CN108922580A - 一种获取血流储备分数的方法、装置、系统和计算机存储介质 - Google Patents

Abstract

本发明公开了一种获取血流储备分数的方法、装置、系统和计算机存储介质，其中获取血流储备分数的方法，包括步骤S1，获取与冠状动脉以及心脏相关的图像数据和生理参数，通过对图像数据的处理构建相应的三维模型；步骤S2，根据所述三维模型求解血液动力学控制方程，以获得三维模型所表达区域的冠状动脉的血液动力学参数分布；其中三维模型边界部分的血液动力学参数是利用集总模型且通过遗传算法求解获得；步骤S3，根据步骤S2获得的相关参数，计算血管狭窄部位的血流储备分数；步骤S4，基于步骤S3的结果生成相应的血流储备分数报告。本发明可精确计算获取患者冠状动脉FFR。

Description

一种获取血流储备分数的方法、装置、系统和计算机存储介质

技术领域

本发明涉及医学影像的数据处理，尤其涉及一种基于医学影像数据获取血流储备分数(FFR)的方法、装置、系统和计算机存储介质。

背景技术

冠状动脉血管造影曾被认为是诊断冠心病的“金标准”，但它只能定性地评价病变狭窄程度，却无法定量地评价病变狭窄对冠状动脉生理功能的影响，因此可能高估或低估病变的严重程度，导致需要治疗的病变没有处理或过度处理不需治疗的病变。1993年NicoPijls等提出了通过血压测定推算冠状动脉血流的新指标—血流储备分数(FractionalFlow Reserve,FFR)。经过长期的基础与临床研究，FFR已经成为冠状动脉狭窄功能性评价的公认指标。

血流储备分数(FFR)是一种用于医疗诊断冠状动脉生理功能的参数,指在冠状动脉存在狭窄病变的情况下，该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，其等效压强比定义如下:冠状动脉在最大充血状态下,狭窄近端和心脏主动脉的压强的比值即为血流储备分数。

可通过侵入式测试获取FFR，例如诊断性心导管插入术，其可包括进行常规冠状动脉血管造影(CCA)以可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。侵入式测试的缺点在于会对患者造成增加的风险和更多的费用。

因此需要一种以非侵入式获取FFR的方法，降低诊断的风险和费用，此方法和系统需要提供患者冠状动脉特异性医学影像和患者生理信息，影像可由计算机断层成像造影(CTA)、旋转造影(RA)、核磁共振成像造影(MRA)和数字减影造影(DSA)等方法获取。另外此方法和系统还可在不能直接测量的条件下(例如运动,体质过敏不适)获取FFR，预测冠状动脉血流和心机灌注的医疗治疗、介入治疗和手术治疗的结果。

发明内容

本发明提供一种在通过医学造影术获取患者特异性冠状动脉医学影像和患者生理信息后,利用血流动力学建模获取血流储备分数(Fractional Flow Reverse，FFR)的方法。

一种获取血流储备分数的方法，包括：

步骤S1，获取与冠状动脉以及心脏相关的图像数据和生理参数，通过对图像数据的处理构建相应的三维模型；

步骤S2，根据所述三维模型求解血液动力学控制方程，以获得三维模型所表达区域的冠状动脉的血液动力学参数分布；

其中三维模型边界部分的血液动力学参数是利用集总模型且通过遗传算法求解获得；

步骤S3，根据步骤S2获得的相关参数，计算血管狭窄部位的血流储备分数；

步骤S4，基于步骤S3的结果生成相应的血流储备分数报告。

本发明采用非侵入式方法，降低诊断的风险和费用，快速便捷地获取FFR，可预测冠状动脉血流和心机灌注的医疗治疗、介入治疗和手术治疗的结果。本发明方法和系统综合了CFD和基于病人特异性边界条件仿真的优点，可以通过CFD精确计算冠状动脉正常和狭窄区域的FFR，也可以利用集总模型涵盖了非CFD仿真几何区域，如微小血管和毛细血管，为CFD模型提供精确计算的边界条件。

可选的，构建三维模型时，包括：

获取冠状动脉图像数据，对所获得的冠状动脉图像数据进行重构，得到三维形式的冠状动脉重构模型；

获取心脏图像数据，对所获得的心脏图像数据进行重构，得到三维形式的心脏重构模型；

根据所述冠状动脉重构模型建立冠状动脉的几何模型和网格模型。

可选的，所述三维模型中，边界部分至少包括冠状动脉各分支血管出口边界，血液动力学控制方程与集总模型在冠状动脉的各分支血管出口边界耦合，耦合设置条件为血液流量或血压。

可选的，所述集总模型内的目标参数通过遗传算法进行求解，包括：

依照预设的边界条件，将所述生理参数中相关的实测数据作为目标曲线；

集总模型的目标参数作为遗传算法的种群的个体，在种群逐代进化时，每代均获得对应的进化后目标参数，依据该进化后目标参数拟合获得相应的模拟曲线并与目标曲线相比；

循环生成模拟曲线，直至模拟曲线与目标曲线的误差值小于设定值，停止进化，获得目标参数的最优解，即获得冠状动脉在三维模型边界处的血液动力学参数。

可选的，所述目标曲线为主动脉出口血压的实测波形曲线，或主动脉出口血液流量的实测波形曲线。

可选的，所述误差值为y_i是目标曲线，y′_i是模拟波形曲线。

可选的，步骤S3中，血流储备分数计算公式为：

P_distal为血管狭窄位置处下游2～3cm的血压；

Pa取近似值，等于主动脉运动参考平均压强

可选的，所述的计算方式为：

P_{sys-hyperemia}＝P_sys-rest×(1+γ_sys)

P_{dias-hyperemia}＝P_dias-rest×(1+γ_dias)

P_{dias-hyperemia}为主动脉运动舒张压；

P_{sys-hyperemia}为主动脉运动收缩压；

P_dias-rest为静止状态舒张压；

P_sys-rest为静止状态收缩压；

S_d为心舒张期占比；

S_t为心收缩期占比；

γ_sys为收缩压变化率；

γ_dias为舒张压变化率。

可选的，所述血流储备分数报告中，在所述三维模型中模拟显示各部位的血流储备分数。

本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被计算机处理器执行时实现所述的获取血流储备分数的方法。

本发明还提供一种获取血流储备分数的装置，包括计算机存储器、计算机处理器、以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，所述计算机处理器执行所述计算机程序时，实现所述的获取血流储备分数的方法。

本发明还提供一种获取血流储备分数的系统，包括终端以及服务器，所述服务器包括计算机存储器、计算机处理器、以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，所述服务器从终端获取与冠状动脉以及心脏相关的图像数据和生理参数；

所述计算机处理器执行所述计算机程序时，实现所述的获取血流储备分数的方法。

本发明通过获取病人特异性冠状动脉三维几何结构，患者特异性生理和临床检测参数，依据这些患者特异性参数信息，医学统计大数据信息，或者心脏和冠状动脉的集总模型，确定并优化边界条件和血液特征参数，进而求解血液动力学控制方程，通过计算流体力学(Computational Fluid Dynamics,CFD)精确计算获取患者冠状动脉FFR云图分布(包括狭窄区域的FFR值)。

附图说明

图1为冠状动脉图像数据的示意图；

图2为冠状动脉重构模型的示意图；

图3为冠状动脉的几何模型示意图；

图4为冠状动脉的网格模型图示意图；

图5为图4中狭窄部位冠状动脉的的示意图；

图6为集总模式的原理示意图；

图7为图6的集总模型中心脏模型的示意图；

图8为三元Windkessel模型的示意图；

图9为二元Windkessel模型的示意图；

图10为四元Windkessel模型的示意图；

图11为双腔Windkessel模型的示意图；

图12为遗传算法流程原理示意图；

图13为主动脉出口血液流量的模拟曲线与目标曲线的变化趋势示意图，图中横坐标为时间(s)，纵坐标为血液流量(ml/s)；

图14为冠状动脉的某一出口血液流量的模拟曲线与目标曲线的变化趋势示意图，图中横坐标为时间(s)，纵坐标为血液流量(ml/s)；

图15为三维模型表达区域中，冠状动脉的血压分布示意图；

图16为FFR数值的分布示意图；

图17为图16中冠状动脉狭窄区域的局部图；

图18为本发明流程示意图。

具体实施方式

本发明一种获取血流储备分数的方法，包括：

步骤S1，获取与冠状动脉以及心脏相关的图像数据和生理参数，通过对图像数据的处理构建相应的三维模型；

步骤S2，根据三维模型求解血液动力学控制方程，以获得三维模型所表达区域的冠状动脉的血液动力学参数分布；

其中三维模型边界处的血液动力学参数是利用集总模型且通过遗传算法求解获得；

步骤S3，根据步骤S2获得的相关参数，计算血流储备分数。

步骤S4，基于步骤S3的结果生成相应的血流储备分数报告。

以下结合相应附图对各步骤详细说明。

步骤S1中，生理参数包括：身高、体重、血液密度、血液粘度、血细胞比容、血小板、肱动脉收缩压和舒张压曲线、心率、主动脉血压波形图、通过多普勒超声测得的主动脉和主要冠状动脉流量以及波形图、病史等。

步骤S1中，构建三维模型时，包括：

获取冠状动脉图像数据，对所获得的冠状动脉图像数据进行重构，得到三维形式的冠状动脉重构模型；

获取心脏图像数据，对所获得的心脏图像数据进行重构，得到三维形式的心脏重构模型；

根据冠状动脉重构模型建立冠状动脉的几何模型和网格模型。

步骤S1中，与冠状动脉以及心脏相关的图像数据包括但不限于计算机断层成像(CT)、动态(CT)、核磁共振、脉管造影术、超声、单光子发射计算断层成像(SPECT)和任意其他类型的医学成像模态。图像数据可以是2D、3D、4D，可以从一个或多个图像采集设备，诸如CT扫描仪、MR扫描仪、脉管造影术扫描仪、超声设备等接收，或者患者有记录的医学图像数据。还可根据需要采集包含其他部位的影像数据，例如脊椎、肺、前胸等。

例如图1中冠状动脉图像数据为CTA方式获取的dicom格式。

本发明中，冠状动脉图像数据以及相应的三维模型中除冠状动脉外还包括部分主动脉，部分主动脉至少由左心室出口延伸至冠状动脉入口。

部分主动脉一般包括升主动脉和降主动脉，或至少包括由左心室至冠状动脉入口部位的主动脉。

冠状动脉图像数据重构时，需要计算冠状动脉相关的结构和形态参数，如：

升主动脉，降主动脉；

左冠状动脉(LCA)：左主干，左前降支(左室前支，右室前支，前间隔支)，左回旋支(窦房结支，左房支，左室前支，钝缘支，左室后支)；

右冠状动脉(RCA)：右主干，右圆锥支，窦房结支，右室前支，锐缘支，后降支，左室后支，右心房支。

因CTA空间分辨率的局限性，图1和图2示意的部分只是重构出主动脉和直径大于0.5mm的冠状动脉血管。冠状动脉的微小动脉血管和毛细血管不在重构模型内。也正基于此，本发明的后续的步骤用利用集总模型对冠状动脉的微小动脉血管和毛细血管进行模拟，获取重构模型中处在血管边界部位的血液动力学参数，例如血液流量或血压，以提高FFR计算的精确性。

根据冠状动脉图像数据分辨率，三维模型优选包括主动脉和直径大于0.2mm的冠状动脉。

心脏图像数据重构时，至少包括与主动脉相连的左心室部分，还可以根据需要重构右心室，左心房或右心房等。

冠状动脉、心脏图像数据重构可采用现有算法，例如重构算法选自Level Sets，Graph Cuts，CNN神经网络模型，深度学习模型或边缘学习模型等。重构模型例如为stl格式的几何模型，可参见图2中冠状动脉重构模型的示意图。

步骤S1中，根据冠状动脉重构模型建立冠状动脉的几何模型时，需要标注所有血管的血管壁，进口和出口。

本实施例中冠状动脉的网格模型包含一个主动脉进口，一个主动脉出口，和多个分支血管出口，例如图3中所标识的主动脉进口A、主动脉出口B、冠状动脉的分支血管出口C、主动脉血管壁D、冠状动脉管壁E。

因为冠状动脉的血管系统具有非常复杂的三维拓扑结构，依据血管几何尺寸和弯曲度，网格在血管各个细分区域做自适应划分，最大尺寸为3mm，最小尺寸为0.1mm，效果示意可参见图4。

步骤S2中，血液动力学控制方程为：

与血液动力学控制方程相应的边界控制方程为：

AP＝RQ

Q＝Q_o(D/D_o)^a

R＝P_o/(Q_o(D/D_o)^a)

其中：

△P为一段血管的压力降，(例如上游血管或下游血管)；

Q为边界处血流量；

R为血流阻力；

D为血管直径；

Do为某参照处血管的血管直径；

Po为与某参照处血管相对应的血压值；

Qo为与某参照处血管相对应的流量；

ρ为血液密度；

μ为血液粘度；

F为体积力，如重力；

t为时间；

V为血流速度；

P为血压。

边界控制方程根据Poiseuille Law(血管阻力计算方程)推导。

Poiseuille Law：

R为血流阻力；

r为血管半径；

L为血管长度；

μ为血液粘度；

Q为血液流量；

P为血压；

hem为血红细胞比容；

c为血管弹性。

步骤S2中，血液动力学参数分布为冠状动脉的血流速度或血压分布。基于冠状动脉的网格模型以及预设的边界条件，求解血液动力学控制方程可以获得冠状动脉的血流速度或血压分布。

由于冠状动脉的三维模型仅表达了局部区域，对于未重构出的冠状动脉的微小动脉血管和毛细血管，需用通过集总模型(结构可参照图6)做解析计算。

求解血液动力学控制方程可使用CFD计算方法，具体可包括但不限于有限元法(FEM)，有限体积法(FVM)，有限差分法(FDM)，边界元法(BEM)，浸入边界法(IBM)，格子玻尔兹曼法(LBM)，光滑粒子法(SPH)，半隐式运动粒子法(MPS)，有限体积粒子法(FVP)等。

求解血液动力学控制方程以及集中模型所需的血流动力学参数可预先通过生理参数、三维模型、历史数据等方式获得。

血流动力学参数可以包括患者身高，体重，心率，收缩期和舒张期血压，血细胞比容，血液粘度，血液密度，血流量等。

血流动力学参数还可以包括生理医学测试结果(心动周期，血压，血流，血红蛋白，血小板，心电图，基因，家族病史等等)，图像数据/分割数据/重构几何数据(心脏尺寸，冠状动脉分支和拓扑结构，狭窄位置，狭窄长度，狭窄截面，钙化斑块，等等)。

冠状动脉的三维模型中，边界部分包括血管壁边界，血管进口边界(主动脉进口边界)，血管出口边界(主动脉出口边界，冠状动脉各分支血管出口边界)；

针对血管进口边界，血液流量或血压可来自步骤S1中针对患者测得的生理参数。

主动脉运动血流量Q_COhyperemia为主动脉进口边界条件的一个选项，对应边界设置。Q_COhyperemia为主动脉运动流量，计算方式为：

Q_COhyperemia＝Q_COrest×χ

Q_COrest＝Q_coronary/β

m_myo＝ρ_myo×V_LV

其中α，β，χ，为参数系数；通过医学统计大数据，依据患者个体特征作相应调整，其中为心肌单位质量血流消耗率；

Q_COrest为主动脉静息流量；即静息状态下主动脉血流量；

Q_coronary为冠状动脉总流量；可通过医学经验公式得出；

m_myo为心肌质量；

ρ_myo为心肌密度；一般可以根据经验值确定；

V_LV为左心室体积；可从心脏重构模型中获得。

冠状动脉各分支血管出口边界的血液动力学参数是利用集总模型且通过遗传算法求解获得；

血液动力学控制方程与集总模型在冠状动脉的各分支血管出口耦合，耦合设置条件为血液流量或血压。

例如采用血压作为边界条件，通过求解血液动力学控制方程得到血管出口边界的血液流量；再将血液流量作为输入，通过集总模型求解得到血管出口边界的血压；再将血压作为冠状动脉在三维模型边界处的血液动力学参数。

就集中模型本身而言，可采用现有技术构建，本发明重点之一在于利用遗传算法求解集中模型。在集总模型中，电阻表征血流在流动过程中受到的阻力影响，电容表征血管或心肌的体积变化对血液流动的影响，电感表征血液流动时的惯性作用。

集总模型包括但不限于二元Windkessel模型，三元Windkessel模型，四元Windkessel模型，双腔Windkessel模型，心脏集总模型，冠状动脉-心脏耦合集总模型，以及其他高阶集总模型。

一般的对应关系为电流-血流量，电压-血压，电阻-血流阻力，电感-血流惯性，电容-血流顺应性。

参见图7，心脏部分的模型包括左心房压强P(t)，二尖瓣(与P(t)部分连接的二极管)，心房-心室瓣膜电阻R_av，心房-心室瓣膜电感L_av，主动脉瓣(与L_av连接的二极管)，心室-动脉瓣膜电阻R_V-ar1，心室-动脉瓣膜电感L_v-ar和时变倒电容E_v(t)。

时变倒电容值可以由以下公式表示，

E_v(t)＝(E_max-E_min)·E_n(t)+E_min

E_max是心室在收缩末期压强-体积比，E_min是心室在舒张末期的压强-体积比，E_n(t)可以表示为双希尔方程：

其中t_n＝t/T_max，T_max通过心动周期t_c计算：

T_max＝0.2+0.15t_c

参见图8，以集总模型中三元Windkessel模型为例(其他同理)，使用RCR电路模拟微小动脉和毛细血管网的血压，血液流量和血管阻力，具体为：

电阻R对应血管阻力，电容C对应血管弹性，电压对应血压P，电流对应血管流量Q，其电路方程为三元Windkessel方程：

集总模型中，心脏模型内有4个变量即目标参数(两个电阻+两个电感)，主动脉三元Windkessel模型有3个变量(一个电容+两个电阻)，每一支冠状动脉出口双腔Windkessel模型有5个变量(两个电容+三个电阻)。电阻的取值范围设为(0，500)，电容的取值范围取为(0，1)。

遗传算法种群个体由这些变量组成的二进制串，初始种群由若干个个体组成，且由算法随机产生。种群通过一代代自然选择，杂交及基因变异向最优解进化。遗传算法的原理可参见图12。

遗传算法借鉴了进化生物学中的自然选择，杂交，基因突变等现象。在集总模型的参数优化问题中，未知量的解都由二进制表示(即0和1的字符组成)，随机产生一定个体数目的种群，进化从这些随机个体开始。在每一代进化中，通过评价该种群的适应度，基于适应度从该种群中随机选择若干个个体，通过自然选择，杂交及变异产生新的种群，成为下一次迭代的初始种群，促使种群向最优解进化。自然选择从种群中选取若干较优个体并将基因传递到下一代，自然选择的方法包括但不限于轮盘赌选择策略，竞标赛选择策略等。杂交操作会根据交叉概率将两个个体中的部分基因按某种方式交换得出新的个体，杂交的策略包括但不限于单点交换，两点交换，三点交换等。变异操作会根据变异概率随机改变某点基因，变异的策略包括但不限于内变异，外变异，单点变异和多点变异等。

集总模型内的目标参数通过遗传算法进行求解，包括：

依照预设的边界条件(例如为血压或血液流量)，将生理参数中相关的实测数据作为目标曲线；

集总模型的目标参数作为遗传算法的种群的个体，在种群逐代进化时，每代均获得对应的进化后目标参数，依据该进化后目标参数拟合获得相应的模拟曲线并与目标曲线相比；

循环生成模拟曲线，直至模拟曲线与目标曲线的误差值小于设定值，停止进化，获得目标参数的最优解，即获得冠状动脉在三维模型边界处的血液动力学参数。

目标曲线为主动脉出口血压的实测波形曲线，或主动脉出口血液流量的实测波形曲线。

为了进一步提高精度，还可以比较多条目标曲线，例如目标曲线还包括冠状动脉某一出口血压的实测波形曲线，或冠状动脉某一出口血液流量的实测波形曲线。

误差值为y_i是目标曲线，y＇_i是模拟波形曲线，整个遗传算法就是在求解该误差函数的最小值。当误差值小于0.5％，计算所得的集总模型中的各目标参数值即可认定为最优解。模拟曲线与目标曲线的变化趋势可参见图13和图14。

通过集中模型与血液动力学控制方程的耦合，可以获得三维模型表达区域中，冠状动脉的血压分布，参见图15。

步骤S3中，血流储备分数(FFR)计算公式为：

P_distal为血管狭窄位置处下游2～3cm的血压；

血管狭窄位置一方面可以通过步骤S1的图像数据和生理参数获知，还可以通过步骤S1构建的三维模型(例如重构模型)测量获得；

Pa取近似值，等于主动脉运动参考平均压强

计算方式为：

P_{sys-hyperemia}＝P_sys-rest×(1+γ_sys)

P_{dias-hyperemia}＝P_dias-rest×(1+γ_dias)

P_{dias-hyperemia}为主动脉运动舒张压；

P_{sys-hyperemia}为主动脉运动收缩压；

P_dias-rest为静止状态舒张压；

P_sys-rest为静止状态收缩压；

S_d为心舒张期占比；

S_t为心收缩期占比；

γ_sys为收缩压变化率；

γ_dias为舒张压变化率；

S_d、S_t、γ_sys、γ_dias均为医学统计大数据，可依据患者个体特征作相应调整。

步骤S4中基于步骤S3的结果生成相应的血流储备分数报告，血流储备分数报告的形式可以是文本、图片或三维影像等。

作为血流储备分数报告的形式之一，作为优选，血流储备分数报告中，在三维模型中模拟显示各部位的血流储备分数。模拟显示效果参见图16和图17。

本实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被计算机处理器执行时实现上述获取血流储备分数的方法。

本实施例还提供一种获取血流储备分数的装置，包括计算机存储器、计算机处理器、以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，所述计算机处理器执行所述计算机程序时，实现上述获取血流储备分数的方法。

本实施例装置可配置的远端，通过与之相连的远程终端获得与冠状动脉以及心脏相关的图像数据和生理参数，还可以是本实施例装置本身就配置在终端，直接通过医学影像设备或人工输入的方式获得与冠状动脉以及心脏相关的图像数据和生理参数。

本实施例还提供一种获取血流储备分数的系统，包括终端以及服务器，所述服务器包括计算机存储器、计算机处理器、以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，所述服务器从终端获取与冠状动脉以及心脏相关的图像数据和生理参数；

所述计算机处理器执行所述计算机程序时，实现上述获取血流储备分数的方法。

本实施例系统中的终端以及云端的服务器上安装有分别安装有软件系统，服务器系统通过C，C++，Java，Python，HTM5等编程语言开发。终端软件系统包括但不限于Mac OS版，Windows版，Unix/Linux版，Androids版或Apple版。

以上公开的仅为本发明的具体实施例，但是本发明并非局限于此，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。显然这些改动和变型均应属于本发明要求的保护范围保护内。此外，尽管本说明书中使用了一些特定的术语，但这些术语只是为了方便说明，并不对本发明构成任何特殊限制。

Claims (12)

1.一种获取血流储备分数的方法，其特征在于，包括：

步骤S1，获取与冠状动脉以及心脏相关的图像数据和生理参数，通过对图像数据的处理构建相应的三维模型；

步骤S2，根据所述三维模型求解血液动力学控制方程，以获得三维模型所表达区域的冠状动脉的血液动力学参数分布；

其中三维模型边界部分的血液动力学参数是利用集总模型且通过遗传算法求解获得；

步骤S3，根据步骤S2获得的相关参数，计算血管狭窄部位的血流储备分数；

步骤S4，基于步骤S3的结果生成相应的血流储备分数报告。

2.如权利要求1所述的获取血流储备分数的方法，其特征在于，步骤S1中，构建三维模型时，包括：

获取冠状动脉图像数据，对所获得的冠状动脉图像数据进行重构，得到三维形式的冠状动脉重构模型；

获取心脏图像数据，对所获得的心脏图像数据进行重构，得到三维形式的心脏重构模型；

根据所述冠状动脉重构模型建立冠状动脉的几何模型和网格模型。

3.如权利要求1所述的获取血流储备分数的方法，其特征在于，所述三维模型中，边界部分至少包括冠状动脉各分支血管出口边界，血液动力学控制方程与集总模型在冠状动脉的各分支血管出口边界耦合，耦合设置条件为血液流量或血压。

4.如权利要求3所述的获取血流储备分数的方法，其特征在于，所述集总模型内的目标参数通过遗传算法进行求解，包括：

依照预设的边界条件，将所述生理参数中相关的实测数据作为目标曲线；

集总模型的目标参数作为遗传算法的种群的个体，在种群逐代进化时，每代均获得对应的进化后目标参数，依据该进化后目标参数拟合获得相应的模拟曲线并与目标曲线相比；

循环生成模拟曲线，直至模拟曲线与目标曲线的误差值小于设定值，停止进化，获得目标参数的最优解，即获得冠状动脉在三维模型边界处的血液动力学参数。

5.如权利要求4所述的获取血流储备分数的方法，其特征在于，所述目标曲线为主动脉出口血压的实测波形曲线，或主动脉出口血液流量的实测波形曲线。

6.如权利要求4所述的获取血流储备分数的方法，其特征在于，所述误差值为y_i是目标曲线，y′_i是模拟波形曲线。

7.如权利要求1所述的获取血流储备分数的方法，其特征在于，步骤S3中，血流储备分数计算公式为：

P_distal为血管狭窄位置处下游2～3cm的血压；

Pa取近似值，等于主动脉运动参考平均压强

8.如权利要求7所述的获取血流储备分数的方法，其特征在于，所述的计算方式为：

P_{sys-hyperemia}＝P_sys-rest×(1+γ_sys)

P_{dias-hyperemia}＝P_dias-rest×(1+γ_dias)

P_{dias-hyperemia}为主动脉运动舒张压；

P_{sys-hyperemia}为主动脉运动收缩压；

P_dias-rest为静止状态舒张压；

P_sys-rest为静止状态收缩压；

S_d为心舒张期占比；

S_t为心收缩期占比；

γ_sys为收缩压变化率；

γ_dias为舒张压变化率。

9.如权利要求1所述的获取血流储备分数的方法，其特征在于，所述血流储备分数报告中，在所述三维模型中模拟显示各部位的血流储备分数。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被计算机处理器执行时实现如权利要求1～9任一项所述的获取血流储备分数的方法。

11.一种获取血流储备分数的装置，包括计算机存储器、计算机处理器、以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，其特征在于，所述计算机处理器执行所述计算机程序时，实现如权利要求1～9任一项所述的获取血流储备分数的方法。

12.一种获取血流储备分数的系统，包括终端以及服务器，所述服务器包括计算机存储器、计算机处理器、以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，其特征在于，所述服务器从终端获取与冠状动脉以及心脏相关的图像数据和生理参数；所述计算机处理器执行所述计算机程序时，实现如权利要求1～9任一项所述的获取血流储备分数的方法。