一种计算血流量SYNTAX评分权重分配方法及系统与流程

一种计算血流量syntax评分权重分配方法及系统
技术领域
1.本发明涉及计算方法技术领域，尤其涉及一种基于深度学习计算血流量syntax评分权重分配方法及系统。


背景技术：

2.syntax积分是根据冠状动脉病变解剖特点进行危险分层的积分系统。根据病变位置、严重程度、分叉、钙化等解剖特点定量评价冠脉病变的复杂程度，根据积分的高低为手术方式选择提供初步判断，并能预测患者预后。
3.syntax积分运算法则包含12个问题。前3个问题为冠脉优势型、病变数以及病变的血管节段数。最多的病变数为12个，每个病变被冠以顺序编号。每个病变可能累及1或多个节段。通过累及的节段将计算出每个病变的积分。后9个问题为病变的不良特征，根据不良特征得出每个病变的积分。每个病变积分相加得出syntax积分。
4.现有技术中，基于序列造影的冠脉syntax分数自动计算方法与系统(公开号cn111657883a)，能够自动地完成冠脉解剖结构识别、冠脉狭窄检测和冠脉不良病征判断，最终自动地完成冠脉syntax评分，可以辅助准确地掌握病人冠脉病变情况，高效地完成患者病情的诊断过程。方法包括：(1)从序列造影图像的关键帧中提取较完整的冠脉血管结构；(2)对冠脉血管结构进行解剖结构的识别，并保留与冠脉解剖模式图相对应的冠脉段；(3)由关键帧上已知的冠脉段进行引导，实现序列造影图像上对应冠脉段的跟踪；(4)在序列的冠脉结构上进行狭窄病变的检测；(5)在检测到的狭窄病变基础上，对其是否有不良病征进行判断；(6)根据syntax评分准则，进行syntax分值的自动计算。
5.现有的syntax评分规则中，对于各个血管权重分配是违反流量守恒定律的。主要体现在两个方面。
6.第一，根据流量守恒定律，母血管流量等于其子血管流量之和。例如在右优势解剖结构下，rca通常分出后降支(pda)和后侧枝(plv)，因此，rca近段、中段或远段的血流量应等于pda和plv血流量之和。相应地，rca近段、中段或远段的权重也应等于pda和plv之和。然而，在syntax评分中，rca近段、中段或远段的权重为1.0，而pda的权重竟然也为1.0，而且plv权重为1.5(0.5 0.5 0.5)，大于rca近段权重，这违反了流量守恒定律，导致逻辑错误。
7.第二，权重分配是基于冠脉血管树节段名称分配，而不是各个血管的流量。在syntax评分中，尽管已部分考虑了冠脉树节段的权重，但其实质仍然是基于命名的。例如对于右优势型，根据syntax评分，中间支的赋值始终为1.0。但是，在大多数情况下，中间支大小不一，这种恒定的赋值方式未反映出中间支的变异性。


技术实现要素：

8.本发明的目的在于改进syntax评分规则中的问题，在原规则基础上提出一种新的基于深度学习计算血流量syntax评分权重分配方法及系统。
9.为了实现上述目的，本发明提供如下技术方案：
10.本发明首先提供了一种计算血流量syntax评分权重分配方法，包括如下步骤：
11.s1、提取与背景分离后的造影中血管的中心线，中心线的长度即为血管的长度l；
12.s2、做中心线的垂线，垂线与边界相交的长度即此处血管的直径r，按照如下公式逐像素计算血管中心线上的直径并累加πr2，即得到这段血管的血流量；具体血管节段的血流量计算公式如下：
13.q＝∫πr2dl
14.其中q为血液流量，l为血管长度，r为血管管腔直径；
15.s3、计算所有血管节段的总血流量q
′
，则具体某段血管的节段权重
16.进一步地，步骤s1中利用深度学习分割的方法，将造影中血管与背景分离。
17.本发明还提供了一种计算血流量syntax评分权重分配系统，包括计算模块，该计算模块采用以下步骤进行syntax评分权重分配：
18.s1、提取与背景分离后的造影中血管的中心线，中心线的长度即为血管的长度l；
19.s2、做中心线的垂线，垂线与边界相交的长度即此处血管的直径r，按照如下公式逐像素计算血管中心线上的直径并累加πr2，即得到这段血管的血流量；具体血管节段的血流量计算公式如下：
20.q＝∫πr2dl
21.其中q为血液流量，l为血管长度，r为血管管腔直径；
22.s3、计算所有血管节段的总血流量q
′
，则具体某段血管的节段权重
23.与现有技术相比，本发明的有益效果为：
24.本发明提出的计算血流量syntax评分权重分配方法及系统，通过深度学习中图像分割的技术，通过冠脉造影影像计算出所有冠脉血管树节段的直径，通过直径来大致计算冠脉血管各个节段的实际血流量，并以此为根据分配各个节段的权重，从而解决上述syntax评分系统中存在血流量与血管权重不匹配的问题，可以更精确量化各个血管分支节段在整体syntax评分中的重要程度。
附图说明
25.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
26.图1为本发明实施例提供的血管造影图。
27.图2为本发明实施例提供的将造影中血管与背景分离后的图片。
28.图3为图2提取血管的中心线后的图片。
29.图4为本发明实施例提供的基于深度学习计算血流量syntax评分权重分配方法流程图。
具体实施方式
30.本发明提供一种基于数字减影血管造影(dsa)的冠脉血管syntax评分权重分配方
法及系统，可以更精确量化各个血管分支节段在整体syntax评分中的重要程度。
31.理论上我们认为各个血管节段的重要程度与其血流量成正比，所以整体权重分配方法是按照血流量的比例来分配。血流量由公式计算后与血管面积近似相等，由此我们仅需确定每个病人的各血管节段面积即可。
32.为了更好地理解本技术方案，下面结合附图对本发明的方法做详细的说明。
33.1、确定权重分配公式
34.在syntax评分过程中，尽管已经部分考虑了冠脉树节段权重，但各个血管节段的权重本质是基于命名的。而在临床上，各个血管节段的重要性与其供血量成正相关。因此，本发明提出基于各个血管节段供血量的权重分配方法，对具体血管节段的血流量可近似看做血管体积，其计算公式如下：
35.q≈v＝∫sdl
36.其中q为血液流量，v为血管体积，l为血管长度，s为血管横截面面积。取血管管腔直径为r，则
37.s＝πr238.q＝∫πr2dl
39.2、确定各节段面积
40.利用现有技术的深度学习分割的方法(如专利号cn201810441544.x)，将造影帧输入分割模型，输出得到血管与背景分离图，造影图如图1所示，分离结果如图2所示。
41.在此基础上，提取血管的中心线如图3所示，则中心线的长度即为血管的长度l。
42.做中心线的垂线，垂线与边界相交的长度即此处血管的直径r。由上一节公式，逐像素计算血管中心线上的直径并累加πr2，即得到这段血管的血流量q。
43.由此方法计算所有血管节段的总血流量q
′
，则具体某段血管的权重
44.总体流程图如图4所示。
45.本发明还提供了一种计算血流量syntax评分权重分配系统，包括计算模块，该计算模块采用以上步骤进行syntax评分权重分配。
46.本发明的计算血流量syntax评分权重分配方法及系统，利用血流量评价血管节段的权重，更精确的反应病变严重程度，解决了syntax评分中血流量与血管权重不匹配的问题；利用深度学习方法近似计算各血管节段的血流量，可以精确计算各个血管节段权重占比，解决了无法通过人工计算的问题。相比于原syntax评分权重分配方法，本发明能更精确量化冠脉病变严重程度。
47.需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
48.本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例、电子设备实施例、计算机可读存储介质实施例和计算机程序产品实施例而言，由于其
基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
49.以上所述仅为本发明的较佳实施例而已，并非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作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。