知財求人 - 知財ポータルサイト「IP Force」
▶ ▲蘇▼州▲潤▼▲邁▼▲徳▼医▲療▼科技有限公司の特許一覧
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】特許公報(B2)
(11)【特許番号】
(24)【登録日】2024-03-01
(45)【発行日】2024-03-11
(54)【発明の名称】深層学習に基づいて大動脈画像を取得するシステム
(51)【国際特許分類】
G06T 7/00 20170101AFI20240304BHJP
G06T 7/60 20170101ALI20240304BHJP
G06V 10/82 20220101ALI20240304BHJP
【ＦＩ】
G06T7/00 612
G06T7/00 350C
G06T7/60 200C
G06V10/82
【請求項の数】
4
(21)【出願番号】P 2022579902
(86)(22)【出願日】2020-11-30
(65)【公表番号】
(43)【公表日】2023-07-27
(86)【国際出願番号】 CN2020132798
(87)【国際公開番号】W WO2022000977
(87)【国際公開日】2022-01-06
【審査請求日】2022-12-22
(31)【優先権主張番号】202010606964.6
(32)【優先日】2020-06-29
(33)【優先権主張国・地域又は機関】CN
(31)【優先権主張番号】202010606963.1
(32)【優先日】2020-06-29
(33)【優先権主張国・地域又は機関】CN
(73)【特許権者】
【識別番号】522036093
【氏名又は名称】▲蘇▼州▲潤▼▲邁▼▲徳▼医▲療▼科技有限公司
(74)【代理人】
【識別番号】110001896
【氏名又は名称】弁理士法人朝日奈特許事務所
(72)【発明者】
【氏名】▲フェン▼ 亮
(72)【発明者】
【氏名】▲劉▼ ▲廣▼志
(72)【発明者】
【氏名】王 之元
【審査官】真木 健彦
(56)【参考文献】
【文献】特開２０１８－１３９６９３（ＪＰ，Ａ）
【文献】特開２００８－１４２４８２（ＪＰ，Ａ）
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ｇ０６Ｔ ７／００
Ｇ０６Ｔ ７／６０
Ｇ０６Ｔ １／００
Ｇ０６Ｖ １０／８２
Ａ６１Ｂ ６／００
(57)【特許請求の範囲】
【請求項1】
深層学習に基づいて大動脈画像を取得するシステムであって、大動脈層のスライスデータベースと非大動脈層のスライスデータベースを生成するためのデータベース装置と、
前記データベース装置に接続され、大動脈層のスライスデータと非大動脈層のスライスデータに対して深層学習を行い、深層学習モデルを取得し、前記深層学習モデルによって特徴データを解析し、大動脈データを取得するための深層学習装置と、
処理対象のＣＴシーケンス画像又はＣＴシーケンス画像の三次元データの前記特徴データを抽出するためのデータ抽出装置と、
前記データ抽出装置及び前記深層学習装置に接続され、前記深層学習モデル及び前記特徴データに基づいて前記ＣＴシーケンス画像から大動脈画像を取得するための大動脈取得装置とを含み、
前記データベース装置及び前記データ抽出装置に接続され、前記ＣＴシーケンス画像の三次元データを取得するためのＣＴ記憶装置をさらに含み、
前記データベース装置は、
前記ＣＴシーケンス画像から肺、下行大動脈、脊椎、肋骨を除去して新規画像を得るための画像処理構造と、
前記新規画像から大動脈層のスライスデータを取得するための大動脈層のスライスデータ記憶構造と、
前記新規画像から前記大動脈層のスライスデータ記憶構造内のスライスを除去したスライスデータ、すなわち非大動脈層のスライスデータを取得するための非大動脈層のスライスデータ記憶構造とを含み、
前記大動脈層のスライスデータ記憶構造、前記非大動脈層のスライスデータ記憶構造、前記ＣＴ記憶装置はいずれも前記画像処理構造に接続され、
前記画像処理構造は、
前記ＣＴ記憶装置に接続され、各組の前記ＣＴシーケンス画像の階調ヒストグラムを作成するための階調ヒストグラムユニットと、
前記階調ヒストグラムユニットに接続され、前記階調ヒストグラムの終点Ｍから原点Ｏの方向に沿って、Ｍ点からＭ－１点まで、Ｍ点からＭ－２点まで、というようにＭ点からＯ点までの各階調値領域の体積が取得されるまで順次取得し、Ｍ点からＯ点までの総領域の体積に対する各階調値領域の体積の占める比率Ｖを取得するための階調体積取得ユニットと、
前記階調体積取得ユニットに接続され、医学知識及びＣＴ画像イメージング原理に基づいて、肺階調閾値Ｑ 肺 を設定し、前記階調ヒストグラムにおける階調値がＱ 肺 よりも小いと、前記階調値に対応する画像を除去し、肺組織を除去した第１画像を得るための肺組織除去ユニットと、
前記階調体積取得ユニット及び前記肺組織除去ユニットに接続され、心臓重心Ｐ 2 、を取得するために、Ｖ＝ｂ（ただし、ｂが定数を示し、０．２＜ｂ＜１である）の場合、前記階調値領域に対応する開始点をピックアップし、前記開始点を前記第１画像に投射し、心臓領域三次元画像を取得し、前記心臓領域三次元画像の物理的重心Ｐ 2 をピックアップするための心臓重心抽出ユニットと、
前記ＣＴ記憶装置及び前記心臓重心抽出ユニットに接続され、脊椎重心Ｐ 1 を取得するために、Ｖ＝ａ（ただし、ａが定数を示し、０＜ａ＜０．２である）の場合、前記階調値領域に対応する開始点をピックアップし、前記開始点を前記ＣＴ三次元画像に投射し、骨領域三次元画像を取得し、前記骨領域三次元画像の物理的重心Ｐ 1 をピックアップするための脊椎重心抽出ユニットと、
前記心臓重心抽出ユニット、前記脊椎重心抽出ユニット、及び前記肺組織除去ユニットに接続され、前記心臓重心と前記脊椎重心に基づいて各組のＣＴシーケンス画像の下行大動脈画像を取得するための下行大動脈画像抽出ユニットと、
前記下行大動脈画像抽出ユニット、前記肺組織除去ユニット、前記大動脈層のスライスデータ記憶構造、及び前記非大動脈層のスライスデータ記憶構造に接続され、前記ＣＴシーケンス画像から肺、下行大動脈、脊椎、肋骨を除去し、新規画像を取得するための新規画像取得ユニットと含み、
前記データ抽出装置は、
前記新規画像取得ユニットに接続され、前記新規画像取得ユニットから処理対象の前記ＣＴシーケンス画像の複数の二値化画像を取得するための構造と、
前記新規画像取得ユニットから処理対象の前記ＣＴシーケンス画像の複数の二値化画像を取得するための構造に接続され、最上層から、各前記二値化画像の連結領域、及び連結領域に対応する擬似円中心Ｃ k 、面積Ｓ k 、擬似円半径Ｒ k、 及び隣接する２層の円中心間の距離Ｃ k －Ｃ (k-1) 、各層のスライスの円中心Ｃ k と前記最上層の円中心Ｃ 1 との距離Ｃ k －Ｃ 1 、及び前記画素点の前記層の画素が０よりも大きく且つ上の層の画素が０である全ての画素の面積Ｍ k 及びフィルタリング面積Ｈ k （ただし、ｋが第ｋ層のスライスを示し、ｋ≧１）を順次取得するための特徴データ取得構造とを含む、ことを特徴とする深層学習に基づいて大動脈画像を取得するシステム。
【請求項2】
前記下行大動脈画像抽出ユニットは、下行大動脈領域画定ユニット及び下行大動脈画像取得ユニットを含み、前記下行大動脈領域画定ユニットは、
前記階層スライスモジュール及び前記階調ヒストグラムユニットに接続され、
に従って、スライス画像に対して二値化処理を行い、前記第１画像における不純物点を除去し、二値化画像を得るための二値化処理モジュールとを含む、ことを特徴とする請求項１に記載の深層学習に基づいて大動脈画像を取得するシステム。
【請求項3】
前記下行大動脈領域画定ユニットは、前記二値化処理モジュールに接続され、前記下行大動脈から前記心臓縁部までの円の半径閾値をｒ閾に設定し、前記下行大動脈と前記心臓との距離が前記脊椎と前記心臓との距離よりも小さいことに基づいて、前記脊椎の略領域と前記下行大動脈の略領域を取得するための粗取得モジュールと、
前記粗取得モジュールに接続され、前記下行大動脈の略領域に基づいて、誤差画素点を除去し、前記下行大動脈に対応する円を取得するための正確取得モジュールとをさらに含む、ことを特徴とする請求項２に記載の深層学習に基づいて大動脈画像を取得するシステム。
【請求項4】
前記大動脈取得装置は、前記深層学習装置に接続され、前記大動脈データを膨張し、膨張後の前記大動脈データとＣＴ原画像データを乗算し、各画素点の勾配を算出し、勾配データを得て、前記勾配データに基づき、勾配エッジを抽出し、前記膨張後の大動脈データから前記勾配エッジを減算するための勾配エッジ構造と、
前記新規画像取得ユニット及び前記勾配エッジ構造に接続され、前記擬似円中心に基づいてシード点リストを生成し、前記シード点リストに基づいて連結領域を抽出し、大動脈画像を取得するための大動脈画像取得構造とを含む、ことを特徴とする請求項１に記載の深層学習に基づいて大動脈画像を取得するシステム。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、冠動脈医学の技術分野に関し、特に深層学習に基づいて大動脈画像を取得するシステムに関する。
【背景技術】
【0002】
心臓血管疾患は工業化世界における死亡の主な要因になっている。主な形態の心血管疾患は、心臓、脳、腎臓及び下肢を供給する動脈の内組織層に脂肪物質が慢性的に蓄積することに起因する。進行性冠動脈疾患は心臓への血流を制限する。現在の非侵襲的試験によって提供された正確な情報が不足するため、多くの患者は侵襲的カテーテルフローによって冠血流を評価する必要がある。このため、人間の冠動脈における血流を定量化することによって冠動脈疾患の可能性を評価する非侵襲的な方法が求められている。このため、患者のニーズに対応した処置計画として、動脈容積の信頼性評価が重要になっている。近年の研究により、血流動態特性、例えば冠血流予備量比（ＦＦＲ）は、動脈疾患を有する患者に対する最適な処置を決定する重要なインジケータであることが証明された。従来の冠血流予備量比の評価では、圧力や流速などの血流特性を直接測定するために、侵襲的なカテーテル挿入術が用いられている。しかし、このような侵襲的な測定技術は、患者に危険性があり、健康ケアシステムに多大なコストをかけることになる。
【0003】
コンピュータ断層撮影による動脈血管の造影は、動脈血管を可視化するためのコンピュータ断層撮影技術である。このため、Ｘ線のビームは、放射線源から患者の体の関心領域を透過して投影画像を得る。
【0004】
従来技術における経験値を用いて大動脈画像を取得することに人為的要素が多く、一致性が悪く、抽出速度が遅いという問題が存在する。
【発明の概要】
【発明が解決しようとする課題】
【0005】
本発明は、従来技術における経験値を用いて大動脈画像を取得することに人為的要素が多く、一致性が悪く、抽出速度が遅いという問題を解決するために、深層学習に基づいて大動脈画像を取得するシステムを提供する。
【課題を解決するための手段】
【0006】
上記目的を実現するために、本願は、
大動脈層のスライスデータベースと非大動脈層のスライスデータベースを生成するためのデータベース装置と、
前記データベース装置に接続され、大動脈層のスライスデータと非大動脈層のスライスデータに対して深層学習を行い、深層学習モデルを取得し、前記深層学習モデルによって特徴データを解析し、大動脈データを取得するための深層学習装置と、
処理対象の前記ＣＴシーケンス画像又はＣＴシーケンス画像の三次元データの前記特徴データを抽出するためのデータ抽出装置と、
前記データ抽出装置及び前記深層学習装置に接続され、前記深層学習モデル及び前記特徴データに基づいて前記ＣＴシーケンス画像から大動脈画像を取得するための大動脈取得装置とを含む深層学習に基づいて大動脈画像を取得するシステムを提供する。
大動脈層のスライスデータベースと非大動脈層のスライスデータベースを生成するためのデータベース装置と、
前記データベース装置に接続され、大動脈層のスライスデータと非大動脈層のスライスデータに対して深層学習を行い、深層学習モデルを取得し、前記深層学習モデルによって特徴データを解析し、大動脈データを取得するための深層学習装置と、
処理対象の前記ＣＴシーケンス画像又はＣＴシーケンス画像の三次元データの前記特徴データを抽出するためのデータ抽出装置と、
前記データ抽出装置及び前記深層学習装置に接続され、前記深層学習モデル及び前記特徴データに基づいて前記ＣＴシーケンス画像から大動脈画像を取得するための大動脈取得装置とを含む深層学習に基づいて大動脈画像を取得するシステムを提供する。
【0007】
選択可能には、上記の深層学習に基づいて大動脈画像を取得するシステムは、前記データベース装置及び前記データ抽出装置に接続され、ＣＴシーケンス画像の三次元データを取得するためのＣＴ記憶装置をさらに含む。
【0008】
選択可能には、上記の深層学習に基づいて大動脈画像を取得するシステム、前記データベース装置は、
前記ＣＴ画像から肺、下行大動脈、脊椎、肋骨を除去して新規画像を得るための画像処理構造と、
前記新規画像から大動脈層のスライスデータを取得するための大動脈層のスライスデータ記憶構造と、
前記新規画像から前記大動脈層のスライスデータ記憶構造内のスライスを除去したスライスデータ、すなわち非大動脈層のスライスデータを取得するための非大動脈層のスライスデータ記憶構造とを含み、
前記大動脈層のスライスデータ記憶構造、前記非大動脈層のスライスデータ記憶構造、前記ＣＴ記憶装置はいずれも前記画像処理構造に接続される。
前記ＣＴ画像から肺、下行大動脈、脊椎、肋骨を除去して新規画像を得るための画像処理構造と、
前記新規画像から大動脈層のスライスデータを取得するための大動脈層のスライスデータ記憶構造と、
前記新規画像から前記大動脈層のスライスデータ記憶構造内のスライスを除去したスライスデータ、すなわち非大動脈層のスライスデータを取得するための非大動脈層のスライスデータ記憶構造とを含み、
前記大動脈層のスライスデータ記憶構造、前記非大動脈層のスライスデータ記憶構造、前記ＣＴ記憶装置はいずれも前記画像処理構造に接続される。
【0009】
選択可能には、上記の深層学習に基づいて大動脈画像を取得するシステム、前記画像処理構造は、
前記ＣＴ記憶装置に接続され、各組の前記ＣＴシーケンス画像の階調ヒストグラムを作成するための階調ヒストグラムユニットと、
前記階調ヒストグラム構造に接続され、前記階調ヒストグラムの終点Ｍから原点Ｏの方向に沿って、Ｍ点からＭ－１点まで、Ｍ点からＭ－２点まで、というようにＭ点からＯ点までの各階調値領域の体積が取得されるまで順次取得し、Ｍ点からＯ点までの総領域の体積に対する各階調値領域の体積の占める比率Ｖを取得するための階調体積取得ユニットと、
前記階調体積取得ユニットに接続され、医学知識及びＣＴ画像イメージング原理に基づいて、肺階調閾値Ｑ肺を設定し、前記階調ヒストグラムにおける階調値がＱ肺よりも小いと、前記階調値に対応する画像を除去し、肺組織を除去した第１画像を得るための肺組織除去ユニットと、
前記階調体積取得ユニットに接続され、心臓重心Ｐ2をするために、Ｖ＝ｂ（ただし、ｂが定数を示し、０．２＜ｂ＜１である）の場合、前記階調値領域に対応する開始点をピックアップし、前記開始点を前記第１画像に投射し、心臓領域三次元画像を取得し、前記心臓領域三次元画像の物理的重心Ｐ2をピックアップするための心臓重心抽出ユニットと、
前記ＣＴ記憶装置及び前記心臓重心抽出ユニットに接続され、脊椎重心Ｐ1を取得するために、Ｖ＝ａ（ただし、ａが定数を示し、０＜ａ＜０．２である）の場合、前記階調値領域に対応する開始点をピックアップし、前記開始点を前記ＣＴ三次元画像に投射し、骨領域三次元画像を取得し、前記骨領域三次元画像の物理的重心Ｐ1をピックアップするための脊椎重心抽出ユニットと、
前記心臓重心抽出構造、前記脊椎重心抽出構造、及び前記肺組織除去ユニットに接続され、前記心臓重心と前記脊椎重心に基づいて各組のＣＴシーケンス画像の下行大動脈画像を取得するための下行大動脈画像抽出ユニットと、
前記下行大動脈画像抽出ユニット、前記肺組織除去ユニット、前記大動脈層のスライスデータ記憶構造、及び前記非大動脈層のスライスデータ記憶構造に接続され、前記ＣＴ画像から肺、下行大動脈、脊椎、肋骨を除去し、新規画像を取得するための新規画像取得ユニットと含む。
前記ＣＴ記憶装置に接続され、各組の前記ＣＴシーケンス画像の階調ヒストグラムを作成するための階調ヒストグラムユニットと、
前記階調ヒストグラム構造に接続され、前記階調ヒストグラムの終点Ｍから原点Ｏの方向に沿って、Ｍ点からＭ－１点まで、Ｍ点からＭ－２点まで、というようにＭ点からＯ点までの各階調値領域の体積が取得されるまで順次取得し、Ｍ点からＯ点までの総領域の体積に対する各階調値領域の体積の占める比率Ｖを取得するための階調体積取得ユニットと、
前記階調体積取得ユニットに接続され、医学知識及びＣＴ画像イメージング原理に基づいて、肺階調閾値Ｑ肺を設定し、前記階調ヒストグラムにおける階調値がＱ肺よりも小いと、前記階調値に対応する画像を除去し、肺組織を除去した第１画像を得るための肺組織除去ユニットと、
前記階調体積取得ユニットに接続され、心臓重心Ｐ2をするために、Ｖ＝ｂ（ただし、ｂが定数を示し、０．２＜ｂ＜１である）の場合、前記階調値領域に対応する開始点をピックアップし、前記開始点を前記第１画像に投射し、心臓領域三次元画像を取得し、前記心臓領域三次元画像の物理的重心Ｐ2をピックアップするための心臓重心抽出ユニットと、
前記ＣＴ記憶装置及び前記心臓重心抽出ユニットに接続され、脊椎重心Ｐ1を取得するために、Ｖ＝ａ（ただし、ａが定数を示し、０＜ａ＜０．２である）の場合、前記階調値領域に対応する開始点をピックアップし、前記開始点を前記ＣＴ三次元画像に投射し、骨領域三次元画像を取得し、前記骨領域三次元画像の物理的重心Ｐ1をピックアップするための脊椎重心抽出ユニットと、
前記心臓重心抽出構造、前記脊椎重心抽出構造、及び前記肺組織除去ユニットに接続され、前記心臓重心と前記脊椎重心に基づいて各組のＣＴシーケンス画像の下行大動脈画像を取得するための下行大動脈画像抽出ユニットと、
前記下行大動脈画像抽出ユニット、前記肺組織除去ユニット、前記大動脈層のスライスデータ記憶構造、及び前記非大動脈層のスライスデータ記憶構造に接続され、前記ＣＴ画像から肺、下行大動脈、脊椎、肋骨を除去し、新規画像を取得するための新規画像取得ユニットと含む。
【0010】
【0011】
選択可能には、上記の深層学習に基づいて大動脈画像を取得するシステム、前記下行大動脈領域画定ユニットは、
前記二値化処理モジュールに接続され、前記下行大動脈から前記心臓縁部までの円の半径閾値をｒ閾に設定し、前記下行大動脈と前記心臓との距離が前記脊椎と前記心臓との距離よりも小さいことに基づいて、前記脊椎の略領域と前記下行大動脈の略領域を取得するための粗取得モジュールと、
前記粗取得モジュールに接続され、前記下行大動脈の略領域に基づいて、誤差画素点を除去し、前記下行大動脈に対応する円を取得するための正確取得モジュールとをさらに含む。
前記二値化処理モジュールに接続され、前記下行大動脈から前記心臓縁部までの円の半径閾値をｒ閾に設定し、前記下行大動脈と前記心臓との距離が前記脊椎と前記心臓との距離よりも小さいことに基づいて、前記脊椎の略領域と前記下行大動脈の略領域を取得するための粗取得モジュールと、
前記粗取得モジュールに接続され、前記下行大動脈の略領域に基づいて、誤差画素点を除去し、前記下行大動脈に対応する円を取得するための正確取得モジュールとをさらに含む。
【0012】
選択可能には、上記の深層学習に基づいて大動脈画像を取得するシステム、前記データ抽出装置は、
前記新規画像取得ユニットに接続され、前記新規画像取得ユニットから処理対象の前記ＣＴ画像の複数の二値化画像を取得するための連結領域構造と、
前記連結領域構造に接続され、最上層から、各前記二値化画像の連結領域、及び連結領域に対応する擬似円（ｑｕａｓｉｄｉｓｋｓ）円中心Ｃk、面積Ｓk、擬似円半径Ｒk、及び隣接する２層の円中心間の距離Ｃk－Ｃ(k-1)、各層のスライスの円中心Ｃkと前記最上層の円中心Ｃ1との距離Ｃk－Ｃ1、及び前記画素点の前記層の画素が０よりも大きく且つ上の層の画素が０である全ての画素のすべての画素面積Ｍk及びフィルタリング面積Ｈk（ただし、ｋが第ｋ層のスライスを示し、ｋ≧１）を順次取得し、特徴データをとするための特徴データ取得構造とを含む。
前記新規画像取得ユニットに接続され、前記新規画像取得ユニットから処理対象の前記ＣＴ画像の複数の二値化画像を取得するための連結領域構造と、
前記連結領域構造に接続され、最上層から、各前記二値化画像の連結領域、及び連結領域に対応する擬似円（ｑｕａｓｉｄｉｓｋｓ）円中心Ｃk、面積Ｓk、擬似円半径Ｒk、及び隣接する２層の円中心間の距離Ｃk－Ｃ(k-1)、各層のスライスの円中心Ｃkと前記最上層の円中心Ｃ1との距離Ｃk－Ｃ1、及び前記画素点の前記層の画素が０よりも大きく且つ上の層の画素が０である全ての画素のすべての画素面積Ｍk及びフィルタリング面積Ｈk（ただし、ｋが第ｋ層のスライスを示し、ｋ≧１）を順次取得し、特徴データをとするための特徴データ取得構造とを含む。
【0013】
選択可能には、上記の深層学習に基づいて大動脈画像を取得するシステム、前記特徴データ取得構造の内部には、
ハフ検出アルゴリズムを採用し、最上層から、３層のスライスを順次検出し、各層の前記スライス内からそれぞれ１つの円中心と１つの半径を取得し、それぞれ３つの円を形成し、３つの前記円中心からずれが大きい点を除去し、下行大動脈シード点Ｐ1を取得し、前記シード点Ｐ1が位置する層の連結領域Ａ1を取得し、連結領域Ａ1の重心を取得して擬似円中心Ｃ1をとし、連結領域Ａ1の面積Ｓ1及び擬似円半径Ｒ1を取得し、前記Ｃ1をシード点をとし、前記シード点Ｐ1が位置する層の連結領域Ａ2を取得し、前記連結領域Ａ1を膨張し、膨張領域Ｄ1を得て、前記連結領域Ａ2から前記膨張領域Ｄ1と重なる部分を除去し、連結領域Ａ2’を得て、連結領域の体積閾値Ｖ閾を設定し、連結領域Ａ2’の体積Ｖ2＜Ｖ閾である場合、上の層の円中心Ｃ1との距離が大きすぎる点を除去し、フィルタリング面積Ｈkを取得し、前記連結領域Ａ2’の重心を擬似円中心Ｃ2とし、連結領域Ａ2の面積Ｓ2及び擬似円半径Ｒ2を取得し、前記連結領域Ａ2の方法を繰り返し、各前記二値化画像の連結領域、及び連結領域に対応する擬似円中心Ｃk、面積Ｓk、擬似円半径Ｒk、及び隣接する２層の円中心間の距離Ｃk－Ｃ(k-1)、各層のスライスの円中心Ｃkと前記最上層の円中心Ｃ1との距離Ｃk－Ｃ1を順次取得するためのデータ処理ユニットと、
擬似円中心Ｃ1、Ｃ2...Ｃk...を記憶するための円中心取得ユニットと、
面積Ｓ1、Ｓ2...Ｓk...、及びフィルタリング面積Ｈ1、Ｈ2...Ｈk...を記憶するための面積取得ユニットと、
擬似円半径Ｒ1、Ｒ2...Ｒk...を記憶するための半径取得ユニットとが設けられ、
前記円中心取得ユニット、前記面積取得ユニット、前記半径取得ユニットは、それぞれ前記データ処理ユニットに接続される。
ハフ検出アルゴリズムを採用し、最上層から、３層のスライスを順次検出し、各層の前記スライス内からそれぞれ１つの円中心と１つの半径を取得し、それぞれ３つの円を形成し、３つの前記円中心からずれが大きい点を除去し、下行大動脈シード点Ｐ1を取得し、前記シード点Ｐ1が位置する層の連結領域Ａ1を取得し、連結領域Ａ1の重心を取得して擬似円中心Ｃ1をとし、連結領域Ａ1の面積Ｓ1及び擬似円半径Ｒ1を取得し、前記Ｃ1をシード点をとし、前記シード点Ｐ1が位置する層の連結領域Ａ2を取得し、前記連結領域Ａ1を膨張し、膨張領域Ｄ1を得て、前記連結領域Ａ2から前記膨張領域Ｄ1と重なる部分を除去し、連結領域Ａ2’を得て、連結領域の体積閾値Ｖ閾を設定し、連結領域Ａ2’の体積Ｖ2＜Ｖ閾である場合、上の層の円中心Ｃ1との距離が大きすぎる点を除去し、フィルタリング面積Ｈkを取得し、前記連結領域Ａ2’の重心を擬似円中心Ｃ2とし、連結領域Ａ2の面積Ｓ2及び擬似円半径Ｒ2を取得し、前記連結領域Ａ2の方法を繰り返し、各前記二値化画像の連結領域、及び連結領域に対応する擬似円中心Ｃk、面積Ｓk、擬似円半径Ｒk、及び隣接する２層の円中心間の距離Ｃk－Ｃ(k-1)、各層のスライスの円中心Ｃkと前記最上層の円中心Ｃ1との距離Ｃk－Ｃ1を順次取得するためのデータ処理ユニットと、
擬似円中心Ｃ1、Ｃ2...Ｃk...を記憶するための円中心取得ユニットと、
面積Ｓ1、Ｓ2...Ｓk...、及びフィルタリング面積Ｈ1、Ｈ2...Ｈk...を記憶するための面積取得ユニットと、
擬似円半径Ｒ1、Ｒ2...Ｒk...を記憶するための半径取得ユニットとが設けられ、
前記円中心取得ユニット、前記面積取得ユニット、前記半径取得ユニットは、それぞれ前記データ処理ユニットに接続される。
【0014】
選択可能には、上記の深層学習に基づいて大動脈画像を取得するシステム、前記大動脈取得装置は、
前記深層学習装置に接続され、前記大動脈データを膨張し、膨張後の前記大動脈データとＣＴ原画像データを乗算し、各画素点の勾配を算出し、勾配データを得て、前記勾配データに基づき、勾配エッジを抽出し、前記膨張後の大動脈データから前記勾配エッジを減算するための勾配エッジ構造と、
前記新規画像取得ユニット及び前記勾配エッジ構造に接続され、前記擬似円中心に基づいてシード点リストを生成し、前記シード点リストに基づいて連結領域を抽出し、大動脈画像を取得するための大動脈画像取得構造とを含む。
前記深層学習装置に接続され、前記大動脈データを膨張し、膨張後の前記大動脈データとＣＴ原画像データを乗算し、各画素点の勾配を算出し、勾配データを得て、前記勾配データに基づき、勾配エッジを抽出し、前記膨張後の大動脈データから前記勾配エッジを減算するための勾配エッジ構造と、
前記新規画像取得ユニット及び前記勾配エッジ構造に接続され、前記擬似円中心に基づいてシード点リストを生成し、前記シード点リストに基づいて連結領域を抽出し、大動脈画像を取得するための大動脈画像取得構造とを含む。
【0015】
本願の実施例に係る解決手段の有益な効果は以下のことを少なくとも含む。
本願は、深層学習に基づいて大動脈画像を取得するシステムを提供し、特徴データ及びデータベースに基づいて深層学習モデルを取得し、深層学習モデルによって大動脈画像を取得し、抽出効果が高く、ロバスト性が高いという利点を有し、計算結果が正確で、臨床的に高い普及させる価値を有する。
本願は、深層学習に基づいて大動脈画像を取得するシステムを提供し、特徴データ及びデータベースに基づいて深層学習モデルを取得し、深層学習モデルによって大動脈画像を取得し、抽出効果が高く、ロバスト性が高いという利点を有し、計算結果が正確で、臨床的に高い普及させる価値を有する。
【0016】
ここで説明された図面は本発明のさらなる理解を提供するために用いられ、本発明の一部を構成し、本発明の例示的な実施例及びその説明は本発明を解釈するために用いられ、本発明を不当に限定するものではない。
【図面の簡単な説明】
【0017】
【図1】本願の深層学習に基づいて大動脈画像を取得するシステムの一実施例の構造ブロック図である。
【図2】本願の深層学習に基づいて大動脈画像を取得するシステムの別の実施例の構造ブロック図である。
【図3】本願のデータベース装置１００の構造ブロック図である。
【図4】本願の画像処理構造１１０の構造ブロック図である。
【図5】本願の下行大動脈画像抽出ユニット１１６の構造ブロック図である。
【図6】本願の下行大動脈領域画定ユニット１６２の構造ブロック図である。
【図7】本願のデータ抽出装置３００の構造ブロック図である。
【図8】本願の大動脈取得装置４００の構造ブロック図である。
【発明を実施するための形態】
【0018】
本発明の目的、技術的解決手段及び利点をより明確にするために、以下は本発明の具体的な実施例及び対応する図面を参照して本発明の技術的解決手段を明確、完全に説明する。明らかに、説明された実施例は本発明の一部の実施例だけであり、全ての実施例ではない。本発明における実施例に基づき、当業者は創造的な努力をせずに得られた全ての他の実施例は、いずれも本発明の特許範囲に属する。
【0019】
以下は図面で本発明の複数の実施形態を開示し、説明を明確にするために、多くの実施上の詳細は以下の記載に併せて説明する。しかし、これらの実施上の詳細は本発明を限定するためのものではないことを理解すべきである。つまり、本発明の一部の実施形態において、これらの実施上の詳細は不要である。また、図面を簡略化するために、いくつかのよく知られている慣用の構造及びアセンブリは図面において簡単な模式的方式で示す。
【0020】
従来技術における経験値を用いて大動脈画像を取得することに人為的要素が多く、一致性が悪く、抽出速度が遅いという問題が存在する。
【0021】
上記問題を解決するために、図１に示すように、本願は、深層学習に基づいて大動脈画像を取得するシステムを提供し、該システムは、大動脈層のスライスデータベースと非大動脈層のスライスデータベースを生成するためのデータベース装置１００と、データベース装置１００に接続され、大動脈層のスライスデータと非大動脈層のスライスデータに対して深層学習を行い、深層学習モデルを取得し、深層学習モデルによって特徴データを解析し、大動脈データを取得するための深層学習装置２００と、処理対象のＣＴシーケンス画像又はＣＴシーケンス画像の三次元データの特徴データを抽出するためのデータ抽出装置３００と、データ抽出装置３００及び深層学習装置２００に接続され、深層学習モデルと特徴データに基づいてＣＴシーケンス画像から大動脈画像を取得するための大動脈取得装置４００とを含む。
【0022】
図２に示すように、本願の一実施例では、データベース装置１００及びデータ抽出装置３００に接続され、ＣＴシーケンス画像の三次元データを取得するためのＣＴ記憶装置５００をさらに含む。
【0023】
図３に示すように、本願の一実施例では、データベース装置１００は、ＣＴ画像から肺、下行大動脈、脊椎、肋骨を除去して新規画像を得るための画像処理構造１１０と、新規画像から大動脈層のスライスデータを取得する大動脈層のスライスデータ記憶構造１２０と、新規画像から大動脈層のスライスデータ記憶構造１２０内のスライスを除去したスライスデータ、すなわち非大動脈層のスライスデータを取得するための非大動脈層のスライスデータ記憶構造１３０とを含み、大動脈層のスライスデータ記憶構造１２０、非大動脈層のスライスデータ記憶構造１３０、ＣＴ記憶装置５００はいずれも画像処理構造１１０に接続される。
【0024】
図４に示すように、本願の一実施例では、画像処理構造１１０は、ＣＴ記憶装置５００に接続され、各組のＣＴシーケンス画像の階調ヒストグラムを作成するための階調ヒストグラムユニット１１１と、階調ヒストグラムユニット１１１に接続され、階調ヒストグラムの終点Ｍから原点Ｏの方向に沿って、Ｍ点からＭ－１点まで、Ｍ点からＭ－２点まで、というようにＭ点からＯ点までの各階調値領域の体積が取得されるまで順次取得し、Ｍ点からＯ点までの総領域の体積に対する各階調値領域の体積の占める比率Ｖを取得するための階調体積取得ユニット１１２と、階調体積取得ユニット１１２に接続され、医学知識及びＣＴ画像イメージング原理に基づいて、肺階調閾値Ｑ肺を設定し、階調ヒストグラムにおける階調値がＱ肺よりも小いと、階調値に対応する画像を除去し、肺組織を除去した第１画像を得るための肺組織除去ユニット１１３と、階調体積取得ユニット１１２及び肺組織除去ユニット１１３に接続され、心臓重心Ｐ2、を取得し、Ｖ＝ｂ（ただし、ｂが定数を示し、０．２＜ｂ＜１である）である場合、階調値領域に対応する開始点をピックアップし、開始点を第１画像に投射し、心臓領域三次元画像を取得し、心臓領域三次元画像の物理的重心Ｐ2をピックアップするための心臓重心抽出ユニット１１４と、肺組織除去ユニット１１３及び心臓重心抽出ユニット１１４に接続され、脊椎重心Ｐ1を取得し、Ｖ＝ａ（ただし、ａが定数を示し、０＜ａ＜０．２である）である場合、階調値領域に対応する開始点をピックアップし、開始点をＣＴ三次元画像に投射し、骨領域三次元画像を取得し、骨領域三次元画像の物理的重心Ｐ1をピックアップするための脊椎重心抽出ユニット１１５と、心臓重心抽出ユニット１１４、脊椎重心抽出ユニット１１５、及び肺組織除去ユニット１１３に接続され、心臓重心と脊椎重心に基づいて各組のＣＴシーケンス画像の下行大動脈画像を取得するための下行大動脈画像抽出ユニット１１６と、下行大動脈画像抽出ユニット１１６、肺組織除去ユニット１１３、大動脈層のスライスデータ記憶構造１２０、及び非大動脈層のスライスデータ記憶構造１３０に接続され、ＣＴ画像から肺、下行大動脈、脊椎、肋骨を除去し、新規画像を取得するための新規画像取得ユニット１１７とを含む。
【0025】
本願、まず心臓重心及び脊椎重心を選別し、心臓及び脊椎の位置を特定し、続いて心臓及び脊椎の位置に基づいて下行大動脈画像を取得することにより、演算量を減少させ、アルゴリズムがシンプルで、操作しやすく、演算速度が速く、設計が科学的で、画像処理が精確になる。
【0026】
図５に示すように、本願の一実施例では、下行大動脈画像抽出ユニット１１６は、階調ヒストグラムユニット１１１、心臓重心抽出ユニット１１４、脊椎重心抽出ユニット１１５、及び肺組織除去ユニット１１３に接続され、心臓重心Ｐ2を第１画像に投影し、心臓の円中心Ｏ1を取得し、下行大動脈階調閾値Ｑ下行を設定し、第１画像に対して二値化処理を行い、下行大動脈と心臓の円中心Ｏ1との距離及び脊椎と心臓の円中心Ｏ1との距離に基づいて、下行大動脈に対応する円を取得するための下行大動脈領域画定ユニット１６２と、肺組織除去ユニット１１３及び下行大動脈領域画定ユニット１６２に接続され、ＣＴ画像から下行大動脈画像を取得する下行大動脈画像取得ユニット１６３とを含む。
【0027】
【0028】
図６に示すように、本願の一実施例では、下行大動脈領域画定ユニット１６２は、二値化処理モジュール１６２３に接続され、下行大動脈から心臓縁部までの円の半径閾値をｒ閾に設定し、下行大動脈と心臓との距離が脊椎と心臓との距離よりも小さいことに基づいて、脊椎の略領域と下行大動脈の略領域を取得するための粗取得モジュール１６２４と、粗取得モジュール１６２４に接続され、下行大動脈の略領域に基づいて、誤差画素点を除去し、すなわち下行大動脈に対応する円を取得するための正確取得モジュール１６２５とをさらに含み、粗取得モジュール１６２４内にハフ検出素子１６２６が設けられ、ハフ検出素子１６２６は以下の原則に基づいて下行大動脈の略領域を判定するために用いられ、ハフ検出アルゴリズムにより得られた円の半径ｒ＞ｒ閾である場合、この円は脊椎に対応する円であり、この円の円中心と半径を記録せず、すなわち脊椎の略領域とされ、ハフ検出アルゴリズムにより得られた円の半径ｒ≦ｒ閾である場合、この円は下行大動脈に対応する円である可能性があり、この円の円中心と半径を記録し、すなわち下行大動脈の略領域とされる。正確取得モジュール１６２５内にシード点取得素子１６２７が設けられ、シード点取得素子１６２７はハフ検出素子１６２６に接続され、下行大動脈の略領域内の円の円中心と半径を選別し、隣接するスライス間の円中心が大きくずれた円を除去し、すなわち誤差画素点を除去し、下行大動脈のシード点リストを形成する。
【0029】
図７に示すように、本願の一実施例では、データ抽出装置３００は、新規画像取得ユニット１１７に接続され、新規画像取得ユニット１１７から処理対象のＣＴ画像の複数の二値化画像を取得するための連結領域構造３１０と、連結領域構造３１０に接続され、最上層から、各二値化画像の連結領域、及び連結領域に対応する擬似円中心Ｃk、面積Ｓk、擬似円半径Ｒk、及び隣接する２層の円中心間の距離Ｃk－Ｃ(k-1)、各層のスライスの円中心Ｃkと前記最上層の円中心Ｃ1との距離Ｃk－Ｃ1、及び前記画素点の前記層の画素が０より大きく且つ上の層の画素が０である全ての画素の面積Ｍk及びフィルタリング面積Ｈk（ただし、ｋが第ｋ層のスライスを示し、ｋ≧１）を順次取得し、特徴データをとするための特徴データ取得構造３２０とを含む。
【0030】
図７に示すように、本願の一実施例では、特徴データ取得構造３２０内部には、データ処理ユニット３２１、それぞれデータ処理ユニット３２１に接続される円中心取得ユニット３２２、面積取得ユニット３２３、及び半径取得ユニット３２４が設けられ、データ処理ユニット３２１は、ハフ検出アルゴリズムを採用し、最上層から、３層のスライスを順次検出し、各層のスライス内からそれぞれ１つの円中心と１つの半径を取得し、それぞれ３つの円を形成し、３つの円中心からずれが大きい点を除去し、大動脈シード点Ｐ1を取得し、シード点Ｐ1が位置する層の連結領域Ａ1を取得し、連結領域Ａ1の重心を取得して擬似円中心Ｃ1をとし、連結領域Ａ1の面積Ｓ1及び擬似円半径Ｒ1を取得し、Ｃ1をシード点をとし、シード点Ｐ1が位置する層の連結領域Ａ2を取得し、連結領域Ａ1を膨張し、膨張領域Ｄ1を得て、連結領域Ａ2から膨張領域Ｄ1と重なる部分を除去し、連結領域Ａ2’を得て、連結領域の体積閾値Ｖ閾を設定し、連結領域Ａ2’の体積Ｖ2＜Ｖ閾である場合、上の層の円中心Ｃ1との距離が大きすぎる点を除去し、フィルタリング面積Ｈkを取得し、連結領域Ａ2’の重心を擬似円中心Ｃ2とし、連結領域Ａ2の面積Ｓ2及び擬似円半径Ｒ2を取得し、連結領域Ａ2の方法を繰り返し、各二値化画像の連結領域、及び連結領域に対応する擬似円中心Ｃk、面積Ｓk、擬似円半径Ｒk、及び隣接する２層の円中心間の距離Ｃk－Ｃ(k-1)、各層のスライスの円中心Ｃkと最上層の円中心Ｃ1との距離Ｃk－Ｃ1を順次取得し、円中心取得ユニットは擬似円中心Ｃ1、Ｃ2...Ｃk...を記憶することに用いられ、面積取得ユニットは面積Ｓ1、Ｓ2...Ｓk...、及びフィルタリング面積Ｈ1、Ｈ2...Ｈk...を記憶することに用いられ、半径取得ユニットは擬似円半径Ｒ1、Ｒ2...Ｒk...を記憶することに用いられる。
【0031】
図８に示すように、本願の一実施例では、大動脈取得装置４００は、深層学習装置２００に接続され、大動脈データを膨張し、膨張後の大動脈データとＣＴ原画像データを乗算し、各画素点の勾配を算出し、勾配データを得て、勾配データに基づき、勾配エッジを抽出し、膨張後の大動脈データから勾配エッジを減算するための勾配エッジ構造４１０と、ＣＴ記憶装置５００及び勾配エッジ構造４１０に接続され、擬似円中心に基づいてシード点リストを生成し、シード点リストに基づいて連結領域を抽出し、大動脈画像を取得するための大動脈画像取得構造４２０とを含む。
【0032】
当業者にとって明らかなように、本発明の各態様はシステム、方法又はコンピュータプログラム製品として実現されてもよい。したがって、本発明の各態様は、具体的には、完全なハードウェアの実施形態、完全なソフトウェアの実施形態（ファームウェア、常駐ソフトウェア、マイクロコード等を含む）、又はハードウェアとソフトウェアを結合する実施形態に実現されてもよく、ここで「回路」、「モジュール」又は「システム」と総称されてもよい。また、いくつかの実施例では、本発明の各態様はさらに１つ又は複数のコンピュータ読み取り可能な媒体におけるコンピュータプログラム製品の形態として実現されてもよく、該コンピュータ読み取り可能な媒体はコンピュータ読み取り可能なプログラムコードを含む。本発明の実施例の方法及び／又はシステムの実施形態は手動、自動又はその組み合わせの方式で選択されたタスクを実行し又は完了することに関する。
【0033】
例えば、本発明の実施例に係る選択されたタスクを実行するためのハードウェアをチップや回路として実現してもよい。ソフトウェアとして、本発明の実施形態による選択されたタスクはコンピュータが任意の適切なオペレーティングシステムを用いて実行する複数のソフトウェア命令として実現されてもよい。本発明の例示的な実施例では、本明細書の方法及び／又はシステムの実施例に係る１つ又は複数のタスクは、例えば複数の命令を実行するためのコンピューティングプラットフォームなどのデータプロセッサによって実行される。選択可能には、該データプロセッサは、磁気ハードディスク及び／又はリムーバブルメディアなどの命令及び／又はデータを記憶するための揮発性記憶装置及び／又は命令及び／又はデータを記憶するための不揮発性記憶装置を含む。選択可能には、ネットワーク接続をさらに提供する。選択可能には、キーボード及びマウスなどのディスプレイ及び／又はユーザ入力装置をさらに提供する。
【0034】
１つ又は複数のコンピュータが読み取り可能な任意の組み合わせを利用することができる。コンピュータ読み取り可能な媒体はコンピュータ読み取り可能な信号媒体又はコンピュータ読み取り可能な記憶媒体であってもよい。コンピュータ読み取り可能な記憶媒体は、電気、磁気、光、電磁、赤外線、又は半導体のシステム、装置又はデバイス、又は任意以上の組み合わせであってもよいがこれらに限定されない。コンピュータ読み取り可能な記憶媒体のより具体的な例（非網羅的リスト）は以下の項を含む。
【0035】
１つ又は複数の導線の電気的接続、ポータブルコンピュータディスク、ハードディスク、ランダムアクセスメモリ（ＲＡＭ）、リードオンリーメモリ（ＲＯＭ）、消去可能プログラマブルリードオンリーメモリ（ＥＰＲＯＭ又はフラッシュメモリ）、光ファイバ、ポータブルコンパクトディスクリードオンリーメモリ（ＣＤ－ＲＯＭ）、光記憶デバイス、磁気記憶デバイス、又はこれらの任意の適切な組み合わせを有する。本明細書において、コンピュータ読み取り可能な記憶媒体はプログラムを含む、又は記憶する任意の有形の媒体であってもよく、該プログラムは命令実行システム、装置又はデバイスに使用され又はそれらに組み合わせて使用されてもよい。
【0036】
コンピュータ読み取り可能な信号媒体は、ベースバンドに含まれるか又は搬送波の一部として伝播されたデータ信号を含んでもよく、コンピュータ読み取り可能なプログラムコードを担持する。このような伝播されたデータ信号は様々な形態を採用することができ、電磁信号、光信号又は上記任意の適切な組み合わせを含むがこれらに限定されない。コンピュータ読み取り可能な信号媒体はコンピュータ読み取り可能な記憶媒体以外の任意のコンピュータ読み取り可能な媒体であってもよく、該コンピュータ読み取り可能な媒体は、命令実行システム、装置又はデバイスに使用され又はそれらに組み合わせて使用されるプログラムを送信、伝播又は伝送することができる。
【0037】
コンピュータ読み取り可能な媒体に含まれるプログラムコードは任意の適切な媒体で伝送することができ、無線、有線、光ケーブル、ＲＦなど、又は上記任意の適切な組み合わせを含むがこれらに限定されない。
【0038】
例えば、Ｊａｖａ、Ｓｍａｌｌｔａｌｋ、Ｃ＋＋などのオブジェクト指向プログラミング言語および「Ｃ」プログラミング言語または類似のプログラミング言語などの従来のプロセスプログラミング言語を含む、本発明の様々な態様のための動作を実行するためのコンピュータプログラムコードを、１つまたは複数のプログラミング言語の任意の組み合わせで記述することができる。プログラムコードは、完全にユーザのコンピュータ上で、部分的にユーザのコンピュータ上で、独立したソフトウェアパッケージとして、部分的にユーザのコンピュータ上で、部分的にリモートコンピュータ上で、または完全にリモートコンピュータまたはサーバ上で実行することができる。リモートコンピュータが関与する場合、リモートコンピュータは、ローカルエリアネットワーク（ＬＡＮ）またはワイドエリアネットワーク（ＷＡＮ）を含む任意の種類のネットワークを介してユーザのコンピュータにアクセスされてもよく、または外部コンピュータにアクセスされてもよい（例えば、インターネットサービスプロバイダによって提供されるインターネットを介してアクセスされてもよい）。
【0039】
理解すべきことは、フローチャート及び／又はブロック図の各ブロック及びフローチャート及び／又はブロック図における各ブロックの組み合わせは、いずれもコンピュータプログラム命令により実現されてもよい。これらのコンピュータプログラム命令は汎用コンピュータ、専用コンピュータ又は他のプログラマブルデータ処理装置のプロセッサに提供されてもよく、それにより、機器を生産し、これらのコンピュータプログラム命令がコンピュータ又は他のプログラマブルデータ処理装置のプロセッサによって実行される時、フローチャート及び／又はブロック図における１つ又は複数のブロックに規定された機能／動作を実現する装置を生成する。
【0040】
これらのコンピュータプログラム命令をコンピュータ読み取り可能な媒体に記憶することもでき、これらの命令はコンピュータ、他のプログラマブルデータ処理装置、又は他の機器を特定の方式で動作させ、それにより、コンピュータ読み取り可能な媒体に記憶された命令はフローチャート及び／又はブロック図における１つ又は複数のブロックに規定された機能／動作を実現する命令を含む製品（ａｒｔｉｃｌｅ ｏｆ ｍａｎｕｆａｃｔｕｒｅ）を生成する。
【0041】
コンピュータプログラム命令をコンピュータ（例えば、冠動脈解析システム）又は他のプログラマブルデータ処理機器にロードしてコンピュータ、他のプログラマブルデータ処理機器又は他の機器に一連の操作ステップを実行させてコンピュータ実現プロセスを生成し、それにより、コンピュータ、他のプログラマブル装置又は他の機器に実行される命令は、フローチャート及び／又は１つ又は複数のブロック図で指定された機能／動作を実現するためのプロセスを提供する。
【0042】
本発明の以上の具体的な実施例は、本発明の目的、技術的解決手段及び有益な効果についてさらに詳細に説明し、理解すべきことは、以上が本発明の具体的な実施例に過ぎず、本発明を限定するものではなく、本発明の精神及び原則を逸脱せずに、行われるいかなる修正、均等置換、改善等がいずれも本発明の特許範囲に含まれるべきである。
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
