CN118203338A - 一种基于分岔分型定律的血流储备分数评估方法及装置 - Google Patents
一种基于分岔分型定律的血流储备分数评估方法及装置 Download PDFInfo
- Publication number
- CN118203338A CN118203338A CN202410302853.4A CN202410302853A CN118203338A CN 118203338 A CN118203338 A CN 118203338A CN 202410302853 A CN202410302853 A CN 202410302853A CN 118203338 A CN118203338 A CN 118203338A
- Authority
- CN
- China
- Prior art keywords
- vessel
- node
- target
- blood
- target node
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 14
- 208000031481 Pathologic Constriction Diseases 0.000 claims abstract description 102
- 230000036262 stenosis Effects 0.000 claims abstract description 102
- 208000037804 stenosis Diseases 0.000 claims abstract description 102
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 85
- 239000008280 blood Substances 0.000 claims abstract description 65
- 210000004369 blood Anatomy 0.000 claims abstract description 65
- 238000002586 coronary angiography Methods 0.000 claims abstract description 60
- 230000017531 blood circulation Effects 0.000 claims abstract description 44
- 210000004351 coronary vessel Anatomy 0.000 claims abstract description 26
- 230000002966 stenotic effect Effects 0.000 claims abstract description 21
- 230000011218 segmentation Effects 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims description 58
- 238000011144 upstream manufacturing Methods 0.000 claims description 40
- 238000004364 calculation method Methods 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 7
- 230000036772 blood pressure Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 abstract description 9
- 238000004422 calculation algorithm Methods 0.000 abstract description 8
- 210000000709 aorta Anatomy 0.000 abstract description 6
- 230000003902 lesion Effects 0.000 abstract description 6
- 230000001105 regulatory effect Effects 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 239000002872 contrast media Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 210000001367 artery Anatomy 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000010223 real-time analysis Methods 0.000 description 3
- 230000000284 resting effect Effects 0.000 description 3
- 201000000057 Coronary Stenosis Diseases 0.000 description 2
- 238000002583 angiography Methods 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005111 flow chemistry technique Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 230000000004 hemodynamic effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 208000031225 myocardial ischemia Diseases 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 238000013146 percutaneous coronary intervention Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000002601 radiography Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001447 compensatory effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 208000029078 coronary artery disease Diseases 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
- 238000003708 edge detection Methods 0.000 description 1
- 230000000544 hyperemic effect Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 208000028867 ischemia Diseases 0.000 description 1
- 230000008338 local blood flow Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000002107 myocardial effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000010412 perfusion Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请提供了一种基于分岔分型定律的血流储备分数评估方法及装置，步骤包括：获取目标冠状动脉造影图像和目标冠状动脉的血液信息，并依据目标冠状动脉造影图像构建对应的一维降阶模型；其中，一维降阶模型包括血管中心线节点参数；依据分岔节点对一维降阶模型进行分段，得到血管段；依据血管中心线节点参数确定目标节点的狭窄情况；其中，狭窄情况包括正常和狭窄；依据血液信息、血管中心线节点参数、血管段和狭窄情况生成目标节点的血流储备分数。本发明根据主动脉血管的直径及直径比调整主动脉的血流，并使用自动分割算法，从而提高Angio‑FFR分析的可操作性和自动化程度，最终准确地计算出病变血管的FFR值。
Description
技术领域
本申请涉及医学检测领域，特别是一种基于分岔分型定律的血流储备分数评估方法及装置。
背景技术
血流储备分数(FFR)计算对由冠脉狭窄导致的冠心病的临床辅助诊断具有重要意义。心肌缺血是临床经皮冠状动脉介入治疗的重要参考，冠状动脉狭窄可导致远端阻力增加而限制最大心肌灌注，从而发生心肌缺血。FFR则是临床检测冠脉功能性缺血的“金标准”。大量的临床试验证明，FFR指导的冠脉介入治疗可显著改善患者的临床预后。
然而，传统的有创FFR测量需要将压力导丝插入到病变远端，存在较高的并发症风险，且检查费用高昂。随着科技的发展，人们提出了冠状动脉造影衍生的FFR，即Angio-FFR，通过结合计算信息动力学和静息冠状动脉造影图像进行计算。一系列的临床试验已经证明了Angio-FFR的诊断性能。此外，与单独使用血管造影图像相比，Angio-FFR提高了狭窄严重程度评估的诊断准确性，并有助于指导经皮冠状动脉介入治疗。
目前，虽然国内外已经提出了几种计算Angio-FFR的方法，但在临床实践中仍存在操作繁琐和实时分析自动化不足的缺点。
发明内容
鉴于所述问题，提出了本申请以便提供克服所述问题或者至少部分地解决所述问题的一种基于分岔分型定律的血流储备分数评估方法及装置，包括：
一种基于分岔分型定律的血流储备分数评估方法，用于通过Angio-FFR计算冠状动脉造影图像中目标血管内目标节点的血流储备分数，所述冠状动脉造影图像包括主支血管和侧支血管，所述主支血管和所述侧支血管的连接点为分岔节点，所述目标血管为主支血管，所述目标节点为血管中心线节点或所述分岔节点，其特征在于，所述方法包括：
获取目标冠状动脉造影图像和目标冠状动脉的血液信息，并依据所述目标冠状动脉造影图像构建对应的一维降阶模型；其中，所述一维降阶模型包括血管中心线节点参数；
依据所述分岔节点对所述一维降阶模型进行分段，得到血管段；
依据所述血管中心线节点参数确定所述目标节点的狭窄情况；其中，所述狭窄情况包括正常和狭窄；
依据所述血液信息、所述血管中心线节点参数、所述血管段和所述狭窄情况生成所述目标节点的血流储备分数。
进一步地，所述依据所述血液信息、所述血管中心线节点参数、所述血管段和所述狭窄情况生成所述目标节点的血流储备分数的步骤，包括：
获取包含有所述目标冠状动脉造影图像的目标冠状动脉造影序列；
依据所述目标冠状动脉造影序列确定所述一维降阶模型的入口初始流量；
依据所述入口初始流量、所述血液信息、所述血管中心线节点参数、所述血管段和所述狭窄情况生成所述目标节点的血流储备分数。
进一步地，所述依据所述入口初始流量、所述血液信息、所述血管中心线节点参数、所述血管段和所述狭窄情况生成所述目标节点的血流储备分数的步骤，包括：
当所述目标节点为分岔节点时，则依据所述血管中心线节点参数、所述血管段和所述狭窄情况生成所述目标节点的点参数和所述目标节点上游段的点参数；其中，所述点参数包括直径和面积；
依据所述入口初始流量、所述血液信息、所述目标节点的点参数和所述目标节点上游段的点参数生成所述目标节点的流态数据；公式如下：
式中，N为血管分叉处连接的血管段的数量；i＝1作为上游段血管；i＝2、3分别为下游段血管和侧支血管；U为血流速度，Qi为血流速率，Ai为横截面面积；
依据所述流态数据确定所述目标节点的血流储备分数。
进一步地，当所述目标节点的狭窄情况为正常时，则依据所述目标节点上游段相邻的血管中心线节点参数的平均值生成所述目标节点上游段的点参数；
依据所述目标节点下游段相邻的血管中心线节点参数的平均值生成所述目标节点的点参数。
进一步地，所述当所述目标节点为分岔节点时，则依据所述血管中心线节点参数、所述血管段和所述狭窄情况生成所述目标节点的点参数和所述目标节点上游段的点参数；其中，所述点参数为直径和面积的步骤，包括：
当所述目标节点的狭窄情况为狭窄时，则确定所述目标节点上游血管段内和所述目标节点下游血管段内的狭窄情况；其中，所述狭窄情况包括正常节段和狭窄节段；
依据所述上游血管段中正常节段内相邻的血管中心线节点参数确定所述目标节点上游段的点参数；
依据所述下游血管段中正常节段内相邻的血管中心线节点参数确定所述目标节点的点参数。
进一步地，所述血管中心线节点参数包括直径、横截面积和从入口点开始到节点的中心线长度；所述依据所述入口初始流量、所述血液信息、所述血管中心线节点参数、所述血管段和所述狭窄情况生成所述目标节点的血流储备分数的步骤，包括：
当所述目标节点为血管中心线节点，且所述目标节点的狭窄情况为正常时，则依据所述入口初始流量、所述血液信息和所述血管中心线节点参数生成所述目标节点的流态数据；公式如下；
式中，A(x)为横截面积，Q(x)为血流速率，P(x)为血压，x为从入口点开始的中心线长度，ρ和μ分别为血液的密度和运动粘度；
依据所述流态数据确定所述目标节点的血流储备分数。
进一步地，所述依据所述入口初始流量、所述血液信息、所述血管中心线节点参数、所述血管段和所述狭窄情况生成所述目标节点的血流储备分数的步骤，包括：
当所述目标节点为血管中心线节点，且所述目标节点的狭窄情况为狭窄时，则依据所述血管中心线节点参数确定所述目标节点所在血管段的入口处的横截面积和血管段最狭窄段处的横截面积；
依据所述入口初始流量、所述血液信息、所述目标节点所在血管段的入口处的横截面积和血管段最狭窄段处的横截面积生成所述目标节点的流态数据；公式如下：
式中，Kv和Kt分别是表征粘性效应和湍流效应的模型参数，A0和As分别为入口处面积和最小狭窄截面面积，其对应直径分别为D0和Ds；
依据所述流态数据确定所述目标节点的血流储备分数。
一种基于分岔分型定律的血流储备分数评估装置，通过Angio-FFR计算冠状动脉造影图像中目标血管内目标节点的血流储备分数，所述冠状动脉造影图像包括主支血管和侧支血管，所述主支血管和所述侧支血管的连接点为分岔节点，所述目标血管为主支血管，所述目标节点为血管中心线节点或所述分岔节点，包括：
获取模块，用于获取目标冠状动脉造影图像和目标冠状动脉的血液信息，并依据所述目标冠状动脉造影图像构建对应的一维降阶模型；其中，所述一维降阶模型包括血管中心线节点参数；
分段模块，用于依据所述分岔节点对所述一维降阶模型进行分段，得到血管段；
狭窄模块，用于依据所述血管中心线节点参数确定所述目标节点的狭窄情况；
计算模块，用于依据所述血液信息、所述血管中心线节点参数、所述血管段和所述狭窄情况生成所述目标节点的血流储备分数。
一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如上所述的基于分岔分型定律的血流储备分数评估方法的步骤。
本申请具有以下优点：
在本申请的实施例中，相对于现有技术中Angio-FFR操作繁琐和实时分析自动化不足的问题，本申请提供了基于分岔分形定律的新型Angio-FFR分析方法的解决方案，具体为：获取目标冠状动脉造影图像和目标冠状动脉的血液信息，并依据所述目标冠状动脉造影图像构建对应的一维降阶模型；其中，所述一维降阶模型包括血管中心线节点参数；依据所述分岔节点对所述一维降阶模型进行分段，得到血管段；依据所述血管中心线节点参数确定所述目标节点的狭窄情况；其中，所述狭窄情况包括正常和狭窄；依据所述血液信息、所述血管中心线节点参数、所述血管段和所述狭窄情况生成所述目标节点的血流储备分数。本发明根据主动脉血管的直径及直径比调整主动脉的血流，并使用自动分割算法，从而提高Angio-FFR分析的可操作性和自动化程度，最终准确地计算出病变血管的FFR值。
附图说明
为了更清楚地说明本申请的技术方案，下面将对本申请的描述中所需要使用的附图作简单的介绍，显而易见的，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的一种基于分岔分型定律的血流储备分数评估方法的步骤流程图；
图2是本申请一实施例提供的具有三个分岔的简化冠状动脉树模型示意图；
图3是本申请一实施例提供的血管直径的自动测量示意图；
图4是本申请一实施例提供的三种计算模型的FFR计算比较图；
图5是本申请一实施例提供的一种基于分岔分型定律的血流储备分数评估方法的左前降支、回旋支和右冠的计算结果示意图；
图6是本申请另一实施例提供的三种计算模型的FFR计算比较图；
图7是本申请一实施例提供的一种基于分岔分型定律的血流储备分数评估装置的结构框图；
图8是本发明一实施例提供的一种计算机设备的结构示意图。
具体实施方式
为使本申请的所述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。显然，所描述的实施例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，都属于本申请保护的范围。
发明人通过分析现有技术发现：国内外已经提出了几种计算Angio-FFR的方法，Angio-FFR是一种基于冠脉血管造影图像数据的FFR测量方法。ngio-FFR的方案可以分为两类：基于计算流体力学(CFD)的方案和基于深度学习(DL)的方案。作为一种新兴的冠脉功能学评价技术，Angio-FFR已经在多项临床试验中证实了其准确性和可靠性。
最近提出的一些方法大都是基于计算流体力学(CFD)来计算冠状动脉FFR。基于CFD的方案是指利用数值方法求解Navier-Stokes方程，模拟血流动力学，计算狭窄处远端和主动脉的压力分布，从而得到FFR值。这种方案的优点是可以提供全局和局部的血流信息，包括压力、速度、剪切应力等。
但是，这种方案也有一些缺点：
1、需要较高质量的冠脉造影图像数据，否则会影响血管边界的分割和三维重建的精度；
2、需要设定合适的边界条件，如入口流量、出口阻力等，这些参数往往难以准确获取或估计；
3、需要较长的计算时间，通常在几分钟到几十分钟之间，这可能会影响临床操作的效率和便利性；
4、对侧支血流处理不当甚至被忽略，这可能会降低主要靶病变血管的Angio-FFR计算的准确性。
许多研究试图解决这些问题：(1)Medis QFR是目前最早也是最成熟的Angio-FFR软件之一。它采用有限元法求解Navier-Stokes方程，并使用经验公式估计入口流量和出口阻力。但它需要至少两个正交视角的冠脉造影图像数据，计算时间较长，且未改进侧支血流处理方法。(2)CathWorks FFRangio是一种术中实时Angio-FFR系统。它采用有限体积法求解纳维-斯托克斯方程，并使用患者特异性模型估计入口流量和出口阻力。但它同样需要至少两个正交视角的冠脉造影图像数据，且未改进侧支血流处理方法。
基于此，本发明提出一种基于分岔分形定律的新型Angio-FFR分析方法。采用了一种基于分岔分形定律的优化方法，根据主动脉血管的直径及直径比调整主动脉的血流，并使用自动分割算法，从而提高Angio-FFR分析的可操作性和自动化程度，最终准确快速地计算出病变血管的FFR值。
需要说明的是，本发明用于通过侵入性冠状动脉造影计算目标血管内目标节点的血流储备分数，冠状动脉包括主支血管和侧支血管，所述主支血管和所述侧支血管的连接点为分岔节点，所述目标血管为主支血管。
主支血管是血管系统的主要通道，负责将血液从心脏输送到全身各个组织和器官。主支血管通常比较粗大，血流量大，是血液循环的主要路径。侧支血管则是从主支血管上分出的较小分支，它们之间的连接点为分岔节点。侧支血管负责为主支血管提供血液备份或分流作用。当主支血管受到阻塞或损伤时，侧支血管可以发挥代偿作用，确保血液能够继续流通到相应的组织和器官。分岔节点位于主支血管与侧支血管的交汇处，在这些分岔节点处，血液会根据不同的需求和压力条件，分别流向不同的血管。
参照图1，示出了本申请一实施例提供的一种基于分岔分型定律的血流储备分数评估方法；
所述方法包括：
S110、获取目标冠状动脉造影图像和目标冠状动脉的血液信息，并依据所述目标冠状动脉造影图像构建对应的一维降阶模型；其中，所述一维降阶模型包括血管中心线节点参数；
S120、依据所述分岔节点对所述一维降阶模型进行分段，得到血管段；
S130、依据所述血管中心线节点参数确定所述目标节点的狭窄情况；其中，所述狭窄情况包括正常和狭窄；
S140、依据所述血液信息、所述血管中心线节点参数、所述血管段和所述狭窄情况生成所述目标节点的血流储备分数。
在本申请的实施例中，相对于现有技术中Angio-FFR操作繁琐和实时分析自动化不足的问题，本申请提供了基于分岔分形定律的新型Angio-FFR分析方法的解决方案，具体为：获取目标冠状动脉造影图像和目标冠状动脉的血液信息，并依据所述目标冠状动脉造影图像构建对应的一维降阶模型；其中，所述一维降阶模型包括血管中心线节点参数；依据所述分岔节点对所述一维降阶模型进行分段，得到血管段；依据所述血管中心线节点参数确定所述目标节点的狭窄情况；其中，所述狭窄情况包括正常和狭窄；依据所述血液信息、所述血管中心线节点参数、所述血管段和所述狭窄情况生成所述目标节点的血流储备分数。本发明根据主动脉血管的直径及直径比调整主动脉的血流，并使用自动分割算法，从而提高Angio-FFR分析的可操作性和自动化程度，最终准确地计算出病变血管的FFR值。
下面，将对本示例性实施例中一种基于分岔分型定律的血流储备分数评估方法作进一步的说明。
如所述步骤S110所述，获取目标冠状动脉造影图像和目标冠状动脉的血液信息，并依据所述目标冠状动脉造影图像构建对应的一维降阶模型；其中，所述一维降阶模型包括血管中心线节点参数。
需要说明的是，通过冠状动脉造影术获取患者若干冠状动脉图像，这些图像可以显示冠状动脉的解剖结构、狭窄程度以及侧支血流的存在和分布。现有的Angio-FFR需要在心电图门控舒张末期框架内对目标血管进行两次或多次血管造影，需要获得较高质量的冠脉造影图像数据，操作复杂。而本实施例只需要获取具有最佳投影角度的目标冠状动脉造影图像，即可进行自动狭窄检测，无需多次造影，有效降低了操作复杂性。可以通过临床实践中获取常用的血液信息，或基于文献中报道的生理范围内的典型值或者使用一些公认的估算方法来获取血液本身的物理信息。
作为一种示例，依据所述目标冠状动脉造影图像确定所述目标血管对应的血管中心线；其中，所述血管中心线由若干中心线节点和若干分岔节点组成；依据所述血管中心线对所述目标血管进行重建，得到对应的所述一维血流模型。具体地，获取目标冠状动脉造影图像后，通过商业软件或自动算法对目标冠状动脉造影图像进行后处理，以改善图像质量；随后通过图像分割技术，识别和定位血管区域，分割技术可以采用如阈值分割、区域生长、水平集方法等，将血管从目标冠状动脉造影图像中分割出来。然后根据分割处理后的图像，采用图像处理技术，如边缘检测、形态学分析和曲线拟合等，识别和提取血管中心线，血管中心线代表了血管的几何形状和走向，可以用于分析冠脉的血流情况，进而评估冠脉的狭窄程度。在提取血管中心线后，沿中心线各点检测血管直径。通过逐点测量血管直径，从而评估血管的狭窄程度和其他形态学特征。根据血管中心线和相应的直径，定义侧支血管，侧支血管的分岔位置为分岔节点。
一维稳态降阶模型用于简化复杂的血流动力学计算过程，同时能够保留足够的信息来评估冠状动脉的血流情况。通过一维降阶模型计算出血管中心线上每个节点的点参数。
如所述步骤S120所述，依据所述分岔节点对所述一维降阶模型进行分段，得到血管段。
作为一种示例，冠脉中存在多个分岔节点，可以通过检测曲率显著变化或分支出现的位置来确定这些节点，根据识别的分岔节点，可以将血管划分为若干个独立的节段。每个血管节段从中心线上的一个点到另一个分岔节点(或血管末端)结束。
如所述步骤S130所述，依据所述一维降阶模型确定所述目标节点所在的血管段的狭窄情况；其中，所述狭窄情况包括正常和狭窄。
作为一种示例，根据所述分岔节点将血管分为若干段，在自动计算沿中心线的每个点的直径后，使用自动狭窄检测算法来评估分岔处是否存在狭窄。如比较目标血管的最大和最小半径，如果某个分岔节点的半径明显小于预期的正常值，则可能存在狭窄。
在一具体实现中，对于目标血管的狭窄部位进行量化，测量分岔节点的直径(d_narrow)和参考直径(d_ref)。狭窄程度通常用百分比表示，计算公式为：
狭窄程度＝((d_ref-d_narrow)/d_ref)*100％。
如所述步骤S140所述，依据所述血液信息、所述血管中心线节点参数、所述血管段和所述狭窄情况生成所述目标节点的血流储备分数。
在本发明一实施例中，可以结合下列描述进一步说明步骤S140所述“依据所述血液信息、所述血管中心线节点参数、所述血管段和所述狭窄情况生成所述目标节点的血流储备分数”的具体过程。
如下列步骤所述，获取包含有所述目标冠状动脉造影图像的目标冠状动脉造影序列；
如下列步骤所述，依据所述目标冠状动脉造影序列确定所述一维降阶模型的入口初始流量；
如下列步骤所述，依据所述入口初始流量、所述血液信息、所述血管中心线节点参数、所述血管段和所述狭窄情况生成所述目标节点的血流储备分数。
作为一种示例，计算一维降阶模型的入口初始流量：在该步骤中，本实施例使用基于TIMI帧的计数方法自动计算静息冠状动脉血流速率，并使用经验公式转化为最大充血速度。TIMI帧计数是一种用于评估冠状动脉血流的方法，它基于冠状动脉造影连续帧，通过计数造影剂通过特定冠状动脉段所需的帧数来评估血流速率。具体地，通过冠状动脉造影术获取冠状动脉图像连续帧，图像连续帧应能清晰显示冠状动脉的血流情况。接着连续帧中选择一段直而清晰的血管段作为参考血管段，参考血管段应没有狭窄或其他明显的异常。观察造影剂从参考血管段的起始点流动到远端点的过程，记录造影剂完全通过这段血管所需的时间(帧数)。将造影剂完全通过参考血管段所需的帧数减去起始点的帧数，得到TIMI帧计数。这个计数代表了造影剂通过这段血管所需的时间。最后根据TIMI帧计数和参考血管段的长度，可以计算出静息冠状动脉的血流速率。血流速率的计算公式为：血流速率＝血管长度/TIMI帧计数×帧率。其中，血管长度可以通过造影图像测量得到。为了避免侧支血流处理不当甚至被忽略，从而降低主要靶病变血管的Angio-FFR计算的准确性。
需要说明的是，FFR值的计算，包括在动脉分岔处的FFR值、在狭窄段的FFR值和在正常段的FFR值。下面先介绍在动脉分叉处的FFR值的计算方法。
在本发明一实施例中，可以结合下列描述进一步说明“依据所述入口初始流量、所述血液信息、所述血管中心线节点参数、所述血管段和所述狭窄情况生成所述目标节点的血流储备分数”的具体过程。
如下列步骤所述，当所述目标节点为分岔节点时，则依据所述血管中心线节点参数、所述血管段和所述狭窄情况生成所述目标节点的点参数和所述目标节点上游段的点参数；其中，所述点参数包括直径和面积；
如下列步骤所述，依据所述入口初始流量、所述血液信息、所述目标节点的点参数和所述目标节点上游段的点参数生成所述目标节点的流态数据；
如下列步骤所述，依据所述流态数据确定所述目标节点的血流储备分数。
作为一种示例，为了准确计算靶病变血管所有侧支血流的FFR，我们需要使用表征分岔时冠状动脉直径之间关系的三大分岔分形定律：Murray定律，Huo-Kassab定律和Finet定律。对于一个给定的冠状动脉分岔动脉，根据分岔分形定律，可有：
其中，DPM、DMB和DSB分别表示近端主血管(PM，即上游段)、主支(MB，即下游段)和侧支(SB)的直径。Murray定律、Huo-Kassab定律和Finet定律中的指数a分别为3、7/3和0.678。
示例如下：对于一个简化的有三个分岔的冠状动脉树模型，如图2所示。根据上述公式，我们可得到各支血管的补偿血流量：
式中，Q为血流速率，D为动脉的直径。
在动脉分岔处，我们使用上述分岔分形定律来修改主支和分支的血流速率。然后，在分岔连接点处建立质量守恒模型和标准结模型。
式中，N为血管分叉处连接的血管段的数量，i＝1作为近端主血管，i＝2、3分别为主支和侧支；U为血流速度，Qi为血流速率，Ai为横截面面积。
在一具体实现中，参照图2，若计算则a为模型的入口，则Qa为上游段，Qb为目标节点(下游段)。
在本发明一实施例中，可以结合下列描述进一步说明“当所述目标节点为分岔节点时，则依据所述血管中心线节点参数、所述血管段和所述狭窄情况生成所述目标节点的点参数和所述目标节点上游段的点参数；其中，所述点参数为直径和面积”的具体过程。
如下列步骤所述，当所述目标节点的狭窄情况为正常时，则依据所述目标节点上游段相邻的血管中心线节点参数的平均值生成所述目标节点上游段的点参数；
如下列步骤所述，依据所述目标节点下游段相邻的血管中心线节点参数的平均值生成所述目标节点的点参数。
或，
如下列步骤所述，当所述目标节点的狭窄情况为狭窄时，则确定所述目标节点上游血管段内和所述目标节点下游血管段内的狭窄情况；其中，所述狭窄情况包括正常节段和狭窄节段；
如下列步骤所述，依据所述上游血管段中正常节段内相邻的血管中心线节点参数确定所述目标节点上游段的点参数；
如下列步骤所述，依据所述下游血管段中正常节段内相邻的血管中心线节点参数确定所述目标节点的点参数。
作为一种示例，采用自动方法测量所需直径，再根据直径计算面积，直径的测量方法如下：
首先，在自动计算沿中心线的每个点的直径后，使用自动狭窄检测算法来评估分岔处是否存在狭窄。然后，使用五个相邻点的直径的平均值计算正常血管段的DPM和DMB，如图3(a)所示。对于狭窄处的血管段，则采用狭窄处上游正常血管段的5个相邻点的平均直径值计算DPM，如图3(b)所示；相应地，采用狭窄处下游正常血管段的五个相邻点的平均直径值来计算DMB。
下面介绍在正常段的FFR值的FFR值的计算方法。
在本发明另一实施例中，可以结合下列描述进一步说明“依据所述入口初始流量、所述血液信息、所述血管中心线节点参数、所述血管段和所述狭窄情况生成所述目标节点的血流储备分数”的具体过程。
如下列步骤所述，当所述目标节点为血管中心线节点，且所述目标节点的狭窄情况为正常时，则依据所述入口初始流量、所述血液信息和所述血管中心线节点参数生成所述目标节点的流态数据；
如下列步骤所述，依据所述流态数据确定所述目标节点的血流储备分数。
作为一种示例，在Angio-FFR计算过程中，我们需要采用一维稳态降阶模型计算每个血管段的FFR值：
式中，A(x)为横截面积，Q(x)为补偿血流速率，P(x)为血压，x为从入口点开始的中心线长度，ρ和μ分别为血液的密度和运动粘度。
下面介绍在狭窄段的FFR值的FFR值的计算方法。
在本发明另一实施例中，可以结合下列描述进一步说明“依据所述入口初始流量、所述血液信息、所述血管中心线节点参数、所述血管段和所述狭窄情况生成所述目标节点的血流储备分数”的具体过程。
如下列步骤所述，当所述目标节点为血管中心线节点，且所述目标节点的狭窄情况为狭窄时，则依据所述血管中心线节点参数确定所述目标节点所在血管段的入口处的横截面积和血管段最狭窄段处的横截面积；
如下列步骤所述，依据所述入口初始流量、所述血液信息、所述目标节点所在血管段的入口处的横截面积和血管段最狭窄段处的横截面积生成所述目标节点的流态数据。
作为一种示例，在狭窄段，我们不能忽视血流的径向速度分量。血流的径向速度分量是指血流速度在垂直于血管轴线的方向上的分量。在血管中，血液流动不仅沿着血管轴线方向(即纵向)，还会在垂直于血管轴线的方向上(即径向)产生一定的速度分量。基于一维稳态降阶模型的模拟可能严重低估了通过狭窄段的血流的压降。因此，为了准确地评估血管内压力场的分布，本实施例计算通过狭窄病变的压降，造成的压降用一个狭窄的血管节段可以表示为：
式中，Kv和Kt分别是表征粘性效应和湍流效应的模型参数，A0和As分别为参考面积和最小狭窄截面面积，其对应直径分别为D0和Ds。
实验例
为了验证本发明的有效性，参照图4，我们使用另外两个不同的计算模型作为参考。一种模型通过描绘冠状动脉树来处理侧支血流从而计算FFR，称为FFR_s，另一种模型仅基于主心外膜血管计算FFR，称为FFR_n。
参照图5，为使用本发明提出的Angio-FFR计算方法的左前降支、回旋支和右冠的结果示意图。
通过图4和图5可以看出，本发明的Angio-FFR方法计算准确度高。
参照图6，为人工校正的血管以计算FFR_s。
图中从左到右：左列：从最佳血管造影角度图像中选择的图像关键帧；第二列：用于Angio-FFR计算的主心外膜血管，不需要人工校正；第三列：存在X形交叉和血管重叠区域的主心外膜血管及其侧支；右列：用于FFR_s计算的冠状动脉树，需要人工校正去除X形交叉和血管重叠区域。
可以看出，通过本发明提出的Angio-FFR只需要一个具有最佳投影角度的血管造影视图进行自动狭窄检测，无需多次造影，有效降低了操作复杂性。且根据分岔分形定律补偿侧支的方法，可以正确地处理靶病变血管上侧支血流的缺陷，以准确计算冠状动脉的FFR值。并且，本发明使用了可以勾画出主要心外膜血管的边界轮廓的自动分割算法，使得Angio-FFR分析不需要手动校正，有效降低了计算时间。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。
参照图7，示出了本申请一实施例提供的一种基于分岔分型定律的血流储备分数评估装置，用于通过Angio-FFR计算冠状动脉造影图像中目标血管内目标节点的血流储备分数，所述冠状动脉造影图像包括主支血管和侧支血管，所述主支血管和所述侧支血管的连接点为分岔节点，所述目标血管为主支血管，所述目标节点为血管中心线节点或所述分岔节点；
具体包括：
获取模块710，用于获取目标冠状动脉造影图像和目标冠状动脉的血液信息，并依据所述目标冠状动脉造影图像构建对应的一维降阶模型；其中，所述一维降阶模型包括血管中心线节点参数；
分段模块720，用于依据所述分岔节点对所述一维降阶模型进行分段，得到血管段；
狭窄模块730，用于依据所述血管中心线节点参数确定所述目标节点的狭窄情况；
计算模块740，用于依据所述血液信息、所述血管中心线节点参数、所述血管段和所述狭窄情况生成所述目标节点的血流储备分数。
在本发明一实施例中，所述计算模块740，包括：
序列获取子模块，用于获取包含有所述目标冠状动脉造影图像的目标冠状动脉造影序列；
入口流量子模块，用于依据所述目标冠状动脉造影序列确定所述一维降阶模型的入口初始流量；
分数计算子模块，用于依据所述入口初始流量、所述血液信息、所述血管中心线节点参数、所述血管段和所述狭窄情况生成所述目标节点的血流储备分数。
在本发明一实施例中，所述分数计算子模块，包括：
第一参数计算单元，用于当所述目标节点为分岔节点时，则依据所述血管中心线节点参数、所述血管段和所述狭窄情况生成所述目标节点的点参数和所述目标节点上游段的点参数；其中，所述点参数包括直径和面积；
第一流态数据计算单元，用于依据所述入口初始流量、所述血液信息、所述目标节点的点参数和所述目标节点上游段的点参数生成所述目标节点的流态数据；公式如下：
式中，N为血管分叉处连接的血管段的数量；i＝1作为上游段血管；i＝2、3分别为下游段血管和侧支血管；U为血流速度，Qi为血流速率，Ai为横截面面积；
第一估计单元，用于依据所述流态数据确定所述目标节点的血流储备分数。
在本发明一实施例中，所述第一参数计算单元，包括：
第一上游段参数子单元，包括当所述目标节点的狭窄情况为正常时，则依据所述目标节点上游段相邻的血管中心线节点参数的平均值生成所述目标节点上游段的点参数；
第一下游段参数子单元，包括依据所述目标节点下游段相邻的血管中心线节点参数的平均值生成所述目标节点的点参数。
在本发明一实施例中，所述第一参数计算单元，包括：
段内狭窄计算子单元，包括当所述目标节点的狭窄情况为狭窄时，则确定所述目标节点上游血管段内和所述目标节点下游血管段内的狭窄情况；其中，所述狭窄情况包括正常节段和狭窄节段；
第二上游段参数子单元，包括依据所述上游血管段中正常节段内相邻的血管中心线节点参数确定所述目标节点上游段的点参数；
第二下游段参数子单元，包括依据所述下游血管段中正常节段内相邻的血管中心线节点参数确定所述目标节点的点参数。
在本发明一实施例中，所述血管中心线节点参数包括直径、横截面积和从入口点开始到节点的中心线长度；所述分数计算子模块，包括：
第二流态数据计算单元，用于当所述目标节点为血管中心线节点，且所述目标节点的狭窄情况为正常时，则依据所述入口初始流量、所述血液信息和所述血管中心线节点参数生成所述目标节点的流态数据；公式如下；
式中，A(x)为横截面积，Q(x)为血流速率，P(x)为血压，x为从入口点开始的中心线长度，ρ和μ分别为血液的密度和运动粘度；
第二估计单元，用于依据所述流态数据确定所述目标节点的血流储备分数。
在本发明一实施例中，所述分数计算子模块，包括：
面积计算单元，用于当所述目标节点为血管中心线节点，且所述目标节点的狭窄情况为狭窄时，则依据所述血管中心线节点参数确定所述目标节点所在血管段的入口处的横截面积和血管段最狭窄段处的横截面积；
第三流态数据计算单元，用于依据所述入口初始流量、所述血液信息、所述目标节点所在血管段的入口处的横截面积和血管段最狭窄段处的横截面积生成所述目标节点的流态数据；公式如下：
式中，Kv和Kt分别是表征粘性效应和湍流效应的模型参数，A0和As分别为入口处面积和最小狭窄截面面积，其对应直径分别为D0和Ds；
第三估计单元，用于依据所述流态数据确定所述目标节点的血流储备分数。
参照图8，示出了本发明的一种基于分岔分型定律的血流储备分数评估方法的计算机设备，具体可以包括如下：
上述计算机设备12以通用计算设备的形式表现，计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线18结构中的一种或多种，包括存储器总线18或者存储器控制器，外围总线18，图形加速端口，处理器或者使用多种总线18结构中的任意总线18结构的局域总线18。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线18，微通道体系结构(MAC)总线18，增强型ISA总线18、音视频电子标准协会(VESA)局域总线18以及外围组件互连(PCI)总线18。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其他移动/不可移动的、易失性/非易失性计算机体统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(通常称为“硬盘驱动器”)。尽管图8中未示出，可以提供用于对可移动非易失性磁盘(如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM，DVD-ROM或者其他光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质界面与总线18相连。存储器可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块42，这些程序模块42被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器中，这样的程序模块42包括——但不限于——操作系统、一个或者多个应用程序、其他程序模块42以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24、摄像头等)通信，还可与一个或者多个使得用户能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其他计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)界面22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN))，广域网(WAN)和/或公共网络(例如因特网)通信。如图8所示，网络适配器20通过总线18与计算机设备12的其他模块通信。应当明白，尽管图8中未示出，可以结合计算机设备12使用其他硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元16、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统34等。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的一种基于分岔分型定律的血流储备分数评估方法。
也即，上述处理单元16执行上述程序时实现：获取目标冠状动脉造影图像和目标冠状动脉的血液信息，并依据所述目标冠状动脉造影图像构建对应的一维降阶模型；其中，所述一维降阶模型包括血管中心线节点参数；依据所述分岔节点对所述一维降阶模型进行分段，得到血管段；依据所述血管中心线节点参数确定所述目标节点的狭窄情况；其中，所述狭窄情况包括正常和狭窄；依据所述血液信息、所述血管中心线节点参数、所述血管段和所述狭窄情况生成所述目标节点的血流储备分数。
在本发明实施例中，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请所有实施例提供的一种基于分岔分型定律的血流储备分数评估方法：
也即，给程序被处理器执行时实现：获取目标冠状动脉造影图像和目标冠状动脉的血液信息，并依据所述目标冠状动脉造影图像构建对应的一维降阶模型；其中，所述一维降阶模型包括血管中心线节点参数；依据所述分岔节点对所述一维降阶模型进行分段，得到血管段；依据所述血管中心线节点参数确定所述目标节点的狭窄情况；其中，所述狭窄情况包括正常和狭窄；依据所述血液信息、所述血管中心线节点参数、所述血管段和所述狭窄情况生成所述目标节点的血流储备分数。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机克顿信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言——诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行或者完全在远程计算机或者服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
尽管已描述了本申请实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。
最后，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、物品或者终端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、物品或者终端设备所固有的要素。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、物品或者终端设备中还存在另外的相同要素。
以上对本申请所提供的一种基于分岔分型定律的血流储备分数评估方法及装置，进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种基于分岔分型定律的血流储备分数评估方法，用于通过Angio-FFR计算冠状动脉造影图像中目标血管内目标节点的血流储备分数，所述冠状动脉造影图像包括主支血管和侧支血管，所述主支血管和所述侧支血管的连接点为分岔节点，所述目标血管为主支血管，所述目标节点为血管中心线节点或所述分岔节点，其特征在于，所述方法包括：
获取目标冠状动脉造影图像和目标冠状动脉的血液信息，并依据所述目标冠状动脉造影图像构建对应的一维降阶模型；其中，所述一维降阶模型包括血管中心线节点参数；
依据所述分岔节点对所述一维降阶模型进行分段，得到血管段；
依据所述血管中心线节点参数确定所述目标节点的狭窄情况；其中，所述狭窄情况包括正常和狭窄；
依据所述血液信息、所述血管中心线节点参数、所述血管段和所述狭窄情况生成所述目标节点的血流储备分数。
2.根据权利要求1所述的方法，其特征在于，所述依据所述血液信息、所述血管中心线节点参数、所述血管段和所述狭窄情况生成所述目标节点的血流储备分数的步骤，包括：
获取包含有所述目标冠状动脉造影图像的目标冠状动脉造影序列；
依据所述目标冠状动脉造影序列确定所述一维降阶模型的入口初始流量；
依据所述入口初始流量、所述血液信息、所述血管中心线节点参数、所述血管段和所述狭窄情况生成所述目标节点的血流储备分数。
3.根据权利要求2所述的方法，其特征在于，所述依据所述入口初始流量、所述血液信息、所述血管中心线节点参数、所述血管段和所述狭窄情况生成所述目标节点的血流储备分数的步骤，包括：
当所述目标节点为分岔节点时，则依据所述血管中心线节点参数、所述血管段和所述狭窄情况生成所述目标节点的点参数和所述目标节点上游段的点参数；其中，所述点参数包括直径和面积；
依据所述入口初始流量、所述血液信息、所述目标节点的点参数和所述目标节点上游段的点参数生成所述目标节点的流态数据；公式如下：
式中，N为血管分叉处连接的血管段的数量；i＝1作为上游段血管；i＝2、3分别为下游段血管和侧支血管；U为血流速度，Qi为血流速率，Ai为横截面面积；
依据所述流态数据确定所述目标节点的血流储备分数。
4.根据权利要求3所述的方法，其特征在于，所述当所述目标节点为分岔节点时，则依据所述血管中心线节点参数、所述血管段和所述狭窄情况生成所述目标节点的点参数和所述目标节点上游段的点参数；其中，所述点参数为直径和面积的步骤，包括：
当所述目标节点的狭窄情况为正常时，则依据所述目标节点上游段相邻的血管中心线节点参数的平均值生成所述目标节点上游段的点参数；
依据所述目标节点下游段相邻的血管中心线节点参数的平均值生成所述目标节点的点参数。
5.根据权利要求3所述的方法，其特征在于，所述当所述目标节点为分岔节点时，则依据所述血管中心线节点参数、所述血管段和所述狭窄情况生成所述目标节点的点参数和所述目标节点上游段的点参数；其中，所述点参数为直径和面积的步骤，包括：
当所述目标节点的狭窄情况为狭窄时，则确定所述目标节点上游血管段内和所述目标节点下游血管段内的狭窄情况；其中，所述狭窄情况包括正常节段和狭窄节段；
依据所述上游血管段中正常节段内相邻的血管中心线节点参数确定所述目标节点上游段的点参数；
依据所述下游血管段中正常节段内相邻的血管中心线节点参数确定所述目标节点的点参数。
6.根据权利要求2所述的方法，其特征在于，所述血管中心线节点参数包括直径、横截面积和从入口点开始到节点的中心线长度；所述依据所述入口初始流量、所述血液信息、所述血管中心线节点参数、所述血管段和所述狭窄情况生成所述目标节点的血流储备分数的步骤，包括：
当所述目标节点为血管中心线节点，且所述目标节点的狭窄情况为正常时，则依据所述入口初始流量、所述血液信息和所述血管中心线节点参数生成所述目标节点的流态数据；公式如下；
式中，A(x)为横截面积，Q(x)为血流速率，P(x)为血压，x为从入口点开始的中心线长度，ρ和μ分别为血液的密度和运动粘度；
依据所述流态数据确定所述目标节点的血流储备分数。
7.根据权利要求2所述的方法，其特征在于，所述依据所述入口初始流量、所述血液信息、所述血管中心线节点参数、所述血管段和所述狭窄情况生成所述目标节点的血流储备分数的步骤，包括：
当所述目标节点为血管中心线节点，且所述目标节点的狭窄情况为狭窄时，则依据所述血管中心线节点参数确定所述目标节点所在血管段的入口处的横截面积和血管段最狭窄段处的横截面积；
依据所述入口初始流量、所述血液信息、所述目标节点所在血管段的入口处的横截面积和血管段最狭窄段处的横截面积生成所述目标节点的流态数据；公式如下：
式中，Kv和Kt分别是表征粘性效应和湍流效应的模型参数，A0和As分别为入口处面积和最小狭窄截面面积，其对应直径分别为D0和Ds；
依据所述流态数据确定所述目标节点的血流储备分数。
8.一种基于分岔分型定律的血流储备分数评估装置，用于通过Angio-FFR计算冠状动脉造影图像中目标血管内目标节点的血流储备分数，所述冠状动脉造影图像包括主支血管和侧支血管，所述主支血管和所述侧支血管的连接点为分岔节点，所述目标血管为主支血管，所述目标节点为血管中心线节点或所述分岔节点，其特征在于，包括：
获取模块，用于获取目标冠状动脉造影图像和目标冠状动脉的血液信息，并依据所述目标冠状动脉造影图像构建对应的一维降阶模型；其中，所述一维降阶模型包括血管中心线节点参数；
分段模块，用于依据所述分岔节点对所述一维降阶模型进行分段，得到血管段；
狭窄模块，用于依据所述血管中心线节点参数确定所述目标节点的狭窄情况；
计算模块，用于依据所述血液信息、所述血管中心线节点参数、所述血管段和所述狭窄情况生成所述目标节点的血流储备分数。
9.一种设备，其特征在于，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的基于分岔分型定律的血流储备分数评估方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的基于分岔分型定律的血流储备分数评估方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410302853.4A CN118203338A (zh) | 2024-03-15 | 2024-03-15 | 一种基于分岔分型定律的血流储备分数评估方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410302853.4A CN118203338A (zh) | 2024-03-15 | 2024-03-15 | 一种基于分岔分型定律的血流储备分数评估方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118203338A true CN118203338A (zh) | 2024-06-18 |
Family
ID=91446303
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410302853.4A Pending CN118203338A (zh) | 2024-03-15 | 2024-03-15 | 一种基于分岔分型定律的血流储备分数评估方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118203338A (zh) |
-
2024
- 2024-03-15 CN CN202410302853.4A patent/CN118203338A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210219935A1 (en) | Data-driven plaque determination in medical imaging | |
| US10395774B2 (en) | Vascular flow assessment | |
| US20220087544A1 (en) | Lumen Morphology And Vascular Resistance Measurements Data Collection Systems Apparatus And Methods | |
| JP6845167B2 (ja) | 管腔形態および血管抵抗測定データ収集のシステム、装置および方法 | |
| WO2019210553A1 (zh) | 基于造影图像和流体力学模型的微循环阻力指数计算方法 | |
| US20170032097A1 (en) | Method and System for Enhancing Medical Image-Based Blood Flow Computations Using Physiological Measurements | |
| US10803995B2 (en) | Method and system for non-invasive functional assessment of coronary artery stenosis using flow computations in diseased and hypothetical normal anatomical models | |
| Ralovich et al. | Noninvasive hemodynamic assessment, treatment outcome prediction and follow‐up of aortic coarctation from MR imaging | |
| CN113876304A (zh) | 一种基于oct图像和造影图像确定ffr的方法及装置 | |
| US20230274434A1 (en) | System and methods for determining modified fractional flow reserve values | |
| CN116486211A (zh) | 一种模型训练方法、血流储备分数计算方法、装置及设备 | |
| CN116269293A (zh) | 冠状动脉的血流储备分数计算方法及其装置、电子设备 | |
| CN113995388B (zh) | 血流储备分数计算方法、装置、电子设备及可读存储介质 | |
| CN118203338A (zh) | 一种基于分岔分型定律的血流储备分数评估方法及装置 | |
| CN112690814B (zh) | 一种低误差的冠状动脉血流储备分数测量方法 | |
| CN111297388B (zh) | 一种血流储备分数测量装置 | |
| JP2024500769A (ja) | Ｏｃｔによる流量測定 | |
| CN110929604A (zh) | 基于造影图像的流速的筛选方法、装置、系统和存储介质 | |
| CN118196002A (zh) | 基于ivus图像重建的血流储备分数计算方法及装置 | |
| CN116564525B (zh) | 基于冠脉血流量分配的血流储备分数预测方法和系统 | |
| EP4113434A1 (en) | Generation of plaque information | |
| EP4223218A1 (en) | Intravascular imaging diagnostics | |
| CN116313101A (zh) | 一种冠状动脉血流储备分数确定方法、系统、设备及介质 |
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 |