WO2020107667A1 - 基于心肌血流量和ct图像的冠状动脉血流储备分数计算方法 - Google Patents

基于心肌血流量和ct图像的冠状动脉血流储备分数计算方法 Download PDF

Info

Publication number
WO2020107667A1
WO2020107667A1 PCT/CN2019/071203 CN2019071203W WO2020107667A1 WO 2020107667 A1 WO2020107667 A1 WO 2020107667A1 CN 2019071203 W CN2019071203 W CN 2019071203W WO 2020107667 A1 WO2020107667 A1 WO 2020107667A1
Authority
WO
WIPO (PCT)
Prior art keywords
coronary
coronary artery
blood flow
image
myocardial
Prior art date
Application number
PCT/CN2019/071203
Other languages
English (en)
French (fr)
Inventor
霍云飞
刘广志
吴星云
王之元
Original Assignee
苏州润心医疗器械有限公司
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 苏州润心医疗器械有限公司 filed Critical 苏州润心医疗器械有限公司
Priority to JP2021529763A priority Critical patent/JP7236768B2/ja
Publication of WO2020107667A1 publication Critical patent/WO2020107667A1/zh
Priority to US17/328,550 priority patent/US11896416B2/en

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/50—Clinical applications
    • A61B6/507—Clinical applications involving determination of haemodynamic parameters, e.g. perfusion CT
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/026—Measuring blood flow
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/02—Devices for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computerised tomographs
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/50—Clinical applications
    • A61B6/503—Clinical applications involving diagnosis of heart
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/50—Clinical applications
    • A61B6/504—Clinical applications involving diagnosis of blood vessels, e.g. by angiography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. 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
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. 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
    • A61B6/5229—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image
    • A61B6/5235—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image combining images from the same or different ionising radiation imaging techniques, e.g. PET and CT
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. 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
    • A61B6/5229—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image
    • A61B6/5247—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image combining images from an ionising-radiation diagnostic technique and a non-ionising radiation diagnostic technique, e.g. X-ray and ultrasound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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
    • 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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • 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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/02—Devices for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computerised tomographs
    • A61B6/032—Transmission computed tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20156—Automatic seed setting
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2211/00—Image generation
    • G06T2211/40—Computed tomography
    • G06T2211/404—Angiography
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2211/00—Image generation
    • G06T2211/40—Computed tomography
    • G06T2211/412—Dynamic

Definitions

  • the invention relates to the field of coronary artery imaging evaluation, in particular to a method for calculating coronary artery blood flow reserve score based on myocardial blood flow and CT images.
  • Coronary angiography and intravascular ultrasound are considered to be the "gold standard" for the diagnosis of coronary heart disease, but they can only be used for imaging evaluation of the degree of stenosis, and it is not known how much stenosis affects distal blood flow.
  • the blood flow reserve fraction (FFR) has now become a recognized indicator of the functional evaluation of coronary stenosis. Its most important function is to accurately evaluate the functional consequences of an unknown coronary stenosis.
  • the blood flow reserve fraction refers to the ratio of the maximum blood flow that can be obtained in the myocardial region supplied by the target measurement vessel to the theoretically normal maximum blood flow in the same region in the presence of coronary artery stenosis.
  • FFR is mainly obtained by calculating the ratio of the pressure at the distal end of coronary stenosis to the pressure at the root of the aorta.
  • the pressure at the distal end of the stenosis can be measured by the pressure guide wire at the maximum perfusion blood flow (measured by intracoronary or intravenous injection of papaverine or adenosine or ATP).
  • Coronary CTA can accurately assess the degree of coronary stenosis, and can distinguish the nature of plaque on the wall. It is a non-invasive and simple operation method for diagnosing coronary artery disease. It can be used as the first choice for screening high-risk groups. Therefore, if the blood vessels of patients with coronary heart disease are intervened, the coronary arteries of the patients should be evaluated by CTA.
  • CTFFR non-invasively obtained FFR
  • the object of the present invention is to provide a method for calculating the coronary blood flow reserve fraction based on myocardial blood flow and CT images, and determining the resting myocardial blood flow and coronary blood flow reserve (CFR) by noninvasive measurement ), and then determine the maximum congestion state flow rate in different vessels in the coronary tree, and then determine the maximum congestion state flow rate V1, which can quickly, accurately and fully obtain the blood flow reserve score FFR.
  • CFR coronary blood flow reserve
  • a method for calculating the coronary blood flow reserve score based on myocardial blood flow and CT images includes the following steps:
  • S01 Segment the heart CT image, obtain the heart image through morphological operation, perform histogram analysis on the heart image to obtain the ventricular atrial image, and obtain the myocardial image by comparing the heart image and the ventricular atrial image to determine the myocardial volume;
  • S02 processing the aortic image to obtain a complete aortic complementary image, and performing regional growth to obtain an aortic image containing a coronary artery ostium. Based on the aortic image containing the coronary artery ostium and the full aortic complementary image, a coronary artery ostium Images to determine the coronary ostia;
  • S03 Use the coronary ostia as the seed point on the myocardial image, extract the coronary artery through regional growth, calculate the average grayscale and average variance of the coronary artery, and extract the coronary tree along the direction of the coronary artery according to the grayscale distribution of the coronary artery;
  • S04 binarize the coronary artery image and draw an isosurface image to obtain a three-dimensional grid image of the coronary artery;
  • the connected domain analysis is performed on the image containing the coronary ostium, and each connected domain is identified with different gray labels to determine the coronary ostium.
  • the ascending aorta and the center line are extracted using the feature that the aorta has a circular cross section to obtain an aorta image.
  • the binarization of the coronary artery image in step S04 includes:
  • step S05 the cardiac ultrasound (MCE) or single photon emission computed tomography (SPECT) or positron emission tomography (PET) or cardiac nuclear magnetic (MRI) or CT perfusion is used to determine the static Resting myocardial blood flow and coronary flow reserve (CFR)
  • MCE cardiac ultrasound
  • SPECT single photon emission computed tomography
  • PET positron emission tomography
  • MRI cardiac nuclear magnetic
  • CT perfusion is used to determine the static Resting myocardial blood flow and coronary flow reserve (CFR)
  • the step S06 includes:
  • the step S07 specifically includes:
  • P, ⁇ , ⁇ are flow velocity, pressure, blood flow density, blood flow viscosity
  • the inlet boundary condition is: the inlet flow velocity V 1 of the coronary stenosis blood vessel in the maximum congestion state;
  • the step S07 includes:
  • ⁇ represents the density of blood
  • u z and u r represent the flow velocity in z direction and r direction
  • ⁇ represents the dynamic viscosity of blood
  • p represents the pressure of blood
  • the inlet boundary condition is: the inlet velocity V 1 of the coronary stenosis blood vessel in the maximum congestion state
  • the step S07 further includes calculating the pressure difference from the inlet to the outlet with a three-dimensional model for different types of bending of the blood vessel, and calculating against the two-dimensional axisymmetric model to establish a pair of bending types for storing various types Database of correction coefficients for two-dimensional axisymmetric results;
  • the invention can quickly, accurately and fully obtain the blood flow reserve fraction FFR through myocardial blood flow and cardiac CT images, greatly improving the accuracy of the existing CTFFR (or FFRCT).
  • CTFFR or FFRCT
  • the operation is simple, greatly reducing the difficulty and risk of surgery, and can be widely applied in the clinic.
  • FIG. 1 is a flowchart of the method of the present invention
  • Figure 2 is the result of myocardial segmentation of cardiac CT images
  • Figure 3 is the result of aortic segmentation with coronary entrance
  • Figure 4 is the result of coronary artery segmentation
  • Figure 5 is the result of coronary artery segmentation
  • Figure 6 is a grid model of the coronary artery segmentation results
  • FIG. 7 is a schematic diagram of the blood flow of the heart and coronary arteries.
  • the calculation method of coronary blood flow reserve (FFR) based on myocardial blood flow and CT images of the present invention includes extracting myocardial images, extracting coronary artery ostia, extracting coronary arteries, generating a coronary artery mesh model, Resting myocardial blood flow and coronary flow reserve (CFR), calculating the total flow at the entrance of the coronary artery in the maximum congestion state, calculating the blood flow velocity V1 in the congestion state, and determining coronary FFR. It includes the following steps:
  • the heart CT image is segmented, the heart image is obtained through morphological operation, the heart image is subjected to histogram analysis to obtain the ventricular atrial image, and the heart image is obtained by making the difference between the heart image and the ventricular atrial image, as shown in FIG. 2.
  • Morphological expansion is performed on the binary image of the aorta image to obtain the binary image of the full aorta, and the complementary image of the full aorta is obtained by pixel inversion.
  • the region is grown according to the average grayscale of the points on the center line of the aorta, and an image of the aorta containing the coronary ostium is obtained, as shown in FIG. 3.
  • the coronary artery is taken as the seed point, and the coronary artery is extracted by regional growth.
  • the average grayscale and average variance of the coronary artery are calculated.
  • the coronary artery tree is extracted along the direction of the coronary artery, as shown in the figure 5 shows.
  • the coronary artery image data V1 is obtained.
  • the voxels in the data form a cube spatially, and the pixel values of the voxels belonging to the coronary artery section are not 0 (the pixel value is approximately between -3000 and 3000), and the rest The voxel pixel values are all 0.
  • the data needs to be transformed into spatial three-dimensional grid data V3 in order to facilitate the FFR calculation in step five.
  • a voxel is defined as an extremely small hexahedron, with eight vertices on a cube composed of four pixels between adjacent upper and lower layers.
  • the isosurface is a set of points in space that have a certain attribute value. It can be expressed as:
  • c is the pixel value 1 given during the three-dimensional reconstruction.
  • the processing steps for the 3D model include:
  • P, ⁇ , ⁇ are flow velocity, pressure, blood flow density, blood flow viscosity, respectively.
  • the inlet boundary condition is: the inlet flow velocity V1 of the coronary stenosis vessel in the maximum congestion state;
  • ⁇ represents the density of blood
  • u z and u r respectively represent the flow velocity in the z direction and r direction
  • ⁇ represents the dynamic viscosity of blood
  • p represents the pressure of blood
  • the inlet boundary condition is: the inlet velocity V 1 of the coronary stenosis blood vessel in the maximum congestion state

Abstract

一种基于心肌血流量和CT图像的冠状动脉血流储备分数计算方法，包括通过提取心肌图像，确定心肌体积；定位冠状动脉口，对冠状动脉精确分割；通过对冠状动脉体数据的边缘检测，生成计算所需要的网格模型；通过无创测量确定静息态心肌血流量和CFR；计算最大充血态下的冠脉入口处的总流量；确定冠脉树中不同血管里面最大充血态的流量，进而确定最大充血态的流速V 1；以V 1作为冠脉入口流速，并计算冠脉入口到冠脉狭窄远端的压力降ΔP，狭窄远端冠状动脉内平均压P d＝P a-ΔP，计算血流储备分数。基于心肌血流量和心脏CT图像，能快速准确的全自动得到FFR。

Description

基于心肌血流量和CT图像的冠状动脉血流储备分数计算方法 技术领域
本发明涉及冠状动脉影像学评价领域，具体地涉及一种基于心肌血流量和CT图像的冠状动脉血流储备分数计算方法。
背景技术
冠状动脉造影及血管内超声均被认为是诊断冠心病的“金标准”，但它们只能对病变狭窄程度进行影像学评价，而狭窄到底对远端血流产生了多大影响却不得而知；血流储备分数(FFR)现已经成为冠脉狭窄功能性评价的公认指标，其最重要的功能是对一个未知影响的冠脉狭窄的功能后果进行准确评价。
血流储备分数(FFR)是指在冠状动脉存在狭窄病变的情况下，目标测量血管所供心肌区域能获得的最大血流量与同一区域理论上正常情况下所能获得的最大血流量之比。FFR主要通过计算冠状动脉狭窄远端压力与主动脉根部压力之比来获得。狭窄远端压力可以通过压力导丝在最大灌注血流(通过冠脉内或静脉内注射罂粟碱或腺苷或ATP时测得)。可以简化为心肌最大充血状态下的狭窄远端冠状动脉内平均压(P d)与冠状动脉口部主动脉平均压(P a)的比值，即FFR＝P d/Pa。
冠脉CTA能准确评估冠脉狭窄程度，且能辨别管壁斑块性质，是一种无创、操作简单的诊断冠状动脉病变检查方法，可作为筛查高危人群的首选方法。因此，如果对于冠心病患者的血管进行干预，前期应该对患者冠脉进行CTA的评价。
通过冠脉CTA计算无创获得的FFR(CTFFR)无需额外影像检查或药物，能从根本上避免不必要的冠脉血管造影与血运重建治疗。DeFacto试验结果也清楚地表明，在冠状动脉CT中，CTFFR结果的分析提供了那些真正限制血流及增加病人危险性的病变的生理信息。CTFFR结合了冠脉CTA和FFR的优势，可以从结构和功能两方面来评估冠状动脉狭窄，成为一种提供冠脉病变解剖学和功能学信息的崭新无创性检测体系。但是因为CTA无法测量充血态下冠脉流速，只能靠数值方法预测，这极大的限制了CTFFR 的临床应用。
发明内容
为了解决上述的技术问题，本发明目的是：提供一种基于心肌血流量和CT图像的冠状动脉血流储备分数计算方法，通过无创测量确定静息态心肌血流量和冠状动脉血流储备(CFR)，进而确定冠脉树中不同血管里面最大充血态的流量，进而确定最大充血态的流速V1，能快速、准确、全自动得到血流储备分数FFR。
本发明的技术方案是：
一种基于心肌血流量和CT图像的冠状动脉血流储备分数计算方法，包括以下步骤：
S01：对心脏CT图像进行分割，通过形态学操作得到心脏图像，对该心脏图像进行直方图分析得到心室心房图像，通过心脏图像与心室心房图像做差得到心肌图像，确定心肌体积；
S02：对主动脉图像进行处理得到全主动脉互补图像，进行区域生长，得到含有冠状动脉口的主动脉图像，根据含有冠状动脉口的主动脉图像与全主动脉互补图像，得到含有冠状动脉口的图像，确定冠状动脉口；
S03：在心肌图像上以冠状动脉口为种子点，通过区域生长提取冠状动脉，计算冠状动脉的平均灰度和平均方差，根据冠脉灰度分布，沿着冠状动脉方向提取冠脉树；
S04：将冠状动脉图像进行二值化，绘制等值面图像，得到冠状动脉三维网格图像；
S05：计算得到最大充血态下的冠脉入口处的总流量Q total＝心肌体积×心肌血流量×CFR，CFR为冠状动脉血流储备；
S06：计算充血态下的血流速度V 1；
S07：将V 1作为冠脉狭窄血管的入口流速，计算冠脉入口到冠脉狭窄远端的压力降ΔP，狭窄远端冠状动脉内平均压P d＝P a-ΔP，其中，P a是主动脉平均压，得到血流储备分数FFR＝P d/P a。
优选的技术方案中，所述步骤S02中得到含有冠状动脉口的图像后，对含有冠状动脉口的图像进行连通域分析，用不同的灰度标签标识各个连通域， 确定冠状动脉口。
优选的技术方案中，所述步骤S02中，在心脏图像上，利用主动脉截面成圆形的特征，提取升主动脉及中心线，得到主动脉图像。
优选的技术方案中，所述步骤S04中冠状动脉图像二值化，包括：
遍历冠状动脉图像V1中的体素，如果体素像素等于0，则该像素值不变；如果不等于0，则将像素值设为1，得到一个新的数据V2。
优选的技术方案中，所述步骤S05中通过心脏超声(MCE)或者单光子发射计算机断层成像术(SPECT)或者正电子发射断层成像术(PET)或者心脏核磁(MRI)或者CT灌流，确定静息态心肌血流量和冠状动脉血流储备(CFR)
优选的技术方案中，所述步骤S06包括：
S61：基于流量体积标度律和心脏CT三维重建的心表冠状动脉树，确定树内任意一根血管内的血流量Q＝Q total×(V/V total) 3/4，其中，V total是心脏CT三维重建的所有心表冠状动脉的血体之和，V是心表冠状动脉树内任意一根血管及其下游血管中的血体之和；
S62：基于流量体积标度律和心脏CT三维重建的心表冠状动脉树，确定树内任意一根血管内的血流速度V 1＝Q/D，其中，D是该血管的平均直径。
优选的技术方案中，所述步骤S07具体包括：
对血管三维网格进行求解，用数值法求解连续性和Navier-Stokes方程：
Figure PCTCN2019071203-appb-000001
Figure PCTCN2019071203-appb-000002
其中，
Figure PCTCN2019071203-appb-000003
P，ρ，μ分别为流速、压力、血流密度、血流粘性；
入口边界条件为：最大充血态下的冠脉狭窄血管的入口流速V 1；
通过三维计算流体力学计算每个冠脉狭窄的压力降ΔP 1、ΔP 2、ΔP 3…，冠脉入口到冠脉狭窄远端的压力降ΔP＝∑ΔP i(i＝1,2,3…)，狭窄远端冠状动脉内平均压P d＝P a-ΔP，其中，P a是主动脉平均。
优选的技术方案中，所述步骤S07包括：
基于CT重构的几何结构，将有狭窄的血管拉直，构建二维轴对称模型，划分二维 网格，用数值法求解连续性和Navier-Stokes方程：
Figure PCTCN2019071203-appb-000004
Figure PCTCN2019071203-appb-000005
Figure PCTCN2019071203-appb-000006
其中，ρ表示血液的密度，u z、u r分别表示z向、r方向的流速，μ表示血液的动力粘度，p表示血液的压强；
入口边界条件为：最大充血态下的冠脉狭窄血管的入口流速V 1
通过二维计算流体力学计算每个冠脉狭窄的压力降ΔP 1、ΔP 2、ΔP 3…，冠脉入口到冠脉狭窄远端的压力降ΔP＝∑ΔP i(i＝1,2,3…)，狭窄远端冠状动脉内平均压P d＝P a-ΔP，其中，P a是主动脉平均压。
优选的技术方案中，所述步骤S07还包括，针对血管不同类型的弯曲，用三维模型计算从入口到出口的压力差，对照二维轴对称模型计算，建立用于存储各种类型的弯曲对二维轴对称结果的修正系数的数据库；
得到压力后对照数据库中的修正系数，得到修正后的从入口到出口的压力差，然后计算FFR。
与现有技术相比，本发明的优点是：
本发明通过心肌血流量和心脏CT图像，能快速、准确、全自动得到血流储备分数FFR，极大地提高现有CTFFR(或者FFRCT)的精度。通过无创测量，操作简便，大大降低手术难度和风险，可在临床上大规模推广应用。
附图说明
下面结合附图及实施例对本发明作进一步描述：
图1为本发明的方法流程图；
图2为心脏CT图像的心肌分割结果；
图3为带有冠脉入口的主动脉分割结果；
图4为冠脉入口分割结果；
图5为冠状动脉分割结果；
图6为冠状动脉分割结果的网格模型；
图7为心脏及冠状动脉血流示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
给定心脏CT图像，根据逆向方法，提取心脏，以非目标区域的降主动脉、脊椎、肋骨为对象进行处理，通过逐步的去除胸腔壁、肺部、椎骨和降主动脉等非心脏组织来提取得到心脏图像。在得到的心脏图像上，通过利用主动脉截面成圆形的特征，提取升主动脉及中心线，得到主动脉图像。
如图1所示，本发明的基于心肌血流量和CT图像的冠状动脉血流储备分数(FFR)计算方法包括提取心肌图像、提取冠状动脉口、提取冠状动脉、生成冠状动脉网格模型、确定静息态心肌血流量和冠状动脉血流储备(CFR)、计算最大充血态下的冠脉入口处的总流量、计算充血态下的血流速度V1、确定冠状动脉FFR。具体包括以下步骤：
1：提取心肌图像：
对心脏CT图像进行分割，通过形态学操作得到心脏图像，对该心脏图像进行直方图分析得到心室心房图像，通过心脏图像与心室心房图像做差得到心肌图像，如图2所示。
2：提取冠状动脉口：
对主动脉图像的二值化图像进行形态学膨胀，得到全主动脉的二值图像，并通过像素取反得到全主动脉互补图像。
根据主动脉中心线上点的平均灰度进行区域生长，得到含有冠状动脉口的主动脉图像，如图3所示。
用含有冠状动脉口的主动脉图像与全主动脉互补图像做图像乘法，得到含有冠状动脉口的图像，对含有冠状动脉口的图像进行连通域分析，用不同的灰度标签标识各个连通域，确定冠状动脉口，如图4所示。
3：提取冠状动脉：
在心肌图像上，以冠状动脉口为种子点，通过区域生长提取冠状动脉，计算冠状动脉的平均灰度和平均方差，根据冠脉灰度分布，沿着冠状动脉方 向提取冠脉树，如图5所示。
4：生成冠状动脉网格模型：
通过步骤三，得到冠状动脉图像数据V1，该数据中的体素在空间上构成一个立方体，属于冠状动脉部分的体素像素值不为0(像素值大约在-3000到3000之间)，其余体素像素值都为0。
本步骤需要把数据变成空间三维网格数据V3，以便于步骤五中的FFR计算。
(1)冠状动脉数据二值化
遍历冠状动脉图像数据V1中体素，做简单的像素值判断，如果像素A1等于0，则该像素值不变；如果A1不等于0，则将A1的像素值设为1。
最终会得到一个新的图像数据V2，该图像中，属于冠状动脉部分的体素像素值为1，其余部分为0。
(2)等值面生成
体素被定义为一个极小的六面体，相邻上下层之间的四个像素组成的立方体上的八个顶点。而等值面就是在空间中所以具有某个相同属性值的点的集合。它可以表示成：
{(x,y,z)│f(x,y,z)＝c}，c是常数
本方法中的c是在三维重构过程中给定的像素值1。
提取等值面的流程如下：
(1)将原始数据经过预处理之后，读入特定的数组中；
(2)从网格数据体中提取一个单元体成为当前单元体，同时获取该单元体的所有信息；
(3)将当前单元体8个顶点的函数值与给定等值面值C进行比较，得到该单元体的状态表；
(4)根据当前单元体的状态表索引，找出与等值面相交的单元体棱边，并采用线性插值的方法计算出各个交点的位置坐标；
(5)利用中心差分法求出当前单元体8个顶点的法向量，再采用线性插值的方法得到三角面片各个顶点的法向；
(6)根据各个三角面片顶点的坐标和顶点法向量进行等值面图象的绘制。
最终得到冠状动脉的三维网格图像数据V3，如图6所示。
5：计算充血态下的血流速度V 1：
通过心脏超声(MCE)或者单光子发射计算机断层成像术(SPECT)或者正电子发射断层成像术(PET)或者心脏核磁(MRI)或者CT灌流等无创测量，来确定静息态心肌血流量和冠状动脉血流储备(CFR)；通过心肌体积、心肌血流量、CFR，计算最大充血态下的冠脉入口处(包括左冠脉树和右冠脉树之和)的总流量Q total＝心肌体积×心肌血流量×CFR；
基于流量体积标度律和心脏CT三维重建的心表冠状动脉树，确定树内任何一根血管内的血流量Q：Q＝Q total×(V/V total) 3/4，其中，V total是心脏CT三维重建的所有心表冠状动脉(包括左冠脉树和右冠脉树之和)的血体之和、V是心表冠状动脉树内任何一根血管及其下游血管中的血体之和，如图7所示；基于流量体积标度律和心脏CT三维重建的心表冠状动脉树，确定树内任何一根血管内的血流速度V 1：V 1＝Q/D，其中，D是该血管的平均直径(该血管的血体除以该血管的长度)。
6：冠状动脉FFR计算：
以V1作为冠脉狭窄血管的入口流速，用计算流体力学(CFD)方法计算每个冠脉狭窄的压力降ΔP 1、ΔP 2、ΔP 3等，冠脉入口到冠脉狭窄远端的压力降ΔP＝∑ΔP i(i＝1,2,3…)，狭窄远端冠状动脉内平均压P d＝P a-ΔP，其中，P a是主动脉平均压，最后通过公式FFR＝P d/P a计算血流储备分数。
针对三维模型处理步骤包括：
基于CT重构的几何结构，划分三维网格，用数值法(如：有限差分、有限元、有限体积法等)求解连续性和Navier-Stokes方程：
Figure PCTCN2019071203-appb-000007
Figure PCTCN2019071203-appb-000008
其中，
Figure PCTCN2019071203-appb-000009
P，ρ，μ分别为流速、压力、血流密度、血流粘性。
入口边界条件为：最大充血态下的冠脉狭窄血管的入口流速V1；
基于公式[A1]和[A2]，执行三维CFD计算每个冠脉狭窄的压力降ΔP 1、ΔP 2、ΔP 3等，冠脉入口到冠脉狭窄远端的压力降ΔP＝∑ΔP i(i＝1,2,3…)，狭窄远端冠状动脉内平均压P d＝P a-ΔP，其中，P a是主动脉平均压。
针对二维模型模型，包括以下步骤：
基于CT重构的几何结构，把有狭窄的血管拉直(二维轴对称模型)，划分二维网格，用数值法(如：有限差分、有限元、有限体积法等)求解连续性和Navier-Stokes方程：
Figure PCTCN2019071203-appb-000010
Figure PCTCN2019071203-appb-000011
Figure PCTCN2019071203-appb-000012
其中，ρ表示血液的密度，u z、u r分别表示z向、r方向的流速，μ表示血液的动力粘度，p表示血液的压强。
入口边界条件为：最大充血态下的冠脉狭窄血管的入口流速V 1
基于公式[A3]-[A5]，执行二维CFD计算每个冠脉狭窄的压力降ΔP 1、ΔP 2、ΔP 3等，冠脉入口到冠脉狭窄远端的压力降ΔP＝∑ΔP i(i＝1,2,3…)，狭窄远端冠状动脉内平均压P d＝P a-ΔP，其中，P a是主动脉平均压。
针对血管不同类型的弯曲，用三维模型计算从入口到出口的压力差，对照二维轴对称模型计算，建立用于存储各种类型的弯曲对二维轴对称结果的修正系数的数据库；算出压力后对照数据库中的修正系数，得到修正后的从入口到出口的压力差，最后通过公式计算FFR。
应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。

Claims (9)

  1. 一种基于心肌血流量和CT图像的冠状动脉血流储备分数计算方法，其特征在于，包括以下步骤：
    S01：对心脏CT图像进行分割，通过形态学操作得到心脏图像，对该心脏图像进行直方图分析得到心室心房图像，通过心脏图像与心室心房图像做差得到心肌图像，确定心肌体积；
    S02：对主动脉图像进行处理得到全主动脉互补图像，进行区域生长，得到含有冠状动脉口的主动脉图像，根据含有冠状动脉口的主动脉图像与全主动脉互补图像，得到含有冠状动脉口的图像，确定冠状动脉口；
    S03：在心肌图像上以冠状动脉口为种子点，通过区域生长提取冠状动脉，计算冠状动脉的平均灰度和平均方差，根据冠脉灰度分布，沿着冠状动脉方向提取冠脉树；
    S04：将冠状动脉图像进行二值化，绘制等值面图像，得到冠状动脉三维网格图像；
    S05：计算得到最大充血态下的冠脉入口处的总流量Q total＝心肌体积×心肌血流量×CFR，CFR为冠状动脉血流储备；
    S06：计算充血态下的血流速度V 1；
    S07：将V 1作为冠脉狭窄血管的入口流速，计算冠脉入口到冠脉狭窄远端的压力降ΔP，狭窄远端冠状动脉内平均压P d＝P a-ΔP，其中，P a是主动脉平均压，得到血流储备分数FFR＝P d/P a。
  2. 根据权利要求1所述的基于心肌血流量和CT图像的冠状动脉血流储备分数计算方法，其特征在于，所述步骤S02中得到含有冠状动脉口的图像后，对含有冠状动脉口的图像进行连通域分析，用不同的灰度标签标识各个连通域，确定冠状动脉口。
  3. 根据权利要求1所述的基于心肌血流量和CT图像的冠状动脉血流储备分数计算方法，其特征在于，所述步骤S02中，在心脏图像上，利用主动脉截面成圆形的特征，提取升主动脉及中心线，得到主动脉图像。
  4. 根据权利要求1所述的基于心肌血流量和CT图像的冠状动脉血流储备分数计算方法，其特征在于，所述步骤S04中冠状动脉图像二值化，包括：
    遍历冠状动脉图像V1中的体素，如果体素像素等于0，则该像素值不 变；如果不等于0，则将像素值设为1，得到一个新的数据V2。
  5. 根据权利要求1所述的基于心肌血流量和CT图像的冠状动脉血流储备分数计算方法，其特征在于，所述步骤S05中通过心脏超声(MCE)或者单光子发射计算机断层成像术(SPECT)或者正电子发射断层成像术(PET)或者心脏核磁(MRI)或者CT灌流，确定静息态心肌血流量和冠状动脉血流储备(CFR)
  6. 根据权利要求1所述的基于心肌血流量和CT图像的冠状动脉血流储备分数计算方法，其特征在于，所述步骤S06包括：
    S61：基于流量体积标度律和心脏CT三维重建的心表冠状动脉树，确定树内任意一根血管内的血流量Q＝Q total×(V/V total) 3/4，其中，V total是心脏CT三维重建的所有心表冠状动脉的血体之和，V是心表冠状动脉树内任意一根血管及其下游血管中的血体之和；
    S62：基于流量体积标度律和心脏CT三维重建的心表冠状动脉树，确定树内任意一根血管内的血流速度V 1＝Q/D，其中，D是该血管的平均直径。
  7. 根据权利要求1所述的基于心肌血流量和CT图像的冠状动脉血流储备分数计算方法，其特征在于，所述步骤S07具体包括：
    对血管三维网格进行求解，用数值法求解连续性和Navier-Stokes方程：
    Figure PCTCN2019071203-appb-100001
    Figure PCTCN2019071203-appb-100002
    其中，
    Figure PCTCN2019071203-appb-100003
    P，ρ，μ分别为流速、压力、血流密度、血流粘性；
    入口边界条件为：最大充血态下的冠脉狭窄血管的入口流速V 1；
    通过三维计算流体力学计算每个冠脉狭窄的压力降ΔP 1、ΔP 2、ΔP 3…，冠脉入口到冠脉狭窄远端的压力降ΔP＝∑ΔP i(i＝1,2,3…)，狭窄远端冠状动脉内平均压P d＝P a-ΔP，其中，P a是主动脉平均。
  8. 根据权利要求1所述的基于心肌血流量和CT图像的冠状动脉血流储备分数计算方法，其特征在于，所述步骤S07包括：
    基于CT重构的几何结构，将有狭窄的血管拉直，构建二维轴对称模型，划分二维网格，用数值法求解连续性和Navier-Stokes方程：
    Figure PCTCN2019071203-appb-100004
    Figure PCTCN2019071203-appb-100005
    Figure PCTCN2019071203-appb-100006
    其中，ρ表示血液的密度，u z、u r分别表示z向、r方向的流速，μ表示血液的动力粘度，p表示血液的压强；
    入口边界条件为：最大充血态下的冠脉狭窄血管的入口流速V 1
    通过二维计算流体力学计算每个冠脉狭窄的压力降ΔP 1、ΔP 2、ΔP 3…，冠脉入口到冠脉狭窄远端的压力降ΔP＝∑ΔP i(i＝1,2,3…)，狭窄远端冠状动脉内平均压P d＝P a-ΔP，其中，P a是主动脉平均压。
  9. 根据权利要求8所述的基于心肌血流量和CT图像的冠状动脉血流储备分数计算方法，其特征在于，所述步骤S07还包括，针对血管不同类型的弯曲，用三维模型计算从入口到出口的压力差，对照二维轴对称模型计算，建立用于存储各种类型的弯曲对二维轴对称结果的修正系数的数据库；
    得到压力后对照数据库中的修正系数，得到修正后的从入口到出口的压力差，然后计算FFR。
PCT/CN2019/071203 2018-11-28 2019-01-10 基于心肌血流量和ct图像的冠状动脉血流储备分数计算方法 WO2020107667A1 (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2021529763A JP7236768B2 (ja) 2018-11-28 2019-01-10 心筋血流量及びｃｔ画像に基づく冠状動脈冠血流予備量比の計算方法
US17/328,550 US11896416B2 (en) 2018-11-28 2021-05-24 Method for calculating coronary artery fractional flow reserve on basis of myocardial blood flow and CT images

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201811438744.6 2018-11-28
CN201811438744.6A CN111227822B (zh) 2018-11-28 2018-11-28 基于心肌血流量和ct图像的冠状动脉血流储备分数计算方法

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US17/328,550 Continuation US11896416B2 (en) 2018-11-28 2021-05-24 Method for calculating coronary artery fractional flow reserve on basis of myocardial blood flow and CT images

Publications (1)

Publication Number Publication Date
WO2020107667A1 true WO2020107667A1 (zh) 2020-06-04

Family

ID=70853702

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2019/071203 WO2020107667A1 (zh) 2018-11-28 2019-01-10 基于心肌血流量和ct图像的冠状动脉血流储备分数计算方法

Country Status (4)

Country Link
US (1) US11896416B2 (zh)
JP (1) JP7236768B2 (zh)
CN (1) CN111227822B (zh)
WO (1) WO2020107667A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2022522051A (ja) * 2019-04-15 2022-04-13 博動医学影像科技（上海）有限公司 冠血流量及び血流速度の取得方法並びに装置
WO2022197165A1 (ko) * 2021-03-19 2022-09-22 제주대학교 산학협력단 관상동맥 협착의 중증도 평가에 필요한 정보를 제공하는 방법

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109805949B (zh) * 2019-03-19 2020-05-22 苏州润迈德医疗科技有限公司 基于压力传感器和造影图像计算血流储备分数的方法
CN111754522B (zh) * 2020-06-19 2021-08-03 上海杏脉信息科技有限公司 冠状动脉血流动力学数据的获取方法及装置
CN111815585B (zh) * 2020-06-29 2022-08-05 苏州润迈德医疗科技有限公司 基于ct序列图像获取冠脉树和冠脉入口点的方法和系统
CN111815589B (zh) * 2020-06-29 2022-08-05 苏州润迈德医疗科技有限公司 基于ct序列图像获取无干扰冠脉树图像的方法和系统
CN111815586B (zh) * 2020-06-29 2022-08-05 苏州润迈德医疗科技有限公司 基于ct图像获取左心房、左心室的连通域的方法和系统
CN111652881A (zh) * 2020-07-01 2020-09-11 杭州脉流科技有限公司 基于深度学习的冠脉重构和血流储备分数计算方法、装置、设备以及可读存储介质
CN112704505B (zh) * 2020-11-20 2022-05-24 杭州阿特瑞科技有限公司 一种利用cta和dsa测量冠状动脉血流储备分数的方法
CN112535466A (zh) * 2020-12-16 2021-03-23 成都全景恒升科技有限公司 一种基于血管影像的血流储备分数计算方法
CN112837306B (zh) * 2021-02-20 2022-11-22 薛竟宜 基于深度学习和中智理论的冠状动脉病变功能学定量方法
CN113096141B (zh) * 2021-04-19 2022-01-11 推想医疗科技股份有限公司 冠状动脉分割方法以及冠状动脉分割装置
CN113139959B (zh) * 2021-05-17 2021-10-01 北京安德医智科技有限公司 获得心肌桥图像的方法及装置、电子设备和存储介质
CN115439461A (zh) * 2021-12-17 2022-12-06 深圳市阅影科技有限公司 基于血流模型计算血管功能学指标的方法及装置
CN114882099A (zh) * 2022-04-22 2022-08-09 中国人民解放军陆军第九五〇医院 冠脉血管供血量分析装置及运行方法
CN116051458A (zh) * 2022-11-23 2023-05-02 杭州脉流科技有限公司 基于术前冠脉造影影像评估术后冠脉血流储备分数的方法和计算机设备
CN116188336B (zh) * 2023-04-17 2023-12-22 柏意慧心(杭州)网络科技有限公司 基于血管造影的心肌病形态学计算方法、装置及存储介质
CN117036530B (zh) * 2023-10-10 2023-12-08 杭州脉流科技有限公司 基于跨模态数据的冠状动脉血流储备分数预测方法及装置
CN117197164B (zh) * 2023-11-08 2024-03-08 中国医学科学院北京协和医院 用于计算心肌血管供血区域的管道流域计算方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104036107A (zh) * 2013-03-04 2014-09-10 西门子公司 确定狭窄的功能性严重程度
CN106023202A (zh) * 2016-05-20 2016-10-12 苏州润心医疗科技有限公司 基于心脏ct图像的冠状动脉血流储备分数计算方法
CN106473731A (zh) * 2016-10-25 2017-03-08 北京工业大学 基于个性化冠状动脉分支血流量的ffrct计算方法
US9974508B2 (en) * 2011-09-01 2018-05-22 Ghassan S. Kassab Non-invasive systems and methods for determining fractional flow reserve
CN108348206A (zh) * 2015-11-05 2018-07-31 皇家飞利浦有限公司 用于无创血流储备分数(ffr)的侧支流建模
CN108550189A (zh) * 2018-05-03 2018-09-18 苏州润迈德医疗科技有限公司 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

Family Cites Families (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9814433B2 (en) * 2012-10-24 2017-11-14 Cathworks Ltd. Creating a vascular tree model
US9858387B2 (en) * 2013-01-15 2018-01-02 CathWorks, LTD. Vascular flow assessment
US9757073B2 (en) * 2012-11-06 2017-09-12 Koninklijke Philips N.V. Fractional flow reserve (FFR) index
US20140341453A1 (en) * 2013-05-17 2014-11-20 Bailing Hsu Myocardial blood flow quantitation with dynamic spect or spect/ct imaging
US9087147B1 (en) * 2014-03-31 2015-07-21 Heartflow, Inc. Systems and methods for determining blood flow characteristics using flow ratio
WO2015164086A1 (en) * 2014-04-22 2015-10-29 Siemens Aktiengesellschaft Method and system for hemodynamic computation in coronary arteries
CN103932694A (zh) * 2014-05-07 2014-07-23 霍云龙 精确诊断心肌血流储备分数（ffr）的方法和设备
EP3218829B1 (en) * 2014-11-14 2020-10-28 Koninklijke Philips N.V. Percutaneous coronary intervention (pci) planning interface and associated devices, systems, and methods
JP6539736B2 (ja) * 2014-11-14 2019-07-03 シーメンス ヘルスケア ゲゼルシヤフト ミツト ベシユレンクテル ハフツング 純粋幾何学的機械学習に基づいて血流予備量比を求める方法及びシステム
CN105078425B (zh) * 2015-09-09 2016-06-08 苏州润心医疗科技有限公司 冠状动脉负荷检测系统及检测方法
US10517678B2 (en) * 2015-10-02 2019-12-31 Heartflow, Inc. System and method for diagnosis and assessment of cardiovascular disease by comparing arterial supply capacity to end-organ demand
JP6818492B2 (ja) * 2015-10-05 2021-01-20 キヤノンメディカルシステムズ株式会社 画像処理装置、画像処理方法、及びプログラム
CN105326486B (zh) * 2015-12-08 2017-08-25 博动医学影像科技（上海）有限公司 血管压力差与血流储备分数的计算方法及系统
CN105559810B (zh) * 2015-12-10 2017-08-08 博动医学影像科技（上海）有限公司 血管单位时间血流量与血流速度的计算方法
CN106327487B (zh) * 2016-08-18 2018-01-02 苏州润迈德医疗科技有限公司 基于x射线冠脉造影图像的冠状动脉血流储备分数计算方法
CN106650267B (zh) * 2016-12-28 2020-03-17 北京昆仑医云科技有限公司 计算血流储备分数的系统和设置边界条件的方法
CN107978371B (zh) * 2017-11-30 2021-04-02 博动医学影像科技（上海）有限公司 快速计算微循环阻力的方法及系统
CN108186038B (zh) * 2018-02-11 2020-11-17 杭州脉流科技有限公司 基于动脉造影影像计算冠脉血流储备分数的系统
CN108511075B (zh) * 2018-03-29 2022-10-25 杭州脉流科技有限公司 一种非侵入式获取血流储备分数的方法和系统
CN108735270A (zh) * 2018-05-25 2018-11-02 杭州脉流科技有限公司 基于降维模型的血流储备分数获取方法、装置、系统和计算机存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9974508B2 (en) * 2011-09-01 2018-05-22 Ghassan S. Kassab Non-invasive systems and methods for determining fractional flow reserve
CN104036107A (zh) * 2013-03-04 2014-09-10 西门子公司 确定狭窄的功能性严重程度
CN108348206A (zh) * 2015-11-05 2018-07-31 皇家飞利浦有限公司 用于无创血流储备分数(ffr)的侧支流建模
CN106023202A (zh) * 2016-05-20 2016-10-12 苏州润心医疗科技有限公司 基于心脏ct图像的冠状动脉血流储备分数计算方法
CN106473731A (zh) * 2016-10-25 2017-03-08 北京工业大学 基于个性化冠状动脉分支血流量的ffrct计算方法
CN108550189A (zh) * 2018-05-03 2018-09-18 苏州润迈德医疗科技有限公司 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

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2022522051A (ja) * 2019-04-15 2022-04-13 博動医学影像科技（上海）有限公司 冠血流量及び血流速度の取得方法並びに装置
JP7227400B2 (ja) 2019-04-15 2023-02-21 上海博動医療科技股▲分▼有限公司 冠血流量及び血流速度の取得方法並びに装置
WO2022197165A1 (ko) * 2021-03-19 2022-09-22 제주대학교 산학협력단 관상동맥 협착의 중증도 평가에 필요한 정보를 제공하는 방법

Also Published As

Publication number Publication date
JP2022508238A (ja) 2022-01-19
CN111227822B (zh) 2022-02-11
US11896416B2 (en) 2024-02-13
JP7236768B2 (ja) 2023-03-10
CN111227822A (zh) 2020-06-05
US20210275124A1 (en) 2021-09-09

Similar Documents

Publication Publication Date Title
WO2020107667A1 (zh) 基于心肌血流量和ct图像的冠状动脉血流储备分数计算方法
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
JP7236769B2 (ja) 心筋血流量及びｃｔ画像に基づく微小循環抵抗指数の計算方法
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
US10460204B2 (en) Method and system for improved hemodynamic computation in coronary arteries
CN106023202B (zh) 基于心脏ct图像的冠状动脉血流储备分数计算方法
CN104768465B (zh) 血流储备分数(ffr)指标
JP5953438B2 (ja) 冠状動脈を通る血流量を決定する方法
JP6484760B2 (ja) 非侵襲的血流予備量比（ｆｆｒ）に対する側副血流モデル化
CN108122616B (zh) 个体特异性的心血管模型的生成方法及其应用
EP3140757A1 (en) Method and system for non-invasive functional assessment of coronary artery stenosis using flow computations in diseased and hypothetical normal anatomical models
JP6749917B2 (ja) ｉＦＲ−ＣＴ
US11039804B2 (en) Apparatus and method for determining a fractional flow reserve
WO2020102154A1 (en) Noninvasive quantitative flow mapping using a virtual catheter volume
WO2020215442A2 (zh) 一种通过常规造影图像测量出血流储备分数的方法
CN112704505B (zh) 一种利用cta和dsa测量冠状动脉血流储备分数的方法
CN112690814B (zh) 一种低误差的冠状动脉血流储备分数测量方法
US10332255B2 (en) Method for assessing stenosis severity in a lesion tree through stenosis mapping
JP2023551132A (ja) 視覚化のための方法及びシステム

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19889738

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2021529763

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19889738

Country of ref document: EP

Kind code of ref document: A1