CN116206162B

CN116206162B - 基于造影影像的冠脉血流储备获取方法、装置及设备

Info

Publication number: CN116206162B
Application number: CN202310480472.0A
Authority: CN
Inventors: 何京松; 向建平
Original assignee: Arteryflow Technology Co ltd
Current assignee: Arteryflow Technology Co ltd
Priority date: 2023-04-28
Filing date: 2023-04-28
Publication date: 2023-08-01
Anticipated expiration: 2043-04-28
Also published as: CN116206162A

Abstract

本申请涉及一种基于造影影像的冠脉血流储备获取方法、装置及设备，通过对获取的血管造影影像数据集进行筛选及分类，得到静息影像组以及充血影像组，对其中的影像数据进行逐帧分割得到每一帧图像中目标血管的二值图，从而得到各影像数据对应目标血管的长度‑帧数曲线，接着对各影像数据中的目标血管的长度进行校正，得到目标血管的校正长度，最后根据校正长度在对应的长度‑帧数曲线进行处理，并计算得到冠脉血流储备。采用本方法仅仅需要冠脉造影影像，无需使用导丝与温度传感器就可得到精准的冠脉血流储备值。

Description

基于造影影像的冠脉血流储备获取方法、装置及设备

技术领域

本申请涉及医学图像处理技术领域，特别是涉及一种基于造影影像的冠脉血流储备获取方法、装置及设备。

背景技术

冠脉血流储备（Coronary flow reserve, CFR)是冠脉功能学评估中的重要指标，定义为冠脉系统在最大充血态时的血流量与静息态时血流量的比值，它反映了冠脉系统由静息状态进入充血状态时血流量增加的最大能力。在当前的临床实践中，冠脉血流储备在导管室中往往通过“热稀释法”测量，该方法以血流从冠脉口流到血管远端的输运时间来表征血流量大小，具体的，该方法中冠脉血流储备CFR的计算公式为CFR=Tmn_rest/Tmn_hyp,其中Tmn_rest为静息状态时测量得到的输运时间，Tmn_hyp为最大充血状态时测量得到的输运时间。值得注意的是，在“热稀释法”中，需要使用导丝将温度传感器输送到血管远端方能测量得到输运时间Tmn。具体地，在注射充血药剂前，需要至少三次向患者冠脉系统团注室温生理盐水，从而得到3个静息状态输运时间测量值，三者的平均值即为最终的Tmn_rest。在注射充血药剂从而诱导冠脉系统进入最大充血态后，需要重复以上过程从而测量得到最终的Tmn_hyp，因此在该方法中需要至少6次注入生理盐水，对患者的创伤性较大。

综上，尽管“热稀释法”是当前临床实践中应用最为广泛的CFR测量方法，但该方法存在测量时间长、经验要求高、费用昂贵、可重复性低以及创伤性大等多种问题，极大地限制了该技术在临床中的进一步发展。

发明内容

基于此，有必要针对上述技术问题，提供一种能够在不用对人体进行器械侵入就可以精准的获取冠脉血流储备的一种基于造影影像的冠脉血流储备获取方法、装置及设备。

一种基于造影影像的冠脉血流储备获取方法，所述方法包括：

获取冠状动脉的血管造影影像数据集，所述血管造影影像数据集中包括多个影像数据；

根据指定的目标血管类型采用预先训练好的第一深度学习网络对各所述影像数据处理，输出对应各所述影像数据为指定的目标血管类型的概率值，并根据所述概率值对各所述影像数据进行筛选得到目标血管影像集；

将所述目标血管影像集中的各影像数据根据注入充血剂时间进行分类，将注入充血剂前获取的影像数据作为静息影像组，将注入充血剂后获取的影像数据作为充血影像组；

采用预先训练好的第二深度学习网络对所述静息影像组以及充血影像组中的影像数据进行逐帧分割得到每一帧图像中目标血管的二值图，并对各所述二值图进行处理得到各所述影像数据对应目标血管的长度-帧数曲线；

在所述静息影像组以及充血影像组中根据所述第一深度学习网络输出的概率值选取一个影像数据作为基准影像，并在所述基准影像上的目标血管上确定基准长度以及基准点，根据所述基准点对其他影像数据中的目标血管长度进行校准得到对应的校准长度；

根据所述基准长度或校准长度在影像数据对应的长度-帧数曲线上获取相应的起始帧以及终止帧，根据所述起始帧、终止帧以及造影参数数据进行计算得到各影像数据中对应同一段目标血管的运输时间，并相应得到静息态运输时间以及充血态运输时间；

根据所述静息态运输时间以及充血态运输时间进行计算，得到冠脉血流储备。

在其中一实施例中，所述根据所述概率值对各所述影像数据进行筛选得到目标血管影像集包括：

将所述概率值高于预设概率阈值的影像数据筛选出来构建所述目标血管影像集，所述预设概率阈值取值介于0.5~0.7。

在其中一实施例中，在根据注入充血剂时间对所述目标血管影像集中的影像数据进行分类时：

当筛入所述静息影像组，或充血影像组中的影像数据小于或等于3个时，则对筛入的所有影像数据进行保留；

当筛入所述静息影像组，或充血影像组中的影像数据大于3个时，则按照所述第一深度学习网络输出的概率值从高到低进行排序后，保留前3对应的影像数据在相应的影像组中。

在其中一实施例中，所述对各所述二值图进行处理得到各所述影像数据对应目标血管的长度-帧数曲线包括：

对所述二值图采用细化算法提取目标血管的中心线，从而得到血管长度；

在各所述影像数据中将图像帧数作为横坐标，将各帧图像得到的血管长度作为对应的纵坐标，得到初始长度-帧数曲线；

对各所述初始长度-帧数曲线进行平滑、差值或拟合处理分别得到最终的长度-帧数曲线。

在其中一实施例中，在所述静息影像组以及充血影像组中根据所述第一深度学习网络输出的概率值选取一个影像数据作为基准影像，并在所述基准影像上的目标血管上确定基准长度以及基准点包括：

将所述第一深度学习网络输出的最高概率值对应的影像数据作为基准影像；

在所述基准影像对应的长度-帧数曲线上计算血管的最大长度，根据所述最大长度以及预设参数进行计算得到所述基准长度；

根据所述基准长度在所述长度-帧数曲线确定一个交点，并将该交点映射至基准影像上得到所述基准点。

在其中一实施例中，所述根据所述基准点对其他影像数据中的目标血管长度进行校准得到对应的校准长度包括：

根据所述基准影像以及基准点分别对所述静息影像组以及充血影像组中其他影像数据中的目标血管长度进行校正并得到一校准点，使得根据该校准点在对应的影像数据中确定一段长度与所述基准长度一致的目标血管，并根据所述校准点得到校准长度。

在其中一实施例中，所述根据所述基准影像以及基准点分别对所述静息影像组以及充血影像组中其他影像数据中的目标血管长度进行校正并得到一校准点包括:

将除了基准影像以外的影像数据作为校准影像，根据所述基准影像和校准影像的造影参数数据，得到两者之间的空间位置关系；

结合所述空间位置关系以及所述基准点在基准影像上的位置可计算得到该点在校准影像上的极线位置；

所述极线在所述校准影像中与所述目标血管的交点，即为所述校准点。

在其中一实施例中，所述根据所述基准长度或校准长度在影像数据对应的长度-帧数曲线上获取相应的起始帧以及终止帧包括：

在所述长度-帧数曲线上搜索第一血管长度不为0的点，则该点对应的横坐标为所述起始帧；

在所述长度-帧数曲线上以所述起始帧为起点开始搜索，得到第一个血管长度达到所述基准长度或校准长度的点，则该点对应的横坐标为所述终止帧。

一种基于造影影像的冠脉血流储备获取装置，所述装置包括：

影像数据获取模块，用于获取冠状动脉的血管造影影像数据集，所述血管造影影像数据集中包括多个影像数据；

目标血管影像集得到模块，用于根据指定的目标血管类型采用预先训练好的第一深度学习网络对各所述影像数据处理，输出对应各所述影像数据为指定的目标血管类型的概率值，并根据所述概率值对各所述影像数据进行筛选得到目标血管影像集；

影像数据分类模块，用于将所述目标血管影像集中的各影像数据根据注入充血剂时间进行分类，将注入充血剂前获取的影像数据作为静息影像组，将注入充血剂后获取的影像数据作为充血影像组；

目标血管的长度-帧数曲线得到模块，用于采用预先训练好的第二深度学习网络对所述静息影像组以及充血影像组中的影像数据进行逐帧分割得到每一帧图像中目标血管的二值图，并对各所述二值图进行处理得到各所述影像数据对应目标血管的长度-帧数曲线；

校准长度得到模块，用于在所述静息影像组以及充血影像组中根据所述第一深度学习网络输出的概率值选取一个影像数据作为基准影像，并在所述基准影像上的目标血管上确定基准长度以及基准点，根据所述基准点对其他影像数据中的目标血管长度进行校准得到对应的校准长度；

目标血管内血液运输时间计算模块，用于根据所述基准长度或校准长度在影像数据对应的长度-帧数曲线上获取相应的起始帧以及终止帧，根据所述起始帧、终止帧以及造影参数数据进行计算得到各影像数据中对应同一段目标血管的运输时间，并相应得到静息态运输时间以及充血态运输时间；

冠脉血流储备得到模块，用于根据所述静息态运输时间以及充血态运输时间进行计算，得到冠脉血流储备。

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：

一种计算机可读存储介质，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：

上述基于造影影像的冠脉血流储备获取方法、装置及设备，通过对获取的血管造影影像数据集进行筛选及分类，得到静息影像组以及充血影像组，对其中的影像数据进行逐帧分割得到每一帧图像中目标血管的二值图，从而得到各影像数据对应目标血管的长度-帧数曲线，接着对各影像数据中的目标血管的长度进行校正，得到目标血管的校正长度，最后根据校正长度在对应的长度-帧数曲线进行处理，并计算得到冠脉血流储备。采用本方法仅仅需要冠脉造影影像，无需使用导丝与温度传感器就可得到精准的冠脉血流储备值。

附图说明

图1为一个实施例中基于造影影像的冠脉血流储备获取方法的流程示意图；

图2为一个实施例中对影像数据中的图像进行逐帧分割的结果示意图；

图3为一个实施例中长度-帧数曲线的示意图；

图4为一个实施例中血管长度校准示意图；

图5为一个实施例中起始帧和终止帧计算结果示意图；

图6为一个实施例中获基于造影影像的冠脉血流储备获取装置的结构框图；

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

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请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申请，并不用于限定本申请。

针对现有技术中，在测量冠脉血流储备时采用的“热稀释法”操作难度搞、费用昂贵、可重复性低以及创伤性大等问题，如图1所示，提供了一种基于造影影像的冠脉血流储备获取方法，包括以下步骤：

步骤S100，获取冠状动脉的血管造影影像数据集，该血管造影影像数据集中包括多个影像数据；

步骤S110，根据指定的目标血管类型采用预先训练好的第一深度学习网络对各影像数据处理，输出对应各影像数据为指定的目标血管类型的概率值，并根据概率值对各影像数据进行筛选得到目标血管影像集；

步骤S120，将目标血管影像集中的各影像数据根据注入充血剂时间进行分类，将注入充血剂前获取的影像数据作为静息影像组，将注入充血剂后获取的影像数据作为充血影像组；

步骤S130，采用预先训练好的第二深度学习网络对所述静息影像组以及充血影像组中的影像数据进行逐帧分割得到每一帧图像中目标血管的二值图，并对各二值图进行处理得到各影像数据对应目标血管的长度-帧数曲线；

步骤S140，在所述静息影像组以及充血影像组中根据所述第一深度学习网络输出的概率值选取一个影像数据作为基准影像，并在所述基准影像上的目标血管上确定基准长度以及基准点，根据所述基准点对其他影像数据中的目标血管长度进行校准得到对应的校准长度；

步骤S150，根据基准长度或校准长度在影像数据对应的长度-帧数曲线上获取相应的起始帧以及终止帧，根据起始帧、终止帧以及造影参数数据进行计算得到各影像数据中对应同一段目标血管的运输时间，并相应得到静息态运输时间以及充血态运输时间；

步骤S160，根据静息态运输时间以及充血态运输时间进行计算，得到冠脉血流储备。

在本方法中，仅需要通过对冠状动脉的血管造影影像进行处理，计算就可以得到精准的冠脉血流储备数据，以克服现有技术中的问题。

在步骤S100，冠状动脉的血管造影影像数据有数字剪影血管造影（ICA）技术得到，且各影像数据中包括多帧按照时间顺序排列的血管造影图像。

在步骤S110中，指定的目标血管类型为前降支血管、回旋支血管以及右冠状动脉血管其中一类血管。在采用预先训练好的第一深度学习网络对各影像数据进行处理时，将各影像数据以及对应的造影角度输入至深度学习网络中，输出对应影像数据属于目标血管类型的概率值。其中，在根据概率值对各影像数据进行筛选时，将概率值高于预设概率阈值的影像数据筛选出来构建目标血管影像集，在其中一实施例中，预设概率阈值取值介于0.5~0.7。

在步骤S120中，根据操作者在进行造影手术过程中注入充血药剂的时间，将目标血管影像集中所有影像数据分为静息影像组以及充血影像组。并且进一步的，当筛入静息影像组，或充血影像组中的影像数据小于或等于3个时，则对筛入的所有影像数据进行保留。而当筛入静息影像组，或充血影像组中的影像数据大于3个时，则按照所述第一深度学习网络输出的概率值从高到低进行排序后，保留前3对应的影像数据在相应的影像组中。也就是说，在该步骤中，进一步对目标血管影像集中的影像数据进行再一次的筛选及分类。

在步骤S130中，采用预先训练好的第二深度学习网络对影像数据进行分割得到各影像数据中各帧图像对应的二值图，如图2所示。

在本实施例中，在对各二值图进行处理得到各影像数据对应目标血管的长度-帧数曲线包括：对二值图采用细化算法提取目标血管的中心线，从而得到血管长度，在各影像数据中将图像帧数作为横坐标，将各帧图像得到的血管长度作为对应的纵坐标，得到初始长度-帧数曲线，再对各初始长度-帧数曲线进行平滑、差值或拟合处理分别得到最终的长度-帧数曲线，如图3所示。

由于，冠脉造影是一种2D成像方式，会存在一定的投影缩减问题，即同一支目标血管在不同造影角度的造影影像中会得到不同的2D投影长度。另一方面，在通过输运时间计算冠脉血流储备时，需要保证所有的静息态以及充血态输运时间均基于同一段血管相同长度进行测量。因此，为了保证冠脉血流储备的精准测量，在本方法中，对静息影像组以及充血影像组进行目标血管长度校准，从而统一冠脉血流储备计算的血管长度，需要注意的是，所述统一是指空间上的统一，也就是目标血管的实际长度，而非图像上的统一，即不同造影角度图像可能得到不同的2D血管长度。

在对目标血管长度进行校正时，首先在静息影像组以及充血影像组中挑选一个影像数据作为基准影像，并在基准影像上的目标血管上确定基准长度以及基准点。然后再根据该基准影像，对其他的影像数据进行校正。

在步骤S140中，在静息影像组以及充血影像组中挑选一个影像数据作为基准影像包括：将第一深度学习网络输出的最高概率值对应的影像数据作为基准影像，在基准影像对应的长度-帧数曲线上计算血管的最大长度，根据最大长度以及预设参数进行计算得到基准长度，根据基准长度在长度-帧数曲线确定一个交点，并将该交点映射至基准影像上得到基准点。

具体的，在所有静息组以及充血组影像中，基于第一深度学习网络输出的概率值，选取概率值最大的影像作为长度校准的基准影像。在基准影像对应的长度-帧数曲线L(frame)上，计算目标血管长度的最大值Lmax，并将0.7*Lmax作为基准影像的基准长度。求取直线L=0.7*Lmax与曲线L=L(frame)首个交点，将该点映射回基准影像上即可得到基准点，图4为某一实施例中血管长度校准的示意图，左侧图为基准图像，以及通过上述步骤在目标血管上找到的基准点，该基准点在左侧图中所圈范围内。

接着，根据基准点对其他影像数据中的目标血管长度进行校准得到对应的校准长度。具体的，根据基准点对其他影像数据中的目标血管长度进行校准得到对应的校准长度包括：根据基准影像以及基准点分别对静息影像组以及充血影像组中其他影像数据中的目标血管长度进行校正并得到一校准点，使得根据该校准点在对应的影像数据中确定一段长度与所述基准长度一致的目标血管，并根据校准点得到校准长度。

进一步的，根据基准影像以及基准点分别对静息影像组以及充血影像组中其他影像数据中的目标血管长度进行校正并得到一校准点包括：将除了基准影像以外的影像数据作为校准影像，根据基准影像和校准影像的造影参数数据，得到两者之间的空间位置关系，再结合空间位置关系以及基准点在基准影像上的位置可计算得到该点在校准影像上的极线位置，极线在校准影像中与目标血管的交点，即为校准点。如图4所示，右侧图为校准图像，其中根据基准点以及上述步骤在目标血管上找到校准点，该校准点在右侧图中所圈范围内。

具体的，逐一选取其余的静息态以及充血态影像作为校准影像，基于基准影像和校准影像的造影参数信息，可计算得到两者之间的空间位置关系，再结合基准点位置可计算得到该点在校准影像上的极线位置，则极线与校准影像上的血管交点即为校准点。在校准影像上，血管起点到校准点的血管长度即为校准图像的校准长度。

在步骤S150中，根据各影像数据中校准后的血管长度在影像数据对应的长度-帧数曲线上获取相应的起始帧以及终止帧包括：在长度-帧数曲线上搜索第一血管长度不为0的点，则该点对应的横坐标为起始帧，在长度-帧数曲线上以起始帧为起点开始搜索，得到第一个血管长度达到基准长度（基准长度对应基准影像）或校准长度（校准长度对应校准影像）的点，则该点对应的横坐标为终止帧。

具体的，对于任一静息组或者充血组中的影像，首先，在其对应的长度-帧数曲线上搜索第一个血管长度不为0的点，该点表示造影剂刚刚流进目标血管，从而该点对应的横坐标即为起始帧。从起始帧往后，搜索第一个血管长度达到基准长度或者校准长度的点，该点表示造影剂刚刚流到基准点或校准点，该点对应的横坐标即为终止帧/>。图5为某实施例中起始帧与终止帧的计算结果示意图。

在本实施例中，根据起始帧、终止帧以及造影参数数据进行计算得到各影像数据中对应同一段目标血管的运输时间可采用以下公式：

（1）

在公式（1）中，表示造影DSA影像自带的参数时间分辨率，其意义为影像每秒的成像帧数。

基于运输时间，可计算得到目标血管内的平均血流速度/>以及流量/>，其具体的计算方式为：

（2）

（3）

在公式（2）和（3）中，表示预设血管长度，/>表示目标血管段平均截面积。优选的，可取值为75毫米。

在对静息影像组以及充血影像组中影像数据进行逐一处理后可得到对应的运输时间，这样，根据静息影像组得到的所有运输时间计算平均运输时间得到所述静息态运输时间，

同样的，根据充血影像组得到的所有运输时间计算平均运输时间得到所述充血态运输时间。在其他实施例中，为了充分模拟最大充血状态，选取充血影像组计算结果中，运输时间最小值作为最终的充血态运输时间。

最后在步骤S160中，采用冠脉血流储备的计算公式进行计算得到冠脉血流储备的数值。其中，计算公式为：CFR = Tmn_rest / Tmn_hyp，其中Tmn_rest为最终的静息态输运时间，Tmn_hyp为最终的充血态输运时间。

上述基于造影影像的冠脉血流储备获取方法中，仅仅需要导入冠脉造影图像，无需使用导丝与温度传感器，故也无需多次向患者冠脉血管注入室温生理盐水。与传统的“热稀释法”相比，减少了患者所受的创伤、降低了手术操作难度、节约了手术成本。

应该理解的是，虽然图1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中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子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，这些子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的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图6所示，提供了一种基于造影影像的冠脉血流储备获取装置，包括：影像数据获取模块200、目标血管影像集得到模块210、影像数据分类模块220、目标血管的长度-帧数曲线得到模块230、校准长度得到模块240、目标血管内血液运输时间计算模块250及冠脉血流储备得到模块260，其中：

影像数据获取模块200，用于获取冠状动脉的血管造影影像数据集，所述血管造影影像数据集中包括多个影像数据；

目标血管影像集得到模块210，用于根据指定的目标血管类型采用预先训练好的第一深度学习网络对各所述影像数据处理，输出对应各所述影像数据为指定的目标血管类型的概率值，并根据所述概率值对各所述影像数据进行筛选得到目标血管影像集；

影像数据分类模块220，用于将所述目标血管影像集中的各影像数据根据注入充血剂时间进行分类，将注入充血剂前获取的影像数据作为静息影像组，将注入充血剂后获取的影像数据作为充血影像组；

目标血管的长度-帧数曲线得到模块230，用于采用预先训练好的第二深度学习网络对所述静息影像组以及充血影像组中的影像数据进行逐帧分割得到每一帧图像中目标血管的二值图，并对各所述二值图进行处理得到各所述影像数据对应目标血管的长度-帧数曲线；

校准长度得到模块240，用于在所述静息影像组以及充血影像组中根据所述第一深度学习网络输出的概率值选取一个影像数据作为基准影像，并在所述基准影像上的目标血管上确定基准长度以及基准点，根据所述基准点对其他影像数据中的目标血管长度进行校准得到对应的校准长度；

目标血管内血液运输时间计算模块250，用于根据所述基准长度或校准长度在影像数据对应的长度-帧数曲线上获取相应的起始帧以及终止帧，根据所述起始帧、终止帧以及造影参数数据进行计算得到各影像数据中对应同一段目标血管的运输时间，并相应得到静息态运输时间以及充血态运输时间；

冠脉血流储备得到模块260，用于根据所述静息态运输时间以及充血态运输时间进行计算，得到冠脉血流储备。

关于基于造影影像的冠脉血流储备获取装置的具体限定可以参见上文中对于基于造影影像的冠脉血流储备获取方法的限定，在此不再赘述。上述基于造影影像的冠脉血流储备获取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。

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终端，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、网络接口、显示屏和输入装置。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和计算机程序。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基于造影影像的冠脉血流储备获取方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请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。

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：

在一个实施例中，提供了一种计算机可读存储介质，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：

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，本申请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/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。

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。

以上所述实施例仅表达了本申请的几种实施方式，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，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims

1.基于造影影像的冠脉血流储备获取方法，其特征在于，所述方法包括：

在所述静息影像组以及充血影像组中根据所述第一深度学习网络输出的概率值选取一个影像数据作为基准影像，在所述基准影像对应的长度-帧数曲线上的计算目标血管的最大长度，并根据所述最大长度确定基准长度，再根据所述基准长度在对应的长度-帧数曲线上确定一个交点，将该交点映射至所述基准影像上确定基准点；

通过所述基准影像和其他影像数据之间的空间位置关系，结合所述基准点在基准影像上的位置获取该点在其他影像数据上的极线位置，从而根据所述极线位置与对应的影像数据中目标血管中的交点以确定校准点，根据各所述校准点在对应的影像数据中确定一段长度与所述基准长度一致的目标血管，并根据所述校准点得到校准长度；

2.根据权利要求1所述的冠脉血流储备获取方法，其特征在于，所述根据所述概率值对各所述影像数据进行筛选得到目标血管影像集包括：

3.根据权利要求2所述的冠脉血流储备获取方法，其特征在于，在根据注入充血剂时间对所述目标血管影像集中的影像数据进行分类时：

4.根据权利要求3所述的冠脉血流储备获取方法，其特征在于，所述对各所述二值图进行处理得到各所述影像数据对应目标血管的长度-帧数曲线包括：

5.根据权利要求4所述的冠脉血流储备获取方法，其特征在于，在所述静息影像组以及充血影像组中根据所述第一深度学习网络输出的概率值选取一个影像数据作为基准影像，在所述基准影像对应的长度-帧数曲线上的计算目标血管的最大长度，并根据所述最大长度确定基准长度，再根据所述基准长度与对应长度-帧数曲线的交点确定基准点包括：

6.根据权利要求5所述的冠脉血流储备获取方法，其特征在于，所述通过所述基准影像和其他影像数据之间的空间位置关系，结合所述基准点在基准影像上的位置获取极线位置，从而确定其他影像数据中目标血管中的校准点包括：

7.根据权利要求6所述的冠脉血流储备获取方法，其特征在于，所述根据所述基准长度或校准长度在影像数据对应的长度-帧数曲线上获取相应的起始帧以及终止帧包括：

8.基于造影影像的冠脉血流储备获取装置，其特征在于，所述装置包括：

基准长度和基准点确定模块，用于在所述静息影像组以及充血影像组中根据所述第一深度学习网络输出的概率值选取一个影像数据作为基准影像，在所述基准影像对应的长度-帧数曲线上的计算目标血管的最大长度，并根据所述最大长度确定基准长度，再根据所述基准长度在对应的长度-帧数曲线上确定一个交点，将该交点映射至所述基准影像上确定基准点；

校准长度得到模块，用于通过所述基准影像和其他影像数据之间的空间位置关系，结合所述基准点在基准影像上的位置获取该点在其他影像数据上的极线位置，从而根据所述极线位置对应的影像数据中目标血管中的交点以确定校准点，根据各所述校准点在对应的影像数据中确定一段长度与所述基准长度一致的目标血管，并根据所述校准点得到校准长度；

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。