【技术实现步骤摘要】
使用递归神经网络对血管的血液动力学分析
本专利技术涉及用于预测目标血管的血液动力学参数的方法和人工智能(AI)系统以及涉及训练由所述AI系统包括的AI单元的计算机实现的方法。
技术介绍
主动脉缩窄和主动脉瓣疾病是最常见的先天性心脏缺陷。对这些疾病的治疗决策制定是复杂的过程,并且高度取决于患者的状况。基于患者主动脉的特定于患者的血液动力学参数,可以显著改进治疗决策。评估血液动力学参数的当前临床标准是执行导管插入技术。然而,导管插入技术是一种侵入性过程,其给患者带来风险(例如,辐射、成本、并发症)。使用不同的计算流体动力学(CFD)方式的非侵入性方法正在得到广泛验证。这些方法越来越多地被考虑用来替换侵入性方法,因为它们具有较低的风险并且可以提供更全面和相关的信息。然而,这些CFD方式在计算上是昂贵的,这是在临床中实施这样的工具的限制因素。为了改进治疗决策制定,可以执行使用计算流体动力学(CFD)模拟的血液动力学分析。CFD模拟计算特定于患者的血液动力学参数,这些参数可以用于更好地评估患者的状况并且优化临床决策。然而,CFD模拟对计算的要求很高,并且每次扫描需要高达一天才能完成。这阻止基于CFD模拟的血液动力学分析在临床实践中的整合。因此,需要提供一种在不需要复杂的CFD模拟的情况下更高效地计算血液动力学参数的替选方式或方法。EP3270308A1公开了一种用于向临床决策支持(CDS)系统提供如血管内部的血液动力学参数的辅助参数的方法。血管的形状数据集从图像数据集中被提取并且被提供作为输入数据集。使 ...
【技术保护点】
1.一种预测目标血管(20)的血液动力学参数(p
【技术特征摘要】
20190611 EP 19179348.81.一种预测目标血管(20)的血液动力学参数(pk)的方法,包括以下步骤:
-接收(1)所述目标血管(20)的血管形状模型(21);
-接收(2)所述目标血管(20)的对应流动分布(22);以及
-由人工智能AI单元(10)基于接收到的血管形状模型(21)和接收到的流动分布(22)来预测(3)至少一个血液动力学参数(pk)。
2.根据权利要求1所述的方法,其中,在预测(3)的步骤中,针对所接收到的血管形状模型(21)的至少一个血管形状点(21.i)来预测所述至少一个血液动力学参数。
3.根据前述权利要求中任一项所述的方法,其中,针对所接收到的血管形状模型(21)的至少两个连续的血管形状点(21.1、...、21.N)中的每一个迭代地执行预测(3)的步骤。
4.根据前述权利要求中任一项所述的方法,其中,预测(3)的步骤包括以下迭代步骤:
-在每个迭代(i)处向所述AI单元(10)的第一输入块(11)提供(4)所接收到的血管形状模型(21)的一个血管形状点(21.i);
-在第一迭代(i=1)处向所述AI单元(10)的第二输入块(12)提供(5)所接收到的流动分布(22);
-基于所提供的一个血管形状点(21.i)以及基于所述第一迭代(i=1)处的提供的流动分布(22)或所述第一迭代之后的任何迭代(i>1)处的所述AI单元(10)的演绎块(13)的至少一个先前隐藏状态(hj,i-1),在所述演绎块(13)中生成(6)至少一个当前隐藏状态(hj,i);以及
-至少基于至少一个生成的当前隐藏状态(hj,i)的最后生成的当前隐藏状态(hM,i),在所述AI单元(10)的输出块(15)中确定(7)所述至少一个血液动力学参数(pk)。
5.根据权利要求4所述的方法,其中,生成(6)的步骤包括:
-基于所提供的一个血管形状点(21.i)以及基于所述第一迭代(i=1)处的提供的流动分布(22)或所述第一迭代之后的任何迭代(i>1)处的所述AI单元(10)的第一演绎层(13.1)的提供的第一先前隐藏状态(h1,i-1),在所述第一演绎层(13.1)中生成(6.1)第一当前隐藏状态(h1,i);
-可选地基于先前演绎层(13.j-1)的当前隐藏状态(hj-1,i)以及基于所述第一迭代(i=1)处的所述AI单元(10)的至少一个另外的演绎层(13.j)的[存储器单元(14.j)的]初始状态(sj,1)或所述第一迭代之后的任何迭代(i>1)处的所述至少一个另外的演绎层(13.j)的提供的另外的先前隐藏状态(hj,i-1),在所述至少一个另外的演绎层(13.j)中生成(6.j)至少一个另外的当前隐藏状态(hj,i);以及
-基于先前演绎层(13.M-1)的当前隐藏状态(hM-1,i)以及基于所述AI单元(10)的最后演绎层(13.M)的初始状态(sM,1)或所述最后演绎层(13.M)的提供的最后的先前隐藏状态(hM,i-1),在所述最后演绎层(13.M)中生成(6.M)最后的当前隐藏状态(hM,i)。
6.根据任一前述权利要求所述的方法,其中,所述血管形状模型(21)包括沿所述目标血管(20)的主方向的中心线(CL),并且其中,每个连续的血管形状点(21.i)包括所述中心线(CL)上的连续的中心线点(CLP.i)以及所述目标血管(20)在相应的中心线点(CLP.i)处的半径(r.i)。
7.根据权利要求1至4中任一项所述的方法,其中,所述血管形状模型(21)包括沿所述目标血管(20)的主方向的中心线(CL),并且其中,每个连续的血管形状点(21.i)包括所述中心线(CL)上的一个连续的中心线点(CLP.i)以及以球体(S.i)的形式围绕每个中心线点(CLP.i)的预定数量k个周围点(SP.ik),其中,相应的中心线点(CLP.i)位于相应的球体(S.i)的中心,
其中,生成(6)的步骤包括:
-基于所提供的包括所述相应的中心线点(CLP.i)和围绕所述中心线点(CLP.i)的k个周围点(SP.ik)的一个血管形状点(21.i)以及基于所述第一迭代(i=1)处的提供的流动分布(22)或所述第一迭代之后的任何迭代(i>1)处的所述AI单元(10)的第一演绎层(13.1)的提供的第一先前隐藏状态(h1,i-1,h1,i-1k),在所述第一演绎层(13.1)中生成(6.1)第一当前隐藏状态(h1,i,h1,ik);
-可选地基于所述先前演绎层(13.j-1)的当前隐藏状态(hj-1,i,hj-1,ik)以及基于所述第一迭代(i=1)处的所述AI单元(10)的至少一个另外的演绎层(13.j)的[存储器单元(14.j,14.jk)的]初始状态(sj,1,sj,1k)或所述第一迭代之后的任何迭代(i>1)处的所述至少一个另外的演绎层(13.j)的提供的另外的先前隐藏状态(hj,i-1,hj,i-1k),在所述至少一个另外的演绎层(13.j)中生成(6.j)至少一组另外的当前隐藏状态(hj,i,hj,ik);以及
-基于所述先前演绎层(13.M-1)的当前隐藏状态(hM-1,i,hM-1,ik)以及基于所述AI单元(10)的最后演绎层(13.M)的初始状态(sM,1,sM,1k)或所述最后演绎层(13.M)的提供的最后的先前隐藏状态(hM,i-1,hM,i-1k),在所述最后演绎层(13.M)中生成(6.M)最后的当前隐藏状态(hM,i,hM,ik),以及
其中,在确定(7)的步骤中,基于最后生成的当前隐藏状态(hM,i,hM,ik)在所述AI单元(10)的输出块(15)中确定所述至少一个血液动力学参数(pk)。
8.根据任一前述权利要求所述的方法,其中,所述流动分布(22)包括:
-对应图像数据集的方向x上的入口血流速度u;
-所述图像数据集的与所述方向x正交的方向y上的入口血流速度v;
-所述图像数据集的与所述方向x和y正交的方向z上的入口血流速度w;
-从所述入口血流速度u、v、w中的至少一个得到的可选的另外的信息,例如,二次流度;以及
-可选的边界状况。
9.根据任一前述权利要求所述的方法,其中,所述血管形状模型(21)从优选地由医学成像系统生成的图像数据集得到,并且最优选地从由四维4D磁共振成像MRI系统生成的4DMRI流动数据集中得到。
10.根据任一前述权利要求所述的方法,其中,所述流动分布(22)从优选地由医学成像系统生成的图像数据集得到,并且最优选地从由4DMRI系统生成的4DMRI流动数据集得到。
11.一种用于预测目标血管(20)的血液动力学参数(pk)的人工智能AI系统(30),所述人工智能AI系统(30)被布置和配置成执行根据任一前述权利要求所述的方法,所述人工智能AI系统(30)包括:
-第一接口(31),其被布置和配置成接收所述目标血管(20)的血管形状模型(21);
-第二接口(32),其被布置和配置成接收所述目标血管(20)的对应流动分布(22);以及
-AI单元(10),其通信上连接至所述第一接口(31)和所述第二接口(32),并且被布置和配置成基于所接收到的血管形状模型(21)和所接收到的流动分布(22)来预测至少一个血液动力学参数(pk)。
12.根据权利要求11所述的AI系统(30),其中,所述AI单元(10)包括递归神经网络RNN,并且优选地包括长短期记忆LSTM网络。
13.根据权利要求11至12中任一项所述的AI系统,其中,所述AI单元(10)包括:
-第一输入块(11),其通信上连接至所述第一接口(31),并且被布置和配置成获得在每个迭代(i)处的所接收到的血管形状模型(21)的提供的一个血管形状点(21.i);
-...
【专利技术属性】
技术研发人员:阿诺·阿林德拉·阿迪约索,
申请(专利权)人:西门子医疗有限公司,
类型:发明
国别省市:德国;DE
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。