CN116096330A - 用于分析冠状动脉狭窄的医学图像处理方法和系统 - Google Patents

用于分析冠状动脉狭窄的医学图像处理方法和系统 Download PDF

Info

Publication number
CN116096330A
CN116096330A CN202180052628.4A CN202180052628A CN116096330A CN 116096330 A CN116096330 A CN 116096330A CN 202180052628 A CN202180052628 A CN 202180052628A CN 116096330 A CN116096330 A CN 116096330A
Authority
CN
China
Prior art keywords
lesion
coronary
point
lumen
vessel
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
CN202180052628.4A
Other languages
English (en)
Inventor
钟良
黄为民
张俊梅
G·钱杜拉
林斯德
陈如衫
陈瑞耀
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.)
Agency for Science Technology and Research Singapore
Singapore Health Services Pte Ltd
Original Assignee
Agency for Science Technology and Research Singapore
Singapore Health Services Pte Ltd
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 Agency for Science Technology and Research Singapore, Singapore Health Services Pte Ltd filed Critical Agency for Science Technology and Research Singapore
Publication of CN116096330A publication Critical patent/CN116096330A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61F—FILTERS IMPLANTABLE INTO BLOOD VESSELS; PROSTHESES; DEVICES PROVIDING PATENCY TO, OR PREVENTING COLLAPSING OF, TUBULAR STRUCTURES OF THE BODY, e.g. STENTS; ORTHOPAEDIC, NURSING OR CONTRACEPTIVE DEVICES; FOMENTATION; TREATMENT OR PROTECTION OF EYES OR EARS; BANDAGES, DRESSINGS OR ABSORBENT PADS; FIRST-AID KITS
    • A61F2/00—Filters implantable into blood vessels; Prostheses, i.e. artificial substitutes or replacements for parts of the body; Appliances for connecting them with the body; Devices providing patency to, or preventing collapsing of, tubular structures of the body, e.g. stents
    • A61F2/82—Devices providing patency to, or preventing collapsing of, tubular structures of the body, e.g. stents
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
    • A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G06T7/55—Depth or shape recovery from multiple images
    • G06T7/564—Depth or shape recovery from multiple images from contours
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/64—Analysis of geometric attributes of convexity or concavity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
    • A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
    • A61B2034/101—Computer-aided simulation of surgical operations
    • A61B2034/102—Modelling of surgical devices, implants or prosthesis
    • A61B2034/104—Modelling the effect of the tool, e.g. the effect of an implanted prosthesis or for predicting the effect of ablation or burring
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
    • A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
    • A61B2034/101—Computer-aided simulation of surgical operations
    • A61B2034/105—Modelling of the patient, e.g. for ligaments or bones
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61F—FILTERS IMPLANTABLE INTO BLOOD VESSELS; PROSTHESES; DEVICES PROVIDING PATENCY TO, OR PREVENTING COLLAPSING OF, TUBULAR STRUCTURES OF THE BODY, e.g. STENTS; ORTHOPAEDIC, NURSING OR CONTRACEPTIVE DEVICES; FOMENTATION; TREATMENT OR PROTECTION OF EYES OR EARS; BANDAGES, DRESSINGS OR ABSORBENT PADS; FIRST-AID KITS
    • A61F2240/00—Manufacturing or designing of prostheses classified in groups A61F2/00 - A61F2/26 or A61F2/82 or A61F9/00 or A61F11/00 or subgroups thereof
    • A61F2240/001—Designing or manufacturing processes
    • A61F2240/002—Designing or making customized prostheses
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61F—FILTERS IMPLANTABLE INTO BLOOD VESSELS; PROSTHESES; DEVICES PROVIDING PATENCY TO, OR PREVENTING COLLAPSING OF, TUBULAR STRUCTURES OF THE BODY, e.g. STENTS; ORTHOPAEDIC, NURSING OR CONTRACEPTIVE DEVICES; FOMENTATION; TREATMENT OR PROTECTION OF EYES OR EARS; BANDAGES, DRESSINGS OR ABSORBENT PADS; FIRST-AID KITS
    • A61F2240/00—Manufacturing or designing of prostheses classified in groups A61F2/00 - A61F2/26 or A61F2/82 or A61F9/00 or A61F11/00 or subgroups thereof
    • A61F2240/001—Designing or manufacturing processes
    • A61F2240/008—Means for testing implantable prostheses
    • 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
    • G06T2207/20084—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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30172—Centreline of tubular or elongated structure

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Public Health (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Biomedical Technology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Surgery (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Computer Graphics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Vascular Medicine (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Molecular Biology (AREA)
  • Cardiology (AREA)
  • Robotics (AREA)
  • Transplantation (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

公开了用于模拟冠状动脉管腔结构内支架的方法和系统。一种模拟冠状动脉管腔结构内支架的方法，该方法包括：根据分割后冠状动脉管腔轮廓重建三维冠状动脉丛；以候选支架结构替代所述三维动脉丛的一部分；以及模拟所述冠状动脉丛的压力分布，以确定通过所述候选支架结构的无创血流储备分数。

Description

用于分析冠状动脉狭窄的医学图像处理方法和系统
技术领域
本发明涉及用于分析冠状动脉狭窄的医学图像处理方法，尤其涉及支架的模拟。
背景技术
当动脉粥样硬化斑块在冠状动脉内逐渐累积而导致减少心肌供血的管腔狭窄时，便会产生冠状动脉疾病。当冠状动脉狭窄导致缺血时，可能需要对该狭窄进行包括经皮冠状动脉介入(PCI)在内的血运重建。
虽然有创血流储备分数(FFR)测量为建议使用方法，但是由于与有创FFR测量法相关的包括成本、时间及潜在不利影响在内的各种因素，其使用率相对较低。此外，该方法难以用于分叉病变和串联病变。我们采用一种称为FFRB的系统进行无创FFR的评估，该系统融合了计算机断层扫描冠状动脉造影(CTCA)和降阶计算流体力学(CFD)两种技术。基于这一平台，我们提出通过对虚拟支架植入进行建模而评估PCI后冠状动脉病变的功能状态，以使得操作人员能够对不同植入策略及其对PCI后冠状动脉生理学的影响进行综合评估和比较。如此，可改善有创治疗策略中患者选择方面的适当性以及个性化支架的选择和置放规划，从而有可能在冠状动脉疾病的临床决策及治疗规划方面带来变革。
FFR为选择可能会受益于血运重建的患者及评估血运重建后功能改善方面的“黄金标准”。然而，在有创冠状动脉造影(ICA)过程中，FFR需要在腺苷、5'-三磷酸腺苷或罂粟碱引起的充血状态下测量。在测量FFR时，将尖端带有压力传感器的导丝经导管插入目标病变冠状动脉内后，记录狭窄远近两端的压力，并以两者之比量化FFR。对于病变FFR>0.8的冠状动脉疾病患者，推荐采用药物治疗。而对FFR≤0.8的病变，提倡进行冠状动脉血运重建。血运重建后，如果FFR>0.8，则表明手术成功。虽然FFR指导下的冠状动脉血运重建已证明可改善临床结果，但由于高昂的医疗费用、额外的手术时间以及有创手术所涉及的潜在并发症，FFR测量并未广泛用于临床实践[5]。因此，需要一种判定缺血性病变以及评估血运重建结果的无创方法。
在血运重建方面，PCI已证明能够有效恢复冠状动脉疾病患者的心脏血流。全球冠状动脉支架市场的规模在2017年为52亿美元，并预计在2025年增至84亿美元。植入位置、支架选择(如尺寸/类型/数目)及支架植入策略方面的决策，尤其对于易发生支架内再狭窄(ISR)、支架内血栓形成以及相关不良临床事件的分叉病变和串联病变的治疗而言，仍然较为复杂和困难。虽然FFR测量推荐用于分叉病变治疗中的PCI，但是压力导丝难以再次穿过原先植入主血管内的支架的波杆。对于串联病变，由于生理相互作用，难以利用FFR测量对各种狭窄状况的严重程度进行分别评估。因此，需要一种对不同植入策略的PCI后冠状动脉病变功能状态进行建模的工具，以对PCI治疗规划提供帮助。
CTCA根据病变部位的高分辨率解剖图进行冠状动脉疾病的评估，为一项重要的无创检测技术。然而，在缺血性冠状动脉病变的判定方面，其虽然灵敏性较高，但特异性较低。目前，通过将CTCA与冠状动脉内血流动力学的CFD建模相结合，已实现对冠状动脉病变的功能意义进行无创评估的可行性。采用降阶CFD建模以及新的出口边界条件的无创方法FFRB的一例见以下刊文：Zhang JM，Zhong L，Luo T，Lomarda AM，Huo Y，Yap J，Lim ST，Tan RS，Wong ASL，Tan JWC，Yeo KK，Fam JM，Keng FYJ，Wan M，Su B，Zhao X，Allen JC，Kassab GS，Chua TSJ，Tan SY，基于CT图像的无创血流储备分数简化模型，公共科学图书馆：综合，2016年，11卷5期：e0153070(DOI：10.1371/journal.pone.0153070).
发明内容
根据本发明的第一方面，提供一种模拟冠状动脉管腔结构内支架的方法。该方法包括：根据分割后冠状动脉管腔轮廓，重建三维冠状动脉丛；以候选支架结构替代所述三维动脉丛的一部分；以及模拟所述冠状动脉丛的压力分布，以确定通过所述候选支架结构的无创血流储备分数。
在一种实施方式中，该方法还包括：识别所述候选支架结构的候选位置。
在一种实施方式中，识别所述候选支架结构的所述候选位置包括：确定随血管拉直长度变化的平均管腔面积；根据随所述血管拉直长度变化的所述平均管腔面积识别病变的近端点以及该病变的远端点；以及根据所述病变的所述近端点以及该病变的所述远端点，确定所述候选支架位置。
在一种实施方式中，根据随所述血管拉直长度变化的所述平均管腔面积识别所述病变的所述近端点以及该病变的所述远端点包括：确定随所述血管拉直长度变化的所述平均管腔面积的曲率；以及将所述病变的所述近端点以及该病变的所述远端点识别为所述曲率的绝对值的最大值。
在一种实施方式中，根据随所述血管拉直长度变化的所述平均管腔面积识别所述病变的所述近端点以及该病变的所述远端点包括：确定随所述血管拉直长度变化的所述平均管腔面积的斜率变化；以及将所述病变的所述近端点以及该病变的所述远端点识别为所述斜率变化的最大值。
在一种实施方式中，根据随所述血管拉直长度变化的所述平均管腔面积识别所述病变的所述近端点以及该病变的所述远端点包括：根据所述平均管腔面积最小处的位置；以及在所述平均管腔面积最小处的各侧，识别所述病变的所述近端点以及该病变的所述远端点。
在一种实施方式中，该方法还包括：根据所述病变的所述近端点以及该病变的所述远端点处的所述平均管腔直径，确定所述候选支架结构的直径。
在一种实施方式中，该方法还包括：根据所述病变的所述近端点的位置以及所述病变的所述远端点的位置，确定所述候选支架结构的长度。
在一种实施方式中，该方法还包括：在所述候选支架结构的所述长度中加入延伸余量。
在一种实施方式中，该方法还包括：从一组计算机断层扫描冠状动脉造影图像中分割出冠状动脉管腔结构，以获得分割后冠状动脉管腔轮廓。
在一种实施方式中，从一组计算机断层扫描冠状动脉造影图像中分割出所述冠状动脉管腔结构以获得所述分割后冠状动脉管腔轮廓包括：将主动脉窦处的点指定为冠状动脉丛的起点；确定所述动脉丛的动脉的血管中心线；利用所述中心线，创建所述动脉丛的各区段的伸展多平面重新格式化体积；从所述伸展多平面重新格式化体积中提取纵截面；检测所提取到的纵截面的管腔边界；以及利用所检测到的管腔边界，检测所述多平面重新格式化体积的各切片的管腔边界轮廓。
在一种实施方式中，所述纵截面以45度的间隔从所述伸展多平面重新格式化体积中被提取。
在一种实施方式中，通过黑塞(Hessian)过滤器确定所述血管中心线。
根据本发明的第二方面，提供一种载有处理器可执行指令的计算机可读载体介质，当所述处理器可执行指令被处理器执行时，使所述处理器实施上述方法。
根据本发明的第三方面，提供一种用于模拟冠状动脉管腔结构内支架的医学图像处理系统。所述医学图像处理系统包括处理器以及存储有可执行的计算机程序指令的数据存储器件，所述计算机程序指令用于使所述处理器：通过分割后冠状动脉管腔轮廓重建三维冠状动脉丛；通过候选支架结构替代所述三维动脉丛的一部分；以及模拟所述冠状动脉丛的压力分布，以确定通过所述候选支架结构的无创血流储备分数。
在一种实施方式中，所述数据存储器件还存储有可执行的计算机程序指令，以用于使所述处理器：识别所述候选支架结构的候选位置。
在一种实施方式中，所述数据存储器件还存储有可执行的计算机程序指令，以用于使所述处理器通过如下方式识别所述候选支架结构的所述候选位置：确定随血管拉直长度变化的平均管腔面积；根据随所述血管拉直长度变化的所述平均管腔面积，识别病变的近端点以及所述病变的远端点；以及根据所述病变的所述近端点以及该病变的所述远端点，确定所述候选支架位置。
在一种实施方式中，根据随所述血管拉直长度变化的所述平均管腔面积识别所述病变的所述近端点以及该病变的所述远端点包括：确定随所述血管拉直长度变化的所述平均管腔面积的曲率；以及将所述病变的所述近端点以及该病变的所述远端点识别为所述曲率的绝对值的最大值。
在一种实施方式中，根据随所述血管拉直长度变化的所述平均管腔面积识别所述病变的所述近端点以及该病变的所述远端点包括：确定随所述血管拉直长度变化的所述平均管腔面积的斜率变化；以及将所述病变的所述近端点以及该病变的所述远端点识别为所述斜率变化的最大值。
在一种实施方式中，根据随所述血管拉直长度变化的所述平均管腔面积识别所述病变的所述近端点以及该病变的所述远端点包括：识别所述平均管腔面积最小处的位置；以及在所述平均管腔面积最小处的各侧，识别所述病变的所述近端点以及该病变的所述远端点。
在一种实施方式中，所述数据存储器件还存储有可执行的计算机程序指令，以用于：根据所述病变的所述近端点以及该病变的所述远端点处的所述平均管腔直径，确定所述候选支架结构的直径。
在一种实施方式中，所述数据存储器件还存储有可执行的计算机程序指令，以用于：根据所述病变的所述近端点的位置以及所述病变的所述远端点的位置，确定所述候选支架结构的长度。
在一种实施方式中，所述数据存储器件还存储有可执行的计算机程序指令，以令用于：在所述候选支架结构的所述长度中加入延伸余量。
在一种实施方式中，所述数据存储器件还存储有可执行的计算机程序指令，以用于：从一组计算机断层扫描冠状动脉造影图像中分割出冠状动脉管腔结构，以获得所述分割后冠状动脉管腔轮廓。
在一种实施方式中，所述数据存储器件还存储有可执行的计算机程序指令，以用于通过如下方式从一组计算机断层扫描冠状动脉造影图像中分割出所述冠状动脉管腔结构以获得所述分割后冠状动脉管腔轮廓：将主动脉窦处的点指定为冠状动脉丛的起点；确定所述动脉丛的动脉的血管中心线；利用所述中心线，创建所述动脉丛的各区段的伸展多平面重新格式化体积；从所述伸展多平面重新格式化体积中提取纵截面；检测所提取的纵截面的管腔边界；以及利用所检测到的管腔边界，检测所述多平面重新格式化体积的各切片的管腔边界轮廓。
在一种实施方式中，所述纵截面以45度的间隔从所述伸展多平面重新格式化体积中被提取。
在一种实施方式中，通过黑塞(Hessian)过滤器确定所述血管中心线。
附图说明
下文中，结合附图，以非限制性示例的形式，描述本发明实施方式。附图中：
图1为根据本发明实施方式的一种模拟患者体内支架植入的方法的流程图；
图2为根据本发明实施方式的一种医学图像处理系统的框图；
图3为根据本发明实施方式的一种用于模拟支架植入的医学图像处理方法的流程图；
图4A至图4D所示为一组图像，分别为：患者的一组计算机断层扫描冠状动脉造影(CTCA)图像410；获得自CTCA图像的多平面重新格式化图像；纵横两种视角下的管腔轮廓描绘效果；以及患者的冠状动脉三维重建模型；
图5A至图5E所示为在根据本发明实施方式的一种方法中对支架参数进行选择的一例；
图6A至图6D所示为本发明一种实施方式中对支架置放进行模拟的方式；
图7A至图7D所示为有创FFR和无创FFRB的狭窄功能评估比较；
图8所示为以根据本发明实施方式的方法对左前降支动脉患有串联病变的患者进行治疗时3种不同支架植入策略的比较示例；
图9A所示为支架植入前FFR和FFRB之间的相关性，图9B所示为对应的布兰德-奥特曼(Bland-Altman)图；以及
图10A所示为支架植入后FFR和FFRB之间的相关性，图10B所示为对应的布兰德-奥特曼(Bland-Altman)图。
具体实施方式
本发明涉及对冠状动脉狭窄进行量化，对经皮冠状动脉介入(PCI)手术进行建模以及评估虚拟支架植入前后血流动力学的系统和方法。整个过程包括冠状动脉分割，中心线提取，中心线追踪，动脉截面图像生成，动脉管腔分割，狭窄检测/量化，通过形状恢复模拟植入支架的场景(尺寸、长度及数目)，置放，虚拟支架植入前后的无创血流储备分数(FFRB)评估。
图1为根据本发明实施方式的一种模拟患者体内支架植入的方法的流程图。图1所示方法10可用于模拟对患者施行的支架植入手术的结果。
在CTCA成像步骤12中，进行计算机断层扫描冠状动脉造影图像的采集。成像根据心血管计算机断层扫描学会(Society of Cardiovascular Computed Tomography)的指南进行。CTCA成像可由具有高的图像空间分辨率的现有多切片计算机断层扫描仪进行，例如以下扫描仪：东芝(Toshiba)Aquilion One 320切片，佳能(Canon)Aquilion ONE/Genesis640，西门子(Siemens)Somatom Force Dual Source，飞利浦(Philips)Brilliance iCT等。对于静息心率>65次/分钟的患者，可给予包括伊伐布雷定在内的用于调节心率的β受体阻滞剂等药物，而且每次扫描前，均可舌下给予三硝酸甘油酯。CTCA扫描可采用前瞻性心电图触发扫描模式。所有CTCA图像均可保存为DICOM格式。
在图像分割步骤14中，进行CTCA图像处理，以对冠状动脉管腔结构进行分割。其中，以每一横向切片与纵向轮廓的交点为指导，进行横向切片内轮廓的检测。此外，还支持纵横两种平面内的管腔轮廓描绘。对分割后的管腔轮廓进行保存，以供下一步处理。
在患者特异性三维模型重建步骤16中，将所有分割后冠状动脉管腔轮廓拼合在一起，以生成患者特异性冠状动脉三维重建模型。
在支架植入模拟步骤18中，以模拟支架替代患者冠状动脉丛三维模型的一部分。在一些实施方式中，检测到冠状动脉丛的狭窄区域后，以模拟支架替代该狭窄区域。在其他实施方式中，由使用者手动选择供模拟支架替代的狭窄区域。其中，可由模拟支架替代多于一个的狭窄区域。
在支架植入模拟步骤18后，进行模型清理/网格化步骤20。在模型清理/网格化步骤20中，对三维模型进行清理，以使其具有分别与相应血管中心线垂直的入口和出口边界。随后，将清理后模型的计算域离散为具有边界膨胀层的四面体、三棱柱或六面体形状的元素。
在此之后，进行计算流体力学(CFD)模拟22。其中，针对计算域，根据患者特异性边界条件，以有限体积法求解冠状动脉内血流的连续性和动量守恒方程(也称纳维尔-斯托克斯(Navier-Stokes)方程)。边界条件是指存在于所模拟的模型的边界处的生理条件。在本发明方法中，入口条件根据患者的平均肱动脉血压设定。出口边界条件由使用者定义的冠状动脉微血管系统模型函数(以患者特异性信息参数化)指定。壁面设置无滑移边界条件。
CFD模拟22后，进行后处理步骤。在后处理步骤24中，利用冠状动脉丛上的压力分布计算无创FFRB值。
图1所示方法10可用于辅助支架植入术中的患者选择。该方法在实施时，可免去支架植入模拟步骤18以及后续的FFRB计算，并在当任何区段的FFRB≤0.80这一阈值时，判定存在缺血状况，并因此可考虑进行冠状动脉血运重建。FFRB>0.80视为不存在缺血，患者采用药物治疗。这些阈值基于FFR应用方面的现有医学知识，但这些推荐值也可能随着未来临床经验的积累而调整。对于考虑进行冠状动脉血运重建的患者，可使用包含支架植入模拟步骤18的方法10，对虚拟支架植入手术的结果进行估计。在计算虚拟支架植入手术的结果时，需要对冠状动脉三维重建模型进行改动，以在病灶位置处加入一个或多个支架。
图2所示为根据本发明实施方式的一种医学图像处理系统。医学图像处理系统100为带有存储器的计算机系统，所述存储器存储实行根据本发明实施方式的医学图像处理方法的计算机程序模块。
医学图像处理系统100包括处理器110，工作存储器112，输入接口114，用户界面116，输出接口118，程序存储器120以及数据存储器140。处理器110可实施为一个或多个中央处理单元(CPU)芯片。程序存储器120为存储计算机程序模块的硬盘驱动器等非易失性存储器件。计算机程序模块载入工作存储器112中，以供处理器110执行。输入接口114为允许患者计算机断层扫描冠状动脉造影(CTCA)图像数据等数据被医学图像处理系统100接收的接口。输入接口114可以为Wi-Fi接口或蓝牙接口等无线网络接口。或者，其也可以为有线接口。用户界面116允许医学图像处理系统100的用户输入选择结果和命令，并且可实施为图形用户界面。输出接口118输出数据，并且可实施为显示器或数据接口。
程序存储器120存有分割模块122，三维模型重建模块124，支架模拟模块126以及流体动力学模拟模块128。计算机程序模块使得处理器110执行下文中更加详细描述的各种医学图像处理。在某些语境中，程序存储器120可称为计算机可读存储介质和/或非暂时性计算机可读介质。如图2所示，计算机程序模块为分别执行由医学图像处理系统100实现的相应功能的不同模块。需要理解的是，此类模块之间的界限仅为举例说明，在其他实施方式中，模块之间也可合并，或者模块功能也可按照其他方式划分。例如，本文中描述的模块可划分为待由多个计算机进程，或者可选由多个计算机执行的子模块。此外，在替代实施方式中，可将某个模块或子模块多个实例相互组合。还需理解的是，虽然本文描述了计算机程序模块的软件实施方式，但是这些软件实施方式也可转而实施为一个或多个硬件模块(如现场可编程门阵列或专用集成电路)，这些模块包括电路系统，用于实现与软件所实现的功能同等的功能。
图3为根据本发明实施方式的一种用于模拟支架的医学图像处理方法的流程图。图3所示方法300由图2所示医学图像处理系统100执行。
方法300的处理对象为医学图像数据，如患者的计算机断层扫描冠状动脉造影(CTCA)图像数据。图4A所示为患者的一组CTCA图像410。如图4A所示，CTCA图像410所示为穿过患者心脏及周围区域的切片。
在步骤302中，医学图像处理系统100的处理器110执行分割模块122，以从患者的医学图像数据中分割出患者的冠状动脉结构。
图4B所示为获得自图4A所示CTCA图像410的多平面重新格式化图像420。多平面重新格式化图像420所示为患者的冠状动脉422。
图4C为纵横两种视角下的管腔轮廓描绘效果。纵向视图432所示为管腔432沿其长度的分割结果，横向视图435所示为管腔435沿其截面的分割结果。
冠状动脉管腔结构通过CTCA图像处理进行分割。其中，可将主动脉冠状窦处的点指定为左右冠状动脉丛的起点。随后，可通过黑塞(Hessian)过滤器和血管检测，或者通过人工智能(AI)方法，或者通过两者的组合，获得血管中心线。根据该中心线，可针对每一感兴趣的区段，创建伸展多平面重新格式化(MPR)体积。随后，可以45°的间隔，从多平面重新格式化(MPR)体积中提取4个纵截面。在此之后，可通过以模型为指导的最小成本法(MCA)，检测这4幅纵向图像中的管腔边界。类似地，可使用具有圆形管腔模型或其他管腔模型的MCA，检测多平面重新格式化(MPR)体积的横向切片中的管腔边界轮廓。或者，也可采用人工智能方法，或结合使用人工智能方法生成上述轮廓。
如上所述，人工智能可用作黑塞过滤器和血管检测的替代方案，而且人工智能可用作轮廓描绘中使用的MCA法的替代方案，或者与MCA法结合使用。用于中心线提取的人工智能方法可包括如下文所述的卷积神经网络：Wolterink JM，van Hamersvelt RW，Viergever MA，Leiner T，
Figure BDA0004094279430000101
I，通过基于CNN的朝向分类器在心脏CT血管造影中提取冠状动脉中心线，医学影像分析，2019年，51卷：46～60页；以及Ziqing Wan，Weimin Huang，SuHuang，Zhongkang Lu，Liang Zhong，Zhiping Lin，通过对部分标记数据的增强从CT冠状动脉造影中提取冠状动脉，2021年IEEE医学和生物学工程学会年度国际会议。
用于冠状动脉管腔分割的人工智能方法可包括：采用三维U-Net的深度学习框架：Weimin Huang，Lu Huang，Zhiping Lin，Su Huang，Yanling Chi，Jiayin Zhou，JunmeiZhang，Ru-San Tan，Liang Zhong，通过深度学习神经网络对计算机断层扫描冠状动脉造影图像进行冠状动脉分割，2018年IEEE医学和生物学工程学会年度国际会议：608～611页；残差U-Net等深度学习编解码器：Cheng Zhu，Xiaoyan Wang等，用于高分辨率多对比度MR图像的全自动三维颈动脉分割的级联残差U-net，医学物理与生物物理，2021年，66卷4期：045003；或其他方法及/或其组合。
再次参考图3，在步骤304中，医学图像处理系统100的处理器110执行三维模型重建模块124，以重建患者冠状动脉丛的三维模型。其中，将所有的分割后冠状动脉管腔轮廓拼合在一起，以生成患者特异性冠状动脉三维重建模型。首先，构建每条冠状动脉及其分支血管的表面网格模型，该模型表示于坐标原点通过计算机断层扫描定义的物理空间中。随后，将网格映射回坐标原点定义于(0，0，0)或图像体积的首个体素的图像空间。之后，可通过任何体素化方法在网格内创建图像体素。其后，添加包含每条冠状动脉及其分支血管的图像(分支血管的分辨率达1mm，该值为分支血管的当前极限分辨率，但是分辨率的极限可随成像技术的发展而提高)，以形成包含所有冠状动脉的三维图像。利用这一图像，可通过移动立方体等网格化操作创建新网格，该网格构成包含所有冠状动脉的表面网格。这一过程简化了整个冠状动脉丛在网格层面上需要对不同网格之间的交叉进行处理的网格创建工作。
图4D所示为冠状动脉三维重建模型。如图4D所示，冠状动脉三维重建模型440为患者冠状动脉丛的三维形状。
在步骤306中，医学图像处理系统100的处理器110执行支架模拟模块124，以通过以候选支架结构替代三维冠状动脉丛的一个或多个部分的方式模拟支架植入。支架置放的关键参数包括一个或多个支架的起点和终点以及每一相应直径和长度。
在一些实施方式中，步骤306包括：确定候选支架结构的位置和尺寸；以及随后通过以一个候选支架结构或多个候选支架结构替代三维冠状动脉丛的一个或多个部分的方式模拟支架植入。
在其他实施方式中，步骤306包括：接收指示一个或多个候选支架结构以及候选支架结构位置的用户输入；以及随后通过以一个候选支架结构或多个候选支架结构替代三维冠状动脉丛的一个或多个部分的方式模拟支架植入。
图5A至图5E所示为在根据本发明实施方式的一种方法中对支架参数进行选择的一例。
图5A为冠状动脉管腔轮廓的纵向视图。从图5A中可以看出，管腔轮廓510包括动脉发生窄化的狭窄区域512。
图5B为冠状动脉管腔轮廓的横向视图。如图5B所示，管腔轮廓展示了沿动脉长度一点处的动脉截面。据此，可确定沿管腔长度的管腔截面积。
图5C为沿图5A所示发生狭窄的冠状动脉的冠状动脉管腔面积图。该图中的长度为从近端(左端)至远端(右端)的动脉拉直长度，该长度通过沿自动中心线对冠状动脉进行三维弯曲多平面重新格式化的方式获得。其中，通过以中通或其他低通滤波将曲线平滑化，以最大程度减小噪声影响。如图5C所示，冠状动脉狭窄程度在与最小管腔面积相对应的点“S”处达到最大。近端点“P”对应于狭窄的近端，远端点“D”对应于狭窄的远端。点“P”和点“D”可通过在点“S”两侧寻找曲率或斜率变化的最大绝对值的方式识别。
图5D为图5C所示曲线的曲率图。其中，曲率定义为密切圆半径的倒数，并通过如下文所述的用于平面曲线的独立坐标法计算：Lewiner T，Gomes J，Lopes H，Craizer M，基于参数曲线拟合的弯曲及扭曲程度估算工具，计算机与图形学，2005年，29卷：641～655页。
如图5D所示，点“P”和点“D”可确定为点“S”左右两侧的曲率绝对值最大的点。
图5E为图5C所示曲线的斜率变化图。其中，斜率变化计算为曲线上相邻两点的斜率差。
如图5E所示，点“P”和点“D”可确定为点“S”左右两侧的斜率变化绝对值最大的点。
无论是使用曲率的最大绝对值，还是使用斜率变化的最大绝对值，“P”和“D”两点均可通过自“S”开始向左右巡查的方式自动确定。
点“P”至点“D”的距离表示需由虚拟支架替代的狭窄段的最小长度。其中，“P”和“D”两端可添加用户定义的延伸余量(如2～3mm)，以确保具有足够大的锚定区，而且在从某个范围内选择商售支架的长度时，可以获得一定程度的自由。
从图5C、图5D及图5E中可以看出，点“P”和点“D”所对应的拉直长度分别为28.5mm和39.2mm。考虑到锚定区因素，虚拟支架覆盖拉直长度从27.6mm至42.6mm的区域，分别对应3.2mm(8.04mm2)和2.8mm(6.16mm2)的近端和远端平均直径(截面积)。
在三维模型中，可以搜索分别与8.04mm2和6.16mm2此两面积对应的平面，以确定支架段的起始平面和终止平面(见图6A)。此外，近端和远端之间的距离为15mm，而且此两点之间的平均管腔直径为3.0mm。
现有商售支架由于其开孔网眼设计，因此存在标称直径和推荐的球囊扩张极限值。所选择商售支架的直径应该具有跨越近远两端位置处平均直径的范围。多种冠状动脉支架采用允许膨胀至标称直径之上的开孔网眼设计。取决于支架类型，所推荐的最大支架膨胀限值可超出标称支架直径的50％。
以下，结合图6A至图6D，描述支架置放的模拟方式。
图6A所示为具有狭窄区域的患者特异性三维冠状动脉模型。如图6A所示，冠状动脉模型600具有左前降支动脉血管病变的狭窄区域610。
图6B所示为用于替代狭窄区域的模拟或虚拟支架的生成。如图6B所示，首先识别狭窄区域的近端位置P和远端位置D。此两点可根据以上结合图5A至图5E所述的过程进行识别。例如，首先沿血管中心线检验截面积，以找出截面积与图5C所示“P”和“D”处截面积相近的平面“P”和“D”。然后，从模型中移除近端位置P和远端位置D之间的部分620。沿原生管腔中心线624，生成与其垂直的一系列圆面622。这些圆面622之间的距离为3mm，直径为3mm(近远两端处直径的平均值)。
图6C所示为三维冠状动脉模型中的模拟或虚拟支架。如图6C所示，通过B样条插值法，对圆面622进行插值，以形成虚拟支架段630。
图6D所示为内含虚拟支架段的新模型。如图6D所示，新模型650具有根据上述模拟或模拟支架形成的部分652。新模型650的剩余部分与图6A所示患者冠状动脉模型600对应。
再次参考图3，在步骤308中，医学图像处理系统100的处理器110执行流体动力学模拟模块128，以模拟流过包含虚拟支架段的冠状动脉丛的血流，并确定无创FFRB。
在流体动力学模拟过程中，针对计算域，根据患者特异性边界条件，以有限体积法求解冠状动脉内血流的连续性和动量守恒方程(也称纳维尔-斯托克斯(Navier-Stokes)方程)。边界条件是指存在于所模拟的模型的边界处的生理条件。在本发明方法中，入口条件根据患者的平均肱动脉血压设定。出口边界条件为由使用者定义的冠状动脉微血管系统模型函数(以患者特异性信息参数化)指定。壁面设置无滑移边界条件。
采用同一技术，可在三维冠状动脉模型的多个位置处“置放”具有不同的相应支架直径和长度的其他虚拟支架。随后，操作人员可交互式地对采用不同支架植入策略的解剖学重建效果进行综合评估，各植入策略之间可在支架数目、位置、长度及直径方面存在差异。在已置放支架的模型准备就绪后，即可计算虚拟支架植入后的无创FFRB。如此，操作人员可对所规划的各血运重建策略的生理效果进行综合评估。
如上所述，在上述方法的执行过程中，可确定每一冠状动脉病变的近远端点、支架长度以及支架直径。虚拟支架近远两端两侧的用户可定义余量(如2～3mm，用于确保足够大的支架锚定区)以及用户可定义的支架直径膨胀余量(用于模拟临床实践中支架膨胀至标称直径之上的情形)可由用户手动输入，以生成一个或多个用户虚拟支架。此外，可通过CFD建模，为每一冠状动脉病变生成一个或多个虚拟支架的压力图和FFRB图。
在上述方法的本发明所提出临床应用的一种实施方式中，用户可选择与具有所需冠状动脉血流动力学特性的一个或多个虚拟支架最佳匹配的商售支架。考虑到用户所定义的虚拟支架长度和直径余量，先找出与所选虚拟支架接近但比其更短和更窄的商售支架。随后，可将每一所选商售支架的长度和直径输入模型中，以对商售支架的植入进行模拟，并自动生成CFD模型和FFRB图。其中，通过将支架中心置于病变段中心处，可以自动进行支架的放置。用户可以选择对虚拟支架的放置进行手动调整，而CFD模型和FFRB图自动生成。除此之外，用户所选择的商售支架的长度、标称直径以及直径膨胀限值和相应的球囊膨胀技术参数可上传且更新至由本发明业务和/或用户站点维护的数据库中。
图7A至图7D所示为有创FFR和无创FFRB的狭窄功能评估比较。该示例展示了FFRB在经皮冠状动脉介入(PCI)前的冠状动脉疾病诊断以及PCI后的结果预测中的应用。如图7A所示，患者患有左前降支冠状动脉狭窄710。有创FFR测量为0.63。
图7B所示为设置支架后的左前降支冠状动脉。支架植入手术后测量的有创FFR值为0.81。
图7C所示为支架植入手术前的患者冠状动脉丛模型。左前降支冠状动脉处诊断出功能性显著狭窄，FFRB为0.59(<0.80)，与0.63这一有创FFR测量值相近。
图7D所示为根据本发明实施方式的方法的支架植入手术预测结果。PCI后FFRB计算值为0.83，与0.81这一有创FFR测量值相近。
图8所示为展示本发明实施方式应用于比较左前降支动脉串联病变的不同支架植入策略的一例。
如图8所示，图像810展示了左前降支动脉的第一病变812和第二病变814。有创FFR测量值为0.63。
针对患者，生成三维动脉丛模型820。该模型包括第一病变812和第二病变814。根据该模型，无创FFRB计算为0.64。
利用上述方法，对三种不同支架植入策略进行模拟。第一支架植入策略830包括：在第一病变812区域应用第一支架822，以及在第二病变814区域应用第二支架824。如图8所示，第一支架植入策略830的预测无创FFRB为0.88。第二支架植入策略840包括：在第一病变812区域应用第一支架822，但不在第二病变814区域应用支架。如图8所示，第二支架植入策略840的预测无创FFRB为0.87。第三支架植入策略850包括：在第二病变814区域应用第二支架824，但不在第一病变812区域应用支架。如图8所示，第三支架植入策略850的预测无创FFRB为0.69。
根据以上结合图8所述的支架植入策略模拟结果，临床医生可以选择第二策略，这是因为其大大改善了预测无创FFRB，而在第二病变814区域额外添加支架仅能实现微小的改善效果。
为了对上述方法进行验证，本发明还进行了概念验证研究。该研究中招募18名疑似或已知患有冠状动脉疾病的患者，这些患者先接受CTCA，然后接受有创冠状动脉造影和FFR测量，随后接受PCI，以对血流动力学显著的病变进行治疗。其中，共对21条血管(22个病变)进行支架植入，而且植入前后均进行FFR测量。
图9A所示为支架植入前FFR和FFRB之间的相关性，图9B所示为对应的布兰德-奥特曼(Bland-Altman)图。
图10A所示为支架植入后FFR和FFRB之间的相关性，图10B所示为对应的布兰德-奥特曼(Bland-Altman)图。
FFRB计算结果显示，支架植入前其与FFR具有优异的相关性(R＝0.88，p<0.001)，而支架植入后具有良好相关性(R＝0.55，p<0.001)(图9A和图10A)。FFRB和FFR的平均差值在支架植入前为0.038(95％一致性界限：-0.09～0.17)(图9B)，支架植入后为-0.036(95％一致性界限：-0.22～0.15)(图10B)。用于计算支架植入后残余缺血(定义为支架植入后FFRB≤0.80)的FFRB诊断准确性、灵敏性、特异性、阳性预测值(PPV)及阴性预测值(NPV)分别为81％，80％，81％，57％及93％。
总而言之，在诊断冠状动脉狭窄的血流动力学意义以及计算支架植入手术的血流动力学结果方面，FFRB为一项具有良好前景的指标。
冠状动脉疾病导致心肌缺血，死亡率占全球的13％(根据世界卫生组织2011年的预测，将在2030年升至15％)。采用冠状动脉内支架植入的PCI为一种减少冠状动脉疾病中缺血的有效血运重建疗法。支架选择(如尺寸/类型/数目)、植入位置以及植入策略方面的决策，尤其对于易于发生支架内再狭窄、晚期血栓形成以及相关不良临床事件的复杂分叉病变及串联病变而言，较为困难。因此，用于预测PCI治疗前后冠状动脉病变功能状态的工具能够在管理决策以及手术规划方面提供极大的帮助。

Claims (27)

1.一种模拟冠状动脉管腔结构内的支架的方法，其特征在于，所述方法包括：
根据分割后冠状动脉管腔轮廓，重建三维冠状动脉丛；
以候选支架结构替代所述三维动脉丛的一部分；以及
模拟所述冠状动脉丛的压力分布，以确定通过所述候选支架结构的无创血流储备分数。
2.根据权利要求1所述的方法，其特征在于，还包括：识别所述候选支架结构的候选位置。
3.根据权利要求2所述的方法，其特征在于，识别所述候选支架结构的所述候选位置包括：
确定随血管拉直长度变化的平均管腔面积；
根据随所述血管拉直长度变化的所述平均管腔面积，识别病变的近端点以及所述病变的远端点；以及
根据所述病变的所述近端点以及所述病变的所述远端点，确定所述候选支架位置。
4.根据权利要求3的方法，其特征在于，根据随所述血管拉直长度变化的所述平均管腔面积识别所述病变的所述近端点以及所述病变的所述远端点包括：确定随所述血管拉直长度变化的所述平均管腔面积的曲率；以及将所述病变的所述近端点以及所述病变的所述远端点识别为所述曲率的绝对值的最大值。
5.根据权利要求3的方法，其中，根据随所述血管拉直长度变化的所述平均管腔面积识别所述病变的所述近端点以及所述病变的所述远端点包括：确定随所述血管拉直长度变化的所述平均管腔面积的斜率变化；以及将所述病变的所述近端点以及所述病变的所述远端点识别为所述斜率变化的最大值。
6.根据权利要求3至5中任何一项的方法，其中，根据随所述血管拉直长度变化的所述平均管腔面积识别所述病变的所述近端点以及所述病变的所述远端点包括：识别所述平均管腔面积最小处的位置；以及在所述平均管腔面积最小处的各侧，识别所述病变的所述近端点以及所述病变的所述远端点。
7.根据权利要求3至6中任何一项所述的方法，其特征在于，还包括：根据所述病变的所述近端点以及所述病变的所述远端点处的所述平均管腔直径，确定所述候选支架结构的直径。
8.根据权利要求3至7中任何一项所述的方法，其特征在于，还包括：根据所述病变的所述近端点的位置以及所述病变的所述远端点的位置，确定所述候选支架结构的长度。
9.根据权利要求3至8中任何一项所述的方法，其特征在于，还包括：在所述候选支架结构的所述长度中加入延伸余量。
10.根据前述权利要求中任何一项所述的方法，其特征在于，还包括：从一组计算机断层扫描冠状动脉造影图像中分割出冠状动脉管腔结构，以获得分割后冠状动脉管腔轮廓。
11.根据权利要求10所述的方法，其特征在于，从一组计算机断层扫描冠状动脉造影图像中分割出所述冠状动脉管腔结构以获得所述分割后冠状动脉管腔轮廓包括：
将主动脉窦处的点指定为冠状动脉丛的起点；
确定所述动脉丛的动脉的血管中心线；
利用所述中心线，创建所述动脉丛的各区段的伸展多平面重新格式化体积；
从所述伸展多平面重新格式化体积中提取纵截面；
检测所提取的纵截面的管腔边界；以及
利用所检测到的管腔边界，检测所述多平面重新格式化体积的各切片的管腔边界轮廓。
12.根据权利要求11所述的方法，其特征在于，所述纵截面以45度的间隔从所述伸展多平面重新格式化体积中被提取。
13.根据权利要求11或12所述的方法，其特征在于，通过黑塞过滤器确定所述血管中心线。
14.一种载有处理器可执行指令的计算机可读载体介质，其特征在于，所述处理器可执行指令被处理器执行时，使所述处理器实施根据权利要求1至13中任何一项所述的方法。
15.一种用于模拟冠状动脉管腔结构内支架的医学图像处理系统，所述医学图像处理系统包括处理器以及存储有可执行的计算机程序指令的数据存储器，其特征在于，所述计算机程序指令用于使所述处理器：
根据分割后冠状动脉管腔轮廓重建三维冠状动脉丛；
以候选支架结构替代所述三维动脉丛的一部分；以及
模拟所述冠状动脉丛的压力分布，以确定通过所述候选支架结构的无创血流储备分数。
16.根据权利要求15所述的医学图像处理系统，其特征在于，所述数据存储器还存储有可执行的计算机程序指令，以用于使所述处理器：识别所述候选支架结构的候选位置。
17.根据权利要求16所述的医学图像处理系统，其特征在于，所述数据存储器还存储有可执行的计算机程序指令，以用于使所述处理器通过如下方式识别所述候选支架结构的所述候选位置：
确定随血管拉直长度变化的平均管腔面积；
根据随所述血管拉直长度变化的所述平均管腔面积，识别病变的近端点以及所述病变的远端点；以及
根据所述病变的所述近端点以及所述病变的所述远端点，确定所述候选支架位置。
18.根据权利要求17所述的医学图像处理系统，其特征在于，根据随所述血管拉直长度变化的所述平均管腔面积识别所述病变的所述近端点以及所述病变的所述远端点包括：确定随所述血管拉直长度变化的所述平均管腔面积的曲率；以及将所述病变的所述近端点以及所述病变的所述远端点识别为所述曲率的绝对值的最大值。
19.根据权利要求17所述的医学图像处理系统，其特征在于，根据随所述血管拉直长度变化的所述平均管腔面积识别所述病变的所述近端点以及所述病变的所述远端点包括：确定随所述血管拉直长度变化的所述平均管腔面积的斜率变化；以及将所述病变的所述近端点以及所述病变的所述远端点识别为所述斜率变化的最大值。
20.根据权利要求17至19中任何一项所述的医学图像处理系统，其特征在于，根据随所述血管拉直长度变化的所述平均管腔面积识别所述病变的所述近端点以及所述病变的所述远端点包括：识别所述平均管腔面积最小处的位置；以及在所述平均管腔面积最小处的各侧，识别所述病变的所述近端点以及所述病变的所述远端点。
21.根据权利要求17至20中任何一项所述的医学图像处理系统，其特征在于，所述数据存储器件还存储有可执行的计算机程序指令，以用于：根据所述病变的所述近端点以及所述病变的所述远端点处的所述平均管腔直径，确定所述候选支架结构的直径。
22.根据权利要求17至21中任何一项所述的医学图像处理系统，其特征在于，所述数据存储器件还存储有可执行的计算机程序指令，以用于：根据所述病变的所述近端点的位置以及所述病变的所述远端点的位置，确定所述候选支架结构的长度。
23.根据权利要求17至22中任何一项所述的医学图像处理系统，其特征在于，所述数据存储器件还存储有可执行的计算机程序指令，以用于：在所述候选支架结构的所述长度中加入延伸余量。
24.根据权利要求15至23中任何一项所述的医学图像处理系统，其特征在于，所述数据存储器件还存储有可执行的计算机程序指令，以用于：从一组计算机断层扫描冠状动脉造影图像中分割出冠状动脉管腔结构，以获得所述分割后冠状动脉管腔轮廓。
25.根据权利要求24所述的医学图像处理系统，其特征在于，所述数据存储器件还存储有可执行的计算机程序指令，以用于通过如下方式从一组计算机断层扫描冠状动脉造影图像中分割出所述冠状动脉管腔结构以获得所述分割后冠状动脉管腔轮廓：
将主动脉窦处的点指定为冠状动脉丛的起点；
确定所述动脉丛的动脉的血管中心线；
利用所述中心线，创建所述动脉丛的各区段的伸展多平面重新格式化体积；
从所述伸展多平面重新格式化体积中提取纵截面；
检测所提取的纵截面的管腔边界；以及
利用所检测到的管腔边界，检测所述多平面重新格式化体积的各切片的管腔边界轮廓。
26.根据权利要求25所述的医学图像处理系统，其特征在于，所述纵截面以45度的间隔从所述伸展多平面重新格式化体积中被提取。
27.根据权利要求25或26所述的医学图像处理系统，其特征在于，通过黑塞过滤器确定所述血管中心线。
CN202180052628.4A 2020-08-26 2021-08-26 用于分析冠状动脉狭窄的医学图像处理方法和系统 Pending CN116096330A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
SG10202008205U 2020-08-26
SG10202008205U 2020-08-26
PCT/SG2021/050510 WO2022045981A1 (en) 2020-08-26 2021-08-26 Medical image processing methods and systems for analysis of coronary artery stenoses

Publications (1)

Publication Number Publication Date
CN116096330A true CN116096330A (zh) 2023-05-09

Family

ID=80352939

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180052628.4A Pending CN116096330A (zh) 2020-08-26 2021-08-26 用于分析冠状动脉狭窄的医学图像处理方法和系统

Country Status (3)

Country Link
US (1) US20230326127A1 (zh)
CN (1) CN116096330A (zh)
WO (1) WO2022045981A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116898472A (zh) * 2023-09-14 2023-10-20 柏意慧心(杭州)网络科技有限公司 用于确定主动脉血管直径的方法、计算设备和介质

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021059165A1 (en) 2019-09-23 2021-04-01 Cathworks Ltd. Methods, apparatus, and system for synchronization between a three-dimensional vascular model and an imaging device
CN116681704B (zh) * 2023-08-03 2023-10-31 杭州脉流科技有限公司 颅内血管血流量获取方法、计算机设备和可读存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11883107B2 (en) * 2016-09-28 2024-01-30 Lightlab Imaging, Inc. Stent planning systems and methods using vessel representation obtained via intravascular probe by determining stent effectiveness score and fractional flow reserve
CN106539622B (zh) * 2017-01-28 2019-04-05 北京欣方悦医疗科技有限公司 基于血流动力学分析的冠脉虚拟支架植入系统
KR20190125799A (ko) * 2018-04-30 2019-11-07 주식회사 실리콘사피엔스 환자 맞춤형 최적 스텐트 선정 방법
CN110664524B (zh) * 2018-10-08 2022-11-25 科亚医疗科技股份有限公司 用于引导血管中的支架植入的装置、系统和介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116898472A (zh) * 2023-09-14 2023-10-20 柏意慧心(杭州)网络科技有限公司 用于确定主动脉血管直径的方法、计算设备和介质
CN116898472B (zh) * 2023-09-14 2023-12-12 柏意慧心(杭州)网络科技有限公司 用于确定主动脉血管直径的方法、计算设备和介质

Also Published As

Publication number Publication date
WO2022045981A1 (en) 2022-03-03
US20230326127A1 (en) 2023-10-12

Similar Documents

Publication Publication Date Title
JP6522175B2 (ja) 血管形状及び生理学から血流特性を推定するシステム及びその作動方法
JP6634123B2 (ja) 流量比を用いて血流の特徴を決定するシステム及び方法
JP6700363B2 (ja) 患者固有の血流のモデリングのための方法およびシステム
US9888968B2 (en) Method and system for automated therapy planning for arterial stenosis
US10595790B2 (en) Method and system for personalized non-invasive hemodynamic assessment of renal artery stenosis from medical images
US10130266B2 (en) Method and system for prediction of post-stenting hemodynamic metrics for treatment planning of arterial stenosis
US10748451B2 (en) Methods and systems for generating fluid simulation models
US10803995B2 (en) Method and system for non-invasive functional assessment of coronary artery stenosis using flow computations in diseased and hypothetical normal anatomical models
CN116096330A (zh) 用于分析冠状动脉狭窄的医学图像处理方法和系统
CN108348206A (zh) 用于无创血流储备分数(ffr)的侧支流建模
Sakellarios et al. SMARTool: A tool for clinical decision support for the management of patients with coronary artery disease based on modeling of atherosclerotic plaque process
CN116369961A (zh) 提供脉管壁相关数据

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