CN111652881A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN111652881A
CN111652881A CN202010623469.6A CN202010623469A CN111652881A CN 111652881 A CN111652881 A CN 111652881A CN 202010623469 A CN202010623469 A CN 202010623469A CN 111652881 A CN111652881 A CN 111652881A
Authority
CN
China
Prior art keywords
coronary artery
model
flow reserve
deep learning
coronary
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
CN202010623469.6A
Other languages
English (en)
Inventor
冯立
宋湘芬
赵行
刘欣
向建平
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.)
Hangzhou Arteryflow Technology Co ltd
Original Assignee
Hangzhou Arteryflow 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 Hangzhou Arteryflow Technology Co ltd filed Critical Hangzhou Arteryflow Technology Co ltd
Priority to CN202010623469.6A priority Critical patent/CN111652881A/zh
Publication of CN111652881A publication Critical patent/CN111652881A/zh
Pending legal-status Critical Current

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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/50—Clinical applications
    • A61B6/504—Clinical applications involving diagnosis of blood vessels, e.g. by angiography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/50—Clinical applications
    • A61B6/507—Clinical applications involving determination of haemodynamic parameters, e.g. perfusion CT
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/149—Segmentation; Edge detection involving deformable models, e.g. active contour models
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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

Abstract

本申请涉及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。通过深度学习模型自动重构冠状动脉血管模型，并通过求解血流动力学控制方程获取功能学参数——血流储备分数。通过深度学习的方式自动化寻找冠状动脉中心线并自动分割出冠状动脉模型，大大减少了人工手动分割或者半自动分割的工作量和工作时间。另外基于集总参数模型的血流动力学计算，在出口边界耦合微循环阻力能够更加真实地模拟患者冠脉内的血液流动，更加准确地计算出血流储备分数。

Description

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
技术领域
本申请涉及计算机技术领域，特别是涉及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。
背景技术
冠状动脉血管造影曾被认为是诊断冠心病的“金标准”，但它只能定性地评价病变狭窄程度，却无法定量地评价病变狭窄对冠状动脉生理功能的影响，因此可能高估或低估病变的严重程度，导致需要治疗的病变没有处理或过度处理不需治疗的病变。1993年NicoPijls等提出了通过压力测定推算冠脉血流的新指标—血流储备分数(Fractional FlowReserve，FFR)。经过长期的基础与临床研究，FFR已经成为冠脉狭窄功能性评价的公认指标。
血流储备分数(FFR)是一种用于医疗诊断冠状动脉生理功能的参数，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，其等效压强比定义如下：冠状动脉在最大充血状态下，狭窄近端和心脏主动脉的压强的比值即为血流储备分数。
可通过侵入式测试获取FFR，例如诊断性心导管插入术，其可包括进行常规冠状动脉血管造影(CCA)以可使冠状动脉病变可视化，同时在静脉内施用腺苷诱导的条件下(冠状动脉处于最大充血状态)，计算由压强传感器获取的冠状动脉狭窄近端压强和心脏主动脉压强的比值从而得到FFR。侵入式测试的缺点在于会对患者造成增加的风险和更多的费用。
因此需要一种以非侵入式获取FFR的方法，降低诊断的风险和费用，此方法和系统需要提供患者冠状动脉特异性医学影像和患者生理信息。发明人发现，相关技术中，不论是冠状动脉中心线的提取过程，构建初始冠脉模型过程，得到最终的冠脉模型以及获得血流储备分数过程均存在改进空间。
发明内容
基于此，有必要针对上述技术问题，本申请公开了基于深度学习的冠脉重构和血流储备分数计算方法，包括：
步骤1，获取冠脉CT影像数据；将所述冠脉CT影像数据输入基于神经网络的二分类检测器模型以得到CT冠状动脉中心线种子点的检测结果；将所述冠脉CT影像数据、所述检测结果输入基于神经网络的追踪器模型以得到CT冠状动脉中心线追踪结果，所述追踪结果包括CT冠状动脉中心线的离散点集和各点的预测半径；
步骤2，构建评估函数，并利用所述评估函数、所述追踪结果分类所述冠脉CT影像数据中的各体素以获得冠状动脉初始模型；利用图像分割算法对所述冠状动脉初始模型进行优化获得冠状动脉最终模型；
步骤3，利用冠状动脉最终模型计算获得血流储备分数分布。
以下还提供了若干可选方式，但并不作为对上述总体方案的额外限定，仅仅是进一步的增补或优选，在没有技术或逻辑矛盾的前提下，各可选方式可单独针对上述总体方案进行组合，还可以是多个可选方式之间进行组合。
可选地，所述步骤1中，所述检测器模型预先经过如下训练：
输入检测训练集，所述检测训练集包括中心线体素和按照预设规则选取的样本体素；
所述检测器模型将所述检测训练集二分类得到所述检测结果；
利用第一损失函数评估所述检测结果并得到改进后的检测器模型；
所述追踪器模型预先经过如下训练：
输入追踪训练集，所述追踪训练集包括中心线体素和经在线增强处理的样本体素；
所述追踪器模型将所述追踪训练集分类回归同时预测中心线方向和半径得到追踪结果；
利用第二损失函数和第三损失函数评估所述追踪结果并得到改进后的追踪器模型。
可选地，所述样本体素包括在所述冠脉CT影像数据上间隔预设间距选取的若干个，所述预设间距为15个体素至45个体素。
可选地，所述第一损失函数为Focal损失函数。
可选地，所述第二损失函数为交叉熵(cross entropy，CE)损失函数，所述第三损失函数为均方误差(mean square error，MSE)损失函数。
可选地，所述追踪器模型将所述追踪训练集分类回归同时预测中心线方向和半径，其中方向分类应用经纬度划分，经度一共2π，纬度一共π。
可选地，所述步骤1中，所述追踪器模型对冠状动脉中心线进行迭代追踪且在迭代追踪中，将到达冠脉口的分支保留，否则移除作为备选，最后遍历备选分支，与保留分支有交集的存入所述追踪结果。
可选地，所述步骤2中，评估函数分类所述冠脉CT影像数据中的各体素时：
选取所述冠脉CT影像数据中的待评估体素、与该待评估体素最近的两个位于离散点集内的离散点，在两个离散点内按照预设规则选取中间点；
根据评估函数根据待评估体素-中间点的距离和所述中间点的预估半径之间的关系分类所述该待评估体素；
重复上述步骤，直至完成所有体素的评估。
可选地，基于所述中间点距离已知相邻离散点的长度通过线性或者非线性插值获取所述中间点的预估半径。
可选地，所步骤2中，所述图像分割算法至少包括如下的一种或多种：level sets算法，graph cut算法以及region growth算法。
可选地，所述步骤3中，对冠状动脉最终模型进行网格划分，并设置流动参数及边界条件，采用有限体积法和集总参数模型计算，得到血液的流速、压力及血流储备分数分布。
本申请公开了基于深度学习的冠脉重构和血流储备分数计算装置，包括：
第一模块，用于获取冠脉CT影像数据；
第二模块，用于将所述冠脉CT影像数据输入深度神经网络模型，得到冠状动脉中心线追踪结果，基于所述追踪结果计算得到冠状动脉最终模型，并计算得到冠状动脉的血流储备分数分布，所述第二模块实现了上述技术方案中基于深度学习的冠脉重构和血流储备分数计算方法。
本申请公开了计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述技术方案中的基于深度学习的冠脉重构和血流储备分数计算方法。
本申请公开了计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被计算机处理器执行时实现上述技术方案中的基于深度学习的冠脉重构和血流储备分数计算方法。
上述基于深度学习的冠脉重构和血流储备分数计算方法、装置、计算机设备和存储介质，本申请通过基于神经网络的检测器模型和追踪器模型实现CT冠状动脉中心线种子点的自动检测以及基于种子点的CT冠状动脉中心线自动追踪；同时此方法和系统还可在不能直接测量的条件下(例如运动，体质过敏不适)获取FFR，预测冠状动脉血流和心机灌注的医疗治疗、介入治疗和手术治疗的结果。
本发明方法和系统通过深度学习模型自动获取病人特异性冠状动脉三维几何结构，依据这些患者特异性参数信息，医学统计大数据信息，或者心脏和冠状动脉的集总模型，确定并优化边界条件和血液特征参数，进而求解血液动力学控制方程，通过计算流体力学(Computational Fluid Dynamics，CFD)精确计算获取患者冠状动脉FFR云图分布(包括狭窄区域的FFR值)。具有提取效果好，鲁棒性高的优点，计算结果准确，在临床上具有较高的推广价值。
附图说明
图1a为本申请中冠状动脉中心线提取方法流程示意图；
图1b为本申请中基于冠脉重构的血流储备分数计算方法流程示意图；
图1c为一实施例中检测器模型的结构示意图；
图1d为一实施例中追踪器模型的结构示意图；
图1e为一实施例中追踪器模型中方向分类按经纬度划分示意图；
图1f为一实施例中计算机设备的内部结构图；
图2a至图2d为两例冠状动脉中心线标签(左)和采用本申请提供的方法得到的冠状动脉中心线提取结果(右)对比图(图中圆点为冠脉口)；
图3a为评估函数分类待评估体素示意图；
图3b为根据评估函数得到的冠状动脉初始模型示意图；
图3c为本申请中冠脉模型FFR计算结果分布示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请公开了基于深度学习的冠脉重构和血流储备分数计算方法，包括：
步骤1，获取冠脉CT影像数据；将冠脉CT影像数据输入基于神经网络的二分类检测器模型以得到CT冠状动脉中心线种子点的检测结果；将冠脉CT影像数据、检测结果输入基于神经网络的追踪器模型以得到CT冠状动脉中心线追踪结果，追踪结果包括CT冠状动脉中心线的离散点集和各点的预测半径；
步骤2，构建评估函数，并利用评估函数、追踪结果分类冠脉CT影像数据中的各体素以获得冠状动脉初始模型；利用图像分割算法对冠状动脉初始模型进行优化获得冠状动脉最终模型；
步骤3，利用冠状动脉最终模型计算获得血流储备分数分布。
本方法的主要目的在于通过深度学习模型自动重构冠状动脉血管模型，并通过求解血流动力学控制方程获取功能学参数，血流储备分数。其中冠脉CT影像数据可由计算机断层成像造影(CTA)、旋转造影(RA)、核磁共振成像造影(MRA)和数字减影造影(DSA)等方法获取。
在各步骤的逻辑上，满足一以下基本构思：
1.通过深度学习的神经网络模型在冠脉CT影像数据(冠脉CTA影像)中寻找中心线及相应中心线上点的最大内切球直径参数；
2.根据寻找的中心线和最大内切球直径构建冠状动脉初始模型；
3.结合冠状动脉初始模型和原始的冠脉CTA影像，应用图像分割算法(例如levelsets或其他分割算法)获得冠状动脉最终模型；
4.由冠状动脉最终模型，将集总参数模型耦合到冠脉出口，应用血流动力学计算获得血流储备分数。
下文将针对本方法各步骤展开描述。
就冠状动脉中心线的提取过程而言，现有的基于追踪的冠状动脉中心线的提取方法过程中，种子点的检测和基于种子点进行中心线的追踪上均存在改进的空间。
冠状动脉中心线种子点的自动检测是基于追踪的中心线提取任务的前提条件。传统的检测方法手工设计的特征对于冠状动脉分支多样性的变化没有很好的鲁棒性，随着人工智能及深度学习的发展，基于神经网络的检测器可自动学习及提取有用特征，处理各种复杂的医学分析任务。
基于追踪的冠状动脉中心线提取方法从人工或自动放置在冠状动脉中心线上任意位置的单个种子点开始，使用追踪器同时预测方向和半径，沿两个方向追踪中心线，当无法高度确定方向时，追踪终止。该类方法搜寻稀疏因此计算开销较低，但对动脉的不连续性和狭窄较为敏感，分支追踪易提早终止，出现断裂遗漏情况。
参考图1a，公开了本申请中冠状动脉中心线提取流程；包括：
获取冠脉CT影像数据；
将冠脉CT影像数据输入基于神经网络的二分类检测器模型，得到CT冠状动脉中心线种子点的检测结果；
将冠脉CT影像数据、检测结果输入基于神经网络的追踪器模型，得到CT冠状动脉中心线追踪结果。
在一实施例中，检测器模型预先经过如下训练：
输入检测训练集，检测训练集包括中心线体素和按照预设规则选取的样本体素；
检测器模型将检测训练集二分类得到检测结果；
利用第一损失函数评估检测结果并得到改进后的检测器模型。
相关技术不同，计算机一般得到是体素与假定的中心线之间的距离，并以此来判定该体素是否为种子点。而本实施例中，检测器模型直接得到二分类结果，输出种子点的检测结果。
训练样本的选取对于本申请中的检测器模型的工作效果起着重要的作用。在一实施例中，样本体素除包括中心线体素外，还包括在冠脉CT影像数据上间隔预设间距选取的若干个，预设间距为15个体素至45个体素。
相关技术中，在训练类似模型时，检测训练集一般只包括假定的中心线上的体素和假定的中心线附近的体素，训练得到的模型一般鲁棒性较差。本实施例通过在整个冠脉CT影像数据中按照预设间距选取体素加入检测训练集中，训练得到的模型鲁棒性好，检测效果较好。进一步地，基于神经网络的检测器模型的检测训练集获取方式为：间隔30体素取样本，加上中心线所有体素作为训练数据。
在训练过程中，需要利用损失函数评估模型的预测值与真实值差异程度，从而有针对性地更新模型。在一实施例中，第一损失函数为Focal损失函数。Focal损失函数可有效解决正负样本比例严重失衡问题，通过估量检测器模型的预测值与真实值的不一致程度，更新模型以得到最优的检测器模型。
步骤1重点在于通过深度学习的方法生成中心线的种子点，并且基于种子点通过深度学习的方法生成中心线。下文中详细介绍步骤1的实现方式：
具体地，本实施例提供了基于神经网络的CT冠状动脉中心线种子点检测方法，包括：
获取冠脉CT影像数据；
将冠脉CT影像数据输入基于神经网络的二分类检测器模型，得到CT冠状动脉中心线种子点检测结果。
基于神经网络的检测器模型训练数据获取方式为：间隔30体素取样本，加上中心线所有体素作为训练数据；
如图1c所示，基于神经网络的检测器模型包括7个编码块，第1-5编码块包含1个3×3×3卷积层(步长为1，零填充数为1)，每个卷积层后添加有一个批量归一化层(即BN层，加速网络收敛)和一个ReLU激活层，其中第3-4个编码块包含空洞卷积(空洞率分别为2和4)。第6-7编码块包含1个1×1×1卷积层(步长为1，无零填充数)。7个编码块的特征通道数依次为32、32、32、32、64、64、2；
在其中一个实施例中，检测器的训练过程包括：
步骤1-1-1，在进行冠状动脉中心线种子点的检测器训练时，使用He初始化进行神经网络的权重初始化，设置初始学习率＝0.01，分块大小＝4096，迭代批次＝250。记当前迭代批次epoch＝0，进入步骤1-1-2；
步骤1-1-2，将1053839训练集随机划分为258个分块(batch)，除最后一个batch仅包含1167，其余batch包含4096。记当前分块batch＝0，进入步骤1-1-3；
步骤1-1-3，将当前batch输入基于神经网络的检测器模型，进入步骤1-1-4；
步骤1-1-4，采用Focal损失函数估量网络模型的预测值与真实值的不一致程度，通过Adam优化函数使用反向传播(BP)算法逐层更新网络参数。更新batch＝batch+1，若batch<258，则进入步骤1-1-3，反之则进入步骤1-1-5；
步骤1-1-5，生成备选检测器，若损失下降，则保存当前备选检测器。更新epoch＝epoch+1，若epoch是50的倍数，则将学习率乘0.1，若epoch<250，则进入步骤1-1-2，反之进入步骤1-1-6；
步骤1-1-6，训练结束，保存最佳备选检测器，作为用于生成种子点的检测器。
本实施例的创新点在于：
1、间隔30体素取样本，加上中心线所有体素作为检测训练集。若为中心线样本，则分类标签为1，其余为0；
2、采用Focal损失函数估量网络模型的预测值与真实值的不一致程度，进行二分类检测器模型的训练；
3、当检测器模型得到检测结果后，继续利用基于神经网络的追踪器模型根据检测结果作为初始种子点进行中心线的迭代追踪。
参考一实施例中，基于神经网络的CT冠状动脉中心线追踪方法，包括：
获取冠脉CT影像数据；
获取中心线n个种子点；
将冠脉CT影像数据和中心线n个种子点输入基于神经网络的追踪器模型进行冠状动脉中心线的迭代追踪，得到CT冠状动脉中心线提取结果。
本申请中的追踪器模型的工作效果取决于训练过程。在一实施例中，追踪器模型预先经过如下训练：
输入追踪训练集，所述追踪训练集包括中心线体素和经在线增强处理的样本体素；
追踪器模型将所述追踪训练集分类回归同时预测中心线方向和半径得到追踪结果；
利用第二损失函数和第三损失函数评估追踪结果并得到改进后的追踪器模型。
与相关技术不同的是，本实施例中基于神经网络的追踪器模型同时预测方向和半径，其方向分类应用经纬度进行划分。具体的参考一实施例中，追踪器模型将所述追踪训练集分类回归同时预测中心线方向和半径，其中方向分类应用经纬度划分，经度一共2π，纬度一共π。进一步地，本实施例中选取经线30条，纬线15条，得到共422个方向点，即方向分类数为422；
在形成最后的追踪结果时，如背景技术中提到的，相关技术中分支追踪易提早终止，出现断裂遗漏情况，造成结果的不准确。本实施例中，追踪器模型对冠状动脉中心线进行迭代追踪且在迭代追踪中，将到达冠脉口的分支保留，否则移除作为备选，最后遍历备选分支，与保留分支有交集的存入追踪结果。在具体的执行过程中，冠状动脉中心线的迭代追踪方案为：初期只存入覆盖冠脉口的分支，再将与之有交集的分支存入，减少分支误移除率。
具体地，本实施例公开了基于神经网络的CT冠状动脉中心线提取方法，包括：
获取冠脉CT影像数据；
获取中心线n个种子点(本实施例中n为200)；
将冠脉CT影像数据和中心线n个种子点输入基于神经网络的追踪器模型进行冠状动脉中心线的迭代追踪，得到CT冠状动脉中心线提取结果。
如图1e所示，基于神经网络的追踪器模型同时预测方向和半径，其方向分类应用经纬度进行划分：经度一共2π，纬度一共π，本实施例中选取经线30条，纬线15条，得到共422个方向点，即方向分类数为422；
如图1d所示，基于神经网络的追踪器模型包括7个编码块，第1-5编码块包含1个3×3×3卷积层(步长为1，零填充数为1)，每个卷积层后添加有一个批量归一化层(即BN层，加速网络收敛)和一个ReLU激活层，其中第3-4个编码块包含空洞卷积(空洞率分别为2和4)。第6-7编码块包含1个1×1×1卷积层(步长为1，无零填充数)。7个编码块的特征通道数依次为32、32、32、32、64、64、423；
其中，第7编码块的423通道中：
422通道输出422个方向分类概率值；
1通道输出半径回归值。
在其中一个实施例中，追踪器的训练过程包括：
步骤1-2-1，在进行冠状动脉中心线的追踪器训练时，使用He初始化进行神经网络的权重初始化，设置初始学习率＝0.01，分块大小＝128，迭代批次＝250。记当前迭代批次epoch＝0，进入步骤1-2-2；
步骤1-2-2，对初始的训练集进行在线的平移和旋转增强，对当前中心点进行3D正态分布(μ＝0，σ＝0.25R)的随机平移，对平移点patch按x、y或z轴进行3D随机旋转，进入步骤1-2-3；
步骤1-2-3，将26374训练集随机划分为207个分块(batch)，除最后一个batch仅包含6，其余batch包含128。记当前分块batch＝0，进入步骤1-2-4；
步骤1-2-4，将当前batch输入基于神经网络的追踪器模型，进入步骤1-2-5；
步骤1-2-5，应用交叉熵损失函数(第二损失函数)和均方误差损失函数(第三损失函数)分别估量网络模型的方向和半径预测值与真实值的不一致程度，通过Adam优化函数使用BP算法逐层更新网络参数。更新batch＝batch+1，若batch<207，则进入步骤1-2-4，反之则进入步骤1-2-6；
步骤1-2-6，生成备选追踪器，若损失下降，则保存当前备选追踪器。更新epoch＝epoch+1，若epoch是50的倍数，则将学习率乘0.1，若epoch<250，则进入步骤1-2-2，反之进入步骤1-2-7；
步骤1-2-7，训练结束，保存最佳备选追踪器，作为用于同时预测中心线方向和半径的追踪器。
冠状动脉中心线的迭代追踪中，将到达冠脉口的分支保留，否则移除作为备选，最后遍历备选分支，与保留分支有交集的存入。
由图2a至图2d可知，本申请方法可较准确地提取冠状动脉中心线。
本实施例的创新点在于：
1、方向分类的划分。应用经纬度划分，经度一共2π，纬度一共π，取经线30条，纬线15条，得到共422个方向点，即方向分类数为422。
2、冠状动脉中心线提取的追踪方案。该类基于追踪的方法对动脉的不连续性和狭窄较为敏感，分支追踪易提早终止，由于没有到达冠脉口而被误移除，出现断裂遗漏情况，基于此，我们提供一种更准确有效的追踪方案：初期只存入覆盖冠脉口的分支，再将与之有交集的分支存入，减少分支误移除率。
应该理解的是，虽然图中的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
结合上述方法，不难理解的，本申请还公开了基于神经网络的CT冠状动脉中心线种子点检测和追踪装置，包括：
第一模块，用于获取冠脉CT影像数据；
第二模块，用于将冠脉CT影像数据输入深度神经网络模型，得到冠状动脉中心线提取结果，深度神经网络模型为上述技术方案中的深度神经网络模型。
上述技术方案中的深度神经网络模型可以是单独的检测器模型，也可以是单独的追踪器模型，也可以是检测器模型和追踪器模型的结合，具体的参见上文的相关表述，在此不再赘述。
上述基于神经网络的CT冠状动脉中心线种子点检测和追踪装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
本申请还公开了计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述技术方案中的基于神经网络的CT冠状动脉中心线种子点检测和追踪方法。
基于神经网络的CT冠状动脉中心线种子点检测和追踪方法详见上文的相关表述，在此不再赘述。
上文中的计算机设备可以是终端，其内部结构图可以如图1f所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于神经网络的CT冠状动脉中心线种子点检测和追踪方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图1f中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
本申请还公开了计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被计算机处理器执行时实现上述技术方案中的基于神经网络的CT冠状动脉中心线种子点检测和追踪方法。
基于神经网络的CT冠状动脉中心线种子点检测和追踪方法详见上文的相关表述，在此不再赘述。
至此，本领域技术人员通过上述表述可以获得冠状动脉中心线追踪结果，追踪结果包括CT冠状动脉中心线的离散点集和各点的预测半径。结合该数据，本申请公开的方法能够获得冠状动脉初始模型。
参考一实施例中，步骤2中，评估函数分类冠脉CT影像数据中的各体素时：
选取冠脉CT影像数据中的待评估体素、与该待评估体素最近的两个位于离散点集内的离散点，在两个离散点内按照预设规则选取中间点；
根据评估函数根据待评估体素-中间点的距离和中间点的预估半径之间的关系分类该待评估体素；
重复上述步骤，直至完成所有体素的评估。
通过评估函数的分类操作按照体素是否位于冠脉初始包络面内将各体素分成两类，从而得到冠状动脉初始模型。在计算待评估体素是否位于冠脉初始包络面内是，中间点的预估半径较为重要，参考一实施例中，基于中间点距离已知相邻离散点的长度通过线性或者非线性插值获取中间点的预估半径。
不难理解的，上述步骤中得到的冠状动脉初始模型和实际可能还存在差距，需要进行相应的优化处理。参考一实施例中，所述步骤2中，图像分割算法至少包括如下的一种或多种：level sets算法，graph cut算法以及region growth算法。
步骤2重点在于通过上述中心线自动生成冠脉模型。下文中详细介绍步骤2的实现方式：
具体的，由上述步骤获得冠状动脉中心线和中心线上个点处表征的最大内切球半径，在本步骤中将自动分割出冠脉模型。
步骤2-1，首先基于中心线及中心线上地离散点画出冠脉初始包络面，如图3a所示，A，B两点为中心线上离散点，对应地最大内切球半径为RA，RB。对于空间上任意一点X或者医学影像所表征的任意一个体素X，其空间位置为(xX，yX，zX)。计算出该点或者体素与中心线地距离D和与中心线的交点C(xC，yC，zC)。点C处的最大内切球半径基于距离已知相邻离散点A和B的长度通过线性或者非线性插值获取RC。构建评估函数：
F＝(xX-xC)2+(yX-yC)2+(zX-zC)2-RC 2
若函数F值<0，则表征该点或体素在冠脉初始包络面内，最后获得冠脉初始包络面模型。
步骤2-2，基于上述初始冠脉模型和原始CTA影像进行更加详细的分割获取最终的冠脉模型。
可以采用level sets，graph cut，region growth等方法对初始模型进行优化，直至边界收敛到最佳位置获得最终模型。
水平集演化公式采用：
Figure BDA0002563894270000121
Figure BDA0002563894270000122
Figure BDA0002563894270000123
其中w1，w2，w3分别代表权重系数。最后通过marching cubes算法提取F(x，t)的零水平集得到最佳模型。
通过图像分割算法处理以后可以冠状动脉最终模型，以满足后期FFR计算需求。
参考一实施例中，步骤3中，对冠状动脉最终模型进行网格划分，并设置流动参数及边界条件，采用有限体积法和集总参数模型计算，得到血液的流速、压力及血流储备分数分布。
步骤3重点在于通过冠脉模型计算血流储备分数，下文中详细介绍步骤3的实现方式：
具体的，本方法基于流体力学控制方程和集总参数模型(lumped parametermodel，LPM)，计算冠状动脉血管内血液状态，输出流速，压力，FFR值等计算结果。
对上述冠脉模型进行网格划分，并设置流动参数及边界条件，采用有限体积法(FVM)进行计算，得到血液的流速、压力及FFR值等计算结果并进行显示。
设置流动参数。假设血液为不可压缩牛顿流体，其密度及粘性系数均为常数。
设置边界条件。所述边界条件包括血流入口边界条件、血流出口边界条件、血管壁面边界条件中的一种或多种。
所述血流入口边界条件包括血流压力入口边界条件、血流流量入口边界条件、血流速度入口边界条件中的一种或多种；血流压力入口边界条件中，入口压力由患者特异性血压决定；血流流量入口边界条件及血流速度入口边界条件中，入口流量及速度由患者特异性左心室心肌质量及所需供血量决定。
所述血流出口边界条件包括采用集总参数模型(LPM)方法的模拟电路出口边界条件。在该边界条件中，电流代表血流量，电压代表血压，电阻代表血液流动阻力。血液流动阻力由血管横截面积比例进行分配，并在计算过程中不断进行修正。在计算中，出口边界条件包括由电阻与流量得到压力的给定压力边界条件，及由电阻与压力得到流量的给定流量边界条件。
所述血管壁面边界条件包括无滑移刚性壁面边界条件。刚性壁面边界条件假设血管壁在计算中不发生变形，能够很好地简化计算过程。
冠脉模型的血流动力学计算。在对上述冠脉模型进行网格划分，并设置上述流动参数及边界条件之后，对模型进行血流动力学计算。采用有限体积计算方法，在每个网格内求解稳态三维流动方程，得到血流的压力、速度及FFR值等量，并将结果进行显示。
在其中一个实施例中，所述计算过程包括：
步骤3-1，对冠脉模型进行网格划分。网格划分有多种不同的方法和技术，网格也有多种不同类型。本实施例中采用四面体网格划分，网格量为210万。
步骤3-2，设置流动参数，求解初始电阻R。血流的密度ρ及粘性系数μ均设置为常数。冠脉模型的电阻R由主动脉入口压力Pa及充血状态下的主动脉入口流量Q得到：
Figure BDA0002563894270000134
主动脉入口压力Pa与患者的特异性血压相关，主动脉入口流量Q与患者的特异性左心室心肌质量及需求血量相关。主动脉出口及冠脉各出口电阻为并联关系，由于冠脉血流量约只占主动脉入口总血流量的4％，故主动脉出口电阻和冠脉各出口电阻的大小可得到：
Figure BDA0002563894270000131
Figure BDA0002563894270000132
其中，r为冠脉出口血管横截面半径，γ取值范围为2.5～3。
步骤3-3，设置边界条件。
本实施例中，血流入口边界条件为流量入口边界条件，即给定入口流量为Q，在计算中保持不变。
本实施例中，血流出口边界条件为采用集总参数模型(LPM)方法的模拟电路出口边界条件，通过CFD计算得到出口的流量，利用压力和流量的关系Pi＝Qi·Ri，得到新的出口压力，并作为下一迭代的CFD计算的边界条件。在计算第一次迭代时，先给定一个假设的出口压力
Figure BDA0002563894270000133
本实施例中，血管壁面边界条件为无滑移刚性壁面边界条件，即认为血管在计算中不发生变形，且壁面处的血流速度为零。
步骤3-4，流动参数及边界条件设置完成后，进入流动方程的迭代求解。由于流动为不可压缩流动，且血流的温度并不在感兴趣范围内，因此只需求解质量守恒方程和动量守恒方程即可。
稳态常物性不可压缩牛顿流体的质量守恒方程为：
Figure BDA0002563894270000145
其中，V为血流速度矢量；
动量守恒方程为：
Figure BDA0002563894270000146
其中，ρ为血流密度，μ为血流粘性系数，P为血流压力。
利用有限体积法(FVM)在离散网格上求解上述方程的离散形式，得到流场的压力、速度等物理量的分布。
步骤3-5，根据CFD计算结果对电阻R进行修正并更新。为保证计算得到的入口压力、流量与患者特异性压力、流量相吻合，需对总电阻R作出如下修正：
Figure BDA0002563894270000141
其中，
Figure BDA0002563894270000142
为修正后的冠脉出口电阻，将其代替原冠脉出口电阻Ri，进行电阻值的更新；α为电阻修正系数，其计算方法包括但不限制于以下几种：
1.采用冠脉模型出口横截面积、CFD计算得到的模型入口、出口压力与初始电阻的关系计算：出口压力为CFD计算得到的出口压力Pj时，根据初始出口电阻得到的流量Qj，与初始忽略冠脉模型压降时，根据出口横截面积分配直接得到的流量
Figure BDA0002563894270000143
的比值计算电阻修正系数α；
2.采用CFD计算得到的入口压力Pin与患者特异性入口压力Pa的关系进行计算：由Pa与Pin的比值计算电阻修正系数α；
3.也可采用其他经验公式等计算电阻修正系数α，只要能够保证最终迭代计算得到的冠脉模型入口压力和流量与患者特异性压力和流量相匹配即可。
在本实施例中，采用方法2计算电阻修正系数α，即：
Figure BDA0002563894270000144
步骤3-6，更新边界条件。血流入口边界条件、血管壁面边界条件保持不变，根据CFD计算结果更新出口边界条件。本实施例中，血流出口边界条件为采用集总参数模型(LPM)方法的模拟电路出口边界条件，通过CFD计算得到出口的流量Qi，利用压力和流量的关系Pi＝Qi·Ri，得到新的出口压力，并作为下一迭代的CFD计算的边界条件，对原出口边界条件进行更新，即
Figure BDA0002563894270000151
步骤3-7，计算残差，若残差小于给定值，则计算收敛，进入步骤3-8，反之进入步骤3-3；
步骤3-8，流体动力学计算结束，得到血流的速度和压力。计算血流储备分数，根据FFR＝P/Pa，得到冠脉模型的FFR分布，并进行显示输出。本实施例的计算结果见图3c；
步骤3-9，计算结束。
基于上述的方法，不难理解的，本申请还公开了基于深度学习的冠脉重构和血流储备分数计算装置，包括：
第一模块，用于获取冠脉CT影像数据；
第二模块，用于将冠脉CT影像数据输入深度神经网络模型，得到冠状动脉中心线追踪结果，基于追踪结果计算得到冠状动脉最终模型，并计算得到冠状动脉的血流储备分数分布，第二模块实现了上述技术方案中基于深度学习的冠脉重构和血流储备分数计算方法。
上述基于深度学习的冠脉重构和血流储备分数计算装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
本申请还公开了计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述技术方案中的基于深度学习的冠脉重构和血流储备分数计算方法。
基于深度学习的冠脉重构和血流储备分数计算方法详见上文的相关表述，在此不再赘述。
上文中的计算机设备可以是终端，其内部结构图可以如图1f所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于深度学习的冠脉重构和血流储备分数计算方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图1f中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
本申请公开了计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被计算机处理器执行时实现上述技术方案中的基于深度学习的冠脉重构和血流储备分数计算方法。
基于深度学习的冠脉重构和血流储备分数计算方法详见上文的相关表述，在此不再赘述。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。不同实施例中的技术特征体现在同一附图中时，可视为该附图也同时披露了所涉及的各个实施例的组合例。
以上实施例仅表达了本申请的几种实施方式，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，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.基于深度学习的冠脉重构和血流储备分数计算方法，其特征在于，包括：
步骤1，获取冠脉CT影像数据；将所述冠脉CT影像数据输入基于神经网络的二分类检测器模型以得到CT冠状动脉中心线种子点的检测结果；将所述冠脉CT影像数据、所述检测结果输入基于神经网络的追踪器模型以得到CT冠状动脉中心线追踪结果，所述追踪结果包括CT冠状动脉中心线的离散点集和各点的预测半径；
步骤2，构建评估函数，并利用所述评估函数、所述追踪结果分类所述冠脉CT影像数据中的各体素以获得冠状动脉初始模型；利用图像分割算法对所述冠状动脉初始模型进行优化获得冠状动脉最终模型；
步骤3，利用冠状动脉最终模型计算获得血流储备分数分布。
2.根据权利要求1所述的基于深度学习的冠脉重构和血流储备分数计算方法，其特征在于，所述步骤1中，所述检测器模型预先经过如下训练：
输入检测训练集，所述检测训练集包括中心线体素和按照预设规则选取的样本体素；
所述检测器模型将所述检测训练集二分类得到所述检测结果；
利用第一损失函数评估所述检测结果并得到改进后的检测器模型；
所述追踪器模型预先经过如下训练：
输入追踪训练集，所述追踪训练集包括中心线体素和经在线增强处理的样本体素；
所述追踪器模型将所述追踪训练集分类回归同时预测中心线方向和半径得到追踪结果；
利用第二损失函数和第三损失函数评估所述追踪结果并得到改进后的追踪器模型。
3.根据权利要求1所述的基于深度学习的冠脉重构和血流储备分数计算方法，其特征在于，所述步骤1中，所述追踪器模型对冠状动脉中心线进行迭代追踪且在迭代追踪中，将到达冠脉口的分支保留，否则移除作为备选，最后遍历备选分支，与保留分支有交集的存入所述追踪结果。
4.根据权利要求1所述的基于深度学习的冠脉重构和血流储备分数计算方法，其特征在于，所述步骤2中，评估函数分类所述冠脉CT影像数据中的各体素时：
选取所述冠脉CT影像数据中的待评估体素、与该待评估体素最近的两个位于离散点集内的离散点，在两个离散点内按照预设规则选取中间点；
根据评估函数根据待评估体素-中间点的距离和所述中间点的预估半径之间的关系分类所述该待评估体素；
重复上述步骤，直至完成所有体素的评估。
5.根据权利要求4所述的基于深度学习的冠脉重构和血流储备分数计算方法，其特征在于，基于所述中间点距离已知相邻离散点的长度通过线性或者非线性插值获取所述中间点的预估半径。
6.根据权利要求1所述的基于深度学习的冠脉重构和血流储备分数计算方法，其特征在于，所步骤2中，所述图像分割算法至少包括如下的一种或多种：level sets算法，graphcut算法以及region growth算法。
7.根据权利要求1所述的基于深度学习的冠脉重构和血流储备分数计算方法，其特征在于，所述步骤3中，对冠状动脉最终模型进行网格划分，并设置流动参数及边界条件，采用有限体积法计算，得到血液的流速、压力及血流储备分数分布。
8.基于深度学习的冠脉重构和血流储备分数计算装置，其特征在于，包括：
第一模块，用于获取冠脉CT影像数据；
第二模块，用于将所述冠脉CT影像数据输入深度神经网络模型，得到冠状动脉中心线追踪结果，基于所述追踪结果计算得到冠状动脉最终模型，并计算得到冠状动脉的血流储备分数分布，所述第二模块实现权利要求1至7中任一项基于深度学习的冠脉重构和血流储备分数计算方法。
9.计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的基于深度学习的冠脉重构和血流储备分数计算方法。
10.计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被计算机处理器执行时实现权利要求1至7中任一项所述的基于深度学习的冠脉重构和血流储备分数计算方法。
CN202010623469.6A 2020-07-01 2020-07-01 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 Pending CN111652881A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010623469.6A CN111652881A (zh) 2020-07-01 2020-07-01 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010623469.6A CN111652881A (zh) 2020-07-01 2020-07-01 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

Publications (1)

Publication Number Publication Date
CN111652881A true CN111652881A (zh) 2020-09-11

Family

ID=72345461

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010623469.6A Pending CN111652881A (zh) 2020-07-01 2020-07-01 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

Country Status (1)

Country Link
CN (1) CN111652881A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112617791A (zh) * 2020-12-22 2021-04-09 杭州晟视科技有限公司 一种模拟血管搏动的方法、装置及存储介质
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
CN114224484A (zh) * 2021-12-13 2022-03-25 杭州脉流科技有限公司 颅内动脉瘤的表面区域定位方法、装置、计算机设备和存储介质

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150282765A1 (en) * 2012-11-06 2015-10-08 Koninklijke Philips N.V. Fractional flow reserve (ffr) index
KR20160049420A (ko) * 2014-10-27 2016-05-09 강원대학교산학협력단 혈류 특성에 대한 다공질 물리 모델을 이용한 환자별 관상 동맥의 분획 혈류 예비력 결정 방법 및 시스템
US20170258433A1 (en) * 2016-03-10 2017-09-14 Siemens Healthcare Gmbh Method and System for Extracting Centerline Representation of Vascular Structures in Medical Images Via Optimal Paths in Computational Flow Fields
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
WO2018184779A1 (en) * 2017-04-06 2018-10-11 Koninklijke Philips N.V. Coronary artery disease metric based on estimation of myocardial microvascular resistance from ecg signal
CN108922580A (zh) * 2018-05-25 2018-11-30 杭州脉流科技有限公司 一种获取血流储备分数的方法、装置、系统和计算机存储介质
CN109461138A (zh) * 2018-09-29 2019-03-12 深圳睿心智能医疗科技有限公司 参数计算方法、系统、可读存储介质及计算机设备
US20190130578A1 (en) * 2017-10-27 2019-05-02 Siemens Healthcare Gmbh Vascular segmentation using fully convolutional and recurrent neural networks
US20190362494A1 (en) * 2018-05-25 2019-11-28 Shenzhen Keya Medical Technology Corporation Systems and methods for determining blood vessel conditions
CN110638438A (zh) * 2013-10-17 2020-01-03 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
WO2020053099A1 (en) * 2018-09-13 2020-03-19 Koninklijke Philips N.V. Calculating boundary conditions for virtual ffr and ifr calculation based on myocardial blush characteristics
CN111227822A (zh) * 2018-11-28 2020-06-05 苏州润心医疗器械有限公司 基于心肌血流量和ct图像的冠状动脉血流储备分数计算方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150282765A1 (en) * 2012-11-06 2015-10-08 Koninklijke Philips N.V. Fractional flow reserve (ffr) index
CN110638438A (zh) * 2013-10-17 2020-01-03 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
KR20160049420A (ko) * 2014-10-27 2016-05-09 강원대학교산학협력단 혈류 특성에 대한 다공질 물리 모델을 이용한 환자별 관상 동맥의 분획 혈류 예비력 결정 방법 및 시스템
US20170258433A1 (en) * 2016-03-10 2017-09-14 Siemens Healthcare Gmbh Method and System for Extracting Centerline Representation of Vascular Structures in Medical Images Via Optimal Paths in Computational Flow Fields
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
WO2018184779A1 (en) * 2017-04-06 2018-10-11 Koninklijke Philips N.V. Coronary artery disease metric based on estimation of myocardial microvascular resistance from ecg signal
US20190130578A1 (en) * 2017-10-27 2019-05-02 Siemens Healthcare Gmbh Vascular segmentation using fully convolutional and recurrent neural networks
CN108922580A (zh) * 2018-05-25 2018-11-30 杭州脉流科技有限公司 一种获取血流储备分数的方法、装置、系统和计算机存储介质
US20190362494A1 (en) * 2018-05-25 2019-11-28 Shenzhen Keya Medical Technology Corporation Systems and methods for determining blood vessel conditions
WO2020053099A1 (en) * 2018-09-13 2020-03-19 Koninklijke Philips N.V. Calculating boundary conditions for virtual ffr and ifr calculation based on myocardial blush characteristics
CN109461138A (zh) * 2018-09-29 2019-03-12 深圳睿心智能医疗科技有限公司 参数计算方法、系统、可读存储介质及计算机设备
CN111227822A (zh) * 2018-11-28 2020-06-05 苏州润心医疗器械有限公司 基于心肌血流量和ct图像的冠状动脉血流储备分数计算方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
JELMER M. WOLTERINK等: "Coronary artery centerline extraction in cardiac CT angiography using a CNN-based orientation classifier", pages 46 - 60 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112617791A (zh) * 2020-12-22 2021-04-09 杭州晟视科技有限公司 一种模拟血管搏动的方法、装置及存储介质
CN112617791B (zh) * 2020-12-22 2022-09-20 杭州晟视科技有限公司 一种模拟血管搏动的方法、装置及存储介质
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
CN114224484A (zh) * 2021-12-13 2022-03-25 杭州脉流科技有限公司 颅内动脉瘤的表面区域定位方法、装置、计算机设备和存储介质
CN114224484B (zh) * 2021-12-13 2023-05-30 杭州脉流科技有限公司 颅内动脉瘤的表面区域定位方法、装置、计算机设备和存储介质

Similar Documents

Publication Publication Date Title
US11728039B2 (en) Methods and systems for predicting sensitivity of blood flow calculations to changes in anatomical geometry
US20210335497A1 (en) Systems and methods for image processing to determine blood flow
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
US20210151187A1 (en) Data-Driven Estimation of Predictive Digital Twin Models from Medical Data
KR101834051B1 (ko) 혈관 기하학적 구조 및 생리학으로부터 혈류 특징들을 추정하기 위한 시스템들 및 방법들
CN111652881A (zh) 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
US20220015730A1 (en) Most relevant x-ray image selection for hemodynamic simulation
CN111652880A (zh) 基于神经网络的ct冠状动脉中心线种子点检测和追踪方法、装置、设备以及可读存储介质

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