CN117828917A - 通过无创方式实现个体化评估患者冠状动脉ffr的方法 - Google Patents
通过无创方式实现个体化评估患者冠状动脉ffr的方法 Download PDFInfo
- Publication number
- CN117828917A CN117828917A CN202311574950.0A CN202311574950A CN117828917A CN 117828917 A CN117828917 A CN 117828917A CN 202311574950 A CN202311574950 A CN 202311574950A CN 117828917 A CN117828917 A CN 117828917A
- Authority
- CN
- China
- Prior art keywords
- coronary
- model
- dimensional
- patient
- dimensional model
- 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
- 210000004351 coronary vessel Anatomy 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000011156 evaluation Methods 0.000 title abstract description 6
- 238000004364 calculation method Methods 0.000 claims abstract description 48
- 230000017531 blood circulation Effects 0.000 claims abstract description 46
- 230000004087 circulation Effects 0.000 claims abstract description 30
- 230000008878 coupling Effects 0.000 claims abstract description 25
- 238000010168 coupling process Methods 0.000 claims abstract description 25
- 238000005859 coupling reaction Methods 0.000 claims abstract description 25
- 230000000747 cardiac effect Effects 0.000 claims abstract description 22
- 230000000004 hemodynamic effect Effects 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 21
- 230000000284 resting effect Effects 0.000 claims abstract description 18
- 238000004088 simulation Methods 0.000 claims abstract description 18
- 230000003205 diastolic effect Effects 0.000 claims abstract description 17
- 230000004089 microcirculation Effects 0.000 claims abstract description 15
- 230000002107 myocardial effect Effects 0.000 claims description 39
- 230000002861 ventricular Effects 0.000 claims description 39
- 210000000748 cardiovascular system Anatomy 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 230000010412 perfusion Effects 0.000 claims description 13
- 239000000835 fiber Substances 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 12
- 230000036772 blood pressure Effects 0.000 claims description 10
- 230000002792 vascular Effects 0.000 claims description 10
- 201000000057 Coronary Stenosis Diseases 0.000 claims description 8
- 230000009084 cardiovascular function Effects 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 230000008602 contraction Effects 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 7
- 238000002592 echocardiography Methods 0.000 claims description 7
- 239000012530 fluid Substances 0.000 claims description 7
- 210000003709 heart valve Anatomy 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 210000004165 myocardium Anatomy 0.000 claims description 5
- 206010011089 Coronary artery stenosis Diseases 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000004088 pulmonary circulation Effects 0.000 claims description 4
- 230000001839 systemic circulation Effects 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 3
- 230000035487 diastolic blood pressure Effects 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 3
- 230000035488 systolic blood pressure Effects 0.000 claims description 3
- 210000002837 heart atrium Anatomy 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000013178 mathematical model Methods 0.000 abstract description 4
- 238000011160 research Methods 0.000 abstract description 3
- 230000001105 regulatory effect Effects 0.000 abstract description 2
- 208000031481 Pathologic Constriction Diseases 0.000 description 9
- 230000036262 stenosis Effects 0.000 description 9
- 208000037804 stenosis Diseases 0.000 description 9
- OIRDTQYFTABQOQ-KQYNXXCUSA-N adenosine Chemical compound C1=NC=2C(N)=NC=NC=2N1[C@@H]1O[C@H](CO)[C@@H](O)[C@H]1O OIRDTQYFTABQOQ-KQYNXXCUSA-N 0.000 description 8
- 230000001575 pathological effect Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000011161 development Methods 0.000 description 6
- 230000018109 developmental process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 210000005240 left ventricle Anatomy 0.000 description 6
- 210000004204 blood vessel Anatomy 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 5
- 239000002126 C01EB10 - Adenosine Substances 0.000 description 4
- 229960005305 adenosine Drugs 0.000 description 4
- 239000008280 blood Substances 0.000 description 4
- 210000004369 blood Anatomy 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 230000003902 lesion Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000002526 effect on cardiovascular system Effects 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 239000003071 vasodilator agent Substances 0.000 description 3
- 206010020565 Hyperaemia Diseases 0.000 description 2
- 210000002565 arteriole Anatomy 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 208000029078 coronary artery disease Diseases 0.000 description 2
- 230000034994 death Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000001727 in vivo Methods 0.000 description 2
- 230000008338 local blood flow Effects 0.000 description 2
- 210000004072 lung Anatomy 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000036316 preload Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 229940124549 vasodilator Drugs 0.000 description 2
- 208000037260 Atherosclerotic Plaque Diseases 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 102000008186 Collagen Human genes 0.000 description 1
- 108010035532 Collagen Proteins 0.000 description 1
- 206010058558 Hypoperfusion Diseases 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 210000001765 aortic valve Anatomy 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000010420 art technique Methods 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 230000003143 atherosclerotic effect Effects 0.000 description 1
- 230000010455 autoregulation Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 229920001436 collagen Polymers 0.000 description 1
- 238000002586 coronary angiography Methods 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 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
- 238000011207 functional examination Methods 0.000 description 1
- 230000012010 growth Effects 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 208000018578 heart valve disease Diseases 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000000302 ischemic effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 210000004115 mitral valve Anatomy 0.000 description 1
- 208000031225 myocardial ischemia Diseases 0.000 description 1
- 230000017074 necrotic cell death Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008288 physiological mechanism Effects 0.000 description 1
- 210000003102 pulmonary valve Anatomy 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000002966 stenotic effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000008733 trauma Effects 0.000 description 1
- 210000000591 tricuspid valve Anatomy 0.000 description 1
- 230000024883 vasodilation Effects 0.000 description 1
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及医学图像处理及血流动力学数值模拟技术，旨在提供通过无创方式实现个体化评估患者冠状动脉FFR的方法。本发明针对不同患者建立个体化冠脉‑体循环耦合数学模型，并可基于冠脉血流量自动调节曲线和一个心动周期内瞬时无波期的压力‑流量比值，对患者个体化冠脉模型每个出口处的最大血流量进行合理反推，根据质量守恒原理得到冠脉最大舒张状态下的整体血流量，进而用于准确的FFR血流动力学数值计算评估。本发明改变了既往研究中通常采用的冠脉静息状态微循环阻抗和最大舒张状态微循环阻抗之比为经验化固定值的方法，转而采用患者个体化冠脉最大血流量计算方式，使最终得到的冠脉血流储备分数更准确。
Description
技术领域
本发明涉及医学图像处理及血流动力学数值模拟技术，具体涉及一种个体化的冠状动脉狭窄病变功能学指标FFR的无创获取技术。
背景技术
冠状动脉粥样硬化性心脏病是世界上因疾病造成死亡的主要原因，占总死亡人数的12.8％，其主要病理机制是冠脉狭窄性病变或粥样硬化斑块破裂所致心肌灌注不良或心肌缺血性坏死。
有创冠脉造影(cCTA)和数字剪影造影(DSA)是目前临床筛查和诊断冠心病的主要影像学手段，但其在评估冠脉血流状态和心肌灌注方面有很大的局限性。在此背景下，进行冠脉血流储备分数(fractional flow reserve，FFR)的功能学检查在近十余年来得到了广泛的应用，并取得了较好的临床效果。FFR测量的理论依据是，当冠脉微循环处于最大舒张状态(即冠脉微循环阻抗达到最小值)时，冠脉血压与血流量呈现近似线性关系，因此可以根据冠脉狭窄上、下游的压力比值来估测狭窄对下游血运功能(主要为灌注压的下降会造成心肌灌注量的下降)造成的影响。FFR临床测量的前提条件是使用血管舒张药物(通常是腺苷)引起冠脉微循环血管产生最大舒张，在此基础上测量狭窄下游冠脉平均血压(Pd)与主动脉根部平均血压(Pa)。然而，FFR的测量过程有创、价格昂贵、耗时较长，且部分患者对血管舒张剂如腺苷等药物有应激反应，有发生严重副作用的风险。
在此背景下，融合临床影像学信息和算法的无创评估功能学指标方法逐渐成为辅助临床决策的潜在手段。当前无创评估FFR的技术方法分为两类，一类方法是以临床数据集训练后的神经网络模型进行的评估，第二类方法为结合影像学信息和冠脉血流动力学建模计算的方法进行评估。使用第一类机器学习或深度学习手段预测FFR的方法可以快速给出患者的血流储备分数值，但其精度受到模型训练样本数量的影响，且无法完全做到患者个体化预测。本发明属于第二类方法的技术领域。然而，在该领域的现有技术方法中，多数研究针对冠脉狭窄病变部位的建模计算常采用理想化或人群平均化边界条件，且未综合考虑患者的个体化差异以及患者生理病理条件的易变性等多个问题，在一定程度上限制了相关研究成果的普适性临床应用价值。
人体冠脉循环系统是由多个相互影响的部分组成。心肌血流灌注作为评价冠心病影响的关键指示因子，主要由冠脉循环的前负荷(一个心动周期内的主动脉平均压)、后负荷(冠脉微循环所受到的心肌内压力)及其两者之间的力学相互作用决定，同时也会受心脏瓣膜疾病、心率变化等其他非冠脉因素的影响。
因此，基于人体真实生理机制，建立准确的冠脉循环个体化数学模型，进而为FFR的计算提供准确的冠脉入口、出口边界条件，在冠脉循环的血流动力学数值模拟中具有重要的意义。
发明内容
本发明要解决的技术问题是，克服现有技术中的不足，提供一种通过无创方式实现个体化评估患者冠状动脉FFR的方法。
为解决技术问题，本发明的解决方案是：
提供一种通过无创方式实现个体化评估患者冠状动脉FFR的方法，包括以下步骤：
S01：对患者进行无创多模态医学影像采集，获得超声心动图和冠脉增强CT图像；基于超声心动图和静息生理检测得到患者的个体化信息；
S02：对冠脉增强CT图像分割处理后，分两次进行三维重建，分别获得冠脉血管三维模型和心室壁三维模型；
S03：对冠脉血管三维模型和心室壁三维模型进行预处理，包括格式转换和时间-空间离散化；
S04：构建零维的心血管系统集中参数模型并结合参数优化算法，基于该模型的数值计算结果和步骤S01获得的个体化数据，建立参数优化目标函数；通过数值迭代实现模型的标定，使模型的心血管功能参数与患者之间实现个体化对应；
S05：对经预处理的心室壁三维模型进行有限元仿真计算，得到心室壁应力应变的数据；
S06：将预处理后的冠脉血管三维模型嵌入步骤S04中经标定的心血管系统集中参数模型中，得到包括冠脉-体循环的零维-三维耦合模型；导入步骤S04中经个体化标定的零维模型参数，为冠脉血管三维模型提供符合患者生理实际的边界条件；导入步骤S05中计算得到的数据，为冠脉血管三维模型的出口提供患者个性化心肌内压力参数值；再通过有限元软件进行耦合模型的仿真计算，获得静息状态下的冠脉压力-流量信息；
S07：利用步骤S06的计算结果，校准归一化的冠脉压力-流量自调节曲线；进一步结合在一个心动周期内冠脉各末支血管的瞬时无波期的平均压力-流量比值，反推得到患者在冠脉最大舒张状态下的理论血流量；
S08：将步骤S02得到的冠脉血管三维模型导入流体仿真软件，以步骤S07中得到的冠脉最大舒张状态血流量为入口边界条件，以步骤S05中得到的心室壁应力应变数据作为出口边界条件，进行血流动力学计算，并根据计算结果和下式得到冠脉血流储备分数FFR：
FFR＝Pd/Pa
其中，Pa是主动脉根部周期平均血压，Pd是冠状动脉狭窄病变下游周期平均血压。
作为本发明的优选方案，在步骤S01中进行无创多模态医学影像采集时，确保影像内容至少涵盖患者心脏一个心动周期的收缩末期和舒张末期。
作为本发明的优选方案，在步骤S01中，所述个体化信息包括基于患者超声心动图获得的心输出量、射血分数、心脏瓣膜功能状态、跨瓣膜压力梯度及开口面积的信息，以及基于静息生理检测获得的收缩/舒张压和心率。
作为本发明的优选方案，所述步骤S02具体包括：
(2.1)先利用Mimics软件对图像进行冠脉分割处理，得到格式为STL的三维光顺模型，然后利用Geomagic studio软件进一步进行曲面光滑和裁剪边界出入口的操作，进行三维重建获得冠脉血管三维模型；
(2.2)利用3D U-Net卷积神经网络对图像进行腔室分割处理，生成三维体素结构的心室壁，然后利用Marching Cubes算法生成网格结构的心室壁，进而得到分别在收缩期和舒张期的心室壁三维模型。
作为本发明的优选方案，所述步骤S03具体包括：
(3.1)将冠脉血管三维模型导入ANSYS ICEM软件中，进行网格划分处理；
(3.2)对心室壁三维模型进行格式转换，导入Abaqus有限元分析软件中，进行时间-空间离散化处理，围绕心肌纤维构建多尺度多物理场数值模型；
(3.3)设置各模型的参数属性。
作为本发明的优选方案，在步骤S04的零维的心血管系统集中参数模型中，将心血管系统简化为心脏、体循环、肺循环和冠脉循环四个部分，使用有限数量的模型参数表达各部分所对应的心血管功能；其中包括：构成心脏的四个房室的收缩/舒张功能分别由四个时变elastance参数来表达；体循环和肺循环的血管系统由描述血管粘性阻力R、血流惯性L和血管顺应性C的参数来表达；在冠脉循环中，行于心脏表面的冠脉主要分支血管采用三维建模法，冠脉微循环采用集中参数建模方法。
作为本发明的优选方案，在步骤S05中，向Abaqus有限元分析软件中导入基于心肌纤维结构的主动收缩力学模型和基于纤维分布的心肌被动拉伸本构模型；在此基础上进行心室壁三维模型的仿真计算，实现心肌不同灌注区域及不同心肌层的心肌压力值的计算，以用于耦合模型的参数赋值。
作为本发明的优选方案，在步骤S06中，所述静息状态下的冠脉压力-流量信息具体是指，在一个心动周期内的瞬时无波期起始于舒张期的前25％，结束于舒张期结束前5ms，针对瞬时无波期计算得到压力-流量关系。
与现有技术相比，本发明的有益效果是：
1、相较于现有技术中无创评估FFR的方法，本发明的方法可针对局部狭窄、弥漫性狭窄、分叉部位狭窄等不同类型病变患者，建立患者个体化冠脉-体循环耦合数学模型，并可基于冠脉血流量自动调节曲线和一个心动周期内瞬时无波期的压力-流量比值，对患者个体化冠脉模型每个出口处的最大血流量进行合理反推，根据质量守恒原理得到冠脉最大舒张状态下的整体血流量，进而用于准确的FFR血流动力学数值计算评估。
建立患者个体化零维-三维数学模型包括以下步骤：通过患者个体化冠脉循环系统几何多尺度建模、冠脉增强CT+深度学习的心室壁力学建模以及超声心动图数据相融合的思路，提高血流计算结果与患者个体真实生理病理状态的匹配度，实现对冠脉血流动力学指标FFR的准确预测，可望为基于血流动力学信息的复杂形态斑块心肌缺血风险的无创可靠评估提供实用的新方法。
2、本发明充分利用通过无创方式获取的患者个体化数据用于模型参数标注；无需腺苷诱导的冠脉最大舒张状态，避免采用介入诊断可能带来的创伤风险。
3、本发明改变了既往研究中通常采用的冠脉静息状态微循环阻抗和最大舒张状态微循环阻抗之比为经验化固定值的方法，转而采用患者个体化冠脉最大血流量计算方式，使最终得到的冠脉血流储备分数更准确。
附图说明
图1为本发明中通过无创方式实现个体化评估患者冠状动脉FFR的流程图；
图2为人体心血管零维模型示意图；
图3为左心室壁分割流程示意图；
图4为左心室壁模型与心血管系统零维模型耦合示意图；
图5为人体心血管系统零维-三维耦合模型示意图；
图6为零维-三维模型耦合算法及模型参数赋值示意图；
图7为基于血流动力学计算结果得到瞬时无波期内冠脉各分支处压力-流量关系(阴影部分为一个心动周期内的瞬时无波期)；
图8为通过血流量自动调节曲线反推患者个体化冠脉最大舒张血流量示意图；
图9为FFR计算示意图。
具体实施方式
首先需要说明的是，本发明涉及医学图像处理及血流动力学数值模拟技术。本发明的核心创新内容在于设计了“基于个体化的无创的医学图像和生理检测数据”来实现患者冠状动脉FFR的评估方法，这样的数据处理流程是一个创新做法。
在本发明的实现过程中，会涉及到多个工具软件、有限元分析软件、卷积神经网络、数值模型等软件或模块的使用，包括但不限于：Mimics软件、Geomagic studio软件、3DU-Net卷积神经网络、Marching Cubes算法、Nelder-Mead算法、Voronoi算法、ANSYS ICEM软件、Abaqus有限元分析软件、ANSYS-Fluent流体仿真软件、瓣膜运动模型、主动收缩力学模型、心肌被动拉伸本构模型，等等。此外，本发明的技术方案中还涉及构建零维和三维模型、针对模型进行优化、标定、仿真计算、二次开发等处理，这些技术手段均可直接采用本领域常见处理方案或参考现有公开文献记载的方式实现。申请人认为，如在仔细阅读申请文件、准确理解本发明的实现原理和发明目的以后，在结合现有公知技术的情况下，本领域技术人员完全可以运用其掌握的技能实现本发明。凡本发明申请文件提及的均属此范畴，申请人不再一一列举。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统的一部分及其各个装置、模块、单元以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以，本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构；也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。
本发明提供的通过无创方式实现个体化评估患者冠状动脉FFR的方法，其实现流程如图1所示，具体包括以下步骤：
步骤S01：对患者进行无创多模态医学影像采集，获得超声心动图和冠脉增强CT图像；基于超声心动图和静息生理检测得到患者的个体化信息。
所述无创多模态医学影像采集包括通过超声检查获得超声心动图，以及利用CT扫描机获得增强冠脉CT图像；采集过程应确保影像内容至少涵盖患者心脏一个心动周期的收缩末期和舒张末期。患者个体化的生理病理信息，则包括基于患者超声心动图获得的心输出量、射血分数、心脏瓣膜功能状态、跨瓣膜压力梯度及开口面积的信息，以及基于静息生理检测获得的收缩/舒张压和心率。
步骤S02：对冠脉增强CT图像分割处理后，分两次进行三维重建，分别获得冠脉血管三维模型和心室壁三维模型。
具体包括以下内容：
第一次对冠脉增强CT图像进行冠脉分割处理：先将CT图像导入Mimics软件中，经过灰度范围选择、阈值分割以及区域生长和光顺的图像处理后，得到格式为STL的三维光顺模型；然后在Geomagic studio软件中对模型进行进一步曲面光滑操作，并裁剪三维模型边界出入口使其平整；再加入管径10倍长度的延长管，用于血流动力学计算。通过上述三维重建，获得冠脉血管三维模型；
第二次对冠脉增强CT图像进行腔室分割处理：分割方法是使用3D U-Net卷积神经网络生成三维体素结构的心室壁，而建模方法则使用Marching Cubes算法生成网格结构的心室壁。通过上述处理，得到心室壁分别在收缩期和舒张期的三维几何模型，即心室壁三维模型。
步骤S03：对冠脉血管三维模型和心室壁三维模型进行预处理，包括格式转换和时间-空间离散化。
(3.1)将冠脉血管三维模型导入ANSYS ICEM软件中，进行网格划分处理；
(3.2)对心室壁三维模型进行格式转换，导入Abaqus有限元分析软件中，进行时间-空间离散化处理，围绕心肌纤维构建多尺度多物理场数值模型；
(3.3)设置各模型的参数属性，包括：对于冠脉血管三维模型设置血液密度为1050kg/m3，血液动力学粘度为0.0035Pa·s，流体类型设置为不可压缩的牛顿流体；对于心室壁三维模型，设置心肌材料属性。
步骤S04：构建零维的心血管系统集中参数模型并结合参数优化算法，基于该模型的数值计算结果和步骤S01获得的个体化数据，建立参数优化目标函数；通过数值迭代实现模型的标定，使模型的心血管功能参数与患者之间实现个体化对应。
具体包括以下内容：
(1)构建心血管系统集中参数模型：
首先将人体的心血管系统简化为四个主要组成部分，即心脏、体循环、肺循环和冠脉循环，然后用参数表达各部分所对应的心血管功能。构成心脏的四个房室的收缩/舒张功能分别由四个时变弹性腔模型(时变elastance参数)来表征，而体-肺循环的血管系统由一系列描述血管粘性阻力R，血流惯性L和血管顺应性C的参数来表达(式1)，以实现用有限数量的参数描述循环系统整体动态的目标。
其中l是血管长度(cm)，D是血管直径(cm)；μ是血液动力学粘度，ρ是血液密度；
在血管的弹性模量等材料属性和血管壁厚度未知的前提下，可基于血管平均在体伸展性Cnorm(mmHg-1)计算得到血管顺应性(C)。
针对冠脉循环系统的建模中，行于心脏表面的冠脉主要分支血管采用三维建模法；而冠脉微循环采用集中参数建模方法，该建模方法的优势在于可以实现在降低计算资源消耗的同时，最大限度地保证流经三维狭窄病变处的血流量的患者个体化表征。
在心血管系统集中参数模型中采用通用的瓣膜运动模型，该模型可以适配到零维模型中，并且可用于恰当描述四个心脏瓣膜的在体血流动力学状态。如式2所示：
其中，p1和p2分别表示瓣膜两侧的压力值，q为流经瓣膜的流量，B为伯努利阻抗；ρ是血液密度；L是血液惯性；t是时间；leff和Aeff分别是有效的瓣膜流道长度和开口面积。
其中，Aeff(t)是瓣膜有效开口面积；是瓣膜状态指数/>Aeff,max和Aeff,min是瓣膜可达到的最大和最小有效开口面积。
公式(4)能有效模拟瓣膜的动态特性，相对于时间的瞬时变化率采用上述瓣膜开启形式(假设p1-p2>0时)，其中Kvo表征瓣膜开启的速率系数。该式表明若瞬时压差较大，则瓣膜开启速率变大，对于给定压差，当瓣膜接近完全打开位置时，打开速率减缓。反之，瓣膜关闭(发生在p1-p2＜0时)由式5表征。
其中，Kvc是瓣膜关闭的速率系数。
本发明采用的瓣膜运动模型由两个系数Kvo和Kvc进行表征，其值越高值代表瓣膜开闭速率越快，而低值代表其开闭速率越慢。
(2)基于S01中的临床实测数据与心血管系统集中参数模型的数值计算结果，建立参数优化目标函数。通过数值迭代实现模型参数的患者个体化标定，进而得到与患者对应的心血管功能参数。
该步骤中，使用Nelder-Mead算法结合循环系统集中参数模型，对模型参数的最优解进行搜索，并将得到的模型参数赋值到后续零维-三维几何多尺度模型的集中参数部分，最终得到与患者生理实际相对应的心血管功能参数。
步骤S05：对经预处理的心室壁三维模型然后进行有限元仿真计算，得到心室壁应力应变的数据。
具体包括以下内容：
向Abaqus有限元分析软件中导入基于心肌纤维结构的主动收缩力学模型和基于纤维分布的心肌被动拉伸本构模型。包括：通过Fortran语言对Abaqus软件进行用户自定义二次开发，将心肌节、间质、胶原纤维等成分的相互作用纳入到基于心肌纤维结构的主动收缩力学模型中，准确地模拟心肌的收缩力学特性，提高心肌收缩力学模型的准确性和可靠性。同时，通过导入基于纤维分布的心肌被动拉伸本构模型，精确地模拟不同生理病理状态下心肌组织的被动力学行为和变化，计算得到心肌不同灌注区域及不同心肌层的心肌压力值。
利用经过二次开发的Abaqus软件，对步骤S03预处理后的心室壁三维模型进行有限元数值仿真，得到不同心肌灌注区域和不同心肌层的应力-应变信息等力学属性数据。通过Voronoi算法将心室心肌的每个体素分配到空间上最近的冠状动脉分支作为其灌注区域。对每个灌注区域计算所得心肌压力进行积分，作为该支冠脉出口的生理压力边界条件。
步骤S06：将预处理后的冠脉血管三维模型嵌入步骤S04中经标定的心血管系统集中参数模型中，得到包括冠脉-体循环的零维-三维耦合模型；导入步骤S04中经个体化标定的零维模型参数，为冠脉血管三维模型提供符合患者生理实际的边界条件；导入步骤S05中计算得到的数据，为冠脉血管三维模型的出口提供患者个性化心肌内压力参数值；再通过有限元软件进行耦合模型的仿真计算，获得静息状态下的冠脉压力-流量信息。
具体包括以下内容：
首先，将步骤S03预处理后的冠状动脉三维模型嵌入心血管系统集中参数模型中，得到包括冠脉-体循环的零维-三维耦合模型。该模型的三维部分为包含狭窄病变部位的冠脉树模型，而零维部分包含心脏、冠脉微循环、肺循环和体循环等部分，其作用主要是为三维模型提供符合生理实际的边界条件；零维模型为三维模型的出口提供压力边界条件，为三维模型的入口提供流量边界条件，并在零维-三维交界面处设置合适的收敛判据。
将S04中得到的优化和标定的参数导入该计算模型中的对应位置，将S05中计算得到的心肌压力信息导入该计算模型的冠脉微循环部分，为三维冠状动脉模型出口提供可靠的患者个性化心肌内压力参数值；通过对流体仿真软件ANSYS-Fluent进行二次开发，实现零维-三维耦合算法并进行零维-三维耦合数值仿真。
本发明使用基于C语言的用户自定义程序来描述零维模型部分和零维-三维模型交界面耦合部分，使用大量的宏定义来实现用户和软件求解器中数据的交互，程序使用时被当作编译函数，嵌入共享库中并与Fluent连接，通过加载编译子程序，添加到三维模型入口、出口边界条件设置处，实现零维-三维耦合效果。
在零维-三维几何多尺度模型系统中，三维模型用于精确再现狭窄病变区域的血流动力学环境，冠脉微循环使用零维模型调节流经各末支冠脉的血流量，两种模型相互耦合实现对冠脉狭窄局部血流与系统血流的同步解析；该零维-三维耦合建模方法的优势在于可以实现在降低计算资源消耗的同时，最大限度地保证流经三维狭窄病变处的血流量和压力梯度的患者个体化特征以及血管分叉处的血流分流特征。
在耦合模型中需要赋值参数的患者个体化标定，是以临床可测的生理指标(心输出量、收缩-舒张压、心率、射血分数、心脏瓣膜功能状态、跨瓣膜压力梯度及开口面积)为基础，通过迭代求解由模型参数、计算结果和实测数据构成的目标函数来实现。
所述静息状态下的冠脉压力-流量信息具体是指，在一个心动周期内的瞬时无波期起始于舒张期的前25％，结束于舒张期结束前5ms，针对瞬时无波期计算得到压力-流量关系。
步骤S07：利用步骤S06的计算结果，校准归一化的冠脉压力-流量自调节曲线；进一步结合在一个心动周期内冠脉各末支血管的瞬时无波期的平均压力-流量比值，反推得到患者在冠脉最大舒张状态下的理论血流量。
具体包括以下内容：
考虑存在冠脉狭窄时，冠脉循环的末梢小动脉和细动脉具有响应血流量的减少而扩张的能力(即冠脉血流自动调节功能)，利用步骤S06计算所得静息状态下的冠脉压力-流量信息，校准归一化的冠脉压力-流量自调节曲线，使该曲线可以表征患者在静息状态下的压力-流量关系，进一步融合一个心动周期内的瞬时无波期的压力-流量计算结果，得到冠脉最大充血状态下的压力-流量关系，从而反推得到冠脉微循环最大舒张状态下的冠脉各出口血流量；根据质量守恒原理，最终得到冠脉三维模型入口处的最大舒张状态血流量。
一个心动周期内的瞬时无波期起始于舒张期的前25％，结束于舒张期结束前5ms，由于这一时期冠状动脉内阻力相对稳定且最小，在这一时期内计算得到的压力-流量关系可以近似认为冠状动脉处于最大舒张状态，从而避免了血管扩张药物腺苷的使用，通过该步骤在瞬时无波期计算得到的压力-流量关系，结合归一化血流量自动调节曲线，得到冠脉在最大舒张状态下的血流量。
步骤S08：将步骤S02得到的冠脉血管三维模型导入ANSYS-Fluent流体仿真软件，以步骤S07中得到的冠脉最大舒张状态血流量为入口边界条件，以步骤S05中得到的心室壁应力应变数据作为出口边界条件；进行血流动力学计算，并根据计算结果和下式得到冠脉血流储备分数FFR：
FFR＝Pd/Pa
其中，Pa是主动脉根部周期平均血压，Pd是冠状动脉狭窄病变下游周期平均血压。
一个更为具体的示例：
实现过程的各步骤如图1所示：
1、数据采集：
获取冠脉增强CT图像和超声心动图图像，通过超声心动图得到心输出量、射血分数、心脏瓣膜功能状态、跨瓣膜压力梯度及开口面积等患者个体化临床信息，并在获得影像学数据的同时测量患者的静息状态下的血压、心率等个体化临床信息，为心血管模型参数的校准提供目标值。
2、基于冠脉增强CT图像构建冠脉血管三维模型和心室壁三维模型：
冠脉分叉病变所在动脉的三维模型是三维高精度CFD模型，通过Mimics和Geomagic studio对冠脉树图像进行构建。具体而言，先将DICOM格式数据导入Mimics中，通过阈值分割、三维区域增长技术得到动脉蒙片，继续采用手动分割法提取冠脉树mask，并将模型导入逆向工程软件Geomagic Studio中进行必要的网格检查及平滑后，将文件以STL格式输出，得到冠脉树几何模型，进一步将模型在ANSYS软件的ICEM模块进行网格划分。
基于冠脉增强CT数据，融合深度学习分割算法，分别使用3D U-Net网络生成三维体素结构的左心室壁，使用Marching Cubes算法生成网格结构的左心室壁，构建患者个性化心室壁模型，经格式转换等预处理步骤后，得到左心室三维模型(如图2所示)。
3、心血管系统集中参数模型的建立和参数标定：
首先基于人群一般化数据对模型参数赋值，建立一个人群平均化的心血管系统集中参数基准模型，使该模型可以合理地模拟心血管循环系统的主要血流动力学变量(如图3所示)。在此基础上，通过预留参数导入接口和冠脉三维模型导入接口并同步进行模型优化，使模拟结果可以再现不同生理病理状态下心血管系统血流特征。
模型参数的患者个体化标定，通过迭代求解由模型参数、计算结果和实测数据构成的目标函数，以步骤1中测得的患者个体化生理病理信息为目标值，得到患者体循环阻抗、心脏收缩-舒张时变弹性模量、心输出量、二尖瓣/三尖瓣/主动脉瓣/肺动脉瓣的瓣膜压力梯度及开口面积等模型参数，为后续零维-三维耦合模型的参数赋值做准备。
4、本发明的三维左心室数值模拟单元利用Abaqus软件对左心室几何模型进行网格划分并嵌入边界条件后，利用Abaqus有限元分析商业软件并结合Fortran代码进行Abaqus的二次开发，对左心室-体循环耦合模型进行有限元仿真(如图4所示)。数值仿真后得到不同心肌灌注区域和不同心肌层的应力-应变信息，分析计算结果，通过Voronoi算法用于将左心室心肌的每个体素分配到空间上最近的冠状动脉分支作为其灌注区域。对每个灌注区域计算所得心肌压力进行积分，作为该支冠脉出口的符合生理实际的压力边界条件。
5、包括冠脉-体循环的零维-三维耦合模型构建：
将冠脉树三维模型和体循环的零维模型耦合(如图5所示，其中体循环零维模型为步骤3中经过临床数据标定好的模型)，以表征病变局部血流与冠脉循环系统血流之间的相互作用，对ANSYS Fluent软件进行基于C语言的二次开发，搭建体循环-冠脉循环的几何多尺度耦合模型算法(如图6所示)，进行血流动力学计算。
6、基于步骤5中的计算结果对归一化的冠脉血流量自动调节曲线进行患者个体化校准(基于冠脉静息状态下的压力-流量关系对曲线进行缩放)，并基于一个心动周期内瞬时无波期的流量-压力关系(如图7所示)反推冠脉最大充血状态下每个出口的血流量值(示意图如图8所示)，根据质量守恒原理，得到冠脉最大充血状态下冠脉树入口的总流量。
7、通过步骤6中得到的患者个体化冠脉最大充血状态下的血流量，赋值给冠脉树三维模型作为入口边界条件，出口边界仍为步骤4所得压力出口边界条件，进行血流动力学计算，得到无创的血流储备分数值(图9)。
作为进一步的应用实施例，本发明还提供了一种装置用于执行本申请所述方法。
图像接收模块1和2分别用于接收冠脉增强CT单元的血管图像和超声心动图单元的患者个体化信息，包含与影像学设备连接的图像传输接口、用于图像接收的线缆、图像接收接口和图像转换器等。
存储模块，用于实现信息存储的控制逻辑、物理存储介质等，例如图像存储软件、内存、硬盘等。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。所述的存储模块包含序列图像数据。
图像处理模块3和血流动力学数据获取模块3分别用来对三维模型进行预处理和进行血流动力学计算，最终无创得到冠脉功能学指标。通过硬件之上的ANSYS Fluent软件进行耦合模型的构建及血流动力学计算，通过Abaqus软件对心室壁三维模型进行有限元计算。
所述图像处理模块1、2和3包含控制逻辑、图像处理逻辑、物理处理单元等，例如图像处理芯片、图像处理软件等，通过人机接口操作，人机接口包含显示器、打印机、用户界面、鼠标和键盘等，通过硬件之上的Mimics和Geomagic studio软件对冠脉增强CT图像进行模型构建，分别得到冠脉树三维模型和左心室壁三维模型，通过ANSYS ICEM、Abaqus等软件对三维模型进行时间-空间离散化处理。
显然，以上所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
Claims (8)
1.一种通过无创方式实现个体化评估患者冠状动脉FFR的方法，其特征在于，包括以下步骤：
S01：对患者进行无创多模态医学影像采集，获得超声心动图和冠脉增强CT图像；基于超声心动图和静息生理检测得到患者的个体化信息；
S02：对冠脉增强CT图像分割处理后，分两次进行三维重建，分别获得冠脉血管三维模型和心室壁三维模型；
S03：对冠脉血管三维模型和心室壁三维模型进行预处理，包括格式转换和时间-空间离散化；
S04：构建零维的心血管系统集中参数模型并结合参数优化算法，基于该模型的数值计算结果和步骤S01获得的个体化数据，建立参数优化目标函数；通过数值迭代实现模型的标定，使模型的心血管功能参数与患者之间实现个体化对应；
S05：对经预处理的心室壁三维模型进行有限元仿真计算，得到心室壁应力应变的数据；
S06：将预处理后的冠脉血管三维模型嵌入步骤S04中经标定的心血管系统集中参数模型中，得到包括冠脉-体循环的零维-三维耦合模型；导入步骤S04中经个体化标定的零维模型参数，为冠脉血管三维模型提供符合患者生理实际的边界条件；导入步骤S05中计算得到的数据，为冠脉血管三维模型的出口提供患者个性化心肌内压力参数值；再通过有限元软件进行耦合模型的仿真计算，获得静息状态下的冠脉压力-流量信息；
S07：利用步骤S06的计算结果，校准归一化的冠脉压力-流量自调节曲线；进一步结合在一个心动周期内冠脉各末支血管的瞬时无波期的平均压力-流量比值，反推得到患者在冠脉最大舒张状态下的理论血流量；
S08：将步骤S02得到的冠脉血管三维模型导入流体仿真软件，以步骤S07中得到的冠脉最大舒张状态血流量为入口边界条件，以步骤S05中得到的心室壁应力应变数据作为出口边界条件，进行血流动力学计算，并根据计算结果和下式得到冠脉血流储备分数FFR：
FFR＝Pd/Pa
其中，Pa是主动脉根部周期平均血压，Pd是冠状动脉狭窄病变下游周期平均血压。
2.根据权利要求1所述的方法，其特征在于，在步骤S01中进行无创多模态医学影像采集时，确保影像内容至少涵盖患者心脏一个心动周期的收缩末期和舒张末期。
3.根据权利要求1所述的方法，其特征在于，在步骤S01中，所述个体化信息包括基于患者超声心动图获得的心输出量、射血分数、心脏瓣膜功能状态、跨瓣膜压力梯度及开口面积的信息，以及基于静息生理检测获得的收缩/舒张压和心率。
4.根据权利要求1所述的方法，其特征在于，所述步骤S02具体包括：
(2.1)先利用Mimics软件对图像进行冠脉分割处理，得到格式为STL的三维光顺模型，然后利用Geomagic studio软件进一步进行曲面光滑和裁剪边界出入口的操作，进行三维重建获得冠脉血管三维模型；
(2.2)利用3D U-Net卷积神经网络对图像进行腔室分割处理，生成三维体素结构的心室壁，然后利用Marching Cubes算法生成网格结构的心室壁，进而得到分别在收缩期和舒张期的心室壁三维模型。
5.根据权利要求1所述的方法，其特征在于，所述步骤S03具体包括：
(3.1)将冠脉血管三维模型导入ANSYS ICEM软件中，进行网格划分处理；
(3.2)对心室壁三维模型进行格式转换，导入Abaqus有限元分析软件中，进行时间-空间离散化处理，围绕心肌纤维构建多尺度多物理场数值模型；
(3.3)设置各模型的参数属性。
6.根据权利要求1所述的方法，其特征在于，在步骤S04的零维的心血管系统集中参数模型中，将心血管系统简化为心脏、体循环、肺循环和冠脉循环四个部分，使用有限数量的模型参数表达各部分所对应的心血管功能；其中包括：构成心脏的四个房室的收缩/舒张功能分别由四个时变elastance参数来表达；体循环和肺循环的血管系统由描述血管粘性阻力R、血流惯性L和血管顺应性C的参数来表达；在冠脉循环中，行于心脏表面的冠脉主要分支血管采用三维建模法，冠脉微循环采用集中参数建模方法。
7.根据权利要求1所述的方法，其特征在于，在步骤S05中，向Abaqus有限元分析软件中导入基于心肌纤维结构的主动收缩力学模型和基于纤维分布的心肌被动拉伸本构模型；在此基础上进行心室壁三维模型的仿真计算，实现心肌不同灌注区域及不同心肌层的心肌压力值的计算，以用于耦合模型的参数赋值。
8.根据权利要求1所述的方法，其特征在于，在步骤S06中，所述静息状态下的冠脉压力-流量信息具体是指，在一个心动周期内的瞬时无波期起始于舒张期的前25％，结束于舒张期结束前5ms，针对瞬时无波期计算得到压力-流量关系。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311574950.0A CN117828917A (zh) | 2023-11-23 | 2023-11-23 | 通过无创方式实现个体化评估患者冠状动脉ffr的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311574950.0A CN117828917A (zh) | 2023-11-23 | 2023-11-23 | 通过无创方式实现个体化评估患者冠状动脉ffr的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117828917A true CN117828917A (zh) | 2024-04-05 |
Family
ID=90516206
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311574950.0A Pending CN117828917A (zh) | 2023-11-23 | 2023-11-23 | 通过无创方式实现个体化评估患者冠状动脉ffr的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117828917A (zh) |
-
2023
- 2023-11-23 CN CN202311574950.0A patent/CN117828917A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10162932B2 (en) | Method and system for multi-scale anatomical and functional modeling of coronary circulation | |
| CN110268478B (zh) | 提供用于心血管疾病的决策支持和诊断的受试者特异性计算模型的方法和过程 | |
| US20210241914A1 (en) | Machine learning system for assessing heart valves and surrounding cardiovascular tracts | |
| US8682626B2 (en) | Method and system for comprehensive patient-specific modeling of the heart | |
| US6117087A (en) | Method and apparatus for noninvasive assessment of a subject's cardiovascular system | |
| US20110060576A1 (en) | Method and System for Computational Modeling of the Aorta and Heart | |
| US20180174068A1 (en) | Method and process for providing a subject-specific computational model used for treatment of cardiovascular diseases | |
| CN108109698A (zh) | 应用计算流体力学来模拟计算血流储备分数的系统和方法 | |
| JP2012024582A (ja) | 包括的な患者固有の心臓のモデリング方法およびシステム | |
| CN106659399A (zh) | 使用患病和假想正常解剖学模型中的流计算的冠状动脉狭窄的非侵入功能评价的方法和系统 | |
| Garber et al. | The critical role of lumped parameter models in patient-specific cardiovascular simulations | |
| van der Horst et al. | Towards patient-specific modeling of coronary hemodynamics in healthy and diseased state | |
| Khodaei et al. | Personalized intervention cardiology with transcatheter aortic valve replacement made possible with a non-invasive monitoring and diagnostic framework | |
| CN114530252A (zh) | 冠状动脉血流动力学模拟仿真方法及装置 | |
| Chi et al. | Application of multiscale coupling models in the numerical study of circulation system | |
| CN116013533A (zh) | 冠脉的血流动力学评估模型的训练方法、评估方法及系统 | |
| CN117828917A (zh) | 通过无创方式实现个体化评估患者冠状动脉ffr的方法 | |
| Dahl | Numerical simulations of blood flow in the left side of the heart | |
| Wang et al. | Modelling coronary flow and myocardial perfusion by integrating a structured-tree coronary flow model and a hyperelastic left ventricle model | |
| CN116453697B (zh) | 基于ffr拟合的冠脉狭窄血流动力学模拟方法及系统 | |
| Ding et al. | Simulating impaired left ventricular–arterial coupling in aging and disease: a systematic review | |
| Fossan | Physics-based and data-driven reduced order models: applications to coronary artery disease diagnostics | |
| Soni et al. | A comprehensive review on CFD simulations of left ventricle hemodynamics: numerical methods, experimental validation techniques, and emerging trends | |
| Liu et al. | A noninvasive method of estimating patient-specific left ventricular pressure waveform | |
| Tran | Computational modelling and uncertainty quantification of blood flow in the coronary arteries |
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 |