CN118071701A - 基于血管oct图像分析的血管参数的获取方法、装置 - Google Patents
基于血管oct图像分析的血管参数的获取方法、装置 Download PDFInfo
- Publication number
- CN118071701A CN118071701A CN202410202890.8A CN202410202890A CN118071701A CN 118071701 A CN118071701 A CN 118071701A CN 202410202890 A CN202410202890 A CN 202410202890A CN 118071701 A CN118071701 A CN 118071701A
- Authority
- CN
- China
- Prior art keywords
- blood vessel
- parameters
- model
- area
- perimeter
- 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
- 210000004204 blood vessel Anatomy 0.000 title claims abstract description 141
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000010191 image analysis Methods 0.000 title claims abstract description 14
- 230000036772 blood pressure Effects 0.000 claims abstract description 72
- 239000012528 membrane Substances 0.000 claims abstract description 66
- 230000002792 vascular Effects 0.000 claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 20
- 239000002657 fibrous material Substances 0.000 claims abstract description 16
- 210000004177 elastic tissue Anatomy 0.000 claims abstract description 12
- 210000002808 connective tissue Anatomy 0.000 claims description 14
- 239000000463 material Substances 0.000 claims description 13
- 238000004088 simulation Methods 0.000 claims description 13
- 238000002474 experimental method Methods 0.000 claims description 12
- 239000008280 blood Substances 0.000 claims description 11
- 210000004369 blood Anatomy 0.000 claims description 11
- 238000012014 optical coherence tomography Methods 0.000 description 62
- 238000004590 computer program Methods 0.000 description 15
- 238000004891 communication Methods 0.000 description 11
- 238000001727 in vivo Methods 0.000 description 11
- 238000012360 testing method Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 8
- 238000001514 detection method Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 7
- 239000000523 sample Substances 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 241000270295 Serpentes Species 0.000 description 5
- 238000012897 Levenberg–Marquardt algorithm Methods 0.000 description 4
- 230000008602 contraction Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000035487 diastolic blood pressure Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000035488 systolic blood pressure Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 210000004231 tunica media Anatomy 0.000 description 2
- 201000001320 Atherosclerosis Diseases 0.000 description 1
- 244000070406 Malus silvestris Species 0.000 description 1
- 241000699670 Mus sp. Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000013013 elastic material Substances 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000001802 infusion Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 230000004962 physiological condition Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000011343 solid material Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 230000006439 vascular pathology Effects 0.000 description 1
- 230000037197 vascular physiology Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Endoscopes (AREA)
Abstract
本申请实施例提供了一种基于血管OCT图像分析的血管参数的获取方法、装置,基于血管OCT图像分析的血管参数的获取方法,包括:采集血管在不同膨胀/血压压力状态下的OCT图像;处理OCT图像以获取血管不同分层的边界,得到实验结果;利用上述边界和超弹性纤维材料的模型建立血管的有限元模型;通过逆参数估计的方法在上述有限元模型中迭代得到最接近实验结果的血管参数;其中,超弹性纤维材料的模型包括本构模型和边界条件,血管参数包括本构模型中的参数;其中,根据本构模型的数量按顺序确定用于迭代的源数据为管腔周长、内中膜周长、管腔面积、内中膜面积、外膜周长、外膜面积中的部分或全部。
Description
技术领域
本发明涉及血管检测技术领域,特别涉及一种基于血管OCT图像分析的血管参数的获取方法、装置。
背景技术
当前在体血管检测主要面临的问题包括:图像清晰度差导致现有算法难以分辨内中膜和外膜,或者分辨不准确;图像分析和建模仿真耗费计算量大,导致检测时间长,增加了检测对象的痛苦和检测的风险等。
血管的力学性能是反映其生理状况健康与否的重要指标和参考,因此多层血管应力和应变状态的生物力学分析在血管病理学和生理学中具有重要意义,定量测量血管每一层的力学性能,对疾病的发生和发展研究及诊断非常重要的意义。血管通常由三层组成:内膜、内中膜和外膜,不同的层具有不同的力学性能,每层的精确本构模型对于其应力分析都是必不可少的,人们已经提出了多种本构模型来描述血管的力学特性,但目前仍缺少可以在不剥离层的情况下同时测量血管不同层的参数的方法。
发明内容
本发明实施例提供了一种基于血管OCT图像分析的血管参数的获取方法,包括:采集血管在不同膨胀/血压压力状态下的OCT图像;处理所述OCT图像以获取血管不同分层的边界,得到实验结果;利用上述边界和超弹性纤维材料的模型建立血管的有限元模型;通过逆参数估计的方法在上述有限元模型中迭代得到最接近实验结果的血管参数;其中,所述超弹性纤维材料的模型包括本构模型和边界条件,血管参数包括本构模型中的参数;其中,根据所述本构模型的数量按顺序确定用于迭代的源数据为管腔周长、内中膜周长、管腔面积、内中膜面积、外膜周长、外膜面积中的部分或全部。
本发明实施例提供了一种基于血管OCT图像分析的血管参数的获取装置,所述获取装置包括:OCT图像采集模块,用于采集血管特定位置在不同血压压力状态下的截面的图像;图像处理模块,用于对所述图像进行分割以获得血管不同分层之间的边界,得到实验结果;模型生成模块,用于利用上述边界创建血管的横截面有限元模型;求解模块,用于通过逆参数估计的方法在上述有限元模型中迭代得到最接近实验结果的血管参数;其中,所述超弹性纤维材料的模型包括本构模型和边界条件,血管参数包括本构模型中的参数;其中,根据所述本构模型的数量按顺序确定用于迭代的源数据为管腔周长、内中膜周长、管腔面积、内中膜面积、外膜周长、外膜面积中的部分或全部。
根据本发明实施例的血管获取方法、装的有益效果包括但不限于可快速获得特定位置血管的参数以判断该段血管是否存在可能的异常等。
附图说明
通过结合以下附图所作的详细描述,本发明的优点将变得更清楚和更容易理解,这些附图只是示意性的,并不限制本发明的保护范围,其中:
图1非限定性地示出了一种血管的多层结构示意图;
图2非限定性地示出了本发明的一种基于血管OCT图像分析的血管参数的获取方法的流程示意图;
图3非限定性地示出了根据本发明实施例的血管参数获取方法中通过OCT获取的血管在不同血压压力状态下的截面图以及通过图像分割算法处理后的具有清晰的血管不同膜层的边界的OCT图像;
图4非限定性地示出了根据本发明实施例的血管参数获取方法中在有限元软件中利用血管的几何边界、边界条件和本构模型所建立的模型;
图5-图10非限定性地示出了本发明的多种基于血管OCT图像分析的血管参数的获取方法的流程示意图;
图11非限定性地示出了根据本发明实施例的基于血管OCT图像分析的血管参数的获取装置的结构示意图;
图12非限定性地示出了一种执行方法的电子设备的结构示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
非限定性的,以下通过血管测量的例子来描述本申请的实施例,其中使用的设备为本领域常用的设备,在本申请中不予赘述。测试系统可以同时对血管进行膨胀、截面变形和血压压力等进行测量,非限定性的,本申请中的测试系统可以其他形式,只要其能获得同样的测量图像和参数即属于本发明的保护范围。
血管内OCT(光学相干断层扫描,Optical Coherence Tomography,简称OCT)系统(HS-100,中国水平医疗)用于成像,在根据本发明实施例的血管参数的获取方法、装置中的OCT系统的轴向分辨率为2-200μm,优选为10-30μm。在根据本申请实施例的血管参数的获取方法、装置中,只需要血管任意特定位置处的一个横截面的图像,因此OCT的导管不需要拉回。
应当理解的是,血管包括管腔(也称管腔膜、管腔)、内中膜(也称内中膜或“内-内中膜”)和外膜,尽管表达方式可能存在差异,但在根据本申请实施例的血管参数的获取方法、装置中将“内中膜”、“内中膜”、“内-内中膜”、“中内膜”等抽象地统称为内中膜。
参见图1,非限定性地示出了一种血管的多层结构示意图,图1中的最上层对应管腔,中层对应内中膜,最下层对应外膜。
实施例1
参照图2,根据本发明实施例的血管获取方法100包括:
步骤110,采集血管在不同膨胀/血压压力状态下的OCT图像;
步骤120,处理所述OCT图像以获取不同膨胀/血压压力状态下的血管的管腔、内中膜和外膜的边界,得到实验结果;
步骤130,利用上述边界和超弹性纤维材料的力学模型建立血管的有限元模型;
步骤140,通过逆参数估计的方法在上述有限元模型中迭代得到最接近实验结果的血管参数。接下来进一步描述每个步骤的实现示例。
参照图3,示出了离体血管不同的稳定的血压压力的状态下拍摄OCT图像,其中,由血压压力计监控拍摄不同图像时的血压压力。由于离体血管长度较短,轴向拉伸比定义为不同血压压力状态下的长度之比,根据实验血管的条件设定为1-1.5,优选为1.1-1.3,本实施例中设置为1.2,血管在不同血压压力下的OCT图像如图3(a)-(c)所示。不同膨胀/血压压力是指不同的膨胀状态或者不同的血压压力均可。
非限定性的,为了区分血管壁的各层膜,可执行snakes分割方法,以识别管腔、内中膜和外膜的清晰的边界线。三种不同血压压力状态下检测到的OCT图像及其经过图像分割处理后的边界线如图3(d)-(f)所示。
进一步,通过snakes算法可以得到各层边界,优选对snakes算法分割得到的内中膜的初始边界和/或外膜的初始边界上的边界点进行循环卷积计算,以获得指向内中膜和/或外膜轮廓的偏移量,然后再根据该偏移量收缩边界线,逼近目标边界以获得更清晰的内中膜边界和/或外膜的边界线。为了节省计算资源和提高检测效率,优选对内中膜边界线仅进行snakes算法分割获得其清晰的边界线,对于边界相对模糊的外膜先采用snakes、平滑模板对准相乘法、二值化灰度提取等简易算法获得初始的边界线轮廓(即初始边界)后,再对轮廓上的边界点进行循环卷积计算出指向外膜轮廓的偏移量,迭代变化轮廓曲线,逼近符合预设清晰度的实际边界。
根据识别出的管腔、内中膜和外膜的边界,可以计算三个边界的周向长度(周长),分别代表膨胀实验中不同血压压力下管腔、内中膜和外膜的周长,例如,如图3(a)所示,在0mmHg的状态下,血管的管腔的周长Cin=8.22mm,内中膜的周长Cmed=10.56mm,外膜的周长Cout=12.19mm。
另外,还可以根据识别出的管腔、内中膜和外膜的边界,计算三个边界的面积。例如图3(a)所示,在0mmHg的状态下,血管的管腔的周长Cin=8.22mm时,管腔的面积可以为Sin=5.3769mm2,内中膜的周长Cmed=10.56mm时,内中膜的面积可以为Smed=8.87mm2,外膜的周长Cout=12.19mm时,外膜的面积为Sout=11.8mm2。此处的面积是指边界所围的面积。
为了尽可能逼真地创建血管的有限元模型,可将OCT图像中提取某个单一稳定状态下的三个边界的坐标输入到有限元仿真软件中,以创建血管的横切面。同时为了便于轴向载荷的应用,2D横截面被拉伸1-5mm以生成厚度为2mm的3D模型,如图4所示拉伸了2mm。
应当注意的是,设置血管长度(即2mm的厚度)是因为为较短的离体血管设置了拉伸比,但对于在体血管而言,由于一段近似管径的血管的长度远大于其管径,可以取拉伸比为1.0,同时将3D模型的厚度设置为15mm等任意值,以满足有限元分析软件对边界条件的设置要求,这样设置拉伸比可以大幅节省计算资源,提升检测效率,并使得长径比更加接近在体血管。除了拉伸比问题,对于在体血管而言,上述方法的另一个难点在于血压压力梯度的非显著性,即收缩压和舒张压之差很难达到120mmHg之大,实际上仅有约20mmHg差值。尽管下文中将描述如何通过药物和/或物理的方法增加局部的血压差,但相较于零应力状态下的血管而言,可以假设血管在正常的压差范围内处于拉伸比接近于1的线性变形阶段。
优选的,对于一段长径比(长度/直径)≥5且高低压差不超过40mmHg的正常在体在体血管,可将其视为拉伸比为1,其他人体在体血管设置拉伸比为1.1。
非限定性的,超弹性纤维材料的模型包括本构模型和边界条件,仿真要用到几何模型、本构模型和边界条件。几何模型是指血管的几何模型,可以通过上述方法建立;边界条件是指血管的管腔、外膜等边界位置需要满足的血压压力条件,边界条件是可以根据血压获得的;而用于描述血管的本构模型有多种不同学说,根据本发明实施例的血管参数获取方法适用或者说可以使用各种已知的本构模型(针对不同肤色、年龄、性别的情况),例如Fung提出的应变能函数模型、V aishnav等人提出的应变能函数模型以及Holzapfel等人提出的GOH应变能密度方程等。
面临实际在体血压差较小的问题,如果仅采集n种与在体血压接近的血压压力条件下的边界条件来求解得到n个最接近实验结果的血管参数,则可能面临边界条件近似的问题;根据本发明实施例提出了一种基于在体OCT图像的图像边界条件提取方法,即根据所选用的本构模型中待定参数的个数,按按顺序选择以下六个参数中的一个或者多个作为用于迭代的源数据:管腔的周长Cin、管腔的面积Sin、内中膜的周长Cmed、内中膜的面积Smed、外膜的周长Cout、外膜的面积Sout。当待定参数的个数越多时,选择的参数数量也可以越多,以保证求解得到的参数的准确性。
换言之,当存在n个待定参数且仅能获得舒张压和收缩压两类血压压力边界条件时,可以结合两类血压压力边界条件下的面积和周长来求解,从而使得能够求解的待定参数的数量扩大为原来的两倍。
上述顺序优先级的原因在于,管腔的面积的变化更直接的反应内中膜的形变,即反应在管腔周长的变化和内中膜的周长的变化上,而从能量观点出发,内中膜的变化吸收了相当部分的能量,从而导致外膜的变化不明显;并且由于分层的清晰度和边界的清晰度较差,当OCT从血管内向外发射光线时,距离光源越远的血管的部分图像清晰度越低,导致外膜的外边界即外膜的周长误差一般较大。面积与周长类似,不再赘述。
非限定性的,下面以选用GOH应变能密度方程为例,说明求解方程的思路和方法。
可采用不可压缩的各向异性的超弹性纤维固体材料的力学模型(例如GOH模型,Gasser-Ogden-Holzapfel,即GOH应变能密度方程)来描述血管标本的超弹性特性以建立有限元模型,内中膜和外膜均可通过GOH模型描述:
其中Wm血管的内中膜的应变能密度,C=[Cij]是右柯西格林变形张量,I1和I2是C的不变量,Cm,Ca,km1,ka1,km2和ka2是待确定的恒定材料参数,属于需要确定的血管参数,其中下标m表示内中膜,下标a表示外膜。因此,每一层有3个未知参数。在根据本发明实施例中,假设主血管内中膜的杨氏模量比外膜高一个数量级,为了减少参数的数量,Cm是10倍的Ca,亦可假设Cm=nCa,其中n=1或10或100。
容易理解的是,亦可以通过其他各向异性的超弹性材料的模型来建立血管的有限元仿真模型;进一步地,在各向异性的材料中,将用于描述纤维取向的参数调整为最大值,使得该模型可以简化为用于描述各向同性材料的模型。因此,根据本发明实施例的方法中既可以使用各向同性的超弹性纤维材料本构模型也可以使用各向异性的超弹性材料模型,针对不同人种、不同年龄的人的血管具有较强的适应性。
为了获得等式(1)和(2)中的材料参数,根据本发明的实施例提出了一种实验-数值参数估计方法,通过一种基于Levenberg-Marquardt算法的逆参数估计方法,来同时求解血管的各层的参数。
首先,进行初值的假设,假设Cm=km1=ka1=km2=ka2=mCa,其中m为0.2-20中的任意值并且优选为10,并且Cm的初值假设为2-30且优选为10,例如输入一组初始参数(Cm=10kPa,Ca=1kPa,km1=10kPa,ka1=10kPa,km2=10,ka2=10)到有限元模型中;其次,模拟计算不同血压压力下有限元模型的管腔、内中膜和外膜的周长;然后,调整输入参数,使模拟的血压压力-周长曲线与膨胀实验得到的血压压力-周长曲线相匹配。
考虑到用于描述超弹性纤维材料的本构模型在不包括纤维取向参数的情况下通常有3个、5个或7个参数,为了简化运算,根据本发明的实施例提出了一种先调节少量参数(例如1个参数),再调节剩余的多个参数,最后一起调节全部参数的逐步逼近的三步调节法。
根据膨胀实验的血压压力-周长曲线,变形在低压时为线性变形阶段,在高压时为非线性变形阶段。为了更准确和方便的调整输入参数,本发明的实施例提出的三步算法,在第一步中,模拟和实验之间的迭代比较处于线性阶段,因此仅调整参数集Cm和Ca而其他参数保持初始值;第二步中,迭代大都是在非线性阶段进行的,将参数集C固定为第一步得到的终值,调整参数集k(hm1,ka1,km2和km2);在第三步中,用前两步得到的终值作为参数集C和k的初始值,并再次同时调整这两个参数集,以进一步缩小模拟和实验之间的差异。
在计算过程中,若用于迭代的源数据包括管腔周长、内中膜周长或者外膜周长,则通过最小二乘目标方程描述每一次调节的结果和实验测到的血压压力-周长数据之间的差异,并多次迭代求解该最小二乘目标方程,根据最小二乘目标方程调整参数,直至有限元模型最接近实验结果,得到血管参数。
每一次调整步骤都可以转化为最小化问题:
其中e是全局最小二乘目标,它描述了模拟和测量的血压压力-周长数据之间的差异。Csim(Pi)和Cexp(Pi)分别为模拟和实验中不同血压压力Pi下的周长。我们采用Levenberg-MarQuardt算法分三个阶段求解方程(3)所示的最小二乘问题,来得到6个材料参数(Cm=8kPa,Ca=0.8kPa,km1=80kPa,ka1=230kPa,km2=3.8,ka2=22),从而定量获得血管的本构模型的参数即血管的参数。非限定性的,根据本发明实施例中所述的参数即用于表征血管的本构模型中的参数。
在计算过程中,若用于迭代的源数据包括管腔面积、内中膜面积或者外膜面积,则通过面积重叠方程描述每一次调节的结果和实验测到的血压压力-面积之间的差异,并多次迭代求解该面积重叠方程,根据面积重叠方程调整参数,直至有限元模型最接近实验结果,得到血管参数。
类似地,每一次调整步骤也都可以转化为面积损失最小化的问题,所述面积重叠方程可构造为:
其中,Ssim(Pi)和Sexp(Pi)分别为模拟和实验中不同血压压力Pi下的面域,and指示求两个面域的交集,加号指示求两个面域的面积和。我们同样可以采用Levenberg-MarQuardt算法分三个阶段求解方程(4)所示的面积重叠方程的值L最小的问题,来得到6个材料参数。
当用于迭代的源数据即包括周长也包括面积时,可以将上述公式3和4进行加权求和,并再次采用Levenberg-MarQuardt算法分三个阶段求解加权求和后的方程的最小值,来得到6个材料参数。
接下来进行了虚拟变形测试以评估逆参数估计方法的准确性。我们用上文逆参数估计方法得到血管参数,通过提及的基于OCT图像的有限元建模的方法建立了虚拟变形实验的有限元模型。
从0到160mmHg每10mmHg设置血管管腔的边界负荷,血管样本的轴向拉伸比设置为1.0-2.0,但对于在体血管而言,由于一段近似管径血管的长度远大于其管径,可以取拉伸比为1.0。通过COMSOL计算得到管腔和内膜介质的血压压力-圆周数据集以代替原始膨胀实验得到的结果。
使用逆参数估计方法,输入一组初始参数(Cm=10kPa,Ca=1kPa,km1=10kPa,ka1=10kPa,km2=10,ka2=10)到有限元模型中,重复上文步骤,最终得到了6个材料参数(Cm=8kPa,Ca=0.8kPa,km1=78.472kPa,ka1=235.89kPa,km2=3.761,ka2=21.893),参见以下表1。
表1.
可见,利用本发明的基于OCT成像和膨胀实验的完整血管力学特性测量方法,可以定量获得内中膜和外膜的本构模型的参数。通过虚拟变形模拟实验对该方法的有效性进行了评估,得出给定参数集与估计结果之间的最大误差为2.56%,几乎不会影响应力和应变预测。因此该方法为血管力学性能测量提供了一种新的测试方法。
实施例2
如图5所述,根据本申请实施例的血管参数的获取方法包括:
步骤210,采集血压并判断血压差是否满足阈值;
步骤220,采集不同血压下的至少两幅血管OCT图像;
步骤230,处理上述OCT图像,获得每幅图像中管腔、内中膜和外膜的边界线;
步骤240,将任一OCT图像进行轴向拉伸以建立血管的虚拟3D几何模型;
步骤250,根据血管的来源的年龄、性别、和/或视觉外观选择适当的本构模型;
步骤260,利用上述几何模型、本构模型和血压的血压压力对应的边界条件,建立血管的有限元模型;
步骤270,迭代有限元模型使得有限元模型的截面图像、边界线和/或周长能够最接近上述图像、边界线和/或周长,确定迭代后的有限元模型所对应的本构模型的参数;
其中,当步骤210判断血压差(即高压和低压的差值)不满足阈值时,执行步骤215,通过药物、灌注和/或球囊提升血压差,直到血压差满足阈值。
在上述血管参数的获取方法中,对于人体在体血管而言,在步骤240中,可以将拉伸比设置为1;并且/或者,可以省略步骤250,使用适用性更广的通用的人体血管本构模型。进一步地,应当考虑年龄因素,对于60岁以下人选可以选择通用的人体血管的本构模型,对于60岁以上人群,需要对模型进行修正或选用适用于老年人的血管本构模型,对于疑似存在病变的血管,需要对模型进行修正或选用适用特定类型病变血管的本构模型。
应当理解的是,不同类型的血管所对应的本构模型的参数种类和/或数量可能是不同的。进一步,当视觉可见血管斑块或者粥样硬化等,则应当在该处选用相应的本构模型。
实施例3
作为实施例1的变体,为了提升检测效率,避免检测导管移动过慢导致患者痛苦。参见图6,示出了一种血管参数的获取方法,包括:
步骤310,在预设时间段内,采集两种不同的血压压力条件下血管的OCT图像;
步骤320,处理上述OCT图像,获得每幅图像中管腔、内中膜和外膜边界线,得到实验结果;
步骤330,利用管腔、内中膜和外膜边界线、本构模型和血压压力对应的边界条件建立血管的有限元模型;
步骤340,迭代有限元模型直到仿真得到的两种以上血压压力条件下均存在至少一条边界线与OCT图像中对应的膜层的边界线的长度相同。
应当理解,上述两种血压压力条件是指测量环境的血压的差值不低于40mmHg,并优选大于60mmHg;迭代有限元模型是指模拟血管的有限元模型在不同参数赋值时在两种以上血压压力条件下管腔、内中膜或外膜中任意一个的长度,并根据上述实施例1中的公式3不断的调节参数赋值,直到有限元模型的边界的长度与图像中对应的边界的长度相同。
优选的,可以在预设时间段内采集血管在更多种不同血压压力条件下的OCT图像来实现上述实施例3的迭代,在迭代过程中可以设置使得有限元模型的模拟值等于管腔、内中膜或外膜中任意两条边界或全部三条边界。
实施例4
在实际检测人体在体血管的过程中,OCT探头的导管通常不会在血管某处停留,而是低速不断的前进或者回撤,OCT探头持续不断的以100kHz的频率进行不间断的采样。
优选的,参照图7,提供了一种血管参数的获取方法,包括:
步骤410,通过OCT探头持续采集血管OCT图像;
步骤420,使OCT探头的导管驻停或缓行,获取同一位置处管腔最小和最大的两幅图像;
步骤430,至少处理上述最小和最大两幅OCT图像,获得图像中管腔、内中膜和外膜的边界线;
步骤440,利用任一OCT图像的边界线、本构模型和边界条件建立血管的有限元模型;
步骤450,迭代有限元模型直到对应血压压力下有限元模型的三条边界线与图像的边界线的长度相同,且有限元模型的三个面积与图像的面积的差异最小。
进一步,考虑到OCT的采集频率为100kHz,并且人体的心率为60-100次/分钟,因此导管的前进/回撤速度不应超过50mm/s且优选不超过10mm/s;优选的,导管仅旋转不回撤扫描或者间歇式回撤扫描,即导管在血管轴向的一个位置旋转扫描1秒钟,然后回撤到另一位置进行旋转扫描,从而确保在近似厚度可以忽略且长度较短的一小段血管内,采集到一个完整的收缩膨胀,即在人体血管正常收缩膨胀的状态下,于大体上同一位置处,获得管腔最小和最大的两幅图像,管腔最大的图像为血管膨胀至最大化的图像,管腔最小的图像为血管收缩至最小化的图像,通过最小和最大两幅图像增加用于迭代有限元模型的源数据的差异。需要说明的是,管腔最小的图像对应人体血压的低压即舒张压下的血管图像,管腔最大的图像对应人体血压的高压即收缩压下的血管图像。
进一步,上述膨胀最大化的图像和收缩最小化的图像可以根据时序来判断,或者可以通过计算并比较管腔的像素面积来确定,面积最大的图像为膨胀最大化的图像,面积最小的图像为收缩最小化的图像;或者,通过计算管腔的边界的长度确定,长度最小的为收缩最小化的图像,长度最大的为膨胀最大化的图像,并可以同时记录该位置处管腔的边界的最大长度(周长)和最小长度(周长)。
实施例5
上述实施例4中是通过匹配实际图像和有限元仿真的三条边界和三个面积,来确定本构模型的参数,这样做的优势在于结果的精确度较高,劣势在于提取内中膜的边界和外膜的边界需要耗费的计算资源较多,特别是外膜边界清晰度较差,需要提取得到精度符合要求的外膜边界需要的计算资源极多。
优选的,参照图8,提供了一种血管参数的获取方法,包括:
步骤510,通过OCT探头持续采集血管OCT图像;
步骤520,使OCT探头的导管驻停或缓行,获取同一位置处管腔最小和最大的两幅图像;
步骤530,至少处理上述最小和最大两幅OCT图像,获得图像中管腔和内中膜的边界线;
步骤540,利用任一OCT图像的边界线、本构模型和边界条件建立血管的有限元模型;
步骤550,迭代有限元模型直到对应血压压力下有限元模型的管腔和内中膜边界线与图像的管腔和内中膜边界线的长度相同,且有限元模型的管腔和内中膜的面积与图像的管腔和内中膜的面积的差异最小。
实施例6
在上述血管参数的获取方法中,一般假设人体的血压处于正常且稳定的状态。管腔最小的图像对应人体血压的低压即舒张压,管腔最大的图像对应人体血压的高压即收缩压。因此,在利用边界线、本构模型和血压压力对应的边界条件建立血管的有限元模型时,血压压力是采集OCT图像前后人体血压的低值和高值。
具体而言,参见图9,根据本申请实施例还提供了一种基于血压和OCT图像的血管参数获取方法,包括:
步骤610,持续采集人体的血管的多幅OCT图像,并同步记录血压;
步骤620,处理多幅OCT图像,获得管腔和内中膜的边界线;
步骤630,选择管腔最小和最大的两幅OTC图像;
步骤640,利用边界线、本构模型和OTC图像对应的血压的边界条件建立血管的有限元模型;
步骤650,迭代有限元模型直到两条边界线与图像的边界线的长度相同。
具体地,在步骤610中,在持续采集人体血压和血管的OCT图像的同时,还同步记录采集的时间信息。在步骤630中,选定的两幅图像的同时也分别匹配了他们对应的采集时间(时刻),使得在640建模时可以根据采集时间定位到记录的血压,丛哥采用定位到的血压对应的边界条件建立有限元模型。
实施例7
以上实施例主要选择长度作为迭代过程的源数据,实际上,随着血压压力的变化,产生的根本变化是内中膜截面面积的变化和外膜面积的变化,长度只是间接的反映了面积的变化。通过面积可以更精确的确定本构模型的参数。
因此,参见图10,根据本申请实施例还提供了一种血管参数的获取方法,包括:
步骤710,持续采集人体的血压和血管的OCT图像;
步骤720,处理上述图像,获得内中膜的面积;
步骤730,利用上述图像、本构模型和血压对应的边界条件建立血管的有限元模型;
步骤740,迭代有限元模型直到在对应血压下有限元模型的内中膜面积与OCT图像的内中膜面积相同。
类似地,步骤720也可以包括以下三个子步骤(步骤720A、720B、720C)中的一个:
步骤720A,获得内中膜和外膜的面积之和最大和最小的图像;或者,
步骤720B,获得内中膜面积最大和最小的图像;或者,
步骤720C,获得外膜面积最大和最小的图像;
相应的,步骤740也可以为迭代有限元模型,直至在对应血压下有限元模型的内中膜和外膜的面积与OCT图像的内中膜面积相同,或者,直至在对应血压下有限元模型的内中膜的面积与内中膜面积最大和最小的图像中的内中膜面积相同,或者,直至在对应血压下有限元模型的外膜的面积与外膜面积最大和最小的图像中的外膜面积相同。
图11进一步提供了一种基于血管OCT图像分析的血管参数的获取装置800,其包括OCT图像采集模块810、OCT图像处理模块820、模型生成模块830、求解模块840。
OCT图像采集模块810,用于采集血管特定位置在不同血压压力状态下的截面的图像;
OCT图像处理模块820用于对OCT图像采集模块810采集到的图像进行分割处理以获取用于建立有限元模型的血管各层的清晰的几何边界,模型生成模块830,用于利用上述边界和超弹性纤维材料的模型建立血管的有限元模型;求解模块840用于通过逆参数估计的方法在上述有限元模型中迭代得到最接近实验结果的血管参数。其中,所述超弹性纤维材料的模型包括本构模型和边界条件,血管参数包括本构模型中的参数;其中,根据所述本构模型的数量按顺序确定用于迭代的源数据为管腔周长、内中膜周长、管腔面积、内中膜面积、外膜周长、外膜面积中的部分或全部。
图12是本发明提供的执行上述方法的电子设备的示意图。该实施例中,所述电子设备包括:处理器、存储器以及存储在存储器中并可在处理器上运行的计算机程序。处理器执行计算机程序时实现如上述方法实施例中的各实施例中的各模块/单元的功能。
处理器可以是单个处理单元或多个处理单元,所有处理单元可以包括单个或多个计算单元或者多个核心。处理器可以被实施成一个或更多微处理器、微型计算机、微控制器、数字信号处理器、中央处理单元、状态机、逻辑电路和/或基于操作指令来操纵信号的任何设备。除了其他能力之外,处理器可以被配置成获取并且执行存储在存储器、大容量存储设备或者其他计算机可读介质中的计算机可读指令,诸如计算机程序的程序代码、其他程序的程序代码等。
存储器和大容量存储设备是用于存储指令的计算机可读存储介质的示例,指令由处理器执行来实施前面所描述的各种功能。举例来说,存储器一般可以包括易失性存储器和非易失性存储器二者(例如RAM、ROM等)。此外,大容量存储设备一般可以包括硬盘驱动器、固态驱动器、可移除介质、包括外部和可移除驱动器、存储器卡、闪存、软盘、光盘(例如CD、DVD)、存储阵列、网络附属存储、存储区域网等。存储器和大容量存储设备都可以被统称为存储器或计算机可读存储介质,并且可以是能够把计算机可读、处理器可执行程序指令存储为计算机程序代码的非暂态介质,计算机程序代码可以由处理器作为被配置成实施在本文的示例中所描述的操作和功能的特定机器来执行。
多个程序可以存储在大容量存储设备上。这些程序包括一个或多个计算机程序其他程序和程序数据,并且它们可以被加载到存储器以供执行。这样的计算机程序或程序模块的示例可以包括例如用于实现以下部件/功能的计算机程序逻辑(例如,计算机程序代码或指令)。
本发明实施例还提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现如前述方法实施例所示的方法步骤。所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。
进一步地,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random AccessMemory,RAM)、电载波信号、电信信号以及软件分发介质等。
此外,上述血管参数的获取装置、设备或计算机可读存储介质还具有一个或更多通信接口用于诸如通过网络、直接连接等等与其他设备交换数据。这样的通信接口可以是以下各向中的一个或多个:任何类型的网络接口(例如,网络接口卡(NIC))、有线或无线(诸如IEEE 802.11无线LAN(WLAN))无线接口、全球微波接入互操作(Wi-MAX)接口、以太网接口、通用串行总线(USB)接口、蜂窝网络接口、BluetoothTM接口、近场通信(NFC)接口等。通信接口可以促进在多种网络和协议类型内的通信,其中包括有线网络(例如LAN、电缆等等)和无线网络(例如WLAN、蜂窝、卫星等等)、因特网等等。通信接口还可以提供与诸如存储阵列、网络附属存储、存储区域网等等中的外部存储装置(未示出)的通信。
如本发明所使用的,“计算机可读介质”至少包括两种类型的计算机可读介质,也就是计算机可读存储介质和通信介质。
计算机可读存储介质包括通过用于存储信息的任何方法或技术实施的易失性和非易失性、可移除和不可移除介质,信息诸如是计算机可读指令、数据结构、程序模块或者其他数据。计算机可读存储介质包括而不限于RAM、ROM、EEPROM、闪存或其他存储器技术,CD-ROM、数字通用盘(DVD)、或其他光学存储装置,磁盒、磁带、磁盘存储装置或其他磁性存储设备,或者可以被用来存储信息以供电子设备访问的任何其他非传送介质。与此相对,通信介质可以在诸如载波或其他传送机制之类的已调制数据信号中具体实现计算机可读指令、数据结构、程序模块或其他数据。本发明所定义的计算机可读存储介质不包括通信介质。
进一步地,存储器还可以既包括控制设备的内部存储单元也包括外部存储设备。存储器用于存储计算机程序以及控制设备所需的其他程序和数据。存储器还可以用于暂时地存储已经输出或者将要输出的数据。
在一些示例中,控制设备可以包括诸如监视器之类的显示设备,以用于向用户显示信息和图像。其他I/O设备可以是接收来自用户的各种输入并且向用户提供各种输出的设备,并且可以包括触摸输入设备、手势输入设备、摄影机、键盘、遥控器、鼠标、打印机、音频输入/输出设备等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (9)
1.一种基于血管OCT图像分析的血管参数的获取方法,其特征在于,包括:
采集血管在不同膨胀/血压压力状态下的OCT图像;
处理所述OCT图像以获取血管不同分层的边界,得到实验结果;
利用上述边界和超弹性纤维材料的模型建立血管的有限元模型;
通过逆参数估计的方法在上述有限元模型中迭代得到最接近实验结果的血管参数;
其中,所述超弹性纤维材料的模型包括本构模型和边界条件,血管参数包括本构模型中的参数;
其中,根据所述本构模型的数量按顺序确定用于迭代的源数据为管腔周长、内中膜周长、管腔面积、内中膜面积、外膜周长、外膜面积中的部分或全部。
2.如权利要求1所述的血管参数的获取方法,其特征在于,所述超弹性纤维材料的模型包括用于各向同性材料或各向异性材料的模型。
3.如权利要求1所述的血管参数的获取方法,其特征在于,求解所述有限元模型的方法包括:
输入初始参数,并通过所述有限元模型模拟在初始参数条件下内中膜和外膜的周长;
调整所述初始参数,使血压压力周长曲线与实验得到的血压压力-周长曲线相匹配。
4.如权利要求3所述的血管参数的获取方法,其特征在于,所述调整所述初始参数包括三个调节步骤,包括:先调节少量参数,再调节剩下的参数,最后调节全部参数。
5.如权利要求4所述的血管参数的获取方法,其特征在于,若用于迭代的源数据包括管腔周长、内中膜周长或者外膜周长,则通过最小二乘目标方程描述每一次调节的结果和实验测到的血压压力-周长数据之间的差异,并多次迭代求解该最小二乘目标方程,根据最小二乘目标方程调整参数,直至有限元模型最接近实验结果,得到血管参数。
6.如权利要求5所述的血管参数的获取方法,其特征在于,所述最小二乘目标方程可构造为:其中,e作为全局最小二乘目标描述了模拟和测量的血压压力-周长数据之间的差异,Csim(Pi)和Cexp(Pi)分别为模拟和实验中不同血压压力Pi下的周长,周长为管腔周长、内中膜周长或者外膜周长。
7.如权利要求4所述的血管参数的获取方法,其特征在于,若用于迭代的源数据包括管腔面积、内中膜面积或者外膜面积,则通过面积重叠方程描述每一次调节的结果和实验测到的血压压力-面积之间的差异,并多次迭代求解该面积重叠方程,根据面积重叠方程调整参数,直至有限元模型最接近实验结果,得到血管参数。
8.如权利要求7所述的血管参数的获取方法,其特征在于,所述面积重叠方程可构造为:其中,Ssim(Pi)和Sexp(Pi)分别为模拟和实验中不同血压压力Pi下的面域,and指示求两个面域的交集,加号指示求两个面域的面积和。
9.一种基于血管OCT图像分析的血管参数的获取装置,其特征在于,所述获取装置包括:OCT图像采集模块,用于采集血管在不同膨胀/血压压力状态下的OCT图像;
图像处理模块,用于处理所述OCT图像以获取血管不同分层的边界,得到实验结果;
模型生成模块,用于利用上述边界和超弹性纤维材料的模型建立血管的有限元模型;
求解模块,用于通过逆参数估计的方法在上述有限元模型中迭代得到最接近实验结果的血管参数;
其中,所述超弹性纤维材料的模型包括本构模型和边界条件,血管参数包括本构模型中的参数;
其中,根据所述本构模型的数量按顺序确定用于迭代的源数据为管腔周长、内中膜周长、管腔面积、内中膜面积、外膜周长、外膜面积中的部分或全部。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311336015.0A CN117313486A (zh) | 2023-10-16 | 2023-10-16 | 一种血管参数的获取方法、装置、设备和计算机可读存储介质 |
CN2023113360150 | 2023-10-16 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118071701A true CN118071701A (zh) | 2024-05-24 |
Family
ID=89255101
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311336015.0A Pending CN117313486A (zh) | 2023-10-16 | 2023-10-16 | 一种血管参数的获取方法、装置、设备和计算机可读存储介质 |
CN202410202890.8A Pending CN118071701A (zh) | 2023-10-16 | 2024-02-23 | 基于血管oct图像分析的血管参数的获取方法、装置 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311336015.0A Pending CN117313486A (zh) | 2023-10-16 | 2023-10-16 | 一种血管参数的获取方法、装置、设备和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN117313486A (zh) |
-
2023
- 2023-10-16 CN CN202311336015.0A patent/CN117313486A/zh active Pending
-
2024
- 2024-02-23 CN CN202410202890.8A patent/CN118071701A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
CN117313486A (zh) | 2023-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6790179B2 (ja) | リアルタイムの診断上有用な結果 | |
CN108830848B (zh) | 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 | |
JP6918912B2 (ja) | 画像処理装置、画像処理方法、及びプログラム | |
KR102522539B1 (ko) | 의료영상 표시장치 및 의료영상 처리방법 | |
US9659375B2 (en) | Methods and systems for transforming luminal images | |
US20200129142A1 (en) | Intraluminal ultrasound navigation buidance and associated devices, systems, and methods | |
US9495725B2 (en) | Method and apparatus for medical image registration | |
CN108038848A (zh) | 基于医学影像序列斑块稳定性指标的快速计算方法及系统 | |
CN116705330B (zh) | 确定血管壁的弹性特征的方法、计算设备和介质 | |
US20200129158A1 (en) | Graphical longitudinal display for intraluminal ultrasound imaging and associated devices, systems, and methods | |
EP4272654A2 (en) | Speed determination for intraluminal ultrasound imaging and associated devices, systems, and methods | |
JP6362851B2 (ja) | 血管解析装置、血管解析プログラム、及び血管解析装置の作動方法 | |
EP3870064A1 (en) | Intraluminal ultrasound vessel border selection and associated devices, systems, and methods | |
CN105096306B (zh) | 用于对医学图像进行配准的方法和设备 | |
EP4072427A1 (en) | Intraluminal image-based vessel diameter determination and associated devices, systems, and methods | |
JP6783941B2 (ja) | 変形可能なオブジェクトへのデバイス挿入のための応力予測および応力評価 | |
JP2022076477A (ja) | 医用情報処理装置、医用情報処理システム及び医用情報処理方法 | |
CN118071701A (zh) | 基于血管oct图像分析的血管参数的获取方法、装置 | |
CN113592802B (zh) | 一种基于超声图像的二尖瓣环位移自动检测系统 | |
CN116898472B (zh) | 用于确定主动脉血管直径的方法、计算设备和介质 | |
CN113706568B (zh) | 图像处理方法及装置 | |
Jansen et al. | Local and global distensibility assessment of abdominal aortic aneurysms in vivo from probe tracked 2D ultrasound images | |
CN117064423B (zh) | 用于确定支架过度扩张率的方法、计算设备和介质 | |
CN114049282B (zh) | 一种冠状动脉的构建方法、装置、终端及存储介质 | |
Anic et al. | Convolutional Neural Networks for the Segmentation of Coronary Arteries |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |