CN112535466A - 一种基于血管影像的血流储备分数计算方法 - Google Patents

一种基于血管影像的血流储备分数计算方法 Download PDF

Info

Publication number
CN112535466A
CN112535466A CN202011484540.3A CN202011484540A CN112535466A CN 112535466 A CN112535466 A CN 112535466A CN 202011484540 A CN202011484540 A CN 202011484540A CN 112535466 A CN112535466 A CN 112535466A
Authority
CN
China
Prior art keywords
blood vessel
artificial intelligence
intelligence model
vessel
model
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.)
Pending
Application number
CN202011484540.3A
Other languages
English (en)
Inventor
于波
王钊
侯静波
贾海波
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.)
Chengdu Panoramic Hengsheng Technology Co ltd
Original Assignee
Chengdu Panoramic Hengsheng 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 Chengdu Panoramic Hengsheng Technology Co ltd filed Critical Chengdu Panoramic Hengsheng Technology Co ltd
Priority to CN202011484540.3A priority Critical patent/CN112535466A/zh
Publication of CN112535466A publication Critical patent/CN112535466A/zh
Pending legal-status Critical Current

Links

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
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Evolutionary Computation (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Hematology (AREA)
  • Cardiology (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

本发明涉及一种基于血管影像的血流储备分数计算方法，利用人工智能模型1，自动将目标血管分割为若干具有类似形态特征的血管分段，并利用人工智能模型计算各个血管分段的压降，从而获取整个血管的压力分布以及FFR，从而避免了使用压力导丝以及注入血管扩张类药物，且能够利用整个血管的压降分布信息进行虚拟介入手术（如放置支架）后血管功能恢复的评估和预演。

Description

一种基于血管影像的血流储备分数计算方法
技术领域
本发明涉及医学影像，具体涉及一种基于血管影像的血流储备分数计算方法。
背景技术
心肌血流灌注不足是引发冠心病的重要原因。血流储备分数（Fractional FlowReserve，FFR）定义为病变血管能提供的最大血流和该血管完全正常时能提供的最大血流的比值，可以测量病变血管的缺血程度和功能特性，是诊断狭窄血管缺血程度的最重要的介入诊断手段之一。FFR的常用测量方法是通过压力介入导丝或微导管在最大充血状态下测量病变狭窄远端压力和近端动脉压的比值。一般来说，血管病变狭窄远端压力不但与狭窄程度和病变有关，且与更远端的毛细血管微循环阻力相关。在最大充血条件下，可以近似认为毛细血管微循环得到了充分的扩张，因此阻力可忽略不计；在此条件下，可以近似认为血管病变狭窄远端测量得到压力或远端与近端压力比值完全反映了该血管狭窄段缺血和功能特性。
然而，通过传统压力导丝测量FFR的方式有一些局限性。首先，压力导丝属于侵入式测量，且因为压力导丝为单次使用，增加了病人的额外花费，延长了介入手术时间。其次，压力导丝对于堵塞较严重，管腔较小的血管，测量误差较大。最后，最大充血条件的获取一般是通过静脉或动脉向病人体内注射血管扩张类药物如腺苷等。然而，血管扩张类药物对于人体有一定程度损伤，不适用于某些病人群体（如肝肾功能不全、药物过敏等），且显著增加了测量时间和复杂度。另外一方面，FFR仅能够提供病变血管功能信息，无法提供血管形态和结构信息。血管形态结构信息包括易损斑块的分布以及血管狭窄程度等，也是造成冠心病的重要特征。而冠脉介入影像技术如冠脉造影、血管内超声（IVUS）以及光学相干断层成像（OCT）可以提供FFR所缺乏的血管形态结构信息。冠脉造影可以提供冠脉外全局图像，但它是二维投影式成像，分辨率不足；IVUS和OCT是血管内影像，可以获取血管三维高精度图像，对血管大小的测量更为精准。就目前而言，其技术壁垒主要在于不能通过影像数据计算精确的FFR。
当前FFR测量需要介入导丝伸入到病人血管内，并通过在病人体内注入血管扩张类药物使微血管循环达到最大充血状态，整个过程不但是侵入式的，且不适用于某些病人群体，显著增加了测量复杂度和时间。当前已经公开的通过计算方法测量FFR的方法多基于计算流体力学，运算时间较长，实时性不强；基于非计算流体力学的方法基于经验公式或某种解析表达式，带有显著的经验主义成分；某种经验公式可能只适用于特定形状的血管，而不适用于其他形状的血管，在实际应用中面对复杂的血管和病变时误差较大。此外，当前基于人工智能的FFR计算方法没有完全尊崇流体力学物理模型，且没有适用于血管内影像如IVUS和OCT的方法。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于血管影像的血流储备分数计算方法，利用人工智能模型1，自动将目标血管分割为若干具有类似形态特征的血管分段，并利用人工智能模型计算各个血管分段的压降，从而获取整个血管的压力分布以及FFR，从而避免了使用压力导丝以及注入血管扩张类药物，且能够利用整个血管的压降分布信息进行虚拟介入手术（如放置支架）后血管功能恢复的评估和预演。
本发明的目的是通过以下技术方案来实现的：
一种基于血管影像的血流储备分数计算方法，其步骤如下：
步骤S1：获取目标血管影像数据；
步骤S2：获取主动脉或冠状动脉近端压力Pa，以及目标血管血流大小Q；
步骤S3：基于人工智能模型1和目标血管影像数据自动分割目标血管边界，获得目标血管截面大小和形状；
步骤S4：基于人工智能模型2和步骤S3中得到的血管边界信息将目标血管分割为若干具有固定形态的血管分段；
步骤S5：基于人工智能模型3和目标血管血流大小Q生成每个血管分段所对应的流体模型，并计算每个血管分段的压降；
步骤S6：根据每个血管分段的压降与近端压力Pa，计算目标血管段的任意远端截面的压力Pd，取Pd和Pa比值为计算得到的FFR。
进一步的，所述目标血管数据为心脏冠状动脉影像数据，影像数据的获取方式包括冠脉造影、血管内光学相干断层成像（OCT）、血管内超声（IVUS）。
进一步的，所述人工智能模型1和人工智能模型2是包含3层或以上卷积层的卷积神经网络，或其他非卷积神经网络图像处理算法。
进一步的，述人工智能模型2的输入为步骤S1获取的目标血管影像数据，或基于影像数据生成的图像特征。
进一步的，所述图像特征是目标血管各截面积大小，或目标血管分割掩码，或目标血管二维对称截面图，或
Figure 100002_DEST_PATH_IMAGE001
个目标血管内图像沿某个角度的切面图，或目标血管三维渲染结果；
人工智能模型2的输出为分段后的血管分段影像数据或特征，其类型与输入类型相同；该输出作为人工智能模型3的输入。
进一步的，所述步骤S4得到的血管分段满足：
血管分段均为先收缩后扩张，每个血管分段面积在入口截面面积
Figure 100002_DEST_PATH_IMAGE002
、狭窄截面
Figure 100002_DEST_PATH_IMAGE003
，以及出口截面面积
Figure 100002_DEST_PATH_IMAGE004
之间近似单调变化，且满足
Figure 100002_DEST_PATH_IMAGE005
，
Figure 100002_DEST_PATH_IMAGE006
。
进一步的，所述血管分段可表示为单纯收缩或单纯扩张，每个血管分段由入口面积
Figure 95928DEST_PATH_IMAGE002
近似单调变化为出口截面面积
Figure 606544DEST_PATH_IMAGE003
。
进一步的，所述人工智能模型3包含c层卷积层，以及m层全连接层，其中c
Figure 100002_DEST_PATH_IMAGE007
,
Figure 100002_DEST_PATH_IMAGE008
。
进一步的，所述人工智能模型3生成的流体模型为
Figure 100002_DEST_PATH_IMAGE009
，其中
Figure 100002_DEST_PATH_IMAGE010
和
Figure 100002_DEST_PATH_IMAGE011
为人工智能模型3预测的参数，
Figure 100002_DEST_PATH_IMAGE012
为基于血流Q和步骤S3得到的血管边界信息计算得到的血流速度。
进一步的，如果分段后的血管分段含有分支，则基于人工智能模型3生成的流体模型为
Figure 100002_DEST_PATH_IMAGE013
，其中
Figure 100002_DEST_PATH_IMAGE014
和
Figure DEST_PATH_IMAGE015
为人工智能模型3预测的参数，
Figure DEST_PATH_IMAGE016
为由于分支分流修正后的子血管主干血流速度，由分支流体模型基于影像数据中的分支开口大小和角度计算得到。
本发明的有益效果是：
（1）可以在获取目标影像数据的同时获取血管功能学信息。
（2）不需要使用额外的压力导丝或微导管测量装置，避免了多次侵入。
（3）基于影像数据和人工智能的FFR避免了注射血管扩张药物如腺苷，简化病变血管功能学指标测量流程，避免了对病人身体的副作用。
（4）利用人工智能模型1，受益于大数据，提升FFR测量的鲁棒性。
（5）与现有基于人工智能计算FFR的方法对比，本发明用人工智能模型预测的流体模型符合流体力学物理原理，更真实的反映了目标血管的形态和功能特性，实用性和可推广性更强。
（6）通过计算血管不同位置压力信息，在术前模拟介入治疗（如放置支架）后血管功能恢复状况，有利于优化治疗手段和策略，改善患者预后，有效降低心血管不良事件的发生。
附图说明
图1为利用人工智能模型对新采集的血管内影像数据进行处理，生成流体力学模型并最终计算出FFR；
图2为利用已经采集的血管内影像数据，以及在体测量的FFR压力数据，对人工智能流体模型进行训练；
图3为利用已经采集的血管内影像数据，以及由此生成的3D打印模型并对模型进行体外压力测量得到的数据，对人工智能流体模型进行训练；
图4为利用已经采集的血管内影像数据，对血管进行三维建模和计算流体力学分析，利用仿真得到的压力数据，对人工智能流体模型进行训练；
图5为对目标血管进行自动分段，并对每一段分别利用人工智能流体模型预测该血管分段压降，并计算出FFR；
图6为一种利用血管管腔面积信息对目标血管进行分段的示意图，分割好的血管分段具有相似的形态特征，均为先收缩后扩张，可由入口截面面积
Figure 497533DEST_PATH_IMAGE002
，狭窄截面
Figure 689480DEST_PATH_IMAGE003
，以及出口截面面积
Figure 97328DEST_PATH_IMAGE004
表示该血管段面积变化的参考拐点；
图7为另一种利用血管管腔面积信息对目标血管进行分段的示意图，分割后的血管分段具有相似的形态特征，可表示单纯收缩或扩张，可由入口面积
Figure 982107DEST_PATH_IMAGE002
以及出口截面面积
Figure 717982DEST_PATH_IMAGE003
表示该血管段边界特征；
图8为利用人工智能模型对每个血管分段分别生成对应的流体力学模型的一种方法，这时每个血管分段表示为血管管腔的大小变化，是一个一维曲线；
图9为利用人工智能模型对每个血管分段分别生成对应的流体力学模型的另一种方法，这时每个血管分段表示为对称的二维血管管腔轮廓；
图10为利用人工智能模型对每个血管分段分别生成对应的流体力学模型的另一种方法，这时每个血管分段的输入为对应血管区间的原始血管内影像如IVUS或OCT截面图；
图11为利用人工智能模型对每个血管分段分别生成对应的流体力学模型的另一种方法，这时每个血管分段的输入为对应血管区间的血管管腔分割后的二值图像或掩码；
图12为利用人工智能模型对每个血管分段分别生成对应的流体力学模型的另一种方法，这时每个血管分段的输入为对应血管区间的三维重建或三维渲染；
图13为利用人工智能模型对每个血管分段分别生成对应的流体力学模型的另一种实例，输入图像为
Figure DEST_PATH_IMAGE017
个血管内图像沿某个角度的切面图；
图14为利用人工智能模型对目标血管图像进行流体力学分析的另一种实例，输入图像为冠脉造影图像；
图15为利用人工智能模型对含有分支的血管段进行流体力学分析输出对应流体力学模型的示意图；
图16为对输入血管影像中的目标血管分割为若干形态相似的血管分段的一种人工智能实现方法实例；
图17为利用人工智能模型对单个血管分段数据输入生成对应流体力学模型的一种方法实例。
具体实施方式
下面结合具体实施例进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。
一种基于血管影像的血流储备分数计算方法，其步骤如下：
步骤S1：获取目标血管影像数据；
步骤S2：获取主动脉或冠状动脉近端压力Pa，以及目标血管血流大小Q；
步骤S3：基于人工智能模型1和目标血管影像数据自动分割目标血管边界，获得目标血管截面大小和形状；
步骤S4：基于人工智能模型2和步骤S3中得到的血管边界信息将目标血管分割为若干具有固定形态的血管分段；
步骤S5：基于人工智能模型3和目标血管血流大小Q生成每个血管分段所对应的流体模型，并计算每个血管分段的压降；
步骤S6：根据每个血管分段的压降与近端压力Pa，计算目标血管段的任意远端截面的压力Pd，取Pd和Pa比值为计算得到的FFR。
可选的，一种基于血管影像的血流储备分数计算方法，目标血管数据为心脏冠状动脉影像数据，影像数据的获取方式包括冠脉造影、血管内光学相干断层成像（OCT）、血管内超声（IVUS）。
可选的，一种基于血管影像的血流储备分数计算方法，如图1所示，对采集的心血管影像数据进行处理，将目标血管分为若干形态相似的血管分段，接着对每个血管分段应用人工智能模型也就是人工智能模型3，依据血管分段形态的不同生成对应的流体力学模型，并结合血流速度计算血管段压降，最后根据远端和近端压力比值计算各个目标血管位置的FFR。
可选的，一种基于血管影像的血流储备分数计算方法，如图2所示，依据大量已经采集的心血管影像数据，对影像数据中目标血管进行分段；同时，可以对影像数据进行三维建模并3D打印出血管模型，并在体外模拟流体环境，测量体外血管模型压力。利用体外压力测量数据结合影像数据训练得到人工智能模型3，以及对应的流体模型。
可选的，一种基于血管影像的血流储备分数计算方法，如图3所示，同样依据大量已经采集的心血管影像数据，对影像数据中目标血管进行分段；同时，可以对影像数据进行三维建模并3D打印出血管模型，并在体外模拟流体环境，测量体外血管模型压力。利用体外压力测量数据结合影像数据训练得到人工智能模型3，以及对应的流体模型。
可选的，一种基于血管影像的血流储备分数计算方法，如图4所示。同样依据大量已经采集的心血管影像数据，对影像数据中目标血管进行分段；同时，对影像数据进行三维建模，并进行三维流体力学仿真，利用压力仿真结果训练得到人工智能模型3，进而生成对应的流体模型。
可选的，一种基于血管影像的血流储备分数计算方法，如图5所示，对目标血管进行分段，将其分为若干形态相似的血管分段，随后利用人工智能模型3，分别生成各血管分段对应的流体模型，并计算出各血管段对应的压降，最后得到血管每个位置的压力分布。
可选的，一种基于血管影像的血流储备分数计算方法，对原始影像数据应用人工智能模型1，检测出血管边界，计算出血管各截面面积，按照血管不同位置面积变化的情况，自动将其分为先收缩，后扩张的形态相似的血管段，即血管面积在入口截面面积
Figure 244778DEST_PATH_IMAGE002
、狭窄截面
Figure 725043DEST_PATH_IMAGE003
，以及出口截面面积
Figure 311882DEST_PATH_IMAGE004
之间近似单调变化，且满足
Figure 800632DEST_PATH_IMAGE005
，
Figure 131119DEST_PATH_IMAGE006
。
优选的，人工智能模型1可以应用成熟的卷积神经网络方法，如U-Net（可参考文献Falk T et al. U-Net: deep learning for cell counting, detection, andmorphometry. Nat Methods. 2019 Jan;16(1):67-70）或DeepLab（可参考文献Chen LC etal. DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, AtrousConvolution, and Fully Connected CRFs. IEEE Trans Pattern Anal Mach Intell.2018 Apr;40(4):834-848.）或其他方法；或者采用非卷积神经网络方法例如图割算法，或者水平集方法。优选的，采用卷积神经网络方法用于血管分割时的人工智能模型1包含3层或以上卷积层的卷积神经网络。
可选的，一种基于血管影像的血流储备分数计算方法，人工智能模型2的输入为步骤S1获取的目标血管影像数据，或基于影像数据生成的图像特征。图像特征是目标血管各截面积大小，或目标血管分割掩码，或目标血管二维对称截面图，或
Figure 123346DEST_PATH_IMAGE001
个目标血管内图像沿某个角度的切面图，或目标血管三维渲染结果；人工智能模型2的输出为分段后的血管分段影像数据或特征，其类型与输入类型相同；该输出作为人工智能模型3的输入。
可选的，一种基于血管影像的血流储备分数计算方法，步骤S4得到的血管分段满足：
血管分段均为先收缩后扩张，每个血管分段面积在入口截面面积
Figure 349928DEST_PATH_IMAGE002
、狭窄截面
Figure 653871DEST_PATH_IMAGE003
，以及出口截面面积
Figure 194573DEST_PATH_IMAGE004
之间近似单调变化，且满足
Figure 634782DEST_PATH_IMAGE005
，
Figure 563424DEST_PATH_IMAGE006
。血管分段可表示为单纯收缩或单纯扩张，每个血管分段由入口面积
Figure 26766DEST_PATH_IMAGE002
近似单调变化为出口截面面积
Figure 699056DEST_PATH_IMAGE003
。
可选的，一种基于血管影像的血流储备分数计算方法，如图7所示。是基于人工智能模型2对目标血管分段的方法，对原始影像数据检测血管边界，计算出血管各截面面积，按照血管不同位置面积变化的情况，自动将其分为单调收缩或单调扩张的血管分段。每个血管分段面积在入口截面面积
Figure 665875DEST_PATH_IMAGE002
以及出口截面面积
Figure DEST_PATH_IMAGE018
之间近似单调变化。
经过人工智能模型2处理后的原始图像数据等被分为若干段，而人工智能模型3的输入数据为人工智能模型2的输出结果，也就是每一段的图像数据，也就是说人工智能模型2的输入输出数据与人工智能模型3的输入数据类型完全一致，其具体实现方式如下：
可选的，一种基于血管影像的血流储备分数计算方法，如图8所示。是人工智能模型3生成对应的流体模型的方法，输入为各血管分段一维的血管面积曲线。流体模型为固定的
Figure 96244DEST_PATH_IMAGE009
形式，其中
Figure 515724DEST_PATH_IMAGE012
为血流流速，但不同血管段依据其形态不同
Figure 194967DEST_PATH_IMAGE010
和
Figure 140926DEST_PATH_IMAGE011
取不同的数值，由人工智能模型3自动计算得出。由流体模型可以直接计算出对应血管段的压降。
可选的，一种基于血管影像的血流储备分数计算方法，是人工智能模型3生成对应的流体模型的方法，如图9所示。人工智能模型3的输入为各血管分段二维的面积截面，且血管各截面可表示为与管腔面积大小相同的对称椭圆。
可选的，一种基于血管影像的血流储备分数计算方法，是人工智能模型3生成对应的流体模型的方法，人工智能模型3的输入为各血管分段原始血管影像数据截面图，如IVUS或OCT图像。图10中以OCT图像为例，但这里的原始血管图像也可以为IVUS图像。
可选的，一种基于血管影像的血流储备分数计算方法，是人工智能模型3生成对应的流体模型的方法，如图11所示。人工智能模型3的输入为各血管分段血管分割二值图像或掩码。血管分割结果可来自于IVUS图像，或OCT图像。
可选的，一种基于血管影像的血流储备分数计算方法，是人工智能模型3生成对应的流体模型的方法，如图12所示。人工智能模型3的输入为各血管段三维渲染结果。优选的，三维渲染可以为血管边界的三维面绘制，或基于原始影像数据的血管的三维体绘制，或三维面绘制与体绘制的结合。
可选的，一种基于血管影像的血流储备分数计算方法，是人工智能模型3生成对应的流体模型的方法，如图13所示。人工智能模型3的输入为
Figure 817895DEST_PATH_IMAGE017
个血管内影像沿某个角度的切面图28。图13以IVUS图像为例，但对于OCT图像同样适用。
可选的，一种基于血管影像的血流储备分数计算方法，是人工智能模型3生成对应的流体模型的方法，如图14所示。输入为
Figure DEST_PATH_IMAGE019
张血管造影图像。如果输入造影图像大于1，则不同造影图像由不同采集角度获取，且采集角度一般至少差异为30度。基于血管造影图像，自动分割出血管边界，并利用人工智能模型2对血管进行分段，输入人工智能模型3，计算出各血管段压降以及血管各个截面的FFR。优选的，如果输入为两个造影图像，则可以根据造影采集角度重建出三维血管，这时人工智能模型2输入为分割后的三维血管边界。
可选的，一种基于血管影像的血流储备分数计算方法，人工智能模型1和人工智能模型2是包含3层或以上卷积层的卷积神经网络，或其他非卷积神经网络图像处理算法。
可选的，一种基于血管影像的血流储备分数计算方法，人工智能模型3包含c层卷积层，以及m层全连接层，其中c
Figure 318147DEST_PATH_IMAGE007
,
Figure 535501DEST_PATH_IMAGE008
。
可选的，一种基于血管影像的血流储备分数计算方法，人工智能模型3生成的流体模型为
Figure 867125DEST_PATH_IMAGE009
，其中
Figure 449417DEST_PATH_IMAGE010
和
Figure 968123DEST_PATH_IMAGE011
为人工智能模型3预测的参数，
Figure 257677DEST_PATH_IMAGE012
为基于血流Q和步骤S3得到的血管边界信息计算得到的血流速度。
可选的，一种基于血管影像的血流储备分数计算方法，如果分段后的血管分段含有分支，则基于人工智能模型3生成的流体模型为
Figure DEST_PATH_IMAGE020
，其中
Figure 381491DEST_PATH_IMAGE010
和
Figure 134683DEST_PATH_IMAGE011
为人工智能模型3预测的参数，
Figure DEST_PATH_IMAGE021
为由于分支分流修正后的子血管主干血流速度，由分支流体模型基于影像数据中的分支开口大小和角度计算得到。如图15所示。优选的，每个血管分段只有一个分支。人工智能分支模型由含有分支的血管段影像数据，以及对应的压力测量数据，或者体外模型压力测量数据，或者三维流体力学仿真数据进行训练得到。基于人工智能分支模型，可以生成对应血管段的压降。优选的，人工智能分支模型的输出的流体模型为
Figure 937423DEST_PATH_IMAGE020
，其中
Figure 434263DEST_PATH_IMAGE021
为因为分支分流后，修正后的血管主干血流速度，满足条件
Figure DEST_PATH_IMAGE022
，其中
Figure 943742DEST_PATH_IMAGE012
为该血管段不存在分支时的血流速度。
Figure 930153DEST_PATH_IMAGE021
由分支流体模型基于影像数据中的分支开口大小和角度计算得到。
可选的，一种基于血管影像的血流储备分数计算方法，是利用人工智能模型2进行血管分段的方法，如图16所示，人工智能模型2的实现方法为含有卷积层、池化层、跳层连接、解卷积层的深度卷积神经网络图像分割方法，例如U-Net。然而，任何包含3层或以上卷积层的卷积神经网络方法都应包含在人工智能模型2之内。另外一种血管分段的方法基于非卷积神经网络图像处理算法，如利用输入血管面积的一阶导数和/或二阶导数，判断面积变化的拐点进行血管分段分段。总之，只要能生成形态相似的血管分段或的算法都应包含在人工智能模型2之内。
可选的，一种基于血管影像的血流储备分数计算方法，是人工智能模型3的实现方式，参考图17所示，具体包含c层卷积层，以及m层全连接层，其中c
Figure 423451DEST_PATH_IMAGE007
,
Figure 458403DEST_PATH_IMAGE008
。人工智能模型3的输出为
Figure 619126DEST_PATH_IMAGE009
形式的流体模型，其中
Figure 448542DEST_PATH_IMAGE012
为血流流速，为已知值或基于人工智能模型的修正值（如血管有分支的情况）；
Figure 635328DEST_PATH_IMAGE010
和
Figure 598605DEST_PATH_IMAGE011
为人工智能模型3的输出值。
值得说明的是，本发明所指的分支流体模型采用的是目前已知的血管分支流体模型，凡是本领域已知的任何分支流体模型均可用于本发明中，例如《不对称血管分支模型》李韶伟一文中所提及的血管分支模型即可用于本方案中。
以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (10)

1.一种基于血管影像的血流储备分数计算方法，其特征在于，其步骤如下：
步骤S1：获取目标血管影像数据；
步骤S2：获取主动脉或冠状动脉近端压力Pa，以及目标血管血流大小Q；
步骤S3：基于人工智能模型1和目标血管影像数据自动分割目标血管边界，获得目标血管截面大小和形状；
步骤S4：基于人工智能模型2和步骤S3中得到的血管边界信息将目标血管分割为若干具有固定形态的血管分段；
步骤S5：基于人工智能模型3和目标血管血流大小Q生成每个血管分段所对应的流体模型，并计算每个血管分段的压降；
步骤S6：根据每个血管分段的压降与近端压力Pa，计算目标血管段的任意远端截面的压力Pd，取Pd和Pa比值为计算得到的FFR。
2.根据权利要求1所述的一种基于血管影像的血流储备分数计算方法，其特征在于，所述目标血管数据为心脏冠状动脉影像数据，影像数据的获取方式包括冠脉造影、血管内光学相干断层成像（OCT）、血管内超声（IVUS）。
3.根据权利要求2所述的一种基于血管影像的血流储备分数计算方法，其特征在于，所述人工智能模型1和人工智能模型2是包含3层或以上卷积层的卷积神经网络，或其他非卷积神经网络图像处理算法。
4.根据权利要求3所述的一种基于血管影像的血流储备分数计算方法，其特征在于，所述人工智能模型2的输入为步骤S1获取的目标血管影像数据，或基于影像数据生成的图像特征。
5.根据权利要求4所述的一种基于血管影像的血流储备分数计算方法，其特征在于，所述图像特征是目标血管各截面积大小，或目标血管分割掩码，或目标血管二维对称截面图，或
Figure DEST_PATH_IMAGE001
个目标血管内图像沿某个角度的切面图，或目标血管三维渲染结果；
人工智能模型2的输出为分段后的血管分段影像数据或特征，其类型与输入类型相同；该输出作为人工智能模型3的输入。
6.根据权利要求5所述的一种基于血管影像的血流储备分数计算方法，其特征在于，所述步骤S4得到的血管分段满足：
血管分段均为先收缩后扩张，每个血管分段面积在入口截面面积
Figure DEST_PATH_IMAGE002
、狭窄截面
Figure DEST_PATH_IMAGE003
，以及出口截面面积
Figure DEST_PATH_IMAGE004
之间近似单调变化，且满足
Figure DEST_PATH_IMAGE005
，
Figure DEST_PATH_IMAGE006
。
7.根据权利要求6所述的一种基于血管影像的血流储备分数计算方法，其特征在于，所述血管分段可表示为单纯收缩或单纯扩张，每个血管分段由入口面积
Figure 714611DEST_PATH_IMAGE002
近似单调变化为出口截面面积
Figure 281685DEST_PATH_IMAGE003
。
8.根据权利要求7所述的一种基于血管影像的血流储备分数计算方法，其特征在于，所述人工智能模型3包含c层卷积层，以及m层全连接层，其中c
Figure DEST_PATH_IMAGE007
,
Figure DEST_PATH_IMAGE008
。
9.根据权利要求8所述的一种基于血管影像的血流储备分数计算方法，其特征在于，所述人工智能模型3生成的流体模型为
Figure DEST_PATH_IMAGE009
，其中
Figure DEST_PATH_IMAGE010
和
Figure DEST_PATH_IMAGE011
为人工智能模型3预测的参数，
Figure DEST_PATH_IMAGE012
为基于血流Q和步骤S3得到的血管边界信息计算得到的血流速度。
10.根据权利要求9所述的一种基于血管影像的血流储备分数计算方法，其特征在于，如果分段后的血管分段含有分支，则基于人工智能模型3生成的流体模型为
Figure DEST_PATH_IMAGE013
，其中
Figure 310689DEST_PATH_IMAGE010
和
Figure 237057DEST_PATH_IMAGE011
为人工智能模型3预测的参数，
Figure DEST_PATH_IMAGE014
为由于分支分流修正后的子血管主干血流速度，由分支流体模型基于影像数据中的分支开口大小和角度计算得到。
CN202011484540.3A 2020-12-16 2020-12-16 一种基于血管影像的血流储备分数计算方法 Pending CN112535466A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011484540.3A CN112535466A (zh) 2020-12-16 2020-12-16 一种基于血管影像的血流储备分数计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011484540.3A CN112535466A (zh) 2020-12-16 2020-12-16 一种基于血管影像的血流储备分数计算方法

Publications (1)

Publication Number Publication Date
CN112535466A true CN112535466A (zh) 2021-03-23

Family

ID=75018821

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011484540.3A Pending CN112535466A (zh) 2020-12-16 2020-12-16 一种基于血管影像的血流储备分数计算方法

Country Status (1)

Country Link
CN (1) CN112535466A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN113616160A (zh) * 2021-09-14 2021-11-09 昆山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
CN116919374A (zh) * 2023-07-19 2023-10-24 西安交通大学 颅内动脉瘤及载瘤动脉内血流动力学参数评估方法及***
CN117197096A (zh) * 2023-09-13 2023-12-08 广州麦笛亚医疗器械有限公司 一种基于血管图像的血管功能评估方法和***

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN107411767A (zh) * 2017-06-28 2017-12-01 西北工业大学 一种基于冠状动脉ct血管造影评估狭窄病灶血流阻力的非侵入式方法
US20180286045A1 (en) * 2015-04-30 2018-10-04 Koninklijke Philips N.V. Fractional flow reserve determination
CN111134651A (zh) * 2019-12-09 2020-05-12 杭州脉流科技有限公司 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
CN111227822A (zh) * 2018-11-28 2020-06-05 苏州润心医疗器械有限公司 基于心肌血流量和ct图像的冠状动脉血流储备分数计算方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
US20180286045A1 (en) * 2015-04-30 2018-10-04 Koninklijke Philips N.V. Fractional flow reserve determination
CN107411767A (zh) * 2017-06-28 2017-12-01 西北工业大学 一种基于冠状动脉ct血管造影评估狭窄病灶血流阻力的非侵入式方法
CN111227822A (zh) * 2018-11-28 2020-06-05 苏州润心医疗器械有限公司 基于心肌血流量和ct图像的冠状动脉血流储备分数计算方法
CN111134651A (zh) * 2019-12-09 2020-05-12 杭州脉流科技有限公司 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

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
WO2022228464A1 (zh) * 2021-04-29 2022-11-03 上海博动医疗科技股份有限公司 基于血管内成像的血流速度、血流储备分数的分析方法
CN113616160A (zh) * 2021-09-14 2021-11-09 昆山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
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
CN116919374A (zh) * 2023-07-19 2023-10-24 西安交通大学 颅内动脉瘤及载瘤动脉内血流动力学参数评估方法及***
CN116919374B (zh) * 2023-07-19 2024-04-12 西安交通大学 颅内动脉瘤及载瘤动脉内血流动力学参数评估方法及***
CN117197096A (zh) * 2023-09-13 2023-12-08 广州麦笛亚医疗器械有限公司 一种基于血管图像的血管功能评估方法和***
CN117197096B (zh) * 2023-09-13 2024-02-20 广州麦笛亚医疗器械有限公司 一种基于血管图像的血管功能评估方法和***

Similar Documents

Publication Publication Date Title
JP6792768B2 (ja) 血流予備量比の計算方法およびシステム
CN112535466A (zh) 一种基于血管影像的血流储备分数计算方法
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
JP2022169579A (ja) リアルタイムで診断上有用な結果
CN111227822A (zh) 基于心肌血流量和ct图像的冠状动脉血流储备分数计算方法
CN108122616B (zh) 个体特异性的心血管模型的生成方法及其应用
JP7118464B2 (ja) 血管圧差を取得する方法及び装置
WO2016001017A1 (en) Apparatus for determining a fractional flow reserve value
CN106714673A (zh) 按患者区分的血管信息决定方法
CN108742587B (zh) 基于病史信息获取血流特征值的方法及装置
CN108735270A (zh) 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
JP7286763B2 (ja) 血管圧力差の取得装置の作動方法及び血管圧力差の取得装置
CN108742570B (zh) 基于冠脉优势类型获取血管压力差的装置
WO2020102154A1 (en) Noninvasive quantitative flow mapping using a virtual catheter volume
CN113902690A (zh) 基于血管腔内影像计算血流储备分数的方法、装置、计算设备以及存储介质
Kousera et al. Patient-specific coronary stenoses can be modeled using a combination of OCT and flow velocities to accurately predict hyperemic pressure gradients
CN114052764B (zh) 获取血流储备分数的方法、装置、***和计算机存储介质
CN116524134B (zh) 基于血管内图像的三维血管建模方法及ffr计算方法和***
US20210290076A1 (en) System and a method for determining a significance of a stenosis
CN112704505B (zh) 一种利用cta和dsa测量冠状动脉血流储备分数的方法
CN111839496B (zh) 一种通过常规造影图像测量出血流储备分数的***
CN110584696B (zh) 一种血流储备分数评估方法及装置、存储介质
CN114664455A (zh) 一种冠状动脉血流储备分数计算方法及装置
US10332255B2 (en) Method for assessing stenosis severity in a lesion tree through stenosis mapping
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

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210323

RJ01 Rejection of invention patent application after publication