CN109036551A - 一种冠状动脉生理学指标关系建立及应用方法、装置 - Google Patents

一种冠状动脉生理学指标关系建立及应用方法、装置 Download PDF

Info

Publication number
CN109036551A
CN109036551A CN201810749422.7A CN201810749422A CN109036551A CN 109036551 A CN109036551 A CN 109036551A CN 201810749422 A CN201810749422 A CN 201810749422A CN 109036551 A CN109036551 A CN 109036551A
Authority
CN
China
Prior art keywords
coronary artery
heart
corresponding relationship
combination
parameter
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
Application number
CN201810749422.7A
Other languages
English (en)
Other versions
CN109036551B (zh
Inventor
张静
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.)
Beijing Heart Century Medical Technology Co Ltd
Original Assignee
Beijing Heart Century Medical Technology Co Ltd
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 Beijing Heart Century Medical Technology Co Ltd filed Critical Beijing Heart Century Medical Technology Co Ltd
Priority to CN201810749422.7A priority Critical patent/CN109036551B/zh
Publication of CN109036551A publication Critical patent/CN109036551A/zh
Application granted granted Critical
Publication of CN109036551B publication Critical patent/CN109036551B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
    • A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
    • 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
    • A61B5/02007—Evaluating blood vessel condition, e.g. elasticity, compliance
    • 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
    • A61B5/026—Measuring blood flow
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
    • A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
    • A61B2034/101—Computer-aided simulation of surgical operations
    • A61B2034/105—Modelling of the patient, e.g. for ligaments or bones

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Cardiology (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Physics & Mathematics (AREA)
  • Physiology (AREA)
  • Primary Health Care (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Robotics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Vascular Medicine (AREA)
  • Hematology (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明公开了一种冠状动脉生理学指标关系建立及应用方法、装置，包括：以人为单位获取若干人体参数；以人为单位确定每一人的冠状动脉生理学指标；以人为单位，建立每一人的若干人体参数与冠状动脉生理学指标之间的第一对应关系；根据第一对应关系建立优化融合确定各种生理参数与各种冠状动脉生理学指标之间的第二对应关系。采集患者的若干人体参数；根据第二对应关系确定各生理参数对应的冠状动脉生理学指标。采用本发明的优化融合方法，能够比仅采用几何测量更准确且可靠地来评价冠状动脉狭窄的生理学严重程度。

Description

一种冠状动脉生理学指标关系建立及应用方法、装置
技术领域
本发明涉及医学技术领域，特别涉及一种冠状动脉生理学指标关系建立及应用方法、装置。
背景技术
冠心病是冠状动脉性心脏病的简称，是一种最常见的心脏病。冠心病是一种由冠状动脉器质性(动脉粥样硬化或动力性血管痉挛)狭窄或阻塞引起的心肌缺血缺氧(心绞痛)或心肌坏死(心肌梗塞)的心脏病，亦称缺血性心脏病。
冠心病的发生与冠状动脉粥样硬化狭窄的程度和支数有密切关系，同时患有高血压、糖尿病等疾病，以及过度肥胖、不良生活习惯等是诱发该病的主要因素。冠心病是全球死亡率最高的疾病之一。除了药物治疗，冠状动脉血管重建术是治疗严重冠心病的最常用和有效手段之一，它包括经皮冠状动脉介入治疗(俗称支架)和冠状动脉旁路移植术(俗称搭桥)。
目前用于冠心病诊断的主要介入技术有CAG(coronary angiography，冠状动脉造影)和FFR(fractional flow reserve，血流储备分数)。
冠状动脉造影可以在X射线透视下，注入显影剂使冠脉显影，并直接观测和评估狭窄程度；但CAG只能评价冠状动脉的解剖学改变，不能评价反映冠状动脉功能的血流动力学指标。根据冠状动脉造影检测血管狭窄从而评估心肌缺血程度是不可靠的，在临床应用中会导致对没有严重心肌缺血的狭窄冠状动脉实施不必要的介入治疗。
近年来，反映血管狭窄对血流动力学的影响的血流储备分数被临床试验证明能更准确可靠地评估导致缺血的冠脉狭窄，并被证明是临床上评价冠状动脉缺血的金标准，根据FFR来规划支架手术比CAG的预后要好。血流储备分数是在充血状态下冠状动脉血管病变远端与近端压力的比值，医生可根据患者的FFR值进行诊断并采取合适的治疗方案。但是，由于血流储备分数的检测是采用压力导丝的有创检查，并且检测设备昂贵、操作要求高，目前其尚未能在临床中得到广泛应用。
需要介入手术的基于冠状动脉造影和血流储备分数都是有创的，对于大多数最后被证明没有缺血的患者是不合适的。这几年，CCTA(coronary CT angiography，多排螺旋CT冠脉造影)的迅速发展成为临床上无创性诊断冠心病的重要手段。CCTA具有较高的时间及空间分辨率，可以直观且准确地提供冠状动脉的解剖学信息，对评价冠状动脉狭窄程度有非常高的准确性，加之其更可靠的阴性预测值，使其成为排除冠心病的独特手段。然而，类似冠状动脉造影，CCTA虽然能提供精确的解剖学狭窄测量，这些狭窄并不一定导致缺血，所以基于CCTA的冠脉诊断常高估冠脉病变的严重程度，造成过度的缺血性判定进而带来了很多不必要的有创冠脉造影检查或血管重建术。
基于影像学(CAG或者CCTA)的冠心病诊断目前主要依赖于临床医生根据经验利用计算机辅助软件进行评价，这种评价可能是定性的(一般的或严重的血管狭窄)，也可能是定量的(按直径衡量的70％的血管狭窄)。可能是侵入性的(如利用CAG)，也可能是非侵入性的(如利用CCTA)。
现有的计算机辅助软件普遍采用几何测量来评价冠状动脉狭窄的严重程度，但是其不足在于：这些几何测量的方法没有被足够优化，体现在医生需要主观的而不可重复的判断和操作，使得其准确率和可靠性对评价当前考虑的狭窄程度性能产生影响，更重要的是无法对狭窄程度的生理学严重性进行衡量。
发明内容
本发明提供了一种冠状动脉生理学指标关系建立及应用方法、装置，用以在采用几何模型来评价冠状动脉狭窄的严重程度时，提高这些几何模型的准确率和可靠性。
本发明实施例中提供了一种冠状动脉生理学指标关系建立方法，包括：
以人为单位获取若干人体参数；
以人为单位确定每一人的冠状动脉生理学指标；
以人为单位，建立每一人的若干人体参数与冠状动脉生理学指标之间的第一对应关系；
根据第一对应关系确定各种生理参数与各种冠状动脉生理学指标之间的第二对应关系。
较佳地，所述人体参数包括以下参数之一或者其组合：
生理参数、从影像学得到的血管解剖特征参数、从影像学得到的血管和心脏的一维简化模型或三维几何模型、手术前后的血管和心脏的一维简化模型或三维几何模型。
较佳地，所述人体参数为生理参数；
所述第一对应关系为以人为单位建立的每一人的若干生理参数与冠状动脉生理学指标之间的第三对应关系；
所述第二对应关系为根据第一对应关系确定的各种生理参数与各种冠状动脉生理学指标之间的第四对应关系。
较佳地，所述生理参数包括以下参数之一或者其组合：
基本生理参数、医学上使用的积分指标、反映遗传信息的特征、定量的体外诊断或者影像学检查结果、历史采集数据、与心脏病相关疾病的发病史、或与心脏病相关疾病的治疗史。
较佳地，基本生理参数包括以下参数之一或者其组合：性别、年龄、身高、体重、血压、心率；或，
医学上使用的积分指标包括以下参数之一或者其组合：Framingham风险评分、SYNTAX积分；或，
反映遗传信息的特征包括以下参数之一或者其组合：单个核苷酸位点、多个核苷酸位点、部分的DNA、全部的DNA序列、部分的RNA序列、全部的RNA序列；或，
定量的体外诊断或者影像学检查结果包括以下参数之一或者其组合：胆固醇水平、钙化积分、心电图、运动平板、负荷超声、冠脉造影。
较佳地，所述人体参数为从影像学得到的血管解剖特征参数；
所述第一对应关系为以人为单位建立的每一人的若干从影像学得到的血管解剖特征参数与冠状动脉生理学指标之间的第五对应关系；
所述第二对应关系为根据第五对应关系确定的各种从影像学得到的血管解剖特征参数与各种冠状动脉生理学指标之间的第六对应关系。
较佳地，所述影像学包括以下方式之一或者其组合：
冠状动脉CT造影、冠状动脉X光造影、冠状动脉MR造影、IVUS、血管内OCT。
较佳地，所述血管解剖特征参数包括以下参数之一或者其组合：
至少一支冠脉管腔直径、至少一支冠脉管腔横截面积、至少一支冠脉管腔按直径或横截面积的狭窄百分比、至少一支冠脉管腔狭窄长度和体积、狭窄在整个冠脉树中的分布和位置、狭窄与上下游分叉的距离、沿中心线管腔内影像灰度衰减梯度、随时间变化的造影剂在管腔内的传播特性、冠脉管壁厚度、斑块体积或形状、斑块钙化或非钙化程度、主动脉直径、主动脉横截面积。
较佳地，所述影像学包括以下方式之一或者其组合：
心脏超声、心脏CT成像、心脏MR成像、心脏PET、心脏SPECT成像、心脏X光造影。
较佳地，所述血管解剖特征参数包括以下参数之一或者其组合：
射血分数、每搏出量、舒张末期各心室和心房容积、收缩末期各心室和心房容积、和心肌的体积和重量、心内膜的体积和重量、心外膜的体积和重量、主动脉瓣膜几何和钙化特性、心肌内影像灰度、心肌内影像灌注值分布。
较佳地，所述人体参数为从影像学得到的血管和心脏的一维简化模型或三维几何模型；
所述第一对应关系为以人为单位建立的每一人的若干从影像学得到的血管和心脏的一维简化模型或三维几何模型与冠状动脉生理学指标之间的第七对应关系；
所述第二对应关系为根据第七对应关系确定的各种从影像学得到的血管和心脏的一维简化模型或三维几何模型与各种冠状动脉生理学指标之间的第八对应关系。
较佳地，所述影像学包括以下方式之一或者其组合：
冠状动脉CT造影、冠状动脉X光造影、冠状动脉MR造影、IVUS、血管内OCT。
较佳地，所述影像学包括以下方式之一或者其组合：
心脏超声、心脏CT成像、心脏MR成像、心脏PET、心脏SPECT成像、心脏X光造影。
较佳地，所述血管的几何模型包括以下结构之一或者其组合：
至少一支冠脉管腔结构、至少一支冠脉管壁机构、至少一支主动脉结构；
和/或，
所述心脏的几何模型包括以下结构之一或者其组合：
各心室和心房的内壁结构、各心室和心房的心肌结构、各心室和心房的心内膜结构、各心室和心房的心外膜结构、各心室和心房的主动脉瓣膜结构。
较佳地，所述一维简化模型或三维几何模型包括以下参数之一或者其组合：
至少一种流体边界条件、至少一种固体边界条件、血液流体特性、血管和心脏的固体特性。
较佳地，所述流体边界条件包括以下参数之一或者其组合：血流量、血流速、血压、阻力；或，
所述固体边界条件包括以下参数之一或者其组合：位移、应力；或，
所述血液流体特性包括以下参数之一或者其组合：血液粘滞度、密度；或，
所述血管和心脏的固体特性包括以下参数之一或者其组合：杨氏模量、泊松比、密度、柔度。
较佳地，所述人体参数为手术前后的血管和心脏的一维简化模型或三维几何模型；
所述第一对应关系为以人为单位建立的每一人的若干手术前后的血管和心脏的一维简化模型或三维几何模型与冠状动脉生理学指标之间的第九对应关系；
所述第二对应关系为根据第九对应关系确定各种手术前后的血管和心脏的一维简化模型或三维几何模型与冠状动脉生理学指标与各种冠状动脉生理学指标之间的第十对应关系。
较佳地，所述血管的几何模型包括以下结构之一或者其组合：
至少一支冠脉管腔结构、至少一支冠脉管壁机构、至少一支主动脉结构；
和/或，
所述心脏的几何模型包括以下结构之一或者其组合：
各心室和心房的内壁结构、各心室和心房的心肌结构、各心室和心房的心内膜结构、各心室和心房的心外膜结构、各心室和心房的主动脉瓣膜结构。
较佳地，所述一维简化模型或三维几何模型包括以下参数之一或者其组合：
至少一种流体边界条件、至少一种固体边界条件、血液流体特性、血管和心脏的固体特性。
较佳地，所述流体边界条件包括以下参数之一或者其组合：血流量、血流速、血压、阻力；或，
所述固体边界条件包括以下参数之一或者其组合：位移、应力；或，
所述血液流体特性包括以下参数之一或者其组合：血液粘滞度、密度；或，
所述血管和心脏的固体特性包括以下参数之一或者其组合：杨氏模量、泊松比、密度、柔度。
较佳地，所述冠状动脉生理学指标包括以下参数之一或者其组合：
血流储备分数、斑块的力学稳定性、心肌灌注水平、iFR、CFR、IMR。
本发明实施例中提供了一种冠状动脉生理学指标关系的应用方法，包括：
采集患者的若干人体参数；
根据上述的第二对应关系确定各生理参数对应的冠状动脉生理学指标，其中，第二对应关系包括以下关系之一或者其组合：第四对应关系、第六对应关系、第八对应关系、第十对应关系。
本发明实施例中提供了一种冠状动脉生理学指标关系建立装置，包括：
参数获取模块，用于以人为单位获取若干人体参数；
指标获取模块，用于以人为单位确定每一人的冠状动脉生理学指标；
建模模块，用于以人为单位，建立每一人的若干人体参数与冠状动脉生理学指标之间的第一对应关系；根据第一对应关系确定各种生理参数与各种冠状动脉生理学指标之间的第二对应关系。
较佳地，所述人体参数包括以下参数之一或者其组合：
生理参数、从影像学得到的血管解剖特征参数、从影像学得到的血管和心脏的一维简化模型或三维几何模型、手术前后的血管和心脏的一维简化模型或三维几何模型。
较佳地，所述人体参数为生理参数；
所述第一对应关系为以人为单位建立的每一人的若干生理参数与冠状动脉生理学指标之间的第三对应关系；
所述第二对应关系为根据第一对应关系确定的各种生理参数与各种冠状动脉生理学指标之间的第四对应关系。
较佳地，所述生理参数包括以下参数之一或者其组合：
基本生理参数、医学上使用的积分指标、反映遗传信息的特征、定量的体外诊断或者影像学检查结果、历史采集数据、与心脏病相关疾病的发病史、或与心脏病相关疾病的治疗史。
较佳地，基本生理参数包括以下参数之一或者其组合：性别、年龄、身高、体重、血压、心率；或，
医学上使用的积分指标包括以下参数之一或者其组合：Framingham风险评分、SYNTAX积分；或，
反映遗传信息的特征包括以下参数之一或者其组合：单个核苷酸位点、多个核苷酸位点、部分的DNA、全部的DNA序列、部分的RNA序列、全部的RNA序列；或，
定量的体外诊断或者影像学检查结果包括以下参数之一或者其组合：胆固醇水平、钙化积分、心电图、运动平板、负荷超声、冠脉造影。
较佳地，所述人体参数为从影像学得到的血管解剖特征参数；
所述第一对应关系为以人为单位建立的每一人的若干从影像学得到的血管解剖特征参数与冠状动脉生理学指标之间的第五对应关系；
所述第二对应关系为根据第五对应关系确定的各种从影像学得到的血管解剖特征参数与各种冠状动脉生理学指标之间的第六对应关系。
较佳地，所述影像学包括以下方式之一或者其组合：
冠状动脉CT造影、冠状动脉X光造影、冠状动脉MR造影、IVUS、血管内OCT。
较佳地，所述血管解剖特征参数包括以下参数之一或者其组合：
至少一支冠脉管腔直径、至少一支冠脉管腔横截面积、至少一支冠脉管腔按直径或横截面积的狭窄百分比、至少一支冠脉管腔狭窄长度和体积、狭窄在整个冠脉树中的分布和位置、狭窄与上下游分叉的距离、沿中心线管腔内影像灰度衰减梯度、随时间变化的造影剂在管腔内的传播特性、冠脉管壁厚度、斑块体积或形状、斑块钙化或非钙化程度、主动脉直径、主动脉横截面积。
较佳地，所述影像学包括以下方式之一或者其组合：
心脏超声、心脏CT成像、心脏MR成像、心脏PET、心脏SPECT成像、心脏X光造影。
较佳地，所述血管解剖特征参数包括以下参数之一或者其组合：
射血分数、每搏出量、舒张末期各心室和心房容积、收缩末期各心室和心房容积、和心肌的体积和重量、心内膜的体积和重量、心外膜的体积和重量、主动脉瓣膜几何和钙化特性、心肌内影像灰度、心肌内影像灌注值分布。
较佳地，所述人体参数为从影像学得到的血管和心脏的一维简化模型或三维几何模型；
所述第一对应关系为以人为单位建立的每一人的若干从影像学得到的血管和心脏的一维简化模型或三维几何模型与冠状动脉生理学指标之间的第七对应关系；
所述第二对应关系为根据第七对应关系确定的各种从影像学得到的血管和心脏的一维简化模型或三维几何模型与各种冠状动脉生理学指标之间的第八对应关系。
较佳地，所述影像学包括以下方式之一或者其组合：
冠状动脉CT造影、冠状动脉X光造影、冠状动脉MR造影、IVUS、血管内OCT。
较佳地，所述影像学包括以下方式之一或者其组合：
心脏超声、心脏CT成像、心脏MR成像、心脏PET、心脏SPECT成像、心脏X光造影。
较佳地，所述血管的几何模型包括以下结构之一或者其组合：
至少一支冠脉管腔结构、至少一支冠脉管壁机构、至少一支主动脉结构；
和/或，
所述心脏的几何模型包括以下结构之一或者其组合：
各心室和心房的内壁结构、各心室和心房的心肌结构、各心室和心房的心内膜结构、各心室和心房的心外膜结构、各心室和心房的主动脉瓣膜结构。
较佳地，所述一维简化模型或三维几何模型包括以下参数之一或者其组合：
至少一种流体边界条件、至少一种固体边界条件、血液流体特性、血管和心脏的固体特性。
较佳地，所述流体边界条件包括以下参数之一或者其组合：血流量、血流速、血压、阻力；或，
所述固体边界条件包括以下参数之一或者其组合：位移、应力；或，
所述血液流体特性包括以下参数之一或者其组合：血液粘滞度、密度；或，
所述血管和心脏的固体特性包括以下参数之一或者其组合：杨氏模量、泊松比、密度、柔度。
较佳地，所述人体参数为手术前后的血管和心脏的一维简化模型或三维几何模型；
所述第一对应关系为以人为单位建立的每一人的若干手术前后的血管和心脏的一维简化模型或三维几何模型与冠状动脉生理学指标之间的第九对应关系；
所述第二对应关系为根据第九对应关系确定各种手术前后的血管和心脏的一维简化模型或三维几何模型与冠状动脉生理学指标与各种冠状动脉生理学指标之间的第十对应关系。
较佳地，所述血管的几何模型包括以下结构之一或者其组合：
至少一支冠脉管腔结构、至少一支冠脉管壁机构、至少一支主动脉结构；
和/或，
所述心脏的几何模型包括以下结构之一或者其组合：
各心室和心房的内壁结构、各心室和心房的心肌结构、各心室和心房的心内膜结构、各心室和心房的心外膜结构、各心室和心房的主动脉瓣膜结构。
较佳地，所述一维简化模型或三维几何模型包括以下参数之一或者其组合：
至少一种流体边界条件、至少一种固体边界条件、血液流体特性、血管和心脏的固体特性。
较佳地，所述流体边界条件包括以下参数之一或者其组合：血流量、血流速、血压、阻力；或，
所述固体边界条件包括以下参数之一或者其组合：位移、应力；或，
所述血液流体特性包括以下参数之一或者其组合：血液粘滞度、密度；或，
所述血管和心脏的固体特性包括以下参数之一或者其组合：杨氏模量、泊松比、密度、柔度。
较佳地，所述冠状动脉生理学指标包括以下参数之一或者其组合：
血流储备分数、斑块的力学稳定性、心肌灌注水平、iFR、CFR、IMR。
本发明实施例中提供了一种冠状动脉生理学指标关系的应用装置，包括：
参数采集模块，用于采集患者的若干人体参数；
指标确定模块，用于根据上述的第二对应关系确定各生理参数对应的冠状动脉生理学指标，其中，第二对应关系包括以下关系之一或者其组合：第四对应关系、第六对应关系、第八对应关系、第十对应关系。
本发明实施例中提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法。
本发明实施例中提供了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执行上述方法的计算机程序。
本发明有益效果如下：
在本发明实施例提供的技术方案中，在建立模型，也即建立各种生理参数与各种冠状动脉生理学指标之间的对应关系时，考虑到了人体参数这一因素，进一步的，是考虑了生理参数、从影像学得到的血管解剖特征参数、从影像学得到的血管和心脏的一维简化模型或三维几何模型、手术前后的血管和心脏的一维简化模型或三维几何模型等因素，因此能够完善模型，从而在采用几何模型来评价冠状动脉狭窄的严重程度时，提高这些几何模型的准确率和可靠性。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明实施例中冠状动脉生理学指标关系建立方法实施流程示意图；
图2为本发明实施例中冠状动脉生理学指标关系的应用方法实施流程示意图；
图3为本发明实施例中统计学预测模型实施流程示意图；
图4为本发明实施例中影像学预测模型1实施流程示意图；
图5为本发明实施例中影像学预测模型2实施流程示意图；
图6为本发明实施例中预测生理学指标流体力学模型实施流程示意图；
图7为本发明实施例中预测生理学指标流固耦合力学模型实施流程示意图；
图8为本发明实施例中预测生理学指标变化形态学模型实施流程示意图；
图9为本发明实施例中预测生理学指标的融合优化模型实施流程示意图；
图10为本发明实施例中冠状动脉生理学指标关系建立装置结构示意图；
图11为本发明实施例中冠状动脉生理学指标关系的应用装置结构示意图。
具体实施方式
发明人在发明过程中注意到：
现有的计算机辅助软件普遍采用几何测量的方法来评价冠状动脉狭窄的严重程度，而这些几何测量的方法没有能被足够优化，包括模型本身的内在局限性、完备性，和模型对影像数据拟合程度，使得其准确率和可靠性对评价当前考虑的狭窄程度性能产生影响，导致医生需要更多主观的而不可重复的判断和操作。另一方面，单纯依靠影像学仅只能评价血管狭窄在解剖学意义上的严重程度，并不能直接获取狭窄导致的生理学影响，包括血液动力学、血管壁运动学和动力学、心肌缺血和梗死程度、斑块力学强度及稳定性预测。
目前作为影像学后处理技术，依靠解剖学几何模型，利用计算流体和固体力学以及统计学等的预测建模对狭窄程度进行生理学评价是有帮助的，这其中就包括通过流体力学仿真计算血液动力学特性(如压力和流速)从而获得血流储备分数。然而，与几何模型一样，这些评价狭窄程度的生理学模型普遍包含不同数量的参数、它们并没有经过系统的优化，其准确性和可靠性受到限制。
更重要的是，生理学模型往往仅针对个性化的从影像学提取的几何模型和基于计算力学的得到血液动力学特性，并未考虑融合进医生更看重的患者基本特征指标(如年龄、身高、体重、心率、肺活量、以及病史等)。
另外，除了血流储备分数，其他的有临床价值的生理学指标评价方法还不成熟，例如，如何通过计算力学或者固体液体耦合得到更真实的血管壁表面和内部应力从而估计斑块的力学稳定性，如何通过统计学方法从已有病例数据库和先验知识中，并结合血液动力学信息，评估当前感兴趣的狭窄导致的心肌灌注水平异常等。
再有一方面，现在医生仅依靠影像学和其他检测手段主观规划治疗方案，如对某一特定患者和所具有的狭窄病变是否应该放支架或者做搭桥手术，没有利用有效的解剖学和生理学模型给出的客观评价，更没有将这些模型优化，进而客观地和准确地从不同备选方案导致的术后结果中选出最优的治疗方案。
因此，需要一种基于优化融合模型的新方案用于从解剖学和生理学意义上全面系统地评价冠心病的严重程度以及规划相应的有效治疗方案。本发明实施例中提供的方案能辅助心内科和影像科医生客观的和准确的诊断和治疗怀疑有冠心病的患者。
更具体的，本发明实施例中提供了用于依靠优化融合模型的方案来评估冠状动脉狭窄导致的解剖学和生理学意义上的严重程度以及辅助医生规划有效的治疗方案。其中，所述方案将建立包括至少一种的反映患者基本特征的统计学预测模型、反映血管和心脏解剖结构的影像学预测模型、反映血管和心脏功能的力学预测模型、以及反映治疗冠心病手术方案的变化形态学预测模型。同时，融合模型针对至少两种基础模型的优化整合，从而使优化得到的模型具备在可能情况下最准确、最快确定对临床诊断和治疗有意义的冠状动脉生理学指标的能力。
下面结合附图对本发明的具体实施方式进行说明。
图1为冠状动脉生理学指标关系建立方法实施流程示意图，如图所示，可以包括：
步骤101、以人为单位获取若干人体参数；
步骤102、以人为单位确定每一人的冠状动脉生理学指标；
步骤103、以人为单位，建立每一人的若干人体参数与冠状动脉生理学指标之间的第一对应关系；
步骤104、根据第一对应关系确定各种生理参数与各种冠状动脉生理学指标之间的第二对应关系。
其中，步骤101与步骤102均是数据采集步骤，本领域技术人员容易理解，二者之间并无严格的时序关系。
实施中，所述冠状动脉生理学指标包括以下参数之一或者其组合：
血流储备分数、斑块的力学稳定性、心肌灌注水平、iFR、CFR、IMR。
具体实施中，生理学指标为冠状动脉FFR(fractionalflow reserve，血流储备分数)时，血流储备分数定义为在最大充血下，狭窄后血管中的血流量和同一血管在假设正常下血流量的比值。因为两个血流量同时在最大充血下获得，它可以替代为在最大充血下狭窄后的血压与主动脉中冠脉入口处的血压的比值，有创手段一般只能测量在狭窄后一点或从狭窄到主动脉中冠脉入口一支血管中的FFR。通过模型的方式预测FFR则不受此限制，因为血管内任意一点的FFR值都可以通过该点的血压与冠脉入口处的血压的比值来获得，FFR值介于0和1之间，通常阈值为0.8，小于0.8的狭窄被认为生理学上的缺血病变。
生理学指标为斑块的MS(mechanical stability，力学稳定性)时，与FFR不同，评价斑块的力学稳定性目前并没有公认的办法，基于基本力学原理，不失一般性定义给定的斑块力学稳定性为斑块材料强度与斑块所受周围应力的比值。斑块一般分为脂质斑块、混合性斑块和钙化斑块，三种斑块的稳定性依次增强，而周围应力主要来自作用于斑块表面的压力和剪切力。随着MS值增大，斑块的力学稳定性增加，斑块的破损风险降低。
生理学指标为MP(myocardial perfusion，心肌灌注水平)时，灌注水平量化指标较为公认的定义心肌血流量，即定体积心肌在一定时间里的血流量，该灌注指标在动态图像上由显影剂通过心肌随心脏周期变化曲线来估计，有时也通过在负荷下与静息下两次成像的灌注水平比值来估计。
除了这三种生理学指标，实施也可以采用iFR(instantaneous wave-free ratio，瞬时无波型比率)、CFR(coronary flow reserve，冠状动脉血流储备)和IMR(index ofmicrovascular resistance，微循环阻力指数)等。
实施中，这些生理学指标有的是局部定义的，如斑块稳定性，即需要对每个分立的不同斑块有区别的评价稳定性；而有的是分布式定义的，如心肌灌注水平，即需要对连续的心肌不同区域评价心肌灌注水平；还有的既是局部定义的也可以是分布式定义的，如血流储备分数，可以是对每个狭窄也可以对冠脉树上所有位置进行评价；另外，为了描述患者的生理学指标有时也需要给这些指标的全局定义，如患者的血流储备分数一般为所有三支冠脉中的每个狭窄血流储备分数的最小值，即衡量对应最严重狭窄的缺血程度。
实施中，这些生理学指标有的可以通过有创或者无创物理测量得到，如用压力导丝测量血流分数等；有的则可以通过计算机仿真得到，如利用计算流体和固体力学估计斑块力学稳定性。得到的生理学指标都可以用来作为本发明实施例中的各种模型建立方案的输入数据的一部分。关于模型在下面的实施例中还将会进行说明。
在确定上述的对应关系后，本发明实施例中还提供了一种冠状动脉生理学指标关系的应用方法，用于获取患者冠状动脉生理学指标。图2为冠状动脉生理学指标关系的应用方法实施流程示意图，如图所示，可以如下：
步骤201、采集患者的若干人体参数；
步骤202、根据第二对应关系确定各生理参数对应的冠状动脉生理学指标。
其中，第二对应关系包括以下关系之一或者其组合：第四对应关系、第六对应关系、第八对应关系、第十对应关系。
下面将分别对第四对应关系、第六对应关系、第八对应关系、第十对应关系进行说明。
实施中，为便于理解，也可以将各对应关系表述为各模型，例如在第一方案中将第四对应关系称为统计学预测模型，但需要说明的是，各模型的名称仅限于名称本身，是便于各技术领域的人员理解所用的，并不额外包含更多含义，例如“统计学预测模型”这一名称中不包含必须采用统计学中严格的统计手段或者预测学中严格的预测手段等。
一、第一方案：第四对应关系-统计学预测模型。
本方案提供了一种建立患者基本特征数据和冠状动脉生理学指标之间的统计学预测模型，该预测模型可以包括以下至少一种基本生理参数，例如性别、年龄、身高、体重、包括平均压、收缩压或者舒张压的血压、心率等。
该模型也可以包括以下至少一种医学上常用的积分指标，如Framingham风险评分、SYNTAX(Synergy between PCI with Taxus and Cardiac Surgery，采用TAXUS行PCI和心脏外科手术的比较)积分等。
该模型还可以包含以下至少一种反映患者遗传信息的特征，如单个或多个核苷酸位点、部分或全部的DNA(Deoxyribonucleic acid，脱氧核糖核酸)或RNA(RibonucleicAcid，核糖核酸)序列等。
该模型也可以包括以下至少一种定量的体外诊断或者影像学检查结果，如胆固醇水平、钙化积分、心电图、运动平板、负荷超声、冠脉造影等。
该模型还可以包括以下至少一种以上提到指标的历史采集数据或者心脏病相关疾病的发病史(如高血压、糖尿病等)或治疗史(如心脏支架或者搭桥手术等)。
在实施时，先接收一定数量患者的以上提到的指标以及冠状动脉狭窄生理学指标的数据，以及生理学指标；然后利用数据，建立并优化生理学指标的统计学预测模型；最后就可以利用统计学预测模型来确定特定患者未知的生理学指标。也即：
实施中，所述人体参数可以为生理参数；
所述第一对应关系为以人为单位建立的每一人的若干生理参数与冠状动脉生理学指标之间的第三对应关系；
所述第二对应关系为根据第一对应关系确定的各种生理参数与各种冠状动脉生理学指标之间的第四对应关系。
具体实施中，所述生理参数可以包括以下参数之一或者其组合：
基本生理参数、医学上使用的积分指标、反映遗传信息的特征、定量的体外诊断或者影像学检查结果、历史采集数据、与心脏病相关疾病的发病史、或与心脏病相关疾病的治疗史。
其中，实施中：
基本生理参数可以包括以下参数之一或者其组合：性别、年龄、身高、体重、血压、心率；或，
医学上使用的积分指标可以包括以下参数之一或者其组合：Framingham风险评分、SYNTAX积分；或，
反映遗传信息的特征可以包括以下参数之一或者其组合：单个核苷酸位点、多个核苷酸位点、部分的DNA、全部的DNA序列、部分的RNA序列、全部的RNA序列；或，
定量的体外诊断或者影像学检查结果可以包括以下参数之一或者其组合：胆固醇水平、钙化积分、心电图、运动平板、负荷超声、冠脉造影。
下面用实例进行说明。
本例的目标是建立患者基本特征数据和冠状动脉生理学指标之间的统计学预测模型，该模型以所有可能在临床上采集到的当前或历史特征数据为基础，通过统计学的方式估计感兴趣的生理学指标。本例中的方案相对简单、快捷，且考虑所有可能在统计规律下对估计生理学指标有帮助的特征，尤其适合评价全局定义的指标。
图3为统计学预测模型实施流程示意图，如图所示，可以包括建立统计学预测模型与利用模型预测生理学指标两部分，具体可以如下：
步骤301、接收一定数量患者的人体参数以及冠状动脉狭窄生理学指标的数据；
具体的，步骤301中，接收一定数量患者的人体参数基本特征指标以及冠状动脉狭窄生理学指标的数据，这些特征可以是基本生理参数、常用的积分指标、体外诊断或者影像学检查结果、历史采集数据或者心脏病相关疾病的发病史或治疗史。
进一步的，在这些接收到的特征基础上，还可以通过临床实践或特征工程的方法生成新的特征，如计算身高体重指数或以体重归一化的每搏出量等。基本特征和新生成的特征也可以一起作为建立统计模型的输入，特征的类别可以是定类的、定序的、定距的或定比的。
接收的数据还可以包括在同一组患者上的已知生理学指标，这些指标都可以提供用以建立统计学模型所需要的输出样本。
步骤302、选择合适的统计学模型；
具体的，在步骤302中，可以根据输入数据和拟合性能比较，从简单到复杂的顺序，逐步选择合适的统计学模型，因为一般的生理学指标为连续变量，通常可以从回归模型中选择，例如简单线性回归、多项式回归、岭回归、LASSO(Least absolute shrinkage andselection operator，最小绝对收缩与选择算子)回归、弹性网络回归、最小角度回归等。有些回归模型(如LASSO回归等)直接支持特征选择，对于不支持特征选择的回归模型，可以在模型前端加入包装类或者过滤类的特征选择方法。
步骤303、对模型参数进行优化；
具体的，在步骤303，可以利用交叉验证的方法，优化选择的模型参数，如在弹性网络回归中，调节正则化系数及L1/L2正则比率，以便在交叉验证上的拟合偏差最小。
步骤304、得到最优统计学模型；
具体的，在步骤304中，在优化参数的不同统计学模型中，选择最优的统计学模型并利用这一个模型重新再所有数据上重新拟合，它可以作为在给定特征集合和生理学参数下预测模型，存储在模型库中。
上述步骤301-304中，针对一组接收到的数据，如果有新的数据，可以根据模型是否支持更新优化，也可以重新执行步骤302和303，或者仅步骤302。
步骤305、接收患者的人体参数，以及确定患者需要预测的生理学指标；
具体的，在预测生理学步骤中，接收感兴趣患者的人体参数基本特征指标数据和需要预测的生理学指标。
步骤306、选择统计学模型；
具体的，是从步骤304得到的统计学模型中选择。
步骤307、得到预测的生理学指标。
具体的，从模型库中选择优化的统计学模型后，按照模型建立的对应关系即可得到预测的生理学指标。
二、第二方案：第六对应关系-影像学预测模型。
本方案提供了一种建立患者血管和心脏影像学解剖结构和冠状动脉生理学指标之间的影像学预测模型，该预测模型可以包括以下至少一种从影像学得到的血管解剖特征参数，影像学可以包括冠状动脉CT(Computed Tomography，电子计算机断层扫描)造影、冠状动脉X光造影、冠状动脉MR(Magnetic Resonance，核磁共振)造影、IVUS(intravenousultrasound，血管内超声)和血管内OCT(Optical Coherence Tomography，光学干涉断层成像技术/光学相干断层)等。
血管解剖特征可以包括以下至少一支冠脉管腔直径、横截面积、按直径或横截面积的狭窄百分比、冠脉管腔狭窄长度和体积、狭窄在整个冠脉树中的分布和位置、狭窄与上下游分叉的距离、沿中心线管腔内影像灰度衰减梯度、随时间变化的造影剂在管腔内的传播特性，和冠脉管壁厚度、斑块体积或形状、斑块钙化或非钙化程度，以及主动脉直径和横截面积等。
该模型也可以包括以下至少一种从影像学得到的心脏解剖和功能特征参数，影像学包括心脏超声、心脏CT成像、心脏MR成像、心脏核医学PET(positron emissiontomography，正电子发射计算机断层显像)或SPECT(Single-Photon Emission ComputedTomography，单光子发射计算机断层成像术)成像、心脏X光造影等。
心脏解剖结构与功能特征可以包括以下至少一种参数：射血分数、每搏出量、舒张末期和收缩末期各心室和心房容积，和心肌、心内膜、心外膜的体积和重量、主动脉瓣膜几何和钙化特性，以及心肌内影像灰度或灌注值分布等。
在实施时，先接收一定数量患者的以上提到的指标以及冠状动脉狭窄生理学指标的数据，以及生理学指标；然后利用数据，建立并优化生理学指标的影像学预测模型；最后就可以利用影像学预测模型来确定特定患者未知的生理学指标。也即：
实施中，所述人体参数可以为从影像学得到的血管解剖特征参数；
所述第一对应关系为以人为单位建立的每一人的若干从影像学得到的血管解剖特征参数与冠状动脉生理学指标之间的第五对应关系；
所述第二对应关系为根据第五对应关系确定的各种从影像学得到的血管解剖特征参数与各种冠状动脉生理学指标之间的第六对应关系。
具体实施中，所述影像学可以包括以下方式之一或者其组合：
冠状动脉CT造影、冠状动脉X光造影、冠状动脉MR造影、IVUS、血管内OCT。
具体实施中，所述血管解剖特征参数可以包括以下参数之一或者其组合：
至少一支冠脉管腔直径、至少一支冠脉管腔横截面积、至少一支冠脉管腔按直径或横截面积的狭窄百分比、至少一支冠脉管腔狭窄长度和体积、狭窄在整个冠脉树中的分布和位置、狭窄与上下游分叉的距离、沿中心线管腔内影像灰度衰减梯度、随时间变化的造影剂在管腔内的传播特性、冠脉管壁厚度、斑块体积或形状、斑块钙化或非钙化程度、主动脉直径、主动脉横截面积。
具体实施中，所述影像学可以包括以下方式之一或者其组合：
心脏超声、心脏CT成像、心脏MR成像、心脏PET、心脏SPECT成像、心脏X光造影。
具体实施中，所述血管解剖特征参数可以包括以下参数之一或者其组合：
射血分数、每搏出量、舒张末期各心室和心房容积、收缩末期各心室和心房容积、和心肌的体积和重量、心内膜的体积和重量、心外膜的体积和重量、主动脉瓣膜几何和钙化特性、心肌内影像灰度、心肌内影像灌注值分布。
下面用实例进行说明。
本例的目标是建立一种建立患者血管和心脏影像学解剖结构和冠状动脉生理学指标之间的影像学预测模型，该模型从特定患者的影像数据中，采集和计算反映血管和心脏的解剖结构及灰度分布等特征，这些特征可以是全局的，如射血分数和每搏出量；也可以是局部的，如斑块体积或形状；或者是分布式的，如沿中心线从近端到远端血管的直径及横截面积。
实施中，影像学提取的特征的方式可以是自动的或者半自动的，如利用自动或半自动图像分割进而定量测量血管的直径及横截面积；也可以是人工的，如通过观察的办法评价斑块钙化或非钙化程度。
图4为影像学预测模型1实施流程示意图，如图所示，例中用预测局部定义下的生理学指标，如特定狭窄的血流储备分数来进行说明。例中为预测局部的生理学指标图像学模型，具体可以如下：
步骤401、接收一定数量的患者图像以及冠状动脉狭窄生理学指标的数据；
步骤402、提取血管和心脏的解剖结构及灰度分布等特征；
首先，接收一定数量患者的图像，然后在血管每个已知血流储备分数的狭窄中，提取如下血管和心脏的特征，如：狭窄长度、狭窄百分比、狭窄最小横截面积、狭窄到冠脉入口距离、狭窄到冠脉入口管腔的累积体积、狭窄到上游和下游分叉的距离、狭窄斑块体积、狭窄斑块钙化程度、狭窄前端和后端的平均灰度差、主动脉在冠脉入口处的横截面积、心肌体积和重量等。由于这些特征和血流储备分数之间的映射很复杂，传统的统计模型拟合效果一般不好，因此按下述步骤继续处理：
步骤403、训练合适的模式识别模型；
步骤404、得到最优模式识别模型；
在步骤403中，选择模式识别中的模型以提高应对复杂映射的能力，至少可以采用随机森林回归模型来实现，随机森林模型是一个包含多个决策树的回归器，每个决策树由训练数据的一个随机抽样子集来建立，在构造每个决策树的节点分割时，采用所有特征的一个随机子集来决定最优分割，从而避免了单一决策树的过度拟合问题。
在有限的训练数据上，可以利用交叉验证的方法，优化选择的模型参数，如森林中决策树的个数、最大深度及分割节点里采用特征的最大数目等，以便在交叉验证上的拟合偏差最小，得到最优的模式识别模型。在其他实现中，也可以采用模式识别的其他模型以及其他的基于图像的任何有意义的特征。
图5为影像学预测模型2实施流程示意图，如图所示，例中用预测局部定义下的生理学指标，如特定狭窄的血流储备分数来进行说明。本实施例可以用预测分布式的生理学指标，如整个血管树上每一个点的血流储备分数。不同于局部定义的实施示例，这种方案考虑生理学参数在这个血管树上的限制关系，例如下游的血流储备分数会小于同一支血管上游的血流储备分数，因为血压从血管近端到远端逐渐缓慢下降，当然缺血性的狭窄通常导致血压显著下降。例中为预测分布式生理学指标图像学模型，具体可以如下：
步骤501、接收一定数量的患者图像以及冠状动脉狭窄生理学指标的数据；
步骤502、提取血管树及在血管树上的解剖结构和灰度分布等特征；
首先，接收一定数量患者的图像，然后，将血管树在中心线的方向上，划分成离散且相连的一系列小分段血管，根据分段是否处于分叉点，分段可以有一个输入端和一个输出端，或者一个输入端和两个字输出端。
在步骤502中，对每一个小分段，提取如下的特征：分段长度、分段最小最小横截面积、分段到冠脉入口距离、分段前端和后端的平均灰度差等，每一个分段血流储备分数的变化可以表示为这些特征的函数，可以采用线性组合或者非线性的多项式。相应的分段函数参数为线性组合系数或者多项式系数。
步骤503、训练合适的模式识别模型；
步骤504、得到最优模式识别模型。
在步骤503中，因为一个分段的输出端和下游相邻的分段的输入端为同一个点，基于它们的血流储备分数相等这一事实，可以建立血管树上任意一点的血流储备分数和分段函数参数之间的累积函数模型。
为了计算简便，不是一般性的假设，所有分段的函数参数相同。那么累计函数参数即是分段的函数参数。在504步骤中，根据在步骤501中得到的患者的冠状动脉生理学指标的已知值，这些值可以是定义在局部的某些点也可以是一支血管上的分布，可以优化累计函数参数使在交叉验证上的拟合偏差最小，得到最优的累积模型。
在上述两个实施例中，建立好的模型可以存在模型库中，在接收到的感兴趣患者的基本特征指标数据和需要预测的生理学指标后，从模型库中选择优化的图像学模型，即可得到预测的生理学指标。
三、第三方案：第八对应关系-力学预测模型。
本方案提供了一种建立患者血管和心脏功能和冠状动脉生理学指标之间的力学预测模型，该预测模型可以包括以下至少一种从影像学得到的血管和心脏的一维简化模型或三维几何模型。
影像学可以包括以下至少一种：冠状动脉计算机断层(CT)造影、冠状动脉X光造影、冠状动脉核磁共振(MR)造影、血管内超声(IVUS)和血管内光学相干断层(OCT)、影像学包括心脏超声、心脏CT成像、心脏MR成像、心脏PET或SPECT成像、心脏X光造影等。
血管的几何模型可以包括以下至少一支冠脉管腔结构以及可选的冠脉管壁机构或可选的主动脉结构，可选的心脏几何模型包括各心室和心房的内壁、和心肌、心内膜、心外膜结构、以及主动脉瓣膜结构等。
该预测模型也可以包括以下至少一种流体或固体边界条件。流体边界条件可以包括血流量或流速、血压、阻力等；固体边界条件可以包括位移、应力等。
该模型还可以包括从文献研究或其他测量手段获得的血液流体特性及血管和心脏的固体特性等材料参数，流体特性参数包括血液粘滞度、密度等，固体特性参数包括杨氏模量、泊松比、密度与柔度等。
在实施时，先接收一定数量患者影像以及冠状动脉狭窄生理学指标的数据，以及生理学指标；然后利用数据，建立并优化生理学指标的力学预测模型；最后就可以利用力学预测模型来确定特定患者未知的生理学指标。也即：
实施中，所述人体参数为从影像学得到的血管和心脏的一维简化模型或三维几何模型；
所述第一对应关系为以人为单位建立的每一人的若干从影像学得到的血管和心脏的一维简化模型或三维几何模型与冠状动脉生理学指标之间的第七对应关系；
所述第二对应关系为根据第七对应关系确定的各种从影像学得到的血管和心脏的一维简化模型或三维几何模型与各种冠状动脉生理学指标之间的第八对应关系。
具体实施中，所述影像学可以包括以下方式之一或者其组合：
冠状动脉CT造影、冠状动脉X光造影、冠状动脉MR造影、IVUS、血管内OCT。
具体实施中，所述影像学包括以下方式之一或者其组合：
心脏超声、心脏CT成像、心脏MR成像、心脏PET、心脏SPECT成像、心脏X光造影。
具体实施中，所述血管的几何模型可以包括以下结构之一或者其组合：
至少一支冠脉管腔结构、至少一支冠脉管壁机构、至少一支主动脉结构；
和/或，
所述心脏的几何模型包括以下结构之一或者其组合：
各心室和心房的内壁结构、各心室和心房的心肌结构、各心室和心房的心内膜结构、各心室和心房的心外膜结构、各心室和心房的主动脉瓣膜结构。
具体实施中，所述一维简化模型或三维几何模型可以包括以下参数之一或者其组合：
至少一种流体边界条件、至少一种固体边界条件、血液流体特性、血管和心脏的固体特性。
具体实施中，所述流体边界条件包括以下参数之一或者其组合：血流量、血流速、血压、阻力；或，
所述固体边界条件包括以下参数之一或者其组合：位移、应力；或，
所述血液流体特性包括以下参数之一或者其组合：血液粘滞度、密度；或，
所述血管和心脏的固体特性包括以下参数之一或者其组合：杨氏模量、泊松比、密度、柔度。
下面用实例进行说明。
本例的目标是建立一种建立患者血管和心脏解剖结构和冠状动脉生理学指标之间的力学预测模型。由于血液在血管和心脏流动符合基本流体力学的规律，同时，组织受力形变也符合基本固体力学的原理，因此应用计算力学可以利用这些基本规律和个体化的解剖结构得到影像学本身无法直接获得的血液动力学和组织机械运动参数，进而估计生理学指标。实施中，适当的边界条件是应用计算力学准确估计的前提。例如，应用流体力学预测血流储备分数，需要准确估计血管解剖结构中的血管近端输入口处的血流量和远端输出口的阻力。
图6为预测生理学指标流体力学模型实施流程示意图，如图所示，例中应用流体力学模型的生理学指标，如血流储备分数来进行说明。例中为预测生理学指标流体力学模型，具体可以如下：
步骤601、接收一定数量的患者图像以及冠状动脉狭窄生理学指标的数据；
步骤602、提取血管和心脏的解剖结构；
步骤603、设定流体边界条件；
步骤604、建立合适的流体力学模型；
步骤605、得到最优流体力学模型。
具体的，在步骤601中，接收一定数量的患者的图像以及冠状动脉狭窄生理学指标的数据。在步骤602中对每一个患者，自动或手动地提取相应的血管的一维简化模型或三维几何结构，包括至少一支冠脉血管，可选的也可以提取升主动脉的一个部分和部分心脏结构。
以提取的解剖结构为升主动脉的一部分和三支冠状动脉血管为例，在步骤603中，设定合适的边界条件，包括升主动脉近端入口的平均血流量Qin、主动脉远端出口的平均阻力Rout、冠状动脉所有远端出口的平均阻力Rd，在一种可能的实施中，前者可以根据左心室的体积VLV或者患者体重Mb线性拟合估计，即Qin＝αVLV+β或Qin＝αMb+β。
在充血状态下，估计冠脉平均血流量占Qin的百分比为scor，由左右冠状动脉入口横截面积总和与占主动脉入口横截面积的比例acor线性拟合估计，即scor＝θacor+η。所以冠状动脉的总血流量Qcor＝scorQin，而升主动脉远端出口为Qout＝(1-scor)Qin。
进一步由冠状动脉的总血流量Qcor确定每一支冠脉出口的血流量Qd，按照左前降支、左回旋支和右冠状动脉的体积比例分配给各支血管，依次为QLAD、QLCX和QRCA，将它们再按照远端冠脉出口横截面积比例分配到每个出口的血流量Qd。根据Qout和Qd，可以估计主动脉出口阻力Rout和Rd。
为了简化模型，血管壁的边界条件可以设为速度为零的无滑移条件。
在步骤604中，利用以上的边界条件以及血液的基本参数(如血液粘滞度和密度等)，建立合适的计算流体力学模型，通过有限元、有限体积或者有限差分等方法求解纳维-斯托克斯方程得到血管中各点的血压和主动脉入口血压，它们的比值即为血流储备分数。
在步骤605中，根据步骤604中计算得到的与步骤601中接收到的血流储备分数比较，可以自动的或者手动的优化模型的各项流体和边界条件参数，从而得到优化的流体力学预测模型。
图7为预测生理学指标流固耦合力学模型实施流程示意图，如图所示，例中利用流固耦合力学模型预测生理学指标，不同于上例，血管壁采用了合适的固体力学模型来进行说明，这样的方案在有些时候会使预测更准确，但是计算时间会需要多一点。例中为预测生理学指标流固耦合力学模型，具体可以如下：
步骤701、接收一定数量的患者图像以及冠状动脉狭窄生理学指标的数据；
步骤702、提取血管和心脏的解剖结构；
步骤703、设定流体、固体边界条件；
步骤704、建立合适的流固耦合力学模型；
步骤705、得到最优流固耦合力学模型。
本例中利用流固耦合力学模型预测生理学指标，不同于流体力学模型，血管壁采用了合适的固体力学模型，这样的方案在有些时候会使预测更准确。
具体的，在步骤703中，除了类似步骤602中确定流体力学边界条件，还要确定在血管壁外侧的固体力学的边界条件，一般可以设为速度为零的边界或者是其他已知形变的条件，同时不用再另外设置血管壁的无滑移边界，由流体固体之间的相互作用决定血管壁的位移速度。
在步骤704中，流固耦合模型中的固体可以采用简化的小形变线性模型或者大形变的非线性模型，固体特性参数包括杨氏模量、泊松比、密度与柔度等。
同步骤605，流固耦合模型中的各种流体、固体、边界条件参数可以根据接收到的生理学参数进行优化。
四、第四方案：第十对应关系-变化形态学预测模型。
本方案提供了一种建立患者治疗冠心病手术方案和手术后冠状动脉生理学指标之间的变化形态学预测模型，该预测模型可以包括以下至少一种从手术前的血管和心脏的一维简化模型或三维几何模型。
血管的几何模型可以包括以下至少一支冠脉管腔结构以及可选的冠脉管壁机构或可选的主动脉结构，可选的心脏几何模型包括各心室和心房的内壁、和心肌、心内膜、心外膜结构、以及主动脉瓣膜结构等。
该预测模型也可以包括以下至少一种冠心病手术方案所导致的几何模型变化估计，如放支架扩张狭窄血管管腔、心脏搭桥手术引入的桥管腔等。
该预测模型还可以包括以下至少一种手术后流体或固体边界条件估计值，流体边界条件可以包括血流量或流速、血压、阻力等，固体边界条件可以包括位移、应力等。
该模型也可以包括手术后的血液流体特性及血管和心脏的固体特性等材料参数估计值，流体特性参数包括血液粘滞度等，固体特性参数包括杨氏模量，泊松比与柔度等。
在实施时，先接收一定数量患者影像数据以及生理学指标；然后利用数据，建立并优化生理学指标的变化形态学预测模型；最后就可以利用变化形态学预测模型来确定特定患者未知的手术后生理学指标。也即：
实施中，所述人体参数为手术前后的血管和心脏的一维简化模型或三维几何模型；
所述第一对应关系为以人为单位建立的每一人的若干手术前后的血管和心脏的一维简化模型或三维几何模型与冠状动脉生理学指标之间的第九对应关系；
所述第二对应关系为根据第九对应关系确定各种手术前后的血管和心脏的一维简化模型或三维几何模型与冠状动脉生理学指标与各种冠状动脉生理学指标之间的第十对应关系。
具体实施中，所述血管的几何模型可以包括以下结构之一或者其组合：
至少一支冠脉管腔结构、至少一支冠脉管壁机构、至少一支主动脉结构；
和/或，
所述心脏的几何模型包括以下结构之一或者其组合：
各心室和心房的内壁结构、各心室和心房的心肌结构、各心室和心房的心内膜结构、各心室和心房的心外膜结构、各心室和心房的主动脉瓣膜结构。
具体实施中，所述一维简化模型或三维几何模型可以包括以下参数之一或者其组合：
至少一种流体边界条件、至少一种固体边界条件、血液流体特性、血管和心脏的固体特性。
具体实施中，所述流体边界条件可以包括以下参数之一或者其组合：血流量、血流速、血压、阻力；或，
所述固体边界条件包括以下参数之一或者其组合：位移、应力；或，
所述血液流体特性包括以下参数之一或者其组合：血液粘滞度、密度；或，
所述血管和心脏的固体特性包括以下参数之一或者其组合：杨氏模量、泊松比、密度、柔度。
具体实施中，所述冠状动脉生理学指标可以包括以下参数之一或者其组合：
血流储备分数、斑块的力学稳定性、心肌灌注水平、iFR、CFR、IMR。
下面用实例进行说明。
本例的目标是建立一种患者治疗冠心病手术方案和手术后冠状动脉生理学指标之间的变化形态学预测模型。在手术前预测不同手术方案是否有改善冠状动脉生理学指标的效果对辅助医生选择手术方案有帮助，但是，目前无法直接从术前影像学数据中提取不同手术方案导致的解剖学变化，一种办法是在术前解剖模型的通过形态学变化建模得到手术后的几何模型，进而利用力学模型等预测得到手术后冠状动脉生理学指标。如果有真实测量得到的手术后的指标值，可以用来优化该形态学变化模型。
图8为预测生理学指标变化形态学模型实施流程示意图，如图所示，例中应用变化形态学预测生理学指标，如血流储备分数来进行说明。例中为变化形态学模型，具体可以如下：
步骤801、接收一定数量的患者图像以及可选的手术后冠状动脉狭窄生理学指标的数据；
具体的，在步骤801中，接收一定数量的患者手术前图像，可选的，如果还有手术后的生理学指标数据，后面可以用来优化模型。
步骤802、提取血管和心脏的解剖结构；
具体的，类似前面的方案，在步骤802中，提取血管心脏和的解剖结构。
步骤803、建模得到手术导致的解剖结构的几何形态学变化；
具体的，在步骤803中，利用几何建模估计冠心病手术方案所导致的几何模型变化，如放支架扩张狭窄血管管腔、心脏搭桥手术引入的桥管腔等。
在放支架的方案中，模型变化参数可以是支架的结构特征、支架的位置、支架的长度、支架扩张后的血管管腔直径和横截面积等，而搭桥的桥管腔的变化参数可以是桥管腔的近端入口位置、角度和尺寸、桥管腔的远端出口位置、角度和尺寸、桥管腔的路径、长度和尺寸，以及使用桥管腔的数量和种类等。这些参数都可以由几何模型变化而形成可能的手术方案。
步骤804、应用力学模型等预测生理学指标；
步骤805、优化变化形态学模型。
具体的，在不同的手术方案中，应用力学模型在步骤804中形成变化形态学预测模型，在步骤805中，如果有已知的生理学指标，可以用来优化形态学中的变化参数或者力学模型中的参数。
在步骤202的实施中，可以根据第二对应关系确定各生理参数对应的冠状动脉生理学指标。而第二对应关系可包括以下关系之一或者其组合：第四对应关系、第六对应关系、第八对应关系、第十对应关系。也即。可以优化融合预测模型，下面对优化融合预测模型的实施进行说明。
利用前述四种方案优化后的模型可以独立的直接预测生理学指标，它们各有侧重点，因而在单纯的统计学模型中没有考虑患者的解剖学结构，在力学模型中没有考虑在狭窄前后管腔内的图像灰度变化以及斑块内物质组成的图像纹理分布，在图像学模型中没有考虑满足基本力学原理的血液动力学特性，在力学模型与图像学模型中没有包含病人的基本生理参数和发病史等。因此，若融合这些预测模型则无疑可以更进一步地提高预测准确性。
图9为预测生理学指标的融合优化模型实施流程示意图，如图所示，例中建立预测模型而进一步地提高单个基础模型预测生理学指标的准确性。例中为变化形态学模型，具体可以如下：
步骤901、接收一定数量的患者基本特征指标以及冠状动脉狭窄生理学指标的数据；
步骤902、选择至少两种合适的基础模型；
步骤903、建立它们各自独立的模型；
步骤904、建立并优化它们的融合模型。
具体的，首先在步骤901中，接收一定数量患者的基本特征指标和图像数据，实施中，可以同时接收这些患者的冠状动脉狭窄生理学指标。在步骤902中，根据数据类型和具体感兴趣的指标，选择至少两种合适的基础模型，如统计学模型、影像学模型或者力学模型等。根据前面所述的方案，在步骤903中建立并优化这些基础模型。在步骤904中，融合这些模型时可以采用加权平均法、BaggingStacking、Blending等方法，以Stacking举例来说，采用两层预测模型，第一层为基础模型的独立预测，将每个模型通过K折交叉验证的方式建立并独立优化，从而预测训练集的每个患者的生理学指标，将所有模型预测的结果合并，然后和已知的生理学指标，一同组成一个新的训练数据集，利用这个新集合，来训练第二层预测模型，第二层相对可以采用线性回归模型、岭回归、LASSO回归、弹性网络回归等，从而实现整个融合模型。
基于同一发明构思，本发明实施例中还提供了一种冠状动脉生理学指标关系建立装置、一种冠状动脉生理学指标关系的应用装置、一种计算机设备、一种计算机可读存储介质，由于这些设备解决问题的原理与一种冠状动脉生理学指标关系建立方法、一种冠状动脉生理学指标关系的应用方法相似，因此这些设备的实施可以参见方法的实施，重复之处不再赘述。
图10为冠状动脉生理学指标关系建立装置结构示意图，如图所示，包括：
参数获取模块1001，用于以人为单位获取若干人体参数；
指标获取模块1002，用于以人为单位确定每一人的冠状动脉生理学指标；
建模模块1003，用于以人为单位，建立每一人的若干人体参数与冠状动脉生理学指标之间的第一对应关系；根据第一对应关系确定各种生理参数与各种冠状动脉生理学指标之间的第二对应关系。
实施中，所述人体参数包括以下参数之一或者其组合：
生理参数、从影像学得到的血管解剖特征参数、从影像学得到的血管和心脏的一维简化模型或三维几何模型、手术前后的血管和心脏的一维简化模型或三维几何模型。
实施中，所述人体参数为生理参数；
所述第一对应关系为以人为单位建立的每一人的若干生理参数与冠状动脉生理学指标之间的第三对应关系；
所述第二对应关系为根据第一对应关系确定的各种生理参数与各种冠状动脉生理学指标之间的第四对应关系。
实施中，所述生理参数包括以下参数之一或者其组合：
基本生理参数、医学上使用的积分指标、反映遗传信息的特征、定量的体外诊断或者影像学检查结果、历史采集数据、与心脏病相关疾病的发病史、或与心脏病相关疾病的治疗史。
实施中，基本生理参数包括以下参数之一或者其组合：性别、年龄、身高、体重、血压、心率；或，
医学上使用的积分指标包括以下参数之一或者其组合：Framingham风险评分、SYNTAX积分；或，
反映遗传信息的特征包括以下参数之一或者其组合：单个核苷酸位点、多个核苷酸位点、部分的DNA、全部的DNA序列、部分的RNA序列、全部的RNA序列；或，
定量的体外诊断或者影像学检查结果包括以下参数之一或者其组合：胆固醇水平、钙化积分、心电图、运动平板、负荷超声、冠脉造影。
实施中，所述人体参数为从影像学得到的血管解剖特征参数；
所述第一对应关系为以人为单位建立的每一人的若干从影像学得到的血管解剖特征参数与冠状动脉生理学指标之间的第五对应关系；
所述第二对应关系为根据第五对应关系确定的各种从影像学得到的血管解剖特征参数与各种冠状动脉生理学指标之间的第六对应关系。
实施中，所述影像学包括以下方式之一或者其组合：
冠状动脉CT造影、冠状动脉X光造影、冠状动脉MR造影、IVUS、血管内OCT。
实施中，所述血管解剖特征参数包括以下参数之一或者其组合：
至少一支冠脉管腔直径、至少一支冠脉管腔横截面积、至少一支冠脉管腔按直径或横截面积的狭窄百分比、至少一支冠脉管腔狭窄长度和体积、狭窄在整个冠脉树中的分布和位置、狭窄与上下游分叉的距离、沿中心线管腔内影像灰度衰减梯度、随时间变化的造影剂在管腔内的传播特性、冠脉管壁厚度、斑块体积或形状、斑块钙化或非钙化程度、主动脉直径、主动脉横截面积。
实施中，所述影像学包括以下方式之一或者其组合：
心脏超声、心脏CT成像、心脏MR成像、心脏PET、心脏SPECT成像、心脏X光造影。
实施中，所述血管解剖特征参数包括以下参数之一或者其组合：
射血分数、每搏出量、舒张末期各心室和心房容积、收缩末期各心室和心房容积、和心肌的体积和重量、心内膜的体积和重量、心外膜的体积和重量、主动脉瓣膜几何和钙化特性、心肌内影像灰度、心肌内影像灌注值分布。
实施中，所述人体参数为从影像学得到的血管和心脏的一维简化模型或三维几何模型；
所述第一对应关系为以人为单位建立的每一人的若干从影像学得到的血管和心脏的一维简化模型或三维几何模型与冠状动脉生理学指标之间的第七对应关系；
所述第二对应关系为根据第七对应关系确定的各种从影像学得到的血管和心脏的一维简化模型或三维几何模型与各种冠状动脉生理学指标之间的第八对应关系。
实施中，所述影像学包括以下方式之一或者其组合：
冠状动脉CT造影、冠状动脉X光造影、冠状动脉MR造影、IVUS、血管内OCT。
实施中，所述影像学包括以下方式之一或者其组合：
心脏超声、心脏CT成像、心脏MR成像、心脏PET、心脏SPECT成像、心脏X光造影。
实施中，所述血管的几何模型包括以下结构之一或者其组合：
至少一支冠脉管腔结构、至少一支冠脉管壁机构、至少一支主动脉结构；
和/或，
所述心脏的几何模型包括以下结构之一或者其组合：
各心室和心房的内壁结构、各心室和心房的心肌结构、各心室和心房的心内膜结构、各心室和心房的心外膜结构、各心室和心房的主动脉瓣膜结构。
实施中，所述一维简化模型或三维几何模型包括以下参数之一或者其组合：
至少一种流体边界条件、至少一种固体边界条件、血液流体特性、血管和心脏的固体特性。
实施中，所述流体边界条件包括以下参数之一或者其组合：血流量、血流速、血压、阻力；或，
所述固体边界条件包括以下参数之一或者其组合：位移、应力；或，
所述血液流体特性包括以下参数之一或者其组合：血液粘滞度、密度；或，
所述血管和心脏的固体特性包括以下参数之一或者其组合：杨氏模量、泊松比、密度、柔度。
实施中，所述人体参数为手术前后的血管和心脏的一维简化模型或三维几何模型；
所述第一对应关系为以人为单位建立的每一人的若干手术前后的血管和心脏的一维简化模型或三维几何模型与冠状动脉生理学指标之间的第九对应关系；
所述第二对应关系为根据第九对应关系确定各种手术前后的血管和心脏的一维简化模型或三维几何模型与冠状动脉生理学指标与各种冠状动脉生理学指标之间的第十对应关系。
实施中，所述血管的几何模型包括以下结构之一或者其组合：
至少一支冠脉管腔结构、至少一支冠脉管壁机构、至少一支主动脉结构；
和/或，
所述心脏的几何模型包括以下结构之一或者其组合：
各心室和心房的内壁结构、各心室和心房的心肌结构、各心室和心房的心内膜结构、各心室和心房的心外膜结构、各心室和心房的主动脉瓣膜结构。
实施中，所述一维简化模型或三维几何模型包括以下参数之一或者其组合：
至少一种流体边界条件、至少一种固体边界条件、血液流体特性、血管和心脏的固体特性。
实施中，所述流体边界条件包括以下参数之一或者其组合：血流量、血流速、血压、阻力；或，
所述固体边界条件包括以下参数之一或者其组合：位移、应力；或，
所述血液流体特性包括以下参数之一或者其组合：血液粘滞度、密度；或，
所述血管和心脏的固体特性包括以下参数之一或者其组合：杨氏模量、泊松比、密度、柔度。
实施中，所述冠状动脉生理学指标包括以下参数之一或者其组合：
血流储备分数、斑块的力学稳定性、心肌灌注水平、iFR、CFR、IMR。
图11为冠状动脉生理学指标关系的应用装置结构示意图，如图所示，包括：
参数采集模块1101，用于采集患者的若干人体参数；
指标确定模块1102，用于根据上述的第二对应关系确定各生理参数对应的冠状动脉生理学指标，其中，第二对应关系包括以下关系之一或者其组合：第四对应关系、第六对应关系、第八对应关系、第十对应关系。
为了描述的方便，以上所述装置的各部分以功能分为各种模块或单元分别描述。当然，在实施本发明时可以把各模块或单元的功能在同一个或多个软件或硬件中实现。
本发明实施例中还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法。具体实施可以参见上述方法的实施。
本发明实施例中还提供了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执行上述方法的计算机程序。具体实施可以参见上述方法的实施。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，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。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (46)

1.一种冠状动脉生理学指标关系建立方法，其特征在于，包括：
以人为单位获取若干人体参数；
以人为单位确定每一人的冠状动脉生理学指标；
以人为单位，建立每一人的若干人体参数与冠状动脉生理学指标之间的第一对应关系；
根据第一对应关系确定各种生理参数与各种冠状动脉生理学指标之间的第二对应关系。
2.如权利要求1所述的方法，其特征在于，所述人体参数包括以下参数之一或者其组合：
生理参数、从影像学得到的血管解剖特征参数、从影像学得到的血管和心脏的一维简化模型或三维几何模型、手术前后的血管和心脏的一维简化模型或三维几何模型。
3.如权利要求2所述的方法，其特征在于，所述人体参数为生理参数；
所述第一对应关系为以人为单位建立的每一人的若干生理参数与冠状动脉生理学指标之间的第三对应关系；
所述第二对应关系为根据第一对应关系确定的各种生理参数与各种冠状动脉生理学指标之间的第四对应关系。
4.如权利要求3所述的方法，其特征在于，所述生理参数包括以下参数之一或者其组合：
基本生理参数、医学上使用的积分指标、反映遗传信息的特征、定量的体外诊断或者影像学检查结果、历史采集数据、与心脏病相关疾病的发病史、或与心脏病相关疾病的治疗史。
5.如权利要求4所述的方法，其特征在于，
基本生理参数包括以下参数之一或者其组合：性别、年龄、身高、体重、血压、心率；或，
医学上使用的积分指标包括以下参数之一或者其组合：Framingham风险评分、SYNTAX积分；或，
反映遗传信息的特征包括以下参数之一或者其组合：单个核苷酸位点、多个核苷酸位点、部分的脱氧核糖核酸DNA、全部的DNA序列、部分的核糖核酸RNA序列、全部的RNA序列；或，
定量的体外诊断或者影像学检查结果包括以下参数之一或者其组合：胆固醇水平、钙化积分、心电图、运动平板、负荷超声、冠脉造影。
6.如权利要求2所述的方法，其特征在于，所述人体参数为从影像学得到的血管解剖特征参数；
所述第一对应关系为以人为单位建立的每一人的若干从影像学得到的血管解剖特征参数与冠状动脉生理学指标之间的第五对应关系；
所述第二对应关系为根据第五对应关系确定的各种从影像学得到的血管解剖特征参数与各种冠状动脉生理学指标之间的第六对应关系。
7.如权利要求6所述的方法，其特征在于，所述影像学包括以下方式之一或者其组合：
冠状动脉电子计算机断层扫描CT造影、冠状动脉X光造影、冠状动脉核磁共振MR造影、血管内超声IVUS、血管内光学相干断层OCT。
8.如权利要求7所述的方法，其特征在于，所述血管解剖特征参数包括以下参数之一或者其组合：
至少一支冠脉管腔直径、至少一支冠脉管腔横截面积、至少一支冠脉管腔按直径或横截面积的狭窄百分比、至少一支冠脉管腔狭窄长度和体积、狭窄在整个冠脉树中的分布和位置、狭窄与上下游分叉的距离、沿中心线管腔内影像灰度衰减梯度、随时间变化的造影剂在管腔内的传播特性、冠脉管壁厚度、斑块体积或形状、斑块钙化或非钙化程度、主动脉直径、主动脉横截面积。
9.如权利要求6所述的方法，其特征在于，所述影像学包括以下方式之一或者其组合：
心脏超声、心脏CT成像、心脏MR成像、心脏正电子发射计算机断层显像PET、心脏核医学单光子发射计算机断层成像术SPECT成像、心脏X光造影。
10.如权利要求9所述的方法，其特征在于，所述血管解剖特征参数包括以下参数之一或者其组合：
射血分数、每搏出量、舒张末期各心室和心房容积、收缩末期各心室和心房容积、和心肌的体积和重量、心内膜的体积和重量、心外膜的体积和重量、主动脉瓣膜几何和钙化特性、心肌内影像灰度、心肌内影像灌注值分布。
11.如权利要求2所述的方法，其特征在于，所述人体参数为从影像学得到的血管和心脏的一维简化模型或三维几何模型；
所述第一对应关系为以人为单位建立的每一人的若干从影像学得到的血管和心脏的一维简化模型或三维几何模型与冠状动脉生理学指标之间的第七对应关系；
所述第二对应关系为根据第七对应关系确定的各种从影像学得到的血管和心脏的一维简化模型或三维几何模型与各种冠状动脉生理学指标之间的第八对应关系。
12.如权利要求11所述的方法，其特征在于，所述影像学包括以下方式之一或者其组合：
冠状动脉CT造影、冠状动脉X光造影、冠状动脉MR造影、IVUS、血管内OCT。
13.如权利要求11所述的方法，其特征在于，所述影像学包括以下方式之一或者其组合：
心脏超声、心脏CT成像、心脏MR成像、心脏PET、心脏SPECT成像、心脏X光造影。
14.如权利要求13所述的方法，其特征在于，所述血管的几何模型包括以下结构之一或者其组合：
至少一支冠脉管腔结构、至少一支冠脉管壁机构、至少一支主动脉结构；
和/或，
所述心脏的几何模型包括以下结构之一或者其组合：
各心室和心房的内壁结构、各心室和心房的心肌结构、各心室和心房的心内膜结构、各心室和心房的心外膜结构、各心室和心房的主动脉瓣膜结构。
15.如权利要求11所述的方法，其特征在于，所述一维简化模型或三维几何模型包括以下参数之一或者其组合：
至少一种流体边界条件、至少一种固体边界条件、血液流体特性、血管和心脏的固体特性。
16.如权利要求15所述的方法，其特征在于，
所述流体边界条件包括以下参数之一或者其组合：血流量、血流速、血压、阻力；或，
所述固体边界条件包括以下参数之一或者其组合：位移、应力；或，
所述血液流体特性包括以下参数之一或者其组合：血液粘滞度、密度；或，
所述血管和心脏的固体特性包括以下参数之一或者其组合：杨氏模量、泊松比、密度、柔度。
17.如权利要求2所述的方法，其特征在于，所述人体参数为手术前后的血管和心脏的一维简化模型或三维几何模型；
所述第一对应关系为以人为单位建立的每一人的若干手术前后的血管和心脏的一维简化模型或三维几何模型与冠状动脉生理学指标之间的第九对应关系；
所述第二对应关系为根据第九对应关系确定各种手术前后的血管和心脏的一维简化模型或三维几何模型与冠状动脉生理学指标与各种冠状动脉生理学指标之间的第十对应关系。
18.如权利要求17所述的方法，其特征在于，所述血管的几何模型包括以下结构之一或者其组合：
至少一支冠脉管腔结构、至少一支冠脉管壁机构、至少一支主动脉结构；
和/或，
所述心脏的几何模型包括以下结构之一或者其组合：
各心室和心房的内壁结构、各心室和心房的心肌结构、各心室和心房的心内膜结构、各心室和心房的心外膜结构、各心室和心房的主动脉瓣膜结构。
19.如权利要求17所述的方法，其特征在于，所述一维简化模型或三维几何模型包括以下参数之一或者其组合：
至少一种流体边界条件、至少一种固体边界条件、血液流体特性、血管和心脏的固体特性。
20.如权利要求19所述的方法，其特征在于，
所述流体边界条件包括以下参数之一或者其组合：血流量、血流速、血压、阻力；或，
所述固体边界条件包括以下参数之一或者其组合：位移、应力；或，
所述血液流体特性包括以下参数之一或者其组合：血液粘滞度、密度；或，
所述血管和心脏的固体特性包括以下参数之一或者其组合：杨氏模量、泊松比、密度、柔度。
21.如权利要求1至20任一所述的方法，其特征在于，所述冠状动脉生理学指标包括以下参数之一或者其组合：
血流储备分数、斑块的力学稳定性、心肌灌注水平、瞬时无波型比率iFR、冠状动脉血流储备CFR、微循环阻力指数IMR。
22.一种冠状动脉生理学指标关系的应用方法，其特征在于，包括：
采集患者的若干人体参数；
根据如权利要求1至21任一所述的第二对应关系确定各生理参数对应的冠状动脉生理学指标，其中，第二对应关系包括以下关系之一或者其组合：第四对应关系、第六对应关系、第八对应关系、第十对应关系。
23.一种冠状动脉生理学指标关系建立装置，其特征在于，包括：
参数获取模块，用于以人为单位获取若干人体参数；
指标获取模块，用于以人为单位确定每一人的冠状动脉生理学指标；
建模模块，用于以人为单位，建立每一人的若干人体参数与冠状动脉生理学指标之间的第一对应关系；根据第一对应关系确定各种生理参数与各种冠状动脉生理学指标之间的第二对应关系。
24.如权利要求23所述的装置，其特征在于，所述人体参数包括以下参数之一或者其组合：
生理参数、从影像学得到的血管解剖特征参数、从影像学得到的血管和心脏的一维简化模型或三维几何模型、手术前后的血管和心脏的一维简化模型或三维几何模型。
25.如权利要求24所述的装置，其特征在于，所述人体参数为生理参数；
所述第一对应关系为以人为单位建立的每一人的若干生理参数与冠状动脉生理学指标之间的第三对应关系；
所述第二对应关系为根据第一对应关系确定的各种生理参数与各种冠状动脉生理学指标之间的第四对应关系。
26.如权利要求25所述的装置，其特征在于，所述生理参数包括以下参数之一或者其组合：
基本生理参数、医学上使用的积分指标、反映遗传信息的特征、定量的体外诊断或者影像学检查结果、历史采集数据、与心脏病相关疾病的发病史、或与心脏病相关疾病的治疗史。
27.如权利要求26所述的装置，其特征在于，
基本生理参数包括以下参数之一或者其组合：性别、年龄、身高、体重、血压、心率；或，
医学上使用的积分指标包括以下参数之一或者其组合：Framingham风险评分、SYNTAX积分；或，
反映遗传信息的特征包括以下参数之一或者其组合：单个核苷酸位点、多个核苷酸位点、部分的DNA、全部的DNA序列、部分的RNA序列、全部的RNA序列；或，
定量的体外诊断或者影像学检查结果包括以下参数之一或者其组合：胆固醇水平、钙化积分、心电图、运动平板、负荷超声、冠脉造影。
28.如权利要求24所述的装置，其特征在于，所述人体参数为从影像学得到的血管解剖特征参数；
所述第一对应关系为以人为单位建立的每一人的若干从影像学得到的血管解剖特征参数与冠状动脉生理学指标之间的第五对应关系；
所述第二对应关系为根据第五对应关系确定的各种从影像学得到的血管解剖特征参数与各种冠状动脉生理学指标之间的第六对应关系。
29.如权利要求28所述的装置，其特征在于，所述影像学包括以下方式之一或者其组合：
冠状动脉CT造影、冠状动脉X光造影、冠状动脉MR造影、IVUS、血管内OCT。
30.如权利要求29所述的装置，其特征在于，所述血管解剖特征参数包括以下参数之一或者其组合：
至少一支冠脉管腔直径、至少一支冠脉管腔横截面积、至少一支冠脉管腔按直径或横截面积的狭窄百分比、至少一支冠脉管腔狭窄长度和体积、狭窄在整个冠脉树中的分布和位置、狭窄与上下游分叉的距离、沿中心线管腔内影像灰度衰减梯度、随时间变化的造影剂在管腔内的传播特性、冠脉管壁厚度、斑块体积或形状、斑块钙化或非钙化程度、主动脉直径、主动脉横截面积。
31.如权利要求28所述的装置，其特征在于，所述影像学包括以下方式之一或者其组合：
心脏超声、心脏CT成像、心脏MR成像、心脏PET、心脏SPECT成像、心脏X光造影。
32.如权利要求31所述的装置，其特征在于，所述血管解剖特征参数包括以下参数之一或者其组合：
射血分数、每搏出量、舒张末期各心室和心房容积、收缩末期各心室和心房容积、和心肌的体积和重量、心内膜的体积和重量、心外膜的体积和重量、主动脉瓣膜几何和钙化特性、心肌内影像灰度、心肌内影像灌注值分布。
33.如权利要求24所述的装置，其特征在于，所述人体参数为从影像学得到的血管和心脏的一维简化模型或三维几何模型；
所述第一对应关系为以人为单位建立的每一人的若干从影像学得到的血管和心脏的一维简化模型或三维几何模型与冠状动脉生理学指标之间的第七对应关系；
所述第二对应关系为根据第七对应关系确定的各种从影像学得到的血管和心脏的一维简化模型或三维几何模型与各种冠状动脉生理学指标之间的第八对应关系。
34.如权利要求33所述的装置，其特征在于，所述影像学包括以下方式之一或者其组合：
冠状动脉CT造影、冠状动脉X光造影、冠状动脉MR造影、IVUS、血管内OCT。
35.如权利要求33所述的装置，其特征在于，所述影像学包括以下方式之一或者其组合：
心脏超声、心脏CT成像、心脏MR成像、心脏PET、心脏SPECT成像、心脏X光造影。
36.如权利要求35所述的装置，其特征在于，所述血管的几何模型包括以下结构之一或者其组合：
至少一支冠脉管腔结构、至少一支冠脉管壁机构、至少一支主动脉结构；
和/或，
所述心脏的几何模型包括以下结构之一或者其组合：
各心室和心房的内壁结构、各心室和心房的心肌结构、各心室和心房的心内膜结构、各心室和心房的心外膜结构、各心室和心房的主动脉瓣膜结构。
37.如权利要求33所述的装置，其特征在于，所述一维简化模型或三维几何模型包括以下参数之一或者其组合：
至少一种流体边界条件、至少一种固体边界条件、血液流体特性、血管和心脏的固体特性。
38.如权利要求37所述的装置，其特征在于，
所述流体边界条件包括以下参数之一或者其组合：血流量、血流速、血压、阻力；或，
所述固体边界条件包括以下参数之一或者其组合：位移、应力；或，
所述血液流体特性包括以下参数之一或者其组合：血液粘滞度、密度；或，
所述血管和心脏的固体特性包括以下参数之一或者其组合：杨氏模量、泊松比、密度、柔度。
39.如权利要求24所述的装置，其特征在于，所述人体参数为手术前后的血管和心脏的一维简化模型或三维几何模型；
所述第一对应关系为以人为单位建立的每一人的若干手术前后的血管和心脏的一维简化模型或三维几何模型与冠状动脉生理学指标之间的第九对应关系；
所述第二对应关系为根据第九对应关系确定各种手术前后的血管和心脏的一维简化模型或三维几何模型与冠状动脉生理学指标与各种冠状动脉生理学指标之间的第十对应关系。
40.如权利要求39所述的装置，其特征在于，所述血管的几何模型包括以下结构之一或者其组合：
至少一支冠脉管腔结构、至少一支冠脉管壁机构、至少一支主动脉结构；
和/或，
所述心脏的几何模型包括以下结构之一或者其组合：
各心室和心房的内壁结构、各心室和心房的心肌结构、各心室和心房的心内膜结构、各心室和心房的心外膜结构、各心室和心房的主动脉瓣膜结构。
41.如权利要求39所述的装置，其特征在于，所述一维简化模型或三维几何模型包括以下参数之一或者其组合：
至少一种流体边界条件、至少一种固体边界条件、血液流体特性、血管和心脏的固体特性。
42.如权利要求41所述的装置，其特征在于，
所述流体边界条件包括以下参数之一或者其组合：血流量、血流速、血压、阻力；或，
所述固体边界条件包括以下参数之一或者其组合：位移、应力；或，
所述血液流体特性包括以下参数之一或者其组合：血液粘滞度、密度；或，
所述血管和心脏的固体特性包括以下参数之一或者其组合：杨氏模量、泊松比、密度、柔度。
43.如权利要求23至42任一所述的装置，其特征在于，所述冠状动脉生理学指标包括以下参数之一或者其组合：
血流储备分数、斑块的力学稳定性、心肌灌注水平、iFR、CFR、IMR。
44.一种冠状动脉生理学指标关系的应用装置，其特征在于，包括：
参数采集模块，用于采集患者的若干人体参数；
指标确定模块，用于根据如权利要求23至43任一所述的第二对应关系确定各生理参数对应的冠状动脉生理学指标，其中，第二对应关系包括以下关系之一或者其组合：第四对应关系、第六对应关系、第八对应关系、第十对应关系。
45.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至22任一所述方法。
46.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有执行权利要求1至22任一所述方法的计算机程序。
CN201810749422.7A 2018-07-10 2018-07-10 一种冠状动脉生理学指标关系建立及应用方法、装置 Active CN109036551B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810749422.7A CN109036551B (zh) 2018-07-10 2018-07-10 一种冠状动脉生理学指标关系建立及应用方法、装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810749422.7A CN109036551B (zh) 2018-07-10 2018-07-10 一种冠状动脉生理学指标关系建立及应用方法、装置

Publications (2)

Publication Number Publication Date
CN109036551A true CN109036551A (zh) 2018-12-18
CN109036551B CN109036551B (zh) 2021-05-11

Family

ID=64640804

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810749422.7A Active CN109036551B (zh) 2018-07-10 2018-07-10 一种冠状动脉生理学指标关系建立及应用方法、装置

Country Status (1)

Country Link
CN (1) CN109036551B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109770867A (zh) * 2018-12-21 2019-05-21 深圳市阅影科技有限公司 冠状动脉血流动力仿真数据处理方法和装置
CN109919931A (zh) * 2019-03-08 2019-06-21 数坤（北京）网络科技有限公司 冠脉狭窄度评价模型训练方法及评价系统
CN110251122A (zh) * 2019-06-13 2019-09-20 南方医科大学顺德医院(佛山市顺德区第一人民医院) 一种冠心病风险指数的无损检测系统及方法
CN110706803A (zh) * 2019-08-20 2020-01-17 南京医基云医疗数据研究院有限公司 一种确定心肌纤维化的方法、装置、可读介质及电子设备
CN110786840A (zh) * 2019-11-04 2020-02-14 苏州润迈德医疗科技有限公司 基于生理参数获取血管评定参数的方法、装置及存储介质
CN111312009A (zh) * 2020-05-11 2020-06-19 成都泰盟软件有限公司 虚实结合的人体生理实验系统
CN112842286A (zh) * 2020-12-31 2021-05-28 温州医科大学 一种基于功能oct的无创血流粘滞度测量方法
US11436731B2 (en) 2019-08-05 2022-09-06 Lightlab Imaging, Inc. Longitudinal display of coronary artery calcium burden
CN116524134A (zh) * 2023-07-04 2023-08-01 天津恒宇医疗科技有限公司 基于血管内图像的三维血管建模方法及ffr计算方法和系统

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102800089A (zh) * 2012-06-28 2012-11-28 华中科技大学 基于颈部超声图像的主颈动脉血管提取和厚度测量方法
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
CN105078440A (zh) * 2014-05-09 2015-11-25 西门子公司 无创计算冠状动脉狭窄的血液动力学指标的方法和系统
WO2016075331A2 (en) * 2014-11-14 2016-05-19 Siemens Healthcare Gmbh Method and system for purely geometric machine learning based fractional flow reserve
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
CN106227996A (zh) * 2016-07-14 2016-12-14 浙江大学 一种临床信息量化系统的构建方法
CN106456078A (zh) * 2013-10-17 2017-02-22 西门子保健有限责任公司 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
CN106539622A (zh) * 2017-01-28 2017-03-29 北京欣方悦医疗科技有限公司 基于血流动力学分析的冠脉虚拟支架植入方法和系统
CN106650267A (zh) * 2016-12-28 2017-05-10 北京昆仑医云科技有限公司 应用计算流体力学来模拟计算血流储备分数的系统和方法
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
CN107427268A (zh) * 2014-11-14 2017-12-01 西门子保健有限责任公司 用于基于纯几何机器学习的血流储备分数的方法和系统
CN106327487B (zh) * 2016-08-18 2018-01-02 苏州润迈德医疗科技有限公司 基于x射线冠脉造影图像的冠状动脉血流储备分数计算方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102800089A (zh) * 2012-06-28 2012-11-28 华中科技大学 基于颈部超声图像的主颈动脉血管提取和厚度测量方法
CN106456078A (zh) * 2013-10-17 2017-02-22 西门子保健有限责任公司 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
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
CN105078440A (zh) * 2014-05-09 2015-11-25 西门子公司 无创计算冠状动脉狭窄的血液动力学指标的方法和系统
EP2942006B1 (en) * 2014-05-09 2017-06-28 Siemens Healthcare GmbH Method and system for non-invasive computation of hemodynamic indices for coronary artery stenosis
WO2016075331A2 (en) * 2014-11-14 2016-05-19 Siemens Healthcare Gmbh Method and system for purely geometric machine learning based fractional flow reserve
CN107427268A (zh) * 2014-11-14 2017-12-01 西门子保健有限责任公司 用于基于纯几何机器学习的血流储备分数的方法和系统
CN106023202B (zh) * 2016-05-20 2017-06-09 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
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
CN106227996A (zh) * 2016-07-14 2016-12-14 浙江大学 一种临床信息量化系统的构建方法
CN106327487B (zh) * 2016-08-18 2018-01-02 苏州润迈德医疗科技有限公司 基于x射线冠脉造影图像的冠状动脉血流储备分数计算方法
CN106650267A (zh) * 2016-12-28 2017-05-10 北京昆仑医云科技有限公司 应用计算流体力学来模拟计算血流储备分数的系统和方法
CN106539622A (zh) * 2017-01-28 2017-03-29 北京欣方悦医疗科技有限公司 基于血流动力学分析的冠脉虚拟支架植入方法和系统
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 (2)

* Cited by examiner, † Cited by third party
Title
GEWIRTZ, HENRY: "PET measurements of myocardial blood flow post myocardial infarction: Relationship to invasive and cardiac magnetic resonance studies and potential clinical applications", 《JOURNAL OF NUCLEAR CARDIOLOGY》 *
池黎彤,刘挨师: "CT-FFR对冠状动脉狭窄功能评价的临床价值", 《国际医学放射学杂志》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109770867A (zh) * 2018-12-21 2019-05-21 深圳市阅影科技有限公司 冠状动脉血流动力仿真数据处理方法和装置
CN109770867B (zh) * 2018-12-21 2020-07-17 深圳市阅影科技有限公司 冠状动脉血流动力仿真数据处理方法和装置
CN109919931A (zh) * 2019-03-08 2019-06-21 数坤（北京）网络科技有限公司 冠脉狭窄度评价模型训练方法及评价系统
CN110251122A (zh) * 2019-06-13 2019-09-20 南方医科大学顺德医院(佛山市顺德区第一人民医院) 一种冠心病风险指数的无损检测系统及方法
US11436731B2 (en) 2019-08-05 2022-09-06 Lightlab Imaging, Inc. Longitudinal display of coronary artery calcium burden
CN110706803A (zh) * 2019-08-20 2020-01-17 南京医基云医疗数据研究院有限公司 一种确定心肌纤维化的方法、装置、可读介质及电子设备
CN110786840A (zh) * 2019-11-04 2020-02-14 苏州润迈德医疗科技有限公司 基于生理参数获取血管评定参数的方法、装置及存储介质
CN111312009A (zh) * 2020-05-11 2020-06-19 成都泰盟软件有限公司 虚实结合的人体生理实验系统
CN112842286A (zh) * 2020-12-31 2021-05-28 温州医科大学 一种基于功能oct的无创血流粘滞度测量方法
CN112842286B (zh) * 2020-12-31 2022-08-05 温州医科大学 一种基于功能oct的无创血流粘滞度测量方法
CN116524134A (zh) * 2023-07-04 2023-08-01 天津恒宇医疗科技有限公司 基于血管内图像的三维血管建模方法及ffr计算方法和系统
CN116524134B (zh) * 2023-07-04 2023-08-29 天津恒宇医疗科技有限公司 基于血管内图像的三维血管建模方法及ffr计算方法和系统

Also Published As

Publication number Publication date
CN109036551B (zh) 2021-05-11

Similar Documents

Publication Publication Date Title
US11887305B1 (en) Systems and methods for identifying personalized vascular implants from patient-specific anatomic data
CN109036551A (zh) 一种冠状动脉生理学指标关系建立及应用方法、装置
US11861831B2 (en) Systems and methods for processing electronic images to predict lesions
CN108992059B (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
CN104736046B (zh) 用于数字评估脉管系统的系统和方法
CN107582041A (zh) 管状构造解析装置及管状构造解析方法
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

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