[发明专利]一种基于深度学习的血流储备分数预测方法及系统

说明书

本发明提出了一种基于深度学习的血流储备分数预测方法及系统，涉及图像处理技术领域，具体方案包括：依据提取的血管中心线及片段中心点，将原始CTA图像分解为单血管探针图像序列；从单血管探针图像序列中，提取包含血管完整时序信息的血管片段图像特征，并基于血管片段图像特征，预测血管片段的血流储备分数；将血管片段的血流储备分数与血管中心线上的片段中心点一一对应，得到原始CTA图像对应的完整血流储备分数预测结果；本发明基于3DCNN与Transformer，从CTA图像提取包含时序的片段特征，快速准确地计算血管中各个位置的血流储备分数，具有处理简单、时效高、效果稳定的优点。

技术领域

本发明属于图像处理技术领域，尤其涉及一种基于深度学习的血流储备分数预测方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

血流储备分数(即FractionalFlow Reserve，FFR)是一种应用于冠状动脉导管插入术，以测量冠状动脉狭窄处的压力差的技术；目前常用的血流储备分数测量方法是使用压力导丝进行介入式测量，使用压力导丝测量的近端压力与远端压力的比值作为此处的血流储备分数，但是使用压力导丝测量血流储备分数属于有创检查，有一定的手术并发症风险；因此，能够使用无创方法准确计算出血流储备分数便成为急待解决的问题，因为患者数量较多，所以市场前景十分广阔。

随着深度学习技术在医学影像中的广泛应用，比如在肺结节、胸部骨折、冠脉斑块与狭窄检测等病灶检出有比较多的研究，并且在实际应用中发挥着较高的作用；但现有的基于深度学习的血流储备分数预测方法，是对整个血管进行血流储备分数的预测，不能精细化到血管的各个位置，在预测模型中，更没有考虑血管片段之间的时序关系，所以预测的准确度和精细度不够。

因此，如何深度挖掘血管片段之间的时序关系，从而提高预测的准确度和精细度，成为一个值得研究的课题。

发明内容

为克服上述现有技术的不足，本发明提供了一种基于深度学习的血流储备分数预测方法及系统，基于3DCNN与Transformer，从CTA图像提取包含时序的片段特征，快速准确地计算血管中各个位置的血流储备分数，具有处理简单、时效高、效果稳定的优点。

为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：

本发明第一方面提供了一种基于深度学习的血流储备分数预测方法；

一种基于深度学习的血流储备分数预测方法，包括：

依据提取的血管中心线及片段中心点，将原始CTA图像分解为单血管探针图像序列；

从单血管探针图像序列中，提取包含血管完整时序信息的血管片段图像特征，并基于血管片段图像特征，预测血管片段的血流储备分数；

将血管片段的血流储备分数与血管中心线上的片段中心点一一对应，得到原始CTA图像对应的完整血流储备分数预测结果。

进一步的，所述单血管探针图像序列的分解步骤为：

使用vtk从原始CTA图像中提取每根血管的中心线；

基于提取的血管中心线，从原始CTA图像中获取每根血管对应的单血管探针图像，得到由所有血管的单血管探针图像组成的单血管探针图像库；

采用等间隔采样的方法，从单血管探针图像中，截取以中心线上的点为中心点、等长度的血管片段，得到单血管探针图像序列。

进一步的，所述提取每根血管的中心线，还要根据原始CTA图像，确定每根血管的起始位置。

进一步的，得到单血管探针图像后，对未达到长度要求的血管，使用空白片段进行尾部补齐。