【技术实现步骤摘要】
本申请涉及血流检测，尤其是涉及一种血流速度的预测方法、装置、电子设备及存储介质。
技术介绍
1、血管造影图像中，血流速度是评估血管健康程度的一个重要功能学因素。血流速度是一个重要的力学参数，准确的流速是精准计算结果的关键。
2、现有技术中，通常使用深度学习的方法来训练深度学习模型，使用深度学习模型来预测血管的血流速度。但当前的深度学习方法中，在学习血管进出口的流场分布时，往往采用血管中每个点之间的数值作为标准。由于深度学习方法不可避免的会存在误差，因此在流场中各点均存在误差的情况下，没有定义每个点之间的流速间的相对关系，导致最后预测出流场中各点的流速可能不符合质量守恒定律或者连续性方程。因此，如何提高血流速度预测的准确性成为了不容小觑的技术问题。
技术实现思路
1、有鉴于此，本申请的目的在于提供一种血流速度的预测方法、装置、电子设备及存储介质，利用血流速度预测模型，通过给定血管入口的血流速度分布，预测出血管出口的血流速度分布。而在训练血流速度预测模型时所使用的损失函数结合了连续性方程或血流量预测误差，均可以使血流速度预测模型的预测结果更为合理，以使该血流速度预测模型在预测血管出口的血流速度分布时能保证流体流场符合质量守恒定律或者连续性方程，提高了血流速度预测的准确性。
2、第一方面，本申请实施例提供了一种血流速度的预测方法，所述预测方法包括：
3、获取离散化后的目标血管模型，按照预设分割方式将所述目标血管模型分割为多个血管段模型；
4
5、将该血管段模型的血管入口截面的入口血流速度分布以及所述几何坐标特征输入到预先训练好的血流速度预测模型中，以得到该血管段模型的血管出口截面的出口血流速度分布；其中，所述血流速度预测模型是利用预设损失函数训练得到的，所述预设损失函数包括以下各项中的至少一项：将连续性方程与原始损失函数相结合的第一损失函数、将积分式连续性方程与所述原始损失函数相结合的第二损失函数以及将血流量守恒方程与所述原始损失函数相结合的第三损失函数。
6、进一步的，通过以下步骤训练所述血流速度预测模型：
7、获取血管段样本模型；
8、对所述血管段样本模型进行离散化，得到所述血管段样本模型中的多个样本采样点，并对多个所述样本采样点进行随机采样，得到所述血管段样本模型对应的几何坐标样本特征；
9、将所述血管段样本模型的血管入口样本截面的入口样本血流速度分布、所述血管段样本模型的血管出口样本截面的出口样本血流速度分布以及所述几何坐标样本特征作为样本数据并将所述样本数据输入到血流速度原始预测模型中，对所述血流速度原始预测模型进行训练，以得到所述血流速度预测模型。
10、进一步的，所述将所述样本数据输入到血流速度原始预测模型中，对所述血流速度原始预测模型进行训练，以得到所述血流速度预测模型，包括：
11、将所述入口样本血流速度分布以及所述几何坐标样本特征输入到所述血流速度原始预测模型中，确定出所述血管出口样本截面的出口预测血流速度分布；
12、将所述出口样本血流速度分布与所述出口预测血流速度分布进行对比，使用所述预设损失函数计算当前状态下所述血流速度原始预测模型的损失值；
13、基于所述损失值不断调整所述血流速度原始预测模型的模型参数，直至所述血流速度原始预测模型达到收敛状态，得到所述血流速度预测模型。
14、进一步的，当所述预设损失函数为所述第三损失函数时，通过以下步骤计算当前状态下所述血流速度原始预测模型的损失值：
15、基于所述出口样本血流速度分布计算所述血管出口样本截面的血流量样本值；
16、基于所述出口预测血流速度分布计算所述血管出口样本截面的血流量预测值；
17、将所述血流量样本值和所述血流量预测值代入所述第三损失函数中，以得到所述损失值。
18、第二方面，本申请实施例还提供了一种血流速度的预测装置，所述预测装置包括：
19、血管模型获取模块，用于获取离散化后的目标血管模型，按照预设分割方式将所述目标血管模型分割为多个血管段模型；
20、几何坐标特征确定模块，用于针对于每个血管段模型，从所述目标血管模型表面上的多个采样点中确定出属于该血管段模型的多个目标采样点，并对多个所述目标采样点进行随机采样，得到该血管段模型对应的几何坐标特征；
21、血流速度预测模块，用于将该血管段模型的血管入口截面的入口血流速度分布以及所述几何坐标特征输入到预先训练好的血流速度预测模型中，以得到该血管段模型的血管出口截面的出口血流速度分布；其中，所述血流速度预测模型是利用预设损失函数训练得到的，所述预设损失函数包括以下各项中的至少一项：将连续性方程与原始损失函数相结合的第一损失函数、将积分式连续性方程与所述原始损失函数相结合的第二损失函数以及将血流量守恒方程与所述原始损失函数相结合的第三损失函数。
22、进一步的，所述预测装置还包括模型训练模块，所述模型训练模块用于通过以下步骤训练所述血流速度预测模型：
23、获取血管段样本模型；
24、对所述血管段样本模型进行离散化，得到所述血管段样本模型中的多个样本采样点，并对多个所述样本采样点进行随机采样，得到所述血管段样本模型对应的几何坐标样本特征；
25、将所述血管段样本模型的血管入口样本截面的入口样本血流速度分布、所述血管段样本模型的血管出口样本截面的出口样本血流速度分布以及所述几何坐标样本特征作为样本数据并将所述样本数据输入到血流速度原始预测模型中，对所述血流速度原始预测模型进行训练，以得到所述血流速度预测模型。
26、进一步的，所述模型训练模块在用于将所述样本数据输入到血流速度原始预测模型中，对所述血流速度原始预测模型进行训练，以得到所述血流速度预测模型时，所述模型训练模块还用于：
27、将所述入口样本血流速度分布以及所述几何坐标样本特征输入到所述血流速度原始预测模型中，确定出所述血管出口样本截面的出口预测血流速度分布；
28、将所述出口样本血流速度分布与所述出口预测血流速度分布进行对比，使用所述预设损失函数计算当前状态下所述血流速度原始预测模型的损失值；
29、基于所述损失值不断调整所述血流速度原始预测模型的模型参数，直至所述血流速度原始预测模型达到收敛状态，得到所述血流速度预测模型。
30、进一步的，当所述预设损失函数为所述第三损失函数时，所述模型训练模块还用于通过以下步骤计算当前状态下所述血流速度原始预测模型的损失值：
31、基于所述出口样本血流速度分布计算所述血管出口样本截面的血流量样本值；
32、基于所述出口预测血流速度分布计本文档来自技高网...
【技术保护点】
1.一种血流速度的预测方法，其特征在于，所述预测方法包括：
2.根据权利要求1所述的预测方法，其特征在于，通过以下步骤训练所述血流速度预测模型：
3.根据权利要求2所述的预测方法，其特征在于，所述将所述样本数据输入到血流速度原始预测模型中，对所述血流速度原始预测模型进行训练，以得到所述血流速度预测模型，包括：
4.根据权利要求3所述的预测方法，其特征在于，当所述预设损失函数为所述第三损失函数时，通过以下步骤计算当前状态下所述血流速度原始预测模型的损失值：
5.一种血流速度的预测装置，其特征在于，所述预测装置包括：
6.根据权利要求5所述的预测装置，其特征在于，所述预测装置还包括模型训练模块，所述模型训练模块用于通过以下步骤训练所述血流速度预测模型：
7.根据权利要求6所述的预测装置，其特征在于，所述模型训练模块在用于将所述样本数据输入到血流速度原始预测模型中，对所述血流速度原始预测模型进行训练，以得到所述血流速度预测模型时，所述模型训练模块还用于：
8.根据权利要求7所述的预测装置，其特征在于，当
9.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过所述总线进行通信，所述机器可读指令被所述处理器运行时执行如权利要求1至4任一所述的血流速度的预测方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1至4任一所述的血流速度的预测方法的步骤。
...【技术特征摘要】
1.一种血流速度的预测方法，其特征在于，所述预测方法包括：
2.根据权利要求1所述的预测方法，其特征在于，通过以下步骤训练所述血流速度预测模型：
3.根据权利要求2所述的预测方法，其特征在于，所述将所述样本数据输入到血流速度原始预测模型中，对所述血流速度原始预测模型进行训练，以得到所述血流速度预测模型，包括：
4.根据权利要求3所述的预测方法，其特征在于，当所述预设损失函数为所述第三损失函数时，通过以下步骤计算当前状态下所述血流速度原始预测模型的损失值：
5.一种血流速度的预测装置，其特征在于，所述预测装置包括：
6.根据权利要求5所述的预测装置，其特征在于，所述预测装置还包括模型训练模块，所述模型训练模块用于通过以下步骤训练所述血流速度预测模型：
7.根据权利要求6所述的预测装置，其特征在于，所述模型训...
【专利技术属性】
技术研发人员：阮伟程，马骏，兰宏志，郑凌霄，
申请(专利权)人：深圳睿心智能医疗科技有限公司，
类型：发明
国别省市：
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。