CN112711831A - 血管仿真分析方法、设备、装置、计算机设备和存储介质 - Google Patents
血管仿真分析方法、设备、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN112711831A CN112711831A CN202011419172.4A CN202011419172A CN112711831A CN 112711831 A CN112711831 A CN 112711831A CN 202011419172 A CN202011419172 A CN 202011419172A CN 112711831 A CN112711831 A CN 112711831A
- Authority
- CN
- China
- Prior art keywords
- blood vessel
- target
- target blood
- vessel section
- dimensional 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- 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)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Epidemiology (AREA)
- Theoretical Computer Science (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- General Physics & Mathematics (AREA)
- Pathology (AREA)
- Geometry (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本申请涉及一种血管仿真分析方法、装置、计算机设备和存储介质。该方法包括:计算机设备根据目标血管段的至少两个二维图像序列,构建目标血管段的三维模型,获取三维模型的切割面位置,根据三维模型的切割面位置的灰度值梯度和各切割面位置对应的图像帧,计算目标血管段的血液平均流速,从而根据目标血管段的三维模型、预设的边界条件和预设的仿真模型,进行仿真计算,得到目标血管段的仿真结果。在本方法中,计算机设备可以识别目标血管段的入口位置的灰度值梯度和出口位置灰度值梯度,并进行血液平均流速的计算,使得基于血液平均流速得到的目标血管段的仿真结果更为精准。
Description
技术领域
本申请涉及智能医疗技术领域,特别是涉及一种血管仿真分析方法、设备、装置、计算机设备和存储介质。
背景技术
近年来,由于医疗影像设备在清晰度等层面的进一步发展,通过医学图像后处理的方式,计算血管的血流储备分数(Frictional Flow Reserve,FFR)的各类应用的准确度以及临床接受程度都有了显著提升。
现有技术是通过工作人员手动选择得到的心肌梗塞溶栓(Thrombolysis inMyocardial Infarction,TIMI)时间来构建流体力学分析方程的边界条件,基于构建的边界条件,通过常规流体力学分析方程,进行血管血流储备分数的仿真计算。
然而,手动确定TIMI时间的方式导致边界条件的准确性较低,进而影响血管的仿真分析结果的准确性。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高血管仿真结果准确性的血管仿真分析方法、装置、计算机设备和存储介质。
第一方面,提供一种血管仿真分析方法,其特征在于,该方法包括:
根据目标血管段的至少两个二维图像序列,构建目标血管段的三维模型;
获取三维模型的切割面位置;切割面位置包括目标血管段的入口位置和出口位置;
根据三维模型的切割面位置的灰度值梯度和各切割面位置对应的图像帧,计算目标血管段的血液平均流速;
根据目标血管段的三维模型、预设的边界条件和预设的仿真模型,进行仿真计算,得到目标血管段的仿真结果;预设的边界条件包括流速边界值和压力边界值;流速边界值为血液平均流速。
在其中一个实施例中,上述方法还包括:
确定目标血管段的多个分支血管段;
将各分支血管段的斜率信息、目标血管段的血液平均流速值输入至预设的tag模型,计算得到目标血管段的第一出口流速;
根据第一出口流速,对血液平均流速值进行修正,得到修正后的血液平均流速值;
根据目标血管段的三维模型、血液平均流速值、预设边界条件和预设的迭代方程,进行迭代计算,得到目标血管段的仿真结果,包括:
根据目标血管段的三维模型、修正后的血液平均流速值、边界条件和迭代方程,进行迭代计算,得到目标血管段的仿真结果。
在其中一个实施例中,上述预设的tag模型包括第一约束方程和第二约束方程;第一约束方程表示各血管段的出口流速与各血管段的斜率信息之间的映射关系;第二约束方程表示各血管段的出口流速、所有血管段的体积之和、以及造影剂经过时间之间的映射关系。
在其中一个实施例中,上述根据三维模型的切割面位置的灰度值梯度和各切割面位置对应的图像帧,计算目标血管段的血液平均流速,包括:
检测到三维模型的灰度值梯度值大于预设阈值时,确定三维模型的当前位置为切割面位置,并获取切割面位置的对应的图像帧;
根据各切割面位置的对应的图像帧,计算各切割面位置之间的时间差;
根据时间差与目标血管段的体积,计算目标血管段的血液平均流速。
在其中一个实施例中,上述方法还包括:
对目标血管段的三维模型进行网格化处理,得到网格化的三维模型;
根据目标血管段的三维模型、血液平均流速、预设边界条件和预设的迭代方程,进行迭代计算,得到目标血管段的仿真结果,包括:
根据网格化的三维模型、血液平均流速、边界条件和迭代方程,进行迭代计算,得到目标血管段的仿真结果。
在其中一个实施例中,上述根据目标血管段的三维模型、预设的边界条件和预设的仿真模型,进行仿真计算,得到目标血管段的仿真结果,包括:
将目标血管段的三维模型、血液平均流速和压力边界值,代入预设的仿真模型,计算得到第i次迭代结果;迭代结果包括三维模型中各网格点对应的速度和压力;
在第i+1次的迭代结果与第i次的迭代结果之间的残差值小于预设阈值的情况下,将第i+1次的迭代结果确定为目标血管段的仿真结果;仿真结果包括目标血管段的血液速度分布信息、血液压力分布信息。
在其中一个实施例中,上述方法还包括:
通过平面造影成像技术,获取目标区域的多个原始二维图像序列;目标区域包含目标血管段;
根据各原始二维图像序列的成像角度,从多个原始二维图像序列中确定至少两个二维图像序列。
在其中一个实施例中,在上述根据目标血管段的三维模型、修正后的血液平均流速值、边界条件和迭代方程,进行迭代计算,得到目标血管段的仿真结果之后,上述方法还包括:
根据仿真结果中的压力分布信息和预设的主动脉压力值,计算目标血管段的血流储备分数FFR;
根据仿真结果中的速度分布信息,获取目标血管段的流线分布结果;
根据仿真结果中的速度分布信息、目标血管段的三维模型、以及目标血管段的血液粘性,获取目标血管段的应力分布结果。
在其中一个实施例中,上述方法还包括:
根据目标血管段的血流储备分数FFR和预设的血流储备分数阈值,确定目标血管段的状态信息。
第二方面,提供一种血管仿真分析装置,其特征在于,该装置包括:
构建模块,用于根据目标血管段的至少两个二维图像序列,构建目标血管段的三维模型
确定模块,用于获取三维模型的切割面位置;切割面位置包括目标血管段的入口位置和出口位置;
计算模块,用于根据三维模型的切割面位置的灰度值梯度和各切割面位置对应的图像帧,计算目标血管段的血液平均流速;
仿真模块,用于根据目标血管段的三维模型、预设的边界条件和预设的仿真模型,进行仿真计算,得到目标血管段的仿真结果;预设的边界条件包括流速边界值和压力边界值;流速边界值为血液平均流速。
第三方面,提供一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该处理器执行该计算机程序时实现上述第一方面任一所述的血管仿真分析方法。
第四方面,提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述第一方面任一所述的血管仿真分析方法。
上述血管仿真分析方法、装置、计算机设备和存储介质,计算机设备根据目标血管段的至少两个二维图像序列,构建目标血管段的三维模型,获取三维模型的切割面位置,根据三维模型的切割面位置的灰度值梯度和各切割面位置对应的图像帧,计算目标血管段的血液平均流速,从而根据目标血管段的三维模型、预设的边界条件和预设的仿真模型,进行仿真计算,得到目标血管段的仿真结果。其中,切割面位置包括目标血管段的入口位置和出口位置,预设的边界条件包括流速边界值和压力边界值,这里流速边界值为血液平均流速。在本方法中,计算机设备可以自动识别目标血管段的切割面位置,根据目标血管段的入口位置的灰度值梯度和出口位置灰度值梯度,进行血液平均流速的计算,整个计算过程无需用户交互操作,避免了由于人工操作造成的计算精度低,计算得到的血液平均流速值更准确,从而基于血液平均流速而得到的目标血管段的仿真结果更为精准。
附图说明
图1为一个实施例中血管仿真分析方法的应用环境图;
图2为一个实施例中血管仿真分析方法的流程示意图;
图3为一个实施例中血管仿真分析方法的流程示意图;
图4为一个实施例中血管仿真分析方法的流程示意图;
图5为一个实施例中血管仿真分析方法的流程示意图;
图6为一个实施例中血管仿真分析方法的流程示意图;
图7为一个实施例中血管仿真分析方法的流程示意图;
图8为一个实施例中血管仿真分析方法的流程示意图;
图9为一个实施例中血管仿真分析方法的流程示意图;
图10为一个实施例中血管仿真分析装置的结构框图;
图11为一个实施例中血管仿真分析装置的结构框图;
图12为一个实施例中血管仿真分析装置的结构框图;
图13为一个实施例中血管仿真分析装置的结构框图;
图14为一个实施例中血管仿真分析装置的结构框图;
图15为一个实施例中血管仿真分析装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的血管仿真分析方法,可以应用于如图1所示的应用环境中。在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图1所示。该计算机设备包括通过***总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种血管仿真分析方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图1中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
下面将通过实施例并结合附图具体地对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。需要说明的是,本申请图2-图9实施例提供的血管仿真分析方法,其执行主体为计算机设备,也可以是血管仿真分析装置,该血管仿真分析装置可以通过软件、硬件或者软硬件结合的方式成为计算机设备的部分或全部。下述方法实施例中,均以执行主体是计算机设备为例来进行说明。
在一个实施例中,如图2所示,提供了一种血管仿真分析方法,涉及的是计算机设备根据目标血管段的至少两个二维图像序列,构建目标血管段的三维模型,获取三维模型的切割面位置,根据三维模型的切割面位置的灰度值梯度和各切割面位置对应的图像帧,计算目标血管段的血液平均流速,从而根据目标血管段的三维模型、血液平均流速、预设边界条件和预设的迭代方程,进行迭代计算,得到目标血管段的仿真结果的过程,包括以下步骤:
S201、根据目标血管段的至少两个二维图像序列,构建目标血管段的三维模型。
在本实施例中,计算机设备根据目标血管段的至少两个二维图像序列,构建目标血管段的三维模型。示例地,计算机设备根据两个二维图像序列构建三维模型,首先分别对两个二维图像序列中的目标血管段进行二维轮廓和中心线的提取操作,得到两个二维图像序列中的目标血管段的二维轮廓。其中,计算机设备可以根据二维图像序列中的灰度信息的进行二维轮廓的提取,例如,基于灰度值梯度,灰度值阈值进行二维轮廓的提取。计算机设备基于确定的二维轮廓确定目标血管段的中心线,示例地,计算机设备通过在目标血管段截面上取得轮廓中心点,再将中心点一一连接得到中心线。进一步地,计算机设备在完成中心线的提取之后,还可以通过中心线和轮廓的对应关系进行进一步的修正,示例地,计算机设备可以对中心线及轮廓进行平滑处理、对中心线及轮廓点的进行重采样处理等操作。其中,平滑处理指的是通过中心线及轮廓的相邻点取平均值进行中心线及轮廓的平滑计算。重采样指的是对于中心线及轮廓的各点的信息进行重新筛选,以便得到更准确的中心线及轮廓。
计算机设备在确定,目标血管段的中心线及二维轮廓之后,基于两个二维图像序列的二维轮廓、中心线、以及两个二维图像序列的成像角度,进行自动化三维建模,生成目标血管段的三维重建模型,本实施例对此不做限定。
S202、获取三维模型的切割面位置;切割面位置包括目标血管段的入口位置和出口位置。
在本实施例中,计算机设备在构建目标血管段的三维模型之后,基于三维模型,确定目标血管段的入口位置和出口位置,可选地,为了更准确的计算目标血管段的血液平均流速,计算机设备还可以确定目标血管段中其他具有特征性的位置,例如分叉位置、变细或***的位置等。在确定目标血管段的入口位置和出口位置时,计算机设备需要遵循一定的选取原则,其中,选取原则包括选取点的位置要求、数量要求,目标血管段的区间长度要求等,本实施例对此不做限定。
S203、根据三维模型的切割面位置的灰度值梯度和各切割面位置对应的图像帧,计算目标血管段的血液平均流速。
其中,灰度值梯度指的是由于造影剂流动造成的血管段中灰度的变化量。
在本实施例中,计算机设备基于预设的TIMI算法,根据三维模型的切割面位置的灰度值梯度,提取目标血管段的切割面位置的图像帧,并基于目标血管段的切割面位置的图像帧计算目标血管段的血液平均流速。可选地,计算机设备自动识别三维模型的切割面位置,即,识别目标血管段的入口位置和出口位置,分别获取目标血管段的入口位置和出口位置对应的图像帧,根据图像帧进行造影剂在目标血管段的入口位置和出口位置经过时间差的计算,进而根据时间差和目标血管段的体积,计算目标血管段的血液平均流速。由于对目标血管段进行造影采用的是均匀的时间序列,所以在找到造影剂的位置和时间信息后,可以计算出造影剂在目标血管段流动的时间。
可选的,计算机设备还可以接收操作人员的设定的造影剂经过入口位置和出口位置,并获取入口位置和出口位置对应的帧。进一步地,还可以对手动选取的入口位置和出口位置进行调整,以得到更为精准的造影剂经过入口位置和出口位置,进而得到更为精准的目标血管段的血液平均流速,本实施例对此不做限定。
S204、根据目标血管段的三维模型、预设的边界条件和预设的仿真模型,进行仿真计算,得到目标血管段的仿真结果;预设的边界条件包括流速边界值和压力边界值;流速边界值为血液平均流速。
其中,流速边界值指的是目标血管段的出口速度,压力边界值指的是预设的入口压力。本实施例中,将计算得到的血液平均流速作为目标血管段的出口速度。
在本实施例中,可选地,仿真模型可以为基于神经网络的机器学***均流速;压力边界条件可以为预设的目标血管段的入口压力。计算机设备根据预设的迭代条件,以及每一次迭代得到的仿真结果确定目标血管段的最终仿真结果,本实施例对此不做限定。
上述血管仿真分析方法中,计算机设备根据目标血管段的至少两个二维图像序列,构建目标血管段的三维模型,获取三维模型的切割面位置,根据三维模型的切割面位置的灰度值梯度和各切割面位置对应的图像帧,计算目标血管段的血液平均流速,从而根据目标血管段的三维模型、预设的边界条件和预设的仿真模型,进行仿真计算,得到目标血管段的仿真结果。其中,切割面位置包括目标血管段的入口位置和出口位置,预设的边界条件包括流速边界值和压力边界值,这里流速边界值为血液平均流速。在本方法中,计算机设备可以自动识别目标血管段的切割面位置,根据目标血管段的入口位置的灰度值梯度和出口位置灰度值梯度,进行血液平均流速的计算,整个计算过程无需用户交互操作,避免了由于人工操作造成的计算精度低,计算得到的血液平均流速值更准确,从而基于血液平均流速而得到的目标血管段的仿真结果更为精准。
进一步地,计算机设备还可以通过构建优化模型,优化目标血管段的血液流速边界条件,进而修正目标血管段的血液平均流速。在一个实施例中,如图3所示,上述方法还包括:
S301、确定目标血管段的多个分支血管段。
在本实施例中,计算机设备根据目标血管段,确定与预设区域内与目标血管段连接的其他分支血管段,在确定其他分支血管段时,计算机设备可以基于分支血管段粗细情况、清晰情况、以及位置特征情况确定多个分支血管段。
S302、将各分支血管段的斜率信息、目标血管段的血液平均流速值输入至预设的tag模型,计算得到目标血管段的第一出口流速。
在本实施例中,计算机设备通过将各分支血管段的斜率信息、目标血管段的血液平均流速值输入预设的FFR tag模型,得到更为精准的目标血管段的第一出口流速。其中,Tag模型指的是由血管灰度和位置信息得到的灰度曲线变化的线性拟合结果。可选地,计算机设备将目标血管段的血液平均流速作为已知参数,通过获取其他分支血管段的Tag信息,计算得到目标血管段的第一出口流速,并将计算得到的第一出口流速作为速度的优化边界条件。
可选地,预设的tag模型包括第一约束方程和第二约束方程;第一约束方程表示各血管段的出口流速与各血管段的斜率信息之间的映射关系;第二约束方程表示各血管段的出口流速、所有血管段的体积之和、以及造影剂经过时间之间的映射关系。
其中,第一约束方程可以表示为:
其中,n表示血管段的个数,n为自然数;ux表示第x个血管段的出口速度;kx表示第x个血管段对应的Tag斜率。
第二约束方程可以表示为:
其中,n表示血管段的个数;ux表示第x个血管段的出口速度;Vtotal表示所有血管段的体积之和;Δt表示造影剂经过所有血管段的时间。
S303、根据第一出口流速,对血液平均流速值进行修正,得到修正后的血液平均流速值。
在本实施例中,上述实施例将计算得到的第一出口流速作为优化后的目标血管段的速度边界条件,基于速度边界条件,对目标血管段的血液平均流速值进行修正,可选地,计算机设备可以确定修正偏差值,并根据修正偏差值对血液平均流速值进行修正,得到修正后的血液平均流速值。
S304、根据目标血管段的三维模型、修正后的血液平均流速值、边界条件和迭代方程,进行迭代计算,得到目标血管段的仿真结果。
在本实施例中,计算机设备可以根据预设的质量守恒、动量守恒及能量守恒方程,结合对应的纳维斯托克斯方程,进行流体力学仿真迭代计算。示例地,计算机设备结果目标血管段的三维模型、边界条件信息作为输入数据,代入迭代方程,执行迭代计算,得到当前的计算结果。其中边界条件信息包括速度边界条件和压力边界条件,这里,可选地,速度边界条件可以为修正后的目标血管段的血液平均流速;压力边界条件可以为预设的目标血管段的入口压力。计算机设备根据预设的迭代条件,以及每一次迭代得到的仿真结果确定目标血管段的最终仿真结果,本实施例对此不做限定。
在本实施例中,计算机设备根据修正之后的目标血管段的血液平均流速值进行目标血管段的迭代计算,得到的计算结果更为准确。
计算机设备根据自动获取到的切割面位置的灰度值梯度进行计算时,在一个实施例中,如图4所示,上述根据三维模型的切割面位置的灰度值梯度和各切割面位置对应的图像帧,计算目标血管段的血液平均流速,包括:
S401、检测到三维模型的灰度值梯度值大于预设阈值时,确定三维模型的当前位置为切割面位置,并获取切割面位置的对应的图像帧。
在本实施例中,在添加造影剂之后,计算机设备对三维模型的造影灰度值进行提取,识别并确定目标血管段的三维模型中的切割面位置。例如,在灰度信息发生突变时,则认为是造影剂通过该血管段的切割面位置的入口位置,而导致灰度信息发生突变,此时,获取当前切割面位置对应的图像帧信息。
S402、根据各切割面位置的对应的图像帧,计算各切割面位置之间的时间差。
在本实施例中,计算机设备通过获取切割面位置的出口位置对应的帧数和切割面位置的入口位置对应的帧数,可选地,计算机设备通过将出口位置对应的帧数减去入口位置对应的帧数的方式,来计算出造影剂在切割面位置之间流动的时间差。
S403、根据时间差与目标血管段的体积,计算目标血管段的血液平均流速。
在本实施例中,有上述步骤获得时间差,计算机设备还可以根据目标血管段的三维模型获取目标血管段的体积,通过计算体积和时间差的商值,计算目标血管段的血液平均流速。
在本实施例中,计算机设备可以通过该方法准确识别目标血管段中灰度梯度跳跃点,来确定目标血管段的切割面位置,提高了目标血管段的流速的计算准确度。
在构建目标血管段的三维模型过程中,计算机设备还需要对三维模型进行网格化处理。在一个实施例中,如图5所示,上述方法还包括:
S501、对目标血管段的三维模型进行网格化处理,得到网格化的三维模型。
在本实施例中,计算机设备根据目标血管段的三维模型,生成满足算法需求的自适应网格。可选地,计算机设备可以自定义网格的大小,也可以使用默认的大小的网格。其中,网格的大小指的是基于三维重建模型所计算出的四面体网格的最大尺寸,通过这一参数可以调整网格的密度。计算机设备基于确定的网格大小对目标血管段的三维模型进行网格化处理,得到网格化的三维模型。
S502、根据网格化的三维模型、血液平均流速、边界条件和迭代方程,进行迭代计算,得到目标血管段的仿真结果。
在本实施例中,计算机设备可以根据预设的质量守恒、动量守恒及能量守恒方程,结合对应的纳维斯托克斯方程,进行流体力学仿真迭代计算。示例地,计算机设备结果目标血管段的网格化的三维模型、边界条件信息作为输入数据,代入迭代方程,执行迭代计算,得到当前的计算结果,并根据预设的迭代条件,以及每一次迭代得到的仿真结果确定目标血管段的最终仿真结果,本实施例对此不做限定。
在本实施例中,计算机设备可以根据计算精度确定目标血管段的网格尺寸,基于计算速度和精度的考虑,对目标血管段进行网格化处理,保证了后续基于三维模型进行迭代计算的准确性。
可选地,计算机设备根据预设的迭代条件执行迭代计算。在一个实施例中,如图6所示,上述根据目标血管段的三维模型、预设的边界条件和预设的仿真模型,进行仿真计算,得到目标血管段的仿真结果,包括:
S601、将目标血管段的三维模型、血液平均流速和压力边界值,代入预设的仿真模型,计算得到第i次迭代结果;迭代结果包括三维模型中各网格点对应的速度和压力。
其中,预设的仿真模型可以为预设的迭代方程,例如纳维斯托克斯方程。
在本实施例中,可选地,计算机设备可以根据预设的质量守恒、动量守恒及能量守恒方程,结合对应的纳维斯托克斯方程,进行流体力学仿真迭代计算。示例地,计算机设备结果目标血管段的三维模型、边界条件信息作为输入数据,代入迭代方程,执行迭代计算,得到当前的计算结果。其中边界条件信息包括速度边界条件和压力边界条件,这里,可选地,速度边界条件可以为上述实施例中计算得到的目标血管段的血液平均流速;压力边界条件可以为预设的目标血管段的入口压力。
S602、在第i+1次的迭代结果与第i次的迭代结果之间的残差值小于预设阈值的情况下,将第i+1次的迭代结果确定为目标血管段的仿真结果;仿真结果包括目标血管段的血液速度分布信息、血液压力分布信息。
在本实施例中,根据每一次的仿真结果,确定是否继续执行迭代计算。可选地,计算机设备可以计算第i+1次的迭代结果与第i次的迭代结果之间的残差值,在残差值小于预设的阈值的情况下,确定当前迭代计算的结果已经达到收敛,那么停止迭代,并将第i+1次的迭代结果确定为目标血管段的仿真结果,本实施例对此不做限定。其中,i为自然数。
在本实施例中,计算机设备根据预设的迭代算法和迭代条件执行迭代操作,得到目标血管段的血液速度分布信息、血液压力分布信息,得到的仿真结果准确、可靠。
在对目标血管段进行仿真计算之前,计算机设备可以通过原始二维图像序列确定目标血管段。在一个实施例中,如图7所示,上述方法还包括:
S701、通过平面造影成像技术,获取目标区域的多个原始二维图像序列;目标区域包含目标血管段。
在本实施例中,计算机设备可以基于双平面造影技术,得到包含目标血管段的感兴趣区域的二维图像序列,该二维图像序列指的是沿时间变化的感兴趣区域的图像数据。在基于双平面造影技术获取二维图像序列的过程中,基于与目标主体的成像角度,获取多个不同角度的原始二维图像序列。
S702、根据各原始二维图像序列的成像角度,从多个原始二维图像序列中确定至少两个二维图像序列。
在本实施例中,计算机设备可以基于工作人员或用户触发的请求,对原始二维图像序列进行筛选。其中,筛选原则包括原始二维图像序列对应的成像角度、原始二维图像序列中目标血管段的轮廓造影、床板在造影剂充盈前的移动情况、以及原始二维图像序列中所有血管的重叠情况。可选地,在目标血管段的轮廓造影清晰、血管的重叠情况较少、床板在造影剂充盈前无移动的情况下,根据原始二维图像序列对应的成像角度,选取两个成一定角度的原始二维图像序列,例如,选取两个成像角度差大于或等于30度的两个原始二维图像序列,作为筛选后的二维图像序列。
可选地,在从原始二维图像序列中筛选二维图像序列时,还可以考虑两个原始二维图像序列中的目标血管段均完整,且至少一个原始二维图像序列中的目标血管段包含一个或多个明显的位置信息,例如,分叉或狭窄等位置特征。
在本实施例中,计算机设备可以根据预设的筛选原则,从得到的目标血管段的原始二维图像序列中筛选所需要的二维图像序列,进行后期仿真计算,筛选得到的二维图像序列具有一定的清晰度,且具有良好的位置特征,提高仿真计算的效率和准确性。
计算机设备在得到仿真结果之后,还可以对仿真结果进行进一步的处理分析,得到目标血管段不同维度的分析结果。在一个实施例中,如图8所示,在上述根据目标血管段的三维模型、修正后的血液平均流速值、边界条件和迭代方程,进行迭代计算,得到目标血管段的仿真结果之后,上述方法还包括:
S801、根据仿真结果中的压力分布信息和预设的主动脉压力值,计算目标血管段的血流储备分数(FFR)。
其中,预设的主动脉压力值为根据目标血管段的实际位置确定的额定值。
在本实施例中,计算机设备根据仿真结果中的压力分布信息,可以获取目标血管段中任意位置的压力值,根据压力值和预设的主动脉压力值,计算目标血管段的血流储备分数(FFR)。示例地,FFR的计算可以通过以下公式得到:
其中,P为目标血管段中任意一点的压力值,Paorta为预设的主动脉压力值。
S802、根据仿真结果中的速度分布信息,获取目标血管段的流线分布结果。
在本实施例中,计算机设备可以通过速度分布信息,生成目标血管段的流线分布结果,该流线分布结果表示一个时间点下,目标血管段中血液速度的大小和方向在血管内的表现。
S803、根据仿真结果中的速度分布信息、目标血管段的三维模型、以及目标血管段的血液粘性,获取目标血管段的应力分布结果。
在本实施例中,计算机设备还可以获取目标血管段的血液粘性,该血液粘性可以为预设的额定值,也可以是仿真过程中的参数值,根据血液粘性和仿真结果中的速度分布信息、以及目标血管段的三维模型,确定目标血管段中血液对血管壁的相互作用,即得到目标血管段中不同位置的受力情况。
在本实施例中,计算机设备还可以根据仿真结果获取目标血管段不同维度的分析结果,基于仿真结果得到的分析结果准确、可靠。
计算机设备还可以根据FFR,确定目标血管段的状态信息。在一个实施例中,上述方法还包括:根据目标血管段的血流储备分数FFR和预设的血流储备分数阈值,确定目标血管段的状态信息。
在本实施例中,计算机设备还可以根据目标血管段的血流储备分数FFR和预设的血流储备分数阈值,确定目标血管段的状态信息,例如,目标血管段的血流储备分数FFR大于预设的血流储备分数阈值时,表示目标血管段可能存在堵塞的情况,则确定目标血管段的状态信息为异常,本实施例对此不做限定。
在本实施例中,基于目标血管段的血流储备分数FFR和预设的血流储备分数阈值,可以简单并且准确的获知目标血管段的状态信息。
为了更好的说明上述方法,如图9所示,本实施例提供一种血管仿真分析方法,具体包括:
S101、通过平面造影成像技术,获取目标区域的多个原始二维图像序列;目标区域包含目标血管段;
S102、根据各原始二维图像序列的成像角度,从多个原始二维图像序列中确定至少两个二维图像序列;
S103、根据目标血管段的至少两个二维图像序列,构建目标血管段的三维模型;
S104、获取三维模型的切割面位置;切割面位置包括目标血管段的入口位置和出口位置;
S105、对目标血管段的三维模型进行网格化处理,得到网格化的三维模型;
S106、检测到网格化的三维模型的灰度值梯度值大于预设阈值时,确定三维模型的当前位置为切割面位置,并获取切割面位置的对应的图像帧;
S107、根据各切割面位置的对应的图像帧,计算各切割面位置之间的时间差;
S108、根据时间差与目标血管段的体积,计算目标血管段的血液平均流速;
S109、确定目标血管段的多个分支血管段;
S110、将各分支血管段的斜率信息、目标血管段的血液平均流速值输入至预设的tag模型,计算得到目标血管段的第一出口流速;
S111、根据第一出口流速,对血液平均流速值进行修正,得到修正后的血液平均流速值;
S112、根据目标血管段的网格化的三维模型、修正后的血液平均流速值、边界条件和仿真模型,进行仿真计算,得到目标血管段的仿真结果;
S113、根据仿真结果中的压力分布信息和预设的主动脉压力值,计算目标血管段的血流储备分数(FFR);
S114、根据目标血管段的血流储备分数(FFR)和预设的血流储备分数阈值,确定目标血管段的状态信息;
S115、根据仿真结果中的速度分布信息,获取目标血管段的流线分布结果;
S116、根据仿真结果中的速度分布信息、目标血管段的三维模型、以及目标血管段的血液粘性,获取目标血管段的应力分布结果。
在本实施例中,计算机设备可以自动识别目标血管段的切割面位置,根据目标血管段的入口位置的灰度值梯度和出口位置灰度值梯度,进行血液平均流速的计算,整个计算过程无需用户交互操作,避免了由于人工操作造成的计算精度低,计算得到的血液平均流速值更准确,并且,通过将FFR tag模型对血液速度的边界条件进行修正,优化了血液速度边界条件,进一步地修正血液的平均速度,从而基于血液平均流速而得到的目标血管段的仿真结果更为精准。
上述实施例提供的血管仿真分析方法,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
应该理解的是,虽然图2-9的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-9中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图10所示,提供了一种血管仿真分析装置,包括:构建模块01、确定模块02、计算模块03和仿真模块04,其中:
构建模块01,用于根据目标血管段的至少两个二维图像序列,构建目标血管段的三维模型
确定模块02,用于获取三维模型的切割面位置;切割面位置包括目标血管段的入口位置和出口位置;
计算模块03,用于根据三维模型的切割面位置的灰度值梯度和各切割面位置对应的图像帧,计算目标血管段的血液平均流速;
仿真模块04,用于根据目标血管段的三维模型、血液平均流速、预设边界条件和预设的迭代方程,进行迭代计算,得到目标血管段的仿真结果。
在一个实施例中,如图11所示,上述种血管仿真分析装置还包括修正模块05;
修正模块05,用于确定目标血管段的多个分支血管段;将各分支血管段的斜率信息、目标血管段的血液平均流速值输入至预设的tag模型,计算得到目标血管段的第一出口流速;根据第一出口流速,对血液平均流速值进行修正,得到修正后的血液平均流速值;
仿真模块04,用于根据目标血管段的三维模型、修正后的血液平均流速值、边界条件和迭代方程,进行迭代计算,得到目标血管段的仿真结果。
在一个实施例中,上述预设的tag模型包括第一约束方程和第二约束方程;第一约束方程表示各血管段的出口流速与各血管段的斜率信息之间的映射关系;第二约束方程表示各血管段的出口流速、所有血管段的体积之和、以及造影剂经过时间之间的映射关系。
在一个实施例中,计算模块03,用于检测到三维模型的灰度值梯度值大于预设阈值时,确定三维模型的当前位置为切割面位置,并获取切割面位置的对应的图像帧;根据各切割面位置的对应的图像帧,计算各切割面位置之间的时间差;根据时间差与目标血管段的体积,计算目标血管段的血液平均流速。
在一个实施例中,如图12所示,上述种血管仿真分析装置还包括网格化处理模块06;
网格化处理模块06,用于对目标血管段的三维模型进行网格化处理,得到网格化的三维模型;
仿真模块04,用于根据网格化的三维模型、血液平均流速、边界条件和迭代方程,进行迭代计算,得到目标血管段的仿真结果。
在一个实施例中,上述边界条件包括目标血管段的出口速度和预设的入口压力;将血液平均流速作为目标血管段的出口速度;
仿真模块04,用于将目标血管段的三维模型、血液平均流速和预设的入口压力,代入迭代方程,计算得到第i次迭代结果;迭代结果包括三维模型中各网格点对应的速度和压力;
在第i+1次的迭代结果与第i次的迭代结果之间的残差值小于预设阈值的情况下,将第i+1次的迭代结果确定为目标血管段的仿真结果;仿真结果包括目标血管段的血液速度分布信息、血液压力分布信息。
在一个实施例中,如图13所示,上述种血管仿真分析装置还包括第一获取模块07;
获取模块07,用于通过平面造影成像技术,获取目标区域的多个原始二维图像序列;目标区域包含目标血管段;根据各原始二维图像序列的成像角度,从多个原始二维图像序列中确定至少两个二维图像序列。
在一个实施例中,如图14所示,上述种血管仿真分析装置还包括第二获取模块08;
第二获取模块08,用于根据仿真结果中的压力分布信息和预设的主动脉压力值,计算目标血管段的血流储备分数FFR;根据仿真结果中的速度分布信息,获取目标血管段的流线分布结果;根据仿真结果中的速度分布信息、目标血管段的三维模型、以及目标血管段的血液粘性,获取目标血管段的应力分布结果。
在一个实施例中,如图15所示,上述种血管仿真分析装置还包括输出模块09;
输出模块09,用于根据目标血管段的血流储备分数FFR和预设的血流储备分数阈值,确定目标血管段的状态信息。
关于血管仿真分析装置的具体限定可以参见上文中对于血管仿真分析方法的限定,在此不再赘述。上述血管仿真分析装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
根据目标血管段的至少两个二维图像序列,构建目标血管段的三维模型;
获取三维模型的切割面位置;切割面位置包括目标血管段的入口位置和出口位置;
根据三维模型的切割面位置的灰度值梯度和各切割面位置对应的图像帧,计算目标血管段的血液平均流速;
根据目标血管段的三维模型、血液平均流速、预设边界条件和预设的迭代方程,进行迭代计算,得到目标血管段的仿真结果。
上述实施例提供的计算机设备,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
根据目标血管段的至少两个二维图像序列,构建目标血管段的三维模型;
获取三维模型的切割面位置;切割面位置包括目标血管段的入口位置和出口位置;
根据三维模型的切割面位置的灰度值梯度和各切割面位置对应的图像帧,计算目标血管段的血液平均流速;
根据目标血管段的三维模型、血液平均流速、预设边界条件和预设的迭代方程,进行迭代计算,得到目标血管段的仿真结果。
上述实施例提供的计算机可读存储介质,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种血管仿真分析方法,其特征在于,所述方法包括:
根据目标血管段的至少两个二维图像序列,构建所述目标血管段的三维模型;
获取所述三维模型的切割面位置;所述切割面位置包括所述目标血管段的入口位置和出口位置;
根据所述三维模型的切割面位置的灰度值梯度和各所述切割面位置对应的图像帧,计算所述目标血管段的血液平均流速;
根据所述目标血管段的三维模型、预设的边界条件和预设的仿真模型,进行仿真计算,得到所述目标血管段的仿真结果;所述预设的边界条件包括流速边界值和压力边界值;所述流速边界值为所述血液平均流速。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
确定所述目标血管段的多个分支血管段;
将各所述分支血管段的斜率信息、所述目标血管段的血液平均流速值输入至预设的tag模型,计算得到所述目标血管段的第一出口流速;
根据所述第一出口流速,对所述血液平均流速值进行修正,得到修正后的血液平均流速值;
所述根据所述目标血管段的三维模型、所述血液平均流速值、预设边界条件和预设的迭代方程,进行迭代计算,得到所述目标血管段的仿真结果,包括:
根据所述目标血管段的三维模型、所述修正后的血液平均流速值、所述边界条件和所述迭代方程,进行迭代计算,得到所述目标血管段的仿真结果。
3.根据权利要求1所述的方法,其特征在于,所述根据所述三维模型的切割面位置的灰度值梯度和各所述切割面位置对应的图像帧,计算所述目标血管段的血液平均流速,包括:
检测到所述三维模型的灰度值梯度值大于预设阈值时,确定所述三维模型的当前位置为所述切割面位置,并获取所述切割面位置的对应的图像帧;
根据各所述切割面位置的对应的图像帧,计算各所述切割面位置之间的时间差;
根据所述时间差与所述目标血管段的体积,计算所述目标血管段的血液平均流速。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
对所述目标血管段的三维模型进行网格化处理,得到网格化的三维模型;
所述根据所述目标血管段的三维模型、所述血液平均流速、预设边界条件和预设的迭代方程,进行迭代计算,得到所述目标血管段的仿真结果,包括:
根据所述网格化的三维模型、所述血液平均流速、所述边界条件和所述迭代方程,进行迭代计算,得到所述目标血管段的仿真结果。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
通过平面造影成像技术,获取目标区域的多个原始二维图像序列;所述目标区域包含所述目标血管段;
根据各所述原始二维图像序列的成像角度,从所述多个原始二维图像序列中确定所述至少两个二维图像序列。
6.根据权利要求1所述的方法,其特征在于,在所述根据所述目标血管段的三维模型、所述修正后的血液平均流速值、所述边界条件和所述迭代方程,进行迭代计算,得到所述目标血管段的仿真结果之后,所述方法还包括:
根据所述仿真结果中的压力分布信息和预设的主动脉压力值,计算所述目标血管段的血流储备分数。
7.根据权利要求8所述的方法,其特征在于,所述方法还包括:
根据所述目标血管段的血流储备分数和预设的血流储备分数阈值,确定所述目标血管段的状态信息。
8.一种血管仿真分析装置,其特征在于,所述装置包括:
构建模块,用于根据目标血管段的至少两个二维图像序列,构建所述目标血管段的三维模型
确定模块,用于获取所述三维模型的切割面位置;所述切割面位置包括所述目标血管段的入口位置和出口位置;
计算模块,用于根据所述三维模型的切割面位置的灰度值梯度和各所述切割面位置对应的图像帧,计算所述目标血管段的血液平均流速;
仿真模块,用于根据所述目标血管段的三维模型、预设的边界条件和预设的仿真模型,进行仿真计算,得到所述目标血管段的仿真结果。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011419172.4A CN112711831B (zh) | 2020-12-07 | 2020-12-07 | 血管仿真分析方法、设备、装置、计算机设备和存储介质 |
PCT/CN2021/123346 WO2022121493A1 (en) | 2020-12-07 | 2021-10-12 | Systems and methods for blood vessel assessment |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011419172.4A CN112711831B (zh) | 2020-12-07 | 2020-12-07 | 血管仿真分析方法、设备、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112711831A true CN112711831A (zh) | 2021-04-27 |
CN112711831B CN112711831B (zh) | 2022-10-28 |
Family
ID=75542587
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011419172.4A Active CN112711831B (zh) | 2020-12-07 | 2020-12-07 | 血管仿真分析方法、设备、装置、计算机设备和存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112711831B (zh) |
WO (1) | WO2022121493A1 (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114170378A (zh) * | 2021-11-27 | 2022-03-11 | 飞依诺科技(苏州)有限公司 | 医疗设备、血管及内部斑块三维重建方法和装置 |
WO2022121493A1 (en) * | 2020-12-07 | 2022-06-16 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for blood vessel assessment |
CN114743638A (zh) * | 2022-03-03 | 2022-07-12 | 福州大学 | 基于多维度模型的推拿功效仿真模拟方法 |
CN115758945A (zh) * | 2023-02-13 | 2023-03-07 | 首都医科大学附属北京友谊医院 | 数值模型构建方法、装置、电子设备及存储介质 |
CN118078330A (zh) * | 2024-04-24 | 2024-05-28 | 天津市胸科医院 | 基于深度学习的超声影像血流识别分析方法及*** |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115049807B (zh) * | 2022-06-28 | 2023-05-09 | 上海市胸科医院 | 肺部血管模型的建立方法、装置及服务器 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101283929A (zh) * | 2008-06-05 | 2008-10-15 | 华北电力大学 | 一种血管三维模型的重建方法 |
CN107491636A (zh) * | 2017-07-26 | 2017-12-19 | 武汉大学 | 一种基于计算流体力学的脑血管储备力仿真***和方法 |
CN108186038A (zh) * | 2018-02-11 | 2018-06-22 | 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*** |
CN108550388A (zh) * | 2018-01-12 | 2018-09-18 | 深圳科亚医疗科技有限公司 | 基于血管造影的计算血管血流参数的装置和*** |
CN108717874A (zh) * | 2018-06-20 | 2018-10-30 | 博动医学影像科技(上海)有限公司 | 基于特定的生理参数获取血管压力值的方法及装置 |
CN109770930A (zh) * | 2019-01-29 | 2019-05-21 | 浙江大学 | 一种冠状动脉微循环阻力的确定方法和装置 |
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 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9265473B2 (en) * | 2012-09-25 | 2016-02-23 | The Johns Hopkins University | Method for estimating flow rates and pressure gradients in arterial networks from patient specific computed tomography angiogram-based contrast distribution data |
BR112015010012A2 (pt) * | 2012-11-06 | 2017-07-11 | Koninklijke Philips Nv | método; e sistema |
US20140236547A1 (en) * | 2013-02-15 | 2014-08-21 | Siemens Aktiengesellschaft | Patient-specific automated tuning of boundary conditions for distal vessel tree |
US11039804B2 (en) * | 2016-09-16 | 2021-06-22 | Koninklijke Philips N.V. | Apparatus and method for determining a fractional flow reserve |
CN110574121B (zh) * | 2017-04-06 | 2024-03-19 | 皇家飞利浦有限公司 | 血流储备分数模拟参数的定制、校准和/或训练 |
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 |
-
2020
- 2020-12-07 CN CN202011419172.4A patent/CN112711831B/zh active Active
-
2021
- 2021-10-12 WO PCT/CN2021/123346 patent/WO2022121493A1/en active Application Filing
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101283929A (zh) * | 2008-06-05 | 2008-10-15 | 华北电力大学 | 一种血管三维模型的重建方法 |
CN107491636A (zh) * | 2017-07-26 | 2017-12-19 | 武汉大学 | 一种基于计算流体力学的脑血管储备力仿真***和方法 |
CN108550388A (zh) * | 2018-01-12 | 2018-09-18 | 深圳科亚医疗科技有限公司 | 基于血管造影的计算血管血流参数的装置和*** |
CN108186038A (zh) * | 2018-02-11 | 2018-06-22 | 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*** |
CN108717874A (zh) * | 2018-06-20 | 2018-10-30 | 博动医学影像科技(上海)有限公司 | 基于特定的生理参数获取血管压力值的方法及装置 |
CN109770930A (zh) * | 2019-01-29 | 2019-05-21 | 浙江大学 | 一种冠状动脉微循环阻力的确定方法和装置 |
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 (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022121493A1 (en) * | 2020-12-07 | 2022-06-16 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for blood vessel assessment |
CN114170378A (zh) * | 2021-11-27 | 2022-03-11 | 飞依诺科技(苏州)有限公司 | 医疗设备、血管及内部斑块三维重建方法和装置 |
CN114743638A (zh) * | 2022-03-03 | 2022-07-12 | 福州大学 | 基于多维度模型的推拿功效仿真模拟方法 |
CN115758945A (zh) * | 2023-02-13 | 2023-03-07 | 首都医科大学附属北京友谊医院 | 数值模型构建方法、装置、电子设备及存储介质 |
CN118078330A (zh) * | 2024-04-24 | 2024-05-28 | 天津市胸科医院 | 基于深度学习的超声影像血流识别分析方法及*** |
Also Published As
Publication number | Publication date |
---|---|
WO2022121493A1 (en) | 2022-06-16 |
CN112711831B (zh) | 2022-10-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112711831B (zh) | 血管仿真分析方法、设备、装置、计算机设备和存储介质 | |
CN107123112B (zh) | 血流状态分析***及方法 | |
US20210272030A1 (en) | Systems and methods for using geometry sensitivity information for guiding workflow | |
US10002419B2 (en) | Direct computation of image-derived biomarkers | |
RU2540829C2 (ru) | Интерактивный итеративный алгоритм ближайших точек для сегментации органов | |
CN112640000A (zh) | 根据医学数据对预测性数字孪生体模型的数据驱动的估计 | |
CN111047611A (zh) | 病灶体积测量方法和装置 | |
JP2007523402A (ja) | 内部個別要素を用いるメッシュモデル | |
EP3859676A1 (en) | Method in constructing a model of a scenery and device therefor | |
US11152122B2 (en) | System and method for evaluating vascular risks | |
EP3766080A1 (en) | Method of estimating physiological parameters using medical image data | |
US10354349B2 (en) | Systems and methods for using geometry sensitivity information for guiding workflow | |
US20170004278A1 (en) | System and method for sparse pressure/flowrate reduced modeling of hemodynamics | |
Belhachmi et al. | An adaptive approach for the segmentation and the TV-filtering in the optic flow estimation | |
US11651289B2 (en) | System to identify and explore relevant predictive analytics tasks of clinical value and calibrate predictive model outputs to a prescribed minimum level of predictive accuracy | |
CN109087701B (zh) | 提供次要参数的方法、决策支持***、介质、计算机程序 | |
Mikhal | Modeling and simulation of flow in cerebral aneurysms | |
CN114155354A (zh) | 基于图卷积网络的电容层析成像重建方法与装置 | |
CN115705635A (zh) | 一种脊柱弯曲角计算方法、装置及计算机设备 | |
CN113344897B (zh) | 肺部图像的管径测量方法及装置、图像处理方法及装置 | |
KR102516382B1 (ko) | Lbm 기반의 혈류 시뮬레이션 장치, 방법 및 컴퓨터 프로그램 | |
CN112750152B (zh) | 图像配准方法、装置、计算机设备和存储介质 | |
CN117495693B (zh) | 用于内窥镜的图像融合方法、***、介质及电子设备 | |
WO2022215270A1 (ja) | 予測モデル生成装置、予測モデル生成方法及び非一時的なコンピュータ可読媒体 | |
CN116912245A (zh) | 一种脊柱侧弯测量方法、相关装置及计算机存储介质 |
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 |