CN113545846B - 一种血流动力学仿真模拟方法、装置以及设备 - Google Patents
一种血流动力学仿真模拟方法、装置以及设备 Download PDFInfo
- Publication number
- CN113545846B CN113545846B CN202110830840.0A CN202110830840A CN113545846B CN 113545846 B CN113545846 B CN 113545846B CN 202110830840 A CN202110830840 A CN 202110830840A CN 113545846 B CN113545846 B CN 113545846B
- Authority
- CN
- China
- Prior art keywords
- model
- monitoring point
- image data
- processed
- pressure
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004088 simulation Methods 0.000 title claims abstract description 173
- 238000000034 method Methods 0.000 title claims abstract description 61
- 230000000004 hemodynamic effect Effects 0.000 title claims abstract description 30
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 67
- 238000004364 calculation method Methods 0.000 claims abstract description 56
- 238000005259 measurement Methods 0.000 claims abstract description 9
- 238000012544 monitoring process Methods 0.000 claims description 122
- 230000003902 lesion Effects 0.000 claims description 27
- 210000004004 carotid artery internal Anatomy 0.000 claims description 22
- 210000002385 vertebral artery Anatomy 0.000 claims description 22
- 210000001367 artery Anatomy 0.000 claims description 14
- 238000007917 intracranial administration Methods 0.000 abstract description 12
- 210000004369 blood Anatomy 0.000 abstract description 4
- 239000008280 blood Substances 0.000 abstract description 4
- 238000003745 diagnosis Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 21
- 238000003860 storage Methods 0.000 description 13
- 230000002792 vascular Effects 0.000 description 9
- 230000036772 blood pressure Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 230000006872 improvement Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000017531 blood circulation Effects 0.000 description 6
- 230000002490 cerebral effect Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000011218 segmentation Effects 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 210000004556 brain Anatomy 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000000747 cardiac effect Effects 0.000 description 3
- 210000001715 carotid artery Anatomy 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 210000003657 middle cerebral artery Anatomy 0.000 description 3
- 238000002583 angiography Methods 0.000 description 2
- 210000002551 anterior cerebral artery Anatomy 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 210000001168 carotid artery common Anatomy 0.000 description 2
- 210000000269 carotid artery external Anatomy 0.000 description 2
- 238000010968 computed tomography angiography Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000012623 in vivo measurement Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 210000003388 posterior cerebral artery Anatomy 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 230000002966 stenotic effect Effects 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 208000032843 Hemorrhage Diseases 0.000 description 1
- 201000008450 Intracranial aneurysm Diseases 0.000 description 1
- 208000031481 Pathologic Constriction Diseases 0.000 description 1
- 208000034158 bleeding Diseases 0.000 description 1
- 230000000740 bleeding effect Effects 0.000 description 1
- 230000036770 blood supply Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 210000001627 cerebral artery Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000000338 in vitro Methods 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 210000003625 skull Anatomy 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000036262 stenosis Effects 0.000 description 1
- 208000037804 stenosis Diseases 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
- A61B2034/101—Computer-aided simulation of surgical operations
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Health & Medical Sciences (AREA)
- Surgery (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Robotics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本说明书实施例公开了一种血流动力学仿真模拟方法、装置以及设备。所述方法包括:获取待处理的影像数据;基于所述待处理的影像数据,获取所述待处理的影像数据的血管图像;将所述待处理的影像数据的血管图像输入CFD仿真模型中,获得所述待处理影像数据的仿真结果,其中,所述CFD仿真模型是基于3D血管模型,并基于实测值进行校正,获得的颅内血管血流动力学的仿真模型,能够自动化调整参数,自动调优,得到精确结果,大大节省调参时间以及提高计算精度;可以适用于个性化病例的精确模拟,得到血管各个部位的血动参数,比如压力,流速等,作为诊疗的参考依据。
Description
技术领域
本说明书涉及医学影像及计算机技术领域,尤其涉及一种血流动力学仿真模拟方法、装置以及设备。
背景技术
颅内动脉瘤在进行手术治疗或者用药前,需要对脑血管的血流情况和脑部供血情况进行评估,一般是进行血压和血流状态的评估。现有技术中,测量颅内血管血压的方法有两种,一种是有创介入法,该方法需要从大血管导入压力导丝,在造影成像的辅助支持下,将压力导丝导入狭窄病变血管区域,以测量血管的局部压力,进而评估血供能力。该方式的优点是能测得血管的真实血压,缺点是有创测量可能增加出血风险,且一次只能测量一个位置,其他位置需要重新测量,同时该方式费用也相对较高。测量颅内血管血压的另外一种方法是经颅多普勒超声(Transcranial Doppler,TCD),该方式利用人类颅骨自然薄弱的部位作为检测声窗(如颞骨嶙部、枕骨大孔、眼眶),通过超声测量颅内血管血流流速情况。该方式的优点是无创且价格相对较低,缺点是只能提供血流流速,无法提供血压参数,且测量血管区域有限,测量结果因人而异,精度不高。此外,现有计算流体动力学的方法,均无法实现自动化调节,费时费力。
因此,现有一种新的方法,能够直观观察血压和血流状态,降低检测成本和检测风险。
发明内容
本说明书实施例提供一种血流动力学仿真模拟方法、装置以及设备,用于解决以下技术问题:颅内血管和血流流速的测定不方便,检测成本高,检测风险高。
为解决上述技术问题,本说明书实施例是这样实现的:
本说明书实施例提供一种血流动力学仿真模拟方法,包括:
获取待处理的影像数据;
基于所述待处理的影像数据,获取所述待处理的影像数据的血管图像;
将所述待处理的影像数据的血管图像输入CFD仿真模型中,获得所述待处理影像数据的仿真结果,其中,所述CFD仿真模型是基于3D血管模型,并基于实测值进行校正,获得的颅内血管血流动力学的仿真模型。
进一步地,所述基于所述待处理的影像数据,获取所述待处理的影像数据的血管图像,具体包括:
对所述待处理的影像数据进行3D重建,获得所述待处理的影像数据的全脑血管图像,所述待处理的影像数据的全脑血管图像包括左右颈内动脉、左右椎动脉和远端分支动脉。
进一步地,所述CFD仿真模型是以左右颈内动脉和左右椎动脉的入口作为流量入口,以远端分支结束的位置为压力出口,在仿真计算周期内,调整监测点的预测值与实测值,获得所述CFD仿真模型。
进一步地,所述压力出口的压力是基于Windkessel RCR模型模拟获得的,具体包括:
将压力出口的实际流量输入所述Windkessel RCR模型,获得所述压力出口的压力。
进一步地,所述在仿真计算周期内,调整监测点的预测值与实测值,获得所述CFD仿真模型,具体包括:
在所述仿真计算周期内,计算所述监测点的预测值与实测值的误差;
基于所述误差,调整所述Windkessel RCR模型的参数,直至所述监测点的病变远端压力与监测点的入口压力的比值的预测值与实测值的相对误差小于预设阈值,停止调整所述Windkessel RCR模型的参数,获得所述CFD仿真模型。
进一步地,所述在所述仿真计算周期内,计算所述监测点的预测值与实测值的误差,具体包括:
在所述仿真计算周期内,计算所述监测点的远端压力的预测值与所述监测点的实测值的误差。
进一步地,所述在仿真计算周期内,调整监测点的预测值与实测值,获得所述CFD仿真模型,具体包括:
在所述仿真计算周期内,计算所述监测点的远端压力的预测值PdCFD与所述监测点的远端压力的实际值Pdexp的误差ΔP,ΔP=PdCFD-Pdexp;
基于所述误差ΔP,调整所述Windkessel RCR模型的近端阻力Rp和远端阻力Rd,其中,Rp1=Rp0-α*|ΔP|*ΔP,Rd1=Rd0-β*|ΔP|*ΔP,α和β为常数系数,Rp0为调整前的近端阻力,Rd0为调整前的远端阻力,Rp1为调整后的近端阻力,Rd1为调整后的远端阻力;
基于所述调整后的Windkessel RCR模型,获得所述监测点的病变远端压力的预测值与所述监测点的入口压力的预测值,直至所述监测点的病变远端压力与监测点的入口压力的比值的预测值与实测值的相对误差小于预设阈值,停止调整所述Windkessel RCR模型的参数,获得所述CFD仿真模型。
进一步地,所述Windkessel RCR模型为三参数模型。
本说明书实施例还提供一种血流动力学仿真模拟装置,包括:
获取模块,获取待处理的影像数据;
血管模拟模块,基于所述待处理的影像数据,获取所述待处理的影像数据的血管图像;
仿真模块,将所述待处理的影像数据的血管图像输入CFD仿真模型中,获得所述待处理影像数据的仿真结果,其中,所述CFD仿真模型是基于3D血管模型,并基于实测值进行校正,获得的颅内血管血流动力学的仿真模型。
进一步地,所述基于所述待处理的影像数据,获取所述待处理的影像数据的血管图像,具体包括:
对所述待处理的影像数据进行3D重建,获得所述待处理的影像数据的全脑血管图像,所述待处理的影像数据的全脑血管图像包括左右颈内动脉、左右椎动脉和远端分支动脉。
进一步地,所述CFD仿真模型是以左右颈内动脉和左右椎动脉的入口作为流量入口,以远端分支结束的位置为压力出口,在仿真计算周期内,调整监测点的预测值与实测值,获得所述CFD仿真模型。
进一步地,所述压力出口的压力是基于Windkessel RCR模型模拟获得的,具体包括:
将压力出口的实际流量输入所述Windkessel RCR模型,获得所述压力出口的压力。
进一步地,所述在仿真计算周期内,调整监测点的预测值与实测值,获得所述CFD仿真模型,具体包括:
在所述仿真计算周期内,计算所述监测点的预测值与实测值的误差;
基于所述误差,调整所述Windkessel RCR模型的参数,直至所述监测点的病变远端压力与监测点的入口压力的比值的预测值与实测值的相对误差小于预设阈值,停止调整所述Windkessel RCR模型的参数,获得所述CFD仿真模型。
进一步地,所述在所述仿真计算周期内,计算所述监测点的预测值与实测值的误差,具体包括:
在所述仿真计算周期内,计算所述监测点的远端压力的预测值与所述监测点的实测值的误差。
进一步地,所述在仿真计算周期内,调整监测点的预测值与实测值,获得所述CFD仿真模型,具体包括:
在所述仿真计算周期内,计算所述监测点的远端压力的预测值PdCFD与所述监测点的远端压力的实际值Pd exp的误差ΔP,ΔP=PdCFD-Pdexp;
基于所述误差ΔP,调整所述Windkessel RCR模型的近端阻力Rp和远端阻力Rd,其中,Rp1=Rp0-α*|ΔP|*ΔP,Rd1=Rd0-β*|ΔP|*ΔP,α和β为常数系数,Rp0为调整前的近端阻力,Rd0为调整前的远端阻力,Rp1为调整后的近端阻力,Rd1为调整后的远端阻力;
基于所述调整后的Windkessel RCR模型,获得所述监测点的病变远端压力的预测值与所述监测点的入口压力的预测值,直至所述监测点的病变远端压力与监测点的入口压力的比值的预测值与实测值的相对误差小于预设阈值,停止调整所述Windkessel RCR模型的参数,获得所述CFD仿真模型。
进一步地,所述Windkessel RCR模型为三参数模型。
本说明书实施例还提供一种电子设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
获取待处理的影像数据;
基于所述待处理的影像数据,获取所述待处理的影像数据的血管图像;
将所述待处理的影像数据的血管图像输入CFD仿真模型中,获得所述待处理影像数据的仿真结果,其中,所述CFD仿真模型是基于3D血管模型,并基于实测值进行校正,获得的颅内血管血流动力学的仿真模型。
进一步地,所述基于所述待处理的影像数据,获取所述待处理的影像数据的血管图像,具体包括:
对所述待处理的影像数据进行3D重建,获得所述待处理的影像数据的全脑血管图像,所述待处理的影像数据的全脑血管图像包括左右颈内动脉、左右椎动脉和远端分支动脉。
进一步地,所述CFD仿真模型是以左右颈内动脉和左右椎动脉的入口作为流量入口,以远端分支结束的位置为压力出口,在仿真计算周期内,调整监测点的预测值与实测值,获得所述CFD仿真模型。
进一步地,所述压力出口的压力是基于Windkessel RCR模型模拟获得的,具体包括:
将压力出口的实际流量输入所述Windkessel RCR模型,获得所述压力出口的压力。
进一步地,所述在仿真计算周期内,调整监测点的预测值与实测值,获得所述CFD仿真模型,具体包括:
在所述仿真计算周期内,计算所述监测点的预测值与实测值的误差;
基于所述误差,调整所述Windkessel RCR模型的参数,直至所述监测点的病变远端压力与监测点的入口压力的比值的预测值与实测值的相对误差小于预设阈值,停止调整所述Windkessel RCR模型的参数,获得所述CFD仿真模型。
进一步地,所述在所述仿真计算周期内,计算所述监测点的预测值与实测值的误差,具体包括:
在所述仿真计算周期内,计算所述监测点的远端压力的预测值与所述监测点的实测值的误差。
进一步地,所述在仿真计算周期内,调整监测点的预测值与实测值,获得所述CFD仿真模型,具体包括:
在所述仿真计算周期内,计算所述监测点的远端压力的预测值PdCFD与所述监测点的远端压力的实际值Pd exp的误差ΔP,ΔP=PdCFD-Pdexp;
基于所述误差ΔP,调整所述Windkessel RCR模型的近端阻力Rp和远端阻力Rd,其中,Rp1=Rp0-α*|ΔP|*ΔP,Rd1=Rd0-β*|ΔP|*ΔP,α和β为常数系数,Rp0为调整前的近端阻力,Rd0为调整前的远端阻力,Rp1为调整后的近端阻力,Rd1为调整后的远端阻力;
基于所述调整后的Windkessel RCR模型,获得所述监测点的病变远端压力的预测值与所述监测点的入口压力的预测值,直至所述监测点的病变远端压力与监测点的入口压力的比值的预测值与实测值的相对误差小于预设阈值,停止调整所述Windkessel RCR模型的参数,获得所述CFD仿真模型。
进一步地,所述Windkessel RCR模型为三参数模型。
本说明书实施例提供的一种血流动力学仿真模拟方法,能够自动化调整参数,自动调优,得到精确结果,大大节省调参时间以及提高计算精度;可以适用于个性化病例的精确模拟,得到血管各个部位的血动参数,比如压力,流速等,作为诊疗的参考依据。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本说明书实施例提供的一种血流动力学仿真模拟方法的示意图;
图2为本说明书示例图提供的全脑血管的示意图;
图3为本说明书实施例提供的Windkessel RCR模型的示意图;
图4为本说明书实施例提供的CFD仿真模型的参数调节示意图;
图5为本说明书实施例提供的一种血流动力学仿真模拟装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本说明书实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
本说明书实施例提供一种血流动力学仿真模拟方法,如图1所示。图1为本说明书实施例提供的一种血流动力学仿真模拟方法的示意图,包括:
步骤S101:获取待处理的影像数据。
在本说明书实施例中,所述待处理的影像数据为3D DSA(三维数字减影血管造影术)影像数据、CTA(CT血管成像)影像数据或TOF MRA(时间飞跃法血管成像)影像数据中的至少一种。待处理的影像数据的具体类型并不构成对本申请的具体限定。
步骤S103:基于所述待处理的影像数据,获取所述待处理的影像数据的血管图像。
在本说明书实施例中,所述基于所述待处理的影像数据,获取所述待处理的影像数据的血管图像,具体包括:
对所述待处理的影像数据进行3D重建,获得所述待处理的影像数据的全脑血管图像,所述待处理的影像数据的全脑血管图像包括左右颈内动脉、左右椎动脉和远端分支动脉。
为了进一步理解本说明书实施例中的全脑血管图像,下面以具体的示意图予以说明。图2为本说明书示例图提供的全脑血管的示意图。如图2所示,包括ICA(InternalCarotid Artery,颈内动脉)、VA(椎动脉)、CCA(颈总动脉)、ECA(颈外动脉)、PCA(大脑后动脉)、PCoA(后交通动脉)、MCA(大脑中动脉)、ACA(大脑前动脉)、ACoA(前交通动脉)、BA(基底动脉)。
在本说明书实施例中,远端分支动脉包括大脑前动脉、大脑中动脉等分支动脉。
在本说明书实施例中,全脑血管图像的获取方法包括:
对所述待处理的影像数据进行分割,获得所述待处理的影像数据的血管分割图像;
对所述待处理的影像数据的血管分割图像进行表面重建,获得所述待处理的影像数据的全脑血管图像。
在本说明书实施例中,所述对所述待处理的影像数据进行分割,获得所述待处理的影像数据的血管分割图像,具体包括:
采用阈值分割或区域生长等方法,对所述待处理的影像数据进行分割,获得所述待处理的影像数据的血管分割图像。当然也可以采用其他方法,获得待处理的影像数据的血管分割图像。
在本说明书实施例中,所述对所述待处理的影像数据的血管分割图像进行表面重建,获得所述待处理的影像数据的全脑血管图像,具体包括:
基于Marchingcube算法,对所述待处理的影像数据的血管分割图像进行表面重建,获得所述待处理的影像数据的全脑血管图像。当然也可以采用其他表面重建算法,获得待处理的影像数据的全脑血管图像的具体方法并不构成对本申请的具体限定。
步骤S105:将所述待处理的影像数据的血管图像输入CFD仿真模型中,获得所述待处理影像数据的仿真结果,其中,所述CFD仿真模型是基于3D血管模型,并基于实测值进行校正,获得的颅内血管血流动力学的仿真模型。
在本说明书实施例中,所述CFD仿真模型是以左右颈内动脉和左右椎动脉的入口作为流量入口,以远端分支结束的位置为压力出口,在仿真计算周期内,调整监测点的预测值与实测值,获得所述CFD仿真模型。
在本说明书实施例中,将每个心动周期作为一个仿真计算周期。具体的,心脏一次收缩和舒张,构成一个机械活动周期,称为心动周期。一般心动周期为0.8-1s。
在本说明书实施例中,监测点为距离血管出现狭窄病变的预设距离的点。在本说明书实施例中,监测点可以选择在距离血管出现狭窄病变处2~5mm。监测点的监测参数包括:入口压力、病变处压力、病变远端压力。
在本说明书实施例中,所述压力出口的压力是基于Windkessel RCR模型模拟获得的,具体包括:
将压力出口的实际流量输入所述Windkessel RCR模型,获得所述压力出口的压力。
在本说明书实施例中,所述Windkessel RCR模型优选为三参数模型。当然,Windkessel RCR模型也可以选择四参数,五参数模型。Windkessel RCR模型的具体类型并不构成对本申请的具体限定。
下面以Windkessel RCR模型为三参数模型进行说明,图3为本说明书实施例提供的Windkessel RCR模型的示意图。如图3所示,Windkessel RCR模型是用于模拟血管出口后续血管阻力和顺应性的三参数模型,三个参数分别为近端血管阻力Rp,远端血管阻力Rd和用于模拟血管顺应性的电容C,Windkessel RCR模型通过输入流量参数Q计算压力参数P,并将压力输出到血管压力出口边界。
在本说明书实施例中,所述在仿真计算周期内,调整监测点的预测值与实测值,获得所述CFD仿真模型,具体包括:
在所述仿真计算周期内,计算所述监测点的预测值与实测值的误差;
基于所述误差,调整所述Windkessel RCR模型的参数,直至所述监测点的病变远端压力与监测点的入口压力的比值的预测值与实测值的相对误差小于预设阈值,停止调整所述Windkessel RCR模型的参数,获得所述CFD仿真模型。
在本说明书实施例中,所述在所述仿真计算周期内,计算所述监测点的预测值与实测值的误差,具体包括:
在所述仿真计算周期内,计算所述监测点的远端压力的预测值与所述监测点的实测值的误差。
在本说明书实施例中,所述在仿真计算周期内,调整监测点的预测值与实测值,获得所述CFD仿真模型,具体包括:
在所述仿真计算周期内,计算所述监测点的远端压力的预测值PdCFD与所述监测点的远端压力的实际值Pd exp的误差ΔP,ΔP=PdCFD-Pdexp;
基于所述误差ΔP,调整所述Windkessel RCR模型的近端阻力Rp和远端阻力Rd,其中,Rp1=Rp0-α*|ΔP|*ΔP,Rd1=Rd0-β*|ΔP|*ΔP,α和β为常数系数,Rp0为调整前的近端阻力,Rd0为调整前的远端阻力,Rp1为调整后的近端阻力,Rd1为调整后的远端阻力;
在本说明书实施例中,监测点的远端压力的实际值Pd exp的测定采用体内测量装置,例如压力导丝,经实时DSA影像获得。
在本说明书实施例中,将左右颈内、左右椎动脉的入口的位置定义为入口。入口压力的实际值可以采用体外测量装置进行测量,也可以采用体内测量装置进行测量。
监测点的入口压力的实际值Pa exp的测量,优选的,测量左右颈内、左右椎动脉的血压;次优选的,测量左右颈总,左右椎动脉的血压,进一步根据流量守恒,以及分流模型,得出左右颈内入口的流量,压力与颈总动脉近似。
监测点的入口压力的实际值Pa exp的测量,优选地,采用体内测量装置,例如压力导丝,经实时DSA影像获得。
监测点的入口压力的实际值Pa exp的测量,采用体外测量装置测量,优选地,采用监护仪或者超声装置测量血压。
基于所述调整后的Windkessel RCR模型,获得所述监测点的病变远端压力的预测值与所述监测点的入口压力的预测值,直至所述监测点的病变远端压力与监测点的入口压力的比值的预测值与实测值的相对误差小于预设阈值,停止调整所述Windkessel RCR模型的参数,获得所述CFD仿真模型。
在本说明书实施例中,预设阈值的可以为5%。
在本说明书实施例中,CFD仿真模型在进行训练时,待处理的影像数据为DICOM格式,将待处理的影像数据进行预处理生成网格数据,并进行计算参数的初始化设置。待处理的影像数据生成网格的具体方式并不构成对本申请的限定。
在进行计算参数的初始化设置时,出口边界以Windkessel RCR模型为压力模型参数,Windkessel RCR模型内的近端阻力Rp和远端阻力Rd和电容参数,以颅内不同血管区域的统计数据设置初始参数。图4为本说明书实施例提供的不同血管区域的统计数据的示意图,按照图4所示进行参数的初始化设置。基于参数的初始化设置,进一步进行参数的优化,为了进一步理解本说明书实施例提供的CFD仿真模型的训练过程,下面将结合具体的流程示意图予以说明。图5为本说明书实施例提供的CFD仿真模型的参数调节示意图,如图5所示,通过不管更新远端阻力和近端阻力,来调整压力参数,以获得CFD仿真模型。
在本说明书实施例中,CFD仿真模型可以基于OpenFOAM建立,CFD仿真模型的建立框架并不构成对本申请的限定。
采用本说明书实施例提供的血流动力学仿真模拟方法,能够自动化调整参数,自动调优,得到精确结果,大大节省调参时间以及提高计算精度;可以适用于个性化病例的精确模拟,得到血管各个部位的血动参数,比如压力,流速等,作为诊疗的参考依据。
在实际应用中,基于本说明书实施例提供的血流动力学仿真模拟方法,可以用于FFR(血流储备分数)等具体应用。
上述内容详细说明了一种血流动力学仿真模拟方法,与之相应的,本说明书还提供了一种血流动力学仿真模拟装置,如图5所示。图5为本说明书实施例提供的一种血流动力学仿真模拟装置的示意图,该装置包括:
获取模块501,获取待处理的影像数据;
血管模拟模块503,基于所述待处理的影像数据,获取所述待处理的影像数据的血管图像;
仿真模块505,将所述待处理的影像数据的血管图像输入CFD仿真模型中,获得所述待处理影像数据的仿真结果,其中,所述CFD仿真模型是基于3D血管模型,并基于实测值进行校正,获得的颅内血管血流动力学的仿真模型。
进一步地,所述基于所述待处理的影像数据,获取所述待处理的影像数据的血管图像,具体包括:
对所述待处理的影像数据进行3D重建,获得所述待处理的影像数据的全脑血管图像,所述待处理的影像数据的全脑血管图像包括左右颈内动脉、左右椎动脉和远端分支动脉。
进一步地,所述CFD仿真模型是以左右颈内动脉和左右椎动脉的入口作为流量入口,以远端分支结束的位置为压力出口,在仿真计算周期内,调整监测点的预测值与实测值,获得所述CFD仿真模型。
进一步地,所述压力出口的压力是基于Windkessel RCR模型模拟获得的,具体包括:
将压力出口的实际流量输入所述Windkessel RCR模型,获得所述压力出口的压力。
进一步地,所述在仿真计算周期内,调整监测点的预测值与实测值,获得所述CFD仿真模型,具体包括:
在所述仿真计算周期内,计算所述监测点的预测值与实测值的误差;
基于所述误差,调整所述Windkessel RCR模型的参数,直至所述监测点的病变远端压力与监测点的入口压力的比值的预测值与实测值的相对误差小于预设阈值,停止调整所述Windkessel RCR模型的参数,获得所述CFD仿真模型。
进一步地,所述在所述仿真计算周期内,计算所述监测点的预测值与实测值的误差,具体包括:
在所述仿真计算周期内,计算所述监测点的远端压力的预测值与所述监测点的实测值的误差。
进一步地,所述在仿真计算周期内,调整监测点的预测值与实测值,获得所述CFD仿真模型,具体包括:
在所述仿真计算周期内,计算所述监测点的远端压力的预测值PdCFD与所述监测点的远端压力的实际值Pd exp的误差ΔP,ΔP=PdCFD-Pdexp;
基于所述误差ΔP,调整所述Windkessel RCR模型的近端阻力Rp和远端阻力Rd,其中,Rp1=Rp0-α*|ΔP|*ΔP,Rd1=Rd0-β*|ΔP|*ΔP,α和β为常数系数,Rp0为调整前的近端阻力,Rd0为调整前的远端阻力,Rp1为调整后的近端阻力,Rd1为调整后的远端阻力;
基于所述调整后的Windkessel RCR模型,获得所述监测点的病变远端压力的预测值与所述监测点的入口压力的预测值,直至所述监测点的病变远端压力与监测点的入口压力的比值的预测值与实测值的相对误差小于预设阈值,停止调整所述Windkessel RCR模型的参数,获得所述CFD仿真模型。
进一步地,所述Windkessel RCR模型为三参数模型。
本说明书实施例还提供一种电子设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
获取待处理的影像数据;
基于所述待处理的影像数据,获取所述待处理的影像数据的血管图像;
将所述待处理的影像数据的血管图像输入CFD仿真模型中,获得所述待处理影像数据的仿真结果,其中,所述CFD仿真模型是基于3D血管模型,并基于实测值进行校正,获得的颅内血管血流动力学的仿真模型。
进一步地,所述基于所述待处理的影像数据,获取所述待处理的影像数据的血管图像,具体包括:
对所述待处理的影像数据进行3D重建,获得所述待处理的影像数据的全脑血管图像,所述待处理的影像数据的全脑血管图像包括左右颈内动脉、左右椎动脉和远端分支动脉。
进一步地,所述CFD仿真模型是以左右颈内动脉和左右椎动脉的入口作为流量入口,以远端分支结束的位置为压力出口,在仿真计算周期内,调整监测点的预测值与实测值,获得所述CFD仿真模型。
进一步地,所述压力出口的压力是基于Windkessel RCR模型模拟获得的,具体包括:
将压力出口的实际流量输入所述Windkessel RCR模型,获得所述压力出口的压力。
在本说明书实施例中,所述在仿真计算周期内,调整监测点的预测值与实测值,获得所述CFD仿真模型,具体包括:
在所述仿真计算周期内,计算所述监测点的预测值与实测值的误差;
基于所述误差,调整所述Windkessel RCR模型的参数,直至所述监测点的病变远端压力与监测点的入口压力的比值的预测值与实测值的相对误差小于预设阈值,停止调整所述Windkessel RCR模型的参数,获得所述CFD仿真模型。
在本说明书实施例中,所述在所述仿真计算周期内,计算所述监测点的预测值与实测值的误差,具体包括:
在所述仿真计算周期内,计算所述监测点的远端压力的预测值与所述监测点的实测值的误差。
在本说明书实施例中,所述在仿真计算周期内,调整监测点的预测值与实测值,获得所述CFD仿真模型,具体包括:
在所述仿真计算周期内,计算所述监测点的远端压力的预测值PdCFD与所述监测点的远端压力的实际值Pd exp的误差ΔP,ΔP=PdCFD-Pdexp;
基于所述误差ΔP,调整所述Windkessel RCR模型的近端阻力Rp和远端阻力Rd,其中,Rp1=Rp0-α*|ΔP|*ΔP,Rd1=Rd0-β*|ΔP|*ΔP,α和β为常数系数,Rp0为调整前的近端阻力,Rd0为调整前的远端阻力,Rp1为调整后的近端阻力,Rd1为调整后的远端阻力;
基于所述调整后的Windkessel RCR模型,获得所述监测点的病变远端压力的预测值与所述监测点的入口压力的预测值,直至所述监测点的病变远端压力与监测点的入口压力的比值的预测值与实测值的相对误差小于预设阈值,停止调整所述Windkessel RCR模型的参数,获得所述CFD仿真模型。
在本说明书实施例中,所述Windkessel RCR模型为三参数模型。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、电子设备、非易失性计算机存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本说明书实施例提供的装置、电子设备、非易失性计算机存储介质与方法是对应的,因此,装置、电子设备、非易失性计算机存储介质也具有与对应方法类似的有益技术效果,由于上面已经对方法的有益技术效果进行了详细说明,因此,这里不再赘述对应装置、电子设备、非易失性计算机存储介质的有益技术效果。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书实施例可提供为方法、系统、或计算机程序产品。因此,本说明书实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带式磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (4)
1.一种血流动力学仿真模拟方法,其特征在于,所述方法包括:
获取待处理的影像数据;
对所述待处理的影像数据进行3D重建,获得所述待处理的影像数据的全脑血管图像,所述待处理的影像数据的全脑血管图像包括左右颈内动脉、左右椎动脉和远端分支动脉;
将所述待处理的影像数据的血管图像输入CFD仿真模型中,获得所述待处理影像数据的仿真结果,所述CFD仿真模型是以左右颈内动脉和左右椎动脉的入口作为流量入口,以远端分支结束的位置为压力出口,将压力出口的实际流量输入WindkesselRCR模型,获得所述压力出口的压力,在仿真计算周期内,调整监测点的预测值与实测值,获得所述CFD仿真模型;
其中,所述在仿真计算周期内,调整监测点的预测值与实测值,获得所述CFD仿真模型,具体包括:
在所述仿真计算周期内,计算所述监测点的远端压力的预测值PdCFD与所述监测点的远端压力的实际值Pdexp的误差ΔP,ΔP=PdCFD-Pdexp;
基于所述误差ΔP,调整所述WindkesselRCR模型的近端阻力Rp和远端阻力Rd,其中,Rp1=Rp0-α*ΔP*ΔP,Rd1=Rd0-β*ΔP*ΔP,α和β为常数系数,Rp0为调整前的近端阻力,Rd0为调整前的远端阻力,Rp1为调整后的近端阻力,Rd1为调整后的远端阻力;
基于所述调整后的WindkesselRCR模型,获得所述监测点的病变远端压力的预测值与所述监测点的入口压力的预测值,直至所述监测点的病变远端压力与监测点的入口压力的比值的预测值与实测值的相对误差小于预设阈值,停止调整所述WindkesselRCR模型的参数,获得所述CFD仿真模型。
2.如权利要求1所述的方法,其特征在于,所述WindkesselRCR模型为三参数模型。
3.一种血流动力学仿真模拟装置,其特征在于,所述装置包括:
获取模块,获取待处理的影像数据;
血管模拟模块,对所述待处理的影像数据进行3D重建,获得所述待处理的影像数据的全脑血管图像,所述待处理的影像数据的全脑血管图像包括左右颈内动脉、左右椎动脉和远端分支动脉;
仿真模块,将所述待处理的影像数据的血管图像输入CFD仿真模型中,获得所述待处理影像数据的仿真结果,所述CFD仿真模型是以左右颈内动脉和左右椎动脉的入口作为流量入口,以远端分支结束的位置为压力出口,将压力出口的实际流量输入WindkesselRCR模型,获得所述压力出口的压力,在仿真计算周期内,调整监测点的预测值与实测值,获得所述CFD仿真模型;
其中,所述在仿真计算周期内,调整监测点的预测值与实测值,获得所述CFD仿真模型,具体包括:
在所述仿真计算周期内,计算所述监测点的远端压力的预测值PdCFD与所述监测点的远端压力的实际值Pdexp的误差ΔP,ΔP=PdCFD-Pdexp;
基于所述误差ΔP,调整所述WindkesselRCR模型的近端阻力Rp和远端阻力Rd,其中,Rp1=Rp0-α*ΔP*ΔP,Rd1=Rd0-β*ΔP*ΔP,α和β为常数系数,Rp0为调整前的近端阻力,Rd0为调整前的远端阻力,Rp1为调整后的近端阻力,Rd1为调整后的远端阻力;
基于所述调整后的WindkesselRCR模型,获得所述监测点的病变远端压力的预测值与所述监测点的入口压力的预测值,直至所述监测点的病变远端压力与监测点的入口压力的比值的预测值与实测值的相对误差小于预设阈值,停止调整所述WindkesselRCR模型的参数,获得所述CFD仿真模型。
4.一种电子设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
获取待处理的影像数据;
对所述待处理的影像数据进行3D重建,获得所述待处理的影像数据的全脑血管图像,所述待处理的影像数据的全脑血管图像包括左右颈内动脉、左右椎动脉和远端分支动脉;
将所述待处理的影像数据的血管图像输入CFD仿真模型中,获得所述待处理影像数据的仿真结果,所述CFD仿真模型是以左右颈内动脉和左右椎动脉的入口作为流量入口,以远端分支结束的位置为压力出口,将压力出口的实际流量输入WindkesselRCR模型,获得所述压力出口的压力,在仿真计算周期内,调整监测点的预测值与实测值,获得所述CFD仿真模型;
其中,所述在仿真计算周期内,调整监测点的预测值与实测值,获得所述CFD仿真模型,具体包括:
在所述仿真计算周期内,计算所述监测点的远端压力的预测值PdCFD与所述监测点的远端压力的实际值Pdexp的误差ΔP,ΔP=PdCFD-Pdexp;
基于所述误差ΔP,调整所述WindkesselRCR模型的近端阻力Rp和远端阻力Rd,其中,Rp1=Rp0-α*ΔP*ΔP,Rd1=Rd0-β*ΔP*ΔP,α和β为常数系数,Rp0为调整前的近端阻力,Rd0为调整前的远端阻力,Rp1为调整后的近端阻力,Rd1为调整后的远端阻力;
基于所述调整后的WindkesselRCR模型,获得所述监测点的病变远端压力的预测值与所述监测点的入口压力的预测值,直至所述监测点的病变远端压力与监测点的入口压力的比值的预测值与实测值的相对误差小于预设阈值,停止调整所述WindkesselRCR模型的参数,获得所述CFD仿真模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110830840.0A CN113545846B (zh) | 2021-07-22 | 2021-07-22 | 一种血流动力学仿真模拟方法、装置以及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110830840.0A CN113545846B (zh) | 2021-07-22 | 2021-07-22 | 一种血流动力学仿真模拟方法、装置以及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113545846A CN113545846A (zh) | 2021-10-26 |
CN113545846B true CN113545846B (zh) | 2023-04-25 |
Family
ID=78132433
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110830840.0A Active CN113545846B (zh) | 2021-07-22 | 2021-07-22 | 一种血流动力学仿真模拟方法、装置以及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113545846B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114663362B (zh) * | 2022-03-04 | 2024-03-29 | 强联智创(北京)科技有限公司 | 一种融合方法、装置以及设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107491636A (zh) * | 2017-07-26 | 2017-12-19 | 武汉大学 | 一种基于计算流体力学的脑血管储备力仿真系统和方法 |
CN113076705A (zh) * | 2021-03-26 | 2021-07-06 | 北京阅影科技有限公司 | 血流动力的仿真方法及装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8315812B2 (en) * | 2010-08-12 | 2012-11-20 | Heartflow, Inc. | Method and system for patient-specific modeling of blood flow |
US9135699B2 (en) * | 2012-03-15 | 2015-09-15 | Siemens Aktiengesellschaft | Method and system for hemodynamic assessment of aortic coarctation from medical image data |
CN106780477A (zh) * | 2016-12-30 | 2017-05-31 | 上海联影医疗科技有限公司 | 一种血流分析方法和系统 |
CN108922580A (zh) * | 2018-05-25 | 2018-11-30 | 杭州脉流科技有限公司 | 一种获取血流储备分数的方法、装置、系统和计算机存储介质 |
-
2021
- 2021-07-22 CN CN202110830840.0A patent/CN113545846B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107491636A (zh) * | 2017-07-26 | 2017-12-19 | 武汉大学 | 一种基于计算流体力学的脑血管储备力仿真系统和方法 |
CN113076705A (zh) * | 2021-03-26 | 2021-07-06 | 北京阅影科技有限公司 | 血流动力的仿真方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113545846A (zh) | 2021-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11875503B2 (en) | Method and system for measuring morphological parameters of an intracranial aneurysm image | |
KR102336929B1 (ko) | 환자-특정 기하학적 모델들을 변경함으로써 치료들을 결정하기 위한 방법 및 시스템 | |
WO2020083374A1 (en) | Method and system for measuring morphological parameters of an intracranial aneurysm image | |
CN109584997B (zh) | 一种颅内动脉瘤图像的形态学参数的测量方法及系统 | |
CN109472823B (zh) | 一种颅内动脉瘤图像的形态学参数的测量方法及系统 | |
CN113545846B (zh) | 一种血流动力学仿真模拟方法、装置以及设备 | |
CN111863263B (zh) | 一种模拟方法、装置以及设备 | |
CN113040796B (zh) | 获取冠状动脉功能学指标的方法与装置 | |
US10278662B2 (en) | Image processing apparatus and medical image diagnostic apparatus | |
CN109448004A (zh) | 一种基于中心线的颅内血管图像的截取方法及系统 | |
CN116649925B (zh) | 颅内动脉狭窄功能学评估的方法和装置 | |
CN111081378A (zh) | 一种动脉瘤破裂风险评估方法及系统 | |
CN109447967B (zh) | 一种颅内动脉瘤图像的分割方法及系统 | |
CN114692390B (zh) | 一种体内装置植入仿真方法、装置以及设备 | |
US20230274434A1 (en) | System and methods for determining modified fractional flow reserve values | |
CN111785381B (zh) | 一种支架模拟方法、装置以及设备 | |
CN109741339A (zh) | 一种分区方法及系统 | |
CN112734726B (zh) | 一种血管造影的分型方法、装置以及设备 | |
CN113995388B (zh) | 血流储备分数计算方法、装置、电子设备及可读存储介质 | |
CN111863262A (zh) | 一种模拟方法、装置以及设备 | |
CN110517244B (zh) | 一种基于dsa图像的定位方法及系统 | |
Wang et al. | Hemodynamic alterations for various stent configurations in idealized wide-neck basilar tip aneurysm | |
CN109671065A (zh) | 一种基于头颅ct影像的取栓判断的方法及系统 | |
CN111863265B (zh) | 一种模拟方法、装置以及设备 | |
CN111815622B (zh) | 一种支架模拟中心线的优化方法、装置以及设备 |
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 |