CN116137180B - 一种数据处理方法、装置、电子设备及存储介质 - Google Patents

一种数据处理方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN116137180B
CN116137180B CN202310152737.4A CN202310152737A CN116137180B CN 116137180 B CN116137180 B CN 116137180B CN 202310152737 A CN202310152737 A CN 202310152737A CN 116137180 B CN116137180 B CN 116137180B
Authority
CN
China
Prior art keywords
model
mitral valve
heart
determining
blood flow
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.)
Active
Application number
CN202310152737.4A
Other languages
English (en)
Other versions
CN116137180A (zh
Inventor
丁佳
吕晨翀
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.)
Zhejiang Yizhun Intelligent Technology Co ltd
Original Assignee
Zhejiang Yizhun Intelligent Technology Co 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 Zhejiang Yizhun Intelligent Technology Co ltd filed Critical Zhejiang Yizhun Intelligent Technology Co ltd
Priority to CN202310152737.4A priority Critical patent/CN116137180B/zh
Publication of CN116137180A publication Critical patent/CN116137180A/zh
Application granted granted Critical
Publication of CN116137180B publication Critical patent/CN116137180B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Fluid Mechanics (AREA)
  • Mathematical Analysis (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Algebra (AREA)
  • Computing Systems (AREA)
  • Epidemiology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Medical Informatics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Prostheses (AREA)

Abstract

本申请提供了一种数据处理方法、装置、电子设备及存储介质；所述方法包括：获取心脏对应的图像；基于所述心脏对应的图像，确定第一心脏模型和二尖瓣瓣膜模型；基于所述第一心脏模型和所述二尖瓣瓣膜模型，确定心脏的数据。通过本申请，能够提高数据处理的效率。

Description

一种数据处理方法、装置、电子设备及存储介质
技术领域
本申请涉及计算机技术领域，尤其涉及一种数据处理方法、装置、电子设备及存储介质。
背景技术
随着计算机技术的快速发展和广泛使用，人们使用计算机技术对心脏的数据进行处理逐渐成为计算机技术应用的主流。但是对心脏的数据进行处理的过程中，现有的数据处理方法的处理过程耗时较长且处理过程中占用的资源较多，人们更希望减少数据处理的时间和数据处理占用的资源，提高数据处理的效率。
因此，如何智能地对心脏的数据进行处理，以提高数据处理的效率是一直追求的目标。
发明内容
本申请实施例提供了一种数据处理方法、装置、电子设备及存储介质。
根据本申请的第一方面，提供了一种数据处理方法，该方法包括：获取心脏对应的图像；基于所述心脏对应的图像，确定第一心脏模型和二尖瓣瓣膜模型；基于所述第一心脏模型和所述二尖瓣瓣膜模型，确定心脏的数据。
根据本申请一实施方式，所述基于所述心脏对应的图像确定第一心脏模型和二尖瓣瓣膜模型，包括：对所述图像中的心脏进行分割，得到所述二尖瓣瓣膜模型和所述第一心脏模型包括的心房模型和心室模型。
根据本申请一实施方式，所述基于所述第一心脏模型和所述二尖瓣瓣膜模型，确定心脏的数据，包括：分别对所述心房模型、所述心室模型和所述二尖瓣瓣膜模型进行网格化处理，得到第一计算网络模型；对人工二尖瓣夹模型进行所述网格化处理，得到第二计算网络模型；所述人工二尖瓣夹模型与所述二尖瓣瓣膜模型具有相对位置关系；基于所述第一计算网络模型和所述第二计算网络模型，确定所述心脏的数据。
根据本申请一实施方式，所述基于所述第一计算网络模型和所述第二计算网络模型，确定所述心脏的数据，包括：基于所述第一计算网络模型、所述第二计算网络模型和二尖瓣参数，确定人工二尖瓣夹夹闭的过程；基于所述人工二尖瓣夹夹闭的过程，确定二尖瓣形态学参数。
根据本申请一实施方式，所述基于所述第一计算网络模型和所述第二计算网络模型，确定所述心脏的数据，包括：在所述人工二尖瓣夹夹闭后，基于所述第一计算网络模型、所述第二计算网络模型和所述二尖瓣形态学参数，确定从所述心房模型至所述心室模型中的血流过程；基于所述血流过程，确定血流动力学参数。
根据本申请一实施方式，所述基于所述血流过程，确定血流动力学参数，包括：确定所述心房模型的血流流速参数和血流压力参数；基于所述血流流速参数和所述血流压力参数，确定所述二尖瓣瓣膜模型所在位置的所述血流动力学参数。
根据本申请的第二方面，提供了一种数据处理装置，该数据处理装置包括：获取模块，用于获取心脏对应的图像；确定模块，用于基于所述心脏对应的图像，确定第一心脏模型和二尖瓣瓣膜模型；处理模块，用于基于所述第一心脏模型和所述二尖瓣瓣膜模型，确定心脏的数据。
根据本申请一实施方式，所述确定模块用于：对所述图像中的心脏进行分割，得到所述二尖瓣瓣膜模型和所述第一心脏模型包括的心房模型和心室模型。
根据本申请一实施方式，人工二尖瓣夹模型与所述二尖瓣瓣膜模型具有相对位置关系，所述处理模块用于：分别对所述心房模型、所述心室模型和所述二尖瓣瓣膜模型进行网格化处理，得到第一计算网络模型；对所述人工二尖瓣夹模型进行所述网格化处理，得到第二计算网络模型；基于所述第一计算网络模型和所述第二计算网络模型，确定所述心脏的数据。
根据本申请一实施方式，所述处理模块用于：基于所述第一计算网络模型、所述第二计算网络模型和二尖瓣参数，确定人工二尖瓣夹夹闭的过程；基于所述人工二尖瓣夹夹闭的过程，确定二尖瓣形态学参数。
根据本申请一实施方式，所述处理模块用于：在所述人工二尖瓣夹夹闭后，基于所述第一计算网络模型、所述第二计算网络模型和所述二尖瓣形态学参数，确定从所述心房模型至所述心室模型中的血流过程；基于所述血流过程，确定血流动力学参数。
根据本申请一实施方式，所述处理模块用于：确定所述心房模型的血流流速参数和血流压力参数；基于所述血流流速参数和所述血流压力参数，确定所述二尖瓣瓣膜模型所在位置的所述血流动力学参数。
根据本申请的第三方面，提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本申请所述的方法。
根据本申请的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本申请所述的方法。
本申请实施例的方法，获取心脏对应的图像；基于所述心脏对应的图像，确定第一心脏模型和二尖瓣瓣膜模型；基于所述第一心脏模型和所述二尖瓣瓣膜模型，确定心脏的数据。如此，能够智能地对心脏的数据进行处理，提高了数据处理的效率。
需要理解的是，本申请的教导并不需要实现上面所述的全部有益效果，而是特定的技术方案可以实现特定的技术效果，并且本申请的其他实施方式还能够实现上面未提到的有益效果。
附图说明
通过参考附图阅读下文的详细描述，本申请示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本申请的若干实施方式，其中：
在附图中，相同或对应的标号表示相同或对应的部分。
图1示出了本申请实施例提供的数据处理方法的处理流程示意图一；
图2示出了本申请实施例提供的基于所述第一心脏模型和所述二尖瓣瓣膜模型，确定心脏的数据的处理流程示意图；
图3示出了本申请实施例提供的数据处理方法的处理流程示意图二；
图4示出了本申请实施例提供的数据处理方法的处理流程示意图三；
图5示出了本申请实施例提供的数据处理方法的处理流程示意图四；
图6示出了本申请实施例提供的数据处理方法的处理流程示意图五；
图7示出了本申请实施例提供的数据处理方法的一种应用场景图；
图8示出了本申请实施例提供的数据处理装置的一种可选示意图；
图9示出了本申请实施例提供的电子设备的组成结构示意图。
具体实施方式
为使本申请的目的、特征、优点能够更加的明显和易懂，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而非全部实施例。基于本申请中的实施例，本领域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，都属于本申请保护的范围。
在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。
在以下的描述中，所涉及的术语“第一\第二”仅仅是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。
对本申请实施例进行进一步详细说明之前，对本申请实施例中涉及的名词和术语进行说明，本申请实施例中涉及的名词和术语适用于如下的解释。
二尖瓣，二尖瓣由心内膜的皱褶形成，具有两个瓣膜，位于前内侧瓣膜为前尖瓣，是左心室流入道与流出道的分界标志；位于后外侧瓣膜为后尖瓣。在心室收缩时，二尖瓣即严密关闭，防止血液逆流入左心房。
相关技术中，目前已知的数据处理的技术方案，无法快速的对心脏的数据进行处理。目前是使用有限元分析方法处理心脏的数据。相关技术在数据处理过程中耗时较长且处理过程中占用的资源较多，进而出现数据处理效率低的问题。
针对相关技术提供的上述数据处理方法，无法快速的对心脏的数据进行处理，进而出现数据处理效率低的问题，本申请实施例的方法，获取心脏对应的图像；基于所述心脏对应的图像，确定第一心脏模型和二尖瓣瓣膜模型；基于所述第一心脏模型和所述二尖瓣瓣膜模型，确定心脏的数据。如此，能够智能地对心脏的数据进行处理，减少了数据处理的时间和数据处理占用的资源，进而提高了数据处理的效率。因此，与相关技术中使用有限元分析方法处理心脏的数据相比，本申请的数据处理方法能够降低数据处理占用的资源，进而降低了数据处理的成本，能够实现心脏的数据的实时处理，减少了数据处理的时间，进而提高了数据处理效率。
对本申请实施例提供的数据处理方法中的处理流程进行说明。参见图1，图1是本申请实施例提供的数据处理方法的处理流程示意图一，将结合图1示出的步骤S101-S103进行说明。
步骤S101，获取心脏对应的图像。
在一些实施例中，心脏对应的图像可以包括：通过医疗设备获得的心脏的医学图像，其中，医疗设备可以包括：CT(Computed Tomography，电子计算机断层扫描)成像设备、DSA(Digital subtraction angiography，数字减影技术)成像设备和MRI(MagneticResonance Imaging，磁共振成像)成像设备，医疗设备还可以包括其他医疗设备，本申请实施例不作限定。心脏对应的图像还可以包括：二尖瓣瓣膜对应的医学图像、心房对应的医学图像和心室对应的医学图像；其中，心房可以包括左心房，心室可以包括左心室。
步骤S102，基于所述心脏对应的图像，确定第一心脏模型和二尖瓣瓣膜模型。
在一些实施例中，第一心脏模型可以包括：心房模型和心室模型，第一心脏模型还可以包括：心脏中除二尖瓣瓣膜以外的其他心脏器官对应的模型。作为示例，心房模型可以包括左心房对应的左心房模型，心室模型可以包括左心室对应的左心室模型。
在一些实施例中，基于所述心脏对应的图像，确定第一心脏模型和二尖瓣瓣膜模型可以包括：对所述图像中的心脏进行分割，得到所述二尖瓣瓣膜模型和所述第一心脏模型包括的心房模型和心室模型。
在具体实施时，先基于图像分割算法对心脏对应的图像中的心脏进行分割，确定图像分割的心脏区域，本申请实施例不限定图像分割算法的具体算法。然后基于图像分割的心脏区域，确定各个心脏区域对应的表面模型，其中，心脏区域可以包括：心房区域、心室区域和二尖瓣瓣膜区域。确定各个心脏区域对应的表面模型可以包括：心房区域对应的心房模型、心室区域对应的心室模型和二尖瓣瓣膜区域对应的二尖瓣瓣膜模型。
步骤S103，基于所述第一心脏模型和所述二尖瓣瓣膜模型，确定心脏的数据。
在一些实施例中，心脏的数据可以包括：二尖瓣形态学参数和血流动力学参数，心脏的数据还可以包括其他心脏的数据，本申请实施例不作限定。二尖瓣形态学参数可以包括：二尖瓣壁的应力和二尖瓣瓣膜的位移，二尖瓣形态学参数还可以包括二尖瓣的其他形态学参数，本申请实施例不作限定。血流动力学参数可以包括：二尖瓣瓣膜模型所在位置的血流量，血流动力学参数还可以包括心脏的其他血流动力学参数，本申请实施例不作限定。
在一些实施例中，如图2所示，基于所述第一心脏模型和所述二尖瓣瓣膜模型，确定心脏的数据的处理流程可以包括：
步骤a，分别对所述心房模型、所述心室模型和所述二尖瓣瓣膜模型进行网格化处理，得到第一计算网络模型，网格化处理可以包括：生成模型内部的计算网格，得到计算网格模型。
步骤b，对人工二尖瓣夹模型进行所述网格化处理，得到第二计算网络模型，其中所述人工二尖瓣夹模型与所述二尖瓣瓣膜模型具有相对位置关系。
步骤c，基于所述第一计算网络模型和所述第二计算网络模型，确定所述心脏的数据。
针对步骤a，在具体实施时，首先分别生成心房模型、心室模型和二尖瓣瓣膜模型内部的计算网格，得到心房计算网格模型、心室计算网格模型和二尖瓣瓣膜计算网格模型。第一计算网络模型可以包括：心房计算网格模型、心室计算网格模型和二尖瓣瓣膜计算网格模型。
在步骤b之前，数据处理方法可以包括确定人工二尖瓣夹模型。确定人工二尖瓣夹模型可以包括：基于Micro-CT(micro computed tomography，微计算机断层扫描技术)成像设备对人工二尖瓣夹进行扫描，确定人工二尖瓣夹模型。
针对步骤b，在具体实施时，以上述与心房模型、心室模型和二尖瓣瓣膜模型同样的方式，对人工二尖瓣夹模型进行网格化处理，得到人工二尖瓣夹计算网格模型。第二计算网络模型可以包括：人工二尖瓣夹计算网格模型。
针对步骤c，在具体实施时，基于所述第一计算网络模型、所述第二计算网络模型和二尖瓣参数，确定人工二尖瓣夹夹闭的过程；基于所述人工二尖瓣夹夹闭的过程，确定二尖瓣形态学参数。
在一些实施例中，人工二尖瓣夹模型与二尖瓣瓣膜模型具有相对位置关系。相对位置关系可以包括：人工二尖瓣夹模型可以位于二尖瓣瓣膜模型被夹闭的对应位置。二尖瓣参数可以包括：人工二尖瓣夹模型夹闭的位置、二尖瓣瓣膜模型被夹闭的对应位置、人工二尖瓣夹模型的夹闭程度和二尖瓣瓣膜模型的材料参数。
针对基于所述第一计算网络模型、所述第二计算网络模型和二尖瓣参数，确定人工二尖瓣夹夹闭的过程，在具体实施时，先根据基于第一计算网络模型和第二计算网络模型，确定第一计算网络模型和第二计算网络模型中的网格质点。再基于网格质点、人工二尖瓣夹模型与二尖瓣瓣膜模型的相对位置关系、人工二尖瓣夹模型的夹闭程度和二尖瓣瓣膜模型的材料参数，确定人工二尖瓣夹夹闭的过程。
针对基于所述人工二尖瓣夹夹闭的过程，确定二尖瓣形态学参数，在具体实施时，先计算网格质点在人工二尖瓣夹夹闭的过程中的位移和碰撞力，得到计算结果，计算结果中可以包括形态学参数。再根据计算结果中包括的形态学参数，确定二尖瓣形态学参数，其中二尖瓣形态学参数可以包括：二尖瓣壁的应力和二尖瓣瓣膜的位移，本申请实施例不限定具体的应力和位移的数值。
针对步骤c，在具体实施时，在所述人工二尖瓣夹夹闭后，基于所述第一计算网络模型、所述第二计算网络模型和所述二尖瓣形态学参数，确定从所述心房模型至所述心室模型中的血流过程；基于所述血流过程，确定血流动力学参数。
针对在所述人工二尖瓣夹夹闭后，基于所述第一计算网络模型、所述第二计算网络模型和所述二尖瓣形态学参数，确定从所述心房模型至所述心室模型中的血流过程，在具体实施时，在人工二尖瓣夹夹闭后，基于第一计算网络模型、第二计算网络模型、二尖瓣壁的应力和二尖瓣瓣膜的位移，确定从心房模型至心室模型中的血流过程。
针对基于所述血流过程，确定血流动力学参数，在具体实施时，确定所述心房模型的血流流速参数和血流压力参数；基于所述血流流速参数和所述血流压力参数，确定所述二尖瓣瓣膜模型所在位置的所述血流动力学参数。
在一些实施例中，心房模型的血流流速参数和血流压力参数可以包括：预设的心房模型的特异性血流流速参数和特异性血流压力参数。心房模型的血流流速参数和血流压力参数也可以包括：人口平均的血流流速参数和人口平均的血流压力参数。确定所述二尖瓣瓣膜模型所在位置的所述血流动力学参数可以包括：确定人工二尖瓣夹夹闭后的二尖瓣瓣膜模型所在位置的血流动力学参数，其中，血流动力学参数可以包括：二尖瓣瓣膜模型所在位置的血流量，本申请实施例不限定具体的血流量的数值。
本申请实施例所确定出的心脏的数据，可以用于经导管二尖瓣介入手术中，根据确定出的心脏的数据来评估经导管二尖瓣介入手术中的数据，可以实时提供经导管二尖瓣介入手术的数据评估结果，降低了经导管二尖瓣介入手术的风险，提高了经导管二尖瓣介入手术的成功率。
在一些实施例中，所述数据处理方法的处理流程示意图二，如图3所示，包括：
步骤S201，对所述图像中的心脏进行分割，得到所述二尖瓣瓣膜模型和所述第一心脏模型包括的心房模型和心室模型。
在一些实施例中，对所述图像中的心脏进行分割，得到所述二尖瓣瓣膜模型和所述第一心脏模型包括的心房模型和心室模型可以包括：基于图像分割算法对心脏对应的图像中的心脏进行分割，确定图像分割的心脏区域，本申请实施例不限定图像分割算法的具体算法。然后基于图像分割的心脏区域，确定各个心脏区域对应的表面模型，其中，心脏区域可以包括：左心房区域、左心室区域和二尖瓣瓣膜区域。确定各个心脏区域对应的表面模型可以包括：左心房区域对应的左心房模型、左心室区域对应的左心室模型和二尖瓣瓣膜区域对应的二尖瓣瓣膜模型。
步骤S202，分别对所述心房模型、所述心室模型和所述二尖瓣瓣膜模型进行网格化处理，得到第一计算网络模型。
在一些实施例中，分别对所述心房模型、所述心室模型和所述二尖瓣瓣膜模型进行网格化处理，得到第一计算网络模型可以包括：分别生成心房模型、心室模型和二尖瓣瓣膜模型内部的计算网格，将心房模型、心室模型和二尖瓣瓣膜模型转换为三维计算网格，得到心房计算网格模型、心室计算网格模型和二尖瓣瓣膜计算网格模型。心房计算网格模型、心室计算网格模型和二尖瓣瓣膜计算网格模型，用于分别表示心房模型、心室模型和二尖瓣瓣膜模型的内部结构。将心房计算网格模型、心室计算网格模型和二尖瓣瓣膜计算网格模型作为第一计算网络模型。
步骤S203，对人工二尖瓣夹模型进行所述网格化处理，得到第二计算网络模型。
在一些实施例中，对人工二尖瓣夹模型进行所述网格化处理，得到第二计算网络模型可以包括：以上述与心房模型、心室模型和二尖瓣瓣膜模型同样的方式，对人工二尖瓣夹模型进行网格化处理，生成人工二尖瓣夹模型内部的计算网格将人工二尖瓣夹转换为三维计算网格，得到人工二尖瓣夹计算网格模型。人工二尖瓣夹计算网格模型用于表示人工二尖瓣夹模型的内部结构。将人工二尖瓣夹计算网格模型作为第二计算网络模型。
步骤S204，基于所述第一计算网络模型和所述第二计算网络模型，确定所述心脏的数据。
在一些实施例中，心脏的数据可以包括：二尖瓣形态学参数和血流动力学参数。二尖瓣形态学参数可以包括：二尖瓣壁的应力和二尖瓣瓣膜的位移。血流动力学参数可以包括：二尖瓣瓣膜模型所在位置的血流量。基于所述第一计算网络模型和所述第二计算网络模型，确定所述心脏的数据可以包括：基于第一计算网络模型和第二计算网络模型，人工二尖瓣夹模型位于二尖瓣瓣膜模型被夹闭的对应位置，确定第一计算网络模型和第二计算网络模型的位置变化，根据位置变化，确定二尖瓣形态学参数。根据已确定的二尖瓣形态学参数和第一计算网络模型和第二计算网络模型中的血流过程，确定血流动力学参数。
在一些实施例中，所述数据处理方法的处理流程示意图三，如图4所示，包括：
步骤S301，基于所述第一计算网络模型、所述第二计算网络模型和二尖瓣参数，确定人工二尖瓣夹夹闭的过程。
在一些实施例中，基于所述第一计算网络模型、所述第二计算网络模型和二尖瓣参数，确定人工二尖瓣夹夹闭的过程可以包括：根据基于第一计算网络模型和第二计算网络模型，确定第一计算网络模型和第二计算网络模型中的网格质点。再基于网格质点、人工二尖瓣夹模型与二尖瓣瓣膜模型的相对位置关系、人工二尖瓣夹模型的夹闭程度和二尖瓣瓣膜模型的材料参数，人工二尖瓣夹模型位于二尖瓣瓣膜模型被夹闭的对应位置，确定网格质点在第一计算网络模型和第二计算网络模型的空间上的位置变化。
步骤S302，基于所述人工二尖瓣夹夹闭的过程，确定二尖瓣形态学参数。
在一些实施例中，基于所述人工二尖瓣夹夹闭的过程，确定二尖瓣形态学参数可以包括：基于已确定的网格质点在第一计算网络模型和第二计算网络模型的空间上的位置变化，确定网格质点在第一计算网络模型和第二计算网络模型的空间上的位置变化的隐式时间积分。根据该位置变化的隐式时间积分，计算网格质点在位置变化的时间步长内的新位移和碰撞力，得到计算结果。根据计算结果，确定二尖瓣形态学参数，其中二尖瓣形态学参数可以包括：二尖瓣壁的应力和二尖瓣瓣膜的位移。
作为示例，基于网格质点、人工二尖瓣夹模型与二尖瓣瓣膜模型的相对位置关系、人工二尖瓣夹模型的夹闭程度和二尖瓣瓣膜模型的材料参数，确定人工二尖瓣夹夹闭的过程，再计算网格质点在人工二尖瓣夹夹闭的过程中的位移和碰撞力，得到计算结果的过程可以由下述步骤表示：
步骤1，通过交替方向乘子法求解隐式时间积分的方法，确定网格质点在第一计算网络模型和第二计算网络模型的空间上的位置变化的隐式时间积分。
模拟网格质点在第一计算网络模型和第二计算网络模型的空间上的位置变化的隐式时间积分，可通过下述公式(1)表示：
Mv(t+Δt)＝Mv(t)+fext (t)Δt+f(t+Δt)Δt (1)
其中，M为网格质点的质量，v为网格质点的速度，t为人工二尖瓣夹夹闭的过程的时间，Δt为时间步长，fext(t)为外力，f(t+Δt)为Δt时间步长后网格质点受到的力，v(t+Δt)为Δt时间步长后网格质点的速度。
步骤2，将该位置变化的隐式时间积分转化为最优化的公式，基于最优化的公式和乘法器的交替方向法，计算网格质点在的Δt时间步长内的新位移x(t+Δt)。
计算网格质点在的Δt时间步长内的新位移x(t+Δt)，可通过下述公式(2)表示：
其中，为预测未来时间步长Δt的位移。
预测未来时间步长Δt的位移可通过下述公式(3)表示：
其中，x为网格质点的位移。
二尖瓣参数可以包括：二尖瓣瓣膜模型的材料参数。其中，材料参数可以通过二尖瓣的非线性本构模型确定。在具体实施时，可以通过二尖瓣的Mooney-Rivlin模型，确定在人工二尖瓣夹夹闭的过程中的二尖瓣瓣膜模型的能量密度函数W。
二尖瓣瓣膜模型的能量密度函数W，可通过下述公式(4)表示：
其中，c10、c01和D1均为常数，可以通过对二尖瓣的拉伸实验获得，J为二尖瓣瓣膜模型在人工二尖瓣夹夹闭前的二尖瓣瓣膜模型体积与在人工二尖瓣夹夹闭后的二尖瓣瓣膜模型体积的比值，为第一GREEN应变不变量，/>为第二GREEN应变不变量。
步骤3，计算人工二尖瓣夹夹闭的过程中的碰撞力Fcol，碰撞力Fcol的公式，可通过下述公式(5)表示：
Fcol＝kcd (5)
其中，kc为碰撞力的弹簧弹性，d为碰撞距离。
在碰撞距离d小于预设的碰撞距离阈值的情况下，确定人工二尖瓣夹夹闭的过程中发生碰撞。
作为示例，预设的碰撞距离阈值为2mm，碰撞距离d为1mm小于预设的碰撞距离阈值，则确定人工二尖瓣夹夹闭的过程中发生碰撞。
步骤4，计算网格质点在人工二尖瓣夹夹闭的过程中的位移和碰撞力，得到计算结果，根据计算结果，确定二尖瓣壁的应力和二尖瓣瓣膜的位移。
在一些实施例中，所述数据处理方法的处理流程示意图四，如图5所示，包括：
步骤S401，在所述人工二尖瓣夹夹闭后，基于所述第一计算网络模型、所述第二计算网络模型和所述二尖瓣形态学参数，确定从所述心房模型至所述心室模型中的血流过程。
在一些实施例中，基于所述第一计算网络模型、所述第二计算网络模型和所述二尖瓣形态学参数，确定从所述心房模型至所述心室模型中的血流过程可以包括，在人工二尖瓣夹模型位于二尖瓣瓣膜模型被夹闭的对应位置夹闭二尖瓣瓣膜模型后，以心房模型作为血流进口，以心室模型作为血流出口，将二尖瓣壁的应力和二尖瓣瓣膜的位移进行血流动力学的计算，确定血流从心房模型流至心室模型中的过程。
步骤S402，基于所述血流过程，确定血流动力学参数。
在一些实施例中，血流动力学参数可以包括：二尖瓣瓣膜模型所在位置的血流量。基于所述血流过程，确定血流动力学参数可以包括：确定血流从心房模型流至心室模型中的过程中的心房模型的血流流速参数和血流压力参数。将二尖瓣壁的应力和二尖瓣瓣膜的位移结合血流流速参数和血流压力参数进行计算，计算得到二尖瓣瓣膜模型所在位置的血流的平均压力和血流的流速。根据计算得到二尖瓣瓣膜模型所在位置的血流的平均压力和血流的流速，确定人工二尖瓣夹夹闭后的二尖瓣瓣膜模型所在位置的血流动力学参数。
在一些实施例中，所述数据处理方法的处理流程示意图五，如图6所示，包括：
步骤S501，确定所述心房模型的血流流速参数和血流压力参数。
在一些实施例中，心房模型的血流流速参数和血流压力参数可以包括：预设的心房模型的特异性血流流速参数和特异性血流压力参数。心房模型的血流流速参数和血流压力参数也可以包括：人口平均的血流流速参数和人口平均的血流压力参数。
步骤S502，基于所述血流流速参数和所述血流压力参数，确定所述二尖瓣瓣膜模型所在位置的所述血流动力学参数。
在一些实施例中，基于所述血流流速参数和所述血流压力参数，确定所述二尖瓣瓣膜模型所在位置的所述血流动力学参数可以包括：将二尖瓣壁的应力和二尖瓣瓣膜的位移结合血流流速参数和血流压力参数进行计算，计算得到二尖瓣瓣膜模型所在位置的血流的平均压力和血流的流速。根据计算得到二尖瓣瓣膜模型所在位置的血流的平均压力和血流的流速，确定人工二尖瓣夹夹闭后的二尖瓣瓣膜模型所在位置的血流量。
作为示例，在人工二尖瓣夹夹闭后，以心房模型作为血流进口，以心室模型作为血流出口，确定从心房模型至心室模型中的血流过程，基于血流流速参数和血流压力参数，通过SPH(Smoothed Particle Hydrodynamics，光滑粒子流法)确定二尖瓣瓣膜模型所在位置的血流动力学参数。
在具体实施时，首先通过SPH将第一计算网络模型划分成均匀血液粒子网格，在第一计算网络模型中确定以邻域半径为边长的血液粒子网格；响应于血液粒子不在血液粒子网格内，增加血液粒子网格直至血液粒子在血液粒子网格内；响应于血液粒子在血液粒子网格内，遵循牛顿第二定律，确定血液粒子网格内每个血液粒子的压力和流速，最终可以确定二尖瓣瓣膜模型所在位置的血流量。
图7示出了本申请实施例提供的数据处理方法的一种应用场景图。
参考图7，本申请实施例提供的数据处理方法的一种应用场景，应用于处理心脏的数据。首先获取心脏对应的图像，其中，心脏对应的图像可以包括二尖瓣瓣膜对应的医学图像、左心房对应的医学图像和左心室对应的医学图像。再对图像中的心脏进行分割，得到二尖瓣瓣膜模型、左心房对应的左心房模型和左心室对应的左心室模型。基于Micro-CT(micro computed tomography，微计算机断层扫描技术)成像设备对人工二尖瓣夹进行扫描，确定人工二尖瓣夹模型。
然后，获取原始参数，人工二尖瓣夹模型与二尖瓣瓣膜模型具有相对位置关系。原始参数可以包括：人工二尖瓣夹模型夹闭的位置、二尖瓣瓣膜模型被夹闭的对应位置、人工二尖瓣夹模型的夹闭程度和二尖瓣瓣膜模型的材料参数。
分别对左心房模型、左心室模型和二尖瓣瓣膜模型进行网格化处理，生成左心房模型、左心室模型和二尖瓣瓣膜模型内部的计算网格，得到第一计算网络模型，其中，第一计算网络模型可以包括：心房计算网格模型、心室计算网格模型和二尖瓣瓣膜计算网格模型。以上述与左心房模型、左心室模型和二尖瓣瓣膜模型同样的方式，对人工二尖瓣夹模型进行网格化处理，得到人工二尖瓣夹计算网格模型，其中，第二计算网络模型可以包括：人工二尖瓣夹计算网格模型。
基于所述第一计算网络模型、第二计算网络模型和原始参数，确定人工二尖瓣夹夹闭的过程；先根据基于第一计算网络模型和第二计算网络模型，确定第一计算网络模型和第二计算网络模型中的网格质点。再基于网格质点、人工二尖瓣夹模型与二尖瓣瓣膜模型的相对位置关系、人工二尖瓣夹模型的夹闭程度和二尖瓣瓣膜模型的材料参数，确定人工二尖瓣夹夹闭的过程。
基于人工二尖瓣夹夹闭的过程，确定二尖瓣形态学参数；先计算网格质点在人工二尖瓣夹夹闭的过程中的位移和碰撞力，得到计算结果，计算结果中可以包括形态学参数。再根据计算结果中包括的形态学参数，确定二尖瓣形态学参数，其中二尖瓣形态学参数可以包括：二尖瓣壁的应力和二尖瓣瓣膜的位移，本申请实施例不限定具体的应力和位移的数值。
在人工二尖瓣夹夹闭后，基于第一计算网络模型、第二计算网络模型、二尖瓣壁的应力和二尖瓣瓣膜的位移，确定从心房模型至心室模型中的血流过程。确定左心房模型的血流流速参数和血流压力参数；基于血流流速参数和血流压力参数，确定二尖瓣瓣膜模型所在位置的血流动力学参数。
在一些实施例中，心房模型的血流流速参数和血流压力参数可以包括：预设的心房模型的特异性血流流速参数和特异性血流压力参数。心房模型的血流流速参数和血流压力参数也可以包括：人口平均的血流流速参数和人口平均的血流压力参数。确定所述二尖瓣瓣膜模型所在位置的所述血流动力学参数可以包括：确定人工二尖瓣夹夹闭后的二尖瓣瓣膜模型所在位置的血流动力学参数，其中，血流动力学参数可以包括：二尖瓣瓣膜模型所在位置的血流量，本申请实施例不限定具体的血流量的数值。
确定二尖瓣壁的应力和二尖瓣瓣膜的位移分别对应的形态学权重a1和a2；确定二尖瓣瓣膜模型所在位置的血流量对应的动力权重a3。基于形态学权重和动力权重，确定数据处理对应的指标参数。
作为示例，指标参数γ可以，可通过下述公式(6)表示：
γ＝a1·d+a2·F+a3·q (6)
其中，a1为二尖瓣瓣膜的位移对应的形态学权重、a2为二尖瓣壁的应力对应的形态学权重、a3为二尖瓣瓣膜模型所在位置的血流量对应的动力权重，a1、a2和a3均可以预先设定，d为二尖瓣瓣膜的位移，F为二尖瓣壁的应力，q为二尖瓣瓣膜模型所在位置的血流量。
基于指标参数，判断是否需要调整原始参数，若需要调整原始参数，则调整原始参数，再基于左心房、左心室、二尖瓣瓣膜模型、人工二尖瓣夹模型和调整后的原始参数，确定二尖瓣形态学参数和血流动力学参数；若不需要调整原始参数，则确定当前的二尖瓣形态学参数和血流动力学参数为数据处理结后的心脏的数据。
针对基于指标参数，判断是否需要调整原始参数，在具体实施时，响应于指标参数不满足预设的结果阈值，则确定需要调整原始参数；响应于指标参数满足预设的结果阈值，则确定不需要调整原始参数。预设的结果阈值可以包括：指标参数大于0。响应于指标参数大于0，则确定指标参数满足预设的结果阈值；响应于指标参数小于或等于0，则确定指标参数不满足预设的结果阈值，预设的结果阈值还可以是其他值，本申请实施例不作限定。
作为示例，将二尖瓣瓣膜模型所在位置的血流量对应的动力权重a3预先设置为200，二尖瓣壁的应力对应的形态学权重a2预先设置为0.5，二尖瓣瓣膜的位移对应的形态学权重a1预先设置为0.2。二尖瓣瓣膜的位移d为1mm，二尖瓣壁的应力F为0.1N，二尖瓣瓣膜模型所在位置的血流量q为-0.1ml/min。预设的结果阈值为指标参数大于0。计算指标参数γ＝0.2·1+0.5·0.1+200·(-0.1)＝-19.75确定指标参数不满足预设的结果阈值，需要调整原始参数。
作为示例，将二尖瓣瓣膜模型所在位置的血流量对应的动力权重a3预先设置为20，二尖瓣壁的应力对应的形态学权重a2预先设置为0.5，二尖瓣瓣膜的位移对应的形态学权重a1预先设置为0.2。二尖瓣瓣膜的位移d为1mm，二尖瓣壁的应力F为0.1N，二尖瓣瓣膜模型所在位置的血流量q为0.1ml/min。预设的结果阈值为指标参数大于0。计算指标参数γ＝0.2·1+0.5·0.1+20·0.1＝2.25确定指标参数满足预设的结果阈值，不需要调整原始参数。
可以理解，图7的数据处理方法的应用场景只是本申请实施例中的部分示例性的实施方式，本申请实施例中数据处理方法的应用场景包括但不限于图7所示的数据处理方法的应用场景。
本申请实施例的方法，获取心脏对应的图像；基于所述心脏对应的图像，确定第一心脏模型和二尖瓣瓣膜模型；基于所述第一心脏模型和所述二尖瓣瓣膜模型，确定心脏的数据。如此，能够智能地对心脏的数据进行处理，减少了数据处理的时间和数据处理占用的资源，进而提高了数据处理的效率。本申请实施例的方法，通过交替方向乘子法求解隐式时间积分的方法，确定网格质点在第一计算网络模型和第二计算网络模型的空间上的位置变化的隐式时间积分，如此，能够减少数据处理的时间和数据处理的计算量，进而提高了数据处理的效率，降低了数据处理的成本。本申请实施例的方法，确定所述心房模型的血流流速参数和血流压力参数，基于所述血流流速参数和所述血流压力参数，确定所述二尖瓣瓣膜模型所在位置的所述血流动力学参数，如此，能够减少数据处理的时间和数据处理占用的资源，进而提高了数据处理的效率，降低了数据处理的成本。
因此，与相关技术中使用有限元分析方法处理心脏的数据相比，本申请的数据处理方法能够降低数据处理占用的资源，进而降低了数据处理的成本，能够实现心脏的数据的实时处理，减少了数据处理的时间，进而提高了数据处理效率。
下面继续说明本申请实施例提供的数据处理装置70的实施为软件模块的示例性结构，在一些实施例中，如图8所示，数据处理装置70中的软件模块可以包括：获取模块701，用于获取心脏对应的图像；确定模块702，用于基于所述心脏对应的图像，确定第一心脏模型和二尖瓣瓣膜模型；处理模块703，用于基于所述第一心脏模型和所述二尖瓣瓣膜模型，确定心脏的数据。
在一些实施例中，所述确定模块702在基于所述心脏对应的图像确定第一心脏模型和二尖瓣瓣膜模型的过程中，具体用于：对所述图像中的心脏进行分割，得到所述二尖瓣瓣膜模型和所述第一心脏模型包括的心房模型和心室模型。
在一些实施例中，人工二尖瓣夹模型与所述二尖瓣瓣膜模型具有相对位置关系，所述处理模块703在基于所述第一心脏模型和所述二尖瓣瓣膜模型，确定心脏的数据的过程中，具体用于：分别对所述心房模型、所述心室模型和所述二尖瓣瓣膜模型进行网格化处理，得到第一计算网络模型；对所述人工二尖瓣夹模型进行所述网格化处理，得到第二计算网络模型；基于所述第一计算网络模型和所述第二计算网络模型，确定所述心脏的数据。
在一些实施例中，所述处理模块703在基于所述第一计算网络模型和所述第二计算网络模型，确定所述心脏的数据的过程中，具体用于：基于所述第一计算网络模型、所述第二计算网络模型和二尖瓣参数，确定人工二尖瓣夹夹闭的过程；基于所述人工二尖瓣夹夹闭的过程，确定二尖瓣形态学参数。
在一些实施例中，所述处理模块703在基于所述第一计算网络模型和所述第二计算网络模型，确定所述心脏的数据的过程中，具体用于：在所述人工二尖瓣夹夹闭后，基于所述第一计算网络模型、所述第二计算网络模型和所述二尖瓣形态学参数，确定从所述心房模型至所述心室模型中的血流过程；基于所述血流过程，确定血流动力学参数。
在一些实施例中，所述处理模块703在基于所述血流过程，确定血流动力学参数的过程中，具体用于：确定所述心房模型的血流流速参数和血流压力参数；基于所述血流流速参数和所述血流压力参数，确定所述二尖瓣瓣膜模型所在位置的所述血流动力学参数。
需要说明的是，本申请实施例装置的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果，因此不做赘述。对于本申请实施例提供的窗口显示装置中未尽的技术细节，可以根据图1至图8中任一附图的说明而理解。
根据本申请的实施例，本申请还提供了一种电子设备和一种非瞬时计算机可读存储介质。
图9示出了可以用来实施本申请的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图9所示，电子设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM 803中，还可存储电子设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
电子设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许电子设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理，例如数据处理方法。例如，在一些实施例中，数据处理方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到电子设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的数据处理方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行数据处理方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本申请的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本申请的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种数据处理方法，其特征在于，所述方法包括：
获取心脏对应的图像；
基于所述心脏对应的图像，确定第一心脏模型和二尖瓣瓣膜模型，所述第一心脏模型包括心房模型和心室模型；
分别对所述心房模型、所述心室模型和所述二尖瓣瓣膜模型进行网格化处理，得到第一计算网络模型；
对人工二尖瓣夹模型进行所述网格化处理，得到第二计算网络模型；
所述人工二尖瓣夹模型与所述二尖瓣瓣膜模型具有相对位置关系，所述人工二尖瓣夹模型位于所述二尖瓣瓣膜模型被夹闭的对应位置；
基于所述第一计算网络模型和所述第二计算网络模型，确定心脏的数据；
所述基于所述第一计算网络模型和所述第二计算网络模型，确定心脏的数据包括：基于所述第一计算网络模型和第二计算网络模型，确定所述第一计算网络模型和第二计算网络模型中的网格质点；基于所述网格质点、所述人工二尖瓣夹模型与所述二尖瓣瓣膜模型的相对位置关系、所述人工二尖瓣夹模型的夹闭程度和所述二尖瓣瓣膜模型的材料参数，确定所述网格质点在所述第一计算网络模型和第二计算网络模型的空间上的位置变化；基于所述网格质点在所述第一计算网络模型和第二计算网络模型的空间上的位置变化，确定二尖瓣形态学参数。
2.根据权利要求1所述的方法，其特征在于，所述基于所述心脏对应的图像确定第一心脏模型和二尖瓣瓣膜模型，包括：
对所述图像中的心脏进行分割，得到所述二尖瓣瓣膜模型和所述第一心脏模型包括的心房模型和心室模型。
3.根据权利要求1所述的方法，其特征在于，所述基于所述第一计算网络模型和所述第二计算网络模型，确定心脏的数据，包括：
在所述人工二尖瓣夹夹闭后，基于所述第一计算网络模型、所述第二计算网络模型和所述二尖瓣形态学参数，确定从所述心房模型至所述心室模型中的血流过程；
基于所述血流过程，确定血流动力学参数。
4.根据权利要求3所述的方法，其特征在于，所述基于所述血流过程，确定血流动力学参数，包括：
确定所述心房模型的血流流速参数和血流压力参数；
基于所述血流流速参数和所述血流压力参数，确定所述二尖瓣瓣膜模型所在位置的所述血流动力学参数。
5.一种数据处理装置，其特征在于，所述数据处理装置包括：
获取模块，用于获取心脏对应的图像；
确定模块，用于基于所述心脏对应的图像，确定第一心脏模型和二尖瓣瓣膜模型，所述第一心脏模型包括心房模型和心室模型；
处理模块，用于分别对所述心房模型、所述心室模型和所述二尖瓣瓣膜模型进行网格化处理，得到第一计算网络模型；对人工二尖瓣夹模型进行所述网格化处理，得到第二计算网络模型；所述人工二尖瓣夹模型与所述二尖瓣瓣膜模型具有相对位置关系，所述人工二尖瓣夹模型位于所述二尖瓣瓣膜模型被夹闭的对应位置；基于所述第一计算网络模型和第二计算网络模型，确定所述第一计算网络模型和第二计算网络模型中的网格质点；基于所述网格质点、所述人工二尖瓣夹模型与所述二尖瓣瓣膜模型的相对位置关系、所述人工二尖瓣夹模型的夹闭程度和所述二尖瓣瓣膜模型的材料参数，确定所述网格质点在所述第一计算网络模型和第二计算网络模型的空间上的位置变化；基于所述网格质点在所述第一计算网络模型和第二计算网络模型的空间上的位置变化，确定二尖瓣形态学参数。
6.根据权利要求5所述的装置，其特征在于，所述确定模块用于：
对所述图像中的心脏进行分割，得到所述二尖瓣瓣膜模型和所述第一心脏模型包括的心房模型和心室模型。
7.根据权利要求5所述的装置，其特征在于，所述处理模块用于：
在所述人工二尖瓣夹夹闭后，基于所述第一计算网络模型、所述第二计算网络模型和所述二尖瓣形态学参数，确定从所述心房模型至所述心室模型中的血流过程；
基于所述血流过程，确定血流动力学参数。
8.根据权利要求7所述的装置，其特征在于，所述处理模块用于：
确定所述心房模型的血流流速参数和血流压力参数；
基于所述血流流速参数和所述血流压力参数，确定所述二尖瓣瓣膜模型所在位置的所述血流动力学参数。
9.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-4中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行根据权利要求1-4中任一项所述的方法。
CN202310152737.4A 2023-02-22 2023-02-22 一种数据处理方法、装置、电子设备及存储介质 Active CN116137180B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310152737.4A CN116137180B (zh) 2023-02-22 2023-02-22 一种数据处理方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310152737.4A CN116137180B (zh) 2023-02-22 2023-02-22 一种数据处理方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN116137180A CN116137180A (zh) 2023-05-19
CN116137180B true CN116137180B (zh) 2024-01-30

Family

ID=86333466

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310152737.4A Active CN116137180B (zh) 2023-02-22 2023-02-22 一种数据处理方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN116137180B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105264533A (zh) * 2013-01-18 2016-01-20 西门子公司 用于心脏机电学的交互计算的方法和系统
CN109844869A (zh) * 2016-09-23 2019-06-04 皇家飞利浦有限公司 用于评估对象的心脏的流出道梗阻的系统和方法
CN111754522A (zh) * 2020-06-19 2020-10-09 上海杏脉信息科技有限公司 冠状动脉血流动力学数据的获取方法及装置
CN114723742A (zh) * 2022-05-13 2022-07-08 上海博动医疗科技股份有限公司 心脏瓣膜区域的力学分析方法、装置、设备及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10299862B2 (en) * 2015-02-05 2019-05-28 Siemens Healthcare Gmbh Three-dimensional quantitative heart hemodynamics in medical imaging

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105264533A (zh) * 2013-01-18 2016-01-20 西门子公司 用于心脏机电学的交互计算的方法和系统
CN109844869A (zh) * 2016-09-23 2019-06-04 皇家飞利浦有限公司 用于评估对象的心脏的流出道梗阻的系统和方法
CN111754522A (zh) * 2020-06-19 2020-10-09 上海杏脉信息科技有限公司 冠状动脉血流动力学数据的获取方法及装置
CN114723742A (zh) * 2022-05-13 2022-07-08 上海博动医疗科技股份有限公司 心脏瓣膜区域的力学分析方法、装置、设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
人体左心室三维有限元模型构建及流-固耦合动力学分析;吴博;张开俊;万浩;刘谦;;生物医学工程学杂志(01);全文 *

Also Published As

Publication number Publication date
CN116137180A (zh) 2023-05-19

Similar Documents

Publication Publication Date Title
CN112906502B (zh) 目标检测模型的训练方法、装置、设备以及存储介质
WO2019034129A1 (zh) 神经网络结构的生成方法和装置、电子设备、存储介质
CN111557020A (zh) 基于完全卷积神经网络的心脏cta解剖结构分割系统
CN112862933B (zh) 用于优化模型的方法、装置、设备以及存储介质
CN110705576B (zh) 区域轮廓确定方法、装置及图像显示设备
CN113705362B (zh) 图像检测模型的训练方法、装置、电子设备及存储介质
Iakovidis et al. A genetically optimized level set approach to segmentation of thyroid ultrasound images
CN115147680B (zh) 目标检测模型的预训练方法、装置以及设备
CN116109824A (zh) 基于扩散模型的医学影像及像素级标注生成方法及装置
WO2019174973A1 (en) Method of estimating physiological parameters using medical image data
CN110598288B (zh) 一种用于冠脉三维模型的边界条件处理方法和装置
JP2023076820A (ja) 画像処理方法、装置、電子機器、及び記憶媒体
CN116137180B (zh) 一种数据处理方法、装置、电子设备及存储介质
CN116245832B (zh) 一种图像处理方法、装置、设备及存储介质
CN113569855A (zh) 一种舌象分割方法、设备及存储介质
CN115409856B (zh) 一种肺部医学图像处理方法、装置、设备及存储介质
WO2023193491A1 (zh) 信息处理方法、装置、计算机设备及存储介质
CN115661322B (zh) 人脸纹理图像的生成方法、装置
CN113850203B (zh) 粘连检测模型训练、粘连检测方法及相关装置
CN115272152A (zh) 一种对抗医学图像的生成方法、装置、设备及存储介质
CN116052288A (zh) 活体检测模型训练方法、活体检测方法、装置和电子设备
KR20190064948A (ko) 준지도 학습에서의 꼭지점 중요도를 고려한 레이블 추론 방법 및 시스템
CN113361575B (zh) 模型训练方法、装置和电子设备
CN116030150B (zh) 虚拟形象生成方法、装置、电子设备和介质
CN116051935B (zh) 图像检测方法、深度学习模型的训练方法及装置

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
CB02 Change of applicant information

Address after: Room 3011, 2nd Floor, Building A, No. 1092 Jiangnan Road, Nanmingshan Street, Liandu District, Lishui City, Zhejiang Province, 323000

Applicant after: Zhejiang Yizhun Intelligent Technology Co.,Ltd.

Address before: No. 301, 3rd Floor, Zhizhen Building, No. 7 Zhichun Road, Haidian District, Beijing, 100083

Applicant before: Beijing Yizhun Intelligent Technology Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant