CN117372347A - 一种确定血流储备分数的系统及方法 - Google Patents
一种确定血流储备分数的系统及方法 Download PDFInfo
- Publication number
- CN117372347A CN117372347A CN202311274318.4A CN202311274318A CN117372347A CN 117372347 A CN117372347 A CN 117372347A CN 202311274318 A CN202311274318 A CN 202311274318A CN 117372347 A CN117372347 A CN 117372347A
- Authority
- CN
- China
- Prior art keywords
- resistance
- coronary
- sample
- coronary artery
- machine learning
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 210000004351 coronary vessel Anatomy 0.000 claims abstract description 102
- 238000010801 machine learning Methods 0.000 claims abstract description 89
- 230000017531 blood circulation Effects 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 73
- 238000011144 upstream manufacturing Methods 0.000 claims description 34
- 230000003902 lesion Effects 0.000 claims description 30
- 230000011218 segmentation Effects 0.000 claims description 30
- 238000001514 detection method Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 15
- 230000000747 cardiac effect Effects 0.000 claims description 7
- 239000008280 blood Substances 0.000 claims description 6
- 210000004369 blood Anatomy 0.000 claims description 6
- 230000036772 blood pressure Effects 0.000 claims description 4
- 239000012530 fluid Substances 0.000 claims description 4
- 238000012545 processing Methods 0.000 description 124
- 238000010586 diagram Methods 0.000 description 11
- 238000012986 modification Methods 0.000 description 10
- 230000004048 modification Effects 0.000 description 10
- 238000002591 computed tomography Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 210000004204 blood vessel Anatomy 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 208000031481 Pathologic Constriction Diseases 0.000 description 4
- 238000002595 magnetic resonance imaging Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 208000037804 stenosis Diseases 0.000 description 3
- 230000036262 stenosis Effects 0.000 description 3
- 238000002604 ultrasonography Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012014 optical coherence tomography Methods 0.000 description 2
- 238000002922 simulated annealing Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000003143 atherosclerotic effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 208000029078 coronary artery disease Diseases 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000035487 diastolic blood pressure Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000002608 intravascular ultrasound Methods 0.000 description 1
- 208000028867 ischemia Diseases 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000035488 systolic blood pressure Effects 0.000 description 1
- 230000002792 vascular Effects 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
- A61B6/02—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
-
- 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
- G06N3/08—Learning methods
-
- 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
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30048—Heart; Cardiac
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Optics & Photonics (AREA)
- Multimedia (AREA)
- Veterinary Medicine (AREA)
- High Energy & Nuclear Physics (AREA)
- Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Databases & Information Systems (AREA)
- Dentistry (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Quality & Reliability (AREA)
- Pulmonology (AREA)
- Vascular Medicine (AREA)
- Image Analysis (AREA)
Abstract
本说明书实施例提供一种确定血流储备分数的系统及方法。该方法包括:获取对象的医学图像,所述医学图像包括所述对象的冠脉;基于所述医学图像,使用第一机器学习模型,确定所述冠脉的等效电阻,其中,所述冠脉的等效电阻包括所述冠脉上多个点的电阻值;基于所述医学图像,使用第二机器学习模型,确定所述冠脉的边界条件电阻,其中,所述边界条件电阻用于描述血液流出所述冠脉末端的边界条件;以及基于所述冠脉的所述等效电阻和所述边界条件电阻,确定所述对象的血流储备分数。
Description
技术领域
本说明书涉及医疗技术领域,特别涉及一种确定血流储备分数的系统及方法。
背景技术
冠状动脉粥样硬化性心脏病(冠心病)是严重威胁我国居民健康和生活质量的重大慢性疾病。血流储备分数(Fractional Flow Reserve,FFR)可以有效评估斑块狭窄导致的缺血程度,为后续治疗方向提供参考。相较于有创FFR,基于医学成像技术(例如,冠状动脉CT扫描)获得的血流储备分数(基于CT获得FFR可以称为FFRCT),由于其使用的无创检查手段,对患者更加友好。然而,通常,此种方式是通过流体动力学(Computational FluidDynamics,CFD)来估计血管各处的压力和流速,由于计算过于耗时(大于40分钟/例),而且对于冠脉分割结果非常敏感容易失败,难以被临床广泛接受。
因此希望提供一种高效精确的确定血流储备分数的系统及方法。
发明内容
本说明书实施例之一提供一种确定血流储备分数的方法。该方法包括:获取对象的医学图像,所述医学图像包括所述对象的冠脉;基于所述医学图像,使用第一机器学习模型,确定所述冠脉的等效电阻,其中,所述冠脉的等效电阻包括所述冠脉上多个点的等效电阻值;基于所述医学图像,使用第二机器学习模型,确定所述冠脉的边界条件电阻,其中,所述边界条件电阻用于描述血液流出所述冠脉末端的边界条件;以及基于所述冠脉的所述等效电阻和所述边界条件电阻,确定所述对象的血流储备分数。
本说明书实施例之一提供一种确定血流储备分数的系统。该系统包括获取模块,配置为获取对象的医学图像,所述医学图像包括所述对象的冠脉;第一确定模块,配置为基于所述医学图像,使用第一机器学习模型,确定所述冠脉的等效电阻,其中,所述冠脉的等效电阻包括所述冠脉上多个点的电阻值;第二确定模块,配置为基于所述医学图像,使用第二机器学习模型,确定所述冠脉的边界条件电阻,其中,所述边界条件电阻用于描述血液流出所述冠脉的末端的边界条件;以及第三确定模块,配置为基于所述冠脉的所述等效电阻和所述边界条件电阻,确定所述对象的血流储备分数。
本说明书实施例之一提供一种确定血流储备分数的系统。该系统包括至少一个存储设备,用于存储计算机指令;至少一个处理器,用于执行所述计算机指令,以实现上述确定血流储备分数的方法。
本申请的一部分附加特性可以在下面的描述中进行说明。通过对以下描述和相应附图的研究或者对实施例的生产或操作的了解,本申请的一部分附加特性对于本领域技术人员是明显的。本申请的特征可以通过实践或使用下述详细示例中阐述的方法、手段和组合的各个方面来实现和获得。
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示例性FFR确定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示例性FFR确定系统的示意图;
图3是根据本说明书一些实施例所示的示例性确定FFR的流程示意图;
图4是根据本说明书一些实施例所示的使用第一机器学习模型确定冠脉的等效电阻的示例性示意图;
图5是根据本说明书一些实施例所示的示例性第一和第二机器学习模型训练的流程示意;
图6是根据本说明书一些实施例所示的示例性确定FFR的流程示意图;
图7是根据本说明书一些实施例所示的示例性冠脉对应的电路拓扑结构示意图;
图8是根据本说明书一些实施例所示的示例性冠脉对应的电路拓扑结构示意图。
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。
目前,为了提高FFR的计算效率,机器学习模型开始被用于确定FFR。通常,使用机器学习模型计算FFR的方法是通过提取血管特征作为模型的输入,直接使用机器学习模型预测FFR。在机器学习模型训练过程,通过CFD的仿真得到血流储备分数,用作模型训练的标签(金标准)。然而,冠脉上下游信息包括血管的分支信息对FFR的预测非常重要。目前的方法中,机器学习模型仅仅是学习了血管特征对FFR的影响,并没有结合冠脉树的拓扑结构,其获得的FFR的精确度较低。鉴于此,本说明书提供一种结合冠脉树的拓扑结构和机器学习模型的FFR计算方式,其可以提高FFR计算的准确性和效率。
图1是根据本说明书一些实施例所示的示例性FFR确定系统的应用场景示意图。如图1所示,FFR确定系统100可以包括医疗设备110、处理设备120、终端设备130、存储设备140和网络150。在一些实施例中,处理设备120可以是医疗设备110中的一部分。FFR确定系统100中的组件之间的连接可以是可变的。如图1所示,医疗设备110可以通过网络150连接到处理设备120。又例如,医疗设备110可以直接连接到处理设备120。再例如,存储设备140可以直接或通过网络150连接到处理设备120。作为又一示例,终端设备130可以直接连接到处理设备120(如连接终端设备130和处理设备120的虚线箭头所示),也可以通过网络150连接到处理设备120。
医疗设备110可以是用于疾病诊断或研究目的的非侵入性扫描成像设备。在一些实施例中,医疗设备110可以对检测区域或扫描区域内的对象进行扫描,得到该对象的扫描数据。在一些实施例中,医疗设备110可以包括单模态扫描仪和/或多模态扫描仪。单模态扫描仪可以包括例如超声波扫描仪、X射线扫描仪、计算机断层扫描(CT)扫描仪、核磁共振成像(MRI)扫描仪、光学相干断层扫描(OCT)扫描仪、超声(US)扫描仪、血管内超声(IVUS)扫描仪等,或其任意组合。多模态扫描仪可以包括例如X射线成像-核磁共振成像(X射线-MRI)扫描仪、正电子发射断层扫描-X射线成像(PET-X射线)扫描仪、单光子发射计算机断层扫描-核磁共振成像(SPECT-MRI)扫描仪、正电子发射断层扫描-计算机断层摄影(PET-CT)扫描仪、数字减影血管造影-核磁共振成像(DSA-MRI)扫描仪等。在一些实施例中,医疗设备110是CT扫描仪。在一些实施例中,处理设备120可以集成在医疗设备110上,或者医疗设备110与处理设备120通过同一实体实现其功能。上面提供的医疗设备仅用于说明目的,而无意限制本说明书的范围。
处理设备120可以处理从医疗设备110、终端设备130、存储设备140或FFR确定系统100的其他组件获得的数据和/或信息。例如,处理设备120可以获取对象的医学图像。该医学图像可以包括对象的冠脉。处理设备120可以基于该医学图像,分别使用第一机器学习模型和第二机器学习模型,确定冠脉的等效电阻和冠脉的边界条件电阻。其中,冠脉的等效电阻包括冠脉上多个点的电阻值,边界条件电阻用于描述血液流出所述冠脉的末端的边界条件。进一步地,处理设备120可以基于冠脉的等效电阻和边界条件电阻,确定对象的血流储备分数。
在一些实施例中,处理设备120可以是本地或远程的。例如,处理设备120可以通过网络150从医疗设备110、终端设备130和/或存储设备140访问信息和/或数据。
终端设备130可以包括移动设备131、平板电脑132、笔记本电脑133等或其任意组合。在一些实施例中,终端设备130可以是处理设备120的一部分。
存储设备140可以存储数据、指令和/或任何其他信息。在一些实施例中,存储设备140可以存储从医疗设备110、处理设备120和/或终端设备130获得的数据,例如,医疗设备110生成的医学图像等。
网络150可以包括能够促进信息和/或数据交换的任何合适的网络。在一些实施例中,FFR确定系统100的至少一个组件(例如,医疗设备110、处理设备120、终端设备130、存储设备140)可以通过网络150与FFR确定系统100中至少一个其他组件交换信息和/或数据。例如,处理设备120可以通过网络150从医疗设备110中获取对象的医学图像。又如,终端设备130可以通过网络150从处理设备120获取对象的FFR。
应当注意,FFR确定系统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,FFR确定系统100还可以包括输入装置和/或输出装置。又例如,FFR确定系统100可以在其它设备上实现类似或不同的功能。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示例性FFR确定系统的示意图。
如图2所示,在一些实施例中,FFR确定系统200可以包括获取模块210、第一确定模块220、第二确定模块230和第三确定模块240。在一些实施例中,FFR确定系统200可以进一步包括模型训练模块250。在一些实施例中,FFR确定系统200对应的功能可以由处理设备120执行,例如获取模块210、第一确定模块220、第二确定模块230、第三确定模块240和模型训练模块250可以为处理设备120中的模块。
获取模块210可以配置为获取对象的医学图像。医学图像可以包括对象的冠脉。关于获取医学图像的更多描述可以参见本书其他地方(例如,图3中的310)。
第一确定模块220可以配置为基于医学图像,使用第一机器学习模型,确定冠脉的等效电阻,其中,冠脉的等效电阻包括冠脉上多个点的电阻值。关于使用第一机器学习模型,确定冠脉的等效电阻的更多描述可以参见本书其他地方(例如,图3中的320),在此不再赘述。
第二确定模块230可以配置为基于医学图像,使用第二机器学习模型,确定冠脉的边界条件电阻,其中,边界条件电阻用于描述血液流出冠脉的末端的边界条件。关于使用第二机器学习模型,确定冠脉的边界条件电阻的更多描述可以参见本书其他地方(例如,图3中的330),在此不再赘述。
第三确定模块240可以配置为基于冠脉的等效电阻和边界条件电阻,确定对象的血流储备分数。关于确定对象的血流储备分数的更多描述可以参见本书其他地方(例如,图3中的340),在此不再赘述。
模型训练模块250可以配置为训练机器学习模型(例如,第一机器学习模型和第二机器学习模型)。关于训练第一机器学习模型和第二机器学习模型的更多描述可以参见本书其他地方(例如,图5中),在此不再赘述。
应当理解,图2所示的系统及其模块可以利用各种方式来实现。例如,在一些实施例中系统及其模块可以通过硬件、软件或者软件和硬件的结合来实现。
需要注意的是,以上对于系统及其模块的描述,仅为描述方便,作为示意,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。例如,在一些实施例中,图2中披露的以上模块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。在一些实施例中,模型训练模块250和其他模块可以由不同系统实现。例如,模型训练模块250可以由机器学习模型的供应商的计算设备实现,其他模块可以由机器学习模型的使用者的计算设备实现。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示例性确定FFR的流程示意图。在一些实施例中,流程300的一个或多个步骤可以在图1所示的FFR确定系统100中实现或由图2所示的FFR确定系统200执行。例如,流程300可以由处理设备120的模块执行。如图3所示,流程300可以包括以下步骤。
步骤310,获取对象的医学图像,医学图像包括对象的冠脉。在一些实施例中,步骤310可以由处理设备120或获取模块210执行。
对象可以包括人体、动物或其一部分。下文以人体为例展开说明。
医学图像可以是对人体心脏区域的冠脉进行扫描得到的图像,例如,CT血管造影图像、CT平扫图像等。在一些实施例中,可以通过医疗设备110对对象的冠脉执行扫描,以获取医学图像。在一些实施例中,医学图像可以提前生成,并存储在存储设备(例如,存储设备140或外部存储设备)中,处理设备120可以从该存储设备中获取医学图像。
步骤320,基于医学图像,使用第一机器学习模型,确定冠脉的等效电阻,其中,冠脉的等效电阻包括冠脉上多个点的电阻值。在一些实施例中,步骤320可以由处理设备120或第一确定模块220执行。
在一些实施例中,处理设备120可以基于医学图像,确定对象的冠脉分割图像、病灶检测结果和管腔分割图像。具体地,处理设备120可以基于医学图像,确定对象的冠脉分割图像。进一步,处理设备120可以基于冠脉分割图像,确定病灶检测结果和管腔分割图像。对所述多个分割图像块中的每一个分割图像块,处理设备120可以基于所述冠脉分割图像、所述病灶检测结果和所述管腔分割图像,确定所述分割图像块的特征信息。基于每个分割图像块的特征信息,处理设备120可以使用所述第一机器学习模型确定所述冠脉的等效电阻。
冠脉分割图像指对医学图像中的冠脉进行分割后生成的图像,其可以指示对象的冠脉。在一些实施例中,在冠脉分割图像中,不同的冠脉分支可以使用不同的方式进行显示。冠脉分支可以包括冠脉中两个相邻分叉点之间的冠脉段、冠脉起点与其相邻分叉点之间的冠脉段、以及每个冠脉末端与其相邻分叉点之间的冠脉段。例如,可以使用不同的颜色在冠脉分割图像中显示不同的冠脉分支。又例如,可以使用不同的分支标签(例如,标签“1”、“2”…),在冠脉分割图像中显示不同的冠脉分支。在一些实施例中,冠脉分割图像可以由用户(例如,影像医师)手动从医学图像中分割冠脉得到。在一些实施例中,冠脉分割图像可以由处理设备120自动从医学图像中分割冠脉得到。例如,处理设备120可以采用图像分割算法或机器学习模型从医学图像中分割冠脉得到冠脉分割图像。
病灶检测结果可以指示冠脉内的病灶。病灶检测结果可以用任何病灶检测算法(例如病灶检测模型)实现。管腔分割图像指对医学图像中的冠脉的管腔进行分割后生成的图像,其可以指示冠脉的一条或多条管腔。管腔分割可以用任何管腔分割算法(例如管腔分割模型)实现。在一些实施例中,病灶检测结果和管腔分割图像可以基于冠脉分割图像和医学图像生成。例如,可以基于冠脉分割图像在医学图像中确定冠脉对应的区域,并对该区域进行病灶检测和管腔分割,从而得到病灶检测结果和管腔分割图像。
在一些实施例中,冠脉的一条管腔指血液从流入冠脉的起始端到流出冠脉的一个末端所通过的冠脉段。仅仅作为示例,如图7所示,冠脉段L1+L2+L3为一条管腔,冠脉段L1+L2+L4为一条管腔,冠脉段L1+L5为一条管腔。
进一步地,处理设备120可以确定冠脉分割图像中的多个分割图像块。例如,处理设备120可以提取冠脉的中心线,并根据上述冠脉分支标签标记不同冠脉分支对应的中心线标签。处理设备120可以沿着冠脉的中心线进行采样提取多个分割图像块。例如,处理设备120可以沿着血管中心线以预设的尺寸(例如,1mm)依次划分冠脉为多个冠脉段。对每个冠脉段,处理设备120可以确定包含该冠脉段的一个图像区域为对应于该冠脉段的一个分割图像块。在一些实施例中,相邻两个分割图像块可以部分重叠。对每一个分割图像块,处理设备120可以基于冠脉分割图像、病灶检测结果和管腔分割图像,确定该分割图像块的特征信息。在一些实施例中,分割图像块的特征信息可以包括分割图像块的归一化世界坐标、分支权重特征、病灶特征、沿垂直于血管中心线切线方向的横截面特征(包括横截面面积、短径和长径)、以及其他特征。分割图像块的归一化世界坐标可以表示分割图像块在整个冠脉中的位置。图像块的分支权重特征可以指示该分割图像块所位于的分支冠脉分支的体积与冠脉总体积之比。示例性的病灶特征可以包括该图像块是否包含病灶(即是否狭窄)、上游(下游)病灶数量、上游(下游)最近病灶的狭窄率、上游(下游)最近病灶的范围、到上游(下游)最近病灶的距离、上游最严重病灶狭窄率、上游最严重病灶狭窄率积分、上游最严重病灶范围、到上游最严重病灶的距离等。示例性的横截面特征可以包括上游(下游)平均横截面面积、上游(下游)最小横截面积、上游(下游)最小横截面短径、上游(下游)平均横截面短径、上游(下游)最大横截面短径、到上游(下游)最小横截面短径的距离、该分割图像块的横截面短径和面积、上游(下游)横截面积中值、上游(下游)横截面短径中值、当前分割图像块横截面面积和上游(下游)横截面面积比值、当前分割图像块横截面短径和上游(下游)横截面短径的比值等。其他特征可以包括到该分割图像块到上游最近分叉点距离、该分割图像块对应的冠脉段沿着血流方向的长度、该分割图像块对应的冠脉段中心线的标签、该分割图像块上下游分支数量、该分割图像块所在的管腔的组合中心线标签。一条管腔的组合中心线指该管腔包含的冠脉段的中心线连线。
再进一步地,处理设备120可以基于每个分割图像块的特征信息,使用第一机器学习模型确定冠脉的等效电阻。具体地,处理设备120可以将每个分割图像块的特征信息和分割图像块输入第一机器学习模型,第一机器学习模型可以输出每个分割图像块对应的等效电阻。在一些实施例中,处理设备120可以基于冠脉分割图像和医学图像之间的对应关系,确定在医学图像中对应于每个分割图像块的原始图像块。每个分割图像块对应的原始图像块也可以作为第一机器学习模型的输入之一,与其他输入一起被输入到第一机器学习模型中。在一些实施例中,处理设备120还可以获取对象的生理参数特征。示例性的生理参数特征可以包括舒张压、收缩压、心输出量、年龄、性别等。对象的生理参数特征也可以作为第一机器学习模型的输入之一,与其他输入一起被输入到第一机器学习模型中。
在一些实施例中,第一机器学习模型可以指用于确定冠脉上点的等效电阻的模型。在本说明书中,上述血管的一个分割图像块可以被认为对应血管上的一个点。在一些实施例中,第一机器学习模型可以包括卷积神经网络(Convolutional Neural Networks,CNN)和Transformer模型。CNN可以配置用于提取图像块(例如,原始图像块、分割图像块)的表观特征。Transformer模型可以配置用于融合图像块的表观特征和上述特征信息,并基于融合后的图像块特征得到每个图像块的等效电阻。仅仅作为示例,图4是根据本说明书一些实施例所示的使用第一机器学习模型确定冠脉的等效电阻的示例性示意图。如图4所示,处理设备120可以对医学图像410进行分割得到冠脉分割图像,并在冠脉分割图像中提取中心线得到冠脉中心线图420。进一步地,处理设备120可以沿着冠脉中心线,将冠脉划分为多个分割图像块得到分割图像块序列430。然后,处理设备120可以提取每个分割图像块的特征信息。处理设备120可以将分割图像块序列430以及分割图像块的特征信息输入到第一机器学习模型中。第一机器学习模型的CNN可以提取每个分割图像块的表观特征。每个分割图像块的表观特征以及该分割图像块的特征信息可以被输入到Transformer模型,Transformer模型可以输出对应于每个图像块的等效电阻R1、R2、…、Rn。
在一些实施例中,处理设备120可以通过网络(例如,网络150)从FFR确定系统的FFR确定系统100的一个或多个组件(例如,存储设备140、终端设备130)或者外部源获取第一机器学习模型。例如,第一机器学习模型以提前通过计算设备(例如,处理设备120)训练,并存储在存储设备(例如,存储设备140)中。处理设备120可以访问存储设备以获取第一机器学习模型。仅仅作为示例,处理设备120可以获取多个第一训练样本。每个第一训练样本可以包括样本对象的冠脉分割图像中的样本分割图像块的样本特征信息和每个样本分割图像块的样本等效电阻。进一步地,处理设备120可以基于多个第一训练样本,通过训练初始第一初始模型,生成第一机器学习模型。关于第一机器学习模型的训练可以参见本说明书其他地方(例如,图5),在此不再赘述。
步骤330,基于医学图像,使用第二机器学习模型,确定冠脉的边界条件电阻,其中,边界条件电阻用于描述血液流出冠脉末端的边界条件。在一些实施例中,步骤330可以由处理设备120或第二确定模块230执行。
在一些实施例中,处理设备120可以确定管腔分割图像中的一条或多条管腔。对每一条管腔,处理设备120可以基于冠脉分割图像、病灶检测结果和管腔分割图像,确定管腔上每个点的特征信息。
在一些实施例中,管腔上的一个点可以与步骤320中描述的一个分割图像块类似或者相同。在一些实施例中,管腔上的一个点的特征信息可以包括该点的病灶特征、沿垂直于血管中心线的横截面特征(包括横截面面积、短径和长径)、以及其他特征。在一些实施例中,管腔上一个点的病灶特征和横截面特征可以与步骤320所述的一个分割图像块的病灶特征和横截面特征相同或类似。其他特征可以包括到该点到上游最近分叉点的距离、该点对应的冠脉段沿着血流方向的长度、该点对应的冠脉中心线的标签、该点上下游分支数量、该点所位于的管腔的组合中心线标签等。
再进一步地,处理设备120可以基于每条管腔上每个点的特征信息,使用第二机器学习模型确定冠脉的边界条件电阻。具体地,处理设备120可以将每个点的特征信息输入第二机器学习模型,第二机器学习模型可以输出冠脉的边界条件电阻。在一些实施例中,处理设备120还可以获取步骤320所述的对象的生理参数特征。对象的生理参数特征可以和每个点的特征信息一起输入第二机器学习模型。
在一些实施例中,第二机器学习模型可以指用于确定冠脉的边界条件电阻的模型。在一些实施例中,第二机器学习模型可以包括深度学习模型、传统机器学习模型等。示例性的传统机器学习模型可以包括线性回归模型、随机森林模型、梯度上升树模型、支持向量机模型等,或其任意组合。
在一些实施例中,处理设备120可以以类似于获取第一机器学习模型的方式来获取第二机器学习模型。仅仅作为示例,处理设备120可以获取多个第二训练样本。每个第二训练样本包括样本对象的样本管腔上的样本点的样本特征信息和每条样本管腔的样本边界条件电阻。每条样本管腔的样本边界条件电阻可以通过边界条件电阻方程确定。边界条件电阻方程与样本管腔末端对应的分支血管权重、样本对象的血压和心输出量有关。进一步地,处理设备120可以基于多个第二训练样本,通过训练初始第二初始模型,生成第二机器学习模型。关于第二机器学习模型的训练可以参见本说明书其他地方(例如,图5),在此不再赘述。
步骤340,基于冠脉的等效电阻和边界条件电阻,确定对象的血流储备分数。在一些实施例中,步骤340可以由处理设备120或第三确定模块240。
在一些实施例中,对象的血流储备分数可以包括冠脉上多个点的血流储备分数。在一些实施例中,处理设备120可以基于医学图像,生成冠脉对应的电路拓扑结构。进一步地,处理设备120可以基于电路拓扑结构、冠脉的等效电阻和边界条件电阻,确定冠脉每个分叉点的下游总电阻。然后,对冠脉的每个点,处理设备120可以基于冠脉的等效电阻和每个分叉点的下游总电阻,确定该点的血流储备分数。关于确定血流储备分数的描述可以参见本说明书其他地方(例如,图6),在此不再赘述。
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5是根据本说明书一些实施例所示的示例性第一和第二机器学习模型训练的流程示意图。在一些实施例中,流程500的一个或多个步骤可以在图1所示的FFR确定系统100中实现或由图2所示的FFR确定系统200执行。例如,流程500可以由处理设备120或模型训练模块250执行。如图5所示,流程500可以包括以下步骤。
步骤510,确定用于训练第一机器学习模型的第一超参数和用于训练第二机器学习模型的第二超参数。
超参数指的是在模型训练前已经确定好的,在模型训练中不会更新的参数。在一些实施例中,第一超参数可以是CFD方程(例如,Navier-Stokes方程)中的一个或多个超参数。在一些实施例中,第一超参数可以是朴素电阻方程、曲率电阻方程、伯努利电阻方程和椭圆系数电阻方程等方程中的一个或多个超参数。例如,朴素电阻方程、曲率电阻方程、伯努利电阻方程和椭圆系数电阻方程可以分别表示为以下方程(1)-(4):
其中,R1-R4为冠脉段的等效电阻,l为沿着血流方向上的冠脉段的长度、s为冠脉段的横截面积、r为冠脉段的半径,c为冠脉段的曲率、当冠脉段包含病灶时,sin为病灶上游起始处横截面积、当冠脉段不包含病灶时,sin为距离冠脉段上游一定距离(例如,10-20mm)内的血管平均横截面积,d为冠脉段直径、ρ和k为超参数。当冠脉段不包含病灶时,ρ的取值可以为0或者接近0。
在一些实施例中,第二超参数可以是边界条件电阻方程中的一个或多个超参数。在一些实施例中,边界条件电阻方程可以与冠脉的管腔末端对应的分支血管权重、对象的血压和心输出量有关。例如,边界条件电阻方程可以表示为以下方程(5):
其中,Rbc为当前管腔的边界条件电阻,Pmean为血压,Q为心输出量,i为冠脉的管腔编号,n为冠脉管腔的总数量,li为第i条管腔末端对应的分支血管权重,le为当前管腔末端对应的分支血管权重,β和γ为第二超参数。
在一些实施例中,处理设备120获取多个参考对象的参考血流储备分数。参考血流储备分数为有创血流储备分数。在本说明书中,有创血流储备分数指通过有创方式获得的血流储备分数。例如,处理设备120可以从FFR系统100的存储设备140或其他存储设备获取多个参考对象的参考血流储备分数。处理设备120可以基于第一超参数的初始值和第二超参数的初始值,确定每个参考对象的预测血流储备分数。在一些实施例中,第一超参数的初始值和第二超参数的初始值可以由用户手动确定或者由处理设备120自动确定。进一步地,处理设备120可以更新第一超参数的初始值和第二超参数的初始值,以使每个参考对象的预测血流储备分数和参考血流储备分数之间的相似度满足预设条件。
具体地,每个参考对象的参考血流储备分数可以包括该参考对象冠脉上多个点的参考血流储备分数。处理设备120可以基于参考对象的病灶检测结果和冠脉分割图像,确定每个参考对象的测位点。例如,处理设备120可以确定位于病灶下游一定距离(例如,2cm)的点作为测位点。对每个测位点,处理设备120可以基于第一超参数的初始值和第二超参数的初始值,确定对应于该测位点的预测血流储备分数。进一步地,处理设备120可以使用遗传算法、梯度算法、模拟退火算法等,更新第一超参数的初始值和第二超参数的初始值,以使每个参考对象的测位点的预测血流储备分数和参考血流储备分数之间的相似度满足预设条件。例如,预设条件可以是预测血流储备分数和参考血流储备分数之间的差小于一定阈值。
例如,模拟退火算法可以包括以下3个步骤:(1)设置搜索参数集和p(n)以及搜索空间[0.01p(n),100p(n)],初始温度T为100,降温因子为0.99,步长变化量为0.1,误差函数为参考血流储备分与预测血流储备分数的均方误差(mean-square error,MSE),误差容忍度为0.05;(2)计算当前温度(T*降温因子),在参数范围内对各个参数在步长范围以内进行更新,对新生成的参数模型进行仿真得到仿真结果,更新误差函数。比较前后两次的误差,若误差变小则接受新参数,若误差变大,则以的概率接受当前该组参数;(3)重复步骤(2),直到误差小于误差容忍度为止。
在一些实施例中,处理设备120可以根据方程(1)-(4)确定参考对象冠脉血管上多个点的初始等效电阻,并根据方程(5)确定参考对象的初始边界条件电阻。然后,处理设备120可以基于冠脉血管上多个点的初始等效电阻和初始边界条件电阻,确定对应于测位点的预测血流储备分数。进一步地处理设备120可以更新方程(1)-(4)中的第一超参数的初始值和方程(5)中第二超参数的初始值,以使每个参考对象的测位点的预测血流储备分数和参考血流储备分数之间的相似度满足预设条件。当预设条件被满足后,处理设备120可以指定更新后的第一超参数和第二超参数作为用于训练第一机器学习模型的第一超参数和用于训练第二机器学习模型的第二超参数。
在一些实施例中,对每个参考对象,处理设备120确定该参考对象的主动脉入口边界条件(例如,心跳周期为1秒,心输出量为83ml/s)、主动脉出口边界条件电阻 处理设备120还可以根据边界条件电阻方程(例如,方程(5))确定该参考对象的冠脉的边界条件电阻。然后,处理设备120可以基于该参考对象的主动脉入口边界条件、主动脉出口边界条件、冠脉的边界条件电阻,使用CFD方程确定该参考对象的冠脉上每个点的初始等效电压。处理设备120可以根据冠脉入口等效电压,通过归一化冠脉上每个点的初始等效电压,确定冠脉上每个点的预测血流储备分数,并获取对应于测位点的预测血流储备分数。进一步地,处理设备120可以更新CFD方程中的第一超参数的初始值和方程(5)中第二超参数的初始值,以使每个参考对象的测位点的预测血流储备分数和参考血流储备分数之间的相似度满足预设条件。当预设条件被满足后,处理设备120可以指定更新后的第一超参数和第二超参数作为用于训练第一机器学习模型的第一超参数和用于训练第二机器学习模型的第二超参数。
步骤520,基于第一超参数,确定多个第一训练样本。
在一些实施例中,每个第一训练样本可以包括样本对象的冠脉分割图像中的样本分割图像块的样本特征信息和每个样本分割图像块的样本等效电阻。在一些实施例中,处理设备120可以从FFR确定系统100的一个或多个组件(例如,医疗设备110、存储设备140等)中获取样本对象的样本医学图像。处理设备120可以基于样本医学图像,以类似于步骤320所述的确定分割图像块的特征信息的方式,获得样本对象的冠脉分割图像块的样本特征信息。
每个第一训练样本的样本等效电阻可以作为训练标签,其可以基于第一超参数确定。在一些实施例中,处理设备120可以直接指定第一超参数为目标第一超参数。在一些实施例中,处理设备120可以进一步基于样本对象的特征信息(例如,样本对象的生理特征参数等),进一步调整第一超参数以获得目标第一超参数。处理设备120可以基于目标第一超参数,构建CFD方程、朴素电阻方程、曲率电阻方程、伯努利电阻方程和椭圆系数电阻方程等,并基于构建的方程,确定多个第一训练样本的样本等效电阻。
在一些实施例中,对每个样本分割图像块,处理设备120可以通过朴素电阻方程、曲率电阻方程、伯努利电阻方程和椭圆系数电阻方程中的至少一个,确定该分割图像块的样本等效电阻。例如,处理设备120可以根据以下公式(6)确定样本分割图像块的样本等效电阻:
Rt=α1R1+α2R2+α3R3+α4R4 (6)
其中,Rt为样本等效电阻,R1-R4分别为通过公式(1)-(4)确定的样本分割图像块的等效电阻,α1-α4分别为R1-R4的加权系数。在一些实施例中,α1-α4可以由用户根据经验设置。在一些实施例中,当样本分割图像块没有病灶时,α1的值可以较大。当样本分割图像块有病灶时,α3和α4的值可以较大。
在一些实施例中,处理设备120可以基于CFD方程,确定每个样本分割图像块的样本等效电阻。例如,处理设备120可以获取样本对象的主动脉入口边界条件和出口边界条件。处理设备120还可以使用边界条件电阻方程(例如,步骤510所述的方程(5))确定样本对象的冠脉的边界条件电阻。进一步地,处理设备120可以基于样本对象的主动脉入口边界条件和出口边界条件、冠脉的边界条件电阻,使用CFD方程确定该样本对象的冠脉上每个点的等效电压。然后,处理设备120可以获取样本对象的冠脉对应的电路拓扑结构,并基于电路拓扑结构和冠脉上每个点的等效电压确定每个样本分割图像块的样本等效电阻。
步骤530,基于多个第一训练样本,通过训练第一初始模型生成第一机器学习模型。
在训练过程中,样本分割图像块的样本特征信息可以作为模型输入,每个样本分割图像块的样本等效电阻可以作为训练标签,第一初始模型的模型参数可以被迭代更新以使迭代终止条件被满足。在一些实施例中,处理设备120可以采用任何合适的损失函数(例如,MSE),以及合适的优化器(例如,Adam优化器)进行第一初始模型的训练,得到第一机器学习模型。
步骤540,基于第二超参数,确定多个第二训练样本。
在一些实施例中,每个第二训练样本包括样本对象的样本管腔上的样本点的样本特征信息和每条样本管腔的样本边界条件电阻。在一些实施例中,处理设备120可以从FFR确定系统100的一个或多个组件(例如,医疗设备110、存储设备140等)中获取样本对象的样本医学图像。处理设备120可以基于样本医学图像,以类似于步骤330所述的确定管腔上点的特征信息的方式,获得样本管腔上的样本点的样本特征信息。在一些实施例中,用于获取第二训练样本的样本医学图像和用于获取第一训练样本的样本医学图像可以相同,也就是说,可以使用相同样本的对象的数据来获得第一和第二训练样本。通过这种方式,可以使用较少的数据同时获取第一和第二训练样本,从而提高获取第一和第二训练样本的效率。
每个第二训练样本的样本边界条件电阻可以作为训练标签,其可以基于第二超参数确定。在一些实施例中,处理设备120可以直接指定第二超参数为目标第二超参数。在一些实施例中,处理设备120可以进一步基于样本对象的特征信息(例如,样本对象的生理特征参数等),进一步调整第二超参数以获得目标第二超参数。处理设备120可以基于目标第二超参数,构建边界条件电阻方程,并基于构建的边界条件电阻方程,确定多个第二训练样本。
在一些实施例中,每条样本管腔的样本边界条件电阻可以通过边界条件电阻方程确定。在一些实施例中,边界条件电阻方程与样本管腔末端对应的分支血管权重、样本对象的血压和心输出量有关。例如,处理设备120可以直接根据步骤510所述的公式(5)确定每条样本管腔的样本边界条件电阻。
步骤550,基于多个第二训练样本,通过训练第二初始模型生成第二机器学习模型。
在训练过程中,样本分割图像块的样本特征信息可以作为模型输入,每个样本分割图像块的样本等效电阻可以作为训练标签,第一初始模型的模型参数可以被迭代更新以使迭代终止条件被满足。在一些实施例中,处理设备120可以采用任何合适的损失函数(例如,MSE)进行第二初始模型的训练,得到第二机器学习模型。
在一些实施例中,步骤510、520和540可以省略。处理设备120可以直接获得提前生成的第一训练样本和第二训练样本。又例如,步骤510。第一超参数和/或第二超参数可以是预设好的(如由用户确定)。处理设备120可以直接获取第一超参数和/或第二超参数,用于确定第一训练样本和/或第二训练样本。
图6是根据本说明书一些实施例所示的示例性确定FFR的流程示意图。在一些实施例中,流程600的一个或多个步骤可以在图1所示的FFR确定系统100中实现或由图2所示的FFR确定系统200执行。例如,流程600可以由处理设备120或第三确定模块240执行。如图6所示,流程600可以包括以下步骤。
步骤610,基于医学图像,生成冠脉对应的电路拓扑结构。
在一些实施例中,处理设备120可以采用基于直流的集总参数模型生成冠脉对应的电路拓扑结构。具体地,处理设备120可以将对象的心脏可以等效为电源电压(DC),将冠脉每两个分叉点之间的一段血管等效成一个电阻R,并且在冠脉的每个末端接地之前接入边界条件电阻Rbc。仅仅作为示例,图7是根据本说明书一些实施例所示的示例性冠脉对应的电路拓扑结构示意图。如图7所示,冠脉包括5段冠脉分支L1-L5,其分别对应电路拓扑结构的电阻R1-R5。冠脉的3个末端分别接入边界条件电阻Rbc1-Rbc3。
在一些实施例中,处理设备120可以采用基于交流的集总参数模型生成冠脉对应的电路拓扑结构。例如,处理设备120可以将上述基于直流的集总参数模型生成的拓扑结构中的电阻替换为RLC电路。例如,RLC电路可以是电感和电阻串联后,再与电容并联得到的电路。
步骤620,基于电路拓扑结构、冠脉的等效电阻和边界条件电阻,确定冠脉每个分叉点的下游总电阻。
在一些实施例中,处理设备120可以从冠脉的每个末端开始向上游回溯,依次确定每个分叉点的下游总电阻。分叉点的下游总电阻指的是分叉点的下游点电阻以及下游边界条件电阻对应的总电阻。在一些实施例中,处理设备120可以基于每个分叉点下游的电路结构,确定每个分叉点的下游总电阻。例如,如图7所示,分叉点C2的下游总电阻为 分叉点C1的下游总电阻为/>
步骤630,对冠脉的每个点,基于冠脉的等效电阻和每个分叉点的下游总电阻,确定该点的血流储备分数。
在一些实施例中,对冠脉的每个点,处理设备120可以基于冠脉的等效电阻和每个分叉点的下游总电阻,确定该点的第一电阻和第二电阻。第一电阻为在该点的下游总电阻。第二电阻为该点所在的冠脉分支的总电阻与该点的下游邻近分叉点的下游总电阻之和。在本说明书中,一个冠脉分支的点的下游邻近分叉点指该冠脉分支下游末端连接的分叉点。一个冠脉分支的总电阻为该冠脉分支上所有点的等效电阻和。处理设备120可以获取该点的上游邻近分叉点的等效电压。进一步地,处理设备120可以基于该点的第一电阻、第二电阻和该点的上游邻近分叉点的等效电压,确定该点的血流储备分数。在本说明书中,一个冠脉分支的点的上游邻近分叉点指该冠脉分支上游起始端连接的分叉点或者心脏。即,当一个冠脉分支为冠脉的起始段时,该冠脉分支上的点的上游邻近分叉点指冠脉起始端连接的心脏;当一个冠脉分支不是冠脉的起始段时,该冠脉分支上的点的上游邻近分叉点指该冠脉分支上游起始端连接的分叉点。具体地,对每个点,处理设备120可以基于该点的第一电阻、第二电阻和该点的上游邻近分叉点的等效电压,确定该点的等效电压。然后,处理设备120可以确定该点的等效电压与电源电压之比为该点的血流储备分数。
仅仅作为示例,图8是根据本说明书一些实施例所示的示例性冠脉对应的电路拓扑结构示意图。如图8所示,电源电压为U0,冠脉分支L1-L5的总电阻分别为R1-R5,分叉点C1和C2的下游总电阻分别Rc1和Rc2。冠脉分支L1包括点L11-L14。处理设备120可以从点L11开始依次计算每个点的血流储备分数。例如处理设备120可以根据公式(7)确定点L12的等效电压UL12:
其中,RL13、RL14分别为点L13和L14的等效电阻,点L12的第一电阻为RL13+RL14+Rc1,第二电阻为R1+Rc1。
又例如,冠脉分支L1包括点L31-L35。处理设备120可以根据公式(8)确定点L32的等效电压UL32:
其中,RL33、RL34、RL35分别为点L33、L34和L35的等效电阻,点L32的第一电阻为RL33+RL34+RL35+Rc2,第二电阻为R3+Rc1,Uc1为分叉点的C1的等效电压。在一些实施例中,分叉点的等效电压可以为分叉点上游邻近点的等效电压,例如,分叉点C1的等效电压可以点L14的等效电压。
处理设备120可以确定UL12/U0为点L12的血流储备分数,UL32/U0为点L32的血流储备分数。
本说明书一些实施例中,可以基于冠脉的等效电阻和边界条件电阻,确定对象的血流储备分数。本说明书实施例可能带来的有益效果包括但不限于:(1)本申请基于大量的数据训练得到第一和第二机器学习模型,通过使用第一和第二机器学习模型,可以大大提高确定冠脉的等效电阻和边界条件电阻的准确性和效率;(2)如本申请其他地方所描述的,目前的方法中,机器学习模型仅仅是学习了血管特征对FFR的影响,并没有结合冠脉树的拓扑结构,其获得的FFR的精确度较低。而本申请在得到冠脉的等效电阻和边界条件电阻后,进一步结合冠脉的电路拓扑结构,确定每个点的血流储备分数,从而显著提高血流储备分数的准确性,具有较高的临床实用性;(3)本申请中第一和第二机器学习模型的训练标签,可以不使用CFD方程确定,从而可以避开复杂的流体力学微分方程的求解,大大提高了训练标签的确定速度和对冠脉分割的鲁棒性。
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)
1.一种确定血流储备分数的方法,其特征在于,所述方法包括:
获取对象的医学图像,所述医学图像包括所述对象的冠脉;
基于所述医学图像,使用第一机器学习模型,确定所述冠脉的等效电阻,其中,所述冠脉的等效电阻包括所述冠脉上多个点的等效电阻值;
基于所述医学图像,使用第二机器学习模型,确定所述冠脉的边界条件电阻,其中,所述边界条件电阻用于描述血液流出所述冠脉末端的边界条件;以及
基于所述冠脉的所述等效电阻和所述边界条件电阻,确定所述对象的血流储备分数。
2.如权利要求1所述的方法,其特征在于,所述基于所述医学图像,使用第一机器学习模型,确定所述冠脉的等效电阻包括:
基于所述医学图像,确定所述对象的冠脉分割图像、病灶检测结果和管腔分割图像;
确定所述冠脉分割图像中的多个分割图像块;
对所述多个分割图像块中的每一个分割图像块,基于所述冠脉分割图像、所述病灶检测结果和所述管腔分割图像,确定所述分割图像块的特征信息;以及
基于每个分割图像块的特征信息,使用所述第一机器学习模型确定所述冠脉的等效电阻。
3.如权利要求1所述的方法,其特征在于,所述基于所述冠脉的所述等效电阻和所述边界条件电阻,确定所述对象的血流储备分数包括:
基于所述医学图像,生成所述冠脉对应的电路拓扑结构;
基于所述电路拓扑结构、所述冠脉的所述等效电阻和所述边界条件电阻,确定所述冠脉每个分叉点的下游总电阻;
对所述冠脉的每个点,基于所述冠脉的所述等效电阻和所述每个分叉点的下游总电阻,确定所述点的血流储备分数。
4.如权利要求3所述的方法,其特征在于,所述基于所述冠脉的所述等效电阻和所述每个分叉点的下游总电阻,确定所述点的血流储备分数包括:
基于所述冠脉的所述等效电阻和所述每个分叉点的下游总电阻,确定所述点的第一电阻和第二电阻,其中,所述第一电阻为在所述点的下游总电阻,所述第二电阻为所述点所在的冠脉分支的总电阻与所述点的下游邻近分叉点的下游总电阻之和;
获取所述点的上游邻近分叉点的等效电压;
基于所述点的第一电阻、第二电阻和所述点的上游邻近分叉点的等效电压,确定所述点的血流储备分数。
5.如权利要求1所述的方法,其特征在于,所述第一机器学习模型通过以下训练过程生成:
获取多个第一训练样本,每个第一训练样本包括样本对象的冠脉分割图像中的样本分割图像块的样本特征信息和每个样本分割图像块的样本等效电阻;
基于所述多个第一训练样本,通过训练第一初始模型生成所述第一机器学习模型。
6.如权利要求5所述的方法,其特征在于,
所述每个样本分割图像块的样本等效电阻通过朴素电阻方程、曲率电阻方程、伯努利电阻方程和椭圆系数电阻方程中的至少一个确定,或者
所述每个样本分割图像块的样本等效电阻通过使用计算流体动力学(ComputationalFluid Dynamics,CFD)方程确定。
7.如权利要求1所述的方法,其特征在于,所述第二机器学习模型通过以下训练过程生成:
获取多个第二训练样本,每个第二训练样本包括样本对象的样本管腔上的样本点的样本特征信息和每条样本管腔的样本边界条件电阻,所述每条样本管腔的样本边界条件电阻通过边界条件电阻方程确定,所述边界条件电阻方程与所述样本管腔末端对应的分支血管权重、所述样本对象的血压和心输出量有关;
基于所述多个第二训练样本,通过训练第二初始模型生成所述第二机器学习模型。
8.如权利要求1所述的方法,其特征在于,所述第一机器学习模型的训练标签基于第一超参数确定,所述第二机器学习模型的训练标签基于第二超参数确定,所述第一超参数的值和所述第二超参数的值通过以下过程确定:
获取多个参考对象的参考血流储备分数,其中所述参考血流储备分数为有创血流储备分数;
基于所述第一超参数的初始值和所述第二超参数的初始值,确定每个所述参考对象的预测血流储备分数;以及
更新所述第一超参数的初始值和所述第二超参数的初始值,以使每个所述参考对象的预测血流储备分数和参考血流储备分数之间的相似度满足预设条件。
9.一种确定血流储备分数的系统,包括:
获取模块,配置为获取对象的医学图像,所述医学图像包括所述对象的冠脉;
第一确定模块,配置为基于所述医学图像,使用第一机器学习模型,确定所述冠脉的等效电阻,其中,所述冠脉的等效电阻包括所述冠脉上多个点的等效电阻值;
第二确定模块,配置为基于所述医学图像,使用第二机器学习模型,确定所述冠脉的边界条件电阻,其中,所述边界条件电阻用于描述血液流出所述冠脉的末端的边界条件;以及
第三确定模块,配置为基于所述冠脉的所述等效电阻和所述边界条件电阻,确定所述对象的血流储备分数。
10.一种确定血流储备分数的系统,包括:
至少一个存储设备,用于存储计算机指令;
至少一个处理器,用于执行所述计算机指令,以实现权利要求1-8中的任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311274318.4A CN117372347A (zh) | 2023-09-27 | 2023-09-27 | 一种确定血流储备分数的系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311274318.4A CN117372347A (zh) | 2023-09-27 | 2023-09-27 | 一种确定血流储备分数的系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117372347A true CN117372347A (zh) | 2024-01-09 |
Family
ID=89403235
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311274318.4A Pending CN117372347A (zh) | 2023-09-27 | 2023-09-27 | 一种确定血流储备分数的系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117372347A (zh) |
-
2023
- 2023-09-27 CN CN202311274318.4A patent/CN117372347A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10888234B2 (en) | Method and system for machine learning based assessment of fractional flow reserve | |
JP7048561B2 (ja) | 血管形状及び生理学から血流特性を推定するシステム及び方法 | |
CN110168613B (zh) | 用于使用降阶模型和机器学习估计血流特性的系统和方法 | |
AU2017202101A1 (en) | Systems and methods for identifying personalized vascular implants from patient-specific anatomic data | |
US11195278B2 (en) | Fractional flow reserve simulation parameter customization, calibration and/or training | |
CN117372347A (zh) | 一种确定血流储备分数的系统及方法 | |
Stephens et al. | MRI to CTA translation for pulmonary artery evaluation using CycleGANs trained with unpaired data | |
CN117976234A (zh) | 一种确定血流储备分数的系统及方法 | |
US12004841B2 (en) | Systems and methods for estimation of blood flow characteristics using reduced order model and/or machine learning | |
CN117976233A (zh) | 一种确定血流储备分数的系统及方法 | |
Aviles Verdera | Transfer learning for automatic aorta segmentation in 4D-Flow magnetic resonance imaging data | |
CN118014927A (zh) | 基于血管造影x射线检查确定血液动力学特性的估计 |
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 |