一种基于胸部平扫CT的冠脉钙化评分方法及系统

摘要

本发明公开的一种基于胸部平扫CT的冠脉钙化评分方法及系统，包括：获取胸部平扫CT图像；从胸部平扫CT图像中提取心脏区域；从心脏区域中提取各分支冠脉血管；对各分支冠脉血管进行识别，确定各分支冠脉血管的钙化区域，进而计算获得各分支冠脉血管所有钙化区域的冠脉钙化积分。提高了冠脉钙化积分计算的准确率与速率。

说明书

技术领域

本发明涉及钙化评分技术领域，尤其涉及一种基于胸部平扫CT的冠脉钙化评分方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

冠状动脉钙化积分(Coronary Artery Calcification Score，CACS)是评估量化心血管事件风险的指标，可用来预测冠心病事件的风险分级，与未来发生心血管事件的风险密切相关。近年来非门控胸部低剂量CT(Low Dose CT，LDCT)应用于各级健康人群的筛查，能否采用非门控胸部CT平扫评估CACS受到广泛关注。现有技术中平扫CT中计算钙化积分，一种方法是需要人工手动勾画出钙化区域，然后通过相关的分析软件对勾画出的钙化区域进行积分计算；另一种方法是根据CT血管造影(Computed Tomography Angiography，CTA)获取的血管钙化信息来确定平扫CT血管钙化区域，然后标记钙化区域并利用相关分析软件计算该区域的钙化积分；再一种方法是提取全心脏的钙化区域然后基于机器学习的模型对钙化区域进行分类，判断其属于某个分支的钙化，再计算其钙化积分。可以看出现有方法存在钙化积分计算过程手动分割钙化区域不准确的问题以及提取钙化区域再对其进行分类所需时间较多的问题，进一步影响冠脉钙化积分计算的效率和准确率。

发明内容

本发明为了解决上述问题，提出了一种基于胸部平扫CT的冠脉钙化评分方法及系统，在对各分支冠脉血管进行识别的基础上，识别了每个分支冠脉血管的钙化区域，进而对钙化区域进行评分，提高了冠脉钙化积分计算的效率和准确率，缓解了现有技术中存在的人工手动勾画钙化效率低、不准确导致的冠脉钙化积分计算过程效率低、准确率低的问题。

为实现上述目的，本发明采用如下技术方案：

第一方面，提出了一种基于胸部平扫CT的冠脉钙化评分方法，包括：

获取胸部平扫CT图像；

从胸部平扫CT图像中提取心脏区域；

从心脏区域中提取各分支冠脉血管；

对各分支冠脉血管进行识别，确定各分支冠脉血管的钙化区域，进而计算获得各分支冠脉血管所有钙化区域的冠脉钙化积分。

第二方面，提出了一种基于胸部平扫CT的冠脉钙化评分系统，包括：

心脏及冠脉各分支分割单元，用于获取胸部平扫CT图像；从胸部平扫CT图像中提取心脏区域；从心脏区域中提取各分支冠脉血管；

冠脉各分支钙化提取单元，用于对各分支冠脉血管进行识别，确定各分支冠脉血管的钙化区域；

钙化积分计算单元，用于计算获得各分支冠脉血管所有钙化区域的冠脉钙化积分。

第三方面，提出了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成一种基于胸部平扫CT的冠脉钙化评分方法所述的步骤。

第四方面，提出了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成一种基于胸部平扫CT的冠脉钙化评分方法所述的步骤。

与现有技术相比，本发明的有益效果为：

1、本发明可以在对胸部进行CT非造影扫描后，基于得到的胸部平扫CT图像，计算得到每个冠状动脉分支的冠脉钙化积分，从而使用户可以直接获取到冠脉钙化积分参数，且采用深度学习的方法从胸部平扫CT图像中提取心脏区域以及各分支冠脉血管，提高了钙化积分的计算效率和准确率。

2、本发明首先对各分支冠脉血管进行识别，在此基础上识别了每个分支冠脉血管的钙化区域，进而对每个分支冠脉血管的钙化区域进行钙化积分计算，将所有分支冠脉血管的钙化积分相加获得冠脉钙化积分，提高了冠脉钙化积分计算的效率和准确率，缓解了现有技术中存在的人工手动勾画钙化效率低、不准确导致的冠脉钙化积分计算过程效率低、准确率低的问题。

本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。

图1为实施例1公开方法的流程图；

图2为实施例1的分支冠脉血管标注图；

图3为实施例2公开系统结构示意图。

具体实施方式

下面结合附图与实施例对本发明作进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

实施例1

在该实施例中，公开了一种基于胸部平扫CT的冠脉钙化评分方法，如图1所示，包括：

S1：获取胸部平扫CT图像。

S2：从胸部平扫CT图像中提取心脏区域。

采用训练好的心脏分割模型从胸部平扫CT图像中提取心脏区域。其中，心脏分割模型采用神经网络分割模型，如UNET等分割网络。

获取训练好的心脏分割模型的过程为：

获取人工标注心脏区域后的胸部平扫CT图像，将人工标注后的胸部平扫CT图像输入预先构建的心脏分割模型中，对心脏分割模型进行训练，对心脏分割模型中的相关参数进行调整，获得训练好的心脏分割模型，并输出分割的心脏区域，训练好的心脏分割模型具备良好的心脏分割性能。

S3：从心脏区域中提取各分支冠脉血管。

采用训练好的冠脉各分支分割模型从心脏区域中提取各分支冠脉血管，其中，冠脉各分支分割模型采用神经网络分割模型，如UNET等分割网络。

以心脏区域图像为输入，以各分支冠脉血管为输出，构建冠脉各分支分割模型，该冠脉各分支分割模型共设置四个通道，每个通道输出对应类别的分支冠脉血管。

获取训练好的冠脉各分支分割模型的过程为：

S31：获取人工标注的各分支冠脉血管CT图像，标注的冠脉分支主要包括左冠状动脉主干分支(Left Main Coronary Artery，LM)、左前降支(Left Anterior DescendingArtery，LAD)、左回旋支(Left Circumflex Artery，LCX)、右冠状动脉(Right CoronaryArtery，RCA)四种心脏主干分支。

具体的，预先采集大量的胸部平扫CT图像，并对这些胸部平扫CT图像进行人工标注，如图2所示，为了保证获取的CT图像样本的多样性，获取不同个体的胸部平扫图像，为了便于对不同标签的区分，为不同的标签分配不同的显示颜色，即不同的标签显示不同的颜色。

图2中(a)为左冠状动脉主干分支冠脉血管区域(LM标签)，通过黄色显示；(b)为左前降支冠脉血管区域(LAD标签)，通过红色显示；(c)为左回旋支冠脉血管区域(LCX标签)，通过绿色进行显示；(d)为右冠状动脉血管区域(RCA标签)，通过蓝色进行显示。

在对预先采集的大量的胸部平扫CT图像的各分支冠脉血管人工标注完成后，可以将获取的标注数据作为一个训练集输入预先构建的冠脉各分支分割模型中，调整冠脉各分支分割模型的参数，对冠脉各分支分割模型进行训练，以获取一个性能较好的冠脉血管各分支分割模型。

S32：将人工标注的各分支冠脉血管输入构建的冠脉各分支分割模型中，对冠脉各分支分割模型进行训练，获得训练好的冠脉各分支分割模型。

将S2获取的心脏区域图像输入训练好的冠脉各分支分割模型中，提取各分支冠脉血管，将提取的各分支冠脉血管按照其类别所对应的通道进行输出，每一个通道输出一个冠脉分支的类别，将每一个通道的输出单独保存，即保存每一类别的分支冠脉血管。

S4：对各分支冠脉血管进行识别，确定各分支冠脉血管的钙化区域。

遍历训练好的冠脉各分支分割模型输出的每一个通道，即遍历冠脉各分支分割模型输出的每一个类别的分支冠脉血管；然后分别从各分支冠脉血管中，提取每一个分支冠脉血管中的钙化区域。

由于S3中分别获取保存了左冠状动脉主干分支血管、左前降支冠脉血管、左回旋支冠脉血管以及右冠状动脉血管区域。则此时，可以基于左冠状动脉主干分支血管提取钙化区域，计算该分支的冠脉钙化积分；基于左前降支冠脉血管提取钙化区域，计算该分支的冠脉钙化积分；基于左回旋支冠脉血管提取钙化区域，计算该分支的冠脉钙化积分；基于右冠状动脉血管提取钙化积分区域，计算该分支的冠脉钙化积分。

确定各分支冠脉血管的钙化区域的过程为：

利用阈值和连通域分析算法确定每个分支冠脉血管的候选钙化组织区域；

将候选钙化组织区域中的体素数量小于体素数量阈值的连通域、CT值大于第二CT阈值的连通域删除，获得每个分支冠脉血管的钙化区域。

利用阈值和连通域分析算法确定钙化区域的过程为：

对每个血管进行体素划分，并确定每个体素的位置和CT值；

筛选出CT值大于第一CT阈值的体素，并将相邻近的筛选出的体素构成一个连通域；

选定连通域面积不小于面积阈值的连通域确定为候选钙化组织区域。

以左前降支(LAD)血管为例对确定左前降支的钙化区域的过程进行详细说明，在获得的左前降支(LAD)血管中，对左前降支血管进行体素划分，确定每个体素的位置、CT值和灰度值；先通过CT值对体素进行筛选，选出CT值大于第一CT阈值的体素；将相邻近的筛选出的体素构成一个连通域；将连通域的面积不小于面积阈值的连通域确定为候选钙化组织区域。优选的，第一CT阈值取130HU，面积阈值取0.5mm

由于在冠脉血管中存在体素数量非常小的噪声点以及体素数量非常庞大支架等，因此需要对候选钙化组织区域进行筛选，仅保留满足要求的钙化区域。

从以上所述左前降支(LAD)血管候选钙化区域组织中进一步的筛选，首先去除体素数量小于体素数量阈值的连通域，删除噪声点，体素数量阈值优选为数量3；然后，将CT值大于第二CT阈值的连通域删除，从而删除高亮金属支架区域，优选的，第二CT阈值为800HU。经过以上所述两次筛选后得到的目标组织区域称之为左前降支(LAD)的钙化区域。

每个分支的钙化区域可以为多个。

在具体实施时，各阈值可以是由用户自行设定的数值，也可以是默认的缺省值。

S5：计算获得各分支冠脉血管所有钙化区域的冠脉钙化积分，将所有分支冠脉血管的钙化积分相加，获得心脏的冠脉钙化积分。

采用Agatston积分计算方法计算各分支冠脉血管所有钙化区域的冠脉钙化积分，公式为：

AS＝∑(CT值×面积×权重系数)

其中，AS即为该冠脉分支的冠脉钙化积分；CT值为该冠脉分支血管中钙化区域的CT值；面积为该钙化区域的面积；权重系数与CT值相关，一般将CT值在130-199HU内的钙化区域的权重系数设置为1，CT值在200-299HU内的钙化区域的权重系数设置为2，将CT值在300-399HU内的钙化区域的权重系数设置为3，将CT值大于或等于400HU的钙化区域的权重系数设置为4。

以LAD冠脉分支血管为例，LAD冠脉分支血管提取出的钙化区域包括钙化区域1，该区域的CT值为150HU，面积为面积1；钙化区域2，该区域的CT值为210HU，面积为面积2。在这种情况下，左前降支(LAD)冠脉分支血管的钙化积分LAD_AS＝(150×面积1×2)+(210×面积2×2)。按照同样的计算方法可获得左冠状动脉主干分支(LM)、左回旋支(LCX)以及右冠状动脉(RCA)分支血管的钙化积分，最后将各个分支计算所得的钙化积分相加，即为该CT图像的冠脉钙化积分分数，分值越高发生心血管疾病风险就越高。

此外，本实施例还将各分支冠脉血管的总钙化面积乘以层厚，获得各分支冠脉血管的体积积分。

其中，各分支冠脉血管的总钙化面积为各分支冠脉血管所有钙化区域的面积之和。

层厚可以从每张.dicom格式的CT图像中读取获得。

将各分支冠脉血管所有钙化区域的冠脉钙化积分除以总的钙化面积，获得各分支冠脉血管的质量积分，通过质量积分反应了钙化的平均程度。

本实施例公开的冠脉钙化评分方法，可以在对胸部进行CT非造影扫描后，基于得到的胸部平扫CT图像，计算得到每个冠状动脉分支的冠脉钙化积分，从而使用户可以直接获取到冠脉钙化积分参数，且采用深度学习的方法从胸部平扫CT图像中提取心脏区域以及各分支冠脉血管，提高了钙化积分的计算效率和准确率。

实施例2

在该实施例中，公开了一种基于胸部平扫CT的冠脉钙化评分系统，如图3所示，包括：

心脏及冠脉各分支分割单元，用于获取胸部平扫CT图像；从胸部平扫CT图像中提取心脏区域；从心脏区域中提取各分支冠脉血管；

冠脉各分支钙化提取单元，用于对各分支冠脉血管进行识别，确定各分支冠脉血管的钙化区域；

钙化积分计算单元，用于计算获得各分支冠脉血管所有钙化区域的冠脉钙化积分。

实施例3

在该实施例中，公开了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例1公开的一种基于胸部平扫CT的冠脉钙化评分方法所述的步骤。

实施例4

在该实施例中，公开了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例1公开的一种基于胸部平扫CT的冠脉钙化评分方法所述的步骤。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。