一种基于机器学习的冠状动脉狭窄程度预测方法

本发明属于冠状动脉狭窄程度预测领域，尤其涉及一种基于机器学习的冠状动脉狭窄程度预测方法。

背景技术：

1、冠心病(cad)是世界头号杀手，占全球死亡人数的三分之一。临床治疗困境近一半的急性冠脉事件发生在无症状患者中，近70％的急性冠脉事件由发病前未影响血流的冠脉病变引起。因此，采用何种筛查方法早期发现冠心病成为预测和治疗心血管事件的关键。

2、诊断冠心病的金标准是冠状动脉造影，可以明确动脉狭窄的部位和程度。一般狭窄在75％以上，就可以诊断为冠心病。然而，冠状动脉造影相对复杂、昂贵且具有侵入性，并且需要住院。由于经济和社会便利性的限制，研究者致力于寻找更加便捷、准确、可行的检查方法，冠状动脉ct血管造影脱颖而出。

3、冠状动脉计算机断层扫描造影(ccta)是一种检查冠状动脉狭窄的无创成像方法。静脉注射对比剂后行心脏多层螺旋ct扫描，可以了解冠状动脉的分布情况，有无狭窄、阻塞，以及血管钙化等情况。越来越多的研究证明，冠状动脉cta可以像冠状动脉造影一样诊断冠状动脉狭窄，成为冠状动脉造影的“守门人”。在检测动脉钙化方面，它甚至优于冠状动脉造影，更重要的是，它比心脏造影便宜得多。冠状动脉钙化(cac)是由钙成分沉积在冠状动脉粥样硬化斑块中形成的，是冠状动脉硬化进展到一定程度的指征，斑块钙化固化或硬化。冠状动脉钙化积分(coronary artery calcium score，cacs)作为冠状动脉钙化的量化指标，已被广泛用作心血管疾病的风险标志物，并被认为是筛查冠状动脉疾病的替代指标。

4、冠状动脉提供血液供应以维持心肌的正常功能，冠状动脉狭窄与心肌缺血密切相关。这个血流储备分数反映了心外膜冠状动脉狭窄对血流动力学的影响，是评价病变功能的可靠指标。目前，在临床应用中，推荐使用0.80。ffr≤0.80的病变为缺血特异性病变，ffr>0.80的病变不会诱发心肌缺血。目前已有多项研究证实，ct-ffr结果可为那些真正限制冠脉血流、增加患者风险的病变提供生理信息。它结合了ccta和ffr的优点，无需额外的成像或药物治疗，与侵入性ffr具有良好的相关性。它可以从结构和功能上评价冠状动脉的狭窄，已成为诊断和治疗冠状动脉狭窄的重要检查手段。ct-ffr可以无创检测心肌缺血的存在，减少不必要的干预，同时可以定位病变血管的位置，为血运重建提供依据，在临床上具有良好的应用前景。

5、随着计算机人工智能(ai)在医学领域的不断深入，越来越多的机器学习模型被应用于临床影像检查和医学诊断，尤其是ct检查。van dalen ja等人的一项研究中，使用ml模型分析钙蓄积、pet心肌灌注成像和临床数据来诊断梗阻性冠状动脉疾病，结果显示ml模型在准确性、敏感性和特异性方面与专家阅片者相比无显著差异，表明ml模型具有相似的诊断性能，可作为梗阻性cad的危险分层工具。

技术实现思路

1、针对现有技术中的上述不足，本发明提供的一种基于机器学习的冠状动脉狭窄程度预测方法提高了冠状动脉狭窄程度预测的准确性。

2、为了达到上述发明目的，本发明采用的技术方案为：一种基于机器学习的冠状动脉狭窄程度预测方法，包括以下步骤：

3、s1、获取冠状动脉ccta图像；

4、s2、根据冠状动脉ccta图像，利用agaston评分法，得到冠状动脉钙化积分cacs；

5、s3、利用带有压力传感器的导丝，测量冠状动脉达到最大供血状态时远端狭窄病变处的压力值，得到血流储备分数ct-ffr；

6、s4、根据冠状动脉钙化积分cacs和血流储备分数ct-ffr，利用使用高斯核函数的支持向量机，得到最大间隔超平面；

7、s5、获取待测ccta图像的冠状动脉钙化积分cacs和血流储备分数ct-ffr；

8、s6、根据待测ccta图像的冠状动脉钙化积分cacs和血流储备分数ct-ffr，利用最大间隔超平面，得到冠状动脉狭窄程度预测结果。

9、本发明的有益效果为：本发明根据冠状动脉ccta图像，综合考虑冠状动脉钙化积分cacs和血流储备分数ct-ffr，在ct检查中更准确地分析cacs和ffr，从结构和功能上更准确地评估冠状动脉的狭窄情况，为冠心病的筛查和诊断提供更准确、无创、便捷的检查方法。

10、进一步地，所述步骤s2中冠状动脉钙化积分cacs的表达式为：

11、cacs＝∑ct×s×w

12、其中，cacs为冠状动脉钙化积分；ct为ct值；s为钙化斑块的面积；w为权重系数。

13、上述进一步方案的有益效果为：根据冠状动脉ccta图像，综获取冠状动脉钙化积分cacs，为冠状动脉狭窄程度预测提供研究数据。

14、进一步地，所述钙化斑块具体为ct值不小于130hu，且面积不小于1mm2的病变组织。

15、上述进一步方案的有益效果为：综合考虑ct值和面积对钙化斑块进行具体限定，为冠状动脉钙化积分cacs的获取提供数据，并在一定程度上避免钙化斑块的误判。

16、进一步地，所述步骤s4中最大间隔超平面的表达式为：

17、ω·x+b＝0

18、其中，ω为最大间隔超平面方向；x为最大间隔超平面上的点；b为从原点到最大间隔超平面的偏差。

19、上述进一步方案的有益效果为：根据支持向量机，通过求解最大间隔超平面将数据分为两类，将分类问题转化为凸二次规划问题，有效提高预测的效率，并基于历史数据进行训练，对数据进行分析，提高预测的准确性。

20、进一步地，所述最大间隔超平面的目标函数和约束条件分别为：

21、

22、s.t.＝yi(ωtxi+b)≥1,i＝1,2,...,n

23、其中，l为最大间隔超平面的目标函数；||·||为范数；s.t.为最大间隔超平面的约束条件；yi(·)为第i个点的类别标签；i为点的编号；t为转置；xi为第i个点的图像数据；n为点的总数。

24、上述进一步方案的有益效果为：通过设置目标函数和约束条件，为最大间隔超平面的求解提供出口。

技术特征：

1.一种基于机器学习的冠状动脉狭窄程度预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述基于机器学习的冠状动脉狭窄程度预测方法，其特征在于，所述步骤s2中冠状动脉钙化积分cacs的表达式为：

3.根据权利要求2所述基于机器学习的冠状动脉狭窄程度预测方法，其特征在于，所述钙化斑块具体为ct值不小于130hu，且面积不小于1mm2的病变组织。

4.根据权利要求1所述基于机器学习的冠状动脉狭窄程度预测方法，其特征在于，所述步骤s4中最大间隔超平面的表达式为：

5.根据权利要求4所述基于机器学习的冠状动脉狭窄程度预测方法，其特征在于，所述最大间隔超平面的目标函数和约束条件分别为：

技术总结
本发明公开了一种基于机器学习的冠状动脉狭窄程度预测方法，属于冠状动脉狭窄程度预测领域，该方法包括获取冠状动脉CCTA图像；根据冠状动脉CCTA图像，得到冠状动脉钙化积分CACS；利用带有压力传感器的导丝，测量冠状动脉达到最大供血状态时远端狭窄病变处的压力值，得到血流储备分数；根据冠状动脉钙化积分CACS和血流储备分数，利用支持向量机，得到最大间隔超平面；获取待测CCTA图像的冠状动脉钙化积分CACS和血流储备分数；根据待测CCTA图像的冠状动脉钙化积分CACS和血流储备分数，利用最大间隔超平面，得到冠状动脉狭窄程度预测结果。本发明提高了冠状动脉狭窄程度预测的准确性。

技术研发人员：罗培,張英
受保护的技术使用者：澳门科技大学
技术研发日：
技术公布日：2024/1/15