CN110742633B - B型主动脉夹层术后风险预测方法、装置和电子设备 - Google Patents

B型主动脉夹层术后风险预测方法、装置和电子设备 Download PDF

Info

Publication number
CN110742633B
CN110742633B CN201911037061.4A CN201911037061A CN110742633B CN 110742633 B CN110742633 B CN 110742633B CN 201911037061 A CN201911037061 A CN 201911037061A CN 110742633 B CN110742633 B CN 110742633B
Authority
CN
China
Prior art keywords
blood vessel
information
risk
risk factor
image
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
Application number
CN201911037061.4A
Other languages
English (en)
Other versions
CN110742633A (zh
Inventor
柴象飞
代双凤
郭伟
郭娜
左盼莉
葛阳阳
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.)
Huiying Medical Technology Beijing Co ltd
Original Assignee
Huiying Medical Technology Beijing 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 Huiying Medical Technology Beijing Co ltd filed Critical Huiying Medical Technology Beijing Co ltd
Priority to CN201911037061.4A priority Critical patent/CN110742633B/zh
Publication of CN110742633A publication Critical patent/CN110742633A/zh
Application granted granted Critical
Publication of CN110742633B publication Critical patent/CN110742633B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • 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
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Abstract

本申请实施例提供了一种B型主动脉夹层术后风险预测方法、装置和电子设备，涉及医学影像技术领域。该方法首先获取多例术前三维血管造影图像，对各例所述三维血管造影图像进行预处理以获得待处理数据集，其中，所述待处理数据集包括血管真腔信息及血管假腔信息。接着，对所述血管真腔信息及所述血管假腔信息进行矢量分析，获得多种影像组学特征信息，并对多种影像组学特征信息进行降维处理及线性拟合，得到风险因素变量。最后，根据风险因素变量及预设临床病变类型，构建风险预测模型。如此，可获得术后发生并发症的风险概率，从而保障患者安全。

Description

B型主动脉夹层术后风险预测方法、装置和电子设备
技术领域
本申请涉及医学影像领域，具体而言，涉及一种B型主动脉夹层术后风险预测方法、装置和电子设备。
背景技术
B型主动脉夹层(Type B Aortic Dissection，TBAD)是因主动脉内膜的撕裂，血流通过裂口进入主动脉壁中膜使中膜分离，并沿主动脉长轴方向扩展而形成真假两腔。
目前，主要使用胸主动脉腔内修复术(Thoracic Endovascular Aortic Repair，TEVAR)治疗B型主动脉夹层。其基本原理是，使用覆膜支架覆盖第一破口，隔绝假腔供血，恢复真腔供血，期待假腔内完全血栓形成，最终完成良好的动脉重塑。然而，TEVAR治疗并非一劳永逸，其术后常常伴随着一些并发症，例如胸主动脉扩张、腹主动脉扩张等。对于并发症严重程度较高的患者仍需要二次外科干预，这会显著增加患者病痛和社会医疗负担。
因此，如何知晓TEVAR术后并发症发生的风险概率，从而保障患者安全是目前亟需解决的问题。
发明内容
有鉴于此，本申请实施例提供了一种B型主动脉夹层术后风险预测方法、装置和电子设备，以解决上述问题。
本申请的实施例可以这样实现：
第一方面，本申请实施例提供一种B型主动脉夹层术后风险预测方法，所述方法包括：
获取多例术前三维血管造影数据，对各例所述三维血管造影数据进行预处理以获得待处理数据集，其中，所述待处理数据集包括血管真腔信息及血管假腔信息；
对所述血管真腔信息及所述血管假腔信息进行矢量分析，获得多种影像组学特征信息，并对多种影像组学特征信息进行降维处理及线性拟合，得到风险因素变量；
根据所述风险因素变量及预设临床病变类型，构建风险预测模型。
在可选的实施方式中，所述对所述血管真腔信息及所述血管假腔信息进行矢量分析，获得多种影像组学特征信息的步骤包括：
根据所述血管真腔信息及所述血管假腔信息，获得所述三维血管造影图像中包含的假腔图像与真腔图像之间的匹配点对；
获得所述匹配点对的矢量，并计算所述矢量的方向角；
对所述矢量及所述方向角进行影像组学特征提取，获得多种影像组学特征信息。
在可选的实施方式中，所述根据所述血管真腔信息及所述血管假腔信息，计算所述三维血管造影图像中包含的假腔图像与真腔图像之间的匹配点对的步骤包括：
根据所述血管真腔信息，获得所述三维血管造影图像包含的真腔图像在预设方向上的第一范围，根据所述第一范围，按第一预设间距在所述真腔图像的几何中心线上采样，获得多个第一特征点；
根据所述血管假腔信息，获得在所述三维血管造影图像包含的假腔图像在所述预设方向上的第二范围，根据所述第二范围，按第二预设间距在所述假腔图像的几何中心线上采样，获得多个第二特征点；
对所述第一特征点与所述第二特征点进行特征点匹配，获得多个匹配点对。
在可选的实施方式中，所述对多种影像组学特征信息进行降维处理及线性拟合，得到风险因素变量的步骤包括：
对多种影像组学特征信息进行标准化处理，得到标准化特征信息；
基于预设的回归模型对所述标准化特征信息进行降维处理，获得降维处理后的风险因素特征及所述风险因素特征对应的相关系数；
将每个所述风险因素特征按照其对应的相关系数进行线性拟合，得到风险因素变量。
在可选的实施方式中，所述将每个所述风险因素特征按照其对应的相关系数进行线性拟合，得到风险因素变量的步骤包括：
针对每个所述风险因素特征，根据下列公式将所述风险因素特征按照其对应的相关系数进行线性拟合，得到风险因素变量：
Figure BDA0002251805430000041
其中，Radscore为所述风险因素变量，RadFi为所述风险因素特征，Coefi为该风险因素特征对应的相关系数。
在可选的实施方式中，所述对各例所述三维血管造影数据进行预处理以获得待处理数据集的步骤包括：
根据人体血管结构，按预设标注方式对各三维血管造影数据进行标注，手动分割血管真假腔，获得待处理数据集。
在可选的实施方式中，构建风险预测模型之后，所述方法还包括：
获得原始三维血管造影数据；
根据所述三维原始血管造影数据获得病变类型及风险因素变量对应的风险因素值；
根据风险因素值、病变类型及所述风险预测模型进行术后风险概率计算，以获得风险预测结果。
第二方面，本申请实施例提供一种B型主动脉夹层术后风险预测装置，包括：
预处理模块，用于获取多例术前三维血管造影图像，对各例所述三维血管造影图像进行预处理以获得待处理数据集，其中，所述待处理数据集包括血管真腔信息及血管假腔信息；
特征分析模块，用于对所述血管真腔信息及所述血管假腔信息进行矢量分析，获得多种影像组学特征信息，并对多种影像组学特征信息进行降维处理及线性拟合，得到风险因素变量；
构建模块，用于根据所述风险因素变量及临床病变类型，构建风险预测模型。
第三方面，本申请实施例提供一种电子设备，包括处理器、存储器及总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器及所述存储器之间通过总线通信，所述处理器执行所述机器可读指令，以执行如前述实施方式任意一项所述的B型主动脉夹层术后风险预测方法的步骤。
第四方面，本申请实施例提供一种可读存储介质，所述可读存储介质中存储有计算机程序，所述计算机程序被执行时实现前述实施方式中任一项所述的B型主动脉夹层术后风险预测方法。
本申请实施例提供了一种B型主动脉夹层术后B型主动脉夹层术后风险预测方法、装置和电子设备。该方法首先获取多例术前三维血管造影数据，对各例所述三维血管造影数据进行预处理以获得待处理数据集，其中，所述待处理数据集包括血管真腔信息及血管假腔信息。接着，对所述血管真腔信息及所述血管假腔信息进行矢量分析，获得多种影像组学特征信息，并对多种影像组学特征信息进行降维处理及线性拟合，得到影像风险因素变量。最后，根据所述风险因素变量及预设临床病变类型，构建风险预测模型。如此，可获得术后发生并发症的风险概率，从而保障患者安全。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的电子设备的结构框图；
图2为本申请实施例提供的B型主动脉夹层术后风险预测方法的流程图；
图3为本申请实施例提供的B型主动脉夹层术后风险预测方法中的子步骤流程图之一；
图4为本申请实施例提供的矢量投影示意图；
图5为本申请实施例提供的B型主动脉夹层术后风险预测方法中的子步骤流程图之二；
图6为本申请实施例提供的风险预测模型；
图7为本申请实施例提供的风险预测模型的校正曲线图；
图8为本申请实施例提供的三种情况下对应的风险预测模型的决策曲线图；
图9为本申请实施例提供的风险预测装置的功能模块框图。
图标：100-电子设备；110-存储器；120-处理器；130-风险预测装置；131-预处理模块；132-特征分析模块；133-构建模块。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，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。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作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。
应注意到：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。
此外，若出现术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
需要说明的是，在不冲突的情况下，本申请的实施例中的特征可以相互结合。
B型主动脉夹层是指未累及升主动脉的夹层，病死率高，约10％的患者在住院期间死亡，据近期系统综述报道10％-54％的患者在TEVAR术后会发生胸主动脉扩张，持续性动脉扩张会导致夹层动脉瘤形成，增加患者中远期二次手术和死亡风险。
经发明人研究发现，TEVAR术后胸主动脉扩张的危险因素是胸段假腔供血的分支动脉，而胸段假腔供血的分支动脉数量与胸段真假腔空间位置关系密切相关，胸段真假腔空间位置关系是胸段假腔供血的分支动脉的替代指标。根据胸段真假腔空间位置关系，目前，临床医学提出了B型主动脉夹层疾病分型称为301分型，目前301分型也是行胸主动脉腔内修复术的主要依据。但这种分型仍存在一定的缺陷：这种分型不利于准确判断夹层个体胸主动脉扩张风险，该归类方法判断标准复杂，需根据血管造影(CT angiography，CTA)图像的轴位逐层判读，判读者之间的一致性不理想。
因此，需要一种精准的预测B型主动脉夹层TEVAR术后风险的方法，知晓TEVAR术后并发症发生的风险概率，从而保障患者安全是目前亟需解决的问题。
基于上述发现，本申请实施例提供了一种B型主动脉夹层术后B型主动脉夹层术后风险预测方法、装置和电子设备。该方法通过结合主动脉夹层的真假两腔的相对位置关系以及临床已知的病变类型(301分型)，共同构建风险预测模型，以对TEVAR术后并发症发生的风险概率进行评估预测。下面结合具体实施例对上述方法进行详细阐述。
请参阅图1，图1为本申请实施例提供的一种电子设备100的结构示意图。所述设备可以包括处理器120、存储器110、风险预测装置130及总线，所述存储器110存储有所述处理器120可执行的机器可读指令，当电子设备100运行时，所述处理器120及所述存储器110之间通过总线通信，所述处理器120执行所述机器可读指令，并执行B型主动脉夹层术后风险预测方法的步骤。
所述存储器110、处理器120以及其他各元件相互之间直接或间接地电性连接，以实现信号的传输或交互。
例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。风险预测装置130包括至少一个可以软件或固件(firmware)的形式存储于所述存储器110中的软件功能模块。所述处理器120用于执行存储器110中存储的可执行模块，例如所述风险预测装置130所包括的软件功能模块或计算机程序。
其中，存储器110可以是，但不限于，随机读取存储器(Random Access memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-OnlyMemory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。
处理器120可以是一种集成电路芯片，具有信号处理能力。上述处理器120可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(NetworkProcessor，简称NP)等。还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本申请实施例中，存储器110用于存储程序，处理器120用于在接收到执行指令后，执行所述程序。本申请实施例任一实施方式所揭示的流程定义的方法可以应用于处理器120中，或者由所述处理器120实现。
在本申请实施例中，电子设备100可以是但不限于，个人电脑(personalcomputer，PC)、平板电脑等具有处理功能的设备。
可以理解，图1所示的结构仅为示意。电子设备100还可以具有比图1所示更多或者更少的组件，或者具有与图1所示不同的配置。图1所示的各组件可以采用硬件、软件或其组合实现。
请结合参阅图2，图2为本申请实施例提供的一种B型主动脉夹层术后风险预测方法的流程图。下面对图2所示的具体流程进行详细描述。
S1，获取多例术前三维血管造影数据，对各例所述三维血管造影图像进行预处理以获得待处理数据集，其中，所述待处理数据集包括血管真腔信息及血管假腔信息。
本申请实施例中，选用的三维血管造影数据为B型主动脉夹层术前的主动脉CTADICOM数据。这些图像均来自解放军总医院的双向、多中心临床试验，该临床试验纳入了2011年1月1日至2012年12月31日的接受胸主动脉腔内修复术(Thoracic EndovascularAortic Repair,TEVAR)治疗的TBAD患者。
CTA又叫做非创伤性血管成像技术，是在增强CT扫描以后进行的重建方法，简单讲就是在扫描时向血管内注入一定的造影剂使血管腔充盈并采集其数据，然后经过计算机重建处理，将非兴趣区的内容删除，仅保留血管的影像并进行整体和多角度的重建，使血管整体外观充分展现，同时也利于病变血管的显示。
可选地，本申请实施例中，对各例所述三维血管造影图像进行预处理以获得待处理数据集的步骤可以是：
首先，对三维血管造影图像进行数据清洗。
接着，作为一种实施方式，可根据人体血管结构，按预设标注方式对各三维血管造影图像进行标注，获得待处理数据集。
作为一种实施方式，可根据人体血管结构分割B型主动脉夹层，标注范围可以从左冠状动脉起始上缘开始至腹主动脉分叉处，包括升主动脉、主动脉弓和降主动脉。使用标签Lable1(绿色)标注整体主动脉，使用标签Lable2(黄色)标注真腔，使用标签Lable3(红色)标注假腔。
上述预设标注方式中各标签对应的颜色还可以是其他颜色，只需要能够区分即可。
作为另一种实施方式，还可以根据人体血管结构，对血管真假腔进行分割，并按照预设标注方式各三维血管造影图像进行标注。
S2，对所述血管真腔信息及所述血管假腔信息进行矢量分析，获得多种影像组学特征信息，并对多种影像组学特征信息进行降维处理及线性拟合，得到风险因素变量。
可选地，请结合参阅图3与图4，可通过图3所示的S21-S23的步骤对所述血管真腔信息及所述血管假腔信息进行矢量分析，获得多种影像组学特征信息。
图4为经过步骤S21-S23之后得到的矢量投影示意图，其中，较粗的黑线为血管真腔的几何中心线，较细的线为血管假腔的几何中心线。
S21，根据所述血管真腔信息及所述血管假腔信息，获得所述三维血管造影图像中包含的假腔图像与真腔图像之间的匹配点对。
首先，根据所述血管真腔信息，获得所述三维血管造影图像包含的真腔图像在预设方向上的第一范围，根据所述第一范围，按第一预设间距在所述真腔图像的几何中心线上采样，获得多个第一特征点。
接着，根据所述血管假腔信息，获得在所述三维血管造影图像包含的假腔图像在所述预设方向上的第二范围，根据所述第二范围，按第二预设间距在所述假腔图像的几何中心线上采样，获得多个第二特征点。
作为一种实施方式，可选地，首先，可通过获得血管真腔的纵向范围作为第一范围，沿血管真腔的几何中心线等距离采样，获取多个第一特征点。接着，可根据血管假腔的纵向范围，获得血管假腔在纵向上对应的第二范围。沿血管假腔的几何中心线等距离采样，获取多个第二特征点。
最后，对所述第一特征点与所述第二特征点进行特征点匹配，获得多个匹配点对。
S22，获得所述匹配点对的矢量，并计算所述矢量的方向角。
获取各匹配点对对应的矢量，并计算矢量的方向角，具体的，方向角的计算方式可参照空间解析几何中对应的求解方法，在此不做赘述。
S23，对所述矢量及所述方向角进行影像组学特征提取，获得多种影像组学特征信息。
可选地，可使用pyradiomics提取特征，以获得多个一阶灰度特征，如，关于多个矢量及方向角的熵、峰度、绝对偏差、方差、偏度、r阶矩、r阶中心矩及扭曲度等特征信息。
请接着参阅图5，可通过S24-S26的步骤，对多种影像组学特征信息进行降维处理及线性拟合，得到风险因素变量。
S24，对多种影像组学特征信息进行标准化处理，得到标准化特征信息。
可选地，可采用Z分数(ZScore)对多种影像组学特征信息进行标准化处理。即，先计算得出各特征信息的标准差A。接着，获得各特征信息与各特征信息平均值的差值B。最后，获得差值B与标准差A的商数，即为各特征信息标准化处理后得到的标准化特征信息。
S25，基于预设的回归模型对所述标准化特征信息进行降维处理，获得降维处理后的风险因素特征及所述风险因素特征对应的相关系数。
可选地，本申请实施例中，LASSO-Cox算法对标准化后的标准化特征信息做比例风险模型分析。
使用十折交叉验证(10-fold cross-validation)测试待选风险因素特征的准确性，并选取误差值最小时的值对应的待选风险因素作为降维处理后的风险因素特征，如此，获得多个降维处理后的风险因素特征及所述风险因素特征对应的相关系数。
如表1所示。其中，X10Percent为10百分位，Entropy为熵，Kurtosis为峰态，Max为最大值，robustmeanAbsoluteDeviation为鲁棒平均值(10百分位至90百分位之间灰度的均值)，RootMeanSquared为根值的平方，Skewness为偏度，Variance为方差。
S26，将每个所述风险因素特征按照其对应的相关系数进行线性拟合，得到风险因素变量。
针对每个所述风险因素特征，根据下列公式将所述风险因素特征按照其对应的相关系数进行线性拟合，得到风险因素变量：
Figure BDA0002251805430000151
其中，Rad_score为所述风险因素变量，RadFi为所述风险因素特征，Coefi为该风险因素特征对应的相关系数。
表1降维处理后的风险因素特征及所述风险因素特征对应的相关系数
Figure BDA0002251805430000152
Figure BDA0002251805430000161
S3，根据所述风险因素变量及预设临床病变类型，构建风险预测模型。
可选地，如图6所示，使用所述风险因素变量及预设临床病变类型，构建诺莫图(Nomogram)作为风险预测模型，使得预测模型可视化。
其中，Points为变量积分，Total Points为总分，Calssification_301为预设病变类型(即，301医院提出的B型主动脉夹层病变类型301分型)。Rad_score为风险因素变量。1-year aortic expansion Probobility为1年内发生胸主动脉扩张的概率值，2-yearaortic expansion Probobility为2年内发生胸主动脉扩张的概率值，3-year aorticexpansion Probobility为3年内发生胸主动脉扩张的概率值。
同时，如图7所示，作为一种实施方法，可使用校正曲线评估上述风险预测模型的校准度。其中，点线为标准值，点划线为3年内发生主动脉扩张概率值，短线为2年内发生主动脉扩张的概率值，实线为1年内发生主动脉扩张的概率值。根据图7可知，列线图中各年份内发生主动脉扩张的概率值与标准相比，具有较好的吻合度。
作为另一种实施方法，还可以采用决策曲线验证风险预测模型的有效性。请参阅图8，图8为分别针对B型主动脉夹层的病变类型(301分型)、风险因素变量、及联合病变类型(301分型)与风险因素变量进行Logistic回归模型，来拟合得到风险预测模型，以绘制三种情况下的决策曲线。
图中，点划线构成的曲线为Rad_score and Classification(联合病变类型(301分型)与风险因素变量)对应的多因素模型决策曲线，点线构成的曲线为Rad_score(风险因素变量)的单因素对应的风险预测模型决策曲线，实线为曲线基于Classification(病变类型)的单因素对应的风险预测模型的决策曲线。从图中可以看出，基于风险因素变量的风险预测模型比基于病变类型的风险预测模型在预测术后并发症上更有优势，而基于联合联合病变类型(301分型)与风险因素变量的多因素模型，对预测术后并发症的发生概率，具有更好的优势。
可选地，在构建风险预测模型之后，实际临床使用时，可通过以下方法获取风险预测结果：
首先，获得三维原始血管造影数据。
接着，根据所述三维原始血管造影图像获得临床病变类型及风险因素变量对应的风险因素值。
最后，根据风险因素值、病变类型及所述风险预测模型进行术后风险概率计算，以获得风险预测结果。
请再次参阅图6，该风险预测模型(诺莫图)的使用方法如下：风险因素值以及病变类型会分别对应相应的变量积分(图示最上端的Points)，然后将每项变量积分加起来，得到一个总分，由总分(Total Points)的分值对应最下面的1年内发生胸主动脉扩张的概率值、2年内发生胸主动脉扩张的概率值或3年内发生胸主动脉扩张概率值，即可知道不同年份对应的风险预测结果。
本申请实施例提供了一种B型主动脉夹层术后风险预测方法，该方法通过提取主动脉的血管造影图像中的特征信息，结合上述特征信息与临床已知的病变类型，共同建立风险预测模型，如此，可以得知TEVAR术后发生并发症的风险概率，有助于提高TBAD预后预测水平，优化TEVAR治疗策略，改善患者中远期预后，也有望为影像组学技术在主动脉疾病领域的探索应用提供方法参考。
请参阅图9，本实施例也提供了一种风险预测装置130，包括：
预处理模块131，用于获取多例术前三维血管造影图像，对各例所述三维血管造影图像进行预处理以获得待处理数据集，其中，所述待处理数据集包括血管真腔信息及血管假腔信息。
特征分析模块132，用于对所述血管真腔信息及所述血管假腔信息进行矢量分析，获得多种影像组学特征信息，并对多种影像组学特征信息进行降维处理及线性拟合，得到风险因素变量。
构建模块133，用于根据所述风险因素变量及预设临床病变类型，构建风险预测模型。
可以理解，本申请实施例中的各功能模块的具体操作方法可参照上述方法实施例中相应步骤的详细描述，在此不再重复赘述。
本申请实施例还提供了一种可读存储介质，所述可读存储介质中存储有计算机程序，所述计算机程序被执行时实现上述的B型主动脉夹层术后风险预测方法。
综上所述，本申请实施例提供了一种B型主动脉夹层术后风险预测方法、装置和电子设备100。该方法首先获取多例术前三维血管造影图像，对各例所述三维血管造影图像进行预处理以获得待处理数据集，其中，所述待处理数据集包括血管真腔信息及血管假腔信息。接着，对所述血管真腔信息及所述血管假腔信息进行矢量分析，获得多种影像组学特征信息，并对多种影像组学特征信息进行降维处理及线性拟合，得到风险因素变量，最后，根据所述风险因素变量及预设临床病变类型，构建风险预测模型。如此，根据构建的风险预测模型可获得术后发生并发症的风险概率，从而保障患者安全。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种B型主动脉夹层术后风险预测方法，其特征在于，所述方法包括：
获取多例术前三维血管造影图像，对各例所述三维血管造影图像进行预处理以获得待处理数据集，其中，所述待处理数据集包括血管真腔信息及血管假腔信息；
对所述血管真腔信息及所述血管假腔信息进行矢量分析，获得多种影像组学特征信息，并对多种影像组学特征信息进行降维处理及线性拟合，得到风险因素变量；
根据所述风险因素变量及预设临床病变类型，构建风险预测模型。
2.根据权利要求1所述的B型主动脉夹层术后风险预测方法，其特征在于，所述对所述血管真腔信息及所述血管假腔信息进行矢量分析，获得多种影像组学特征信息的步骤包括：
根据所述血管真腔信息及所述血管假腔信息，计算所述三维血管造影图像中包含的假腔图像与真腔图像的之间的匹配点对；
获得所述匹配点对的矢量，并计算所述矢量的方向角；
对所述矢量及所述方向角进行影像组学特征提取，获得多种影像组学特征信息。
3.根据权利要求2所述的B型主动脉夹层术后风险预测方法，其特征在于，所述根据所述血管真腔信息及所述血管假腔信息，计算所述三维血管造影图像中包含的假腔图像与真腔图像之间的匹配点对的步骤包括：
根据所述血管真腔信息，获得所述三维血管造影图像包含的真腔图像在预设方向上的第一范围，根据所述第一范围，按第一预设间距在所述真腔图像的几何中心线上采样，获得多个第一特征点；
根据所述血管假腔信息，获得在所述三维血管造影图像包含的假腔图像在所述预设方向上的第二范围，根据所述第二范围，按第二预设间距在所述假腔图像的几何中心线上采样，获得多个第二特征点；
对所述第一特征点与所述第二特征点进行特征点匹配，获得多个匹配点对。
4.根据权利要求1所述的B型主动脉夹层术后风险预测方法，其特征在于，所述对多种影像组学特征信息进行降维处理及线性拟合，得到风险因素变量的步骤包括：
对多种影像组学特征信息进行标准化处理，得到标准化特征信息；
基于预设的回归模型对所述标准化特征信息进行降维处理，获得降维处理后的风险因素特征及所述风险因素特征对应的相关系数；
将每个所述风险因素特征按照其对应的相关系数进行线性拟合，得到风险因素变量。
5.根据权利要求4所述的B型主动脉夹层术后风险预测方法，其特征在于，所述将每个所述风险因素特征按照其对应的相关系数进行线性拟合，得到风险因素变量的步骤包括：
针对每个所述风险因素特征，根据下列公式将所述风险因素特征按照其对应的相关系数进行线性拟合，得到风险因素变量：
Figure FDA0002251805420000031
其中，Radscore为所述风险因素变量，RadFi为所述风险因素特征，Coefi为该风险因素特征对应的相关系数。
6.根据权利要求1所述的B型主动脉夹层术后风险预测方法，其特征在于，所述对各例所述三维血管造影图像进行预处理以获得待处理数据集的步骤包括：
根据人体血管结构，按预设标注方式对各三维血管造影图像进行标注，获得待处理数据集。
7.根据权利要求1所述的B型主动脉夹层术后风险预测方法，其特征在于，构建风险预测模型之后，所述方法还包括：
获得原始三维血管造影图像；
根据所述原始三维血管造影图像获得病变类型及风险因素变量对应的风险因素值；
根据风险因素值、病变类型及所述风险预测模型进行术后风险概率计算，以获得风险预测结果。
8.一种B型主动脉夹层术后风险预测装置，其特征在于，包括：
预处理模块，用于获取多例术前三维血管造影图像，对各例所述三维血管造影图像进行预处理以获得待处理数据集，其中，所述待处理数据集包括血管真腔信息及血管假腔信息；
特征分析模块，用于对所述血管真腔信息及所述血管假腔信息进行矢量分析，获得多种影像组学特征信息，并对多种影像组学特征信息进行降维处理及线性拟合，得到风险因素变量；
构建模块，用于根据所述风险因素变量及临床病变类型，构建风险预测模型。
9.一种电子设备，其特征在于，包括处理器、存储器及总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器及所述存储器之间通过总线通信，所述处理器执行所述机器可读指令，以执行如权利要求1-7任意一项所述的B型主动脉夹层术后风险预测方法的步骤。
10.一种可读存储介质，其特征在于，所述可读存储介质中存储有计算机程序，所述计算机程序被执行时实现权利要求1-7中任一项所述的B型主动脉夹层术后风险预测方法。
CN201911037061.4A 2019-10-29 2019-10-29 B型主动脉夹层术后风险预测方法、装置和电子设备 Active CN110742633B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911037061.4A CN110742633B (zh) 2019-10-29 2019-10-29 B型主动脉夹层术后风险预测方法、装置和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911037061.4A CN110742633B (zh) 2019-10-29 2019-10-29 B型主动脉夹层术后风险预测方法、装置和电子设备

Publications (2)

Publication Number Publication Date
CN110742633A CN110742633A (zh) 2020-02-04
CN110742633B true CN110742633B (zh) 2023-04-18

Family

ID=69280716

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911037061.4A Active CN110742633B (zh) 2019-10-29 2019-10-29 B型主动脉夹层术后风险预测方法、装置和电子设备

Country Status (1)

Country Link
CN (1) CN110742633B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200315547A1 (en) * 2019-04-02 2020-10-08 Tencent America LLC Vertebral artery dissection risk evaluation method, computer device, and storage medium
JPWO2022209652A1 (zh) * 2021-03-29 2022-10-06

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105899141A (zh) * 2014-01-10 2016-08-24 火山公司 检测与动脉瘤修复相关联的内漏
CN107296620A (zh) * 2017-07-28 2017-10-27 海纳医信（北京）软件科技有限责任公司 主动脉检测方法、装置、存储介质和处理器
CN108776961A (zh) * 2018-04-02 2018-11-09 东南大学 一种胸主动脉夹层动脉瘤第一破口位置定位方法
CN108805134A (zh) * 2018-06-25 2018-11-13 慧影医疗科技（北京）有限公司 一种主动脉夹层分割模型的构建方法及应用
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
CN109009000A (zh) * 2018-06-25 2018-12-18 慧影医疗科技（北京）有限公司 一种主动脉夹层破口位置的检测方法
CN109599181A (zh) * 2019-01-09 2019-04-09 中国医学科学院肿瘤医院 一种在治疗前针对t3-larc患者的生存预测系统及预测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105899141A (zh) * 2014-01-10 2016-08-24 火山公司 检测与动脉瘤修复相关联的内漏
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
CN107296620A (zh) * 2017-07-28 2017-10-27 海纳医信（北京）软件科技有限责任公司 主动脉检测方法、装置、存储介质和处理器
CN108776961A (zh) * 2018-04-02 2018-11-09 东南大学 一种胸主动脉夹层动脉瘤第一破口位置定位方法
CN108805134A (zh) * 2018-06-25 2018-11-13 慧影医疗科技（北京）有限公司 一种主动脉夹层分割模型的构建方法及应用
CN109009000A (zh) * 2018-06-25 2018-12-18 慧影医疗科技（北京）有限公司 一种主动脉夹层破口位置的检测方法
CN109599181A (zh) * 2019-01-09 2019-04-09 中国医学科学院肿瘤医院 一种在治疗前针对t3-larc患者的生存预测系统及预测方法

Also Published As

Publication number Publication date
CN110742633A (zh) 2020-02-04

Similar Documents

Publication Publication Date Title
US11013425B2 (en) Systems and methods for analyzing and processing digital images to estimate vessel characteristics
US11576621B2 (en) Plaque vulnerability assessment in medical imaging
US11382569B2 (en) Systems and methods for estimating blood flow characteristics from vessel geometry and physiology
US10483006B2 (en) Learning based methods for personalized assessment, long-term prediction and management of atherosclerosis
Ţălu et al. Characterisation of human non-proliferative diabetic retinopathy using the fractal analysis
AU2017202101A1 (en) Systems and methods for identifying personalized vascular implants from patient-specific anatomic data
Speelman et al. Initial stress and nonlinear material behavior in patient-specific AAA wall stress analysis
Pappu et al. Beyond fusiform and saccular: a novel quantitative tortuosity index may help classify aneurysm shape and predict aneurysm rupture potential
EP3404667A1 (en) Learning based methods for personalized assessment, long-term prediction and management of atherosclerosis
CN113066061B (zh) 一种基于mra的动脉瘤检测方法、系统、终端及介质
US20220284583A1 (en) Computerised tomography image processing
CN110742633B (zh) B型主动脉夹层术后风险预测方法、装置和电子设备
JP7286763B2 (ja) 血管圧力差の取得装置の作動方法及び血管圧力差の取得装置
CN113066574A (zh) 基于神经网络的动脉瘤破裂预测方法、装置及存储介质
Yoshida et al. Automated heart segmentation using U-Net in pediatric cardiac CT
Kampaktsis et al. Artificial intelligence in atherosclerotic disease: Applications and trends
Gognieva et al. One-dimensional mathematical model-based automated assessment of fractional flow reserve in a patient with silent myocardial ischemia
WO2021117043A1 (en) Automatic stenosis detection
US11727570B2 (en) Methods and systems for determining coronary hemodynamic characteristic(s) that is predictive of myocardial infarction
CN116309346A (zh) 医学图像的检测方法、装置、设备、存储介质及程序产品
CN113223704B (zh) 基于深度学习的计算机断层扫描主动脉瘤的辅助诊断方法
Kohout et al. Aneurysm identification by analysis of the blood-vessel skeleton
CN115222674A (zh) 基于多维特征融合的颅内动脉瘤破裂风险的检测装置
CN113706541A (zh) 一种图像处理方法及装置
Olender Computational processing and modeling of intravascular images precisely couple arterial morphology and biomechanics

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 100192 A206, 2 / F, building B-2, Dongsheng Science Park, Zhongguancun, 66 xixiaokou Road, Haidian District, Beijing

Applicant after: Huiying medical technology (Beijing) Co.,Ltd.

Address before: 100192 A206, 2 / F, building B-2, Dongsheng Science Park, Zhongguancun, 66 xixiaokou Road, Haidian District, Beijing

Applicant before: HUIYING MEDICAL TECHNOLOGY (BEIJING) Co.,Ltd.

GR01 Patent grant
GR01 Patent grant