[发明专利]基于GAN血流储备分数预测方法、装置、设备及介质

权利要求书

1.一种基于GAN血流储备分数预测方法，其特征在于，包括如下步骤：

提取冠脉CT图像中指定区域的血管特征值，并整合为血管特征向量，其中，所述血管特征值包括：血管局部几何特征：获取血管每个横截面的半径；血管上游和下游几何特征：狭窄近端半径、狭窄入口长度、最小半径区域长度、狭窄出口长度、半径减小比率：其中，r_r表示半径减小比率；r_s表示狭窄的最小半径；r_p表示接近狭窄的节段的正常半径；r_d表示狭窄远端的正常半径；

通过GAN模型中的生成网络模型以及目标指定区域的血管特征向量计算出所述目标指定区域血管的血流储备分数计算值；

获取所述目标指定区域的血管通过有创测试方式测得的血流储备分数有创测量值；

将所述血流储备分数计算值和血流储备分数有创测量值分别作为GAN模型中的判别网络模型的输入向量，并对所述GAN模型进行迭代训练；具体地，分别交替对GAN模型中的生成网络模型和判别网络模型通过最大化判别网络模型的差别能力和最小化生成网络模型的分布损失函数来独立进行迭代训练，至所述生成网络模型生成的血流储备分数计算值在判别网络模型中的判别输出概率值接近0.5；所述判别网络模型的迭代训练步骤包括，将由血管特征向量计算得出的血流储备分数计算值设为假样本集，并将假样本集的所有类标签设为0；将通过有创检测得出的血流储备分数有创测量值设为真样本集，并将真样本集的所有类标签设为1；输入血管特征向量和血流储备分数有创测量值，通过比较判别网络模型输出的值与1的直接差值调整权重，使判别网络模型输出的值接近1，和/或，输入血管特征向量和血流储备分数计算值，比较判别网络模型输出的值与0的直接差值调整权重，使判别网络模型输出的值接近1；所述生成网络模型的迭代训练步骤包括，固定所述判别网络模型的计算参数；输入血管特征向量并进行初始计算得到初始血流储备分数计算值，将所述初始血流储备分数计算值的标签设为1；通过比较所述生成网络模型输出的血流储备分数计算值与血流储备分数有创测量值之间的差值调整权重，使所述生成网络模型输出的血流储备分数计算值接近血流储备分数有创测量值，和/或，将血管特征向量和所述生成网络模型输出的血流储备分数计算值输入到判别网络模型中，根据判别网络模型输出的值与1的直接差值对生成网络模型的权重进行调整，使所述生成网络模型的输出的血流储备分数计算值在所述判别网络模型的判别结果接近1；其中，训练评估函数为：

式中，Pdata(x)为血流储备分数有创测量值的分布函数，x为Pdata(x)的样本值，P(z)为血流储备分数计算值的分布函数，z为P(z)的样本值，G(z)为生成网络模型，D(x)为判别网络模型；

根据训练完毕的GAN模型对患者指定区域血管的血流储备分数进行预测换算。