CN115511778A - 一种从血管图像预测生理状况评估参数的方法及其系统 - Google Patents

Abstract

本申请提供一种从血管图像预测生理状况评估参数的方法及其系统，所述方法包括获取要预测生理状况评估参数的血管图像，获取所述血管图像中的血管的病变的检测结果，基于所述血管图像提取血管多处的特征以及基于所提取的血管多处的特征以及病变的检测结果，利用基于学习的预测模型来预测所述血管多处的所述生理状况评估参数。如此，可以提高生理状况预测结果的准确性和鲁棒性。

Description

一种从血管图像预测生理状况评估参数的方法及其系统

相关申请的交叉引用

本申请要求2021年6月8日提交的美国临时申请第63/208，267号的优先权，其全部内容通过引用结合在此。

技术领域

本申请涉及图像处理方法，更具体地，涉及一种从血管图像预测生理状况评估参数的方法及其系统。

背景技术

冠状动脉因病变而变窄或闭塞的患者遭受心肌供血受限，导致心肌缺血。心肌缺血的早期有效评估对于优化治疗计划以提高生活质量和降低医疗成本至关重要。为了准确诊断和最佳治疗，定量评估生理状况很重要。可以使用血流储备分数(FFR)或瞬时无波形比值(iFR)或其他测量来评估这些生理状况。例如，FFR被定义为充血条件下平均病变远端和主动脉血压之间的比率。iFR无需充血即可测量，并且正成为替代指标出现。这些包括FFR和iFR的指标，可以在导管实验室(catheterization lab)中通过压力导丝进行有创测量。然而，这种侵入性操作费时且会给患者带来痛苦。因此，强烈需要基于图像的冠状动脉疾病分析系统来帮助医生的日常操作。

机器学习已被用作对跨多个领域的复杂功能进行建模的重要工具。机器学习的最新进展使其可以应用于CAD分析。然而，大多数现有的机器学习方法进行生理状况预测的结果可能与病变的实际情况不一致，比如非病变区域被预测为生理功能下降的病变区域，导致预测结果不合理甚至错误；另一方面，现有方法运算负荷较大，例如在预测血管中心线上一系列点处的生理状况评估参数的应用场景下，会随着所需预测的点的数量的增加导致模型复杂。

发明内容

提供了本申请以解决现有技术中存在的上述问题。本申请提供了一种从血管图像预测生理状况评估参数的方法及其系统，其可以充分利用病变的检测结果，来提高生理状况评估参数的可靠性和合理性，并降低运算负荷。

根据本申请的第一方面，提供一种从血管图像预测生理状况评估参数的方法，包括获取要预测生理状况评估参数的血管图像，获取所述血管图像中的血管的病变的检测结果，基于所述血管图像提取血管多处的特征以及基于所提取的血管多处的特征以及病变的检测结果，利用基于学习的预测模型来预测所述血管多处的所述生理状况评估参数。

根据本申请的第二方面，提供一种用于血管图像预测生理状况评估参数的系统，包括接口和处理器。其中，所述接口被配置为获取要预测生理状况评估参数的血管图像。所述处理器被配置为执行根据本申请各个实施例所述的一种从血管图像预测生理状况评估参数的方法。

与现有技术相比，本申请实施例的有益效果在于：

利用根据本申请各个实施例的从血管图像预测生理状况评估参数的方法，综合考虑到病变的检测结果与生理状况评估参数的相关性，并基于血管的病变的检测结果来预测血管多处的所述生理状况评估参数。基于病变的检测结果，利用基于学习的预测模型进行预测的过程中，能够结合病变的检测结果而简化预测处理，并使得预测的生理状况评估参数能够符合病变的检测结果而更合理。如此，提高了预测生理状况评估参数的可靠性、合理性和鲁棒性。

上述的一般描述和以下的详细描述只是示例性和说明性的，并不旨在限制要求保护的发明。

附图说明

在不一定按比例绘制的附图中，相同的附图标记可以在不同的视图中描述相似的部件。具有字母后缀或不同字母后缀的类似附图标记可以表示相似组件的不同示例。附图通过举例而不是以限制的方式大体上示出各种实施例，并且与说明书以及权利要求书一起用于对所公开的实施例进行说明。这样的实施例是说明性和示例性的，而并非旨在作为本方法、装置、系统或具有用于实现该方法的指令的非暂时性计算机可读介质的穷尽或排他的实施例。

图1示出根据本申请各个实施例所述的从血管图像预测生理状况评估参数的方法的流程图；

图2示出根据本申请各个实施例在非病变位置处的dFFR的分布示意图；

图3示出根据本申请各个实施例基于血管病变图像块进行预测生理状况评估参数的处理的示意图；

图4(a)示出根据本申请各个实施例考虑到病变的位置和严重程度预测病变的生理状况评估参数的流程图；

图4(b)示出根据本申请各个实施例考虑到病变类型来预测病变的生理状况评估参数的处理的示意图；

图5示出根据本申请各个实施例用于血管图像预测生理状况评估参数的系统的框图。

具体实施方式

为使本领域技术人员更好的理解本申请的技术方案，下面结合附图和具体实施方式对本申请作详细说明。下面结合附图和具体实施例对本申请的实施例作进一步详细描述，但不作为对本申请的限定。“包括”或者“包含”等类似的词语意指在该词前的要素涵盖在该词后列举的要素，并不排除也涵盖其他要素的可能。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。

在本申请中，各个步骤在图中所示的箭头仅仅作为执行顺序的示例，而不是限制，本申请的技术方案并不限于实施例中描述的执行顺序，执行顺序中的各个步骤可以合并执行，可以分解执行，可以调换顺序，只要不影响执行内容的逻辑关系即可。

本申请使用的所有术语(包括技术术语或者科学术语)与本申请所属领域的普通技术人员理解的含义相同，除非另外特别定义。还应当理解，在诸如通用字典中定义的术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。

图1示出根据本申请各个实施例所述的从血管图像预测生理状况评估参数的方法的流程图。

在一些实施例中，所述从血管图像预测生理状况评估参数的方法始于步骤101，可以获取要预测生理状况评估参数的血管图像。其中，所述血管图像可以是从图像数据库中取得的血管图像或者基于其他方式获取的血管图像，具体不做限定。其中，对于血管图像的获取方式包括但不限于通过各种成像模态直接获取，例如但不限于通过CT、MR、心肌核素扫描、螺旋CT、正电子发射断层扫描、X射线成像、荧光成像及超声成像等医学造影成像技术，或基于由成像装置获取的原始图像后处理或者重建获得。其中，技术术语“获取”表示在有或没有附加降噪、裁剪、重建等图像处理的情况下直接或间接获得的任何方式。

在步骤102，可以获取所述血管图像中的血管的病变的检测结果。例如，所述血管的病变为钙化斑块、非钙化斑块、低衰减斑块、混合斑块、心肌桥、餐巾纸环征、正性重构和点状钙化中的至少一种。不同的病变类型在不同程度上影响着血管的血流量和生理状况。所述病变的检测结果包括但不限于病变的类型和位置，以及病变蒙片(例如各个中心线点是否属于病变)、病变的中心坐标和大小、病变程度图、参考半径等。对于病变的检测结果的获取可以有多种方式，包括但不限于直接从存储器中获取或者在预测生理状况评估参数的过程中通过图像处理获得。例如，可以由专家或者单独训练的机器学习模型对血管图像进行分析得到血管的病变的检测结果，并将其存储在存储器中。在进行本申请所述的实施例对生理状况评估参数进行预测时，直接从存储器中读取血管的病变的检测结果即可。此外，还可以将要预测生理状况评估参数的血管图像输入到训练好的机器学习模型中进行病变检测，以获取病变的检测结果。例如，训练好的机器学习模型根据输入的血管图像，根据所述血管图像中病变的严重程度对每个病变实例进行分级，比如按照严重程度分为第Ⅰ级、第Ⅱ级、第Ⅲ级等。

对于步骤101和步骤102的执行顺序不做限定，例如，可以先获取要预测生理状况评估参数的血管图像，再获取所述血管图像中的血管的病变的检测结果；也可以是先获取所述血管图像中的血管的病变的检测结果，再获取要预测生理状况评估参数的血管图像；还可以是同时获取要预测生理状况评估参数的血管图像和获取所述血管图像中的血管的病变的检测结果。

在步骤103，可以基于所述血管图像提取血管多处的特征以及基于所提取的血管多处的特征以及病变的检测结果，利用基于学习的预测模型来预测所述血管多处的所述生理状况评估参数。在步骤103中，充分利用了病变的检测结果作为生理状况的先验知识，并在该先验知识的约束下简化预测模型或者预测处理，使得预测模型或预测处理能够更高效地习得更好的表达。下文中会给出简化的各种实施例。如此，使得预测的生理状况评估参数体现了与病变的检测结果的相关性，提高了生理状况评估参数的可靠性、合理性和鲁棒性，并显著减低了工作负荷。所述实施例在预测生理状况评估参数的过程中始终结合预先获得的病变的检测结果，并综合考虑到病变的检测结果与生理状况评估参数的相关性。例如，以血管的生理状况为例，更高严重程度的病变往往会导致更严重的生理状况(下文中也称为“功能上越显著”)，某种属性的病变相较另一属性的病变(例如混合斑块相较钙化斑块)可能会导致更严重的生理状况，某一血管位置的病变相较其他位置的病变(例如血管根部的病变相较血管远侧的病变)可能会导致更严重的生理状况。

如此，能够避免在血管中的非病变区域获得较差的生理状况评估参数或者在血管中的病变区域获得较好的生理状况评估参数，导致预测得到的生理状况评估参数与实际病变出现较大偏差。所谓较差的生理状况评估参数可以理解为通常情况下能够反映血管中病变的参数值，比如，对于血管中的中心线上的某个点的FFR值较小或者dFFR较大，都能够反映出该点位置处可能出现病变，其中，对于较小的FFR值和较大的dFFR值都可以理解为较差的生理状况评估参数。同理，较好的生理状况评估参数可以理解为能够反映血管中非病变的参数值，比如较大的FFR值和较小的dFFR值。

在一些实施例中，病变的检测结果与生理状况评估参数的相关性可以以各种方式嵌入预测模型或预测过程中。例如，包含病变的检测结果可以作用于基于学习的预测模型的输入，从而使得预测模型聚焦于与病变的检测结果相关联的重要的输入信息(或特征)，进而获得能够真实反映血管中病变严重程度以及病变情况的生理状况评估参数。其中，所述血管多处的特征可以是沿着中心线上各个点(也称为采样点)处的特征。可以仅仅提取血管中病变位置处的特征作为血管多处的特征，并且可以仅仅预测血管中病变处的生理状况评估参数，而对于非病变区域不进行预测，从而避免了在非病变区域得到不合理的生理状况评估参数，还极大地降低了模型的复杂度，避免过拟合，同时减少运算负荷。当然，所述血管多处的特征还可以包括各个病变邻域(包含病变的周边区域)对应的图像块(或据此提取的特征信息)，基于此而仅仅预测病变处的生理状况评估参数，也能够提高生理状况评估参数的可靠性，且避免了在非病变区域得到不合理的生理状况评估参数，还极大地降低了运算负荷。

在一些实施例中，可以基于病变处的特征信息，利用基于学习的病变检测模型来检测病变的属性，例如但不限于病变的严重程度、病变的质地、病变的形态、病变相对于血管根部的远近、和病变的尺寸。所检出的病变的属性可以嵌入在生理状况评估参数的预测处理中。例如，可以首先获取各个病变对应的中心线点，再将病变对应的各个中心线点的特征信息进行汇总并馈送到所述病变检测模型，以检测病变的属性，例如但不限于病变级别。比如，如果病变对应了五个中心线点，则将该五个中心线点的血管图像信息汇总后输入到病变检测模型进行检测，从而获得病变级别。基于病变级别来预测生理状况评估参数，提高了生理状况评估参数的准确性。其中，所述基于学习的病变检测模型，类似于基于学习的预测模型，可以包括具有学习能力的各种神经网络，比如卷积神经网络(CNN)、多层感知网络(MLP)或者递归神经网络(RNN)等。

在一些实施例中，所述预测模型配置为将未检测为病变的位置处的生理状况评估参数预设为稳定，在提高生理状况评估参数的准确性的同时降低运算负荷，提高预测效率。对于血管中存在多处病变的情况，各个病变处于血管的不同位置。其中，两个病变之间的区域为非病变区域，而非病变区域的生理状况评估参数不会发生剧烈的变化。本公开中所谓的多个位置处“生理状况评估参数预设为稳定”，意味着各个位置处的生理状况评估参数的偏差小于阈值，或者各个位置处的生理状况评估参数的变化曲线是渐变平缓的。

以血流储备分数FFR为例，假设血管上游位置处存在一处病变，该病变对于下游的非病变区域的FFR值会产生影响。但是，由于该处病变与下游的非病变区域之间不存在其他病变，下游的非病变区域各处的FFR值不会显著变化。由于非病变区域没有病变，非病变区域所对应的各个中心线点中相邻点之间的dFFR的值很小，甚至为0。此外，在从冠脉的根部向末端延伸时，受到血压的影响，非病变区域的各个位置处的FFR虽然不一定会稳定在一条直线上，但是可能会按照平缓的曲线进行分布，除非某位置发生病变，FFR值才会有显著的变化。

在该实施例中，通过将未检测为病变的位置处的生理状况评估参数预设为稳定，基于病变的先验知识对预测模型进行了简化。比如，将非病变区域的生理状况评估参数直接设置为0，或者设置为某一定值，或者设置为按照某一曲线的规律进行稳定的分布，以此降低了工作负担和负荷，提高了运算速度。

具体地，可以对非病变区域做一些符合物理事实的模拟。比如，对于血管上游病变和下游病变之间的非病变区域，使得该非病变区域中的各个点的生理状况评估参数按照某一平缓的曲线渐变。可以仅预测病变处的生理状况评估参数，并经由这种模拟来推导获得非病变区域的生理状况评估参数。在获取病变处的生理状况评估参数之后，对非病变处的生理状况评估参数基于所述模拟的约束条件进行推导获得，而基于该约束条件推导生理状况评估参数，与事实相符。如此，在降低工作负荷的同时，提高了血管多处的生理状况评估参数的可靠性。

在一些实施例中，所述生理状况评估参数包括FFR(血流储备分数)、iFR(瞬时无波形比值)、压力、dFFR(血流储备分数压降)、diFR(瞬时无波形比值压降)和压降中的至少一种。FFR被定义为充血条件下平均病变远端和主动脉血压之间的比率。iFR无需充血即可测量，并且正成为替代指标而被广泛运用。

在一些实施例中，所述生理状况评估参数包括dFFR、diFR和压降中的至少一种。通过将生理状况评估参数设定为血管中相邻位置的变化值，所述预测模型可以将未检测为病变的位置处的所述生理状况评估参数预设为零，以进一步地减少工作负荷。具体地，如图2所示，用空心圆圈表示的各个中心线点200的上下游各存在病变，而中心线点200位于两个病变之间的非病变区域。因此，各个中心线点200的dFFR为0。由此，显著简化了预测模型，使得预测的生理状况评估参数体现了与病变的检测结果(即病变的分布位置)的相关性，提高了生理状况评估参数的可靠性、合理性和鲁棒性，并显著减低了工作负荷。

在一些实施例中，所述病变的检测结果包括检出的各个病变的位置和类型。病变在血管当中的位置，比如有些斑块位于血管分叉处，有些斑块位于距血管开口3-5mm内。斑块在血管中的不同位置能够反映出该斑块病变的严重情况。对于病变类别的判断可以有多种方式，比如，可以通过判断斑块的尺寸比如长度不小于20mm的病变为弥漫病变，或者通过判断斑块的严重程度、质地等不同的特征来确定病变的类型。不同类别的病变通常与病变的严重情况相关联，比如钙化斑块相对稳定，不易破裂和脱落，非钙化斑块是不稳定的斑块，容易破裂和脱落。非钙化斑块可导致远端血管堵塞，相对于钙化斑块危险性更大。当然，对于同一种类别的斑块，比如对于钙化斑块而言，如果钙沉积越多，病变的范围越广，钙化越明显，病变越严重。本实施例通过获取各个病变的位置和类型，结合病变检测结果利用预测模型预测的生理状况评估参数能够更加灵敏的反映血管中病变的情况。

进一步地，提取特征的血管多处包括检出的血管图像中的多个病变，比如可以只对病变或者包含病变的邻域的图像块进行预测，而区别于基于血管的各个中心线点进行生理状况评估参数的预测而不考虑病变的检测结果。具体地，在一些实施例中，所述预测模型包括用于各种病变类型的各个预测部，其应用于对应类型的检出病变的特征，从而使得所述预测模型预测各个病变的所述生理状况评估参数。通过在预测模型中设置用于各种病变类型的各个预测部，使之针对性地习得各个病变类型的表达，从而提高预测结果的准确性。在一些实施例中，适用于不同病变类型的预测部可以采用不同的网络框架，或者可以受益于对应病变类型的训练数据，来专注于特定病变类型的预测。

如图3所示，可以看到，在血管图像中存在四个病变，分别是病变201a、病变201b、病变201c和病变201d。可以将各个病变所在的邻域的图像块输入到训练好的病变检测模型，分析得出病变类型。其中，图像块202a、202b被识别为包含病变类型A的病变，图像块202c和202d则被识别为包含病变类型B的病变。将图像块202a和202b输入到预测模型203的对应病变类型A的预测部203a，而将图像块202c和202d输入到预测模型203的对应病变类型B的预测部203b，以此分别预测病变类型A和病变类型B的各个病变的FFR或者dFFR。如此，获得图像块202a中的病变的生理状况评估参数204a，图像块202b中的病变的生理状况评估参数204b，图像块202c中的病变的生理状况评估参数204c，以及图像块202d中的病变的生理状况评估参数204d。对于不同类型的病变采用预测模型中不同的预测部，进一步降低了运算负荷并提升了预测结果的合理性和准确性。

在一些实施例中，可以获取所述血管图像中的血管的中心线，确定各个检出病变与中心线上的中心线点的对应关系。可以获取各个检出病变对应的中心线点处的血管狭窄度。比如，通过学习网络来预测各个中心线点处的血管狭窄度，或者对血管进行分割并根据分割出的血管的直径参考健康直径来计算各个中心线点处的血管狭窄度。如果该中心线点处的血管更狭窄，则在功能越显著。由此，在所述预测模型预测所述血管的各个检出病变的所述生理状况评估参数之后，可以据此并参考对应的各个中心线点处的血管狭窄度，确定各个检出病变对应的各个中心线点处的生理状况评估参数，使得血管狭窄度越高的中心线点处的所述生理状况评估参数在功能上越显著。如图3所示，在获得病变的生理状况评估参数之后，对病变中包含的中心线上的点进行血管狭窄度的分析。例如，病变201a包含三个中心线点2051a、2052a和2053a，并且已经获得了该病变201a的生理状况评估参数204a：dFFR＝0.2。中心线点2052a处的血管狭窄度最严重，说明在中心线点2052a处的病变严重程度更高。根据这三个中心线点2051a、2052a和2053a的血管狭窄度，并对病变201a的dFFR进行病变内部的重新分配，使得血管狭窄度越高的中心线点处的生理状况评估参数在功能上越显著。比如，中心线点2051a处的dFFR为0.04，中心线点2053a处的dFFR为0.06，中心线点2052a处的dFFR为0.1，使得在中心线点2052a处的生理状况评估参数在功能上越显著。同理，对于病变的生理状况评估参数204b、204c和204d，基于在病变区域205b、205c和205d中的各个中心线点的血管狭窄度进行类似分配。通过从病变的生理状况评估参数，根据血管狭窄度推导得出各个中心线点的生理状况评估参数，以使得血管狭窄度越高的中心线点处的所述生理状况评估参数在功能上越显著，能够在显著降低计算负荷的同时，提升生理评估参数的空间分辨率，并且确保推导得出的中心线点处的所述生理状况评估参数的合理性和准确度。

图4(a)示出根据本申请各个实施例考虑到病变的位置和严重程度预测病变的生理状况评估参数的流程图。预测病变的生理状况评估参数包括获取各个病变的位置和严重程度(步骤401)和获取血管图像中的血管的中心线(步骤402)。其中，病变的检测结果包括检出的各个病变的位置和严重程度，提取特征的血管多处包括检出的血管图像中的多个病变。在获取血管的中心线之后，提取所述中心线上各个中心线点的特征(步骤403)，该特征可以是人工定义好的，比如血管的半径。也可以是基于学习的学习网络比如卷积神经网络，对每个中心线点提取特征，再进一步汇总各个检出病变所对应的一组中心线点的特征，作为该检出病变的特征(步骤404)。所述汇总的方式可以基于积分来得到，对于汇总的具体方式不做限定，只要能够实现汇总各个检出病变所对应的一组中心线点的特征即可。基于检出病变的特征，可以在病变的层面去算病变的生理状况评估参数，能够极大地提高鲁棒性。

通过进一步考虑病变的严重程度，将所述预测模型进一步配置为对所预测的各个病变的所述生理状况评估参数，根据各个病变的严重程度进行调节，使得各个病变的所述生理状况评估参数反映病变的严重程度(步骤405)。注意步骤405未必需要与步骤402-步骤404配合执行，其可以适用于以其他方式确定的病变的特征。

具体来说，在预测得到病变的生理状况评估参数之后，可以根据各个病变的严重程度进行调节，使得各个病变的所述生理状况评估参数反映病变的严重程度。调节的方式包括多种，比如设置缩放因子对严重程度不同的病变进行增加/缩减，或者通过对预测部设置其他能够反映病变严重程度的数值等，对于具体地调节方式不做限定，只要能够使得各个病变的所述生理状况评估参数反映病变的严重程度即可。其中，对于所预测的各个病变的所述生理状况评估参数，还会受到在血管中的位置、下游的供血区域、血管的拓扑结构的影响，病变的严重程度是影响生理状况评估参数的因素之一，但是如果考虑其他因素两者之间并非正比关系。在该实施例中，病变的严重程度作为调节所考虑的重点因素。在一些实施例中，也可以考虑到病变的位置，比如血管根部的同样严重程度的病变相较末端的同样严重程度的病变在功能上更显著，生理状况评估参数更劣化，由此可以对根部位置的病变的生理状况评估参数赋予缩放因子，使其在同等情况下体现出更显著的功能劣化。

在一些实施例中，所述预测模型被配置为利用公式(1)来预测包括dFFR、diFR和压降中的至少一种的生理状况评估参数：

y＝l·σ(f_θ(x))公式(1)

其中，y表示由所述预测模型预测的生理状况评估参数，x表示为各个检出病变提取的特征，f_θ(x)表示基于为各个病变提取的特征利用θ参数化的预测函数，σ表示sigmoid函数，l表示病变的各严重程度对应的缩放因子，使得严重程度越严重，对应的缩放因子越大。

以生理状况评估参数为dFFR为示例。病变的严重程度越大，则基于该病变预测的dFFR越大。通过设置表示病变的各严重程度对应的缩放因子l，缩放因子l越大，表示病变越严重，从而使得预测模型聚焦于与病变的检测结果相关联的重要的输入信息(或特征)，进而获得能够真实反映血管中病变严重程度以及病变情况的生理状况评估参数。

利用公式(1)来预测生理状况评估参数的一个示例如图4(b)所示。将血管图像输入到病变检测模型中，分析得出病变类型。其中，图像块202a、202b被识别为包含病变类型A的病变，图像块202c和202d则被识别为包含病变类型B的病变。将图像块202a和202b输入到预测模型203的对应病变类型A的预测部203a，基于公式y＝l_A·σ(f_θ(x))进行预测，进而得到病变的生理状况评估参数y_I和病变的生理状况评估参数y_Ⅱ。类似地，将图像块202c和202d输入到预测模型203的对应病变类型B的预测部203b，基于公式y＝l_B·σ(f_θ(x))进行预测，进而得到病变的生理状况评估参数y_Ⅲ和病变的生理状况评估参数y_Ⅳ。获得病变的生理状况评估参数，对非病变区域的生理状况评估参数进行融合得到血管各处的生理状况评估参数206。

在一些实施例中，所述病变的类型包括按照病变的如下属性中的至少一种划分的类型：病变的严重程度、病变的质地、病变的形态、病变相对于血管根部的远近、和病变的尺寸。比如，基于病变的严重程度大小将病变分为A类病变和B类病变。所述病变的质地可以包括斑块的成分，比如基于斑块的成分分为钙化斑块、非钙化斑块、混合斑块等。对于病变的形态具体可以为餐巾环征、点状钙化。其中，病变相对于血管根部的远近可以理解为在血管根部的病变严重程度更大，可能被分为A类病变，相对于血管根部较远的病变严重程度相对弱一些，可能被分为B类病变。关于病变的尺寸，可以理解为有些病变的尺寸较大，受关注度更高，可能将其分为A类病变，而病变尺寸较小的，可能将其分为B类病变。通过基于病变的严重程度、病变的质地、病变的形态、病变相对于血管根部的远近和病变的尺寸来对病变的类型进行划分，再基于各种病变类型采用预测模型的各个预测部进行病变生理状况评估参数的预测。

图5示出根据本申请各个实施例用于血管图像预测生理状况评估参数的系统的示意图。如图5所示，预测生理状况评估参数的系统500包括模型训练装置501、图像采集装置502和图像分析装置503。

在一些实施例中，图像分析装置503可以是专用计算机或通用计算机。例如，图像分析装置503可以是为医院执行图像获取和图像处理任务而定制的计算机，也可以是云端的服务器。

该图像分析装置503可以包括至少一个处理器507，其配置为执行根据本文中描述的功能。例如，所述至少一个处理器507可以配置为执行本申请各个实施例所述的从血管图像预测生理状况评估参数的方法。

在一些实施例中，处理器507可以是包括一个及以上的通用处理装置的处理装置，例如微处理器、中央处理单元(CPU)、图形处理单元(GPU)等。更具体地，处理器507可以是复杂指令集计算(CISC)微处理器、精简指令集计算(RISC)微处理器、超长指令字(VLIW)微处理器、运行其他指令集的处理器或运行指令集组合的处理器。处理器507还可以是一个及以上的专用处理装置，诸如专用集成电路(ASIC)、现场可编程门阵列(FPGA)、数字信号处理器(DSP)、片上系统(SoC)等。

该图像分析装置503还可以包括存储器505，存储器505可以被配置为加载或存储根据本公开的任意一个及以上的实施例的训练好的学习模型，或者图像处理/分析程序，该图像分析程序由处理器507执行时可以实现本文中公开的方法。

存储器505可以是非暂时性计算机可读介质，诸如只读存储器(ROM)、随机存取存储器(RAM)、相变随机存取存储器(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、电可擦除可编程只读存储器(EEPROM)，其他类型的随机存取存储器(RAM)、闪存或其他形式的闪存、高速缓存、寄存器、静态存储器、光盘只读存储器(CD-ROM)、数字多功能盘(DVD)或其他光学存储器、盒式磁带或其他磁存储设备，或用于存储计算机设备等可访问的信息或指令的任何其他可能的非暂时性介质。当由处理器507执行存储在存储器505上的指令时，可以执行根据本文中记载的方法。

虽然在图5中将模型训练装置501与图像分析装置503示出为独立的装置，但在一些实施例中，图像分析装置503还可以执行模型训练功能。

在一些实施例中，图像分析装置503可以进一步包括内存506，内存506被配置为从例如存储器505加载根据本公开的任意一个及以上的实施例的预测模型，或者暂时存储在利用预测模型的处理/分析过程中产生的中间数据。处理器507可以通信地附接到内存506并且被配置为执行其上存储的可执行指令，以执行本文中公开的方法。

在一些实施例中，内存506可以存储训练阶段或预测阶段期间生成的中间信息，诸如执行计算机程序的同时生成的特征信息、各个损失项的值等。在一些实施例中，内存506可以存储计算机可执行指令，诸如一个及以上的图像处理程序。在一些实施例中，预测模型、预测模型中的各个预测部、各个子部可以作为存储在存储器505中的应用实现，并且这些应用能够被加载到内存506中，并且然后由处理器507执行以实现对应的功能。

在一些实施例中，内存506可以是非暂时性计算机可读介质，诸如只读存储器(ROM)、随机存取存储器(RAM)、相变随机存取存储器(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、电可擦可编程只读存储器(EEPROM)、其他类型的随机存取存储器(RAM)、闪存盘或其他形式的闪存、高速缓存、寄存器、静态存储器或任意其他可能的介质，用于存储计算机设备等可以访问和执行的信息或指令。

在一些实施例中，图像分析装置503可以进一步包括通信接口504，用于接收由图像采集装置502采集的医学图像。在一些实施例中，通信接口504可以包括网络适配器、电缆连接器、串行连接器、USB连接器、并行连接器、高速数据传输适配器(诸如光纤、USB 3.0、Thunderbolt接口等)、无线网络适配器(诸如WiFi适配器)、电信(3G、4G/LTE、5G等)适配器等中的任何一种。

图像分析装置503可以通过通信接口504连接到模型训练装置501、图像采集装置502和其他组件。在一些实施例中，通信接口504可以被配置为从模型训练装置501接收训练好的预测模型，并且还可以被配置为从图像采集装置502接收包含血管的医学图像。

具体地，图像采集装置502可以包括普通CT、普通MRI、功能性磁共振成像(诸如fMRI、DCE-MRI和弥散MRI)、锥形束计算机断层扫描(CBCT)、正电子发射断层扫描(PET)、单光子发射计算机断层扫描(SPECT)、X射线成像、光学断层扫描(OCT)、荧光成像、超声成像、放疗场成像等中的任意一个。

在一些实施例中，模型训练装置501可以被配置为训练预测模型，并且向图像分析装置503发送训练好的预测模型。在一些实施例中，模型训练装置501和图像分析装置503可以由单一计算机或处理器实现。

在一些实施例中，模型训练装置501可以使用由执行训练处理的软件专门编程的硬件来实现。例如，模型训练装置501可以包括和图像分析装置503相似的处理器和非暂时性计算机可读介质。处理器通过执行存储在计算机可读介质中的训练过程的可执行指令来实现训练。模型训练装置501还可以包括输入和输出接口来与训练数据库、网络、和/或用户界面进行通信。用户界面可以用来选择训练数据集，在训练处理中调整一个及以上的参数，选择或修改学习模型的框架等。

本申请描述了各种操作或功能，其可以被实现为软件代码或指令或被定义为软件代码或指令。此类内容可以是可以直接执行的源代码或差分代码(“增量”或“补丁”代码)(“对象”或“可执行”形式)。软件代码或指令可以存储在计算机可读存储介质中，并且在被执行时，可以使机器执行所描述的功能或操作，并且包括以机器(例如，计算装置、电子系统等)可访问的形式存储信息的任何机制，例如可记录或不可记录介质(例如，只读存储器(ROM)、随机存取存储器(RAM)、磁盘存储介质、光学存储介质、闪存装置等)。

本申请描述的示例性方法可以至少部分地由机器或计算机实现。在一些实施例中，一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序指令，所述指令在由处理器执行时实现根据本申请各个实施例所述的一种从血管图像预测生理状况评估参数的方法。计算机可读介质可以包括易失性或非易失性、磁性、基于半导体的、基于磁带的、光学的、可移动的、不可移动的或其他类型的计算机可读介质或计算机可读存储装置。例如，计算机可读介质可以是其中存储有计算机指令的存储装置或存储模块，如所公开的。在一些实施例中，计算机可读介质可以是其上存储有计算机指令的磁盘或闪存驱动器。

以上描述旨在是说明性的而不是限制性的。例如，上述示例(或其一个或更多方案)可以彼此组合使用。例如本领域普通技术人员在阅读上述描述时可以使用其它实施例。另外，在上述具体实施方式中，各种特征可以被分组在一起以简单化本申请。这不应解释为一种不要求保护的公开的特征对于任一权利要求是必要的意图。相反，本申请的主题可以少于特定的公开的实施例的全部特征。从而，以下权利要求书作为示例或实施例在此并入具体实施方式中，其中每个权利要求独立地作为单独的实施例，并且考虑这些实施例可以以各种组合或排列彼此组合。本申请的范围应参照所附权利要求以及这些权利要求赋权的等同形式的全部范围来确定。

Claims (12)

1.一种从血管图像预测生理状况评估参数的方法，其特征在于，包括：

获取要预测生理状况评估参数的血管图像；

获取所述血管图像中的血管的病变的检测结果；

基于所述血管图像提取血管多处的特征；以及

基于所提取的血管多处的特征以及病变的检测结果，利用基于学习的预测模型来预测所述血管多处的所述生理状况评估参数。

2.根据权利要求1所述的方法，其特征在于，所述预测模型配置为将未检测为病变的位置处的生理状况评估参数预设为稳定。

3.根据权利要求1所述的方法，其特征在于，所述生理状况评估参数包括FFR、iFR、压力、dFFR、diFR和压降中的至少一种。

4.根据权利要求3所述的方法，其特征在于，所述生理状况评估参数包括dFFR、diFR和压降中的至少一种，且所述预测模型将未检测为病变的位置处的所述生理状况评估参数预设为零。

5.根据权利要求1所述的方法，其特征在于，所述病变的检测结果包括检出的各个病变的位置和类型，提取特征的血管多处包括检出的血管图像中的多个病变，所述预测模型包括用于各种病变类型的各个预测部，其应用于对应类型的检出病变的特征，从而使得所述预测模型预测各个病变的所述生理状况评估参数。

6.根据权利要求1所述的方法，其特征在于，所述病变的检测结果包括检出的各个病变的位置和严重程度，提取特征的血管多处包括检出的血管图像中的多个病变，

所述预测模型进一步配置为：对所预测的各个病变的所述生理状况评估参数，根据各个病变的严重程度进行调节，使得各个病变的所述生理状况评估参数反映病变的严重程度。

7.根据权利要求6所述的方法，其特征在于，还包括：

获取所述血管图像中的血管的中心线；

提取所述中心线上各个中心线点的特征；

汇总各个检出病变所对应的一组中心线点的特征，作为该检出病变的特征。

8.根据权利要求7所述的方法，其特征在于，还包括：

获取所述血管图像中的血管的中心线；

确定各个检出病变与中心线上的中心线点的对应关系；

获取各个检出病变对应的中心线点处的血管狭窄度；

预测所述血管的各个检出病变的所述生理状况评估参数；

根据所预测的各个检出病变的所述生理状况评估参数以及对应的各个中心线点处的血管狭窄度，确定各个检出病变对应的各个中心线点处的生理状况评估参数，使得血管狭窄度越高的中心线点处的所述生理状况评估参数在功能上越显著。

9.根据权利要求6所述的方法，其特征在于，所述预测模型被配置为利用公式(1)来预测包括dFFR、diFR和压降中的至少一种的生理状况评估参数：

y＝l·σ(f_θ(x)) 公式(1)

其中，y表示由所述预测模型预测的生理状况评估参数，x表示为各个检出病变提取的特征，f_θ(x)表示基于为各个病变提取的特征利用θ参数化的预测函数，σ表示sigmoid函数，l表示病变的各严重程度对应的缩放因子，使得严重程度越严重，对应的缩放因子越大。

10.根据权利要求5所述的方法，其特征在于，病变的类型包括按照病变的如下属性中的至少一种划分的类型：病变的严重程度、病变的质地、病变的形态、病变相对于血管根部的远近、和病变的尺寸。

11.一种用于血管图像预测生理状况评估参数的系统，其特征在于，包括处理器，其配置为：执行根据权利要求1-10中任何一项所述的一种从血管图像预测生理状况评估参数的方法。

12.一种具有存储在其上的指令的非暂时性计算机可读介质，所述指令在由处理器执行时实现根据权利要求1-10中任何一项所述的一种从血管图像预测生理状况评估参数的方法。

Images