[发明专利]使用递归神经网络对血管的血液动力学分析

说明书

本公开涉及使用递归神经网络对血管的血液动力学分析。本发明涉及一种用于预测目标血管的(特别是主动脉的)血液动力学参数的方法和人工智能(AI)系统，以及涉及一种训练由所述AI系统包括的AI单元的计算机实现的方法。接收目标血管的血管形状模型和目标血管的对应流动分布。由AI单元基于接收到的血管形状模型和接收到的流动分布来预测至少一个血液动力学参数p_k。AI单元被布置和配置成基于接收到的血管形状模型和接收到的目标血管(主动脉)的流动分布来预测至少一个血液动力学参数p_k。

技术领域

本发明涉及用于预测目标血管的血液动力学参数的方法和人工智能(AI)系统以及涉及训练由所述AI系统包括的AI单元的计算机实现的方法。

背景技术

主动脉缩窄和主动脉瓣疾病是最常见的先天性心脏缺陷。对这些疾病的治疗决策制定是复杂的过程，并且高度取决于患者的状况。基于患者主动脉的特定于患者的血液动力学参数，可以显著改进治疗决策。评估血液动力学参数的当前临床标准是执行导管插入技术。然而，导管插入技术是一种侵入性过程，其给患者带来风险(例如，辐射、成本、并发症)。使用不同的计算流体动力学(CFD)方式的非侵入性方法正在得到广泛验证。这些方法越来越多地被考虑用来替换侵入性方法，因为它们具有较低的风险并且可以提供更全面和相关的信息。然而，这些CFD方式在计算上是昂贵的，这是在临床中实施这样的工具的限制因素。

为了改进治疗决策制定，可以执行使用计算流体动力学(CFD)模拟的血液动力学分析。CFD模拟计算特定于患者的血液动力学参数，这些参数可以用于更好地评估患者的状况并且优化临床决策。然而，CFD模拟对计算的要求很高，并且每次扫描需要高达一天才能完成。这阻止基于CFD模拟的血液动力学分析在临床实践中的整合。

因此，需要提供一种在不需要复杂的CFD模拟的情况下更高效地计算血液动力学参数的替选方式或方法。

EP 3 270 308 A1公开了一种用于向临床决策支持(CDS)系统提供如血管内部的血液动力学参数的辅助参数的方法。血管的形状数据集从图像数据集中被提取并且被提供作为输入数据集。使用通过机器学习(深度学习机制)训练的子系统基于输入数据集来近似辅助参数。

必须精确地确定血管内部的近似辅助参数或更确切地说是血液动力学参数，否则可能会导致CDS系统或临床医生基于近似的血液动力学参数进行误诊。

此外，当前针对该任务尚未提出适当的机器学习方式。这可能是因为要使用大数据来开发算法，然而大数据并不容易获得。

发明内容

本发明的目的是通过提供以下项来克服或至少减轻这些问题：根据本申请的预测目标血管的血液动力学参数的方法；和用于预测目标血管的血液动力学参数的AI系统；以及根据本申请的训练由所述AI系统包括的AI单元的计算机实现的方法。

根据本发明的第一方面，一种预测目标血管的血液动力学参数p_k的方法包括以下步骤：

-接收目标血管的血管形状模型。

-接收目标血管的对应流动分布。

-由人工智能(AI)单元基于接收到的血管形状模型和接收到的流动分布来预测至少一个血液动力学参数p_k。

根据本发明的第二方面，一种用于预测目标血管的血液动力学参数(p_k)的AI系统被布置并且配置成执行根据本发明的第一方面的方法。AI系统包括第一接口、第二接口和AI单元。第一接口被布置和配置成接收目标血管的血管形状模型。第二接口被布置和配置成接收目标血管的对应的流动分布。AI单元通信上连接至第一接口和第二接口。AI单元被布置和配置成基于所接收到的血管形状模型和所接收到的流动分布来预测至少一个血液动力学参数(p_k)。