【技术实现步骤摘要】
一种血流储备分数测量方法及装置
本专利技术涉及到医学检测领域，特别是涉及到一种血流储备分数测量方法及装置。
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....
【技术保护点】
1.一种血流储备分数测量方法，其特征在于，包括如下步骤：/n通过人工神经网络，建立冠状动脉的血管特征向量和血流储备分数之间对应关系的对应关系；其中，所述人工神经网络包括第一生成网络，第二生成网络，第一判别网络，以及第二判别网络；具体地，将第一生成网络和第一判别网络通过样本数据训练获得第二生成网络的网络参数，将第二生成网络和第二别网络通过所述样本数据训练，获得所述对应关系；其中，所述样本数据为所述血管特征向量和所述血流储备分数；/n获取患者当前血管特征向量，具体地，根据患者的冠状动脉计算机断层扫描图像，获取所述当前血管特征向量；/n通过所述对应关系，确定与所述当前血管特征向量...
【技术特征摘要】
1.一种血流储备分数测量方法，其特征在于，包括如下步骤：
通过人工神经网络，建立冠状动脉的血管特征向量和血流储备分数之间对应关系的对应关系；其中，所述人工神经网络包括第一生成网络，第二生成网络，第一判别网络，以及第二判别网络；具体地，将第一生成网络和第一判别网络通过样本数据训练获得第二生成网络的网络参数，将第二生成网络和第二别网络通过所述样本数据训练，获得所述对应关系；其中，所述样本数据为所述血管特征向量和所述血流储备分数；
获取患者当前血管特征向量，具体地，根据患者的冠状动脉计算机断层扫描图像，获取所述当前血管特征向量；
通过所述对应关系，确定与所述当前血管特征向量对应的当前血流储备分数。
2.根据权利要求1所述的方法，其特征在于，所述血管特征向量包括：
血管局部几何特征，具体为：血管每个横截面的半径；
血管上游和下游几何特征，具体为：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：
式中，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1所述的方法，其特征在于，所述将第一生成网络和第一判别网络通过样本数据训练获得第二生成网络的网络参数，将第二生成网络和第二别网络通过所述样本数据训练，获得所述对应关系；其中，所述样本数据为所述血管特征向量和所述血流储备分数的步骤，包括：
对所述第一生成网络和第一判别网络通过最大化判别网络的差别能力和最小化生成网络的分布损失函数来独立进行迭代训练，至所述第一生成网络生成的血流储备分数在所述第一判别网络中的判别输出概率值接近0.5；
依据所述第一判别网络中的前三层网络层的人工神经元参数甚至所述第二生成网络的前三层网络层的人工神经元参数；
对所述第二生成网络和第二判别网络通过最大化判别网络的差别能力和最小化生成网络的分布损失函数来独立进行迭代训练，至所述第二生成网络生成的血流储备分数在所述第二判别网络中的判别输出概率值接近0.5。
4.根据权利要求3所述的方法，其特征在于，
所述第一生成网络包括：第一输入层、第一反卷积层G1、第二反卷积层G1、第三反卷积层G1、第四反卷积层G1以及第一输出层，其中，所述第一输入层的人工神经元数量与样本数据中的血管特征向量数量相同，第一反卷积层G1的人工神经元数量为512，第二反卷积层G1的人工神经元数量为256，第三反卷积层G1的人工神经元数量为128，第四反卷积层G1的人工神经元数量为64，第一输出层的人工神经元数量为1。
5.根据权利要求3所述的方法，其特征在于，
所述第一判别网络包括：第二输入层、第一卷积层D1、第二卷积层D1、第三卷积层...
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。