CN110575252A - 基于计算流体力学的脑血管疾病风险预警方法及系统 - Google Patents

基于计算流体力学的脑血管疾病风险预警方法及系统 Download PDF

Info

Publication number
CN110575252A
CN110575252A CN201810578578.3A CN201810578578A CN110575252A CN 110575252 A CN110575252 A CN 110575252A CN 201810578578 A CN201810578578 A CN 201810578578A CN 110575252 A CN110575252 A CN 110575252A
Authority
CN
China
Prior art keywords
cerebrovascular
blood
geometric model
computational fluid
fluid dynamics
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.)
Pending
Application number
CN201810578578.3A
Other languages
English (en)
Inventor
张�浩
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN201810578578.3A priority Critical patent/CN110575252A/zh
Publication of CN110575252A publication Critical patent/CN110575252A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • 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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • 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

Abstract

本发明提供了一种应用计算流体力学来模拟脑血管系统，并在此系统基础之上提出了一种预警脑血管疾病的方法。系统及方法包括：(1)基于医学断层扫描影像数据重建脑血管系统的几何模型；(2)将脑血管系统的几何模型及压力、心率等信息导入计算流体力学模块进行科学计算；(3)修改脑血管系统的几何模型，模拟颈动脉搭桥术等手术；(4)将修改后的几何模型重新导入计算流体力学模块进行科学计算；(5)处理对比两次科学计算的结果，预测手术效果以及可能发生的脑血管疾病的风险。本发明采用计算流体力学模型对脑血管系统手术前后的模拟计算，可以提前预测脑血管疾病的发生风险。

Description

基于计算流体力学的脑血管疾病风险预警方法及系统
技术领域
本发明涉及血液动力学的计算分析领域，特别是涉及脑血管系统的建模及应用计算流体力学进行科学计算的系统与方法。
背景技术
脑血管疾病(21.7％)是紧随癌症(25.0％)和心血管疾病(21.9％)的第三大死因。2016中国统计年鉴显示，每一万人就有大概14个人每年死于脑血管疾病。医疗实践表明，脑血管疾病之所以死亡率高，最主要的原因在于通常脑血管疾病发病快，很难针对所有患者提前拟定高效统一的治疗方案。即使发病后及时控制住病情，往往会导致严重的后遗症，比如大约3/4的幸存者会留下偏瘫等症状而丧失劳动和生活能力。因此，脑血管疾病的早期预测，预防对减轻病人家庭以及社会的负担有着重要的意义。然而，现有的医疗检测手段多针对病发患者进行病情检测。针对致死致残率极高的脑血管疾病，进行预测预防更具有经济效益和社会效益。
统计研究表明，缺血性脑血管疾病占到脑血管疾病的87％，其中很大部分是由于颈动脉血管的狭窄堵塞导致的。目前外科手术，包括颈动脉内膜切除术、颈动脉支架植入术等，是针对颈动脉血管狭窄的主要治疗方法。然而手术治疗会突然改变血管形状，脑血管系统的供血会突然增加，由此会带来脑出血的风险。手术前对病人脑部供血情况的全面掌握，以及对手术效果的预测，脑出血风险的预警就显得极为重要。
现有的医学成像技术手段，主要包括PET成像，CT成像，MRI成像，超声波成像等，虽然能够提供一些反映脑部供血的血流动力学参数(如CBF、CVR)，但是更加细节的信息(如各个血管内的血液流量、压力等信息)是难以直接测量的。而且医生对于手术效果的判断更多的是依赖于个人经验，缺乏量化的预测数据以供参考。
基于以上背景情况，本发明结合医学成像技术和计算流体力学，提出了一种脑血管疾病的风险预警系统与方法。
发明内容
本发明的一方面的目的是提供一个基于计算流体力学的脑血管系统模型，以提供更加详细的血动力学信息。
本发明的另一方面的目的在于提供一个模拟脑血管手术的方法，以预测手术效果和预警脑血管疾病风险。
为了实现前述目的，本发明的第一方面提供了一种简化的血管模型以构建脑血管系统。脑血管系统内的各个血管形状是基于计算机断层扫描数据获取的。此系统模型可以自动生成沿血管轴方向的一维计算网格，并且可以极大提高计算效率。应用此系统可以快速精确的计算出脑血管系统内各个血管的血流量、血压等信息。另一方面，此简化血管模型便于修改血管形状，能够方便的模拟血管手术。通过对比手术前后，脑血管系统内各个血管的血流量、血压的变化，预测手术效果和预警脑血管疾病的风险。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或者现有技术描述中所需要使用的附图做简单地介绍，其中。
图1为本发明的对脑血管疾病风险进行预测的实施方式的流程图；
图2为本发明的脑血管系统示意图
图3为对血管进行一维简化的示意图
图4为手术前后，脑血管系统血流量对比可视化结果
具体实施方式
下面参照附图来说明本发明的实施例。显然，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。应当注意，未来清楚的目的，附图和说明中省略了与本发明无关的、本领域普通技术人员已知的部件和处理的表示和描述。基于本发明中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。
实施例一：
图1是本发明实施例一提供的一种脑血管疾病风险预警方法流程图。本实施例可适用于对血管的血流动力学相关参数进行分析和评估的情况。参见图1，本实施例提供的预警方法包括：根据计算机断层扫描数据建立脑血管系统的几何模型，通过修改血管几何模型模拟手术，分别将修改前后的脑血管系统的几何模型输入到计算流体力学模块进行科学计算，最后对计算结果进行后处理。
步骤一，参考图2对建立脑血管系统的几何模型进行详细说明。首先，利用区域生长算法半自动的提取出脑血管系统的三维模型。其中构成脑血管系统的主要血管的中心线三维位置、长度、直径等参数会被用来重构简化血管以及计算结果的后处理。
步骤二，参考图3对简化血管的构建进行详细说明。构成脑血管系统的各个血管被简化为中心线为直线的轴对称形状。从计算机断层扫描数据获取的血管形状参数(长度和直径)被用来重构简化血管。
步骤三，基于计算流体力学的科学计算具体分为以下步骤：
1.在脑血管系统的几何模型的基础上划分计算网格。血管内的血液流量和压力是影响脑血管疾病的重要参数。血管内血液流动被简化为只是沿着轴方向的层流。因此，血管的计算网格为沿轴方向的一维网格。
2.边界条件的指定。超声波等仪器测得的颈动脉血流量等被作为脑血管系统的入口边界条件。耦合电路模型作为出口边界条件。粘弹性模型被用来模拟血管的变形。
3.数值解析。针对所有计算网格，求解以下质量、动量守恒方程组(Navier-StokesEquations)。
A为血管断面面积，Q为血管断面血液流量，t为时间，x为血管轴方向坐标，ρ为血液密度，ν为血液黏度，P为血液压力。
步骤四，修改颈动脉狭窄处血管形状至正常直径，模拟颈动脉搭桥术。并输入到计算流体力学模块中进行科学计算。
步骤五，参考图4将步骤三、四的两次计算结果输入到后处理模块，对比分析脑血管系统内各个血管的血流量、血压的变化情况。更进一步的量化对比可以通过以下的公式得到：
上述方法，包括脑血管系统的几何模型建立，CFD计算，手术模拟，后处理都可以用C、C++语言或者其他编程语言编写成一个或多个计算机系统可执行的程序。这些程序可以人工操作或者自动运行，以完成该发明方法所描述的目的。
最后应说明的是：以上实施例的说明只是用于帮助理解本发明的核心思想，在不超出由所附的权利要求所限定的本发明的精神和范围的情况下实施步骤可以进行各种改变、替代和变换。而且，本发明的范围不仅限于说明书所描述的过程、设备、手段、方法和步骤的具体实施例。在不脱离本发明原理的前提下，本领域内的普通技术人员对本发明进行若干改进和修饰也落入本发明权利要求保护的范围内。

Claims (9)

1.一种基于计算流体力学的脑血管疾病风险预警系统与方法，其特征在于，包括以下步骤：
步骤一、基于医学断层扫描影像数据重建脑血管系统的几何模型；
步骤二、将脑血管系统的几何模型及压力、心率信息导入计算流体力学模拟系统进行科学计算；得到脑血管系统内的详细血液流动情况；特别是脑血管系统内各个血管的血流量和血压信息；
步骤三、修改脑血管系统的几何模型，模拟颈动脉搭桥术等手术；
步骤四、将修改后的几何模型重新导入计算流体力学模拟系统进行科学计算；
步骤五、处理对比两次科学计算的结果，预测手术效果以及可能发生的脑血管疾病的风险。
2.如权利要求1所述的方法及系统，其特征在于，对脑血管系统的几何模型进行修改以模拟颈动脉血管手术，通过对比基于计算流体力学模块的手术前后的科学计算结果，预测手术效果和预警脑血管疾病风险。
3.如权利要求1所述的方法及系统，其特征在于，所述的脑血管系统的几何模型重建具体包括：筛选脑血管系统的主要血管，对血管中心线进行直线型简化、对血管形状进行轴对称简化。
4.如权利要求1所述的方法及系统，其特征在于，所述的科学计算具体包括：对脑血管系统进行计算网格划分，边界条件指定，数值解析。
5.如权利要求4所述的方法及系统，其特征在于，所述的计算网格划分具体包括对简化后的血管进行自动的轴方向的一维网格划分。
6.如权利要求4所述的方法及系统，其特征在于，所述的边界条件具体包括脑血管系统的入口边界条件，出口边界条件，以及血管粘弹性。
7.如权利要求4所述的方法及系统，其特征在于，所述的数值解析为求解以下方程组：
A为血管断面面积，Q为血管断面血液流量，t为时间，x为血管轴方向坐标，ρ为血液密度，ν为血液黏度，P为血液压力。
8.如权利要求1所述的方法及系统，其特征在于，所述的为模拟手术而修改脑血管系统的几何模型具体包括：修改血管直径，修改血管长度，增减血管。
9.如权利要求1所述的方法及系统，其特征在于，所述的处理对比科学计算结果具体包括可视化计算结果以及量化对比血流量、血压的变化：
CN201810578578.3A 2018-06-07 2018-06-07 基于计算流体力学的脑血管疾病风险预警方法及系统 Pending CN110575252A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810578578.3A CN110575252A (zh) 2018-06-07 2018-06-07 基于计算流体力学的脑血管疾病风险预警方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810578578.3A CN110575252A (zh) 2018-06-07 2018-06-07 基于计算流体力学的脑血管疾病风险预警方法及系统

Publications (1)

Publication Number Publication Date
CN110575252A true CN110575252A (zh) 2019-12-17

Family

ID=68809626

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810578578.3A Pending CN110575252A (zh) 2018-06-07 2018-06-07 基于计算流体力学的脑血管疾病风险预警方法及系统

Country Status (1)

Country Link
CN (1) CN110575252A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113033124A (zh) * 2021-05-08 2021-06-25 南昌大学 一种计算流体力学模拟的参数配置方法及系统
CN113648059A (zh) * 2021-08-26 2021-11-16 上海联影医疗科技股份有限公司 手术规划评估方法、计算机设备和存储介质
CN117496173A (zh) * 2023-11-13 2024-02-02 首都医科大学附属北京天坛医院 图像处理的脑血管特征提取方法及系统

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113033124A (zh) * 2021-05-08 2021-06-25 南昌大学 一种计算流体力学模拟的参数配置方法及系统
CN113648059A (zh) * 2021-08-26 2021-11-16 上海联影医疗科技股份有限公司 手术规划评估方法、计算机设备和存储介质
CN113648059B (zh) * 2021-08-26 2023-09-29 上海联影医疗科技股份有限公司 手术规划评估方法、计算机设备和存储介质
CN117496173A (zh) * 2023-11-13 2024-02-02 首都医科大学附属北京天坛医院 图像处理的脑血管特征提取方法及系统
CN117496173B (zh) * 2023-11-13 2024-04-12 首都医科大学附属北京天坛医院 图像处理的脑血管特征提取方法及系统

Similar Documents

Publication Publication Date Title
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
JP6539736B2 (ja) 純粋幾何学的機械学習に基づいて血流予備量比を求める方法及びシステム
EP2963574B1 (en) Method and system for prediction of post-stenting hemodynamic metrics for treatment planning of arterial stenosis
US20180336319A1 (en) Learning based methods for personalized assessment, long-term prediction and management of atherosclerosis
CN108962381B (zh) 用于动脉粥样硬化的个性化评定、长期预测和管理的基于学习的方法
US10748451B2 (en) Methods and systems for generating fluid simulation models
US20160166209A1 (en) Method and System for Personalized Non-Invasive Hemodynamic Assessment of Renal Artery Stenosis from Medical Images
Liu et al. Three-dimensional hemodynamics analysis of the circle of Willis in the patient-specific nonintegral arterial structures
CN105073009B (zh) 医用流体分析装置以及医用流体分析方法
CN106539622A (zh) 基于血流动力学分析的冠脉虚拟支架植入方法和系统
CN106037710A (zh) 在医学成像中合成数据驱动的血液动力学测定
CN107615335A (zh) 医学图象处理方法和系统
Joly et al. Flow stagnation volume and abdominal aortic aneurysm growth: Insights from patient-specific computational flow dynamics of Lagrangian-coherent structures
CN110575252A (zh) 基于计算流体力学的脑血管疾病风险预警方法及系统
CN106650267A (zh) 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
Ivanov et al. Modeling of human circle of Willis with and without aneurisms
Antón et al. Experimental and computational investigation of the patient-specific abdominal aortic aneurysm pressure field
Di Tomaso et al. A multiscale and patient-specific computational framework of atherosclerosis formation and progression: a case study in the aorta and peripheral arteries
DE102005035181B4 (de) Verfahren zur Darstellung von dreidimensionalen Strömungsdaten und Wandbelastungen in fluidführenden Gefäßen, insbesondere Blutgefäßen, unter Verwendung der Lattice-Boltzmann-Methode
Pandey et al. Effect of Reynolds number and blood viscosity models on the left coronary artery with multiple stenoses
CN116096330A (zh) 用于分析冠状动脉狭窄的医学图像处理方法和系统
EP1774445A2 (de) Verfahren zur darstellung von dreidimensionalen strömungsdaten und wandbelastungen in fluidführenden gefässen, insbesondere blutgefässen, unter verwendung der lattice-boltzmann-methode
Asadbeygi et al. Predicting Pressure Gradient in Aortic Coarctation Based on Geometrical Features Using Design of Experiments and Machine Learning Models
Chong et al. Blood flow velocity prediction in aorto-iliac stent grafts using computational fluid dynamics and Taguchi method
Vardhan et al. Computational fluid modeling to understand the role of anatomy in bifurcation lesion disease

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20191217

WD01 Invention patent application deemed withdrawn after publication