CN112932434A - 获取流量损失模型、损失比、供血能力的方法和系统 - Google Patents
获取流量损失模型、损失比、供血能力的方法和系统 Download PDFInfo
- Publication number
- CN112932434A CN112932434A CN202110125564.8A CN202110125564A CN112932434A CN 112932434 A CN112932434 A CN 112932434A CN 202110125564 A CN202110125564 A CN 202110125564A CN 112932434 A CN112932434 A CN 112932434A
- Authority
- CN
- China
- Prior art keywords
- blood flow
- blood
- flow loss
- obtaining
- vessel
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 230000036770 blood supply Effects 0.000 title claims abstract description 55
- 230000017531 blood circulation Effects 0.000 claims abstract description 192
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 108
- 230000033001 locomotion Effects 0.000 claims abstract description 89
- 238000013135 deep learning Methods 0.000 claims abstract description 10
- 230000000877 morphologic effect Effects 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 20
- 239000008280 blood Substances 0.000 claims description 18
- 210000004369 blood Anatomy 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 230000000284 resting effect Effects 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000002792 vascular Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 abstract description 7
- 208000028867 ischemia Diseases 0.000 abstract description 6
- 230000002194 synthesizing effect Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 7
- 210000000056 organ Anatomy 0.000 description 7
- 210000004351 coronary vessel Anatomy 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 6
- 239000003814 drug Substances 0.000 description 5
- 230000000302 ischemic effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000033764 rhythmic process Effects 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000036772 blood pressure Effects 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 208000019622 heart disease Diseases 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000000250 revascularization Effects 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- 208000001778 Coronary Occlusion Diseases 0.000 description 1
- 201000000057 Coronary Stenosis Diseases 0.000 description 1
- 206010011086 Coronary artery occlusion Diseases 0.000 description 1
- 206010020565 Hyperaemia Diseases 0.000 description 1
- 208000024248 Vascular System injury Diseases 0.000 description 1
- 208000012339 Vascular injury Diseases 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000916 dilatatory effect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000013152 interventional procedure Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 208000031225 myocardial ischemia Diseases 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/026—Measuring blood flow
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Physiology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Hematology (AREA)
- Cardiology (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本申请提供了一种获取流量损失模型、损失比、供血能力的方法和系统，获取流量损失模型的方法包括：获取感兴趣的血管段；获取所述感兴趣血管段的特征值；根据所述特征值，建立血流量损失模型。本申请通过合成感兴趣血管段，从血管段上获取血管特征值，根据血管特征值、以及深度学习获取血流量损失模型，再基于深度模型，获取不同运动等级的流量损失比，进而实现了针对个体的差别化评价，提高了供血能力以及缺血情况评估的准确性。
Description
技术领域
本发明涉及冠状动脉医学技术领域，特别是涉及一种获取流量损失模型、损失比、供血能力的方法和系统。
背景技术
人体血管是血液传输的通道，动脉负责将血液输送到各个组织器官进行物质交换，氧气养料被各组织器官吸收，同时各组织器官排出二氧化碳和废物。由于血管损伤导致血流的减少会影响各组织器官的功能，如冠脉阻塞引起心肌缺血。现有技术多通过侵入性的压力导丝测量血管压力获得功能学指标(如FFR，IMR)，但需要使用扩张药物模拟最大充血态，手术操作复杂费时并存在手术风险导致应用较少。
因此为了解决压力导丝存在的问题，目前临床上通过影像检测血管参数，如形态、血液流速及压力等参数来评估供血能力。但是由于随着年龄的增大，患者不需要进行大幅度的剧烈运动，所以对供血的要求降低，以及由于个体的血管管腔截面面积的差异，对血管的供血能力均有影响等。
综合上述多种因素，单纯的从图像获得形态参数，只考虑血管阻塞程度而无法准确评估实际器官在不同负荷状态下是否缺血，存在评估不准确的问题。
发明内容
本发明提供了一种获取流量损失模型、损失比、供血能力的方法和系统，以解决现有技术中单纯的从图像获得形态参数，只考虑血管阻塞程度而无法准确评估实际器官在不同负荷状态下是否缺血，存在评估不准确的问题。
为实现上述目的，第一方面，本申请提供了一种用于获取血流量损失模型的方法，包括：
获取感兴趣的血管段；
获取所述感兴趣血管段的特征值；
根据所述特征值，建立血流量损失模型。
可选地，上述的用于获取血流量损失模型的方法，所述特征值包括：血管形态参数、心率、血液流动速度和血流量。
可选地，上述的用于获取血流量损失模型的方法，根据所述特征值，建立所述血流量损失模型的方法包括：
血流量损失比
其中QR表示流速损失比，ΔQ表示感兴趣的血管段从入口至出口的血流量损失，Q表示感兴趣的血管段的入口流量；
根据样本数据，获取所述特征值与所述血流量损失比之间的关系，通过深度学习创建血流量损失模型。
可选地，上述的用于获取血流量损失模型的方法，所述根据样本数据，获取所述特征值与所述血流量损失比之间的关系，通过深度学习创建血流量损失模型的方法，包括：
如果血管形态参数相同，根据所述样本数据，获取血液流动速度与血流量损失之间的关系ΔQ＝h(v)，其中，h(v)表示一个以v为自变量的函数，v表示血液流动速度；
如果所述血液流动速度相同，根据所述样本数据，获取所述血管形态参数与所述血流量损失之间的关系ΔQ＝f(m)，其中，f(m)表示一个以m为自变量的函数，m表示血管形态参数，包括：正常血管的参考管腔面积S，血管狭窄区域的最小管腔横截面积S’，血管狭窄区域的血管长度L。
根据ΔQ＝h(v)、ΔQ＝f(m)、
通过多层全连接神经网络对所述样本进行深度学习，获取血流量损失模型。
可选地，上述的用于获取血流量损失模型的方法，所述多层全连接神经网络的方法包括：输入层、至少两层隐藏层，每隐藏层包括50～150个神经元，激活函数、输出层。
可选地，上述的用于获取血流量损失模型的方法，所述激活函数包括：sigmod函数。
可选地，上述的用于获取血流量损失模型的方法，还包括：根据所述特征值与所述血流量损失的关系生成模拟样本，将所述模拟样本加入所述样本数据中，扩充样本数量。
可选地，上述的用于获取血流量损失模型的方法，所述如果血管形态参数相同，根据样本数据，获取血液流动速度与血流量损失之间的关系ΔQ＝h(v)的方法，包括：
如果血管形态参数相同，则建立横坐标为
纵坐标为
的坐标系，将所述样本数据点设置于所述坐标系内，获取血液流动速度与血流量损失之间的关系ΔQ＝h(v)，其中△Qp表示血液平均流动速度为vp时，感兴趣血管段从入口到出口的流量损失，△Qa表示真实血管形态下，感兴趣血管段从入口到出口的流量损失，vp表示相对va变化k％时的血液平均流动速度，-50<k<50，va表示真实血管形态下，感兴趣血管段从入口到出口的血液平均流动速度。
可选地，上述的用于获取血流量损失模型的方法，-30<k<30。
可选地，上述的用于获取血流量损失模型的方法，所述如果血液流动速度相同，根据样本数据，获取血管形态参数与血流量损失之间的关系ΔQ＝f(m)的方法，包括：
如果血液流动速度相同，则建立横坐标为
纵坐标为
的坐标系，将所述样本数据点设置于所述坐标系内，获取血管形态参数与血流量损失之间的关系ΔQ＝f(m)，其中△Qp表示血管形态学参数为mp时，感兴趣血管段从入口到出口的流量损失，△Qa表示真实血管形态下，感兴趣血管段从入口到出口的流量损失，mp表示相对ma变化e％时的血管形态参数，-50<e<50，ma表示真实血管形态下，感兴趣血管段从入口到出口的血管形态参数。
可选地，上述的用于获取血流量损失模型的方法，-30<e<30。
第二方面，本申请提供了一种用于获取不同运动等级的血流量损失比的方法，包括：
上述的用于获取血流量损失模型的方法；
测量心率和感兴趣血管段从入口到出口的血液平均流动速度；
根据所述心率获取运动等级；
根据所述运动等级，获取各级运动等级下的血液流动速度；
根据血流量损失模型、血管形态参数、以及各级运动等级下的血液流动速度，获取不同运动等级下的流量损失比。
可选地，上述的用于获取不同运动等级的血流量损失比的方法，根据所述心率获取运动等级的方法包括：
如果p≤80次/分，则处于静息状态，运动等级M＝1；
如果80次/分＜p≤120次/分，则处于运动负荷状态，运动等级M＝2；
如果120次/分＜p≤180次/分，则处于最大负荷状态，运动等级M＝3。
可选地，上述的用于获取不同运动等级的血流量损失比的方法，所述根据所述运动等级，获取各级运动等级下的血液流动速度的方法包括：
如果运动等级M＝1的血液流动速度为v1，则运动等级M＝2的血液流动速度v2＝av1，则运动等级M＝3的血液流动速度v3＝bv1，其中，1＜a＜b，2≤b≤4。
可选地，上述的用于获取不同运动等级的血流量损失比的方法，所述a＝4/3，2≤b≤3。
第三方面，本申请提供了一种根据血流量损失比获取不同运动等级供血能力的方法，包括：
获取处于同一时刻的心率，以及感兴趣血管段的平均血液流动速度；
根据所述心率，获取当前运动等级；
根据当前运动等级，以及当前运动等级下的所述平均血液流动速度，获取每级运动等级下的血液流动速度；
根据造影图像，获取血管形态参数；
根据血流量损失模型，计算不同运动等级下的血流量损失比；
根据所述血流量损失比、生理参数，获取感兴趣血管段的供血能力。
可选地，上述的根据血流量损失比获取不同运动等级供血能力的方法，所述根据所述血流量损失比、生理参数，获取感兴趣血管段的供血能力的方法，包括：
如果运动等级M＝1时，血流量损失比QR1＞0.25，则所述感兴趣血管段的供血能力处于A级；
如果运动等级M＝1，血流量损失比QR1≤0.25，且运动等级M＝2的血流量损失比QR2≥0.2，则所述感兴趣血管段的供血能力处于B级；
如果运动等级M＝2，血流量损失比QR2≤0.25，且运动等级M＝3的血流量损失比QR3≥0.2，则所述感兴趣血管段的供血能力处于C级；
如果运动等级M＝3，血流量损失比QR3＜0.2，则所述感兴趣血管段的供血能力处于D级；
其中，A、B、C、D代表所述供血能力的充足程度依次升高。
第四方面，本申请提供了一种用于获取血流量损失模型的系统，包括：
血管段获取装置，用于获取感兴趣的血管段；
特征值获取装置，与所述血管段获取装置连接，用于获取所述感兴趣血管段的特征值；
血流量损失模型装置，与所述特征值获取装置连接，用于根据所述特征值，建立血流量损失模型。
第五方面，本申请提供了一种计算机存储介质，包括：计算机程序被处理器执行时实现上述的用于获取血流量损失模型的方法。
本申请实施例提供的方案带来的有益效果至少包括：
本申请提供了一种取流量损失模型、损失比、供血能力的方法和系统，通过合成感兴趣血管段，从血管段上获取血管特征值，根据血管特征值、以及深度学习获取血流量损失模型，再基于血流量损失模型，获取不同运动等级的流量损失比，进而实现了针对个体的差别化评价，提高了供血能力以及缺血情况评估的准确性。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本申请的一种用于获取血流量损失模型的方法的流程图；
图2为本申请的S300的流程图；
图3为本申请的S320中步骤(1)的坐标图；
图4为本申请的S320中步骤(2)的坐标图；
图5为本申请的用于获取不同运动等级的血流量损失比的方法的流程图；
图6为本申请的根据血流量损失比获取不同运动等级供血能力的方法的流程图；
图7为本申请的用于获取血流量损失模型的系统的一个实施例的结构框图；
图8为本申请的用于获取血流量损失模型的系统的另一实施例的结构框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
以下将以图式揭露本发明的多个实施方式，为明确说明起见，许多实务上的细节将在以下叙述中一并说明。然而，应了解到，这些实务上的细节不应用以限制本发明。也就是说，在本发明的部分实施方式中，这些实务上的细节是非必要的。此外，为简化图式起见，一些习知惯用的结构与组件在图式中将以简单的示意的方式绘示之。
现有技术中单纯的从图像获得形态参数，只考虑血管阻塞程度而无法准确评估实际器官在不同负荷状态下是否缺血，评估存在不准确的问题。
实施例1：
为了解决上述问题，如图1所示，本申请提供了一种用于获取血流量损失模型的方法，包括：
S100，获取感兴趣的血管段，包括：
1)获取至少两个体位的冠状动脉二维造影图像组；优选地，两个体位的角度相差30°及以上。
2)从每组所述冠状动脉二维造影图像组中筛选出同一血管段的至少一个体位的至少一幅二维造影图像，即获得感兴趣的血管段。
S200，获取感兴趣血管段的特征值，包括：血管形态参数、心率、血液流动速度和血流量。
1)形态参数包括：血管实时直径Dn，狭窄信息，感兴趣血管段长度等。
2)心率，可以通过无创血压仪、运动手环、运动手表等进行测量，便于实时记录心率数据；
3)血液流动速度，获取感兴趣血管段的冠脉入口至冠脉狭窄远端的平均血流速度v的方法包括：
获取心跳周期区域内包含的冠状动脉造影图像帧数；
S300，如图2所示，根据特征值，建立血流量损失模型，包括：
S310，血流量损失比
其中QR表示流速损失比，ΔQ表示感兴趣的血管段从入口至出口的血流量损失，Q表示感兴趣的血管段的入口流量；
S320，根据样本数据，获取特征值与血流量损失比之间的关系，通过深度学习创建血流量损失模型，包括：
(1)如图3所示，如果血管形态参数相同，根据样本数据，获取血液流动速度与血流量损失之间的关系ΔQ＝h(v)，其中，h(v)表示一个以v为自变量的函数，v表示血液流动速度，包括：
如果血管形态参数相同，则建立横坐标为
纵坐标为
的坐标系，将所述样本数据点设置于所述坐标系内，获取血液流动速度与血流量损失之间的关系ΔQ＝h(v)，其中△Qp表示血液平均流动速度为vp时，感兴趣血管段从入口到出口的流量损失，△Qa表示真实血管形态下，感兴趣血管段从入口到出口的流量损失，vp表示相对va变化k％时的血液平均流动速度，-50<k<50，va表示真实血管形态下，感兴趣血管段从入口到出口的血液平均流动速度；优选地，-30<k<30。
(2)如图4所示，如果血液流动速度相同，根据样本数据，获取血管形态参数与血流量损失之间的关系ΔQ＝f(m)，其中，f(m)表示一个以m为自变量的函数，m表示血管形态参数，包括：正常血管的参考管腔面积S，血管狭窄区域的最小管腔横截面积S’，血管狭窄区域的血管长度L，包括：
如果血液流动速度相同，则建立横坐标为
纵坐标为
的坐标系，将所述样本数据点设置于所述坐标系内，获取血管形态参数与血流量损失之间的关系ΔQ＝f(m)，其中△Qp表示血管形态学参数为mp时，感兴趣血管段从入口到出口的流量损失，△Qa表示真实血管形态下，感兴趣血管段从入口到出口的流量损失，mp表示相对ma变化e％时的血管形态参数，-50<e<50，ma表示真实血管形态下，感兴趣血管段从入口到出口的血管形态参数；优选地，-30<e<30。
(3)根据ΔQ＝h(v)、ΔQ＝f(m)、
通过多层全连接神经网络对样本进行深度学习，获取血流量损失模型。优选地，多层全连接神经网络的方法包括：输入层、至少两层隐藏层，每隐藏层包括50～150个神经元，激活函数、输出层；其中，激活函数包括：sigmod函数。
如果S320中的样本数据不够，则可以根据特征值与血流量损失的关系即S320中(1)和(2)生成模拟样本，将模拟样本加入S320的样本数据中，扩充样本数量后，再进行S320中(3)的步骤。
本申请通过合成感兴趣血管段，从血管段上获取血管特征值，根据血管特征值以及深度学习获取血流量损失模型，更加智能。
实施例2：
如图5所示，本申请提供了一种用于获取不同运动等级的血流量损失比的方法，包括：
A100，上述的实施例1中用于获取血流量损失模型的方法；
A200，测量心率和感兴趣血管段从入口到出口的血液平均流动速度；
A300，根据心率获取运动等级，包括：
1)，如果p≤80次/分，则处于静息状态，运动等级M＝1；
2)，如果80次/分＜p≤120次/分，则处于运动负荷状态，运动等级M＝2；
3)，如果120次/分＜p≤180次/分，则处于最大负荷状态，运动等级M＝3：
A400，根据运动等级，获取各级运动等级下的血液流动速度，具体公式为：
其中，M表示运动等级，v1表示运动等级为一级时的血液流动速度，v2表示运动等级为二级时的血液流动速度，v3表示运动等级为三级时的血液流动速度，优选地，a＝4/3，2≤b≤3。
由于心率通过无创血压仪、运动手环、运动手表等进行测量，便于实时记录心率数据，以至于便于记录一段时间内的最大心率，以及平时的运动强度，例如：1)老人或者心脏病患者平时基本不运动，心率在M＝1级运动状态，则只需考虑运动等级为一级时的流量损失比；2)患者只是偶尔做极限运动，或者运动强度基本比较轻缓，基本处于运动等级M＝2的状态，则建议不要剧烈运动时，可以考虑运动等级为二级时的流量损失比；3)如果患者运动的频率较高，且达到最大负荷状态的频率较高，例如10％的概率能够达到最大负荷状态，则建议考虑运动等级M＝3时的流量损失比；然后根据不同的流量损失比进行相对应的缺血状态评估。
A500，根据血流量损失模型、血管形态参数、以及各级运动等级下的血液流动速度，获取不同运动等级下的流量损失比。
基于个体化差异，例如：老人、心脏病患者等不会或者也不能够进行极限运动，所以即使运动负荷状态下缺血，但是静息态下不缺血，但是能够患者的个体化要求，也是可以不做介入手术的。因此，由于静息态、运动负荷状态及最大运动负荷状态等对缺血性要求不同，因此本申请基于血流量损失模型，对运动等级进行了划分，进而获取不同运动等级的流量损失比，设计更加科学。
实施例3：
如图6所示，本申请提供了一种根据血流量损失比获取不同运动等级供血能力的方法，包括：
B100，获取处于同一时刻的心率，以及感兴趣血管段的平均血液流动速度；
B200，根据心率，获取当前运动等级；
B300，根据当前运动等级，以及当前运动等级下的平均血液流动速度，获取每级运动等级下的血液流动速度；
B400，根据造影图像，获取血管形态参数；
B500，根据血流量损失模型，计算不同运动等级下的血流量损失比；
B600，根据血流量损失比、生理参数，获取感兴趣血管段的供血能力，包括：
①如果运动等级M＝1时，血流量损失比QR1＞0.25，则感兴趣血管段的供血能力处于A级；
由于运动等级M＝1时，此时患者处于静息状态，静息状态表示人平躺不动的情况下，相当于静止，此时的血流量损失比已经高于0.25，根据临床数据和实验，此时血流储备分数一定小于0.75，那么血管供血能力严重不足，在运动负荷状态下必然更加缺血，因此感兴趣血管段需要介入手术等进行血运重建。
②如果运动等级M＝1，血流量损失比QR1≤0.25，且运动等级M＝2的血流量损失比QR2≥0.2，则感兴趣血管段的供血能力处于B级；
由于运动等级M＝1时，此时患者处于静息状态，静息状态表示人平躺不动的情况下，相当于静止，此时的血流量损失比已经低于0.25，根据临床数据和实验，此时血流储备分数一定大于等于0.75，处于进一步观察的情况；而运动等级M＝2，此时患者处于有运动负荷状态，但不是最大运动负荷状态，此时的血流量损失比已经高于0.2，根据临床数据和实验，此时血流储备分数一定小于等于0.8，因此在较少做极限负荷运动的情况下，则可以采用保守治疗，药物或者观察即可；但是如果需要做较多的极限负荷运动，则建议通过介入手术等进行血运重建。
③如果运动等级M＝2，血流量损失比QR2≤0.25，且运动等级M＝3的血流量损失比QR3≥0.2，则感兴趣血管段的供血能力处于C级；
由于运动等级M＝2时，此时患者处于有运动负荷状态，但不是最大运动负荷状态，此时的血流量损失比已经低于0.25，根据临床数据和实验，此时血流储备分数一定大于等于0.75，处于进一步观察的情况；而运动等级M＝3，此时患者处于最大运动负荷状态，此时的血流量损失比已经高于0.2，根据临床数据和实验，此时血流储备分数一定小于等于0.8，因此在完全不做极限负荷运动的情况下，则可以采用保守治疗，药物或者观察即可；但是绝对不可以做最大负荷运动，否则会有生命危险，如果不能保证完全不做最大负荷运动，则建议通过介入手术等进行血运重建。
④如果运动等级M＝3，血流量损失比QR3＜0.2，则感兴趣血管段的供血能力处于D级；其中，A、B、C、D代表供血能力的充足程度依次升高。
由于运动等级M＝3，此时患者处于最大运动负荷状态，此时的血流量损失比低于0.2，根据临床数据和实验，此时血流储备分数一定大于等于0.8，因此感兴趣的血管段供血充足，则可以保守治疗，药物或者观察即可。
B、C级别的供血能力，医生可以根据患者的生理参数，例如：年龄、性别、疾病史等给出是否进行介入手术的建议。
上述的供血能力评级，能够有效的给予医生指导，利于针对不同个体进行差异化供血能力评价，更具有指导意义，也避免了介入手术的滥用，降低了对人体的伤害，更科学。
如图7所示，本申请提供了一种用于获取血流量损失模型的系统，包括：血管段获取装置100，用于获取感兴趣的血管段；特征值获取装置200，与血管段获取装置100连接，用于获取感兴趣血管段的特征值；血流量损失模型装置300，与特征值获取装置200连接，用于根据特征值，建立血流量损失模型。
如图8所示，还包括：运动等级获取装置400和血管供血能力获取装置500，血管供血能力获取装置500分别与血管段获取装置100、特征值获取装置200、血流量损失模型装置300、运动等级获取装置400连接，运动等级获取装置400用于根据心率获取运动等级；血管供血能力获取装置500用于根据血流量损失比、生理参数，获取感兴趣血管段的供血能力。
本申请提供了一种计算机存储介质，包括：计算机程序被处理器执行时实现上述的用于获取血管供血能力的方法。
所属技术领域的技术人员知道，本发明的各个方面可以实现为系统、方法或计算机程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、驻留软件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。此外，在一些实施例中，本发明的各个方面还可以实现为在一个或多个计算机可读介质中的计算机程序产品的形式，该计算机可读介质中包含计算机可读的程序代码。本发明的实施例的方法和/或系统的实施方式可以涉及到手动地、自动地或以其组合的方式执行或完成所选任务。
例如，可以将用于执行根据本发明的实施例的所选任务的硬件实现为芯片或电路。作为软件，可以将根据本发明的实施例的所选任务实现为由计算机使用任何适当操作系统执行的多个软件指令。在本发明的示例性实施例中，由数据处理器来执行如本文的根据方法和/或系统的示例性实施例的一个或多个任务，诸如用于执行多个指令的计算平台。可选地，该数据处理器包括用于存储指令和/或数据的易失性储存器和/或用于存储指令和/或数据的非易失性储存器，例如，磁硬盘和/或可移动介质。可选地，也提供了一种网络连接。可选地也提供显示器和/或用户输入设备，诸如键盘或鼠标。
可利用一个或多个计算机可读的任何组合。计算机可读介质可以是计算机可读信号介质或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(非穷举列表)将包括以下各项：
具有一个或多个导线的电连接、便携式计算机盘、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、有线、光缆、RF等等，或者上述的任意合适的组合。
例如，可用一个或多个编程语言的任何组合来编写用于执行用于本发明的各方面的操作的计算机程序代码，包括诸如Java、Smalltalk、C++等面向对象编程语言和常规过程编程语言，诸如"C"编程语言或类似编程语言。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)。
应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机程序指令实现。这些计算机程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些计算机程序指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。
也可以把这些计算机程序指令存储在计算机可读介质中，这些指令使得计算机、其它可编程数据处理装置、或其它设备以特定方式工作，从而，存储在计算机可读介质中的指令就产生出包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的指令的制造品(article of manufacture)。
还可将计算机程序指令加载到计算机(例如，冠状动脉分析系统)或其它可编程数据处理设备上以促使在计算机、其它可编程数据处理设备或其它设备上执行一系列操作步骤以产生计算机实现过程，使得在计算机、其它可编程装置或其它设备上执行的指令提供用于实现在流程图和/或一个或多个框图方框中指定的功能/动作的过程。
本发明的以上的具体实例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (17)
1.一种用于获取血流量损失模型的方法，其特征在于，包括：
获取感兴趣的血管段；
获取所述感兴趣血管段的特征值；
根据所述特征值，建立血流量损失模型。
2.根据权利要求1所述的用于获取血流量损失模型的方法，其特征在于，所述特征值包括：血管形态参数、心率、血液流动速度和血流量。
3.根据权利要求1所述的用于获取血流量损失模型的方法，其特征在于，根据所述特征值，建立所述血流量损失模型的方法包括：
血流量损失比
其中QR表示流速损失比，ΔQ表示感兴趣的血管段从入口至出口的血流量损失，Q表示感兴趣的血管段的入口流量；
根据样本数据，获取所述特征值与所述血流量损失比之间的关系，通过深度学习创建血流量损失模型。
4.根据权利要求3所述的用于获取血流量损失模型的方法，其特征在于，所述根据样本数据，获取所述特征值与所述血流量损失比之间的关系，通过深度学习创建血流量损失模型的方法，包括：
如果血管形态参数相同，根据所述样本数据，获取血液流动速度与血流量损失之间的关系ΔQ＝h(v)，其中，h(v)表示一个以v为自变量的函数，v表示血液流动速度；
如果所述血液流动速度相同，根据所述样本数据，获取所述血管形态参数与所述血流量损失之间的关系ΔQ＝f(m)，其中，f(m)表示一个以m为自变量的函数，m表示血管形态参数，包括：正常血管的参考管腔面积S，血管狭窄区域的最小管腔横截面积S’，血管狭窄区域的血管长度L。
根据ΔQ＝h(v)、ΔQ＝f(m)、
通过多层全连接神经网络对所述样本进行深度学习，获取血流量损失模型。
5.根据权利要求4所述的用于获取血流量损失模型的方法，其特征在于，所述多层全连接神经网络的方法包括：输入层、至少两层隐藏层，每隐藏层包括50～150个神经元，激活函数、输出层。
6.根据权利要求5所述的用于获取血流量损失模型的方法，其特征在于，所述激活函数包括：sigmod函数。
7.根据权利要求3所述的用于获取血流量损失模型的方法，其特征在于，还包括：根据所述特征值与所述血流量损失的关系生成模拟样本，将所述模拟样本加入所述样本数据中，扩充样本数量。
8.根据权利要求4所述的用于获取血流量损失模型的方法，其特征在于，所述如果血管形态参数相同，根据样本数据，获取血液流动速度与血流量损失之间的关系ΔQ＝h(v)的方法，包括：
如果血管形态参数相同，则建立横坐标为
纵坐标为
的坐标系，将所述样本数据点设置于所述坐标系内，获取血液流动速度与血流量损失之间的关系ΔQ＝h(v)，其中△Qp表示血液平均流动速度为vp时，感兴趣血管段从入口到出口的流量损失，△Qa表示真实血管形态下，感兴趣血管段从入口到出口的流量损失，vp表示相对va变化k％时的血液平均流动速度，-50<k<50，va表示真实血管形态下，感兴趣血管段从入口到出口的血液平均流动速度。
9.根据权利要求4所述的用于获取血流量损失模型的方法，其特征在于，所述如果血液流动速度相同，根据样本数据，获取血管形态参数与血流量损失之间的关系ΔQ＝f(m)的方法，包括：
如果血液流动速度相同，则建立横坐标为
纵坐标为
的坐标系，将所述样本数据点设置于所述坐标系内，获取血管形态参数与血流量损失之间的关系ΔQ＝f(m)，其中△Qp表示血管形态学参数为mp时，感兴趣血管段从入口到出口的流量损失，△Qa表示真实血管形态下，感兴趣血管段从入口到出口的流量损失，mp表示相对ma变化e％时的血管形态参数，-50<e<50，ma表示真实血管形态下，感兴趣血管段从入口到出口的血管形态参数。
10.一种用于获取不同运动等级的血流量损失比的方法，其特征在于，包括：
权利要求1～9任一项所述的用于获取血流量损失模型的方法；
测量心率和感兴趣血管段从入口到出口的血液平均流动速度；
根据所述心率获取运动等级；
根据所述运动等级，获取各级运动等级下的血液流动速度；
根据血流量损失模型、血管形态参数、以及各级运动等级下的血液流动速度，获取不同运动等级下的流量损失比。
11.根据权利要求10所述的用于获取不同运动等级的血流量损失比的方法，其特征在于，根据所述心率获取运动等级的方法包括：
如果p≤80次/分，则处于静息状态，运动等级M＝1；
如果80次/分＜p≤120次/分，则处于运动负荷状态，运动等级M＝2；
如果120次/分＜p≤180次/分，则处于最大负荷状态，运动等级M＝3。
12.根据权利要求11所述的用于获取不同运动等级的血流量损失比的方法，其特征在于，所述根据所述运动等级，获取各级运动等级下的血液流动速度的方法包括：
如果运动等级M＝1的血液流动速度为v1，则运动等级M＝2的血液流动速度v2＝av1，则运动等级M＝3的血液流动速度v3＝bv1，其中，1＜a＜b，2≤b≤4。
13.根据权利要求12所述的用于获取不同运动等级的血流量损失比的方法，其特征在于，所述a＝4/3，2≤b≤3。
14.一种根据血流量损失比获取不同运动等级供血能力的方法，其特征在于，包括：
获取处于同一时刻的心率，以及感兴趣血管段的平均血液流动速度；
根据所述心率，获取当前运动等级；
根据当前运动等级，以及当前运动等级下的所述平均血液流动速度，获取每级运动等级下的血液流动速度；
根据造影图像，获取血管形态参数；
根据血流量损失模型，计算不同运动等级下的血流量损失比；
根据所述血流量损失比、生理参数，获取感兴趣血管段的供血能力。
15.根据权利要求14所述的根据血流量损失比获取不同运动等级供血能力的方法，其特征在于，所述根据所述血流量损失比、生理参数，获取感兴趣血管段的供血能力的方法，包括：
如果运动等级M＝1时，血流量损失比QR1＞0.25，则所述感兴趣血管段的供血能力处于A级；
如果运动等级M＝1，血流量损失比QR1≤0.25，且运动等级M＝2的血流量损失比QR2≥0.2，则所述感兴趣血管段的供血能力处于B级；
如果运动等级M＝2，血流量损失比QR2≤0.25，且运动等级M＝3的血流量损失比QR3≥0.2，则所述感兴趣血管段的供血能力处于C级；
如果运动等级M＝3，血流量损失比QR3＜0.2，则所述感兴趣血管段的供血能力处于D级；
其中，A、B、C、D代表所述供血能力的充足程度依次升高。
16.一种用于权利要求1～9任一项所述的获取血流量损失模型的系统，其特征在于，包括：
血管段获取装置，用于获取感兴趣的血管段；
特征值获取装置，与所述血管段获取装置连接，用于获取所述感兴趣血管段的特征值；
血流量损失模型装置，与所述特征值获取装置连接，用于根据所述特征值，建立血流量损失模型。
17.一种计算机存储介质，其特征在于，包括：计算机程序被处理器执行时实现权利要求1～9任一项所述的用于获取血流量损失模型的方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110125564.8A CN112932434B (zh) | 2021-01-29 | 2021-01-29 | 获取流量损失模型、损失比、供血能力的方法和系统 |
| PCT/CN2022/072920 WO2022161239A1 (zh) | 2021-01-29 | 2022-01-20 | 获取流量损失模型、损失比、供血能力的方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110125564.8A CN112932434B (zh) | 2021-01-29 | 2021-01-29 | 获取流量损失模型、损失比、供血能力的方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112932434A true CN112932434A (zh) | 2021-06-11 |
| CN112932434B CN112932434B (zh) | 2023-12-05 |
Family
ID=76239569
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110125564.8A Active CN112932434B (zh) | 2021-01-29 | 2021-01-29 | 获取流量损失模型、损失比、供血能力的方法和系统 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN112932434B (zh) |
| WO (1) | WO2022161239A1 (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022161239A1 (zh) * | 2021-01-29 | 2022-08-04 | 苏州润迈德医疗科技有限公司 | 获取流量损失模型、损失比、供血能力的方法和系统 |
| CN118557157A (zh) * | 2024-07-26 | 2024-08-30 | 北京联影智能影像技术研究院 | 一种非接触式血供监测系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110071404A1 (en) * | 2009-09-23 | 2011-03-24 | Lightlab Imaging, Inc. | Lumen Morphology and Vascular Resistance Measurements Data Collection Systems, Apparatus and Methods |
| CN103270513A (zh) * | 2010-08-12 | 2013-08-28 | 哈特弗罗公司 | 用于患者特异性血流建模的方法和系统 |
| CN103957812A (zh) * | 2011-11-25 | 2014-07-30 | 国立大学法人东京大学 | 血流可视化诊断装置 |
| US8977339B1 (en) * | 2013-12-05 | 2015-03-10 | Intrinsic Medical Imaging Llc | Method for assessing stenosis severity through stenosis mapping |
| WO2015138555A2 (en) * | 2014-03-11 | 2015-09-17 | The Johns Hopkins University | A method for estimating flow rates and pressure gradients in arterial networks from patient specific computed tomography angiogram-based contrast distribution data |
| CN108305246A (zh) * | 2017-11-15 | 2018-07-20 | 深圳科亚医疗科技有限公司 | 基于医学图像预测血流特征的装置及系统 |
| CN108992058A (zh) * | 2013-07-30 | 2018-12-14 | 哈特弗罗公司 | 为优化诊断性能利用边界条件模型化血流的方法和系统 |
| CN109259751A (zh) * | 2018-08-27 | 2019-01-25 | 杭州晟视科技有限公司 | 一种评估血流储备分数的方法及装置、设备、存储介质 |
| CN110226923A (zh) * | 2018-03-05 | 2019-09-13 | 苏州润迈德医疗科技有限公司 | 一种无需血管扩张剂测量血流储备分数的方法 |
| CN111317455A (zh) * | 2020-03-03 | 2020-06-23 | 上海联影医疗科技有限公司 | 血流动力学参数确定方法、装置、设备及存储介质 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9265473B2 (en) * | 2012-09-25 | 2016-02-23 | The Johns Hopkins University | Method for estimating flow rates and pressure gradients in arterial networks from patient specific computed tomography angiogram-based contrast distribution data |
| CN108830848B (zh) * | 2018-05-25 | 2022-07-05 | 深圳科亚医疗科技有限公司 | 利用计算机确定血管上的血管状况参数的序列的装置和系统 |
| CN111166317B (zh) * | 2018-11-13 | 2023-09-05 | 苏州润迈德医疗科技有限公司 | 基于造影图像计算造影血流储备分数和静息态压力比值的方法 |
| EP3923787A4 (en) * | 2019-02-11 | 2022-11-02 | University Of Louisville Research Foundation, Inc. | SYSTEM AND METHOD OF DETERMINING A BLOOD FLOW PROPERTY |
| CN112932434B (zh) * | 2021-01-29 | 2023-12-05 | 苏州润迈德医疗科技有限公司 | 获取流量损失模型、损失比、供血能力的方法和系统 |
-
2021
- 2021-01-29 CN CN202110125564.8A patent/CN112932434B/zh active Active
-
2022
- 2022-01-20 WO PCT/CN2022/072920 patent/WO2022161239A1/zh active Application Filing
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110071404A1 (en) * | 2009-09-23 | 2011-03-24 | Lightlab Imaging, Inc. | Lumen Morphology and Vascular Resistance Measurements Data Collection Systems, Apparatus and Methods |
| CN103270513A (zh) * | 2010-08-12 | 2013-08-28 | 哈特弗罗公司 | 用于患者特异性血流建模的方法和系统 |
| CN107174219A (zh) * | 2010-08-12 | 2017-09-19 | 哈特弗罗公司 | 用于患者特异性血流建模的方法和系统 |
| CN103957812A (zh) * | 2011-11-25 | 2014-07-30 | 国立大学法人东京大学 | 血流可视化诊断装置 |
| CN108992058A (zh) * | 2013-07-30 | 2018-12-14 | 哈特弗罗公司 | 为优化诊断性能利用边界条件模型化血流的方法和系统 |
| US8977339B1 (en) * | 2013-12-05 | 2015-03-10 | Intrinsic Medical Imaging Llc | Method for assessing stenosis severity through stenosis mapping |
| WO2015138555A2 (en) * | 2014-03-11 | 2015-09-17 | The Johns Hopkins University | A method for estimating flow rates and pressure gradients in arterial networks from patient specific computed tomography angiogram-based contrast distribution data |
| CN108305246A (zh) * | 2017-11-15 | 2018-07-20 | 深圳科亚医疗科技有限公司 | 基于医学图像预测血流特征的装置及系统 |
| CN110226923A (zh) * | 2018-03-05 | 2019-09-13 | 苏州润迈德医疗科技有限公司 | 一种无需血管扩张剂测量血流储备分数的方法 |
| CN109259751A (zh) * | 2018-08-27 | 2019-01-25 | 杭州晟视科技有限公司 | 一种评估血流储备分数的方法及装置、设备、存储介质 |
| CN111317455A (zh) * | 2020-03-03 | 2020-06-23 | 上海联影医疗科技有限公司 | 血流动力学参数确定方法、装置、设备及存储介质 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022161239A1 (zh) * | 2021-01-29 | 2022-08-04 | 苏州润迈德医疗科技有限公司 | 获取流量损失模型、损失比、供血能力的方法和系统 |
| CN118557157A (zh) * | 2024-07-26 | 2024-08-30 | 北京联影智能影像技术研究院 | 一种非接触式血供监测系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2022161239A1 (zh) | 2022-08-04 |
| CN112932434B (zh) | 2023-12-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108511075B (zh) | 一种非侵入式获取血流储备分数的方法和系统 | |
| JP7048561B2 (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 | |
| Esmaelpoor et al. | A multistage deep neural network model for blood pressure estimation using photoplethysmogram signals | |
| CN110866914B (zh) | 脑动脉瘤血流动力学指标的评估方法、系统、设备及介质 | |
| Ibtehaz et al. | Ppg2abp: Translating photoplethysmogram (ppg) signals to arterial blood pressure (abp) waveforms using fully convolutional neural networks | |
| Maqsood et al. | A benchmark study of machine learning for analysis of signal feature extraction techniques for blood pressure estimation using photoplethysmography (PPG) | |
| CN108962381B (zh) | 用于动脉粥样硬化的个性化评定、长期预测和管理的基于学习的方法 | |
| CN108577883A (zh) | 一种冠心病筛查装置、筛查系统以及信号特征提取方法 | |
| CN110367965A (zh) | 便捷测量冠状动脉血管评定参数的方法、装置及系统 | |
| 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 | |
| CN107851464A (zh) | 用于针对个体患者进行疾病进展建模和疗法优化的方法和系统 | |
| CN112932434B (zh) | 获取流量损失模型、损失比、供血能力的方法和系统 | |
| JP6362851B2 (ja) | 血管解析装置、血管解析プログラム、及び血管解析装置の作動方法 | |
| CN110786841A (zh) | 基于微循环阻力指数调节最大充血状态流速的方法及装置 | |
| CN110786842B (zh) | 测量舒张期血流速度的方法、装置、系统及存储介质 | |
| CN116630334B (zh) | 用于多分段血管实时自动分割方法、装置、设备及介质 | |
| CN110522439A (zh) | 测量冠状动脉血管评定参数的简化方法、装置及系统 | |
| CN109907772A (zh) | 获取冠脉血流量及血流速度的方法和装置 | |
| Jiang et al. | Continuous blood pressure estimation based on multi-scale feature extraction by the neural network with multi-task learning | |
| Du et al. | Residual stenosis estimation of arteriovenous grafts using a dual-channel phonoangiography with fractional-order features | |
| CN113241183A (zh) | 治疗方案预测方法及装置 | |
| Abbod et al. | Survey on the use of smart and adaptive engineering systems in medicine | |
| CN114052764B (zh) | 获取血流储备分数的方法、装置、系统和计算机存储介质 | |
| WO2021046990A1 (zh) | 基于影像和压力传感器计算微循环指标的方法装置及系统 | |
| CN109326354A (zh) | 基于ann血流储备分数预测方法、装置、设备及介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |