CN113128139A - 一种基于简化的冠脉零维模型和狭窄阻力预测模型快速计算血流储备分数的方法和*** - Google Patents
一种基于简化的冠脉零维模型和狭窄阻力预测模型快速计算血流储备分数的方法和*** Download PDFInfo
- Publication number
- CN113128139A CN113128139A CN202110432629.3A CN202110432629A CN113128139A CN 113128139 A CN113128139 A CN 113128139A CN 202110432629 A CN202110432629 A CN 202110432629A CN 113128139 A CN113128139 A CN 113128139A
- Authority
- CN
- China
- Prior art keywords
- stenosis
- coronary artery
- coronary
- resistance
- pressure
- 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
- 210000004351 coronary vessel Anatomy 0.000 title claims abstract description 135
- 208000031481 Pathologic Constriction Diseases 0.000 title claims abstract description 100
- 230000036262 stenosis Effects 0.000 title claims abstract description 100
- 208000037804 stenosis Diseases 0.000 title claims abstract description 100
- 238000000034 method Methods 0.000 title claims abstract description 31
- 201000000057 Coronary Stenosis Diseases 0.000 claims abstract description 38
- 230000004089 microcirculation Effects 0.000 claims abstract description 37
- 238000004364 calculation method Methods 0.000 claims abstract description 28
- 206010020565 Hyperaemia Diseases 0.000 claims abstract description 18
- 230000004872 arterial blood pressure Effects 0.000 claims abstract description 17
- 230000000544 hyperemic effect Effects 0.000 claims abstract description 17
- 206010011089 Coronary artery stenosis Diseases 0.000 claims abstract description 12
- 230000017531 blood circulation Effects 0.000 claims description 15
- 210000004204 blood vessel Anatomy 0.000 claims description 11
- 230000000747 cardiac effect Effects 0.000 claims description 9
- 230000000284 resting effect Effects 0.000 claims description 9
- 230000035487 diastolic blood pressure Effects 0.000 claims description 6
- 239000004576 sand Substances 0.000 claims description 6
- 230000035488 systolic blood pressure Effects 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 239000008280 blood Substances 0.000 claims description 3
- 210000004369 blood Anatomy 0.000 claims description 3
- 230000036772 blood pressure Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 230000004907 flux Effects 0.000 claims description 2
- 238000004088 simulation Methods 0.000 abstract description 10
- 238000003759 clinical diagnosis Methods 0.000 abstract description 5
- 208000031225 myocardial ischemia Diseases 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 210000000709 aorta Anatomy 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 206010061822 Drug intolerance Diseases 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical group [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 230000000004 hemodynamic effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000002966 stenotic effect Effects 0.000 description 1
- 239000003071 vasodilator agent Substances 0.000 description 1
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
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- 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
- A61B6/48—Diagnostic techniques
- A61B6/481—Diagnostic techniques involving the use of contrast agents
-
- 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
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
-
- 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
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Biomedical Technology (AREA)
- Radiology & Medical Imaging (AREA)
- Pathology (AREA)
- Optics & Photonics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- High Energy & Nuclear Physics (AREA)
- Biophysics (AREA)
- Theoretical Computer Science (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Algebra (AREA)
- Computer Hardware Design (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Geometry (AREA)
- Mathematical Optimization (AREA)
- Physiology (AREA)
- Fluid Mechanics (AREA)
- Computing Systems (AREA)
- Vascular Medicine (AREA)
- Pulmonology (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明涉及一种基于简化的冠脉零维模型和狭窄阻力预测模型快速计算血流储备分数的方法和***,属于数值模拟领域。所述***包括:根据冠脉CTA图像构建冠脉三维模型,提取冠脉生理参数和几何参数,计算平均动脉压和冠脉微循环阻力;截取狭窄三维模型,以平均动脉压为入口边界条件,充血状态冠脉微循环阻力为出口边界条件,构建狭窄所在分支的冠脉零维模型;提取狭窄几何参数,构建冠脉狭窄阻力预测模型,并结合冠脉零维模型计算狭窄阻力和充血流量;基于充血流量计算狭窄远端压力,结合主动脉根部压力数值计算血流储备分数。计算一例模型仅需6秒,准确性为91.7%。在保证计算精度的条件下,大大提高了计算速度,对辅助临床诊断心肌缺血具有重要意义。
Description
技术领域:
本发明属于数值模拟领域。尤其涉及一种基于简化的冠脉零维模型和狭窄阻力预测模型快速计算血流储备分数的方法和***。
背景技术:
血流储备分数(fractional flow reserve,FFR)是临床诊断冠脉狭窄的功能性心肌缺血的“金标准”。它的定义是最大充血状态下狭窄远端与主动脉根部平均压力的比值。目前临床上主要通过有创的方法测量FFR,但是压力导丝价格昂贵、手术过程复杂、注射血管扩张药物存在药物不耐受性等缺点使得FFR在临床的广泛应用受到了限制。
近年来,FFR的无创数值模拟成为了研究热点,Taylor团队提出的基于冠脉CTA的0D-3D耦合的几何多尺度血流动力学方法是目前主流的FFR无创数值计算方法(FFRCT),已经得到广泛应用。但是这种计算方法模型复杂,求解Navier-Stokes方程耗时,因此简化模型实现FFR的快速数值计算很有必要。
冠脉血流的模拟关键在于冠脉微循环阻力和狭窄阻力的准确模拟。通过将三维模型简化为零维模型,将感兴趣区域从整个冠脉模型简化为仅包含狭窄段的冠脉模型,结合深度学习预测狭窄阻力,从而模拟出生理真实的充血流量,进而快速数值计算FFR。
发明内容:
有鉴于此,本发明提出一种基于简化的冠脉零维模型和狭窄阻力预测模型快速计算血流储备分数的方法和***(FFR0D),该***的优势在于将感兴趣区域从整个冠脉模型缩小到狭窄所在分支的冠脉模型,并简化为零维模型,不需要求解复杂的非线性方程组,简化了计算过程,提高了仿真速度,对于快速数值计算FFR具有重要意义。技术方案如下:
一种基于简化的冠脉零维模型和狭窄阻力预测模型快速计算血流储备分数的方法和***,包括以下步骤:
(1)基于冠脉CTA图像构建冠脉三维模型,提取个性化冠脉生理参数和几何参数,构建个性化冠脉生理模型(包括主动脉根部压力和冠脉微循环阻力);
(2)基于冠脉三维模型截取狭窄三维模型,以主动脉根部压力和冠脉微循环阻力为边界条件,构建狭窄所在分支的个性化冠脉零维模型;
(3)基于狭窄三维模型提取个性化狭窄几何参数,构建个性化冠脉狭窄阻力预测模型;
(4)冠脉零维模型结合狭窄阻力预测模型迭代计算个性化狭窄阻力和充血流量;
(5)基于个性化充血流量计算冠脉狭窄远端压力,结合主动脉根部压力数值计算血流储备分数。
其中所述的步骤(1)具体包括如下:
1.1通过MIMICS对冠脉CTA图像进行三维重建构建冠脉三维模型,提取个性化冠脉拓扑结构及冠脉各分支的个性化几何参数,包括:血管长度、血管直径、血管横截面积;
1.2基于冠脉CTA图像提取个性化生理参数,包括:心输出量、收缩压、舒张压;
1.3通过电阻模拟血流阻力,电流模拟血流量,电压模拟血压;基于步骤1.1提取的几何参数计算得到冠脉各分支阻力:
其中,R是冠脉阻力,μ是动态粘度(取0.0035Pa·s),L是血管长度,A是血管横截面积;
1.4静息状态下,基于步骤1.2提取的心输出量计算得到冠脉总流量:
Qcor=CO·4% 式(2)
其中,Qcor是冠脉总流量,CO是心输出量;
1.5静息状态下,左冠状动脉和右冠状动脉的流量分别占冠脉总流量的60%和40%,根据异速生长标度率Q∝D3(Q是血流量,D是血管直径)结合步骤1.1提取的血管直径对冠脉各分支进行流量分配,得到冠脉各分支流量;
1.6基于步骤1.2提取的生理参数计算得到平均动脉压:
其中,Pa是平均动脉压,SBP是收缩压,DBP是舒张压;
1.7将步骤1.6计算得到的平均动脉压作为主动脉根部压力,结合步骤1.3计算得到的冠脉各分支阻力和步骤1.5分配的冠脉各分支流量,计算得到冠脉各分支节点压力:
Pdown=Pup-R·Q 式(4)
其中,Pdown是冠脉分支下一节点压力,Pup是冠脉分支上一节点压力,R是冠脉阻力,Q是冠脉流量;
1.8步骤1.7计算的冠脉各分支节点压力结合步骤1.3计算得到的冠脉各分支阻力和步骤1.5分配的冠脉各分支流量,计算得到冠脉各分支出口压力:
Pout=Pup-R·Q 式(5)
其中,Pout是冠脉分支出口压力,Pup是冠脉分支上一节点压力,R是冠脉阻力,Q是冠脉流量;
1.9结合步骤1.8得到的冠脉各分支出口压力和步骤1.5分配的冠脉各分支流量,计算得到冠脉各分支微循环阻力:
其中,Rm是冠脉微循环阻力,Pout是冠脉分支出口压力,Q是冠脉流量。
其中所述的步骤(2)包括:
2.1将狭窄所在冠脉分支作为感兴趣区域,基于步骤1.1重建的冠脉三维模型截取冠脉狭窄三维模型;
2.2基于步骤1.9得到静息状态下狭窄所在分支的微循环阻力Rm,将静息状态下的微循环阻力Rm减小到0.24倍,模拟充血状态;
2.3将步骤1.6计算的平均动脉压(主动脉根部压力)作为入口边界条件,步骤2.2模拟的充血状态微循环阻力作为出口边界条件,构建充血状态下的个性化冠脉零维模型(关于Rs和Qs的函数):
其中,Qs为充血流量,Pa为主动脉根部压力,Rm为冠脉微循环阻力,Rs为狭窄阻力;
2.4根据步骤2.3构建的冠脉零维模型,输入特征参数为个性化冠脉生理模型(包括主动脉根部压力、微循环阻力)和狭窄阻力,输出特征参数为充血流量;
其中所述的步骤(3)包括:
3.1基于步骤2.1截取的冠脉狭窄三维模型提取狭窄段的个性化狭窄几何参数,包括:狭窄率、狭窄入口长度、狭窄出口长度、狭窄最小长度、入口面积、狭窄最小面积;
3.2采用深度学习预测冠状动脉狭窄阻力的方法构建个性化冠脉狭窄阻力预测模型,所述模型为关于Qs和Rs的函数;优选采用申请号为CN202011081407.3,名为“一种基于深度学习预测冠状动脉狭窄阻力的***与方法”的技术方案构建个性化冠脉狭窄阻力预测模型。
3.3步骤3.2构建的冠脉狭窄阻力预测模型的输入特征参数为步骤3.1中提取的个性化狭窄几何参数和充血流量,输出特征参数为狭窄阻力;
其中所述的步骤(4)包括:
其中所述的步骤(5)包括:
5.1结合步骤1.9中得到的冠脉微循环阻力和步骤4.5中得到的个性化充血流量,计算得到狭窄远端压力:
Pd=Qs·(Rm·0.24) 式(8)
其中Pd为狭窄远端压力,Qs为充血流量,Rm为冠脉微循环阻力;
5.2将步骤5.1计算的狭窄远端压力结合步骤1.6中得到的平均动脉压(主动脉根部压力),数值计算血流储备分数:
其中FFR0D为数值计算的血流储备分数,Pd为狭窄远端压力,Pa为主动脉根部。
本发明方法用于非疾病的诊断和治疗。
一种快速计算血流储备分数的***,其特征在于,采用上述方法进行计算。
本发明的优点:计算一例模型仅需6秒,准确性为91.7%。在保证计算精度的条件下,大大提高了计算速度,对辅助临床诊断心肌缺血具有重要意义。
附图说明:
图1:基于简化的冠脉零维模型和狭窄阻力预测模型快速计算血流储备分数的整体流程图;
图2:冠脉拓扑结构示意图(AOA:主动脉入口,DOA:主动脉出口,a-j:不同冠脉分支出口,1-11:不同冠脉分支节点);
图3:冠脉零维模型示意图(Pa:主动脉根部压力,Pd:狭窄远端压力,Rs:狭窄阻力,Qs:充血流量,Rm:冠脉微循环阻力);
图4:冠脉狭窄阻力预测模型示意图;
图5:冠脉零维模型与冠脉狭窄阻力预测模型耦合算法流程图。
具体实施方式:
下面结合附图和具体实施方式对本发明进一步说明,但本发明的实施方式不限于此。
基于简化的冠脉零维模型和狭窄阻力预测模型快速计算血流储备分数的整体流程图如图1所示。以下将结合图1对具体实施方式进行详细说明。
实施例1
步骤1:基于冠脉CTA图像构建冠脉三维模型,提取个性化冠脉生理参数和几何参数,构建个性化冠脉生理模型(包括主动脉根部压力和冠脉微循环阻力),包括:
1.1通过MIMICS对冠脉CTA图像进行三维重建构建冠脉三维模型,提取如图2所示的个性化冠脉拓扑结构及冠脉各分支的个性化血管几何参数,包括:血管长度、血管直径、血管横截面积;
1.2基于冠脉CTA图像提取个性化生理参数,包括:心输出量、收缩压、舒张压;
1.3通过电阻模拟血流阻力,电流模拟血流量,电压模拟血压;基于步骤1.1提取的几何参数计算得到冠脉各分支阻力:
其中,R是冠脉阻力,μ是动态粘度(取0.0035Pa·s),L是血管长度,A是血管横截面积;
1.4静息状态下,基于步骤1.2提取的心输出量计算得到冠脉总流量:
Qcor=CO·4% 式(2)
其中,Qcor是冠脉总流量,CO是心输出量;
1.5静息状态下,左冠状动脉和右冠状动脉的流量分别占冠脉总流量的60%和40%,根据异速生长标度率Q∝D3(Q是血流量,D是血管直径)结合步骤1.1提取的血管直径对冠脉各分支进行流量分配,得到冠脉各分支流量;
1.6基于步骤1.2提取的生理参数计算得到平均动脉压:
其中,Pa是平均动脉压,SBP是收缩压,DBP是舒张压;
1.7将步骤1.6计算得到的平均动脉压作为主动脉根部压力,结合步骤1.3计算得到的冠脉各分支阻力和步骤1.5分配的冠脉各分支流量,计算得到冠脉各分支节点压力:
Pdown=Pup-R·Q 式(4)
其中,Pdown是冠脉分支下一节点压力,Pup是冠脉分支上一节点压力,R是冠脉阻力,Q是冠脉流量;
1.8步骤1.7计算的冠脉各分支节点压力结合步骤1.3计算得到的冠脉各分支阻力和步骤1.5分配的冠脉各分支流量,计算得到冠脉各分支出口压力:
Pout=Pup-R·Q 式(5)
其中,Pout是冠脉分支出口压力,Pup是冠脉分支上一节点压力,R是冠脉阻力,Q是冠脉流量;
1.9结合步骤1.8得到的冠脉各分支出口压力和步骤1.5分配的冠脉各分支流量,计算得到冠脉各分支微循环阻力:
其中,Rm是冠脉微循环阻力,Pout是冠脉分支出口压力,Q是冠脉流量。
步骤2:基于冠脉三维模型截取狭窄三维模型,以主动脉根部压力和冠脉微循环阻力为边界条件,构建狭窄所在分支的个性化冠脉零维模型,包括:
2.1将狭窄所在冠脉分支作为感兴趣区域,基于步骤1.1重建的冠脉三维模型截取冠脉狭窄三维模型;
2.2基于步骤1.9得到静息状态下狭窄所在分支的微循环阻力Rm,将静息状态下的微循环阻力Rm减小到0.24倍,模拟充血状态;
2.3将步骤1.6计算的平均动脉压(主动脉根部压力)作为入口边界条件,步骤2.2模拟的充血状态微循环阻力作为出口边界条件,构建如图3所示的充血状态下的个性化冠脉零维模型(关于Rs和Qs的函数):
其中,Qs为充血流量,Pa为主动脉根部压力,Rm为冠脉微循环阻力,Rs为狭窄阻力;
2.4步骤2.3构建的冠脉零维模型输入特征参数为个性化冠脉生理模型(包括主动脉根部压力、微循环阻力)和狭窄阻力,输出特征参数为充血流量;
2.5狭窄阻力和充血流量通过步骤4求解。
步骤3:基于狭窄三维模型提取个性化狭窄几何参数,构建个性化冠脉狭窄阻力预测模型,包括:
3.1基于步骤2.1截取的冠脉狭窄三维模型提取狭窄段的个性化狭窄几何参数,包括:狭窄率、狭窄入口长度、狭窄出口长度、狭窄最小长度、入口面积、狭窄最小面积;
3.2采用本团队申请号为CN202011081407.3,名为“一种基于深度学习预测冠状动脉狭窄阻力的***与方法”的专利发明方法构建如图4所示的个性化冠脉狭窄阻力预测模型(关于Qs和Rs的函数);
3.3步骤3.2构建的冠脉狭窄阻力预测模型的输入特征参数为步骤3.1中提取的个性化狭窄几何参数和充血流量,输出特征参数为狭窄阻力。
步骤4:冠脉零维模型结合狭窄阻力预测模型迭代计算个性化狭窄阻力和充血流量,包括:
步骤5:基于个性化充血流量计算冠脉狭窄远端压力,结合主动脉根部压力数值计算血流储备分数,包括:
5.1结合步骤1.9中得到的冠脉微循环阻力和步骤4.5中得到的个性化充血流量,计算得到狭窄远端压力:
Pd=Qs·(Rm·0.24) 式(8)
其中,Pd为狭窄远端压力,Qs为充血流量,Rm为冠脉微循环阻力;
5.2将步骤5.1计算的狭窄远端压力结合步骤1.6中得到的平均动脉压(主动脉根部压力),数值计算血流储备分数:
其中FFR0D为数值计算的血流储备分数,Pd为狭窄远端压力,Pa为主动脉根部压力。
FFR是临床诊断心肌缺血的金标准,但是临床测量FFR存在手术过程有创、复杂、耗时等缺点,限制了FFR在临床的广泛应用。目前几何多尺度的方法实现了FFR的无创数值计算(FFRCT),具有很好的诊断性能(准确性为84.3%),但是仿真过程复杂,计算较慢(一般计算一例模型需要10小时)。本发明***在几何多尺度算法的基础上简化了模型,实现了基于简化的冠脉零维模型和狭窄阻力预测模型快速无创数值模拟FFR(FFR0D)。使用本发明***一共计算了22例个性化模型,数值计算的FFR0D与临床实测的有创FFR对比结果如下表所示。与FFRCT相比,FFR0D计算每例模型的平均时间由10小时缩短为6秒,准确性由84.3%提高到100%。结果表明根据本发明***建立的模型具有很高的准确性,并且在保证计算精度的前提下,大大提高了计算速度。本发明***实现了FFR0D的准确实时数值模拟,对于辅助临床诊断心肌缺血具有重要的意义。
表 临床实测有创FFR与数值模拟FFR0D
Claims (7)
1.一种基于简化的冠脉零维模型和狭窄阻力预测模型快速计算血流储备分数的方法,其特征包括如下步骤:
(1)基于冠脉CTA图像构建冠脉三维模型,提取个性化冠脉生理参数和几何参数,构建个性化冠脉生理模型,包括主动脉根部压力和冠脉微循环阻力;
(2)基于冠脉三维模型截取狭窄三维模型,以主动脉根部压力和冠脉微循环阻力为边界条件,构建狭窄所在分支的个性化冠脉零维模型;
(3)基于狭窄三维模型提取个性化狭窄几何参数,构建个性化冠脉狭窄阻力预测模型;
(4)冠脉零维模型结合狭窄阻力预测模型迭代计算个性化狭窄阻力和充血流量;
(5)基于个性化充血流量计算冠脉狭窄远端压力,结合主动脉根部压力数值计算血流储备分数。
2.按照权利要求1所述的一种基于简化的冠脉零维模型和狭窄阻力预测模型快速计算血流储备分数的方法和***,其中所述的步骤(1)具体包括如下:
1.1通过MIMICS对冠脉CTA图像进行三维重建构建冠脉三维模型,提取个性化冠脉拓扑结构及冠脉各分支的个性化几何参数,包括:血管长度、血管直径、血管横截面积;
1.2基于冠脉CTA图像提取个性化生理参数,包括:心输出量、收缩压、舒张压;
1.3通过电阻模拟血流阻力,电流模拟血流量,电压模拟血压;基于步骤1.1提取的几何参数计算得到冠脉各分支阻力:
其中,R是冠脉阻力,μ是动态粘度(取0.0035Pa·s),L是血管长度,A是血管横截面积;
1.4静息状态下,基于步骤1.2提取的心输出量计算得到冠脉总流量:
Qcor=CO·4% 式(2)
其中,Qcor是冠脉总流量,CO是心输出量;
1.5静息状态下,左冠状动脉和右冠状动脉的流量分别占冠脉总流量的60%和40%,根据异速生长标度率Q∝D3结合步骤1.1提取的血管直径对冠脉各分支进行流量分配,得到冠脉各分支流量;
1.6基于步骤1.2提取的生理参数计算得到平均动脉压:
其中,Pa是平均动脉压,SBP是收缩压,DBP是舒张压;
1.7将步骤1.6计算得到的平均动脉压作为主动脉根部压力,结合步骤1.3计算得到的冠脉各分支阻力和步骤1.5分配的冠脉各分支流量,计算得到冠脉各分支节点压力:
Pdown=Pup-R·Q 式(4)
其中,Pdown是冠脉分支下一节点压力,Pup是冠脉分支上一节点压力,R是冠脉阻力,Q是冠脉流量;
1.8步骤1.7计算的冠脉各分支节点压力结合步骤1.3计算得到的冠脉各分支阻力和步骤1.5分配的冠脉各分支流量,计算得到冠脉各分支出口压力:
Pout=Pup-R·Q 式(5)
其中,Pout是冠脉分支出口压力,Pup是冠脉分支上一节点压力,R是冠脉阻力,Q是冠脉流量;
1.9结合步骤1.8得到的冠脉各分支出口压力和步骤1.5分配的冠脉各分支流量,计算得到冠脉各分支微循环阻力:
其中,Rm是冠脉微循环阻力,Pout是冠脉分支出口压力,Q是冠脉流量。
3.按照权利要求1所述的一种基于简化的冠脉零维模型和狭窄阻力预测模型快速计算血流储备分数的方法和***,其中所述的步骤(2)包括:
2.1将狭窄所在冠脉分支作为感兴趣区域,基于步骤1.1重建的冠脉三维模型截取冠脉狭窄三维模型;
2.2基于步骤1.9得到静息状态下狭窄所在分支的微循环阻力Rm,将静息状态下的微循环阻力Rm减小到0.24倍,模拟充血状态;
2.3将步骤1.6计算的平均动脉压(主动脉根部压力)作为入口边界条件,步骤2.2模拟的充血状态微循环阻力作为出口边界条件,构建充血状态下的个性化冠脉零维模型,关于Rs和Qs的函数:
其中,Qs为充血流量,Pa为主动脉根部压力,Rm为冠脉微循环阻力,Rs为狭窄阻力;
2.4步骤2.3构建的冠脉零维模型输入特征参数为个性化冠脉生理模型(包括主动脉根部压力、微循环阻力)和狭窄阻力,输出特征参数为充血流量。
4.按照权利要求1所述的一种基于简化的冠脉零维模型和狭窄阻力预测模型快速计算血流储备分数的方法和***,其中所述的步骤(3)包括:
3.1基于步骤2.1截取的冠脉狭窄三维模型提取狭窄段的个性化狭窄几何参数,包括:狭窄率、狭窄入口长度、狭窄出口长度、狭窄最小长度、入口面积、狭窄最小面积;
3.2采用深度学习预测冠状动脉狭窄阻力的方法构建个性化冠脉狭窄阻力预测模型,关于Qs和Rs的函数;
3.3步骤3.2构建的冠脉狭窄阻力预测模型的输入特征参数为步骤3.1中提取的个性化狭窄几何参数和充血流量,输出特征参数为狭窄阻力。
5.按照权利要求1所述的一种基于简化的冠脉零维模型和狭窄阻力预测模型快速计算血流储备分数的方法和***,其中所述的步骤(4)包括:
7.一种快速计算血流储备分数的***,其特征在于,采用权利要求1-6任一项所述的方法进行计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110432629.3A CN113128139B (zh) | 2021-04-21 | 2021-04-21 | 基于冠脉零维模型和狭窄阻力预测模型计算ffr的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110432629.3A CN113128139B (zh) | 2021-04-21 | 2021-04-21 | 基于冠脉零维模型和狭窄阻力预测模型计算ffr的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113128139A true CN113128139A (zh) | 2021-07-16 |
CN113128139B CN113128139B (zh) | 2024-03-29 |
Family
ID=76778810
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110432629.3A Active CN113128139B (zh) | 2021-04-21 | 2021-04-21 | 基于冠脉零维模型和狭窄阻力预测模型计算ffr的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113128139B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116115208A (zh) * | 2022-11-18 | 2023-05-16 | 北京工业大学 | 一种基于物理驱动预测静息冠状动脉微循环阻力的方法 |
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 (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111241759A (zh) * | 2020-01-13 | 2020-06-05 | 北京工业大学 | 一种基于零维血流动力学模型的ffr快速计算***模型 |
CN112185551A (zh) * | 2020-10-10 | 2021-01-05 | 北京工业大学 | 一种基于深度学习预测冠状动脉狭窄阻力的***与方法 |
-
2021
- 2021-04-21 CN CN202110432629.3A patent/CN113128139B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111241759A (zh) * | 2020-01-13 | 2020-06-05 | 北京工业大学 | 一种基于零维血流动力学模型的ffr快速计算***模型 |
CN112185551A (zh) * | 2020-10-10 | 2021-01-05 | 北京工业大学 | 一种基于深度学习预测冠状动脉狭窄阻力的***与方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116115208A (zh) * | 2022-11-18 | 2023-05-16 | 北京工业大学 | 一种基于物理驱动预测静息冠状动脉微循环阻力的方法 |
CN116115208B (zh) * | 2022-11-18 | 2024-06-04 | 北京工业大学 | 一种基于物理驱动预测静息冠状动脉微循环阻力的方法 |
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*** |
Also Published As
Publication number | Publication date |
---|---|
CN113128139B (zh) | 2024-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10622110B2 (en) | Framework for personalization of coronary flow computations during rest and hyperemia | |
US10354744B2 (en) | Non-invasive functional assessment of coronary artery stenosis including simulation of hyperemia by changing resting microvascular resistance | |
CN106650267B (zh) | 计算血流储备分数的***和设置边界条件的方法 | |
US11871995B2 (en) | Patient-specific modeling of hemodynamic parameters in coronary arteries | |
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 | |
EP4122381B1 (en) | Patient-specific modeling of hemodynamic parameters in coronary arteries | |
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 | |
CN108122616A (zh) | 个体特异性的心血管模型的生成方法及其应用 | |
CN113128139B (zh) | 基于冠脉零维模型和狭窄阻力预测模型计算ffr的方法 | |
CN110384493A (zh) | 测量微循环阻力指数的***以及冠脉分析*** | |
CN114530252A (zh) | 冠状动脉血流动力学模拟仿真方法及装置 | |
CN114947910A (zh) | 冠脉末端微血管阻力的计算方法及ffr的计算方法、*** | |
CN114052764B (zh) | 获取血流储备分数的方法、装置、***和计算机存储介质 | |
JP2022554297A (ja) | 生理パラメータに基づき血管評定パラメータを取得する方法、装置及び記憶媒体 | |
CN112185551A (zh) | 一种基于深度学习预测冠状动脉狭窄阻力的***与方法 | |
WO2020083390A1 (zh) | 获取心表大动脉的血流量的方法、装置、***及存储介质 | |
CN116313108A (zh) | 跨尺度心脏灌注数字仿真方法及装置 | |
CN114947909A (zh) | 基于狭窄病变前后的血液流量比值计算ffr的方法、*** | |
CN114998319B (zh) | 图像数据处理方法、装置、图像数据处理设备及存储介质 | |
CN115910352A (zh) | 基于血管生长的冠脉末端微循环血管阻力获取方法和*** | |
CN115910353A (zh) | 基于分层心肌模型的冠脉微循环血管阻力获取方法和*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |