CN112446866A - 血流参数的计算方法、装置、设备及存储介质 - Google Patents

血流参数的计算方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN112446866A
CN112446866A CN202011337819.9A CN202011337819A CN112446866A CN 112446866 A CN112446866 A CN 112446866A CN 202011337819 A CN202011337819 A CN 202011337819A CN 112446866 A CN112446866 A CN 112446866A
Authority
CN
China
Prior art keywords
detected
trained
image
blood vessel
blood flow
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
Application number
CN202011337819.9A
Other languages
English (en)
Other versions
CN112446866B (zh
Inventor
王晓东
袁绍锋
郭宇翔
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.)
Shanghai United Imaging Healthcare Co Ltd
Original Assignee
Shanghai United Imaging Healthcare 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 Shanghai United Imaging Healthcare Co Ltd filed Critical Shanghai United Imaging Healthcare Co Ltd
Priority to CN202011337819.9A priority Critical patent/CN112446866B/zh
Publication of CN112446866A publication Critical patent/CN112446866A/zh
Application granted granted Critical
Publication of CN112446866B publication Critical patent/CN112446866B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06N3/08—Learning methods
    • 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
    • G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • 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
    • G06T2207/30—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
    • 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)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Optimization (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Medical Informatics (AREA)
  • Algebra (AREA)
  • Fluid Mechanics (AREA)
  • Mathematical Analysis (AREA)
  • Radiology & Medical Imaging (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Multimedia (AREA)
  • Computer Graphics (AREA)
  • Image Analysis (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

本发明实施例公开了一种血流参数的计算方法、装置、设备及存储介质。该方法包括：获取待检测原始图像，对所述待检测原始图像中的血管区域进行分割，得到待检测血管图像；根据所述待检测血管图像确定至少一个待检测点，并确定所述待检测血管图像中与各所述待检测点对应的待检测邻域图像；将所述待检测邻域图像输入到训练完成的预设特征提取模型中，得到输出的预设特征向量；将输出的预设特征向量输入到训练完成的神经网络模型中，得到输出的与各所述待检测点对应的血流参数。本发明实施例通过神经网络模型得到待检测点位置处的血流参数，解决了计算血流参数复杂的问题，提高了血流参数计算的准确度。

Description

血流参数的计算方法、装置、设备及存储介质
技术领域
本发明实施例涉及血管影像技术领域，尤其涉及一种血流参数的计算方法、装置、设备及存储介质。
背景技术
计算机断层扫描(Computed Tomography，CT)和磁共振检查(MagneticResonance，MR)等医学影像学技术在医学诊断和治疗中发挥着重要作用。尤其是通过医学影像学技术对血管进行成像分析时，目前的现有技术主要是通过图像分割方法，对血管图像进行分割，以便医生可以清楚的观察到目标血管的形态结构，进而判断目标血管是否存在狭窄、斑块和动脉瘤等问题。进一步的，通过血流参数检测设备，如多普勒超声检查设备，可以得到被测部位的血流参数信息，医生通过结合血管的形状结构信息和血流参数信息，对被测部位进行诊断分析和制定治疗计划。
近年来随着医学的进步，医生希望能进一步了解这些血管中的血流情况，以便对疾病进行更加准确的诊断。因为血管对人体生命活动最重要的功能，只观察到血管的形态和整体上的血流参数，并不足以判断某一特定目标血管供血是否充足，或该处的血管狭窄是否是影响血流参数异常的主要原因。因此，针对每个单位血管位置处的血流动力学参数的研究越来越受到重视。
目前，研究血流动力学参数的现有技术，计算过程复杂，可操作性性不强，且计算结果的准确度不高，从而影响诊断和治疗效果。
发明内容
本发明实施例提供了一种血流参数的计算方法、装置、设备及存储介质，以降低血流参数计算的复杂度，同时提高血流参数计算的准确度。
第一方面，本发明实施例提供了一种血流参数的计算方法，该方法包括：
获取待检测原始图像，对所述待检测原始图像中的血管区域进行分割，得到待检测血管图像；
根据所述待检测血管图像确定至少一个待检测点，并确定所述待检测血管图像中与各所述待检测点对应的待检测邻域图像；
将所述待检测邻域图像输入到训练完成的预设特征提取模型中，得到输出的预设特征向量；
将输出的预设特征向量输入到训练完成的神经网络模型中，得到输出的与各所述待检测点对应的血流参数。
第二方面，本发明实施例还提供了一种血流参数的计算装置，该装置包括：
待检测血管确定模块，用于获取待检测原始图像，对所述待检测原始图像中的血管区域进行分割，得到待检测血管图像；
待检测邻域图像确定模块，用于根据所述待检测血管图像确定至少一个待检测点，并确定所述待检测血管图像中与各所述待检测点对应的待检测邻域图像；
预设特征向量输出模块，用于将所述待检测邻域图像输入到训练完成的预设特征提取模型中，得到输出的预设特征向量；
血流参数输出模块，用于将输出的预设特征向量输入到训练完成的神经网络模型中，得到输出的与各所述待检测点对应的血流参数。
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血流参数的计算方法。
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血流参数的计算方法。
本发明实施例通过对待检测邻域图像进行特征提取，并将提取得到的特征向量输入到神经网络模型中，得到各待检测点位置处的血流参数，解决了计算血流参数复杂的问题，提高了血流参数计算的准确度。
附图说明
图1是本发明实施例一提供的一种血流参数的计算方法的流程图；
图2是本发明实施例一提供的一种血流参数的计算方法的具体实例流程图；
图3是本发明实施例二提供的一种血流参数的计算方法的流程图；
图4是本发明实施例二提供的一种待训练网格的示意图；
图5是本发明实施例二提供的一种强化学习模型的训练方法的流程图；
图6是本发明实施例三提供的一种血流参数的计算装置的示意图；
图7是本发明实施例四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血流参数的计算方法的流程图，本实施例可适用于计算采集到的血管图像中各位置处的血流参数的情况，该方法可以由血流参数的计算装置来执行，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、获取待检测原始图像，对待检测原始图像中的血管区域进行分割，得到待检测血管图像。
其中，待检测原始图像包括通过成像设备采集到的血管医学图像。示例性的，成像设备可以是计算机断层扫描设备、核磁共振设备、基于X光的数字血管造影设备和超声设备。
其中，待检测血管图像中包含血管。示例性的，对血管区域进行分割的方法包括但不限于基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法、基于遗传算法的分割方法和基于主动轮廓模型的分割方法中至少一种。
S120、根据待检测血管图像确定至少一个待检测点，并确定待检测血管图像中与各待检测点对应的待检测邻域图像。
其中，待检测点可以是待检测血管图像上的任意一个待检测点，示例性的，待检测点可以是血管中心线上的点，也可以是血管表面上的点，当然还可以是血管特殊结构上的点，如血管分叉位置处。其中，待检测点可以是待检测血管图像上的一个像素点，也可以是预设范围内的多个像素点共同构成该待检测点。此处对待检测点包含的像素点个数不作限定。
在一个实施例中，可选的，对待检测血管图像进行中心线提取得到待检测中心线图像，并对待检测中心线图像进行处理得到至少一个待检测点。其中，待检测中心线图像包含血管中心线。示例性的，提取中心线的方法包括但不限于基于拓扑细化方法、基于追踪方法、最短路径方法、基于距离变换方法和类似区域生长算法中至少一种。
在一个实施例中，可选的，处理的方法包括平滑处理和归一化处理。其中，示例性的，平滑处理的方法可以是均值滤波方法、中值滤波方法、高斯滤波方法、双边滤波方法和卡尔曼滤波方法。其中，示例性的，归一化处理方法可以是线性函数转换法、对数函数转换法和反余切函数转换法等。
在一个实施例中，可选的，确定待检测血管图像中与各待检测点对应的待检测邻域图像，包括：针对每个待检测点，根据待检测点的位置坐标，在待检测血管图像上选取待检测点所在的预设邻域范围内的图像作为与待检测点对应的待检测邻域图像。其中，示例性的，预设邻域范围可以是圆形范围、方形范围和不规则形状范围等，此处对预设邻域范围不作限定。其中，示例性的，可将待检测点作为预设邻域范围区域的中心点。
S130、将待检测邻域图像输入到训练完成的预设特征提取模型中，得到输出的预设特征向量。
其中，预设特征提取模型可用于提取输入参数的特征向量。在一个实施例中，可选的，预设特征提取模型包括图像特征提取模型，相应的，预设特征向量包括图像特征向量。其中，示例性的，图像特征提取模型可以是卷积神经网络模型。
在另一个实施例中，可选的，预设特征提取模型还包括生理特征提取模型，相应的，预设特征向量还包括生理特征向量，该方法还包括：获取与各待检测点对应的生理参数测量值，并将生理参数测量值输入到训练完成的生理特征提取模型中得到输出的生理特征向量。
其中，示例性的，生理特征提取模型可以是多层全连接神经网络模型。生理参数测量值包括血压、心输出量、血液流速和血管直径等生理参数。在一个实施例中，可选的，基于待检测血管图像确定生理参数测量值，和/或，获取用户输入的生理参数测量值。其中，示例性的，根据待检测血管图像的像素尺寸确定冠状动脉的血管直径。其中，示例性的，采用生理参数测量仪器对被测部位进行测量，得到生理参数测量值，如血压和血液流速等测量值。在一个实施例中，生理参数测量值包括全局生理参数测量值和局部生理参数测量值。示例性的，全局生理参数测量值可以是通过生理参数测量仪器测量得到的血压值，局部生理参数测量值可以是冠状动脉的血管直径。
S140、将输出的预设特征向量输入到训练完成的神经网络模型中，得到输出的与各待检测点对应的血流参数。
其中，示例性的，神经网络模型包括但不限于递归神经网络模型、编码解码网络模型、生成对抗网络模型或深度置信网络模型。
在一个实施例中，可选的，神经网络模型为强化学习模型。其中，强化学习模型可用于描述和解决智能体在与环境的交互过程中通过学习策略以达到回报最大或实现特征目标的问题。在一个实施例中，可选的，强化学习模型的强化学习算法满足Q-learning算法，其中，Q-learning算法满足公式：
Q(s,a):＝Q(s,a)+α[r+γmaxa'Q(s',a')-Q(s,a)]
其中，s表示当前状态，a表示当前状态采取的行为，s'表示下一状态，a'表示下一状态采取的行为，r表示当前状态采取的行为生成的奖励分数，γ表示惩罚因子，α表示学习率。
在一个实施例中，可选的，强化学习模型包括深度强化学习模型(DQN模型)。其中，DQN模型是一种融合了卷积神经网络和Q-learning算法的模型。
其中，示例性的，血流参数包括但不限于血压、血流量、血管壁切应力、血液流速和血流方向中至少一种。在上述实施例的基础上，进一步地，可以对各待检测点上的血流参数进行数学运算。示例性的，沿血流方向，将预设两个待检测点进行差值计算，得到预设两个待检测点之间的压力差值，即压降。其中，预设两个待检测点可以是相邻的待检测点，也可以是不相邻的待检测点。通过压力差值可以判断预设两个待检测点之间的血管情况，如是否血管堵塞或是否供血不足等。
图2是本发明实施例一提供的一种血流参数的计算方法的具体实例流程图。对待检测原始图像中的血管区域进行分割得到待检测血管图像。对待检测血管图像进行中心线提取得到待检测中心线图像，并对待检测中心线图像进行平滑和归一化处理得到至少一个待检测点，确定待检测血管图像中与各待检测点对应的待检测邻域图像。图2中的虚线箭头表示生理参数测量值可以是根据待检测血管图像得到的，也可以是通过其他生理检测仪器得到的。将待检测邻域图像和生理参数测量值输入到预设特征提取模型中，并将预设特征提取模型输出的预设特征向量输入到强化学习模型中，得到输出的与各待检测点对应的血流参数。
本实施例的技术方案，通过对待检测邻域图像进行特征提取，并将提取得到的特征向量输入到神经网络模型中，得到各待检测点位置处的血流参数，解决了计算血流参数复杂的问题，提高了血流参数计算的准确度。
实施例二
图3是本发明实施例二提供的一种血流参数的计算方法的流程图，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：获取待训练原始图像，对所述待训练原始图像中的血管区域进行分割，得到待训练血管图像；根据所述待训练血管图像确定至少一个待训练点，并确定所述待训练血管图像中与各所述待训练点对应的待训练邻域图像；将所述待训练邻域图像输入到初始预设特征提取模型中，得到输出的初始预设特征向量；将输出的初始预设特征向量输入到初始神经网络模型中，并基于初始神经网络模型的输出结果和标准训练参数，对初始预设特征提取模型和初始神经网络模型的模型参数进行调整，以得到训练完成的预设特征提取模型和神经网络模型。
本实施例的具体实施步骤包括：
S210、获取待训练原始图像，对待训练原始图像中的血管区域进行分割，得到待训练血管图像；
S220、根据待训练血管图像确定至少一个待训练点，并确定待训练血管图像中与各待训练点对应的待训练邻域图像；
S230、将待训练邻域图像输入到初始预设特征提取模型中，得到输出的初始预设特征向量；
S240、将输出的初始预设特征向量输入到初始神经网络模型中，并基于初始神经网络模型的输出结果和标准训练参数，对初始预设特征提取模型和初始神经网络模型的模型参数进行调整，以得到训练完成的预设特征提取模型和神经网络模型。
其中，标准训练参数可以是人工标注的与各待训练点对应的血流参数，也可以是基于预设计算方法计算得到的与各待训练点对应的血流参数。
在一个实施例中，可选的，该方法还包括：对待训练血管图像进行网格化处理得到待训练网格，并采用计算流体力学算法计算得到待训练网格中各网格节点处的初始血流参数；针对每个待训练点，确定待训练网格中与待训练点对应的待训练邻域网格，并根据待训练邻域网格中网格节点的初始血流参数确定与待训练点对应的标准训练参数。
其中，待训练网格用于描述采用离散网格单元对待训练血管图像划分后得到的网格模型。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。在另一个实施例中，可选的，对待训练血管图像进行三维重建，并对重建得到的三维血管模型进行网格化处理，得到待训练网格。其中，待训练网格的类型包括结构化表面网格、非结构化表面网格、结构化体网格和非结构化体网格。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。
在一个实施例中，可选的，根据待训练血管图像中血管的血管类型和/或弧度确定划分的网格密度，并基于网格密度对待训练血管图像进行网格划分得到待训练网格。
在一个实施例中，根据待训练血管图像中血管的类型确定划分的网格密度。其中，具体的，建立血管的类型与网格密度之间的映射关系，根据映射关系确定与血管类型对应的网格密度。其中，待训练血管图像包括至少一种类型的血管。示例性的，待训练血管图像可包括主动脉血管和冠状动脉血管。在一个实施例中，可选的，主动脉血管对应的网格密度小于冠状动脉血管的网格密度。其中，具体的，在对主动脉血管进行网格划分时，采用较大的网格划分，网格密度稀疏。在对冠状动脉血管进行网格划分时，尤其是冠状动脉细支血管处，采用较小的网格划分，网格密度密集。这样设置的好处在于，可以更好的体现出血管细微处的特征信息。
在一个实施例中，根据待训练血管图像中血管的弧度确定划分的网格密度。在一个实施例中，可选的，血管的弧度与网格密度成正相关关系。其中，具体的，当血管的弧度较小时，网格密度密集；当血管的弧度较大时，网格密度稀疏。这样设置的好处在于，弧度较小的血管往往包含更多的血管信息，采用更密集的网格密度对其进行网格划分，可突出血管该位置处的血管特征信息，从而提高计算精度。
在一个实施例中，根据待训练血管图像中血管的类型和弧度确定划分的网格密度。其中，具体的，对冠状动脉血管上弧度较小的血管进行划分时，在对冠状动脉血管进行划分的网格尺寸的基础上，进一步缩小网格尺寸，应用该缩小后的网格尺寸对冠状动脉血管上弧度较小的血管进行划分。
图4是本发明实施例二提供的一种待训练网格的示意图，图4中示出的待训练网格在不同位置处的网格密度不同。如图4所示，位置1对应的圆形区域内的网格密度与位置2对应的圆形区域内的网格密度明显不同，位置1对应的圆形区域内的网格尺寸较小，网格密度较大，位置2对应的圆形区域内的网格尺寸较大，网格密度较小。
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，计算流体力学方法采用的流体方程包括纳维-斯托克斯方程(N-S方程)。其中，具体的，将待训练生理参数测量值作为边界条件，与待训练网格一起输入到计算流体力学求解器中，得到输出的待训练网格中各网格节点处的初始血流参数。
其中，根据待训练点的位置坐标，在待训练网格上选取待训练点所在的预设邻域范围内的网格作为与待训练点对应的待检测邻域网格。其中，待训练邻域网格包含多个网格单元，在一个实施例中，可选的，将待训练邻域网格中各网格单元对应的网格节点处的初始血流参数求平均值，得到与该训练点对应的标准训练参数。在另一个实施例中，还可以将待训练邻域网格中各网格单元对应的网格节点处的初始血流参数中的最大值、最小值或中值作为与训练点对应的标准训练参数的参数值。
图5是本发明实施例二提供的一种强化学习模型的训练方法的流程图。对待训练原始图像中的血管区域进行分割得到待训练血管图像。对待训练血管图像进行中心线提取得到待训练中心线图像，并对待训练中心线图像进行平滑和归一化处理得到至少一个待训练点，确定待训练血管图像中与各待训练点对应的待训练邻域图像。对待训练血管图像进行网格化处理得到待训练网格，确定待训练网格中与各待训练点对应的待训练邻域网格，采用CFD(计算流体力学算法)对待训练网格进行计算得到与各待训练点对应的初始血流参数。基于待训练邻域网格中各网格节点处的初始血流参数确定标准训练参数。图5中的虚线箭头表示待训练生理参数测量值可以是根据待训练血管图像得到的，也可以是通过其他生理检测仪器得到的。将待训练邻域图像和生理参数测量值输入到初始预设特征提取模型中，并将初始预设特征提取模型输出的预设特征向量输入到初始神经网络模型中，基于标准训练参数对初始预设特征提取模型和初始神经网络模型中的模型参数进行调整，直到得到训练完成的预设特征提取模型和神经网络模型。
在一个实施例中，可选的，当神经网络模型为强化学习模型时，强化学习模型的训练方法，包括：根据当前待训练点的坐标，以及与当前待训练点对应的预设特征向量，确定初始强化学习模型的当前状态；根据下一待训练点的血流参数与当前待训练点的血流参数之间的差值，确定初始强化学习模型的当前行为；基于初始强化学习模型在当前状态下执行当前行为后生成的奖励分数，对初始强化学习模型的模型参数进行调整，以得到训练完成的强化学习模型；其中，奖励分数包括初始强化学习模型的输出结果和标准训练参数之间的差值。
其中，预设特征向量包括图像特征向量和生理特征向量。其中，强化学习算法中的学习率α和惩罚因子γ可根据实际经验进行设置和调整。在一个实施例中，可选的，奖励分数包括初始强化学习模型的输出结果和标准训练参数之间的差值。
在一个实施例中，可选的，强化学习模型输出的血流参数包括各待训练点的血流参数之间的差值。示例性的，血流参数为血压值，则强化学习模型输出每个待检测点对应的压降值。
在另一个实施例中，可选的，强化学习模型的训练方法，还包括：针对每个待训练点，将待训练血管图像上的第一个待训练点到待训练点之间的所有待训练点对应的血流参数的差值进行累加计算，得到与待训练点对应的血流参数。
其中，具体的，以血流参数为血压为例，假设待训练血管图像包括3个待训练点，依次分别为待训练点A、待训练点B和待训练点C。强化学习模型中的强化学习算法可计算出每个待训练点对应的压降分别为1、2和3。设血管入口处的血压值为10，则待训练点A、待训练点B和待训练点C处的血压值分别为9、7和4。
S250、获取待检测原始图像，对待检测原始图像中的血管区域进行分割，得到待检测血管图像。
S260、根据待检测血管图像确定至少一个待检测点，并确定待检测血管图像中与各待检测点对应的待检测邻域图像。
S270、将待检测邻域图像输入到训练完成的预设特征提取模型中，得到输出的预设特征向量。
S280、将输出的预设特征向量输入到训练完成的神经网络模型中，得到输出的与各待检测点对应的血流参数。
本实施例的技术方案，通过采用计算流体力学算法计算得到标准训练参数，定义强化学习模型中的强化学习参数的具体含义，解决了计算血流参数复杂的问题，提高了血流参数计算的准确度。
实施例三
图6是本发明实施例三提供的一种血流参数的计算装置的示意图。本实施例可适用于计算采集到的血管图像中各位置处的血流参数的情况，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。该血流参数的计算装置包括：待检测血管确定模块310、待检测邻域图像确定模块320、预设特征向量输出模块330和血流参数输出模块340。
其中，待检测血管确定模块310，用于获取待检测原始图像，对待检测原始图像中的血管区域进行分割，得到待检测血管图像；
待检测邻域图像确定模块320，用于根据待检测血管图像确定至少一个待检测点，并确定待检测血管图像中与各待检测点对应的待检测邻域图像；
预设特征向量输出模块330，用于将待检测邻域图像输入到训练完成的预设特征提取模型中，得到输出的预设特征向量；
血流参数输出模块340，用于将输出的预设特征向量输入到训练完成的神经网络模型中，得到输出的与各待检测点对应的血流参数。
本实施例的技术方案，通过对待检测邻域图像进行特征提取，并将提取得到的特征向量输入到神经网络模型中，得到各待检测点位置处的血流参数，解决了计算血流参数复杂的问题，提高了血流参数计算的准确度。
在上述技术方案的基础上，可选的，待检测邻域图像确定模块320具体用于：
对待检测血管图像进行中心线提取得到待检测中心线图像，并对待检测中心线图像进行处理得到至少一个待检测点。
在上述技术方案的基础上，可选的，预设特征提取模型包括图像特征提取模型，相应的，预设特征向量包括图像特征向量。
在上述技术方案的基础上，可选的，预设特征提取模型还包括生理特征提取模型，相应的，预设特征向量还包括生理特征向量，该装置还包括：
生理特征向量确定模块，用于获取与各所述待检测点对应的生理参数测量值，并将所述生理参数测量值输入到训练完成的生理特征提取模型中得到输出的生理特征向量。
在上述技术方案的基础上，可选的，该装置还包括：
待训练血管图像确定模块，用于获取待训练原始图像，对待训练原始图像中的血管区域进行分割，得到待训练血管图像；
待训练邻域图像确定模块，用于根据待训练血管图像确定至少一个待训练点，并确定待训练血管图像中与各待训练点对应的待训练邻域图像；
初始预设特征向量确定模块，用于将待训练邻域图像输入到初始预设特征提取模型中，得到输出的初始预设特征向量；
神经网络模型训练模块，用于将输出的初始预设特征向量输入到初始神经网络模型中，并基于初始神经网络模型的输出结果和标准训练参数，对初始预设特征提取模型和初始神经网络模型的模型参数进行调整，以得到训练完成的预设特征提取模型和神经网络模型。
在上述技术方案的基础上，可选的，该装置还包括：
标准训练参数确定模块，用于对待训练血管图像进行网格化处理得到待训练网格，并采用计算流体力学算法计算得到待训练网格中各网格节点处的初始血流参数；针对每个待训练点，确定待训练网格中与待训练点对应的待训练邻域网格，并根据待训练邻域网格中网格节点的初始血流参数确定与待训练点对应的标准训练参数。
在上述技术方案的基础上，可选的，当所述神经网络模型为强化学习模型时，神经网络模型训练模块具体用于：
根据当前待训练点的坐标，以及与当前待训练点对应的预设特征向量，确定初始强化学习模型的当前状态；
根据下一待训练点的血流参数与当前待训练点的血流参数之间的差值，确定初始强化学习模型的当前行为；
基于初始强化学习模型在当前状态下执行当前行为后生成的奖励分数，对初始强化学习模型的模型参数进行调整，以得到训练完成的强化学习模型。
在上述技术方案的基础上，可选的，神经网络模型训练模块具体用于：
针对每个待训练点，将待训练血管图像上的第一个待训练点到待训练点之间的所有待训练点对应的血流参数的差值进行累加计算，得到与待训练点对应的血流参数。
本发明实施例所提供的血流参数的计算装置可以用于执行本发明实施例所提供的血流参数的计算方法，具备执行方法相应的功能和有益效果。
值得注意的是，上述血流参数的计算装置的实施例中，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。
实施例四
图7是本发明实施例四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血流参数的计算方法的实现提供服务，可配置上述实施例中的血流参数的计算装置。图7示出了适于用来实现本发明实施方式的示例性设备12的框图。图7显示的设备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7所示，设备12以通用计算设备的形式表现。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。
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。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7未显示，通常称为“硬盘驱动器”)。尽管图7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/或血流参数的计算方法。
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设备12交互的设备通信，和/或与使得该设备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，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7所示，网络适配器20通过总线18与设备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血流参数的计算方法。
通过上述设备，解决了计算血流参数复杂的问题，提高了血流参数计算的准确度。
实施例五
本发明实施例五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血流参数的计算方法，该方法包括：
获取待检测原始图像，对待检测原始图像中的血管区域进行分割，得到待检测血管图像；
根据待检测血管图像确定至少一个待检测点，并确定待检测血管图像中与各待检测点对应的待检测邻域图像；
将待检测邻域图像输入到训练完成的预设特征提取模型中得到输出的预设特征向量；
将输出的预设特征向量输入到训练完成的神经网络模型中，得到输出的与各待检测点对应的血流参数。
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血流参数的计算方法中的相关操作。
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，本发明不限于这里所述的特定实施例，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 (10)

1.一种血流参数的计算方法，其特征在于，包括：
获取待检测原始图像，对所述待检测原始图像中的血管区域进行分割，得到待检测血管图像；
根据所述待检测血管图像确定至少一个待检测点，并确定所述待检测血管图像中与各所述待检测点对应的待检测邻域图像；
将所述待检测邻域图像输入到训练完成的预设特征提取模型中，得到输出的预设特征向量；
将输出的预设特征向量输入到训练完成的神经网络模型中，得到输出的与各所述待检测点对应的血流参数。
2.根据权利要求1所述的方法，其特征在于，所述根据所述待检测血管图像确定至少一个待检测点，包括：
对所述待检测血管图像进行中心线提取得到待检测中心线图像，并对所述待检测中心线图像进行处理得到至少一个待检测点。
3.根据权利要求1所述的方法，其特征在于，所述预设特征提取模型包括图像特征提取模型，相应的，所述预设特征向量包括图像特征向量。
4.根据权利要求3所述的方法，其特征在于，所述预设特征提取模型还包括生理特征提取模型，相应的，所述预设特征向量还包括生理特征向量，所述方法还包括：
获取与各所述待检测点对应的生理参数测量值，并将所述生理参数测量值输入到训练完成的生理特征提取模型中得到输出的生理特征向量。
5.根据权利要求1所述的方法，其特征在于，还包括：
获取待训练原始图像，对所述待训练原始图像中的血管区域进行分割，得到待训练血管图像；
根据所述待训练血管图像确定至少一个待训练点，并确定所述待训练血管图像中与各所述待训练点对应的待训练邻域图像；
将所述待训练邻域图像输入到初始预设特征提取模型中，得到输出的初始预设特征向量；
将输出的初始预设特征向量输入到初始神经网络模型中，并基于初始神经网络模型的输出结果和标准训练参数，对初始预设特征提取模型和初始神经网络模型的模型参数进行调整，以得到训练完成的预设特征提取模型和神经网络模型。
6.根据权利要求5所述的方法，其特征在于，当所述神经网络模型为强化学习模型时，所述强化学习模型的训练方法，包括：
根据当前待训练点的坐标，以及与所述当前待训练点对应的预设特征向量，确定初始强化学习模型的当前状态；
根据下一待训练点的血流参数与当前待训练点的血流参数之间的差值，确定初始强化学习模型的当前行为；
基于初始强化学习模型在当前状态下执行当前行为后生成的奖励分数，对初始强化学习模型的模型参数进行调整，以得到训练完成的强化学习模型。
7.根据权利要求6所述的方法，其特征在于，所述强化学习模型的训练方法，还包括：
针对每个待训练点，将所述待训练血管图像上的第一个待训练点到所述待训练点之间的所有待训练点对应的血流参数的差值进行累加计算，得到与所述待训练点对应的血流参数。
8.一种血流参数的计算装置，其特征在于，包括：
待检测血管确定模块，用于获取待检测原始图像，对所述待检测原始图像中的血管区域进行分割，得到待检测血管图像；
待检测邻域图像确定模块，用于根据所述待检测血管图像确定至少一个待检测点，并确定所述待检测血管图像中与各所述待检测点对应的待检测邻域图像；
预设特征向量输出模块，用于将所述待检测邻域图像输入到训练完成的预设特征提取模型中，得到输出的预设特征向量；
血流参数输出模块，用于将输出的预设特征向量输入到训练完成的神经网络模型中，得到输出的与各所述待检测点对应的血流参数。
9.一种电子设备，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1-7中任一所述的血流参数的计算方法。
10.一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1-7中任一所述的血流参数的计算方法。
CN202011337819.9A 2020-11-25 2020-11-25 血流参数的计算方法、装置、设备及存储介质 Active CN112446866B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011337819.9A CN112446866B (zh) 2020-11-25 2020-11-25 血流参数的计算方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011337819.9A CN112446866B (zh) 2020-11-25 2020-11-25 血流参数的计算方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN112446866A true CN112446866A (zh) 2021-03-05
CN112446866B CN112446866B (zh) 2023-05-26

Family

ID=74737567

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011337819.9A Active CN112446866B (zh) 2020-11-25 2020-11-25 血流参数的计算方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN112446866B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113205488A (zh) * 2021-04-19 2021-08-03 深圳睿心智能医疗科技有限公司 血流特性预测方法、装置、电子设备及存储介质
CN113836832A (zh) * 2021-08-13 2021-12-24 中国人民解放军东部战区总医院 一种确定血管状态参数的方法和装置
CN114462329A (zh) * 2022-01-10 2022-05-10 中山大学孙逸仙纪念医院 一种升主动脉流体力学参数的测算方法和装置
CN114638878A (zh) * 2022-03-18 2022-06-17 北京安德医智科技有限公司 基于深度学习的二维超声心动图管径检测方法及装置
CN114723684A (zh) * 2022-03-22 2022-07-08 推想医疗科技股份有限公司 模型训练方法及其装置、血管结构生成方法及其装置
CN116052889A (zh) * 2023-03-31 2023-05-02 四川无限智达科技有限公司 一种基于血液常规指标检测的sFLC预测系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108665449A (zh) * 2018-04-28 2018-10-16 向建平 预测血流矢量路径上的血流特征的深度学习模型及装置
CN109166124A (zh) * 2018-11-20 2019-01-08 中南大学 一种基于连通区域的视网膜血管形态量化方法
CN110168613A (zh) * 2016-09-20 2019-08-23 哈特弗罗公司 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
CN110211111A (zh) * 2019-05-31 2019-09-06 上海联影医疗科技有限公司 一种血管提取的方法、装置、图像处理设备及存储介质
CN110866914A (zh) * 2019-11-21 2020-03-06 北京冠生云医疗技术有限公司 脑动脉瘤血流动力学指标的评估方法、系统、设备及介质
CN111160302A (zh) * 2019-12-31 2020-05-15 深圳一清创新科技有限公司 基于自动驾驶环境的障碍物信息识别方法和装置
CN111340789A (zh) * 2020-02-29 2020-06-26 平安科技（深圳）有限公司 眼底视网膜血管识别及量化方法、装置、设备及存储介质
CN111680447A (zh) * 2020-04-21 2020-09-18 深圳睿心智能医疗科技有限公司 血流特征预测方法、装置、计算机设备和存储介质
CN111815598A (zh) * 2020-06-30 2020-10-23 上海联影医疗科技有限公司 一种血管参数的计算方法、装置、设备及存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110168613A (zh) * 2016-09-20 2019-08-23 哈特弗罗公司 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
CN108665449A (zh) * 2018-04-28 2018-10-16 向建平 预测血流矢量路径上的血流特征的深度学习模型及装置
CN109166124A (zh) * 2018-11-20 2019-01-08 中南大学 一种基于连通区域的视网膜血管形态量化方法
CN110211111A (zh) * 2019-05-31 2019-09-06 上海联影医疗科技有限公司 一种血管提取的方法、装置、图像处理设备及存储介质
CN110866914A (zh) * 2019-11-21 2020-03-06 北京冠生云医疗技术有限公司 脑动脉瘤血流动力学指标的评估方法、系统、设备及介质
CN111160302A (zh) * 2019-12-31 2020-05-15 深圳一清创新科技有限公司 基于自动驾驶环境的障碍物信息识别方法和装置
CN111340789A (zh) * 2020-02-29 2020-06-26 平安科技（深圳）有限公司 眼底视网膜血管识别及量化方法、装置、设备及存储介质
CN111680447A (zh) * 2020-04-21 2020-09-18 深圳睿心智能医疗科技有限公司 血流特征预测方法、装置、计算机设备和存储介质
CN111815598A (zh) * 2020-06-30 2020-10-23 上海联影医疗科技有限公司 一种血管参数的计算方法、装置、设备及存储介质

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113205488A (zh) * 2021-04-19 2021-08-03 深圳睿心智能医疗科技有限公司 血流特性预测方法、装置、电子设备及存储介质
CN113205488B (zh) * 2021-04-19 2023-12-29 深圳睿心智能医疗科技有限公司 血流特性预测方法、装置、电子设备及存储介质
CN113836832A (zh) * 2021-08-13 2021-12-24 中国人民解放军东部战区总医院 一种确定血管状态参数的方法和装置
CN114462329A (zh) * 2022-01-10 2022-05-10 中山大学孙逸仙纪念医院 一种升主动脉流体力学参数的测算方法和装置
CN114638878A (zh) * 2022-03-18 2022-06-17 北京安德医智科技有限公司 基于深度学习的二维超声心动图管径检测方法及装置
CN114638878B (zh) * 2022-03-18 2022-11-11 北京安德医智科技有限公司 基于深度学习的二维超声心动图管径检测方法及装置
CN114723684A (zh) * 2022-03-22 2022-07-08 推想医疗科技股份有限公司 模型训练方法及其装置、血管结构生成方法及其装置
CN116052889A (zh) * 2023-03-31 2023-05-02 四川无限智达科技有限公司 一种基于血液常规指标检测的sFLC预测系统
CN116052889B (zh) * 2023-03-31 2023-07-04 四川无限智达科技有限公司 一种基于血液常规指标检测的sFLC预测系统

Also Published As

Publication number Publication date
CN112446866B (zh) 2023-05-26

Similar Documents

Publication Publication Date Title
CN112446866B (zh) 血流参数的计算方法、装置、设备及存储介质
US20210358634A1 (en) Systems and methods for image processing to determine blood flow
CN112446867B (zh) 血流参数的确定方法、装置、设备及存储介质
CN111815598B (zh) 一种血管参数的计算方法、装置、设备及存储介质
US9773219B2 (en) Systems and methods for using geometry sensitivity information for guiding workflow
CN111292314B (zh) 冠脉分段方法、装置、图像处理系统和存储介质
CN112116615B (zh) 根据血管中心线获取血管轮廓线的方法和装置
CN112132949B (zh) 具有狭窄病变区间的血管三维建模方法、装置和系统
CN112419484B (zh) 三维血管合成方法、系统及冠状动脉分析系统和存储介质
CN111312375A (zh) 虚拟冠脉手术的搭桥分析方法、系统、介质及设备
CN112749521A (zh) 血流动力学指标数据的处理方法和系统
JP2022538361A (ja) 画像分割信頼度決定
CN112419276A (zh) 调节血管轮廓及中心线的方法及存储介质
US10354349B2 (en) Systems and methods for using geometry sensitivity information for guiding workflow
CN112132882A (zh) 从冠状动脉二维造影图像中提取血管中心线的方法和装置
CN112419277B (zh) 三维血管中心线合成方法、系统及存储介质
US20230222668A1 (en) Image processing apparatus, image processing method, and recording medium
CN112001893B (zh) 一种血管参数的计算方法、装置、设备及存储介质
CN111192664A (zh) 一种图像标记方法、系统、设备及存储介质
CN112419308B (zh) 斑块评估方法、装置、电子设备及存储介质
CN111738986B (zh) 一种脂肪衰减指数的生成方法、装置及计算机可读介质
US20230086533A1 (en) Medical image processing apparatus, medical image processing method, and storage medium
EP4295763A1 (en) Generating an anatomical model of an anatomical cavity
WO2023247159A1 (en) Generating an anatomical model of an anatomical cavity
MOHEE One-dimensional computational flow modelling using patient specific geometry to assess fractional flow reserve (FFR)

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