CN117838177A - 一种基于图神经网络的血流储备分数估计方法及装置 - Google Patents
一种基于图神经网络的血流储备分数估计方法及装置 Download PDFInfo
- Publication number
- CN117838177A CN117838177A CN202410156800.6A CN202410156800A CN117838177A CN 117838177 A CN117838177 A CN 117838177A CN 202410156800 A CN202410156800 A CN 202410156800A CN 117838177 A CN117838177 A CN 117838177A
- Authority
- CN
- China
- Prior art keywords
- coronary artery
- information
- target coronary
- predicted value
- generating
- 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
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 32
- 210000004351 coronary vessel Anatomy 0.000 claims abstract description 100
- 230000017531 blood circulation Effects 0.000 claims abstract description 44
- 230000036772 blood pressure Effects 0.000 claims abstract description 43
- 230000000877 morphologic effect Effects 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 17
- 238000005070 sampling Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 15
- 208000031481 Pathologic Constriction Diseases 0.000 claims description 14
- 230000000004 hemodynamic effect Effects 0.000 claims description 14
- 210000004204 blood vessel Anatomy 0.000 claims description 13
- 208000037804 stenosis Diseases 0.000 claims description 11
- 230000036262 stenosis Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 6
- 239000008280 blood Substances 0.000 claims description 5
- 210000004369 blood Anatomy 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 abstract description 7
- 238000003384 imaging method Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 7
- 230000004927 fusion Effects 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000004913 activation Effects 0.000 description 4
- 208000029078 coronary artery disease Diseases 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000002586 coronary angiography Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 201000000057 Coronary Stenosis Diseases 0.000 description 2
- OIRDTQYFTABQOQ-KQYNXXCUSA-N adenosine Chemical compound C1=NC=2C(N)=NC=NC=2N1[C@@H]1O[C@H](CO)[C@@H](O)[C@H]1O OIRDTQYFTABQOQ-KQYNXXCUSA-N 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000002126 C01EB10 - Adenosine Substances 0.000 description 1
- 101100133143 Caenorhabditis elegans ndx-2 gene Proteins 0.000 description 1
- 206010011089 Coronary artery stenosis Diseases 0.000 description 1
- 206010057469 Vascular stenosis Diseases 0.000 description 1
- 229960005305 adenosine Drugs 0.000 description 1
- 230000000172 allergic effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 208000010668 atopic eczema Diseases 0.000 description 1
- 238000009530 blood pressure measurement Methods 0.000 description 1
- 230000036770 blood supply Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000250 revascularization Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
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
- A61B6/50—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
- A61B6/5205—Devices using data or image processing specially adapted for radiation diagnosis involving processing of raw data to produce 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Optics & Photonics (AREA)
- Radiology & Medical Imaging (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Mathematical Physics (AREA)
- High Energy & Nuclear Physics (AREA)
- Animal Behavior & Ethology (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Dentistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Optimization (AREA)
- Computational Linguistics (AREA)
- Algebra (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Physiology (AREA)
- Computing Systems (AREA)
Abstract
本申请提供了一种基于图神经网络的血流储备分数估计方法及装置,获取目标冠状动脉的造影图像,并依据造影图像确定目标冠状动脉的先验信息;依据先验信息确定受目标冠状动脉拓扑约束的条件特征;依据先验信息和条件特征生成目标冠状动脉的血压预测值和血流量预测值;依据血压预测值和血流量预测值生成目标冠状动脉的血流储备分数。本发明计算FFR时只需非侵入性成像数据,避免了有创检查;并且与现有的CFD模型相比,本发明结合了深度学习方法,使模型计算血流储备分数的效率大大提高,更符合临床实际;与现有的基于PINN的神经网络相比,本发明基于条件物理信息的图神经网络,进一步学习到更具泛化能力的模型,预测结果更贴近临床真实。
Description
技术领域
本申请涉及医学检测领域,特别是一种基于图神经网络的血流储备分数估计方法及装置。
背景技术
血管狭窄病变严重威胁着人类的生命健康。目前,冠脉造影是诊断冠心病的解剖学评价“金标准”,但其只能对病变的狭窄程度进行影像学评价,而无法判断狭窄对于远端供血的影响。血流储备分数(FFR)是一种通过侵入性压力测量评价冠脉狭窄功能学严重程度的指标,现已广泛应用于临床。FFR的评估对于诊断冠状动脉疾病具有重要意义。但FFR的测量因其侵入性给患者带来了高额的医疗费用和生理风险。
基于冠脉造影图像利用流体力学或者深度学习算法对冠状动脉流动血液进行数值分析,最后计算出FFR,可以消除FFR有创检测的风险。与计算流体力学相比,深度学习具有较高的计算效率。但是由于FFR由复杂的物理过程决定,故很难找到合适的先验。
发明内容
鉴于所述问题,提出了本申请以便提供克服所述问题或者至少部分的解决所述问题的一种基于图神经网络的血流储备分数估计方法及装置,包括:
一种基于图神经网络的血流储备分数估计方法,包括步骤:
获取目标冠状动脉的造影图像,并依据所述造影图像确定目标冠状动脉的先验信息;其中,所述先验信息包括形态学信息和边界信息;
依据所述先验信息确定受目标冠状动脉拓扑约束的条件特征;
依据所述先验信息和所述条件特征生成目标冠状动脉的血压预测值和血流量预测值;
依据所述血压预测值和所述血流量预测值生成目标冠状动脉的血流储备分数。
进一步地,所述获取目标冠状动脉的造影图像,并依据所述造影图像确定目标冠状动脉的先验信息的步骤,包括:
获取目标冠状动脉的血管分支数、采样点数和冠状动脉边界数;
依据所述血管分支数和所述采样点数生成所述形态学信息;
依据所述冠状动脉边界数生成所述边界信息。
进一步地,所述依据所述先验信息确定受目标冠状动脉拓扑约束的条件特征的步骤,包括:
定义求解空间坐标z上压力Q和流量P的血流动力学理论:
F(Q(z),P(z);θ)=0z∈Ω
B(Q(z),P(z);γ)=0z∈δΩ
式中,Ω为冠状域,δΩ为边界,θ为形态学信息,γ为边界信息,F和B为描述控制方程和边界约束的算子;
将上式的残差加入到损失函数中,通过最小化冠状动脉的残差来对血压和血流量的预测进行约束,公式如下:
argmin∫Ω||F(Qω(z|γ,θ),Pω(z|γ,θ);θ||2dz+∫δΩ||B(Qω(z|γ,θ),Pω(z|γ,θ);γ||2dz。
进一步地,所述依据所述先验信息和所述条件特征生成目标冠状动脉的血压预测值和血流量预测值的步骤,包括:
依据所述形态学信息和所述边界信息生成物理方程残差;
将所述物理方程残差和损失函数对所述条件特征进行学习,生成所述血压预测值和所述血流量预测值。
进一步地,所述依据所述形态学信息和所述边界信息生成物理方程残差的步骤,包括:
依据有限差分法计算所述物理方程残差。
进一步地,所述依据有限差分法计算所述物理方程残差的步骤,包括:
定义稳态一维血流动力学方程:
式中,S(z)、Q(z)、P(z)分别为横截面积、血流量、血压;z为空间坐标;ρ为血液的密度;N是描述狭窄影响的系数,定义为:
式中,下标0表示狭窄近端段;下标1表示狭窄段;Re为雷诺数;D0为截面直径;L为狭窄长度;
稳态一维血流动力学方程的导数近似为有限差分:
式中,D和Di为差模系数;h为点间步长;(imin,imax)为极值指标;O(hp)为误差项。
一种基于图神经网络的血流储备分数估计装置,包括:
先验模块,用于获取目标冠状动脉的造影图像,并依据所述造影图像确定目标冠状动脉的先验信息;其中,所述先验信息包括形态学信息和边界信息;
约束模块,用于依据所述先验信息确定受目标冠状动脉拓扑约束的条件特征;
预测模块,用于依据所述先验信息和所述条件特征生成目标冠状动脉的血压预测值和血流量预测值;
计算模块,用于依据所述血压预测值和所述血流量预测值生成目标冠状动脉的血流储备分数。
进一步地,所述先验模块包括:
采样子模块,用于获取目标冠状动脉的血管分支数、采样点数和冠状动脉边界数;
形态信息生成子模块,用于依据所述血管分支数和所述采样点数生成所述形态学信息;
边界信息生成子模块,用于依据所述冠状动脉边界数生成所述边界信息。
一种设备,包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如上所述的基于图神经网络的血流储备分数估计方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如上所述的基于图神经网络的血流储备分数估计方法的步骤。
本申请具有以下优点:
在本申请的实施例中,相对于现有技术中的深度学习很难找到合适FFR的先验,本申请提供了基于条件物理信息的图神经网络的解决方案,具体为:获取目标冠状动脉的造影图像,并依据所述造影图像确定目标冠状动脉的先验信息;其中,所述先验信息包括形态学信息和边界信息;依据所述先验信息确定受目标冠状动脉拓扑约束的条件特征;依据所述先验信息和所述条件特征生成目标冠状动脉的血压预测值和血流量预测值;依据所述血压预测值和所述血流量预测值生成目标冠状动脉的血流储备分数。本发明计算FFR时只需要非侵入性成像数据,避免了有创检查,具有良好的临床利用价值;并且与现有的CFD模型相比,本发明结合了深度学习方法,使模型计算血流储备分数(FFR)的效率大大提高,也更符合临床实际;与现有的基于PINN的神经网络相比,本发明应用基于条件物理信息的图神经网络(CPGNN),进一步学习到更具泛化能力的模型,并且预测结果更贴近临床真实值。
附图说明
为了更清楚地说明本申请的技术方案,下面将对本申请的描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的一种基于图神经网络的血流储备分数估计方法的步骤流程图;
图2是本申请一实施例提供的基于条件物理信息的图神经网络的结构图;
图3是本申请一实施例提供的多尺度图融合模块的结构图;
图4是本申请一实施例提供的物理信息损失模块的结构图;
图5是本申请一实施例提供的CPGNN计算方法与其他对比方法的FFR计算结果对比图;
图6是本申请一实施例提供的一种基于图神经网络的血流储备分数估计装置的结构框图;
图7是本发明一实施例提供的一种计算机设备的结构示意图。
具体实施方式
为使本申请的所述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本申请作进一步详细的说明。显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
发明人通过分析现有技术发现:血流储备分数的评估对于诊断冠状动脉疾病(CAD)和确定需要血运重建的患者和病变具有重要意义。基于医学影像计算FFR的技术已被认为是评估冠状动脉狭窄的血流动力学意义的技术,扩大了医学影像的功能学诊断能力。随着机器学习的应用,又进一步提高了计算效率。深度学习因其较高的计算效率而成为一种很有前景的评估方法。
但是现有技术在实现计算机断层扫描计算血流储备分数FFR存在一定的缺陷:
应用压力导丝测定FFR的费用高、耗时长、操作复杂,部分患者对腺苷或ATP等药物过敏,此外该检查具有侵入性,具有一定风险;
传统的血流储备分数(FFR)的计算基于计算流体力学(CFD)实现,而计算流体力学(CFD)过程非常耗时;
以前的基于传统机器学习或深度学习的方法缺乏适当的先验,学习到的特征与损失函数中的边界条件相关性较弱。
因此,针对上述问题,本发明开发了一种基于条件物理信息的图神经网络(CPGNN)的个性化冠状动脉血流模型,通过对物理方程残差和边界条件进行惩罚并在损失函数中加入先验,以实现FFR无创计算。
参照图1,示出了本申请一实施例提供的一种基于图神经网络的血流储备分数估计方法;
所述方法包括:
S110、获取目标冠状动脉的造影图像,并依据所述造影图像确定目标冠状动脉的先验信息;其中,所述先验信息包括形态学信息和边界信息;
S120、依据所述先验信息确定受目标冠状动脉拓扑约束的条件特征;
S130、依据所述先验信息和所述条件特征生成目标冠状动脉的血压预测值和血流量预测值;
S140、依据所述血压预测值和所述血流量预测值生成目标冠状动脉的血流储备分数。
在本申请的实施例中,相对于现有技术中的深度学习很难找到合适FFR的先验,本申请提供了基于条件物理信息的图神经网络的解决方案,具体为:获取目标冠状动脉的造影图像,并依据所述造影图像确定目标冠状动脉的先验信息;其中,所述先验信息包括形态学信息和边界信息;依据所述先验信息确定受目标冠状动脉拓扑约束的条件特征;依据所述先验信息和所述条件特征生成目标冠状动脉的血压预测值和血流量预测值;依据所述血压预测值和所述血流量预测值生成目标冠状动脉的血流储备分数。本发明计算FFR时只需要非侵入性成像数据,避免了有创检查,具有良好的临床利用价值;并且与现有的CFD模型相比,本发明结合了深度学习方法,使模型计算血流储备分数(FFR)的效率大大提高,也更符合临床实际;与现有的基于PINN的神经网络相比,本发明应用基于条件物理信息的图神经网络(CPGNN),进一步学习到更具泛化能力的模型,并且预测结果更贴近临床真实值。
下面,将对本示例性实施例中一种基于图神经网络的血流储备分数估计方法作进一步的说明。
如所述步骤S110所述,获取目标冠状动脉的造影图像,并依据所述造影图像确定目标冠状动脉的先验信息;其中,所述先验信息包括形态学信息和边界信息。
在本发明一实施例中,可以结合下列描述进一步说明步骤S110所述“获取目标冠状动脉的造影图像,并依据所述造影图像确定目标冠状动脉的先验信息”的具体过程。
如下列步骤所述,获取目标冠状动脉的血管分支数、采样点数和冠状动脉边界数;
如下列步骤所述,依据所述血管分支数和所述采样点数生成所述形态学信息;
如下列步骤所述,依据所述冠状动脉边界数生成所述边界信息。
作为一种示例,根据血液流动力学理论,形态学信息θ为横截面积,边界信息γ为出口阻力和进口压力。获取冠状动脉的造影图像,并通过测量图像中的不同结构来确定血管分支数、采样点数和冠状动脉边界数,通过在冠状动脉上均匀采样,CPGNN对冠状动脉进行分析。CPGNN的输入主要包括三个部分,分别为形态θ∈RNv×Nd×1、空间坐标Z∈RNv×Nd×1和边界条件γ∈RNb×1;其中Nv、Nd、Nb分别为血管分支数、采样点数和冠状动脉边界数。
如所述步骤S120所述,依据所述先验信息确定受目标冠状动脉拓扑约束的条件特征。
作为一种示例,CPGNN的目的是加入适当的先验以保证血压和血流量的预测满足边界条件和物理原理守恒,从而找到一个描述血压和血流规律的损失项。存在求解空间坐标z上压力Q和流量P的血流动力学理论,定义为:
F(Q(z),P(z);θ)=0z∈Ω
B(Q(z),P(z);γ)=0z∈δΩ
式中,Ω为冠状域,δΩ为边界,θ为形态学信息,γ为边界信息,F和B为描述控制方程和边界约束的算子;
可以将上式的残差加入到损失函数中,通过最小化冠状动脉的残差来对预测进行约束:
argmin∫Ω||F(Qω(z),Pω(z);θ||2dz+∫δΩ||B(Qω(z),Pω(z);γ||2dz
进一步考虑到上式学习到的特征与γ和θ的关系较弱,将两者作为先验条件输入,通过下式来近似流量Qω(z|γ,θ)和压力Pω(z|γ,θ):
argmin∫Ω||F(Qω(z|γ,θ),Pω(z|γ,θ);θ||2dz
+∫δΩ||B(Qω(z|γ,θ),Pω(z|γ,θ);γ||2dz
在一具体实现中,参照图2,为基于条件物理信息的图神经网络结构图,本发明的CPGNN由一个多尺度图融合模块(MSGF)和一个物理信息损失模块组成。MSGF用于生成受冠状拓扑约束的条件特征,采用多尺度图融合技术对冠状拓扑进行约束,并获得不同距离的依赖关系;物理信息损失模块用有限差分法代替自动微分法计算物理方程的残差,使得网络更容易学习到条件特征。
CPGNN包含一个编解码结构来预测血压和血流量,根据下式:
Q(z|θ,γ),P(z|θ,γ)=decoder(MSGF)))
形态学信息θ和边界信息γ被加入输入。
采用多尺度图融合技术对冠状拓扑进行约束,并获得不同距离的依赖关系。物理信息损失用于指导条件特征编码。
继续参照图2,条件编码过程E(·)由四个编码块组成。每个块由两个3×3内核大小的卷积和两个批处理规范化层组成。除最后一个块外,再进行一个降采样层以减小特征长度。输入特征映射[z,θ]的大小为Nv×Nd×2,编码块1~4的输出大小分别为Nv×Nd/2×32、Nv×Nd/4×64、Nv×Nd/8×128和Nv×Nd/8×256。激活函数为RELU。嵌入过程B(·)是一个具有两个隐藏层的全连接算子,第一个隐藏层的维度是64,另一个是256。γ为Nb×256,激活函数为RELU。
条件特征编码之后进行多尺度图融合,如图3所示,为多尺度图融合模块的结构图,MSGF中有三种不同的比例图:小、中、大尺度图节点数分别为8*Nv+Nb,4*Nv+Nb,2*Nv+Nb,分支上节点的特征与E(z|θ)线性排列,边界上节点的特征与B(γ)直接排列。MSGF的编码过程由三个图卷积算子组成,共有256个输出通道。然后,节点特征矩阵的输出大小分别为(8*Nv+Nb)×256、(4*Nv+Nb)×256和(2*Nv+Nb)×256。在生成Hp(z|θ,γ)时,忽略边界处的节点,然后将不同大小图的节点特征重新调整为Nv×Nd/8×256后,通过元素相加的方法融合在一起。为了生成Hq(z|θ,γ),将来自不同大小图的同一分支上节点的特征连接在一起,输出大小为Nv×Nd×256的特征。Nq为8+4+2=14。
然后进行条件特征解码,解码的结构与编码是对称的,条件特征解码过程P(·)由四个解码块组成。每个块由两个3×3内核大小的卷积和两个批处理规范化层组成。除第一个块外,再进行一个上采样层以增加特征长度。输入特征映射Hp(z|θ,γ)的大小为Nv×Nd/8×256,解码块1~4的输出大小分别为Nv×Nd/8×256、Nv×Nd/4×128、Nv×Nd/2×64和Nv×Nd×1,激活函数为RELU。条件特征解码过程Q(·)是一个有两个隐藏层和一个输出层的全连接算子。第一隐藏层、第二隐藏层和输出层的维数分别为128、64和1。将Hq(z|θ,γ)平面化为大小Nv×(Nq*256),解码为大小Nv×1的各支路流量预测。激活函数为RELU。
如所述步骤S130所述,依据所述先验信息和所述条件特征生成目标冠状动脉的血压预测值和血流量预测值。
在本发明一实施例中,可以结合下列描述进一步说明步骤S130所述“依据所述先验信息和所述条件特征生成目标冠状动脉的血压预测值和血流量预测值”的具体过程。
如下列步骤所述,依据所述形态学信息和所述边界信息生成物理方程残差;具体地,依据有限差分法计算所述物理方程残差;
如下列步骤所述,将所述物理方程残差和损失函数对所述条件特征进行学习,生成所述血压预测值和所述血流量预测值。
在本发明一实施例中,可以结合下列描述进一步说明“依据有限差分法计算所述物理方程残差”的具体过程。
参照图4,为物理信息损失模块的结构图:稳态一维血流动力学方程定义为:
上式中S(z)、Q(z)、P(z)分别为横截面积、血流量、血压,ρ为血液的密度。N是描述狭窄影响的系数,定义为:
始终,下标0表示狭窄近端段,下标1表示狭窄段。Re为雷诺数。D0为截面直径,L为狭窄长度。稳态一维血流动力学方程的导数近似为有限差分:
上式中D和Di为差模系数,h为点间步长,(imin,imax)为极值指标,O(hp)为误差项。
CPGNN在输入中加入形态学和边界信息条件作为先验来学习条件特征,并通过惩罚物理方程的残差和边界条件在损失函数中加入先验,物理信息损失模块用有限差分法代替自动微分法计算物理方程的残差,使得网络更容易学习到条件特征。
如所述步骤S140所述,依据所述血压预测值和所述血流量预测值生成目标冠状动脉的血流储备分数。
作为一种示例,本发明加入适当的先验以保证血压和血流量的预测满足边界条件和物理原理守恒,从而找到一个描述血压和血流规律的损失项,进而得到目标冠状动脉的血流储备分数。
本发明利用基于条件物理信息的图神经网络的深度学习模型,通过在输入中加入形态学和边界信息引入先验,并设计一个多尺度图融合模块来捕获与这些信息相关的条件特征,利用CPGNN计算得到血流储备分数,最终与参考的血流储备分数进行比较。使得本发明可以对血流储备分数进行无创计算,并使血流储备分数的计算值更贴近临床真实值。设计并验证了一种基于冠脉造影的计算方法,进一步提高了FFR计算结果的准确性。
参照图5,为本发明的CPGNN计算方法与其他对比方法的FFR计算结果对比图,可以看出,CPGNN模型与有创FFR的一致性是最好的。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。
参照图6,示出了本申请一实施例提供的一种基于图神经网络的血流储备分数估计装置;
具体包括:
先验模块610,用于获取目标冠状动脉的造影图像,并依据所述造影图像确定目标冠状动脉的先验信息;其中,所述先验信息包括形态学信息和边界信息;
约束模块620,用于依据所述先验信息确定受目标冠状动脉拓扑约束的条件特征;
预测模块630,用于依据所述先验信息和所述条件特征生成目标冠状动脉的血压预测值和血流量预测值;
计算模块640,用于依据所述血压预测值和所述血流量预测值生成目标冠状动脉的血流储备分数。
在本发明一实施例中,所述先验模块610,包括:
数据获取子模块,用于获取目标冠状动脉的血管分支数、采样点数和冠状动脉边界数;
第一信息生成子模块,用于依据所述血管分支数和所述采样点数生成所述形态学信息;
第二信息生成子模块,用于依据所述冠状动脉边界数生成所述边界信息。
在本发明一实施例中,所述约束模块620,包括:
第一定义子模块,用于定义求解空间坐标z上压力Q和流量P的血流动力学理论:
F(Q(z),P(z);θ)=0z∈Ω
B(Q(z),P(z);γ)=0z∈δΩ
式中,Ω为冠状域,δΩ为边界,θ为形态学信息,γ为边界信息,F和B为描述控制方程和边界约束的算子;
预测约束子模块,用于将上式的残差加入到损失函数中,通过最小化冠状动脉的残差来对血压和血流量的预测进行约束,公式如下:
argmin∫Ω||F(Qω(z|γ,θ),Pω(z|γ,θ);θ||2dz+∫δΩ||B(Qω(z|γ,θ),Pω(z|γ,θ);γ||2dz。
在本发明一实施例中,所述预测模块630,包括:
残差子模块,用于依据所述形态学信息和所述边界信息生成物理方程残差;
学习子模块,用于将所述物理方程残差和损失函数对所述条件特征进行学习,生成所述血压预测值和所述血流量预测值。
在本发明一实施例中,所述残差子模块,包括:
计算单元,用于依据有限差分法计算所述物理方程残差。
在本发明一实施例中,所述计算单元,包括:
第二定义子单元,用于定义稳态一维血流动力学方程:
式中,S(z)、Q(z)、P(z)分别为横截面积、血流量、血压;z为空间坐标;ρ为血液的密度;N是描述狭窄影响的系数,定义为:
式中,下标0表示狭窄近端段;下标1表示狭窄段;Re为雷诺数;D0为截面直径;L为狭窄长度;
拆分子单元,用于稳态一维血流动力学方程的导数近似为有限差分:
式中,D和Di为差模系数;h为点间步长;(imin,imax)为极值指标;O(hp)为误差项。
参照图7,示出了本发明的一种基于图神经网络的血流储备分数估计方法的计算机设备,具体可以包括如下:
上述计算机设备12以通用计算设备的形式表现,计算机设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,***存储器28,连接不同***组件(包括***存储器28和处理单元16)的总线18。
总线18表示几类总线18结构中的一种或多种,包括存储器总线18或者存储器控制器,***总线18,图形加速端口,处理器或者使用多种总线18结构中的任意总线18结构的局域总线18。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线18,微通道体系结构(MAC)总线18,增强型ISA总线18、音视频电子标准协会(VESA)局域总线18以及***组件互连(PCI)总线18。
计算机设备12典型地包括多种计算机***可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
***存储器28可以包括易失性存储器形式的计算机***可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其他移动/不可移动的、易失性/非易失性计算机体统存储介质。仅作为举例,存储***34可以用于读写不可移动的、非易失性磁介质(通常称为“硬盘驱动器”)。尽管图7中未示出,可以提供用于对可移动非易失性磁盘(如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其他光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质界面与总线18相连。存储器可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块42,这些程序模块42被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器中,这样的程序模块42包括——但不限于——操作***、一个或者多个应用程序、其他程序模块42以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24、摄像头等)通信,还可与一个或者多个使得用户能与该计算机设备12交互的设备通信,和/或与使得该计算机设备12能与一个或多个其他计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)界面22进行。并且,计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)),广域网(WAN)和/或公共网络(例如因特网)通信。如图7所示,网络适配器20通过总线18与计算机设备12的其他模块通信。应当明白,尽管图7中未示出,可以结合计算机设备12使用其他硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元16、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***34等。
处理单元16通过运行存储在***存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的一种基于图神经网络的血流储备分数估计方法。
也即,上述处理单元16执行上述程序时实现:获取目标冠状动脉的造影图像,并依据所述造影图像确定目标冠状动脉的先验信息;其中,所述先验信息包括形态学信息和边界信息;依据所述先验信息确定受目标冠状动脉拓扑约束的条件特征;依据所述先验信息和所述条件特征生成目标冠状动脉的血压预测值和血流量预测值;依据所述血压预测值和所述血流量预测值生成目标冠状动脉的血流储备分数。
在本发明实施例中,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本申请所有实施例提供的一种基于图神经网络的血流储备分数估计方法:
也即,给程序被处理器执行时实现:获取目标冠状动脉的造影图像,并依据所述造影图像确定目标冠状动脉的先验信息;其中,所述先验信息包括形态学信息和边界信息;依据所述先验信息确定受目标冠状动脉拓扑约束的条件特征;依据所述先验信息和所述条件特征生成目标冠状动脉的血压预测值和血流量预测值;依据所述血压预测值和所述血流量预测值生成目标冠状动脉的血流储备分数。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机克顿信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言——诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行或者完全在远程计算机或者服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
尽管已描述了本申请实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本申请所提供的一种基于图神经网络的血流储备分数估计方法及装置,进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种基于图神经网络的血流储备分数估计方法,其特征在于,包括步骤:
获取目标冠状动脉的造影图像,并依据所述造影图像确定目标冠状动脉的先验信息;其中,所述先验信息包括形态学信息和边界信息;
依据所述先验信息确定受目标冠状动脉拓扑约束的条件特征;
依据所述先验信息和所述条件特征生成目标冠状动脉的血压预测值和血流量预测值;
依据所述血压预测值和所述血流量预测值生成目标冠状动脉的血流储备分数。
2.根据权利要求1所述的方法,其特征在于,所述获取目标冠状动脉的造影图像,并依据所述造影图像确定目标冠状动脉的先验信息的步骤,包括:
获取目标冠状动脉的血管分支数、采样点数和冠状动脉边界数;
依据所述血管分支数和所述采样点数生成所述形态学信息;
依据所述冠状动脉边界数生成所述边界信息。
3.根据权利要求1所述的方法,其特征在于,所述依据所述先验信息确定受目标冠状动脉拓扑约束的条件特征的步骤,包括:
定义求解空间坐标z上压力Q和流量P的血流动力学理论:
F(Q(z),P(z);θ)=0z∈Ω
B(Q(z),P(z);γ)=0z∈δΩ
式中,Ω为冠状域,δΩ为边界,θ为形态学信息,γ为边界信息,F和B为描述控制方程和边界约束的算子;
将上式的残差加入到损失函数中,通过最小化冠状动脉的残差来对血压和血流量的预测进行约束,公式如下:
argmin∫Ω||F(Qω(z|γ,θ),Pω(z|γ,θ);θ||2dz+∫δΩ||B(Qω(z|γ,θ),Pω(z|γ,θ);γ||2dz。
4.根据权利要求1所述的方法,其特征在于,所述依据所述先验信息和所述条件特征生成目标冠状动脉的血压预测值和血流量预测值的步骤,包括:
依据所述形态学信息和所述边界信息生成物理方程残差;
将所述物理方程残差和损失函数对所述条件特征进行学习,生成所述血压预测值和所述血流量预测值。
5.根据权利要求4所述的方法,其特征在于,所述依据所述形态学信息和所述边界信息生成物理方程残差的步骤,包括:
依据有限差分法计算所述物理方程残差。
6.根据权利要求5所述的方法,其特征在于,所述依据有限差分法计算所述物理方程残差的步骤,包括:
定义稳态一维血流动力学方程:
式中,S(z)、Q(z)、P(z)分别为横截面积、血流量、血压;z为空间坐标;ρ为血液的密度;N是描述狭窄影响的系数,定义为:
式中,下标0表示狭窄近端段;下标1表示狭窄段;Re为雷诺数;D0为截面直径;L为狭窄长度;
稳态一维血流动力学方程的导数近似为有限差分:
式中,D和Di为差模系数;h为点间步长;(imin,imax)为极值指标;O(hp)为误差项。
7.一种基于图神经网络的血流储备分数估计装置,其特征在于,包括:
先验模块,用于获取目标冠状动脉的造影图像,并依据所述造影图像确定目标冠状动脉的先验信息;其中,所述先验信息包括形态学信息和边界信息;
约束模块,用于依据所述先验信息确定受目标冠状动脉拓扑约束的条件特征;
预测模块,用于依据所述先验信息和所述条件特征生成目标冠状动脉的血压预测值和血流量预测值;
计算模块,用于依据所述血压预测值和所述血流量预测值生成目标冠状动脉的血流储备分数。
8.根据权利要求7所述的装置,其特征在于,所述先验模块包括:
采样子模块,用于获取目标冠状动脉的血管分支数、采样点数和冠状动脉边界数;
形态信息生成子模块,用于依据所述血管分支数和所述采样点数生成所述形态学信息;
边界信息生成子模块,用于依据所述冠状动脉边界数生成所述边界信息。
9.一种设备,其特征在于,包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至6中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410156800.6A CN117838177A (zh) | 2024-02-02 | 2024-02-02 | 一种基于图神经网络的血流储备分数估计方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410156800.6A CN117838177A (zh) | 2024-02-02 | 2024-02-02 | 一种基于图神经网络的血流储备分数估计方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117838177A true CN117838177A (zh) | 2024-04-09 |
Family
ID=90536384
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410156800.6A Pending CN117838177A (zh) | 2024-02-02 | 2024-02-02 | 一种基于图神经网络的血流储备分数估计方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117838177A (zh) |
-
2024
- 2024-02-02 CN CN202410156800.6A patent/CN117838177A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ghorbani et al. | Deep learning interpretation of echocardiograms | |
Brindise et al. | Multi-modality cerebral aneurysm haemodynamic analysis: in vivo 4D flow MRI, in vitro volumetric particle velocimetry and in silico computational fluid dynamics | |
CN111815598B (zh) | 一种血管参数的计算方法、装置、设备及存储介质 | |
CN112465834B (zh) | 一种血管分割方法及装置 | |
CN111317455B (zh) | 血流动力学参数确定方法、装置、设备及存储介质 | |
CN112749521A (zh) | 血流动力学指标数据的处理方法和*** | |
Töger et al. | Hemodynamic forces in the left and right ventricles of the human heart using 4D flow magnetic resonance imaging: Phantom validation, reproducibility, sensitivity to respiratory gating and free analysis software | |
JP2018534019A (ja) | 圧力又は流量測定及び血管造影法からの流量、抵抗又は圧力の推定 | |
JP6873981B2 (ja) | モバイルffrシミュレーション | |
CN112446867B (zh) | 血流参数的确定方法、装置、设备及存储介质 | |
CN111340794B (zh) | 冠状动脉狭窄的量化方法及装置 | |
WO2020102154A1 (en) | Noninvasive quantitative flow mapping using a virtual catheter volume | |
Ferdian et al. | WSSNet: aortic wall shear stress estimation using deep learning on 4D flow MRI | |
JP7369437B2 (ja) | 評価システム、評価方法、学習方法、学習済みモデル、プログラム | |
Zhao et al. | MITEA: A dataset for machine learning segmentation of the left ventricle in 3D echocardiography using subject-specific labels from cardiac magnetic resonance imaging | |
CN116486211A (zh) | 一种模型训练方法、血流储备分数计算方法、装置及设备 | |
Zreik et al. | Combined analysis of coronary arteries and the left ventricular myocardium in cardiac CT angiography for detection of patients with functionally significant stenosis | |
CN111598966A (zh) | 一种基于生成对抗网络的磁共振成像方法及装置 | |
Yevtushenko et al. | Modelling blood flow in patients with heart valve disease using deep learning: A computationally efficient method to expand diagnostic capabilities in clinical routine | |
CN117838177A (zh) | 一种基于图神经网络的血流储备分数估计方法及装置 | |
CN113995388B (zh) | 血流储备分数计算方法、装置、电子设备及可读存储介质 | |
CN111297388B (zh) | 一种血流储备分数测量装置 | |
CN112419308B (zh) | 斑块评估方法、装置、电子设备及存储介质 | |
CN112446499A (zh) | 改进用于自动量化冠状动脉疾病的机器学习模型的性能 | |
CN118196002A (zh) | 基于ivus图像重建的血流储备分数计算方法及装置 |
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 |