CN116313101A - 一种冠状动脉血流储备分数确定方法、系统、设备及介质 - Google Patents
一种冠状动脉血流储备分数确定方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN116313101A CN116313101A CN202310411213.2A CN202310411213A CN116313101A CN 116313101 A CN116313101 A CN 116313101A CN 202310411213 A CN202310411213 A CN 202310411213A CN 116313101 A CN116313101 A CN 116313101A
- Authority
- CN
- China
- Prior art keywords
- flow reserve
- network model
- simulation
- blood vessel
- simulation model
- 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
- 210000004351 coronary vessel Anatomy 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 31
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 64
- 230000003902 lesion Effects 0.000 claims abstract description 26
- 230000017531 blood circulation Effects 0.000 claims abstract description 25
- 238000002608 intravascular ultrasound Methods 0.000 claims abstract description 14
- 238000004088 simulation Methods 0.000 claims description 92
- 208000031481 Pathologic Constriction Diseases 0.000 claims description 34
- 230000036262 stenosis Effects 0.000 claims description 31
- 208000037804 stenosis Diseases 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 28
- 230000002792 vascular Effects 0.000 claims description 17
- 239000012530 fluid Substances 0.000 claims description 14
- 230000000004 hemodynamic effect Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 11
- 239000008280 blood Substances 0.000 claims description 10
- 210000004369 blood Anatomy 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 10
- 210000002569 neuron Anatomy 0.000 claims description 8
- 238000012014 optical coherence tomography Methods 0.000 claims description 8
- 239000000463 material Substances 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000003709 image segmentation Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000000926 separation method Methods 0.000 claims description 5
- 230000000544 hyperemic effect Effects 0.000 claims description 4
- 208000025174 PANDAS Diseases 0.000 claims description 3
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 claims description 3
- 235000016496 Panda oleosa Nutrition 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000011423 initialization method Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 239000012528 membrane Substances 0.000 claims description 2
- 240000000220 Panda oleosa Species 0.000 claims 1
- 238000013135 deep learning Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000011156 evaluation Methods 0.000 abstract description 3
- 230000000877 morphologic effect Effects 0.000 abstract description 3
- 230000002966 stenotic effect Effects 0.000 description 8
- 238000002591 computed tomography Methods 0.000 description 6
- 239000000243 solution Substances 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 240000004718 Panda Species 0.000 description 2
- OIRDTQYFTABQOQ-KQYNXXCUSA-N adenosine Chemical compound C1=NC=2C(N)=NC=NC=2N1[C@@H]1O[C@H](CO)[C@@H](O)[C@H]1O OIRDTQYFTABQOQ-KQYNXXCUSA-N 0.000 description 2
- 210000001367 artery Anatomy 0.000 description 2
- 238000002586 coronary angiography Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 229940124549 vasodilator Drugs 0.000 description 2
- 239000003071 vasodilator agent Substances 0.000 description 2
- ZKHQWZAMYRWXGA-KQYNXXCUSA-J ATP(4-) Chemical compound C1=NC=2C(N)=NC=NC=2N1[C@@H]1O[C@H](COP([O-])(=O)OP([O-])(=O)OP([O-])([O-])=O)[C@@H](O)[C@H]1O ZKHQWZAMYRWXGA-KQYNXXCUSA-J 0.000 description 1
- ZKHQWZAMYRWXGA-UHFFFAOYSA-N Adenosine triphosphate Natural products C1=NC=2C(N)=NC=NC=2N1C1OC(COP(O)(=O)OP(O)(=O)OP(O)(O)=O)C(O)C1O ZKHQWZAMYRWXGA-UHFFFAOYSA-N 0.000 description 1
- 201000001320 Atherosclerosis Diseases 0.000 description 1
- 206010003671 Atrioventricular Block Diseases 0.000 description 1
- 239000002126 C01EB10 - Adenosine Substances 0.000 description 1
- 201000000057 Coronary Stenosis Diseases 0.000 description 1
- 206010020565 Hyperaemia Diseases 0.000 description 1
- 208000001953 Hypotension Diseases 0.000 description 1
- 229960005305 adenosine Drugs 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 208000006673 asthma Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 230000036543 hypotension Effects 0.000 description 1
- 238000010253 intravenous injection Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000000302 ischemic effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
Images
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
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- 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)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Databases & Information Systems (AREA)
- Molecular Biology (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Geometry (AREA)
- Pathology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Algebra (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Fluid Mechanics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明公开一种冠状动脉血流储备分数确定方法、系统、设备及介质,基于全连接网络模型搭建用于确定狭窄远端血流储备分数的网络模型,从采集的IVUS或IVOCT图像序列中提取血管的几何特征,并计算跨狭窄区域的压力损失,将目标血管段的几何特征参数集和跨狭窄区域的压力损失的计算数值共同输入训练后的网络模型,输出目标血管段狭窄远端的血流储备分数。本发明采用深度学习技术,将数据驱动与物理知识相结合,整合冠脉的生理学和形态学信息,提高了冠脉病变生理评估的准确性。
Description
技术领域
本发明涉及医学成像技术领域,特别是涉及一种冠状动脉血流储备分数确定方法、系统、设备及介质。
背景技术
冠状动脉(简称冠脉)血流储备分数(Fractional Flow Reserve,FFR)是目前国际公认的评价稳定性缺血性冠脉狭窄病变的生理学指标。血流储备分数定义为狭窄动脉中的最大血流量与同一动脉正常情况下(即无狭窄病变时)的最大血流量之比。在冠脉内阻力最小且相对恒定的情况下,管腔内的压力与血流量呈线性关系,因此对血流储备分数的计算可以简化为最大充血状态下冠脉狭窄远端的平均压力(Pd)与主动脉根部或冠脉开口部平均压力(Pa)的比值。冠脉血流储备分数的正常值为1,通常将血流储备分数小于或等于0.8定义为狭窄性病变。
目前临床测量血流储备分数的金标准是采用压力导丝测量跨狭窄病变的压力阶差,该方法存在如下局限:存在损伤血管的风险;显著增加了诊断费用和延长了介入手术时间;需要静脉注射腺苷或三磷酸腺苷等血管扩张药物来诱导充血,对药物剂量和给药方式的要求较高,患者对药物的反应和耐受性差会影响测量精度,患有哮喘、低血压或房室传导阻滞等的患者不适合使用血管扩张药物。
冠脉成像是临床诊断冠脉狭窄性病变、评估病变程度和制定诊疗计划等的重要辅助手段。近年来基于冠脉影像的生理学指标计算方法逐渐成为该领域的研究热点,按照所采用的图像数据源的不同,基于冠脉影像的血流储备分数估算的主要解决方案分为无创和有创两类,即分别采用无创的计算机断层扫描(computedtomography,CT)图像和有创的定量冠脉造影(quantitative coronary angiography,QCA)图像估算血流储备分数。基于CT的方法由于涉及血流动力学数值模拟,因而整体计算非常耗时,通常需要专用的计算流体力学(computational fluid dynamics,CFD)软件和超级计算机作为设备支撑。此外,该方法对血管三维重建的精确度要求很高,而当存在复杂钙化病变时,很难从CT图像中准确分割并重建病变血管的三维形态。作为有创成像,QCA比无创CT在显示冠脉管腔结构和病变形态等方面具有更大的优势,因此基于QCA图像计算的血流储备分数比基于CT图像估算的血流储备分数更准确。不足之处在于,QCA仅能显示血管腔沿长轴方向的二维投影,而且存在投影重叠和透视缩短等问题。由于无法显示血管腔横截面的结构,因此进行血管的三维重建时一般假设管腔横截面为圆或椭圆。事实上,冠脉发生狭窄时管腔的形状通常复杂多样,狭窄多呈偏心型和不规则型,因而基于此假设重建出的血管腔不能反映真实解剖形态,进而影响在此基础上估算的血流储备分数的精度。
与QCA相比,血管内超声(intravascular ultrasound,IVUS)和血管内光学相干层析成像(intravascular optical coherence tomography,IVOCT)不仅能显示管腔形态,还能反映含斑块在内的血管横断面结构、管壁厚度以及斑块形态等,对于动脉粥样硬化性病变的诊断、指导支架置入和评估手术效果等具有重要临床意义。根据IVUS或IVOCT图像序列进行冠脉生理学指标的估算,有望实现对血管狭窄性病变的准确生理学评估。
发明内容
本发明的目的是提供一种冠状动脉血流储备分数确定方法、系统、设备及介质,可提高冠脉病变生理评估的准确性。
为实现上述目的,本发明提供了如下方案:
一种冠状动脉血流储备分数确定方法,包括:
批量构建发生病变的冠脉左前降支的血管仿真模型;
对每个血管仿真模型进行稳态血流动力学仿真,获得每个血管仿真模型血流储备分数的仿真数值;
确定每个血管仿真模型的几何特征参数集和跨狭窄区域的压力损失的计算数值;
将每个血管仿真模型的几何特征参数集和跨狭窄区域的压力损失的计算数值共同作为输入,每个血管仿真模型血流储备分数的仿真数值作为输出,构造数据集;
基于全连接网络模型搭建用于确定狭窄远端血流储备分数的网络模型;
利用所述数据集训练所述网络模型,获得训练好的网络模型;
对采集的血管内超声图像序列或血管内光学相干层析成像图像序列进行图像分割,并提取目标血管段的管腔和管壁轮廓,进而确定目标血管段的几何特征参数集和跨狭窄区域的压力损失的计算数值;
将目标血管段的几何特征参数集和血流储备分数的计算数值共同输入训练后的网络模型,输出目标血管段狭窄远端的血流储备分数。
可选地,所述对每个血管仿真模型进行稳态血流动力学仿真,获得每个血管仿真模型血流储备分数的仿真数值,具体包括:
使用六面体网格对血管仿真模型进行网格划分,并将血管仿真模型的边界层设定为三层;
设置流体材料和边界条件;所述设置的流体材料包括将血液设定为不可压缩的牛顿流体,密度为1050kg/m3,粘度为0.0035Pa·s,所述设置的边界条件包括假设血管壁为不可渗透刚性管壁,血管壁面采用无滑移条件,入口边界条件设置为0.35m/s的固定充血流速,出口边界条件设置为0Pa;
对设置流体材料和边界条件的血管仿真模型进行稳态血流动力学仿真,提取狭窄段的仿真压降ΔPCFD;
可选地,所述确定每个血管仿真模型的几何特征参数集和跨狭窄区域的压力损失的计算数值,具体包括:
沿血管仿真模型的管腔中心线以相同间隔采样得到一系列二维横截面切片;
从所有二维横截面切片中提取10个几何特征参数,构成血管仿真模型的几何特征参数集;所述几何特征参数集包括最小管腔截面积、近端参考管腔截面积、远端参考管腔截面积、狭窄面积百分比、病变长度、入口长度、出口长度、到病变的距离、最小管腔面积处的管腔偏心率,以及最大狭窄处管腔和管壁中膜两个中心的平均距离;
利用公式ΔP=FV+SV2,计算血管仿真模型跨狭窄区域的压力损失ΔP;式中,F和S分别为由粘性摩擦和流动分离引起的局部压力损失系数,V为充血流速。
可选地,所述由粘性摩擦和流动分离引起的局部压力损失系数的计算公式为
式中,μ为绝对血液粘度,ρ为血液密度,L为狭窄段长度,An为参考管腔横截面积,As为狭窄段的管腔横截面积。
可选地,所述用于确定狭窄远端血流储备分数的网络模型包括:输入层、隐藏层和输出层;
输入层为11个变量,隐藏层为4层,输出层为1个;
隐藏层中4层神经元的数量依次为256、64、16和4;
输入层和隐藏层的每个神经元连接到下一层的每个神经元,不使用卷积层;
输入层、隐藏层和输出层的每一层的输入和输出之间使用线性整流函数作为激活函数。
可选地,利用所述数据集训练所述网络模型,获得训练好的网络模型,具体包括:
将所述数据集中的所有样本随机打乱,并按照6:2:2的比例划分为训练集、验证集和测试集;
将所述网络模型中的每一层作为自动编码器进行预训练,所有权重均采用Xavier初始化方法进行随机初始化;
通过pandas模块导入训练集、验证集和测试集;
对训练集、验证集和测试集中的样本数据进行Min-max归一化;
根据归一化后的训练集、验证集和测试集,采用均方误差损失函数和随机梯度下降算法对初始化的网络模型的学习参数进行自适应优化,训练网络模型;
输出训练好的网络模型。
一种冠状动脉血流储备分数确定系统,包括:
仿真模型构建模块,用于批量构建发生病变的冠脉左前降支的血管仿真模型;
仿真模块,用于对每个血管仿真模型进行稳态血流动力学仿真,获得每个血管仿真模型血流储备分数的仿真数值;
参数确定模块,用于确定每个血管仿真模型的几何特征参数集和跨狭窄区域的压力损失的计算数值;
数据集构造模块,用于将每个血管仿真模型的几何特征参数集和跨狭窄区域的压力损失的计算数值共同作为输入,每个血管仿真模型血流储备分数的仿真数值作为输出,构造数据集;
模型搭建模块,用于基于全连接网络模型搭建用于确定狭窄远端血流储备分数的网络模型;
训练模块,用于利用所述数据集训练所述网络模型,获得训练好的网络模型;
采集模块,用于对采集的血管内超声图像序列或血管内光学相干层析成像图像序列进行图像分割,并提取目标血管段的管腔和管壁轮廓,进而确定目标血管段的几何特征参数集和跨狭窄区域的压力损失的计算数值;
应用模块,用于将目标血管段的几何特征参数集和跨狭窄区域的压力损失的计算数值共同输入训练后的网络模型,输出目标血管段狭窄远端的血流储备分数。
一种电子设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如前述的冠状动脉血流储备分数确定方法。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被执行时实现如前述的冠状动脉血流储备分数确定方法。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明公开一种冠状动脉血流储备分数确定方法、系统、设备及介质,基于全连接网络模型搭建用于确定狭窄远端血流储备分数的网络模型,从采集的IVUS或IVOCT图像序列中提取血管的几何特征,并计算跨狭窄区域的压力损失,将目标血管段的几何特征参数集和跨狭窄区域的压力损失的计算数值共同输入训练后的网络模型,输出目标血管段狭窄远端的血流储备分数。本发明采用深度学习技术,将数据驱动与物理知识相结合,整合冠脉的生理学和形态学信息,提高了冠脉病变生理评估的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种冠状动脉血流储备分数确定方法的流程图;
图2为本发明实施例提供的一种冠状动脉血流储备分数确定方法的原理图;
图3为本发明实施例提供的冠脉左前降支仿真血管模型的三维视图;
图4为本发明实施例提供的冠脉左前降支仿真血管模型的剖面切图;
图5为本发明实施例提供的用于确定狭窄远端血流储备分数的网络模型结构示意图。
具体实施方式
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,所描述的实施例仅仅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。
本发明的目的是提供一种冠状动脉血流储备分数确定方法、系统、设备及介质,可提高冠脉病变生理评估的准确性。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本发明实施例提供的一种冠状动脉血流储备分数确定方法,包括:
步骤1:批量构建发生病变的冠脉左前降支的血管仿真模型。
根据人体冠脉解剖结构参数和狭窄参数(例如血管段长度、入口管腔直径、狭窄面积百分比等)批量构建发生病变的冠脉左前降支血管仿真模型,示例如图3和图4所示。左前降支解剖结构参数和狭窄参数范围如表1所列。
表1左前降支解剖结构参数和狭窄参数范围
步骤2:对每个血管仿真模型进行稳态血流动力学仿真,获得每个血管仿真模型血流储备分数的仿真数值。
采用CFD技术计算血管仿真模型的血流储备分数。即将仿真血管模型导入有限元分析软件ANSYS Workbench(ANSYS Inc.,美国)的Fluent模块中,通过求解Navier-Stokes(纳维叶-斯托克斯)方程,进行稳态血流动力学仿真。具体方法是:首先,使用正六面体网格划分单元对三维血管模型进行网格划分,为了提高壁面附近边界层计算的准确性,将边界层设定为三层;然后,设置流体材料和边界条件,将血液设定为不可压缩的牛顿流体,密度为1050kg/m3,粘度为0.0035Pa·s,假设血管壁为不可渗透刚性管壁,血管壁面采用无滑移条件,入口边界条件设置为0.35m/s的固定充血流速,出口边界条件设置为0Pa;最后,进行流体动力学仿真,提取狭窄段的仿真压降ΔPCFD,假设血管入口的压强Pa为80mmHg,根据下式计算得到血流储备分数的血流动力学仿真数值,记为FFRCFD:
步骤3:确定每个血管仿真模型的几何特征参数集和跨狭窄区域的压力损失的计算数值。
沿仿真血管模型的管腔中心线以相同间隔采样得到一系列二维横截面切片,从各切片中提取管腔面积和最大狭窄处的管腔偏心率等几何特征参数,进而得到与待测血管段血流动力学特性相关的10个几何特征,如表2所列。
表2几何特征
表2中,平均参考管腔面积=(近端参考管腔面积+远端参考管腔面积)/2;近端参考点为狭窄沿冠脉靠近心脏方向上的最近的健康血管切面;远端参考点为狭窄沿冠脉远离心脏方向上的最近的健康血管切面。
根据如下的简化流体动力学方程计算跨狭窄区域的压力损失,记为ΔP:
ΔP=FV+SV2 (2)
式中,V是0.35m/s的固定充血流速,F和S分别是由粘性摩擦和流动分离引起的局部压力损失系数,由狭窄段的形态和血液参数确定:
式中,μ是绝对血液粘度,ρ是血液密度,二者均取正常成人的平均生理值,L是狭窄段长度,An是参考管腔横截面积,As是狭窄段的管腔横截面积。
步骤4:将每个血管仿真模型的几何特征参数集和跨狭窄区域的压力损失的计算数值共同作为输入,每个血管仿真模型血流储备分数的仿真数值作为输出,构造数据集。
步骤1至步骤4采用计算机仿真的方法构建用于根据冠脉血管内图像序列计算血流储备分数的深度学习数据集。
步骤5:基于全连接网络模型搭建用于确定狭窄远端血流储备分数的网络模型。
如图5所示,基于全连接网络模型搭建FFR-Net,其中每一层的每个神经元连接到下一层的每个神经元,不使用卷积层。
设置深度学习的隐藏层,通过Keras的Dense层将输入层确定为11个变量(即表2中的10个结构变量以及ΔP),输出层为1个(即狭窄段远端的血流储备分数),隐藏层设定为4层(分别包含256、64、16、4个隐层节点)。每层的输入和输出之间使用线性整流(Linearrectification function)函数(即Relu函数)作为激活函数。
步骤6:利用所述数据集训练所述网络模型,获得训练好的网络模型。
步骤6-1初始化网络参数。将每一层作为自动编码器进行预训练,所有权重均采用Xavier初始化方法进行随机初始化。
步骤6-2通过pandas模块导入训练集、验证集和测试集。
步骤6-3对样本数据进行Min-max归一化,并导入搭建的网络模型中,训练网络。
步骤6-4优化网络参数。根据归一化后的训练集、验证集和测试集,采用均方误差损失函数和随机梯度下降算法对网络的学习参数(如学习率、动量等)进行自适应优化。
步骤6-5输出训练好的网络模型。
步骤7:对采集的血管内超声图像序列或血管内光学相干层析成像图像序列进行图像分割,并提取目标血管段的管腔和管壁轮廓,进而确定目标血管段的几何特征参数集和跨狭窄区域的压力损失的计算数值。
步骤8:将目标血管段的几何特征参数集和跨狭窄区域的压力损失的计算数值共同输入训练后的网络模型,输出目标血管段狭窄远端的血流储备分数。
如图2所示,对临床采集的IVUS或IVOCT图像序列进行图像分割,提取管腔和管壁轮廓,进而通过几何测量得到表2中所列的10个几何特征,并根据式(2)-(4)计算得到ΔP。将10个几何特征数据和ΔP共同输入训练后的FFR-Net中,网络最终输出目标血管段狭窄远端的血流储备分数。
本发明首先搭建全连接网络模型,命名为FFR-Net;然后,构造仿真数据集,并采用该数据集对FFR-Net进行训练,优化网络参数;最后,从临床采集的IVUS或IVOCT图像序列中提取血管的几何特征,并使用简化流体动力学方程计算跨狭窄区域的压力损失,记为ΔP,将血管的几何特征和ΔP输入到训练后的FFR-Net中,网络输出狭窄病变远端的血流储备分数。
本发明采用深度学习技术,将数据驱动与物理知识相结合,整合冠脉的生理学和形态学信息,提高冠脉病变生理评估的准确性并降低其成本。
本发明实施例还提供一种冠状动脉血流储备分数确定系统,包括:
仿真模型构建模块,用于批量构建发生病变的冠脉左前降支的血管仿真模型;
仿真模块,用于对每个血管仿真模型进行稳态血流动力学仿真,获得每个血管仿真模型血流储备分数的仿真数值;
参数确定模块,用于确定每个血管仿真模型的几何特征参数集和跨狭窄区域的压力损失的计算数值;
数据集构造模块,用于将每个血管仿真模型的几何特征参数集和跨狭窄区域的压力损失的计算数值共同作为输入,每个血管仿真模型血流储备分数的仿真数值作为输出,构造数据集;
模型搭建模块,用于基于全连接网络模型搭建用于确定狭窄远端血流储备分数的网络模型;
训练模块,用于利用所述数据集训练所述网络模型,获得训练好的网络模型;
采集模块,用于对采集的血管内超声图像序列或血管内光学相干层析成像图像序列进行图像分割,并提取目标血管段的管腔和管壁轮廓,进而确定目标血管段的几何特征参数集和跨狭窄区域的压力损失的计算数值;
应用模块,用于将目标血管段的几何特征参数集和跨狭窄区域的压力损失的计算数值共同输入训练后的网络模型,输出目标血管段狭窄远端的血流储备分数。
本发明实施例提供的冠状动脉血流储备分数确定系统与上述实施例所述的冠状动脉血流储备分数确定方法,其工作原理和有益效果类似,故此处不再详述,具体内容可参见上述方法实施例的介绍。
本发明还提供一种电子设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如前述的冠状动脉血流储备分数确定方法。
此外,上述的存储器中的计算机程序通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。
进一步地,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被执行时实现如前述的冠状动脉血流储备分数确定方法。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种冠状动脉血流储备分数确定方法,其特征在于,包括:
批量构建发生病变的冠脉左前降支的血管仿真模型;
对每个血管仿真模型进行稳态血流动力学仿真,获得每个血管仿真模型血流储备分数的仿真数值;
确定每个血管仿真模型的几何特征参数集和跨狭窄区域的压力损失的计算数值;
将每个血管仿真模型的几何特征参数集和跨狭窄区域的压力损失的计算数值共同作为输入,每个血管仿真模型血流储备分数的仿真数值作为输出,构造数据集;
基于全连接网络模型搭建用于确定狭窄远端血流储备分数的网络模型;
利用所述数据集训练所述网络模型,获得训练好的网络模型;
对采集的血管内超声图像序列或血管内光学相干层析成像图像序列进行图像分割,并提取目标血管段的管腔和管壁轮廓,进而确定目标血管段的几何特征参数集和跨狭窄区域的压力损失的计算数值;
将目标血管段的几何特征参数集和跨狭窄区域的压力损失的计算数值共同输入训练后的网络模型,输出目标血管段狭窄远端的血流储备分数。
2.根据权利要求1所述的冠状动脉血流储备分数确定方法,其特征在于,所述对每个血管仿真模型进行稳态血流动力学仿真,获得每个血管仿真模型血流储备分数的仿真数值,具体包括:
使用六面体网格对血管仿真模型进行网格划分,并将血管仿真模型的边界层设定为三层;
设置流体材料和边界条件;所述设置的流体材料包括将血液设定为不可压缩的牛顿流体,密度为1050kg/m3,粘度为0.0035Pa·s;所述设置的边界条件包括假设血管壁为不可渗透刚性管壁,血管壁面采用无滑移条件,入口边界条件设置为0.35m/s的固定充血流速,出口边界条件设置为0Pa;
对设置流体材料和边界条件的血管仿真模型进行稳态血流动力学仿真,提取狭窄段的仿真压降ΔPCFD;
3.根据权利要求1所述的冠状动脉血流储备分数确定方法,其特征在于,所述确定每个血管仿真模型的几何特征参数集和跨狭窄区域的压力损失的计算数值,具体包括:
沿血管仿真模型的管腔中心线以相同间隔采样得到一系列二维横截面切片;
从所有二维横截面切片中提取10个几何特征参数,构成血管仿真模型的几何特征参数集;所述几何特征参数集包括最小管腔截面积、近端参考管腔截面积、远端参考管腔截面积、狭窄面积百分比、病变长度、入口长度、出口长度、到病变的距离、最小管腔面积处的管腔偏心率,以及最大狭窄处管腔和管壁中膜两个中心的平均距离;
利用公式ΔP=FV+SV2,计算血管仿真模型跨狭窄区域的压力损失ΔP;式中,F和S分别为由粘性摩擦和流动分离引起的局部压力损失系数,V为充血流速。
5.根据权利要求3所述的冠状动脉血流储备分数确定方法,其特征在于,所述用于确定狭窄远端血流储备分数的网络模型包括:输入层、隐藏层和输出层;
输入层为11个变量,隐藏层为4层,输出层为1个;
隐藏层中4层神经元的数量依次为256、64、16和4;
输入层和隐藏层的每个神经元连接到下一层的每个神经元,不使用卷积层;
输入层、隐藏层和输出层的每一层的输入和输出之间使用线性整流函数作为激活函数。
6.根据权利要求5所述的冠状动脉血流储备分数确定方法,其特征在于,利用所述数据集训练所述网络模型,获得训练好的网络模型,具体包括:
将所述数据集中的所有样本随机打乱,并按照6:2:2的比例划分为训练集、验证集和测试集;
将所述网络模型中的每一层作为自动编码器进行预训练,所有权重均采用Xavier初始化方法进行随机初始化;
通过pandas模块导入训练集、验证集和测试集;
对训练集、验证集和测试集中的样本数据进行Min-max归一化;
根据归一化后的训练集、验证集和测试集,采用均方误差损失函数和随机梯度下降算法对初始化的网络模型的学习参数进行自适应优化,训练网络模型;
输出训练好的网络模型。
7.一种冠状动脉血流储备分数确定系统,其特征在于,包括:
仿真模型构建模块,用于批量构建发生病变的冠脉左前降支的血管仿真模型;
仿真模块,用于对每个血管仿真模型进行稳态血流动力学仿真,获得每个血管仿真模型血流储备分数的仿真数值;
参数确定模块,用于确定每个血管仿真模型的几何特征参数集和跨狭窄区域的压力损失的计算数值;
数据集构造模块,用于将每个血管仿真模型的几何特征参数集和跨狭窄区域的压力损失的计算数值共同作为输入,每个血管仿真模型血流储备分数的仿真数值作为输出,构造数据集;
模型搭建模块,用于基于全连接网络模型搭建用于确定狭窄远端血流储备分数的网络模型;
训练模块,用于利用所述数据集训练所述网络模型,获得训练好的网络模型;
采集模块,用于对采集的血管内超声图像序列或血管内光学相干层析成像图像序列进行图像分割,并提取目标血管段的管腔和管壁轮廓,进而确定目标血管段的几何特征参数集和跨狭窄区域的压力损失的计算数值;
应用模块,用于将目标血管段的几何特征参数集和跨狭窄区域的压力损失的计算数值共同输入训练后的网络模型,输出目标血管段狭窄远端的血流储备分数。
8.一种电子设备,其特征在于,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至6中任一项所述的冠状动脉血流储备分数确定方法。
9.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,所述计算机程序被执行时实现如权利要求1至6中任一项所述的冠状动脉血流储备分数确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310411213.2A CN116313101A (zh) | 2023-04-18 | 2023-04-18 | 一种冠状动脉血流储备分数确定方法、系统、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310411213.2A CN116313101A (zh) | 2023-04-18 | 2023-04-18 | 一种冠状动脉血流储备分数确定方法、系统、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116313101A true CN116313101A (zh) | 2023-06-23 |
Family
ID=86827167
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310411213.2A Pending CN116313101A (zh) | 2023-04-18 | 2023-04-18 | 一种冠状动脉血流储备分数确定方法、系统、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116313101A (zh) |
-
2023
- 2023-04-18 CN CN202310411213.2A patent/CN116313101A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111134651B (zh) | 基于腔内影像计算血流储备分数的方法、装置、系统以及计算机存储介质 | |
CN106659400B (zh) | 用于确定血流储备分数值的装置 | |
CN108511075B (zh) | 一种非侵入式获取血流储备分数的方法和系统 | |
Frauenfelder et al. | In-vivo flow simulation in coronary arteries based on computed tomography datasets: feasibility and initial results | |
CN108922580A (zh) | 一种获取血流储备分数的方法、装置、系统和计算机存储介质 | |
US11626211B2 (en) | Modelling blood vessels and blood flow | |
CN105326486A (zh) | 血管压力差与血流储备分数的计算方法及系统 | |
KR20160047516A (ko) | 관동맥 병변들의 위치, 발병, 및/또는 변화를 예측하기 위한 시스템들 및 방법들 | |
JP7118464B2 (ja) | 血管圧差を取得する方法及び装置 | |
CN108564574B (zh) | 确定血流储备分数的方法、计算机设备及计算机可读存储介质 | |
CN113015497B (zh) | 对对象固有的血管的血流模拟方法及装置 | |
CN112384136A (zh) | 基于造影图像获取血管评定参数的方法、装置及系统 | |
CN113365552A (zh) | 冠状动脉中的血液动力学参数的患者特定的建模 | |
CN112535466A (zh) | 一种基于血管影像的血流储备分数计算方法 | |
Abuouf et al. | Analysis of the effect of guidewire position on stenosis diagnosis using computational fluid dynamics | |
CN114052764A (zh) | 获取血流储备分数的方法、装置、系统和计算机存储介质 | |
CN114947910A (zh) | 冠脉末端微血管阻力的计算方法及ffr的计算方法、系统 | |
CN112384138B (zh) | 获取心表大动脉的血流量的方法、装置、系统及存储介质 | |
Wellnhofer et al. | Novel non-dimensional approach to comparison of wall shear stress distributions in coronary arteries of different groups of patients | |
Ashtekar et al. | In vitro quantification of guidewire flow-obstruction effect in model coronary stenoses for interventional diagnostic procedure | |
CN116313101A (zh) | 一种冠状动脉血流储备分数确定方法、系统、设备及介质 | |
US20210290076A1 (en) | System and a method for determining a significance of a stenosis | |
CN114664455A (zh) | 一种冠状动脉血流储备分数计算方法及装置 | |
CN110584696B (zh) | 一种血流储备分数评估方法及装置、存储介质 | |
Govindaraju et al. | A parametric study of the effect of arterial wall curvature on non-invasive assessment of stenosis severity: Computational foluid dynamics study |
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 |