¼医学信息学解锁19（2020）100320冠状动脉CT血管造影图像的心肌区域分割：投影和非投影方法在猪模型中Sungwon Hama，1，Joonho Jungb， 1，Joonmyeong Choi a，Young-Hak Kim c，Myungsoo Bae a，Namkug Kima，2，*，Dong Hyun Yange，2，**a韩国，首尔，05505，Songpa-gu，88 Olympic-ro 43 gil，蔚山大学医学院，峨山医学中心，峨山医学融合科学与技术研究所融合医学系b韩国Gyeongbuk Gumi，Gumidaero 350-27 Gumi电子信息技术研究所创新技术研究部，邮编39253c大韩民国首尔市松坡区奥林匹克路43 gil 88号蔚山大学医学院心脏科，邮编05505。e大韩民国首尔市松坡区奥林匹克路43 gil 88号蔚山大学医学院放射科，邮编05505A R T I C L EI N FO保留字：冠状动脉CT血管造影冠状动脉（CA）猪研究单血管闭塞模型A B S T R A C T背景：定量分析各冠状动脉（CA）供血心肌区域的分割可能为冠状动脉狭窄所致缺血性心脏病的诊断和治疗提供重要工具。在以前的研究中，CA已被投影到心肌表面，其供应领域分割的Voronoi图，这仍然是有争议的，由于缺乏验证。方法：针对冠状动脉CT血管造影（CCTA）中供血冠状动脉心肌运动异常的检测，提出并比较了基于冠状动脉的心肌分割（CAMS）和将CA投影到心肌表面后的CAMS（PRJ_CAMS）两种分割左心室区域的算法，并在猪模型（N6）上采用单冠状动脉闭塞法验证了其准确性。这些地区的黄金标准是由这些标本决定的由一位拥有20多年经验的心胸放射科专家证实。 骰子相似系数（DSC）被用作评价指标。结果：两种算法在CCTA图像DSC结果方面，CAMS方法的准确性明显优于两种算法。CAMS方法对猪个体和区域的DSC结果比较显示，左前降支（LAD）和右冠状动脉（RCA）的DSC值分别是PRJ_CAMS方法的1.073和1.100倍，但左回旋支（LCX）的DSC值相同，为77%。在预测LAD、中段、RCA和LCX区域时，CAMS方法的准确性分别是PRJ_CAMS方法的3.667、4.545和1.101倍。CAMS方法的总DSC值为82%，PRJ_CAMS方法的总DSC值为78%。此外，总体CAMS方法准确度为61%，PRJ_CAMS为30%，是PRJ_CAMS方法的两倍多。结论：CAMS方法比PRJ_CAM方法更准确地识别心肌区域，基于相应的CA和三维Voronoi图。* 通讯作者。韩国首尔市松坡区奥林匹克路43路88号蔚山大学医学院融合医学系韩国。** 通讯作者。电子邮件地址：namkugkim@gmail.com（N.Kim），donghyun. gmail.com（D.H. Yang）。1 这些作者对这项工作作出了同样的贡献。2 这些作者对研究的研究部分做出了同等的贡献。https://doi.org/10.1016/j.imu.2020.100320接收日期：2019年12月26日;接收日期：2020年3月16日;接受日期：2020年3月17日在线预订2020年2352-9148/©2020的 自行发表通过Elsevier 公司这是一个开放接入文章下的CCBY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）中找到。可在ScienceDirect上获得目录列表医学信息学期刊主页：http://www.elsevier.com/locate/imuS. Ham等人医学信息学解锁19（2020）1003202¼¼¼ ¼�¼1. 介绍量化左心室（LV）中的缺血性心肌负荷对于正确选择治疗方法至关重要，并且在冠状动脉（CA）疾病患者中具有预测价值[1，2]。心肌缺血负荷的评估通常依赖于心肌分段中的染料摄取测量，如美国心脏协会（AHA）分类所定义，其将心肌分为17个分段[3]。最近开发的心肌灌注成像，它使用冠状动脉计算机断层扫描血管造影，CCTA也遵循AHA分割规则[4 - 9 ]。然而，以前的研究报告说，固定分配的CA领土， 使用 传统 AHA 分割 可以 错误识别罪犯船[10 - 12 ]。 最近的报告介绍了考虑单个CA解剖结构的心肌分割新方法[13 - 18 ]。 Termeer等人使用心血管磁共振呈现了CA和CA区域之间的患者特异性映射[15]。CA也从整个心脏图像中分割出来，并投影到分割的心肌表面上[14，15]，其中CA区域通过使用投影动脉的Voronoi图计算[19]。这些方法产生了更好的对应关系，CA 和CA 地区。最近，该领域提出了新的基于深度学习的研究Sheharyar等人发表了在AHA模型中通过视觉分析早期检测心肌运动的局部异常Xu等人建议通过在MRI中使用联合运动特征学习架构和时空生成对抗学习，在无造影剂的情况下分割和量化梗死[20，21]。Malkasian等人提出了在CCTA中使用最小成本路径分配的血管特异性冠状动脉灌注区域的量化方法[22]。尽管有这些技术发展，但由于解剖变异和缺乏验证，将罪犯血管连接到相应心肌区域的方法无法推广[16]。本研究旨在开发一种新的半自动化方法，CA-基于心肌分割（CAMS）的方法，用于估计个体CA中代表性心肌缺血区域，验证其在具有单冠状动脉闭塞的实验猪模型中的性能，并将其与Termeer的方法进行比较。2. 材料和方法图1示出了所提出的方法的流程图。通过种子区域生长方法分割LV心肌[24]（图2）。两名专家和一名心脏放射科医生（DHY）在最后一步纠正并确认了LV容积。在随后的左胸廓切开术中，三条冠状动脉的最近部分被外科缝线紧紧封闭。将导管插入猪的左心房，用镊子固定并拧紧导管插入部位以防止染料泄漏。此外，心脏放射科医生考虑LV染料摄取，在死后样本中手动描绘冠状动脉区域[23]。使用内部软件和血管建模工具包（VMTK）对CA进行分割[25]。采用Termeer等人提出的CAMS和CAMS结合CA投影（PRJ_CAMS）进行患者特异性心肌区域分割。比较两种方法的分割精度，并使用单冠状动脉闭塞猪模型（N 6）验证结果。我们机构的动物护理和使用委员会批准了本研究中的所有程序。使用VMTK（一种用于血管形态3D重建和后处理的开源工具）进行Frangi滤波和水平集分割[25，33，34]。2.1. 动物和数据集将体重为35- 40 kg（Hanford，8 - 10月龄）的SIX头猪回顾性心电图门控CCTA使用第二个-Fig. 1. 所提出的心脏CT分析方法的步骤示意图。第二代双源CT扫描仪（SOMATOM Definition Flash; Siemens MedicalSystems，Forcheim，Germany）。以3.5 ml/s的速率注射50 ml碘化造影剂（Iomeron 400; Brampton Imaging，Milan，Italy），随后注射40ml生理盐水冲洗液。使用推注跟踪方法来确定扫描延迟。使用以下扫描参数：管电压100 kV;管电流-时间乘积360 mAs;准直128 0.6 mm;机架旋转时间280 ms。421之间，并且piX el间距在0.2014X0.2014X 0.3和0.3516X0.3516X 0.4之间。由心脏放射科专家选择具有最小运动伪影的CT图像并进行分析。在短轴平面上制作约5 mm厚的宏观切片后，对样本进行拍照[23]。2.2. 冠状动脉和左心室分割CA分割方法包括四个步骤。最初，从CT图像中去除肺部区域;然后，采用Frangi滤波方法增强血管结构，以改善血管描绘，减少噪声和背景物体，并促进血管分割[32]。Frangi滤波的性能由于血管性表示中的尺度设置而受到限制[1]。较小尺寸的冠状动脉的分割精度不可能是精确的。然而，较小尺寸的冠状动脉分支具有较短的长度，其具有较小的有效性。影响由每个冠状动脉提供的LV区域分割。初始CA选自Hounsfield单位值>200的掩码。最后，水平集分割的CA表面进行平滑一位专家修改了分割的CA图像，一位具有20多年经验的心脏放射科医生确认了最终的CA图像及其有效性。图2显示了使用内部软件平台和VMTK的CA分割工作流程。此外，为了生成更准确的金标准，使用阈值方法进行LV分割，并由心脏放射科专家手动校正[23]。S. Ham等人医学信息学解锁19（2020）1003203图二. 使用内部软件平台和血管建模工具包（VMTK）进行CA分割的工作流程：（a）肺切除，（b）血管增强，（c）冠状动脉选择和（d）最终水平集分割。2.3. CAMS和PRJ_CAMS考虑到每个患者CA的变化，将LV心肌分为三个CA区域。 两种CAMS方法都计算了心肌的一部分和三个CA之间的欧几里得距离，并选择最近的CA作为3D Voronoi 图的种子CA。 CAMS 方法基于使 用近似的3DVoronoi图评价最近的CA，将分割的LV心肌分为三个区域[19]。3DVoronoi图是将平面划分为靠近给定对象集合中的每个对象的子空间。对于CA掩码的每个播种体积，存在由平面上比任何其它体积更靠近该体积的所有点组成的对应子空间。这些子空间被称为Voronoi细胞[33]。在这项研究中，3D Voronoi图的近似，通过使用排除膨胀处理。通过以下方法测定LV中的每个体积：评估最近的CA，其使用CA的3D膨胀。三个CA路径及其分支周围的三维空间逐渐扩大，随后包括在相应的CA领土，直到空间遇到另一个CA占用的空间。将来自两个以上CA的扩张的Tie Break体积视为每个领域的边界。最后，将CT图像分为与三个CA对应的三个空间（图4C1，CP1）。然后将心肌区域与划分的区域重叠，并从划分的区域中提取每个CA的心肌区域（图1）。 4 C2）。PRJ_CAMS方法是将CA投影到LV心肌表面上的方法。通过评估CA体积像素和所有其他LV表面体积像素之间的距离，将每个CA体积像素投影到最近的LV表面体积像素该方法与我们提出的CAMS方法非常相似，除了CA被投影到图三. 标本和短轴CT图像之间的切片匹配。(a)内部软件，用于在标本和CT图像之间进行逐层评估（使用3D楔形块）。红线指向参考点。绿线由梗死区的上、下界确定。蓝线是100个虚拟3D楔形的边界。(b)通过重叠标本和CT图像评价标本和CT图像中的染料摄取区域以及匹配区域。颜色表示如下：心室（ 灰 色 ） 、 缺 血 LV 区 域 的 金 标 准 （ 洋 红色）、预测LV区域（蓝色）、左心室区域（紫色）和参考点（黄色箭头）。红线表示参考 点 绿色 线 被阻止了，由上界和下界开采，梗塞区域蓝线是虚拟100个3D楔形的边界。(For关于这一图中颜色的解释，请读者参阅本文的网络版。）S. Ham等人医学信息学解锁19（2020）1003204见图4。基于个体冠状动脉解剖结构的患者特定心肌区域分割过程。(a)在加载分段LV和CA后，CA仅扩张。CAMS结果是通过与LV（CAMS）相交产生的。(b)CA，尤其是RCA（蓝点）投射到LV心肌表面（CP1），然后彼此单独扩张。CAMS结果通过与LV（PRJ_CAMS）相交产生。(c)基于个体冠状动脉的颜色表示如下：LV心肌（深棕色）、RCA（蓝色点）、LCX（绿色点）、LAD（青色点）、RCA区域（蓝色）、LCX区域（绿色）和RAD区域（青色）。(For关于这一图中颜色的解释，请读者参阅本文的网络版扩张前的心肌（图 4 CP1）。由于LV梗死和偶发心律失常的可能性，RCA也投射到LV心肌表面。2.4. CAMS评估和验证采用逐层匹配的方法，对CAMS和PRJ_CAMS方法上的标本和相应CA的闭塞冠状动脉区域进行配准和比较，S. Ham等人医学信息学解锁19（2020）1003205100%纯天然显示右心室与LV的连接（图1和2）。3和4）考虑LV和右心室解剖结构。DSC[26]基于100表2比较个体猪和区域的DSC虚拟心肌楔形，由心脏专家确定，（Ns*）3D楔形块骰子相似系数p-放射科医生考虑到CT和标本中LV形状的复杂性（样本）CAMS PRJ_CAMS值使用染料吸收来验证所提出的方法的准确性。评估楔形块的参考点和圆心由心脏放射科专家猪猪1（Ns¼第七章）46� 9 0.89�0.050.82 �0.10b使用内部软件对标本和CT图像进行逐层比较。通过从LV中心发散的线将LV心肌分为100个相等的3D楔形[18]（图3a）。使用CAMS或PRJ_CAMS方法[23]计算已识别闭塞区域中匹配的3D楔形块数量（图3b）。计算DSC以评价准确度 使用匹配的3D楔形块和遮挡区域进行分割。图4显示了与内部软件一起使用的方法，以实际比较标本和其他分割结果。DSC是一种空间重叠指数，用作验证指标，以评估标本中的金标准与CT中CAMS和PRJ_CAMS分割结果之间的相似性。DSC的值的范围为0-指示两组DSC之间没有空间重叠。猪2（Ns¼10）、猪4（Ns¼（九）猪5（Ns¼第八章）猪6（Ns¼10）、领土左前降支（N¼（十七）RCA（N¼（九）LCX（N¼（十八）47� 13 0.87�0.0824� 7 0.77�0.2226� 7 0.83�0.1034� 6 0.74�0.1147� 12 0.88�0.0724� 7 0.77�0.2230� 8 0.77�0.120.83 �0.08b0.70 �0.19a0.81 �0.10b0.75 �0.13b0.82 �0.09a0.70 �0.19a0.77 �0.12b二进制分割结果，到1 -表示完全重叠。的计算DSC，其中A和B分别是A（来自标本）和B（来自CT中的CAMS或PRJ_CAMS）中作为靶冠状动脉区域的匹配楔形块数量，C是两个数据集匹配DSC计算如下：DSC<$2C<$2jA\Bj<$2j匹配列j数值显示为中位数和四分位距。ap0.05。0.05。CAMS，基于冠状动脉的心肌分割; PRJ_CAMS，具有CA投影的CAMS; Ns*，CT切片数量在前室间沟附近用吻合器固定ABjAj jBjj样本 j jCT j（图 6）。我们从实验结果中排除了猪3，因为连续DSC变量表示为描述性统计分析的平均值和四分位数间距。对于每头猪的切片、区域、总体和纵向细分，通过计数DSC大于其他方法（包括CAMS和PRJ_CAMS）的切片数量计算DSC值的最大数量。分割准确度计算如下：分割精度每种方法切片数目上染率的形状不清楚。一位拥有20多年由于具有小区域的切片没有明确匹配，我们排除了其中匹配的3D楔形块的数量小于10的五个切片。例如图 6.猪的故事3个样本。一 WilcoX on 符号秩 测试 和 配对 t检验 进行取决于正态性检验，并用于比较每头猪、区域、总体和纵向细分的DSC值[35]。在评估区域分析时（表2），同一头猪的切片之间可能存在关联。然而，考虑或不考虑这些关联，没有显著差异。所有报告的p值均使用Wilco x符号秩检验推导，认为p<使用R软件包（版本3.0.2; R Foundation）[27]进行统计分析。分析。3. 实验结果表1列出了6只猪的闭塞动脉以及CT和标本切片的数量。由于每头猪的标本均被切割，因此标本的心肌发生了变化。因此，其中三个表1每只猪的切片和闭塞动脉数量*6头猪（5- 6个月大，34 - 40公斤）。图五. 左室心肌的纵向细分。LV沿垂直轴细分为基底区（Lb）、中腔区（Lm）和心尖区（La）。LV的2D牛眼视图被投影为17段模型。闭塞动脉CT标本#切片总基底中期心尖清管器1LAD1677142猪2LAD16311254猪3RCA1844220猪4RCA1589162猪5LCX1819342S. Ham等人医学信息学解锁19（2020）1003206�����¼�¼见图6。从猪3中提取的标本。切割并制备心肌切片。其中3个样本在前室间沟附近用吻合器固定（蓝色虚线圆圈）。 (For关于本图图例中颜色的解释，读者可参考本文）。通过CAMS方法得到的DSC的平均值高于通过PRJ_CAMS方法得到的DSC的平均值（表2和3）。猪5和猪6的DSC值 0.11，分别）测定由于CA投影并不直接影响LCX分段，因此使用CAMS方法产生的LCX分段与PRJ_CAMS方法产生的LCX分段（分别为0.81 ± 0.10和0.75 ±0.13）没有显著差异。当采用CAMS方法时，除猪6外的所有样品均表现出比采用PRJ_CAMS方法时更高的DSC值。在所有猪的LAD和RCA区域中，CAMS方法显著更好（表2）。此外，统计在总体和中部区域达到显著性（表3）。的表4每种方法对个体猪和区域的准确度准确度CAMS（切片数量）PRJ_CAMS（切片数量）猪猪1（Ns¼ 7）100%（7）14%（1）猪2（Ns¼ 10）80%（8）30%（3）猪4（Ns¼ 9）100%（9）22%（2）猪5（Ns¼ 8）75%（6）50%（4）猪6（Ns¼ 10）50%（5）60%（6）计算冠状动脉闭塞面积领土左前降支（N¼17）88%（15）24%（4）基于100个虚拟心肌3D楔形图，DSC值由具有标准差的平均值表示（表2和3）。采集标本和CT切片上的闭塞CA区域，并计算每个切片的总面积和DSC（补充表1）。表4列出了考虑每头猪和区域的每种方法的准确度，而表5比较了每种模型整体和纵向细分（图5）的这些值，这是通过AHA分割进行的[3]。CAMS方法的准确性除猪外，其它猪种的产蛋率均优于PRJ_CAMS法50%6（表4）。CAMS方法的总体准确度为61%，是PRJ_CAMS方法的两倍多（表5）。CAMS方法在纵向细分中的精度在60- 87%，这显著优于PRJ_CAMS方法（22 - 64%;表5）。CAMS方法的准确性表3DSC总体和纵向细分的比较RCA（Ns ¼9）100%（9）22%（2）LCX（Ns ¼18）65%（11）59%（10）分割精度（每种方法的最大DSC数量）/（切片数量）100（%）。CAMS，基于冠状动脉的心肌分割; PRJ_CAMS，具有CA投影的CAMS; Ns*， CT切片数量表5每种方法的总体精度和纵向细分精度。Ns* 准确度CAMS（切片数）PRJ_CAMS（切片数）猪猪只（编号：44）61%（27）30%（13）纵向分舱基础（Ns¼ 10）60%（6）40%（4）中（23岁）87%（20）22%（5）心尖部（N¼ 11）82%（9）64%（7）Ns* 3D楔形块数量（样本）猪骰子相似系数p-CAMS PRJ_CAMS值分割精度 （ 每种方法的最大DSC数量）/（切片数量）100（%）。CAMS，基于冠状动脉的心肌分割; PRJ_CAMS，具有CA投影的CAMS; Ns*， CT切片数量猪（N¼（第四十四条）36� 13 0.82�0.140.78� 0.13a预测LAD领土和中部地区是纵向分舱bPRJ_CAMS方法（表4和5）。预测精度基础（Ns¼10）、中（Ns¼（23）心尖（Ns（十一）33� 6 0.84�0.0934� 9 0.83�0.1239� 21 0.74�0.200.81 �0.070.78� 0.12a0.73� 0.18b使用CAMS方法的RCA区域的平均值是PRJ_CAMS方法的三倍以上（表4）。CAMS方法在LCX区域也表现出更好的准确性（表4）。4. 讨论数值显示为中位数和四分位距。ap0.05。0.05。CAMS，基于冠状动脉的心肌分割; PRJ_CAMS，具有CA投影的CAMS; Ns*， CT切片数量S. Ham等人医学信息学解锁19（2020）1003207我们提出的CAMS方法分割分割LV心肌考虑个别冠状动脉解剖结构。该方法用于确定心肌的哪些部分由CA供应S. Ham等人医学信息学解锁19（2020）1003208考虑到患者特定的冠状动脉解剖变异。CAMS可以帮助确定适当治疗决策中的缺血性心肌挑战;此外，它还证明了冠状动脉疾病患者的预后价值[1，2]。在单血管闭塞猪模型中，利用标本和灌注CT定量验证CAMS方法。我们的研究是第一次尝试使用动物模型来验证两种现有的算法。Termeer等人提出了PRJ_CAMS方法，他们通过主观评分对其性能进行评估，评分范围从1（非常差）到5（非常好）。然而，他们没有提出具体的动物或人类模型来定量验证CA和CA区域之间的对应关系。我们确定CAMS方法可以可靠地预测每头猪、个体区域和整体的每个CA中的缺血区域。与PRJ_CAMS相比，CAMS法测定的平均DSC值更高。（表2和3）。两种方法在猪4、LAD和RCA区域、总体和中部区域中的差异具有统计学显著性。然而，CA投影直接影响LAD和RCA区域的分割，因此这些区域在两种方法之间显示出统计学显著差异（表2）。由于RCA是起源于主动脉瓣右尖上方的动脉，沿右房室沟向下行进，而LAD和LCX沿左心室行进，因此猪4中PRJ_CAMS分割的RCA区域大于CAMS。RCA闭塞模型的结果见补充表1。CAMS方法比PRJ_CAMS方法具有更好的准确性的原因可能是CAMS可以考虑CA和LV之间的实际距离，其更准确地模拟实际血液供应，特别是在RCA中。我们目前的研究有几个局限性。第一，先进的CAMS模型在表示实际心肌区域时具有一些固有的局限性。在模型开发过程中，未考虑CA的直径、长度、流速和其他患者特异性特征[28，29]。其次，我们的单血管闭塞模型没有同时评估三支冠状动脉的血管区域。第三，验证结果基于猪心脏，不能完全适用于人类CA，尽管已报告了这两个物种的冠状动脉解剖结构相似[30，31]。最后，我们的确认是基于在6头猪中进行的有限数量的CT扫描，即使评价了53个标本切片。特别是，猪6显示出CAMS和PRJ_CAMS方法的相似结果，这可能是由许多原因引起的，包括注射方案的可变性、染料摄取比率、人为错误等。为了提高方法该方法应在包括更多猪和患者的进一步研究中得到验证。此外，还应研究考虑CA厚度和分支模式的加权Voronoi图，以改进传统的Voronoi图方法和基于深度学习的语义分割，这可以更快，更鲁棒。5. 结论传统的CA区域分类已被用于量化CA的缺血性心肌负荷。Termeer等人介绍了连接罪犯血管和相应心肌区域的新方法。然而，由于解剖变异和缺乏验证，这种方法尚未推广。我们提出了一种基于患者特定冠状动脉解剖结构进行心肌分割的CAMS方法，并使用猪模型进行了验证。CAMS可能是一种可行的方法，用于预测心肌缺血面积，其准确性优于PRJ_CAMS方法。伦理声明所有作者都报告说，除了政府资助外，包括由科学、信息通信技术和未来规划部资助的韩国国家研究基金会的基础科学研究计划（NRF-2013 R1 A1 A1058711，NRF-2015 R1A2 A2 A04003034）和由韩国保健福利部资助的韩国保健产业发展研究所（KHIDI）的韩国保健技术研发项目&竞合利益作者声明，该研究是在没有任何商业或财务关系的情况下进行的，这些关系可能被视为潜在的利益冲突。确认这项研究得到了韩国国家研究基金会基础科学研究计划的支持，由科学，信息通信技术和未来规划部资助（NRF-2013 R1 A1 A1058711，NRF-2015 R1 A2 A2 A04003034）。本研究由韩国保健福利部资助的韩国保健技术研发项目通过韩国保健产业发展研究 所（KHIDI ）提 供赠 款& 作者 特别 感谢 Youngsin Kim 、 SongyiBaek、Koeun Lee、Jiyeun Ko和Minkyeong Kim对实验工作的帮助。作者没有相关的利益冲突需要披露。附录A. 补充数据本 文 的 补 充 数 据 可 在 https ： //doi 网 站 上 找 到 。org/10.1016/j.imu.2020.100320。引用[1] Hachamovitch R，Hayes SW，Friedman JD，Cohen I，Berman DS.既往无冠状动脉疾病、接受负荷心肌灌注单光子发射计算机断层扫描的患者血运重建与药物治疗相关的短期生存获益比较。循环2003;107（23）：2900[2] Montalescot G，Sechtem U，Achenbach S，Andreotti F，Arden C，Budaj A，Bugiardini R，Crea F，Cuisset T，Di Mario C，Ferreira JR，Gersh BJ，Gitt AK，HulotJS，Marx N，Opie LH，Pfisterer M，PrescottE，Ruschitzka F，Sabate M，高级R，Taggart DP，van der Wall EE，Vrints CJM。ESC关于稳定型冠状动脉疾病管理的指南：欧洲心脏病学会稳定型冠状动脉疾病管理工作组。 Eur Heart J2013;34（38）：2949- 3003. 2013年。[3] Cerqueira MD，Weissman NJ，Dilsizian V，Jacobs AK，Kaul S，LaskeyWK，Pennell DJ，Rumberger JA，Ryan T，Verani MS.心脏断层成像的标准化心肌分割和命名。美国心脏协会临床心脏病学委员会心脏成像委员会的医疗保健专业人员声明。Circulation 2002;105（4）：539[4] George RT，Arbab-Zadeh A，Miller JM，et al.腺苷负荷64和256行探测器计算机断层扫描血管造影和灌注成像：一项评价灌注异常透壁程度以预测动脉粥样硬化引起心肌缺血的初步研究。循环血管成像2009;2（3）：174[5] 乔治理查德T。计算机断层扫描心肌灌注成像：发展重点。 EXpetRevBullvascTher2009;7（2）：99- 101。[6] [10]张文辉，张文辉.使用SPECT和心脏磁共振对左心室心肌灌注、功能和存活率进行定量极坐标表示：初步结果。 临床生理功能Imag2005;25（4）：215[7] Yang DH，Kim Y-H，Roh J-H，Kang J-W，Han D，JungJ，Kim N，Lee JB，Ahn J-M，Lee J-Y，Park D-W，Kang S-J，Lee S-W，Lee CW，Park S-W，ParkS-J，Lim T-H. 疑似冠心病患者的负荷心肌灌注CT：通 过使 用血 流 储备 分数 进 行可 视 化和 定量 分 析验 证。 放 射 学 2015;276（3）：715[8] Rossi Alexia等人，动态计算机断层扫描心肌灌注成像：检测血管特异性缺血的临床分析方法比较。循环：血管成像2017;10（4）：e005505。[9] 韩瑞娟，等。冠状动脉CT血管造影联合双能量心肌灌注成像检测心肌梗死的诊断准确性。 EXpTherMed2017;14（1）：207- 13。S. Ham等人医学信息学解锁19（2020）1003209[10] [10]李东，李东，李伟. 使 用 对比增强心脏磁共振成像的17段模型与冠状动脉解剖结构之间的对应关系。 美国心脏病学会杂志Imaging2008;1（3）：282[11] Donato P，Coelho P，Santos C，Bernardes A，Cascadio Alves F.通过多探测器计算机断层扫描获得的左心室17个心肌节段与冠状动脉解剖结构之间的对应关系：离体贡献。外科放射学解剖学2012;34（9）：805[12] [10]张晓刚，张晓刚. 左心室和右心室之间的对应关系17个心肌节段和冠状动脉。 欧洲心脏杂志2005;26（24）：2637 - 43。[13] Javadi MS，Lautamaki R，MerrillJ，Voicu C，Epley W，McBride G，BengelFM. 通过与真实冠状动脉解剖结构整合确定心肌灌注图像上的血管区域：PET/CT混合分析。 《核医学杂志》2010;51（2）：198[14] 2005年12月27日，中国科学院院士。使用冠状动脉CT血管造影术和Voronoi算法定量危险心肌面积-基于心肌分割。 EurRadiol2015;25（1）：49- 57.[15] [10]杨文，杨文. 心肌和冠状动脉解剖结构之间的患者特异性映射。In：Hagen H，editor. 科学可视化：先进概念informatik;2010. p. 196- 209. Dagstuhl，德国。[16] Cerci RodrigoJ等人，对齐冠状动脉解剖结构和心肌灌注区域：CORE 320多中心研究的算法。循环：循环Imaging2012;5（5）：587[17] Termeer M，Olivan BescosJ，Breeuwer M，Vilanova A，Gerritsen F，GrolerME，内格尔E.从冠状动脉解剖学导出的心肌灌注可视化。IEEETransVisualComputGraph2008;14（6）：1595[18] 张文辉，张文辉. 根据CT血管造影计算冠状动脉灌注区域。2007年，《计算机心脏病学》。Durham，NC，UnitedStates：IEEE;2007. p. 753- 6[19] [10]杨文，杨文.Voronoi多面体分析优化的动脉树模型。 《生物医学工程年鉴》2003;31（5）：548- 63。[20] SheharyarAli等人心脏局部心肌运动异常的可视化分析纵向研究。 ComputGraph2019;83：62- 76.[21] Xu Chenchu ， et al. Segmentation and quantification of infarction withoutcontrastagents via spatiotemporal generative adversarial learning.医学影像分析2020;59：101568。[22] Malkasian Shant等人，使用最小成本路径分配和计算机断层扫描血管造影术定量血管特异性冠状动脉灌注区域：在猪模型中的验证。 J Jumvasc ComputTomogr2018;12（5）：425[23] Chung MS，Yang DH，Kim Y-H，Kang S-J，JungJ，Kim N，Heo S-H，BaekS，Seo JB，Choi BW，Kang J-W，Lim T-H.基于冠状动脉解剖结构的冠状动脉CT血管造影心肌分割：开发和研究在猪模型中验证。 欧洲放射学2017;27（10）：1- 10。[24] JungJ，Kim YH，Kim N，Yang DH.患者特异性17段心肌在靶心图上建模。 JApplClinMedPhys2016;17（5）：453- 65.[25] 血管建模工具包网站。http://www.vmtk.org/网站。[26] Zou KH，Warfield SK，Bharatha A，Tempany CMC，Kaus MR，Haker SJ，WellsWM，Jolesz FA，Kikinis R.图像分割质量的统计验证空间重叠指数：科学报告。放射学学报2004;11（2）：178- 89.[27] R开发核心团队。R：一种统计计算的语言和环境，R统计计算基金会。奥地利维也纳。https：//www. R-project.org/网站。[28] 黎H，黄JT，莫洛伊S.基于以下因素的危险区域心肌质量估计远端动脉管腔体积和长度使用3D micro-CT图像。计算机医学图像图2008;32（6）：488- 501。[29] Seiler C，Kirkeeide RL，Gould KL.冠状动脉血管树中任一点远端局部心肌床大小的动脉造影测量用于评估危险的解剖区域。 美国心脏病学杂志1993;21（3）：783- 97。[30] Weaver ME，Pantely GA，Bristow JD，Ladley HD.猪冠状动脉解剖及分布的定量研究动物和人。《生物学研究》，1986年;21（12）：907- 17。[31] RodriguesM，Silva AC，Aguas AP，Grande NR.猪的冠状循环心：与人的心比较。 EurJAnat2005;9（2）：67- 87.[32] Frangi AF，Niessen WJ，Bogken KL，Viergever MA.多尺度血管增强滤波。在：医学图像计算和计算机国际会议辅助干预，MICCAI。Berlin，Heidelberg：Springer;1998. p. 130- 7[33] 奥伦哈默·弗兰兹。Voronoi图-一个基本的几何数据结构的调查。ACMComputSurv1991;23（3）：345- 405.[34] 李春明等一种基于水平集的图像分割方法强度不均匀性与MRI的应用。IEEE Trans Image Process2011;20（7）：2007 - 16.[35] Wilco X on Frank，Katti SK，Wilco X Roberta A.秩和检验和符号秩检验的临界值和概率水平。《数学统计》1970年版，第1卷，第171- 259页。
我的内容管理
展开
