[发明专利]一种基于深度学习预测冠状动脉狭窄阻力的系统与方法

说明书

一种基于深度学习预测冠状动脉狭窄阻力的系统与方法。属于人工智能领域，包括以下步骤：基于真实冠状动脉参数构建血管模型并记录血管模型参数(入口面积、狭窄长度等)；基于血管模型进行模型网格化预处理；基于几何多尺度血流动力学计算预处理模型并提取血管模型的狭窄阻力；基于数据提取与血管模型参数建立狭窄阻力训练集与预测集；基于BP神经网络建立神经网络框架；基于深度学习对狭窄阻力训练集进行训练与对预测集进行预测验证。

技术领域

本发明属于人工智能领域，是一种基于深度学习预测冠状动脉狭窄阻力的系统与方法。

背景技术

FFR是一项直接描述功能性心肌缺血程度的可靠指标，可在相关研究中通过数值模拟获得，而冠状动脉狭窄阻力的确定对于数值计算FFR尤为重要。本项冠状动脉狭窄阻力确定方法拟为无创获取FFR(被定义为狭窄远端平均压力(Pd)与主动脉根部平均压力(Pa)的比值)值精确度提供计算依据。

机器学习是一门多领域交叉学科，而深度学习是机器学习领域中一个新的研究方向，是学习样本数据的内在规律和表示层次，最终目的是让机器能够像人一样具有分析学习能力，能够识别文字，图像，形状等数据。本方法结合深度学习与数值模拟提出了一种基于深度学习预测冠状动脉狭窄阻力的算法实现了基于冠状动脉几何参数确定狭窄阻力，同时提高无创计算FFR数值模拟结果的准确性。对于个性化冠状动脉生理疾病的诊断、治疗策略研究具有一定理论价值。

发明内容

本发明提供一种基于深度学习预测冠状动脉狭窄阻力的算法，相较于数值模拟更加快速准确，普遍适用于确定血管狭窄产生的狭窄阻力计算。该项基于深度学习预测冠状动脉狭窄阻力的算法包括以下步骤：包括血管模型的构建、模型网格预处理、目标参数提取、建立数据库、建立神经网络、预测验证。

为达到上述目的，本发明通过以下技术方案来实现：

一种基于深度学习预测冠状动脉狭窄阻力的系统，其特征在于，是通过以下方法预测冠状动脉狭窄阻力的，包括以下步骤：

步骤A1：基于真实冠脉解剖结构参数构建冠脉血管模型并记录冠脉血管模型参数(例：入口面积、狭窄面积、狭窄长度、狭窄面积等)；

步骤A2：基于血管模型进行模型网格化预处理；

步骤A3：基于几何多尺度血流动力学计算预处理模型并提取血管模型狭窄阻力；

步骤A4:基于数据提取与血管模型参数建立狭窄阻力训练集与预测集；

步骤A5：基于BP神经网络建立神经网络框架；

步骤A6：基于深度学习对狭窄阻力训练集进行训练与对预测集进行预测验证。

1.作为本发明的技术方案，步骤A1中所述特征，首先基于真实冠脉解剖结构参数构建冠脉血管模型,通过Sold Work软件构造冠状动脉血管模型。构建模型要求如下：入口面积、血管长度、狭窄率等形状参数应符合真实血管的参数。例如：血管直径D(2-6mm)、狭窄长度ls＝(2-40mm)、狭窄率DS％(20-90％)、狭窄直径Ds＝D*(1-DS％)、血管长度L＝ls+D*8+D*12)；

作为本发明进一步的技术方案，步骤A2中所述特征，基于血管模型进行模型网格化预处理，计算软件支持网格文件的输入形式，因此对模型网格化前执行如下预处理步骤：

步骤B1：通过Sold Works软件对构建血管模型导出x_t格式；

步骤B2：通过Ansys workbench 15.0网格划分子功能模块对构建的血管模型进行算前网格划分，该步骤要求对网格做敏感性分析，排除网格因子对计算结果的影响。

作为本发明进一步的技术方案，步骤A3中所述特征，基于多尺度血流动力学计算预处理模型提取血管模型狭窄阻力。具体实施过程包括以下步骤：