血流参数的计算方法、装置、设备及存储介质制造方法及图纸

本发明专利技术实施例公开了一种血流参数的计算方法、装置、设备及存储介质。该方法包括：获取待检测原始图像，对所述待检测原始图像中的血管区域进行分割，得到待检测血管图像；根据所述待检测血管图像确定至少一个待检测点，并确定所述待检测血管图像中与各所述待检测点对应的待检测邻域图像；将所述待检测邻域图像输入到训练完成的预设特征提取模型中，得到输出的预设特征向量；将输出的预设特征向量输入到训练完成的神经网络模型中，得到输出的与各所述待检测点对应的血流参数。本发明专利技术实施例通过神经网络模型得到待检测点位置处的血流参数，解决了计算血流参数复杂的问题，提高了血流参数计算的准确度。数计算的准确度。数计算的准确度。

【技术实现步骤摘要】
血流参数的计算方法、装置、设备及存储介质


[0001]本专利技术实施例涉及血管影像
，尤其涉及一种血流参数的计算方法、装置、设备及存储介质。

技术介绍

[0002]计算机断层扫描(Computed Tomography，CT)和磁共振检查(Magnetic Resonance，MR)等医学影像学技术在医学诊断和治疗中发挥着重要作用。尤其是通过医学影像学技术对血管进行成像分析时，目前的现有技术主要是通过图像分割方法，对血管图像进行分割，以便医生可以清楚的观察到目标血管的形态结构，进而判断目标血管是否存在狭窄、斑块和动脉瘤等问题。进一步的，通过血流参数检测设备，如多普勒超声检查设备，可以得到被测部位的血流参数信息，医生通过结合血管的形状结构信息和血流参数信息，对被测部位进行诊断分析和制定治疗计划。
[0003]近年来随着医学的进步，医生希望能进一步了解这些血管中的血流情况，以便对疾病进行更加准确的诊断。因为血管对人体生命活动最重要的功能，只观察到血管的形态和整体上的血流参数，并不足以判断某一特定目标血管供血是否充足，或该处的血管狭窄是否是影响血流参数异常的主要原因。因此，针对每个单位血管位置处的血流动力学参数的研究越来越受到重视。
[0004]目前，研究血流动力学参数的现有技术，计算过程复杂，可操作性性不强，且计算结果的准确度不高，从而影响诊断和治疗效果。

技术实现思路

[0005]本专利技术实施例提供了一种血流参数的计算方法、装置、设备及存储介质，以降低血流参数计算的复杂度，同时提高血流参数计算的准确度。
[0006]第一方面，本专利技术实施例提供了一种血流参数的计算方法，该方法包括：
[0007]获取待检测原始图像，对所述待检测原始图像中的血管区域进行分割，得到待检测血管图像；
[0008]根据所述待检测血管图像确定至少一个待检测点，并确定所述待检测血管图像中与各所述待检测点对应的待检测邻域图像；
[0009]将所述待检测邻域图像输入到训练完成的预设特征提取模型中，得到输出的预设特征向量；
[0010]将输出的预设特征向量输入到训练完成的神经网络模型中，得到输出的与各所述待检测点对应的血流参数。
[0011]第二方面，本专利技术实施例还提供了一种血流参数的计算装置，该装置包括：
[0012]待检测血管确定模块，用于获取待检测原始图像，对所述待检测原始图像中的血管区域进行分割，得到待检测血管图像；
[0013]待检测邻域图像确定模块，用于根据所述待检测血管图像确定至少一个待检测
点，并确定所述待检测血管图像中与各所述待检测点对应的待检测邻域图像；
[0014]预设特征向量输出模块，用于将所述待检测邻域图像输入到训练完成的预设特征提取模型中，得到输出的预设特征向量；
[0015]血流参数输出模块，用于将输出的预设特征向量输入到训练完成的神经网络模型中，得到输出的与各所述待检测点对应的血流参数。
[0016]第三方面，本专利技术实施例还提供了一种电子设备，该电子设备包括：
[0017]一个或多个处理器；
[0018]存储器，用于存储一个或多个程序；
[0019]当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述所涉及的任一所述的血流参数的计算方法。
[0020]第四方面，本专利技术实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行上述所涉及的任一所述的血流参数的计算方法。
[0021]本专利技术实施例通过对待检测邻域图像进行特征提取，并将提取得到的特征向量输入到神经网络模型中，得到各待检测点位置处的血流参数，解决了计算血流参数复杂的问题，提高了血流参数计算的准确度。
附图说明
[0022]图1是本专利技术实施例一提供的一种血流参数的计算方法的流程图；
[0023]图2是本专利技术实施例一提供的一种血流参数的计算方法的具体实例流程图；
[0024]图3是本专利技术实施例二提供的一种血流参数的计算方法的流程图；
[0025]图4是本专利技术实施例二提供的一种待训练网格的示意图；
[0026]图5是本专利技术实施例二提供的一种强化学习模型的训练方法的流程图；
[0027]图6是本专利技术实施例三提供的一种血流参数的计算装置的示意图；
[0028]图7是本专利技术实施例四提供的一种电子设备的结构示意图。
具体实施方式
[0029]下面结合附图和实施例对本专利技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本专利技术，而非对本专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本专利技术相关的部分而非全部结构。
[0030]实施例一
[0031]图1是本专利技术实施例一提供的一种血流参数的计算方法的流程图，本实施例可适用于计算采集到的血管图像中各位置处的血流参数的情况，该方法可以由血流参数的计算装置来执行，该装置可采用软件和/或硬件的方式实现，该装置可以配置于终端设备中。具体包括如下步骤：
[0032]S110、获取待检测原始图像，对待检测原始图像中的血管区域进行分割，得到待检测血管图像。
[0033]其中，待检测原始图像包括通过成像设备采集到的血管医学图像。示例性的，成像设备可以是计算机断层扫描设备、核磁共振设备、基于X光的数字血管造影设备和超声设
备。
[0034]其中，待检测血管图像中包含血管。示例性的，对血管区域进行分割的方法包括但不限于基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法、基于遗传算法的分割方法和基于主动轮廓模型的分割方法中至少一种。
[0035]S120、根据待检测血管图像确定至少一个待检测点，并确定待检测血管图像中与各待检测点对应的待检测邻域图像。
[0036]其中，待检测点可以是待检测血管图像上的任意一个待检测点，示例性的，待检测点可以是血管中心线上的点，也可以是血管表面上的点，当然还可以是血管特殊结构上的点，如血管分叉位置处。其中，待检测点可以是待检测血管图像上的一个像素点，也可以是预设范围内的多个像素点共同构成该待检测点。此处对待检测点包含的像素点个数不作限定。
[0037]在一个实施例中，可选的，对待检测血管图像进行中心线提取得到待检测中心线图像，并对待检测中心线图像进行处理得到至少一个待检测点。其中，待检测中心线图像包含血管中心线。示例性的，提取中心线的方法包括但不限于基于拓扑细化方法、基于追踪方法、最短路径方法、基于距离变换方法和类似区域生长算法中至少一种。
[0038]在一个实施例中，可选的，处理的方法包括平滑处理和归一化处理。其中，示例性的，平滑处理的方法可以是均值滤波方法、中值滤波方法、高斯滤波方法、双边滤波方法和卡尔曼滤波方法。其中，示例性的，归一化处理方法可以是线性函数转换法、对数函数转换法和反余切函数转换法等。
[0039]在本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种血流参数的计算方法，其特征在于，包括：获取待检测原始图像，对所述待检测原始图像中的血管区域进行分割，得到待检测血管图像；根据所述待检测血管图像确定至少一个待检测点，并确定所述待检测血管图像中与各所述待检测点对应的待检测邻域图像；将所述待检测邻域图像输入到训练完成的预设特征提取模型中，得到输出的预设特征向量；将输出的预设特征向量输入到训练完成的神经网络模型中，得到输出的与各所述待检测点对应的血流参数。2.根据权利要求1所述的方法，其特征在于，所述根据所述待检测血管图像确定至少一个待检测点，包括：对所述待检测血管图像进行中心线提取得到待检测中心线图像，并对所述待检测中心线图像进行处理得到至少一个待检测点。3.根据权利要求1所述的方法，其特征在于，所述预设特征提取模型包括图像特征提取模型，相应的，所述预设特征向量包括图像特征向量。4.根据权利要求3所述的方法，其特征在于，所述预设特征提取模型还包括生理特征提取模型，相应的，所述预设特征向量还包括生理特征向量，所述方法还包括：获取与各所述待检测点对应的生理参数测量值，并将所述生理参数测量值输入到训练完成的生理特征提取模型中得到输出的生理特征向量。5.根据权利要求1所述的方法，其特征在于，还包括：获取待训练原始图像，对所述待训练原始图像中的血管区域进行分割，得到待训练血管图像；根据所述待训练血管图像确定至少一个待训练点，并确定所述待训练血管图像中与各所述待训练点对应的待训练邻域图像；将所述待训练邻域图像输入到初始预设特征提取模型中，得到输出的初始预设特征向量；将输出的初始预设特征向量输入到初始神经网络模型中，并基于初始神经网络模型的输出结果和标准训练参数，对初始预设特征提取模型和初始神经网络模型的模型参数进行调整，以得到训练完成的预设特征提取模型和神经网络模型。6.根据权利要求5所述...

【专利技术属性】
技术研发人员：王晓东，袁绍锋，郭宇翔，
申请(专利权)人：上海联影医疗科技股份有限公司，
类型：发明
国别省市：