CN114298988B - 计算血管功能学指标的方法、装置、存储介质及处理器 - Google Patents
计算血管功能学指标的方法、装置、存储介质及处理器 Download PDFInfo
- Publication number
- CN114298988B CN114298988B CN202111555060.6A CN202111555060A CN114298988B CN 114298988 B CN114298988 B CN 114298988B CN 202111555060 A CN202111555060 A CN 202111555060A CN 114298988 B CN114298988 B CN 114298988B
- Authority
- CN
- China
- Prior art keywords
- coronary
- blood flow
- dimensional
- tree
- unknown
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Health & Medical Sciences (AREA)
- Computer Graphics (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请提供了一种计算血管功能学指标的方法、装置、计算机存储介质及处理器。其中,该方法包括:获取目标冠脉血管的一维血流模型,一维血流模型包括未知的几何信息和未知的边界条件;求解未知的几何信息和未知的边界条件,得到求解后的一维血流模型;采用求解后的一维血流模型,计算得到目标冠脉血管的功能学指标。本申请解决了现有技术中采用三维流动方程获取血流特性的方法计算量较大,对计算资源有较高要求的技术问题。
Description
技术领域
本申请涉及血流动力学领域,具体而言,涉及一种计算血管功能学指标的方法、装置、计算机存储介质及处理器。
背景技术
血流动力学是指血液在心血管系统中流动的力学,主要研究血流量、血流阻力、血压以及它们之间的相互关系。现有技术中获取动脉血管中血流特性(如:压力,流速)的方法主要是使用压力导丝的有创测量和基于计算流体力学技术的血流三维数值模拟。基于压力导丝的有创测量技术将带有压力传感器的导丝从外周血管引入并将传感器放置到待测量的血管位置,直接测量相应位置的流动参数,因此该方法可以提供精确的血流参数,但是其有创性使得患者不得不承担高昂的医疗费用和一定的手术风险。
血流三维数值模拟是通过数值方法求解三维流动方程来获得血流特性,该方法的优势在于可以直接利用由血管三维模型(可以由医学影像(如CT/MRI/超声波等)经三维重建获得) 生成计算网格,并且可以给出高精度的计算结果。然而,三维数值模拟需要构建的网格数很大,并且数值求解需要进行多次迭代计算,因此该方法对计算资源有较高的要求,且计算时间也较长,这使得该方法难以给出实时的计算结果。所以希望有方法可以提供更快的计算结果,并且保证计算结果的合理性和准确性。
发明内容
本申请的主要目的在于提供一种计算血管功能学指标的方法、装置、计算机存储介质及处理器,以解决现有技术中采用三维流动方程获取血流特性的方法计算量较大,对计算资源有较高要求的技术问题。
为了实现上述目的,根据本申请的一个方面,提供了一种计算血管功能学指标的方法,所述方法包括:获取目标冠脉血管的一维血流模型,所述一维血流模型包括未知的几何信息和未知的边界条件;求解所述未知的几何信息和所述未知的边界条件,得到求解后的所述一维血流模型;采用求解后的所述一维血流模型,计算得到目标冠脉血管的功能学指标。
进一步地,所述几何信息包括血管的长度,求解所述未知的几何信息,所述方法包括:获取所述目标冠脉血管的图像数据,且根据所述图像数据获取冠脉树;获取所述冠脉树中各段血管的长度。
进一步地,所述边界条件包括充血状态下的阻抗值,求解所述未知的边界条件,所述方法包括:根据用户的相关信息,确定静息状态下的冠脉树入口流量,所述相关信息包括体重、年龄、心率和脉搏压;基于所述冠脉树入口流量,对冠脉分叉处进行流量分配,得到静息状态下的冠脉树流量场;至少根据所述冠脉树流量场确定所述充血状态下的阻抗值。
进一步地,至少根据所述冠脉树流量场确定所述充血状态下的阻抗值,所述方法包括:根据所述冠脉树流量场和冠脉树入口压力,确定冠脉树压力场,所述冠脉树入口压力为脉搏平均压;根据所述冠脉树压力场和所述冠脉树流量场,确定静息状态下的阻抗值;获取冠脉总阻力指数;根据所述静息状态下的阻抗值和所述冠脉总阻力指数,确定所述充血状态下的阻抗值。
进一步地,所述方法包括:确定所述冠脉树中的狭窄段;获取所述狭窄段两端截面面积的平均值和所述狭窄段的最小截面面积;采用所述两端截面面积的平均值和所述最小截面面积,对所述一维血流模型进行修正,得到所述狭窄段的一维血流模型。
进一步地,所述边界条件包括静息状态下的冠脉树入口流量,所述方法还包括:采用求解后的所述一维血流模型,计算得到所述目标冠脉血管的第一流场数据;将所述第一流场数据作为三维血流模型的初始流场。
进一步地,求解所述未知的几何信息和所述未知的边界条件,所述方法包括:获取所述目标冠脉血管的三维几何模型和三维血流模型;根据所述三维几何模型求解所述未知的几何信息,根据所述三维血流模型求解所述未知的边界条件。
进一步地,根据所述三维几何模型求解所述未知的几何信息,根据所述三维血流模型求解所述未知的边界条件,所述方法包括:根据虚拟支架需要放置的位置,截取所述目标冠脉血管的一段,得到血管段;从所述三维几何模型中提取出所述血管段的几何信息,所述几何信息包括所述血管段的长度和所述血管段沿轴线分布的半径;根据放置所述虚拟支架后所述血管段的形状变化,调整相应位置的半径;采用所述三维血流模型求得第二流场数据,所述第二流场数据包括血管流量和血管压力;从所述第二流场数据中提取出所述血管段的入口截面的流量和所述血管段的平均压力,所述血管段的入口截面的流量和所述血管段的平均压力为所述边界条件。
进一步地,所述方法还包括:根据所述目标冠脉血管的功能学指标的大小,调整所述虚拟支架的位置。
进一步地,所述目标冠脉血管为虚拟测试者的血管,所述方法还包括:获取所述目标冠脉血管的多个血管几何特征;将多个所述血管几何特征,组成特征向量;将所述特征向量作为输入,所述功能学指标作为输出,训练得到人工智能模型。
根据本申请的另一方面,提供了一种计算血管功能学指标的装置,所述装置包括:获取单元,用于获取目标冠脉血管的一维血流模型,所述一维血流模型包括未知的几何信息和未知的边界条件;求解单元,用于求解所述未知的几何信息和所述未知的边界条件,得到求解后的所述一维血流模型;计算单元,用于采用求解后的所述一维血流模型,计算得到目标冠脉血管的功能学指标。
根据本申请的另一方面,还提供了一种计算机可读存储介质,计算机可读存储介质包括存储的程序,其中,在程序运行时控制计算机可读存储介质所在设备执行上述的计算血管功能学指标的方法。
根据本申请的另一方面,还提供了一种处理器,处理器用于运行程序,其中,程序运行时执行上述的计算血管功能学指标的方法。
应用本申请的技术方案,首先获取目标冠脉血管的一维血流模型,一维血流模型包括未知的几何信息和未知的边界条件;接着求解未知的几何信息和未知的边界条件,得到求解后的一维血流模型;最后采用求解后的一维血流模型,计算得到目标冠脉血管的功能学指标。本申请通过对未知的几何信息和未知的边界条件进行求解,建立目标冠脉血管的一维血流模型的方式,实现了将冠脉血管的三维血流模型降阶为一维流动模型的目的,从而降低了对计算资源的较高需求,并且缩短了计算时长,进而解决了现有技术中采用三维流动方程获取血流特性的方法计算量较大,对计算资源有较高要求的技术问题。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的一种计算血管功能学指标的方法流程图;
图2是根据本申请实施例的一种可选地冠状动脉血管树示意图;
图3是根据本申请实施例的一种计算血管功能学指标的装置的示意图;
图4是根据本申请实施例的一种可选地冠状动脉血管的中心线示意图;
图5是根据本申请实施例的一种可选地基于中心线生成的冠状动脉血管树示意图;
图6是根据本申请实施例的一种可选地冠状动脉血管的狭窄模型示意图;
图7是根据本申请实施例的一种可选地冠状动脉血管的电路模型示意图;
图8是根据本申请实施例的一种可选地冠脉树出口压力计算结果比较图;
图9是根据本申请实施例的一种可选地使用一维血流模型和三维模型所得的计算域内的 FFR对比图;
图10是根据本申请实施例的一种可选地使用一维血流模型为人工智能算法提供数据集以预测冠脉血流储备分数的流程示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应该理解的是,当元件(诸如层、膜、区域、或衬底)描述为在另一元件“上”时,该元件可直接在该另一元件上,或者也可存在中间元件。而且,在说明书以及权利要求书中,当描述有元件“连接”至另一元件时,该元件可“直接连接”至该另一元件,或者通过第三元件“连接”至该另一元件。
根据本申请的实施例,提供了一种计算血管功能学指标的方法。需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本申请的一种计算血管功能学指标的方法的流程图。如图1所示,该方法包括以下步骤:
步骤S101,获取目标冠脉血管的一维血流模型,一维血流模型包括未知的几何信息和未知的边界条件。
上述步骤中的一维血流模型可以是通过对三维流动控制方程进行降阶处理获取得到的模型,即将三维流动方程降阶为一维流动方程;上述步骤中的几何信息可以是通过对血管图像数据的处理获取得到的信息;上述步骤中的边界条件可以是通过患者的基本数据以及经验公式获取的相关信息。
在一个可选的实施例中,一维瞬态的控制方程如下列公式所示:
其中,A(z,t)是血管横截面积,Q(z,t)是流量,Q和A是未知量。t是时间,z是轴向坐标,ρ是密度,μ是动力粘性,是定义速度径向分布的参数,p是压力,pext是血管外部压力,E是杨氏模量,A0是血管未变形时的横截面积,h0(z)是血管壁厚度。
步骤S102,求解未知的几何信息和未知的边界条件,得到求解后的一维血流模型。
上述步骤中需求解的几何信息包括基于对目标冠脉血管处理后获取的冠脉树中多段血管的长度等信息;上述步骤中需求解的边界条件包括血管充血状态下的阻抗值。
步骤S103,采用求解后的一维血流模型,计算得到目标冠脉血管的功能学指标。
上述步骤中的功能学指标包括冠状动脉血流储备分数(FFR)、血流储备(CFR)、微循环阻力指数(IMR)等。
应用本申请的技术方案,首先获取目标冠脉血管的一维血流模型,一维血流模型包括未知的几何信息和未知的边界条件;接着求解未知的几何信息和未知的边界条件,得到求解后的一维血流模型;最后采用求解后的一维血流模型,计算得到目标冠脉血管的功能学指标。本申请通过对未知的几何信息和未知的边界条件进行求解,建立目标冠脉血管的一维血流模型的方式,实现了将冠脉血管的三维血流模型降阶为一维流动模型的目的,从而降低了对计算资源的较高需求,并且缩短了计算时长,进而解决了现有技术中采用三维流动方程获取血流特性的方法计算量较大,对计算资源有较高要求的技术问题。
进一步地,几何信息包括血管的长度,求解未知的几何信息,该方法包括:获取目标冠脉血管的图像数据,且根据图像数据获取冠脉树;获取冠脉树中各段血管的长度。
在一个可选的实施例中,在患者进行血管相关检查的场景下,获取图像数据,例如,CT、 MRI、超声波等检查项目获取的图像,通过图像处理技术,例如,图像分割、三维重建等技术手段,获得血管的几何信息,包括中心线、中心线名字、沿中心线分布的半径等数据,需要说明的是,此处对图像处理技术不做具体的限定,专业人员可根据实际情况进行合理选取。基于血管几何信息,根据中心线上点之间的距离关系获取用于降阶模型的几何特征数据,几何特征数据包括半径、长度、拓扑关系等,冠脉树示意图如图2所示,根据冠脉树可以计算出各段血管的长度。
进一步地,边界条件包括充血状态下的阻抗值,求解未知的边界条件,该方法包括:根据用户的相关信息,确定静息状态下的冠脉树入口流量,相关信息包括体重、年龄、心率和脉搏压;基于冠脉树入口流量,对冠脉分叉处进行流量分配,得到静息状态下的冠脉树流量场;至少根据冠脉树流量场确定充血状态下的阻抗值。当然,用户的相关信息并不限于上述体重、年龄、心率和脉搏压。
在一个可选的实施例中,根据患者的基本数据,包括体重、年龄、心率、脉搏压等估算静息状态下冠脉树入口的流量,具体计算方法为:
SV=PP*×[(0.013×W)-(0.007×Y)-(0.004×HR)+1.307],
其中,SV为每搏输出量,W为体重(kg),Y为年龄,HR为心率(bpm),用下式计算:
PP*=(0.49×PP)+(0.3×Y)+7.11,
其中,PP为脉搏压(PP=SBP-DBP)。则心输出量CO为:
CO=HR×SV,
静息状态下冠脉流量为:
Q=γCO,
其中γ=0.045是CO流入冠脉分支的比例系数。
上述步骤中的冠脉树流量场可以是根据Murray定律对冠脉分叉处进行流量分配,得到静息状态下整个冠脉树的流量场,Murray定律指的是血管树在分叉点处各分支的流量和半径的三次方成正比,公式表示为:Qi∝ri 3。
进一步地,至少根据冠脉树流量场确定充血状态下的阻抗值,包括:根据冠脉树流量场和冠脉树入口压力,确定冠脉树压力场,冠脉树入口压力为脉搏平均压;根据冠脉树压力场和冠脉树流量场,确定静息状态下的阻抗值;获取冠脉总阻力指数;根据静息状态下的阻抗值和冠脉总阻力指数,确定充血状态下的阻抗值。
进一步地,该方法包括:确定冠脉树中的狭窄段;获取狭窄段两端截面面积的平均值和狭窄段的最小截面面积;采用两端截面面积的平均值和最小截面面积,对一维血流模型进行修正,得到狭窄段的一维血流模型。由于狭窄段的血流特性区别于非狭窄段的血流特性,所以,通过对冠脉树中的狭窄段单独建立狭窄段的一维血流模型。有助于对血管的功能学指标的精确确定。
在一个可选的实施例中,对于每段血管,使用回归方法,例如,高斯回归,对血管半径进行拟合,获得的拟合半径作为该段血管的健康半径。沿轴线方向计算血管的狭窄度,狭窄度的定义为其中ri为原始半径,为拟合半径。当SDi>θS时,认为该位置是狭窄区域,其中θS为经验阈值;对于冠脉树中存在的狭窄区域,使用狭窄模型进行压降的修正:
其中,A0和As分别为参考截面面积(狭窄段两端截面面积的平均值)和狭窄的最小截面面积,Kt=1.52为经验系数。
本申请的一种实施例中,边界条件包括静息状态下的冠脉树入口流量,该方法还包括:采用求解后的一维血流模型,计算得到目标冠脉血管的第一流场数据;将第一流场数据作为三维血流模型的初始流场。可以通过使用插值方法,例如,线性插值将边界条件和第一流场数据对应到三维模型的计算网格中,作为三维模型的初始流场;上述步骤中的第一流场数据是基于一维血流模型获取得到的数据。
进一步地,求解未知的几何信息和未知的边界条件,包括:获取目标冠脉血管的三维几何模型和三维血流模型;根据三维几何模型求解未知的几何信息,根据三维血流模型求解未知的边界条件。三维几何模型即为可以通过CAD等画图软件表示的模型。
进一步地,根据三维几何模型求解未知的几何信息,根据三维血流模型求解未知的边界条件,包括:根据虚拟支架需要放置的位置,截取目标冠脉血管的一段,得到血管段;从三维几何模型中提取出血管段的几何信息,几何信息包括血管段的长度和血管段沿轴线分布的半径;根据放置虚拟支架后血管段的形状变化,调整相应位置的半径;采用三维血流模型求得第二流场数据,第二流场数据包括血管流量和血管压力;从第二流场数据中提取出血管段的入口截面的流量和血管段的平均压力,血管段的入口截面的流量和血管段的平均压力为边界条件。
在一个可选的实施例中,根据虚拟支架需要放置的位置,截取适当长度的血管段,其中,该血管段包含支架需要放置的位置,作为优化过程的计算域,并从中提取出几何特征。从三维模型的计算结果中提取出计算域入口截面的流量值Q和平均压力P,也即,第二流场数据。
进一步地,该方法还包括:根据目标冠脉血管的功能学指标的大小,调整虚拟支架的位置。即根据血流功能学指标判断是否需要调整虚拟支架的位置,如果需要调整,就进行调整指导获取最优的血流功能学指标对应的最优的虚拟支架的位置。
上述步骤中调整虚拟支架的位置可以是根据放置虚拟支架后血管的形状变化调整相应位置的半径值。
进一步地,目标冠脉血管为虚拟测试者的血管,该方法还包括:获取目标冠脉血管的多个血管几何特征;将多个血管几何特征,组成特征向量;将特征向量作为输入,功能学指标作为输出,训练得到人工智能模型。即使用降阶模型为人工智能算法提供数据集,与预测血管的功能学指标。
在一个可选的实施例中,选择所需的血管几何特征,例如,半径、长度、曲率、血管树的拓扑结构,以及狭窄的长度、位置、最小半径等组成特征向量E[R(半径),l(长度)ρ(曲率),...],通过改变特征向量E中一个或多个元素的值以生成大量不同形状的血管,使用一维血流模型计算上述所生成的每个血管,得到每个血管的血流特性,根据所得的血流特性数据计算每个血管的FFR,在特征向量E中加入随机噪声,将所有血管的特征向量E和相应的FFR 值一起组成用于训练人工智能算的数据集,以所有血管的特征向量E作为输入特征,以FFR 值作为输出特征,训练出人工智能模型。加入随机噪声是为了更加接近于真实的血管。
本申请实施例还提供了一种计算血管功能学指标的装置,需要说明的是,本申请实施例的计算血管功能学指标的装置可以用于执行本申请实施例所提供的用于计算血管功能学指标的方法。以下对本申请实施例提供的计算血管功能学指标的装置进行介绍。
图3是根据本申请实施例的一种计算血管功能学指标的装置的示意图。如图3所示,该装置包括:
获取单元30,用于获取目标冠脉血管的一维血流模型,一维血流模型包括未知的几何信息和未知的边界条件;
求解单元31,用于求解未知的几何信息和未知的边界条件,得到求解后的一维血流模型;
计算单元32,用于采用求解后的一维血流模型,计算得到目标冠脉血管的功能学指标。
应用本申请的技术方案,获取单元获取目标冠脉血管的一维血流模型,一维血流模型包括未知的几何信息和未知的边界条件;求解单元求解未知的几何信息和未知的边界条件,得到求解后的一维血流模型;计算单元采用求解后的一维血流模型,计算得到目标冠脉血管的功能学指标。本申请通过对未知的几何信息和未知的边界条件进行求解,建立目标冠脉血管的一维血流模型的方式,实现了将冠脉血管的三维血流模型降阶为一维流动模型的目的,从而降低了对计算资源的较高需求,并且缩短了计算时长,进而解决了现有技术中采用三维流动方程获取血流特性的方法计算量较大,对计算资源有较高要求的技术问题。
进一步地,求解单元包括第一获取模块和第二获取模块,第一获取模块用于获取目标冠脉血管的图像数据,且根据图像数据获取冠脉树;第二获取模块用于获取冠脉树中各段血管的长度。
进一步地,求解单元还包括第一确定模块、分配模块和第二确定模块,第一确定模块用于根据用户的相关信息,确定静息状态下的冠脉树入口流量,相关信息包括体重、年龄、心率和脉搏压;分配模块用于基于冠脉树入口流量,对冠脉分叉处进行流量分配,得到静息状态下的冠脉树流量场;第二确定模块用于至少根据冠脉树流量场确定充血状态下的阻抗值。
进一步地,第二确定模块包括第一确定子模块、第二确定子模块、第一获取子模块和第三确定子模块,第一确定子模块用于根据冠脉树流量场和冠脉树入口压力,确定冠脉树压力场,冠脉树入口压力为脉搏平均压;第二确定子模块用于根据冠脉树压力场和冠脉树流量场,确定静息状态下的阻抗值;第一获取子模块用于获取冠脉总阻力指数;第三确定子模块用于根据静息状态下的阻抗值和冠脉总阻力指数,确定充血状态下的阻抗值。
进一步地,第二确定模块还包括第四确定子模块、第二获取子模块和修正子模块,第四确定子模块用于确定冠脉树中的狭窄段;第二获取子模块用于获取狭窄段两端截面面积的平均值和狭窄段的最小截面面积;修正子模块用于采用两端截面面积的平均值和最小截面面积,对一维血流模型进行修正,得到狭窄段的一维血流模型。
进一步地,求解单元还包括计算模块和定义模块,计算模块用于采用求解后的一维血流模型,计算得到目标冠脉血管的第一流场数据;定义模块用于将第一流场数据作为三维血流模型的初始流场。
进一步地,求解单元还包括第三获取模块和求解模块,第三获取模块用于获取目标冠脉血管的三维几何模型和三维血流模型;求解模块用于根据三维几何模型求解未知的几何信息,根据三维血流模型求解未知的边界条件。
进一步地,求解模块包括截取子模块、第一提取子模块、第一调整子模块、求取子模块和第二提取子模块,截取子模块用于根据虚拟支架需要放置的位置,截取目标冠脉血管的一段,得到血管段;第一提取子模块用于从三维几何模型中提取出血管段的几何信息,几何信息包括血管段的长度和血管段沿轴线分布的半径;第一调整子模块用于根据放置虚拟支架后血管段的形状变化,调整相应位置的半径;求取子模块用于采用三维血流模型求得第二流场数据,第二流场数据包括血管流量和血管压力;第二提取子模块用于从第二流场数据中提取出血管段的入口截面的流量和血管段的平均压力,血管段的入口截面的流量和血管段的平均压力为边界条件。
进一步地,求解模块还包括第二调整子模块,第二调整子模块用于根据目标冠脉血管的功能学指标的大小,调整虚拟支架的位置。
进一步地,获取单元包括第四获取模块和训练模块,第四获取模块用于获取目标冠脉血管的多个血管几何特征;组合模块,用于将多个血管几何特征,组成特征向量;训练模块用于将特征向量作为输入,功能学指标作为输出,训练得到人工智能模型。
所述计算血管功能学指标的装置包括处理器和存储器,上述获取单元、求解单元、计算单元等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,通过调整内核参数来实现将冠脉血管的三维血流模型降阶为一维流动模型的目的,从而降低了对计算资源的较高需求,并且缩短了计算时长,进而解决了现有技术中采用三维流动方程获取血流特性的方法计算量较大,对计算资源有较高要求的技术问题。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的程序,其中,在所述程序运行时控制所述计算机可读存储介质所在设备执行所述计算血管功能学指标的方法。
本发明实施例提供了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行所述计算血管功能学指标的方法。
本发明实施例提供了一种设备,设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序,处理器执行程序时实现至少以下步骤:步骤S101,获取目标冠脉血管的一维血流模型,一维血流模型包括未知的几何信息和未知的边界条件;步骤S102,求解未知的几何信息和未知的边界条件,得到求解后的一维血流模型;步骤S103,采用求解后的一维血流模型,计算得到目标冠脉血管的功能学指标。本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品,当在数据处理设备上执行时,适于执行初始化有至少如下方法步骤的程序:步骤S101,获取目标冠脉血管的一维血流模型,一维血流模型包括未知的几何信息和未知的边界条件;步骤S102,求解未知的几何信息和未知的边界条件,得到求解后的一维血流模型;步骤S103,采用求解后的一维血流模型,计算得到目标冠脉血管的功能学指标。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/ 或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/ 或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器 (CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
实施例1
本实施例涉及一种具体的使用降阶模型计算冠状动脉血管树的血管功能学指标的方法,例如,血流储备分数(FFR)指标,其主要过程包括:首先通过图像数据获得几何信息,接着基于几何信息获得一维血流模型所需的几何特征,再基于几何特征识别出冠脉树的拓扑结构,再基于几何特征识别出狭窄区域,再使用一维血流模型计算冠脉树各出口静息状态下的阻抗值,再根据TCRI和静息状态下的阻抗值得到充血状态下的阻抗值,再使用一维血流模型计算出冠脉树在充血状态下的血流特性,最后根据血流特性计算出所需的血流功能学指标。实施例的具体实施步骤包括:
步骤S201,基于图像数据,例如,CT、MRI、超声波等获取基础图像,通过图像处理技术,例如,图像分割、三维重建等,获得血管的几何信息,其中,几何信息包括,中心线、中心线名字、沿中心线分布的半径等数据,中心线如图4所示,其中,图示中AM、RM、OM、S、LCX、D、LAD、PLV为中心线的名字;
步骤S202,选取两条中心线,从出口位置,也即,图4中标注名字的位置,开始遍历计算两条中心线之间的距离d,如果d<0.5mm,则认为该位置是这两条中心线的分叉点;
步骤S203,重复步骤S202,遍历所有的中心线,获得所有分叉点的位置;
步骤S204,遍历每条中心线,将两个分叉点之间的中心线作为一段血管,从而获得冠状动脉血管树,如图5所示,由图4中右侧部分的冠脉中心线生成,其中“O”或圆形代表分叉点,“in”代表冠脉树入口,“LCX”等代表各出口,其名字和图4中心线名字相同;
步骤S205,根据冠脉树中各段中心线中点的间距计算出各段血管的长度;
步骤S206,根据患者的基本数据,包括:体重、年龄、心率、脉搏压等,估算静息状态下冠脉树入口流量,具体计算方法为:
SV=PP*×[(0.013×W)-(0.007×Y)-(0.004×HR)+1.307],
其中,SV为每搏输出量,W为体重(kg),Y为年龄,HR为心率(bpm),用下式计算:
PP*=(0.49×PP)+(0.3×Y)+7.11,
其中,PP为脉搏压(PP=SBP-DBP)。则心输出量CO为:
CO=HR×SV,
静息状态下冠脉流量为:
Q=γCO,
其中γ=0.045是CO流入冠脉分支的比例系数;
步骤S207,基于步骤S206所得的冠脉树入口流量,根据Murray定律对冠脉分叉处进行流量分配,得到静息状态下整个冠脉树的流量场。Murray定律指的是血管树在分叉点处各分支的流量和半径的三次方成正比,公式为:Qi∝ri 3;
步骤S208,冠状动脉的半径在压力影响下的变化通常比较小,因此一般计算中忽略血管形变,将血管当做刚体,即血管截面积A只与轴向坐标x相关,与压力无关。此外,冠脉计算中,例如计算冠脉FFR,一般只考虑稳态情况,因此可以使用稳态的降阶模型来计算每段血管的压降,其方程为:
步骤S209,对于每段血管,使用回归方法,例如,高斯回归等,对血管半径进行拟合,获得的拟合半径作为该段血管的健康半径。沿轴线方向计算血管的狭窄度,狭窄度的定义为其中ri为原始半径,为拟合半径。当SDi>θS时,认为该位置是狭窄区域,其中θS为经验阈值;
步骤S210,对于冠脉树中存在的狭窄区域,使用狭窄模型进行压降的修正:
其中,A0和As分别为参考截面面积(狭窄段两端截面面积的平均值)和狭窄的最小截面面积,Kt=1.52为经验系数。狭窄模型如图6所示,其中,d0和d1为狭窄两端截面的直径,ds为狭窄最小截面的直径,l表示狭窄段的长度,因此,可以用如下公式计算包含狭窄的血管的压降:
步骤S211,在分叉处,根据质量守恒和总压连续计算上下游各段血管的边界压力,压力和流量满足如下关系:
其中,P0,Q0,A0分布代表上游段出口位置的压力、流量和截面面积,Pi,Qi,Ai分布代表下游分段i的出口位置的压力、流量和截面面积;
步骤S212,使用脉搏平均压MBP作为冠脉树的入口压力,并基于步骤S207得到的流量场,使用步骤S208或步骤S210中的降阶模型,计算出冠脉树的压力场(包括各出口压力)。使用电路模型,如图7所示,其中,Q_in为入口流量,P为入口压力,C_T为容抗,R和Z_0 为阻抗,P_out为静脉压力来模拟冠脉出口到静脉之间的阻力,根据出口i的压力Pi和静脉压力Pout(一般取5mmHg)计算出口i在静息状态下的阻抗值Qi为出口i的流量,其中,下标b为baseline,代表静息状态,在稳态且血管为刚体的场景中,Z_0和C_T的值为0;
步骤S214,根据充血状态下的阻抗值Rh,i和入口压力(即MBP),使用步骤S208或步骤 S210中的一维血流模型计算出冠脉树在充血状态下的血流特性(压力、速度等)。使用一维血流模型计算的冠脉树,如图5所示。各出口压力与使用三维模型计算的结果的对比,如图8 所示,其中,P-1D为一维血流模型结果,P-3D为三维模型结果,Difference为误差,Means 为平均压力。左图表示一维血流模型结果与三维模型一致,其中,R2=0.89,R2指的是拟合系数,R2的值越接近1表示预测值越接近真实值,即一维模型的结果越接近三维模型。右图表示两者之间的平均误差为3.06,冠脉树的入口压力一般在100左右,因此对应到FFR上平均误差为0.03,误差较小,图8中的SD1.96为1.96倍的标准差,-SD1.96~SD1.96代表95%的置信区间。误差均在此区间内表示误差比较集中,误差一致性较高,即表示一维模型计算包含多分支冠脉树时不存在系统性问题。
步骤S215,根据所得的血流特性计算出所需的血流功能学指标。
实施例2
本实施例涉及一种具体的使用一维血流模型优化虚拟支架的方法,具体步骤包括:
步骤S301,基于图像数据通过图像处理技术获得血管几何数据,例如,血管三维模型,并进一步从几何数据中提取几何特征,例如。中心线、半径;
步骤S302,通过基本数据和经验关系获得冠脉树的入口压力和流量,使用三维模型计算出整体动脉树的第二流场数据,包括流速、压力等;
步骤S303,根据虚拟支架需要放置的位置,截取适当长度,例如取狭窄长度的3倍的血管段,其中,包含支架需要放置的位置作为优化过程的计算域;
步骤S304,根据步骤S303所截取的计算域,从步骤S301所获得的整体几何特征中提取出对应计算域部分的几何特征,也即,长度和沿轴线分布的半径;
步骤S305,根据步骤S303中截取的计算域,从三维模型的计算结果中提取入口截面的流量值Q和平均压力P;
步骤S306,在计算域中放置虚拟支架或调整支架位置,根据放置虚拟支架后血管的形状变化调整相应位置的半径值,放置虚拟支架后,血管原来狭窄位置的血管壁将被撑开,相应的半径会变大;
步骤S307,基于步骤S304、步骤S305、步骤S306所获得的几何特征和边界条件,使用一维血流模型计算出该计算域内的压力场,通过压力数据计算出的血流动力学指标,例如, FFR。一维血流模型可使用如下形式:
步骤S308,根据血流功能学指标判断是否需要调整虚拟支架的位置,如果需要调整,则重复步骤S305~S307,直至获得最优的结果,支架放置在该位置,FFR的值最大或满足需求。使用一维血流模型(降阶模型),和三维模型所得的计算域内的FFR对比如图9所示,两者得出的FFR的最大误差在0.02左右。
实施例3
本实施例涉及一种具体的使用降阶模型计算血管内血流三维模拟计算提供初始流场的方法,具体步骤包括:
步骤S401,基于图像数据,通过图像处理技术获得血管的几何信息,包括中心线、中心线名字、沿中心线分布的半径等数据;
步骤S402,选取两条中心线,从出口位置开始遍历计算两条中心线点之间的距离d,如果d<0.5mm,则认为该位置是这两条中心线的分叉点;
步骤S403,重复步骤S402,遍历所有的中心线,获得所有分叉点的位置;
步骤S404,遍历每条中心线,将两个分叉点之间的中心线作为一段血管,从而获得血管树;
步骤S405,根据血管树中各段中心线中各点的间距计算出各段血管的长度;
步骤S406,根据具体场景的边界条件数据,该实施例为计算冠状动脉的血流特性,边界条件可以根据基本数据和经验公式获得,与实施例1中的步骤S206相同;
步骤S407,基于上述获得的几何特征和边界条件,求解一维血流模型的方程,获得血管内的整个第一流场数据,也即,每个位置的流动速度;
步骤S408,使用插值方法,例如线性插值等,将边界条件和步骤S407所得的第一流场数据对应到三维模型的计算网格中,作为三维模型的初始流场;
步骤S409,基于一维血流模型提供的初始流场,使用三维模型进行迭代计算,迭代计算收敛后即可获得血流特性,根据血流特性计算所需的血流功能学指标。
实施例4
本实施例涉及一种具体的人工智能算法提供数据集以预测冠脉血流储备分数的方法,其基本过程示意图,如图10所示,具体步骤包括:
步骤S501,选择所需的血管几何特征,例如,半径、长度、曲率、血管树的拓扑结构,以及狭窄的长度、位置、最小半径等,组成特征向量E[R(半径),l(长度),ρ(曲率),...];
步骤S502,通过改变特征向量E中一个或多个元素的值以生成大量不同形状的血管;
步骤S503,使用降阶模型(即上述的一维血流模型),计算步骤S502中所生成的每个血管,得到每个血管的血流特性;
步骤S504,根据步骤S503所得的血流特性数据计算每个血管的FFR,在特征向量E中加入随机噪声,将所有血管的特征向量E和相应的FFR值一起组成用于训练人工智能算的数据集;
步骤S505,以所有血管的特征向量E作为输入特征,以FFR值作为输出特征,训练出人工智能模型;
步骤S506,(使用时)通过图像处理技术从患者的医疗图像中提取血管的几何特征;
步骤S507,基于步骤S506获得的几何特征,使用步骤S505获得的人工智能模型预测出冠脉的FFR值。
从以上的描述中,可以看出,本申请上述的实施例实现了如下技术效果:
1)、应用本申请的技术方案,首先获取目标冠脉血管的一维血流模型,一维血流模型包括未知的几何信息和未知的边界条件;接着求解未知的几何信息和未知的边界条件,得到求解后的一维血流模型;最后采用求解后的一维血流模型,计算得到目标冠脉血管的功能学指标。本申请通过对未知的几何信息和未知的边界条件进行求解,建立目标冠脉血管的一维血流模型的方式,实现了将冠脉血管的三维血流模型降阶为一维流动模型的目的,从而降低了对计算资源的较高需求,并且缩短了计算时长,进而解决了现有技术中采用三维流动方程获取血流特性的方法计算量较大,对计算资源有较高要求的技术问题。
2)、应用本申请的技术方案,获取单元用于获取目标冠脉血管的一维血流模型,一维血流模型包括未知的几何信息和未知的边界条件;求解单元用于求解未知的几何信息和未知的边界条件,得到求解后的一维血流模型;计算单元用于采用求解后的一维血流模型,计算得到目标冠脉血管的功能学指标。本申请通过对未知的几何信息和未知的边界条件进行求解,建立目标冠脉血管的一维血流模型的方式,实现了将冠脉血管的三维血流模型降阶为一维流动模型的目的,从而降低了对计算资源的较高需求,并且缩短了计算时长,进而解决了现有技术中采用三维流动方程获取血流特性的方法计算量较大,对计算资源有较高要求的技术问题。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (9)
1.一种计算血管功能学指标的方法,其特征在于,包括:
获取目标冠脉血管的一维血流模型,所述一维血流模型包括未知的几何信息和未知的边界条件;
求解所述未知的几何信息和所述未知的边界条件,得到求解后的所述一维血流模型;
采用求解后的所述一维血流模型,计算得到目标冠脉血管的功能学指标,
所述边界条件包括充血状态下的阻抗值,求解所述未知的边界条件,包括:
根据用户的相关信息,确定静息状态下的冠脉树入口流量,所述相关信息包括体重、年龄、心率和脉搏压;
基于所述冠脉树入口流量,对冠脉分叉处进行流量分配,得到静息状态下的冠脉树流量场;
至少根据所述冠脉树流量场确定所述充血状态下的阻抗值。
2.根据权利要求1所述的方法,其特征在于,所述几何信息包括血管的长度,求解所述未知的几何信息,包括:
获取所述目标冠脉血管的图像数据,且根据所述图像数据获取冠脉树;
获取所述冠脉树中各段血管的长度。
3.根据权利要求1所述的方法,其特征在于,至少根据所述冠脉树流量场确定所述充血状态下的阻抗值,包括:
根据所述冠脉树流量场和冠脉树入口压力,确定冠脉树压力场,所述冠脉树入口压力为脉搏平均压;
根据所述冠脉树压力场和所述冠脉树流量场,确定静息状态下的阻抗值;
获取冠脉总阻力指数;
根据所述静息状态下的阻抗值和所述冠脉总阻力指数,确定所述充血状态下的阻抗值。
4.根据权利要求1所述的方法,其特征在于,所述方法包括:
确定所述冠脉树中的狭窄段;
获取所述狭窄段两端截面面积的平均值和所述狭窄段的最小截面面积;
采用所述两端截面面积的平均值和所述最小截面面积,对所述一维血流模型进行修正,得到所述狭窄段的一维血流模型。
5.根据权利要求2所述的方法,其特征在于,所述边界条件包括静息状态下的冠脉树入口流量,所述方法还包括:
采用求解后的所述一维血流模型,计算得到所述目标冠脉血管的第一流场数据;
将所述第一流场数据作为三维血流模型的初始流场。
6.根据权利要求1所述的方法,其特征在于,求解所述未知的几何信息和所述未知的边界条件,包括:
获取所述目标冠脉血管的三维几何模型和三维血流模型;
根据所述三维几何模型求解所述未知的几何信息,根据所述三维血流模型求解所述未知的边界条件。
7.一种计算血管功能学指标的装置,其特征在于,包括:
获取单元,用于获取目标冠脉血管的一维血流模型,所述一维血流模型包括未知的几何信息和未知的边界条件;
求解单元,用于求解所述未知的几何信息和所述未知的边界条件,得到求解后的所述一维血流模型;
计算单元,用于采用求解后的所述一维血流模型,计算得到目标冠脉血管的功能学指标,
所述求解单元包括第一确定模块、分配模块和第二确定模块,所述第一确定模块用于根据用户的相关信息,确定静息状态下的冠脉树入口流量,相关信息包括体重、年龄、心率和脉搏压;所述分配模块用于基于冠脉树入口流量,对冠脉分叉处进行流量分配,得到静息状态下的冠脉树流量场;所述第二确定模块用于至少根据冠脉树流量场确定充血状态下的阻抗值。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的程序,其中,在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至6中任意一项所述的方法。
9.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1至6中任意一项所述的方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211110964.2A CN115482212A (zh) | 2021-12-17 | 2021-12-17 | 基于血流模型确定血管功能学指标的方法及装置 |
CN202111555060.6A CN114298988B (zh) | 2021-12-17 | 2021-12-17 | 计算血管功能学指标的方法、装置、存储介质及处理器 |
CN202211167384.7A CN115439461A (zh) | 2021-12-17 | 2021-12-17 | 基于血流模型计算血管功能学指标的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111555060.6A CN114298988B (zh) | 2021-12-17 | 2021-12-17 | 计算血管功能学指标的方法、装置、存储介质及处理器 |
Related Child Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211110964.2A Division CN115482212A (zh) | 2021-12-17 | 2021-12-17 | 基于血流模型确定血管功能学指标的方法及装置 |
CN202211167384.7A Division CN115439461A (zh) | 2021-12-17 | 2021-12-17 | 基于血流模型计算血管功能学指标的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114298988A CN114298988A (zh) | 2022-04-08 |
CN114298988B true CN114298988B (zh) | 2022-11-15 |
Family
ID=80967768
Family Applications (3)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211167384.7A Pending CN115439461A (zh) | 2021-12-17 | 2021-12-17 | 基于血流模型计算血管功能学指标的方法及装置 |
CN202211110964.2A Pending CN115482212A (zh) | 2021-12-17 | 2021-12-17 | 基于血流模型确定血管功能学指标的方法及装置 |
CN202111555060.6A Active CN114298988B (zh) | 2021-12-17 | 2021-12-17 | 计算血管功能学指标的方法、装置、存储介质及处理器 |
Family Applications Before (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211167384.7A Pending CN115439461A (zh) | 2021-12-17 | 2021-12-17 | 基于血流模型计算血管功能学指标的方法及装置 |
CN202211110964.2A Pending CN115482212A (zh) | 2021-12-17 | 2021-12-17 | 基于血流模型确定血管功能学指标的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (3) | CN115439461A (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114998319B (zh) * | 2022-07-18 | 2022-11-08 | 浙江大学 | 图像数据处理方法、装置、图像数据处理设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013138428A1 (en) * | 2012-03-15 | 2013-09-19 | Siemens Aktiengesellschaft | A framework for personalization of coronary flow computations during rest and hyperemia |
US9087147B1 (en) * | 2014-03-31 | 2015-07-21 | Heartflow, Inc. | Systems and methods for determining blood flow characteristics using flow ratio |
CN111227822A (zh) * | 2018-11-28 | 2020-06-05 | 苏州润心医疗器械有限公司 | 基于心肌血流量和ct图像的冠状动脉血流储备分数计算方法 |
CN112704505A (zh) * | 2020-11-20 | 2021-04-27 | 杭州阿特瑞科技有限公司 | 一种利用cta和dsa测量冠状动脉血流储备分数的方法 |
CN113040796A (zh) * | 2021-03-12 | 2021-06-29 | 北京阅影科技有限公司 | 获取冠状动脉功能学指标的方法与装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018057529A1 (en) * | 2016-09-20 | 2018-03-29 | Heartflow, Inc. | System and methods for estimation of blood flow characteristics using reduced order model and machine learning |
-
2021
- 2021-12-17 CN CN202211167384.7A patent/CN115439461A/zh active Pending
- 2021-12-17 CN CN202211110964.2A patent/CN115482212A/zh active Pending
- 2021-12-17 CN CN202111555060.6A patent/CN114298988B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013138428A1 (en) * | 2012-03-15 | 2013-09-19 | Siemens Aktiengesellschaft | A framework for personalization of coronary flow computations during rest and hyperemia |
US9087147B1 (en) * | 2014-03-31 | 2015-07-21 | Heartflow, Inc. | Systems and methods for determining blood flow characteristics using flow ratio |
CN111227822A (zh) * | 2018-11-28 | 2020-06-05 | 苏州润心医疗器械有限公司 | 基于心肌血流量和ct图像的冠状动脉血流储备分数计算方法 |
CN112704505A (zh) * | 2020-11-20 | 2021-04-27 | 杭州阿特瑞科技有限公司 | 一种利用cta和dsa测量冠状动脉血流储备分数的方法 |
CN113040796A (zh) * | 2021-03-12 | 2021-06-29 | 北京阅影科技有限公司 | 获取冠状动脉功能学指标的方法与装置 |
Non-Patent Citations (1)
Title |
---|
基于CTA数据有限元模拟测量FFR值与临床验证;钟华等;《中国数字医学》;20180915(第09期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114298988A (zh) | 2022-04-08 |
CN115439461A (zh) | 2022-12-06 |
CN115482212A (zh) | 2022-12-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11653833B2 (en) | System and methods for estimation of blood flow characteristics using reduced order model and machine learning | |
CN111754506B (zh) | 基于腔内影像的冠脉狭窄率计算方法、装置、系统和计算机存储介质 | |
US10463336B2 (en) | Method and system for purely geometric machine learning based fractional flow reserve | |
CN107115111B (zh) | 血流状态分析系统及方法 | |
US20200098481A1 (en) | Methods and systems for predicting sensitivity of blood flow calculations to changes in anatomical geometry | |
US10990652B2 (en) | Systems and methods for identifying and modeling unresolved vessels in image-based patient-specific hemodynamic models | |
JP2017535340A (ja) | 純粋幾何学的機械学習に基づいて血流予備量比を求める方法及びシステム | |
KR20160031026A (ko) | 혈관 기하학적 구조 및 생리학으로부터 혈류 특징들을 추정하기 위한 시스템들 및 방법들 | |
CN109288537B (zh) | 评估血流储备分数的系统、方法、设备及存储介质 | |
CN114298988B (zh) | 计算血管功能学指标的方法、装置、存储介质及处理器 | |
CN116013533A (zh) | 冠脉的血流动力学评估模型的训练方法、评估方法及系统 | |
CN113040796A (zh) | 获取冠状动脉功能学指标的方法与装置 | |
CN113180614A (zh) | 无导丝ffr、无导丝imr和无导丝cfr的检测方法 | |
JP2022519876A (ja) | 対象となる導管を通る流体の流れを決定するシステムおよび方法 | |
CN113907720B (zh) | 测量血管功能学指标的方法、装置与处理器 | |
Nair et al. | Non-invasive estimation of pressure drop across aortic coarctations: validation of 0D and 3D computational models with in vivo measurements | |
CN114334160B (zh) | 求解血管功能学指标的方法、装置及计算机可读存储介质 | |
CN114998319B (zh) | 图像数据处理方法、装置、图像数据处理设备及存储介质 | |
WO2022188881A1 (zh) | 无导丝ffr、无导丝imr和无导丝cfr的检测方法 | |
CN117976155A (zh) | 基于造影剂示踪曲线获得冠脉功能学参数的方法、计算机设备 | |
CN117313574A (zh) | 微循环阻力指数计算方法、装置、设备及存储介质 | |
Zhang et al. | Simulation and analysis of three-dimensional arterial trees | |
CN117688867A (zh) | 一种微循环阻力储备分数确定方法、装置、设备及介质 | |
KR20220017227A (ko) | Lbm 기반의 혈류 시뮬레이션 장치, 방법 및 컴퓨터 프로그램 | |
CN117814827A (zh) | 一种基于血流储备分数无创评估肾动脉狭窄程度的系统 |
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 |