一种血管形变自动计算的方法、装置及存储介质

技术领域

本发明涉及医疗技术领域，尤其涉及一种血管形变自动计算的方法、装置及存储介质。

背景技术

一般来说，血管某特定位置处的形变越大，斑块越不稳定，容易发生心血管不良事件。目前为止，现有技术可以利用腔内影像学成像如IVUS/OCT等方式判断斑块稳定性，但无法利用冠脉造影成像评估斑块稳定性。冠脉造影成像是临床上判断冠心病的最常用工具。如果有一种方式可以实现利用冠脉造影成像直接进行血管形变的显示，则能够更方便的获取有利信息。

现有技术1(申请号为202110025833.3，发明名称为一种用于自动评价血管形变的监测显示方法及系统)公开了一种在进行血管形变评价中，通过血管的轮廓线进行识别和检测的方法，但是，该专利中轮廓线的配准方式可能存在图像和中血管重点信息的缺失，影响匹配医学影响之间的匹配和对应的问题，比如，只能单一的通过官腔走势进行配准，从而得到官腔的直径参数，得到的参数数据单一，无法获取官腔的结构形状或者变化动态，降低了整个血管评价的准确性，另外，通过轮廓线的匹配方式，需要先对所获得的图像数据进行图像处理，得到感兴趣血管的轮廓，增加了图像的处理步骤，并且在配准时，只能针对选取后的血管进行配准，局限了血管的评价方式，所以并不能涵盖所有的配准方式和效果。

现有技术2(专利申请号为202010289747.9，发明名称为一种血管图像的处理方法、系统、计算设备及存储介质)中公开了一种血管图像的处理方法，是通过对感兴趣血管段的轮廓参数信息进行处理，从而得到血流储备分数值，该方法还是需要对影像数据进行处理，选取感兴趣血管，然后针对感兴趣血管的整个轮廓后再进行计算，最终得到的血流储备分数值和官腔轮廓，该方法只是为了获取感兴趣血管段的参数信息，并不涉及不同时刻血管状态的对比，无法进行血管形变的评价。

现有技术3(专利申请号为US20170017771A1，发明名称为SYSTEMS AND METHODSFOR ESTIMATING HEMODYNAMIC FORCES ACTING ON PLAQUE AND MONITORING PATIENTRISK)公开了一种针对特定血管根据血管特异性参数和集合模型，估计血管中的血流动力学值，去评估血管的病变，该方法第一，是正对感兴趣进行的特定的进行的一种计算，无法对多个血管进行评估和监测，第二，该专利中是通过血流储备分数值评估血管的斑块情况，也是并不涉及不同时刻血管状态的对比，无法进行血管形变的结果。

现有技术4(专利申请号为JP2009106530A，发明名称为一种医用图像处理装置、医用图像处理方法及医用图像诊断装置)中公开了针对心脏疾病的医学图像处理，图像信息中的前记心脏壁信息为基础，推定心脏异常部位，然后根据异常部位信息和血管部的图像，获取心脏血管的病变，其主要是从C T影像得到的冠状动脉的形状、状态信息和从超声波图像得到的壁运动低下区域的功能信息相结合，获取血管狭窄或闭塞部位等血管病变部位，并不是具有的对血管的不同时刻的血管与心动周期的联动，无法进行具体血管形变的评估。

因此，需要提供一种新的方法及装置，其无需获取血管的轮廓结构，能够直接从医学的图像中直接进行配准，然后再根据需要选取单一或多个感兴趣血管进行参数计算，从而采用图像数据直接配准的技术手段，而解决了轮廓配准过程中图像处理繁琐，整体图像数据缺失，组织结构无法辨认、感兴趣血管选取单一的问题，从而达到一次配准后获取多个血管的形变参数和形变位置等信息的技术效果。

发明内容

针对上述缺陷或不足，本发明的目的在于提供一种血管形变自动计算的方法、装置及存储介质。

为达到以上目的，本发明的技术方案为：

一种血管形变自动计算的方法，包括：

获取血管数据，所述血管数据包括图像数据；

根据心动周期，从所述图像数据选取出心动周期不同部分中的关键帧图像数据；

将所选取的关键帧图像数据进行配准，得到配准后的关键帧图像数据；

基于配准后的关键帧图像数据计算相对形变数据；

基于配准后的关键帧图像数据计算绝对形变数据；

基于相对形变数据和/或绝对形变数据，得到血管的形变结果。

从所述图像数据选取出心动周期不同部分中的关键帧图像数据，包括：

根据预设时间段，将至少一个心动周期分割为多个部分，并且选取每个部分的多帧图像数据；

通过筛选，从每个部分的多帧图像数据中选取出每个部分的关键帧图像数据。

所述选取每个部分的多帧图像数据，包括：

对图像数据进行图像处理，依据图像清晰度、血管重叠程度、或血管边界清晰度中任意一种选取多帧图像数据。

所述将所选取的关键帧图像数据进行配准，包括：

将不同心动周期部分的关键帧图像数据进行图像配准，以使得同一感兴趣血管相对应；

根据配准后的关键帧图像数据计算血管的相对形变数据和/或绝对形变数据。

图像配准的依据包括：

关键帧图像数据的血管形状、血管尺寸、血管或血管周围组织特征中的一种或者多种。

所述方法还包括：

根据配准后的关键帧图像数据，获取感兴趣血管的参数，所述感兴趣血管的参数包括：血管的轮廓、管腔直径、管腔直径随时间变化的数值、血管管腔直径变化的位置、血液流动力学参数中任意一种或多种。

所述方法还包括：

将血管的形变结果通过伪彩进行显示。

所述伪彩进行显示中，根据形变的大小填充有不同的颜色，以体现出血管形变的大小。

一种血管形变自动计算装置，包括：影像装置、处理模块、以及显示器；其中，所述处理模块包括选取单元、配准单元、以及计算单元；

所述影像装置，用于采集图像数据；

所述处理模块，用于对图像数据进行处理；其中，

所述选取单元，用于根据心动周期，从所述图像数据选取出心动周期不同部分中的关键帧图像数据；

配准单元，用于将所选取的关键帧图像数据进行配准，得到配准后的关键帧图像数据；

计算单元，用于依据配准后的关键帧图像数据计算相对形变数据和/或绝对形变数据；

显示器，用于显示基于相对形变数据和/或绝对形变数据所得到血管的形变结果。

一种电子设备，包括：

处理器；以及，

存储程序的存储器，

其中，所述程序包括指令，所述指令在由所述处理器执行时使所述处理器执行根据上述的方法。

一种非瞬时计算机可读存储介质，所述非瞬时计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行根据上述方法。

与现有技术比较，本发明的有益效果为：

本发明提供了一种血管形变自动计算方法、装置及存储介质，通过对医学图像获得感兴趣血管的关键帧图像数据，然后根据图像数据，对所得到的图像影像进行精准的配准后，得到感兴趣血管的不同时刻的各个参数，进而实时对血管同一位置在不同时刻的管腔形变大小进行监控，由于图像数据中含有多的感兴趣血管以及组织的信息，能够帮助进行精确的配准，得到使得配准更加精确和快速，本发明中，通过获知斑块稳定性，同时用做心肌桥或其它的参数计算，能够对特定冠脉血管的整体情况进行预判和病情及时的进行诊断和预测，实现心冠病定量化解剖学相关参数的评估，准确度更高，具有较高的临床使用价值。

附图说明

图1是本发明血管形变自动计算的方法流程框图；

图2是本发明血管形变自动计算的方法中伪彩图；

图3是本发明血管形变自动计算装置结构示意图一；

图4是本发明处理模块结构示意图；

图5是本发明血管形变自动计算装置结构示意图二；

图6是本发明电子设备的结构示意。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。

本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

对于冠脉血管管腔的大小除了受到斑块本身的影响，还受到心脏收缩、舒张情况的影响。在存在斑块较软、斑块应力较大的情况下，相应位置的血管管腔的形变受心脏收缩/舒张情况影响较大，监测不同时刻的血管管腔的大小，能够对斑块实时监测，反映出斑块稳定性。

如图1所示，本发明提供了一种血管形变自动评价计算的方法，包括：

S1、获取血管数据，所述血管数据包括图像数据；

本发明实施例中，所述图像数据包括四维图像数据、三维图像数据或者二维图像数据；或者，含有心动周期数据的图像数据或者，感兴趣血管的参数以及管腔模型。例如，可以是高分辨CT、也可以是OCT、IVUS或X射线、b超等检测手段获取的医学上的图像数据，本实施例中图像数据需要包括血管的影像图像，示例性的，可以是血管的影像图像、也可以是血管的特征图像，所述特征图像包括通过血管原始几何特征数据重建无病变状态，得到参考管腔的几何特征或血管轮廓。其中，所述感兴趣血管的参数至少包括：血管的管腔直径、血管的管腔直径随时间变化的程度、血管管腔直径变化的位置、或血液流动力学参数；所述血液流动力学参数至少包括血流储备分数。

心脏舒张时内压降低，腔静脉血液回流入心，心脏收缩时内压升高，将血液泵到动脉，心脏每收缩和舒张一次构成一个心动周期(cardiac cycle)。所述心动周期数据至少包括一个收缩期和舒张期中的所有数据，具体包括但并不局限于目标区域血管的心电图、形态、长度、直径、弯曲角度、血流速度、血压等，还可以根据需求进行获取。本发明中，所述图像数据包括：含有心动周期数据的图像数据。

本发明中得到血管数据后，还包括以下步骤：

判断所述图像是否包含心电数据，若包含，根据心电数据对心动周期进行识别跟划分，得到心动周期数据。若未包含心电数据，则对图像数据进行处理(处理包含自动处理或者人工选择)，得到心动周期数据。

由于血管在进行收缩或舒张时，无法直接从图像数据中获取心电信息，例如，看到一幅或者多副影像图像时，无法判断该影像图像中的感兴趣血管处于舒张或者收缩状态，本实施例中需将医学图像与心动周期信息进行识别，使得能够识别出图像数据所对应的心动周期的时刻，基于此，本发明中通过二类方式实现图像数据与心动周期数据进行联动，生成图像数据；

第一种，是针对图像数据自带有心动周期数据的类型：

由于现有的一部分图像采装置在进行图像数据采集时，能够直接将图像所对应的心动周期数据进行标注，使得所得到的图像数据能够自带心电图数据，则可以直接通过提取图像数据中自带心动周期数据，得到含有心动周期数据的图像数据；对于这种图像数据，则可以直接获取，不需要再进行处理直接使用，方便操作的识别，十分快捷。

第二种，是针对图像数据没有自带有心动周期数据的类型：

该方式中则是通过深度学习获得心动周期数据，生成含有心动周期数据的图像数据；

这种情况主要是针对现有的不带心电图数据的图像数据，则需要进行识别和标注。使得心动周期与影像数据产生关联，进行同时显示，使得能够获得任意心动周期内特征时刻的目标血管区域的影像图像；或者选定影像图像后，能够立刻获得此时感兴趣血管处于心动周期的哪个时刻。

该过程具体为：

获取尽可能多的图像数据，采集目标区域血管的舒张期数据和收缩期数据，并且对舒张期数据和收缩期数据分别进行标注，识别舒张期和收缩期数据的特征，进行训练，实现心动周期的自动识别，使血管目标区域血管的图像数据信息与心动周期数据关联。

其中，所述对舒张期数据和收缩期数据分别进行标注包括：通过手动方式将舒张期数据和收缩期数据标注，对每一帧的图像数据进行标注。

示例性的，所述将舒张期数据和收缩期数据分别标记出来有两种方式：

第一种为人工标注，有经验的人工标注，通过手动方式将舒张期数据和收缩期数据标注，对每一帧图像数据进行手动标注，即对每一帧图像数据定义一个标签。

第二种是利用自身携带心电图的信息快速标注，该方法需要心电信息，然后对每一帧图像数据进行快速标注。

对于标注后的图像数据搭建网络模型，通过深度学习，训练神经网络，使得神经网络能够对图像数据具有快速识别的功能。例如，利用AI技术进行自动检测到收缩末期跟舒张末期，具体的方法就是通过深度学习，加上标注好的数据，标注就是把每一帧图像给个标签。比如这一帧是收缩末，这一帧是舒张末，这一帧是其它帧，然后训练卷积神经网络。如果还有心电图数据，可以优先采用心电图数据来确定收缩期或舒张期，不需要去运行AI模型。本发明中AI技术中主要是通过U-Net网络进行深度学习。U-Net网络是2015年，OlafRonneberger等人提出了网络结构，U-net网络是基于FCN的一种语义分割网络，适用于做医学图像的分割。U-net网络结构与FCN网络结构相似，也是分为下采样阶段和上采样阶段，网络结构中只有卷积层和池化层，没有全连接层，网络中较浅的高分辨率层用来解决像素定位的问题，较深的层用来解决像素分类的问题，从而可以实现图像语义级别的分割。整体的流程是编码和解码(encoder-decoder)，以图片为整体来进行图片分类分割，输入是一个图像(多通道或单通道)，输出是相同大小带有标签的分类后的图像。

U-net利用训练的神经网络，使用全卷积神经网络，通过该全卷积神经网络策略，可以输入任意尺寸的图片，而且输出也是图片，所以这是一个端到端的网络。

首先，U-net构建Caffe框架，采用SGD传播，每个batch一张图片，动量选0.99，采用交叉熵损失+softmax，函数形式：

其中，ak(x)表示每一像素点(x)对应特征通道(k)的得分，K表示类的数量，pk(x)表示类k的对像素点x的分类结果，使得最有可能的结果最大化，同时抑制其他类别的概率。

带权重惩罚：

其中，l是每个像素点的真实标签

w是权重图，区分每个像素点的权重。

为了补偿某一类别的不同像素点的频次差异，用GT样例对w权重图进行预先计算。让网络学习区分更小的边界。端到端是输入是指是直接输入原始数据，最后输出结果，中间不再需要人工的参与。

损失函数(loss function)又称目标函数(objective function)，用于衡量预测值和目标值的差异的重要方程，损失函数的输出值(loss)越高表示差异越大，那么深度神经网络的训练就变成了尽可能缩小这个loss的过程。反向传播算法是以误差损失为主导的反向传播运动，旨在得到最优的神经网络模型的参数，在训练神经网络过程中，可以采用反向传播算法修正初始的神经网络模型中参数的大小，使得神经网络模型的重建误差损失越来越小。具体地，前向传递输入信号直至输出会产生误差损失，通过反向传播误差损失信息来更新初始的神经网络模型中参数，从而使误差损失收敛。例如，权重矩阵。

权重矩阵公式如下：

ωc:Ω→R是用来平衡某一类频率的权重图；

d1:Ω→R表示到背景的某个像素点到最近细胞边界的距离；

d2:Ω→R表示到背景的某个像素点到第二近的细胞边界的距离；

设置ω0＝10，σ≈5个像素；

距离越远，w0exp(-)越小，几乎为0，所以你看到的远离组织的地方，基本上权值都是一样的，接近于Wc。离组织越远，权重就越小，相反，边界上的像素点的权重就越大，容易区分相邻图像中组织且相同组织的边界。

然后，使用高斯分布初始化权重，标准差为

最后平移、旋转、形变、灰度处理图像，使用随机位移矢量在粗糙的3×3网格上生成平滑变形。位移矢量是从标准差为10的高斯分布中采样的。然后使用双三次方插值计算每个像素位移。contracting path最后的dropout也起到了数据增强的作用。

该方法用滑动窗口来预测每个像素的类标签，提供像素的周围区域(patch)作为输入，进过神经网络的学习，有效的利用了数据增强来使用可获得的带标注数据。

该识别方式更加的智能和方便，能够对多种不同的医学图像信息进行处理，并且处理速度快，准确性好，适用面广泛。

对于图像采集装置未自带心动周期数据，还可以直接通过人工方式识别心动周期数据，含有心动周期数据的图像数据。

本实施例中的该方法则是需要操作者有丰富的医学经验，对血管的生物学特征十分了解，能够直接对多幅任意的图像数据进行辨别后，直接识别出其所处的心动周期中的时刻，然后进行标注识别，该方式可针对任意的多张图像数据情况下，根据经验进行标注。

S2、根据心动周期，从所述图像数据选取出心动周期不同部分中的关键帧图像数据；

具体包括：根据预设时间段，将至少一个心动周期中所述图像数据分割为多个部分，然后选取每个部分中的关键帧图像数据：

2.1、根据预设时间段，将至少一个心动周期分割为多个部分，并且选取每个部分的多帧图像数据；

包括根据预设时间段，将心动周期分为若干部分，所述划分的方式可以根据需要进行设置，并不局限于本实施例中的方式，可以是在一个心动周期的图像数据内，影像数据较为清晰且利于分析的各个影像数据所对应的各个时刻点，也可以是根据监测的时间间隔；优选的，也可以是根据目标血管区域的位置的特性进行划分。

本发明中以预设的时间段为例进行说明，将心动周期划分为4个部分，一个舒张期和一个收缩期各包括两个部分；示例性的，也可以将心动周期数据分割为三部分，且预设时间段至少包括一个舒张期和一个收缩期，由于舒张期一般比收缩期长一倍，所以舒张期分为二个部分。

也可以根据预设时间段，将一个心动周期内的心动周期数据平均分割为若干部分；然后根据所述图像数据，识别该心动周期内每个部分内的多帧图像数据。

在选取多帧图像数据时，需要根据需求或者图像本身的特点进行选取，比如，对图像数据进行图像处理，该处理方式可是图像的灰度处理、锐度处理、亮度处理等图像处理工具，使得图像数据能够达到所需要求，符合选取的标准。

选取的标准至少包括：依据图像清晰度、血管重叠程度、或血管边界清晰度的多帧图像数据。

在进行图像处理时，可以是对单张图像数据分别根据图像的品质进行图像处理，也可以是批次的统一处理，单张处理适合图像质量差异较大，整体图像较符合要求，只需单张处理的图像；整体处理则速度快，但是对于个别质量不是很好的图像很难顾及到期处理的需求，所以在实际操作中可以根据实际情况，两者相结合的方式。

2.2、通过筛选，从每个部分的图像数据中选取出每个部分的关键帧图像数据；

选取每个部分内的至少一副、并且图像品质靠前的多帧图像数据为代表，作为关键帧图像数据。

S3、将所选取的关键帧图像数据进行配准，得到配准后的关键帧图像数据。

具体包括：

所述通过多个心动周期的关键帧图像数据进行配准后，获得血管的形变图像数据和血管的形变参数数据，并且得到感兴趣血管形变状态。

3.1、将不同心动周期部分的关键帧图像数据进行图像配准，以使得同一感兴趣血管相对应；

在进行关键帧图像数据配准时，则是通过多种方式可以进行，首先是可以直接通过血管的特征进行配准，也可以直接是图像整体进行配准。

特征进行配准则包括轮廓配准方式、分支结构特征等配准方式，示例性的，轮廓配准则是获取图像的轮廓图形后，将不同时刻的感兴趣位置血管进行配准，将多幅不同时刻血管的图像数据(轮廓)进行对应匹配配准，得到血管的形变差异。该配准方式则更加的有针对性，能够根据所要得到血管形态直接进行配准比较，直观的得到形变状态。

轮廓配准方式具体包括：将不同时期的关键帧图像数据进行处理，得到血管轮廓图像数据；将不同时期的关键帧血管轮廓图像数据进行配准，得到同一感兴趣血管相对应；该配准方式单一，只能对选取的感兴趣血管进行配准，配准后的图像为轮廓图像数据，无法得到血管的形态图像。

但是图像整体进行配准则是根据基于特征图像配准、基于灰度图像配准、基于变换域图像配准，具体包括：关键帧图像数据的血管形状、血管尺寸、血管或血管周围组织特征中的一种或者多种进行对应匹配配准，可以得到图像中的多个血管，然后根据感兴趣血管，获取具体的血管官腔参数，得到血管的形变差异。将不同时刻的图像根据血管形态以及组织能够将同一血管识别和配准，该配准方式则更加精准，所得的图像信息则更加的丰富和全面，也能根据需求，进一步地提取出所需的血管特征。

3.2、根据配准后的关键帧图像数据计算血管的相对形变数据和/或绝对形变数据。

包括：

所述将同一感兴趣血管进行对应，计算血管的形变参数，包括；

计算所述同一感兴趣血管的同一时刻最大血管直径和最小血管直径；和\或，

同一感兴趣血管的同一位置不同时刻的血管直径变化，判断目标血管发生形变。

另外，也可以通过坐标、图形来反应感兴趣血管的形变参数，比如，可以绘制血管坐标图像，其中，横轴代表血管长度，纵轴代表不同位置的血管直径，两条曲线分别代表不同时刻血管的最大直径和最小直径。并且，用竖线标注并显示出形变最大的位置。

具体地，所述相对形变数据和绝对形变数据，包括：

基于心动周期不同时刻血管的相对形变计算公式：

RWS(Radial Wall Strain)，径向管壁应变，即相对形变；Diammax，最大血管直径；Diammin，最小血管直径；

基于心动周期不同时刻血管的绝对形变计算公式：

血管绝对形变＝Diammax-Diammin。

优选地，当得到血管的形变结果，判断目标血管发生形变后，还包括：

通过报警或者显示标记的方式进行危险提醒。该提醒可以是智能识别后，进行报警提示或通过无线传输的方式进行传输到指定终端，该终端可以使用户手机，也可以是互联网云平台等。也可以在成像显示界面直接进行标注提示或显示病变位置。

优选地，判断目标血管发生形变后，还包括：识别用户信息，并且根据用户信息调取用于病历中的图像数据，并且显示当前血管病历图像数据、当前血管多周期的图像数据、管腔参数、血液动力学参数。该过程能够将各个数据进行保存，形成电子病历，帮助及时得到电子病历数据信息，节省了就诊时间。

最后本发明实施例中还包括将血管的形变结果通过三维或四维建模图像、伪彩图像、血管轮廓图像进行显示。示例性的，通过显示装置以伪彩、二维、或者三维方式显示，显示至少包括各个图像数据、数据坐标、立体模型等，显示的方式可以是在一个界面进行多画面显示，也可以是单一选择式进行显示。

三维建模图像则为对感兴趣血管的三维图像(容积)立体建模结构，通过显示装置，将该装置结构进行展示；四维建模图像则为四维图像数据(三维+时间)可在一个完整心搏周期上获取的形态结构，该图像则更加的直观，显示的更加完整，不需要再进一步地时间标注。

如图2所示，为伪彩图像，其中，横坐标为距离标记的血管初始位置的距离，纵坐标为血管的官腔直径，坐标轴上面的两条曲线分别代表血管官腔的最大直径和最小直径，两条曲线垂直高度差代表血管在不同期相的形变值，形变值越大所示伪彩颜色越深，形变值越小所示伪彩颜色越浅；彩图像又称伪彩色(Pseudo-color)图像，其每个像素的颜色不是由每个基本色分量的数值直接决定，实际上是把像素当成调色板(Palettes)或颜色查找表(Color Look-Up Table，CLUT)的表项入口地址，根据该地址可查找出包含实际R、G、B的强度值，如果图像中的颜色在调色板或彩色查找表中不存在，则调色板会用一个最为接近的颜色来匹配。通过查找出的R、G、B强度值产生的色彩不是图像本身真正的颜色，因此称为伪彩色。本发明中是通过色彩填充将图像的三维或二维结构进行虚拟显示，能够根据血管的形变参数数据的数值大小，赋予显示图像的不同的深度颜色，其中，最大值和最小值之间的距离差则为绝对形变值，之间的填充则表示绝对形变值的大小。图2中，例如，红色、橙色、黄色、绿色、蓝色依次表示血管形变的严重程度依次降低，例如，红色表示血管形变严重，蓝色表示血管正常。该显示方式能够直接的得到血管的状态、结构、参数等多个信息，使得能够直观的监测血管的动态变化。形变的大小赋予不同的颜色，体现出血管形变的大小。

本实施例中，一个或多个图像数据可采用各种医学成像模态来接收。例如，根据本发明的各种实施例，可以接收三维CT数据、二维动态血管造影术数据、和/或旋转血管造影术数据的序列，然而本发明并不限制于此。图像数据可直接从一个或多个图像获取装置接收，例如CT扫描仪或X射线装置。也可以例如从计算机系统的存储器或存储装置、或一些其他的计算机可读存储介质加载以前存储的图像数据。

优选的，本发明实施例还可以根据关键帧图像数据，获取感兴趣血管的参数。

所述血管的参数包括：血管的管腔直径、血管的管腔直径随时间变化的程度、血管管腔直径变化的位置、血液流动力学参数。

血管的管腔直径的具体获取为：同过图像数据，获取血管的轮廓图像，对轮廓图像进行图像处理，能够得到血管的整个轮廓结构，进而可以获得同一位置血管管腔在不同时刻的管腔直径的最大值和最小值，该数据能够直观的反应出斑块在血流过程中，受心脏收缩/舒张情况的影响，进而能够更为精准地反映出实际血管情况，为之后的分析运算提供了一个误差较小的中间变量，以使后期的计算值更靠近实际值。

在血管的管腔发生形形变时，血管的直径随时间或发生变化，通过计算血管的直径的变化程度，获得形变的定量判断，比如能够计算同一心动周期时刻中，直径的变化，判断出血管的形变进程，或者与正常状态的血管直径的变化数值，判断血管形变的程度，进而判断形变的严重程度。又或者，血管管腔直径变化的位置，能够及时获取血管形变的发生的位置和发生的变化进程，及时掌握病情。

另外，所述血液流动力学参数至少包括流动速度、压力、比剪切应力。通过以上数据与图像的对应，能够反映出血管的流动性，也能间接地得到血管的状态。

进一步地，由于不同的医学图像成像由于原理不同，则使用的造影介质也是不同，其注射的时间、速度等也是不同，血管造影指通过动脉注射或者静脉注射，在血管中注入造影剂使血管显影，然后应用CT、超声，或者核磁共振、数字血管造影机等设备，观察血管的形态或者病变形态。一般状态下，血管和其他组织的密度相似，使用上述设备观察血管，或者和血管相关的病变时，显示不清楚。所以在血管中注入造影剂后，能够使血管的密度或者信号，和周围组织产生较大差别，使血管或病变观察更清楚。

临床上常用的血管造影，主要有CT下的血管造影，称为CTA，或者核磁的血管造影，称为MRA，以及在数字血管造影机下进行的介入血管造影。通过这些造影能够明确、清晰地观察到血管病变的形态。

造影介质的流动参数则至少包括：成像介质在感兴趣血管中的流动速度、扩散时间、浓度变化。所以，根据选择的造影类型不同，可以构建造影介质在血管中的扩散模型或显现状态模型，以使得识别血管的异常。

因此，也可以通过介质的变化，观察血管官腔的变化，因此，也可以建立一个用于图像数据提取时间与造影剂的扩散时间、空间相关联的模型。

需要说明的是，本发明实施例中，血管的参数不局限于上的参数，也可以是其他和血管相关的参数，本实施例则是示例性的说明以上几种。

如图3、4所示，本发明实施例还提供了一种血管形变自动计算装置，包括影像装置1、处理模块2、显示器3；其中，所述处理模块2包括选取单元21、配准单元22、以及计算单元23；

影像装置1，用于采集图像数据；示例性的，可以为CT机、造影影像装置等；

处理模块2用于对图像数据进行处理；其中，

所述选取单元21，用于根据心动周期，从所述图像数据选取出心动周期不同部分中的关键帧图像数据；

配准单元22，用于将所选取的关键帧图像数据进行配准，得到配准后的关键帧图像数据；

计算单元23，用于依据配准后的关键帧图像数据计算相对形变数据和/或绝对形变数据；

显示器3，用于显示基于相对形变数据和/或绝对形变数据所得到血管的形变结果。

其中，所述图像数据包括四维图像数据、三维图像数据或者二维图像数据，或者含有心动周期数据的图像数据。

本发明中是还包括获取模块4，具体用于通过提取图像数据中自带心动周期数据，得到图像数据；或，通过深度学习获得心动周期数据，生成图像数据；或，通过人工识别标注的方式识别心动周期数据，得到图像数据。

所述选取单元21具体用于，根据预设时间段，将至少一个心动周期分割为多个部分，并且选取每个部分的多帧图像数据，并且通过筛选，从每个部分的多帧图像数据中选取出每个部分的关键帧图像数据；

所述将至少一个心动周期分割为多个部分，并且选取每个部分的多帧图像数据，包括对图像数据进行图像处理，选取至少包括图像清晰度、血管轮廓清晰、或血管周围组织清晰的多帧图像数据。所述血管的参数包括血管的管腔直径、造影介质的流动参数、血液流动力学参数。

所述造影介质的流动参数至少包括：成像介质在感兴趣血管中的流动速度、扩散时间、浓度变化；所述血液流动力学参数至少包括流动速度、压力、比剪切应力。

所述配准单元22具体用于，将不同时期的关键帧图像数据进行图像配准，以使得同一感兴趣血管进行对应；

所述计算单元23用于依据配准后的关键帧图像数据计算血管的形变参数。所述将同一感兴趣血管进行对应，计算血管的形变参数，包括；计算所述同一感兴趣血管的同一时刻最大血管直径和最小血管直径；和\或，同一感兴趣血管的同一位置不同时刻的血管直径变化，判断目标血管发生形变。

如图5所示，本实施例的装置中，优选地，还包括报警模块5用于通过报警或者显示标记的方式进行危险提醒。

优选地，还包括存储模块6用于识别用户信息，并且根据用户信息调取用于病历中的图像数据，并且显示当前血管病历图像数据、当前血管多周期的图像数据、管腔参数、血液动力学参数。

一种电子设备，包括：

处理器；以及，

存储程序的存储器，

其中，所述程序包括指令，所述指令在由所述处理器执行时使所述处理器执行根据上述实施例中任一项所述的血管形变自动评价计算的方法。

一种非瞬时计算机可读存储介质，所述非瞬时计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行根据上述实施例中任一项所述的血管形变自动评价计算的方法。

本公开示例性实施例还提供一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被计算机的处理器执行时用于使所述计算机执行根据本公开实施例的方法。

参考图6，现将描述可以作为本公开的服务器或客户端的电子设备7的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图6所示，电子设备7包括运算单元71，其可以根据存储在只读存储器(ROM)72中的计算机程序或者从存储单元78加载到随机访问存储器(RAM)73中的计算机程序，来执行各种适当的动作和处理。在RAM 803中，还可存储设备7操作所需的各种程序和数据。运算单元71、ROM 72以及RAM73通过总线74彼此相连。输入/输出(I/O)接口75也连接至总线74。

电子设备7中的多个部件连接至I/O接口75，包括：输入单元76、输出单元77、存储单元78以及通信单元79。输入单元76可以是能向电子设备7输入信息的任何类型的设备，输入单元76可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入。输出单元77可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元804可以包括但不限于磁盘、光盘。通信单元79允许电子设备7通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙TM设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。

运算单元71可以是各种具有处理和计算能力的通用和/或专用处理组件。运算单元71的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。运算单元71执行上文所描述的各个方法和处理。例如，在一些实施例中，血管形变自动评价计算的方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元78。在一些实施例中，计算机程序的部分或者全部可以经由ROM 72和/或通信单元79而被载入和/或安装到电子设备7上。在一些实施例中，运算单元71可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行血管形变自动评价计算的方法。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

如本公开使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机程序或指令。在计算机上加载和执行所述计算机程序或指令时，全部或部分地执行本公开实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、终端、用户设备或者其它可编程装置。所述计算机程序或指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机程序或指令可以从一个网站站点、计算机、服务器或数据中心通过有线或无线方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是集成一个或多个可用介质的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，例如，软盘、硬盘、磁带；也可以是光介质，例如，数字视频光盘(digital video disc，DVD)；还可以是半导体介质，例如，固态硬盘(solid state drive，SSD)。

对于本领域技术人员而言，显然能了解到上述具体事实例只是本发明的优选方案，因此本领域的技术人员对本发明中的某些部分所可能作出的改进、变动，体现的仍是本发明的原理，实现的仍是本发明的目的，均属于本发明所保护的范围。