CN109461138B - 参数计算方法、系统、可读存储介质及计算机设备 - Google Patents

参数计算方法、系统、可读存储介质及计算机设备 Download PDF

Info

Publication number
CN109461138B
CN109461138B CN201811145443.4A CN201811145443A CN109461138B CN 109461138 B CN109461138 B CN 109461138B CN 201811145443 A CN201811145443 A CN 201811145443A CN 109461138 B CN109461138 B CN 109461138B
Authority
CN
China
Prior art keywords
aorta
coronary artery
blood vessel
model
parameter calculation
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
CN201811145443.4A
Other languages
English (en)
Other versions
CN109461138A (zh
Inventor
兰宏志
马骏
郑凌霄
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Raysight Intelligent Medical Technology Co Ltd
Original Assignee
Shenzhen Raysight Intelligent 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 Shenzhen Raysight Intelligent Medical Technology Co Ltd filed Critical Shenzhen Raysight Intelligent Medical Technology Co Ltd
Priority to CN201811145443.4A priority Critical patent/CN109461138B/zh
Publication of CN109461138A publication Critical patent/CN109461138A/zh
Application granted granted Critical
Publication of CN109461138B publication Critical patent/CN109461138B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/68—Analysis of geometric attributes of symmetry
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Software Systems (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Geometry (AREA)
  • Computer Graphics (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Medical Informatics (AREA)
  • Operations Research (AREA)
  • General Health & Medical Sciences (AREA)
  • Algebra (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明提供了一种参数计算方法、系统、可读存储介质及计算机设备，该方法包括：对血管影像进行处理，以分别获取主动脉和冠脉基于像素的初步分割；从主动脉的像素初步分割中抽取主动脉的中心线，且沿主动脉的中心线计算主动脉的光滑轮廓曲线，并从冠脉的像素初步分割中抽取冠脉的中心线，沿冠脉的中心线计算冠脉的光滑轮廓曲线；根据中心线及轮廓曲线，分别建立主动脉和冠脉的三维模型，并进行组合，以得到血管的三维模型；将血管的三维模型网格化，以得到模型网格信息；根据模型网格信息，求解流体力学方程，以得到血液动力学参数。本发明当中的参数计算方法，具有一套完整的适用面广的血管建模体系和参数计算体系，精度和通用性提高。

Description

参数计算方法、系统、可读存储介质及计算机设备
技术领域
本发明涉及医学影像分析领域，具体而言，涉及一种参数计算方法、系统、可读存储介质及计算机设备。
背景技术
医学影像分析是帮助医生诊断患者病情的重要手段之一，广泛运用于临床实践当中。医学影像分析是指根据医学影像，利用人为主观或采用如图像处理等分析技术从医学影像当中提取参数信息的过程。
计算血管的血液动力学参数是医学影像分析中常见的一种，其要求计算出血管的流速、压力、管壁剪切力等血流参数，以极大的方便医生对患者病情的诊断。
现有技术当中，目前采用的血管动力学参数的计算方法普遍存在误差大、通用性差的问题，主要原因为缺乏一种完整的适用面广的血管建模体系，导致所建立的血管模型比较粗略，且通常只能针对特定血管进行建模，通用性差。
发明内容
本发明提供了一种参数计算方法、系统、可读存储介质及计算机设备，旨在改善现有技术当中血管动力学参数的计算方法误差大的技术问题。
本发明是这样实现的：
一种参数计算方法，用于计算血管的血液动力学参数，所述血管包括冠脉及主动脉，所述方法包括：
对血管影像进行处理，以分别获取主动脉和冠脉基于像素的初步分割；
从所述主动脉的像素初步分割中抽取所述主动脉的中心线，且沿所述主动脉的中心线计算所述主动脉的光滑轮廓曲线，并从所述冠脉的像素初步分割中抽取所述冠脉的中心线，沿所述冠脉的中心线计算所述冠脉的光滑轮廓曲线；
根据所述主动脉的中心线及轮廓曲线，建立所述主动脉的三维模型，并根据所述冠脉的中心线及轮廓曲线，建立所述冠脉的三维模型；
将所述冠脉和所述主动脉的三维模型进行组合，以得到所述血管的三维模型；
将所述血管的三维模型网格化，以得到模型网格信息；
根据所述模型网格信息，求解流体力学方程，以得到所述血液动力学参数。
其中，在本发明较佳的实施例中，所述参数计算方法还可以具有以下技术特征：
进一步地，所述对血管影像进行处理的步骤包括：
通过神经网络反复对所述血管影像进行血管分割；
将所述神经网络每次输出的分割图像与对应的预存图像进行匹配，并将匹配结果反馈给所述神经网络；
当所述神经网络当前输出的分割图像与所述对应的预存图像的相似度达到阈值时，输出所述神经网络当前输出的基于像素的分割图像。
进一步地，所述冠脉和所述主动脉的三维模型均为管壁封闭的曲面模型。
进一步地，所述根据所述主动脉的中心线及轮廓曲线，建立所述主动脉的三维模型的步骤包括：
按照预设规则，在所述主动脉的中心线上选取多个放样点，并在每一所述放样点上建立以所述主动脉的轮廓曲线为标准的轮廓线；
以所述主动脉的中心线为放样路径，依序对每一所述轮廓线进行放样，以得到管壁封闭的主动脉曲面模型。
进一步地，所述将所述冠脉和所述主动脉的三维模型进行组合的步骤包括：
将所述冠脉和所述主动脉的曲面模型进行布尔操作，以合并形成完整三维模型；
对所述完整三维模型进行表面细化处理，以得到所述血管的三维模型。
进一步地，所述血液动力学参数包括流体压力、流速、管壁表面瞬时的剪切力、每个出入口的瞬时/平均的压力和流量、以及一个心跳周期内的平均压力、FFR、平均流速、平均剪切力和震荡剪切指数。
本发明另一方面还提出一种参数计算系统，用于计算血管的血液动力学参数，所述血管包括冠脉及主动脉，所述系统包括：
血管分割模块，用于对血管影像进行处理，以分别获取主动脉和冠脉基于像素的初步分割；
特征获取模块，用于从所述主动脉的像素初步分割中抽取所述主动脉的中心线，且沿所述主动脉的中心线计算所述主动脉的光滑轮廓曲线，并从所述冠脉的像素初步分割中抽取所述冠脉的中心线，沿所述冠脉的中心线计算所述冠脉的光滑轮廓曲线；
模型建立模块，用于根据所述主动脉的中心线及轮廓曲线，建立所述主动脉的三维模型，并根据所述冠脉的中心线及轮廓曲线，建立所述冠脉的三维模型；
模型合成模块，用于将所述冠脉和所述主动脉的三维模型进行组合，以得到所述血管的三维模型；
网格建立模块，用于将所述血管的三维模型网格化，以得到模型网格信息；
参数计算模块，用于根据所述模型网格信息，求解流体力学方程，以得到所述血液动力学参数。
其中，在本发明较佳的实施例中，所述参数计算系统还可以具有以下技术特征：
进一步地，所述冠脉和所述主动脉的三维模型均为管壁封闭的曲面模型。
本发明另一方面还提出一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述的参数计算方法。
本发明另一方面还提出一种计算机设备，包括存储器、处理器以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程序时实现如上述的参数计算方法。
本发明的有益效果是：本发明当中的参数计算方法、系统、可读存储介质及计算机设备，具有一套完整的适用面广的血管建模体系和参数计算体系，且采用冠脉和主动脉分开建模再重组的方式来建立血管的三维模型，由于冠脉和主动脉的特征差异很大，因此分开建模的方式相比于整体建模的方式，误差得到大幅降低，整体提高了血管动力学参数计算的精度和通用性。
附图说明
图1为本发明第一实施例当中的参数计算方法的流程图；
图2为本发明第二实施例当中的参数计算方法的流程图；
图3为本发明第二实施例当中的对血管影像进行血管分割的具体实施流程图；
图4为本发明第二实施例当中的建立主动脉模型的具体实施流程图；
图5为本发明第三实施例当中的参数计算系统的结构框图。
为了更清楚地说明本发明实施方式的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。因此，以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
在本发明的描述中，需要理解的是，术语“中心”、“内”、等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的设备或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触，也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且，第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方，或仅仅表示第一特征水平高度小于第二特征。
实施例1
请参阅图1，所示为本发明第一实施例当中的参数计算方法，用于计算血管的血液动力学参数，所述血管包括冠脉及主动脉，所述方法包括步骤S01至步骤S06。
步骤S01，对血管影像进行处理，以分别获取主动脉和冠脉基于像素的初步分割。
具体地，血管影像包括但不限于血管CT(Computed Tomography，电子计算机断层扫描)影像和血管MRI(MRI，Magnetic Resonance Imaging，核磁共振)影像等。
其中，对血管影像进行处理是指对血管影像执行血管分割算法，血管分割算法是指将血管从血管影像当中“提取”出来，具体可以为利用血管边界像素特征的不连续性，即血管边界像素特征要么与其一侧的像素特征接近，而与另一侧的像素特征明显不同，要么与其两侧的像素特征均有明显区别，这样就可以从影像当中确定血管边界，从而将血管从血管影像当中“提取”出来，进而得到血管图像。
可以理解的本步骤的目的在于，提取主动脉和冠脉基于像素的初步分割，为后面基于中心线的细化轮廓提供基础。
步骤S02，从所述主动脉的像素初步分割中抽取所述主动脉的中心线，且沿所述主动脉的中心线计算所述主动脉的光滑轮廓曲线，并从所述冠脉的像素初步分割中抽取所述冠脉的中心线，沿所述冠脉的中心线计算所述冠脉的光滑轮廓曲线。
其中，所述轮廓曲线包括血管内壁曲线。需要指出的是，由于血管壁厚极薄，且血管壁厚对计算动力学参数没有影响，因此在获取主动脉和冠脉的轮廓曲线时，可以只获取主动脉和冠脉的血管内壁曲线。
在具体实施时，抽取主动脉和冠脉中心线的方法可以用类似区域生长(regiongrowing)的方法，具体包括以下步骤：1)先找到种子点(seed，也称起点)；2)由种子点开始延展，新的增长的质心即为新的中心线节点，直到遇到分叉，母枝的生长结束；3)子枝的生长由母枝的最后一个点作为种子。如此重复上述步骤1)至步骤3)，即可抽取主动脉和冠脉的中心线。
此外，由于血管的轮廓曲线与血管两侧边界的距离相对应，可先将血管拉直，并通过计算边界距离的平均值的方式来分别获取主动脉和冠脉的轮廓曲线，而后即可沿血管中心线精确的确定血管内壁轮廓点，进而得到血管内壁轮廓曲线。
步骤S03，根据所述主动脉的中心线及轮廓曲线，建立所述主动脉的三维模型，并根据所述冠脉的中心线及轮廓曲线，建立所述冠脉的三维模型。
可以理解的，在血管中心线和轮廓曲线已知的情况下，通过特征放样即可建立个血管的三维模型。由于轮廓曲线为血管内壁曲线，忽略血管壁厚，因此本步骤根据中心线及轮廓曲线所建立的三维模型均为管壁封闭的曲面模型。
步骤S04，将所述冠脉和所述主动脉的三维模型进行组合，以得到所述血管的三维模型。
在具体实施时，可利用布尔运算来将所述冠脉和所述主动脉的三维模型组合成树状结构的完全血管三维模型。
步骤S05，将所述血管的三维模型网格化，以得到模型网格信息。
需要指出的是，将所述血管的三维模型网格化是指，将所述血管的三维模型进行内部空间离散化，以最终输出模型的网格信息。其中，网格化的具体过程包括：首先设定全局网格尺寸，并针对不同的血管设定局部的网格尺寸，最后对整个模型进行表面和体积内空间的网格化。
步骤S06，根据所述模型网格信息，求解流体力学方程，以得到所述血液动力学参数。
其中，所述流体力学方程可以为流体Navier-Stokes(纳维叶-斯托克斯，简称N-S)方程。
可以理解的，在求解流体力学方程之前还需要设定仿真参数，该仿真参数包括但不限于流体和管壁材料属性、流场的初始条件、动脉血流量、入口流场分布、出口的流阻、确定边界条件及仿真求解器需要的基本参数等。对于仿真参数的设定可以有人工手动完成，也可以由系统根据预设参数自行设定。
综上，本实施例当中的参数计算方法，采用冠脉和主动脉分开建模再重组的方式来建立血管的三维模型，由于冠脉和主动脉的特征差异很大，因此分开建模的方式相比于整体建模的方式，误差得到大幅降低，整体提高了血管动力学参数计算的精度和通用性。
实施例二
请参阅图2，所示为本发明第二实施例当中的参数计算方法，用于计算血管的血液动力学参数，所述血管包括冠脉及主动脉，所述方法包括步骤S11至步骤S19。
步骤S11，对血管影像进行处理，以分别获取主动脉和冠脉基于像素的初步分割。
作为一种实施方式，请参阅图3，所示为对所述血管影像进行处理的具体实施流程图，包括步骤S111至步骤S113。
步骤S111，通过神经网络反复对所述血管影像进行血管分割。
步骤S112，将所述神经网络每次输出的分割图像与对应的预存图像进行匹配，并将匹配结果反馈给所述神经网络。
其中，所述预存图像为预设的人工标注的血管模板图像，具体包括主动脉模板图像和冠脉模板图像。可以理解的，当需要分别分割出主动脉图像和冠脉图像时，需要分别执行一次步骤S111至步骤S113，且在执行步骤S112时，采用对应的预存图像来进行匹配。例如先执行一次步骤S111至步骤S113，得到主动脉图像，在执行S112时，采用主动脉模板图像来进行匹配，然后再执行一次步骤S111至步骤S113，得到冠脉图像，在执行S112时，采用冠脉模板图像来进行匹配。
步骤S113，当所述神经网络当前输出的分割图像与所述对应的预存图像的相似度达到阈值时，输出所述神经网络当前输出的基于像素的分割图像。
需要指出的是，血管分割具有一定的误差性，无法做到一步到位，为了确保血管图像提取的精度，本实施例采用神经网络来反复对血管影像进行血管分割，且每次输出的分割图像与对应的预存图像进行匹配，并将匹配结果反馈给所述神经网络，以更新神经网络，使其朝着减少误差的方向演进，使其输出的分割图像尽可能的与预存图像相同，通过成千上万次的迭代过程，最终输出结果会和人工标准接近。
步骤S12，从所述主动脉的像素初步分割中抽取所述主动脉的中心线，且沿所述主动脉的中心线计算所述主动脉的光滑轮廓曲线，并从所述冠脉的像素初步分割中抽取所述冠脉的中心线，沿所述冠脉的中心线计算所述冠脉的光滑轮廓曲线。
步骤S13，根据所述主动脉的中心线及轮廓曲线，建立所述主动脉的三维模型，并根据所述冠脉的中心线及轮廓曲线，建立所述冠脉的三维模型，所述冠脉和所述主动脉的三维模型均为管壁封闭的曲面模型。
其中，建立主动脉三维模型的方式与建立冠脉三维模型的方式一致，以下以建立主动脉三维模型为例来详细说明整个建模过程。作为一种实施方式，请参阅图4，所示为建立主动脉模型的具体实施流程图，包括步骤S131至步骤S133。
步骤S131，按照预设规则，在所述主动脉的中心线上选取多个放样点，并在每一所述放样点上建立以所述主动脉的轮廓曲线为标准的轮廓线。
其中，所述预设规则可以为，在中心线的每个拐点处设置一放样点或每隔预设距离设置一放样点。
可以理解的，本步骤的目的在于，在不同的放样点位置上分别建立血管的截面轮廓，以便后续进行放样操作。
步骤S132，以所述主动脉的中心线为放样路径，依序对每一所述轮廓线进行放样，以得到管壁封闭的主动脉曲面模型。
步骤S14，将所述冠脉和所述主动脉的曲面模型进行布尔操作，以合并形成完整三维模型。
步骤S15，对所述完整三维模型进行表面细化处理，以得到所述血管的三维模型。
其中，表面细化处理可以为但不限于局部/全面光滑处理。
步骤S16，将所述血管的三维模型网格化，以得到模型网格信息。
步骤S17，设定仿真参数。
在具体实施时，可以按照以下步骤来设定仿真参数：
第1步：设定流体及管壁材料属性；
第2步：给定流场的初始条件；
第3步：根据心肌质量计算动脉血流量，并导出入口流场分布；
第4步：根据端面面积，计算各出口的流阻，并针对充血的条件进行适当调整；
第5步：确定边界条件类型，并对各出口的流阻、流容按一定比例分配；
第6步：设定流体仿真求解器需要的其他参数。
可以理解的，上述各自仿真参数都可以采用人工先进行预设，然后在程序执行时自行设定的方式执行。
步骤S18，根据所述模型网格信息和所述仿真参数，求解流体力学方程，以得到所述血管的流体压力和流速。
其中，所述流体力学方程为不可压缩流体Navier-Stokes方程。
步骤S19，根据求解得到的压力及流速，计算管壁表面瞬时的剪切力，并计算一个心跳周期内的平均压力、FFR、平均流速、平均剪切力及震荡剪切指数，且计算每个出入口的瞬时/平均的压力和流量。
可以理解的，基于本实施例当中的参数计算方法，可以计算出的血管的血液动力学参数包括流体压力、流速、管壁表面瞬时的剪切力、每个出入口的瞬时/平均的压力和流量、以及一个心跳周期内的平均压力、FFR、平均流速、平均剪切力和震荡剪切指数。
综上，本实施例当中的参数计算方法，具有一套完整的适用面广的血管建模体系和参数计算体系，且采用冠脉和主动脉分开建模再重组的方式来建立血管的三维模型，由于冠脉和主动脉的特征差异很大，因此分开建模的方式相比于整体建模的方式，误差得到大幅降低，整体提高了血管动力学参数计算的精度和通用性。
本发明另一方面还提供一种参数计算系统，请查阅图5，所示为本发明第三实施例中的参数计算系统，用于计算血管的血液动力学参数，所述血管包括冠脉及主动脉，所述系统包括：
血管分割模块11，用于对血管影像进行处理，以分别获取主动脉和冠脉基于像素的初步分割；
特征获取模块12，用于从所述主动脉的像素初步分割中抽取所述主动脉的中心线，且沿所述主动脉的中心线计算所述主动脉的光滑轮廓曲线，并从所述冠脉的像素初步分割中抽取所述冠脉的中心线，沿所述冠脉的中心线计算所述冠脉的光滑轮廓曲线；
模型建立模块13，用于根据所述主动脉的中心线及轮廓曲线，建立所述主动脉的三维模型，并根据所述冠脉的中心线及轮廓曲线，建立所述冠脉的三维模型。
模型合成模块14，用于将所述冠脉和所述主动脉的三维模型进行组合，以得到所述血管的三维模型；
网格建立模块15，用于将所述血管的三维模型网格化，以得到模型网格信息；
参数计算模块16，用于根据所述模型网格信息，求解流体力学方程，以得到所述血液动力学参数。
进一步地，血管分割模块11包括：
血管分割子单元111，用于通过神经网络反复对所述血管影像进行血管分割；
图像匹配子单元112，用于将所述神经网络每次输出的分割图像与对应的预存图像进行匹配，并将匹配结果反馈给所述神经网络；
图像输出子单元113，用于当所述神经网络当前输出的分割图像与所述对应的预存图像的相似度达到阈值时，输出所述神经网络当前输出的基于像素的分割图像。
进一步地，所述冠脉和所述主动脉的三维模型均为管壁封闭的曲面模型。
进一步地，所述模型建立模块13包括：
样点选取单元131，用于按照预设规则，在所述主动脉的中心线上选取多个放样点，并在每一所述放样点上建立以所述主动脉的轮廓曲线为标准的轮廓线；
放样单元132，用于以所述主动脉的中心线为放样路径，依序对每一所述轮廓线进行放样，以得到管壁封闭的主动脉曲面模型。
进一步地，所述模型合成模块14还包括：
模型合并单元141，用于将所述冠脉和所述主动脉的曲面模型进行布尔操作，以合并形成完整三维模型。
模型细化单元142，用于对所述完整三维模型进行表面细化处理，以得到所述血管的三维模型。
进一步地，所述血液动力学参数包括流体压力、流速、管壁表面瞬时的剪切力、每个出入口的瞬时/平均的压力和流量、以及一个心跳周期内的平均压力、FFR、平均流速、平均剪切力和震荡剪切指数。
综上，本实施例当中的参数计算系统，具有一套完整的适用面广的血管建模体系和参数计算体系，且采用冠脉和主动脉分开建模再重组的方式来建立血管的三维模型，由于冠脉和主动脉的特征差异很大，因此分开建模的方式相比于整体建模的方式，误差得到大幅降低，整体提高了血管动力学参数计算的精度和通用性。
本发明还提出一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述的参数计算方法。
本发明还提出一种移动终端，包括存储器、处理器以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程序时实现如上述的参数计算方法。
本领域技术人员可以理解，在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或它们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
以上所述仅为本发明的优选实施方式而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种参数计算方法，用于计算血管的血液动力学参数，所述血管包括冠脉及主动脉，其特征在于，所述方法包括：
对血管影像进行处理，以分别获取主动脉和冠脉基于像素的初步分割；
从所述主动脉的像素初步分割中抽取所述主动脉的中心线，且沿所述主动脉的中心线计算所述主动脉的光滑轮廓曲线，并从所述冠脉的像素初步分割中抽取所述冠脉的中心线，沿所述冠脉的中心线计算所述冠脉的光滑轮廓曲线；
根据所述主动脉的中心线及轮廓曲线，建立所述主动脉的三维模型，并根据所述冠脉的中心线及轮廓曲线，建立所述冠脉的三维模型；
将所述冠脉和所述主动脉的三维模型进行组合，以得到所述血管的三维模型；
将所述血管的三维模型网格化，以得到模型网格信息；
根据所述模型网格信息，求解流体力学方程，以得到所述血液动力学参数；
所述根据所述主动脉的中心线及轮廓曲线，建立所述主动脉的三维模型的步骤包括：
按照预设规则，在所述主动脉的中心线上选取多个放样点，并在每一所述放样点上建立以所述主动脉的轮廓曲线为标准的轮廓线；
以所述主动脉的中心线为放样路径，依序对每一所述轮廓线进行放样，以得到管壁封闭的主动脉曲面模型。
2.根据权利要求1所述参数计算方法，其特征在于，所述对血管影像进行处理的步骤包括：
通过神经网络反复对所述血管影像进行血管分割；
将所述神经网络每次输出的分割图像与对应的预存图像进行匹配，并将匹配结果反馈给所述神经网络；
当所述神经网络当前输出的分割图像与所述对应的预存图像的相似度达到阈值时，输出所述神经网络当前输出的基于像素的分割图像。
3.根据权利要求1所述参数计算方法，其特征在于，所述冠脉和所述主动脉的三维模型均为管壁封闭的曲面模型。
4.根据权利要求1所述参数计算方法，其特征在于，所述将所述冠脉和所述主动脉的三维模型进行组合的步骤包括：
将所述冠脉和所述主动脉的曲面模型进行布尔操作，以合并形成完整三维模型；
对所述完整三维模型进行表面细化处理，以得到所述血管的三维模型。
5.根据权利要求1所述参数计算方法，其特征在于，所述血液动力学参数包括流体压力、流速、管壁表面瞬时的剪切力、每个出入口的瞬时/平均的压力和流量、以及一个心跳周期内的平均压力、FFR、平均流速、平均剪切力和震荡剪切指数。
6.一种利用如权利要求1-5任一项所述参数计算方法的参数计算系统，用于计算血管的血液动力学参数，所述血管包括冠脉及主动脉，其特征在于，所述系统包括：
血管分割模块，用于对血管影像进行处理，以分别获取主动脉和冠脉基于像素的初步分割；
特征获取模块，用于从所述主动脉的像素初步分割中抽取所述主动脉的中心线，且沿所述主动脉的中心线计算所述主动脉的光滑轮廓曲线，并从所述冠脉的像素初步分割中抽取所述冠脉的中心线，沿所述冠脉的中心线计算所述冠脉的光滑轮廓曲线；
模型建立模块，用于根据所述主动脉的中心线及轮廓曲线，建立所述主动脉的三维模型，并根据所述冠脉的中心线及轮廓曲线，建立所述冠脉的三维模型；
模型合成模块，用于将所述冠脉和所述主动脉的三维模型进行组合，以得到所述血管的三维模型；
网格建立模块，用于将所述血管的三维模型网格化，以得到模型网格信息；
参数计算模块，用于根据所述模型网格信息，求解流体力学方程，以得到所述血液动力学参数。
7.根据权利要求6所述参数计算系统，其特征在于，所述冠脉和所述主动脉的三维模型均为管壁封闭的曲面模型。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1－5任一项所述的方法。
9.一种计算机设备，包括存储器、处理器以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程序时实现如权利要求1－5任一项所述的方法。
CN201811145443.4A 2018-09-29 2018-09-29 参数计算方法、系统、可读存储介质及计算机设备 Active CN109461138B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811145443.4A CN109461138B (zh) 2018-09-29 2018-09-29 参数计算方法、系统、可读存储介质及计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811145443.4A CN109461138B (zh) 2018-09-29 2018-09-29 参数计算方法、系统、可读存储介质及计算机设备

Publications (2)

Publication Number Publication Date
CN109461138A CN109461138A (zh) 2019-03-12
CN109461138B true CN109461138B (zh) 2020-10-27

Family

ID=65607156

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811145443.4A Active CN109461138B (zh) 2018-09-29 2018-09-29 参数计算方法、系统、可读存储介质及计算机设备

Country Status (1)

Country Link
CN (1) CN109461138B (zh)

Families Citing this family (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3751580B1 (en) * 2019-06-11 2024-04-03 Siemens Healthineers AG Hemodynamic analysis of vessels using recurrent neural network
CN110309734A (zh) * 2019-06-14 2019-10-08 暨南大学 一种基于目标识别的微循环血流速度测量方法及测量系统
CN110490925A (zh) * 2019-07-19 2019-11-22 东北大学 一种重构区域划分的方法和装置
CN110634572B (zh) * 2019-09-24 2023-06-16 杭州阿特瑞科技有限公司 基于力学方程的血管血流模拟方法及相关装置
CN112116615B (zh) * 2019-11-19 2023-12-05 苏州润迈德医疗科技有限公司 根据血管中心线获取血管轮廓线的方法和装置
CN112132949B (zh) * 2019-11-19 2024-01-23 苏州润迈德医疗科技有限公司 具有狭窄病变区间的血管三维建模方法、装置和系统
CN112116711B (zh) * 2019-12-05 2024-01-23 苏州润迈德医疗科技有限公司 用于流体力学分析的圆台血管数学模型的合成方法和装置
CN111462047B (zh) * 2020-03-06 2024-03-12 深圳睿心智能医疗科技有限公司 血管参数测量方法、装置、计算机设备和存储介质
CN111612743B (zh) * 2020-04-24 2023-05-02 杭州电子科技大学 一种基于ct图像的冠状动脉中心线提取方法
CN111833434A (zh) * 2020-05-29 2020-10-27 北京工业大学 一种简单可靠确定左右冠脉分流分数的方法及计算ffr的方法
CN112001893B (zh) * 2020-07-31 2024-02-20 上海联影医疗科技股份有限公司 一种血管参数的计算方法、装置、设备及存储介质
WO2022001026A1 (en) * 2020-06-30 2022-01-06 Shanghai United Imaging Healthcare Co., Ltd. Systems and methods for determining blood vessel parameters
CN111815598B (zh) * 2020-06-30 2024-04-26 上海联影医疗科技股份有限公司 一种血管参数的计算方法、装置、设备及存储介质
CN111652881A (zh) * 2020-07-01 2020-09-11 杭州脉流科技有限公司 基于深度学习的冠脉重构和血流储备分数计算方法、装置、设备以及可读存储介质
CN111932552B (zh) * 2020-07-21 2023-12-01 深圳睿心智能医疗科技有限公司 一种主动脉建模的方法及装置
CN112150376B (zh) * 2020-08-21 2023-08-15 深圳睿心智能医疗科技有限公司 血管医学影像分析方法、装置、计算机设备和存储介质
CN112215941B (zh) * 2020-09-04 2021-06-25 北京科技大学 一种基于微分几何的主动脉扭曲的评估方法及系统
CN112419279B (zh) * 2020-11-25 2024-02-23 苏州润迈德医疗科技有限公司 二维图像选取及三维血管合成的方法和存储介质
CN112419276B (zh) * 2020-11-25 2023-12-05 苏州润迈德医疗科技有限公司 调节血管轮廓及中心线的方法及存储介质
CN112419462A (zh) * 2020-11-25 2021-02-26 苏州润迈德医疗科技有限公司 三维血管的渲染合成方法、系统及存储介质
CN112614217A (zh) * 2020-12-17 2021-04-06 深圳睿心智能医疗科技有限公司 管状物三维模型的拉直方法、装置及电子设备
CN113191998B (zh) * 2021-01-15 2023-01-13 深圳市铱硙医疗科技有限公司 基于动脉分割的aif曲线提取系统、方法、装置及介质
CN112950544A (zh) * 2021-02-02 2021-06-11 深圳睿心智能医疗科技有限公司 一种确定冠脉参数的方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105096388A (zh) * 2014-04-23 2015-11-25 北京冠生云医疗技术有限公司 基于计算流体力学的冠状动脉血流仿真系统和方法
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
CN106327487A (zh) * 2016-08-18 2017-01-11 苏州润心医疗科技有限公司 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
CN108550189A (zh) * 2018-05-03 2018-09-18 苏州润迈德医疗科技有限公司 基于造影图像和流体力学模型的微循环阻力指数计算方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105096388A (zh) * 2014-04-23 2015-11-25 北京冠生云医疗技术有限公司 基于计算流体力学的冠状动脉血流仿真系统和方法
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
CN106327487A (zh) * 2016-08-18 2017-01-11 苏州润心医疗科技有限公司 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
CN108550189A (zh) * 2018-05-03 2018-09-18 苏州润迈德医疗科技有限公司 基于造影图像和流体力学模型的微循环阻力指数计算方法

Also Published As

Publication number Publication date
CN109461138A (zh) 2019-03-12

Similar Documents

Publication Publication Date Title
CN109461138B (zh) 参数计算方法、系统、可读存储介质及计算机设备
CN107123112B (zh) 血流状态分析系统及方法
CN110168613B (zh) 用于使用降阶模型和机器学习估计血流特性的系统和方法
CN110853029B (zh) 用于基于医学图像自动预测血流特征的方法、系统和介质
CN107977709B (zh) 预测血管树血管路径上的血流特征的深度学习模型和系统
CN109559326B (zh) 一种血流动力学参数计算方法、系统及电子设备
CN110638438B (zh) 用于对血流储备分数的基于机器学习的评估的方法和系统
US9830427B2 (en) Method for intracranial aneurysm analysis and endovascular intervention planning
US8218844B2 (en) Method for generating analytical tool for analyzing abnormalities in human organs
CN111754506A (zh) 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
WO2017047819A1 (ja) 血管形状分析装置、その方法、及びそのコンピュータソフトウェアプログラム
WO2018133098A1 (zh) 血管壁应力应变状态获取方法及系统
Gharleghi et al. Deep learning for time averaged wall shear stress prediction in left main coronary bifurcations
CN112446867A (zh) 血流参数的确定方法、装置、设备及存储介质
CN109087701B (zh) 提供次要参数的方法、决策支持系统、介质、计算机程序
CN110599482A (zh) 肺裂曲面确定方法、装置、电子设备和存储介质
CN112215941B (zh) 一种基于微分几何的主动脉扭曲的评估方法及系统
Wang et al. 3-D quantitative vascular shape analysis for arterial bifurcations via dynamic tube fitting
WO2015153332A1 (en) Systems and methods for using geometry sensitivity information for guiding workflow

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