CN111084631A - 一种timi心肌灌注帧数获取方法、介质及电子设备 - Google Patents
一种timi心肌灌注帧数获取方法、介质及电子设备 Download PDFInfo
- Publication number
- CN111084631A CN111084631A CN201911221425.4A CN201911221425A CN111084631A CN 111084631 A CN111084631 A CN 111084631A CN 201911221425 A CN201911221425 A CN 201911221425A CN 111084631 A CN111084631 A CN 111084631A
- Authority
- CN
- China
- Prior art keywords
- conduction
- time
- deep learning
- learning network
- contrast agent
- 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
- 238000000034 method Methods 0.000 title claims abstract description 73
- 230000002107 myocardial effect Effects 0.000 title claims abstract description 51
- 230000010412 perfusion Effects 0.000 title claims abstract description 51
- 238000013135 deep learning Methods 0.000 claims abstract description 76
- 239000002872 contrast media Substances 0.000 claims abstract description 68
- 238000002586 coronary angiography Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 40
- 210000004351 coronary vessel Anatomy 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 9
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 2
- 208000031481 Pathologic Constriction Diseases 0.000 description 4
- 210000000709 aorta Anatomy 0.000 description 4
- 230000017531 blood circulation Effects 0.000 description 4
- 230000036262 stenosis Effects 0.000 description 4
- 208000037804 stenosis Diseases 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 210000003462 vein Anatomy 0.000 description 3
- 238000002583 angiography Methods 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 201000001320 Atherosclerosis Diseases 0.000 description 1
- 201000000057 Coronary Stenosis Diseases 0.000 description 1
- 206010011089 Coronary artery stenosis Diseases 0.000 description 1
- 206010061216 Infarction Diseases 0.000 description 1
- 208000007718 Stable Angina Diseases 0.000 description 1
- 206010000891 acute myocardial infarction Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 208000029078 coronary artery disease Diseases 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007574 infarction Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 210000004088 microvessel Anatomy 0.000 description 1
- 208000031225 myocardial ischemia Diseases 0.000 description 1
- 210000004165 myocardium Anatomy 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 230000000250 revascularization Effects 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
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
- A61B6/48—Diagnostic techniques
- A61B6/481—Diagnostic techniques involving the use of contrast agents
-
- 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
- A61B6/50—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
- A61B6/507—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 determination of haemodynamic parameters, e.g. perfusion 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
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- High Energy & Nuclear Physics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Vascular Medicine (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供一种TIMI心肌灌注帧数获取方法，所述TIMI心肌灌注帧数获取方法包括：获取冠脉造影影像；利用深度学习网络模型确定造影剂传导起始时刻；利用深度学习网络模型确定造影剂传导终止时刻；获取所述传导起始时刻和所述传导终止时刻之间的帧数。所述TIMI心肌灌注帧数获取方法能够通过深度学习网络模型确定造影剂的传导起始时刻以及传导终止时刻，操作效率较高且不易出错。
Description
技术领域
本发明属于图像识别领域，涉及一种帧计数方法，特别是涉及一种TIMI心肌灌注帧数获取方法、介质及电子设备。
背景技术
冠状动脉血流速度是冠状动脉血流储备的一个重要指标，其对评价心肌灌注具有重要意义。传统测定冠状动脉血流的方法例如冠脉内超声多普勒法、单光子发射断层显像等方法在实际应用中往往受到各种条件的限制而难以在临床广泛使用。近段时间来，TIMI(Thrombolysis in Myocardial Infarction)心肌灌注帧计数(TIMI myocardialperfusion frame count，TMPFC)方法因具有简单、方便等特点而广泛应用于临床中以实现对冠状动脉血流速度的测量，进而实现对心肌灌注的评价。具体地，TIMI心肌灌注帧计数方法通过造影帧数来计算造影剂进入和排出心肌的时间以对心肌灌注进行定量评价。然而，现有TIMI心肌灌注帧计数方法中往往需要医疗人员去判断造影剂开始显影以及造影剂完全不显影的时刻，操作效率较低。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种TIMI心肌灌注帧数获取方法、介质及电子设备，用于解决现有技术中需要医疗人员去判断造影剂开始显影以及造影剂完全不显影的时刻这一问题。
为实现上述目的及其他相关目的，本发明提供一种TIMI心肌灌注帧数获取方法，所述TIMI心肌灌注帧数获取方法包括：获取冠脉造影影像；利用深度学习网络模型确定造影剂传导起始时刻；利用深度学习网络模型确定造影剂传导终止时刻；获取所述传导起始时刻和所述传导终止时刻之间的帧数。
于本发明的一实施例中，所述传导起始时刻为造影剂在关键位置开始显影的时刻；所述关键位置为支架位置或狭窄位置；所述传导终止时刻为造影剂在心外膜冠状动脉中完全不显影的时刻。
于本发明的一实施例中，获取所述传导起始时刻和所述传导终止时刻之间的帧数的实现方法包括：获取所述冠脉影像中相邻两帧的时间间隔；根据所述传导起始时刻、所述传导终止时刻和所述时间间隔获取所述传导起始时刻和所述传导终止时刻之间的帧数。
于本发明的一实施例中，利用深度学习网络模型确定造影剂传导起始时刻的一种实现方法包括：将所述冠脉影像作为第一深度学习网络模型的输入，所述第一深度学习网络模型的输出即为所述造影剂传导起始时刻；所述第一深度学习网络由多个第一训练数据对训练得来；各所述第一训练数据对包括冠脉影像以及该冠脉影像对应的传导起始时刻。
于本发明的一实施例中，利用深度学习网络模型确定造影剂传导起始时刻的一种实现方法包括：利用第二深度学习网络模型获得传导起始帧；所述传导起始帧对应的时刻即为所述造影剂传导起始时刻；所述第二深度学习网络由多个第二训练数据对训练得来；各所述第二训练数据对包括冠脉影像以及该冠脉影像对应的传导起始帧。
于本发明的一实施例中，利用深度学习网络模型确定造影剂传导终止时刻的一种实现方法包括：将所述冠脉影像作为第三深度学习网络模型的输入，所述第三深度学习网络模型的输出即为所述造影剂传导终止时刻；所述第三深度学习网络由多个第三训练数据对训练得来；各所述第三训练数据对包括冠脉影像以及该冠脉影像对应的传导终止时刻。
于本发明的一实施例中，利用深度学习网络模型确定造影剂传导终止时刻的一种实现方法包括：利用第四深度学习网络模型获得传导终止帧；所述传导终止帧对应的时刻即为所述造影剂传导终止时刻；所述第四深度学习网络由多个第四训练数据对训练得来；各所述第四训练数据对包括冠脉影像以及该冠脉影像对应的传导终止帧。
于本发明的一实施例中，所述冠脉影像的帧上携带有时间戳；所述传导起始帧和/或所述传导终止帧对应的时刻可以根据所述时间戳获得。
本发明还提供一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现本发明所述的TIMI心肌灌注帧数获取方法。
本发明还提供一种电子设备，所述电子设备包括：存储器，用于存储计算机程序；处理器，与所述存储器相连，用于执行所述存储器存储的计算机程序，以使所述电子设备执行本发明所述的TIMI心肌灌注帧数获取方法；显示器，与所述处理器和所述存储器通信相连，用于显示所述TIMI心肌灌注帧数获取方法的相关GUI交互界面。
如上所述，本发明的TIMI心肌灌注帧数获取方法、介质及电子设备，具有以下有益效果：
所述TIMI心肌灌注帧数获取方法能够通过深度学习网络模型确定造影剂的传导起始时刻以及传导终止时刻，避免了现有技术依赖于医疗人员主观判断来确定传导起始时刻和传导终止时刻的问题，操作效率较高且不易出错，便于临床大规模应用。
附图说明
图1显示为本发明所述的TIMI心肌灌注帧数获取方法于一实施例中的流程图。
图2显示为本发明所述的TIMI心肌灌注帧数获取方法于一实施例中的造影过程流程图。
图3a显示为本发明所述的TIMI心肌灌注帧数获取方法于一实施例中步骤S2的流程图。
图3b显示为本发明所述的TIMI心肌灌注帧数获取方法于一实施例中步骤S2的流程图。
图4a显示为本发明所述的TIMI心肌灌注帧数获取方法于一实施例中步骤S3的流程图。
图4b显示为本发明所述的TIMI心肌灌注帧数获取方法于一实施例中步骤S3的流程图。
图5a显示为本发明所述的TIMI心肌灌注帧数获取方法于一实施例中获得的传导起始帧。
图5b显示为本发明所述的TIMI心肌灌注帧数获取方法于一实施例中的传导终止帧。
图6显示为本发明所述的电子设备于一实施例中的结构示意图。
元件标号说明
51 导管
52 导丝
53 支架位置
54 心外膜冠状动脉
600 电子设备
610 存储器
620 处理器
630 显示器
S1～S4 步骤
S11～S15 步骤
S21a～S22a 步骤
S21b～S22b 步骤
S31a～S32a 步骤
S31b～S32b 步骤
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，图示中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
TIMI心肌灌注帧数获取方法能够用于测定梗死相关冠状动脉的血流速度，即：用于测定造影剂自LAD(left anterior descending artery，左前降支)开口至心尖分叉处、LCx(left circumflexcCoronary artery)开口经病变至最长分支远端分叉处、RCA(rightcoronary artery右冠状动脉)开口至后侧支分出第一支血管的帧数。TIMI心肌灌注帧数获取方法具有简单、客观、定量、重复性好等特点，已经广泛用于评价急性心肌梗死患者的血管再通过程和稳定性心绞痛患者的临床结果。
于一些实施例中，TIMI心肌灌注帧数获取方法通过医疗人员的主观判断来确定造影剂的传导起始时刻和传导终止时刻，这种方式效率较低且易受医疗人员主观判断的影响，致使TIMI心肌灌注帧数获取方法在临床的应用受到限制。针对这一问题，本发明提出了一种TIMI心肌灌注帧数获取方法，所述TIMI心肌灌注帧数获取方法包括：获取冠脉造影影像；利用深度学习网络模型确定造影剂传导起始时刻；利用深度学习网络模型确定造影剂传导终止时刻；获取所述传导起始时刻和所述传导终止时刻之间的帧数。于本发明中，所述传导起始时刻和所述传导终止时刻分别由所述深度学习网络模型确定，不受医疗人员主观判断的影响且效率较高，有利于TIMI心肌灌注帧数获取方在临床上的大规模应用。
请参阅图1，本发明提供一种TIMI心肌灌注帧数获取方法，所述TIMI心肌灌注帧数获取方法包括：
S1，获取冠脉造影影像。所述冠脉造影影像包括对目标冠脉血管注射造影剂后一段时间内连续多次扫描获得的影像，即：所述冠脉造影影像包含多帧影像。
S2，利用深度学习网络模型确定造影剂传导起始时刻。
S3，利用深度学习网络模型确定造影剂传导终止时刻。
S4，获取所述传导起始时刻和所述传导终止时刻之间的帧数。
于本实施例中，所述传导起始时刻和所述传导终止时刻分别由不同的深度学习网络模型获得，整个过程基本无需医疗人员的参与，操作简单且准确率高，能够有效避免因为医疗人员主观判断导致的误差。
于本发明的一实施例中，所述冠脉造影影像为数字减影血管造影(Digitalsubtraction angiography，DSA)影像。DSA的基本原理是将注入造影剂前后拍摄的两帧X线图像经数字化输入图像计算机，通过减影、增强和再成像过程把血管造影影像上的骨与软组织影像消除来获得清晰的纯血管影像，是电子计算机与常规X线血管造影相结合的一种检查方法。
于本发明的一实施例中，所述传导起始时刻为造影剂在关键位置开始显影的时刻；所述传导终止时刻为造影剂在心外膜冠状动脉中完全不显影的时刻。请参阅图2，于本实施例中，造影剂在冠脉中的显影过程包括：
S11，将造影导管插入主动脉，并通过所述造影导管的开口向主动脉注入造影剂；此时冠脉主动脉开始显影；
S12，所述造影剂沿主动脉流至冠脉入口并经所述冠脉入口流入心外膜冠状动脉；此时，所述心外膜冠状动脉开始显影；
S13，造影剂依次流经冠脉分支和冠脉微血管；此时，所述冠脉分支和冠脉微血管开始显影；
S14，造影剂进入冠状静脉；此时冠状静脉开始显影。
S15，造影剂自冠状静脉流出；此时所有冠脉血管均不显影。
在上述步骤S11～步骤S5过程中利用造影仪连续多次扫描即可获得所述冠脉造影影像。当造影剂从所述心外膜冠状动脉完全流出时，所述造影剂在所述心外膜冠状动脉中完全不显影，对应的时刻即为所述传导终止时刻。在一次造影过程中，所述传导终止时刻唯一且确定。
于本发明的一实施例中，所述关键位置为支架位置。其中，支架放置在心外膜冠状动脉内，所述支架位置为心外膜冠状动脉内放置支架的位置。当造影剂流至所述支架位置时，所述造影剂在所述支架位置开始显影，对应的时刻即为所述传导起始时刻。在一次造影过程中，每个支架对应的传导起始时刻唯一确定。
于本发明的一实施例中，所述关键位置为狭窄位置。冠状动脉狭窄是粥样硬化所致，当冠状动脉狭窄到一定程度时会导致心肌缺血进而引发冠心病。于本实施例中，当造影剂流至所述狭窄位置时，所述造影剂在所述狭窄位置开始显影，对应的时刻即为所述传导起始时刻。每处狭窄对应的传导起始时刻唯一确定。
于本发明的一实施例中，所述冠脉影像中相邻两帧的时间间隔相同，获取所述传导起始时刻和所述传导终止时刻之间的帧数的实现方法包括：获取所述冠脉影像中相邻两帧的时间间隔；根据所述传导起始时刻、所述传导终止时刻和所述时间间隔获取所述传导起始时刻和所述传导终止时刻之间的帧数。具体地，利用所述传导终止时刻减去所述传导起始时刻即可获取传导时长，利用所述传导时长除以所述时间间隔即可获得所述帧数。
于本发明的一实施例中，利用深度学习网络模型确定造影剂传导起始时刻的一种实现方法包括：将所述冠脉影像作为第一深度学习网络模型的输入，所述第一深度学习网络模型的输出即为所述造影剂传导起始时刻。
请参阅图3a，所述第一深度学习网络由以下方法训练得到：
S21a，获取多个第一训练数据对；各所述第一训练数据对包括冠脉影像中的多帧影像以及该冠脉影像对应的传导起始时刻。所述第一训练数据对可以从外部数据库获得。所述传导起始时刻可以通过医疗人员人工确定。
S22a，利用所述第一训练数据对对一深度学习网络模型进行训练，得到稳定的深度学习网络模型。所述稳定的深度学习网络模型即为所述第一深度学习网络模型。
优选地，所述第一深度学习网络模型为神经网络模型。
于本实施例中，医疗人员对传导起始时刻的识别仅存在于第一训练数据对的获取阶段，此后本实施例所述TIMI心肌灌注帧数获取方法无需医疗人员对传导起始时刻进行识别。
于本发明的一实施例中，利用深度学习网络模型确定造影剂传导起始时刻的一种实现方法包括：利用第二深度学习网络模型获得传导起始帧；所述传导起始帧对应的时刻即为所述造影剂传导起始时刻。具体地，将所述冠脉影像作为所述第二深度学习网络模型的输入，所述第二深度学习网络模型的输出即为所述传导起始帧。
请参阅图3b，所述第二深度学习网络由以下方法训练得到：
S21b，获取多个第二训练数据对；各所述第二训练数据对包括冠脉影像中的多帧影像以及该冠脉影像对应的传导起始帧。所述传导起始帧例如：造影剂在狭窄位置开始显影的一帧影像，或造影剂在支架位置开始显影的一帧影像。所述传导终止帧可以由所述医疗人员人工指定。所述第二训练数据对可以从外部数据库获得。
S22b，利用所述第二训练数据对对一深度学习网络模型进行训练，得到稳定的深度学习网络模型。所述稳定的深度学习网络模型即为所述第二深度学习网络模型。
优选地，所述第二学习网络模型为神经网络模型。于本实施例中，医疗人员对传导起始帧的指定仅存在于所述第二训练数据对的获取阶段，此后本实施例所述TIMI心肌灌注帧数获取方法无需医疗人员对传导起始帧进行指定。
于本发明的一实施例中，利用深度学习网络模型确定造影剂传导终止时刻的一种实现方法包括：将所述冠脉影像作为第三深度学习网络模型的输入，所述第三深度学习网络模型的输出即为所述造影剂传导终止时刻。
请参阅图4a，所述第三深度学习网络的训练过程包括：
S31a，获取多个第三训练数据对；各所述第三训练数据对包括冠脉影像以及该冠脉影像对应的传导终止时刻。所述第三训练数据对可以从外部数据库获得。所述传导终止时刻可以通过医疗人员人工确定。
S32a，利用所述第三训练数据对对一深度学习网络模型进行训练，得到稳定的深度学习网络模型。所述稳定的深度学习网络模型即为所述第三学习网络模型。
优选地，所述第三学习网络模型为神经网络模型。
于本发明的一实施例中，利用深度学习网络模型确定造影剂传导终止时刻的一种实现方法包括：利用第四深度学习网络模型获得传导终止帧；所述传导终止帧对应的时刻即为所述造影剂传导终止时刻。具体地，将所述冠脉影像作为所述第四深度学习网络模型的输入，所述第四深度学习网络模型的输出即为所述传导终止帧。
请参阅图4b，所述第四深度学习网络的训练过程包括：
S31b，获取多个第四训练数据对；各所述第四训练数据对包括冠脉影像以及该冠脉影像对应的传导终止帧。所述第四训练数据对可以从外部数据库获得。所述传导终止帧可以通过医疗人员人工确定。
S32b，利用所述第四训练数据对对一深度学习网络模型进行训练，得到稳定的深度学习网络模型。所述稳定的深度学习网络模型即为所述第四学习网络模型。
于本发明的一实施例中，通过传导起始帧确定所述传导起始时刻，通过传统终止帧确定所述传导终止时刻。冠状动脉系统包括心外膜冠状动脉和心肌内冠脉血管两大部分。所述传导起始帧为造影剂在支架位置开始显影时刻对应的帧，所述传导终止帧为造影剂在心外膜冠状动脉中完全不显影时刻对应的帧。
请参阅图5a，显示为本实施例中获取的传导起始帧。造影剂通过导管51注入冠状动脉，导丝52用于引导支架。造影剂在支架位置53开始显影，并在心外膜冠状动脉54开始显影。
请参阅图5b，显示为本实施例中获取的传导终止帧。所述传导终止帧对应心外膜冠状动脉完全不显影的时刻。于本发明的一实施例中，所述冠脉影像的帧上携带有时间戳；所述传导起始帧和/或所述传导终止帧对应的时刻可以根据所述时间戳获得。
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本发明所述的TIMI心肌灌注帧数获取方法。
请参阅图6，本发明还提供一种电子设备600，其特征在于，所述电子设备600包括：
存储器610，用于存储计算机程序；
处理器620，与所述存储器相连，用于执行所述存储器存储的计算机程序，以使所述电子设备执行本发明所述的TIMI心肌灌注帧数获取方法；
显示器630，与所述处理器和所述存储器通信相连，用于显示所述TIMI心肌灌注帧数获取方法的相关GUI交互界面。
本发明所述的TIMI心肌灌注帧数获取方法的保护范围不限于本实施例列举的步骤执行顺序，凡是根据本发明的原理所做的现有技术的步骤增减、步骤替换所实现的方案都包括在本发明的保护范围内。
本发明所述TIMI心肌灌注帧数获取方法能够通过深度学习网络模型确定造影剂的传导起始时刻以及传导终止时刻，避免了现有技术依赖于医疗人员主观判断来确定传导起始时刻和传导终止时刻的问题，操作效率较高且不易出错，便于临床大规模应用。综上所述，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。
Claims (10)
1.一种TIMI心肌灌注帧数获取方法，其特征在于，所述TIMI心肌灌注帧数获取方法包括：
获取冠脉造影影像；
利用深度学习网络模型确定造影剂传导起始时刻；
利用深度学习网络模型确定造影剂传导终止时刻；
获取所述传导起始时刻和所述传导终止时刻之间的帧数。
2.根据权利要求1所述的TIMI心肌灌注帧数获取方法，其特征在于：
所述传导起始时刻为造影剂在关键位置开始显影的时刻；所述关键位置为支架位置或狭窄位置；
所述传导终止时刻为造影剂在心外膜冠状动脉中完全不显影的时刻。
3.根据权利要求1所述的TIMI心肌灌注帧数获取方法，其特征在于，获取所述传导起始时刻和所述传导终止时刻之间的帧数的实现方法包括：
获取所述冠脉影像中相邻两帧的时间间隔；
根据所述传导起始时刻、所述传导终止时刻和所述时间间隔获取所述传导起始时刻和所述传导终止时刻之间的帧数。
4.根据权利要求1所述的TIMI心肌灌注帧数获取方法，其特征在于，利用深度学习网络模型确定造影剂传导起始时刻的一种实现方法包括：
将所述冠脉影像作为第一深度学习网络模型的输入，所述第一深度学习网络模型的输出即为所述造影剂传导起始时刻；
所述第一深度学习网络由多个第一训练数据对训练得来；各所述第一训练数据对包括冠脉影像以及该冠脉影像对应的传导起始时刻。
5.根据权利要求1所述的TIMI心肌灌注帧数获取方法，其特征在于，利用深度学习网络模型确定造影剂传导起始时刻的一种实现方法包括：
利用第二深度学习网络模型获得传导起始帧；所述传导起始帧对应的时刻即为所述造影剂传导起始时刻；
所述第二深度学习网络由多个第二训练数据对训练得来；各所述第二训练数据对包括冠脉影像以及该冠脉影像对应的传导起始帧。
6.根据权利要求1所述的TIMI心肌灌注帧数获取方法，其特征在于，利用深度学习网络模型确定造影剂传导终止时刻的一种实现方法包括：
将所述冠脉影像作为第三深度学习网络模型的输入，所述第三深度学习网络模型的输出即为所述造影剂传导终止时刻；
所述第三深度学习网络由多个第三训练数据对训练得来；各所述第三训练数据对包括冠脉影像以及该冠脉影像对应的传导终止时刻。
7.根据权利要求1所述的TIMI心肌灌注帧数获取方法，其特征在于，利用深度学习网络模型确定造影剂传导终止时刻的一种实现方法包括：
利用第四深度学习网络模型获得传导终止帧；所述传导终止帧对应的时刻即为所述造影剂传导终止时刻；
所述第四深度学习网络由多个第四训练数据对训练得来；各所述第四训练数据对包括冠脉影像以及该冠脉影像对应的传导终止帧。
8.根据权利要求5或7所述的TIMI心肌灌注帧数获取方法，其特征在于：
所述冠脉影像的帧上携带有时间戳；所述传导起始帧和/或所述传导终止帧对应的时刻可以根据所述时间戳获得。
9.一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权利要求1至8中任一项所述的TIMI心肌灌注帧数获取方法。
10.一种电子设备，其特征在于，所述电子设备包括：
存储器，用于存储计算机程序；
处理器，与所述存储器相连，用于执行所述存储器存储的计算机程序，以使所述电子设备执行权利要求1至8中任一项所述的TIMI心肌灌注帧数获取方法；
显示器，与所述处理器和所述存储器通信相连，用于显示所述TIMI心肌灌注帧数获取方法的相关GUI交互界面。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911221425.4A CN111084631B (zh) | 2019-12-03 | 2019-12-03 | 一种timi心肌灌注帧数获取方法、介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911221425.4A CN111084631B (zh) | 2019-12-03 | 2019-12-03 | 一种timi心肌灌注帧数获取方法、介质及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111084631A true CN111084631A (zh) | 2020-05-01 |
| CN111084631B CN111084631B (zh) | 2023-09-08 |
Family
ID=70393963
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911221425.4A Active CN111084631B (zh) | 2019-12-03 | 2019-12-03 | 一种timi心肌灌注帧数获取方法、介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111084631B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010117025A1 (ja) * | 2009-04-10 | 2010-10-14 | 株式会社 日立メディコ | 超音波診断装置、および、血流動態の分布像の構成方法 |
| CN107978371A (zh) * | 2017-11-30 | 2018-05-01 | 博动医学影像科技（上海）有限公司 | 快速计算微循环阻力的方法及系统 |
| CN108550388A (zh) * | 2018-01-12 | 2018-09-18 | 深圳科亚医疗科技有限公司 | 基于血管造影的计算血管血流参数的装置和系统 |
| 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 |
| US20190029519A1 (en) * | 2016-04-29 | 2019-01-31 | Siemens Healthcare Gmbh | Enhanced personalized evaluation of coronary artery disease using an integration of multiple medical imaging techniques |
| CN109805949A (zh) * | 2019-03-19 | 2019-05-28 | 苏州润迈德医疗科技有限公司 | 基于压力传感器和造影图像计算血流储备分数的方法 |
| CN110490974A (zh) * | 2018-09-19 | 2019-11-22 | 北京昆仑医云科技有限公司 | 用于确定血管中血流速度的方法、系统、装置和介质 |
| US20190357778A1 (en) * | 2018-05-23 | 2019-11-28 | Acist Medical Systems, Inc. | Flow measurement using image data |
-
2019
- 2019-12-03 CN CN201911221425.4A patent/CN111084631B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010117025A1 (ja) * | 2009-04-10 | 2010-10-14 | 株式会社 日立メディコ | 超音波診断装置、および、血流動態の分布像の構成方法 |
| US20190029519A1 (en) * | 2016-04-29 | 2019-01-31 | Siemens Healthcare Gmbh | Enhanced personalized evaluation of coronary artery disease using an integration of multiple medical imaging techniques |
| CN107978371A (zh) * | 2017-11-30 | 2018-05-01 | 博动医学影像科技（上海）有限公司 | 快速计算微循环阻力的方法及系统 |
| CN108550388A (zh) * | 2018-01-12 | 2018-09-18 | 深圳科亚医疗科技有限公司 | 基于血管造影的计算血管血流参数的装置和系统 |
| 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 |
| US20190357778A1 (en) * | 2018-05-23 | 2019-11-28 | Acist Medical Systems, Inc. | Flow measurement using image data |
| CN110490974A (zh) * | 2018-09-19 | 2019-11-22 | 北京昆仑医云科技有限公司 | 用于确定血管中血流速度的方法、系统、装置和介质 |
| CN109805949A (zh) * | 2019-03-19 | 2019-05-28 | 苏州润迈德医疗科技有限公司 | 基于压力传感器和造影图像计算血流储备分数的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111084631B (zh) | 2023-09-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10803994B2 (en) | Vascular flow assessment | |
| US10580526B2 (en) | System and method for calculating vessel flow parameters based on angiography | |
| US20210358634A1 (en) | Systems and methods for image processing to determine blood flow | |
| US20220277447A1 (en) | Method and apparatus for acquiring contour line of blood vessel according to centerline of blood vessel | |
| CN112384137B (zh) | 基于造影图像获取静息态下血管评定参数的方法及装置 | |
| CN105361869B (zh) | 血压测量 | |
| Müller et al. | Impact of baseline coronary flow and its distribution on fractional flow reserve prediction | |
| CN110731789B (zh) | 一种冠脉微血管阻力指数获取方法、介质及设备 | |
| CN107582041A (zh) | 管状构造解析装置及管状构造解析方法 | |
| KR102620470B1 (ko) | 관상 동맥의 혈류역학적 파라미터의 환자별 모델링 | |
| WO2021087967A1 (zh) | 基于生理参数获取血管评定参数的方法、装置及存储介质 | |
| CN110786842B (zh) | 测量舒张期血流速度的方法、装置、系统及存储介质 | |
| CN109222980A (zh) | 基于深度学习的测量冠状动脉造影图像血管直径的方法 | |
| JP2015097724A (ja) | 血管解析装置及び血管解析プログラム | |
| WO2021031355A1 (zh) | 测量无波形期压力、比率方法、装置、系统及存储介质 | |
| CN116486211A (zh) | 一种模型训练方法、血流储备分数计算方法、装置及设备 | |
| WO2020083390A1 (zh) | 获取心表大动脉的血流量的方法、装置、系统及存储介质 | |
| CN111084631B (zh) | 一种timi心肌灌注帧数获取方法、介质及电子设备 | |
| Hair et al. | Effect of patient-specific coronary flow reserve values on the accuracy of MRI-based virtual fractional flow reserve | |
| CN110929604A (zh) | 基于造影图像的流速的筛选方法、装置、系统和存储介质 | |
| EP4005472B1 (en) | Method and apparatus for correcting blood flow velocity on the basis of interval time between angiographic images | |
| CN117617986A (zh) | 微循环阻力指数的确定方法、装置及电子设备 | |
| CN118247221A (zh) | 基于特异性冠脉血流模型的血流储备分数评估方法及装置 | |
| EA042942B1 (ru) | Специфическое для пациента моделирование гемодинамических параметров в коронарных артериях | |
| Van de Graaf | In search of sharp fat contours |
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 |