CN116327299A - 一种确定微导管形态的方法、***、电子设备及存储介质 - Google Patents

Abstract

本发明公开了一种确定微导管形态的方法，包括：确定若干条不同的微导管形态；基于预先训练的神经网络模型，对每一微导管形态进行评价，以确定适合的微导管形态。采用上述技术方案，可提高微导管塑形的准确率，并减小微导管塑形的时间。本发明还公开了一种确定微导管形态的***、电子设备以及存储介质。

Description

一种确定微导管形态的方法、***、电子设备及存储介质

技术领域

本发明涉及医疗器械技术领域，特别涉及一种确定微导管形态的方法、***、电子设备及存储介质。

背景技术

脑动脉瘤是介入手术中占比极大的一类疾病。脑动脉瘤是由于血管异常改变产生的瘤样突起，是引起蛛网膜下腔出血最主要的原因，而蛛网膜下腔出血又是造成脑血管病忠者死亡的重要原因。蛛网膜下腔出血可导致脑血管技窄、脑水肿、脑梗死和脑积水等多种病现性改变，具有较致残率和致死率。早期诊断和有效的评估动脉瘤成为治疗脑动脉瘤的关键。

脑动脉瘤的治疗主要依靠手术的方法来进行治疗手术方法，可以采取弹簧圈介入栓塞手术，首先要将相应微导管选择性送达动脉瘤内。通过微导管将弹簧圈引入动脉瘤，使用弹簧圈将动脉瘤进行致密栓塞。该手术过程中很重要的一个环节就是微导管的成功塑形。对微导管前端的形态进行良好的塑形，能够大大提高介入手术中微导管的到位准确性、微导管在栓塞过程中的稳定性和微导管的操控灵活性。

在动脉瘤介入手术治疗过程中，由于动脉瘤识别和测量的差异性，导致不同医生对于同一动脉瘤的同一指标测量差异较大，测量的准确性和可重复性较差，影响治疗效果。所有测量都是医生手工测量和评估，也会增加医生的工作量，降低了医生工作效率。同时，所有血管介入手术都是基于医生主观经验来选择，没有对手术结果进行评估。

微导管预先塑形的形态，是脑动脉瘤介入手术成功与否，微导管进入动脉瘤与否的重要保证。当前人工塑形，一次塑形后，将微导管成功深入脑动脉瘤的比例在顶级医院的资深医生中，也仅占70％左右。如果一次塑形之后的微导管无法进入脑动脉瘤，引发手术中的微导管介入障碍，不能快速的将栓塞材料填充的动脉瘤中，这样需要将微导管从脑动脉中取出，更换微导管进行再次塑形，并再次尝试将微导管深入脑动脉瘤中，从而不可避免的延长手术时间和对微导管反复塑形的诸多问题。

因此，如何确定适合的微导管形态，以达到缩短手术时间，减少手术并发症，提升病人预后水平是现阶段需要攻克的难题。

发明内容

本发明的目的在于解决微导管塑形精准率较低的技术问题。本发明提供了一种确定微导管形态的方法，基于预先训练的神经网络模型，可以对多条微导管形态进行评价，从中确定合适的微导管形态提高了微导管形态与载瘤动脉及动脉瘤匹配的准确率，减小微导管形态塑形的时间，为手术提供了有效的数据支持。

为解决上述技术问题，本发明的实施方式公开了一种确定微导管形态的方法，包括：

确定若干条不同的微导管形态；基于预先训练的神经网络模型，对每一微导管形态进行评价，以确定适合的微导管形态。

采用上述技术方案，可提高微导管塑形的准确率，并减小微导管塑形的时间。

根据本发明的另一具体实施方式，本发明的实施方式公开了一种确定微导管形态的方法，确定若干条不同的微导管形态的步骤，包括：确定微导管初始形态；基于微导管初始形态，确定若干条不同的微导管形态。

根据本发明的另一具体实施方式，本发明的实施方式公开了一种确定微导管形态的方法，确定微导管初始形态的步骤，包括：获取包括动脉瘤及载瘤动脉的影像；基于影像，确定动脉瘤位置；基于动脉瘤的位置，对动脉瘤和载瘤动脉进行分割，确定动脉瘤和载瘤动脉的掩膜图像；基于动脉瘤的掩膜图像，确定动脉瘤的质心P，且基于载瘤动脉的掩膜图像，提取载瘤动脉的中心线，并确定中心线的起始点O；作质心P到中心线的垂线，其中，垂线与中心线的交点为B；基于垂线段BP和中心线，建立微导管初始形态OBP。

根据本发明的另一具体实施方式，本发明的实施方式公开了一种确定微导管形态的方法，基于微导管初始形态，确定若干条不同的微导管形态的步骤，包括：提取微导管初始形态的离散点集；对离散点集中的至少一个离散点进行随机扰动，确定更新后的离散点集；拟合更新后的离散点集，确定更新后的微导管形态；重复若干次随机扰动及拟合，以确定若干条不同的微导管形态。

根据本发明的另一具体实施方式，本发明的实施方式公开了一种确定微导管形态的方法，离散点位于载瘤动脉或动脉瘤的掩膜图像上。

根据本发明的另一具体实施方式，本发明的实施方式公开了一种确定微导管形态的方法，基于预先训练的神经网络模型，对每一微导管形态进行评价，以确定适合的微导管形态的步骤，包括：获取训练样本数据，训练样本数据包括多个微导管样本数据，其中多个微导管样本数据划分为适合和非适合两类标签；基于训练样本数据、包括动脉瘤及载瘤动脉的掩膜图像，初始神经网络模型确定训练样本数据的预测标签；基于预测标签和训练样本数据的标签进行损失函数的函数值计算；基于损失函数的函数值，确定初始神经网络模型的梯度，进行反向传播并不断更新初始神经网络模型的权重参数，直至损失函数的函数值收敛至稳定状态，确定预先训练的神经网络模型；基于预先训练的神经网络模型，对每一微导管形态进行评价，以确定适合的微导管形态。

根据本发明的另一具体实施方式，本发明的实施方式公开了一种确定微导管形态的方法，基于训练样本数据、包括动脉瘤及载瘤动脉的掩膜图像，初始神经网络模型确定训练样本数据的预测标签的步骤，包括：基于初始神经网络模型，提取包括动脉瘤及载瘤动脉的掩膜图像、训练样本数据的特征；初始神经网络模型的全连接层对提取的特征进行处理，并输出特征向量；初始神经网络模型的softmax层基于特征向量，确定训练样本数据的预测标签。

根据本发明的另一具体实施方式，本发明的实施方式公开了一种确定微导管形态的方法，损失函数的函数值的计算方法包括交叉熵计算方法或均值方差计算方法。

本发明的实施方式还公开了一种确定微导管形态的***，包括：生成器，生成器确定若干条不同的微导管形态；判别器，基于预先训练的神经网络模型，对每一微导管形态进行评价，以确定适合的微导管形态。

采用上述技术方案，基于预先训练的神经网络模型，可以对多条微导管形态进行评价，从中确定合适的微导管形态提高了微导管形态与载瘤动脉及动脉瘤匹配的准确率，减小微导管形态塑形的时间，为手术提供了有效的数据支持。

本发明的实施方式还公开了一种电子设备，包括存储器、处理器及存储在存储器上可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述任一实施方式中的确定微导管形态的方法。

本发明的实施方式还公开了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述任一实施方式中的确定微导管形态的方法。

附图说明

图1示出本发明中确定微导管形态的方法的流程示意图一；

图2示出本发明中确定微导管形态的方法的流程示意图二；

图3示出本发明中确定微导管形态的方法的流程示意图三；

图4示出本发明中确定微导管形态的方法的流程示意图四；

图5示出本发明中确定微导管形态的方法的流程示意图五；

图6示出本发明中确定微导管形态的方法的流程示意图六；

图7示出本发明中确定微导管形态的***的结构框图；

图8示出本发明中电子设备的结构框图；

图9示出本发明中微导管初始形态OBP的示意图；

图10示出本发明中包括载瘤动脉和动脉瘤的掩膜图像。

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，本领域技术人员可由本说明书所揭示的内容轻易地了解本发明的其他优点及功效。虽然本发明的描述将结合较佳实施例一起介绍，但这并不代表此发明的特征仅限于该实施方式。恰恰相反，结合实施方式作发明介绍的目的是为了覆盖基于本发明的权利要求而有可能延伸出的其它选择或改造。为了提供对本发明的深度了解，以下描述中将包含许多具体的细节。本发明也可以不使用这些细节实施。此外，为了避免混乱或模糊本发明的重点，有些具体细节将在描述中被省略。需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

应注意的是，在本说明书中，相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

在本实施例的描述中，需要说明的是，术语“上”、“下”、“内”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

在本实施例的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本实施例中的具体含义。

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明的实施方式作进一步地详细描述。

脑动脉瘤是介入手术中占比极大的一类疾病。脑动脉瘤是由于血管异常改变产生的瘤样突起，是引起蛛网膜下腔出血最主要的原因，而蛛网膜下腔出血又是造成脑血管病患者死亡的重要原因。蛛网膜下腔出血可导致脑血管技窄、脑水肿、脑梗死和脑积水等多种病理性改变，具有较高致残率和致死率。因此，早期诊断和有效的评估动脉瘤成为治疗脑动脉瘤的关键。

而脑动脉瘤的治疗主要依靠手术的方法来进行治疗手术方法，可以采取弹簧圈介入栓塞手术。而要实现弹簧圈的引入，首先需要将适合的微导管选择性地送达到动脉瘤内，进而通过微导管将弹簧圈引入动脉瘤，以使弹簧圈将动脉瘤进行致密栓塞。由此可见，该手术过程中很重要的一个环节就是微导管的成功塑形。对微导管的塑形或本文中所提及的微导管形态指的均是对微导管前端的塑形或是微导管前端的形态。

本发明提供的确定微导管形态的方法、***、电子设备以及存储介质均具有非治疗目的。

本发明提供的确定微导管形态的方法的直接对象为术前图像。

为便于后续理解，下面对本文中出现的专业术语做进一步解释：

(1)损失函数(Loss Function)

在训练深度神经网络的过程中，因为希望深度神经网络的输出尽可能的接近真正想要预测的值，所以可以通过比较当前网络的预测值和真正想要的目标值，再根据两者之间的差异情况来更新每一层神经网络的权重向量(当然，在第一次更新之前通常会为深度神经网络中的各层预先配置参数)，比如，如果网络的预测值高了，就调整权重向量让它预测低一些，不断地调整，直到深度神经网络能够预测出真正想要的目标值或与真正想要的目标值非常接近的值。因此，就需要预先定义“如何比较预测值和目标值之间的差异”，这便是损失函数，它们是用于衡量预测值和目标值的差异的重要方程。其中，以损失函数举例，损失函数的输出值(loss)越高表示差异越大，那么深度神经网络的训练就变成了尽可能缩小这个loss的过程。

(2)神经网络模型

神经网络模型指的是相关技术中的任意神经网络模型，在下述的任一实施方式中，神经网络模型指的是用于机器学习的神经网络模型，只要能够起到供数据样本进行训练以及预测的作用即可，在此不再一一列举。

(3)全连接层(Fully Connected Layers，FC)

全连接层是指每一个结点都与上一层的所有结点相连的层，用来把其他层提取到的特征进行综合。

(4)softmax层

softmax层可以理解为对全连接层中的预测结果进行归一化处理的模块，softmax的输出值为一个[0,1]范围内的值。

(5)掩膜

掩膜是指用于表示图像中感兴趣区域(例如医学图像上表示特定器官和/或组织的图像区域)的二值图像，图像中属于感兴趣区域的部分与不属于感兴趣区域的部分可以分别具有不同的像素值(例如0,1)。

参考图1，本发明提出一种确定微导管形态的方法，包括：

步骤S1：确定若干条不同的微导管形态；

步骤S2：基于预先训练的神经网络模型，对每一微导管形态进行评价，以确定适合的微导管形态。

根据本发明的确定微导管形态的方法，基于预先训练的神经网络模型，可以对多条微导管形态进行评价，从中确定合适的微导管形态提高了微导管形态与载瘤动脉及动脉瘤匹配的准确率，减小微导管形态塑形的时间，为手术提供了有效的数据支持。

在一些实施例中，参考图1并结合图2，步骤S1，确定若干条不同的微导管形态，可以进一步包括如下步骤：

步骤S11：确定微导管初始形态；

步骤S12：基于微导管初始形态，确定若干条不同的微导管形态。

在一些实施例中，参考图2并结合图3、图10，步骤S11，确定微导管初始形态，包括：

步骤S111：获取包括动脉瘤及载瘤动脉的影像；

具体地，可以通过三维数字减影血管造影(3D-Digital SubtractionAngiography,3D-DSA)成像技术来获取动脉瘤及载瘤动脉的影像。其中，DSA的基本原理是将受检部位注入造影剂后的X线成像技术，以获取影像。3D-DSA是将旋转血管造影采集的二维图像传输到计算机工作站，通过多种处理软件进行血管结构三维重建的一种新的血管造影技术，是球管旋转技术、数字减影血管造影技术和三维重建技术三者的结合，可清楚地显示动脉瘤的解剖结构及载瘤动脉毗邻关系，有效避免血管影像重叠或掩盖。

步骤S112：基于影像，确定动脉瘤位置；

从3D-DSA影像中确定动脉瘤所属的目标位置区域。

步骤S113：基于动脉瘤的位置，对动脉瘤及载瘤动脉的影像进行分割，确定动脉瘤和载瘤动脉的掩膜(Mask)图像；

也就是说，基于动脉瘤所属的目标位置区域，对动脉瘤及载瘤动脉的影像进行分割处理，其中，最终可对载瘤动脉标注为“1”，动脉瘤标注为“2”，背景标注为“0”，得到分割后的掩膜图像。关于分割的方法，可基于操作者的经验，采用手动方法进行分割，例如利用开源医学图像处理软件itk-snap或者3DSLICER等进行处理，以分别确定动脉瘤和载瘤动脉的掩膜图像；也可以是公司内部或者通过其他渠道购买或者开发的软件来自动分割，上述自动分割结果如果不准确，可以人工介入修改，实现半自动分割。上述分割算法包括传统的分割算法，例如基于区域的分水岭、区域生长，基于图论的最大流最小割等分割算法对动脉瘤及载瘤动脉进行分割，分别确定动脉瘤和载瘤动脉的掩膜图像；还可利用深度学习，如unet，vnet，nnunet等进行动脉瘤及载瘤动脉的分割，或者使用传统的模式识别加上条件随机场以实现动脉瘤及载瘤动脉的分割，分别确定动脉瘤和载瘤动脉的掩膜图像。在本申请中，不对分割算法作具体限定，只要能够实现影像的分割即可。

步骤S114：基于动脉瘤的掩膜图像，确定动脉瘤的质心P，且基于载瘤动脉的掩膜图像，提取载瘤动脉的中心线，并确定中心线的起始点O。

其中，动脉瘤质心表示动脉瘤的几何中心，质心的确定可以通过计算分割后的动脉瘤的掩膜图像的表面像素的质心来实现。

在实际操作过程中，起始点O的确认一般由人工手动标记来完成。

根据载瘤动脉的掩膜图像，对载瘤动脉的中心线进行提取。此处中心线的提取可基于传统算法如距离变换，最小路径，形态学处理等，也可基于维诺图实现，另外也可采用基于深度学习的方法。另外需要说明的是中心线的提取方法不限于上述方法。

步骤S115：作质心P到中心线的垂线，其中，垂线与中心线的交点为B；

步骤S116：基于垂线段BP和中心线，建立微导管初始形态OBP。

根据以上步骤生成的中心线以及垂线，即可确定初始微导管形态。初始微导管形态OBP可参考图9。

在一些实施例中，参考图2并结合图4，步骤S12，基于微导管初始形态，确定若干条不同的微导管形态，包括：

步骤S121：获取微导管初始形态的离散点集；

微导管初始形态的离散点集可以理解为微导管初始形态OBP表现在图像中的像素点集。

步骤S122：对离散点集中的至少一个离散点进行随机扰动，确定更新后的离散点集；

步骤S123：拟合更新后的离散点集，确定更新后的微导管形态；

步骤S124：重复若干次随机扰动及拟合，以确定若干条不同的微导管形态。

具体地，提取微导管初始形态OBP的离散点集，离散点集是指微导管初始形态OBP上的点的三维坐标合集，这些离散点集可用于描述OBP的走向、边缘分布、宽度等信息。示例性地，离散点集可以指的是沿着微导管形态上的像素点集，对该离散点集中至少一个离散点进行随机扰动。随机扰动可以理解为对离散点的空间坐标进行随机微小改动，例如，像素点{x,y,z}，随机扰动后更新为{x+α,y+β,z+γ}，其中α，β，γ分别表示沿着x,y,z方向的移动值。在形成新的离散点集后，拟合新的离散点集，获得更新后的微导管形态；重复若干次上述的随机扰动及对随机扰动后的新离散点集的拟合，得到若干条不同的微导管形态。

其中，在随机扰动开始之前，设定最终所需生成的微导管形态的数量，也可以说设定微导管形态的迭代次数，直至已经达到所设定的迭代次数或者是不再有新的微导管形态生成，即为完成若干条不同微导管形态的确定。

值得注意的是，需对离散点的随机扰动加以约束，以防止生成的新的离散点超出载瘤动脉或者动脉瘤的边界，在此情况下所生成的微导管形态无任何意义。因此，对离散点进行随机扰动生成的新离散点必须仍然位于载瘤动脉的掩膜图像或者动脉瘤的掩膜图像上。

以上介绍了如何根据最初的动脉瘤及载瘤动脉的影像，确定了若干条不同的微导管形态，即步骤S1，下面具体如何确定适合的微导管形态，即步骤S2。

参考图1并结合图5，步骤S2，基于预先训练的神经网络模型，对上述的每一微导管形态进行评价，以确定适合的微导管形态的步骤，包括：

步骤S21：获取训练样本数据，训练样本数据包括多个微导管样本数据，其中多个微导管样本数据划分为适合和非适合两类标签；

训练样本数据一般经专家筛选、自动方法或半自动方法评定的多个适合上述动脉瘤及载瘤动脉的微导管样本，以及多个非适合上述动脉瘤及载瘤动脉的微导管样本。

对每一适合的微导管样本和每一非适合的微导管样本进行标注以确定训练样本数据的标签，示例性地，适合的微导管样本标注为“1”，非适合的微导管样本标注为“0”，得到训练样本数据的标签。不但设置多个适合的微导管样本还设置多个非适合的微导管样本的好处在于能够利用更加全面的数据进行模型训练，增加了参与模型训练的非适合的微导管样本的数据量，进一步确保模型准确率。

示例性地，其中适合的微导管样本量与非适合的微导管样本量的比例为1∶1。通过此样本选择策略，能够保证训练时适合的微导管样本与非适合的微导管样本的均衡性。

步骤S22：基于训练样本数据、包括动脉瘤及载瘤动脉的掩膜图像，初始神经网络模型确定训练样本数据的预测标签；

其中，此处动脉瘤及载瘤动脉的掩膜图像指的是步骤S113中所获取的掩膜图像。基于训练样本数据、包括动脉瘤及载瘤动脉的掩膜图像，初始神经网络模型确定训练样本数据的预测标签。

参考图5并结合图6，基于训练样本数据、包括动脉瘤及载瘤动脉的掩膜图像，初始神经网络模型确定训练数据样本的预测标签的步骤，进一步包括：

步骤S221：基于初始神经网络模型，提取包括动脉瘤及载瘤动脉的掩膜图像、训练样本数据的特征；

步骤S222：初始神经网络模型的全连接层对提取的特征进行处理，并输出特征向量；

步骤S223：初始神经网络模型的softmax层基于特征向量，确定训练样本数据的预测标签。

基于初始神经网络模型，提取包括动脉瘤及载瘤动脉的掩膜图像的特征，以及训练样本数据的特征，该特征可以为隐形特征或显性特征，其中，显性特征表示易观察到的特征，比如微导管的曲率、粗细，血管的粗细，瘤体的外貌等；隐形特征表示隐藏的特征，例如微导管曲率与瘤***置之间的关系，血管粗细对微导管弯曲度之间的影响等。

初始神经网络模型的全连接层对提取的上述特征进行处理，输出特征向量，初始神经网络模型的softmax层基于特征向量，确定训练样本数据的预测标签。

步骤S23：基于预测标签和训练样本数据的标签进行损失函数的函数值计算；

步骤S24：基于损失函数的函数值，确定初始神经网络模型的梯度，进行反向传播并不断更新初始神经网络模型的权重参数，直至损失函数的函数值收敛至稳定状态，确定基于预先训练的神经网络模型；

损失函数的函数值能够用来衡量初始神经网络模型的预测标签和训练样本数据的标签之间的差异，根据两者之间的差异情况来更新每一层神经网络的权重参数，直到初始神经网络模型的预测标签和训练样本数据的标签非常接近，最终确定基于预先训练的神经网络模型。

损失函数的函数值计算方法包括交叉熵计算方法或均值方差计算方法。

其中，采用反向传播算法在训练过程中修正初始神经网络模型中的权重参数的大小，使得初始神经网络模型的误差损失越来越小，最终确定基于预先训练的神经网络模型。具体地，前向传递输入信号直至输出会产生误差损失，通过反向传播误差损失信息来更新初始神经网络模型中权重参数大小，从而使误差损失收敛至稳定状态，该稳定状态是指损失误差不再下降，或者保持一个值域相对收敛。反向传播算法是以误差损失为主导的反向传播运动，旨在得到初始神经网络模型的最优参数，例如权重矩阵。

步骤S25：基于预先训练的神经网络模型，对每一微导管形态进行评价，以确定适合的微导管形态。

示例性地，将载瘤动脉和动脉瘤分割的掩膜图像输入基于预先训练的神经网络模型。示例性地：背景标注为“0”，载瘤动脉标注为“1”，动脉瘤为“2”。并且将步骤S12中生成的若干条不同微导管形态其中的一条微导管形态输入至基于预先训练的神经网络模型。

基于预先训练的神经网络模型对上述微导管形态进行评价，以确定适合的微导管形态。

其中，softmax输出的预测值即为微导管形态评分，评分范围为0-1，其中1代表最优微导管形态，越接近1的说明该微导管形态越适合上述的载瘤动脉以及动脉瘤，也就该微导管形态匹配该动脉瘤的概率越大。

在实际操作过程中，可以预先设定阈值S，当基于预先训练的神经网络模型对微导管形态的评分在0-S(不包含S)之间，则最终输出结果为非适合的微导管形态，如评分在S-1之间，则最终输出结果为适合的微导管形态。

参考图1-图10，以下介绍确定微导管形态的方法的实例性实施方式。

本实例性实施方式在于先确定若干条不同的微导管形态，再基于预先训练的神经网络模型对上述每一微导管形态进行评价，以确定适合的微导管形态。

通过3D-DSA成像技术获取动脉瘤及载瘤动脉的影像；

从3D-DSA影像中确定动脉瘤所属的目标位置区域；

对动脉瘤及载瘤动脉的影像进行分割，对载瘤动脉标注为“1”，动脉瘤标注为“2”，背景标注为“0”，得到分割后的动脉瘤及载瘤动脉的掩膜图像；

基于动脉瘤的掩膜图像的表面像素的质心来确定动脉瘤的质心P；

基于载瘤动脉的掩膜图像，提取载瘤动脉的中心线，并通过人工手动标记的方式来标记起始点O；

从质心P到中心线建立垂线，其中，垂线与中心线的交点为B；

基于垂线段BP和中心线，确定微导管初始形态OBP。

由此确定了微导管的初始形态OBP，再通过微导管初始形态OBP来生成若干条不同的微导管形态。

其中，基于微导管初始形态，确定若干条不同的微导管形态的步骤，包括：

根据微导管初始形态OBP，获取微导管初始形态的离散点集；

设定最终所需生成的微导管形态数量为N，

通过对微导管初始形态的离散点集中至少一个离散点进行空间坐标的随机微小改动，使得至少其中一个离散点形成新的离散点，确定更新后的离散点集，再对更新后的离散点集进行拟合来确定更新后的微导管形态，

重复若干次上述的操作，直至生成的不同形态的微导管数量已经达到所设定的微导管形态数量N或者是新生成的微导管形态不再发生改变，即为完成若干条不同微导管形态的确定，

至此，确定了N条不同的微导管形态。

接下来，开始训练神经网络模型，以得到基于预先训练的神经网络模型，该基于预先训练的神经网络模型可对上述N条不同的微导管形态进行评价，以确定适合的微导管形态。

基于训练样本数据，以及包括动脉瘤及载瘤动脉的掩膜图像，初始神经网络模型确定训练样本数据的预测标签，训练样本数据一般经专家筛选、自动方法或半自动方法评定的多个适合上述动脉瘤及载瘤动脉的微导管样本，以及多个非适合上述动脉瘤及载瘤动脉的微导管样本。对每一适合的微导管样本和每一非适合的微导管样本进行标注以确定训练样本数据的标签，示例性地，适合的微导管样本标注为“1”，非适合的微导管样本标注为“0”，以确定训练样本数据的标签。

通过将预测标签和训练样本数据的标签进行损失函数的函数值计算；

基于损失函数的函数值，确定初始神经网络模型的梯度，进行反向传播并不断更新初始神经网络模型的权重参数，直至损失函数的函数值不再下降，或者保持一个值域相对收敛，确定基于预先训练的神经网络模型。

至此，神经网络模型已训练完毕。

将在先生成的若干条不同的微导管形态输入至该基于预先训练的神经网络模型，其中，基于预先训练的神经网络模型对上述微导管形态进行评价的方式为对微导管形态进行评分，评分范围为0-1，其中1代表最优微导管形态，越接近1的说明该微导管形态越适合上述的载瘤动脉以及动脉瘤，也就该微导管形态匹配该动脉瘤的概率越大。

在实际操作过程中，可以预先设定阈值S，当基于预先训练的神经网络模型对微导管形态的评分在0-S(不包括S)之间，则最终输出结果为非适合的微导管形态，如评分在S-1之间，则最终输出结果为适合的微导管形态，此种方式下，对若干条不同的微导管形态进行了归类，一类为适合的微导管形态，一类为非适合的微导管形态。

通过该实例性实施方式，使用基于预先训练的神经网络模型对在先生成的若干条不同的微导管形态进行评分或归类，可以使医生或专业人员在短时间内参照适合的微导管形态或最优的微导管形态来对微导管进行塑形，提高了微导管塑形的准确率，降低医生或专业人员因一次塑形不成功进行二次塑形的概率，减小微导管塑形的时间。

参考图7，本发明还提供了一种确定微导管形态的***10，包括：

生成器11，生成器11确定若干条不同的微导管形态；

判别器12，基于预先训练的神经网络模型，对每一微导管形态进行评价，以确定适合的微导管形态。

采用上述技术方案，基于预先训练的神经网络模型，可以对多条微导管形态进行评价，从中确定合适的微导管形态提高了微导管形态与载瘤动脉及动脉瘤匹配的准确率，减小微导管形态塑形的时间，为手术提供了有效的数据支持。

参考图8，本发明还提供一种电子设备20，包括存储器21、处理器22以及存储在存储器21上可在处理器22上运行的计算机程序，处理器22执行计算机程序时实现前述的任一实施方式中确定微导管形态的方法。其中，存储器例如可以包括***存储器、固定非易失性存储介质等。***存储器例如存储有操作***、应用程序、引导装载程序(Boot Loader)以及其他程序等。

本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现前述任一实施方式中确定微导管形态的方法。本领域内的技术人员应当明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用非瞬时性存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解为可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

应当注意的是，在有些作为替换的实现方式中，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。

另外，虽然通过参照本发明的某些优选实施方式，已经对本发明进行了图示和描述，但本领域的普通技术人员应该明白，以上内容是结合具体的实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。本领域技术人员可以在形式上和细节上对其作各种改变，包括做出若干简单推演或替换，而不偏离本发明的精神和范围。

Claims (11)

1.一种确定微导管形态的方法，其特征在于，包括：

确定若干条不同的微导管形态；

基于预先训练的神经网络模型，对每一所述微导管形态进行评价，以确定适合的微导管形态。

2.如权利要求1所述的确定微导管形态的方法，其特征在于，所述确定若干条不同的微导管形态的步骤，包括：

确定微导管初始形态；

基于所述微导管初始形态，确定若干条不同的微导管形态。

3.如权利要求2所述的确定微导管形态的方法，其特征在于，所述确定微导管初始形态的步骤，包括：

获取包括动脉瘤及载瘤动脉的影像；

基于所述影像，确定所述动脉瘤位置；

基于所述动脉瘤的位置，对所述动脉瘤和所述载瘤动脉进行分割，确定所述动脉瘤和所述载瘤动脉的掩膜图像；

基于所述动脉瘤的掩膜图像，确定所述动脉瘤的质心P，且基于所述载瘤动脉的掩膜图像，提取所述载瘤动脉的中心线，并确定所述中心线的起始点O；

作所述质心P到所述中心线的垂线，其中，所述垂线与所述中心线的交点为B；

基于垂线段BP和所述中心线，建立所述微导管初始形态OBP。

4.如权利要求3所述的确定微导管形态的方法，其特征在于，所述基于所述微导管初始形态，确定若干条不同的微导管形态的步骤，包括：

提取所述微导管初始形态的离散点集；

对所述离散点集中的至少一个离散点进行随机扰动，确定更新后的离散点集；

拟合所述更新后的离散点集，确定更新后的微导管形态；

重复若干次所述随机扰动及拟合，以确定若干条不同的微导管形态。

5.如权利要求4所述的确定微导管形态的方法，其特征在于，所述离散点位于所述载瘤动脉或所述动脉瘤的掩膜图像上。

6.如权利要求3所述的确定微导管形态的方法，其特征在于，所述基于预先训练的神经网络模型，对每一微导管形态进行评价，以确定适合的微导管形态的步骤，包括：

获取训练样本数据，所述训练样本数据包括多个微导管样本数据，其中所述多个微导管样本数据划分为适合和非适合两类标签；

基于所述训练样本数据、所述包括动脉瘤及载瘤动脉的掩膜图像，初始神经网络模型确定所述训练样本数据的预测标签；

基于所述预测标签和所述训练样本数据的标签进行损失函数的函数值计算；

基于所述损失函数的函数值，确定所述初始神经网络模型的梯度，进行反向传播并不断更新所述初始神经网络模型的权重参数，直至所述损失函数的函数值收敛至稳定状态，确定所述基于预先训练的神经网络模型；

基于所述基于预先训练的神经网络模型，对每一微导管形态进行评价，以确定适合的微导管形态。

7.如权利要求6所述的确定微导管形态的方法，其特征在于，所述基于所述训练样本数据、包括动脉瘤及载瘤动脉的掩膜图像，初始神经网络模型确定所述训练样本数据的预测标签的步骤，包括：

基于初始神经网络模型，提取所述包括动脉瘤及载瘤动脉的掩膜图像、所述训练样本数据的特征；

所述初始神经网络模型的全连接层对提取的所述特征进行处理，并输出特征向量；

所述初始神经网络模型的softmax层基于所述特征向量，确定所述训练样本数据的所述预测标签。

8.如权利要求6所述的确定微导管形态的方法，其特征在于，所述损失函数的函数值的计算方法包括交叉熵计算方法或均值方差计算方法。

9.一种确定微导管形态的***，其特征在于，包括：

生成器，所述生成器确定若干条不同的微导管形态；

判别器，基于预先训练的神经网络模型，对每一所述微导管形态进行评价，以确定适合的微导管形态。

10.一种电子设备，包括存储器、处理器及存储在存储器上可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8任一项所述的确定微导管形态的方法。

11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8任一项所述的确定微导管形态的方法。

Images