肺动脉的评估方法、装置、计算机设备和存储介质
文献发布时间:2023-06-19 13:51:08
技术领域
本申请涉及医疗检测技术领域,特别是涉及一种肺动脉的评估方法、装置、计算机设备和存储介质。
背景技术
肺动脉高压是指肺动脉压力升高超过一定界值的一种血流动力学和病理生理状态,可导致右心衰竭。肺动脉高压是一种常见病、多发病,且致残率和病死率均很高。影响肺动脉压力的三个因素是:肺血管阻抗、心排出量和肺毛细血管楔压。任何影响上述因素的疾病均可能导致肺动脉高压。
目前,临床常用到的针对肺动脉高压的诊断与评估,主要通过右心房导管检查实现,右心房导管检查为一种有创检查,即在检查时,医生在X线透视引导下,经静脉插入心导管至右侧心腔及大血管进行肺动脉压的测量。
但是,上述方法只能实现右心房、右心室、肺动脉主干等少数几个位点较为单一压力指标的测量。
发明内容
基于此,有必要针对上述技术问题,提供一种能够全面测量肺动脉高压,且无创的肺动脉的评估方法、装置、计算机设备和存储介质。
第一方面,一种肺动脉的评估方法,所述方法包括:
获取患者的医学图像数据和肺动脉特征信息;
根据所述医学图像数据构建所述肺动脉结构的几何模型;
根据预设边界条件在所述肺动脉结构的几何模型上进行流体力学计算,得到对所述肺动脉结构的至少一个血流特征信息。
在其中一个实施例中,所述根据所述医学图像数据构建所述肺动脉结构的几何模型,包括:
采用预设的深度学习算法,对所述医学图像数据中的肺动脉进行分割提取,得到第一分割结果;
采用预设的血管增强和/或血管追踪的方法,对所述医学图像数据中的肺动脉进行提取,得到第二分割结果;
根据所述第一分割结果和所述第二分割结果得到包含所述肺动脉结构的几何模型。
在其中一个实施例中,所述根据所述医学图像数据构建所述肺动脉结构的几何模型之后,所述方法还包括:
对所述肺动脉结构的模型进行网格划分,得到所述肺动脉结构的多个网格模型;
所述在所述肺动脉结构的几何模型上加载预设的边界条件进行流体力学计算,得到对所述肺动脉结构的至少一个血流特征信息,包括:
在各所述网格模型上加载预设的边界条件进行流体力学计算,得到对所述肺动脉结构的至少一个血流特征信息。
在其中一个实施例中,所述方法还包括:
接收用户输入的指令;所述指令中包括获取目标区域或位点;
根据所述目标区域或位点,获取对应的肺动脉结构的至少一个血流特征信息;
在待显示区域显示所述肺动脉结构的至少一个血流特征信息。
在其中一个实施例中,所述预设边界条件包括:肺动脉入口边界条件和肺动脉出口边界条件。
在其中一个实施例中,所述肺动脉出口边界条件的获取方法,包括:
根据所述肺动脉结构的几何模型,确定各肺动脉出口的血管管径;
按照各所述肺动脉出口的血管管径,将所述心排量成比例的分配至各所述所述肺动脉出口,得到各所述肺动脉出口对应的流量或流速。
在其中一个实施例中,所述肺动脉特征信息,包括:所述患者的血压、肺动脉压、非毛细血管锲压、肺动脉阻力、心排量、体表面积、心指数中的至少一种。
第二方面,一种肺动脉的评估装置,其特征在于,所述评估装置包括:
载入模块,用于获取患者的医学图像数据和肺动脉特征信息;
构建模块,用于根据所述医学图像数据构建所述肺动脉结构的几何模型;
评估模块,用于根据预设边界条件在所述肺动脉结构的几何模型上进行流体力学计算,得到对所述肺动脉结构的至少一个血流特征信息。
第三方面,一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述第一方面所述的方法。
第四方面,一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面所述的方法。
上述肺动脉的评估方法、装置、计算机设备和存储介质,通过获取患者的医学图像数据和肺动脉特征信息,并根据医学图像数据构建肺动脉结构的几何模型,然后根据预设边界条件在在肺动脉结构的几何模型上进行流体力学计算,得到对肺动脉结构的至少一个血流特征信息。该评估方法实现了对肺动脉高压的无创评估,相比于传统的有创评估,减少了患者的身体损坏。而且,该评估方法最终可以提供肺动脉上任意位点的血流特征信息,相比于传统的有创评估方法中仅能提供固定几个位点对应的单一血流特征信息的方法,本申请提供的肺动脉的评估方法能够对肺动脉高压进行更加全面的评估,因此,基于上述评估方法得到的各位点上的多个血流特征信息对患者的肺动脉高压进行有效估计时,可以得到准确的估计结果。
附图说明
图1为一个实施例中肺动脉的评估方法的应用环境图;
图2为一个实施例中肺动脉的评估方法的流程示意图;
图3为图2实施例中S102的一种实现方式的流程示意图;
图3A为一个实施例中肺动脉结构的几何模型的示意图;
图4为一个实施例中肺动脉的评估方法的流程示意图;
图5为一个实施例中肺动脉的评估方法的流程示意图;
图6为一个实施例中肺动脉的评估方法的流程示意图;
图7为一个实施例中肺动脉的评估方法的流程示意图;
图8为一个实施例中肺动脉的评估装置的结构框图;
图9为一个实施例中肺动脉的评估装置的结构框图;
图10为一个实施例中肺动脉的评估装置的结构框图;
图11为一个实施例中肺动脉的评估装置的结构框图;
图12为一个实施例中肺动脉的评估装置的结构框图;
图13为一个实施例中肺动脉的评估装置的结构框图;
图14为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的肺动脉的评估方法,可以应用于如图1所示的应用环境中。其中,成像设备102通过网络与终端104连接,成像设备102用于对患者的肺动脉结构进行扫描,并将扫描数据传输至终端104,以便终端104基于扫描数据进行成像处理,得到成像图像。其中,成像设备102可以是各种类型的成像设备,比如,电子计算机断层扫描(ComputedTomography,CT)成像设备、核磁共振成像设备。终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。
本领域技术人员可以理解,图1中示出的应用环境,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的应用环境的限定,具体的应用环境可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,如图2所示,提供了一种肺动脉的评估方法,以该方法应用于图1中的终端为例进行说明,包括以下步骤:
S101,获取患者的医学图像数据和肺动脉特征信息。
其中,医学图像数据对应的医学图像包含患者的肺动脉结构,其可以是CT血管造影(CT angiography,CTA)、磁共振血管成像(MR angiography,MRA)等医学图像。肺动脉特征信息为肺动脉高压患者的肺动脉特征信息,肺动脉特征信息包括:患者的血压、肺动脉压、非毛细血管锲压、肺动脉阻力、心排量、体表面积、心指数中的至少一种。需要说明的是,医学图像中包含患者的肺动脉结构,该患者可以是肺动脉高压患者,即该患者对应的肺动脉结构为特异性的病变肺动脉结构,由此病变肺动脉结构对患者的肺动脉高压进行评估。
本实施例中,可以先利用成像设备对患者的肺动脉结构进行扫描成像,得到患者的医学图像数据,再将患者的医学图像数据传输至终端,以便终端之后基于该医学图像数据对肺动脉进行评估。在实际应用中可以通过相关采集设备采集患者的一些肺动脉特征信息,比如,使用血压器测量患者的血压,使用心电仪器测量患者的心指数等。对于一些普通仪器测量不到的肺动脉特征信息,终端可以根据该患者的历史病理数据获得,比如,一个患者之前进行过与肺动脉相关的有创手术,该手术过程中会记录大量的肺动脉特征信息。因此,终端可以从相应的采集设备上或相关的患者的历史病理记录中获取得到患者的肺动脉特征信息。可以理解的是,本步骤中获取的医学图像数据和肺动脉特征信息属于同一患者的数据和信息。
S102,根据医学图像数据构建肺动脉结构的几何模型。
由于医学图像数据中包含患者的肺动脉结构,即该医学图像数据为患者的肺动脉结构对应的图像数据。当终端获取到患者的医学图像数据后,即可采用相应的几何模型的构建算法,包括多层卷积神经网络深度学习算法用于得到肺动脉主干结果及肺动脉细支的粗分割结果,深度学习图像增强算法得到关于患者医学图像数据的增强结果用于对肺动脉细支做进一步分割,以及使用水平集、图割等算法用于完善肺动脉细支的分割效果。最终获取完整的肺动脉结构的几何模型。在实际应用中,终端上可以安装相应建模仿真软件,并在获取到医学图像数据后,将该医学图像数据直接输入至建模仿真软件,再设置相应的计算参数,使用该建模仿真软件构建出肺动脉结构的几何模型。可以理解的是,在基于医学图像数据构建肺动脉结构的几何模型之前,可以对医学图像数据进行预处理,比如,去噪处理,或者背景数据处理等。
S103,根据预设边界条件在肺动脉结构的几何模型上进行流体力学计算,得到对肺动脉结构的至少一个血流特征信息。
其中,预设边界条件根据肺动脉结构的几何模型和肺动脉特征信息确定。预设边界条件包括:肺动脉入口边界条件和肺动脉出口边界条件;肺动脉入口边界条件为患者的肺动脉压,肺动脉出口边界条件为肺动脉出口对应的血流量或血流速。肺动脉压是指血液流经肺循环对肺动脉血管产生的侧压力。肺动脉特征信息可由患者的临床参数获取得到,所以边界条件即由患者的临床参数获取得到。肺动脉结构至少一个血流特征信息为一种对肺动脉高压的量化描述,具体为肺动脉高压的评估值。
可选的,当终端获取到肺动脉结构的至少一个血流特征信息时,可以将计算得到的肺动脉结构的至少一个血流特征信息存储在数据库中,以便之后用户查看该肺动脉结构上任意位点的肺动脉结构的相关血流特征信息时通过访问数据库的方式实现。
本实施例中,当终端构建好肺动脉结构的几何模型后,即可在肺动脉结构的几何模型上加载预设边界条件后进行流体力学计算,具体的可以采用计算流体力学算法求解肺动脉血管模型控制方程纳维尔-斯托克斯(Navier-Stokes)方程,求解得到肺动脉结构的几何模型上各位点的血流特征信息,比如,肺动脉高压值。之后,医生即可基于该肺动脉结构的几何模型上各位点的位置快速确定对应的血流特征信息。需要说明的是,本实施例中的肺动脉结构的几何模型可以为患者特异性的病变模型,即肺动脉高压患者的肺动脉结构的几何模型,加载与患者临床参数所对应的边界条件,即可计算得到患者的肺动脉高压的血流特征信息。而且,最终得到的某一点位上的血流特征信息可以为一个,也可以为多个,提供的评估值更加丰富。
上述提供的一种肺动脉的评估方法,通过获取患者的医学图像数据和肺动脉特征信息,并根据医学图像数据构建肺动脉结构的几何模型,然后根据预设边界条件在在肺动脉结构的几何模型上进行流体力学计算,得到对肺动脉结构的至少一个血流特征信息。该评估方法实现了对肺动脉高压的无创评估,相比于传统的有创评估,减少了患者的身体损坏。而且,该评估方法最终可以提供肺动脉上任意位点的血流特征信息,相比于传统的有创评估方法中仅能提供固定几个位点对应的单一血流特征信息的方法,本申请提供的肺动脉的评估方法能够对肺动脉高压进行更加全面的评估,因此,基于上述评估方法得到的各位点上的多个血流特征信息对患者的肺动脉高压进行有效估计时,可以得到准确的估计结果。
可选的,提供了上述S102的一种实现方式,该方式具体包括:采用预设的深度学习算法,对医学图像数据中的肺动脉主干及分支血管进行分割提取,得到肺动脉结构的几何模型。
其中,深度学习算法可以是一种分割算法,也可以是一种建模算法,还可以同时包括分割算法和建模算法。本实施例涉及的是采用深度学习算法构建肺动脉结构的几何模型的方法,即先采用相应的分割算法对医学图像数据中的肺动脉主干及分支血管进行分割提取,以去除医学图像数据中除肺动脉以外的其它组织结构的医学图像数据,从而得到肺动脉结构对应的医学图像数据,再采用相应的模型构建算法基于肺动脉结构对应的医学图像数据构建肺动脉结构的几何模型。在实际应用中,终端上可以安装相应建模仿真软件,并在获取到肺动脉结构对应的医学图像数据后,将该医学图像数据直接输入至建模仿真软件,再设置相应的计算参数,使用该建模仿真软件构建出肺动脉结构的几何模型。
进一步的,如图3所示,上述S102的实现方式具体包括:
S201,采用预设的深度学习算法,对医学图像数据中的肺动脉进行分割提取,得到第一分割结果。
其中,第一分割结果包括肺动脉的主干及分支血管对应的医学图像数据。
当终端采用深度学习算法对肺动脉结构分割建模时,可以先采用具备分割功能的深度学习算法从医学图像数据中分割提取出肺动脉主干及分支血管,得到肺动脉的主干及分支血管对应的医学图像数据,即第一分割结果。
S202,采用预设的血管增强和/或血管追踪的方法,对医学图像数据中的肺动脉进行提取,得到第二分割结果。
其中,第二分割结果包括肺动脉的远端分支血管对应的医学图像数据。
由于肺动脉结构不仅包含肺动脉主干及分支血管,在分支血管的远端还包含一些远端分支血管,为了更加准确的构建肺动脉结构的几何模型,当终端基于前述步骤S201从医学图像数据中分割提取出肺动脉主干及分支血管后,可以进一步的采用预设的血管增强和/或血管追踪的方法基于分割提取出的肺动脉主干及分支血管对应的医学图像数据,对分支血管的远端分支血管进行提取,以实现对远端分支血管的分割提取,进而得到肺动脉的远端分支血管对应的医学图像数据,即第二分割结果。可以理解的是,在实际操作时,当终端基于分割提取出的肺动脉主干及分支血管对应的医学图像数据,对分支血管的远端分支血管进行提取时,可以先从分割提取出的肺动脉主干及分支血管对应的医学图像数据中获取分支血管对应的医学图像数据,再基于分支血管对应的医学图像数据对分支血管的远端分支血管做追踪,再进一步的进行提取。
S203,根据第一分割结果和第二分割结果得到肺动脉结构的几何模型。
当终端基于前述步骤获取到第一分割结果后,由于第一分割结果为肺动脉主干及分支血管对应的医学图像数据,因此终端即可开始采用相应的构建模型的深度学习算法,基于肺动脉主干及分支血管对应的医学图像数据构建肺动脉主干及分支血管的几何模型。当终端基于前述步骤获取到第二分割结果后,由于第二分割结果为远端分支血管对应的医学图像数据,因此终端即可开始采用相应的构建模型的深度学习算法,基于远端分支血管对应的医学图像数据构建远端分支血管的几何模型,然后将脉肺动脉主干及分支血管的几何模型和远端分支血管的几何模型进行拼接,即可得到肺动脉结构的几何模型。可选的,当终端基于前述步骤获取到第一分割结果和第二分割结果时,即可开始采用相应的构建模型的深度学习算法,基于肺动脉主干及分支血管对应的医学图像数据和远端分支血管对应的医学图像数据共同构建肺动脉结构的几何模型。
参见图3A所示的肺动脉结构的几何模型的示意图,其中,图(a)为正常人的肺动脉结构对应的医学图像,图(b)为与图(a)对应的肺动脉结构的几何模型,图(c)为肺动脉高压患者的肺动脉结构对应的医学图像,图(d)为与图(c)对应的肺动脉结构的几何模型。
上述构建肺动脉结构的几何模型的过程中,不仅考虑到了肺动脉结构中肺动脉主干及分支血管,还考虑到了肺动脉结构中分支血管上的远端分支血管,增加了构建肺动脉结构几何模型的准确性,以及提高了构建的肺动脉结构的几何模型和真实肺动脉结构的匹配度,进而可以提高后期基于该肺动脉结构的几何模型进行流体力学计算的准确性,从而提高对肺动脉高压评估的准确性。
在实际应用中,终端在执行上述S102的步骤之后,如图4所示,还执行步骤:
S104,对肺动脉结构的模型进行网格划分,得到肺动脉结构的多个网格模型。
在终端基于肺动脉结构的几何模型进行流体力学计算之前,终端还需要对肺动脉结构的模型进行网格划分用于模拟计算,网格划分时可以采用自动网格划分,自动网格划分包括结构网格和非结构网格的划分,非结构网格在血管壁面可以设置若干层边界层(或者不设),在模型管径较小区域可采用尺寸较小的网格划分。因此,在对肺动脉结构的模型进行网格划分时,可以采用均匀网格划分,也可以采用不均匀网格划分,或者有些部位采用均匀网格划分,有些部位采用不均匀网格划分,划分完网格后可以得到肺动脉结构的多个网格模型,实现了将肺动脉结构的几何模型划分成小的计算单元,以便之后模拟计算。
对应的,终端在执行上述S103时,具体执行步骤:根据预设边界条件在各网络模型上进行流体力学计算,得到对肺动脉结构的至少一个血流特征信息。
本实施例中,当终端构建好肺动脉结构的几何模型,以及对肺动脉结构的模型进行网格划分后,即可在肺动脉结构的各网格模型上加载预设边界条件进行流体力学计算,具体的可以采用计算流体力学算法求解各网格模型的纳维尔-斯托克斯(Navier-Stokes)方程,求解得到网格模型对应的血流特征信息,比如,肺动脉压力。在具体计算时,用户可以调节网格划分参数以及血管边界区域(包括进出口切面以及管壁区域)进行计算,以灵活调整划分的网格模型,实现肺动脉结构上任意位置的流体力学计算,达到肺动脉结构上任意位点的评估功能。
肺动脉出口边界条件为肺动脉出口对应的血流量或血流速,可选的,本申请还提供了一种获取肺动脉出口边界条件方法,如图5所示,该方法包括:
S301,根据肺动脉结构的几何模型,确定各肺动脉出口的血管管径。
S302,按照各肺动脉出口的血管管径,将心排量成比例的分配至各肺动脉出口,得到各肺动脉出口对应的流量或流速。
不同的血管管径对应不同的血管血流量,依据血管管径和血管血流量对应关系:Q&d
采用计算流体力学算法求解各网格模型的纳维尔-斯托克斯(Navier-Stokes)方程,其中,纳维尔-斯托克斯方程可以用下述关系式(1)表示:
其中u表示速度矢量,ρ表示血液的粘性系数,t表示时间。根据所述肺动脉几何模型、所述肺动脉特征信息和所述边界条件,可以采用有限体积的方法求解纳维尔-斯托克斯方程并获得上述各参数(速度矢量、压力以及应力张量等参数)在流场中的分布,从而得到网格模型对应的血流特征信息,比如肺动脉压力。
在实际应用中,终端在执行上述S103的步骤之后,如图6所示,还可以显示肺动脉结构的至少一个血流特征信息,具体执行步骤:
S105,接收用户输入的指令;指令中包括获取目标区域或位点。
其中,指令用于获取目标区域或位点对应的血流特征信息。目标区域为用户想要计算的肺动脉结构的几何模型上的特定区域,当指令用于获取目标区域对应的血流特征信息时,可以得到该目标区域范围内包含的各位点上的血流特征信息。位点为用户想要计算的肺动脉结构的几何模型上的特定位置点,当指令用于获取位点对应的血流特征信息时,可以得到该位点对应位置点上的血流特征信息。需要说明的是,目标区域范围内可以包含一个可以计算的位点,也可以包含多个可以计算的位点。
本实施例中,当终端构建了患者的肺动脉结构的几何模型后,即可在显示界面上以图形的形式显示该几何模型(可参见图3A)。当用户想要获取目标区域对应的血流特征信息时,用户可以通过使用预设框图在几何模型上勾画目标区域的方式输入指令,也可以通过在几何模型上手动勾画目标区域的方式输入指令,此处不限定;当用户想要获取位点对应的血流特征信息时,用户可以通过点击几何模型上的位点所在位置输入指令,用户也可以通过在编辑框中编辑位点的位置的方式输入指令,此处不限定。
S106,根据目标区域或位点,获取对应的肺动脉结构的至少一个血流特征信息。
终端在接收到用户输入的指令时,当该指令包括获取目标区域时,终端可以进一步的从该指令中提取出目标区域的位置坐标,并根据该位置坐标先确定在该目标区域范围内包含的位点,当目标区域内包含一个位点时,可以先确定该位点的位置坐标,再将该位点的位置坐标确定为要计算并显示的几何模型上的目标区域的位置坐标,然后在该位置坐标对应的网格模型上加载对应的预设边界条件进行流体力学计算,并计算得到该位置坐标对应的网格模型的至少一个血流特征信息,即为上述目标区域对应的肺动脉结构的至少一个血流特征信息;可选的,当目标区域内包含多个位点时,可以先确定各位点的位置坐标,再将多个位点的位置坐标确定为要计算并显示的几何模型上的目标区域的位置坐标,然后依次在各位置坐标对应的网格模型上加载对应的预设边界条件进行流体力学计算,并计算得到各位置坐标对应的网络模型的至少一个血流特征信息,可以进一步的对目标区域范围内多个位点的位置坐标对应的血流特征信息进行均值计算或加权累加和运算或其它处理计算,并将计算结果作为目标区域对应的肺动脉结构的至少一个血流特征信息。可选的,当目标区域内包含多个位点时,也可以对目标区域内的多个位点先进行筛选,筛选出其中一个位点按照上述方法进行计算,得到该位点对应的网格模型的至少一个血流特征信息,并将该位点对应的网格模型的至少一个血流特征信息确定为目标区域对应的网格模型的至少一个血流特征信息。需要说明的是,进行筛选时,可以具体将目标区域的中心区域上的位点筛选出来,也可以采用其它筛选策略进行筛选,此处不限定。
可选的,当终端从该指令中提取出目标区域的位置坐标,并根据目标区域的位置坐标确定出目标区域内包含的位点时,若是一个位点,则终端可以根据该位点的位置坐标从数据库中找到对应的肺动脉结构的至少一个血流特征信息作为目标区域对应的肺动脉结构的至少一个血流特征信息;若目标区域内包含多个位点时,则终端可以根据多个位点的位置坐标从数据库中找到多个位点对应的血流特征信息,再进一步的对多个位点对应的血流特征信息进行均值或加权累加和或其它处理计算,计算结果即为目标区域对应的血流特征信息。
终端在接收到用户输入的指令时,当该指令包括获取位点时,终端可以直接从该指令中提取出该位点的位置坐标,再将该位置坐标确定为要计算并显示的几何模型上的位点的位置,然后在该位点位置对应的网格模型上加载对应的预设边界条件,并计算得到该位点位置对应的网格模型的至少一个血流特征信息,即为该位点对应的肺动脉结构的至少一个血流特征信息。
可选的,当终端从该指令中提取出位点的位置坐标时,也可以从数据库中根据该位置坐标找到对应的肺动脉结构的至少一个血流特征信息,即为该位点对应的肺动脉结构的至少一个血流特征信息。
S107,在待显示区域显示肺动脉结构的至少一个血流特征信息。
其中,待显示区域可以是目标区域,也可以是位点所在区域,还可以是显示界面上预先规划的区域,用于显示用户在肺动脉结构的模型上指定的要获取的目标区域或位点对应的肺动脉结构的至少一个血流特征信息。
本实施例中,当终端计算得到目标区域或位点对应的肺动脉结构的至少一个血流特征信息时,即可在待显示区域显示肺动脉结构的至少一个血流特征信息,以便用户直观的查看。需要说明的是,本实施例提供了两种显示评估值的方式,一种为同时计算和显示目标区域或位点对应肺动脉结构的血流特征信息的方式(具体参见S106中第一种获取对应的肺动脉结构的血流特征信息的方式),另一种为先计算得到肺动脉结构的几何模型上各位点的血流特征信息,再根据目标区域或位点的位置坐标显示相应位置坐标上的血流特征信息的方式(具体参见S106中第二种获取对应的肺动脉结构的血流特征信息的方式)。
上述实施例提供了一种用户可以在任意位点查看肺动脉结构的血流特征信息的方法,不仅实现了对肺动脉结构上任意位点的评估,还实现了任意位点的查看,为医生对患者的肺动脉高压的评估提供了便利和高效的评估手段。
综合上述所有实施例,提供了一种肺动脉的评估方法,如图7所示,该方法包括:
S401,获取患者的医学图像数据和肺动脉特征信息。
S402,采用预设的深度学习算法,对医学图像数据中的肺动脉主干及分支血管进行分割提取,得到第一分割结果。
S403,采用预设的血管增强和/或血管追踪的方法,对医学图像数据中的远端分支血管进行提取,得到第二分割结果。
S404,根据第一分割结果和第二分割结果得到肺动脉结构的几何模型。
S405,对肺动脉结构的模型进行网格划分,得到肺动脉结构的多个网格模型。
S406,根据肺动脉结构的几何模型和肺动脉特征信息确定肺动脉入口边界条件和肺动脉出口边界条件;肺动脉入口边界条件为患者的肺动脉压,肺动脉出口边界条件为肺动脉出口对应的血流量或血流速。
S407,在各网格模型上加载肺动脉入口边界条件和肺动脉出口边界条件进行流体力学计算,得到对肺动脉结构的至少一个血流特征信息,并将肺动脉结构的至少一个血流特征信息存储至数据库中。
S408,接收用户输入的指令;指令中包括获取目标区域或位点。
S409,根据目标区域或位点的位置坐标,获取对应位置坐标上的肺动脉结构的至少一个血流特征信息。
S410,在待显示区域显示肺动脉结构的至少一个血流特征信息。
上述各步骤在前述中均有说明,详细内容请参见前述内容,此处不赘述。
本实施例提供的一种肺动脉的评估方法,实现了对肺动脉高压的无创评估,相比于传统的有创评估,减少了患者的身体损坏。而且,该评估方法最终可以提供肺动脉上任意位点的血流特征信息,相比于传统的有创评估方法中仅能提供固定几个位点的血流特征信息的方法,本实施例提供的肺动脉的评估方法能够对肺动脉高压进行更加全面的评估,因此,基于上述评估方法得到的各位点上的血流特征信息对患者的肺动脉高压进行有效估计时,可以得到准确的估计结果。
应该理解的是,虽然图2-7的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-7中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图8所示,提供了一种肺动脉的评估装置,包括:
载入模块11,用于获取患者的医学图像数据和肺动脉特征信息;
构建模块12,用于根据所述医学图像数据构建所述肺动脉结构的几何模型;
评估模块13,用于根据预设边界条件在所述肺动脉结构的几何模型上进行流体力学计算,得到对所述肺动脉结构的至少一个血流特征信息。
在一个实施例中,如图9所示,上述构建模块12,包括:
构建单元121,用于采用预设的深度学习算法,对所述医学图像数据中的肺动脉主干及分支血管进行分割提取,得到包含所述肺动脉结构的几何模型。
在一个实施例中,如图10所示,上述构建单元121,包括:
第一分割子单元1211,用于采用预设的深度学习算法,对所述医学图像数据中的肺动脉进行分割提取,得到第一分割结果;
第二分割子单元1212,用于采用预设的血管增强和/或血管追踪的方法,对所述医学图像数据中的肺动脉进行提取,得到第二分割结果;
构建子单元1213,用于根据所述第一分割结果和所述第二分割结果得到包含所述肺动脉结构的几何模型。
在一个实施例中,如图11所示,上述肺动脉的评估装置还包括:
划分模块14,用于对所述肺动脉结构的模型进行网格划分,得到所述肺动脉结构的多个网格模型;
对应的,上述评估模块13具体用于根据预设边界条件在各所述网格模型上进行流体力学计算,得到对所述肺动脉结构的至少一个血流特征信息。
在一个实施例中,如图12所示,上述肺动脉的评估装置还包括:
接收模块15,用于接收用户输入的指令;所述指令中包括获取目标区域或位点;
获取模块16,用于根据所述目标区域或位点,获取对应的肺动脉结构的至少一个血流特征信息;
显示模块17,用于在待显示区域显示所述肺动脉结构的至少一个血流特征信息。
在一个实施例中,所述预设边界条件包括:肺动脉入口边界条件和肺动脉出口边界条件。
在一个实施例中,所述肺动脉特征信息,包括:所述患者的血压、肺动脉压、非毛细血管锲压、肺动脉阻力、心排量、体表面积、心指数中的至少一种。
在一个实施例中,如图13所示,上述肺动脉的评估装置还包括:获取边界条件模块18,获取边界条件模块18包括:第一确定单元181和第二确定单元182,
第一确定单元181,用于根据所述肺动脉结构的几何模型,确定各肺动脉出口的血管管径;
第二确定单元182,用于按照各所述肺动脉出口的血管管径,将所述心排量成比例的分配至各所述所述肺动脉出口,得到各所述肺动脉出口对应的流量或流速。
关于肺动脉的评估装置的具体限定可以参见上文中对于肺动脉的评估方法的限定,在此不再赘述。上述肺动脉的评估装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
本申请提供的肺动脉的评估方法,可以应用于如图14所示的计算机设备中,该计算机设备可以是服务器,该计算机设备也可以是终端,其内部结构图可以如图14所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种肺动脉的评估方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图14中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取患者的医学图像数据和肺动脉特征信息;所述医学图像数据包含所述患者的肺动脉结构;
根据所述医学图像数据构建所述肺动脉结构的几何模型;
根据预设边界条件在所述肺动脉结构的几何模型上进行流体力学计算,得到对所述肺动脉结构的至少一个血流特征信息。
上述实施例提供的一种计算机设备,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取患者的医学图像数据和肺动脉特征信息;所述医学图像数据包含所述患者的肺动脉结构;
根据所述医学图像数据构建所述肺动脉结构的几何模型;
根据预设边界条件在所述肺动脉结构的几何模型上进行流体力学计算,得到对所述肺动脉结构的至少一个血流特征信息。
上述实施例提供的一种计算机可读存储介质,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
- 肺动脉的评估方法、装置、计算机设备和存储介质
- 风险评估方法、装置、计算机设备和计算机可读存储介质