CN113876304A - 一种基于oct图像和造影图像确定ffr的方法及装置 - Google Patents
一种基于oct图像和造影图像确定ffr的方法及装置 Download PDFInfo
- Publication number
- CN113876304A CN113876304A CN202111051941.4A CN202111051941A CN113876304A CN 113876304 A CN113876304 A CN 113876304A CN 202111051941 A CN202111051941 A CN 202111051941A CN 113876304 A CN113876304 A CN 113876304A
- Authority
- CN
- China
- Prior art keywords
- contrast
- image
- determining
- blood vessel
- contrast 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
Images
Classifications
-
- 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
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
- A61B5/0062—Arrangements for scanning
- A61B5/0066—Optical coherence imaging
-
- 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/10101—Optical tomography; Optical coherence tomography [OCT]
-
- 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
Abstract
本申请提供了一种基于OCT图像和造影图像确定FFR的方法,该方法包括:获取冠状动脉的造影图像和冠状动脉的OCT图像;基于造影图像,确定造影剂从血管的第一端到血管的第二端的时间以及第一端到第二端的实际距离,根据造影剂在造影图像中第一端到第二端的时间以及第一端和第二端的实际距离,确定血管的血流速度;基于OCT图像,确定血管的管腔面积;基于血流速度、管腔面积和第一端的压力值确定FFR。本申请提供的方法,通过结合OCT图像和造影图像可以得到准确的FFR值。
Description
技术领域
本申请属于图像处理技术领域,尤其涉及一种基于OCT图像和造影图像确定FFR的方法及装置。
背景技术
血流储备分数(Fractional Flow Reserve,FFR)指标是判断冠状狭窄的功能严重性的指标,其是根据在冠状血管造影成像下,在手术期间利用压力导丝进行压力测量来计算的,并且被定义为在充血条件下远端压力和近端压力的比值。
临床上使用压力导丝确定FFR指标,该方法在测量过程比较耗时,测量时需要采用三磷酸腺苷等血管扩张药物诱导最大充血反应,并且费用比较昂贵,其应用有很大的局限性。
因此,如何利用影像学数据建立一种更准确获取计算FFR参数的方法,使其能够在不利用压力导丝的情况下实现精确的FFR计算,是目前亟需解决的问题。
发明内容
本申请实施例提供一种基于OCT图像和造影图像确定FFR的方法和装置,解决了目前不能准确计算FFR指标的问题,提高了FFR计算的准确性。
第一方面,提供了一种基于OCT图像和造影图像确定FFR的方法,该方法包括:获取冠状动脉的造影图像和冠状动脉的OCT图像;基于造影图像,确定造影剂从血管的第一端到血管的第二端的时间以及第一端到第二端的实际距离;根据造影剂从第一端到第二端的时间以及第一端到所述第二端的实际距离,确定血管的血流速度;基于OCT图像,确定血管的管腔面积;基于血液流速、管腔面积和第一端的压力值确定FFR。
第一方面提供的方法,通过利用造影图像可以确定出造影剂从血管近端和血管远端的时间,以及血管近端到血管远端的实际距离,根据该实际距离可以准确计算出血管的血流速度。再利用OCT图像可以精确计算出血管的管腔面积。结合OCT图像和造影图像,准确得到血流速度、管腔面积和近端压力值等参数,从而计算得到准确的FFR值。
可选的,基于造影图像,确定造影剂从血管的第一端到血管的第二端的时间以及所述第一端到所述第二端的实际距离,还包括:利用自动数帧法确定造影图像中造影剂在第一端和第二端的帧数;基于帧数确定造影剂从第一端到第二端的时间;根据造影图像的像素分辨率和造影剂从第一端流到第二端的像素距离,确定造影剂从第一端到第二端的实际距离。在该种实现方式中,利用全自动数帧法技术,可以避免人工数帧法引入的人工误差,并且提升了计算的时间。
可选的,基于帧数,确定造影剂从第一端到第二端的时间,包括:基于多语义识别模型识别造影图像中的血管和导丝;根据造影图像中的血管和导丝,确定造影剂从第一端到第二端的帧数;根据帧数和预设的帧率,确定造影剂从血管第一端到血管第二端的时间。在该种实现方式中,将造影图像输入至训练好的语义识别模型中,可以实现对造影图像中的血管和导丝的准确识别,从而自动化的准确判断出造影剂从血管近端流到血管远端的帧数,进一步的,根据帧数和预设的帧率可以准确并且高效的确定出造影剂从血管近端到血管远端的时间。
可选的,根据OCT导管回拉的像素距离和OCT导管回拉的实际距离,确定造影图像的像素分辨率。在该种实现方式中,因为OCT导管回拉的实际距离是确定的,因此可以根据OCT导管回拉的像素距离确定出造影图像的分辨率。
可选的,将OCT导管回拉时的首帧造影图像上的标记点,投影到OCT导管回拉末帧造影图像上;根据末帧造影图像上投影的标记点和末帧图像上原有的标记点确定OCT导管回拉的像素距离。在该种实现方式中,在OCT导管回拉的过程中,以造影图像中的标记点作为参考点,将首帧图像中的标记点投影在末帧图像中,从而根据末帧图像中的投影点和原始点确定出OCT导管的像素距离。
可选的,将OCT导管回拉时的首帧造影图像上的标记点,投影到OCT导管回拉末帧造影图像上,包括:利用目标检测模型,确定回拉时首帧造影图像上的标记点和末帧造影图像上的标记点;利用全局血管骨架算法和迭代最近邻算法,将OCT导管回拉时的首帧造影图像上的标记点,投影到OCT导管回拉末帧造影图像上。在该种实现方式中,利用目标检测模型可以准确识别出造影图像上的标记点,利用全局骨架算法和迭代最邻近算法将标记点进行投影,可以追踪在OCT回拉过程中,造影图像上的标记点的位置。
可选的,管腔面积包括:血管无狭窄的管腔面积和血管狭窄处的管腔面积,基于血流速度、管腔面积和第一端附近的压力值确定FFR,包括:
利用如下公式计算FFR:
其中,Pa表示第一端近端的压力值;V表示血流速度;μ表示血液的黏度;L表示血管管腔长度;An表示血管无狭窄的管腔面积;As表示血管狭窄处的管腔面积;K表示进出口对压降影响系数;ρ表示血液密度。在该种实现方式中,由于血流速度和管腔面积为利用OCT图像和造影图像准确计算得到的,因此利用上述公式可以得到准确的FFR值。
第二方面,提供了一种基于OCT图像和造影图像确定FFR的装置,该装置用于:获取冠状动脉的造影图像和冠状动脉的OCT图像;基于造影图像,确定造影剂从血管的第一端到血管的第二端的时间以及第一端到第二端的实际距离;根据造影剂在造影图像中从第一端到第二端的时间以及第一端到第二端的实际距离,确定血管的血流速度;基于OCT图像,确定血管的管腔面积;基于血液流速、管腔面积和所述第一端的压力值确定FFR。
可选的,该装置还用于利用自动数帧法确定造影图像中造影剂在第一端和第二端的帧数;基于帧数确定造影剂从第一端到第二端的时间;根据造影图像的像素分辨率和造影剂从第一端流到第二端的像素距离,确定造影剂从第一端到第二端的实际距离。
可选的,该装置还用于基于多语义识别模型识别造影图像中的血管和导丝;根据造影图像中的血管和导丝,确定造影剂从第一端到第二端的帧数;根据帧数和预设的帧率,确定造影剂从血管第一端到血管第二端的时间。
可选的,该装置还用于根据OCT导管回拉的像素距离和OCT导管回拉的实际距离,确定造影图像的像素分辨率。
可选的,该装置还用于将OCT导管回拉时的首帧造影图像上的标记点,投影到OCT导管回拉末帧造影图像上;根据末帧造影图像上投影的标记点和末帧图像上原有的标记点确定OCT导管回拉的像素距离。
第三方面,提供了一种计算机程序产品,该计算机程序产品包括计算机程序,该计算机程序在被处理器执行时,用于执行第一方面或第一方面的任意可能的实现方式中的方法。
第四方面,提供了一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序,当该计算机程序被执行时,用于执行第一方面或第一方面的任意可能的实现方式中的方法。
第五方面,提供了一种芯片或者集成电路,该芯片或者集成电路包括:处理器,用于从存储器中调用并运行计算机程序,使得安装有该芯片或者集成电路的设备执行第一方面或第一方面的任意可能的实现方式中的方法。
可以理解的是,上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述,在此不再赘述。
本申请实施例与现有技术相比存在的有益效果是:
本申请通过利用造影图像可以确定出造影剂从血管近端和血管远端的时间和实际距离,根据该实际距离可以准确计算出血管的血流速度。再利用OCT图像可以精确计算出血管的管腔面积。结合OCT图像和造影图像,精确计算出血流速度、管腔面积和近端压力值,从而计算得到准确的FFR值。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,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示出了本申请实施例提供的基于OCT图像和造影图像确定FFR的方法的示意性流程图;
图2示出了本申请实施例提供的一种确定血流速度的方法的实现流程示意图;
图3示出了本申请实施例提供的造影图像和血管和导丝识别结果的示意图;
图4示出了本申请实施例提供的造影剂冲洗首帧图;
图5示出了本申请实施例提供的造影剂冲洗末帧图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
首先,在介绍本申请提供的方法和系统之前,需要对下文中即将提及的部分术语进行说明。当本申请提及术语“第一”或者“第二”等序数词时,除非根据上下文其确实表达顺序之意,否则应当理解为仅仅是起区分之用。
术语“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其他实施或设计方案更优选或更具优势。确切而言,使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
除非另有说明,本文中“/”一般表示前后关联对象是一种“或”的关系,例如,A/B可以表示A或B。术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,在本申请的描述中,“多个”是指两个或两个以上。
心血管疾病的诊断近几年已经成为世界医疗领域研究的热点,对诊断的准确性要求越来越高。在血管疾病的医疗领域,尤其是治疗血管内狭窄病变或者其他类型的部分或全部堵塞时,确定流过血管狭窄病变区域的血流量能帮助医生评估阻塞的严重程度和选择合理的治疗方案。FFR是普遍使用的评估血流的技术。FFR作为一种功能性指标,可用于判断血管病变引起心肌缺血的程度。
在传统技术中,使用压力导丝测量FFR,但是使用压力导丝时,存在以下弊端:首先,测量过程比较耗时,测量时需要采用三磷酸腺苷等血管扩张药物诱导最大充血反应;其次,对于过于迂曲的血管,由于导丝本身占位因素,导致对远端测量的压力过小,导致可能会高估病变的严重程度;并且,压力导丝FFR仅对决策是否需要PCI有作用,对于PCI策略优化,如不稳定斑块分析、支架尺寸与植入位置的选择、支架不良的分析完全无能为力,仍离不开影像学的指导,因此在使用成本和使用时间的局限下,使用率并不理想。
在相关技术中,也有基于影像学的方式实现FFR的计算,比如:基于造影图像的FFR技术,该技术主要采集两个体位的造影图像,利用3D重构算法构建3D模型,计算管腔面积,从而确定FFR。但是,受到造影采集角度及3D重构误差的影响,目前基于造影图像的FFR无法准确预测管腔面积,且需要依赖两个体位的造影图像,采集较复杂。此外,该类技术无法精确计算造影图像分辨率,并需要手动数帧法计算血流速度,会带来人工误差,且非常耗时。
另外,还有一种基于腔内影像的FFR技术,主要利用腔内影像计算管腔面积,该种技术虽然可以较准确的预测管腔面积,但是无法获取到真实的血流速度,从而难以准确预测FFR值。并且,上述两种技术中的近端压力值都为固定值,但是,实际上,每个人的近端压力都存在这一定的差异,使用固定值会对FFR的预测产生影响,从而降低了FFR的精度。因此,如何能够获取到真实的血流速度、管腔面积和近端压力值,从而得到较为准确的FFR,是本领域技术人员需要解决的重点问题。
有鉴于此,本申请提供了一种基于OCT和造影图像确定FFR的方法,首先利用全自动数帧法,确定出造影剂从血管近端流到血管远端的时间以及像素距离,根据回拉路径的曲线距离和真实的回拉路径确定造影图像的像素分辨率。然后,根据像素距离和像素分辨率确定出造影剂从血管近端流到血管远端的真实距离。利用造影剂从近端到远端的真实距离和时间确定出从而确认出血流速度。再根据OCT图像计算出管腔面积,以及安装在OCT导管上的压力传感器获取实时的近端压力值。通过得到的血液流速、管腔面积和近端压力值可以准确计算出FFR。
首先,对上述出现的专业名字进行具体解释:
光学相干层析(Optical Coherence Tomography,OCT)是目前分辨率最高的腔内影像学技术,在心血管病治疗中提供了巨大的临床价值。OCT比其他影像手段能揭示更多血管内的信息,比如斑块性质、血栓、夹层、支架贴壁不良及内膜覆盖等。
冠脉造影是诊断冠心病的一种常见手段。其过程是将一种特殊导管经过上肢,或者是大腿根部股动脉,穿刺以后送到冠状动脉开口,选择性的把造影剂注入到冠状动脉里面。因为造影剂在X光下是能够被显影的,因此,能够看到冠状动脉里血流流动的状况,可以通过记录显影过程,从而来判断冠状动脉有无问题。
需要说明的是,当用户需要对血管的OCT图像和冠状图像进行采集时,首先将导丝和OCT导管插入至患者血管内,该OCT导管的首端上有OCT金属探头,OCT导管在X光下不能显影,但是OCT金属探头在X光下呈黑点,根据该黑点可以确定导管插入的深度。当检测到OCT导管的插入深度超过患者血管内的斑块位置时,表明OCT导管在血管中已经放好了。此时,用户开始注射造影剂,然后用户在造影剂注射前的1-2s已经开始采集造影图像,此时,造影图像包含了注射造影剂的全过程造影图像。即,造影剂从血管近端流到血管远端。
当造影剂流到了OCT导管上的金属探头时,OCT导管开始回拉,在OCT回拉的过程中采集继续采集造影图像以及OCT图像。
因此,造影图像实际包含的是注射造影剂全过程造影图像以及OCT回拉全过程的图像。
在介绍本申请提供的基于OCT图像和造影图像确定FFR方法之前,首先对FFR的计算公式做具体介绍。利用如下FFR公式可以准确计算出FFR值:
其中,Pa表示血管近端压力,Pd表示血管远端压力,ΔP表示近端到远端的压力损失。
根据利用流体动力学和动量方程,根据如下公式构建压力损失函数:
ΔP=FV+SV2 (2)
其中,V表示最大充血时的血液流速;F表示黏滞性摩擦阻力系数;S表示出口分离引起的压力损失系数。
式(2)中F根据以下公式计算:
其中,μ表示血液的黏度,在本申请实施例中μ=4.0×10-3Pa·S,L表示血管管腔长度;An和As分别表示动脉血管无狭窄的管腔面积和动脉狭窄处的管腔面积。
式(2)中S根据以下公式计算:
其中,K表示进出口对压降影响系数,在本申请实施例中K=1;ρ表示血液密度,在本申请实施例中ρ=1050Kg/m3。
因此,基于上述公式可以推导出,当可以准确确定出血管内的血流速度、动脉血管无狭窄的管腔面积、动脉狭窄处的管腔面积和近端压力值,就可以准确计算出FFR。
下面结合具体的例子来说明本申请提供的基于OCT图像和造影图像确定FFR的方法。图1示出了本申请实施例提供的基于OCT图像和造影图像确定FFR的方法的示意性流程图。如图1所述的,该方法包括:S110至S140。
S110、根据造影剂从第一端到第二端的时间以及第一端到第二端的实际距离,确定血管的血流速度;
在本申请实施例中,可以利用造影剂从第一端到第二端的时间以及第一端到第二端的实际距离,实现对血管的血流速度的准确计算。
作为一种可能的实现方式,通过利用自动数帧法确定造影图像中造影剂在第一端和第二端的帧数;基于帧数确定造影剂从第一端到第二端的时间;根据造影图像的像素分辨率和造影剂从第一端流到第二端的像素距离,确定造影剂从第一端到第二端的实际距离。图2示出了本申请实施例提供的一种确定血流速度的方法的实现流程示意图。如图2所示,该方法110包括S1101至S1107。
S1101,根据全自动数帧法,确定造影剂从血管近端流到血管远端的帧数。
由于在造影剂冲洗血管前,血管在X光下不能显影,血管在造影图像中不可见。因此,造影图像中仅有导丝。即,可以通过识别造影图像中的导丝和血管从而确定出造影剂在血管的第一端的首帧图像,和造影剂在血管的第二端的末帧图像。
换句话说,当造影图像中第一次识别出血管时,表明造影剂已经到达了第一端的首帧图像,则此帧为造影剂冲洗血管的首帧图像。
需要说明的是,血管的第一端也叫血管近端,血管的第二端也叫血管远端。
还需要说明的是,冠状动脉开口的位置为血管近端,OCT导管上的金属探头所在的位置为血管远端。
可选的,作为一种可能的实现方式,可以通过多语义分割模型识别出造影图像中的导丝和血管,根据造影图像中识别的导丝和血管,可以进一步确定出造影剂在冲洗血管时的首帧图像和末帧图像。
具体地,首先,对多语义分割模型进行训练,在本申请实施例中采用U-net网络作为基模型进行训练得到多语义分割模型。当然,还可以采用其他的网络模型作为基模型进行训练从而得到多语义分割模型,比如:Mask-RCNN网络模型。在此,本申请实施例不做限定。
在多语义分割模型在训练的过程中,通过采集大量的造影图像作为样本图像,对样本图像中的导丝和血管进行人工标注,通过U-net网络对导丝和血管的特征进行提取,最终实现对造影图像中的导丝和血管的识别。
示例性的,图3示出了本申请实施例提供的造影图像和血管和导丝识别结果的示意图。如图3中的(a)所示为冠状动脉的造影图像。如图3中的(b)所示为利用多语义分割模型识别出的血管和导丝。其中图3中的(b)中的A为识别出来的血管,B为识别出来的导丝。从图3可以看出多语义分割模型可以实现血管和导丝的准确识别。
需要说明的是,由于冠状动脉主要分为左前降支、左回旋支和右冠。为了避免不同体位采集到的图像差异,导致多语义分割模型精度较差的问题,本申请实施例在训练多语义分割模型时采集的样本包括了左前降支、左回旋支和右冠的造影图像。根据模型的训练样本不同,训练得到三种不同的多任务语义分割模型。在具体使用时,用户可以根据患者的病变部位选择对应的多任务语义分割模型,实现导丝和血管的识别。
应理解,根据首帧图像中导丝识别结果以及血管识别结果,可以确定出导丝的远端,即远离血管近端的一端为导丝的远端,并将导丝的远端作为远端标志位,当造影剂流到该位置时,即可得到造影剂首次流到远端的帧数,则此帧为造影剂冲洗血管的末帧图像。
示例性的,图4示出了本申请实施例提供的造影剂冲洗首帧图,从图4中可以看出刚识别出血管的一小段,图4中的箭头位置为导丝的远端位置,即血管的远端位置。图5示出了本申请实施例提供的造影剂冲洗末帧图,从图5中可以看出,造影剂已经留过OCT导管上的金属探头位置。
由于心脏是周期跳动的,根据造影剂冲洗首帧识别到的远端标志位也会随着心脏跳动进行运动,因此需要将造影剂冲洗首帧识别到的远端标志位投影到后续的造影图像上,保证远端标志位在每帧图像中的相对位置时不变的。
在本申请实施例中,采用基于全局血管骨架的投影算法实现每两张图像的投影和配准,从而将首帧中的远端标志位投影到后面多帧造影图像中。
具体的,对于每帧造影图像,首先采用全局血管骨架算法,提取每张图像中的血管骨架,得到每张图像的骨架信息,该骨架信息包括血管骨架上的所有点的坐标。
然后,利用迭代最近邻算法学习每两张造影图像中的血管骨架的旋转矩阵和平移矩阵,从而实现两张图像的配准。从而,可以将造影剂冲洗首帧识别到的远端标志位投影到后续的造影图像上,得到每张图像上的远端标志位。
示例性的,对于第1帧造影图像和第2帧造影图像,首先采用全局血管骨架算法,提取第1帧造影图像和第2帧造影图像中的血管骨架,得到每个血管骨架上所有点的坐标。然后将两个血管骨架的所有点的坐标使用迭代最近邻算法得到血管骨架的旋转矩阵和平移矩阵,即利用旋转矩阵和平移矩阵可以得到要将第1帧造影图像中的血管骨架投影到第2帧造影图像中需要偏移多少距离。进一步的,可以确定出将第1帧造影图像中的远端标志位投影到第2帧造影图像中的远端标志位需要偏移多少距离。
在本申请实施例中,当利用多语义分割模型确定出造影图像中的血管达到远端标志位时,表明造影剂到达了血管的远端位置,此帧图像为造影剂冲洗血管的末帧图像。
示例性的,采集了50帧造影图像,利用多语音分割模型检测到第4帧图像时只识别出了导丝,但是在检测到第5帧图像时,同时识别出了血管和导丝,说明该第5帧图像为造影剂冲洗血管的首帧图像。同时,在第五帧图像中可以确定出远端标志位,为了使得每帧图像中的远端标志位的相对位置不变,将该远端标志位投影到后面的45帧图像中,即后面的45帧图像中都有远端标志位。当利用多语义分割模型检测到第40帧图像的血管中出现远端标志位时,表明第40帧图像为造影剂冲洗血管的末帧图像。
基于上述步骤S1101中确定出的首帧图像和末帧图像,即可得到造影剂从近端流到远端的帧数,实现全自动数帧法。利用全自动数帧法可以准确判断出造影剂从血管近端流到血管远端的帧数,避免人工数帧法引入的人工误差,提升了进一步计算血流速度的时间。
S1102、基于造影剂流过的首帧图像和末帧图像,确定造影剂从血管近端到血管远端的时间。
在本申请实施例中,根据首帧图像到末帧图像的帧数以及造影图像采集的帧率,可以确定出造影剂从近端流到远端的时间。
需要说明的是,造影图像采集的帧率可根据具体情况设定,本申请实施例不做限定。
示例性的,在本申请实施例中的造影图像采集的帧率为1s采集15帧。
在一个实施例中,当首帧图像为第5帧,末帧图像为45帧,即造影剂从近端流到远端的帧数为40帧。按照1s采集15帧的帧率,可以确定出造影剂从近端流到远端的时间为40/15s。
S1103、基于末帧图像确定造影剂从近端流到远端的像素距离。
在本申请实施例中,根据末帧图像中识别出来的血管,计算血管中心线。从而计算出血管中心线的曲线距离,该曲线距离即为造影剂从近端流到远端的像素距离。
应理解,根据步骤S1103计算得到的仅为造影图像上的像素距离,因此,还需要根据造影图像的像素距离计算出造影剂从近端流到远端的真实距离。
S1104、根据OCT回拉过程中的起点和终点确定造影图像的分辨率。
为了根据造影图像的分辨率确定造影剂从近端到远端的真实距离,首先,需要确定出造影图像分的分辨率。
在本申请实施例中,由于OCT回拉的真实回拉长度是确定的,因此可以根据回拉路径的像素距离和真实回拉长度,可确定出造影图像的分辨率。
需要说明的是,一般情况下,OCT的真实回拉长度一般为固定值60mm。
下面对回拉路径的像素距离的计算方式做具体介绍。
根据上述步骤S1101中获取到的造影图像,其中,一部分造影图像为OCT回拉过程中采集到的,首先,利用多任务语义分割模型,实现血管的识别。该多任务语义分割模型的训练和使用过程参考步骤S1101,在此,不做赘述。然后,再利用血管中的OCT导管上的金属探头的移动距离确定回拉路径的像素距离。
可选的,作为一种可能的实现方式,通过多尺度目标检测模型,从而识别在OCT回拉过程中的造影图像中的OCT金属探头的位置,根据该位置的偏移距离进一步确定出回拉路径的像素距离。当然,还可以利用其他方式得到OCT金属探头的位置,从而计算像素距离,对此,本申请实施例不做限定。
具体地,在训练多尺度目标检测模型时,首先对OCT回拉过程中采集到的造影图像中的OCT金属探头位置进行人工标记,即Marker位置,将标记好的造影图像作为样本图像,基于多尺度目标检测模型提取OCT金属探头的成像特点,从而输出图像中的OCT金属探头的位置。
然后,在使用多尺度目标检测模型时,将采集到的造影图像输入至多目标检测模型中,即可以每张造影图像中的Marker位置。
但是,由于Marker点本身的尺寸较小,约5*5的像素大小的区域块,因此难以准确识别Marker的位置,并且,造影图像中可能会因为类似于Marker的点,从而导致较多的误报点,因此更难以准确识别Marker的位置。
应理解,真实的Marker是从血管远端一直运动到血管近端的,而其他的误报点都是随心脏进行周期性运动的,运动幅度较小。
因此,在本申请实施例中,对于首帧图像中,将利用多尺度模型识别得到的所有Marker点的坐标进行方差计算,方差最大的点,即为运动幅度最大的点,即为真实的Marker点。
根据确定出来的首帧图像中的Marker点的位置利用模板匹配算法,可以检测到下一张造影图像中,和首帧造影图像中Marker区域相似度较高的区域,即实现下一张造影图像中的Marker识别,从而实现所有造影图像中的Marker识别。
具体地,可以使用首帧图像中的Marker点的像素值的大小和下一张造影图像中的Marker点的像素值的差值较小的点。
提取OCT回拉过程中的首帧造影图像中的血管骨架;利用迭代最邻近算法实现两帧图像中血管骨架的配准,从而根据回拉首帧图像和回拉末帧图像的平移和旋转矩阵,将回拉首帧图像中的Marker投影到回拉末帧投影上,即在回拉末帧图像上可以得到OCT回拉的起点和终点,最后提取OCT回拉起点到终点之间的血管中心线,即为回拉路径。
应理解,该回拉路径为从OCT回拉的起点到终点的像素距离。
进一步的,根据确定的像素距离和真实的回拉长度,可以计算得到造影图像的分辨率。
具体地,当像素距离用L表示,OCT真实的回拉长度用S表示时,造影图像的分辨率可以用S/L表示。
S1105、根据造影图像的分辨率计算造影剂从近端到远端的真实距离。
在本申请实施例中,根据上述步骤S1103中确定出的造影剂从近端到远端的像素距离和上述步骤S1104中确定出的造影图像的分辨率,可以确定出造影剂从近端流到远端的真实距离。
具体地,造影剂从近端到远端的像素距离和造影图像的分辨率的乘积表示造影剂从近端到远端的真实距离。
S1106、根据造影剂从近端到远端的真实距离和造影剂从近端到远端的时间缺确定造影剂流速。
在本申请实施例中,造影剂从近端到远端的真实距离与造影剂从近端到远端的时间即为造影剂的流速。
具体地,可以根据造影剂从近端到远端的真实距离与造影剂从近端到远端的时间的比值确定造影剂的流速。
S1107、根据造影剂流速确定最大充血流速。
应理解,通过注射造影剂可以暂时性排空血管里面的血液,因此,可以基于造影剂流速确定最大充血流速。
应理解,在本申请实施例中最大充血流速也叫血流速度。
在本申请实施例中,根据造影剂流速结合以下方程可以确定出血流速度:
HFV=a0+a1×CFV+a2×CFV2 (5)
其中:CFV表示造影剂流速;HFV表示最大充血流速;a0、a1、a2分别为常数。在本申请实施例中,a0=0.10,a1=-0.93,a2=-0.93。
根据以上步骤S1101至S1107可以较为精确的计算出FFR公式中的参数:血流速度。
S120、基于OCT图像,利用语义分割模型确定血管的管腔面积;
下面具体介绍如何确定FFR公式中的参数:管腔面积。其中,管腔面积包括管腔狭窄处面积和管腔无狭窄面积。
作为一种可能的实现方式,在本申请实施例中利用Mask-Rcnn模型实现OCT管腔的自动分割。当然,还可以采用其他的语义分割模型实现对OCT管腔的自动分割,在此,本申请实施例不做限定。
具体地,当在注射造影剂时,造影剂从血管近端流到Marker位置时,OCT导管回拉,此时采集OCT图像。将采集到的OCT图像进行人工标记管腔位置。
在训练Mask-Rcnn模型时,通过采用大量的人工标记好的管腔位置的OCT图像作为样本图像,利用Mask-Rcnn模型对OCT管腔的特征提取,从而实现OCT管腔的自动分割。
将OCT图输入至训练好的Mask-Rcnn模型,输出具有标记的OCT管腔的位置,即可以实现OCT管腔的自动识别。
进一步的,利用识别出来的管腔轮廓包含的像素个数和像素分辨率计算管腔面积。
应理解,在多帧图像中可以得到多个管腔面积,多个管腔面积中的最小管腔面积即为管腔狭窄处面积。
还应理解,管腔无狭窄面积也叫参考帧面积,是指在最小管腔面积前后各10mm(50帧)的造影图像中的识别出的管腔面积的最大值,该最大的管腔面积即为管腔无狭窄面积。
例如,当管腔面积最小的为第50帧造影图像时,确定在第50帧之前的50帧和之后的50帧造影图像中的管腔面积,将管腔面积最大的值作为管腔无狭窄面积。
基于上述实现方式,利用Mask-Rcnn模型可以准确计算出管腔狭窄处面积和管腔无狭窄面积。
S130、根据OCT导管上的传感器确定血管近端附近的压力值;
在本申请实施例中,通过在OCT导管中靠近血管近端的位置设置压力传感器,根据该压力传感器可以实时获取到血管近端附近的压力值,该种实现方式,替代了传统技术种将近端压力值设置为固定值从而导致计算FFR的精度降低。
S140、基于血液流速、管腔面积和近端压力值确定FFR。
基于上述步骤S110至S130确定出的血管内的血流速度、动脉血管无狭窄的管腔面积、动脉狭窄处的管腔面积和近端压力值,结合公式(1)、(2)、(3)、(4),可以准确计算出FFR。
本申请实施例提供的方法,通过利用造影图像可以确定出造影剂从血管近端和血管远端的时间和实际距离,以及利用造影图像中血管近端和血管远端的像素距离以及造影图像的分辨率可以确定出血管近端到血管远端的实际距离,根据该实际距离可以确定出血管的血流速度。再利用OCT图像结合语义分割模型可以精确计算出血管的管腔面积,并且利用OCT导管上的传感器实时获取到血管的近端压力值。结合OCT图像和造影图像,确定血流速度、管腔面积和近端压力值,从而计算得到准确的FFR值。
本申请实施例还提供了一种装置,该装置具有实现上述实施例中任一方法中的功能。该功能可以通过硬件实现,也可以通过硬件执行相应的软件实现。硬件或软件包括至少一个与上述功能相对应的模块或单元。例如,检测模块或单元、显示模块或单元、确定模块或单元、以及计算模块或单元等。
本申请实施例还提供了一种计算机可读存储介质,用于存储计算机程序代码,该计算机程序包括用于执行上述本申请实施例提供的基于OCT图像和造影图像确定FFR的方法的指令。该可读介质可以是只读存储器(read-only memory,ROM)或随机存取存储器(random access memory,RAM),本申请实施例对此不做限制。
本申请还提供了一种计算机程序产品,该计算机程序产品包括指令,当该指令被执行时,以使得终端以及服务器执行对应于上述方法中的对应的操作。
本申请实施例还提供了一种位于通信装置中的芯片,该芯片包括:处理单元和通信单元,该处理单元,例如可以是处理器,该通信单元例如可以是输入/输出接口、管脚或电路等。该处理单元可执行计算机指令,以使所述通信装置执行上述本申请实施例提供的任一种基于OCT图像和造影图像确定FFR的方法。
可选地,该计算机指令被存储在存储单元中。
可选地,该存储单元为该芯片内的存储单元,如寄存器、缓存等,该存储单元还可以是该终端内的位于该芯片外部的存储单元,如ROM或可存储静态信息和指令的其他类型的静态存储设备,随机RAM等。其中,上述任一处提到的处理器,可以是一个CPU,微处理器,ASIC,或一个或多个用于控制上述的反馈信息的传输方法的程序执行的集成电路。该处理单元和该存储单元可以解耦,分别设置在不同的物理设备上,通过有线或者无线的方式连接来实现该处理单元和该存储单元的各自的功能,以支持该系统芯片实现上述实施例中的各种功能。或者,该处理单元和该存储器也可以耦合在同一个设备上。
其中,本实施例提供的装置、计算机可读存储介质、计算机程序产品或芯片均用于执行上文所提供的对应的方法,因此,其所能达到的有益效果可参考上文所提供的对应的方法中的有益效果,此处不再赘述。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于OCT图像和造影图像确定FFR的方法,其特征在于,所述方法包括:
获取冠状动脉的造影图像和所述冠状动脉的OCT图像;
基于所述造影图像,确定造影剂从血管的第一端到所述血管的第二端的时间以及所述第一端到所述第二端的实际距离;
根据所述造影剂在所述造影图像中从所述第一端到所述第二端的时间以及所述第一端到所述第二端的实际距离,确定所述血管的血流速度;
基于所述OCT图像,确定所述血管的管腔面积;
基于所述血流速度、所述管腔面积和所述第一端附近的压力值确定FFR。
2.根据权利要求1所述的方法,所述基于所述造影图像,确定造影剂从血管的第一端到血管的第二端的时间以及所述第一端到所述第二端的实际距离,包括:
利用自动数帧法确定所述造影图像中造影剂在所述第一端和所述第二端的帧数;
基于所述帧数确定所述造影剂从所述第一端到所述第二端的时间;
根据所述造影图像的像素分辨率和所述造影剂从所述第一端流到所述第二端的像素距离,确定所述造影剂从所述第一端到所述第二端的实际距离。
3.根据权利要求2所述的方法,其特征在于,所述基于所述帧数确定所述造影剂从所述第一端到所述第二端的时间,包括:
基于多语义识别模型识别所述造影图像中的血管和导丝;
根据所述造影图像中的血管和导丝,确定所述造影剂从所述第一端到所述第二端的帧数;
根据所述帧数和预设的帧率,确定所述造影剂从血管第一端到血管第二端的时间。
4.根据权利要求2所述的方法,其特征在于,所述方法还包括:
根据所述OCT导管回拉的像素距离和OCT导管回拉的实际距离,确定所述造影图像的像素分辨率。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
将所述OCT导管回拉时的首帧造影图像上的标记点,投影到所述OCT导管回拉末帧造影图像上;
根据所述末帧造影图像上投影的标记点和所述末帧造影图像上原有的标记点,确定所述OCT导管回拉的像素距离。
6.根据权利要求5所述的方法,其特征在于,所述将所述OCT导管回拉时的首帧造影图像上的标记点,投影到所述OCT导管回拉时的末帧造影图像上,包括:
利用目标检测模型,确定所述OCT导管回拉时的首帧造影图像上的标记点和OCT导管回拉时的末帧造影图像上的标记点;
利用全局血管骨架算法和迭代最近邻算法,将所述OCT导管回拉时的首帧造影图像上的标记点,投影到所述OCT导管回拉末帧造影图像上。
8.一种基于OCT图像和造影图像确定FFR的装置,其特征在于,所述装置包括:处理器,所述装置用于执行以下步骤:
获取冠状动脉的造影图像和所述冠状动脉的OCT图像;
基于所述造影图像,确定造影剂从血管的第一端到血管的第二端的时间以及所述第一端到所述第二端的实际距离;
根据所述造影剂从所述第一端到所述第二端的时间以及所述第一端到所述第二端的实际距离,确定所述血管的血流速度;
基于所述OCT图像,确定所述血管的管腔面积;
基于所述血流速度、管腔面积和所述第一端附近的压力值确定FFR。
9.根据权利要求8所述的装置,所述装置还用于执行以下步骤:
利用自动数帧法确定所述造影图像中造影剂在所述第一端和所述第二端的帧数;
基于所述帧数确定所述造影剂从所述第一端到所述第二端的时间;
根据所述造影图像的像素分辨率和所述造影剂从所述第一端流到所述第二端的像素距离,确定所述造影剂从所述第一端到所述第二端的实际距离。
10.根据权利要求9所述的装置,所述装置还用于执行以下步骤:
基于多语义识别模型识别所述造影图像中的血管和导丝;
根据所述造影图像中的血管和导丝,确定所述造影剂从所述第一端到所述第二端的帧数;
根据所述帧数和预设的帧率,确定所述造影剂从血管第一端到血管第二端的时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111051941.4A CN113876304A (zh) | 2021-09-08 | 2021-09-08 | 一种基于oct图像和造影图像确定ffr的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111051941.4A CN113876304A (zh) | 2021-09-08 | 2021-09-08 | 一种基于oct图像和造影图像确定ffr的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113876304A true CN113876304A (zh) | 2022-01-04 |
Family
ID=79008803
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111051941.4A Pending CN113876304A (zh) | 2021-09-08 | 2021-09-08 | 一种基于oct图像和造影图像确定ffr的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113876304A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117333529A (zh) * | 2023-11-30 | 2024-01-02 | 之江实验室 | 一种基于模板匹配的血管超声内膜自动化测量方法及系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103932694A (zh) * | 2014-05-07 | 2014-07-23 | 霍云龙 | 精确诊断心肌血流储备分数(ffr)的方法和设备 |
JP2015097759A (ja) * | 2013-11-20 | 2015-05-28 | 株式会社東芝 | 血管解析装置、および血管解析方法 |
US20150245776A1 (en) * | 2012-11-19 | 2015-09-03 | Kabushiki Kaisha Toshiba | Blood vessel analysis apparatus, medical image diagnosis apparatus, and blood vessel analysis method |
CN105190630A (zh) * | 2013-01-15 | 2015-12-23 | 凯瑟沃克斯有限公司 | 计算血流储备分数 |
CN107730540A (zh) * | 2017-10-09 | 2018-02-23 | 全景恒升(北京)科学技术有限公司 | 基于高精度匹配模型的冠脉参数的计算方法 |
CN108038848A (zh) * | 2017-12-07 | 2018-05-15 | 上海交通大学 | 基于医学影像序列斑块稳定性指标的快速计算方法及系统 |
US20180344173A1 (en) * | 2015-12-08 | 2018-12-06 | Pulse Medical Imaging Technology (Shanghai) Co., Ltd. | Method and system for calculating blood vessel pressure difference and fractional flow reserve |
CN110120031A (zh) * | 2019-04-02 | 2019-08-13 | 四川锦江电子科技有限公司 | 一种得到血管血流储备分数的方法和装置 |
US20210077037A1 (en) * | 2019-09-17 | 2021-03-18 | Canon U.S.A., Inc. | Constructing or reconstructing 3d structure(s) |
CN112580590A (zh) * | 2020-12-29 | 2021-03-30 | 杭州电子科技大学 | 一种基于多语义特征融合网络的指静脉识别方法 |
US20210259559A1 (en) * | 2018-06-20 | 2021-08-26 | Pulse Medical Imaging Technology (Shanghai) Co., Ltd. | Method and device for obtaining vascular pressure difference |
-
2021
- 2021-09-08 CN CN202111051941.4A patent/CN113876304A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150245776A1 (en) * | 2012-11-19 | 2015-09-03 | Kabushiki Kaisha Toshiba | Blood vessel analysis apparatus, medical image diagnosis apparatus, and blood vessel analysis method |
CN107582041A (zh) * | 2012-11-19 | 2018-01-16 | 株式会社东芝 | 管状构造解析装置及管状构造解析方法 |
CN105190630A (zh) * | 2013-01-15 | 2015-12-23 | 凯瑟沃克斯有限公司 | 计算血流储备分数 |
JP2015097759A (ja) * | 2013-11-20 | 2015-05-28 | 株式会社東芝 | 血管解析装置、および血管解析方法 |
CN103932694A (zh) * | 2014-05-07 | 2014-07-23 | 霍云龙 | 精确诊断心肌血流储备分数(ffr)的方法和设备 |
US20180344173A1 (en) * | 2015-12-08 | 2018-12-06 | Pulse Medical Imaging Technology (Shanghai) Co., Ltd. | Method and system for calculating blood vessel pressure difference and fractional flow reserve |
CN107730540A (zh) * | 2017-10-09 | 2018-02-23 | 全景恒升(北京)科学技术有限公司 | 基于高精度匹配模型的冠脉参数的计算方法 |
CN108038848A (zh) * | 2017-12-07 | 2018-05-15 | 上海交通大学 | 基于医学影像序列斑块稳定性指标的快速计算方法及系统 |
US20210259559A1 (en) * | 2018-06-20 | 2021-08-26 | Pulse Medical Imaging Technology (Shanghai) Co., Ltd. | Method and device for obtaining vascular pressure difference |
CN110120031A (zh) * | 2019-04-02 | 2019-08-13 | 四川锦江电子科技有限公司 | 一种得到血管血流储备分数的方法和装置 |
US20210077037A1 (en) * | 2019-09-17 | 2021-03-18 | Canon U.S.A., Inc. | Constructing or reconstructing 3d structure(s) |
CN112580590A (zh) * | 2020-12-29 | 2021-03-30 | 杭州电子科技大学 | 一种基于多语义特征融合网络的指静脉识别方法 |
Non-Patent Citations (2)
Title |
---|
K. LANCE GOULD等: "Experimental Validation of Quantitative Coronary Arteriography for Determining Pressure-Flow Characteristics of Coronary Stenosis", CIRCULATION, vol. 66, no. 5, pages 3 * |
朱亚楠: "基于IVOCT 与DSA 融合冠脉三维重建及血流储备分数测量研究", 中国优秀硕士学位论文全文数据库 医药卫生科技辑, no. 02, pages 062 - 80 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117333529A (zh) * | 2023-11-30 | 2024-01-02 | 之江实验室 | 一种基于模板匹配的血管超声内膜自动化测量方法及系统 |
CN117333529B (zh) * | 2023-11-30 | 2024-03-15 | 之江实验室 | 一种基于模板匹配的血管超声内膜自动化测量方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11728037B2 (en) | Diagnostically useful results in real time | |
US20210338186A1 (en) | Determining a characteristic of a lumen by measuring velocity of a contrast agent | |
US11406337B2 (en) | Calculating a fractional flow reserve | |
US10395774B2 (en) | Vascular flow assessment | |
US10470730B2 (en) | Creating a vascular tree model | |
JP6134789B2 (ja) | 管腔器官における流れに関連する画像処理 | |
JP6388632B2 (ja) | プロセッサ装置の作動方法 | |
EP3456243A1 (en) | Improved vessel geometry and additional boundary conditions for hemodynamic ffr/ifr simulations from intravascular imaging | |
CN113876304A (zh) | 一种基于oct图像和造影图像确定ffr的方法及装置 | |
CN114664455A (zh) | 一种冠状动脉血流储备分数计算方法及装置 | |
JP2018192287A (ja) | プロセッサ装置の作動方法 |
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 |