CN112419308B - 斑块评估方法、装置、电子设备及存储介质 - Google Patents
斑块评估方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112419308B CN112419308B CN202011437525.3A CN202011437525A CN112419308B CN 112419308 B CN112419308 B CN 112419308B CN 202011437525 A CN202011437525 A CN 202011437525A CN 112419308 B CN112419308 B CN 112419308B
- Authority
- CN
- China
- Prior art keywords
- plaque
- image
- detected
- evaluation
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Fluid Mechanics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明实施例公开了一种斑块评估方法、装置、电子设备及存储介质。该方法包括:获取被测斑块图像以及与所述被测斑块图像对应的力学模拟参数;根据所述被测斑块图像、所述力学模拟参数和预先训练完成的目标斑块评估模型,确定与所述被测斑块图像对应的斑块评估结果。本发明实施例通过引入力学模拟参数,根据包含斑块的形态结构的被测斑块图像和与斑块相关的力学模拟参数共同预测斑块的状态信息,解决了斑块评估不准确的问题,降低了医生的工作量,进而提高了医生的工作效率。
Description
技术领域
本发明实施例涉及医学图像技术领域,尤其涉及一种斑块评估方法、装置、电子设备及存储介质。
背景技术
在人的冠脉、颈动脉等动脉血管中,容易出现斑块。在这些斑块中,有些斑块本身比较稳定,发展缓慢;有些斑块发展较快,持续体积增大会造成血管腔内狭窄,影响血管下游供血;还有些斑块属于易损斑块,容易脱落,大片斑块脱落会造成下游动脉栓塞,导致心肌梗死、脑中风等严重疾病。因此,评估动脉斑块的大小形态和是否易损等属性,就成了临床医学上非常重要的任务。
目前通过CT(Computed Tomography,电子计算机断层扫描)造影、MR(MagneticResonance,磁共振)技术等成像技术,可以将这些血管中的斑块在三维断层图像上显示出来。但是,如何对这些斑块进行分析,是目前医学上的一个难点。传统上,医生直接观察图像,手动测量斑块并通过经验综合判断斑块性质,但这种方法工作量较大,不够准确,受医生的经验和水平各不相同,无法进行标准化。
发明内容
本发明实施例提供了一种斑块评估方法、装置、电子设备及存储介质,以提高斑块评估的准确度。
第一方面,本发明实施例提供了一种斑块评估方法、装置、电子设备及存储介质,该方法包括:
获取被测斑块图像以及与所述被测斑块图像对应的力学模拟参数;
根据所述被测斑块图像、所述力学模拟参数和预先训练完成的目标斑块评估模型,确定与所述被测斑块图像对应的斑块评估结果。
第二方面,本发明实施例还提供了一种斑块评估装置,该装置包括:
力学模拟参数获取模块,用于获取被测斑块图像以及与所述被测斑块图像对应的力学模拟参数;
斑块评估结果输出模块,用于根据所述被测斑块图像、所述力学模拟参数和预先训练完成的目标斑块评估模型,确定与所述被测斑块图像对应的斑块评估结果。
第三方面,本发明实施例还提供了一种电子设备,该电子设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现上述所涉及的任一所述的斑块评估方法。
第四方面,本发明实施例还提供了一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行上述所涉及的任一所述的斑块评估方法。
本发明实施例通过引入力学模拟参数,根据包含斑块的形态结构的被测斑块图像和与斑块相关的力学模拟参数共同预测斑块的状态信息,解决了斑块评估不准确的问题,降低了医生的工作量,进而提高了医生的工作效率。
附图说明
图1是本发明实施例一提供的一种斑块评估方法的流程图;
图2是本发明实施例一提供的一种目标斑块评估模型的示意图;
图3是本发明实施例二提供的一种斑块评估方法的流程图;
图4是本发明实施例二提供的一种目标斑块评估模型的示意图;
图5是本发明实施例三提供的一种斑块评估方法的流程图;
图6是本发明实施例三提供的一种目标斑块评估模型的示意图;
图7是本发明实施例四提供的一种斑块评估装置的示意图;
图8是本发明实施例五提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1是本发明实施例一提供的一种斑块评估方法的流程图,本实施例可适用于对采集到的斑块图像中的斑块性质进行评估的情况,该方法可以由斑块评估装置来执行,该装置可采用软件和/或硬件的方式实现,该装置可以配置于终端设备中。具体包括如下步骤:
S110、获取被测斑块图像以及与被测斑块图像对应的力学模拟参数。
其中,具体的,被测斑块图像包含被测对象的斑块图像。在一个实施例中,可选的,获取图像采集设备采集到的被测组织图像,对被测组织图像进行分割,得到被测斑块图像。其中,示例性的,图像采集设备包括但不限于CT设备或MR设备。其中,具体的,由于斑块常出现在血管或组织器官中,因此被测斑块图像包括斑块图像以及斑块附近的血管管腔图像或组织器官图像。
其中,具体的,力学模拟参数包括流体力学参数。流体力学参数可用于描述在各种力的作用下,流体在静止状态或运动状态以及流体和所在固体界壁间有相对运动时的流动规律的力学参数。在本实施例中,示例性的,力学模拟参数包括但不限于血管管腔的不同位置处的压力值、血流速度和血管壁面切应力等等。
在一个实施例中,可选的,获取被测斑块图像以及与被测斑块图像对应的力学模拟参数,包括:获取被测血管图像,对被测血管图像进行分割得到被测斑块图像;基于预设力学方法,确定与被测斑块图像对应的力学模拟参数。
在一个实施例中,可选的,预设力学方法包括流体力学模型方法、流固体耦合方法和理想模型模拟方法中至少一种。
在一个实施例中,基于流体力学模型,确定被测斑块图像对应的流体力学参数,包括:对被测斑块图像进行网格划分得到被测斑块网格模型,获取被测斑块图像对应的边界条件;将被测斑块网格模型和边界条件输入到计算流体力学求解器中,得到被测斑块网格模型中各网格节点处的力学模拟参数。
其中,对被测斑块图像进行网格划分得到被测斑块网格模型,具体的,被测斑块网格模型的类型包括结构化表面网格模型、非结构化表面网格模型、结构化体网格模型和非结构化体网格模型。结构化网格模型的特点是每个网格单元与其相邻网格单元时间的连接关系固定不变,非结构化网格模型特点是网格模型中网格单元的相邻网格单元的数量不同。表面网格模型是指仅包含血管表面轮廓的网格单元,体网格模型是指包括血管内部区域的网格单元。其中,示例性的,网格划分方法包括但不限于转换扩展法、Delaunay三角形法、覆盖法和前沿法中至少一种。在一个实施例中,可选的,采用Delauney算法对被测斑块图像进行网格划分得到非结构化的被测斑块网格模型。
其中,获取被测斑块图像对应的边界条件,具体的,边界条件包括但不限于入口边界条件、出口边界条件和壁面边界条件等等。示例性的,对被测斑块图像中的血管管腔进行测量,得到血管管腔的管径;将采集到的被测对象的血压值分别作为入口边界条件出口边界条件;基于经验模型估算血压周期波动值等。此处对边界条件的设置和获取方式不作限定。
其中,计算流体力学算法(Computational Fluid Dynamics,CFD)是利用计算机求解主管流体流动的偏微分方程组,可对流体力学中的各类问题进行数值模拟,便于对实际问题进行定性和定量的分析。在一个实施例中,可选的,计算流体力学求解器具体用于:采用有限体积法求解纳维-斯托克斯方程(N-S方程),得到被测斑块网格模型中各网格节点处的力学模拟参数。
在一个实施例中,可选的,基于流固体耦合方法,确定被测斑块图像对应的流体力学参数,包括:对被测斑块图像进行分割,得到斑块图像和血管图像,基于斑块图像和血管图像分别构建斑块网格模型和血管网格模型;获取斑块网格模型和血管网格模型分别对应的斑块边界条件和血管边界条件,基于斑块网格模型、血管网格模型、斑块边界条件和血管边界条件,确定流体力学参数。
其中,流固体耦合方法(fluid solid interaction,FSI)是一种将计算流体力学和计算固体力学(computational solid mechanics,CSM)结合在一起计算固体在流体作用下应力应变及流体在固体变形影响下的流场改变的方法。其中,示例性的,采用有限元方法,基于斑块网格模型和斑块边界条件确定斑块网格模型中各网格节点处的斑块受力值。采用有限元方法,基于血管网格模型和血管边界条件确定血管网格模型中各网格节点处的流体流场、边界应力和血管壁受力值。
在一个实施例中,可选的,基于理想模型模拟方法,确定被测斑块图像对应的流体力学参数,包括:基于被测斑块图像构建理想模型,获取被测斑块图像对应的血流参数,基于理想模型和血流参数确定流体力学参数。
其中,示例性的,将非分叉处的血管近似为圆柱模型,将半径近似椭圆模型,基于圆柱模型和椭圆模型构建理想模型。具体的,理想模型中圆柱模型的非狭窄区域的横截面积A1满足公式:A1=πR2,其中,R表示血流参数中的血管的管腔半径。狭窄区域的横截面积A2满足公式:A2=πR2-πr2/2,其中,r表示血流参数中的斑块半径。则狭窄区域处的血流速度V2满足公式:其中,V1表示血流参数中的血流速度。狭窄区域处的压降ΔP满足公式:/>其中,KL表示经验参数或比例系数,示例性的,对于圆柱模型,血管入口处的KL约为0.03,血管出口处KL约为1.0,ρ表示血流参数中的流体密度。
S120、根据被测斑块图像、力学模拟参数和预先训练完成的目标斑块评估模型,确定与被测斑块图像对应的斑块评估结果。
其中,示例性的,目标斑块评估模型包括但不限于卷积神经网络模型(Convolutional Neural Networks,CNN)、循环神经网络模型(Recurrent NeuralNetwork,RNN)、编码解码网络模型、生成对抗网络模型(Generate Adversarial Network,GAN)或深度置信网络模型(Deep Belief Network,DBN)等等。
在一个实施例中,可选的,目标斑块评估模型包括第一网络模型和第二网络模型,相应的,目标斑块评估模型具体用于:将被测斑块图像和力学模拟参数输入到第一网络模型中得到输出的第一特征向量;根据第一特征向量和第二网络模型确定第二特征向量,并根据第二特征向量和预设函数计算得到与被测斑块图像对应的斑块评估结果。
在一个实施例中,可选的,第一网络模型为卷积神经网络模型。在一个实施例中,可选的,第二网络模型为全连接(fully connected,FC)网络模型。在一个实施例中,可选的,预设函数为柔性最大值损失函数(softmax)或平均方差函数(MSE)。
图2是本发明实施例一提供的一种目标斑块评估模型的示意图。其中,切应力分布、血流分布和压力分布均为力学模拟参数,三维图像为被测斑块图像,CNN模型为卷积神经网络模型,FC模型为全连接网络模型。这样设置的好处在于,由于力学模拟参数是一种描述空间分布的参数,少数的几个数值很难描述出斑块整体受到的力学影响。在本实施例中,将被测斑块图像和力学模型参数输入到CNN网络模型的不同通道,CNN网络模型对平移、尺度缩放和旋转等形式的变形具有高度不变性,可有效降低对输入的被测斑块图像的图像要求,并且CNN网络模型通过局部感受野、权重共享和降采样3种策略,降低了网络模型的复杂度以及保证了特征提取的全面性,从而进一步提高了斑块评估结果的准确度。
本实施例的技术方案,通过引入力学模拟参数,根据包含斑块的形态结构的被测斑块图像和与斑块相关的力学模拟参数共同预测斑块的状态信息,解决了斑块评估不准确的问题,降低了医生的工作量,进而提高了医生的工作效率。
实施例二
图3是本发明实施例二提供的一种斑块评估方法的流程图,本实施例的技术方案是上述实施例的基础上的进一步细化。可选的,所述方法还包括:获取与所述被测斑块图像对应的生理参数,相应的,所述目标斑块评估模型具体用于:将所述生理参数输入到所述第三网络模型中得到输出的第三特征向量,并将所述第一特征向量和所述第三特征向量输入到所述第二网络模型中得到输出的第二特征向量。
本实施例的具体实施步骤包括:
S210、获取被测斑块图像、与被测斑块图像对应的力学模拟参数和生理参数。
其中,示例性的,生理参数包括但不限于年龄、身高、体重、体温、心率和血压等等。
S220、将被测斑块图像、力学模拟参数和生理参数输入到预先训练完成的目标斑块评估模型中,得到输出的与被测斑块图像对应的斑块评估结果。
在本实施例中,目标斑块评估模型具体用于:将被测斑块图像和力学模拟参数输入到第一网络模型中得到输出的第一特征向量;将生理参数输入到第三网络模型中得到输出的第三特征向量,并将第一特征向量和第三特征向量输入到第二网络模型中得到输出的第二特征向量;根据第二特征向量和预设函数计算得到与被测斑块图像对应的斑块评估结果。
在一个实施例中,可选的,第一网络模型为深度学习CNN网络模型。在一个实施例中,可选的,第二网络模型为全连接网络模型。在一个实施例中,可选的,第三网络模型为循环神经网络模型。
图4是本发明实施例二提供的一种目标斑块评估模型的示意图。其中,年龄、身高、体重和血压均为生理参数,RNN模型为循环神经网络模型。
在上述实施例的基础上,可选的,目标斑块评估模型包括易损评估模型和/或形态评估模型,相应的,易损评估模型对应的斑块评估结果包括易损或非易损,形态评估模型对应的斑块评估结果包括体积增大、体积缩小、体积不变或斑块脱落。
其中,具体的,当目标斑块评估模型包括易损评估模型时,目标斑块评估模型包括二分类评估模型。其中,示例性的,易损斑块可用于形容血管中不稳定的斑块和有血栓形成倾向的斑块,包括破裂斑块、侵蚀性斑块和部分钙化结节性病变。
在上述实施例的基础上,可选的,该方法还包括:获取训练斑块图像、与训练斑块图像对应的训练力学模拟参数和训练生理参数;将训练斑块图像和训练力学模拟参数输入到初始斑块评估模型中,得到输出与训练斑块图像对应的预测斑块评估结果,基于预测斑块评估结果和标准斑块评估结果对初始斑块模型的模型参数进行调整,得到训练完成的目标斑块评估模型。
本实施例的技术方案,通过获取与被测斑块图像对应的生理参数,将生理参数输入到目标斑块评估模型中,解决了斑块特征提取不全面的问题,增加了人体差异性生理参数信息对斑块评估结果的影响,从而进一步提高了斑块评估结果的准确度。
实施例三
图5是本发明实施例三提供的一种斑块评估方法的流程图,本实施例的技术方案是上述实施例的基础上的进一步细化。可选的,所述目标斑块评估模型包括第二斑块评估模型和至少一种第一斑块评估模型,相应的,所述目标斑块评估模型具体用于:根据至少一种时间序列对应的被测斑块图像、与各所述被测斑块图像分别对应的力学模拟参数和第一斑块评估模型,确定各所述第一斑块评估模型的输出结果,并将各所述输出结果分别输入到第二斑块评估模型中;根据所述第二斑块评估模型的输出结果和预设函数计算得到与所述被测斑块图像对应的斑块评估结果。
本实施例的具体实施步骤包括:
S310、获取至少一种时间序列对应的被测斑块图像以及与各被测斑块图像分别对应的力学模拟参数。
其中,具体的,不同时间序列对应的被测斑块图像用于描述不同时刻采集到的被测斑块图像。
S320、根据各被测斑块图像、与各被测斑块图像分别对应的力学模拟参数和目标斑块评估模型,确定与被测斑块图像对应的斑块评估结果。
在本实施例中,目标斑块评估模型包括第二斑块评估模型和至少一种第一斑块评估模型,目标斑块评估模型具体用于:根据至少一种时间序列对应的被测斑块图像、与各被测斑块图像分别对应的力学模拟参数和第一斑块评估模型,确定各第一斑块评估模型的输出结果,并将各输出结果分别输入到第二斑块评估模型中;根据第二斑块评估模型的输出结果和预设函数计算得到与被测斑块图像对应的斑块评估结果。
在一个实施例中,可选的,各第一斑块评估模型分别包括第一网络模型和第二网络模型。具体的,第一斑块评估模型的输出结果为第二特征向量,第一斑块评估模型具体用于:将被测斑块图像和力学模拟参数输入到第一网络模型中得到输出的第一特征向量;根据第一特征向量和第二网络模型确定第二特征向量。
在另一个实施例中,可选的,该方法还包括:获取与被测斑块图像分别对应的生理参数。在本实施例中,可选的,各第一斑块评估模型分别包括第一网络模型、第二网络模型和第三网络模型。具体的,第一斑块评估模型的输出结果为第二特征向量,第一斑块评估模型具体用于:将被测斑块图像和力学模拟参数输入到第一网络模型中得到输出的第一特征向量;将生理参数输入到第三网络模型中得到输出的第三特征向量,将第一特征向量和第三特征向量输入到第二网络模型中得到输出的第二特征向量。
在一个实施例中,可选的,第二斑块评估模型为循环神经网络模型。
图6是本发明实施例三提供的一种目标斑块评估模型的示意图。图6示出了T1时刻-Tn时刻分别采集到的被测斑块图像、与各被测斑块图像分别对应的力学模拟参数和生理参数。将每个时刻采集到的数据分别输入到第一斑块评估模型中,将各第一斑块评估模型输出的结果输入到第二斑块评估模型中,基于第二斑块评估模型的输出结果和预设函数计算得到与被测斑块图像对应的斑块评估结果。
本实施例的技术方案,通过将不同时间序列的被测斑块图像和力学模拟参数输入到目标斑块评估模型中,解决了斑块特征提取不全面的问题,增加了斑块的时序特征,以提供更多斑块发展变化信息,相比于输入单一时间点的被测斑块图像和力学模拟参数,本实施例进一步提高了斑块评估结果的准确度。
实施例四
图7是本发明实施例四提供的一种斑块评估装置的示意图。本实施例可适用于对采集到的斑块图像中的斑块性质进行评估的情况,该装置可采用软件和/或硬件的方式实现,该装置可以配置于终端设备中。该斑块评估装置包括:力学模拟参数获取模块410和斑块评估结果输出模块420。
其中,力学模拟参数获取模块410,用于获取被测斑块图像以及与被测斑块图像对应的力学模拟参数;
斑块评估结果输出模块420,用于根据被测斑块图像、力学模拟参数和预先训练完成的目标斑块评估模型,确定与被测斑块图像对应的斑块评估结果。
本实施例的技术方案,通过引入力学模拟参数,根据包含斑块的形态结构的被测斑块图像和与斑块相关的力学模拟参数共同预测斑块的状态信息,解决了斑块评估不准确的问题,降低了医生的工作量,进而提高了医生的工作效率。
在上述技术方案的基础上,可选的,力学模拟参数获取模块410具体用于:
获取被测血管图像,对被测血管图像进行分割得到被测斑块图像;
基于预设力学方法,确定与被测斑块图像对应的力学模拟参数。
在上述技术方案的基础上,可选的,目标斑块评估模型包括第一网络模型和第二网络模型,目标斑块评估模型具体用于:
将被测斑块图像和力学模拟参数输入到第一网络模型中得到输出的第一特征向量;
根据第一特征向量和第二网络模型确定第二特征向量,并根据第二特征向量和预设函数计算得到与被测斑块图像对应的斑块评估结果。
在上述技术方案的基础上,可选的,该装置还包括生理参数获取模块,用于:获取与被测斑块图像对应的生理参数,相应的,目标斑块评估模型还包括第三网络模型,目标斑块评估模型具体用于:
将生理参数输入到第三网络模型中得到输出的第三特征向量,并将第一特征向量和第三特征向量输入到第二网络模型中得到输出的第二特征向量。
在上述技术方案的基础上,可选的,目标斑块评估模型包括第二斑块评估模型和至少一种第一斑块评估模型,相应的,目标斑块评估模型具体用于:
根据至少一种时间序列对应的被测斑块图像、与各被测斑块图像分别对应的力学模拟参数和第一斑块评估模型,确定各第一斑块评估模型的输出结果,并将各输出结果分别输入到第二斑块评估模型中;
根据第二斑块评估模型的输出结果和预设函数计算得到与被测斑块图像对应的斑块评估结果。
在上述技术方案的基础上,可选的,各第一斑块评估模型分别包括第一网络模型和第二网络模型,或各第一斑块评估模型分别包括第一网络模型、第二网络模型和第三网络模型。
在上述技术方案的基础上,可选的,目标斑块评估模型包括易损评估模型和/或形态评估模型,相应地,易损评估模型对应的斑块评估结果包括易损或非易损,形态评估模型对应的斑块评估结果包括体积增大、体积缩小、体积不变或斑块脱落。
本发明实施例所提供的斑块评估装置可以用于执行本发明实施例所提供的斑块评估方法,具备执行方法相应的功能和有益效果。
值得注意的是,上述斑块评估装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
实施例五
图8是本发明实施例五提供的一种电子设备的结构示意图,本发明实施例为本发明上述实施例的斑块评估方法的实现提供服务,可配置上述实施例中的斑块评估装置。图8示出了适于用来实现本发明实施方式的示例性电子设备12的框图。图8显示的电子设备12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图8所示,电子设备12以通用计算设备的形式表现。电子设备12的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16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器、外围总线、图形加速端口、处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线、微通道体系结构(MAC)总线、增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图8未显示,通常称为“硬盘驱动器”)。尽管图8中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(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。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该电子设备12交互的设备通信,和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图8所示,网络适配器20通过总线18与电子设备12的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的斑块评估方法。
通过上述电子设备,解决了斑块评估不准确的问题,降低了医生的工作量,进而提高了医生的工作效率。
实施例六
本发明实施例六还提供了一种包含计算机可执行指令的存储介质,计算机可执行指令在由计算机处理器执行时用于执行一种斑块评估方法,该方法包括:
获取被测斑块图像以及与被测斑块图像对应的力学模拟参数;
根据被测斑块图像、力学模拟参数和预先训练完成的目标斑块评估模型,确定与被测斑块图像对应的斑块评估结果。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,程序设计语言包括面向对象的程序设计语言,诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络包括局域网(LAN)或广域网(WAN),连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上的方法操作,还可以执行本发明任意实施例所提供的斑块评估方法中的相关操作。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (6)
1.一种斑块评估方法,其特征在于,包括:
获取被测斑块图像以及与所述被测斑块图像对应的力学模拟参数;其中,所述被测斑块图像包括斑块图像以及斑块附近的血管管腔图像或组织器官图像;所述力学模拟参数包括血管管腔的不同位置处的压力值、血流速度和血管壁面切应力;
根据所述被测斑块图像、所述力学模拟参数和预先训练完成的目标斑块评估模型,确定与所述被测斑块图像对应的斑块评估结果;
其中,所述目标斑块评估模型包括第二斑块评估模型和至少一种第一斑块评估模型,相应的,所述目标斑块评估模型具体用于:
根据至少一种时间序列对应的被测斑块图像、与各所述被测斑块图像分别对应的力学模拟参数和第一斑块评估模型,确定各所述第一斑块评估模型的输出结果,并将各所述输出结果分别输入到第二斑块评估模型中;
根据所述第二斑块评估模型的输出结果和预设函数计算得到与所述被测斑块图像对应的斑块评估结果;
其中,各所述第一斑块评估模型分别包括第一网络模型和第二网络模型,相应的,所述各所述第一斑块评估模型具体用于:
将所述被测斑块图像和所述力学模拟参数输入到所述第一网络模型中得到输出的第一特征向量;
根据所述第一特征向量和所述第二网络模型确定第二特征向量,并根据所述第二特征向量和预设函数计算得到与所述被测斑块图像对应的斑块评估结果;
其中,各所述第一斑块评估模型分别包括第一网络模型、第二网络模型和第三网络模型,所述各所述第一斑块评估模型具体用于:
获取与所述被测斑块图像对应的生理参数;
将所述生理参数输入到所述第三网络模型中得到输出的第三特征向量,并将所述第一特征向量和所述第三特征向量输入到所述第二网络模型中得到输出的第二特征向量。
2.根据权利要求1所述的方法,其特征在于,所述获取被测斑块图像以及与所述被测斑块图像对应的力学模拟参数,包括:
获取被测血管图像,对所述被测血管图像进行分割得到被测斑块图像;
基于预设力学方法,确定与所述被测斑块图像对应的力学模拟参数。
3.根据权利要求1所述的方法,其特征在于,所述目标斑块评估模型包括易损评估模型和/或形态评估模型,相应地,所述易损评估模型对应的斑块评估结果包括易损或非易损,所述形态评估模型对应的斑块评估结果包括体积增大、体积缩小、体积不变或斑块脱落。
4.一种斑块评估装置,其特征在于,包括:
力学模拟参数获取模块,用于获取被测斑块图像以及与所述被测斑块图像对应的力学模拟参数;其中,所述被测斑块图像包括斑块图像以及斑块附近的血管管腔图像或组织器官图像;所述力学模拟参数包括血管管腔的不同位置处的压力值、血流速度和血管壁面切应力;
斑块评估结果输出模块,用于根据所述被测斑块图像、所述力学模拟参数和预先训练完成的目标斑块评估模型,确定与所述被测斑块图像对应的斑块评估结果;
其中,所述目标斑块评估模型包括第二斑块评估模型和至少一种第一斑块评估模型,相应的,所述目标斑块评估模型具体用于:
根据至少一种时间序列对应的被测斑块图像、与各所述被测斑块图像分别对应的力学模拟参数和第一斑块评估模型,确定各所述第一斑块评估模型的输出结果,并将各所述输出结果分别输入到第二斑块评估模型中;
根据所述第二斑块评估模型的输出结果和预设函数计算得到与所述被测斑块图像对应的斑块评估结果;
其中,各所述第一斑块评估模型分别包括第一网络模型和第二网络模型,相应的,所述各所述第一斑块评估模型具体用于:
将所述被测斑块图像和所述力学模拟参数输入到所述第一网络模型中得到输出的第一特征向量;
根据所述第一特征向量和所述第二网络模型确定第二特征向量,并根据所述第二特征向量和预设函数计算得到与所述被测斑块图像对应的斑块评估结果;
其中,各所述第一斑块评估模型分别包括第一网络模型、第二网络模型和第三网络模型,所述各所述第一斑块评估模型具体用于:
获取与所述被测斑块图像对应的生理参数;
将所述生理参数输入到所述第三网络模型中得到输出的第三特征向量,并将所述第一特征向量和所述第三特征向量输入到所述第二网络模型中得到输出的第二特征向量。
5.一种电子设备,其特征在于,所述电子设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-2中任一所述的斑块评估方法。
6.一种包含计算机可执行指令的存储介质,其特征在于,所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-2中任一所述的斑块评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011437525.3A CN112419308B (zh) | 2020-12-07 | 2020-12-07 | 斑块评估方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011437525.3A CN112419308B (zh) | 2020-12-07 | 2020-12-07 | 斑块评估方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112419308A CN112419308A (zh) | 2021-02-26 |
CN112419308B true CN112419308B (zh) | 2023-06-23 |
Family
ID=74775050
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011437525.3A Active CN112419308B (zh) | 2020-12-07 | 2020-12-07 | 斑块评估方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112419308B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115778433A (zh) * | 2022-11-24 | 2023-03-14 | 浙江大学 | 基于颈动脉超声图像实现个体化斑块生物力学评估的方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106056126A (zh) * | 2015-02-13 | 2016-10-26 | 西门子公司 | 医学成像中的斑块易损性评定 |
CN111145173A (zh) * | 2019-12-31 | 2020-05-12 | 上海联影医疗科技有限公司 | 一种冠脉造影图像的斑块识别方法、装置、设备及介质 |
CN111192316A (zh) * | 2018-11-15 | 2020-05-22 | 通用电气公司 | 用于动脉分析和评估的深度学习 |
CN111767683A (zh) * | 2020-06-17 | 2020-10-13 | 北京理工大学 | 颈动脉弹性斑块流固耦合特性ib-lbm数值模拟方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10699407B2 (en) * | 2018-04-11 | 2020-06-30 | Pie Medical Imaging B.V. | Method and system for assessing vessel obstruction based on machine learning |
-
2020
- 2020-12-07 CN CN202011437525.3A patent/CN112419308B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106056126A (zh) * | 2015-02-13 | 2016-10-26 | 西门子公司 | 医学成像中的斑块易损性评定 |
CN111192316A (zh) * | 2018-11-15 | 2020-05-22 | 通用电气公司 | 用于动脉分析和评估的深度学习 |
CN111145173A (zh) * | 2019-12-31 | 2020-05-12 | 上海联影医疗科技有限公司 | 一种冠脉造影图像的斑块识别方法、装置、设备及介质 |
CN111767683A (zh) * | 2020-06-17 | 2020-10-13 | 北京理工大学 | 颈动脉弹性斑块流固耦合特性ib-lbm数值模拟方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112419308A (zh) | 2021-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11357409B2 (en) | Blood vessel analysis apparatus, medical image diagnosis apparatus, and blood vessel analysis method | |
KR102358996B1 (ko) | 혈관 기하학적 구조 및 생리학으로부터 혈류 특징들을 추정하기 위한 시스템들 및 방법들 | |
Marlevi et al. | Estimation of cardiovascular relative pressure using virtual work-energy | |
CN112446866B (zh) | 血流参数的计算方法、装置、设备及存储介质 | |
JP6362853B2 (ja) | 血管解析装置、および血管解析装置の作動方法 | |
US10433740B2 (en) | Systems and methods for estimating ischemia and blood flow characteristics from vessel geometry and physiology | |
RU2717885C1 (ru) | Оценка потока, сопротивления или давления на основании измерений давления или потока и ангиографии | |
CN111815598B (zh) | 一种血管参数的计算方法、装置、设备及存储介质 | |
CN110866914A (zh) | 脑动脉瘤血流动力学指标的评估方法、系统、设备及介质 | |
CN107615335A (zh) | 医学图象处理方法和系统 | |
CN112446867B (zh) | 血流参数的确定方法、装置、设备及存储介质 | |
CA3126313A1 (en) | Patient-specific modeling of hemodynamic parameters in coronary arteries | |
JP6275797B2 (ja) | 管状構造解析装置、管状構造解析方法及び管状構造解析プログラム | |
CN112419308B (zh) | 斑块评估方法、装置、电子设备及存储介质 | |
Calò et al. | Spatiotemporal hemodynamic complexity in carotid arteries: an integrated computational hemodynamics and complex networks-based approach | |
CN116013533A (zh) | 冠脉的血流动力学评估模型的训练方法、评估方法及系统 | |
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 | |
Yevtushenko et al. | Modelling blood flow in patients with heart valve disease using deep learning: A computationally efficient method to expand diagnostic capabilities in clinical routine | |
Sokolov et al. | Estimation of blood flow velocity in coronary arteries based on the movement of radiopaque agent | |
CN112001893B (zh) | 一种血管参数的计算方法、装置、设备及存储介质 | |
Piskin et al. | A canonical correlation analysis of the relationship between clinical attributes and patient-specific hemodynamic indices in adult pulmonary hypertension | |
Versnjak et al. | Deep learning based assessment of hemodynamics in the coarctation of the aorta: comparison of bidirectional recurrent and convolutional neural networks | |
Li et al. | A fast approach to estimating Windkessel model parameters for patient-specific multi-scale CFD simulations of aortic flow | |
Kumar et al. | Advances in the application of computational fluid dynamics in cardiovascular flow | |
Hashemi | Non-invasive detection and assessment of coronary stenosis from blood mean residence times. |
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 |