预测血管树血管路径上的血流特征的深度学习模型和系统技术方案

本发明专利技术公开了一种预测血管树血管路径上的血流特征的深度学习模型和系统。所述深度学习模型包括针对所述血管路径上各点设置的神经网络，接收所述血管路径上各点的影像特征、结构特征和功能特征中的至少一种作为输入，并预测所述血管路径上各点的血流特征作为输出，所述深度学习模型接收的是所述血管路径上的点序列的影像特征、结构特征和功能特征中的至少一种，输出的是所述血管路径上的所述点序列的血流特征；并且所述深度学习模型由递归神经网络建立，或者由多层神经网络与递归神经网络依序组合而成。该深度学习模型能够精确快速的预测整条血管路径上的血流特征(如血流储备分数等血流特征)，极大提高计算效率。

Deep learning model and system for predicting blood flow characteristics on vessel tree vascular pathways

The present invention discloses a depth learning model and system for predicting the characteristics of blood flow on a vessel path of a vascular tree. The model includes deep learning neural network for each point set the vessel on the path, receiving the vascular path at least one image feature, the structure characteristics and function characteristics of as input, and to predict the flow characteristics of each point on the vascular path as output, the deep learning model received at least one image feature, the vascular path points on the sequence structure and functional features of the output flow is characteristic of the sequence of the vessels on the path; and the deep learning model by the recursive neural network is established, or by the multilayer neural network and recurrent neural the network sequentially assembled. The depth learning model can predict the blood flow characteristics (such as the blood flow reserve fraction) accurately and rapidly, and greatly improve the computational efficiency.

【技术实现步骤摘要】
预测血管树血管路径上的血流特征的深度学习模型和系统
本专利技术涉及人工智能领域，特别涉及一种预测血管树的血管路径上的血流特征的深度学习模型、其建立方法、其建立装置、利用其的预测装置，以及一种用于预测血管树的血管路径上的血流特征的系统。
技术介绍
在人体生理学及流体动力学中，特别是在要求精确数据的血液动力学中，获取大量的血液在相应血管路径中不同点处的血流特征，例如血流储备分数(FractionalFlowReserve,FFR)等，具有极其重要的意义，但是目前基于人工智能方法获取血管路径中不同点处的血流特征比如血流储备分数时采用传统的机器学习方法，只考虑血管路径当前点的特征(参见AMachineLearningApproachforComputationofFractionalFlowReservefromCoronaryComputedTomography.ArticlesinPress.JApplPhysiol(April14,2016).doi:10.1152/japplphysiol.00752.2015，下文中会详述)，但是这类方法忽略了血管路径的序列关系，从而无法利用整个血本文档来自技高网...

【技术保护点】
一种预测血管树的血管路径上的血流特征的深度学习模型，所述深度学习模型包括针对所述血管路径上各点设置的神经网络，接收所述血管路径上各点的影像特征、结构特征和功能特征中的至少一种特征作为输入，并预测所述血管路径上各点的血流特征作为输出，其特征在于：所述深度学习模型接收的是所述血管路径上的点序列的影像特征、结构特征和功能特征中的至少一种特征，输出的是所述血管路径上的所述点序列的血流特征；并且所述深度学习模型由递归神经网络建立，或者由多层神经网络与递归神经网络依序组合而成。

【技术特征摘要】
1.一种预测血管树的血管路径上的血流特征的深度学习模型，所述深度学习模型包括针对所述血管路径上各点设置的神经网络，接收所述血管路径上各点的影像特征、结构特征和功能特征中的至少一种特征作为输入，并预测所述血管路径上各点的血流特征作为输出，其特征在于：所述深度学习模型接收的是所述血管路径上的点序列的影像特征、结构特征和功能特征中的至少一种特征，输出的是所述血管路径上的所述点序列的血流特征；并且所述深度学习模型由递归神经网络建立，或者由多层神经网络与递归神经网络依序组合而成。2.根据权利要求1所述的深度学习模型，其特征在于，所述递归神经网络是双向递归神经网络，所述双向递归神经网络分别包含相互独立的正向处理层和反向处理层。3.根据权利要求2所述的深度学习模型，其特征在于，所述双向递归神经网络是双向长短期记忆递归神经网络或关口循环单元。4.根据权利要求1所述的深度学习模型，其特征在于，所述点序列中各点的影像特征、结构特征和功能特征中的至少一种特征是各点的影像、结构和功能中的相应至少一种的基本特征、基于所述基本特征推导得出的派生特征、或者其中两个以上特征的组合。5.根据权利要求4所述的深度学习模型，其特征在于，所述派生特征包括当前点变型特征、上游路径累积特征与下游路径累积特征。6.根据权利要求1-5中的任一项所述的深度学习模型，其特征在于，所述递归神经网络被设置2层或3层。7.根据权利要求1所述的深度学习模型，其特征在于，所述血流特征包括血流储备分数、血流量、血流速度和血流压力降中的至少一种。8.一种建立用于预测血管树的血管路径上的血流特征的深度学习模型的方法，其特征在于，所述深度学习模型接收所述血管路径上的点序列的影像特征、结构特征和功能特征中的至少一种特征，输出所述血管路径上的点序列的血流特征，并且所述深度学习模型由所述多层神经网络与递归神经网络依序组合而成，所述方法包括以下步骤：获取所述血管路径的训练数据集，所述训练数据集包括所述血管路径上的点序列的各点的影像特征、结构特征和功能特征中的至少一种特征及相应各点的血流特征的数据对；利用所述训练数据集，训练所述深度学习模型，直到目标函数收敛。9.根据权利要求8所述的方法，其特征在于，获取所述血管路径的训练数据集的步骤为以下步骤中的任何一种或多种：提取血管路径上的点序列的各点的影像特征、结构特征和功能特征中的至少一种特征，其中，所述影像特征和结构特征从血管树的训练医疗图像提取得到，所述功能特征通过由血管树的医疗图像估算、临床检测、经验公式和仿真建模中的至少一种方式得到，并通过仿真模拟或临床检测得出血管路径上的点序列的相应各点的血流特征；调用患者的血管树的历史数据集，并从中提取所述血管路径的训练数据集。10.根据权利要求8所述的方法，其特征在于，所述方法是线下执行的。11.根据权利要求8所述的方法，其特征在于，所述血管路径上的点序列的各点的影像特征、结构特征和功能特征中的至少一种特征是各点的影像、结构和功能中的至少一种的基本特征、基于所述基本特征推导得出的派生特征、或者其中至少两个特征的组合。12.根据权利要求11所述的方法，其特征在于，所述派生特征包括当前点变型特征、上游路径累积特征与下游路径累积特征。13.根据权利要求8所述的方法，其特征在于，所述方法还包括：在训练所述深度学习模型之前，设置所述深度学习模型的相关参数，所述相关参数包括以下中的任何一种：所述多层神经网络的层的类别和层数，每层网络的点数；所述递归神经网络中隐藏层的数量，学习率，初始值。14.根据权利要求13所述的方法，其特征在于，所述深度学习模型的所述相关参数的最优值通过交叉验证来确定。15.根据权利要求8所述的方法，其特征在于，所述血流特征包括血流储备分数、血流量、血流速度和血流压力降中的至少一种。16.一种利用权利要求1-7中任何一项所述的深度学习模型来预测血管树的血管路径上的血流特征的预测装置，其特征在于，所述预测装置包括：检测图像获取单元，用于获取所述血管树的检测医学图像并传输给第二提取计算单元；所述第二提取计算单元，用于从所述检测医学图像提取各条血管路径上的点序列中各点的影像特征、结构特征和功能特征中的至少一种特征并输出；以及训练好的所述的深度学习模型，其输入连接到所述第二提取计算单元的输出，以便其基于所提取的各条血管路径上的点序列中各点的影像特征...

【专利技术属性】
技术研发人员：王昕，曹坤琳，尹游兵，李育威，武丹，
申请(专利权)人：北京昆仑医云科技有限公司，
类型：发明
国别省市：北京,11