CN117116485A - 数据处理方法、装置、计算设备及存储介质 - Google Patents

数据处理方法、装置、计算设备及存储介质 Download PDF

Info

Publication number
CN117116485A
CN117116485A CN202311126643.6A CN202311126643A CN117116485A CN 117116485 A CN117116485 A CN 117116485A CN 202311126643 A CN202311126643 A CN 202311126643A CN 117116485 A CN117116485 A CN 117116485A
Authority
CN
China
Prior art keywords
hydrodynamic
human body
image
constraint
body region
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
CN202311126643.6A
Other languages
English (en)
Inventor
高鑫
阳光
毛新生
郑超
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.)
Shukun Technology Co ltd
Original Assignee
Shukun 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 Shukun Technology Co ltd filed Critical Shukun Technology Co ltd
Priority to CN202311126643.6A priority Critical patent/CN117116485A/zh
Publication of CN117116485A publication Critical patent/CN117116485A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Biomedical Technology (AREA)
  • Geometry (AREA)
  • Pathology (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Hardware Design (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Algebra (AREA)
  • Pure & Applied Mathematics (AREA)
  • Fluid Mechanics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

提供了一种数据处理方法、装置、计算设备及存储介质。方法可以包括：一种数据处理方法，包括：获取与目标人体区域有关的图像数据；以及基于至少一个约束条件处理所述图像以确定与所述目标人体区域的血液储备分数FFR有关的至少一个参数，其中所述至少一个约束条件包含至少一个流体力学模型；以及基于所述至少一个参数确定所述目标人体区域的预测的FFR结果。

Description

数据处理方法、装置、计算设备及存储介质
技术领域
本公开涉及数据处理领域，特别是涉及一种数据处理方法、装置、计算设备及存储介质。
背景技术
血流储备分数FFR指在冠状动脉存在狭窄病变的情况下，该血管所供心肌区域能获得的最大血流与同一区域理论上正常情况下所能获得的最大血流之比，能够反映动脉健康程度等。期望一种能够无创方式获得FFR的预测值的方法。
在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。
发明内容
根据本公开的一方面，提供了一种数据处理方法，包括：获取与目标人体区域有关的图像数据；以及基于至少一个约束条件处理所述图像以确定与所述目标人体区域的血液储备分数FFR有关的至少一个参数，其中所述至少一个约束条件包含至少一个流体力学模型；以及基于所述至少一个参数获得所述目标人体区域的预测的FFR结果。
根据本公开的另一方面，提供了一种数据处理装置，包括：图像获取单元，用于获取与目标人体区域有关的图像数据；图像处理单元，用于基于至少一个约束条件处理所述图像以确定与所述目标人体区域的血液储备分数FFR有关的至少一个参数，其中，所述至少一个约束条件包含至少一个流体力学模型；以及结果确定单元，用于基于所述至少一个参数获得所述目标人体区域的预测的FFR结果。
根据本公开的另一方面，提供了一种计算设备，包括：存储器、处理器以及存储在所述存储器上的计算机程序，其中，所述处理器被配置为执行所述计算机程序以实现根据本公开的一个或多个实施例的数据处理方法。
根据本公开的另一方面，提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现根据本公开的一个或多个实施例的数据处理方法。
根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现根据本公开的一个或多个实施例的数据处理方法。
根据在下文中所描述的实施例，本公开的这些和其它方面将是清楚明白的，并且将参考在下文中所描述的实施例而被阐明。
附图说明
在下面结合附图对于示例性实施例的描述中，本公开的更多细节、特征和优点被公开，在附图中：
图1是图示出根据示例性实施例的可以在其中实施本文描述的各种方法的示例系统的示意图；
图2是图示出根据示例性实施例的数据处理方法的流程图；
图3是图示出根据示例性实施例的方法能够应用于的图像数据的示例；
图4是图示出根据示例性实施例的数据处理装置的示意性框图；
图5是图示出能够应用于示例性实施例的示例性计算机设备的框图。
具体实施方式
在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个元件与另一元件区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。
在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。如本文使用的，术语“多个”意指两个或更多，并且术语“基于”应解释为“至少部分地基于”。此外，术语“和/或”以及“……中的至少一个”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
下面结合附图详细描述本公开的示例性实施例。
图1是图示出根据示例性实施例的可以在其中实施本文描述的各种方法的示例系统100的示意图。
参考图1，该系统100包括客户端设备110、服务器120、以及将客户端设备110与服务器120通信地耦合的网络130。
客户端设备110包括显示器114和可经由显示器114显示的客户端应用(APP)112。客户端应用112可以为运行前需要下载和安装的应用程序或者作为轻量化应用程序的小程序(liteapp)。在客户端应用112为运行前需要下载和安装的应用程序的情况下，客户端应用112可以被预先安装在客户端设备110上并被激活。在客户端应用112为小程序的情况下，用户102可以通过在宿主应用中搜索客户端应用112(例如，通过客户端应用112的名称等)或扫描客户端应用112的图形码(例如，条形码、二维码等)等方式，在客户端设备110上直接运行客户端应用112，而无需安装客户端应用112。在一些实施例中，客户端设备110可以是任何类型的移动计算机设备，包括移动计算机、移动电话、可穿戴式计算机设备(例如智能手表、头戴式设备，包括智能眼镜，等)或其他类型的移动设备。在一些实施例中，客户端设备110可以替换地是固定式计算机设备，例如台式机、服务器计算机或其他类型的固定式计算机设备。在一些可选的实施例中，客户端设备110还可以是或者可以包括医学图像打印设备。
服务器120典型地为由互联网服务提供商(ISP)或互联网内容提供商(ICP)部署的服务器。服务器120可以代表单台服务器、多台服务器的集群、分布式系统、或者提供基础云服务(诸如云数据库、云计算、云存储、云通信)的云服务器。将理解的是，虽然图1中示出服务器120与仅一个客户端设备110通信，但是服务器120可以同时为多个客户端设备提供后台服务。
网络130的示例包括局域网(LAN)、广域网(WAN)、个域网(PAN)、和/或诸如互联网之类的通信网络的组合。网络130可以是有线或无线网络。在一些实施例中，使用包括超文本标记语言(HTML)、可扩展标记语言(XML)等的技术和/或格式来处理通过网络130交换的数据。此外，还可以使用诸如安全套接字层(SSL)、传输层安全(TLS)、虚拟专用网络(VPN)、网际协议安全(IPsec)等加密技术来加密所有或者一些链路。在一些实施例中，还可以使用定制和/或专用数据通信技术来取代或者补充上述数据通信技术。
系统100还可以包括图像采集设备140。在一些实施例中，图1所示出的图像采集设备140可以是医学扫描设备，包括但不限于在正子发射断层扫描计算机成像系统(Positronemission tomography，PET)、正子发射电脑断层扫描计算机成像系统(Positron emissiontomography with computerized tomography，PET/CT)、单一光子发射电脑断层扫描计算机成像系统(Single photon emission computed tomography with computerizedtomography，SPECT/CT)、计算机断层扫描系统(Computerized tomography，CT)、医学超音波检查计算机成像系统(Medical ultrasonography)、核磁共振成像系统(Nuclearmagnetic resonance imaging，NMRI)、磁共振成像系统(Magnetic Resonance Imaging，MRI)、心血管造影成像系统(Cardiac angiography，CA)、数字放射显影系统(Digitalradiography，DR)等中使用的扫描或成像设备。例如，图像采集设备140可以包括数字减影血管造影扫描仪、磁共振血管造影扫描仪、断层血管扫描仪、正子发射断层扫描仪、正子发射电脑断层扫描仪、单一光子发射电脑断层扫描仪、计算机断层扫描仪、医学超音波检查设备、核磁共振成像扫描仪、磁共振成像扫描仪、数字放射显影扫描仪等。图像采集设备140可以与服务器(例如，图1中的服务器120或者图中未示出的、成像系统的单独服务器)相连接，以实现图像数据的处理，包括但不限于将扫描数据进行转换(例如，转换为医学图像序列)、压缩、像素修正、三维重建等。
图像采集设备140可以例如通过网络130与客户端设备110相连接，或者以其他方式直接连接到客户端设备以与客户端设备通信。
可选地，系统还可以包括智能计算设备或者计算卡150。图像采集设备140可以包括或者连接(例如，可拆除地连接)到这样的计算卡150等。作为一个示例，计算卡150可以实现图像数据的处理，包括但不限于转换、压缩、像素修正、重建等。作为另一个示例，计算卡150可以实现根据本公开的实施例的数据处理方法。
系统还可以包括其他未示出的部分，例如数据存储部。数据存储部可以是数据库、数据存储库或其他形式的用于数据存储的一个或多个装置，可以是常规数据库，也可以包括云端数据库、分布式数据库等。例如，由图像采集设备140形成的直接图像数据或者经过图像处理获得的医学图像序列或三维影像数据等可存储到数据存储部中，以供后续服务器120以及客户端设备110从数据存储部中调取。另外，上述图像采集设备140还可直接图像数据或者经过图像处理获得的医学图像序列或三维影像数据等直接提供给服务器120或者客户端设备110等。
用户可以使用客户端设备110控制对图像或影像的采集，查看采集到的图像或影像(包括初步图像数据或者经过分析处理的图像等)，查看分析结果，与采集图像或分析结果进行交互，输入采集指令，配置数据等等。客户端设备110可以将配置数据、指令或者其他信息发送到图像采集设备140以控制图像采集设备的采集、对数据进行处理等。
为了本公开实施例的目的，在图1的示例中，客户端应用112可以为图像序列管理应用程序，该图像序列管理应用程序可以提供各种功能，例如，对采集到的图像序列进行存储管理、索引、排序、分类等等。与此相应，服务器120可以是与图像序列管理应用程序一起使用的服务器。该服务器120可以基于用户请求或者根据本公开的实施例所生成的指令等向客户端设备110中运行的客户端应用112提供图像序列管理服务，例如管理云端的图像序列存储，按照指定索引(包括例如但不限于序列类型、病人标识、人体部位、采集目标、采集阶段、采集机器、是否有病灶检出、严重程度等等)对图像序列进行存储与归类，以及按照指定索引检索并向客户端设备提供图像序列，等等。替换地，服务器120也可以将这样的服务能力或者存储空间提供或分配给客户端设备110，由客户端设备110中运行的客户端应用112根据用户请求或者根据本公开的实施例所生成的指令等提供对应的图像序列管理服务，等等。可以理解的是，以上仅给出了一个示例，并且本公开不限于此。
图2是图示出根据示例性实施例的数据处理方法200的流程图。方法200可以在客户端设备(例如，图1中所示的客户端设备110)处执行，也即，方法200的各个步骤的执行主体可以是图1中所示的客户端设备110。在一些实施例中，方法200可以在服务器(例如，图1中所示的服务器120)处执行。在一些实施例中，方法200可以由客户端设备(例如，客户端设备110)和服务器(例如，服务器120)相组合地执行。
在下文中，以执行主体为客户端设备110为例，详细描述方法200的各个步骤。
参考图2，在步骤210处，获取与目标人体区域有关的图像数据。
在步骤220处，基于至少一个约束条件处理所述图像以确定与所述目标人体区域的血液储备分数FFR有关的至少一个参数，其中所述至少一个约束条件包含至少一个流体力学模型。
在步骤230处，基于所述至少一个参数获得所述目标人体区域的预测的FFR结果。
通过上述方法，能够在FFR相关的计算过程中施加流体力学的约束，从而使得输出的各类参数符合流体力学的约束，从而更加符合真实情况，因此也更加准确。
在某些疾病的诊断过程期间，需要对血管的健康程度进行分析。例如，在对冠心病进行诊断时，往往需要看冠脉健康程度。在一个角度，可以从狭窄率角度进行分析。在另一方面，还可以在功能学方面，基于血流储备分数(FFR)来判断。FFR指在冠状动脉存在狭窄病变的情况下，该血管所供心肌区域能获得的最大血流与同一区域理论上正常情况下所能获得的最大血流之比，即心肌最大充血状态下的狭窄远端冠状动脉内平均压(Pd)与冠状动脉口部主动脉平均压(Pa)的比值。此外，期望一种能够无创进行FFR测量的方法。
根据本公开的各种实施例，输出的参数可以是直接的FFR结果掩码图，或者也可以是用于计算FFR的各类血液参数，例如血压p、血流量Q、血流速v等。
应当理解，由于存在个体差异，在没有医生的专业分析和确认的情况下，并不能仅仅依据方法200得到的预测值直接得出用户的疾病诊断结论或健康状况。方法200本质上是数据处理方法，通过施加的约束条件对图像数据等数据进行处理，整个过程并不需要医生的参与，所得的预测值也只能为医生、医疗工作者等提供参考。因此，这样的方法并不妨碍医生自由选择诊疗方案，不应视为疾病诊断方法。
根据一些实施例，其中，基于至少一个约束条件处理所述图像以确定与所述目标人体区域的血液储备分数FFR有关的至少一个参数可以包括：使用预训练的神经网络确定与所述目标人体区域有关的FFR结果，其中，所述至少一个流体力学模型被用作所述神经网络的损失函数。
可以理解的是，在这样的实施方式中，可以采用各种类型以及各种结构的神经网络模型。作为一个具体的非限制性示例，可以使用U-net分割网络，但是本公开不限于此。
在训练神经网络以提取相关参数时，可以采用常见的损失函数例如Dice损失函数、CE损失等。然而，基于这样的损失收敛之后，可能会获得不符合自然规律的结果，例如会出现血压通过一段动脉后反而增加的情况，等等。因此，期望通过流体力学公式进行约束。
在一些实施例中，除了采用损失函数的形式之外，也可以将流体力学约束采取其他形式加以应用。在一些示例中，可以在每次迭代之后，对结果进行一次是否符合流体力学的约束，并且在不符合的情况下进行调整。在一些示例中，可以除了训练侧的损失函数之外，在模型实际应用时，进行多次这样的迭代，例如，确保模型实际输出的相邻像素点(或者部分像素点)符合包括流体力学约束在内的约束条件，从而更加符合真实情况。
根据一些实施例，其中，所述至少一个流体力学模型可以包括流体力学守恒方程。作为一个非限制性示例，流体力学守恒方程可以是Navier-Stokes方程，或者其他的流体力学相关的约束方程。
根据一些实施例，所述流体力学守恒方程可以包括动量守恒方程。根据一些其他的附加或者替代性实施例，所述流体力学守恒方程可以包括质量守恒方程。
根据一些实施例，其中，所述至少一个约束条件还可以包含至少一个限制条件。在这样的实施例中，除了流体力学约束之外，还可以采用其他限制条件(例如，每次迭代都施加一次限制条件)。根据一些实施例，所述至少一个限制条件可以包括以下各项中的至少一项：边界条件、初始条件、测量点真值。在其他实施例中，还可以包括其他的限制条件，例如对特定区域、特定病灶或斑块形状、或特定病人特性等的限制条件，等等。
根据一些实施例，其中，所述至少一个参数可以包括针对所述图像中的一个或多个采集点的流体力学参数。在一些示例中，能够对图像中的一个或多个采集点进行流体力学层面的约束，从而保证这些点本身和/或这些点之间符合相应的流体力学自然规律。
在这里使用“采集点”既可以指像素点，又可以指又几个或多个像素点组成的区域。例如，可以要求相邻像素或相邻区域的流体力学参数符合流体力学约束(以及可选地，其他限制条件的约束)。又例如，可以要求不相邻但是具有特定关系(例如，具有特定位置关系，与同样的第三区域相邻，等等)的像素或区域符合流体力学约束(以及可选地，其他限制条件的约束)。在其他示例中，流体力学约束可以针对单个像素或者区域。
根据一些实施例，其中，所述一个或多个采集点可以是所述图像中的关键点。
例如，关键点可以包括感兴趣区域中的点，例如事先确定或者通过其他算法确定的感兴趣区域中的点。又例如，关键点可以是基于几何形状确定的关键点，例如特定人体位置、血管位置、斑块位置或者特定形状的器官或组织处的关键点，等等。在这样的情况下，可以稀疏地对图像中的像素点采取流体力学的约束，从而节省计算资源，然而仍然能够实现准确的符合事实的结果。
根据一些实施例，其中，所述流体力学参数可以包括以下各项中的至少一项：体积力、压力、压力变化量。可以理解的是，本公开不限于此，并且可以适用于其余的血液参数，只要相应参数本身或其变形能够代入到相应的流体力学规则并且能够直接或间接地用于FFR的计算即可。
下面描述一个具体的非限制性实施例。在这样的具体示例中，物理约束的损失函数可以包含两部分：
L＝ωpde*Lpde+ωdata*Ldata
其中，Lpde和Ldata分别为“控制方程”和“数据”约束对应的损失函数，ωpde和ωdata为权重系数。
在这样的实施例中，Lpde的作用可以是确保神经网络的输出满足物理控制方程。可以理解的是，以上仅为示例。
例如，可以使用Navier-Stokes方程描述血液流动物理过程。
在这样的实施例中，Lpde可写成如下形式：
其中Npde是计算域内采样点数量，xi和ti分别为空间位置坐标与时间，和分别为神经网络输出的血液流速与压力。/>为神经网络输出的血液体积力，ρ和v分别为血液的密度和粘性系数。
可以理解的是，在这样的示例中，f1(xi,ti)＝0可以对应于动量守恒，f2(xi,ti)＝0可以对应于质量守恒。在这样的具体示例中，网络的预测结果可以包括预测条件U和体积力P，但是可以理解的是，对于U、P的定义。可以不限于体积力、约束条件等等。
此外，可以理解的是，本公开不限于此，也可以表示其他神经网络输出，只要其能够被代入到守恒方程即可。例如，原公式可以写为：
其中f0(xi,ti)是体积力。由此可以理解，在上文描述的实施例中，有神经网络的输出
作为一个其他示例，在网络输出的情形下，则动量守恒公式可以被更新为下式：
返回上文的示例，Ldata的作用可以是确保神经网络的输出满足给定的限制条件。Ldata可以包括边界条件、初始条件、以及测量点真值等限制，或者根据实际情况设置的(例如，用户设定的或者系统自动确定的)其他限制条件。
示例性地，Ldata可写成如下形式：
其中，Ndata可以是限制条件施加处采样点数量，ui(xi,ti)可以是给定的限制条件，并且可以是对应的神经网络输出。
根据这样的实施例，构造了两个守恒条件做为流体力学的约束，可以理解的是，本公开不限于此。例如，可以使用更多或更少的守恒条件作为约束条件。在这样的情况下，神经网络的输出可以用于构造守恒条件的方程。在其他的示例中，如果神经网络的输出包含其他项，例如代替体积力或者除了体积力之外还包含了动量守恒中的其它项，也是可以成立的。作为一个示例，神经网络的输出，可以是体积力、可以是体积力+delta P，等等。根据一个或多个实施例，能够采用网络的输出与流体力学参数，通过流体力学守恒方程，构建约束条件。
根据本公开的一个或多个实施例，与目标人体区域有关的图像数据可以是单个图像，也可以是图像序列，例如时间序列或者三维空间序列，等等。与目标人体区域有关的图像数据可以是包含目标人体区域的图像数据，例如原始采集的图像数据。与目标人体区域有关的图像数据可以是经处理的图像数据。作为一个具体的非限制性示例，与目标人体区域有关的图像数据可以包括多个图像或多个图像序列，例如，一个图像(或图像序列)是经处理的区域分割图(例如，区域分割掩码)，而另一个图像(或图像序列)是对应的采集值(例如，CT值掩码图)，等等。
虽然各个操作在附图中被描绘为按照特定的顺序，但是这不应理解为要求这些操作必须以所示的特定顺序或者按顺行次序执行，也不应理解为要求必须执行所有示出的操作以获得期望的结果。例如，在本文中依照次序描述的两个步骤可以以相反的顺序执行,或者可以并发地执行。又例如，可以省略本公开的各个实施例中的一个或多个步骤。
可以理解的是，贯穿本公开，图像序列可以是或可以包括二维图像数据，也可以是或者包括三维图像数据。图像序列可以是直接采集并存储或以其它方式发送到终端设备以供用户使用的图像数据。图像序列也可以是经过各种图像处理之后的经处理的图像数据。图像序列还可以经过其他分析过程(例如，是否存在病变特征或者病灶的分析过程)并且包含分析结果(例如，感兴趣区域的圈出、组织的分割结果等等)。可以理解的是，本公开不限于此。如图3所示，其中示出了CT造影图像的示例300，其中具有血管311和板块312，可以基于这样的图像来预测各类参数，并且可以基于预测的P0与P0’等参数计算FFR结果，并且本公开不限于此。
可以理解的是，贯穿本公开，诸如“流体力学模型”的用词可以是或者可以包括流体力学公式、函数、曲线、查找表等，可以是或者可以包括基于这样的公式、函数、曲线、查找表来建立的数学模型、网络模型、单元等等，并且本公开不限于此。
图4是图示出根据示例性实施例的数据处理装置400的示意性框图。数据处理装置400可以包括图像获取单元410、图像处理单元420和结果确定单元430。图像获取单元410可以用于获取与目标人体区域有关的图像数据。图像处理单元420可以用于基于至少一个约束条件处理所述图像以确定与所述目标人体区域的血液储备分数FFR有关的至少一个参数，其中，所述至少一个约束条件包含至少一个流体力学模型。结果确定单元430可以用于基于所述至少一个参数获得所述目标人体区域的预测的FFR结果。
应当理解，图4中所示装置400的各个模块可以与参考图2描述的方法200中的各个步骤相对应。由此，上面针对方法200描述的操作、特征和优点同样适用于装置400及其包括的模块。为了简洁起见，某些操作、特征和优点在此不再赘述。
根据本公开的实施例，还公开了一种计算设备，包括存储器、处理器以及存储在存储器上的计算机程序，其中，处理器被配置为执行计算机程序以实现根据本公开的实施例的数据处理方法及其变型例的步骤。
根据本公开的实施例，还公开了一种非暂态计算机可读存储介质，其上存储有计算机程序，其中，计算机程序被处理器执行时实现根据本公开的实施例的数据处理方法及其变型例的步骤。
根据本公开的实施例，还公开了一种计算机程序产品，包括计算机程序，其中，计算机程序被处理器执行时实现根据本公开的实施例的数据处理方法及其变型例的步骤。
虽然上面参考特定模块讨论了特定功能，但是应当注意，本文讨论的各个模块的功能可以分为多个模块，和/或多个模块的至少一些功能可以组合成单个模块。本文讨论的特定模块执行动作包括该特定模块本身执行该动作，或者替换地该特定模块调用或以其他方式访问执行该动作(或结合该特定模块一起执行该动作)的另一个组件或模块。因此，执行动作的特定模块可以包括执行动作的该特定模块本身和/或该特定模块调用或以其他方式访问的、执行动作的另一模块。例如，根据本公开的一个或多个实施例描述的各个模块或单元在一些实施例中可以组合成单个模块或单元。又例如，在本公开的一个或多个实施例中可能会以并列方式描述两个或多个模块或单元，而在其他一些实施例中，这些模块和单元之间可以具有一个或多个包含关系。如本文使用的，短语“实体A发起动作B”或“实体A使得执行动作B”可以是指实体A发出执行动作B的指令，但实体A本身并不一定执行该动作B。例如，短语“显示模块模块使得显示……”可以是指显示模块指示显示器(未示出)或其他可能的显示装置进行显示，而显示模块本身不需要执行“显示”的动作。
还应当理解，本文可以在软件硬件元件或程序模块的一般上下文中描述各种技术。上面关于图4描述的各个模块可以在硬件中或在结合软件和/或固件的硬件中实现。例如，这些模块可以被实现为计算机程序代码/指令，该计算机程序代码/指令被配置为在一个或多个处理器中执行并存储在计算机可读存储介质中。可替换地，这些模块可以被实现为硬件逻辑/电路。例如，在一些实施例中，根据本公开的一个或多个实施例描述的模块或单元中的一个或多个可以一起被实现在片上系统(System on Chip,SoC)中。SoC可以包括集成电路芯片(其包括处理器(例如，中央处理单元(Central Processing Unit,CPU)、微控制器、微处理器、数字信号处理器(Digital Signal Processor,DSP)等)、存储器、一个或多个通信接口、和/或其他电路中的一个或多个部件)，并且可以可选地执行所接收的程序代码和/或包括嵌入式固件以执行功能。
根据本公开的一方面，提供了一种计算设备，其包括存储器、处理器以及存储在存储器上的计算机程序。该处理器被配置为执行计算机程序以实现上文描述的任一方法实施例的步骤。
根据本公开的一方面，提供了一种非暂态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上文描述的任一方法实施例的步骤。
根据本公开的一方面，提供了一种计算机程序产品，其包括计算机程序，该计算机程序被处理器执行时实现上文描述的任一方法实施例的步骤。
在下文中，结合图5描述这样的计算机设备、非暂态计算机可读存储介质和计算机程序产品的说明性示例。
图5示出了可以被用来实施本文所描述的方法的计算机设备500的示例配置。举例来说，图1中所示的服务器120和/或客户端设备110可以包括类似于计算机设备500的架构。上述数据处理设备/装置也可以全部或至少部分地由计算机设备500或类似设备或系统实现。
计算机设备500可以是各种不同类型的设备，例如服务提供商的服务器、与客户端(例如，客户端设备)相关联的设备、片上系统、和/或任何其它合适的计算机设备或计算系统。计算机设备500的示例包括但不限于：台式计算机、服务器计算机、笔记本电脑或上网本计算机、移动设备(例如，平板电脑、蜂窝或其他无线电话(例如，智能电话)、记事本计算机、移动台)、可穿戴设备(例如，眼镜、手表)、娱乐设备(例如，娱乐器具、通信地耦合到显示设备的机顶盒、游戏机)、电视或其他显示设备、汽车计算机等等。因此，计算机设备500的范围可以从具有大量存储器和处理器资源的全资源设备(例如，个人计算机、游戏控制台)到具有有限的存储器和/或处理资源的低资源设备(例如，传统的机顶盒、手持游戏控制台)。
计算机设备500可以包括能够诸如通过系统总线514或其他适当的连接彼此通信的至少一个处理器502、存储器504、(多个)通信接口506、显示设备508、其他输入/输出(I/O)设备510以及一个或更多大容量存储设备512。
处理器502可以是单个处理单元或多个处理单元，所有处理单元可以包括单个或多个计算单元或者多个核心。处理器502可以被实施成一个或更多微处理器、微型计算机、微控制器、数字信号处理器、中央处理单元、状态机、逻辑电路和/或基于操作指令来操纵信号的任何设备。除了其他能力之外，处理器502可以被配置成获取并且执行存储在存储器504、大容量存储设备512或者其他计算机可读介质中的计算机可读指令，诸如操作系统516的程序代码、应用程序518的程序代码、其他程序520的程序代码等。
存储器504和大容量存储设备512是用于存储指令的计算机可读存储介质的示例，所述指令由处理器502执行来实施前面所描述的各种功能。举例来说，存储器504一般可以包括易失性存储器和非易失性存储器二者(例如RAM、ROM等等)。此外，大容量存储设备512一般可以包括硬盘驱动器、固态驱动器、可移除介质、包括外部和可移除驱动器、存储器卡、闪存、软盘、光盘(例如CD、DVD)、存储阵列、网络附属存储、存储区域网等等。存储器504和大容量存储设备512在本文中都可以被统称为存储器或计算机可读存储介质，并且可以是能够把计算机可读、处理器可执行程序指令存储为计算机程序代码的非暂态介质，所述计算机程序代码可以由处理器502作为被配置成实施在本文的示例中所描述的操作和功能的特定机器来执行。
多个程序模块可以存储在大容量存储设备512上。这些程序包括操作系统516、一个或多个应用程序518、其他程序520和程序数据522，并且它们可以被加载到存储器504以供执行。这样的应用程序或程序模块的示例可以包括例如用于实现包括方法200(包括方法200的任何合适的步骤)和/或本文描述的另外的实施例的部件/功能的计算机程序逻辑(例如，计算机程序代码或指令)。
虽然在图5中被图示成存储在计算机设备500的存储器504中，但是模块516、518、520和522或者其部分可以使用可由计算机设备500访问的任何形式的计算机可读介质来实施。如本文所使用的，“计算机可读介质”至少包括两种类型的计算机可读介质，也就是计算机存储介质和通信介质。
计算机存储介质包括通过用于存储信息的任何方法或技术实施的易失性和非易失性、可移除和不可移除介质，所述信息诸如是计算机可读指令、数据结构、程序模块或者其他数据。计算机存储介质包括而不限于RAM、ROM、EEPROM、闪存或其他存储器技术，CD-ROM、数字通用盘(DVD)、或其他光学存储装置，磁盒、磁带、磁盘存储装置或其他磁性存储设备，或者可以被用来存储信息以供计算机设备访问的任何其他非传送介质。
与此相对，通信介质可以在诸如载波或其他传送机制之类的已调数据信号中具体实现计算机可读指令、数据结构、程序模块或其他数据。本文所定义的计算机存储介质不包括通信介质。
计算机设备500还可以包括一个或更多通信接口506，以用于诸如通过网络、直接连接等等与其他设备交换数据，正如前面所讨论的那样。这样的通信接口可以是以下各项中的一个或多个：任何类型的网络接口(例如，网络接口卡(NIC))、有线或无线(诸如IEEE802.11无线LAN(WLAN))无线接口、全球微波接入互操作(Wi-MAX)接口、以太网接口、通用串行总线(USB)接口、蜂窝网络接口、BluetoothTM接口、近场通信(NFC)接口等。通信接口506可以促进在多种网络和协议类型内的通信，其中包括有线网络(例如LAN、电缆等等)和无线网络(例如WLAN、蜂窝、卫星等等)、因特网等等。通信接口506还可以提供与诸如存储阵列、网络附属存储、存储区域网等等中的外部存储装置(未示出)的通信。
在一些示例中，可以包括诸如监视器之类的显示设备508，以用于向用户显示信息和图像。其他I/O设备510可以是接收来自用户的各种输入并且向用户提供各种输出的设备，并且可以包括触摸输入设备、手势输入设备、摄影机、键盘、遥控器、鼠标、打印机、音频输入/输出设备等等。
虽然在附图和前面的描述中已经详细地说明和描述了本公开，但是这样的说明和描述应当被认为是说明性的和示意性的，而非限制性的；本公开不限于所公开的实施例。通过研究附图、公开内容和所附的权利要求书，本领域技术人员在实践所要求保护的主题时，能够理解和实现对于所公开的实施例的变型。在权利要求书中，词语“包括”不排除未列出的其他元件或步骤，并且词语“一”或“一个”不排除多个。在相互不同的从属权利要求中记载了某些措施的仅有事实并不表明这些措施的组合不能用来获益。

Claims (14)

1.一种数据处理方法，包括：
获取与目标人体区域有关的图像数据；以及
基于至少一个约束条件处理所述图像以确定与所述目标人体区域的血液储备分数FFR有关的至少一个参数，其中所述至少一个约束条件包含至少一个流体力学模型；以及
基于所述至少一个参数获得所述目标人体区域的预测的FFR结果。
2.根据权利要求1所述的方法，其中，基于至少一个约束条件处理所述图像以确定与所述目标人体区域的血液储备分数FFR有关的至少一个参数包括：
使用预训练的神经网络确定与所述目标人体区域有关的FFR结果，其中，所述至少一个流体力学模型被用作所述神经网络的损失函数。
3.根据权利要求1或2所述的方法，其中，所述至少一个流体力学模型包括流体力学守恒方程。
4.根据权利要求3所述的方法，其中，所述流体力学守恒方程包括动量守恒方程。
5.根据权利要求3或4所述的方法，其中，所述流体力学守恒方程包括质量守恒方程。
6.根据权利要求1-5中任一项所述的方法，其中，所述至少一个约束条件还包含至少一个限制条件。
7.根据权利要求6所述的方法，其中，所述至少一个限制条件包括以下各项中的至少一项：边界条件、初始条件、测量点真值。
8.根据权利要求1-7中任一项所述的方法，其中，所述至少一个参数包括针对所述图像中的一个或多个采集点的流体力学参数。
9.根据权利要求8所述的方法，其中，所述一个或多个采集点是所述图像中的关键点。
10.根据权利要求8或9所述的方法，其中，所述流体力学参数包括以下各项中的至少一项：体积力、压力、压力变化量。
11.一种数据处理装置，包括：
图像获取单元，用于获取与目标人体区域有关的图像数据；
图像处理单元，用于基于至少一个约束条件处理所述图像以确定与所述目标人体区域的血液储备分数FFR有关的至少一个参数，其中，所述至少一个约束条件包含至少一个流体力学模型；以及
结果确定单元，用于基于所述至少一个参数获得所述目标人体区域的预测的FFR结果。
12.一种计算设备，包括：
存储器、处理器以及存储在所述存储器上的计算机程序，
其中，所述处理器被配置为执行所述计算机程序以实现权利要求1-10中任一项所述方法的步骤。
13.一种非暂态计算机可读存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现权利要求1-10中任一项所述方法的步骤。
14.一种计算机程序产品，包括计算机程序，其中，所述计算机程序被处理器执行时实现权利要求1-10中任一项所述方法的步骤。
CN202311126643.6A 2023-09-01 2023-09-01 数据处理方法、装置、计算设备及存储介质 Pending CN117116485A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311126643.6A CN117116485A (zh) 2023-09-01 2023-09-01 数据处理方法、装置、计算设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311126643.6A CN117116485A (zh) 2023-09-01 2023-09-01 数据处理方法、装置、计算设备及存储介质

Publications (1)

Publication Number Publication Date
CN117116485A true CN117116485A (zh) 2023-11-24

Family

ID=88805377

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311126643.6A Pending CN117116485A (zh) 2023-09-01 2023-09-01 数据处理方法、装置、计算设备及存储介质

Country Status (1)

Country Link
CN (1) CN117116485A (zh)

Similar Documents

Publication Publication Date Title
EP2800517B1 (en) Method and system for sensitivity analysis in modeling blood flow characteristics
US8908947B2 (en) Integration of medical software and advanced image processing
US20160321427A1 (en) Patient-Specific Therapy Planning Support Using Patient Matching
EP3277169B1 (en) Systems and methods for estimating virtual perfusion images
US11139067B2 (en) Medical image display device, method, and program
JP2019169049A (ja) 医用画像特定装置、方法およびプログラム
JP2020054579A (ja) 疾患領域抽出装置、方法及びプログラム
Egger et al. Studierfenster: an open science cloud-based medical imaging analysis platform
JP2024009342A (ja) 文書作成支援装置、方法およびプログラム
JP2023504026A (ja) 医用イメージング・システムにおける自動式プロトコル指定
CN116779135A (zh) 用于计算血液储备分数的方法、装置、计算设备及介质
JP7007469B2 (ja) 医療文書作成支援装置、方法およびプログラム、学習済みモデル、並びに学習装置、方法およびプログラム
WO2021193548A1 (ja) 文書作成支援装置、方法およびプログラム
CN117116485A (zh) 数据处理方法、装置、计算设备及存储介质
CN117153344A (zh) 数据处理方法、装置、计算设备及存储介质
CN115546174B (zh) 图像处理方法、装置、计算设备及存储介质
JP7376715B2 (ja) 経過予測装置、経過予測装置の作動方法および経過予測プログラム
CN118115457A (zh) 血液流场信息确定方法、装置、计算设备及存储介质
JPWO2020066132A1 (ja) 医用画像診断支援装置、方法及びプログラム
CN115546154B (zh) 图像处理方法、装置、计算设备及存储介质
CN118115458A (zh) 人体医学信息确定方法、装置、计算设备及存储介质
CN117912699A (zh) 血液流场信息确定方法、模型获得方法、装置、计算设备
EP4312229A1 (en) Information processing apparatus, information processing method, program, trained model, and learning model generation method
CN117541742A (zh) 图像处理方法、装置、计算设备及存储介质
JP7209738B2 (ja) 画像解析装置、解析機能決定方法、及び解析機能決定プログラム

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