CN109524119A - 基于gan血流储备分数预测方法、装置、设备及介质 - Google Patents
基于gan血流储备分数预测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN109524119A CN109524119A CN201811333947.9A CN201811333947A CN109524119A CN 109524119 A CN109524119 A CN 109524119A CN 201811333947 A CN201811333947 A CN 201811333947A CN 109524119 A CN109524119 A CN 109524119A
- Authority
- CN
- China
- Prior art keywords
- blood flow
- network model
- flow reserve
- reserve score
- gan
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Neurology (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明揭示了一种基于GAN血流储备分数预测方法、装置、设备及介质,步骤包括:通过GAN模型中的生成网络模型以及目标指定区域的血管特征向量计算出所述目标指定区域血管的血流储备分数计算值;获取所述目标指定区域的血管通过有创测试方式测得的血流储备分数有创测量值;将所述血流储备分数计算值和血流储备分数有创测量值分别作为GAN模型中的判别网络模型的输入向量,并对所述GAN模型进行迭代训练;根据训练完毕的GAN模型对患者指定区域血管的血流储备分数进行预测换算。能准确的预测血流储备分数,应用范围广,有更大的自由度,避免了手术风险,无需使用血管扩张剂,对患者更安全,本发明计算复杂度低,计算速度快。
Description
技术领域
本发明涉及到医学检测领域,特别是涉及到一种基于GAN血流储备分数预测方法、装置、设备及介质。
背景技术
冠状动脉造影及血管内超声均被认为是诊断冠心病的“金标准”,但它们只能对病变狭窄程度进行影像学评价,而狭窄到底对远端血流产生了多大影响却不得而知;血流储备分数(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。
血流储备分数(FFR)是指在冠状动脉存在狭窄病变的情况下,目标测量血管所供心肌区域能获得的最大血流量与同一区域理论上正常情况下所能获得的最大血流量之比。FFR主要通过计算冠状动脉狭窄远端压力与主动脉根部压力之比来获得。狭窄远端压力可以通过压力导丝在最大灌注血流(通过冠脉内或静脉内注射罂粟碱或腺苷或ATP)时测得。
FFR=Pd/Pa(Pd为指引导管测量的冠脉狭窄远端压力,Pa为压力导丝测量的主动脉压)一般来说,FFR是指最大充血状态下,不存在“静息FFR”这个概念。
正常的心外膜冠状动脉对血流的阻力很小,FFR的正常值为1.0;FFR的值将小于1.0时即表明当前心外膜冠脉有狭窄病变的存在。
FFR<0.75的情况时,所代表的狭窄情况几乎都会导致心肌缺血,FFR≥0.75的情况时,所代表的狭窄则造成心肌缺血的可能性非常小。
冠脉CTA能准确评估冠脉狭窄程度,且能辨别管壁斑块性质,是一种无创、操作简单的诊断冠状动脉病变检查方法,可作为筛查高危人群的首选方法。因此,如果对于冠心病患者的血管进行干预,前期应该对患者冠脉进行CTA的评价。冠状动脉慢性完全闭塞病变(CTO)如果采用CTA进行评价,评价结果肯定有一些有价值的信息。
通过冠状动脉CT血管造影CCTA计算无创获得的FFR(CTFFR)不仅无需额外影像检查或药物,与造影时测定的FFR相关性良好,这种一体化技术能从根本上避免不必要的冠脉血管造影与血运重建治疗。DeFacto试验结果也清楚地表明,在冠状动脉CT中,CTFFR结果的分析提供了那些真正限制血流及增加病人危险性的病变的生理信息。CTFFR结合了冠脉CTA和FFR的优势,可以从结构和功能两方面来评估冠状动脉狭窄,成为一种提供冠脉病变解剖学和功能学信息的崭新无创性检测体系。
但现有的检测体系对血流储存分数测量体系一般都包含以下缺点:有创FFR技术的缺点:有手术风险,使用血管扩张剂具有一定毒性,且有可能引起患者过敏,价格昂贵。
基于血流动力学仿真的无创FFR技术的缺点:计算量大,需要高性能计算机;耗时长,无法做到实时要求。。
发明内容
本发明的主要目的为提供一种基于GAN血流储备分数预测方法、装置、设备及介质,以解决背景技术中所提出的至少一个技术问题。
本发明提出一种基于GAN血流储备分数预测方法,包括如下步骤:
通过GAN模型中的生成网络模型以及目标指定区域的血管特征向量计算出上述目标指定区域血管的血流储备分数计算值;
获取上述目标指定区域的血管通过有创测试方式测得的血流储备分数有创测量值;
将上述血流储备分数计算值和血流储备分数有创测量值分别作为GAN模型中的判别网络模型的输入向量,并对上述GAN模型进行迭代训练;
根据训练完毕的GAN模型对患者指定区域血管的血流储备分数进行预测换算。
进一步地,在上述的基于GAN血流储备分数预测方法中,在上述通过GAN模型中的生成网络模型以及目标指定区域的血管特征向量计算出上述目标指定区域血管的血流储备分数计算值的步骤之前,还包括步骤:
提取冠脉CT图像中指定区域的血管特征值,并整合为血管特征向量,
其中,上述血管特征值包括:
血管局部几何特征:获取血管每个横截面的半径。
血管上游和下游几何特征:狭窄近端半径、狭窄入口长度、最小半径区域长度、狭窄出口长度、半径减小比率:
其中,rr表示半径减小比率;rs表示狭窄的最小半径;rp表示接近狭窄的节段的正常半径;rd表示狭窄远端的正常半径。
进一步地,在上述的基于GAN血流储备分数预测方法中,在上述通过GAN模型中的生成网络模型以及目标指定区域的血管特征向量计算出上述目标指定区域血管的血流储备分数计算值的步骤之前,还包括步骤:
建立GAN模型,其中,建立上述GAN模型的步骤包括:
设定血管特征向量的获取参数目标种类和数量;
设置生成网络模型为深度卷积神经网络模型,将所述生成网络模型的神经元层设为第一输入层、第一反卷积层、第二反卷积层、第三反卷积层、第四反卷积层以及第一输出层,其中,将生成网络模型的第一输入层的人工神经元数量设置为与上述参数目标数量相同,将生成网络模型的第一反卷积层的人工神经元数量设置为256,将生成网络模型的第二反卷积层的人工神经元数量设置为64,将生成网络模型的第三反卷积层的人工神经元数量设置为16,将生成网络模型的第四反卷积层的人工神经元数量设置为4,将生成网络模型的第一输出层的人工神经元数量设置为1;
设置判别网络模型为深度卷积神经网络模型,将所述判别网络模型的神经元层设为第二输入层、第一卷积层、第二卷积层、第三卷积层以及第二输出层,其中,将判别网络模型的第二输入层的人工神经元数量设置为与上述血流储备分数计算值和血流储备分数有创测量值的总数相同,将判别网络模型的第一卷积层的人工神经元数量设置为64,将判别网络模型的第二卷积层的人工神经元数量设置为16,将判别网络模型的第三卷积层的人工神经元数量设置为4,将判别网络模型的输出层的人工神经元数量设置为1。
进一步地,在上述的基于GAN血流储备分数预测方法中,将上述血流储备分数计算值和血流储备分数有创测量值分别作为GAN模型中的判别网络模型的输入向量,并对上述GAN模型进行迭代训练的步骤,包括:
分别交替对GAN模型中的生成网络模型和判别网络模型通过最大化判别网络模型的差别能力和最小化生成网络模型的分布损失函数来独立进行迭代训练,至上述生成网络模型生成的血流储备分数计算值在判别网络模型中的判别输出概率值接近0.5。
进一步地,在上述的基于GAN血流储备分数预测方法中,在分别交替对GAN模型中的生成网络模型和判别网络模型通过最大化判别网络模型的差别能力和最小化生成网络模型的分布损失函数来独立进行迭代训练的步骤中,训练评估函数为:
式中,Pdata(x)为血流储备分数有创测量值的分布函数,x为Pdata(x)的样本值,P(z)为血流储备分数计算值的分布函数,z为P(z)的样本值,G(z)为生成网络模型,D(x)为判别网络模型。
进一步地,在上述的基于GAN血流储备分数预测方法中,上述判别网络模型的迭代训练步骤,包括:
将由血管特征向量计算得出的血流储备分数计算值设为假样本集,并将假样本集的所有类标签设为0;
将通过有创检测得出的血流储备分数有创测量值设为真样本集,并将真样本集的所有类标签设为1;
输入血管特征向量和血流储备分数有创测量值,通过比较判别网络模型输出的值与1的直接差值调整权重,使判别网络模型输出的值接近1。
进一步地,在上述的基于GAN血流储备分数预测方法中,上述判别网络模型的迭代训练步骤,包括:
将由血管特征向量计算得出的血流储备分数计算值设为假样本集,并将假样本集的所有类标签设为0;
将通过有创检测得出的血流储备分数有创测量值设为真样本集,并将真样本集的所有类标签设为1;
输入血管特征向量和血流储备分数计算值,比较判别网络模型输出的值与0的直接差值调整权重,使判别网络模型输出的值接近1。
进一步地,在上述的基于GAN血流储备分数预测方法中,上述生成网络模型的迭代训练步骤,包括:
固定上述判别网络模型的计算参数;
输入血管特征向量并进行初始计算得到初始血流储备分数计算值,将上述初始血流储备分数计算值的标签设为1;
通过比较上述生成网络模型输出的血流储备分数计算值与血流储备分数有创测量值之间的差值调整权重,使上述生成网络模型输出的血流储备分数计算值接近血流储备分数有创测量值。
进一步地,在上述的基于GAN血流储备分数预测方法中,上述生成网络模型的迭代训练步骤,包括:
固定上述判别网络模型的计算参数;
输入血管特征向量并进行初始计算得到初始血流储备分数计算值,将上述初始血流储备分数计算值的标签设为1;
将血管特征向量和上述生成网络模型输出的血流储备分数计算值输入到判别网络模型中,根据判别网络模型输出的值与1的直接差值对生成网络模型的权重进行调整,使上述生成网络模型的输出的血流储备分数计算值在上述判别网络模型的判别结果接近1。
本发明提出一种基于GAN血流储备分数预测装置,包括:
生成模块,用于通过GAN模型中的生成网络模型以及目标指定区域的血管特征向量计算出上述目标指定区域血管的血流储备分数计算值;
获取模块,用于获取上述目标指定区域的血管通过有创测试方式测得的血流储备分数有创测量值;
训练模块,用于将上述血流储备分数计算值和血流储备分数有创测量值分别作为GAN模型中的判别网络模型的输入向量,并对上述GAN模型进行迭代训练;
预测模块,用于根据训练完毕的GAN模型对患者指定区域血管的血流储备分数进行预测换算。
本发明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,上述处理器执行上述程序时实现如上述实施例中任意一项所描述的方法。
本发明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实施例中任意一项所描述的方法。
本发明的一种基于GAN血流储备分数预测方法、装置、设备及介质的有益效果为:能准确的预测血流储备分数,应用范围广,有更大的自由度,通过冠脉CT图像提取出的血管特征,生成对抗网络的生成网络模型(G)和判别模型(D)的训练方法,避免了手术风险,无需使用血管扩张剂,对患者更安全,相较于基于血流动力学仿真的无创FFR技术相比,本发明计算复杂度低,计算速度快,能做到实时的要求。
附图说明
图1是本发明一实施例中基于GAN血流储备分数预测方法的流程示意图;
图2是本发明一实施例中基于GAN血流储备分数预测方法的流程示意图;
图3是本发明一实施例中判别网络模型迭代训练的流程示意图;
图4是本发明一实施例中判别网络模型迭代训练的流程示意图;
图5是本发明一实施例中判别网络模型迭代训练的流程示意图;
图6是本发明一实施例中生成网络模型迭代训练的流程示意图;
图7是本发明一实施例中生成网络模型迭代训练的流程示意图;
图8是本发明一实施例中生成网络模型迭代训练的流程示意图;
图9是本发明一实施例中基于GAN血流储备分数预测装置的模块结构示意图;
图10为本发明一实施例的一种计算机设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,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例,都属于本发明保护的范围。
另外,在本发明中涉及“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其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至少一个该特征。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
冠状动脉的FFR(血流储备分数)被定义为狭窄冠状动脉支配区域心肌经诱发充血后最大血流量QSmax比假设不存在狭窄时该部位的最大血流量QNmax,即
式中Pd为冠脉狭窄远端的压力,Pa为主动脉压,Rs和RN为微循环阻力,PV为中心静脉压。通常情况下,PV几乎接近于零,且为定值。当使用血管舒张剂如静脉内或动脉内腺苷等药物时,可以使冠脉出现最大充血状态,也就是能够使微循环的阻力降到最低,此时可以认为Rs=RN,PV相对于Pa和Pd可疑忽略不计,即上述公式可简化为:
其中,Pd和Pa均可通过压力导丝测得。
参照图1,本发明提供了本发明提出一种基于GAN血流储备分数预测方法,包括如下步骤:
S1、通过GAN模型中的生成网络模型以及目标指定区域的血管特征向量计算出上述目标指定区域血管的血流储备分数计算值;
S2、获取上述目标指定区域的血管通过有创测试方式测得的血流储备分数有创测量值;
S3、将上述血流储备分数计算值和血流储备分数有创测量值分别作为GAN模型中的判别网络模型的输入向量,并对上述GAN模型进行迭代训练;
S4、根据训练完毕的GAN模型对患者指定区域血管的血流储备分数进行预测换算。
如上述步骤S1所述,通过GAN模型中的生成网络模型以及目标指定区域的血管特征向量计算出上述目标指定区域血管的血流储备分数计算值,需要说明的是,上述血管特征向量一般通过目标指定区域中多项特征值整合得出,其中,上述目标指定区域在当前实施例中特指为冠状动脉,但不仅限于冠状动脉,目标指定区域可根据测试目的的更改而进行对应的改变,当合并得出特征向量后由GAN模型中的生成网络模型(G网络模型)进行血流储备分数计算值的生成。
如上述步骤S2所述,获取上述目标指定区域的血管通过有创测试方式测得的血流储备分数有创测量值,通过有创方式通过压力导丝测量冠脉狭窄远端的压力Pd,主动脉压Pa并通过公式计算得出。
如上述步骤S3所述,将上述血流储备分数计算值和血流储备分数有创测量值分别作为GAN模型中的判别网络模型的输入向量,并对上述GAN模型进行迭代训练,需要说明的是,对GAN模型进行迭代训练时,一般为分别对生成网络模型(G网络模型)和判别网络模型(D网络模型)进行交替迭代训练,但在进行交替迭代训练前,一般优先将判别网络模型单独进行若干次数的迭代训练,直至判别网络模型能够对输出向量的真实性判断达到指定标准后再进行对生成网络模型和判别网络模型进行交替迭代训练。
如上述步骤S4所述,根据训练完毕的GAN模型对患者指定区域血管的血流储备分数进行预测换算,需要说明的是,上述指定区域血管与步骤S1中目标指定区域相同,即,在当前实施例中为冠状动脉。
参照图2,在本实施例中,在上述的基于GAN血流储备分数预测方法中,在上述通过GAN模型中的生成网络模型以及目标指定区域的血管特征向量计算出上述目标指定区域血管的血流储备分数计算值的步骤之前,还包括步骤:
S5、提取冠脉CT图像中指定区域的血管特征值,并整合为血管特征向量,
其中,上述血管特征值包括:
血管局部几何特征:获取血管每个横截面的半径。
血管上游和下游几何特征:狭窄近端半径、狭窄入口长度、最小半径区域长度、狭窄出口长度、半径减小比率:
其中,rr表示半径减小比率;rs表示狭窄的最小半径;rp表示接近狭窄的节段的正常半径;rd表示狭窄远端的正常半径。
如上述步骤S5,提取冠脉CT图像中指定区域的血管特征值,并整合为血管特征向量,需要说明的是,整合过程仅为将上述血管特征值进行与生成网络模型输入数据接口对应的排序整理,以及将多个数据文件结合为单个或指定数量的若干个数据文件。
参照图2,在本实施例中,在上述的基于GAN血流储备分数预测方法中,在上述通过GAN模型中的生成网络模型以及目标指定区域的血管特征向量计算出上述目标指定区域血管的血流储备分数计算值的步骤之前,还包括步骤:
建立GAN模型,其中,建立上述GAN模型的步骤包括:
S6、设定血管特征向量的获取参数目标种类和数量;
S7、设置生成网络模型为深度卷积神经网络模型,将所述生成网络模型的神经元层设为第一输入层、第一反卷积层、第二反卷积层、第三反卷积层、第四反卷积层以及第一输出层,其中,将生成网络模型的第一输入层的人工神经元数量设置为与上述参数目标数量相同,将生成网络模型的第一反卷积层的人工神经元数量设置为256,将生成网络模型的第二反卷积层的人工神经元数量设置为64,将生成网络模型的第三反卷积层的人工神经元数量设置为16,将生成网络模型的第四反卷积层的人工神经元数量设置为4,将生成网络模型的第一输出层的人工神经元数量设置为1;
S8、设置判别网络模型为深度卷积神经网络模型,将所述判别网络模型的神经元层设为第二输入层、第一卷积层、第二卷积层、第三卷积层以及第二输出层,其中,将判别网络模型的第二输入层的人工神经元数量设置为与上述血流储备分数计算值和血流储备分数有创测量值的总数相同,将判别网络模型的第一卷积层的人工神经元数量设置为64,将判别网络模型的第二卷积层的人工神经元数量设置为16,将判别网络模型的第三卷积层的人工神经元数量设置为4,将判别网络模型的输出层的人工神经元数量设置为1。
如上述步骤S6所述,设定血管特征向量的获取参数目标种类和数量,上述参数目标为步骤S5中所述的血管特征值,上述参数目标的种类和数量与步骤S5的中的血管特征值的种类和数量相同。
如上述步骤S7所述,设置生成网络模型为深度卷积神经网络模型,将所述生成网络模型的神经元层设为第一输入层、第一反卷积层、第二反卷积层、第三反卷积层、第四反卷积层以及第一输出层,其中,将生成网络模型的第一输入层的人工神经元数量设置为与上述参数目标数量相同,将生成网络模型的第一反卷积层的人工神经元数量设置为256,将生成网络模型的第二反卷积层的人工神经元数量设置为64,将生成网络模型的第三反卷积层的人工神经元数量设置为16,将生成网络模型的第四反卷积层的人工神经元数量设置为4,将生成网络模型的第一输出层的人工神经元数量设置为1,需要说明的是,输出得到的值为血流储备分数计算值,并且作为判别网络模型中输入层的输出参数。
如上述步骤S8所述,设置判别网络模型为深度卷积神经网络模型,将所述判别网络模型的神经元层设为第二输入层、第一卷积层、第二卷积层、第三卷积层以及第二输出层,其中,将判别网络模型的第二输入层的人工神经元数量设置为与上述血流储备分数计算值和血流储备分数有创测量值的总数相同,将判别网络模型的第一卷积层的人工神经元数量设置为64,将判别网络模型的第二卷积层的人工神经元数量设置为16,将判别网络模型的第三卷积层的人工神经元数量设置为4,将判别网络模型的输出层的人工神经元数量设置为1,需要说明的是,上述第二输出层含有线性激活函数的单个神经元,其中激活函数为Sigmoid函数,得到的值为对输入的判断概率值,使用Sigmoid函数解决二元分类,并输出范围在0-1的值,以判断输入数据的真实性。
参照图2-4和6-7,在本实施例中,在上述的基于GAN血流储备分数预测方法中,将上述血流储备分数计算值和血流储备分数有创测量值分别作为GAN模型中的判别网络模型的输入向量,并对上述GAN模型进行迭代训练的步骤,包括:
S31、分别交替对GAN模型中的生成网络模型和判别网络模型通过最大化判别网络模型的差别能力和最小化生成网络模型的分布损失函数来独立进行迭代训练,至上述生成网络模型生成的血流储备分数计算值在判别网络模型中的判别输出概率值接近0.5。
如上述步骤S31所述,分别交替对GAN模型中的生成网络模型和判别网络模型通过最大化判别网络模型的差别能力和最小化生成网络模型的分布损失函数来独立进行迭代训练的步骤,至上述生成网络模型生成的血流储备分数计算值在判别网络模型中的判别输出概率值接近0.5,其中,训练评估函数优选为:
式中,Pdata(x)为血流储备分数有创测量值的分布函数,x为Pdata(x)的样本值,P(z)为血流储备分数计算值的分布函数,z为P(z)的样本值,G(z)为生成网络模型,D(x)为判别网络模型。
参照图3和5,在本实施例中,在上述的基于GAN血流储备分数预测方法中,上述判别网络模型的迭代训练步骤,包括:
S311、将由血管特征向量计算得出的血流储备分数计算值设为假样本集,并将假样本集的所有类标签设为0;
S312、将通过有创检测得出的血流储备分数有创测量值设为真样本集,并将真样本集的所有类标签设为1;
S313、输入血管特征向量和血流储备分数有创测量值,通过比较判别网络模型输出的值与1的直接差值调整权重,使判别网络模型输出的值接近1。
如上述步骤S311所述,将由血管特征向量计算得出的血流储备分数计算值设为假样本集,并将假样本集的所有类标签设为0,需要说明的是,在计算出血流储备分数计算值前需要先固定生成网络模型的参数,以避免生成网络模型在生成血流储备分数计算值时由于模型参数的变化导致引入非必要性的不确定未知条件,从而导致误差的出现,进而导致迭代训练的结果产生倾斜;
如上述步骤S312所述,将通过有创检测得出的血流储备分数有创测量值设为真样本集,并将真样本集的所有类标签设为1,需要说明的是,上述血流储备分数有创测量值的测试条件(血管特征值)与步骤S311中的各血流储备分数计算值的计算条件(血管特征值)相互对应;
如上述步骤S313所述,输入血管特征向量和血流储备分数有创测量值,通过比较判别网络模型输出的值与1的直接差值调整权重,使判别网络模型输出的值接近1,需要说明的是,由于输入样本的标签有且仅有0或1两种,因此根据真样本集和假样本集的判别结果会得出一个在0-1之间的数值,由于训练参数中真假样本集的数据真假性为已知,因此,可根据判别结果人为进行对权重的偏移使判别网络模型记录修正结果从而使判别网络模型完善,需要说明的是,在本步骤中通过计算判别网络模型输出的判别结果与1的直接差值进行调整权重,当判别结果与1的直接差接近于0时,即判断网络模型训练完成。
参照图4和5,需要说明的是,上述步骤S313可使用步骤S323进行替代,上述步骤S323具体为:输入血管特征向量和血流储备分数计算值,比较判别网络模型输出的值与0的直接差值调整权重,使判别网络模型输出的值接近1。
如上述步骤S323所述,输入血管特征向量和血流储备分数计算值,比较判别网络模型输出的值与0的直接差值调整权重,使判别网络模型输出的值接近1,当判断结果与0的直接差接近1时,即判断网络模型训练完成。
需要说明的是,所述步骤S313和步骤S323可在迭代训练过程中,进行交替使用或以任意一步骤作为检验步骤的方式进行训练。
参照图6和8,在本实施例中,在上述的基于GAN血流储备分数预测方法中,上述生成网络模型的迭代训练步骤,包括:
S331、固定上述判别网络模型的计算参数;
S332、输入血管特征向量并进行初始计算得到初始血流储备分数计算值,将上述初始血流储备分数计算值的标签设为1;
S333、通过比较上述生成网络模型输出的血流储备分数计算值与血流储备分数有创测量值之间的差值调整权重,使上述生成网络模型输出的血流储备分数计算值接近血流储备分数有创测量值。
如上述步骤S331所述,固定上述判别网络模型的计算参数,通过固定上述判别网络模型的的计算参数将上述判别模型定为定量条件,通过对上述生成网络模型所生成的血流储备分数计算值进行判别,调整生成网络模型的生成权重,上述计算参数一般包括但不限于判别网络模型的判别权重;
如上述步骤S332所述,输入血管特征向量并进行初始计算得到初始血流储备分数计算值,将上述初始血流储备分数计算值的标签设为1,需要说明的是,将上述血流储备分数计算值的标签设置为1,即表示在进行判别时将上述血流储备分数计算值看作为当前特征向量情况下的血流储备分数有创测量值,并通过上述判别网络模型进行真伪判别,并记录上述判别网络模型的判别结果,所述判别结果为0-1之间的数值,即判别权重;
如上述步骤S333所述,通过比较上述生成网络模型输出的血流储备分数计算值与血流储备分数有创测量值之间的差值调整权重,使上述生成网络模型输出的血流储备分数计算值接近血流储备分数有创测量值,获取与上述血流储备分数计算值相同血管特征向量的血流储备分数有创测量值,计算出血流储备分数计算值与血流储备分数有创测量值之间的差值,根据差值调整生成网络模型中的生成权重,进行完善上述生成网络模型。
参照图7和8,需要说明的是,上述步骤S333可使用步骤S343进行替代,上述步骤S343具体为:将血管特征向量和上述生成网络模型输出的血流储备分数计算值输入到判别网络模型中,根据判别网络模型输出的值与1的直接差值对生成网络模型的权重进行调整,使上述生成网络模型的输出的血流储备分数计算值在上述判别网络模型的判别结果接近1。
如上述步骤S343所述,将血管特征向量和上述生成网络模型输出的血流储备分数计算值输入到判别网络模型中,根据判别网络模型输出的值与1的直接差值对生成网络模型的权重进行调整,使上述生成网络模型的输出的血流储备分数计算值在上述判别网络模型的判别结果接近1,通过计算判别网络模型的判别结果与1的直接差从而得出生成网络模型计算的血流储备分数的偏差比,进行对生成网络模型的审查权重进行调整。
需要说明的是,所述步骤S333和步骤S343可在迭代训练过程中,进行交替使用或以任意一步骤作为检验步骤的方式进行训练。
参照图9,本发明提出一种基于GAN血流储备分数预测装置,包括:
生成模块1,用于通过GAN模型中的生成网络模型以及目标指定区域的血管特征向量计算出上述目标指定区域血管的血流储备分数计算值;
获取模块2,用于获取上述目标指定区域的血管通过有创测试方式测得的血流储备分数有创测量值;
训练模块3,用于将上述血流储备分数计算值和血流储备分数有创测量值分别作为GAN模型中的判别网络模型的输入向量,并对上述GAN模型进行迭代训练;
预测模块4,用于根据训练完毕的GAN模型对患者指定区域血管的血流储备分数进行预测换算。
上述生成模块1,一般用于通过GAN模型中的生成网络模型以及目标指定区域的血管特征向量计算出上述目标指定区域血管的血流储备分数计算值,需要说明的是,上述血管特征向量一般通过目标指定区域中多项特征值整合得出,其中,上述目标指定区域在当前实施例中特指为冠状动脉,但不仅限于冠状动脉,目标指定区域可根据测试目的的更改而进行对应的改变,当合并得出特征向量后由GAN模型中的生成网络模型(G网络模型)进行血流储备分数计算值的生成。
上述获取模块2,一般用于获取上述目标指定区域的血管通过有创测试方式测得的血流储备分数有创测量值,通过有创方式通过压力导丝测量冠脉狭窄远端的压力Pd,主动脉压Pa并通过公式计算得出。
上述训练模块3,一般用于将上述血流储备分数计算值和血流储备分数有创测量值分别作为GAN模型中的判别网络模型的输入向量,并对上述GAN模型进行迭代训练,需要说明的是,对GAN模型进行迭代训练时,一般为分别对生成网络模型(G网络模型)和判别网络模型(D网络模型)进行交替迭代训练,但在进行交替迭代训练前,一般优先将判别网络模型单独进行若干次数的迭代训练,直至判别网络模型能够对输出向量的真实性判断达到指定标准后再进行对生成网络模型和判别网络模型进行交替迭代训练。
上述预测模块4,一般用于根据训练完毕的GAN模型对患者指定区域血管的血流储备分数进行预测换算,需要说明的是,上述指定区域血管与步骤S1中目标指定区域相同,即,在当前实施例中为冠状动脉。
参照图10,在本发明实施例中,本发明还提供一种计算机设备,上述计算机设备12以通用计算设备的形式表现,计算机设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线18结构中的一种或多种,包括存储器总线18或者存储器控制器,外围总线18,图形加速端口,处理器或者使用多种总线18结构中的任意总线18结构的局域总线18。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线18,微通道体系结构(MAC)总线18,增强型ISA总线18、音视频电子标准协会(VESA)局域总线18以及外围组件互连(PCI)总线18。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其他移动/不可移动的、易失性/非易失性计算机体统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(通常称为“硬盘驱动器”)。尽管图10中未示出,可以提供用于对可移动非易失性磁盘(如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD~ROM,DVD~ROM或者其他光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质界面与总线18相连。存储器可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块42,这些程序模块42被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器中,这样的程序模块42包括——但不限于——操作系统、一个或者多个应用程序、其他程序模块42以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24、摄像头等)通信,还可与一个或者多个使得用户能与该计算机设备12交互的设备通信,和/或与使得该计算机设备12能与一个或多个其他计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)界面22进行。并且,计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)),广域网(WAN)和/或公共网络(例如因特网)通信。如图所示,网络适配器20通过总线18与计算机设备12的其他模块通信。应当明白,尽管图10中未示出,可以结合计算机设备12使用其他硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元16、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统34等。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的基于GAN血流储备分数预测方法。
也即,上述处理单元16执行上述程序时实现:通过GAN模型中的生成网络模型以及目标指定区域的血管特征向量计算出上述目标指定区域血管的血流储备分数计算值;获取上述目标指定区域的血管通过有创测试方式测得的血流储备分数有创测量值;将上述血流储备分数计算值和血流储备分数有创测量值分别作为GAN模型中的判别网络模型的输入向量,并对上述GAN模型进行迭代训练;根据训练完毕的GAN模型对患者指定区域血管的血流储备分数进行预测换算。
在本发明实施例中,本发明还提供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本申请所有实施例提供的基于GAN血流储备分数预测方法:
也即,给程序被处理器执行时实现:通过GAN模型中的生成网络模型以及目标指定区域的血管特征向量计算出上述目标指定区域血管的血流储备分数计算值;获取上述目标指定区域的血管通过有创测试方式测得的血流储备分数有创测量值;将上述血流储备分数计算值和血流储备分数有创测量值分别作为GAN模型中的判别网络模型的输入向量,并对上述GAN模型进行迭代训练;根据训练完毕的GAN模型对患者指定区域血管的血流储备分数进行预测换算。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机克顿信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦可编程只读存储器(EPOM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD~ROM)、光存储器件、磁存储器件或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,改计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言——诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行或者完全在远程计算机或者服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
本发明的一种基于GAN血流储备分数预测方法、装置、设备及存储介质的有益效果为:能准确的预测血流储备分数,准确度最高能够达到98%,平均准确度能达到90%以上;应用范围广,毋须知道输入参数和基准数据之间公式上的关系都能进行预测,有更大的自由度。
以上所述仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于GAN血流储备分数预测方法,其特征在于,包括如下步骤:
通过GAN模型中的生成网络模型以及目标指定区域的血管特征向量计算出所述目标指定区域血管的血流储备分数计算值;
获取所述目标指定区域的血管通过有创测试方式测得的血流储备分数有创测量值;
将所述血流储备分数计算值和血流储备分数有创测量值分别作为GAN模型中的判别网络模型的输入向量,并对所述GAN模型进行迭代训练;
根据训练完毕的GAN模型对患者指定区域血管的血流储备分数进行预测换算。
2.根据权利要求1所述的基于GAN血流储备分数预测方法,其特征在于,在所述通过GAN模型中的生成网络模型以及目标指定区域的血管特征向量计算出所述目标指定区域血管的血流储备分数计算值的步骤之前,还包括步骤:
提取冠脉CT图像中指定区域的血管特征值,并整合为血管特征向量,
其中,所述血管特征值包括:
血管局部几何特征:获取血管每个横截面的半径。
血管上游和下游几何特征:狭窄近端半径、狭窄入口长度、最小半径区域长度、狭窄出口长度、半径减小比率:
其中,rr表示半径减小比率;rs表示狭窄的最小半径;rp表示接近狭窄的节段的正常半径;rd表示狭窄远端的正常半径。
3.根据权利要求2所述的基于GAN血流储备分数预测方法,其特征在于,在所述通过GAN模型中的生成网络模型以及目标指定区域的血管特征向量计算出所述目标指定区域血管的血流储备分数计算值的步骤之前,还包括步骤:
建立GAN模型,其中,建立所述GAN模型的步骤包括:
设定血管特征向量的获取参数目标种类和数量;
设置生成网络模型为深度卷积神经网络模型,将所述生成网络模型的神经元层设为第一输入层、第一反卷积层、第二反卷积层、第三反卷积层、第四反卷积层以及第一输出层,其中,将生成网络模型的第一输入层的人工神经元数量设置为与所述参数目标数量相同,将生成网络模型的第一反卷积层的人工神经元数量设置为256,将生成网络模型的第二反卷积层的人工神经元数量设置为64,将生成网络模型的第三反卷积层的人工神经元数量设置为16,将生成网络模型的第四反卷积层的人工神经元数量设置为4,将生成网络模型的第一输出层的人工神经元数量设置为1;
设置判别网络模型为深度卷积神经网络模型,将所述判别网络模型的神经元层设为第二输入层、第一卷积层、第二卷积层、第三卷积层以及第二输出层,其中,将判别网络模型的第二输入层的人工神经元数量设置为与所述血流储备分数计算值和血流储备分数有创测量值的总数相同,将判别网络模型的第一卷积层的人工神经元数量设置为64,将判别网络模型的第二卷积层的人工神经元数量设置为16,将判别网络模型的第三卷积层的人工神经元数量设置为4,将判别网络模型的输出层的人工神经元数量设置为1。
4.根据权利要求1所述的基于GAN血流储备分数预测方法,其特征在于,将所述血流储备分数计算值和血流储备分数有创测量值分别作为GAN模型中的判别网络模型的输入向量,并对所述GAN模型进行迭代训练的步骤,包括:
分别交替对GAN模型中的生成网络模型和判别网络模型通过最大化判别网络模型的差别能力和最小化生成网络模型的分布损失函数来独立进行迭代训练,至所述生成网络模型生成的血流储备分数计算值在判别网络模型中的判别输出概率值接近0.5。
5.根据权利要求4所述的基于GAN血流储备分数预测方法,其特征在于,在分别交替对GAN模型中的生成网络模型和判别网络模型通过最大化判别网络模型的差别能力和最小化生成网络模型的分布损失函数来独立进行迭代训练的步骤中,训练评估函数为:
式中,Pdata(x)为血流储备分数有创测量值的分布函数,x为Pdata(x)的样本值,P(z)为血流储备分数计算值的分布函数,z为P(z)的样本值,G(z)为生成网络模型,D(x)为判别网络模型。
6.根据权利要求4所述的基于GAN血流储备分数预测方法,其特征在于,所述判别网络模型的迭代训练步骤,包括:
将由血管特征向量计算得出的血流储备分数计算值设为假样本集,并将假样本集的所有类标签设为0;
将通过有创检测得出的血流储备分数有创测量值设为真样本集,并将真样本集的所有类标签设为1;
输入血管特征向量和血流储备分数有创测量值,通过比较判别网络模型输出的值与1的直接差值调整权重,使判别网络模型输出的值接近1。
7.根据权利要求4所述的基于GAN血流储备分数预测方法,其特征在于,所述生成网络模型的迭代训练步骤,包括:
固定所述判别网络模型的计算参数;
输入血管特征向量并进行初始计算得到初始血流储备分数计算值,将所述初始血流储备分数计算值的标签设为1;
通过比较所述生成网络模型输出的血流储备分数计算值与血流储备分数有创测量值之间的差值调整权重,使所述生成网络模型输出的血流储备分数计算值接近血流储备分数有创测量值。
8.一种基于GAN血流储备分数预测装置,其特征在于,包括:
生成模块,用于通过GAN模型中的生成网络模型以及目标指定区域的血管特征向量计算出所述目标指定区域血管的血流储备分数计算值;
获取模块,用于获取所述目标指定区域的血管通过有创测试方式测得的血流储备分数有创测量值;
训练模块,用于将所述血流储备分数计算值和血流储备分数有创测量值分别作为GAN模型中的判别网络模型的输入向量,并对所述GAN模型进行迭代训练;
预测模块,用于根据训练完毕的GAN模型对患者指定区域血管的血流储备分数进行预测换算。
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1~7中任意一项所述的方法。
10.一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1~7中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811333947.9A CN109524119B (zh) | 2018-11-09 | 2018-11-09 | 基于gan血流储备分数预测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811333947.9A CN109524119B (zh) | 2018-11-09 | 2018-11-09 | 基于gan血流储备分数预测方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109524119A true CN109524119A (zh) | 2019-03-26 |
CN109524119B CN109524119B (zh) | 2023-07-04 |
Family
ID=65775995
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811333947.9A Active CN109524119B (zh) | 2018-11-09 | 2018-11-09 | 基于gan血流储备分数预测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109524119B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109512450A (zh) * | 2018-10-18 | 2019-03-26 | 深圳市孙逸仙心血管医院(深圳市心血管病研究所) | 测量血管血流速度的方法 |
CN111297388A (zh) * | 2020-04-03 | 2020-06-19 | 中山大学 | 一种血流储备分数测量方法及装置 |
CN112001893A (zh) * | 2020-07-31 | 2020-11-27 | 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 |
CN117036530A (zh) * | 2023-10-10 | 2023-11-10 | 杭州脉流科技有限公司 | 基于跨模态数据的冠状动脉血流储备分数预测方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150112182A1 (en) * | 2013-10-17 | 2015-04-23 | Siemens Aktiengesellschaft | Method and System for Machine Learning Based Assessment of Fractional Flow Reserve |
CN105184086A (zh) * | 2014-06-16 | 2015-12-23 | 西门子公司 | 用于冠状动脉中改进的血液动力学计算的方法及系统 |
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 |
CN108090902A (zh) * | 2017-12-30 | 2018-05-29 | 中国传媒大学 | 一种基于多尺度生成对抗网络的无参考图像质量客观评价方法 |
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 |
-
2018
- 2018-11-09 CN CN201811333947.9A patent/CN109524119B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150112182A1 (en) * | 2013-10-17 | 2015-04-23 | Siemens Aktiengesellschaft | Method and System for Machine Learning Based Assessment of Fractional Flow Reserve |
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 |
CN105184086A (zh) * | 2014-06-16 | 2015-12-23 | 西门子公司 | 用于冠状动脉中改进的血液动力学计算的方法及系统 |
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 |
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 |
CN108090902A (zh) * | 2017-12-30 | 2018-05-29 | 中国传媒大学 | 一种基于多尺度生成对抗网络的无参考图像质量客观评价方法 |
Non-Patent Citations (2)
Title |
---|
唐贤伦等: "基于条件深度卷积生成对抗网络的图像识别方法", 《自动化学报》 * |
易妍等: "FFR_(CT)诊断冠心病的初步应用体会", 《国际医学放射学杂志》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109512450A (zh) * | 2018-10-18 | 2019-03-26 | 深圳市孙逸仙心血管医院(深圳市心血管病研究所) | 测量血管血流速度的方法 |
CN111297388A (zh) * | 2020-04-03 | 2020-06-19 | 中山大学 | 一种血流储备分数测量方法及装置 |
CN112001893A (zh) * | 2020-07-31 | 2020-11-27 | 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 |
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 |
CN117036530A (zh) * | 2023-10-10 | 2023-11-10 | 杭州脉流科技有限公司 | 基于跨模态数据的冠状动脉血流储备分数预测方法及装置 |
CN117036530B (zh) * | 2023-10-10 | 2023-12-08 | 杭州脉流科技有限公司 | 基于跨模态数据的冠状动脉血流储备分数预测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109524119B (zh) | 2023-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109524119A (zh) | 基于gan血流储备分数预测方法、装置、设备及介质 | |
Gao et al. | Learning physical properties in complex visual scenes: An intelligent machine for perceiving blood flow dynamics from static CT angiography imaging | |
US20230181077A1 (en) | Machine differentiation of abnormalities in bioelectromagnetic fields | |
CN106456078B (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 | |
CN104736046B (zh) | 用于数字评估脉管系统的系统和方法 | |
KR101834051B1 (ko) | 혈관 기하학적 구조 및 생리학으로부터 혈류 특징들을 추정하기 위한 시스템들 및 방법들 | |
Köhler et al. | Semi-automatic vortex extraction in 4D PC-MRI cardiac blood flow data using line predicates | |
US20200258627A1 (en) | Systems, devices, software, and methods for a platform architecture | |
Sankaran et al. | Fast computation of hemodynamic sensitivity to lumen segmentation uncertainty | |
CN108665449B (zh) | 预测血流矢量路径上的血流特征的深度学习模型及装置 | |
CN110786841B (zh) | 基于微循环阻力指数调节最大充血状态流速的方法及装置 | |
CN109036551A (zh) | 一种冠状动脉生理学指标关系建立及应用方法、装置 | |
Vijayan et al. | Assessing coronary blood flow physiology in the cardiac catheterisation laboratory | |
Chen et al. | FFRCT: current status | |
Van Hamersvelt et al. | Diagnostic performance of on-site coronary CT angiography–derived fractional flow reserve based on patient-specific lumped parameter models | |
CN111297388B (zh) | 一种血流储备分数测量装置 | |
US20210064936A1 (en) | Performance of Machine Learning Models for Automatic Quantification of Coronary Artery Disease | |
Glor et al. | Validation of the coupling of magnetic resonance imaging velocity measurements with computational fluid dynamics in a U bend | |
US20210290076A1 (en) | System and a method for determining a significance of a stenosis | |
Chan et al. | Automated quality controlled analysis of 2d phase contrast cardiovascular magnetic resonance imaging | |
Bulant | Computational models for the geometric and functional assessment of the coronary circulation | |
CN110786839A (zh) | 瞬时无波形比值的生成方法、装置、设备及介质 | |
Li et al. | Personalized flow division method based on the left-right coronary cross-sectional area | |
CN116805535A (zh) | 一种ct血管肺动脉血流储备分数的预测方法及装置 | |
Badnjević et al. | Cardiovascular techniques and technology |
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 |