获取冠脉血流储备的方法、装置、计算机设备和存储介质

摘要

本申请涉及一种上述获取冠脉血流储备的方法、装置、计算机设备和存储介质，通过首先根据目标血管类型对血管造影影像数据进行第一筛选，然后再对筛选后的影像数据进行第二次筛选得到最终的一个或者多个冠状动脉的静息态影像数据以及充血态影像数据，接着根据各筛选得到的影像数据进行处理得到对应的多条血流在血管中流动的长度‑时间曲线，并根据该曲线进而得到静息态血流速度以及充血态血流速度，最后通过对这两个血流速度进行计算得到冠脉血流储备数据。采用本方法仅仅需要冠脉造影图像，无需使用导丝与温度传感器对人体进行侵入测量，就可得到冠脉血流储备数据，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。

权利要求

1.获取冠脉血流储备的方法，其特征在于，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；

应用第一深度学习网络根据预设的目标血管类型对所述血管造影影像数据集中的影像数据进行筛选，得到粗选数据集；

根据造影角度在所述粗选数据集中进行二次筛选，分别得到一个或多个冠状动脉的静息态影像数据以及充血态影像数据，其中，所述二次筛选包括：计算所述粗选数据集中的各影像数据之间的角度差值，对于所述粗选数据集中的每一个影像数据，选取所述角度差值满足预设阈值的所有影像数据构建对应的筛选数据集，在各所述筛选数据集中，选取其中影像数据最多的筛选数据集作为终选数据集，在所述终选数据集中选取一个或者多个静息态影像数据以及充血态影像数据；

应用第二深度学习网络对所述静息态影像数据以及充血态影像数据中的影像序列进行逐帧分割得到对应的二值图，提取出所述二值图中血管中心线，并计算得到血管长度，在各所述影像数据中根据各帧血管长度以及对应帧图像的造影时间进行处理得到血流在血管中流动的长度‑时间曲线；

对各条所述长度‑时间曲线进行求导计算，得到对应的速度‑时间曲线，在所述速度‑时间曲线上确定最大速度点，并基于所述最大速度点得到速度阈值点，在各静息态影像数据以及充血态影像数据中分别通过最大速度点和速度阈值点处对应的时间和速度进行计算得到各影像数据对应的血流速度，并相应计算得到静息态血流速度以及充血态血流速度；

根据所述静息态血流速度以及充血态血流速度，基于冠脉血流储备定义进行计算，获取所述冠脉血流储备数据。

2.根据权利要求1所述的方法，其特征在于，所述方法包括：所述预设的目标血管类型为前降支血管类、回旋支血管类以及右冠状动脉血管类的其中一类。

3.根据权利要求2所述的方法，其特征在于，应用第二深度学习网络对所述静息态影像数据以及充血态影像数据中的影像序列进行逐帧分割得到对应的二值图，提取出所述二值图中血管中心线，并计算得到血管长度，在各所述影像数据中根据各帧血管长度以及对应帧图像的造影时间进行处理得到血流在血管中流动的长度‑时间曲线包括：对所述静息态影像数据以及充血态影像数据中的影像序列进行逐帧分割处理之后得到每一帧图像的二值图；

对所述二值图，采用细化算法提取出图中血管中心线，再根据所述血管中心线计算血管的长度；

在各所述静息态影像数据以及充血态影像数据中，结合各帧图像中血管的长度以及对应该帧图像的造影时间得到各所述影像数据对应的初始长度‑时间曲线；

对各所述初始长度‑时间曲线进行平滑、差值处理得到最终的长度‑时间曲线。

4.根据权利要求3所述的方法，其特征在于，所述在所述速度‑时间曲线上确定最大速度点，并基于所述最大速度点得到速度阈值点，在各静息态影像数据以及充血态影像数据中分别通过最大速度点和速度阈值点处对应的时间和速度进行计算得到各影像数据对应的血流速度，并相应计算得到静息态血流速度以及充血态血流速度包括：在各条所述速度‑时间曲线上搜索所述最大速度点，并将该点对应的时间和速度分别标记为第一时间以及第一速度；

根据所述第一速度以及预设的阈值参数进行计算得到所述速度阈值，在对应的速度‑时间曲线上向前搜索，将第一个速度降低至所述速度阈值的点对应的时间和速度分别标记为第二时间以及第二速度；

根据各条速度‑时间曲线的第一时间、第二时间、第一速度和第二速度进行计算得到对应各条速度‑时间曲线的血流速度。

5.根据权利要求4所述的方法，其特征在于，并相应计算得到静息态血流速度以及充血态血流速度包括：各所述静息态影像数据进行处理得到的多个血流速度的平均值为所述静息态血流速度；

各所述充血态影像数据进行处理得到的多个血流速度的平均值为所述充血态血流速度。

6.获取冠脉血流储备的装置，其特征在于，所述装置包括：

冠状动脉造影数据获取模块，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；

影像数据第一筛选模块，用于应用第一深度学习网络根据预设的目标血管类型对所述血管造影影像数据集中的影像数据进行筛选，得到粗选数据集；

影像数据第二筛选模块，用于根据造影角度在所述粗选数据集中进行二次筛选，分别得到一个或多个冠状动脉的静息态影像数据以及充血态影像数据，其中，所述二次筛选包括：计算所述粗选数据集中的各影像数据之间的角度差值，对于所述粗选数据集中的每一个影像数据，选取所述角度差值满足预设阈值的所有影像数据构建对应的筛选数据集，在各所述筛选数据集中，选取其中影像数据最多的筛选数据集作为终选数据集，在所述终选数据集中选取一个或者多个静息态影像数据以及充血态影像数据；

长度‑时间曲线获取模块，用于应用第二深度学习网络对所述静息态影像数据以及充血态影像数据中的影像序列进行逐帧分割得到对应的二值图，提取出所述二值图中血管中心线，并计算得到血管长度，在各所述影像数据中根据各帧血管长度以及对应帧图像的造影时间进行处理得到血流在血管中流动的长度‑时间曲线；

血流速度计算模块，用于对各条所述长度‑时间曲线进行求导计算，得到对应的速度‑时间曲线，在所述速度‑时间曲线上确定最大速度点，并基于所述最大速度点得到速度阈值点，在各静息态影像数据以及充血态影像数据中分别通过最大速度点和速度阈值点处对应的时间和速度进行计算得到各影像数据对应的血流速度，并相应计算得到静息态血流速度以及充血态血流速度；

冠脉血流储备数据计算模块，用于根据所述静息态血流速度以及充血态血流速度，基于冠脉血流储备定义进行计算，获取所述冠脉血流储备数据。

7.一种计算机设备，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5中任一项所述方法的步骤。

8.一种计算机可读存储介质，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5中任一项所述方法的步骤。

说明书

获取冠脉血流储备的方法、装置、计算机设备和存储介质

技术领域

[0001] 本申请涉及医学影像的处理技术领域，特别是涉及一种获取冠脉血流储备的方法、装置、计算机设备和存储介质。

背景技术

[0002] 血流储备分数（Fractional flow reserve, FFR)、微循环阻力指数（Index of Microvascular Resistence,IMR）以及冠脉血流储备（Coronary flow reserve, CFR)是冠脉功能学临床评估中的三个重要指标。其中，血流储备分数FFR主要用于对心外膜大血管进行功能学评估，微循环阻力指数IMR主要用于评估冠脉造影中不可见的微脉管系统，因此FFR与IMR在冠脉功能学评估中均具有一定的局限性。冠脉血流储备CFR,定义为冠脉系统在最大充血态时的血流量与基线状态时血流量的比值，它反映了冠脉系统在负荷状态时血流量增加的最大能力，因此，CFR是一个对整个冠脉系统供血功能进行综合评估的指标，它既考虑了心外膜大血管的功能性狭窄，也考虑了微脉管的功能紊乱，能对冠脉系统供血功能进行有效地评估。

[0003] 临床中，CFR主要通过侵入式的“热稀释法”进行测量。首先，该方法需要使用导丝将温度传感器送至血管远端，其次，需要向患者冠脉系统注入充血药剂以诱导最大充血状态，另外，在充血前后还各需要至少三次向冠脉系统注入室温生理盐水。因此，尽管“热稀释法”是当前临床实践中应用最为普遍的CFR测量方法，但该方法存在操作难度高、费用昂贵、可重复性低以及创伤性大等问题。

发明内容

[0004] 基于此，有必要针对上述技术问题，提供一种能够不通过对人体进行侵入式测量的获取冠脉血流储备的方法、装置、计算机设备和存储介质。

[0005] 一种获取冠脉血流储备的方法，所述方法包括：

[0006] 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；

[0007] 应用第一深度学习网络根据预设的目标血管类型对所述血管造影影像数据集中的影像数据进行筛选，得到粗选数据集；

[0008] 根据造影角度在所述粗选数据集中进行二次筛选，分别得到一个或多个冠状动脉的静息态影像数据以及充血态影像数据，其中，所述二次筛选包括：计算所述粗选数据集中的各影像数据之间的角度差值，对于所述粗选数据集中的每一个影像数据，选取所述角度差值满足预设阈值的所有影像数据构建对应的筛选数据集，在各所述筛选数据集中，选取其中影像数据最多的筛选数据集作为终选数据集，在所述终选数据集中选取一个或者多个静息态影像数据以及充血态影像数据；

[0009] 应用第二深度学习网络对所述静息态影像数据以及充血态影像数据中的影像序列进行逐帧分割处理，从而得到各所述影像数据中血流在血管中流动的长度‑时间曲线；

[0010] 根据各条所述长度‑时间曲线进行计算，得到各静息态影像数据以及充血态影像数据对应的血流速度，并相应计算得到静息态血流速度以及充血态血流速度；

[0011] 根据所述静息态血流速度以及充血态血流速度，基于冠脉血流储备定义进行计算，获取所述冠脉血流储备数据。

[0012] 在其中一实施例中，所述方法包括：所述预设的目标血管类型为前降支血管类、回旋支血管类以及右冠状动脉血管类的其中一类。

[0013] 在其中一实施例中，对所述静息态影像数据以及充血态影像数据中的影像序列进行逐帧分割处理，从而得到各所述影像数据中血流在血管中流动的长度‑时间曲线包括：

[0014] 对所述静息态影像数据以及充血态影像数据中的影像序列进行逐帧分割处理之后得到每一帧图像的二值图；

[0015] 对所述二值图，采用细化算法提取出图中血管中心线，再根据所述血管中心线计算血管的长度；

[0016] 在各所述静息态影像数据以及充血态影像数据中，结合各帧图像中血管的长度以及对应该帧图像的造影时间得到各所述影像数据对应的初始长度‑时间曲线；

[0017] 对各所述初始长度‑时间曲线进行平滑、差值处理得到最终的长度‑时间曲线。

[0018] 在其中一实施例中，根据各条所述长度‑时间曲线进行计算，得到各静息态影像数据以及充血态影像数据对应的血流速度包括：

[0019] 对各条所述长度‑时间曲线进行求导计算，得到对应的速度‑时间曲线；

[0020] 在各条所述速度‑时间曲线上搜索最大速度点，并将该点对应的时间和速度分别标记为第一时间以及第一速度；

[0021] 根据所述第一速度以及预设的阈值参数进行计算得到速度阈值，在对应的速度‑时间曲线上向前搜索，将第一个速度降低至所述速度阈值的点对应的时间和速度分别标记为第二时间以及第二速度；

[0022] 根据各条速度‑时间曲线的第一时间、第二时间、第一速度和第二速度进行计算得到对应各条速度‑时间曲线的血流速度。

[0023] 在其中一实施例中，并相应计算得到静息态血流速度以及充血态血流速度包括：

[0024] 各所述静息态影像数据进行处理得到的多个血流速度的平均值为所述静息态血流速度；

[0025] 各所述充血态影像数据进行处理得到的多个血流速度的平均值为所述充血态血流速度。

[0026] 一种获取冠脉血流储备的装置，所述装置包括：

[0027] 冠状动脉造影数据获取模块，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；

[0028] 影像数据第一筛选模块，用于应用第一深度学习网络根据预设的目标血管类型对所述血管造影影像数据集中的影像数据进行筛选，得到粗选数据集；

[0029] 影像数据第二筛选模块，用于根据造影角度在所述粗选数据集中进行二次筛选，分别得到一个或多个冠状动脉的静息态影像数据以及充血态影像数据，其中，所述二次筛选包括：计算所述粗选数据集中的各影像数据之间的角度差值，对于所述粗选数据集中的每一个影像数据，选取所述角度差值满足预设阈值的所有影像数据构建对应的筛选数据集，在各所述筛选数据集中，选取其中影像数据最多的筛选数据集作为终选数据集，在所述终选数据集中选取一个或者多个静息态影像数据以及充血态影像数据；

[0030] 长度‑时间曲线获取模块，用于应用第二深度学习网络对所述静息态影像数据以及充血态影像数据中的影像序列进行逐帧分割处理，从而得到各所述影像数据中血流在血管中流动的长度‑时间曲线；

[0031] 血流速度计算模块，用于根据各条所述长度‑时间曲线进行计算，得到各静息态影像数据以及充血态影像数据对应的血流速度，并相应计算得到静息态血流速度以及充血态血流速度；

[0032] 冠脉血流储备数据计算模块，用于根据所述静息态血流速度以及充血态血流速度，基于冠脉血流储备定义进行计算，获取所述冠脉血流储备数据。

[0033] 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：

[0034] 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；

[0035] 应用第一深度学习网络根据预设的目标血管类型对所述血管造影影像数据集中的影像数据进行筛选，得到粗选数据集；

[0036] 根据造影角度在所述粗选数据集中进行二次筛选，分别得到一个或多个冠状动脉的静息态影像数据以及充血态影像数据，其中，所述二次筛选包括：计算所述粗选数据集中的各影像数据之间的角度差值，对于所述粗选数据集中的每一个影像数据，选取所述角度差值满足预设阈值的所有影像数据构建对应的筛选数据集，在各所述筛选数据集中，选取其中影像数据最多的筛选数据集作为终选数据集，在所述终选数据集中选取一个或者多个静息态影像数据以及充血态影像数据；

[0037] 应用第二深度学习网络对所述静息态影像数据以及充血态影像数据中的影像序列进行逐帧分割处理，从而得到各所述影像数据中血流在血管中流动的长度‑时间曲线；

[0038] 根据各条所述长度‑时间曲线进行计算，得到各静息态影像数据以及充血态影像数据对应的血流速度，并相应计算得到静息态血流速度以及充血态血流速度；

[0039] 根据所述静息态血流速度以及充血态血流速度，基于冠脉血流储备定义进行计算，获取所述冠脉血流储备数据。

[0040] 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：

[0041] 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；

[0042] 应用第一深度学习网络根据预设的目标血管类型对所述血管造影影像数据集中的影像数据进行筛选，得到粗选数据集；

[0043] 根据造影角度在所述粗选数据集中进行二次筛选，分别得到一个或多个冠状动脉的静息态影像数据以及充血态影像数据，其中，所述二次筛选包括：计算所述粗选数据集中的各影像数据之间的角度差值，对于所述粗选数据集中的每一个影像数据，选取所述角度差值满足预设阈值的所有影像数据构建对应的筛选数据集，在各所述筛选数据集中，选取其中影像数据最多的筛选数据集作为终选数据集，在所述终选数据集中选取一个或者多个静息态影像数据以及充血态影像数据；

[0044] 应用第二深度学习网络对所述静息态影像数据以及充血态影像数据中的影像序列进行逐帧分割处理，从而得到各所述影像数据中血流在血管中流动的长度‑时间曲线；

[0045] 根据各条所述长度‑时间曲线进行计算，得到各静息态影像数据以及充血态影像数据对应的血流速度，并相应计算得到静息态血流速度以及充血态血流速度；

[0046] 根据所述静息态血流速度以及充血态血流速度，基于冠脉血流储备定义进行计算，获取所述冠脉血流储备数据。

[0047] 上述获取冠脉血流储备的方法、装置、计算机设备和存储介质，通过首先根据目标血管类型对血管造影影像数据进行第一筛选，然后再对筛选后的影像数据进行第二次筛选得到最终的一个或者多个冠状动脉的静息态影像数据以及充血态影像数据，接着根据各筛选得到的影像数据进行处理得到对应的多条血流在血管中流动的长度‑时间曲线，并根据该曲线进而得到静息态血流速度以及充血态血流速度，最后通过对这两个血流速度进行计算得到冠脉血流储备数据。采用本方法仅仅需要冠脉造影图像，无需使用导丝与温度传感器对人体进行侵入测量，就可得到冠脉血流储备数据，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。

附图说明

[0048] 图1为一个实施例中获取冠脉血流储备的方法的应用环境图；

[0049] 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；

[0050] 图3为一个实施例中长度‑时间曲线的示意图；

[0051] 图4为一个实施例中获取冠脉血流储备的装置的结构框图；

[0052] 图5为一个实施例中计算机设备的内部结构图。

具体实施方式

[0053] 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。

[0054] 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，提供了一种获取冠脉血流储备的方法，包括以下步骤：

[0055] 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；

[0056] 步骤S110，应用第一深度学习网络根据预设的目标血管类型对血管造影影像数据集中的影像数据进行筛选，得到粗选数据集；

[0057] 步骤S120，根据造影角度在所述粗选数据集中进行二次筛选，分别得到一个或多个冠状动脉的静息态影像数据以及充血态影像数据，其中，所述二次筛选包括：计算所述粗选数据集中的各影像数据之间的角度差值，对于所述粗选数据集中的每一个影像数据，选取所述角度差值满足预设阈值的所有影像数据构建对应的筛选数据集，在各所述筛选数据集中，选取其中影像数据最多的筛选数据集作为终选数据集，在所述终选数据集中选取一个或者多个静息态影像数据以及充血态影像数据；

[0058] 步骤S130，应用第二深度学习网络对静息态影像数据以及充血态影像数据中的影像序列进行逐帧分割处理，从而得到各影像数据中血流在血管中流动的长度‑时间曲线；

[0059] 步骤S140，根据各条长度‑时间曲线进行计算，得到各静息态影像数据以及充血态影像数据对应的血流速度，并相应计算得到静息态血流速度以及充血态血流速度；

[0060] 步骤S150，根据静息态血流速度以及充血态血流速度，基于冠脉血流储备方程进行计算，获取冠脉血流储备数据。

[0061] 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，计算就可以得到冠脉血流储备数据，以克服现有技术中的问题。

[0062] 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。

[0063] 在步骤S110中，根据预设的目标血管类型在血管造影影像数据集中的将与目标血管类型相关的影像数据挑选出来构建得到粗选数据集。其中，预设的目标血管类型为前降支血管类、回旋支血管类以及右冠状动脉血管类的其中一类。

[0064] 在本实施例中，为了进一步减少人工，提高筛选效率，可采用预先训练好的学习深度网络对所有影像数据进行分析判断，从而筛选出适合观察预设的目标血管类型的所有影像。

[0065] 在步骤S120中，在粗选数据集中进行二次筛选包括：先计算粗选数据集中的各影像数据之间的角度差值，对于粗选数据集中的每一个影像数据，选取所述角度差值满足预设阈值的所有影像数据构建对应的筛选数据集，接着在各筛选数据集中，选取其中影像数据最多的筛选数据集作为终选数据集，最后，在终选数据集中选取一个或者多个静息态影像数据以及充血态影像数据。

[0066] 具体的，按照按影像数据自带的造影时间信息对粗选数据集中的各数据进行先后排序，并标记为影像1、2、3 …K。逐一计算粗筛影像集所有影像与影像1之间的角度差，筛选出角度差小于阈值β（β的取值范围为不大于10°）的所有影像，并记录该步骤得到的影像编号以及影像数量N1。

[0067] 接着，依次对影像2、3…K进行上述操作，从而计算得到与各个影像所对应的筛选数量N2、N3…NK。比较N1、N2、N3…NK大小，得到最大值Nj，即在粗筛影像集中与影像j造影角度相近的影像最多，共有Nj个，所述与影像j造影角度相近的Nj个影像构成终选数据集。

[0068] 进一步的，从终选数据集中自动或手动挑选n个静息态影像以及m个充血态影像，其中n与m的取值均最小为1，最大为3。

[0069] 接下来，则根据筛选出来的影像数据进行处理，分别从静息态影像和充血态影像得到对应的血流速度。在冠脉造影中，对于一个特定的影像序列，它由多帧图像组成，且每一帧图像之间的时间间隔保持恒定，因此它可以在时间上展示造影剂对冠脉血管的整个充盈过程，该过程可充分模拟血液在血管内的流动状态。

[0070] 在步骤S130中，对静息态影像数据以及充血态影像数据中的影像序列进行逐帧分割处理，从而得到各影像数据中血流在血管中流动的长度‑时间曲线包括：对静息态影像数据以及充血态影像数据中的影像序列进行逐帧分割处理之后得到每一帧图像的二值图，如图2所示。接着对二值图，采用细化算法（在其他实施例中，还可采用其他的算法对血管中心线进行提取）提取出图中血管中心线，再根据血管中心线计算血管的长度。

[0071] 进一步的，在各静息态影像数据以及充血态影像数据中，结合各帧图像中血管的长度以及对应该帧图像的造影时间得到各影像数据对应的初始长度‑时间曲线，最后，对各初始长度‑时间曲线进行平滑、差值处理得到最终的长度‑时间曲线。

[0072] 具体的，对影像序列中的任一帧图像i，其对应的造影时间为：T = i/fps，其中fps为造影影像自带的时间分辨率信息，表示该影像每秒的成像帧数。结合各帧图像对应的造影时间T以及计算得到的血管长度L，即可生成初始的长度‑时间曲线。如图3所示，为长度‑时间曲线示意图。

[0073] 分别对n个静息态影像以及m个充血态影像进行上述处理，即可得到n条静息态长度‑时间曲线以及m条充血态长度‑时间曲线。

[0074] 在本实施例中，在对各帧图像进行分割时可采用预先训练好的深度学习网络对影像数据中的图像进行逐帧分割，以提高算法效率。

[0075] 在步骤S140中，根据各条长度‑时间曲线进行计算，得到各静息态影像数据以及充血态影像数据对应的血流速度包括：首先，对各条长度‑时间曲线进行求导计算，得到对应的速度‑时间曲线，再在各条速度‑时间曲线上搜索最大速度点，并将该点对应的时间和速度分别标记为第一时间以及第一速度，接着，根据第一速度以及预设的阈值参数进行计算得到速度阈值，在对应的速度‑时间曲线上向前搜索，将第一个速度降低至速度阈值的点对应的时间和速度分别标记为第二时间以及第二速度，最后，根据各条速度‑时间曲线的第一时间、第二时间、第一速度和第二速度进行计算得到对应各条速度‑时间曲线的血流速度。

[0076] 具体的，记任一条长度‑时间曲线为L(t)，其表征血流在血管中流动长度与时间的对应关系，由速度定义可知，对曲线L(t)在时间上进行一阶求导即可得到对应的速度‑时间曲线，即V(t)=dL/dt。

[0077] 在速度‑时间曲线V(t)上，搜索最大速度点P,其对应的时间与速度分别记为第一时间tP、第一速度Vmax。

[0078] 基于该最大速度值计算得到速度阈值 ,其中，阈值参数a的取值范围为0.5‑1。接着，在速度‑时间曲线V(t)上从最大速度点P向前搜索，得到第一个速度降低到Vthreshold的点A，其对应的时间与速度分别记为第二时间tA、第二速度VA，则该长度‑时间曲线对应的平均血流速度的计算公式为：

[0079] （1）

[0080] 对于n条静息态的长度‑时间曲线，逐一计算每条曲线对应的血流速度值，所有计算结果的平均值即为最终的静息态血流速度 。

[0081] 对于m条充血态的长度‑时间曲线，逐一计算每条曲线对应的血流速度值，所有计算结果的平均值即为最终的充血态血流速度 。

[0082] CFR定义为冠脉系统在充血态时的血流量与静息态时血流量之间的比值，由于充血时冠脉血管形态尺寸不会发生明显改变，故CFR值可等效为充血态血流速度与静息态血流速度的比值，故，在步骤S150中，将得到的静息态血流速度与充血态血流速度带入CFR的计算公式，就可以得到冠脉血流储备数据，其中，CFR的计算公式为：

[0083] 。 （2）

[0084] 上述获取冠脉血流储备的方法中，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。

[0085] 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。

[0086] 在一个实施例中，如图4所示，提供了一种获取冠脉血流储备的装置，包括：冠状动造影数据获取模块200、影像数据第一筛选模块210、影像数据第二筛选模块220、长度‑时间曲线得到模块230、血流速度计算模块240和冠脉血流储备数据计算模块250，其中：

[0087] 冠状动造影数据获取模块200，用于冠状动脉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；

[0088] 影像数据第一筛选模块210，用于应用第一深度学习网络根据预设的目标血管类型对所述血管造影影像数据集中的影像数据进行筛选，得到粗选数据集；

[0089] 影像数据第二筛选模块220，用于根据造影角度在所述粗选数据集中进行二次筛选，分别得到一个或多个冠状动脉的静息态影像数据以及充血态影像数据，其中，所述二次筛选包括：计算所述粗选数据集中的各影像数据之间的角度差值，对于所述粗选数据集中的每一个影像数据，选取所述角度差值满足预设阈值的所有影像数据构建对应的筛选数据集，在各所述筛选数据集中，选取其中影像数据最多的筛选数据集作为终选数据集，在所述终选数据集中选取一个或者多个静息态影像数据以及充血态影像数据；

[0090] 长度‑时间曲线得到模块230，用于应用第二深度学习网络对所述静息态影像数据以及充血态影像数据中的影像序列进行逐帧分割处理，从而得到各所述影像数据中血流在血管中流动的长度‑时间曲线；

[0091] 血流速度计算模块240，用于根据各条所述长度‑时间曲线进行计算，得到各静息态影像数据以及充血态影像数据对应的血流速度，并相应计算得到静息态血流速度以及充血态血流速度；

[0092] 冠脉血流储备数据计算模块250，用于根据所述静息态血流速度以及充血态血流速度，基于冠脉血流储备方程进行计算，获取所述冠脉血流储备数据。

[0093] 关于获取冠脉血流储备的装置的具体限定可以参见上文中对于获取冠脉血流储备的方法的限定，在此不再赘述。上述获取冠脉血流储备的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。

[0094] 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5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获取冠脉血流储备的方法。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。

[0095] 本领域技术人员可以理解，图5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。

[0096] 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：

[0097] 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；

[0098] 应用第一深度学习网络根据预设的目标血管类型对所述血管造影影像数据集中的影像数据进行筛选，得到粗选数据集；

[0099] 根据造影角度在所述粗选数据集中进行二次筛选，分别得到一个或多个冠状动脉的静息态影像数据以及充血态影像数据，其中，所述二次筛选包括：计算所述粗选数据集中的各影像数据之间的角度差值，对于所述粗选数据集中的每一个影像数据，选取所述角度差值满足预设阈值的所有影像数据构建对应的筛选数据集，在各所述筛选数据集中，选取其中影像数据最多的筛选数据集作为终选数据集，在所述终选数据集中选取一个或者多个静息态影像数据以及充血态影像数据；

[0100] 应用第二深度学习网络对所述静息态影像数据以及充血态影像数据中的影像序列进行逐帧分割处理，从而得到各所述影像数据中血流在血管中流动的长度‑时间曲线；

[0101] 根据各条所述长度‑时间曲线进行计算，得到各静息态影像数据以及充血态影像数据对应的血流速度，并相应计算得到静息态血流速度以及充血态血流速度；

[0102] 根据所述静息态血流速度以及充血态血流速度，基于冠脉血流储备定义进行计算，获取所述冠脉血流储备数据。

[0103] 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：

[0104] 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；

[0105] 应用第一深度学习网络根据预设的目标血管类型对所述血管造影影像数据集中的影像数据进行筛选，得到粗选数据集；

[0106] 根据造影角度在所述粗选数据集中进行二次筛选，分别得到一个或多个冠状动脉的静息态影像数据以及充血态影像数据，其中，所述二次筛选包括：计算所述粗选数据集中的各影像数据之间的角度差值，对于所述粗选数据集中的每一个影像数据，选取所述角度差值满足预设阈值的所有影像数据构建对应的筛选数据集，在各所述筛选数据集中，选取其中影像数据最多的筛选数据集作为终选数据集，在所述终选数据集中选取一个或者多个静息态影像数据以及充血态影像数据；

[0107] 应用第二深度学习网络对所述静息态影像数据以及充血态影像数据中的影像序列进行逐帧分割处理，从而得到各所述影像数据中血流在血管中流动的长度‑时间曲线；

[0108] 根据各条所述长度‑时间曲线进行计算，得到各静息态影像数据以及充血态影像数据对应的血流速度，并相应计算得到静息态血流速度以及充血态血流速度；

[0109] 根据所述静息态血流速度以及充血态血流速度，基于冠脉血流储备定义进行计算，获取所述冠脉血流储备数据。

[0110] 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。

[0111] 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。

[0112] 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。