[发明专利]基于机器学习来评估血管阻塞的方法和系统

权利要求书

1.一种评估血管阻塞的方法，所述方法包括：

获得（201）包括关注血管的目标器官的体积图像数据集；

提取（202）沿着体积图像数据集内的关注血管（VOI）延伸的轴向轨迹；

基于体积图像数据集和VOI的轴向轨迹来创建三维（3D）多平面重新格式化（MPR）图像（203）；以及

利用基于机器学习的血管阻塞评估（VOA）模型从MPR图像中提取VOI参数（204）。

2.根据权利要求1所述的方法，进一步包括：

实现预测阶段以实行以下各项中的至少一项：i）检测斑块类型，ii）对血管堵塞的解剖学严重程度进行分类，和/或iii）对体积图像数据集的看不见的部分内的血管阻塞的血液动力学严重程度进行分类。

3.根据权利要求1或2所述的方法，其中：

基于机器学习的VOA模型（204）从MPR图像生成立方体的序列（2304），每一个立方体包括来自MPR图像的一组体素，在VOI的部分中创建的立方体的序列会导致对应部分的立方体的序列。

4.根据任何前述权利要求所述的方法，其中：

轴向轨迹对应于VOI的冠状动脉中心线，冠状动脉中心线表示沿着关注的冠状动脉部分的冠状腔的中心，轴向轨迹对应于单个冠状动脉、冠状动脉分叉或完整的冠状动脉树，其中，当关注的冠状动脉部分包括一个或多个分叉时，冠状动脉中心线就包括一个或多个分叉。

5.根据任何前述权利要求所述的方法，其中：

基于机器学习的VOA模型（204）基于递归卷积神经网络（RCNN），采用其来分析MPR图像中的沿着VOI的轴向轨迹的附近区域，RCNN将卷积神经网络（CNN）与串联连接的递归神经网络（RNN）连接起来，以分析作为顺序输入的MPR沿着轴向轨迹的部分。

6.根据任何前述权利要求所述的方法，其中：

基于机器学习的VOA模型（204）包括用于基于MPR图像来创建特征向量的特征提取（2305），所述特征向量包括从图像的参考数据库中测量或提取的一系列因子，所述系列因子描述或表征了关注血管的对应壁区域的性质，基于机器学习的VOA模型进一步包括分类器，用于对从MPR图像中提取的特征向量进行分类。

7.根据任何前述权利要求所述的方法，其中：

VOI参数包括冠状动脉斑块类型、解剖学冠状动脉病变严重程度或功能上重要的冠状动脉病变严重程度中的至少一种，并且其中，基于机器学习的VOA模型评估以下各项中的至少一项：i）功能上重要的冠状动脉病变严重程度、ii）斑块类型或iii）解剖学冠状动脉病变严重程度。

8.一种训练血管阻塞评估（VOA）模型的方法，其包括：

获得训练数据库，所述训练数据库包括多名患者的体积成像数据集和对应的冠状动脉疾病（CAD）相关参考值，所述体积图像数据集针对包括关注血管的目标器官，CAD相关参考值对应于在对应的成像数据集中沿着关注血管的一个或多个点；以及

对于至少一部分体积图像数据集和对应的CAD相关参考值，

提取沿着对应的体积图像数据集中的关注血管（VOI）延伸的轴向轨迹，

基于对应的体积图像数据集和VOI的轴向轨迹，创建三维（3D）多平面重新格式化（MPR）图像，MPR图像沿着VOI的轴向轨迹延伸，以及

基于MPR图像来训练基于机器学习的血管阻塞评估（VOA）模型，该训练进一步包括从MPR图像中提取沿着VOI内的轴向轨迹表征CAD相关参数的特征。

9.根据任何前述权利要求所述的方法，进一步包括：

根据对应的MPR图像生成立方体的序列，每一个立方体包括来自对应的MPR图像的一组体素，在VOI的部分中创建的立方体的序列会导致对应部分的立方体的序列。

10.根据任何前述权利要求所述的方法，其中，基于机器学习的VOA模型从立方体的序列中提取与立方体相关联的图像特征。