CN116485800B - 动脉瘤形态学参数自动获取方法、装置、设备和存储介质 - Google Patents
动脉瘤形态学参数自动获取方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN116485800B CN116485800B CN202310752810.1A CN202310752810A CN116485800B CN 116485800 B CN116485800 B CN 116485800B CN 202310752810 A CN202310752810 A CN 202310752810A CN 116485800 B CN116485800 B CN 116485800B
- Authority
- CN
- China
- Prior art keywords
- aneurysm
- point
- blood vessel
- model
- central line
- 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 196
- 230000000877 morphologic effect Effects 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 39
- 239000013598 vector Substances 0.000 claims abstract description 65
- 230000003902 lesion Effects 0.000 claims abstract description 52
- 230000002792 vascular Effects 0.000 claims abstract description 26
- 210000004204 blood vessel Anatomy 0.000 claims description 147
- 206010028980 Neoplasm Diseases 0.000 claims description 127
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 abstract description 8
- 230000000875 corresponding effect Effects 0.000 description 47
- 238000010586 diagram Methods 0.000 description 9
- 238000005259 measurement Methods 0.000 description 9
- 238000011156 evaluation Methods 0.000 description 4
- 201000008450 Intracranial aneurysm Diseases 0.000 description 2
- 238000002583 angiography Methods 0.000 description 2
- 238000010968 computed tomography angiography Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 208000032851 Subarachnoid Hemorrhage Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000000004 hemodynamic effect Effects 0.000 description 1
- 238000007917 intracranial administration Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/02007—Evaluating blood vessel condition, e.g. elasticity, compliance
- A61B5/02014—Determining aneurysm
-
- 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
- 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
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Vascular Medicine (AREA)
- General Health & Medical Sciences (AREA)
- Surgery (AREA)
- Radiology & Medical Imaging (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Heart & Thoracic Surgery (AREA)
- Quality & Reliability (AREA)
- Biophysics (AREA)
- Physiology (AREA)
- Cardiology (AREA)
- Neurosurgery (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本申请涉及一种动脉瘤形态学参数自动获取方法、装置、设备和存储介质,通过根据血管影像构建血管三维模型并得到相应的第一维诺图,在血管三维模型中通过确定病变血管段部分重建无动脉瘤的健康血管模型,根据健康血管模型构建目标动脉瘤的第一瘤腔模型,根据第一瘤腔模型以及健康血管模型的中心线进行计算,得到动脉瘤的方向轴,通过根据方向轴上的点生成的多个平面及各平面对应的法向矢量以确定动脉瘤的瘤颈平面,利用瘤颈平面对第一瘤腔模型进行切割得到第二瘤腔模型,最后根据第二瘤腔模型以及瘤颈平面进行计算得到动脉瘤形态学参数。采用本方法提高了形态学参数计算的可重复性的同时提高获取动脉瘤形态学参数准确性及效率。
Description
技术领域
本申请涉及医学影像处理技术领域,特别是涉及一种动脉瘤形态学参数自动获取方法、装置、设备和存储介。
背景技术
颅内动脉瘤是指颅内动脉壁的异常膨出,总体患病率大约为3%~5%。尽管大多数颅内动脉瘤终生未发生破裂,然而一旦破裂引发蛛网膜下腔出血,其致死率可达40%。因此,及时地筛查与评估动脉瘤的破裂风险尤为重要。而动脉瘤的破裂风险通常与患者的临床特征、动脉瘤的形态学特征以及血流动力学特征存在较强的相关性。其中形态学评估是预测动脉瘤破裂风险的重要临床手段。
目前临床场景中的形态学评估主要是基于二维图像的人工测量,其测量结果与动脉瘤的真实三维几何存在偏差。此外,不同的评估人员之间对影像视角的选择以及测量位置的选择也存在差异。因此人工测量手段存在准确性低和可重复性低的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够避免人工测量并提高准确度的动脉瘤形态学参数自动获取方法、装置、设备和存储介质。
一种动脉瘤形态学参数自动获取方法,所述方法包括:
获取与目标动脉瘤相关的血管影像,根据所述血管影像构建相应的血管三维模型;
根据所述血管三维模型生成第一维诺图,在所述血管三维模型中通过血管中心线确定病变血管段部分;
根据所述病变血管段部分在所述血管三维模型中重建无动脉瘤的健康血管模型;
根据所述健康血管模型对第一维诺图进行处理,提取表示目标动脉瘤瘤腔的第二维诺图,并根据所述第二维诺图构建目标动脉瘤的第一瘤腔模型;
根据所述第一瘤腔模型以及所述健康血管模型的中心线进行计算,得到所述动脉瘤的方向轴,并通过根据所述方向轴上的点生成的多个平面及各平面对应的法向矢量以确定所述动脉瘤的瘤颈平面;
利用所述瘤颈平面对第一瘤腔模型进行切割,提取最大连通域作为第二瘤腔模型;
根据所述第二瘤腔模型以及瘤颈平面进行动脉瘤形态学参数的计算,以获取目标动脉瘤的形态学参数。
在其中一实施例中,所述在所述血管三维模型中通过血管中心线确定病变血管段部分包括:
在所述血管三维模型中获取连接血管入口与血管出口的第一中心线,连接血管入口与动脉瘤瘤顶的第二中心线,以及连接血管出口与动脉瘤瘤顶的第三中心线;
获取以各条中心线上的每一个点为中心点的血管沿线最大内切球半径序列,分别为第一半径序列、第二半径序列以及第三半径序列;
分别计算第二中心线以及第三中心线上每一个点距离第一中心线上最近一个点之间的距离,以在所述第一中心线上确定第一分岔点和第二分岔点;
分别以所述第一分岔点和第二分岔点为起点,在所述第一中心线上向血管入口方向以及血管出口方向移动预设距离,得到第一病变血管段端点以及第二病变血管段端点;
所述病变血管段部分为血管三维模型中第一病变血管段端点以及第二病变血管段端点之间的部分。
在其中一实施例中,所述分别计算第二中心线以及第三中心线上每一个点距离第一中心线上最近一个点之间的距离,以在所述第一中心线上确定第一分岔点和第二分岔点包括:
从血管入口开始遍历计算所述第一中心线上每一个点距离所述第二中心线上最近点之间的距离,当该距离大于预设阈值,则对应的点为所述第一分岔点;
从血管出口开始遍历计算所述第一中心线上每一个点距离所述第三中心线上最近点之间的距离,当该距离大于预设阈值,则对应的点为所述第二分岔点。
在其中一实施例中,所述根据所述病变血管段部分在所述血管三维模型中重建无动脉瘤的健康血管模型包括:
在所述第一中心线上将所述第一病变血管段端点以及第二病变血管段端点之间的部分去除,并利用样条曲线对去除部分进行插值补全,得到第四中心线;
对所述第一半径序列中对应第一病变血管段端点以及第二病变血管段端点之间的数据去除,并对去除部分进行插值补全,得到第四半径序列;
根据所述第四中心线以及第四半径序列进行重建,得到所述无动脉瘤的健康血管模型,其中,所述第四中心线为所述健康血管模型的中心线。
在其中一实施例中,所述根据所述健康血管模型对第一维诺图进行处理,提取表示目标动脉瘤瘤腔的第二维诺图,包括:
所述第一维诺图包括所述血管三维模型对应的泰森多边形顶点集合以及每个顶点所属内切球的半径;
利用射线法对所述第一维诺图中的每一个泰森多边形顶点根据所述健康血管进行判断,根据位于所述健康血管模型外部的所有顶点所属的泰森多边形构建所述第二维诺图。
在其中一实施例中,所述根据所述第一瘤腔模型以及所述健康血管模型的中心线进行计算,得到所述动脉瘤的方向轴包括:
计算所述第一瘤腔模型上每一个点到第四中心线之间的距离,根据得到的距离将所述第一瘤腔模型上的点分为多类;
利用最短路径算法对每一类的点进行连接,对应形成所述第一瘤腔模型上瘤腔壁上的多圈等距线;
计算每一圈等距线的几何中心坐标,并利用三次样条曲线对所有几何中心坐标进行插值,得到所述动脉瘤的方向轴。
在其中一实施例中,所述通过根据所述方向轴上的点生成的多个平面及各平面对应的法向矢量以确定所述动脉瘤的瘤颈平面包括:
将所述方向轴上靠近所述第四中心线的端点作为近端点,远离所述第四中心线的端点作为远端点;
将所述近端点作为方向轴第一点,同时将所述方向轴上的其他点按照距离所述方向轴第一点的近远依次记为方向轴第二点、方向轴第三点,直至所述远端点;
以所述方向轴第一点以及该点对应的切向矢量生成第一平面,第一平面过方向轴第一点且以该点对应的切向矢量为第一法向矢量;
将所述第一法向矢量进行任意方向预设角度的偏转,得到第二法向矢量,过所述方向轴第一点且以所述第二法向矢量为平面法向得到第二平面;
直至绕所述方向轴第一点旋转一周,得到多个平面及各平面对应的法向矢量,计算每个平面与第一瘤腔模型的交线,若多条交线中存在封闭曲线,则选择封闭曲线中曲线包围面积最小者对应的平面作为所述动脉瘤的瘤颈平面;
若多条交线中不存在封闭曲线,则选择所述方向轴第二点生成多个平面及各平面对应的法向矢量,直至得到所述动脉瘤的瘤颈平面。
一种动脉瘤形态学参数自动获取装置,所述装置包括:
血管三维模型构建模块,用于获取与目标动脉瘤相关的血管影像,根据所述血管影像构建相应的血管三维模型;
病变血管段部分确定模块,用于根据所述血管三维模型生成第一维诺图,在所述血管三维模型中通过血管中心线确定病变血管段部分;
健康血管模型构建模块,用于根据所述病变血管段部分在所述血管三维模型中重建无动脉瘤的健康血管模型;
第一瘤腔模型构建模块,用于根据所述健康血管模型对第一维诺图进行处理,提取表示目标动脉瘤瘤腔的第二维诺图,并根据所述第二维诺图构建目标动脉瘤的第一瘤腔模型;
瘤颈平面得到模块,用于根据所述第一瘤腔模型以及所述健康血管模型的中心线进行计算,得到所述动脉瘤的方向轴,并通过根据所述方向轴上的点生成的多个平面及各平面对应的法向矢量以确定所述动脉瘤的瘤颈平面;
第二瘤腔模型得到模块,用于利用所述瘤颈平面对第一瘤腔模型进行切割,提取最大连通域作为第二瘤腔模型;
形态学参数自动获取模块,用于根据所述第二瘤腔模型以及瘤颈平面进行动脉瘤形态学参数的计算,以获取目标动脉瘤的形态学参数。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取与目标动脉瘤相关的血管影像,根据所述血管影像构建相应的血管三维模型;
根据所述血管三维模型生成第一维诺图,在所述血管三维模型中通过血管中心线确定病变血管段部分;
根据所述病变血管段部分在所述血管三维模型中重建无动脉瘤的健康血管模型;
根据所述健康血管模型对第一维诺图进行处理,提取表示目标动脉瘤瘤腔的第二维诺图,并根据所述第二维诺图构建目标动脉瘤的第一瘤腔模型;
根据所述第一瘤腔模型以及所述健康血管模型的中心线进行计算,得到所述动脉瘤的方向轴,并通过根据所述方向轴上的点生成的多个平面及各平面对应的法向矢量以确定所述动脉瘤的瘤颈平面;
利用所述瘤颈平面对第一瘤腔模型进行切割,提取最大连通域作为第二瘤腔模型;
根据所述第二瘤腔模型以及瘤颈平面进行动脉瘤形态学参数的计算,以获取目标动脉瘤的形态学参数。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取与目标动脉瘤相关的血管影像,根据所述血管影像构建相应的血管三维模型;
根据所述血管三维模型生成第一维诺图,在所述血管三维模型中通过血管中心线确定病变血管段部分;
根据所述病变血管段部分在所述血管三维模型中重建无动脉瘤的健康血管模型;
根据所述健康血管模型对第一维诺图进行处理,提取表示目标动脉瘤瘤腔的第二维诺图,并根据所述第二维诺图构建目标动脉瘤的第一瘤腔模型;
根据所述第一瘤腔模型以及所述健康血管模型的中心线进行计算,得到所述动脉瘤的方向轴,并通过根据所述方向轴上的点生成的多个平面及各平面对应的法向矢量以确定所述动脉瘤的瘤颈平面;
利用所述瘤颈平面对第一瘤腔模型进行切割,提取最大连通域作为第二瘤腔模型;
根据所述第二瘤腔模型以及瘤颈平面进行动脉瘤形态学参数的计算,以获取目标动脉瘤的形态学参数。
上述动脉瘤形态学参数自动获取方法、装置、设备和存储介质,通过根据获取的血管影像构建相应的血管三维模型并继而生成相应的第一维诺图,在血管三维模型中通过确定病变血管段部分重建无动脉瘤的健康血管模型,再根据健康血管模型在第一维诺图中提取表示目标动脉瘤瘤腔的第二维诺图并构建目标动脉瘤的第一瘤腔模型,接着根据第一瘤腔模型以及健康血管模型的中心线进行计算,得到动脉瘤的方向轴,并通过根据方向轴上的点生成的多个平面及各平面对应的法向矢量以确定动脉瘤的瘤颈平面,利用瘤颈平面对第一瘤腔模型进行切割得到第二瘤腔模型,最后根据第二瘤腔模型以及瘤颈平面进行动脉瘤形态学参数的计算,以获取目标动脉瘤的形态学参数。采用本方法一方面提高了形态学参数计算的可重复性,另一方面提高了获取动脉瘤形态学参数准确性及效率。
附图说明
图1为一个实施例中动脉瘤形态学参数自动获取方法的流程示意图;
图2为一个实施例中第一维诺图以及血管三维模型的示意图;
图3为一个实施例中血管三维模型中各中心线、分岔点以及病变血管段端点的示意图;
图4为一个实施例中健康血管模型、第二维诺图以及第一瘤腔模型示意图,其中,图(a)为健康血管模型以及第二维诺图的示意图,图(b)为第一瘤腔模型示意图;
图5为一个实施例中第一瘤腔模型上等距线以及方向轴的示意图;
图6为一个实施例中动脉瘤瘤颈分割效果示意图;
图7为一个实施例中动脉瘤形态学参数自动获取装置的结构框图;
图8为一个实施例中计算机设备的内部结构图。
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。
针对现有技术中,对动脉瘤的形态学评估主要是基于二维图像的人工测量,其测量结果往往存在误差,并且不同的人进行测量时,其测量结果也存在差异,从而导致人工测量手段存在准确性低和可重复性低的问题,如图1所示,提供了一种动脉瘤形态学参数自动获取方法,包括以下步骤:
步骤S100,获取与目标动脉瘤相关的血管影像,根据血管影像构建相应的血管三维模型;
步骤S110,根据血管三维模型生成第一维诺图,在第一维诺图中通过血管中心线确定病变血管段部分;
步骤S120,根据病变血管段部分在第一维诺图中重建无动脉瘤的健康血管模型;
步骤S130,根据健康血管模型对第一维诺图进行处理,提取表示目标动脉瘤瘤腔的第二维诺图,并根据第二维诺图构建目标动脉瘤的第一瘤腔模型;
步骤S140,根据第一瘤腔模型以及健康血管模型的中心线进行计算,得到动脉瘤的方向轴,并通过根据方向轴上的点生成的多个平面及各平面对应的法向矢量以确定动脉瘤的瘤颈平面;
步骤S150,利用瘤颈平面对第一瘤腔模型进行切割,提取最大连通域作为第二瘤腔模型;
步骤S160,根据第二瘤腔模型以及瘤颈平面进行动脉瘤形态学参数的计算,以获取目标动脉瘤的形态学参数。
在本实施例中,基于医学图像重构动脉瘤模型,再在动脉瘤模型自动确定瘤颈平面,最后利用算法自动获得动脉瘤的形态学参数。本方法进一步提高了整个获取动脉瘤的形态学参数流程的自动化程度,同时提高了获取形态学参数的准确性及效率,还提高了动脉瘤形态学评估的可重复性。
在步骤S100中,获取与目标动脉瘤相关的血管影像为包括但不限于DSA(数字减影血管造影)、CTA(CT血管造影)以及MRA(磁共振血管造影)的三维影像序列。根据血管影像构建血管三维模型(血管模型)时可采用阈值法、水平集法或者是人工智能技术分割模型(例如3D UNet)对三维影像序列进行分割后,再采用立方体算法对血管表面记性重构,得到血管三维模型。其中血管模型中包括目标动脉瘤的部分。
进一步的,在步骤S110中,根据血管三维模型计算对应的voronoi图,并记为第一维诺(voronoi)图,如图2所示。第一维诺图中包含血管模型对应的泰森多边形顶点集合以及每个顶点所属内切球的半径数据。
在本实施例中,在血管三维模型中通过血管中心线确定病变血管段部分包括:在血管三维模型中获取连接血管入口与血管出口的第一中心线,连接血管入口与动脉瘤瘤顶的第二中心线,以及连接血管出口与动脉瘤瘤顶的第三中心线,如图3所示。同时,获取以各条中心线上的每一个点为中心点的血管沿线最大内切球半径序列,分别为第一半径序列、第二半径序列以及第三半径序列。再分别计算第二中心线以及第三中心线上每一个点距离第一中心线上最近一个点之间的距离,以在第一中心线上确定第一分岔点B1和第二分岔点B2。再分别以第一分岔点B1和第二分岔点B2为起点,在第一中心线上向血管入口方向以及血管出口方向移动预设距离,得到第一病变血管段端点L1以及第二病变血管段端点L2。则病变血管段部分为血管三维模型中第一病变血管段端点L1以及第二病变血管段端点L2之间的部分。
具体的,在获取血管三维模型的各中心线之前,需要先在血管三维模型上血管入口位置、血管出口位置以及动脉瘤瘤顶点位置,其确定的方式,可通过手段确定,或者采用相关算法计算得到。
接着,通过计算第一中心线分别与第二中心线和第三中心线之间对应点之间的距离来确定分岔点,在血管三维模型上从血管入口开始遍历计算第一中心线上每一个点距离第二中心线上最近点之间的距离,当该距离大于预设阈值,则对应的点为第一分岔点B1。同时,从血管出口开始遍历计算第一中心线上每一个点距离第三中心线上最近点之间的距离,当该距离大于预设阈值,则对应的点为第二分岔点B2。
在本实施例中,用于判断分岔点的阈值可设置为0.01mm。
在另一实施例中,用到了另一种确定分叉点的方法。第一中心线与第二中心线从血管入口到分叉点之间的点是重合的,从血管入口开始同时遍历第一中心线和第二中心线上的点,每次可以获得两个三维坐标,计算这两个三维坐标之间的距离,当距离大于预设阈值,则对应的点为第一分岔点B1。同样地,从血管出口开始同时遍历第一中心线和第三中心线上的点,得到第二分叉点B2。
进一步的,提取第一分岔点B1以及第二分岔点B2处的最大内切球半径R1、R2。在第一分岔点B1处,沿第一中心线朝入口方向移动沿线距离D1,获得第一病变血管段端点L1。其中D1等于n1倍R1。同样地,在第二分岔点B2处,沿第一中心线朝出口方向移动沿线距离D2,获得第二病变血管段端点L2。其中D2等于n2倍R2。
在本实施例中,n1和n2均为大于0的自然数,在其中一实施例中,n1和n2均等于1。
在步骤S120中,在通过第一和第二病变血管段端点在血管模型上确定病变血管段也就是目标动脉瘤血管段后,根据该部分在血管三维模型中重建无动脉瘤的健康血管模型,包括:在第一中心线上将第一病变血管段端点L1以及第二病变血管段端点L2之间的部分去除,并利用样条曲线对去除部分进行插值补全,得到第四中心线。同时对第一半径序列中对应第一病变血管段端点以及第二病变血管段端点之间的数据去除,并对去除部分进行插值补全,得到第四半径序列。最后根据第四中心线以及第四半径序列进行重建,得到无动脉瘤的健康血管模型,其中,第四中心线为健康血管模型的中心线。
在步骤S130中,根据健康血管模型对第一维诺图进行处理,提取表示目标动脉瘤瘤腔的第二维诺图,如图4(a)所示,包括:第一维诺图包括血管三维模型对应的泰森多边形顶点集合以及每个顶点所属内切球的半径,利用射线法对第一维诺图中的每一个泰森多边形顶点根据健康血管模型进行判断,根据判断位于健康血管模型外部的所有顶点所属的泰森多边形构建第二维诺图。
进一步的,再利用第二维诺图中的顶点以及对应的内切球半径进行重构得到表示目标动脉瘤的第一瘤腔模型,如图4(b)所示。
接着,针对现有技术中,需要通过手动划线的方式定义瘤颈平面,这样的定义方式在不同操作人员之间依然存在偏差,从而影像后续对动脉瘤破裂风险的评估。
具体的,在步骤S140中,首先根据第一瘤腔模型以及健康血管模型的中心线进行计算,得到动脉瘤的方向轴,再通过该方向轴上的点生成的多个平面及各平面对应的法向矢量以确定动脉瘤的瘤颈平面。
其中,得到动脉瘤的方向轴的过程具体包括:计算第一瘤腔模型上每一个点到第四中心线之间的距离,根据得到的距离将第一瘤腔模型上的点分为多类。接着,利用最短路径算法对每一类的点进行连接,对应形成第一瘤腔模型上瘤腔壁上的多圈等距线,再计算每一圈等距线的几何中心坐标,并利用三次样条曲线对所有几何中心坐标进行插值,得到动脉瘤的方向轴,如图5所示。
具体的,瘤腔壁上越接近瘤颈,其等距线的距离越小,反之越大。等距线的距离间隔为大于0的自然数,本实施例中,等距线的间隔为0.1mm。
接着,根据方向轴上的点生成的多个平面及各平面对应的法向矢量以确定动脉瘤的瘤颈平面,具体包括:将方向轴上靠近第四中心线的端点作为近端点,而远离第四中心线的端点作为远端点。并将近端点作为方向轴第一点,同时将方向轴上的其他点按照距离方向轴第一点的近远依次记为方向轴第二点、方向轴第三点,直至远端点,也就是将方向轴上的点按照距离近端点的远近进行排序。
以方向轴第一点以及该点对应的切向矢量生成第一平面,第一平面过方向轴第一点且以该点对应的切向矢量为平面法向矢量,记该平面法向矢量为第一法向矢量。接着,将第一法向矢量进行任意方向预设角度的偏转,得到第二法向矢量,过方向轴第一点且以第二法向矢量为平面法向得到第二平面。再将第二法向矢量绕第一法向矢量旋转一定角度,得到第三法向矢量以及第三平面。
继续对第三法向矢量绕第一法向矢量旋转,依此类推,直至旋转一周,最终得到N个法向矢量和N个平面,得到多个平面及各平面对应的法向矢量。每次在对法向量进行偏转时,其偏转角度大小并不一致,例如,将第一法向矢量进行任意方向的偏转,其偏转角度可为30°,在将第二法向矢量绕第一法向矢量偏转一定角度时,其偏转角度可为10°。
接着,计算每个平面与第一瘤腔模型的交线,若多条交线中存在封闭曲线,则选择封闭曲线中曲线包围面积最小者对应的平面作为动脉瘤的瘤颈平面。
若多条交线中不存在封闭曲线,则选择方向轴第二点重复上述步骤生成多个平面及各平面对应的法向矢量,并同样的计算每个平面与第一瘤腔模型的交线,直至获得封闭曲线且以包围面积最小者对应的平面作为瘤颈平面。
在步骤S140中,利用瘤颈平面对第一瘤腔进行切割,提取最大连通域作为第二瘤腔,如图6所示。
在步骤S150中,最后,利用瘤颈平面及第二瘤腔,计算动脉瘤形态学参数,包括:动脉瘤入流角、动脉瘤倾角、血管角、动脉瘤最大高度、动脉瘤中部直径、动脉瘤颈直径、载瘤动脉直径、动脉瘤垂直高度、动脉瘤表面积、动脉瘤体积、size ratio(尺寸比)、aspectratio(长短比)、bottle-neck ratio(体颈比)、椭圆指数、非球形指数、动脉瘤形态不规则指数等。
上述动脉瘤形态学参数自动获取方法中,通过利用计算图形学算法,自动划分瘤颈平面,从而提高形态学参数计算的可重复性。同时,降低了动脉瘤形态学评估的学习门槛以及工作负担。并且采用本方法,获取的动脉瘤形态学参数更为精准,使得后续的判断结果更为可靠,一定程度降低了动脉瘤破裂的风险以及过度干预的风险。
应该理解的是,虽然图1的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图7所示,提供了一种动脉瘤形态学参数自动获取装置,包括:血管三维模型构建模块200、病变血管段部分确定模块210、健康血管模型构建模块220、第一瘤腔模型构建模块230、瘤颈平面得到模块240、第二瘤腔模型得到模块250和形态学参数自动获取模块260,其中:
血管三维模型构建模块200,用于获取与目标动脉瘤相关的血管影像,根据所述血管影像构建相应的血管三维模型;
病变血管段部分确定模块210,用于根据所述血管三维模型生成第一维诺图,在所述血管三维模型中通过血管中心线确定病变血管段部分;
健康血管模型构建模块220,用于根据所述病变血管段部分在所述血管三维模型中重建无动脉瘤的健康血管模型;
第一瘤腔模型构建模块230,用于根据所述健康血管模型对第一维诺图进行处理,提取表示目标动脉瘤瘤腔的第二维诺图,并根据所述第二维诺图构建目标动脉瘤的第一瘤腔模型;
瘤颈平面得到模块240,用于根据所述第一瘤腔模型以及所述健康血管模型的中心线进行计算,得到所述动脉瘤的方向轴,并通过根据所述方向轴上的点生成的多个平面及各平面对应的法向矢量以确定所述动脉瘤的瘤颈平面;
第二瘤腔模型得到模块250,用于利用所述瘤颈平面对第一瘤腔模型进行切割,提取最大连通域作为第二瘤腔模型;
形态学参数自动获取模块260,用于根据所述第二瘤腔模型以及瘤颈平面进行动脉瘤形态学参数的计算,以获取目标动脉瘤的形态学参数。
关于动脉瘤形态学参数自动获取装置的具体限定可以参见上文中对于动脉瘤形态学参数自动获取方法的限定,在此不再赘述。上述动脉瘤形态学参数自动获取装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图8所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种动脉瘤形态学参数自动获取方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取与目标动脉瘤相关的血管影像,根据所述血管影像构建相应的血管三维模型;
根据所述血管三维模型生成第一维诺图,在所述血管三维模型中通过血管中心线确定病变血管段部分;
根据所述病变血管段部分在所述血管三维模型中重建无动脉瘤的健康血管模型;
根据所述健康血管模型对第一维诺图进行处理,提取表示目标动脉瘤瘤腔的第二维诺图,并根据所述第二维诺图构建目标动脉瘤的第一瘤腔模型;
根据所述第一瘤腔模型以及所述健康血管模型的中心线进行计算,得到所述动脉瘤的方向轴,并通过根据所述方向轴上的点生成的多个平面及各平面对应的法向矢量以确定所述动脉瘤的瘤颈平面;
利用所述瘤颈平面对第一瘤腔模型进行切割,提取最大连通域作为第二瘤腔模型;
根据所述第二瘤腔模型以及瘤颈平面进行动脉瘤形态学参数的计算,以获取目标动脉瘤的形态学参数。
在一个实施例中,提供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以下步骤:
获取与目标动脉瘤相关的血管影像,根据所述血管影像构建相应的血管三维模型;
根据所述血管三维模型生成第一维诺图,在所述血管三维模型中通过血管中心线确定病变血管段部分;
根据所述病变血管段部分在所述血管三维模型中重建无动脉瘤的健康血管模型;
根据所述健康血管模型对第一维诺图进行处理,提取表示目标动脉瘤瘤腔的第二维诺图,并根据所述第二维诺图构建目标动脉瘤的第一瘤腔模型;
根据所述第一瘤腔模型以及所述健康血管模型的中心线进行计算,得到所述动脉瘤的方向轴,并通过根据所述方向轴上的点生成的多个平面及各平面对应的法向矢量以确定所述动脉瘤的瘤颈平面;
利用所述瘤颈平面对第一瘤腔模型进行切割,提取最大连通域作为第二瘤腔模型;
根据所述第二瘤腔模型以及瘤颈平面进行动脉瘤形态学参数的计算,以获取目标动脉瘤的形态学参数。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上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申请的几种实施方式,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,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (8)
1.动脉瘤形态学参数自动获取方法,其特征在于,所述方法包括:
获取与目标动脉瘤相关的血管影像,根据所述血管影像构建相应的血管三维模型;
根据所述血管三维模型生成第一维诺图,在所述血管三维模型中通过血管中心线确定病变血管段部分,包括:在所述血管三维模型中获取连接血管入口与血管出口的第一中心线,连接血管入口与动脉瘤瘤顶的第二中心线,以及连接血管出口与动脉瘤瘤顶的第三中心线,通过计算第二中心线和第三中心线上每一个点分别距离所述第一中心线上最近一个点之间的距离,以在所述第一中心线上确定第一分岔点和第二分岔点,别以所述第一分岔点和第二分岔点为起点,在所述第一中心线上向血管入口方向以及血管出口方向移动预设距离,得到第一病变血管段端点以及第二病变血管段端点,并根据两个病变血管段端点之间的部分确定所述病变血管段部分;
根据所述病变血管段部分在所述血管三维模型中重建无动脉瘤的健康血管模型,包括:在所述第一中心线上将所述病变血管段部分去除,并利用样条曲线对去除部分进行插值补全,得到第四中心线,对所述第一中心线对应的第一半径序列中对应第一病变血管段端点以及第二病变血管段端点之间的数据去除,并对去除部分进行插值补全,得到第四半径序列,根据所述第四中心线以及第四半径序列进行重建,得到所述无动脉瘤的健康血管模型;
根据所述健康血管模型对第一维诺图进行处理,提取表示目标动脉瘤瘤腔的第二维诺图,并根据所述第二维诺图构建目标动脉瘤的第一瘤腔模型;
根据所述第一瘤腔模型以及所述健康血管模型的中心线进行计算,得到所述动脉瘤的方向轴,并通过根据所述方向轴上的点生成的多个平面及各平面对应的法向矢量以确定所述动脉瘤的瘤颈平面,包括:将所述方向轴上靠近所述第四中心线的端点作为近端点,远离所述第四中心线的端点作为远端点,将所述近端点作为方向轴第一点,同时将所述方向轴上的其他点按照距离所述方向轴第一点的近远依次记为方向轴第二点、方向轴第三点,直至所述远端点,以所述方向轴第一点以及该点对应的切向矢量生成第一平面,第一平面过方向轴第一点且以该点对应的切向矢量为第一法向矢量,将所述第一法向矢量进行任意方向预设角度的偏转,得到第二法向矢量,过所述方向轴第一点且以所述第二法向矢量为平面法向得到第二平面,直至绕所述方向轴第一点旋转一周,得到多个平面及各平面对应的法向矢量,计算每个平面与第一瘤腔模型的交线,若多条交线中存在封闭曲线,则选择封闭曲线中曲线包围面积最小者对应的平面作为所述动脉瘤的瘤颈平面,若多条交线中不存在封闭曲线,则选择所述方向轴第二点生成多个平面及各平面对应的法向矢量,直至得到所述动脉瘤的瘤颈平面;
利用所述瘤颈平面对第一瘤腔模型进行切割,提取最大连通域作为第二瘤腔模型;
根据所述第二瘤腔模型以及瘤颈平面进行动脉瘤形态学参数的计算,以获取目标动脉瘤的形态学参数。
2.根据权利要求1所述的动脉瘤形态学参数自动获取方法,其特征在于,所述在所述血管三维模型中通过血管中心线确定病变血管段部分还包括:
获取以各条中心线上的每一个点为中心点的血管沿线最大内切球半径序列,分别为第一半径序列、第二半径序列以及第三半径序列。
3.根据权利要求2所述的动脉瘤形态学参数自动获取方法,其特征在于,所述分别计算第二中心线以及第三中心线上每一个点距离第一中心线上最近一个点之间的距离,以在所述第一中心线上确定第一分岔点和第二分岔点包括:
从血管入口开始遍历计算所述第一中心线上每一个点距离所述第二中心线上最近点之间的距离,当该距离大于预设阈值,则对应的点为所述第一分岔点;
从血管出口开始遍历计算所述第一中心线上每一个点距离所述第三中心线上最近点之间的距离,当该距离大于预设阈值,则对应的点为所述第二分岔点。
4.根据权利要求3所述的动脉瘤形态学参数自动获取方法,其特征在于,所述根据所述健康血管模型对第一维诺图进行处理,提取表示目标动脉瘤瘤腔的第二维诺图,包括:
所述第一维诺图包括所述血管三维模型对应的泰森多边形顶点集合以及每个顶点所属内切球的半径;
利用射线法对所述第一维诺图中的每一个泰森多边形顶点根据所述健康血管进行判断,根据位于所述健康血管模型外部的所有顶点所属的泰森多边形构建所述第二维诺图。
5.根据权利要求4所述的动脉瘤形态学参数自动获取方法,其特征在于,所述根据所述第一瘤腔模型以及所述健康血管模型的中心线进行计算,得到所述动脉瘤的方向轴包括:
计算所述第一瘤腔模型上每一个点到第四中心线之间的距离,根据得到的距离将所述第一瘤腔模型上的点分为多类;
利用最短路径算法对每一类的点进行连接,对应形成所述第一瘤腔模型上瘤腔壁上的多圈等距线;
计算每一圈等距线的几何中心坐标,并利用三次样条曲线对所有几何中心坐标进行插值,得到所述动脉瘤的方向轴。
6.动脉瘤形态学参数自动获取装置,其特征在于,所述装置包括:
血管三维模型构建模块,用于获取与目标动脉瘤相关的血管影像,根据所述血管影像构建相应的血管三维模型;
病变血管段部分确定模块,用于根据所述血管三维模型生成第一维诺图,在所述血管三维模型中通过血管中心线确定病变血管段部分,包括:在所述血管三维模型中获取连接血管入口与血管出口的第一中心线,连接血管入口与动脉瘤瘤顶的第二中心线,以及连接血管出口与动脉瘤瘤顶的第三中心线,通过计算第二中心线和第三中心线上每一个点分别距离所述第一中心线上最近一个点之间的距离,以在所述第一中心线上确定第一分岔点和第二分岔点,别以所述第一分岔点和第二分岔点为起点,在所述第一中心线上向血管入口方向以及血管出口方向移动预设距离,得到第一病变血管段端点以及第二病变血管段端点,并根据两个病变血管段端点之间的部分确定所述病变血管段部分;
健康血管模型构建模块,用于根据所述病变血管段部分在所述血管三维模型中重建无动脉瘤的健康血管模型,包括:在所述第一中心线上将所述病变血管段部分去除,并利用样条曲线对去除部分进行插值补全,得到第四中心线,对所述第一中心线对应的第一半径序列中对应第一病变血管段端点以及第二病变血管段端点之间的数据去除,并对去除部分进行插值补全,得到第四半径序列,根据所述第四中心线以及第四半径序列进行重建,得到所述无动脉瘤的健康血管模型;
第一瘤腔模型构建模块,用于根据所述健康血管模型对第一维诺图进行处理,提取表示目标动脉瘤瘤腔的第二维诺图,并根据所述第二维诺图构建目标动脉瘤的第一瘤腔模型;
瘤颈平面得到模块,用于根据所述第一瘤腔模型以及所述健康血管模型的中心线进行计算,得到所述动脉瘤的方向轴,并通过根据所述方向轴上的点生成的多个平面及各平面对应的法向矢量以确定所述动脉瘤的瘤颈平面,包括:将所述方向轴上靠近所述第四中心线的端点作为近端点,远离所述第四中心线的端点作为远端点,将所述近端点作为方向轴第一点,同时将所述方向轴上的其他点按照距离所述方向轴第一点的近远依次记为方向轴第二点、方向轴第三点,直至所述远端点,以所述方向轴第一点以及该点对应的切向矢量生成第一平面,第一平面过方向轴第一点且以该点对应的切向矢量为第一法向矢量,将所述第一法向矢量进行任意方向预设角度的偏转,得到第二法向矢量,过所述方向轴第一点且以所述第二法向矢量为平面法向得到第二平面,直至绕所述方向轴第一点旋转一周,得到多个平面及各平面对应的法向矢量,计算每个平面与第一瘤腔模型的交线,若多条交线中存在封闭曲线,则选择封闭曲线中曲线包围面积最小者对应的平面作为所述动脉瘤的瘤颈平面,若多条交线中不存在封闭曲线,则选择所述方向轴第二点生成多个平面及各平面对应的法向矢量,直至得到所述动脉瘤的瘤颈平面;
第二瘤腔模型得到模块,用于利用所述瘤颈平面对第一瘤腔模型进行切割,提取最大连通域作为第二瘤腔模型;
形态学参数自动获取模块,用于根据所述第二瘤腔模型以及瘤颈平面进行动脉瘤形态学参数的计算,以获取目标动脉瘤的形态学参数。
7.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,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5中任一项所述方法的步骤。
8.一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5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310752810.1A CN116485800B (zh) | 2023-06-26 | 2023-06-26 | 动脉瘤形态学参数自动获取方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310752810.1A CN116485800B (zh) | 2023-06-26 | 2023-06-26 | 动脉瘤形态学参数自动获取方法、装置、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116485800A CN116485800A (zh) | 2023-07-25 |
CN116485800B true CN116485800B (zh) | 2023-09-08 |
Family
ID=87218185
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310752810.1A Active CN116485800B (zh) | 2023-06-26 | 2023-06-26 | 动脉瘤形态学参数自动获取方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116485800B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109907732A (zh) * | 2019-04-09 | 2019-06-21 | 广州新脉科技有限公司 | 一种颅内动脉瘤破裂风险的评估方法及*** |
CN115600053A (zh) * | 2021-06-28 | 2023-01-13 | 华为技术有限公司(Cn) | 一种导航方法及相关设备 |
CN116309673A (zh) * | 2022-12-30 | 2023-06-23 | 杭州脉流科技有限公司 | 基于瘤颈曲面获得囊状动脉瘤形态学参数的方法、计算机设备和可读存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060184066A1 (en) * | 2005-02-15 | 2006-08-17 | Baylor College Of Medicine | Method for aiding stent-assisted coiling of intracranial aneurysms by virtual parent artery reconstruction |
-
2023
- 2023-06-26 CN CN202310752810.1A patent/CN116485800B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109907732A (zh) * | 2019-04-09 | 2019-06-21 | 广州新脉科技有限公司 | 一种颅内动脉瘤破裂风险的评估方法及*** |
CN115600053A (zh) * | 2021-06-28 | 2023-01-13 | 华为技术有限公司(Cn) | 一种导航方法及相关设备 |
CN116309673A (zh) * | 2022-12-30 | 2023-06-23 | 杭州脉流科技有限公司 | 基于瘤颈曲面获得囊状动脉瘤形态学参数的方法、计算机设备和可读存储介质 |
Non-Patent Citations (1)
Title |
---|
颈内-后交通动脉瘤破裂危险的形态学与血流动力学分析;吕楠;江澈;瞿米睿;Ajay K.Wakhloo;徐瑾瑜;于瀛;刘建民;黄清海;;第二军医大学学报(04);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116485800A (zh) | 2023-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109493348B (zh) | 一种颅内动脉瘤图像的形态学参数的测量方法及*** | |
US20120323547A1 (en) | Method for intracranial aneurysm analysis and endovascular intervention planning | |
JP2007528529A (ja) | 3dデータ集合のサーフェスを識別するための方法及びシステム(「ボクセル分割」) | |
CN112446866B (zh) | 血流参数的计算方法、装置、设备及存储介质 | |
US20150104090A1 (en) | Modification of a hollow organ representation | |
US11600379B2 (en) | Systems and methods for generating classifying and quantitative analysis reports of aneurysms from medical image data | |
CN116503395B (zh) | 针对宽颈动脉瘤的形态学参数自动得到方法、装置和设备 | |
CN115965750B (zh) | 血管重建方法、装置、计算机设备和可读存储介质 | |
JP4411075B2 (ja) | プローブ位置合わせのための枝選択方法 | |
CN113180824B (zh) | 用于微导管塑形的塑形针形态模拟方法、装置、计算机设备和存储介质 | |
CN116485800B (zh) | 动脉瘤形态学参数自动获取方法、装置、设备和存储介质 | |
CN115953457B (zh) | 推荐首枚弹簧圈的方法和计算机设备 | |
CN117036530A (zh) | 基于跨模态数据的冠状动脉血流储备分数预测方法及装置 | |
US9135697B2 (en) | Method and system for determining a boundary surface network | |
CN116524003B (zh) | 获得分叉部动脉瘤形态学参数的方法和装置 | |
CN113995388B (zh) | 血流储备分数计算方法、装置、电子设备及可读存储介质 | |
CN112001893B (zh) | 一种血管参数的计算方法、装置、设备及存储介质 | |
CN114974596A (zh) | 一种动脉瘤内扰流装置模拟方法及装置 | |
CN116503436B (zh) | 基于控制点进行动脉瘤瘤颈自动分割的方法和装置 | |
CN117438092B (zh) | 颅内动脉瘤破裂风险预测装置、计算机设备和存储介质 | |
CN116485803B (zh) | 获得复杂形状动脉瘤形态学参数的方法和装置 | |
CN115546089A (zh) | 医学图像分割方法、病理图像处理方法、装置、设备 | |
CN115944389B (zh) | 弹簧圈模拟植入的方法和计算机设备 | |
JP6748370B2 (ja) | 生体モデル生成装置、生体モデル生成方法、および生体モデル生成プログラム | |
CN117058328B (zh) | 冠状动脉血管树分级方法、设备、存储介质和程序产品 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |