基于PINN神经网络的血流储备分数的预测方法技术

本发明专利技术属于血流动力学技术领域，公开了基于PINN神经网络的血流储备分数的预测方法，包括S1、根据血液动力学模拟选择与血流场动力学相关的三维冠状动脉CT图像的几何特征作为PINN网络的训练数据集；S2、数据集经预处理后建立训练集、测试集和验证集；S3、将训练集的数据在PINN神经网络模型进行训练，经过多次的迭代和更新，得到关于三维冠状动脉CT图像和FFR值的PINN神经网络模型；S4、利用三维冠状动脉CT图像和FFR值的PINN神经网络模型，输入三维冠状动脉CT图像，预测得到对应的FFR值；本发明专利技术利用PINN神经网络的自学习能力，通过建立三维CT冠状动脉图像和FFR之间的对应关系，达到非侵入式计算FFR值的目的。

【技术实现步骤摘要】

本专利技术涉及血流动力学，具体为一种基于pinn神经网络的血流储备分数的预测方法。

技术介绍

1、血流储备分数(fractional flow reserve，ffr)是评估冠状动脉血流功能的重要指标，它反映了心脏供血的储备能力，是目前临床冠状动脉介入手术中判断心肌缺血可能性的重要物理定量值。

2、在目前的研究中，大多数医学图像指标与解剖结构相关，有经验的临床医生可以通过肉眼观察轻松识别。例如，临床医生可以根据超声成像中动脉的可视化来评估颈动脉内膜中层厚度，以诊断颈动脉粥样硬化疾病。然而，对于一些如组织的力学性能和血管内的压力等医学指标，很难通过裸眼量化眼睛观察医学图像。作为具有如此复杂性的关键医学指标，ffr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，用于评估病变血管功能性缺血的严重程度。但ffr的获取在技术上具有较大的难度，而且真正的ffr值的获取需要在临床上进行侵入性导管插入术，技术难度高、操作相对复杂。

3、计算机辅助医学图像处理是理解隐藏在本文档来自技高网...

【技术保护点】

1.基于PINN神经网络的血流储备分数的预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于PINN神经网络的血流储备分数的预测方法，其特征在于，在S1中，训练数据集的输入数据为冠状动脉中心线多个位置的流体动力学相关几何特征向量X，训练数据集的输出数据为通过压力导丝测量的真实冠状动脉对应点处的FFR值。

3.根据权利要求2所述的一种基于PINN神经网络的血流储备分数的预测方法，其特征在于，训练数据集的输入数据的获取方法为：对冠状动脉中心线上的任意点p，p的输入特征向量X分为三个部分X＝[Xv,Xs,Xg]；其中，局部血管特征Xv表示p周围附近的血...

【技术特征摘要】

1.基于pinn神经网络的血流储备分数的预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于pinn神经网络的血流储备分数的预测方法，其特征在于，在s1中，训练数据集的输入数据为冠状动脉中心线多个位置的流体动力学相关几何特征向量x，训练数据集的输出数据为通过压力导丝测量的真实冠状动脉对应点处的ffr值。

3.根据权利要求2所述的一种基于pinn神经网络的血流储备分数的预测方法，其特征在于，训练数据集的输入数据的获取方法为：对冠状动脉中心线上的任意点p，p的输入特征向量x分为三个部分x＝[xv,xs,xg]；其中，局部血管特征xv表示p周围附近的血管结构，包括冠状动脉横截面积、p点的最大和最小冠状动脉半径、x点与最近的上游冠状动脉分叉点之间的距离；

4.根据权利要求1所述的一种基于pinn神经网络的血流储备分数的预测方法，其特征在于，在s2中，训练集的体量占总数据集的体量50％以上，以确保训练集能够反映总数据集的特征。

5.根据权利要求1所述的一种基于pinn神经网络的血流储备分数的预测方法，其特征在于，在...

【专利技术属性】
技术研发人员：张志辉，邓丹，秦浩然，曲小龙，陈彦秀，刘修健，高智凡，张贺晔，
申请(专利权)人：中国人民解放军陆军军医大学第一附属医院，
类型：发明
国别省市：