一种心排量求解的方法、装置、设备及存储介质与流程

本发明实施例涉及医学图像处理技术领域，尤其涉及一种心排量求解的方法、装置、设备及存储介质。

背景技术：

冠状动脉血流储备分数(fractionalflowreserve，简称ffr)是临床评价心肌缺血的金标准，但是在测量过程中需要将压力导丝伸入到冠脉中，其属于有创测量会给病人带来痛苦与风险。随着技术的发展，ffrct技术逐渐开始应用于临床，通过对ct图像进行三维重建，结合计算流体力学的方法，得到整个冠脉的压力分布，从而获得关注点的ffr值，这样便可以实现对ffr的无创测量，减少病人痛苦，降低医疗成本。

当前在ffrct的求解流程中，一个重要的环节是边界条件的加载，而在确定边界条件时一个重要的参数是对心排量的评估，心排量的评估主要是基于患者收缩末期和舒张末期的心脏ct血管造影(ctangiography，cta)数据获得，其直接关系到最终的ffrct结果。当前临床上对于心排量的检测和评估主要分为有创、微创和无创三种方法。有创法是指经体表插入各种导管或探头到心腔或血管腔内直接测量心血管功能参数的方法，如通过插入swan-ganz导管的热稀释法等。微创法是指在有创的基础上发展出来的对机体创伤较小的检测方法，如脉搏指示剂连续心排量测定等。无创法是指采用对机体没有机械损害的方法获得的各种心血管功能参数，如经胸连续多普勒、经胸生物阻抗法等。

基于心脏cta数据获取心排量即为上述所描述的方法，但在临床上并不经常采用。临床上测量心排量的“金标注”为热稀释法，但其有创性以及对设备、技术以及操作人员的要求较高，限制了其实际使用。同时，这种心排量的评估也受制于其他几个因素的影响。例如，腔室分割结果的准确性；是否能够准确抓取合适的期相等。

技术实现要素：

本发明实施例提供了一种心排量求解方法、装置、设备及存储介质，以实现有效避免因分割或是扫描所导致的心排量预测的不稳定性，结合用户个体特征使预测的心排量更具代表性。

第一方面，本发明实施例提供了一种心排量求解方法，该方法包括：

采集当前用户的医学图像，并确定所述医学图像的图像特征；

获取与所述医学图像对应的扫描信息和所述当前用户的个体特征；

将所述图像特征、所述扫描信息和所述个体特征输入预先训练完成的心排量求解模型中，输出与所述当前用户对应的心排量。

可选地，所述采集当前用户的医学图像，并确定所述医学图像的图像特征，包括：

采集所述当前用户的医学图像，并对所述医学图像进行预处理；

将预处理后的所述医学图像输入预先建立的深度学习网络中，得到所述医学图像的图像特征；

其中，所述预处理包括去燥处理、去骨处理以及定位处理中的至少一个；所述图像特征包括心脏各腔室的体积信息。

可选地，所述方法还包括：

基于至少一张历史医学图像生成训练样本集；

将所述训练样本集输入到预先建立好的深度学习网络中，得到所述历史医学图像的输出图像特征；

根据所述输出图像特征与期望图像特征对所述深度学习网络的网络参数进行调整。

可选地，所述基于至少一张所述历史医学图像生成训练样本集，包括：

对至少一张历史医学图像进行扩增处理得到至少一张与所述历史医学图像对应的扩增图像；

将所述至少一张历史医学图像和所述至少一张扩增图像的集合作为训练样本集；

其中，所述扩增处理包括拉伸处理、旋转处理以及镜像处理中的至少一个。

可选地，所述方法还包括：

对至少一张历史医学图像进行特征提取，得到历史图像特征；

将与所述历史医学图像对应的扫描信息、历史用户的个体特征以及所述历史图像特征患者个人信息以及所述历史图像特征输入预先建立的心排量求解模型中，得到与所述历史医学图像对应的输出心排量；

基于所述输出心排量与期望心排量对所述心排量求解模型的模型参数进行调整。

可选地，所述心排量求解模型包括机器学习模型，所述机器学习模型包括线性回归模型或随机森林回归模型。

可选地，所述扫描信息包括扫描期相和/或扫描参数；所述个体特征包括性别、年龄、身高、体重以及既往病史中的至少一个。

第二方面，本发明实施例还提供了一种心排量求解装置，该装置包括：

图像特征确定模块，用于采集当前用户的医学图像，并确定所述医学图像的图像特征；

信息和特征获取模块，用于获取与所述医学图像对应的扫描信息和所述当前用户的个体特征；

心排量输出模块，用于将所述图像特征、所述扫描信息和所述个体特征输入预先训练完成的心排量求解模型中，输出与所述当前用户对应的心排量。

第三方面，本发明实施例还提供了一种设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现本发明实施例任一所述的心排量求解方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明实施例任一所述的心排量求解方法。

本发明实施例的技术方案，通过将医学图像的图像特征、与所述医学图像对应的扫描信息以及当前用户的个体特征输入心排量求解模型求解用户的心排量，相比较于现有技术中直接基于心脏cta腔室分割结果计算所得的心排量的求解方法，本发明实施例的心排量求解的结果不依赖于腔室分割结果以及准确抓取合适的期相等，而且操作简单，通过心排量求解模型求解用户心排量，可以有效避免因分割、扫描所导致的心排量预测不稳定性，而且在求解心排量时，不仅考虑到了医学图像的图像特征，还考虑到了扫描信息以及用户的个体特征，使得求解出的心排量更具代表性。

附图说明

图1是本发明实施例一所提供的一种心排量求解方法的流程示意图；

图2a是本发明实施例二所提供的一种心排量求解方法的流程示意图；

图2b为本发明实施例二所提供的一种心排量求解模型的训练方法的可选实例的示意图；

图3是本发明实施例三所提供的一种心排量求解装置的结构示意图；

图4是本发明实施例四提供的一种设备的硬件结构示意图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明具体实施例作进一步的详细描述。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。

另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。

实施例一

图1为本发明实施例一提供的一种心排量求解方法的流程图，本实施例可适用于快速稳定地求解心排量情况，该方法可以由心排量求解装置来执行，该装置可以通过软件和/或硬件的方式实现，可独立配置于终端或服务器中用于执行本发明实施例的心排量求解方法。

如图1所示，本实施例的方法具体包括如下：

s110、采集当前用户的医学图像，并确定所述医学图像的图像特征。

可选地，采集当前用户的医学图像可以是基于ct系统、磁共振系统以及超声成像等医学成像技术所采集的当前用户的医学图像。进而，通过人为和/或图像特征提取算法等提取出所述医学图像的图像特征。其中，图像特征可以包括图像的颜色特征、纹理特征、形状特征以及空间关系特征等。可以理解的是，所述医学图像可以包括所有能够表征心排量的图像，可以是心脏的医学图像，也可以是对其余能够表征心排量的组织器官的医学图像。示例性地，所述医学图像可以包括但不仅限于心脏cta数据。所述图像特征可包括心脏各腔室的体积信息等。

考虑到心排量往往会受到多重因素的影响，而且医学图像往往能够是有效参考数据，包含有丰富的图像信息，为了更好地提取出所述医学信图像中的有效信息，在本发明实施例中，可采用深度学习网络对所述医学图像的进行图像特征提取，相对于传统方法只能提取一些简单、浅层的特征，通过深度学习网络可以提取更加丰富、深层的特征，有助于拟合出更加合理的心排量。

在此基础上，为了去除医学图像中对计算心排量无用的特征，还可以在采用深度学习网络对所述医学图像的进行图像特征提取之前，还可以对所述医学图像进行预处理，以降低特征维度，不仅能够避免无用特征的对心排量求解结果的干扰，还能够提升对医学图像的图像特征的提取效率。

s120、获取与所述医学图像对应的扫描信息和所述当前用户的个体特征。

其中，扫描信息可以包括扫描期相和/或扫描参数等与扫描相关的信息。其中，扫描参数进一步可包括分辨率、扫描序列以及扫描部位等。可以理解的是，医学图像对应的扫描信息往往与医学图像的成像数据息息相关，在心排量求解过程中，将扫描信息作为求解依据特征之一，能够充分考虑到由于扫描信息的不同对心排量求解所带来的影响。

示例性地，当前用户的个体特征包括当前用户的性别、年龄、身高、体重以及既往病史中的至少一个。当然，当前用户的个体特征还可以包括通过其他无创手段测得的个体特征。这样设置的好处在于，能够充分考虑到各不同用户之间的个体差异性，有针对性地，更加合理地对当前用户进行心排量的求解。

s130、将所述图像特征、所述扫描信息和所述个体特征输入预先训练完成的心排量求解模型中，输出与所述当前用户对应的心排量。

在本发明实施例中，心排量求解模型可以采用深度学习网络，也可以采用机器学习模型。示例性地，所述机器学习模型包括线性回归模型或随机森林回归模型等。

可以理解的是，在将所述图像特征、所述扫描信息和所述个体特征输入预先训练完成的心排量求解模型中，与所述当前用户对应的心排量之前，还包括：对所述心排量求解模型进行训练。具体可包括：对至少一张历史医学图像进行特征提取，得到历史图像特征；将与所述历史医学图像对应的扫描信息、历史用户的个体特征以及所述历史图像特征输入预先建立的心排量求解模型中，得到与所述历史医学图像对应的输出心排量；基于所述输出心排量与期望心排量对所述心排量求解模型的模型参数进行调整。

可选地，在对至少一张历史医学图像进行特征提取之前，还可以对历史医学图像进行预处理，去除医学图像中对计算心排量无用的特征，降低特征维度，避免无用特征的对心排量求解结果的干扰，提升对医学图像的图像特征的提取效率。可以理解的是，在对当前用户的医学图像进行预处理时，也可以采用对历史医学图像进行预处理的方法对当前用户的医学图像进行预处理。

本发明实施例的技术方案，通过将医学图像的图像特征、与所述医学图像对应的扫描信息以及当前用户的个体特征输入心排量求解模型求解用户的心排量，相比较于现有技术中直接基于心脏cta腔室分割结果计算所得的心排量的求解方法，本发明实施例的心排量求解的结果不依赖于腔室分割结果以及准确抓取合适的期相等，而且操作简单，通过心排量求解模型求解用户心排量，可以有效避免因分割、扫描所导致的心排量预测不稳定性，而且在求解心排量时，不仅考虑到了医学图像的图像特征，还考虑到了扫描信息以及用户的个体特征，使得求解出的心排量更具代表性。

实施例二

图2a为本发明实施例二所提供的一种心排量求解方法的流程图。本实施例的技术方案在上述各技术方案的基础上进行进一步细化，可选地，采集当前用户的医学图像，并确定所述医学图像的图像特征，包括：采集所述当前用户的医学图像，并对所述医学图像进行预处理；将预处理后的所述医学图像输入预先建立的深度学习网络中，得到所述医学图像的图像特征。

如图2a所示，本实施例的方法具体包括：

s210、采集当前用户的医学图像，并对所述医学图像进行预处理。

如前所述，图像预处理的主要目的是消除图像中无关的信息，恢复有用的真实信息，增强有关信息的可检测性和最大限度地简化数据，从而改进特征抽取的可靠性。示例性地，对医学图像的预处理可包括但不仅限于去燥处理、去骨处理以及定位处理中的至少一个。

可以理解的是，针对不同扫描部位的图像所进行的预处理可能相同也可能不同，例如有些医学图像需要记性去骨处理，有些医学图像不包括骨骼部分的图像可能不需要进行去骨处理，针对医学图像具体的预处理方式可以根据实际情况进行设置，再猜并不做具体限定。

s220、将预处理后的所述医学图像输入预先建立的深度学习网络中，得到所述医学图像的图像特征。

一般地，深度学习网络可大致理解为包含多个隐含层的神经网络结构，是利用深度神经网络来解决特征表达的一种学习过程。深度学习网络通常由多个层组成，通常将更简单的模型组合在一起，将数据从一层传递到另一层来构建更复杂的模型。深度学习网络能够通过训练大量数据自动得出模型。在深度学习网络的训练过程中，可通过调整深度学习网络的神经元的连接方法和激活函数等，提高深层神经网络的训练效果。

在本发明实施例中，可以通过有监督学习的方式训练深度神经网络，也可以通过无监督学习的方式训练深度神经网络。示例性地，本实施例的深度学习网络卷积神经网络等；

可以理解的是，在将预处理后的所述医学图像输入预先建立的深度学习网络中之前，还包括：对所述深度学习网络进行训练。为了保证数据的准确性，可以采用临床上的历史医学图像以及与所述医学图像对应的心排量求解结果对所述深度学习网络进行训练。

具体地，对所述深度学习网络进行训练可包括：基于至少一张历史医学图像生成训练样本集；将所述训练样本集输入到预先建立好的深度学习网络中，得到所述历史医学图像的输出图像特征；根据所述输出图像特征与所述期望图像特征对所述深度学习网络的网络参数进行调整。可以理解的是，训练样本集中可以包括一张、两张及两张以上的历史医学图像。为了保证深度学习网络的训练效果，训练样本集中可以包括多张历史医学图像。

由于历史医学图像通常来自于用户临床数据，样本量通常很珍贵，然而深度学习网络往往下需要大量的样本进行训练，因此，可以对历史图像数据进行扩增处理，以增加训练样本。具体地，所述基于至少一张所述历史医学图像生成训练样本集，可包括：对至少一张历史医学图像进行扩增处理得到至少一张与所述历史医学图像对应的扩增图像；将所述至少一张历史医学图像和所述至少一张扩增图像的集合作为训练样本集；其中，所述扩增处理包括拉伸处理、旋转处理以及镜像处理中的至少一个。这样不仅能够增加在训练样本的数量，而且通过扩增处理后的医学图像对深度学习网络进行训练，能够提高深度学习网络对医学图像的图像特征的提取能力。

需要说明的是，可以对一张、两张以及两张以上的历史医学图像进行扩增处理。例如，可以从历史医学图像中选取分辨率较高的医学图像进行扩增处理，保证深度学习网络学习效果。另外，对同一张图像可以进行一种、两种或多种扩增处理，对不同的图像可以进行相同的扩增处理，也可以进行不同的扩增处理。训练样本集中扩增图像的种类和数量都可以根据实际需求进行设置，再次并不做限定。

s230、获取与所述医学图像对应的扫描信息和所述当前用户的个体特征。

s240、将所述图像特征、所述扫描信息和所述个体特征输入预先训练完成的心排量求解模型中，输出与所述当前用户对应的心排量。

本实施例的技术方案，通过深度学习网络对医学图像的图像特征进行提取，在深度学习网络训练完成后，只需要将医学图像预处理后，输入深度学习网络即可，简化了图像提取的过程，提高了图像提取效率，同时还能够提取医学图像的深层特征，进而结合扫描信息和个性特征进行心排量的求解，使得求解出的心排量更加合理，更具有参考价值。

图2b为本发明实施例所提供的一种心排量求解模型的训练方法的可选实例的示意图。如图2b所示，以心脏cta数据作为历史用户的医学图像，该心排量求解模型的训练方法可包括：

采集历史用户的心脏cta数据；记录与该心脏cta数据对应的历史用户的扫描信息，如扫描期相以及扫描参数等；采集该历史用户的个体特征，如性别、年龄、身高、体重、既往病史以及其他无创手段测得的该历史用户的个体特征。

将该cta数据进行预处理，包括去燥、去骨以及定位等；预处理的目的是为了去除无用特征，降低特征维度。

以预处理后的cta数据作为输入，采用深度学习网络对cta数据进行特征提取，相对于传统方法只能提取一些简单、浅层的特征，深度学习网络可以提取更加丰富、深层的特征，这有助于拟合出更加合理的心排量。示例性地，所述图像特征包括心脏各腔室的体积信息。

将深度学习网络提取的图像特征、扫描信息以及该历史用户的个体特征一起作为输入到机器学习模型中进行训练，训练样本的期望输出为该历史用户的实际心排量。其中，实际心排量可以是以有创、微创或无创等其它手段获得的并被临床所认可能够代表此当前用户的心排量的测量值。

当前训练样本的训练结束后，对于一个新的训练样本，我们需要对该心脏cta数据进行相同的预处理，输入深度学习网络中得到图像特征，进而同时输入该心脏cta数据对应的历史用户的扫描信息、图像特征和个体特征，对机器学习模型中进行训练。

最后，当深度学习网络和机器学习模型训练完成后，采集当前用户的医学图像，获取与所述医学图像对应的扫描信息和所述当前用户的个体特征；对所述医学图像进行预处理，将预处理后的所述医学图像输入预先建立的深度学习网络中，得到所述医学图像的图像特征；将所述图像特征、所述扫描信息和所述个体特征输入预先训练完成的心排量求解模型中，进而，基于训练好的机器学习模型获得该当前用户的心排量。

上述技术方案，通过深度学习网络能够提取医学图像更加丰富、更加深层的图像特征，以拟合出更加合理的心排量，进而将图像特征、扫描信息和个体特征输入机器学习模型，通过机器学习模型求解心排量，不仅能够有效避免深度学习网络易产生的过拟合问题，结合多维度的特征进新货功能心排量求解，使得预测的心排量更具代表性。

实施例三

图3为本发明实施例三所提供的一种心排量求解装置的结构图，如图3所示，所述系统包括：图像特征确定模块310、信息和特征获取模块320和心排量输出模块330，其中，图像特征确定模块310，用于采集当前用户的医学图像，并确定所述医学图像的图像特征；信息和特征获取模块320，用于获取与所述医学图像对应的扫描信息和所述当前用户的个体特征；心排量输出模块330，用于将所述图像特征、所述扫描信息和所述个体特征输入预先训练完成的心排量求解模型中，输出与所述当前用户对应的心排量。

本发明实施例的技术方案，通过将医学图像的图像特征、与所述医学图像对应的扫描信息以及当前用户的个体特征输入心排量求解模型求解用户的心排量，相比较于现有技术中直接基于心脏cta腔室分割结果计算所得的心排量的求解方法，本发明实施例的心排量求解的结果不依赖于腔室分割结果以及准确抓取合适的期相等，而且操作简单，通过心排量求解模型求解用户心排量，可以有效避免因分割、扫描所导致的心排量预测不稳定性，而且在求解心排量时，不仅考虑到了医学图像的图像特征，还考虑到了扫描信息以及用户的个体特征，使得求解出的心排量更具代表性。在上述技术方案的基础上，所述图像特征确定模块可用于：

采集所述当前用户的医学图像，并对所述医学图像进行预处理；

将预处理后的所述医学图像输入预先建立的深度学习网络中，得到所述医学图像的图像特征；

其中，所述预处理包括去燥处理、去骨处理以及定位处理中的至少一个；所述图像特征包括心脏各腔室的体积信息。

在上述各技术方案的基础上，所述心排量求解装置还可以包括：

训练样本集生成模块，用于基于至少一张历史医学图像生成训练样本集；

图像特征输出模块，用于将所述训练样本集输入到预先建立好的深度学习网络中，得到所述历史医学图像的输出图像特征；

第一参数调整模块，用于根据所述输出图像特征与所述期望图像特征对所述深度学习网络的网络参数进行调整。

在上述各技术方案的基础上，所述训练样本集生成模块可用于：

对至少一张历史医学图像进行扩增处理得到至少一张与所述历史医学图像对应的扩增图像；

将所述至少一张历史医学图像和所述至少一张扩增图像的集合作为训练样本集；

其中，所述扩增处理包括拉伸处理、旋转处理以及镜像处理中的至少一个。

在上述各技术方案的基础上，所述心排量求解装置还可以包括：

历史图像特提取模块，用于对至少一张历史医学图像进行特征提取，得到历史图像特征；

历史心排量输出模块，用于将与所述历史医学图像对应的扫描信息、历史用户的个体特征以及所述历史图像特征患者个人信息以及所述历史图像特征输入预先建立的心排量求解模型中，得到与所述历史医学图像对应的输出心排量；

第二参数提取模块，用于基于所述输出心排量与期望心排量对所述心排量求解模型的模型参数进行调整。

在上述各技术方案的基础上，所述机器学习模型包括线性回归模型或随机森林回归模型。

在上述各技术方案的基础上，所述扫描信息包括扫描期相和/或扫描参数；所述个体特征包括性别、年龄、身高、体重以及既往病史中的至少一个。

上述各实施例所提供的心排量求解装置可执行本发明任意实施例所提供的心排量求解方法，具备执行心排量求解方法相应的功能模块和有益效果。

实施例四

如图4所示，为本发明实施例四提供的一种设备的硬件结构示意图，如图4所示，该设备包括：一个或多个处理器410，图4中以一个处理器410为例；存储器420；所述设备还可以包括：输入装置430和输出装置440。

所述设备中的处理器410、存储器420、输入装置430和输出装置440可以通过总线或者其他方式连接，图4中以通过总线450连接为例。

存储器420作为一种非暂态计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的一种心排量求解方法对应的程序指令/模块(例如，附图3所示的图像特征确定模块310、信息和特征获取模块320和心排量输出模块330)。处理器410通过运行存储在存储器420中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述方法实施例的一种心排量求解方法。

存储器420可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据设备的使用所创建的数据等。此外，存储器420可以包括高速随机存取存储器，还可以包括非暂态性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态性固态存储器件。在一些实施例中，存储器420可选包括相对于处理器410远程设置的存储器，这些远程存储器可以通过网络连接至终端设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

输入装置430可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置440可包括显示屏等显示设备。

实施例五

本发明实施例还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种心排量求解方法，该方法包括：采集当前用户的医学图像，并确定所述医学图像的图像特征；获取与所述医学图像对应的扫描信息和所述当前用户的个体特征；将所述图像特征、所述扫描信息和所述个体特征输入预先训练完成的心排量求解模型中，输出与所述当前用户对应的心排量。

可选的，该计算机可执行指令在由计算机处理器执行时还可以用于执行本发明任意实施例所提供的一种心排量求解方法的技术方案。

通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(read-onlymemory,rom)、随机存取存储器(randomaccessmemory,ram)、闪存(flash)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。