CN115148368A - 一种基于深度学习推荐首发弹簧圈的方法、装置及存储介质 - Google Patents

一种基于深度学习推荐首发弹簧圈的方法、装置及存储介质 Download PDF

Info

Publication number
CN115148368A
CN115148368A CN202210752156.XA CN202210752156A CN115148368A CN 115148368 A CN115148368 A CN 115148368A CN 202210752156 A CN202210752156 A CN 202210752156A CN 115148368 A CN115148368 A CN 115148368A
Authority
CN
China
Prior art keywords
aneurysm
image
target
feature
recommending
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
Application number
CN202210752156.XA
Other languages
English (en)
Inventor
刘伟奇
马学升
陈金钢
徐鹏
赵友源
陈磊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Kunming Tongxin Yilian Technology Co ltd
Original Assignee
Kunming Tongxin Yilian Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Kunming Tongxin Yilian Technology Co ltd filed Critical Kunming Tongxin Yilian Technology Co ltd
Priority to CN202210752156.XA priority Critical patent/CN115148368A/zh
Publication of CN115148368A publication Critical patent/CN115148368A/zh
Pending legal-status Critical Current

Links

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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B17/00—Surgical instruments, devices or methods, e.g. tourniquets
    • A61B17/12—Surgical instruments, devices or methods, e.g. tourniquets for ligaturing or otherwise compressing tubular parts of the body, e.g. blood vessels, umbilical cord
    • A61B17/12022—Occluding by internal devices, e.g. balloons or releasable wires
    • A61B17/12099—Occluding by internal devices, e.g. balloons or releasable wires characterised by the location of the occluder
    • A61B17/12109—Occluding by internal devices, e.g. balloons or releasable wires characterised by the location of the occluder in a blood vessel
    • A61B17/12113—Occluding by internal devices, e.g. balloons or releasable wires characterised by the location of the occluder in a blood vessel within an aneurysm
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B17/00—Surgical instruments, devices or methods, e.g. tourniquets
    • A61B17/12—Surgical instruments, devices or methods, e.g. tourniquets for ligaturing or otherwise compressing tubular parts of the body, e.g. blood vessels, umbilical cord
    • A61B17/12022—Occluding by internal devices, e.g. balloons or releasable wires
    • A61B17/12131—Occluding by internal devices, e.g. balloons or releasable wires characterised by the type of occluding device
    • A61B17/1214—Coils or wires
    • 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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Surgery (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Molecular Biology (AREA)
  • Veterinary Medicine (AREA)
  • Business, Economics & Management (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Reproductive Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Theoretical Computer Science (AREA)
  • Vascular Medicine (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Urology & Nephrology (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Pathology (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Neurosurgery (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本申请实施例公开了一种基于深度学习推荐首发弹簧圈的方法、装置及存储介质，其中基于深度学习推荐首发弹簧圈的方法包括步骤：获取待预测目标影像，基于预先构建的特征提取模型，确定所述待预测目标影像中的第一目标特征；通过预先选定的图像旋转轴旋转所述第一目标特征，获取旋转后所述第一目标特征各个方向对应的形态学参数；根据所述形态学参数，通过预先构建的特征识别模型，确定第二目标特征，其中所述第一目标特征包括动脉瘤对应的3D图像，所述第二目标特征包括所述动脉瘤对应的首发弹簧圈。

Description

一种基于深度学习推荐首发弹簧圈的方法、装置及存储介质
技术领域
本申请涉及人工智能算法辅助医学技术领域，具体涉及一种基于深度学习推荐首发弹簧圈的方法、装置及存储介质。
背景技术
颅内动脉瘤是导致蛛网膜下腔出血的主要原因，全世界每年有近50万人死于颅内动脉瘤，中国人群发病率约为5％。颅内动脉瘤是指颅内动脉管壁上出现异常膨出，极易诱发蛛网膜下腔出血。目前临床尚未完全明确颅内动脉瘤的发病机制，血管炎、脑动脉硬化以及高血压可能是其危险因素，一旦颅内动脉瘤发生破裂，将给患者的生命安全带来严重威胁。因此，临床加强对颅内破裂动脉瘤的治疗非常重要。颅内动脉瘤多由脑部动脉血管异常膨出所致，通常无明显症状，随着瘤体增大可逐渐增大对血管及神经组织压迫作用，引起头晕、视物模糊等症状，若不及时治疗，颅内动脉瘤一旦发生破裂，还可威胁患者生命。目前血管内介入为治疗颅内动脉瘤常用方式，具有入路简单、创伤小等特点，通过弹簧圈栓塞，可减少血流对瘤体血管冲击，促使破裂动脉瘤形成血栓愈合，达到治愈目的。
因此，基于动脉瘤的血管形态及血流动力学基础，个性化的弹簧圈选择规划是目前神经外科医生面对的临床难题。动脉瘤的复发和栓塞是致密度是密切相关的，栓塞程度的评估通过测定脑血管造影下未充盈区域占动脉瘤腔的比例，最佳的动脉瘤栓塞，应达到囊内致密填塞，但是达到这种致密栓塞需要合理规划手术过程中每个弹簧圈的选择，避免错误的选择后导致的动脉瘤残留。随着血管内栓塞技术不断提高及临床新型材料的应用，动脉瘤栓塞术治疗效果显著，已被临床认可，要选择优质的栓塞材料，提高手术操作水平，在栓塞治疗时尽量做到完全栓塞、致密栓塞，同时加强管理及时发现问题，可有效减少动脉瘤栓塞术后复发，提高手术治疗效果。
目前，现有技术无法在术前根据高风险未破裂动脉瘤的血管形态推荐首发弹簧圈栓塞，选择一个个性化的手术治疗方案，从而造成患者的治疗效果及预后生活质量降低，因此神经外科医生急需要一款能够辅助手术辅助推荐弹簧圈的方法。
发明内容
本申请实施例的目的在于提供一种基于深度学习推荐首发弹簧圈的方法、装置及存储介质，用以解决现有技术无法在术前根据高风险未破裂动脉瘤的血管形态推荐首发弹簧圈栓塞，选择一个个性化的手术治疗方案，从而造成患者的治疗效果及预后生活质量降低的问题。
为实现上述目的，本申请实施例提供一种基于深度学习推荐首发弹簧圈的方法，包括步骤：获取待预测目标影像，基于预先构建的特征提取模型，确定所述待预测目标影像中的第一目标特征；通过预先选定的图像旋转轴旋转所述第一目标特征，获取旋转后所述第一目标特征各个方向对应的形态学参数；根据所述形态学参数，通过预先构建的特征识别模型，确定第二目标特征，其中所述第一目标特征包括动脉瘤对应的3D图像，所述第二目标特征包括所述动脉瘤对应的首发弹簧圈。
可选地，所述特征提取模型包括基于对UN-Net神经网络进行训练后获得的动脉瘤识别算法，用于从所述待预测目标影像中获取所述动脉瘤对应的3D图像。
可选地，所述特征识别模型包括支持向量机模型，用于基于输入的所述形态学参数，输出对应的所述首发弹簧圈的规格参数。
可选地，所述形态学参数包括所述动脉瘤的长度、宽度、体积、高度、表面积、短颈、长颈和瘤颈直径信息。
可选地，获取所述待预测目标影像的方法包括：从CAT上获取DICOM格式的待处理动脉瘤影像数据，对DICOM格式的所述待处理动脉瘤影像的非必要数据进行删除，将DICOM格式的所述待处理动脉瘤影像转换为NII.GZ格式的所述待预测目标影像。
为实现上述目的，本申请还提供一种基于深度学习推荐首发弹簧圈的装置，包括：存储器；以及
与所述存储器连接的处理器，所述处理器被配置成：
获取待预测目标影像，基于预先构建的特征提取模型，确定所述待预测目标影像中的第一目标特征；通过预先选定的图像旋转轴旋转所述第一目标特征，获取旋转后所述第一目标特征各个方向对应的形态学参数；根据所述形态学参数，通过预先构建的特征识别模型，确定第二目标特征，其中所述第一目标特征包括动脉瘤对应的3D图像，所述第二目标特征包括所述动脉瘤对应的首发弹簧圈。
可选地，所述处理器还被配置成：所述特征提取模型包括基于对UN-Net神经网络进行训练后获得的动脉瘤识别算法，用于从所述待预测目标影像中获取所述动脉瘤对应的3D图像。
可选地，所述处理器还被配置成：所述特征识别模型包括支持向量机模型，用于基于输入的所述形态学参数，输出对应的所述首发弹簧圈的规格参数。
可选地，所述处理器还被配置成：所述形态学参数包括所述动脉瘤的长度、宽度、体积、高度、表面积、短颈、长颈和瘤颈直径信息。
为实现上述目的，本申请还提供一种计算机存储介质，其上存储有计算机程序，其中所述计算机程序被机器执行时实现如上所述的方法的步骤。
本申请实施例具有如下优点：
1.本申请实施例提供一种基于深度学习推荐首发弹簧圈的方法，包括步骤：获取待预测目标影像，基于预先构建的特征提取模型，确定所述待预测目标影像中的第一目标特征；通过预先选定的图像旋转轴旋转所述第一目标特征，获取旋转后所述第一目标特征各个方向对应的形态学参数；根据所述形态学参数，通过预先构建的特征识别模型，确定第二目标特征，其中所述第一目标特征包括动脉瘤对应的3D图像，所述第二目标特征包括所述动脉瘤对应的首发弹簧圈。
通过上述方法，利用计算机的深度算法推荐弹簧圈，根据动脉瘤的图像对手术过程中的首发弹簧圈进行分析及合理规划，减少动脉瘤栓塞后的囊腔残留，首发弹簧圈的合理选择后可以达到手术过程中最少的选择弹簧圈的对动脉瘤进行完全栓塞的效果，减少手术花费及并发症的情况。解决了目前动脉瘤手术时术前规划和术中的弹簧圈无法模拟和选择的问题，避免术者的经验不足导致的耗材浪费，缩短手术时间，减少手术并发症，提高预后生活治疗。
附图说明
为了更清楚地说明本申请的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
图1为本申请实施例提供的一种基于深度学习推荐首发弹簧圈的方法的流程图；
图2为本申请实施例提供的一种基于深度学习推荐首发弹簧圈的方法的动脉瘤识别算法示意图；
图3为本申请实施例提供的一种基于深度学习推荐首发弹簧圈的方法的动脉瘤识别算法识别效果示意图；
图4为本申请实施例提供的一种基于深度学习推荐首发弹簧圈的方法的动脉瘤识别算法模型导出的动脉瘤形态学参数示意图；
图5为本申请实施例提供的一种基于深度学***面效果图；
图6为本申请实施例提供的一种基于深度学习推荐首发弹簧圈的方法的推荐的首发弹簧圈规格；
图7为本申请实施例提供的一种基于深度学习推荐首发弹簧圈的装置的模块框图。
具体实施方式
以下由特定的具体实施例说明本申请的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本申请的其他优点及功效，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
此外，下面所描述的本申请不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
本申请一实施例提供一种基于深度学习推荐首发弹簧圈的方法，参考图1，图1为本申请的一实施方式中提供的一种基于深度学习推荐首发弹簧圈的方法的流程图，应当理解的是，该方法还可以包括未示出的附加框和/或可以省略所示出的框，本申请的范围在此方面不受限制。
在步骤101处，获取待预测目标影像，基于预先构建的特征提取模型，确定所述待预测目标影像中的第一目标特征。
在一些实施例中，获取所述待预测目标影像的方法包括：从CAT上获取DICOM格式的待处理动脉瘤影像数据，对DICOM格式的所述待处理动脉瘤影像的非必要数据进行删除，将DICOM格式的所述待处理动脉瘤影像转换为NII.GZ格式的所述待预测目标影像。
具体地，首先从CTA上获取动脉瘤数据(DICOM格式)，针对获取DICOM格式的待处理的医学影像，对非必要数据进行删除，并将DICOM格式的所述待处理的医学影像转换为NII.GZ格式的待预测影像。CTA又称为CT血管成像，是利用CT对人体进行扫描之后，利用三维重建技术把血管显示出来，在一定范围内可以代替常规的血管造影。DICOM格式是一个存储医疗图像的文件格式协议。DICOM是医学数字成像和通信，是医学图像和相关信息的国际标准，它定义了质量能满足临床需要的可用于数据交换的医学图像格式。NII.GZ格式是医学图像常用的压缩格式。
在一些实施例中，所述特征提取模型包括基于对UN-Net神经网络进行训练后获得的动脉瘤识别算法，用于从所述待预测目标影像中获取所述动脉瘤对应的3D图像。
具体地，动脉瘤识别算法是通过UN-Net的20层神经网络训练获得的，参考图2，UN-Net是一个卷积神经网络，它由收缩和扩展路径以及将收缩和扩展路径的特征组合起来的连接路径组成。当图像特征图通过连续层时，收缩路径减小了图像特征图的大小，避开像素相关的局部信息以获得更大规模的上下文信息。扩展路径对来自收缩路径的低分辨率信息进行上采样，最终重新建立输入图像的全像素分辨率。卷积神经网络的训练过程包括前向传播和后向传播的连续迭代。前向传播涉及将输入图像纳入网络，最终返回对应的每像素或然预测输出集，即位于动脉瘤内。将此输出与用户注释的病灶图像进行比较会产生一个损失，这里计算为负骰子系数，它测量用户注释的动脉瘤图像和卷积神经网络预测的图像之间的重叠：
Figure BDA0003718674220000071
反向传播使用损失函数通过最陡梯度下降法更新参数值。最速下降的方向是通过计算公式：
Figure BDA0003718674220000072
最小化损失的更新过程是通过Adam优化算法执行的，步长为1×10-5。初始权重是随机选择的，均值为0。卷积神经网络调整权重的方差以产生与有效训练兼容的激活函数。动脉瘤识别算法对载瘤动脉及动脉瘤的医学影像进行重建和分割，获取识别后的动脉瘤图像。算法对动脉瘤识别效果参考图3所示。
在步骤102处，通过预先选定的图像旋转轴旋转所述第一目标特征，获取旋转后所述第一目标特征各个方向对应的形态学参数。
在一些实施例中，所述形态学参数包括所述动脉瘤的长度、宽度、体积、高度、表面积、短颈、长颈和瘤颈直径信息。
具体地，对首发弹簧圈的选择，首先需要确定动脉瘤的最大长度。颅内的动脉瘤体积(IAV)可以近似为一个椭球体的体积，动脉瘤的长度(D)和宽度(W)分别为长轴和短轴。
Figure BDA0003718674220000073
为了提供更精确的计算动脉瘤体积(IAV)、如果根据重建的3D图像进行计算会更准确。然而，临床上在大多数情况下患者的治疗方案是基于一张二维动脉造影图像进行的评估和设计的，该图像并非是按照动脉瘤成直角的角度拍摄。根据本申请的方案，使用通过围绕穹顶轴旋转动脉瘤图像测量的动脉瘤的长度(D)、宽度(W)、宽径、横径、高度及瘤颈直径，参考图4，使用公式(1)计算的体积的比传统计算方式具有更高的精度。
在步骤103处，根据所述形态学参数，通过预先构建的特征识别模型，确定第二目标特征，其中所述第一目标特征包括动脉瘤对应的3D图像，所述第二目标特征包括所述动脉瘤对应的首发弹簧圈。
在一些实施例中，所述特征识别模型包括支持向量机模型，用于基于输入的所述形态学参数，输出对应的所述首发弹簧圈的规格参数。
具体地，首先本申请是运用支持向量机(SVM)是在线性最优超平面构造的概念下引用的。运用SVM对动脉瘤的首发弹簧圈进行推荐，将动脉瘤的长度、宽度和体积的数据分为两组的情况下，最佳超平面是使两个类之间的距离最大化的平面，参考图4，超平面的定义及C的公式如下：
Figure BDA0003718674220000081
其中Wi是超平面常数，c是常数。
对于以上数值的分级问题，训练模型数据库中数值将被定义为
Figure BDA0003718674220000082
和
Figure BDA0003718674220000083
训练阶段的弹簧圈的目标是确定wi的价值。假设有m个训练数据(P1，P2，…，Pm)，训练模型阶段将按照公式3解决模型推算弹簧圈的最终尺寸。
Figure BDA0003718674220000084
从属于
Figure BDA0003718674220000085
推算K＝1,2,......,m (3)
rk是Pk和Pk,i的类别，i是Pk的第i个元素，当Pk分别属于C1和C2时，rk设置为1和-1。
Q的支持向量机的分类只需通过测试
Figure BDA0003718674220000086
的数值，如果为负值，Q将被归类为C2类；否则，它被归类为C1类。
在支持向量机(SVM)中，利用核函数将非线性分类转化为线性分类。支持向量机的效率取决于核函数的类型。测试的线性函数(k)如以下所示:
线性函数：
Figure BDA0003718674220000091
ɑ次多项式：
Figure BDA0003718674220000092
其中γ和r由发明使用者进行设置。
径向基函数：
Figure BDA0003718674220000093
γ是由使用者进行设置。图5显示的本发明专利SVM算法的模拟平面效果图，其中x和o分别代表C1和C2分类中的点，SVM分类器显示类间距离最大的平面。
通过上述步骤将动脉瘤的长度、宽度、体积、高度、表面积、短颈、长颈、表面积及瘤颈直径信息输入映射矩阵，利用SVM算法，对栓塞动脉瘤的首发弹簧圈进行预测和推荐，并输出显示首发弹簧圈的直径和长度，参考图6，达到术中完全栓塞，避免瘤颈残留和动脉瘤复发。
本申请根据以上的深度算法合理规划动脉瘤栓塞过程中每个弹簧圈的大小、品牌及型号的推荐，可以减少不必要的耗材浪费，减少血管内操作，避免出现血管痉挛，减少不必要的手术耗材的浪费，降低医保支出，减轻手术经济负担，提高治疗效果及预后生活质量。
个性化的弹簧圈选择手术规划方案是可以减少动脉瘤的复发瘤颈残留的重要手段，手术过程中根据术前规划选择合适的弹簧圈，达到最佳的动脉瘤瘤内致密填塞，避免错误的选择后导致的动脉瘤残留。
随着血管内栓塞技术不断提高及大量新型的弹簧圈的临床应用，动脉瘤栓塞技术日新月异，弹簧圈品牌、型号和大小更新迭代快，所以根据术前对动脉瘤的手术材料的合理规划，减少血管内操作，避免出现血管痉挛，首发弹簧圈的合理选择可以减少不必要的手术耗材的浪费，降低医保支出，减轻手术经济负担，提高治疗效果及预后生活质量。
目前国内的动脉瘤栓塞技术虽然神经外科领域越来越普及，但是一些地方医院的动脉瘤手术技术仍需要提高，手术时对弹簧圈的选择仍有误解，本申请的大量临床应用可以让神经外科手术经验普及到基层医院，提高了全国的动脉瘤介入手术治疗水平。
因为动脉瘤的位置和周围血管的毗邻关系的复杂性，本申请可以减少弹簧圈的选择时间和手术的治疗时间，随着弹簧圈的逐渐栓塞，可供选择的弹簧圈会逐渐减少，缩短了麻醉和整体手术的治疗时间，减少了手术时间过长导致肺栓塞、心梗的风险和意外，缩短了住院治疗时间。
通过上述方法，利用计算机的深度算法推荐弹簧圈，根据动脉瘤的图像对手术过程中的首发弹簧圈进行分析及合理规划，减少动脉瘤栓塞后的囊腔残留，首发弹簧圈的合理选择后可以达到手术过程中最少的选择弹簧圈的对动脉瘤进行完全栓塞的效果，减少手术花费及并发症的情况。解决了目前动脉瘤手术时术前规划和术中的弹簧圈无法模拟和选择的问题，避免术者的经验不足导致的耗材浪费，缩短手术时间，减少手术并发症，提高预后生活治疗。
图7为本申请实施例提供的一种基于深度学习推荐首发弹簧圈的装置的模块框图。该装置包括：
存储器201；以及与所述存储器201连接的处理器202，所述处理器202被配置成：获取待预测目标影像，基于预先构建的特征提取模型，确定所述待预测目标影像中的第一目标特征；通过预先选定的图像旋转轴旋转所述第一目标特征，获取旋转后所述第一目标特征各个方向对应的形态学参数；根据所述形态学参数，通过预先构建的特征识别模型，确定第二目标特征，其中所述第一目标特征包括动脉瘤对应的3D图像，所述第二目标特征包括所述动脉瘤对应的首发弹簧圈。
在一些实施例中，所述处理器202还被配置成：所述特征提取模型包括基于对UN-Net神经网络进行训练后获得的动脉瘤识别算法，用于从所述待预测目标影像中获取所述动脉瘤对应的3D图像。
在一些实施例中，所述处理器202还被配置成：所述特征识别模型包括支持向量机模型，用于基于输入的所述形态学参数，输出对应的所述首发弹簧圈的规格参数。
在一些实施例中，所述处理器202还被配置成：所述形态学参数包括所述动脉瘤的长度、宽度、体积、高度、表面积、短颈、长颈和瘤颈直径信息。
在一些实施例中，所述处理器202还被配置成：获取所述待预测目标影像的方法包括：从CAT上获取DICOM格式的待处理动脉瘤影像数据，对DICOM格式的所述待处理动脉瘤影像的非必要数据进行删除，将DICOM格式的所述待处理动脉瘤影像转换为NII.GZ格式的所述待预测目标影像。
具体实现方法参考前述方法实施例，此处不再赘述。
本申请可以是方法、装置、***和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本申请的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本申请操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本申请的各个方面。
这里参照根据本申请实施例的方法、装置(***)和计算机程序产品的流程图和/或框图描述了本申请的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理单元，从而生产出一种机器，使得这些指令在通过计算机或其他可编程数据处理装置的处理单元执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其他可编程数据处理装置、或其他设备上，使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其他可编程数据处理装置、或其他设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本申请的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
注意，除非另有直接说明，否则本说明书(包含任何所附权利要求、摘要和附图)中所揭示的所有特征皆可由用于达到相同、等效或类似目的的可替代特征来替换。因此，除非另有明确说明，否则所公开的每一个特征仅是一组等效或类似特征的一个示例。在使用到的情况下，进一步地、较优地、更进一步地和更优地是在前述实施例基础上进行另一实施例阐述的简单起头，该进一步地、较优地、更进一步地或更优地后带的内容与前述实施例的结合作为另一实施例的完整构成。在同一实施例后带的若干个进一步地、较优地、更进一步地或更优地设置之间可任意组合的组成又一实施例。
虽然，上文中已经用一般性说明及具体实施例对本申请作了详尽的描述，但在本申请基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本申请精神的基础上所做的这些修改或改进，均属于本申请要求保护的范围。

Claims (10)

1.一种基于深度学习推荐首发弹簧圈的方法，其特征在于，包括以下步骤：
获取待预测目标影像，基于预先构建的特征提取模型，确定所述待预测目标影像中的第一目标特征；
通过预先选定的图像旋转轴旋转所述第一目标特征，获取旋转后所述第一目标特征各个方向对应的形态学参数；
根据所述形态学参数，通过预先构建的特征识别模型，确定第二目标特征，其中
所述第一目标特征包括动脉瘤对应的3D图像，所述第二目标特征包括所述动脉瘤对应的首发弹簧圈。
2.根据权利要求1所述的基于深度学习推荐首发弹簧圈的方法，其特征在于，包括：
所述特征提取模型包括基于对UN-Net神经网络进行训练后获得的动脉瘤识别算法，用于从所述待预测目标影像中获取所述动脉瘤对应的3D图像。
3.根据权利要求1所述的基于深度学习推荐首发弹簧圈的方法，其特征在于，包括：
所述特征识别模型包括支持向量机模型，用于基于输入的所述形态学参数，输出对应的所述首发弹簧圈的规格参数。
4.根据权利要求1所述的基于深度学习推荐首发弹簧圈的方法，其特征在于，包括：
所述形态学参数包括所述动脉瘤的长度、宽度、体积、高度、表面积、短颈、长颈和瘤颈直径信息。
5.根据权利要求1所述的基于深度学习推荐首发弹簧圈的方法，其特征在于，
获取所述待预测目标影像的方法包括：从CAT上获取DICOM格式的待处理动脉瘤影像数据，对DICOM格式的所述待处理动脉瘤影像的非必要数据进行删除，将DICOM格式的所述待处理动脉瘤影像转换为NII.GZ格式的所述待预测目标影像。
6.一种基于深度学习推荐首发弹簧圈的装置，其特征在于，包括：
存储器；以及
与所述存储器连接的处理器，所述处理器被配置成：
获取待预测目标影像，基于预先构建的特征提取模型，确定所述待预测目标影像中的第一目标特征；
通过预先选定的图像旋转轴旋转所述第一目标特征，获取旋转后所述第一目标特征各个方向对应的形态学参数；
根据所述形态学参数，通过预先构建的特征识别模型，确定第二目标特征，其中
所述第一目标特征包括动脉瘤对应的3D图像，所述第二目标特征包括所述动脉瘤对应的首发弹簧圈。
7.根据权利要求6所述的基于深度学习推荐首发弹簧圈的装置，其特征在于，所述处理器还被配置成：
所述特征提取模型包括基于对UN-Net神经网络进行训练后获得的动脉瘤识别算法，用于从所述待预测目标影像中获取所述动脉瘤对应的3D图像。
8.根据权利要求6所述的基于深度学习推荐首发弹簧圈的装置，其特征在于，所述处理器还被配置成：
所述特征识别模型包括支持向量机模型，用于基于输入的所述形态学参数，输出对应的所述首发弹簧圈的规格参数。
9.根据权利要求6所述的基于深度学习推荐首发弹簧圈的装置，其特征在于，所述处理器还被配置成：
所述形态学参数包括所述动脉瘤的长度、宽度、体积、高度、表面积、短颈、长颈和瘤颈直径信息。
10.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被机器执行时实现如权利要求1至5中任一项所述的方法的步骤。
CN202210752156.XA 2022-06-28 2022-06-28 一种基于深度学习推荐首发弹簧圈的方法、装置及存储介质 Pending CN115148368A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210752156.XA CN115148368A (zh) 2022-06-28 2022-06-28 一种基于深度学习推荐首发弹簧圈的方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210752156.XA CN115148368A (zh) 2022-06-28 2022-06-28 一种基于深度学习推荐首发弹簧圈的方法、装置及存储介质

Publications (1)

Publication Number Publication Date
CN115148368A true CN115148368A (zh) 2022-10-04

Family

ID=83410776

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210752156.XA Pending CN115148368A (zh) 2022-06-28 2022-06-28 一种基于深度学习推荐首发弹簧圈的方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN115148368A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
KR101974786B1 (ko) 뇌동맥류 병변의 특성을 이용한 중증도 및 예후 예측 방법 및 시스템
US9830427B2 (en) Method for intracranial aneurysm analysis and endovascular intervention planning
US11955237B2 (en) Decision support tool for stroke patients
US11357469B2 (en) Systems and methods for assessing the severity of plaque and/or stenotic lesions using contrast distribution predictions and measurements
US10881465B2 (en) Systems and methods for assessing organ and/or tissue transplantation by simulating one or more transplant characteristics
US20130077839A1 (en) Temporal Difference Encoding for Angiographic Image Sequences
US11526994B1 (en) Labeling, visualization, and volumetric quantification of high-grade brain glioma from MRI images
CN112740334A (zh) 医学成像中的血管内植入物决定支持
CN115147390A (zh) 基于深度学习的推荐栓塞动脉瘤的弹簧圈的方法及装置
CN115148368A (zh) 一种基于深度学习推荐首发弹簧圈的方法、装置及存储介质
Caton Jr et al. Three‐dimensional cinematic rendering to optimize visualization of cerebrovascular anatomy and disease in CT angiography
Clarençon et al. Elaboration of a semi-automated algorithm for brain arteriovenous malformation segmentation: initial results
JP2020187687A (ja) 医用情報処理装置
CN116485820B (zh) 动静脉图像提取方法、装置及非易失性存储介质
WO2015172853A1 (en) Inference transparency system for image-based clinical decision support systems
Karmonik et al. Magnetic resonance imaging as a tool to assess reliability in simulating hemodynamics in cerebral aneurysms with a dedicated computational fluid dynamics prototype: preliminary results
US11704826B2 (en) Diagnostic imaging support apparatus capable of automatically selecting an image for extracting a contour from among a plurality of images of different types, diagnostic imaging support method therefor, and non-transitory recording medium for storing diagnostic imaging support program therefor
CN116525121B (zh) 栓塞动脉瘤的首发弹簧圈推荐模型建立方法及其应用
KR102556646B1 (ko) 의료 영상 생성 방법 및 장치
Bizjak et al. Novel dataset and evaluation of state-of-the-art vessel segmentation methods
US20210304872A1 (en) Artificial neural network combining sensory signal classification and image generation
Pravdivtseva et al. The effect of the size of the new Contour neurovascular device for altering intraaneurysmal flow
EP4125033A1 (en) Predicting embolization procedure status
Koizumi et al. Patient-specific cerebral 3D vessel model reconstruction using deep learning
WO2022268767A1 (en) Predicting embolization procedure status

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