血流特性预测方法、装置、计算机设备和存储介质与流程

1.本技术涉及无创测量领域，特别是涉及一种血流特性预测方法、装置、计算机设备和存储介质。


背景技术：

2.门静脉高压是由慢性肝病引起的最严重的综合征之一，尤其是肝硬化的重要表现之一。肝静脉压力梯度(hepatic venous pressure gradient，hvpg)的测量被推荐为诊断临床显著性门静脉高压的金标准。hvpg预测是一种技术要求较高的侵入性检查，有一定的技术难度及出血风险，且费用昂贵，因此，近年来，无创hvpg预测方法在临床上备受关注。
3.研究学者提出了多种无创hvpg预测方法，包括生物标志物评估hvpg、超声检测评估hvpg、基于影像分析hvpg。近年，将计算流体力学应用于冠脉血流储备分数计算成为研究热点，计算流体力学方法也被尝试应用于肝脏血流分析。但是，传统的预测方法均存在hvpg预测值的准确度较低的问题。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种能够提高hvpg预测值准确度的血流特性预测方法、装置、计算机设备和存储介质。
5.一种血流特性预测方法，所述方法包括：
6.获取诊疗对象的图像数据；所述图像数据包括所述诊疗对象的解剖信息；
7.将所述图像数据以及所述诊疗对象的特征输入至目标预测网络模型进行血流特性预测，得到血流特性预测值。
8.在其中一个实施例中，所述目标预测网络模型包括特征提取网络模型和血流特性预测网络模型。
9.在其中一个实施例中，所述将所述图像数据以及所述诊疗对象的特征输入至目标预测模型进行血流特性预测，得到血流特性预测值，包括：
10.将所述图像数据输入至所述特征提取网络模型，得到图像特征；
11.将所述图像特征与所述诊疗对象的特征输入至所述血流特性预测网络模型，得到所述血流特性预测值；所述诊疗对象的特征为预先提取的生理特征。
12.在其中一个实施例中，所述特征提取网络模型为目标编码网络模型；所述血流特性预测网络模型为目标回归网络模型。
13.在其中一个实施例中，所述方法还包括：
14.通过图像训练集对初始预测网络模型进行网络模型训练，得到所述目标预测网络模型；所述图像训练集包括样本图像数据、样本特征和标准血流特性值。
15.在其中一个实施例中，所述血流特性预测值包括肝静脉压力梯度、门静脉肝静脉压差、门静脉肝静脉微循环流动阻力中的一种或多种。
16.在其中一个实施例中，所述通过图像训练集对初始预测网络模型进行网络模型训
练，得到所述目标预测网络模型，包括：
17.将所述样本图像数据以及样本特征输入至所述初始预测网络模型中，得到血流特性训练预测值；
18.通过损失函数，计算所述血流特性训练预测值与所述标准血流特性值之间的预测误差值；
19.根据所述预测误差值更新所述初始预测网络模型中的初始网络参数，不断迭代以上训练步骤，直到所述预测误差值满足预设误差阈值或迭代次数达到预设迭代次数阈值为止，得到所述目标预测网络模型。
20.一种血流特性预测装置，所述装置包括：
21.数据获取模块，用于获取诊疗对象的图像数据；所述图像数据包括所述诊疗对象的解剖信息；
22.预测模块，用于将所述图像数据以及所述诊疗对象的特征输入至目标预测网络模型进行血流特性预测，得到血流特性预测值。
23.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
24.获取诊疗对象的图像数据；所述图像数据包括所述诊疗对象的解剖信息；
25.将所述图像数据以及所述诊疗对象的特征输入至目标预测网络模型进行血流特性预测，得到血流特性预测值。
26.一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
27.获取诊疗对象的图像数据；所述图像数据包括所述诊疗对象的解剖信息；
28.将所述图像数据以及所述诊疗对象的特征输入至目标预测网络模型进行血流特性预测，得到血流特性预测值。
29.上述血流特性预测方法、装置、计算机设备和存储介质，该方法获取诊疗对象的图像数据，将图像数据以及诊疗对象的特征输入至目标预测网络模型进行血流特性预测，得到血流特性预测值；该方法可以通过神经网络预测模型实现血流特性预测，并且综合考虑了图像数据与诊疗对象的特征，提高了血流特性预测值的准确度，进而提高hvpg预测值的准确度。
附图说明
30.图1为一个实施例中血流特性预测方法的流程示意图；
31.图2为一个实施例中得到血流特性预测值的具体方法流程示意图；
32.图3为另一实施例中目标编码网络模型的结构框图；
33.图4为另一实施例中目标回归网络模型的结构框图；
34.图5为另一实施例中训练初始预测网络模型的方法流程示意图；
35.图6为一个实施例中血流特性预测装置的结构框图；
36.图7为一个实施例中计算机设备的内部结构图。
具体实施方式
37.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
38.本技术提供的血流特性预测方法，可以适用于计算机设备中。其中，该血流特性预测方法可以应用于肝脏血管中。可选的，上述计算机设备可以为智能手机、平板电脑、笔记本电脑、台式电脑或个人数字助理等具有数据处理功能的电子设备，本实施例对计算机设备的具体形式不做限定，下述方法实施例的执行主体以计算机设备为例来进行说明。
39.在一个实施例中，如图1所示，提供了一种血流特性预测方法，以该方法应用于图1中的计算机设备为例进行说明，包括以下步骤：
40.s100、获取诊疗对象的图像数据。其中，图像数据包括诊疗对象的解剖信息。
41.具体的，计算机设备可以获取到通过计算机断层扫描ct、磁共振成像mri、x-ray、超声成像等生成的诊疗对象的图像中的一种或多种组合图像，进而得到这些图像对应的原始图像数据；上述图像数据可以包括原始图像数据，还可以包括对原始图像数据进行处理后的图像数据，如对原始图像数据进行分割处理后得到的分割数据、对原始图像数据进行归一化处理后得到的归一化数据、对原始图像数据进行去噪处理后得到去噪数据等等，本实施例对此图像数据不做任何限定。可选的，计算机断层扫描ct、磁共振成像mri、x-ray、超声成像等生成的诊疗对象的图像可以为腹部不同视角的图像。可选的，图像数据可以为诊疗对象的一种或多种图像的组合数据。可选的，图像数据中可以包括诊疗对象的解剖信息，该解剖信息可以为人体构造特征信息、人体姿态信息、人体组织器官特征信息等等。
42.需要说明的是，上述图像数据可以为诊疗对象的腹部脏器动脉期、门静脉期、平衡期和延迟期增强扫描图像中至少一期增强扫描图像对应的图像数据。可选的，若图像数据为ct图像数据，则该ct图像数据中至少可以包含肝脏平衡期数据。
43.s200、将图像数据以及诊疗对象的特征输入至目标预测网络模型进行血流特性预测，得到血流特性预测值。
44.其中，血流特性预测值包括肝静脉压力梯度、门静脉肝静脉压差、门静脉肝静脉微循环流动阻力中的一种或多种。
45.具体的，上述图像数据可以为实时获取到的采集数据，上述诊疗对象的特征可以为诊疗对象的生理特征、临床特征等等。在本实施例中，诊疗对象的特征可以为诊疗对象的生理特征，该生理特征可以为通过体格检查、实验室检查(如，血常规、肝功能检查、腹水化验)、影像学检查(如，是否脾脏增大、是否存在腹水、是否食管胃静脉曲张等)、超声检查(如，超声腹部成像、超声门静脉系统流速测量、超声弹性成像)等检测项目中的一个或多个检测项目，通过检测设备获取到的测量数据。可选的，诊疗对象的特征可以作为一个列向量输入至目标预测网络模型。
46.需要说明的是，计算机设备可以将实时采集到的诊疗对象的图像数据和实际测量的诊疗对象的特征，共同输入至目标预测网络模型进行血流特性预测，得到血流特性预测值。
47.在本实施例中，预测肝静脉压力梯度、门静脉肝静脉压差、门静脉肝静脉微循环流动阻力中的任何一种血流特性值时，采用的目标预测网络模型可以不同，但是不同目标预
测网络模型的结构可以相似，且预测网络模型的模型参数可以不同；通常，门静脉高压的本质是肝内阻力的升高，肝内阻力升高是由于肝脏纤维状组织的沉积和结节的形成引起的，内皮功能障碍导致肝内血管收缩，小的门静脉和静脉的血栓的形成，肝内血管分流；由于肝脏血管微循环阻力的增大，门静脉高压的存在会影响肝脏的影像显影，存在显著门静脉高压的病人在影像学上一般可以观察到门静脉主干膨大、肝脏腹水和脾脏变大，但是除了影像特征之外还有一些临床表征和检查结果也能在一定程度上辅助评估病人是否存在显著门静脉高压。
48.上述血流特性预测方法中，获取诊疗对象的图像数据，将图像数据以及诊疗对象的特征输入至目标预测网络模型进行血流特性预测，得到血流特性预测值；该方法可以通过神经网络预测模型实现血流特性预测，并且综合考虑了实时采集到的诊疗对象的图像数据和实际测量的诊疗对象的特征，以提高血流特性预测值的准确度，从而提高hvpg预测值的准确度。
49.在一个实施例中，上述目标预测网络模型包括特征提取网络模型和血流特性预测网络模型。特征提取网络模型用于特征提取图像特征，血流特性预测网络模型用于血流特性预测。
50.具体的，上述目标预测网络模型可以为通过特征提取网络模型和血流特性预测网络模型组合而成的预测网络模型。可选的，上述特征提取网络模型可以为深度学习网络模型，如人工神经网络模型、离散霍普菲尔德网络模型、学习向量量化神经网络模型等等。可选的，上述血流特性预测网络模型可以为贝叶斯网络模型、线性回归网络模型、逻辑回归网络模型、决策树等等。
51.在该实施例中，如图2所示，上述s200中将图像数据以及诊疗对象的特征输入至目标预测模型进行血流特性预测，得到血流特性预测值的步骤，可以通过以下步骤实现：
52.s201、将图像数据输入至特征提取网络模型，得到图像特征。其中，特征提取网络模型为目标编码网络模型。
53.需要说明的是，计算机设备可以将诊疗对象的图像数据输入至特征提取网络模型，得到图像特征；也就是，计算机设备可以通过特征提取网络模型，对诊疗对象的图像数据执行多通道卷积、池化等操作后得到图像特征，该图像特征可以为图像中与待预测的血流特征相关的局部或全局特征，局部特征可以包括局部图像的灰度信息、纹理信息，全局特征可以包括图像的形状特征、空间关系特征。其中，灰度信息可以表示局部图像的ct值，每张图像可以对应不同的组织区域，不同的组织区域可以有不同的ct值；纹理信息可以表征图像或图像所对应景物的表面性质，由于纹理信息只是一种物体表面的特性，并不能完全反映物体的本质属性，仅利用纹理信息无法获得高层次图像内容，因此，需要通过多层的卷积和池化才能得到高层次图像内容，得到图像特征。可选的，将图像的局部特征进行组合提取，可以得到更高级的全局特征，如脏器的轮廓与区域、血管的轮廓与区域、不同组织之间的相对关系，但是，此时提取到的局部特征或者全局特征并不能确定具体的血流特性。
54.可以理解的是，上述特征提取网络模型可以为目标编码网络模型。目标编码网络模型的架构可以为多层编码网络模型，此处以5层编码网络模型为例说明目标编码网络模型，如图3所示，图中表示卷积操作，表示加法操作，input为目标编码网络模型的输入，即图像数据，output image features为目标编码网络模型输出的图像特征，该目
标编码网络模型中每层网络结构可以实现一次或多次卷积操作。在本实施例中，上述目标编码网络模型可以为图3所示的多层卷积网络，还可以是图网络或递归神经网络。
55.s202、将图像特征与诊疗对象的特征输入至血流特性预测网络模型，得到血流特性预测值；所述诊疗对象的特征为预先提取的生理特征。其中，血流特性预测网络模型为目标回归网络模型。
56.可以理解的是，计算机设备可以将目标编码网络模型输出的图像特征与预先提取的诊疗对象的生理特征，共同输入至血流特性预测网络模型，得到血流特性预测值。可选的，预先提取的生理特征可以为生理学上已知的，可能与目标血流特性显著相关的特征；图像特征可以为通过训练好的特征提取网络模型自动提取的相关特征。在本实施例中，将诊疗对象的生理特征与图像特征结合可以在更大范围内将所有与目标值相关的特征输入血流特性预测网络模型。可选的，目标编码网络输出的图像特征可以通过一维向量表示；将生理特征中的每一项信息可以处理为具体的数值，并且将这些数值可以组合为一维向量表示。其中，将图像特征的一维向量与表示生理特征的一维向量通过向量拼接组合后，得到一个组合后的一维向量输入血流特性预测网络。在本实施例中，上述血流特性预测网络模型可以为目标回归网络模型，该目标回归网络模型可以为多层回归网络模型。如图4所示为一种多层回归网络模型框架图，多层回归网络模型可以包括拼接层concat、全连接层linear和激活层active；在该实施例中，向多层回归网络模型输入image features(即图像特征)和manual features(即诊疗对象的生理特征)，通过concat层进行将两种特征进行拼接后，输入至linear层，然后将多个linear层输出的结果输入至active层，依次类推，最后一个active层可以输出血流特性预测值。
57.在本实施例中，诊疗对象的生理特征可以包括诊疗对象的解剖结构特征和功能特征等等；该生理特征可以通过心率、血压、临床特征表征(如，是否有胃底食管静脉曲张、是否腹水、是否脾大等)；解剖结构特征可以包括门静脉主干和分支血管直径、肝脏尺寸、脾脏尺寸；功能特征可以包括肝脏弹性成像结果、肝脏穿刺结果、肝脏灌注结果等。可选的，上述诊疗对象的生理特征还可以包含不通过网络模型提取的表征病人解剖图像信息的全局图像特征，如肝脏脾脏尺寸。
58.上述血流特性预测方法中，可以通过神经网络预测模型实现血流特性预测，并且综合考虑了实时采集到的诊疗对象的图像数据和实际测量的诊疗对象的特征，以提高血流特性预测值的准确度，从而提高hvpg预测值的准确度。
59.作为其中一个实施例，在执行s200的步骤之前，上述方法还可以包括：通过图像训练集对初始预测网络模型进行网络模型训练，得到目标预测网络模型。
60.具体的，计算机设备可以通过图像训练集对初始预测网络模型进行网络模型训练；该过程可以在s200前执行，还可以在s100前执行，对此执行顺序本实施例不做限定。可选的，初始预测网络模型可以为初始编码网络模型与初始回归网络模型组合而成的网络模型。可选的，图像训练集中的数据可以包括样本图像数据、样本特征和标准血流特征性。可选的，样本图像数据可以为样本中每个诊疗对象的图像数据，样本特征可以为样本中每个诊疗对象的特征。
61.在本实施例中，上述图像训练集可以包括多个病人的图像数据、提取的多个病人的生理特征和标准血流特性。同时，通过多个病人的图像数据、提取的多个病人的生理特征
和标准血流特性还可以获取网络模型网络过程中所需的测试数据集。
62.其中，通过图像训练集对初始预测网络模型进行网络模型训练，得到目标预测网络模型的步骤，如图5所示，具体可以包括以下步骤：
63.s301、将样本图像数据以及样本特征输入至初始预测网络模型中，得到血流特性训练预测值。
64.需要说明的是，在网络模型训练之前，可以对初始预测网络模型的网络参数进行初始化，然后计算机设备可以将样本图像数据以及样本特征输入至初始预测网络模型中，得到血流特性训练预测值。
65.s302、通过损失函数，计算血流特性训练预测值与标准血流特性值之间的预测误差值。
66.可以理解的是，计算机设备可以通过预设的损失函数，计算血流特性训练预测值与标准血流特性值之间的预测误差值，以确定预测误差值是否在迭代训练结束的收敛条件内。可选的，标准血流特性值可以为理想化的目标血流特性值。
67.可选的，预设的损失函数可以为0-1损失函数、绝对值损失函数、log对数损失函数、平方损失函数、指数损失函数、hinge损失函数等等，只要能够确保训练的网络模型良好性能的损失函数均可，对此本实施例不做限定。
68.s303、根据预测误差值更新初始预测网络模型中的初始网络参数，不断迭代以上训练步骤，直到预测误差值满足预设误差阈值或迭代次数达到预设迭代次数阈值为止，得到目标预测网络模型。
69.还可以理解的是，计算机设备可以根据预测误差值通过反向传播，更新初始预测网络模型中的初始网络参数，更新后，继续执行上述步骤s301，直到预测误差值满足预设误差阈值或迭代次数达到预设迭代次数阈值为止，得到目标预测网络模型。可选的，预设误差阈值可以理解为网络模型训练结束可衡量的收敛条件；当预测误差值小于或等于预设误差阈值时，可以确定当前的网络参数为最优网络参数，并将当前的初始预测网络模型作为目标预测网络模型。同时，预设迭代次数可以理解为网络模型训练结束可衡量的收敛条件；当网络模型训练过程中，当迭代次数大于或等于预设迭代次数阈值时，可以确定当前的网络参数为最优网络参数，并将当前的初始预测网络模型作为目标预测网络模型。
70.上述血流特性预测方法中，可以通过训练初始预测网络模型得到目标预测网络模型，从而通过目标预测网络模型实现血流特性预测，提高预测的速度，以及提高血流特性预测值的准确度。
71.为了便于本领域技术人员的理解，以执行主体为计算机设备为例介绍本公开提供的血流特性预测方法，具体的，该方法包括：
72.将样本图像数据以及样本特征输入至初始预测网络模型中，得到血流特性训练预测值；
73.通过损失函数，计算血流特性训练预测值与标准血流特性值之间的预测误差值；
74.根据预测误差值更新初始预测网络模型中的初始网络参数，不断迭代以上训练步骤，直到预测误差值满足预设误差阈值或迭代次数达到预设迭代次数阈值为止，得到目标预测网络模型；目标预测网络模型包括：目标编码网络模型和目标回归网络模型；
75.获取诊疗对象的图像数据；图像数据包括诊疗对象的解剖信息；
76.将图像数据输入至目标编码网络模型，得到图像特征；
77.将图像特征与诊疗对象的特征输入至目标回归网络模型，得到血流特性预测值。
78.本实施例中的执行过程具体可以参见前述实施例的描述，其实现原理和技术效果类似，在此不再赘述。
79.应该理解的是，虽然图1、图2和图5的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1、图2和图5中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
80.在一个实施例中，如图6所示，提供了一种血流特性预测装置，包括：数据获取模块11和预测模块12，其中：
81.数据获取模块11，用于获取诊疗对象的图像数据；图像数据包括诊疗对象的解剖信息；
82.预测模块12，用于将图像数据以及诊疗对象的特征输入至目标预测网络模型进行血流特性预测，得到血流特性预测值。
83.可选的，血流特性预测值包括肝静脉压力梯度、门静脉肝静脉压差、门静脉肝静脉微循环流动阻力中的一种或多种。
84.本实施例提供的血流特性预测装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
85.在其中一个实施例中，目标预测网络模型包括特征提取网络模型和血流特性预测网络模型。
86.本实施例提供的血流特性预测装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
87.在其中一个实施例中，预测模块12包括：第一网络处理单元和第二网络处理单元，其中：
88.第一网络处理单元，用于将图像数据输入至特征提取网络模型，得到图像特征；
89.第二网络处理单元，用于将图像特征与诊疗对象的特征输入至血流特性预测网络模型，得到血流特性预测值；所述诊疗对象的特征为预先提取的生理特征。
90.可选的，特征提取网络模型为目标编码网络模型；血流特性预测网络模型为目标回归网络模型。
91.本实施例提供的血流特性预测装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
92.在其中一个实施例中，上述血流特性预测装置还包括：网络模型训练模块，其中：
93.网络模型训练模块，用于通过图像训练集对初始预测网络模型进行网络模型训练，得到目标预测网络模型；图像训练集包括样本图像数据、样本特征和标准血流特性值。
94.本实施例提供的血流特性预测装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
95.在其中一个实施例中，网络模型训练模块包括：预测单元、预测误差获取单元和循环处理单元，其中：
96.预测单元，用于将样本图像数据以及样本特征输入至初始预测网络模型中，得到血流特性训练预测值；
97.预测误差获取单元，用于通过损失函数，计算血流特性训练预测值与标准血流特性值之间的预测误差值；
98.循环处理单元，根据预测误差值更新初始预测网络模型中的初始网络参数，不断迭代以上训练步骤，直到预测误差值满足预设误差阈值为止，得到目标预测网络模型。
99.本实施例提供的血流特性预测装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
100.关于血流特性预测装置的具体限定可以参见上文中对于血流特性预测方法的限定，在此不再赘述。上述血流特性预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
101.在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储图像数据和诊疗对象的特征等等。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种血流特性预测方法。
102.本领域技术人员可以理解，图7中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
103.在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
104.获取诊疗对象的图像数据；图像数据包括诊疗对象的解剖信息；
105.将图像数据以及诊疗对象的特征输入至目标预测网络模型进行血流特性预测，得到血流特性预测值。
106.在一个实施例中，处理器执行计算机程序时还实现以下步骤：
107.将所述图像数据输入至所述特征提取网络模型，得到图像特征；
108.将所述图像特征与所述诊疗对象的特征输入至所述血流特性预测网络模型，得到所述血流特性预测值。
109.在一个实施例中，处理器执行计算机程序时还实现以下步骤：
110.通过图像训练集对初始预测网络模型进行网络模型训练，得到所述目标预测网络模型；所述图像训练集包括样本图像数据、样本特征和标准血流特性值。
111.在一个实施例中，提供了一种存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
112.获取诊疗对象的图像数据；图像数据包括诊疗对象的解剖信息；
113.将图像数据以及诊疗对象的特征输入至目标预测网络模型进行血流特性预测，得到血流特性预测值。
114.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
115.将所述图像数据输入至所述特征提取网络模型，得到图像特征；
116.将所述图像特征与所述诊疗对象的特征输入至所述血流特性预测网络模型，得到所述血流特性预测值。
117.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
118.通过图像训练集对初始预测网络模型进行网络模型训练，得到所述目标预测网络模型；所述图像训练集包括样本图像数据、样本特征和标准血流特性值。
119.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(randomaccess memory，ram)或外部高速缓冲存储器。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic randomaccess memory，dram)等。
120.以上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。
121.以上所述实施例仅表达了本技术的几种实施方式，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，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。