【技术实现步骤摘要】
基于GAN血流储备分数预测方法、装置、设备及介质
本专利技术涉及到医学检测领域，特别是涉及到一种基于GAN血流储备分数预测方法、装置、设备及介质。
技术介绍
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。FFR＝Pd/Pa(Pd为指引导管测量的冠脉狭窄远端压力，Pa为压力导丝测量的主动脉压)一般来说，FFR是指最大充血状态下，不存在“静息FFR”这个概念。正常的心外膜冠状动脉对血流的阻力很小，FFR的正常值为1.0；FFR的值将小于1....
【技术保护点】
1.一种基于GAN血流储备分数预测方法，其特征在于，包括如下步骤：通过GAN模型中的生成网络模型以及目标指定区域的血管特征向量计算出所述目标指定区域血管的血流储备分数计算值；获取所述目标指定区域的血管通过有创测试方式测得的血流储备分数有创测量值；将所述血流储备分数计算值和血流储备分数有创测量值分别作为GAN模型中的判别网络模型的输入向量，并对所述GAN模型进行迭代训练；根据训练完毕的GAN模型对患者指定区域血管的血流储备分数进行预测换算。
【技术特征摘要】
1.一种基于GAN血流储备分数预测方法，其特征在于，包括如下步骤：通过GAN模型中的生成网络模型以及目标指定区域的血管特征向量计算出所述目标指定区域血管的血流储备分数计算值；获取所述目标指定区域的血管通过有创测试方式测得的血流储备分数有创测量值；将所述血流储备分数计算值和血流储备分数有创测量值分别作为GAN模型中的判别网络模型的输入向量，并对所述GAN模型进行迭代训练；根据训练完毕的GAN模型对患者指定区域血管的血流储备分数进行预测换算。2.根据权利要求1所述的基于GAN血流储备分数预测方法，其特征在于，在所述通过GAN模型中的生成网络模型以及目标指定区域的血管特征向量计算出所述目标指定区域血管的血流储备分数计算值的步骤之前，还包括步骤：提取冠脉CT图像中指定区域的血管特征值，并整合为血管特征向量，其中，所述血管特征值包括：血管局部几何特征：获取血管每个横截面的半径。血管上游和下游几何特征：狭窄近端半径、狭窄入口长度、最小半径区域长度、狭窄出口长度、半径减小比率：其中，rr表示半径减小比率；rs表示狭窄的最小半径；rp表示接近狭窄的节段的正常半径；rd表示狭窄远端的正常半径。3.根据权利要求2所述的基于GAN血流储备分数预测方法，其特征在于，在所述通过GAN模型中的生成网络模型以及目标指定区域的血管特征向量计算出所述目标指定区域血管的血流储备分数计算值的步骤之前，还包括步骤：建立GAN模型，其中，建立所述GAN模型的步骤包括：设定血管特征向量的获取参数目标种类和数量；设置生成网络模型为深度卷积神经网络模型，将所述生成网络模型的神经元层设为第一输入层、第一反卷积层、第二反卷积层、第三反卷积层、第四反卷积层以及第一输出层，其中，将生成网络模型的第一输入层的人工神经元数量设置为与所述参数目标数量相同，将生成网络模型的第一反卷积层的人工神经元数量设置为256，将生成网络模型的第二反卷积层的人工神经元数量设置为64，将生成网络模型的第三反卷积层的人工神经元数量设置为16，将生成网络模型的第四反卷积层的人工神经元数量设置为4，将生成网络模型的第一输出层的人工神经元数量设置为1；设置判别网络模型为深度卷积神经网络模型，将所述判别网络模型的神经元层设为第二输入层、第一卷积层、第二卷积层、第三卷积层以及第二输出层，其中，将判别网络模型的第二输入层的人工神经元数量设置为与所述血流储备分数计算值和血流储备分数有创测量值的总数相同，将判别网络模型的第一卷积层的人工神经元数量设置为64，将判别网络模型的第二卷积层的人工神经元数量设置为16，将判别网络模型的第三卷积层的人工神经元数量设置为4，将判别网络模型的输出层的人工神经元数量设置为1。4.根据权利要求1所述的基于GAN血流储备分数预测方法，其特征在于，将所述血流储备分数计算值和血...
【专利技术属性】
技术研发人员：彭长农，王小庆，冼展超，张贺晔，高智凡，
申请(专利权)人：深圳市孙逸仙心血管医院深圳市心血管病研究所，
类型：发明
国别省市：广东,44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。