[发明专利]基于医学图像预测血流特征的装置及系统

说明书

本发明公开了一种基于医学图像预测血流特征的装置及系统，所述装置包括存储器和处理器，所述存储器上存储有计算机可执行指令，所述处理器执行所述计算机可执行指令时，实现如下步骤：获取血管树的图像块和血管相关特征；基于所获取的血管树的图像块和血管相关特征两者，利用学习网络来计算所述血管树的第二血流特征。该装置能够根据采集的目标对象(如人体或动物身体的某个部位)的血管的医学图像的图像信息和血管相关特征两者来对该目标对象的血流特征进行精准的预测，如预测目标对象的血流储备分数(FFR)等血流特征，以根据血流储备分数帮助用户对目标对象进行相应的病理判断或其他处理。

技术领域

本发明涉及人工智能领域，特别涉及一种基于医学图像预测血流特征的装置，一种基于医学图像预测血流特征的系统以及一种计算机可读存储介质。

背景技术

近期的研究表明，基于血流储备分数(FFR)的血液动力学特性是用以确定、评估动脉疾病患者的最佳治疗方式的重要指标。大量的临床试验证明，FFR可以很好地指导冠状动脉狭窄及其他血管疾病的治疗。对于心血管疾病，如果FFR值大于0.8，则选择药物治疗，如果FFR值小于等于0.8则采用介入治疗的方法。包括FFR在内的各种血流特征为医生进行心血管诊断时提供重要的参考。

侵入式定量测量、评估人体血管疾病是现在临床的金标准。虽然人们试图引入非侵入式方法来评估人体的血流特征及血管疾病，但由于计算负担过重、计算耗时太长和评估结果不准确的原因，难以在临床环境中执行。

发明内容

本发明人发现，目前在使用各种模拟手段来预测目标对象(如病人的某个器官)的血流特征时，由于多数目标对象具有复杂的血管路径，众多血管路径形成的血管树的结构也非常复杂，现有手段预测血流储备分数(FFR)等血流特征极不准确。特别是，血管树中包括了很多的血管分叉或转弯结构的血管路径，在此血管分叉处或者转弯结构处由于涉及了不同的血管，各个血管对此处均有影响，此处的血流特征极不容易被预测，从而很难获取到精确的血流储备分数(FFR)等血流特征。

本发明的目的在于提供一种基于医学图像预测血流特征的装置及系统，其能够基于血管树的树形结构上的特征分布，对血管树进行全局优化并一次预测血管树上的血流特征。该装置例如能够利用树结构递归神经网络建立学习模型，进而使用学习模型精确且迅速地计算血管树上的血流特征(例如血流储备分数等)。

根据本发明的第一方案，提供一种基于医学图像预测血流特征的装置，所述装置包括存储器和处理器，所述存储器上存储有计算机可执行指令，所述处理器执行所述计算机可执行指令时，实现如下步骤：

获取血管树的图像块和血管相关特征；

基于所获取的图像块和血管相关特征两者，利用学习网络来计算所述血管树的第二血流特征。

作为优选，所述学习网络包括依序连接的多模型神经网络和树结构递归神经网络

作为优选，所述血管相关特征包括第一血流特征、血管结构特征和衍生特征中的至少一种，所述第一血流特征和所述第二血流特征均包括血流储备分数、血流量、血流速度、微血管阻力和血流压力降中的至少一种。

作为优选，所述血管树的血管相关特征通过如下的任何一种或其组合来得到：通过对医学图像进行三维重建来得到；通过测量得到；对医学图像进行流体仿真模拟计算来得到。

作为优选，所述多模型神经网络包括卷积神经网络和多层神经网络。

作为优选，所述图像块为2D图像块或3D图像块。

作为优选，所述图像块是沿血管树的中心线取得的图像块。

作为优选，所述树结构递归神经网络的树形结构与血管树的树形结构相对应。

作为优选，所述树结构递归神经网络包括数个递归神经网络，以沿不同方向计算血管树的所述第二血流特征。