CN117291858A - 一种用于确定血流特性的方法、系统、装置和存储介质 - Google Patents

一种用于确定血流特性的方法、系统、装置和存储介质 Download PDF

Info

Publication number
CN117291858A
CN117291858A CN202210669343.1A CN202210669343A CN117291858A CN 117291858 A CN117291858 A CN 117291858A CN 202210669343 A CN202210669343 A CN 202210669343A CN 117291858 A CN117291858 A CN 117291858A
Authority
CN
China
Prior art keywords
blood vessel
cloud data
point cloud
vessel
blood flow
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
CN202210669343.1A
Other languages
English (en)
Inventor
郭健
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.)
Shanghai United Imaging Healthcare Co Ltd
Original Assignee
Shanghai United Imaging Healthcare 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 Shanghai United Imaging Healthcare Co Ltd filed Critical Shanghai United Imaging Healthcare Co Ltd
Priority to CN202210669343.1A priority Critical patent/CN117291858A/zh
Priority to PCT/CN2023/100201 priority patent/WO2023241625A1/en
Publication of CN117291858A publication Critical patent/CN117291858A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • 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
    • 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
    • G06N3/047—Probabilistic or stochastic networks
    • 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
    • G06N3/0475—Generative networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/094—Adversarial learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • 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
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • 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
    • G06T2207/10104—Positron emission tomography [PET]
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本说明书实施例提供一种用于确定血流特性的方法、系统、装置和储存介质，该方法包括获取血管图像；基于所述血管图像确定与所述血管图像对应的点云数据，其中，所述点云数据包括血管点的空间特征、结构特征、第一血流特征以及所述血管点的局部点集特征中的至少一种；通过血流特性确定模型基于所述点云数据，确定所述血管点的第二血流特征。

Description

一种用于确定血流特性的方法、系统、装置和存储介质
技术领域
本说明书涉及医学图像处理领域，特别涉及一种用于确定血流特性的方法、系统、装置和存储介质。
背景技术
血管(例如，冠状动脉血管、颈动脉血管、下肢血管等)时常会出现不同类型的斑块和不同程度的狭窄情况，而不同类型的斑块和不同程度的狭窄与血管的异常情况密切相关，因此，检测血管的血流特性十分重要。现有技术中血管的血流特性通常通过视觉评估进行，存在很大的观察者间差异和较大的主观性。
因此，需要提供一种用于确定血流特性的方法、系统、装置和存储介质，用于更加准确地确定血管的血流特性。
发明内容
本说明书实施例之一提供一种用于确定血流特性的方法。所述用于确定血管的血流特性的方法包括：获取血管图像；基于所述血管图像确定与所述血管图像对应的点云数据，其中，所述点云数据包括血管点的空间特征、结构特征、第一血流特征以及所述血管点的局部点集特征中的至少一种；通过血流特性确定模型基于所述点云数据，确定所述血管点的第二血流特征。
本说明书实施例之一提供一种用于确定血流特性的系统，血管图像获取模块，用于获取血管图像；点云数据获取模块，用于基于所述血管图像确定与所述血管图像对应的点云数据，其中，所述点云数据包括血管点的空间特征、结构特征、第一血流特征以及所述血管点的局部点集特征中的至少一种；血流特征确定模块，用于通过血流特性确定模型基于所述点云数据，确定所述血管点的第二血流特征。
本说明书实施例之一提供一种用于确定血流特性的装置，所述装置包括至少一个处理器以及至少一个存储器，所述至少一个存储器用于存储计算机指令；所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现用于确定血流特性的方法。
本说明书实施例之一提供一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行用于确定血流特性的方法。
附图说明
本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
图1是根据本说明书一些实施例所示的用于确定血流特性的系统的应用场景示意图；
图2是根据本说明书一些实施例所示的用于确定血流特性的系统的示例性框图；
图3是根据本说明书一些实施例所示的用于确定血流特性的方法的示例性流程图；
图4是根据本说明书一些实施例所示的获取虚拟血管的点云数据的示例性流程图；
图5是根据本说明书另一些实施例所示的获取虚拟血管的点云数据的示例性流程图；
图6是根据本说明书另一些实施例所示的血管图像的示意图；
图7是根据本说明书另一些实施例所示的基于虚拟血管的点云数据训练血流特性确定模型的示意图；
图8是根据本说明书另一些实施例所示的血管点的局部点集特征的示意图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
应当理解，本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
图1是根据本说明书一些实施例所示的用于确定血流特性的系统的应用场景100示意图。
在一些实施例中，应用场景100可以包括处理设备110、网络120、用户终端130、存储设备140和图像获取设备150。应用场景100可以通过实施本说明书中披露的方法和/或过程确定血管点的第二血流特征。
处理设备110可以用于处理来自应用场景100的至少一个组件或外部数据源(例如，云数据中心)的数据和/或信息。处理设备110可以通过网络120从用户终端130、存储设备140和/或图像获取设备150访问数据和/或信息。处理设备110可以直接连接用户终端130、存储设备140和/或图像获取设备150以访问信息和/或数据。例如，处理设备110可以从用户终端130、存储设备140和/或图像获取设备150获取血管图像。处理设备110可以对获取的数据和/或信息进行处理。例如，处理设备110可以基于血管图像确定与血管图像对应的点云数据，其中，点云数据包括血管点的空间特征、结构特征、第一血流特征以及血管点的局部点集特征中的至少一种；通过血流特性确定模型基于点云数据，确定血管点的第二血流特征。在一些实施例中，处理设备110可以是单个服务器或服务器组。处理设备110可以是本地的、远程的。处理设备110可以在云平台上实现。
网络120可以包括提供能够促进应用场景100的信息和/或数据交换的任何合适的网络。在一些实施例中，应用场景100的一个或多个组件(例如，处理设备110、用户终端130、存储设备140和/或图像获取设备150)之间可以通过网络120交换信息和/或数据。
在一些实施例中，网络120可以是有线网络或无线网络中的任意一种或多种。在一些实施例中，网络120可以包括一个或以上网络接入点。例如，网络120可以包括有线或无线网络接入点，例如，基站和/或网络交换点，通过这些网络接入点，应用场景100的一个或多个组件可连接到网络120以交换数据和/或信息。
用户终端130指用户所使用的一个或多个终端或软件。在一些实施例中，用户终端130是指医护人员(例如，护工、医生等)使用的终端或软件。在一些实施例中，用户终端130可以包含但不限于智能电话、平板电脑、膝上型计算机、台式计算机等。在一些实施例中，用户终端130可以通过网络120与应用场景100中的其他组件交互。例如，用户终端130可以向处理设备110发送一个或多个控制指令以控制处理设备110基于血管图像确定与血管图像对应的点云数据。还例如，用户终端130可以从处理设备110获取血管点的第二血流特征。
存储设备140可以用于存储数据、指令和/或任何其他信息。在一些实施例中，存储设备140可以存储从处理设备110、用户终端130和/或图像获取设备150等获得的数据和/或信息。例如，存储设备140可以存储图像获取设备150获取的血管图像。又例如，存储设备140可以存储训练好的机器学习模型。在一些实施例中，存储设备140可包括大容量存储器、可移除存储器等或其任意组合。
图像获取设备150可以是用于获取血管图像的设备。在一些实施例中，图像获取设备150可以对被测物进行扫描，得到扫描数据和并生成血管图像。被测物可以是检测对象的整体或其中的一部分。检测对象可以包括人体(例如，患者)、动物等生物体。作为示例，被测物可以包括器官、组织、病变部位、肿瘤部位或者上述部位的任意组合。具体例如，被测物可以是头部、胸部、腹部、心脏、肝脏、上肢、下肢等，或者上述部位的任意组合。在一些实施例中，图像获取设备150可以是一个设备或一个设备组。具体地，图像获取设备150可以是一个医学成像系统，例如，一个正电子发射型计算机断层显像(Positron EmissionTomography，PET)设备、一个单光子发射计算机断层成像(Single Photon EmissionComputed Tomography，SPECT)设备、一个计算机断层扫描(Computed Tomography，CT)设备、一个磁共振成像(Magnetic Resonance Imaging，MRI)设备等。进一步地，医学成像系统可以是单独使用，也可以结合使用。例如，一个PETCT设备、一个PETMRI设备或一个SPECTMRI设备等。
在一些实施例中，图像获取设备150可以包括一个扫描仪，扫描仪可以对既定目标进行扫描，并获得与之相关的信息(例如扫描数据)。进一步地，图像获取设备150可以是一个放射性扫描设备。该放射性扫描设备可以包括一个放射性扫描源。放射性扫描源可以向既定目标发射放射性射线。放射性射线可以包括微粒射线、光子射线等中的一种或其组合。微粒射线可以包括中子、质子、电子、μ介质、重离子等中的一种或其组合。光子射线可以包括X射线、γ射线、α射线、β射线、紫外线、激光等中的一种或其组合。作为示例，光子射线可能是X射线，其相应的图像获取设备150则可以是一个CT系统、一个数字式射线成像系统(DR)、一个多模态医学成像系统等其中的一种或多种。进一步地，在一些实施例中，多模态医学成像系统可以包括CTPET系统、SPECTMRI系统等中的一种或多种。
在一些实施例中，图像获取设备150可以包括腔体151、床架152、高压发生器、操作控制计算机设备和图像生成器。腔体151内部可以收容用来产生和检测放射性射线的组件。在一些实施例中，腔体151可以收容辐射发生器154和探测器153。辐射发生器154可以发射放射性射线。放射性射线可以发射到置于腔体151中的物体处，并透过物体被探测器153接收。作为示例，辐射发生器154可以是一个X射线管。X射线管可以发射X射线，该射线透过置于腔体151内部的物体，并被探测器153接收。在一些实施例中，探测器153可以是圆形探测器、方形探测器、或弧形探测器等。弧形探测器的旋转角度可以是在0度到360度之间。在一些实施例中，弧形探测器的旋转角度可以是固定不变的。在一些实施例中，弧形探测器的旋转角度可以根据需要调整。例如，可以根据所需要的图像的分辨率、图像的大小、探测器的灵敏度、探测器的稳定性或其中的一种或者几种的组合，进行调整。在一些实施例中，探测器153可以是一维探测器、二维探测器、或三维探测器。
床架152可以支撑检测对象(例如，待检测的病人)。在一些实施例中，床架152可以在检测过程中在腔体151内部移动。根据检测的需要，病人可以仰卧、俯卧、头部在前或脚部在前。在一些实施例中，床架152可以以恒定的速度在腔体151内部移动。床架152移动的速度可以和扫描时间、扫描区域等因素相关。在一些实施例中，床架152移动的速度可以是系统默认值，也可以由用户设定。
高压发生器可以产生高压或者强电流。在一些实施例中，所产生的高压或强电流可以传输至辐射发生器154。所产生的高压可以是80kV至140kV、75Kv至150kV或120kV至140kV。所产生的电流可以是20mA至500mA。
操作控制计算机设备可以与腔体151、辐射发生器154、探测器153、高压发生器、床架152和/或图像生成器相关联。上述设备之间可以通过直接或者间接的方式相连接。在一些实施例中，操作控制计算机设备可以控制腔体151旋转至某一位置。该位置可以是系统默认值，也可以由用户(例如医生、护士等)设定。在一些实施例中，操作控制计算机设备可以控制高压发生器。例如，操作控制计算机设备可以控制高压发生器产生的电压或电流的强度。
图像生成器可以生成图像。在一些实施例中，图像生成器可以进行图像预处理、图像重建、和/或血管提取等操作，以生成血管图像。图像生成器可以和探测器153、操作控制计算机设备和/或外部数据源(图中未体现)相关联。在一些实施例中，图像生成器可以从探测器153或者外部数据源接收数据，并基于所接收的数据生成血管图像。外部数据源可以是硬盘、软盘、随机存储器(random access memory,RAM)、动态随机存储器(dynamic randomaccess memory,DRAM)、静态随机存储器(static random accessmemory,SRAM)、磁泡存储器(bubble memory)、薄膜存储器(thin film memory)、磁镀线存储器(magnetic platedwire memory)、相变存储器(phase change memory)、闪速存储器(flash memory)、云盘(acloud disk)等中的一种或多种。
应当注意应用场景100仅仅是为了说明的目的而提供的，并不意图限制本说明书的范围。对于本领域的普通技术人员来说，可以根据本说明书的描述，做出多种修改或变化。例如，应用场景100还可以包括数据库。然而，这些变化和修改不会背离本说明书的范围。
图2是根据本说明书一些实施例所示的用于确定血流特性的系统200的示例性框图。
如图2所示，用于确定血流特性的系统200可以包括血管图像获取模块210、点云数据获取模块220和血流特征确定模块230。在一些实施例中，用于确定血流特性的系统200还可以包括训练数据生成模块240。
血管图像获取模块210可以用于获取血管图像。
点云数据获取模块220可以用于基于血管图像确定与血管图像对应的点云数据，其中，点云数据包括血管点的空间特征、结构特征、第一血流特征以及血管点的局部点集特征中的至少一种；
血流特征确定模块230可以用于通过血流特性确定模型基于点云数据，确定血管点的第二血流特征，其中，第一血流特征和第二血流特征包括血管的血压特征、输运特征以及力学特征中的至少一种。在一些实施例中，用于训练血流特性确定模型的训练数据至少包括虚拟血管的点云数据，虚拟血管的点云数据包括至少一个虚拟血管点的空间特征、结构特征、第一血流特征以及局部点集特征中的至少一种。
训练数据生成模块240可以用于生成虚拟血管的点云数据，虚拟血管的点云数据用于训练血流特性确定模型。
在一些实施例中，训练数据生成模块240还可以用于：获取样本血管的点云数据；通过样本血管的点云数据训练深度学习网络模型；通过训练后的深度学习网络模型生成虚拟血管的点云数据。
在一些实施例中，训练数据生成模块还可以用于：生成至少一根血管中心线；对于每根血管中心线，对血管中心线上每个点，生成对应的虚拟截面；基于虚拟截面，生成虚拟血管的点云数据。
关于血管图像获取模块210、点云数据获取模块220、血流特征确定模块230和训练数据生成模块240的更多描述可以参见图3及其相关描述，此处不再赘述。
需要注意的是，以上对于用于确定血流特性的系统200及其模块的描述，仅为描述方便，并不能把本说明书限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该系统的原理后，可能在不背离这一原理的情况下，对各个模块进行任意组合，或者构成子系统与其他模块连接。在一些实施例中，图2中披露的血管图像获取模块210、点云数据获取模块220、血流特征确定模块230和训练数据生成模块240可以是一个系统中的不同模块，也可以是一个模块实现上述的两个或两个以上模块的功能。例如，各个模块可以共用一个存储模块，各个模块也可以分别具有各自的存储模块。诸如此类的变形，均在本说明书的保护范围之内。
图3是根据本说明书一些实施例所示的用于确定血流特性的方法的示例性流程图。如图3所示，流程300包括下述步骤。在一些实施例中，流程300可以由处理设备110和/或用于确定血流特性的系统200执行。
步骤310，获取血管图像。在一些实施例中，步骤310可以由血管图像获取模块210执行。
血管图像为包括血管的图像。血管可以是头颈部血管、腹部血管、下肢血管等，其中，头颈部血管可以包括椎动脉、基底动脉、颈内动脉等，腹部血管可以包括腹主动脉、肾动脉、肝门静脉等，下肢血管可以包括深静脉、浅静脉、下肢交通静脉和下肢肌肉静脉等。血管图像的格式可以为Joint Photographic Experts Group(JPEG)、标签图像文件格式(TagImage File Format，TIFF)、图形交换格式(Graphics Interchange Format，GIF)、医疗中的数字图像和通信格式(Digital Imaging and Communications in Medicine，DICOM)等。血管图像可以是二维(2D，two-dimensional)图像或三维(3D，three-dimensional)图像。
在一些实施例中，血管图像可以基于被测物的医学影像(例如，MRI图像、CT图像、PET图像或上述图像的任意组合)生成。例如，血管图像获取模块210可以将获取的医学影像输入血管分割网络中进行分割处理，可以得到该医学影像对应的血管图像，如图6所示，血管图像可以为血管区域的二值化掩模图像，即血管区域与背景区域分离用不同颜色表示，其中，血管区域可以为白色，背景区域可以为黑色。在一些实施例中，血管分割网络可以为神经网络，如卷积神经网络、循环神经网络等分割网络。关于图像获取设备150的更多描述可以参见图1及其相关描述。
在一些实施例中，血管图像获取模块210可以从用户终端130、存储设备140、图像获取设备150和/或外部数据源获取被测物的医学影像。
在一些实施例中，血管图像获取模块210还可以对血管图像进行其他处理，例如，滤波去噪、灰度的归一化、图像水平旋转、尺度大小的校正等。
步骤320，基于血管图像确定与血管图像对应的点云数据。在一些实施例中，步骤320可以由点云数据获取模块220执行。
血管图像对应的点云数据是构成血管图像对应的血管的多个血管点的相关信息的集合。
在一些实施例中，点云数据可以包括血管点的空间特征、结构特征、第一血流特征以及所述血管点的局部点集特征中的至少一种。
血管点的空间特征为与血管点的空间位置相关的信息，例如，空间坐标、法向空间特征等中的至少一个，其中，法向空间特征可以指血管的血管中心线指向血管点的方向。在一些实施例中，点云数据获取模块220可以基于血管图像生成血管点的空间特征。例如，点云数据获取模块220可以基于血管图像中各血管点的像素值确定血管点的空间坐标。又例如，点云数据获取模块220可以基于血管图像建立血管的三维模型，基于血管的三维模型获取各血管点的空间坐标。又例如，点云数据获取模块220可以先基于血管图像确定血管中心线，将血管点垂直投影至血管中心线上，获取投影点，将该投影点指向该血管点的方向作为该血管点的法向空间特征。
结构特征为与血管点处的结构相关的信息，例如，血管点所在处的血管管径、血管截面面积、血管点狭窄率、血管点曲率等的至少一个，其中，血管管径可以为血管点所在血管截面的直径，血管截面面积可以为血管截面的面积，血管点狭窄率可以为血管点的凹陷程度，血管点曲率可以为血管点的弯曲程度。在一些实施例中，点云数据获取模块220可以基于血管图像生成血管点的结构特征。例如，点云数据获取模块220可以通过行业相关人员(例如，医生、专家等)基于血管图像确定各个血管点的结构特征。又例如，点云数据获取模块220可以通过第一结构特征生成模型基于血管图像生成血管点的结构特征，其中，第一结构特征生成模型为用于从血管图像中提取血管点的结构特征的机器学习模型，第一结构特征生成模型的输入可以为血管图像，第一结构特征生成模型的输出可以为血管点的结构特征，第一结构特征生成模型可以包括卷积神经网络(CNN)、循环神经网络(RNN)、多层神经网络(MLP)、对抗神经网络(GAN)等一种或多种的组合。在一些实施例中，点云数据获取模块220可以通过多组训练样本可以更新初始第一结构特征生成模型的参数，得到训练好的第一结构特征生成模型，其中，训练样本可以包括样本血管的血管图像，训练样本的标签为样本血管的血管点的结构特征。
在一些实施例中，点云数据获取模块220可以基于血管点的空间特征确定血管点的结构特征。例如，点云数据获取模块220可以获取血管点的空间坐标确定血管管径、血管截面面积、血管点狭窄率、血管点曲率等的至少一个。示例地，点云数据获取模块220可以获取与血管点位于同一截面的多个血管点的空间坐标，从而获取该血管点所在的血管截面的轮廓，进而获取该血管管径和/或血管截面面积。又示例地，点云数据获取模块220可以获取血管点的空间坐标，并基于该血管点的法向空间特征获取该血管点与血管中心线之间的法向距离，基于该法向距离确定血管点狭窄率。可以理解的，法向距离越小，血管点的狭窄率越高。
又例如，点云数据获取模块220可以通过第二结构特征生成模型基于血管图像对应的血管的多个血管点的空间特征生成血管点的结构特征，第二结构特征生成模型的输入可以为血管图像对应的血管的多个血管点的空间特征，第二结构特征生成模型的输出可以为血管点的结构特征，第二结构特征生成模型的结构和训练方式与第一结构特征生成模型相似，关于第二结构特征生成模型的更多描述可以参见第一结构特征生成模型的相关描述。可以理解的，用于训练第二结构特征生成模型点的训练样本包括样本血管图像对应的样本血管的多个血管点的空间特征，训练样本的标签为样本血管的血管点的结构特征。
第一血流特征为基于医学图像确定的与血管点处血流相关的信息。在一些实施例中，第一血流特征可以包括血管点的血压特征、输运特征以及力学特征中的至少一种，其中，血压特征可以为血液在该血管点流动时作用于单位面积血管壁的侧压力；输运特征可以为与血液从该血管点流动相关的信息，例如，血流速度(例如，平均血流速度、最大血流速度等)、血液粘稠度等；力学特征可以为与血管点所受力相关的信息，例如，血管点所受的剪切应力等。在一些实施例中，点云数据获取模块220可以基于血管图像生成血管点的第一血流特征。例如，点云数据获取模块220可以通过行业相关人员(例如，医生、专家等)基于血管图像确定各个血管点的第一血流特征。又例如，点云数据获取模块220可以通过血流特征获取模型基于血管图像生成血管点的结构特征。血流特征获取模型的结构和训练方式与第一结构特征生成模型相似，关于血流特征获取模型的更多描述可以参见第一结构特征生成模型的相关描述。可以理解的，用于训练血流特征获取模型的训练样本包括样本血管图像，训练样本的标签为样本血管图像对应的样本血管的血管点的第一血流特征。
血管点的局部点集特征为与血管点所在血管段相关的信息。如图8所示，例如，血管点所处血管段的狭窄长度、近端直径、远端直径、入口角、入口长度、出口角、出口长度、最狭窄处截面面积(图中未示出)、血管段最大径(图中未示出)、血管段最小径、血管段狭窄率(图中未示出)等。其中，血管点所处血管段可以为血管中包含有该血管点的一段。血管段的狭窄长度为血管段出现狭窄的总长度；近端直径为血管段离心脏较近一端的直径；远端直径为血管段离心脏较远一端的直径；入口角为血管段中狭窄部分靠近近端的一端的入射角度；出口角为血管段中狭窄部分靠近远端的一端的出射角度；入口长度为入口角对应的血管段中狭窄部分的一端的长度；出口长度为出口角对应的血管段中狭窄部分的另一端的长度；最狭窄处截面面积为血管段狭窄最大处截面的面积；血管段最大径为血管段的最大直径；血管段最小径为血管段的最小直径；血管段狭窄率为血管段的狭窄率最大值，可以理解的，血管段狭窄率可以为组成该血管段的血管点的狭窄率的最大值。
在一些实施例中，点云数据获取模块220可以基于血管图像生成血管点的局部点集特征。例如，点云数据获取模块220可以从血管图像中切割处血管点所在的血管段的图像，基于血管段的图像确定血管点的局部点集特征。示例地，点云数据获取模块220可以基于血管段的图像生成血管段的三维模型，基于血管段的三维模型确定血管段的狭窄长度、近端直径、远端直径、狭窄入口角、入口长度、出口角、最狭窄处截面面积、血管段最大径、血管段最小径。又示例地，点云数据获取模块220可以基于组成该血管段的血管点的空间特征、结构特征和/或第一血流特征，确定血管点的局部点集特征。
又例如，点云数据获取模块220可以通过局部点集特征获取模型基于血管图像生成血管点的局部点集特征。局部点集特征获取模型的结构和训练方式与第一结构特征生成模型相似，关于局部点集特征获取模型的更多描述可以参见第一结构特征生成模型的相关描述。可以理解的，用于训练血流特征获取模型的训练样本包括样本血管图像，训练样本的标签为样本血管图像对应的样本血管的血管点的局部点集特征。
步骤330，通过血流特性确定模型基于点云数据，确定血管点的第二血流特征。在一些实施例中，步骤330可以由血流特征确定模块230执行。
第二血流特征为基于点云数据预测的与血管点处血流相关的信息。在一些实施例中，第二血流特征可以包括血管点的血压特征、输运特征以及力学特征中的至少一种。可以理解的，第一血流特征可以包括血管点的血压特征、输运特征以及力学特征中的一部分，第二血流特征可以包括血管点的血压特征、输运特征以及力学特征中的另一部分。例如，第一血流特征可以包括血管点的血压特征、输运特征，第二血流特征可以包括力学特征。又例如，第一血流特征可以包括血管点的血压特征，第二血流特征可以包括输运特征和力学特征。
在一些实施例中，第二血流特征还可以包括血流储备分数(FFR，Fractional FlowReserve)，FFR是指某条狭窄动脉的最大血流量与该动脉正常时最大血流量之比，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。FFR可以用于冠脉病变的评估，还可以用于评估冠脉病变引起的狭窄对下游供血的影响。
血流特性确定模型是指用于基于血管图像对应的点云数据确定血管点的第二血流特征的机器学习模型。血流特性确定模型的输入为血管图像对应的血管点的空间特征、结构特征、第一血流特征以及血管点的局部点集特征中的至少一种，血流特性确定模型的输出为血管点的第二血流特征。
在一些实施例中，血流特性确定模型的参数可以通过多个有标签的训练样本训练得到。在一些实施例中，血流特征确定模块230可以获得多组训练样本，每组训练样本可以包括多个训练数据及训练数据对应的标签，训练数据可以包括样本血管点的空间特征、结构特征、第一血流特征以及血管点的局部点集特征中的至少一种，训练数据对应的标签可以为该血管点的第二血流特征。在一些实施例中，训练样本的标签可以通过多种方式获取，例如，通过人工标注，又例如，从用户终端130、存储设备140和/或外部数据源获取。
通过多组训练样本可以更新初始血流特性确定模型的参数，得到训练好的血流特性确定模型。在一些实施例中，可以基于多个训练样本迭代更新初始血流特性确定模型的参数，以使初始血流特性确定模型满足预设条件，例如，损失函数收敛、损失函数值小于预设值或迭代次数大于预设次数等。当初始血流特性确定模型满足预设条件时模型训练完成，得到训练好的血流特性确定模型。
在一些实施例中，训练数据可以包括真实血管的点云数据，其中，真实血管的点云数据可以基于被测物的医学影像生成。
在一些实施例中，训练数据可以至少包括虚拟血管的点云数据，虚拟血管的点云数据包括至少一个虚拟血管点的空间特征、结构特征、第一血流特征以及局部点集特征中的至少一种。例如，血流特征确定模块230可以只使用虚拟血管的点云数据训练血流特性确定模型。例如，血流特征确定模块230可以使用一部分真实血管的点云数据和一部分虚拟血管的点云数据训练血流特性确定模型。示例地，可以使用50份的真实血管的点云数据和300份的虚拟血管的点云数据训练血流特性确定模型。
在一些实施例中，血流特征确定模块230可以通过多种方式获取虚拟血管的点云数据，例如，通过行业相关人员(例如，医生、专家等)生成虚拟血管的点云数据。在一些实施例中，血流特征确定模块230获取虚拟血管的点云数据，还可以获取血管点的第二血流特征。
在一些实施例中，血流特征确定模块230可以获取样本血管的点云数据；通过样本血管的点云数据训练深度学习网络模型；通过训练后的深度学习网络模型生成虚拟血管的点云数据，其中，深度学习网络模型为用于生成虚拟血管的点云数据的机器学习模型，深度学习网络模型可以用于学习样本血管的点云数据，并生成虚拟血管的点云数据。其中，深度学习网络模型可以包括卷积神经网络(CNN)、循环神经网络(RNN)、多层神经网络(MLP)、对抗神经网络(GAN)等一种或多种的组合。
在一些实施例中，深度学习网络模型可以包括对抗深度学习网络模型，血流特征确定模块230可以通过对抗深度学习网络模型生成虚拟血管的点云数据，关于通过对抗深度学习网络模型生成虚拟血管的点云数据的更多描述可以参见图4及其相关描述，此处不再赘述。
在一些实施例中，血流特征确定模块230可以基于血管中心线生成虚拟血管的点云数据，关于基于血管中心线生成虚拟血管的点云数据的更多描述可以参见图5及其相关描述，此处不再赘述。
在一些实施例中，虚拟血管的点云数据包括血管病变数据。
血管病变数据为与虚拟血管发生病变处的病变血管点的相关信息，例如，病变血管点的空间特征、结构特征、第一血流特征以及局部点集特征中的至少一种。可以理解的，病变血管点的空间特征、结构特征、第一血流特征以及局部点集特征中的至少一种与正常血管点不同。例如，正常血管点的血管点狭窄率为0～10％，而病变血管点的血管点狭窄率为10％～90％。
在一些实施例中，血流特征确定模块230可以从用户终端130、存储设备140、图像获取设备150和/或外部数据源获取血管病变数据。在一些实施例中，血流特征确定模块230可以基于对抗深度学习网络模型和/或病变血管段的血管中心线生成。
在一些实施例中，血流特征确定模块230可以基于血管病变数据对虚拟血管的点云数据进行调整，以生成虚拟病变血管的点云数据。例如，血流特征确定模块230可以将血管病变数据插入至虚拟血管的点云数据，以形成虚拟病变血管的点云数据。又例如，血流特征确定模块230可以用血管病变数据替换虚拟血管的点云数据中的部分数据，以形成虚拟病变血管的点云数据。示例地，血流特征确定模块230可以根据使用病变血管点替换虚拟血管的点云数据中空间特征相似的虚拟血管点，以形成虚拟病变血管的点云数据。虚拟病变血管的点云数据和虚拟血管的点云数据均可以用于训练初始血流特性确定模型。
在一些实施例中，通过加入血管病变数据，生成虚拟病变血管的点云数据，从而模拟真实病变血管样本对血流特性确定模型进行训练，使得训练后的血流特性确定模型的参数更加准确。
参照图7，在一些实施例中，血流特征确定模块230可以基于虚拟血管的点云数据710，获取虚拟血管点的第二血流特征720。血流特征确定模块230可以将虚拟血管点的第二血流特征作为虚拟血管的点云数据的标签。血流特征确定模块230可以基于虚拟血管的点云数据710及第二血流特征720，对初始血流特性确定模型730进行多次训练，直至训练后的初始血流特性确定模型740满足预设条件，再将满足预设条件的初始血流特性确定模型作为血流特性确定模型750。
在一些实施例中，通过虚拟血管的点云数据对初始血流特性确定模型训练，可以使得在真实样本数据较少时，或获取真实样本数据成本较大时，保证训练后的血流特性确定模型的精度。
在一些实施例中，血流特性确定模型可以包括卷积神经网络(CNN)、循环神经网络(RNN)、多层神经网络(MLP)、对抗神经网络(GAN)等一种或多种的组合。
在一些实施例中，血流特性确定模型可以由点云网络、多层神经网络及递归卷积神经网络按照任意顺序组成。例如，血流特性确定模型可以由点云网络、多层神经网络及递归卷积神经网络依次组合而成。又例如，血流特性确定模型可以先通过多层神经网络、点云网络及递归卷积神经网络依次组合而成。
在一些实施例中，利用机器学习算法训练生成血流特性确定模型，可以挖掘各种维度的数据(例如，点云数据、第二血流特征等)之间的关系。这种关系往往包括传统的血流特征确定方法或者人工确定血流特征的方法难以获得的深层关系。因此使用血流特性确定模型可以提高获得的第二血流特征的准确度。
在一些实施例中，通过获取血管图像，确定与血管图像对应的点云数据，点云数据可以包括更多维的与血管相关的信息，再基于点云数据，可以更加快速且准确地确定血管点的第二血流特征。
应当注意的是，上述有关流程300的描述仅仅是为了示例和说明，而不限定本说明书的适用范围。对于本领域技术人员来说，在本说明书的指导下可以对流程300进行各种修正和改变。然而，这些修正和改变仍在本说明书的范围之内。
图4是根据本说明书一些实施例所示的获取虚拟血管的点云数据的示例性流程图。如图4所示，获取虚拟血管的点云数据可以包括以下步骤。
步骤410，获取样本血管的点云数据。在一些实施例中，步骤410可以由训练数据生成模块240执行。
在一些实施例中，样本血管的点云数据可以包括真实血管的点云数据。例如，训练数据生成模块240可以预先获取多张多种类型的被测物的医学影像作为样本医学影像，并基于样本医学影像生成样本血管图像，再基于样本血管图像生成真实血管的点云数据。示例地，训练数据生成模块240可以将获取的样本医学影像输入血管分割网络中进行分割处理，可以得到该样本医学影像对应的样本血管图像，再基于样本血管图像生成真实血管的点云数据。关于血管分割网络的更多描述可以参见图3及其相关描述，此处不再赘述。
在一些实施例中，样本血管的点云数据可以包括虚拟生成的血管的点云数据。例如，训练数据生成模块240可以基于生成至少一根血管中心线，对于每根血管中心线，对血管中心线上每个点，生成对应的虚拟截面，基于虚拟截面，生成虚拟血管的点云数据，将虚拟血管的点云数据作为样本血管的点云数据，关于基于至少一根血管中心线生成样本血管的点云数据的更多描述可以参见图5及其相关描述，此处不再赘述。
在一些实施例中，基于血管中心线生成虚拟血管的点云数据，可以生成大量的用于训练对抗深度学习网络模型的训练样本，减少获取训练样本的工作量，同时保证了训练后的对抗深度学习网络模型的精度。
步骤420，通过样本血管的点云数据训练对抗深度学习网络模型。在一些实施例中，步骤420可以由训练数据生成模块240执行。
训练数据生成模块240可以预先构建初始对抗深度学习网络模型，初始对抗深度学习网络模型包括一个生成器和一个判别器，然后通过样本血管的点云数据训练初始对抗深度学习网络模型，初始对抗深度学习网络模型的生成器的输入为随机噪声和样本血管的点云数据，初始对抗深度学习网络模型的生成器的输入还可以包括样本血管点的第二血流特征，初始对抗深度学习网络模型的生成器的输出为虚拟血管的点云数据，初始对抗深度学习网络模型的生成器的输出还可以包括虚拟血管点的第二血流特征，判别器的输入为样本血管的点云数据和虚拟血管的点云数据，在一些实施例中，判别器的输入还可以包括样本血管点的第二血流特征和虚拟血管点的第二血流特征，通过判别器将样本血管的点云数据和虚拟血管的点云数据进行比较，判断虚拟血管的点云数据是生成器虚拟生成的概率。在一些实施例中，在比较样本血管的点云数据和虚拟血管的点云数据的基础上，判别器还可以将样本血管点的第二血流特征和虚拟血管点的第二血流特征进行比较，判断虚拟血管的点云数据是生成器虚拟生成的概率。基于判别器的判断结果，通过反向传播算法，再反馈给生成器，指导生成器生成更真实的虚拟血管的点云数据，同时判别器也提高自己的判别能力。通过损失函数进行迭代训练，两者相互对抗，直至生成器能依照样本血管的点云数据生成虚拟血管的点云数据，以至于判别器无法区分样本血管和虚拟血管，则达到纳什均衡状态，或迭代次数达到阈值，完成初始对抗深度学习网络模型的训练，得到对抗深度学习网络模型。
步骤430，通过训练后的对抗深度学习网络模型生成虚拟血管的点云数据。在一些实施例中，步骤430可以由训练数据生成模块240执行。
在一些实施例中，训练数据生成模块240可以重复多次通过训练后的对抗深度学习网络模型的生成器基于样本血管的点云数据生成虚拟血管的点云数据，以获取多组虚拟血管的点云数据。在一些实施例中，对抗深度学习网络模型的输出还可以包括虚拟血管点的第二血流特征。
在一些实施例中，通过对抗深度学习网络模型基于少量的真实血管的点云数据和/或虚拟生成的血管的点云数据可以生成大量的用于训练血流特性确定模型的训练样本，减少获取训练样本的工作量，同时保证了训练后的血流特性确定模型的精度，同时，利用机器学习算法训练生成对抗深度学习网络模型，可以挖掘各种维度的数据(例如，血管点的空间特征、结构特征、第一血流特征以及所述血管点的局部点集特征等)之间的关系，使得虚拟生成的血管的点云数据更真实。
图5是根据本说明书另一些实施例所示的获取虚拟血管的点云数据的示例性流程图。如图5所示，获取虚拟血管的点云数据可以包括以下步骤。
步骤510，生成至少一根血管中心线。在一些实施例中，步骤510可以由训练数据生成模块240执行。
血管中心线为用于生成虚拟血管的一条线段。在一些实施例中，血管中心线可以由多个空间点构成。
在一些实施例中，训练数据生成模块240可以在同一空间参考系下生成两个端点，两个端点的连线即为血管中心线，血管中心线可以为直线或曲线。
在一些实施例中，训练数据生成模块240可以从用户终端130、存储设备140、图像获取设备150和/或外部数据源获取两个端点在该空间参考系下的坐标。在一些实施例中，训练数据生成模块240还可以随机生成两个端点在该空间参考系下的坐标。
步骤520，对于每根血管中心线，对血管中心线上每个点，生成对应的虚拟截面。在一些实施例中，步骤520可以由训练数据生成模块240执行。
虚拟截面为基于血管中心线上的一个点在该空间参考系下生成的一个平面。例如，训练数据生成模块240可以基于约束条件以血管中心线上的点为中心生成虚拟截面。其中，约束条件可以为虚拟截面的形态相关的信息，例如，直径范围、形状等。对于血管中心线上每个点，训练数据生成模块240可以均生成一个虚拟截面，不同点的虚拟截面相互平行。虚拟截面可以为圆形、椭圆形、月牙形或任意不规则形状等。
步骤530，基于虚拟截面，生成虚拟血管的点云数据。在一些实施例中，步骤530可以由训练数据生成模块240执行。
在一些实施例中，对于每一个虚拟截面，训练数据生成模块240可以在虚拟截面的轮廓上生成多个血管点，从而获取构成虚拟血管的多个血管点，生成虚拟血管的点云数据。
在一些实施例中，通过至少一根血管中心线生成大量的用于训练血流特性确定模型的虚拟血管的点云数据，无需采集真实血管的训练样本，减少训练血流特性确定模型的工作量，同时保证了训练后的血流特性确定模型的精度。
本说明书实施例之一提供一种用于确定血流特性的装置，所述装置包括至少一个处理器以及至少一个存储器，所述至少一个存储器用于存储计算机指令；所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现用于确定血流特性的方法。所述方法可以包括：获取血管图像；基于血管图像确定与所述血管图像对应的点云数据；通过血流特性确定模型基于所述点云数据，确定所述血管点的第二血流特征。关于用于确定血流特性的方法的更多描述可以参见图3至图5及其相关描述，此处不再赘述。
处理器可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制用于确定血流特性的装置中的其他组件以执行期望的功能。
存储器可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器可以运行所述程序指令，以实现上文所述的各个实施例的方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如输入信号、信号分量、噪声分量等各种内容。
在一些实施例中，所述装置还可以包括其他组件，例如总线、输入/输出接口等等的组件。
本说明书实施例之一提供一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行用于确定血流特性的方法。所述方法可以包括：获取血管图像；基于血管图像确定与所述血管图像对应的点云数据；通过血流特性确定模型基于所述点云数据，确定所述血管点的第二血流特征。关于用于确定血流特性的方法的更多描述可以参见图3至图5及其相关描述，此处不再赘述。
在一些实施例中，可读存储介质可以包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意组合。
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外，对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是，如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。
最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。

Claims (10)

1.一种用于确定血流特性的方法，包括：
获取血管图像；
基于所述血管图像确定与所述血管图像对应的点云数据，其中，所述点云数据包括血管点的空间特征、结构特征、第一血流特征以及所述血管点的局部点集特征中的至少一种；
将所述点云数据输入至血流特性确定模型基于所述点云数据，获取所述血管点的第二血流特征。
2.如权利要求1所述的方法，用于训练所述血流特性确定模型的训练数据至少包括虚拟血管的点云数据，所述虚拟血管的点云数据包括至少一个虚拟血管点的空间特征、结构特征、第一血流特征以及局部点集特征中的至少一种。
3.如权利要求2所述的方法，获取所述虚拟血管的点云数据包括：
获取样本血管的点云数据；
通过所述样本血管的点云数据训练深度学习网络模型；
通过训练后的所述深度学习网络模型生成所述虚拟血管的点云数据。
4.如权利要求2所述的方法，获取所述虚拟血管的点云数据包括：
生成至少一根血管中心线；
对于每根所述血管中心线的每个点，生成所述每个点的虚拟截面；
基于所述虚拟截面，生成所述虚拟血管的点云数据。
5.一种用于确定血流特性的系统，包括：
血管图像获取模块，用于获取血管图像；
点云数据获取模块，用于基于所述血管图像确定与所述血管图像对应的点云数据，其中，所述点云数据包括血管点的空间特征、结构特征、第一血流特征以及所述血管点的局部点集特征中的至少一种；
血流特征确定模块，用于通过血流特性确定模型基于所述点云数据，确定所述血管点的第二血流特征。
6.如权利要求5所述的系统，还包括：
训练数据生成模块，用于生成虚拟血管的点云数据，所述虚拟血管的点云数据用于训练所述血流特性确定模型。
7.如权利要求6所述的系统，所述训练数据生成模块还用于：
获取样本血管的点云数据；
通过所述样本血管的点云数据训练对抗深度学习网络模型；
通过训练后的所述对抗深度学习网络模型生成所述虚拟血管的点云数据。
8.如权利要求6所述的系统，所述训练数据生成模块还用于：
生成至少一根血管中心线；
对于每根所述血管中心线的每个点，生成所述每个点的虚拟截面；
基于所述虚拟截面，生成所述虚拟血管的点云数据。
9.一种用于确定血流特性的装置，所述装置包括至少一个处理器以及至少一个存储器，所述至少一个存储器用于存储计算机指令；所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现如权利要求1～4中任意一项所述的方法。
10.一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行如权利要求1～4中任一项所述的用于确定血流特性的方法。
CN202210669343.1A 2022-06-14 2022-06-14 一种用于确定血流特性的方法、系统、装置和存储介质 Pending CN117291858A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210669343.1A CN117291858A (zh) 2022-06-14 2022-06-14 一种用于确定血流特性的方法、系统、装置和存储介质
PCT/CN2023/100201 WO2023241625A1 (en) 2022-06-14 2023-06-14 Systems and methods for blood vessel image processing

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210669343.1A CN117291858A (zh) 2022-06-14 2022-06-14 一种用于确定血流特性的方法、系统、装置和存储介质

Publications (1)

Publication Number Publication Date
CN117291858A true CN117291858A (zh) 2023-12-26

Family

ID=89192337

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210669343.1A Pending CN117291858A (zh) 2022-06-14 2022-06-14 一种用于确定血流特性的方法、系统、装置和存储介质

Country Status (2)

Country Link
CN (1) CN117291858A (zh)
WO (1) WO2023241625A1 (zh)

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110853029B (zh) * 2017-11-15 2021-04-30 深圳科亚医疗科技有限公司 用于基于医学图像自动预测血流特征的方法、系统和介质
CN108830848B (zh) * 2018-05-25 2022-07-05 深圳科亚医疗科技有限公司 利用计算机确定血管上的血管状况参数的序列的装置和系统
GB201912149D0 (en) * 2019-08-23 2019-10-09 Univ Oxford Innovation Ltd Computerised tomography image processing
CN111696089B (zh) * 2020-06-05 2023-06-16 上海联影医疗科技股份有限公司 一种动静脉确定方法、装置、设备和存储介质
CN111815766B (zh) * 2020-07-28 2024-04-30 复影(上海)医疗科技有限公司 基于2d-dsa图像重建血管三维模型处理方法及系统
CN113763331A (zh) * 2021-08-17 2021-12-07 北京医准智能科技有限公司 冠状动脉优势型判定方法、装置、存储介质及电子设备

Also Published As

Publication number Publication date
WO2023241625A1 (en) 2023-12-21

Similar Documents

Publication Publication Date Title
US11615879B2 (en) System and method for automated labeling and annotating unstructured medical datasets
US10762637B2 (en) Vascular segmentation using fully convolutional and recurrent neural networks
US20220117570A1 (en) Systems and methods for contrast flow modeling with deep learning
CN110770792B (zh) 确定临床靶体积
JP4728627B2 (ja) Ｃｔ血管造影法における構造を領域分割する方法及び装置
CN108697402B (zh) 在三维图像中确定深度脑刺激电极的旋转方位
CN109060849B (zh) 一种确定辐射剂量调制线的方法、系统和装置
US11508460B2 (en) Method and system for anatomical tree structure analysis
EP2875781A1 (en) Apparatus and method for processing a medical image of a body lumen
CN114359205B (zh) 头颈血管分析方法、装置、存储介质及电子设备
EP3431005A1 (en) Inflammation estimation from x-ray image data
JP2018537157A (ja) 非侵襲的血流予備量比（ｆｆｒ）に対する側副血流モデル化
US11244445B2 (en) Medical information processing apparatus
US20230037338A1 (en) Method and system for anatomical tree structure analysis
CN111568451A (zh) 一种曝光剂量调节方法和系统
US20220092787A1 (en) Systems and methods for processing x-ray images
US20230076352A1 (en) Systems and methods for image processing
CN110070534B (zh) 用于基于血管图像自动获取特征序列的方法和预测血流储备分数的装置
JP7242640B2 (ja) 放射線量を決定するための方法、システム、および装置
Lappas et al. Automatic contouring of normal tissues with deep learning for preclinical radiation studies
US11523744B2 (en) Interaction monitoring of non-invasive imaging based FFR
CN109077746B (zh) 一种确定辐射剂量调制线的方法、系统和装置
CN111161371B (zh) 成像系统和方法
US20220353409A1 (en) Imaging systems and methods
CN117291858A (zh) 一种用于确定血流特性的方法、系统、装置和存储介质

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