CN110223781B - 一种多维度斑块破裂风险预警系统 - Google Patents

Abstract

本发明提供的一种多维度斑块破裂风险预警系统，将获得的CCTA易损斑块自动识别方法与基于深度学习的CT实时血流动力学分析技术相整合，创建更加高效、灵敏、精准的无创性斑块破裂风险预警模型，为冠状动脉斑块破裂的智能化无创精准检测和早期预警提供全面可靠的依据和关键性的技术手段。

Description

一种多维度斑块破裂风险预警系统

技术领域

本发明涉及一种多维度斑块破裂风险预警系统。

背景技术

冠心病是严重危害人类健康的头号杀手，大量研究表明易损斑块破裂继发血栓形成是引起急性心血管事件(ACS)的主要因素。尽管目前对动脉粥样硬化斑块的认识不断进步，但由于易损斑块(Vulnerable plaque)具有症状隐匿性、破裂突发性的特点，临床上难以早期精准诊断。

近年来，冠状动脉造影(CAG)检查一直作为评估冠心病的金标准。但是其仅提供管腔的信息，无法详细判别冠状动脉血管壁及斑块内部的情况。血管内超声(intravascularultrasound，IVUS)与光学相干断层成像(optical oherence tomography，OCT)作为血管内影像学检测技术，在冠状动脉介入领域越来越显示其优越性。

目前，虽然IVUS、OCT等血管内影像学检查手段在识别易损斑块特征方面表现优异，但其有创性的检查方式局限了其在临床上的广泛应用。CT冠状动脉造影(Coronary CTAngiography，CCTA)作为非侵袭性的检查手段在冠心病的诊断方面得到了越来越广泛的应用，成为目前无创性评价冠状动脉粥样硬化斑块的主要影像学方法。相关研究表明，CCTA检测到的易损斑块特征明显增加了发生ACS的可能性。目前关于易损斑块的大量证据及诊断标准主要来自于局部形态特征的分析，对于冠心病的危险预警也大多局限于临床危险因素、血清生化等评估指标，尚缺乏基于精准的无创性解剖功能学相结合的评估体系及有效的预警模型和监测手段。如果能够通过无创性CTA或MRI等方法，结合神经网络深度学习等人工智能手段，对易损斑块进行多因素精准识别，同时在体监测斑块由稳定到不稳定乃至破裂的动态演变过程，将会拓展对易损斑块的认识，进一步深入了解斑块易损性在急性心血管事件中的触发机制，实现急性冠脉事件的早期预警和危险分层。

卷积神经网络是一种含有多层网络的网络结构，由输入层、卷积层、下采样层、输出层共同建立了卷积神经网络模型结构。由于它的特征检测层是通过训练数据进行学习，所以在使用时避免了显式的特征抽取，而是隐式地从训练数据中进行学习，因此在模式识别领域取得了显著成绩。

基于卷积神经网络人工智能技术可以对医学图像数据进行深度挖掘，自动提取医学影像中潜在的病理生理定量化相关信息，而并不只限于人工设计的影像学特征，预期可以通过对影像数据的这些高维特征进行降维并构建出高效的冠脉斑块形态识别模型，对易损斑块进行精准预测识别判断，获得和有创性腔内检查一致的诊断效果从而早期个性化指导临床决策。因此，如何整合无创性影像学方法与神经网络深度学习等人工智能手段，实现全心冠脉斑块定量化判别及易损斑块高精度自动检测，并建立新的影像学评价指标，完善急性心血管事件的风险评估体系是亟需解决的重大科学问题。

发明内容

本发明要解决的技术问题是：克服现有技术中缺乏基于精准的无创性解剖功能学相结合的评估体系及有效的预警模型和监测手段的技术问题，提供一种多维度斑块破裂风险预警系统。

本发明解决其技术问题所采用的技术方案是：

一种多维度斑块破裂风险预警系统，所述系统包括：

模型建立模块：建立多维度无创性易损斑块破裂风险预警模型；

检测模块：基于建立的预警模型进行预警；

其中所述多维度无创性易损斑块破裂风险预警模型是基于神经网络深度学习冠状动脉易损斑块自动识别系统以及实时血流动力学评估方法建立。

其中，模型建立模块具体包括：基于CT对斑块的量化分析以及CT斑块定性特征建立预警模块。

其中，所述斑块的量化分析所用参数以及CT斑块定性特征通过神经网络深度学习冠状动脉易损斑块自动识别系统获取；所述CT对斑块的量化分析包括全心斑块总负荷，斑块位置、范围、狭窄率、不同密度斑块体积，重构指数；所述CT斑块定性特征包括正性重构、餐巾环征、点状钙化、低密度斑块。

其中，所述模型的建立还包括基于实时血流动力学评估的CT-FFR，CT-ESS。

其中，所述基于实时血流动力学评估的CT-FFR，CT-ESS包括：从计算机虚拟冠状动脉解剖学数据库模型中通过训练学习模拟算出CT-FFR，CT-ESS。

其中，所述从计算机虚拟冠状动脉解剖学数据库模型中通过训练学习模拟算出CT-FFR，CT-ESS包括：

1)建立冠状动脉解剖参数计算机虚拟训练数据库；

2)用深度学习算法在冠状动脉解剖结构虚拟数据库上完成离线训练，以相应位置的模拟CFD-FFRct为目标值；

3)最后该算法模型通过在冠状动脉血管树的任意位置计算FFR、ESS，对其进行颜色编码而进行可视化显示。

其中，通过Cox proportional-hazards风险模型，将多维度的暴露因素与终点事件建立联系，创建基于CT无创影像学和深度学习系统的风险评估模型。

其中，所述模型的建立还基于临床危险因素、新型血清生物标志物实现。

本发明的有益效果是，本发明提供的一种多维度斑块破裂风险预警系统，将获得的CCTA易损斑块自动识别方法与基于深度学习的CT实时血流动力学分析技术相整合，创建更加高效、灵敏、精准的无创性斑块破裂风险预警模型，为冠状动脉斑块破裂的智能化无创精准检测和早期预警提供全面可靠的依据和关键性的技术手段。

附图说明

下面结合附图和实施例对本发明进一步说明。

图1是本发明的优选实施例的流程图；

图2是本发明的优选实施例的无创性易损斑块自动化组织特征及功能学等多维度风险预警模型；

图3是本发明的优选实施例的冠状动脉易损斑块自动识别系统；

图4是本发明的优选实施例的卷积3D卷积神经网络(CNN)训练过程；

图5是本发明的优选实施例的易损斑块征象的判读；

图6是本发明的优选实施例的基于深度卷积神经网络的冠状动脉斑块病灶定位及病灶分割模型；

图7是本发明的优选实施例的基于深度学习网络算法的DL-FFRct及DL-ESSct训练与应用。

具体实施方式

现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。

本发明为了克服现有技术中缺乏基于精准的无创性解剖功能学相结合的评估体系及有效的预警模型和监测手段的技术问题，提供了一种多维度斑块破裂风险预警系统，所述系统包括：

模型建立模块：建立多维度无创性易损斑块破裂风险预警模型；

检测模块：基于建立的预警模型进行预警；

其中所述多维度无创性易损斑块破裂风险预警模型是基于神经网络深度学习冠状动脉易损斑块自动识别系统以及实时血流动力学评估方法建立。具体流程如图1所示。

其中，模型建立模块具体包括：基于CT对斑块的量化分析以及CT斑块定性特征建立预警模块。

其中，所述斑块的量化分析所用参数以及CT斑块定性特征通过神经网络深度学习冠状动脉易损斑块自动识别系统获取；所述CT对斑块的量化分析包括全心斑块总负荷，斑块位置、范围、狭窄率、不同密度斑块体积，重构指数；所述CT斑块定性特征包括正性重构、餐巾环征、点状钙化、低密度斑块。

如图2所示：预警模型的建立包括多种量化临床危险因素及血生化指标。该模型加入了神经网络斑块自动识别系统包括CT对斑块的量化分析(包括全心斑块总负荷，斑块位置、范围、狭窄率、不同密度斑块体积，重构指数等指标)和CT斑块定性特征(正性重构，餐巾环征，点状钙化，低密度斑块)，还同时加入基于实时血流动力学评估的CT-FFR，CT-ESS等血流动力学指标，以及斑块进展的评估指标，将量化的斑块信息及外部血流信息融入模型，符合精准医疗的要求。通过Cox proportional-hazards风险模型，将多维度的暴露因素与终点事件建立联系，创建基于CT无创影像学和深度学习系统的风险评估模型；并将该模型与美国COMFIRM评分、欧洲EuroScore评分进行效能比较，评估该模型的优势。

本申请基于神经网络深度学习冠状动脉易损斑块自动识别系统判别结果，并将该冠状动脉易损特征自动识别系统应用于多因素整合分析的无创性风险评估预警模型，结合以患者危险因素、新型生物标记物、血流动力学CT-FFR，CT-ESS，斑块进展等各定量指标，建立全面综合形态学及功能学多维度斑块破裂早期无创性风险预警模型。

其中，神经网络斑块自动识别系统如图3所示，首先将选取同一样本的冠状动脉CTA图像和OCT图像的冠状动脉斑块为感兴趣区(ROI)。并将同一块斑块的CTA图像和OCT图像作为不同的通道(Channel)输入到CNN中，在后续的CNN全连接层部分将CTA和OCT的图像特征进行自动融合，从而建立模型。并在测试数据集中对模型进行有效性验证，由此实现了卷积神经网络数据训练的测试。

为保证识别系统的准确性，现对对象选择以及选择的血液循环生物标志物进行说明：

1)研究对象选择：

有300例冠脉CTA和IVUS数据集的基础上，前瞻性的纳入稳定性心绞痛300例，非ST段抬高ACS300例；所有患者均进行冠状动脉CTA检查，临床危险因素评估，及新型血液循环标志物指标，非ST段抬高ACS患者同时进行IVUS或OCT检查。

具体入组标准如下：①有典型心绞痛症状或临床确诊为非ST段抬高心肌梗死患者：②确定患者既往无明确心肌梗死病史；②冠状动脉血管狭窄率＞30％；③1个以上动脉粥样硬化危险因素，如高血压、糖尿病、脂代谢紊乱、吸烟等。

排除标准：①曾行PCI或冠脉塔桥术后患者；②有先心病，心肌病等其他心血管疾病病史；③对碘造影剂过敏的患者；④ST段抬高型心肌梗死患者；⑤扫描图像质量差，不能进行数据测量和分析者。

2)血液循环生物标志物检测

(1)LpPLA2(脂蛋白相关磷脂酶A2)，参与动脉粥样硬化的发展过程，具有风险预测价值。(2)MMP-9(基质蛋白金属酶9)，与心血管疾病和预后的相关性得到多项研究证实。(3)NGAL/MMP-9复合物(中性粒细胞明胶酶相关载脂蛋白/基质蛋白金属酶9)是心血管事件风险预测因子，与出血斑块相关。(4)OGN(骨甘蛋白聚糖)，在冠脉钙化区域表达显著升高。以上四种标志物主要从机体炎症、斑块进展和斑块钙化不同角度识别高风险斑块的存在。(5)vWF(血管性血友病因子)，可作为反应血管内皮细胞损伤程度和高凝状态的敏感指标。(6)CRP(C反应蛋白)属于急性时相蛋白，是斑块发生、发展有关的促炎因子。(7)FIB(纤维蛋白原)，参与血管内血栓的形成，在血凝和血栓形成中有重要作用。(8)D-dimer(D-二聚体)可作为体内血栓形成的分子标志之一。(9)MPV(平均血小板体积)与血小板计数与栓塞事件等密切相关。以上几种标志物主要从血管内皮、凝血系统和血小板状态不同的角度识别高风险斑块的存在。

3D-CNN建模过程包括：输入CTA和OCT图像，通过3D卷积对图像进行融合处理，利用有监督的学习方法，对分类特征进行提取；利用下采样层提取更多的结构边缘信息，同时去除冗余信息和噪声。

如图4所示3D-CNN建模过程：原始输入为CTA和OCT的图像，通过3D卷积，融合二者的图像特征；并利用有监督的学习方法，更有效地对病人的分类特征进行提取；下采样层使得特征提取更多的结构边缘信息，同时剔除冗余信息和噪声；多模态共同输入使得原始输入需要更少的领域信息，以提供易损斑块特征识别精度。

同时以基于CCTA全心冠状动脉血管树数据，构建具有易损斑块患者的异常特征图谱，反映疾病相关的斑块形态结构改变；根据通过卷积神经网络的方法，对训练集的患者冠状动脉成像数据进行斑块特征识别，构建冠状动脉粥样硬化斑块的智能分类模型。

优选的，所述系统采用数据扩充技术来改善样本量不足而产生的过拟合问题，利用迁移学习来提高分类性能，提高深度学习的效果；最后，通过训练集对该自动诊断模型进行验证。优选的，所述验证指标包括：由真阳性，假阳性，真阴性，假阴性，识别准确率，马修相关系数和运行时间。

具体的是通过随机选取其中500例CCTA数据作为卷积神经网络的输入训练集数据，余下的100例作为测试集对构建的自动诊断模型进行有效性验证。采用首先基于不稳定心绞痛和NSTE-ACS患者的CCTA全心冠状动脉血管树数据，构建具有易损斑块患者的异常特征图谱，反映疾病相关的斑块形态结构改变。其次，根据通过卷积神经网络的方法，对训练集的患者冠状动脉成像数据进行斑块特征识别，构建冠状动脉粥样硬化斑块的智能分类模型；在500例的影像数据基础上，应用数据扩充来改善因样本量不足而产生的过拟合问题，迁移学习来提高分类性能，提高深度学习的效果。最后，通过训练集对该自动诊断模型进行验证。验证指标包括：由真阳性，假阳性，真阴性，假阴性，识别准确率，马修相关系数和运行时间。

该识别系统中采用了数据扩增与迁移学习：为了改善深度学习的效果，在用于训练的样本影像数据基础上，通过对原始数据集进行图像旋转、尺度变换、添加噪声等数据扩充方法来改善因样本量不足而产生的过拟合问题。使用迁移学习技术，即利用已有的公开数据集进行预训练，使用训练得到的权值参数初始化网络，再通过训练本项目采集的医学图像对网络参数进行微调，从而实现对医学图像的分类，提高分类性能。

优选的，所述系统还包括对易损斑块征象进行标记和判读，以及斑块定量化分析。在对易损斑块征象进行标记和判读时，进行特征说明，即CT斑块定性特征(正性重构，餐巾环征，点状钙化，低密度斑块)；餐巾环征：冠状动脉斑块非钙化部分的环状高密度围绕中心低密度；低密度斑块：三个感兴趣区域内的平均CT数值<30HU；斑点状钙化：是微小钙化在任意一个方向下直径均小于3mm；正性重构：病变处管腔与邻近参考血管管腔比值大于1.1。如图5所示(易损斑块征象的判读)，其中，A-非钙化斑块伴随正性重构(箭头)；B-出现低HU斑块的右冠状动脉中段中的部分钙化斑块；C-斑块餐巾环征；D-出现钙化(所有方向直径<3mm)。

斑块定量化分析，即CT对斑块的量化分析(包括全心斑块总负荷，斑块位置、范围、狭窄率、不同密度斑块体积，重构指数等指标)：具体包括全心冠状动脉的斑块负荷指数，斑块体积，斑块的不同成分的体,斑块长度，直径狭窄正性重构指数等等指标.自动调整血管中线冠状动脉斑块的定量分析在全心冠状动脉进行。如果在一个冠状动脉段内发现了多个斑块，汇总全心冠状动脉中所有斑块的定量测量结果。重构指数计算方法是最小腔径部位的血管直径除以近端和远端参考点平均腔径的比值。斑块长度计算方法为从斑块近端到远端的中线距离。直径狭窄计算方法是最小腔径除以近端和远端参考点平均腔径。

IVUS(血管内超声)及OCT检查：参照美国心脏病学院的IVUS检测指南进行操作。定性分析包括将斑块分斑块(脂质斑块)及硬斑块(纤维斑块与钙化斑块)。IVUS诊断斑块破裂、血栓。OCT诊断结果为易损斑块(TCFA)，斑块破裂，斑块侵蚀。

优选的，在全部冠状动脉分支斑块总体积(TP)、非钙化体积(NCP)、钙化体积(CP)低密度斑块体积(LDP)总斑块负荷以及斑块密度，最大重塑指数(RI)指标的基础上，提取易损斑块定量化指标。

基于神经网络深度学习的冠脉动脉斑块自动识别系统，提高冠脉中心线识别的准确率，通过RCNN卷积神经网络，对全心冠状动脉病变自动提取，建立血管树和斑块的精确定位和精细分割，以实现全心冠状动脉斑块自动定量识别；建立新型卷积网络算法；在采用标准化测量方法在全部冠状动脉分支斑块总体积(TP)、非钙化体积(NCP)、钙化体积(CP)低密度斑块体积(LDP)总斑块负荷以及斑块密度，最大重塑指数(RI)等指标的基础上，提取新型潜在的易损斑块定量化指标。由此实现优化全心冠状动脉斑块提取的自动识别方案和精准定量化分析的新型卷积网络方法。

优选的，所述系统还可以实现全心冠状动脉斑块病变提取的步骤：首先通过不同宽高的窗口滑动获得潜在的目标病变区域，然后进行归一化操作，作为卷积神经网的标准输入；然后根据输入进行卷积池化操作，得到固定维度的特征向量输出；最后根据上一步输出的特征向量进行分类，并且通过边界回归检出精确的病变目标区域。

如图6所示基于深度卷积神经网络的冠状动脉斑块病灶定位及病灶分割模型，定位模型的主要目的是实现从CTA解剖图像中自动定位病灶位置及范围；分割模型主要是实现自动分割出病灶的轮廓；即从CCTA图像中，自动分割主动脉区域及各主要冠脉分支，自动地检测出冠状动脉粥样硬化病变的区域。建立血管树和斑块的精确定位和精细分割。通过RCNN卷积神经网络，对全心冠状动脉病变自动提取，首先通过不同宽高的窗口滑动获得潜在的目标病变区域，然后进行归一化操作，作为卷积神经网的标准输入；然后根据输入进行卷积池化操作，得到固定维度的特征向量输出；最后根据上一步输出的特征向量进行分类，并且通过边界回归检出精确的病变目标区域。

其中，所述预警模型的建立还包括基于实时血流动力学评估的CT-FFR，CT-ESS。所述基于实时血流动力学评估的CT-FFR，CT-ESS包括：从计算机虚拟冠状动脉解剖学数据库模型中通过训练学习模拟算出CT-FFR，CT-ESS。基于深度学习的血流动力学算法的训练：算法的核心是从计算机虚拟冠状动脉解剖学数据库模型中通过训练学习模拟算出FFRct和ESSct；具体包括：

1)建立冠状动脉解剖参数计算机虚拟训练数据库；(包括冠状动脉血管树分支情况；正常血管位置的半径，尖端角度，分支长度；全血管树的狭窄数目和程度，病变近端远端血管参数等综合解剖学参数)。

2)用深度学习算法在冠状动脉解剖结构虚拟数据库上完成离线训练，以相应位置的模拟CFD-FFRct为目标值；

3)最后该算法模型通过在冠状动脉血管树的任意位置计算FFR、ESS，对其进行颜色编码而进行可视化显示。

如图7所示，通过深度学习模型构建基于CCTA的实时血流流动力学分析模型。算法的核心是从计算机虚拟冠状动脉解剖学数据库模型中通过训练学习模拟算出FFRct和ESSct。首先从重建的冠状动脉解剖模型中自动提取出特征，将其作为输入送至提前训练好的深度学习模型中。然后应用构建好的模型对入选患者基于CCTA数据进行个性化动脉的血流动力学评估，选取其中行有创FFR检查的患者，将基于深度学习算法计算出的DL-FFRct、DL-ESSct与CFD-FFRct，CFD-ESSct及有创FFR进行对照验证；另外通过横向研究测定经OCT证实的稳定斑块与易损斑块的局部的血流动力学差异；纵向研究比较经过一到两年随访斑块进展前后的血流动力学指标的变化.

其中，DL-FFRct中DL指deep learning深度学习，即基于深度学习的血流储备分数，DL-ESSct是基于深度学习的血管内皮剪切力；CFD-FFRct，是基于流体力学(传统方法)的血流储备分数，CFD-ESSct是指基于流体力学(传统方法)的血管内皮剪切力。

其中，通过Cox proportional-hazards风险模型，将多维度的暴露因素与终点事件建立联系，创建基于CT无创影像学和深度学习系统的风险评估模型；将该算法用于冠状动脉解剖模型中心线的所有位置的DL-FFR和DL-ESS。

其中，所述模型的建立还基于临床危险因素、新型血清生物标志物实现。

将全心冠状动脉斑块全自动精准定量识别技术应用于冠状动脉粥样硬化斑块患者的定期随访跟踪。通过对比随访两年CCTA数据，获得两年之间的斑块精准定量化结果，通过易损斑块自动识别系统和血流动力学评估系统的分析，获得全心冠状动脉斑块各量化特征和血流动力学的变化情况，评估斑块的稳定性及未来破裂风险基于神经网络深度学习冠状动脉易损斑块自动识别系统判别结果，并将该冠状动脉易损特征自动识别系统应用于多因素整合分析的无创性风险评估预警模型，结合以患者危险因素、新型生物标记物、血流动力学CT-FFR,CT-ESS，斑块进展等各定量指标，以及2年的随访，获得预后信息(主要终点事件是全因死亡、非致命性心肌梗死和不稳定心绞痛入院治疗)建立全面综合形态学及功能学多维度斑块破裂早期无创性风险预警模型；

2年的随访具体涉及：分别于首次检查后三个月，半年，一年，两年进行跟踪随访。随访的终点事件为MACE事件，包括心源性死亡、心肌梗死或缺血导致的靶病变血运重建等。另外选取一年，两年作为纵向比较节点，对照中选取前后两次基于CCTA神经网络深度学习的自动识别系统评估全心冠状动脉斑块形态及血流动力学指标进展情况，预测斑块的稳定性及未来破裂风险。

斑块风险评估不局限于形态学本身，整合形态学、功能学、生化指标、临床危险因素、斑块进展情况，构建多维度的无创性全心冠状动脉斑块破裂风险性预警模型，将会为理解易损斑块发生发展和破裂机制，早期精准预警提供一个全面可靠的手段。

本发明的有益效果是，本发明提供的一种多维度斑块破裂风险预警系统，将获得的CCTA易损斑块自动识别方法与基于深度学习的CT实时血流动力学分析技术相整合，创建更加高效、灵敏、精准的无创性斑块破裂风险预警模型，为未来冠状动脉斑块破裂的智能化无创精准检测和早期预警提供全面可靠的依据和关键性的技术手段。

以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (8)

1.一种冠状动脉多维度斑块破裂风险预警系统，其特征在于：所述系统包括：模型建立模块：建立冠状动脉多维度无创性易损斑块破裂风险预警模型，包括基于CT对斑块的量化分析以及CT斑块定性特征建立预警模块；

检测模块：基于建立的预警模型进行预警；

其中所述多维度无创性易损斑块破裂风险预警模型是基于神经网络深度学习冠状动脉易损斑块自动识别系统以及实时血流动力学评估方法建立，

其中，所述神经网络深度学习冠状动脉易损斑块自动识别系统是将选取同一样本的冠状动脉CTA图像和OCT图像的冠状动脉斑块为感兴趣区，并将同一块斑块的CTA图像和OCT图像作为不同的通道输入到卷积3D卷积神经网络中，在后续的3D卷积神经网络全连接层部分将CTA和OCT的图像特征进行自动融合处理，利用有监督的学习方法，对分类特征进行提取；利用下采样层提取更多的结构边缘信息，同时去除冗余信息和噪声，从而建立模型，并在测试数据集中对模型进行有效性验证，所述系统采用数据扩充技术来改善样本量不足而产生的过拟合问题，由此实现了卷积神经网络数据训练的测试。

2.如权利要求1所述的系统，其特征在于：模型建立模块具体包括：基于CT对斑块的量化分析以及CT斑块定性特征建立预警模块。

3.如权利要求2所述的系统，其特征在于：所述斑块的量化分析所用参数以及CT斑块定性特征通过神经网络深度学习冠状动脉易损斑块自动识别系统获取；所述CT对斑块的量化分析包括全心斑块总负荷，斑块位置、范围、狭窄率、不同密度斑块体积，重构指数；所述CT斑块定性特征包括正性重构、餐巾环征、点状钙化、低密度斑块。

4.如权利要求1所述的系统，其特征在于：所述模型的建立还包括基于实时血流动力学评估的CT-FFR，CT-ESS。

5.如权利要求4所述的系统，其特征在于：所述基于实时血流动力学评估的CT-FFR，CT-ESS包括：从计算机虚拟冠状动脉解剖学数据库模型中通过训练学习模拟算出CT-FFR，CT-ESS。

6.如权利要求5所述的系统，其特征在于：所述从计算机虚拟冠状动脉解剖学数据库模型中通过训练学习模拟算出CT-FFR，CT-ESS包括：

1)建立冠状动脉解剖参数计算机虚拟训练数据库；

2)用深度学习算法在冠状动脉解剖结构虚拟数据库上完成离线训练，以相应位置的模拟CFD-FFRct为目标值；

3)最后该算法通过在冠状动脉血管树的任意位置计算FFR、ESS，对其进行颜色编码而进行可视化显示。

7.如权利要求1所述的系统，其特征在于：通过Cox proportional-hazards风险模型，将多维度的暴露因素与终点事件建立联系，创建基于CT无创影像学和深度学习系统的风险评估模型。

8.如上述权利要求1至7任一项所述的系统，其特征在于：所述模型的建立还基于临床危险因素、新型血清生物标志物实现。

Images