CN110428420A - 基于患者的冠状动脉ct血管造影图像来确定冠状动脉的流动信息的方法、装置和介质 - Google Patents

基于患者的冠状动脉ct血管造影图像来确定冠状动脉的流动信息的方法、装置和介质 Download PDF

Info

Publication number
CN110428420A
CN110428420A CN201910837899.5A CN201910837899A CN110428420A CN 110428420 A CN110428420 A CN 110428420A CN 201910837899 A CN201910837899 A CN 201910837899A CN 110428420 A CN110428420 A CN 110428420A
Authority
CN
China
Prior art keywords
image
blood vessel
coronarius
myocardial
perfusion
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910837899.5A
Other languages
English (en)
Other versions
CN110428420B (zh
Inventor
武丹
李育威
李俊环
张洪凯
白军杰
尹游兵
曹坤琳
宋麒
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Ke Ya Medical Technology Co Ltd
Original Assignee
Shenzhen Ke Ya Medical Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Ke Ya Medical Technology Co Ltd filed Critical Shenzhen Ke Ya Medical Technology Co Ltd
Publication of CN110428420A publication Critical patent/CN110428420A/zh
Application granted granted Critical
Publication of CN110428420B publication Critical patent/CN110428420B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular
    • G06T2207/30104—Vascular flow; Blood flow; Perfusion

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本公开涉及一种基于患者的冠状动脉CT血管造影图像来确定冠状动脉的流动信息的方法、装置和介质。所述方法包括：获取所述患者的CCTA图像；基于所获取的CCTA图像提取关注血管的动脉特征；基于所获取的CCTA图像提取所述关注血管的对应心肌特征；基于所提取的关注血管的动脉特征和对应心肌特征中的至少子集，利用训练好的预测模型，来预测所述冠状动脉的流动信息。该方法能够从CCTA图像获得更准确且患者特异性的冠状动脉的流动信息，进一步可据此得到更可靠的虚拟FFR预测，还可以由常规的CCTA检查为医生提供定量的患者特异性流动生理学信息。

Description

基于患者的冠状动脉CT血管造影图像来确定冠状动脉的流动 信息的方法、装置和介质
相关申请的交叉引用
本申请要求2018年9月5日提交的美国临时申请第62/726,989 号的优先权，其全部内容通过引用结合在此。
技术领域
本公开一般涉及医学图像处理和分析。更具体地，本公开涉及用于基于患者的冠状动脉的医学图像来确定冠状动脉的流动信息的方法、装置和介质。
背景技术
通常，冠状动脉疾病的主要诊断方法依赖于血流储备分数(FFR) 的有创测量。最近，已经对冠状动脉计算机断层摄影血管造影(CCTA) 图像应用诸如计算流体动力学和深度学习技术的非侵入性方法，来得出FFR(也称为虚拟FFR)。患者的冠状动脉的流动信息，例如入口流率和流量比分布，即便不能直接用于诊断，也能够为这些新的虚拟 FFR的预测方法提供重要的中间信息，诸如作为患者特异性的边界条件或流动特征。具体说来，虚拟FFR的预测方法通常依赖于这些中间信息来进行预测。然而，这些中间信息通常使用从简单理论方程或统计相关性获得的经验关系来估计，导致所估计的患者的冠脉动脉的流动信息并非患者特异性的(也就是与患者的真实状况并不精确相符)，在此基础上得到虚拟FFR，则显著影响了虚拟FFR的预测精度。
提供本公开以克服现有技术中的上述技术缺陷。
发明内容
本公开旨在提供一种基于患者的CCTA图像来确定冠状动脉的流动信息的方法、装置和介质，其能够从CCTA图像获得更准确且患者特异性的冠状动脉的流动信息，进一步可据此得到更可靠的虚拟 FFR预测，还可以由常规的CCTA检查为医生提供定量的患者特异性流动生理学信息。
在一个方面，本公开提供一种基于患者的冠状动脉计算机断层摄影血管造影(CCTA)图像来确定冠状动脉的流动信息的方法，所述方法包括：获取所述患者的CCTA图像；基于所获取的CCTA图像提取关注血管的动脉特征；基于所获取的CCTA图像提取所述关注血管的对应心肌特征；基于所提取的关注血管的动脉特征和对应心肌特征中的至少子集，利用训练好的预测模型，来预测所述冠状动脉的流动信息。
在另一方面，本公开提供一种基于患者的灌注计算机断层摄影 (CT)图像来确定冠状动脉的流动信息的方法，所述方法包括：获取所述患者的灌注CT图像的序列，所述灌注CT图像包含冠状动脉和心脏；基于所述患者的灌注CT图像的序列确定容积灌注CT (VPCT)图像，该VPCT图像示出其中每个体素的心肌血流量；获取所述患者的冠状动脉计算机断层摄影血管造影(CCTA)图像，以及该CCTA图像中的左心室的灌注区的划分结果；基于所述CCTA 图像中的左心室的灌注区的划分结果，通过对所述VPCT图像与所述 CCTA图像进行配准，来得到所述VPCT图像中左心室的相应灌注区的划分结果；以及基于所述VPCT图像中左心室的相应灌注区的划分结果，来确定所述冠状动脉的流动信息。
在又一方面，本公开提供一种基于患者的冠状动脉计算机断层摄影血管造影(CCTA)图像来确定冠状动脉的流动信息的装置，所述装置包括：接口，其配置为获取所述患者的CCTA图像；以及处理器，其配置为：基于所获取的CCTA图像提取关注血管的动脉特征；基于所获取的CCTA图像提取所述关注血管的对应心肌特征；基于所提取的关注血管的动脉特征和心肌特征中的至少子集，利用训练好的预测模型，来估计所述冠状动脉的流动信息。
在又一方面，本公开提供一种非暂时性计算机可读介质，其上存储有指令，所述指令在由处理器执行时，实现根据本公开各个实施例的基于患者的冠状动脉计算机断层摄影血管造影(CCTA)图像来确定冠状动脉的流动信息的方法，和/或实现根据本公开各个实施例的基于患者的灌注计算机断层摄影(CT)图像来确定冠状动脉的流动信息的方法。
利用根据本公开各个实施例的基于患者的CCTA图像来确定冠状动脉的流动信息的方法、装置和介质，能够从CCTA图像获得更准确且患者特异性的冠状动脉的流动信息，虚拟FFR预测受益于此能使预测结果更可靠准确，还可以由常规的CCTA检查为医生提供定量的患者特异性流动生理学信息。
应当理解，前面的一般性描述和以下的详细描述仅是示例性和说明性的，并不是对要求保护的本发明的限制。
附图说明
在不一定按比例绘制的附图中，相同的附图标记可以描述不同视图中的类似部件。具有字母后缀或不同字母后缀的相同数字可表示类似部件的不同实例。附图通常通过示例而非通过限制的方式示出了各种实施例，并且与说明书以及权利要求书一起用于对所公开的实施例进行说明。这样的实施例是例证性的，而并非旨在作为本方法、装置、***或其上存储有用于实现该方法的指令的非暂时性计算机可读介质的穷尽或排他实施例。
图1示出根据本公开实施例的基于患者的CCTA图像来确定冠状动脉的流动信息的方法的流程图；
图2示出根据本公开实施例的基于患者的CCTA图像提取关注血管的动脉特征的子流程；
图3示出根据本公开实施例的基于患者的CCTA图像提取关注血管的对应心肌特征的子流程；
图4(a)和图4(b)示出根据本公开实施例的基于患者的CCTA 图像重建的冠状动脉树的3D模型的图示，其中，示出了左心室上的灌注区的划分结果并标识出了末端分支；
图5示出根据本公开实施例的基于患者的灌注计算机断层摄影 (CT)图像来确定冠状动脉的流动信息的方法的流程图；
图6(a)-图6(c)分别示出由患者的灌注CT图像的序列确定的容积灌注CT(VPCT)图像的轴向图、矢状图和冠状图；
图7示出了根据本公开实施例的基于患者的CCTA图像来确定冠状动脉的流动信息的装置的配置；
图8示出了根据本公开实施例的基于患者的CCTA图像来确定冠状动脉的流动信息的装置的框图；
图9示出了根据本公开实施例的基于患者的灌注CT图像来确定冠状动脉的流动信息的装置的配置。
具体实施方式
在下文中，技术术语“血流量”(例如“心肌血流量”、“冠脉血流量”中的“血流量”)表示相应器官组织内单位时间流过的血液容积。技术术语“流率”也表示单位时间流过的流体容积。本文中的技术术语“CCTA图像”可以表示由冠状动脉计算机断层摄影血管造影成像装置所采集的CCTA截面(例如轴向、矢状、冠状切面等)图像，也可以表示由这些截面图像进行后处理例如重建得到的3D图像。类似地，本文中的技术术语“灌注CT图像”也可以表示由灌注计算机断层摄影成像装置所采集的灌注CT截面(例如轴向、矢状、冠状切面等)图像，也可以表示由这些截面图像进行后处理例如重建得到的 3D图像。技术术语“VPCT图像”可以表示基于灌注CT图像的序列计算血流量从而获得的3D灌注CT图像，且示出其中每个体素的心肌血流量。
此外，本文中所谓对“预测模型”的“训练”操作视“预测模型”不同而不同，例如，针对由神经网络构成的预测模型，“训练”可以表示利用训练数据例如采用随机梯度下降法调整神经网络的参数以便目标函数最大化的训练过程；而针对由显式公式构成的预测模型，“训练”则可以表示利用训练数据来确定公式中的参数(例如常数) 的过程。技术术语“末端分支”表示没有子分支的血管分支。
图1示出了根据本公开的实施例的基于患者的CCTA图像来确定冠状动脉的流动信息的方法100的流程图。如图1所示，在步骤101，获取所述患者的CCTA图像。在步骤102，可以基于所获取的CCTA 图像提取关注血管的动脉特征。并且在步骤103，可以基于所获取的CCTA图像提取所述关注血管的对应心肌特征。动脉特征可以从关注血管自身获得并描述关于该关注血管的特性；关注血管的对应心肌特征可以从关注血管的灌注区的心肌获得，并描述关于所述心肌的特性。注意，虽然在图1中步骤102和步骤103先后执行，但两者可以一起执行或以不同的次序执行，只要在步骤104之前执行即可。然后，在步骤104，可以基于所提取的关注血管的动脉特征和对应心肌特征中的至少子集，利用训练好的预测模型，来预测所述冠状动脉的流动信息。该方法100的原始信息源自患者本人的CCTA图像，其准确且以较高的分辨率反馈了患者特异性的冠状动脉的图像信息；通过聚焦于关注血管的特征提取，相较对所有血管提取特征显著减少了工作负担并兼顾了预测的准确率；此外，其可以基于反映冠状动脉的结构特点的血管特征和功能特点的心肌特征两者进行预测，使得预测基于的特征信息更全面，预测结果更精准，更符合患者特有的冠状动脉的结构和功能。
在一些实施例中，在步骤102和103中针对其提取动脉特征和对应心肌特征的关注血管可以取决于要确定的冠状动脉的流动信息和预测模型。
例如，如果要确定左前降支(LAD)及其所有子分支的流动信息，则可以将关注血管相应定义为左前降支(LAD)及其所有子分支；如果要确定左冠状动脉(LCA)及其所有子分支的流动信息，则可以将关注血管相应定义为LCA及其所有子分支，这样可以缩减计算涉及的关注血管的范围，并减少提取动脉特征和对应心肌特征的工作负荷。例如，如果要确定左前降支(LAD)及其所有子分支的流动信息，也可以将关注血管从左前降支(LAD)及其所有子分支扩展为包含冠状动脉的其他分支和/或子分支，如此在缩减计算涉及的关注血管的范围并减少提取动脉特征和对应心肌特征的工作负荷的同时，参考了其他分支和/或子分支对要确定其流动信息的分支和/或子分支的相互作用，使得预测结果更准确。又例如，在要确定冠状动脉树中各个血管的流量分布比的情况下，可以将关注血管定义为所有各个血管。再例如，也可以将关注血管定义为包括各个末端分支，如此，可以改善心肌特征提取的灵活度。具体说来，不管要确定冠状动脉的哪段分支动脉的流动信息，可以对所有各个末端分支的相应心肌特征(例如但不限于各个末端分支的灌注区的心肌特征，各个末端分支的包含其灌注区的扩展区内的心肌特征等)进行筛选和整合，例如筛选出属于该段分支动脉的各个末端分支的相应心肌特征并进行整合，从而得到该段分支动脉的灌注区的心肌特征，作为该段分支动脉的对应心肌特征。
在一些实施例中，要确定的冠状动脉的流动信息作为预测模型的输出，不同预测模型具有不同的输入。如果要确定LAD的总入口流率，且采用的预测模型表示为：
Q＝Q0Mb， 公式(1)
其中，Q表示所述关注血管的流率，M是左心室中所述关注血管的灌注区的心肌质量，Q0和b表示所述患者的所述关注血管当前状态下的属性常数，则可以将关注血管定义为LAD本身，或者属于LAD的各个末端分支。例如，在关注血管定义为LAD本身的情况下，可以根据公式(1)直接计算LAD的灌注区的心肌血流量Q作为LAD的总入口流率；而在关注血管定义为属于LAD的各个末端分支的情况下，可以根据公式(1)先计算该各个末端分支的灌注区的心肌血流量并求和，以得到LAD的灌注区的心肌血流量，作为LAD的总入口流率。上述公式(1)与生物学的异速标度定律(allometric scaling law) 相符，用作冠状动脉各个血管的流率的预测模型时，计算和训练简单，工作负荷低，且预测精度较高。
在一些实施例中，也可以将公式(1)扩展为Q＝f(V)，其中，V 表示所提取的关注血管的动脉特征和对应心肌特征构成的特征向量的子集，f(V)表示V的函数，该函数可以表示为诸如公式(1)的显式公式，也可以泛化理解为学习网络。
在一些实施例中，所述学习网络例如但不限于线性回归模型、多层神经网络等，所提取的关注血管的动脉特征和对应心肌特征中的至少子集作为所述学习网络的输入。例如，学习网络可以定义用哪段分支动脉的动脉特征和对应心肌特征作为输入，可以根据学习网络的输入定义来限定关注血管。
在一些实施例中，可以基于所提取的关注血管的动脉特征和对应心肌特征构成特征向量，但该特征向量中的特征参数有时不必全部用于预测，具体说来，可以根据预测模型和要预测的流动信息选用其子集。例如，在采用上文中的公式(1)作为预测模型来预测某段分支的流率时，可以不考虑该段分支的动脉特征，而仅仅考虑该段分支的灌注区的心肌特征。再例如，在采用学习网络构成预测模型时，学习网络可以预先规定输入，诸如哪段分支及其子分支的哪几种动脉特征参数和对应的哪几种心肌特征参数，预测时则可以相应考虑特征向量中的特征参数的相应子集。
下面对关注血管的动脉特征的提取子流程进行具体说明。
如图2所示，关注血管的动脉特征的提取子流程200始于步骤 201，对所获取的CCTA图像执行动脉分割，并提取冠状动脉树的中心线。然后，在步骤202，从所述CCTA图像，基于所提取的中心线，提取关注血管的动脉特征。所述动脉特征可以包括所述关注血管的半径相关信息、长度相关信息、体积相关信息、强度相关信息和管腔内衰减梯度相关信息中的至少一种。
在一些实施例中，所述关注血管的半径相关信息可以包括例如平均腔面积，其描述了关注血管的半径特征。“平均腔面积”的求平均，可以是对于关注血管本身执行的，或者对关注血管及其上游血管执行的，或者对关注血管及其下游血管执行的。在一些实施例中，可以使用这些参数的绝对值或归一化值。
在一些实施例中，所述关注血管的长度相关信息可以是关注血管自身的长度，或关注血管及其上游血管的累积长度，或者关注血管及其下游血管的累积长度。在一些实施例中，可以使用这些参数的绝对值或归一化值。
在一些实施例中，所述关注血管的体积相关信息可以是关注血管自身的体积，或者关注血管及其上游血管的累积体积，或者关注血管及其下游血管的累积体积。在一些实施例中，可以使用这些参数的绝对值或归一化值。
在一些实施例中，所述关注血管的强度相关信息可以包括例如平均腔强度，其描述了关注血管的强度特征。“平均腔强度”的求平均，可以是对于关注血管本身执行的，或者对关注血管及其上游血管执行的，或者对关注血管及其下游血管执行的。在一些实施例中，可以使用这些参数的绝对值或归一化值。
在一些实施例中，可以计算所有血管的管腔内衰减梯度(TAG)，即血管的管腔内位置的放射性衰减值与从该血管的入口开始至该位置的纵向距离(沿着中心线的距离)之间的线性回归系数(可以为，距血管入口每单位纵向长度的CT值的变化量，也就是HU的变化量)。所有血管的TAG反映了冠状动脉树中各个血管沿着中心线的尺寸分布信息，由此可以基于所有血管的TAG来确定整个冠状动脉树内的流量比分布，作为冠状动脉的流动信息。在一些实施例中，也可以基于除了TAG以外的所有血管的其他形态学定律，来确定整个冠状动脉树内的流量比分布作为冠状动脉的流动信息。
下面对关注血管的对应心肌特征的提取子流程进行具体说明。
如图3所示，关注血管的对应心肌特征的提取子流程300始于步骤 301，对所获取的CCTA图像执行左心室分割。在步骤302，在所述左心室上划分出各个关注血管的灌注区，如图4(a)和图4(b)所示，末端分支EB n的灌注区PT n，n为1到7的任何自然数。在一些实施例中，可以采用各种方法来实现灌注区PT n的划分。例如，能够基于从左心室的各个分区到血管的最近测地距离，将灌注区分派给邻近的血管，作为该血管的灌注区。或者，也可以利用冠状动脉树的干-冠模型，基于累积冠状动脉长度与心肌质量之间的异速标度定律来分派灌注区。
接着，在步骤303，为各个关注血管的灌注区PT n确定心肌特征作为该关注血管的对应心肌特征。例如，所述心肌特征可以包括心肌质量和强度相关信息中的至少一种。心肌质量可以通过对灌注区内的体素体积进行积分以获得总体积，然后乘以心肌密度来获得。而强度相关信息描述了灌注区的强度特征，可以包括该灌注区内的平均强度、最大强度和最小强度中的至少一个；在一些实施例中，可以使用这些参数的绝对值或归一化值。
注意，灌注区PT n可以与末端分支EB n一一对应，左心室可以基于各个末端分支EB n来划分灌注区PT n，如图4(a)和图4(b)所示，但不限于此，例如，也可以基于其他级别的分支来划分灌注区，例如左冠状动脉(LCA)和右冠状动脉(RCA)各自的灌注区，或者 LAD、左回旋支(LCX)和RCA各自的灌注区。
图5示出根据本公开实施例的基于患者的灌注CT图像来确定冠状动脉的流动信息的方法500的流程图。在步骤501，获取所述患者的灌注CT图像的序列，所述灌注CT图像包含冠状动脉和心脏。在步骤502，基于所述患者的灌注CT图像的序列，例如通过最大斜率法或者解卷积方法等，来确定3D的容积灌注CT(VPCT)图像，其轴向图、矢状图和冠状图分别如图6(a)、图6(b)和图6(c)所示， VPCT图像可以示出其中每个体素的心肌血流量。然后，在步骤503，获取所述患者的CCTA图像，以及该CCTA图像中的左心室的灌注区的划分结果(例如PTn标签)。注意，虽然在图5中，步骤503在步骤501和502之后执行，但并不限于这样的次序，只要步骤501-503 在步骤504之前完成即可。
在步骤504，可以对VPCT图像与CCTA图像进行配准，以便补偿它们由于在心动周期的不同阶段获取导致的移位和偏差，并对所述 CCTA图像中的左心室的灌注区的划分结果进行转换，从而得到所述 VPCT图像中左心室的相应灌注区的划分结果。通常，CCTA图像分辨率较高但并不提供冠状动脉的流动信息，而VPCT虽然包含心肌血流量的信息，但受限于灌注CT的分辨率，其分辨率也比较低。通过配准和转换，可以受益于CCTA图像中的灌注区的精确划分，在VPCT 图像中精确映射出相应的各个灌注区。进而，可以在步骤505，基于所述VPCT图像中左心室的相应灌注区的精确划分结果，充分利用 VPCT图像中包含的体素级别的心肌血流量，来确定所述冠状动脉的各种流动信息。具体说来，可以确定所述VPCT图像中的左心室中划分的相应灌注区中的心肌血流量，作为向该灌注区供血的关注血管的流率。
以上根据本公开各个实施例的基于患者的灌注CT图像所确定的冠状动脉的流动信息，可以作为地面真值，对根据本公开各个实施例的预测模型进行训练。例如，可以基于所获取的CCTA图像提取所述关注血管的动脉特征和相应的心肌特征中的至少子集；并基于所提取的所述关注血管的动脉特征和相应的心肌特征中的至少子集以及作为地面真值的所确定的所述冠状动脉的流动信息，共同构成训练数据，从而对预测模型进行训练。
在一些实施例中，在要确定的冠状动脉的流动信息是各个末端分支的流率的情况下，可以基于所述VPCT图像通过如下的任何一种方式来确定所述冠状动脉的流动信息。例如，可以在各个末端分支的灌注区内，对每个体素的心肌血流量进行积分，积分结果即可作为相应末端分支的流率，这体现了灌注区的心肌血流量与供血的相应末端分支的流率之间的近乎相等关系，符合冠状动脉的生理学结构机制。又例如，也可以对左心室内所有体素的心肌血流量进行积分来得到左心室的总心肌血流量，基于所述总心肌血流量利用各个末端分支的灌注区的体积比例，来确定各个末端分支的流率。具体说来，类似于上面灌注区的心肌血流量与供血的相应末端分支之间的关系的阐述，左心室的总心肌血流量可视为由各个灌注区对应的末端分支共同提供，也就是等于各个末端分支的流率的总和，各个末端分支的流率所占比例也与其供血的灌注区的体积比例相符，由左心室的总心肌血流量乘以各个末端分支的灌注区的体积比例，可以得到各个末端分支的流率。
在一些实施例中，在要确定的冠状动脉的流动信息是左冠状动脉和右冠状动脉各自的总入口流率和各个血管的流量比分布的情况下，可以通过如下方式来确定所述冠状动脉的流动信息。可以基于所述 VPCT图像对左心室内每个体素的心肌血流量进行积分来得到左心室的总心肌血流量，基于所述总心肌血流量，利用左冠状动脉的灌注区与右冠状动脉的灌注区的体积比、左冠状动脉的灌注区与右冠状动脉的灌注区的心肌血流量比率、和左冠状动脉与右冠状动脉的总入口流率的统计经验比率中的任何一种，来确定左冠状动脉和右冠状动脉各自的总入口流率。以及，可以基于各个血管的管腔内衰减梯度信息或其他形态学定律，来确定冠状动脉内各个血管的流量比分布。例如，基于左冠状动脉的总入口流率，结合左冠状动脉内各个血管的管腔内衰减梯度信息或其他形态学定律(反映其中各个血管的尺寸分布关系)，可以确定左冠状动脉内各个血管的流率；该计算方法也适用于右冠状动脉等分支动脉。
在一些实施例中，在要确定的冠状动脉的流动信息是冠状动脉的总入口流率和各个血管的流量比分布的情况下，可以通过如下方式来确定所述冠状动脉的流动信息。
可以基于所述患者的冠状动脉的灌注CT图像计算左心室心肌质量，然后基于左心室心肌质量利用如下公式(2)来确定所述冠状动脉的总入口流率：
Qlv＝Qlv0Mlv b， 公式(2)
其中，Qlv表示所述冠状动脉的总入口流率也是对左心室的总心肌血流量，Mlv是左心室的心肌质量，Qlv0和b表示所述患者的左心室当前状态下的属性常数。公式(2)与生物学的异速标度定律 (allometric scaling law)相符，用作冠状动脉的左心室的总心肌血流量的预测模型时，计算和训练简单，工作负荷低，且预测精度较高。
以及，可以基于所述VPCT图像在各个末端分支的灌注区内对每个体素的心肌血流量进行积分，积分结果作为相应末端分支的流率。可以基于各个末端分支的流率与所述冠状动脉的总入口流率，来确定各个末端分支的流量比分布。
在一些实施例中，在要确定的冠状动脉的流动信息是任一分支动脉(例如但不限于左前降支)的流率及其中的末端分支的流率的情况下，可以通过如下方式来确定所述冠状动脉的流动信息。可以基于所述VPCT图像对该分支动脉的灌注区内的每个体素的心肌血流量进行积分，或者基于所述VPCT图像对左心室内的每个体素的心肌血流量进行积分并乘以所述分支动脉的灌注区的体积比例，来确定所述分支动脉的流率。以及，可以基于各个血管的管腔内衰减梯度信息或其他形态学定律，来确定冠状动脉内各个血管的流量比分布，包括左前降支中的各个末端分支的流量比分布。然后，可以基于所确定的所述分支动脉的流率及其中的各个末端分支的流量比分布，来确定所述各个末端分支的流率。
图7示出了根据本公开实施例的基于患者的CCTA图像来确定冠状动脉的流动信息的装置700的配置。如图7所示，该装置700可以包括获取单元701、提取单元702和预测单元705。获取单元701可以配置为接收患者的CCTA图像，例如由CCTA成像装置所采集的CCTA图像或者由此后处理重建得到的3D CCTA图像，并将其传输给提取单元 702。所述提取单元702可以包括动脉特征提取单元703和心肌特征提取单元704，其中，动脉特征单元703可以配置为基于所接收的CCTA 图像提取关注血管的动脉特征，所述心肌特征提取单元704可以配置为基于所获取的CCTA图像提取所述关注血管的对应心肌特征。所提取的关注血管的动脉特征和对应心肌特征中，至少预测需要的这些特征的子集，可以传输到所述预测单元705，以便由其利用接收到的训练好的预测模型，来预测冠状动脉的流动信息。
图8示出了根据本公开实施例的基于患者的CCTA图像来确定冠状动脉的流动信息的装置800的框图。如图8所示，所述装置800可以包括通信接口803，其配置为获取所述患者的CCTA图像；以及处理器 801，其配置为：基于所获取的CCTA图像提取关注血管的动脉特征；基于所获取的CCTA图像提取所述关注血管的对应心肌特征；基于所提取的关注血管的动脉特征和心肌特征中的至少子集，利用训练好的预测模型，来估计所述冠状动脉的流动信息。
在一些实施例中，所述通信接口803还可以配置为：获取所述患者的冠状动脉的灌注CT图像的序列；获取所述患者的CCTA图像中的左心室的灌注区的划分结果，以在此基础上处理得到地面真值以及训练数据。相应地，所述处理器801还可以配置为：基于所述患者的冠状动脉连同心脏的灌注CT图像的序列确定容积灌注CT(VPCT)图像，该VPCT图像示出其中每个体素的心肌血流量；基于所述CCTA图像中的左心室的灌注区的划分结果，通过对所述VPCT图像与所述CCTA 图像进行配准，来得到所述VPCT图像中的左心室的相应灌注区的划分结果；确定所述VPCT图像中的左心室中划分的相应灌注区中的心肌血流量，作为向该灌注区供血的关注血管的流率(地面真值)；基于所获取的CCTA图像提取所述关注血管的动脉特征和对应心肌特征中的至少子集；基于所提取的所述关注血管的动脉特征和对应心肌特征中的至少子集以及所确定的关注血管的流率构成训练数据，来对所述预测模型进行训练。
处理器801执行至少由存储在储存器805中的程序(例如图像处理程序808)中包括的代码或指令实现的功能或方法，从而实现根据本公开各个实施例的基于患者的CCTA图像来确定冠状动脉的流动信息的方法，和/或根据本公开各个实施例的基于患者的灌注CT图像来确定冠状动脉的流动信息的方法，和/或根据本公开各个实施例的基于患者的灌注CT图像确定的冠状动脉的流动信息制备训练数据并对预测模型进行训练的方法。
在一些实施例中，图像处理程序808至少包括图7中所示的提取单元702和预测单元705。在一些实施例中，图像处理程序808可以进一步包括图9中所示的VPCT图像生成单元902、配准单元903、VPCT图像划分单元904和流动信息确定单元905(参见下文中结合图9的详细描述)以及对预测模型进行训练的训练单元(未示出)。
处理器801的示例包括中央处理单元(CPU)、微处理单元(MPU)、 GPU、微处理器、处理器核、多处理器、专用集成电路(ASIC)和现场可编程门阵列(FPGA)等。
存储器804临时存储从储存器805加载的程序并向处理器801提供工作区。在处理器801执行程序时产生的各种数据，例如但不限于医学图像数据806、训练好的预测模型等，也可以临时存储在存储器804 中。存储器804包括例如随机存取存储器(RAM)和只读存储器(ROM)。
储存器805存储例如由处理器801执行的程序。储存器805包括例如硬盘驱动器(HDD)、固态驱动器(SSD)和闪存。
输入/输出接口802可以包括装置800输入各种操作的输入装置以及输出各种处理结果的输出装置。
通信接口803经由网络执行各种数据的发送和接收。通信可以通过电缆或无线地执行，并且可以使用任何通信协议，只要可以彼此通信即可。
装置800中的各个构件可以经由总线807彼此传输信息。存储介质可以将程序存储在“非暂时性有形介质”中。此外，该程序包括例如软件程序或计算机程序。
此外，装置800中的至少一些处理可以通过由一个或多个计算机配置的云计算来实现。在一些实施例中，装置800中的至少一些处理可以另一装置执行。在这种情况下，由处理器801实现的每个功能单元的处理中的至少一些处理可以由替代装置执行。
图9示出了根据本公开实施例的基于患者的灌注CT图像来确定冠状动脉的流动信息的装置900的配置。如图9所示，该装置900包括获取单元901、VPCT图像生成单元902、配准单元903、VPCT图像划分单元904和流动信息确定单元905。
获取单元901可以配置为：获取所述患者的包括冠状动脉和心脏的灌注CT图像的序列，所述患者的CCTA图像及其中的左心室的灌注区的划分结果。
VPCT图像生成单元902可以配置为：基于所述患者的冠状动脉连同心脏的灌注CT图像的序列确定容积灌注CT(VPCT)图像，该 VPCT图像示出其中每个体素的心肌血流量。
配准单元903可以配置为：对所述VPCT图像与所述CCTA图像进行配准。
VPCT图像划分单元904可以配置为：基于所述CCTA图像中的左心室的灌注区的划分结果，以及配准单元903对所述VPCT图像与所述CCTA图像的配准结果，来得到所述VPCT图像中的左心室的相应灌注区的划分结果。
流动信息确定单元905可以配置为：基于所述VPCT图像中左心室的相应灌注区的划分结果，来确定所述冠状动脉的流动信息。例如，流动信息确定单元905可以进一步配置为：确定所述VPCT图像中的左心室中划分的相应灌注区中的心肌血流量，作为向该灌注区供血的关注血管的流率。
本文描述了各种操作或功能，其可以实现为软件代码或指令或者定义为软件代码或指令。这样的内容可以是可以直接执行(“对象”或“可执行”形式)的源代码或差分代码(“delta”或“patch”代码)。软件代码或指令可以存储在计算机可读存储介质中，并且当被执行时，可以使机器执行所描述的功能或操作，并且包括用于以机器(例如，计算装置、电子***等)可访问的形式存储信息的任何机构，例如可记录或不可记录介质(例如，只读存储器(ROM)、随机存取存储器(RAM)、磁盘存储介质、光存储介质、闪存装置等)。
这里描述的示例性方法可以至少部分地是机器或计算机实现的。一些示例可以包括用指令编码的非暂时性计算机可读介质或机器可读介质，所述指令可操作以配置电子装置执行如以上示例中所述的方法。这种方法的实现可以包括软件代码，诸如微代码、汇编语言代码、更高级的语言代码等。各种程序或程序模块可以使用各种软件编程技术来创建。例如，可以使用Java、Python、C、C++、汇编语言或任何已知的编程语言来设计程序段或程序模块。一个或多个这样的软件部分或模块可以被整合到计算机***和/或计算机可读介质中。这种软件代码可以包括用于执行各种方法的计算机可读指令。软件代码可以形成计算机程序产品或计算机程序模块的一部分。此外，在一个示例中，软件代码可以诸如在执行期间或其他时间有形地存储在一个或多个易失性、非暂时性或非易失性有形计算机可读介质上。这些有形的计算机可读介质的示例可以包括但不限于硬盘、可移动磁盘、可移动光盘(例如，光盘和数字视频盘)、磁带盒、存储卡或棒、随机存取存储器(RAM)、只读存储器(ROM)等。
此外，尽管在此描述了说明性实施例，但是范围包括具有基于本公开的等效要素、修改、省略、组合(例如，跨各种实施例的方案的组合)、调整或变更的任何和所有实施例。权利要求中的要素将基于权利要求中使用的语言进行宽泛地解释，而不限于本说明书中或在本申请的存续期间描述的示例。此外，所公开的方法的步骤可以以任何方式进行修改，包括通过重新排序步骤或***或删除步骤。因此，意图仅仅将描述视为例子，真正的范围由以下权利要求及其全部等同范围表示。

Claims (19)

1.一种基于患者的冠状动脉计算机断层摄影血管造影(CCTA)图像来确定冠状动脉的流动信息的方法，所述方法包括：
获取所述患者的CCTA图像；
基于所获取的CCTA图像提取关注血管的动脉特征；
基于所获取的CCTA图像提取所述关注血管的对应心肌特征；
基于所提取的关注血管的动脉特征和对应心肌特征中的至少子集，利用训练好的预测模型，来预测所述冠状动脉的流动信息。
2.根据权利要求1所述的方法，其特征在于，基于所获取的CCTA图像提取关注血管的动脉特征包括：
对所获取的CCTA图像执行动脉分割，并提取冠状动脉树的中心线；及
从所述CCTA图像，基于所提取的中心线，提取关注血管的动脉特征，所述动脉特征包括所述关注血管的半径相关信息、长度相关信息、体积相关信息、强度相关信息和管腔内衰减梯度相关信息中的至少一种。
3.根据权利要求1或2所述的方法，其特征在于，基于所获取的CCTA图像提取所述关注血管的对应心肌特征包括：
对所获取的CCTA图像执行左心室分割；
在所述左心室上划分出各个关注血管的灌注区；
为各个关注血管的灌注区确定心肌特征作为该关注血管的对应心肌特征，所述心肌特征包括心肌质量和强度相关信息中的至少一种。
4.根据权利要求1所述的方法，其特征在于，所述关注血管取决于要确定的冠状动脉的流动信息和预测模型。
5.根据权利要求1所述的方法，其特征在于，所述关注血管包括各个末端分支。
6.根据权利要求3所述的方法，其特征在于，所述冠状动脉的流动信息包括整个冠状动脉树内的各个血管的流量比分布。
7.根据权利要求3所述的方法，其特征在于，要确定的冠状动脉的流动信息包括所述关注血管的流率，所述预测模型表示为：
Q＝Q0Mb， 公式(1)
其中，Q表示所述关注血管的流率，M是左心室中所述关注血管的灌注区的心肌质量，Q0和b表示所述患者的所述关注血管当前状态下的属性常数。
8.根据权利要求3所述的方法，其特征在于，所述预测模型基于学习网络构成，所提取的关注血管的动脉特征和对应心肌特征中的至少子集作为所述学习网络的输入。
9.根据权利要求3所述的方法，其特征在于，所述预测模型利用基于所述患者的冠状动脉连同心脏的灌注计算机断层摄影(CT)图像得到的所述冠状动脉的流动信息作为地面真值，来进行训练。
10.一种基于患者的灌注计算机断层摄影(CT)图像来确定冠状动脉的流动信息的方法，所述方法包括：
获取所述患者的灌注CT图像的序列，所述灌注CT图像包含冠状动脉和心脏；
基于所述患者的灌注CT图像的序列确定容积灌注CT(VPCT)图像，该VPCT图像示出其中每个体素的心肌血流量；
获取所述患者的冠状动脉计算机断层摄影血管造影(CCTA)图像，以及该CCTA图像中的左心室的灌注区的划分结果；
基于所述CCTA图像中的左心室的灌注区的划分结果，通过对所述VPCT图像与所述CCTA图像进行配准，来得到所述VPCT图像中左心室的相应灌注区的划分结果；以及
基于所述VPCT图像中左心室的相应灌注区的划分结果，来确定所述冠状动脉的流动信息。
11.根据权利要求10所述的方法，其特征在于，基于所述VPCT图像中左心室的相应灌注区的划分结果，来确定所述冠状动脉的流动信息包括：
确定所述VPCT图像中的左心室中划分的相应灌注区中的心肌血流量，作为向该灌注区供血的关注血管的流率。
12.根据权利要求10所述的方法，其特征在于，所述方法还包括：
基于所获取的CCTA图像提取所述关注血管的动脉特征和相应的心肌特征中的至少子集；
基于所提取的所述关注血管的动脉特征和相应的心肌特征中的至少子集以及所确定的所述冠状动脉的流动信息构成训练数据。
13.根据权利要求10所述的方法，其特征在于，在要确定的冠状动脉的流动信息是各个末端分支的流率的情况下，可以基于所述VPCT图像通过如下的任何一种方式来确定所述冠状动脉的流动信息：
在各个末端分支的灌注区内，对每个体素的心肌血流量进行积分，积分结果作为相应末端分支的流率；
对左心室内所有体素的心肌血流量进行积分来得到左心室的总心肌血流量，基于所述总心肌血流量利用各个末端分支的灌注区的体积比例，来确定各个末端分支的流率。
14.根据权利要求10所述的方法，其特征在于，在要确定的冠状动脉的流动信息是左冠状动脉和右冠状动脉各自的总入口流率和各个血管的流量比分布的情况下，可以通过如下方式来确定所述冠状动脉的流动信息：
基于所述VPCT图像对左心室内每个体素的心肌血流量进行积分来得到左心室的总心肌血流量，基于所述总心肌血流量，利用左冠状动脉的灌注区与右冠状动脉的灌注区的体积比、左冠状动脉的灌注区与右冠状动脉的灌注区的心肌血流量比率、和左冠状动脉与右冠状动脉的总入口流率的统计经验比率中的任何一种，来确定左冠状动脉和右冠状动脉各自的总入口流率；
基于各个血管的管腔内衰减梯度信息或其他形态学定律，来确定冠状动脉内各个血管的流量比分布。
15.根据权利要求10所述的方法，其特征在于，在要确定的冠状动脉的流动信息是冠状动脉的总入口流率和各个血管的流量比分布的情况下，可以通过如下方式来确定所述冠状动脉的流动信息：
基于所述患者的冠状动脉的灌注CT图像计算左心室心肌质量，基于左心室心肌质量利用如下公式(2)，来确定所述冠状动脉的总入口流率：
Qlv＝Qlv0Mlv b， 公式(2)
其中，Qlv表示所述冠状动脉的总入口流率也是对左心室的总心肌血流量，Mlv是左心室的心肌质量，Qlv0和b表示所述患者的左心室当前状态下的属性常数；以及
基于所述VPCT图像在各个末端分支的灌注区内对每个体素的心肌血流量进行积分，积分结果作为相应末端分支的流率，基于各个末端分支的流率与所述冠状动脉的总入口流率，确定各个末端分支的流量比分布。
16.根据权利要求10所述的方法，其特征在于，在要确定的冠状动脉的流动信息是分支动脉的流率及其中的末端分支的流率的情况下，可以通过如下方式来确定所述冠状动脉的流动信息：
基于所述VPCT图像对所述分支动脉的灌注区内的每个体素的心肌血流量进行积分，或者基于所述VPCT图像对左心室内的每个体素的心肌血流量进行积分并乘以所述分支动脉的灌注区的体积比例，来确定所述分支动脉的流率；
基于各个血管的管腔内衰减梯度信息或其他形态学定律，来确定冠状动脉内各个血管的流量比分布；
基于所确定的所述分支动脉的流率及其中的各个末端分支的流量比分布，来确定所述各个末端分支的流率。
17.一种基于患者的冠状动脉计算机断层摄影血管造影(CCTA)图像来确定冠状动脉的流动信息的装置，所述装置包括：
接口，其配置为获取所述患者的CCTA图像；以及
处理器，其配置为：
基于所获取的CCTA图像提取关注血管的动脉特征；
基于所获取的CCTA图像提取所述关注血管的对应心肌特征；
基于所提取的关注血管的动脉特征和心肌特征中的至少子集，利用训练好的预测模型，来预测所述冠状动脉的流动信息。
18.根据权利要求17所述的装置，其特征在于，
所述接口还配置为：
获取所述患者的冠状动脉的灌注CT图像的序列；
获取所述患者的CCTA图像中的左心室的灌注区的划分结果；所述处理器还配置为：
基于所述患者的冠状动脉连同心脏的灌注CT图像的序列确定容积灌注CT(VPCT)图像，该VPCT图像示出其中每个体素的心肌血流量；
基于所述CCTA图像中的左心室的灌注区的划分结果，通过对所述VPCT图像与所述CCTA图像进行配准，来得到所述VPCT图像中的左心室的相应灌注区的划分结果；
确定所述VPCT图像中的左心室中划分的相应灌注区中的心肌血流量，作为向该灌注区供血的关注血管的流率；
基于所获取的CCTA图像提取所述关注血管的动脉特征和对应心肌特征中的至少子集；
基于所提取的所述关注血管的动脉特征和对应心肌特征中的至少子集以及所确定的关注血管的流率构成训练数据，来对所述预测模型进行训练。
19.一种非暂时性计算机可读介质，其上存储有指令，所述指令在由处理器执行时，实现根据权利要求1-9中任何一项所述的基于患者的冠状动脉计算机断层摄影血管造影(CCTA)图像来确定冠状动脉的流动信息的方法，和/或实现根据权利要求10-16中任何一项所述的基于患者的灌注计算机断层摄影(CT)图像来确定冠状动脉的流动信息的方法。
CN201910837899.5A 2018-09-05 2019-09-05 基于患者的冠状动脉ct血管造影图像来确定冠状动脉的流动信息的方法、装置和介质 Active CN110428420B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US201862726989P 2018-09-05 2018-09-05
US62/726,989 2018-09-05

Publications (2)

Publication Number Publication Date
CN110428420A true CN110428420A (zh) 2019-11-08
CN110428420B CN110428420B (zh) 2022-05-17

Family

ID=68418746

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910837899.5A Active CN110428420B (zh) 2018-09-05 2019-09-05 基于患者的冠状动脉ct血管造影图像来确定冠状动脉的流动信息的方法、装置和介质

Country Status (1)

Country Link
CN (1) CN110428420B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111738982A (zh) * 2020-05-28 2020-10-02 数坤（北京）网络科技有限公司 一种血管腔浓度梯度提取方法、装置以及可读存储介质
CN112336365A (zh) * 2020-11-11 2021-02-09 上海市第六人民医院 心肌血流量分布图像获取方法、***、介质及电子设备
CN112967220A (zh) * 2019-11-28 2021-06-15 西门子医疗有限公司 评估与血管周围组织有关的ct数据集的计算机实现的方法
CN113450322A (zh) * 2021-06-22 2021-09-28 沈阳先进医疗设备技术孵化中心有限公司 一种冠状动脉的起源异常判断方法和装置
CN116994067A (zh) * 2023-09-07 2023-11-03 佛山科学技术学院 基于冠状动脉钙化的血流储备分数的预测方法及***

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105848577A (zh) * 2013-10-01 2016-08-10 皇家飞利浦有限公司 用于心肌灌注病理学表征的***和方法
CN106023202A (zh) * 2016-05-20 2016-10-12 苏州润心医疗科技有限公司 基于心脏ct图像的冠状动脉血流储备分数计算方法
CN106456078A (zh) * 2013-10-17 2017-02-22 西门子保健有限责任公司 用于对血流储备分数的基于机器学习的评估的方法和***
CN107123112A (zh) * 2017-01-23 2017-09-01 上海联影医疗科技有限公司 血流状态分析***及方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105848577A (zh) * 2013-10-01 2016-08-10 皇家飞利浦有限公司 用于心肌灌注病理学表征的***和方法
CN106456078A (zh) * 2013-10-17 2017-02-22 西门子保健有限责任公司 用于对血流储备分数的基于机器学习的评估的方法和***
CN106023202A (zh) * 2016-05-20 2016-10-12 苏州润心医疗科技有限公司 基于心脏ct图像的冠状动脉血流储备分数计算方法
CN107123112A (zh) * 2017-01-23 2017-09-01 上海联影医疗科技有限公司 血流状态分析***及方法

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112967220A (zh) * 2019-11-28 2021-06-15 西门子医疗有限公司 评估与血管周围组织有关的ct数据集的计算机实现的方法
US11803966B2 (en) 2019-11-28 2023-10-31 Siemens Healthcare Gmbh Computer-implemented method for evaluating a CT data set regarding perivascular tissue, evaluation device, computer program and electronically readable storage medium
CN112967220B (zh) * 2019-11-28 2024-05-14 西门子医疗有限公司 评估与血管周围组织有关的ct数据集的计算机实现的方法
CN111738982A (zh) * 2020-05-28 2020-10-02 数坤（北京）网络科技有限公司 一种血管腔浓度梯度提取方法、装置以及可读存储介质
CN112336365A (zh) * 2020-11-11 2021-02-09 上海市第六人民医院 心肌血流量分布图像获取方法、***、介质及电子设备
CN113450322A (zh) * 2021-06-22 2021-09-28 沈阳先进医疗设备技术孵化中心有限公司 一种冠状动脉的起源异常判断方法和装置
CN113450322B (zh) * 2021-06-22 2024-05-24 东软医疗***股份有限公司 一种冠状动脉的起源异常判断方法和装置
CN116994067A (zh) * 2023-09-07 2023-11-03 佛山科学技术学院 基于冠状动脉钙化的血流储备分数的预测方法及***
CN116994067B (zh) * 2023-09-07 2024-05-07 佛山科学技术学院 基于冠状动脉钙化的血流储备分数的预测方法及***

Also Published As

Publication number Publication date
CN110428420B (zh) 2022-05-17

Similar Documents

Publication Publication Date Title
US20230139102A1 (en) Method and system for quantifying limitations in coronary artery blood flow during physical activity in patients with coronary artery disease
US20230218347A1 (en) Systems and methods for processing electronic images to simulate flow
CN110428420A (zh) 基于患者的冠状动脉ct血管造影图像来确定冠状动脉的流动信息的方法、装置和介质
US20220406470A1 (en) Systems and methods for processing electronic images to determine flow using flow ratio
JP6215469B2 (ja) 最適化された診断能のための境界条件を用いて血流をモデル化するための方法及びシステム
US11389130B2 (en) System and methods for fast computation of computed tomography based fractional flow reserve
US10134129B2 (en) Method and system for hemodynamic computation in coronary arteries
US20170039340A1 (en) Methods and systems for predicting sensitivity of blood flow calculations to changes in anatomical geometry
EP4002269A1 (en) Systems and methods for image-based object modeling using multiple image acquisitions or reconstructions
CN110944586B (zh) 来自x射线图像数据的炎症估计
CN110444275B (zh) 用于快速计算血流储备分数的***和方法
EP3695784A1 (en) Prediction of coronary microvascular dysfunction from coronary computed tomography
EP3949831A2 (en) Learning method for generating multiphase collateral image and multiphase collateral image generating method using machine learning
CN110506293A (zh) 谱成像ffr
US11810290B2 (en) Method and computer system for generating a combined tissue-vessel representation
US20210219850A1 (en) Providing a blood flow parameter set for a vascular malformation
US20230030618A1 (en) Making measurements in images
Ogiela et al. Cognitive methods for semantic image analysis in medical imaging applications
CN111815590A (zh) 基于ct序列图像获取心脏重心和脊椎重心的方法和***

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant