CN111754506B - 基于腔内影像的冠脉狭窄率计算方法、装置、系统和计算机存储介质 - Google Patents
基于腔内影像的冠脉狭窄率计算方法、装置、系统和计算机存储介质 Download PDFInfo
- Publication number
- CN111754506B CN111754506B CN202010624888.1A CN202010624888A CN111754506B CN 111754506 B CN111754506 B CN 111754506B CN 202010624888 A CN202010624888 A CN 202010624888A CN 111754506 B CN111754506 B CN 111754506B
- Authority
- CN
- China
- Prior art keywords
- blood vessel
- image
- segmented
- dimensional
- image data
- 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
- 201000000057 Coronary Stenosis Diseases 0.000 title claims abstract description 29
- 238000004364 calculation method Methods 0.000 title claims abstract description 25
- 206010011089 Coronary artery stenosis Diseases 0.000 title claims abstract description 21
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 172
- 238000000034 method Methods 0.000 claims abstract description 35
- 208000031481 Pathologic Constriction Diseases 0.000 claims abstract description 29
- 230000036262 stenosis Effects 0.000 claims abstract description 29
- 208000037804 stenosis Diseases 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 20
- 210000004351 coronary vessel Anatomy 0.000 claims abstract description 17
- 230000011218 segmentation Effects 0.000 claims abstract description 16
- 238000013507 mapping Methods 0.000 claims abstract description 7
- 230000008859 change Effects 0.000 claims description 30
- 238000002583 angiography Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 17
- 238000012216 screening Methods 0.000 claims description 11
- 238000002586 coronary angiography Methods 0.000 description 18
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000002608 intravascular ultrasound Methods 0.000 description 6
- 230000017531 blood circulation Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000004 hemodynamic effect Effects 0.000 description 4
- 239000012528 membrane Substances 0.000 description 4
- 239000000523 sample Substances 0.000 description 4
- 230000002792 vascular Effects 0.000 description 4
- 206010020565 Hyperaemia Diseases 0.000 description 3
- 239000008280 blood Substances 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 241000270295 Serpentes Species 0.000 description 2
- 230000036772 blood pressure Effects 0.000 description 2
- 230000000284 resting effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 102000001554 Hemoglobins Human genes 0.000 description 1
- 108010054147 Hemoglobins Proteins 0.000 description 1
- 206010057469 Vascular stenosis Diseases 0.000 description 1
- 210000000709 aorta Anatomy 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000035487 diastolic blood pressure Effects 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000002565 electrocardiography Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 238000005534 hematocrit Methods 0.000 description 1
- 238000003702 image correction Methods 0.000 description 1
- 238000007654 immersion Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000010339 medical test Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005381 potential energy Methods 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 230000035488 systolic blood pressure Effects 0.000 description 1
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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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
- G06T2207/10116—X-ray image
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请涉及一种基于腔内影像的冠脉狭窄率计算方法、装置、系统和计算机存储介质。所述方法包括：步骤S1，获取与冠状动脉血管相关的影像数据，通过对影像数据的处理得到多个分割血管图像、各分割血管图像的中心点以及三维导管路径；步骤S2，根据各分割血管图像的中心点将血管分割图像映射到三维导管路径，构建得到三维形式的血管模型；步骤S3，根据血管模型提取中心线，并根据中心线以及三维导管路径，计算得到各分割血管图像与中心线的实际夹角；步骤S4，根据多个实际夹角将各分割血管图像的中心点重新映射到三维导管路上，构建得到重构血管模型；步骤S5，根据重构血管模型，计算血管的狭窄率。采用本方法能够提高计算较窄率的准确性。
Description
技术领域
本申请涉及医学影像的数据处理技术领域，特别是涉及一种基于腔内影像的冠脉狭窄率计算方法、装置、系统和计算机存储介质。
背景技术
血管狭窄率是判断血管是否正常的重要指标，计算狭窄率时需要用到每个血管切面的横截面积。
在现有技术中，在计算血管狭窄率时，需要先重构冠脉三维模型，在进行计算。在计算生成冠脉三维点云时，仅将N张分割血管的中点(导管位置)与三维血管内导管路径映射起来。但是并没有考虑导两者角度关系，但实时上每一张图像不与中心线垂直。这样造成了重构血管截面面积变大，后续使用重构模型计算狭窄率、FFR等参数时造成很大的误差。
因此急需一种技术用来在重构模型时，不单单将N张分割血管的中点与三维导管路径映射起来，而是修正图像与中心线的角度，求的更加真实的横截面、进而得到准确的狭窄率。
发明内容
基于此，有必要针对上述技术问题，提供一种能够解决将多张分割血管图像映射到三维导管路径上时没有考虑两者之间角度，从而引起在计算血管内狭窄率不准确问题的基于腔内影像的冠脉狭窄率计算方法、装置、系统和计算机存储介质。
一种基于腔内影像的冠脉狭窄率计算方法，所述方法包括：
获取与冠状动脉血管相关的影像数据，通过对影像数据的处理得到多个分割血管图像、各分割血管图像的中心点以及三维导管路径；
根据各所述分割血管图像的中心点将血管分割图像映射到所述三维导管路径，构建得到三维形式的血管模型；
根据所述血管模型提取中心线，并根据所述中心线以及三维导管路径，计算得到各分割血管图像与中心线的实际夹角；
根据多个所述实际夹角将各所述分割血管图像的中心点重新映射到三维导管路上，构建得到重构血管模型；
根据所述重构血管模型，计算血管的狭窄率。
优选的，与冠状动脉血管相关的影像数据包括：腔内影像数据以及血管造影影像数据；
对所述腔内影像数据进行影像处理，得到多个分割血管图像以及各分割血管图像的中心点；
对所述血管造影影像数据进行影像处理，得到三维导管路径。
优选的，与冠状动脉血管相关的影像数据为血管内影像数据；
对所述腔内影像数据进行影像处理，得到多个分割血管图像、各分割血管图像的中心点以及三维导管路径。
优选的，所述血管造影影像数据包括两个投影角度大于或等于25度的血管造影影像，对所述血管造影影像数据进行影像处理，得到三维导管路径包括：
对两个所述血管造影影像进行筛选，分别得到处于心脏舒张末期的两张血管造影图像；
在两张所述血管造影图像中分别选取具有对应关系的两条血管作为二维目标血管，并对两条所述二维目标血管分割出血管边界后重构出初步三维血管；
根据所述初步三维血管计算得到所述三维导管路径。
优选的，依次连接各所述分割血管图像的中心点得到所述三维导管路径。
优选的，对所述血管内影像数据进行影像处理，得到多个分割血管图像以及各分割血管图像的中心点时，包括：
对获取的血管内影像数据进行筛选，得到处于心脏舒张末期的血管内壁图像；
对所述血管内壁图像进行血管分割，得到多张分割血管图像；
对多张所述分割血管图像进行中心点计算，得到多个分割血管图像的中心点。
优选的，根据所述重构血管模型，计算血管的狭窄率包括：
根据所述重构血管模型进行计算，得到血管直径变化曲线；
根据所述血管直径变化曲线进行线性拟合，得到用于显示所述参照血管直径变化斜率的拟合线；
将所述拟合线根据所述血管直径变化曲线进行处理后作为参照血管直径变化曲线；
根据所述参照血管直径变化曲线以及参照血管直径进行计算，得到狭窄率。
本申请还提供一种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基于腔内影像的冠脉狭窄率计算方法。
本申请还提供一种基于腔内影像的冠脉狭窄率计算装置，包括计算机存储器、计算机处理器、以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，其特征在于，所述计算机处理器执行所述计算机程序时，实现基于重构冠脉三维模型的狭窄率计算方法。
本申请还提供一种基于腔内影像的冠脉狭窄率计算系统，包括终端以及服务器，所述服务器包括计算机存储器、计算机处理器、以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，其特征在于，所述服务器从终端获取相关数据并在执行所述计算机程序时，实现基于腔内影像的冠脉狭窄率计算方法。
上述基于腔内影像的冠脉狭窄率计算方法、装置、系统和计算机存储介质，通过先构建三维形式的血管模型，并且从中提取出血管的中心线，根据中心线以及三维导管路径计算得到各分割血管图像与中心线的实际夹角，并根据实际夹角构建得到修正后的重构血管模型。这样重构血管模型每一截面面积与实际血管截面面积不会相差太大，有效提高在计算狭窄率的准确率。
附图说明
图1为一个实施例中狭窄率计算方法的流程示意图；
图2为一个实施例中以初步三维血管的每个中心点为圆心分别构建若干个二维平面示意图；
图3为一个实施例中三维导管路径与中心线之间的夹角示意图；
图4为一个实施例中重构血管模型的示意图；
图5为一个实施例中与血管模型相关的狭窄曲线示意图；
图6为一个实施例中与重构血管模型相关的狭窄曲线示意图；
图7为一个实施例中血管内壁造影影像示意图。
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用以解释本申请，并不用于限定本申请。
如图1所示，提供了一种基于腔内影像的冠脉狭窄率计算方法，包括：
步骤S1，获取与冠状动脉血管相关的影像数据，通过对影像数据的处理得到多个分割血管图像、各分割血管图像的中心点以及三维导管路径；
步骤S2，根据各分割血管图像的中心点将血管分割图像映射到三维导管路径，构建得到三维形式的血管模型；
步骤S3，根据血管模型提取中心线，并根据中心线以及三维导管路径，计算得到各分割血管图像与中心线的实际夹角；
步骤S4，根据多个实际夹角将各分割血管图像的中心点重新映射到三维血管中心线上，构建得到重构血管模型；
步骤S5，根据重构血管模型，计算血管的狭窄率。
在步骤S1中，与冠状动脉血管相关的影像数据包括：腔内影像数据以及血管造影影像数据。腔内影像数据由腔内影像(IVUS/OCT)设备利用导管将一高频微型超声探头导入感兴趣的冠脉血管腔内进行探测后获取。冠脉造影影像数据由数字剪影血管造影(ICA)技术获得。
腔内影像数据为IVUS/OCT设备在冠脉血管中获取的多张血管图像以序列排列方式得到。
其中，腔内影像数据为IVUS/OCT设备对冠脉中出现病变的血管内进行探测得到。
在本实施例中，多个分割血管图像以及各分割血管图像的中心点为对腔内影像数据进行影像处理得到。三维导管路径获取方式包括两种，一种为通过对血管造影影像数据进行影像处理，得到三维导管路径；另一种为直接通过腔内影像数据进行影像处理，得到三维导管路径。当选择通过腔内影像数据得到三维导管路径时，只需要获取一种影像数据即可。
其中，通过血管造影影像数据进行影像处理，得到三维导管路径包括：
获取的血管造影影像数据包括两个投影角度大于或等于25度的血管造影影像。
对两个血管造影影像进行筛选，分别得到处于心脏舒张末期的两张血管造影图像；
在两张血管造影图像中分别选取具有对应关系的两条血管作为二维目标血管，并对两条二维目标血管分割出血管边界后重构出初步三维血管；
根据初步三维血管计算得到所述三维导管路径。
在本实施例中，两个冠脉造影影像是对冠脉血管同一感兴趣区域不同投影角度获取的。两个冠脉造影影像的投影角度大于或等于25度，以使在之后的步骤中，生成的三维导管路径时，更为贴近实际冠脉血管。
进一步的，在对两个角度的冠脉造影影像进行筛选后，得到两张处于心脏舒张末期的冠脉造影图像。同样的，得到的两张冠脉造影图像的投影角度大于或等于25度。并且，这两张冠脉造影图像上的血管清晰且重叠区域少。
并且需要说明的是，两个血管影影像中显示的区域均需要包括腔内影像数据中所示显示的血管。
进一步的，在对两个角度的冠脉造影影像进行筛选后，得到两张处于心脏舒张末期的冠脉造影图像。同样的，得到的两张冠脉造影图像的投影角度大于或等于25度。并且，这两张冠脉造影图像上的血管清晰且重叠区域少。
并且需要说明的是，两个血管影影像中显示的区域均需要包括腔内影像数据中所示显示的血管。
在本实施例中，在对筛选后得到处于心脏舒张末期的两张冠脉造影图像后，还需要对两张冠脉造影图像进行图像校正，所述图像校正包括极线匹配以及投影校正。
在进行极线校准时，分别在两张冠脉造影图像上各自选择匹配点，并且，在两张冠脉造影图像上选择的匹配点一一对应，也就是说分别在两张造影图像上的相同位置选择匹配点。若一条极线同时穿过两张图像上同一位置的匹配点，则标识极线匹配成功。一般情况下，分别在冠脉造影图像上选择两个或三个点作为匹配点，若各条极线均穿过了匹配点，则标识极线匹配成功。
优选的，在两张冠脉造影图像上选择与腔内影像数据中所显示的同一条血管，并在该条血管上选择匹配点进行极线匹配。
在本实施例中，在对筛选后得到处于心脏舒张末期的两张冠脉造影图像后，还需要对两张冠脉造影图像进行预处理，通过Hassian矩阵对对输入的两个角度的冠脉造影图像进行去燥处理并进行血管增强。以使在人工进行手动选取血管时更为方便。
在本实施例中，在冠脉造影图像中人工手动选取二维目标血管的起始点和终止点，再通过Snake算法在图像上分割出血管边界以获取目标血管。
分别从两张冠脉造影图像中由人工手动选取的二维目标血管为同一条血管，并且该条血管为腔内影像数据中显示的血管。而选取后并显示的两条二维目标血管为该条血管的两个投影角度。再利用Snake算法对感兴趣区域的血管进行分割，得到两个角度上的血管分割结果，合成初步三维血管。
再以初步三维血管的每个中心点为圆心分别构建若干个二维平面，根据迭代寻优算法筛选出若干个二维平面，如图2所示。
对于平面上每个点，计算其能量值：H＝He+Hp
其中：He表示弹性能量，被定义为：He＝θ2。对于任意连续的三个空间样本点，mi-1，mi，mi+1。角度θ为向量mi-1mi和mimi+1夹角。
Hp表示势能，与血管形变的平方成正比，被定义为：K表示在样本点sij处的曲率，/>表示样本点sij到中心线li的距离。
接着根据定义的能量公式，把离散空间数据变为相应边的权值。以两个平面上所有点为例，考虑所有可能的两点连线方案，并给这些连成的相应边赋权值。通过这样将问题等效为单源最短路径问题，利用Djikstra算法提取仿真三维导管路径。并考虑的所有的路径上的边缘加权方案，使得在血管平缓位置的三维导管路径接近中心线，血管大角度弯曲位置三维导管路径将靠近边缘。
其中，通过腔内影像数据进行影像处理，得到三维导管路径包括：
在对腔内影像数据进行处理后，得到各分割血管图像的中心点后，依次连接各分割血管图像的中心点得到三维导管路径。
对血管内影像数据进行影像处理，得到多个分割血管图像以及各分割血管图像的中心点时，包括：
对获取的血管内影像数据进行筛选，得到处于心脏舒张末期的血管内壁图像；
对血管内壁图像进行血管分割，得到多张分割血管图像；
对多张分割血管图像进行中心点计算，得到多个分割血管图像的中心点。
在本实施例中，对血管内壁图像进行血管分割的方法包括但不限于Level Set算法,Graph Cuts算法,Snake模型，CNN神经网络模型，人工智能深度学习模型，边缘学习模型以及人工分割等。
步骤S2中，在获取多个分割血管图像、各分割血管图像的中心点以及三维导管路径后，将各分割血管图像的中心点与血管三维导管路径进行映射，即将多张分割血管图像等距离地沿着三维导管路径进行排列，且每一张分割血管图像都与三维导管路径垂直。
再进行映射的过程中，将一系列的二维血管边界点坐标转换为三维坐标系下的点云，最后生成真实的三维血管模型(IVUS/OCT血管模型)。具体的，将腔内影像的分割结果和三维IVUS/OCT导管互相映射，将二维腔内影像上的分割特征点转化到腔内导管三维坐标系下的点坐标，并由点云直接生成三维血管模型。
在步骤S2中，获取的血管模型与真实的血管一致。
在步骤S3中，根据在步骤S2中获取的血管模型计算出中心线。其中各分割血管图像与中心线的实际夹角，其实为中心线与三维导管路径的夹角。其夹角的方法包括：
如图3所示，在中心线上选择任一点a，求点a的切线1，再由切线1确定一个与之垂直，且过a点的平面A。接着求平面A与三维导管路径相交的点b，并求其三维导管路径上过点b的切线2，则中心线与三维导管路径的夹角实际为切线1和切线2的角度差。
在步骤S4中，根据多个实际夹角将各分割血管图像的中心点重新映射到三维导管路径上，构建得到重构血管模型所用的方式可采用步骤S2中采用一样的方式。如图4所示，重构血管模型中血管沿长度方向各截面的面积更为贴近血管的实际截面面积。
在步骤S5中，根据重构血管模型，计算血管的狭窄率包括：
根据所述重构血管模型进行计算，得到血管直径变化曲线；
根据所述血管直径变化曲线进行线性拟合，得到用于显示所述参照血管直径变化斜率的拟合线；
将所述拟合线根据所述血管直径变化曲线进行处理后作为参照血管直径变化曲线；
根据所述参照血管直径变化曲线以及参照血管直径进行计算，得到狭窄率。
在本实施例中，利用重构血管模型求每一个切面的点云图，并计算出该切面截面积，进而转化为该切面等效直径，生成血管直径变化曲线。
在其中一实施例中，对血管直径变化曲线进行线性拟合，得到可显示参照血管直径变化斜率的拟合线，再将拟合线向上平移，直至血管直径变化曲线70％位于该拟合线下方，以该拟合线作为参照血管直径变化曲线，如图5-6所示。
在其他实施例中，再将拟合线向上平移时，可将拟合线平移至血管直径变化曲线的80％或90％位于该拟合线下方，可根据具体情况进行选择。
另外，获取参考血管直径变化曲线的方式可以通过：
人为判断确定血管路径上两个表征血管正常的点，两点连线作为血管参考直径变化曲线；
自动取前10％的点取其平均值或最大值，取后10％的点取其平均值或最大值，两点连线视为参照血管直径变化曲线；
通过图像分割算法(Levelsets算法、深度学习神经网络等)自动分割或手动分割出IVUS腔内影像的中膜作为参考血管，其面积的等效直径作为参考血管直径，获得沿着导管的参考血管直径变化曲线。
图5和图6中，X坐标为血管长度距离，可用于确定血管中具体位置。Y坐标为切面直径。在X坐标任一位置上与两条血管直径变化曲线相交的点，该点的Y坐标所显示的值分别为该位置对应的血管直径以及参考血管直径。通过将两者的差值，再除以参照血管直径的结果则为该位置的直径狭窄率。其中，最小直径狭窄率就是图中两血管曲线差值最大的对应的位置。
在其他实施例中，还可以通过提取腔内影像数据中的中膜，将中膜内的区域等效成圆，计算该圆的面积后，计算其直径作为参考血管直径。如图7所示，其中在外一圈的为中膜，在内一圈的为内膜。
在本实施例中，根据血管的狭窄率以及流体动力学方法计算血液流动方程，以获得三维血管模型所表达区域的冠状动脉的血液动力学参数分布，再根据血液动力学参数计算得到血流储备分数。
在计算得到血管的狭窄率后，则可根据求得的狭窄率对应生成正常血管，计算引起血管内压强变化，包括扩张压降、粘性压降和伯努利变化项。
在三维导管路径使用上述计算方法来计算冠状动脉血管内血液状态，输出流速，压力，FFR(血流储备分数)值等计算结果。计算方法还包括可使用CFD(流体动力学)计算方法求解血液流动方程，具体可包括：但不限于有限元法(FEM)，有限体积法(FVM)，有限差分法(FDM)，边界元法(BEM)，浸入边界法(IBM)，格子玻尔兹曼法(LBM)，光滑粒子法(SPH)，半隐式运动粒子法(MPS)，有限体积粒子法(FVP)等。
其中进口边界条件包括但不限于固定流量，如设置进口流量Q＝0.95ml/s；固定进口速度，如设置进口速度V＝0.35m/s；或者结合冠脉造影影像通过TIMI计帧法获得血流速度。
血流动力学参数可以包括患者身高，体重，心率，收缩期和舒张期血压，血细胞比容，血液粘度，血液密度，血流量等。
血流动力学参数还可以包括生理医学测试结果(心动周期，血压，血流，血红蛋白，血小板，心电图，基因，家族病史等等)，图像数据/分割数据/重构几何数据(心脏尺寸，冠状动脉分支和拓扑结构，狭窄位置，狭窄长度，狭窄截面，钙化斑块，等等)。
其中，血流储备分数(FFR)计算公式为：
Pdistal为血管狭窄位置处下游2～3cm的血压；
血管狭窄位置一方面可以通过步骤S1的图像数据和生理参数获知，还可以通过步骤S1构建的三维模型(例如重构模型)测量获得；
Pa取近似值，等于主动脉运动参考平均压强Phyperemia；
由大量临床数据可获得冠脉中动脉静息状态压强Pa和最大充血状态Pa数据，再通过最小二乘法拟合得到两者之间的关系，可用线性方程表示：
Phyperemia＝α×Prest+β
其中，α以及β均为与冠脉压强相关的参数，Prest为主动脉静息状态压强，在获取腔内影像数据过程中，由导管上设置的压力传感器获得。
根据结果还可生成相应的血流储备分数报告，血流储备分数报告的形式可以是文本、图像或三维影像等。
作为血流储备分数报告的形式之一，作为优选，血流储备分数报告中，在三维模型中模拟显示各部位的血流储备分数。
本实施例还提供一种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基于腔内影像的冠脉狭窄率计算方法。
本实施例还提供一种基于腔内影像的冠脉狭窄率计算装置，包括计算机存储器、计算机处理器、以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，其特征在于，所述计算机处理器执行所述计算机程序时，实现基于腔内影像的冠脉狭窄率计算方法。
本实施例还提供一种基于腔内影像的冠脉狭窄率计算系统，包括终端以及服务器，所述服务器包括计算机存储器、计算机处理器、以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，其特征在于，所述服务器从终端获取相关数据并在执行所述计算机程序时，实现基于腔内影像的冠脉狭窄率计算方法。
本实施例系统中的终端以及云端的服务器上安装有分别安装有软件系统，服务器系统通过C，C++，Java，Python，HTM5等编程语言开发。终端软件系统包括但不限于Mac OS版，Windows版，Unix/Linux版，Androids版或Apple版。
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，所述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。
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。
以上所述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 (9)
1.基于腔内影像的冠脉狭窄率计算方法，其特征在于，包括：
步骤S1，获取与冠状动脉血管相关的影像数据，通过对影像数据的处理得到多个分割血管图像、各分割血管图像的中心点以及三维导管路径；
步骤S2，根据各所述分割血管图像的中心点将血管分割图像映射到所述三维导管路径，构建得到三维形式的血管模型；
步骤S3，根据所述血管模型提取中心线，并根据所述中心线以及三维导管路径，计算得到各分割血管图像与中心线的实际夹角；
步骤S4，根据多个所述实际夹角将各所述分割血管图像的中心点重新映射到三维导管路上，构建得到重构血管模型；
步骤S5，根据所述重构血管模型，计算血管的狭窄率，包括：根据所述重构血管模型进行计算，得到血管直径变化曲线；对所述血管直径变化曲线进行线性拟合，得到用于显示参照血管直径变化斜率的拟合线，将拟合线向上平移，直至血管直径变化曲线的一定阈值部分位于该拟合线下方，以该拟合线作为参照血管直径变化曲线；根据所述参照血管直径变化曲线以及参照血管直径进行计算，得到狭窄率。
2.根据权利要求1所述的冠脉狭窄率计算方法，其特征在于，与冠状动脉血管相关的影像数据包括：腔内影像数据以及血管造影影像数据；
对所述腔内影像数据进行影像处理，得到多个分割血管图像以及各分割血管图像的中心点；
对所述血管造影影像数据进行影像处理，得到三维导管路径。
3.根据权利要求1所述的冠脉狭窄率计算方法，其特征在于，与冠状动脉血管相关的影像数据为腔内影像数据；
对所述腔内影像数据进行影像处理，得到多个分割血管图像、各分割血管图像的中心点以及三维导管路径。
4.根据权利要求2所述的冠脉狭窄率计算方法，其特征在于，所述血管造影影像数据包括两个投影角度大于或等于25度的血管造影影像，对所述血管造影影像数据进行影像处理，得到三维导管路径包括：
对两个所述血管造影影像进行筛选，分别得到处于心脏舒张末期的两张血管造影图像；
在两张所述血管造影图像中分别选取具有对应关系的两条血管作为二维目标血管，并对两条所述二维目标血管分割出血管边界后重构出初步三维血管；
根据所述初步三维血管计算得到所述三维导管路径。
5.根据权利要求3所述的冠脉狭窄率计算方法，其特征在于，依次连接各所述分割血管图像的中心点得到所述三维导管路径。
6.根据权利要求2或3所述的冠脉狭窄率计算方法，其特征在于，对所述腔内影像数据进行影像处理，得到多个分割血管图像以及各分割血管图像的中心点时，包括：
对获取的腔内影像数据进行筛选，得到处于心脏舒张末期的血管内壁图像；
对所述血管内壁图像进行血管分割，得到多张分割血管图像；
对多张所述分割血管图像进行中心点计算，得到多个分割血管图像的中心点。
7.一种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如权利要求1至6任一项所述的基于腔内影像的冠脉狭窄率计算方法。
8.一种基于腔内影像的冠脉狭窄率计算装置，包括计算机存储器、计算机处理器、以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，其特征在于，所述计算机处理器执行所述计算机程序时，实现如权利要求1至6任一项所述的基于腔内影像的冠脉狭窄率计算方法。
9.一种基于腔内影像的冠脉狭窄率计算系统，包括终端以及服务器，所述服务器包括计算机存储器、计算机处理器、以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，其特征在于，所述服务器从终端获取相关数据并在执行所述计算机程序时，实现如权利要求1至6任一项所述的基于腔内影像的冠脉狭窄率计算方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010624888.1A CN111754506B (zh) | 2020-07-01 | 2020-07-01 | 基于腔内影像的冠脉狭窄率计算方法、装置、系统和计算机存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010624888.1A CN111754506B (zh) | 2020-07-01 | 2020-07-01 | 基于腔内影像的冠脉狭窄率计算方法、装置、系统和计算机存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111754506A CN111754506A (zh) | 2020-10-09 |
| CN111754506B true CN111754506B (zh) | 2024-02-06 |
Family
ID=72678555
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010624888.1A Active CN111754506B (zh) | 2020-07-01 | 2020-07-01 | 基于腔内影像的冠脉狭窄率计算方法、装置、系统和计算机存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111754506B (zh) |
Families Citing this family (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112419279B (zh) * | 2020-11-25 | 2024-02-23 | 苏州润迈德医疗科技有限公司 | 二维图像选取及三维血管合成的方法和存储介质 |
| 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 |
| CN112862833A (zh) * | 2020-12-31 | 2021-05-28 | 上海联影智能医疗科技有限公司 | 血管分段方法、电子装置和存储介质 |
| CN112674736B (zh) * | 2021-01-08 | 2023-07-25 | 上海博动医疗科技股份有限公司 | 一种用于自动评价血管形变的监测显示方法及系统 |
| CN115546301A (zh) * | 2021-04-27 | 2022-12-30 | 北京阅影科技有限公司 | 光源矫正方法及装置 |
| CN113180631A (zh) * | 2021-04-29 | 2021-07-30 | 博动医学影像科技（上海）有限公司 | 基于血管内成像的血流速度、血流储备分数的分析方法 |
| CN113223015A (zh) * | 2021-05-11 | 2021-08-06 | 清华大学 | 血管壁图像分割方法、装置、计算机设备和存储介质 |
| CN113616160B (zh) * | 2021-09-14 | 2024-02-06 | 苏州博动戎影医疗科技有限公司 | 基于多模态医学影像的ffr确定方法、装置、设备及介质 |
| CN114170134B (zh) * | 2021-11-03 | 2023-03-10 | 杭州脉流科技有限公司 | 基于颅内dsa影像的狭窄评估方法及装置 |
| CN114403817B (zh) * | 2022-01-25 | 2023-03-10 | 首都医科大学附属北京安贞医院 | 一种冠脉径向变化测定方法和装置 |
| CN115690309B (zh) * | 2022-09-29 | 2023-07-18 | 中国人民解放军总医院第一医学中心 | 一种冠脉cta自动三维后处理方法和装置 |
| CN115564817B (zh) * | 2022-11-14 | 2023-04-14 | 杭州晟视科技有限公司 | 三维血管图像的确定方法、装置、设备及存储介质 |
| CN116704149B (zh) * | 2023-08-03 | 2023-11-14 | 杭州脉流科技有限公司 | 获得颅内动脉狭窄参数的方法和装置 |
| CN116807514B (zh) * | 2023-08-29 | 2024-01-12 | 深圳开立生物医疗科技股份有限公司 | 血管成像系统、方法、设备、电子设备及存储介质 |
| CN117036640B (zh) * | 2023-10-10 | 2023-12-19 | 杭州脉流科技有限公司 | 冠状动脉血管模型重构方法、装置、设备和存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006167287A (ja) * | 2004-12-17 | 2006-06-29 | Toshiba Corp | 血管狭窄率解析システム |
| CN109288537A (zh) * | 2018-11-01 | 2019-02-01 | 杭州晟视科技有限公司 | 评估血流储备分数的系统、方法、设备及存储介质 |
| CN109872321A (zh) * | 2019-02-26 | 2019-06-11 | 数坤（北京）网络科技有限公司 | 一种血管狭窄检测方法及设备 |
| CN111134651A (zh) * | 2019-12-09 | 2020-05-12 | 杭州脉流科技有限公司 | 基于腔内影像计算血流储备分数的方法、装置、系统以及计算机存储介质 |
| CN111161342A (zh) * | 2019-12-09 | 2020-05-15 | 杭州脉流科技有限公司 | 基于冠脉造影图像获取血流储备分数的方法、装置、设备、系统及可读存储介质 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018042870A1 (ja) * | 2016-08-31 | 2018-03-08 | 富士フイルム株式会社 | Ｃｐｒ画像生成装置、方法およびプログラム |
| CN107392994B (zh) * | 2017-06-30 | 2018-11-06 | 深圳大学 | 冠脉血管的三维重建方法、装置、设备及存储介质 |
| US10709399B2 (en) * | 2017-11-30 | 2020-07-14 | Shenzhen Keya Medical Technology Corporation | Methods and devices for performing three-dimensional blood vessel reconstruction using angiographic images |
-
2020
- 2020-07-01 CN CN202010624888.1A patent/CN111754506B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006167287A (ja) * | 2004-12-17 | 2006-06-29 | Toshiba Corp | 血管狭窄率解析システム |
| CN109288537A (zh) * | 2018-11-01 | 2019-02-01 | 杭州晟视科技有限公司 | 评估血流储备分数的系统、方法、设备及存储介质 |
| CN109872321A (zh) * | 2019-02-26 | 2019-06-11 | 数坤（北京）网络科技有限公司 | 一种血管狭窄检测方法及设备 |
| CN111134651A (zh) * | 2019-12-09 | 2020-05-12 | 杭州脉流科技有限公司 | 基于腔内影像计算血流储备分数的方法、装置、系统以及计算机存储介质 |
| CN111161342A (zh) * | 2019-12-09 | 2020-05-15 | 杭州脉流科技有限公司 | 基于冠脉造影图像获取血流储备分数的方法、装置、设备、系统及可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111754506A (zh) | 2020-10-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111754506B (zh) | 基于腔内影像的冠脉狭窄率计算方法、装置、系统和计算机存储介质 | |
| JP6790179B2 (ja) | リアルタイムの診断上有用な結果 | |
| JP6918912B2 (ja) | 画像処理装置、画像処理方法、及びプログラム | |
| CN111134651B (zh) | 基于腔内影像计算血流储备分数的方法、装置、系统以及计算机存储介质 | |
| JP6466992B2 (ja) | 血流特性のモデリングにおける感度解析方法及びシステム | |
| JP6283399B2 (ja) | ステントの配置を計画するためのユーザインターフェースベースの医療システムの作動方法、及びステントの配置を計画する装置 | |
| JP5868554B2 (ja) | 血管形状及び生理学から血流特性を推定するシステム及び方法 | |
| JP6829262B2 (ja) | 画像ベースの患者固有の血流力学的モデルにおいて解像されていない血管を特定してモデル化するためのシステム及び方法 | |
| JP2017100027A (ja) | 患者に特異的な解剖学的データからパーソナライズされた血管移植を特定するためのシステム及び方法 | |
| CN113040795B (zh) | 无导丝ffr、无导丝imr和无导丝cfr的检测方法 | |
| JP6749917B2 (ja) | ｉＦＲ−ＣＴ | |
| WO2015134247A1 (en) | Methods and systems for predicting sensitivity of blood flow calculations to changes in anatomical geometry | |
| CN108564574B (zh) | 确定血流储备分数的方法、计算机设备及计算机可读存储介质 | |
| 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 | |
| JP7286763B2 (ja) | 血管圧力差の取得装置の作動方法及び血管圧力差の取得装置 | |
| CN116090364A (zh) | 基于cta影像的获取冠脉血流储备分数的方法和可读存储介质 | |
| CN112950537A (zh) | 一种冠脉血流储备分数获取系统、方法及介质 | |
| US20220151500A1 (en) | Noninvasive quantitative flow mapping using a virtual catheter volume | |
| CN113180614B (zh) | 无导丝ffr、无导丝imr和无导丝cfr的检测方法 | |
| CN117036530B (zh) | 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 | |
| KR102000615B1 (ko) | 관상동맥의 시작점을 자동으로 추출하기 위한 방법 및 그 장치 | |
| CN114998319B (zh) | 图像数据处理方法、装置、图像数据处理设备及存储介质 | |
| CN103995989B (zh) | 用于末梢脉管树的边界条件的特定患者的自动调整 | |
| CN116313101A (zh) | 一种冠状动脉血流储备分数确定方法、系统、设备及介质 | |
| CN117064413A (zh) | 一种基于肺循环模型无创计算血流储备分数的方法 |
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 |