CN113838572A - 血管生理参数获取方法、装置、电子设备及存储介质 - Google Patents
血管生理参数获取方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113838572A CN113838572A CN202111061309.8A CN202111061309A CN113838572A CN 113838572 A CN113838572 A CN 113838572A CN 202111061309 A CN202111061309 A CN 202111061309A CN 113838572 A CN113838572 A CN 113838572A
- Authority
- CN
- China
- Prior art keywords
- blood vessel
- physiological parameters
- blood
- target
- medical image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 210000004204 blood vessel Anatomy 0.000 title claims abstract description 475
- 238000000034 method Methods 0.000 title claims abstract description 79
- 238000012217 deletion Methods 0.000 claims description 43
- 230000037430 deletion Effects 0.000 claims description 43
- 238000010801 machine learning Methods 0.000 claims description 40
- 230000004048 modification Effects 0.000 claims description 19
- 238000012986 modification Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 14
- 239000008280 blood Substances 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 10
- 230000004044 response Effects 0.000 claims description 8
- 230000002792 vascular Effects 0.000 claims description 5
- 239000007943 implant Substances 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 4
- 238000002513 implantation Methods 0.000 claims description 3
- 238000009420 retrofitting Methods 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 10
- 238000004364 calculation method Methods 0.000 abstract description 9
- 238000013528 artificial neural network Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 239000012530 fluid Substances 0.000 description 5
- 210000000748 cardiovascular system Anatomy 0.000 description 4
- 238000007634 remodeling Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 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
- 230000003287 optical effect Effects 0.000 description 3
- 238000002407 reforming Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000013398 bayesian method Methods 0.000 description 2
- 230000017531 blood circulation Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000002526 effect on cardiovascular system Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000007721 medicinal effect Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000008859 change Effects 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
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000002107 myocardial effect Effects 0.000 description 1
- 230000002093 peripheral effect 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
- 230000001131 transforming effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请提供了一种血管生理参数获取方法、装置、电子设备及存储介质，所述方法包括：获取第一血管的原始医学影像；基于所述第一血管的原始医学影像，获取属于所述第一血管的至少两个第二血管的生理参数；将所述至少两个第二血管的生理参数进行融合，得到所述第一血管的生理参数。本申请实施例能够降低生理参数获取过程中所消耗的计算资源以及时间，从而可以实时地为医护人员快速提供特定需求的血管生理参数。
Description
技术领域
本申请涉及医疗领域，具体涉及一种血管生理参数获取方法、装置、电子设备及存储介质。
背景技术
在医疗领域中，为了向各种医疗活动提供支持，常常需要获取血管的生理参数。现有技术中，为了获取特定血管的生理参数，均是从该特定血管的整体出发，对该特定血管进行建模进而通过计算所得模型得到该特定血管的生理参数。这种方式在建模以及计算模型的过程中均会消耗大量的计算资源以及时间。
发明内容
本申请的一个目的在于提出一种血管生理参数获取方法、装置、电子设备及存储介质，能够降低生理参数获取过程中所消耗的计算资源以及时间，从而可以实时地为医护人员快速提供特定需求的血管生理参数。
根据本申请实施例的一方面，公开了一种血管生理参数获取方法，所述方法包括：
获取第一血管的原始医学影像；
基于所述第一血管的原始医学影像，获取属于所述第一血管的至少两个第二血管的生理参数；
将所述至少两个第二血管的生理参数进行融合，得到所述第一血管的生理参数。
根据本申请实施例的一方面，公开了一种血管生理参数获取装置，所述装置包括：
第一获取模块，配置为获取第一血管的原始医学影像；
第二获取模块，配置为基于所述第一血管的原始医学影像，获取属于所述第一血管的至少两个第二血管的生理参数；
融合模块，配置为将所述至少两个第二血管的生理参数进行融合，得到所述第一血管的生理参数。
在本申请的一示例性实施例中，所述装置配置为：
响应于针对所述第一血管所作的除删除操作之外的改造操作，将相互独立的改造操作所作用区域内的血管以及所述改造操作所作用区域外的血管分别作为一个所述第二血管；
将所述至少两个第二血管的生理参数进行融合，得到所述第一血管的生理参数，包括：
将相互独立的改造操作所作用区域内的血管的生理参数以及所述改造操作所作用区域外的血管的生理参数进行融合，得到改造后的第一血管的生理参数。
在本申请的一示例性实施例中，所述装置配置为：
响应于针对所述第一血管所作的删除操作，将所述删除操作所删除的相互独立的血管以及所述删除操作执行之前的第一血管分别作为一个所述第二血管；
将所述至少两个第二血管的生理参数进行融合，得到所述第一血管的生理参数，包括：
将所述删除操作所删除的相互独立的血管的生理参数以及所述删除操作执行之前的第一血管的生理参数进行融合，得到删除操作执行之后的第一血管的生理参数。
在本申请的一示例性实施例中，所述装置配置为：
针对所述至少两个第二血管中生理参数未知的目标第二血管，基于所述第一血管的原始医学影像，建立所述目标第二血管的三维模型；
基于对所述三维模型所作求解，得到所述目标第二血管的生理参数。
在本申请的一示例性实施例中，所述装置配置为：
针对所述至少两个第二血管中生理参数未知的目标第二血管，基于所述第一血管的原始医学影像，提取所述目标第二血管的中心线；
基于所述中心线，分别建立所述目标第二血管的一维模型；
基于对所述一维模型所作求解，得到所述目标第二血管的生理参数。
在本申请的一示例性实施例中，所述装置配置为：
针对所述至少两个第二血管中生理参数未知的目标第二血管，基于所述第一血管的原始医学影像，获取所述目标第二血管的降阶模型的参数；
基于所述降阶模型的参数，建立所述目标第二血管的降阶模型；
基于对所述降阶模型所作求解，得到所述目标第二血管的生理参数。
在本申请的一示例性实施例中，所述装置配置为：
针对所述至少两个第二血管中生理参数未知的目标第二血管，基于所述第一血管的原始医学影像，将所述目标第二血管模拟为电路系统；
基于对所述电路系统所作求解，得到所述目标第二血管的生理参数。
在本申请的一示例性实施例中，所述装置配置为：
针对所述至少两个第二血管中生理参数未知的目标第二血管，基于所述第一血管的原始医学影像，获取所述目标第二血管的原始医学影像；
通过机器学习模型的方式，从所述目标第二血管的原始医学影像中提取得到所述目标第二血管的生理参数。
在本申请的一示例性实施例中，所述装置配置为：
以属于样本血管的至少两个子血管的生理参数为输入，以所述样本血管的生理参数为目标输出，对预设的机器学习模型进行训练，得到训练完成的机器学习模型；
将所述至少两个第二血管的生理参数输入所述训练完成的机器学习模型，得到所述第一血管的生理参数。
在本申请的一示例性实施例中，所述装置配置为：
针对生理参数的参数组成，建立对应的目标函数；
以所述至少两个第二血管的生理参数为输入，对所述目标函数进行求解，得到所述第一血管的生理参数。
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任一实施例。
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，使计算机执行以上任一实施例。
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，可以灵活选取用于融合得到第一血管的生理参数的第二血管，进而基于第一血管的原始医学影像获取所选取第二血管的生理参数，进而融合第二血管的生理参数得到第一血管的生理参数。通过这种方式，避免了每次获取第一血管的生理参数都必须对完整的第一血管进行建模，降低了生理参数获取过程中所消耗的计算资源以及时间，从而可以实时地为医护人员快速提供特定需求的血管生理参数。
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血管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血管生理参数获取方法的框架图。
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血管生理参数获取装置框图。
图5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。
本申请提供了一种血管生理参数获取方法，主要应用于医疗领域中，获取血管的生理参数，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。
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。
图1示出了本申请实施例的血管生理参数获取方法流程图。该方法包括：
步骤S110、获取第一血管的原始医学影像；
步骤S120、基于第一血管的原始医学影像，获取属于第一血管的至少两个第二血管的生理参数；
步骤S130、将至少两个第二血管的生理参数进行融合，得到第一血管的生理参数。
结合图2所示本申请实施例的血管生理参数获取方法的框架图，可见，本申请实施例中，获取到第一血管的诸如CT影像、MRI影像等原始医学影像后，从中获取属于第一血管的多个第二血管的生理参数。进而将所得到的多个第二血管的生理参数融合为第一血管的生理参数。
本申请实施例中，第一血管的生理参数，是通过融合属于该第一血管的多个第二血管的生理参数得到的。需要说明的是，第二血管属于第一血管，指的是第二血管是第一血管的一部分，也可以指的是第二血管为第一血管。即，以数学方式表示血管所覆盖区域之间的关系的话，第二血管小于或等于第一血管。
由此可见，本申请实施例中，可以灵活选取用于融合得到第一血管的生理参数的第二血管，进而基于第一血管的原始医学影像获取所选取第二血管的生理参数，进而融合第二血管的生理参数得到第一血管的生理参数。通过这种方式，避免了每次获取第一血管的生理参数都必须对完整的第一血管进行建模，降低了生理参数获取过程中所消耗的计算资源以及时间，从而可以实时地为医护人员快速提供特定需求的血管生理参数。
需要说明的是，考虑到生理结构的复杂性，当处于同一生理系统时，不同血管之间会相互作用影响。由于生理参数的融合相当于对应血管的融合，而血管的融合会更改各血管所处生理系统的状态，因此，第二血管的生理参数在融合前后通常不同。即，本申请实施例中对于生理参数的融合并非简单的加或减或组合。
需要说明的是，在多次连续获取第一血管的生理参数的过程中，并非每次均需要通过图像处理建模进而计算模型的方式获取所有第二血管的生理参数。由于在后获取第一血管的生理参数的实施，可以建立于在前获取到的第一血管的生理参数的基础上，因此在后获取第一血管的生理参数的过程中，可以以建模进而计算模型的方式仅获取部分第二血管的生理参数，并直接读取其他第二血管的生理参数。
例如：用于获取第一血管的生理参数的有3个第二血管，分别记为第二血管A、第二血管B以及第二血管C。在得到第一血管的生理参数后，可以从中直接读取到第一血管中任意一个子血管的生理参数。例如：直接读取第二血管A的生理参数，或者直接读取第二血管A的子血管的生理参数等。
第一次，以建模进而计算模型的方式，基于第一血管的原始医学影像获取第二血管A的生理参数、第二血管B的生理参数以及第二血管C的生理参数。进而将第二血管A、B以及C的生理参数进行融合，得到第一血管的生理参数。
第二次，需要将第二血管A中的一个子血管a替换为第二血管D，进而获取包含有第二血管D的第一血管的生理参数。这种情况下，可以从第一次得到的第一血管的生理参数中直接读取子血管a之外血管的生理参数。以建模进而计算模型的方式，基于第一血管的原始医学影像仅获取第二血管D的生理参数。进而将第二血管D以及子血管a之外血管的生理参数进行融合，得到包含有第二血管D的第一血管的生理参数。
同理，不再赘述后续相似的实施过程。
在一实施例中，将第一血管划分为至少两个第二血管，第二血管所覆盖区域之间至多边界相邻。即，若不计边界，第二血管所覆盖区域相互之间的交集为空集。
该实施例中，基于第一血管的原始医学影像，分别获取各个第二血管的生理参数。进而将所有第二血管的生理参数进行融合，得到第一血管的生理参数。
例如：第一血管由单支血管A、单支血管B以及单支血管C组成。则可以将单支血管A、单支血管B以及单支血管C分别作为一个第二血管，进而基于第一血管的原始医学影像，分别获取该3个第二血管的生理参数，进而将该3个第二血管的生理参数进行融合，得到第一血管的生理参数。
在一实施例中，若针对第一血管所作的为除删除操作之外的改造操作，第二血管均小于第一血管。
该实施例中，响应于针对第一血管所作的除删除操作之外的改造操作，将相互独立的改造操作所作用区域内的血管以及改造操作所作用区域外的血管分别作为一个第二血管。将相互独立的改造操作所作用区域内的血管的生理参数以及改造操作所作用区域外的血管的生理参数进行融合，得到改造后的第一血管的生理参数。
具体的，改造操作所作用区域指的是改造操作所施加物理影响的直接作用区域；相互独立的改造操作所作用区域指的是改造操作所作用区域之间相互独立，不直接连通。考虑到针对第一血管所作非删除操作的改造操作可以改造多个相互独立的区域(例如：新增多个相互之间没有直接连接的血管)，因此将相互独立的改造操作所作用区域内的血管分别作为一个第二血管，并将改造操作所作用区域外的血管作为另一个第二血管。进而将这些第二血管的生理参数进行融合，得到改造后的第一血管的生理参数。
需要说明的是，以建模进而计算模型的方式所获取到的主要是改造操作所作用区域内的血管的生理参数。改造操作所作用区域外的血管的生理参数，既可以以建模进而计算模型的方式获取到，也可以直接读取到。
在一实施例中，改造操作包括：新增操作，替换操作，外物植入操作。
具体的，新增操作指的是在第一血管中新增血管，例如：新增一条支血管。替换操作指的是将第一血管中的部分血管替换为新血管。外物植入操作指的是在第一血管中植入外物，例如：在第一血管中植入支架。
在一实施例中，若针对第一血管所作的为删除操作，其中一个第二血管为删除操作执行之前的第一血管。
该实施例中，响应于针对第一血管所作的删除操作，将删除操作所删除的相互独立的血管以及删除操作执行之前的第一血管分别作为一个第二血管。将删除操作所删除的相互独立的血管的生理参数以及删除操作执行之前的第一血管的生理参数进行融合，得到删除操作执行之后的第一血管的生理参数。
具体的，删除操作所删除的血管可以是第一血管中的单支血管，也可以是第一血管中的单支血管的一部分。当所删除的为第一血管中的一条单支血管的一部分时，删除操作也可以称为截短操作。
考虑到针对第一血管所作删除操作可以删除多个相互独立的区域(例如：删除多个没有直接连接的血管)，因此将所删除的相互独立的血管分别作为一个第二血管，将删除操作执行之前的第一血管作为另一个第二血管。进而将这些第二血管的生理参数进行融合，得到删除操作执行之后的第一血管的生理参数。
需要说明的是，上述所展示的删除操作、新增操作、替换操作以及外物植入操作均属于原子级别的改造操作。本申请实施例中，还可以通过变形或者组合同种多个或者组合多种多个上述原子级别的改造操作得到其他类型的改造操作，进而得到其他类型的改造操作后的第一血管的生理参数。例如：对于第一血管所作的旋磨操作可以通过变形替换操作得到，或者通过组合删除操作与新增操作得到。
在一实施例中，通过建立三维模型的方式，基于第一血管的原始医学影像，获取第二血管的生理参数。
该实施例中，针对至少两个第二血管中生理参数未知的目标第二血管，基于第一血管的原始医学影像，建立目标第二血管的三维模型。基于对三维模型所作求解，得到目标第二血管的生理参数。
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、机器学习模型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。
采用机器学习方法建立三维模型时，训练机器学习模型将第一血管的原始医学影像分割为前景和背景，进而根据分割出的前景得到目标第二血管的三维模型。可以以样本血管的原始医学影像的图像特征为输入，以样本血管的原始医学影像的分割结果为目标输出，训练得到采用随机森林法、贝叶斯法、多层感知机、支持向量机等方法的机器学习模型，进而将该机器学习模型用于对第一血管的原始医学影像进行图像分割；也可以以样本血管的原始医学影像为输入，以样本血管的生理参数为目标输出，训练得到深层神经网络结构的机器学习模型，进而将该机器学习模型用于对第一血管的原始医学影像进行图像分割。
得到目标第二血管的三维模型后，可通过流体力学仿真得出其生理学参数。具体为：首先将计算区域离散化，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第二血管的生理参数。
在一实施例中，通过建立一维模型的方式，基于第一血管的原始医学影像，获取第二血管的生理参数。
该实施例中，针对至少两个第二血管中生理参数未知的目标第二血管，基于第一血管的原始医学影像，提取目标第二血管的中心线。基于中心线，分别建立目标第二血管的一维模型。基于对一维模型所作求解，得到目标第二血管的生理参数。
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，基于第一血管的原始医学影像，获取第二血管的生理参数。
该实施例中，针对至少两个第二血管中生理参数未知的目标第二血管，基于第一血管的原始医学影像，获取目标第二血管的降阶模型的参数。基于降阶模型的参数，建立目标第二血管的降阶模型。基于对降阶模型所作求解，得到目标第二血管的生理参数。
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。
得到目标第二血管的降阶模型后，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第二血管的生理参数。
在一实施例中，通过模拟电路的方式，基于第一血管的原始医学影像，获取第二血管的生理参数。
该实施例中，针对至少两个第二血管中生理参数未知的目标第二血管，基于第一血管的原始医学影像，将目标第二血管模拟为电路系统。基于对电路系统所作求解，得到目标第二血管的生理参数。
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。
得到在目标第二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第二血管的生理参数。
在一实施例中，通过机器学习的方式，基于第一血管的原始医学影像，获取第二血管的生理参数。
该实施例中，针对至少两个第二血管中生理参数未知的目标第二血管，基于第一血管的原始医学影像，获取目标第二血管的原始医学影像。通过机器学习模型的方式，从目标第二血管的原始医学影像中提取得到目标第二血管的生理参数。
具体的，可以采用CNN、RNN、Transformer等深度学习算法建立深层神经网络结构的机器学习模型。进而以样本血管的原始医学影像为输入，以样本血管的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机器学习模型。进而将目标第二血管的原始医学影像输入该机器学习模型，得到目标第二血管的生理参数。
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用于提取生理参数的机器学习模型。训练过程中，提取出样本血管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机器学习模型。
进而获取到第一血管的原始医学影像后，提取得到目标第二血管的原始医学影像的图像特征，进而将该图像特征输入该机器学习模型，得到目标第二血管的生理参数。
在一实施例中，通过机器学习的方式将多个第二血管的生理参数融合为第一血管的生理参数。
该实施例中，以属于样本血管的至少两个子血管的生理参数为输入，以样本血管的生理参数为目标输出，对预设的机器学习模型进行训练，得到训练完成的机器学习模型。将至少两个第二血管的生理参数输入训练完成的机器学习模型，得到第一血管的生理参数。
具体的，子血管属于样本血管，指的是子血管是样本血管的一部分，也可以指的是子血管为样本血管。通过以至少两个子血管的生理参数为输入，并以样本血管生理参数为目标输出训练得到的机器学习模型能够描述从多个血管的生理参数到融合后血管的生理参数的映射关系。进而采用该机器学习模型将至少两个第二血管的生理参数融合为第一血管的生理参数。
在一实施例中，对用于融合生理参数的机器学习模型进行训练时，作为输入的还有针对样本血管所作操作的操作类型。
该实施例中，以属于样本血管的至少两个子血管的生理参数以及针对样本血管所作操作的操作类型为输入，以样本血管的生理参数为目标输出，对预设的机器学习模型进行训练，得到训练完成的机器学习模型。将至少两个第二血管的生理参数以及针对第一血管所作操作的操作类型输入训练完成的机器学习模型，得到第一血管的生理参数。
可以理解的，针对第一血管所作操作的操作类型不同时，第二血管融合以得到第一血管的方式也会存在一定区别，相应的，第二血管的生理参数融合以得到第一血管的生理参数的方式也会存在一定区别。例如：当针对第一血管所作操作为除删除操作之外的改造操作时，改造后的第一血管可以看作由改造操作所作用区域内的血管与改造操作所作用区域外的血管拼接得到的；当针对第一血管所作操作为删除操作时，删除操作执行之后的第一血管可以看作将所删除的血管从删除操作执行之前的第一血管中剔除得到的。
因此，在训练用于融合生理参数的机器学习模型时，除了将子血管的生理参数作为输入，还将针对样本血管所作操作的操作类型作为输入，从而训练得到的机器学习模型能够区分操作类型地对第二血管的生理参数进行融合。
在一实施例中，通过目标函数的方式将多个第二血管的生理参数融合为第一血管的生理参数。
该实施例中，针对生理参数的参数组成，建立对应的目标函数。以至少两个第二血管的生理参数为输入，对目标函数进行求解，得到第一血管的生理参数。
具体的，在建立目标函数时，可以将计算区域分为血管接口处以及血管非接口处，两者可以采用以及求解不同的目标函数，用不同的方法融合更新生理参数。也可以最小化接口处压力梯度变化以保证血流量连续性。并且，针对第一血管所作操作类型不同时，所建立目标函数的参数运算关系也相应不同。
图4示出了根据本申请一实施例的血管生理参数获取装置，所述装置包括：
第一获取模块210，配置为获取第一血管的原始医学影像；
第二获取模块220，配置为基于所述第一血管的原始医学影像，获取属于所述第一血管的至少两个第二血管的生理参数；
融合模块230，配置为将所述至少两个第二血管的生理参数进行融合，得到所述第一血管的生理参数。
在本申请的一示例性实施例中，所述装置配置为：
响应于针对所述第一血管所作的除删除操作之外的改造操作，将相互独立的改造操作所作用区域内的血管以及所述改造操作所作用区域外的血管分别作为一个所述第二血管；
将所述至少两个第二血管的生理参数进行融合，得到所述第一血管的生理参数，包括：
将相互独立的改造操作所作用区域内的血管的生理参数以及所述改造操作所作用区域外的血管的生理参数进行融合，得到改造后的第一血管的生理参数。
在本申请的一示例性实施例中，所述装置配置为：
响应于针对所述第一血管所作的删除操作，将所述删除操作所删除的相互独立的血管以及所述删除操作执行之前的第一血管分别作为一个所述第二血管；
将所述至少两个第二血管的生理参数进行融合，得到所述第一血管的生理参数，包括：
将所述删除操作所删除的相互独立的血管的生理参数以及所述删除操作执行之前的第一血管的生理参数进行融合，得到删除操作执行之后的第一血管的生理参数。
在本申请的一示例性实施例中，所述装置配置为：
针对所述至少两个第二血管中生理参数未知的目标第二血管，基于所述第一血管的原始医学影像，建立所述目标第二血管的三维模型；
基于对所述三维模型所作求解，得到所述目标第二血管的生理参数。
在本申请的一示例性实施例中，所述装置配置为：
针对所述至少两个第二血管中生理参数未知的目标第二血管，基于所述第一血管的原始医学影像，提取所述目标第二血管的中心线；
基于所述中心线，分别建立所述目标第二血管的一维模型；
基于对所述一维模型所作求解，得到所述目标第二血管的生理参数。
在本申请的一示例性实施例中，所述装置配置为：
针对所述至少两个第二血管中生理参数未知的目标第二血管，基于所述第一血管的原始医学影像，获取所述目标第二血管的降阶模型的参数；
基于所述降阶模型的参数，建立所述目标第二血管的降阶模型；
基于对所述降阶模型所作求解，得到所述目标第二血管的生理参数。
在本申请的一示例性实施例中，所述装置配置为：
针对所述至少两个第二血管中生理参数未知的目标第二血管，基于所述第一血管的原始医学影像，将所述目标第二血管模拟为电路系统；
基于对所述电路系统所作求解，得到所述目标第二血管的生理参数。
在本申请的一示例性实施例中，所述装置配置为：
针对所述至少两个第二血管中生理参数未知的目标第二血管，基于所述第一血管的原始医学影像，获取所述目标第二血管的原始医学影像；
通过机器学习模型的方式，从所述目标第二血管的原始医学影像中提取得到所述目标第二血管的生理参数。
在本申请的一示例性实施例中，所述装置配置为：
以属于样本血管的至少两个子血管的生理参数为输入，以所述样本血管的生理参数为目标输出，对预设的机器学习模型进行训练，得到训练完成的机器学习模型；
将所述至少两个第二血管的生理参数输入所述训练完成的机器学习模型，得到所述第一血管的生理参数。
在本申请的一示例性实施例中，所述装置配置为：
针对生理参数的参数组成，建立对应的目标函数；
以所述至少两个第二血管的生理参数为输入，对所述目标函数进行求解，得到所述第一血管的生理参数。
下面参考图5来描述根据本申请实施例的电子设备30。图5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5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1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 (14)
1.一种血管生理参数获取方法，其特征在于，所述方法包括：
获取第一血管的原始医学影像；
基于所述第一血管的原始医学影像，获取属于所述第一血管的至少两个第二血管的生理参数；
将所述至少两个第二血管的生理参数进行融合，得到所述第一血管的生理参数。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
响应于针对所述第一血管所作的除删除操作之外的改造操作，将相互独立的改造操作所作用区域内的血管以及所述改造操作所作用区域外的血管分别作为一个所述第二血管；
将所述至少两个第二血管的生理参数进行融合，得到所述第一血管的生理参数，包括：
将相互独立的改造操作所作用区域内的血管的生理参数以及所述改造操作所作用区域外的血管的生理参数进行融合，得到改造后的第一血管的生理参数。
3.根据权利要求2所述的方法，其特征在于，所述改造操作包括：新增操作，替换操作，外物植入操作。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
响应于针对所述第一血管所作的删除操作，将所述删除操作所删除的相互独立的血管以及所述删除操作执行之前的第一血管分别作为一个所述第二血管；
将所述至少两个第二血管的生理参数进行融合，得到所述第一血管的生理参数，包括：
将所述删除操作所删除的相互独立的血管的生理参数以及所述删除操作执行之前的第一血管的生理参数进行融合，得到删除操作执行之后的第一血管的生理参数。
5.根据权利要求1所述的方法，其特征在于，基于所述第一血管的原始医学影像，获取属于所述第一血管的至少两个第二血管的生理参数，包括：
针对所述至少两个第二血管中生理参数未知的目标第二血管，基于所述第一血管的原始医学影像，建立所述目标第二血管的三维模型；
基于对所述三维模型所作求解，得到所述目标第二血管的生理参数。
6.根据权利要求1所述的方法，其特征在于，基于所述第一血管的原始医学影像，获取属于所述第一血管的至少两个第二血管的生理参数，包括：
针对所述至少两个第二血管中生理参数未知的目标第二血管，基于所述第一血管的原始医学影像，提取所述目标第二血管的中心线；
基于所述中心线，分别建立所述目标第二血管的一维模型；
基于对所述一维模型所作求解，得到所述目标第二血管的生理参数。
7.根据权利要求1所述的方法，其特征在于，基于所述第一血管的原始医学影像，获取属于所述第一血管的至少两个第二血管的生理参数，包括：
针对所述至少两个第二血管中生理参数未知的目标第二血管，基于所述第一血管的原始医学影像，获取所述目标第二血管的降阶模型的参数；
基于所述降阶模型的参数，建立所述目标第二血管的降阶模型；
基于对所述降阶模型所作求解，得到所述目标第二血管的生理参数。
8.根据权利要求1所述的方法，其特征在于，基于所述第一血管的原始医学影像，获取属于所述第一血管的至少两个第二血管的生理参数，包括：
针对所述至少两个第二血管中生理参数未知的目标第二血管，基于所述第一血管的原始医学影像，将所述目标第二血管模拟为电路系统；
基于对所述电路系统所作求解，得到所述目标第二血管的生理参数。
9.根据权利要求1所述的方法，其特征在于，基于所述第一血管的原始医学影像，获取属于所述第一血管的至少两个第二血管的生理参数，包括：
针对所述至少两个第二血管中生理参数未知的目标第二血管，基于所述第一血管的原始医学影像，获取所述目标第二血管的原始医学影像；
通过机器学习模型的方式，从所述目标第二血管的原始医学影像中提取得到所述目标第二血管的生理参数。
10.根据权利要求1所述的方法，其特征在于，将所述至少两个第二血管的生理参数进行融合，得到所述第一血管的生理参数，包括：
以属于样本血管的至少两个子血管的生理参数为输入，以所述样本血管的生理参数为目标输出，对预设的机器学习模型进行训练，得到训练完成的机器学习模型；
将所述至少两个第二血管的生理参数输入所述训练完成的机器学习模型，得到所述第一血管的生理参数。
11.根据权利要求1所述的方法，其特征在于，将所述至少两个第二血管的生理参数进行融合，得到所述第一血管的生理参数，包括：
针对生理参数的参数组成，建立对应的目标函数；
以所述至少两个第二血管的生理参数为输入，对所述目标函数进行求解，得到所述第一血管的生理参数。
12.一种血管生理参数获取装置，其特征在于，所述装置包括：
第一获取模块，配置为获取第一血管的原始医学影像；
第二获取模块，配置为基于所述第一血管的原始医学影像，获取属于所述第一血管的至少两个第二血管的生理参数；
融合模块，配置为将所述至少两个第二血管的生理参数进行融合，得到所述第一血管的生理参数。
13.一种电子设备，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时，使得所述电子设备实现如权利要求1至11任一项所述的方法。
14.一种计算机可读存储介质，其特征在于，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，使计算机执行权利要求1至11任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111061309.8A CN113838572B (zh) | 2021-09-10 | 2021-09-10 | 血管生理参数获取方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111061309.8A CN113838572B (zh) | 2021-09-10 | 2021-09-10 | 血管生理参数获取方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113838572A true CN113838572A (zh) | 2021-12-24 |
| CN113838572B CN113838572B (zh) | 2024-03-01 |
Family
ID=78958913
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111061309.8A Active CN113838572B (zh) | 2021-09-10 | 2021-09-10 | 血管生理参数获取方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113838572B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120041739A1 (en) * | 2010-08-12 | 2012-02-16 | Heartflow, Inc. | Method and System for Patient-Specific Modeling of Blood Flow |
| WO2016164809A1 (en) * | 2015-04-10 | 2016-10-13 | Heartflow, Inc. | System and method for vascular tree generation using patient-specific structural and functional data, and joint prior information |
| CN107665737A (zh) * | 2017-01-23 | 2018-02-06 | 上海联影医疗科技有限公司 | 血管壁应力应变状态获取方法、计算机可读介质及系统 |
| CN108305246A (zh) * | 2017-11-15 | 2018-07-20 | 深圳科亚医疗科技有限公司 | 基于医学图像预测血流特征的装置及系统 |
| WO2020098704A1 (zh) * | 2018-11-13 | 2020-05-22 | 苏州润迈德医疗科技有限公司 | 基于造影图像获取血管评定参数的方法、装置及系统 |
| CN111612860A (zh) * | 2019-02-22 | 2020-09-01 | 未艾医疗技术(深圳)有限公司 | 基于VRDS 4D医学影像的栓塞的Ai识别方法及产品 |
| CN111680447A (zh) * | 2020-04-21 | 2020-09-18 | 深圳睿心智能医疗科技有限公司 | 血流特征预测方法、装置、计算机设备和存储介质 |
| CN113362958A (zh) * | 2021-06-01 | 2021-09-07 | 深圳睿心智能医疗科技有限公司 | 治疗方案的应用后效果的预测方法及装置 |
-
2021
- 2021-09-10 CN CN202111061309.8A patent/CN113838572B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120041739A1 (en) * | 2010-08-12 | 2012-02-16 | Heartflow, Inc. | Method and System for Patient-Specific Modeling of Blood Flow |
| WO2016164809A1 (en) * | 2015-04-10 | 2016-10-13 | Heartflow, Inc. | System and method for vascular tree generation using patient-specific structural and functional data, and joint prior information |
| CN107665737A (zh) * | 2017-01-23 | 2018-02-06 | 上海联影医疗科技有限公司 | 血管壁应力应变状态获取方法、计算机可读介质及系统 |
| CN108305246A (zh) * | 2017-11-15 | 2018-07-20 | 深圳科亚医疗科技有限公司 | 基于医学图像预测血流特征的装置及系统 |
| WO2020098704A1 (zh) * | 2018-11-13 | 2020-05-22 | 苏州润迈德医疗科技有限公司 | 基于造影图像获取血管评定参数的方法、装置及系统 |
| CN111612860A (zh) * | 2019-02-22 | 2020-09-01 | 未艾医疗技术(深圳)有限公司 | 基于VRDS 4D医学影像的栓塞的Ai识别方法及产品 |
| CN111680447A (zh) * | 2020-04-21 | 2020-09-18 | 深圳睿心智能医疗科技有限公司 | 血流特征预测方法、装置、计算机设备和存储介质 |
| CN113362958A (zh) * | 2021-06-01 | 2021-09-07 | 深圳睿心智能医疗科技有限公司 | 治疗方案的应用后效果的预测方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 赵海升: "基于CAG的血管三维重建与IVUS图像融合角度校正研究", 《万方数据库》, 31 December 2016 (2016-12-31) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113838572B (zh) | 2024-03-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3916674B1 (en) | Brain image segmentation method, apparatus, network device and storage medium | |
| Ueda et al. | Technical and clinical overview of deep learning in radiology | |
| EP2206086B1 (en) | Automatic geometrical and mechanical analyzing method and system for tubular structures | |
| Wu et al. | Segmentation and reconstruction of vascular structures for 3D real-time simulation | |
| CN112997215A (zh) | 利用机器学习和影像处理算法对医疗影像的血管自动地进行区域化的方法及系统 | |
| CN113241183B (zh) | 治疗方案预测方法及装置 | |
| CN108921832A (zh) | 股骨头图像分析方法、装置、服务器和介质 | |
| Torrents-Barrena et al. | TTTS-GPS: Patient-specific preoperative planning and simulation platform for twin-to-twin transfusion syndrome fetal surgery | |
| Gharleghi et al. | Deep learning for time averaged wall shear stress prediction in left main coronary bifurcations | |
| CN114004793A (zh) | 血流特性获取方法、装置、电子设备及存储介质 | |
| La Rosa | A deep learning approach to bone segmentation in CT scans | |
| CN113205488B (zh) | 血流特性预测方法、装置、电子设备及存储介质 | |
| CN113362958A (zh) | 治疗方案的应用后效果的预测方法及装置 | |
| CN109949300A (zh) | 解剖树结构分析的方法、系统和计算机可读介质 | |
| Selle et al. | Mathematical methods in medical imaging: analysis of vascular structures for liver surgery planning | |
| CN113838572B (zh) | 血管生理参数获取方法、装置、电子设备及存储介质 | |
| Koziński et al. | Learning to segment 3D linear structures using only 2D annotations | |
| CN111798468B (zh) | 图像处理方法及装置、存储介质及电子终端 | |
| Hong et al. | An implicit skeleton-based method for the geometry reconstruction of vasculatures | |
| CN113539516B (zh) | 治疗方案的应用后效果的获取方法及装置 | |
| Guachi et al. | 3D printing of prototypes starting from medical imaging: A liver case study | |
| CN113838007A (zh) | 生理参数获取方法、装置、电子设备及存储介质 | |
| CN111755104A (zh) | 一种心脏状态监测方法、系统、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 | |
| US20240193785A1 (en) | Medical image processing apparatus, hepatic segment division method, and program |
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 |