[发明专利]用于引导血管中的支架植入的装置、系统和介质

说明书

本公开涉及一种用于引导血管中的支架植入的装置、系统和介质。装置包括：接口，接口被配置为接收血管的2D图像序列；处理器，处理器被配置为：基于2D图像序列重建血管的第一3D模型；获取待植入支架的结构参数和待植入位置；基于所获取的待植入支架的结构参数和待植入位置，对第一3D模型进行修改以得到第二3D模型；基于第二3D模型的结构相关参数和血流相关参数，利用训练好的学习模型预测血管的第二血流储备分数。该装置能够用于支架植入前的FFR预测，还能够准确方便地预测各种支架在各种位置植入血管后的FFR，预测迅速且准确，为用户在待植入支架的选择和定位以及支架植入的预后效果上提供充分且准确的引导。

相关申请的交叉引用

本申请要求2018年10月8日提交的美国临时申请第62/742,914号的优先权，其全部内容通过引用结合在此。

技术领域

本公开一般涉及计算血流储备分数以植入支架。更具体地，本公开涉及用于引导血管中的支架植入的装置、系统和介质。

背景技术

血流储备分数是对冠状动脉狭窄进行功能评价的金标准。然而基于压力导丝测量血流储备分数（FFR）往往是经皮侵入性的、昂贵且费时的，通常还需要配合药物诱导充血。因此，提出了不利用压力导丝的一些计算机建模技术来计算虚拟血流储备分数（VFFR）。然而，现有的模型采用简化的流体动力学方程来计算压降，该简化的流体动力学方程假设各种经验常数，且使用多尺度计算的加权平均，而经验常数的确定和权重容易发生误差。尺度的选择也是凭经验的。为了计算虚拟FFR，还需要计算一些中间特征，诸如狭窄度等。这种建模也称为基于物理的模型，无法准确地预测血流储备分数的准确度，且操作起来也不方便。

近来深度学习被引入以实现FFR的准确预测，相较采用各种简化的物理建模假设的基于物理的模型而言，基于深度学习的预测模型，能够利用侵入手术得到的真实FFR值进行训练，从而预测准确度更高，并且能够利用采集更多的数据得到持续改进，例如针对不同患者群的训练数据使得其更易于适应于该患者群的FFR的预测。但是，现有技术中深度学习模型通常仅仅用于病变血管的FFR的预测，不能为血管中的支架植入提供充足引导。

提供本公开是为了克服现有技术中的以上缺陷。

发明内容

因此，需要一种用于引导血管中的支架植入的装置、系统和介质，其不仅能够用于支架植入前的FFR（本文中也称为支架植入前FFR）预测，还能够准确方便地预测各种支架在各种位置植入血管后的FFR（本文中也称为支架植入后FFR），预测迅速且准确，从而为用户在待植入支架的选择和定位以及支架植入的预后效果上提供充分且准确的引导。

在第一方面，本公开提供了一种用于引导血管中的支架植入的装置。该装置包括：接口，接口被配置为接收血管的2D图像序列。该装置还包括处理器，处理器被配置为：基于2D图像序列重建血管的第一3D模型；获取待植入支架的结构参数和待植入位置；基于所获取的待植入支架的结构参数和待植入位置，对第一3D模型进行修改以得到第二3D模型；基于第二3D模型的结构相关参数和血流相关参数，利用训练好的学习模型预测血管的第二血流储备分数。

在第二方面，本公开提供了一种用于引导血管中的支架植入的装置。该装置包括：第一获取单元，其配置为获取血管的2D图像序列；重建单元，其配置为基于2D图像序列重建血管的第一3D模型；第二获取单元，其配置为获取待植入支架的结构参数和待植入位置；模型修改单元，其配置为：基于所获取的待植入支架的结构参数和待植入位置，对第一3D模型进行修改以得到第二3D模型；预测单元，其配置为：基于第二3D模型的结构相关参数和血流相关参数，利用训练好的学习模型预测血管的第二血流储备分数。

在第三方面，本公开提供了一种用于引导血管中的支架植入的系统。该系统包括根据第一方面的装置；以及显示器，显示器被配置为：至少在进行血管的术前分析的情况下，显示第一3D模型，以供用户进行血管的狭窄分析；以及在模拟支架的植入效果的情况下，显示第二3D模型和血管的第二血流储备分数。