所述分割模型一起可视化的步骤。可视化能够通过基于所述炎症值生成不同视图来执行。

在本发明的又一方面中，提出了一种用于分析患者的心血管系统的部分的x射线图像数据以便估计所述心血管系统的所述部分中的炎症的水平的计算机程序。所述计算机程序包括程序代码模块，当所述计算机程序在处理器上被运行时，所述程序代码模块用于使所述处理器执行根据权利要求12所述的方法。

在其他实施例中，所述计算机程序能够包括用于引起处理器执行根据本发明的方法的任何实施例的方法的程序代码模块。

在本发明的又一方面中，提出了根据本发明的任何实施例的用于预测acs的图像数据分析设备的使用。

所述图像数据分析设备还能够用于估计针对所述心血管系统的所述部分中的斑块的发展的概率和/或针对所述心血管系统的所述部分中的斑块的破裂的概率。

在本发明的又一方面中，提出了根据本发明的任何实施例的用于预测acs的方法的使用。

所述方法还能够用于估计针对所述心血管系统的所述部分中的斑块的发展的概率和/或针对所述心血管系统的所述部分中的斑块的破裂的概率。

应当理解，根据权利要求1的图像数据分析设备、根据权利要求9的图像数据分析系统、根据权利要求12的用于分析图像数据的方法和根据权利要求15的用于分析图像数据的计算机程序具有具体地与在从属权利要求中限定的类似的和/或相同的优选实施例。

应当理解，本发明的优选实施例也能够是从属权利要求或以上实施例与相应独立权利要求的任意组合。

参考下文所述的实施例，本发明的这些方面和其他方面将是显而易见的并且得到阐明。

附图说明

图1示意性地且示范性地示出了包括图像数据分析设备的第一实施例的图像数据分析系统的实施例，

图2示意性地且示范性地示出了图像数据分析设备的第二实施例，

图3示意性地且示范性地示出了用于分析图像数据的方法的实施例，

图4示出了以示范性视图形式的利用图像数据分析设备分析的冠状动脉的图像数据的可视化。

具体实施方式

图1示意性地且示范性地示出了包括图像数据分析设备10的实施例的图像数据分析系统100的实施例。图像数据分析系统100的该实施例包括ct扫描器101。在其他实施例中，图像数据分析系统100能够例如包括任何其他类型的x射线断层摄影扫描器，例如谱ct扫描器、锥形束ct扫描器、断层合成扫描器、数字x射线系统等。

除了图像数据分析设备10和ct扫描器101之外，图像数据分析系统100包括用户接口118和训练设备120。

ct扫描器101包括固定机架102、可旋转机架104、检查区域106、辐射源108、辐射敏感性探测器阵列110、图像数据处理设备112和对象支撑件116。

可旋转机架104由固定机架102可旋转地支撑，以便围绕检查区域106的z-轴旋转。

在该实施例中，辐射源108是x射线管。在其他实施例中，多于一个辐射源能够是图像扫描器的一部分。辐射源108和辐射敏感性探测器阵列110由可旋转机架104可旋转地支撑，并且被布置在检查区域106周围。在其他实施例中，多于一个探测器阵列能够是图像扫描器的一部分，例如，两个探测器在两个层中。

为了执行对象的扫描，对象被布置在对象支撑件116上，并且被移动到检查区域106内。对象支撑件116可沿着z-轴移动，以便将对象移动到检查区域106内。

辐射源108发出辐射114，辐射114从辐射源108行进通过检查区域106和对象(未示出)到达辐射敏感性探测器阵列110。辐射敏感性探测器阵列110因此接收表示一个角度设置的投影形式的图像的数据。为了从表示图像的数据重建图像，需要接收从若干角度的投影。因此，辐射源108和辐射敏感性探测器阵列110围绕检查区域106旋转以扫描对象。在扫描期间，辐射源108以若干角度发出辐射114，并且辐射敏感性探测器阵列110在若干角度下接收该辐射114。扫描的角度范围能够例如是180°、270°或360°。在另一实施例中，探测器阵列110能够接收具有至少两种不同能量水平的辐射。

辐射敏感性探测器阵列110为图像数据处理设备112提供表示图像的数据。图像数据处理设备112从表示图像的数据重建图像，以便生成x射线图像数据。在该实施例中，ct扫描器101扫描患者的心血管系统的部分。x射线图像数据因此包括患者的心血管系统的部分。由ct扫描器101生成的x射线图像数据被提供给用于分析图像数据的图像数据分析设备10。

尽管在上面描述的实施例中图像数据分析系统100适合于分析对象的图像，但是它也能够适合于分析物体(例如人工心血管系统的部分)的图像。因此，具体地，对象支撑件116能够适合于支撑物体(未示出)。

在该实施例中，用户接口118是触摸显示器。用户接口118是可选的，并且能够是实现用户与图像数据分析系统100之间的交互的任何其他接口，例如个人计算机或屏幕、键盘和鼠标。用户接口118从使用图像数据分析系统100的用户接收数据，例如诸如旋转角度或要被扫描角度的范围、用于扫描的kv设置的参数或其他参数。用户接口118也能够用来控制图像数据分析系统100、图像数据分析设备10和训练设备120。

用户接口118此外为使用用户接口118的用户提供由图像数据分析系统100提供的图像。

在图像数据分析系统100的该实施例中，系统的部件(即，ct扫描器101、图像数据分析设备10、训练设备120和用户接口118)通过电线被连接。备选地，部件也能够被无线地连接(未示出)。

图像数据分析设备10包括数据接收单元12、数据建模单元14、特征提取单元16、数据处理单元18和可视化单元20。图像数据分析设备10用于分析患者的心血管系统的该部分的x射线图像数据，以便估计心血管系统的该部分中的炎症的水平。这允许预测存在于心血管系统的该部分中的斑块是否有可能破裂并且因此引起acs，以及预测心血管系统的该部分中的新斑块的发展是否有可能。

数据接收单元12从ct扫描器101接收包括患者的心血管系统的该部分的x射线图像数据。在该实施例中，ct扫描器101用于扫描患者的心脏解剖结构。因此，在数据接收单元12处接收包括心脏解剖结构的x射线图像数据。从利用ct扫描器101采集的ct投影数据重建图像数据。在其他实施例中，谱ct数据能够例如使用双层探测器系统来采集，所述双层探测器系统将探测器处的x射线通量分成两种水平的能量。备选地，用于导出谱ct数据的任何其他系统能够被使用，例如使用另一种类型的多层探测器、光子计数的ct扫描器、双源ct扫描器、或执行kvp转换的ct扫描器。数据接收单元12此外接收人口统计学数据、疾病结果数据和实验室检查结果数据形式的额外患者数据。与估计炎症有关的任何其他数据也能够被提供作为额外患者数据。然而，额外患者数据对于估计炎症不是必要的。

数据建模单元14基于在m.freiman,h.nickisch,s.prevrhal,h.schmitt,m.vembar,p.maurovich-horvat,p.donnelly,andl.goshen的“improvingccta-basedlesions’hemodynamicsignificanceassessmentbyaccountingforpartialvolumemodelinginautomaticcoronarylumensegmentation”(med.phys.vol.44,no.3,pp.1040-1049,mar.2017)中提出的算法从图像数据生成冠状动脉树的三维解剖模型。解剖模型被分割为分割部分，例如冠状动脉树脉管壁、冠状动脉周围脂肪组织、冠状动脉管腔和患者的心脏解剖结构的其他分割部分。此外，分割部分能够使用对技术人员已知的各种工具被手动地调整，例如诸如具有综合性心脏应用(cca)的philipsintellispaceportal的商用工具。在其他实施例中，用于对心脏解剖结构进行分割的其他合适的算法或方法能够被使用。此外，如果该部分被扫描并且心血管系统的扫描部分的图像数据被数据接收单元12接收，心血管系统的任何其他部分的分割模型能够被生成。

特征提取单元16从由数据建模单元14生成的分割模型提取与炎症有关的预定特征。在该实施例中，预定特征与冠状动脉周围脂肪组织炎症有关。因此，一些预定特征被手动地设计，并且其他预定特征通过机器学习算法来学习。使用特征提取单元16基于模式识别算法来提取预定特征。手动设计的特征尤其包括冠状动脉脂肪组织处或附近的常规hu值、基于梯度的特征和其他特征的纹理特征(具体地在其他特征的图上面计算的共生矩阵)。机器学习方法包括词典学习和深度学习方法。在其他实施例中，任何其他机器学习方法能够用于训练特征提取单元16来提取预定特征。所有提取的预定特征都包括到实值向量patient_speicific_pericoronary_features∈rⁿ内。

数据处理单元18使用向量patient_speicific_pericoronary_features作为到炎症函数f的输入，以便计算如通过由数据建模单元14执行的分割确定的表示冠状动脉周围脂肪组织的每个体素处的炎症值，即，根据提取的特征的炎症函数(f(patient_speicific_pericoronary_features)＝inflammation_values)仅在被确定为是冠状动脉周围脂肪组织的分割部分的体素处进行计算。炎症值中的每一个表示炎症的水平。因此，炎症函数f能够用来估计表示冠状动脉周围脂肪组织的每个体素处的炎症的水平。炎症函数f隐含地描述了输入的提取的特征与输出的表示炎症的水平的炎症值之间的统计学关系。在其他实施例中，数据处理单元18还能够计算表示心血管系统的扫描部分的图像的每个体素处、仅从分割模型提取特征的体素处、或仅分割模型的一个或多个分割部分的体素处的炎症值。

若干机器学习模型能够用来找到并优化炎症函数f。在该实施例中，监督式学习方法被使用。在该方法中，多对输入和输出(被称为训练数据)用来使用一些优化准则找到炎症函数f。炎症函数f一旦被生成，然后就能够用于估计各种患者的心脏解剖结构中的炎症值。在该实施例中，为了找到并优化炎症函数，训练设备120基于深度神经网络来使用。其他监督式学习方法包括回归森林、随机森林、支持向量机和其他监督式学习方法。此外，包括训练炎症函数f所需的炎症的实际水平的训练数据通过经历ccta检查以便生成组织学分析数据的患者的冠状动脉周围脂肪组织的组织学分析并且研究acs的发生和ccta检查与acs事件之间的时间以便生成acs结果数据来获得。在其他实施例中，进一步的训练数据能够被获得，例如，从允许估计炎症的水平的医学成像技术接收的数据，诸如pet数据。

由训练设备120执行以便优化炎症函数的训练程序能够通过以下来描述：

其中是经优化的炎症函数，f是当前的炎症函数，error是用于优化的机器学习模型，并且x是训练数据中的炎症的实际值。在其他实施例中，机器学习模型包括一个或多个正则化项。在该实施例中，过拟合通过留一交叉验证(leave-one-out)来避免。任何其他标准技术(诸如任何其他交叉验证等)也能够被使用以便避免过拟合。在该实施例中，优化通过随机梯度下降算法来执行。任何其他标准技术能够用于优化。

在其他实施例中，数据处理单元18被配置为基于炎症值估计针对心血管系统的该部分中的斑块的发展的概率和/或针对心血管系统的该部分中的斑块的破裂的概率。这允许预测未来acs事件的概率。数据处理单元因此计算根据炎症值的针对斑块的破裂的概率函数或根据炎症值的针对斑块的发展的概率函数的概率值。相应的概率函数能够通过机器学习方法基于训练数据来优化。

可视化单元20可视化炎症值或炎症值以及冠状动脉树的解剖模型。在该实施例中，可视化单元20是可选的，并且图像能够经由用户接口118被提供为输出。可视化单元20针对如通过由数据建模单元14执行的分割确定的冠状动脉周围脂肪组织的每个体素的炎症值的图。在其他实施例中，可视化单元20还能够生成针对表示心血管系统的扫描部分的图像的每个体素、仅针对从分割模型提取特征的体素、或仅针对分割模型的一个或多个分割部分的体素的炎症值的图。得到的图量化冠状动脉周围脂肪组织炎症，并且允许视觉地且定量地评价斑块易损的风险和新易损斑块发展的风险。

可视化单元20能够基于炎症值生成不同的视图(在图4中能够发现范例视图300)。这允许为用户提供更多的信息。视图包括多平面重新格式化的脉管树视图(参考图4)、三维颜色编码的表面网格视图、平坦表面表示、或允许导出关于炎症的信息以及斑块易损性的风险和新易损斑块发展的风险的任何其他视图。在多平面重新格式化的脉管树视图中，沿着冠状动脉树中心线使用笔直多平面或弧形多平面重新格式化对图进行采样，以沿着冠状动脉生成炎症值图的视图。在该实施例中，可视化单元20允许放大和缩小视图，使得例如一个脉管或整个冠状动脉树能够被观察。

在三维颜色编码的表面网格视图中，心血管系统的该部分能够与利用炎症值颜色编码的表面网格叠加。

在平坦表面表示中，炎症值能够利用炎症值被颜色编码在平坦网格上。

在该实施例中，图像数据分析设备10此外包括用于分析患者的心血管系统的部分的图像数据以便估计心血管系统的该部分中的炎症的水平的计算机程序。计算机程序被存储在存储器(未示出)中。计算机程序包括程序代码模块，当计算机程序在图像数据分析设备10上被运行时，所述程序代码模块用于引起图像数据分析设备10执行如针对图3描述的相应方法。备选地或额外地，其他计算机程序能够被包括在存储器中，例如，用于执行图像处理任务，例如抗混叠、伪影减少或图像操纵(诸如拖动、测量距离等)。

图2示意性地且示范性地示出了图像数据分析设备10’的第二实施例。图像数据分析设备10’的第二实施例类似于图像数据分析设备10的第一实施例。然而，图像数据分析设备10’的第二实施例包括用户接口22，并且使用谱ct数据用于分析患者的心血管系统的部分。在该实施例中，分析患者的心脏解剖结构。备选地，能够分析心血管系统的任何其他部分。

图像数据分析设备10’包括数据接收单元12、数据建模单元14、特征提取单元16、数据处理单元18、可视化单元20和用户接口22。

在该实施例中，数据接收单元12接收谱ct数据。能够无线或经由有线连接接收谱ct数据。谱ct数据通过谱ct扫描器来采集，在该实施例中，所述谱ct扫描器是将探测器处的x射线通量分成两种水平的能量的双层系统。因此，在该实施例中，谱ct数据包括在两种不同水平的能量下采集的ct数据。备选地，能够使用允许以两种或多于两种不同水平的能量采集ct数据的其他谱ct扫描器。

数据建模单元14基于允许增强分割的谱ct数据生成冠状动脉树的三维解剖模型形式的分割模型。谱ct数据的使用允许不同材料之间的更容易区别，使得分割能够被增强。

特征提取单元16从分割模型提取预定特征。由于谱ct数据被使用，额外的预定特征能够被设计。在该实施例中，手动设计的特征包括冠状动脉脂肪组织处或附近的常规hu值、冠状动脉脂肪组织处或附近的谱修正的hu值(即，单色hu值)、冠状动脉脂肪组织处或附近的谱结果(诸如谱脂肪图、z-有效值)、基于梯度的特征和纹理特征。在该实施例中，纹理特征是在前面提到的特征上面计算的共生矩阵。预定特征然后被包括到实值向量patient_speicific_pericoronary_features∈rⁿ内。

数据处理单元18使用向量patient_speicific_pericoronary_features作为到炎症函数的输入，所述炎症函数以如针对图像数据分析设备10的第一实施例描述的方式被生成。在图像数据分析设备10’的第二实施例中，数据处理单元18此外基于炎症值估计针对心血管系统的该部分中的斑块的发展的概率和/或针对心血管系统的该部分中的斑块的破裂的概率。因此，数据处理单元18使用概率函数用于两个概率中的每一个。概率函数能够以如针对图像数据分析设备10的第一实施例描述的方式被生成。

可视化单元20以如针对图像数据分析设备10的第一实施例描述的方式可视化炎症值。

用户接口22用户与图像数据分析设备10’之间的交互。在该实施例中，用户接口22是临床决策支持单元。用户接口22因此根据炎症值提供对于措施(诸如患者的处置)的建议。在该实施例中，用户能够基于炎症值分布的统计学描述符估计用户感兴趣的心血管系统的部分中的炎症的水平，包括诸如平均值、标准偏差、中值、最大值、最小值、基于脂肪图的特征的统计学描述符或任何其他统计学描述符。用户能够例如选择来估计特征病变、整个脉管或整个冠状动脉树处的炎症的水平。用户接口22允许使用诸如总炎症负担、源于整个冠状动脉周围脂肪组织的百分比炎症负担、冠状动脉树上面的平面炎症值或冠状动脉树中的一组病变等的量估计整个冠状动脉树上面的炎症的水平。在该实施例中，用户接口22允许用户通过可视化单元20可视化的图中的一个或多个区域(例如特定病变)，以便对被包括在选定区域中的数据执行措施。具体地，用户能够基于统计学描述符估计选定区域的炎症。这允许支持如何处置患者的决策。随着时间的炎症的水平的比较能够允许评价疾病进展或响应于治疗。因此，炎症值能够支持通过药物或备选的医学介入(例如，手术)处置患者的决策。

在该实施例中，用户接口22此外基于炎症值提供针对心血管系统的选定区域中的斑块的发展的概率和/或针对心血管系统的选定区域中的斑块的破裂的概率。用户接口22此外基于概率提供对于进一步措施的建议。通过用户接口22提供建议不是必要的特征，并且在其他实施例中，用户接口能够被限制于与用户交互而不提供建议。在更进一步的实施例中，用户接口能够被配置为自动地提供建议而无需用户交互，并且将用户限制于选择建议的措施中的一个。用户接口能够包括被配置为根据选定的措施或根据估计的斑块的破裂或斑块的发展的概率自动地为患者提供药物的额外药物单元。

图3示意性地且示范性地示出了用于分析患者的心血管系统的部分的x射线图像数据以便估计心血管系统的该部分中的炎症的水平的方法的实施例。在步骤212中，接收包括患者的心血管系统的该部分的x射线图像数据。在步骤214中，从图像数据生成心血管系统的该部分的分割模型。在步骤216中，从分割模型提取与炎症有关的预定特征。在该实施例中，预定特征的提取通过对分割模型执行模式识别来执行。在步骤218中，根据提取的特征计算炎症函数的炎症值。每个炎症值表示心血管系统的该部分中的炎症的水平。在步骤220中，将炎症值可视化或者将炎症值与分割模型一起可视化。不同的视图能够基于炎症值来生成。在步骤222中，提供根据炎症值的对于措施的建议。用户能够基于建议执行措施。步骤220和222是任选的。该方法能够例如在如在图1或2中描述的图像数据分析设备10或10’上被执行。

图4示出了利用图像数据分析设备分析的第一视图300中的冠状动脉的x射线图像数据的可视化。视图300将炎症值示为被叠加在具有若干病变的冠状动脉301的直多平面重新格式化的视图上面的颜色编码的图。冠状动脉301具有冠状动脉壁302和由于斑块306而变窄的管腔304。斑块306在冠状动脉301中的病变处发展。冠状动脉301被冠状动脉周围脂肪组织的高炎症值区域310环绕。对于更明亮的颜色，炎症值标尺312具有更高的值。更高水平的炎症增加附近斑块306易损的概率，即，被具有高水平的炎症的组织环绕的斑块306在未来可能破裂并且引起acs事件。视图300此外示出了左心房中的血液320、心肌322、左心室中的血液324和空气326。

尽管已经在附图和前面的描述中详细图示和描述了本发明，但是这样的图示和描述应当被认为是图示性或示范性的，而非限制性的；本发明不限于所公开的实施例。例如，在心血管系统的该部分是脑部、肝脏、肾脏、一个或多个颈动脉或心血管系统的任何其他部分的实施例中操作本发明是可能的。

本领域技术人员通过研究附图、公开内容以及权利要求，在实践请求保护的发明时能够理解并实现对所公开的实施例的其他变型。

在权利要求中，“包括”一词不排除其他元件或步骤，并且词语“一”或“一个”不排除多个。

单个单元、处理或设备可以实现在权利要求中记载的若干项的功能。尽管某些措施被记载在互不相同的从属权利要求中，但是这并不指示不能有利地使用这些措施的组合。

由一个或若干个单元或设备执行的像接收x射线图像数据、生成分割模型、提取特征、计算炎症值、计算概率值、可视化炎症值、可视化炎症值以及分割模型、生成视图、生成不同视图、建议措施、执行措施等等的操作能够由任何其他数量的单元或设备来执行。这些操作和/或图像数据分析设备或图像数据分析系统能够被实施为计算机程序的程序代码模块和/或被实施为专用的硬件。

计算机程序可以被存储/分布在合适的介质上，例如与其他硬件一起或作为其他硬件的部分供应的光学存储介质或固态介质，但是也可以被以其他形式分布，例如经由互联网或其他有线或无线的电信系统。

权利要求中的任何附图标记都不应被解释为对范围的限制。

本发明涉及一种分析患者的心血管系统的部分的x射线图像数据以便估计所述心血管系统的所述部分中的炎症的水平的图像数据分析设备。接收x射线图像数据，生成心血管系统的所述部分的分割模型，以及从所述分割模型提取与炎症有关的预定特征。提取的特征用作到用于计算炎症值的炎症函数的输入，每个炎症值表示所述心血管系统的所述部分中的炎症的水平。图像数据分析能够改善炎症的估计。此外，炎症值能够与对于执行措施的建议一起被呈现给用户。这能够例如实现斑块发展以及未来急性冠状动脉综合症事件的预测。