一种确定冠脉参数的方法

技术领域

本申请涉及计算机技术领域，具体而言，涉及一种确定冠脉参数的方法、装置、计算机可读介质及电子设备。

背景技术

在很多对人体器官的生理学参数确定过程中，比如冠脉流量，是基于心室心肌体积确定得到的。虽然心室心肌和心室本身离的很近，但是从冠脉的角度出发，心室是冠脉的供血端，而心室心肌是冠脉的需血端。不同器官的构成和运行方式将直接影响我们的生理学参数的确定方式和精确度，而现有技术中的方法往往会导致在确定冠脉参数时不够精确的问题。

发明内容

本申请的实施例提供了一种确定冠脉参数的方法、装置、计算机可读介质及电子设备，进而至少在一定程度上可以得到更加精确的血流仿真结果，进而得到精确的血流动力学参数。

本申请的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本申请的实践而习得。

根据本申请实施例的一个方面，提供了一种确定冠脉参数的方法，包括：对待处理的医学影像中的血管进行分割，得到所述医学影像中血管对应的冠脉模型；对所述医学影像中指定的目标部位进行分割，得到所述目标部位对应的部位分割结果；所述目标部位包括心室；基于至少一个采样时相采集的医学影像对应的部位分割结果，确定所述目标部位对应的生理学参数；基于所述冠脉模型对应的形态参数、以及基于所述生理学参数生成的流体参数，对冠脉血液流动进行仿真，得到冠脉的血流动力学参数。

根据本申请实施例的一个方面，提供了一种确定冠脉参数的装置，包括：冠脉分割单元，用于对待处理的医学影像中的血管进行分割，得到所述医学影像中血管对应的冠脉模型；部位分割单元，用于对所述医学影像中指定的目标部位进行分割，得到所述目标部位对应的部位分割结果；所述目标部位包括心室；第一参数单元，用于基于至少一个采样时相采集的医学影像对应的部位分割结果，确定所述目标部位对应的生理学参数；第二参数单元，用于基于所述冠脉模型对应的形态参数、以及基于所述生理学参数生成的流体参数，对冠脉血液流动进行仿真，得到冠脉的血流动力学参数。

在本申请的一些实施例中，基于前述方案，在所述采样时相的数目为多个时：所述第一参数单元包括：第一体积单元，用于基于所述部位分割结果，确定所述目标区域的体积；第二体积单元，用于基于所述多个采样时相中各采样时相采集的医学影像对应的部位分割结果，确定所述各采样时相的目标区域的体积；第三参数单元，用于基于所述多个采样时相的目标区域的体积、以及针对所述多个采样时相中各采样时相预设的权重，确定目标部位对应于采集周期内的生理学参数，其中所述生理学参数包括血流量、心输出量。

在本申请的一些实施例中，基于前述方案，所述第一体积单元用于：基于所述部位分割结果，确定所述部位分割结果对应的像素单位体积，以及所述部位分割结果对应于目标区域实际大小的像素间距；基于所述像素单位体积和所述像素间距之间乘积，确定所述目标区域的体积。

在本申请的一些实施例中，基于前述方案，所述生理学参数包括心输出量，在所述采样时相的数目为一个时：所述第一参数单元用于获取所述采样时相对应的预设权重；基于所述部位分割结果，确定所述心室的体积；基于所述心室的体积以及所述预设权重，确定所述心输出量。

在本申请的一些实施例中，基于前述方案，所述冠脉分割单元用于：基于所述医学影像的像素，所述医学影像中的动脉进行分割，得到所述医学影像中血管对应的初步三维模型；基于所述初步三维模型中的血管形状，确定所述血管的中心线；基于所述中心线对应的横截面，确定血管的轮廓；基于所述血管的轮廓以及所述血管的中心线，对所述血管进行建模，得到所述医学影像中血管对应的冠脉模型。

在本申请的一些实施例中，基于前述方案，所述部位分割单元用于将所述医学影像输入预先训练得到的分割模型中进行分割，生成所述医学影像中血管对应的冠脉模型；其中，所述分割模型为将医学影像样本输入基于神经网络构建的模型中，生成所述医学影像样本对应的预测分割结果，并将所述预测分割结果与所述医学影像样本对应的标注分割结果进行对比，以通过生成的对比结果对所述分割模型中的参数进行更新而得到的。

在本申请的一些实施例中，基于前述方案，所述部位分割结果包括三维分割结果；所述部位分割单元用于将所述医学影像中输入预先训练得到的部位分割模型中，得到所述目标部位对应的预测概率图；基于设定的二值化阈值，对所述预测概率图进行二值化，生成所述目标部位对应的三维分割结果。

在本申请的一些实施例中，基于前述方案，所述确定冠脉参数的装置还用于：获取医学影像样本；对所述医学影像样本进行数据扩增，得到所述医学影像样本对应的衍生样本；将所述医学影像样本和所述衍生样本输入基于神经网络构建的部位分割模型中，得到所述医学影像样本和所述衍生样本对应的预测部位分割结果；将所述预测部位分割结果与所述医学影像样本对应的标注部位分割结果进行对比；通过生成的对比结果更新所述部位分割模型中的参数。

在本申请的一些实施例中，基于前述方案，所述医学影像包括所述目标部位对应于各角度的截面影像，其中所述截面影像包括在矢状面、冠状面和横截面分别对应的影像；所述部位分割结果包括二维分割结果；所述部位分割单元用于基于各角度对应的截面影像，将所述截面影像输入所述截面影像的角度对应的二维分割网络中，生成所述截面影像对应的概率图像；求取所述各角度对应的概率图像中像素值的平均值，得到所述目标部位对应的平均概率图；基于设定的二值化阈值，对所述平均概率图进行二值化处理，得到所述目标部位对应的分割结果。

在本申请的一些实施例中，基于前述方案，所述确定冠脉参数的装置还用于：基于所述部位分割结果，确定所述部位分割结果中每个特征点对应的三维坐标；基于所述三维坐标，确定包含所述目标部位的长方体框架的角点坐标；基于所述角点坐标，确定坐标极值；响应于基于所述坐标极值触发的裁切指令，从所述部位分割结果中裁切出部分区域，将所述部分区域作为新的部位分割结果来确定生理学参数。

在本申请的一些实施例中，基于前述方案，所述第二参数单元包括：边界单元，用于基于所述冠脉模型对应的形态参数、以及基于所述生理学参数生成的流体参数，生成进行流体力学仿真的边界条件；仿真单元，用于基于设定的仿真参数和所述边界条件，对冠脉血液流动进行仿真，得到仿真结果；其中，所述仿真包括流体力学仿真、电路仿真或基于深度学习的仿真；参数计算单元，用于基于所述仿真结果，计算冠脉的血流动力学参数，其中，所述血流动力学参数包括以下至少一种：流体压力、流速、壁面剪切力、血流储备分数、震荡剪切指数。

在本申请的一些实施例中，基于前述方案，所述边界单元用于基于所述生理学参数，生成流体参数，其中，所述流体参数包括冠脉入口流量；基于所述冠脉模型对应的形态参数，确定各个冠脉出口的流阻；将所述形态参数和所述流体参数作为进行流体力学仿真的边界条件。

根据本申请实施例的一个方面，提供了一种计算机可读介质，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如上述实施例中所述的确定冠脉参数的方法。

根据本申请实施例的一个方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述实施例中所述的确定冠脉参数的方法。

根据本申请实施例的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各种可选实现方式中提供的确定冠脉参数的方法。

在本申请的一些实施例所提供的技术方案中，通过对待处理的医学影像中的血管进行分割，得到医学影像中血管对应的冠脉模型，之后对医学影像中指定的目标部位进行分割，得到目标部位对应的部位分割结果，基于至少一个采样时相采集的医学影像对应的部位分割结果，确定目标部位对应的生理学参数；基于冠脉模型对应的形态参数、以及基于生理学参数生成的流体参数，通过从人体生理学原理出发，基于人体的运作原理，得到更加精确的血流仿真结果，进而得到精确的血流动力学参数。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：

图1示出了可以应用本申请实施例的技术方案的示例性系统架构的示意图；

图2示意性示出了根据本申请的一个实施例的确定冠脉参数的方法的流程图；

图3示意性示出了根据本申请的一个实施例的确定冠脉参数的方法示意图；

图4示意性示出了根据本申请的一个实施例的训练深层神经网络的示意图；

图5示意性示出了根据本申请的一个实施例的基于骨架化的方法确定中心线的示意图；

图6示意性示出了根据本申请的一个实施例的生成冠脉模型的示意图；

图7示意性示出了根据本申请的一个实施例的训练分割网络的示意图；

图8示意性示出了根据本申请的一个实施例的基于神经网络分割左心室的示意图；

图9示意性示出了根据本申请的一个实施例的基于神经网络分割左心室感兴趣区域的示意图；

图10示意性示出了根据本申请的一个实施例的确定目标部位的示意图；

图11示意性示出了根据本申请的一个实施例的确定冠脉参数的装置的框图；

图12示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本申请将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。

此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本申请的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本申请的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本申请的各方面。

附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

图1示出了可以应用本申请实施例的技术方案的示例性系统架构的示意图。

如图1所示，系统架构可以包括医学影像采集装置101、网络102、服务器103以及终端设备104。其中，本实施例中采集装置101用于采集心脏的医学影像，可以为电子计算机断层扫描(Computed Tomography，CT)设备、核磁共振成像(Magnetic Resonance Imaging，MRI)设备等，此处不做限定；本实施例中的网络102用以在终端设备和服务器103之间提供通信链路，可以包括各种连接类型，例如有线通信链路、无线通信链路，或者蓝牙、5G网络等，此处不做限定，用于传输采集到的医学影像至血管检测装置；本实施例中终端设备104可以为智能手机、平板电脑和便携式计算机中的一种或多种，当然也可以是台式计算机等等，此处不做限定。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。比如服务器103可以是多个服务器组成的服务器集群等。

需要说明的是，本实施例中服务器103可以与终端设备104具有相同的功能，即基于获取到的待处理的医学影像确定冠脉参数。具体的，对待处理的医学影像中的血管进行分割，得到医学影像中血管对应的冠脉模型；对医学影像中指定的目标部位进行分割，得到目标部位对应的部位分割结果；目标部位包括心室；基于至少一个采样时相采集的医学影像对应的部位分割结果，确定目标部位对应的生理学参数；基于冠脉模型对应的形态参数、以及基于生理学参数生成的流体参数，对冠脉血液流动进行仿真，得到冠脉的血流动力学参数。

上述方案，通过对待处理的医学影像中的血管进行分割，得到医学影像中血管对应的冠脉模型，之后对医学影像中指定的目标部位进行分割，得到目标部位对应的部位分割结果，基于至少一个采样时相采集的医学影像对应的部位分割结果，确定目标部位对应的生理学参数；基于冠脉模型对应的形态参数、以及基于生理学参数生成的流体参数，通过从人体生理学原理出发，基于人体的运作原理，得到更加精确的血流仿真结果，进而得到精确的血流动力学参数。

以下对本申请实施例的技术方案的实现细节进行详细阐述：

图2示出了根据本申请的一个实施例的确定冠脉参数的方法的流程图，该确定冠脉参数的方法可以由服务器来执行，该服务器可以是图1中所示的服务器。参照图2所示，该确定冠脉参数的方法至少包括步骤S210至步骤S240，详细介绍如下：

在步骤S210中，对待处理的医学影像中的血管进行分割，得到医学影像中血管对应的冠脉模型。

在本申请的一个实施例中，在获取到待处理的医学影像之后，基于医学影像中的像素，对医学影像中的血管进行分割，得到医学影像中血管对应的冠脉模型。本实施例中的冠脉模型用于表示血管或者动脉的轮廓。

需要说明的是，本实施例中的待处理的医学影像对应的拍摄区域为患者的冠脉区域，包括心脏。

在本申请的一个实施例中，步骤S210中对待处理的医学影像中的血管进行分割，得到医学影像中血管对应的冠脉模型的过程，具体包括步骤S211～步骤S214，详细说明如下：

步骤S211，基于医学影像的像素，医学影像中的动脉进行分割，得到医学影像中血管对应的初步三维模型。

如图3所示，基于图3中的路线3本实施例中基于医学影像的像素，医学影像中的动脉进行分割，得到医学影像中血管对应的初步三维模型；这里的初步三维模型用于表示血管的大致形状；之后，基于初步三维模型中的血管形状，确定血管的中心线；基于中心线对应的横截面，通过拟合的方式得到血管的精确轮廓；最后基于血管的轮廓以及血管的中心线，对血管进行建模，得到医学影像中血管对应的冠脉模型。通过上述方式可以得到更加精确的冠脉模型，位置后的冠脉参数的确定基于精确的模型基础。

具体的，本实施例中的方式可以包括阈值法、滤波法或者人工智能算法等等。具体分别说明如下：

在阈值法对冠脉进行分割的过程中，根据原始图像主动脉的图像强度，选取合适的图像强度阈值范围[a,b]。再根据选定的阈值，对图像进行分割，将图像分割为冠脉和背景。

在滤波法对冠脉进行分割的过程中，使用滤波器对原始图像进行处理，滤波器包括但不限于：中值滤波，均值滤波，双边滤波，Frangi滤波，高斯滤波，拉普拉斯滤波，Sobel滤波等。然后，在经过滤波处理过的图像上通过曲线拟合(curve fitting)找到冠脉的边界，进行冠脉分割，将图像分割为冠脉和背景。

如图4所示，在基于人工智能算法对冠脉进行分割的过程中，对原始的冠脉造影医学影像数据进行处理。处理方式包括但不限于数据白化(data whitening)和数据扩增(data augmentation)。数据白化是将原始的医学影像的灰度值[0～255]线性映射到[0,1]。数据扩增是通过平移、旋转、镜像、亮度变化、增加噪声和缩放等方法扩充数据样本，从而提高人工智能算法的准确率和鲁棒性。具体的处理流程为第1步：通过神经网络，基于医学影像得到预测的结果；第2步：把预测结果和人工标注做比较，反馈给神经网络；第3步：更新神经网络，使其朝着减少预测误差的方向演进。本实施例中通过使用大量数据，成千上万次的重复上述迭代过程，最终预测结果会和人工标准接近。

步骤S212，基于初步三维模型中的血管形状，确定血管的中心线；

步骤S213，基于中心线对应的横截面，确定血管的轮廓。

本实施例中生成中心线的方法包括但不限于最小代价路径法(minimal costpath)，区域增长法(region growth)，骨架化算法(skeleton)和人工智能算法。生成轮廓的方法包括但不限于滤波法，梯度法和人工智能算法。其中，最小代价路径法是将图像转换为非负加权的距离图(distance map)，然后根据最小代价的原则得到冠脉中心线。区域增长法是选取一个种子点，从该种子点开始，扩展区域。通过不断迭代，得到冠脉的中心线。如图5所示，骨架化算法是将图像骨架化，从而得到冠脉的中心线。

滤波法是使用滤波器对轮廓的原始图像进行处理，滤波器包括但不限于：中值滤波，均值滤波，双边滤波，Frangi滤波，高斯滤波，拉普拉斯滤波，Sobel滤波等。然后再在经过处理的图像上找到冠脉轮廓的边界，并进行分割，得到轮廓和背景。梯度法可以看做是滤波法的一种特殊情况，即滤波器为梯度滤波器。该滤波器将原始图像转换为梯度值，然后根据最大梯度，找到轮廓的边界并进行分割，得到轮廓和背景。中心线和轮廓的人工智能算法与初分割的人工智能算法类似，通过反馈人工标注的中心线或轮廓给神经网络，从而让神经网络学习得到冠脉的中心线或轮廓。

步骤S214，基于血管的轮廓以及血管的中心线，对血管进行建模，得到医学影像中血管对应的冠脉模型。

如图6所示，基于初分割的结果时，将冠脉树联合主动脉连接融合在一起，对模型进行光滑处理，得到最后的3D模型；基于中心线和轮廓时，沿着中心线，对轮廓进行放样，得到每根血管的3D模型。然后将所有冠脉模型联合主动脉连接融合在一起，对模型进行光滑处理，得到最后的3D模型。再在3D模型上，生成结构化或者非结构化的网格，用于后续的仿真计算。

需要说明的是，除了上述通过路线3的方式确定冠脉模型之外，本实施例中还可以通过路线1中的方式，先基于医学影像进行动脉进行分割，得到医学影像中血管对应的冠脉三维模型和网格。还可以通过路线2中的方式，基于医学影像确定其中的中心线和轮廓，之后仿真得到医学影像中血管对应的冠脉三维模型和网格。

在步骤S220中，对医学影像中指定的目标部位进行分割，得到目标部位对应的部位分割结果；目标部位包括心室。

本实施例中的目标区域可以包括心室，例如，左心室、右心室等等，除此之外，还可以包括人体或者动物的其它部位，或者手动选取的部位等等，此处不做限定。

在对医学影像中指定的目标部位进行分割的过程中，可以通过阈值法、滤波法或者人工智能算法得到。具体说明如下：在通过阈值法对医学影像中指定的目标部位进行分割的过程中，根据原始图像主动脉的图像强度，选取合适的图像强度阈值范围[a,b]。根据选定的阈值，对图像进行分割，将图像分割为目标部位和背景。在通过滤波法对医学影像中指定的目标部位进行分割的过程中，使用滤波器对原始图像进行处理,滤波器包括但不限于：中值滤波、均值滤波、双边滤波、Frangi滤波、高斯滤波、拉普拉斯滤波、Sobel滤波等。在经过滤波处理过的图像上找到目标部位的边界，进行目标部位分割，将图像分割为目标部位和背景。

在通过人工智能算法对医学影像中指定的目标部位进行分割的过程中，步骤S220中对医学影像中指定的目标部位进行分割，得到目标部位对应的部位分割结果的过程，包括：将医学影像输入预先训练得到的分割模型中进行分割，生成医学影像中血管对应的冠脉模型；其中，分割模型为将医学影像样本输入基于神经网络构建的模型中，生成医学影像样本对应的预测分割结果，并将预测分割结果与医学影像样本对应的标注分割结果进行对比，以通过生成的对比结果对分割模型中的参数进行更新而得到的。

本实施例中，基于人工智能的机器学习算法，可以训练得到部位分割模型，具体的在对部位分割模型进行训练的过程中，包括如下步骤：获取医学影像样本；对医学影像样本进行数据扩增，得到医学影像样本对应的衍生样本；将医学影像样本和衍生样本输入基于神经网络构建的部位分割模型中，得到医学影像样本和衍生样本对应的预测部位分割结果；将预测部位分割结果与医学影像样本对应的标注部位分割结果进行对比；通过生成的对比结果更新部位分割模型中的参数。

由于实际情况中，各家医院采用不同的医学影像设备，造成同一个深度学习模型有较大的分割结果差异。本实施例中将原始的医学影像等进行白化(灰度值0～255线性映射到[0,1])，增加深度学习模型的鲁棒性。同时由于医学影像数据的样本数较少，在深度学习训练时需要人为增加数据样本以改进分割结果的鲁棒性。相较于现有的技术采用简单复制样本的方法来扩增数据样本，本实施例中通过图像平移、旋转、镜像、亮度变化和缩放等数据扩增的方法来改进分割结果，尤其是增加一个服从正态分布噪声的数据扩增方法改进分割效果明显。本实施例中通过对原始的冠脉造影医学影像数据做数据预处理及数据扩增(data augmentation)工作，以在提高深度学习分割算法的准确率、鲁棒性。

如图7所示，本实施中在对部位分割模型进行分割的过程中，主要步骤包括：第1步：通过神经网络，基于医学影像得到预测的结果；第2步：把预测结果和人工标注做比较，反馈给神经网络；第3步：更新神经网络，使其朝着减少预测误差的方向演进。本实施例中使用大量数据，成千上万次的重复上述迭代过程，最终预测结果会和人工标准接近。

在对部位分割模型进行应用的过程中，本实施例中部位分割结果包括三维分割结果；步骤S220中对医学影像中指定的目标部位进行分割，得到目标部位对应的部位分割结果，包括：将医学影像中输入预先训练得到的部位分割模型中，得到目标部位对应的预测概率图；基于设定的二值化阈值，对预测概率图进行二值化，生成目标部位对应的三维分割结果。

如图8所示，训练结束后，3D情况下将得到1个神经网络模型。得到分割结果的流程可分为2步：第1步：将3D心室图像输入训练好的部位分割模型中，即全图心室分割的神经网络，得到预测概率图P；第2步：对概率图P进行阈值为0.5的二值化，得到全图心室分割结果。

在针对二维图像进行处理的情况下，医学影像包括目标部位对应于各角度的截面影像，其中截面影像包括在矢状面、冠状面和横截面分别对应的影像；部位分割结果包括二维分割结果；步骤S220中对医学影像中指定的目标部位进行分割，得到目标部位对应的部位分割结果，包括：基于各角度对应的截面影像，将截面影像输入截面影像的角度对应的二维分割网络中，生成截面影像对应的概率图像；求取各角度对应的概率图像中像素值的平均值，得到目标部位对应的平均概率图；基于设定的二值化阈值，对平均概率图进行二值化处理，得到目标部位对应的分割结果。

本实施例中在2D情况下将得到3个神经网络模型，分别用于预测矢状面、冠状面和横截面的图像分割。以左心室作为目标部位为例，本实施例中生成分割结果的流程可分为3步：第1步：3D左心室图像沿垂直矢状面(或冠状面、横截面)方向，依次将每个截面输入训练好的矢状面(或冠状面、横截面)2D神经网络。得到矢状面(或冠状面、横截面)方向的3D概率图PA(或PB,PC)；第2步：对概率图P进行阈值为0.5的二值化，得到全图左心室分割结果，对概率图中的每个点求概率平均值：PFusion(x,y,z)＝1/3*∑[PA(x,y,z)+PB(x,y,z)+PC(x,y,z)]；第3步中对平均概率图PFusion进行阈值为0.5的二值化，得到全图左心室分割结果。

本实施例中步骤S220中对医学影像中指定的目标部位进行分割，得到目标部位对应的部位分割结果之后，还包括：基于部位分割结果，确定部位分割结果中每个特征点对应的三维坐标；基于三维坐标，确定包含目标部位的长方体框架的角点坐标；基于角点坐标，确定坐标极值；响应于基于坐标极值触发的裁切指令，从部位分割结果中裁切出部分区域，将部分区域作为新的部位分割结果来确定生理学参数。

具体的，在生成部位分割结果之后，可以人为的从中选取部位区域作为新的部位分割结果进行之后的针对性处理。

示例性的，以左心室为例，计算感兴趣的区域边框的流程可以分为3步：第1步：遍历全图的左心室分割结果的每个点，计算点(x,y,z)在每一维上的最小值与最大值[xmin,xmax],[ymin,ymax],[zmin,zmax]。第2步：得到全图左心室分割结果的边框，该边框的8个点分别为[xmin,ymin,zmin]、[xmin,ymin,zmax]、[xmin,ymax,zmin]、[xmin,ymax,zmax]、[xmax,ymin,zmin]、[xmax,ymin,zmax]、[xmax,ymax,zmin]、[xmax,ymax,zmax]。第3步：将边框的各个点分别向外扩大一定的范围。之后对感兴趣的区域进行提取，分为2步：第1步：根据左心室分割的边框，获得左下角和右上角的坐标分别为[xmin,ymin,zmin]、[xmax,ymax,zmax]；第2步：根据左下角和右上角的坐标，裁切对应图像中的左心室感兴趣区域，从部位分割结果中裁切出部分区域，将部分区域作为新的部位分割结果来确定生理学参数。

在提取出心室感兴趣区域之后，区域心室分割与全图心室分割类似，方法包括但不限于阈值法、滤波法、区域生长法、Graph Cut、Active Contour方法、人工智能方法，例如图9中所示的基于区域左心室分割的神经网络的机器学习、深度学习等方法。

在步骤S230中，基于至少一个采样时相采集的医学影像对应的部位分割结果，确定目标部位对应的生理学参数。

在本申请的一个实施例中，本实施例中的部位分割结果可以包括至少一个采样时相对应的分割结果，例如，一个采样时刻对应的部分分割结果，或者多个采样时刻对应的部分分割结果。

在本申请的一个实施例中，在采样时相的数目为多个时，步骤S230中基于至少一个采样时相采集的医学影像对应的部位分割结果，确定目标部位对应的生理学参数的过程，包括步骤S231～步骤S233：

步骤S231，基于部位分割结果，确定目标区域的体积；

本申请实施例中，可以通过图像像素估算的方式确定目标区域对应的体积，还可以基于部位分割结果，确定部位分割结果对应的像素单位体积，以及部位分割结果对应于目标区域实际大小的像素间距；基于像素单位体积和像素间距之间乘积，确定目标区域的体积。

如图10所示，本实施例中先对心室分割结果进行后处理，例如取最大连通区域，光滑等等，之后计算心室物理体积VPhy＝VPix*spacing＝∑(P＝Label)*spacing。其中，VPix表示像素单位体积；spacing表示目标区域实际大小的像素间距；P、Label表示分割结果中的标签。

步骤S232，基于多个采样时相中各采样时相采集的医学影像对应的部位分割结果，确定各采样时相的目标区域的体积；

本申请实施例中，当采样时相有多个时，基于多个采样时相中各采样时相采集的医学影像对应的部位分割结果，确定各采样时相的目标区域的体积分别为：V1，V2，V3，…，Vn。

步骤S233，基于多个采样时相的目标区域的体积、以及针对多个采样时相中各采样时相预设的权重，确定目标部位对应于采集周期内的生理学参数，其中生理学参数包括血流量、心输出量。

本实施例中，基于多个采样时相的目标区域的体积、以及针对多个采样时相中各采样时相预设的权重，确定目标部位对应于采集周期内的生理学参数为：a0+a1 V1+a2 V2+a3 V3+…+an Vn，其中，ai为与时相相关的预设参数。

可选的，本实施例中生理学参数包括：心脏的每搏输出量、心输出量、冠脉血流量等等。

示例性的，在一个心跳周期中，只包含一个收缩期和一个舒张期心室体积，当只有一个舒张期心室体积V1和一个收缩期心室体积V2时，生理学参数的计算公式变为：患者的生理学参数＝a0+a1 V1+a2 V2；其中，其中ai为与时相相关的常数，在一个心跳周期中，a0＝1；a1＝1；a2＝-1；则计算得到的心脏的每搏输出量＝V1-V2。

在本申请的一个实施例中，生理学参数包括心输出量，在采样时相的数目为一个时，步骤S230中基于至少一个采样时相采集的医学影像对应的部位分割结果，确定目标部位对应的生理学参数的过程，包括如下步骤：获取采样时相对应的预设权重；基于部位分割结果，确定心室的体积；基于心室的体积以及预设权重，确定患者的生理学参数，生理学参数包括：心脏的每搏输出量、心输出量、冠脉血流量等等。

特别地，当只有一个时相的心室体积V1时，获取采样时相对应的预设权重为a0和a1。之后计算生理学参数为：患者的生理学参数＝a0+a1V1。

上述方案中通过结合时相信息，利用心室体积来计算患者的生理学参数是一个新的思路。与传统的基于心肌体积的方案相比，该方法的计算原理是不一样的。基于心室体积的方案在试验中也取得了更好的准确率，从而预测出更加准确的患者血动力学参数和功能学评价指标。

在步骤S240中，基于冠脉模型对应的形态参数、以及基于生理学参数生成的流体参数，对冠脉血液流动进行仿真，得到冠脉的血流动力学参数。

在基于冠脉模型对应的形态参数、以及生理学参数生成的流体参数，对冠脉血液流动进行仿真，得到冠脉的血流动力学参数的过程，具体包括步骤S241～S243：

步骤S241，基于冠脉模型对应的形态参数、以及生理学参数生成的流体参数。

本实施例中生成进行流体力学仿真的边界条件的过程具体包括：基于冠脉模型对应的形态参数，确定各个冠脉出口的流阻；基于生理学参数，生成流体参数，其中，流体参数包括冠脉入口流量；将形态参数和流体参数作为进行流体力学仿真的边界条件。具体的，根据上述过程中获取到的患者生理学参数，计算出患者的冠脉入口流量，并设置为边界条件；根据3D模型中各个血管的形态学参数，如面积、长度、体积，计算出各个冠脉出口的流阻，并设置为边界条件。

步骤S242，基于设定的仿真参数和边界条件，对冠脉血液流动进行仿真，得到仿真结果；其中，仿真包括流体力学仿真、电路仿真或基于深度学习的仿真。流体力学仿真是利用计算机求解流体力学方程，从而得到计算域中各点的物理参数的仿真方法。电路仿真指的是将心脏、血管、心肌等人体部位等效为电子元件，将血流等效为电流，然后求解电路方程得到物理参数。基于深度学习的仿真指的是，利用深度学习的方法，对模型和边界条件进行学习，通过大量次数的迭代，得到能预测物理参数的模型。

本实施例中在确定了边界条件之后，基于流体及管壁材料的属性、给定流场的初始条件、同时结合流体仿真求解器需要的其他参数对冠脉血液流动进行仿真，得到仿真结果。其中，仿真包括流体力学仿真、电路仿真或基于深度学习的仿真等等。

可选的，本实施例中对冠脉血液流动进行仿真的过程中，除了用3D模型外，也可以用1D模型。

步骤S243，基于仿真结果，计算冠脉的血流动力学参数，其中，血流动力学参数包括以下至少一种：流体压力、流速、壁面剪切力、血流储备分数、震荡剪切指数。

在基于上述参数对冠脉血液流动进行仿真得到仿真结果之后，基于仿真结果，计算冠脉的血流动力学参数。具体的，本实施中在计算血流动力学参数的过程中，可以通过计算机(个人电脑、集群式计算机、云计算平台、服务器)求解不可压缩流Navier-Stokes方程，得到流体压力和流速等血流动力学参数。

可选的，本实施中的血流动力学参数包括壁面剪切力、血流储备分数、震荡剪切指数等等。

综上，本实施例产生的有益效果是多方面的、高效的、自动化的和准确的。在高度自动化的操作下，精准地进行冠脉三维建模，并不局限于操作系统；自动化程度高，只需加载DICOM文件，即可自动得到最终的评估结果；结果更加准确，从人体生理学原理出发，设计更加准确的生理学参数计算方案，从而得到更加准确的功能学评估结果；以用户为中心，除了自动化得到结果，本技术方案同时也提供手动调整的方法，在生成中心线、生成轮廓、生成网格等环节都有高度的自由度，用户可以根据实际的情况对模型和网格进行调整；交互良好，在手动调整的方法中，交互简洁、直观，尽可能降低产品的复杂程度。

以下介绍本申请的装置实施例，可以用于执行本申请上述实施例中的确定冠脉参数的方法。可以理解的是，所述装置可以是运行于计算机设备中的一个计算机程序(包括程序代码)，例如该装置为一个应用软件；该装置可以用于执行本申请实施例提供的方法中的相应步骤。对于本申请装置实施例中未披露的细节，请参照本申请上述的确定冠脉参数的方法的实施例。

图11示出了根据本申请的一个实施例的确定冠脉参数的装置的框图。

参照图11所示，根据本申请的一个实施例的确定冠脉参数的装置1100，包括：

冠脉分割单元1110，用于对待处理的医学影像中的血管进行分割，得到所述医学影像中血管对应的冠脉模型；部位分割单元1120，用于对所述医学影像中指定的目标部位进行分割，得到所述目标部位对应的部位分割结果；所述目标部位包括心室；第一参数单元1130，用于基于至少一个采样时相采集的医学影像对应的部位分割结果，确定所述目标部位对应的生理学参数；第二参数单元1140，用于基于所述冠脉模型对应的形态参数、以及基于所述生理学参数生成的流体参数，对冠脉血液流动进行仿真，得到冠脉的血流动力学参数。

在本申请的一些实施例中，基于前述方案，在所述采样时相的数目为多个时：所述第一参数单元1130包括：第一体积单元，用于基于所述部位分割结果，确定所述目标区域的体积；第二体积单元，用于基于所述多个采样时相中各采样时相采集的医学影像对应的部位分割结果，确定所述各采样时相的目标区域的体积；第三参数单元，用于基于所述多个采样时相的目标区域的体积、以及针对所述多个采样时相中各采样时相预设的权重，确定目标部位对应于采集周期内的生理学参数，其中所述生理学参数包括血流量、心输出量。

在本申请的一些实施例中，基于前述方案，所述第一体积单元用于：基于所述部位分割结果，确定所述部位分割结果对应的像素单位体积，以及所述部位分割结果对应于目标区域实际大小的像素间距；基于所述像素单位体积和所述像素间距之间乘积，确定所述目标区域的体积。

在本申请的一些实施例中，基于前述方案，所述生理学参数包括心输出量，在所述采样时相的数目为一个时：所述第一参数单元1130用于获取所述采样时相对应的预设权重；基于所述部位分割结果，确定所述心室的体积；基于所述心室的体积以及所述预设权重，确定所述心输出量。

在本申请的一些实施例中，基于前述方案，所述冠脉分割单元1110用于：基于所述医学影像的像素，所述医学影像中的动脉进行分割，得到所述医学影像中血管对应的初步三维模型；基于所述初步三维模型中的血管形状，确定所述血管的中心线；基于所述中心线对应的横截面，确定血管的轮廓；基于所述血管的轮廓以及所述血管的中心线，对所述血管进行建模，得到所述医学影像中血管对应的冠脉模型。

在本申请的一些实施例中，基于前述方案，所述部位分割单元1120用于将所述医学影像输入预先训练得到的分割模型中进行分割，生成所述医学影像中血管对应的冠脉模型；其中，所述分割模型为将医学影像样本输入基于神经网络构建的模型中，生成所述医学影像样本对应的预测分割结果，并将所述预测分割结果与所述医学影像样本对应的标注分割结果进行对比，以通过生成的对比结果对所述分割模型中的参数进行更新而得到的。

在本申请的一些实施例中，基于前述方案，所述所述部位分割结果包括三维分割结果；所述部位分割单元1120用于将所述医学影像中输入预先训练得到的部位分割模型中，得到所述目标部位对应的预测概率图；基于设定的二值化阈值，对所述预测概率图进行二值化，生成所述目标部位对应的三维分割结果。

在本申请的一些实施例中，基于前述方案，所述确定冠脉参数的装置1100还用于：获取医学影像样本；对所述医学影像样本进行数据扩增，得到所述医学影像样本对应的衍生样本；将所述医学影像样本和所述衍生样本输入基于神经网络构建的部位分割模型中，得到所述医学影像样本和所述衍生样本对应的预测部位分割结果；将所述预测部位分割结果与所述医学影像样本对应的标注部位分割结果进行对比；通过生成的对比结果更新所述部位分割模型中的参数。

在本申请的一些实施例中，基于前述方案，所述医学影像包括所述目标部位对应于各角度的截面影像，其中所述截面影像包括在矢状面、冠状面和横截面分别对应的影像；所述部位分割结果包括二维分割结果；所述部位分割单元1120用于基于各角度对应的截面影像，将所述截面影像输入所述截面影像的角度对应的二维分割网络中，生成所述截面影像对应的概率图像；求取所述各角度对应的概率图像中像素值的平均值，得到所述目标部位对应的平均概率图；基于设定的二值化阈值，对所述平均概率图进行二值化处理，得到所述目标部位对应的分割结果。

在本申请的一些实施例中，基于前述方案，所述确定冠脉参数的装置1100还用于：基于所述部位分割结果，确定所述部位分割结果中每个特征点对应的三维坐标；基于所述三维坐标，确定包含所述目标部位的长方体框架的角点坐标；基于所述角点坐标，确定坐标极值；响应于基于所述坐标极值触发的裁切指令，从所述部位分割结果中裁切出部分区域，将所述部分区域作为新的部位分割结果来确定生理学参数。

在本申请的一些实施例中，基于前述方案，所述第二参数单元1140包括：边界单元，用于基于所述冠脉模型对应的形态参数、以及基于所述生理学参数生成的流体参数，生成进行流体力学仿真的边界条件；仿真单元，用于基于设定的仿真参数和所述边界条件，对冠脉血液流动进行仿真，得到仿真结果；其中，所述仿真包括流体力学仿真、电路仿真或基于深度学习的仿真；参数计算单元，用于基于所述仿真结果，计算冠脉的血流动力学参数，其中，所述血流动力学参数包括以下至少一种：流体压力、流速、壁面剪切力、血流储备分数、震荡剪切指数。

在本申请的一些实施例中，基于前述方案，所述边界单元用于基于所述冠脉模型对应的形态参数，确定各个冠脉出口的流阻；基于所述生理学参数，生成流体参数，其中，所述流体参数包括冠脉入口流量；将所述形态参数和所述流体参数作为进行流体力学仿真的边界条件。

图12示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。

需要说明的是，图12示出的电子设备的计算机系统1200仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图12所示，计算机系统1200包括中央处理单元(Central Processing Unit，CPU)1201，其可以根据存储在只读存储器(Read-Only Memory，ROM)1202中的程序或者从储存部分1208加载到随机访问存储器(Random Access Memory，RAM)1203中的程序而执行各种适当的动作和处理，例如执行上述实施例中所述的方法。在RAM 1203中，还存储有系统操作所需的各种程序和数据。CPU 1201、ROM 1202以及RAM 1203通过总线1204彼此相连。输入/输出(Input/Output，I/O)接口1205也连接至总线1204。

以下部件连接至I/O接口1205：包括键盘、鼠标等的输入部分1206；包括诸如阴极射线管(Cathode Ray Tube，CRT)、液晶显示器(Liquid Crystal Display，LCD)等以及扬声器等的输出部分1207；包括硬盘等的储存部分1208；以及包括诸如LAN(Local AreaNetwork，局域网)卡、调制解调器等的网络接口卡的通信部分1209。通信部分1209经由诸如因特网的网络执行通信处理。驱动器1210也根据需要连接至I/O接口1205。可拆卸介质1211，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1210上，以便于从其上读出的计算机程序根据需要被安装入储存部分1208。

特别地，根据本申请的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的计算机程序。在这样的实施例中，该计算机程序可以通过通信部分1209从网络上被下载和安装，和/或从可拆卸介质1211被安装。在该计算机程序被中央处理单元(CPU)1201执行时，执行本申请的系统中限定的各种功能。

需要说明的是，本申请实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory，EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory，CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的计算机程序。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的计算机程序可以用任何适当的介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。其中，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。

根据本申请的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各种可选实现方式中提供的方法。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备实现上述实施例中所述的方法。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本申请的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本申请实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本申请实施方式的方法。

本领域技术人员在考虑说明书及实践这里公开的实施方式后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。

应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。