CN113902690A - 基于血管腔内影像计算血流储备分数的方法、装置、计算设备以及存储介质 - Google Patents

基于血管腔内影像计算血流储备分数的方法、装置、计算设备以及存储介质 Download PDF

Info

Publication number
CN113902690A
CN113902690A CN202111122616.2A CN202111122616A CN113902690A CN 113902690 A CN113902690 A CN 113902690A CN 202111122616 A CN202111122616 A CN 202111122616A CN 113902690 A CN113902690 A CN 113902690A
Authority
CN
China
Prior art keywords
boundary
blood vessel
image
point
bifurcation
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
CN202111122616.2A
Other languages
English (en)
Inventor
冯立
刘欣
何京松
冷晓畅
向建平
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.)
Arteryflow Technology Co ltd
Original Assignee
Arteryflow Technology Co ltd
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 Arteryflow Technology Co ltd filed Critical Arteryflow Technology Co ltd
Priority to CN202111122616.2A priority Critical patent/CN113902690A/zh
Publication of CN113902690A publication Critical patent/CN113902690A/zh
Pending legal-status Critical Current

Links

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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G06T5/70—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • 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
    • G06T2207/10072—Tomographic images
    • G06T2207/10101—Optical tomography; Optical coherence tomography [OCT]
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了一种基于血管腔内影像计算血流储备分数的方法、装置、计算设备以及存储介质，包括：获取进行血管腔内影像分的图像序列；对图像序列进行粗细分割以确定血管腔边界；将确定的血管腔边界映射到基于图像序列生成的轴向图；通过分析轴向图中每个血管腔边界点邻域范围内的边界强度值来筛选疑似分叉点序列；将疑似分叉点序列映射到每帧原图像后，确定疑似分叉点序列形成弧线与导管中心点形成的扇形区域，依据图像序列上的扇形区域的相似度确定导管伪影，并删除疑似分叉点中导管伪影对应的分叉点，得到确定的分叉点；依据确定的分叉点确定分叉血管后，结合依据血管腔边界确定的主血管和分叉血管构建血管模型；根据血管模型计算FFR。

Description

基于血管腔内影像计算血流储备分数的方法、装置、计算设备 以及存储介质
技术领域
本发明属于医学图像处理领域，具体涉及一种基于血管腔内影像计算血流储备分数的方法、装置、计算设备以及存储介质。
背景技术
在当今的临床实践中，冠状动脉疾病的诊断大多采用有创成像方式，其中冠状动脉造影是最流行的一种，目前被认为是心导管和血流动力学评估的金标准。然而，冠状动脉造影术产生的光度图只描绘了特定投影角度下管腔的二维投影直径，而没有任何关于管腔或者斑块的几何形态信息。因此，导致最近的冠状动脉造影常常伴随着较新的血管腔内成像技术如血管内超声(Intra Vascular UltraSound,IVUS)和光学相干层析(OpticalCoherence Tomography,OCT)等，它们分别采用超声波和近红外光以生成冠状动脉的横断面图像。OCT图像具有极高的图像对比度以及空间分辨率(10-20微米)，其空间分辨率常常可达到IVUS图像的10倍左右，因此可以清晰地表征动脉粥样硬化斑块形态和支架植入状态，包括支架贴壁性和支架覆盖率等。
通过分析OCT图像和IVUS图像得到的最小管腔直径、最小管腔面积以及狭窄程度等参数对冠状动脉疾病诊断具有重大意义，因此，在OCT图像和IVUS图像分析中，冠状动脉管腔的精准分割是面临的主要挑战之一。
虽然OCT图像和IVUS图像能够有效获取血管狭窄信息，但是IVUS和OCT并不具备测量冠脉血管血流储备分数(Fractional Flow Reserve,FFR)的作用，无法评判冠脉血管是否存在功能性狭窄。如果需要冠脉血管的测量血流储备分数还需要另外通过侵入式压力导丝，同时在静脉内施用腺苷诱导的条件下使冠状动脉处于最大充血状态时进行测量，这不但加大手术的复杂性，还会对患者造成增加的风险和更多的费用。
公开号为CN107977965A的专利申请公开了一种基于CT图像的肠系膜上动脉夹层FFR的无创计算方法，公开号为CN106650029A的专利申请公开了一种基于CFD仿真的分叉血管压力差及FFR的快速计算方法及系统，这两种均是非侵入式测量冠脉血管FFR的方法，但是均不是基于血管腔内影像。
因此，需要一种基于血管腔内影像(IVUS/OCT)的非侵入式测量FFR的方法，降低诊断的风险和费用。
发明内容
基于上述，本发明的目的是提供一种基于血管腔内影像计算血流储备分数的方法、装置、计算设备以及存储介质，基于血管腔内影像进行血管分割后，基于血管分割结果构建血管模型，基于血管模型计算FFR，这样可在不打入血管扩张剂的情况下得到FFR，避免血管扩张剂对病人造成损害。
第一方面，实施例提供了一种基于血管腔内影像计算血流储备分数的方法，包括以下步骤：
获取对目标冠脉血管进行血管腔内影像分析得到的图像序列；
对图像序列进行粗细分割以确定血管腔边界；
将图像序列沿着导管每隔固定角度生成轴向图，并将粗细分割确定的血管腔边界映射到轴向图，以获得多张标记有血管腔边界点的轴向图；
通过分析标记有血管腔边界点的轴向图中每个血管腔边界点邻域范围内的边界强度值来筛选疑似分叉点序列；
将疑似分叉点序列映射到每帧原图像后，确定疑似分叉点序列形成弧线与导管中心点形成的扇形区域，依据图像序列上的扇形区域的相似度确定导管伪影，并删除疑似分叉点中导管伪影对应的分叉点，得到确定的分叉点；
依据确定的分叉点确定分叉血管后，结合依据血管腔边界确定的主血管和分叉血管构建血管模型；
根据血管模型计算血流储备分数。
在一个实施例中，所述对图像序列进行粗细分割以确定血管腔边界，包括：
粗分割过程：将图像转换成极坐标格式图像后，依据像素点的灰度值计算边界强度值，根据像素点的边界强度值，应用dijksta最小路径算法在极坐标格式图像中搜索血管腔边界，将得到的血管腔边界经平滑后反映到图像，得到粗分割结果；
细分割过程：以粗分割结果中管腔边界点为中心，沿外法线方向对原图像进行重采样，应用dijksta最小路径算法在重采样图像中搜索血管腔边界，将得到的血管腔边界经平滑后反映到图像，得到细分割结果；
将细分割结果中的血管腔边界映射到相邻的下一帧原图像中作为粗分割结果后，进行细分割过程，对图像序列中的图像依此循环，以实现对图像序列进行粗细分割来确定血管腔边界。
在一个实施例中，所述将图像转换成极坐标格式图像包括：以图像的中心为极点构建包含角度和极轴的极坐标系，在极轴上按照长度间隔度取多个离散像素点，在角度方向按照角度间隔度取多个离散像素点，对每个离散像素点进行插值运算，得到极坐标格式图像。
在一个实施例中，采用以下公式根据像素点的灰度值计算边界强度值：
Grad(i,j)＝a*(I(i+1,j)-I(i,j))+b*((I(i+2,j)-I(i-1,j))+(I(i+1,j-1)-I(i,j-1))+(I(i+1,j+1)-I(i,j+1)))+c*((I(i+2,j-1)-I(i-1,j-1))+(I(i+2,j+1)-I(i-1,j+1)))
其中，Grad(i,j)表示位置(i,j)处像素点的边界强度值，I(·)表示像素点的灰度值，a、b、c分别为距离权重系数；优选地，所述距离权重系数a的取值范围为0.8–1.2；所述距离权重系数b的取值范围为0.4–0.6；所述距离权重系数c的取值范围为0.2–0.3。
在一个实施例中，应用dijksta最小路径算法在极坐标格式图像中搜索管腔边界时，以边界强度值的倒数作为像素点的消耗值；
在一个实施例中，应用dijksta最小路径算法在极坐标格式图像中搜索管腔边界之前，通过设定最小值限制，将小于最小限制值的边界强度值归一到最小限制值，以实现对边界强度值的过滤预处理；然后，根据过滤预处理后的边界强度值，应用dijksta最小路径算法在极坐标格式图像中搜索管腔边界。
在一个实施例中，所述依据图像序列上的扇形区域的相似度确定导管伪影，包括：
连续跟踪图像序列上的扇形区域，当相邻两帧图像中扇形区域的相似度大于设定相似度阈值的扇形区域判定为同一区域，当同一个区域贯通整个图像序列时，则认为同一区域为导管伪影；
在一个实施例中，综合扇形区域的面积相似度、角度相似度以及弧度相似度计算相邻扇形区域的相似度。
在一个实施例中，对获得的标记有血管腔边界点的轴向图进行二值化和血管腔区域去噪处理后，分析每个血管腔边界点邻域范围内的边界强度值来筛选疑似分叉点序列；
在一个实施例中，所述根据血管模型计算血流储备分数，包括：基于血管模型采用流体力学(computational fluid dynamics，CFD)方法计算血流储备分数，或对血管模型采用降维压降模型计算血流储备分数；
其中，基于血管模型采用流体力学方法计算血流储备分数时，基于分叉血管出口的横截面积进行流量分配，横截面积的确定方式为：
根据获得分叉截面上主血管分割边界以及分叉血管的分割边界，在主血管边界的分叉开口点中寻找开口的中点，由中点出发在分叉血管边界上寻找到最远位置点，记录长度L1，按照同样的方式，在图像序列前后几帧图像获得长度L2，L3，…，Ln，然后根据所有长度等距离与图像帧之间的轴向距离拟合出直线，由该直线的斜率计算出分叉血管与主血管之间的夹角，最后根据夹角与分叉血管面积获得分叉血管的横截面积。
第二方面，实施例提供了一种基于血管腔内影像计算血流储备分数的装置，包括：
获取模块，用于获取对目标冠脉血管进行血管腔内影像分析得到的图像序列；
血管腔边界确定模块，用于对图像序列进行粗细分割以确定血管腔边界；
轴向图生成模块，用于将图像序列沿着导管每隔固定角度生成轴向图，并将粗细分割确定的血管腔边界映射到轴向图，以获得多张标记有血管腔边界点的轴向图；
疑似分叉点筛选模块，通过分析标记有血管腔边界点的轴向图中每个血管腔边界点邻域范围内的边界强度值来筛选疑似分叉点序列；
分叉点确认模块，用于将疑似分叉点序列映射到每帧原图像后，确定疑似分叉点序列形成弧线与导管中心点形成的扇形区域，依据图像序列上的扇形区域的相似度确定导管伪影，并删除疑似分叉点中导管伪影对应的分叉点，得到确定的分叉点；
血管模型构建模块，用于依据确定的分叉点确定分叉血管后，结合依据血管腔边界确定的主血管和分叉血管构建血管模型；
血流储备分数计算模块，用于根据血管模型计算血流储备分数。
第三方面，实施例提供了一种计算设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上执行的计算机程序，所述处理器执行所述计算机程序时实现第一方面所述的基于血管腔内影像计算血流储备分数的方法。
第四方面，实施例提供了一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理执行时实现第一方面所述的基于血管腔内影像计算血流储备分数的方法。
上述实施例提供的技术方案，具有的有益效果至少包括：
对图像采用粗分割和细分割两个过程，且将上一帧图像的精细分割结果作为当前帧图像的粗分割结果，继续进行细分割过程，保证了图像序列中管腔边界整体分割结果的连续性；这样，对于冠脉管腔中存在血液残留的图像，基于前面无血液残留的图像的细分割结果再进行细分割，可以大大地降低残留血液对管腔分割精度的影响，相比于动态轮廓算法，能够明显提升血液的图像的分割准确性；
采用dijkstra(迪杰斯特拉)最小路径算法在图像中搜索识别管腔边界，相比于区域增长算法，可以准确地区分分支血管，避免在血管分叉开口处高估管腔造成的管腔边界分割不准确。
通过对图像序列进行粗细分割以确定血管腔边界；通过对图像序列转化成轴向图来分析筛选疑似分叉点序列，并通过作为疑似分叉血管区域的扇形区域进行邻帧相似度判断来确认导管伪影，进而确定分叉点及分叉血管，然后，通过依据血管腔边界确定的主血管和分叉血管构建血管模型。相比于传统的OCT影像处理方式，只是分割OCT目标血管进行狭窄分析忽略了分叉血管对于形态学的影响，而用单支血管进行血流动力学计算，忽略了分叉血管对于血流的分流影像，不符合流量守恒定律。本发明的方法可以更加精准地重构出血管模型，最终运用血流动力学计算获取血管FFR的方法能够满足流量守恒定律，且计算得到的FFR更加准确，同时可在不打入血管扩张剂的情况下得到FFR，避免血管扩张剂对病人造成损害。
附图说明
为了更清楚地说明本发明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做简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动前提下，还可以根据这些附图获得其他附图。
图1是一实施例提供的基于血管腔内影像计算血流储备分数的方法的流程图；
图2是一实施例提供的对图像序列进行粗细分割以确定血管腔边界的流程图；
图3是一实施例提供的首帧OCT图像；
图4是一实施例提供的将OCT图像转换成的极坐标格式图像；
图5是一实施例提供的在极坐标格式图像中进行dijkstra最小路径算法搜索识别的管腔边界；
图6是一实施例提供的对管腔边界的平滑结果图；
图7是一实施例提供的将平滑后的管腔边界映射到首帧OCT图像示意图；
图8是一实施例提供的原第十帧OCT图像；
图9是一实施例提供的对第十帧OCT图像对应的重采样图像；
图10是一实施例提供的在重采样图像中进行dijkstra最小路径算法搜索识别的管腔边界；
图11是一实施例提供的将管腔边界映射到第十帧OCT图像示意图；
图12是一实施例提供的第九张图像与第十张图像之间的管腔边界对比示意图；
图13是一实施例提供的对分叉OCT图像的分割结果示意图；
图14是一实施例提供的对具有血液残留的OCT图像的分割结果示意图；
图15是一实施例提供的二值化处理后的轴向图；
图16是一实施例提供的去噪处理后的轴向图；
图17是一实施例提供的标记有疑似分叉点的轴向图；
图18是一实施例提供的标记有扇形区域的OCT图像；
图19是一实施例提供的分叉血管和主血管示意图；
图20是一实施例提供的计算分叉血管的横截面积的原理图；
图21是一实施例提供的基于血管腔内影像计算FFR的装置的结构示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不限定本发明的保护范围。
图1是一实施例提供的基于血管腔内影像计算血流储备分数的方法的流程图。如图1所示，实施例提供的基于血管腔内影像计算血流储备分数的方法，包括以下步骤：
S101，获取对目标冠脉血管进行血管腔内影像分析得到的图像序列。
血管腔内影像分析包括对目标冠脉血管进行血管内超声(IVUS)或光学相干层析(OCT)，得到的图像序列包括IVUS图像序列或OCT图像序列。实施例中，图像序列本质上是一段目标冠脉血管的连续横截面图像，因此，冠脉图像序列由N张连续的横截面图像构成，分别记为I1、I2、I3…IN。针对每帧图像进行粗分割和细分割两个过程以获得图像中的管腔边界轮廓。
S102，对图像序列进行粗细分割以确定血管腔边界。
如图2所示，实施例中，对图像序列进行粗细分割以确定血管腔边界，包括：
粗分割过程：将首帧图像转换成极坐标格式图像后，依据像素点的灰度值计算边界强度值，根据像素点的边界强度值，应用dijksta最小路径算法在极坐标格式图像中搜索血管腔边界，将得到的血管腔边界经平滑后反映到图像，得到粗分割结果；
细分割过程：以粗分割结果中管腔边界点为中心，沿外法线方向对原图像进行重采样，应用dijksta最小路径算法在重采样图像中搜索血管腔边界，将得到的血管腔边界经平滑后反映到图像，得到细分割结果；
将细分割结果中的血管腔边界映射到相邻的下一帧原图像中作为粗分割结果后，进行细分割过程，对图像序列中的图像依此循环，以实现对图像序列进行粗细分割来确定血管腔边界。
图3为示例性地给出了首帧OCT图像。图3所示的首帧OCT图像的坐标系统为直角坐标系，这样可以与真实的血管横截面相吻合。基于此，在一个可能的实施方式中，将图像转换成极坐标格式图像包括：以图像的中心为极点构建包含角度和极轴的极坐标系，在极轴上按照长度间隔度取多个离散像素点，在角度方向按照角度间隔度取多个离散像素点，对每个离散像素点进行插值运算，得到极坐标格式图像。
示例性地，可以将图像的直角坐标系的原点，也就是图像的中心为极点，以相互垂直的x轴和y轴分别为极坐标系的极轴(或0°方向)和90°方向，在极轴方向，按照长度间隔spa取n1个离散点，在角度方向，按照角度间隔rad取n2个离散点，优选地，spa大小为1–4个像素单位，n1大小为50–400，rad大小为1°–9°，n2大小为40–360；然后对每个离散点采用双线性插值或其他插值方法进行插值计算以得到离散点对应的新像素值，这样即得到极坐标格式图像。对图3所示的OCT图像按照spa＝1.5，n1＝200，rad＝3.6°，n2＝100进行转换，得到如图4所示的极坐标格式图像。
在获得尺寸为n1*n2的极坐标格式图像后，对于任意位置(i，j)的像素点，其灰度值为I(i，j)，边界强度为Grad(i，j)。在一般Roberts算子、Sobel算子等处理方式中，边界强度定义为灰度梯度的绝对值。但是在本发明中，冠脉OCT图像或IVUS表现为管腔区域低灰度值，血管壁区域高灰度值的特性，针对这图像，直接将灰度梯度的绝对值定义为边界强度并不准确。经过实验探究，实施例中，将边界强度定义为极轴方向的灰度梯度，即采用以下公式根据像素点的灰度值计算边界强度值：
Grad(i,j)＝a*(I(i+1,j)-I(i,j))+b*((I(i+2,j)-I(i-1,j))+(I(i+1,j-1)-I(i,j-1))+(I(i+1,j+1)-I(i,j+1)))+c*((I(i+2,j-1)-I(i-1,j-1))+(I(i+2,j+1)-I(i-1,j+1)))
其中，Grad(i,j)表示位置(i,j)处像素点的边界强度值，I(·)表示像素点的灰度值，a、b、c分别为距离权重系数。优选地，a的取值范围为0.8–1.2；b的取值范围为0.4–0.6；c的取值范围为0.2–0.3。
由上述边界强度值计算公式可知，任一像素点的边界强度由其临近的3*4个点决定，该边界强度值越大，其作为管腔边界的可能性越大，该边界强度值越小，其作为管腔边界的可能性越小。
实施例中，根据像素点的边界强度值，应用dijksta最小路径算法在极坐标格式图像中搜索管腔边界时，以边界强度值的倒数作为像素点的消耗值cost，即cost＝1/Grad。
需要注意的是，由边界强度值计算公式可知，对于某些像素点来说，其边界强度值可能为负，负边界强度值以及过小的负边界强度并不能很好地应用dijksta最小路径算法进行管腔边界搜索。基于此，在实施例中，应用dijksta最小路径算法在极坐标格式图像中搜索管腔边界之前，通过设定边界强度值的最小值限制σ，将小于最小限制值的边界强度值归一到最小限制值，即如果Grad<σ，则令Grad＝σ，以实现对边界强度值的过滤预处理；然后，根据过滤预处理后的边界强度值，应用dijksta最小路径算法在极坐标格式图像中搜索管腔边界，得到的管腔边界如图5所示。实施例中，可以设置边界强度值的最小限制值σ取值为5–10。
在获得管腔边界后，将得到的管腔边界进行一定程度的平滑处理，对图5所示的管腔边界进行平滑处理得到的结果如图6所示，然后将图6所示的平滑后的管腔边界反映射到OCT图像，得到如图7所示的粗分割结果。
针对对粗分割结果进行细分割，在对粗分割结果进行重采样时，设置采样间隔的取值范围为0.5–1.0个像素单位，逐一以各管腔边界点为中心，沿外法线方向按照采样间隔进行重采样，得到重采样图像，然后对重采样图像应用dijksta最小路径算法识别出更精细的管腔边界，该更精细的管腔边界经过平滑滤波后映射回原首帧图像，即首帧图像I1分割的最终分割结果。
针对图像序列中每帧图像的粗细分割过程，在图像序列中，相邻两张图像的空间间隔较小，因此相邻两张图像对应的管腔边界不会产生太大的突变。在得到图像I1的细分割的最终管腔边界后，将最终管腔边映射到图像I2中，以此作为图像I2的粗略分割结果，应用与图像I1精细分割相同的方法，即可得到图像I2的精细分割管腔边界。按此方法进行迭代分割，直至最后一张图像IN分割结束，即可得到整个冠脉图像序列的最终分割结果，以供后续进行最小管腔直径、最小管腔面积以及狭窄程度等形态学参数的分析处理。
针对如图8所示的第十帧OCT图像I10，将第九帧OCT图像I9的最终管腔边界映射到第十帧OCT图像作为第十帧OCT图像I10的粗分割结果，对第十帧OCT图像I10的粗分割结果按照采样间隔Δs＝0.8进行重采样得到如图9所示的重采样图像，然后在在重采样图像中进行dijkstra最小路径算法搜索得到如图10所示的管腔边界，将该管腔边界映射到第十帧OCT图像I10，得到如图11所示的精细分割结果，该精细分割结果中的管腔边界与第九帧OCT图像I9中管腔边界的对比如图12所示。
采用上述基于血管腔内影像计算FFR方法对分叉OCT图像和具有血液残留的OCT图像的分割结果如图13和图14所示，分析图13和图14所示可以看到分割结果中清晰准确地呈现了管腔边界。
S103，将图像序列沿着导管每隔固定角度生成轴向图，并将粗细分割确定的血管腔边界映射到轴向图，以获得多张标记有血管腔边界点的轴向图。
在轴向图中，标记的血管腔边界点分布在血管腔区域的上下边界上，其中，血管腔区域是由上下血管腔边界之间形成的区域。标记有血管腔边界点的轴向图用于确定分叉点进而确定分叉血管。
S104，通过分析标记有血管腔边界点的轴向图中每个血管腔边界点邻域范围内的边界强度值来筛选疑似分叉点序列。
实施例中，为了提升筛选疑似分叉点序列的准确性，对获得的标记有血管腔边界点的轴向图进行二值化和血管腔区域去噪处理后，分析每个血管腔边界点邻域范围内的边界强度值来筛选疑似分叉点序列。
以OCT图像为例，对将OCT图像的轴向图进行二值化处理获得如图15所示的二值化图，然后将分割获得的血管腔区域统一置黑，达到去除噪声的目的，得到如图16所示的轴向图。通过分析边界点邻域范围的边界强度值判断边界点是否已经贴近血管壁，筛选出疑似分叉位置。图17中点属于疑似分叉点。
S105，将疑似分叉点序列映射到每帧原图像后，确定疑似分叉点序列形成弧线与导管中心点形成的扇形区域，依据图像序列上的扇形区域的相似度确定导管伪影，并删除疑似分叉点中导管伪影对应的分叉点，得到确定的分叉点。
考虑到导管伪影在原始图像中呈现扇形区域，且导管伪影在影像中通常是结构相似、空间连续的，基于此特点，进行导管伪影的确定并删除。实施例中，将识别出的疑似分叉点映射到原始图像中，将分叉区域分割出来，这样将每帧图像中的疑似分叉区域都识别出来，基于此，确定疑似分叉点序列形成弧线与导管中心点形成的扇形区域，如图18所示，然后，依据图像序列上的扇形区域的相似度确定导管伪影，包括：连续跟踪图像序列上的扇形区域，当相邻两帧图像中扇形区域的相似度大于设定相似度阈值的扇形区域判定为同一区域，当同一个区域贯通整个图像序列时，则认为同一区域为导管伪影。实施例中，相似度阈值设定为0.8，也就是相似度超过0.8，就认为扇形区域为同一区域。
实施例中，综合扇形区域的面积相似度、角度相似度以及弧度相似度计算相邻扇形区域的相似度。其中，扇形区域的面积相似度α、角度相似度β以及弧度相似度γ的计算公式分别为：
Figure BDA0003277798070000141
其中，s表示面积，θ表示角度，δ表示弧度，则相邻扇形区域的相似度为
Figure BDA0003277798070000142
在确定导管伪影后，删除疑似分叉点中导管伪影对应的分叉点，得到确定的分叉点，该分叉点用于确定分叉血管。
S106，依据确定的分叉点确定分叉血管后，结合依据血管腔边界确定的主血管和分叉血管构建血管模型。
实施例中，在确定的分叉点的位置一个种子点，由种子点出发进行区域生长，将分叉血管区域分割出来。然后将依据血管腔边界确定的主血管和分叉血管进行合并来构建血管模型，如图19所示，实施例中可以采用marchingcube算法来构建血管模型。
S107，依据确定的分叉点确定分叉血管后，计算分叉血管出口的横截面积。
实施例中，根据获得分叉截面上主血管分割边界以及分叉血管的分割边界，在主血管边界的分叉开口点中寻找开口的中点，由中点出发在分叉血管边界上寻找到最远位置点，记录长度L1，按照同样的方式，在图像序列前后几帧图像获得长度L2，L3，…，Ln，如图20所示，然后根据L1,L2,L3等距离与图像帧之间的轴向距离可以拟合出直线，由该直线的斜率计算出分叉血管与主血管之间的夹角，最后根据夹角θ与分叉血管面积获得分叉血管的横截面积。
S108，利用分叉血管出口的横截面积进行流量分配后，根据血管模型计算FFR。
实施例中，可以采用基于血管模型采用流体力学方法计算FFR，还可以对血管模型采用降维压降模型计算FFR。
当采用CFD方法计算FFR时，需要对冠脉树进行三维网格划分，并设置流动参数及边界条件，采用有限体积法、有限元法等方法进行数值求解计算。其中，流动参数包括：假设血液为不可压缩牛顿流体，其密度及粘性系数均为常数。边界条件包括血流入口边界条件、血流出口边界条件、血管壁面边界条件的一种或多种。
其中，血流入口边界条件包括血流入口压力边界条件、血流入口流量边界条件或血流入口速度边界条件中的一种或多种。血流入口压力边界条件中，入口压力由患者特异性血压决定，可采用冠脉造影或冠脉OCT成像时导管口压力传感器测量得到的患者血压。血流入口流量边界条件中，入口流量可由冠脉血管模型的管腔体积及冠脉造影影像中得到的血流通过血管的时间计算得到。血流入口速度边界条件中，入口速度可由冠脉血管模型的中心线长度及冠脉造影影像中得到的血流通过血管的时间计算得到。
血流出口边界条件包括血流出口流量边界条件，或采用集总参数模型(lumpedparameter model，LPM)方法模拟电路出口边界条件中的一种或多种。血流出口流量边界条件中，出口流量由各出口的面积大小关系决定，与血流入口流量满足流量守恒。血流出口LPM边界条件中，在出口处外接电路模型进行模拟。电流代表血流量，电压代表血压，电阻代表出口至冠脉远端的流动阻力。各出口的电阻大小由各出口的截面积确定。
血管壁面边界条件包括无滑移刚性壁面边界条件。刚性壁面边界条件假设血管壁在计算中不发生变形，能够很好地简化计算过程。
一个实施例中，采用CFD方法计算FFR的过程包括：
步骤1，对冠脉模型进行网格划分。
步骤2，设置流动参数。血流密度及粘性系数均设置为常数。
步骤3，设置边界条件。
实施例中，血流入口压力Pa采用冠脉造影或冠脉OCT成像时导管口压力传感器测量得到的患者血压。血流入口流量Q由冠脉血管模型的管腔体积及冠脉造影影像中得到的血流通过血管的时间计算得到。在冠脉造影影像中，查找血流经过模型入口及出口时对应的影像帧数，根据造影影像的帧率，计算得到血流通过血管模型的时间t。在三维血管模型中计算对应血管段模型的体积V。血流入口流量Q＝V/t。
实施例中，血流出口边界条件设置为LPM电阻边界条件。冠脉模型总电阻R＝Pa/Q。根据冠脉模型各出口的截面积S获得流量分配，计算各出口的电阻。各出口电阻为并联。流量分配公式为Q～Sn，表示血流入口流量Q与截面积S的n次方成正比，n可以取值为1～3/2。
实施例中，血管壁面边界为无滑移刚性壁面边界条件，即认为血管在计算中不发生变形，且壁面处的血流速度为零。
步骤4，根据上述边界条件，利用有限体积法，对流动方程进行离散求解计算，直至计算收敛，得到冠脉各处的流动状态，包括血流速度及血流压力Pd。
步骤5，计算冠脉FFR值。根据上述血流入口压力Pa，及计算得到的冠脉各处的血流压力Pd，得到该处的FFR值：FFR＝Pd/Pa。
当采用降维压降模型计算FFR时，需要对冠脉模型的中心线以及三维血管模型沿中心线法向进行一维网格划分，并设置流动参数及边界条件，采用降维压降进行数值求解计算。其中，流动参数包括：假设血液为不可压缩牛顿流体，其密度及粘性系数均为常数。边界条件包括：给定血流入口压力，给定血流入口速度或血流入口流量，以及给定分叉冠脉血管模型各出口的血流出口流量或血流出口速度。
其中，血流入口压力由患者特异性血压决定，可采用冠脉造影或冠脉OCT成像时导管口压力传感器测量得到的患者血压。血流入口流量可由冠脉血管模型的管腔体积及冠脉造影影像中得到的血流通过血管的时间计算得到。血流入口速度可由冠脉血管模型的中心线长度及冠脉造影影像中得到的血流通过血管的时间计算得到。血流出口流量由各出口的截面积大小关系决定，与血流入口流量满足流量守恒。血流出口速度由冠脉血管模型的在该出口处的分叉段的中心线长度及冠脉造影影像中得到的血流通过该分叉段的时间计算得到。
一个实施例中，采用降维压降模型计算FFR的过程包括：
步骤1，对冠脉模型的中心线以及三维血管模型沿中心线法向进行一维网格划分。
步骤2，设置流动参数。血流密度及粘性系数均设置为常数。
步骤3，设置边界条件。
实施例中，血流入口压力Pa采用冠脉造影或冠脉OCT成像时导管口压力传感器测量得到的患者血压。
血流入口速度u0由冠脉血管模型的中心线长度及冠脉造影影像中得到的血流通过血管的时间计算得到。在冠脉造影影像中，查找血流经过模型入口及出口时对应的影像帧数，根据造影影像的帧率，计算得到血流通过血管模型的时间t。在三维血管模型中计算对应血管段中心线的长度L。血流入口速度u0＝L/t。
血流出口速度ui由冠脉血管模型的在该出口处的分叉段的中心线长度及冠脉造影影像中得到的血流通过该分叉段的时间计算得到。在冠脉造影影像中，查找血流经过该分叉段的分叉点及出口时对应的影像帧数，根据造影影像的帧率，计算得到血流通过血管模型该分叉段的时间ti。在三维血管模型中计算对应血管分叉段中心线的长度Li。血流入口速度ui＝Li/ti。
步骤4，根据上述边界条件以及重构得到的冠脉三维模型和中心线，利用降维压降模型，计算冠脉压降。其中，血管段与血管分叉段的压降分别计算，最终可以得到整个冠脉模型每一点处相对于冠脉模型入口处的压降ΔP。
步骤5，计算冠脉FFR值。根据上述血流入口压力Pa，及计算得到的冠脉各处相对于冠脉模型入口处的压降ΔP，得到该处的FFR值：FFR＝(Pa-ΔP)/Pa。
图21为实施例提供的基于血管腔内影像计算FFR的装置的结构示意图，如图21所示，实施例提供的基于血管腔内影像计算FFR的装置2000包括：
获取模块2001，用于获取对目标冠脉血管进行血管腔内影像分析得到的图像序列；
血管腔边界确定模块2002，用于对图像序列进行粗细分割以确定血管腔边界；
轴向图生成模块2003，用于将图像序列沿着导管每隔固定角度生成轴向图，并将粗细分割确定的血管腔边界映射到轴向图，以获得多张标记有血管腔边界点的轴向图；
疑似分叉点筛选模块2004，通过分析标记有血管腔边界点的轴向图中每个血管腔边界点邻域范围内的边界强度值来筛选疑似分叉点序列；
分叉点确认模块2005，用于将疑似分叉点序列映射到每帧原图像后，确定疑似分叉点序列形成弧线与导管中心点形成的扇形区域，依据图像序列上的扇形区域的相似度确定导管伪影，并删除疑似分叉点中导管伪影对应的分叉点，得到确定的分叉点；
血管模型构建模块2006，用于依据确定的分叉点确定分叉血管后，结合依据血管腔边界确定的主血管和分叉血管构建血管模型；
FFR计算模块2007，用于根据血管模型计算FFR。
需要说明的是，上述实施例提供的基于血管腔内影像计算FFR装置在进行FFR计算时，应以上述各功能模块的划分进行举例说明，可以根据需要将上述功能分配由不同的功能模块完成，即在终端或服务器的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的基于血管腔内影像计算FFR装置与基于血管腔内影像计算FFR方法实施例属于同一构思，其具体实现过程详见基于血管腔内影像计算FFR方法实施例，这里不再赘述。
实施例提供的基于血管腔内影像计算血流储备分数的方法和装置，对图像采用粗分割和细分割两个过程，且将上一帧图像的精细分割结果作为当前帧图像的粗分割结果，继续进行细分割过程，保证了图像序列中管腔边界整体分割结果的连续性；这样，对于冠脉管腔中存在血液残留的图像，基于前面无血液残留的图像的细分割结果再进行细分割，可以大大地降低残留血液对管腔分割精度的影响，相比于动态轮廓算法，能够明显提升血液的图像的分割准确性；
实施例提供的基于血管腔内影像计算血流储备分数的方法和装置，采用dijkstra最小路径算法在图像中搜索识别管腔边界，相比于区域增长算法，可以准确地区分分支血管，避免在血管分叉开口处高估管腔造成的管腔边界分割不准确。
实施例提供的基于血管腔内影像计算血流储备分数的方法和装置，通过对图像序列进行粗细分割以确定血管腔边界；通过对图像序列转化成轴向图来分析筛选疑似分叉点序列，并通过作为疑似分叉血管区域的扇形区域进行邻帧相似度判断来确认导管伪影，进而确定分叉点及分叉血管，然后，通过依据血管腔边界确定的主血管和分叉血管构建血管模型，这样可以更加精准地重构出血管模型，最终运用血流动力学计算获取血管FFR的方法能够满足流量守恒定律，且计算得到的FFR更加准确，同时可在不打入血管扩张剂的情况下得到FFR，避免血管扩张剂对病人造成损害。
实施例还提供了一种计算设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上执行的计算机程序，所述处理器执行所述计算机程序时实现上述基于血管腔内影像计算FFR方法，即实现以下步骤：
S101，获取对目标冠脉血管进行血管腔内影像分析得到的图像序列；
S102，对图像序列进行粗细分割以确定血管腔边界；
S103，将图像序列沿着导管每隔固定角度生成轴向图，并将粗细分割确定的血管腔边界映射到轴向图，以获得多张标记有血管腔边界点的轴向图；
S104，通过分析标记有血管腔边界点的轴向图中每个血管腔边界点邻域范围内的边界强度值来筛选疑似分叉点序列；
S105，将疑似分叉点序列映射到每帧原图像后，确定疑似分叉点序列形成弧线与导管中心点形成的扇形区域，依据图像序列上的扇形区域的相似度确定导管伪影，并删除疑似分叉点中导管伪影对应的分叉点，得到确定的分叉点；
S106，依据确定的分叉点确定分叉血管后，结合依据血管腔边界确定的主血管和分叉血管构建血管模型；
S107，根据血管模型计算FFR。
实际应用中，存储器可以为在近端的易失性存储器，如RAM，还可以是非易失性存储器，如ROM，FLASH，软盘，机械硬盘等，还可以是远端的存储云。处理器可以为中央处理器(CPU)、微处理器(MPU)、数字信号处理器(DSP)、或现场可编程门阵列(FPGA)，即可以通过这些处理器实现冠脉OCT图像的自动分割步骤。
实施例还提供了一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理执行时实现上述基于血管腔内影像计算FFR方法，即实现以下步骤：
S101，获取对目标冠脉血管进行血管腔内影像分析得到的图像序列；
S102，对图像序列进行粗细分割以确定血管腔边界；
S103，将图像序列沿着导管每隔固定角度生成轴向图，并将粗细分割确定的血管腔边界映射到轴向图，以获得多张标记有血管腔边界点的轴向图；
S104，通过分析标记有血管腔边界点的轴向图中每个血管腔边界点邻域范围内的边界强度值来筛选疑似分叉点序列；
S105，将疑似分叉点序列映射到每帧原图像后，确定疑似分叉点序列形成弧线与导管中心点形成的扇形区域，依据图像序列上的扇形区域的相似度确定导管伪影，并删除疑似分叉点中导管伪影对应的分叉点，得到确定的分叉点；
S106，依据确定的分叉点确定分叉血管后，结合依据血管腔边界确定的主血管和分叉血管构建血管模型；
S107，根据血管模型计算FFR。
实际应用中，计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的最优选实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于血管腔内影像计算血流储备分数的方法，其特征在于，包括以下步骤：
获取对目标冠脉血管进行血管腔内影像分析得到的图像序列；
对图像序列进行粗细分割以确定血管腔边界；
将图像序列沿着导管每隔固定角度生成轴向图，并将粗细分割确定的血管腔边界映射到轴向图，以获得多张标记有血管腔边界点的轴向图；
通过分析标记有血管腔边界点的轴向图中每个血管腔边界点邻域范围内的边界强度值来筛选疑似分叉点序列；
将疑似分叉点序列映射到每帧原图像后，确定疑似分叉点序列形成弧线与导管中心点形成的扇形区域，依据图像序列上的扇形区域的相似度确定导管伪影，并删除疑似分叉点中导管伪影对应的分叉点，得到确定的分叉点；
依据确定的分叉点确定分叉血管后，结合依据血管腔边界确定的主血管和分叉血管构建血管模型；
根据血管模型计算血流储备分数。
2.根据权利要求1所述的基于血管腔内影像计算血流储备分数的方法，其特征在于，所述对图像序列进行粗细分割以确定血管腔边界，包括：
粗分割过程：将图像转换成极坐标格式图像后，依据像素点的灰度值计算边界强度值，根据像素点的边界强度值，应用dijksta最小路径算法在极坐标格式图像中搜索血管腔边界，将得到的血管腔边界经平滑后反映到图像，得到粗分割结果；
细分割过程：以粗分割结果中管腔边界点为中心，沿外法线方向对原图像进行重采样，应用dijksta最小路径算法在重采样图像中搜索血管腔边界，将得到的血管腔边界经平滑后反映到图像，得到细分割结果；
将细分割结果中的血管腔边界映射到相邻的下一帧原图像中作为粗分割结果后，进行细分割过程，对图像序列中的图像依此循环，以实现对图像序列进行粗细分割来确定血管腔边界。
3.根据权利要求2所述的基于血管腔内影像计算血流储备分数的方法，其特征在于，所述将图像转换成极坐标格式图像包括：以图像的中心为极点构建包含角度和极轴的极坐标系，在极轴上按照长度间隔度取多个离散像素点，在角度方向按照角度间隔度取多个离散像素点，对每个离散像素点进行插值运算，得到极坐标格式图像。
4.根据权利要求2所述的基于血管腔内影像计算血流储备分数的方法，其特征在于，采用以下公式根据像素点的灰度值计算边界强度值：
Grad(i,j)＝a*(I(i+1,j)-I(i,j))+b*((I(i+2,j)-I(i-1,j))+(I(i+1,j-1)-I(i,j-1))+(I(i+1,j+1)-I(i,j+1)))+c*((I(i+2,j-1)-I(i-1,j-1))+(I(i+2,j+1)-I(i-1,j+1)))
其中，Grad(i,j)表示位置(i,j)处像素点的边界强度值，I(·)表示像素点的灰度值，a、b、c分别为距离权重系数；
优选地，所述距离权重系数a的取值范围为0.8–1.2；所述距离权重系数b的取值范围为0.4–0.6；所述距离权重系数c的取值范围为0.2–0.3。
5.根据权利要求2所述的基于血管腔内影像计算血流储备分数的方法，其特征在于，应用dijksta最小路径算法在极坐标格式图像中搜索管腔边界时，以边界强度值的倒数作为像素点的消耗值；
应用dijksta最小路径算法在极坐标格式图像中搜索管腔边界之前，通过设定最小值限制，将小于最小限制值的边界强度值归一到最小限制值，以实现对边界强度值的过滤预处理；然后，根据过滤预处理后的边界强度值，应用dijksta最小路径算法在极坐标格式图像中搜索管腔边界。
6.根据权利要求1所述的基于血管腔内影像计算血流储备分数的方法，其特征在于，所述依据图像序列上的扇形区域的相似度确定导管伪影，包括：
连续跟踪图像序列上的扇形区域，当相邻两帧图像中扇形区域的相似度大于设定相似度阈值的扇形区域判定为同一区域，当同一个区域贯通整个图像序列时，则认为同一区域为导管伪影；
优选地，综合扇形区域的面积相似度、角度相似度以及弧度相似度计算相邻扇形区域的相似度。
7.根据权利要求1所述的基于血管腔内影像计算血流储备分数的方法，其特征在于，对获得的标记有血管腔边界点的轴向图进行二值化和血管腔区域去噪处理后，分析每个血管腔边界点邻域范围内的边界强度值来筛选疑似分叉点序列；
所述根据血管模型计算血流储备分数，包括：基于血管模型采用流体力学方法计算血流储备分数，或对血管模型采用降维压降模型计算血流储备分数；
其中，基于血管模型采用流体力学方法计算血流储备分数时，基于分叉血管出口的横截面积进行流量分配，横截面积的确定方式为：
根据获得分叉截面上主血管分割边界以及分叉血管的分割边界，在主血管边界的分叉开口点中寻找开口的中点，由中点出发在分叉血管边界上寻找到最远位置点，记录长度L1，按照同样的方式，在图像序列前后几帧图像获得长度L2，L3，…，Ln，然后根据所有长度等距离与图像帧之间的轴向距离拟合出直线，由该直线的斜率计算出分叉血管与主血管之间的夹角，最后根据夹角与分叉血管面积获得分叉血管的横截面积。
8.一种基于血管腔内影像计算血流储备分数的装置，其特征在于，包括：
获取模块，用于获取对目标冠脉血管进行血管腔内影像分析得到的图像序列；
血管腔边界确定模块，用于对图像序列进行粗细分割以确定血管腔边界；
轴向图生成模块，用于将图像序列沿着导管每隔固定角度生成轴向图，并将粗细分割确定的血管腔边界映射到轴向图，以获得多张标记有血管腔边界点的轴向图；
疑似分叉点筛选模块，通过分析标记有血管腔边界点的轴向图中每个血管腔边界点邻域范围内的边界强度值来筛选疑似分叉点序列；
分叉点确认模块，用于将疑似分叉点序列映射到每帧原图像后，确定疑似分叉点序列形成弧线与导管中心点形成的扇形区域，依据图像序列上的扇形区域的相似度确定导管伪影，并删除疑似分叉点中导管伪影对应的分叉点，得到确定的分叉点；
血管模型构建模块，用于依据确定的分叉点确定分叉血管后，结合依据血管腔边界确定的主血管和分叉血管构建血管模型；
血流储备分数计算模块，用于根据血管模型计算血流储备分数。
9.一种计算设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上执行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-7任一项所述的基于血管腔内影像计算血流储备分数的方法。
10.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理执行时实现权利要求1-7任一项所述的基于血管腔内影像计算血流储备分数的方法。
CN202111122616.2A 2021-09-24 2021-09-24 基于血管腔内影像计算血流储备分数的方法、装置、计算设备以及存储介质 Pending CN113902690A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111122616.2A CN113902690A (zh) 2021-09-24 2021-09-24 基于血管腔内影像计算血流储备分数的方法、装置、计算设备以及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111122616.2A CN113902690A (zh) 2021-09-24 2021-09-24 基于血管腔内影像计算血流储备分数的方法、装置、计算设备以及存储介质

Publications (1)

Publication Number Publication Date
CN113902690A true CN113902690A (zh) 2022-01-07

Family

ID=79029464

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111122616.2A Pending CN113902690A (zh) 2021-09-24 2021-09-24 基于血管腔内影像计算血流储备分数的方法、装置、计算设备以及存储介质

Country Status (1)

Country Link
CN (1) CN113902690A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116564525A (zh) * 2023-07-10 2023-08-08 天津恒宇医疗科技有限公司 基于冠脉血流量分配的血流储备分数预测方法和系统
CN116681716A (zh) * 2023-08-04 2023-09-01 杭州脉流科技有限公司 颅内血管感兴趣区域分割方法、装置、设备和存储介质
CN117197164A (zh) * 2023-11-08 2023-12-08 中国医学科学院北京协和医院 用于计算心肌血管供血区域的管道流域计算方法及系统

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116564525A (zh) * 2023-07-10 2023-08-08 天津恒宇医疗科技有限公司 基于冠脉血流量分配的血流储备分数预测方法和系统
CN116564525B (zh) * 2023-07-10 2023-09-26 天津恒宇医疗科技有限公司 基于冠脉血流量分配的血流储备分数预测方法和系统
CN116681716A (zh) * 2023-08-04 2023-09-01 杭州脉流科技有限公司 颅内血管感兴趣区域分割方法、装置、设备和存储介质
CN116681716B (zh) * 2023-08-04 2023-10-10 杭州脉流科技有限公司 颅内血管感兴趣区域分割方法、装置、设备和存储介质
CN117197164A (zh) * 2023-11-08 2023-12-08 中国医学科学院北京协和医院 用于计算心肌血管供血区域的管道流域计算方法及系统
CN117197164B (zh) * 2023-11-08 2024-03-08 中国医学科学院北京协和医院 用于计算心肌血管供血区域的管道流域计算方法及系统

Similar Documents

Publication Publication Date Title
US20220095933A1 (en) Lumen Morphology And Vascular Resistance Measurements Data Collection Systems Apparatus And Methods
US11896416B2 (en) Method for calculating coronary artery fractional flow reserve on basis of myocardial blood flow and CT images
AU2016204714B2 (en) Lumen morphology and vascular resistance measurements data collection systems, apparatus and methods
CN113902690A (zh) 基于血管腔内影像计算血流储备分数的方法、装置、计算设备以及存储介质
CN110448319B (zh) 基于造影影像及冠状动脉的血流速度计算方法
CN112384138B (zh) 获取心表大动脉的血流量的方法、装置、系统及存储介质
CN113850778A (zh) 冠脉oct图像的自动分割方法、装置、计算设备以及存储介质

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