CN115691814A - 血流动力学仿真模型构建、仿真方法、装置及电子设备 - Google Patents
血流动力学仿真模型构建、仿真方法、装置及电子设备 Download PDFInfo
- Publication number
- CN115691814A CN115691814A CN202211163986.5A CN202211163986A CN115691814A CN 115691814 A CN115691814 A CN 115691814A CN 202211163986 A CN202211163986 A CN 202211163986A CN 115691814 A CN115691814 A CN 115691814A
- Authority
- CN
- China
- Prior art keywords
- simulation model
- hemodynamic
- blood vessel
- hemodynamic simulation
- image data
- 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
Links
Images
Landscapes
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明公开了血流动力学仿真模型构建、仿真方法、装置及电子设备，血流动力学仿真模型构建方法包括：获取医学影像，并基于医学影像，获取目标血管段的影像数据；以时间和对应时间的三维空间坐标为输入变量，以对应时间的三维速度分量和对应时间的压强为输出，构建第一血流动力学仿真模型；根据目标血管的影像数据，对第一血流动力学仿真模型进行迭代训练；当第一血流动力学仿真模型达到预设标准时，确认第一血流动力学仿真模型为所需的第二血流动力学仿真模型。利用本发明的仿真模型进行仿真，可以克服现有技术在心血管疾病评估、诊断及手术规划中无法实时、准确的进行血流动力学环境仿真的缺陷。
Description
技术领域
本发明中的一个或多个实施例涉及医学影像及计算机技术领域，尤其涉及一种血流动力学仿真模型构建、仿真方法、装置及电子设备。
背景技术
心血管系统疾病的死亡率逐年攀升，快速准确的风险评估是降低死亡率的最有效手段。在临床上，医学影像是目前心血管疾病风险评估的主要方法，然而仅局限于解剖学特征往往会造成漏诊、错诊，错过最佳治疗时机。大量研究表明，基于流体力学的功能学评估是临床风险评估的重要手段，例如血流储备分数已成为冠脉狭窄功能性评价的“金标准”。
流体运动由Navier-Stokes(纳维－斯托克斯)方程控制，这是一个高度非线性的偏微分方程(PDE)系统。目前，流体动力学问题的数值模拟主要依赖于计算流体力学(CFD)方法，例如，有限差分(FD)、有限体积(FV)或有限元(FE)方法。然而，CFD模拟计算繁琐，特别是对于湍流和复杂几何形状的流动。昂贵的计算成本极大地限制了流体力学仿真在临床上的应用，如心血管疾病的风险评估、临床诊断和手术规划等。此外，随着计算机技术的快速发展，以数据为驱动的机器学习为实现快速的血流动力学仿真带来了可能，但是这种向目标函数无限逼近的训练方法需要大量的标记数据，这些数据通常通过CFD模拟或者实验观察获得，因此训练成本及其昂贵且模型缺乏可解释性。
发明内容
为克服现有技术在心血管疾病评估、诊断及手术规划中无法实时、准确的进行血流动力学环境仿真的缺陷，本发明提供了一种血流动力学仿真模型构建、仿真方法、装置及电子设备。
为达到上述目的，本发明提供了以下技术方案：
第一方面，本发明提供了一种血流动力学仿真模型构建方法，包括：
获取医学影像，并基于医学影像，获取目标血管段的影像数据；
以时间和对应时间的三维空间坐标为输入变量，以对应时间的三维速度分量和对应时间的压强为输出，构建第一血流动力学仿真模型；
根据目标血管的影像数据，对第一血流动力学仿真模型进行迭代训练；
当第一血流动力学仿真模型达到预设标准时，确认第一血流动力学仿真模型为所需的第二血流动力学仿真模型。
在一个可能的实现方式中，根据目标血管的影像数据，对第一血流动力学仿真模型进行迭代训练，包括：
将目标血管的影像数据输入到第一血流动力仿真模型中，获得预测数据代入流动控制方程的计算残差，以及预测数据与目标血管的影像数据之间的计算误差；
基于残差和计算误差，确定损失函数；
根据损失函数，对模型进行迭代训练。
在一个可能的实现方式中，流动控制方程为：
其中：ρ是血液密度，v是血流速度，p为压强，μ是血流粘性，t是时间。
第二方面，本发明提供了一种血流动力学仿真方法，方法包括：
获取待处理医学影像，并基于待处理医学影像，获取待处理血管段的影像数据；
将待处理血管段的影像数据输入到如权利要求1-3任一项的方法构建的第二血流动力学仿真模型中，获得待处理血管段的仿真结果。
第三方面，本发明提供了一种血流动力学仿真模型构建装置，装置包括：
第一获取模块，用于获取医学影像，并基于医学影像，获取目标血管段的影像数据；
构建模块，用于以时间和对应时间的三维空间坐标为输入变量，以对应时间的三维速度分量和对应时间的压强为输出，构建第一血流动力学仿真模型；
训练模块，用于根据目标血管的影像数据，对第一血流动力学仿真模型进行迭代训练，当第一血流动力学仿真模型达到预设标准时，确认第一血流动力学仿真模型为所需的第二血流动力学仿真模型。
在一个可能的实现方式中，所述训练模块，具体用于：
将所述目标血管的影像数据输入到所述第一血流动力仿真模型中，获得预测数据代入流动控制方程的计算残差，以及预测数据与所述目标血管的影像数据之间的计算误差；
基于所述残差和所述计算误差，确定损失函数；
根据所述损失函数，对所述模型进行迭代训练。
在一个可能的实现方式中，所述流动控制方程为：
其中：ρ是血液密度，v是血流速度，p为压强，μ是血流粘性，t是时间。
第四方面，本发明提供了一种血流动力学仿真装置，装置包括：
第二获取模块，用于获取待处理医学影像，并基于待处理医学影像，获取待处理血管段的影像数据；
仿真模块，用于将待处理血管段的影像数据输入到如第三方面所述装置构建的第二血流动力学仿真模型中，获得待处理血管段的仿真结果。
第五方面，本发明提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现如第一方面任一项实施例的血流动力学仿真模型构建方法；
或者，用于执行存储器上所存放的程序时，实现如第二方面实施例的血流动力学仿真方法。
第六方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如第一方面任一项实施例的血流动力学仿真模型构建方法；
或者，被处理器执行实现如第二方面实施例的血流动力学仿真方法。
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现第一方面任一项实施例的云平台服务器通信通道构建方法的步骤；
或者，用于执行存储器上所存放的程序时，实现第二方面任一项实施例的云平台服务器通信方法的步骤。
本发明实施例提供的上述技术方案与现有技术相比具有如下优点：
本发明实施例提供的一种血流动力学仿真模型构建方法，获取医学影像，并基于医学影像，获取目标血管段的影像数据；以时间和对应时间的三维空间坐标为输入变量，以对应时间的三维速度分量和对应时间的压强为输出，构建第一血流动力学仿真模型；根据目标血管的影像数据，对第一血流动力学仿真模型进行迭代训练；当第一血流动力学仿真模型达到预设标准时，确认第一血流动力学仿真模型为所需的第二血流动力学仿真模型。利用本发明的仿真模型进行仿真，可以克服现有技术在心血管疾病评估、诊断及手术规划中无法实时、准确的进行血流动力学环境仿真的缺陷。
附图说明
图1为本发明实施例提供的血流动力学仿真模型构建方法流程示意图；
图2为本发明构建的PINN神经网络结构示意图；
图3为血流动力学仿真模型迭代训练方法流程示意图；
图4为动脉瘤算例；
图5为腹主动脉瘤入口速度生理曲线；
图6为横截面速度分量u计算结果云图；
图7为横截面速度分量v计算结果云图；
图8为横截面速度分量w计算结果云图；
图9为压力场p计算结果云图；
图10为三维速度分量u，v，w预测值与实际值的相对误差；
图11为压强预测值与实际值的相对误差；
图12为PINN神经网络收敛曲线；
图13为血流动力学仿真方法流程示意图；
图14血流动力学仿真模型构建装置结构示意图；
图15为本发明实施例提供的血流动力学仿真装置结构示意图；
图16为本发明实施例提供一种电子设备结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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做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。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物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、物品或者设备中还存在另外的相同要素。
为便于对本发明实施例的理解，下面将结合附图以具体实施例做进一步的解释说明，实施例并不构成对本发明实施例的限定。
以数据为驱动的机器学习为实现快速的血流动力学仿真带来了可能，但是这种向目标函数无限逼近的训练方法需要大量的标记数据，这些数据通常通过CFD模拟或者实验观察获得，但传统的CFD仿真，具有以下缺点：(1)时效性差，计算耗时繁琐(计算一例需要几个小时)，难以真正应用到临床；(2)求解基于大量假设；(3)出入口真实的边界条件难以获得等，因此造成训练成本及其昂贵且模型缺乏可解释性。
针对现有技术中存在的问题，本发明通过临床影像或CFD仿真获取数据，搭建融合物理方程的神经网络，构造基于流动控制方程的和基于测量数据的损失函数，通过最小化损失函数实现对神经网络的优化，实现目标区域血管的重要物理参数快速有效的预测。
具体的，本发明实施例提供了一种血流动力学仿真模型构建方法，具体的执行过程，还需要参见图1所示的方法流程示意图。图1为本发明实施例提供的血流动力学仿真模型构建方法流程示意图，该方法包括以下步骤：
步骤S110，获取医学影像，并基于医学影像，获取目标血管段的影像数据。
具体的，获取医学影像，确定需要构建模型的目标血管段，使用四维血流磁共振成像或CFD仿真获取目标血管段的影像数据，作为后续模型训练的数据样本。
步骤S120，以时间和对应时间的三维空间坐标为输入变量，以对应时间的三维速度分量和对应时间的压强为输出，构建第一血流动力学仿真模型。
首先，搭建以时间信息t，三维空间坐标x，y，z为输入变量，三维速度分量u，v，w和压强p为输出的物理信息神经网络(Physics informed neural network，简称PINN)，作为血流动力学仿真模型。然后，使用Tensorflow框架集成的自动微分机制构建约束目标，即损失函数，包括基于流动控制方程和步骤S110获取的影像数据的约束，加入到构建的神经网络损失函数中。
具体的，构建的PINN网络如图2所示，输入为时空坐标t，x，y，z四个变量，输出为某时空坐标下的三维速度分量和压强u，v，w，p。然后使用swish函数作为神经元的激活函数。
在一个示例中，流动控制方程为：
其中：ρ是血液密度，v是血流速度，p为压强，μ是血流粘性，t是时间。
控制流体流动的Navier-Stokes方程可以转换为以下形式：
ut+uux+vuy+wuz＝-px+Re-1(uxx+uyy+uzz)
vt+uvx+vvy+wvz＝-py+Re-1(vxx+vyy+vzz)
wt+uwx+vwy+wwz＝-pz+Re-1(wxx+wyy+wzz)
ux+vy+wz＝0
其中，Re为雷诺数，t为时间，x，y，z为对应时刻数据点的三维空间坐标，u，v，w为对应时刻点的三维速度分量，p为对应时刻点的压强信息。
具体的，u，v，w分别对应x，y，z三个方向的血流速度值，ut，ux，uy，uz分别表示血流速度对时间及x，y，z三个方向的偏导数。px，py，pz分别表示压强对x，y，z三个方向的偏导数。
构建PINN网络的损失函数Loss，即基于物理控制方程的损失函数：
e1＝ut+uux+vuy+wuz+px-Re-1(uxx+uyy+uzz)
e2＝vt+uvx+vvy+wvz+py-Re-1(vxx+vyy+vzz)
e3＝wt+uwx+vwy+wwz+pz-Re-1(wxx+wyy+wzz)
e4＝ux+vy+wz＝0
损失函数包含两部分，一部分为模型估计的三维速度分量与步骤S110中获取的目标血管段的影像数据的计算误差，另一部分是根据上述Navier-Stokes方程得到的计算残差。
步骤S130，根据目标血管的影像数据，对第一血流动力学仿真模型进行迭代训练。
在一个示例中，迭代训练具体的执行过程，还需要参见图3所示的方法流程示意图。图3为本发明实施例提供的血流动力学仿真模型迭代训练方法流程示意图，该方法包括以下步骤：
步骤S210，将目标血管的影像数据输入到第一血流动力仿真模型中，获得预测数据代入流动控制方程的计算残差，以及预测数据与目标血管的影像数据之间的计算误差。
步骤S220，基于残差和计算误差，确定损失函数。
步骤S230，根据损失函数，对模型进行迭代训练。
该步骤是通过最小化PINN损失函数来驱动网络训练，从而使预测结果逼近流动控制方程的解。
步骤S140，当第一血流动力学仿真模型达到预设标准时，确认第一血流动力学仿真模型为所需的第二血流动力学仿真模型。
综上，本发明通过一个物理信息已知的神经网络实现(t,x,y,z)→(u,v,w,p)的映射。即PINN网络以时空坐标t，x，y，z为输入，以u，v，w，p为输出，以物理方程作为输入和输出之间的映射方程，通过最小化均方误差损失函数使得PINN网络预测的u，v，w，p和获得的影像数据之间的误差足够小；使预测的u，v，w，p满足三维不可压缩Navier-Stokes方程。
本发明基于PINN进行血流动力学环境计算，本发明提供的方法适用范围广泛，多种心血管疾病的力学参数计算都可以使用。因此本部分以腹主动脉瘤为例展示本发明的内容：
以腹主动脉瘤为例，腹主动脉瘤内血液流动由Navier-Stokes方程描述：
将物理方程改写成以下形式
ut+uux+vuy+wuz＝-px+Re-1(uxx+uyy+uzz)
vt+uvx+vvy+wvz＝-py+Re-1(vxx+vyy+vzz)
wt+uwx+vwy+wwz＝-pz+Re-1(wxx+wyy+wzz)
ux+vy+wz＝0
其中u，v，w分别对应x，y，z三个方向的血流速度值，ut，ux，uy，uz分别表示血流速度对时间及x，y，z三个方向的偏导数。px，py，pz分别表示压强对x，y，z三个方向的偏导数。
构建如图2所示的PINN网络，输入为时空坐标t，x，y，z四个变量，输出为某时空坐标下的三维速度分量和压强u，v，w，p。使用swish函数作为神经元的激活函数。
具体的实施主要包括腹主动脉瘤的影像数据的获取和PINN网络模型的构建。本实施案例的样本数据由Ansys20.0中的fluent模块计算得到。
腹主动脉瘤三维模型如图4所示，流体假设为均匀、绝热、各项同性、不可压缩的牛顿流体，脉动流为层流，血液密度为1050kg/m3，粘度系数为3.5×10-3kg/m·s，入口速度为真实生理曲线，如图5，出口压力设置为13300pa。微分方程组离散格式采用二阶精度的迎风格式，最大均方根残差设定为10-5。采用基于完全非结构化网格的有限体积法，利用压力求解器进行压力修正和动量方程顺序求解。设定一个周期为0.8s，每0.005s为一个步长，进行4个周期的迭代保证结果收敛稳定，取最后一个周期数据进行分析，一部分作为网络训练的输入数据，一部分用来进行网络性能验证。腹主动脉瘤的速度场分量如图6、图7和图8所示，压力场结果如图9所示。
本实施案例PINN网络结构包含10个隐藏层，每个隐藏层有50个神经元，采用swish(x)作为激活函数，使用学习率为10-3的Adam优化器进行训练。
本实施案例将时间t，影像数据点的三维坐标x，y，z以及该时刻影像数据点的三维速度场分量u，v，w导入到网络中，可以得到更高精度的速度场和未知的压力场。通过计算获取的影像数据与预测数据之间的相对误差ε，判定网络模型预测的准确性。
相对误差通过下列公式计算获得：
其中，f(xi)为分布在腹主动脉瘤各节点对应的影像数据值，g(xi)为每个点对应的预测数据值。
利用PINN网络获得u，v，w的预测相对误差如图10所示，p的预测相对误差如图11所示。最终获得的PINN神经网络的收敛曲线如图12所示。由图10、图11及图12可以看出，经过不断的迭代训练，相对误差越来越小，而神经网络收敛曲线越来越平稳，待达到预设阈值时，本申请构建的血流动力学仿真模型迭代结束，此时获得血流动力学模仿真模型为所需的血流动力学仿真模型。
本发明实施例提供的一种血流动力学仿真模型构建方法，获取医学影像，并基于医学影像，获取目标血管段的影像数据；以时间和对应时间的三维空间坐标为输入变量，以对应时间的三维速度分量和对应时间的压强为输出，构建第一血流动力学仿真模型；根据目标血管的影像数据，对第一血流动力学仿真模型进行迭代训练；当第一血流动力学仿真模型达到预设标准时，确认第一血流动力学仿真模型为所需的第二血流动力学仿真模型。利用本发明的仿真模型进行仿真，可以克服现有技术在心血管疾病评估、诊断及手术规划中无法实时、准确的进行血流动力学环境仿真的缺陷。
本发明还提供了利用上述构建的血流动力学仿真模型进行仿真的方法实施例，具体的执行过程，还需要参见图13所示的方法流程示意图。图13为本发明实施例提供的血流动力学仿真方法流程示意图，该方法包括以下步骤：
步骤310，获取待处理医学影像，并基于待处理医学影像，获取待处理血管段的影像数据。
步骤320，将待处理血管段的影像数据输入到如上述实施例方法构建的第二血流动力学仿真模型中，获得待处理血管段的仿真结果。
本发明提供的血流动力学仿真方法，获取待处理医学影像，并基于待处理医学影像，获取待处理血管段的影像数据。将待处理血管段的影像数据输入到如上述实施例方法构建的第二血流动力学仿真模型中，获得待处理血管段的仿真结果。在仿真模型中，输入感兴趣区域的时间和空间信息，即可得到该区域的生物力学参数，如速度场和压力场，并对相应心血管疾病的风险进行评估。
以上，为本发明所提供的血流动力学仿真模型构建，以及血流动力学仿真等的方法实施例，下文中则介绍说明本发明所提供的血流动力学仿真模型构建装置，以及血流动力学仿真装置等的实施例，具体参见如下。
图14为本发明实施例提供的血流动力学仿真模型构建装置结构示意图，该装置包括：第一获取模块1401、构建模块1402和训练模块1403。
第一获取模块1401，用于获取医学影像，并基于医学影像，获取目标血管段的影像数据。
构建模块1402，用于以时间和对应时间的三维空间坐标为输入变量，以对应时间的三维速度分量和对应时间的压强为输出，构建第一血流动力学仿真模型。
训练模块1403，用于根据目标血管的影像数据，对第一血流动力学仿真模型进行迭代训练，当第一血流动力学仿真模型达到预设标准时，确认第一血流动力学仿真模型为所需的第二血流动力学仿真模型。
在一个示例中，训练模块1403具体用于：
将目标血管的影像数据输入到第一血流动力仿真模型中，获得预测数据代入流动控制方程的计算残差，以及预测数据与目标血管的影像数据之间的计算误差；
基于残差和计算误差，确定损失函数；
根据损失函数，对模型进行迭代训练。
在另一个示例中，流动控制方程为：
其中：ρ是血液密度，v是血流速度，p为压强，μ是血流粘性，t是时间。
本发明实施例提供的血流动力学仿真模型构建装置中各部件所执行的功能均已在上述任一方法实施例中做了详细的描述，因此这里不再赘述。
本发明实施例提供的血流动力学仿真模型构建装置，获取医学影像，并基于医学影像，获取目标血管段的影像数据；以时间和对应时间的三维空间坐标为输入变量，以对应时间的三维速度分量和对应时间的压强为输出，构建第一血流动力学仿真模型；根据目标血管的影像数据，对第一血流动力学仿真模型进行迭代训练；当第一血流动力学仿真模型达到预设标准时，确认第一血流动力学仿真模型为所需的第二血流动力学仿真模型。利用本发明的仿真模型进行仿真，可以克服现有技术在心血管疾病评估、诊断及手术规划中无法实时、准确的进行血流动力学环境仿真的缺陷。
图15为本发明实施例提供的血流动力学仿真装置结构示意图，该装置包括：第二获取模块1501和仿真模块1502。
第二获取模块1501，用于获取待处理医学影像，并基于待处理医学影像，获取待处理血管段的影像数据；
仿真模块1502，用于将待处理血管段的影像数据输入到如第三方面所述装置构建的第二血流动力学仿真模型中，获得待处理血管段的仿真结果。
本发明实施例提供的血流动力学仿真装置中各部件所执行的功能均已在上述任一方法实施例中做了详细的描述，因此这里不再赘述。
本发明实施例提供的一血流动力学仿真装置，获取待处理医学影像，并基于待处理医学影像，获取待处理血管段的影像数据。将待处理血管段的影像数据输入到如上述实施例方法构建的第二血流动力学仿真模型中，获得待处理血管段的仿真结果。在仿真模型中，输入感兴趣区域的时间和空间信息，即可得到该区域的生物力学参数，如速度场和压力场，并对相应心血管疾病的风险进行评估。
如图16所示，本发明实施例提供了一种电子设备，包括处理器111、通信接口112、存储器113和通信总线114，其中，处理器111，通信接口112，存储器113通过通信总线114完成相互间的通信。
存储器113，用于存放计算机程序；
在本发明一个实施例中，处理器111，用于执行存储器113上所存放的程序时，实现前述任意一个方法实施例提供的血流动力学仿真模型构建方法；
或者，处理器111，用于执行存储器113上所存放的程序时，实现前述任意一个方法实施例提供的血流动力学仿真方法。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如前述任意一个方法实施例提供的血流动力学仿真模型构建方法；
或者，被处理器执行时实现如前述任意一个方法实施例提供的血流动力学仿真方法。
本发明提供的技术方案，具有如下优点：
(1)本发明方法适用范围广泛，实现方法简洁，有望解决目前心血管疾病功能学评估和诊疗策略制定时效性差，准确度低，计算繁琐等问题。通过利用物理信息约束的机器学习网络预测目标区域血流动力学环境，相比于利用Navier-Stokes方程进行直接数值模拟的方式，可极大的减少计算成本，且不需要对几何或初始和边界条件进行设定；相比于利用普通的机器学习方法，可大大减少训练所需要的数据量，且模型的解释性更佳。
(2)利用本发明最终获得的血流动力学仿真模型，可实现血流动力学参数的快速预测及可视化。在仿真模型中，输入感兴趣区域的时间空间信息，即可得到该区域的生物力学参数，如速度场和压力场，并对相应心血管疾病的风险进行评估。
专业人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种血流动力学仿真模型构建方法，其特征在于，所述方法包括：
获取医学影像，并基于所述医学影像，获取目标血管段的影像数据；
以时间和对应时间的三维空间坐标为输入变量，以对应时间的三维速度分量和对应时间的压强为输出，构建第一血流动力学仿真模型；
根据所述目标血管的影像数据，对所述第一血流动力学仿真模型进行迭代训练；
当所述第一血流动力学仿真模型达到预设标准时，确认所述第一血流动力学仿真模型为所需的第二血流动力学仿真模型。
2.根据权利要求1所述的方法，其特征在于，所述根据所述目标血管的影像数据，对所述第一血流动力学仿真模型进行迭代训练，包括：
将所述目标血管的影像数据输入到所述第一血流动力仿真模型中，获得预测数据代入流动控制方程的计算残差，以及预测数据与所述目标血管的影像数据之间的计算误差；
基于所述残差和所述计算误差，确定损失函数；
根据所述损失函数，对所述模型进行迭代训练。
3.根据权利要求2所述的方法，其特征在于，所述流动控制方程为：
其中：ρ是血液密度，v是血流速度，p为压强，μ是血流粘性，t是时间。
4.一种血流动力学仿真方法，其特征在于，所述方法包括：
获取待处理医学影像，并基于所述待处理医学影像，获取所述待处理血管段的影像数据；
将所述待处理血管段的影像数据输入到如权利要求1-3任一项所述的方法构建的第二血流动力学仿真模型中，获得所述待处理血管段的仿真结果。
5.一种血流动力学仿真模型构建装置，其特征在于，所述装置包括：
第一获取模块，用于获取医学影像，并基于所述医学影像，获取目标血管段的影像数据；
构建模块，用于以时间和对应时间的三维空间坐标为输入变量，以对应时间的三维速度分量和对应时间的压强为输出，构建第一血流动力学仿真模型；
训练模块，用于根据所述目标血管的影像数据，对所述第一血流动力学仿真模型进行迭代训练，当所述第一血流动力学仿真模型达到预设标准时，确认所述第一血流动力学仿真模型为所需的第二血流动力学仿真模型。
6.根据权利要求5所述的装置，其特征在于，所述训练模块，具体用于：
将所述目标血管的影像数据输入到所述第一血流动力仿真模型中，获得预测数据代入流动控制方程的计算残差，以及预测数据与所述目标血管的影像数据之间的计算误差；
基于所述残差和所述计算误差，确定损失函数；
根据所述损失函数，对所述模型进行迭代训练。
7.根据权利要求6所述的装置，其特征在于，所述流动控制方程为：
其中：ρ是血液密度，v是血流速度，p为压强，μ是血流粘性，t是时间。
8.一种血流动力学仿真装置，其特征在于，所述装置包括：
第二获取模块，用于获取待处理医学影像，并基于所述待处理医学影像，获取所述待处理血管段的影像数据；
仿真模块，用于将所述待处理血管段的影像数据输入到如权利要求5所述的装置构建的第二血流动力学仿真模型中，获得所述待处理血管段的仿真结果。
9.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现如权利要求1-3任一项所述的血流动力学仿真模型构建方法；
或者，用于执行存储器上所存放的程序时，实现如权利要求4所述的血流动力学仿真方法。
10.一种计算机可读存储介质，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器执行时实现如权利要求1-3任一项所述的血流动力学仿真模型构建方法；
或者，被处理器执行实现如权利要求4所述的血流动力学仿真方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211163986.5A CN115691814A (zh) | 2022-09-23 | 2022-09-23 | 血流动力学仿真模型构建、仿真方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211163986.5A CN115691814A (zh) | 2022-09-23 | 2022-09-23 | 血流动力学仿真模型构建、仿真方法、装置及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115691814A true CN115691814A (zh) | 2023-02-03 |
Family
ID=85062471
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211163986.5A Pending CN115691814A (zh) | 2022-09-23 | 2022-09-23 | 血流动力学仿真模型构建、仿真方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115691814A (zh) |
Cited By (1)
| 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 |
-
2022
- 2022-09-23 CN CN202211163986.5A patent/CN115691814A/zh active Pending
Cited By (1)
| 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 |
|---|---|---|
| Verhoosel et al. | Image-based goal-oriented adaptive isogeometric analysis with application to the micro-mechanical modeling of trabecular bone | |
| Takizawa et al. | Aorta modeling with the element-based zero-stress state and isogeometric discretization | |
| Habibi et al. | Integrating multi-fidelity blood flow data with reduced-order data assimilation | |
| US12096990B2 (en) | Systems and methods for estimation of blood flow using response surface and reduced order modeling | |
| US12094594B2 (en) | Method of estimation physiological parameters using medical image data | |
| US20230367994A1 (en) | Hyper network machine learning architecture for simulating physical systems | |
| US11152122B2 (en) | System and method for evaluating vascular risks | |
| CN112052617B (zh) | 一种非疾病诊断用途的用于预测支路血管流场的方法及系统 | |
| Suk et al. | Mesh neural networks for SE (3)-equivariant hemodynamics estimation on the artery wall | |
| CN110634572A (zh) | 基于力学方程的血管血流模拟方法及相关装置 | |
| CN115691814A (zh) | 血流动力学仿真模型构建、仿真方法、装置及电子设备 | |
| Lucor et al. | Cardiovascular modeling with adapted parametric inference | |
| Pajaziti et al. | Shape-driven deep neural networks for fast acquisition of aortic 3D pressure and velocity flow fields | |
| US20170004278A1 (en) | System and method for sparse pressure/flowrate reduced modeling of hemodynamics | |
| Gálvez et al. | Immunological-based approach for accurate fitting of 3D noisy data points with Bézier surfaces | |
| Pham et al. | svMorph: interactive geometry-editing tools for virtual patient-specific vascular anatomies | |
| Manzoni et al. | A reduced-order strategy for solving inverse bayesian shape identification problems in physiological flows | |
| Schein et al. | Greedy maximin distance sampling based model order reduction of prestressed and parametrized abdominal aortic aneurysms | |
| US20220107256A1 (en) | Method and apparatus for predicting fluid flow through a subject conduit | |
| EP3270308A1 (en) | Method for providing a secondary parameter, decision support system, computer-readable medium and computer program product | |
| Pang et al. | Qualitative, semi-quantitative, and quantitative simulation of the osmoregulation system in yeast | |
| Hiremath et al. | Unveiling Complexity: Synergizing Deep Learning and Computational Fluid Dynamics for Blood Flow Analysis | |
| Lorentzen et al. | Perfusion estimation using MRI-based measurements and a porous media flow model | |
| DAUHOO et al. | Didier Lucor & Olivier P. Le Maˆıtre | |
| Pham et al. | Pattern analysis of imaging markers in abdominal aortic aneurysms |
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 |