CN113066574A - 基于神经网络的动脉瘤破裂预测方法、装置及存储介质 - Google Patents
基于神经网络的动脉瘤破裂预测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN113066574A CN113066574A CN202110336245.1A CN202110336245A CN113066574A CN 113066574 A CN113066574 A CN 113066574A CN 202110336245 A CN202110336245 A CN 202110336245A CN 113066574 A CN113066574 A CN 113066574A
- Authority
- CN
- China
- Prior art keywords
- aneurysm
- rupture
- input
- layer
- neural network
- 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.)
- Pending
Links
- 206010002329 Aneurysm Diseases 0.000 title claims abstract description 156
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 26
- 230000000004 hemodynamic effect Effects 0.000 claims abstract description 33
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 24
- 238000003062 neural network model Methods 0.000 claims abstract description 19
- 230000036541 health Effects 0.000 claims abstract description 17
- 230000007306 turnover Effects 0.000 claims abstract description 7
- 210000002569 neuron Anatomy 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 17
- 210000001367 artery Anatomy 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 8
- 230000014759 maintenance of location Effects 0.000 claims description 6
- 230000002792 vascular Effects 0.000 claims description 6
- 208000019622 heart disease Diseases 0.000 claims description 4
- 102100036475 Alanine aminotransferase 1 Human genes 0.000 claims description 3
- 108010082126 Alanine transaminase Proteins 0.000 claims description 3
- 102000015779 HDL Lipoproteins Human genes 0.000 claims description 3
- 108010010234 HDL Lipoproteins Proteins 0.000 claims description 3
- 206010020772 Hypertension Diseases 0.000 claims description 3
- 102000007330 LDL Lipoproteins Human genes 0.000 claims description 3
- 108010007622 LDL Lipoproteins Proteins 0.000 claims description 3
- 239000008280 blood Substances 0.000 claims description 3
- 210000004369 blood Anatomy 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 206010012601 diabetes mellitus Diseases 0.000 claims description 3
- 238000011002 quantification Methods 0.000 claims description 3
- 230000000391 smoking effect Effects 0.000 claims description 3
- 206010028980 Neoplasm Diseases 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 abstract description 11
- 230000002349 favourable effect Effects 0.000 abstract description 2
- 201000008450 Intracranial aneurysm Diseases 0.000 description 20
- 238000011282 treatment Methods 0.000 description 8
- 208000032843 Hemorrhage Diseases 0.000 description 6
- 208000004717 Ruptured Aneurysm Diseases 0.000 description 6
- 230000000740 bleeding effect Effects 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 208000032851 Subarachnoid Hemorrhage Diseases 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 230000017531 blood circulation Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000002583 angiography Methods 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000013211 curve analysis Methods 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- ADHFMENDOUEJRK-UHFFFAOYSA-N 9-[(4-fluorophenyl)methyl]-n-hydroxypyrido[3,4-b]indole-3-carboxamide Chemical compound C1=NC(C(=O)NO)=CC(C2=CC=CC=C22)=C1N2CC1=CC=C(F)C=C1 ADHFMENDOUEJRK-UHFFFAOYSA-N 0.000 description 1
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 208000003174 Brain Neoplasms Diseases 0.000 description 1
- 206010008111 Cerebral haemorrhage Diseases 0.000 description 1
- 206010008132 Cerebral thrombosis Diseases 0.000 description 1
- 206010012374 Depressed mood Diseases 0.000 description 1
- 208000016988 Hemorrhagic Stroke Diseases 0.000 description 1
- 238000001207 Hosmer–Lemeshow test Methods 0.000 description 1
- 208000000386 Hypertensive Intracranial Hemorrhage Diseases 0.000 description 1
- 201000001429 Intracranial Thrombosis Diseases 0.000 description 1
- 206010022998 Irritability Diseases 0.000 description 1
- 241001482237 Pica Species 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 210000002551 anterior cerebral artery Anatomy 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 210000001841 basilar artery Anatomy 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000023555 blood coagulation Effects 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 238000011088 calibration curve Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000002585 cerebral angiography Methods 0.000 description 1
- 210000001627 cerebral artery Anatomy 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002513 implantation Methods 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 210000004969 inflammatory cell Anatomy 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 208000020658 intracerebral hemorrhage Diseases 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009251 neurologic dysfunction Effects 0.000 description 1
- 208000015015 neurological dysfunction Diseases 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 208000024335 physical disease Diseases 0.000 description 1
- 210000003388 posterior cerebral artery Anatomy 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 208000020016 psychiatric disease Diseases 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 238000012959 renal replacement therapy Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 230000001732 thrombotic effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/504—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of blood vessels, e.g. by angiography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/507—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for determination of haemodynamic parameters, e.g. perfusion CT
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Radiology & Medical Imaging (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Optics & Photonics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- High Energy & Nuclear Physics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Dentistry (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Vascular Medicine (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明提供一种基于神经网络的动脉瘤破裂预测方法、装置及存储介质,包括:获取血管的3D‑DSA图像,基于所述3D‑DSA图像获取图像中每个动脉瘤的血管几何形状信息以及血液动力学参数;对所述血管几何形状信息以及血液动力学参数中分别包括的平均流量参数、动脉瘤流入率、周转时间进行量化;将量化后的血管几何形状信息、血液动力学参数以及健康检查数据作为神经网络模型的输入,得到动脉瘤破裂预测数据。基于神经网络算法,不仅根据动脉瘤的大小、形状或位置来描绘破裂源,还可以提供更可靠的参数识别。有助于改善多发性动脉瘤患者中IAs破裂的临床鉴定,提高了预测的准确性。
Description
技术领域
本发明涉及动脉瘤检测技术,尤其涉及一种基于神经网络的动脉瘤破裂预测方法、装置及存储介质。
背景技术
颅内动脉瘤(IA)是一种脑血管疾病,主要发生在脑动脉,其特征是血管病理性扩张。IA破裂会导致蛛网膜下腔出血(SAH),这是一种出血性中风,经常导致死亡或严重残疾。在脑血管意外中,仅次于脑血栓和高血压脑出血,位居第三。所以,颅内动脉瘤的预防、检查和治疗一直是研究热点。很多检查出颅内动脉瘤的患者由于担心破裂的风险会出现恐惧、焦虑、抑郁等心理问题,导致情绪低落或易怒、害怕活动、不愿意与外界交往,严重者引发新的身心疾病,生活质量下降。近年来,CT、磁共振成像等医学影像学方法飞速发展,在评估颅内动脉瘤破裂风险中发挥重要作用。颅内动脉瘤破裂的后果非常严重,脑外科手术和介入治疗也存在一定风险,全面评估未破裂动脉瘤的破裂风险对于指导未破裂动脉瘤的治疗具有重要意义。
在当前的IA研究中,未经处理的形态学和血液动力学参数大多依旧使用多元逻辑模型(Logistic)回归,用于对动脉瘤破裂状态进行分类。但在医学研究的其他领域,机器学***均值之间的独立显着差异不同,ML算法会根据具体情况在可用数据上使用给定功能来预测结果。但是,当前并没有技术基于机器学习对动脉瘤的破裂进行预测。
发明内容
本发明实施例提供一种基于神经网络的动脉瘤破裂预测方法、装置及存储介质,能够基于神经网络算法将血管几何形状、血液动力学参数以及健康检查数据作为参考,得到脉瘤破裂预测数据。
本发明实施例的第一方面,提供一种基于神经网络的动脉瘤破裂预测方法,包括:
获取血管的3D-DSA图像,基于所述3D-DSA图像获取图像中每个动脉瘤的血管几何形状信息以及血液动力学参数;
对所述血管几何形状信息以及血液动力学参数中分别包括的平均流量参数、动脉瘤流入率、周转时间进行量化;
将量化后的血管几何形状信息、血液动力学参数以及健康检查数据作为神经网络模型的输入,得到动脉瘤破裂预测数据。
可选地,在第一方面的一种可能实现方式中,所述神经网络模型包括依次连接的输入层、中间层以及输出层;
所述输入层包括16个神经元,其中每个神经元对应一个特征模型;
所述中间层包括由32个神经元组成的单个隐藏层;
所述血管几何形状信息、血液动力学参数以及健康检查数据分别输入至所述输入层后至所述中间层,所述中间层基于ReLU激活函数输入层输入的数据进行处理后输出至输出层,所述输出层S型函数对中间层输入的数据进行处理得到动脉瘤破裂预测数据。
可选地,在第一方面的一种可能实现方式中,所述神经网络模型包括基于以下公式得到动脉瘤破裂预测数据,包括:
RIMC=0.45SRHmax+0.17UI+0.21RRT+0.17(分歧)
RIMM=0.65Hmax+0.16UI+0.19(分歧)
其中,RIMc以及RIMm分别为参考信息模型,Hmax为血管最大高度,SRHmax为血管最大高度尺寸比率,UI为起伏指数,UI用于代表动脉瘤表面不规则程度,RRT为相对停留时间。
可选地,在第一方面的一种可能实现方式中,所述健康检查数据包括年龄、性别、体重系数、动脉瘤大小、动脉瘤高度、血液相对保留时间、瘤体宽颈与瘤体比、高密度脂蛋白、低密度脂蛋白、壁面剪应力均值、压力均值、丙氨酸转氨酶、吸烟状况、遗传性高血压,遗传性心脏病以及遗传性糖尿病中的任意一种或多种。
可选地,在第一方面的一种可能实现方式中,获取动脉瘤的部位信息,基于动脉瘤的部位得到该动脉瘤的破裂频率;
将破裂频率最高的动脉瘤识别标记为已经破裂;
若标记为破裂的动脉瘤和未标记为破裂的动脉瘤处于同一个动脉且频率相同,则将次识别为破裂的动脉瘤标记为识别错误。
本发明实施例的第二方面,提供一种基于神经网络的动脉瘤破裂预测装置,包括:
获取模块,用于获取血管的3D-DSA图像,基于所述3D-DSA图像获取图像中每个动脉瘤的血管几何形状信息以及血液动力学参数;
量化模块,用于对所述血管几何形状信息以及血液动力学参数中分别包括的平均流量参数、动脉瘤流入率、周转时间进行量化;
生成模块,用于将量化后的血管几何形状信息、血液动力学参数以及健康检查数据作为神经网络模型的输入,生成动脉瘤破裂预测数据。
可选地,在第二方面的一种可能实现方式中,所述神经网络模型包括依次连接的输入层、中间层以及输出层;
所述输入层包括16个神经元,其中每个神经元对应一个特征模型;
所述中间层包括由32个神经元组成的单个隐藏层;
所述血管几何形状信息、血液动力学参数以及健康检查数据分别输入至所述输入层后至所述中间层,所述中间层基于ReLU激活函数输入层输入的数据进行处理后输出至输出层,所述输出层S型函数对中间层输入的数据进行处理得到动脉瘤破裂预测数据。
可选地,在第二方面的一种可能实现方式中,所述神经网络模型包括基于以下公式得到动脉瘤破裂预测数据,包括:
RIMC=0.45SRHmax+0.17UI+0.21RRT+0.17(分歧)
RIMM=0.65Hmax+0.16UI+0.19(分歧)
其中,RIMc以及RIMm分别为参考信息模型,Hmax为血管最大高度,SRHmax为血管最大高度尺寸比率,UI为起伏指数,UI用于代表动脉瘤表面不规则程度,RRT为相对停留时间。
可选地,在第二方面的一种可能实现方式中,获取模块,用于获取动脉瘤的部位信息,基于动脉瘤的部位得到该动脉瘤的破裂频率;
标记模块,用于将破裂频率最高的动脉瘤识别标记为已经破裂;
识别模块,用于若标记为破裂的动脉瘤和未标记为破裂的动脉瘤处于同一个动脉且频率相同,则将次识别为破裂的动脉瘤标记为识别错误。
本发明实施例的第三方面,提供一种可读存储介质,所述可读存储介质中存储有计算机程序,所述计算机程序被处理器执行时用于实现本发明第一方面及第一方面各种可能设计的所述方法。
本发明提供的一种基于神经网络的动脉瘤破裂预测方法、装置及存储介质,基于神经网络算法,不仅根据动脉瘤的大小、形状或位置来描绘破裂源,还可以提供更可靠的参数识别。有助于改善多发性动脉瘤患者中IAs破裂的临床鉴定,提高了预测的准确性。
附图说明
图1为基于神经网络的动脉瘤破裂预测方法的第一种实施方式的流程图;
图2为基于神经网络的动脉瘤破裂预测方法的第二种实施方式的流程图;
图3为动脉瘤感兴趣区域示意图;
图4为RIMC和RIMM的性能示意图;
图5为基于神经网络的动脉瘤破裂预测装置的第一种实施方式的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
应当理解,在本发明的各种实施例中,各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
应当理解,在本发明中,“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解,在本发明中,“多个”是指两个或两个以上。“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“包含A、B和C”、“包含A、B、C”是指A、B、C三者都包含,“包含A、B或C”是指包含A、B、C三者之一,“包含A、B和/或C”是指包含A、B、C三者中任1个或任2个或3个。
应当理解,在本发明中,“与A对应的B”、“与A相对应的B”、“A与B相对应”或者“B与A相对应”,表示B与A相关联,根据A可以确定B。根据A确定B并不意味着仅仅根据A确定B,还可以根据A和/或其他信息确定B。A与B的匹配,是A与B的相似度大于或等于预设的阈值。
取决于语境,如在此所使用的“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
本发明提供一种基于神经网络的动脉瘤破裂预测方法,如图1所示其流程图,包括:
步骤S110、获取血管的3D-DSA图像,基于所述3D-DSA图像获取图像中每个动脉瘤的血管几何形状信息以及血液动力学参数。
在步骤S110中,本发明基于3D数字减影血管造影(DSA)获取256×256矩阵重建图像。采用Philips FD 20型DSA机采集所有图像,以相同高压注射器、造影参数及对比剂行全脑血管造影,通过后工作站三维造影和重建数据进行分析和测量。
如图2所示,对3D-DSA图像通过后处理技术获得其六个方向(前后,前后,两侧,上下和下上)的动脉瘤图像。3D-DSA相对于普通DSA具有明显测量优势。目前测量的“金标准”仍然是通过DSA三维重建后人工对其各个参数进行测量。3D-DSA可以通过后处理技术完整呈现动脉瘤及载瘤动脉形态。然后,将神经放射科医生选择的包括动脉瘤的感兴趣区域(ROI)应用于每个图像,如图3所示。当使用模型增强进行阅读时,临床医生以直接覆盖在DSA检查之上的ROI分割的形式提供模型的预测。为了确保所有临床医生都使用熟悉的图像显示界面,模型预测的ROI可在标准DICOM查看软件中显示。
步骤S120、对所述血管几何形状信息以及血液动力学参数中分别包括的平均流量参数、动脉瘤流入率、周转时间进行量化。
步骤S130、将量化后的血管几何形状信息、血液动力学参数以及健康检查数据作为神经网络模型的输入,得到动脉瘤破裂预测数据。
在步骤S130中,神经网络模型包括依次连接的输入层、中间层以及输出层;
所述输入层包括16个神经元,其中每个神经元对应一个特征模型;
所述中间层包括由32个神经元组成的单个隐藏层;
所述血管几何形状信息、血液动力学参数以及健康检查数据分别输入至所述输入层后至所述中间层,所述中间层基于ReLU激活函数输入层输入的数据进行处理后输出至输出层,所述输出层S型函数对中间层输入的数据进行处理得到动脉瘤破裂预测数据。
本发明使用的基础算法神经网络(Neural Networks,NN)是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂网络***,反映了人脑功能的许多基本特征,是一个高度复杂的非线性动力学习***。本发明通过NN算法进行流体动力学设置并使用开放源码软件包血管建模工具套件对IAs的3D-DSA图像进行分割,以获得每个动脉瘤的血管几何形状的表面表示。即血管几何形状信息。因此,为了在每个动脉瘤的计算模型中部署影像设备,本算法使用了现临床通用的虚拟支架植入工作流程。为了准确表示特定于患者的治疗,将影像设备的实际规格(直径和长度)导入工作流程中,进而获得血液动力学参数,本发明采用了基于图像的计算流体动力学(CFD)模拟。
本发明使用的算法是受人脑启发的神经网络(NN)算法,使用高度互连的元素(称为神经元)来处理信息。神经元以分层结构排列,从输入层和端点开始。中间层称为隐藏层。一层中的每个神经元都会对其上一层的输入执行数学运算,并生成单个输出,该输出被馈送到下一层的神经元中。神经元执行的数学运算是其输入的参数线性组合,后跟非线性激活函数。通过计算损失函数并反向传播其梯度以更新网络参数来训练NN。对于本算法的案例,设计了具有由32个神经元组成的单个隐藏层的NN。本输入层具有等于特征数量的神经元,全部特征(AF)模型分别为16个。输出层具有单个神经元,用于估计样本属于被遮挡类别的可能性。在隐藏层中使用了ReLU激活函数,在输出层中使用了S型函数。使用二进制交叉熵损失来训练网络。
所有算法过程均使用十重交叉验证进行。本发明使用接收器工作特性曲线(AUROC)下的面积,用单独的测试数据集评估参数,该曲线由一系列截止点之间的灵敏度和特异性之间的权衡图组成。通过网格搜索确定与训练过程相关的每个参数,以实现最高的AUROC。对于DNN,本发明使用1、3和5个隐藏层共测试了162种DNN训练组合;每层考虑了128、512和1,280个可训练节点;学***衡。
根据本发明的CFD模拟结果,可以量化时间平均流量参数,将动脉瘤囊内的动脉瘤平均速度(AV)和剪切速率(SHR)的大小进行体积平均。血流停滞通过动脉瘤流入率(IR)和周转时间(TT)进行量化,定义为动脉瘤囊体积除以颈部平面的流入率。增加动脉瘤流动转换时间可以加速血液凝固和动脉瘤的血栓阻塞。
RIMC和RIMM这两种公式专门用于识别具有多个IA患者的动脉瘤破裂,在10倍交叉验证期间,其正确预测值分别为93%±4%和90%±4%。
神经网络模型包括基于以下公式得到动脉瘤破裂预测数据,包括:
RIMC=0.45SRHmax+0.17UI+0.21RRT+0.17(分歧)
RIMM=0.65Hmax+0.16UI+0.19(分歧)
其中,其中,RIMc以及RIMm分别为参考信息模型,Hmax为血管最大高度,SRHmax为血管最大高度尺寸比率,UI为起伏指数,UI用于代表动脉瘤表面不规则程度,RRT为相对停留时间。如果动脉瘤是分叉型,则分叉等于1;如果是侧壁型,则分叉等于0。在支持测试队列中,RIMC和RIMM分别可以识别23例患者中92%和85%的IA破裂。如图4显示,RIMC和RIMM在10倍交叉验证和保留测试队列中的性能。
无法及时预测动脉瘤破裂风险存在灾难性的后果,医生非常需要一种能够可靠地检测和增强临床医生表现的自动预测工具。动脉瘤破裂在40%的患者中是致命的,在存活下来的患者中,有三分之二的人会导致不可逆的神经功能障碍。因此,准确及时的预测动脉瘤至关重要。
在当下临床中,出血部位的识别是动脉瘤蛛网膜下出血的治疗的基本。确保在同一环境中发现的所有动脉瘤通常是不可行的,因此临床医生首先要优先处理风险最高的动脉瘤。IA破裂几率的错误识别可能会导致破裂的病灶出血和死亡。在大约50%的患者中,CT图像上的出血模式使对出血源的阳性识别产生了疑问,在这种情况下,临床医生通常仅仅依赖于血管造影结果对危险动脉瘤进行检测。而本发明提供的技术方案可以利用3D-DSA造影影像与患者的各项系数对颅内动脉瘤破裂进行***,参考因素角度,使得预测更加的准确。
本发明与现有的技术相比,本发明提供的复合模型(即RIMC和RIMM相结合进行预测的方式),其性能优于所有单个参数的预测RIMC。在生成RIMC和RIMM时考虑了这些因素。RIMC模型合并了动脉瘤尺寸比,相对保留时间和分叉型。动脉瘤大小与高度分别代表动脉瘤的大小和形状,两者都是建立的形态学指标,用于鉴定IAs破裂。相对停留时间(RRT)是相结合的血液动力学参数。具有高RRT的IA暴露于高的近壁血流淤滞中,这可能会促进炎性细胞浸润和动脉瘤壁降解,从而增加动脉瘤破裂的风险。分叉型是高风险破裂部位的替代,包括前交通动脉,小脑后下动脉和后交通动脉。本预测模型对于出血模式不确定的IA患者很有帮助。在这种情况下,本模型不仅可以仅依靠动脉瘤的大小,形状或位置来描绘破裂源,还可以提供更可靠的参数识别。这些发现有助于改善多发性动脉瘤患者中IAs破裂的临床鉴定。结合了全部16种形态,根据血液动力学参数的NN算法进行预测患者在6个月中动脉瘤破裂结果的准确性为90%。其准确性已可在较大的患者数据库上使用并计算工作流程和机器学习,以临床应用在针对患者的治疗计划和优化中。根据本模型与其大数据,神经放射学家可以访问所有的医学数字成像,原始报告和临床病史,以及注释过程中的前期和后续检查,以确定标签的最佳参考标准。
本***可以帮助患者识别可能破裂并导致蛛网膜下出血的IAs,特别是在患有多发动脉瘤的患者中。多发性动脉瘤的发病率已经被报道为30%以上。但是,其诊断可能是任意的,并且很大程度上取决于神经外科医生的经验。在研究中,经验丰富的脑血管专家的误诊率依旧为53.7%,表明对破裂性动脉瘤的诊断准确性较差。总体而言,与使用所有参数进行预测的本模型相比,以少量参数输入的模型在测试队列中的准确性较低。本参数模型的预测准确度在85%至90%之间。同时,现行学术界使用的IA破裂状况预测的参数模型准确度在55%–75%之间。因此,本预测模型大幅度提高了对破裂动脉瘤的诊断准确性。同时,本预测模型可计算分析工作流程,该流程可从治疗前3D数字减影血管造影(DSA)中提取信息以潜在地预测治疗结果。从概念上讲,此计算工作流程是3D DSA预处理的扩展(如图4)提取相关特征,包括动脉瘤形态,治疗前后血流动力学以及患者参数的特征。在训练和测试中,使用本模型并导入全部16个参数进行IA破裂预测的结果与性能均优于目前所使用的仅有5个重要参数的所有模型。最终,每个病例处理时间仅为17.6秒。在独立内部验证数据中其敏感性为94.4%,在外部数据集中敏感性为84.6%。临床医生的平均敏感度增加0.059(95%CI,0.028-0.091;adjusted P=.01),平均准确度增加0.038(95%CI,0.014-0.062;adjusted P=.02),平均评估者间差异(Fleissκ)增加0.060,从0.799增加到0.859(adjusted P=.05)。该模型对于图像质量的影响具有较高的容忍度。将临床模型预测提高到了相当高的标准与水平。因此可得出结论,本深度学习模型可成功地预测出3D-DSA上临床意义显著颅内动脉瘤的破裂几率与风险。这表明人工智能辅助诊断模型的集成可以通过可靠和准确的预测来增强临床医生的表现,从而优化患者护理。
其中,健康检查数据包括年龄、性别、体重系数、动脉瘤大小、动脉瘤高度、血液相对保留时间、瘤体宽颈与瘤体比、高密度脂蛋白、低密度脂蛋白、壁面剪应力均值、压力均值、丙氨酸转氨酶、吸烟状况、遗传性高血压,遗传性心脏病以及遗传性糖尿病中的任意一种或多种。
在一个实施例中,还包括以下步骤,包括:
获取动脉瘤的部位信息,基于动脉瘤的部位得到该动脉瘤的破裂频率;
将破裂频率最高的动脉瘤识别标记为已经破裂;
若标记为破裂的动脉瘤和未标记为破裂的动脉瘤处于同一个动脉且频率相同,则将次识别为破裂的动脉瘤标记为识别错误。
本发明基于现行的临床诊断进一步细分了用于识别每个患者破裂性IA的每个参数的性能。对于动脉瘤的位置,破裂预测是根据破裂部位频率(前交通动脉,在该位置确定的IAs破裂的62%;基底动脉,50%;PICA,50%;后交通动脉,38%;大脑后动脉:33%;大脑前动脉:33%;ICA:32%;MCA:27%),并识别破裂频率最高的动脉瘤为已经破裂。如果破裂的IA和并存的未破裂的IA位于相同的动脉或动脉,破裂频率相同,则本发明不将其识别为破裂的动脉瘤,且将其归类于错误的预测。本发明基于分叉动脉瘤比侧壁动脉瘤,尤其是小分叉动脉瘤更频繁破裂的假设,使用动脉瘤类型作为破裂动脉瘤的预测因子。基于动脉瘤破裂更频繁地包含复杂血流结构的假设,动脉瘤流动模式被用作动脉瘤破裂的预测因子。最后,本发明可以将破裂预测结果与实际(通过手术或确定性出血模式确认)的动脉瘤破裂状态进行比较。将每个指标的性能量化为阳性预测值,即正确识别破裂的IA的患者人数除以患者总数并作为临床指标应用。
然后,与其他独立风险因素的未经调整逻辑模型相比,本发明使用决策曲线分析(DCA)用于确定与使用新型模型相关的临床净收益。DCA的参考值是通过处理所有IA来计算的,而不处理任何IA则被设置为零净收益。使用Hosmer-Lemeshow测试和校准曲线评估校准。然后,与其他独立风险因素的未经调整逻辑模型相比,决策曲线分析(DCA)可以用于确定与使用新型模型相关的临床净收益。
本发明还提供一种基于神经网络的动脉瘤破裂预测装置,如图5所示,包括:
获取模块,用于获取血管的3D-DSA图像,基于所述3D-DSA图像获取图像中每个动脉瘤的血管几何形状信息以及血液动力学参数;
量化模块,用于对所述血管几何形状信息以及血液动力学参数中分别包括的平均流量参数、动脉瘤流入率、周转时间进行量化;
生成模块,用于将量化后的血管几何形状信息、血液动力学参数以及健康检查数据作为神经网络模型的输入,生成动脉瘤破裂预测数据。
在一个实施例中,所述神经网络模型包括依次连接的输入层、中间层以及输出层;
所述输入层包括16个神经元,其中每个神经元对应一个特征模型;
所述中间层包括由32个神经元组成的单个隐藏层;
所述血管几何形状信息、血液动力学参数以及健康检查数据分别输入至所述输入层后至所述中间层,所述中间层基于ReLU激活函数输入层输入的数据进行处理后输出至输出层,所述输出层S型函数对中间层输入的数据进行处理得到动脉瘤破裂预测数据。
在一个实施例中,所述神经网络模型包括基于以下公式得到动脉瘤破裂预测数据,包括:
RIMC=0.45SRHmax+0.17UI+0.21RRT+0.17(分歧)
RIMM=0.65Hmax+0.16UI+0.19(分歧)
其中,其中,RIMc以及RIMm分别为参考信息模型,Hmax为血管最大高度,SRHmax为血管最大高度尺寸比率,UI为起伏指数,UI用于代表动脉瘤表面不规则程度,RRT为相对停留时间,如果动脉瘤是分叉型,则分叉等于1;如果是侧壁型,则分叉等于0。
在一个实施例中,获取模块,用于获取动脉瘤的部位信息,基于动脉瘤的部位得到该动脉瘤的破裂频率;
标记模块,用于将破裂频率最高的动脉瘤识别标记为已经破裂;
识别模块,用于若标记为破裂的动脉瘤和未标记为破裂的动脉瘤处于同一个动脉且频率相同,则将次识别为破裂的动脉瘤标记为识别错误。
其中,可读存储介质可以是计算机存储介质,也可以是通信介质。通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。计算机存储介质可以是通用或专用计算机能够存取的任何可用介质。例如,可读存储介质耦合至处理器,从而使处理器能够从该可读存储介质读取信息,且可向该可读存储介质写入信息。当然,可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(ApplicationSpecific Integrated Circuits,简称:ASIC)中。另外,该ASIC可以位于用户设备中。当然,处理器和可读存储介质也可以作为分立组件存在于通信设备中。可读存储介质可以是只读存储器(ROM)、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本发明还提供一种程序产品,该程序产品包括执行指令,该执行指令存储在可读存储介质中。设备的至少一个处理器可以从可读存储介质读取该执行指令,至少一个处理器执行该执行指令使得设备实施上述的各种实施方式提供的方法。
在上述终端或者服务器的实施例中,应理解,处理器可以是中央处理单元(英文:Central Processing Unit,简称:CPU),还可以是其他通用处理器、数字信号处理器(英文:Digital Signal Processor,简称:DSP)、专用集成电路(英文:Application SpecificIntegrated Circuit,简称:ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种基于神经网络的动脉瘤破裂预测方法,其特征在于,包括:
获取血管的3D-DSA图像,基于所述3D-DSA图像获取图像中每个动脉瘤的血管几何形状信息以及血液动力学参数;
对所述血管几何形状信息以及血液动力学参数中分别包括的平均流量参数、动脉瘤流入率、周转时间进行量化;
将量化后的血管几何形状信息、血液动力学参数以及健康检查数据作为神经网络模型的输入,得到动脉瘤破裂预测数据。
2.根据权利要求1所述的动脉瘤破裂预测方法,其特征在于,
所述神经网络模型包括依次连接的输入层、中间层以及输出层;
所述输入层包括16个神经元,其中每个神经元对应一个特征模型;
所述中间层包括由32个神经元组成的单个隐藏层;
所述血管几何形状信息、血液动力学参数以及健康检查数据分别输入至所述输入层后至所述中间层,所述中间层基于ReLU激活函数输入层输入的数据进行处理后输出至输出层,所述输出层S型函数对中间层输入的数据进行处理得到动脉瘤破裂预测数据。
3.根据权利要求1所述的动脉瘤破裂预测方法,其特征在于,
所述神经网络模型包括基于以下公式得到动脉瘤破裂预测数据,包括:
RIMC=0.45SRHmax+0.17UI+0.21RRT+0.17(分歧)
RIMM=0.65Hmax+0.16UI+0.19(分歧)
其中,RIMc以及RIMm分别为参考信息模型,Hmax为血管最大高度,SRHmax为血管最大高度尺寸比率,UI为起伏指数,UI用于代表动脉瘤表面不规则程度,RRT为相对停留时间。
4.根据权利要求1所述的动脉瘤破裂预测方法,其特征在于,
所述健康检查数据包括年龄、性别、体重系数、动脉瘤大小、动脉瘤高度、血液相对保留时间、瘤体宽颈与瘤体比、高密度脂蛋白、低密度脂蛋白、壁面剪应力均值、压力均值、丙氨酸转氨酶、吸烟状况、遗传性高血压,遗传性心脏病以及遗传性糖尿病中的任意一种或多种。
5.根据权利要求1所述的动脉瘤破裂预测方法,其特征在于,
获取动脉瘤的部位信息,基于动脉瘤的部位得到该动脉瘤的破裂频率;
将破裂频率最高的动脉瘤识别标记为已经破裂;
若标记为破裂的动脉瘤和未标记为破裂的动脉瘤处于同一个动脉且频率相同,则将次识别为破裂的动脉瘤标记为识别错误。
6.一种基于神经网络的动脉瘤破裂预测装置,其特征在于,包括:
获取模块,用于获取血管的3D-DSA图像,基于所述3D-DSA图像获取图像中每个动脉瘤的血管几何形状信息以及血液动力学参数;
量化模块,用于对所述血管几何形状信息以及血液动力学参数中分别包括的平均流量参数、动脉瘤流入率、周转时间进行量化;
生成模块,用于将量化后的血管几何形状信息、血液动力学参数以及健康检查数据作为神经网络模型的输入,生成动脉瘤破裂预测数据。
7.根据权利要求6所述的动脉瘤破裂预测装置,其特征在于,
所述神经网络模型包括依次连接的输入层、中间层以及输出层;
所述输入层包括16个神经元,其中每个神经元对应一个特征模型;
所述中间层包括由32个神经元组成的单个隐藏层;
所述血管几何形状信息、血液动力学参数以及健康检查数据分别输入至所述输入层后至所述中间层,所述中间层基于ReLU激活函数输入层输入的数据进行处理后输出至输出层,所述输出层S型函数对中间层输入的数据进行处理得到动脉瘤破裂预测数据。
8.根据权利要求6所述的动脉瘤破裂预测装置,其特征在于,
所述神经网络模型包括基于以下公式得到动脉瘤破裂预测数据,包括:
RIMC=0.45SRHmax+0.17UI+0.21RRT+0.17(分歧)
RIMM=0.65Hmax+0.16UI+0.19(分歧)
其中,RIMc以及RIMm分别为参考信息模型,Hmax为血管最大高度,SRHmax为血管最大高度尺寸比率,UI为起伏指数,UI用于代表动脉瘤表面不规则程度,RRT为相对停留时间。
9.根据权利要求6所述的动脉瘤破裂预测装置,其特征在于,
获取模块,用于获取动脉瘤的部位信息,基于动脉瘤的部位得到该动脉瘤的破裂频率;
标记模块,用于将破裂频率最高的动脉瘤识别标记为已经破裂;
识别模块,用于若标记为破裂的动脉瘤和未标记为破裂的动脉瘤处于同一个动脉且频率相同,则将次识别为破裂的动脉瘤标记为识别错误。
10.一种可读存储介质,其特征在于,所述可读存储介质中存储有计算机程序,所述计算机程序被处理器执行时用于实现权利要求1至5任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110336245.1A CN113066574A (zh) | 2021-03-29 | 2021-03-29 | 基于神经网络的动脉瘤破裂预测方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110336245.1A CN113066574A (zh) | 2021-03-29 | 2021-03-29 | 基于神经网络的动脉瘤破裂预测方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113066574A true CN113066574A (zh) | 2021-07-02 |
Family
ID=76564326
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110336245.1A Pending CN113066574A (zh) | 2021-03-29 | 2021-03-29 | 基于神经网络的动脉瘤破裂预测方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113066574A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114145843A (zh) * | 2021-11-05 | 2022-03-08 | 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 |
CN115227274A (zh) * | 2022-09-19 | 2022-10-25 | 南京邮电大学 | 基于深度学习的动脉瘤检测方法 |
CN116525121A (zh) * | 2023-07-05 | 2023-08-01 | 昆明同心医联科技有限公司 | 栓塞动脉瘤的首发弹簧圈推荐模型建立方法及其应用 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110517780A (zh) * | 2019-09-02 | 2019-11-29 | 强联智创(北京)科技有限公司 | 一种动脉瘤破裂风险评估方法及*** |
CN111415321A (zh) * | 2018-12-19 | 2020-07-14 | 上海联影医疗科技有限公司 | 动脉瘤破裂风险检测装置及设备 |
-
2021
- 2021-03-29 CN CN202110336245.1A patent/CN113066574A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111415321A (zh) * | 2018-12-19 | 2020-07-14 | 上海联影医疗科技有限公司 | 动脉瘤破裂风险检测装置及设备 |
CN110517780A (zh) * | 2019-09-02 | 2019-11-29 | 强联智创(北京)科技有限公司 | 一种动脉瘤破裂风险评估方法及*** |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114145843A (zh) * | 2021-11-05 | 2022-03-08 | 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 |
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 |
CN115227274A (zh) * | 2022-09-19 | 2022-10-25 | 南京邮电大学 | 基于深度学习的动脉瘤检测方法 |
CN115227274B (zh) * | 2022-09-19 | 2022-11-25 | 南京邮电大学 | 基于深度学习的动脉瘤检测*** |
CN116525121A (zh) * | 2023-07-05 | 2023-08-01 | 昆明同心医联科技有限公司 | 栓塞动脉瘤的首发弹簧圈推荐模型建立方法及其应用 |
CN116525121B (zh) * | 2023-07-05 | 2023-09-26 | 昆明同心医联科技有限公司 | 栓塞动脉瘤的首发弹簧圈推荐模型建立方法及其应用 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10483006B2 (en) | Learning based methods for personalized assessment, long-term prediction and management of atherosclerosis | |
Shum et al. | Quantitative assessment of abdominal aortic aneurysm geometry | |
EP3404667B1 (en) | Learning based methods for personalized assessment, long-term prediction and management of atherosclerosis | |
CN107851464B (zh) | 用于针对个体患者进行疾病进展建模和疗法优化的方法和*** | |
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 | |
CN111415321B (zh) | 动脉瘤破裂风险检测装置及设备 | |
US20230277151A1 (en) | System and Methods of Prediction of Ischemic Brain Tissue Fate from Multi-Phase CT-Angiography in Patients with Acute Ischemic Stroke using Machine Learning | |
Hachaj et al. | CAD system for automatic analysis of CT perfusion maps | |
Chen et al. | Generative adversarial network based cerebrovascular segmentation for time-of-flight magnetic resonance angiography image | |
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 | |
US20220093267A1 (en) | Noninvasive real-time patient-specific assessment of stroke severity | |
García-Temza et al. | Comparison of different machine learning approaches to model stroke subtype classification and risk prediction | |
Tursynova et al. | Deep learning-enabled brain stroke classification on computed tomography images | |
Alidoost et al. | Model utility of a deep learning-based segmentation is not Dice coefficient dependent: A case study in volumetric brain blood vessel segmentation | |
CN109727660B (zh) | 在医学成像中针对血液动力学量化的不确定性或敏感性的机器学习预测 | |
CN115546123A (zh) | 基于机器学习的腹主动脉瘤破裂风险的预测*** | |
Jung et al. | Evaluating a deep-learning system for automatically calculating the stroke ASPECT score | |
Wan et al. | Automatic diagnosis of different types of retinal vein occlusion based on fundus images | |
Huang et al. | Deep learning techniques for imaging diagnosis and treatment of aortic aneurysm | |
Nugroho et al. | Quad Convolutional Layers (QCL) CNN Approach for Classification of Brain Stroke in Diffusion Weighted (DW)-Magnetic Resonance Images (MRI). | |
Archana et al. | Classification of plaque in carotid artery using intravascular ultrasound images (IVUS) by machine learning techniques | |
You et al. | Diagnosis of intracranial aneurysms by computed tomography angiography using deep learning-based detection and segmentation | |
EP4053853A1 (en) | Apparatus for determining a temporal breast cancer risk | |
US20220351862A1 (en) | Prediction of the onset of critical limb threatening ischemia (clti) | |
Dubey et al. | DBSU: A New Fusion Algorithm for Clustering of Diabetic Retinopathy Disease |
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 |