CN114462329A - 一种升主动脉流体力学参数的测算方法和装置 - Google Patents

一种升主动脉流体力学参数的测算方法和装置 Download PDF

Info

Publication number
CN114462329A
CN114462329A CN202210024703.2A CN202210024703A CN114462329A CN 114462329 A CN114462329 A CN 114462329A CN 202210024703 A CN202210024703 A CN 202210024703A CN 114462329 A CN114462329 A CN 114462329A
Authority
CN
China
Prior art keywords
ascending aorta
fluid mechanics
fluid
data set
deep learning
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
CN202210024703.2A
Other languages
English (en)
Inventor
杨淞然
华平
吕磊
李昊天
吴宗吕
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.)
Sun Yat Sen Memorial Hospital Sun Yat Sen University
Original Assignee
Sun Yat Sen Memorial Hospital Sun Yat Sen University
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 Sun Yat Sen Memorial Hospital Sun Yat Sen University filed Critical Sun Yat Sen Memorial Hospital Sun Yat Sen University
Priority to CN202210024703.2A priority Critical patent/CN114462329A/zh
Publication of CN114462329A publication Critical patent/CN114462329A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
    • 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
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Geometry (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Public Health (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Hardware Design (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Primary Health Care (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Epidemiology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Fluid Mechanics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Algebra (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Computer Graphics (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

本发明实施例提供了一种升主动脉流体力学参数的测算方法和装置，所述方法包括：获取若干升主动脉图像和每个升主动脉图像对应的流体力学指标，并构建第一数据集；对所述第一数据集进行掩模提取操作，提取升主动脉掩模，获得第二数据集；通过Navier－Stokes方程获取若干个第一流体力学参数；利用所述若干个第一流体力学参数建立深度学习平台，并通过所述若干个第一流体力学参数对所述深度学习平台进行训练，直到所述深度学习平台收敛；将待测的升主动脉图像输入收敛的深度学习平台，测算获得所述待测的升主动脉图像对应的流体力学参数。本发明相对于现有技术，测算过程高效、便捷快速，步骤简洁，可实现更高的精确度并减少了计算量。

Description

一种升主动脉流体力学参数的测算方法和装置
技术领域
本发明涉及升主动脉流体力学取领域，尤其涉及一种升主动脉流体力学参数的测算方法和装置。
背景技术
目前，对于升主动脉瘤，各大医院临床医生主要以瘤径作为判定手术时机的主要指标，但是这种方法极易漏诊，因此亟需更精准的筛选指标用于识别早期的升主动脉瘤。现有技术主要依靠流体力学指标，包括管壁压力、血液流速，特别是壁面剪切力的相关指标，能更为准确地预测升主动脉瘤的体积增大、夹层形成以及破裂的风险，并且能够较为预测破口位置、评估附壁血栓形成风险等。然而，现有技术中这些流体力学指标并不能通过无创手段直接获取，只能依靠间接的手段进行计算。目前基于影像学资料的主流技术计算量大、步骤繁琐、耗时长，且需要相关人员具有较强的流体力学的模拟和相关的计算机技术基础。
发明内容
本发明提供了一种升主动脉流体力学参数的测算方法和装置，简化了流体力学参数测算的步骤，减少了计算量。
为了解决上述技术问题，本发明实施例提供了一种升主动脉流体力学参数的测算方法，包括：
获取若干升主动脉图像和每个升主动脉图像对应的流体力学指标，并构建第一数据集；
对所述第一数据集进行掩模提取操作，提取升主动脉掩模，获得第二数据集；
根据所述第二数据集，通过Navier－Stokes方程获取若干个第一流体力学参数；
利用所述若干个第一流体力学参数建立深度学习平台，并通过所述若干个第一流体力学参数对所述深度学习平台进行训练，直到所述深度学习平台收敛；
将待测的升主动脉图像输入收敛的深度学习平台，测算获得所述待测的升主动脉图像对应的流体力学参数。
作为优选方案，所述根据所述第二数据集，通过Navier－Stokes方程获取若干个第一流体力学参数，具体为：
获取正常人体的血液密度均值ρ、血液黏度均值μ，通过不可压缩流体的Navier－Stokes方程获取第一流体力学参数，其矢量形式具体为：
Figure BDA0003462284510000021
其中，V为患者的升主动脉的入口流速，p为患者的升主动脉的出口压力，g为重力加速度。
作为优选方案，在所述利用所述若干个第一流体力学参数建立深度学习平台之前，还包括：对所述若干个第一流体力学参数进行基于k－means算法的空间聚类操作；其中，所述空间聚类操作的最大聚类个数为k＝4。
作为优选方案，所述深度学习平台的损失函数采用均方误差函数，所述均方误差函数具体为：
Figure BDA0003462284510000022
其中，对于编号为t，取值范围为1至N的任一流体力学参数，MSE为流体力学参数的均方误差，Observedt为所述第二数据集的任一流体力学指标的观测值，predictedt为所述深度学习平台输出的预测值。
作为优选方案，在所述根据所述第二数据集，通过Navier－Stokes方程获取若干个第一流体力学参数之前，还包括：对所述第二数据集设置边界条件，具体地：对所述第二数据集进行网格划分；设置窦管交界为血流入口，头臂干发出处为出口，定义血管壁及流体域；对所述第二数据集的流体域和边界层进行网格细化和重建。
相应的，本发明还提供了一种升主动脉流体力学参数的测算装置，包括构建模块、提取模块、第一流体力学参数模块、深度学习平台建立模块和测算模块；其中，
所述构建模块用于获取若干升主动脉图像和每个升主动脉图像对应的流体力学指标，并构建第一数据集；
所述提取模块用于对所述第一数据集进行掩模提取操作，提取升主动脉掩模，获得第二数据集；
所述第一流体力学参数模块用于根据所述第二数据集，通过Navier－Stokes方程获取若干个第一流体力学参数；
所述深度学习平台建立模块用于利用所述若干个第一流体力学参数建立深度学习平台，并通过所述若干个第一流体力学参数对所述深度学习平台进行训练，直到所述深度学习平台收敛；
所述测算模块用于将待测的升主动脉图像输入收敛的深度学习平台，测算获得所述待测的升主动脉图像对应的流体力学参数。
作为优选方案，所述第一流体力学参数模块用于根据所述第二数据集，通过Navier－Stokes方程获取若干个第一流体力学参数，具体为：
所述第一流体力学参数模块获取正常人体的血液密度均值ρ、血液黏度均值μ，通过不可压缩流体的Navier－Stokes方程获取第一流体力学参数，其矢量形式具体为：
Figure BDA0003462284510000031
其中，V为患者的升主动脉的入口流速、p为患者的升主动脉的出口压力，g为重力加速度。
作为优选方案，所述测算装置还包括聚类模块，所述聚类模块用于在所述深度学习平台建立模块利用所述若干个第一流体力学参数建立深度学习平台之前，对所述若干个第一流体力学参数进行基于k－means算法的空间聚类操作；其中，所述空间聚类操作的最大聚类个数为k＝4。
作为优选方案，所述深度学习平台的损失函数采用均方误差函数，所述均方误差函数具体为：
Figure BDA0003462284510000041
其中，对于编号为t，取值范围为1至N的任一流体力学参数，MSE为流体力学参数的均方误差，Observedt为所述第二数据集的任一流体力学指标的观测值，predictedt为所述深度学习平台输出的预测值。
作为优选方案，所述测算装置还包括边界设置模块，所述边界设置模块用于在所述第一流体力学参数模块根据所述第二数据集，通过Navier－Stokes方程获取若干个第一流体力学参数之前，对所述第二数据集设置边界条件，具体地：对所述第二数据集进行网格划分；设置窦管交界为血流入口，头臂干发出处为出口，定义血管壁及流体域；对所述第二数据集的流体域和边界层进行网格细化和重建。
相比于现有技术，本发明实施例具有如下有益效果：
本发明实施例提供了一种升主动脉流体力学参数的测算方法和装置，所述方法包括：获取若干升主动脉图像和每个升主动脉图像对应的流体力学指标，并构建第一数据集；对所述第一数据集进行掩模提取操作，提取升主动脉掩模，获得第二数据集；根据所述第二数据集，通过Navier－Stokes方程获取若干个第一流体力学参数；利用所述若干个第一流体力学参数建立深度学习平台，并通过所述若干个第一流体力学参数对所述深度学习平台进行训练，直到所述深度学习平台收敛；将待测的升主动脉图像输入收敛的深度学习平台，测算获得所述待测的升主动脉图像对应的流体力学参数。本发明相对于现有技术，通过Navier－Stokes方程获取第一流体力学参数并构建深度学习平台，通过对深度学习平台进行训练，利用训练好的平台对患者的升主动脉的流体力学参数进行自动测算，测算过程高效、便捷快速，步骤简洁，可实现更高的精确度并减少了计算量。
附图说明
图1：为本发明提供的一种升主动脉流体力学参数的测算方法的一种实施例的流程示意图。
图2：为本发明提供的一种升主动脉流体力学参数的测算装置的一种实施例的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一：
请参照图1，图1为本发明实施例提供的一种升主动脉流体力学参数的测算方法，包括步骤S1至S5，其中，
步骤S1，获取若干升主动脉图像和每个升主动脉图像对应的流体力学指标，并构建第一数据集。
在本实施例中，选取患者真实、原始的影像学资料，对所述影像学资料进行提取(可人工提取可自动提取)，获取若干升主动脉图像和对应的流体力学指标，构建所述第一数据集。
步骤S2，对所述第一数据集进行掩模提取操作，提取升主动脉掩模，获得第二数据集。
在本实施例中，在步骤S3之前还包括对所述第二数据集设置边界条件，具体地：对所述第二数据集进行网格划分，设置窦管交界为血流入口，头臂干发出处为出口，并定义血管壁及流体域；对所述第二数据集的流体域和边界层进行网格细化和重建，使流体域和边界网格总数量不低于150万个(经前期网格独立性分析研究发现，当网格数量不低于150万个时，可保证测算结果的准确性)。并对网格的质量进行检查和优化。
步骤S3，根据所述第二数据集，通过Navier－Stokes方程获取若干个第一流体力学参数。
在本实施例中，获取正常人体的血液密度均值ρ、血液黏度均值μ，通过CFD方法，以不可压缩流体的Navier－Stokes方程为基础，获取第一流体力学参数，其矢量形式具体为：
Figure BDA0003462284510000061
其中，V为患者的升主动脉的入口流速、p为患者的升主动脉的出口压力，g为重力加速度。
进一步可得，
Figure BDA0003462284510000062
Figure BDA0003462284510000063
Figure BDA0003462284510000064
其中，u，v，w分别为血液在t时刻，在坐标为(x，y，z)的点处的速度分量，f是单位体积血液受到的外力。本实施例中还包括边界条件：由于本实施例是针对一个心动周期内瞬态流体力学参数的测算，因此定义血管壁为刚性壁，无位移，血液性质为不可压缩的牛顿流体，血液密度ρ取1060kg/m3，血液黏度取0.0035Pa/s。在一个心动周期内，入口为一个心动周期的流速，出口为一个心动周期的压力。其中，血液密度、黏度是基于正常人体的均值得到的，心动周期可通过患者的真实心率计算得到，入口流速和出口压力从心率数据中获取。
经过通过Navier－Stokes方程获取若干个类型为包括但不限于管壁压力、血液流速、壁面剪切力的第一流体力学参数。
在步骤S4之前，所述测算方法还包括对所述若干个第一流体力学参数进行基于k－means算法的空间聚类操作；其中，所述空间聚类操作的最大聚类个数为k＝4(经过实验发现当k值取4时测算效果最优)。
步骤S4，利用所述若干个第一流体力学参数建立深度学习平台，并通过所述若干个第一流体力学参数对所述深度学习平台进行训练，直到所述深度学习平台收敛。
在本实施例中，将若干个第一流体力学参数按照8：1：1的比例划分为训练集、验证集和测试集。所述深度学习平台基于残差神经网络为基本架构的深度学习算法。所述深度学习算法先经过一个7＊7，步长为2，padding为3，输出通道数为64的卷积层；再经过一个3＊3的最大池化层进行降采样；后接若干层残差模块进行特征提取；最后使用1个全连接层和线性整流函数进行回归分析和非正值校正。
所述深度学习平台采用均方误差函数来进行效能评价，所述均方误差函数具体为：
Figure BDA0003462284510000071
其中，对于编号为t，取值范围为1至N的任一流体力学参数，MSE为流体力学参数的均方误差，Observedt为所述第二数据集的任一流体力学指标的观测值，predictedt为所述深度学习平台输出的预测值。
利用所述训练集对所述深度学习平台进行训练，更新权重，调整参数，以优化网络的设置。并利用所述验证集对所述深度学习平台进行验证，经过迭代100次后，损失函数稳定在1以下，经过测试集测试确认有较优的测算效果，能够较为准确地测算各层面升主动脉的流体力学参数水平。
步骤S5，将待测的升主动脉图像输入收敛的深度学习平台，测算获得所述待测的升主动脉图像对应的流体力学参数。准确地预测了破口位置、评估附壁血栓形成风险等。有效简化了测算流程，降低了测算成本。
相应的，参照图2，本发明还提供了一种升主动脉流体力学参数的测算装置，包括构建模块101、提取模块102、第一流体力学参数模块103、深度学习平台建立模块104和测算模块105；其中，
所述构建模块101用于获取若干升主动脉图像和每个升主动脉图像对应的流体力学指标，并构建第一数据集；
所述提取模块102用于对所述第一数据集进行掩模提取操作，提取升主动脉掩模，获得第二数据集；
所述第一流体力学参数模块103用于根据所述第二数据集，通过Navier－Stokes方程获取若干个第一流体力学参数；
所述深度学习平台建立模块104用于利用所述若干个第一流体力学参数建立深度学习平台，并通过所述若干个第一流体力学参数对所述深度学习平台进行训练，直到所述深度学习平台收敛；
所述测算模块105用于将待测的升主动脉图像输入收敛的深度学习平台，测算获得所述待测的升主动脉图像对应的流体力学参数。
作为优选方案，所述第一流体力学参数模块103用于根据所述第二数据集，通过Navier－Stokes方程获取若干个第一流体力学参数，具体为：
所述第一流体力学参数模块103获取正常人体的血液密度均值ρ、血液黏度均值μ，通过不可压缩流体的Navier－Stokes方程获取第一流体力学参数，其矢量形式具体为：
Figure BDA0003462284510000081
其中，V为患者的升主动脉的入口流速、p为患者的升主动脉的出口压力，g为重力加速度。
作为优选方案，所述测算装置还包括聚类模块，所述聚类模块用于在所述深度学习平台建立模块利用所述若干个第一流体力学参数建立深度学习平台之前，对所述若干个第一流体力学参数进行基于k－means算法的空间聚类操作；其中，所述空间聚类操作的最大聚类个数为k＝4。
作为优选方案，所述深度学习平台的损失函数采用均方误差函数，所述均方误差函数具体为：
Figure BDA0003462284510000082
其中，对于编号为t，取值范围为1至N的任一流体力学参数，MSE为流体力学参数的均方误差，Observedt为所述第二数据集的任一流体力学指标的观测值，predictedt为所述深度学习平台输出的预测值。
作为优选方案，所述测算装置还包括边界设置模块，所述边界设置模块用于在所述第一流体力学参数模块根据所述第二数据集，通过Navier－Stokes方程获取若干个第一流体力学参数之前，对所述第二数据集设置边界条件，具体地：对所述第二数据集进行网格划分；设置窦管交界为血流入口，头臂干发出处为出口，定义血管壁及流体域；对所述第二数据集的流体域和边界层进行网格细化和重建。
相比于现有技术，本发明实施例具有如下有益效果：
本发明实施例提供了一种升主动脉流体力学参数的测算方法和装置，所述方法包括：获取若干升主动脉图像和每个升主动脉图像对应的流体力学指标，并构建第一数据集；对所述第一数据集进行掩模提取操作，提取升主动脉掩模，获得第二数据集；根据所述第二数据集，通过Navier－Stokes方程获取若干个第一流体力学参数；利用所述若干个第一流体力学参数建立深度学习平台，并通过所述若干个第一流体力学参数对所述深度学习平台进行训练，直到所述深度学习平台收敛；将待测的升主动脉图像输入收敛的深度学习平台，测算获得所述待测的升主动脉图像对应的流体力学参数。本发明相对于现有技术，通过Navier－Stokes方程获取第一流体力学参数并构建深度学习平台，通过对深度学习平台进行训练，利用训练好的平台对患者的升主动脉的流体力学参数进行自动测算，测算过程高效、便捷快速，步骤简洁，可实现更高的精确度并减少了计算量。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。特别指出，对于本领域技术人员来说，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种升主动脉流体力学参数的测算方法，其特征在于，包括：
获取若干升主动脉图像和每个升主动脉图像对应的流体力学指标，并构建第一数据集；
对所述第一数据集进行掩模提取操作，提取升主动脉掩模，获得第二数据集；
根据所述第二数据集，通过Navier－Stokes方程获取若干个第一流体力学参数；
利用所述若干个第一流体力学参数建立深度学习平台，并通过所述若干个第一流体力学参数对所述深度学习平台进行训练，直到所述深度学习平台收敛；
将待测的升主动脉图像输入收敛的深度学习平台，测算获得所述待测的升主动脉图像对应的流体力学参数。
2.如权利要求1所述的一种升主动脉流体力学参数的测算方法，其特征在于，所述根据所述第二数据集，通过Navier－Stokes方程获取若干个第一流体力学参数，具体为：
获取正常人体的血液密度均值ρ、血液黏度均值μ，通过不可压缩流体的Navier－Stokes方程获取第一流体力学参数，其矢量形式具体为：
Figure FDA0003462284500000011
其中，V为患者的升主动脉的入口流速，p为患者的升主动脉的出口压力，g为重力加速度。
3.如权利要求1所述的一种升主动脉流体力学参数的测算方法，其特征在于，在所述利用所述若干个第一流体力学参数建立深度学习平台之前，还包括：对所述若干个第一流体力学参数进行基于k－means算法的空间聚类操作；其中，所述空间聚类操作的最大聚类个数为k＝4。
4.如权利要求1所述的一种升主动脉流体力学参数的测算方法，其特征在于，所述深度学习平台的损失函数采用均方误差函数，所述均方误差函数具体为：
Figure FDA0003462284500000021
其中，对于编号为t，取值范围为1至N的任一流体力学参数，MSE为流体力学参数的均方误差，Observedt为所述第二数据集的任一流体力学指标的观测值，predictedt为所述深度学习平台输出的预测值。
5.如权利要求1至4任意一项所述的一种升主动脉流体力学参数的测算方法，其特征在于，在所述根据所述第二数据集，通过Navier－Stokes方程获取若干个第一流体力学参数之前，还包括：对所述第二数据集设置边界条件，具体地：对所述第二数据集进行网格划分；设置窦管交界为血流入口，头臂干发出处为出口，定义血管壁及流体域；对所述第二数据集的流体域和边界层进行网格细化和重建。
6.一种升主动脉流体力学参数的测算装置，其特征在于，包括构建模块、提取模块、第一流体力学参数模块、深度学习平台建立模块和测算模块；其中，
所述构建模块用于获取若干升主动脉图像和每个升主动脉图像对应的流体力学指标，并构建第一数据集；
所述提取模块用于对所述第一数据集进行掩模提取操作，提取升主动脉掩模，获得第二数据集；
所述第一流体力学参数模块用于根据所述第二数据集，通过Navier－Stokes方程获取若干个第一流体力学参数；
所述深度学习平台建立模块用于利用所述若干个第一流体力学参数建立深度学习平台，并通过所述若干个第一流体力学参数对所述深度学习平台进行训练，直到所述深度学习平台收敛；
所述测算模块用于将待测的升主动脉图像输入收敛的深度学习平台，测算获得所述待测的升主动脉图像对应的流体力学参数。
7.如权利要求6所述的一种升主动脉流体力学参数的测算装置，其特征在于，所述第一流体力学参数模块用于根据所述第二数据集，通过Navier－Stokes方程获取若干个第一流体力学参数，具体为：
所述第一流体力学参数模块获取正常人体的血液密度均值ρ、血液黏度均值μ，通过不可压缩流体的Navier－Stokes方程获取第一流体力学参数，其矢量形式具体为：
Figure FDA0003462284500000031
其中，V为患者的升主动脉的入口流速，p为患者的升主动脉的出口压力，g为重力加速度。
8.如权利要求6所述的一种升主动脉流体力学参数的测算装置，其特征在于，所述测算装置还包括聚类模块，所述聚类模块用于在所述深度学习平台建立模块利用所述若干个第一流体力学参数建立深度学习平台之前，对所述若干个第一流体力学参数进行基于k－means算法的空间聚类操作；其中，所述空间聚类操作的最大聚类个数为k＝4。
9.如权利要求6所述的一种升主动脉流体力学参数的测算装置，其特征在于，所述深度学习平台的损失函数采用均方误差函数，所述均方误差函数具体为：
Figure FDA0003462284500000032
其中，对于编号为t，取值范围为1至N的任一流体力学参数，MSE为流体力学参数的均方误差，Observedt为所述第二数据集的任一流体力学指标的观测值，predictedt为所述深度学习平台输出的预测值。
10.如权利要求6至9任意一项所述的一种升主动脉流体力学参数的测算装置，其特征在于，所述测算装置还包括边界设置模块，所述边界设置模块用于在所述第一流体力学参数模块根据所述第二数据集，通过Navier－Stokes方程获取若干个第一流体力学参数之前，对所述第二数据集设置边界条件，具体地：对所述第二数据集进行网格划分；设置窦管交界为血流入口，头臂干发出处为出口，定义血管壁及流体域；对所述第二数据集的流体域和边界层进行网格细化和重建。
CN202210024703.2A 2022-01-10 2022-01-10 一种升主动脉流体力学参数的测算方法和装置 Pending CN114462329A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210024703.2A CN114462329A (zh) 2022-01-10 2022-01-10 一种升主动脉流体力学参数的测算方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210024703.2A CN114462329A (zh) 2022-01-10 2022-01-10 一种升主动脉流体力学参数的测算方法和装置

Publications (1)

Publication Number Publication Date
CN114462329A true CN114462329A (zh) 2022-05-10

Family

ID=81409842

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210024703.2A Pending CN114462329A (zh) 2022-01-10 2022-01-10 一种升主动脉流体力学参数的测算方法和装置

Country Status (1)

Country Link
CN (1) CN114462329A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116172598A (zh) * 2023-02-22 2023-05-30 北京医准智能科技有限公司 一种血流储备分数确定方法、装置、电子设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111815598A (zh) * 2020-06-30 2020-10-23 上海联影医疗科技有限公司 一种血管参数的计算方法、装置、设备及存储介质
CN112182994A (zh) * 2020-10-13 2021-01-05 徐州医科大学 基于胡桃夹子综合征血流动力学的血管建模方法及装置
CN112446866A (zh) * 2020-11-25 2021-03-05 上海联影医疗科技股份有限公司 血流参数的计算方法、装置、设备及存储介质
CN112446867A (zh) * 2020-11-25 2021-03-05 上海联影医疗科技股份有限公司 血流参数的确定方法、装置、设备及存储介质
CN112749521A (zh) * 2021-02-08 2021-05-04 北京泰杰伟业科技有限公司 血流动力学指标数据的处理方法和系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111815598A (zh) * 2020-06-30 2020-10-23 上海联影医疗科技有限公司 一种血管参数的计算方法、装置、设备及存储介质
CN112182994A (zh) * 2020-10-13 2021-01-05 徐州医科大学 基于胡桃夹子综合征血流动力学的血管建模方法及装置
CN112446866A (zh) * 2020-11-25 2021-03-05 上海联影医疗科技股份有限公司 血流参数的计算方法、装置、设备及存储介质
CN112446867A (zh) * 2020-11-25 2021-03-05 上海联影医疗科技股份有限公司 血流参数的确定方法、装置、设备及存储介质
CN112749521A (zh) * 2021-02-08 2021-05-04 北京泰杰伟业科技有限公司 血流动力学指标数据的处理方法和系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116172598A (zh) * 2023-02-22 2023-05-30 北京医准智能科技有限公司 一种血流储备分数确定方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
US20210358634A1 (en) Systems and methods for image processing to determine blood flow
Quarteroni et al. Geometric multiscale modeling of the cardiovascular system, between theory and practice
CN108830848B (zh) 利用计算机确定血管上的血管状况参数的序列的装置和系统
Chandra et al. Fluid-structure interaction modeling of abdominal aortic aneurysms: the impact of patient-specific inflow conditions and fluid/solid coupling
Morbiducci et al. Outflow conditions for image-based hemodynamic models of the carotid bifurcation: implications for indicators of abnormal flow
Sankaran et al. Impact of geometric uncertainty on hemodynamic simulations using machine learning
US20240081910A1 (en) Patient-specific modeling of hemodynamic parameters in coronary arteries
CN108665449B (zh) 预测血流矢量路径上的血流特征的深度学习模型及装置
Paliwal et al. Methodology for computational fluid dynamic validation for medical use: application to intracranial aneurysm
CN105792738A (zh) 用于改善功能狭窄分析的局部ffr估计和可视化
CN112749521A (zh) 血流动力学指标数据的处理方法和系统
CA3126313C (en) Patient-specific modeling of hemodynamic parameters in coronary arteries
CN114462329A (zh) 一种升主动脉流体力学参数的测算方法和装置
Wang et al. Validation of the strain assessment of a phantom of abdominal aortic aneurysm: comparison of results obtained from magnetic resonance imaging and stereovision measurements
CN116486211A (zh) 一种模型训练方法、血流储备分数计算方法、装置及设备
Tang et al. A predictive surrogate model for hemodynamics and structural prediction in abdominal aorta for different physiological conditions
CN115862849A (zh) 一种肝硬化门静脉高压的无创检测方法、系统和存储介质
CN114972165A (zh) 一种时间平均剪切力的测量方法和装置
CN115068171A (zh) 设计与评估瓣膜的方法和装置
CN113657494B (zh) 预测冠状动脉原位病变介入手术支架尺寸的深度学习方法
CN115691814A (zh) 血流动力学仿真模型构建、仿真方法、装置及电子设备
CN110742688B (zh) 血管模型建立方法、装置及可读取存储介质
Piskin et al. A canonical correlation analysis of the relationship between clinical attributes and patient-specific hemodynamic indices in adult pulmonary hypertension
CN110786839A (zh) 瞬时无波形比值的生成方法、装置、设备及介质
CN117594244A (zh) 血流参数的评估方法、装置、计算机设备、介质和产品

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