CN111815598A - 一种血管参数的计算方法、装置、设备及存储介质 - Google Patents
一种血管参数的计算方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111815598A CN111815598A CN202010624356.8A CN202010624356A CN111815598A CN 111815598 A CN111815598 A CN 111815598A CN 202010624356 A CN202010624356 A CN 202010624356A CN 111815598 A CN111815598 A CN 111815598A
- Authority
- CN
- China
- Prior art keywords
- blood vessel
- detected
- vessel image
- mesh
- trained
- 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
- 210000004204 blood vessel Anatomy 0.000 title claims abstract description 307
- 238000004364 calculation method Methods 0.000 title claims abstract description 33
- 230000017531 blood circulation Effects 0.000 claims abstract description 85
- 238000000034 method Methods 0.000 claims abstract description 58
- 230000036772 blood pressure Effects 0.000 claims description 11
- 239000012530 fluid Substances 0.000 claims description 11
- 238000003062 neural network model Methods 0.000 claims description 8
- 238000000205 computational method Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 10
- 230000002792 vascular Effects 0.000 description 10
- 210000004351 coronary vessel Anatomy 0.000 description 9
- 230000011218 segmentation Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000003709 image segmentation Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000001154 acute effect Effects 0.000 description 3
- 238000002583 angiography Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 208000031481 Pathologic Constriction Diseases 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000000747 cardiac effect Effects 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000010968 computed tomography angiography Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 210000003989 endothelium vascular Anatomy 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 208000037804 stenosis Diseases 0.000 description 2
- 230000036262 stenosis Effects 0.000 description 2
- 206010002329 Aneurysm Diseases 0.000 description 1
- 208000032929 Cerebral haemangioma Diseases 0.000 description 1
- 208000002251 Dissecting Aneurysm Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 210000000709 aorta Anatomy 0.000 description 1
- 206010002895 aortic dissection Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000036770 blood supply Effects 0.000 description 1
- 201000001694 cerebral angioma Diseases 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/149—Segmentation; Edge detection involving deformable models, e.g. active contour models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明实施例公开了一种血管参数的计算方法、装置、设备及存储介质。该方法包括:确定待检测网格血管图像和与所述待检测网格血管图像对应的血流参数;基于所述血流参数对所述待检测网格血管图像进行初始化设置;将经所述初始化设置的待检测网格血管图像输入到预先训练完成的血管参数网络模型中,得到输出的所述待检测网格血管图像中各网格节点处的目标血管参数。本发明实施例通过血管参数网络模型计算血管动力学参数,解决了血管动力学参数计算复杂的问题,提高了血管动力学参数的计算效率和计算结果的准确率。
Description
技术领域
本发明实施例涉及血管影像技术领域,尤其涉及一种血管参数的计算方法、装置、设备及存储介质。
背景技术
计算机断层扫描(Computed Tomography,CT)、磁共振检查(Magnetic Resonance,MR)和C型臂X光机等医学影像学技术在医学诊断和治疗中发挥着重要作用。尤其是通过采用大C型臂的数字剪影血管成像技术(digital subtraction angiography,DSA)对血管进行成像分析时,目前的现有技术主要是通过图像分割方法,对血管图像进行分割,以便医生可以清楚的观察到目标血管的形态结构,进而判断目标血管是否存在狭窄、斑块和动脉瘤等问题。进一步的,通过血流参数检测设备,如多普勒超声检查设备,可以得到被测部位的血流参数信息,医生通过结合血管的形状结构信息和血流参数信息,对被测部位进行诊断分析和制定治疗计划。
近年来随着医学的进步,医生希望能进一步了解这些血管中的血流情况,以便对疾病进行更加准确的诊断。因为血管对人体生命活动最重要的功能,只观察到血管的形态和整体上的血流参数,并不足以判断某一特定目标血管供血是否充足,或该处的血管狭窄是否是影响血流参数异常的主要原因。因此,针对每个单位血管位置处的血管动力学参数的研究越来越受到重视。
有人提出根据血管图像和生理参数,计算血流的特征向量,根据特征向量采用机器学习的方法进行分类,生成每个体素处的血流信息。这种方法的缺点在于特征向量很难提取,需要大量的实验和经验,也只能得到比较近似的效果,无法全面的模拟血流信息,得到的血管参数结果准确度不高。
发明内容
本发明实施例提供了一种血管参数的计算方法、装置、设备及存储介质,以提高血管动力学参数的计算效率和计算结果的准确率。
第一方面,本发明实施例提供了一种血管参数的计算方法,该方法包括:
确定待检测网格血管图像和与所述待检测网格血管图像对应的血流参数;
基于所述血流参数对所述待检测网格血管图像进行初始化设置;
将经所述初始化设置的待检测网格血管图像输入到预先训练完成的血管参数网络模型中,得到输出的所述待检测网格血管图像中各网格节点处的目标血管参数。
第二方面,本发明实施例还提供了一种血管参数的计算装置,该装置包括:
待检测网格血管图像确定模块,用于确定待检测网格血管图像和与所述待检测网格血管图像对应的血流参数;
初始化设置模块,用于基于所述血流参数对所述待检测网格血管图像进行初始化设置;
目标血管参数确定模块,用于将经所述初始化设置的待检测网格血管图像输入到预先训练完成的血管参数网络模型中,得到输出的所述待检测网格血管图像中各网格节点处的目标血管参数。
第三方面,本发明实施例还提供了一种设备,该设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现上述所涉及的任一所述的血管参数的计算方法。
第四方面,本发明实施例还提供了一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行上述所涉及的任一所述的血管参数的计算方法。
本发明实施例通过血管参数网络模型计算血管动力学参数,解决了血管动力学参数计算复杂的问题,提高了血管动力学参数的计算效率和计算结果的准确率。
附图说明
图1是本发明实施例一提供的一种血管参数的计算方法的流程图。
图2是本发明实施例一提供的一种待检测网格血管图像的示意图。
图3是本发明实施例一提供的一种血管参数的计算方法的具体实例的流程图。
图4是本发明实施例二提供的一种血管参数的计算方法的流程图。
图5是本发明实施例二提供的一种血管参数网络模型的示意图。
图6是本发明实施例二提供的一种血管参数网络模型的训练方法的流程图。
图7是本发明实施例三提供的一种血管参数的计算装置的示意图。
图8是本发明实施例四提供的一种设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1是本发明实施例一提供的一种血管参数的计算方法的流程图,本实施例可适用于对血管图像中各节点处的血管动力学参数进行计算情况,该方法可以由血管参数的计算装置来执行,该装置可采用软件和/或硬件的方式实现。具体包括如下步骤:
S110、确定待检测网格血管图像和与待检测网格血管图像对应的血流参数;
在一个实施例中,可选的,待检测网格血管图像包括二维表面网格血管图像或三维体网格血管图像。其中,二维表面网格血管图像是基于二维血管图像进行网格划分后得到的图像。其中,三维体网格血管图像是对二维血管图像中的血管进行三维重建,并基于三维重建后的三维血管图像进行网格划分。此处对待检测网格血管图像的类型不作限定。
在一个实施例中,可选的,获取待检测原始图像,并对待检测原始图像进行分割得到待检测血管图像;对待检测血管图像进行网格划分,得到待检测网格血管图像。
其中,示例性的,待检测原始图像的类型可以是CT血管造影图像、MR血管造影图像、磁共振TOF序列图像或数字减影血管造影图像等。其中,示例性的,待检测原始图像可以是心脏冠状动脉图像、颈部血管图像、脑血管瘤图像和主动脉夹层图像等。此处对待检测原始图像的类型和图像内容不作限定。
在一个实施例中,采用的图像分割方法包括但不限于基于阈值的分割方法、基于区域生长的分割方法、基于数学形态学的分割方法、基于统计学的分割方法和基于变形模型的分割方法等等。其中,网格划分是将感兴趣区域图像分割成有限个子区域或子元素,以满足和适应数值模拟计算方法。在一个实施例中,网格划分的方法包括但不限于Advancingfront方法、Delauney三角剖分法、无限插值法、PDE网格生成法和C.O.H.网格生成法等。其中,示例性的,Delauney三角剖分法生成的网格均为锐角三角网格。在二维网格图像中,任意两个锐角三角网格不相交,或相交于一条公共边且不同时相交于两条及两条以上的边。在三维网格图像中,任意两个锐角三角网格不相交,或相交于一条公共面且不同时相交于两个及两个以上的面。
在一个实施例中,可选的,根据待检测血管图像中血管的类型和/或弧度,确定划分的网格密度;基于网格密度对待检测血管图像进行网格划分,得到待检测网格血管图像。
在一个实施例中,根据待检测血管图像中血管的类型确定划分的网格密度。其中,具体的,建立血管的类型与网格密度之间的映射关系,根据映射关系确定与血管类型对应的网格密度。其中,待检测血管图像包括至少一个血管图像,其中,各血管图像的血管类型可以是一种,也可以是多种。示例性的,待检测血管图像可包括主动脉血管和冠状动脉血管。在一个实施例中,可选的,主动脉血管对应的网格密度小于冠状动脉血管的网格密度。其中,具体的,在对主动脉血管进行网格划分时,采用较大的网格划分,网格密度稀疏。在对冠状动脉血管进行网格划分时,尤其是冠状动脉细支血管处,采用较小的网格划分,网格密度密集。这样设置的好处在于,可以更好的体现出血管细微处的特征信息。
在一个实施例中,根据待检测血管图像中血管的弧度确定划分的网格密度。在一个实施例中,可选的,血管的弧度与网格密度成正比。其中,具体的,当血管的弧度较大时,网格密度密集;当血管的弧度较小时,血管密度稀疏。这样设置的好处在于,可以突出血管特殊位置处的特征信息,提高计算精度。
在一个实施例中,根据待检测血管图像中血管的类型和弧度确定划分的网格密度。其中,具体的,对冠状动脉血管上弧度较大的血管进行划分时,在对冠状动脉血管进行划分的网格尺寸的基础上,进一步缩小网格尺寸,应用该缩小后的网格尺寸对冠状动脉血管上弧度较大的血管进行划分。
图2是本发明实施例一提供的一种待检测网格血管图像的示意图。图2以心脏的CT血管造影图像作为待检测原始图像,对待检测原始图像中的冠状动脉血管进行分割。如图2所示,网格密度稀疏,即网格尺寸较大的区域,表示血管上较平滑区域,网格密度密集,即网格尺寸较小的区域,表示血管上弧度较大区域。
S120、基于血流参数对待检测网格血管图像进行初始化设置;
其中,血流参数包括待检测网格血管图像中血管的边界条件。示例性的,血流参数包括血压、心输出量、血液流速、血液流量和血管直径等参数,其中,具体的,可根据血管直径确定与该血管直径对应的血液流量。在一个实施例中,可选的,基于待检测网格血管图像确定血流参数,和/或,获取用户输入的血流参数。其中,示例性的,基于待检测网格血管图像的像素尺寸确定冠状动脉的入口面积和出口面积。其中,示例性的,采用测量仪器对被测部位进行测量,得到血流参数,如血压和血液流速等参数测量值。
在一个实施例中,可选的,基于血流参数设置待检测网格血管图像的边界节点的初始值;基于预设数值设置待检测网格血管图像的非边界节点的初始值。
在一个实施例中,根据血流参数对应的测量位置,将血流参数添加到待检测网格血管图像的边界节点中。其中,示例性的,将血管入口处的血压值添加在待检测网格血管图像中血管入口处。在一个实施例中,可选的,预设数值包括0。具体的,将待检测网格血管图像的非边界节点的初始值设置为0。此处对预设数值不作限定。
S130、将经初始化设置的待检测网格血管图像输入到预先训练完成的血管参数网络模型中,得到输出的待检测网格血管图像中各网格节点处的目标血管参数。
在一个实施例中,可选的,,血管参数网络模型包括图神经网络模型。图神经网络模型是一种直接作用于图结构上的神经网络模型。其中,示例性的,目标血管参数包括待检测网格血管图像中各网格节点处的血压、血流量、血管壁切应力、血液流速和血流方向中至少一种。其中,血管壁切应力用于描述血管内的血流与血管内皮之间的摩擦力。
图3是本发明实施例一提供的一种血管参数的计算方法的具体实例的流程图。如图3所示,对待检测原始图像进行图像分割,得到待检测血管图像。基于待检测血管图像进行网格划分,得到待检测网格血管图像。图3所示的“基于图像分割血管”与“血流参数”之间的虚线箭头表示血流参数既可根据待检测原始图像和/或待检测血管图像确定,如血流参数可以是血管入口面积和血管出口面积。在此基础上,血流参数还可通过其他测量仪器测量得到,如血流参数可以是血压。基于血流参数对待检测网格血管图像进行初始化设置,并将经过初始化设置后的待检测网格血管图像输入到血管参数网络模型中,得到输出的待检测网格血管图像中各网格节点处的目标血管参数。
本实施例的技术方案,通过血管参数网络模型计算血管动力学参数,解决了血管动力学参数计算复杂的问题,提高了血管动力学参数的计算效率和计算结果的准确率。
实施例二
图4是本发明实施例二提供的一种血管参数的计算方法的流程图,本实施例的技术方案是上述实施例的基础上的进一步细化。可选的,所述方法还包括:基于待训练网格血管图像对应的待训练血流参数对所述待训练网格血管图像进行初始化设置;将经过初始化设置后的待训练网格血管图像输入到初始血管参数网络模型中,得到输出结果,其中,所述输出结果包括所述待训练网格血管图像中各网格节点处的预测血管参数;根据输出结果中的各网格节点处的预测血管参数和待训练目标血管参数对所述初始血管参数网络模型中的模型参数进行调整,以得到训练完成的血管参数网络模型。
本实施例的具体步骤包括:
S210、基于待训练网格血管图像对应的待训练血流参数对待训练网格血管图像进行初始化设置;
在一个实施例中,可选的,获取待训练原始图像,并对待训练原始图像进行分割得到待训练血管图像;对待训练血管图像进行网格划分,得到待训练网格血管图像。
在一个实施例中,可选的,根据待训练血管图像中血管的类型和/或弧度,确定划分的网格密度;基于网格密度对待训练血管图像进行网格划分,得到待训练网格血管图像。
在一个实施例中,可选的,待训练血流参数包括待训练网格血管图像中血管的边界条件。其中,示例性的,待训练血流参数包括血压、心输出量、血液流速、血液流量和血管直径等参数。
在一个实施例中,可选的,基于待训练血流参数设置待训练网格血管图像的边界节点的初始值;基于预设数值设置待训练网格血管图像的非边界节点的初始值。
在一个实施例中,根据待训练血流参数对应的测量位置,将待训练血流参数添加到待训练网格血管图像的边界节点中。其中,示例性的,将血管入口处的血压值添加在待训练网格血管图像中血管入口处。在一个实施例中,可选的,预设数值包括0。具体的,将待训练网格血管图像的非边界节点的初始值设置为0。此处对预设数值不作限定。
S220、将经过初始化设置后的待训练网格血管图像输入到初始血管参数网络模型中,得到输出结果,其中,输出结果包括待训练网格血管图像中各网格节点处的预测血管参数;
在本实施例中,初始血管参数网络模型采用图卷积神经网络为主要单元,整体采用u-net的基本结构。图5是本发明实施例二提供的一种血管参数网络模型的示意图。血管参数网络模型包括编码阶段和解码阶段。编码阶段(encoder)主要为图卷积神经网络,计算输入到图神经网络模型中的经过初始化设置后的待训练网格血管图像的卷积,并进行编码,Z为编码后的输出结果。解码阶段(decoder)主要为图逆卷积神经网络,将编码后的输出结果Z解码还原为图像,并输出训练结果。
在一个实施例中,可选的,将待训练网格血管图像转换为血管参数网络模型的输入图。其中,示例性的,将待训练网格血管图像的图像格式转换为符合血管参数网络模型的输入条件的图像格式。在本实施例中,血管参数网络模型采用的图神经网络模型是一种基于图像的网络模型,因此,待训练网格血管图像只需进行格式上的转换就可以作为图神经网络模型的输入,不会损失待训练网格血管图像中的图像信息,从而提高计算结果的准确率。
S230、根据输出结果中的各网格节点处的预测血管参数和待训练目标血管参数对初始血管参数网络模型中的模型参数进行调整,以得到训练完成的血管参数网络模型。
在一个实施例中,可选的,根据待训练网格血管图像和与待训练网格血管图像对应的待训练血流参数,采用预设计算方法确定待训练网格血管图像中各网格节点处的待训练目标血管参数。
在一个实施例中,可选的,预设计算方法包括计算流体力学方法。计算流体力学(Computational Fluid Dynamics,CFD)是利用计算机求解主管流体流动的偏微分方程组,可对流体力学中的各类问题进行数值模拟,便于对实际问题进行定性和定量的分析。在一个实施例中,可选的,计算流体力学方法包括纳维-斯托克斯方程(N-S方程)。其中,具体的,将待训练网格血管图像和待训练血流参数输入到计算流体力学的求解器中,得到待训练网格血管图像中各网格节点处的待训练目标血管参数。
图6是本发明实施例二提供的一种血管参数网络模型的训练方法的流程图。如图6所示,对待训练原始图像进行图像分割,得到待训练血管图像。基于待训练血管图像进行网格划分,得到待训练网格血管图像。图6所示的“基于图像分割血管”与“待训练血流参数”之间的虚线箭头表示待训练血流参数既可根据待训练原始图像和/或待训练血管图像确定,如待训练血流参数可以是血管入口面积和血管出口面积。在此基础上,待训练血流参数还可通过其他测量仪器测量得到,如待训练血流参数可以是血压。采用计算流体动力学方法,对待训练网格血管图像和待训练血流参数进行求解计算,得到待训练网格血管图像中各网格节点处的待训练目标血管参数。基于待训练血流参数对待训练网格血管图像进行初始化设置,并将经过初始化设置后的待训练网格血管图像输入到初始血管参数网络模型中,将计算流体动力学的计算结果作为金标准,基于初始血管参数网络模型的输出结果对初始血管参数网络模型中的模型参数进行调整,得到训练完成的血管参数网络模型。
在一个实施例中,可选的,待训练目标血管参数包括血压、血流量、血管壁切应力、血液流速和血流方向中至少一种。其中,血管壁切应力用于描述血管内的血流与血管内皮之间的摩擦力。
S240、确定待检测网格血管图像和与待检测网格血管图像对应的血流参数;
S250、基于血流参数对待检测网格血管图像进行初始化设置;
S260、将经初始化设置的待检测网格血管图像输入到预先训练完成的血管参数网络模型中,得到输出的待检测网格血管图像中各网格节点处的目标血管参数。
本实施例的技术方案,通过根据流体力学方法计算得到的各网格节点处的血管动力学参数作为血管参数网络模型的训练标准,解决了流体力学计算方法的步骤复杂的问题,降低了对待检测网格血管图像的网格质量和边界条件的要求,提高了血管动力学参数的计算效率和计算结果的准确率。
实施例三
图7是本发明实施例三提供的一种血管参数的计算装置的示意图。本实施例可适用于对血管图像中各节点处的血管动力学参数进行计算情况,该装置可采用软件和/或硬件的方式实现。该血管参数的计算装置包括:待检测网格血管图像确定模块310、初始化设置模块320和目标血管参数确定模块330。
其中,待检测网格血管图像确定模块310,用于确定待检测网格血管图像和与所述待检测网格血管图像对应的血流参数;
初始化设置模块320,用于基于所述血流参数对所述待检测网格血管图像进行初始化设置;
目标血管参数确定模块330,用于将经所述初始化设置的待检测网格血管图像输入到预先训练完成的血管参数网络模型中,得到输出的所述待检测网格血管图像中各网格节点处的目标血管参数。
本实施例的技术方案,通过血管参数网络模型计算血管动力学参数,解决了血管动力学参数计算复杂的问题,提高了血管动力学参数的计算效率和计算结果的准确率。
在上述实施例的基础上,可选的,血管参数网络模型包括图神经网络模型。
在上述技术方案的基础上,可选的,待检测网格血管图像确定模块310包括:
待检测血管图像确定单元,用于获取待检测原始图像,并对所述待检测原始图像进行分割得到待检测血管图像;
待检测网格血管图像确定单元,用于对所述待检测血管图像进行网格划分,得到待检测网格血管图像。
可选的,待检测网格血管图像确定单元,具体用于:
根据所述待检测血管图像中血管的类型和/或弧度,确定划分的网格密度;
基于所述网格密度对所述待检测血管图像进行网格划分,得到待检测网格血管图像。
可选的,初始化设置模块320具体用于:
基于所述血流参数设置所述待检测网格血管图像的边界节点的初始值;
基于预设数值设置所述待检测网格血管图像的非边界节点的初始值。
可选的,该装置还包括:血管参数网络模型确定模块,用于:
基于待训练网格血管图像对应的待训练血流参数对所述待训练网格血管图像进行初始化设置;
将经过初始化设置后的待训练网格血管图像输入到初始血管参数网络模型中,得到输出结果,其中,所述输出结果包括所述待训练网格血管图像中各网格节点处的预测血管参数;
根据输出结果中的各网格节点处的预测血管参数和待训练目标血管参数对所述初始血管参数网络模型中的模型参数进行调整,以得到训练完成的血管参数网络模型。
可选的,该装置还包括:待训练目标血管参数确定模块,用于:
根据待训练网格血管图像和与所述待训练网格血管图像对应的待训练血流参数,采用预设计算方法确定所述待训练网格血管图像中各网格节点处的待训练目标血管参数。
可选的,所述预设计算方法包括计算流体力学方法;所述待训练血流参数包括所述待训练网格血管图像中血管的边界条件,所述待训练目标血管参数包括血压、血流量、血管壁切应力、血液流速和血流方向中至少一种。
本发明实施例所提供的血管参数的计算装置可以用于执行本发明实施例所提供的血管参数的计算方法,具备执行方法相应的功能和有益效果。
值得注意的是,上述血管参数的计算装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
实施例四
图8是本发明实施例四提供的一种设备的结构示意图,本发明实施例为本发明上述实施例的血管参数的计算方法的实现提供服务,可配置上述实施例中的血管参数的计算装置。图8示出了适于用来实现本发明实施方式的示例性设备12的框图。图8显示的设备12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图8所示,设备12以通用计算设备的形式表现。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,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。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,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被设备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。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图8未显示,通常称为“硬盘驱动器”)。尽管图8中未示出,可以提供用于对可移动非易失性磁盘(例如“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或者其它光介质)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接口与总线18相连。存储器28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,这些程序模块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28中,这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,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。
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等)通信,还可与一个或者多个使得用户能与该设备12交互的设备通信,和/或与使得该设备12能与一个或多个其它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)接口22进行。并且,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8所示,网络适配器20通过总线18与设备12的其它模块通信。应当明白,尽管图中未示出,可以结合设备12使用其它硬件和/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、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器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血管参数的计算方法。
通过上述设备,解决了血管动力学参数计算复杂的问题,提高了血管动力学参数的计算效率和计算结果的准确率。
实施例五
本发明实施例五还提供了一种包含计算机可执行指令的存储介质,计算机可执行指令在由计算机处理器执行时用于执行一种血管参数的计算方法,该方法包括:
确定待检测网格血管图像和与待检测网格血管图像对应的血流参数;
基于血流参数对待检测网格血管图像进行初始化设置;
将经初始化设置的待检测网格血管图像输入到预先训练完成的血管参数网络模型中,得到输出的待检测网格血管图像中各网格节点处的目标血管参数。
本发明实施例的计算机存储介质,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可读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、或半导体的系统、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)、可擦式可编程只读存储器(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系统、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系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
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,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)。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上的方法操作,还可以执行本发明任意实施例所提供的血管参数的计算方法中的相关操作。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (11)
1.一种血管参数的计算方法,其特征在于,包括:
确定待检测网格血管图像和与所述待检测网格血管图像对应的血流参数;
基于所述血流参数对所述待检测网格血管图像进行初始化设置;
将经所述初始化设置的待检测网格血管图像输入到预先训练完成的血管参数网络模型中,得到输出的所述待检测网格血管图像中各网格节点处的目标血管参数。
2.根据权利要求1所述的方法,其特征在于,所述血管参数网络模型包括图神经网络模型。
3.根据权利要求1所述的方法,其特征在于,所述确定待检测网格血管图像,包括:
获取待检测原始图像,并对所述待检测原始图像进行分割得到待检测血管图像;
对所述待检测血管图像进行网格划分,得到待检测网格血管图像。
4.根据权利要求3所述的方法,其特征在于,所述对所述待检测血管图像进行网格划分,得到待检测网格血管图像,包括:
根据所述待检测血管图像中血管的类型和/或弧度,确定划分的网格密度;
基于所述网格密度对所述待检测血管图像进行网格划分,得到待检测网格血管图像。
5.根据权利要求1所述的方法,其特征在于,所述基于所述血流参数对所述待检测网格血管图像进行初始化设置,包括:
基于所述血流参数设置所述待检测网格血管图像的边界节点的初始值;
基于预设数值设置所述待检测网格血管图像的非边界节点的初始值。
6.根据权利要求1所述的方法,其特征在于,还包括:
基于待训练网格血管图像对应的待训练血流参数对所述待训练网格血管图像进行初始化设置;
将经过初始化设置后的待训练网格血管图像输入到初始血管参数网络模型中,得到输出结果,其中,所述输出结果包括所述待训练网格血管图像中各网格节点处的预测血管参数;
根据输出结果中的各网格节点处的预测血管参数和待训练目标血管参数对所述初始血管参数网络模型中的模型参数进行调整,以得到训练完成的血管参数网络模型。
7.根据权利要求6所述的方法,其特征在于,还包括:
根据待训练网格血管图像和与所述待训练网格血管图像对应的待训练血流参数,采用预设计算方法确定所述待训练网格血管图像中各网格节点处的待训练目标血管参数。
8.根据权利要求7所述的方法,其特征在于,所述预设计算方法包括计算流体力学方法;所述待训练血流参数包括所述待训练网格血管图像中血管的边界条件,所述待训练目标血管参数包括血压、血流量、血管壁切应力、血液流速和血流方向中至少一种。
9.一种血管参数的计算装置,其特征在于,包括:
待检测网格血管图像确定模块,用于确定待检测网格血管图像和与所述待检测网格血管图像对应的血流参数;
初始化设置模块,用于基于所述血流参数对所述待检测网格血管图像进行初始化设置;
目标血管参数确定模块,用于将经所述初始化设置的待检测网格血管图像输入到预先训练完成的血管参数网络模型中,得到输出的所述待检测网格血管图像中各网格节点处的目标血管参数。
10.一种设备,其特征在于,所述设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-8中任一所述的血管参数的计算方法。
11.一种包含计算机可执行指令的存储介质,其特征在于,所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-8中任一所述的血管参数的计算方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010624356.8A CN111815598B (zh) | 2020-06-30 | 2020-06-30 | 一种血管参数的计算方法、装置、设备及存储介质 |
PCT/CN2020/138408 WO2022001026A1 (en) | 2020-06-30 | 2020-12-22 | Systems and methods for determining blood vessel parameters |
US18/149,040 US20230134402A1 (en) | 2020-06-30 | 2022-12-30 | Systems and methods for determining blood vessel parameters |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010624356.8A CN111815598B (zh) | 2020-06-30 | 2020-06-30 | 一种血管参数的计算方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111815598A true CN111815598A (zh) | 2020-10-23 |
CN111815598B CN111815598B (zh) | 2024-04-26 |
Family
ID=72856020
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010624356.8A Active CN111815598B (zh) | 2020-06-30 | 2020-06-30 | 一种血管参数的计算方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111815598B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112446867A (zh) * | 2020-11-25 | 2021-03-05 | 上海联影医疗科技股份有限公司 | 血流参数的确定方法、装置、设备及存储介质 |
CN112446866A (zh) * | 2020-11-25 | 2021-03-05 | 上海联影医疗科技股份有限公司 | 血流参数的计算方法、装置、设备及存储介质 |
WO2022001026A1 (en) * | 2020-06-30 | 2022-01-06 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for determining blood vessel parameters |
CN114462329A (zh) * | 2022-01-10 | 2022-05-10 | 中山大学孙逸仙纪念医院 | 一种升主动脉流体力学参数的测算方法和装置 |
CN114638878A (zh) * | 2022-03-18 | 2022-06-17 | 北京安德医智科技有限公司 | 基于深度学习的二维超声心动图管径检测方法及装置 |
CN116863146A (zh) * | 2023-06-09 | 2023-10-10 | 强联智创(北京)科技有限公司 | 用于对血管瘤特征进行提取的方法、设备及存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150112182A1 (en) * | 2013-10-17 | 2015-04-23 | Siemens Aktiengesellschaft | Method and System for Machine Learning Based Assessment of Fractional Flow Reserve |
US20160328855A1 (en) * | 2015-05-04 | 2016-11-10 | Siemens Aktiengesellschaft | Method and System for Whole Body Bone Removal and Vascular Visualization in Medical Image Data |
US9984465B1 (en) * | 2017-01-23 | 2018-05-29 | Shanghai United Imaging Healthcare Co., Ltd. | Method and system for analyzing blood flow condition |
US20180242856A1 (en) * | 2017-02-28 | 2018-08-30 | Fujifilm Corporation | Blood flow analysis device, method, and program |
CN108564574A (zh) * | 2018-04-11 | 2018-09-21 | 上海联影医疗科技有限公司 | 确定血流储备分数的方法、计算机设备及计算机可读存储介质 |
CN108665449A (zh) * | 2018-04-28 | 2018-10-16 | 向建平 | 预测血流矢量路径上的血流特征的深度学习模型及装置 |
CN109461138A (zh) * | 2018-09-29 | 2019-03-12 | 深圳睿心智能医疗科技有限公司 | 参数计算方法、系统、可读存储介质及计算机设备 |
CN109523621A (zh) * | 2018-11-15 | 2019-03-26 | 腾讯科技(深圳)有限公司 | 对象的加载方法和装置、存储介质、电子装置 |
US10249048B1 (en) * | 2017-11-15 | 2019-04-02 | Beijing Curacloud Technology Co., Ltd. | Method and system for predicting blood flow features based on medical images |
US20200098124A1 (en) * | 2018-09-24 | 2020-03-26 | Beijing Curacloud Technology Co., Ltd. | Prediction method for healthy radius of blood vessel path, prediction method for candidate stenosis of blood vessel path, and blood vessel stenosis degree prediction device |
CN111297388A (zh) * | 2020-04-03 | 2020-06-19 | 中山大学 | 一种血流储备分数测量方法及装置 |
-
2020
- 2020-06-30 CN CN202010624356.8A patent/CN111815598B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150112182A1 (en) * | 2013-10-17 | 2015-04-23 | Siemens Aktiengesellschaft | Method and System for Machine Learning Based Assessment of Fractional Flow Reserve |
US20160328855A1 (en) * | 2015-05-04 | 2016-11-10 | Siemens Aktiengesellschaft | Method and System for Whole Body Bone Removal and Vascular Visualization in Medical Image Data |
US9984465B1 (en) * | 2017-01-23 | 2018-05-29 | Shanghai United Imaging Healthcare Co., Ltd. | Method and system for analyzing blood flow condition |
US20180242856A1 (en) * | 2017-02-28 | 2018-08-30 | Fujifilm Corporation | Blood flow analysis device, method, and program |
US10249048B1 (en) * | 2017-11-15 | 2019-04-02 | Beijing Curacloud Technology Co., Ltd. | Method and system for predicting blood flow features based on medical images |
CN108564574A (zh) * | 2018-04-11 | 2018-09-21 | 上海联影医疗科技有限公司 | 确定血流储备分数的方法、计算机设备及计算机可读存储介质 |
CN108665449A (zh) * | 2018-04-28 | 2018-10-16 | 向建平 | 预测血流矢量路径上的血流特征的深度学习模型及装置 |
US20200098124A1 (en) * | 2018-09-24 | 2020-03-26 | Beijing Curacloud Technology Co., Ltd. | Prediction method for healthy radius of blood vessel path, prediction method for candidate stenosis of blood vessel path, and blood vessel stenosis degree prediction device |
CN109461138A (zh) * | 2018-09-29 | 2019-03-12 | 深圳睿心智能医疗科技有限公司 | 参数计算方法、系统、可读存储介质及计算机设备 |
CN109523621A (zh) * | 2018-11-15 | 2019-03-26 | 腾讯科技(深圳)有限公司 | 对象的加载方法和装置、存储介质、电子装置 |
CN111297388A (zh) * | 2020-04-03 | 2020-06-19 | 中山大学 | 一种血流储备分数测量方法及装置 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022001026A1 (en) * | 2020-06-30 | 2022-01-06 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for determining blood vessel parameters |
CN112446867A (zh) * | 2020-11-25 | 2021-03-05 | 上海联影医疗科技股份有限公司 | 血流参数的确定方法、装置、设备及存储介质 |
CN112446866A (zh) * | 2020-11-25 | 2021-03-05 | 上海联影医疗科技股份有限公司 | 血流参数的计算方法、装置、设备及存储介质 |
CN112446866B (zh) * | 2020-11-25 | 2023-05-26 | 上海联影医疗科技股份有限公司 | 血流参数的计算方法、装置、设备及存储介质 |
CN114462329A (zh) * | 2022-01-10 | 2022-05-10 | 中山大学孙逸仙纪念医院 | 一种升主动脉流体力学参数的测算方法和装置 |
CN114638878A (zh) * | 2022-03-18 | 2022-06-17 | 北京安德医智科技有限公司 | 基于深度学习的二维超声心动图管径检测方法及装置 |
CN114638878B (zh) * | 2022-03-18 | 2022-11-11 | 北京安德医智科技有限公司 | 基于深度学习的二维超声心动图管径检测方法及装置 |
CN116863146A (zh) * | 2023-06-09 | 2023-10-10 | 强联智创(北京)科技有限公司 | 用于对血管瘤特征进行提取的方法、设备及存储介质 |
CN116863146B (zh) * | 2023-06-09 | 2024-03-08 | 强联智创(北京)科技有限公司 | 用于对血管瘤特征进行提取的方法、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111815598B (zh) | 2024-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111815598B (zh) | 一种血管参数的计算方法、装置、设备及存储介质 | |
Sermesant et al. | Applications of artificial intelligence in cardiovascular imaging | |
US9002091B2 (en) | Device and computed tomography scanner for determining and visualizing the perfusion of the myocardial muscle | |
CN112446866B (zh) | 血流参数的计算方法、装置、设备及存储介质 | |
CN112446867B (zh) | 血流参数的确定方法、装置、设备及存储介质 | |
CN108140430B (zh) | 根据压力或流量测量结果及血管造影估计流量、阻力或压力 | |
CN112419484B (zh) | 三维血管合成方法、系统及冠状动脉分析系统和存储介质 | |
CN111640124B (zh) | 一种血管提取方法、装置、设备及存储介质 | |
JPWO2010098444A1 (ja) | 医用画像処理装置及び方法 | |
JP2022027757A (ja) | 4dコンピュータ断層撮影から呼吸性血液量変化を決定するシステム及び方法 | |
CN117529273A (zh) | 从超声图像和相机图像重建3d图像的系统和方法 | |
CN112419462A (zh) | 三维血管的渲染合成方法、系统及存储介质 | |
US11317875B2 (en) | Reconstruction of flow data | |
US11730384B2 (en) | Fluid analysis apparatus, method for operating fluid analysis apparatus, and fluid analysis program | |
CN111192664A (zh) | 一种图像标记方法、系统、设备及存储介质 | |
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 | |
CN112001893B (zh) | 一种血管参数的计算方法、装置、设备及存储介质 | |
CN111798468B (zh) | 图像处理方法及装置、存储介质及电子终端 | |
CN113143305A (zh) | 提供血管畸形的血流参数组 | |
EP3607527B1 (en) | Quantitative evaluation of time-varying data | |
CN112419308B (zh) | 斑块评估方法、装置、电子设备及存储介质 | |
CN114782366B (zh) | 心脏支架检测方法和装置、存储介质和电子设备 | |
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 | |
CN116363243A (zh) | 血管的圆柱投影图像确定方法、装置及存储介质 | |
CN118021273A (zh) | 一种基于oct影像的血流储备分数的计算方法及装置 |
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 | ||
CB02 | Change of applicant information |
Address after: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant after: Shanghai Lianying Medical Technology Co.,Ltd. Address before: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |