CN111652881B 基于深度学习的冠脉重构和血流储备分数计算方法、装置、设备以及可读存储介质 （杭州脉流科技有限公司）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN111652881B(45)授权公告日2025.01.10

(21)申请号202010623469.6

(22)申请日2020.07.01

(65)同一申请的已公布的文献号申请公布号CN111652881A

(43)申请公布日2020.09.11

(73)专利权人杭州脉流科技有限公司

地址310000浙江省杭州市滨江区阡陌路

459号C1座501室

(72)发明人冯立宋湘芬赵行刘欣

向建平

(74)专利代理机构杭州君度专利代理事务所

(特殊普通合伙)33240专利代理师解明铠

(51)Int.CI.

GO6T7/00(2017.01)

A61B6/50(2024.01)

G06T7/149(2017.01)

GO6N3/0464(2023.01)

GO6N3/084(2023.01)

(56)对比文件

CN109461138A,2019.03.12

JelmerM.Wolterink等.CoronaryarterycenterlineextractionincardiacCT

angiographyusingaCNN-basedorientationclassifier.MedicalImageAnalysis.2018,第46-60页.

审查员张冉

权利要求书2页说明书14页附图8页

(54)发明名称

基于深度学习的冠脉重构和血流储备分数计算方法、装置、设备以及可读存储介质

(57)摘要

CN111652881B本申请涉及基于深度学习的冠脉重构和血流储备分数计算方法、装置、设备以及可读存储介质。通过深度学习模型自动重构冠状动脉血管模型，并通过求解血流动力学控制方程获取功能学参数——血流储备分数。通过深度学习的方式自动化寻找冠状动脉中心线并自动分割出冠状动脉模型，大大减少了人工手动分割或者半自动分割的工作量和工作时间。另外基于集总参数模型的血流动力学计算，在出口边界耦合微循环阻

CN111652881B

收始

CN111652881B权利要求书1/2页

2

1.基于深度学习的冠脉重构和血流储备分数计算方法，其特征在于，包括：

步骤1,获取冠脉CT影像数据；将所述冠脉CT影像数据输入基于神经网络的二分类检测器模型以得到CT冠状动脉中心线种子点的检测结果；将所述冠脉CT影像数据、所述检测结果输入基于神经网络的追踪器模型以得到CT冠状动脉中心线追踪结果，所述追踪结果包括CT冠状动脉中心线的离散点集和各点的预测半径，所述追踪器模型对冠状动脉中心线进行迭代追踪且在迭代追踪中，将到达冠脉口的分支保留，否则移除作为备选，最后遍历备选分支，与保留分支有交集的存入所述追踪结果，所述追踪器模型将追踪训练集分类回归同时预测中心线方向和半径，其中方向分类应用经纬度划分，经度一共2π,纬度一共π,所述追踪训练集包括中心线体素和经在线增强处理的样本体素；

步骤2,构建评估函数，并利用所述评估函数、所述追踪结果分类所述冠脉CT影像数据中的各体素以获得冠状动脉初始模型；利用图像分割算法对所述冠状动脉初始模型进行优化获得冠状动脉最终模型；评估函数分类所述冠脉CT影像数据中的各体素时：

选取所述冠脉CT影像数据中的待评估体素、与该待评估体素最近的两个位于离散点集内的离散点，在两个离散点内按照预设规则选取中间点；

基于所述中间点距离已知相邻离散点的长度通过线性或者非线性插值获取所述中间点的预估半径；

由评估函数根据待评估体素-中间点的距离和所述中间点的预估半径之间的关系分类该待评估体素；

重复上述步骤，直至完成所有体素的评估；

步骤3,利用冠状动脉最终模型设置边界条件计算获得血流储备分数分布。

2.根据权利要求1所述的基于深度学习的冠脉重构和血流储备分数计算方法，其特征在于，所述步骤1中，所述检测器模型预先经过如下训练：

输入检测训练集，所述检测训练集包括中心线体素和按照预设规则选取的样本体素；所述检测器模型将所述检测训练集二分类得到所述检测结果；

利用第一损失函数评估所述检测结果并得到改进后的检测器模型；

所述追踪器模型预先经过如下训练：

输入所述追踪训练集；

所述追踪器模型将所述追踪训练集分类回归同时预测中心线方向和半径得到追踪