CN113836832A - 一种确定血管状态参数的方法和装置 - Google Patents

一种确定血管状态参数的方法和装置 Download PDF

Info

Publication number
CN113836832A
CN113836832A CN202110928515.8A CN202110928515A CN113836832A CN 113836832 A CN113836832 A CN 113836832A CN 202110928515 A CN202110928515 A CN 202110928515A CN 113836832 A CN113836832 A CN 113836832A
Authority
CN
China
Prior art keywords
blood vessel
direction information
sampling point
sampling
state parameter
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
Application number
CN202110928515.8A
Other languages
English (en)
Inventor
张龙江
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Eastern Theater General Hospital of PLA
Original Assignee
Eastern Theater General Hospital of PLA
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Eastern Theater General Hospital of PLA filed Critical Eastern Theater General Hospital of PLA
Priority to CN202110928515.8A priority Critical patent/CN113836832A/zh
Publication of CN113836832A publication Critical patent/CN113836832A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • 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

Abstract

本发明公开了一种确定血管状态参数的方法和装置，涉及计算机技术领域。该方法的一种具体实施方式包括：获取包括血管和感兴趣区域的目标图像；提取所述目标图像中血管中心线上的抽样点关于所述血管中心线的第一方向信息，以及所述抽样点关于所述目标图像中的感兴趣区域的第二方向信息；利用经训练的血管状态参数识别模型，基于所述第一方向信息和所述第二方向信息，确定所述抽样点的血管状态参数。该实施方式能够根据血管中心线上的抽样点的方向信息，基于经训练的模型，高效的确定血管状态参数；同时由于该模型是通过以流体力学所确定的血管状态参数为样本标签而训练得到的，也保证了所确定的血管状态参数的准确度。

Description

一种确定血管状态参数的方法和装置
技术领域
本发明涉及计算机技术领域，尤其涉及一种确定血管状态参数的方法和装置。
背景技术
目前，通常使用流体力学仿真算法来对标识有血管、感兴趣区域的几何结构计算血管状态参数，诸如计算血管中心线上各点相关的压力、阻力、血流速度等。这种方式，可以得到较为精确的血管状态参数。但是由于这种方式涉及人工标注或分割血管、感兴趣区域的操作，以及涉及计算机模拟过程，会产生大量的计算负担且计算时间较长，使得这些虚拟的非侵入式测量难以满足诸如临床环境的要求，严重阻碍了其在临床环境中应用。
另一方面，为提高血管状态参数的测定速度，实践中也有可能使用一维的计算方式，即，将血液的三维流动简化为一维流动。这种方式失真较为严重。
因此，需要一种既能兼顾血管状态参数的测定效率，又能保证测定准确度的方法。
发明内容
有鉴于此，本发明提供一种确定血管状态参数的方法和装置，能够根据血管中心线上的抽样点的方向信息，基于经训练的模型，高效的确定血管状态参数；同时由于该模型是通过以流体力学所确定的血管状态参数为样本标签而训练得到的，也保证了所确定的血管状态参数的准确度。
为实现上述目的，根据本发明的一个方面，提供了一种确定血管状态参数的方法，包括：获取包括血管和感兴趣区域的目标图像；提取所述目标图像中血管中心线上的抽样点关于所述血管中心线的第一方向信息，以及所述抽样点关于所述目标图像中的感兴趣区域的第二方向信息；利用经训练的血管状态参数识别模型，基于所述第一方向信息和所述第二方向信息，确定所述抽样点的血管状态参数。
可选地，该方法还包括，根据下列步骤训练所述血管状态参数识别模型：获取血管和感兴趣区域的分割信息，基于所述分割信息构建几何结构，利用流体力学仿真算法计算所述几何结构中血管中心线上的抽样点的血管状态参数的参数值；获取包括所述血管和所述感兴趣区域的训练图像，提取所述训练图像中血管中心线上的抽样点关于所述血管中心线的第一方向信息，以及所述抽样点关于所述训练图像中的感兴趣区域的第二方向信息；基于所述训练图像中所述抽样点的第一方向信息，第二方向信息和所述几何结构中所述抽样点的参数值，训练深度学习模型，以得到所述血管状态参数识别模型。
可选地，所述血管状态参数包括下列之一：压力、压降、血流速度、阻力。
可选地，所述血管状态参数包括压降，所述基于所述训练图像中所述抽样点的第一方向信息，第二方向信息和所述几何结构中所述抽样点的参数值，训练深度学习模型，以得到所述血管状态参数识别模型根据下列步骤训练所述血管状态参数识别模型，包括：基于所述训练图像中所述抽样点的第一方向信息，第二方向信息和所述几何结构中所述抽样点两侧的压降，训练深度学习模型，以得到所述血管状态参数识别模型；所述利用经训练的血管状态参数识别模型，基于所述第一方向信息和所述第二方向信息，确定所述抽样点的血管状态参数，包括：利用经训练的血管状态参数识别模型，基于所述目标图像中血管中心线上的抽样点的第一方向信息和所述第二方向信息，确定所述抽样点两侧的压降。
可选地，其中，所述第一方向信息包括所述抽样点关于所述血管中心线的切线在三维坐标系下相对于各个坐标轴的夹角，以及所述抽样点距两侧血管壁的第一距离。
可选地，其中，所述第一方向信息包括所述抽样点相关的矢量在三维坐标系下相对于各个坐标轴的夹角，以及所述抽样点距两侧血管壁的第一距离，其中，根据如下确定所述抽样点相关的矢量：选取所述血管中心线上的n个相邻点，其中，所述抽样点为所述n个相邻点中的中心点，基于所述n个相邻点中的起点和终点形成所述抽样点相关的矢量；n为大于1的自然数。
可选地，所述第二方向信息包括：所述抽样点关于所述感兴趣区域表面的法线在所述三维坐标系下相对于各个坐标轴的夹角，以及所述抽样点距所述感兴趣区域表面的第二距离。
为实现上述目的，根据本发明的另一个方面，提供了一种确定血管状态参数的装置，其特征在于，包括：图像获取模块，用于获取包括血管和感兴趣区域的目标图像；方向信息提取模块，用于提取所述目标图像中血管中心线上的抽样点关于所述血管中心线的第一方向信息，以及所述抽样点关于所述训练图像中的感兴趣区域的第二方向信息；识别模块，用于利用经训练的血管状态参数识别模型，基于所述第一方向信息和所述第二方向信息，确定所述抽样点的血管状态参数。
为实现上述目的，根据本发明的又一个方面，提供一种确定血管状态参数的方法，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上所述的确定血管状态参数的方法中任一所述的方法。
为实现上述目的，根据本发明的再一个方面，提供了一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现如上所述的确定血管状态参数的方法中任一所述的方法。
上述发明中具有如下优点或有益效果：通过识别图像中的血管中心线，进而计算得到中心线上的抽样点的方向信息，基于经训练的血管状态参数识别模型，可快速的确定血管状态参数，适于诸如临床医学等应用场景。并且由于本发明所提供的血管状态参数识别模型是通过以流体力学所确定的血管状态参数为样本标签而训练得到的，所确定的血管状态参数的准确度也可满足用户需求。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
图1是根据本发明实施例的确定血管状态参数的方法的主要流程的示意图；
图2是根据本发明实施例的训练血管状态参数识别模型的方法的主要流程的示意图；
图3示出了包括血管、感兴趣区域的图像的示意图；
图4A-4C示出了血管中心线上的抽样点的第一方向信息；
图5A-5C示出了血管中心线上的抽样点的第二方向信息；
图6是根据本发明实施例的血管状态参数模型的示意图；
图7是根据本发明实施例的利用所确定的血管状态参数的方法的主要流程的示意图；
图8根据本发明实施例的确定血管状态参数的装置的主要结构的示意图；
图9是本发明实施例可以应用于其中的示例性系统架构图；
图10是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
图1是根据本发明实施例的确定血管状态参数的方法的主要流程的示意图。
如图1所示，在步骤S101中，获取包括血管和感兴趣区域的目标图像。所获取的图像可以是三维图像，例如基于CT扫描图像而重建的三维图像。在另一个示例中，所获取的图像可以是二维图像，例如包括血管、感兴趣区域等三维图像的纵剖面。图3示出了包括血管、感兴趣区域的图像的示意图。如图3所示，在血管内壁上以黑色斑点示意了感兴趣区域，其中，感兴趣区域可以为病灶区域，该感兴趣区域例如可以为硬块、肿瘤等。
在步骤S102中，提取所述目标图像中血管中心线上的抽样点关于所述血管中心线的第一方向信息，以及所述抽样点关于所述目标图像中的感兴趣区域的第二方向信息。具体地，首先识别出血管中心线，然后确定血管中心线上的抽样点。如图3所示，血管两侧的实线示意了血管的侧壁，中间的虚线示意了血管中心线，虚线上的箭头代表了血流方向，点A-E示意血管中心线上的抽样点。例如，可以在整个血管中心线上按照固定间隔选取抽样点；在另一个实施例中，可以在距感兴趣区域较近的血管中心线上以较小的间隔选取抽样点，在距感兴趣区域较远的血管中心线上以较大的间隔选取抽样点。
进一步，抽样点关于所述血管中心线的第一方向信息，可以反映出血管中心线的“走向”，以及血管的狭窄程度。
具体地，图4A示出了血管中心线上的抽样点的第一方向信息的一个示例。如图4A所示，抽样点C是血管中心线上的一个点，在该点处对血管中心线做切线，同时将该切线的方向设置为与血流方向相同，从而得到矢量
Figure BDA0003210101810000061
如图4C所示，计算矢量
Figure BDA0003210101810000062
在给定三维坐标系下相对于各个坐标轴的夹角——例如，将矢量
Figure BDA0003210101810000063
在坐标轴X、Y构成的XY平面的投影与Y轴的夹角记为α1，与X轴的夹角记为β1，将矢量
Figure BDA0003210101810000064
在坐标轴Y、Z构成的YZ平面的投影与Z轴的夹角记为θ1。可以理解的是，即便将该切线的方向设置为与血流方向相反，所得到的矢量在给定三维坐标系下相对于各个坐标轴的夹角也可分别换算为上述(α1，β1，θ1)。另一方面，再如图4A所示，将抽样点距两侧血管壁之一的距离记为r1，其中若在三维图像上直接计算抽样点距血管壁的距离，可以计算抽样点至相对应的血管壁部分的切面的垂直距离；若在二维图像上计算抽样点距血管壁的距离，可以计算抽样点至相对应的血管壁部分的切线的垂直距离。可以理解的是，在实际中，抽样点距图中两侧血管壁之一的各自距离可能并不相等，而是存在少量偏差，但由于抽样点位于血管中心线，这些偏差是在可容忍范围内的。将(α1，β1，θ1，r1)记为抽样点C的第一方向信息。也即，第一方向信息包括抽样点关于血管中心线的切线在三维坐标系下相对于各个坐标轴的夹角，以及该抽样点距两侧血管壁的第一距离。其中，抽样点距两侧血管壁的第一距离可以为血管横截面的半径，也即r1，也可以为血管横截面的直径，也即2r1。
图4B示出了血管中心线上的抽样点的第一方向信息的另一个示例。如图4B所示，选取血管中心线上的5个相邻点A、B、C、D、E，连接这5个相邻点的起点A以及终点E，得到矢量
Figure BDA0003210101810000065
也即矢量
Figure BDA0003210101810000066
的方向与血流方向相一致。依然如图4C所示，计算矢量
Figure BDA0003210101810000067
在给定三维坐标系下相对于各个坐标轴的夹角——例如，将矢量
Figure BDA0003210101810000068
在坐标轴X、Y构成的XY平面的投影与Y轴的夹角记为α1，与X轴的夹角记为β1，将矢量
Figure BDA0003210101810000069
在坐标轴Y、Z构成的YZ平面的投影与Z轴的夹角记为θ1。可以理解的是，即便将起点A至终点E的连接线方向设置为与血流方向相反，所得到的矢量在给定三维坐标系下相对于各个坐标轴的夹角也可分别换算为上述(α1，β1，θ1)。将(α1，β1，θ1)作为5个相邻点中的中心点C的第一方向信息的一部分。与上述关于第一方向信息的示例类似地，将抽样点(中心点)C距两侧血管壁之一的距离记为r1。最终，将(α1，β1，θ1，r1)记为抽样点(中心点)C的第一方向信息。也即，所述第一方向信息包括所述抽样点相关的矢量在三维坐标系下相对于各个坐标轴的夹角，以及所述抽样点距两侧血管壁的第一距离；其中，将抽样点置为所选取的血管中心线上的n个相邻点中的中心点，对于该抽样点，基于该n个相邻点中的起点和终点形成所述抽样点相关的矢量；n为大于1的自然数。
进一步，当n为偶数时，将存在两个中心点。例如，选取血管中心线上的4个相邻点A、B、C、D，则中心点为B和C。此种情况下，连接起点A和终点D得到的矢量在给定三维坐标系下相对于各个坐标轴的夹角可被认为是抽样点B和C的第一方向信息的一部分。更进一步，选取血管中心线上的4个相邻点B、C、D、E，则中心点为C和D。此种情况下，连接起点B和终点E得到的矢量在给定三维坐标系下相对于各个坐标轴的夹角可被认为是抽样点C和D的第一方向信息的一部分。——可见，对于抽样点C的第一方向信息，可能存在不同的角度信息(α1，β1，θ1)，可以选择基于相邻点A-D而计算的角度信息作为抽样点C的第一方向信息的一部分，也可以选择基于相邻点B-E而计算的角度信息作为抽样点C的第一方向信息的一部分，也可以选择不同角度信息的算术平均值作为抽样点C的第一方向信息的一部分，本申请对此不做限制。
另一方面，当按图4B所示的示例确定抽样点的第一方向信息时，可能无法确定整个血管中心线的起点附近或终点附近的抽样点的第一方向信息，但在实际中，若血管中心线的起点附近或终点附近不存在感兴趣区域的情况下，或者抽样点间隔足够小的情况下，可以忽略整个血管中心线的起点附近或终点附近的部分抽样点的第一方向信息。
另一方面抽样点关于所述目标图像中的感兴趣区域的第二方向信息，可以反映出感兴趣区域相对于血管中心线或血管中心线相对于感兴趣区域的“走向”，以及感兴趣区域对血管的堵塞程度。
图5A示出了血管中心线上的抽样点的第二方向信息的一个示例。为便于图示，图5A中仅示出了一侧血管壁和血管中心线。如图5A所示，将抽样点距感兴趣区域表面的距离记为r2。其中，若在三维图像上直接计算抽样点距感兴趣区域表面的距离，可以做出抽样点关于相对应的感兴趣区域(病灶区域)表面部分的切面的垂线，也即做出抽样点关于感兴趣区域表面的法线，并将抽样点至相对应的感兴趣区域表面部分的切面的垂直距离计算为抽样点距所述感兴趣区域表面的第二距离。若在二维图像上计算抽样点距感兴趣区域表面的距离，可以做出抽样点关于相对应的感兴趣区域轮廓部分的切线的垂线，也即做出抽样点关于感兴趣区域轮廓的法线，并将抽样点至相对应的感兴趣区域轮廓部分的切线的垂直距离计算为抽样点距所述感兴趣区域表面的第二距离。
图5B示出了血管中心线上的抽样点的第二方向信息的另一个示例。相对于图5A，图5B中的感兴趣区域在整个血管中已超过血管中心线。此种情况下，与图5A相类似地，做出自血管中心线上的抽样点C朝向感兴趣区域表面或感兴趣区域轮廓的法线，并将抽样点C至相对应的感兴趣区域表面部分的切面的垂直距离，或至相对应的感兴趣区域轮廓部分的切线的垂直距离，计算为抽样点距所述感兴趣区域表面的第二距离。对比图5A和5B可以发现，由于图5B中的感兴趣区域在血管中占据的体积或空间大于图5A中的感兴趣区域，因而图5B中的感兴趣区域(病灶区域)对血管健康造成的恶劣影响严重于图5A中的感兴趣区域。可将图5B中的r2设为正值，将图5A中的r2设为负值，以使得r2越大，在后续步骤中所确定的该抽样点的血管状态参数越体现出对血管健康造成了更为严重的恶劣影响；或者，将图5B中的r2设为负值，将图5A中的r2设为正值，以使得r2越小，在后续步骤中所确定的该抽样点的血管状态参数越体现出对血管健康造成了更为严重的恶劣影响。
另一方面，无论是二维图像还是三维图像，将上述法线朝向感兴趣区域表面的矢量记为
Figure BDA0003210101810000081
如图5C所示，将
Figure BDA0003210101810000082
在给定三维坐标系下相对于各个坐标轴的夹角——例如，将矢量
Figure BDA0003210101810000091
在坐标轴X、Y构成的XY平面的投影与Y轴的夹角记为α2，与X轴的夹角记为β2，将矢量
Figure BDA0003210101810000092
在坐标轴Y、Z构成的YZ平面的投影与Z轴的夹角记为θ2。可以理解的是，即便将上述法线方向设置为背离感兴趣区域的方向，所得到的矢量在给定三维坐标系下相对于各个坐标轴的夹角也可分别换算为上述(α2，β2，θ2)。
最终，将(α2，β2，θ2，r2)记为抽样点C的第二方向信息。也即，第二方向信息包括抽样点关于所述感兴趣区域表面的法线在所述三维坐标系下相对于各个坐标轴的夹角，以及该抽样点距所述感兴趣区域表面的第二距离。
在步骤S103中，利用经训练的血管状态参数识别模型，基于所述第一方向信息和所述第二方向信息，确定所述抽样点的血管状态参数。具体地，经训练的血管状态参数识别模型可以是基于深度学习的模型，也可以是其他机器学习模型。所述血管状态参数包括下列之一：压力、压降、血流速度、阻力；其中压降指的是对于某抽样点而言该抽样点前后位置处的压力变化值。以下将参照图2，给出关于训练血管状态参数识别模型的一个实施例。
图2是根据本发明实施例的训练血管状态参数识别模型的方法的主要流程的示意图。
如图2所示，在步骤S201中，获取血管和感兴趣区域的分割信息，基于所述分割信息构建几何结构，利用流体力学仿真算法计算所述几何结构中血管中心线上的抽样点的血管状态参数的参数值。具体地，所获取的血管和感兴趣区域的分割信息可以是对包括血管、感兴趣区域等的三维图像进行人工标记、分割后得到的信息。基于分割信息，构建包括血管和感兴趣区域的几何机构，然后对该几何机构模拟施加压力或其他物理量，以通过流体力学仿真过程，计算几何结构中各个点的诸如压力、压降、血流速度、阻力的血管状态参数，特别是血管中心线上的抽样点的诸如压力、压降、血流速度、阻力的血管状态参数。
在步骤S202中，获取包括所述血管和所述感兴趣区域的训练图像，提取所述训练图像中血管中心线上的抽样点关于所述血管中心线的第一方向信息，以及所述抽样点关于所述训练图像中的感兴趣区域的第二方向信息。也即，获取与上述几何结构对应的包括血管和感兴趣区域的训练图像，然后识别该训练图像中的中心线或者直接标记出该训练图像中的中心线。在该训练图像中的中心线上标记出抽样点，该抽样点对应于步骤S201中的几何结构中的血管中心线上计算出血管状态参数的抽样点。按照如上文关于图4A-4C所述的方法，提取训练图像中血管中心线上的抽样点的第一方向信息，以及按照如上文关于图5A-5C所述的方法，提取训练图像中血管中心线上的抽样点的第二方向信息。
在步骤S203中，基于所述训练图像中所述抽样点的第一方向信息，第二方向信息和所述几何结构中所述抽样点的参数值，训练深度学习模型，以得到所述血管状态参数识别模型。具体地，考虑到血管中心线上相邻抽样点的血管状态参数存在相关性，深度学习模型可以为具有后向反馈的深度学习模型，例如LSTM(Long Short-Term Memory，长短期记忆模型)或RNN(Recurrent Neural Network，循环神经网络)。更具体地，将训练图像中血管中心线上的抽样点的第一方向信息和第二方向信息合并为一个8维向量(α1，β1，θ1，r1，α2，β2，θ2，r2)，作为LSTM或RNN的输入层，也即作为训练样本的特征值，将几何结构中血管中心线上的对应抽样点的血管状态参数作为该训练样本的标签，以训练得到基于LSTM或RNN的血管状态参数识别模型。然后可使用经训练的血管状态参数识别模型，对于目标图像中血管中心线上的抽样点的第一方向信息和第二方向信息，确定该抽样点的血管状态参数。
再进一步，图6是根据本发明实施例的血管状态参数模型的示意图。图6所示的模型中，将抽样点的第一方向信息和第二方向信息(α1，β1，θ1，r1，α2，β2，θ2，r2)作为输入层的值；该输入值与权重矩阵U计算，并同时考虑上一次的隐层状态值(S1，t-1，S2，t-1，S3，t-1，...，Sn，t-1)与权重矩阵W的计算结果，得到本次隐层状态值(S1，t，S2，t，S3，t，...，Sn，t)；最后，将隐层状态值(S1，t，S2，t，S3，t，...，Sn，t)与权重矩阵V进行计算，得到血管中心线上的抽样点对应的血管状态参数，如图6所示，可以仅得到诸如压力或压降的一个血管状态参数，也可以同时获得诸如压力、压降、血流速度、阻力的多个血管状态参数。可以理解的是，图6中仅示出了一个隐层，但不申请不限于此，可根据具体精度或计算复杂度的要求，设置多个隐层。
以血管状态参数包括压降为示例说明对血管状态参数识别模型的训练过程以及使用过程。在此情况下，基于训练图像中抽样点的第一方向信息，第二方向信息和对应几何结构中该抽样点两侧的压降——例如将与该抽样点相邻的两个抽样点的压力差值作为压降，训练深度学习模型，以得到所述血管状态参数识别模型。在训练得到血管状态参数识别模型后，利用该模型，基于目标图像中血管中心线上的抽样点的第一方向信息和所述第二方向信息，可确定目标图像中血管中心线上的抽样点两侧的压降。
图7是根据本发明实施例的利用所确定的血管状态参数的方法的主要流程的示意图。图7中的步骤S701至S703与图1中的步骤S101至S103相类似，在此不再赘述。图7的步骤S704中，将所确定的抽样点的血管状态参数作为其他模型的输入，以进行其他识别。例如，可以将识别的压力、压降、血流速度、阻力输入至健康状况识别模型，以评估患者当前血管的健康状况。由于本申请所公开的确定血管状态参数的方法相较于使用流体力学仿真算法，可高效的确定血管状态参数，并且具有一定的准确度，因此可作为其他模型的输入，有助于临床应用。另一方面，可以通过减小采样间隔等方式，对血管中心线获得更多的抽样点，因此可对这些抽样点的方向信息，利用经训练的血管状态参数识别模型
图8根据本发明实施例的确定血管状态参数的装置的主要结构的示意图。如图8所示，确定血管状态参数的装置包括图像获取模块、方向信息提取模块、识别模块和模型训练模块。其中，图像获取模块用于获取包括血管和感兴趣区域的目标图像；方向信息提取模块用于提取所述目标图像中血管中心线上的抽样点关于所述血管中心线的第一方向信息，以及所述抽样点关于所述训练图像中的感兴趣区域的第二方向信息；识别模块用于利用经训练的血管状态参数识别模型，基于所述第一方向信息和所述第二方向信息，确定所述抽样点的血管状态参数。
模型训练模块用于获取血管和感兴趣区域的分割信息，基于所述分割信息构建几何结构，利用流体力学仿真算法计算所述几何结构中血管中心线上的抽样点的血管状态参数的参数值；获取包括所述血管和所述感兴趣区域的训练图像，提取所述训练图像中血管中心线上的抽样点关于所述血管中心线的第一方向信息，以及所述抽样点关于所述目标图像中的感兴趣区域的第二方向信息；以及基于所述训练图像中所述抽样点的第一方向信息，第二方向信息和所述几何结构中所述抽样点的参数值，训练深度学习模型，以得到所述血管状态参数识别模型。
可见，图像获取模块所获取的图像将输入至方向信息提取模块，以提取所获取的图像中血管中心线上的抽样点关于所述血管中心线的第一方向信息，以及关于该图像中的感兴趣区域的第二方向信息；然后方向信息提取模块将所提取到的第一方向信息和第二方向信息输入至识别模块，以确定抽样点的血管状态参数。另一方面，模型训练模块可以不断地迭代更新模型，以向识别模块提供更新的血管状态参数识别模型。
图9示出了可以应用本发明实施例的确定血管状态参数的方法的示例性系统架构900。
如图9所示，系统架构900可以包括终端设备901、902、903，网络904和服务器905。网络904用以在终端设备901、902、903和服务器905之间提供通信链路的介质。网络904可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
可以使用终端设备901、902、903通过网络904与服务器905交互，以接收或发送消息等。具体地，终端设备901、902、903上可以是采集图像的设备，例如摄像装置、CT扫描机等。
服务器905可以是提供各种服务的服务器，例如对利用终端设备901、902、903所采集的图像提供分析以确定血管状态参数的服务器。服务器可以对接收到的图像信息等数据进行分析等处理，并将识别结果(例如血管状态参数)反馈给其他服务器，或者指示终端设备再次采集图像等。
需要说明的是，本发明实施例所提供的确定血管状态参数的方法一般由服务器905执行。
应该理解，图9中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
下面参考图10，其示出了适于用来实现本发明实施例的终端设备的计算机系统1000的结构示意图。图10示出的终端设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图10所示，计算机系统1000包括中央处理单元(CPU)1001，其可以根据存储在只读存储器(ROM)1002中的程序或者从存储部分1008加载到随机访问存储器(RAM)1003中的程序而执行各种适当的动作和处理。在RAM 1003中，还存储有系统1000操作所需的各种程序和数据。CPU 1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
以下部件连接至I/O接口1005：包括键盘、鼠标等的输入部分1006；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1007；包括硬盘等的存储部分1008；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1009。通信部分1009经由诸如因特网的网络执行通信处理。驱动器1010也根据需要连接至I/O接口1005。可拆卸介质1011，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1010上，以便于从其上读出的计算机程序根据需要被安装入存储部分1008。
特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分1009从网络上被下载和安装，和/或从可拆卸介质1011被安装。在该计算机程序被中央处理单元(CPU)1001执行时，执行本发明的系统中限定的上述功能。
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。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可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，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。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：获取包括血管和感兴趣区域的目标图像；提取所述目标图像中血管中心线上的抽样点关于所述血管中心线的第一方向信息，以及所述抽样点关于所述目标图像中的感兴趣区域的第二方向信息；利用经训练的血管状态参数识别模型，基于所述第一方向信息和所述第二方向信息，确定所述抽样点的血管状态参数辑。
根据本发明实施例的技术方案，通过识别图像中的血管中心线，进而计算得到中心线上的抽样点的方向信息，基于经训练的血管状态参数识别模型，可快速的确定血管状态参数，适于诸如临床医学等应用场景。并且由于本发明所提供的血管状态参数识别模型是通过以流体力学所确定的血管状态参数为样本标签而训练得到的，所确定的血管状态参数的准确度也可满足用户需求。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种确定血管状态参数的方法，其特征在于，包括：
获取包括血管和感兴趣区域的目标图像；
提取所述目标图像中血管中心线上的抽样点关于所述血管中心线的第一方向信息，以及所述抽样点关于所述目标图像中的感兴趣区域的第二方向信息；
利用经训练的血管状态参数识别模型，基于所述第一方向信息和所述第二方向信息，确定所述抽样点的血管状态参数。
2.根据权利要求1所述的方法，进一步包括，根据下列步骤训练所述血管状态参数识别模型：
获取血管和感兴趣区域的分割信息，基于所述分割信息构建几何结构，利用流体力学仿真算法，计算所述几何结构中血管中心线上的抽样点的血管状态参数的参数值；
获取包括所述血管和所述感兴趣区域的训练图像，提取所述训练图像中血管中心线上的抽样点关于所述血管中心线的第一方向信息，以及所述抽样点关于所述训练图像中的感兴趣区域的第二方向信息；
基于所述训练图像中所述抽样点的第一方向信息，第二方向信息和所述几何结构中所述抽样点的参数值，训练深度学习模型，以得到所述血管状态参数识别模型。
3.根据权利要求1或2所述的方法，所述血管状态参数包括下列任意一项或多项：压力、压降、血流速度、阻力。
4.根据权利要求2所述的方法，其中，所述血管状态参数包括压降，
所述基于所述训练图像中所述抽样点的第一方向信息，第二方向信息和所述几何结构中所述抽样点的参数值，训练深度学习模型，以得到所述血管状态参数识别模型，包括：
基于所述训练图像中所述抽样点的第一方向信息，第二方向信息和所述几何结构中所述抽样点两侧的压降，训练深度学习模型，以得到所述血管状态参数识别模型；
所述利用经训练的血管状态参数识别模型，基于所述第一方向信息和所述第二方向信息，确定所述抽样点的血管状态参数，包括：
利用经训练的血管状态参数识别模型，基于所述目标图像中血管中心线上的抽样点的第一方向信息和所述第二方向信息，确定所述抽样点两侧的压降。
5.根据权利要求1或2所述的方法，其中，所述第一方向信息包括：所述抽样点关于所述血管中心线的切线在三维坐标系下相对于各个坐标轴的夹角，以及所述抽样点距两侧血管壁的第一距离。
6.根据权利要求1或2所述的方法，其中，所述第一方向信息包括：所述抽样点相关的矢量在三维坐标系下相对于各个坐标轴的夹角，以及所述抽样点距两侧血管壁的第一距离，其中，根据如下确定所述抽样点相关的矢量：
选取所述血管中心线上的n个相邻点，其中，所述抽样点为所述n个相邻点中的中心点，基于所述n个相邻点中的起点和终点形成所述抽样点相关的矢量；n为大于1的自然数。
7.根据权利要求1或2所述的方法，其中，所述第二方向信息包括：所述抽样点关于所述感兴趣区域表面的法线在三维坐标系下相对于各个坐标轴的夹角，以及所述抽样点距所述感兴趣区域表面的第二距离。
8.一种确定血管状态参数的装置，其特征在于，包括：
图像获取模块，用于获取包括血管和感兴趣区域的目标图像；
方向信息提取模块，用于提取所述目标图像中血管中心线上的抽样点关于所述血管中心线的第一方向信息，以及所述抽样点关于所述训练图像中的感兴趣区域的第二方向信息；
识别模块，用于利用经训练的血管状态参数识别模型，基于所述第一方向信息和所述第二方向信息，确定所述抽样点的血管状态参数。
9.一种用于确定血管状态参数的服务器，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
10.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。
CN202110928515.8A 2021-08-13 2021-08-13 一种确定血管状态参数的方法和装置 Pending CN113836832A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110928515.8A CN113836832A (zh) 2021-08-13 2021-08-13 一种确定血管状态参数的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110928515.8A CN113836832A (zh) 2021-08-13 2021-08-13 一种确定血管状态参数的方法和装置

Publications (1)

Publication Number Publication Date
CN113836832A true CN113836832A (zh) 2021-12-24

Family

ID=78960425

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110928515.8A Pending CN113836832A (zh) 2021-08-13 2021-08-13 一种确定血管状态参数的方法和装置

Country Status (1)

Country Link
CN (1) CN113836832A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190362494A1 (en) * 2018-05-25 2019-11-28 Shenzhen Keya Medical Technology Corporation Systems and methods for determining blood vessel conditions
WO2019242161A1 (zh) * 2018-06-20 2019-12-26 博动医学影像科技（上海）有限公司 基于病史信息获取血流特征值的方法及装置
CN112446866A (zh) * 2020-11-25 2021-03-05 上海联影医疗科技股份有限公司 血流参数的计算方法、装置、设备及存储介质
CN112749521A (zh) * 2021-02-08 2021-05-04 北京泰杰伟业科技有限公司 血流动力学指标数据的处理方法和系统
CN113066091A (zh) * 2021-03-29 2021-07-02 昆明同心医联科技有限公司 基于黑血管壁曲面重建的脑血管分割方法、装置及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190362494A1 (en) * 2018-05-25 2019-11-28 Shenzhen Keya Medical Technology Corporation Systems and methods for determining blood vessel conditions
WO2019242161A1 (zh) * 2018-06-20 2019-12-26 博动医学影像科技（上海）有限公司 基于病史信息获取血流特征值的方法及装置
CN112446866A (zh) * 2020-11-25 2021-03-05 上海联影医疗科技股份有限公司 血流参数的计算方法、装置、设备及存储介质
CN112749521A (zh) * 2021-02-08 2021-05-04 北京泰杰伟业科技有限公司 血流动力学指标数据的处理方法和系统
CN113066091A (zh) * 2021-03-29 2021-07-02 昆明同心医联科技有限公司 基于黑血管壁曲面重建的脑血管分割方法、装置及存储介质

Similar Documents

Publication Publication Date Title
EP3511942B1 (en) Cross-domain image analysis using deep image-to-image networks and adversarial networks
Van Uitert et al. Subvoxel precise skeletons of volumetric data based on fast marching methods
CN110599528A (zh) 一种基于神经网络的无监督三维医学图像配准方法及系统
US10366488B2 (en) Image processing used to estimate abnormalities
CN112184888A (zh) 三维血管建模的方法及装置
CN111932552B (zh) 一种主动脉建模的方法及装置
US20120027277A1 (en) Interactive iterative closest point algorithm for organ segmentation
CN112183541A (zh) 一种轮廓提取方法及装置、电子设备、存储介质
CN114022614A (zh) 一种三维重建目标位置置信度的估计方法及系统
CN110992310A (zh) 一种确定纵隔淋巴结所在分区的方法及装置
CN114332563A (zh) 图像处理模型训练方法及相关装置、设备和存储介质
CN116994245A (zh) 基于深度学习的空间转录组分析方法、装置及可读介质
CN113836832A (zh) 一种确定血管状态参数的方法和装置
CN112001893B (zh) 一种血管参数的计算方法、装置、设备及存储介质
CN110555853B (zh) 基于解剖学先验的分割算法评估的方法和装置
CN111598904B (zh) 图像分割方法、装置、设备及存储介质
CN111612770B (zh) 基于主动筛选的半监督病灶检测网络的病灶检测系统
CN115330669A (zh) 预测解剖结构的疾病量化参数的计算机实现的方法、系统及存储介质
CN113129297A (zh) 基于多期相肿瘤影像的直径自动测量方法及系统
CN112950582B (zh) 一种基于深度学习的3d肺部病灶分割方法、装置
CN117556077B (zh) 文本图像模型的训练方法、相关方法及相关产品
US20240135737A1 (en) Systems and methods for automatic data annotation
US20240135684A1 (en) Systems and methods for annotating 3d data
Shen et al. Application of Three-Dimensional Image Reconstruction Technology in Neurogenic Intestinal Nursing Tasks
EP3973885A1 (en) Methods and systems for tool tracking

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