[发明专利]预测血管树血管路径上的血流特征的深度学习模型和系统

说明书

本发明公开了一种预测血管树血管路径上的血流特征的深度学习模型和系统。所述深度学习模型包括针对所述血管路径上各点设置的神经网络，接收所述血管路径上各点的影像特征、结构特征和功能特征中的至少一种作为输入，并预测所述血管路径上各点的血流特征作为输出，所述深度学习模型接收的是所述血管路径上的点序列的影像特征、结构特征和功能特征中的至少一种，输出的是所述血管路径上的所述点序列的血流特征；并且所述深度学习模型由递归神经网络建立，或者由多层神经网络与递归神经网络依序组合而成。该深度学习模型能够精确快速的预测整条血管路径上的血流特征(如血流储备分数等血流特征)，极大提高计算效率。

本申请为申请日为2017年4月1日、申请号为201710213469.7且发明名称为“预测血管树血管路径上的血流特征的深度学习模型和系统”的中国发明申请的分案申请。

技术领域

本发明涉及人工智能领域，特别涉及一种预测血管树的血管路径上的血流特征的深度学习模型、其建立方法、其建立装置、利用其的预测装置，以及一种用于预测血管树的血管路径上的血流特征的系统。

背景技术

在人体生理学及流体动力学中，特别是在要求精确数据的血液动力学中，获取大量的血液在相应血管路径中不同点处的血流特征，例如血流储备分数(Fractional FlowReserve,FFR)等，具有极其重要的意义，但是目前基于人工智能方法获取血管路径中不同点处的血流特征比如血流储备分数时采用传统的机器学习方法，只考虑血管路径当前点的特征(参见A Machine Learning Approach for Computation of Fractional FlowReserve from Coronary Computed Tomography.Articles in Press.J Appl Physiol(April 14,2016).doi:10.1152/japplphysiol.00752.2015，下文中会详述)，但是这类方法忽略了血管路径的序列关系，从而无法利用整个血管所提供的序列信息来对整个血管进行全局化考虑以获取准确的血流特征(例如血流储备分数等)，因此是一种局部优化方法。

近期的研究表明，基于FFR的血液动力学特性是用以确定、评估动脉疾病患者的最佳治疗方式的重要指标。这些准确的血流特征诸如血流储备分数、血管狭窄度相关的结构特征比如血管半径、血流压力降、血流量等，可以提供给医生，由其据此对血管状况进行评估。例如大量的临床试验证明，FFR可以很好地指导冠状动脉狭窄及其他血管疾病的治疗，如果FFR值大于0.8，通常选择药物治疗，如果FFR值小于或等于0.8则考虑采用介入治疗的方法。

侵入式定量测量、评估人体血管疾病是现在临床的标准，但是，因为与侵入性测量相关联的风险和开支，越来越多的研究应用新一代非侵入式方法来评估人体的血流特性及血管疾病。

非侵入式测量通常使用计算机断层扫描CT来确定患者的血管几何模型，并且这个模型在计算上用以使用具有适当生理学边界条件和参数的计算流体力学(CFD)来模拟血流(该实现方法可以参考以下文献，Baumann S,Wang R,Schoepf J,Steinberg D,SpearmanJ,Bayer R,Hamm C,Renker M.Coronary CT angiography-derived fractional flowreserve correlated with invasive fractional flow reserve measurements initialexperience with a novel physician-driven algorithm.Eur Radiol25:1201–1207,2015)。但是CFD计算模拟通常要求大量的计算负担，使这些虚拟的非侵入性测量难以在实时临床环境中执行。