[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

说明书

本发明公开了一种预测血流矢量路径上的血流特征的深度学习模型，所述深度学习模型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；所述深度学习模型包括支持向量机；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。该深度学习模型整合了使用者的血管的结构特征、生理特征以及个体特征，进而能够较精确地预测血流矢量路径上的血流特征。

技术领域

本发明属于人工智能领域，具体涉及一种预测血流矢量路径上的血流特征的深度学习模型，以及一种预测血流矢量路径上的血流特征的装置。

背景技术

血流特征在医学上具有很重要的引导意义，血流储备分数(Fraction FlowReverse，FFR)是一种冠脉狭窄功能性评价的参数，定义为:在冠状动脉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。在静脉注射腺苷诱导时血管处于最大充血状态下，上述比值可以通过患者狭窄远端压强与主动脉部位压强之比来计算。

现有的测量FFR的方式有两种，一种是侵入式测试FFR，如诊断性心导管插入术，需要进行常规冠状动脉血管造影(CCA)以使冠状动脉病变可视化，同时在静脉内施用腺苷诱导的条件下(冠状动脉处于最大充血状态)，计算由压强传感器获取的冠状动脉狭窄近端压强和心脏主动脉压强的比值从而得到FFR。侵入式测试FFR既增加患者的生命安全风险，又增加医疗费用，造成经济负担。

另一中是非侵入式测试FFR，如图像造影技术，基于患者的心血管特异性解剖图像获取心血管解剖模型，再使用三维计算流体力学(CFD)方法，在心血管解剖模型的基础上使用具有生理学边界条件和参数进行模拟获取FFR，以便降低诊断的风险和费用。该方法缺陷在于时间长，且需要专业的工程技术，因此无法被广泛使用。

申请公布号为CN106980899A的专利申请公开了一种预测血管树血管路径上的血流特征的深度学习模型和系统，该深度学习模型接收的是所述血管路径上的点序列的影像特征、结构特征和功能特征中的至少一种特征，输出的是所述血管路径上的所述点序列的血流特征，并且所述深度学习模型由递归神经网络建立，或者由多层神经网络与递归神经网络依序组合而成。该深度学习模型仅以从影像特征和结构特征以及功能特征作为输入，并没有结合人体的生理信息和其他与生活环境相关的信息，因此，与侵入式测试获得的血流特征相比，利用该专利申请中的深度学习模型获得的血流特征存在一定差异。

发明内容

本发明的目的是提供了一种预测血流矢量路径上的血流特征的深度学习模型，该深度学习模型整合了使用者的血管的结构特征、生理特征以及个体特征，进而能够较精确地预测血流矢量路径上的血流特征。

本发明的另一目的是提供一种预测血流矢量路径上的血流特征的装置。

为实现上述发明目的，提供以下技术方案：

一种预测血流矢量路径上的血流特征的深度学习模型，所述深度学习模型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；

所述深度学习模型包括支持向量机(Supported Vector Machine，SVM)；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。

经研究，人体的生理特征和个体特征会对人体的血流特征造成一定的影响，本发明在获取血流特征的时候，综合考虑了生理特征和个体特征以及血流矢量路径上的各点的血流特征，使得最后预测的血流特征更精确，更接近于利用侵入式方式测量的血流特征，且能够避免有创测量带给使用者的安全隐患。

优选地，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。