使用递归神经网络对血管的血液动力学分析制造技术

本公开涉及使用递归神经网络对血管的血液动力学分析。本发明专利技术涉及一种用于预测目标血管的(特别是主动脉的)血液动力学参数的方法和人工智能(AI)系统，以及涉及一种训练由所述AI系统包括的AI单元的计算机实现的方法。接收目标血管的血管形状模型和目标血管的对应流动分布。由AI单元基于接收到的血管形状模型和接收到的流动分布来预测至少一个血液动力学参数p

【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。使用通过机器学习(深度学习机制)训练的子系统基于输入数据集来近似辅助参数。必须精确地确定血管内部的近似辅助参数或更确切地说是血液动力学参数，否则可能会导致CDS系统或临床医生基于近似的血液动力学参数进行误诊。此外，当前针对该任务尚未提出适当的机器学习方式。这可能是因为要使用大数据来开发算法，然而大数据并不容易获得。
技术实现思路
本专利技术的目的是通过提供以下项来克服或至少减轻这些问题：根据本申请的预测目标血管的血液动力学参数的方法；和用于预测目标血管的血液动力学参数的AI系统；以及根据本申请的训练由所述AI系统包括的AI单元的计算机实现的方法。根据本专利技术的第一方面，一种预测目标血管的血液动力学参数pk的方法包括以下步骤：-接收目标血管的血管形状模型。-接收目标血管的对应流动分布。-由人工智能(AI)单元基于接收到的血管形状模型和接收到的流动分布来预测至少一个血液动力学参数pk。根据本专利技术的第二方面，一种用于预测目标血管的血液动力学参数(pk)的AI系统被布置并且配置成执行根据本专利技术的第一方面的方法。AI系统包括第一接口、第二接口和AI单元。第一接口被布置和配置成接收目标血管的血管形状模型。第二接口被布置和配置成接收目标血管的对应的流动分布。AI单元通信上连接至第一接口和第二接口。AI单元被布置和配置成基于所接收到的血管形状模型和所接收到的流动分布来预测至少一个血液动力学参数(pk)。根据本专利技术的第三方面，一种计算机程序包括指令，所述指令在由计算机执行程序时，使计算机执行根据本专利技术的第一方面的方法的步骤。根据本专利技术的第四方面，一种计算机可读介质在其上存储有根据本专利技术的第三方面的计算机程序。根据本专利技术的第五方面，一种数据处理系统包括用于执行根据本专利技术的第一方面的方法的步骤的装置。本专利技术分别提供了一种用于使用AI单元以及特别地使用如长短期记忆(LSTM)网络的递归神经网络(RNN)的血液动力学参数预测的新颖的方法和算法。目标血管的至少一个血液动力学参数pk可以是以下项中的至少一个：收缩压、舒张压、动脉血压、平均动脉压、收缩压变化、脉压变化、心搏量(strokevolume)变化、右心房压、右心室压、肺动脉压、平均肺动脉压、肺动脉楔压、左动脉压、心输出量、心脏指数、心搏量、全身血管阻力、全身血管阻力指数、肺血管阻力、肺血管阻力指数、左心室每搏作功、左心室每搏作功指数、右心室每搏作功、右心室每搏作功指数、冠状动脉灌注压、右心室舒张末期容积、右心室收缩末期容积、右心室射血分数等。目标血管可以是作为诊断或计划干预的受试者的人体或动物体的任何血管或这样的血管的一部分或部分。特别地，目标血管可以是主动脉或更确切地说是患者的主动脉的一部分。目标血管的血管形状模型是用于预测目标血管的至少一个血液动力学参数的第一输入。目标血管的血管形状模型可以是表示任何种类的多边形网格的数据集。例如，数据集包括形成二维(2D)或三维(3D)网格的一组顶点、三角形和/或多边形。血管形状模型或数据集还可以包括由顶点、四面体、六面体或其他3D元素形成的体积网格。优选地，血管形状模型包括3D血管——特别是主动脉——的表面的分割，其中，该表面是从图像数据集得到的。例如，从显示患者的主动脉的图像数据集中提取血管形状模型。此外，血管形状模型可以包括从目标血管的入口延伸至出口的中心线以及目标血管的对应直径，其中该中心线贯穿沿目标血管的所有中心点。目标血管的对应流动分布是用于预测目标血管的至少一个血液动力学参数的第二输入。目标血管的对应流动分布包括目标血管中的血流的特征。优选地，流动分布包括至少三个特征以及多达100个特征。最优选地，流动分布包括16个特征。例如，流动分布可以包括血流速度、基于血流速度计算的得到的特征如二次流度等、如输入流动速率、输出流动速率等的边界状况。流动分布可以包括仅针对目标血管的入口或更确切地说针对目标血管的血管形状模型的入口处的血管形状点的所述特征。基于血管形状模型以及目标血管(入口处)的对应流动分布中包含的信息和特征来预测至少一个血液动力学参数。特别地，可以在血管形状模型的至少一个血管形状点处基于至少一个血管形状点的三个坐标x、y、z和目标血管的相应半径r以及基于目标血管的入口处的流动分布(例如，血流速度)的特征来预测至少一个血液动力学参数。经由AI系统的第一接口来提供目标血管的血管形状模型。经由AI系统的第二接口来提供目标血管的对应流动分布。所述第一输入和第二输入被转发至AI系统的AI单元。至少一个血液动力学参数由AI单元来预测。可以是人工神经网络(ANN)的AI单元被训练用于基于目标血管的血管形状模型和(入口处的)对应流动分布来预测血液动力学参数。人工神经网络(ANN)是受构成动物大脑的生物神经网络启发的系统，特别是计算系统。ANN通常在无需利用任何特定于任务的规则进行设计的情况下通过考虑(被标记的)示例或训练数据来“学习”执行任务。在最初的学习或训练阶段期间，ANN根据(被标记的)训练数据自动生成识别特性。ANN包括被称为人工神经元的连接节点的集合，这些人工神经元粗略地对生物大脑中的神经元进行建模。每个连接(生物大脑中的突触)可以将信号从一个节点传送至另一个节点。接收信号的节点可以对信号进行处理，然后向与该节点连接的后续神经元发信号。在常见的ANN实现方式中，节点之间的连接处的信号为实数(例如，0、...、本文档来自技高网...

【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