CN108305246B - 基于医学图像预测血流特征的装置及系统 - Google Patents

基于医学图像预测血流特征的装置及系统 Download PDF

Info

Publication number
CN108305246B
CN108305246B CN201810015340.XA CN201810015340A CN108305246B CN 108305246 B CN108305246 B CN 108305246B CN 201810015340 A CN201810015340 A CN 201810015340A CN 108305246 B CN108305246 B CN 108305246B
Authority
CN
China
Prior art keywords
vessel
neural network
tree
blood flow
feature
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810015340.XA
Other languages
English (en)
Other versions
CN108305246A (zh
Inventor
王昕�
尹游兵
武丹
曹坤琳
李育威
宋麒
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Keya Medical Technology Corp
Original Assignee
Shenzhen Keya Medical Technology Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Keya Medical Technology Corp filed Critical Shenzhen Keya Medical Technology Corp
Priority to CN201911127201.7A priority Critical patent/CN110853029B/zh
Publication of CN108305246A publication Critical patent/CN108305246A/zh
Application granted granted Critical
Publication of CN108305246B publication Critical patent/CN108305246B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G06T7/251—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving models
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • 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
    • A61B5/02—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
    • A61B5/021—Measuring pressure in heart or blood vessels
    • 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
    • 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
    • A61B5/0261—Measuring blood flow using optical means, e.g. infrared light
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/005—Tree description, e.g. octree, quadtree
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2576/00—Medical imaging apparatus involving image processing or analysis
    • A61B2576/02—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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
    • G06T2207/30104—Vascular flow; Blood flow; Perfusion
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Pathology (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Cardiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Fuzzy Systems (AREA)
  • Hematology (AREA)
  • Quality & Reliability (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Computer Graphics (AREA)
  • Vascular Medicine (AREA)
  • Multimedia (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于医学图像预测血流特征的装置及系统，所述装置包括存储器和处理器，所述存储器上存储有计算机可执行指令，所述处理器执行所述计算机可执行指令时，实现如下步骤：获取血管树的图像块和血管相关特征；基于所获取的血管树的图像块和血管相关特征两者，利用学习网络来计算所述血管树的第二血流特征。该装置能够根据采集的目标对象(如人体或动物身体的某个部位)的血管的医学图像的图像信息和血管相关特征两者来对该目标对象的血流特征进行精准的预测，如预测目标对象的血流储备分数(FFR)等血流特征，以根据血流储备分数帮助用户对目标对象进行相应的病理判断或其他处理。

Description

基于医学图像预测血流特征的装置及系统
技术领域
本发明涉及人工智能领域，特别涉及一种基于医学图像预测血流特征的装置，一种基于医学图像预测血流特征的系统以及一种计算机可读存储介质。
背景技术
近期的研究表明，基于血流储备分数(FFR)的血液动力学特性是用以确定、评估动脉疾病患者的最佳治疗方式的重要指标。大量的临床试验证明，FFR可以很好地指导冠状动脉狭窄及其他血管疾病的治疗。对于心血管疾病，如果FFR值大于0.8，则选择药物治疗，如果FFR值小于等于0.8则采用介入治疗的方法。包括FFR在内的各种血流特征为医生进行心血管诊断时提供重要的参考。
侵入式定量测量、评估人体血管疾病是现在临床的金标准。虽然人们试图引入非侵入式方法来评估人体的血流特征及血管疾病，但由于计算负担过重、计算耗时太长和评估结果不准确的原因，难以在临床环境中执行。
发明内容
本发明人发现，目前在使用各种模拟手段来预测目标对象(如病人的某个器官)的血流特征时，由于多数目标对象具有复杂的血管路径，众多血管路径形成的血管树的结构也非常复杂，现有手段预测血流储备分数(FFR)等血流特征极不准确。特别是，血管树中包括了很多的血管分叉或转弯结构的血管路径，在此血管分叉处或者转弯结构处由于涉及了不同的血管，各个血管对此处均有影响，此处的血流特征极不容易被预测，从而很难获取到精确的血流储备分数(FFR)等血流特征。
本发明的目的在于提供一种基于医学图像预测血流特征的装置及系统，其能够基于血管树的树形结构上的特征分布，对血管树进行全局优化并一次预测血管树上的血流特征。该装置例如能够利用树结构递归神经网络建立学习模型，进而使用学习模型精确且迅速地计算血管树上的血流特征(例如血流储备分数等)。
根据本发明的第一方案，提供一种基于医学图像预测血流特征的装置，所述装置包括存储器和处理器，所述存储器上存储有计算机可执行指令，所述处理器执行所述计算机可执行指令时，实现如下步骤：
获取血管树的图像块和血管相关特征；
基于所获取的图像块和血管相关特征两者，利用学习网络来计算所述血管树的第二血流特征。
作为优选，所述学习网络包括依序连接的多模型神经网络和树结构递归神经网络
作为优选，所述血管相关特征包括第一血流特征、血管结构特征和衍生特征中的至少一种，所述第一血流特征和所述第二血流特征均包括血流储备分数、血流量、血流速度、微血管阻力和血流压力降中的至少一种。
作为优选，所述血管树的血管相关特征通过如下的任何一种或其组合来得到：通过对医学图像进行三维重建来得到；通过测量得到；对医学图像进行流体仿真模拟计算来得到。
作为优选，所述多模型神经网络包括卷积神经网络和多层神经网络。
作为优选，所述图像块为2D图像块或3D图像块。
作为优选，所述图像块是沿血管树的中心线取得的图像块。
作为优选，所述树结构递归神经网络的树形结构与血管树的树形结构相对应。
作为优选，所述树结构递归神经网络包括数个递归神经网络，以沿不同方向计算血管树的所述第二血流特征。
根据本发明的第二方案，还提供了一种基于医学图像预测血流特征的系统，所述系统包括：
获取端口，被配置为获取医学图像；
重建单元，被配置为基于所述获取端口所获取的医学图像重建血管树的三维模型；以及
预测单元，被配置为：获取血管树的图像块和血管相关特征；基于所获取的血管树的图像块和血管相关特征两者，利用学习网络来计算所述血管树的第二血流特征。
作为优选，所述血管相关特征能够基于从所述重建单元接收的血管树的三维模型的参数得到。
作为优选，所述系统还包括流体仿真模拟处理单元，所述仿真模拟处理单元被配置为基于重建的血管树的三维模型进行流体仿真模拟计算，以得到精度低于所述第二血流特征的第一血流特征作为所述血管树的血管相关特征。
作为优选，所述系统还包括训练单元或可通信地连接到训练单元，所述训练单元被配置为：
获取图像块和血管相关特征以及相应的第三血流特征作为训练数据集，所述血管树的第三血流特征能够通过测量得到；
利用训练数据集对所述学习网络进行训练。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机可执行指令，所述计算机可执行指令被处理器执行时，实现如下步骤：
获取血管树的图像块和血管相关特征；
基于所获取的图像块和血管相关特征两者，利用学习网络来计算所述血管树的第二血流特征。
作为优选，所述学习网络包括依序连接的多模型神经网络和树结构递归神经网络。
作为优选，所述血管相关特征包括第一血流特征、血管结构特征和衍生特征中的至少一种，所述第一血流特征和所述第二血流特征均包括血流储备分数、血流量、血流速度、微血管阻力和血流压力降中的至少一种。
作为优选，所述血管树的血流相关特征通过如下的任何一种或其组合来得到：通过对医学图像进行三维重建来得到；通过测量得到；对医学图像进行流体仿真模拟计算来得到。
作为优选，所述多模型神经网络包括卷积神经网络和多层神经网络。
作为优选，所述图像块为2D图像块或3D图像块。
作为优选，所述图像块是沿血管树的中心线取得的图像块。
作为优选，所述树结构递归神经网络的树形结构与血管树的树形结构相对应。
作为优选，所述树结构递归神经网络包括数个递归神经网络，以沿不同方向计算血管树的所述第二血流特征。
本发明实施例的有益效果在于：该装置能够根据采集的目标对象(如人体或动物身体的某个部位)的血管树的医学图像的图像信息和血管相关特征两者来对该目标对象的血管树的血流特征进行迅速且精准的预测，如预测目标对象的整个血管树上的血流储备分数(FFR)等血流特征，以根据血流储备分数帮助用户对目标对象进行相应的病理判断或其他处理。
附图说明
图1为根据本发明第一实施例的处理器执行计算机可执行指令时实现的基于医学图像预测血流特征的方法的各个步骤；
图2为根据本发明第二实施例的多模型神经网络的结构示意图；
图3为根据本发明第三实施例的学习网络的连接关系示意图；
图4为根据本发明第四实施例的树结构递归神经网络的结构示意图；
图5为根据本发明第五实施例的基于医学图像预测血流特征的系统中各个软件模块的功能框图和数据流向的示意图。
具体实施方式
为使本领域技术人员更好地理解本发明，下面参照附图对本发明的实施例进行详细说明，但不作为对本发明的限定。
本发明的第一实施例提供一种基于医学图像预测血流特征的装置，该装置能够根据采集的目标对象(如人体或动物身体的某个部位)的血管的医学图像(如通过CT采集)来对该目标对象的血流特征进行预测，如预测目标对象的血流储备分数(FFR)等血流特征，以根据血流储备分数帮助用户对目标对象进行相应的处理，例如血流储备分数可以很好地指导冠状动脉狭窄及其他血管疾病的治疗，对于心血管疾病，如果血流储备分数值大于0.8，则选择药物治疗，如果血流储备分数值小于等于0.8则采用介入治疗的方法。该装置包括存储器和处理器，处理器可以通信地联接到存储装置，并且处理器可以被配置为执行存储于其上的计算机可执行指令，例如，处理器可以在预测血流特征期间执行该可执行指令，以基于医学图像预测血流特征。
本文中的处理器可以是包括诸如微处理器、中央处理单元(CPU)、图形处理单元(GPU)等的一个或更多通用处理装置的处理器电路。更具体地，处理器可以是复杂指令集计算(CISC)微处理器、精简指令集计算(RISC)微处理器、超长指令字(VLIW)微处理器、实现其他指令集的处理器、或实现指令集的组合的处理器。
处理器还可以是一个或更多专用处理装置，诸如专用集成电路(ASIC)、现场可编程门阵列(FPGA)、数字信号处理器(DSP)、片上系统(SoC)等。如本领域技术人员将领会的，在一些实施例中，处理器装置可以是专用处理器，而不是通用处理器。处理器可以包括一个或更多已知的处理装置，诸如由IntelTM制造的PentiumTM或XeonTM系列的微处理器、由AMDTM制造的TurionTM系列的微处理器、或由其他供应商诸如OracleTM制造的任何各种处理器(例如，SPARCTM架构处理器)。处理器还可以包括由NvidiaTM制造的图形处理单元。所公开的实施例不限于与所公开的实施例相符的以其他方式被配置为满足识别、分析、维护、生成和/或提供大量成像数据或任何其他类型的数据的计算需求的任何类型的(一个或数个)处理器。
本文中的存储器可以包括被配置为存储由处理器使用的计算机可执行指令的一个或更多存储设备，以执行与所公开的实施例相关的功能。例如，存储器可以存储用于操作系统、重建单元、流体仿真模拟处理单元、训练单元和预测单元中的任何一个的计算机可执行软件指令。图1示出了预测单元所实现的各个步骤。
如图1所示，在基于医学图像预测血流特征的装置中，处理器执行计算机可执行指令时，实现如下步骤：
S1，获取血管树的图像块和血管相关特征。血管树中包括数量众多的血管路径，血管树的图像块可以通过多种医疗设备的任何一种或多种对目标对象的相应区域进行采集，例如使用CT采集目标对象的心脏的血管树的图像，包括采集各个血管路径上的图像块。再例如，可以重建血管树的树状结构，沿树状结构上各条血管的中心线上的位置截取得到分布在该血管树上的图像块。所述图像块可以是2D的图像块，也可以是3D的图像块。在本实施例中还要获取血管相关特征，血管相关特征可以为图像块对应的血管树位置处的多种相关特征，包括第一血流特征、血管结构特征和衍生特征中的至少一种。
所述第一血流特征可以包括血流储备分数、血流量、血流速度和血流压力降、微血管阻力中的至少一种。所述血管结构特征可以包括但不限于3D或者2D血管结构(3D影像对应3D血管结构，2D影像对应2D血管结构)、2D或1D血管横截面结构(3D影像对应2D横截面结构，2D影像对应1D横截面结构)以及1D中心线结构相关联的特征，例如，3D(2D)血管结构特征包括体积等，2D(1D)血管横截面结构特征包括横截面积、等效半径，偏心率等，1D中心线结构特征包括血管半径、弯曲度、长度；此外结构特征还包括狭窄特征，所述狭窄特征是血管狭窄处相较所述点序列中的相邻点产生突变的特征，因此能够表征狭窄的存在。例如但不作为限制，所述狭窄特征可以包括：血管路径上点序列的血管截面的面积减小率，以及根据面积减小率判断出的狭窄位置、狭窄长度等。衍生特征可以基于血管结构特征来得到。在一个实施例中衍生特征可以包括当前测点血管结构的变型特征、血管由下到上路径累积特征或者由上到下路径累积特征等。尤其，通过引入血管由下到上路径累积特征和由上到下路径累积特征，可以进一步考虑到前段和/或后段血管对当前测点的血流特征(例如FFR)的影响。所述衍生特征也可以基于第一血流特征和血管结构特征两者来得到，例如将两者的特征进行复合得到复合特征，或者基于两者的特征得到相应的衍生特征，并对所得到的两个衍生特征进行复合得到复合衍生特征。
所述第一血流特征可以通过测量得到，例如可以通过血管造影测量血管树上的血流量，通过超声多普勒测量血管树上的血流速度等，通过侵入式导管来测量血管树上的血流参数等等。可选地，也可以通过对血管树的流体仿真模拟计算得到，但该流体仿真模拟的精度低于得到可供诊断用的血流特征的流体仿真模拟的精度，例如，可以对血管树进行一维流体仿真模拟来得到第一血流特征，或者可以基于粗糙的初始条件和边界条件对血管树进行流体仿真模拟来得到第一血流特征。注意，相较于现有技术计算血流储备分数等第二血流特征对流体仿真模拟的依赖，步骤S1能够摆脱对其的依赖，由此提高了计算速度、降低了对计算资源的消耗、降低了对操作软件平台的要求(例如无需购买和安装流体仿真模拟软件)且降低了用户的操作难度。
某些情况下，所获取的作为血管相关特征的第一血流特征不包含用户想要预测的第二血流特征，因此可以利用该第一血流特征和图像块来预测用户想要得到的第二血流特征，例如利用图像块以及作为血管相关特征的血流量和血流速度等来预测作为第二血流特征的血流储备分数等。所述第二血流特征也可以包括血流储备分数、血流量、血流速度和血流压力降、微血管阻力中的至少一种。以下将对该过程进行详细说明。
S2，基于所获取的血管树的图像块和血管相关特征两者，利用学习网络来计算血管树的第二血流特征。学习网络可以是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型，该学习网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的，学习网络具有初步的自适应与自组织能力，如在学习或训练过程中改变突触权重值，以适应周围环境的要求。因此使用学习网络可以更加精确的模拟出血管中各个测点的相关血流特征，进而计算出血管树的第二血流特征，如计算出用户想要获取的血流储备分数等血流特征。基于血管树上分布的图像块，利用学习网络可以对血管树上的局部信息和空间上的信息进行学习；同时基于血管树上分布的血管相关特征，利用学习网络可以对血管树上的血管相关特征进行学习，如此，与要预测的第二血流特征相关的血管树上的各种模态的信息都得到了充分学习，进一步提高了预测的精度和计算的收敛速度。扩展来说，本实施例中，学习网络包括依序连接的多模型神经网络和树结构递归神经网络，而由于树结构递归神经网络与目标对象的真实的血管树的形态相对应，考虑到了血管树中各条分支各个位置彼此之间的相互影响，充分利用了整个血管树的树形结构所提供的复合信息(多模态和血管相关特征)，可以对血管树实现高效的全局优化。利用树结构递归神经网络，可以准确模拟整个血管树上分布的血流特征，特别是能够获取到各个血管路径的血流特征(包括血管分叉处的血流特征，该血管分叉处的血流特征不易被其他神经网络所获取)，从而计算出该血管树的血流储备分数等第二血流特征。
在一个实施例中，第一血流特征和第二血流特征可能不是相同的特征，进而可以从图像块和第一血流特征，并利用学习网络来计算第二血流特征；在另一个实施例中，第一血流特征和第二血流特征可能是相同的特征，但是该第一血流特征并不够精确，因此可以利用该粗糙的血流特征并利用学习网络来计算得到更加精确的血流特征，及得到第二血流特征。
在本发明的第二实施例中，如图2所示，多模型神经网络包括卷积神经网络和多层神经网络。卷积神经网络用来分别学习局部信息和空间上的信息，多层神经网络用来学习上述血管相关特征，并映射到同一个向量中。多模型神经网络的输出通过映射层到一个连续的特征向量作为输出，其输出被传输到树结构递归神经网络，最终由树结构递归神经网络输出整个血管树的血流储备分数(FFR)等血流特征的预测结果。结合图2和图3，举例说明，根据2D或3D的CT图像块(可以作为输入Xi＝(x1,x2,…,xT)的部分)，使用卷积神经网络学习图像块上的局部信息和空间上的信息，并将结果数据发送到映射层；使用多层神经网络对在血管树上沿着血管中心线提取的第一血流特征及其衍生特征(可以作为输入Xi＝(x1,x2,…,xT)的另一部分)，并将结果数据发送到映射层，映射层将两者的结果数据进行复合，并输出作为一个连续的特征向量Zi＝(z1,z2,…,zT)，Zi被传输到树结构递归神经网络，而树结构递归神经网络将输出结果Yi＝(y1,y2,…,yT)，该Yi可以为血流储备分数(FFR)等第二血流特征的预测结果。
作为优选，图像块为2D图像块或3D图像块。血管树的图像块可以通过多种医疗设备对目标对象的相应区域进行采集来得到，如使用CT或其他设备采集2D图像块或3D图像块，而从2D图像块或3D图像块能够精确获取血管树包括血管路径的整体的结构和其他参数。
在本发明的一个实施例中，上述的图像块是沿血管树的各条血管的中心线取得的图像块。图像块也可以沿其他取向在其他位置处截取。具体来说，对已生成的完整血管树的树状结构，沿中心线若干个测点上截取固定大小的图像块，扩展来说还可以从中心线上获取各个测点的血管相关特征，即血管结构特征及其衍生特征等。
在本发明的第四实施例中，如图4所示，树结构递归神经网络的树形结构与血管树的树形结构相对应。使得树结构递归神经网络能够更加真实地模拟出血管树的树形结构，进而更加精确地预测血管树的血管相关特征等数据。结合图4，举例说明，血管树包括多个血管路径，其中含有众多的具有分叉或转弯结构的血管路径，该树结构递归神经网络在血管分叉处或者对于不同血管之间的交互影响，也具有极强的模拟和计算能力，特别对于人体心脏等具有复杂血管树的人体器官来说，更加能够体现出树结构递归神经网络的树形结构的优势。每个测点具有输入和输出，结合图4，树结构递归神经网络一共设有14个测点，例如，使用多层神经网络和卷积神经网络的计算结果zi(i＝1,2,…,14)作为树结构递归神经网络的各个测点的输入，经过计算后将yi作为每个测点的输出，进而计算出整体的血管树的第二血流特征(如FFR数值)。例如，各个测点可以采用双向的递归神经网络，该递归神经网络例如可以采用门控递归单元，也可以采用在处理和预测序列数据上高效的长短期记忆神经网络。
在本发明的一个实施例中，树结构递归神经网络包括数个递归神经网络，以沿不同方向计算血管树的第二血流特征。再次结合图4，作为优选，递归神经网络能够分别沿相对应的树形结构的分支，由上到下或由下到上地计算血管树的第二血流特征，并且树结构递归神经网络中的多个递归神经网络能够同时沿其对应的树形结构的分支，由上到下或由下到上地计算血管树的第二血流特征(如FFR数值)，以提高运算速度。此外在一个实施例中，在血管树的各个测点中，父节点参数的更新依存于所有孩子节点的信息，这使得各个测点相互联系紧密，计算出的第二血流特征也更加能够体现出整体的血流特征。
本文描述的上述方法示例至少部分可以是机器或计算机实现的。一些示例可以包括编码有指令的计算机可读介质或机器可读介质，该指令可经操作以配置电子装置来执行如上述示例中所描述的方法。这种方法的实现可以包括诸如微代码、汇编语言代码、较高级语言代码等的代码。这种代码可以包括用于执行各种方法的计算机可读指令。这种代码可以形成计算机程序产品的一部分。此外，在一个示例中，例如在运行期间或在其它时间，代码可以有形地存储在一个或更多易失性、非暂时性或非易失性有形计算机可读介质上。这些有形的计算机可读介质的示例可以包括但不限于硬盘、可移动磁盘、可移动光盘(例如，压缩光盘和数字视频盘)、磁带、存储卡或存储棒、随机存取存储器(RAM)、只读存储器(ROM)等。本发明的另一实施例提供一种计算机可读存储介质，其上存储有计算机可执行指令，其特征在于，所述计算机可执行指令被处理器执行时，实现上述方法中的至少一部分步骤，例如可以实现如下步骤：获取血管树的图像块和血管相关特征；基于所获取的图像块和血管相关特征两者，利用学习网络来计算所述血管树的第二血流特征。所述计算机可执行指令被处理器执行时，可以实现上文中结合图2、图3、图4所描述的各个步骤或者其组合。
本发明的第五实施例还提供了一种基于医学图像预测血流特征的系统，如图5所示，该系统500包括：获取端口501，被配置为获取医学图像；重建单元502，被配置为基于获取端口501所获取的医学图像重建血管树的三维模型；以及预测单元504，其通过执行如上所述的各种方法基于医学图像预测第二血流特征。以上各个单元可以以软件模块的方式存储在系统500的存储器中，该存储器中还可以存储有操作系统。系统500中，处理器可通信地连接到存储器，以便在执行各个软件模块的计算机可执行指令时，实现相应的步骤。
获取端口501可以从数据库(包括多种形式的数据库，如本地数据库、云端数据库等)或终端设备(如CT机等医疗器械)处获取医学图像，这包括了历史医学图像或者新采集的医学图像等，具体由实际情况来设定。重建单元502可以根据获取的医学图像来构建目标对象(如病人的某个器官)的三维模型，该三维模型与真实的目标对象相一致，可以精确的体现出目标对象的具体结构特征。
上述的基于医学图像预测血流特征的预测单元504能够利用获取端口501和重建单元502所提供的信息，计算得到目标对象(如如病人的某个器官)的血流储备分数(FFR)等第二血流特征。具体说来，预测单元，被配置为：获取血管树的图像块和血管相关特征；基于所获取的血管树的图像块和血管相关特征两者，利用学习网络来计算所述血管树的第二血流特征。进一步说来，所述血管相关特征能够基于从所述重建单元接收的血管树的三维模型的参数得到，且基于从所述重建单元接收的血管树的三维模型的参数得到血管相关特征的步骤可以在重建单元502中执行并传输给所述预测单元504，可以在预测单元504中执行，也可以在其他软件模块中执行并传输给所述预测单元504。
在一个实施例中，该系统还可选地包括流体仿真模拟处理单元503，被配置为基于重建的血管树的三维模型进行流体仿真模拟计算，以得到精度低于第二血流特征的第一血流特征作为血管相关特征。上述第二血流特征可以用作该流体仿真模拟计算的边界条件。
预测单元504预测所基于的图像块可以利用获取端口501得到，预测单元504预测所基于的血管树的血管相关特征可以通过多种方式得到，除了由重建单元502基于从重建单元接收的血管树的三维模型的参数得到之外，也可以直接测量得到，或者利用或流体仿真模拟处理单元503计算得到。可选地，仿真模拟处理单元被配置为基于重建的血管树的模型进行流体仿真模拟计算，利用采用粗糙的初始和边界条件，或者利用简化的模型例如一维模型，以得到精度低于第二血流特征的第一血流特征作为血管相关特征。
血管相关特征包括第一血流特征、血管结构特征和衍生特征中的至少一种，第一血流特征包括血流储备分数、血流量、血流速度、微血管阻力和血流压力降中的至少一种。
系统还包括训练单元505或可通信地连接到训练单元505，训练单元505被配置为：获取图像块和血管相关特征以及相应的第三血流特征作为训练数据集；利用训练数据集对学习网络进行训练。具体可以利用由血管树上各个位置处的图像块、血管相关特征和第三血流特征构成的训练数据集，对学习网络进行训练，以形成训练好的学习模型，从而使上述的基于医学图像预测血流特征的装置(单元)使用该学习模型对被测对象进行血流特征的预测(诊断)。第三血流特征可以通过测量得到。此外，预测得到的第二血流特征可以用作上述第三血流特征，连同其对应的图像块和血管相关特征可以用作训练数据集。优选地，预测得到的第二血流特征连同其对应的图像块和血管相关特征可以存储在本地或远程的存储器中作为训练数据集，以供训练单元505访问和调用。
对于学习网络而言，在一个实施例中，其可以包括依序连接的多模型神经网络和树结构递归神经网络，其中多模型神经网络包括卷积神经网络、多层神经网络中的至少一个。在训练过程中，可以分别设置卷积神经网络、多层神经网络和/或树结构递归神经网络的参数，利用随机梯度下降步骤计算参数，直至对应的目标函数收敛。树结构递归神经网络可以使用一般递归神经网络的训练方法来训练，因为前向网络和反向网络之间并没有边来连接。具体来讲，在多模型神经网络和树结构递归神经网络的总体神经网络中包含多模型神经网络部分的参数V和树结构递归神经网络部分的参数W，它们可以在框架中被联合优化，我们使用随机梯度下降算法来优化参数(V,W)，其目标函数为：
Figure BDA0001541749450000121
采用反向传播来计算梯度
Figure BDA0001541749450000122
其中d为在训练集中测点的个数，y为训练数据集中第三血流特征的值，
Figure BDA0001541749450000123
为系统预测出的第二血流特征的值。
所述系统500可以是与所公开的实施例相符的能够识别、分析、维护、生成或提供大量数据的一个或更多高性能计算装置。系统500可以是单独的，或者它可以是子系统的一部分，子系统又可以是更大的系统的一部分。例如，系统500可以表示远程定位并通过诸如因特网或诸如局域网(LAN)或广域网(WAN)的专用网络的网络进行通信的分布式高性能服务器。在一些实施例中，系统500可以包括嵌入式系统、成像扫描仪(例如，核磁共振(MR)扫描仪或诸如计算机断层摄影(CT)扫描仪的其他扫描仪)和/或与一个或更多远程定位的高性能计算装置通信的触摸屏显示装置。
以上实施例仅为本发明的示例性实施例，不用于限制本发明，本发明的保护范围由权利要求书限定。本领域技术人员可以在本发明的实质和保护范围内，对本发明做出各种修改或等同替换，这种修改或等同替换也应视为落在本发明的保护范围内。

Claims (14)

1.一种基于医学图像预测血流特征的计算机实现的方法，所述方法包括：
利用处理器，获取血管树的沿其各条血管的中心线的多个位置处的图像块和血管相关特征，所述血管相关特征为各个位置处的多种相关特征，包括第一血流特征、血管结构特征和衍生特征中的至少一种；
利用处理器，基于所获取的血管树的图像块和血管相关特征两者，利用学习网络来计算所述血管树的第二血流特征；其中，
所述学习网络包括依序连接的多模型神经网络和树结构递归神经网络，所述树结构递归神经网络的树形结构与血管树的树形结构相对应；
所述多模型神经网络包括卷积神经网络、多层神经网络和映射层，其中所述卷积神经网络用来处理各个位置处的图像块以得到处理结果，所述多层神经网络用来处理各个位置处的所述血管相关特征以得到处理结果，映射层将两者的处理结果复合，并输出作为一个连续的特征向量；
所述连续的特征向量被传输到树结构递归神经网络，以利用所述树结构递归神经网络输出所述血管树的第二血流特征。
2.根据权利要求1所述的方法，其特征在于，所述第一血流特征和第二血流特征均包括血流储备分数、血流量、血流速度、微血管阻力和血流压力降中的至少一种。
3.根据权利要求1所述的方法，其特征在于，所述血管树的血管相关特征通过如下的任何一种或其组合来得到：通过对医学图像进行三维重建来得到；通过测量得到；通过对医学图像进行流体仿真模拟计算来得到。
4.根据权利要求1所述的方法，其特征在于，所述图像块为2D图像块或3D图像块。
5.根据权利要求1所述的方法，其特征在于，所述图像块和所述血管相关特征均是沿血管树的中心线取得的。
6.根据权利要求1所述的方法，其特征在于，所述树结构递归神经网络包括数个递归神经网络，以沿不同方向计算血管树的所述第二血流特征。
7.一种基于医学图像自动预测血流特征的系统，所述系统包括：
获取端口，被配置为获取医学图像；
重建单元，被配置为基于所述获取端口所获取的医学图像重建血管树的三维模型；以及
预测单元，被配置为：获取血管树的沿其各条血管的中心线的多个位置处的图像块和血管相关特征，其中，所述图像块与所述血管相关特征相关联，所述血管相关特征为所述图像块对应的血管树各个位置处的多种相关特征，包括第一血流特征、血管结构特征和衍生特征中的至少一种；基于所获取的血管树的图像块和血管相关特征两者，利用学习网络来计算所述血管树的第二血流特征；其中，
所述学习网络包括依序连接的多模型神经网络和树结构递归神经网络，所述树结构递归神经网络的树形结构与血管树的树形结构相对应；所述多模型神经网络包括卷积神经网络、多层神经网络和映射层，其中所述卷积神经网络用来分别学习或处理各个位置处的图像块以得到处理结果，所述多层神经网络用来学习或处理所述血管相关特征，所述映射层将所述卷积神经网络和所述多层神经网络的处理结果复合，并输出作为一个连续的特征向量；
所述连续的特征向量通过映射层被传输到树结构递归神经网络，以利用所述树结构递归神经网络输出所述血管树的第二血流特征。
8.根据权利要求7所述的系统，其特征在于，所述血管相关特征能够基于从所述重建单元接收的血管树的三维模型的参数得到。
9.根据权利要求7所述的系统，其特征在于，所述系统还包括流体仿真模拟处理单元，所述流体仿真模拟处理单元被配置为基于重建的血管树的三维模型进行流体仿真模拟计算，以得到精度低于所述第二血流特征的第一血流特征作为所述血管相关特征。
10.根据权利要求7所述的系统，其特征在于，
所述系统还包括训练单元或所述系统可通信地连接到训练单元，所述训练单元被配置为：
获取血管树的图像块和血管相关特征以及相应的第三血流特征作为训练数据集，所述血管树的第三血流特征能够通过测量得到；
利用训练数据集对所述学习网络进行训练。
11.一种基于医学图像自动预测血流特征的系统，所述系统包括：
获取端口，被配置为获取医学图像；以及
处理器，其配置为：获取血管树的沿其各条血管的中心线的多个位置处的图像块和血管相关特征，其中，所述图像块与所述血管相关特征相关联，所述血管相关特征为所述图像块对应的血管树各个位置处的多种相关特征，包括第一血流特征、血管结构特征和衍生特征中的至少一种；
基于所获取的血管树的图像块和血管相关特征两者，利用学习网络来计算所述血管树的第二血流特征，其中，
所述学习网络包括依序连接的多模型神经网络和树结构递归神经网络，所述树结构递归神经网络的树形结构与血管树的树形结构相对应；
所述多模型神经网络包括卷积神经网络、多层神经网络和映射层，其中所述卷积神经网络用来分别学习或处理各个位置处的图像块以得到处理结果，所述多层神经网络用来学习或处理所述血管相关特征，所述映射层将所述卷积神经网络和所述多层神经网络的处理结果复合，并输出作为一个连续的特征向量；
所述连续的特征向量通过映射层被传输到树结构递归神经网络，以利用所述树结构递归神经网络输出所述血管树的第二血流特征。
12.一种计算机可读存储介质，其上存储有计算机可执行指令，其特征在于，所述计算机可执行指令被处理器执行时，执行基于医学图像自动预测血流特征的方法，所述方法包括：
获取血管树的沿其各条血管的中心线的多个位置处的图像块和血管相关特征，其中，所述图像块与所述血管相关特征相关联，所述血管相关特征为所述图像块对应的血管树各个位置处的多种相关特征，包括第一血流特征、血管结构特征和衍生特征中的至少一种；
基于所获取的图像块和血管相关特征两者，利用学习网络来计算所述血管树的第二血流特征；其中，
所述学习网络包括依序连接的多模型神经网络和树结构递归神经网络，所述树结构递归神经网络的树形结构与血管树的树形结构相对应；所述多模型神经网络包括卷积神经网络、多层神经网络和映射层，其中所述卷积神经网络用来分别学习或处理各个位置处的图像块以得到处理结果，所述多层神经网络用来学习或处理所述血管相关特征，所述映射层将所述卷积神经网络和所述多层神经网络的处理结果复合，并输出作为一个连续的特征向量；
所述连续的特征向量通过映射层被传输到树结构递归神经网络，以利用所述树结构递归神经网络输出所述血管树的第二血流特征。
13.根据权利要求12所述的计算机可读存储介质，其特征在于，所述第一血流特征和所述第二血流特征均包括血流储备分数、血流量、血流速度、微血管阻力和血流压力降中的至少一种。
14.根据权利要求12所述的计算机可读存储介质，其特征在于，所述血管树的血管相关特征通过如下的任何一种或其组合来得到：通过对医学图像进行三维重建来得到；通过测量得到；对医学图像进行流体仿真模拟计算来得到。
CN201810015340.XA 2017-11-15 2018-01-08 基于医学图像预测血流特征的装置及系统 Active CN108305246B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911127201.7A CN110853029B (zh) 2017-11-15 2018-01-08 用于基于医学图像自动预测血流特征的方法、系统和介质

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US201762586216P 2017-11-15 2017-11-15
US62/586,216 2017-11-15

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN201911127201.7A Division CN110853029B (zh) 2017-11-15 2018-01-08 用于基于医学图像自动预测血流特征的方法、系统和介质

Publications (2)

Publication Number Publication Date
CN108305246A CN108305246A (zh) 2018-07-20
CN108305246B true CN108305246B (zh) 2020-10-09

Family

ID=62868453

Family Applications (2)

Application Number Title Priority Date Filing Date
CN201810015340.XA Active CN108305246B (zh) 2017-11-15 2018-01-08 基于医学图像预测血流特征的装置及系统
CN201911127201.7A Active CN110853029B (zh) 2017-11-15 2018-01-08 用于基于医学图像自动预测血流特征的方法、系统和介质

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN201911127201.7A Active CN110853029B (zh) 2017-11-15 2018-01-08 用于基于医学图像自动预测血流特征的方法、系统和介质

Country Status (2)

Country Link
US (1) US10249048B1 (zh)
CN (2) CN108305246B (zh)

Families Citing this family (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10430949B1 (en) * 2018-04-24 2019-10-01 Shenzhen Keya Medical Technology Corporation Automatic method and system for vessel refine segmentation in biomedical images using tree structure based deep learning model
US10937549B2 (en) * 2018-05-22 2021-03-02 Shenzhen Keya Medical Technology Corporation Method and device for automatically predicting FFR based on images of vessel
CN108830848B (zh) * 2018-05-25 2022-07-05 深圳科亚医疗科技有限公司 利用计算机确定血管上的血管状况参数的序列的装置和系统
TWI770235B (zh) * 2018-07-20 2022-07-11 巫湘沂 以動態影像判斷血流量變化及血管阻塞區域之方法
CN110503640B (zh) * 2018-08-21 2022-03-22 深圳科亚医疗科技有限公司 对医学图像进行分析的装置、系统及计算机可读介质
CN110599444B (zh) * 2018-08-23 2022-04-19 深圳科亚医疗科技有限公司 预测血管树的血流储备分数的设备、系统以及非暂时性可读存储介质
EP3751580B1 (en) * 2019-06-11 2024-04-03 Siemens Healthineers AG Hemodynamic analysis of vessels using recurrent neural network
CN114025675A (zh) * 2019-06-20 2022-02-08 索尼集团公司 信息处理装置、信息处理方法和程序
CN110298846A (zh) * 2019-06-27 2019-10-01 数坤（北京）网络科技有限公司 基于多分类的冠脉分割方法、装置及存储设备
CN110731789B (zh) * 2019-10-25 2020-07-07 上海杏脉信息科技有限公司 一种冠脉微血管阻力指数获取方法、介质及设备
CN110786841B (zh) * 2019-11-04 2021-05-25 苏州润迈德医疗科技有限公司 基于微循环阻力指数调节最大充血状态流速的方法及装置
CN110866913A (zh) * 2019-11-21 2020-03-06 桂林电子科技大学 一种深度递归心血管图像显示方法
CN111680447B (zh) * 2020-04-21 2023-11-17 深圳睿心智能医疗科技有限公司 血流特征预测方法、装置、计算机设备和存储介质
CN112001893B (zh) * 2020-07-31 2024-02-20 上海联影医疗科技股份有限公司 一种血管参数的计算方法、装置、设备及存储介质
CN111815598B (zh) * 2020-06-30 2024-04-26 上海联影医疗科技股份有限公司 一种血管参数的计算方法、装置、设备及存储介质
CN112132203B (zh) * 2020-09-18 2023-09-29 中山大学 一种基于血管内超声图像的血流储备分数测量方法及系统
CN112686991B (zh) * 2021-01-08 2022-04-05 上海博动医疗科技股份有限公司 一种采用混合方式重建血管正常管腔形态的方法及系统
CN112932434B (zh) * 2021-01-29 2023-12-05 苏州润迈德医疗科技有限公司 获取流量损失模型、损失比、供血能力的方法和系统
CN113362360B (zh) * 2021-05-28 2022-08-30 上海大学 基于流体速度场的超声颈动脉斑块分割方法
CN113744246B (zh) * 2021-09-03 2023-07-18 乐普（北京）医疗器械股份有限公司 根据血管断层扫描图像预测血流储备分数的方法和装置
CN113838572B (zh) * 2021-09-10 2024-03-01 深圳睿心智能医疗科技有限公司 血管生理参数获取方法、装置、电子设备及存储介质
CN114330161A (zh) * 2021-12-16 2022-04-12 深圳市阅影科技有限公司 血流储备分数ffr值确定模型的生成方法及其装置
CN114334160B (zh) * 2021-12-24 2023-11-28 北京阅影科技有限公司 求解血管功能学指标的方法、装置及计算机可读存储介质
CN114596311B (zh) * 2022-04-22 2022-08-12 深圳科亚医疗科技有限公司 基于血管图像的血管功能评估方法和血管功能评估装置
CN117291858A (zh) * 2022-06-14 2023-12-26 上海联影医疗科技股份有限公司 一种用于确定血流特性的方法、系统、装置和存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105518684A (zh) * 2013-08-27 2016-04-20 哈特弗罗公司 用于预测冠状动脉病变的位置、开始、和/或变化的系统和方法
CN106650272A (zh) * 2016-12-28 2017-05-10 北京昆仑医云科技有限公司 个体特异性的心血管模型的生成方法及其应用
CN106980899A (zh) * 2017-04-01 2017-07-25 北京昆仑医云科技有限公司 预测血管树血管路径上的血流特征的深度学习模型和系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105518684A (zh) * 2013-08-27 2016-04-20 哈特弗罗公司 用于预测冠状动脉病变的位置、开始、和/或变化的系统和方法
CN106650272A (zh) * 2016-12-28 2017-05-10 北京昆仑医云科技有限公司 个体特异性的心血管模型的生成方法及其应用
CN106980899A (zh) * 2017-04-01 2017-07-25 北京昆仑医云科技有限公司 预测血管树血管路径上的血流特征的深度学习模型和系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
面向血管疾病诊断及预测分析的血流动力学模拟综述;徐梦佳 等;《中国图像图形学报》;20150331;第20卷(第3期);第0297-0310页 *

Also Published As

Publication number Publication date
CN108305246A (zh) 2018-07-20
US10249048B1 (en) 2019-04-02
CN110853029B (zh) 2021-04-30
CN110853029A (zh) 2020-02-28

Similar Documents

Publication Publication Date Title
CN108305246B (zh) 基于医学图像预测血流特征的装置及系统
CN108830848B (zh) 利用计算机确定血管上的血管状况参数的序列的装置和系统
CN107977709B (zh) 预测血管树血管路径上的血流特征的深度学习模型和系统
JP7077319B2 (ja) 解剖学的モデルパラメータの機械学習
CN110866914B (zh) 脑动脉瘤血流动力学指标的评估方法、系统、设备及介质
CN105007819B (zh) 用于在血流特性建模中进行灵敏度分析的方法和系统
KR101732328B1 (ko) 환자별 혈류 모델링 방법 및 시스템
CN108109698B (zh) 计算血流储备分数的系统和设置边界条件的方法
CN108038848A (zh) 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
CN107115111A (zh) 血流状态分析系统及方法
CN110638438A (zh) 用于对血流储备分数的基于机器学习的评估的方法和系统
CN108665449B (zh) 预测血流矢量路径上的血流特征的深度学习模型及装置
CN104854592A (zh) 用于根据血管几何形状和生理学估计血流特性的系统和方法
CN108735270A (zh) 基于降维模型的血流储备分数获取方法、装置、系统和计算机存储介质
Gharleghi et al. Deep learning for time averaged wall shear stress prediction in left main coronary bifurcations
CN116309346A (zh) 医学图像的检测方法、装置、设备、存储介质及程序产品
US20230248242A1 (en) Systems and methods for estimation of blood flow characteristics using reduced order model and/or machine learning

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