一种基于深度学习的左心房及左心耳内流场检测方法

本发明涉及生物医学工程领域的一种流场数据获得方法，尤其涉及一种基于深度学习的心房及心耳内血流动力学参数的方法。

背景技术：

1、目前评估左心耳血栓形成风险的金标准是基于经食道超声心动图(tee)测量。然而，这种方法是一种侵入性的过程，对病患的操作难度大、成本高，而且只能测量平面或给定视角的局部流量数据，因此无法对左心耳内复杂的三维流场进行完整评估。后来，4dflow mri开始被用于获取左心房和左心耳的内流场数据，然而其直接测量的结果无论在时间分辨率还是空间分辨率从上都不足，导致流场细节的丢失。此外，计算流体力学(cfd)是一种更普遍、更准确地获取流场流动细节的方法。人们目前关注的将cfd应用于左心房血栓的研究方向有：不同心耳几何形态对于左心房流场的影响、不同血栓治疗方案对于左心房流场的影响、左心房的血流动力学参数与血栓形成之间的联系等。虽然传统的cfd方法可以提供基于医学图像重建的左心房内的3d高分辨率的血流动力学参数，但它们需要大量的内存资源、耗时的计算和繁琐的预处理，如对模型进行网格划分、边界条件设置等,阻碍了cfd在临床上的应用。因此，如何以高效和非侵入性的方式获得血流动力学参数，包括速度和压力，对于快速评估房颤病人的血栓风险至关重要。

2、机器学习如今已广泛应用于血流动力学领域。对于不同的cfd数值模拟步骤，都有对应的机器学习技术，包括从医学图像中重构出心血管结构的三维模型、自动网格生成和网格质量评估、数值模拟计算等等。然而，目前的研究多数集中在二维流场或理想几何的三维流动上，对于复杂几何形状的研究不足。为了提高非欧几里得域预测的准确性，人们提出了各种几何深度学习(gdl)模型，如pointnet、pointnet++，它们可以利用空间变换神经网络(t-net)和对称运算直接处理点云数据。然而，机器学习应用于得到左心房、左心耳内血流动力学参数的相关研究还比较少。

技术实现思路

1、为了解决背景技术中存在的问题，本发明所提供一种基于深度学习的左心房及左心耳内流场检测方法，方法可以由房颤病人的左心房及左心耳的几何模型，计算出其瞬时三维速度场和压力场，从而更全面地对左心房和左心耳内的流场进行分析，辅助评估房颤病人的血栓生成风险。

2、本发明采用的技术方案是：

3、1)构建深度学习模型；

4、2)将点云数据集输入到深度学习模型中进行训练；

5、3)利用训练后的深度学习模型针对待测的点云数据进行检测和预测处理获得流场检测结果。

6、所述的流场包括压力场或者速度场。

7、所述的点云数据集分为壁面点云和内部点云。待测的点云数据也包含壁面点云和内部点云。

8、壁面点云指一个左心房几何模型最外层表面上的点组成的点阵集合；

9、内部点云指一个左心房几何模型除外表面以外、内部所有点组成的点阵集合。

10、如图1所示，所述的深度学习模型具体包括两个平行通道和一个汇集通道，两个平行通道分别为壁面点云通道和内部点云通道，将输入的壁面点云和内部点云均转换为二维张量，将壁面点云和内部点云的二维张量分别输入壁面点云通道和内部点云通道后获得包含了一个左心房模型的全局几何信息(对应壁面点云通道)和局部几何信息(对应内部点云通道)，全局几何信息(对应壁面点云通道)和局部几何信息拼沿着点数的维度接成一个张量后再输入到汇集通道中处理获得流场结果。

11、所述的深度学习模型中，最后是将壁面点云通道输出的全局几何信息和内部点云通道输出的局部几何信息拼沿着点数的维度接成一个张量。

12、所述的壁面点云通道包括一个空间变化层、三个卷积层、两个边卷积层和一个最大池化层，壁面点云先经过空间变化层做空间变换，使得缩放、旋转成标准点云，然后再输入到连续两组卷积模块中提取获得壁面点云的局部特征，每组卷积模块均由一个边卷积层和一个卷积层依次连接构成，最后将壁面点云的局部特征依次经一个卷积层和一个最大池化层处理后输出获得全局几何信息；

13、所述的内部点云通道包括一个空间变化层、三个卷积层和两个边卷积层，内部点云先经过空间变化层做空间变换，使得缩放、旋转成标准点云，然后再输入到连续两组卷积模块中提取获得内部点云的局部特征，每组卷积模块均由一个边卷积层和一个卷积层依次连接构成，最后将内部点云的局部特征经一个卷积层处理后输出获得局部几何信息。

14、所述壁面点云通道和内部点云通道中的两组卷积模块构成了边卷积层和卷积层交替出现的拓扑结构。

15、所述的壁面点云通道和内部点云通道中的边卷积层具体是指基于点云的邻接关系的卷积操作。

16、本发明的有益效果是：

17、本发明方法具有无创性，对临床诊断的要求较低，只需要患者提供常见的非侵入性数据(心血管的cta医学影像等)即可计算得到具有一定特异性的血流动力学参数解；

18、本发明方法具有计算成本低、速度快、且精度较高的优点，可实时获得血流动力学参数，并保证精度；

19、本发明方法相对于其他经典的深度学习模型，预测准确性更高；

20、本发明方法相对于其他关于血栓风险评估的研究，可以获取到更全面的三维流场信息、而不只是壁面的单一指标。可以为评估血栓风险提供更客观、更有说服力的流场数据。

技术特征：

1.一种基于深度学习的左心房及左心耳内流场检测方法，其特征在于：

2.根据权利要求1所述的一种基于深度学习的左心房及左心耳内流场检测方法，其特征在于：所述的流场包括压力场或者速度场。

3.根据权利要求1所述的一种基于深度学习的左心房及左心耳内流场检测方法，其特征在于：所述的点云数据集分为壁面点云和内部点云。

4.根据权利要求1所述的一种基于深度学习的左心房及左心耳内流场检测方法，其特征在于：所述的深度学习模型具体包括两个平行通道和一个汇集通道，两个平行通道分别为壁面点云通道和内部点云通道，将输入的壁面点云和内部点云均转换为二维张量，将壁面点云和内部点云的二维张量分别输入壁面点云通道和内部点云通道后获得全局几何信息和局部几何信息，全局几何信息和局部几何信息拼接成一个张量后再输入到汇集通道中处理获得流场结果。

5.根据权利要求1所述的一种基于深度学习的左心房及左心耳内流场检测方法，其特征在于：所述的深度学习模型中，最后是将壁面点云通道输出的全局几何信息和内部点云通道输出的局部几何信息拼沿着点数的维度接成一个张量。

6.根据权利要求1所述的一种基于深度学习的左心房及左心耳内流场检测方法，其特征在于：所述的壁面点云通道包括一个空间变化层、三个卷积层、两个边卷积层和一个最大池化层，壁面点云先经过空间变化层做空间变换，然后再输入到连续两组卷积模块中提取获得局部特征，每组卷积模块均由一个边卷积层和一个卷积层依次连接构成，最后将局部特征依次经一个卷积层和一个最大池化层处理后输出获得全局几何信息；

7.根据权利要求1所述的一种基于深度学习的左心房及左心耳内流场检测方法，其特征在于：所述的壁面点云通道和内部点云通道中的边卷积层具体是指基于点云的邻接关系的卷积操作。

技术总结
本发明公开了一种基于深度学习的左心房及左心耳内流场检测方法。构建深度学习模型，将点云数据集输入到深度学习模型中进行训练，训练后再针对待测的点云数据处理获得流场检测结果；深度学习模型具体中，将壁面点云和内部点云转换为二维张量后分别输入壁面点云通道和内部点云通道获得全局几何信息和局部几何信息，进而拼接成一个张量后再输入到汇集通道中处理获得流场结果。本发明通过计算机数据处理，能够无创、非侵入地进行检测，可实时获得血流动力学参数，具有计算成本低、速度快、且精度较高的优点，并保证精度，预测准确性更高。

技术研发人员：高琪,刘笑语
受保护的技术使用者：浙江大学
技术研发日：
技术公布日：2024/4/24