CN116486211A - 一种模型训练方法、血流储备分数计算方法、装置及设备 - Google Patents

一种模型训练方法、血流储备分数计算方法、装置及设备 Download PDF

Info

Publication number
CN116486211A
CN116486211A CN202310514519.0A CN202310514519A CN116486211A CN 116486211 A CN116486211 A CN 116486211A CN 202310514519 A CN202310514519 A CN 202310514519A CN 116486211 A CN116486211 A CN 116486211A
Authority
CN
China
Prior art keywords
sample
blood flow
target
coronary artery
image
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
CN202310514519.0A
Other languages
English (en)
Inventor
高智凡
刘毅
薛晓飞
谢佰洪
张贺晔
刘修建
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.)
Sun Yat Sen University
Original Assignee
Sun Yat Sen University
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 Sun Yat Sen University filed Critical Sun Yat Sen University
Priority to CN202310514519.0A priority Critical patent/CN116486211A/zh
Publication of CN116486211A publication Critical patent/CN116486211A/zh
Pending legal-status Critical Current

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/504—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of blood vessels, e.g. by angiography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/48—Diagnostic techniques
    • A61B6/481—Diagnostic techniques involving the use of contrast agents
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • 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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Abstract

本申请提供了一种模型训练方法、血流储备分数计算方法、装置及设备。训练方法包括获取样本冠状动脉的样本断层扫描图像、测量压力场和测量血流速度；其中，测量血流速度包括在样本稀疏点处的样本稀疏点速度；依据样本断层扫描图像，确定样本冠状动脉的样本中心线图像；依据由样本中心线图像和样本稀疏点速度构成的样本数据，由测量压力场和测量血流速度构成的标签数据，以及预设的模型损失函数对初始冠状动脉血流模型进行训练，获得训练完成的冠状动脉血流模型。本申请直接在单一影像基础上进行计算，极大地简化了计算过程，缩短了计算耗时；并且，结合了深度学习方法，可以有效地融合各类保真数据，极大地提高了计算结果的准确性。

Description

一种模型训练方法、血流储备分数计算方法、装置及设备
技术领域
本申请涉及医学图像处理技术领域，特别是一种模型训练方法、血流储备分数计算方法、装置及设备。
背景技术
FFRCT是基于冠状动脉的计算机断层扫描(Computed Tomography，CT)图像，对冠状动脉血流数值进行分析，得到狭窄病变远端和冠状动脉入口处压力的技术。随着计算流体力学(Computational Fluid Dynamics，CFD)的应用，FFRCT扩大了冠状动脉CT的诊断能力，并有可能成为有创冠状动脉造影的守门员。
目前提出的FFRCT技术大都是基于计算机断层扫描血管成像(ComputedTomography Angiography，CTA)和计算流体力学方法来进行血流储备分数(FractionalFlow Reserve，FFR)的计算，首先采用计算机断层扫描血管成像提取冠状动脉的三维(3D)模型，再基于从计算机断层灌注(Computerized Tomography Perfusio，CTP)测量得到的保真数据和根据患者特定生理情况确定的估计数据，采用计算流体力学方法进行血流储备分数的计算。
发明人通过分析现有技术发现，现有的血流储备分数计算方法存在以下问题：第一，基于冠状动脉三维模型的计算流体力学算法非常庞大，并且在计算中需要进行网格划分，导致这类方法的计算过程非常耗时，更新和维护也较为困难；第二，血流储备分数的值直接由冠状动脉内的压力场决定，而压力场高度依赖于计算流体力学模拟中的出口边界条件，由于流速、压力或阻力的影响，在每个冠状动脉出口无创地测量可靠的边界条件是不现实的，因此出口边界条件需要根据患者特定的生理情况来假设，目前还没有明确的生理假设可以准确地量化患者特定的冠状动脉血流和出口阻力，并且，目前已有的各类纯计算流体力学方法并不能很好地融合各类保真数据，在工程模型中，可能还涉及逆问题的求解，也就是在边界条件和流体的各种参数未知的情形下，需要通过部分测量数据得到模型参数和流场的重构，导致这类方法的计算结果准确性不高。
发明内容
鉴于所述问题，提出了本申请以便提供克服所述问题或者至少部分地解决所述问题的一种模型训练方法、血流储备分数计算方法、装置及设备，包括：
一种冠状动脉血流模型的训练方法，包括：
获取样本冠状动脉的样本断层扫描图像、测量压力场和测量血流速度；其中，所述测量血流速度包括在样本稀疏点处的样本稀疏点速度；
依据所述样本断层扫描图像，确定所述样本冠状动脉的样本中心线图像；
依据由所述样本中心线图像和所述样本稀疏点速度构成的样本数据，由所述测量压力场和所述测量血流速度构成的标签数据，以及预设的模型损失函数对初始冠状动脉血流模型进行训练，获得训练完成的冠状动脉血流模型。
优选的，所述依据所述样本断层扫描图像，确定所述样本冠状动脉的样本中心线图像的步骤，包括：
依据所述样本断层扫描图像，确定所述样本冠状动脉的起始点、终止点和路径点；
依据所述起始点、所述终止点和所述路径点，生成所述样本冠状动脉的初始中心线图像；
依据所述样本断层扫描图像对所述初始中心线图像进行修正，得到所述样本中心线图像。
优选的，所述模型损失函数包括测量损失函数；所述依据由所述样本中心线图像和所述样本稀疏点速度构成的样本数据，由所述测量压力场和所述测量血流速度构成的标签数据，以及预设的模型损失函数对初始冠状动脉血流模型进行训练的步骤，包括：
依据由所述样本中心线图像和所述样本稀疏点速度构成的样本数据，由所述测量压力场和所述测量血流速度构成的标签数据，以及所述测量损失函数对所述初始冠状动脉血流模型的测量参数进行训练。
优选的，所述模型损失函数还包括残余损失函数；所述依据由所述样本中心线图像和所述样本稀疏点速度构成的样本数据，由所述测量压力场和所述测量血流速度构成的标签数据，以及预设的模型损失函数对初始冠状动脉血流模型进行训练的步骤，还包括：
依据由所述样本中心线图像和所述样本稀疏点速度构成的样本数据，由所述测量压力场和所述测量血流速度构成的标签数据，以及所述残余损失函数对所述初始冠状动脉血流模型的残余参数进行训练。
优选的，所述模型损失函数还包括界面损失函数；所述依据由所述样本中心线图像和所述样本稀疏点速度构成的样本数据，由所述测量压力场和所述测量血流速度构成的标签数据，以及预设的模型损失函数对初始冠状动脉血流模型进行训练的步骤，还包括：
依据由所述样本中心线图像和所述样本稀疏点速度构成的样本数据，由所述测量压力场和所述测量血流速度构成的标签数据，以及所述界面损失函数对所述初始冠状动脉血流模型的界面参数进行训练。
一种血流储备分数的计算方法，包括：
获取目标冠状动脉的目标断层扫描图像和在目标稀疏点处的目标稀疏点速度；
依据所述目标断层扫描图像，确定所述目标冠状动脉的目标中心线图像；
将所述目标中心线图像和所述目标稀疏点速度输入冠状动脉血流模型，获得所述目标冠状动脉的目标压力场；其中，所述冠状动脉血流模型为如上述任一项所述的训练完成的冠状动脉血流模型；
依据所述目标压力场，确定所述目标冠状动脉在所述目标稀疏点处的血流储备分数。
一种冠状动脉血流模型的训练装置，包括：
样本获取模块，用于获取样本冠状动脉的样本断层扫描图像、测量压力场和测量血流速度；其中，所述测量血流速度包括在样本稀疏点处的样本稀疏点速度；
样本提取模块，用于依据所述样本断层扫描图像，确定所述样本冠状动脉的样本中心线图像；
模型训练模块，用于依据由所述样本中心线图像和所述样本稀疏点速度构成的样本数据，由所述测量压力场和所述测量血流速度构成的标签数据，以及预设的模型损失函数对初始冠状动脉血流模型进行训练，获得训练完成的冠状动脉血流模型。
一种血流储备分数的计算装置，包括：
目标获取模块，用于获取目标冠状动脉的目标断层扫描图像和在目标稀疏点处的目标稀疏点速度；
目标提取模块，用于依据所述目标断层扫描图像，确定所述目标冠状动脉的目标中心线图像；
模型输入模块，用于将所述目标中心线图像和所述目标稀疏点速度输入冠状动脉血流模型，获得所述目标冠状动脉的目标压力场；其中，所述冠状动脉血流模型为如上述任一项所述的训练完成的冠状动脉血流模型；
目标计算模块，用于依据所述目标压力场，确定所述目标冠状动脉在所述目标稀疏点处的血流储备分数。
一种计算机设备，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上述任一项所述的方法。
一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述的方法。
本申请具有以下优点：
在本申请的实施例中，相对于现有血流储备分数计算方法的计算过程非常耗时，并且计算结果准确性不高的问题，本申请提供了构建一种基于冠状动脉中心线图像和稀疏点速度的个性化神经网络模型对血流储备分数进行计算的解决方案，具体为：“一种冠状动脉血流模型的训练方法，包括：获取样本冠状动脉的样本断层扫描图像、测量压力场和测量血流速度；其中，所述测量血流速度包括在样本稀疏点处的样本稀疏点速度；依据所述样本断层扫描图像，确定所述样本冠状动脉的样本中心线图像；依据由所述样本中心线图像和所述样本稀疏点速度构成的样本数据，由所述测量压力场和所述测量血流速度构成的标签数据，以及预设的模型损失函数对初始冠状动脉血流模型进行训练，获得训练完成的冠状动脉血流模型”。通过采用由所述样本中心线图像和所述样本稀疏点速度构成的样本数据和由所述测量压力场和所述测量血流速度构成的标签数据对所述初始冠状动脉血流模型进行训练，并采用所述训练完成的冠状动脉血流模型对血流储备分数进行计算，使得血流储备分数的计算过程不再依赖于计算机断层扫描血管成像提取的冠状动脉三维模型，而是直接在单一影像基础上进行计算，极大地简化了计算过程，缩短了计算耗时；并且，结合了深度学习方法，可以有效地融合各类保真数据，极大地提高了计算结果的准确性。
附图说明
为了更清楚地说明本申请的技术方案，下面将对本申请的描述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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的一种冠状动脉血流模型的训练方法的步骤流程图；
图2是本申请一实施例提供的一种血流储备分数的计算方法的步骤流程图；
图3是本申请一实施例提供的一种冠状动脉血流模型的训练装置的结构框图；
图4是本申请一实施例提供的一种血流储备分数的计算装置的结构框图；
图5是本申请一实施例提供的血流储备分数、血流速度和压力的计算结果示意图；
图6是本申请一实施例提供的一种计算机设备的结构示意图。
说明书附图中的附图标记如下：
12、计算机设备；14、外部设备；16、处理单元；18、总线；20、网络适配器；22、I/O接口；24、显示器；28、内存；30、随机存取存储器；32、高速缓存存储器；34、存储系统；40、程序/实用工具；42、程序模块。
具体实施方式
为使本申请的所述目的、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申请做进一步详细的说明。显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
参照图1，示出了本申请一实施例提供的一种冠状动脉血流模型的训练方法，包括：
S110、获取样本冠状动脉的样本断层扫描图像、测量压力场和测量血流速度；其中，所述测量血流速度包括在样本稀疏点处的样本稀疏点速度；
S120、依据所述样本断层扫描图像，确定所述样本冠状动脉的样本中心线图像；
S130、依据由所述样本中心线图像和所述样本稀疏点速度构成的样本数据，由所述测量压力场和所述测量血流速度构成的标签数据，以及预设的模型损失函数对初始冠状动脉血流模型进行训练，获得训练完成的冠状动脉血流模型。
在本申请的实施例中，相对于现有血流储备分数计算方法的计算过程非常耗时，并且计算结果准确性不高的问题，本申请提供了构建一种基于冠状动脉中心线图像和稀疏点速度的个性化神经网络模型对血流储备分数进行计算的解决方案，具体为：“一种冠状动脉血流模型的训练方法，包括：获取样本冠状动脉的样本断层扫描图像、测量压力场和测量血流速度；其中，所述测量血流速度包括在样本稀疏点处的样本稀疏点速度；依据所述样本断层扫描图像，确定所述样本冠状动脉的样本中心线图像；依据由所述样本中心线图像和所述样本稀疏点速度构成的样本数据，由所述测量压力场和所述测量血流速度构成的标签数据，以及预设的模型损失函数对初始冠状动脉血流模型进行训练，获得训练完成的冠状动脉血流模型”。通过采用由所述样本中心线图像和所述样本稀疏点速度构成的样本数据和由所述测量压力场和所述测量血流速度构成的标签数据对所述初始冠状动脉血流模型进行训练，并采用所述训练完成的冠状动脉血流模型对血流储备分数进行计算，使得血流储备分数的计算过程不再依赖于计算机断层扫描血管成像提取的冠状动脉三维模型，而是直接在单一影像基础上进行计算，极大地简化了计算过程，缩短了计算耗时；并且，结合了深度学习方法，可以有效地融合各类保真数据，极大地提高了计算结果的准确性。
下面，将对本示例性实施例中一种冠状动脉血流模型的训练方法做进一步地说明。
如所述步骤S110所述，获取样本冠状动脉的样本断层扫描图像、测量压力场和测量血流速度；其中，所述测量血流速度包括在样本稀疏点处的样本稀疏点速度。
采用若干具有至少一处血流稀疏点的冠状动脉作为样本冠状动脉，对于每一所述样本冠状动脉，通过计算机断层扫描灌注获取所述样本冠状动脉的样本断层扫描图像和测量血流速度，其中，所述测量血流速度包括在所述样本冠状动脉的若干样本测量点处的样本测量点速度和在所述样本冠状动脉的样本稀疏点处的样本稀疏点速度，并通过导管检查获取所述样本冠状动脉的测量压力场。
如所述步骤S120所述，依据所述样本断层扫描图像，确定所述样本冠状动脉的样本中心线图像。
结合下采样图像和最短路径横截面的方法从所述样本断层扫描图像中提取所述样本中心线图像。具体的，从所述样本断层扫描图像中提取所述样本冠状动脉的起始点、终止点和路径点；提取所述起始点、所述终止点和所述路径点之间的最短路径，得到所述样本冠状动脉的初始中心线图像；沿所述初始中心线图像的路径提取所述样本冠状动脉的横截面图像，并依据所述横截面图像的中心点对所述初始中心线图像进行修正、连接，得到所述样本中心线图像。
如所述步骤S130所述，依据由所述样本中心线图像和所述样本稀疏点速度构成的样本数据，由所述测量压力场和所述测量血流速度构成的标签数据，以及预设的模型损失函数对初始冠状动脉血流模型进行训练，获得训练完成的冠状动脉血流模型。
将所述样本中心线图像和所述样本稀疏点速度输入所述初始冠状动脉血流模型，获得预测压力场和预测血流速度；将所述预测压力场、所述预测血流速度、所述测量压力场和所述测量血流速度输入所述模型损失函数，得到模型损失值；对所述初始冠状动脉血流模型的训练参数不断进行调整，直至所述模型损失值达到训练阈值，得到所述训练完成的冠状动脉血流模型。
具体的，所述初始冠状动脉血流模型为基于物理信息的神经网络(Physics-informed Neural Network，PINN)，其包括与所述样本冠状动脉的若干威利斯环(CoW)动脉段一一对应的若干子神经网络，若干所述子神经网络被训练以同时满足以下三个约束条件：首先，它们被训练以适应测量的临床数据；第二，对它们进行惩罚，以满足由脉动血流的减序一维(1D)模型支配的基本物理守恒定律；第三，它们被训练以满足动脉树中所有界面点的质量和动量守恒。总的模型损失是以下三个损失贡献的总和：测量损失(对应于拟合临床测量)，残余损失(惩罚在时空域的随机点上不满足一维方程，称为"定位点")和界面损失(满足交界处和分叉处的质量和动量守恒)。所述模型损失函数的表达式如下式所示：
其中，La是模型损失函数，是第k条血管的测量损失函数，/>是第k条血管的残余损失函数，/>第k个接口点的界面损失函数，M是动脉网中的血管总数，Mm是测量的血管总数，MI是接口点的总数。
与现有的神经网络相比，本本申请采用基于物理信息的神经网络，能用更少的数据样本学习到更具泛化能力的模型，并使预测结果更贴近临床真实值。
在本申请一实施例中，可以结合下列描述进一步说明所述依据所述样本断层扫描图像，确定所述样本冠状动脉的样本中心线图像的步骤的具体过程。
依据所述样本断层扫描图像，确定所述样本冠状动脉的起始点、终止点和路径点；具体的，从所述样本断层扫描图像中提取所述样本冠状动脉的起始点、终止点和路径点。
依据所述起始点、所述终止点和所述路径点，生成所述样本冠状动脉的初始中心线图像；具体的，提取所述起始点、所述终止点和所述路径点之间的最短路径，得到所述样本冠状动脉的初始中心线图像。
依据所述样本断层扫描图像对所述初始中心线图像进行修正，得到所述样本中心线图像。具体的，沿所述初始中心线图像的路径提取所述样本冠状动脉的横截面图像，并依据所述横截面图像的中心点对所述初始中心线图像进行修正、连接，得到所述样本中心线图像。
在本申请一实施例中，所述模型损失函数包括测量损失函数；可以结合下列描述进一步说明所述依据由所述样本中心线图像和所述样本稀疏点速度构成的样本数据，由所述测量压力场和所述测量血流速度构成的标签数据，以及预设的模型损失函数对初始冠状动脉血流模型进行训练的步骤的具体过程。
依据由所述样本中心线图像和所述样本稀疏点速度构成的样本数据，由所述测量压力场和所述测量血流速度构成的标签数据，以及所述测量损失函数对所述初始冠状动脉血流模型的测量参数进行训练。具体的，所述测量损失函数通过下式计算：
其中，是第k条血管的测量损失函数，/>分别表示对应速度的初始条件和边界条件的测量损失，初始和边界条件的测量损失均由均方误差(MSE)损失函数得出，定义如下：
其中，Nx和Nt表示空间和时间测量点的总数，S和S*分别代表测量和预测的血流速度V或血管横截面积A，xi代表空间位置，x0是采集临床数据时在血管中的空间位置。
在本申请一实施例中，所述模型损失函数还包括残余损失函数；所述依据由所述样本中心线图像和所述样本稀疏点速度构成的样本数据，由所述测量压力场和所述测量血流速度构成的标签数据，以及预设的模型损失函数对初始冠状动脉血流模型进行训练的步骤，还包括：
依据由所述样本中心线图像和所述样本稀疏点速度构成的样本数据，由所述测量压力场和所述测量血流速度构成的标签数据，以及所述残余损失函数对所述初始冠状动脉血流模型的残余参数进行训练。具体的，所述残余损失函数通过下式计算：
其中，Nf为每条血管的总接口点数，rA、rv、rp分别代表质量、动量和压力残差，xi代表空间位置。
rA、rv、rp分别根据一维血流动力学模型的管理方程，再加上表征血管壁弹性的压力-面积关系，脉动血流的物理学来定义：
其中，是第k条血管的残余损失函数，A表示面积，Q、P分别表示质量通量和横截面上的平均内压，α代表非维动量通量校正因子，ρ是血液的恒定质量密度，f代表每单位长度的摩擦力，/>h和E分别表示弹性动脉壁厚度和杨氏模量，Pext、A0分别代表外部压力和舒张期截面面积。
在本申请一实施例中，所述模型损失函数还包括界面损失函数；所述依据由所述样本中心线图像和所述样本稀疏点速度构成的样本数据，由所述测量压力场和所述测量血流速度构成的标签数据，以及预设的模型损失函数对初始冠状动脉血流模型进行训练的步骤，还包括：
依据由所述样本中心线图像和所述样本稀疏点速度构成的样本数据，由所述测量压力场和所述测量血流速度构成的标签数据，以及所述界面损失函数对所述初始冠状动脉血流模型的界面参数进行训练。具体的，所述界面损失函数通过下式计算：
其中，第k个接口点的界面损失函数，Nb代表界面边界上的接口点数量，Qin是每个分叉点的入口体积流量，xb是界面边界的空间位置，Noutlets是每个分叉点的出口数量，θ是总动量。
参照图2，示出了本申请一实施例提供的一种血流储备分数的计算方法，包括：
S210、获取目标冠状动脉的目标断层扫描图像和在目标稀疏点处的目标稀疏点速度；
S220、依据所述目标断层扫描图像，确定所述目标冠状动脉的目标中心线图像；
S230、将所述目标中心线图像和所述目标稀疏点速度输入冠状动脉血流模型，获得所述目标冠状动脉的目标压力场；其中，所述冠状动脉血流模型为如上述任一实施例所述的训练完成的冠状动脉血流模型；
S240、依据所述目标压力场，确定所述目标冠状动脉在所述目标稀疏点处的血流储备分数。
下面，将对本示例性实施例中一种血流储备分数的计算方法做进一步地说明。
如所述步骤S210所述，获取目标冠状动脉的目标断层扫描图像和在目标稀疏点处的目标稀疏点速度。
对于所述目标冠状动脉，通过计算机断层扫描灌注获取所述目标冠状动脉的目标断层扫描图像和目标稀疏点速度。
如所述步骤S220所述，依据所述目标断层扫描图像，确定所述目标冠状动脉的目标中心线图像。
结合下采样图像和最短路径横截面的方法从所述目标断层扫描图像中提取所述目标中心线图像。具体的，从所述目标断层扫描图像中提取所述目标冠状动脉的起始点、终止点和路径点；提取所述起始点、所述终止点和所述路径点之间的最短路径，得到所述目标冠状动脉的初始中心线图像；沿所述初始中心线图像的路径提取所述目标冠状动脉的横截面图像，并依据所述横截面图像的中心点对所述目标中心线图像进行修正、连接，得到所述目标中心线图像。
如所述步骤S230所述，将所述目标中心线图像和所述目标稀疏点速度输入冠状动脉血流模型，获得所述目标冠状动脉的目标压力场；其中，所述冠状动脉血流模型为如上述任一实施例所述的训练完成的冠状动脉血流模型。
将所述目标中心线图像和所述目标稀疏点速度输入所述冠状动脉血流模型，获得所述目标冠状动脉的目标压力场和目标血流速度；其中，所述冠状动脉血流模型为如上述任一实施例所述的训练完成的冠状动脉血流模型。
如所述步骤S240所述，依据所述目标压力场，确定所述目标冠状动脉在所述目标稀疏点处的血流储备分数。
从所述目标压力场中提取所述目标冠状动脉在目标稀疏点处的压力和在目标动脉口处的压力，将所述目标稀疏点处的压力除以所述目标动脉口处的压力，得到所述目标冠状动脉在所述目标稀疏点处的血流储备分数。
以下是本申请的实验结果：
采用所述冠状动脉血流模型对1例患者冠状动脉的血流储备分数、血流速度和压力进行计算，结果如图3所示(从左至右依次为血流储备分数、血流速度和压力)。
随机选取10例患者，采用所述冠状动脉血流模型对其冠状动脉的左前降支、右回旋支、右冠脉、全冠脉的血流储备分数分别进行计算，并与临床检测获得的真实值进行比较，结果如表1所示。
表1模型预测值与临床真实值的对比结果
通过上述结果可以看出，采用本申请的冠状动脉血流模型计算得到的血流储备分数具有较高的准确性。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
参照图4，示出了本申请一实施例提供的一种冠状动脉血流模型的训练装置，包括：
样本获取模块310，用于获取样本冠状动脉的样本断层扫描图像、测量压力场和测量血流速度；其中，所述测量血流速度包括在样本稀疏点处的样本稀疏点速度；
样本提取模块320，用于依据所述样本断层扫描图像，确定所述样本冠状动脉的样本中心线图像；
模型训练模块330，用于依据由所述样本中心线图像和所述样本稀疏点速度构成的样本数据，由所述测量压力场和所述测量血流速度构成的标签数据，以及预设的模型损失函数对初始冠状动脉血流模型进行训练，获得训练完成的冠状动脉血流模型。
在本申请一实施例中，所述样本提取模块320，包括：
路径点提取子模块，用于依据所述样本断层扫描图像，确定所述样本冠状动脉的起始点、终止点和路径点；
初始线生成子模块，用于依据所述起始点、所述终止点和所述路径点，生成所述样本冠状动脉的初始中心线图像；
中心线生成子模块，用于依据所述样本断层扫描图像对所述初始中心线图像进行修正，得到所述样本中心线图像。
在本申请一实施例中，所述模型损失函数包括测量损失函数；所述模型训练模块330，包括：
测量训练子模块，用于依据由所述样本中心线图像和所述样本稀疏点速度构成的样本数据，由所述测量压力场和所述测量血流速度构成的标签数据，以及所述测量损失函数对所述初始冠状动脉血流模型的测量参数进行训练。
在本申请一实施例中，所述模型损失函数还包括残余损失函数；所述模型训练模块330，还包括：
残余训练子模块，用于依据由所述样本中心线图像和所述样本稀疏点速度构成的样本数据，由所述测量压力场和所述测量血流速度构成的标签数据，以及所述残余损失函数对所述初始冠状动脉血流模型的残余参数进行训练。
在本申请一实施例中，所述模型损失函数还包括界面损失函数；所述模型训练模块330，还包括：
界面训练子模块，用于依据由所述样本中心线图像和所述样本稀疏点速度构成的样本数据，由所述测量压力场和所述测量血流速度构成的标签数据，以及所述界面损失函数对所述初始冠状动脉血流模型的界面参数进行训练。
参照图5，示出了本申请一实施例提供的一种血流储备分数的计算装置，包括：
目标获取模块410，用于获取目标冠状动脉的目标断层扫描图像和在目标稀疏点处的目标稀疏点速度；
目标提取模块420，用于依据所述目标断层扫描图像，确定所述目标冠状动脉的目标中心线图像；
模型输入模块430，用于将所述目标中心线图像和所述目标稀疏点速度输入冠状动脉血流模型，获得所述目标冠状动脉的目标压力场；其中，所述冠状动脉血流模型为如权利要求1-5任一项所述的训练完成的冠状动脉血流模型；
目标计算模块440，用于依据所述目标压力场，确定所述目标冠状动脉在所述目标稀疏点处的血流储备分数。
参照图6，示出了本申请的一种计算机设备，所述计算机设备12以通用计算设备的形式表现；所述计算机设备12包括：一个或者多个处理器或者处理单元16、内存28和连接不同系统组件(包括内存28和处理单元16)的总线18。
总线18可以是几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、音视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
内存28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器30和/或高速缓存存储器32。计算机设备12可以进一步包括其他移动/不可移动的、易失性/非易失性计算机体统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(通常称为“硬盘驱动器”)。尽管图6中未示出，可以提供用于对可移动非易失性磁盘(如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM，DVD-ROM或者其他光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质界面与总线18相连。存储器可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块42，这些程序模块42被配置以执行本申请各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器中，这样的程序模块42包括操作系统、一个或者多个应用程序、其他程序模块42以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本申请所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24、摄像头等)通信，还可与一个或者多个使得操作人员能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其他计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过I/O接口22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN))，广域网(WAN)和/或公共网络(例如因特网)通信。如图6所示，网络适配器20通过总线18与计算机设备12的其他模块通信。应当明白，尽管图6中未示出，可以结合计算机设备12使用其他硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元16、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统34等。
处理单元16通过运行存储在内存28中的程序，从而执行各种功能应用以及数据处理，例如实现本申请任一实施例提供的一种冠状动脉血流模型的训练方法和一种血流储备分数的计算方法。
也即，上述处理单元16执行上述程序时可以实现：获取样本冠状动脉的样本断层扫描图像、测量压力场和测量血流速度；其中，所述测量血流速度包括在样本稀疏点处的样本稀疏点速度；依据所述样本断层扫描图像，确定所述样本冠状动脉的样本中心线图像；依据由所述样本中心线图像和所述样本稀疏点速度构成的样本数据，由所述测量压力场和所述测量血流速度构成的标签数据，以及预设的模型损失函数对初始冠状动脉血流模型进行训练，获得训练完成的冠状动脉血流模型；和，获取目标冠状动脉的目标断层扫描图像和在目标稀疏点处的目标稀疏点速度；依据所述目标断层扫描图像，确定所述目标冠状动脉的目标中心线图像；将所述目标中心线图像和所述目标稀疏点速度输入冠状动脉血流模型，获得所述目标冠状动脉的目标压力场；其中，所述冠状动脉血流模型为如上述任一实施例所述的训练完成的冠状动脉血流模型；依据所述目标压力场，确定所述目标冠状动脉在所述目标稀疏点处的血流储备分数。
在本申请一实施例中，还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现本申请任一实施例提供的一种冠状动脉血流模型的训练方法和一种血流储备分数的计算方法。
也即，该程序被处理器执行时可以实现：获取样本冠状动脉的样本断层扫描图像、测量压力场和测量血流速度；其中，所述测量血流速度包括在样本稀疏点处的样本稀疏点速度；依据所述样本断层扫描图像，确定所述样本冠状动脉的样本中心线图像；依据由所述样本中心线图像和所述样本稀疏点速度构成的样本数据，由所述测量压力场和所述测量血流速度构成的标签数据，以及预设的模型损失函数对初始冠状动脉血流模型进行训练，获得训练完成的冠状动脉血流模型；和，获取目标冠状动脉的目标断层扫描图像和在目标稀疏点处的目标稀疏点速度；依据所述目标断层扫描图像，确定所述目标冠状动脉的目标中心线图像；将所述目标中心线图像和所述目标稀疏点速度输入冠状动脉血流模型，获得所述目标冠状动脉的目标压力场；其中，所述冠状动脉血流模型为如上述任一实施例所述的训练完成的冠状动脉血流模型；依据所述目标压力场，确定所述目标冠状动脉在所述目标稀疏点处的血流储备分数。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质可以是电、磁、光、电磁、红外线或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言，例如Java、Smalltalk、C++，还包括常规的过程式程序设计语言，例如“C”语言或类似的程序设计语言。程序代码可以完全地在操作人员计算机上执行、部分地在操作人员计算机上执行、作为一个独立的软件包执行、部分在操作人员计算机上部分在远程计算机上执行或者完全在远程计算机或者服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到操作人员计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。本说明书中的各个实施例均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的部分互相参见即可。
尽管已描述了本申请实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本申请所提供的一种模型训练方法、血流储备分数计算方法、装置及设备，进行了详细介绍，本文中应用了具体个例对本申请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申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，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申请的限制。

Claims (10)

1.一种冠状动脉血流模型的训练方法，其特征在于，包括：
获取样本冠状动脉的样本断层扫描图像、测量压力场和测量血流速度；其中，所述测量血流速度包括在样本稀疏点处的样本稀疏点速度；
依据所述样本断层扫描图像，确定所述样本冠状动脉的样本中心线图像；
依据由所述样本中心线图像和所述样本稀疏点速度构成的样本数据，由所述测量压力场和所述测量血流速度构成的标签数据，以及预设的模型损失函数对初始冠状动脉血流模型进行训练，获得训练完成的冠状动脉血流模型。
2.根据权利要求1所述的训练方法，其特征在于，所述依据所述样本断层扫描图像，确定所述样本冠状动脉的样本中心线图像的步骤，包括：
依据所述样本断层扫描图像，确定所述样本冠状动脉的起始点、终止点和路径点；
依据所述起始点、所述终止点和所述路径点，生成所述样本冠状动脉的初始中心线图像；
依据所述样本断层扫描图像对所述初始中心线图像进行修正，得到所述样本中心线图像。
3.根据权利要求1所述的训练方法，其特征在于，所述模型损失函数包括测量损失函数；所述依据由所述样本中心线图像和所述样本稀疏点速度构成的样本数据，由所述测量压力场和所述测量血流速度构成的标签数据，以及预设的模型损失函数对初始冠状动脉血流模型进行训练的步骤，包括：
依据由所述样本中心线图像和所述样本稀疏点速度构成的样本数据，由所述测量压力场和所述测量血流速度构成的标签数据，以及所述测量损失函数对所述初始冠状动脉血流模型的测量参数进行训练。
4.根据权利要求3所述的训练方法，其特征在于，所述模型损失函数还包括残余损失函数；所述依据由所述样本中心线图像和所述样本稀疏点速度构成的样本数据，由所述测量压力场和所述测量血流速度构成的标签数据，以及预设的模型损失函数对初始冠状动脉血流模型进行训练的步骤，还包括：
依据由所述样本中心线图像和所述样本稀疏点速度构成的样本数据，由所述测量压力场和所述测量血流速度构成的标签数据，以及所述残余损失函数对所述初始冠状动脉血流模型的残余参数进行训练。
5.根据权利要求3所述的训练方法，其特征在于，所述模型损失函数还包括界面损失函数；所述依据由所述样本中心线图像和所述样本稀疏点速度构成的样本数据，由所述测量压力场和所述测量血流速度构成的标签数据，以及预设的模型损失函数对初始冠状动脉血流模型进行训练的步骤，还包括：
依据由所述样本中心线图像和所述样本稀疏点速度构成的样本数据，由所述测量压力场和所述测量血流速度构成的标签数据，以及所述界面损失函数对所述初始冠状动脉血流模型的界面参数进行训练。
6.一种血流储备分数的计算方法，其特征在于，包括：
获取目标冠状动脉的目标断层扫描图像和在目标稀疏点处的目标稀疏点速度；
依据所述目标断层扫描图像，确定所述目标冠状动脉的目标中心线图像；
将所述目标中心线图像和所述目标稀疏点速度输入冠状动脉血流模型，获得所述目标冠状动脉的目标压力场；其中，所述冠状动脉血流模型为如权利要求1-5任一项所述的训练完成的冠状动脉血流模型；
依据所述目标压力场，确定所述目标冠状动脉在所述目标稀疏点处的血流储备分数。
7.一种冠状动脉血流模型的训练装置，其特征在于，包括：
样本获取模块，用于获取样本冠状动脉的样本断层扫描图像、测量压力场和测量血流速度；其中，所述测量血流速度包括在样本稀疏点处的样本稀疏点速度；
样本提取模块，用于依据所述样本断层扫描图像，确定所述样本冠状动脉的样本中心线图像；
模型训练模块，用于依据由所述样本中心线图像和所述样本稀疏点速度构成的样本数据，由所述测量压力场和所述测量血流速度构成的标签数据，以及预设的模型损失函数对初始冠状动脉血流模型进行训练，获得训练完成的冠状动脉血流模型。
8.一种血流储备分数的计算装置，其特征在于，包括：
目标获取模块，用于获取目标冠状动脉的目标断层扫描图像和在目标稀疏点处的目标稀疏点速度；
目标提取模块，用于依据所述目标断层扫描图像，确定所述目标冠状动脉的目标中心线图像；
模型输入模块，用于将所述目标中心线图像和所述目标稀疏点速度输入冠状动脉血流模型，获得所述目标冠状动脉的目标压力场；其中，所述冠状动脉血流模型为如权利要求1-5任一项所述的训练完成的冠状动脉血流模型；
目标计算模块，用于依据所述目标压力场，确定所述目标冠状动脉在所述目标稀疏点处的血流储备分数。
9.一种计算机设备，其特征在于，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至6任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的方法。
CN202310514519.0A 2023-05-08 2023-05-08 一种模型训练方法、血流储备分数计算方法、装置及设备 Pending CN116486211A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310514519.0A CN116486211A (zh) 2023-05-08 2023-05-08 一种模型训练方法、血流储备分数计算方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310514519.0A CN116486211A (zh) 2023-05-08 2023-05-08 一种模型训练方法、血流储备分数计算方法、装置及设备

Publications (1)

Publication Number Publication Date
CN116486211A true CN116486211A (zh) 2023-07-25

Family

ID=87215640

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310514519.0A Pending CN116486211A (zh) 2023-05-08 2023-05-08 一种模型训练方法、血流储备分数计算方法、装置及设备

Country Status (1)

Country Link
CN (1) CN116486211A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116777010A (zh) * 2023-08-25 2023-09-19 之江实验室 一种模型训练的方法以及任务执行方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116777010A (zh) * 2023-08-25 2023-09-19 之江实验室 一种模型训练的方法以及任务执行方法及装置
CN116777010B (zh) * 2023-08-25 2023-12-19 之江实验室 一种模型训练的方法以及任务执行方法及装置

Similar Documents

Publication Publication Date Title
US20210358634A1 (en) Systems and methods for image processing to determine blood flow
US10580526B2 (en) System and method for calculating vessel flow parameters based on angiography
US20230360803A1 (en) Methods and systems for predicting sensitivity of blood flow calculations to changes in anatomical geometry
RU2717885C1 (ru) Оценка потока, сопротивления или давления на основании измерений давления или потока и ангиографии
Casas et al. Bridging the gap between measurements and modelling: a cardiovascular functional avatar
WO2022166281A1 (zh) 血流动力学指标数据的处理方法和系统
CN108665449B (zh) 预测血流矢量路径上的血流特征的深度学习模型及装置
JP2015097759A (ja) 血管解析装置、および血管解析方法
Töger et al. Hemodynamic forces in the left and right ventricles of the human heart using 4D flow magnetic resonance imaging: Phantom validation, reproducibility, sensitivity to respiratory gating and free analysis software
CN110786842B (zh) 测量舒张期血流速度的方法、装置、系统及存储介质
CN112384136A (zh) 基于造影图像获取血管评定参数的方法、装置及系统
CN110786841A (zh) 基于微循环阻力指数调节最大充血状态流速的方法及装置
CN116486211A (zh) 一种模型训练方法、血流储备分数计算方法、装置及设备
Ralovich et al. Noninvasive hemodynamic assessment, treatment outcome prediction and follow‐up of aortic coarctation from MR imaging
CN113365552A (zh) 冠状动脉中的血液动力学参数的患者特定的建模
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
CN116013533A (zh) 冠脉的血流动力学评估模型的训练方法、评估方法及系统
CN112446499A (zh) 改进用于自动量化冠状动脉疾病的机器学习模型的性能
CN117838177A (zh) 一种基于图神经网络的血流储备分数估计方法及装置
CN112419308B (zh) 斑块评估方法、装置、电子设备及存储介质
CN117594244A (zh) 血流参数的评估方法、装置、计算机设备、介质和产品
CN116805535A (zh) 一种ct血管肺动脉血流储备分数的预测方法及装置
CN117064413A (zh) 一种基于肺循环模型无创计算血流储备分数的方法
CN111084631A (zh) 一种timi心肌灌注帧数获取方法、介质及电子设备

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
CB03 Change of inventor or designer information

Inventor after: Gao Zhifan

Inventor after: Liu Yi

Inventor after: Xue Xiaofei

Inventor after: Xie Baihong

Inventor after: Zhang Heye

Inventor after: Liu Xiujian

Inventor before: Gao Zhifan

Inventor before: Liu Yi

Inventor before: Xue Xiaofei

Inventor before: Xie Baihong

Inventor before: Zhang Heye

Inventor before: Liu Xiujian

CB03 Change of inventor or designer information