CN111297388B - 一种血流储备分数测量装置 - Google Patents
一种血流储备分数测量装置 Download PDFInfo
- Publication number
- CN111297388B CN111297388B CN202010260601.1A CN202010260601A CN111297388B CN 111297388 B CN111297388 B CN 111297388B CN 202010260601 A CN202010260601 A CN 202010260601A CN 111297388 B CN111297388 B CN 111297388B
- Authority
- CN
- China
- Prior art keywords
- network
- flow reserve
- layer
- discrimination
- fractional flow
- 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
- 239000013598 vector Substances 0.000 claims abstract description 142
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 115
- 230000017531 blood circulation Effects 0.000 claims abstract description 74
- 210000004351 coronary vessel Anatomy 0.000 claims abstract description 39
- 238000013528 artificial neural network Methods 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims description 83
- 238000004364 calculation method Methods 0.000 claims description 79
- 210000002569 neuron Anatomy 0.000 claims description 78
- 208000031481 Pathologic Constriction Diseases 0.000 claims description 41
- 208000037804 stenosis Diseases 0.000 claims description 41
- 230000036262 stenosis Effects 0.000 claims description 41
- 238000005259 measurement Methods 0.000 claims description 37
- 238000000034 method Methods 0.000 claims description 31
- 230000002792 vascular Effects 0.000 claims description 17
- 238000001514 detection method Methods 0.000 claims description 12
- 238000002591 computed tomography Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 230000009467 reduction Effects 0.000 claims description 10
- 238000011144 upstream manufacturing Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 description 30
- 238000012360 testing method Methods 0.000 description 24
- 238000000691 measurement method Methods 0.000 description 10
- 201000000057 Coronary Stenosis Diseases 0.000 description 9
- 230000004913 activation Effects 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000010968 computed tomography angiography Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000003902 lesion Effects 0.000 description 5
- 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 4
- 238000004590 computer program Methods 0.000 description 4
- 229940124549 vasodilator Drugs 0.000 description 4
- 239000003071 vasodilator agent Substances 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000002586 coronary angiography Methods 0.000 description 3
- 230000000004 hemodynamic effect Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000002966 stenotic effect Effects 0.000 description 3
- 239000002126 C01EB10 - Adenosine Substances 0.000 description 2
- 229960005305 adenosine Drugs 0.000 description 2
- 230000008485 antagonism Effects 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 208000029078 coronary artery disease Diseases 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000000544 hyperemic effect Effects 0.000 description 2
- 230000004089 microcirculation Effects 0.000 description 2
- 208000031225 myocardial ischemia Diseases 0.000 description 2
- XQYZDYMELSJDRZ-UHFFFAOYSA-N papaverine Chemical compound C1=C(OC)C(OC)=CC=C1CC1=NC=CC2=CC(OC)=C(OC)C=C12 XQYZDYMELSJDRZ-UHFFFAOYSA-N 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 229930008281 A03AD01 - Papaverine Natural products 0.000 description 1
- ZKHQWZAMYRWXGA-KQYNXXCUSA-N Adenosine triphosphate Chemical compound C1=NC=2C(N)=NC=NC=2N1[C@@H]1O[C@H](COP(O)(=O)OP(O)(=O)OP(O)(O)=O)[C@@H](O)[C@H]1O ZKHQWZAMYRWXGA-KQYNXXCUSA-N 0.000 description 1
- ZKHQWZAMYRWXGA-UHFFFAOYSA-N Adenosine triphosphate Natural products C1=NC=2C(N)=NC=NC=2N1C1OC(COP(O)(=O)OP(O)(=O)OP(O)(O)=O)C(O)C1O ZKHQWZAMYRWXGA-UHFFFAOYSA-N 0.000 description 1
- 206010011089 Coronary artery stenosis Diseases 0.000 description 1
- 101000666730 Homo sapiens T-complex protein 1 subunit alpha Proteins 0.000 description 1
- 206010020565 Hyperaemia Diseases 0.000 description 1
- 206010020751 Hypersensitivity Diseases 0.000 description 1
- 102100038410 T-complex protein 1 subunit alpha Human genes 0.000 description 1
- 208000026935 allergic disease Diseases 0.000 description 1
- 230000007815 allergy Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000004872 arterial blood pressure Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000030214 innervation Effects 0.000 description 1
- 238000001361 intraarterial administration Methods 0.000 description 1
- 238000002608 intravascular ultrasound Methods 0.000 description 1
- 238000001990 intravenous administration Methods 0.000 description 1
- 238000010253 intravenous injection Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000002107 myocardial effect Effects 0.000 description 1
- 210000004165 myocardium Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 229960001789 papaverine Drugs 0.000 description 1
- 230000010412 perfusion Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect 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
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/504—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of blood vessels, e.g. by angiography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/507—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for determination of haemodynamic parameters, e.g. perfusion CT
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Radiology & Medical Imaging (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- High Energy & Nuclear Physics (AREA)
- Veterinary Medicine (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Pulmonology (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Vascular Medicine (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明揭示了一种血流储备分数测量装置,包括:通过人工神经网络,建立冠状动脉的血管特征向量和血流储备分数之间对应关系的对应关系;其中,所述人工神经网络包括第一生成网络,第二生成网络,第一判别网络,以及第二判别网络;具体地,将第一生成网络和第一判别网络通过样本数据训练获得第二生成网络的网络参数,将第二生成网络和第二别网络通过所述样本数据训练,获得所述对应关系;其中,所述样本数据为所述血管特征向量和所述血流储备分数;获取患者当前血管特征向量;通过所述对应关系,确定与所述当前血管特征向量对应的当前血流储备分数。能准确的预测血流储备分数,应用范围广。
Description
技术领域
本发明涉及到医学检测领域,特别是涉及到一种血流储备分数测量装置。
背景技术
冠状动脉造影及血管内超声均被认为是诊断冠心病的“金标准”,但它们只能对病变狭窄程度进行影像学评价,而狭窄到底对远端血流产生了多大影响却不得而知;血流储备分数(FFR)现已经成为冠脉狭窄功能性评价的公认指标,其最重要的功能是对一个未知影响的冠脉狭窄的功能后果进行准确评价。
血流储备分数(FFR)是指在冠状动脉存在狭窄病变的情况下,目标测量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。FFR主要通过计算冠状动脉狭窄远端压力与主动脉根部压力之比来获得。狭窄远端压力可以通过压力导丝在最大灌注血流(通过冠脉内或静脉内注射罂粟碱或腺苷或ATP)时测得。
FFR=Pd/Pa(Pd为指引导管测量的冠脉狭窄远端压力,Pa为压力导丝测量的主动脉压)一般来说,FFR是指最大充血状态下,不存在“静息FFR”这个概念。
正常的心外膜冠状动脉对血流的阻力很小,FFR的正常值为1.0;FFR的值将小于1.0时即表明当前心外膜冠脉有狭窄病变的存在。
FFR<0.75的情况时,所代表的狭窄情况几乎都会导致心肌缺血,FFR≥0.75的情况时,所代表的狭窄则造成心肌缺血的可能性非常小。
冠脉CTA能准确评估冠脉狭窄程度,且能辨别管壁斑块性质,是一种无创、操作简单的诊断冠状动脉病变检查方法,可作为筛查高危人群的首选方法。因此,如果对于冠心病患者的血管进行干预,前期应该对患者冠脉进行CTA的评价。冠状动脉慢性完全闭塞病变(CTO)如果采用CTA进行评价,评价结果肯定有一些有价值的信息。
通过冠状动脉CT血管造影CCTA计算无创获得的FFR(CTFFR)不仅无需额外影像检查或药物,与造影时测定的FFR相关性良好,这种一体化技术能从根本上避免不必要的冠脉血管造影与血运重建治疗。DeFacto试验结果也清楚地表明,在冠状动脉CT中,CTFFR结果的分析提供了那些真正限制血流及增加病人危险性的病变的生理信息。CTFFR结合了冠脉CTA和FFR的优势,可以从结构和功能两方面来评估冠状动脉狭窄,成为一种提供冠脉病变解剖学和功能学信息的崭新无创性检测体系。
但现有的检测体系对血流储存分数测量体系一般都包含以下缺点:有创FFR技术的缺点:有手术风险,使用血管扩张剂具有一定毒性,且有可能引起患者过敏,价格昂贵。
基于血流动力学仿真的无创FFR技术的缺点:计算量大,需要高性能计算机;耗时长,无法做到实时要求。
发明内容
鉴于所述问题,提出了本申请以便提供克服所述问题或者至少部分地解决所述问题的血流储备分数测量方法及装置,包括:
一种血流储备分数测量方法,包括如下步骤:
通过人工神经网络,建立冠状动脉的血管特征向量和血流储备分数之间对应关系的对应关系;其中,所述人工神经网络包括第一生成网络,第二生成网络,第一判别网络,以及第二判别网络;具体地,将第一生成网络和第一判别网络通过样本数据训练获得第二生成网络的网络参数,将第二生成网络和第二别网络通过所述样本数据训练,获得所述对应关系;其中,所述样本数据为所述血管特征向量和所述血流储备分数;
获取患者当前血管特征向量,具体地,根据患者的冠状动脉计算机断层扫描图像,获取所述当前血管特征向量;
通过所述对应关系,确定与所述当前血管特征向量对应的当前血流储备分数。
进一步地,所述血管特征向量包括:
血管局部几何特征,具体为:血管每个横截面的半径;
血管上游和下游几何特征,具体为:狭窄近端半径、狭窄入口长度、最小半径区域长度、狭窄出口长度、半径减小比率:
式中,rr表示半径减小比率;rs表示狭窄的最小半径;rp表示接近狭窄的节段的正常半径;rd表示狭窄远端的正常半径。
进一步地,所述将第一生成网络和第一判别网络通过样本数据训练获得第二生成网络的网络参数,将第二生成网络和第二别网络通过所述样本数据训练,获得所述对应关系;其中,所述样本数据为所述血管特征向量和所述血流储备分数的步骤,包括:
对所述第一生成网络和第一判别网络通过最大化判别网络的差别能力和最小化生成网络的分布损失函数来独立进行迭代训练,至所述第一生成网络生成的血流储备分数在所述第一判别网络中的判别输出概率值接近0.5;
依据所述第一判别网络中的前三层网络层的人工神经元参数甚至所述第二生成网络的前三层网络层的人工神经元参数;
对所述第二生成网络和第二判别网络通过最大化判别网络的差别能力和最小化生成网络的分布损失函数来独立进行迭代训练,至所述第二生成网络生成的血流储备分数在所述第二判别网络中的判别输出概率值接近0.5。
进一步地,所述第一生成网络包括:第一输入层、第一反卷积层G1、第二反卷积层G1、第三反卷积层G1、第四反卷积层G1以及第一输出层,其中,所述第一输入层的人工神经元数量与样本数据中的血管特征向量数量相同,第一反卷积层G1的人工神经元数量为512,第二反卷积层G1的人工神经元数量为256,第三反卷积层G1的人工神经元数量为128,第四反卷积层G1的人工神经元数量为64,第一输出层的人工神经元数量为1。
进一步地,所述第一判别网络包括:第二输入层、第一卷积层D1、第二卷积层D1、第三卷积层D1、第四卷积层D1以及第二输出层,其中,所述第二输入层的人工神经元数量与所述第一生成网络通过样本数据生成的所述血流储备分数的总数相同,所述第一卷积层D1的人工神经元数量为32,所述第二卷积层D1的人工神经元数量为64,所述第三卷积层D1的人工神经元数量为256,所述第四卷积层D1的人工神经元数量为512,所述第二输出层的人工神经元数量为1。
进一步地,所述第二生成网络包括:第三输入层、第一反卷积层G2、第二反卷积层G2、第三反卷积层G2、第四反卷积层G2、第五反卷积层G2以及第三输出层,其中,所述第三输入层的人工神经元数量与样本数据中的血管特征向量数量相同,所述第一反卷积层G2的人工神经元数量为32,所述第二反卷积层G2的人工神经元数量为64,所述第三反卷积层G2的人工神经元数量为256,所述第四反卷积层G2的人工神经元数量为64,所述第五反卷积层G2的人工神经元数量为32,所述第三输出层的人工神经元数量为1。
进一步地,所述第二判别网络包括:第四输入层、第一卷积层D2、第二卷积层D2、第三卷积层D2、第四卷积层D2以及第四输出层,其中,所述第四输入层的人工神经元数量与所述第二生成网络通过样本数据生成的所述血流储备分数以及样本数据对应的实际血流储备分数的总数相同,所述第一卷积层D2的人工神经元数量为32,所述第二卷积层D2的人工神经元数量为64,所述第三卷积层D2的人工神经元数量为256,所述第四卷积层D2的人工神经元数量为512,所述第四输出层的人工神经元数量为1。
进一步地,所述第一判别网络或所述第二判别网络的迭代训练步骤,包括:
将由血管特征向量计算得出的血流储备分数计算值设为假样本集,并将假样本集的所有类标签设为0;
将通过有创检测得出的血流储备分数有创测量值设为真样本集,并将真样本集的所有类标签设为1;
输入血管特征向量和血流储备分数有创测量值,通过比较判别网络输出的值与1的直接差值调整权重,使判别网络输出的值接近1。
进一步地,所述第一判别网络或所述第二判别网络的迭代训练步骤,包括:
将由血管特征向量计算得出的血流储备分数计算值设为假样本集,并将假样本集的所有类标签设为0;
将通过有创检测得出的血流储备分数有创测量值设为真样本集,并将真样本集的所有类标签设为1;
输入血管特征向量和血流储备分数计算值,比较判别网络输出的值与0的直接差值调整权重,使判别网络输出的值接近1。
进一步地,所述第一生成网络以及所述第二生成网络的迭代训练步骤,包括:
固定所述判别网络的计算参数;
输入血管特征向量并进行初始计算得到初始血流储备分数计算值,将所述初始血流储备分数计算值的标签设为1;
通过比较所述生成网络输出的血流储备分数计算值与血流储备分数有创测量值之间的差值调整权重,使所述生成网络输出的血流储备分数计算值接近血流储备分数有创测量值。
进一步地,所述第一生成网络以及所述第二生成网络的迭代训练步骤,包括:
固定所述判别网络的计算参数;
输入血管特征向量并进行初始计算得到初始血流储备分数计算值,将所述初始血流储备分数计算值的标签设为1;
将血管特征向量和所述生成网络输出的血流储备分数计算值输入到判别网络中,根据判别网络输出的值与1的直接差值对生成网络的权重进行调整,使所述生成网络的输出的血流储备分数计算值在所述判别网络的判别结果接近1。
一种血流储备分数测量装置,包括:
建立模块,用于通过人工神经网络,建立冠状动脉的血管特征向量和血流储备分数之间对应关系的对应关系;其中,所述人工神经网络包括第一生成网络,第二生成网络,第一判别网络,以及第二判别网络;具体地,将第一生成网络和第一判别网络通过样本数据训练获得第二生成网络的网络参数,将第二生成网络和第二别网络通过所述样本数据训练,获得所述对应关系;其中,所述样本数据为所述血管特征向量和所述血流储备分数;
获取模块,用于获取患者当前血管特征向量,具体地,根据患者的冠状动脉计算机断层扫描图像,获取所述当前血管特征向量;
测量模块,用于通过所述对应关系,确定与所述当前血管特征向量对应的当前血流储备分数。
一种设备,包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如上所述的一种血流储备分数测量方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如上所述的一种血流储备分数测量方法的步骤。
本申请具有以下优点:
在本申请的实施例中,通过人工神经网络,建立冠状动脉的血管特征向量和血流储备分数之间对应关系的对应关系;其中,所述人工神经网络包括第一生成网络,第二生成网络,第一判别网络,以及第二判别网络;具体地,将第一生成网络和第一判别网络通过样本数据训练获得第二生成网络的网络参数,将第二生成网络和第二别网络通过所述样本数据训练,获得所述对应关系;其中,所述样本数据为所述血管特征向量和所述血流储备分数;获取患者当前血管特征向量,具体地,根据患者的冠状动脉计算机断层扫描图像,获取所述当前血管特征向量;通过所述对应关系,确定与所述当前血管特征向量对应的当前血流储备分数。能准确的预测血流储备分数,应用范围广,有更大的自由度,通过冠脉CT图像提取出的血管特征,生成对抗网络的生成网络(G网络)和判别网络(D网络)的训练方法,避免了手术风险,无需使用血管扩张剂,对患者更安全,相较于基于血流动力学仿真的无创FFR技术相比,本发明计算复杂度低,计算速度快,能做到实时的要求。
附图说明
为了更清楚地说明本申请的技术方案,下面将对本申请的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的一种血流储备分数测量方法的步骤流程图;
图2是本申请一实施例提供的第一生成网络的网络结构示意图;
图3是本申请一实施例提供的第一判别网络的网络结构示意图;
图4是本申请一实施例提供的第二生成网络的网络结构示意图;
图5是本申请一实施例提供的第二判别网络的网络结构示意图;
图6是本申请一实施例提供的判别网络迭代训练的流程示意图;
图7是本申请一实施例提供的生成网络迭代训练的流程示意图;
图8是本申请一实施例提供的血流储备分数测量装置的模块结构示意图;
图9是本发明一实施例提供的一种计算机设备的结构示意图。
具体实施方式
为使本申请的所述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本申请作进一步详细的说明。显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明的是,在本发明任一实施例中,级连是一种有效的结构可以用来自动关联任务,并且可以提高多任务模型的性能。对于多任务问题,级连操作将任务设计为级连模式,前面的任务传递有效的信息给后面的任务,后面的任务根据传递的有效信息进行建模。
冠状动脉的FFR(血流储备分数)被定义为狭窄冠状动脉支配区域心肌经诱发充血后最大血流量QSmax比假设不存在狭窄时该部位的最大血流量QNmax,即
式中Pd为冠脉狭窄远端的压力,Pa为主动脉压,Rs和RN为微循环阻力,PV为中心静脉压。通常情况下,PV几乎接近于零,且为定值。当使用血管舒张剂如静脉内或动脉内腺苷等药物时,可以使冠脉出现最大充血状态,也就是能够使微循环的阻力降到最低,此时可以认为Rs=RN,PV相对于Pa和Pd可疑忽略不计,即上述公式可简化为:
其中,Pd和Pa均可通过压力导丝测得。
参照图1,本发明提供了本发明提出一种血流储备分数测量方法,包括如下步骤:
S110、通过人工神经网络,建立冠状动脉的血管特征向量和血流储备分数之间对应关系的对应关系;其中,所述人工神经网络包括第一生成网络,第二生成网络,第一判别网络,以及第二判别网络;具体地,将第一生成网络和第一判别网络通过样本数据训练获得第二生成网络的网络参数,将第二生成网络和第二别网络通过所述样本数据训练,获得所述对应关系;其中,所述样本数据为所述血管特征向量和所述血流储备分数;
S120、获取患者当前血管特征向量,具体地,根据患者的冠状动脉计算机断层扫描图像,获取所述当前血管特征向量;
S130、通过所述对应关系,确定与所述当前血管特征向量对应的当前血流储备分数。
在本申请的实施例中,通过人工神经网络,建立冠状动脉的血管特征向量和血流储备分数之间对应关系的对应关系;其中,所述人工神经网络包括第一生成网络,第二生成网络,第一判别网络,以及第二判别网络;具体地,将第一生成网络和第一判别网络通过样本数据训练获得第二生成网络的网络参数,将第二生成网络和第二别网络通过所述样本数据训练,获得所述对应关系;其中,所述样本数据为所述血管特征向量和所述血流储备分数;获取患者当前血管特征向量,具体地,根据患者的冠状动脉计算机断层扫描图像,获取所述当前血管特征向量;通过所述对应关系,确定与所述当前血管特征向量对应的当前血流储备分数。能准确的预测血流储备分数,应用范围广,有更大的自由度,通过冠脉CT图像提取出的血管特征,生成对抗网络的生成网络(G网络)和判别网络(D网络)的训练方法,避免了手术风险,无需使用血管扩张剂,对患者更安全,相较于基于血流动力学仿真的无创FFR技术相比,本发明计算复杂度低,计算速度快,能做到实时的要求。
下面,将对本示例性实施例中血流储备分数测量方法作进一步地说明。
如上述步骤S110所述,通过人工神经网络,建立冠状动脉的血管特征向量和血流储备分数之间对应关系的对应关系;其中,所述人工神经网络包括第一生成网络,第二生成网络,第一判别网络,以及第二判别网络;具体地,将第一生成网络和第一判别网络通过样本数据训练获得第二生成网络的网络参数,将第二生成网络和第二别网络通过所述样本数据训练,获得所述对应关系;其中,所述样本数据为所述血管特征向量和所述血流储备分数。
例如:利用人工神经网络算法来分析血流储备分数对应的血管特征向量的状态规律,通过人工神经网络的自学习、自适应特性找到患者血流储备分数对应的血管特征向量间的映射规律。
例如:可以利用人工神经网络算法,通过对大量不同志愿者(包括但不限于如下的一种或多种:年龄,体重,性别,病况等)的血管特征向量汇总收集,选取若干志愿者的血流储备分数对应的血管特征向量作为样本数据,对神经网络进行学习和训练,通过调整网络结构及网络节点间的权值,使神经网络拟合血流储备分数对应的血管特征向量之间的关系,最终使神经网络能准确拟合出不同患者的血流储备分数对应的血管特征向量的对应关系。
需要说明的是,所述血管特征向量一般通过目标指定区域中多项特征值整合得出,其中,所述目标指定区域可以为冠状动脉,但不仅限于冠状动脉,目标指定区域可根据测试目的的更改而进行对应的改变;所述血流储备分数为与在所述血管特征向量对应的通过有创方式测量得出的血流储备分数测量值。
在一实施例中,所述血管特征向量包括:
血管局部几何特征,具体为:血管每个横截面的半径;
血管上游和下游几何特征,具体为:狭窄近端半径、狭窄入口长度、最小半径区域长度、狭窄出口长度、半径减小比率:
式中,rr表示半径减小比率;rs表示狭窄的最小半径;rp表示接近狭窄的节段的正常半径;rd表示狭窄远端的正常半径。
具体地,首先,通过自动检测算法识别出上游和下游的狭窄区域(包括具有大于10%的半径缩小程度的所有狭窄)。然后,基于半径减小的程度对狭窄进行排序。最后,选出沿着主分支路径的下游的最重要的四个狭窄上游和最重要的四个下游狭窄,对于这些狭窄中的每一个狭窄,提取的特征为:1)狭窄近端半径,即狭窄最小半径和狭窄远端半径;2)狭窄入口长度,即沿着狭窄开始和具有最小半径的节段的开始之间的中心线的长度;3)最小半径区域长度,即沿着具有最小半径的节段开始和结束之间的中心线的长度;4)狭窄出口长度,即沿着具有最小半径的节段的末端和狭窄的末端之间的中心线的长度;5)半径减小比率:上述所有特征值合并起来构成一个特征向量。
在一实施例中,所述对应关系,包括:函数关系。
优选地,所述冠状动脉的血管特征向量为所述函数关系的输入参数,所述血流储备分数为所述函数关系的输出参数;
确定与所述当前血管特征向量对应的当前血流储备分数,还包括:
当所述对应关系包括函数关系时,将所述当前血管特征向量输入所述函数关系中,确定所述函数关系的输出参数为当前血流储备分数。
由此,通过多种形式的对应关系,可以提升对当前血流储备分数确定的灵活性和便捷性。
参照图2-5,作为一种示例,所述网络结构为CGAN网络结构,包含第一生成网络、第二生成网络、第一判别网络以及第二判别网络,其中,第一生成网络、第二生成网络、第一判别网络以及第二判别网络分别由深度卷积神经网络构成。
参照图2,在一实施例中,所述第一生成网络包括:第一输入层、第一反卷积层G1、第二反卷积层G1、第三反卷积层G1、第四反卷积层G1以及第一输出层,其中,所述第一输入层的人工神经元数量与样本数据中的血管特征向量数量相同,第一反卷积层G1的人工神经元数量为512,第二反卷积层G1的人工神经元数量为256,第三反卷积层G1的人工神经元数量为128,第四反卷积层G1的人工神经元数量为64,第一输出层的人工神经元数量为1,输出得到的值为初始计算得血流储备分数值,作为第一判别网络的输入。
参照图3,在一实施例中,所述第一判别网络包括:第二输入层、第一卷积层D1、第二卷积层D1、第三卷积层D1、第四卷积层D1以及第二输出层,其中,所述第二输入层的人工神经元数量与所述第一生成网络通过样本数据生成的所述血流储备分数的总数相同,所述第一卷积层D1的人工神经元数量为32,所述第二卷积层D1的人工神经元数量为64,所述第三卷积层D1的人工神经元数量为256,所述第四卷积层D1的人工神经元数量为512,所述第二输出层的人工神经元数量为1,其中,输出层含有线性激活函数的单个节点,该激活函数为Sigmoid函数,得到的值为对输入的判断概率值,使用Sigmoid函数解决二元分类,并输出0到1的值。
参照图4,在一实施例中,所述第二生成网络包括:第三输入层、第一反卷积层G2、第二反卷积层G2、第三反卷积层G2、第四反卷积层G2、第五反卷积层G2以及第三输出层,其中,所述第三输入层的人工神经元数量与样本数据中的血管特征向量数量相同,所述第一反卷积层G2的人工神经元数量为32,所述第二反卷积层G2的人工神经元数量为64,所述第三反卷积层G2的人工神经元数量为256,所述第四反卷积层G2的人工神经元数量为64,所述第五反卷积层G2的人工神经元数量为32,所述第三输出层的人工神经元数量为1。
参照图5,在一实施例中,所述第二判别网络包括:第四输入层、第一卷积层D2、第二卷积层D2、第三卷积层D2、第四卷积层D2以及第四输出层,其中,所述第四输入层的人工神经元数量与所述第二生成网络通过样本数据生成的所述血流储备分数以及样本数据对应的实际血流储备分数的总数相同,所述第一卷积层D2的人工神经元数量为32,所述第二卷积层D2的人工神经元数量为64,所述第三卷积层D2的人工神经元数量为256,所述第四卷积层D2的人工神经元数量为512,所述第四输出层的人工神经元数量为1,其中,输出层含有线性激活函数的单个节点,该激活函数为Sigmoid函数,得到的值为对输入的判断概率值,使用Sigmoid函数解决二元分类,并输出0到1的值。
在一实施例中,所述将第一生成网络和第一判别网络通过样本数据训练获得第二生成网络的网络参数,将第二生成网络和第二别网络通过所述样本数据训练,获得所述对应关系;其中,所述样本数据为所述血管特征向量和所述血流储备分数的步骤,包括:
对所述第一生成网络和第一判别网络通过最大化判别网络的差别能力和最小化生成网络的分布损失函数来独立进行迭代训练,至所述第一生成网络生成的血流储备分数在所述第一判别网络中的判别输出概率值接近0.5;
需要说明的是,由于初始运行时第一判别网络对真实样本的判别概率值高,对第一生成网络生成的样本输出判别概率值低。通过互相的循环迭代学习,将输出的判别概率反馈到第一生成网络,第一生成网络不断优化网络参数,使第一判别网络无法判断真假;而第一判别网络也在不断优化网络参数,提高判断能力,让真假样本的判断概率值有差距。最终,经过多次训练迭代,直至第一生成网络生成的样本到第一判别网络的判别输出概率值接近0.5,即表示真假样本难以区分,训练完成。
依据所述第一判别网络中的前三层网络层的人工神经元参数甚至所述第二生成网络的前三层网络层的人工神经元参数;
需要说明的是,第二生成网络的前三层神经元参数由训练完成的第一判别网络传递获得,输出得到的值为初始计算得血流储备分数值,作为第二判别网络的输入。
对所述第二生成网络和第二判别网络通过最大化判别网络的差别能力和最小化生成网络的分布损失函数来独立进行迭代训练,至所述第二生成网络生成的血流储备分数在所述第二判别网络中的判别输出概率值接近0.5。
需要说明的是,由于第二生成网络的前三层神经元参数是由第一判别网络传递所得,所以初始运行时第二判别网络对第二生成网络生成的样本输出判别概率值低。通过互相的循环迭代学习,将输出的判别概率反馈到第二生成网络,第二生成网络不断优化网络参数,使第二判别网络无法判断真假;而第二判别网络也在不断优化网络参数,提高判断能力,让真假样本的判断概率值有差距。最终,经过多次训练迭代,直至第二生成网络生成的样本到第二判别网络的判别输出概率值接近0.5,即表示真假样本难以区分,训练完成。
在一实施例中,可以结合下列描述进一步说明步骤S110中“建立冠状动脉的血管特征向量和血流储备分数之间对应关系的对应关系”的具体过程。
如下列步骤所述:获取用于建立所述血管特征向量与所述血流储备分数之间的对应关系的样本数据;
在一进阶实施例中,可以结合下列描述进一步说明“获取用于建立所述冠状动脉的血管特征向量和血流储备分数之间的对应关系的样本数据”的具体过程。
如下列步骤所述:收集不同心脏状况的患者的所述血管特征向量和所述血流储备分数;
例如:数据搜集:搜集不同健康状况的患者的血管特征向量及对应的血流储备分数;以及,搜集不同年龄的患者的血管特征向量及对应的血流储备分数;以及,搜集不同性别的患者的血管特征向量及对应的血流储备分数。
由此,通过多种途径收集运行数据,有利于增加运行数据的量,提升人工神经网络的学习能力,进而提升确定的对应关系的精准性和可靠性。
如下列步骤所述:对所述血管特征向量进行分析、并结合预存的专家经验信息,选取与所述血流储备分数相关的数据作为所述血管特征向量(例如:选取对血流储备分数有影响的血管特征向量作为输入参数,将指定参数作为输出参数);
例如:通过将已确诊的志愿者的相关数据中的血管特征向量作为输入参数,将其相关数据中的血流储备分数作为输出参数。
如下列步骤所述:将所述血流储备分数、以及选取的所述血管特征向量构成的数据对,作为样本数据。
例如:将得到的输入、输出参数对,一部分用作训练本样数据,一部分用作测试样本数据。
由此,通过对收集到的血管特征向量进行分析及处理,进而得到样本数据,操作过程简单,操作结果可靠性高。
如下列步骤所述:分析所述血管特征向量的特性及其规律,根据所述特性及其规律,确定所述人工神经网络的网络结构及其网络参数;
例如:分析多视角的冠脉造影数据特性及冠脉狭窄的形态学参数特征,可初步确定网络的基本结构、网络的输入、输出节点数、网络隐层数、隐节点数、网络初始权值等。
可选地,可以结合下列描述进一步说明步骤“使用所述样本数据,对所述网络结构和所述网络参数进行训练和测试,确定所述血管特征向量与所述血流储备分数的所述对应关系”中对所述网络结构和所述网络参数进行训练的具体过程。
如下列步骤所述,选取所述样本数据中的一部分数据作为训练样本,将所述训练样本中的所述血管特征向量输入到所述网络结构,通过所述网络结构的损失函数,激活函数和所述网络参数进行训练,得到实际训练结果;
具体地,通过梯度下降算法最小化损失函数,更新网络参数,训练当前多视角神经网络,得到实际训练结果;
确定所述实际训练结果与所述训练样本中的相应血流储备分数之间的实际训练误差是否满足预设训练误差;当所述实际训练误差满足所述预设训练误差时,确定对所述网络结构和所述网络参数的所述训练完成;
具体地,当所述实际训练误差满足所述预设训练误差时,且在当前训练的模型收敛,确定对所述网络结构和所述网络参数的所述训练完成。
更可选地,对所述网络结构和所述网络参数进行训练,还包括:
当所述实际训练误差不满足所述设定训练误差时,通过所述网络结构的误差损失函数更新所述网络参数;通过所述网络结构的所述损失函数,激活函数和更新后的所述网络参数进行重新训练,直至所述重新训练后的实际训练误差满足所述设定训练误差;
例如:若测试误差满足要求,则网络训练测试完成。
由此,通过将测试样本用于训练得到的网络结构和网络参数进行测试,以进一步验证网络结构及网络参数的可靠性。
可选地,可以结合下列描述进一步说明步骤“使用所述样本数据,对所述网络结构和所述网络参数进行训练和测试,确定所述血管特征向量与所述血流储备分数的所述对应关系”中对所述网络结构和所述网络参数进行测试的具体过程。
如下列步骤所述,选取所述样本数据中的另一部分数据作为测试样本,将所述测试样本中的所述血管特征向量输入到所述训练完成的所述网络结构中,以所述损失函数,激活函数和所述训练完成的所述网络参数进行测试,得到实际测试结果;确定所述实际测试结果与所述测试样本中的相应血流储备分数之间的实际测试误差是否满足设定测试误差;当所述实际测试误差满足所述设定测试误差时,确定对所述网络结构和所述网络参数的所述测试完成。
需要说明的是,在CGAN网络框架中,第一生成网络,第二生成网络,第一判别网络,以及第二判别网络使用小批量梯度下降法进行联合训练,两个生成网络框架都有自己的对抗性损失。因此对第一判别网络使用特征匹配损失函数,的计算公式如下:
式中,D1-feature代表第一判别网络的输出特征,L1-feature是第一判别网络的特征匹配损失函数,x和分别是第一生成网络生成的真实数据和假数据,Pri和Pfi分别是真实数据和假数据的特征分布。
第一生成网络的对抗损失函数计算公式如下:
第二判别网络的特征匹配函数L2-feature的计算公式如下:
与第一生成网络和第一判别网络的对抗损失相似,将L2-feature引入第二生成网络和第二判别网络的对抗损失中,计算公式如下:
上述对抗损失可以被看做是一种无监督的损失,因为它仅仅使用了第二生成网络的生成数据,而不是真实数据。
最后,利用真实数据sl,基于Dice损失定义监督损失函数LG2sup,计算公式如下:
需要说明的是,第一判别网络和第二判别网络的训练流程类似,因此此处只简述第一判别网络的训练流程。
参照图6,在一实施例中,所述第一判别网络或所述第二判别网络的迭代训练步骤,包括:
将由血管特征向量计算得出的血流储备分数计算值设为假样本集,并将假样本集的所有类标签设为0;
需要说明的是,在计算出血流储备分数计算值前需要先固定生成网络的参数,以避免生成网络在生成血流储备分数计算值时由于网络参数的变化导致引入非必要性的不确定未知条件,从而导致误差的出现,进而导致迭代训练的结果产生倾斜;
将通过有创检测得出的血流储备分数有创测量值设为真样本集,并将真样本集的所有类标签设为1;
需要说明的是,上述血流储备分数有创测量值的测试条件(血管特征值)与前述步骤的各血流储备分数计算值的计算条件(血管特征值)相互对应;
输入血管特征向量和血流储备分数有创测量值,通过比较判别网络输出的值与1的直接差值调整权重,使判别网络输出的值接近1。
需要说明的是,由于输入样本的标签有且仅有0或1两种,因此根据真样本集和假样本集的判别结果会得出一个在0-1之间的数值,由于训练参数中真假样本集的数据真假性为已知,因此,可根据判别结果人为进行对权重的偏移使判别网络记录修正结果从而使判别网络完善,需要说明的是,在本步骤中通过计算判别网络输出的判别结果与1的直接差值进行调整权重,当判别结果与1的直接差接近于0时,即判断网络训练完成。
参照图6,在一实施例中,所述第一判别网络或所述第二判别网络的迭代训练步骤,包括:
将由血管特征向量计算得出的血流储备分数计算值设为假样本集,并将假样本集的所有类标签设为0;
需要说明的是,在计算出血流储备分数计算值前需要先固定生成网络的参数,以避免生成网络在生成血流储备分数计算值时由于网络参数的变化导致引入非必要性的不确定未知条件,从而导致误差的出现,进而导致迭代训练的结果产生倾斜;
将通过有创检测得出的血流储备分数有创测量值设为真样本集,并将真样本集的所有类标签设为1;
需要说明的是,上述血流储备分数有创测量值的测试条件(血管特征值)与前述步骤的各血流储备分数计算值的计算条件(血管特征值)相互对应;
输入血管特征向量和血流储备分数计算值,比较判别网络输出的值与0的直接差值调整权重,使判别网络输出的值接近1。
需要说明的是,当上述判断结果与0的直接差接近1时,即判断网络训练完成,本步骤可与上一实施例中相对应步骤在迭代训练过程中,进行交替使用或以任意一步骤作为检验步骤的方式进行训练。
需要说明的是,第一生成网络和第二生成网络的训练流程类似,因此此处只简述第一生成网络的训练流程。
参照图7,在一实施例中,所述第一生成网络以及所述第二生成网络的迭代训练步骤,包括:
固定所述判别网络的计算参数;
需要说明的是,通过固定上述判别网络的的计算参数将上述判别模型定为定量条件,通过对上述生成网络所生成的血流储备分数计算值进行判别,调整生成网络的生成权重,上述计算参数一般包括但不限于判别网络的判别权重;
输入血管特征向量并进行初始计算得到初始血流储备分数计算值,将所述初始血流储备分数计算值的标签设为1;
需要说明的是,将上述血流储备分数计算值的标签设置为1,即表示在进行判别时将上述血流储备分数计算值看作为当前特征向量情况下的血流储备分数有创测量值,并通过上述判别网络进行真伪判别,并记录上述判别网络的判别结果,所述判别结果为0-1之间的数值,即判别权重;
通过比较所述生成网络输出的血流储备分数计算值与血流储备分数有创测量值之间的差值调整权重,使所述生成网络输出的血流储备分数计算值接近血流储备分数有创测量值。
需要说明的是,获取与上述血流储备分数计算值相同血管特征向量的血流储备分数有创测量值,计算出血流储备分数计算值与血流储备分数有创测量值之间的差值,根据差值调整生成网络中的生成权重,进行完善上述生成网络。
参照图7,在一实施例中,所述第一生成网络以及所述第二生成网络的迭代训练步骤,包括:
固定所述判别网络的计算参数;
需要说明的是,通过固定上述判别网络的的计算参数将上述判别模型定为定量条件,通过对上述生成网络所生成的血流储备分数计算值进行判别,调整生成网络的生成权重,上述计算参数一般包括但不限于判别网络的判别权重;
输入血管特征向量并进行初始计算得到初始血流储备分数计算值,将所述初始血流储备分数计算值的标签设为1;
需要说明的是,将上述血流储备分数计算值的标签设置为1,即表示在进行判别时将上述血流储备分数计算值看作为当前特征向量情况下的血流储备分数有创测量值,并通过上述判别网络进行真伪判别,并记录上述判别网络的判别结果,所述判别结果为0-1之间的数值,即判别权重;
将血管特征向量和所述生成网络输出的血流储备分数计算值输入到判别网络中,根据判别网络输出的值与1的直接差值对生成网络的权重进行调整,使所述生成网络的输出的血流储备分数计算值在所述判别网络的判别结果接近1。
需要说明的是,通过计算判别网络的判别结果与1的直接差从而得出生成网络计算的血流储备分数的偏差比,进行对生成网络的审查权重进行调整。
如上述步骤S120所述,获取患者当前血管特征向量,具体地,根据患者的冠状动脉计算机断层扫描图像,获取所述当前血管特征向量,通过有创方式通过压力导丝测量冠脉狭窄远端的压力Pd,主动脉压Pa并通过公式计算得出。
如上述步骤S130所述,通过所述对应关系,确定与所述当前血管特征向量对应的当前血流储备分数。
例如:实时识别出患者的冠状动脉的血管特征向量。
由此,通过基于对应关系,根据当前血管特征向量有效地识别出冠状动脉的当前血流储备分数,从而为医生的诊断提供准确的判断依据,且判断结果精准性好。
在一个可选例子中,步骤S130中确定与所述血管特征向量对应的当前血流储备分数,可以包括:将所述对应关系中与所述当前血管特征向量相同的血管特征向量所对应的血流储备分数,确定为所述当前血流储备分数。
在一个可选例子中,步骤S130中确定与所述血管特征向量对应的当前血流储备分数,还可以包括:当所述对应关系可以包括函数关系时,将所述当前血管特征向量输入所述函数关系中,确定所述函数关系的输出参数为当前血流储备分数。
由此,通过基于对应关系或函数关系,根据当前血管特征向量确定当前血流储备分数,确定方式简便,确定结果可靠性高。
例如,用训练所得到的人工神经网络去检测测试集中每一个样例的血流储备分数。
在一个可选实施方式中,还可以包括:验证所述当前血流储备分数与实际血流储备分数是否相符的过程。
可选地,可以接收到所述当前血流储备分数与实际血流储备分数不符的验证结果、和/或确定所述对应关系中没有与所述当前血管特征向量相同的血管特征向量时,对所述对应关系进行更新、修正、再学习中的至少一种维护操作。
例如:设备本身无法获知到实际血流储备分数,需要有医生的反馈操作才行,即如果设备智能判断出血流储备分数,医生通过操作反馈其与实际的状态不符,设备才能获知。
验证所述当前血流储备分数与实际血流储备分数是否相符(例如:可以通过AR显示模块对实际血流储备分数进行显示,以验证确定的所述当前血流储备分数与实际血流储备分数是否相符)。
当所述当前血流储备分数与实际血流储备分数不符、和/或所述对应关系中没有与所述当前血管特征向量相同的血管特征向量时,对所述对应关系进行更新、修正、再学习中的至少一种维护操作。
例如:可以根据维护后的对应关系,根据所述当前血管特征向量确定当前血流储备分数。例如:将维护后的所述对应关系中与所述当前血管特征向量相同的血管特征向量对应的血流储备分数,确定为当前血流储备分数。
由此,通过对确定的血管特征向量与血流储备分数之间的对应关系的维护,有利于提升对血流储备分数确定的精准性和可靠性。
参照图8,本发明提出一种血流储备分数测量装置,包括:
建立模块810,用于通过人工神经网络,建立冠状动脉的血管特征向量和血流储备分数之间对应关系的对应关系;其中,所述人工神经网络包括第一生成网络,第二生成网络,第一判别网络,以及第二判别网络;具体地,将第一生成网络和第一判别网络通过样本数据训练获得第二生成网络的网络参数,将第二生成网络和第二别网络通过所述样本数据训练,获得所述对应关系;其中,所述样本数据为所述血管特征向量和所述血流储备分数;
获取模块820,用于获取患者当前血管特征向量,具体地,根据患者的冠状动脉计算机断层扫描图像,获取所述当前血管特征向量;
测量模块830,用于通过所述对应关系,确定与所述当前血管特征向量对应的当前血流储备分数。
在一实施例中,所述血管特征向量包括:
血管局部几何特征,具体为:血管每个横截面的半径;
血管上游和下游几何特征,具体为:狭窄近端半径、狭窄入口长度、最小半径区域长度、狭窄出口长度、半径减小比率:
式中,rr表示半径减小比率;rs表示狭窄的最小半径;rp表示接近狭窄的节段的正常半径;rd表示狭窄远端的正常半径。
在一实施例中,所述建立模块810,包括:
第一迭代训练子模块,用于对所述第一生成网络和第一判别网络通过最大化判别网络的差别能力和最小化生成网络的分布损失函数来独立进行迭代训练,至所述第一生成网络生成的血流储备分数在所述第一判别网络中的判别输出概率值接近0.5;
神经元参数生成子模块,用于依据所述第一判别网络中的前三层网络层的人工神经元参数甚至所述第二生成网络的前三层网络层的人工神经元参数;
第二迭代训练子模块,用于对所述第二生成网络和第二判别网络通过最大化判别网络的差别能力和最小化生成网络的分布损失函数来独立进行迭代训练,至所述第二生成网络生成的血流储备分数在所述第二判别网络中的判别输出概率值接近0.5
在一实施例中,所述第一生成网络包括:第一输入层、第一反卷积层G1、第二反卷积层G1、第三反卷积层G1、第四反卷积层G1以及第一输出层,其中,所述第一输入层的人工神经元数量与样本数据中的血管特征向量数量相同,第一反卷积层G1的人工神经元数量为512,第二反卷积层G1的人工神经元数量为256,第三反卷积层G1的人工神经元数量为128,第四反卷积层G1的人工神经元数量为64,第一输出层的人工神经元数量为1。
在一实施例中,所述第一判别网络包括:第二输入层、第一卷积层D1、第二卷积层D1、第三卷积层D1、第四卷积层D1以及第二输出层,其中,所述第二输入层的人工神经元数量与所述第一生成网络通过样本数据生成的所述血流储备分数的总数相同,所述第一卷积层D1的人工神经元数量为32,所述第二卷积层D1的人工神经元数量为64,所述第三卷积层D1的人工神经元数量为256,所述第四卷积层D1的人工神经元数量为512,所述第二输出层的人工神经元数量为1。
在一实施例中,所述第二生成网络包括:第三输入层、第一反卷积层G2、第二反卷积层G2、第三反卷积层G2、第四反卷积层G2、第五反卷积层G2以及第三输出层,其中,所述第三输入层的人工神经元数量与样本数据中的血管特征向量数量相同,所述第一反卷积层G2的人工神经元数量为32,所述第二反卷积层G2的人工神经元数量为64,所述第三反卷积层G2的人工神经元数量为256,所述第四反卷积层G2的人工神经元数量为64,所述第五反卷积层G2的人工神经元数量为32,所述第三输出层的人工神经元数量为1。
在一实施例中,所述第二判别网络包括:第四输入层、第一卷积层D2、第二卷积层D2、第三卷积层D2、第四卷积层D2以及第四输出层,其中,所述第四输入层的人工神经元数量与所述第二生成网络通过样本数据生成的所述血流储备分数以及样本数据对应的实际血流储备分数的总数相同,所述第一卷积层D2的人工神经元数量为32,所述第二卷积层D2的人工神经元数量为64,所述第三卷积层D2的人工神经元数量为256,所述第四卷积层D2的人工神经元数量为512,所述第四输出层的人工神经元数量为1。
在一实施例中,所述第一迭代训练子模块或所述第二迭代训练子模块,包括:
第一假样本集生成子模块,用于将由血管特征向量计算得出的血流储备分数计算值设为假样本集,并将假样本集的所有类标签设为0;
第一真样本集生成子模块,用于将通过有创检测得出的血流储备分数有创测量值设为真样本集,并将真样本集的所有类标签设为1;
第一权重调整子模块,用于输入血管特征向量和血流储备分数有创测量值,通过比较判别网络输出的值与1的直接差值调整权重,使判别网络输出的值接近1。
在一实施例中,所述第一迭代训练子模块或所述第二迭代训练子模块,包括:
第二假样本集生成子模块,用于将由血管特征向量计算得出的血流储备分数计算值设为假样本集,并将假样本集的所有类标签设为0;
第二真样本集生成子模块,用于将通过有创检测得出的血流储备分数有创测量值设为真样本集,并将真样本集的所有类标签设为1;
第二权重调整子模块,用于输入血管特征向量和血流储备分数计算值,比较判别网络输出的值与0的直接差值调整权重,使判别网络输出的值接近1。
在一实施例中,所述第一迭代训练子模块或所述第二迭代训练子模块,包括:
第一固定计算参数子模块,用于固定所述判别网络的计算参数;
第一输入子模块,用于输入血管特征向量并进行初始计算得到初始血流储备分数计算值,将所述初始血流储备分数计算值的标签设为1;
第三权重调整子模块,用于通过比较所述生成网络输出的血流储备分数计算值与血流储备分数有创测量值之间的差值调整权重,使所述生成网络输出的血流储备分数计算值接近血流储备分数有创测量值。
在一实施例中,所述第一迭代训练子模块或所述第二迭代训练子模块,包括:
第二固定计算参数子模块,用于固定所述判别网络的计算参数;
第二输入子模块,用于输入血管特征向量并进行初始计算得到初始血流储备分数计算值,将所述初始血流储备分数计算值的标签设为1;
第四权重调整子模块,用于将血管特征向量和所述生成网络输出的血流储备分数计算值输入到判别网络中,根据判别网络输出的值与1的直接差值对生成网络的权重进行调整,使所述生成网络的输出的血流储备分数计算值在所述判别网络的判别结果接近1。
参照图9,示出了本发明的一种一种血流储备分数测量方法方法的计算机设备,具体可以包括如下:
上述计算机设备12以通用计算设备的形式表现,计算机设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,***存储器28,连接不同***组件(包括***存储器28和处理单元16)的总线18。
总线18表示几类总线18结构中的一种或多种,包括存储器总线18或者存储器控制器,***总线18,图形加速端口,处理器或者使用多种总线18结构中的任意总线18结构的局域总线18。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线18,微通道体系结构(MAC)总线18,增强型ISA总线18、音视频电子标准协会(VESA)局域总线18以及***组件互连(PCI)总线18。
计算机设备12典型地包括多种计算机***可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
***存储器28可以包括易失性存储器形式的计算机***可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其他移动/不可移动的、易失性/非易失性计算机体统存储介质。仅作为举例,存储***34可以用于读写不可移动的、非易失性磁介质(通常称为“硬盘驱动器”)。尽管图9中未示出,可以提供用于对可移动非易失性磁盘(如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其他光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质界面与总线18相连。存储器可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块42,这些程序模块42被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器中,这样的程序模块42包括——但不限于——操作***、一个或者多个应用程序、其他程序模块42以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24、摄像头等)通信,还可与一个或者多个使得用户能与该计算机设备12交互的设备通信,和/或与使得该计算机设备12能与一个或多个其他计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)界面22进行。并且,计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)),广域网(WAN)和/或公共网络(例如因特网)通信。如图所示,网络适配器20通过总线18与计算机设备12的其他模块通信。应当明白,尽管图9中未示出,可以结合计算机设备12使用其他硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元16、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***34等。
处理单元16通过运行存储在***存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的血流储备分数测量方法。
也即,上述处理单元16执行上述程序时实现:通过人工神经网络,建立冠状动脉的血管特征向量和血流储备分数之间对应关系的对应关系;其中,所述人工神经网络包括第一生成网络,第二生成网络,第一判别网络,以及第二判别网络;具体地,将第一生成网络和第一判别网络通过样本数据训练获得第二生成网络的网络参数,将第二生成网络和第二别网络通过所述样本数据训练,获得所述对应关系;其中,所述样本数据为所述血管特征向量和所述血流储备分数;获取患者当前血管特征向量,具体地,根据患者的冠状动脉计算机断层扫描图像,获取所述当前血管特征向量;通过所述对应关系,确定与所述当前血管特征向量对应的当前血流储备分数。
在本发明实施例中,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本申请所有实施例提供的血流储备分数测量方法:
也即,给程序被处理器执行时实现:通过人工神经网络,建立冠状动脉的血管特征向量和血流储备分数之间对应关系的对应关系;其中,所述人工神经网络包括第一生成网络,第二生成网络,第一判别网络,以及第二判别网络;具体地,将第一生成网络和第一判别网络通过样本数据训练获得第二生成网络的网络参数,将第二生成网络和第二别网络通过所述样本数据训练,获得所述对应关系;其中,所述样本数据为所述血管特征向量和所述血流储备分数;获取患者当前血管特征向量,具体地,根据患者的冠状动脉计算机断层扫描图像,获取所述当前血管特征向量;通过所述对应关系,确定与所述当前血管特征向量对应的当前血流储备分数。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机克顿信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦可编程只读存储器(EPOM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言——诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行或者完全在远程计算机或者服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
尽管已描述了本申请实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本申请所提供的一种血流储备分数测量装置,进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种血流储备分数测量装置,其特征在于,包括:
建立模块,用于通过人工神经网络,建立冠状动脉的血管特征向量和血流储备分数之间对应关系的对应关系;其中,所述人工神经网络包括第一生成网络,第二生成网络,第一判别网络,以及第二判别网络;将第一生成网络和第一判别网络通过样本数据训练获得第二生成网络的网络参数,将第二生成网络和第二判别网络通过所述样本数据训练,获得所述对应关系;其中,所述样本数据为所述血管特征向量和所述血流储备分数;
获取模块,用于获取患者当前血管特征向量,根据患者的冠状动脉计算机断层扫描图像,获取所述当前血管特征向量;
测量模块,用于通过所述对应关系,确定与所述当前血管特征向量对应的当前血流储备分数;
其中,所述建立模块包括:
第一迭代训练子模块,用于对所述第一生成网络和第一判别网络通过最大化判别网络的差别能力和最小化生成网络的分布损失函数来独立进行迭代训练,至所述第一生成网络生成的血流储备分数在所述第一判别网络中的判别输出概率值接近0.5;
神经元参数生成子模块,用于依据所述第一判别网络中的前三层网络层的人工神经元参数生成所述第二生成网络的前三层网络层的人工神经元参数;
第二迭代训练子模块,用于对所述第二生成网络和第二判别网络通过最大化判别网络的差别能力和最小化生成网络的分布损失函数来独立进行迭代训练,至所述第二生成网络生成的血流储备分数在所述第二判别网络中的判别输出概率值接近0.5。
3.根据权利要求1所述的装置,其特征在于,
所述第一生成网络包括:第一输入层、第一反卷积层、第二反卷积层、第三反卷积层、第四反卷积层以及第一输出层,其中,所述第一输入层的人工神经元数量与样本数据中的血管特征向量数量相同,第一反卷积层的人工神经元数量为512,第二反卷积层的人工神经元数量为256,第三反卷积层的人工神经元数量为128,第四反卷积层的人工神经元数量为64,第一输出层的人工神经元数量为1。
4.根据权利要求1所述的装置,其特征在于,
所述第一判别网络包括:第二输入层、第一卷积层、第二卷积层、第三卷积层、第四卷积层以及第二输出层,其中,所述第二输入层的人工神经元数量与所述第一生成网络通过样本数据生成的所述血流储备分数的总数相同,所述第一卷积层的人工神经元数量为32,所述第二卷积层的人工神经元数量为64,所述第三卷积层的人工神经元数量为256,所述第四卷积层的人工神经元数量为512,所述第二输出层的人工神经元数量为1。
5.根据权利要求1所述的装置,其特征在于,
所述第二生成网络包括:第三输入层、第一反卷积层、第二反卷积层、第三反卷积层、第四反卷积层、第五反卷积层以及第三输出层,其中,所述第三输入层的人工神经元数量与样本数据中的血管特征向量数量相同,所述第一反卷积层的人工神经元数量为32,所述第二反卷积层的人工神经元数量为64,所述第三反卷积层的人工神经元数量为256,所述第四反卷积层的人工神经元数量为64,所述第五反卷积层的人工神经元数量为32,所述第三输出层的人工神经元数量为1。
6.根据权利要求1所述的装置,其特征在于,
所述第二判别网络包括:第四输入层、第一卷积层、第二卷积层、第三卷积层、第四卷积层以及第四输出层,其中,所述第二生成网络通过样本数据生成的所述血流储备分数和样本数据对应的实际血流储备分数的二者之和与所述第四输入层的人工神经元数量相同,所述第一卷积层的人工神经元数量为32,所述第二卷积层的人工神经元数量为64,所述第三卷积层的人工神经元数量为256,所述第四卷积层的人工神经元数量为512,所述第四输出层的人工神经元数量为1。
7.根据权利要求1所述的装置,其特征在于,所述第一判别网络或所述第二判别网络的迭代训练子模块,包括:
第一假样本集生成子模块,用于将由血管特征向量计算得出的血流储备分数计算值设为假样本集,并将假样本集的所有类标签设为0;
第一真样本集生成子模块,用于将通过有创检测得出的血流储备分数有创测量值设为真样本集,并将真样本集的所有类标签设为1;
第一权重调整子模块,用于输入血管特征向量和血流储备分数有创测量值,通过比较判别网络输出的值与1的直接差值调整权重,使判别网络输出的值接近1。
8.根据权利要求1所述的装置,其特征在于,所述第一判别网络或所述第二判别网络的迭代训练子模块,包括:
第二假样本集生成子模块,用于将由血管特征向量计算得出的血流储备分数计算值设为假样本集,并将假样本集的所有类标签设为0;
第二真样本集生成子模块,用于将通过有创检测得出的血流储备分数有创测量值设为真样本集,并将真样本集的所有类标签设为1;
第二权重调整子模块,用于输入血管特征向量和血流储备分数计算值,比较判别网络输出的值与0的直接差值调整权重,使判别网络输出的值接近1。
9.根据权利要求1所述的装置,其特征在于,所述第一生成网络以及所述第二生成网络的迭代训练子模块,包括:
第一固定计算参数子模块,用于固定所述判别网络的计算参数;
第一输入子模块,用于输入血管特征向量并进行初始计算得到初始血流储备分数计算值,将所述初始血流储备分数计算值的标签设为1;
第三权重调整子模块,用于通过比较所述生成网络输出的血流储备分数计算值与血流储备分数有创测量值之间的差值调整权重,使所述生成网络输出的血流储备分数计算值接近血流储备分数有创测量值。
10.根据权利要求1所述的装置,其特征在于,所述第一生成网络以及所述第二生成网络的迭代训练子模块,包括:
第二固定计算参数子模块,用于固定所述判别网络的计算参数;
第二输入子模块,用于输入血管特征向量并进行初始计算得到初始血流储备分数计算值,将所述初始血流储备分数计算值的标签设为1;
第四权重调整子模块,用于将血管特征向量和所述生成网络输出的血流储备分数计算值输入到判别网络中,根据判别网络输出的值与1的直接差值对生成网络的权重进行调整,使所述生成网络的输出的血流储备分数计算值在所述判别网络的判别结果接近1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010260601.1A CN111297388B (zh) | 2020-04-03 | 2020-04-03 | 一种血流储备分数测量装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010260601.1A CN111297388B (zh) | 2020-04-03 | 2020-04-03 | 一种血流储备分数测量装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111297388A CN111297388A (zh) | 2020-06-19 |
CN111297388B true CN111297388B (zh) | 2023-06-20 |
Family
ID=71151961
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010260601.1A Active CN111297388B (zh) | 2020-04-03 | 2020-04-03 | 一种血流储备分数测量装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111297388B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111815598B (zh) * | 2020-06-30 | 2024-04-26 | 上海联影医疗科技股份有限公司 | 一种血管参数的计算方法、装置、设备及存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9700219B2 (en) * | 2013-10-17 | 2017-07-11 | Siemens Healthcare Gmbh | Method and system for machine learning based assessment of fractional flow reserve |
CN108451540B (zh) * | 2017-02-17 | 2021-08-31 | 深圳先进技术研究院 | 一种血流储备分数测量方法和装置 |
CN108491809B (zh) * | 2018-03-28 | 2023-09-22 | 百度在线网络技术(北京)有限公司 | 用于生成近红外图像生成模型的方法和装置 |
CN109325989A (zh) * | 2018-08-27 | 2019-02-12 | 平安科技(深圳)有限公司 | 车牌图像生成方法、装置、设备及介质 |
CN109524119B (zh) * | 2018-11-09 | 2023-07-04 | 深圳市孙逸仙心血管医院(深圳市心血管病研究所) | 基于gan血流储备分数预测方法、装置、设备及介质 |
-
2020
- 2020-04-03 CN CN202010260601.1A patent/CN111297388B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111297388A (zh) | 2020-06-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10249048B1 (en) | Method and system for predicting blood flow features based on medical images | |
US11728039B2 (en) | Methods and systems for predicting sensitivity of blood flow calculations to changes in anatomical geometry | |
JP6553675B2 (ja) | 脈管構造を数値的に評価するためのシステムおよび方法 | |
US20230181077A1 (en) | Machine differentiation of abnormalities in bioelectromagnetic fields | |
Jeong et al. | Combined deep CNN–LSTM network-based multitasking learning architecture for noninvasive continuous blood pressure estimation using difference in ECG-PPG features | |
US8308646B2 (en) | Trainable diagnostic system and method of use | |
CN109524119B (zh) | 基于gan血流储备分数预测方法、装置、设备及介质 | |
CN108665449B (zh) | 预测血流矢量路径上的血流特征的深度学习模型及装置 | |
RU2717885C1 (ru) | Оценка потока, сопротивления или давления на основании измерений давления или потока и ангиографии | |
US20200258627A1 (en) | Systems, devices, software, and methods for a platform architecture | |
CN106456078A (zh) | 用于对血流储备分数的基于机器学习的评估的方法和*** | |
JP2016500548A (ja) | 冠血流予備量比(ffr)指標 | |
CN108451540A (zh) | 一种血流储备分数测量方法和装置 | |
JPH05176932A (ja) | 脳梗塞の診断方法 | |
CN110786841A (zh) | 基于微循环阻力指数调节最大充血状态流速的方法及装置 | |
CN111340794B (zh) | 冠状动脉狭窄的量化方法及装置 | |
CN111297388B (zh) | 一种血流储备分数测量装置 | |
US20210290076A1 (en) | System and a method for determining a significance of a stenosis | |
CN109326354A (zh) | 基于ann血流储备分数预测方法、装置、设备及介质 | |
Yevtushenko et al. | Modelling blood flow in patients with heart valve disease using deep learning: A computationally efficient method to expand diagnostic capabilities in clinical routine | |
Zhang et al. | Quantification of effects of mean blood pressure and left ventricular mass on noninvasive fast fractional flow reserve | |
WO2023023248A1 (en) | Systems and methods of identifying vessel attributes using extravascular images | |
WO2021042477A1 (zh) | 测量冠状动脉血管评定参数的简化方法、装置及*** | |
CN110786839A (zh) | 瞬时无波形比值的生成方法、装置、设备及介质 | |
WO2020163593A1 (en) | Systems, devices, software, and methods for a platform architecture |
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 |