CN116564525A - 基于冠脉血流量分配的血流储备分数预测方法和系统 - Google Patents
基于冠脉血流量分配的血流储备分数预测方法和系统 Download PDFInfo
- Publication number
- CN116564525A CN116564525A CN202310833815.7A CN202310833815A CN116564525A CN 116564525 A CN116564525 A CN 116564525A CN 202310833815 A CN202310833815 A CN 202310833815A CN 116564525 A CN116564525 A CN 116564525A
- Authority
- CN
- China
- Prior art keywords
- flow
- vessel
- blood
- node
- bifurcation
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000017531 blood circulation Effects 0.000 title claims abstract description 35
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 75
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 208000031481 Pathologic Constriction Diseases 0.000 claims description 38
- 230000036262 stenosis Effects 0.000 claims description 38
- 208000037804 stenosis Diseases 0.000 claims description 38
- 238000005070 sampling Methods 0.000 claims description 34
- 238000011144 upstream manufacturing Methods 0.000 claims description 22
- 230000002792 vascular Effects 0.000 claims description 20
- 230000011218 segmentation Effects 0.000 claims description 10
- 230000002966 stenotic effect Effects 0.000 claims description 10
- 206010052664 Vascular shunt Diseases 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 239000008280 blood Substances 0.000 claims description 7
- 230000036772 blood pressure Effects 0.000 claims description 7
- 210000004369 blood Anatomy 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 abstract description 2
- 238000005259 measurement Methods 0.000 description 3
- 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
- 238000010586 diagram Methods 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000002126 C01EB10 - Adenosine Substances 0.000 description 1
- 229960005305 adenosine Drugs 0.000 description 1
- 230000000172 allergic effect Effects 0.000 description 1
- 208000010668 atopic eczema Diseases 0.000 description 1
- 238000002586 coronary angiography Methods 0.000 description 1
- 210000004351 coronary vessel Anatomy 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000002608 intravascular ultrasound Methods 0.000 description 1
- 230000003907 kidney function Effects 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 230000003908 liver function Effects 0.000 description 1
- 230000002107 myocardial effect Effects 0.000 description 1
- 208000031225 myocardial ischemia Diseases 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000304 vasodilatating effect Effects 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30172—Centreline of tubular or elongated structure
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种基于冠脉血流量分配的血流储备分数预测方法及系统，包括：采用获取患者心脏医学影像和特征参数；将获取的心脏医学影像中的管腔轮廓进行分割；并将分割后的冠脉树转为有向图；根据特征参数和有向图结构，由有向图的根节点开始，依次为每条边分配血流；计算目标血管的各个边和分叉节点的压力损失，获取目标血管上的压力分布，计算血流储备分数。利用有向图结构和特征参数，根据有向图的结构进行详细的血流分配，基于精确血流分配和降维模型计算血流储备分数，无需额外的介入手术，计算速度快，精度高，降低患者检查的风险和费用，方法便捷。
Description
技术领域
本发明涉及医学影像处理技术领域，尤其涉及一种基于冠脉血流量分配的血流储备分数预测方法及系统。
背景技术
血流储备分数(Fractional Flow Reserve简称FFR)是指冠状动脉在发生病变时和理论上未发生病变时给其对应心肌区域供应的最大血流量之比。经过大量的科学研究和临床试验证明，FFR可以准确评价患者心肌缺血严重程度，在临床实践中作为一项功能学评价指标指导是否需要冠脉介入治疗，以及进行术后评价。但FFR测量前需要注射腺苷等血管扩张药物使血管达到最大充血状态，对此类药物过敏或者肝肾功能有缺失的患者无法进行FFR测量，且FFR属于侵入式检查，存在一定风险。此外，FFR测量所需的压力导丝造价较高，增加了病患负担，故目前FFR并未在临床检查中普及。
为解决上述FFR缺点，相关研究者开发出通过医学图像计算FFR的方法。目前已公开的通过医学图像计算FFR的方法多基于流体力学仿真，这种方法计算时间较长，临床应用性较差；此外，基于深度学习的方法受限于数据集，多利用流体力学仿真结果进行训练，精确度受限；而基于降维流体力学模型的方法通常假设血管段整体流量不发生改变，计算出的FFR存在偏差。例如：公开号为CN114972677A和公开号为CN110477877B的专利公开了一种根据子血管半径或面积进行流量分配的方法，但没有考虑病变血管对流量的影响，因此，得到的结果精确度欠佳。
发明内容
因此，本发明的目的在于提供一种基于冠脉血流量分配的血流储备分数预测方法及系统，在流量分配中过程中引入了狭窄血管的作用，在此基础上利用降维流体力学模型计算FFR，该方法计算速度快，结果精确。
为了实现上述目的，本发明提供的一种基于冠脉血流量分配的血流储备分数预测方法，包括以下步骤：
S1、获取多帧连续的患者心脏医学影像和特征参数；
S2、将获取的心脏医学影像中的每帧管腔轮廓进行分割；将分割后的冠脉树转为有向图，其中，/>为图的节点；/>表示图的边；
S3、根据特征参数和有向图结构，由有向图的根节点开始，依次为每条边分配血流；
S4、计算目标血管的各个边和分叉节点的压力损失，获取目标血管上的压力分布，计算血流储备分数。
进一步优选的，在S1中，所述医学影像包括腔内影像和腔外影像，所述特征参数包括冠脉开口血压、流量以及心脏优势型。
可选的，在S2中，所述医学影像为腔内影像时，管腔轮廓的分割后形成有向图的过程包括：
将腔内影像序列起始帧作为根节点，最后帧作为终止节点，确认分叉帧作为分叉节点；
两分叉帧间图像、起始帧和与起始帧相邻的分叉帧间图像、终止帧和与终止帧相邻的分叉帧间图像组成有向图中的边；
提取有向图的边的特征，所述边的特征包括图片帧的索引、该帧处血管的真实面积、真实半径、参考半径、面积、参考面积和狭窄程度；
可选的，在S2中，所述医学影像为腔外影像时，管腔轮廓的分割后形成有向图的过程包括：
根据影像中血管的整体轮廓，提取血管中心线；
将中心线起始点作为根节点，终止点作为终止节点，分叉点作为分叉节点；
两分叉节点间中心线、根节点和相邻分叉节点间中心线、终止节点和相邻分叉节点间中心线作为有向图的边；在有向图的边上等间隔选取采样点，提取采样点的特征，所述特征包括采样点的索引、采样点处血管的真实半径、参考半径、真实面积、参考面积和狭窄程度。
进一步，还包括根据分割结果计算任意采样点处的参考半径，所述参考半径采用如下公式计算得出，设目标血管段上共有n个采样点，则第i个采样点处的参考半径为：
其中，服从正态分布，/>，/>为任意一条边上半径特征的最大值，/>表示两采样点间实际距离，rj为第j个采样点处的真实半径。
进一步优选的，还包括根据参考半径，采用如下公式计算狭窄程度。
进一步优选的，在S3中，所述为每条边分配血流包括以下步骤：
S301、根据特征参数，确定目标血管入口流量；
S302、将采样点的狭窄程度与预设的狭窄阈值进行比较，判断是否存在狭窄，并根据狭窄类型确定分流系数；
S303、定义每个分叉节点相邻的血管为上游血管、下游血管和分叉血管；根据分流系数，按照如下公式分配各血管流量：
下游血管流量；
分叉血管流量；
其中，为上游血管流量，/>为下游血管分流系数，/>为分叉血管分流系数；
进一步优选的，所述血流储备分数按照如下公式计算：
；
其中，表示各边所有血管段的压降和所有分叉节点的压力损失之和，/>表示各边所有血管段的压降之和，/>表示各边所有正常血管段的压降之和；/>表示各边所有狭窄血管段的压降之和，/>表示所有分叉节点的压力损失，P表示冠脉开口血压。
进一步优选的，所述各个分叉节点的压力损失按照如下公式计算：
；
正常血管段的压降之和，按照如下公式计算：
；
狭窄血管段的压降之和，按照如下公式计算：
；
其中，为上游血管出口血管面积，/>为下游血管入口血管面积，为分叉血管入口血管面积；/>为上游血管流量，/>下游血管流量，/>为分叉血管流量；
为血液黏度；/>为血液密度；/>为该段平均管腔面积；/>为正常血管段入口面积，为正常血管段出口面积，/>为边的血流量；
为狭窄血管段长度；/>为狭窄程度最大处对应的血管半径；/>为狭窄程度最大处对应的血管面积，/>为狭窄程度最大处对应的参考血管半径，/>为狭窄程度最大处对应的血管参考面积。
本申请还提供一种基于冠脉血流量分配的血流储备分数预测系统，用于实施上述基于冠脉血流量分配的血流储备分数预测方法，包括：
数据获取模块，用于获取多帧连续的患者心脏医学影像和特征参数；
图像处理模块，用于将获取的心脏医学影像中的每帧管腔轮廓进行分割；将分割后的冠脉树转为有向图，其中，/>为图的节点；/>表示图的边；
FFR计算模块，根据特征参数和有向图结构，由有向图的根节点开始，依次为每条边分配血流；计算目标血管的各个边和分叉节点的压力损失，获取目标血管上的压力分布，计算血流储备分数。
本申请公开的基于冠脉血流量分配的血流储备分数预测方法及系统，相比于现有技术，至少具有以下优点：利用获取的图像进行有向图的构建，利用有向图结构和特征参数，根据有向图的结构进行详细的血流分配，基于精确血流分配和降维模型计算血流储备分数，无需额外的介入手术，计算速度快，精度高，降低患者检查的风险和费用，方法便捷。
附图说明
图1为本发明提出的基于冠脉血流量分配的血流储备分数计算方法。
图2为本发明一个实施例提供的冠脉树有向图示意图。
图3为本发明另一个实施例提供的冠脉树有向图示意图。
图4为本发明一个实施例提供半径，参考半径和狭窄程度示意图。
图5为本发明提出的血管和血流划分示意图。
图6为本发明提出的基于冠脉血流量分配的血流储备分数计算系统。
具体实施方式
以下通过附图和具体实施方式对本发明作进一步的详细说明。
如图1所示，本发明一方面实施例提供的一种基于冠脉血流量分配的血流储备分数预测方法，包括以下步骤：
S1、获取患者心脏医学影像和特征参数；在S1中，所述医学影像可以是腔内影像，也可以是腔外影像，所述特征参数包括冠脉开口血压、流量以及心脏优势型；
其中，腔内影像包括IVOCT、IVUS；腔外影像包括CTA、冠脉造影等；所述冠脉开口血压和流量可以测量或者根据经验值设定，心脏优势型由医生观察后输入。
S2、将获取的心脏医学影像中的管腔轮廓进行分割；将分割后的冠脉树转为有向图，其中，/>为图的节点；/>表示图的边；
如图2所示，在S2的一个实施例中，所述医学影像为腔内影像时，管腔轮廓分割后形成有向图的过程包括：
将腔内影像序列起始帧作为根节点，最后帧作为终止节点，确认分叉帧作为分叉节点；
两分叉帧间图像、起始帧和与起始帧相邻的分叉帧间图像、终止帧和与终止帧相邻的分叉帧间图像组成有向图中的边；
提取有向图的边的特征，每条边的特征由其上图像帧计算得到，所述特征包括图片帧的索引、该帧处血管的真实面积、真实半径、参考半径、参考面积和狭窄程度，其中管腔真实面积由分割结果计算得到，根据管腔面积/>计算真实半径，/>，参考半径、参考面积以及狭窄程度的计算后文详细描述；
如图3所示，在S2的另一个实施例中，所述医学影像为腔外影像时，管腔轮廓分割后形成有向图的过程包括：
根据影像中血管的整体轮廓提取血管中心线；将中心线起始点作为根节点，终止点作为终止节点，分叉点作为分叉节点；两分叉节点间中心线、根节点和相邻分叉节点间中心线、终止节点和相邻分叉节点间中心线作为有向图的边；
在有向图的边上等间隔选取采样点，提取采样点的特征，所述特征包括采样点的索引、采样点处血管的真实半径、参考半径、真实面积、参考面积和狭窄程度，其中真实半径r由该采样点到轮廓的最短距离得到。计算每个采样点处血管真实半径，根据真实半径计算所述采样点处血管管腔真实面积/>，/>，参考半径、参考面积以及狭窄程度的计算后文详细描述。
图2-3中：V0为根节点，V5、V6、V7、V8、V9为终止节点，V1、V2、V3、V4为分叉节点。
S3、根据特征参数和有向图结构，由有向图的根节点开始，依次为每条边分配血流；
在上述任意一项实施例分割的基础之上，对于一条边，其参考半径由其半径特征计算得到，包括根据分割结果计算任意采样点处的参考半径，所述参考半径采用如下公式计算得出，设目标血管段上共有n个采样点，则第i个采样点处的参考半径/>为：
其中，服从正态分布，/>，/>为任意一条边上半径特征的最大值，/>表示两采样点间实际距离，rj为第j个采样点处的真实半径。
该采样点处参考面积；
该采样点处狭窄程度；
进一步优选的，在S3中，所述为每条边分配血流包括以下步骤：
S301、根据特征参数，确定目标血管入口流量；
S302、将采样点的狭窄程度与预设的狭窄阈值进行比较，判断是否存在狭窄，并根据狭窄类型确定分流系数；
S303、定义每个分叉节点相邻的血管为上游血管、下游血管和分叉血管；根据分流系数，按照如下公式分配各血管流量：
下游血管流量；
分叉血管流量；
其中，为上游血管流量，若该分叉节点相邻的上游节点为根节点，则上游血管流量等于血管入口流量，否则上游血管流量等于相邻上游节点对应的下游血管流量，/>为下游血管分流系数，/>为分叉血管分流系数。
本实施例中：根据特征参数若患者为右优势型，则左冠脉入口流量=157ml/min，右冠脉入口流量=113ml/min；若为左优势型，则左冠脉入口流量=209ml/min，右冠脉入口流量=61ml/min。确定目标血管入口流量后，根据血管的半径特征为各个边分配血流。对于一个边，若其上采样点狭窄程度/>均小于狭窄阈值/>，则该边分流系数/>，其中/>为该边半径特征的平均值，/>可选范围为2.3-3，本例中为3；若其上采样点狭窄程度有大于狭窄阈值/>的部分，则定义该边存在狭窄，该边分流系数/>，/>为该边狭窄程度最大处对应的血管半径。本例中，狭窄阈值/>，狭窄段划分示意图如图4所示。确定分流系数后，定义每个分叉节点相邻的三个血管分别为上游血管、下游血管和分叉血管，如图5所示，则下游血管流量/>，分叉血管流量/>，其中/>为上游血管流量，/>为下游血管分流系数，/>为分叉血管分流系数。
S4、计算目标血管的各个边和分叉节点的压力损失，获取目标血管上的压力分布，计算血流储备分数。
所述血流储备分数按照如下公式计算：
；
其中，表示各边所有血管段的压降和所有分叉节点的压力损失之和，/>表示各边所有血管段的压降之和，/>表示各边所有正常血管段的压降之和；/>表示各边所有狭窄血管段的压降之和，/>表示所有分叉节点的压力损失，P表示冠脉开口血压。
进一步优选的，所述各个分叉节点的压力损失按照如下公式计算：
；
对于有向图中的一个边，其上采样点狭窄程度小于狭窄阈值的血管段为正常血管段，正常血管段的压降之和，按照如下公式计算：
；
该边上采样点狭窄程度大于狭窄阈值的血管段为狭窄血管段，狭窄血管段的压降之和，按照如下公式计算：
；
其中，为上游血管出口血管面积，/>为下游血管入口血管面积，为分叉血管入口血管面积；/>为上游血管流量，/>下游血管流量，/>为分叉血管流量；
为血液黏度；/>为血液密度；/>为该段平均管腔面积；/>为正常血管段入口面积，为正常血管段出口面积，/>为该边血流量；
为狭窄血管段长度；/>为狭窄程度最大处对应的血管半径；/>为狭窄程度最大处对应的血管面积，/>为狭窄程度最大处对应的参考血管半径，/>为狭窄程度最大处对应的血管参考面积。
如图5所示，本申请还提供一种基于冠脉血流量分配的血流储备分数预测系统，用于实施上述基于冠脉血流量分配的血流储备分数预测方法，包括：
数据获取模块，用于获取患者心脏医学影像和特征参数；
图像处理模块，用于将获取的心脏医学影像中的管腔轮廓进行分割；将分割后的冠脉树转为有向图，其中，/>为图的节点；/>表示图的边；
FFR计算模块，根据特征参数和有向图结构，由有向图的根节点开始，依次为每条边分配血流；计算目标血管的各个边和分叉节点的压力损失，获取目标血管上的压力分布，计算血流储备分数。具体计算过程参考上述方法实施例，在此不再赘述。
显然，上述实施例仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种基于冠脉血流量分配的血流储备分数预测方法，其特征在于，包括以下步骤：
S1、获取患者心脏医学影像和特征参数；
S2、将获取的心脏医学影像中的管腔轮廓进行分割；将分割后的冠脉树转为有向图，其中，/>为图的节点；/>表示图的边；
S3、根据特征参数和有向图结构，由有向图的根节点开始，依次为每条边分配血流；
S4、计算目标血管各个边和分叉节点的压力损失，获取目标血管上的压力分布，计算血流储备分数。
2.根据权利要求1所述的基于冠脉血流量分配的血流储备分数预测方法，其特征在于，在S1中，所述医学影像包括腔内影像和腔外影像，所述特征参数包括冠脉开口血压、流量以及心脏优势型。
3.根据权利要求2所述的基于冠脉血流量分配的血流储备分数预测方法，其特征在于，在S2中，所述医学影像为腔内影像时，管腔轮廓分割后形成有向图的过程包括：
将腔内影像序列起始帧作为根节点，最后帧作为终止节点，确认分叉帧作为分叉节点；
两分叉帧间图像、起始帧和与起始帧相邻的分叉帧间图像、终止帧和与终止帧相邻的分叉帧间图像组成有向图中的边；
提取有向图的边的特征，所述边的特征包括图片帧的索引、该帧处血管的真实面积、真实半径、参考半径、参考面积和狭窄程度。
4.根据权利要求2所述的基于冠脉血流量分配的血流储备分数预测方法，其特征在于，在S2中，所述医学影像为腔外影像时，管腔轮廓分割后形成有向图的过程包括：
根据影像中血管的整体轮廓提取血管中心线；
将中心线起始点作为根节点，终止点作为终止节点，分叉点作为分叉节点；
两分叉节点间中心线、根节点和相邻分叉节点间中心线、终止节点和相邻分叉节点间中心线作为有向图的边；在有向图的边上等间隔选取采样点，提取采样点的特征，所述特征包括采样点的索引、采样点处血管的真实半径、参考半径、真实面积、参考面积和狭窄程度。
5.根据权利要求3或4所述的基于冠脉血流量分配的血流储备分数预测方法，其特征在于，还包括根据分割结果计算任意采样点处的参考半径，所述参考半径采用如下公式计算得出，设目标血管段上共有n个采样点，则第i个采样点处的参考半径为：
其中，服从正态分布，/>，/>为任意一条边上半径特征的最大值，/>表示两采样点间实际距离，rj为第j个采样点处的真实半径。
6.根据权利要求5所述的基于冠脉血流量分配的血流储备分数预测方法，其特征在于，还包括根据参考半径，采用如下公式计算狭窄程度。
7.根据权利要求5所述的基于冠脉血流量分配的血流储备分数预测方法，其特征在于，在S3中，所述为每条边分配血流包括以下步骤：
S301、根据特征参数，确定目标血管入口流量；
S302、将采样点的狭窄程度与预设的狭窄阈值进行比较，判断是否存在狭窄，并根据狭窄类型确定分流系数；
S303、定义每个分叉节点相邻的血管为上游血管、下游血管和分叉血管；根据分流系数，按照如下公式分配各血管流量：
下游血管流量；
分叉血管流量；
其中，为上游血管流量，若该分叉节点相邻的上游节点为根节点，则上游血管流量等于血管入口流量，否则上游血管流量等于相邻上游节点对应的下游血管流量，/>为下游血管分流系数，/>为分叉血管分流系数。
8.根据权利要求1所述的基于冠脉血流量分配的血流储备分数预测方法，其特征在于，所述血流储备分数按照如下公式计算：
其中，表示各边所有血管段的压降和所有分叉节点的压力损失之和，/>表示各边所有血管段的压降之和，/>表示各边所有正常血管段的压降之和；/>表示各边所有狭窄血管段的压降之和，/>表示所有分叉节点的压力损失，P表示冠脉开口血压。
9.根据权利要求8所述的基于冠脉血流量分配的血流储备分数预测方法，其特征在于，所述各个分叉节点的压力损失按照如下公式计算：
正常血管段的压降之和按照如下公式计算：
狭窄血管段的压降之和按照如下公式计算：
其中，为上游血管出口血管面积，/>为下游血管入口血管面积，/>为分叉血管入口血管面积；/>为上游血管流量，/>下游血管流量，/>为分叉血管流量；/>为血液密度；
为血液黏度；/>为该段平均管腔面积；/>为正常血管段入口面积，/>为正常血管段出口面积，/>为边的血流量；
为狭窄血管段长度；/>为狭窄程度最大处对应的血管半径；/>为狭窄程度最大处对应的血管面积，/>为狭窄程度最大处对应的参考血管半径，/>为狭窄程度最大处对应的血管参考面积。
10.一种基于冠脉血流量分配的血流储备分数预测系统，其特征在于，用于实施上述权利要求1-8中任意一项所述的基于冠脉血流量分配的血流储备分数预测方法，包括：
数据获取模块，用于获取患者心脏医学影像和特征参数；
图像处理模块，用于将获取的心脏医学影像中的管腔轮廓进行分割；将分割后的冠脉树转为有向图，其中，/>为图的节点；/>表示图的边；
FFR计算模块，根据特征参数和有向图结构，由有向图的根节点开始，依次为每条边分配血流；计算目标血管的各个边和分叉节点的压力损失，获取目标血管上的压力分布，计算血流储备分数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310833815.7A CN116564525B (zh) | 2023-07-10 | 2023-07-10 | 基于冠脉血流量分配的血流储备分数预测方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310833815.7A CN116564525B (zh) | 2023-07-10 | 2023-07-10 | 基于冠脉血流量分配的血流储备分数预测方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116564525A true CN116564525A (zh) | 2023-08-08 |
| CN116564525B CN116564525B (zh) | 2023-09-26 |
Family
ID=87502237
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310833815.7A Active CN116564525B (zh) | 2023-07-10 | 2023-07-10 | 基于冠脉血流量分配的血流储备分数预测方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116564525B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170258433A1 (en) * | 2016-03-10 | 2017-09-14 | Siemens Healthcare Gmbh | Method and System for Extracting Centerline Representation of Vascular Structures in Medical Images Via Optimal Paths in Computational Flow Fields |
| CN108922580A (zh) * | 2018-05-25 | 2018-11-30 | 杭州脉流科技有限公司 | 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 |
| CN109288537A (zh) * | 2018-11-01 | 2019-02-01 | 杭州晟视科技有限公司 | 评估血流储备分数的系统、方法、设备及存储介质 |
| CN112423660A (zh) * | 2018-05-17 | 2021-02-26 | 伦敦健康科学中心研究公司 | 动态血管造影成像 |
| CN113499090A (zh) * | 2021-05-21 | 2021-10-15 | 杭州脉流科技有限公司 | 冠状动脉血流储备分数得到方法、装置、计算机设备和存储介质 |
| CN113902690A (zh) * | 2021-09-24 | 2022-01-07 | 杭州脉流科技有限公司 | 基于血管腔内影像计算血流储备分数的方法、装置、计算设备以及存储介质 |
| CN116030968A (zh) * | 2023-02-10 | 2023-04-28 | 复旦大学附属中山医院 | 一种基于血管内超声影像的血流储备分数预测方法和装置 |
-
2023
- 2023-07-10 CN CN202310833815.7A patent/CN116564525B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170258433A1 (en) * | 2016-03-10 | 2017-09-14 | Siemens Healthcare Gmbh | Method and System for Extracting Centerline Representation of Vascular Structures in Medical Images Via Optimal Paths in Computational Flow Fields |
| CN112423660A (zh) * | 2018-05-17 | 2021-02-26 | 伦敦健康科学中心研究公司 | 动态血管造影成像 |
| CN108922580A (zh) * | 2018-05-25 | 2018-11-30 | 杭州脉流科技有限公司 | 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 |
| CN109288537A (zh) * | 2018-11-01 | 2019-02-01 | 杭州晟视科技有限公司 | 评估血流储备分数的系统、方法、设备及存储介质 |
| CN113499090A (zh) * | 2021-05-21 | 2021-10-15 | 杭州脉流科技有限公司 | 冠状动脉血流储备分数得到方法、装置、计算机设备和存储介质 |
| CN113902690A (zh) * | 2021-09-24 | 2022-01-07 | 杭州脉流科技有限公司 | 基于血管腔内影像计算血流储备分数的方法、装置、计算设备以及存储介质 |
| CN116030968A (zh) * | 2023-02-10 | 2023-04-28 | 复旦大学附属中山医院 | 一种基于血管内超声影像的血流储备分数预测方法和装置 |
Non-Patent Citations (2)
| Title |
|---|
| CHENGLAN WANG ET AL.: "Calculation of coronary artery non-invasive blood flow reserve fraction based on combination of digital and analog", 《2021 36TH YOUTH ACADEMIC ANNUAL CONFERENCE OF CHINESE ASSOCIATION OF AUTOMATION (YAC)》, pages 512 - 516 * |
| 黄家祥等: "冠脉树三维重建中血管段的匹配", 《光电子•激光》, vol. 14, no. 10, pages 1113 - 1117 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116564525B (zh) | 2023-09-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11707196B2 (en) | Automated measurement system and method for coronary artery disease scoring | |
| US20240099590A1 (en) | Lumen Morphology And Vascular Resistance Measurements Data Collection Systems Apparatus And Methods | |
| JP7039442B2 (ja) | 血管モデルの作成方法 | |
| JP7481483B2 (ja) | 血管の中心線を精密に抽出する方法、装置、分析システム、及び記憶媒体 | |
| EP3363350B1 (en) | Lumen morphology and vascular resistance measurements data collection systems, apparatus and methods | |
| CN108992059B (zh) | 用于根据血管几何形状和生理学估计血流特性的系统和方法 | |
| CN112716446B (zh) | 高血压性视网膜病变的病变特征的测量方法及测量系统 | |
| 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 | |
| CN109907772B (zh) | 获取冠脉血流量及血流速度的方法和装置 | |
| 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 | |
| US20220151500A1 (en) | Noninvasive quantitative flow mapping using a virtual catheter volume | |
| CN114530252A (zh) | 冠状动脉血流动力学模拟仿真方法及装置 | |
| CN116564525B (zh) | 基于冠脉血流量分配的血流储备分数预测方法和系统 | |
| CN111967462B (zh) | 一种获取感兴趣区域的方法及装置 | |
| CN110916640B (zh) | 基于ffr的冠状动脉狭窄功能性缺血的检测方法及装置 | |
| US20230274434A1 (en) | System and methods for determining modified fractional flow reserve values | |
| CN117036530A (zh) | 基于跨模态数据的冠状动脉血流储备分数预测方法及装置 | |
| CN113995388B (zh) | 血流储备分数计算方法、装置、电子设备及可读存储介质 | |
| CN110584696B (zh) | 一种血流储备分数评估方法及装置、存储介质 | |
| CN117078711A (zh) | 医学图像分割方法、系统、电子设备和存储介质 | |
| CN118203338A (zh) | 一种基于分岔分型定律的血流储备分数评估方法及装置 | |
| CN116402795A (zh) | 一种血流速度的确定方法、装置、电子设备及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |