[发明专利]基于深度学习和中智理论的冠状动脉病变功能学定量方法

说明书

本发明提供了一种基于深度学习和中智理论的冠状动脉病变功能学定量方法，属于生物医学领域，结合CTA和CAG图像的各自特点，首先利用CTA图像来获得冠脉各个心动周期的三维图像数据，然后将其配准并投影到CAG图像的冠脉区域上，根据对比剂的信息确定冠脉狭窄病变区域的位置。该方法克服了单凭CAG二维图像重建血管精度上的不足，能较准确地自动识别冠脉区域，进而根据对比剂的跟踪路线和CAG视频序列的时间，计算出血液在不同冠脉区域的流速，进而计算出冠脉各点的血流量，从而得到病变远端与近端血流量的比值，获得计算机辅助诊断的FFR_CAD，实现对冠脉病变功能学的全方位评价，解决冠状动脉病变功能学无创定量测量难题。

技术领域

本发明属于生物医学领域，具体涉及一种基于深度学习和中智理论的冠状动脉病变功能学定量方法。

背景技术

从1990年开始，针对心血管的冠状动脉造影(coronary artery angiography，CAG)图像及其疾病诊断研究逐渐被国内外学者广泛关注。然而，由于心脏特殊运动模式和图像快门速度等因素的限制，使得采集到的图像相邻帧之间区别很大，而且CAG图像灰度对比度较低，冠脉分支互相重叠和交叉，使冠脉的精确检测和测量成为一直困扰国内外研究者的难题。目前针对冠脉检测主要归纳为七大类：

(1)传统模式识别法：是利用传统模式识别手段对血管或血管特征的自动检测和分类，较常用的有血管边缘特征提取法、区域增长法等，但这些方法对CAG图像要求较高，对于复杂冠脉识别较差。

(2)跟踪法：是从初始点开始探测血管中心线或通过分析正交于跟踪方向的像素来检测边缘，是目前应用最广泛、最直观的方法。但由于心脏跳动模式和血管交叉重叠，使跟踪方法的准确性降低。

(3)模型法：是用能够明确描述血管特征的模型或模板来提取血管的方法，该方法缺点是需要较多人工参与，并且距离比较近的血管边缘或中心线会出现干扰，运算量大，耗时长。

(4)专家系统法：将专家系统等人工智能的方法融入到血管的提取方法中。该方法适用于血管灰度与背景灰度差异较大的造影图像，而且在血管交叉和血管阻塞部位得不到满意效果。

(5)神经网络法：Nekovei等提出采用BP神经网络来提取造影图像中的心血管。网络训练采用多幅已经做过血管和背景标记的造影图像。该方法只是在血管和背景像素的区分上作了尝试，不能有效提取血管信息。

(6)波导法：该方法由Caselles和Malladi提出，模仿水波传播特征来提取血管的中心线。提取的中心线连续性比较好，在一定程度上，能反映出血管的拓扑结构，但与血管的整体形状特征和血管走向出入较大，无法满足三维重建要求。

(7)时间域分割法：Uchida等利用DSA图像序列血管的运动信息，对图像序列中冠脉运动小于边缘宽度的连续三幅DSA边缘图像进行相减累加操作得到血管边缘图，进而分割出血管。此种方法只能针对图像背景少，图像目标明显的DSA进行血管分割。这种分割方法过程复杂，对图像序列做多次操作，耗时长，效率低。

近年基于影像学的冠脉狭窄病变无创功能学评价方法成为研究热点，包括基于冠脉计算机断层扫描血管造影(computed tomography angiography，CTA)的FFR检测(coronary CTA–derived FFR，FFRCT)和基于冠脉造影的FFR检测(angiography-derivedFFR)等冠脉功能学评估方法。