CN115171852A - 基于深度学习推荐弹簧圈栓塞高风险动脉瘤方法 - Google Patents

基于深度学习推荐弹簧圈栓塞高风险动脉瘤方法 Download PDF

Info

Publication number
CN115171852A
CN115171852A CN202210752108.0A CN202210752108A CN115171852A CN 115171852 A CN115171852 A CN 115171852A CN 202210752108 A CN202210752108 A CN 202210752108A CN 115171852 A CN115171852 A CN 115171852A
Authority
CN
China
Prior art keywords
aneurysm
coil
spring ring
spring
embolism
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
CN202210752108.0A
Other languages
English (en)
Inventor
刘伟奇
陈磊
马学升
陈金钢
徐鹏
赵友源
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 CN202210752108.0A priority Critical patent/CN115171852A/zh
Publication of CN115171852A publication Critical patent/CN115171852A/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
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • 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
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Surgery (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Molecular Biology (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Reproductive Health (AREA)
  • Vascular Medicine (AREA)
  • Primary Health Care (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Epidemiology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Radiology & Medical Imaging (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Neurosurgery (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Surgical Instruments (AREA)

Abstract

本公开实施例公开了基于深度学习推荐弹簧圈栓塞高风险动脉瘤方法。具体包括以下方法：在CAT上获取DICOM格式的待处理动脉瘤医学影像数据，并将DICOM格式的待处理动脉瘤医学影像转换为NII.GZ格式的待预测动脉瘤医学影像；通过UN‑Net的20层神经网络训练对动脉瘤医学影像中的载瘤动脉图像和动脉瘤图像进行重建和分割，得到动脉瘤识别算法；通过UP3预设路径规划的动脉瘤识别算法输入，获取弹簧圈的规格；通过UP3预设路径规划模拟弹簧圈栓塞过程；通过UP3预设路径规划的动脉瘤识别算法生成弹簧圈的3D表面模型，生成预测弹簧圈。本申请解决了现有的血管内栓塞技术存在在栓塞治疗时无法做到完全栓塞和致密栓塞，以及错误的选择弹簧圈后导致的动脉瘤残留的问题。

Description

基于深度学习推荐弹簧圈栓塞高风险动脉瘤方法
技术领域
本发明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弹簧圈栓塞高风险动脉瘤方法。
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％。目前高风险未破裂颅内动脉瘤定义是指：(1)同一影像学检查至少1个方向生长≥1.0mm，(2)同一影像学检查2个方向生长≥0.5mm，(3)动脉瘤形态发生改变(即由规则形态改变为不规则形态；由于动脉瘤破裂出血后危害性极大，有约四分之一的病人经过治疗后仍会出现预后不佳的情况，因此早期对动脉瘤进行治疗尤其关键。
动脉瘤血管内栓塞治疗的适应证和栓塞材料密切相关，20世纪80年代多采用可脱性球囊，主要用于栓塞的一些无法手术夹闭的动脉瘤，球囊很难适应动脉瘤不规则的形状，有可能撑破动脉瘤，引起动脉瘤破裂。此后，弹簧圈用于动脉瘤栓塞，但其可靠性差，一旦推出微导管则不能回撤，易发生意外栓塞。近年来，新型可脱弹簧圈的应用，使动脉瘤栓塞治疗有了很大的发展，栓塞指征不断扩大，疗效明显提高，由于其优越的性能，被认为是栓塞动脉瘤最佳材料。国外有报道90％的颅内动脉瘤可通过栓塞治疗。介入栓塞术具有手术创伤小、恢复快的特点，因此根据患者高风险未破裂动脉瘤的形态学特点及破裂潜能进行术前弹簧圈手术规划，降低手术风险及并发症的出现。目前梭形动脉瘤的治疗方案首选血管内介入，当动脉瘤周围涉及重要血管分支时手术风险明显增大。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的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。目前的神经外科医生急需要一款辅助手术辅助推荐弹簧圈的方法，可以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，选择一个个性化的手术治疗方案，提高患者的治疗效果及预后生活质量。
综上所述，现有的血管内栓塞技术存在在栓塞治疗时无法做到完全栓塞和致密栓塞，以及错误的选择弹簧圈后导致的动脉瘤残留的问题。
发明内容
本发明实施例的目的在于提供一种基于深度学习推荐弹簧圈栓塞高风险动脉瘤方法，用以解决现有的血管内栓塞技术存在在栓塞治疗时无法做到完全栓塞和致密栓塞，以及错误的选择弹簧圈后导致的动脉瘤残留的问题。
为实现上述目的，本发明实施例提供一种基于深度学习推荐弹簧圈栓塞高风险动脉瘤方法，方法包括以下步骤：
在CAT上获取DICOM格式的待处理动脉瘤医学影像数据，针对获取DICOM格式的待处理动脉瘤医学影像对非必要的数据进行删除，并将DICOM格式的待处理动脉瘤医学影像转换为NII.GZ格式的待预测动脉瘤医学影像；
通过UN-Net的20层神经网络训练对动脉瘤医学影像中的载瘤动脉图像和动脉瘤图像进行重建和分割，得到动脉瘤识别算法；
通过UP3预设路径规划的动脉瘤识别算法输入，获取弹簧圈的规格；
通过UP3预设路径规划模拟弹簧圈栓塞过程；
通过UP3预设路径规划的动脉瘤识别算法生成弹簧圈的3D表面模型，计算旋转弹簧圈的尺寸和弹簧圈型号，生成预测弹簧圈。
进一步地，神经网络训练具体过程包括前向传播和后向传播的连续迭代；
前向传播是将输入的载瘤动脉图像和动脉瘤图像纳入网络，最终得到载瘤动脉图像对应的每像素或然预测输出集和动脉瘤图像对应的每像素或然预测输出集；
后向传播是使用损失函数通过最陡梯度下降法更新参数值，通过计算得到最速下降的方向和通过Adam优化算法执行最小化损失的更新过程。
进一步地，将载瘤动脉图像对应的每像素或然预测输出集和动脉瘤图像对应的每像素或然预测输出集分别与对应的用户注释的病灶载瘤动脉图像和动脉瘤图像进行对比计算分析，计算负骰子系数。
进一步地，通过UP3预设路径规划的动脉瘤识别算法，获取弹簧圈的规格具体过程为：
通过三维有序向量Φ确定弹簧圈线圈规格，从器材数据库中获取弹簧圈的具体参数，整个弹簧圈展开后，使用PTC Creo 4.0.将弹簧圈展开后的中心线数据模拟到三维圆柱形模型中。
进一步地，三维有序向量Φ的计算公式为：
Figure BDA0003718665810000031
其中，
Figure BDA0003718665810000032
为预成型第i段的矢量方向，ncoil为沿线圈长度的总段数。
进一步地，通过UP3预设路径规划模拟弹簧圈栓塞过程具体过程包括：
选择弹簧圈头端的起始点和起始方向，通过计算动脉瘤体积的中心点得到起始点
Figure BDA0003718665810000033
起始方向为从动脉瘤瘤颈部中心点指向动脉瘤体积中心的单位向量，沿起始点
Figure BDA0003718665810000034
和起始方向依次向动脉瘤内填塞弹簧圈，当弹簧圈i段添加到弹簧圈i-1段的前端时，弹簧圈i段和弹簧圈i-1段之间的角度与
Figure BDA0003718665810000035
和
Figure BDA0003718665810000036
之间的角度相同，在弹簧圈线圈头端与动脉瘤瘤壁或其他现有弹簧圈线圈段发生碰撞的情况下，按照碰撞算法避免碰撞，旋转弹簧圈头端，直到避免碰撞动脉瘤壁，完成弹簧圈栓塞。
进一步地，弹簧圈栓塞过程的计算公式为：
Figure BDA0003718665810000037
其中，
Figure BDA0003718665810000041
为第i个弹簧圈段头部的位置向量，R为用于解决碰撞的旋转矩阵。
进一步地，碰撞算法包括计算动脉瘤壁和弹簧圈之间碰撞次数以及弹簧圈和其他现有弹簧圈碰撞次数；
计算动脉瘤壁和弹簧圈之间碰撞次数的具体过程为：
计算每个动脉瘤顶点
Figure BDA0003718665810000042
和第i个弹簧圈线圈头部
Figure BDA0003718665810000043
之间的距离；
标记对应顶点接近弹簧圈的第i个线圈段，预成型的长度和线圈半径之和的两倍作为弹簧圈最后的长度选择；
分析弹簧圈i段与每个动脉瘤标记面的碰撞情况，并将弹簧圈第i段上线圈与动脉瘤碰撞的总数报告为
Figure BDA0003718665810000044
计算弹簧圈在栓塞动脉瘤时发生瘤壁碰撞次数。
进一步地，计算弹簧圈和其他弹簧圈碰撞次数的具体过程为：
计算当前段hi的头部与之前的弹簧圈头部之间的距离d；
弹簧圈的段落为dj≤4rcoil，计算弹簧圈的两段之间的最小距离，定义为
Figure BDA0003718665810000045
当
Figure BDA0003718665810000046
弹簧圈和动脉瘤壁发生了碰撞；
计算弹簧圈与动脉瘤壁模拟发生碰撞时的情况；
计算弹簧圈和其他弹簧圈碰撞总次数。
进一步地，通过UP3预设路径规划的动脉瘤识别算法生成弹簧圈的3D表面模型，计算旋转弹簧圈的尺寸和弹簧圈型号具体过程包括：
利用单位指向量
Figure BDA0003718665810000047
和
Figure BDA0003718665810000048
的数值定位到三维平面结构；
确定接触分辨率旋转矩阵元素R′ij；
计算旋转弹簧圈的尺寸和型号。
本发明实施例具有如下优点：
1.本发明通过在CAT上获取DICOM格式的待处理动脉瘤医学影像数据，针对获取DICOM格式的待处理动脉瘤医学影像对非必要的数据进行删除，并将DICOM格式的待处理动脉瘤医学影像转换为NII.GZ格式的待预测动脉瘤医学影像；通过UN-Net的20层神经网络训练对动脉瘤医学影像中的载瘤动脉图像和动脉瘤图像进行重建和分割，得到动脉瘤识别算法；通过UP3预设路径规划的动脉瘤识别算法输入，获取弹簧圈的规格；通过UP3预设路径规划模拟弹簧圈栓塞过程；通过UP3预设路径规划的动脉瘤识别算法生成弹簧圈的3D表面模型，计算旋转弹簧圈的尺寸和弹簧圈型号，生成预测弹簧圈。解决了现有的血管内栓塞技术存在在栓塞治疗时无法做到完全栓塞和致密栓塞，以及错误的选择弹簧圈后导致的动脉瘤残留的问题。
2.本申请个性化的弹簧圈选择手术规划方案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。
3.本申请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，可以选择适合动脉瘤的弹簧圈，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。
4.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。
5.本申请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。
附图说明
为了更清楚地说明本发明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。
本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。
图1为本发明实施例提供的基于深度学习推荐弹簧圈栓塞高风险动脉瘤方法的方法流程图；
图2为本发明实施例提供的基于深度学习推荐弹簧圈栓塞高风险动脉瘤方法中通过UN-Net的20层神经网络训练得到动脉瘤识别算法的示意图；
图3为本发明实施例提供的基于深度学习推荐弹簧圈栓塞高风险动脉瘤方法中动脉瘤识别算法算法对动脉瘤识别效果示意图；
图4为本发明实施例提供的基于深度学习推荐弹簧圈栓塞高风险动脉瘤方法中生成预测弹簧圈过程的示意图；
图5为本发明实施例提供的基于深度学习推荐弹簧圈栓塞高风险动脉瘤方法中弹簧圈碰撞的中心点和动脉瘤瘤壁关系的示意图；
图6为本发明实施例提供的基于深度学习推荐弹簧圈栓塞高风险动脉瘤方法中模拟弹簧圈栓塞过程的示意图；
图7为本发明实施例提供的基于深度学习推荐弹簧圈栓塞高风险动脉瘤方法中四种不同位置动脉瘤的栓塞情况的示意图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，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发明的其他优点及功效，显然，所描述的实施例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。
实施例1
结合图1至图7说明本实施方式，本实施方式的一种基于深度学习推荐弹簧圈栓塞高风险动脉瘤方法，方法包括以下步骤：
在CAT上获取DICOM格式的待处理动脉瘤医学影像数据，针对获取DICOM格式的待处理动脉瘤医学影像对非必要的数据进行删除，并将DICOM格式的待处理动脉瘤医学影像转换为NII.GZ格式的待预测动脉瘤医学影像；
通过UN-Net的20层神经网络训练对动脉瘤医学影像中的载瘤动脉图像和动脉瘤图像进行重建和分割，得到动脉瘤识别算法；
通过UP3预设路径规划的动脉瘤识别算法输入，获取弹簧圈的规格；
通过UP3预设路径规划模拟弹簧圈栓塞过程；
通过UP3预设路径规划的动脉瘤识别算法生成弹簧圈的3D表面模型，计算旋转弹簧圈的尺寸和弹簧圈型号，生成预测弹簧圈。
本实施方式中通过在CAT上获取DICOM格式的待处理动脉瘤医学影像数据，针对获取DICOM格式的待处理动脉瘤医学影像对非必要的数据进行删除，并将DICOM格式的待处理动脉瘤医学影像转换为NII.GZ格式的待预测动脉瘤医学影像；通过UN-Net的20层神经网络训练对动脉瘤医学影像中的载瘤动脉图像和动脉瘤图像进行重建和分割，得到动脉瘤识别算法；通过UP3预设路径规划的动脉瘤识别算法输入，获取弹簧圈的规格；通过UP3预设路径规划模拟弹簧圈栓塞过程；通过UP3预设路径规划的动脉瘤识别算法生成弹簧圈的3D表面模型，计算旋转弹簧圈的尺寸和弹簧圈型号，生成预测弹簧圈。解决了现有的血管内栓塞技术存在在栓塞治疗时无法做到完全栓塞和致密栓塞，以及错误的选择弹簧圈后导致的动脉瘤残留的问题。
优选实施例中，本实施方式神经网络训练具体过程包括前向传播和后向传播的连续迭代；
前向传播是将输入的载瘤动脉图像和动脉瘤图像纳入网络，最终得到载瘤动脉图像对应的每像素或然预测输出集和动脉瘤图像对应的每像素或然预测输出集；
后向传播是使用损失函数通过最陡梯度下降法更新参数值，通过计算得到最速下降的方向和通过Adam优化算法执行最小化损失的更新过程。
优选实施例中，本实施方式将载瘤动脉图像对应的每像素或然预测输出集和动脉瘤图像对应的每像素或然预测输出集分别与对应的用户注释的病灶载瘤动脉图像和动脉瘤图像进行对比计算分析，计算负骰子系数，计算公式为：
Figure BDA0003718665810000081
通过计算得到最速下降的方向，计算公式为：
Figure BDA0003718665810000082
优选实施例中，本实施方式通过UP3预设路径规划的动脉瘤识别算法，获取弹簧圈的规格具体过程为：
通过三维有序向量Φ确定弹簧圈线圈规格，从器材数据库中获取弹簧圈的具体参数，整个弹簧圈展开后，使用PTC Creo 4.0.将弹簧圈展开后的中心线数据模拟到三维圆柱形模型中。
优选实施例中，本实施方式三维有序向量Φ的计算公式为：
Figure BDA0003718665810000083
其中，
Figure BDA0003718665810000084
为预成型第i段的矢量方向，ncoil为沿线圈长度的总段数。
优选实施例中，本实施方式通过UP3预设路径规划模拟弹簧圈栓塞过程具体过程包括：
选择弹簧圈头端的起始点和起始方向，通过计算动脉瘤体积的中心点得到起始点
Figure BDA0003718665810000085
起始方向为从动脉瘤瘤颈部中心点指向动脉瘤体积中心的单位向量，沿起始点
Figure BDA0003718665810000086
和起始方向依次向动脉瘤内填塞弹簧圈，当弹簧圈i段添加到弹簧圈i-1段的前端时，弹簧圈i段和弹簧圈i-1段之间的角度与
Figure BDA0003718665810000087
和
Figure BDA0003718665810000088
之间的角度相同，在弹簧圈线圈头端与动脉瘤瘤壁或其他现有弹簧圈线圈段发生碰撞的情况下，按照碰撞算法避免碰撞，旋转弹簧圈头端，直到避免碰撞动脉瘤壁，完成弹簧圈栓塞。
优选实施例中，本实施方式弹簧圈栓塞过程的计算公式为：
Figure BDA0003718665810000089
其中，
Figure BDA0003718665810000091
为第i个弹簧圈段头部的位置向量，R为用于解决碰撞的旋转矩阵。
优选实施例中，本实施方式碰撞算法包括计算动脉瘤壁和弹簧圈之间碰撞次数以及弹簧圈和其他现有弹簧圈碰撞次数；
计算动脉瘤壁和弹簧圈之间碰撞次数的具体过程为：
计算每个动脉瘤顶点
Figure BDA0003718665810000092
和第i个弹簧圈线圈头部
Figure BDA0003718665810000093
之间的距离，计算公式为：
Figure BDA0003718665810000094
其中，Vtotal为动脉瘤碰撞的顶点总数；
标记对应顶点接近弹簧圈的第i个线圈段，预成型的长度和线圈半径之和的两倍作为弹簧圈最后的长度选择，计算公式为：
Figure BDA0003718665810000095
其中，rcoil为线圈半径；
分析弹簧圈i段与每个动脉瘤标记面的碰撞情况，并将弹簧圈第i段上线圈与动脉瘤碰撞的总数报告为
Figure BDA0003718665810000096
计算公式为：
Figure BDA0003718665810000097
计算弹簧圈在栓塞动脉瘤时发生瘤壁碰撞次数，计算公式为：
Figure BDA0003718665810000098
优选实施例中，本实施方式计算弹簧圈和其他弹簧圈碰撞次数的具体过程为：
计算当前段hi的头部与之前的弹簧圈头部之间的距离d；
Figure BDA0003718665810000099
弹簧圈的段落为dj≤4rcoil，计算弹簧圈的两段之间的最小距离，定义为
Figure BDA00037186658100000910
当
Figure BDA00037186658100000911
弹簧圈和动脉瘤壁发生了碰撞；
计算弹簧圈与动脉瘤壁模拟发生碰撞时的情况，计算公式为：
Figure BDA0003718665810000101
计算弹簧圈和其他弹簧圈碰撞总次数，计算公式为：
Figure BDA0003718665810000102
优选实施例中，本实施方式通过UP3预设路径规划的动脉瘤识别算法生成弹簧圈的3D表面模型，计算旋转弹簧圈的尺寸和弹簧圈型号具体过程包括：
利用单位指向量
Figure BDA0003718665810000103
和
Figure BDA0003718665810000104
的数值定位到三维平面结构，计算公式为：
Figure BDA0003718665810000105
确定接触分辨率旋转矩阵元素R′ij，计算公式为：
Figure BDA0003718665810000106
计算旋转弹簧圈的尺寸和型号，计算公式为：
Figure BDA0003718665810000107
当发生碰撞时重新执行碰撞检测，新弹簧圈头段
Figure BDA0003718665810000108
延续到
Figure BDA0003718665810000109
检测线圈和线圈壁碰撞。如果发现任何碰撞，则重复上述步骤，再次增加Δθ。一旦避免了所有碰撞，最终的
Figure BDA00037186658100001010
用于更新
Figure BDA00037186658100001011
R为后续线圈段(R′R)的最新数值。
虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，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，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。

Claims (10)

1.一种基于深度学习推荐弹簧圈栓塞高风险动脉瘤方法，其特征在于，方法包括以下步骤：
在CAT上获取D ICOM格式的待处理动脉瘤医学影像数据，针对获取DICOM格式的待处理动脉瘤医学影像对非必要的数据进行删除，并将DICOM格式的待处理动脉瘤医学影像转换为NII.GZ格式的待预测动脉瘤医学影像；
通过UN-Net的20层神经网络训练对动脉瘤医学影像中的载瘤动脉图像和动脉瘤图像进行重建和分割，得到动脉瘤识别算法；
通过UP3预设路径规划的动脉瘤识别算法输入，获取弹簧圈的规格；
通过UP3预设路径规划模拟弹簧圈栓塞过程；
通过UP3预设路径规划的动脉瘤识别算法生成弹簧圈的3D表面模型，计算旋转弹簧圈的尺寸和弹簧圈型号，生成预测弹簧圈。
2.如权利要求1所述的基于深度学习推荐弹簧圈栓塞高风险动脉瘤方法，其特征在于，神经网络训练具体过程包括前向传播和后向传播的连续迭代；
前向传播是将输入的载瘤动脉图像和动脉瘤图像纳入网络，最终得到载瘤动脉图像对应的每像素或然预测输出集和动脉瘤图像对应的每像素或然预测输出集；
后向传播是使用损失函数通过最陡梯度下降法更新参数值，通过计算得到最速下降的方向和通过Adam优化算法执行最小化损失的更新过程。
3.如权利要求2所述的基于深度学习推荐弹簧圈栓塞高风险动脉瘤方法，其特征在于，将载瘤动脉图像对应的每像素或然预测输出集和动脉瘤图像对应的每像素或然预测输出集分别与对应的用户注释的病灶载瘤动脉图像和动脉瘤图像进行对比计算分析，计算负骰子系数。
4.如权利要求1所述的基于深度学习推荐弹簧圈栓塞高风险动脉瘤方法，其特征在于，通过UP3预设路径规划的动脉瘤识别算法，获取弹簧圈的规格具体过程为：
通过三维有序向量Φ确定弹簧圈线圈规格，从器材数据库中获取弹簧圈的具体参数，整个弹簧圈展开后，使用PTC Creo 4.0.将弹簧圈展开后的中心线数据模拟到三维圆柱形模型中。
5.如权利要求4所述的基于深度学习推荐弹簧圈栓塞高风险动脉瘤方法，其特征在于，三维有序向量Φ的计算公式为：
Figure FDA0003718665800000021
其中，
Figure FDA0003718665800000022
为预成型第i段的矢量方向，ncoil为沿线圈长度的总段数。
6.如权利要求1所述的基于深度学习推荐弹簧圈栓塞高风险动脉瘤方法，其特征在于，通过UP3预设路径规划模拟弹簧圈栓塞过程具体过程包括：
选择弹簧圈头端的起始点和起始方向，通过计算动脉瘤体积的中心点得到起始点
Figure FDA0003718665800000023
起始方向为从动脉瘤瘤颈部中心点指向动脉瘤体积中心的单位向量，沿起始点
Figure FDA0003718665800000024
和起始方向依次向动脉瘤内填塞弹簧圈，当弹簧圈i段添加到弹簧圈i-1段的前端时，弹簧圈i段和弹簧圈i-1段之间的角度与
Figure FDA0003718665800000025
和
Figure FDA0003718665800000026
之间的角度相同，在弹簧圈线圈头端与动脉瘤瘤壁或其他现有弹簧圈线圈段发生碰撞的情况下，按照碰撞算法避免碰撞，旋转弹簧圈头端，直到避免碰撞动脉瘤壁，完成弹簧圈栓塞。
7.如权利要求6所述的基于深度学习推荐弹簧圈栓塞高风险动脉瘤方法，其特征在于，弹簧圈栓塞过程的计算公式为：
Figure FDA0003718665800000027
其中，
Figure FDA0003718665800000028
为第i个弹簧圈段头部的位置向量，R为用于解决碰撞的旋转矩阵。
8.如权利要求6所述的基于深度学习推荐弹簧圈栓塞高风险动脉瘤方法，其特征在于，碰撞算法包括计算动脉瘤壁和弹簧圈之间碰撞次数以及弹簧圈和其他现有弹簧圈碰撞次数；
计算动脉瘤壁和弹簧圈之间碰撞次数的具体过程为：
计算每个动脉瘤顶点
Figure FDA0003718665800000029
和第i个弹簧圈线圈头部
Figure FDA00037186658000000210
之间的距离；
标记对应顶点接近弹簧圈的第i个线圈段，预成型的长度和线圈半径之和的两倍作为弹簧圈最后的长度选择；
分析弹簧圈i段与每个动脉瘤标记面的碰撞情况，并将弹簧圈第i段上线圈与动脉瘤碰撞的总数报告为
Figure FDA0003718665800000031
计算弹簧圈在栓塞动脉瘤时发生瘤壁碰撞次数。
9.如权利要求8所述的基于深度学习推荐弹簧圈栓塞高风险动脉瘤方法，其特征在于，计算弹簧圈和其他弹簧圈碰撞次数的具体过程为：
计算当前段hi的头部与之前的弹簧圈头部之间的距离d；
弹簧圈的段落为dj≤4rcoil，计算弹簧圈的两段之间的最小距离，定义为
Figure FDA0003718665800000032
当
Figure FDA0003718665800000033
弹簧圈和动脉瘤壁发生了碰撞；
计算弹簧圈与动脉瘤壁模拟发生碰撞时的情况；
计算弹簧圈和其他弹簧圈碰撞总次数。
10.如权利要求1所述的基于深度学习推荐弹簧圈栓塞高风险动脉瘤方法，其特征在于，通过UP3预设路径规划的动脉瘤识别算法生成弹簧圈的3D表面模型，计算旋转弹簧圈的尺寸和弹簧圈型号具体过程包括：
利用单位指向量
Figure FDA0003718665800000034
和
Figure FDA0003718665800000035
的数值定位到三维平面结构；
确定接触分辨率旋转矩阵元素R′ij；
计算旋转弹簧圈的尺寸和型号。
CN202210752108.0A 2022-06-28 2022-06-28 基于深度学习推荐弹簧圈栓塞高风险动脉瘤方法 Pending CN115171852A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210752108.0A CN115171852A (zh) 2022-06-28 2022-06-28 基于深度学习推荐弹簧圈栓塞高风险动脉瘤方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210752108.0A CN115171852A (zh) 2022-06-28 2022-06-28 基于深度学习推荐弹簧圈栓塞高风险动脉瘤方法

Publications (1)

Publication Number Publication Date
CN115171852A true CN115171852A (zh) 2022-10-11

Family

ID=83489461

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210752108.0A Pending CN115171852A (zh) 2022-06-28 2022-06-28 基于深度学习推荐弹簧圈栓塞高风险动脉瘤方法

Country Status (1)

Country Link
CN (1) CN115171852A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115944389A (zh) * 2023-03-14 2023-04-11 杭州脉流科技有限公司 弹簧圈模拟植入的方法和计算机设备
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 (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115944389A (zh) * 2023-03-14 2023-04-11 杭州脉流科技有限公司 弹簧圈模拟植入的方法和计算机设备
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
CN115171852A (zh) 基于深度学习推荐弹簧圈栓塞高风险动脉瘤方法
US9830427B2 (en) Method for intracranial aneurysm analysis and endovascular intervention planning
US12033328B2 (en) Method for segmentation of the head-neck arteries, brain and skull in medical images
US20200121413A1 (en) Instrument Guidance System For Sinus Surgery
US20060184066A1 (en) Method for aiding stent-assisted coiling of intracranial aneurysms by virtual parent artery reconstruction
CN110652312B (zh) 一种血管cta智能分析***及应用
WO2020258819A1 (zh) 一种动静脉畸形分割方法、***及电子设备
CN109924956B (zh) 一种颅内动脉瘤图像的形态学参数的测量方法及装置
JP5181124B2 (ja) 動脈瘤計測方法、及びその装置並びにコンピュータプログラム
CN107481254A (zh) 医学图像的处理方法、装置、介质和电子设备
CN110547869B (zh) 一种基于虚拟现实的术前辅助规划装置
CN110507415A (zh) 微导管虚拟介入的路径模拟方法及装置
JP7200406B2 (ja) 自動冠動脈血管造影分析
CN114881975A (zh) 预测动脉瘤破裂潜能的***、方法、电子设备及介质
CN115439533A (zh) 获得颅内动脉瘤在血管分段位置的方法、计算机设备、可读存储介质和程序产品
CN103324934A (zh) 基于平行结构检测与聚类的血管中心线自动提取方法
CN112074912A (zh) 使用介入x射线图像和深度学习的交互式冠状动脉标记
Yureidini et al. Robust RANSAC-based blood vessel segmentation
CN116327299A (zh) 一种确定微导管形态的方法、***、电子设备及存储介质
García et al. A deep learning model for brain vessel segmentation in 3DRA with arteriovenous malformations
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
EP3457413B1 (en) Method for classifying a risk for thrombus formation in an organ, system for classifying a risk for thrombus formation in an organ, a computer program product and a computer readable medium
TW202326615A (zh) 造影影像判定方法及造影影像判定裝置
WO2023126360A1 (en) Method of simulating the fitting of implantable medical devices inside a patient's anatomy
CN114723739A (zh) 一种基于cta影像的血管分段模型训练数据标注方法及装置

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