CN114972165A - 一种时间平均剪切力的测量方法和装置 - Google Patents
一种时间平均剪切力的测量方法和装置 Download PDFInfo
- Publication number
- CN114972165A CN114972165A CN202210294176.7A CN202210294176A CN114972165A CN 114972165 A CN114972165 A CN 114972165A CN 202210294176 A CN202210294176 A CN 202210294176A CN 114972165 A CN114972165 A CN 114972165A
- Authority
- CN
- China
- Prior art keywords
- network
- measuring
- image
- image set
- cta
- 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
- 238000010008 shearing Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 31
- 210000001367 artery Anatomy 0.000 claims abstract description 57
- 238000003709 image segmentation Methods 0.000 claims abstract description 26
- 238000005259 measurement Methods 0.000 claims abstract description 17
- 238000005070 sampling Methods 0.000 claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000010276 construction Methods 0.000 claims description 14
- 230000011218 segmentation Effects 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 12
- 239000012530 fluid Substances 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 238000002790 cross-validation Methods 0.000 claims description 7
- 238000000137 annealing Methods 0.000 claims description 5
- 230000000747 cardiac effect Effects 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 5
- 238000010968 computed tomography angiography Methods 0.000 description 64
- 230000006870 function Effects 0.000 description 16
- 210000000709 aorta Anatomy 0.000 description 12
- 239000008280 blood Substances 0.000 description 4
- 210000004369 blood Anatomy 0.000 description 4
- 210000002376 aorta thoracic Anatomy 0.000 description 3
- 230000001174 ascending effect Effects 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 206010002329 Aneurysm Diseases 0.000 description 2
- 230000017531 blood circulation Effects 0.000 description 2
- 210000002168 brachiocephalic trunk Anatomy 0.000 description 2
- 230000010339 dilation Effects 0.000 description 2
- 230000000004 hemodynamic effect Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 206010057453 Aortic dilatation Diseases 0.000 description 1
- 208000025494 Aortic disease Diseases 0.000 description 1
- 208000037260 Atherosclerotic Plaque Diseases 0.000 description 1
- 208000032594 Vascular Remodeling Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 208000007474 aortic aneurysm Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002224 dissection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003511 endothelial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 208000035474 group of disease Diseases 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000007505 plaque formation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 210000003291 sinus of valsalva Anatomy 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011477 surgical intervention Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/174—Segmentation; Edge detection involving the use of two or more images
-
- 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
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/24—Fluid dynamics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/41—Medical
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Software Systems (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)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供了一种时间平均剪切力的测量方法和装置，所述方法包括：读取CTA图像集和待测用户的待测CTA图像；将所述CTA图像集输入预设的图像分割网络，对所述CTA图像集进行分割，获得动脉图像集；计算所述动脉图像集中若干个动脉一一对应的时间平均剪切力；根据经过下采样的动脉图像集，结合若干个所述时间平均剪切力，构建测算网络；将所述待测CTA图像输入所述测算网络，获得所述待测用户的时间平均剪切力测量结果。相对于现有技术，解决了无法自动测量的问题，测量过程无需人工介入，降低了使用者的知识门槛；通过对动脉图像集下采样并构建测算网络，可以有效处理大量数据，提高数据处理效率。
Description
技术领域
本发明涉及壁面剪切力领域，尤其涉及一种时间平均剪切力的测量方法和装置。
背景技术
升主动脉病是一组以动脉瘤和主动脉扩张为特征的疾病，最终可能导致灾难性破裂或夹层。然而根据数据统计，至少有一半发生急性主动脉综合征的患者主动脉大小低于手术干预的阈值，因此在进行手术治疗时可能存在严重的风险。目前，研究人员正研发各种评估指标，以期提前预测主动脉患者发生不良事件的风险。
壁面剪切力是血流对动脉壁内皮表面所施加的平行摩擦力，它在主动脉扩张和动脉粥样硬化斑块的形成过程中起着关键的作用。而时间平均壁面剪切力为心动周期内的平均壁面剪切力，能够一定程度反映动脉瘤进展和动脉扩张程度。研究表明，时间平均壁面剪切力指标的增加与血管异常重塑、机械传导不良以及升主动脉瘤的破裂密切相关。现有技术不能直接测量获得动脉的时间壁面剪切力，其主要依赖流体力学技术计算得到。但是这种方法计算规模大、耗时长，临床实践中无法实时、快速地得到，并且需要计算人员具有的流体力学模拟能力和计算机知识储备。
发明内容
本发明提供了一种时间平均剪切力的测量方法和装置，以解决现有技术无法自动测量动脉的时间平均剪切力的技术问题，测量过程无需人工的介入。
为了解决上述技术问题，本发明实施例提供了一种时间平均剪切力的测量方法，包括：
读取CTA图像集和待测用户的待测CTA图像；其中，所述CTA图像集包括患者图像和非患者图像；所述待测CTA图像包括被标记的动脉区域；
将所述CTA图像集输入预设的图像分割网络，对所述CTA图像集进行分割，获得动脉图像集；
计算所述动脉图像集中若干个动脉一一对应的时间平均剪切力；
对所述动脉图像集中的每个图像进行数值归一化，并对经过数值归一化的每个图像设置若干初始点和下采样；根据经过下采样的动脉图像集，结合若干个所述时间平均剪切力，构建测算网络；
将所述待测CTA图像输入所述测算网络，获得所述待测用户的时间平均剪切力测量结果。实施本申请实施例，相对于现有技术，提供了一种针对动脉时间平均剪切力的自动测量方法，解决了现有技术无法自动测量的问题，测量过程无需人工的介入，因此无需用户具备流体力学和计算机知识，降低了使用者的知识门槛；通过对动脉图像集设置初始点和下采样并构建测算网络，可以有效处理大量数据，提高数据处理效率。
作为优选方案，所述根据经过下采样的动脉图像集，结合若干个所述时间平均剪切力，构建测算网络，具体为：
根据经过下采样的动脉图像集，结合若干个所述时间平均剪切力，以PointNet作为网络架构构建第一网络；通过5-fold交叉验证对所述第一网络进行训练，直到符合预设的收敛条件，获得所述测算网络。实施本申请实施例，通过PointNet作为第一网络的网络架构，可以更有效地处理时间平均剪切力的向量数据，提高识别空间信息的效率；通过5-fold交叉验证，更综合地考虑了测算网络的拟合能力和超参数的调整能力，使所述测算网络的各方面性能更加平衡。
作为优选方案，所述第一网络的衰减函数为余弦退火衰减，所述第一网络的损失函数为均方误差函数。
作为优选方案，在所述将所述CTA图像集输入预设的图像分割网络之前，还包括：
构建所述图像分割网络，其中，所述图像分割网络采用U-net网络架构，RMSprop优化器，并以Dice作为损失函数。
作为优选方案，所述计算所述动脉图像集中若干个动脉一一对应的时间平均剪切力，具体为：
获取所述若干个动脉的动脉半径r，根据下式计算时间平均剪切力TAWSS:
其中，WSS为壁面剪应力，μ为动力粘滞度，v为流体的速度矢量，T为心动周期。
作为优选方案，在所述读取CTA图像集和待测用户的待测CTA图像之前，还包括：
获取待测用户的第一CTA图像，标记所述第一CTA图像中的动脉壁掩模；对经过标记的第一CTA图像依次进行裁剪、平滑和细化操作，并转换为预设格式；对转换为预设格式的第一CTA图像进行划分网格操作，并设置边界条件，获得所述待测CTA图像。实施本申请实施例，通过对第一CTA图像进行标记，可以更高效地定义动脉区域；标记后进行裁剪、平滑、细化和网格划分操作，可以获得更精细的待测CTA图像。
相应的，本发明实施例还提供了一种时间平均剪切力的测量装置，包括读取模块、分割模块、计算模块、测算网络构建模块和测量模块；其中，
所述读取模块用于读取CTA图像集和待测用户的待测CTA图像；其中，所述CTA图像集包括患者图像和非患者图像；所述待测CTA图像包括被标记的动脉区域；
所述分割模块用于将所述CTA图像集输入预设的图像分割网络，对所述CTA图像集进行分割，获得动脉图像集；
所述计算模块用于计算所述动脉图像集中若干个动脉一一对应的时间平均剪切力；
所述测算网络构建模块用于对所述动脉图像集中的每个图像进行数值归一化，并对经过数值归一化的每个图像设置若干初始点和下采样；根据经过下采样的动脉图像集，结合若干个所述时间平均剪切力，构建测算网络；
所述测量模块用于将所述待测CTA图像输入所述测算网络，获得所述待测用户的时间平均剪切力测量结果。
作为优选方案，所述测算网络构建模块根据经过下采样的动脉图像集，结合若干个所述时间平均剪切力，构建测算网络，具体为：
所述测算网络构建模块根据经过下采样的动脉图像集，结合若干个所述时间平均剪切力，以PointNet作为网络架构构建第一网络；通过5-fold交叉验证对所述第一网络进行训练，直到符合预设的收敛条件，获得所述测算网络。
作为优选方案，所述第一网络的衰减函数为余弦退火衰减，所述第一网络的损失函数为均方误差函数。
作为优选方案，所述测量装置还包括分割网络构建模块，所述分割网络构建模块用于在所述分割模块将所述CTA图像集输入预设的图像分割网络之前，构建所述图像分割网络，其中，所述图像分割网络采用U-net网络架构，RMSprop优化器，并以Dice作为损失函数。
附图说明
图1：为本发明提供的一种时间平均剪切力的测量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时间平均剪切力的测量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时间平均剪切力的测量方法(以升主动脉为例)，包括步骤S1至步骤S5，其中，
步骤S1，读取CTA图像集和待测用户的待测CTA图像；所述CTA图像集包括患者图像和非患者图像；所述待测CTA图像包括被标记的动脉区域。
具体地，在实施例中，采集并读取影像学资料。影像学资料涵盖了患者和非患者的CTA图像集，图像集包括了CT平扫资料和CT增强资料。同时，读取待测用户的计算机断层扫描血管造影图像(CTA)，作为待测CTA图像。
可选地，所述CTA图像集可以通过人工的方式标注出影像学数据中的升主动脉图像；作为本实施例的另一种举例，还可以通过计算机自动标注的方式，获得其中的升主动脉图像。两种举例各有优劣，本实施例中不进行过多赘述。标注出动脉/升主动脉区域的目的在于，减少所述CTA图像集中的无关数据，提高后续的数据处理效率，同时可以起到节省计算机计算资源的作用。
优选地，在读取CTA图像集和待测用户的待测CTA图像之前，还包括：
获取待测用户的第一CTA图像，用于建模，以确定动脉的位置。将DICOM格式的原始CTA数据加载到开源软件3D Slicer(版本＝4.11.01)中，标记整个胸主动脉壁的掩模，所述掩模包含主动脉根部、主动脉窦和窦管交界处的掩模，分别对应升主动脉、主动脉弓和降主动脉。在Geomagic Studio 2012软件中对第一CTA图像中的升主动脉(从窦管交界处到头臂干的开始部分)依次进行裁剪、平滑和细化操作，然后保存为预设格式(优选为立体光刻的STL格式)。
对转换为预设格式的第一CTA图像进行划分网格操作，并设置边界条件，具体地：通过Ansys CFD分析软件获取升主动脉网格(采用四面体网格和6个边界拟合棱镜层，其中第一层的厚度为0.01毫米)，并设置边界条件，流体域用于定义血流，窦管交界处平面的实体域定义为入口，头臂干开始处的平面定义为出口。经过上述的处理，最终获得相对更精细的CTA图像集和待测CTA图像。
步骤S2，将所述CTA图像集输入预设的图像分割网络，对所述CTA图像集进行分割，获得动脉图像集。
在本实施例中，将所述CTA图像集输入预设的图像分割网络之前，还包括：构建所述图像分割网络，所述图像分割网络由PyTorch(v1.9rc,Python 3.8 on a NvidiaGeForce GTX 3070 GPU)进行训练，采用U-net网络架构，使用随机权重初始化，时期数设定为100，批量大小为16，学习率设定为0.01，采用RMSprop优化器，并以Dice作为损失函数。
将所述CTA图像集以512×512的分辨率输入到图像分割网络，对各CT平扫或增强图像进行分割，输出二进制掩码，得到升主动脉图像(即所述动脉图像集)和背景图像。
步骤S3，计算所述动脉图像集中若干个动脉一一对应的时间平均剪切力。
具体地，在本实施例中，基于有限体积法(FVM)、有限元方法(FEA)和Navi-Stokes(N-S)理论建立方程，可以计算出众多血流动力学指标，包括但不限于各类压力、速度、壁面剪应力等。
本实施例将升主动脉壁设定为防滑平滑壁。通常将血液认为非牛顿流体，但是由于升主动脉中的血液不可压缩，主动脉壁属于大直径(大于30毫米)防滑，因此其变形可以忽略不计，将血液理想化为牛顿流体进行计算。同时将血液密度和黏度分别设定为1060kg/m3和0.0035Pa·s，心动周期设定为0.8秒。
获取所述若干个动脉的动脉半径r，根据下式一一计算各动脉的壁面剪应力WSS:
从而得到时间平均剪切力：
其中，TAWSS为时间平均剪切力，μ为动力粘滞度，v为流体的速度矢量，T为心动周期。
步骤S4，对所述动脉图像集中的每个图像进行数值归一化，并对经过数值归一化的每个图像设置若干初始点和下采样；根据经过下采样的动脉图像集，结合若干个所述时间平均剪切力，构建测算网络。
具体地，为了平衡计算成本和测算的准确性，我们对所述动脉图像集进行数值归一化并进行下采样。在下采样过程中对每个图像设置十个初始点，并下采样10000个点，获得高密度点云。所述高密度点云包含空间坐标和血液动力学指标(本实施例是时间平均剪切力)的向量数据。
为了分析这些混乱、稀疏以及存在相互联系的点云，本实施例根据经过下采样的动脉图像集，结合若干个所述时间平均剪切力，采用PointNet作为网络架构构建第一网络，以识别其中的空间信息。
并通过5-fold交叉验证对所述第一网络进行训练，直到符合预设的收敛条件，获得所述测算网络。通过比较所有五个验证中的平均损失，衡量所述测算网络的性能、拟合能力以及超参数的调整效果，使所述测算网络的各方面性能都更加平衡。优选地，所述第一网络采用以下参数：使用随机权重初始化，采用批量大小＝16，学习率＝0.0134的Adam优化器，以及将余弦退火衰减作为衰减函数，均方误差作为损失函数，在Pytorch(v1.9rc，在Nvidia GeForce GTX 3070 GPU上的Python 3.8)进行训练。
并且实施例还包括：采用骰子系数(DC)来评估分割的性能。骰子系数是一个区域相关的分数，量化了预测和地面实况(ground truth)之间的相似性，取值范围在0(没有相似性)到1(相同)之间。将归一化平均绝对误差(NMAE)和均方根误差(RMSE)作为误差函数，用于评价所述测算网络的准确性。其中，归一化平均绝对误差用于评价预测和实况之间的误差，均方根误差用于表达偏差的精度，对极值高度具有敏感性。
步骤S5，将所述待测CTA图像输入所述测算网络，获得所述待测用户的时间平均剪切力测量结果。
优选地，将CTA图像集中的各图像打乱，以512×512的分辨率输入到所述测算网络。验证测算网络的性能后，从头开始对验证集进行6000个epochs的训练，直到测算网络收敛。将所述待测CTA图像输入收敛的测算网络，输出待测用户升主动脉的时间平均剪切力测量结果和与所述升主动脉对应的分布地形图。
相应的，参照图2，图2为本发明实施例提供的一种时间平均剪切力的测量装置，包括读取模块101、分割模块102、计算模块103、测算网络构建模块104和测量模块105；其中，
所述读取模块101用于读取CTA图像集和待测用户的待测CTA图像；其中，所述CTA图像集包括患者图像和非患者图像；所述待测CTA图像包括被标记的动脉区域；
所述分割模块102用于将所述CTA图像集输入预设的图像分割网络，对所述CTA图像集进行分割，获得动脉图像集；
所述计算模块103用于计算所述动脉图像集中若干个动脉一一对应的时间平均剪切力；
所述测算网络构建模块104用于对所述动脉图像集中的每个图像进行数值归一化，并对经过数值归一化的每个图像设置若干初始点和下采样；根据经过下采样的动脉图像集，结合若干个所述时间平均剪切力，构建测算网络；
所述测量模块105用于将所述待测CTA图像输入所述测算网络，获得所述待测用户的时间平均剪切力测量结果。
在本实施例中，所述测算网络构建模块104根据经过下采样的动脉图像集，结合若干个所述时间平均剪切力，构建测算网络，具体为：
所述测算网络构建模块104根据经过下采样的动脉图像集，结合若干个所述时间平均剪切力，以PointNet作为网络架构构建第一网络；通过5-fold交叉验证对所述第一网络进行训练，直到符合预设的收敛条件，获得所述测算网络。
在本实施例中，所述第一网络的衰减函数为余弦退火衰减，所述第一网络的损失函数为均方误差函数。
在本实施例中，所述测量装置还包括分割网络构建模块，所述分割网络构建模块用于在所述分割模块将所述CTA图像集输入预设的图像分割网络之前，构建所述图像分割网络，其中，所述图像分割网络采用U-net网络架构，RMSprop优化器，并以Dice作为损失函数。
相比于现有技术，本发明实施例具有如下有益效果：
本发明提供了一种时间平均剪切力的测量方法和装置，所述方法包括：读取CTA图像集和待测用户的待测CTA图像；将所述CTA图像集输入预设的图像分割网络，对所述CTA图像集进行分割，获得动脉图像集；计算所述动脉图像集中若干个动脉一一对应的时间平均剪切力；根据经过下采样的动脉图像集，结合若干个所述时间平均剪切力，构建测算网络；将所述待测CTA图像输入所述测算网络，获得所述待测用户的时间平均剪切力测量结果。相对于现有技术，解决了无法自动测量的问题，测量过程无需人工介入，降低了使用者的知识门槛；通过对动脉图像集下采样并构建测算网络，可以有效处理大量数据，提高数据处理效率。
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)
1.一种时间平均剪切力的测量方法，其特征在于，包括：
读取CTA图像集和待测用户的待测CTA图像；其中，所述CTA图像集包括患者图像和非患者图像；所述待测CTA图像包括被标记的动脉区域；
将所述CTA图像集输入预设的图像分割网络，对所述CTA图像集进行分割，获得动脉图像集；
计算所述动脉图像集中若干个动脉一一对应的时间平均剪切力；
对所述动脉图像集中的每个图像进行数值归一化，并对经过数值归一化的每个图像设置若干初始点和下采样；根据经过下采样的动脉图像集，结合若干个所述时间平均剪切力，构建测算网络；
将所述待测CTA图像输入所述测算网络，获得所述待测用户的时间平均剪切力测量结果。
2.如权利要求1所述的一种时间平均剪切力的测量方法，其特征在于，所述根据经过下采样的动脉图像集，结合若干个所述时间平均剪切力，构建测算网络，具体为：
根据经过下采样的动脉图像集，结合若干个所述时间平均剪切力，以PointNet作为网络架构构建第一网络；通过5-fold交叉验证对所述第一网络进行训练，直到符合预设的收敛条件，获得所述测算网络。
3.如权利要求2所述的一种时间平均剪切力的测量方法，其特征在于，所述第一网络的衰减函数为余弦退火衰减，所述第一网络的损失函数为均方误差函数。
4.如权利要求1所述的一种时间平均剪切力的测量方法，其特征在于，在所述将所述CTA图像集输入预设的图像分割网络之前，还包括：
构建所述图像分割网络，其中，所述图像分割网络采用U-net网络架构，RMSprop优化器，并以Dice作为损失函数。
5.如权利要求1所述的一种时间平均剪切力的测量方法，其特征在于，所述计算所述动脉图像集中若干个动脉一一对应的时间平均剪切力，具体为：
获取所述若干个动脉的动脉半径r，根据下式计算时间平均剪切力TAWSS:
其中，WSS为壁面剪应力，μ为动力粘滞度，v为流体的速度矢量，T为心动周期。
6.如权利要求1至5任意一项所述的一种时间平均剪切力的测量方法，其特征在于，在所述读取CTA图像集和待测用户的待测CTA图像之前，还包括：
获取待测用户的第一CTA图像，标记所述第一CTA图像中的动脉壁掩模；对经过标记的第一CTA图像依次进行裁剪、平滑和细化操作，并转换为预设格式；对转换为预设格式的第一CTA图像进行划分网格操作，并设置边界条件，获得所述待测CTA图像。
7.一种时间平均剪切力的测量装置，其特征在于，包括读取模块、分割模块、计算模块、测算网络构建模块和测量模块；其中，
所述读取模块用于读取CTA图像集和待测用户的待测CTA图像；其中，所述CTA图像集包括患者图像和非患者图像；所述待测CTA图像包括被标记的动脉区域；
所述分割模块用于将所述CTA图像集输入预设的图像分割网络，对所述CTA图像集进行分割，获得动脉图像集；
所述计算模块用于计算所述动脉图像集中若干个动脉一一对应的时间平均剪切力；
所述测算网络构建模块用于对所述动脉图像集中的每个图像进行数值归一化，并对经过数值归一化的每个图像设置若干初始点和下采样；根据经过下采样的动脉图像集，结合若干个所述时间平均剪切力，构建测算网络；
所述测量模块用于将所述待测CTA图像输入所述测算网络，获得所述待测用户的时间平均剪切力测量结果。
8.如权利要求7所述的一种时间平均剪切力的测量装置，其特征在于，所述测算网络构建模块根据经过下采样的动脉图像集，结合若干个所述时间平均剪切力，构建测算网络，具体为：
所述测算网络构建模块根据经过下采样的动脉图像集，结合若干个所述时间平均剪切力，以PointNet作为网络架构构建第一网络；通过5-fold交叉验证对所述第一网络进行训练，直到符合预设的收敛条件，获得所述测算网络。
9.如权利要求8所述的一种时间平均剪切力的测量装置，其特征在于，所述第一网络的衰减函数为余弦退火衰减，所述第一网络的损失函数为均方误差函数。
10.如权利要求7所述的一种时间平均剪切力的测量装置，其特征在于，所述测量装置还包括分割网络构建模块，所述分割网络构建模块用于在所述分割模块将所述CTA图像集输入预设的图像分割网络之前，构建所述图像分割网络，其中，所述图像分割网络采用U-net网络架构，RMSprop优化器，并以Dice作为损失函数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210294176.7A CN114972165B (zh) | 2022-03-24 | 2022-03-24 | 一种时间平均剪切力的测量方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210294176.7A CN114972165B (zh) | 2022-03-24 | 2022-03-24 | 一种时间平均剪切力的测量方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114972165A true CN114972165A (zh) | 2022-08-30 |
| CN114972165B CN114972165B (zh) | 2024-03-15 |
Family
ID=82975715
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210294176.7A Active CN114972165B (zh) | 2022-03-24 | 2022-03-24 | 一种时间平均剪切力的测量方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114972165B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116958054A (zh) * | 2023-06-25 | 2023-10-27 | 南京农业大学 | 一种解冻鸡胸肉易切性分析方法、装置、介质及设备 |
| CN116958054B (zh) * | 2023-06-25 | 2024-05-10 | 南京农业大学 | 一种解冻鸡胸肉易切性分析方法、装置、介质及设备 |
Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105096388A (zh) * | 2014-04-23 | 2015-11-25 | 北京冠生云医疗技术有限公司 | 基于计算流体力学的冠状动脉血流仿真系统和方法 |
| CN107427268A (zh) * | 2014-11-14 | 2017-12-01 | 西门子保健有限责任公司 | 用于基于纯几何机器学习的血流储备分数的方法和系统 |
| CN109363661A (zh) * | 2018-09-25 | 2019-02-22 | 杭州晟视科技有限公司 | 血流储备分数确定系统、方法、终端及存储介质 |
| CN109584246A (zh) * | 2018-11-16 | 2019-04-05 | 成都信息工程大学 | 基于多尺度特征金字塔的dcm心肌诊疗放射影像分割方法 |
| CN109907732A (zh) * | 2019-04-09 | 2019-06-21 | 广州新脉科技有限公司 | 一种颅内动脉瘤破裂风险的评估方法及系统 |
| US20200008765A1 (en) * | 2018-07-05 | 2020-01-09 | The Board Of Trustees Of The Leland Stanford Junior University | Hemodynamic and Morphological predictors of Vascular Graft Failure |
| CN110866914A (zh) * | 2019-11-21 | 2020-03-06 | 北京冠生云医疗技术有限公司 | 脑动脉瘤血流动力学指标的评估方法、系统、设备及介质 |
| CN111612778A (zh) * | 2020-05-26 | 2020-09-01 | 上海交通大学 | 一种术前cta与术中x光冠状动脉配准方法 |
| CN111951286A (zh) * | 2020-08-14 | 2020-11-17 | 河南工业大学 | 基于u形网络的心室瘢痕分割方法 |
| CN112184791A (zh) * | 2020-09-29 | 2021-01-05 | 成都希盟泰克科技发展有限公司 | 一种基于cnn-lstm神经网络的牦牛体重预测方法 |
| CN112435239A (zh) * | 2020-11-25 | 2021-03-02 | 南京农业大学 | 基于MRE-PointNet和自编码器模型的绿萝叶片外形参数估测方法 |
| US20210085397A1 (en) * | 2017-08-01 | 2021-03-25 | Siemens Healthcare Gmbh | Non-invasive assessment and therapy guidance for coronary artery disease in diffuse and tandem lesions |
| WO2021134325A1 (zh) * | 2019-12-30 | 2021-07-08 | 深圳元戎启行科技有限公司 | 基于无人驾驶技术的障碍物检测方法、装置和计算机设备 |
| CN113313810A (zh) * | 2021-06-18 | 2021-08-27 | 广东工业大学 | 一种透明物体的6d姿态参数计算方法 |
| CN113505440A (zh) * | 2021-07-28 | 2021-10-15 | 大连理工大学 | 一种基于三维深度学习的汽车气动性能参数实时预测方法 |
| CN113706512A (zh) * | 2021-08-31 | 2021-11-26 | 内蒙古大学 | 一种基于深度学习和深度相机的生猪体重测量方法 |
| CN113706492A (zh) * | 2021-08-20 | 2021-11-26 | 复旦大学 | 一种基于胸部ct影像的肺实质自动分割方法 |
| CN114010157A (zh) * | 2021-11-03 | 2022-02-08 | 深圳睿心智能医疗科技有限公司 | 血管斑块风险预测方法、装置、设备及介质 |
| CN114066888A (zh) * | 2022-01-11 | 2022-02-18 | 浙江大学 | 一种血流动力学指标确定方法、装置、设备及存储介质 |
-
2022
- 2022-03-24 CN CN202210294176.7A patent/CN114972165B/zh active Active
Patent Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105096388A (zh) * | 2014-04-23 | 2015-11-25 | 北京冠生云医疗技术有限公司 | 基于计算流体力学的冠状动脉血流仿真系统和方法 |
| CN107427268A (zh) * | 2014-11-14 | 2017-12-01 | 西门子保健有限责任公司 | 用于基于纯几何机器学习的血流储备分数的方法和系统 |
| US20210085397A1 (en) * | 2017-08-01 | 2021-03-25 | Siemens Healthcare Gmbh | Non-invasive assessment and therapy guidance for coronary artery disease in diffuse and tandem lesions |
| US20200008765A1 (en) * | 2018-07-05 | 2020-01-09 | The Board Of Trustees Of The Leland Stanford Junior University | Hemodynamic and Morphological predictors of Vascular Graft Failure |
| CN109363661A (zh) * | 2018-09-25 | 2019-02-22 | 杭州晟视科技有限公司 | 血流储备分数确定系统、方法、终端及存储介质 |
| CN109584246A (zh) * | 2018-11-16 | 2019-04-05 | 成都信息工程大学 | 基于多尺度特征金字塔的dcm心肌诊疗放射影像分割方法 |
| CN109907732A (zh) * | 2019-04-09 | 2019-06-21 | 广州新脉科技有限公司 | 一种颅内动脉瘤破裂风险的评估方法及系统 |
| CN110866914A (zh) * | 2019-11-21 | 2020-03-06 | 北京冠生云医疗技术有限公司 | 脑动脉瘤血流动力学指标的评估方法、系统、设备及介质 |
| WO2021134325A1 (zh) * | 2019-12-30 | 2021-07-08 | 深圳元戎启行科技有限公司 | 基于无人驾驶技术的障碍物检测方法、装置和计算机设备 |
| CN111612778A (zh) * | 2020-05-26 | 2020-09-01 | 上海交通大学 | 一种术前cta与术中x光冠状动脉配准方法 |
| CN111951286A (zh) * | 2020-08-14 | 2020-11-17 | 河南工业大学 | 基于u形网络的心室瘢痕分割方法 |
| CN112184791A (zh) * | 2020-09-29 | 2021-01-05 | 成都希盟泰克科技发展有限公司 | 一种基于cnn-lstm神经网络的牦牛体重预测方法 |
| CN112435239A (zh) * | 2020-11-25 | 2021-03-02 | 南京农业大学 | 基于MRE-PointNet和自编码器模型的绿萝叶片外形参数估测方法 |
| CN113313810A (zh) * | 2021-06-18 | 2021-08-27 | 广东工业大学 | 一种透明物体的6d姿态参数计算方法 |
| CN113505440A (zh) * | 2021-07-28 | 2021-10-15 | 大连理工大学 | 一种基于三维深度学习的汽车气动性能参数实时预测方法 |
| CN113706492A (zh) * | 2021-08-20 | 2021-11-26 | 复旦大学 | 一种基于胸部ct影像的肺实质自动分割方法 |
| CN113706512A (zh) * | 2021-08-31 | 2021-11-26 | 内蒙古大学 | 一种基于深度学习和深度相机的生猪体重测量方法 |
| CN114010157A (zh) * | 2021-11-03 | 2022-02-08 | 深圳睿心智能医疗科技有限公司 | 血管斑块风险预测方法、装置、设备及介质 |
| CN114066888A (zh) * | 2022-01-11 | 2022-02-18 | 浙江大学 | 一种血流动力学指标确定方法、装置、设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 柳景华等: "《 冠心病 解剖功能及影像学》", 30 April 2013, pages: 42 - 43 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116958054A (zh) * | 2023-06-25 | 2023-10-27 | 南京农业大学 | 一种解冻鸡胸肉易切性分析方法、装置、介质及设备 |
| CN116958054B (zh) * | 2023-06-25 | 2024-05-10 | 南京农业大学 | 一种解冻鸡胸肉易切性分析方法、装置、介质及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114972165B (zh) | 2024-03-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ghorbani et al. | Deep learning interpretation of echocardiograms | |
| US11341631B2 (en) | System and method for automatically detecting a physiological condition from a medical image of a patient | |
| WO2022166281A1 (zh) | 血流动力学指标数据的处理方法和系统 | |
| CN110503635B (zh) | 一种基于异构数据融合网络的手骨x光片骨龄评估方法 | |
| Sarabian et al. | Physics-informed neural networks for brain hemodynamic predictions using medical imaging | |
| JP2020518050A (ja) | エンティティ間のコンテキスト的類似度の学習及び適用 | |
| CN109214437A (zh) | 一种基于机器学习的ivf-et早孕胚胎发育预测系统 | |
| Antón et al. | Experimental and computational investigation of the patient-specific abdominal aortic aneurysm pressure field | |
| Paliwal et al. | Methodology for computational fluid dynamic validation for medical use: application to intracranial aneurysm | |
| Trager et al. | Correlation between angiographic and particle image velocimetry quantifications of flow diverters in an in vitro model of elastase-induced rabbit aneurysms | |
| CN111863247B (zh) | 基于结构磁共振影像的大脑年龄级联精炼预测方法及系统 | |
| US20220093267A1 (en) | Noninvasive real-time patient-specific assessment of stroke severity | |
| 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 | |
| Lv et al. | An artificial intelligence-based platform for automatically estimating time-averaged wall shear stress in the ascending aorta | |
| CN117274185B (zh) | 检测方法、检测模型产品、电子设备及计算机存储介质 | |
| CN114972165B (zh) | 一种时间平均剪切力的测量方法和装置 | |
| 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 | |
| Nazlı et al. | Classification of Coronary Artery Disease Using Different Machine Learning Algorithms | |
| CN116206764A (zh) | 风险分级方法、装置、电子设备及存储介质 | |
| Dumas et al. | A robust and subject-specific hemodynamic model of the lower limb based on noninvasive arterial measurements | |
| CN115762798A (zh) | 血流动力学参数确定方法、装置、存储介质及电子设备 | |
| CN115526882A (zh) | 一种医学图像的分类方法、装置、设备及存储介质 | |
| 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 | |
| CN114462329A (zh) | 一种升主动脉流体力学参数的测算方法和装置 | |
| CN115482212A (zh) | 基于血流模型确定血管功能学指标的方法及装置 |
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 |