CN109288537B - 评估血流储备分数的系统、方法、设备及存储介质 - Google Patents

评估血流储备分数的系统、方法、设备及存储介质 Download PDF

Info

Publication number
CN109288537B
CN109288537B CN201811296891.4A CN201811296891A CN109288537B CN 109288537 B CN109288537 B CN 109288537B CN 201811296891 A CN201811296891 A CN 201811296891A CN 109288537 B CN109288537 B CN 109288537B
Authority
CN
China
Prior art keywords
ffr
coronary artery
keel
model
information
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
CN201811296891.4A
Other languages
English (en)
Other versions
CN109288537A (zh
Inventor
魏润杰
黄利忠
高琪
吴鹏
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.)
Hangzhou Shengshi Technology Co ltd
Original Assignee
Hangzhou Shengshi 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 Hangzhou Shengshi Technology Co ltd filed Critical Hangzhou Shengshi Technology Co ltd
Priority to CN201811296891.4A priority Critical patent/CN109288537B/zh
Publication of CN109288537A publication Critical patent/CN109288537A/zh
Application granted granted Critical
Publication of CN109288537B publication Critical patent/CN109288537B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/032—Transmission computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/504—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of blood vessels, e.g. by angiography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Animal Behavior & Ethology (AREA)
  • Molecular Biology (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Surgery (AREA)
  • Biophysics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Optics & Photonics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Physiology (AREA)
  • Vascular Medicine (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Pulmonology (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明实施例公开了一种评估血流储备分数的系统、方法、设备及计算机可读存储介质，其中，所述系统包括：获取模块，用于获取冠状动脉的三维图像信息，依据所述冠状动脉的三维图像信息，确定冠状动脉的龙骨节点的分布信息，获取所述龙骨节点的信息参数；狭窄率确定模块，用于根据所述冠状动脉的龙骨节点的信息参数，确定冠状动脉的狭窄率；模型确定模块，用于根据冠状动脉的狭窄率与预设狭窄率的关系，确定评估FFR的模型；FFR计算模块，用于依据龙骨节点信息参数以及评估FFR模型，计算冠状动脉的FFR值。

Description

评估血流储备分数的系统、方法、设备及存储介质
技术领域
本发明涉及生物医学工程技术，尤其涉及一种血流储备分数的系统、方法、设备及计算机可读存储介质。
背景技术
冠状血流储备分数(Fractional flow reserve，FFR)现已经成为冠脉狭窄功能性评价的公认指标，其最重要的功能是对一个未知影响的冠脉狭窄的功能后果进行准确评价。现有基于冠状动脉非创伤性血管成像(CT angiography,CTA)的无创评估是通过基于CTA图像重建技术和计算流体力学(Computational Fluid Dynamic,CFD)多尺度数值模拟计算FFR，然而在此评估过程中CFD计算模型复杂，往往需要计算几百万个网格，因此，所需时间较长，不适用于临床快速诊断，同时，由于计算量大，对于设备性能较高，需要在工作站或服务器上完成，导致成本上升。
发明内容
为解决现有存在的技术问题，本发明实施例提供一种评估血流储备分数FFR的系统、方法、设备及计算机可读存储介质，能够快速完成FFR计算。
为达到上述目的，本发明实施例的技术方案是这样实现的：
第一方面，本发明实施例提供一种评估血流储备分数FFR的系统，所述系统包括：
获取模块、狭窄率确定模块、模型确定模块以及FFR计算模块，其中，
所述获取模块，用于获取冠状动脉的三维图像信息，依据所述冠状动脉的三维图像信息，确定冠状动脉的龙骨节点的分布信息，获取所述龙骨节点的信息参数；
所述狭窄率确定模块，用于根据所述冠状动脉的龙骨节点的信息参数，确定冠状动脉的狭窄率；
所述模型确定模块，用于根据冠状动脉的狭窄率与预设狭窄率的关系，确定评估FFR的模型；
所述FFR计算模块，用于依据龙骨节点信息参数以及评估FFR模型，计算冠状动脉的FFR值。
其中，所述狭窄率确定模块还用于所述获取冠状动脉的三维图像信息包括：获取冠状动脉的CTA图像信息，依据所述CTA图像信息，构建所述冠状动脉的三维图像信息；所述系统还包括图像处理模块，用于对所述冠状动脉的所述CTA图像信息和/或所述三维图像信息进行斑块处理。
其中，所述狭窄率确定模块包括截面积获取单元以及狭窄率确定单元，其中，所述截面积获取单元，用于依据龙骨节点的信息参数，获取所述龙骨节点的冠状动脉截面积；
所述狭窄率确定单元，用于根据全部所述龙骨节点的冠状动脉截面积，确定出冠状动脉的狭窄率。
其中，所述狭窄率确定单元，具体用于确定目标无狭窄处的龙骨节点的冠状动脉截面积；根据所有所述龙骨节点的冠状动脉截面积与所述与目标无狭窄处的龙骨节点的冠状动脉截面积的关系，确定所述各龙骨节点的狭窄率；比较所述各龙骨节点的狭窄率，选取所述最大龙骨节点的狭窄率为冠状动脉的狭窄率。
其中，所述模型确定模块，具体用于若冠状动脉的狭窄率不大于第一预设狭窄率，确定评估FFR的模型为第一模型；若冠状动脉的狭窄率大于第一预设狭窄率，确定评估FFR的模型为第二模型。
其中，所述模型确定模块，具体用于若冠状动脉的狭窄率不大于第一预设狭窄率，确定评估FFR的模型为第一模型；若冠状动脉的狭窄率不小于第二预设狭窄率，确定评估FFR的模型为第二模型；若冠状动脉的狭窄率大于第一预设狭窄率且小于第二预设狭窄率，确定评估FFR的模型为第三模型。
其中，所述评估FFR的模型为第一模型，所述FFR计算模块包括入口信息获取单元、压力分布获取单元以及第一计算单元，其中，
所述入口信息获取单元，用于根据所述冠状动脉的三维图像信息，获取各分支入口的信息；
所述压力分布获取单元，用于依据所述依据龙骨节点信息参数以及各分支入口的信息，获取龙骨节点的压力分布信息；
所述第一计算单元，用于根据龙骨节点的压力分布信息，计算出检测冠状动脉的FFR值。
其中，所述评估FFR的模型为第二模型，所述FFR计算模块包括流量信息获取单元、阻抗确定单元、压力确定单元、第二计算单元：
所述流量信息获取单元，用于根据从各出口龙骨节点的压力以及各龙骨节点信息参数，计算出相应分叉点龙骨节点的压力相等的关系，以及依据质量守恒定律，确定出所述冠状动脉入口龙骨节点流量与各个出口龙骨节点流量的关系，获取各个出口龙骨节点流量信息；
所述各个出口龙骨节点流量信息的表达式为
AiQi 2+BiQi+Ci＝0
其中，Ai、Bi、Ci都是与龙骨节点信息参数有关的常数，Qi为第i个出口龙骨节点流量信息；
所述阻抗确定单元，用于根据所述冠状动脉的三维图像信息，获取冠状动脉入口信息以及各分支信息，确定各出口阻抗；
所述压力确定单元，用于依据各个出口龙骨节点流量信息和各出口阻抗，确定各个出口龙骨节点压力信息；
所述第二计算单元，用于根据各个出口龙骨节点压力信息和冠状动脉所有龙骨节点的信息参数，计算出待检测冠状动脉的FFR值。
其中，所述评估FFR的模型为第三模型，所述FFR计算模块包括第一FFR计算单元、第二FFR计算单元以及第三FFR计算单元，其中，
所述第一FFR计算单元，用于依据龙骨节点信息参数以及第一模型，计算出待检测冠状动脉的FFR值FFR1；
所述第二FFR计算单元，用于依据龙骨节点信息参数以及第二模型，计算出待检测冠状动脉的FFR值FFR2；
所述第三FFR计算单元，用于计算FFR1和FFR2加权平均值，确定依据所述第三模型计算出待检测冠状动脉的FFR值FFR3；
所述FFR1和FFR2加权平均的计算公式为：
FFR1(1-ε)+FFR2ε＝FFR3
其中，ε＝(θ-θ1)/(θ2-θ1)，θ为冠状动脉的实际狭窄率，θ1为第一预设狭窄率，θ2为第二预设狭窄率。
第二方面，本发明实施例提供一种评估血流储备分数的方法，所述方法包括：
获取冠状动脉的三维图像信息，依据所述冠状动脉的三维图像信息，确定冠状动脉的龙骨节点的分布信息，获取所述龙骨节点的信息参数；
根据所述冠状动脉的龙骨节点的信息参数，确定冠状动脉的狭窄率；
根据冠状动脉的狭窄率与预设狭窄率的关系，确定评估FFR的模型；
依据龙骨节点信息参数以及评估FFR模型，计算冠状动脉的FFR值。
第三方面，本发明实施例提供一种评估血流储备分数FFR的设备，所述设备包括本发明任一实施例所提供所述的评估FFR系统以及显示装置，其中，所述显示装置用于显示FFR信息。
第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现本发明任一实施例所述评估FFR方法。
本发明实施例所提供的评估血流储备分数的系统、方法、设备及计算机可读存储介质，该系统包括获取模块、狭窄率确定模块、模型确定模块以及FFR计算模块，其中，所述获取模块用于获取冠状动脉的三维图像信息，依据所述冠状动脉的三维图像信息，确定冠状动脉的龙骨节点的分布信息，获取所述龙骨节点的信息参数，所述狭窄率确定模块用于根据所述冠状动脉的龙骨节点的信息参数，确定冠状动脉的狭窄率，所述模型确定模块用于根据冠状动脉的狭窄率与预设狭窄率的关系，确定评估FFR的模型，所述FFR计算模块，用于依据龙骨节点信息参数以及评估FFR模型，计算冠状动脉的FFR值。如此，采用龙骨节点信息来计算FFR，够简化计算FFR的模型，提高FFR计算速度，同时基于不同的狭窄率，采用不同的评估模型，能够提高评估FFR值的准确性。
附图说明
图1为本发明一实施例中评估血流储备分数FFR系统的结构示意图；
图2为本发明一实施例中冠状动脉的三维图像；
图3为本发明一实施例中冠状动脉龙骨节点示意图；
图4为本发明一实施例中确认FFR模型方法的流程示意图；
图5为本发明一实施例中基于第二模型的冠状动脉的简单示意图；
图6为本发明另一实施例中确认FFR模型方法的流程示意图；
图7为本发明一实施例中评估血流储备分数FFR方法的流程示意图；
图8为本发明一实施例中评估血流储备分数FFR设备的组成示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对发明的具体技术方案做进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
在此需要说明的是，所述冠状动脉从主动脉根部发出，包绕整个心脏，主要分右冠状动脉和左冠状动脉两支。右冠状动脉由主干和末端分成后侧支和后降支的两个分支组成，左冠状动脉由主干、前降支和回旋支组成。本发明实施例中所述冠状动脉的龙骨节点是指冠状动脉血管的中心线上离散的空间分布点，在实际计算中，将冠状动脉血液流动等效成有限个管流元，每个管流元的长度为相邻龙骨节点的距离，以管流元的沿程压力损失hl和局部阻力损失hm为基础计算整体压力损失。其中，所述沿程阻力损失由流体在等效截面直管内的摩擦阻力引起的，所述局部阻力损失hm是由于流道形状改变、流速受到扰动、流动方向变化引起的。通常认为，每种损失都能成分体现出来而且独立地不受其他损失的影响，因此，压力损失是可以叠加的。所述沿程阻力损失hl可以表示为：
Figure GDA0001914992160000051
式中，△p、λ、g分别为沿程压力损失、沿程阻力系数和重力加速度，对于层流来说，λ＝64/Re，雷诺数
Figure GDA0001914992160000052
ρ和μ分别为血液的密度和粘度系数，U为流速，
Figure GDA0001914992160000053
Qi为流量，A为管道截面积，l为管道长度，d为管道直径。
所述局部阻力损失hm可以表示为：
Figure GDA0001914992160000054
式中，U为流速，
Figure GDA0001914992160000061
Qi为流量，A为管道截面积，g为重力加速度，ζ为局部阻力损失系数，△p为局部压力损失。
本发明实施例一方面，提供一种评估血流储备分数FFR系统，请参阅图1，所述系统包括获取模块101、狭窄率确定模块102、模型确定模块103以及FFR计算模块104，其中，
所述获取模块101，用于获取冠状动脉的三维图像信息，依据所述冠状动脉的三维图像信息，确定冠状动脉的龙骨节点的分布信息，获取所述龙骨节点的信息参数；
其中，所述FFR系统获取冠状动脉的三维图像信息，可以是指基于冠状动脉非创伤性血管成像(CT angiography,CTA)图像数据，建立冠状动脉的三维图像模型，从而获取冠状动脉的三维图像信息。例如采用计算机断层扫描CT设备对心脏血管部位造影，生成心脏血管CTA图像数据，采用三维重建技术，建立心脏血管的三维图像数据，利用心脏各部分灰度差异、空间位置以及是否为连通域等信息，识别出冠状动脉的三维图像模型，请参阅图2，从而获取冠状动脉的图像信息。
所述FFR系统获取冠状动脉的三维图像信息，还可以是指通过特制的心导管进入冠状动脉，采用血管造影机进行冠状动脉造影，从而获取冠状动脉的三维图像信息。
其中，所述龙骨节点的信息参数至少包括龙骨节点索引、血流方向、空间分布参数、冠状动脉的等效直径、冠状动脉的曲率半径以及曲线切向方向等几何信息。
这里，所述依据所述冠状动脉的三维图像信息，确定冠状动脉的龙骨节点的分布信息，获取所述龙骨节点的信息参数，具体是先基于冠状动脉的三维图像信息，基于图像形态学的细化算法，查找到冠脉血管的中心线，经过离散化计算，得到龙骨节点分布信息，请参阅图3，图中黑点代表冠状动脉的龙骨节点，然后根据龙骨节点分布信息，计算冠状动脉在垂直截面上的截面积和等效直径、曲率半径和曲线切向方向，以及血流方向等几何信息。
需要说明的是，若龙骨节点的总数是N，第i个节点的空间位置用pi＝(xi,yi,zi)，所述血流方向vi可由pi的一阶导数得到，所述截面积Ai指冠脉血管的垂直截面所包围的面积，所述周长Ci指冠脉血管的垂直截面的周长，所述等效直径，即水力直径di可用di＝4Ai/Ci，曲率半径ri和曲线切向方向ti可采用三维空间曲线拟合计算。
所述狭窄率确定模块102，用于根据所述冠状动脉的龙骨节点的信息参数，确定冠状动脉的狭窄率；
这里，所述狭窄率确定模块包括截面积获取单元以及狭窄率确定单元，其中，所述截面积获取单元，用于依据龙骨节点的信息参数，获取所述龙骨节点的冠状动脉截面积，由于龙骨节点的信息参数中包括了冠状动脉截面积，因此可以直接获取冠状动脉截面积；
所述狭窄率确定单元，用于根据全部所述龙骨节点的冠状动脉截面积，确定出冠状动脉的狭窄率。具体地，确定目标无狭窄处的龙骨节点的冠状动脉截面积；根据所有所述龙骨节点的冠状动脉截面积与所述目标无狭窄处的龙骨节点的冠状动脉截面积的关系，确定所述各龙骨节点的狭窄率；比较所述各龙骨节点的狭窄率，选取所述最大龙骨节点的狭窄率为冠状动脉的狭窄率。
例如，当前龙骨节点的冠状动脉截面积为Ai，目标无狭窄处的龙骨节点的冠状动脉截面积A0，所述当前龙骨节点的狭窄率θi为
Figure GDA0001914992160000071
按照此方法计算出所有龙骨节点的狭窄率，统计所有龙骨节点的狭窄率，选取最大的龙骨节点的狭窄率作为冠状动脉的狭窄率θ，其中，进行统计时可采取，当龙骨节点的狭窄率小于预设值时，不做统计。
这里，所述目标无狭窄处的龙骨节点是指当前龙骨节点血流反方向上的最近无狭窄处的龙骨节点。
在一个实施例中，所述目标无狭窄处的龙骨节点的方法包括：识别冠状动脉的狭窄区域和非狭窄区域，若识别当前龙骨节点位于狭窄区域，从当前龙骨节点沿血流反方向查找最近非狭窄区域的龙骨节点，该龙骨节点即为所述目标无狭窄处的龙骨节点；若识别当前龙骨节点位于非狭窄区域，从当前龙骨节点沿血流反方向查找上一个位于非狭窄区域龙骨节点，该龙骨节点即为所述目标无狭窄处的龙骨节点。
在另一个实施例中，所述确定目标无狭窄处的龙骨节点的方法还可以包括：比较分支各龙骨节点截面积与分支入口龙骨节点的截面积，若当前龙骨节点的截面积与入口龙骨节点的截面积的差值超出阈值，则沿血流反方向上查找出与入口龙骨节点的截面积的差值在阈值范围以内的最近龙骨节点，所述最近的龙骨节点即为目标无狭窄处的龙骨节点；若当前龙骨节点的截面积与入口龙骨节点的截面积的未超出阈值，则沿血流反方向上查找上一个龙骨节点，该龙骨节点即为目标无狭窄处的龙骨节点。
所述模型确定模块103，用于根据冠状动脉的狭窄率与预设狭窄率的关系，确定评估FFR的模型；
其中，在冠状动脉狭窄率较小时，可以通过心肌的调节功能来保证心肌的所需供血量一定，若冠状动脉狭窄率超出一定范围时，由于心肌的调节功能达到极限，从而无法保证心肌供血量不变，因此，评估FFR的模型时可采用不同的模型。
所述FFR计算模块104，用于依据龙骨节点信息参数以及评估FFR模型，计算冠状动脉的FFR值。
这里，根据狭窄率选择的相应的评估FFR模型，再依据冠状动脉的龙骨节点信息参数，计算各龙骨节点的压力值，依据FFR定义为最大充血状态下，存在狭窄病变时血管所能获得的最大血流量与正常状态下即无狭窄病变时血管所能获得的最大血流量的比值，可以等效成压力之比，因此，计算每个龙骨节点上的FFRi，计算公式如下：
Figure GDA0001914992160000081
式中，p0为冠状动脉入口的压力，pi为第i个龙骨节点压力。
在本发明上述实施例中，该系统包括获取模块、狭窄率确定模块、模型确定模块以及FFR计算模块，其中，所述获取模块用于获取冠状动脉的三维图像信息，依据所述冠状动脉的三维图像信息，确定冠状动脉的龙骨节点的分布信息，获取所述龙骨节点的信息参数，所述狭窄率确定模块用于根据所述冠状动脉的龙骨节点的信息参数，确定冠状动脉的狭窄率，所述模型确定模块用于根据冠状动脉的狭窄率与预设狭窄率的关系，确定评估FFR的模型，所述FFR计算模块，用于依据龙骨节点信息参数以及评估FFR模型，计算冠状动脉的FFR值。如此，采用龙骨节点信息来计算FFR，够简化计算FFR的模型，提高FFR计算速度，同时基于不同的狭窄率，采用不同的评估模型，能够提高评估FFR值的准确性。
在一个实施例中，所述预设狭窄率包括第一预设狭窄率，所述模型确定模块103，具体用于若冠状动脉的狭窄率不大于第一预设狭窄率，确定评估FFR的模型为第一模型；若冠状动脉的狭窄率大于第一预设狭窄率，确定评估FFR的模型为第二模型。其中，所述第一模型可以为恒流模型，第二模型可以为恒阻模型，第一预设狭窄率可以是65％-75％，最优的是70％。请参阅图4，以评估FFR的模型包括恒流模型和恒阻模型、预设狭窄率为70％为例，所述评估血流储备分数FFR的系统进行血流储备分数FFR评估的方法包括：
步骤401、获取冠状动脉的三维图像信息；
步骤402、依据所述三维图像信息，确定冠状动脉的龙骨节点分布信息；
步骤403、根据冠状动脉的龙骨节点分布信息，获取冠状动脉的龙骨节点的信息参数；
步骤404、依据所述冠状动脉的龙骨节点的参数信息，确定冠状动脉的狭窄率θ；
步骤405、比较冠状动脉的狭窄率θ是否小于70％，若是，跳转406a，若不是，跳转到406b；
步骤406a、确定评估FFR模型为恒流模型；
步骤406b、确定评估FFR模型为恒阻模型。
在本发明上述实施例中，以心肌调节功能的能力为界，可将FFR模型分为第一模型和第二模型，依据冠状动脉的实际狭窄率与预设狭窄率的关系，确定具体采用哪种评估FFR模型，从而实现在心肌调节功能有效范围内，采用第一模型评估FFR，在心肌调节功能达到极限时，采用第二模型评估FFR，进而减少由于未考虑心肌调节功能的影响，造成评估FFR的误差，提高了FFR计算精度。
在一个实施例中，所述评估FFR的模型为第一模型，所述FFR计算模块104包括入口信息获取单元、压力分布获取单元以及第一计算单元，其中，
所述入口信息获取单元，用于根据所述冠状动脉的三维图像信息，获取各分支入口的信息；
这里，首先获取冠状动脉的总流量Q1，Q1可通过基于心肌模型的流量评估方法得到；
具体的是，通过冠状动脉的三维图像信息估计出左心室质量信息，则冠状动脉总流量信息为Q1＝Q0m3/4，其中，Q1为冠状动脉的血液总流量，Q0为系数。
需要说明，冠状动脉的总流量也可以通过其他方式获取，例如磁共振实际测量冠状动脉左右分支的血液体积得到，也可设定冠状动脉入口总流量的平均值。
然后，对每条冠状动脉分支进行流量分配；
这里，可以采用进入分支的血液流量与血管直径的三次方成正比的关系，利用依据冠状动脉各分支入口直径的比例，计算分别进入冠状动脉各分支的血液流量。所述冠状动脉的入口直径dj可根据冠状动脉的三维图像信息来确定，也就是说分支入口流量Qj∝dj 3，下标j为分支的索引。
所述压力分布获取单元，用于依据所述依据龙骨节点信息参数以及各分支入口的信息，获取龙骨节点的压力分布信息；
这里，根据分支入口流量及龙骨节点信息参数，可得到龙骨上每个节点的流量qi，根据前述沿程阻力损失公式和局部阻力损失公式，计算当前节点的压力损失hil和局部压力损失him，再根据冠状动脉入口压力对每个龙骨节点的阻力损失和局部阻力损失进行逐点积分，即可得到各龙骨节点的压力分布信息。
例如，当前子节点是离冠状动脉入口第二近龙骨节点，当前子节点流量为q1，父节点流量为q1p，流量
Figure GDA0001914992160000101
管道截面积
Figure GDA0001914992160000102
管道半径为
Figure GDA0001914992160000103
距离
Figure GDA0001914992160000104
可计算出当前子节点沿程阻力损失h1l和局部阻力损失h1m，进而求出沿程压力损失p1l和局部压力损失p1m，若入口压力为p0，则当前子节点压力为p1＝p0-p1l-p1m，同理，若计算出第三龙骨节点的沿程压力损失p2l和局部压力损失p2m，则第三龙骨节点的压力为p2＝p1-p2l-p2m，依次类推，可得出各龙骨节点的压力分布信息。
需要说明的是，所述父节点为当前龙骨节点在血流反方向上距离该节点最近的龙骨节点，所述子节点为当前龙骨节点，入口节点是没有父节点，出口节点是没有子节点，采用按照血流反方向搜索的方法可以查找到各分支出口节点到入口节点的分支路径，例如冠状动脉有M个出口，则对应有M条分支，则每条分支Lj都是部分龙骨节点的集合，j最大为M。
所述第一计算单元，用于根据龙骨节点的压力分布信息，计算冠状动脉的FFR值。
这里，FFR定义为最大充血状态下，存在狭窄病变时血管所能获得的最大血流量与正常状态下即无狭窄病变时血管所能获得的最大血流量的比值，可以等效成压力之比，因此，计算每个龙骨节点上的FFRi，计算公式如下：
Figure GDA0001914992160000111
式中，p0为冠状动脉入口的压力，pi为第i个龙骨节点压力。
在上述实施例中，以第一模型为恒流模型为例，所述模型采用从入口压力逐点递推的方式，确定各龙骨节点压力分布信息，进而确定FFR值，减少了由于未考虑心肌调节功能的影响，造成评估FFR的误差，同时相比现有采用CFD多尺度数值模拟计算FFR的方法来说，简化了计算FFR的方法，提高了计算效率和计算精度。
在一个实施例中，所述评估FFR的模型为第二模型，所述FFR计算模块包括流量信息获取单元、阻抗确定单元、压力确定单元、第二计算单元：
所述流量信息获取单元，用于根据从各出口龙骨节点的压力以及各龙骨节点信息参数，计算出相应分叉点龙骨节点的压力相等的关系，以及依据质量守恒定律，确定出所述冠状动脉入口龙骨节点流量与各个出口龙骨节点流量的关系，获取各个出口龙骨节点流量信息；
所述阻抗确定单元，用于根据所述冠状动脉的三维图像信息，获取冠状动脉入口信息以及各分支信息，确定各出口阻抗；
所述压力确定单元，用于依据各个出口龙骨节点流量信息和各出口阻抗，确定各个出口龙骨节点压力信息；
这里，首先根据冠状动脉入口总流量与总压力的关系计算出口总阻抗R，所述冠状动脉入口总流量与总压力的关系为：
P＝QR+Pv
式中，P为冠状动脉入口压力，Q为冠状动脉总流量，pv为远端压力，R为总阻抗。
然后按照各分支出口直径三次方的倒数分配阻抗Ri，所述各分支出口直径的确定方法与各分支入口直径确定方法一致，这里不再细述。
由于从各个分支出口压力依次相应累加各分支中各个管元的沿程压力损失和局部压力损失，直至各自对应的分叉点，计算得到相应分支的分叉点应该压力相等，其中，所述分支出口压力的计算公式为：
Pio＝QioRi+Pv
式中，Pio为第i个分支出口压力，Qio为第i个分支出口流量即各个出口龙骨节点流量信息，Ri为第i个出口阻抗，Pv为远端压力。
以及根据质量守恒定律，分支入口流量应该等于分叉点流量，以及等于各分叉点的分支出口的流量相加。
最后，根据整理出关于各个出口龙骨节点流量信息。
所述各个出口龙骨节点流量信息的表达式为
AiQio 2+BiQio+Ci＝0
其中，Ai、Bi、Ci都是与龙骨节点信息参数有关的常数，Qio为第i个出口龙骨节点流量信息。
例如，将冠状动脉简化为只有一个分叉点和两个分支出口的模型，如图4所述，第1个点为冠状动脉入口龙骨节点，压力为P1，流量为Q1，第2个点为分叉点，第2个点为分叉龙骨节点，压力为P2，流量为Q2，第3个点为第1个出口龙骨节点，压力为P3，流量为Q3，出口阻抗R3,第4个点为第2个出口龙骨节点，压力为P4，出口阻抗R4,流量为Q4，其中，P1和Q1，R3和R4已知，由第3个点P3依次累加沿程压力损失和局部压力损失，得到P2：
Figure GDA0001914992160000121
式中，λ23为沿程阻力系数，ζ23为局部阻力系数，l23为第2个龙骨节点到第3个龙骨节点的长度，d23为平均直径，A23为平均截面积，Pv为远端压力，ρ为血液密度。
由第4个点P4依次累加沿程压力损失和局部压力损失，得到P2：
Figure GDA0001914992160000122
式中，λ24为沿程阻力系数，ζ24为局部阻力系数，l24为第2个龙骨节点到第4个龙骨节点的长度，d24为平均直径，A24为平均截面积，Pv为远端压力，ρ为血液密度。
由于两个出口龙骨节点求得的P2应该相等，则有
Figure GDA0001914992160000131
根据质量守恒，有Q1＝Q2＝Q3+Q4,由分叉点龙骨节点压力P2累加沿程压力损失和局部压力损失，可得P1，即
Figure GDA0001914992160000132
上述两式子最后可改写为A Q 2+B Q+C＝0方程组形式，求解方程组即可求的Q3和Q4，按照公式Pio＝QioRi+Pv，可求出P3＝Q3R3+Pv和P4＝Q4R4+Pv，
按照公式(1)，可求出P2。
需要说明的是，实际冠状动脉的形状比较复杂，但最终各出口龙骨节点流量都可以表示成
AiQio 2+BiQio+Ci＝0
其中，Ai、Bi、Ci都是与龙骨节点信息参数有关的常数，Qio为第i个出口龙骨节点流量信息，各个分支的各个龙骨节点的压力值也是由各分支出口龙骨节点依次累加沿程压力损失局部压力损失求得。
所述第二计算单元，用于根据各个出口龙骨节点压力信息和冠状动脉所有龙骨节点的信息参数，计算冠状动脉的FFR值。
这里，FFR定义为最大充血状态下，存在狭窄病变时血管所能获得的最大血流量与正常状态下即无狭窄病变时血管所能获得的最大血流量的比值，可以等效成压力之比，因此，计算每个龙骨节点上的FFRi，计算公式如下：
Figure GDA0001914992160000133
式中，p0为冠状动脉入口的压力，pi为第i个龙骨节点压力。
在本发明实施例中，以第二模型为恒阻模型为例，所述模型采用计算出各出口流量，从而确定各出口压力，从出口逐点递推回入口的方式，进而确定各龙骨节点的压力分布信息，最终确定FFR值，减少了由于心肌调节功能达到极限时仍采用第一模型造成的计算误差，同时，相比现有采用CFD多尺度数值模拟计算FFR的方法来说，简化了计算FFR的方法，提高了计算效率和计算精度提高了计算效率和计算精度。
在另一个实施例中，所述预设狭窄率包括第一预设狭窄率和第二预设狭窄率，所述模型确定模块103，若冠状动脉的狭窄率不大于第一预设狭窄率，确定评估FFR的模型为第一模型；若冠状动脉的狭窄率不小于第二预设狭窄率，确定评估FFR的模型为第二模型；若冠状动脉的狭窄率大于第一预设狭窄率且小于第二预设狭窄率，确定评估FFR的模型为第三模型。
需要说明的是，在本发明实施例中第二预设狭窄率大于第一预设狭窄率，第一预设狭窄率为65％-70％，第二预设狭窄率为70％-75％，优选地，第一狭窄率为65％，第二狭窄率为75％，所述第三模型为混合模型，即通过其他模型计算出各自的FFR值，然后根据对各自模型的信任度，采用加权的方式计算出FFR值。请参阅图6，以评估FFR模型包括恒流模型、混合模型和恒阻模型为例、狭窄率为65％和75％为例，所述评估血流储备分数FFR的系统进行血流储备分数FFR评估的方法包括：
步骤601、获取冠状动脉的三维图像信息；
步骤602、依据所述三维图像信息，确定冠状动脉的龙骨节点分布信息；
步骤603、根据冠状动脉的龙骨节点分布信息，获取冠状动脉的龙骨节点的信息参数；
步骤604、依据所述冠状动脉的龙骨节点的参数信息，确定冠状动脉的狭窄率θ；
步骤605、比较冠状动脉的狭窄率θ与预设狭窄率的大小，所述预设狭窄率为65％和75％，若θ≤65％，跳转606a，若65％<θ<75％，跳转到606b，若θ≥75％，跳转到606c；
步骤606a、确认评估FFR模型为恒流模型；
步骤606b、确认评估FFR模型为混合模型；
步骤606c、确认评估FFR模型为恒阻模型。具体地，所述评估FFR的模型为第三模型，所述FFR计算模块包括第一FFR计算单元、第二FFR计算单元以及第三FFR计算单元，其中，
所述第一FFR计算单元，用于依据龙骨节点信息参数以及第一模型，计算出待检测冠状动脉的FFR值FFR1；
其中，依据龙骨节点信息参数以及第一模型，计算出待检测冠状动脉的FFR值FFR1的方法请参照前述发明实施例中依据第一模型计算FFR的方法，这里不再细述。
所述第二FFR计算单元，用于依据龙骨节点信息参数以及第二模型，计算出待检测冠状动脉的FFR值FFR2；
其中，依据龙骨节点信息参数以及第二模型，计算出待检测冠状动脉的FFR值FFR2前述发明实施例中依据第二模型计算FFR的方法，这里不再细述。
所述第三FFR计算单元，用于计算FFR1和FFR2加权平均值，确定依据所述第三模型计算冠状动脉的FFR值FFR3；
所述FFR1和FFR2加权平均的计算公式为：
FFR1(1-ε)+FFR2ε＝FFR3
其中，ε＝(θ-θ1)/(θ2-θ1)，θ为冠状动脉的实际狭窄率，θ1为第一预设狭窄率，θ2为第二预设狭窄率。
在本发明实施例中，通过设置第一预设狭窄率和第二预设狭窄率，如此，细化了狭窄率对应的阈值区间，与此同时将评估FFR模型分为三类，其中，由于在第一预设狭窄率与第二预设狭窄率区间，心肌调节功能逐渐达到极限，采用加权平均的第三模型评估FFR值能减少用单一的模型计算FFR值的误差，进一步提高FFR计算精度。
在一个实施例中，所述狭窄率确定模块102还用于所述获取冠状动脉的三维图像信息包括：获取冠状动脉的CTA图像信息，依据所述CTA图像信息，构建所述冠状动脉的三维图像信息；所述系统还包括图像处理模块，用于对所述冠状动脉的所述CTA图像信息和/或所述三维图像信息进行斑块处理。
这里，所述冠状动脉的图像信息包括冠状动脉的三维图像信息和CTA图像信息。由于冠状动脉血管内存在脂肪类物质，当血管内皮破损，脂肪类物质进入血管壁，导致血管壁增厚，血管腔狭窄，其中，将使得血管内皮隆起的部分称为“斑块”，由于斑块的存在，通过对斑块的处理，可以进一步提升FFR计算的准确性，避免将狭窄率大的血管误认为狭窄率小的血管。
其中，所述斑块处理是根据斑块与血管内壁的灰度值不同，对冠状动脉的图像信息进行斑块处理，即识别出比邻近区域异常亮的区域，将该区域标记为斑块，删除标记为斑块的图像信息，从而确定出无斑块的冠状动脉的图像信息，再根据无斑块的冠状动脉的图像信息生成龙骨节点信息；也可以根据原始的冠状动脉的三维图像信息，确定了龙骨节点分布信息，获取了所述龙骨节点的信息参数，取其中一个龙骨节点的信息参数，确定由所述龙骨节点确定的截面上所在血管壁附近区域的图像数据，比较该区域的图像数据灰度值比邻近区域灰度值，若超出一定范围，则标记该区域为斑块，遍历所有龙骨节点，删除所有标记为斑块的三维图像数据，获取新的冠状动脉的三维图像信息，重新确定冠状动脉的龙骨节点，获取新的所述龙骨节点的信息参数。
在上述实施例中，通过对冠状动脉的图像信息进行斑块处理，能够减小由于斑块存在，造成重构冠状动脉的三维图像信息的误差，从而提高龙骨节点的信息参数的精度，进而提高FFR计算精度。
本发明实施例另一方面，提供一种评估血流储备分数FFR方法，请参照图7，所述方法包括：
步骤701，获取冠状动脉的三维图像信息，依据所述冠状动脉的三维图像信息，确定冠状动脉的龙骨节点的分布信息，获取所述龙骨节点的信息参数；
步骤702，根据所述冠状动脉的龙骨节点的信息参数，确定冠状动脉的狭窄率；
包括：依据龙骨节点的信息参数，获取所述龙骨节点的冠状动脉截面积；
根据全部所述龙骨节点的冠状动脉截面积，确定出冠状动脉的狭窄率，
具体地，确定目标无狭窄处的龙骨节点的冠状动脉截面积；根据所有所述龙骨节点的冠状动脉截面积与所述目标无狭窄处的龙骨节点的冠状动脉截面积的关系，确定所述各龙骨节点的狭窄率；比较所述各龙骨节点的狭窄率，选取所述最大龙骨节点的狭窄率为冠状动脉的狭窄率。
步骤703，根据冠状动脉的狭窄率与预设狭窄率的关系，确定评估FFR的模型；
其中，若冠状动脉的狭窄率不大于第一预设狭窄率，确定评估FFR的模型为第一模型；若冠状动脉的狭窄率大于第一预设狭窄率，确定评估FFR的模型为第二模型。
步骤704，依据龙骨节点信息参数以及评估FFR模型，计算冠状动脉的FFR值。
这里，所述评估FFR的模型为第一模型，步骤704包括：
根据所述冠状动脉的三维图像信息，获取各分支入口的信息；
依据所述依据龙骨节点信息参数以及各分支入口的信息，获取龙骨节点的压力分布信息；
根据龙骨节点的压力分布信息，计算冠状动脉的FFR值。
这里，所述评估FFR的模型为第二模型，步骤704包括：
根据从各出口龙骨节点的压力以及各龙骨节点信息参数，计算出相应分叉点龙骨节点的压力相等的关系，以及依据质量守恒定律，确定出所述冠状动脉入口龙骨节点流量与各个出口龙骨节点流量的关系，获取各个出口龙骨节点流量信息；
所述各个出口龙骨节点流量信息的表达式为
AiQi 2+BiQi+Ci＝0
其中，Ai、Bi、Ci都是与龙骨节点信息参数有关的常数，Qi为第i个出口龙骨节点流量信息；
根据所述冠状动脉的三维图像信息，获取冠状动脉入口信息以及各分支信息，确定各出口阻抗；
依据各个出口龙骨节点流量信息和各出口阻抗，确定各个出口龙骨节点压力信息；
根据各个出口龙骨节点压力信息和冠状动脉所有龙骨节点的信息参数，计算冠状动脉的FFR值。
在本发明实施例中，在本发明实施例中，提出采用龙骨节点信息来计算FFR，够简化计算FFR的模型，提高FFR计算速度，同时基于不同的基于不同的狭窄率，采用不同的评估模型，能够减少由于心肌调节功能造成FFR值误差，能够提高评估FFR值的准确性。
在一个实施例中，步骤701，获取冠状动脉的三维图像信息，依据所述冠状动脉的三维图像信息，确定冠状动脉的龙骨节点的分布信息，获取所述龙骨节点的信息参数，还包括：所述获取冠状动脉的三维图像信息包括：获取冠状动脉的CTA图像信息，依据所述CTA图像信息，构建所述冠状动脉的三维图像信息；所述系统还包括图像处理模块，用于对所述冠状动脉的所述CTA图像信息和/或所述三维图像信息进行斑块处理。
在本发明实施例中，通过对冠状动脉的图像信息进行斑块处理，能够减小由于斑块存在，造成重构冠状动脉的三维图像信息的误差，从而提高龙骨节点的信息参数的精度，进而提高FFR计算精度。
在一个实施例中，步骤703，所述根据冠状动脉的狭窄率与预设狭窄率的关系，确定评估FFR的模型，包括：
若冠状动脉的狭窄率不大于第一预设狭窄率，确定评估FFR的模型为第一模型；若冠状动脉的狭窄率不小于第二预设狭窄率，确定评估FFR的模型为第二模型；若冠状动脉的狭窄率大于第一预设狭窄率且小于第二预设狭窄率，确定评估FFR的模型为第三模型。
这里，所述评估FFR的模型为第三模型，在步骤704中，所述依据龙骨节点信息参数以及评估FFR模型，计算冠状动脉的FFR值，包括：
依据龙骨节点信息参数以及第一模型，计算出待检测冠状动脉的FFR值FFR1；
依据龙骨节点信息参数以及第二模型，计算出待检测冠状动脉的FFR值FFR2；
计算FFR1和FFR2加权平均值，确定依据所述第三模型计算冠状动脉的FFR值FFR3；
所述FFR1和FFR2加权平均的计算公式为：
FFR1(1-ε)+FFR2ε＝FFR3
其中，ε＝(θ-θ1)/(θ2-θ1)，θ为冠状动脉的实际狭窄率，θ1为第一预设狭窄率，θ2为第二预设狭窄率。
在本发明实施例中，通过设置第一预设狭窄率和第二预设狭窄率，如此，细化了狭窄率对应的阈值区间，与此同时将评估FFR模型分为三类，其中，由于在第一预设狭窄率与第二预设狭窄率区间，心肌调节功能逐渐达到极限，采用加权平均的第三模型评估FFR值能减少用单一的模型计算FFR值的误差，进一步提高FFR计算精度。
本发明实施例又一方面，提供一种评估血流储备分数FFR的设备，请参照图8，所述设备包括本发明任一实施例中提供评估血流储备分数FFR系统801和显示装置802，其中，所述显示装置所述显示装置用于显示FFR信息。
本发明实施例再一方面，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上存储有计算机程序，所述计算机程序被处理器执行时实现本发明任一实施例提供评估血流储备分数FFR方法的步骤。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机可读存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机可读存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机可读存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。本发明的保护范围应以所述权利要求的保护范围以准。

Claims (11)

1.一种评估FFR的系统，其特征在于，所述系统包括获取模块、狭窄率确定模块、模型确定模块以及FFR计算模块，其中，
所述获取模块，用于获取冠状动脉的三维图像信息，依据所述冠状动脉的三维图像信息，确定冠状动脉的龙骨节点的分布信息，获取所述龙骨节点的信息参数；
所述狭窄率确定模块，用于根据所述冠状动脉的龙骨节点的信息参数，确定冠状动脉的狭窄率；
所述模型确定模块，用于根据冠状动脉的狭窄率与预设狭窄率的关系，确定评估FFR的模型；
所述模型确定模块，具体用于若冠状动脉的狭窄率不大于第一预设狭窄率，确定评估FFR的模型为第一模型；
所述FFR计算模块，用于依据龙骨节点信息参数以及评估FFR模型，计算冠状动脉的FFR值。
2.如权利要求1所述系统，其特征在于，所述获取冠状动脉的三维图像信息包括：获取冠状动脉的CTA图像信息，依据所述CTA图像信息，构建所述冠状动脉的三维图像信息；所述系统还包括图像处理模块，用于对所述冠状动脉的所述CTA图像信息和/或所述三维图像信息进行斑块处理。
3.如权利要求1所述系统，其特征在于，所述狭窄率确定模块包括截面积获取单元以及狭窄率确定单元，其中，
所述截面积获取单元，用于依据龙骨节点的信息参数，获取所述龙骨节点的冠状动脉截面积；
所述狭窄率确定单元，用于根据全部所述龙骨节点的冠状动脉截面积，确定出冠状动脉的狭窄率。
4.如权利要求3所述系统，其特征在于，所述狭窄率确定单元，具体用于确定目标无狭窄处的龙骨节点的冠状动脉截面积；根据所有所述龙骨节点的冠状动脉截面积与所述目标无狭窄处相邻的龙骨节点的冠状动脉截面积的关系，确定所述各龙骨节点的狭窄率；比较所述各龙骨节点的狭窄率，选取最大龙骨节点的狭窄率为冠状动脉的狭窄率。
5.如权利要求1所述系统，其特征在于，所述模型确定模块，具体还用于若冠状动脉的狭窄率大于第一预设狭窄率，确定评估FFR的模型为第二模型。
6.如权利要求1所述系统，其特征在于，所述模型确定模块，具体还用于若冠状动脉的狭窄率不小于第二预设狭窄率，确定评估FFR的模型为第二模型；若冠状动脉的狭窄率大于第一预设狭窄率且小于第二预设狭窄率，确定评估FFR的模型为第三模型。
7.如权利要求5或6所述系统，其特征在于，所述评估FFR的模型为第一模型，所述FFR计算模块包括入口信息获取单元、压力分布获取单元以及第一计算单元，其中，
所述入口信息获取单元，用于根据所述冠状动脉的三维图像信息，获取各分支入口的信息；
所述压力分布获取单元，用于依据所述依据龙骨节点信息参数以及各分支入口的信息，获取龙骨节点的压力分布信息；
所述第一计算单元，用于根据龙骨节点的压力分布信息，计算冠状动脉的FFR值。
8.如权利要求5或6所述系统，其特征在于，所述评估FFR的模型为第二模型，所述FFR计算模块包括流量信息获取单元、阻抗确定单元、压力确定单元、第二计算单元：
所述流量信息获取单元，用于根据从各出口龙骨节点的压力以及各龙骨节点信息参数，计算出相应分叉点龙骨节点的压力相等的关系，以及依据质量守恒定律，确定出所述冠状动脉入口龙骨节点流量与各个出口龙骨节点流量的关系，获取各个出口龙骨节点流量信息；
所述各个出口龙骨节点流量信息的表达式为
AiQi 2+BiQi+Ci＝0
其中，Ai、Bi、Ci都是与龙骨节点信息参数有关的常数，Qi为第i个出口龙骨节点流量信息；
所述阻抗确定单元，用于根据所述冠状动脉的三维图像信息，获取冠状动脉入口信息以及各分支信息，确定各出口阻抗；
所述压力确定单元，用于依据各个出口龙骨节点流量信息和各出口阻抗，确定各个出口龙骨节点压力信息；
所述第二计算单元，用于根据各个出口龙骨节点压力信息和冠状动脉所有龙骨节点的信息参数，计算冠状动脉的FFR值。
9.如权利要求6所述系统，其特征在于，所述评估FFR的模型为第三模型，所述FFR计算模块包括第一FFR计算单元、第二FFR计算单元以及第三FFR计算单元，其中，
所述第一FFR计算单元，用于依据龙骨节点信息参数以及第一模型，计算出待检测冠状动脉的FFR值FFR1；
所述第二FFR计算单元，用于依据龙骨节点信息参数以及第二模型，计算出待检测冠状动脉的FFR值FFR2；
所述第三FFR计算单元，用于计算FFR1和FFR2加权平均值，确定依据所述第三模型计算冠状动脉的FFR值FFR3；
所述FFR1和FFR2加权平均的计算公式为：
FFR1(1-ε)+FFR2ε＝FFR3
其中，ε＝(θ-θ1)/(θ2-θ1)，θ为冠状动脉的实际狭窄率，θ1为第一预设狭窄率，θ2为第二预设狭窄率。
10.一种评估FFR的设备，其特征在于，所述设备包括权利要求1至9中任一项所述的评估FFR的系统以及显示装置，其中，所述显示装置用于显示FFR信息。
11.一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上存储有评估FFR的程序，所述评估FFR的程序被处理器执行时实现如下步骤：
获取冠状动脉的三维图像信息，依据所述冠状动脉的三维图像信息，确定冠状动脉的龙骨节点的分布信息，获取所述龙骨节点的信息参数；其中，所述龙骨节点为冠状动脉血管的中心线上离散的空间分布点；
根据所述冠状动脉的龙骨节点的信息参数，确定冠状动脉的狭窄率；
根据冠状动脉的狭窄率与预设狭窄率的关系，确定评估FFR的模型；
若冠状动脉的狭窄率不大于第一预设狭窄率，确定评估FFR的模型为第一模型；
依据龙骨节点信息参数以及评估FFR模型，计算冠状动脉的FFR值。
CN201811296891.4A 2018-11-01 2018-11-01 评估血流储备分数的系统、方法、设备及存储介质 Active CN109288537B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811296891.4A CN109288537B (zh) 2018-11-01 2018-11-01 评估血流储备分数的系统、方法、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811296891.4A CN109288537B (zh) 2018-11-01 2018-11-01 评估血流储备分数的系统、方法、设备及存储介质

Publications (2)

Publication Number Publication Date
CN109288537A CN109288537A (zh) 2019-02-01
CN109288537B true CN109288537B (zh) 2022-08-09

Family

ID=65145042

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811296891.4A Active CN109288537B (zh) 2018-11-01 2018-11-01 评估血流储备分数的系统、方法、设备及存储介质

Country Status (1)

Country Link
CN (1) CN109288537B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110584696B (zh) * 2019-09-20 2023-05-30 杭州晟视科技有限公司 一种血流储备分数评估方法及装置、存储介质
CN111754506B (zh) * 2020-07-01 2024-02-06 杭州脉流科技有限公司 基于腔内影像的冠脉狭窄率计算方法、装置、系统和计算机存储介质
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
CN114049282B (zh) * 2022-01-07 2022-05-24 浙江大学 一种冠状动脉的构建方法、装置、终端及存储介质
CN116564525B (zh) * 2023-07-10 2023-09-26 天津恒宇医疗科技有限公司 基于冠脉血流量分配的血流储备分数预测方法和系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070248250A1 (en) * 2006-04-21 2007-10-25 Siemens Corporate Research, Inc. Three-Dimensional (3D) Modeling of Coronary Arteries
CN103300820A (zh) * 2012-03-13 2013-09-18 西门子公司 用于冠状动脉狭窄的非侵入性功能评估的方法和系统
CN104736046A (zh) * 2012-10-19 2015-06-24 哈特弗罗公司 用于数字评估脉管系统的系统和方法
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
CN106537392A (zh) * 2014-04-22 2017-03-22 西门子保健有限责任公司 用于冠状动脉中的血液动力学计算的方法和系统
CN108451540A (zh) * 2017-02-17 2018-08-28 深圳先进技术研究院 一种血流储备分数测量方法和装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070248250A1 (en) * 2006-04-21 2007-10-25 Siemens Corporate Research, Inc. Three-Dimensional (3D) Modeling of Coronary Arteries
CN103300820A (zh) * 2012-03-13 2013-09-18 西门子公司 用于冠状动脉狭窄的非侵入性功能评估的方法和系统
CN104736046A (zh) * 2012-10-19 2015-06-24 哈特弗罗公司 用于数字评估脉管系统的系统和方法
CN106537392A (zh) * 2014-04-22 2017-03-22 西门子保健有限责任公司 用于冠状动脉中的血液动力学计算的方法和系统
CN106023202A (zh) * 2016-05-20 2016-10-12 苏州润心医疗科技有限公司 基于心脏ct图像的冠状动脉血流储备分数计算方法
CN108451540A (zh) * 2017-02-17 2018-08-28 深圳先进技术研究院 一种血流储备分数测量方法和装置

Also Published As

Publication number Publication date
CN109288537A (zh) 2019-02-01

Similar Documents

Publication Publication Date Title
CN109288537B (zh) 评估血流储备分数的系统、方法、设备及存储介质
JP7494281B2 (ja) 管腔形態および血管抵抗測定データ収集のシステム、装置および方法
US12082912B2 (en) Lumen morphology and vascular resistance measurements data collection systems apparatus and methods
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
AU2017332031B2 (en) System and methods for estimation of blood flow characteristics using reduced order model and machine learning
US10463336B2 (en) Method and system for purely geometric machine learning based fractional flow reserve
JP7109429B2 (ja) 狭窄評価用の機能的指標を決定する装置
EP3218872A2 (en) Method and system for purely geometric machine learning based fractional flow reserve
WO2016075331A2 (en) Method and system for purely geometric machine learning based fractional flow reserve
US20200390345A1 (en) Measurement guidance for coronary flow estimation from bernoulli&#39;s principle
CN114298988B (zh) 计算血管功能学指标的方法、装置、存储介质及处理器
CN113907720B (zh) 测量血管功能学指标的方法、装置与处理器

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
CB02 Change of applicant information

Address after: Room 707, building 2, Xizi international jinzuo, Nanyuan street, Yuhang District, Hangzhou City, Zhejiang Province

Applicant after: HANGZHOU SHENGSHI TECHNOLOGY Co.,Ltd.

Address before: 311100 Hangzhou, Yuhang, Zhejiang Linping new town Nanyuan street, new far CBC1 block 1502 room.

Applicant before: HANGZHOU SHENGSHI TECHNOLOGY Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant