一种基于血管影像的血流储备分数计算方法技术

本发明专利技术涉及一种基于血管影像的血流储备分数计算方法，利用人工智能模型1，自动将目标血管分割为若干具有类似形态特征的血管分段，并利用人工智能模型计算各个血管分段的压降，从而获取整个血管的压力分布以及FFR，从而避免了使用压力导丝以及注入血管扩张类药物，且能够利用整个血管的压降分布信息进行虚拟介入手术（如放置支架）后血管功能恢复的评估和预演。

【技术实现步骤摘要】
一种基于血管影像的血流储备分数计算方法
本专利技术涉及医学影像，具体涉及一种基于血管影像的血流储备分数计算方法。
技术介绍
心肌血流灌注不足是引发冠心病的重要原因。血流储备分数（FractionalFlowReserve，FFR）定义为病变血管能提供的最大血流和该血管完全正常时能提供的最大血流的比值，可以测量病变血管的缺血程度和功能特性，是诊断狭窄血管缺血程度的最重要的介入诊断手段之一。FFR的常用测量方法是通过压力介入导丝或微导管在最大充血状态下测量病变狭窄远端压力和近端动脉压的比值。一般来说，血管病变狭窄远端压力不但与狭窄程度和病变有关，且与更远端的毛细血管微循环阻力相关。在最大充血条件下，可以近似认为毛细血管微循环得到了充分的扩张，因此阻力可忽略不计；在此条件下，可以近似认为血管病变狭窄远端测量得到压力或远端与近端压力比值完全反映了该血管狭窄段缺血和功能特性。然而，通过传统压力导丝测量FFR的方式有一些局限性。首先，压力导丝属于侵入式测量，且因为压力导丝为单次使用，增加了病人的额外花费，延长了介入手术时间。其次，压力导丝对于堵塞较本文档来自技高网...

【技术保护点】
1.一种基于血管影像的血流储备分数计算方法，其特征在于，其步骤如下：/n步骤S1：获取目标血管影像数据；/n步骤S2：获取主动脉或冠状动脉近端压力Pa，以及目标血管血流大小Q；/n步骤S3：基于人工智能模型1和目标血管影像数据自动分割目标血管边界，获得目标血管截面大小和形状；/n步骤S4：基于人工智能模型2和步骤S3中得到的血管边界信息将目标血管分割为若干具有固定形态的血管分段；/n步骤S5：基于人工智能模型3和目标血管血流大小Q生成每个血管分段所对应的流体模型，并计算每个血管分段的压降；/n步骤S6：根据每个血管分段的压降与近端压力Pa，计算目标血管段的任意远端截面的压力Pd，取Pd和Pa比...

【技术特征摘要】
1.一种基于血管影像的血流储备分数计算方法，其特征在于，其步骤如下：
步骤S1：获取目标血管影像数据；
步骤S2：获取主动脉或冠状动脉近端压力Pa，以及目标血管血流大小Q；
步骤S3：基于人工智能模型1和目标血管影像数据自动分割目标血管边界，获得目标血管截面大小和形状；
步骤S4：基于人工智能模型2和步骤S3中得到的血管边界信息将目标血管分割为若干具有固定形态的血管分段；
步骤S5：基于人工智能模型3和目标血管血流大小Q生成每个血管分段所对应的流体模型，并计算每个血管分段的压降；
步骤S6：根据每个血管分段的压降与近端压力Pa，计算目标血管段的任意远端截面的压力Pd，取Pd和Pa比值为计算得到的FFR。


2.根据权利要求1所述的一种基于血管影像的血流储备分数计算方法，其特征在于，所述目标血管数据为心脏冠状动脉影像数据，影像数据的获取方式包括冠脉造影、血管内光学相干断层成像（OCT）、血管内超声（IVUS）。


3.根据权利要求2所述的一种基于血管影像的血流储备分数计算方法，其特征在于，所述人工智能模型1和人工智能模型2是包含3层或以上卷积层的卷积神经网络，或其他非卷积神经网络图像处理算法。


4.根据权利要求3所述的一种基于血管影像的血流储备分数计算方法，其特征在于，所述人工智能模型2的输入为步骤S1获取的目标血管影像数据，或基于影像数据生成的图像特征。


5.根据权利要求4所述的一种基于血管影像的血流储备分数计算方法，其特征在于，所述图像特征是...

【专利技术属性】
技术研发人员：于波，王钊，侯静波，贾海波，
申请(专利权)人：成都全景恒升科技有限公司，
类型：发明
国别省市：四川;51