CN116664564B - 基于颅内医学影像获取血流量的方法和装置 - Google Patents
基于颅内医学影像获取血流量的方法和装置 Download PDFInfo
- Publication number
- CN116664564B CN116664564B CN202310937583.XA CN202310937583A CN116664564B CN 116664564 B CN116664564 B CN 116664564B CN 202310937583 A CN202310937583 A CN 202310937583A CN 116664564 B CN116664564 B CN 116664564B
- Authority
- CN
- China
- Prior art keywords
- contrast agent
- time
- agent concentration
- section
- projection
- 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
Links
- 238000007917 intracranial administration Methods 0.000 title claims abstract description 67
- 230000017531 blood circulation Effects 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 44
- 239000002872 contrast media Substances 0.000 claims abstract description 128
- 230000011218 segmentation Effects 0.000 claims abstract description 49
- 238000002585 cerebral angiography Methods 0.000 claims abstract description 12
- 210000004204 blood vessel Anatomy 0.000 claims description 52
- 239000011159 matrix material Substances 0.000 claims description 33
- 238000013519 translation Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 17
- 230000000630 rising effect Effects 0.000 claims description 4
- 238000002059 diagnostic imaging Methods 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 230000002792 vascular Effects 0.000 abstract description 5
- 238000001514 detection method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 206010002329 Aneurysm Diseases 0.000 description 4
- 238000002583 angiography Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000000004 hemodynamic effect Effects 0.000 description 4
- 206010060965 Arterial stenosis Diseases 0.000 description 3
- 201000008450 Intracranial aneurysm Diseases 0.000 description 3
- 208000006011 Stroke Diseases 0.000 description 3
- 239000008280 blood Substances 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 208000016988 Hemorrhagic Stroke Diseases 0.000 description 2
- 208000032382 Ischaemic stroke Diseases 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 208000020658 intracerebral hemorrhage Diseases 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000002601 radiography Methods 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 201000001320 Atherosclerosis Diseases 0.000 description 1
- 201000006474 Brain Ischemia Diseases 0.000 description 1
- 206010008120 Cerebral ischaemia Diseases 0.000 description 1
- 206010008190 Cerebrovascular accident Diseases 0.000 description 1
- 206010018985 Haemorrhage intracranial Diseases 0.000 description 1
- 208000008574 Intracranial Hemorrhages Diseases 0.000 description 1
- 208000031481 Pathologic Constriction Diseases 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 210000005013 brain tissue Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 206010008118 cerebral infarction Diseases 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 208000028867 ischemia Diseases 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000036262 stenosis Effects 0.000 description 1
- 208000037804 stenosis Diseases 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- A61B6/507—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 determination of haemodynamic parameters, e.g. perfusion CT
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
- G06T2207/10012—Stereo images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
- G06T2207/30104—Vascular flow; Blood flow; Perfusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/24—Fluid dynamics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/41—Medical
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Radiology & Medical Imaging (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Optics & Photonics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- High Energy & Nuclear Physics (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Geometry (AREA)
- Physiology (AREA)
- Quality & Reliability (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Dentistry (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请涉及一种基于颅内医学影像获取血流量的方法和装置，方法包括：基于目标血管段的三维医学影像获得重构的空间三维模型，基于目标血管段的二维数字减影脑血管造影影像获得分割二值图；将空间三维模型与分割二值图进行空间配准，分割二值图具有与空间三维模型入口截面相对应的入口截面投影、以及与空间三维模型出口截面相对应的出口截面投影；分别获得入口截面投影、出口截面投影的造影剂浓度‑时间曲线，根据两条造影剂浓度‑时间曲线中造影剂浓度的变化趋势延迟，获得造影剂流经入口截面和出口截面的时间延迟；结合入口截面和出口截面之间的管腔体积、时间延迟，获得血流量。本申请仅需常规的颅内医学影像即可实现颅内血管流量评估。
Description
技术领域
本申请涉及医学影像处理领域，特别是涉及一种基于颅内医学影像获取血流量的方法和装置。
背景技术
近年来，全世界每年死于脑卒中疾病的人数高达数百万人，居各种死因前列。脑卒中分为缺血性卒中与出血性卒中，前者主要由动脉粥样硬化导致的动脉狭窄或斑块破裂造成，后者主要由血管或动脉瘤破裂导致的颅内出血造成。在临床实践中，越来越多的研究者将计算流体力学即CFD方法引入到脑卒中的筛查中。对于存在缺血性卒中风险的病人，可应用CFD方法分析狭窄病变引起的血压变化，从而评估脑组织的缺血程度；对于存在出血性卒中风险尤其是存在动脉瘤的病人，可应用CFD方法对动脉瘤内膜的切应力进行分析，从而评估动脉瘤的稳定性以及破裂风险。
在对颅内血管进行CFD模拟时，血流量是一个必不可少的重要输入条件，然而在现有技术中该参数的准确获取存在一定的难度。临床中，常使用TCD方法测量颅内血管中的血流速度，从而得到血流量信息，尽管该方法可以得到较为准确的测量结果，但该方法需要在医学成像技术之外使用额外的检测技术以及检测设备，增加了医护人员的操作难度，加重了病患的诊疗负担。鉴于临床中病人特异性血流量参数获取困难，研究者常选用基于人群统计得到的平均血流量作为输入条件参与CFD模拟，显而易见的，当病人存在脑组织缺血或动脉瘤时，该参数会存在较大的误差，从而限制了CFD模拟的准确性。
发明内容
基于此，有必要针对上述技术问题，提供一种基于颅内医学影像获取血流量的方法。
本申请基于颅内医学影像获取血流量的方法，包括：
基于目标血管段的三维医学影像获得重构的空间三维模型，基于目标血管段的二维数字减影脑血管造影影像获得分割二值图；
将所述空间三维模型与所述分割二值图进行空间配准，所述分割二值图具有与所述空间三维模型入口截面相对应的入口截面投影、以及与所述空间三维模型出口截面相对应的出口截面投影；
分别获得所述入口截面投影、所述出口截面投影的造影剂浓度-时间曲线，根据两条造影剂浓度-时间曲线中造影剂浓度的变化趋势延迟，获得造影剂流经所述入口截面和出口截面的时间延迟；
结合所述入口截面和出口截面之间的管腔体积、所述时间延迟，获得所述血流量。
可选的，基于目标血管段的二维数字减影脑血管造影影像获得分割二值图，包括：
基于目标血管段的二维数字减影脑血管造影影像，逐像素点生成造影剂浓度-时间曲线；
结合所述造影剂浓度-时间曲线在时间窗口内的变化程度，保留经过造影剂充盈时刻的像素点，进行二值化分割，获得分割二值图。
可选的，结合所述造影剂浓度-时间曲线在时间窗口内的变化程度，保留经过造影剂充盈时刻的像素点，进行二值化分割，获得分割二值图，具体包括：
逐像素点生成灰度-时间曲线，根据所述灰度-时间曲线生成造影剂浓度-时间曲线，获得所述造影剂浓度-时间曲线的均值、标准差、以及最大值三者的加权和；
基于所述加权和的统计结果，确定图像二值化分割阈值，进行二值化分割，获得分割二值图。
可选的，逐像素点生成灰度-时间曲线，根据所述灰度-时间曲线生成造影剂浓度-时间曲线，具体包括：逐像素点地对所述灰度-时间曲线消除基线信息，沿时间轴翻转得到造影剂浓度-时间曲线。
可选的，将所述空间三维模型与所述分割二值图进行空间配准，包括：
获得所述二维数字减影脑血管造影影像的投影参数；
依据平移矩阵、旋转矩阵调整所述空间三维模型，利用所述投影参数对调整后的所述空间三维模型生成投影二值图；
迭代更新所述平移矩阵和旋转矩阵，直至所述分割二值图与投影二值图达到最大重合度。
可选的，迭代更新所述平移矩阵和旋转矩阵，直至所述分割二值图与投影二值图达到最大重合度，具体包括：
获得重叠系数，所述重叠系数为所述分割二值图和投影二值图的重叠面积、与投影二值图总面积的比值；
迭代更新所述平移矩阵和旋转矩阵，直至获得所述重叠系数的最大值。
可选的，根据两条造影剂浓度-时间曲线中造影剂浓度的变化趋势延迟，获得造影剂流经所述入口截面和出口截面的时间延迟，包括：
在两条造影剂浓度-时间曲线中获得造影剂浓度平行变化段的时间差值，将所述时间差值作为造影剂流经所述入口截面和出口截面的时间延迟。
可选的，在两条造影剂浓度-时间曲线中获得造影剂浓度平行变化段的时间差值，通过以下方式进行：
将两条造影剂浓度-时间曲线平行上升段的时间差值，作为两条造影剂浓度-时间曲线中造影剂浓度平行变化段的时间差值。
可选的，分别获得所述入口截面投影、所述出口截面投影的造影剂浓度-时间曲线，具体包括：
分别获得所述入口截面投影、所述出口截面投影的平均灰度-时间曲线；
将所述平均灰度-时间曲线消除基线信息后，沿时间轴翻转得到造影剂浓度-时间曲线，所述消除基线信息为将曲线向下平移未流入造影剂前的平均灰度值
本申请还提供一种基于颅内医学影像获取血流量的装置，包括存储器、处理器及存储在存储器上的计算机程序，所述处理器执行所述计算机程序以实现本申请所述的基于颅内医学影像获取血流量的方法的步骤。
本申请还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现本申请所述的基于颅内医学影像获取血流量的方法的步骤。
本申请还提供一种计算机程序产品，包括计算机指令，该计算机指令被处理器执行时实现本申请所述的基于颅内医学影像获取血流量的方法的步骤。
本申请基于颅内医学影像获取血流量的方法至少具有以下效果：
本申请基于入口截面投影、出口截面投影的造影剂浓度-时间曲线即可捕捉造影剂流经入口截面和出口截面的时间延迟，再结合管腔体积即可获得血流量。
本申请基于医学影像对颅内血管的血流量进行评估，仅需常规的颅内医学影像即可实现颅内血管流量评估，无需额外的检测技术与检测设备，操作简单、无创、成本低，为医护人员诊断病情提供了额外的参考指标，起到一定的辅助决策作用。
本申请可为颅内血管的CFD模拟提供更准确的、患者特异性的血流量输入，提升血流动力学分析的准确性，能促进血流动力学分析在颅内动脉狭窄、颅内动脉瘤评估领域的发展。
附图说明
图1为本申请一实施例中基于颅内医学影像获取血流量方法的流程示意图；
图2为本申请一实施例中颅内血管目标血管段的空间三维模型示意图；
图3为本申请一实施例中在E1～E9不同时刻下的2D-DSA影像（二维数字减影脑血管造影影像）示意图；
图4为本申请一实施例中获得的2D-DSA影像示意图；
图5为本申请一实施例中2D-DSA影像上部分像素点的灰度-时间曲线示意图；
图6为本申请一实施例中获得的2D-DSA影像示意图；
图7为基于图6获得的目标血管段的分割二值图；
图8为本申请一实施例中空间三维模型与2D-DSA影像空间配准的示意图；
图9为本申请一实施例中入口、出口截面所对应的造影剂浓度-时间曲线图；
图10为本申请一实施例中基于颅内医学影像获取血流量方法的流程示意图；
图11为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅用以解释本申请，并不用于限定本申请。
参见图1和图2、图7和图8，本申请一实施例中提供一种基于颅内医学影像获取血流量的方法，包括步骤S100～步骤S400。其中：
步骤S100，基于目标血管段的三维医学影像获得重构的空间三维模型，基于目标血管段的二维数字减影脑血管造影影像获得分割二值图；
步骤S200，将空间三维模型与分割二值图进行空间配准，分割二值图具有与空间三维模型入口截面相对应的入口截面投影、以及与空间三维模型出口截面相对应的出口截面投影；
步骤S300，分别获得入口截面投影、出口截面投影的平均灰度-时间曲线，根据两个平均灰度-时间曲线中灰度值的变化趋势延迟，获得造影剂流经入口截面和出口截面的时间延迟；
步骤S400，结合入口截面和出口截面之间的管腔体积、时间延迟，获得血流量。
本实施例中的空间配准可理解为通过调整空间三维模型坐标、实现空间三维模型与分割二值图的空间位置对应，进而在分割二值图上找到与空间三维模型的截面相对应的截面投影。可以理解，造影剂能够吸收X射线进而引起成像的灰度值变化，而造影剂随血液在血管中流动，灰度值的变化趋势可以体现造影剂浓度的变化趋势。因此，颅内血管入口截面和出口截面平均灰度-时间曲线的灰度值变化趋势延迟，即体现了颅内血管入口截面和出口截面造影剂浓度-时间曲线的变化趋势延迟，也体现了造影剂流经入口截面和出口截面的时间延迟，可用于获得血流量。
本实施例基于医学影像对颅内血管的血流量进行评估，是一种操作简单、无创、低成本的血流量评估获得方法。
本实施例可简单、快捷地评估颅内血管流量，为医护人员诊断病情提供了额外的参考指标，起到一定的辅助决策作用。
本实施例仅需常规的颅内医学影像即可实现颅内血管流量评估，无需额外的检测技术与检测设备，减轻了医护人员的负担，节省了医疗成本。
本实施例可为颅内血管的CFD模拟提供更准确的、患者特异性的血流量输入，提升血流动力学分析的准确性，能促进血流动力学分析在颅内动脉狭窄、颅内动脉瘤评估领域的发展。
在一个实施例中，还提供一种基于颅内医学影像获取血流量的方法，对步骤S100～步骤S400对应地进行解释和说明。包括：（1）三维血管重构和二维血管分割；（2）空间配准；（3）血流时间计算；（4）流量计算。（1）～（4）依次对应步骤S100～步骤S400。
（1）三维血管重构和二维血管分割，对应步骤S100。步骤S100包括步骤S110和步骤S120。
三维血管重构对应步骤S110，基于目标血管段的三维医学影像，获得重构的空间三维模型（如图2所示）。
本步骤基于三维医学影像如CTA、MRA等重构得到目标血管空间三维模型。重构方法至少包括以下三种技术方案。
第一种方案为基于阈值分割的重构方法，即自动或手动地设置颅内血管对应的图像信号强度区间，在对应的三维医学影像中提取出对应图像信号强度区间的颅内组织，再通过提取连通域、开闭运算等得到最终的颅内血管三维分割结果，从而生成目标血管的空间三维模型。
第二种方案为基于血管中心线的放样重构方法。首先由操作者在三维医学影像上标记目标血管段的起点与终点，从而生成该段血管的三维中心线，并离散为一定数量的中心点，逐中心点在法平面上对原始影像进行重采样，在重采样图像上应用区域增长或动态轮廓算法生成该截面上的管腔边界，最后将所有中心点上的管腔边界按血管中心线路径叠加起来，即得到最终的如图2所示的目标血管空间三维模型。
第三种方案为基于深度神经网络模型的重构方法。该方法首先由专业的神经内外科医生在三维医学影像中对颅内血管进行标注，并生成对应的标注数据集，然后基于标注数据集训练得到AI分割模型。AI分割模型以三维医学影像为输入，输出颅内血管的三维分割结果，适当处理即可得到颅内血管的空间三维模型。
参见图3～图7，二维血管分割对应步骤S120，步骤S120，基于目标血管段的二维数字减影脑血管造影影像获得分割二值图，包括：步骤S121，基于目标血管段的二维数字减影脑血管造影影像，逐像素点生成灰度-时间曲线；步骤S122，结合灰度-时间曲线在时间窗口内的变化程度，保留经过造影剂充盈时刻的像素点，进行二值化分割，获得分割二值图。
二维数字减影脑血管造影影像即2D-DSA影像，本实施例对颅内血管进行分割，从而得到颅内血管所对应的二维分割结果，该分割结果以二值图的方式保存，即分割二值图。二维数字减影造影是一种二维投影成像方式，在生成的2D-DSA影像中，可以清晰地观测到造影剂在血管中的流动状态。本实施例结合二维数字减影造影成像方式的原理特征、以及颅内血管的生理特征，能识别并保留经过造影剂充盈时刻的像素点，即实现2D-DSA影像上的血管分割。
一方面，血管中造影剂对X射线的吸收以灰度值变化的方式呈现，这一特点体现在灰度-时间曲线上，就是灰度值在时间窗口（一段时间轴）内的变化。另一方面，本实施例保留在整个造影时间内有过造影剂充盈的像素点，而非某一特定时刻造影剂充盈的像素点，能够避免由于颅内血管相对较长所造成的分割二值图像素点遗漏。
参见图3，造影剂在颅内血管中随时间（在影像中体现为不同帧）逐渐流向血管远端。有造影剂流入的颅内血管部分的灰度值明显降低，识别造影剂流入血管时对应图像区域产生的灰度值变化，即可准确地对血流时间进行分析计算。
参见图4，在图4所示的时刻下，下侧处颅内血管的造影剂浓度已经开始降低，灰度值相应具有由低变高的趋势。若仅仅利用此时刻下的灰度值进行分割，则有可能造成像素点的遗漏。
参见图4和图5，在颅内血管2D-DSA影像上，不妨将“经过造影剂充盈时刻的像素点”定义为前景，将没有“经过造影剂充盈时刻的像素点”定义为背景。前景区域因为有过造影剂的流入，其灰度-时间曲线在连续时间上会有明显的灰度值降低，而背景区域由于没有造影剂流入过，其灰度-时间曲线上仅仅存在相对较弱的噪声波动。基于前景、背景的这一差异性，本实施例利用步骤S120的记载（二维血管分割方法），可以准确地将是否充盈过造影剂的血管区域自动分割出来。
参见图6和图7，步骤S122，具体包括：逐像素点地根据灰度-时间曲线，生成造影剂浓度-时间曲线，获得造影剂浓度-时间曲线的均值、标准差、以及最大值三者的加权和；基于加权和的统计结果，确定图像二值化分割阈值，进行二值化分割，获得分割二值图。
在生成造影剂浓度-时间曲线之前，还可以对2D-DSA影像进行空间、时间上的滤波，消除图像噪声的影响。
对于步骤S122，具体地，逐一计算每条造影剂浓度-时间曲线的均值mean、标准差σ以及最大值max，并计算得到该像素点的前景系数F，具体的计算公式为前景系数F=a*mean+b*σ+c*max，其中a为造影剂浓度-时间曲线均值的权重系数，推荐取值为0.3，b为造影剂浓度-时间曲线标准差的权重系数，推荐取值为0.3，c为造影剂浓度-时间曲线最大值的权重系数，推荐取值为0.4。前景系数F即造影剂浓度-时间曲线的均值、标准差、以及最大值三者的加权和，生成全图像区域所有像素点的前景系数统计直方图（加权和的统计结果），确定图像二值化分割阈值，例如按自适应最佳阈值将所有像素点分为前景与背景，前景像素点赋值1，背景像素点赋值0，并生成对应的分割二值图。前景像素点赋值为1，即完成步骤S120中的“保留经过造影剂充盈时刻的像素点”。
进一步地，逐像素点地根据灰度-时间曲线，生成造影剂浓度-时间曲线，具体包括：逐像素点地对灰度-时间曲线消除基线信息，沿时间轴翻转得到造影剂浓度-时间曲线。
具体地，消除基线信息是将灰度-时间曲线向下平移未流入造影剂前的平均灰度值。在此基础上以横坐标为轴进行翻转（沿时间轴翻转），从而生成造影剂浓度-时间曲线。
步骤S120中基于2D-DSA影像得到目标颅内血管段的分割二值图。得到的分割二值图去除了其他正常血管段、分支，仅仅保留了需要分析处理的病变血管段。更进一步地，步骤S120还包括，在分割二值图上提取最大联通域消除噪点，再进行闭运算填补孔洞，即生成最终的颅内血管的分割二值图。
（2）空间配准对应步骤S200，在步骤S200中，将空间三维模型与分割二值图进行空间配准，包括：步骤S210，获得二维数字减影脑血管造影影像的投影参数；步骤S220，依据平移矩阵、旋转矩阵调整空间三维模型，利用投影参数对调整后的空间三维模型生成投影二值图；步骤S230，迭代更新平移矩阵和旋转矩阵，直至分割二值图与投影二值图达到最大重合度。
步骤S230，迭代更新平移矩阵和旋转矩阵，直至分割二值图与投影二值图达到最大重合度，具体包括：步骤S231，获得重叠系数，重叠系数为分割二值图和投影二值图的重叠面积、与投影二值图总面积的比值；步骤S232，迭代更新平移矩阵和旋转矩阵，直至获得重叠系数的最大值。
对血管三维模型利用平移矩阵进行平移、利用旋转矩阵进行旋转变换，然后按2D-DSA影像中所自带的投影参数对变换后的血管三维模型进行投影，生成投影二值图。结合投影二值图与分割二值图计算重叠系数Dice，重叠系数Dice定义为分割二值图与投影二值图重叠面积与投影二值图总面积的比值。迭代更新平移矩阵、旋转矩阵使重叠系数Dice达到最大值，完成空间配准。
具体的，记三维模型的坐标为V3D，颅内血管分割二值图为Iseg，平移矩阵为C，旋转矩阵为R，平移、旋转变换后三维模型的坐标为Vtran，基于2D-DSA影像投影参数计算得到的投影矩阵为P，投影二值图为Ipro，首先基于平移、旋转矩阵计算得到变换后三维模型的坐标，即：
Vtran=R* (V3D+C)
然后将变换后的三维模型坐标投影至成像面并生成投影二值图，即：
Ipro=P*Vtran
结合分割二值图与投影二值图计算重叠系数Dice，即：
Dice = (Iseg∩Ipro) /Ipro
迭代更新平移矩阵C与旋转矩阵R，使Dice系数达到最大值，即投影二值图与分割二值图达到了最大的重合度，三维模型与2D-DSA影像完成空间配准。
参见图8，图8中左侧为2D-DSA影像，右侧为重构得到的目标颅内血管的空间三维模型。完成空间配准后，2D-DSA影像具有入口截面投影，与空间三维模型的入口截面相对应；2D-DSA影像具有出口截面投影，与空间三维模型出口截面相对应。此时三维模型的入口截面与出口截面均投影至2D-DSA影像上。
（3）血流时间计算对应步骤S300，步骤S300包括步骤S310和步骤S320。
步骤S310，分别获得入口截面投影、出口截面投影的平均灰度-时间曲线。步骤S320，根据两个平均灰度-时间曲线中灰度值的变化趋势延迟，获得造影剂流经入口截面和出口截面的时间延迟，包括：在两个平均灰度-时间曲线中获得灰度值平行变化段的时间差值，将时间差值作为造影剂流经入口截面和出口截面的时间延迟。
本步骤基于入口截面投影、出口截面投影上的灰度值随时间的变化，可识别到造影剂流入、流出目标颅内血管段的时间差值。
参见图9，本步骤中，在两个平均灰度-时间曲线中获得灰度值平行变化段的时间差值，通过以下方式进行：分别对两个平均灰度-时间曲线消除基线信息，沿时间轴翻转得到两个平均造影剂浓度-时间曲线；将两个造影剂浓度-时间曲线平行上升段的时间差值，作为两个平均灰度-时间曲线中灰度值平行变化段的时间差值。消除基线信息为将曲线向下平移第一个时间点的灰度值。
具体地，首先逐帧计算入口截面投影上的平均灰度值，并生成入口截面的灰度-时间曲线y=f(t)，然后消除基线信息，仅保留造影剂引起的灰度值变化，即y=f(t)-f(t0)，最后将该曲线沿时间轴翻转得到最终的入口截面造影剂浓度-时间曲线，即y=f(t0)-f(t)，同理可得到出口截面造影剂浓度-时间曲线。
图6中可见，入口截面、出口截面二者所对应的造影剂浓度-时间曲线，存在一定的时间延迟，该时间延迟即为血流由入口截面流至出口截面的血流时间。在本实施例中，以入口截面投影、出口截面投影两条造影剂浓度-时间曲线中平行上升段的时间差值Δt作为血流由入口截面流至出口截面的时间延迟，即血流时间。
本实施例将完成空间配准的三维模型的入口截面、出口截面投影到2D-DSA影像中，逐帧计算入口截面投影与出口截面投影上的平均灰度值，并生成对应的造影剂浓度-时间曲线，计算得到出口截面造影剂浓度-时间曲线、与入口截面造影剂浓度-时间曲线在时间轴上的时间延迟，即为血流由入口截面流至出口截面的血流时间。
可以理解，在2D-DSA影像中，当造影剂未流入血管时，血管区域显示为高亮，对应的像素灰度值较高，当造影剂流入血管时，血管区域受造影剂影响将逐渐变暗，对应的像素灰度值逐渐变低。因此，当造影剂流入入口截面或流出出口截面时，对应的像素灰度值会逐渐产生一定的变化，监测出口截面灰度值变化相对于入口截面灰度值变化的延迟，即可得到造影剂也即是血流由入口截面流至出口截面的血流时间。血流时间再结合三维模型的管腔体积即可计算得到目标血管内的血流量。
（4）流量计算对应步骤S400，结合入口截面和出口截面之间的管腔体积、时间延迟，获得血流量。
本部分基于目标血管三维模型及其入口截面和出口截面，即可计算得到血管区域体积，再除以血流由入口截面流至出口截面的血流时间（时间延迟），得到血流量信息。
具体地，基于三维医学影像得到目标颅内血管的空间三维模型后，可计算得到目标颅内血管总的管腔体积V，在“（3）血流时间计算”时已计算得到血流由入口截面流至出口截面的血流时间，即血流充盈目标颅内血管的时间T；结合管腔体积V以及血流时间T即可计算得到颅内目标血管的入口流量Q，即Q = V / T。
参见图10，在一个实施例中，还提供一种基于颅内医学影像获取血流量的方法，包括：
基于目标血管段的三维医学影像获得重构的空间三维模型，基于目标血管段的二维数字减影脑血管造影影像获得分割二值图；
将空间三维模型与分割二值图进行空间配准，分割二值图具有与空间三维模型入口截面相对应的入口截面投影、以及与空间三维模型出口截面相对应的出口截面投影；
分别获得入口截面投影、出口截面投影的造影剂浓度-时间曲线，根据两条造影剂浓度-时间曲线中造影剂浓度的变化趋势延迟，获得造影剂流经入口截面和出口截面的时间延迟；
结合入口截面和出口截面之间的管腔体积、时间延迟，获得血流量。
应该理解的是，虽然图1和图10的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1和图10中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，提供了一种基于颅内医学影像获取血流量的装置，基于颅内医学影像获取血流量的装置例如采用计算机设备，计算机设备可以是终端，其内部结构图可以如图11所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于颅内医学影像获取血流量的方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
在一个实施例中，提供了一种基于颅内医学影像获取血流量的装置，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
基于目标血管段的三维医学影像获得重构的空间三维模型，基于目标血管段的二维数字减影脑血管造影影像获得分割二值图；
将空间三维模型与分割二值图进行空间配准，分割二值图具有与空间三维模型入口截面相对应的入口截面投影、以及与空间三维模型出口截面相对应的出口截面投影；
分别获得入口截面投影、出口截面投影的造影剂浓度-时间曲线，根据两条造影剂浓度-时间曲线中造影剂浓度的变化趋势延迟，获得造影剂流经入口截面和出口截面的时间延迟；
结合入口截面和出口截面之间的管腔体积、时间延迟，获得血流量。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
基于目标血管段的三维医学影像获得重构的空间三维模型，基于目标血管段的二维数字减影脑血管造影影像获得分割二值图；
将空间三维模型与分割二值图进行空间配准，分割二值图具有与空间三维模型入口截面相对应的入口截面投影、以及与空间三维模型出口截面相对应的出口截面投影；
分别获得入口截面投影、出口截面投影的造影剂浓度-时间曲线，根据两条造影剂浓度-时间曲线中造影剂浓度的变化趋势延迟，获得造影剂流经入口截面和出口截面的时间延迟；
结合入口截面和出口截面之间的管腔体积、时间延迟，获得血流量。
在一个实施例中，提供了一种计算机程序产品，包括计算机指令，该计算机指令被处理器执行时实现以下步骤：
基于目标血管段的三维医学影像获得重构的空间三维模型，基于目标血管段的二维数字减影脑血管造影影像获得分割二值图；
将空间三维模型与分割二值图进行空间配准，分割二值图具有与空间三维模型入口截面相对应的入口截面投影、以及与空间三维模型出口截面相对应的出口截面投影；
分别获得入口截面投影、出口截面投影的造影剂浓度-时间曲线，根据两条造影剂浓度-时间曲线中造影剂浓度的变化趋势延迟，获得造影剂流经入口截面和出口截面的时间延迟；
结合入口截面和出口截面之间的管腔体积、时间延迟，获得血流量。
本实施例中，计算机程序产品包括程序代码部分，以用于当计算机程序产品由一个或多个计算装置执行时，执行本申请各实施例中基于颅内医学影像获取血流量的方法的步骤。计算机程序产品可被存储在计算机可读记录介质上。还可经由数据网络（例如，通过RAN、经由因特网和/或通过RBS）提供计算机程序产品以便下载。备选地或附加地，该方法可被编码在现场可编程门阵列（FPGA）和/或专用集成电路（ASIC）中，或者功能性可借助于硬件描述语言被提供以便下载。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。不同实施例中的技术特征体现在同一附图中时，可视为该附图也同时披露了所涉及的各个实施例的组合例。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (9)
1.基于颅内医学影像获取血流量的方法，其特征在于，包括：
基于目标血管段的三维医学影像获得重构的空间三维模型，基于目标血管段的二维数字减影脑血管造影影像，逐像素点生成造影剂浓度-时间曲线，结合所述造影剂浓度-时间曲线在时间窗口内的变化程度，保留经过造影剂充盈时刻的像素点，进行二值化分割，获得分割二值图；
将所述空间三维模型与所述分割二值图进行空间配准，所述分割二值图具有与所述空间三维模型入口截面相对应的入口截面投影、以及与所述空间三维模型出口截面相对应的出口截面投影；
分别获得所述入口截面投影、所述出口截面投影的造影剂浓度-时间曲线，根据两条造影剂浓度-时间曲线中造影剂浓度的变化趋势延迟，获得造影剂流经所述入口截面和出口截面的时间延迟；
结合所述入口截面和出口截面之间的管腔体积、所述时间延迟，获得所述血流量。
2.如权利要求1所述的方法，其特征在于，结合所述造影剂浓度-时间曲线在时间窗口内的变化程度，保留经过造影剂充盈时刻的像素点，进行二值化分割，获得分割二值图，具体包括：
逐像素点生成灰度-时间曲线，根据所述灰度-时间曲线生成造影剂浓度-时间曲线，获得所述造影剂浓度-时间曲线的均值、标准差、以及最大值三者的加权和；
基于所述加权和的统计结果，确定图像二值化分割阈值，进行二值化分割，获得分割二值图。
3.如权利要求2所述的方法，其特征在于，逐像素点生成灰度-时间曲线，根据所述灰度-时间曲线生成造影剂浓度-时间曲线，具体包括：逐像素点地对所述灰度-时间曲线消除基线信息，沿时间轴翻转得到造影剂浓度-时间曲线。
4.如权利要求1所述的方法，其特征在于，将所述空间三维模型与所述分割二值图进行空间配准，包括：
获得所述二维数字减影脑血管造影影像的投影参数；
依据平移矩阵、旋转矩阵调整所述空间三维模型，利用所述投影参数对调整后的所述空间三维模型生成投影二值图；
迭代更新所述平移矩阵和旋转矩阵，直至所述分割二值图与投影二值图达到最大重合度。
5.如权利要求4所述的方法，其特征在于，迭代更新所述平移矩阵和旋转矩阵，直至所述分割二值图与投影二值图达到最大重合度，具体包括：
获得重叠系数，所述重叠系数为所述分割二值图和投影二值图的重叠面积、与投影二值图总面积的比值；
迭代更新所述平移矩阵和旋转矩阵，直至获得所述重叠系数的最大值。
6.如权利要求1所述的方法，其特征在于，根据两条造影剂浓度-时间曲线中造影剂浓度的变化趋势延迟，获得造影剂流经所述入口截面和出口截面的时间延迟，包括：
在两条造影剂浓度-时间曲线中获得造影剂浓度平行变化段的时间差值，将所述时间差值作为造影剂流经所述入口截面和出口截面的时间延迟。
7.如权利要求6所述的方法，其特征在于，在两条造影剂浓度-时间曲线中获得造影剂浓度平行变化段的时间差值，通过以下方式进行：
将两条造影剂浓度-时间曲线平行上升段的时间差值，作为两条造影剂浓度-时间曲线中造影剂浓度平行变化段的时间差值。
8.如权利要求1所述的方法，其特征在于，分别获得所述入口截面投影、所述出口截面投影的造影剂浓度-时间曲线，具体包括：
分别获得所述入口截面投影、所述出口截面投影的平均灰度-时间曲线；
将所述平均灰度-时间曲线消除基线信息后，沿时间轴翻转得到造影剂浓度-时间曲线，所述消除基线信息为将曲线向下平移未流入造影剂前的平均灰度值。
9.基于颅内医学影像获取血流量的装置，包括存储器、处理器及存储在存储器上的计算机程序，所述处理器执行所述计算机程序以实现如权利要求1～8任一项所述的基于颅内医学影像获取血流量的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310937583.XA CN116664564B (zh) | 2023-07-28 | 2023-07-28 | 基于颅内医学影像获取血流量的方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310937583.XA CN116664564B (zh) | 2023-07-28 | 2023-07-28 | 基于颅内医学影像获取血流量的方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116664564A CN116664564A (zh) | 2023-08-29 |
| CN116664564B true CN116664564B (zh) | 2023-10-31 |
Family
ID=87717431
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310937583.XA Active CN116664564B (zh) | 2023-07-28 | 2023-07-28 | 基于颅内医学影像获取血流量的方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116664564B (zh) |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014065285A1 (ja) * | 2012-10-22 | 2014-05-01 | 学校法人 藤田学園 | 医用画像診断装置、医用画像処理装置及び医用画像処理方法 |
| WO2014185421A1 (ja) * | 2013-05-13 | 2014-11-20 | 東芝メディカルシステムズ株式会社 | 医用画像撮影解析装置及び医用画像処理方法 |
| CN104871161A (zh) * | 2012-12-18 | 2015-08-26 | 皇家飞利浦有限公司 | 用于在从估计的心脏射血输出导出的患者特异性边界条件下模拟血流量的方法和装置 |
| WO2017097074A1 (zh) * | 2015-12-10 | 2017-06-15 | 博动医学影像科技（上海）有限公司 | 血管单位时间血流量与血流速度的计算方法 |
| CN107341801A (zh) * | 2017-07-14 | 2017-11-10 | 合肥工业大学 | 一种基于多普勒血流声谱图的血流量测量方法 |
| WO2018086667A1 (en) * | 2016-11-11 | 2018-05-17 | Aarhus Universitet | Method and system for modelling a human heart and atria |
| CN108550388A (zh) * | 2018-01-12 | 2018-09-18 | 深圳科亚医疗科技有限公司 | 基于血管造影的计算血管血流参数的装置和系统 |
| CN109907758A (zh) * | 2019-03-15 | 2019-06-21 | 脑玺(上海)智能科技有限公司 | 颅内血管血流延迟的影像标注方法及系统 |
| CN110367965A (zh) * | 2018-09-19 | 2019-10-25 | 苏州润迈德医疗科技有限公司 | 便捷测量冠状动脉血管评定参数的方法、装置及系统 |
| CN111627003A (zh) * | 2020-05-25 | 2020-09-04 | 上海杏脉信息科技有限公司 | 一种冠脉血流储备计算装置 |
| CN111839496A (zh) * | 2019-04-24 | 2020-10-30 | 苏州润迈德医疗科技有限公司 | 一种通过常规造影图像测量出血流储备分数的方法 |
| CN114170134A (zh) * | 2021-11-03 | 2022-03-11 | 杭州脉流科技有限公司 | 基于颅内dsa影像的狭窄评估方法及装置 |
| CN115239828A (zh) * | 2022-06-06 | 2022-10-25 | 李彬寅 | 一种基于脑血管造影图像的多血流参数同步成像方法 |
| CN116035549A (zh) * | 2022-11-23 | 2023-05-02 | 杭州脉流科技有限公司 | 获得冠脉血流储备分数的方法和计算机设备 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8315812B2 (en) * | 2010-08-12 | 2012-11-20 | Heartflow, Inc. | Method and system for patient-specific modeling of blood flow |
| EP3403582B1 (en) * | 2017-05-15 | 2023-06-07 | Pie Medical Imaging BV | Method and apparatus for determining blood velocity in x-ray angiography images |
-
2023
- 2023-07-28 CN CN202310937583.XA patent/CN116664564B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014065285A1 (ja) * | 2012-10-22 | 2014-05-01 | 学校法人 藤田学園 | 医用画像診断装置、医用画像処理装置及び医用画像処理方法 |
| CN104871161A (zh) * | 2012-12-18 | 2015-08-26 | 皇家飞利浦有限公司 | 用于在从估计的心脏射血输出导出的患者特异性边界条件下模拟血流量的方法和装置 |
| WO2014185421A1 (ja) * | 2013-05-13 | 2014-11-20 | 東芝メディカルシステムズ株式会社 | 医用画像撮影解析装置及び医用画像処理方法 |
| WO2017097074A1 (zh) * | 2015-12-10 | 2017-06-15 | 博动医学影像科技（上海）有限公司 | 血管单位时间血流量与血流速度的计算方法 |
| WO2018086667A1 (en) * | 2016-11-11 | 2018-05-17 | Aarhus Universitet | Method and system for modelling a human heart and atria |
| CN107341801A (zh) * | 2017-07-14 | 2017-11-10 | 合肥工业大学 | 一种基于多普勒血流声谱图的血流量测量方法 |
| CN108550388A (zh) * | 2018-01-12 | 2018-09-18 | 深圳科亚医疗科技有限公司 | 基于血管造影的计算血管血流参数的装置和系统 |
| CN110367965A (zh) * | 2018-09-19 | 2019-10-25 | 苏州润迈德医疗科技有限公司 | 便捷测量冠状动脉血管评定参数的方法、装置及系统 |
| CN109907758A (zh) * | 2019-03-15 | 2019-06-21 | 脑玺(上海)智能科技有限公司 | 颅内血管血流延迟的影像标注方法及系统 |
| CN111839496A (zh) * | 2019-04-24 | 2020-10-30 | 苏州润迈德医疗科技有限公司 | 一种通过常规造影图像测量出血流储备分数的方法 |
| CN111627003A (zh) * | 2020-05-25 | 2020-09-04 | 上海杏脉信息科技有限公司 | 一种冠脉血流储备计算装置 |
| CN114170134A (zh) * | 2021-11-03 | 2022-03-11 | 杭州脉流科技有限公司 | 基于颅内dsa影像的狭窄评估方法及装置 |
| CN115239828A (zh) * | 2022-06-06 | 2022-10-25 | 李彬寅 | 一种基于脑血管造影图像的多血流参数同步成像方法 |
| CN116035549A (zh) * | 2022-11-23 | 2023-05-02 | 杭州脉流科技有限公司 | 获得冠脉血流储备分数的方法和计算机设备 |
Non-Patent Citations (1)
| Title |
|---|
| 影响脑血管三维重建图象质量因素的分析;黄永;柴丽敏;张伟;王伟;;当代医学(第17期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116664564A (zh) | 2023-08-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20230301720A1 (en) | Systems and methods for correction of artificial deformation in anatomic modeling | |
| JP7090546B2 (ja) | 灌流デジタルサブトラクション血管造影 | |
| AU2017200000B2 (en) | Method and system for modeling blood flow with boundary conditions for optimized diagnostic performance | |
| US10307131B2 (en) | Systems and methods for assessing the severity of plaque and/or stenotic lesions using contrast distribution predictions and measurements | |
| US10522253B2 (en) | Machine-learnt prediction of uncertainty or sensitivity for hemodynamic quantification in medical imaging | |
| Deshpande et al. | Automatic segmentation, feature extraction and comparison of healthy and stroke cerebral vasculature | |
| Marlevi et al. | Estimation of cardiovascular relative pressure using virtual work-energy | |
| KR102344157B1 (ko) | 개인 맞춤형 뇌졸중 진단을 위한 임상 인자 및 의료 영상 처리 시스템 | |
| US20200410685A1 (en) | Method and system for acquiring status of strain and stress of a vessel wall | |
| US20220093267A1 (en) | Noninvasive real-time patient-specific assessment of stroke severity | |
| US20220319004A1 (en) | Automatic vessel analysis from 2d images | |
| Van Hamersvelt et al. | Diagnostic performance of on-site coronary CT angiography–derived fractional flow reserve based on patient-specific lumped parameter models | |
| CN115439533A (zh) | 获得颅内动脉瘤在血管分段位置的方法、计算机设备、可读存储介质和程序产品 | |
| CN116681716B (zh) | 颅内血管感兴趣区域分割方法、装置、设备和存储介质 | |
| CN116664564B (zh) | 基于颅内医学影像获取血流量的方法和装置 | |
| EP3477551B1 (en) | Machine-learnt prediction of uncertainty or sensitivity for hemodynamic quantification in medical imaging | |
| CN112168191A (zh) | 从第一三维计算机断层成像数据组提供分析数据组的方法 | |
| JP7426824B2 (ja) | 非侵襲的イメージングベースのｆｆｒのインタラクションモニタリング | |
| WO2019190641A1 (en) | System and method for evaluation of dynamic data | |
| CN116649995B (zh) | 基于颅内医学影像的血流动力学参数获取方法和装置 | |
| CN116681704B (zh) | 颅内血管血流量获取方法、计算机设备和可读存储介质 | |
| CN116703948B (zh) | 基于深度神经网络的颅内血管树分割方法和分割装置 | |
| US11694330B2 (en) | Medical image processing apparatus, system, and method | |
| Zhu et al. | Assessment of left ventricular ejection fraction in artificial intelligence based on left ventricular opacification | |
| CN116883334A (zh) | 基于oct图像的血管检测方法、装置、设备及介质 |
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 |