CN117036531B - 基于gpu的血流储备分数得到方法、***及存储介质 - Google Patents

基于gpu的血流储备分数得到方法、***及存储介质 Download PDF

Info

Publication number
CN117036531B
CN117036531B CN202311301627.6A CN202311301627A CN117036531B CN 117036531 B CN117036531 B CN 117036531B CN 202311301627 A CN202311301627 A CN 202311301627A CN 117036531 B CN117036531 B CN 117036531B
Authority
CN
China
Prior art keywords
resampling
node
central
gpu
unit
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202311301627.6A
Other languages
English (en)
Other versions
CN117036531A (zh
Inventor
向建平
张乘铭
何京松
单晔杰
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.)
Arteryflow Technology Co ltd
Original Assignee
Arteryflow 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 Arteryflow Technology Co ltd filed Critical Arteryflow Technology Co ltd
Priority to CN202311301627.6A priority Critical patent/CN117036531B/zh
Publication of CN117036531A publication Critical patent/CN117036531A/zh
Application granted granted Critical
Publication of CN117036531B publication Critical patent/CN117036531B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/032—Transmission computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/504—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of blood vessels, e.g. by angiography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/507—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for determination of haemodynamic parameters, e.g. perfusion CT
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G06T1/20—Processor architectures; Processor configuration, e.g. pipelining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Pathology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Optics & Photonics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • General Physics & Mathematics (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Vascular Medicine (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Pulmonology (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本申请涉及一种基于GPU的血流储备分数得到方法、***及存储介质，通过基于与冠状动脉相关的CT影像数据得到其中血管中心路径，以及该路径上各离散中心节点上的血管几何信息，接着根据分岔节点对血管中心路径进行拆分得到的多个中心线单元，在对各中心线单元进行血管流量分配得到各中心线单元上的血管流量值，在计算各中心节点的血流储备分数时，由多个GPU并行计算对应中心线单元中各节点的总压降，再根据总压降计算各中心节点上的血流储备分数，从而得到整个冠状动脉的血流储备分数。采用本方法大大提高效率的同时，保证了结果的准确性。

Description

基于GPU的血流储备分数得到方法、***及存储介质
技术领域
本申请涉及医学影像处理技术领域，特别是涉及一种基于GPU的血流储备分数得到方法、***及存储介质。
背景技术
血流储备分数（FFR）是一种用于评估冠状动脉疾病严重程度的生理指标。它是指在特定的血流条件下，心肌组织需要的氧气供应量与实际供应量之比。
然而，随着计算流体力学（CFD）技术的发展，基于CT影像的CT-FFR（冠脉CT血流储备分数）逐渐流行，并被广泛应用于临床。然而，目前基于CT的FFR常使用三维CFD仿真来进行计算，该计算过程一般使用CPU串行，需要耗费较长时间。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高计算效率的基于GPU的血流储备分数得到方法、***及存储介质。
一种基于GPU的血流储备分数得到方法，所述方法包括：
获取与冠状动脉血管相关的CT影像数据；
利用卷积神经网络对所述CT影像数据进行处理，得到冠状动脉血管的中心路径上离散的多个中心节点以及与各所述中心节点对应的血管几何属性值；
根据各所述中心节点中的分岔节点将所述中心路径拆分为多个中心线单元，并对各所述中心线单元上的血管流量进行分配，得到各中心线单元上中心节点的流量值；
对各所述中心线单元上的中心节点进行重采样，得到各中心线单元上的重采样节点，并将重采样后的各中心线单元节点数保存为计算域数据；
将计算域中各重采样节点按照不同的中心线单元归属划分至对应的GPU计算单元中，同时将各重采样节点的血管几何属性值以及流量值划分至对应的GPU计算单元的共享内存中；
由各所述GPU计算单元并行计算对应中心线单元上各重采样节点上的总压降，并将计算结果保存至GPU全局内存中；
根据所述GPU全局内存中各重采样节点的总压降分别计算各重采样节点的血流储备分数，再将其映射至中心路径上得到冠状动脉血管的血流储备分数。
在其中一实施例中，所述根据各所述中心节点中的分岔节点将所述中心路径拆分为多个中心线单元，并对各所述中心线单元上的血管流量进行分配包括：
对各所述中心线单元进行分级，并生成树结构；
根据所述树结构对各所述中心线单元进行血管流量的分配，采用以下公式：
；
在上式中，i表示分支序号，表示子分支流量，/>为母血管流量，/>表示子分支入口处的参考截面积，/>为常数，各中心线单元上的中心节点共用同一流量/>。
在其中一实施例中，对各所述中心线单元上的中心节点进行重采样时，重采样后各中心线单元的节点数采用以下公式进行计算得到：
；
在上式中，表示重采样后各中心线单元的节点数，/>表示重采样前各中心线单元的节点数，/>为常数。
在其中一实施例中，将计算域中各重采样节点按照不同的中心线单元归属划分至对应的GPU计算单元之前，还包括：
根据各中心线单元中重采样中心节点数量进行计算，得到GPU计算单元的数量；
根据所有中心线单元中重采样中心点数量最小值，确定各所述中心线单元中线程数量。
在其中一实施例中，所述同时将各重采样节点的血管几何属性值以及流量值划分至对应的GPU计算单元的共享内存中包括：
将各重采样节点的血管几何属性值以及流量值存储至GPU全局内存中；
根据所述树结构进行子区域的划分，各所述子区域中分别对应一个中心线单元中的各重采样节点的血管几何属性值以及流量值；
在各所述子区域中，加入一个用于保存前一个子区域的末端节点对应的血管几何属性值以及流量值；
将各所述子区域中的所有血管几何属性值以及流量值分别复制至对应的GPU计算单元的共享内存中。
在其中一实施例中，在各所述子区域中由线程将对应的血管几何属性值以及流量值复制至对应的GPU计算单元的共享内存中。
在其中一实施例中，所述由各所述GPU计算单元并行计算对应中心线单元上各重采样节点上的总压降包括：
每个线程分别根据对应重采样节点上的血管几何属性值以及流量值计算多各种类的压降，包括粘性沿程压降，狭窄段粘性沿程压降，渐缩压降以及渐扩压降；
将多个种类压降的总和，作为对应重采样节点上总压降。
在其中一实施例中，在所述GPU全局内存中构建多个数据集分别存储各重采样节点上不同种类的压降以及总后得到的总压降。
一种基于GPU的血流储备分数得到***，所述***包括CPU单元和GPU单元，其中，所述GPU单元包括多个GPU计算单元以及GPU全局内存；
所述CPU单元，用于获取与冠状动脉血管相关的CT影像数据；
所述CPU单元，用于利用卷积神经网络对所述CT影像数据进行处理，得到冠状动脉血管的中心路径上离散的多个中心节点以及与各所述中心节点对应的血管几何属性值；
所述CPU单元，用于根据各所述中心节点中的分岔节点将所述中心路径拆分为多个中心线单元，并对各所述中心线单元上的血管流量进行分配，得到各中心线单元上中心节点的流量值；
所述CPU单元，用于对各所述中心线单元上的中心节点进行重采样，得到各中心线单元上的重采样节点，并将重采样后的各中心线单元节点数保存为计算域数据；
所述CPU单元，用于将计算域中各重采样节点按照不同的中心线单元归属划分至对应的GPU计算单元中，同时将各重采样节点的血管几何属性值以及流量值划分至对应的GPU计算单元的共享内存中；
由各所述GPU计算单元并行计算对应中心线单元上各重采样节点上的总压降，并将计算结果保存至GPU全局内存后，再将其转移至所述CPU单元；
所述CPU单元，根据所述GPU全局内存转移的各重采样节点的总压降分别计算各重采样节点的血流储备分数，再将其映射至中心路径上得到冠状动脉血管的血流储备分数。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取与冠状动脉血管相关的CT影像数据；
利用卷积神经网络对所述CT影像数据进行处理，得到冠状动脉血管的中心路径上离散的多个中心节点以及与各所述中心节点对应的血管几何属性值；
根据各所述中心节点中的分岔节点将所述中心路径拆分为多个中心线单元，并对各所述中心线单元上的血管流量进行分配，得到各中心线单元上中心节点的流量值；
对各所述中心线单元上的中心节点进行重采样，得到各中心线单元上的重采样节点，并将重采样后的各中心线单元节点数保存为计算域数据；
将计算域中各重采样节点按照不同的中心线单元归属划分至对应的GPU计算单元中，同时将各重采样节点的血管几何属性值以及流量值划分至对应的GPU计算单元的共享内存中；
由各所述GPU计算单元并行计算对应中心线单元上各重采样节点上的总压降，并将计算结果保存至GPU全局内存中；
根据所述GPU全局内存中各重采样节点的总压降分别计算各重采样节点的血流储备分数，再将其映射至中心路径上得到冠状动脉血管的血流储备分数。
上述基于GPU的血流储备分数得到方法、***及存储介质，通过基于与冠状动脉相关的CT影像数据得到其中血管中心路径，以及该路径上各离散中心节点上的血管几何信息，接着根据分岔节点对血管中心路径进行拆分得到的多个中心线单元，在对各中心线单元进行血管流量分配得到各中心线单元上的血管流量值，在计算各中心节点的血流储备分数时，由多个GPU并行计算对应中心线单元中各节点的总压降，再根据总压降计算各中心节点上的血流储备分数，从而得到整个冠状动脉的血流储备分数。采用本方法大大提高效率的同时，保证了结果的准确性。
附图说明
图1为一个实施例中基于GPU的血流储备分数得到方法的应用环境图；
图2为一个实施例中普通分岔血管中三个中心线单元示意图；
图3为图2中的三个中心线单元的子区域及共享内存划分示意图；
图4为一个实施例中计算机设备的内部结构图。
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。
针对现有技术中，在基于CT的三维CFD仿真进行FFR计算时，多采用CPU串行，需要耗费较长的时间的问题，在一个实施例中，如图1所示，提供了一种基于GPU的血流储备分数得到方法，包括以下步骤：
步骤S100，获取与冠状动脉血管相关的CT影像数据；
步骤S110，利用卷积神经网络对CT影像数据进行处理，得到冠状动脉血管的中心路径上离散的多个中心节点以及与各所述中心节点对应的血管几何属性值；
步骤S120，根据各中心节点中的分岔节点将中心路径拆分为多个中心线单元，并对各所述中心线单元上的血管流量进行分配，得到各中心线单元上中心节点的流量值；
步骤S130，对各中心线单元上的中心节点进行重采样，得到各中心线单元上的重采样节点，并将重采样后的各中心线单元节点数保存为计算域数据；
步骤S140，将计算域中各重采样节点按照不同的中心线单元归属划分至对应的GPU计算单元中，同时将各重采样节点的血管几何属性值以及流量值划分至对应的GPU计算单元的共享内存中；
步骤S150，由各GPU计算单元并行计算对应中心线单元上各重采样节点上的总压降，并将计算结果保存至GPU全局内存中；
步骤S160，根据GPU全局内存中各重采样节点的总压降分别计算各重采样节点的血流储备分数，再将其映射至中心路径上得到冠状动脉血管的血流储备分数。
在本实施例中，通过先计算得到冠状动脉上个中心节点上的总压强后，再根据总压强得到各中心节点上的血流储备分数，最后将各中心节点上得到的血流储备分数血流储备分数映射至中心路径上，得到整个冠状动脉血管的血流储备分数，其中，在计算各中心节点上的总压强时，为了充分利用GPU，并提高计算效率，根据各中心节点归属的中心线单元划分至不同的GPU计算单元中进行并行计算，这样的计算方法大大提高的效率，解决了耗费较长时间。
在步骤S100中，获取的与冠状动脉血管相关的CT影像数据是使用X射线对目标进行扫描，再由计算机处理技术来生成的目标详细图像。通过对CT影像数据进行分析处理可以得到与目标相关的详细信息。而在本实施例中，分析目标为冠状动脉血管，在获取CT影像数据的同时，还获取与该冠状动脉血管相关的其他生理数据，以辅助血流储备分数的计算。
在步骤S110中，利用已训练好的具备血管中心线提取能力的卷积神经网络对CT影像进行处理后，得到冠状动脉血管中心路径上的多个离散点，也就是中心节点，同时获得对应各中心节点的血管几何属性值。其中，血管几何属性值包括各中心节点处的血管半径、截面积、参考直径以及距离冠入口的距离。
在其他实施例中，除了利用卷积神经网络提取中心路径以外，还可以采用基于阈值和分割的方法、基于血管追踪的方法、基于模型的方法、基于虚拟内径的方法以及基于多视角的方法，以上的这些方法均属于本方法的保护范围。
为了后续计算各节点处的总压力，还需要得到各节点出的血流量值，故在步骤S120中，根据中心路径上的各中心节点的信息确定处于血管分岔对的中心节点，也就是分岔节点，再根据各分岔节点将中心路径拆分为多个中心线单元。每一个中心线单元都表示一段冠状动脉血管中的一段血管，在对各中心线单元标记序号时，按照各血管之间的关系进行标号，即对各中心线单元进行分析，并通过标号可知道某两段相连接的血管其中一个为母血管，另外一个为子分支血管。也就是说各中心线单元即可为母血管也可为子分支血管。
接着，再根据分级后的中心线单元生成树结构，再根据树结构对各中心线单元进行血管流量的分配，采用以下公式：
（1）
在公式（1）中，i表示分支序号，表示子分支流量，/>为母血管流量，/>表示子分支入口处的参考截面积，/>为常数，各中心线单元上的中心节点共用同一流量/>。
在本实施例中，母血管流量可由与该冠状动脉血管相关的其他生理数据进行计算得到，为现有技术，在这里不再进行赘述。
在这里需要说明的是，计算得到的某一中心线单元对应血管段的血管流量后，将该流量值作为该中心线单元中各中心节点的流量值，也就是同一中心线单元中的各中心节点的流量值相同。
由于，在对整个冠状动脉的血流储备分数进行计算时，并不需要利用所有中心节点，所以在步骤S130中，对各中心线单元上的中心节点进行重采样，其中，重采样后各中心线单元的节点数量采用以下公式进行计算得到：
（2）
在公式（2）中，表示重采样后各中心线单元的节点数，表示重采样前各中心线单元的节点数，/>为常数。
在计算得到的各中心线单元的重采样后的节点数量后将其转化为计算域数据进行保存，以便后续的计算。
在步骤S140中，将计算域中各重采样节点按照不同的中心线单元归属划分至对应的GPU计算单元之前，还包括：根据各中心线单元中重采样中心节点数量进行计算，得到GPU计算单元的数量。同时，根据所有中心线单元中重采样中心点数量最小值，确定各中心线单元中线程数量。
具体的，采用以下公式确定GPU计算单元的数量：
（3）
在公式（3）中，表示中心线单元的数量，/>表示重采样后各中心线单元的节点数，上标i表示中心线单元的序号，/>表示中心线单元的数量。
进一步的，对重采样节点对应的数据进行处理，将各重采样节点的血管几何属性值以及流量值划分至对应的GPU计算单元的共享内存中包括：将各重采样节点的血管几何属性值以及流量值存储至GPU全局内存中，根据树结构进行子区域的划分，各子区域中分别对应一个中心线单元中的各重采样节点的血管几何属性值以及流量值，在各子区域中，加入一个节点用于保存前一个子区域的末端节点对应的血管几何属性值以及流量值，该额外增加的节点用于后续子区域首个节点处属性的计算，接着，将各子区域中的所有血管几何属性值以及流量值分别复制至对应的GPU计算单元的共享内存中，以便在进行压力计算时能够快速调用。
其中，为了加快数据复制的速度，使用各GPU计算单元中的每个线程将子区域中对应节点的数据从全局内存中复制到共享内存里，而每个子区域中额外增加的节点数据由线程0复制。
以一个普通分岔血管，三个中心线单元为例，中心线单元和对应的子区域划分分别由图2和图3表示。在图2中，Cell 0、Cell 1以及Cell 2分别表示三个中心线单元，而Cell0表示的血管段为Cell 1以及Cell 2表示血管段的母血管，相较于Cell 0，Cell 1以及Cell2表示Cell 0的子支路。而在图3中，Global Memory表示GPU全局内存，而Shared of Memory表示各中心线单元内的分享内存。
在本实施例中，提供了一种实现子区域以及共享内存划分的伪代码实现方式，如下所示：
在步骤S150中，由各GPU计算单元并行计算对应中心线单元上各重采样节点上的总压降包括：每个线程分别根据对应重采样节点上的血管几何属性值以及流量值计算多各种类的压降，包括粘性沿程压降，狭窄粘性沿程压降，渐缩压降，以及渐扩压降，将多个种类压降的总和，作为对应重采样节点上总压降。
在本实施例中，根据各中心线单元对应的血管类型，分别计算对应种类的压降。
具体的，对狭窄段血管，各线程（thread）分别计算每个节点的粘性沿程压降，采用以下公式：
（4）
在公式（4）中，表示常数，/>表示血液粘度，/>表示该段血管狭窄长度，/>表示该段的流量，/>表示血管直径。
具体的，对狭窄段血管，还计算渐缩压降，采用以下公式：
（5）
在公式（5）中，表示狭窄处的参考直径，/>表示狭窄处的最小直径。
具体的，对狭窄段血管，还计算渐扩压降，采用以下公式：
（6）
在公式（6）中，和/>表示常数，/>表示血液密度，/>表示该段血管的狭窄长度，/>表示该段血管的血流流量，/>表示狭窄处的最小血管截面积，/>表示对应的参考截面积。
针对狭窄段血管的各节点的普通粘性沿程压降设置为0。
具体的，对正常段血管，每个线程仅根据如下公式（7）对每个节点计算粘性沿程压降：
（7）
而对于正常段血管中每个节点的其他三种压降均设置为0。
接着，再由各线程根据计算得到的四个压降，采用以下公式得到的对应重采样节点的总压降：
（8）
另外，在GPU全局内存中构建多个数据集分别存储各重采样节点上不同种类的压降以及总后得到的总压降。
在步骤S160中，根据各重采样节点的总压降计算血流储备分数采用以下公式：
（9）
在公式（9）中，表示入口处压强，/>表示从入口至当前节点的总压降。
最后，根据将得到的各重采样节点处的血流储备分数，映射至中心路径上得到整个冠状动脉的血流储备分数。
在上述基于GPU的血流储备分数得到方法中，通过先将冠状动脉血管分别多段血管后，再利用多个GPU同时计算各血管段上的总压力，从而可以快速得到的计算结果，相比于在CPU端迭代求解的算法，利用GPU进行FFR的并行求解，使计算速度得到了极大的提升，同时利用GPU计算，使原本闲置的GPU进行工作，极大的减少了资源浪费。
在本实施例中，基于上述方法还提供了一种基于GPU的血流储备分数得到***，该***包括CPU单元和GPU单元，其中，GPU单元包括多个GPU计算单元以及GPU全局内存。
首先，由CPU单元获取与冠状动脉血管相关的CT影像数据，利用卷积神经网络对CT影像数据进行处理，得到冠状动脉血管的中心路径上离散的多个中心节点以及与各所述中心节点对应的血管几何属性值，再根据各中心节点中的分岔节点将所述中心路径拆分为多个中心线单元，并对各中心线单元上的血管流量进行分配，得到各中心线单元上中心节点的流量值，对各中心线单元上的中心节点进行重采样，得到各中心线单元上的重采样节点，并将重采样后的各中心线单元节点数保存为计算域数据，将计算域中各重采样节点按照不同的中心线单元归属划分至对应的GPU计算单元中，同时将各重采样节点的血管几何属性值以及流量值划分至对应的GPU计算单元的共享内存中。
接着，由各GPU计算单元并行计算对应中心线单元上各重采样节点上的总压降，并将计算结果保存至GPU全局内存后，再将其转移至CPU单元。
最后，再由CPU单元根据GPU全局内存转移的各重采样节点的总压降分别计算各重采样节点的血流储备分数，再将其映射至中心路径上得到冠状动脉血管的血流储备分数。
基于上述的基于GPU的血流储备分数得到方法还可进一步对该***进行说明，简单来说，基于GPU的血流储备分数得到方法中步骤S100到步骤S140，以及步骤S160由CPU单元实施，而步骤S150由GPU单元实施。而CPU单元和GPU单元中的具体实施步骤参照基于GPU的血流储备分数得到方法中的具体步骤，不再进行赘述。
应该理解的是，虽然图1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1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子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，这些子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的子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，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图4所示。该计算机设备包括通过***总线连接的CPU、GPU、存储器、网络接口、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。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于GPU的血流储备分数得到方法。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4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。
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：
获取与冠状动脉血管相关的CT影像数据；
利用卷积神经网络对所述CT影像数据进行处理，得到冠状动脉血管的中心路径上离散的多个中心节点以及与各所述中心节点对应的血管几何属性值；
根据各所述中心节点中的分岔节点将所述中心路径拆分为多个中心线单元，并对各所述中心线单元上的血管流量进行分配，得到各中心线单元上中心节点的流量值；
对各所述中心线单元上的中心节点进行重采样，得到各中心线单元上的重采样节点，并将重采样后的各中心线单元节点数保存为计算域数据；
将计算域中各重采样节点按照不同的中心线单元归属划分至对应的GPU计算单元中，同时将各重采样节点的血管几何属性值以及流量值划分至对应的GPU计算单元的共享内存中；
由各所述GPU计算单元并行计算对应中心线单元上各重采样节点上的总压降，并将计算结果保存至GPU全局内存中；
根据所述GPU全局内存中各重采样节点的总压降分别计算各重采样节点的血流储备分数，再将其映射至中心路径上得到冠状动脉血管的血流储备分数。
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：
获取与冠状动脉血管相关的CT影像数据；
利用卷积神经网络对所述CT影像数据进行处理，得到冠状动脉血管的中心路径上离散的多个中心节点以及与各所述中心节点对应的血管几何属性值；
根据各所述中心节点中的分岔节点将所述中心路径拆分为多个中心线单元，并对各所述中心线单元上的血管流量进行分配，得到各中心线单元上中心节点的流量值；
对各所述中心线单元上的中心节点进行重采样，得到各中心线单元上的重采样节点，并将重采样后的各中心线单元节点数保存为计算域数据；
将计算域中各重采样节点按照不同的中心线单元归属划分至对应的GPU计算单元中，同时将各重采样节点的血管几何属性值以及流量值划分至对应的GPU计算单元的共享内存中；
由各所述GPU计算单元并行计算对应中心线单元上各重采样节点上的总压降，并将计算结果保存至GPU全局内存中；
根据所述GPU全局内存中各重采样节点的总压降分别计算各重采样节点的血流储备分数，再将其映射至中心路径上得到冠状动脉血管的血流储备分数。
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/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）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)

1.一种基于GPU的血流储备分数得到***，其特征在于，所述***中实施以下方法，包括：
获取与冠状动脉血管相关的CT影像数据；
利用卷积神经网络对所述CT影像数据进行处理，得到冠状动脉血管的中心路径上离散的多个中心节点以及与各所述中心节点对应的血管几何属性值；
根据各所述中心节点中的分岔节点将所述中心路径拆分为多个中心线单元并对各所述中心线单元上的血管流量进行分配，得到各中心线单元上中心节点的流量值；
对各所述中心线单元上的中心节点进行重采样，得到各中心线单元上的重采样节点，并将重采样后的各中心线单元节点数保存为计算域数据；
将计算域中各重采样节点按照不同的中心线单元归属划分至对应的GPU计算单元中，同时将各重采样节点的血管几何属性值以及流量值划分至对应的GPU计算单元的共享内存中；
由各所述GPU计算单元并行计算对应中心线单元上各重采样节点上的总压降，并将计算结果保存至GPU全局内存中；
根据所述GPU全局内存中各重采样节点的总压降分别计算各重采样节点的血流储备分数，再将其映射至中心路径上得到冠状动脉血管的血流储备分数。
2.根据权利要求1所述的血流储备分数得到***，其特征在于，所述根据各所述中心节点中的分岔节点将所述中心路径拆分为多个中心线单元，并对各所述中心线单元上的血管流量进行分配包括：
对各所述中心线单元进行分级，并生成树结构；
根据所述树结构对各所述中心线单元进行血管流量的分配，采用以下公式：
，
在上式中，i表示分支序号，表示子分支流量，/>为母血管流量，/>表示子分支入口处的参考截面积，/>为常数，各中心线单元上的中心节点共用同一流量/>。
3.根据权利要求1所述的血流储备分数得到***，其特征在于，对各所述中心线单元上的中心节点进行重采样时，重采样后各中心线单元的节点数采用以下公式进行计算得到：
，
在上式中，表示重采样后各中心线单元的节点数，/>表示重采样前各中心线单元的节点数，/>为常数。
4.根据权利要求2所述的血流储备分数得到***，其特征在于，将计算域中各重采样节点按照不同的中心线单元归属划分至对应的GPU计算单元之前，还包括：
根据各中心线单元中重采样中心节点数量进行计算，得到GPU计算单元的数量；
根据所有中心线单元中重采样中心点数量最小值，确定各所述中心线单元中线程数量。
5.根据权利要求4所述的血流储备分数得到***，其特征在于，所述同时将各重采样节点的血管几何属性值以及流量值划分至对应的GPU计算单元的共享内存中包括：
将各重采样节点的血管几何属性值以及流量值存储至GPU全局内存中；
根据所述树结构进行子区域的划分，各所述子区域中分别对应一个中心线单元中的各重采样节点的血管几何属性值以及流量值；
在各所述子区域中，加入一个用于保存前一个子区域的末端节点对应的血管几何属性值以及流量值；
将各所述子区域中的所有血管几何属性值以及流量值分别复制至对应的GPU计算单元的共享内存中。
6.根据权利要求5所述的血流储备分数得到***，其特征在于，在各所述子区域中由线程将对应的血管几何属性值以及流量值复制至对应的GPU计算单元的共享内存中。
7.根据权利要求1所述的血流储备分数得到***，其特征在于，所述由各所述GPU计算单元并行计算对应中心线单元上各重采样节点上的总压降包括：
每个线程分别根据对应重采样节点上的血管几何属性值以及流量值计算多各种类的压降，包括粘性沿程压降，狭窄段粘性沿程压降，渐缩压降以及渐扩压降；
将多个种类压降的总和，作为对应重采样节点上总压降。
8.根据权利要求7所述的血流储备分数得到***，其特征在于，在所述GPU全局内存中构建多个数据集分别存储各重采样节点上不同种类的压降以及总后得到的总压降。
9.一种基于GPU的血流储备分数得到***，其特征在于，所述***包括CPU单元和GPU单元，其中，所述GPU单元包括多个GPU计算单元以及GPU全局内存；
所述CPU单元，用于获取与冠状动脉血管相关的CT影像数据；
所述CPU单元，用于利用卷积神经网络对所述CT影像数据进行处理，得到
冠状动脉血管的中心路径上离散的多个中心节点以及与各所述中心节点对应的血管几何属性值；
所述CPU单元，用于根据各所述中心节点中的分岔节点将所述中心路径拆
分为多个中心线单元，并对各所述中心线单元上的血管流量进行分配，得到各中心线单元上中心节点的流量值；
所述CPU单元，用于对各所述中心线单元上的中心节点进行重采样，得到各中心线单元上的重采样节点，并将重采样后的各中心线单元节点数保存为计算域数据；
所述CPU单元，用于将计算域中各重采样节点按照不同的中心线单元归属划分至对应的GPU计算单元中，同时将各重采样节点的血管几何属性值以及流量值划分至对应的GPU计算单元的共享内存中；
由各所述GPU计算单元并行计算对应中心线单元上各重采样节点上的总压降，并将计算结果保存至GPU全局内存后，再将其转移至所述CPU单元；
所述CPU单元，根据所述GPU全局内存转移的各重采样节点的总压降分别计算各重采样节点的血流储备分数，再将其映射至中心路径上得到冠状动脉血管的血流储备分数。
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8中任一项所述基于GPU的血流储备分数得到***中的方法步骤。
CN202311301627.6A 2023-10-10 2023-10-10 基于gpu的血流储备分数得到方法、***及存储介质 Active CN117036531B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311301627.6A CN117036531B (zh) 2023-10-10 2023-10-10 基于gpu的血流储备分数得到方法、***及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311301627.6A CN117036531B (zh) 2023-10-10 2023-10-10 基于gpu的血流储备分数得到方法、***及存储介质

Publications (2)

Publication Number Publication Date
CN117036531A CN117036531A (zh) 2023-11-10
CN117036531B true CN117036531B (zh) 2023-12-22

Family

ID=88623100

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311301627.6A Active CN117036531B (zh) 2023-10-10 2023-10-10 基于gpu的血流储备分数得到方法、***及存储介质

Country Status (1)

Country Link
CN (1) CN117036531B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016075331A2 (en) * 2014-11-14 2016-05-19 Siemens Healthcare Gmbh Method and system for purely geometric machine learning based fractional flow reserve
WO2018138635A1 (en) * 2017-01-24 2018-08-02 Spectrum Dynamics Medical Limited Systems and methods for computation of functional index parameter values for blood vessels
CN111161342A (zh) * 2019-12-09 2020-05-15 杭州脉流科技有限公司 基于冠脉造影图像获取血流储备分数的方法、装置、设备、***及可读存储介质
CN113499090A (zh) * 2021-05-21 2021-10-15 杭州脉流科技有限公司 冠状动脉血流储备分数得到方法、装置、计算机设备和存储介质
CN114937100A (zh) * 2022-03-11 2022-08-23 首都医科大学附属北京安贞医院 一种冠状动脉路径图的生成方法、装置、可读存储介质
CN116090364A (zh) * 2022-12-30 2023-05-09 杭州脉流科技有限公司 基于cta影像的获取冠脉血流储备分数的方法和可读存储介质
CN116172598A (zh) * 2023-02-22 2023-05-30 北京医准智能科技有限公司 一种血流储备分数确定方法、装置、电子设备及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016075331A2 (en) * 2014-11-14 2016-05-19 Siemens Healthcare Gmbh Method and system for purely geometric machine learning based fractional flow reserve
WO2018138635A1 (en) * 2017-01-24 2018-08-02 Spectrum Dynamics Medical Limited Systems and methods for computation of functional index parameter values for blood vessels
CN111161342A (zh) * 2019-12-09 2020-05-15 杭州脉流科技有限公司 基于冠脉造影图像获取血流储备分数的方法、装置、设备、***及可读存储介质
CN113499090A (zh) * 2021-05-21 2021-10-15 杭州脉流科技有限公司 冠状动脉血流储备分数得到方法、装置、计算机设备和存储介质
CN114937100A (zh) * 2022-03-11 2022-08-23 首都医科大学附属北京安贞医院 一种冠状动脉路径图的生成方法、装置、可读存储介质
CN116090364A (zh) * 2022-12-30 2023-05-09 杭州脉流科技有限公司 基于cta影像的获取冠脉血流储备分数的方法和可读存储介质
CN116172598A (zh) * 2023-02-22 2023-05-30 北京医准智能科技有限公司 一种血流储备分数确定方法、装置、电子设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
血管弹性对血流储备分数影响的计算流体力学分析;师志伟;杨帆;;现代盐化工(第01期);45-47 *

Also Published As

Publication number Publication date
CN117036531A (zh) 2023-11-10

Similar Documents

Publication Publication Date Title
Lacasta et al. An optimized GPU implementation of a 2D free surface simulation model on unstructured meshes
Fedele et al. Polygonal surface processing and mesh generation tools for the numerical simulation of the cardiac function
CN111667459B (zh) 一种基于3d可变卷积和时序特征融合的医学征象检测方法、***、终端及存储介质
Gutiérrez et al. GPU-SME-kNN: Scalable and memory efficient kNN and lazy learning using GPUs
CN113499090A (zh) 冠状动脉血流储备分数得到方法、装置、计算机设备和存储介质
CN116090364A (zh) 基于cta影像的获取冠脉血流储备分数的方法和可读存储介质
Wang et al. GPU acceleration of volumetric lattice Boltzmann method for patient-specific computational hemodynamics
Seo et al. Deep neural network with consistency regularization of multi-output channels for improved tumor detection and delineation
Wei et al. Combined acceleration methods for solid rocket motor grain burnback simulation based on the level set method
CN116051738A (zh) 基于cta影像的冠状动脉血管模型重构的方法和可读存储介质
CN110796652B (zh) 图像处理方法、计算机设备和存储介质
CN117036531B (zh) 基于gpu的血流储备分数得到方法、***及存储介质
CN117036530B (zh) 基于跨模态数据的冠状动脉血流储备分数预测方法及装置
CN114298999A (zh) 血管结构变异的检测方法、可读存储介质和程序产品
EP3104335A1 (en) Analysis model creation assistance system, analysis model creation assistance device and analysis model creation assistance program
JP6748368B2 (ja) モデリング装置、モデリング方法、およびモデリングプログラム
CN117272855A (zh) 对象表面几何模型生成方法、装置、电子设备及存储介质
CN111640102A (zh) 动脉瘤检测方法、装置以及计算机设备
CN117058328B (zh) 冠状动脉血管树分级方法、设备、存储介质和程序产品
Wang et al. Fully parallelized Lattice Boltzmann scheme for fast extraction of biomedical geometry
CN112001893B (zh) 一种血管参数的计算方法、装置、设备及存储介质
CN113689939B (zh) 用于图像特征匹配的图像存储方法、***和计算设备
CN113408595B (zh) 病理图像处理的方法、装置、电子设备及可读存储介质
Zhou et al. S-LPM: segmentation augmented light-weighting and progressive meshing for the interactive visualization of large man-made Web3D models
Jiang et al. Morphable convolutional neural network for biomedical image segmentation

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