【技术实现步骤摘要】
用于引导血管中的支架植入的装置、系统和介质相关申请的交叉引用本申请要求2018年10月8日提交的美国临时申请第62/742,914号的优先权,其全部内容通过引用结合在此。
本公开一般涉及计算血流储备分数以植入支架。更具体地,本公开涉及用于引导血管中的支架植入的装置、系统和介质。
技术介绍
血流储备分数是对冠状动脉狭窄进行功能评价的金标准。然而基于压力导丝测量血流储备分数(FFR)往往是经皮侵入性的、昂贵且费时的,通常还需要配合药物诱导充血。因此,提出了不利用压力导丝的一些计算机建模技术来计算虚拟血流储备分数(VFFR)。然而,现有的模型采用简化的流体动力学方程来计算压降,该简化的流体动力学方程假设各种经验常数,且使用多尺度计算的加权平均,而经验常数的确定和权重容易发生误差。尺度的选择也是凭经验的。为了计算虚拟FFR,还需要计算一些中间特征,诸如狭窄度等。这种建模也称为基于物理的模型,无法准确地预测血流储备分数的准确度,且操作起来也不方便。近来深度学习被引入以实现FFR的准确预测,相较采用各种简化的物理建模假设的基于物理的模型而言,基于深度学习的预测模型,能够利用侵入手术得到的真实FFR值进行训练,从而预测准确度更高,并且能够利用采集更多的数据得到持续改进,例如针对不同患者群的训练数据使得其更易于适应于该患者群的FFR的预测。但是,现有技术中深度学习模型通常仅仅用于病变血管的FFR的预测,不能为血管中的支架植入提供充足引导。提供本公开是为了克服现有技术中的以上缺陷。专利技 ...
【技术保护点】
1.一种用于引导血管中的支架植入的装置,其特征在于,所述装置包括:/n接口,所述接口被配置为接收血管的2D图像序列;/n处理器,所述处理器被配置为:/n基于所述2D图像序列重建所述血管的第一3D模型;/n获取待植入支架的结构参数和待植入位置;/n基于所获取的待植入支架的结构参数和待植入位置,对所述第一3D模型进行修改以得到第二3D模型;/n基于所述第二3D模型的结构相关参数和血流相关参数,利用训练好的学习模型预测所述血管的第二血流储备分数。/n
【技术特征摘要】
20181008 US 62/742,9141.一种用于引导血管中的支架植入的装置,其特征在于,所述装置包括:
接口,所述接口被配置为接收血管的2D图像序列;
处理器,所述处理器被配置为:
基于所述2D图像序列重建所述血管的第一3D模型;
获取待植入支架的结构参数和待植入位置;
基于所获取的待植入支架的结构参数和待植入位置,对所述第一3D模型进行修改以得到第二3D模型;
基于所述第二3D模型的结构相关参数和血流相关参数,利用训练好的学习模型预测所述血管的第二血流储备分数。
2.根据权利要求1所述的装置,其特征在于,基于所获取的待植入支架的结构参数和待植入位置,对所述第一3D模型进行修改以得到第二3D模型包括:
对所述第一3D模型中所述待植入位置处的部分进行扩展以与所述待植入支架的结构参数相符,且保持该部分的曲率。
3.根据权利要求2所述的装置,其特征在于,所述待植入支架的结构参数包括待植入支架的长度和展开直径。
4.根据权利要求1所述的装置,其特征在于,所述血管的2D图像序列包括所述血管在至少两个不同投影角度的血管造影图像序列,所述处理器还配置为:基于所述血管的至少两个不同投影角度的血管造影图像序列确定流速分布,作为所述第二3D模型的血流相关参数。
5.根据权利要求4所述的装置,其特征在于,所述处理器还配置为:基于所述血管的第一3D模型的结构相关参数和血流相关参数,利用训练好的所述学习模型预测所述血管的第一血流储备分数。
6.根据权利要求1或4所述的装置,其特征在于,第一3D模型和第二3D模型各个的结构相关参数包括该3D模型沿着中心线的血管直径分布、健康直径分布、曲率分布以及光程深度分布中的至少一种。
7.根据权利要求4所述的装置,其特征在于,所述处理器还配置为:对所述血管的第一3D模型沿着中心线的直径峰值分布进行回归,来预测沿着中心线的血管的健康直径分布;基于所述血管的第一3D模型沿着中心线的直径谷值分布和健康直径分布,来确定狭窄区域。
8.根据权利要求7所述的装置,其特征在于,所述处理器还配置为:基于所确定的狭窄区域,在所述第一3D模型中确定关注区域;基于所获取的待植入支架的结构参数和待植入位置,对所述第一3D模型的所述关注区域进行修改,修改后的关注区域的3D模型作为所述第二3D模型。
9.一种用于引导血管中的支架植入的装置,其特征在于,所述装置包括:
第一获取单元,其配置为获取血管的2D图像序列;
重建单元,其配置为基于2D图像序列重建所述血管的第一3D模型;
第二获取单元,其配置为获取待植入支架的结构参数和待植入位置;
模型修改单元,其配置为:基于所获取的待植入支架的结构参数和待植入位置,对所述第一3D模型进行修改以得到第二3D模型;
预测单元,其配置为:基于所述第二3D模型的结构相关参数和血流相关参数,利用训练好的学习模型预测所述血管的第二血流储...
【专利技术属性】
技术研发人员:宋麒,尹游兵,李育威,智英轩,刘潇潇,祝烨,马斌,
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
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。