CN117036530B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN117036530B
CN117036530B CN202311300823.1A CN202311300823A CN117036530B CN 117036530 B CN117036530 B CN 117036530B CN 202311300823 A CN202311300823 A CN 202311300823A CN 117036530 B CN117036530 B CN 117036530B
Authority
CN
China
Prior art keywords
image data
coronary artery
myocardial
point
central point
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202311300823.1A
Other languages
English (en)
Other versions
CN117036530A (zh
Inventor
徐丽
何京松
单晔杰
向建平
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.)
Arteryflow Technology Co ltd
Original Assignee
Arteryflow Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Arteryflow Technology Co ltd filed Critical Arteryflow Technology Co ltd
Priority to CN202311300823.1A priority Critical patent/CN117036530B/zh
Publication of CN117036530A publication Critical patent/CN117036530A/zh
Application granted granted Critical
Publication of CN117036530B publication Critical patent/CN117036530B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/032—Transmission computed tomography [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
    • A61B6/50—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
    • A61B6/50—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
    • A61B6/52—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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • 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
    • G06T7/10—Segmentation; Edge detection
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • 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)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Theoretical Computer Science (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Optics & Photonics (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • General Physics & Mathematics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Graphics (AREA)
  • Primary Health Care (AREA)
  • Geometry (AREA)
  • Vascular Medicine (AREA)
  • Pulmonology (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)

Abstract

本申请涉及一种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，通过分别利用与冠状动脉相关的CTA影像数据和心肌灌注影像数据，得到冠状动脉三维模型以及冠状动脉上各血管分支在最大充血状态下的充血流量，再在冠状动脉三维模型中，根据各中心点数据以及将各中心点所在的血管分支对应的充血流量作为边界条件，采用流体力学求解各中心点上的总压降，继而得到各中心点上的血流储备分数，将各中心点上的血流储备分数映射至所述冠状动脉三维模型上，得到冠状动脉的血流储备分数云图以实现冠状动脉血流储备分数的预测。采用本方法有效提高FFR预测结果的准确性。

Description

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
技术领域
本申请涉及医学影像处理技术领域，特别是涉及一种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。
背景技术
有创的血流储备分数技术，即FFR，被视为冠脉狭窄评估的"金标准"。但是该技术需要医生在冠脉狭窄处放置一个特殊的导丝，或微导丝，用于测量冠脉上游和下游的压力值，最终得到FFR，即冠脉狭窄处下游的压力与无狭窄状态下的上游压力的比值。但传统的有创性FFR技术需要在患者体内插入导丝，这可能引起血管损伤、出血或其他并发症，并增加了患者的不适和风险。为了提供更安全、舒适和便利的冠脉狭窄评估方式，无创的CT-FFR（冠脉CT 血流储备分数）应运而生。它可以减少手术和相关费用，并提供更高效的诊断方法。
而传统的CFD仿真中常常根据左心室的心肌质量估算冠脉血流量。仅仅将心肌质量作为边界条件无法准确地反映实际的血流情况，因为心肌质量只是冠脉血流量的一个因素，而冠脉的血流量受到多个因素的影响，如血管阻力、冠脉的分布和血流动力学等，导致计算得到的冠状动脉血流储备分数并不准确。
发明内容
基于此，有必要针对上述技术问题，提供一种能够对冠状动脉的血流储备分数进行精准预测的基于CT影像的冠状动脉血流储备分数预测方法及装置。
一种基于跨模态数据的冠状动脉血流储备分数预测方法，所述方法包括：
获取与冠状动脉相关的CTA影像数据以及心肌灌注影像数据；
利用深度神经网络对所述CTA影像数据进行处理，得到由多个离散中心点表示的冠状动脉初始中心路径，以及对应各所述中心点的中心点数据；
对所述初始中心路径进行校正，根据校正后的中心路径以及中心点数据对冠状动脉进行三维重构，得到冠状动脉三维模型；
利用卷积神经网络对所述心肌灌注影像数据进行分割得到分割影像数据，所述分割影像数据包括左心室的心内膜和心外膜影像数据；
通过对所述分割影像数据进行处理，分别得到左心室的心肌体积以及心肌血流量牛眼图；
根据所述心肌血流量牛眼图以及所述左心室的心肌体积进行计算，得到冠状动脉各血管分支在最大充血状态下的充血流量；
在所述冠状动脉三维模型中，根据各中心点数据以及将各中心点所在的血管分支对应的充血流量作为边界条件，采用流体力学求解各中心点上的总压降，继而得到各中心点上的血流储备分数，将各中心点上的血流储备分数映射至所述冠状动脉三维模型上，得到所述冠状动脉的血流储备分数云图以实现冠状动脉血流储备分数的预测。
在其中一实施例中，所述对所述初始中心路径进行校正时，通过利用各所述中心点在所述CTA影像数据中对应位置处的CT值以及预设阈值在所述初始中心线上定位错误点，对所有错位点进行校正后得到校正后的中心路径以及中心点数据。
在其中一实施例中，所述通过利用各所述中心点在所述CTA影像数据中对应位置处的CT值以及预设阈值在所述初始中心线上定位错误点包括：
根据各所述中心点对应的CT值构建得到CT值数据；
对所述CT值数据采用最小二乘法进行曲线拟合得到对应各中心点的拟合数据；
计算对应各中心点的CT值以及拟合数据之间的差值，将差值大于所述预设阈值的中心点作为错误点。
在其中一实施例中，所述对所有错位点进行校正后得到校正后的中心路径以及中心点数据包括：
根据所述错误点的三维坐标生成切割矩阵，并利用所述切割矩阵对原始三维影像数据进行切割得到对应的二维切面图像；
以所述二维切面图像的中点为原点，以预设初始值为半径划分搜索区域；
在所述搜索区域中进行环状采样，得到多个采样点；
对每个采样点对应的CT值进行判断，记录符合血管预设条件的CT值对应的采样点；
将所有符合血管预设条件的采样点的平均位置坐标作为对应错误点在二维切面图像上校正后的中心点坐标；
将二维切面图像上校正后的中心点坐标根据所述切割矩阵进行变换，得到错误点校正后的三维坐标；
将各错误点的三维坐标用校正后的三维坐标进行替换，得到校正后的中心路径以及中心点数据。
在其中一实施例中，所述通过对所述分割影像数据进行处理，分别得到左心室的心肌体积以及心肌血流量牛眼图包括：
根据所述分割影像数据进行三维重构，根据重构后得到的左心室三维模型得到左心室的心肌体积；
根据所述分割影像数据确定动脉输入函数后，利用所述动脉输入函数以及心肌上每个体素的时间密度曲线进行去卷积操作，得到心肌上每个点的血流量，并相应生成心肌血流量牛眼图。
在其中一实施例中，所述根据所述分割影像数据确定动脉输入函数后，利用所述动脉输入函数以及心肌上每个体素的时间密度曲线进行去卷积操作，得到心肌上每个点的血流量，并相应生成心肌血流量牛眼图包括：
利用分割得到的心内膜信息在所述分割影像数据的心腔内确定一点，作为动脉输入函数；
计算所述分割影像中心肌上每个体素的时间密度曲线，利用所述动脉输入函数以及心肌上每个体素的时间密度曲线进行去卷积操作，得到心肌上每个体素的血流量；
将心肌上每个体素的血流量映射至所述分割影像数据或左心室三维模型中，同时对所述分割影像数据中的心肌部分或左心室三维模型进行区域划分，生成心肌血流量牛眼图。
在其中一实施例中，根据所述心肌血流量牛眼图以及所述左心室的心肌体积进行计算，得到冠状动脉各血管分支在最大充血状态下的充血流量采用以下公式：
；
；
在上式中，表示所述心肌血流量牛眼图上某一血管分支对应的心肌血流量，/>表示血管分支对应所述心肌血流量牛眼图上编号区域的个数，/>表示左心室心肌体积，/>为最大充血状态下该血管分支的血流量，/>为常数，/>为常数。
在其中一实施例中，根据各中心点数据以及将各中心点所在的血管分支对应的充血流量作为边界条件，采用流体力学求解各中心点上的总压降时，还根据中心点所处位置的不同，计算相适应种类的压力损失和作为对应中心点的总压降。
在其中一实施例中，所述根据中心点所处位置的不同，计算相适应种类的压力损失和作为对应中心点的总压降包括：
当所述中心点位于冠状动脉血管分支的非分叉部位，且该血管分支有狭窄，则计算该中心点的沿程压力损失、渐缩压力损失以及渐扩压力损失；
当所述中心点位于冠状动脉血管分支的非分叉部位，且该血管分支没有狭窄，则计算该中心点的沿程压力损失，并将该压力损失作为总压降；
当所述中心点位于冠状动脉血管分支的分叉部位，且该中心点的总压降由分叉段的压降公式计算得到。
一种基于跨模态数据的冠状动脉血流储备分数预测装置，所述装置包括：
CT影像数据获取模块，用于获取与冠状动脉相关的CTA影像数据以及心肌灌注影像数据；
冠状动脉初始中心路径获取模块，用于利用深度神经网络对所述CTA影像数据进行处理，得到由多个离散中心点表示的冠状动脉初始中心路径，以及对应各所述中心点的中心点数据；
冠状动脉三维模型重构模块，用于对所述初始中心路径进行校正，根据校正后的中心路径以及中心点数据对冠状动脉进行三维重构，得到冠状动脉三维模型；
分割影像数据得到模块，用于利用卷积神经网络对所述心肌灌注影像数据进行分割得到分割影像数据，所述分割影像数据包括左心室的心内膜和心外膜影像数据；
心肌体积以及心肌血流量牛眼图得到模块，用于通过对所述分割影像数据进行处理，分别得到左心室的心肌体积以及心肌血流量牛眼图；
各血管分支的充血流量得到模块，用于根据所述心肌血流量牛眼图以及所述左心室的心肌体积进行计算，得到冠状动脉各血管分支在最大充血状态下的充血流量；
血流储备分数预测模块，用于在所述冠状动脉三维模型中，根据各中心点数据以及将各中心点所在的血管分支对应的充血流量作为边界条件，采用流体力学求解各中心点上的总压降，继而得到各中心点上的血流储备分数，将各中心点上的血流储备分数映射至所述冠状动脉三维模型上，得到所述冠状动脉的血流储备分数云图以实现冠状动脉血流储备分数的预测。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取与冠状动脉相关的CTA影像数据以及心肌灌注影像数据；
利用深度神经网络对所述CTA影像数据进行处理，得到由多个离散中心点表示的冠状动脉初始中心路径，以及对应各所述中心点的中心点数据；
对所述初始中心路径进行校正，根据校正后的中心路径以及中心点数据对冠状动脉进行三维重构，得到冠状动脉三维模型；
利用卷积神经网络对所述心肌灌注影像数据进行分割得到分割影像数据，所述分割影像数据包括左心室的心内膜和心外膜影像数据；
通过对所述分割影像数据进行处理，分别得到左心室的心肌体积以及心肌血流量牛眼图；
根据所述心肌血流量牛眼图以及所述左心室的心肌体积进行计算，得到冠状动脉各血管分支在最大充血状态下的充血流量；
在所述冠状动脉三维模型中，根据各中心点数据以及将各中心点所在的血管分支对应的充血流量作为边界条件，采用流体力学求解各中心点上的总压降，继而得到各中心点上的血流储备分数，将各中心点上的血流储备分数映射至所述冠状动脉三维模型上，得到所述冠状动脉的血流储备分数云图以实现冠状动脉血流储备分数的预测。
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以下步骤：
获取与冠状动脉相关的CTA影像数据以及心肌灌注影像数据；
利用深度神经网络对所述CTA影像数据进行处理，得到由多个离散中心点表示的冠状动脉初始中心路径，以及对应各所述中心点的中心点数据；
对所述初始中心路径进行校正，根据校正后的中心路径以及中心点数据对冠状动脉进行三维重构，得到冠状动脉三维模型；
利用卷积神经网络对所述心肌灌注影像数据进行分割得到分割影像数据，所述分割影像数据包括左心室的心内膜和心外膜影像数据；
通过对所述分割影像数据进行处理，分别得到左心室的心肌体积以及心肌血流量牛眼图；
根据所述心肌血流量牛眼图以及所述左心室的心肌体积进行计算，得到冠状动脉各血管分支在最大充血状态下的充血流量；
在所述冠状动脉三维模型中，根据各中心点数据以及将各中心点所在的血管分支对应的充血流量作为边界条件，采用流体力学求解各中心点上的总压降，继而得到各中心点上的血流储备分数，将各中心点上的血流储备分数映射至所述冠状动脉三维模型上，得到所述冠状动脉的血流储备分数云图以实现冠状动脉血流储备分数的预测。
上述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，通过分别利用与冠状动脉相关的CTA影像数据和心肌灌注影像数据，得到冠状动脉三维模型以及冠状动脉上各血管分支在最大充血状态下的充血流量，再在冠状动脉三维模型中，根据各中心点数据以及将各中心点所在的血管分支对应的充血流量作为边界条件，采用流体力学求解各中心点上的总压降，继而得到各中心点上的血流储备分数，将各中心点上的血流储备分数映射至所述冠状动脉三维模型上，得到冠状动脉的血流储备分数云图以实现冠状动脉血流储备分数的预测。在本方法中通过根据心肌灌注CT影像量化得到心肌血流量（MBF），提供更准确的冠脉各血管段的血流量信息作为边界条件，提高FFR预测结果的准确性。
附图说明
图1为一个实施例中基于跨模态数据的冠状动脉血流储备分数预测方法的流程示意图；
图2为一个实施例中利用深度神经网络对所述CTA影像数据进行处理得到的初始中心路径示意图；
图3为一个实施例中在初始中心路径中定位错误点的示意图；
图4为一个实施例中校正后的中心路径示意图；
图5为一个实施例中重构得到的冠状动脉三维模型示意图；
图6为一个实施例中心肌血流量牛眼图；
图7为一个实施例中冠状动脉的血流储备分数云图；
图8为一个实施例中基于跨模态数据的冠状动脉血流储备分数预测装置的结构框图；
图9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仅用以解释本申请，并不用于限定本申请。
针对现有技术中，传统的CFD仿真中常常根据左心室的心肌质量估算冠脉血流量，而仅仅将心肌质量作为边界条件无法准确地反映实际的血流情况，导致后续的预测血流储备分数并不能很准确的问题，如图1所示，提供了一种基于跨模态数据的冠状动脉血流储备分数预测方法，包括以下步骤：
步骤S100，获取与冠状动脉相关的CTA影像数据以及心肌灌注影像数据；
步骤S110，利用深度神经网络对所述CTA影像数据进行处理，得到由多个离散中心点表示的冠状动脉初始中心路径，以及对应各中心点的中心点数据；
步骤S120，对初始中心路径进行校正，根据校正后的中心路径以及中心点数据对冠状动脉进行三维重构，得到冠状动脉三维模型；
步骤S130，利用卷积神经网络对心肌灌注影像数据进行分割得到分割影像数据，该分割影像数据包括左心室的心内膜和心外膜影像数据；
步骤S140，通过对分割影像数据进行处理，分别得到左心室的心肌体积以及心肌血流量牛眼图；
步骤S150，根据心肌血流量牛眼图以及左心室的心肌体积进行计算，得到冠状动脉各血管分支在最大充血状态下的充血流量；
步骤S160，在冠状动脉三维模型中，根据各中心点数据以及将各中心点所在的血管分支对应的充血流量作为边界条件，采用流体力学求解各中心点上的总压降，继而得到各中心点上的血流储备分数，将各中心点上的血流储备分数映射至所述冠状动脉三维模型上，得到所述冠状动脉的血流储备分数云图以实现冠状动脉血流储备分数的预测。
在本实施例中，根据与目标冠状动脉相关的CTA影像数据以及心肌灌注影像数据分别构建冠状动脉三维模型以及充血状态下冠状动脉不同血管分支的充血流量，最后利用降维CFD模型得到冠状动脉血流储备分数，使得预测结果更加准确。
在本实施例中，心肌灌注影像数据包括但不限于心内CTP影像以及MRI影像。
进一步的，本方法可以分为三大部分，其中第一部分为根据CTA影像数据得到冠状动脉三维模型，也就是步骤S110至步骤S120，第二部分为根据心肌灌注影像数据得到血状态下冠状动脉不同血管分支的充血流量，也就是步骤S130-步骤S150，而最后一部分为对冠状动脉血流储备分数进行预测，也就是步骤S160，接下来，按照这三个部分对本方法进行说明。
首先，在步骤S100中，CTA（Computed Tomography Angiography，即计算机断层扫描血管成像）影像数据，利用计算机断层扫描（CT）技术对目标血管区域进行连续的X射线扫描，然后使用计算机重建这些扫描数据以及生成高分辨的三维血管图像。而心肌灌注影像数据通过计算机断层扫描技术对目标心肌进行扫描后，可显示心脏在不同时间点的血流灌注情况。
接着，在第一部分中，首先如步骤S110中，利用深度神经网络对所述CTA影像数据进行处理，得到初始中心路径，再如步骤S120中，对该初始路径进行校正后，再构建冠状动脉三维模型。
在步骤S110中，采用已经训练好的深度神经网络，对输入的CTA影像数据进行处理，得到冠状动脉血管的初始中心路径，如图2所示，以及该中心路径上各个中心点的点数据，即中心点数据包括中心路径点坐标和半径信息。
实际上，由深度神经网络输出的为多个离散的中心点数据，为了方便后续对错误点进行识别，对得到的中心点数据按照冠状动脉三大血管（左前降支、左旋支、右冠状动脉）为主分支，而其余为侧分支的方式进行重新组合后，得到多组中心点数据，并且按照各组中心点数据还可得到相应的多条血管中心路径。
由于冠状动脉血管比较复杂，所以得到的初始血管中心路径与实际的血管中心线之间具有一定误差的，所以接下来，需要在初始血管中心路径上找到存在误差的中心点，并对其进行校正。而实际上重构得到的冠状动脉三维模型是否精准往往取决于中心线即中心路径是否准确。
在步骤S120中，在对初始中心路径进行纠正，可采用包括曲线平滑法、降采样法、插值法、纠正分叉和交叉法以及人工校正等。
在本实施例中，对初始中心路径进行校正时，采用通过利用各中心点在CTA影像数据中对应位置处的CT值以及预设阈值在初始中心线上定位错误点，再对所有错位点进行校正，得到校正后的中心路径以及中心点数据的方法。该校正方法对初始中心路径进行自动校正，并可以纠正因CTA影像数据存在钙化、伪影或其他影响因素而导致的中心线不准确性的问题，从而获得更准确的冠脉三维模型。
具体的，通过利用各中心点在所述CTA影像数据中对应位置处的CT值以及预设阈值在所述初始中心线上定位错误点包括：根据各中心点对应的CT值构建得到CT值数据，对CT值数据采用最小二乘法进行曲线拟合得到对应各中心点的拟合数据，最后计算对应各中心点的CT值以及拟合数据之间的差值，将差值大于预设阈值的中心点作为错误点，如图3所示。
实际上，在对深度神经网络输出的为多个离散的中心点数据进行了分组，所以在确定错误点的过程中，首先根据各中心点对应的CT值构建得到对应各组中心点数据的CT值数据，再对所述CT值数据采用最小二乘法进行曲线拟合得到对应各组中心点数据的拟合数据。最后，分别在CT值数据以及拟合数据中提取对应同一个中心点的CT值和拟合值，并计算对应同一个中心点的CT值和拟合值之间差值，若该差值大于预设阈值，则该中心点为错误点。
在本实施例中，对所有错位点进行校正后得到校正后的中心路径以及中心点数据包括：先根据错误点的三维坐标生成切割矩阵，并利用切割矩阵对原始三维影像数据进行切割得到对应的二维切面图像，以二维切面图像的中点为原点，以预设初始值为半径划分搜索区域，在该搜索区域中进行环状采样，得到多个采样点，对每个采样点对应的CT值进行判断，记录符合血管预设条件的CT值对应的采样点，将所有符合血管预设条件的采样点的平均位置坐标作为对应错误点在二维切面图像上校正后的中心点坐标，将二维切面图像上校正后的中心点坐标根据切割矩阵进行变换，得到错误点校正后的三维坐标，将各错误点的三维坐标用校正后的三维坐标进行替换，得到校正后的中心路径以及中心点数据，如图4所示。
进一步的，若在预设的半径范围内未找到符合条件的点，则逐步增加半径进行搜索，直到找到符合条件的点或达到设定的最大半径。
最后，在第一部分中，基于校正后的中心路径以及中心点数据进行冠状动脉三维模型的重构。具体步骤包括利用自动校正后的中心路径点坐标和半径信息生成非均匀变化的冠脉树初始管道模型，此时的管道模型形态已经较为贴合患者真实的血管。再将初始模型数据转换为二值图像数据，通过水平集算法对二值图像数据进行迭代演化得到最终的血管边界。最后，利用表面重建算法，生成冠状动脉三维模型，如图5所示。
在第二部分中，首先在步骤S130中，根据心肌灌注影像数据得到关于左心室的心内膜和心外膜的分割影像数据，再在步骤S140中，根据该分割影像数据分别得到左心室的心肌体积以及心肌血流量牛眼图，最后，在步骤S150中，根据心肌血流量牛眼图以及左心室的心肌体积进行计算，得到冠状动脉各血管分支在最大充血状态下的充血流量。
在步骤S130中，为了确保数据的准确性和一致性，先对心肌灌注影像数据进行包括去除背景噪声、运动校正和空间对齐的预处理，再采用已经训练好的3D-Unet卷积神经网络对预处理后的心肌灌注影像数据自动分割左心室的心内膜和心外膜得到分割影像数据。
在步骤S140中，通过对所述分割影像数据进行处理，分别得到左心室的心肌体积以及心肌血流量牛眼图包括：根据分割影像数据进行三维重构，根据重构后得到的左心室三维模型得到左心室的心肌体积，同时，根据分割影像数据确定动脉输入函数后，利用动脉输入函数以及心肌上每个体素的时间密度曲线进行去卷积操作，得到心肌上每个点的血流量，并相应生成心肌血流量牛眼图，如图6所示。
具体的，根据分割影像数据确定动脉输入函数后，利用动脉输入函数以及心肌上每个体素的时间密度曲线进行去卷积操作，得到心肌上每个点的血流量，并相应生成心肌血流量牛眼图包括：利用分割得到的心内膜信息在分割影像数据的心腔内确定一点作为动脉输入函数，计算分割影像中心肌上每个体素的时间密度曲线，利用动脉输入函数以及心肌上每个体素的时间密度曲线进行去卷积操作，得到心肌上每个体素的血流量，最后将心肌上每个体素的血流量映射至分割影像数据或左心室三维模型中，同时对分割影像数据中的心肌部分或左心室三维模型进行区域划分，生成心肌血流量牛眼图。
进一步的，在分割影像数据或左心室三维模型中将心肌部分划分为不同的区域，例如基底部、中部和顶部等，再自动生成心肌17节段法表示的心肌血流量牛眼图。
在步骤S150中，冠状动脉的不同血管分支会对应牛眼图（心肌血流量牛眼图）上的特定编号区域，读取这些特定区域的心肌血流量，并利用左心室心肌体积信息最终可获取最大充血状态下特定血管的血流量。具体计算方式为：
（1）
；
在公式（1）中，表示心肌血流量牛眼图上某一血管分支对应的心肌血流量，n表示血管分支对应心肌血流量牛眼图上编号区域的个数，/>表示左心室心肌体积，为最大充血状态下该血管分支的血流量，/>为常数，/>为常数。
在其中一实施例中，在负荷CT-MPI成像状态下，α取值为1；在静态CT-MPI成像状态下，α取值为 3.5。
最后，在第三部分中即步骤S160，根据得到的冠状动脉三维模型以及各血管分支对应的充血流量对冠状动脉的血流储备分数进行预测。
在本实施例中，根据各中心点数据以及将各中心点所在的血管分支对应的充血流量作为边界条件，采用流体力学求解各中心点上的总压降时，还根据中心点所处位置的不同，计算相适应种类的压力损失和作为对应中心点的总压降。
具体的，根据中心点所处位置的不同，计算相适应种类的压力损失和作为对应中心点的总压降包括：当中心点位于冠状动脉血管分支的非分叉部位，且该血管分支有狭窄，则计算该中心点的沿程压力损失、渐缩压力损失以及渐扩压力损失；当中心点位于冠状动脉血管分支的非分叉部位，且该血管分支没有狭窄，则计算该中心点的沿程压力损失，并将该压力损失作为总压降；当中心点位于冠状动脉血管分支的分叉部位，且该中心点的总压降由分叉段的压降公式计算得到。
进一步的，通过中心点在冠状动脉三维模型中对应的血管截面积判断所在位置，并提前在冠状动脉三维模型中标记出分叉位置。而血管截面积通过对血管截面积的中心路径进行分析得到。
具体的，计算沿程压力损失，采用以下公式：
（2）
在公式（2）中，表示沿程压力损失，/>表示常数，/>表示血液粘度，/>表示该段血管分支狭窄长度，/>表示该段血管分支的血流量，/>表示血管直径。
具体的，计算渐扩压力损失，采用以下公式：
（3）
在公式（3）中，和/>表示常数，/>表示血液密度，/>表示该段血管分支的狭窄长度，/>表示该段血管分支的血流量，/>表示狭窄处的参考直径，/>表示狭窄处的最小血管截面积，/>表示对应的参考截面积。
具体的，计算渐缩压力损失，采用以下公式：
（4）
在公式（4）中，表示狭窄段内各中心线点的渐缩压力损失，/>表示常数，/>表示血液粘度，/>表示中心线点的参考直径，/>表示该狭窄段的最小直径，/>表示该段分支的血流量。其中，在其中一实施例中，/>取57.6。
具体的，对于分叉部位，计算分叉段的压降，采用公式表示为：
（5）
在公式（5）中，表示血液密度 ，/>表示血流速度，C表示父分支截面积和子分支截面积的比值，D表示父分支的流量和子分支流量的比值，/>表示父分支切向量和子分支切向量的夹角。
在本实施例中，计算得到冠状动脉所有血管分支上各中心点处的总减压后，再采用以下公式计算得到对应的血流储备分数：
（6）
在公式（6）中，为入口到当前点的总压降，/>为入口压强。
最后，将各中心点计算得到的血流储备分数映射至冠状动脉三维模型上，得到血流储备分数云图，如图7所示。
上述基于跨模态数据的冠状动脉血流储备分数预测方法中，通过利用基于自动校正中心线的模型重构方法得到精确的三维冠脉模型，并基于CT-MPI影像得到患者充血状态下的心肌血流量，结合左心室心肌体积和心肌血流量等信息可得到冠脉不同分支的血流量。最后，利用降维CFD模型得到冠状动脉血流储备分数，使得预测结果更加准确。本方法采用CTA影像结合心肌灌注CT影像，可以得到更准确的血流储备分数预测结果。
应该理解的是，虽然图1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，如图8所示，提供了一种基于跨模态数据的冠状动脉血流储备分数预测装置，包括：CT影像数据获取模块200、冠状动脉初始中心路径获取模块210、冠状动脉三维模型重构模块220、分割影像数据得到模块230、心肌体积以及心肌血流量牛眼图得到模块240、各血管分支的充血流量得到模块250和血流储备分数预测模块260，其中：
CT影像数据获取模块200，用于获取与冠状动脉相关的CTA影像数据以及心肌灌注影像数据；
冠状动脉初始中心路径获取模块210，用于利用深度神经网络对所述CTA影像数据进行处理，得到由多个离散中心点表示的冠状动脉初始中心路径，以及对应各所述中心点的中心点数据；
冠状动脉三维模型重构模块220，用于对所述初始中心路径进行校正，根据校正后的中心路径以及中心点数据对冠状动脉进行三维重构，得到冠状动脉三维模型；
分割影像数据得到模块230，用于利用卷积神经网络对所述心肌灌注影像数据进行分割得到分割影像数据，所述分割影像数据包括左心室的心内膜和心外膜影像数据；
心肌体积以及心肌血流量牛眼图得到模块240，用于通过对所述分割影像数据进行处理，分别得到左心室的心肌体积以及心肌血流量牛眼图；
各血管分支的充血流量得到模块250，用于根据所述心肌血流量牛眼图以及所述左心室的心肌体积进行计算，得到冠状动脉各血管分支在最大充血状态下的充血流量；
血流储备分数预测模块260，用于在所述冠状动脉三维模型中，根据各中心点数据以及将各中心点所在的血管分支对应的充血流量作为边界条件，采用流体力学求解各中心点上的总压降，继而得到各中心点上的血流储备分数，将各中心点上的血流储备分数映射至所述冠状动脉三维模型上，得到所述冠状动脉的血流储备分数云图以实现冠状动脉血流储备分数的预测。
关于基于跨模态数据的冠状动脉血流储备分数预测装置的具体限定可以参见上文中对于基于跨模态数据的冠状动脉血流储备分数预测方法的限定，在此不再赘述。上述基于跨模态数据的冠状动脉血流储备分数预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图9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跨模态数据的冠状动脉血流储备分数预测方法。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。
本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，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：
获取与冠状动脉相关的CTA影像数据以及心肌灌注影像数据；
利用深度神经网络对所述CTA影像数据进行处理，得到由多个离散中心点表示的冠状动脉初始中心路径，以及对应各所述中心点的中心点数据；
对所述初始中心路径进行校正，根据校正后的中心路径以及中心点数据对冠状动脉进行三维重构，得到冠状动脉三维模型；
利用卷积神经网络对所述心肌灌注影像数据进行分割得到分割影像数据，所述分割影像数据包括左心室的心内膜和心外膜影像数据；
通过对所述分割影像数据进行处理，分别得到左心室的心肌体积以及心肌血流量牛眼图；
根据所述心肌血流量牛眼图以及所述左心室的心肌体积进行计算，得到冠状动脉各血管分支在最大充血状态下的充血流量；
在所述冠状动脉三维模型中，根据各中心点数据以及将各中心点所在的血管分支对应的充血流量作为边界条件，采用流体力学求解各中心点上的总压降，继而得到各中心点上的血流储备分数，将各中心点上的血流储备分数映射至所述冠状动脉三维模型上，得到所述冠状动脉的血流储备分数云图以实现冠状动脉血流储备分数的预测。
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：
获取与冠状动脉相关的CTA影像数据以及心肌灌注影像数据；
利用深度神经网络对所述CTA影像数据进行处理，得到由多个离散中心点表示的冠状动脉初始中心路径，以及对应各所述中心点的中心点数据；
对所述初始中心路径进行校正，根据校正后的中心路径以及中心点数据对冠状动脉进行三维重构，得到冠状动脉三维模型；
利用卷积神经网络对所述心肌灌注影像数据进行分割得到分割影像数据，所述分割影像数据包括左心室的心内膜和心外膜影像数据；
通过对所述分割影像数据进行处理，分别得到左心室的心肌体积以及心肌血流量牛眼图；
根据所述心肌血流量牛眼图以及所述左心室的心肌体积进行计算，得到冠状动脉各血管分支在最大充血状态下的充血流量；
在所述冠状动脉三维模型中，根据各中心点数据以及将各中心点所在的血管分支对应的充血流量作为边界条件，采用流体力学求解各中心点上的总压降，继而得到各中心点上的血流储备分数，将各中心点上的血流储备分数映射至所述冠状动脉三维模型上，得到所述冠状动脉的血流储备分数云图以实现冠状动脉血流储备分数的预测。
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。
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 (10)

1.一种基于跨模态数据的冠状动脉血流储备分数预测方法，其特征在于，所述方法包括：
获取与冠状动脉相关的CTA影像数据以及心肌灌注影像数据；
利用深度神经网络对所述CTA影像数据进行处理，得到由多个离散中心点表示的冠状动脉初始中心路径，以及对应各所述中心点的中心点数据；
对所述初始中心路径进行校正，根据校正后的中心路径以及中心点数据对冠状动脉进行三维重构，得到冠状动脉三维模型；
利用卷积神经网络对所述心肌灌注影像数据进行分割得到分割影像数据，所述分割影像数据包括左心室的心内膜和心外膜影像数据；
通过对所述分割影像数据进行处理，分别得到左心室的心肌体积以及心肌血流量牛眼图；
根据所述心肌血流量牛眼图以及所述左心室的心肌体积进行计算，得到冠状动脉各血管分支在最大充血状态下的充血流量；
在所述冠状动脉三维模型中，根据各中心点数据以及将各中心点所在的血管分支对应的充血流量作为边界条件，采用流体力学求解各中心点上的总压降，继而得到各中心点上的血流储备分数，将各中心点上的血流储备分数映射至所述冠状动脉三维模型上，得到所述冠状动脉的血流储备分数云图以实现冠状动脉血流储备分数的预测。
2.根据权利要求1所述的冠状动脉血流储备分数预测方法，其特征在于，所述对所述初始中心路径进行校正时，通过利用各所述中心点在所述CTA影像数据中对应位置处的CT值以及预设阈值在所述初始中心线上定位错误点，对所有错位点进行校正后得到校正后的中心路径以及中心点数据。
3.根据权利要求2所述的冠状动脉血流储备分数预测方法，其特征在于，所述通过利用各所述中心点在所述CTA影像数据中对应位置处的CT值以及预设阈值在所述初始中心线上定位错误点包括：
根据各所述中心点对应的CT值构建得到CT值数据；
对所述CT值数据采用最小二乘法进行曲线拟合得到对应各中心点的拟合数据；
计算对应各中心点的CT值以及拟合数据之间的差值，将差值大于所述预设阈值的中心点作为错误点。
4.根据权利要求3所述的冠状动脉血流储备分数预测方法，其特征在于，所述对所有错位点进行校正后得到校正后的中心路径以及中心点数据包括：
根据所述错误点的三维坐标生成切割矩阵，并利用所述切割矩阵对原始三维影像数据进行切割得到对应的二维切面图像；
以所述二维切面图像的中点为原点，以预设初始值为半径划分搜索区域；
在所述搜索区域中进行环状采样，得到多个采样点；
对每个采样点对应的CT值进行判断，记录符合血管预设条件的CT值对应的采样点；
将所有符合血管预设条件的采样点的平均位置坐标作为对应错误点在二维切面图像上校正后的中心点坐标；
将二维切面图像上校正后的中心点坐标根据所述切割矩阵进行变换，得到错误点校正后的三维坐标
将各错误点的三维坐标用校正后的三维坐标进行替换，得到校正后的中心路径以及中心点数据。
5.根据权利要求1所述的冠状动脉血流储备分数预测方法，其特征在于，所述通过对所述分割影像数据进行处理，分别得到左心室的心肌体积以及心肌血流量牛眼图包括：
根据所述分割影像数据进行三维重构，根据重构后得到的左心室三维模型得到左心室的心肌体积；
根据所述分割影像数据确定动脉输入函数后，利用所述动脉输入函数以及心肌上每个体素的时间密度曲线进行去卷积操作，得到心肌上每个点的血流量，并相应生成心肌血流量牛眼图。
6.根据权利要求5所述的冠状动脉血流储备分数预测方法，其特征在于，所述根据所述分割影像数据确定动脉输入函数后，利用所述动脉输入函数以及心肌上每个体素的时间密度曲线进行去卷积操作，得到心肌上每个点的血流量，并相应生成心肌血流量牛眼图包括：
利用分割得到的心内膜信息在所述分割影像数据的心腔内确定一点，作为动脉输入函数；
计算所述分割影像中心肌上每个体素的时间密度曲线，利用所述动脉输入函数以及心肌上每个体素的时间密度曲线进行去卷积操作，得到心肌上每个体素的血流量；
将心肌上每个体素的血流量映射至所述分割影像数据或左心室三维模型中，同时对所述分割影像数据中的心肌部分或左心室三维模型进行区域划分，生成心肌血流量牛眼图。
7.根据权利要求1所述的冠状动脉血流储备分数预测方法，其特征在于，根据所述心肌血流量牛眼图以及所述左心室的心肌体积进行计算，得到冠状动脉各血管分支在最大充血状态下的充血流量采用以下公式：
；
；
在上式中，表示所述心肌血流量牛眼图上某一血管分支对应的心肌血流量，n表示血管分支对应所述心肌血流量牛眼图上编号区域的个数，/>表示左心室心肌体积，/>为最大充血状态下该血管分支的血流量，/>为常数，/>为常数。
8.根据权利要求1所述的冠状动脉血流储备分数预测方法，其特征在于，根据各中心点数据以及将各中心点所在的血管分支对应的充血流量作为边界条件，采用流体力学求解各中心点上的总压降时，还根据中心点所处位置的不同，计算相适应种类的压力损失和作为对应中心点的总压降。
9.根据权利要求1所述的冠状动脉血流储备分数预测方法，其特征在于，所述根据中心点所处位置的不同，计算相适应种类的压力损失和作为对应中心点的总压降包括：
当所述中心点位于冠状动脉血管分支的非分叉部位，且该血管分支有狭窄，则计算该中心点的沿程压力损失、渐缩压力损失以及渐扩压力损失；
当所述中心点位于冠状动脉血管分支的非分叉部位，且该血管分支没有狭窄，则计算该中心点的沿程压力损失，并将该压力损失作为总压降；
当所述中心点位于冠状动脉血管分支的分叉部位，且该中心点的总压降由分叉段的压降公式计算得到。
10.一种基于跨模态数据的冠状动脉血流储备分数预测装置，其特征在于，所述装置包括：
CT影像数据获取模块，用于获取与冠状动脉相关的CTA影像数据以及心肌灌注影像数据；
冠状动脉初始中心路径获取模块，用于利用深度神经网络对所述CTA影像数据进行处理，得到由多个离散中心点表示的冠状动脉初始中心路径，以及对应各所述中心点的中心点数据；
冠状动脉三维模型重构模块，用于对所述初始中心路径进行校正，根据校正后的中心路径以及中心点数据对冠状动脉进行三维重构，得到冠状动脉三维模型；
分割影像数据得到模块，用于利用卷积神经网络对所述心肌灌注影像数据进行分割得到分割影像数据，所述分割影像数据包括左心室的心内膜和心外膜影像数据；
心肌体积以及心肌血流量牛眼图得到模块，用于通过对所述分割影像数据进行处理，分别得到左心室的心肌体积以及心肌血流量牛眼图；
各血管分支的充血流量得到模块，用于根据所述心肌血流量牛眼图以及所述左心室的心肌体积进行计算，得到冠状动脉各血管分支在最大充血状态下的充血流量；
血流储备分数预测模块，用于在所述冠状动脉三维模型中，根据各中心点数据以及将各中心点所在的血管分支对应的充血流量作为边界条件，采用流体力学求解各中心点上的总压降，继而得到各中心点上的血流储备分数，将各中心点上的血流储备分数映射至所述冠状动脉三维模型上，得到所述冠状动脉的血流储备分数云图以实现冠状动脉血流储备分数的预测。
CN202311300823.1A 2023-10-10 2023-10-10 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 Active CN117036530B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311300823.1A CN117036530B (zh) 2023-10-10 2023-10-10 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311300823.1A CN117036530B (zh) 2023-10-10 2023-10-10 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

Publications (2)

Publication Number Publication Date
CN117036530A CN117036530A (zh) 2023-11-10
CN117036530B true CN117036530B (zh) 2023-12-08

Family

ID=88623079

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311300823.1A Active CN117036530B (zh) 2023-10-10 2023-10-10 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

Country Status (1)

Country Link
CN (1) CN117036530B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117679059B (zh) * 2024-02-01 2024-04-26 北京大学第三医院（北京大学第三临床医学院） 一种量化功能性血流动力学参数的系统和方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109524119A (zh) * 2018-11-09 2019-03-26 深圳市孙逸仙心血管医院（深圳市心血管病研究所） 基于gan血流储备分数预测方法、装置、设备及介质
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

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111227822B (zh) * 2018-11-28 2022-02-11 苏州润迈德医疗科技有限公司 基于心肌血流量和ct图像的冠状动脉血流储备分数计算方法
WO2021102408A1 (en) * 2019-11-22 2021-05-27 The Regents Of The University Of Michigan Anatomical and functional assessment of coronary artery disease using machine learning

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109524119A (zh) * 2018-11-09 2019-03-26 深圳市孙逸仙心血管医院（深圳市心血管病研究所） 基于gan血流储备分数预测方法、装置、设备及介质
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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
嵌入注意力机制的多模型融合冠脉CTA分割算法;沈烨;方志军;高永彬;;计算机科学与探索(09);全文 *
血管弹性对血流储备分数影响的计算流体力学分析;师志伟;杨帆;;现代盐化工(01);全文 *

Also Published As

Publication number Publication date
CN117036530A (zh) 2023-11-10

Similar Documents

Publication Publication Date Title
US20230360803A1 (en) Methods and systems for predicting sensitivity of blood flow calculations to changes in anatomical geometry
US20210358635A1 (en) Systems and methods for image processing to determine blood flow
JP6667999B2 (ja) 画像処理装置、画像処理方法、及びプログラム
EP3420483B1 (en) Systems and methods for identifying and modeling unresolved vessels in image-based patient-specific hemodynamic models
CN111680447A (zh) 血流特征预测方法、装置、计算机设备和存储介质
CN108122616B (zh) 个体特异性的心血管模型的生成方法及其应用
CN110638438A (zh) 用于对血流储备分数的基于机器学习的评估的方法和系统
CN112308846B (zh) 血管分割方法、装置及电子设备
CN117036530B (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
CN110444275B (zh) 用于快速计算血流储备分数的系统和方法
CN116090364A (zh) 基于cta影像的获取冠脉血流储备分数的方法和可读存储介质
CN111754534A (zh) 基于深度神经网络的ct左心室短轴图像分割方法、装置、计算机设备和存储介质
CN112419276A (zh) 调节血管轮廓及中心线的方法及存储介质
CN116051738A (zh) 基于cta影像的冠状动脉血管模型重构的方法和可读存储介质
CN114209344A (zh) 一种侧枝循环状态评估方法、装置、存储介质及电子设备
KR102000615B1 (ko) 관상동맥의 시작점을 자동으로 추출하기 위한 방법 및 그 장치
CN111768391B (zh) 一种基于ct影像的全自动心脏功能学分析方法、装置、计算机设备以及存储介质
CN117974654B (zh) 冠脉图像分割方法、装置、计算机设备和存储介质
CN117476238B (zh) 用于评估心肌缺血的计算流体力学仿真分析方法及系统
CN114049282B (zh) 一种冠状动脉的构建方法、装置、终端及存储介质
EP4369290A1 (en) Determining estimates of hemodynamic properties based on an angiographic x-ray examination
CN118134824A (zh) 特征点选取方法、装置、电子设备及存储介质
CN117976233A (zh) 一种确定血流储备分数的系统及方法
CN117976234A (zh) 一种确定血流储备分数的系统及方法

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