[發明專利]基于深度學習和中智理論的冠狀動脈病變功能學定量方法

有效

• 申請號: 202110192837.0
• 申請日: 2021-02-20
• 公開（公告）號: CN112837306B
• 公開（公告）日: 2022-11-22
• 發明（設計）人: 薛竟宜;杜奕;郭延輝
• 申請（專利權）人: 薛竟宜;郭延輝
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06T7/187;G06T7/194;G06T7/62;G06V10/44;G06V10/82;G06N3/00;G06N3/04;G06N3/08
• 代理公司: 西安銘澤知識產權代理事務所(普通合伙) 61223
• 代理人: 張舉

本發明提供了一種基于深度學習和中智理論的冠狀動脈病變功能學定量方法，屬于生物醫學領域，結合CTA和CAG圖像的各自特點，首先利用CTA圖像來獲得冠脈各個心動周期的三維圖像數據，然后將其配準并投影到CAG圖像的冠脈區域上，根據對比劑的信息確定冠脈狹窄病變區域的位置。該方法克服了單憑CAG二維圖像重建血管精度上的不足，能較準確地自動識別冠脈區域，進而根據對比劑的跟蹤路線和CAG視頻序列的時間，計算出血液在不同冠脈區域的流速，進而計算出冠脈各點的血流量，從而得到病變遠端與近端血流量的比值，獲得計算機輔助診斷的FFR_CAD，實現對冠脈病變功能學的全方位評價，解決冠狀動脈病變功能學無創定量測量難題。

技術領域

本發明屬于生物醫學領域，具體涉及一種基于深度學習和中智理論的冠狀動脈病變功能學定量方法。

背景技術

從1990年開始，針對心血管的冠狀動脈造影(coronary artery angiography，CAG)圖像及其疾病診斷研究逐漸被國內外學者廣泛關注。然而，由于心臟特殊運動模式和圖像快門速度等因素的限制，使得采集到的圖像相鄰幀之間區別很大，而且CAG圖像灰度對比度較低，冠脈分支互相重疊和交叉，使冠脈的精確檢測和測量成為一直困擾國內外研究者的難題。目前針對冠脈檢測主要歸納為七大類：

(1)傳統模式識別法：是利用傳統模式識別手段對血管或血管特征的自動檢測和分類，較常用的有血管邊緣特征提取法、區域增長法等，但這些方法對CAG圖像要求較高，對于復雜冠脈識別較差。

(2)跟蹤法：是從初始點開始探測血管中心線或通過分析正交于跟蹤方向的像素來檢測邊緣，是目前應用最廣泛、最直觀的方法。但由于心臟跳動模式和血管交叉重疊，使跟蹤方法的準確性降低。

(3)模型法：是用能夠明確描述血管特征的模型或模板來提取血管的方法，該方法缺點是需要較多人工參與，并且距離比較近的血管邊緣或中心線會出現干擾，運算量大，耗時長。

(4)專家系統法：將專家系統等人工智能的方法融入到血管的提取方法中。該方法適用于血管灰度與背景灰度差異較大的造影圖像，而且在血管交叉和血管阻塞部位得不到滿意效果。

(5)神經網絡法：Nekovei等提出采用BP神經網絡來提取造影圖像中的心血管。網絡訓練采用多幅已經做過血管和背景標記的造影圖像。該方法只是在血管和背景像素的區分上作了嘗試，不能有效提取血管信息。

(6)波導法：該方法由Caselles和Malladi提出，模仿水波傳播特征來提取血管的中心線。提取的中心線連續性比較好，在一定程度上，能反映出血管的拓撲結構，但與血管的整體形狀特征和血管走向出入較大，無法滿足三維重建要求。

(7)時間域分割法：Uchida等利用DSA圖像序列血管的運動信息，對圖像序列中冠脈運動小于邊緣寬度的連續三幅DSA邊緣圖像進行相減累加操作得到血管邊緣圖，進而分割出血管。此種方法只能針對圖像背景少，圖像目標明顯的DSA進行血管分割。這種分割方法過程復雜，對圖像序列做多次操作，耗時長，效率低。

近年基于影像學的冠脈狹窄病變無創功能學評價方法成為研究熱點，包括基于冠脈計算機斷層掃描血管造影(computed tomography angiography，CTA)的FFR檢測(coronary CTA–derived FFR，FFRCT)和基于冠脈造影的FFR檢測(angiography-derivedFFR)等冠脈功能學評估方法。