CN113838007A - 生理参数获取方法、装置、电子设备及存储介质 - Google Patents
生理参数获取方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113838007A CN113838007A CN202111045771.9A CN202111045771A CN113838007A CN 113838007 A CN113838007 A CN 113838007A CN 202111045771 A CN202111045771 A CN 202111045771A CN 113838007 A CN113838007 A CN 113838007A
- Authority
- CN
- China
- Prior art keywords
- medication
- blood vessel
- physiological parameter
- physiological
- post
- 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
- 238000000034 method Methods 0.000 title claims abstract description 79
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 448
- 239000003814 drug Substances 0.000 claims abstract description 399
- 229940079593 drug Drugs 0.000 claims abstract description 382
- 238000009101 premedication Methods 0.000 claims abstract description 165
- 238000013507 mapping Methods 0.000 claims abstract description 108
- 238000010801 machine learning Methods 0.000 claims description 78
- 230000003902 lesion Effects 0.000 claims description 34
- 238000012549 training Methods 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 description 18
- 230000000284 resting effect Effects 0.000 description 18
- 238000006243 chemical reaction Methods 0.000 description 12
- 206010020565 Hyperaemia Diseases 0.000 description 11
- 230000000544 hyperemic effect Effects 0.000 description 11
- 230000017531 blood circulation Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000009471 action Effects 0.000 description 6
- 239000012530 fluid Substances 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 229940124549 vasodilator Drugs 0.000 description 5
- 239000003071 vasodilator agent Substances 0.000 description 5
- OIRDTQYFTABQOQ-KQYNXXCUSA-N adenosine Chemical compound C1=NC=2C(N)=NC=NC=2N1[C@@H]1O[C@H](CO)[C@@H](O)[C@H]1O OIRDTQYFTABQOQ-KQYNXXCUSA-N 0.000 description 4
- 210000000748 cardiovascular system Anatomy 0.000 description 4
- 238000001647 drug administration Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 208000031481 Pathologic Constriction Diseases 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000002591 computed tomography Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 3
- 230000007721 medicinal effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000035790 physiological processes and functions Effects 0.000 description 3
- 230000036262 stenosis Effects 0.000 description 3
- 208000037804 stenosis Diseases 0.000 description 3
- 239000002126 C01EB10 - Adenosine Substances 0.000 description 2
- 229960005305 adenosine Drugs 0.000 description 2
- 210000000709 aorta Anatomy 0.000 description 2
- 238000013398 bayesian method Methods 0.000 description 2
- 230000036772 blood pressure Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000002526 effect on cardiovascular system Effects 0.000 description 2
- 230000002262 irrigation Effects 0.000 description 2
- 238000003973 irrigation Methods 0.000 description 2
- 230000002107 myocardial effect Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000036285 pathological change Effects 0.000 description 2
- 231100000915 pathological change Toxicity 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- JRWZLRBJNMZMFE-UHFFFAOYSA-N Dobutamine Chemical compound C=1C=C(O)C(O)=CC=1CCNC(C)CCC1=CC=C(O)C=C1 JRWZLRBJNMZMFE-UHFFFAOYSA-N 0.000 description 1
- SNIOPGDIGTZGOP-UHFFFAOYSA-N Nitroglycerin Chemical compound [O-][N+](=O)OCC(O[N+]([O-])=O)CO[N+]([O-])=O SNIOPGDIGTZGOP-UHFFFAOYSA-N 0.000 description 1
- 239000000006 Nitroglycerin Substances 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 239000002260 anti-inflammatory agent Substances 0.000 description 1
- 229940124599 anti-inflammatory drug Drugs 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000036770 blood supply Effects 0.000 description 1
- 230000002308 calcification Effects 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 229960001089 dobutamine Drugs 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 229960003711 glyceryl trinitrate Drugs 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000002757 inflammatory effect Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000001766 physiological effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Chemical & Material Sciences (AREA)
- Medicinal Chemistry (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请提供了一种生理参数获取方法、装置、电子设备及存储介质,所述方法包括:基于样本血管的用药前生理参数以及所述样本血管的用药后生理参数,获取用药前生理参数与用药后生理参数之间的映射关系;基于目标血管在用药前的原始医学影像,获取所述目标血管的用药前生理参数;基于所述映射关系以及所述目标血管的用药前生理参数,获取所述目标血管的用药后生理参数。本申请实施例能够提高用药后生理参数的获取准确性。
Description
技术领域
本申请涉及医疗领域,具体涉及一种生理参数获取方法、装置、电子设备及存储介质。
背景技术
在医疗领域中,常常需要获取患者的血管在施用药物后的生理参数,以在此基础上作出诊断或其他医疗活动。而很多情况下药物的施用会给患者的身体带来负担。现有技术中,常常通过简单片面地变更血管的部分属性(例如:变更血流量,变更微血管阻力等)来模拟施用药物后血管的状态,进而计算得到血管的用药后生理参数。然而简单片面地变更血管的部分属性并不足够还原药物实际对于血管所施加的复杂影响,从而导致得到的用药后生理参数准确性较低。
发明内容
本申请的一个目的在于提出一种生理参数获取方法、装置、电子设备及存储介质,能够提高用药后生理参数的获取准确性。
根据本申请实施例的一方面,公开了一种生理参数获取方法,所述方法包括:
基于样本血管的用药前生理参数以及所述样本血管的用药后生理参数,获取用药前生理参数与用药后生理参数之间的映射关系;
基于目标血管在用药前的原始医学影像,获取所述目标血管的用药前生理参数;
基于所述映射关系以及所述目标血管的用药前生理参数,获取所述目标血管的用药后生理参数。
根据本申请实施例的一方面,公开了一种生理参数获取装置,所述装置包括:
映射关系获取模块,配置为基于样本血管的用药前生理参数以及所述样本血管的用药后生理参数,获取用药前生理参数与用药后生理参数之间的映射关系;
用药前参数获取模块,配置为基于目标血管在用药前的原始医学影像,获取所述目标血管的用药前生理参数;
用药后参数获取模块,配置为基于所述映射关系以及所述目标血管的用药前生理参数,获取所述目标血管的用药后生理参数。
在本申请的一示例性实施例中,所述装置配置为:
以所述样本血管的用药前生理参数为经验公式的输入,并以所述样本血管的用药后生理参数为所述经验公式的输出,对所述经验公式的参数进行调整,得到用于描述所述映射关系的经验公式。
在本申请的一示例性实施例中,所述装置配置为:
以所述样本血管的用药前生理参数为预设的第一机器学习模型的输入,以所述样本血管的用药后生理参数为所述第一机器学习模型的目标输出,对所述第一机器学习模型进行训练,得到用于描述所述映射关系的第一机器学习模型。
在本申请的一示例性实施例中,所述装置配置为:
基于所述样本血管在用药前的原始医学影像、所述样本血管的用药前生理参数以及所述样本血管的用药后生理参数,获取从用药前的原始医学影像以及用药前生理参数到所述样本血管的用药后生理参数的映射关系;
基于所述映射关系、所述目标血管在用药前的原始医学影像以及所述目标血管的用药前生理参数,获取所述目标血管的用药后生理参数。
在本申请的一示例性实施例中,所述装置配置为:
基于所述样本血管在用药前的原始医学影像,提取所述样本血管在用药前的几何信息;
基于所述样本血管在用药前的几何信息、所述样本血管的用药前生理参数以及所述样本血管的用药后生理参数,获取从用药前的几何信息以及用药前生理参数到用药后生理参数的映射关系;
基于所述目标血管在用药前的原始医学影像,提取所述目标血管在用药前的几何信息;
基于所述映射关系、所述目标血管在用药前的几何信息以及所述目标血管的用药前生理参数,获取所述目标血管的用药后生理参数。
在本申请的一示例性实施例中,所述装置配置为:
基于所述样本血管在用药前的原始医学影像,提取所述样本血管在用药前的病变信息;
基于所述样本血管在用药前的病变信息、所述样本血管的用药前生理参数以及所述样本血管的用药后生理参数,获取从用药前的病变信息以及用药前生理参数到用药后生理参数的映射关系;
基于所述目标血管在用药前的原始医学影像,提取所述目标血管在用药前的病变信息;
基于所述映射关系、所述目标血管在用药前的病变信息以及所述目标血管的用药前生理参数,获取所述目标血管的用药后生理参数。
在本申请的一示例性实施例中,所述装置配置为:
基于所述样本血管所属患者的生理属性、所述样本血管的用药前生理参数以及所述样本血管的用药后生理参数,获取从所属患者的生理属性以及用药前生理参数到用药后生理参数的映射关系;
基于所述映射关系、所述目标血管所属患者的生理属性以及所述目标血管的用药前生理参数,获取所述目标血管的用药后生理参数。
在本申请的一示例性实施例中,所述装置配置为:
基于所述样本血管所用药物的药物属性、所述样本血管的用药前生理参数以及所述样本血管的用药后生理参数,获取从所用药物的药物属性以及用药前生理参数到用药后生理参数的映射关系;
基于所述映射关系、所述目标血管所用药物的药物属性以及所述目标血管的用药前生理参数,获取所述目标血管的用药后生理参数。
在本申请的一示例性实施例中,所述装置配置为:
基于所述目标血管在用药前的原始医学影像,建立所述目标血管在用药前的三维模型;
基于对所述三维模型所作求解,得到所述目标血管的用药前生理参数。
在本申请的一示例性实施例中,所述装置配置为:
基于所述目标血管在用药前的原始医学影像,提取所述目标血管在用药前的中心线;
基于所述中心线,建立所述目标血管在用药前的一维模型;
基于对所述一维模型所作求解,得到所述目标血管的用药前生理参数。
在本申请的一示例性实施例中,所述装置配置为:
基于所述目标血管在用药前的原始医学影像,获取所述目标血管在用药前的降阶模型的参数;
基于所述降阶模型的参数,建立所述降阶模型;
基于对所述降阶模型所作求解,得到所述目标血管的用药前生理参数。
在本申请的一示例性实施例中,所述装置配置为:
基于所述目标血管在用药前的原始医学影像,将在用药前的目标血管模拟为电路系统;
基于对所述电路系统所作求解,得到所述目标血管的用药前生理参数。
在本申请的一示例性实施例中,所述装置配置为:
以所述样本血管在用药前的原始医学影像为预设的第二机器学习模型的输入,以所述样本血管的用药前生理参数为所述第二机器学习模型的目标输出,对所述第二机器学习模型进行训练,得到训练后的第二机器学习模型;
基于所述训练后的第二机器学习模型以及所述目标血管在用药前的原始医学影像,得到所述目标血管的用药前生理参数。
根据本申请实施例的一方面,公开了一种电子设备,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时,使得所述电子设备实现以上权利要求任一项所述的方法。
根据本申请实施例的一方面,公开了一种计算机程序介质,其上存储有计算机可读指令,当所述计算机可读指令被计算机的处理器执行时,使计算机执行以上权利要求中的任一项所述的方法。
根据本申请实施例的一个方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述各种可选实现方式中提供的方法。
本申请实施例中,预先建立用药前生理参数与用药后生理参数之间的映射关系,进而结合基于目标血管在用药前的原始医学影像得到的目标血管的用药前生理参数,即可得到目标血管的用药后生理参数。通过这种方法,即使不对患者施用药物,也能够得到该患者的目标血管的用药后生理参数,避免了为获得目标血管的用药后生理参数对患者施用药物而给患者的身体带来负担。并且通过端到端的这种参数转换方式,不依赖于对复杂生理过程进行模拟的过程,从而避免了模拟片面所导致的用药后生理参数的准确性较低的问题,从而提高了用药后生理参数的获取准确性。
本申请的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本申请的实践而习得。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本申请。
附图说明
通过参考附图详细描述其示例实施例,本申请的上述和其它目标、特征及优点将变得更加显而易见。
图1示出了根据本申请一个实施例的生理参数获取方法流程图。
图2示出了根据本申请一个实施例的训练用于分割图像的深层神经网络的示意图。
图3示出了根据本申请一个实施例的训练用于提取生理参数的深层神经网络的示意图。
图4示出了根据本申请一个实施例的根据静息状态下的生理参数获取最大充血状态下的生理参数的流程图。
图5示出了根据本申请一个实施例的生理参数获取装置框图。
图6示出了根据本申请一个实施例的电子设备硬件图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些示例实施方式使得本申请的描述将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。附图仅为本申请的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多示例实施方式中。在下面的描述中,提供许多具体细节从而给出对本申请的示例实施方式的充分理解。然而,本领域技术人员将意识到,可以实践本申请的技术方案而省略所述特定细节中的一个或更多,或者可以采用其它的方法、组元、步骤等。在其它情况下,不详细示出或描述公知结构、方法、实现或者操作以避免喧宾夺主而使得本申请的各方面变得模糊。
附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
本申请提供了一种生理参数获取方法,主要应用于医疗领域中,获取血管在用药后的生理参数,从而以此为基础为医疗活动提供支持。
在详细描述本申请实施例的具体实施过程之前,首先对本申请涉及的部分概念进行简要解释。
用药前生理参数,指的是血管在用药前的生理参数。
用药后生理参数,指的是血管在用药后的生理参数。
原始医学影像,指的是在医疗领域中所取得的生物组织的原始影像。原始医学影像通常以DICOM(Digital Imaging and Communications in Medicine,医学数字成像和通信)文件的形式存在。常见的原始医学影像包括但不限于:CT(Computed Tomography,电子计算机断层扫描)影像,MRI(Magnetic Resonance Imaging,磁共振成像)影像。
血管的中心线,指的是用于标识血管中心的线段。中心线又称中线,常用间隔的点和短线段连成一线段表示。
静息状态,指的是人体没有施用血管扩张剂以及没有剧烈运动的平静状态。在处于静息状态时,人体的血管没有扩张,微血管阻力较大,血流流动较慢。
最大充血状态,指的是与静息状态相对的状态。在处于最大充血状态时,人体的血管扩张,微血管阻力较小,血流流动较快。临床上,为了测量患者在最需要氧气的时候的供血能力,很多参数需要在最大充血状态下获取。为使得患者处于最大充血状态,比较常见的方法为让患者运动一段时间或者给患者注射腺苷类的血管扩张剂。
图1示出了本申请一实施例的生理参数获取方法流程图。该方法包括:
步骤S110、基于样本血管的用药前生理参数以及样本血管的用药后生理参数,获取用药前生理参数与用药后生理参数之间的映射关系;
步骤S120、基于目标血管在用药前的原始医学影像,获取目标血管的用药前生理参数;
步骤S130、基于映射关系以及目标血管的用药前生理参数,获取目标血管的用药后生理参数。
本申请实施例中,通过样本血管的用药前生理参数以及样本血管的用药后生理参数,在用药前生理参数与用药后生理参数之间建立映射关系,进而结合该映射关系与目标血管的用药前生理参数,得到目标血管的用药后生理参数。其中,目标血管的用药前生理参数是从目标血管在用药前的原始医学影像中提取得到的。
由此可见,本申请实施例中,预先建立用药前生理参数与用药后生理参数之间的映射关系,进而结合基于目标血管在用药前的原始医学影像得到的目标血管的用药前生理参数,即可得到目标血管的用药后生理参数。通过这种方法,即使不对患者施用药物,也能够得到该患者的目标血管的用药后生理参数,避免了为获得目标血管的用药后生理参数对患者施用药物而给患者的身体带来负担。并且通过端到端的这种参数转换方式,不依赖于对复杂生理过程进行模拟的过程,从而避免了模拟片面所导致的用药后生理参数的准确性较低的问题,从而提高了用药后生理参数的获取准确性。
在一实施例中,用药前生理参数为静息状态下的静息生理参数,用药后生理参数为最大充血状态下的最大充血生理参数。
该实施例中,基于医疗活动中所收集的患者的样本血管的静息生理参数,以及患者在运动后或者在注射血管扩张剂后的样本血管的最大充血生理参数,获取静息生理参数与最大充血生理参数之间的映射关系。
当需要获取新患者的目标血管的最大充血生理参数时,获取静息状态下的目标血管的原始医学影像,进而基于静息状态下的目标血管的原始医学影像,获取目标血管的静息生理参数。
进而基于该映射关系以及目标血管的静息生理参数,获取目标血管的最大充血生理参数。
该实施例的优点在于,对于患者而言,只需拍摄其在静息状态下的目标血管的原始医学影像即可得到其在最大充血状态下的目标血管的最大充血生理参数,无需剧烈运动,也无需施用血管扩张剂,大大减小了身体负担。
在一实施例中,用于得到最大充血生理参数所注射的血管扩张剂包括:腺苷类药物、硝酸甘油、多巴酚丁胺等。
需要说明的是,本申请实施例中,用药前生理参数除了可以为静息生理参数之外,还可以为在处于硬化状态下的生理参数,也可以为在处于炎症状态下的生理参数,也可以为处于其他生理状态下的生理参数;相应的,用药后生理参数除了可以为最大充血生理参数之外,还可以为施用血管软化剂之后的生理参数,也可以为施用消炎药物之后的生理参数,也可以为在施用其他药物之后的生理参数。
在一实施例中,通过经验公式的方式获取用药前生理参数与用药后生理参数之间的映射关系。
该实施例中,以样本血管的用药前生理参数为经验公式的输入,并以样本血管的用药后生理参数为经验公式的输出,对经验公式的参数进行调整,得到用于描述映射关系的经验公式。
具体的,经验公式可以表示为y=f(x)。将样本血管的用药前生理参数作为x,将样本血管的用药后生理参数作为y,对该经验公式的参数进行调整,使得该经验公式的f()函数能够准确描述用药前生理参数与用药后生理参数之间的映射关系。
在一实施例中,瞬时无波形比率(Instantaneous Wave-free Ratio,iFR)指的是静息状态下,瞬时无波形期间狭窄远端的平均压比上主动脉平均压的值。血流储备分数(Fractional Flow Reserve,FFR)指的是最大充血状态下,整个心动周期狭窄远端的平均压比上主动脉平均压的值。根据临床试验数据建立如下经验公式:
FFR=a*iFR+b
其中,a和b为该经验公式的参数,与患者的年龄、性别、身高、体重、血压、病史、冠脉尺寸、心肌体积、冠脉灌溉区域等因素相关。
在一实施例中,冠脉血流储备(Coronary Flow Reserve,CFR)指的是最大充血状态下的血流量y和静息状态下的血流量x之间的比值。根据临床试验数据建立如下经验公式:
y=CFR*x=(a+b+c+d)*x
其中,a、b、c以及d为该经验公式的参数,与患者的年龄、性别、病史、冠脉灌溉区域、静息状态下的血流量等因素相关。
在一实施例中,通过机器学习的方式获取用药前生理参数与用药后生理参数之间的映射关系。
该实施例中,以样本血管的用药前生理参数为预设的第一机器学习模型的输入,以样本血管的用药后生理参数为第一机器学习模型的目标输出,对第一机器学习模型进行训练,得到用于描述映射关系的第一机器学习模型。
具体的,采用随机森林法、贝叶斯法、多层感知机、支持向量机等机器学习算法建立第一机器学习模型。从样本血管在用药前的原始医学影像中提取得到的样本血管的用药前生理参数输入第一机器学习模型,由第一机器学习模型输出预测结果,进而将预测结果与已知的样本血管的用药后生理参数进行对比,将对比得到的误差反馈给第一机器学习模型,更新第一机器学习模型的参数,使其朝着误差减小的方向演进,得到能够准确描述映射关系的第一机器学习模型。
在一实施例中,映射关系的输入端为用药前的原始医学影像以及用药前生理参数,输出端为用药后生理参数。
该实施例中,基于样本血管在用药前的原始医学影像、样本血管的用药前生理参数以及样本血管的用药后生理参数,获取从用药前的原始医学影像以及用药前生理参数到样本血管的用药后生理参数的映射关系。基于映射关系、目标血管在用药前的原始医学影像以及目标血管的用药前生理参数,获取目标血管的用药后生理参数。
具体的,主要通过机器学习的方法获取从用药前的原始医学影像以及用药前生理参数到用药后生理参数的映射关系。以样本血管在用药前的原始医学影像以及样本血管的用药前生理参数为输入,以样本血管的用药后生理参数为目标输出,对深层神经网络的第一机器学习模型进行训练,得到能够准确描述从用药前的原始医学影像以及用药前生理参数到用药后生理参数这一映射关系的第一机器学习模型。进而将目标血管在用药前的原始医学影像以及目标血管的用药前生理参数输入第一机器学习模型,在该第一机器学习模型所描述映射关系的作用下,得到目标血管的用药后生理参数。
该实施例的优点在于,从原始医学影像以及用药前生理参数所得到的用药后生理参数,实现端到端的参数转换的同时,兼顾参数所来源原始医学影像的全局图像信息,提高了参数转换的准确性。
在一实施例中,映射关系的输入端为用药前的几何信息以及用药前生理参数,输出端为用药后生理参数。
该实施例中,基于样本血管在用药前的原始医学影像,提取样本血管在用药前的几何信息。基于样本血管在用药前的几何信息、样本血管的用药前生理参数以及样本血管的用药后生理参数,获取从用药前的几何信息以及用药前生理参数到用药后生理参数的映射关系。基于目标血管在用药前的原始医学影像,提取目标血管在用药前的几何信息。基于映射关系、目标血管在用药前的几何信息以及目标血管的用药前生理参数,获取目标血管的用药后生理参数。
具体的,主要通过机器学习的方法获取从用药前的几何信息以及用药前生理参数到用药后生理参数的映射关系。从样本血管在用药前的原始医学影像中提取得到样本血管在用药前的几何信息后,以样本血管在用药前的几何信息以及样本血管的用药前生理参数为输入,以样本血管的用药后生理参数为目标输出,对第一机器学习模型进行训练,得到能够准确描述从用药前的几何信息以及用药前生理参数到用药后生理参数这一映射关系的第一机器学习模型。
进而从目标血管在用药前的原始医学影像中提取得到目标血管在用药前的几何信息后,将目标血管在用药前的几何信息以及目标血管的用药前生理参数输入第一机器学习模型,在该第一机器学习模型所描述映射关系的作用下,得到目标血管的用药后生理参数。
该实施例的优点在于,从几何信息以及用药前生理参数所得到的用药后生理参数,实现端到端的参数转换的同时,兼顾血管的几何信息,提高了参数转换的准确性。
在一实施例中,血管的几何信息包括:体积、直径、长度、面积、分叉角度、分叉位置等。
需要说明的是,该实施例所展示的几何信息只是示例性的,并不代表本申请只适用于该实施例所展示的几何信息。该实施例不应对本申请的功能和使用范围造成限制。
在一实施例中,映射关系的输入端为用药前的病变信息以及用药前生理参数,输出端为用药后生理参数。
该实施例中,基于样本血管在用药前的原始医学影像,提取样本血管在用药前的病变信息。基于样本血管在用药前的病变信息、样本血管的用药前生理参数以及样本血管的用药后生理参数,获取从用药前的病变信息以及用药前生理参数到用药后生理参数的映射关系。基于目标血管在用药前的原始医学影像,提取目标血管在用药前的病变信息。基于映射关系、目标血管在用药前的病变信息以及目标血管的用药前生理参数,获取目标血管的用药后生理参数。
具体的,主要通过机器学习的方法获取从用药前的病变信息以及用药前生理参数到用药后生理参数的映射关系。从样本血管在用药前的原始医学影像中提取得到样本血管在用药前的病变信息后,以样本血管在用药前的病变信息以及样本血管的用药前生理参数为输入,以样本血管的用药后生理参数为目标输出,对第一机器学习模型进行训练,得到能够准确描述从用药前的病变信息以及用药前生理参数到用药后生理参数这一映射关系的第一机器学习模型。
进而从目标血管在用药前的原始医学影像中提取得到目标血管在用药前的病变信息后,将目标血管在用药前的病变信息以及目标血管的用药前生理参数输入第一机器学习模型,在该第一机器学习模型所描述映射关系的作用下,得到目标血管的用药后生理参数。
该实施例的优点在于,从病变信息以及用药前生理参数所得到的用药后生理参数,实现端到端的参数转换的同时,兼顾血管的病变信息,提高了参数转换的准确性。
在一实施例中,血管的病变信息包括:狭窄率信息、病变类型信息、病变区域信息、病变尺寸信息、病变纹理信息、钙化分数等。
需要说明的是,该实施例所展示的病变信息只是示例性的,并不代表本申请只适用于该实施例所展示的病变信息。该实施例不应对本申请的功能和使用范围造成限制。
在一实施例中,映射关系的输入端为所属患者的生理属性以及用药前生理参数,输出端为用药后生理参数。
该实施例中,基于样本血管所属患者的生理属性、样本血管的用药前生理参数以及样本血管的用药后生理参数,获取从所属患者的生理属性以及用药前生理参数到用药后生理参数的映射关系。基于映射关系、目标血管所属患者的生理属性以及目标血管的用药前生理参数,获取目标血管的用药后生理参数。
具体的,主要通过机器学习的方法获取从所属患者的生理属性以及用药前生理参数到用药后生理参数的映射关系。以样本血管所属患者的生理属性以及样本血管的用药前生理参数为输入,以样本血管的用药后生理参数为目标输出,对第一机器学习模型进行训练,得到能够准确描述从所属患者的生理属性以及用药前生理参数到用药后生理参数这一映射关系的第一机器学习模型。进而将目标血管所属患者的生理属性以及目标血管的用药前生理参数输入第一机器学习模型,在该第一机器学习模型所描述映射关系的作用下,得到目标血管的用药后生理参数。
该实施例的优点在于,从所属患者的生理属性以及用药前生理参数所得到的用药后生理参数,实现端到端的参数转换的同时,兼顾血管所属人体系统的生理属性,提高了参数转换的准确性。
在一实施例中,生理属性包括性别、年龄、身高、体重中的至少一个。
在一实施例中,映射关系的输入端为所用药物的药物属性以及用药前生理参数,输出端为用药后生理参数。
该实施例中,基于样本血管所用药物的药物属性、样本血管的用药前生理参数以及样本血管的用药后生理参数,获取从所用药物的药物属性以及用药前生理参数到用药后生理参数的映射关系。基于映射关系、目标血管所用药物的药物属性以及目标血管的用药前生理参数,获取目标血管的用药后生理参数。
具体的,主要通过机器学习的方法获取从所用药物的药物属性以及用药前生理参数到用药后生理参数的映射关系。以样本血管所属患者的生理属性以及样本血管的用药前生理参数为输入,以样本血管的用药后生理参数为目标输出,对第一机器学习模型进行训练,得到能够准确描述从所用药物的药物属性以及用药前生理参数到用药后生理参数这一映射关系的第一机器学习模型。进而将目标血管所用药物的药物属性以及目标血管的用药前生理参数输入第一机器学习模型,在该第一机器学习模型所描述映射关系的作用下,得到目标血管的用药后生理参数。
该实施例的优点在于,从所用药物的药物属性以及用药前生理参数所得到的用药后生理参数,实现端到端的参数转换的同时,兼顾所用药物对血管所施加影响的特征信息,提高了参数转换的准确性。
在一实施例中,通过建立三维模型的方式,基于目标血管在用药前的原始医学影像,获取目标血管的用药前生理参数。
该实施例中,基于目标血管在用药前的原始医学影像,建立目标血管在用药前的三维模型。基于对三维模型所作求解,得到目标血管的用药前生理参数。
具体的,可以采取阈值法、滤波法、区域生长(Region Growth)法、最小代价路径(Minimal Cost Path)法、骨架化(Skelton)法等方法建立三维模型。
采取阈值法建立三维模型时,根据原始医学影像的图像强度,选取出合适的图像强度阈值区间,进而根据所选取的图像强度阈值区间,将原始医学影像分割为前景和背景。分割出的前景即为对应血管的三维模型。
采用滤波法建立三维模型时,使用一个滤波器对原始医学影像进行处理,根据所使用滤波器的不同,对图像中的不同特征进行增强,凸显出图像中的部分特征,从而便于对图像进行分割。滤波器包括但不限于:中值滤波器、均值滤波器、双边滤波器、Frangi滤波器、高斯滤波器、拉普拉斯滤波器、Sobel滤波器、Gabor滤波器、Canny滤波器等。梯度法为滤波法的一种,先用梯度滤波器将原始医学图像转化为梯度分布图像,然后用阈值法将高梯度分割出来,得到轮廓,再根据轮廓分割出前景和背景。分割出的前景即为对应血管的三维模型。
采用区域生长法建立三维模型时,从原始医学影像中选取出“种子”点,即最具有某些特征的点,例如图像强度最大的点、梯度变化最大的点等。然后围绕“种子”点生长出分割出的图形。生长过程是基于图像强度值、纹理等信息。最终生长完成所得到的即为对应血管的三维模型。
采用最小路径代价法建立三维模型时,根据图像信息,得到每一个像素对应的“代价值”。然后根据“代价值”,找出最小代价的路径。在医学影像中,最小代价路径法一般用于确定血管或细长组织的中心线。以心血管的三维建模为例,最小代价路径法得到的即为心血管的中心线。再沿着中心线分割出心血管的轮廓,最终得到血管的三维模型。
采用骨架法建立三维模型时,对图像进行形态学操作,细化图像,抽取出图像的拓扑结构,得到图像的骨架。对于血管而言,对血管进行骨架化可以得到血管的中心线。以心血管的三维建模为例,骨架化方法得到的即为心血管的中心线。再沿着中心线分割出心血管的轮廓,最终得到血管的三维模型。
得到目标血管在用药前的三维模型后,采用流体力学仿真将计算区域离散化,然后利用数值方法求解流体控制方程,最后通过不断的迭代,得到计算区域内的物理数值,例如速度和压力。进而根据得到的这些物理数值计算得到目标血管的用药前生理参数。
在一实施例中,采用机器学习模型的方法对原始医学影像进行分割以根据分割结果得到对应血管的三维模型。
图2示出了本申请一实施例的训练用于分割图像的深层神经网络的示意图。
该实施例中,将原始医学影像输入深层神经网络,得到该深层神经网络针对图像分割所作出的预测结果,进而将该预测结果与人工标注进行对比,并反馈给该深层神经网络以更新该深层神经网络,使其朝着减小误差的方向演进。不断重复,直到得到能够准确进行图像分割的深层神经网络。
在一实施例中,通过建立一维模型的方式,基于目标血管在用药前的原始医学影像,获取目标血管的用药前生理参数。
该实施例中,基于目标血管在用药前的原始医学影像,提取目标血管在用药前的中心线。基于中心线,建立目标血管在用药前的一维模型。基于对一维模型所作求解,得到目标血管的用药前生理参数。
具体的,一维模块可以视为三维模型的简化,对于血管而言,一维模型一般是血管的中心线。一维模型可以通过先得到三维模型再对三维模型进行简化得到,例如从血管的三维模型中抽取得到血管的中心线;一维模型也可以从图像中直接提取得到,例如通过最小路径代价法或骨架化法从原始医学影像中直接提取得到血管的中心线。
同理于采用流体力学仿真对三维模型进行求解,也可以采用流体力学仿真对一维模型进行求解。
在一实施例中,通过建立降阶模型的方式,基于目标血管在用药前的原始医学影像,获取目标血管的用药前生理参数。
该实施例中,基于目标血管在用药前的原始医学影像,获取目标血管在用药前的降阶模型的参数。基于降阶模型的参数,建立降阶模型。基于对降阶模型所作求解,得到目标血管的用药前生理参数。
具体的,降阶模型类似于一维模型,也是三维模型的简化。但比起一维模型,降阶模型保留了更多的信息。血管仿真中常见的降阶模型有压降模型、1D-0D模型等。压降模型是用公式将血管段或血管分叉的压降表达出来。压降公式中的参数一般来自于血管本身的几何信息,例如血管的直径、长度等。1D-0D模型是将一维模型和零维模型(集总模型)结合在一起,通过耦合求解得到结果。集总模型是将血管信息简化为一个或几个集总元件的组合,集总元件的参数一般来自于患者心脏各个部分的几何信息,例如冠脉面积、心肌体积等。
类似于一维模型,想要得到降阶模型,有两种方法。一种方法是先得到三维模型,然后将三维模型简化,例如得到血管的直径、长度等,然后得到降阶模型的参数,从而建立降阶模型。另一种方法是直接从图像中得到降阶模型需要的参数,然后建立降阶模型。
得到目标血管在用药前的降阶模型后,通过求解降阶公式,得到计算区域的物理数值,例如速度和压力。进而根据得到的这些物理数值计算得到目标血管的用药前生理参数。
在一实施例中,通过模拟电路系统的方式,基于目标血管在用药前的原始医学影像,获取目标血管的用药前生理参数。
该实施例中,基于目标血管在用药前的原始医学影像,将在用药前的目标血管模拟为电路系统。基于对电路系统所作求解,得到目标血管的用药前生理参数。
具体的,水力问题和电力问题之间有高度的类比性,例如水流和电流类似,水压和电压类似,水流阻力和电阻类似等等。因此可以将流体力学问题转换成电路问题,这样的模型称之为类电路模型。建立类电路模型的方法也有两种,一种是先建立三维模型,然后简化为类电路模型;另一种是直接从图像中得到类电路模型需要的参数,然后建立类电路模型。
得到在用药前的目标血管对应的电路系统后,通过求解电路公式,可以得到血管中对应点的血流值、血压值或者其他参数,进而在此基础上可以得到目标血管的用药前生理参数。
在一实施例中,通过机器学习的方式,基于目标血管在用药前的原始医学影像,获取目标血管的用药前生理参数。
该实施例中,以样本血管在用药前的原始医学影像为预设的第二机器学习模型的输入,以样本血管的用药前生理参数为第二机器学习模型的目标输出,对第二机器学习模型进行训练,得到训练后的第二机器学习模型。基于训练后的第二机器学习模型以及目标血管在用药前的原始医学影像,得到目标血管的用药前生理参数。
具体的,该实施例中,采用CNN、RNN、Transformer等深度学习算法建立深层神经网络结构的第二机器学习模型。进而以样本血管在用药前的原始医学影像为输入,以样本血管的用药前生理参数为目标输出,训练得到能够直接从原始医学影像中提取出生理参数的第二机器学习模型。
图3示出了本申请一实施例的训练用于提取生理参数的深层神经网络的示意图。
该实施例中,将原始医学影像输入深层神经网络,得到该深层神经网络针对生理参数提取所作出的预测结果,进而将该预测结果与人工标注进行对比,并反馈给该深层神经网络以更新该深层神经网络,使其朝着减小误差的方向演进。不断重复,直到得到能够准确提取生理参数的深层神经网络。
在一实施例中,还可以采用随机森林法、贝叶斯法、多层感知机、支持向量机等传统机器学习算法建立第二机器学习模型。训练过程中,提取出样本血管在用药前的原始医学影像的图像特征,进而以该图像特征为输入,以样本血管的用药前生理参数为目标输出,训练得到能够从原始医学影像的图像特征中提取出生理参数的第二机器学习模型。
进而获取到目标血管在用药前的原始医学影像后,提取得到目标血管在用药前的原始医学影像的图像特征,进而将该图像特征输入第二机器学习模型,得到目标血管的用药前生理参数。
图4示出了本申请一实施例的根据静息状态下的生理参数获取最大充血状态下的生理参数的流程图。
该实施例中,获取到目标血管的原始医学影像(CT,MRI等)后,可以通过建立三维模型、一维模型、降阶模型、电路模型等模型并求解的方式,得到目标血管在静息状态下的生理参数。也可以通过机器学习模型的方式,基于该原始医学影像,提取得到目标血管在静息状态下的生理参数。
进而根据预先确定的从静息状态下的生理参数到最大充血状态下的生理参数的映射关系,将目标血管在静息状态下的生理参数转换为目标血管在最大充血状态下的生理参数。
可选的,还可以将目标血管在最大充血状态下的生理参数投射到目标血管的三维模型上,通过不同的颜色显示生理参数不同的值。以可视化的方式便于相关人员直观地查看目标血管在最大充血状态下的生理参数。
图5示出了根据本申请一实施例的生理参数获取装置,所述装置包括:
映射关系获取模块,配置为基于样本血管的用药前生理参数以及所述样本血管的用药后生理参数,获取用药前生理参数与用药后生理参数之间的映射关系;
用药前参数获取模块,配置为基于目标血管在用药前的原始医学影像,获取所述目标血管的用药前生理参数;
用药后参数获取模块,配置为基于所述映射关系以及所述目标血管的用药前生理参数,获取所述目标血管的用药后生理参数。
在本申请的一示例性实施例中,所述装置配置为:
以所述样本血管的用药前生理参数为经验公式的输入,并以所述样本血管的用药后生理参数为所述经验公式的输出,对所述经验公式的参数进行调整,得到用于描述所述映射关系的经验公式。
在本申请的一示例性实施例中,所述装置配置为:
以所述样本血管的用药前生理参数为预设的第一机器学习模型的输入,以所述样本血管的用药后生理参数为所述第一机器学习模型的目标输出,对所述第一机器学习模型进行训练,得到用于描述所述映射关系的第一机器学习模型。
在本申请的一示例性实施例中,所述装置配置为:
基于所述样本血管在用药前的原始医学影像、所述样本血管的用药前生理参数以及所述样本血管的用药后生理参数,获取从用药前的原始医学影像以及用药前生理参数到所述样本血管的用药后生理参数的映射关系;
基于所述映射关系、所述目标血管在用药前的原始医学影像以及所述目标血管的用药前生理参数,获取所述目标血管的用药后生理参数。
在本申请的一示例性实施例中,所述装置配置为:
基于所述样本血管在用药前的原始医学影像,提取所述样本血管在用药前的几何信息;
基于所述样本血管在用药前的几何信息、所述样本血管的用药前生理参数以及所述样本血管的用药后生理参数,获取从用药前的几何信息以及用药前生理参数到用药后生理参数的映射关系;
基于所述目标血管在用药前的原始医学影像,提取所述目标血管在用药前的几何信息;
基于所述映射关系、所述目标血管在用药前的几何信息以及所述目标血管的用药前生理参数,获取所述目标血管的用药后生理参数。
在本申请的一示例性实施例中,所述装置配置为:
基于所述样本血管在用药前的原始医学影像,提取所述样本血管在用药前的病变信息;
基于所述样本血管在用药前的病变信息、所述样本血管的用药前生理参数以及所述样本血管的用药后生理参数,获取从用药前的病变信息以及用药前生理参数到用药后生理参数的映射关系;
基于所述目标血管在用药前的原始医学影像,提取所述目标血管在用药前的病变信息;
基于所述映射关系、所述目标血管在用药前的病变信息以及所述目标血管的用药前生理参数,获取所述目标血管的用药后生理参数。
在本申请的一示例性实施例中,所述装置配置为:
基于所述样本血管所属患者的生理属性、所述样本血管的用药前生理参数以及所述样本血管的用药后生理参数,获取从所属患者的生理属性以及用药前生理参数到用药后生理参数的映射关系;
基于所述映射关系、所述目标血管所属患者的生理属性以及所述目标血管的用药前生理参数,获取所述目标血管的用药后生理参数。
在本申请的一示例性实施例中,所述装置配置为:
基于所述样本血管所用药物的药物属性、所述样本血管的用药前生理参数以及所述样本血管的用药后生理参数,获取从所用药物的药物属性以及用药前生理参数到用药后生理参数的映射关系;
基于所述映射关系、所述目标血管所用药物的药物属性以及所述目标血管的用药前生理参数,获取所述目标血管的用药后生理参数。
在本申请的一示例性实施例中,所述装置配置为:
基于所述目标血管在用药前的原始医学影像,建立所述目标血管在用药前的三维模型;
基于对所述三维模型所作求解,得到所述目标血管的用药前生理参数。
在本申请的一示例性实施例中,所述装置配置为:
基于所述目标血管在用药前的原始医学影像,提取所述目标血管在用药前的中心线;
基于所述中心线,建立所述目标血管在用药前的一维模型;
基于对所述一维模型所作求解,得到所述目标血管的用药前生理参数。
在本申请的一示例性实施例中,所述装置配置为:
基于所述目标血管在用药前的原始医学影像,获取所述目标血管在用药前的降阶模型的参数;
基于所述降阶模型的参数,建立所述降阶模型;
基于对所述降阶模型所作求解,得到所述目标血管的用药前生理参数。
在本申请的一示例性实施例中,所述装置配置为:
基于所述目标血管在用药前的原始医学影像,将在用药前的目标血管模拟为电路系统;
基于对所述电路系统所作求解,得到所述目标血管的用药前生理参数。
在本申请的一示例性实施例中,所述装置配置为:
以所述样本血管在用药前的原始医学影像为预设的第二机器学习模型的输入,以所述样本血管的用药前生理参数为所述第二机器学习模型的目标输出,对所述第二机器学习模型进行训练,得到训练后的第二机器学习模型;
基于所述训练后的第二机器学习模型以及所述目标血管在用药前的原始医学影像,得到所述目标血管的用药前生理参数。
下面参考图6来描述根据本申请实施例的电子设备30。图6显示的电子设备30仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示,电子设备30以通用计算设备的形式表现。电子设备30的组件可以包括但不限于:上述至少一个处理单元310、上述至少一个存储单元320、连接不同系统组件(包括存储单元320和处理单元310)的总线330。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元310执行,使得所述处理单元310执行本说明书上述示例性方法的描述部分中描述的根据本发明各种示例性实施方式的步骤。例如,所述处理单元310可以执行如图3中所示的各个步骤。
存储单元320可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)3201和/或高速缓存存储单元3202,还可以进一步包括只读存储单元(ROM)3203。
存储单元320还可以包括具有一组(至少一个)程序模块3205的程序/实用工具3204,这样的程序模块3205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线330可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备30也可以与一个或多个外部设备400(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备30交互的设备通信,和/或与使得该电子设备30能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口350进行。输入/输出(I/O)接口350与显示单元340相连。并且,电子设备30还可以通过网络适配器360与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器360通过总线330与电子设备30的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备30使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本申请实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本申请实施方式的方法。
在本申请的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有计算机可读指令,当所述计算机可读指令被计算机的处理器执行时,使计算机执行上述方法实施例部分描述的方法。
根据本申请的一个实施例,还提供了一种用于实现上述方法实施例中的方法的程序产品,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,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。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、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。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读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,其中承载了可读程序代码。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。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、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。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如JAVA、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本申请的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外,尽管在附图中以特定顺序描述了本申请中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本申请实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本申请实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由所附的权利要求指出。
Claims (15)
1.一种生理参数获取方法,其特征在于,所述方法包括:
基于样本血管的用药前生理参数以及所述样本血管的用药后生理参数,获取用药前生理参数与用药后生理参数之间的映射关系;
基于目标血管在用药前的原始医学影像,获取所述目标血管的用药前生理参数;
基于所述映射关系以及所述目标血管的用药前生理参数,获取所述目标血管的用药后生理参数。
2.根据权利要求1所述的方法,其特征在于,基于样本血管的用药前生理参数以及所述样本血管的用药后生理参数,获取用药前生理参数与用药后生理参数之间的映射关系,包括:
以所述样本血管的用药前生理参数为经验公式的输入,并以所述样本血管的用药后生理参数为所述经验公式的输出,对所述经验公式的参数进行调整,得到用于描述所述映射关系的经验公式。
3.根据权利要求1所述的方法,其特征在于,基于样本血管的用药前生理参数以及所述样本血管的用药后生理参数,获取用药前生理参数与用药后生理参数之间的映射关系,包括:
以所述样本血管的用药前生理参数为预设的第一机器学习模型的输入,以所述样本血管的用药后生理参数为所述第一机器学习模型的目标输出,对所述第一机器学习模型进行训练,得到用于描述所述映射关系的第一机器学习模型。
4.根据权利要求1所述的方法,其特征在于,基于样本血管的用药前生理参数以及所述样本血管的用药后生理参数,获取用药前生理参数与用药后生理参数之间的映射关系,包括:
基于所述样本血管在用药前的原始医学影像、所述样本血管的用药前生理参数以及所述样本血管的用药后生理参数,获取从用药前的原始医学影像以及用药前生理参数到所述样本血管的用药后生理参数的映射关系;
基于所述映射关系以及所述目标血管的用药前生理参数,获取所述目标血管的用药后生理参数,包括:
基于所述映射关系、所述目标血管在用药前的原始医学影像以及所述目标血管的用药前生理参数,获取所述目标血管的用药后生理参数。
5.根据权利要求1所述的方法,其特征在于,基于样本血管的用药前生理参数以及所述样本血管的用药后生理参数,获取用药前生理参数与用药后生理参数之间的映射关系,包括:
基于所述样本血管在用药前的原始医学影像,提取所述样本血管在用药前的几何信息;
基于所述样本血管在用药前的几何信息、所述样本血管的用药前生理参数以及所述样本血管的用药后生理参数,获取从用药前的几何信息以及用药前生理参数到用药后生理参数的映射关系;
基于所述映射关系以及所述目标血管的用药前生理参数,获取所述目标血管的用药后生理参数,包括:
基于所述目标血管在用药前的原始医学影像,提取所述目标血管在用药前的几何信息;
基于所述映射关系、所述目标血管在用药前的几何信息以及所述目标血管的用药前生理参数,获取所述目标血管的用药后生理参数。
6.根据权利要求1所述的方法,其特征在于,基于样本血管的用药前生理参数以及所述样本血管的用药后生理参数,获取用药前生理参数与用药后生理参数之间的映射关系,包括:
基于所述样本血管在用药前的原始医学影像,提取所述样本血管在用药前的病变信息;
基于所述样本血管在用药前的病变信息、所述样本血管的用药前生理参数以及所述样本血管的用药后生理参数,获取从用药前的病变信息以及用药前生理参数到用药后生理参数的映射关系;
基于所述映射关系以及所述目标血管的用药前生理参数,获取所述目标血管的用药后生理参数,包括:
基于所述目标血管在用药前的原始医学影像,提取所述目标血管在用药前的病变信息;
基于所述映射关系、所述目标血管在用药前的病变信息以及所述目标血管的用药前生理参数,获取所述目标血管的用药后生理参数。
7.根据权利要求1所述的方法,其特征在于,基于样本血管的用药前生理参数以及所述样本血管的用药后生理参数,获取用药前生理参数与用药后生理参数之间的映射关系,包括:
基于所述样本血管所属患者的生理属性、所述样本血管的用药前生理参数以及所述样本血管的用药后生理参数,获取从所属患者的生理属性以及用药前生理参数到用药后生理参数的映射关系;
基于所述映射关系以及所述目标血管的用药前生理参数,获取所述目标血管的用药后生理参数,包括:
基于所述映射关系、所述目标血管所属患者的生理属性以及所述目标血管的用药前生理参数,获取所述目标血管的用药后生理参数。
8.根据权利要求7所述的方法,其特征在于,所述生理属性包括性别、年龄、身高、体重中的至少一个。
9.根据权利要求1所述的方法,其特征在于,基于样本血管的用药前生理参数以及所述样本血管的用药后生理参数,获取用药前生理参数与用药后生理参数之间的映射关系,包括:
基于所述样本血管所用药物的药物属性、所述样本血管的用药前生理参数以及所述样本血管的用药后生理参数,获取从所用药物的药物属性以及用药前生理参数到用药后生理参数的映射关系;
基于所述映射关系以及所述目标血管的用药前生理参数,获取所述目标血管的用药后生理参数,包括:
基于所述映射关系、所述目标血管所用药物的药物属性以及所述目标血管的用药前生理参数,获取所述目标血管的用药后生理参数。
10.根据权利要求1所述的方法,其特征在于,基于目标血管在用药前的原始医学影像,获取所述目标血管的用药前生理参数,包括:
基于所述目标血管在用药前的原始医学影像,建立所述目标血管在用药前的三维模型;
基于对所述三维模型所作求解,得到所述目标血管的用药前生理参数。
11.根据权利要求1所述的方法,其特征在于,基于目标血管在用药前的原始医学影像,获取所述目标血管的用药前生理参数,包括:
基于所述目标血管在用药前的原始医学影像,提取所述目标血管在用药前的中心线;
基于所述中心线,建立所述目标血管在用药前的一维模型;
基于对所述一维模型所作求解,得到所述目标血管的用药前生理参数。
12.根据权利要求1所述的方法,其特征在于,基于目标血管在用药前的原始医学影像,获取所述目标血管的用药前生理参数,包括:
基于所述目标血管在用药前的原始医学影像,获取所述目标血管在用药前的降阶模型的参数;
基于所述降阶模型的参数,建立所述降阶模型;
基于对所述降阶模型所作求解,得到所述目标血管的用药前生理参数。
13.根据权利要求1所述的方法,其特征在于,基于目标血管在用药前的原始医学影像,获取所述目标血管的用药前生理参数,包括:
基于所述目标血管在用药前的原始医学影像,将在用药前的目标血管模拟为电路系统;
基于对所述电路系统所作求解,得到所述目标血管的用药前生理参数。
14.根据权利要求1所述的方法,其特征在于,基于目标血管在用药前的原始医学影像,获取所述目标血管的用药前生理参数,包括:
以所述样本血管在用药前的原始医学影像为预设的第二机器学习模型的输入,以所述样本血管的用药前生理参数为所述第二机器学习模型的目标输出,对所述第二机器学习模型进行训练,得到训练后的第二机器学习模型;
基于所述训练后的第二机器学习模型以及所述目标血管在用药前的原始医学影像,得到所述目标血管的用药前生理参数。
15.一种生理参数获取装置,其特征在于,所述装置包括:
映射关系获取模块,配置为基于样本血管的用药前生理参数以及所述样本血管的用药后生理参数,获取用药前生理参数与用药后生理参数之间的映射关系;
用药前参数获取模块,配置为基于目标血管在用药前的原始医学影像,获取所述目标血管的用药前生理参数;
用药后参数获取模块,配置为基于所述映射关系以及所述目标血管的用药前生理参数,获取所述目标血管的用药后生理参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111045771.9A CN113838007A (zh) | 2021-09-07 | 2021-09-07 | 生理参数获取方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111045771.9A CN113838007A (zh) | 2021-09-07 | 2021-09-07 | 生理参数获取方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113838007A true CN113838007A (zh) | 2021-12-24 |
Family
ID=78958605
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111045771.9A Pending CN113838007A (zh) | 2021-09-07 | 2021-09-07 | 生理参数获取方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113838007A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106473731A (zh) * | 2016-10-25 | 2017-03-08 | 北京工业大学 | 基于个性化冠状动脉分支血流量的ffrct计算方法 |
CN107615335A (zh) * | 2015-05-12 | 2018-01-19 | 新加坡保健服务集团有限公司 | 医学图象处理方法和系统 |
CN108805923A (zh) * | 2018-06-01 | 2018-11-13 | 沈阳东软医疗系统有限公司 | 生理参数获取方法和装置 |
CN110148108A (zh) * | 2019-03-27 | 2019-08-20 | 深圳市南山区人民医院 | 基于功能磁共振的带状疱疹性神经痛疗效预测方法及系统 |
CN110831501A (zh) * | 2017-06-30 | 2020-02-21 | 皇家飞利浦有限公司 | 机器学习谱ffr-ct |
CN110998744A (zh) * | 2017-08-01 | 2020-04-10 | 西门子医疗有限公司 | 针对弥漫性和串联性病变中冠状动脉疾病的非侵入性评估和治疗指导 |
CN111462047A (zh) * | 2020-03-06 | 2020-07-28 | 深圳睿心智能医疗科技有限公司 | 血管参数测量方法、装置、计算机设备和存储介质 |
CN111681224A (zh) * | 2020-06-09 | 2020-09-18 | 上海联影医疗科技有限公司 | 获取血管参数的方法和装置 |
CN113066579A (zh) * | 2021-03-17 | 2021-07-02 | 上海电气集团股份有限公司 | 生理状态预测方法和装置、电子设备及存储介质 |
CN113241183A (zh) * | 2021-04-30 | 2021-08-10 | 深圳睿心智能医疗科技有限公司 | 治疗方案预测方法及装置 |
-
2021
- 2021-09-07 CN CN202111045771.9A patent/CN113838007A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107615335A (zh) * | 2015-05-12 | 2018-01-19 | 新加坡保健服务集团有限公司 | 医学图象处理方法和系统 |
CN106473731A (zh) * | 2016-10-25 | 2017-03-08 | 北京工业大学 | 基于个性化冠状动脉分支血流量的ffrct计算方法 |
CN110831501A (zh) * | 2017-06-30 | 2020-02-21 | 皇家飞利浦有限公司 | 机器学习谱ffr-ct |
CN110998744A (zh) * | 2017-08-01 | 2020-04-10 | 西门子医疗有限公司 | 针对弥漫性和串联性病变中冠状动脉疾病的非侵入性评估和治疗指导 |
CN108805923A (zh) * | 2018-06-01 | 2018-11-13 | 沈阳东软医疗系统有限公司 | 生理参数获取方法和装置 |
CN110148108A (zh) * | 2019-03-27 | 2019-08-20 | 深圳市南山区人民医院 | 基于功能磁共振的带状疱疹性神经痛疗效预测方法及系统 |
CN111462047A (zh) * | 2020-03-06 | 2020-07-28 | 深圳睿心智能医疗科技有限公司 | 血管参数测量方法、装置、计算机设备和存储介质 |
CN111681224A (zh) * | 2020-06-09 | 2020-09-18 | 上海联影医疗科技有限公司 | 获取血管参数的方法和装置 |
CN113066579A (zh) * | 2021-03-17 | 2021-07-02 | 上海电气集团股份有限公司 | 生理状态预测方法和装置、电子设备及存储介质 |
CN113241183A (zh) * | 2021-04-30 | 2021-08-10 | 深圳睿心智能医疗科技有限公司 | 治疗方案预测方法及装置 |
Non-Patent Citations (2)
Title |
---|
胡文超等: "无创血流储备分数测定对冠心病患者心肌缺血功能评估的临床进展", 中华老年多器官疾病杂志, vol. 17, no. 2, pages 145 - 149 * |
陈绘敏等: "B型夹层对心血管系统血流影响的0D-1D模型分析", 医用生物力学, vol. 36, no. 1, pages 185 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11564746B2 (en) | Method and system for image processing to determine blood flow | |
US20220406470A1 (en) | Systems and methods for processing electronic images to determine flow using flow ratio | |
CN113241183B (zh) | 治疗方案预测方法及装置 | |
CN113838007A (zh) | 生理参数获取方法、装置、电子设备及存储介质 | |
CN111755104B (zh) | 一种心脏状态监测方法、系统、电子设备及存储介质 | |
CN113838572B (zh) | 血管生理参数获取方法、装置、电子设备及存储介质 | |
CN114420286A (zh) | 血管生理参数获取方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |