CN111134651B - 基于腔内影像计算血流储备分数的方法、装置、***以及计算机存储介质 - Google Patents
基于腔内影像计算血流储备分数的方法、装置、***以及计算机存储介质 Download PDFInfo
- Publication number
- CN111134651B CN111134651B CN201911252811.XA CN201911252811A CN111134651B CN 111134651 B CN111134651 B CN 111134651B CN 201911252811 A CN201911252811 A CN 201911252811A CN 111134651 B CN111134651 B CN 111134651B
- Authority
- CN
- China
- Prior art keywords
- blood vessel
- dimensional
- image
- images
- catheter
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 80
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 205
- 210000004351 coronary vessel Anatomy 0.000 claims abstract description 44
- 238000012545 processing Methods 0.000 claims abstract description 26
- 230000017531 blood circulation Effects 0.000 claims abstract description 16
- 239000008280 blood Substances 0.000 claims abstract description 11
- 210000004369 blood Anatomy 0.000 claims abstract description 11
- 230000000004 hemodynamic effect Effects 0.000 claims abstract description 10
- 239000012530 fluid Substances 0.000 claims abstract description 8
- 230000011218 segmentation Effects 0.000 claims description 34
- 238000002583 angiography Methods 0.000 claims description 23
- 238000002608 intravascular ultrasound Methods 0.000 claims description 20
- 230000003902 lesion Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012216 screening Methods 0.000 claims description 16
- 238000013507 mapping Methods 0.000 claims description 13
- 238000003702 image correction Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 5
- 238000002586 coronary angiography Methods 0.000 abstract description 32
- 238000012014 optical coherence tomography Methods 0.000 description 16
- 208000031481 Pathologic Constriction Diseases 0.000 description 11
- 230000036262 stenosis Effects 0.000 description 11
- 208000037804 stenosis Diseases 0.000 description 11
- 238000013527 convolutional neural network Methods 0.000 description 8
- 238000002604 ultrasonography Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000003384 imaging method Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 5
- 208000037260 Atherosclerotic Plaque Diseases 0.000 description 4
- 241000270295 Serpentes Species 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 201000000057 Coronary Stenosis Diseases 0.000 description 3
- 206010020565 Hyperaemia Diseases 0.000 description 3
- 230000000747 cardiac effect Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 230000000284 resting effect Effects 0.000 description 3
- OIRDTQYFTABQOQ-KQYNXXCUSA-N adenosine Chemical compound C1=NC=2C(N)=NC=NC=2N1[C@@H]1O[C@H](CO)[C@@H](O)[C@H]1O OIRDTQYFTABQOQ-KQYNXXCUSA-N 0.000 description 2
- 210000000709 aorta Anatomy 0.000 description 2
- 230000036772 blood pressure Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000001427 coherent effect Effects 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000036285 pathological change Effects 0.000 description 2
- 231100000915 pathological change Toxicity 0.000 description 2
- 230000010412 perfusion Effects 0.000 description 2
- 230000035790 physiological processes and functions Effects 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000002560 therapeutic procedure Methods 0.000 description 2
- 230000002792 vascular Effects 0.000 description 2
- 229940124549 vasodilator Drugs 0.000 description 2
- 239000003071 vasodilator agent Substances 0.000 description 2
- 239000002126 C01EB10 - Adenosine Substances 0.000 description 1
- 206010011089 Coronary artery stenosis Diseases 0.000 description 1
- 102000001554 Hemoglobins Human genes 0.000 description 1
- 108010054147 Hemoglobins Proteins 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 229960005305 adenosine Drugs 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 208000029078 coronary artery disease Diseases 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000035487 diastolic blood pressure Effects 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005534 hematocrit Methods 0.000 description 1
- 230000000544 hyperemic effect Effects 0.000 description 1
- 238000007654 immersion Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000001990 intravenous administration Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000002107 myocardial effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000002966 stenotic effect Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 230000035488 systolic blood pressure Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/026—Measuring blood flow
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/02007—Evaluating blood vessel condition, e.g. elasticity, compliance
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/02028—Determining haemodynamic parameters not otherwise provided for, e.g. cardiac contractility or left ventricular ejection fraction
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Cardiology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Computer Graphics (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Vascular Medicine (AREA)
- Signal Processing (AREA)
- Hematology (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本申请涉及一种基于腔内影像计算血流储备分数的方法、装置、***和计算机存储介质,其中获取血流储备分数的方法,包括步骤S1,获取与冠状动脉血管相关的影像数据,通过对影像数据的处理构建相应的三维血管模型;其中与冠状动脉血管相关的影像数据包括:腔内影像数据以及冠脉造影影像数据;步骤S2,根据所述三维血管模型以及流体动力学方法计算血液流动方程,以获得三维血管模型所表达区域的冠状动脉的血液动力学参数分布;步骤S3,根据步骤S2获取的血液动力学参数,计算得到所述血流储备分数。本发明可精确计算获取患者冠状动脉FFR。
Description
技术领域
本申请涉及医学影像的数据处理技术领域,特别是涉及一种基于腔内影像计算血流储备分数的方法、装置、***和计算机存储介质。
背景技术
冠状动脉血管造影曾被认为是诊断冠心病的“金标准”,但它只能定性地评价病变狭窄程度,却无法定量地评价病变狭窄对冠状动脉生理功能的影响,因此可能高估或低估病变的严重程度,导致需要治疗的病变没有处理或过度处理不需治疗的病变。1993年NicoPijls等提出了通过压力测定推算冠脉血流的新指标—血流储备分数(Fractional FlowReserve,FFR)。经过长期的基础与临床研究,FFR已经成为冠脉狭窄功能性评价的公认指标。
血流储备分数(FFR)是一种用于医疗诊断冠状动脉生理功能的参数,指在冠状动脉存在狭窄病变的情况下,该血管所供心肌区域能获得的最大血流量与同一区域理论上正常情况下所能获得的最大血流量之比,其等效压强比定义如下:冠状动脉在最大充血状态下,狭窄近端和心脏主动脉的压强的比值即为血流储备分数。
应用在冠状动脉血管的腔内影像技术包括血管内超声影像和光学相干断层扫描技术。血管内超声影像(IVUS)是利用导管将一高频微型超声探头导入血管腔内进行探测,再经电子成像***来显示心血管组织结构和几何形态的微细解剖信息。血管内超声弥补了传统冠脉造影的不足,能够显示病变所在的管壁和粥样斑块,提供粥样斑块形态和性质的详细情况,医生能够准确地评估冠脉狭窄程度。光学相干断层扫描技术(OCT)利用弱相干光干涉仪的基本原理,检测生物组织不同深度层面对入射弱相干光的背向反射或几次散射信号。通过扫面能获得更加清晰的血管断层影像,有效检测血管狭窄情况。
虽然腔内影像(IVUS/OCT)能够有效获取血管狭窄信息,但是血管内超声影像(IVUS)、光学相干断层扫描技术(OCT)并不具备测量血流储备分数的作用,无法评判冠脉是否存在功能性狭窄。医生如果需要测量血流储备分数还需要另外通过侵入式压力导丝,同时在静脉内施用腺苷诱导的条件下(冠状动脉处于最大充血状态)测量,加大了手术的复杂性,会对患者造成增加的风险和更多的费用。
因此需要一种基于腔内影像(IVUS/OCT)和冠脉造影(ICA)“非侵入式”测量冠脉血管血流储备分数的方法,降低诊断的风险和费用。此方法和***需要提供患者冠状动脉特异性医学影像和患者生理信息,影像可由血管内超声(IVUS)、光学相干断层扫描技术(OCT)和冠脉造影(ICA)等方法获取。另外此方法和***还可在不打入血管扩张剂的情况下获取FFR,避免血管扩张剂对病人造成损害。
发明内容
基于此,有必要针对上述技术问题,提供一种基于腔内影像计算血流储备分数的方法、装置、计算机设备和存储介质。
一种获取血流储备分数的方法,所述方法包括:
步骤S1,获取与冠状动脉血管相关的影像数据,通过对影像数据的处理构建相应的三维血管模型;
其中与冠状动脉血管相关的影像数据包括:腔内影像数据以及血管造影影像数据;
步骤S2,根据所述三维血管模型以及流体动力学方法计算血液流动方程,以获得三维血管模型所表达区域的冠状动脉的血液动力学参数分布;
步骤S3,根据步骤S2获取的血液动力学参数,计算得到所述血流储备分数。
本发明采用非侵入式方法,降低诊断的风险和费用,以及避免对患者的身体造成损伤,便捷地获取FFR,可预测冠状动脉血流和心机灌注的医疗治疗、介入治疗和手术治疗的结果。通过获取与冠脉血管相关的血管腔内影像数据以及从两个不同投影角度获取的冠脉造影图像数据,重构目标冠脉血管的三维模型,再利用三维血管模型以及流体力学方法计算血液流动方程,以获得三维血管模型所表达区域的冠状动脉的血液动力学参数分布,最后根据获取的血液动力学参数,计算得到所述血流储备分数。
可选的,所述步骤S1中,构建三维血管模型时,包括:
对所述腔内影像数据进行影像处理,得到多个血管内壁图像以及各个血管内壁图像上的导管中心位置;
对所述血管造影影像数据进行影像处理,得到三维导管路径;
根据各个所述血管内壁图像上的导管中心位置将血管内壁图像映射到所述三维导管路径上,构建得到三维形式的冠状动脉病变段血管模型;
可选的,对所述腔内影像数据进行影像处理,得到多个血管内壁图像以及各个血管截面中导管中心位置时,包括:
对获取的腔内影像数据进行筛选,得到多张处于心脏舒张末期的血管图像;
对多张所述血管图像进行血管分割,得到多张血管内壁图像;
对多张所述血管内壁图像提取导管中心位置。
可选的,在对所述血管图像进行血管分割前还包括:
对所述血管图像进行图像校准;
所述图像校准包括:导管校准以及距离校准。
可选的,所述血管造影影像数据包括两个投影角度大于或等于25度的血管造影影像,对所述血管造影影像数据进行图像处理,得到三维导管路径时,包括:
对两个所述冠脉造影影像进行筛选,分别得到处于心脏舒张末期的两张冠脉造影图像;
在两张所述冠脉造影图像中分别选取具有对应关系的两条血管作为二维目标血管,并基于各所述二维目标血管分别生成导管路径和二维血管分割图像;
根据两条所述二维导管路径生成三维导管路径;
根据两幅二维血管分割图像生成三维血管模型。
可选的,在两张所述冠脉造影图像中分别选取具有对应关系的两条血管作为二维目标血管之前还包括:
对所述冠脉造影图像进行图像校正;
所述图像校正包括:极线匹配以及投影校正。
本发明还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被计算机处理器执行时实现所述获取血流储备分数的方法。
本发明还提供一种获取血流储备分数的装置,包括计算机存储器、计算机处理器、以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序,所述计算机处理器执行所述计算机程序时,实现所述基于腔内影像计算血流储备分数的方法。
本发明还提供一种基于腔内影像计算血流储备分数的***,包括终端以及服务器,所述服务器包括计算机存储器、计算机处理器、以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序,所述服务器从终端获取相关数据并在执行所述计算机程序时,实现所述的基于腔内影像计算血流储备分数的方法,以及按需生成相应的血流储备分数报告。
本发明方法和***利用患者的血管内超声图像,不仅能够显示病变所在的管壁和粥样斑块,提供粥样斑块形态和性质的详细情况,还能准确地评估冠脉狭窄程度。从腔内影像中提取血管截面并结合冠脉造影影像重构出冠状动脉的血管模型,结合患者特异性生理参数计算血管压降方程,精确计算出冠状动脉的血流储备分数FFR,可预测冠状动脉血流和心机灌注的医疗治疗、介入治疗和手术治疗的结果。
附图说明
图1为识别超声影像心脏舒张期末期示意图;
图2为血管超声图像校准前示意图;
图3为血管超声图像校准后示意图;
图4为血管超声图像血管分割示意图;
图5为基于CNN卷积神经网络对血管超声图像血管风格示意图;
图6为两张不同角度的冠脉造影图像示意图;
图7为两张不同角度的冠脉造影图像进行校准示意图;
图8为两张不同角度的冠脉造影图像选取目标血管的示意图;
图9为冠脉造影图像重构的三维血管模型示意图;
图10为三维导管路径与血管超声图像映射示意图;
图11为FFR数值的分布示意图;
图12为本发明流程示意图。
具体实施方式
本发明提供了一种基于腔内影像计算血液储备分数的方法,包括:
步骤S1,获取与冠状动脉血管相关的影像数据,通过对影像数据的处理构建相应的三维血管模型;
其中与冠状动脉血管相关的影像数据包括:腔内影像数据以及血管造影影像数据;
步骤S2,根据所述三维血管模型以及流体动力学方法计算血液流动方程,以获得三维血管模型所表达区域的冠状动脉的血液动力学参数分布;
步骤S3,根据步骤S2获取的血液动力学参数,计算得到所述血流储备分数。
以下结合相应附图对各步骤详细说明。
步骤S1中,腔内影像数据由腔内影像(IVUS/OCT)设备利用导管将一高频微型超声探头导入感兴趣的冠脉血管腔内进行探测后获取。冠脉造影影像数据由数字剪影血管造影(ICA)技术获得。
腔内影像数据为IVUS/OCT设备在冠脉血管中获取的多张血管图像以序列排列方式得到。
其中,腔内影像数据为IVUS/OCT设备对冠脉中出现病变的血管内进行探测得到。
步骤S1中,构建三维血管模型时,包括:
对所述血管内影像数据进行影像处理,得到多个分割血管图像以及各个分割血管图像上的导管中心位置;
对所述冠脉造影影像数据进行影像处理,得到三维导管路径;
根据各个所述分割血管图像的导管中心位置将血管分割图像映射到所述三维导管路径上,构建得到三维形式的冠状动脉血管模型;
其中,对所述腔内影像数据进行影像处理,得到多个血管内壁图像以及各个血管内壁图像上的导管中心位置时,包括:
对获取的腔内影像数据进行筛选,得到多张处于心脏舒张末期的血管图像;
对多张所述血管图像进行血管分割,得到多张血管内壁图像;
对多张所述血管内壁图像提取导管中心位置。
在进行筛选过程时,在血管图像序列中选取处于心脏舒张末期的多张血管图像。若IVUS/OCT影像内包含心电信息,可以根据心电图进行筛选。
在本实施例中,对获取的腔内影像数据进行筛选的方法包括但不局限于Gating算法,配准算法,光流法等。利用下列方程对腔内影像进行筛选:
s(n)=αs0(n)+(1-α)s1(n)
其中,In是第n张分辨率为H×W的图像,μn,σn分别为第n图像的平均偏差和标准偏差。通过计算信号随运动的变化对血管内影像数据进行识别以获取处于舒张期末期的超声图像,如图1所示。
图1中展示了s(n)沿血管方向的波形图。进而再根据筛选出来的腔内图像得到处于心脏舒张末期的血管图像。图中s(n)的波谷位置所对应的影像可以认为是舒张期末期影像。
在本实施例中,在对所述血管图像进行血管分割前还包括:对所述血管图像进行图像校准;所述图像校准包括:导管校准以及距离校准。
需要说明的是,在对血管图像进行图像校准时,可使用的方法包括导管校准以及距离校准。上述两种校准方法得到的校准结果时一样的,在进行实际操作过程中,可根据具体情况选择其中一种方式对血管图像进行校准。在其他实施例中,也可同时使用两种校准方法进行图像校准用以重复验证校准结果,以确保结果的准确性。
首先进行导管校准,手动选取导管中心和导管边缘两点;其次进行距离校准,分别手动选取中心和影像上的Marker点,并定义实际距离1mm。其中Marker点到图像中心点的距离为固定距离,由此计算出比例因子,将筛选后得到的多张图像都以同样的比例因子进行校准。校准前效果如图2所示,校准后效果如图3所示。血管图像中显示包括血管内壁,血管外壁以及血管病变斑块,通过对血管图像进行血管分割后得到血管内壁图像。其中腔内影像如图4左边图所示,进行分割出来的血管内壁如图4右边图所示。
在本实施例中,对血管图像进行血管分割的方法包括但不限于Level Set,GraphCuts,Snake模型,CNN神经网络模型,深度学习模型,边缘学习模型以及人工分割等。
本实施例中,基于CNN卷积神经网络的图像分割方法将事先标注好的数据进行训练,采用8层编码-解码结构的U-Net网络构建CNN图像分割模型。具体操作步骤如下:1)对图像进行集中标注生成训练数据;2)划分数据为训练集、验证集和测试集;3)图像和标签预处理,对训练数据加meshgrid获取更精准的位置定位;4)构建8层的U-Net网络进行训练;5)CNN网络调参并优化训练结果;6)保存模型并进行预测。如图5所示为血管内壁的分割结果。
在本实施例中,冠脉造影影像数据包括两个投影角度大于或等于25度的冠脉造影影像,对所述冠脉造影影像数据进行图像处理,得到三维导管路径时,包括:
对两个所述冠脉造影影像进行筛选,分别得到处于心脏舒张末期的两张冠脉造影图像;
在两张所述冠脉造影图像中分别选取具有对应关系的两条血管作为二维目标血管,并基于各所述二维目标血管分别生成二维导管路径;
根据两条所述二维中线生成所述三维导管路径。
如图6所示,两个冠脉造影影像是对冠脉血管同一感兴趣区域不同投影角度获取的。两个冠脉造影影像的投影角度大于或等于25度,以使在之后的步骤中,由两条二维导管路径生成的三维导管路径时,更为贴近实际冠脉血管。
进一步的,在对两个角度的冠脉造影影像进行筛选后,得到两张处于心脏舒张末期的冠脉造影图像。同样的,得到的两张冠脉造影图像的投影角度大于或等于25度。并且,这两张冠脉造影图像上的血管清晰且重叠区域少。
并且需要说明的是,两个血管影影像中显示的区域均需要包括腔内影像数据中所示显示的血管。
在本实施例中,在对筛选后得到处于心脏舒张末期的两张冠脉造影图像后,还需要对两张冠脉造影图像进行图像校正,所述图像校正包括极线匹配以及投影校正。
在进行极线校准时,分别在两张冠脉造影图像上各自选择匹配点,并且,在两张冠脉造影图像上选择的匹配点一一对应,也就是说分别在两张造影图像上的相同位置选择匹配点。若一条极线同时穿过两张图像上同一位置的匹配点,则标识极线匹配成功。一般情况下,分别在冠脉造影图像上选择两个或三个点作为匹配点,若各条极线均穿过了匹配点,则标识极线匹配成功,如图7所示。
优选的,在两张冠脉造影图像上选择与腔内影像数据中所显示的同一条血管,并在该条血管上选择匹配点进行极线匹配。
在本实施例中,在对筛选后得到处于心脏舒张末期的两张冠脉造影图像后,还需要对两张冠脉造影图像进行预处理,通过Hassian矩阵对对输入的两个角度的冠脉造影图像进行去燥处理并进行血管增强。以使在人工进行手动选取血管时更为方便。
在本实施例中,在冠脉造影图像中人工手动选取二维目标血管的起始点和终止点,再通过Snake算法在图像上分割出目标血管,接着计算其导管路径并显示,如图8所示。
分别从两张冠脉造影图像中由人工手动选取的二维目标血管为同一条血管,并且该条血管为腔内影像数据中显示的血管。而选取后并显示的两条二维目标血管为该条血管的两个投影角度。再利用Snake算法对感兴趣区域的血管进行分割,得到两个角度上的血管分割结果,合成血管三维模型如图9所示,同时获得三维的导管路径。在本实施例中,得到感兴趣区域的冠脉血管的多张分割血管图像、各分割血管图像的中心点以及血管三维导管路径后,将各分割血管图像的中心点与血管三维导管路径进行映射,即将多张分割血管图像等距离地沿着三维导管路径进行排列,且每一张分割血管图像都与三维导管路径垂直,如图10所示。再进行映射的过程中,将一系列的二维血管边界点坐标转换为三维坐标系下的点云,最后生成真实的三维血管模型(IVUS/OCT血管模型)。具体的,将腔内影像的分割结果和三维IVUS/OCT导管互相映射,将二维腔内影像上的分割特征点转化到腔内导管三维坐标系下的点坐标,并由点云直接生成三维血管模型。将腔内影像生成的病变段的三维血管模型与ICA影像生成的三维血管模型合并成一整只三维血管模型。此三维血管模型与ICA影像生成的模型相比拥有更加准确的狭窄病变信息,与IVUS/OCT影像生成的模型相比长度更长,因此可以计算出远端的血流储备分数。
在通过多张分割血管图像、各分割血管图像导管中心位置以及三维导管路径重构三维血管模型运用的方法包括但不限于Level Set,Graph Cuts,Snake模型,CNN神经网络模型,深度学习模型,边缘学习模型以及人工分割等。
在本实施例中,基于血管内血液平均流速,并计算血管各位置处校正的流量,通过血管管径识别狭窄段,生成狭窄段对应的正常血管,计算引起血管内压强变化,包括扩张压降、粘性压降和伯努利变化项。
在三维导管路径使用上述计算方法来计算冠状动脉血管内血液状态,输出流速,压力,FFR值等计算结果。计算方法还包括可使用CFD(流体动力学)计算方法求解血液流动方程,具体可包括:但不限于有限元法(FEM),有限体积法(FVM),有限差分法(FDM),边界元法(BEM),浸入边界法(IBM),格子玻尔兹曼法(LBM),光滑粒子法(SPH),半隐式运动粒子法(MPS),有限体积粒子法(FVP)等。
其中进口边界条件包括但不限于固定流量,如设置进口流量Q=0.95ml/s;固定进口速度,如设置进口速度V=0.35m/s;或者结合冠脉造影影像通过TIMI计帧法获得血流速度。
血流动力学参数可以包括患者身高,体重,心率,收缩期和舒张期血压,血细胞比容,血液粘度,血液密度,血流量等。
血流动力学参数还可以包括生理医学测试结果(心动周期,血压,血流,血红蛋白,血小板,心电图,基因,家族病史等等),图像数据/分割数据/重构几何数据(心脏尺寸,冠状动脉分支和拓扑结构,狭窄位置,狭窄长度,狭窄截面,钙化斑块,等等)。
步骤S3中,血流储备分数(FFR)计算公式为:
Pdistal为血管狭窄位置处下游2~3cm的血压;
血管狭窄位置一方面可以通过步骤S1的图像数据和生理参数获知,还可以通过步骤S1构建的三维模型(例如重构模型)测量获得;
Pa取近似值,等于主动脉运动参考平均压强Phyperemia;
由大量临床数据可获得冠脉中动脉静息状态压强Pa和最大充血状态Pa数据,再通过最小二乘法拟合得到两者之间的关系,可用线性方程表示:
Phyperemia=α×Prest+β
其中,α以及β均为与冠脉压强相关的参数,Prest为主动脉静息状态压强,在获取腔内影像数据过程中,由导管上设置的压力传感器获得。
基于步骤S3的结果还可生成相应的血流储备分数报告,血流储备分数报告的形式可以是文本、图像或三维影像等。
作为血流储备分数报告的形式之一,作为优选,血流储备分数报告中,在三维模型中模拟显示各部位的血流储备分数。模拟显示效果如图11所示。
本实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被计算机处理器执行时实现上述基于腔内影像计算血流储备分数的方法。
本实施例还提供一种基于腔内影像计算血流储备分数的装置,包括计算机存储器、计算机处理器、以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序,所述计算机处理器执行所述计算机程序时,实现上述获取血流储备分数的方法。
本实施例装置可配置的远端,通过与之相连的远程终端获得与冠状动脉感兴趣血管相关的腔内影像数据和冠脉造影影像数据,还可以是本实施例装置本身就配置在终端,直接通过医学影像设备或人工输入的方式获得与冠状动脉感兴趣血管相关的腔内影像数据和冠脉造影影像数据。
本实施例还提供一种基于腔内影像计算血流储备分数的***,包括终端以及服务器,所述服务器包括计算机存储器、计算机处理器、以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序,其特征在于,所述服务器从终端获取相关数据并在执行所述计算机程序时,实现如权利要求1至9任一项所述的获取血流储备分数的方法,以及按需生成相应的血流储备分数报告。
本实施例***中的终端以及云端的服务器上安装有分别安装有软件***,服务器***通过C,C++,Java,Python,HTM5等编程语言开发。终端软件***包括但不限于Mac OS版,Windows版,Unix/Linux版,Androids版或Apple版。
以上公开的仅为本发明的具体实施例,但是本发明并非局限于此,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。显然这些改动和变型均应属于本发明要求的保护范围保护内。此外,尽管本说明书中使用了一些特定的术语,但这些术语只是为了方便说明,并不对本发明构成任何特殊限制。
Claims (9)
1.一种获取血流储备分数的装置,包括计算机存储器、计算机处理器、以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序,其特征在于,所述计算机处理器执行所述计算机程序时,执行以下步骤:
步骤S1,获取与冠状动脉血管相关的影像数据,通过对影像数据的处理构建相应的三维血管模型;
其中与冠状动脉血管相关的影像数据包括:腔内影像数据(IVUS/OCT)以及血管造影影像数据(ICA);
构建三维血管模型时,包括:
对所述腔内影像数据进行影像处理,得到多个血管内壁图像以及各个血管内壁图像上的导管中心位置;
对所述血管造影影像数据进行影像处理,得到三维导管路径和三维血管模型;
根据各个所述血管内壁图像上的导管中心位置将血管内壁图像映射到所述三维导管路径上,即将各血管内壁图像等距离地沿着三维导管路径进行排列,且每一张血管内壁图像都与三维导管路径垂直,构建得到由腔内影像生成的病变段的三维血管模型;
所述映射过程为,将腔内影像的分割结果和血管造影影像得到的三维导管互相映射,将二维腔内影像上的分割特征点转化到腔内导管三维坐标系下的点坐标,并由点云直接生成病变段的三维血管模型;
将所述由腔内影像生成的病变段的三维血管模型与由血管造影影像得到三维血管模型合并生成最终的三维血管模型;
其中,对所述腔内影像进行数据处理,得到多个血管内壁图像以及各个血管内壁图像上的导管中心位置时,包括:
对获取的腔内影像数据进行筛选,得到多张处于心脏舒张末期的血管图像;
对多张所述血管图像进行血管分割,得到多张血管内壁图像;
对多张所述血管内壁图像提取导管中心位置;
其中,对所述血管图像进行血管分割前还包括:对所述血管图像进行图像校准;所述图像校准包括:导管校准以及距离校准;
步骤S2,根据所述最终的三维血管模型以及流体动力学方法计算血液流动方程,以获得三维血管模型所表达区域的冠状动脉的血液动力学参数分布;
步骤S3,根据步骤S2获取的血液动力学参数,计算得到所述血流储备分数。
2.根据权利要求1所述的获取血流储备分数的装置,其特征在于,所述血管造影影像数据包括两个投影角度大于或等于25度的血管造影影像;对所述血管造影影像数据进行图像处理,得到三维导管路径时,包括:
对两个所述血管造影影像进行筛选,分别得到处于心脏舒张末期的两张血管造影图像;
在两张所述血管造影图像中分别选取具有对应关系的两条血管作为二维目标血管,并基于各所述二维目标血管分别生成二维导管路径和二维血管分割图像;
根据两条所述二维导管路径生成三维导管路径;
根据两幅所述二维血管分割图像生成所述三维血管模型。
3.根据权利要求2所述的获取血流储备分数的装置,其特征在于,在两张所述血管造影图像中分别选取具有对应关系的两条血管作为二维目标血管之前还包括:
对所述血管造影图像进行图像校正;
所述图像校正包括:极线匹配以及投影校正。
4.一种基于腔内影像计算血流储备分数的***,包括终端以及服务器,所述服务器包括计算机存储器、计算机处理器、以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序,其特征在于,所述服务器从终端获取相关数据并在执行所述计算机程序时,实现一种基于腔内影像计算血流储备分数的方法,以及按需生成相应的血流储备分数报告,所述方法包括:
步骤S1,获取与冠状动脉血管相关的影像数据,通过对影像数据的处理构建相应的三维血管模型;
其中与冠状动脉血管相关的影像数据包括:腔内影像数据(IVUS/OCT)以及血管造影影像数据(ICA);
构建三维血管模型时,包括:
对所述腔内影像数据进行影像处理,得到多个血管内壁图像以及各个血管内壁图像上的导管中心位置;
对所述血管造影影像数据进行影像处理,得到三维导管路径和三维血管模型;
根据各个所述血管内壁图像上的导管中心位置将血管内壁图像映射到所述三维导管路径上,即将各血管内壁图像等距离地沿着三维导管路径进行排列,且每一张血管内壁图像都与三维导管路径垂直,构建得到由腔内影像生成的病变段的三维血管模型;
所述映射过程为,将腔内影像的分割结果和血管造影影像得到的三维导管互相映射,将二维腔内影像上的分割特征点转化到腔内导管三维坐标系下的点坐标,并由点云直接生成病变段的三维血管模型;
将所述由腔内影像生成的病变段的三维血管模型与由血管造影影像得到三维血管模型合并生成最终的三维血管模型;
其中,对所述腔内影像进行数据处理,得到多个血管内壁图像以及各个血管内壁图像上的导管中心位置时,包括:
对获取的腔内影像数据进行筛选,得到多张处于心脏舒张末期的血管图像;
对多张所述血管图像进行血管分割,得到多张血管内壁图像;
对多张所述血管内壁图像提取导管中心位置;
其中,对所述血管图像进行血管分割前还包括:对所述血管图像进行图像校准;所述图像校准包括:导管校准以及距离校准;
步骤S2,根据所述最终的三维血管模型以及流体动力学方法计算血液流动方程,以获得三维血管模型所表达区域的冠状动脉的血液动力学参数分布;
步骤S3,根据步骤S2获取的血液动力学参数,计算得到所述血流储备分数。
5.根据权利要求4所述的基于腔内影像计算血流储备分数的***,其特征在于,所述血管造影影像数据包括两个投影角度大于或等于25度的血管造影影像;对所述血管造影影像数据进行图像处理,得到三维导管路径时,包括:
对两个所述血管造影影像进行筛选,分别得到处于心脏舒张末期的两张血管造影图像;
在两张所述血管造影图像中分别选取具有对应关系的两条血管作为二维目标血管,并基于各所述二维目标血管分别生成二维导管路径和二维血管分割图像;
根据两条所述二维导管路径生成三维导管路径;
根据两幅所述二维血管分割图像生成所述三维血管模型。
6.根据权利要求5所述的基于腔内影像计算血流储备分数的***,其特征在于,在两张所述血管造影图像中分别选取具有对应关系的两条血管作为二维目标血管之前还包括:
对所述血管造影图像进行图像校正;
所述图像校正包括:极线匹配以及投影校正。
7.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被计算机处理器执行以下步骤:
步骤S1,获取与冠状动脉血管相关的影像数据,通过对影像数据的处理构建相应的三维血管模型;
其中与冠状动脉血管相关的影像数据包括:腔内影像数据(IVUS/OCT)以及血管造影影像数据(ICA);
构建三维血管模型时,包括:
对所述腔内影像数据进行影像处理,得到多个血管内壁图像以及各个血管内壁图像上的导管中心位置;
对所述血管造影影像数据进行影像处理,得到三维导管路径和三维血管模型;
根据各个所述血管内壁图像上的导管中心位置将血管内壁图像映射到所述三维导管路径上,即将各血管内壁图像等距离地沿着三维导管路径进行排列,且每一张血管内壁图像都与三维导管路径垂直,构建得到由腔内影像生成的病变段的三维血管模型;
所述映射过程为,将腔内影像的分割结果和血管造影影像得到的三维导管互相映射,将二维腔内影像上的分割特征点转化到腔内导管三维坐标系下的点坐标,并由点云直接生成病变段的三维血管模型;
将所述由腔内影像生成的病变段的三维血管模型与由血管造影影像得到三维血管模型合并生成最终的三维血管模型;
其中,对所述腔内影像进行数据处理,得到多个血管内壁图像以及各个血管内壁图像上的导管中心位置时,包括:
对获取的腔内影像数据进行筛选,得到多张处于心脏舒张末期的血管图像;
对多张所述血管图像进行血管分割,得到多张血管内壁图像;
对多张所述血管内壁图像提取导管中心位置;
其中,对所述血管图像进行血管分割前还包括:对所述血管图像进行图像校准;所述图像校准包括:导管校准以及距离校准;
步骤S2,根据所述最终的三维血管模型以及流体动力学方法计算血液流动方程,以获得三维血管模型所表达区域的冠状动脉的血液动力学参数分布;
步骤S3,根据步骤S2获取的血液动力学参数,计算得到血流储备分数。
8.根据权利要求7所述的计算机可读存储介质,其特征在于,所述血管造影影像数据包括两个投影角度大于或等于25度的血管造影影像;对所述血管造影影像数据进行图像处理,得到三维导管路径时,包括:
对两个所述血管造影影像进行筛选,分别得到处于心脏舒张末期的两张血管造影图像;
在两张所述血管造影图像中分别选取具有对应关系的两条血管作为二维目标血管,并基于各所述二维目标血管分别生成二维导管路径和二维血管分割图像;
根据两条所述二维导管路径生成三维导管路径;
根据两幅所述二维血管分割图像生成所述三维血管模型。
9.根据权利要求8所述的计算机可读存储介质,其特征在于,在两张所述血管造影图像中分别选取具有对应关系的两条血管作为二维目标血管之前还包括:
对所述血管造影图像进行图像校正;
所述图像校正包括:极线匹配以及投影校正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911252811.XA CN111134651B (zh) | 2019-12-09 | 2019-12-09 | 基于腔内影像计算血流储备分数的方法、装置、***以及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911252811.XA CN111134651B (zh) | 2019-12-09 | 2019-12-09 | 基于腔内影像计算血流储备分数的方法、装置、***以及计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111134651A CN111134651A (zh) | 2020-05-12 |
CN111134651B true CN111134651B (zh) | 2022-03-08 |
Family
ID=70517854
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911252811.XA Active CN111134651B (zh) | 2019-12-09 | 2019-12-09 | 基于腔内影像计算血流储备分数的方法、装置、***以及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111134651B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111754506B (zh) * | 2020-07-01 | 2024-02-06 | 杭州脉流科技有限公司 | 基于腔内影像的冠脉狭窄率计算方法、装置、***和计算机存储介质 |
CN112365472A (zh) * | 2020-11-12 | 2021-02-12 | 中科麦迪人工智能研究院(苏州)有限公司 | 血管寻径方法、装置、电子设备和存储介质 |
CN112711831B (zh) * | 2020-12-07 | 2022-10-28 | 上海联影医疗科技股份有限公司 | 血管仿真分析方法、设备、装置、计算机设备和存储介质 |
CN112535466A (zh) * | 2020-12-16 | 2021-03-23 | 成都全景恒升科技有限公司 | 一种基于血管影像的血流储备分数计算方法 |
CN112950537A (zh) * | 2021-01-26 | 2021-06-11 | 上海友脉科技有限责任公司 | 一种冠脉血流储备分数获取***、方法及介质 |
CN113180631A (zh) * | 2021-04-29 | 2021-07-30 | 博动医学影像科技(上海)有限公司 | 基于血管内成像的血流速度、血流储备分数的分析方法 |
CN113520363B (zh) * | 2021-06-25 | 2023-08-25 | 安影科技(北京)有限公司 | 一种下丘脑及垂体的血流灌注获取方法及*** |
CN113616160B (zh) * | 2021-09-14 | 2024-02-06 | 苏州博动戎影医疗科技有限公司 | 基于多模态医学影像的ffr确定方法、装置、设备及介质 |
WO2023115576A1 (zh) * | 2021-12-24 | 2023-06-29 | 北京阅影科技有限公司 | 血管信息的处理方法及其装置、计算机可读存储介质 |
CN114332001A (zh) * | 2021-12-24 | 2022-04-12 | 北京阅影科技有限公司 | 血管信息的处理方法及其装置、计算机可读存储介质 |
CN115040100B (zh) * | 2022-06-14 | 2023-10-27 | 安影科技(北京)有限公司 | 一种视神经血流灌注数值快速采集方法 |
CN116035549A (zh) * | 2022-11-23 | 2023-05-02 | 杭州脉流科技有限公司 | 获得冠脉血流储备分数的方法和计算机设备 |
CN116205917B (zh) * | 2023-04-28 | 2023-08-11 | 杭州脉流科技有限公司 | 获取冠脉血流储备的方法、装置、计算机设备和存储介质 |
CN117649350B (zh) * | 2024-01-29 | 2024-05-03 | 天津恒宇医疗科技有限公司 | 一种血管内图像和造影图像的融合方法、装置和设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101763642A (zh) * | 2009-12-31 | 2010-06-30 | 华中科技大学 | 一种用于冠脉造影三维重建的匹配方法 |
CN104966288A (zh) * | 2015-06-11 | 2015-10-07 | 南京沃福曼医疗科技有限公司 | 一种基于图像处理的血管内壁自动寻找方法 |
CN105096388A (zh) * | 2014-04-23 | 2015-11-25 | 北京冠生云医疗技术有限公司 | 基于计算流体力学的冠状动脉血流仿真***和方法 |
CN107492145A (zh) * | 2016-12-23 | 2017-12-19 | 哈尔滨医科大学附属第二医院 | 一种空间真实姿态的内窥三维重建技术 |
CN107730540A (zh) * | 2017-10-09 | 2018-02-23 | 全景恒升(北京)科学技术有限公司 | 基于高精度匹配模型的冠脉参数的计算方法 |
CN108335284A (zh) * | 2018-01-09 | 2018-07-27 | 北京理工大学 | 一种冠脉血管中心线匹配方法和*** |
CN108735270A (zh) * | 2018-05-25 | 2018-11-02 | 杭州脉流科技有限公司 | 基于降维模型的血流储备分数获取方法、装置、***和计算机存储介质 |
EP3456243A1 (en) * | 2017-09-14 | 2019-03-20 | Koninklijke Philips N.V. | Improved vessel geometry and additional boundary conditions for hemodynamic ffr/ifr simulations from intravascular imaging |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100571637C (zh) * | 2008-05-28 | 2009-12-23 | 华中科技大学 | 动态模型指导下的血管造影三维重建方法 |
US10251708B2 (en) * | 2017-04-26 | 2019-04-09 | International Business Machines Corporation | Intravascular catheter for modeling blood vessels |
CN108186038B (zh) * | 2018-02-11 | 2020-11-17 | 杭州脉流科技有限公司 | 基于动脉造影影像计算冠脉血流储备分数的*** |
CN108511075B (zh) * | 2018-03-29 | 2022-10-25 | 杭州脉流科技有限公司 | 一种非侵入式获取血流储备分数的方法和*** |
-
2019
- 2019-12-09 CN CN201911252811.XA patent/CN111134651B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101763642A (zh) * | 2009-12-31 | 2010-06-30 | 华中科技大学 | 一种用于冠脉造影三维重建的匹配方法 |
CN105096388A (zh) * | 2014-04-23 | 2015-11-25 | 北京冠生云医疗技术有限公司 | 基于计算流体力学的冠状动脉血流仿真***和方法 |
CN104966288A (zh) * | 2015-06-11 | 2015-10-07 | 南京沃福曼医疗科技有限公司 | 一种基于图像处理的血管内壁自动寻找方法 |
CN107492145A (zh) * | 2016-12-23 | 2017-12-19 | 哈尔滨医科大学附属第二医院 | 一种空间真实姿态的内窥三维重建技术 |
EP3456243A1 (en) * | 2017-09-14 | 2019-03-20 | Koninklijke Philips N.V. | Improved vessel geometry and additional boundary conditions for hemodynamic ffr/ifr simulations from intravascular imaging |
CN107730540A (zh) * | 2017-10-09 | 2018-02-23 | 全景恒升(北京)科学技术有限公司 | 基于高精度匹配模型的冠脉参数的计算方法 |
CN108335284A (zh) * | 2018-01-09 | 2018-07-27 | 北京理工大学 | 一种冠脉血管中心线匹配方法和*** |
CN108735270A (zh) * | 2018-05-25 | 2018-11-02 | 杭州脉流科技有限公司 | 基于降维模型的血流储备分数获取方法、装置、***和计算机存储介质 |
Non-Patent Citations (1)
Title |
---|
Coronary fractional flow reserve derived from intravascular ultrasound imaging: Validation of a new computational method of fusion between anatomy and physiology;Bezerra Cristiano G;《Catheterization and Cardiovascular Interventions》;20190201;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111134651A (zh) | 2020-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111134651B (zh) | 基于腔内影像计算血流储备分数的方法、装置、***以及计算机存储介质 | |
JP6792768B2 (ja) | 血流予備量比の計算方法およびシステム | |
JP6553099B2 (ja) | 血流予備量比値を算出するための機器 | |
CN108511075B (zh) | 一种非侵入式获取血流储备分数的方法和*** | |
CN106999052B (zh) | 交互式心脏测试数据和相关联的设备、***和方法 | |
JP7118464B2 (ja) | 血管圧差を取得する方法及び装置 | |
EP2633815B1 (en) | Fractional flow reserve estimation | |
RU2695262C2 (ru) | Оценка стеноза | |
CN107730540A (zh) | 基于高精度匹配模型的冠脉参数的计算方法 | |
CN108742587B (zh) | 基于病史信息获取血流特征值的方法及装置 | |
CN108717874B (zh) | 基于特定的生理参数获取血管压力值的方法及装置 | |
CN112384136A (zh) | 基于造影图像获取血管评定参数的方法、装置及*** | |
US20190076196A1 (en) | Vessel geometry and additional boundary conditions for hemodynamic ffr/ifr simulations from intravascular imaging | |
CN109688908A (zh) | 用于确定血流储备分数的装置和方法 | |
CN114052764A (zh) | 获取血流储备分数的方法、装置、***和计算机存储介质 | |
KR101530352B1 (ko) | 물질특성에 기반한 전산유체역학 모델링 및 분석 방법 | |
CN112384138B (zh) | 获取心表大动脉的血流量的方法、装置、***及存储介质 | |
CN117915824A (zh) | 使用血管外图像识别血管特质的***和方法 | |
US10332255B2 (en) | Method for assessing stenosis severity in a lesion tree through stenosis mapping | |
US20220262000A1 (en) | Vessel registration using functional information | |
CN114664455A (zh) | 一种冠状动脉血流储备分数计算方法及装置 | |
CN111325827A (zh) | 一种冠状动脉体外模型实验方法和*** | |
EP3382583A1 (en) | Hemodynamic simulation of movement inducted vascular deformations | |
CN115272447B (zh) | 基于多模态影像的血流储备分数计算方法、装置及设备 | |
EP4381460A1 (en) | Coronary artery narrowing detection based on patient imaging and 3d deep learning |
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 |