血流特性预测方法、装置、计算机设备和存储介质与流程

技术特征：
1.一种血流特性预测方法，其特征在于，所述方法包括：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；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。2.根据权利要求1所述的方法，其特征在于，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。3.根据权利要求2所述的方法，其特征在于，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：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；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。4.根据权利要求3所述的方法，其特征在于，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。5.根据权利要求1-4中任一项所述的方法，其特征在于，所述方法还包括：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。6.根据权利要求3所述的方法，其特征在于，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。7.根据权利要求5所述的方法，其特征在于，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：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；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；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。8.一种血流特性预测装置，其特征在于，所述装置包括：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；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。9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。10.一种可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。

技术总结
本申请涉及一种血流特性预测方法、装置、计算机设备和存储介质。该方法包括：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。进而提高HVPG预测值的准确度。进而提高HVPG预测值的准确度。


技术研发人员：郭宇翔
受保护的技术使用者：上海联影医疗科技股份有限公司
技术研发日：2020.12.30
技术公布日：2022/6/30