一种基于深度学习预测冠状动脉狭窄阻力的系统与方法与流程

本发明属于人工智能领域，是一种基于深度学习预测冠状动脉狭窄阻力的系统与方法。

背景技术：

ffr是一项直接描述功能性心肌缺血程度的可靠指标，可在相关研究中通过数值模拟获得，而冠状动脉狭窄阻力的确定对于数值计算ffr尤为重要。本项冠状动脉狭窄阻力确定方法拟为无创获取ffr(被定义为狭窄远端平均压力(pd)与主动脉根部平均压力(pa)的比值)值精确度提供计算依据。

机器学习是一门多领域交叉学科，而深度学习是机器学习领域中一个新的研究方向，是学习样本数据的内在规律和表示层次，最终目的是让机器能够像人一样具有分析学习能力，能够识别文字，图像，形状等数据。本方法结合深度学习与数值模拟提出了一种基于深度学习预测冠状动脉狭窄阻力的算法实现了基于冠状动脉几何参数确定狭窄阻力，同时提高无创计算ffr数值模拟结果的准确性。对于个性化冠状动脉生理疾病的诊断、治疗策略研究具有一定理论价值。

技术实现要素：

本发明提供一种基于深度学习预测冠状动脉狭窄阻力的算法，相较于数值模拟更加快速准确，普遍适用于确定血管狭窄产生的狭窄阻力计算。该项基于深度学习预测冠状动脉狭窄阻力的算法包括以下步骤：包括血管模型的构建、模型网格预处理、目标参数提取、建立数据库、建立神经网络、预测验证。

为达到上述目的，本发明通过以下技术方案来实现：

一种基于深度学习预测冠状动脉狭窄阻力的系统，其特征在于，是通过以下方法预测冠状动脉狭窄阻力的，包括以下步骤：

步骤a1：基于真实冠脉解剖结构参数构建冠脉血管模型并记录冠脉血管模型参数(例：入口面积、狭窄面积、狭窄长度、狭窄面积等)；

步骤a2：基于血管模型进行模型网格化预处理；

步骤a3：基于几何多尺度血流动力学计算预处理模型并提取血管模型狭窄阻力；

步骤a4:基于数据提取与血管模型参数建立狭窄阻力训练集与预测集；

步骤a5：基于bp神经网络建立神经网络框架；

步骤a6：基于深度学习对狭窄阻力训练集进行训练与对预测集进行预测验证。

1.作为本发明的技术方案，步骤a1中所述特征，首先基于真实冠脉解剖结构参数构建冠脉血管模型,通过soldwork软件构造冠状动脉血管模型。构建模型要求如下：入口面积、血管长度、狭窄率等形状参数应符合真实血管的参数。例如：血管直径d(2-6mm)、狭窄长度ls＝(2-40mm)、狭窄率ds％(20-90％)、狭窄直径ds＝d*(1-ds％)、血管长度l＝ls+d*8+d*12)；

作为本发明进一步的技术方案，步骤a2中所述特征，基于血管模型进行模型网格化预处理，计算软件支持网格文件的输入形式，因此对模型网格化前执行如下预处理步骤：

步骤b1：通过soldworks软件对构建血管模型导出x_t格式；

步骤b2：通过ansysworkbench15.0网格划分子功能模块对构建的血管模型进行算前网格划分，该步骤要求对网格做敏感性分析，排除网格因子对计算结果的影响。

作为本发明进一步的技术方案，步骤a3中所述特征，基于多尺度血流动力学计算预处理模型提取血管模型狭窄阻力。具体实施过程包括以下步骤：

步骤c1：给予同静息流量确定对应零维后负荷模型，零维冠脉后负荷模型由基本电子元器件电感和电阻构成，血流动力学参数与物理电学参数等效关系如表1。

表1血流动力学参数与物理电学参数等效关系

可以假设一段血管长度为l，血管横截面积为a，一段血管的零维及三维对应参数关系见图5，则根据frank建立的弹性腔理论，该段血管上的流量、压力及相关阻力之间的定量关系可以表示为：

δp＝q*r′#(1)

公式中δp表示在该段血管中产生的压降，q表示该支血管的血流量，r’表示该段血管产生的粘性阻力；μ为正常生理下血液粘度值，其值为3.5e-3pa·s；l表示该段血管长度，a表示该段血管横截面积。

以电感的自感应性等效于血流的流动惯性，电阻的阻力效应等效于冠脉各分支微循环阻力。那么零维模型中电阻r及电感l值为：

公式中p末表示该段血管末端压力，ρ表示血流密度值，定义其为1060kg/m³。

步骤c2：将网格化模型导入ansys-cfx流体计算软件中，赋予流体计算参数血流密度和血流动力粘度值(即正常生理下血液粘度值)；；

步骤c3：对于边界条件的确定与三维模型的压力-流量-后负荷关系计算结果为依据，在血管入口给定平均动脉压，出口定义虚拟流量边界，并耦合零维后负荷模型

步骤c4：数值模拟计算中，设置时间为1.2s，设置时间步长为0.01s，执行仿真计算过程。

步骤c5：计算完成后在狭窄后30mm处提取血管压力，通过与血管入口压力的比较得出预处理模型的压差，通过压差除以流量得到狭窄阻力。并提取狭窄入口的血流量。

作为本发明进一步的技术方案，步骤a4中所述特征，基于数据提取与血管模型参数建立狭窄阻力训练集与预测集；通过步骤a1、a2、a3对340根不同狭窄参数血管进行计算，提取的血管模型的狭窄阻力和血流量与血管模型的几何参数构建深度学习的数据集，将数据集分为训练集和测试集。

作为本发明进一步的技术方案，步骤a5中所述特征，基于bp神经网络建立神经网络框架，具体实施包括以下步骤：

步骤d1：建立深度学习隐藏层，设定隐藏层数、隐藏层节点数和激活函数等；

步骤d2：选择合适的优化器、loss函数和其他超参数。

作为本发明进一步的技术方案，步骤a5中所述特征，基于深度学习对狭窄阻力训练集进行训练与对预测集进行预测验证。具体实施过程包括以下步骤：

步骤e1：通过pandas模块将训练集和测试集导入程序中；

步骤e2：通过相关系数矩阵分析血管几何参数对血管模型的狭窄阻力的影响，并分析避免变量之间的多重共线性，最终得到七个相关性较强的变量分别为入口面积、狭窄面积、狭窄入口长度、狭窄出口长度、最小狭窄长度、狭窄率、入口血流量。

步骤e3：将处理后的数据导入神经网络框架中，进行超参数的调节。

步骤e4：保存训练模型，执行预测血管模型的狭窄阻力。

采用本发明的系统预测的冠状动脉狭窄阻力比较准确，误差小。

附图说明：

图1:本发明方法的流程图

图2：血管模型图

图3：零维三维耦合模型图

图4：参数矩阵相关性分析

图5：神经网络结构

图6：预测数值与计算数值比对图

具体实施方式

下面结合实施例随本发明组进一步说明，但本发明并不限于以下是实施例。

实施例1

一种基于深度学习预测冠状动脉狭窄阻力的系统，是通过以下方法预测冠状动脉狭窄阻力的，包括以下步骤：

步骤a1：基于真实冠脉解剖结构参数构建冠脉血管模型并记录冠脉血管模型参数(入口面积、狭窄面积、狭窄入口长度、狭窄出口长度、最小狭窄长度、狭窄率)；

步骤a2：基于血管模型进行模型网格化预处理；

步骤a3：基于几何多尺度血流动力学计算预处理模型并提取血管模型狭窄阻力；

步骤a4:基于数据提取与血管模型参数建立狭窄阻力训练集与预测集；

步骤a5：基于bp神经网络建立神经网络框架；

步骤a6：基于深度学习对狭窄阻力训练集进行训练与对预测集进行预测验证。

作为本发明的技术方案，步骤a1中所述特征，首先基于真实冠脉解剖结构参数构建冠脉血管模型,通过soldwork软件构造冠状动脉血管模型。构建模型要求如下：入口面积、血管长度、狭窄率等形状参数应符合真实血管的参数。例如：血管直径d(2-6mm)、狭窄长度ls＝(2-40mm)、狭窄率ds％(20-90％)、狭窄直径ds＝d*(1-ds％)、血管长度l＝ls+d*8+d*12)

作为本发明进一步的技术方案，步骤a2中所述特征，基于血管模型进行模型网格化预处理，计算软件支持网格文件的输入形式，因此对模型网格化前执行如下预处理步骤：

步骤b1：通过soldworks软件对构建血管模型导出x_t格式；

步骤b2：通过ansysworkbench15.0网格划分子功能模块对构建的血管模型进行算前网格划分，该步骤要求对网格做敏感性分析，排除网格因子对计算结果的影响。

作为本发明进一步的技术方案，步骤a3中所述特征，基于多尺度血流动力学计算预处理模型提取血管模型狭窄阻力。具体实施过程包括以下步骤：

步骤c1：给予同静息流量确定对应零维后负荷模型，零维冠脉后负荷模型由基本电子元器件电感和电阻构成，血流动力学参数与物理电学参数等效关系如表1。

表1血流动力学参数与物理电学参数等效关系

可以假设一段血管长度为l，血管横截面积为a，一段血管的零维及三维对应参数关系见图3，则根据frank建立的弹性腔理论，该段血管上的流量、压力及相关阻力之间的定量关系可以表示为：

δp＝q*r′#(1)

公式中δp表示在该段血管中产生的压降，q表示该支血管的血流量，r’表示该段血管产生的粘性阻力；μ为正常生理下血液粘度值，其值为3.5e-3pa·s；l表示该段血管长度，a表示该段血管横截面积。

以电感的自感应性等效于血流的流动惯性，电阻的阻力效应等效于冠脉各分支微循环阻力。那么零维模型中电阻r及电感l值为：

公式中p末表示该段血管末端压力，ρ表示血流密度值，定义其为1060kg/m³。

步骤c2：将网格化模型导入ansys-cfx流体计算软件中，赋予流体计算参数血流密度和血流动力粘度值；

步骤c3：对于边界条件的确定与三维模型的压力-流量-后负荷关系计算结果为依据，在流体入口给定平均动脉压，出口定义虚拟流量边界，并耦合零维后负荷模型。

步骤c4：数值模拟计算中，设置时间为1.2s，设置时间步长为0.01s，执行仿真计算过程。

步骤c5：计算完成后在狭窄后30mm处提取血管压力，通过与入口压力的比较得出预处理模型的压差，通过压差除以流量得到狭窄阻力。并提取狭窄入口的血流量。

作为本发明进一步的技术方案，步骤a4中所述特征，基于数据提取与血管模型参数建立狭窄阻力训练集与预测集；通过步骤a1、a2、a3对340根不同狭窄参数血管进行计算，提取的血管模型的狭窄阻力和血流量与血管模型的几何参数构建深度学习的数据集，将数据集分为训练集和测试集。

作为本发明进一步的技术方案，步骤a5中所述特征，基于bp神经网络建立神经网络框架，具体实施包括以下步骤：

步骤d1：步骤d3：建立深度学习隐藏层选用keras的dense层，输入层为7个变量，输出层为1个狭窄阻力、设定隐藏层为7层、使用激活函数tanh函数

步骤d2：选择adam优化器调节lr,beta_1,beta_2,epsilon等超参数、loss函数选用mse(均方方差)：

作为本发明进一步的技术方案，步骤a5中所述特征，基于深度学习对狭窄阻力训练集进行训练与对预测集进行预测验证。具体实施过程包括以下步骤：

步骤d1：通过pandas模块将训练集和测试集导入程序中；

步骤d2：通过相关系数矩阵分析血管几何参数对血管模型的狭窄阻力的影响，并分析避免变量之间的多重共线性，最终得到七个相关性较强的变量分别为入口面积、狭窄面积、狭窄入口长度、狭窄出口长度、最小狭窄长度、狭窄率、入口血流量。

步骤d3：将处理后的数据导入神经网络框架中调节batch_size，epochs,validation_split,validation_freq等参数。

步骤d5：保存训练模型，执行预测血管模型的狭窄阻力。

本发明的目标是实现狭窄血管的狭窄阻力的预测，在建立数据集时使用理想模型进行数值模拟计算获得狭窄阻力，在实际应用时使用真实病例cta数据进行模型重建对狭窄血管进行血管长度，入口面积，狭窄面积，狭窄入口长度，狭窄率，狭窄最小长度，狭窄出口长度、血管流量参数的提取，随后通过神经网络模型预测得出狭窄血管的狭窄阻力，从而获得无创ffr值。本方法通过数值模拟得出的狭窄阻力与神经网络预测的出狭窄阻力进行mse(均方误差)分析验证。最终mse结果为3.06％，符合应用标准5％以下。

起点商标作为专业知识产权交易平台，可以帮助大家解决很多问题，如果大家想要了解更多知产交易信息请点击 【在线咨询】或添加微信 【19522093243】与客服一对一沟通，为大家解决相关问题。

此文章来源于网络,如有侵权,请联系删除