CN114664455A - 一种冠状动脉血流储备分数计算方法及装置 - Google Patents
一种冠状动脉血流储备分数计算方法及装置 Download PDFInfo
- Publication number
- CN114664455A CN114664455A CN202210246599.1A CN202210246599A CN114664455A CN 114664455 A CN114664455 A CN 114664455A CN 202210246599 A CN202210246599 A CN 202210246599A CN 114664455 A CN114664455 A CN 114664455A
- Authority
- CN
- China
- Prior art keywords
- boundary condition
- coronary
- vessel
- fractional
- modality image
- 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
Links
- 230000017531 blood circulation Effects 0.000 title claims abstract description 46
- 238000004364 calculation method Methods 0.000 title claims abstract description 33
- 210000004351 coronary vessel Anatomy 0.000 title abstract description 17
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 60
- 238000000034 method Methods 0.000 claims abstract description 41
- 239000012530 fluid Substances 0.000 claims abstract description 39
- 230000004927 fusion Effects 0.000 claims abstract description 29
- 230000011218 segmentation Effects 0.000 claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 238000013135 deep learning Methods 0.000 claims description 8
- 201000000057 Coronary Stenosis Diseases 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 7
- 230000001133 acceleration Effects 0.000 claims description 6
- 238000001356 surgical procedure Methods 0.000 abstract description 5
- 230000008569 process Effects 0.000 abstract description 4
- 230000006872 improvement Effects 0.000 abstract description 3
- 238000010968 computed tomography angiography Methods 0.000 description 10
- 238000012014 optical coherence tomography Methods 0.000 description 6
- 239000000243 solution Substances 0.000 description 6
- 208000031481 Pathologic Constriction Diseases 0.000 description 5
- 238000002608 intravascular ultrasound Methods 0.000 description 5
- 230000036262 stenosis Effects 0.000 description 5
- 208000037804 stenosis Diseases 0.000 description 5
- 238000002586 coronary angiography Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 206010057469 Vascular stenosis Diseases 0.000 description 3
- 239000002872 contrast media Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000002583 angiography Methods 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 230000036770 blood supply Effects 0.000 description 2
- 208000029078 coronary artery disease Diseases 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 230000002792 vascular Effects 0.000 description 2
- 201000001320 Atherosclerosis Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002308 calcification Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 229940039231 contrast media Drugs 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 238000002513 implantation Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 208000010125 myocardial infarction Diseases 0.000 description 1
- 208000031225 myocardial ischemia Diseases 0.000 description 1
- 230000017074 necrotic cell death Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000003071 vasodilator agent Substances 0.000 description 1
Images
Classifications
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/02007—Evaluating blood vessel condition, e.g. elasticity, compliance
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/02028—Determining haemodynamic parameters not otherwise provided for, e.g. cardiac contractility or left ventricular ejection fraction
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- 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
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/24—Fluid dynamics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/41—Medical
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Theoretical Computer Science (AREA)
- Cardiology (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Epidemiology (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Primary Health Care (AREA)
- Biophysics (AREA)
- Physiology (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Graphics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Vascular Medicine (AREA)
- Geometry (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Hematology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明提供一种冠状动脉血流储备分数计算方法及装置。所述方法包括：对分别基于第一模态图像和第二模态图像进行血管分割与重建的结果进行特征融合，得到血管的三维模型；采用多模态融合算法求解流体动力学方程的边界条件；基于所述边界条件和血管的三维模型求解流体动力学方程，得到血管不同位置的血液流动参数；基于所述血液流动参数计算不同位置的冠状动脉血流储备分数。本发明基于多模态图像融合求解血管的三维模型，提高了血管分割精度；将有创手术获取的第二模态图像建模到边界条件计算过程中，提高了只有第一模态图像时边界条件的精度；本发明通过以上两个方面的改进可明显提高FFR的计算精度。
Description
技术领域
本发明属于医学影像技术领域，具体涉及一种冠状动脉血流储备分数计算方法及装置。
背景技术
冠心病是由于冠状动脉发生粥样硬化造成管腔狭窄或阻塞等，从而引起心肌缺血或坏死的一种心脏疾病。目前临床上诊断冠心病的金标准是冠状动脉造影(CoronaryArteryAngiography，CAG)，医生通过造影显示的血管轮廓来判断血管有无狭窄、狭窄的部位和程度等，并以此指导进一步的治疗。但冠状动脉造影不能从功能层面评价血流情况，也不能判断斑块的性质。血流储备分数(Fractional Flow Reserve，FFR)是一种冠脉血流的功能性评价指标，由荷兰学者Nico Pijls于1995年提出，通过测定冠状动脉内压力评估血管狭窄对远端供血造成的影响。传统有创FFR测量(ICA-FFR，InvasiveCoronaryAngiography)通过手术在血管内植入压力导丝测量病变位置近端和远端的压力值计算得出FFR。经过长期的临床研究，在冠状动脉造影术中进行有创FFR测定已经成为评价冠状动脉血管生理学功能的“金标准”。但是有创检查存在手术风险高、费用高等缺点，同时对于不适用血管扩张药物的患者无法进行测量。基于影像的FFR计算正好解决了ICA-FFR存在的问题，通过流体动力学仿真等算法避免了压力导丝介入血管和服用血管扩张药物等风险操作，在保证准确性的前提下把介入式诊断变为无创诊断，对减轻患者的身体伤害以及经济负担由重要的意义。
基于影像的FFR计算主要通过不同的成像方式获取病人的血管影像，重建冠脉血管三维模型，然后采用流体动力学算法模拟血液流经血管的动态过程，计算得到血管管腔各位置的压力。目前血管成像的方式包括数字减影血管造影(DigitalSubtractionAngiography，DSA)、冠状动脉CT造影(Coronary ComputedTomographyAngiography，CTA)、血管内超声(IntravascularUltrasound，IVUS)、光学相干断层扫描(Optical Coherence Tomography，OCT)等。不同模态的数据在扫描的便捷性、安全性、精确性上各有千秋，适应于不同的应用场景。DSA需要有创手术及注射造影剂，获取的是时序的2D影像，主要用于判断血管狭窄程度；IVUS需要有创手术但不需要注射造影剂，能够识别精确的血管管腔；OCT分辨率高，需要造影剂同时阻断血流，可用于斑块成分分析。目前基于影像的FFR计算方法都是基于某一种模态分别进行FFR计算。单模态数据FFR计算过程为：重建血管三维管腔模型并生成网格；设置边界条件如出入口的流速、压强等；求解流体动力学方程；后处理及计算FFR。其中血管模型重建是流体仿真的基础。同时边界条件设置对方程求解至关重要。因此如何得到真实的血管管腔和更为精确的边界条件成为FFR计算的关键问题。
发明内容
为了解决现有技术中存在的上述问题，本发明提供一种冠状动脉血流储备分数计算方法及装置。
为了实现上述目的，本发明采用以下技术方案。
第一方面，本发明提供一种冠状动脉血流储备分数计算方法，包括以下步骤：
对分别基于第一模态图像和第二模态图像进行血管分割与重建的结果进行特征融合，得到血管的三维模型；
基于第一模态图像和第二模态图像的融合获得求解流体动力学方程的边界条件；
基于所述边界条件和血管的三维模型求解流体动力学方程，得到血管不同位置的血液流动参数；
基于所述血液流动参数计算不同位置的冠状动脉血流储备分数。
进一步地，所述方法在进行特征融合前还包括血管配准步骤：针对基于第一模态图像和第二模态图像进行血管分割与重建的结果，采用传统算法或者深度学习方法对血管进行配准，使两种结果的血管对齐。
进一步地，所述边界条件的获得方法还包括：
构建以第一模态图像数据和第二模态图像数据为输入、以所述边界条件为输出的神经网络模型，并进行训练；将第一模态图像输入训练好的模型中，得到所述边界条件。
进一步地，所述流体动力学方程为：
式中，u为血液流速，p为压强，g为重力加速度，V为运动粘度。
进一步地，所述冠状动脉血流储备分数的计算公式为：
式中，FFR为冠状动脉血流储备分数，Pd为冠脉狭窄远端的压力值，Pa为冠脉狭窄近端的压力值。
第二方面，本发明提供一种冠状动脉血流储备分数计算装置，包括：
多模态融合模块，用于对分别基于第一模态图像和第二模态图像进行血管分割与重建的结果进行特征融合，得到血管的三维模型；
边界条件获得模块，用于基于第一模态图像和第二模态图像的融合获得求解流体动力学方程的边界条件；
动力学方程求解模块，用于基于所述边界条件和血管的三维模型求解流体动力学方程，得到血管不同位置的血液流动参数；
FFR计算模块，用于基于所述血液流动参数计算不同位置的冠状动脉血流储备分数。
进一步地，所述装置还包括血管配准模块，用于针对基于第一模态图像和第二模态图像进行血管分割与重建的结果，采用传统算法或者深度学习方法对血管进行配准，使两种结果的血管对齐。
进一步地，所述边界条件的获得方法还包括：
构建以第一模态图像数据和第二模态图像数据为输入、以所述边界条件为输出的神经网络模型，并进行训练；将第一模态图像输入训练好的模型中，得到所述边界条件。
进一步地，所述流体动力学方程为：
式中，u为血液流速，p为压强，g为重力加速度，V为运动粘度。
进一步地，所述冠状动脉血流储备分数的计算公式为：
式中，FFR为冠状动脉血流储备分数，Pd为冠脉狭窄远端的压力值，Pa为冠脉狭窄近端的压力值。
与现有技术相比，本发明具有以下有益效果。
本发明通过对分别基于第一模态图像和第二模态图像进行血管分割与重建的结果进行特征融合，得到血管的三维模型，基于第一模态图像和第二模态图像的融合获得求解流体动力学方程的边界条件，基于所述边界条件和血管的三维模型求解流体动力学方程，得到血管不同位置的血液流动参数，基于所述血液流动参数计算冠状动脉血流储备分数FFR(Fractional Flow Reserve)，实现了FFR的自动计算。本发明基于多模态图像融合求解血管的三维模型，提高了血管分割精度；基于有创手术获取的第二模态图像计算边界条件，提高了边界条件的精度；本发明通过以上两个方面的改进可明显提高FFR的计算精度。
附图说明
图1为本发明实施例一种冠状动脉血流储备分数计算方法的流程图。
图2为本发明另一实施例的整体流程示意图。
图3为本发明实施例FFR计算结果的示意图。
图4为本发明实施例一种冠状动脉血流储备分数计算装置的方框图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明白，以下结合附图及具体实施方式对本发明作进一步说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明实施例一种冠状动脉血流储备分数计算方法的流程图，包括以下步骤：
步骤101，对分别基于第一模态图像和第二模态图像进行血管分割与重建的结果进行特征融合，得到血管的三维模型；
步骤102，基于第一模态图像和第二模态图像的融合获得求解流体动力学方程的边界条件；
步骤103，基于所述边界条件和血管的三维模型求解流体动力学方程，得到血管不同位置的血液流动参数；
步骤104，基于所述血液流动参数计算不同位置的冠状动脉血流储备分数。
本实施例提供一种冠状动脉血流储备分数计算方法。目前基于医学影像的血流储备分数FFR计算方法，一般都是基于某一种模态的分别进行FFR计算。比如，因为CTA影像扫描过程相对比较容易(无创获得)且价格较低，基于CTA影像计算FFR是临床需求比较大的FFR计算方式。但是CTA是静态影像，无法通过影像获取血流量和流速等信息。现有计算边界条件的血流速度方法主要分为两类：第一类是通过数据驱动方式对血流信息进行估计，比如通过提取不同的解剖、功能、诊断和病人信息等特征训练FFR计算的回归模型，但是影响血流的因素比较复杂，很难进行全面的评估；第二类是通过不同期相数据对血流信息进行估计，比如采用多个期相数据分别设置不同边界条件求解血流状态最后进行整合。这些方法均不能得到与病人相关的精确边界条件，从而导致FFR计算不够准确。为此，本实施例结合不同模态图像(包括但不限于CTA、DSA、IVUS、OCT等)数据的优点(比如DSA可以获取更加精确的血管轮廓，判断血管狭窄率，带有时序信息；IVUS能够实别精确的血管管腔；OCT分辨率高)，通过数据融合建立更加准确的血管管腔和仿真边界条件，提高流体动力学方程的求解精度，得到更加准确的FFR。
本实施例中，步骤101主要用于获得血管的三维模型。本实施例主要通过对多模态图像数据融合，充分利用不同模态数据的优势，从优化血管建模和边界条件计算两方面提高FFR计算的准确性。选择一种模态数据为主模态，其他数据为辅助模态，本实施例以第一模态图像为主模态，以第二模态图像为辅助模态，比如以CTA图像为主模态(当然也可以选其他模态为主模态)，以DSA或IVUS、OCT或其他模态数据为辅助模态(如图2所示)，对CTA进行增强。首先，分别针对CTA和DSA两种不同模态数据，采用传统算法或者深度学习方法进行血管进行分割与重建；然后，对基于两种模态数据进行分割与重建的结果进行融合，得到血管的三维模型。本实施例相对只基于单一模态图像进行处理，可克服单一模态图像存在的不足，比如可解决CTA图像因为严重钙化、运动伪影等不同因素导致血管分割不准确的问题。
本实施例中，步骤102主要用于获得边界条件。所述边界条件主要包括血管入口、出口处的血液流速和其他可作为流体仿真边界条件的相关参数。可通过建立以第一模态图像和第二模态图像为输入、以边界条件为输出的模型，利用训练好的模型获得基于第二模态图像的边界条件。本实施例根据第二模态图像计算血流量及血流速度等信息，相比于其他血流估计方法，从第二模态图像得到的血流信息与病人的血管狭窄位置、狭窄程度等实际信息具有更强的相关性，从而可以获得较高精度的边界条件。
本实施例中，步骤103主要用于计算血管不同位置的血液流动参数。本实施例基于步骤101得到的血管三维模型和步骤102得到的边界条件，通过求解流体动力学方程得到血管各个位置处的血液流动参数，如血液流速、压强等，还可以计算出壁面剪切力等其他相关物理量，用于对血管和斑块进行分析。根据血管的三维模型和边界条件求解流体动力学方程，有多种求解方法，属于成熟的现有技术，本实施例对具体的求解方法不作限定。
本实施例中，步骤104主要用于计算FFR。本实施例基于步骤103得到的血液流动参数，根据FFR的定义计算FFR。由于血管不同位置的血液流动参数也不同，因此一般需要计算各个不同位置处的FFR。图3给出了一种FFR计算结果的分布示意图，一般医生比较关注冠脉狭窄的位置，如图3中标注“0.58”的两个小三角形处。
本实施例基于多模态图像融合求解血管的三维模型，提高了血管分割精度；同时基于有创手术获取的第二模态图像计算边界条件，提高了边界条件的精度。本实施例通过以上两个方面的改进可明显提高FFR的计算精度。
作为一可选实施例，所述方法在进行特征融合前还包括血管配准步骤：针对基于第一模态图像和第二模态图像进行血管分割与重建的结果，采用传统算法或者深度学习方法对血管进行配准，使两种结果的血管对齐。
本实施例给出了血管配准的一种技术方案。在进行多模态图像特征融合前，一般需要对两种模态血管分割与重建的结果进行配准，也就是使基于两种模态得到的血管对齐，以提高特征融合的精度。血管配准方法可以采用传统算法，也可以采用深度学习方法，本实施例对此不作具体限定。
作为一可选实施例，所述边界条件的获得方法还包括：
构建以第一模态图像数据和第二模态图像数据为输入、以所述边界条件为输出的神经网络模型，并进行训练；将第一模态图像输入训练好的模型中，得到所述边界条件。
本实施例给出获得边界条件的另一种技术方案。前面的实施例是基于两种模态图像的融合得到的边界条件。但在实际应用中，有时可能无法得到有些患者的第二模态图像。为此，本实施例提供另一种获得边界条件的技术方案，可以只根据输入的第一模态图像得到边界条件。本实施例是通过构建一个以第一模态图像数据和第二模态图像数据为输入、以所述边界条件为输出的神经网络模型，并对所述模型进行训练，将第一模态图像输入训练好的模型，就可以得到所要求的边界条件。因此，在没有第二模态图像的情况下照样可以完成FFR的计算，提高了FFR计算的便捷性和可靠性。
作为一可选实施例，所述流体动力学方程为：
式中，u为血液流速，p为压强，g为重力加速度，V为运动粘度。
本实施例给出了流体动力学方程的表达式。流体动力学方程是将质量、动量和能量守恒定律用于流体运动所得到的联系流体速度、压力、密度等物理量的关系式。流体动力学方程有积分形式和微分形式两种。前者通过对控制体和控制面的积分而得到流体诸物理量之间的积分关系式；后者通过对微元控制体或***直接建立方程而得到任意空间点上流体诸物理量之间的微分关系式。求解积分形式基本方程可以得到总体性能关系，如流体与物体之间作用的合力和总的能量交换等；求解微分形式基本方程或求解对微元控制体建立的积分形式基本方程，可以得到流场细节，即各空间点上流体的物理量。
作为一可选实施例，所述冠状动脉血流储备分数的计算公式为：
式中，FFR为冠状动脉血流储备分数，Pd为冠脉狭窄远端的压力值，Pa为冠脉狭窄近端的压力值。
本实施例给出了冠状动脉血流储备分数FFR的计算公式。FFR由荷兰学者NicoPijls于1995年提出的，通过测定冠状动脉内压力评估血管狭窄对远端供血造成的影响。血管某一位置处的FFR等于该处血管狭窄远端的压力值Pd与狭窄近端的压力值Pa的比值。因此，可通过获得各个位置的Pd和Pa求比值得到此处的FFR。
图4为本发明实施例一种冠状动脉血流储备分数计算装置的组成示意图，所述装置包括：
多模态融合模块11，用于对分别基于第一模态图像和第二模态图像进行血管分割与重建的结果进行特征融合，得到血管的三维模型；
边界条件获得模块12，用于基于第一模态图像和第二模态图像的融合获得求解流体动力学方程的边界条件；
动力学方程求解模块13，用于基于所述边界条件和血管的三维模型求解流体动力学方程，得到血管不同位置的血液流动参数；
FFR计算模块14，用于基于所述血液流动参数计算不同位置的冠状动脉血流储备分数。
本实施例的装置，可以用于执行图1所示方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。后面的实施例也是如此，均不再展开说明。
作为一可选实施例，所述装置还包括血管配准模块，用于针对基于第一模态图像和第二模态图像进行血管分割与重建的结果，采用传统算法或者深度学习方法对血管进行配准，使两种结果的血管对齐。
作为一可选实施例，所述边界条件的获得方法还包括：
构建以第一模态图像数据和第二模态图像数据为输入、以所述边界条件为输出的神经网络模型，并进行训练；将第一模态图像输入训练好的模型中，得到所述边界条件。
作为一可选实施例，所述流体动力学方程为：
式中，u为血液流速，p为压强，g为重力加速度，V为运动粘度。
作为一可选实施例，所述冠状动脉血流储备分数的计算公式为：
式中，FFR为冠状动脉血流储备分数，Pd为冠脉狭窄远端的压力值，Pa为冠脉狭窄近端的压力值。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种冠状动脉血流储备分数计算方法，其特征在于，包括以下步骤：
对分别基于第一模态图像和第二模态图像进行血管分割与重建的结果进行特征融合，得到血管的三维模型；
基于第一模态图像和第二模态图像的融合获得求解流体动力学方程的边界条件；
基于所述边界条件和血管的三维模型求解流体动力学方程，得到血管不同位置的血液流动参数；
基于所述血液流动参数计算不同位置的冠状动脉血流储备分数。
2.根据权利要求1所述的冠状动脉血流储备分数计算方法，其特征在于，所述方法在进行特征融合前还包括血管配准步骤：针对基于第一模态图像和第二模态图像进行血管分割与重建的结果，采用传统算法或者深度学习方法对血管进行配准，使两种结果的血管对齐。
3.根据权利要求1所述的冠状动脉血流储备分数计算方法，其特征在于，所述边界条件的获得方法还包括：
构建以第一模态图像数据和第二模态图像数据为输入、以所述边界条件为输出的神经网络模型，并进行训练；将第一模态图像输入训练好的模型中，得到所述边界条件。
4.根据权利要求1所述的冠状动脉血流储备分数计算方法，其特征在于，所述流体动力学方程为：
式中，u为血液流速，p为压强，g为重力加速度，V为运动粘度。
5.根据权利要求1所述的冠状动脉血流储备分数计算方法，其特征在于，所述冠状动脉血流储备分数的计算公式为：
式中，FFR为冠状动脉血流储备分数，Pd为冠脉狭窄远端的压力值，Pa为冠脉狭窄近端的压力值。
6.一种冠状动脉血流储备分数计算装置，其特征在于，包括：
多模态融合模块，用于对分别基于第一模态图像和第二模态图像进行血管分割与重建的结果进行特征融合，得到血管的三维模型；
边界条件获得模块，用于基于第一模态图像和第二模态图像的融合获得求解流体动力学方程的边界条件；
动力学方程求解模块，用于基于所述边界条件和血管的三维模型求解流体动力学方程，得到血管不同位置的血液流动参数；
FFR计算模块，用于基于所述血液流动参数计算不同位置的冠状动脉血流储备分数。
7.根据权利要求6所述的冠状动脉血流储备分数计算装置，其特征在于，所述装置还包括血管配准模块，用于针对基于第一模态图像和第二模态图像进行血管分割与重建的结果，采用传统算法或者深度学习方法对血管进行配准，使两种结果的血管对齐。
8.根据权利要求6所述的冠状动脉血流储备分数计算装置，其特征在于，所述边界条件的获得方法还包括：
构建以第一模态图像数据和第二模态图像数据为输入、以所述边界条件为输出的神经网络模型，并进行训练；将第一模态图像输入训练好的模型中，得到所述边界条件。
9.根据权利要求6所述的冠状动脉血流储备分数计算装置，其特征在于，所述流体动力学方程为：
式中，u为血液流速，p为压强，g为重力加速度，V为运动粘度。
10.根据权利要求6所述的冠状动脉血流储备分数计算装置，其特征在于，所述冠状动脉血流储备分数的计算公式为：
式中，FFR为冠状动脉血流储备分数，Pd为冠脉狭窄远端的压力值，Pa为冠脉狭窄近端的压力值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210246599.1A CN114664455A (zh) | 2022-03-14 | 2022-03-14 | 一种冠状动脉血流储备分数计算方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210246599.1A CN114664455A (zh) | 2022-03-14 | 2022-03-14 | 一种冠状动脉血流储备分数计算方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114664455A true CN114664455A (zh) | 2022-06-24 |
Family
ID=82030217
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210246599.1A Pending CN114664455A (zh) | 2022-03-14 | 2022-03-14 | 一种冠状动脉血流储备分数计算方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114664455A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115272447A (zh) * | 2022-09-29 | 2022-11-01 | 全景恒升（北京）科学技术有限公司 | 基于多模态影像的血流储备分数计算方法、装置及设备 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130246034A1 (en) * | 2012-03-13 | 2013-09-19 | Siemens Aktiengesellschaft | Method and System for Non-Invasive Functional Assessment of Coronary Artery Stenosis |
| 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 |
| CN108109698A (zh) * | 2016-12-28 | 2018-06-01 | 北京昆仑医云科技有限公司 | 应用计算流体力学来模拟计算血流储备分数的***和方法 |
| US20180308245A1 (en) * | 2016-11-02 | 2018-10-25 | Shenzhen United Imaging Healthcare Co., Ltd. | System and method for registering multi-modality images |
| CN109091167A (zh) * | 2018-06-29 | 2018-12-28 | 东南大学 | 冠状动脉粥样硬化斑块增长的预测方法 |
| CN112704505A (zh) * | 2020-11-20 | 2021-04-27 | 杭州阿特瑞科技有限公司 | 一种利用cta和dsa测量冠状动脉血流储备分数的方法 |
| US20210272699A1 (en) * | 2018-07-20 | 2021-09-02 | University Of Louisville Research Foundation, Inc. | Method and system for assessing a coronary stenosis |
| CN113689477A (zh) * | 2021-09-09 | 2021-11-23 | 上海联影医疗科技股份有限公司 | 多模态医学图像配准方法、***、可读存储介质和设备 |
-
2022
- 2022-03-14 CN CN202210246599.1A patent/CN114664455A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130246034A1 (en) * | 2012-03-13 | 2013-09-19 | Siemens Aktiengesellschaft | Method and System for Non-Invasive Functional Assessment of Coronary Artery Stenosis |
| 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 |
| US20180308245A1 (en) * | 2016-11-02 | 2018-10-25 | Shenzhen United Imaging Healthcare Co., Ltd. | System and method for registering multi-modality images |
| CN108109698A (zh) * | 2016-12-28 | 2018-06-01 | 北京昆仑医云科技有限公司 | 应用计算流体力学来模拟计算血流储备分数的***和方法 |
| CN109091167A (zh) * | 2018-06-29 | 2018-12-28 | 东南大学 | 冠状动脉粥样硬化斑块增长的预测方法 |
| US20210272699A1 (en) * | 2018-07-20 | 2021-09-02 | University Of Louisville Research Foundation, Inc. | Method and system for assessing a coronary stenosis |
| CN112704505A (zh) * | 2020-11-20 | 2021-04-27 | 杭州阿特瑞科技有限公司 | 一种利用cta和dsa测量冠状动脉血流储备分数的方法 |
| CN113689477A (zh) * | 2021-09-09 | 2021-11-23 | 上海联影医疗科技股份有限公司 | 多模态医学图像配准方法、***、可读存储介质和设备 |
Non-Patent Citations (1)
| Title |
|---|
| 吴献鹏 等: "冠状动脉血流储备分数的临床应用", 中国介入心脏病学杂志, vol. 27, no. 7, 31 July 2019 (2019-07-31), pages 404 - 407 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115272447A (zh) * | 2022-09-29 | 2022-11-01 | 全景恒升（北京）科学技术有限公司 | 基于多模态影像的血流储备分数计算方法、装置及设备 |
| CN115272447B (zh) * | 2022-09-29 | 2022-12-20 | 全景恒升（北京）科学技术有限公司 | 基于多模态影像的血流储备分数计算方法、装置及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10803994B2 (en) | Vascular flow assessment | |
| CN108511075B (zh) | 一种非侵入式获取血流储备分数的方法和*** | |
| JP6553099B2 (ja) | 血流予備量比値を算出するための機器 | |
| US10748451B2 (en) | Methods and systems for generating fluid simulation models | |
| US10872698B2 (en) | Method and system for enhancing medical image-based blood flow computations using physiological measurements | |
| 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 | |
| CN108294735B (zh) | 用于冠状动脉狭窄的非侵入性功能评估的方法和*** | |
| CN105792738B (zh) | 用于改善功能狭窄分析的局部ffr估计和可视化 | |
| CN108109698B (zh) | 计算血流储备分数的***和设置边界条件的方法 | |
| 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 | |
| CN110085321A (zh) | 对冠脉循环进行多尺度的解剖学和功能建模的方法和*** | |
| JP2021529577A (ja) | 血管圧差を取得する方法及び装置 | |
| US11039804B2 (en) | Apparatus and method for determining a fractional flow reserve | |
| US20190076196A1 (en) | Vessel geometry and additional boundary conditions for hemodynamic ffr/ifr simulations from intravascular imaging | |
| CN114052764B (zh) | 获取血流储备分数的方法、装置、***和计算机存储介质 | |
| CN111093504A (zh) | 对测量的和模拟的冠状动脉内拉回曲线的配准和比较 | |
| Wang et al. | Functional assessment of stenotic coronary artery in 3D geometric reconstruction from fusion of intravascular ultrasound and X-ray angiography | |
| CN114664455A (zh) | 一种冠状动脉血流储备分数计算方法及装置 | |
| CN113876304A (zh) | 一种基于oct图像和造影图像确定ffr的方法及装置 | |
| US20160098531A1 (en) | Method for assessing stenosis severity in a lesion tree through stenosis mapping | |
| WO2021048838A2 (en) | Automated analysis of image data to determine fractional flow reserve | |
| CN117679059B (zh) | 一种量化功能性血流动力学参数的***和方法 | |
| 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 | |
| US20230346330A1 (en) | Blood flow imaging | |
| Lo | Integration of patient-specific myocardial perfusion in CT-based FFR computations |
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 |