根据血管断层扫描图像预测血流储备分数的方法和装置与流程

1.本发明涉及数据处理技术领域，特别涉及一种根据血管断层扫描图像预测血流储备分数的方法和装置。


背景技术：

2.血流储备分数(fractional flow reserve,ffr)指在冠状动脉血管最大充血状态下的狭窄远端冠状动脉内平均压与冠状动脉口部主动脉平均压的比值。常规情况下，都是采用经皮冠状动脉介入治疗(percutaneous coronary intervention,pci)的方式获得ffr数值。但是pci检测不但操作复杂还是一种侵入性检测手段，会对检测对象造成一定的身体损伤，具有一定的危险性。


技术实现要素：

3.本发明的目的，就是针对现有技术的缺陷，提供一种根据血管断层扫描图像预测血流储备分数的方法、装置、电子设备及计算机可读存储介质，对使用计算机断层扫描血管造影(computed tomography angiography,cta)技术获得的三维血管断层扫描图像的血管截面采样序列进行血管截面面积与血流运动距离估算，并由估算结果生成反映面积
‑
距离对应关系的曲线，再根据面积
‑
距离曲线进行血管狭窄段与非狭窄段的识别，再对各个狭窄段与非狭窄段的ffr变化量进行预测，最后根据预测出的各个ffr变化量预测血管每个血管截面的ffr数值。通过本发明，不但可以避免侵入式检查带来的个人损伤，还可以大大降低检测难度，提高检测的安全性。
4.为实现上述目的，本发明实施例第一方面提供了一种根据血管断层扫描图像预测血流储备分数的方法，所述方法包括：
5.获取第一断层扫描图像的第一截面序列；所述第一断层扫描图像为三维断层扫描图像；所述第一截面序列包括多个第一截面；所述第一截面为对所述第一断层扫描图像沿血流方向对垂直于所述血流方向的血管横截面进行采样得到的采样信息；
6.对各个所述第一截面进行截面面积计算生成对应的第一面积数据，并进行血液运动距离计算生成对应的第一距离数据，并由得到的所述第一面积数据和所述第一距离数据组成对应的第一面积
‑
距离数据组；并由得到的多组所述第一面积
‑
距离数据组构成第一面积
‑
距离数据组序列；
7.以面积为纵坐标、距离为横坐标，对所述第一面积
‑
距离数据组序列进行曲线转换处理生成第一曲线；
8.对所述第一曲线进行血管狭窄段识别处理，生成多个第一狭窄段；并将所述第一曲线上由各个所述第一狭窄段隔离开的曲线片段记为第一非狭窄段；
9.对各个所述第一狭窄段进行第一血流储备分数变化量预测处理，生成对应的第一变化量数据；并对各个所述第一非狭窄段进行第二血流储备分数变化量预测处理，生成对应的第二变化量数据；
10.按各个所述第一狭窄段与各个所述第一非狭窄段的先后顺序，对得到的多个所述第一变化量数据和所述第二变化量数据进行排序，生成变化量数据序列；
11.根据所述变化量数据序列进行截面血流储备分数预测处理生成第一截面血流储备分数数据序列。
12.优选的，所述第一截面包括多个第一截面边缘点坐标；所述对各个所述第一截面进行截面面积计算生成对应的第一面积数据，并进行血液运动距离计算生成对应的第一距离数据，并由得到的所述第一面积数据和所述第一距离数据组成对应的第一面积
‑
距离数据组具体包括：
13.根据当前第一截面的多个所述第一截面边缘点坐标进行封闭曲线拟合处理，生成对应的第一封闭曲线图形；
14.对所述第一封闭曲线图形进行图形面积估算处理，生成所述第一面积数据；
15.对所述第一封闭曲线图形进行图形中心点估算处理，生成第一截面中心点坐标；
16.沿血液流动方向对第一个第一截面中心点坐标到当前第一截面中心点坐标的血液运动距离进行计算，生成所述第一距离数据；
17.由所述第一面积数据与所述第一距离数据构成对应的所述第一面积
‑
距离数据组。
18.优选的，所述对所述第一曲线进行血管狭窄段识别处理，生成多个第一狭窄段，具体包括：
19.对预设的血管狭窄段处理模式数据进行识别；
20.若所述血管狭窄段处理模式数据为第一模式，则对所述第一曲线的峰值点进行识别处理生成多个第一峰值点；并将相邻的所述第一峰值点之间的曲线记为第一曲线间隔段；并对所述第一曲线间隔段的第一个和最后一个坐标点的距离坐标值进行绝对差值计算生成第一间隔段距离数据；并对所述第一曲线间隔段的第一个和最后一个坐标点的面积坐标值进行均值计算生成第一平均面积数据，并提取所述第一曲线间隔段的最小面积坐标值生成第一最小面积数据，并计算所述第一最小面积数据与所述第一平均面积数据的比值生成第一面积比值；当所述第一间隔段距离数据高于预设的间隔段距离阈值，且所述第一面积比值低于预设的面积比值特征阈值时，将所述第一曲线间隔段标记为所述第一狭窄段；
21.若所述血管狭窄段处理模式数据为第二模式，则根据所述第一曲线进行二维血管形状图绘制生成第一血管形状图；并将所述第一血管形状图输入训练成熟的第一智能模型进行第一血管狭窄段分割处理，得到带有多个血管狭窄段区域标记的第一标记形状图；并在所述第一曲线中，将与所述第一标记形状图的各个血管狭窄段区域标记对应的曲线间隔段，记为所述第一狭窄段；
22.若所述血管狭窄段处理模式数据为第三模式，则使用训练成熟的第二智能模型对与所述第一曲线对应的所述第一断层扫描图像进行第二血管狭窄段分割处理，得到带有多个血管狭窄段区域标记的第一标记断层扫描图像；并在所述第一曲线中，将与所述第一标记断层扫描图像的各个血管狭窄段区域标记对应的曲线间隔段，记为所述第一狭窄段。
23.进一步的，在使用所述第一智能模型之前，从预设的训练数据集中提取第一面积
‑
距离训练曲线；并根据所述第一面积
‑
距离训练曲线进行二维血管形状图绘制，生成第一训练血管形状图；并对所述第一训练血管形状图进行人工血管狭窄段区域标记处理，生成带
有多个血管狭窄段区域标记的第一训练标记形状图；并将所述第一训练血管形状图输入所述第一智能模型进行第一血管狭窄段分割处理，生成带有多个血管狭窄段区域标记的第二训练血管形状图；并对所述第一训练标记形状图与所述第二训练血管形状图的血管狭窄段区域标记结果进行误差计算，并根据误差计算结果对所述第一智能模型进行反向调制，直到误差计算结果进入预设的第一模型误差收敛范围为止；
24.在使用所述第二智能模型之前，从预设的训练数据集中提取第二面积
‑
距离训练曲线；并从所述训练数据集中，提取与所述第二面积
‑
距离训练曲线对应的三维断层扫描图像，记为第一训练断层扫描图像；并按计算流体动力学方法对所述第一训练断层扫描图像进行人工血流储备分数计算，生成第一训练血流储备分数数据序列；并根据所述第一训练血流储备分数数据序列，对所述第一训练断层扫描图像进行人工血管狭窄段区域标记处理，生成带有多个血管狭窄段区域标记的第一训练标记断层扫描图像；并将所述第一训练断层扫描图像输入所述第二智能模型进行第二血管狭窄段分割处理，生成带有多个血管狭窄段区域标记的第二训练标记断层扫描图像；并对所述第一训练标记断层扫描图像与所述第二训练标记断层扫描图像的血管狭窄段区域标记结果进行误差计算，并根据误差计算结果对所述第二智能模型进行反向调制，直到误差计算结果进入预设的第二模型误差收敛范围为止。
25.优选的，所述对各个所述第一狭窄段进行第一血流储备分数变化量预测处理，生成对应的第一变化量数据，具体包括：
26.对当前第一狭窄段的狭窄段形状特征进行分析，生成对应的第一狭窄段形状特征数据；对所述当前第一狭窄段的狭窄段位置特征进行分析，生成对应的第一狭窄段位置特征数据；对所述当前第一狭窄段所在血管的形状特征进行分析，生成对应的第一血管形状特征数据；
27.将所述第一狭窄段形状特征数据、所述第一狭窄段位置特征数据和所述第一血管形状特征数据输入训练成熟的狭窄段血流储备分数变化量预测模型进行狭窄段血流储备分数变化量预测处理，生成对应的所述第一变化量数据。
28.优选的，所述对各个所述第一非狭窄段进行第二血流储备分数变化量预测处理，生成对应的第二变化量数据，具体包括：
29.对当前第一非狭窄段的形状特征进行分析，生成对应的第一非狭窄段形状特征数据；对所述当前第一非狭窄段所在血管的形状特征进行分析，生成对应的第二血管形状特征数据；
30.将所述第一非狭窄段形状特征数据和所述第二血管形状特征数据输入训练成熟的非狭窄段血流储备分数变化量预测模型进行非狭窄段血流储备分数变化量预测处理，生成对应的所述第二变化量数据。
31.优选的，所述变化量数据序列包括多个第三变化量数据；所述根据所述变化量数据序列进行截面血流储备分数预测处理生成第一截面血流储备分数数据序列具体包括：
32.将第一个所述第三变化量数据对应的所述第一曲线的狭窄段或非狭窄段记为第一曲线片段；并将所述第一曲线片段对应的多个所述第一截面归为第一截面集合；并将所述第一截面集合的第一个所述第一截面对应的第一截面血流储备分数数据ffr
1f
设为预设的起始血流储备分数，将所述第一截面集合的最后一个所述第一截面对应的第一截面血流
储备分数数据ffr
1l
设为(ffr
1f
第一个第三变化量数据)；将所述第一截面集合中除第一个和最后一个之外的所述第一截面记为第一中间截面；设置任一所述第一中间截面对应的第一截面血流储备分数数据为a1为所述第一中间截面到所述第一截面集合的第一个所述第一截面的距离，b1为所述第一中间截面到所述第一截面集合的最后一个所述第一截面的距离，c1为所述第一截面集合的第一个到最后一个所述第一截面的距离；
33.将第二个所述第三变化量数据对应的所述第一曲线的狭窄段或非狭窄段记为第二曲线片段；并将所述第二曲线片段对应的多个所述第一截面归为第二截面集合；并将所述第二截面集合的第一个所述第一截面对应的第一截面血流储备分数数据ffr
2f
设为所述第一截面集合的最后一个所述第一截面对应的第一截面血流储备分数数据ffr
1l
，将所述第二截面集合的最后一个所述第一截面对应的第一截面血流储备分数数据ffr
2l
设为(ffr
2f
第二个第三变化量数据)；将所述第二截面集合中除第一个和最后一个之外的所述第一截面标记为第二中间截面；设置任一所述第二中间截面对应的第一截面血流储备分数数据为a2为所述第二中间截面到所述第二截面集合的第一个所述第一截面的距离，b2为所述第二中间截面到所述第二截面集合的最后一个所述第一截面的距离，c2为所述第二截面集合的第一个到最后一个所述第一截面的距离；以此类推，直至最后一个所述第三变化量数据为止；
34.对得到的所有第一截面血流储备分数数据按先后顺序排序，生成所述第一截面血流储备分数数据序列。
35.本发明实施例第二方面提供了一种实现上述第一方面所述的方法的装置，包括：获取模块、数据处理模块、狭窄段与非狭窄段识别模块和血流储备分数预测模块；
36.所述获取模块用于获取第一断层扫描图像的第一截面序列；所述第一断层扫描图像为三维断层扫描图像；所述第一截面序列包括多个第一截面；所述第一截面为对所述第一断层扫描图像沿血流方向对垂直于所述血流方向的血管横截面进行采样得到的采样信息；
37.所述数据处理模块用于对各个所述第一截面进行截面面积计算生成对应的第一面积数据，并进行血液运动距离计算生成对应的第一距离数据，并由得到的所述第一面积数据和所述第一距离数据组成对应的第一面积
‑
距离数据组；并由得到的多组所述第一面积
‑
距离数据组构成第一面积
‑
距离数据组序列；并以面积为纵坐标、距离为横坐标，对所述第一面积
‑
距离数据组序列进行曲线转换处理生成第一曲线；
38.所述狭窄段与非狭窄段识别模块用于对所述第一曲线进行血管狭窄段识别处理，生成多个第一狭窄段；并将所述第一曲线上由各个所述第一狭窄段隔离开的曲线片段记为第一非狭窄段；
39.所述血流储备分数预测模块用于对各个所述第一狭窄段进行第一血流储备分数变化量预测处理，生成对应的第一变化量数据；并对各个所述第一非狭窄段进行第二血流储备分数变化量预测处理，生成对应的第二变化量数据；并按各个所述第一狭窄段与各个所述第一非狭窄段的先后顺序，对得到的多个所述第一变化量数据和所述第二变化量数据
进行排序，生成变化量数据序列；并根据所述变化量数据序列进行截面血流储备分数预测处理生成第一截面血流储备分数数据序列。
40.本发明实施例第三方面提供了一种电子设备，包括：存储器、处理器和收发器；
41.所述处理器用于与所述存储器耦合，读取并执行所述存储器中的指令，以实现上述第一方面所述的方法步骤；
42.所述收发器与所述处理器耦合，由所述处理器控制所述收发器进行消息收发。
43.本发明实施例第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，当所述计算机指令被计算机执行时，使得所述计算机执行上述第一方面所述的方法的指令。
44.本发明实施例提供了一种根据血管断层扫描图像预测血流储备分数的方法、装置、电子设备及计算机可读存储介质，对使用cta技术获得的三维血管断层扫描图像的血管截面采样序列进行血管截面面积与血流运动距离估算，并由估算结果生成反映面积
‑
距离对应关系的曲线，再根据面积
‑
距离曲线进行血管狭窄段与非狭窄段的识别，再对各个狭窄段与非狭窄段的ffr变化量进行预测，最后根据预测出的各个ffr变化量预测血管每个血管截面的ffr数值。通过本发明，即避免了由侵入式检查带来的个人损伤，还大大降低了检测难度，提高了检测的安全性。
附图说明
45.图1为本发明实施例一提供的一种根据血管断层扫描图像预测血流储备分数的方法示意图；
46.图2为本发明实施例二提供的一种根据血管断层扫描图像预测血流储备分数的装置的模块结构图；
47.图3为本发明实施例三提供的一种电子设备的结构示意图。
具体实施方式
48.为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部份实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
49.本发明实施例一提供的一种根据血管断层扫描图像预测血流储备分数的方法，如图1为本发明实施例一提供的一种根据血管断层扫描图像预测血流储备分数的方法示意图所示，本方法主要包括如下步骤：
50.步骤1，获取第一断层扫描图像的第一截面序列；
51.其中，第一断层扫描图像为三维断层扫描图像；第一截面序列包括多个第一截面；第一截面为对第一断层扫描图像沿血流方向对垂直于血流方向的血管横截面进行采样得到的采样信息；第一截面包括多个第一截面边缘点坐标。
52.这里，第一断层扫描图像为使用cta技术获得的三维断层扫描血管造影图像；在为对第一断层扫描图像沿血流方向对垂直于血流方向的血管横截面进行采样时，将血管壁上各点也就是血管横截面上的边缘点的坐标作为一个对应的第一截面边缘点坐标，那么第一
截面实际是由多个第一截面边缘点坐标组成的信息序列；这里的血流方向也就是从血管近心端到血管远心端的血液运动方向。
53.步骤2，对各个第一截面进行截面面积计算生成对应的第一面积数据，并进行血液运动距离计算生成对应的第一距离数据，并由得到的第一面积数据和第一距离数据组成对应的第一面积
‑
距离数据组；并由得到的多组第一面积
‑
距离数据组构成第一面积
‑
距离数据组序列；
54.这里，第一面积数据为每个血管横截面也就是第一截面的面积信息，第一距离数据为每个第一截面距离血管入口也就是第1个第一截面的距离，这个距离不是直线距离而是血液在血管中从血管入口到当前第一截面的运动距离，第一面积
‑
距离数据组可以体现对应的第一截面上血管横截面与血液运动距离的对应关系，第一面积
‑
距离数据组序列则可以体现整个血管上不同位置的血管横截面与血液运动距离的对应关系；
55.具体包括：步骤21，根据当前第一截面的多个第一截面边缘点坐标进行封闭曲线拟合处理，生成对应的第一封闭曲线图形；
56.这里，第一封闭曲线图形为一个不规则图形；
57.步骤22，对第一封闭曲线图形进行图形面积估算处理，生成第一面积数据；
58.这里，基于第一封闭曲线图形边缘点和中心点的积分方法进行图形面积估算从而得到第一面积数据；
59.步骤23，对第一封闭曲线图形进行图形中心点估算处理，生成第一截面中心点坐标；
60.这里，将所有边缘点在各坐标轴上的坐标取平均值，作为第一截面中心点坐标；
61.步骤24，沿血液流动方向对第一个第一截面中心点坐标到当前第一截面中心点坐标的血液运动距离进行计算，生成第一距离数据；
62.这里，第一个第一截面对应的第一距离数据应为0；
63.在对第一个第一截面中心点坐标到第二个第一截面中心点坐标的血液运动距离进行计算时，首先计算第二个第一截面中心点坐标与第一个第一截面中心点坐标间的直线距离生成第一相对距离数据，再将前一个第一截面对应的第一距离数据(第一个第一截面对应的第一距离数据)与第一相对距离数据相加的和作为第二个第一截面对应的第一距离数据；
64.在对第一个第一截面中心点坐标到第三个第一截面中心点坐标的血液运动距离进行计算时，首先计算第三个第一截面中心点坐标与第二个第一截面中心点坐标间的直线距离生成第二相对距离数据，再将前一个第一截面对应的第一距离数据(第二个第一截面对应的第一距离数据)与第二相对距离数据相加的和作为第三个第一截面对应的第一距离数据；
65.以此类推，直到得到最后一个第一截面对应的第一距离数据为止；
66.步骤25，由第一面积数据与第一距离数据构成对应的第一面积
‑
距离数据组；
67.这里，第一面积
‑
距离数据组体现了对应的第一截面上血管横截面与血液运动距离的对应关系；
68.步骤26，由得到的多组第一面积
‑
距离数据组构成第一面积
‑
距离数据组序列。
69.这里，第一面积
‑
距离数据组序列体现了整个血管上不同位置的血管横截面与血
液运动距离的对应关系。
70.步骤3，以面积为纵坐标、距离为横坐标，对第一面积
‑
距离数据组序列进行曲线转换处理生成第一曲线。
71.这里，在对第一面积
‑
距离数据组序列进行曲线转换处理时，以第一面积
‑
距离数据组序列中每个第一面积
‑
距离数据组的第一面积数据为纵坐标值、第一距离数据为横坐标值，在以面积为纵坐标、距离为横坐标的二维坐标系上做面积
‑
距离坐标点标记得到多个面积
‑
距离坐标点，并对各个面积
‑
距离坐标点依次连接从而得到初始曲线；
72.为降低初始曲线的噪声，进一步可采用针对非周期性信号的滤波器处理方法对初始曲线做曲线平滑处理，从而得到能够反映血管横截面与血液运动距离变化趋势的第一曲线。
73.步骤4，对第一曲线进行血管狭窄段识别处理，生成多个第一狭窄段；并将第一曲线上由各个第一狭窄段隔离开的曲线片段记为第一非狭窄段；
74.步骤41，对第一曲线进行血管狭窄段识别处理，生成多个第一狭窄段；
75.这里，本发明实施例提供三种血管狭窄段识别方式，分别对应预设的系统参数血管狭窄段处理模式数据的三种模式：第一模式、第二模式和第三模式；
76.具体包括：步骤411，对预设的血管狭窄段处理模式数据进行识别；若血管狭窄段处理模式数据为第一模式，则转至步骤412；若血管狭窄段处理模式数据为第二模式，则转至步骤413；若血管狭窄段处理模式数据为第三模式，则转至步骤414；
77.这里，若血管狭窄段处理模式数据为第一模式说明当前采用的是第一种血管狭窄段识别方式，由后续步骤412进行处理；若血管狭窄段处理模式数据为第二模式说明当前采用的是第二种血管狭窄段识别方式，由后续步骤413进行处理；若血管狭窄段处理模式数据为第三模式说明当前采用的是第三种血管狭窄段识别方式，由后续步骤414进行处理；
78.步骤412，对第一曲线的峰值点进行识别处理生成多个第一峰值点；并将相邻的第一峰值点之间的曲线记为第一曲线间隔段；并对第一曲线间隔段的第一个和最后一个坐标点的距离坐标值进行绝对差值计算生成第一间隔段距离数据；并对第一曲线间隔段的第一个和最后一个坐标点的面积坐标值进行均值计算生成第一平均面积数据，并提取第一曲线间隔段的最小面积坐标值生成第一最小面积数据，并计算第一最小面积数据与第一平均面积数据的比值生成第一面积比值；当第一间隔段距离数据高于预设的间隔段距离阈值，且第一面积比值低于预设的面积比值特征阈值时，将第一曲线间隔段标记为第一狭窄段；转至步骤42；
79.这里，在使用第一种血管狭窄段识别方式进行处理时，首先以第一曲线的峰值点作为子片段划分条件，将每两个峰值点之间的区域作为一个子片段也就是第一曲线间隔段，每个第一曲线间隔段的首、尾各对应一个面积
‑
距离坐标点；
80.然后对每个第一曲线间隔段进行血管狭窄段判断：
81.首先，计算首尾两个坐标点的横轴坐标值也就是距离坐标值的绝对差值得到第一间隔段距离数据；
82.例如，当前第一曲线间隔段的首尾坐标点分别为：坐标点1(距离1，面积1)和坐标点2(距离2，面积2)，则第一间隔段距离数据＝|距离2
‑
距离1|,其中||为取绝对值符号；
83.其次，计算首尾两个坐标点的纵轴坐标值也就是面积坐标值的平均值得到第一平
均面积数据；再从第一曲线间隔段上提取最小纵轴坐标值也就是最小面积坐标值作为第一最小面积数据；并根据第一最小面积数据和第一平均面积数据计算第一面积比值＝第一最小面积数据/第一平均面积数据；
84.例如，当前第一曲线间隔段的首尾坐标点分别为：坐标点1(距离1，面积1)和坐标点2(距离2，面积2)，当前第一曲线间隔段的最小面积坐标值对应坐标点3(距离3，面积3)，则第一平均面积数据＝(面积1 面积2)/2,第一最小面积数据＝面积3，第一面积比值＝第一最小面积数据/第一平均面积数据＝面积3/((面积1 面积2)/2)＝2*面积3/(面积1 面积2)；
85.最后，依照预先设定的间隔段距离阈值与面积比值特征阈值等特征阈值参数，对第一间隔段距离数据和第一面积比值进行判断，若第一间隔段距离数据≥间隔段距离阈值，且第一面积比值≤面积比值特征阈值，则认定当前第一曲线间隔段为血管狭窄段，并将其标记为第一狭窄段；
86.步骤413，根据第一曲线进行二维血管形状图绘制生成第一血管形状图；并将第一血管形状图输入训练成熟的第一智能模型进行第一血管狭窄段分割处理，得到带有多个血管狭窄段区域标记的第一标记形状图；并在第一曲线中，将与第一标记形状图的各个血管狭窄段区域标记对应的曲线间隔段，记为第一狭窄段；转至步骤42；
87.进一步的，在使用第一智能模型之前，从预设的训练数据集中提取第一面积
‑
距离训练曲线；并根据第一面积
‑
距离训练曲线进行二维血管形状图绘制，生成第一训练血管形状图；并对第一训练血管形状图进行人工血管狭窄段区域标记处理，生成带有多个血管狭窄段区域标记的第一训练标记形状图；并将第一训练血管形状图输入第一智能模型进行第一血管狭窄段分割处理，生成带有多个血管狭窄段区域标记的第二训练血管形状图；并对第一训练标记形状图与第二训练血管形状图的血管狭窄段区域标记结果进行误差计算，并根据误差计算结果对第一智能模型进行反向调制，直到误差计算结果进入预设的第一模型误差收敛范围为止；
88.这里，在使用第二种血管狭窄段识别方式进行处理时，首先参考第一曲线反映出的血管截面面积
‑
血液运动距离的对应关系构建出一个二维的血管形状图也即是第一血管形状图，该图与前文的第一断层扫描图像的区别是第一血管形状图不存在背景噪声，其图像识别结果会更精准；然后将第一血管形状图输入训练成熟的二维图像血管狭窄语义识别模型也就是第一智能模型进行二维图像血管狭窄语义分割处理也就是第一血管狭窄段分割处理，从而得到带有多个血管狭窄段对象标记框也就是血管狭窄段区域标记的语义识别图像也就是第一标记形状图；然后再将第一曲线中与各个血管狭窄段区域标记对应的曲线间隔段记为第一狭窄段；
89.上文的第一智能模型实际就是人工智能模型中能够实现端到端二维图像语义分割功能的模型种类，在具体实施时可根据模型的计算资源、计算效率等因素进行选取和配置；在使用第一智能模型之前，需要对该模型进行监督训练；在训练时，采用人工血管狭窄段区域标记的第一训练标记形状图对模型输出也就是第二训练血管形状图进行监督；
90.步骤414，使用训练成熟的第二智能模型对与第一曲线对应的第一断层扫描图像进行第二血管狭窄段分割处理，得到带有多个血管狭窄段区域标记的第一标记断层扫描图像；并在第一曲线中，将与第一标记断层扫描图像的各个血管狭窄段区域标记对应的曲线
间隔段，记为第一狭窄段；
91.进一步的，在使用第二智能模型之前，从预设的训练数据集中提取第二面积
‑
距离训练曲线；并从训练数据集中，提取与第二面积
‑
距离训练曲线对应的三维断层扫描图像，记为第一训练断层扫描图像；并按计算流体动力学方法对第一训练断层扫描图像进行人工血流储备分数计算，生成第一训练血流储备分数数据序列；并根据第一训练血流储备分数数据序列，对第一训练断层扫描图像进行人工血管狭窄段区域标记处理，生成带有多个血管狭窄段区域标记的第一训练标记断层扫描图像；并将第一训练断层扫描图像输入第二智能模型进行第二血管狭窄段分割处理，生成带有多个血管狭窄段区域标记的第二训练标记断层扫描图像；并对第一训练标记断层扫描图像与第二训练标记断层扫描图像的血管狭窄段区域标记结果进行误差计算，并根据误差计算结果对第二智能模型进行反向调制，直到误差计算结果进入预设的第二模型误差收敛范围为止；
92.这里，在使用第三种血管狭窄段识别方式进行处理时，将与第一曲线对应的三维断层扫描图也就是第一断层扫描图像输入训练成熟的基于计算流体动力学方法的三维图像血管狭窄语义识别模型也就是第二智能模型进行三维图像血管狭窄语义分割处理也就是第二血管狭窄段分割处理，从而得到带有多个血管狭窄段对象标记框也就是血管狭窄段区域标记的语义识别图像也就是第一标记断层扫描图像；然后再将第一曲线中与各个血管狭窄段区域标记对应的曲线间隔段记为第一狭窄段；
93.上文的第二智能模型实际就是人工智能模型中能够实现端到端三维图像语义分割功能的模型种类，在具体实施时可根据模型的计算资源、计算效率等因素进行选取和配置；在使用第二智能模型之前，需要对该模型进行监督训练；在训练时，按计算流体动力学方法使用相关计算工具对第一训练断层扫描图像中血管上各点对应的血流储备分数数据进行人工计算得到对应的第一训练血流储备分数数据序列，并根据第一训练血流储备分数数据序列对第一训练断层扫描图像进行人工血管狭窄段区域标记处理从而得到带有多个血管狭窄段区域标记的监督数据也就是第一训练标记断层扫描图像；再使用第一训练标记断层扫描图像对模型输出也就是第二训练标记断层扫描图像进行监督；
94.步骤42，将第一曲线上由各个第一狭窄段隔离开的曲线片段记为第一非狭窄段。
95.例如，在第一曲线上，坐标点a到b间的曲线间隔片段被识别为第一狭窄段，那么第一曲线上第1个坐标点到坐标点a之间的曲线片段，和坐标点b到最后1个坐标点之间的曲线片段都被为第一非狭窄段。
96.步骤5，对各个第一狭窄段进行第一血流储备分数变化量预测处理，生成对应的第一变化量数据；并对各个第一非狭窄段进行第二血流储备分数变化量预测处理，生成对应的第二变化量数据；
97.这里的第一变化量数据是指第一狭窄段对应血管出口处血流储备分数与入口处血流储备分数的绝对差值；第二变化量数据是指第一非狭窄段对应血管出口处血流储备分数与入口处血流储备分数的绝对差值；
98.步骤51，对各个第一狭窄段进行第一血流储备分数变化量预测处理，生成对应的第一变化量数据；
99.这里，在对各个第一狭窄段进行第一血流储备分数变化量预测处理时，本发明实施例根据各个第一狭窄段的狭窄段形状特征、狭窄段位置特征和所在血管的血管形状特
征，对当前第一狭窄段的血流储备分数变化量进行预测；
100.具体包括：步骤511，对当前第一狭窄段的狭窄段形状特征进行分析，生成对应的第一狭窄段形状特征数据；对当前第一狭窄段的狭窄段位置特征进行分析，生成对应的第一狭窄段位置特征数据；对当前第一狭窄段所在血管的形状特征进行分析，生成对应的第一血管形状特征数据；
101.这里，第一狭窄段形状特征数据为每个第一狭窄段的形状信息集合，第一狭窄段位置特征数据为每个第一狭窄段在血管树上所处的相对位置的信息集合，第一血管形状特征数据为每个第一狭窄段所在血管段在血管树上所处的相对位置的信息集合；
102.上述三个分析过程具体为：
103.(1)在对当前第一狭窄段的狭窄段形状特征进行分析时:
104.步骤a
‑
1，在第一断层扫描图像的血管树上对当前第一狭窄段的入口段、最狭窄段和出口段进行标记；
105.步骤a
‑
2，计算入口段的首尾两个第一截面的血液运动距离生成第一入口段长度，计算最狭窄段的首尾两个第一截面的血液运动距离生成第一最狭窄段长度，计算出口段的首尾两个第一截面的血液运动距离生成第一出口段长度；
106.步骤a
‑
3，提取入口段的起始第一截面对应的第一面积数据生成第一入口处面积数据，提取最狭窄段对应的所有第一截面的第一面积数据中的最小值生成第一最狭窄处面积数据，提取出口段的最后一个第一截面对应的第一面积数据生成第一出口处面积数据；
107.步骤a
‑
4，计算第一入口处面积数据与第一出口处面积数据的平均值生成第一出入口平均面积数据，计算第一最狭窄处面积数据与第一入口处面积数据的比值生成第一狭窄面积比值，计算第一最狭窄处面积数据与第一出入口平均面积数据的比值生成第二狭窄面积比值；
108.步骤a
‑
5，将第一入口段长度、第一最狭窄段长度、第一出口段长度、第一入口处面积数据、第一最狭窄处面积数据和第一出口处面积数据组成第一狭窄段形状特征集合，将第一狭窄面积比值和第二狭窄面积比值组成第二狭窄段形状特征集合；
109.步骤a
‑
6，将第一、第二狭窄段形状特征集合组成第一狭窄段形状特征数据；
110.(2)在对当前第一狭窄段的狭窄段位置特征进行分析时:
111.步骤b
‑
1，在第一断层扫描图像的血管树上对当前第一狭窄段前后的血管分叉点进行标记；若当前第一狭窄段前后都存在血管分叉点，则取前后最近的血管分叉点间的区域作为与当前第一狭窄段对应的第一截断区域；若当前第一狭窄段只有前面存在血管分叉点，则取当前第一狭窄段前最近血管分叉点到血管树血流出口间的区域作为与当前第一狭窄段对应的第一截断区域；若当前第一狭窄段只有后面存在血管分叉点，则取血管树血流入口到当前第一狭窄段后最近血管分叉点间的区域作为与当前第一狭窄段对应的第一截断区域；若当前第一狭窄段前后均不存在血管分叉点，则取血管树血流入口到出口间的全部区域作为与当前第一狭窄段对应的第一截断区域；计算当前第一狭窄段的起始位置到第一截断区域的起始位置间的血液运动距离，生成第一一狭窄段位置特征数据；
112.步骤b
‑
2，在第一断层扫描图像的血管树上从当前第一狭窄段的起始位置起按与血流运动方向相反的方向进行交叉点追溯；当追溯到每个交叉点时，对当前所在血管是否为当前交叉点处的主支血管进行判断，若不为主支血管则将从当前第一狭窄段到当前交叉
点的追溯路径作为第一一血管区域；在血管树上从当前第一狭窄段的结束位置起按与血流运动方向相同的方向进行交叉点追溯；当追溯到每个交叉点时，对当前所在血管是否为当前交叉点处的主支血管进行判断，若不为主支血管则将从当前第一狭窄段到当前交叉点的追溯路径作为第一二血管区域；由第一一血管区域、当前第一狭窄段和第一二血管区域组成第一血管区域；计算当前第一狭窄段的起始位置到第一血管区域的结束位置间的血液运动距离，生成第一二狭窄段位置特征数据；
113.步骤b
‑
3，在第一断层扫描图像的血管树上从当前第一狭窄段的起始位置起按与血流运动方向相反的方向进行追溯直到血管树血流入口为止，并将从当前第一狭窄段到血管树血流入口处的追溯路径作为第二一血管区域；在血管树上从当前第一狭窄段的结束位置起按与血流运动方向相同的方向进行交叉点追溯，当追溯到每个交叉点时沿当前交叉点处的主支血管继续往下进行交叉点追溯，直到血管树血流出口为止，并将从当前第一狭窄段到血管树血流出口的追溯路径作为第二二血管区域；由第二一血管区域、当前第一狭窄段和第二二血管区域组成第二血管区域；计算当前第一狭窄段的起始位置到第二血管区域的起始位置间的血液运动距离，生成第一三狭窄段位置特征数据；
114.步骤b
‑
4，将上述第一一、第一二、第一三狭窄段位置特征数据组合起来，构成第一狭窄段位置特征数据；
115.(3)在对当前第一狭窄段所在血管的形状特征进行分析时:
116.步骤c
‑
1，提取前述第一截断区域起始位置对应的第一面积数据生成第一截断起始面积数据，提取第一截断区域中当前第一狭窄段前分叉点对应的第一面积数据生成第一截断分叉面积数据，提取第一截断区域内最小的第一面积数据生成第一截断最小面积数据，统计第一截断区域中包含的第一狭窄段的数量生成第一狭窄段数量；由第一截断起始面积数据、第一截断分叉面积数据、第一截断最小面积数据和第一狭窄段数量组成第一一血管形状特征数据；
117.步骤c
‑
2，提取前述第一血管区域的结束位置对应的第一面积数据，生成第一二血管形状特征数据；
118.步骤c
‑
3，统计前述第二血管区域中，从起始位置到当前第一狭窄段间的第一狭窄段的数量生成第一三血管形状特征数据；
119.步骤c
‑
4，将上述第一一、第一二、第一三血管形状特征数据组合起来，构成第一血管形状特征数据；
120.步骤512，将第一狭窄段形状特征数据、第一狭窄段位置特征数据和第一血管形状特征数据输入训练成熟的狭窄段血流储备分数变化量预测模型进行狭窄段血流储备分数变化量预测处理，生成对应的第一变化量数据；
121.这里，狭窄段血流储备分数变化量预测模型可采用多层向前神经网络(multilayer feed
‑
forward neural network，ml_nn)予以实现，可以采用支持向量回归(support vector regression，svr)模型予以实现，还可以采用极限梯度提升(extreme gradient boosting，xgboost)模型予以实现；
122.步骤52，对各个第一非狭窄段进行第二血流储备分数变化量预测处理，生成对应的第二变化量数据；
123.这里，在对各个第一非狭窄段进行第二血流储备分数变化量预测处理时，本发明
实施例根据各个第一非狭窄段的非狭窄段形状特征和所在血管的血管形状特征，对当前第一非狭窄段的血流储备分数变化量进行预测；
124.具体包括：步骤521，对当前第一非狭窄段的形状特征进行分析，生成对应的第一非狭窄段形状特征数据；对当前第一非狭窄段所在血管的形状特征进行分析，生成对应的第二血管形状特征数据；
125.这里，第一非狭窄段形状特征数据为每个第一非狭窄段的形状信息集合，第二血管形状特征数据为每个第一非狭窄段所在血管段在血管树上所处的相对位置的信息集合；
126.上述两个分析过程具体为：
127.(1)在对当前第一非狭窄段的形状特征进行分析时：
128.步骤d
‑
1，计算当前第一非狭窄段的首尾两个第一截面的血液运动距离生成第一非狭窄段长度；提取当前第一非狭窄段的起始第一截面对应的第一面积数据生成第二入口处面积数据，提取当前第一非狭窄段最后一个第一截面对应的第一面积数据生成第二出口处面积数据；计算第二出口处面积数据与第二入口处面积数据的绝对差值，生成第一非狭窄段差值面积数据；计算第一非狭窄段差值面积数据与第一非狭窄段长度的比值生成第一非狭窄段比值；
129.步骤d
‑
2，计算当前第一非狭窄段的曲率半径，生成第一非狭窄段曲率半径；
130.步骤d
‑
3，将第一非狭窄段比值和第一非狭窄段曲率半径组成第一非狭窄段形状特征数据；
131.(2)在对当前第一非狭窄段所在血管的形状特征进行分析时：
132.步骤e
‑
1，在第一断层扫描图像的血管树上对当前第一非狭窄段前后的血管分叉点进行标记；若当前第一非狭窄段前后都存在血管分叉点，则取前后最近的血管分叉点间的区域作为与当前第一非狭窄段对应的第二截断区域；若当前第一非狭窄段只有前面存在血管分叉点，则取当前第一非狭窄段前最近血管分叉点到血管树血流出口间的区域作为与当前第一非狭窄段对应的第二截断区域；若当前第一非狭窄段只有后面存在血管分叉点，则取血管树血流入口到当前第一非狭窄段后最近血管分叉点间的区域作为与当前第一非狭窄段对应的第二截断区域；若当前第一非狭窄段前后均不存在血管分叉点，则取血管树血流入口到出口间的全部区域作为与当前第一非狭窄段对应的第二截断区域；统计第二截断区域内包含的所有第一狭窄段的最大狭窄率，生成第二一血管形状特征数据；
133.步骤e
‑
2，在第一断层扫描图像的血管树上从当前第一非狭窄段的起始位置起按与血流运动方向相反的方向进行交叉点追溯；当追溯到每个交叉点时，对当前所在血管是否为当前交叉点处的主支血管进行判断，若不为主支血管则将从当前第一非狭窄段到当前交叉点的追溯路径作为第三一血管区域；在血管树上从当前第一非狭窄段的结束位置起按与血流运动方向相同的方向进行交叉点追溯；当追溯到每个交叉点时，对当前所在血管是否为当前交叉点处的主支血管进行判断，若不为主支血管则将从当前第一非狭窄段到当前交叉点的追溯路径作为第三二血管区域；由第三一血管区域、当前第一非狭窄段和第三二血管区域组成第三血管区域；提取第三血管区域结束位置对应的第一面积数据，生成第二二血管形状特征数据；
134.步骤e
‑
3，在第一断层扫描图像的血管树上从当前第一非狭窄段的起始位置起按与血流运动方向相反的方向进行追溯直到血管树血流入口为止，并将从当前第一非狭窄段
到血管树血流入口处的追溯路径作为第四一血管区域；在血管树上从当前第一非狭窄段的结束位置起按与血流运动方向相同的方向进行交叉点追溯，当追溯到每个交叉点时沿当前交叉点处的主支血管继续往下进行交叉点追溯，直到血管树血流出口为止，并将从当前第一非狭窄段到血管树血流出口的追溯路径作为第四二血管区域；由第四一血管区域、当前第一非狭窄段和第四二血管区域组成第四血管区域；对距离第四血管区域起始位置最近的第二截断区域的所有第一面积数据进行均值计算，生成第一截断平均面积数据；统计从第四血管区域起始位置到当前第一非狭窄段起始位置之间的分叉点数量，生成第一分叉点数量；将第一截断平均面积数据和第一分叉点数量组成第二三血管形状特征数据；
135.步骤e
‑
4，将上述第二一、第二二、第二三血管形状特征数据组合起来，构成第二血管形状特征数据；
136.步骤522，将第一非狭窄段形状特征数据和第二血管形状特征数据输入训练成熟的非狭窄段血流储备分数变化量预测模型进行非狭窄段血流储备分数变化量预测处理，生成对应的第二变化量数据。
137.这里，非狭窄段血流储备分数变化量预测模型可采用ml_nn网络予以实现，可以采用svr模型予以实现，还可以采用xgboost模型予以实现。
138.步骤6，按各个第一狭窄段与各个第一非狭窄段的先后顺序，对得到的多个第一变化量数据和第二变化量数据进行排序，生成变化量数据序列；
139.其中，变化量数据序列包括多个第三变化量数据。
140.这里，所谓各个第一狭窄段与各个第一非狭窄段的先后顺序也就是从血管树入口开始沿血流运动方向的先后顺序。
141.步骤7，根据变化量数据序列进行截面血流储备分数预测处理生成第一截面血流储备分数数据序列；
142.这里，因为已经获得血管树上从入口开始各个狭窄段或非狭窄段的血流储备分数变化量，那么就可以从第一个分段开始依次往下得出各个分段首尾位置的血流储备分数值；又因为每个血管截面上的边缘点的血流储备分数值相同，那么若要计算各分段的各截面的边缘点的血流储备分数值则只需计算对应截面的血流储备分数值即可；在计算某一截面的血流储备分数值时，则根据当前截面与当前分段首尾位置的血液运动距离、当前分段首尾位置的血液运动距离以及当前分段首尾位置的血流储备分数值进行计算即可得到，当前截面的血流储备分数值＝(当前截面与当前分段尾位置的血液运动距离*当前分段首位置的血流储备分数值/当前分段首尾位置的血液运动距离) (当前截面与当前分段首位置的血液运动距离*当前分段尾位置的血流储备分数值/当前分段首尾位置的血液运动距离)；
143.具体包括：步骤71，将第一个第三变化量数据对应的第一曲线的狭窄段或非狭窄段记为第一曲线片段；并将第一曲线片段对应的多个第一截面归为第一截面集合；并将第一截面集合的第一个第一截面对应的第一截面血流储备分数数据ffr
1f
设为预设的起始血流储备分数，将第一截面集合的最后一个第一截面对应的第一截面血流储备分数数据ffr
1l
设为(ffr
1f
第一个第三变化量数据)；将第一截面集合中除第一个和最后一个之外的第一截面记为第一中间截面；设置任一第一中间截面对应的第一截面血流储备分数数据为
144.其中，a1为第一中间截面到第一截面集合的第一个第一截面的距离，b1为第一中间截面到第一截面集合的最后一个第一截面的距离，c1为第一截面集合的第一个到最后一个第一截面的距离；
145.这里，在第一个分段中，当前分段首位置的血流储备分数值也就是第一截面集合的第一个第一截面对应的第一截面血流储备分数数据ffr
1f
为预设的起始血流储备分数；常规情况下起始血流储备分数可被设为1；
146.步骤72，将第二个第三变化量数据对应的第一曲线的狭窄段或非狭窄段记为第二曲线片段；并将第二曲线片段对应的多个第一截面归为第二截面集合；并将第二截面集合的第一个第一截面对应的第一截面血流储备分数数据ffr
2f
设为第一截面集合的最后一个第一截面对应的第一截面血流储备分数数据ffr
1l
，将第二截面集合的最后一个第一截面对应的第一截面血流储备分数数据ffr
2l
设为(ffr
2f
第二个第三变化量数据)；将第二截面集合中除第一个和最后一个之外的第一截面标记为第二中间截面；设置任一第二中间截面对应的第一截面血流储备分数数据为以此类推，直至最后一个第三变化量数据为止；
147.其中，a2为第二中间截面到第二截面集合的第一个第一截面的距离，b2为第二中间截面到第二截面集合的最后一个第一截面的距离，c2为第二截面集合的第一个到最后一个第一截面的距离；
148.这里，在第一个分段之后的分段中，当前分段首位置的血流储备分数值也就是前一分段尾位置的血流储备分数值；
149.步骤73，对得到的所有第一截面血流储备分数数据按先后顺序排序，生成第一截面血流储备分数数据序列。
150.这里，第一截面血流储备分数数据序列即为对第一断层扫描图像所有采样截面的血流储备分数值集合。
151.需要说明的是，若要对第一断层扫描图像上任一血管位置点的血流储备分数进行计算，则只需根据当前血管位置点的坐标按血流运动方向从第一截面序列中搜索得到前后最近的两个第一截面：第一前相邻截面和第一后相邻截面；将当前血管位置点在第一前相邻截面和第一后相邻截面上的映射点记为第一前映射点和第一后映射点；计算第一前相邻截面和第一后相邻截面间的血流运动距离生成第一总间距，计算当前血管位置点到第一前映射点的血流运动距离生成第一前间距，计算当前血管位置点到第一后映射点的血流运动距离生成第一后间距；从第一截面血流储备分数数据序列中提取与第一前相邻截面和第一后相邻截面对应的第一截面血流储备分数数据生成第一前截面血流储备分数数据和第一后截面血流储备分数数据；计算当前血管位置点的血流储备分数＝(第一后间距*第一前截面血流储备分数数据/第一总间距) (第一前间距*第一后截面血流储备分数数据/第一总间距)。
152.图2为本发明实施例二提供的一种根据血管断层扫描图像预测血流储备分数的装置的模块结构图，该装置可以为实现本发明实施例方法的终端设备或者服务器，也可以为
与上述终端设备或者服务器连接的实现本发明实施例方法的装置，例如该装置可以是上述终端设备或者服务器的装置或芯片系统。如图2所示，该装置包括：获取模块201、数据处理模块202、狭窄段与非狭窄段识别模块203和血流储备分数预测模块204。
153.获取模块201用于获取第一断层扫描图像的第一截面序列；第一断层扫描图像为三维断层扫描图像；第一截面序列包括多个第一截面；第一截面为对第一断层扫描图像沿血流方向对垂直于血流方向的血管横截面进行采样得到的采样信息。
154.数据处理模块202用于对各个第一截面进行截面面积计算生成对应的第一面积数据，并进行血液运动距离计算生成对应的第一距离数据，并由得到的第一面积数据和第一距离数据组成对应的第一面积
‑
距离数据组；并由得到的多组第一面积
‑
距离数据组构成第一面积
‑
距离数据组序列；并以面积为纵坐标、距离为横坐标，对第一面积
‑
距离数据组序列进行曲线转换处理生成第一曲线。
155.狭窄段与非狭窄段识别模块203用于对第一曲线进行血管狭窄段识别处理，生成多个第一狭窄段；并将第一曲线上由各个第一狭窄段隔离开的曲线片段记为第一非狭窄段。
156.血流储备分数预测模块204用于对各个第一狭窄段进行第一血流储备分数变化量预测处理，生成对应的第一变化量数据；并对各个第一非狭窄段进行第二血流储备分数变化量预测处理，生成对应的第二变化量数据；并按各个第一狭窄段与各个第一非狭窄段的先后顺序，对得到的多个第一变化量数据和第二变化量数据进行排序，生成变化量数据序列；并根据变化量数据序列进行截面血流储备分数预测处理生成第一截面血流储备分数数据序列。
157.本发明实施例提供的一种根据血管断层扫描图像预测血流储备分数的装置，可以执行上述方法实施例中的方法步骤，其实现原理和技术效果类似，在此不再赘述。
158.需要说明的是，应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，获取模块可以为单独设立的处理元件，也可以集成在上述装置的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以上确定模块的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所描述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
159.例如，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(application specific integrated circuit，asic)，或，一个或多个数字信号处理器(digital signal processor，dsp)，或，一个或者多个现场可编程门阵列(field programmable gate array，fpga)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(central processing unit，cpu)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system
‑
on
‑
a
‑
chip，soc)的形式实现。
160.在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机程序指令时，全部或部分地产生按照本发明实施例所描述的流程或功能。上述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。上述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，上述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线路(digital subscriber line，dsl))或无线(例如红外、无线、蓝牙、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。上述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。上述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如固态硬盘(solid state disk，ssd))等。
161.图3为本发明实施例三提供的一种电子设备的结构示意图。该电子设备可以为前述的终端设备或者服务器，也可以为与前述终端设备或者服务器连接的实现本发明实施例方法的终端设备或服务器。如图3所示，该电子设备可以包括：处理器301(例如cpu)、存储器302、收发器303；收发器303耦合至处理器301，处理器301控制收发器303的收发动作。存储器302中可以存储各种指令，以用于完成各种处理功能以及实现本发明上述实施例中提供的方法和处理过程。优选的，本发明实施例涉及的电子设备还包括：电源304、系统总线305以及通信端口306。系统总线305用于实现元件之间的通信连接。上述通信端口306用于电子设备与其他外设之间进行连接通信。
162.在图3中提到的系统总线可以是外设部件互连标准(peripheral component interconnect，pci)总线或扩展工业标准结构(extended industry standard architecture，eisa)总线等。该系统总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。通信接口用于实现数据库访问装置与其他设备(例如客户端、读写库和只读库)之间的通信。存储器可能包含随机存取存储器(random access memory，ram)，也可能还包括非易失性存储器(non
‑
volatile memory)，例如至少一个磁盘存储器。
163.上述的处理器可以是通用处理器，包括中央处理器cpu、网络处理器(network processor，np)等；还可以是数字信号处理器dsp、专用集成电路asic、现场可编程门阵列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。
164.需要说明的是，本发明实施例还提供一种计算机可读存储介质，该存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述实施例中提供的方法和处理过程。
165.本发明实施例还提供一种运行指令的芯片，该芯片用于执行上述实施例中提供的方法和处理过程。
166.本发明实施例提供了一种根据血管断层扫描图像预测血流储备分数的方法、装置、电子设备及计算机可读存储介质，对使用cta技术获得的三维血管断层扫描图像的血管截面采样序列进行血管截面面积与血流运动距离估算，并由估算结果生成反映面积
‑
距离对应关系的曲线，再根据面积
‑
距离曲线进行血管狭窄段与非狭窄段的识别，再对各个狭窄段与非狭窄段的ffr变化量进行预测，最后根据预测出的各个ffr变化量预测血管每个血管
截面的ffr数值。通过本发明，即避免了由侵入式检查带来的个人损伤，还大大降低了检测难度，提高了检测的安全性。
167.专业人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
168.结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd
‑
rom、或技术领域内所公知的任意其它形式的存储介质中。
169.以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。