[发明专利]一种基于血管影像的血流储备分数计算方法

说明书

本发明涉及一种基于血管影像的血流储备分数计算方法，利用人工智能模型1，自动将目标血管分割为若干具有类似形态特征的血管分段，并利用人工智能模型计算各个血管分段的压降，从而获取整个血管的压力分布以及FFR，从而避免了使用压力导丝以及注入血管扩张类药物，且能够利用整个血管的压降分布信息进行虚拟介入手术（如放置支架）后血管功能恢复的评估和预演。

技术领域

本发明涉及医学影像，具体涉及一种基于血管影像的血流储备分数计算方法。

背景技术

心肌血流灌注不足是引发冠心病的重要原因。血流储备分数（Fractional FlowReserve，FFR）定义为病变血管能提供的最大血流和该血管完全正常时能提供的最大血流的比值，可以测量病变血管的缺血程度和功能特性，是诊断狭窄血管缺血程度的最重要的介入诊断手段之一。FFR的常用测量方法是通过压力介入导丝或微导管在最大充血状态下测量病变狭窄远端压力和近端动脉压的比值。一般来说，血管病变狭窄远端压力不但与狭窄程度和病变有关，且与更远端的毛细血管微循环阻力相关。在最大充血条件下，可以近似认为毛细血管微循环得到了充分的扩张，因此阻力可忽略不计；在此条件下，可以近似认为血管病变狭窄远端测量得到压力或远端与近端压力比值完全反映了该血管狭窄段缺血和功能特性。

然而，通过传统压力导丝测量FFR的方式有一些局限性。首先，压力导丝属于侵入式测量，且因为压力导丝为单次使用，增加了病人的额外花费，延长了介入手术时间。其次，压力导丝对于堵塞较严重，管腔较小的血管，测量误差较大。最后，最大充血条件的获取一般是通过静脉或动脉向病人体内注射血管扩张类药物如腺苷等。然而，血管扩张类药物对于人体有一定程度损伤，不适用于某些病人群体（如肝肾功能不全、药物过敏等），且显著增加了测量时间和复杂度。另外一方面，FFR仅能够提供病变血管功能信息，无法提供血管形态和结构信息。血管形态结构信息包括易损斑块的分布以及血管狭窄程度等，也是造成冠心病的重要特征。而冠脉介入影像技术如冠脉造影、血管内超声（IVUS）以及光学相干断层成像（OCT）可以提供FFR所缺乏的血管形态结构信息。冠脉造影可以提供冠脉外全局图像，但它是二维投影式成像，分辨率不足；IVUS和OCT是血管内影像，可以获取血管三维高精度图像，对血管大小的测量更为精准。就目前而言，其技术壁垒主要在于不能通过影像数据计算精确的FFR。

当前FFR测量需要介入导丝伸入到病人血管内，并通过在病人体内注入血管扩张类药物使微血管循环达到最大充血状态，整个过程不但是侵入式的，且不适用于某些病人群体，显著增加了测量复杂度和时间。当前已经公开的通过计算方法测量FFR的方法多基于计算流体力学，运算时间较长，实时性不强；基于非计算流体力学的方法基于经验公式或某种解析表达式，带有显著的经验主义成分；某种经验公式可能只适用于特定形状的血管，而不适用于其他形状的血管，在实际应用中面对复杂的血管和病变时误差较大。此外，当前基于人工智能的FFR计算方法没有完全尊崇流体力学物理模型，且没有适用于血管内影像如IVUS和OCT的方法。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于血管影像的血流储备分数计算方法，利用人工智能模型1，自动将目标血管分割为若干具有类似形态特征的血管分段，并利用人工智能模型计算各个血管分段的压降，从而获取整个血管的压力分布以及FFR，从而避免了使用压力导丝以及注入血管扩张类药物，且能够利用整个血管的压降分布信息进行虚拟介入手术（如放置支架）后血管功能恢复的评估和预演。

本发明的目的是通过以下技术方案来实现的：

一种基于血管影像的血流储备分数计算方法，其步骤如下：

步骤S1：获取目标血管影像数据；

步骤S2：获取主动脉或冠状动脉近端压力Pa，以及目标血管血流大小Q；

步骤S3：基于人工智能模型1和目标血管影像数据自动分割目标血管边界，获得目标血管截面大小和形状；

步骤S4：基于人工智能模型2和步骤S3中得到的血管边界信息将目标血管分割为若干具有固定形态的血管分段；