CN111415321B - 动脉瘤破裂风险检测装置及设备 - Google Patents
动脉瘤破裂风险检测装置及设备 Download PDFInfo
- Publication number
- CN111415321B CN111415321B CN201811555278.XA CN201811555278A CN111415321B CN 111415321 B CN111415321 B CN 111415321B CN 201811555278 A CN201811555278 A CN 201811555278A CN 111415321 B CN111415321 B CN 111415321B
- Authority
- CN
- China
- Prior art keywords
- aneurysm
- image
- rupture
- risk
- features
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 206010002329 Aneurysm Diseases 0.000 title claims abstract description 410
- 238000001514 detection method Methods 0.000 title claims abstract description 110
- 230000000877 morphologic effect Effects 0.000 claims abstract description 69
- 230000000004 hemodynamic effect Effects 0.000 claims abstract description 61
- 230000017531 blood circulation Effects 0.000 claims description 48
- 210000001367 artery Anatomy 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 12
- 238000002583 angiography Methods 0.000 claims description 10
- 238000004088 simulation Methods 0.000 claims description 9
- 230000036772 blood pressure Effects 0.000 claims description 7
- 238000010968 computed tomography angiography Methods 0.000 claims description 5
- 238000000034 method Methods 0.000 description 14
- 206010028980 Neoplasm Diseases 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 238000003709 image segmentation Methods 0.000 description 7
- 210000004204 blood vessel Anatomy 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 201000008450 Intracranial aneurysm Diseases 0.000 description 3
- 208000032851 Subarachnoid Hemorrhage Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000011282 treatment Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 210000000988 bone and bone Anatomy 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 238000007917 intracranial administration Methods 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000002792 vascular Effects 0.000 description 2
- 206010065559 Cerebral arteriosclerosis Diseases 0.000 description 1
- 206010008132 Cerebral thrombosis Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 208000000386 Hypertensive Intracranial Hemorrhage Diseases 0.000 description 1
- 201000001429 Intracranial Thrombosis Diseases 0.000 description 1
- 208000004717 Ruptured Aneurysm Diseases 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 206010042674 Swelling Diseases 0.000 description 1
- 208000032594 Vascular Remodeling Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 210000000709 aorta Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 230000003915 cell function Effects 0.000 description 1
- 208000010353 central nervous system vasculitis Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000002889 endothelial cell Anatomy 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 201000005851 intracranial arteriosclerosis Diseases 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011369 optimal treatment Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 210000004767 rumen Anatomy 0.000 description 1
- 238000011477 surgical intervention Methods 0.000 description 1
- 230000008961 swelling Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
- G06T2207/30104—Vascular flow; Blood flow; Perfusion
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Primary Health Care (AREA)
- Geometry (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及一种动脉瘤破裂风险检测装置及设备,该装置包括图像获取模块,用于获取待检测对象的动脉瘤医学图像;特征获取模块,用于获取待检测对象的个体特征,根据动脉瘤医学图像获取动脉瘤的形态学特征、图像特征和血流动力学特征;风险检测模块,用于根据个体特征以及动脉瘤的形态学特征、图像特征和血流动力学特征,通过预设检测模型检测待检测对象的动脉瘤破裂风险。由于上述多个特征对动脉瘤破裂风险都具有一定的相关性,在通过预设检测模型进行破裂风险预测时,可以综合考虑以上多个特征对动脉瘤破裂风险的影响,从而可以提高动脉瘤破裂风险检测的准确度,使得检测结果更加科学合理。
Description
技术领域
本发明涉及动脉瘤技术领域,特别是涉及一种动脉瘤破裂风险检测装置及设备。
背景技术
动脉瘤是由于动脉管壁薄弱而发生的一种永久性肿胀疾病,好发于动脉分支、分叉以及血管走形急剧转弯处,如颈动脉分叉,Willis环,副主动脉等。动脉瘤破裂一般伴随着较高的致残率和致死率,如颅内动脉瘤破裂是蛛网膜下腔出血(SAH)的主要原因。由于动脉瘤的治疗过程存在较高风险,有时甚至会超过其自身破裂带来的风险,对应动脉瘤患者的最佳治疗方案是在动脉瘤破裂前对其进行手术干预,因此需要对动脉瘤的破裂风险进行预测。
传统技术在预测动脉瘤的破裂风险时,一般根据动脉瘤的形态特征为参考来判断动脉瘤是否会破裂。然而,单纯依靠形态特征并不能很好地预测动脉瘤的破裂情况,临床上经常发现两个动脉瘤形态学参数差异不大,但其中一个发生破裂,而另一个却没有任何症状的情况。因此,传统的动脉瘤破裂风险预测技术存在预测不准确的问题。
发明内容
基于此,有必要针对上述问题,提供一种可以提高动脉瘤破裂风险检测准确度的动脉瘤破裂风险检测装置及设备。
一种动脉瘤破裂风险检测装置,包括:
图像获取模块,用于获取待检测对象的动脉瘤医学图像;
特征获取模块,用于获取所述待检测对象的个体特征,根据所述动脉瘤医学图像得到动脉瘤图像以及载瘤动脉图像,并根据所述动脉瘤图像以及所述载瘤动脉图像获取动脉瘤的形态学特征、图像特征和血流动力学特征;
风险检测模块,用于根据所述个体特征以及所述动脉瘤的形态学特征、图像特征和血流动力学特征,通过预设检测模型检测所述待检测对象的动脉瘤破裂风险,所述预设检测模型为根据患有动脉瘤的对象的个体特征、动脉瘤破裂情况信息,以及对应的动脉瘤医学图像中动脉瘤的形态学特征、图像特征和血流动力学特征训练得到,所述预设检测模型表征所述个体特征、所述形态学特征、图像特征和血流动力学特征与动脉瘤破裂情况的相关性关系。
在其中一个实施例中,所述特征获取模块包括:
第一特征获取单元,用于获取所述待检测对象的个体特征;
图像处理单元,用于根据所述动脉瘤医学图像得到动脉瘤图像以及载瘤动脉图像;
第二特征获取单元,用于根据所述动脉瘤图像以及所述载瘤动脉图像提取动脉瘤的形态学特征和图像特征;
第三特征获取单元,用于根据所述动脉瘤图像以及所述载瘤动脉图像进行仿真模拟,得到所述动脉瘤的血流动力学特征。
在其中一个实施例中,所述个体特征包括性别、年龄、身高和体重。
在其中一个实施例中,所述形态学特征包括垂直高度、瘤颈面积、瘤径大小、动脉瘤纵横比、最大高度、动脉瘤角度、动脉瘤体积及载瘤动脉管径。
在其中一个实施例中,所述图像特征包括基于直方图的像素级特征和基于动脉瘤纹理的像素级特征。
在其中一个实施例中,所述血流动力学特征包括血压、血流速度、壁面切应力、血液流动类型和血液流动复杂度。
在其中一个实施例中,还包括:
模型建立模块,用于在所述风险检测模块根据所述个体特征以及所述动脉瘤的形态学特征、图像特征和血流动力学特征,通过预设检测模型检测所述待检测对象的动脉瘤破裂风险之前,根据患有动脉瘤的对象的个体特征、动脉瘤破裂情况信息,以及对应的动脉瘤医学图像中动脉瘤的形态学特征、图像特征和血流动力学特征对预设学习模型进行训练,以得到所述预设检测模型,所述预设检测模型表征所述个体特征、所述形态学特征、图像特征和血流动力学特征与动脉瘤破裂情况的相关性关系。
一种动脉瘤破裂风险检测设备,包括图像采集装置及风险预测装置,所述图像采集装置与所述风险预测装置连接;
所述图像采集装置用于采集待检测对象的动脉瘤医学图像,并发送至所述风险预测装置;
所述风险预测装置用于获取所述待检测对象的个体特征,根据所述动脉瘤医学图像得到动脉瘤图像以及载瘤动脉图像,并根据所述动脉瘤图像以及所述载瘤动脉图像获取动脉瘤的形态学特征、图像特征和血流动力学特征,并根据所述个体特征以及所述动脉瘤的形态学特征、图像特征和血流动力学特征,通过预设检测模型检测所述待检测对象的动脉瘤破裂风险,所述预设检测模型为根据患有动脉瘤的对象的个体特征、动脉瘤破裂情况信息,以及对应的动脉瘤医学图像中动脉瘤的形态学特征、图像特征和血流动力学特征训练得到,所述预设检测模型表征所述个体特征、所述形态学特征、图像特征和血流动力学特征与动脉瘤破裂情况的相关性关系。
在其中一个实施例中,所述图像采集装置包括CT血管造影设备、磁共振血管成像设备和数字减影血管造影设备。
在其中一个实施例中,所述风险预测装置为计算机。
上述动脉瘤破裂风险检测装置及设备,该装置包括:图像获取模块,用于获取待检测对象的动脉瘤医学图像;特征获取模块,用于获取待检测对象的个体特征,根据动脉瘤医学图像获取动脉瘤的形态学特征、图像特征和血流动力学特征;风险检测模块,用于根据个体特征以及动脉瘤的形态学特征、图像特征和血流动力学特征,通过预设检测模型检测待检测对象的动脉瘤破裂风险。通过根据待检测对象的个体特征,以及根据动脉瘤医学图像得到的动脉瘤的形态学特征、图像特征和血流动力学特征,使用预设检测模型来检测待检测对象的动脉瘤破裂风险,由于上述多个特征对动脉瘤破裂风险都具有一定的相关性,在通过预设检测模型进行破裂风险预测时,可以综合考虑以上多个特征对动脉瘤破裂风险的影响,从而可以提高动脉瘤破裂风险检测的准确度,使得检测结果更加科学合理。
附图说明
图1为一个实施例中动脉瘤破裂风险检测装置的结构示意图;
图2为一个实施例中特征获取模块的结构示意图;
图3为一个实施例中动脉瘤及载瘤动脉的示意图;
图4为一个实施例中动脉瘤的示意图;
图5为小动脉瘤和大动脉瘤内的常见血液流动形式的示意图;
图6为一个实施例中动脉瘤破裂风险检测设备的结构示意图。
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。
在一个实施例中,如图1所示,提供一种动脉瘤破裂风险检测装置,该装置包括图像获取模块110、特征提取模块120及风险检测模块130。
图像获取模块110用于获取待检测对象的动脉瘤医学图像。
本实施例中的动脉瘤破裂风险检测装置主要是根据动脉瘤的特征分析其破裂风险,因此,在对破裂风险进行预测之前,首先需要通过图像获取模块110获取待检测对象的动脉瘤医学图像。其中,动脉瘤医学图像是指包含待检测对象体内的动脉瘤的医学图像,例如,动脉瘤医学图像具体可以通过CT(Computed Tomography,电子计算机断层扫描)技术或者MRI(Magnetic Resonance Imaging,磁共振成像)技术获取的医学图像,本实施例中并不限定医学图像的类型,只要该医学图像能识别动脉瘤即可。
可以理解,图像获取模块110在获取动脉瘤医学图像时,图像获取模块110可以是直接采集获取动脉瘤医学图像,即图像获取模块110为具有医学图像采集功能的模块。图像获取模块110也可以是间接获取动脉瘤医学图像,即图像获取模块110与其他具有医学图像采集功能的模块(或者装置、设备等)相连接,具有医学图像采集功能的模块(或者装置、设备等)在采集获取动脉瘤医学图像之后,将动脉瘤医学图像发送至图像获取模块110,图像获取模块110接收具有医学图像采集功能的模块(或者装置、设备等)采集的动脉瘤医学图像。
特征获取模块120用于获取待检测对象的个体特征,根据动脉瘤医学图像得到动脉瘤图像以及载瘤动脉图像,并根据动脉瘤图像以及载瘤动脉图像获取动脉瘤的形态学特征、图像特征和血流动力学特征;
由于需要结合多方面特征来评估待检测对象的动脉瘤破裂风险,在根据动脉瘤医学图像检测该动脉瘤的破裂风险之前,特征获取模块120需要获取待检测对象的个体特征,个体特征是指待检测对象的基本生理特征。对于不同的待检测对象来说,其个体特征都存在一定的区别,不同的个体特征对于动脉瘤的破裂风险都具有一定的相关性,因此,需要结合待检测对象的个体特征来检测待检测对象的动脉瘤破裂风险。此外,特征获取模块120还需要根据该动脉瘤医学图像得到动脉瘤的形态学特征、图像特征和血流动力学特征,其中,形态学特征主要是指动脉瘤的几何特征,图像特征是指根据动脉瘤图像进行深层次处理得到的特征,血流力学特征是指动脉瘤内血液流动的力学特征,不同的形态学特征、图像特征和血流动力学特征对于动脉瘤的破裂风险都具有一定的相关性,因此,需要结合动脉瘤图像对应的形态学特征、图像特征和血流动力学特征来检测待检测对象的动脉瘤破裂风险。
风险检测模块130用于根据个体特征以及动脉瘤的形态学特征、图像特征和血流动力学特征,通过预设检测模型检测待检测对象的动脉瘤破裂风险。
在结合待检测对象的个体特征、动脉瘤图像对应的形态学特征、图像特征和血流动力学特征来检测待检测对象的动脉瘤破裂风险时,风险检测模块130通过将上述个体特征、形态学特征、图像特征和血流动力学特征输入预设检测模型,通过该预设检测模型可以得到待检测对象的动脉瘤破裂风险。其中,预设检测模型为根据患有动脉瘤的对象的个体特征、动脉瘤破裂情况信息,以及对应的动脉瘤医学图像中动脉瘤的形态学特征、图像特征和血流动力学特征训练得到,预设检测模型表征个体特征、形态学特征、图像特征和血流动力学特征与动脉瘤破裂情况的相关性关系。
本实施例提出一种动脉瘤破裂风险检测装置,通过根据待检测对象的个体特征,以及根据动脉瘤医学图像得到的动脉瘤的形态学特征、图像特征和血流动力学特征,使用预设检测模型来检测待检测对象的动脉瘤破裂风险,由于上述多个特征对动脉瘤破裂风险都具有一定的相关性,在通过预设检测模型进行破裂风险预测时,可以综合考虑以上多个特征对动脉瘤破裂风险的影响,从而可以提高动脉瘤破裂风险检测的准确度,使得检测结果更加科学合理。
在一个实施例中,如图2所示,特征获取模块120包括第一特征获取单元122、图像处理单元124、第二特征获取单元126和第三特征获取单元128。第一特征获取单元122用于获取待检测对象的个体特征;图像处理单元124用于根据动脉瘤医学图像得到动脉瘤图像以及载瘤动脉图像;第二特征获取单元126用于根据动脉瘤图像以及载瘤动脉图像提取动脉瘤的形态学特征和图像特征;第三特征获取单元128用于根据动脉瘤图像以及载瘤动脉图像进行仿真模拟,得到动脉瘤的血流动力学特征。
具体地,图像处理单元124用于对动脉瘤医学图像进行预处理以及图像分割处理,得到动脉瘤图像以及载瘤动脉图像。预处理包括去噪,去骨,定位等处理过程,其中,去噪是指去除动脉瘤医学图像中的噪音干扰,去骨是指去除动脉瘤特征中骨头等结构的干扰,定位即确定动脉瘤医学图像中包含的动脉瘤的具***置。图像处理单元124对动脉瘤医学图像进行预处理的目的是为了去除该动脉瘤医学图像中的无用特征(如噪音和骨头等),在去除无用特征可能对动脉瘤图像产生不良影响的同时,也能降低特征维度,从而可以更方便地进行特征提取。在预处理完毕后,图像处理单元124以预处理后的医学图像数据作为输入进行图像分割处理。图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程,它是由图像处理到图像分析的关键步骤。本实施例中图像分割即对动脉瘤医学图像进行分割处理,以得到动脉瘤图像以及载瘤动脉图像。在进行图像分割时,分割算法可采用传统的方法,如区域生长、水平集、图割等,也可以采用卷积神经网络等方法,如FCN(Fully Convolutional Networks)、VNet等,需要分割的区域包括动脉瘤瘤体以及一段载瘤动脉。
在图像处理单元124通过图像分割处理得到动脉瘤图像以及载瘤动脉图像之后,第二特征获取单元126通过图像特征提取技术提取动脉瘤的形态学特征和图像特征,第三特征获取单元128通过进行仿真模拟可以得到动脉瘤的血流动力学特征。具体地,第三特征获取单元128可以是通过CFD(Computational Fluid Dynamics,计算流体动力学)模拟获取血流动力学特征,CFD模拟相当于根据动脉瘤图像以及载瘤动脉图像"虚拟"地在计算机做实验,用以模拟仿真动脉瘤内实际的血液流动情况,其基本原理是数值求解控制动脉瘤内血液流动的微分方程,得出动脉瘤内血液流动的流场在连续区域上的离散分布,从而近似模拟动脉瘤内血液的流动情况。
本实施例中,在获取动脉瘤医学图像之后,通过对动脉瘤图像进行处理,可以得到动脉瘤的形态学特征、图像特征和血流动力学特征,从而便于根据上述特征进行动脉瘤破裂风险的预测工作。
在一个实施例中,在进行动脉瘤破裂风险预测时,第一特征获取单元122获取的作为风险预测依据因素的个体特征包括性别、年龄、身高和体重。对象的个体特征不同,对应的动脉瘤患病几率也不同,对应的动脉瘤破裂几率也不同。例如,以颅内动脉瘤为例,颅内动脉瘤多为发生在颅内动脉管壁上的异常膨出,是造成蛛网膜下腔出血的首位病因,在脑血管意外中,仅次于脑血栓和高血压脑出血,位居第三。任何年龄的对象都可能患病,不过多发于40至60岁中老年女性,相应的破裂风险也较大。因此,可以认为,40-60岁这一年龄特征,以及女性这一性别特征,对于颅内动脉瘤的破裂具有较强的相关性。
除了上述列出的特征外,个体特征还包括其他无创手段测得的个体特征,例如待检测对象的疾病史等,例如,高血压、脑动脉硬化、血管炎等疾病都与动脉瘤患病几率以及动脉瘤破裂几率有关。
本实施例中,结合待检测对象的性别、年龄、身高、体重以及疾病史等个体特征进行动脉瘤破裂风险预测,上述多个个体特征对动脉瘤的破裂风险都具有一定的相关性,因此,可以提高动脉瘤破裂风险检测的准确度。
在一个实施例中,第二特征获取单元126获取的根据动脉瘤医学图像得到的动脉瘤的形态学特征包括垂直高度、瘤颈面积、瘤径大小、动脉瘤纵横比、最大高度、动脉瘤角度、动脉瘤体积及载瘤动脉管径。
具体地,如图3及图4所示,为根据动脉瘤医学图像得到的动脉瘤图像以及载瘤动脉图像的示意图,其中,图3为动脉瘤及载瘤动脉的示意图,图4为单独的动脉瘤的示意图。在图3中,圆形虚线部分表示动脉瘤,其余部分表示载瘤动脉,箭头方向表示血液流动方向。为便于解释说明,定义颈平面为一个可以使动脉瘤与载瘤动脉分离的切割平面,即可以是虚线M-N沿垂直于图中圆形虚线所在平面的方向延伸所组成的平面。
参考图3及图4,在上述形态学特征中,垂直高度H为动脉瘤的最大垂直高度,即动脉瘤瘤顶到颈平面的最大距离,垂直高度H也被称为动脉瘤的尺寸(Size);瘤颈面积A为颈平面的面积;瘤径大小D为动脉瘤颈平面的直径,由于颈平面通常为不规则平面,因此使用流体力学中经常使用的定义来计算颈平面的直径:D=4*A/P,其中,A为瘤颈面积,P为颈平面的周长;动脉瘤纵横比AR为垂直高度H与瘤径大小D的比值,即AR=H/D;最大高度Hmax为动脉瘤颈平面直径的中点与动脉瘤最高点的距离;动脉瘤角度AA为表示最大高度Hmax的直线与颈平面的夹角;动脉瘤体积为动脉瘤瘤体的体积;载瘤动脉管径Dv为载瘤动脉的直径。
本实施例中,在对动脉瘤图像进行处理后,结合得到的动脉瘤的形态学特征,如垂直高度、瘤颈面积、瘤径大小、动脉瘤纵横比、最大高度、动脉瘤角度、动脉瘤体积及载瘤动脉管径等特征进行动脉瘤破裂风险预测,上述多个形态学特征对动脉瘤的破裂风险都具有一定的相关性,因此,可以提高动脉瘤破裂风险检测的准确度。
在一个实施例中,第二特征获取单元126获取的根据动脉瘤医学图像得到的动脉瘤的图像特征包括基于直方图的像素级特征和基于动脉瘤纹理的像素级特征。
在对图像颜色特征进行描述时,直方图可以很好的描述图像颜色的统计分布特征,且具有平移、尺度和旋转的不变性。具体地,本实施例采用灰度直方图来表示动脉瘤的图像特征,灰度直方图是灰度级的函数,表示动脉瘤图像中具有每种灰度级的像素的个数,反映了动脉瘤图像中每种灰度出现的频率,在灰度直方图中,横坐标为灰度级,纵坐标为该灰度级出现的频率,通常来说,灰度级的取值范围可以选择0到255。
此外,纹理也是动脉瘤图像的一个重要特征,纹理是在动脉瘤图像上表现为灰度或者颜色分布的某种规律性,不同类别的纹理对应不同的规律性。纹理包括规则纹理和准规则纹理,其中,规则纹理由明确的纹理基本元素(简称纹理基元)有规则排列而成,而准规则纹理的纹理基元没有明确的形状,而是某种灰度或者颜色的分布。本实施例中,根据动脉瘤图像提取的纹理特征为准规则纹理,基于动脉瘤纹理的像素级特征可以用来描述动脉瘤表面的粗糙程度以及表示动脉瘤的方向性,可以对动脉瘤图像的特征值进行分类识别。
本实施例中,在对动脉瘤图像进行分析处理后,结合得到的动脉瘤的图像特征,如基于直方图的像素级特征和基于动脉瘤纹理的像素级特征等特征进行动脉瘤破裂风险预测,上述多个图像特征对动脉瘤的破裂风险都具有一定的相关性,因此,可以提高动脉瘤破裂风险检测的准确度。
在一个实施例中,第三特征获取单元128获取的根据动脉瘤医学图像得到的动脉瘤的血流动力学特征包括血压、血流速度、壁面切应力、血液流动类型和血液流动复杂度。
在根据动脉瘤医学图像得到动脉瘤图像以及载瘤动脉图像之后,第三特征获取单元128通过模拟实验以获取血流动力学特征。在通过模拟实验获取的血流动力学特征中,血压是指动脉瘤及载瘤动脉内的血压;血流速度是指动脉瘤及载瘤动脉内血液流动的速度;壁面切应力(Wall Shearstress,WSS)是血液流动时血流对血管壁的切向作用力,其作用方向平行于血管壁,是动脉瘤发生、发展和破裂的重要因素。WSS的大小与血流速度有关,血流速度越快,血流速度梯度越大,血流产生的WSS也就越大。动脉血管壁局部WSS的改变会触发内皮细胞功能变化和血管重塑,以适应局部血流动力学的变化,可以认为,高WSS是导致动脉瘤产生和发展的主要因素。而由于动脉瘤中WSS的平均值低于载瘤动脉中的WSS,低WSS可能会导致瘤壁退行性变和薄弱,进而导致动脉瘤破裂,因此,可以认为,低WSS是导致动脉瘤破裂的主要因素。在动脉瘤中,瘤顶处WSS最低,因此动脉瘤破裂多发生于瘤顶。
此外,动脉瘤多发生于动脉分叉处,即载瘤动脉一般都包括一条流入动脉和两条流出动脉(如图2中载瘤动脉为由一条流入动脉inlet和两条流出动脉outlet组成),流入动脉和流出动脉与动脉瘤的位置关系直接影响到动脉瘤内的血流情况。对于多数破裂的动脉瘤来说,其瘤体内血液流动类型复杂,载瘤动脉至瘤囊的血流速度均降低,瘤顶和瘤颈血流速度最快,而所有未破裂的动脉瘤均呈单一的涡流。如图5所示,图中左图及右图分别为小动脉瘤和大动脉瘤内的常见血液流动形式,图中箭头方向表示在一个心动周期内的三个瞬间其瘤内血流的模拟走向,可以明显看出,对于不同的动脉瘤来说,其瘤体内血液流动类型不同且多样,瘤体内血液流动复杂度较高。
本实施例中,在对动脉瘤图像进行仿真模拟后,结合得到的动脉瘤的血流动力学特征,如血压、血流速度、壁面切应力、血液流动类型和血液流动复杂度等特征进行动脉瘤破裂风险预测,上述多个血流动力学特征对动脉瘤的破裂风险都具有一定的相关性,因此,可以提高动脉瘤破裂风险检测的准确度。
需要说明的是,在本申请中,在进行动脉瘤破裂风险检测时,所使用到的个体特征、动脉瘤的形态学特征、图像特征和血流动力学特征并不局限于本申请各实施例中所提到的具体特征,即也可以是根据本申请各实施例中未提及的特征进行动脉瘤破裂风险检测。
在一个实施例中,该动脉瘤破裂风险检测装置还包括模型建立模块,模型建立模块用于在风险检测模块130根据个体特征以及动脉瘤的形态学特征、图像特征和血流动力学特征,通过预设检测模型检测待检测对象的动脉瘤破裂风险之前,根据患有动脉瘤的对象的个体特征、动脉瘤破裂情况信息,以及对应的动脉瘤医学图像中动脉瘤的形态学特征、图像特征和血流动力学特征对预设学习模型进行训练,以得到预设检测模型,预设检测模型表征个体特征、形态学特征、图像特征和血流动力学特征与动脉瘤破裂情况的相关性关系。
在风险检测模块130根据对待检测对象进行动脉瘤破裂风险检测之前,模型建立模块首先需要根据以往的数据建立预设检测模型,以往的数据包括已患有动脉瘤对象的个体特征数据、动脉瘤医学图像数据以及对应的动脉瘤破裂情况数据,其中,动脉瘤破裂情况数据可以通过对该对象进行随访得到,随访是指医院对曾在医院就诊的病人以通讯或其他的方式,进行定期了解患者病情变化和指导患者康复的一种观察方法。具体地,模型建立模块建立预设检测模型的过程,包括以下步骤:
首先,获取已患有动脉瘤对象的个体特征以及动脉瘤医学图像,其中个体特征包括性别、年龄、身高、体重、疾病史等通过无创手段测得的生理特征。
其次,根据动脉瘤医学图像得到动脉瘤的形态学特征、图像特征和血流动力学特征,形态学特征包括垂直高度、瘤颈面积、瘤径大小、动脉瘤纵横比、最大高度、动脉瘤角度、动脉瘤体积及载瘤动脉管径等,图像特征包括基于直方图的像素级特征和基于动脉瘤纹理的像素级特征等,血流动力学特征包括血压、血流速度、壁面切应力、血液流动类型和血液流动复杂度等。
然后,将获取的对象个体特征、动脉瘤的形态学特征、图像特征和血流动力学特征输入预设学习模型进行训练,训练方法可以是随机森林、主成分分析(PCA)、神经网络等方法,预设学习模型的训练数据为动脉瘤破裂情况数据,该动脉瘤破裂情况数据来源于对动脉瘤对象的随访,如随访3到5年内该对象的动脉瘤是否破裂。预设学习模型通过训练可以得到对象个体特征、动脉瘤的形态学特征、图像特征和血流动力学特征与动脉瘤破裂情况的相关性关系。
最后,根据训练好的预设学习模型建立预设检测模型,该预设检测模型表征个体特征、形态学特征、图像特征和血流动力学特征与动脉瘤破裂情况的相关性关系。
本实施例通过根据已患有动脉瘤对象的各个特征数据以及动脉瘤破裂情况数据,对预设学习模型进行训练,可以得到各个特征与动脉瘤破裂情况的相关性关系,根据训练好的预设学习模型建立预设检测模型,通过该预设检测模型可以对新的待检测对象进行动脉瘤破裂风险的检测,在检测过程中,通过综合考虑多个特征对动脉瘤破裂风险的影响,从而可以提高动脉瘤破裂风险检测的准确度。
在一个实施例中,在风险检测模块130得到待检测对象的动脉瘤破裂风险之后,模型建立模块还可以结合该对象的预测结果,以及通过对该对象进行跟踪记录而获取的动脉瘤实际破裂情况信息(是否破裂以及破裂时间等),对建立的预设检测模型进行优化处理,从而进一步提高预设检测模型的检测准确度。
在一个实施例中,如图6所示,提供一种动脉瘤破裂风险检测设备,该设备包括图像采集装置210及风险预测装置220,图像采集装置210与风险预测装置220连接。
图像采集装置210用于采集待检测对象的动脉瘤医学图像,并发送至风险预测装置220。
风险预测装置220用于获取待检测对象的个体特征,根据动脉瘤医学图像得到动脉瘤图像以及载瘤动脉图像,并根据动脉瘤图像以及载瘤动脉图像获取动脉瘤的形态学特征、图像特征和血流动力学特征,并根据个体特征以及动脉瘤的形态学特征、图像特征和血流动力学特征,通过预设检测模型检测待检测对象的动脉瘤破裂风险,预设检测模型为根据患有动脉瘤的对象的个体特征、动脉瘤破裂情况信息,以及对应的动脉瘤医学图像中动脉瘤的形态学特征、图像特征和血流动力学特征训练得到,预设检测模型表征个体特征、形态学特征、图像特征和血流动力学特征与动脉瘤破裂情况的相关性关系。
具体地,图像采集装置210可以是具有医学图像采集功能的设备,例如CT血管造影(CT angiography,CTA)设备、磁共振血管成像(Magnetic Resonance Angiography,MRA)设备和数字减影血管造影(Digital subtraction angiography,DSA)设备等。其中,CT血管造影设备是将CT增强技术与薄层、大范围、快速扫描技术相结合,通过合理的后处理,可以清晰显示全身各部位血管细节;磁共振血管成像设备可以进行血管造影,从而显示血管;数字减影血管造影设备通过血管造影的影像进行数字化处理,可以把不需要的组织影像删除掉,只保留血管影像。风险预测装置220可以是具有图像处理以及数据分析功能的装置,例如计算机等。
本实施例提出一种动脉瘤破裂风险检测设备,该装置通过根据待检测对象的个体特征,以及根据动脉瘤医学图像得到的动脉瘤的形态学特征、图像特征和血流动力学特征,使用预设检测模型来检测待检测对象的动脉瘤破裂风险,由于上述多个特征对动脉瘤破裂风险都具有一定的相关性,在通过预设检测模型进行破裂风险预测时,可以综合考虑以上多个特征对动脉瘤破裂风险的影响,从而可以提高动脉瘤破裂风险检测的准确度,使得检测结果更加科学合理。
在一个实施例中,风险预测装置220还用于对动脉瘤医学图像进行预处理以及图像分割处理,得到动脉瘤图像以及载瘤动脉图像;根据动脉瘤图像以及载瘤动脉图像提取动脉瘤的形态学特征和图像特征;根据动脉瘤图像以及载瘤动脉图像进行仿真模拟,得到动脉瘤的血流动力学特征。
在一个实施例中,风险预测装置220还用于在根据个体特征以及动脉瘤的形态学特征、图像特征和血流动力学特征,通过预设检测模型检测待检测对象的动脉瘤破裂风险之前,根据患有动脉瘤的对象的个体特征、动脉瘤破裂情况信息,以及对应的动脉瘤医学图像中动脉瘤的形态学特征、图像特征和血流动力学特征对预设学习模型进行训练,以得到预设检测模型,预设检测模型表征个体特征、形态学特征、图像特征和血流动力学特征与动脉瘤破裂情况的相关性关系。
以上所述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发明的几种实施方式,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,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种动脉瘤破裂风险检测装置,其特征在于,包括:
图像获取模块,用于获取待检测对象的动脉瘤医学图像;
特征获取模块,用于获取所述待检测对象的个体特征,根据所述动脉瘤医学图像得到动脉瘤图像以及载瘤动脉图像,并根据所述动脉瘤图像以及所述载瘤动脉图像获取动脉瘤的形态学特征、图像特征和血流动力学特征;
风险检测模块,用于根据所述个体特征以及所述动脉瘤的形态学特征、图像特征和血流动力学特征,通过当前次的预设检测模型检测所述待检测对象的动脉瘤破裂风险;所述当前次的预设检测模型为根据上一次的待检测对象的动脉瘤破裂风险,和对所述上一次的待检测对象进行跟踪得到的实际动脉瘤破裂情况信息对第一预设检测模型优化处理得到的;所述实际动脉瘤破裂情况信息包括是否破裂和破裂时间,所述第一预设检测模型包括初始预设检测模型和上一次的预设检测模型;所述初始预设检测模型为根据患有动脉瘤的对象的个体特征、动脉瘤破裂情况信息,以及对应的动脉瘤医学图像中动脉瘤的形态学特征、图像特征和血流动力学特征训练得到,所述预设检测模型表征所述个体特征、所述形态学特征、图像特征和血流动力学特征与动脉瘤破裂情况的相关性关系。
2.根据权利要求1所述的动脉瘤破裂风险检测装置,其特征在于,所述特征获取模块包括:
第一特征获取单元,用于获取所述待检测对象的个体特征;
图像处理单元,用于根据所述动脉瘤医学图像得到动脉瘤图像以及载瘤动脉图像;
第二特征获取单元,用于根据所述动脉瘤图像以及所述载瘤动脉图像提取动脉瘤的形态学特征和图像特征;
第三特征获取单元,用于根据所述动脉瘤图像以及所述载瘤动脉图像进行仿真模拟,得到所述动脉瘤的血流动力学特征。
3.根据权利要求2所述的动脉瘤破裂风险检测装置,其特征在于,所述个体特征包括性别、年龄、身高和体重。
4.根据权利要求2所述的动脉瘤破裂风险检测装置,其特征在于,所述形态学特征包括垂直高度、瘤颈面积、瘤径大小、动脉瘤纵横比、最大高度、动脉瘤角度、动脉瘤体积及载瘤动脉管径。
5.根据权利要求2所述的动脉瘤破裂风险检测装置,其特征在于,所述图像特征包括基于直方图的像素级特征和基于动脉瘤纹理的像素级特征。
6.根据权利要求2所述的动脉瘤破裂风险检测装置,其特征在于,所述血流动力学特征包括血压、血流速度、壁面切应力、血液流动类型和血液流动复杂度。
7.根据权利要求1所述的动脉瘤破裂风险检测装置,其特征在于,还包括:
模型建立模块,用于在所述风险检测模块根据所述个体特征以及所述动脉瘤的形态学特征、图像特征和血流动力学特征,通过预设检测模型检测所述待检测对象的动脉瘤破裂风险之前,根据患有动脉瘤的对象的个体特征、动脉瘤破裂情况信息,以及对应的动脉瘤医学图像中动脉瘤的形态学特征、图像特征和血流动力学特征对预设学习模型进行训练,以得到所述预设检测模型,所述预设检测模型表征所述个体特征、所述形态学特征、图像特征和血流动力学特征与动脉瘤破裂情况的相关性关系。
8.一种动脉瘤破裂风险检测设备,其特征在于,包括图像采集装置及风险预测装置,所述图像采集装置与所述风险预测装置连接;
所述图像采集装置用于采集待检测对象的动脉瘤医学图像,并发送至所述风险预测装置;
所述风险预测装置用于获取所述待检测对象的个体特征,根据所述动脉瘤医学图像得到动脉瘤图像以及载瘤动脉图像,并根据所述动脉瘤图像以及所述载瘤动脉图像获取动脉瘤的形态学特征、图像特征和血流动力学特征,并根据所述个体特征以及所述动脉瘤的形态学特征、图像特征和血流动力学特征,通过当前次的预设检测模型检测所述待检测对象的动脉瘤破裂风险;所述当前次的预设检测模型为根据上一次的待检测对象的动脉瘤破裂风险,和对所述上一次的待检测对象进行跟踪得到的实际动脉瘤破裂情况信息对第一预设检测模型优化处理得到的;所述实际动脉瘤破裂情况信息包括是否破裂和破裂时间,所述第一预设检测模型包括初始预设检测模型和上一次的预设检测模型;所述初始预设检测模型为根据患有动脉瘤的对象的个体特征、动脉瘤破裂情况信息,以及对应的动脉瘤医学图像中动脉瘤的形态学特征、图像特征和血流动力学特征训练得到,所述预设检测模型表征所述个体特征、所述形态学特征、图像特征和血流动力学特征与动脉瘤破裂情况的相关性关系。
9.根据权利要求8所述的动脉瘤破裂风险检测设备,其特征在于,所述图像采集装置包括CT血管造影设备、磁共振血管成像设备和数字减影血管造影设备。
10.根据权利要求8所述的动脉瘤破裂风险检测设备,其特征在于,所述风险预测装置为计算机。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811555278.XA CN111415321B (zh) | 2018-12-19 | 2018-12-19 | 动脉瘤破裂风险检测装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811555278.XA CN111415321B (zh) | 2018-12-19 | 2018-12-19 | 动脉瘤破裂风险检测装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111415321A CN111415321A (zh) | 2020-07-14 |
CN111415321B true CN111415321B (zh) | 2024-02-27 |
Family
ID=71492508
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811555278.XA Active CN111415321B (zh) | 2018-12-19 | 2018-12-19 | 动脉瘤破裂风险检测装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111415321B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102462075B1 (ko) * | 2020-08-05 | 2022-11-01 | 정슬기 | 뇌자기공명혈관조영술의 혈관 신호강도그래디언트를 이용한 혈류산출법 및 이를 이용한 뇌혈관질환 및 뇌졸중 위험도 분석 시스템 |
CN112617770A (zh) * | 2020-12-28 | 2021-04-09 | 首都医科大学附属北京天坛医院 | 基于人工智能的颅内动脉瘤风险预测方法及相关装置 |
CN113066574A (zh) * | 2021-03-29 | 2021-07-02 | 昆明同心医联科技有限公司 | 基于神经网络的动脉瘤破裂预测方法、装置及存储介质 |
CN113066583A (zh) * | 2021-03-30 | 2021-07-02 | 昆明同心医联科技有限公司 | 动脉瘤破裂风险预测方法、装置及存储介质 |
CN113143306B (zh) * | 2021-03-31 | 2023-01-24 | 广东医科大学附属医院 | 一种用于颅内动脉瘤cfd诊断可视化设备 |
CN113744883A (zh) * | 2021-09-22 | 2021-12-03 | 皖南医学院第一附属医院(皖南医学院弋矶山医院) | 一种预测颅内动脉瘤破裂模型的构建方法及该装置 |
CN114145843B (zh) * | 2021-11-05 | 2023-07-04 | 北京市神经外科研究所 | 一种新型颅内动脉瘤薄弱区评估方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103930036A (zh) * | 2011-08-26 | 2014-07-16 | Ebm株式会社 | 用于血流性状诊断的***、其方法及计算机软件程序 |
CN104463215A (zh) * | 2014-12-10 | 2015-03-25 | 东北大学 | 基于视网膜图像处理的微小动脉瘤发生风险预测*** |
CN107273658A (zh) * | 2017-05-16 | 2017-10-20 | 哈尔滨医科大学 | 对颅内动脉瘤破裂风险进行评估及其图像进行分类的装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7986822B2 (en) * | 2006-04-24 | 2011-07-26 | Siemens Medical Solutions Usa, Inc. | System and method for X-ray based assessment of aneurysm pulsation |
US20160203288A1 (en) * | 2012-06-18 | 2016-07-14 | The Research Foundation For The State University Of New York | Systems and Methods for Identifying Historical Vasculature Cases |
-
2018
- 2018-12-19 CN CN201811555278.XA patent/CN111415321B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103930036A (zh) * | 2011-08-26 | 2014-07-16 | Ebm株式会社 | 用于血流性状诊断的***、其方法及计算机软件程序 |
CN104463215A (zh) * | 2014-12-10 | 2015-03-25 | 东北大学 | 基于视网膜图像处理的微小动脉瘤发生风险预测*** |
CN107273658A (zh) * | 2017-05-16 | 2017-10-20 | 哈尔滨医科大学 | 对颅内动脉瘤破裂风险进行评估及其图像进行分类的装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111415321A (zh) | 2020-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111415321B (zh) | 动脉瘤破裂风险检测装置及设备 | |
EP3277183B1 (en) | Method and apparatus for assessing blood vessel stenosis | |
Rajinikanth et al. | An approach to examine magnetic resonance angiography based on Tsallis entropy and deformable snake model | |
EP2279490B1 (en) | Automatic detection and accurate segmentation of abdominal aortic aneurysm | |
Chawla et al. | A method for automatic detection and classification of stroke from brain CT images | |
WO2017047819A1 (ja) | 血管形状分析装置、その方法、及びそのコンピュータソフトウェアプログラム | |
US20180199997A1 (en) | Method and apparatus for segmentation of blood vessels | |
WO2016159379A1 (ja) | 血管形状構築装置、その方法及びコンピュータソフトウエアプログラム | |
CN113066574A (zh) | 基于神经网络的动脉瘤破裂预测方法、装置及存储介质 | |
CN109009000A (zh) | 一种主动脉夹层破口位置的检测方法 | |
CN112784928A (zh) | Dsa影像识别方法、装置及存储介质 | |
CN115222674A (zh) | 基于多维特征融合的颅内动脉瘤破裂风险的检测装置 | |
CN112819800A (zh) | Dsa影像识别方法、装置及存储介质 | |
KR102410254B1 (ko) | 인공지능 기반 대혈관폐색 의심 반구 검출을 통한 뇌졸중 진단 장치 및 진단 관련 정보 제공 방법 | |
CN110353639B (zh) | 一种基于血管增强造影的供血区定量方法及*** | |
García et al. | A deep learning model for brain vessel segmentation in 3DRA with arteriovenous malformations | |
CN113939224A (zh) | 椎动脉夹层风险评估方法、计算机设备和存储介质 | |
Macedo et al. | A centerline-based estimator of vessel bifurcations in angiography images | |
US20230377151A1 (en) | Aortic aneurysm growth rate prediction from geometric analysis | |
CN115546123A (zh) | 基于机器学习的腹主动脉瘤破裂风险的预测*** | |
Habib et al. | Automatic segmentation of abdominal aortic aneurysm | |
Shalaby et al. | Probabilistic modeling of blood vessels for segmenting magnetic resonance angiography images | |
Kumar et al. | Automatic optic cup segmentation using Kåsa's circle fitting technique | |
Bindhya et al. | A Review on Methods of Enhancement And Denoising in Retinal Fundus Images | |
Luo et al. | Recent progresses on cerebral vasculature segmentation for 3D quantification and visualization of MRA |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant after: Shanghai Lianying Medical Technology Co.,Ltd. Address before: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |