CN108665449B - 预测血流矢量路径上的血流特征的深度学习模型及装置 - Google Patents

Abstract

本发明公开了一种预测血流矢量路径上的血流特征的深度学习模型，所述深度学习模型接收的是所述血流矢量路径上各点的结构特征、人体的生理特征和个体特征，输出的是所述血流矢量路径上各点的血流特征；所述深度学习模型包括支持向量机；所述血流矢量路径上各点的结构特征、人体的生理特征以及个体特征输入到所述支持向量机后，经计算获得所述血流矢量路径上各点的血流特征。该深度学习模型整合了使用者的血管的结构特征、生理特征以及个体特征，进而能够较精确地预测血流矢量路径上的血流特征。

Description

预测血流矢量路径上的血流特征的深度学习模型及装置

技术领域

本发明属于人工智能领域，具体涉及一种预测血流矢量路径上的血流特征的深度学习模型，以及一种预测血流矢量路径上的血流特征的装置。

背景技术

血流特征在医学上具有很重要的引导意义，血流储备分数(Fraction FlowReverse，FFR)是一种冠脉狭窄功能性评价的参数，定义为:在冠状动脉在狭窄病变的情况下，目标测量血管所供心肌区域能获得的最大血流量与同一区域理论上正常情况下所能获得的最大血流量之比。在静脉注射腺苷诱导时血管处于最大充血状态下，上述比值可以通过患者狭窄远端压强与主动脉部位压强之比来计算。

现有的测量FFR的方式有两种，一种是侵入式测试FFR，如诊断性心导管插入术，需要进行常规冠状动脉血管造影(CCA)以使冠状动脉病变可视化，同时在静脉内施用腺苷诱导的条件下(冠状动脉处于最大充血状态)，计算由压强传感器获取的冠状动脉狭窄近端压强和心脏主动脉压强的比值从而得到FFR。侵入式测试FFR既增加患者的生命安全风险，又增加医疗费用，造成经济负担。

另一中是非侵入式测试FFR，如图像造影技术，基于患者的心血管特异性解剖图像获取心血管解剖模型，再使用三维计算流体力学(CFD)方法，在心血管解剖模型的基础上使用具有生理学边界条件和参数进行模拟获取FFR，以便降低诊断的风险和费用。该方法缺陷在于时间长，且需要专业的工程技术，因此无法被广泛使用。

申请公布号为CN106980899A的专利申请公开了一种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，该深度学习模型接收的是所述血管路径上的点序列的影像特征、结构特征和功能特征中的至少一种特征，输出的是所述血管路径上的所述点序列的血流特征，并且所述深度学习模型由递归神经网络建立，或者由多层神经网络与递归神经网络依序组合而成。该深度学习模型仅以从影像特征和结构特征以及功能特征作为输入，并没有结合人体的生理信息和其他与生活环境相关的信息，因此，与侵入式测试获得的血流特征相比，利用该专利申请中的深度学习模型获得的血流特征存在一定差异。

发明内容

本发明的目的是提供了一种预测血流矢量路径上的血流特征的深度学习模型，该深度学习模型整合了使用者的血管的结构特征、生理特征以及个体特征，进而能够较精确地预测血流矢量路径上的血流特征。

本发明的另一目的是提供一种预测血流矢量路径上的血流特征的装置。

为实现上述发明目的，提供以下技术方案：

一种预测血流矢量路径上的血流特征的深度学习模型，所述深度学习模型接收的是所述血流矢量路径上各点的结构特征、人体的生理特征和个体特征，输出的是所述血流矢量路径上各点的血流特征；

所述深度学习模型包括支持向量机(Supported Vector Machine，SVM)；所述血流矢量路径上各点的结构特征、人体的生理特征以及个体特征输入到所述支持向量机后，经计算获得所述血流矢量路径上各点的血流特征。

经研究，人体的生理特征和个体特征会对人体的血流特征造成一定的影响，本发明在获取血流特征的时候，综合考虑了生理特征和个体特征以及血流矢量路径上的各点的血流特征，使得最后预测的血流特征更精确，更接近于利用侵入式方式测量的血流特征，且能够避免有创测量带给使用者的安全隐患。

优选地，所述血流特征包括血流储备分数、血流量、血流流速和血流压力降中的至少一种。

优选地，所述深度学习模型通过以下方法建立获得：

获取所述血流矢量路径上各点的结构特征、人体的生理特征和个体特征以及各点的血流特征组成一个训练样本，构成训练集；

利用所述训练集对所述深度学习模型，直到目标函数收敛或达到预设训练次数。

每个人体的各点的结构特征、人体的生理特征和个体特征、以及各点的血流特征组成一个训练样本，多个人体对应的训练样本构成训练集。具体地，本发明中通过以下方式获得训练样本：

利用卷积神经网络(Convolutional Neural Networks，CNN)对输入的医学血管影像进行特征提取，获得所述血流矢量路径上各点的结构特征；

利用支持向量机对输入的个体的生理信息进行特征提取，获得所述人体的生理特征，或利用生理特征模型对输入的医学血管影像进行特征提取，获得所述人体的生理特征；

利用支持向量机对输入的个体信息进行特征提取，获得所述个体特征；

接收临床侵入式测量获得的各点的血流特征。

所述生理特征模型是对大量的医学血管影像进行统计拟合获得的数学模型，根据该生理特征模型，能够直接从医学血管影像上提取生理特征。

由于侵入式测量获得的各点的血流特征准确，以此作为训练深度学习模型的真值标签，提高深度学习模型的学习精确性，以获得能够更准确预测血流特征的模型。

优选地，利用全卷积网络(Fully Convolutional Networks，FCN)对输入的医学血管影像进行分割后，对分割的图像进行三维重建，获得三维血管模型，然后，利用3D卷积神经网络对所述三维血管模型进行特征提取，获得所述血流矢量路径上各点的结构特征；

根据所述三维血管模型、生理学边界条件以及参数，采用3D计算流体力学方法、1D物理模型方法模拟计算得到所述各点的血流特征，或依据所述三维血管模型，利用数学模型方法得到所述各点的血流特征。

采用3D计算流体力学方法，在对医学血管影像三维重构获得的三维血管模型基础上，结合生理学边界条件和参数计算获得各点的血流特征。

采用1维物理模型方法，在对医学血管影像三维重构获得的三维血管模型基础上，进一步获取三维血管模型的一维模型，即其中心线模型，结合生理学边界条件和参数计算获得各点的血流特征。

采用数学模型方法，在对医学血管影像三维重构获得的三维血管模型基础上，对三维血管模型进行形态学计算，并基于大量患者的医学数据进行统计拟合得到数学模型，并通过数学模型计算得到各点的血流特征。

本发明采用多种方式获得训练样本，以保证训练样本的多样性，以使训练得到的深度学习模型能够更精确地表征训练样本表现出来的特征，以提高对待测样本的血流特征的预测准确性。

一种预测血流矢量路径上的血流特征的装置，包括：

检测信息获取模块，获取所述医学血管影像、个体的生理信息以及个体信息并传输至特征提取模块；

特征提取模块，分别从所述医学血管影像、个体的生理信息以及个体信息中提取结构特征、生理特征以及个体特征并输出；

训练好的上述深度学习模型，其输入连接到所述特征提取模块的输出，根据接收的结构特征、生理特征以及个体特征，来预测所述血流矢量路径上各点的血流特征。

本装置中，只需根据医学血管影像、个体的生理信息以及个体信息即可以自动地获得使用者的血流特征，既避免了侵入式测量带来的安全隐患，又节省了医疗经济成本，且综合了使用者的结构特征、生理特征以及个体特征，使得预测结果更加准确。

优选地，所述特征提取模块包括：

结构特征提取模块，利用卷积神经网络对输入的医学血管影像进行特征提取，获得所述血流矢量路径上各点的结构特征；

生理特征提取模块，利用支持向量机对输入的个体的生理信息进行特征提取，获得所述人体的生理特征，或利用生理特征模型对输入的医学血管影像进行特征提取，获得所述人体的生理特征；

个体特征提取模块，利用支持向量机对输入的个体信息进行特征提取，获得所述个体特征。

进一步地，所述结构特征提取模块包括：利用全卷积网络对输入的医学血管影像进行分割后，对分割的图像进行三维重建，获得三维血管模型，然后，利用3D卷积神经网络对所述三维血管模型进行特征提取，获得所述人体的结构特征。

优选地，提取获得的各点结构特征、人体的生理特征、个体特征和得到的血流矢量路径上各点的血流特征均被存储，作为使用者血管的历史数据集，以供下一次调用作为训练样本。

优选地，所述装置包括：

存储器，存储计算机可执行指令以及在执行所述计算机可执行指令时使用或生产的数据；

处理器，与所述存储器通信连接，并配置为执行存储器存储的计算机可执行指令，所述计算机可执行指令在被执行时，实现如下步骤：

获取所述医学血管影像、个体的生理信息以及个体信息；

分别从所述医学血管影像、个体的生理信息以及个体信息中提取结构特征、生理特征以及个体特征；

利用训练好的所述深度学习模型，根据所述构特征、生理特征以及个体特征，预测获得所述血流矢量路径上各点的血流特征。

与现有技术相比，本发明具有的有益效果为：

该深度学习模型综合考虑了使用者的血管的结构特征、生理特征以及个体特征对血流特征的影响，进而能够较精确地预测血流矢量路径上的血流特征，且计算效率很快，无需人工干预。

附图说明

图1是本发明提供的预测血流矢量路径上的血流特征的装置的模块结构示意图；

图2是图1中特征提取模块的结构示意图；

图3是本发明提供的人工生成心血管解剖模型的示意图；

图4是本发明提供的深度学习模型的结构示意图；

图5是本发明提供的预测血流矢量路径上的血流特征的装置的工作流程图；

图6是本发明提供预测血流矢量路径上的血流特征的装置的内部网络结构示意图。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不限定本发明的保护范围。

现有方法中，仅获取了矢量路径上的血流特征，其中可包含血管中心线上，血管壁面上或者血液中其他点的血流特征，但是这些点的数量远远小于CFD中网格点的数量，导致其可获得的信息远远小于CFD的结果。

因此，本发明提供的预测血流矢量路径上的血流特征的装置如图1所示，装置100包括：

检测信息获取模块101，获取所述医学血管影像、个体的生理信息以及个体信息并传输至特征提取模块；

特征提取模块102，分别从所述医学血管影像、个体的生理信息以及个体信息中提取结构特征、生理特征以及个体特征并输出；

训练好的深度学习模型103，其输入连接到所述特征提取模块的输出，根据接收的结构特征、生理特征以及个体特征，来预测所述血流矢量路径上各点的血流特征。

由于血管中的血流是具有方向性的，所述血流矢量路径是指沿着血流方向的任一条血液流经的路径。一条血管中包含多条血流矢量路径。

上述的医学血管影像包括但不限于一部分主动脉、冠状动脉以及心肌的医学造影图像。

上述的生理信息包括但不限于年龄、身高、体重、收缩/舒张血压、血细胞比容、血液密度、血液阻力、血液顺应性、血液流量比值(充血状态/静息状态)、静息边界流量(包括主动脉出入口、冠状动脉出口血流量)、边界压强(包括主动脉出入口、冠状动脉出口压强)等。

上述的生理信息中的至少一部分(如年龄、身高等)可由临床测试获取或直接提供，剩余的部分生理信息可以采用以下方式获得：首先，从输入的医学血管影像中提取图像特征(如强度随时间的变化、心室、心房体积)，然后利用生理特征模型对图像特征进行计算以获得生理信息(如静息边界流量)，其中，生理特征模型是基于大量使用者的数据拟合而成的。

上述的个体信息包括但不限于职业、是否抽烟、是否喝酒、运动状态、饮食习惯、地域等。该个体信息由使用者人为提供。

上述的血流特征包括但不限于血流储备分数、血流量、血流速和血流压降。

如图2所示，上述特征提取模块102包括：

结构特征提取模块201，利用卷积神经网络(CNN)对输入的医学血管影像进行特征提取，获得所述血流矢量路径上各点的结构特征；

生理特征提取模块202，利用支持向量机(SVM)对输入的个体的生理信息进行特征提取，获得所述人体的生理特征，或利用生理特征模型对输入的医学血管影像进行特征提取，获得所述人体的生理特征；

个体特征提取模块203，利用支持向量机(SVM)对输入的个体信息进行特征提取，获得所述个体特征。

其中，结构特征提取模块201还包括：利用全卷积网络(FCN)对输入的医学血管影像进行分割后，对分割的图像进行三维重建，获得三维血管模型，然后，利用3D卷积神经网络(3D-CNN)对所述三维血管模型进行特征提取，获得所述人体的结构特征。

本发明中，采用FCN、CNN、SVM等网络实现对结构特征、生理特征以及个体特征的自动化提取，提高了结构特征的快速性和准确性。

具体地，对于结构特征，既可以直接从医学血管影像中直接提取，也可以从构建的三维血管模型(如图3所示的心血管解剖模型)间接计算获得，多种方式获得结构特征以提高结构特征的多样性，进而实现对深度学习模型更好地训练。

上述各点的结构特征包括：血流矢量路径上点坐标，点所在位置的主次分支个数、分支长度/半径、分支半径衰减、分叉系数、分叉角度、狭窄前半径、狭窄半径衰减、狭窄长度、最小狭窄长度、狭窄中心点、狭窄半径衰减，血管中心线的横坐标、切向量、弯曲度、扭曲度等。

上述深度学习模型的结构如图4所示，包括支持向量机(SVM)，接收的是所述血流矢量路径上各点的结构特征、人体的生理特征和个体特征，输出的是所述血流矢量路径上各点的血流特征，具体地，所述血流矢量路径上各点的结构特征、人体的生理特征以及个体特征输入到所述支持向量机(SVM)后，经计算获得所述血流矢量路径上各点的血流特征。

在建立上述深度学习模型的过程中，还需要设置神经网络的层数、每层网络的神经元的个数，每一层神经网络的属性类别(如卷积层、全连接层、池化层等)每一层神经网络的结构类别，例如：对于卷积层，是普通卷积模块、单层卷积模块、densenet模块或resnet模块。

如图4所示的深度学习模型采用以下方式进行训练，以获得能够对输入特征产生记忆的训练好的深度学习模型，以实现对待测样本的血流特征的预测。

具体地训练过程为：

首先，获取所述血流矢量路径上各点的结构特征、人体的生理特征和个体特征以及各点的血流特征组成一个训练样本，构成训练集；

然后，利用所述训练集对所述深度学习模型，直到目标函数收敛或达到预设训练次数。

其中，组成训练样本的结构特征、生理特征、个体特征以及血流特征可以采用多种方式获得，具体如下：

结构特征的获取：

(1)利用卷积神经网络对输入的医学血管影像进行特征提取，获得所述血流矢量路径上各点的结构特征；

(2)利用全卷积网络对输入的医学血管影像进行分割后，对分割的图像进行三维重建，获得三维血管模型，然后，利用3D卷积神经网络对所述三维血管模型进行特征提取，获得所述血流矢量路径上各点的结构特征；

(3)根据预先存储的人工生成心血管解剖模型以及输入的参数，经计算获得血流矢量路径上各点的结构特征。

人人工生成心血管解剖模型的输入参数包括但不限于：心血管的主次分支个数、分支长度/半径、分支半径衰减、分叉系数、分叉角度、狭窄前半径、狭窄半径衰减、狭窄长度、最小狭窄长度、狭窄中心点、狭窄半径衰减。

生理特征的获取：

(1)利用支持向量机对输入的个体的生理信息进行特征提取，获得所述人体的生理特征；

(2)利用生理特征模型对输入的医学血管影像进行特征提取，获得所述人体的生理特征。

个体特征的获取：利用支持向量机对输入的个体信息进行特征提取，获得所述个体特征。

血流特征的获取：

(1)接收侵入式测量获得的各点的血流特征；

(2)根据所述三维血管模型、生理学边界条件以及参数，采用3D计算流体力学方法、1D物理模型方法模拟计算得到所述点的血流特征；

(3)依据所述三维血管模型，利用数学模型方法计算得到所述各点的血流特征。

采用多种方式获得训练样本，以保证训练样本的多样性，以使训练得到的深度学习模型能够更精确地表征训练样本表现出来的特征，以提高对待测样本的血流特征的预测准确性。

上述深度学习模型的建立和训练都是线下完成的。

上述预测血流矢量路径上的血流特征的装置的内部网络结构示意图如图6所示，在使用的时候具体的内部工作流程如图5所示。具体地，该装置预测使用者的血流特征的工作过程为：

检测信息获取阶段：

接收输入的医学血管影像、个体的生理信息以及个体信息，并且从输入的医学血管影像中，利用经验公式或者数学模型对图像特征进行计算以获得生理信息。

特征提取阶段：

该阶段主要分为三个并行的子阶段，分别为结构特征提取子阶段、生理特征提取子阶段、个体特征提取阶段。

结构特征提取子阶段：

采用CNN对输入的医学血管影像进行特征提取，获得所述血流矢量路径上各点的结构特征；

利用FCN对输入的医学血管影像进行分割后，对分割的图像进行三维重建，获得三维血管模型，然后，利用3D-CNN对所述三维血管模型进行特征提取，获得所述血流矢量路径上各点的结构特征。

生理特征提取子阶段：

利用SVM对输入的个体的生理信息进行特征提取，获得所述人体的生理特征；

利用生理特征模型对输入的医学血管影像进行特征提取，获得所述人体的生理特征。

个体特征提取阶段：

利用支持向量机对输入的个体信息进行特征提取，获得所述个体特征。

血流特征预测阶段：

将提取的血流矢量路径上各点的结构特征、人体的生理特征以及个体特征输入到所述支持向量机，经计算获得所述血流矢量路径上各点的血流特征。

提取的结构特征是由有限N个矢量路径上的点结构特征A1构成(如心血管的主次分支个数等)，A11,A12...A1N，输入的生理特征是由X个分量组成的矢量A2(如年龄、身高等)，输入的个体特征是由Y个分量组成的矢量A3(如职业、是否抽烟等)，输出的矢量路径上的血流特征B(如FFR、压强等)也是由有限N个矢量路径上的点血流特征构成，B1,B2...BN。

其中，提取获得的结构特征、人体的生理特征、个体特征和得到的血流矢量路径上各点的血流特征均被存储，作为使用者的血管的历史数据集(备份数据)，以供下一次调用作为训练样本，也可以便日后用作翻查资料。

当然，训练深度学习模型阶段获得的结构特征、人体的生理特征、个体特征以及各点的血流特征同样也被存储，便于下次调用作为训练样本。

此外，该装置还会生成包含使用者的血流矢量路径上的血流特征报告并输出，以辅助评价使用者的血管功能。若输出的是FFR报告，则可以辅助评价使用者的冠状动脉狭窄功能性。

上述使用方法是线上执行的。

在一个实施例中，上述预测血流矢量路径上的血流特征的装置包括：

存储器，存储计算机可执行指令以及在执行所述计算机可执行指令时使用或生产的数据；

处理器，与所述存储器通信连接，并配置为执行存储器存储的计算机可执行指令，所述计算机可执行指令在被执行时，实现如下步骤：

获取所述医学血管影像、个体的生理信息以及个体信息；

分别从所述医学血管影像、个体的生理信息以及个体信息中提取结构特征、生理特征以及个体特征；

利用训练好的所述深度学习模型，根据所述构特征、生理特征以及个体特征，预测获得所述血流矢量路径上各点的血流特征；

生成并输出包含使用者的血流矢量路径上的血流特征的报告；

保存提取的结构特征、人体的生理特征、个体特征和得到的血流矢量路径上各点的血流特征，作为使用者的血管的历史数据集。

该实施例中，训练好的所述深度学习模型即是通过上述建立方法获得的，此处不再赘述。

以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的最优选实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种预测血流矢量路径上的血流特征的深度学习装置，其特征在于，所述深度学习装置接收的是所述血流矢量路径上各点的结构特征、人体的生理特征和个体特征，输出的是所述血流矢量路径上各点的血流特征；

所述深度学习装置包括支持向量机；所述血流矢量路径上各点的结构特征、人体的生理特征以及个体特征输入到所述支持向量机后，经计算获得所述血流矢量路径上各点的血流特征；利用支持向量机对输入的个体的生理信息进行特征提取，获得所述人体的生理特征，或利用生理特征模型对输入的医学血管影像进行特征提取，获得所述人体的生理特征；

所述深度学习装置的特点在于设计和提取多维度的特征，包括结构特征、人体的生理特征和个体特征，基于多维度的特征来提高血流矢量路径上血流特征预测的准确性；

所述个体特征为对个体信息进行特征提取获得的特征，所述个体信息包括职业、是否抽烟、是否喝酒、运动状态、饮食习惯、地域；

各点的结构特征包括：血流矢量路径上点坐标，点所在位置的主次分支个数、分支长度/半径、分支半径衰减、分叉系数、分叉角度、狭窄前半径、狭窄半径衰减、狭窄长度、最小狭窄长度、狭窄中心点、狭窄半径衰减，血管中心线的横坐标、切向量、弯曲度、扭曲度；其中，结构特征一部分直接从医学血管影像中直接提取，其余部分从构建的三维血管模型间接计算获得；

所述生理信息包括：年龄、身高、体重、收缩/舒张血压、血细胞比容、血液密度、血液阻力、血液顺应性、血液流量比值、静息边界流量、边界压强。

2.如权利要求1所述的预测血流矢量路径上的血流特征的深度学习装置，其特征在于，所述血流特征包括血流储备分数、血流量、血流流速和血流压力降中的至少一种。

3.如权利要求1或2所述的预测血流矢量路径上的血流特征的深度学习装置，其特征在于，所述深度学习装置通过以下方法建立获得：

获取所述血流矢量路径上各点的结构特征、人体的生理特征和个体特征以及各点的血流特征组成一个训练样本，构成训练集；

利用所述训练集对所述深度学习装置进行训练，直到目标函数收敛或达到预设训练次数。

4.如权利要求3所述的预测血流矢量路径上的血流特征的深度学习装置，其特征在于，

利用卷积神经网络对输入的医学血管影像进行特征提取，获得所述血流矢量路径上各点的结构特征；

利用支持向量机对输入的个体信息进行特征提取，获得所述个体特征；

接收临床侵入式测量获得的各点的血流特征。

5.如权利要求4所述的预测血流矢量路径上的血流特征的深度学习装置，其特征在于，

利用全卷积网络对输入的医学血管影像进行分割后，对分割的图像进行三维重建，获得三维血管模型，然后，利用3D卷积神经网络对所述三维血管模型进行特征提取，获得所述血流矢量路径上各点的结构特征；

根据所述三维血管模型、生理学边界条件以及参数，采用3D计算流体力学方法、1D物理模型方法模拟计算得到所述各点的血流特征，或依据所述三维血管模型，利用数学模型方法计算得到所述各点的血流特征。

6.一种预测血流矢量路径上的血流特征的装置，其特征在于，包括：

检测信息获取模块，获取所述医学血管影像、个体的生理信息以及个体信息并传输至特征提取模块，其中，个体信息包括职业、是否抽烟、是否喝酒、运动状态、饮食习惯、地域；

特征提取模块，分别从所述医学血管影像、个体的生理信息以及个体信息中提取结构特征、生理特征以及个体特征并输出；

训练好的如权利要求1~5任一项所述深度学习装置，其输入连接到所述特征提取模块的输出，根据接收的结构特征、生理特征以及个体特征，来预测所述血流矢量路径上各点的血流特征。

7.如权利要求6所述的预测血流矢量路径上的血流特征的装置，其特征在于，所述特征提取模块包括：

结构特征提取模块，利用卷积神经网络对输入的医学血管影像进行特征提取，获得所述血流矢量路径上各点的结构特征；

生理特征提取模块，利用支持向量机对输入的个体的生理信息进行特征提取，获得所述人体的生理特征，或利用生理特征模型对输入的医学血管影像进行特征提取，获得所述人体的生理特征；

个体特征提取模块，利用支持向量机对输入的个体信息进行特征提取，获得所述个体特征。

8.如权利要求7所述的预测血流矢量路径上的血流特征的装置，其特征在于，所述结构特征提取模块包括：利用全卷积网络对输入的医学血管影像进行分割后，对分割的图像进行三维重建，获得三维血管模型，然后，利用3D卷积神经网络对所述三维血管模型进行特征提取，获得所述人体的结构特征。

9.如权利要求6所述的预测血流矢量路径上的血流特征的装置，其特征在于，提取获得的各点结构特征、人体的生理特征、个体特征和得到的血流矢量路径上各点的血流特征均被存储，作为使用者血管的历史数据集，以供下一次调用作为训练样本。

10.如权利要求6所述的预测血流矢量路径上的血流特征的装置，其特征在于，所述装置包括：

存储器，存储计算机可执行指令以及在执行所述计算机可执行指令时使用或生产的数据；

处理器，与所述存储器通信连接，并配置为执行存储器存储的计算机可执行指令，所述计算机可执行指令在被执行时，实现如下步骤：

获取所述医学血管影像、个体的生理信息以及个体信息；

分别从所述医学血管影像、个体的生理信息以及个体信息中提取结构特征、生理特征以及个体特征；

利用训练好的所述深度学习装置，根据所述结构特征、生理特征以及个体特征，预测获得所述血流矢量路径上各点的血流特征。

Images