[發明專利]基于深度學習的冠脈重構和血流儲備分數計算方法、裝置、設備以及可讀存儲介質

在審

• 申請號: 202010623469.6
• 申請日: 2020-07-01
• 公開（公告）號: CN111652881A
• 公開（公告）日: 2020-09-11
• 發明（設計）人: 馮立;宋湘芬;趙行;劉欣;向建平
• 申請（專利權）人: 杭州脈流科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/149;A61B6/00;G06N3/04;G06N3/08
• 代理公司: 杭州君度專利代理事務所(特殊普通合伙) 33240
• 代理人: 解明鎧

1.基于深度學習的冠脈重構和血流儲備分數計算方法，其特征在于，包括：

步驟1，獲取冠脈CT影像數據；將所述冠脈CT影像數據輸入基于神經網絡的二分類檢測器模型以得到CT冠狀動脈中心線種子點的檢測結果；將所述冠脈CT影像數據、所述檢測結果輸入基于神經網絡的追蹤器模型以得到CT冠狀動脈中心線追蹤結果，所述追蹤結果包括CT冠狀動脈中心線的離散點集和各點的預測半徑；

步驟2，構建評估函數，并利用所述評估函數、所述追蹤結果分類所述冠脈CT影像數據中的各體素以獲得冠狀動脈初始模型；利用圖像分割算法對所述冠狀動脈初始模型進行優化獲得冠狀動脈最終模型；

步驟3，利用冠狀動脈最終模型計算獲得血流儲備分數分布。

2.根據權利要求1所述的基于深度學習的冠脈重構和血流儲備分數計算方法，其特征在于，所述步驟1中，所述檢測器模型預先經過如下訓練：

輸入檢測訓練集，所述檢測訓練集包括中心線體素和按照預設規則選取的樣本體素；

所述檢測器模型將所述檢測訓練集二分類得到所述檢測結果；

利用第一損失函數評估所述檢測結果并得到改進后的檢測器模型；

所述追蹤器模型預先經過如下訓練：

輸入追蹤訓練集，所述追蹤訓練集包括中心線體素和經在線增強處理的樣本體素；

所述追蹤器模型將所述追蹤訓練集分類回歸同時預測中心線方向和半徑得到追蹤結果；

利用第二損失函數和第三損失函數評估所述追蹤結果并得到改進后的追蹤器模型。

3.根據權利要求1所述的基于深度學習的冠脈重構和血流儲備分數計算方法，其特征在于，所述步驟1中，所述追蹤器模型對冠狀動脈中心線進行迭代追蹤且在迭代追蹤中，將到達冠脈口的分支保留，否則移除作為備選，最后遍歷備選分支，與保留分支有交集的存入所述追蹤結果。

4.根據權利要求1所述的基于深度學習的冠脈重構和血流儲備分數計算方法，其特征在于，所述步驟2中，評估函數分類所述冠脈CT影像數據中的各體素時：

選取所述冠脈CT影像數據中的待評估體素、與該待評估體素最近的兩個位于離散點集內的離散點，在兩個離散點內按照預設規則選取中間點；

根據評估函數根據待評估體素-中間點的距離和所述中間點的預估半徑之間的關系分類所述該待評估體素；

重復上述步驟，直至完成所有體素的評估。

5.根據權利要求4所述的基于深度學習的冠脈重構和血流儲備分數計算方法，其特征在于，基于所述中間點距離已知相鄰離散點的長度通過線性或者非線性插值獲取所述中間點的預估半徑。

6.根據權利要求1所述的基于深度學習的冠脈重構和血流儲備分數計算方法，其特征在于，所步驟2中，所述圖像分割算法至少包括如下的一種或多種：level sets算法，graphcut算法以及region growth算法。

7.根據權利要求1所述的基于深度學習的冠脈重構和血流儲備分數計算方法，其特征在于，所述步驟3中，對冠狀動脈最終模型進行網格劃分，并設置流動參數及邊界條件，采用有限體積法計算，得到血液的流速、壓力及血流儲備分數分布。

8.基于深度學習的冠脈重構和血流儲備分數計算裝置，其特征在于，包括：

第一模塊，用于獲取冠脈CT影像數據；

第二模塊，用于將所述冠脈CT影像數據輸入深度神經網絡模型，得到冠狀動脈中心線追蹤結果，基于所述追蹤結果計算得到冠狀動脈最終模型，并計算得到冠狀動脈的血流儲備分數分布，所述第二模塊實現權利要求1至7中任一項基于深度學習的冠脈重構和血流儲備分數計算方法。

9.計算機設備，包括存儲器和處理器，所述存儲器存儲有計算機程序，其特征在于，所述處理器執行所述計算機程序時實現權利要求1至7中任一項所述的基于深度學習的冠脈重構和血流儲備分數計算方法。

10.計算機可讀存儲介質，所述計算機可讀存儲介質存儲有計算機程序，其特征在于，所述計算機程序被計算機處理器執行時實現權利要求1至7中任一項所述的基于深度學習的冠脈重構和血流儲備分數計算方法。