[发明专利]预测血流矢量路径上的血流特征的深度学习模型及装置

权利要求书

1.一种预测血流矢量路径上的血流特征的深度学习装置，其特征在于，所述深度学习装置接收的是所述血流矢量路径上各点的结构特征、人体的生理特征和个体特征，输出的是所述血流矢量路径上各点的血流特征；

所述深度学习装置包括支持向量机；所述血流矢量路径上各点的结构特征、人体的生理特征以及个体特征输入到所述支持向量机后，经计算获得所述血流矢量路径上各点的血流特征；利用支持向量机对输入的个体的生理信息进行特征提取，获得所述人体的生理特征，或利用生理特征模型对输入的医学血管影像进行特征提取，获得所述人体的生理特征；

所述深度学习装置的特点在于设计和提取多维度的特征，包括结构特征、人体的生理特征和个体特征，基于多维度的特征来提高血流矢量路径上血流特征预测的准确性；

所述个体特征为对个体信息进行特征提取获得的特征，所述个体信息包括职业、是否抽烟、是否喝酒、运动状态、饮食习惯、地域；

各点的结构特征包括：血流矢量路径上点坐标，点所在位置的主次分支个数、分支长度/半径、分支半径衰减、分叉系数、分叉角度、狭窄前半径、狭窄半径衰减、狭窄长度、最小狭窄长度、狭窄中心点、狭窄半径衰减，血管中心线的横坐标、切向量、弯曲度、扭曲度；其中，结构特征一部分直接从医学血管影像中直接提取，其余部分从构建的三维血管模型间接计算获得；

所述生理信息包括：年龄、身高、体重、收缩/舒张血压、血细胞比容、血液密度、血液阻力、血液顺应性、血液流量比值、静息边界流量、边界压强。

2.如权利要求1所述的预测血流矢量路径上的血流特征的深度学习装置，其特征在于，所述血流特征包括血流储备分数、血流量、血流流速和血流压力降中的至少一种。

3.如权利要求1或2所述的预测血流矢量路径上的血流特征的深度学习装置，其特征在于，所述深度学习装置通过以下方法建立获得：

获取所述血流矢量路径上各点的结构特征、人体的生理特征和个体特征以及各点的血流特征组成一个训练样本，构成训练集；

利用所述训练集对所述深度学习装置进行训练，直到目标函数收敛或达到预设训练次数。

4.如权利要求3所述的预测血流矢量路径上的血流特征的深度学习装置，其特征在于，

利用卷积神经网络对输入的医学血管影像进行特征提取，获得所述血流矢量路径上各点的结构特征；

利用支持向量机对输入的个体信息进行特征提取，获得所述个体特征；

接收临床侵入式测量获得的各点的血流特征。

5.如权利要求4所述的预测血流矢量路径上的血流特征的深度学习装置，其特征在于，

利用全卷积网络对输入的医学血管影像进行分割后，对分割的图像进行三维重建，获得三维血管模型，然后，利用3D卷积神经网络对所述三维血管模型进行特征提取，获得所述血流矢量路径上各点的结构特征；

根据所述三维血管模型、生理学边界条件以及参数，采用3D计算流体力学方法、1D物理模型方法模拟计算得到所述各点的血流特征，或依据所述三维血管模型，利用数学模型方法计算得到所述各点的血流特征。

6.一种预测血流矢量路径上的血流特征的装置，其特征在于，包括：

检测信息获取模块，获取所述医学血管影像、个体的生理信息以及个体信息并传输至特征提取模块，其中，个体信息包括职业、是否抽烟、是否喝酒、运动状态、饮食习惯、地域；

特征提取模块，分别从所述医学血管影像、个体的生理信息以及个体信息中提取结构特征、生理特征以及个体特征并输出；

训练好的如权利要求1~5任一项所述深度学习装置，其输入连接到所述特征提取模块的输出，根据接收的结构特征、生理特征以及个体特征，来预测所述血流矢量路径上各点的血流特征。