CN113143305A - 提供血管畸形的血流参数组 - Google Patents
提供血管畸形的血流参数组 Download PDFInfo
- Publication number
- CN113143305A CN113143305A CN202110067525.7A CN202110067525A CN113143305A CN 113143305 A CN113143305 A CN 113143305A CN 202110067525 A CN202110067525 A CN 202110067525A CN 113143305 A CN113143305 A CN 113143305A
- Authority
- CN
- China
- Prior art keywords
- vessel
- training
- parameter
- blood flow
- computer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000017531 blood circulation Effects 0.000 title claims abstract description 201
- 208000009443 Vascular Malformations Diseases 0.000 title claims abstract description 110
- 238000000034 method Methods 0.000 claims abstract description 100
- 230000002123 temporal effect Effects 0.000 claims abstract description 34
- 238000002059 diagnostic imaging Methods 0.000 claims abstract description 16
- 230000006496 vascular abnormality Effects 0.000 claims abstract description 13
- 238000004590 computer program Methods 0.000 claims abstract description 12
- 230000036244 malformation Effects 0.000 claims description 93
- 230000006870 function Effects 0.000 claims description 77
- 239000002872 contrast media Substances 0.000 claims description 40
- 210000004204 blood vessel Anatomy 0.000 claims description 39
- 230000035699 permeability Effects 0.000 claims description 35
- 239000008280 blood Substances 0.000 claims description 9
- 210000004369 blood Anatomy 0.000 claims description 9
- 230000000052 comparative effect Effects 0.000 claims description 8
- 230000002792 vascular Effects 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 description 33
- 230000008901 benefit Effects 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000013507 mapping Methods 0.000 description 9
- 239000012530 fluid Substances 0.000 description 8
- 102100031663 Alpha-tocopherol transfer protein Human genes 0.000 description 6
- 108010039203 Tripeptidyl-Peptidase 1 Proteins 0.000 description 6
- 102100040411 Tripeptidyl-peptidase 2 Human genes 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 108010039189 tripeptidyl-peptidase 2 Proteins 0.000 description 6
- 208000022211 Arteriovenous Malformations Diseases 0.000 description 4
- 230000005744 arteriovenous malformation Effects 0.000 description 4
- 238000013500 data storage Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 description 3
- 208000032170 Congenital Abnormalities Diseases 0.000 description 3
- 230000036772 blood pressure Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000000004 hemodynamic effect Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 description 2
- 238000002583 angiography Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 206010002329 Aneurysm Diseases 0.000 description 1
- 230000000740 bleeding effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000000265 homogenisation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 229910052704 radon Inorganic materials 0.000 description 1
- SYUHGPGVQRZVTB-UHFFFAOYSA-N radon atom Chemical compound [Rn] SYUHGPGVQRZVTB-UHFFFAOYSA-N 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 231100000216 vascular lesion Toxicity 0.000 description 1
- 230000006439 vascular pathology Effects 0.000 description 1
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
- G06T7/0014—Biomedical image inspection using an image reference approach
- G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- 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
- A61B5/02007—Evaluating blood vessel condition, e.g. elasticity, compliance
-
- 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
- A61B5/02007—Evaluating blood vessel condition, e.g. elasticity, compliance
- A61B5/02014—Determining aneurysm
-
- 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
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/107—Measuring physical dimensions, e.g. size of the entire body or parts thereof
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/037—Emission tomography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/40—Arrangements for generating radiation specially adapted for radiation diagnosis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/42—Arrangements for detecting radiation specially adapted for radiation diagnosis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/48—Diagnostic techniques
- A61B6/481—Diagnostic techniques involving the use of contrast agents
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/504—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of blood vessels, e.g. by angiography
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
- A61B5/0263—Measuring blood flow using NMR
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Optics & Photonics (AREA)
- High Energy & Nuclear Physics (AREA)
- Cardiology (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Vascular Medicine (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Psychiatry (AREA)
- Hematology (AREA)
- Signal Processing (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Neurosurgery (AREA)
- Pulmonology (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及一种用于提供血管畸形的血流参数组的计算机实现的方法,包括:a)接收时间分辨的图像数据,其中图像数据映射检查对象的血管部段中的时间变化,其中血管部段具有血管畸形;b)根据图像数据重建血管部段的时间分辨的图像;c)在血管部段的图像中分割血管畸形;d1)和d2)基于血管部段的图像识别血管畸形处的馈送血管和流出血管;e1)和e2)分别确定馈送血管和流出血管的平均血流速度参数和血管横截面参数;f1)和f2)基于平均血流速度参数和血管横截面参数确定并提供血管畸形的血流参数组。本发明还涉及一种用于提供经训练的函数的计算机实现的方法、提供单元、训练单元、医学成像设备、计算机程序产品和计算机可读的存储介质。
Description
技术领域
本发明涉及一种用于提供血管畸形的血流参数组的计算机实现的方、一种用于提供经训练的函数的计算机实现的方法、一种提供单元、一种训练单元、一种医学成像设备、一种计算机程序产品和一种计算机可读的存储介质。
背景技术
为了诊断和/或治疗作为血管病变形式的血管畸形,通常需要详细了解与血管畸形相邻的所有血管。通常,血管畸形将尤其是具有高压力的动脉血管系统与尤其是具有低压力的静脉血管系统连接在一起。因此,对于良好的治疗成功而言,通常至关重要的是,尽可能好地确定至少在血管畸形与相邻的动脉血管和静脉血管的交接处的压力比。错误估计该压力比可能会导致破裂和/或出血。
因此,通过基于光流原理将3D数字旋转血管造影(3D digital rotationalangiography,3DRA)与2D数字减影血管造影(2D digital subtraction angiography,2DDSA)的图像数据组合,通常可以将动脉瘤中的血流估计为血管畸形的表现。然而,这种方法的缺点在于,这种血流估计的方式由于动静脉畸形(AVM)的复杂的几何形状仅有限地适用。
发明内容
因此,本发明要解决的技术问题是,可以特别可靠地基于成像地确定血管畸形的血流参数组。
根据本发明,上述技术问题通过本发明的相应对象来解决。具有有利扩展的有利的实施方式也是本发明的内容。
下面既关于用于提供血管畸形的血流参数组的方法和设备,也关于用于提供经训练的函数的方法和设备来描述根据本发明的上述技术问题的解决方案。在此,可以将用于提供血管畸形的血流参数组的方法和设备中的数据结构和/或功能的特征、优点和替换的实施方式转用到用于提供经训练的函数的方法和设备中的类似的数据结构和/或功能。在此,类似的数据结构尤其可以通过使用前缀“训练”来表征。此外,特别地,在用于提供血管畸形的血流参数组的方法和设备中使用的经训练的函数可能已经由用于提供经训练的函数的方法和设备调整和/或提供。
在第一方面,本发明涉及一种用于提供血管畸形的血流参数组的计算机实现的方法,其包括多个步骤。在此,在第一步骤a)中,接收时间分辨的图像数据,其中图像数据映射检查对象的血管部段中的时间变化。在此,血管部段具有血管畸形。在第二步骤b)中,根据图像数据重建血管部段的时间分辨的图像。在第三步骤c)中,在血管部段的图像中分割血管畸形。之后,在步骤d1)中,基于血管部段的图像在血管畸形处识别至少一个馈送血管。此外,在步骤d2)中,基于血管部段的图像在血管畸形处识别至少一个流出血管。在另外的步骤e1)中,针对至少一个馈送血管和至少一个流出血管分别确定平均血流速度参数。此外,在步骤e2)中,针对至少一个馈送血管和至少一个流出血管分别确定血管横截面参数。在此,步骤c)、d1)和/或d2)可以以相互之间的任意顺序实施和/或同时实施。同样地,有利地可以依次和/或同时实施步骤e1)和e2)。在步骤f1)中,还基于平均血流速度参数和血管横截面参数来确定血管畸形的血流参数组。在另外的步骤g)中,提供血流参数组。
在步骤a)中接收时间分辨的图像数据尤其可以包括采集和/或读取计算机可读的数据存储器和/或从数据存储单元、例如数据库中接收。此外,时间分辨的图像数据可以由医学成像设备的提供单元来提供。
此外,时间分辨的图像数据可以具有多个图像点、尤其是像素和/或体素。有利地,时间分辨的图像数据至少部分地映射检查对象的共同的血管部段。在此,时间分辨的图像数据有利地可以具有按时间顺序记录的血管部段的二维和/或三维图像。在此,图像数据例如可以包括二维投影X射线图像和/或三维计算机断层成像数据。有利地,可以相对于检查对象的血管部段从不同的投影方向、特别是角度来记录图像数据。此外,图像数据可以具有元数据,其中,元数据例如可以包括关于医学成像设备的记录参数和/或运行参数的信息。
此外,图像数据可以映射时间变化、特别是造影剂在检查对象的血管部段中的扩散运动和/或流动运动,和/或医学对象(例如导丝和/或导管和/或内窥镜和/或腹腔镜)在检查对象的血管部段中的运动。在此,检查对象例如可以是人类患者和/或动物患者。
有利地,血管部段具有血管畸形。在此,血管畸形例如作为血管病变、特别是动静脉畸形(AVM)形成。此外,血管畸形可能具有病灶。在此,血管部段还具有至少一个馈送血管,其中馈送血管具有朝向血管畸形地定向的血流。此外,血管部段可以具有至少一个流出血管,其中流出血管具有远离血管畸形地定向的血流。
在步骤b)中,对血管部段的时间分辨的图像的重建例如可以包括Radon变换和/或傅立叶变换和/或图像数据的特别是乘法的反投影。有利地,血管部段的时间分辨的图像可以包括多个三维图像数据组,并且分别包括相关的时间信息。在此,有利地可以根据二维和/或三维图像数据重建多个三维图像数据组。此外,多个三维图像数据组分别可以具有多个图像点,其中时间信息分别与图像点的至少一部分相关联。在此,时间信息例如可以描述记录时间点,在该记录时间点记录了与相应的图像点相对应的图像数据。为此,重建有利地可以附加地基于时间分辨的图像数据的元数据。
在步骤c)中,例如可以基于人工智能和/或通过尤其手动和/或半自动的注释和/或基于图像值进行对血管部段的图像中的血管畸形的分割。在此,例如可以根据血管部段的图像中的形状来识别和分割血管畸形。此外,还可以基于血管部段的图像的图像值与预定阈值的比较来分割血管畸形。特别地,可以基于图像对比度信息来进行对血管畸形的分割。有利地,通过对血管部段的图像中的血管畸形的分割可以识别和分割与血管畸形的图像相对应的图像点。特别地,可以注释和/或标记和/或掩模与血管畸形的图像相对应的图像点。
在步骤d1)中对血管畸形处的至少一个馈送血管的识别,和/或在步骤d2)中对血管畸形处的至少一个流出血管的识别可以包括对血管部段的图像中的如下图像点的注释和/或标记和/或定位:所述图像点与血管畸形处的至少一个馈送血管的图像和/或与血管畸形处的至少一个流出血管的图像相对应。在此,可以识别出至少一个馈送血管或流出血管,馈送血管或流出血管具有朝向血管畸形或远离血管畸形的血流和/或造影剂流。在此,至少一个馈送血管或流出血管有利地可以与血管畸形相邻,使得至少一个馈送血管或流出血管具有与血管畸形共同的横截面。特别地,可以根据关于血管部段的图像的每个三维图像数据组的时间信息来识别至少一个馈送血管或流出血管。在此,可以对血管部段的图像中的图像值的时间变化和/或空间变化进行分析以识别血管畸形处的至少一个馈送血管或流出血管。此外,可以为至少一个馈送血管或流出血管分别确定中心线,其中可以确定沿着相应中心线的图像值的时间变化的空间方向。在此,基于图像值的时间变化的方向可以将血管畸形处的相应血管识别为至少一个馈送血管或至少一个流出血管。在此,至少一个馈送血管可以具有朝向血管畸形的血流和/或造影剂流。此外,至少一个流出血管可以具有远离血管畸形的血流和/或造影剂流。
在步骤e1)中,可以分别针对至少一个馈送血管和至少一个流出血管确定平均血流速度参数。在此,平均血流速度参数有利地可以具有关于至少一个馈送血管和/或至少一个流出血管的时间上平均的血流速度的信息。平均血流速度参数的确定例如可以根据血管部段的图像的图像值的(特别是沿着相应的中心线的)时间变化和空间变化进行,所述中心线与至少一个馈送血管或流出血管的图像相对应。此外,平均血流速度参数的确定可以包括特别是基于血流仿真(计算流体动力学,computational fluid dynamic,CFD)产生流动图(flow map)和/或基于血流部段的图像确定快速傅里叶变换(fast Fourier transform,FFT)。
相应的血管横截面参数有利地可以具有关于至少一个馈送血管和至少一个流出血管的血管横截面(cross sectional area,CSA)的空间尺寸、特别是半径和/或直径和/或横截面积。此外,尤其可以根据血管部段的图像中的解剖和/或几何特征来确定血管横截面参数。例如,通过与馈送血管或流出血管的血管壁的图像相对应的图像点之间的空间间距来确定血管横截面参数。特别地,血管横截面参数可以包括在血管部段的图像中映射的馈送血管或流出血管的部段上取平均的血管横截面。此外,血管横截面参数可以包括关于血管畸形与馈送血管或流出血管的共同横截面积处的血管横截面的空间尺寸。
在步骤f1)中,可以基于平均血流速度参数和血管横截面参数来确定血管畸形的血流参数组。在此,血流参数组有利地可以具有关于至少一个馈送血管和/或至少一个流出血管的血流参数、特别是血液动力学参数。此外,血流参数组有利地可以包括关于与至少一个馈送血管和/或至少一个流出血管有关的体积流率(volume flow ratio,VFR)的信息。在此,分别可以基于相应的馈送血管或流出血管的平均血流速度参数和血管横截面参数来确定血流参数中的一个,特别是作为乘积和/或总和进行确定。
此外,在步骤g)中,提供血流参数组例如可以包括将其存储在计算机可读的存储介质上和/或在显示单元上显示和/或将其传输到提供单元。特别地,可以在显示单元上显示血流参数组的图形表示,例如与血管部段的图像叠加显示。
所提出的方法有利地可以实现根据时间分辨的图像数据定量地确定血流参数、尤其是体积流率。此外,通过提供血流参数组、特别是血流参数组的图形表示还可以在处理所成像的血管部段内的栓塞时对医学操作人员进行支持。
在所提出的用于提供血管畸形的血流参数组的计算机实现的方法的另外的有利的实施方式中,血流参数组可以包括与至少一个馈送血管相对应的至少一个第一血流参数。在此,血流参数组可以包括与至少一个流出血管相对应的至少一个第二血流参数。此外,所提出的计算机实现的方法进一步可以包括步骤f2),其中在步骤f2)中将至少一个第一血流参数的总和与至少一个第二血流参数的总和进行比较。此外,从步骤d1)开始,可以从总和之间的预定差异开始重复执行所提出的计算机实现的方法。
在此,步骤f2)中的比较例如可以包括至少一个第一血流参数的总和与至少一个第二血流参数的总和之间的差和/或商。优选地,通过步骤f2)中至少一个第一血流参数的总和与至少一个第二血流参数的总和之间的比较可以确保,已经在步骤d1)和d2)中识别出在血管畸形处所有的馈送血管和/或流出血管。在至少一个第一血流参数的总和与至少一个第二血流参数的总和之间存在预定差异的情况下,有利地可以从步骤d1)开始重复执行该方法,其中可以识别出到目前为止未识别到的至少一个馈送血管和/或流出血管。有利地,预定差异可以依据在确定至少一个第一和至少一个第二血流参数时的精度、特别是在确定平均血流速度参数和/或血管横截面参数时的精度来预先给定。此外,预定差异有利地可以具有阈值,其中,从步骤d1)开始,在至少一个第一血流参数的总和与至少一个第二血流参数的总和之间的偏差大于阈值的情况下,重复执行该方法。
有利地,在确定血流参数组时、特别是在识别至少一个馈送血管和至少一个流出血管时可以进行合理性检查。由此,还可以实现所提出的方法的更高的准确性和改善的可靠性。
在所提出的用于提供血管畸形的血流参数组的计算机实现的方法的另外的有利的实施方式中,在步骤c2)中,可以基于分割的血管畸形通过匹配体积网格模型(volumemesh model)确定血管部段模型。在另外的的步骤e3)中,可以基于血管部段模型来确定血管畸形的孔隙度参数。此外,在另外的步骤e4)中,可以基于血管部段模型来确定血管畸形的渗透性参数。在此,在步骤f1)中可以基于孔隙度参数、渗透性参数、平均血流速度参数和血管横截面参数来确定至少一个馈送血管和至少一个流出血管之间的压力比。
在此,体积网格模型优选地可以与血管畸形、特别是与血管畸形的外表面相匹配,使得体积网格模型沿着血管畸形的血管壁延伸。有利地,可以基于在步骤c)中分割出的血管畸形来匹配和确定体积网格模型。有利地,体积网格模型可以实现对血管畸形的外表面和/或体积的定量确定。
例如,可以迭代地通过将成本值最小化来将体积网格模型与血管畸形匹配。此外,血管部段模型可以包括关于血管畸形内的造影剂的体积和/或体积分数的信息。为此,有利地可以在血管部段的图像中分割具有图像值和/或图像值的时间变化的图像点,其中图像值和/或图像值的时间变化与造影剂、尤其是造影剂流相对应。根据与造影剂相对应的分割的图像点可以确定血管畸形内的造影剂的体积和/或体积分数。
在步骤e3)中,可以基于血管畸形的体积和血管畸形内的造影剂的体积确定血管畸形的孔隙度参数。孔隙度参数有利地可以包括关于在血管畸形内吸收流体、特别是血液和/或造影剂的能力的信息。
有利地,在步骤e4)中,可以基于血管部段模型、例如根据查找表(look-up table)和/或操作人员的输入,和/或基于检查对象的至少一个尤其是生理的参数、例如血压值和/或体重和/或年龄说明,来确定血管畸形的渗透性参数。
在此,孔隙度参数和渗透性参数有利地分别可以描述血管畸形的材料特性。
在步骤f1)中,然后可以基于孔隙度参数、渗透性参数、平均血流速度参数和血管横截面参数来确定至少一个馈送血管与至少一个流出血管之间的压力比。在此,在确定压力比时,尤其可以将平均血流速度参数和血管横截面参数视为关于血管畸形中的血流的边界条件,尤其是在血管畸形与至少一个馈送血管或流出血管的共同横截面上。在此,压力比的确定尤其可以基于达西定律。在此,压力比有利地可以描述至少一个馈送血管与至少一个流出血管之间的压力差、特别是血压差。
在此,血流参数组还可以包括至少一个馈送血管与至少一个流出血管之间的压力比。此外,压力比的确定附加地可以基于血管畸形内的流体、特别是造影剂和/或血液的材料参数。在此,流体的材料参数例如可以包括关于流体的动态粘度的信息。
在所提出的用于提供血管畸形的血流参数组的计算机实现的方法的另外的有利的实施方式中,步骤f1)可以通过将经训练的函数应用于输入数据来进行。在此,输入数据可以基于孔隙度参数、渗透性参数、平均血流速度参数以及血管横截面参数。在此,经训练的函数的至少一个参数可以基于训练压力比与比较压力比之间的比较。
经训练的函数有利地可以通过机器学习的方法进行训练。特别地,经训练的函数可以是神经网络、尤其是卷积神经网络(convolutional neural network,CNN)或包括卷积层(convolutional layer)的网络。
经训练的函数将输入数据映射到输出数据。在此,输出数据尤其可以进一步取决于经训练的函数的一个或多个参数。经训练的函数的一个或多个参数可以通过训练进行确定和/或调整。特别地,经训练的函数的一个或多个参数的确定和/或调整可以基于由训练输入数据和相关联的训练输出数据组成的对,其中将用于产生训练映射数据的经训练的函数应用于训练输入数据。特别地,确定和/或调整可以基于训练映射数据与训练输出数据的比较。通常,可训练的函数,即具有一个或多个尚未调整的参数的函数,也被称为经训练的函数。
经训练的函数的其他术语是经训练的映射规则、具有经训练的参数的映射规则、具有经训练的参数的函数、基于人工智能的算法、机器学习算法。经训练的函数的示例是人工神经网络,其中人工神经网络的边缘权重相应于经训练的函数的参数。代替术语“神经网络”,也可以使用术语“神经网”。特别地,经训练的函数也可以是深度人工神经网络(deepneural network,deep artificial neural network)。经训练的函数的另外的示例是“支持向量机”,此外,尤其还可以将其他机器学习算法用作经训练的函数。
特别地,可以借助反向传播对经训练的函数进行训练。首先,可以通过将经训练的函数应用于训练输入数据来确定训练映射数据。此后,可以通过将误差函数应用于训练映射数据和训练输出数据来确定训练映射数据与训练输出数据之间的偏差。此外,可以基于误差函数关于经训练的函数的至少一个参数的梯度来迭代地调整经训练的函数、特别是神经网络的至少一个参数、尤其是权重。由此,有利地可以在经训练的函数的训练期间将训练映射数据与训练输出数据之间的偏差最小化。
有利地,经训练的函数、特别是神经网络具有输入层和输出层。在此,可以将输入层设计为用于接收输入数据。此外,可以将输出层设计为用于提供映射数据。在此,输入层和/或输出层分别可以包括多个通道、特别是神经元。
优选地,经训练的函数的至少一个参数可以基于训练压力比与比较压力比的比较。在此,有利地可以将训练压力比和/或比较压力比确定为所提出的用于提供经训练的函数的计算机实现的方法的一部分,这在说明书的后面进行解释。特别地,可以通过所提出的用于提供经训练的函数的计算机实现的方法的实施方式来提供经训练的函数。
在此,经训练的函数的输入数据有利地可以基于孔隙度参数、渗透性参数、平均血流速度参数和血管横截面参数。由此,有利地可以由经训练的函数来处理包含在输入数据中的关于血管畸形中的血流动力学的所有信息。
此外,经训练的函数的输入数据附加地可以基于血管部段模型和/或血管畸形内的流体的材料特性。
在所提出的用于提供血管畸形的血流参数组的计算机实现的方法的另外的有利的实施方式中,在步骤f1)中,可以进一步确定三维压力分布。
在此,有利地可以三维地、尤其是沿着血管畸形的表面确定压力分布。由此,有利地可以确定在具有至少一个馈送血管或流出血管的血管畸形的横截面上的局部压力。如果血管部段具有血管畸形处的多个馈送或流出血管,则可以确定关于在具有血管畸形的相应的横截面上的每个馈送或流出血管的局部压力。
在所提出的用于提供血管畸形的血流参数组的计算机实现的方法的另外的有利的实施方式中,图像数据可以映射血管部段中的造影剂团剂,其中步骤e1)基于由造影剂团剂引起的血管部段的图像中的时间上的强度变化。
在此,造影剂团剂可以描述检查对象的血管部段中的在时间和空间上有限的造影剂流。特别地,造影剂团剂可以在记录图像数据期间至少部分地流过检查对象的血管部段。在此,造影剂团剂的状态、特别是瞬时记录分别可以与血管部段的时间分辨的图像的相关的时间信息一起分别映射到三维图像数据组中的一个中。有利地,由此可以根据血管部段的时间分辨的图像来采集造影剂团剂的运动方向、特别是流动方向。此外,图像数据的元数据可以包括关于造影剂团剂的至少一个参数、尤其是时间动态信息。此外,通过造影剂团剂在血管部段中的在时间和空间上有限的造影剂流,可以采集血管部段的时间分辨的图像的多个三维图像数据组的彼此对应的图像点的时间上的强度变化、特别是图像值的时间变化。
此外,可以基于造影剂团剂在一定的持续时间内在血管部段中走过的空间距离,在步骤e1)中针对至少一个馈送血管和至少一个流出血管确定平均血流速度参数。
在此,例如可以借助关于图像点的图像值的阈值和三维图像数据组的分别相关联的时间信息来三维地确定造影剂团剂在血管部段中走过的空间距离。有利地,分别可以将平均血流速度参数确定为造影剂团剂在相应的馈送血管或流出血管中走过的空间距离与为此所需的持续时间的商。
由此可以实现特别精确地确定至少一个馈送血管和至少一个流出血管的平均血流速度参数。
在所提出的用于提供血管畸形的血流参数组的计算机实现的方法的另外的有利的实施方式中,在步骤e3)中,可以基于血管畸形的体积与血管畸形内的造影剂团剂的体积之间的比来确定孔隙度参数。
在此,可以将孔隙度参数确定为血管畸形内的造影剂的体积与血管畸形的体积之比、特别是商。为此,血管畸形的体积有利地可以借助血管部段模型、特别是体积网格模型来确定。此外,可以在血管部段的图像中分割血管部段的时间分辨的图像的如下的图像点:这些图像点具有图像值和/或图像值的时间变化、尤其是强度变化,其中图像值和/或图像值的时间变化与造影剂、特别是造影剂流和/或造影剂团剂相对应。根据与造影剂和/或造影剂团剂相对应的分割的图像点,可以确定血管畸形内的造影剂的体积和/或体积分数。
有利地,由此可以实现特别准确地确定孔隙度参数。
在所提出的用于提供血管畸形的血流参数组的计算机实现的方法的另外的有利的实施方式中,血管部段的图像可以具有多个体素。在此,步骤b)中的重建分别可以将体素与团剂到达时间相关联,在这些体素中映射至少一个馈送血管和/或至少一个流出血管和/或血管畸形。
在此,血管部段的时间分辨的图像的多个三维图像数据组分别可以具有多个体素。特别地,三维图像数据组分别可以具有多个体素,其中多个三维图像数据组的、在不同的记录时间点映射血管部段的相同部分的体素彼此对应。有利地,团剂到达时间可以描述尤其是相对的时间点,在该时间点在体素的图像值方面超过预定阈值。
为此,血管部段的时间分辨的图像例如针对每个体素都具有时间强度曲线,其中可以根据特别是首次超过预定阈值时的时间信息和/或通过确定时间强度曲线对时间的一阶和/或二阶导数来确定团剂到达时间。在此,团剂到达时间的确定有利地可以限于血管部段的图像的体素,这些体素映射至少一个馈送血管和/或至少一个流出血管和/或血管畸形。有利地,可以相对于血管部段的第一图像数据的记录时间点来确定团剂到达时间。
在所提出的用于提供血管畸形的血流参数组的计算机实现的方法的另外的有利的实施方式中,步骤d1)和/或步骤d2)可以基于血管部段的图像的不同体素的团剂到达时间的比较。
在此,在步骤d1)中,可以通过以下方式识别出至少一个馈送血管,即馈送血管具有相对于至少一个流出血管较短的团剂到达时间。特别地,可以通过比较与相应血管的图像相对应的不同体素的团剂到达时间来识别至少一个馈送血管和/或至少一个流出血管。
此外,有利地可以基于沿着相应血管的体素的相应的团剂到达时间来确定至少一个馈送血管和至少一个流出血管的平均血流速度参数。
在所提出的用于提供血管畸形的血流参数组的计算机实现的方法的另外的有利的实施方式中,血流参数组分别可以具有针对至少一个馈送血管和至少一个流出血管的时间上的血液体积流量参数。在此,可以基于相应的平均血流速度参数和相应的血管横截面参数来确定时间上的血流参数。
在此,血流参数组有利地分别可以具有关于至少一个馈送血管和至少一个流出血管的血流参数。此外,时间上的血液体积流量参数有利地分别可以包括关于与至少一个馈送血管和至少一个流出血管有关的体积流率(volume flow rate,VFR)的信息。在此,分别可以基于相应的馈送血管或流出血管的平均血流速度参数和血管横截面参数来确定时间上的血流参数中的一个、特别是作为乘积和/或总和进行确定。
由此可以实现关于时间上的血液体积流量特别精确地表征至少一个馈送血管和至少一个流出血管。
在第二方面,本发明涉及一种用于提供经训练的函数的计算机实现的方法。在此,在第一步骤中,通过应用提出的用于提供血管畸形的血流参数组的计算机实现的方法的实施方式,接收平均的训练血流速度参数、训练血管横截面参数和分割的训练血管畸形。在此,提供平均血流速度参数作为平均的训练血流速度参数、提供血管横截面参数作为训练血管横截面参数、并且提供分割的血管畸形作为训练血管畸形。在第二步骤中,基于训练血管畸形通过匹配体积网格模型来确定的训练血管部段模型。在第三步骤中,基于训练血管部段模型确定训练血管畸形的训练孔隙度参数。在此,附加地基于训练血管部段模型确定训练血管畸形的训练渗透性参数。在第四步骤中,基于训练孔隙度参数、训练渗透性参数、平均的训练血流速度参数和训练血管横截面参数来确定至少一个馈送血管与至少一个流出血管之间的比较压力比。此外,在第五步骤中,通过将经训练的函数应用于输入数据来确定至少一个馈送血管和至少一个流出血管之间的训练压力比。在此,输入数据基于训练孔隙度参数、训练渗透性参数、平均的训练血流速度参数和训练血管横截面参数。此后,在第六步骤中,基于训练压力比与比较压力比之间的比较来调整经训练的函数的至少一个参数。在第七步骤中,提供经训练的函数。在此,有利地可以改变上面描述的步骤的顺序。
接收平均的训练血流速度参数、训练血管横截面参数和/或训练血管畸形尤其可以包括:采集和/或读取计算机可读的数据存储器和/或从计算机可读的数据存储器中接收和/或从数据存储器单元、例如数据库中接收。此外,平均的训练血流速度参数、训练血管横截面参数和/或训练血管畸形可以由医学成像设备的提供单元提供。
特别地,平均的训练血流速度参数可以具有已经关于用于提供血管畸形的血流参数组的计算机实现的方法描述的血流速度参数的所有特征,反之亦然。此外,训练血管横截面参数可以具有已经关于用于提供血管畸形的血流参数组的计算机实现的方法描述的血管横截面参数的所有特征,反之亦然。类似地,训练血管畸形可以具有已经关于用于提供血管畸形的血流参数组的计算机实现的方法描述的分割的血管畸形的所有特征,反之亦然。特别地,平均的训练血流速度参数可以是平均血流速度参数,和/或训练血管横截面参数可以是血管横截面参数,和/或训练血管畸形可以是分割的血管畸形。此外,可以仿真平均的训练血流速度参数、训练血管横截面参数和/或训练血管畸形。
有利地,可以类似于根据所提出的用于提供血管畸形的血流参数组的计算机实现的方法的步骤c2)的血管部段模型,基于训练血管畸形来确定训练血管部段模型。此外,可以类似于所提出的用于提供血管畸形的血流参数组的计算机实现的方法的步骤e3)和e4),分别基于训练血管部段模型来确定训练孔隙度参数和训练渗透性参数。
有利地,可以基于训练孔隙度参数、训练渗透性参数、平均的训练血流速度参数和训练血管横截面参数来确定至少一个馈送血管与至少一个流出血管之间的比较压力比。在此,在确定比较压力比时,尤其可以将平均的训练血流速度参数和训练血管横截面参数视为关于训练血管畸形中的血流的边界条件,尤其是在训练血管畸形与至少一个馈送血管或流出血管的共同横截面上。特别地,训练压力比的确定可以基于达西定律。在此,训练压力比有利地可以描述至少一个馈送血管与至少一个流出血管之间的压力差、特别是血压差。
此外,可以通过将经训练的函数应用于输入数据来确定训练压力比,其中输入数据基于训练孔隙度参数、训练渗透性参数、平均的训练血流速度参数和训练血管横截面参数。通过训练压力比与比较压力比之间的比较,例如成本值、特别是归一化的差和/或标量积,可以进一步调整经训练的函数的至少一个参数。
由此,通过将经训练的函数应用于输入数据,有利地可以改善在确定血管畸形的血流参数组、特别是压力比时的精度。
特别地,提供经训练的函数可以包括将其存储在计算机可读的存储介质上和/或将其传输到提供单元。
根据所提出的用于提供经训练的函数的计算机实现的方法的另外的有利的实施方式,可以基于训练孔隙度参数、训练渗透性参数、平均的训练血流速度参数和训练血管横截面参数来确定特别是沿着训练血管畸形的表面的三维比较压力分布。在此,可以进一步基于训练血管部段模型来确定三维比较压力分布。此外,可以通过将经训练的函数应用于输入数据来确定三维训练压力分布,其中可以基于比较压力分布与训练压力分布之间的特别是逐体素的比较来调整经训练的函数的至少一个参数。在此,经训练的函数的输入数据可以进一步基于训练血管部段模型。
有利地,利用所提出的方法可以提供经训练的函数,其可以在用于提供血管畸形的血流参数组的计算机实现的方法的实施方式中使用。
在第三方面,本发明涉及一种包括计算单元和接口的提供单元。在此,可以将接口设计为用于接收时间分辨的图像数据。此外,可以将计算单元设计为用于根据图像数据重建血管部段的时间分辨的图像。此外,可以将计算单元设计为用于在血管部段的图像中分割血管畸形。此外,可以将计算单元设计为用于基于血管部段的图像识别血管畸形处的至少一个馈送血管。此外,可以将计算单元设计为用于基于血管部段的图像识别血管畸形处的至少一个流出血管。此外,可以将计算单元设计为用于针对至少一个馈送血管和至少一个流出血管分别确定平均血流速度参数。此外,可以将计算单元设计为用于针对至少一个馈送血管和至少一个流出血管分别确定血管横截面参数。此外,可以将计算单元设计为用于基于平均血流速度参数和血管横截面参数来确定血管畸形的血流参数组。此外,可以将接口进一步设计为用于提供血管畸形的血流参数组。
优选地,这种提供单元被设计为用于执行之前描述的、根据本发明的用于提供血管畸形的血流参数组的方法以及其方面。提供单元被设计为,通过将接口和计算单元设计为用于执行相应的方法步骤,来执行该方法以及其方面。
所提出的提供单元的优点基本上对应于所提出的用于提供血管畸形的血流参数组的计算机实现的方法的优点。在此提到的特征、优点或替换的实施方式也可以转用到其他要求保护的对象,反之亦然。
在第四方面,本发明涉及一种训练单元,其被设计为用于执行之前描述的根据本发明的用于提供经训练的函数的计算机实现的方法以及其方面。有利地,训练单元包括训练接口和训练计算单元。训练单元被设计为,通过将训练接口和训练计算单元设计为用于执行相应的方法步骤,来执行该方法以及其方面。
在此,训练接口可以被设计为,通过应用所提出的用于提供血管畸形的血流参数组的计算机实现的方法的实施方式来接收平均的训练血流速度参数、训练血管横截面参数和训练血管畸形。在此,平均血流速度参数可以作为平均的训练血流速度参数、血管横截面参数可以作为训练血管横截面参数,并且分割的血管畸形可以作为训练血管畸形进行提供。此外,可以将训练计算单元设计为,通过匹配体积网格模型基于训练血管畸形来确定训练血管部段模型。此外,可以将训练计算单元设计为,基于训练血管部段模型来确定训练血管畸形的训练孔隙度参数。此外,可以将训练计算单元设计为,基于训练血管部段模型来确定训练血管畸形的训练渗透性参数。此外,可以将训练计算单元设计为,基于训练孔隙度参数、训练渗透性参数、平均的训练血流速度参数和训练血管横截面参数来确定至少一个馈送血管与至少一个流出血管之间的比较压力比。此外,可以将训练计算单元设计为,通过将经训练的函数应用于输入数据来确定至少一个馈送血管与至少一个流出血管之间的训练压力比,其中输入数据基于训练孔隙度参数、训练渗透性参数、平均的训练血流速度参数和训练血管横截面参数。此外,可以将训练计算单元设计为,基于训练压力比与比较压力比之间的比较来调整经训练的函数的至少一个参数。此外,可以将训练接口设计为用于提供经训练的函数。
所提出的训练单元的优点基本上对应于所提出的用于提供经训练的函数的计算机实现的方法的优点。在此提到的特征、优点或替换的实施方式还可以转用到其他要求保护的对象,反之亦然。
在第五方面,本发明涉及一种包括提出的提供单元的医学成像设备。在此,医学成像设备、特别是提供单元,被设计为用于执行所提出的用于提供血管畸形的血流参数组的计算机实现的方法。特别地,可以将医学成像设备设计为医学X射线设备、特别是C形臂X射线设备,和/或计算机断层成像设备(CT)和/或磁共振设备(MRI)和/或超声设备和/或正电子发射断层成像设备(PET)。在此,还可以将医学成像设备设计为用于记录和/或接收和/或提供时间分辨的图像数据。
所提出的医学成像设备的优点基本上对应于所提出的用于提供血管畸形的血流参数组的计算机实现的方法的优点。在此提到的特征、优点或替换的实施方式还可以转用到其他要求保护的对象,反之亦然。
在第六方面,本发明涉及一种具有计算机程序的计算机程序产品,该计算机程序可直接加载到提供单元的存储器中,该计算机程序具有程序部分,以便当提供单元执行该程序部分时,执行用于提供血管畸形的血流参数组的计算机实现的方法的所有步骤和/或它的其中一个方面;和/或该计算机程序可直接加载到训练单元的训练存储器中,该计算机程序具有程序部分,以便当训练单元执行该程序部分时,执行所提出的用于提供经训练的函数的方法的所有步骤和/或它的其中一个方面。
在第七方面,本发明涉及一种计算机可读的存储介质,在其上存储了可由提供单元读取并执行的程序部分,以便当提供单元执行该程序部分时,执行用于提供血管畸形的血流参数组的计算机实现的方法的所有步骤和/或它的其中一个方面;和/或在其上存储了可由训练单元读取并执行的程序部分,以便当训练单元执行该程序部分时,执行用于提供经训练的函数的方法的所有步骤和/或它的其中一个方面。
在第八方面,本发明涉及一种计算机程序或计算机可读的存储介质,该计算机程序或计算机可读的存储介质包括由所提出的计算机实现的方法或它的其中一个方面提供的经训练的函数。
在很大程度上基于软件的实现的优点在于,可以以简单的方式通过软件更新来升级目前为止使用的提供单元和/或训练单元,从而以根据本发明的方式进行工作。除了计算机程序之外,这种计算机程序产品在必要时可以包括附加的组成部分、例如文件整理和/或附加的部件,以及硬件部件、例如用于使用软件的硬件密钥(加密狗等)。
附图说明
在附图中示出了本发明的实施例,并且下面对其进行更详细的描述。在不同的附图中,对于相同的特征使用相同的附图标记。附图中:
图1示出了用于提供血管畸形的血流参数组的计算机实现的方法的实施方式的示意图,
图2示出了在所提出的用于提供血管畸形的血流参数组的计算机实现的方法中的数据流的示意图,
图3至图6示出了用于提供血管畸形的血流参数组的计算机实现的方法的不同实施方式的示意图,
图7示出了所提出的用于提供经训练的函数的计算机实现的方法的示意图,
图8示出了所提出的提供单元的示意图,
图9示出了所提出的训练单元的示意图,
图10示出了针对所提出的医学成像设备的示例的医学C形臂X射线设备的示意图。
具体实施方式
在图1中示意性示出了所提出的用于提供血管畸形的血流参数组的计算机实现的方法的实施方式。在此,在第一步骤a)中,可以接收REC-BD时间分辨的图像数据BD,其中,图像数据BD映射检查对象31的血管部段VS中的时间变化。此外,血管部段VS有利地可以具有血管畸形MF。在第二步骤b)中,可以根据图像数据BD重建PROC-ABB血管部段VS的时间分辨的图像ABB。此后,在第三步骤c)中,可以在血管部段VS的图像ABB中分割SEG-MF血管畸形MF。此外,在步骤d1)中,可以基于血管部段VS的图像ABB来识别ID-FV血管畸形MF处的至少一个馈送血管FV。此外,在另外的步骤d2)中,可以基于血管部段VS的图像ABB来识别ID-DV血管畸形MF处的至少一个流出血管DV。此后,在步骤e1)中,可以分别确定DET-AV至少一个馈送血管的平均血流速度参数AV-FV和至少一个流出血管的平均血流速度参数AV-DV。此外,在另外的步骤e2)中,可以分别确定DET-VCSA至少一个馈送血管的血管横截面参数VCSA-FV和至少一个流出血管的血管横截面参数VCSA-DV。此后,在步骤f1)中,可以基于平均血流速度参数AV-FV、VA-DV和血管横截面参数VCSA-FV、VCSA-DV来确定DET-BFP血管畸形MF的血流参数组BFP。
特别地,血流参数组BFP可以包括关于与至少一个馈送血管和/或至少一个流出血管有关的体积流率的信息。在此,例如可以作为相应的平均血流速度参数AV-FV或AV-DV与相关的血管横截面参数VCSA-FV或VCSA-DV的乘积来确定体积流率
此外,在步骤g)中,可以提供PROV-BFP血流参数组BFP。
此外,图像数据BD可以映射血管部段VS中的造影剂团剂。在此,步骤e1)有利地可以基于由造影剂团剂引起的血管部段VS的图像ABB中的时间上的强度变化。
此外,血管部段VS的图像ABB可以具有多个体素,其中,步骤b)中的重建PROC-ABB分别将团剂到达时间与体素相关联,在这些体素中映射至少一个馈送血管FV和/或至少一个流出血管DV和/或血管畸形MF。在此,步骤d1)中对至少一个馈送血管的识别ID-FV和/或步骤d2)中对至少一个流出血管的识别ID-DV可以基于血管部段VS的图像ABB的不同体素的团剂到达时间的比较。
此外,血流参数组BFP可以针对至少一个馈送血管FV和至少一个流出血管DV分别具有时间上的血液体积流量参数。在此,可以基于相应的平均血流速度参数AV-FV或AV-DV以及相应的血管横截面参数VCSA-FV或VCSA-DV来确定时间上的血液体积流量参数。
在图2中示意性示出了所提出的用于提供PROV-BFP血管畸形MF的血流参数组BFP的方法的实施方式的数据流。在此,在组织背景TB前的图像数据BD中映射了检查对象31的血管部段VS。此外,有利地三维地重建血管部段VS的图像ABB中的血管部段VS。在此,血管部段VS的图像ABB优选地可以具有多个三维图像数据组,它们分别与时间信息相关联。由此,血管部段的图像ABB可以三维地映射血管部段VS中的时间变化。在血管部段VS的图像ABB中分割SEG-MF血管畸形之后,可以识别出ID-FV,ID-DV血管畸形MF处的至少一个馈送血管FV和至少一个流出血管DV。此外,可以确定DET-VCSA至少一个馈送血管的血管横截面参数VCSA-FV和至少一个流出血管的血管横截面参数VCSA-DV。此外,可以确定DET-AV至少一个馈送血管的平均血流速度参数AV-FV和至少一个流出血管的平均血流速度参数AV-DV。由此,可以基于平均血流速度参数AV-FV和AV-DV以及血管横截面参数VCSA-FV和VCSA-DV来确定DET-BFP血管畸形MF的血流参数组BFP。
在图3中示意性示出的、所提出的用于提供PROV-BFP血管畸形MF的血流参数组BFP的计算机实现的方法的实施方式中,血流参数组BFP可以包括与至少一个馈送血管FV相对应的至少一个第一血流参数BFP-FV。此外,血流参数组BFP可以包括与至少一个流出血管DV相对应的至少一个第二血流参数BFP-DV。在此,所提出的方法可以进一步包括步骤f2),其中在步骤f2)中,将至少一个第一血流参数BFP-FV的总和与至少一个第二血流参数BFP-DV的总和进行比较COMP-BFP。在此,比较例如可以包括关于至少一个馈送血管的体积流率的总和以及至少一个流出血管的体积流率的总和的合理性条件:
在此,可以从步骤d1)开始,从总和之间的预定差异开始重复执行所提出的方法。如果比较表明,总和位于预定差异之内,则可以提供PROV-BFP血流参数组BFP。
在图4中示意性示出了所提出的用于提供PROV-BFP血管畸形MF的血流参数组BFP的计算机实现的方法的另外的实施方式。在此,在步骤c2)中,可以基于分割的血管畸形MF通过匹配体积网格模型来确定DET-VM血管部段模型VM。此后,可以基于血管部段模型VM来确定DET-PP1血管畸形MF的孔隙度参数PP1。此外,可以基于血管部段模型VM来确定DET-PP2血管畸形MF的渗透性参数PP2。此外,在步骤f1)中,可以基于孔隙度参数PP1、渗透性参数PP2、平均血流速度参数AV-FV和AV-DV以及血管横截面参数VCSA-FV和VCSA-DV来确定DET-BFP至少一个馈送血管FV与至少一个流出血管DV之间的压力比PR。在此,还可以在步骤f1)中确定三维压力分布。
在图5中示意性示出的、所提出的用于提供PROV-BFP血管畸形MF的血流参数组BFP的计算机实现的方法的实施方式中,步骤f1)可以通过将经训练的函数TF-PR应用于输入数据来执行。在此,输入数据有利地可以基于孔隙度参数PP1、渗透性参数PP2、平均血流速度参数AV-FV和AV-DV,以及血管横截面参数VCSA-FV和VCSA-DV。
在图6中示意性示出了所提出的用于提供PROV-BFP血管畸形MF的血流参数组BFP的计算机实现的方法的另外的实施方式。在此,在步骤e3)中,有利地可以基于血管部段模型VM来确定DET-VOL-MF血管畸形MF的空间体积VOL-MF。此外,在步骤e3)中,可以确定DET-VOL-CF血管畸形MF内的造影剂团剂的空间体积VOL-CM。然后,可以基于血管畸形的体积VOL-MF与血管畸形MF内的造影剂团剂的体积VOL-CM之间的比,来确定DET-PP1孔隙度参数PP1。
对于流体在多孔介质、特别是血管畸形MF中的流动Q,可以应用达西定律,该定律可以通过纳维叶-斯托克斯方程(Navier-Stokes-Gleichung)的均匀化推导出:
其中,PP2表示血管畸形的渗透性参数,μ表示流体的动态粘度,CSA表示血管横截面积,特别是在具有至少有一个馈送血管和流出血管FV和DV的横截面上,L表示两个空间点之间的空间距离,其中在这两个空间点处分别存在压力p1和p2。
根据方程(4)可以推导出:
有利地,在此可以预先给定渗透性参数PP2。此外,可以将血管畸形MF的孔隙度参数PP1确定为:
其中,VOLV表示不能通过液体填充的血管畸形MF的空间体积,其中:
VOLV=VOL-MF-VOL-CM (8)
此外,可以将流体的平均速度v确定为:
在此,尤其可以将达西定律应用于经常在血液动力学中出现的层流。替换地,方程(4)可以用惯性项、例如福熙海麦(Forchheimer)项补充。
在图7中示意性示出了所提出的用于提供PROV-TF-PR经训练的函数TF-PR的计算机实现的方法的实施方式。在此,通过应用PT1所提出的用于提供血管畸形MF的血流参数组PROV-BFP计算机实现的方法的实施方式,可以接收REC-TAV-TVCSA平均的训练血流速度参数TAV-FV和TAV-DV以及训练血管横截面参数TVCSA-FV和TVCSA-DV。在此,可以提供平均血流速度参数AV-FV和AV-DV作为训练血流速度参数TAV-FV和TAV-DV。此外,可以提供血管横截面参数VCSA-FV和VCSA-DV作为训练血管横截面参数TVCSA-FV和TVCSA-DV。此外,可以接收REC-TMF训练血管畸形TMF,其中可以提供分割的血管畸形MF作为训练血管畸形TMF。在此,可以基于训练血管畸形TMF通过匹配体积网格模型来确定DET-VM训练血管部段模型TVM。此外,可以基于训练血管部段模型TVM来确定DET-PP1训练血管畸形TMF的训练孔隙度参数TPP1。此外,可以基于训练血管部段模型TVM确定DET-PP2训练血管畸形TMF的训练渗透性参数TPP2。此后,可以基于训练孔隙度参数TPP1、训练渗透性参数TPP2、平均的训练血流速度参数TAV-FV和TAV-DV以及训练血管横截面参数TVCSA-FV和TVCSA-DV来确定DET-BFP至少一个馈送血管FV和至少一个流出血管DV之间的比较压力比CPR。在另外的步骤中,可以通过将经训练的函数TF-PR应用于输入数据来确定至少一个馈送血管FV和至少一个流出血管DV之间的训练压力比TPR。在此,输入数据可以基于训练孔隙度参数TPP1、训练渗透性参数TPP2、平均的训练血流速度参数TAV-FV和TAV-DV以及训练血管横截面参数TVCSA-FV和TVCSA-DV。此后,可以基于训练压力比TPR与比较压力比CPR之间的比较来调整ADJ-TF-PR经训练的函数TF-PR的至少一个参数。在另外的步骤中,可以提供PROV-TF-PR经训练的函数TF-PR。
图8示意性示出了所提出的提供单元PRVS,其包括接口IF、计算单元CU和存储单元MU。可以将提供单元PRVS设计为,用于执行所提出的用于提供PROV-BFP血管畸形MF的血流参数组BFP的计算机实现的方法以及其方面,方式是,将接口IF和计算单元CU设计为用于执行相应的方法步骤。在此,可以将接口IF设计为用于接收REC-BD时间分辨的图像数据BD。此外,可以将计算单元CU设计为用于根据图像数据BD重建PROC-ABB血管部段VS的时间分辨的图像ABB。此外,可以将计算单元CU设计为,在血管部段VS的图像ABB中分割SEG-MF血管畸形MF。此外,可以将计算单元CU设计为,基于血管部段VS的图像ABB来识别ID-FV血管畸形MF处的至少一个馈送血管FV。此外,可以将计算单元CU设计为,基于血管部段VS的图像ABB来识别ID-DV血管畸形MF处的至少一个流出血管DV。此外,可以将计算单元CU设计为,分别确定DET-AV至少一个馈送血管的平均血流速度参数AV-FV和至少一个流出血管的平均血流速度参数AV-FV。此外,可以将计算单元CU设计为,分别用于确定DET-VCSA至少一个馈送血管的血管横截面参数VCSA-FV和至少一个流出血管的血管横截面参数VCSA-DV。此外,可以将计算单元CU设计为,基于平均血流速度参数AV-FV和AV-DV以及血管横截面参数VCSA-FV和VCSA-DV来确定DET-BFP血管畸形MF的血流参数组BFP。此外,还可以将接口IF设计为用于提供PROV-BFP血管畸形MF的血流参数组BFP。
图9示意性示出了所提出的训练单元TRS,其包括训练接口TIF、训练计算单元TCU和训练存储单元TMU。可以将训练单元TRS设计为,用于执行所提出的用于提供PROV-TF-PR经训练的函数的计算机实现的方法以及其方面,方式是,将训练接口TIF和训练计算单元TCU设计为用于执行相应的方法步骤。
在此,可以将训练接口TIF设计为,通过应用所提出的用于提供PROV-BFP血管畸形MF的血流参数组BFP的计算机实现的方法的实施方式来接收平均的训练血流速度参数TAV-FV和TAV-DV、训练血管横截面参数TVCSA-FV和TVCSA-DV以及训练血管畸形TMF。在此,可以提供平均血流速度参数AV-FV和AV-DV作为平均的训练血流速度参数TAV-FV和TAV-DV,提供血管横截面参数VCSA-FV和VCSA-DV作为训练血管横截面参数TVCSA-FV和TVCSA-DV,并且提供分割的血管畸形MF作为训练血管畸形TMF。此外,可以将训练计算单元TCU设计为基于训练血管畸形TMF通过匹配体积网格模型来确定DET-VM训练血管部段模型TVM。此外,可以将训练计算单元TCU设计为,基于训练血管部段模型TVM来确定DET-PP1训练血管畸形TMF的训练孔隙度参数TPP1。此外,可以将训练计算单元TCU设计为,基于训练血管部段模型TVM来确定DET-PP2训练血管畸形TMF的训练渗透性参数TPP2。此外,可以将训练计算单元TCU设计为,基于训练孔隙度参数TPP1、训练渗透性参数TPP2、平均的训练血流速度参数TAV-FV和TAV-DV以及训练血管横截面参数TVCSA-FV和TVCSA-DV来确定DET-BFP至少一个馈送血管FV和至少一个流出血管DV之间的比较压力比CPR。此外,可以将训练计算单元TCU设计为,通过将经训练的函数TF-PR应用于输入数据来确定至少一个馈送血管FV和至少一个流出血管DV之间的训练压力比TPR,其中输入数据基于训练孔隙度参数TPP1、训练渗透性参数TPP2、平均的训练血流速度参数TAV-FV和TAV-DV以及训练血管横截面参数TVCSA-FV和TVCSA-DV。此外,可以将训练计算单元TCU设计为,基于训练压力比TPR与比较压力比CPR之间的比较来调整ADJ-TF-PR经训练的函数TF-PR的至少一个参数。此外,可以将训练接口TIF设计为用于提供PROV-TF-PR经训练的函数TF-PR。
提供单元PRVS和/或训练单元TRS尤其可以是计算机、微控制器或集成电路。替换地,提供单元PRVS和/或训练单元TRS可以是真实或虚拟的计算机联结(真实联结的英文术语是“集群(Cluster)”,虚拟联结的英文术语是“云(Cloud)”)。还可以将提供单元PRVS和/或训练单元TRS设计为在真实的计算机或者真实或虚拟的计算机联结上运行的虚拟系统(虚拟化)。
接口IF和/或训练接口TIF可以是硬件或软件接口(例如PCI总线,USB或Firewire)。计算单元CU和/或训练计算单元TCU可以具有硬件元件或软件元件、例如微处理器或所谓的FPGA(“Field Programmable Gate Array(现场可编程门阵列)”的英文缩写)。存储器单元MU和/或训练存储器单元TMU可以被实现为随机存取存储器(Random AccessMemory,简称RAM)或被实现为永久性大容量存储器(硬盘,USB棒,SD卡,固态硬盘)。
特别地,接口IF和/或训练接口TIF可以包括执行相应方法的不同步骤的多个子接口。换言之,还可以将接口IF和/或训练接口TIF理解为多个接口IF或多个训练接口TIF。特别地,计算单元CU和/或训练计算单元TCU可以包括执行相应方法的不同步骤的多个子计算单元。换言之,还可以将计算单元CU和/或训练计算单元TCU理解为多个计算单元CU和/或多个训练计算单元TCU。
在图10中示意性示出了针对所提出的医学成像设备的示例的医学C形臂X射线设备37。在此,医学C形臂X射线设备37有利地可以包括所提出的提供单元PRVS以提供PROF-BFP血管畸形MF的血流参数组BFP。在此,医学成像设备37、特别是所提出的提供单元PRVS被设计为用于执行所提出的用于提供PROV-BFP血管畸形MF的血流参数组BFP的计算机实现的方法。
在此,医学C形臂X射线设备37还包括检测器单元34和X射线源33。为了记录时间分辨的图像数据BD,C形臂X射线设备37的臂38可以围绕一个或多个轴可动地安置。此外,医学C形臂X射线设备37可以包括移动设备39,该移动设备39可以实现C形臂X射线设备37在室内的移动。
为了记录布置在患者支承设备32上的检查对象31的血管部段VS的时间分辨的图像数据BD,提供单元PRVS可以将信号24发送到X射线源33。于是,X射线源33可以发射X射线束、特别是锥形束和/或扇形束和/或平行束。当在与要成像的检查对象31的血管部段VS相互作用之后,在检测器单元34的表面上出现X射线束时,检测器单元34可以将信号21发送到提供单元PRVS。提供单元PRVS例如可以根据信号21接收REC-BD时间分辨的图像数据BD。
此外,医学C形臂X射线设备37可以包括输入单元42、例如键盘,和/或显示单元41、例如监视器和/或显示器。例如在电容输入显示器的情况下,输入单元42优选地可以集成到显示单元41中。在此,通过操作人员在输入单元42上的输入可以实现对医学C形臂X射线设备37、尤其是对所提出的用于提供PROV-BFP血管畸形的MF的血流参数组BFP的计算机实现的方法的控制。为此,输入单元42例如可以向提供单元PRVS发送信号26。
此外,可以将显示单元41设计为用于显示医学成像设备37和/或提供单元PRVS和/或其他部件的信息和/或信息的图形表示。为此,提供单元PRVS例如可以将信号25发送到显示单元41。特别地,可以将显示单元41设计为用于显示时间分辨的图像数据BD和/或血管部段VS的图像ABB和/或血管部段模型VM和/或分割的血管畸形MF和/或三维压力分布和/或血流参数组的图形表示。有利地,可以在显示单元41上显示血管部段VS的图像ABB和/或血管部段模型VM和/或三维压力分布的图形表示、尤其是颜色编码的图形表示。此外,血管部段VS的图像ABB和/或血管部段模型VM和/或三维压力分布的图形表示可以包括特别是加权的叠加。
所描述的附图中包含的示意图没有映射任何尺寸或大小比例。
最后,再次指出,以上详细描述的方法和所示的设备仅是实施例,本领域技术人员可以在不脱离本发明范围的情况下以多种方式对其进行修改。此外,不定冠词“一”或“一个”的使用不排除所涉及的特征还可以存在多次。同样地,术语“单元”和“元件”并不排除所涉及的部件由多个相互作用的子部件组成,这些子部件在必要时也可以在空间上分布。
Claims (16)
1.一种用于提供(PROV-BFP)血管畸形(MF)的血流参数组(BFP)的计算机实现的方法,包括以下步骤:
a)接收(REC-BD)时间分辨的图像数据(BD),
其中,所述图像数据(BD)映射检查对象(31)的血管部段(VS)中的时间变化,
其中,所述血管部段(VS)具有血管畸形(MF),
b)根据图像数据(BD)重建(PROC-ABB)血管部段(VS)的时间分辨的图像(ABB),
c)在血管部段(VS)的图像(ABB)中分割(SEG-MF)血管畸形(MF),
d1)基于血管部段(VS)的图像(ABB)识别(ID-FV)血管畸形(MF)处的至少一个馈送血管(FV),
d2)基于血管部段(VS)的图像(ABB)识别(ID-DV)血管畸形(MF)处的至少一个流出血管(DV),
e1)分别确定(DET-AV)至少一个馈送血管的平均血流速度参数(AV-FV)和至少一个流出血管的平均血流速度参数(AV-DV),
e2)分别确定(DET-VCSA)至少一个馈送血管的血管横截面参数(VCSA-FV)和至少一个流出血管的血管横截面参数(VCSA-DV),
f1)基于平均血流速度参数(AV-FV,AV-DV)和血管横截面参数(VCSA-FV,VCSA-DV)确定(DET-BFP)血管畸形(MF)的血流参数组(BFP),
g)提供(PROV-BFP)所述血流参数组(BFP)。
2.根据权利要求1所述的计算机实现的方法,
其中,所述血流参数组(BFP)包括与至少一个馈送血管(FV)相对应的至少一个第一血流参数,
其中,所述血流参数组包括与至少一个流出血管(DV)相对应的至少一个第二血流参数,
其中,所述计算机实现的方法还包括步骤f2),
其中,在步骤f2)中,将至少一个第一血流参数的总和与至少一个第二血流参数的总和进行比较(COMP-BFP),
其中,从步骤d1)开始,从总和之间的预定差异开始重复执行所述计算机实现的方法。
3.根据权利要求1或2所述的计算机实现的方法,还包括:
c2)基于分割的血管畸形(MF)通过匹配体积网格模型来确定(DET-VM)血管部段模型(VM),
e3)基于血管部段模型(VM)确定(DET-PP1)血管畸形(MF)的孔隙度参数(PP1),
e4)基于血管部段模型(VM)确定(DET-PP2)血管畸形(MF)的渗透性参数(PP2),
其中,在步骤f1)中,基于孔隙度参数(PP1)、渗透性参数(PP2)、平均血流速度参数(AV-FV,AV-DV)和血管横截面参数(VCSA-FV,VCSA-DV)来确定至少一个馈送血管(FV)与至少一个流出血管(DV)之间的压力比(PR)。
4.根据权利要求3所述的计算机实现的方法,其特征在于,通过将经训练的函数(TF-PR)应用到输入数据来执行步骤f1),其中,所述输入数据基于孔隙度参数(PP1)、渗透性参数(PP2)、平均血流速度参数(AV-FV,AV-DV)和血管横截面参数(VCSA-FV,VCSA-DV),
其中,经训练的函数(TF-PR)的至少一个参数基于训练压力比(TPR)与比较压力比(CPR)之间的比较。
5.根据权利要求4所述的计算机实现的方法,其特征在于,在步骤f1)中还确定三维压力分布。
6.根据上述权利要求中任一项所述的计算机实现的方法,其特征在于,所述图像数据(BD)映射血管部段(MF)中的造影剂团剂,
其中步骤e1)基于由造影剂团剂引起的血管部段(VS)的图像(ABB)中的时间上的强度变化。
7.根据权利要求3至5中任一项和权利要求6所述的计算机实现的方法,其中,在步骤e3)中,基于血管畸形的体积(VOL-MF)与血管畸形(MF)内的造影剂团剂的体积(VOL-CM)之间的比来确定(DET-PP1)孔隙度参数(PP1)。
8.根据权利要求6或7所述的计算机实现的方法,其特征在于,所述血管部段(VS)的图像(ABB)具有多个体素,
其中,在步骤b)中,重建(PROC-ABB)分别将体素与团剂到达时间相关联,在所述体素中映射至少一个馈送血管(FV)和/或至少一个流出血管(DV)和/或血管畸形(MF)的。
9.根据权利要求8所述的计算机实现的方法,其特征在于,步骤d1)和/或步骤d2)基于血管部段(VS)的图像(ABB)的不同体素的团剂到达时间的比较。
10.根据上述权利要求中任一项所述的计算机实现的方法,其特征在于,所述血流参数组(BFP)分别具有针对至少一个馈送血管(FV)和至少一个流出血管(DV)的时间上的血液体积流量参数,
其中,基于相应的平均血流速度参数(AV-FV,AV-DV)和相应的血管横截面参数(VCSA-FV,VCSA-DV)来确定(DET-BFP)时间上的血液体积流量参数。
11.一种用于提供(PROV-TF-PR)经训练的函数(TF-PR)的计算机实现的方法,包括:
-通过应用根据权利要求1至3中任一项所述的计算机实现的方法来接收(REC-TAV-TVCSA,REC-TMF)平均的训练血流速度参数(TAV-FV,TAV-DV)、训练血管横截面参数(TVCSA-FV,TVCSA-DV)和分割的训练血管畸形(TMF),
其中,提供平均血流速度参数(AV-FV,AV-DV)作为平均的训练血流速度参数(TAV-FV,TAV-DV),提供血管横截面参数(VCSA-FV,VCSA-DV)作为训练血管横截面参数(TVCSA-FV,TVCSA-DV)并且提供分割的血管畸形(MF)作为训练血管畸形(TMF),
-基于训练血管畸形(TMF)通过匹配体积网格模型来确定(DET-VM)训练血管部段模型(TVM),
-基于训练血管部段模型(TVM)确定(DET-PP1)训练血管畸形(TMF)的训练孔隙度参数(TPP1),
-基于训练血管部段模型(TVM)确定(DET-PP2)训练血管畸形(TMF)的训练渗透性参数(TPP2),
-基于训练孔隙度参数(TPP1)、训练渗透性参数(TPP2)、平均训练血流速度参数(TAV-FV,TAV-DV)和训练血管横截面参数(TVCSA-FV,TVCSA-DV)来确定(DET-BFP)至少一个馈送血管(FV)与至少一个流出血管(DV)之间的比较压力比(CPR),
-通过将经训练的函数(TF-PR)应用于输入数据来确定至少一个馈送血管(FV)与至少一个流出血管(DV)之间的训练压力比(TPR),
其中,所述输入数据基于训练孔隙度参数(TPP1)、训练渗透性参数(TPP2)、平均的训练血流速度参数(TAV-FV,TAV-DV)和训练血管横截面参数(TVCSA-FV,TVCSA-DV),
-基于训练压力比(TPR)和比较压力比(CPR)之间的比较来调整(ADJ-TF-PR)经训练的函数(TF-PR)的至少一个参数,
-提供(PROV-TF-PR)经训练的函数(TF-PR)。
12.一种提供单元(PRVS),其被设计为用于执行根据权利要求1至10中任一项所述的计算机实现的方法。
13.一种训练单元(TRS),其被设计为用于执行根据权利要求11所述的计算机实现的方法。
14.一种医学成像设备(37),包括根据权利要求12所述的提供单元(PRVS),所述提供单元被设计为用于执行根据权利要求1至10中任一项所述的计算机实施的方法,
其中,所述医学成像设备(37)被设计为用于记录和/或接收和/或提供时间分辨的图像数据(BD)。
15.一种具有计算机程序的计算机程序产品,所述计算机程序能够直接加载到提供单元(PRVS)的存储器(MU)中,并且具有程序部分,以便当所述提供单元(PRVS)执行所述程序部分时,执行根据权利要求1至10中任一项所述的计算机实现的方法的所有步骤;和/或所述计算机程序能够直接加载到训练单元(TRS)的训练存储器(TMU)中,并且具有程序部分,以便当所述训练单元(TRS)执行所述程序部分时,执行根据权利要求11所述的计算机实现的方法的所有步骤。
16.一种计算机可读的存储介质,其上存储有能够由提供单元读取并执行的程序部分,以便当所述提供单元(PRVS)执行所述程序部分时,执行根据权利要求1至10中任一项所述的计算机实现的方法的所有步骤;和/或其上存储有能够由训练单元(TRS)读取并执行的程序部分,以便当所述训练单元(TRS)执行所述程序部分时,执行根据权利要求11所述的计算机实现的方法的所有步骤。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102020200750.0A DE102020200750A1 (de) | 2020-01-22 | 2020-01-22 | Bereitstellen eines Blutflussparametersatzes einer Gefäßmalformation |
DE102020200750.0 | 2020-01-22 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113143305A true CN113143305A (zh) | 2021-07-23 |
Family
ID=76650361
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110067525.7A Pending CN113143305A (zh) | 2020-01-22 | 2021-01-19 | 提供血管畸形的血流参数组 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20210219850A1 (zh) |
CN (1) | CN113143305A (zh) |
DE (1) | DE102020200750A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102021210860A1 (de) | 2021-09-28 | 2023-03-30 | Siemens Healthcare Gmbh | Computerimplementiertes Verfahren zur Auswertung von Bilddaten eines Patienten, Eingriffsanordnung, Computerprogramm und elektronisch lesbarer Datenträger |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130060133A1 (en) * | 2011-09-01 | 2013-03-07 | Ghassan S. Kassab | Non-invasive systems and methods for determining fractional flow reserve |
CN103181774A (zh) * | 2011-12-30 | 2013-07-03 | 通用电气公司 | 具有时间解析的数据的流量测量 |
US20180078139A1 (en) * | 2016-09-20 | 2018-03-22 | Heartflow, Inc. | System And Methods For Estimation Of Blood Flow Characteristics Using Reduced Order Model And Machine Learning |
CN108937831A (zh) * | 2017-05-19 | 2018-12-07 | 柯惠有限合伙公司 | 用于淋巴液样本跟踪、引流确定、可视化和处理的系统、装置和方法 |
CN109523515A (zh) * | 2018-10-18 | 2019-03-26 | 深圳市孙逸仙心血管医院(深圳市心血管病研究所) | 血流储备分数的计算方法 |
US20190304592A1 (en) * | 2018-01-12 | 2019-10-03 | Shenzhen Keya Medical Technology Corp. | System and method for calculating vessel flow parameters based on angiography |
CN110574121A (zh) * | 2017-04-06 | 2019-12-13 | 皇家飞利浦有限公司 | 血流储备分数模拟参数的定制、校准和/或训练 |
Family Cites Families (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010067298A1 (en) | 2008-12-12 | 2010-06-17 | Philips Intellectual Property & Standards Gmbh | Arrangement and method for measuring the local velocity of a liquid |
US8315812B2 (en) * | 2010-08-12 | 2012-11-20 | Heartflow, Inc. | Method and system for patient-specific modeling of blood flow |
US9141763B2 (en) * | 2011-02-07 | 2015-09-22 | Siemens Aktiengesellschaft | Method and system for patient-specific computational modeling and simulation for coupled hemodynamic analysis of cerebral vessels |
US10162932B2 (en) * | 2011-11-10 | 2018-12-25 | Siemens Healthcare Gmbh | Method and system for multi-scale anatomical and functional modeling of coronary circulation |
US10052031B2 (en) * | 2013-03-04 | 2018-08-21 | Siemens Healthcare Gmbh | Determining functional severity of stenosis |
US9629563B2 (en) * | 2013-09-04 | 2017-04-25 | Siemens Healthcare Gmbh | Method and system for functional assessment of renal artery stenosis from medical images |
US9700219B2 (en) * | 2013-10-17 | 2017-07-11 | Siemens Healthcare Gmbh | Method and system for machine learning based assessment of fractional flow reserve |
US9349178B1 (en) * | 2014-11-24 | 2016-05-24 | Siemens Aktiengesellschaft | Synthetic data-driven hemodynamic determination in medical imaging |
WO2016075331A2 (en) * | 2014-11-14 | 2016-05-19 | Siemens Healthcare Gmbh | Method and system for purely geometric machine learning based fractional flow reserve |
WO2016170076A1 (en) | 2015-04-21 | 2016-10-27 | Frey Dietmar | Method for simulating blood flow in the cerebral vascular tree |
US10872698B2 (en) * | 2015-07-27 | 2020-12-22 | Siemens Healthcare Gmbh | Method and system for enhancing medical image-based blood flow computations using physiological measurements |
US10438355B2 (en) | 2015-11-10 | 2019-10-08 | General Electric Company | System and method for estimating arterial pulse wave velocity |
US10492754B2 (en) * | 2015-11-20 | 2019-12-03 | International Business Machines Corporation | Real-time cloud-based virtual fractional flow reserve estimation |
US10206646B2 (en) * | 2016-03-10 | 2019-02-19 | Siemens Healthcare Gmbh | Method and system for extracting centerline representation of vascular structures in medical images via optimal paths in computational flow fields |
US10210612B2 (en) * | 2016-03-10 | 2019-02-19 | Siemens Healthcare Gmbh | Method and system for machine learning based estimation of anisotropic vessel orientation tensor |
DE102017117022A1 (de) | 2017-07-18 | 2019-01-24 | Christian-Albrechts-Universität Zu Kiel | Verfahren und Einrichtung zur Untersuchung von Blutflussmustern in den Blutgefäßen eines Patienten sowie Computerprogramm |
US10699407B2 (en) * | 2018-04-11 | 2020-06-30 | Pie Medical Imaging B.V. | Method and system for assessing vessel obstruction based on machine learning |
US11357573B2 (en) * | 2019-04-25 | 2022-06-14 | International Business Machines Corporation | Optimum treatment planning during coronary intervention by simultaneous simulation of a continuum of outcomes |
-
2020
- 2020-01-22 DE DE102020200750.0A patent/DE102020200750A1/de active Pending
-
2021
- 2021-01-15 US US17/151,116 patent/US20210219850A1/en active Pending
- 2021-01-19 CN CN202110067525.7A patent/CN113143305A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130060133A1 (en) * | 2011-09-01 | 2013-03-07 | Ghassan S. Kassab | Non-invasive systems and methods for determining fractional flow reserve |
CN103181774A (zh) * | 2011-12-30 | 2013-07-03 | 通用电气公司 | 具有时间解析的数据的流量测量 |
US20180078139A1 (en) * | 2016-09-20 | 2018-03-22 | Heartflow, Inc. | System And Methods For Estimation Of Blood Flow Characteristics Using Reduced Order Model And Machine Learning |
CN110574121A (zh) * | 2017-04-06 | 2019-12-13 | 皇家飞利浦有限公司 | 血流储备分数模拟参数的定制、校准和/或训练 |
CN108937831A (zh) * | 2017-05-19 | 2018-12-07 | 柯惠有限合伙公司 | 用于淋巴液样本跟踪、引流确定、可视化和处理的系统、装置和方法 |
US20190304592A1 (en) * | 2018-01-12 | 2019-10-03 | Shenzhen Keya Medical Technology Corp. | System and method for calculating vessel flow parameters based on angiography |
CN109523515A (zh) * | 2018-10-18 | 2019-03-26 | 深圳市孙逸仙心血管医院(深圳市心血管病研究所) | 血流储备分数的计算方法 |
Also Published As
Publication number | Publication date |
---|---|
US20210219850A1 (en) | 2021-07-22 |
DE102020200750A1 (de) | 2021-07-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102477057B1 (ko) | 축소 차수 모델 및 기계 학습을 사용한 혈류 특성들의 추정을 위한 시스템 및 방법들 | |
US9323887B2 (en) | Device and computed tomography scanner for determining and visualizing the perfusion of the myocardial muscle | |
CN105792738B (zh) | 用于改善功能狭窄分析的局部ffr估计和可视化 | |
EP3041414B1 (en) | Processing apparatus for processing cardiac data | |
US11642171B2 (en) | Systems and methods for an interactive tool for determining and visualizing a functional relationship between a vascular network and perfused tissue | |
EP2059165B1 (en) | Detection and localization of vascular occlusion from angiography data | |
AU2016269437A1 (en) | Method and system for determining treatments by modifying patient-specific geometrical models | |
US9968324B2 (en) | Generating a 2D projection image of a vascular system | |
US20220051401A1 (en) | Providing a scene with synthetic contrast | |
EP2750102A1 (en) | Method, system and computer readable medium for liver analysis | |
CN113143305A (zh) | 提供血管畸形的血流参数组 | |
US20200170519A1 (en) | Fluid analysis apparatus, method for operating fluid analysis apparatus, and fluid analysis program | |
CN115880216A (zh) | 提供比较数据集 | |
EP3607527B1 (en) | Quantitative evaluation of time-varying data | |
Li et al. | Segmentation and reconstruction of cerebral vessels from 3D rotational angiography for AVM embolization planning | |
JP7368500B2 (ja) | 流体解析装置、方法およびプログラム | |
Avrunin et al. | Planning Method for Safety Neurosurgical and Computed Tomography Contrast-Data Set Visualization | |
US11580635B2 (en) | Fluid analysis apparatus, method for operating fluid analysis apparatus, and fluid analysis program | |
Аврунін et al. | Planning Method for Safety Neurosurgical and Computed Tomography Contrast-Data Set Visualization | |
BARRA | Recovery of contrast transit dynamics in CT brain angiography for arteries and veins segmentation |
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 |