CN110598288B - 一种用于冠脉三维模型的边界条件处理方法和装置 - Google Patents
一种用于冠脉三维模型的边界条件处理方法和装置 Download PDFInfo
- Publication number
- CN110598288B CN110598288B CN201910815717.4A CN201910815717A CN110598288B CN 110598288 B CN110598288 B CN 110598288B CN 201910815717 A CN201910815717 A CN 201910815717A CN 110598288 B CN110598288 B CN 110598288B
- Authority
- CN
- China
- Prior art keywords
- flow resistance
- coronary
- model
- coronary artery
- dimensional model
- 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
Links
Images
Classifications
-
- 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
Abstract
本发明的目的是提供一种用于冠脉三维模型的边界条件的处理方法与装置。仿真设备初始化当前患者的冠脉三维模型以及作为冠脉三维模型的边界条件的流阻模型;将所述流阻模型的初始化结果作为边界条件,对所述冠脉三维模型执行仿真计算;如此循环往复,直至仿真计算的结果满足所述收敛条件。本发明给出了一种基于稳态仿真同时有能够有效考虑流阻影响的边界条件处理方法,相比于现有的复杂流阻模型,计算时间大大缩短,例如可从数小时缩减到10分钟左右,又解决了现有的流量模型会出现明显不合理结果的问题。
Description
技术领域
本发明涉及医学图像处理技术领域,尤其涉及一种处理用于冠脉三维模型的边界条件的技术。
背景技术
冠状动脉血流储备分数(Fractional Flow Reserve,FFR)是一种评估冠状动脉狭窄而导致的心肌缺血程度的功能性指标。传统方法获取冠心病患者的FFR都是通过有创介入的测量手段,随着计算机技术和医学影像技术的发展,将计算机断层摄影血管造影(Computed Tomographic Angiography,CTA)图像与计算流体力学相结合,通过构建血管模型与流体力学仿真可以无创地获得FFR结果。
现有技术中用于无创FFR计算的边界条件主要有两种:一种是直接给出冠脉各个分支流量作为边界条件,另一种是给出给出冠脉远端流阻作为边界条件。第一种采用流量模型作为边界条件的方式,计算速度快,过程简单,易于控制,基于此方式的无创FFR计算容易部署到临床实际应用中,但是容易出现估算流量过高导致冠脉出现负压等不合理的情况。第二种采用复杂流阻模型作为边界条件的方式考虑了冠脉远端流动阻力的模拟,不会出现不合理的情况,但是它需要进行复杂的瞬态耦合计算,计算时间很长,过程复杂,难以控制,这导致其临床试用性较差,这种复杂流阻模型结构如图1所示。
发明内容
本发明的目的是提供一种用于冠脉三维模型的边界条件的处理方法与装置,以及计算设备、计算机可读存储介质与计算机程序产品。
根据本发明的一个方面,提供了一种用于冠脉三维模型的边界条件处理方法,其中,该方法包括:
将所述流阻模型的初始化结果作为边界条件,对所述冠脉三维模型执行仿真计算;
如果此次仿真计算的结果不满足收敛条件,根据此次仿真计算的P值重新对所述流阻模型进行计算,以将重新计算后的所述流阻模型的结果作为新边界条件,对所述冠脉三维模型再次执行仿真计算,直至仿真计算的结果满足所述收敛条件。
根据本发明的一个方面,还提供了一种用于冠脉三维模型的边界条件的处理装置,其中,该装置包括:
初始化装置,用于初始化当前患者的冠脉三维模型以及作为冠脉三维模型的边界条件的流阻模型,所述流阻模型通过公式来表示,其中,L为冠脉流量的振荡抑制,Q为冠脉出口的流量,P为冠脉出口的压力,R为冠脉出口的流动阻力;
仿真控制装置,用于:
将所述流阻模型的初始化结果作为边界条件,对所述冠脉三维模型执行仿真计算;
如果此次仿真计算的结果不满足收敛条件,根据此次仿真计算的P值重新对所述流阻模型进行计算,以将重新计算后的所述流阻模型的结果作为新边界条件,对所述冠脉三维模型再次执行仿真计算,直至仿真计算的结果满足所述收敛条件。
根据本发明的一个方面,还提供了一种计算设备,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,其中,所述处理器执行所述计算机程序时实现根据本发明的一个方面的用于冠脉三维模型的边界条件的处理方法。
根据本发明的一个方面,还提供了一种计算机可读存储介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现根据本发明的一个方面的用于冠脉三维模型的边界条件的处理方法。
根据本发明的一个方面,还提供了一种计算机程序产品,当所述计算机程序产品被计算设备执行时实现根据本发明的一个方面的用于冠脉三维模型的边界条件的处理方法。
现有方案中,流量模型之所以计算速度快是因为其进行的是稳态仿真计算,复杂流阻模型的优势是在模型中考虑了流动阻力的影响。因此,为融合前述两种模型的优势,有必要设计一种考虑流阻影响的同时又能进行稳态计算的新的边界条件模型。为此,本发明提供了一种既能够模拟冠脉远端血流阻力,计算时间和复杂度又能得到有效控制的边界条件处理方法,使得FFR的无创计算能够在结果准确性与临床实用性之间找到有效平衡。本发明给出了一种基于稳态仿真同时有能够有效考虑流阻影响的边界条件处理方法,相比于现有的复杂流阻模型,计算时间大大缩短,例如可从数小时缩减到10分钟左右,又解决了现有的流量模型会出现明显不合理结果的问题。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1示出现有技术中的复杂流阻模型;
图2示出根据本发明一个实施例的一种处理用于冠脉三维模型的边界条件的方法流程图;
图3示出根据本发明一个实施例的流阻模型;
图4示出根据本发明另一个实施例的一种处理用于冠脉三维模型的边界条件的装置示意图。
附图中相同或相似的附图标记代表相同或相似的部件。
具体实施方式
在更加详细地讨论示例性实施例之前应当提到的是,本发明的一些示例性实施例被描述为由方框图表述的装置和由流程图表述的过程或方法。虽然流程图将本发明的操作过程描述成顺序的处理,但是其中的许多操作可以被并行地、并发地或者同时实施。此外,各项操作的顺序可以被重新安排。本发明的过程可在其操作执行完毕时被终止,但也可包括未在所述流程图中示出的额外步骤。本发明的过程可以对应于方法、功能、规程、子例程、子程序等。
以下讨论的由流程图示出的方法和由方框图示出的装置,可以通过硬件、软件、固件、中间件、微代码、硬件描述语言、或其任意组合实现。当以软件、固件、中间件或微代码实现时,执行必要任务的程序代码或代码段可被存储于机器或诸如存储介质的计算机可读介质。(一个或多个)处理器可以执行所述必要任务。
类似地,还将理解任何流程表、流程图、状态转换图,诸如此类,表示各种过程,其可以被充分地描述为存储于计算机可读介质内的程序代码并因此被计算设备或处理器执行,无论这些计算设备或处理器是否被明确示出。
本文中,术语“存储介质”可以表示一个或多个用于存储数据的设备,包括只读存储器(ROM),随机存取存储器(RAM),磁性RAM,内核存储器,磁盘存储介质,光存储介质,闪存设备和/或其他用于存储信息的机器可读介质。术语“计算机可读介质”可包括但不限于,便携的或固定的存储设备,光存储设备,及各种其他能够存储和/或包含指令和/或数据的介质。
代码段可表示规程、功能、子程序、程序、例程、子例程、模块、软件包、类,或指令、数据结构或程序描述的任一组合。一个代码段可以通过传递和/或接收信息、数据、自变量、参数或存储内容,与另一个代码段或硬件电路相耦合。信息、自变量、参数、数据等,可以经由包括存储共享、信息传递、令牌传递、网络传输等任一合适方式,被传递、转发或发射。
在上下文中所称“计算设备”,是指可以通过运行预定程序或指令来执行数值计算和/或逻辑计算等预定处理过程的电子设备,其至少可以包括处理器与存储器,其中由处理器执行在存储器中预存的程序指令来执行预定处理过程,或是由ASIC、FPGA、DSP等硬件执行预定处理过程,或是由上述二者组合来实现。
上述“计算设备”通常以通用计算设备的形式表现,其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、系统存储器。系统存储器可以包括易失性存储器形式的计算机可读介质,例如随机存取存储器(RAM)和/或高速缓存存储器。“计算设备”可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机可读存储介质。存储器可以包括至少一个计算机程序产品,该计算机程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能和/或方法。处理器通过运行存储在存储器中的程序,从而执行各种功能应用以及数据处理。
例如,存储器中存储有用于执行本发明的各项功能和处理的计算机程序,处理器执行相应计算机程序时,本发明中对用于冠脉三维模型的边界条件的处理被实现。
典型地,计算设备例如包括用户设备与网络设备。其中,所述用户设备包括但不限于个人计算机(PC)、笔记本电脑、移动终端等,所述移动终端包括但不限于智能手机、平板电脑等;所述网络设备包括但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(Cloud Computing)的由大量计算机或网络服务器构成的云,其中,云计算是分布式计算的一种,由一群松散耦合的计算机集组成的一个超级虚拟计算机。其中,所述计算设备可单独运行来实现本发明,也可接入网络并通过与网络中的其他计算设备的交互操作来实现本发明。其中,所述计算设备所处的网络包括但不限于互联网、广域网、城域网、局域网、VPN网络等。
需要说明的是,所述用户设备、网络设备和网络等仅为举例,其他现有的或今后可能出现的计算设备或网络如可适用于本发明,也应包含在本发明保护范围以内,并以引用方式包含于此。
这里所公开的具体结构和功能细节仅仅是代表性的,并且是用于描述本发明的示例性实施例的目的。但是本发明可以通过许多替换形式来具体实现,并且不应当被解释成仅仅受限于这里所阐述的实施例。
应当理解的是,虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元,但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说,在不背离示例性实施例的范围的情况下,第一单元可以被称为第二单元,并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
这里所使用的术语仅仅是为了描述具体实施例而不意图限制示例性实施例。除非上下文明确地另有所指,否则这里所使用的单数形式“一个”、“一项”还意图包括复数。还应当理解的是,这里所使用的术语“包括”和/或“包含”规定所陈述的特征、整数、步骤、操作、单元和/或组件的存在,而不排除存在或添加一个或更多其他特征、整数、步骤、操作、单元、组件和/或其组合。
还应当提到的是,在一些替换实现方式中,所提到的功能/动作可以按照不同于附图中标示的顺序发生。举例来说,取决于所涉及的功能/动作,相继示出的两幅图实际上可以基本上同时执行或者有时可以按照相反的顺序来执行。
下面结合附图对本发明作进一步详细描述。
图2示出根据本发明一个实施例的方法流程图,其具体示出一种用于冠脉三维模型的边界条件处理的过程。
典型地,本发明由计算设备实现。当一个通用的计算设备被配置有实现本发明的程序模块后,其将成为专用的处理用于冠脉三维模型的边界条件的仿真设备,而不是任何通用的计算机或处理器。然而,本领域技术人员应能理解,前述说明仅意在表明本发明可以应用于任何通用计算设备,而当本发明被应用于一个通用计算设备之后,该通用计算设备则成为一个专门的实现本发明的处理用于冠脉三维模型的边界条件的仿真设备,以下称为“仿真设备”。
如图2所示,在步骤S1中,仿真设备初始化当前患者的冠脉三维模型以及作为冠脉三维模型的边界条件的流阻模型,所述流阻模型通过公式来表示,其中,L为冠脉流量的振荡抑制,Q为冠脉出口的流量,P为冠脉出口的压力,R为冠脉出口的流动阻力;在步骤S2中,仿真设备将所述流阻模型的初始化结果作为边界条件,对所述冠脉三维模型执行仿真计算;在步骤S3中,如果此次仿真计算的结果不满足收敛条件,仿真设备根据此次仿真计算的P值重新对所述流阻模型进行计算,以返回步骤S2将重新计算后的所述流阻模型的结果作为新边界条件,对所述冠脉三维模型再次执行仿真计算,直至仿真计算的结果满足所述收敛条件。
具体地,在步骤S1中,仿真设备初始化当前患者的冠脉三维模型以及作为冠脉三维模型的边界条件的流阻模型,所述流阻模型通过公式来表示,其中,L为冠脉流量的振荡抑制,Q为冠脉出口的流量,P为冠脉出口的压力,R为冠脉出口的流动阻力。
在此,当前患者的冠脉三维模型意指基于对当前患者的血管造影图像进行分割获得的冠脉图像所建立的三维模型。本发明对于冠脉三维模型的建立方式不做具体限定,任何现有的或将来的建立患者的冠脉三维模型的方式及其建立的冠脉三维模型只要可以应用于本发明,均应被包含于本发明的保护范围之内,并被引用于此。
举例而言,例如,患者的血管造影图像至少可以通过以下两种方式进行分割来获得冠脉图像:
1)通过传统的图像分割模型来对目标区域进行定位。
传统的图像分割模型主要基于各种图像分割算法,包括基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。其中,可用于医学影像的图像分割模型诸如主动轮廓模型、Grabcut、区域增长模型、阈值分割模型等。
据此,通过上述各种图像分割算法即可从输入的血管造影图像中提取目标区域,例如,冠脉区域。
2)通过基于深度学习的图像分割模型来对目标区域进行定位。
深度学习是机器学习领域中一系列试图使用多重非线性变换对数据进行多层抽象的算法,不仅学习输入和输出之间的非线性映射,还学习输入数据向量的隐藏结构,以用来对新的样本进行智能识别或预测。
在此,可用于本发明的基于深度学习神经网络的图像分割模型诸如FCN(全卷积网络,Fully Convolutional Networks)模型、U-net算法模型。
其中,通过输入预先标注好目标区域(如冠脉区域)的样本图像(如血管造影图像),上述基于深度学习的图像分割算法即可被训练来识别特定目标区域,如冠脉区域。
在从患者的血管造影图像识别出冠脉区域之后,冠脉三维模型即可由此建立。
本领域技术人员应当理解的是,患者的冠脉三维模型既可以由本发明中的仿真设备采用上述方式来建立,也可以从第三方获得并提供给本发明的仿真设备。
为了考虑流阻影响的同时又能进行稳态计算,本发明提出了一种的新的边界条件模型,其既能够模拟冠脉远端血流阻力,计算时间和复杂度又能得到有效控制。该新边界条件的流阻模型结构如图3所示,其中主要包括两个模块:R为流动阻力模块,L为流量振荡抑制模块。该流阻模型的微分方程式如以下公式(1)所示。
其中,L为冠脉流量的振荡抑制,Q为冠脉出口的流量,P为冠脉出口的压力,R为冠脉出口的流动阻力。
上述微分方程式(1)的求解方法可以是任何现有的常微分方程数值解法,诸如隐式欧拉法、龙格库塔法以及各种自适应步长算方法等。
在对当前患者的冠脉三维模型进行初始化时,例如可以采用该患者的对应各项生理参数进行初始赋值。
在对上述流阻模型初始化时,例如可以将冠脉出口的流量Q的初始值设置为0或任意值,将冠脉出口的压力P的初始值设置为0或任意值。
接下来,在步骤S2中,仿真设备将流阻模型的初始化结果作为边界条件,对当前患者的冠脉三维模型执行仿真计算;在步骤S3中,如果此次仿真计算的结果不满足收敛条件,仿真设备根据此次仿真计算的P值重新对流阻模型进行计算,以返回步骤S2将重新计算后的流阻模型的结果作为新边界条件,对冠脉三维模型再次执行仿真计算,直至仿真计算的结果满足收敛条件。
在此,本领域技术人员应能理解,上述步骤S2与步骤S3应为交替循环执行,直至冠脉三维模型的仿真计算结果满足收敛条件。
例如,在流阻模型初始化之后,在步骤S2中,仿真设备将流阻模型的初始化结果作为边界条件,如将初始化时计算的冠脉出口的流量Q值作为边界条件,对当前患者的冠脉三维模型执行第一次仿真计算。随后,在步骤S3中,仿真设备判断第一次仿真计算的结果是否满足收敛条件,如如果此次仿真计算的结果不满足收敛条件,则根据此次仿真计算的冠脉出口的压力P值作为流阻模型的强制项,对流阻模型进行求解,重新计算获得冠脉出口的流量Q值,并返回步骤S2。从而,在步骤S2中,仿真设备将重新计算后的流阻模型的Q值作为新边界条件,对冠脉三维模型再次执行仿真计算;随后在步骤S3中,仿真设备继续判断此次仿真计算的结果是否满足收敛条件,如果此次仿真计算的结果仍不满足收敛条件,则根据此次仿真计算的冠脉出口的压力P值重新计算流阻模型中的冠脉出口的流量Q值,并返回步骤S2。据此,仿真设备重复前述S2和S3的过程,如此不断循环,每次循环进行一次收敛性判断,直至仿真计算的结果满足收敛条件时,停止循环。
完成仿真后的冠脉三维模型可以计算任何冠脉入口、出口的血流相关参数,如冠脉出口流量、冠脉出口压力、流速、壁面切应力等。从而,仿真设备随后可以根据冠脉三维模型的仿真结果计算血流储备分数(FFR),FFR指在冠状动脉存在狭窄病变的情况下,该血管所供心肌区域能获得的最大血流与同一区域理论上正常情况下所能获得的最大血流之比,即心肌最大充血状态下的狭窄远端冠状动脉内平均压(Pd)与冠状动脉口部主动脉平均压(Pa)的比值。
在FFR仿真求解的过程中,需要将冠脉三维模型的稳态仿真与图2所示的流阻模型进行耦合,使得耦合模型的仿真在上述公式(1)的控制下进行。在流阻模型微分方程的负反馈控制下,上述耦合模型在整个计算收敛的过程中逐步趋于稳定,流量和压力都逐步趋于定常值,冠脉出口压力P和流量Q的比值趋于流阻模型中流动阻力模块的R值,从而使得FFR的无创计算可以在稳态仿真的基础上同时考虑流动阻力的影响。
图4示出根据本发明一个实施例的装置示意图,其具体示出一种用于冠脉三维模型的边界条件处理的装置。
典型地,本发明的装置可以作为一个功能模块装置于任何通用的计算设备中。当一个通用的计算设备被配置有本发明的装置后,其将成为专用的处理用于冠脉三维模型的边界条件的仿真设备,而不是任何通用的计算机或处理器。然而,本领域技术人员应能理解,前述说明仅意在表明本发明的装置可以应用于任何通用计算设备,而当本发明的装置被应用于一个通用计算设备之后,该通用计算设备则成为一个专门的实现本发明的处理用于冠脉三维模型的边界条件的仿真设备,以下称为“仿真设备”,本发明的装置也可以因此被称为“仿真装置”。并且,该“仿真装置”可以以计算机程序、硬件或其结合的方式实现。
如图4所示,仿真装置40被装置于仿真设备400中。仿真装置40进一步包括初始化装置41和仿真控制装置42。
其中,初始化装置41初始化当前患者的冠脉三维模型以及作为冠脉三维模型的边界条件的流阻模型,所述流阻模型通过公式来表示,其中,L为冠脉流量的振荡抑制,Q为冠脉出口的流量,P为冠脉出口的压力,R为冠脉出口的流动阻力;仿真控制装置42将所述流阻模型的初始化结果作为边界条件,对所述冠脉三维模型执行仿真计算,如果此次仿真计算的结果不满足收敛条件,根据此次仿真计算的P值重新对所述流阻模型进行计算,以将重新计算后的所述流阻模型的结果作为新边界条件,对所述冠脉三维模型再次执行仿真计算,直至仿真计算的结果满足所述收敛条件。
具体地,初始化装置41初始化当前患者的冠脉三维模型以及作为冠脉三维模型的边界条件的流阻模型,所述流阻模型通过公式来表示,其中,L为冠脉流量的振荡抑制,Q为冠脉出口的流量,P为冠脉出口的压力,R为冠脉出口的流动阻力。
在此,当前患者的冠脉三维模型意指基于对当前患者的血管造影图像进行分割获得的冠脉图像所建立的三维模型。本发明对于冠脉三维模型的建立方式不做具体限定,任何现有的或将来的建立患者的冠脉三维模型的方式及其建立的冠脉三维模型只要可以应用于本发明,均应被包含于本发明的保护范围之内,并被引用于此。
举例而言,例如,患者的血管造影图像至少可以通过以下两种方式进行分割来获得冠脉图像:
1)通过传统的图像分割模型来对目标区域进行定位。
传统的图像分割模型主要基于各种图像分割算法,包括基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。其中,可用于医学影像的图像分割模型诸如主动轮廓模型、Grabcut、区域增长模型、阈值分割模型等。
据此,通过上述各种图像分割算法即可从输入的血管造影图像中提取目标区域,例如,冠脉区域。
2)通过基于深度学习的图像分割模型来对目标区域进行定位。
深度学习是机器学习领域中一系列试图使用多重非线性变换对数据进行多层抽象的算法,不仅学习输入和输出之间的非线性映射,还学习输入数据向量的隐藏结构,以用来对新的样本进行智能识别或预测。
在此,可用于本发明的基于深度学习神经网络的图像分割模型诸如FCN(全卷积网络,Fully Convolutional Networks)模型、U-net算法模型。
其中,通过输入预先标注好目标区域(如冠脉区域)的样本图像(如血管造影图像),上述基于深度学习的图像分割算法即可被训练来识别特定目标区域,如冠脉区域。
在从患者的血管造影图像识别出冠脉区域之后,冠脉三维模型即可由此建立。
本领域技术人员应当理解的是,患者的冠脉三维模型既可以由本发明中的仿真设备采用上述方式来建立,也可以从第三方获得并提供给本发明的仿真设备。
为了考虑流阻影响的同时又能进行稳态计算,本发明提出了一种的新的边界条件模型,其既能够模拟冠脉远端血流阻力,计算时间和复杂度又能得到有效控制。该新边界条件的流阻模型结构如图3所示,其中主要包括两个模块:R为流动阻力模块,L为流量振荡抑制模块。该流阻模型的微分方程式如以上公式(1)所示。
上述微分方程式(1)的求解方法可以是任何现有的常微分方程数值解法,诸如隐式欧拉法、龙格库塔法以及各种自适应步长算方法等。
在对当前患者的冠脉三维模型进行初始化时,例如可以采用该患者的对应各项生理参数进行初始赋值。
在对上述流阻模型初始化时,例如可以将冠脉出口的流量Q的初始值设置为0或任意值,将冠脉出口的压力P的初始值设置为0或任意值。
接下来,仿真控制装置42将流阻模型的初始化结果作为边界条件,对当前患者的冠脉三维模型执行仿真计算;如果此次仿真计算的结果不满足收敛条件,根据此次仿真计算的P值重新对流阻模型进行计算,以将重新计算后的流阻模型的结果作为新边界条件,对冠脉三维模型再次执行仿真计算,直至仿真计算的结果满足收敛条件。
在此,本领域技术人员应能理解,上述仿真控制装置42所的操作应为循环执行,直至冠脉三维模型的仿真计算结果满足收敛条件。
例如,在流阻模型初始化之后,仿真控制装置42将流阻模型的初始化结果作为边界条件,如将初始化后计算获得的冠脉出口的流量Q值作为边界条件,对当前患者的冠脉三维模型执行第一次仿真计算。随后,仿真控制装置42判断第一次仿真计算的结果是否满足收敛条件,如如果此次仿真计算的结果不满足收敛条件,则根据此次仿真计算的冠脉出口的压力P值作为流阻模型的强制项,对流阻模型进行求解,重新计算获得冠脉出口的流量Q值。从而接下来,仿真控制装置42将重新计算后的流阻模型的Q值作为新边界条件,对冠脉三维模型再次执行仿真计算;随后,仿真控制装置42继续判断此次仿真计算的结果是否满足收敛条件,如果此次仿真计算的结果仍不满足收敛条件,则根据此次仿真计算的冠脉出口的压力P值重新计算流阻模型中的冠脉出口的流量Q值,并将该Q值作为新边界条件继续执行仿真。据此,仿真设备重复前述仿真计算和收敛判断的过程,如此不断循环,每次循环进行一次收敛性判断,直至仿真计算的结果满足收敛条件时,停止循环。
完成仿真后的冠脉三维模型可以计算任何冠脉入口、出口的血流相关参数,如冠脉出口流量、冠脉出口压力、流速、壁面切应力等。
根据本发明的一个实施例,仿真装置40还可以包括一计算装置(图4未示出)。从而,该计算装置随后可以根据冠脉三维模型的仿真结果计算血流储备分数(FFR),FFR指在冠状动脉存在狭窄病变的情况下,该血管所供心肌区域能获得的最大血流与同一区域理论上正常情况下所能获得的最大血流之比,即心肌最大充血状态下的狭窄远端冠状动脉内平均压(Pd)与冠状动脉口部主动脉平均压(Pa)的比值。
在FFR仿真求解的过程中,需要将冠脉三维模型的稳态仿真与图2所示的流阻模型进行耦合,使得耦合模型的仿真在上述公式(1)的控制下进行。在流阻模型微分方程的负反馈控制下,上述耦合模型在整个计算收敛的过程中逐步趋于稳定,流量和压力都逐步趋于定常值,冠脉出口压力P和流量Q的比值趋于流阻模型中流动阻力模块的R值,从而使得FFR的无创计算可以在稳态仿真的基础上同时考虑流动阻力的影响。
根据以上描述的各实施例,以下条款被提出:
条款1.一种用于冠脉三维模型的边界条件的处理方法,其中,该方法包括:
将所述流阻模型的初始化结果作为边界条件,对所述冠脉三维模型执行仿真计算;
如果此次仿真计算的结果不满足收敛条件,根据此次仿真计算的P值重新对所述流阻模型进行计算,以将重新计算后的所述流阻模型的结果作为新边界条件,对所述冠脉三维模型再次执行仿真计算,直至仿真计算的结果满足所述收敛条件。
条款2.根据权利要求1所述的方法,其中,所述当前患者的冠脉三维模型的初始化采用所述当前患者的对应生理参数。
条款3.根据权利要求1或2所述的方法,其中,所述流阻模型的初始化中设置Q以及P的初始值为0或任意值。
条款5.根据权利要求1至4中任一项所述的方法,其中,该方法还包括:
在所述冠脉三维模型的仿真计算结果满足所述收敛条件之后,根据当前仿真计算结果计算FFR。
条款6.根据权利要求1至5中任一项所述的方法,其中,根据每次仿真计算的P值重新对所述流阻模型进行计算获得Q值,以将重新计算获得的所述流阻模型的Q值作为所述新边界条件。
条款7.一种用于冠脉三维模型的边界条件的处理装置,其中,该装置包括:
初始化装置,用于初始化当前患者的冠脉三维模型以及作为冠脉三维模型的边界条件的流阻模型,所述流阻模型通过公式来表示,其中,L为冠脉流量的振荡抑制,Q为冠脉出口的流量,P为冠脉出口的压力,R为冠脉出口的流动阻力;
仿真控制装置,用于:
将所述流阻模型的初始化结果作为边界条件,对所述冠脉三维模型执行仿真计算;
如果此次仿真计算的结果不满足收敛条件,根据此次仿真计算的P值重新对所述流阻模型进行计算,以将重新计算后的所述流阻模型的结果作为新边界条件,对所述冠脉三维模型再次执行仿真计算,直至仿真计算的结果满足所述收敛条件。
条款8.根据权利要求7所述的装置,其中,所述当前患者的冠脉三维模型的初始化采用所述当前患者的对应生理参数。
条款9.根据权利要求7或8所述的装置,其中,所述流阻模型的初始化中设置Q以及P的初始值为0或任意值。
条款11.根据权利要求7至10中任一项所述的装置,其中,该装置还包括:
计算装置,用于在所述冠脉三维模型的仿真计算结果满足所述收敛条件之后,根据当前仿真计算结果计算FFR。
条款12.根据权利要求7至11中任一项所述的装置,其中,根据每次仿真计算的P值重新对所述流阻模型进行计算获得Q值,以将重新计算获得的所述流阻模型的Q值作为所述新边界条件。
条款13.一种计算机设备,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,其中,所述处理器执行所述计算机程序时实现如权利要求1至6中任一项所述的方法。
条款14.一种计算机可读存储介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的方法。
条款15.一种计算机程序产品,当所述计算机程序产品被计算机设备执行时实现如权利要求1至6中任一项所述的方法。
需要注意的是,本发明可在软件和/或软件与硬件的组合体中被实施,例如,可采用专用集成电路(ASIC)、通用目的计算机或任何其他类似硬件设备来实现。在一个实施例中,本发明的软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地,本发明的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中,例如,RAM存储器,磁或光驱动器或软磁盘及类似设备。另外,本发明的一些步骤或功能可采用硬件来实现,例如,作为与处理器配合从而执行各个步骤或功能的电路。
另外,本发明的至少一部分可被应用为计算机程序产品,例如计算机程序指令,当其被计算设备执行时,通过该计算设备的操作,可以调用或提供根据本发明的方法和/或技术方案。而调用/提供本发明的方法的程序指令,可能被存储在固定的或可移动的记录介质中,和/或通过广播或其他信号承载媒体中的数据流而被传输,和/或被存储在根据所述程序指令运行的计算设备的工作存储器中。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
Claims (9)
2.根据权利要求1所述的方法,其中,所述当前患者的冠脉三维模型的初始化采用所述当前患者的对应生理参数。
3.根据权利要求1或2所述的方法,其中,所述流阻模型的初始化中设置Q以及P的初始值为任意值。
5.根据权利要求1或2所述的方法,其中,根据每次仿真计算的P值重新对所述流阻模型进行计算获得Q值,以将重新计算获得的所述流阻模型的Q值作为所述新边界条件。
7.根据权利要求6所述的装置,其中,所述装置还包括一计算装置;所述计算装置在所述冠脉三维模型的仿真计算结果满足所述收敛条件之后,根据当前仿真计算结果计算FFR。
8.一种计算机设备,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,其中,所述处理器执行所述计算机程序时实现如权利要求1至5中任一项所述的方法。
9.一种计算机可读存储介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910815717.4A CN110598288B (zh) | 2019-08-30 | 2019-08-30 | 一种用于冠脉三维模型的边界条件处理方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910815717.4A CN110598288B (zh) | 2019-08-30 | 2019-08-30 | 一种用于冠脉三维模型的边界条件处理方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110598288A CN110598288A (zh) | 2019-12-20 |
CN110598288B true CN110598288B (zh) | 2020-08-07 |
Family
ID=68856560
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910815717.4A Active CN110598288B (zh) | 2019-08-30 | 2019-08-30 | 一种用于冠脉三维模型的边界条件处理方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110598288B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111401155B (zh) * | 2020-02-28 | 2022-05-20 | 北京大学 | 基于隐式欧拉跳跃连接的残差神经网络的图像识别方法 |
CN111312375A (zh) * | 2020-03-12 | 2020-06-19 | 上海杏脉信息科技有限公司 | 虚拟冠脉手术的搭桥分析方法、系统、介质及设备 |
CN111652849B (zh) * | 2020-05-08 | 2022-03-01 | 武汉联影医疗科技有限公司 | 血流参数计算结果获取方法、装置、设备和系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108348206A (zh) * | 2015-11-05 | 2018-07-31 | 皇家飞利浦有限公司 | 用于无创血流储备分数(ffr)的侧支流建模 |
CN109583146A (zh) * | 2019-01-18 | 2019-04-05 | 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 |
CN109686450A (zh) * | 2018-12-22 | 2019-04-26 | 北京工业大学 | 一种基于超声和ct成像技术的冠脉血流储备分数计算方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10373700B2 (en) * | 2012-03-13 | 2019-08-06 | Siemens Healthcare Gmbh | Non-invasive functional assessment of coronary artery stenosis including simulation of hyperemia by changing resting microvascular resistance |
US10130266B2 (en) * | 2014-06-30 | 2018-11-20 | Siemens Healthcare Gmbh | Method and system for prediction of post-stenting hemodynamic metrics for treatment planning of arterial stenosis |
CN106473731A (zh) * | 2016-10-25 | 2017-03-08 | 北京工业大学 | 基于个性化冠状动脉分支血流量的ffrct计算方法 |
-
2019
- 2019-08-30 CN CN201910815717.4A patent/CN110598288B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108348206A (zh) * | 2015-11-05 | 2018-07-31 | 皇家飞利浦有限公司 | 用于无创血流储备分数(ffr)的侧支流建模 |
CN109686450A (zh) * | 2018-12-22 | 2019-04-26 | 北京工业大学 | 一种基于超声和ct成像技术的冠脉血流储备分数计算方法 |
CN109583146A (zh) * | 2019-01-18 | 2019-04-05 | 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 |
Non-Patent Citations (5)
Title |
---|
Incremental Value of Subtended Myocardial Mass for Identifying FFR-Verified Ischemia Using Quantitative CT Angiography: Comparison With Quantitative Coronary Angiography and CT-FFR;Dong HyunYang 等;《JACC: Cardiovascular Imaging》;20190430;第12卷(第4期);第707-717页 * |
Noninvasive CT-Derived FFR Based on Structural and Fluid Analysis: A Comparison With Invasive FFR for Detection of Functionally Significant Stenosis;Brian S.KoMBBS 等;《JACC: Cardiovascular Imaging》;20170630;第10卷(第6期);第663-673页 * |
利用冠状动脉CT血管造影计算血流储备分数;陈晓阳;《中国优秀硕士学位论文全文数据库医药卫生科技辑》;20180415;E076-27 * |
基于冠状动脉血管分支流量分配方法的血流储备分数数值模拟研究;夏骏 等;《北京生物医学工程》;20190630;第38卷(第3期);第251-256页 * |
基于冠脉造影图像的无创血流储备分数检测;董放;《中国医学物理学杂志》;20170331;第34卷(第3期);第251-255页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110598288A (zh) | 2019-12-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11382569B2 (en) | Systems and methods for estimating blood flow characteristics from vessel geometry and physiology | |
Chen et al. | Deep learning for cardiac image segmentation: a review | |
US11013425B2 (en) | Systems and methods for analyzing and processing digital images to estimate vessel characteristics | |
US9968257B1 (en) | Volumetric quantification of cardiovascular structures from medical imaging | |
US10299862B2 (en) | Three-dimensional quantitative heart hemodynamics in medical imaging | |
CN110598288B (zh) | 一种用于冠脉三维模型的边界条件处理方法和装置 | |
Jafari et al. | Automatic biplane left ventricular ejection fraction estimation with mobile point-of-care ultrasound using multi-task learning and adversarial training | |
CN107615335A (zh) | 医学图象处理方法和系统 | |
US11861851B2 (en) | Anatomical and functional assessment of CAD using machine learning | |
US9462952B2 (en) | System and method for estimating artery compliance and resistance from 4D cardiac images and pressure measurements | |
Dillard et al. | From medical images to flow computations without user‐generated meshes | |
JP7369437B2 (ja) | 評価システム、評価方法、学習方法、学習済みモデル、プログラム | |
Kagiyama et al. | Machine learning in cardiovascular imaging | |
Zreik et al. | Combined analysis of coronary arteries and the left ventricular myocardium in cardiac CT angiography for detection of patients with functionally significant stenosis | |
Mehta et al. | Heart Disease Diagnosis using Deep Learning | |
CN110929604B (zh) | 基于造影图像的流速的筛选方法、装置、系统和存储介质 | |
Goyal et al. | MRI image based patient specific computational model reconstruction of the left ventricle cavity and myocardium | |
CN116779135A (zh) | 用于计算血液储备分数的方法、装置、计算设备及介质 | |
Moreta-Martínez et al. | Multi-cavity heart segmentation in non-contrast non-ECG gated CT scans with F-CNN | |
Chakshu et al. | Automating fractional flow reserve (FFR) calculation from CT scans: A rapid workflow using unsupervised learning and computational fluid dynamics | |
Vassilevski et al. | A web-based non-invasive estimation of fractional flow reserve (FFR): Models, algorithms, and application in diagnostics | |
CN115937087B (zh) | 脑灌注状态分类方法、装置、设备和存储介质 | |
US20240135550A1 (en) | Anatomical and functional assessment of cad using machine learning | |
US20230368398A1 (en) | Anatomical and functional assessment of coronary artery disease using machine learning | |
Goyal et al. | A graphical computational tool for computerized ventricular extraction in magnetic resonance cardiac imaging |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20191220 Assignee: Shanghai Youmai Technology Co.,Ltd. Assignor: SHANGHAI XINGMAI INFORMATION TECHNOLOGY Co.,Ltd. Contract record no.: X2022980001537 Denomination of invention: A boundary condition processing method and device for three-dimensional coronary model Granted publication date: 20200807 License type: Common License Record date: 20220215 |
|
EE01 | Entry into force of recordation of patent licensing contract |