冠状动脉的血流速度的计算方法、装置及电子设备与流程

本发明涉及计算机技术领域，具体涉及一种冠状动脉的血流速度的计算方法、装置和电子设备以及计算机存储介质。

背景技术：

近年来，很多基于心血管影像计算冠状动脉ffr(血流储备分数)以及cfr(冠状动脉血流储备)的方法被提出，其中冠状动脉血流速度是ffr与cfr计算所需的重要条件，目前计算冠状动脉血流速度的方法主要有timi数帧法，但该法需要医生手动进行测量，操作繁琐。

技术实现要素：

为解决上述技术问题，本发明的一个目的在于提供一种冠状动脉的血流速度的计算方法，该计算方法实现了冠状动脉的血流速度的计算的自动化，计算所得的冠状动脉的血流速度更为准确，且该计算方法较为简单。

本发明的另一个目的在于提供一种包括上述冠状动脉的血流速度的计算方法的冠状动脉的血流储备的计算方法。

本发明的再一个目的在于提供一种实现上述冠状动脉的血流速度的计算方法的冠状动脉的血流速度的计算装置。

为达到上述目的，本发明采用如下技术方案：

根据本发明第一方面实施例的冠状动脉的血流速度的计算方法，包括：

步骤s1，获取所述冠状动脉的造影图像，利用深度学习对所述冠状动脉的造影图像进行分割，获得主支血管的分割图像；

步骤s2，基于所述主支血管的分割图像，计算每一帧分割图像内所述主支血管的长度；

步骤s3，基于计算所得的所述主支血管的长度随时间的变化得到所述主支血管的血流速度。

优选地，所述步骤s1具体包括：获取所述冠状动脉的造影图像，显示冠状动脉的主支血管的类型选择，基于用户选择的主支血管的类型，利用深度学习对所述冠状动脉的造影图像进行分割，获得主支血管的分割图像。

优选地，所述步骤s1还包括：基于用户选择的主支血管的类型，判断所述冠状动脉的造影图像的投照角度是否在该类型的主支血管的要求角度范围内；

若所述冠状动脉的造影图像的投照角度在该类型的主支血管的要求角度范围内，则利用深度学习对所述冠状动脉的造影图像进行分割，获得主支血管的分割图像；

若所述冠状动脉的造影图像的投照角度不在该类型的主支血管的要求角度范围内，则显示提示信息。

优选地，所述利用深度学习对所述冠状动脉的造影图像进行分割获得主支血管的分割图像，具体包括：

通过u-net模型的编码器结构获取所述冠状动脉的造影图像的多种不同分辨率的特征图，进而采用refinenet模块将所述多种不同分辨率的特征图进行精制并进行结合，获得主支血管的分割图像。

优选地，所述步骤s2具体包括：

步骤s21，对所述主支血管的分割图像进行提取，得到血管骨架的造影图像；

步骤s22，对所述血管骨架的造影图像中的血管骨架的长度进行计算，得到以像素为单位的主支血管的长度，结合图像的定标因子，计算获得主支血管的实际物理长度。

优选地，所述步骤s3具体包括：

步骤s31，以时间为横坐标，以所述主支血管的分割图像中的主支血管的长度为纵坐标，得到主支血管的长度随时间的变化曲线；

步骤s32，取所述主支血管的长度随时间的变化曲线的预定段，计算所述预定段的斜率，得到所述主支血管的血流速度。

优选地，所述步骤s31具体包括：

步骤s311，以所述主支血管的分割图像的帧数为横坐标，以主支血管的实际长度为纵坐标，得到主支血管的长度随帧数的变化曲线；

步骤s312，基于帧频信息将所述主支血管的长度随帧数的变化曲线中的横坐标转化为时间，得到主支血管的长度随时间的变化曲线。

优选地，所述步骤s32具体包括：

对所述主支血管的长度随时间的变化曲线进行平滑处理，得到所述主支血管的长度随时间的变化曲线的平滑曲线；

得到所述平滑曲线上的主支血管的长度的最大值，取所述平滑曲线上的主支血管的长度为所述主支血管的长度的最大值的预定值的一段为预定段区域，所述平滑曲线上的预定段区域相对的所述主支血管的长度随时间的变化曲线的一段为预选段；

根据所述预选段对应的冠状动脉的心电信息，判断所述预选段是否包含一个心动周期，若所述预选段不包含一个心动周期，则所述预选段即为所述预定段；

对所述预定段进行直线拟合，计算拟合得到的直线的斜率，得到所述主支血管的血流速度。

优选地，若所述预选段包含一个心动周期，则以所述预选段的中心为起始点向所述预选段的两端分别延伸半个心动周期的长度得到预定段。

优选地，显示所述主支血管的长度随时间的变化曲线及所述冠状动脉的造影图像以及与所述冠状动脉的造影图像相对应的所述冠状动脉的心电信息，用户查看预定段对应的冠状动脉的造影图像以及所述冠状动脉的心电信息，对预定段的选取进行验证，若预定段选取不合理，手动调整预定段的选取。

根据本发明第二方面实施例的冠状动脉的血流储备的计算方法，包括：

通过上述任一实施例所述的冠状动脉的血流速度的计算方法分别计算出所述主支血管在静息状态下的血流速度以及在充血状态下的血流速度，根据计算所得的所述主支血管在静息状态下的血流速度以及在充血状态下的血流速度，得到所述冠状动脉的血流储备。

优选地，通过所述的冠状动脉的血流速度的计算方法，基于主支血管处于静息状态和充血状态的所述冠状动脉的造影图像分别计算出所述主支血管在静息状态下的血流速度以及在充血状态下的血流速度，其中，所述主支血管处于静息状态的冠状动脉的造影图像的采集时间与所述主支血管处于充血状态的冠状动脉的造影图像的采集时间之间的时间差不大于第一时间阈值。

根据本发明第三方面实施例的冠状动脉的血流速度的计算装置，包括：

冠状动脉造影图像分割模块，用于获取所述冠状动脉的造影图像，利用深度学习对所述冠状动脉的造影图像进行分割，获得主支血管的分割图像；

长度计算模块，用于基于所述主支血管的分割图像，计算每一帧分割图像内所述主支血管的长度；

以及血流速度计算模块，用于基于计算所得的所述主支血管的长度随时间的变化得到所述主支血管的血流速度。

优选地，所述冠状动脉的血流速度的计算装置还包括显示装置，所述显示装置用于为用户显示冠状动脉的主支血管的类型选择；

所述冠状动脉造影图像分割模块，用于获取所述冠状动脉的造影图像，基于用户选择的主支血管的类型，利用深度学习对所述冠状动脉的造影图像进行分割，获得主支血管的分割图像。

优选地，所述冠状动脉造影图像分割模块，用于基于用户选择的主支血管的类型，判断所述冠状动脉的造影图像的投照角度是否在该类型的主支血管的要求角度范围内；

若所述冠状动脉的造影图像的投照角度在该类型的主支血管的要求角度范围内，则利用深度学习对所述冠状动脉的造影图像进行分割，获得主支血管的分割图像；

若所述冠状动脉的造影图像的投照角度不在该类型的主支血管的要求角度范围内，则所述显示装置用于为用户显示提示信息。

优选地，所述冠状动脉造影图像分割模块，用于通过u-net模型的编码器结构获取所述冠状动脉的造影图像的多种不同分辨率的特征图，进而采用refinenet模块将所述多种不同分辨率的特征图进行精制并进行结合，获得主支血管的分割图像。

优选地，所述长度计算模块，用于对所述主支血管的分割图像进行提取，得到血管骨架的造影图像，对所述血管骨架的造影图像中的血管骨架的长度进行计算，得到以像素为单位的主支血管的长度，结合图像的定标因子，计算获得主支血管的实际物理长度。

优选地，所述血流速度计算模块，用于以时间为横坐标，以所述主支血管的分割图像中的主支血管的长度为纵坐标，得到主支血管的长度随时间的变化曲线，取所述主支血管的长度随时间的变化曲线的预定段，计算所述预定段的斜率，得到所述主支血管的血流速度。

优选地，所述血流速度计算模块，用于以所述主支血管的分割图像的帧数为横坐标，以主支血管的实际长度为纵坐标，得到主支血管的长度随帧数的变化曲线，基于帧频信息将所述主支血管的长度随帧数的变化曲线中的横坐标转化为时间，得到主支血管的长度随时间的变化曲线。

优选地，所述血流速度计算模块，用于对所述主支血管的长度随时间的变化曲线进行平滑处理，得到所述主支血管的长度随时间的变化曲线的平滑曲线，得到所述平滑曲线上的主支血管的长度的最大值，取所述平滑曲线上的主支血管的长度为所述主支血管的长度的最大值的预定值的一段为预定段区域；所述平滑曲线上的预定段区域相对的所述主支血管的长度随时间的变化曲线的一段为预选段，根据所述预选段对应的冠状动脉的心电信息，判断所述预选段是否包含一个心动周期，若所述预选段不包含一个心动周期，则所述预选段即为所述预定段；

对所述预定段进行直线拟合，计算拟合得到的直线的斜率，得到所述主支血管的血流速度。

优选地，若所述预选段包含一个心动周期，则以所述预选段的中心为起始点向所述预选段的两端分别延伸半个心动周期的长度得到预定段。

优选地，所述冠状动脉的血流速度的计算装置还包括显示装置，所述显示装置，用于为用户显示所述主支血管的长度随时间的变化曲线及所述冠状动脉的造影图像以及与所述冠状动脉的造影图像相对应的所述冠状动脉的心电信息，用户查看预定段对应的冠状动脉的造影图像以及所述冠状动脉的心电信息，对预定段的选取进行验证，若预定段选取不合理，手动调整预定段的选取。

根据本发明第四方面实施例的用于冠状动脉的血流速度的计算的电子设备，包括：

一个或多个处理器；

一个或多个存储器，其中存储了计算机可读代码，所述计算机可读代码当由所述一个或多个处理器执行时进行上述任一实施例所述的冠状动脉的血流速度的计算方法。

根据本发明第五方面实施例的计算机存储介质，其中存储了计算机可读代码，所述计算机可读代码当由一个或多个处理器执行时进行上述任一实施例所述的冠状动脉的血流速度的计算方法。

本发明的有益效果在于：

通过利用深度学习对冠状动脉的造影图像进行分割得到主支血管的分割图像，并计算每一帧图像内的主支血管的长度，进而基于主支血管的长度随时间的变化得到主支血管的血流速度，该计算方法实现了冠状动脉的血流速度的计算的自动化，计算所得的冠状动脉的血流速度更为准确，且该计算方法较为简单。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。

附图说明

图1为本发明实施例的冠状动脉的血流速度的计算方法的流程图；

图2为对冠状动脉的造影图像进行分割获得主支血管的分割图像的示意图；

图3为现有的u-net模型的结构示意图；

图4为现有的refinenet模型的结构示意图；

图5为本发明实施例对冠状动脉的造影图像进行分割使用的refine-unet的结构示意图；

图6为本发明实施例的对主支血管的分割图像进行提取得到的单像素宽度的血管骨架的造影图像；

图7为本发明实施例的主支血管的长度随时间的变化曲线及平滑曲线的示意图；

图8为一个心动周期内的心电图；

图9为本发明实施例的显示装置显示的第一显示界面示意图；

图10为本发明实施例的显示装置显示的第二显示界面示意图；

图11为本发明实施例的显示装置显示的第三显示界面示意图；

图12为本发明实施例的显示装置显示的第四显示界面示意图；

图13为本发明实施例的显示装置显示的第五显示界面示意图；

图14为本发明实施例的冠状动脉的血流速度的计算装置的结构示意图；

图15为本发明实施例的电子设备的结构示意图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例仅用于说明本发明，但不用来限制本发明的范围。

可以理解的是，如本文所使用的，术语“模块””可以指代或者包括专用集成电路(asic)、电子电路、执行一个或多个软件或固件程序的处理器(共享、专用、或群组)和/或存储器、组合逻辑电路、和/或提供所描述的功能的其他适当硬件组件，或者可以作为这些硬件组件的一部分。

可以理解的是，在本发明各实施例中，处理器可以是微处理器、数字信号处理器、微控制器等，和/或其任何组合。根据另一个方面，所述处理器可以是单核处理器，多核处理器等，和/或其任何组合。

如图1所示，根据本发明实施例的冠状动脉的血流速度的计算方法，包括如下步骤：

步骤s1，获取所述冠状动脉的造影图像，利用深度学习对所述冠状动脉的造影图像进行分割，获得主支血管的分割图像。

具体地，由于在计算冠状动脉的血流速度时，我们只关心主支血管中的血流速度，所以我们只需要对冠状动脉造影图像中的主支血管进行分割以获得主支血管的分割图像。但传统的图像处理方法如gabor滤波、hessian矩阵等对所有血管状结构都十分敏感，对区分主支血管和边支血管无能为力。因此，我们采用深度学习的方法，利用深度神经网络强大的特征提取能力区分主支血管和边支血管，并只分割主支血管，极大地简化了后续主支血管长度的计算过程。

如图2所示，对于获取的每一帧冠状动脉的造影图像，作为深度神经网络的输入，深度神经网络输出一张与原图像大小相同的主支血管的分割图像，该主支血管的分割图像与其原图上的主支血管的位置相对应的位置的像素值为1(在图2中显示为白色)，该主支血管的分割图像的其它位置的像素值为0(在图2中显示为黑色)。

优选地，步骤s1具体包括：获取冠状动脉的造影图像，显示冠状动脉的主支血管的类型选择，基于用户选择的主支血管的类型，利用深度学习对所述冠状动脉的造影图像进行分割，获得主支血管的分割图像。

具体地，冠状动脉的主支血管包括前降支血管、回旋支血管以及右冠状动脉血管，可以使用显示装置为用户显示具体选择前降支血管、回旋支血管以及右冠状动脉血管中的具体哪一个主支血管，根据用户选择的主支血管的类型，利用深度学习对所述冠状动脉的造影图像进行分割，获得某一个主支血管的分割图像。另外，在本发明的其它实施例中，可根据冠状动脉的造影图像，自动识别出主支血管的类型，然后利用深度学习对所述冠状动脉的造影图像进行分割，获得某一个主支血管的分割图像。

优选地，所述步骤s1还包括：基于用户选择的主支血管的类型，判断所述冠状动脉的造影图像的投照角度是否在该类型的主支血管的要求角度范围内；

若所述冠状动脉的造影图像的投照角度在该类型的主支血管的要求角度范围内，则利用深度学习对所述冠状动脉的造影图像进行分割，获得主支血管的分割图像；

若所述冠状动脉的造影图像的投照角度不在该类型的主支血管的要求角度范围内，则显示提示信息。

具体地，如图9所示，获取冠状动脉的造影图像后，可以使用显示装置为用户显示冠状动脉的主支血管的类型选择，基于用户选择的主支血管的类型，判断冠状动脉的造影图像的投照角度是否在该类型的主支血管的要求角度范围内，若冠状动脉的造影图像的投照角度不在该类型的主支血管的要求角度范围内，则显示装置为用户显示提示信息以提示冠状动脉的造影图像的投照角度不在该类型的主支血管的可接受角度范围内。

通过判断所述冠状动脉的造影图像的投照角度是否在该类型的主支血管的要求角度范围内，可确保计算得到的主支血管的血流速度的准确性。

优选地，所述利用深度学习对所述冠状动脉的造影图像进行分割获得主支血管的分割图像，具体包括：

通过u-net模型的编码器结构获取所述冠状动脉的造影图像的多种不同分辨率的特征图，进而采用refinenet模块将所述多种不同分辨率的特征图进行精制并进行结合，获得主支血管的分割图像。

具体地，现有的u-net模型使用编码器-译码器的结构，如图3所示，原始图像通过两次卷积，得到64通道的特征图，该特征图分辨率与原始图像相同，将该64通道的特征图通过最大池化操作降低分辨率到原来的一半，并通过卷积进一步提取特征，即得到第二层128通道的特征图，重复上述过程，可得到五种不同分辨率的特征图，此为编码过程，该过程的目的为提取高层次的语义信息(低分辨率的特征图)与低层次的结构信息(高分辨率的特征图)，随后进入译码过程，将低分辨率的特征图上采样到高分辨率，并与前一级的高分辨率特征图做拼接操作，卷积提取特征后，再进行上采样及拼接的操作，直到与最高分辨率的特征图拼接后，经过1×1的卷积调整通道数，即得到所要求的分割结果。

现有的refinenet模型与u-net模型类似，如图4所示，其可以接收不同尺度的特征图输入并将不同尺度的特征图合并并进行精制，使特征图便于后续处理。

现有的refinenet模型与u-net模型的区别主要体现在两个方面：refinenet模型的编码器使用在语义分割领域流行的resnet结构，而u-net模型的编码器单纯使用卷积提取特征；refinenet模型在解码器中使用了独创的refinenet模块，该模块可以更好地精制低分辨率特征图和高分辨率特征图的信息。

本发明对冠状动脉的造影图像进行分割使用的refine-unet的结构示意图如图5所示，另外需要说明的是，通过u-net模型的编码器结构获取的冠状动脉的造影图像的不同分辨率的特征图的种类根据实际需要而定，比如，可以是5种，也可以是3种，还可以是7种等。

通过u-net模型的编码器结构即仅使用卷积，获取冠状动脉的造影图像的多种不同分辨率的特征图，避免了计算资源的浪费，加快了计算速度，而采用refinenet模块将高分辨率和低分辨率的特征图进行精制后再进行结合，可以更高效地利用高层次的语义信息与低层次的结构信息，增强分割的准确性。

步骤s2，基于所述主支血管的分割图像，计算每一帧分割图像内所述主支血管的长度。

优选地，所述步骤s2具体包括：

步骤s21，对所述主支血管的分割图像进行提取，得到血管骨架的造影图像。

具体地，如图6所示，可以对上述得到的主支血管的分割图像进行提取，得到单像素宽度的血管骨架的造影图像。

步骤s22，对所述血管骨架的造影图像中的血管骨架的长度进行计算，得到以像素为单位的主支血管的长度，结合图像的定标因子，计算获得主支血管的实际物理长度。

具体地，可以使用fastmarching算法对所述血管骨架的造影图像中的血管骨架的长度进行计算。

通过提取得到血管骨架的造影图像，并计算血管骨架的造影图像中的血管骨架的长度以得到主支血管的长度，提高了计算得到的主支血管的长度的准确度，进而提高了计算得到的冠状动脉的血流速度的准确度。

步骤s3，基于计算所得的所述主支血管的长度随时间的变化得到所述主支血管的血流速度。

优选地，所述步骤s3具体包括：

步骤s31，以时间为横坐标，以所述主支血管的分割图像中的主支血管的长度为纵坐标，得到主支血管的长度随时间的变化曲线；

具体地，如图7所示，该主支血管的长度随时间的变化曲线，一般呈现平缓-上升-平缓的“s”形，这是由于在冠状动脉造影图像序列的前段，由于造影剂还未注入冠状动脉，主支血管在x光下不可见，此时计算得到的主支血管的长度一般为0，在冠状动脉造影图像序列的后段，由于造影剂在冠状动脉中充盈结束，此时计算得到的主支血管长度为主支血管的完整长度，不再变化。

优选地，所述步骤s31具体包括：

步骤s311，以所述主支血管的分割图像的帧数为横坐标，以主支血管的实际长度为纵坐标，得到主支血管的长度随帧数的变化曲线；

步骤s312，基于帧频信息将所述主支血管的长度随帧数的变化曲线中的横坐标转化为时间，得到主支血管的长度随时间的变化曲线。

步骤s32，取所述主支血管的长度随时间的变化曲线的预定段，计算所述预定段的斜率，得到所述主支血管的血流速度。

优选地，所述步骤s32具体包括：

步骤s321，对所述主支血管的长度随时间的变化曲线进行平滑处理，得到所述主支血管的长度随时间的变化曲线的平滑曲线。

具体地，由于心脏跳动以及血管分割误差等原因，主支血管的长度随时间的变化曲线上一般会有一定的噪音，因此可以对主支血管的长度随时间的变化曲线进行平滑处理，可以利用k阶贝塞尔曲线对主支血管的长度随时间的变化曲线进行平滑处理。

步骤s322，得到所述平滑曲线上的主支血管的长度的最大值，取所述平滑曲线上的主支血管的长度为所述主支血管的长度的最大值的预定值的一段为预定段区域，所述平滑曲线上的预定段区域相对的所述主支血管的长度随时间的变化曲线的一段为预选段。

优选地，所述预定值的最低值可以为0-20％，预定值的最高值可以为80-90％。

步骤s323，根据所述预选段对应的冠状动脉的心电信息，判断所述预选段是否包含一个心动周期，若所述预选段不包含一个心动周期，则所述预选段即为所述预定段。

具体地，正常的一个心动周期内的心电图如图8所示，其中，qrs波的波动显著高于其它波，利用阈值等方法可以快速检测出qrs波的波峰，根据相邻的两个qrs波之间的时间间隔即可得到一个心动周期的时间。

步骤s324，对所述预定段进行直线拟合，计算拟合得到的直线的斜率，得到所述主支血管的血流速度。

具体地，利用线性最小二乘法对预定段进行直线拟合，拟合得到的直线的斜率即为主支血管的血流速度。

由此，通过上述方法获取主支血管的长度随时间的变化曲线的预定段，并进一步得到主支血管的血流速度，使计算得到的主支血管的血流速度更加准确。

优选地，若所述预选段包含一个心动周期，则以所述预选段的中心为起始点向所述预选段的两端分别延伸半个心动周期的长度得到预定段。

具体地，由于主支血管的血流速度在心动周期的不同阶段一般会有差异，以一个心动周期相对应的主支血管的长度随时间的变化曲线的一段为预定段，使计算得到的主支血管的血流速度更为准确。

通过利用深度学习对冠状动脉的造影图像进行分割得到主支血管的分割图像，并计算每一帧图像内的主支血管的长度，进而基于主支血管的长度随时间的变化得到主支血管的血流速度，该计算方法实现了冠状动脉的血流速度的计算的自动化，计算所得的冠状动脉的血流速度更为准确，且该计算方法较为简单。

优选地，显示所述主支血管的长度随时间的变化曲线及所述冠状动脉的造影图像以及与所述冠状动脉的造影图像相对应的所述冠状动脉的心电信息，用户查看预定段对应的冠状动脉的造影图像以及所述冠状动脉的心电信息，对预定段的选取进行验证，若预定段选取不合理，手动调整预定段的选取。

具体地，如图10和图11所示，可以使用显示装置为用户显示主支血管的长度随时间的变化曲线以及该变化曲线对应的冠状动脉的心电信息，且显示了对预定段进行直线拟合得到的主支血管的血流速度，如图10所示，用户可在显示界面的右侧影像视窗中通过滚动鼠标滚轮或点击变化曲线上的任意位置以查看不同帧的冠状动脉的造影图像，如图11所示，也可以通过鼠标点击某个功能图标将显示界面的右侧影像视窗切换为多视窗模式以便于查看预定段对应的冠状动脉的造影图像，对预定段的选取进行验证，若预定段选取不合理，手动调整预定段的选取，显示界面上显示的主支血管的血流速度根据预定段的选取进行实时更新。

当用户认为自动选取的预定段选取不合理时，可手动调整预定段的选择，从而以确保预定段选取的合理性，进而确保得到冠状动脉的血流速度的较为准确。

包括上述冠状动脉的血流速度的计算方法的冠状动脉的血流储备的计算方法，包括如下步骤：

通过上述任一实施例所述的冠状动脉的血流速度的计算方法分别计算出所述主支血管在静息状态下的血流速度以及在充血状态下的血流速度，根据计算所得的所述主支血管在静息状态下的血流速度以及在充血状态下的血流速度，得到所述冠状动脉的血流储备。

具体地，选取一个序列的冠状动脉的造影图像，利用上述的冠状动脉的血流速度的计算方法计算得到主支血管在一个状态下的血流速度，如图12所示，点击显示装置的显示界面的计算冠状动脉的血流储备的图标(cfr图标)，然后，选取另一个序列的冠状动脉的造影图像，其中所述另一个序列的冠状动脉的造影图像中的主支血管的状态与所述一个序列的冠状动脉的造影图像中的主支血管的状态相反，显示装置为用户显示所述另一个序列的冠状动脉的造影图像中的主支血管的状态的种类选择(静息状态或充血状态)，并根据用户的选择确定所述一个序列的冠状动脉的造影图像中的主支血管的状态，然后，计算得到主支血管在另一个状态下的血流速度，根据计算所得的主支血管在静息状态下的血流速度以及在充血状态下的血流速度，得到所述冠状动脉的血流储备，且如图13所示，对冠状动脉的血流储备进行显示。

优选地，通过所述的冠状动脉的血流速度的计算方法，基于主支血管处于静息状态和充血状态的所述冠状动脉的造影图像分别计算出所述主支血管在静息状态下的血流速度以及在充血状态下的血流速度，其中，所述主支血管处于静息状态的冠状动脉的造影图像的采集时间与所述主支血管处于充血状态的冠状动脉的造影图像的采集时间之间的时间差不大于第一时间阈值。

具体地，第一时间阈值可以是7天，也可以是15天等，具体根据实际情况而定，主支血管处于静息状态的冠状动脉的造影图像的采集时间与所述主支血管处于充血状态的冠状动脉的造影图像的采集时间之间的时间差不大于第一时间阈值，由此可确保计算得到的冠状动脉的血流储备的准确性。

该冠状动脉的血流储备的计算方法，实现了冠状动脉的血流储备的计算的自动化，计算所得的冠状动脉的血流储备更为准确，且该计算方法较为简单。

如图14所示，实现上述根据发明实施例的冠状动脉的血流速度的计算方法的根据本发明实施例的冠状动脉的血流速度的计算装置，包括冠状动脉造影图像分割模块20、长度计算模块30和血流速度计算模块40。

其中，冠状动脉造影图像分割模块20，用于获取所述冠状动脉的造影图像，利用深度学习对所述冠状动脉的造影图像进行分割，获得主支血管的分割图像。

长度计算模块30，用于基于所述主支血管的分割图像，计算每一帧分割图像内所述主支血管的长度。

血流速度计算模块40，用于基于计算所得的所述主支血管的长度随时间的变化得到所述主支血管的血流速度。

优选地，所述冠状动脉的血流速度的计算装置还包括显示装置，所述显示装置用于为用户显示冠状动脉的主支血管的类型选择；

所述冠状动脉造影图像分割模块20，用于获取所述冠状动脉的造影图像，基于用户选择的主支血管的类型，利用深度学习对所述冠状动脉的造影图像进行分割，获得主支血管的分割图像。

优选地，所述冠状动脉造影图像分割模块20，用于基于用户选择的主支血管的类型，判断所述冠状动脉的造影图像的投照角度是否在该类型的主支血管的要求角度范围内；

若所述冠状动脉的造影图像的投照角度在该类型的主支血管的要求角度范围内，则利用深度学习对所述冠状动脉的造影图像进行分割，获得主支血管的分割图像；

若所述冠状动脉的造影图像的投照角度不在该类型的主支血管的要求角度范围内，则所述显示装置用于为用户显示提示信息。

优选地，所述冠状动脉造影图像分割模块20，用于通过u-net模型的编码器结构获取所述冠状动脉的造影图像的多种不同分辨率的特征图，进而采用refinenet模块将所述多种不同分辨率的特征图进行精制并进行结合，获得主支血管的分割图像。

优选地，所述长度计算模块30，用于对所述主支血管的分割图像进行提取，得到血管骨架的造影图像，对所述血管骨架的造影图像中的血管骨架的长度进行计算，得到以像素为单位的主支血管的长度，结合图像的定标因子，计算获得主支血管的实际物理长度。

优选地，所述血流速度计算模块40，用于以时间为横坐标，以所述主支血管的分割图像中的主支血管的长度为纵坐标，得到主支血管的长度随时间的变化曲线，取所述主支血管的长度随时间的变化曲线的预定段，计算所述预定段的斜率，得到所述主支血管的血流速度。

优选地，所述血流速度计算模块40，用于以所述主支血管的分割图像的帧数为横坐标，以主支血管的实际长度为纵坐标，得到主支血管的长度随帧数的变化曲线，基于帧频信息将所述主支血管的长度随帧数的变化曲线中的横坐标转化为时间，得到主支血管的长度随时间的变化曲线。

优选地，所述血流速度计算模块40，用于对所述主支血管的长度随时间的变化曲线进行平滑处理，得到所述主支血管的长度随时间的变化曲线的平滑曲线，得到所述平滑曲线上的主支血管的长度的最大值，取所述平滑曲线上的主支血管的长度为所述主支血管的长度的最大值的预定值的一段为预定段区域；所述平滑曲线上的预定段区域相对的所述主支血管的长度随时间的变化曲线的一段为预选段，根据所述预选段对应的冠状动脉的心电信息，判断所述预选段是否包含一个心动周期，若所述预选段不包含一个心动周期，则所述预选段即为所述预定段；

对所述预定段进行直线拟合，计算拟合得到的直线的斜率，得到所述主支血管的血流速度。

优选地，若所述预选段包含一个心动周期，则以所述预选段的中心为起始点向所述预选段的两端分别延伸半个心动周期的长度得到预定段。

优选地，所述冠状动脉的血流速度的计算装置还包括显示装置，所述显示装置用于，为用户显示所述主支血管的长度随时间的变化曲线及所述冠状动脉的造影图像以及与所述冠状动脉的造影图像相对应的所述冠状动脉的心电信息，用户查看预定段对应的冠状动脉的造影图像以及所述冠状动脉的心电信息，对预定段的选取进行验证，若预定段选取不合理，手动调整预定段的选取。

通过利用深度学习对冠状动脉的造影图像进行分割得到主支血管的分割图像，并计算每一帧图像内的主支血管的长度，进而基于主支血管的长度随时间的变化得到主支血管的血流速度，该冠状动脉的血流速度的计算装置，实现了冠状动脉的血流速度的计算的自动化，计算所得的冠状动脉的血流速度更为准确，且该计算方法较为简单。

如图15所示，基于与上述冠状动脉的血流速度的计算方法相同的发明构思，本申请还提供一种电子设备1400，该电子设备1400包括一个或多个处理器1401和一个或多个存储器1402，存储器1402中存储了计算机可读代码，

其中，计算机可读代码当由一个或多个处理器1401执行时进行如下处理：

步骤s1，获取所述冠状动脉的造影图像，利用深度学习对所述冠状动脉的造影图像进行分割，获得主支血管的分割图像；

步骤s2，基于所述主支血管的分割图像，计算每一帧分割图像内所述主支血管的长度；

步骤s3，基于计算所得的所述主支血管的长度随时间的变化得到所述主支血管的血流速度。

优选地，所述步骤s1具体包括：获取所述冠状动脉的造影图像，显示冠状动脉的主支血管的类型选择，基于用户选择的主支血管的类型，利用深度学习对所述冠状动脉的造影图像进行分割，获得主支血管的分割图像。

优选地，所述步骤s1还包括：基于用户选择的主支血管的类型，判断所述冠状动脉的造影图像的投照角度是否在该类型的主支血管的要求角度范围内；

若所述冠状动脉的造影图像的投照角度在该类型的主支血管的要求角度范围内，则利用深度学习对所述冠状动脉的造影图像进行分割，获得主支血管的分割图像；

若所述冠状动脉的造影图像的投照角度不在该类型的主支血管的要求角度范围内，则显示提示信息。

优选地，所述利用深度学习对所述冠状动脉的造影图像进行分割获得主支血管的分割图像，具体包括：

通过u-net模型的编码器结构获取所述冠状动脉的造影图像的多种不同分辨率的特征图，进而采用refinenet模块将所述多种不同分辨率的特征图进行精制并进行结合，获得主支血管的分割图像。

优选地，所述步骤s2具体包括：

步骤s21，对所述主支血管的分割图像进行提取，得到血管骨架的造影图像；

步骤s22，对所述血管骨架的造影图像中的血管骨架的长度进行计算，得到以像素为单位的主支血管的长度，结合图像的定标因子，计算获得主支血管的实际物理长度。

优选地，所述步骤s3具体包括：

步骤s31，以时间为横坐标，以所述主支血管的分割图像中的主支血管的长度为纵坐标，得到主支血管的长度随时间的变化曲线；

步骤s32，取所述主支血管的长度随时间的变化曲线的预定段，计算所述预定段的斜率，得到所述主支血管的血流速度。

优选地，所述步骤s31具体包括：

步骤s311，以所述主支血管的分割图像的帧数为横坐标，以主支血管的实际长度为纵坐标，得到主支血管的长度随帧数的变化曲线；

步骤s312，基于帧频信息将所述主支血管的长度随帧数的变化曲线中的横坐标转化为时间，得到主支血管的长度随时间的变化曲线。

优选地，所述步骤s32具体包括：

对所述主支血管的长度随时间的变化曲线进行平滑处理，得到所述主支血管的长度随时间的变化曲线的平滑曲线；

得到所述平滑曲线上的主支血管的长度的最大值，取所述平滑曲线上的主支血管的长度为所述主支血管的长度的最大值的预定值的一段为预定段区域，所述平滑曲线上的预定段区域相对的所述主支血管的长度随时间的变化曲线的一段为预选段；

根据所述预选段对应的冠状动脉的心电信息，判断所述预选段是否包含一个心动周期，若所述预选段不包含一个心动周期，则所述预选段即为所述预定段；

对所述预定段进行直线拟合，计算拟合得到的直线的斜率，得到所述主支血管的血流速度。

优选地，若所述预选段包含一个心动周期，则以所述预选段的中心为起始点向所述预选段的两端分别延伸半个心动周期的长度得到预定段。

优选地，显示所述主支血管的长度随时间的变化曲线及所述冠状动脉的造影图像以及与所述冠状动脉的造影图像相对应的所述冠状动脉的心电信息，用户查看预定段对应的冠状动脉的造影图像以及所述冠状动脉的心电信息，对预定段的选取进行验证，若预定段选取不合理，手动调整预定段的选取。

进一步地，电子设备1400还包括网络接口1403、输入设备1404、硬盘1405、和显示设备1406。

上述各个接口和设备之间可以通过总线架构互连。总线架构可以是可以包括任意数量的互联的总线和桥。具体由处理器1401代表的一个或者多个中央处理器(cpu)，以及由存储器1402代表的一个或者多个存储器1402的各种电路连接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其它电路连接在一起。可以理解，总线架构用于实现这些组件之间的连接通信。总线架构除包括数据总线之外，还包括电源总线、控制总线和状态信号总线，这些都是本领域所公知的，因此本文不再对其进行详细描述。

网络接口1403，可以连接至网络(如因特网、局域网等)，从网络中获取相关数据，并可以保存在硬盘1405中。

输入设备1404，可以接收操作人员输入的各种指令，并发送给处理器1401以供执行。输入设备1404可以包括键盘或者点击设备(例如，鼠标，轨迹球(trackball)、触感板或者触摸屏等。

显示设备1406，可以将处理器1401执行指令获得的结果进行显示。

存储器1402，用于存储操作系统14021运行所必须的程序和数据，以及处理器1401计算过程中的中间结果等数据。

可以理解，本申请实施例中的存储器1402可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(rom)、可编程只读存储器(prom)、可擦除可编程只读存储器(eprom)、电可擦除可编程只读存储器(eeprom)或闪存。易失性存储器可以是随机存取存储器(ram)，其用作外部高速缓存。本文描述的装置和方法的存储器1402旨在包括但不限于这些和任意其它适合类型的存储器。

在一些实施方式中，存储器1402存储了如下的元素，可执行模块或者数据结构，或者他们的子集，或者他们的扩展集：操作系统14021和应用程序14014。

其中，操作系统14021，包含各种系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序14014，包含各种应用程序，例如浏览器(browser)等，用于实现各种应用业务。实现本申请实施例方法的程序可以包含在应用程序14014中。

本申请上述实施例揭示的方法可以应用于处理器1401中，或者由处理器1401实现。处理器1401可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器1401中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器1401可以是通用处理器、数字信号处理器(dsp)、专用集成电路(asic)、现成可编程门阵列(fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件，可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器1402，处理器1401读取存储器1402中的信息，结合其硬件完成上述方法的步骤。

可以理解的是，本文描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现，处理单元可以实现在一个或多个专用集成电路(asic)、数字信号处理器dsp)、数字信号处理设备(dspd)、可编程逻辑设备(pld)、现场可编程门阵列(fpga)、通用处理器、控制器、微控制器、微处理器、用于执行本申请所述功能的其它电子单元或其组合中。

对于软件实现，可通过执行本文所述功能的模块(例如过程、函数等)来实现本文所述的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。

本申请实施例中，该电子设备1400通过利用深度学习对冠状动脉的造影图像进行分割得到主支血管的分割图像，并计算每一帧图像内的主支血管的长度，进而基于主支血管的长度随时间的变化得到主支血管的血流速度，该用于冠状动脉的血流速度的计算的电子设备，实现了冠状动脉的血流速度的计算的自动化，计算所得的冠状动脉的血流速度更为准确，且该计算方法较为简单。

另外，本申请实施例还提供了一种计算机存储介质，所述计算机存储介质存储了计算机可读代码，计算机可读代码当由一个或多个处理器执行时进行如下处理：

步骤s1，获取所述冠状动脉的造影图像，利用深度学习对所述冠状动脉的造影图像进行分割，获得主支血管的分割图像；

步骤s2，基于所述主支血管的分割图像，计算每一帧分割图像内所述主支血管的长度；

步骤s3，基于计算所得的所述主支血管的长度随时间的变化得到所述主支血管的血流速度。

该计算机可读代码被处理器执行时实现上述冠状动脉的血流速度的计算方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再对详细的过程进行赘述。其中，所述的计算机存储介质，如只读存储器(read-onlymemory，简称rom)、随机存取存储器(randomaccessmemory，简称ram)、磁碟或者光盘等。

在本申请所提供的几个实施例中，应该理解到，所揭露方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理包括，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

以上所述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发明的几种实施方式，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，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。