CN115272447A - 基于多模态影像的血流储备分数计算方法、装置及设备 - Google Patents
基于多模态影像的血流储备分数计算方法、装置及设备 Download PDFInfo
- Publication number
- CN115272447A CN115272447A CN202211194615.3A CN202211194615A CN115272447A CN 115272447 A CN115272447 A CN 115272447A CN 202211194615 A CN202211194615 A CN 202211194615A CN 115272447 A CN115272447 A CN 115272447A
- Authority
- CN
- China
- Prior art keywords
- blood vessel
- section
- target
- imaging
- calculating
- 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
Images
Classifications
-
- 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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/10101—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
- G06T2207/30104—Vascular flow; Blood flow; Perfusion
Abstract
本申请提供一种基于多模态影像的血流储备分数计算方法、装置及设备,涉及医学数据处理技术领域。该基于多模态影像的血流储备分数计算方法包括:首先获取目标血管的多种模态成像的影像序列以及目标血管的血流流量;根据OCT成像的影像序列和IVUS成像的影像序列,计算多个血管截面的特征数据;再根据多个血管截面的特征数据,计算多个血管截面中预设远端血管截面的血压值;最后根据目标血管的近端血压值和预设远端血管截面的血压值,计算目标血管中预设远端血管截面对应位置处的血流储备分数。基于多模态OCT成像和IVUS成像得到的影像序列凭借其集成的高分辨率优势和深穿透优势能够更加准确地计算FFR,避免有创测量,节省病人花费。
Description
技术领域
本发明涉及医学数据处理技术领域,具体而言,涉及一种基于多模态影像的血流储备分数计算方法、装置及设备。
背景技术
血流储备分数(Fractional Flow Reserve,FFR)能够定量评价病变血管的缺血程度和功能特性,是一种诊断狭窄血管缺血程度的重要手段。
目前,对FFR的测量主要是通过压力介入导丝或微导管在最大充血状态下测量病变狭窄远端压力和近端动脉压的比值。
但是,压力导丝属于侵入式测量,这种测量方式花费高、耗费时间长且对微小血管的测量误差较大;而最大充血状态通常需要血管扩张类药物辅助,对人体有一定程度的损伤。
发明内容
本发明的目的在于,针对上述现有技术中的不足,提供一种基于多模态影像的血流储备分数计算方法、装置及设备,以便实现对血流储备分数的非侵入式精准测量。
为实现上述目的,本申请实施例采用的技术方案如下:
第一方面,本申请实施例提供了一种基于多模态影像的血流储备分数计算方法,包括:
获取目标血管的多种模态成像的影像序列,其中,每种模态成像的影像序列包括:所述目标血管在多个血管截面的影像,所述多种模态成像至少包括光学相干断层扫描OCT成像和血管内超声IVUS成像,所述OCT成像的影像序列和所述IVUS成像的影像序列中包括:所述目标血管中至少两个相同血管截面的影像;
获取所述目标血管的血流流量;
根据所述OCT成像的影像序列和所述IVUS成像的影像序列,计算所述多个血管截面的特征数据,每个血管截面的特征数据至少包括:所述每个血管截面的血管外弹力膜掩码和动脉粥样硬化斑块数据;
根据所述多个血管截面的特征数据,计算所述多个血管截面中预设远端血管截面的血压值;
根据所述目标血管的近端血压值和所述预设远端血管截面的血压值,计算所述目标血管中所述预设远端血管截面对应位置处的血流储备分数。
可选的,所述获取所述目标血管的血流流量,包括:
根据所述OCT成像的影像序列,测量所述目标血管中所述多个血管截面的管腔面积;
根据所述IVUS成像的影像序列,测量所述目标血管中所述多个血管截面的血管外弹力膜面积;
根据所述多个血管截面中近端血管截面的管腔面积和血管外弹力膜面积,计算所述目标血管的血管异变系数;
根据所述近端血管截面的管腔面积以及所述血管异变系数,计算所述目标血管的血流流量。
可选的,所述多种模态成像的影像序列还包括:冠脉造影成像的影像序列;所述获取所述目标血管的血流流量,包括:
根据所述冠脉造影成像的影像序列中造影液从一个位置传输到另一个位置的渡越时间,或通过造影图像计帧法,计算所述目标血管的血流流量。
可选的,所述每个血管截面的特征数据还包括:所述每个血管截面的管腔掩码,所述根据所述多个血管截面的特征数据,计算所述多个血管截面中预设远端血管截面的血压值,包括:
根据所述每个血管截面的管腔掩码、血管外弹力膜掩码和动脉粥样硬化斑块数据,计算所述每个血管截面的压降值;
根据所述目标血管中近端血管截面和所述预设远端血管截面之间各血管截面的压降值,以及所述目标血管的近端血压值,计算所述预设远端血管截面的血压值。
可选的,所述每个血管截面的特征数据还包括:所述每个血管截面的管腔面积,所述根据所述每个血管截面的管腔掩码、血管外弹力膜掩码和动脉粥样硬化斑块数据,计算所述每个血管截面的压降值之前,所述方法还包括:
从所述多个血管截面的管腔面积中确定极值面积对应的目标血管截面;
根据所述目标血管截面,对所述目标血管进行分割,得到多个血管段;
根据所述OCT成像的影像序列,对所述目标血管进行分支测量,得到所述目标血管的分支测量结果,所述分支测量结果包括:所述目标血管中的分支位置和大小,以及所述分支位置处的分支掩码;
所述根据所述每个血管截面的管腔掩码、血管外弹力膜掩码和动脉粥样硬化斑块数据,计算所述每个血管截面的压降值,包括:
确定所述分支位置和所述每个血管截面所在的血管段之间的位置关系;
根据所述每个血管截面的管腔掩码、血管外弹力膜掩码和动脉粥样硬化斑块数据,采用所述位置关系对应的沿程压降模型,计算所述每个血管截面的压降值。
可选的,所述根据所述每个血管截面的管腔掩码、血管外弹力膜掩码和动脉粥样硬化斑块数据,采用所述位置关系对应的沿程压降模型,计算所述每个血管截面的压降值,包括:
若所述位置关系指示:所述分支位置不在所述每个血管截面所在的血管段中,则根据所述每个血管截面的管腔掩码、血管外弹力膜掩码和动脉粥样硬化斑块数据,采用第一沿程压降模型,计算所述血管段中所述每个血管截面的压降值。
可选的,所述根据所述每个血管截面的管腔掩码、血管外弹力膜掩码和动脉粥样硬化斑块数据,采用所述位置关系对应的沿程压降模型,计算所述每个血管截面的压降值,包括:
若所述位置关系指示:所述分支位置在所述每个血管截面所在的血管段中,则根据所述分支掩码、所述每个血管截面的管腔掩码、血管外弹力膜掩码和动脉粥样硬化斑块数据,采用第二沿程压降模型,计算所述血管段中所述每个血管截面的压降值。
第二方面,本申请实施例还提供了一种基于多模态影像的血流储备分数计算装置,包括:
影像获取模块,用于获取目标血管的多种模态成像的影像序列,其中,每种模态成像的影像序列包括:所述目标血管在多个血管截面的影像,所述多种模态成像至少包括光学相干断层扫描OCT成像和血管内超声IVUS成像,所述OCT成像的影像序列和所述IVUS成像的影像序列中包括:所述目标血管中至少两个相同血管截面的影像;
流量获取模块,用于获取所述目标血管的血流流量;
特征数据计算模块,用于根据所述OCT成像的影像序列和所述IVUS成像的影像序列,计算所述多个血管截面的特征数据,每个血管截面的特征数据至少包括:所述每个血管截面的血管外弹力膜掩码和动脉粥样硬化斑块数据;
血压计算模块,用于根据所述多个血管截面的特征数据,计算所述多个血管截面中预设远端血管截面的血压值;
血流储备分数计算模块,用于根据所述目标血管的近端血压值和所述预设远端血管截面的血压值,计算所述目标血管中所述预设远端血管截面对应位置处的血流储备分数。
第三方面,本申请实施例还提供了一种电子设备,包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的程序指令,当电子设备运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述程序指令,以执行时执行如第一方面任一所述的基于多模态影像的血流储备分数计算方法的步骤。
第四方面,本申请实施例还提供了一种计算机可读存储介质,所述存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如第一方面任一所述的基于多模态影像的血流储备分数计算方法的步骤。
本申请的有益效果是:本申请实施例提供一种基于多模态影像的血流储备分数计算方法,首先获取目标血管的多种模态成像的影像序列以及目标血管的血流流量;根据OCT成像的影像序列和IVUS成像的影像序列,计算多个血管截面的特征数据;再根据多个血管截面的特征数据,计算多个血管截面中预设远端血管截面的血压值;最后根据目标血管的近端血压值和预设远端血管截面的血压值,计算目标血管中预设远端血管截面对应位置处的血流储备分数。基于多模态OCT成像和IVUS成像,提供了目前计算FFR所缺乏的完备血管形态结构信息。作为血管内成像技术,OCT所提供的高分辨成像和IVUS所提供的深穿透成像可以获取血管内三维高精度图像,对血管大小的测量更为精准,反映的血管特征和形态细节更为丰富,能够分析动脉粥样化斑块(还可以解析动脉粥样化斑块的斑块类型),精准识别内膜和外膜边界等。在计算FFR时,通过引入血管截面的特征数据,充分考虑了目标血管的血管影像和功能信息,考虑到了血管形态、动脉粥样化斑块、血管外弹力膜、血流流量等对FFR的影响。因此,基于多模态OCT成像和IVUS成像得到的影像序列凭借其集成的高分辨率优势和深穿透优势能够更加准确地计算FFR,避免压力导丝有创测量,节省病人花费,若应用于介入手术中,可以显著缩短手术时间,使医生和病人获益。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请一实施例提供的一种基于多模态影像的血流储备分数计算方法的流程图;
图2为本申请又一实施例提供的一种基于多模态影像的血流储备分数计算方法的流程图;
图3为本申请另一实施例提供的一种基于多模态影像的血流储备分数计算方法的流程图;
图4为本申请再一实施例提供的一种基于多模态影像的血流储备分数计算方法的流程图;
图5为本申请再一实施例提供的一种恒定流速分流模型的示意图;
图6为本申请再一实施例提供的另一种恒定流速分流模型的示意图;
图7为本申请一实施例提供的一种基于多模态影像的血流储备分数计算装置的示意图;
图8为本申请实施例提供的一种电子设备的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。
在本申请中,除非另有明确的规定和限定,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包含至少一个特征。在本发明中的描述中,“多个”的含义是至少两个,例如两个、三个,除非另有明确具体的限定。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,并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
心肌血流灌注不足是引发冠心病的重要原因。血流储备分数(Fractional FlowReserve,FFR)是病变血管能提供的最大血流和该血管完全正常时能提供的最大血流的比值,可以测量病变血管的缺血程度和功能特性,是诊断狭窄血管缺血程度的最重要的介入诊断手段之一。FFR的常用测量方法是通过压力介入导丝、微导管在最大充血状态下测量病变狭窄远端压力和近端动脉压的比值,或者通过血管影像数据计算FFR。
但是,目前的FFR计算方法存在以下问题:
首先,通过传统压力导丝、微导管等测量FFR的方式有一些局限性:第一,压力导丝属于侵入式测量,且因为压力导丝为单次使用,增加了病人的额外花费,延长了介入手术时间;第二,压力导丝对于堵塞较严重,管腔较小的血管,测量误差较大;第三,最大充血条件的获取一般是通过静脉或动脉向病人体内注射血管扩张类药物如腺苷等。而血管扩张类药物对于人体有一定程度损伤,不适用于一些病人群体(如肝肾功能不全、药物过敏等),且显著增加了测量时间和复杂度;第四,这样计算的FFR仅能够提供病变血管功能信息,无法提供血管形态和结构信息(例如易损斑块的分布以及血管狭窄程度等),然而血管形态结构异常也是造成冠心病的重要特征。
其次,使用血管影像数据计算FFR时,只基于单一模态影像(例如CT或者冠脉造影等)信息计算,具有显著的局限性。例如,CT分辨率为0.2-0.5mm,对于血管管径测量不够准确,而血管沿程压降与管径的四次方成正比,因此理论上由CT计算得到的FFR误差较大。再例如,冠脉造影作为二维投影式成像,只能够假设血管是圆形或者椭圆形状,而实际情况并非如此,特别对于有病变或狭窄的血管;且冠脉造影分辨率也有限(毫米级别),通常需要采集两个角度造影以重建三维血管形态,在实际临床FFR计算过程中也会因分辨率不足和三维重建不准确引入显著计算误差。除此之外,另外需要指出的是,CT和冠脉造影属于血管外成像,其成像效果具有明显的局限性,特别是在对血管三维形态描绘、血管图像分辨率、血管描述细节等方面。
除此之外,目前计算FFR时,更多考虑的是血管的管腔形态,而没有考虑到斑块负荷以及动脉粥样化斑块位置和类型对于计算FFR的影响。根据目前的研究进展,斑块负荷以及动脉粥样化斑块位置和类型都可能对计算FFR造成影响。
针对上述问题,本申请实施例提供了多种可能的实现方式,以实现对血流储备分数的非侵入式精准测量。如下结合附图通过多个示例进行解释说明。图1为本申请一实施例提供的一种基于多模态影像的血流储备分数计算方法的流程图,该方法可由运行有上述基于多模态影像的血流储备分数计算方法的电子设备实现,该电子设备例如可以为终端设备,也可以为服务器。如图1所示,该方法包括:
步骤101:获取目标血管的多种模态成像的影像序列,其中,每种模态成像的影像序列包括:目标血管在多个血管截面的影像,多种模态成像至少包括光学相干断层扫描OCT成像和血管内超声IVUS成像,OCT成像的影像序列和IVUS成像的影像序列中包括:目标血管中至少两个相同血管截面的影像。
需要说明的是,血管内超声(IntraVascular UltraSound,IVUS)成像利用安装在血管内成像导管顶端的微型超声探头,实时显示血管的截面图像,血管内超声成像的图像能够清晰显示血管管壁结构的厚度、管腔大小和形状等。在本申请中,通过对目标血管进行IVUS成像,得到IVUS成像的影像序列,该影像序列中包括目标血管中至少两个血管截面的影像。
光学相干断层扫描(Optical Coherence Tomography,OCT)成像通过光学干涉原理成像,实现对生物组织高分辨率的非侵入层析测量,可以精确地测量血管腔径及截面积,辨认钙化、纤维化和脂质池等病变。在本申请中,通过对目标血管进行OCT成像,得到OCT成像的影像序列,该影像序列中包括目标血管中至少两个与IVUS成像的影像序列相同血管截面的影像。
在一种可能的实现方式中,可以同时获取目标血管内的OCT成像的影像序列和IVUS成像的影像序列,通过硬件设计或者软件配准的方式将OCT成像的影像序列中每个影像和IVUS成像的影像序列中每个影像对准于目标血管中的同一血管截面。在另一种可能的实现方式中,也可以异步获取目标血管内的OCT成像的影像序列和IVUS成像的影像序列,在通过硬件或者软件方式进行影像序列的对准。本申请对此不做限定。
还需要说明的是,本申请对影像序列中包括的目标血管中相同血管截面的数量不做限定,例如当OCT成像相邻两帧图像的距离差与IVUS成像相邻两帧图像的距离差相同,且两者在目标血管中的起点位置一致时,OCT成像的影像序列中每个影像所对应的血管截面都能够在IVUS成像的影像序列找到对应的影像;再例如当OCT成像速度与IVUS成像速度不同时,可以根据成像位置确定OCT成像的影像序列和IVUS成像的影像序列中针对相同血管截面的影像。在本申请中,能够实现对相同血管截面的FFR的计算。
步骤102:获取目标血管的血流流量。
需要说明的是,本申请中的目标血管可以是生物体内的任意一段需要计算FFR的血管,本申请对其所在部位、血管类型等不做限定。获取目标血管的血流流量例如可以根据目标血管所在位置、个体年龄、性别等,根据经验值确定;也可以通过血流测量导管等技术进行精确测量,本申请对此不做限定,在具体实践中可以根据使用场景等进行选择。
还需要说明的是,步骤101和步骤102的可以是同步执行或者顺序执行的,其执行顺序也可以根据具体使用场景进行调整,本申请对步骤101和步骤102的具体执行顺序不做限定。
步骤103:根据OCT成像的影像序列和IVUS成像的影像序列,计算多个血管截面的特征数据,每个血管截面的特征数据至少包括:每个血管截面的血管外弹力膜掩码和动脉粥样硬化斑块数据。
根据OCT成像的影像序列和IVUS成像的影像序列,对上述目标血管中至少两个相同血管截面的影像进行处理,以得到血管截面的特征数据。其中,血管截面的特征数据表征的是血管截面的形态、结构信息等,本申请对特征数据的具体数据内容不做限定。
在一种可能的实现方式中,可以基于IVUS成像的影像序列测量目标血管中每个影像(每个血管截面)的血管外弹力膜面积。此外,可以基于OCT成像的影像序列,或者同时基于OCT成像的影像序列和IVUS成像的影像序列分割出目标血管中每个血管截面的动脉粥样硬化斑块数据。其中,动脉粥样硬化斑块数据是对血管中动脉粥样硬化斑块的表征,例如在动脉粥样硬化斑块数据中可以包括动脉粥样硬化斑块区域掩码、每个动脉粥样硬化斑块区域的斑块类型等,本申请对此不做限定。
步骤104:根据多个血管截面的特征数据,计算多个血管截面中预设远端血管截面的血压值。
根据上述血管截面的特征数据,对目标血管中预设远端血管截面的血压值进行计算,其中预设远端血管截面可以是目标血管中任意一个血管截面,本申请对此不做限定。
在一种可能的实现方式中,对预设远端血管截面的血压值计算时,可以直接计算该血管截面的血压值,也可以通过计算该血管截面的压降值,通过对多个血管截面的压降值累积后,间接计算该血管截面的血压值。上述仅为示例说明,在实际实现中,还可以有其他的预设远端血管截面的血压值计算方法,本申请对此不做限定。
步骤105:根据目标血管的近端血压值Pa和预设远端血管截面的血压值Pd,计算目标血管中预设远端血管截面对应位置处的血流储备分数FFR,其中:
FFR=Pd/Pa。
需要说明的是,目标血管的近端血压值可以通过压力测量装置测量得到:例如通过测量主动脉血压,将主动脉血压作为目标血管的近端血压值,再例如,通过测量目标血管的近端血压得到目标血管的近端血压值;也可以通过临床参数和经验模型估计得到,本申请对目标血管的近端血压值的具体获取方式不做限定。
综上,本申请实施例提供一种基于多模态影像的血流储备分数计算方法,首先获取目标血管的多种模态成像的影像序列以及目标血管的血流流量;根据OCT成像的影像序列和IVUS成像的影像序列,计算多个血管截面的特征数据;再根据多个血管截面的特征数据,计算多个血管截面中预设远端血管截面的血压值;最后根据目标血管的近端血压值和预设远端血管截面的血压值,计算目标血管中预设远端血管截面对应位置处的血流储备分数。基于多模态OCT成像和IVUS成像,提供了目前计算FFR所缺乏的较为完备的血管形态结构信息。作为血管内成像技术,OCT成像和IVUS成像可以获取血管三维高精度图像,对血管大小的测量更为精准,反映的血管形态、特征和细节更为丰富,能够分析动脉粥样化斑块(还可以解析动脉粥样化斑块的斑块类型),精准识别内膜和外膜边界等。在计算FFR时,通过引入血管截面的特征数据,充分考虑了目标血管的血管影像和功能信息,考虑到了血管形态、动脉粥样化斑块、血管外弹力膜、血流流量等对FFR的影响。因此,基于多模态OCT成像和IVUS成像得到的影像序列凭借其集成的高分辨率优势和深穿透优势能够更加准确地计算FFR,避免压力导丝有创测量,节省病人花费,若应用于介入手术中,可以显著缩短手术时间,使医生和病人获益。
需要说明的是,由于个体差异,不同个体的血管大小也有差异,单一血流流量的假定很难适用于所有个体,也不符合实际情况。这导致实际应用过程中,面对复杂病变时,将目标血管的血流流量简单假设为单一经验值的计算方法精度往往有限。
对此,本申请提供以下几种基于多模态影像的目标血管的血流流量计算方法,应当理解,以下提供的血流流量计算方法的基体方案并非旨在限制要求保护的本公开的范围,而是仅仅表示本公开的选定实施例。基于本公开的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本公开保护的范围。
可选的,在上述图1的基础上,本申请还提供一种基于多模态影像的血流储备分数计算方法的可能实现方式,图2为本申请又一实施例提供的一种基于多模态影像的血流储备分数计算方法的流程图;如图2所示,获取目标血管的血流流量,包括:
步骤201:根据OCT成像的影像序列,测量目标血管中多个血管截面的管腔面积;
首先根据OCT成像的影像序列,测量目标血管中多个血管截面的管腔面积,其中多个血管截面中近端血管截面的管腔面积为。近端血管截面指的是目标血管的多个血管截面中最接近预设近端参考端的截面,例如可以设置近端参考端为目标血管的近心端,本申请对此不做限定。
步骤202:根据IVUS成像的影像序列,测量目标血管中多个血管截面的血管外弹力膜面积。
在一种可能的实现方式中,可以使用预先训练的血流估计模型实现对目标血管的血管异变系数M的计算。例如血流估计模型可以为一种回归模型,其输入为多个血管截面中近端血管截面的管腔面积和外弹力膜面积;其输出为血管异变系数M,且M取值为区间。回归模型可以基于线性回归模型,或逻辑回归模型,或包含任意层卷积层、池化层、全连接层的深度学习回归模型,本申请对此不做限定。
步骤204:根据近端血管截面的管腔面积以及血管异变系数,计算目标血管的血流流量。
在一种可能的实现方式中,目标血管的血流流量Q可以通过如下方式计算:
其中V0为正常人的平均血流速度经验估计值。
通过上述方法,基于多模态影像数据实现了对目标血管的血流流量的精确计算,减少了目前FFR在计算中由于血流流量估计不准确带来的误差。
可选的,在上述图1的基础上,本申请还提供一种基于多模态影像的血流储备分数计算方法的可能实现方式,多种模态成像的影像序列还包括:冠脉造影成像的影像序列;获取目标血管的血流流量,包括:
根据冠脉造影成像的影像序列中造影液从一个位置传输到另一个位置的渡越时间,或通过造影图像计帧法,计算所述目标血管的血流流量。
需要说明的是,冠脉造影成像是通过向冠脉中注入造影剂以显示冠脉血流情况的成像方法,在本申请中,在获取OCT成像的影像序列和IVUS成像的影像序列时,可以同步或者异步获取包含同一目标血管的冠脉造影成像的影像序列。
在一种可能的实现方式中,向冠脉中注入造影剂之后,对目标血管进行造影成像,得到了多张冠脉造影成像的影像,根据其中任意两张出现造影液的影像中造影液移动距离以及两张影像的时间间隔,计算目标血管的血流流量。
在另一种可能的实现方式中,可以通过计帧法(例如TIMI计帧法)计算目标血管的血流流量,向冠脉中注入造影剂之后,以预设成像频率对目标血管进行造影成像,得到了多张冠脉造影成像的影像,通过冠脉造影成像的影像序列中的影像数量(冠脉造影成像的影像序列中包括从第一张拍摄到目标血管中出现造影液的图片,到造影液移动到目标血管另一端的所有影像),以及冠脉造影图像的采集速率,计算目标血管的血流流量。
上述仅为示例说明,在实际实现中,还可以有其他的计算方式,本申请对此不做限定。
可选的,在上述图1的基础上,本申请还提供一种基于多模态影像的血流储备分数计算方法的可能实现方式,图3为本申请另一实施例提供的一种基于多模态影像的血流储备分数计算方法的流程图;如图3所示,每个血管截面的特征数据还包括:每个血管截面的管腔掩码,根据多个血管截面的特征数据,计算多个血管截面中预设远端血管截面的血压值,包括:
步骤301:根据每个血管截面的管腔掩码、血管外弹力膜掩码和动脉粥样硬化斑块数据,计算每个血管截面的压降值;
在一种可能的实现方式中,可以基于OCT成像的影像序列分割出目标血管中每个血管截面的管腔掩码。基于IVUS成像的影像序列测量目标血管中每个血管截面的血管外弹力膜掩码。此外,可以基于OCT成像的影像序列,或者同时基于OCT成像的影像序列和IVUS成像的影像序列分割出目标血管中所有的动脉粥样硬化斑块区域掩码,…并确定各动脉粥样硬化斑块区域的斑块类型,…,其中,表示目标血管中所有动脉粥样化斑块的数量。动脉粥样硬化斑块数据包括动脉粥样硬化斑块区域掩码和各动脉粥样硬化斑块区域的斑块类型。
在一种具体的实现方式中,可以基于卷积神经网络,或基于Transformer模型,或同时基于卷积神经网络和Transformer模型的深度学习算法实现目标血管中所有的动脉粥样硬化斑块区域检测并获取动脉粥样硬化斑块数据。上述仅为示例说明,在实际实现中,还可以有其他的检测方式本申请对此不做限定。
根据上述获得的每个血管截面的管腔掩码、血管外弹力膜掩码和动脉粥样硬化斑块数据,计算每个血管截面的压降值。其具体计算方法可以参考下述实施例,本申请在此不再赘述。
步骤302:根据目标血管中近端血管截面和预设远端血管截面之间各血管截面的压降值,以及目标血管的近端血压值,计算预设远端血管截面的血压值。
通过步骤302,得到了目标血管中各个血管截面的压降值,在计算预设远端血管截面的血压值时,可以对目标血管中近端血管截面和预设远端血管截面之间各血管截面的压降值进行累积,再在目标血管的近端血压值的基础上减去累积的压降值,即可得到预设远端血管截面的血压值。
在一种具体的实现方式中,目标血管的近端血压值为Pa,通过步骤301得到的目标血管中各个血管截面的压降值为,其中为目标血管中的血管截面数量;计算预设远端血管截面x(1≤x≤)(即目标血管中以近端血管截面为起点的第x个血管截面)的血压值时,可以通过以下方式计算:
在另一种具体的实现方式中,为了进一步简化计算,并提高计算精度,可以对目标血管进行分段,在分段后对每段血管的压降值进行独立计算,如此,在计算预设远端血管截面的血压时,对目标血管中近端血管截面和预设远端血管截面之间各血管截面的压降值进行累积时,需要考虑分段。若目标血管的近端血压值为Pa,通过步骤301得到的目标血管中各个分段的各个血管截面的压降值为,其中,每个圆括号为一个分段,每个圆括号中的多个数字为该分段中多个血管截面的压降值,对此预设远端血管截面(即第i分段的第x个血管截面)的血压值可以通过如下方式计算:
上述仅为示例说明,在实际实现中,还可以有其他的计算方式,本申请对此不做限定。
可选的,在上述图3的基础上,本申请还提供一种基于多模态影像的血流储备分数计算方法的可能实现方式,图4为本申请再一实施例提供的一种基于多模态影像的血流储备分数计算方法的流程图;如图4所示,每个血管截面的特征数据还包括:每个血管截面的管腔面积,根据每个血管截面的管腔掩码、血管外弹力膜掩码和动脉粥样硬化斑块数据,计算每个血管截面的压降值之前,方法还包括:
步骤401:从多个血管截面的管腔面积中确定极值面积对应的目标血管截面。
步骤402:根据目标血管截面,对目标血管进行分割,得到多个血管段。
根据确定的目标血管截面所在的位置,将目标血管分割成多个血管段,…,其中k表示子血管段的数量,本申请对具体的血管段数量不做限定。对每个血管段,,,其包含OCT影像为,…,,以及对应IVUS影像为,…,,其中表示该子血管段包含的图像截面数量。
在一种具体的实现方式中,可以基于卷积神经网络,或基于Transformer模型,或同时基于卷积神经网络和Transformer模型的深度学习算法实现分支检测。上述仅为示例说明,在实际实现中,还可以有其他的检测方式本申请对此不做限定。
根据每个血管截面的管腔掩码、血管外弹力膜掩码和动脉粥样硬化斑块数据,计算每个血管截面的压降值,包括:
步骤404:确定分支位置和每个血管截面所在的血管段之间的位置关系。
根据分支位置和每个血管截面所在的血管段的位置关系,确定每个血管段中是否存在分支。
步骤405:根据每个血管截面的管腔掩码、血管外弹力膜掩码和动脉粥样硬化斑块数据,采用位置关系对应的沿程压降模型,计算每个血管截面的压降值。
根据步骤404中确定的每个血管段存在或者不存在分支,确定每个血管段对应的沿程压降模型,根据确定的血管段的沿程压降模型,以及该血管段中每个血管截面的管腔掩码、血管外弹力膜掩码和动脉粥样硬化斑块数据,计算每个血管截面的压降值。
由此,本申请充分考虑了分支位置对FFR计算的影响,进一步减小了FFR计算的误差。
可选的,在上述图4的基础上,本申请还提供一种基于多模态影像的血流储备分数计算方法的可能实现方式,根据每个血管截面的管腔掩码、血管外弹力膜掩码和动脉粥样硬化斑块数据,采用位置关系对应的沿程压降模型,计算每个血管截面的压降值,包括:
若位置关系指示:分支位置不在每个血管截面所在的血管段中,则根据每个血管截面的管腔掩码、血管外弹力膜掩码和动脉粥样硬化斑块数据,采用第一沿程压降模型,计算血管段中每个血管截面的压降值。
在一种可能的实现方式中,第一沿程压降模型为一种深度学习模型学习生成的一维解析模型,其模型训练数据部分或全部来源于基于流体力学的三维仿真数据。在一种可能的实现方法中,第一沿程压降模型的输入为每个血管截面的管腔掩码、血管外弹力膜掩码和动脉粥样硬化斑块数据,输出为一种一维解析模型(第一沿程压降模型)的关键参数,该一维解析模型可用如下公式表示:
可选的,在上述图4的基础上,本申请还提供一种基于多模态影像的血流储备分数计算方法的可能实现方式,根据每个血管截面的管腔掩码、血管外弹力膜掩码和动脉粥样硬化斑块数据,采用位置关系对应的沿程压降模型,计算每个血管截面的压降值,包括:
若位置关系指示:分支位置在每个血管截面所在的血管段中,则根据分支掩码、每个血管截面的管腔掩码、血管外弹力膜掩码和动脉粥样硬化斑块数据,采用第二沿程压降模型,计算血管段中每个血管截面的压降值。
在一种可能的实现方式中,第二沿程压降模型为一种深度学习模型,其模型训练数据部分或全部来源于基于流体力学的三维仿真数据。在一种可能的实现方法中,第二沿程压降模型的输入为每个血管截面的管腔掩码、血管外弹力膜掩码、动脉粥样硬化斑块数据和分支掩码,输出为该血管段中每个血管截面的压降值。
在一种具体的实现方式中,训练上述第一沿程压降模型、第二沿程压降模型时使用的基于流体力学(计算流体力学有限体积法)的三维仿真数据可以通过恒定流速分流模型取得,恒定流速分流模型的设定如下:
输入的边界条件为:血液参考粘度、血液参考密度、血流参考流量Q,以及分支处流量分流边界条件。其中血液参考粘度和密度选取为经验值或测量得出,血流流量可以由上述实施例得出,目标血管分支处分流的边界条件由一种恒定流速分流模型计算得到。由三维仿真方法得到目标血管的三维压力分布后,取其沿程管腔质心轨迹,得到一维沿程压降数据,可以作为训练一维解析模型的训练数据。
其中,上述恒定流速分流模型可以通过如下方式搭建,图5为本申请再一实施例提供的一种恒定流速分流模型的示意图,如图5所示:
选取目标血管段入口处作为第1参考点;选取第一分支开始位置处作为第2参考点,其相对入口的距离为L1,选取第一分支结束位置处作为第3参考点,其相对入口的距离为L2,第二分支开始处作为第4参考点,其相对入口的距离为L3;以此类推,则对于第i分支,其开始位置处为第2i参考点,结束位置处即为第2i+1参考点,相对入口的距离分别为L2i-1和L2i;
选取第1参考点到第2参考点的管腔为第1特征主干管腔,平均流量为Q1;选取第2参考点与第3参考点之间的分支为第1特征分支,平均流量为q1;选取第3参考点到第4参考点的管腔为第2特征主干管腔,平均流量为Q2,以此类推,则对于第i分支,其为第i特征分支,平均流量为qi,而选取分支结束位置(第2i+1参考点)到下一分支开始位置(第2i+2参考点)之间的管腔为第i+1特征主干管腔,平均流量为Qi+1;
对于正常的管腔,血液的流速是相对恒定的,即V=V0;对于第i分支,第i特征主干管腔的平均流量计算公式如下:
第i+1特征主干管腔的平均流量计算公式如下:
根据流量守恒,第i分支处分流流量计算公式即为:
特别的,若同一位置处有多个分支,则图6为本申请再一实施例提供的另一种恒定流速分流模型的示意图,如图6所示,按照一定规则将分支编号为第i特征分支、第i+1特征分支···第i+j特征分支;使用前后特征主干的平均流量差值利用下式计算出该位置处分流总流量:
进一步的,对于第i+x特征分支处,根据血管外弹力膜或管腔大小按照一定规则,计算其分流流量为:
其中α为分流面积系数,取值为1.0-3.0之间的一个常数;A取值为特征分支i+x处血管管腔主干面积大小或外弹力膜面积大小。
与现有基于经验公式的方法对比,本发明充分利用计算流体力学生成仿真数据,并通过AI方法训练一维解析模型,物理原理更为完备,且充分受益于大数据,提升FFR对于各种复杂病变的描述准确性,以及实际临床应用面对各种场景的鲁棒性;此外,本申请的第一沿程压降模型、第二沿程压降模型符合流体力学物理原理,训练模型所用的数据基于三维计算流体力学生成,更真实的反映了目标血管的形态和功能特性,可解释性、实用性和可推广性更强。
此外,在训练第一沿程压降模型、第二沿程压降模型时使用的三维仿真数据基于恒定流速分流模型生成,物理原理完备,由于流速恒定,计算较为简单,便于实际临床使用;同时,结合流体力学生成数据训练第二沿程压降模型,更好地考虑了目标血管沿程多个分支存在时对于沿程压降的影响。
可选的,在上述图1-图5基础上,本申请还提供一种基于多模态影像的血流储备分数计算方法的可能实现方式,该方法包括:
下述对用以执行本申请所提供的基于多模态影像的血流储备分数计算装置、电子设备及存储介质等进行说明,其具体的实现过程以及技术效果参见上述,下述不再赘述。
本申请实施例提供一种基于多模态影像的血流储备分数计算装置的可能实现示例,能够执行上述实施例提供的基于多模态影像的血流储备分数计算方法。图7为本申请一实施例提供的一种基于多模态影像的血流储备分数计算装置的示意图。如图7所示,上述基于多模态影像的血流储备分数计算装置100,包括:
影像获取模块71,用于获取目标血管的多种模态成像的影像序列,其中,每种模态成像的影像序列包括:目标血管在多个血管截面的影像,多种模态成像至少包括光学相干断层扫描OCT成像和血管内超声IVUS成像,OCT成像的影像序列和IVUS成像的影像序列中包括:目标血管中至少两个相同血管截面的影像;
流量获取模块73,用于获取目标血管的血流流量;
特征数据计算模块75,用于根据OCT成像的影像序列和IVUS成像的影像序列,计算多个血管截面的特征数据,每个血管截面的特征数据至少包括:每个血管截面的管腔掩码,分支位置和大小,血管外弹力膜掩码和动脉粥样硬化斑块数据;
血压计算模块77,用于根据多个血管截面的特征数据,计算多个血管截面中预设远端血管截面的血压值;
血流储备分数计算模块79,用于根据目标血管的近端血压值和预设远端血管截面的血压值,计算目标血管中预设远端血管截面对应位置处的血流储备分数。
可选的,流量获取模块73,用于根据OCT成像的影像序列,测量目标血管中多个血管截面的管腔面积;根据IVUS成像的影像序列,测量目标血管中多个血管截面的血管外弹力膜面积;根据多个血管截面中近端血管截面的管腔面积和血管外弹力膜面积,计算目标血管的血管异变系数;根据近端血管截面的管腔面积以及血管异变系数,计算目标血管的血流流量。
可选的,多种模态成像的影像序列还包括:冠脉造影成像的影像序列;流量获取模块73,用于根据冠脉造影成像的影像序列中的影像数量,以及冠脉造影图像的采集帧率,计算目标血管的血流流量。
可选的,每个血管截面的特征数据还包括:每个血管截面的管腔掩码,血压计算模块77,用于根据每个血管截面的管腔掩码、血管外弹力膜掩码和动脉粥样硬化斑块数据,计算每个血管截面的压降值;根据目标血管中近端血管截面和预设远端血管截面之间各血管截面的压降值,以及目标血管的近端血压值,计算预设远端血管截面的血压值。
可选的,每个血管截面的特征数据还包括:每个血管截面的管腔面积,分割模块,用于从多个血管截面的管腔面积中确定极值面积对应的目标血管截面;根据目标血管截面,对目标血管进行分割,得到多个血管段;
分支测量模块,用于根据OCT成像的影像序列,对目标血管进行分支测量,得到目标血管的分支测量结果,分支测量结果包括:目标血管中的分支位置和大小,以及分支位置处的分支掩码;
血压计算模块77,用于确定分支位置和每个血管截面所在的血管段之间的位置关系;根据每个血管截面的管腔掩码、血管外弹力膜掩码和动脉粥样硬化斑块数据,采用位置关系对应的沿程压降模型,计算每个血管截面的压降值。
可选的,血压计算模块77,用于若位置关系指示:分支位置不在每个血管截面所在的血管段中,则根据每个血管截面的管腔掩码、血管外弹力膜掩码和动脉粥样硬化斑块数据,采用第一沿程压降模型,计算血管段中每个血管截面的压降值。
可选的,血压计算模块77,用于若位置关系指示:分支位置在每个血管截面所在的血管段中,则根据分支掩码、每个血管截面的管腔掩码、血管外弹力膜掩码和动脉粥样硬化斑块数据,采用第二沿程压降模型,计算血管段中每个血管截面的压降值。
上述装置用于执行前述实施例提供的方法,其实现原理和技术效果类似,在此不再赘述。
以上这些模块可以是被配置成实施以上方法的一个或多个集成电路,例如:一个或多个特定集成电路(Application Specific Integrated Circuit,简称ASIC),或,一个或多个微处理器(digital singnal processor,简称DSP),或,一个或者多个现场可编程门阵列(Field Programmable Gate Array,简称FPGA)等。再如,当以上某个模块通过处理元件调度程序代码的形式实现时,该处理元件可以是通用处理器,例如中央处理器(CentralProcessing Unit,简称CPU)或其它可以调用程序代码的处理器。再如,这些模块可以集成在一起,以片上系统(system-on-a-chip,简称SOC)的形式实现。
本申请实施例提供一种电子设备的可能实现示例,能够执行上述实施例提供的基于多模态影像的血流储备分数计算方法。图8为本申请实施例提供的一种电子设备的示意图,该设备可以集成于终端设备或者终端设备的芯片,该终端可以是具备数据处理功能的计算设备。
该电子设备包括:处理器801、存储介质802和总线,存储介质存储有处理器可执行的程序指令,当控制设备运行时,处理器与存储介质之间通过总线通信,处理器执行程序指令,以执行时执行上述基于多模态影像的血流储备分数计算方法的步骤。具体实现方式和技术效果类似,这里不再赘述。
本申请实施例提供一种计算机可读存储介质的可能实现示例,能够执行上述实施例提供的基于多模态影像的血流储备分数计算方法,存储介质上存储有计算机程序,计算机程序被处理器运行时执行上述基于多模态影像的血流储备分数计算方法的步骤。
存储在一个存储介质中的计算机程序,可以包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(英文:processor)执行本发明各个实施例方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(英文:Read-Only Memory,简称:ROM)、随机存取存储器(英文:Random Access Memory,简称:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(英文:processor)执行本发明各个实施例方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(英文:Read-Only Memory,简称:ROM)、随机存取存储器(英文:Random Access Memory,简称:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于多模态影像的血流储备分数计算方法,其特征在于,包括:
获取目标血管的多种模态成像的影像序列,其中,每种模态成像的影像序列包括:所述目标血管在多个血管截面的影像,所述多种模态成像至少包括光学相干断层扫描OCT成像和血管内超声IVUS成像,所述OCT成像的影像序列和所述IVUS成像的影像序列中包括:所述目标血管中至少两个相同血管截面的影像;
获取所述目标血管的血流流量;
根据所述OCT成像的影像序列和所述IVUS成像的影像序列,计算所述多个血管截面的特征数据,每个血管截面的特征数据至少包括:所述每个血管截面血管外弹力膜掩码和动脉粥样硬化斑块数据;
根据所述多个血管截面的特征数据,计算所述多个血管截面中预设远端血管截面的血压值;
根据所述目标血管的近端血压值和所述预设远端血管截面的血压值,计算所述目标血管中所述预设远端血管截面对应位置处的血流储备分数。
2.如权利要求1所述的方法,其特征在于,所述获取所述目标血管的血流流量,包括:
根据所述OCT成像的影像序列,测量所述目标血管中所述多个血管截面的管腔面积;
根据所述IVUS成像的影像序列,测量所述目标血管中所述多个血管截面的血管外弹力膜面积;
根据所述多个血管截面中近端血管截面的管腔面积和血管外弹力膜面积,计算所述目标血管的血管异变系数;
根据所述近端血管截面的管腔面积以及所述血管异变系数,计算所述目标血管的血流流量。
3.如权利要求1所述的方法,其特征在于,所述多种模态成像的影像序列还包括:冠脉造影成像的影像序列;所述获取所述目标血管的血流流量,包括:
根据所述冠脉造影成像的影像序列中造影液从一个位置传输到另一个位置的渡越时间,或通过造影图像计帧法,计算所述目标血管的血流流量。
4.如权利要求1所述的方法,其特征在于,所述每个血管截面的特征数据还包括:所述每个血管截面的管腔掩码,所述根据所述多个血管截面的特征数据,计算所述多个血管截面中预设远端血管截面的血压值,包括:
根据所述每个血管截面的管腔掩码、血管外弹力膜掩码和动脉粥样硬化斑块数据,计算所述每个血管截面的压降值;
根据所述目标血管中近端血管截面和所述预设远端血管截面之间各血管截面的压降值,以及所述目标血管的近端血压值,计算所述预设远端血管截面的血压值。
5.如权利要求4所述的方法,其特征在于,所述每个血管截面的特征数据还包括:所述每个血管截面的管腔面积,所述根据所述每个血管截面的管腔掩码、血管外弹力膜掩码和动脉粥样硬化斑块数据,计算所述每个血管截面的压降值之前,所述方法还包括:
从所述多个血管截面的管腔面积中确定极值面积对应的目标血管截面;
根据所述目标血管截面,对所述目标血管进行分割,得到多个血管段;
根据所述OCT成像的影像序列,对所述目标血管进行分支测量,得到所述目标血管的分支测量结果,所述分支测量结果包括:所述目标血管中的分支位置和大小,以及所述分支位置处的分支掩码;
所述根据所述每个血管截面的管腔掩码、血管外弹力膜掩码和动脉粥样硬化斑块数据,计算所述每个血管截面的压降值,包括:
确定所述分支位置和所述每个血管截面所在的血管段之间的位置关系;
根据所述每个血管截面的管腔掩码、血管外弹力膜掩码和动脉粥样硬化斑块数据,采用所述位置关系对应的沿程压降模型,计算所述每个血管截面的压降值。
6.如权利要求5所述的方法,其特征在于,所述根据所述每个血管截面的管腔掩码、血管外弹力膜掩码和动脉粥样硬化斑块数据,采用所述位置关系对应的沿程压降模型,计算所述每个血管截面的压降值,包括:
若所述位置关系指示:所述分支位置不在所述每个血管截面所在的血管段中,则根据所述每个血管截面的管腔掩码、血管外弹力膜掩码和动脉粥样硬化斑块数据,采用第一沿程压降模型,计算所述血管段中所述每个血管截面的压降值。
7.如权利要求5所述的方法,其特征在于,所述根据所述每个血管截面的管腔掩码、血管外弹力膜掩码和动脉粥样硬化斑块数据,采用所述位置关系对应的沿程压降模型,计算所述每个血管截面的压降值,包括:
若所述位置关系指示:所述分支位置在所述每个血管截面所在的血管段中,则根据所述分支掩码、所述每个血管截面的管腔掩码、血管外弹力膜掩码和动脉粥样硬化斑块数据,采用第二沿程压降模型,计算所述血管段中所述每个血管截面的压降值。
8.一种基于多模态影像的血流储备分数计算装置,其特征在于,包括:
影像获取模块,用于获取目标血管的多种模态成像的影像序列,其中,每种模态成像的影像序列包括:所述目标血管在多个血管截面的影像,所述多种模态成像至少包括光学相干断层扫描OCT成像和血管内超声IVUS成像,所述OCT成像的影像序列和所述IVUS成像的影像序列中包括:所述目标血管中至少两个相同血管截面的影像;
流量获取模块,用于获取所述目标血管的血流流量;
特征数据计算模块,用于根据所述OCT成像的影像序列和所述IVUS成像的影像序列,计算所述多个血管截面的特征数据,每个血管截面的特征数据至少包括:所述每个血管截面的血管外弹力膜掩码和动脉粥样硬化斑块数据;
血压计算模块,用于根据所述多个血管截面的特征数据,计算所述多个血管截面中预设远端血管截面的血压值;
血流储备分数计算模块,用于根据所述目标血管的近端血压值和所述预设远端血管截面的血压值,计算所述目标血管中所述预设远端血管截面对应位置处的血流储备分数。
9.一种电子设备,其特征在于,包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的程序指令,当电子设备运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述程序指令,以执行时执行如权利要求1至7任一所述的基于多模态影像的血流储备分数计算方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如权利要求1至7任一所述的基于多模态影像的血流储备分数计算方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211194615.3A CN115272447B (zh) | 2022-09-29 | 2022-09-29 | 基于多模态影像的血流储备分数计算方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211194615.3A CN115272447B (zh) | 2022-09-29 | 2022-09-29 | 基于多模态影像的血流储备分数计算方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115272447A true CN115272447A (zh) | 2022-11-01 |
CN115272447B CN115272447B (zh) | 2022-12-20 |
Family
ID=83756073
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211194615.3A Active CN115272447B (zh) | 2022-09-29 | 2022-09-29 | 基于多模态影像的血流储备分数计算方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115272447B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009261651A (ja) * | 2008-04-25 | 2009-11-12 | Johns Hopkins Univ | 画像処理装置及びプログラム |
CN105326486A (zh) * | 2015-12-08 | 2016-02-17 | 上海交通大学 | 血管压力差与血流储备分数的计算方法及系统 |
CN106023202A (zh) * | 2016-05-20 | 2016-10-12 | 苏州润心医疗科技有限公司 | 基于心脏ct图像的冠状动脉血流储备分数计算方法 |
CN106073894A (zh) * | 2016-05-31 | 2016-11-09 | 博动医学影像科技(上海)有限公司 | 基于植入虚拟支架的血管压力降数值及血流储备分数的评估方法和系统 |
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 |
CN113096056A (zh) * | 2021-04-06 | 2021-07-09 | 全景恒升(北京)科学技术有限公司 | 一种基于区域互补的血管内图像融合方法 |
CN113876297A (zh) * | 2021-09-08 | 2022-01-04 | 深圳市中科微光医疗器械技术有限公司 | 血管病变区的诊疗导管 |
CN114145719A (zh) * | 2022-02-08 | 2022-03-08 | 天津恒宇医疗科技有限公司 | 双模冠脉血管图像三维融合的方法和融合系统 |
CN114155243A (zh) * | 2022-02-09 | 2022-03-08 | 天津恒宇医疗科技有限公司 | 基于特征信息的ivus和oct图像融合方法及系统 |
CN114664455A (zh) * | 2022-03-14 | 2022-06-24 | 北京深睿博联科技有限责任公司 | 一种冠状动脉血流储备分数计算方法及装置 |
CN115082442A (zh) * | 2022-07-22 | 2022-09-20 | 全景恒升(北京)科学技术有限公司 | 支架植入效果的预测方法、装置、电子设备及存储介质 |
-
2022
- 2022-09-29 CN CN202211194615.3A patent/CN115272447B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009261651A (ja) * | 2008-04-25 | 2009-11-12 | Johns Hopkins Univ | 画像処理装置及びプログラム |
CN105326486A (zh) * | 2015-12-08 | 2016-02-17 | 上海交通大学 | 血管压力差与血流储备分数的计算方法及系统 |
CN106023202A (zh) * | 2016-05-20 | 2016-10-12 | 苏州润心医疗科技有限公司 | 基于心脏ct图像的冠状动脉血流储备分数计算方法 |
CN106073894A (zh) * | 2016-05-31 | 2016-11-09 | 博动医学影像科技(上海)有限公司 | 基于植入虚拟支架的血管压力降数值及血流储备分数的评估方法和系统 |
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 |
CN113096056A (zh) * | 2021-04-06 | 2021-07-09 | 全景恒升(北京)科学技术有限公司 | 一种基于区域互补的血管内图像融合方法 |
CN113876297A (zh) * | 2021-09-08 | 2022-01-04 | 深圳市中科微光医疗器械技术有限公司 | 血管病变区的诊疗导管 |
CN114145719A (zh) * | 2022-02-08 | 2022-03-08 | 天津恒宇医疗科技有限公司 | 双模冠脉血管图像三维融合的方法和融合系统 |
CN114155243A (zh) * | 2022-02-09 | 2022-03-08 | 天津恒宇医疗科技有限公司 | 基于特征信息的ivus和oct图像融合方法及系统 |
CN114664455A (zh) * | 2022-03-14 | 2022-06-24 | 北京深睿博联科技有限责任公司 | 一种冠状动脉血流储备分数计算方法及装置 |
CN115082442A (zh) * | 2022-07-22 | 2022-09-20 | 全景恒升(北京)科学技术有限公司 | 支架植入效果的预测方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115272447B (zh) | 2022-12-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6792768B2 (ja) | 血流予備量比の計算方法およびシステム | |
CN107730540B (zh) | 基于高精度匹配模型的冠脉参数的计算方法 | |
CN111134651B (zh) | 基于腔内影像计算血流储备分数的方法、装置、系统以及计算机存储介质 | |
US10395774B2 (en) | Vascular flow assessment | |
US11896416B2 (en) | Method for calculating coronary artery fractional flow reserve on basis of myocardial blood flow and CT images | |
JP7118464B2 (ja) | 血管圧差を取得する方法及び装置 | |
JP6745875B2 (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 | |
CN108742587B (zh) | 基于病史信息获取血流特征值的方法及装置 | |
CN113040795B (zh) | 无导丝ffr、无导丝imr和无导丝cfr的检测方法 | |
CN110786842B (zh) | 测量舒张期血流速度的方法、装置、系统及存储介质 | |
CN112535466A (zh) | 一种基于血管影像的血流储备分数计算方法 | |
CN116030968A (zh) | 一种基于血管内超声影像的血流储备分数预测方法和装置 | |
CN113902690A (zh) | 基于血管腔内影像计算血流储备分数的方法、装置、计算设备以及存储介质 | |
CN112155580B (zh) | 基于造影图像修正血流速度和微循环参数的方法及装置 | |
CN109009037B (zh) | 基于个体性别获取血管压力差的计算方法及装置 | |
CN115272447B (zh) | 基于多模态影像的血流储备分数计算方法、装置及设备 | |
WO2023023248A1 (en) | Systems and methods of identifying vessel attributes using extravascular images | |
Sokolov et al. | Estimation of blood flow velocity in coronary arteries based on the movement of radiopaque agent | |
CN114664455A (zh) | 一种冠状动脉血流储备分数计算方法及装置 | |
US20160098531A1 (en) | Method for assessing stenosis severity in a lesion tree through stenosis mapping | |
Zheng et al. | An off-line gating method for suppressing motion artifacts in ICUSsequence | |
CN116807514B (zh) | 血管成像系统、方法、设备、电子设备及存储介质 | |
Wang | Image-based patient-specific computational biomechanical analysis of the interaction between blood flow and atherosclerosis | |
Gutierrez et al. | CAD of Cardiovascular Diseases | |
CN114463267A (zh) | 基于光学相干断层成像的血流储备分数预测方法、装置及计算机存储介质 |
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 |