[发明专利]一种基于能谱CT的钙化分数计算的方法和装置

说明书

一种基于能谱CT的钙化分数计算的方法，包括以下步骤：1）钙化区域检测模块中的深度神经网络模型来确定钙化区域与心血管的位置相关性；2）通过钙化区域检测模块中的深度神经网络模块来精准定位和分割钙化区域；3）通过钙化积分回归模块对钙化区域检测模块的钙化区域检测结果进行回归/计算，计算每个钙化位置的分数，在训练期间，使用金标准来训练其输出，在预测过程中，训练好的钙化区域检测模块会检测相关的钙区域，并将相应的概率/特征图提供给评分回归模块从而计算出钙分数。本发明能够自动区分目标血管周围的相关钙化区域与其他区域，从而消除了人工识别每个相关钙区域的工作。

技术领域

本发明涉及钙化区域检测技术领域，具体涉及一种基于能谱CT的钙化分数计算的方法和装置。

背景技术

钙化积分是一种评估钙化斑块在血管周围发展程度的定量方法。现临床中有许多钙化积分的评估方法，包括Agatston积分，容量积分，和质量积分，其中Agatston积分作为一种有效的斑块负荷与与心血管疾病风险评估指标应用最为广泛。

在传统的评估方法中，Agatston评分过程是基于独立的平扫CT图像的。观察者需手动选择血管周围比预定阈值（130 HU）亮的体素作为钙化体素，然后基于钙区域的亮度和面积，根据预定公式计算钙积分。过程中区分血管周围的钙化区域与沉积在其他位置（例如主动脉和骨骼）的钙化区域依靠人为区分。

计算机断层扫描血管造影（CTA）是一种常用的心血管造影方式，需对患者注射造影剂以增强CT扫描下的血管可见度。 CTA通常用于评估患者的血管状况。但是，由于打入造影剂后，CTA中的血管同钙化区域一样，也具有高亮度，令二者不易区分，因此在CTA中不易计算钙评分。

能谱CT与普通CT相比，在造影过程中可产生多张单能量图像，由于组织结构在不同能量点下有不同的显示效果，可据此调整图像显示效果。单能量图像不但具有更高的图像质量、信噪比及对比噪声比，更重要的是，不同组织间在不同能量图下的差值不同，可据此对组织进行有效区分。本发明申请公开一种从冠脉能谱CT全自动获得钙化积分的装置和方法，充分利用能谱CT优势，无需医生手动选择钙化区域，且省去了做额外平扫CT检查的必要。

发明内容

为解决上述问题，本发明公开了一种基于CTA的钙化分数计算装置，所述装置包括钙化区域检测模块和钙化积分回归模块，钙化区域检测模块和钙化积分回归模块分开提供并且同时运行，其中钙化检测模块旨在从输入能谱CT图像中检测出相关钙化区域。对于Agatston冠状动脉钙化评分，这意味着要确定钙沉积的区域，并且还应确定钙沉积与心血管间的相关性，确保其应在冠状动脉周围而不是在如主动脉之类的其他位置。传统的Agatston评分计算基于预定义的阈值识别NCCT图像中的钙化区域，将冠状动脉周围的钙化区域与其他部位的钙化区域区分开来时也需要人工干预。

相比之下，本发明充分利用能谱CT的组织分离优势，开发钙化检测和分数回顾模型，不需要人工进行钙化区域的标注，能够显著减少模型开发时间，以及避免人工干预的不一致性，本发明公开了一种基于能谱CT的钙化分数计算的方法，所述方法包括以下步骤：

1） 通过钙化区域检测模块中的深度神经网络模型来确定钙化区域与心血管的位置相关性；

2） 通过钙化区域检测模块中的深度神经网络模块来精准定位和分割钙化区域，这种结构能有效整合处于不同网络层中的具有不同分辨率的图像特征，加强网络特征提取能力，从而提升分割效果；

3） 通过对钙化区域检测模块的钙化区域检测结果进行回归/计算，计算每个钙化位置的分数，通过利用来自深度神经网络多个尺度的特征对相应的钙化积分进行回归，该深度学习模型可以采用多层全卷积深度神经网络，在训练期间，使用金标准来训练其输出，在测试过程中，在预测过程中，训练好的钙化区域检测模块会检测相关的钙区域，并将相应的概率/特征图提供给评分回归模块从而计算出钙分数。钙化积分的金标准可以从能谱CT的VNC获得，也可以通过普通平扫CT的钙化积分计算得到。在训练过程中，可以对单个的钙化区域进行单独训练，也可以对多个钙化区域一起进行训练。