CN116129080A - 一种计算颅内动脉狭窄血管两端血管壁顺应性的方法 - Google Patents
一种计算颅内动脉狭窄血管两端血管壁顺应性的方法 Download PDFInfo
- Publication number
- CN116129080A CN116129080A CN202211719275.1A CN202211719275A CN116129080A CN 116129080 A CN116129080 A CN 116129080A CN 202211719275 A CN202211719275 A CN 202211719275A CN 116129080 A CN116129080 A CN 116129080A
- Authority
- CN
- China
- Prior art keywords
- blood vessel
- wall
- vessel
- pressure
- calculating
- 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
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
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
- G06T17/205—Re-meshing
-
- 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
- G06T7/60—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
- 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
- G06T2207/30104—Vascular flow; Blood flow; Perfusion
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Computer Graphics (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)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明提供一种计算颅内动脉狭窄血管两端血管壁顺应性的方法。所述计算颅内动脉狭窄血管两端血管壁顺应性的方法包括以下步骤:S1:获取颅内血管影像,利用血管增强算法、快速行进算法和测地线算法的组合,进行特定血管段图像分割处理,得到血管模型;S2:对血管模型进行网格化,并计算生成血管外壁模型;S3:根据血管外壁模型进行以体外测量血压数据作为迭代标准,设计边界条件模型,进行流固耦合仿真运算;S4:根据仿真结果,计算血管顺应性与壁面膨胀比。本发明提供的计算颅内动脉狭窄血管两端血管壁顺应性的方法具有能够仅通过患者普通血管成像影像,模拟患者血管在心动周期中的膨胀过程,获取相应的流体力学与生物力学参数的优点。
Description
技术领域
本发明涉及医疗影像技术领域,尤其涉及一种计算颅内动脉狭窄血管两端血管壁顺应性的方法。
背景技术
我国第三次国民死因调查结果表明,脑卒中已经成为我国城乡居明的第一位致残和死亡原因。其具有高致死率、高致残率、高复发率,严重威胁我国人民生命和健康,同时给家庭和社会带来沉重的经济负担。缺血性脑血管病是最常见的脑卒中类型,占全部脑卒中的60%-80%。颅内动脉粥样硬化是发生脑卒中的高危因素,在全球有脑血管症状的患者中,出现概率在8%-10%,并且在中国人群中发生率更高。在中国,颅内动脉粥样硬化性疾病占卒中产生病因的20%-46%。
对于早期颅内动脉粥样硬化的治疗选择仍然存在争议。几项重要的临床研究表明,由于在治疗颅内血管粥样硬化围手术期内并发症的原因,经皮腔内血管成形术和支架置入术的效用与保守治疗相比效用提高有限,但是对于保守治疗易复发的患者,介入治疗又可能是更好的选择。因此,对患者风险分层是优化治疗方案选择的关键。目前对于颅内动脉粥样硬化的评估主要依据医学影像中的血管狭窄程度,但是血管狭窄程度与血管功能性严重程度存在偏差,因此需要通过血流动力学参数辅助诊断。
血流储备分数(FFR)是评估冠状动脉血流动力学的金标准,但是其与颅内血管狭窄导致的功能性障碍的关系还缺少临床研究的数据支撑。在冠状动脉应用中,已有利用流体力学仿真计算无创的获取FFR的算法在多中心随机对照研究中获得验证。在颅内动脉的应用中,利用TOF-MRA影像或DSA影像和流体力学仿真计算获取类似参数的应用也陆续被报道。但是颅内血管血流储备分数的结果并未与某种症状的发生或预后有明确的关联关系。
此外,血管壁受的切向力(壁面剪切应力)与血管壁周向、轴向应力也都与血管壁内斑块生长、破裂等有关。其中对壁面剪切力的研究表明,血管壁内皮细胞对壁面剪切力的变化敏感,壁面剪切力幅度与模式的变化与内皮细胞功能障碍、炎症与病征产生相关。利用医学影像与血液动力学无创的获取颅内血管壁面剪切力并发现狭窄两端壁面剪切力的比值与功能性预后相关。同时,相比于切应力,血管壁内所受的应力约为其万倍左右,并且血管壁应力造成的血管重塑会补偿狭窄造成的切应力变化。研究已表明,血液流动导致的血管扩张(FMD)是内皮细胞功能的表征,在无症状动脉粥样硬化性狭窄中,FMD受损是内皮细胞功能受损的表现。在劲动脉超声超声类的研究中,血管顺应性(硬度)也被作为新的研究指标用于急性缺血性卒中后功能性预后的工具。血液流动导致的血管扩张、血管硬度和血管顺应性的影响,也都可能与脑血流自动调节机制有关,可能是颅内感受到狭窄导致的流量下降或压力下降后,通过调节血管弹性,补偿血液储备量的下降,导致的血管膨胀或顺应性(硬度)变化。因此,无创的获得患者颅内责任血管段顺应性参考参数,对动脉硬化型血管狭窄的治疗方式选择与预后预测有积极的辅助作用。
因此,有必要提供一种新的计算颅内动脉狭窄血管两端血管壁顺应性的方法解决上述技术问题。
发明内容
本发明解决的技术问题是提供一种能够计算颅内发生狭窄的血管段前后血管顺应性的差值以及血管壁面的膨胀系数,用于评估狭窄段血管壁血液动力学及力学环境改变的影响的计算颅内动脉狭窄血管两端血管壁顺应性的方法。
为解决上述技术问题,本发明提供的计算颅内动脉狭窄血管两端血管壁顺应性的方法包括以下步骤:
S1:获取颅内血管影像,利用血管增强算法、快速行进算法和测地线算法的组合,进行特定血管段图像分割处理,得到血管模型;
S2:对血管模型进行网格化,并计算生成血管外壁,完成带固体血管壁的完整血管模型;
S3:根据完整血管模型以及以体外测量血压数据作为边界条件,进行流体力学仿真运算;
S4:根据仿真结果,计算血管顺应性与壁面膨胀比。
优选的,所述S1中,具体包括以下步骤:
S11:对获取的颅内血管影像进行血管影像加强:
对颅内血管影像进行线性插值重采样,将各方向分辨率转换为一致;对颅内血管影像进行多尺度平滑;在各个尺度平滑图像中计算各像素点的Hessian矩阵和其特征值,利用其特征值加强颅内血管影像中管状部分;
S12:使用快速行进算法进行加强后的颅内血管影像中管状部分的血管段选取和分割:
在可互动窗口中显示S11计算结果,手工标记所需血管段起始点,在此范围内使用快速行进法,获得血管段范围;
S13:利用测地线算法,对S12步骤后获得的血管段外壁进行平滑,制得平滑血管段外壁。
优选的,所述线性插值重采样根据颅内血管影像分辨率与目标分辨率,计算重采样点坐标并根据原图强度差计算新坐标内强度值,多尺度高斯平滑过程中尺度选择根据所在范围内目标血管的尺度选择,平滑过程遵循公式(1):
其中*表示卷积计算,G为高斯函数,σf为高斯函数的方差,I为原图像素点强度,x表示像素点位置,在计算各点Hessian矩阵后获得矩阵的特征值λ1、λ2、λ3,三者按绝对值从小到大排列,再根据公式(2)计算各像素点的加强值v替代原像素强度,方式(2)如下:
经过加强的头部影像经过阈值处理显示出颅内血管的轮廓,通过在VTK框架下实现的三维互动窗口转动查看并通过鼠标操作,选取所需血管段的起始点;在获得起始点后,在增强后的图像中使用colliding fronts算法实现获取所需血管部分,所获取的血管段作为输入原图,增强后影像的梯度的倒数作为图像特征,进行测地线算法对血管面进行平滑和优化。
优选的,所述S2中,具体包括以下步骤:
S21:使用Marching Cubes算法完成平滑血管段外壁的初步网格化,得到初步网格数据;
S22:使用拉普拉斯算法对初步网格数据进行平滑,得到中间网格数据;
S23:在互动窗口手动进行对中间网格数据的出入口的裁切,得到血管内壁网格模型;
S24:使用徳劳内三角法则对得到血管内壁网格模型进行重划分,得到新的血管内壁网格模型;
S25:计算新的血管内壁网格模型的网格中心线:
S26:根据网格中心线及S24步骤生成的新的血管内壁网格模型,将血管内壁网格向外膨胀,根据中心线信息,对外进行不等距的位移,生成平滑的血管外壁,再将两个血管壁间的位置进行填充,形成完整的血管网格,并计算体网格,最终生成血管外壁模型。
优选的,在创建血管外壁模型时,首先创建血管内壁中心线,同时计算最大内切圆半径,然后通过将内壁表面按照对应位置血管半径,按一定比例向外移动,再在内壁外壁间建立网格连接的方法,生成体网格,最后计算生成血管出入口端面网格,完成流体力学仿真所需的包含血管外壁的完整血管模型。
优选的,所述S3中,具体包括以下步骤:
S31:边界条件模型的建立:
对血管模型采用流量入口与压力出口进行流体力学计算,设计边界条件算法模型;
其中出口压力使用流量阻力模型,压力为流量与阻力的乘积,阻力与出口面积成反比,并使用经验值计算;
入口流量采用迭代的方法使仿真结果的入口流量,使仿真结果中的血管入口压力与患者体外测量的血压相等;
S32:对完整血管模型,使用上述边界条件进行流体力学仿真计算:
在血管模型的流体部分采用SIMPLE法迭代求解偏微分方程组的基础上,在外部增加入口流量迭代循环,将入口流量调整至此处压力结果达到测量的血压值,流固耦合部分采用隐性更新的双向耦合,外层循环内按正常流固耦合方式进行,先进行舒张压时的仿真计算,稳定收敛后将入口压调整至收缩压,再次计算至收敛,完成对舒张压、收缩压对应状态的仿真计算。
优选的,所述S32中,在进行流体力学仿真计算时不进行网格重划分,用于保证两次计算网格节点对应。
优选的,对于流体力学仿真时,在常规解纳维-斯托克斯方程组的SIMPLE流程和流固耦合过程的基础上,在外层增加拟合入口血压的迭代循环,压力拟合迭代通过调节入口流量实现,具体按照公式(3)的方式,计算入口流量的大小,其中vin为入口速度、μ为松弛系数,P0in是入口压力的拟合目标,Pin,Pout为入口、出口压力计算值,公式(3)如下:
优选的,根据公式(3)对舒张压和收缩压状态分别进行一次计算,患者影像和血压数据经过上述流程计算后,获得全计算域内的压力、流速、壁面剪切力场分布,通过获得的两个状态的压力场p和速度v,使用的公式(4)计算血管顺应性,其中下标的s和d分别表示收缩期和舒张期,公式(4)如下:
优选的,所述S4中,具体包括以下步骤:
在舒张压、收缩压对应的仿真计算结束后,血管顺应性为每单位流量变化造成的压力变化,对应仿真结果,将其简化为收缩期与舒张期的压力差除以流量差,两次仿真结果对应节点的节点差与对应血管段的流量差的比,作为血管顺应性的结果,此外,将血管壁面单元面积的变化按照最接近的中心点位置进行汇总,如公式(5),其中,公式中下标n表示编号为n的中心线点,下标m表示第n号中心线点对应的血管壁三角面片号;最后按中心线点与狭窄位置的关系进行汇总按照较和大一边的值除以和较小一边的值,获得血管表面积膨胀比,如公式(6),公式(6)中表面积膨胀和即为公式(5)中中心线点对应表面积膨胀和的简称,公式(5)和公式(6)具体如下:
其中SumAn为索引号为n的中心线点对应的垂直切面内血管内壁表面积变化值的和,Am为对应的第m个面片的面积,上标s,d分别表示收缩期和舒张期,SDR为表面积膨胀比,公式6中p和d分别表示近心端和远心端。
与相关技术相比较,本发明提供的计算颅内动脉狭窄血管两端血管壁顺应性的方法具有如下有益效果:
本发明提供一种计算颅内动脉狭窄血管两端血管壁顺应性的方法,利用患者颅内血管检查的常规影像信息和外周血管血压信息,通过医学影像算法和流体力学仿真算法,通过迭代拟合,计算患者狭窄血管血流动力学参数和血管顺应性和壁面面积膨胀比的方法,并通过回顾性研究证明此特性的效用。血管顺应性与壁面面积膨胀比做为患者病情发展或预后的预测参数,为颅内血管粥样硬化型狭窄的研究和治疗提供新的思路。
附图说明
图1为本发明提供的计算颅内动脉狭窄血管两端血管壁顺应性的方法的交互性血管分割与网格化算法流程图;
图2为本发明提供的计算颅内动脉狭窄血管两端血管壁顺应性的方法的颅内血管分割算法流程。
图3为本发明提供的计算颅内动脉狭窄血管两端血管壁顺应性的方法的血管网格化过程流程展示;
图4为本发明提供的计算颅内动脉狭窄血管两端血管壁顺应性的方法的流体力学仿真流程图;
图5为本发明提供的计算颅内动脉狭窄血管两端血管壁顺应性的方法的血管顺应性计算结果示意图;
图6为本发明提供的计算颅内动脉狭窄血管两端血管壁顺应性的方法的壁面面积比计算结果示意图;
图7为本发明提供的计算颅内动脉狭窄血管两端血管壁顺应性的方法的回顾性研究统计结果示意图。
具体实施方式
下面结合附图和实施方式对本发明作进一步说明。
请结合参阅图1、图2、图3、图4、图5、图6和图7,其中,图1为本发明提供的计算颅内动脉狭窄血管两端血管壁顺应性的方法的交互性血管分割与网格化算法流程图;图2为本发明提供的计算颅内动脉狭窄血管两端血管壁顺应性的方法的血管分割算法过程展示;图3为本发明提供的计算颅内动脉狭窄血管两端血管壁顺应性的方法的血管网格化过程流程展示;图4为本发明提供的计算颅内动脉狭窄血管两端血管壁顺应性的方法的流体力学仿真流程图;图5为本发明提供的计算颅内动脉狭窄血管两端血管壁顺应性的方法的血管顺应性计算结果示意图,图5中(a)患者,(b)正常对照;图6为本发明提供的计算颅内动脉狭窄血管两端血管壁顺应性的方法的壁面面积比计算结果示意图,图6中,(a)介入治疗后再狭窄患者(b)介入治疗后一年未发生再狭窄患者;图7为本发明提供的计算颅内动脉狭窄血管两端血管壁顺应性的方法的回顾性研究统计结果示意图。计算颅内动脉狭窄血管两端血管壁顺应性的方法,基于患者颅内血管检测影像,包括CTA或TOF-MRA影像以及常规方法测量的外周血管舒张压与收缩压。对于具备以上数据的患者都可按照本专利所述方法进行计算,具体包括以下步骤:。
S1:获取颅内血管影像,利用血管增强算法、快速行进算法和测地线算法的组合,进行特定血管段图像分割处理,得到血管模型:
S11:对获取的颅内血管影像进行血管影像加强:
对颅内血管影像进行线性插值重采样,将各方向分辨率转换为一致;对颅内血管影像进行多尺度平滑;在各个尺度平滑图像中计算各像素点的Hessian矩阵和其特征值,利用其特征值加强颅内血管影像中管状部分;
S12:使用快速行进算法进行加强后的颅内血管影像中管状部分的血管段选取和分割:
在可互动窗口中显示S11计算结果,手工标记所需血管段起始点,在此范围内使用快速行进法,获得血管段范围;
S13:利用测地线算法,对S12步骤后获得的血管段外壁进行平滑,制得平滑血管段外壁;
S2:对血管模型进行网格化,并计算生成血管外壁模型:
S21:使用Marching Cubes算法完成平滑血管段外壁的初步网格化,得到初步网格数据;
S22:使用拉普拉斯算法对初步网格数据进行平滑,得到中间网格数据;
S23:在互动窗口手动进行对中间网格数据的出入口的裁切,得到血管内壁网格模型;
S24:使用徳劳内三角法则对得到血管内壁网格模型进行重划分,得到新的血管内壁网格模型;
S25:计算新的血管内壁网格模型的网格中心线:
S26:根据网格中心线及S24步骤生成的新的血管内壁网格模型,将血管内壁网格向外膨胀,根据中心线信息,对外进行不等距的位移,生成平滑的血管外壁,再将两个血管壁间的位置进行填充,形成完整的血管网格,并计算体网格,最终生成血管外壁模型;
S3:根据血管外壁模型以及以体外测量血压数据作为边界条件,进行流体力学仿真运算:
S31:边界条件模型的建立:
对血管模型采用流量入口与压力出口进行流体力学计算,设计边界条件模型;
其中出口压力使用流量阻力模型,压力为流量与阻力的乘积,阻力与出口面积成反比,并使用经验值计算;
入口流量采用迭代的方法使仿真结果的入口流量与患者体外测量的血压相等;
S32:对边界条件模型进行流体力学仿真计算:
在边界条件模型的流体部分在采用SIMPLE法迭代求解偏微分方程组的基础上,在外部增加入口流量迭代循环,将入口流量调整至测量值,流固耦合部分采用隐性更新的双向耦合,在外层循环内按正常流固耦合方式进行,先进行舒张压时的仿真计算,稳定收敛后将入口压调整至收缩压,再次计算至收敛,完成对舒张压、收缩压对应状态的仿真计算,其中在进行流体力学仿真计算时不进行网格重划分,用于保证两次计算网格节点对应;
S4:根据仿真结果,计算血管顺应性与壁面膨胀比:
在舒张压、收缩压对应的仿真计算结束后,血管顺应性为每单位流量变化造成的压力变化,对应仿真结果,将其简化为收缩期与舒张期的压力差除以流量差,两次仿真结果对应节点的节点差与对应血管段的流量差的比,作为血管顺应性的结果,此外,将血管壁面单元面积的变化按照最接近的中心点位置进行汇总,并按对应中心点与狭窄位置的关系进行汇总,获得狭窄前后一定范围内壁面面积扩张的比值为膨胀面积比。算法流程如图1,各部分具体实现方式如下:
图像分割部分,线性插值重采样是根据原图像分辨率与目标分辨率,计算重采样点坐标并根据原图强度差计算新坐标内强度值。多尺度高斯平滑过程中尺度选择根据所在范围内目标血管的尺度选择,越接近目标血管尺寸的尺度,后续增强结果越好。平滑过程遵循公式(1):
其中*表示卷积计算,G为高斯函数,σf为高斯函数的方差,I为原图像素点强度,x表示像素点位置,在计算各点Hessian矩阵后获得矩阵的特征值λ1、λ2、λ3,三者按绝对值从小到大排列,再根据公式(2)计算各像素点的加强值v替代原像素强度,方式(2)如下:
经过加强的头部影像已经可以经过简单的阈值处理显示出颅内血管的轮廓。通过三维互动窗口转动查看并通过鼠标操作,选取所需血管段的起始点。在获得起始点后,在增强后的图像中使用colliding fronts算法]实现获取所需血管部分。所获取的血管段作为输入原图,增强后影像的梯度的倒数作为图像特征,进行测地线算法对血管面进行平滑和优化。其图像化的过程展示如图2,图2中,(a)原始图像,(b)增强后的颅内血管,(c)colliding front算法结果,(d)测地线算法结果。
分割后的血管模型,使用常规Marching cubes算法将其转换为网格中进行后续操作。为创建血管外壁模型,则需要首先创建血管内壁中心线,同时计算最大内切圆半径,然后通过将内壁表面按照对应位置血管半径,按一定比例向外移动。在内壁外壁间通过寻找边界线和中心点的方法,连接获得血管出入口切面的面片。在获得血管模型所需各面的二维网格后,生成体网格,完成流体力学仿真所需的输入模型。
对于流体力学仿真部分,本发明在常规解纳维-斯托克斯方程组的SIMPLE流程和流固耦合过程的基础上,在外层增加拟合入口血压的迭代循环,如图4。压力拟合迭代通过调节入口流量实现,具体按照公式(3)的方式,计算入口流量的大小,其中vin为入口速度、μ为松弛系数,P0in是入口压力的拟合目标,Pin,Pout为入口、出口压力计算值,公式(3)如下:。
算法全过程需分别对舒张压和收缩压状态进行计算,并根据两次计算的结果做后续处理。具体实现可以在OpenFOAM开源包内,增加外层迭代循环代码,或者在支持用户自定义函数的商业求解器中通过额外编写的外层循环实现压力拟合迭代。
患者影像和血压数据经过上述流程计算后,可以获得全计算域内的压力、流速、壁面剪切力场分布。本发明中通过获得的两个状态的压力场和流量,使用的公式(4)计算血管顺应性,其中下标的s和d分别表示收缩期和舒张期。其结果展示如图5。
为验证此参数的效用,回顾性的收集了36名因颅内血管狭窄曾接受大脑中动脉介入手术的患者影像及36名正常对照进行统计分析,结果说明狭窄血管出、入口血管顺应性之比是患者需要进行介入手术的独立预测因素,结果如图6。此外,根据公式(5)的方式将壁面面积变化汇总与对应的中心线位置。式中模型单元面积为距离中心点n距离最近的所有模型单元。汇总后再根据公式(6)将中心线相对狭窄点的位置进行求和后做比值,获取壁面膨胀面积比,结果如图7。
其中SumAn为索引号为n的中心线点对应的垂直切面内血管内壁表面积变化值的和,Am为对应的第m个面片的面积,上标s,d分别表示收缩期和舒张期,SDR为表面积膨胀比,公式6中p和d分别表示近心端和远心端。
为实现基于患者影像的流体力学仿真,需要完成从影像中进行血管分割、网格化、流体力学仿真和后处理的流程。各步骤分别包含了若干算法或算法的组合。进行血管分割的常用算法包括血管增强类算法、水平集类算法、统计加后验概率类算法。根据颅内动脉流体动力学应用的需要,血管分割问题往往只需要特定的血管段,因此流程中经常使用初步整体分割的结果进行渲染并进行立体互动,选择所需血管段的起始点再进行下一步的精细分割。图像分割获得的结果仍然是三维体素结构,而流体力学计算通常使用基于网格的模型,因此首先使用行进方块算法将结果转换为网格结构。为提升网格质量,再对网格进行拉布拉斯平滑。对于高分辨或多模态影像,血管外壁可以直接通过影像分割获得。对于不能从影像直接获得血管壁结构的,则可以通过中心线和网格外扩的算法,获得厚度与血管腔半径成比例的血管壁模型。
在流体力学仿真算法方面,对于动脉内血流一般认为可以使用层流模型。对于仿真的边界条件,在最理想条件下,能够获得所有所需的边界条件测量值,如使用相位对比核磁共震获得所有血管出入口的流速,则直接使用测量值。但在多数情况下,只有部分或没有获得患者自身的测量值。对于有患者入口流量的测量值,如颈动脉超声或经颅多普勒超声获取的血管入口流速,则可以通过阻力模型或风箱模型获得出口压力作为边界条件。对于没有获取其他可作为边界条件的测量值时,有研究提出使用仿真结果与体外测量的舒张压与收缩压进行比较并迭代,以此获得符合患者个体情况的仿真。
完成仿真后现有的后处理参数关注主要包括壁面剪切力、时间平均剪切力(TAWSS)、剪切震荡系数(OS I)、相对滞留时间(RRT)、侧向剪切力(TransWSS)等,本专利则提出通过对舒张压和收缩压时刻的血流状态的迭代计算获得的血压和流量分布,根据风箱模型中血管顺应性定义,计算全域血管顺应性结果,其差值以及舒张期与收缩期血管面积膨胀的比值可以作为辅助诊断的重要参数。
与相关技术相比较,本发明提供的计算颅内动脉狭窄血管两端血管壁顺应性的方法具有如下有益效果:
本发明提供一种计算颅内动脉狭窄血管两端血管壁顺应性的方法,仅利用患者颅内血管检查的常规影像信息和外周血管血压信息,通过医学影像算法和流体力学仿真算法,通过迭代拟合,计算患者狭窄血管血流动力学参数和血管顺应性和壁面面积膨胀比的方法,并通过回顾性研究证明此特性的效用。血管顺应性与壁面面积膨胀比做为患者病情发展或预后的预测参数,为颅内血管粥样硬化型狭窄的研究和治疗提供新的思路。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其它相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种计算颅内动脉狭窄血管两端血管壁顺应性的方法,其特征在于,包括以下步骤:
S1:获取颅内血管影像,利用血管增强算法、快速行进算法和测地线算法的组合,进行特定血管段图像分割处理,得到血管模型;
S2:对血管模型进行网格化,并计算生成血管外壁,完成带固体血管壁的完整血管模型;
S3:根据完整血管模型以及以体外测量血压数据作为边界条件,进行流体力学仿真运算;
S4:根据仿真结果,计算血管顺应性与壁面膨胀比。
2.根据权利要求1所述的计算颅内动脉狭窄血管两端血管壁顺应性的方法,其特征在于,所述S1中,具体包括以下步骤:
S11:对获取的颅内血管影像进行血管影像加强:
对颅内血管影像进行线性插值重采样,将各方向分辨率转换为一致;对颅内血管影像进行多尺度平滑;在各个尺度平滑图像中计算各像素点的Hessian矩阵和其特征值,利用其特征值加强颅内血管影像中管状部分;
S12:使用快速行进算法进行加强后的颅内血管影像中管状部分的血管段选取和分割:
在可互动窗口中显示S11计算结果,手工标记所需血管段起始点,在此范围内使用快速行进法,获得血管段范围;
S13:利用测地线算法,对S12步骤后获得的血管段外壁进行平滑,制得平滑血管段外壁。
3.根据权利要求2所述的计算颅内动脉狭窄血管两端血管壁顺应性的方法,其特征在于,所述线性插值重采样根据颅内血管影像分辨率与目标分辨率,计算重采样点坐标并根据原图强度差计算新坐标内强度值,多尺度高斯平滑过程中尺度选择根据所在范围内目标血管的尺度选择,平滑过程遵循公式(1):
其中*表示卷积计算,G为高斯函数,σf为高斯函数的方差,I为原图像素点强度,x表示像素点位置,在计算各点Hessian矩阵后获得矩阵的特征值λ1、λ2、λ3,三者按绝对值从小到大排列,再根据公式(2)计算各像素点的加强值v替代原像素强度,方式(2)如下:
经过加强的头部影像经过阈值处理显示出颅内血管的轮廓,通过在VTK框架下实现的三维互动窗口转动查看并通过鼠标操作,选取所需血管段的起始点;在获得起始点后,在增强后的图像中使用colliding fronts算法实现获取所需血管部分,所获取的血管段作为输入原图,增强后影像的梯度的倒数作为图像特征,进行测地线算法对血管面进行平滑和优化。
4.根据权利要求1所述的计算颅内动脉狭窄血管两端血管壁顺应性的方法,其特征在于,所述S2中,具体包括以下步骤:
S21:使用Marching Cubes算法完成平滑血管段外壁的初步网格化,得到初步网格数据;
S22:使用拉普拉斯算法对初步网格数据进行平滑,得到中间网格数据;
S23:在互动窗口手动进行对中间网格数据的出入口的裁切,得到血管内壁网格模型;
S24:使用徳劳内三角法则对得到血管内壁网格模型进行重划分,得到新的血管内壁网格模型;
S25:计算新的血管内壁网格模型的网格中心线:
S26:根据网格中心线及S24步骤生成的新的血管内壁网格模型,将血管内壁网格向外膨胀,根据中心线信息,对外进行不等距的位移,生成平滑的血管外壁,再将两个血管壁间的位置进行填充,形成完整的血管网格,并计算体网格,最终生成血管外壁模型。
5.根据权利要求4所述的计算颅内动脉狭窄血管两端血管壁顺应性的方法,其特征在于,在创建血管外壁模型时,首先创建血管内壁中心线,同时计算最大内切圆半径,然后通过将内壁表面按照对应位置血管半径,按一定比例向外移动,再在内壁外壁间建立网格连接的方法,生成体网格,最后计算生成血管出入口端面网格,完成流体力学仿真所需的包含血管外壁的完整血管模型。
6.根据权利要求4所述的计算颅内动脉狭窄血管两端血管壁顺应性的方法,其特征在于,所述S3中,具体包括以下步骤:
S31:边界条件模型的建立:
对血管模型采用流量入口与压力出口进行流体力学计算,设计边界条件算法模型;
其中出口压力使用流量阻力模型,压力为流量与阻力的乘积,阻力与出口面积成反比,并使用经验值计算;
入口流量采用迭代的方法使仿真结果的入口流量,使仿真结果中的血管入口压力与患者体外测量的血压相等;
S32:对完整血管模型,使用上述边界条件进行流体力学仿真计算:
在血管模型的流体部分采用SIMPLE法迭代求解偏微分方程组的基础上,在外部增加入口流量迭代循环,将入口流量调整至此处压力结果达到测量的血压值,流固耦合部分采用隐性更新的双向耦合,外层循环内按正常流固耦合方式进行,先进行舒张压时的仿真计算,稳定收敛后将入口压调整至收缩压,再次计算至收敛,完成对舒张压、收缩压对应状态的仿真计算。
7.根据权利要求6所述的计算颅内动脉狭窄血管两端血管壁顺应性的方法,其特征在于,所述S32中,在进行流体力学仿真计算时不进行网格重划分,用于保证两次计算网格节点对应。
10.根据权利要求6所述的计算颅内动脉狭窄血管两端血管壁顺应性的方法,其特征在于,所述S4中,具体包括以下步骤:
在舒张压、收缩压对应的仿真计算结束后,血管顺应性为每单位流量变化造成的压力变化,对应仿真结果,将其简化为收缩期与舒张期的压力差除以流量差,两次仿真结果对应节点的节点差与对应血管段的流量差的比,作为血管顺应性的结果,此外,将血管壁面单元面积的变化按照最接近的中心点位置进行汇总,如公式(5),其中,公式中下标n表示编号为n的中心线点,下标m表示第n号中心线点对应的血管壁三角面片号;最后按中心线点与狭窄位置的关系进行汇总按照较和大一边的值除以和较小一边的值,获得血管表面积膨胀比,如公式(6),公式(6)中表面积膨胀和即为公式(5)中中心线点对应表面积膨胀和的简称,公式(5)和公式(6)具体如下:
其中SumAn为索引号为n的中心线点对应的垂直切面内血管内壁表面积变化值的和,Am为对应的第m个面片的面积,上标s,d分别表示收缩期和舒张期,SDR为表面积膨胀比,公式6中p和d分别表示近心端和远心端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211719275.1A CN116129080A (zh) | 2022-12-30 | 2022-12-30 | 一种计算颅内动脉狭窄血管两端血管壁顺应性的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211719275.1A CN116129080A (zh) | 2022-12-30 | 2022-12-30 | 一种计算颅内动脉狭窄血管两端血管壁顺应性的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116129080A true CN116129080A (zh) | 2023-05-16 |
Family
ID=86302212
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211719275.1A Pending CN116129080A (zh) | 2022-12-30 | 2022-12-30 | 一种计算颅内动脉狭窄血管两端血管壁顺应性的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116129080A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116645382A (zh) * | 2023-07-26 | 2023-08-25 | 天津恒宇医疗科技有限公司 | 自适应的血管分割方法及系统 |
CN116649925A (zh) * | 2023-07-28 | 2023-08-29 | 杭州脉流科技有限公司 | 颅内动脉狭窄功能学评估的方法和装置 |
CN116681716A (zh) * | 2023-08-04 | 2023-09-01 | 杭州脉流科技有限公司 | 颅内血管感兴趣区域分割方法、装置、设备和存储介质 |
-
2022
- 2022-12-30 CN CN202211719275.1A patent/CN116129080A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116645382A (zh) * | 2023-07-26 | 2023-08-25 | 天津恒宇医疗科技有限公司 | 自适应的血管分割方法及系统 |
CN116645382B (zh) * | 2023-07-26 | 2023-10-20 | 天津恒宇医疗科技有限公司 | 自适应的血管分割方法及系统 |
CN116649925A (zh) * | 2023-07-28 | 2023-08-29 | 杭州脉流科技有限公司 | 颅内动脉狭窄功能学评估的方法和装置 |
CN116649925B (zh) * | 2023-07-28 | 2023-10-31 | 杭州脉流科技有限公司 | 颅内动脉狭窄功能学评估的方法和装置 |
CN116681716A (zh) * | 2023-08-04 | 2023-09-01 | 杭州脉流科技有限公司 | 颅内血管感兴趣区域分割方法、装置、设备和存储介质 |
CN116681716B (zh) * | 2023-08-04 | 2023-10-10 | 杭州脉流科技有限公司 | 颅内血管感兴趣区域分割方法、装置、设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116129080A (zh) | 一种计算颅内动脉狭窄血管两端血管壁顺应性的方法 | |
US11896416B2 (en) | Method for calculating coronary artery fractional flow reserve on basis of myocardial blood flow and CT images | |
Caballero et al. | Modeling left ventricular blood flow using smoothed particle hydrodynamics | |
Sotelo et al. | 3D quantification of wall shear stress and oscillatory shear index using a finite-element method in 3D CINE PC-MRI data of the thoracic aorta | |
Zeng et al. | A study on the compliance of a right coronary artery and its impact on wall shear stress | |
Xiao et al. | Multi-scale computational model of three-dimensional hemodynamics within a deformable full-body arterial network | |
Frauenfelder et al. | In-vivo flow simulation in coronary arteries based on computed tomography datasets: feasibility and initial results | |
EP2514368B1 (en) | Method for transforming a Doppler velocity dataset into a velocity vector field | |
Antiga et al. | Geometric reconstruction for computational mesh generation of arterial bifurcations from CT angiography | |
Berthier et al. | Blood flow patterns in an anatomically realistic coronary vessel: influence of three different reconstruction methods | |
Long et al. | Magnetic resonance image processing and structured grid generation of a human abdominal bifurcation | |
CN108735270A (zh) | 基于降维模型的血流储备分数获取方法、装置、系统和计算机存储介质 | |
Kamenskiy et al. | Three-dimensional geometry of the human carotid artery | |
US10007983B2 (en) | Image processing method based on the finite element method for directly solving inverse problems in structural mechanics | |
Mohd Adib et al. | Minimizing the blood velocity differences between phase-contrast magnetic resonance imaging and computational fluid dynamics simulation in cerebral arteries and aneurysms | |
Gharleghi et al. | Deep learning for time averaged wall shear stress prediction in left main coronary bifurcations | |
Fojas et al. | Carotid artery modeling using the Navier-Stokes equations for an incompressible, Newtonian and axisymmetric flow | |
US20230326127A1 (en) | Medical image processing methods and systems for analysis of coronary artery stenoses | |
Wendell et al. | The impact of cardiac motion on aortic valve flow used in computational simulations of the thoracic aorta | |
He et al. | Lattice Boltzmann simulation of cerebral artery hemodynamics | |
Jeays et al. | Characterisation of the haemodynamics of the superior mesenteric artery | |
Chen et al. | Application of cascaded GAN based on CT scan in the diagnosis of aortic dissection | |
CN114841991A (zh) | 一种基于多模态影像的血管易损斑块评估方法 | |
Gao et al. | Automatic detection of aorto-femoral vessel trajectory from whole-body computed tomography angiography data sets | |
Yamada et al. | Numerical analysis of the effect of trabeculae carneae models on blood flow in a left ventricle model constructed from magnetic resonance images |
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 |