CN109961850A - 一种评估颅内动脉瘤破裂风险的方法、装置、计算机设备 - Google Patents
一种评估颅内动脉瘤破裂风险的方法、装置、计算机设备 Download PDFInfo
- Publication number
- CN109961850A CN109961850A CN201910207881.7A CN201910207881A CN109961850A CN 109961850 A CN109961850 A CN 109961850A CN 201910207881 A CN201910207881 A CN 201910207881A CN 109961850 A CN109961850 A CN 109961850A
- Authority
- CN
- China
- Prior art keywords
- aneurysm
- blood vessel
- blood
- aneurysmal
- parameter
- 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
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
-
- 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
- A61B5/026—Measuring blood flow
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
-
- 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
- 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)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Physiology (AREA)
- Cardiology (AREA)
- Epidemiology (AREA)
- Vascular Medicine (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Psychiatry (AREA)
- Primary Health Care (AREA)
- Hematology (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请涉及一种评估颅内动脉瘤破裂风险的方法，所述方法包括：获取影像数据；获取待评估血管中的起点和终点得到一段目标血管；通过切割平面对目标血管进行切割区分出动脉瘤壁以及血管壁；分析并获取动脉瘤以及动脉瘤周围的血管的参数信息；根据动脉瘤以及血管的参数信息分配血流量，并通过体积模拟算法对血管以及动脉瘤进行血液流动模拟，并根据模拟结果提取动脉瘤的多种壁面剪切应力参数和对应的血流动力学参数；获取临床参数的多种数据；根据机器学习算法对临床参数、动脉瘤的多种壁面剪切应力参数、对应的血流动力学参数以及动脉瘤和承载动脉瘤的血管的参数信息计算出动脉瘤的破裂风险。
Description
技术领域
本申请涉及颅内动脉瘤破裂风险评估技术领域，特别是涉及一种评估颅内动脉瘤破裂风险的方法、装置、计算机设备。
背景技术
脑血管瘤，又称颅内动脉瘤，是由颅内动脉内腔异常扩张，形成动脉壁的一种瘤状突起。该病是常见颅内血管病，该病可见于占总人口的3%至7%。颅内血管瘤可分为非破裂血管瘤(UIA)及破裂血管瘤（RA），绝大部分的血管瘤为非破裂血管瘤(UIA)，终生不会破裂，其年破裂率仅为0.05%。然而血管瘤一旦破裂，将引发自发性蛛网膜下隙出血，致死致残率超过50%。在各种因脑血管病造成的死亡中，脑血管瘤仅次于脑血栓和高血压脑出血，是威胁人类生命健康的最常见的重大疾病。
目前治疗颅内动脉瘤的手段分为三种：非手术性的保守治疗、开颅动脉瘤夹闭手术以及微创血管内介入手术。非手术性的保守治疗主要目的在于防止再出血和脑动脉痉挛，并不能根除病灶。开颅夹闭手术曾是上个世纪的主要治疗手段，然而开颅手术本身也是一项高风险手术，手术风险可达10%。微创血管内介入手术是目前最广泛使用的治疗手段，主要有线圈栓塞或血管重建装置。然而，即使是手术风险较低的微创介入治疗，病情复发的致死致残率也超过10%。同时，线圈栓塞手术费用需要5-10万，而更先进的血管重建装置则需要20万以上。巨额的手术费用对病人来说也是一个沉重的负担，
脑血管瘤的实际发病风险远低于手术治疗带来的风险，因此，国际UIA研究指出，基于脑血管瘤的自然史，对脑血管瘤的治疗需要慎重权衡，在具体的决策中需要个体化的综合权衡评估。国际上针对脑血管瘤的破裂风险，提出了一种风险评价标准-PHASES得分，该评价方法基于统计学分析，从脑血管瘤的位置、大小、人群、过往病史以及年龄推测出脑血管瘤的五年破裂风险。然而，该标准是根据对种群的统计学分析，忽略了实际中病人各异的血管瘤形态、血流动力学模式，因此对血管瘤的风险评估并不准确，尤其容易低估小型动脉瘤的破裂风险，而在临床中，小型动脉瘤占比超过93%。
近年来的研究显示，动脉瘤的破裂与动脉瘤的形态、血流动力学有统计学显著关系。然而，动脉瘤的形态参数计算较麻烦，同时用户在测量中存在很大的操作随机性，计算结果不准确。血流动力学的计算就更麻烦且耗时，需要对医学图像进行一系列的表面重建、网格生成、流体模拟、流场结果后处理等操作，对于临床医生而言，本身并不具备相关工程、算法知识，操作不方便且结果不准确。同时，研究也显示，动脉瘤的破裂是一个多方因素共同作用的后果，需要综合多种分析结果才能作出准确的判断，这对于临床医生也是巨大的挑战。
发明内容
基于此，有必要针对上述技术问题，提供一种能够评估颅内动脉瘤破裂风险的方法、装置、计算机设备。
一种评估颅内动脉瘤破裂风险的方法，所述方法包括：
获取数据：获取影像数据。
处理数据：对获取到的影像数据通过阈值分割法建立三维模型。
获取种子点：获取三维模型的种子点并确定种子点对应的三维模型。
呈现三维图像：通过碰撞前端法对所述种子点对应的三维模型进行重新分割，呈现出三维图像。
重建待评估血管：用marching cube算法对所述三维图像进行重建得到待评估血管的形状。
获取目标血管：获取待评估血管中的起点和终点得到一段目标血管。
获取切割平面：获取目标血管中的三点或多点得到切割平面。
划分目标血管：通过切割平面对目标血管进行切割区分出动脉瘤壁以及血管壁。
获取参数：分析并获取动脉瘤以及动脉瘤周围的血管的参数信息。
获取动脉瘤的壁面剪切应力：根据动脉瘤以及血管的参数信息分配血流量，并通过体积模拟算法对血管以及动脉瘤进行血液流动模拟，并根据模拟结果提取动脉瘤的多种壁面剪切应力参数和对应的血流动力学参数。
获取临床参数：获取临床参数的多种数据。
得出风险结果：根据机器学习算法对临床参数、动脉瘤的多种壁面剪切应力参数、对应的血流动力学参数以及动脉瘤和承载动脉瘤的血管的参数信息计算出动脉瘤的破裂风险。
在其中一个实施例中，在所述重建待评估血管的步骤之前还包括：
修剪三维图像：通过水平集算法对三维图像进行进一步地分割得到细化的三维图像。
在其中一个实施例中，所述血流量为获取的血流量。
在其中一个实施例中，所述体积模拟算法为有限体积法。
在其中一个实施例中，所述体积模拟算法为有限元法。
在其中一个实施例中，所述体积模拟算法为有限差分法。
在其中一个实施例中，所述体积模拟算法为格子波兹曼法。
一种评估颅内动脉瘤破裂风险装置，其特征在于，所述装置包括：
获取数据信息模块，用于获取影像数据，获取待评估血管中的起点和终点以得到一段目标血管、获取三维模型的种子点以确定种子点对应的三维模型、获取目标血管中的三点或多点以得到切割平面以及获取临床参数的多种数据。
图像处理模块，用于对获取到的影像数据通过阈值分割法建立三维模型、通过碰撞前端法对所述种子点对应的三维模型进行重新分割以呈现出三维图像以及用marchingcube算法对三维图像进行重建得到待评估血管的形状、通过切割平面对目标血管进行切割区分出动脉瘤壁以及血管壁。
模拟模块，用于根据动脉瘤以及血管的参数信息分配血流量，并通过体积模拟算法对血管以及动脉瘤进行血液流动模拟，并根据模拟结果提取动脉瘤的多种壁面剪切应力参数和对应的血流动力学参数。
计算风险模块：根据机器学习算法对临床参数、动脉瘤的多种壁面剪切应力参数、对应的血流动力学参数以及动脉瘤和承载动脉瘤的血管的参数信息计算出动脉瘤的破裂风险。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取数据：获取影像数据。
处理数据：对获取到的影像数据通过阈值分割法建立三维模型。
获取种子点：获取三维模型的种子点并确定种子点对应的三维模型。
呈现三维图像：通过碰撞前端法对所述种子点对应的三维模型进行重新分割，呈现出三维图像。
重建待评估血管：用marching cube算法对所述三维图像进行重建得到待评估血管的形状。
获取目标血管：获取待评估血管中的起点和终点得到一段目标血管。
获取切割平面：获取目标血管中的三点或多点得到切割平面。
划分目标血管：通过切割平面对目标血管进行切割区分出动脉瘤壁以及血管壁。
获取参数：分析并获取动脉瘤以及动脉瘤周围的血管的参数信息。
获取动脉瘤的壁面剪切应力：根据动脉瘤以及血管的参数信息分配血流量，并通过体积模拟算法对血管以及动脉瘤进行血液流动模拟，并根据模拟结果提取动脉瘤的多种壁面剪切应力参数和对应的血流动力学参数。
获取临床参数：获取临床参数的多种数据。
得出风险结果：根据机器学习算法对临床参数、动脉瘤的多种壁面剪切应力参数、对应的血流动力学参数以及动脉瘤和承载动脉瘤的血管的参数信息计算出动脉瘤的破裂风险。
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：
获取数据：获取影像数据。
处理数据；对获取到的影像数据通过阈值分割法建立三维模型。
获取种子点：获取三维模型的种子点并确定种子点对应的三维模型。
呈现三维图像；通过碰撞前端法对所述种子点对应的三维模型进行重新分割，呈现出三维图像。
重建待评估血管：用marching cube算法对所述三维图像进行重建得到待评估血管的形状。
获取目标血管：获取待评估血管中的起点和终点得到一段目标血管。
获取切割平面：获取目标血管中的三点或多点得到切割平面。
划分目标血管：通过切割平面对目标血管进行切割区分出动脉瘤壁以及血管壁。
获取参数：分析并获取动脉瘤以及动脉瘤周围的血管的参数信息。
获取动脉瘤的壁面剪切应力：根据动脉瘤以及血管的参数信息分配血流量，并通过体积模拟算法对血管以及动脉瘤进行血液流动模拟，并根据模拟结果提取动脉瘤的多种壁面剪切应力参数和对应的血流动力学参数。
获取临床参数：获取临床参数的多种数据。
得出风险结果：根据机器学习算法对临床参数、动脉瘤的多种壁面剪切应力参数、对应的血流动力学参数以及动脉瘤和承载动脉瘤的血管的参数信息计算出动脉瘤的破裂风险。
上述评估颅内动脉瘤破裂风险的方法、装置、计算机设备和存储介质，首先将获取到的血管影像数据进行处理得到目标血管的三维图像，划分出目标血管的三维图像中的动脉瘤和承载动脉瘤的血管，并根据动脉瘤和承载动脉瘤的血管的参数信息进行血液流动模拟，并根据模拟结果提取获得动脉瘤的多种壁面剪切应力参数和对应的血流动力学参数并结合获取到的临床参数、动脉瘤和承载动脉瘤的血管的参数信息根据机器学习算法综合计算判定得出待检测颅内动脉瘤破裂风险。上述评估颅内动脉瘤破裂风险的方法综合了每一个病人的多种信息进行风险评估，更加科学、更便捷、更全面、更迅速、得到的结论更加准确，解决了临床医生对患者颅内动脉瘤破裂风险评估的一大难题。
附图说明
图1为一个实施例中评估颅内动脉瘤破裂风险方法的应用环境图；
图2为一个实施例中评估颅内动脉瘤破裂风险方法的流程示意图；
图3为另一个实施例中评估颅内动脉瘤破裂风险方法的流程示意图；
图4为一个实施例中评估颅内动脉瘤破裂风险装置的结构框图；
图5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。
本申请提供的评估颅内动脉瘤破裂风险方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104通过网络进行通信。终端102用于向服务器104传送颅内动脉瘤的影像数据。服务器104对获取到的颅内动脉瘤的影像通过阈值分割法建立三维模型。终端102向服务器104传送三维模型的种子点以使得服务器104确定种子点对应的三维模型。服务器104通过碰撞前端法对所述种子点对应的三维模型进行重新分割，呈现出三维图像并用marching cube算法对所述三维图像进行重建得到待评估血管的形状。终端102向服务器104传送获取待评估血管中的起点和终点以得到一段目标血管，并向服务器104传送目标血管中的三点或多点以得到切割平面。服务器104通过切割平面对目标血管进行切割区分出动脉瘤壁以及血管壁并分析、获取动脉瘤以及动脉瘤周围的血管的参数信息。服务器104根据动脉瘤以及血管的参数信息分配血流量，并通过体积模拟算法对血管以及动脉瘤进行血液流动模拟，并根据模拟结果提取动脉瘤的多种壁面剪切应力参数和对应的血流动力学参数。终端102向服务器104传送临床参数的多种数据。服务器104根据机器学习算法对临床参数、动脉瘤的多种壁面剪切应力参数、对应的血流动力学参数以及动脉瘤和承载动脉瘤的血管的参数信息计算出动脉瘤的破裂风险并通过终端102显示出。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种评估颅内动脉瘤破裂风险的方法，以该方法应用于图1中的服务器104为例进行说明，包括以下步骤：
步骤201：获取数据：获取影像数据。
具体的，服务器104从终端102获取待评估患者颅内血管瘤的影像，在本实施例中，待评估患者颅内血管瘤的影像是CTA。在其他实施例中，待评估患者颅内血管瘤的影像是MRA。在又一个实施例中待评估患者颅内血管瘤的影像是DSA。在另外的实施例中，待评估患者颅内血管瘤的影像为其他医学影像数据。服务器104将获取到的待评估患者颅内血管瘤的影像转换为通用DICOM格式，便于后期加工处理。
步骤203：处理数据：对获取到的影像数据通过阈值分割法建立三维模型。
具体的，服务器104利用阈值分割法对从终端102获取到的待评估患者颅内血管瘤的影像建立三维的颅内血管瘤模型。需要说明的是，步骤203的目的是根据获取到的待评估患者颅内血管瘤的影像建立比较初步的粗糙的全脑血管的三维模型。具体的，服务器104对获取到的待评估患者颅内血管瘤的影像进行二值话处理，将灰度大于等于阈值的像素标记为1，小于1的标记为0。此为现有技术，故不再赘述。
步骤205：获取种子点：获取三维模型的种子点并确定种子点对应的三维模型。
具体的，服务器104从终端102获取全脑血管的三维模型的种子点并确定种子点对应的三维模型。在本实施例中，全脑血管的三维模型的种子点为动脉瘤所在的位置以及动脉瘤的起点。也就是说，种子点对应的三维模型为动脉瘤及其周围血管。
步骤207：呈现三维图像：通过碰撞前端法对所述种子点对应的三维模型进行重新分割，呈现出三维图像。
具体的，服务器104通过碰撞前端法对所述种子点对应承载动脉瘤的血管的三维模型进行重新分割，呈现出动脉瘤及其周围血管的三维图像。需要说明的是，这一步的目的是更准确地重建动脉瘤及其周围血管。以便后期服务器104对动脉瘤及其周围血管的三维图像进行处理。
步骤209：重建待评估血管：用marching cube算法对所述三维图像进行重建得到待评估血管的形状。
具体的，服务器104用marching cube算法对所述动脉瘤及其周围血管的三维图像进行重建得到待评估血管的形状。以方便服务器104对待评估血管的三维形状进行裁剪处理。
步骤211：获取目标血管：获取待评估血管中的起点和终点得到一段目标血管。
具体的，服务器104从终端102获取待评估血管中的起点和终点，并根据从终端102获取的起点和终点对待评估血管进行剪切得到一段目标血管。需要说明的是，对待评估血管进行剪切前，先提取待评估血管三维形状中的中心线，剪切的面垂直于待评估血管三维形状中的中心线。
步骤213：获取切割平面：获取目标血管中的三点或多点得到切割平面。
具体的，服务器104从终端102获取目标血管中的三点或多点得到切割平面。以便于服务器104使用切割平面对目标血管进行切割。不同的切割平面对目标血管进行切割的效果不同。需要说明的是，切割平面为瘤颈平面。
步骤215：划分目标血管：通过切割平面对目标血管进行切割区分出动脉瘤壁以及血管壁。
具体的，服务器104通过切割平面即瘤颈平面对目标血管进行切割从而区分出动脉瘤壁以及血管壁。以便于服务器104获取动脉瘤以及动脉瘤周围的血管的参数信息。
步骤217：获取参数：分析并获取动脉瘤以及动脉瘤周围的血管的参数信息。
具体的，服务器104分析动脉瘤以及动脉瘤周围的血管并获取动脉瘤以及动脉瘤周围的血管的参数信息。服务器104根据动脉瘤壁，动脉壁，瘤颈平面，以及待评估血管三维形状中的中心线进行计算几何分析，得到动脉瘤的瘤径、瘤高、瘤宽、流入角、流出角、非球形指数（NSI）、椭圆指数（EI）、长宽比(AR)等动脉瘤形态几何参数和动脉瘤周围的血管的形态几何参数。
步骤218：网格划分：对目标血管的三维模型进行网格划分。
具体的，服务器104对目标血管的三维模型进行网格划分。网格划分就是把目标血管的三维模型分成很多小的单元，作为有限元分析前处理的重中之重，网格划分与计算目标的匹配程度、网格的质量好坏，决定了后期有限元计算的质量。
步骤219：获取动脉瘤的壁面剪切应力：根据动脉瘤以及血管的参数信息分配血流量，并通过体积模拟算法对血管以及动脉瘤进行血液流动模拟，并根据模拟结果提取动脉瘤的多种壁面剪切应力参数和对应的血流动力学参数。
具体的，服务器104根据动脉瘤以及血管的参数信息分配血流量，并通过体积模拟算法对血管以及动脉瘤进行血液流动模拟，并根据模拟结果提取动脉瘤的多种壁面剪切应力参数和对应的血流动力学参数。动脉瘤的多种壁面剪切应力参数包括但不限于壁面切应力平均值WSS-mean、壁面切应力最大值WSS-max、壁面切应力最小值WSS-min以及壁面低切应力区（WSS<1.5Pa）的区域面积大小LSSA、剪切力震荡系数OSI、能量损失EL等参数。在其中一个实施例中，所述血流量为获取的血流量，也就是说，所述血流量为测得的患者的血流量。在另外的实施例中，所述血流量根据血管的横截面积确定。换句话说，目标血管的三维模型进行计算边界条件的给定，其中血管出口边界根据出口面积S进行流量分配，通入血管的流量为病患的测得血流量（如经MRA或TCCD多普勒可测得）。在其中一个实施例中，所述体积模拟算法为有限体积法。在另一个实施例中，所述体积模拟算法为有限元法。在其他实施例中，所述体积模拟算法为有限差分法。在又一个实施例中，所述体积模拟算法为格子波兹曼法。
步骤221：获取临床参数：获取临床参数的多种数据。
具体的，服务器104从终端102获取病人的血压、年龄、性别、身高、体重、过往病史等相关的临床参数。
步骤223：得出风险结果：根据机器学习算法对临床参数、动脉瘤的多种壁面剪切应力参数、对应的血流动力学参数以及动脉瘤和承载动脉瘤的血管的参数信息计算出动脉瘤的破裂风险。
具体的，服务器104根据机器学习算法对患者的临床参数、动脉瘤的多种壁面剪切应力参数、对应的血流动力学参数以及动脉瘤和承载动脉瘤的血管的参数信息计算出动脉瘤的破裂风险。所述机器学习算法包括但不限于支持向量机（SVM）、决策树（DT）、线性回归、逻辑回归、神经网络，或以上模型的组合。在本实施例中，服务器104将动脉瘤的破裂风险通过终端102输出供用户观测。
上述评估颅内动脉瘤破裂风险的方法，首先将获取到的血管影像数据进行处理得到目标血管的三维图像，划分出目标血管的三维图像中的动脉瘤和承载动脉瘤的血管，并根据动脉瘤和承载动脉瘤的血管的参数信息进行血液流动模拟，并根据模拟结果提取获得动脉瘤的多种壁面剪切应力参数和对应的血流动力学参数并结合获取到的临床参数、动脉瘤和承载动脉瘤的血管的参数信息根据机器学习算法综合计算判定得出待检测颅内动脉瘤破裂风险。上述评估颅内动脉瘤破裂风险的方法综合了每一个病人的多种信息进行风险评估，更加科学、更便捷、更全面、更迅速、得到的结论更加准确，解决了临床医生对患者颅内动脉瘤破裂风险评估的一大难题。
在重建待评估血管的步骤209之前还包括步骤208：修剪三维图像：通过水平集算法对三维图像进行进一步地分割得到细化的三维图像。
具体的，服务器104通过水平集算法对三维图像进行进一步地分割得到细化的动脉瘤及其周围血管的三维图像。也就是说，这一步骤的目的是更清晰地捕捉动脉瘤及其周围血管的边界。以便后期服务器104对动脉瘤及其周围血管的三维图像进行处理。
应该理解的是，虽然图2-4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2-4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4所示，提供了一种评估颅内动脉瘤破裂风险装置，包括：获取数据信息模块、图像处理模块、模拟模块和计算风险模块，其中：
获取数据信息模块301，用于获取影像数据，获取待评估血管中的起点和终点以得到一段目标血管、获取三维模型的种子点以确定种子点对应的三维模型、获取目标血管中的三点或多点以得到切割平面以及获取临床参数的多种数据。
图像处理模块303，用于对获取到的影像数据通过阈值分割法建立三维模型、通过碰撞前端法对所述种子点对应的三维模型进行重新分割以呈现出三维图像、通过水平集算法对三维图像进行进一步地分割得到细化的三维图像以及用marching cube算法对三维图像进行重建得到待评估血管的形状、通过切割平面对目标血管进行切割区分出动脉瘤壁以及血管壁。
模拟模块305，用于根据动脉瘤以及血管的参数信息分配血流量，并通过体积模拟算法对血管以及动脉瘤进行血液流动模拟，并根据模拟结果提取动脉瘤的多种壁面剪切应力参数和对应的血流动力学参数。在其中一个实施例中，所述体积模拟算法为有限体积法。在其中一个实施例中，所述体积模拟算法为有限元法。在其中一个实施例中，所述体积模拟算法为有限差分法。在其中一个实施例中，所述体积模拟算法为格子波兹曼法。在其中一个实施例中，所述血流量为获取的血流量。
计算风险模块307：根据机器学习算法对临床参数、动脉瘤的多种壁面剪切应力参数、对应的血流动力学参数以及动脉瘤和承载动脉瘤的血管的参数信息计算出动脉瘤的破裂风险。
关于评估颅内动脉瘤破裂风险的装置的具体限定可以参见上文中对于评估颅内动脉瘤破裂风险方法的限定，在此不再赘述。上述评估颅内动脉瘤破裂风险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服务器，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。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系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储评估颅内动脉瘤破裂风险的数据。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评估颅内动脉瘤破裂风险的方法。
本领域技术人员可以理解，图5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。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取数据：获取影像数据。
处理数据：对获取到的影像数据通过阈值分割法建立三维模型。
获取种子点：获取三维模型的种子点并确定种子点对应的三维模型。
呈现三维图像：通过碰撞前端法对所述种子点对应的三维模型进行重新分割，呈现出三维图像。
重建待评估血管：用marching cube算法对所述三维图像进行重建得到待评估血管的形状。
获取目标血管：获取待评估血管中的起点和终点得到一段目标血管。
获取切割平面：获取目标血管中的三点或多点得到切割平面。
划分目标血管：通过切割平面对目标血管进行切割区分出动脉瘤壁以及血管壁。
获取参数：分析并获取动脉瘤以及动脉瘤周围的血管的参数信息。
获取动脉瘤的壁面剪切应力：根据动脉瘤以及血管的参数信息分配血流量，并通过体积模拟算法对血管以及动脉瘤进行血液流动模拟，并根据模拟结果提取动脉瘤的多种壁面剪切应力参数和对应的血流动力学参数。在其中一个实施例中，所述血流量为获取的血流量。在其中一个实施例中，所述体积模拟算法为有限体积法。在其中一个实施例中，所述体积模拟算法为有限元法。在其中一个实施例中，所述体积模拟算法为有限差分法。在其中一个实施例中，所述体积模拟算法为格子波兹曼法。
获取临床参数：获取临床参数的多种数据。
得出风险结果：根据机器学习算法对临床参数、动脉瘤的多种壁面剪切应力参数、对应的血流动力学参数以及动脉瘤和承载动脉瘤的血管的参数信息计算出动脉瘤的破裂风险。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
具体的，在所述重建待评估血管的步骤之前还包括：
修剪三维图像：通过水平集算法对三维图像进行进一步地分割得到细化的三维图像。
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：
获取数据：获取影像数据。
处理数据：对获取到的影像数据通过阈值分割法建立三维模型。
获取种子点：获取三维模型的种子点并确定种子点对应的三维模型。
呈现三维图像：通过碰撞前端法对所述种子点对应的三维模型进行重新分割，呈现出三维图像。
重建待评估血管：用marching cube算法对所述三维图像进行重建得到待评估血管的形状。
获取目标血管：获取待评估血管中的起点和终点得到一段目标血管。
获取切割平面：获取目标血管中的三点或多点得到切割平面。
划分目标血管：通过切割平面对目标血管进行切割区分出动脉瘤壁以及血管壁。
获取参数：分析并获取动脉瘤以及动脉瘤周围的血管的参数信息。
获取动脉瘤的壁面剪切应力：根据动脉瘤以及血管的参数信息分配血流量，并通过体积模拟算法对血管以及动脉瘤进行血液流动模拟，并根据模拟结果提取动脉瘤的多种壁面剪切应力参数和对应的血流动力学参数。在其中一个实施例中，所述血流量为获取的血流量。在其中一个实施例中，所述体积模拟算法为有限体积法。在其中一个实施例中，所述体积模拟算法为有限元法。在其中一个实施例中，所述体积模拟算法为有限差分法。在其中一个实施例中，所述体积模拟算法为格子波兹曼法。
获取临床参数：获取临床参数的多种数据。
得出风险结果：根据机器学习算法对临床参数、动脉瘤的多种壁面剪切应力参数、对应的血流动力学参数以及动脉瘤和承载动脉瘤的血管的参数信息计算出动脉瘤的破裂风险。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
具体的，在所述重建待评估血管的步骤之前还包括：
修剪三维图像：通过水平集算法对三维图像进行进一步地分割得到细化的三维图像。
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 (10)
1.一种评估颅内动脉瘤破裂风险的方法，所述方法包括：
获取数据：获取影像数据；
处理数据：对获取到的影像数据通过阈值分割法建立三维模型；
获取种子点：获取三维模型的种子点并确定种子点对应的三维模型；
呈现三维图像：通过碰撞前端法对所述种子点对应的三维模型进行重新分割，呈现出三维图像；
重建待评估血管：用marching cube算法对所述三维图像进行重建得到待评估血管的形状；
获取目标血管：获取待评估血管中的起点和终点得到一段目标血管；
获取切割平面：获取目标血管中的三点或多点得到切割平面；
划分目标血管：通过切割平面对目标血管进行切割区分出动脉瘤壁以及血管壁；
获取参数：分析并获取动脉瘤以及动脉瘤周围的血管的参数信息；
获取动脉瘤的壁面剪切应力：根据动脉瘤以及血管的参数信息分配血流量，并通过体积模拟算法对血管以及动脉瘤进行血液流动模拟，并根据模拟结果提取动脉瘤的多种壁面剪切应力参数和对应的血流动力学参数；
获取临床参数：获取临床参数的多种数据；
得出风险结果：根据机器学习算法对临床参数、动脉瘤的多种壁面剪切应力参数、对应的血流动力学参数以及动脉瘤和承载动脉瘤的血管的参数信息计算出动脉瘤的破裂风险。
2.根据权利要求1所述的方法，其特征在于，在所述重建待评估血管的步骤之前还包括：
修剪三维图像：通过水平集算法对三维图像进行进一步地分割得到细化的三维图像。
3.根据权利要求1所述的方法，其特征在于，所述血流量为获取的血流量。
4.根据权利要求1所述的方法，其特征在于，所述体积模拟算法为有限体积法。
5.根据权利要求1所述的方法，其特征在于，所述体积模拟算法为有限元法。
6.根据权利要求1所述的方法，其特征在于，所述体积模拟算法为有限差分法。
7.根据权利要求1所述的方法，其特征在于，所述体积模拟算法为格子波兹曼法。
8.一种评估颅内动脉瘤破裂风险装置，其特征在于，所述装置包括：
获取数据信息模块，用于获取影像数据，获取待评估血管中的起点和终点以得到一段目标血管、获取三维模型的种子点以确定种子点对应的三维模型、获取目标血管中的三点或多点以得到切割平面以及获取临床参数的多种数据；
图像处理模块，用于对获取到的影像数据通过阈值分割法建立三维模型、通过碰撞前端法对所述种子点对应的三维模型进行重新分割以呈现出三维图像以及用marching cube算法对三维图像进行重建得到待评估血管的形状、通过切割平面对目标血管进行切割区分出动脉瘤壁以及血管壁；
模拟模块，用于根据动脉瘤以及血管的参数信息分配血流量，并通过体积模拟算法对血管以及动脉瘤进行血液流动模拟，并根据模拟结果提取动脉瘤的多种壁面剪切应力参数和对应的血流动力学参数；
计算风险模块：根据机器学习算法对临床参数、动脉瘤的多种壁面剪切应力参数、对应的血流动力学参数以及动脉瘤和承载动脉瘤的血管的参数信息计算出动脉瘤的破裂风险。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并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7中任一项所述方法的步骤。
10.一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7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910207881.7A CN109961850A (zh) | 2019-03-19 | 2019-03-19 | 一种评估颅内动脉瘤破裂风险的方法、装置、计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910207881.7A CN109961850A (zh) | 2019-03-19 | 2019-03-19 | 一种评估颅内动脉瘤破裂风险的方法、装置、计算机设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109961850A true CN109961850A (zh) | 2019-07-02 |
Family
ID=67024558
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910207881.7A Pending CN109961850A (zh) | 2019-03-19 | 2019-03-19 | 一种评估颅内动脉瘤破裂风险的方法、装置、计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109961850A (zh) |
Cited By (19)
| 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系统 |
| 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系统 |
| CN110534193A (zh) * | 2019-09-02 | 2019-12-03 | 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系统 |
| CN110782993A (zh) * | 2019-11-04 | 2020-02-11 | 北京理工大学 | 基于个体化病人建立的颅内动脉瘤生长破裂风险评估方法 |
| CN110974415A (zh) * | 2019-12-19 | 2020-04-10 | 向欣 | 一种动脉瘤容积的三维造影动脉瘤形态数据库建立方法 |
| CN111081378A (zh) * | 2019-11-22 | 2020-04-28 | 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系统 |
| CN111863265A (zh) * | 2020-07-27 | 2020-10-30 | 强联智创（北京）科技有限公司 | 一种模拟方法、装置以及设备 |
| CN112164467A (zh) * | 2020-10-21 | 2021-01-01 | 北京理工大学 | 介入术后血管再撕裂风险预测方法及其系统与设备 |
| CN112617770A (zh) * | 2020-12-28 | 2021-04-09 | 首都医科大学附属北京天坛医院 | 基于人工智能的颅内动脉瘤风险预测方法及相关装置 |
| CN112749521A (zh) * | 2021-02-08 | 2021-05-04 | 北京泰杰伟业科技有限公司 | 血流动力学指标数据的处理方法和系统 |
| WO2021081835A1 (zh) * | 2019-10-30 | 2021-05-06 | 未艾医疗技术(深圳)有限公司 | 基于VRDS 4D医学影像的动脉瘤Ai处理方法及产品 |
| CN113130078A (zh) * | 2021-05-11 | 2021-07-16 | 首都医科大学附属北京天坛医院 | 一种预测颅内动脉瘤闭塞的方法、装置以及设备 |
| CN113974829A (zh) * | 2021-11-22 | 2022-01-28 | 北京航空航天大学 | 血管支架植入仿真方法 |
| 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 |
| WO2022221469A1 (en) * | 2021-04-13 | 2022-10-20 | University Of Iowa Research Foundation | Systems, apparatus and methods for determining aneurysm and arterial wall enhancement |
| CN116568218A (zh) * | 2020-11-20 | 2023-08-08 | 帕伊医疗成像有限公司 | 基于病变壁剪切应力描述符计算心肌梗塞可能性的方法和系统 |
| CN116705330A (zh) * | 2023-07-31 | 2023-09-05 | 柏意慧心(杭州)网络科技有限公司 | 确定血管壁的弹性特征的方法、计算设备和介质 |
| CN116919374A (zh) * | 2023-07-19 | 2023-10-24 | 西安交通大学 | 颅内动脉瘤及载瘤动脉内血流动力学参数评估方法及系统 |
| CN117438092A (zh) * | 2023-12-20 | 2024-01-23 | 杭州脉流科技有限公司 | 颅内动脉瘤破裂风险预测装置、计算机设备和存储介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102007018749A1 (de) * | 2006-04-24 | 2007-12-06 | Siemens Medical Solutions Usa, Inc. | System und Verfahren zur röntgenbasierenden Beurteilung einer Aneurysmapulsation |
| US20090043187A1 (en) * | 2007-06-08 | 2009-02-12 | Siemens Aktiengesellschaft | Method for assessing a rupture risk of an aneurysm of a patient and associated system |
| CN102646266A (zh) * | 2012-02-10 | 2012-08-22 | 中国人民解放军总医院 | 一种处理图像的方法 |
| CN103917164A (zh) * | 2011-08-26 | 2014-07-09 | Ebm株式会社 | 血管血流模拟的系统、其方法及计算机软件程序 |
| CN107273658A (zh) * | 2017-05-16 | 2017-10-20 | 哈尔滨医科大学 | 对颅内动脉瘤破裂风险进行评估及其图像进行分类的装置 |
| CN107833636A (zh) * | 2017-12-04 | 2018-03-23 | 浙江鸿赋堂健康管理有限公司 | 一种肿瘤预测方法 |
| CN107978372A (zh) * | 2017-12-07 | 2018-05-01 | 北京理工大学 | 虚拟支架在血管内扩张的模拟方法、装置及电子设备 |
| WO2018220573A1 (en) * | 2017-05-31 | 2018-12-06 | Fondazione Ri.Med | Method and system for the evaluation of the risk of aortic rupture or dissection in an individual with an ascending thoracic aortic aneurysm |
| CN109472823A (zh) * | 2018-10-26 | 2019-03-15 | 强联智创（北京）科技有限公司 | 一种颅内动脉瘤图像的形态学参数的测量方法及系统 |
| CN109472780A (zh) * | 2018-10-26 | 2019-03-15 | 强联智创（北京）科技有限公司 | 一种颅内动脉瘤图像的形态学参数的测量方法及系统 |
-
2019
- 2019-03-19 CN CN201910207881.7A patent/CN109961850A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102007018749A1 (de) * | 2006-04-24 | 2007-12-06 | Siemens Medical Solutions Usa, Inc. | System und Verfahren zur röntgenbasierenden Beurteilung einer Aneurysmapulsation |
| US20090043187A1 (en) * | 2007-06-08 | 2009-02-12 | Siemens Aktiengesellschaft | Method for assessing a rupture risk of an aneurysm of a patient and associated system |
| CN103917164A (zh) * | 2011-08-26 | 2014-07-09 | Ebm株式会社 | 血管血流模拟的系统、其方法及计算机软件程序 |
| CN102646266A (zh) * | 2012-02-10 | 2012-08-22 | 中国人民解放军总医院 | 一种处理图像的方法 |
| CN107273658A (zh) * | 2017-05-16 | 2017-10-20 | 哈尔滨医科大学 | 对颅内动脉瘤破裂风险进行评估及其图像进行分类的装置 |
| WO2018220573A1 (en) * | 2017-05-31 | 2018-12-06 | Fondazione Ri.Med | Method and system for the evaluation of the risk of aortic rupture or dissection in an individual with an ascending thoracic aortic aneurysm |
| CN107833636A (zh) * | 2017-12-04 | 2018-03-23 | 浙江鸿赋堂健康管理有限公司 | 一种肿瘤预测方法 |
| CN107978372A (zh) * | 2017-12-07 | 2018-05-01 | 北京理工大学 | 虚拟支架在血管内扩张的模拟方法、装置及电子设备 |
| CN109472823A (zh) * | 2018-10-26 | 2019-03-15 | 强联智创（北京）科技有限公司 | 一种颅内动脉瘤图像的形态学参数的测量方法及系统 |
| CN109472780A (zh) * | 2018-10-26 | 2019-03-15 | 强联智创（北京）科技有限公司 | 一种颅内动脉瘤图像的形态学参数的测量方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 陈鹏，等: "一种新的脑部血管重建方法", 《影像科学与光化学》 * |
Cited By (31)
| 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系统 |
| 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系统 |
| CN110534193A (zh) * | 2019-09-02 | 2019-12-03 | 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系统 |
| WO2021081835A1 (zh) * | 2019-10-30 | 2021-05-06 | 未艾医疗技术(深圳)有限公司 | 基于VRDS 4D医学影像的动脉瘤Ai处理方法及产品 |
| CN110782993A (zh) * | 2019-11-04 | 2020-02-11 | 北京理工大学 | 基于个体化病人建立的颅内动脉瘤生长破裂风险评估方法 |
| CN110782993B (zh) * | 2019-11-04 | 2023-04-11 | 北京理工大学 | 基于个体化病人建立的颅内动脉瘤生长破裂风险评估方法 |
| CN111081378A (zh) * | 2019-11-22 | 2020-04-28 | 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系统 |
| CN111081378B (zh) * | 2019-11-22 | 2022-05-20 | 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系统 |
| WO2021098768A1 (zh) * | 2019-11-22 | 2021-05-27 | 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系统 |
| CN110974415A (zh) * | 2019-12-19 | 2020-04-10 | 向欣 | 一种动脉瘤容积的三维造影动脉瘤形态数据库建立方法 |
| CN111863265B (zh) * | 2020-07-27 | 2024-03-29 | 强联智创（北京）科技有限公司 | 一种模拟方法、装置以及设备 |
| CN111863265A (zh) * | 2020-07-27 | 2020-10-30 | 强联智创（北京）科技有限公司 | 一种模拟方法、装置以及设备 |
| CN112164467B (zh) * | 2020-10-21 | 2022-07-08 | 北京理工大学 | 介入术后血管再撕裂风险预测方法及其系统与设备 |
| CN112164467A (zh) * | 2020-10-21 | 2021-01-01 | 北京理工大学 | 介入术后血管再撕裂风险预测方法及其系统与设备 |
| CN116568218B (zh) * | 2020-11-20 | 2024-04-30 | 帕伊医疗成像有限公司 | 基于病变壁剪切应力描述符计算心肌梗塞可能性的方法和系统 |
| CN116568218A (zh) * | 2020-11-20 | 2023-08-08 | 帕伊医疗成像有限公司 | 基于病变壁剪切应力描述符计算心肌梗塞可能性的方法和系统 |
| CN112617770A (zh) * | 2020-12-28 | 2021-04-09 | 首都医科大学附属北京天坛医院 | 基于人工智能的颅内动脉瘤风险预测方法及相关装置 |
| WO2022166281A1 (zh) * | 2021-02-08 | 2022-08-11 | 北京泰杰伟业科技有限公司 | 血流动力学指标数据的处理方法和系统 |
| CN112749521A (zh) * | 2021-02-08 | 2021-05-04 | 北京泰杰伟业科技有限公司 | 血流动力学指标数据的处理方法和系统 |
| WO2022221469A1 (en) * | 2021-04-13 | 2022-10-20 | University Of Iowa Research Foundation | Systems, apparatus and methods for determining aneurysm and arterial wall enhancement |
| CN113130078A (zh) * | 2021-05-11 | 2021-07-16 | 首都医科大学附属北京天坛医院 | 一种预测颅内动脉瘤闭塞的方法、装置以及设备 |
| CN113130078B (zh) * | 2021-05-11 | 2022-09-23 | 首都医科大学附属北京天坛医院 | 一种预测颅内动脉瘤闭塞的方法、装置以及设备 |
| 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 |
| CN113974829A (zh) * | 2021-11-22 | 2022-01-28 | 北京航空航天大学 | 血管支架植入仿真方法 |
| CN116919374A (zh) * | 2023-07-19 | 2023-10-24 | 西安交通大学 | 颅内动脉瘤及载瘤动脉内血流动力学参数评估方法及系统 |
| CN116919374B (zh) * | 2023-07-19 | 2024-04-12 | 西安交通大学 | 颅内动脉瘤及载瘤动脉内血流动力学参数评估方法及系统 |
| CN116705330A (zh) * | 2023-07-31 | 2023-09-05 | 柏意慧心(杭州)网络科技有限公司 | 确定血管壁的弹性特征的方法、计算设备和介质 |
| CN116705330B (zh) * | 2023-07-31 | 2023-11-10 | 柏意慧心(杭州)网络科技有限公司 | 确定血管壁的弹性特征的方法、计算设备和介质 |
| CN117438092A (zh) * | 2023-12-20 | 2024-01-23 | 杭州脉流科技有限公司 | 颅内动脉瘤破裂风险预测装置、计算机设备和存储介质 |
| CN117438092B (zh) * | 2023-12-20 | 2024-03-22 | 杭州脉流科技有限公司 | 颅内动脉瘤破裂风险预测装置、计算机设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109961850A (zh) | 一种评估颅内动脉瘤破裂风险的方法、装置、计算机设备 | |
| US11638609B2 (en) | Systems and methods for risk assessment and treatment planning of arterio-venous malformation | |
| EP3215966B1 (en) | Systems and methods for simulation of occluded arteries and optimization of occlusion-based treatments | |
| CN107184186B (zh) | 用于患者特异性血流建模的方法和系统 | |
| CN109934913A (zh) | 颅内动脉瘤虚拟介入支架植入方法、装置、计算机设备 | |
| Rayz et al. | Hemodynamics of cerebral aneurysms: Connecting medical imaging and biomechanical analysis | |
| JP6651402B2 (ja) | 医用画像処理装置、医用画像診断装置およびプログラム | |
| Khe et al. | Viscous dissipation energy as a risk factor in multiple cerebral aneurysms | |
| Mach et al. | A non-Newtonian model for blood flow behind a flow diverting stent | |
| Roszelle et al. | Comparison among different high porosity stent configurations: Hemodynamic effects of treatment in a large cerebral aneurysm | |
| Ortega | Technical report Computer simulation helps predict cerebral aneurysms | |
| Kerbl et al. | Intervention planning of hepatocellular carcinoma radio-frequency ablations | |
| Ho et al. | Non-newtonian blood flow analysis for the portal vein based on a CT image | |
| CN115886999A (zh) | 一种基于仿真虚拟技术的手术引导方法、装置和控制系统 | |
| Chen et al. | Patient-specific blood dynamic simulations in assessing endovascular occlusion of intracranial aneurysms | |
| Blagosklonova et al. | Virtual Planning of Extra-Intracranial Bypass with Numerical Investigation of Hemodynamics | |
| Yang et al. | Computational fluid dynamics simulation of intracranial aneurysms–comparing size and shape | |
| Mamatyukov et al. | Comprehensive research of human brain hemodynamics: Clinical monitoring and computer simulations | |
| Wiśniewski et al. | Computational fluid dynamics; a new diagnostic tool in giant intracerebral aneurysm treatment | |
| Wang et al. | Hemodynamic performance of coil embolization and stentassisted coil embolization treatments: a numerical comparative study based on subject-specific models of cerebral aneurysms | |
| Qian et al. | Hemodynamic analysis of cerebral aneurysm and stenosed carotid bifurcation using computational fluid dynamics technique | |
| Tong et al. | Investigating spatial variations in dynamic cerebral autoregulation through a computational model of stenosis | |
| Blanco et al. | Coupled models technology in multi-scale computational haemodynamics | |
| Al-allaq et al. | Numerical Study of the Effects of Aneurysm and Stenosis in the Left Coronary Artery on the Human Blood Stream | |
| Aguilar et al. | Effect of coil surface area on the hemodynamics of a patient-specific intracranial aneurysm: A computational study |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20200715 Address after: Room 3025, No. 95, Jinling North Road, Nansha street, Nansha District, Guangzhou City, Guangdong Province Applicant after: GUANGZHOU XINMAI TECHNOLOGY Co.,Ltd. Address before: 422500 No. 164, Group 9, Huaqiao Village, Xiyan Town, Chengbu Miao Autonomous County, Shaoyang City, Hunan Province Applicant before: Xiao Rende |
|
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190702 |