CN112164467A - 介入术后血管再撕裂风险预测方法及其系统与设备 - Google Patents

Abstract

本发明公开了一种介入术后血管再撕裂风险预测方法及其系统与设备，其中所述风险预测方法包括通过术前的血管的参数集，及经添加虚拟支架的仿真过程获得的虚拟术后的血管的参数集构建基于风险概率的预测模型，所述血管的参数通过三维血管模型获得。本发明可在术前模拟介入手术方案，并对手术方案执行后血管再撕裂风险做出准确预测，进而在术前对介入支架的选择做出科学统一的指导，助力克服目前个体化支架选择的不足，改善治疗效果，并为支架的设计改善提供科学指导。

Description

介入术后血管再撕裂风险预测方法及其系统与设备

技术领域

本发明涉及仿真方法的技术领域。

背景技术

支架介入手术因为其治疗后的短中期效果良好，目前已经成为临床上血管疾病的首选治疗方法。如临床上常使用的胸主动脉腔内修复术(Thoracic endovascular aorticrepair,TEVAR)已经成为B型主动脉夹层的首选治疗方法。但介入手术在完成后，还易发生与介入器械相关的并发症，其中，介入术后血管再撕裂是一种支架介入之后由支架引起的血管再破裂，根据研究，术后血管再撕裂的发病率和致死率都比较高。如TEVAR术后，有发生I型鸟嘴征、支架引发远端新发裂口和术后逆撕A型等风险，这些并发症比夹层本身更加危险。根据研究，术后远端再撕裂的发病率为1.3％～34.8％，死亡率会高达28.6％。

目前针对支架介入手术后并发症如血管再撕裂等的预测因素研究多为临床回顾性研究，难以准确找出相关因素和影响关系，如部分研究采用单因素分析方法，但不同研究得出的和血管再撕裂相关的危险因素并不统一；部分研究关注支架选择和血管再撕裂的发生之间的关系，但同时有其他研究表明支架的标称参数不能做为支架在血管腔内展开后状态的参考标准。因此目前针对血管再撕裂的预测因素研究并没有达到共识。

为解决上述问题，部分现有研究考虑过使用预测模型对手术方案及手术方案执行后的情况进行模拟、预测。但实际测试发现，手术方案执行后，其治疗效果和虚拟术后并发症发生的可能性无法得到准确评估，也无法基于此预先得到优化的手术方案。

另一方面，现有部分回顾性研究表明，根据个体化特征选择合适的支架和合适的锚定区位置等可以降低术后并发症发生的风险，因此若能够得到准确、统一、全面的支架选择方案，有望减少术后并发症。但是，现有技术中仍然缺乏这种方案。

发明内容

本发明的目的在于提出一种介入术后血管再撕裂风险预测方法，其可以在手术执行前对介入术后的血管再撕裂风险做出准确预测，对介入支架的选择做出科学统一的指导；可以通过全面、准确、实时的支架介入和血管重塑模拟，助力克服目前个体化支架选择的不足，改善治疗效果，并为支架的设计改善提供科学指导。其能够在术前评估手术方案可能导致血管再撕裂发生的风险概率，为医生规避手术风险提供科学指导，提高了介入的手术安全性，保证其临床应用。

本发明首先公开了如下的技术方案：

介入术后血管再撕裂风险预测方法，其包括通过术前的血管的参数集，及经添加虚拟支架的仿真过程获得的虚拟术后的血管的参数集构建基于风险概率的预测模型，所述血管的参数集基于三维血管模型获得。

可以理解的是，该方案中所述血管的参数集应当包括前述术前的血管的参数集和虚拟术后的血管的参数集。

所述参数集是指的包括1种或1种以上的参数的集合。

根据本发明的优选实施方式，所述血管的参数集通过对术前的三维血管模型和/或经部署虚拟支架仿真算法获得的虚拟术后的三维血管模型的自动测算获得。

根据本发明的优选实施方式，所述术前的血管的参数集包括以下参数：术前的血管截面的面积平均值、周长平均值、等效直径平均值、长轴长度平均值、短轴长度平均值、长轴与短轴的长度比平均值、面积最小值、周长最小值、等效直径最小值、长轴长度最小值、短轴长度最小值、远端与近端血管的面积锥度比、远端与近端血管的周长锥度比、远端与近端血管的等效直径锥度比、远端与近端血管的长轴锥度比、远端与近端血管的短轴锥度比、远端与近端血管的长轴与短轴的长度比的锥度比，和血管迂曲度共18个参数。

根据本发明的优选实施方式，所述术前的血管的参数集包括以下参数：术前的血管截面的长轴最小值，周长最小值及血管迂曲度。

根据本发明的优选实施方式，所述虚拟术后的血管的参数包括以下36个参数：

整个支架区域的血管截面扩张比平均值，所述截面扩张比包括面积扩张比、周长扩张比、等效直径扩张比、长轴扩张比、短轴扩张比及长轴与短轴的长度比的扩张比；

整个支架区域的血管、血管远端段和血管远端1cm段的以下参数：所述血管壁位移量的最小值、下四分位数、中位数值、上四分位数和最大值；所述血管壁周向应力的最小值、下四分位数、中位数、上四分位数和最大值。

根据本发明的优选实施方式，所述虚拟术后参数包括整个支架区域的血管截面的短轴扩张比、长轴扩张比，远端段血管壁位移量最小值，远端段血管壁位移量下四分位数，远端1cm段血管壁位移量下四分位数和远端1cm段血管壁位移量最大值。

根据本发明的优选实施方式，所述虚拟术后的血管的参数集包括整个支架区域的血管截面短轴扩张比，远端段血管壁位移量最小值和远端1cm段血管壁位移量最大值。

根据本发明的优选实施方式，所述扩张比通过如下的模型获得：

其中，X_vir-dis表示虚拟支架术后的远端血管参数，X_pre-dis表示术前的远端血管参数。

根据本发明的优选实施方式，所述血管壁周向应力通过如下的模型获得：

其中，C1、D1、D2表示血管壁组织材料常数；λ表示周向拉伸比。

根据本发明的优选实施方式，所述周向拉伸比λ通过如下的模型获得：

其中，R表示术前血管壁上的点与其中心点之间的距离；ΔD表示虚拟术后该点的位移量。

根据本发明的优选实施方式，所述参数集的获取包括：

获得所述整个支架区域的血管模型的STL文件；

自文件中提取出整个支架区域的血管中心线坐标，并在中心线上进行均匀插值，得到多个插值点；

获得所述中心线在每个插值点处的切向量，及与该切向量相互垂直的截取面，通过插值点所在的截取面对所述三维血管模型进行分层截取，得到多个血管截面；

获得每个截取面与血管模型相交的三角形面片，及交点的坐标；

根据交点坐标，获得每个血管截面的参数及血管整体参数。

根据本发明的优选实施方式，通过以下过程获得部分血管截面参数：

在每层截面上，将所述对应插值点也即是中心线点与每个相交的三角形面片的两个交点相连，形成多个三角形，将所述多个三角形面积进行加和，获得血管模型在该截面上的截面面积；

在每层截面上，将每一个相交的三角形面片的两个交点之间的距离进行加和，获得血管模型在该截面上的周长；

在每层截面上，将获得的所有交点坐标，通过三维仿射变换变换至与其对应的截取面上，在变换后的平面上进行网格插值，并通过主成分分析获得网格插值后的平面上的两个主成分方向，通过对两个主成分方向的点的计算，获得血管模型在该截面上的长轴和短轴；

并通过以下过程获得部分血管整体参数：

根据整个支架区域的血管的两个端部中心点之间的距离，得到所述端部直线长度；

根据每两个相邻血管截面上的中心点的之间的距离的加和，得到血管的曲线长度；

通过所述直线长度与所述曲线长度的比获得所述迂曲度。

根据本发明的优选实施方式，所述预测模型通过对所述参数集中的参数的LASSO回归及加权多远逻辑回归分析获得，并通过基于校准曲线、受试者工作曲线及临床决策曲线的校准度检验、区分度检验及临床应用性检验的评价进行准确性评价与调整。

根据本发明的优选实施方式，所述风险预测模型为：

PM-1：Risk＝α₁A1+α₂A2+α₃A3+C1，和/或PM-2：Risk＝β₁B1+β₂A2+β₃A3+C2，

其中，A1、A2、A3表示术前参数集中的血管截面周长最小值、长轴最小值和血管迂曲度，B1、B2、B3表示术后参数集中的血管截面短轴扩张比、远端段血管壁位移量最小值和远端1cm段血管壁位移量最大值；α₁、α₂、α₃、β₁、β₂、β₃表示相关系数。

根据本发明的优选实施方式，所述风险预测模型为：

PM-1：Risk＝0.13+1.45·A1-0.04·A2-0.04·A3，和/或

PM-2：Risk＝-4.28+0.01·B1+0.01·B2+0.37·B3；

根据本发明的优选实施方式，所述风险预测模型为上述任一预测模型，更优选为PM-2模型。

本发明进一步公开了介入术后血管再撕裂风险预测系统，其包括：

基于患者医学影像数据获得术前三维血管模型，和基于虚拟支架仿真算法获得虚拟术后血管模型的预处理模块；

对术前三维血管模型和虚拟术后的血管模型进行参数自动测量的特征参数提取模块；

通过LASSO回归及加权多远逻辑回归分析对获得的参数进行筛选，并确定风险因素变量和相关系数，构建介入术后血管再撕裂风险预测模型的构建模块；

对构建出的预测模型进行准确性和有效性测试的性能评估模块。

本发明进一步公开了介入术后血管再撕裂风险预测设备，其包括：存储器、处理器、总线和通信接口；所述处理器、通信接口和存储器通过总线连接；所述存储器用于存储可实现上述任一种风险预测方法的程序，所述处理器用于执行所述存储器内的程序。

本发明具备以下有益效果：

本发明通过单纯性可变形网格和力学接触模型的虚拟支架仿真算法，可快速准确模拟医生制定的手术方案在血管腔内的展开和置入，以及获得塌陷或者狭窄血管的重塑结果，为医生可视化呈现手术方案的治疗效果，为手术方案治疗效果评估和优化提供科学参考依据。

本发明构建了基于立体三维模型的形态学参数自动获取算法，能够快速提取多个形态学参数，为多参数大批量案例研究奠定了基础。

本发明在构建风险模型时，因为参数数目较多，并且参数之间存在较强的多重共线性，在进行参数选择时使了用LASSO回归方法进行，并且使用了加权多元逻辑回归方法构建了风险预测模型，克服了正常组和事件组的比例不平衡问题，最终构建了简洁、准确的风险预测模型，能够有效服务于临床介入术后血管再撕裂风险评估。

本发明可准确、快速地为介入术后血管再撕裂风险评估提供客观依据，达到帮助病人进行医疗决策，指导医学临床研究等作用。

本发明可对介入支架的选择做出科学统一的指导；可以通过全面、准确、实时的支架介入和血管重塑模拟，助力克服目前个体化支架选择的不足，改善治疗效果，并为支架的设计改善提供科学指导。

本发明可获得准确、精确、预测能力强的风险预测模型，能够进行术前手术方案执行风险预测，指导手术方案优化，保障介入手术的安全性。在进行临床应用时，医生只需要输入病人术前医学影像数据和选择使用的支架参数(型号，长度，直径)，经执行虚拟支架仿真算法，获得手术方案执行后的虚拟术后模型，并自动计算提取关键参数，输入至风险预测模型，最终获得介入术后血管再撕裂的风险概率。本发明构建的风险预测模型能够实现术前手术方案的风险评估，及时指导临床适用于个体化特征的手术方案选择，避免介入术后血管再撕裂的发生。

附图说明

图1为具体实施方式中所述介入术后血管再撕裂风险预测流程图。

图2为具体实施方式中所述血管的三维立体模型图。

图3为具体实施方式中所述沿中心线进行垂面截取的过程示意图。

图4为具体实施方式中所述垂面截取后的血管模型示意图。

图5为具体实施方式中所述参数自动获取流程图。

图6为具体实施方式中所述每层相交三角形面片。

图7为具体实施方式中所述截面参数获取示意图。

图8为具体实施方式中所述血管段划分示意图。

图9为具体实施方式中所述应力-应变曲线关系图。

图10为具体实施方式中所述虚拟术后血管位移量示意图。

图11为具体实施方式中所述点位移增量计算示意图。

图12为具体实施方式中所述参数选择示意图。

图13为具体实施方式中所述PM-1诺莫图。

图14为具体实施方式中所述PM-2诺莫图。

图15为具体实施方式中所述预测模型在训练集上的校准曲线。

图16为具体实施方式中所述预测模型在测试集上的校准曲线。

图17为具体实施方式中所述预测模型的ROC曲线。

图18为具体实施方式中所述预测模型的决策曲线。

图19为具体实施方式中所述预测系统组成框图。

图20为具体实施方式中所述预测设备结构示意图。

具体实施方式

以下结合实施例和附图对本发明进行详细描述，但需要理解的是，所述实施例和附图仅用于对本发明进行示例性的描述，而并不能对本发明的保护范围构成任何限制。所有包含在本发明的发明宗旨范围内的合理的变换和组合均落入本发明的保护范围。

通过如附图1所示的流程对B型主动脉夹层术后远端再撕裂风险进行预测，其包括：

S1建立TEVAR术前及术后的三维血管模型。

具体的，可通过：

S10获取多例TEVAR术前术后的CTA血管成像(Computed tomographyangiography,CTA)数据。

S11基于所得影像数据，重建术前及术后的三维血管模型。

其中，重建范围优选包括从升主动脉到髂分支夹层结束位置之间的部分。

具体的重建过程可如：

将获取的TEVAR术前和术后的病人CTA影像数据，如B型主动脉夹层血管的CTA图像，通过医学图像识别出其中主动脉血管内腔的几何形态，再进行血管三维几何模型重建，得到主动脉血管模型。

所用的模型重建方法可在现有技术中做出选择。

S2基于所述三维血管模型，构建验证后的虚拟支架仿真算法和虚拟术后血管模型。

进一步，可包括：

对S1获得的重建术前血管模型部署执行虚拟支架的仿真算法，获得虚拟术后三维血管模型，根据虚拟术后血管模型与实际术后血管模型的比较，进行虚拟支架的仿真算法准确性验证，并调整算法。

其中虚拟支架的仿真算法可在现有技术中进行选择，所选现有技术需要满足能够通过在术前血管模型的基础上部署虚拟支架仿真算法的方式得到虚拟术后血管模型的较准确快速描述的条件，如选用ZL201711292177.3“虚拟支架在血管内扩张的模拟方法、装置及电子设备”中的模拟方法。

重建的术前三维血管模型和通过虚拟支架仿真算法得到的虚拟术后血管模型如附图2所示。

在上述过程中，血管模型重建满足虚拟支架仿真算法部署和立体参数测量的需要。虚拟支架仿真算法以病人个体化的术前血管模型为基础进行部署，基于其获得的立体模型，可测量得到更准确的形态学参数，同时易于进行大批量数据的计算处理。

S3基于获得的术前及虚拟术后血管模型，获得术后再撕裂相关参数。

进一步，可包括：

S31通过对术前血管模型的测量，获得术前参数集；

S32通过对虚拟术后血管模型的测量，获得虚拟术后参数集。

其中，术前参数集优选包括术前血管截面的面积平均值，周长平均值，等效直径平均值，长轴平均值，短轴平均值，纵横比平均值，面积最小值，周长最小值，等效直径最小值，长轴最小值，短轴最小值，面积锥度比，周长锥度比，等效直径锥度比，长轴锥度比，短轴锥度比，纵横比锥度比和血管迂曲度共18个参数。

虚拟术后参数集优选包括虚拟术后血管截面的面积VSOR值，周长VSOR值，等效直径VSOR值，长轴VSOR值，短轴VSOR值，纵横比VSOR值，整个支架区域SWD最小值，整个支架区域SWD下四分位数，整个支架区域SWD中位数，整个支架区域SWD上四分位数，整个支架区域SWD最大值，整个支架区域SWCS最小值，整个支架区域SWCS下四分位数，整个支架区域SWCS中位数，整个支架区域SWCS上四分位数，整个支架区域SWCS最大值，远端段SWD最小值，远端段SWD下四分位数，远端段SWD中位数，远端段SWD上四分位数，远端段SWD最大值，远端段SWCS最小值，远端段SWCS下四分位数，远端段SWCS中位数，远端段SWCS上四分位数，远端段SWCS最大值，1cm段SWD最小值，1cm段SWD下四分位数，1cm段SWD中位数，1cm段SWD上四分位数，1cm段SWD最大值，1cm段SWCS最小值，1cm段SWCS下四分位数，1cm段SWCS中位数，1cm段SWCS上四分位数，1cm段SWCS最大值共36个参数。

其中，整个支架区域是指由医生预设的支架锚定区的近端点和远端点之间的部分，其长度可依据个体化特征和医生的手术方案确定。

将整个支架区域沿血管延伸方向平均分成三部分，即为远端段、近端段及两者之间的中间段，如附图8所示。

以远端段终点即支架远端锚定点所在的血管平面为起始面向上垂直截取1cm深度的血管模型，即获得所述1cm段。

其中，所述纵横比表示长轴与短轴的长度比。

所述锥度比表示术前血管远端对近端的参数差异程度，其可表征术前血管的受压迫程度。

锥度比TR可进一步通过如下的模型获得：

其中，X_pre-pro表示术前近端锚定区的参数，X_pre-dis表示远端的血管的参数，其中近端和远端锚定区位置是术前预设的支架放置区域的近远端位置，X可具体代入上述面积，周长，等效直径，长轴，短轴或纵横比。

所述迂曲度表示血管段两端的截面中心点之间的连线长度与该血管段的弯曲长度的比值，即直线长度与曲线长度的比值。

所述VSOR表示虚拟支架扩张比(Virtual stenting oversizing ratio,VSOR)，其可表征执行虚拟支架之后，支架远端的真腔扩张程度。

VSOR值可进一步通过如下的模型获得：

其中，X_vir-dis表示虚拟支架术后的远端真腔的参数，X_pre-dis表示术前的支架远端的真腔参数，X可具体代入上述面积、周长、等效直径、长轴、短轴或纵横比。

所述SWD表示支架引发的血管位移量(Stent-induced wall deformation,SWD)，其可表征TEVAR手术方案执行后的血管形变。

SWD值可进一步通过血管壁上的点在术前与虚拟支架术后的位移变化量ΔD获得，如附图10所示。

所述SWCS表示支架引发的血管壁周向应力(Stent-induced wallcircumferential stress,SWCS)。

其可通过如下的修正后的Mooney-Rivlin应变能密度函数获得：

其中，C₁、D₁、D₂表示血管壁组织材料常数，可通过单轴拉伸实验对主动脉组织进行拉伸测试获得。

如根据现有技术中的拉伸实验数据自动处理及分析软件可获得如附图9所示的主动脉夹层组织的应力-应变拉伸关系曲线，并获得血管壁组织材料常数：C₁,0.68；D₁,24.41；D₂,0.74。

λ表示周向拉伸比，其可通过如下的模型获得：

其中，R表示术前血管壁上的一点p_i和血管中心点c_i之间的距离；ΔD表示同一血管壁上的点在术前与虚拟支架术后的位移变化量，亦即前述SWD值，其可通过术前血管点p_i及执行虚拟支架仿真算法之后该点移动到的新位置点p_i1之间的距离获得，如图11所示。

术前参数集和虚拟术后参数集的获得可进一步通过如附图5所示的立体参数自动获取过程得到，其包括：

获得所述整个支架区域的血管模型的ASCII码格式的STL(S Tereo Lithography,立体光刻)文件，即该参数自动获取过程中血管模型通过小三角形面片对其表面进行近似描述。

自文件中提取出整个支架区域的中心线坐标，通过通用参数化曲线表示方法均匀插值成100个点，计算每个点所在中心线的切向量，并获取垂直于该切向量的平面，即该点的垂面，其过程如附图3所示。通过所述垂面切割血管模型，得到其100个截面，如附图4所示。

分别获得每个垂面与血管模型相交的三角形面片，及其与每个相交的三角形面片的两个交点的坐标，如附图6所示。其可进一步通过以下遍历过程实现：

设置任一均匀插值的点，即中心线在任一截面上的点(以下简称中心线点)的初始值i；

设置预设支架区域术前血管模型的任一三角形面片的初始值e；

从初始值i开始，当i小于中心线点总数目时，对其对应的每个中心线点执行上述获取垂面的程序，并进一步设置i＝i+1重复该过程，至i等于中心线点总数目；

从初始值e开始，当e小于三角形单元总数目时，执行判断该三角形单元是否和对应垂面相交的程序，若不相交，则继续遍历组成模型的三角形单元，即设置e＝e+1，直至遍历模型的所有三角形单元；若相交，则输出垂面和每个三角形面片相交的交点的坐标。

在每层截面上，将插值点即每个截面的中心线点与得到的每个相交的三角形面片的两个交点相连，形成多个三角形，根据海伦-秦九韶定理公式获得每个三角形的面积。

在每层截面上，将得到的多个三角形面积进行加和，即获得血管模型在该截面上的截面面积。

根据所得截面面积进一步获得等效直径。

在每层截面上，对每一对交点(即任一相交的三角形面片的两个交点)之间的距离进行加和，获得该层截面的周长。

在每层截面上，进行结构性网格插值，以获取交点围成的平面内的更多点的坐标，提高点密度。所述结构性网格插值通过将获得的交点的坐标通过仿射变换变换至二维平面上实现，具体的，可通过将获得的所有交点坐标，通过三维仿射变换方法变换到与对应中心线点处的切向量垂直的面上，即其对应的垂面上实现，由此得到的所有点的z坐标均为同一数值。

具体的仿射变换过程如：

在两个坐标系S1(X，Y，Z)和S2(x，y，z)中，S1中的某一点P1(X,Y,Z)通过式(5)变换至坐标系S2中：

其中

为仿射变换矩阵，

矩阵的表示如式(6)所示：

若两个坐标系S1(X，Y，Z)和S2(x，y，z)的坐标原点重合，则仿射变换矩阵

可简化为3x3矩阵，如式(7)所示:

当坐标系原点重合时：设定S2的三个坐标矢量在S1中表现为：

u＝{X1,Y1,Z1}，v＝{X2,Y2,Z2}，w＝{X3,Y3,Z3}，

则矩阵

如式(8)所示：

通过求解如式(9)所示的方程组，完成变换：

在变换后得到的平面上进行如下的结构性网格插值：

寻找所有交点纵坐标的最大值点和最小值点，以此两个点的纵坐标做垂直于x轴的直线，并沿x正方向移动该直线，移动从横坐标最小的交点开始，到横坐标最大的交点，每次移动1个单位，每移动1个单位则计算该直线和交点围成的多边形相交的两个点，获得相交线段，在该线段上，沿y正方向，从相交的y最小值处开始，每隔1个单位长度确定一个多边形内部点坐标，直至将直线移动到所有点的横坐标最大处，则可以获得相交点围成平面中的结构性网格点插值结果，如图7所示。

在完成网格插值后，通过主成分分析(Principal Component Analysis,PCA)，获取截面上的两个主成分方向，即代表该截面上的长轴和短轴所在的方向，计算主成分方向的矢量和平面边界的交点之间的长度、根据值的大小确定每个截面的长轴和短轴长度，以及纵横比(短轴和长轴的比)。

完成上述关于每层截面的计算后，输出所有层的参数，并计算和介入术后血管再撕裂可能相关的所有参数的平均值和最小值。

其后，基于获取的每层参数，进行锥度比与迂曲度的计算，如下：

通过式(1)获得不同参数的锥度比TR。

通过以下过程获得迂曲度：

根据两个端部中心线点的坐标获得两者间的距离，得到所述直线的长度；

根据每两个相邻截面上的中心线点的坐标获得的相邻距离的加和，得到所述曲线的长度；

通过所述直线的长度与所述曲线的长度的比获得迂曲度。

最后对术前或术后的全部参数和计算结果分别进行输出，包括截面面积、周长、等效直径、长轴、短轴、纵横比、锥度比、迂曲度、VSOR值，SWD值，SWCS值等及这些参数的均值、最小值、最大值、中位数或上下四分位数等。

S4基于所得参数构建血管再撕裂风险预测模型。

进一步的，可包括：

通过术前参数集中的18个参数构建预测模型PM-1；

通过术前参数集和虚拟术后参数集的总共54个参数构建预测模型PM-2。

在进行预测模型构建时，可通过分层随机抽样的方法将样本集按数据量7:3分为训练集和测试集。同时考虑到模型的参数较多，且参数之间可能存在一定的多重共线性，优选首先识别出最具预测效力的参数，其具体过程可包括：

分别对术前参数集和全部参数集的参数进行LASSO回归，其选择过程如图12所示。

对全部参数的LASSO回归发现，系数非零的参数有6个，其与对应的系数如表1所示：

表1.所有参数集LASSO回归选择参数和相关系数

变量	系数
		常量	-4.28
长轴VSOR	0.51
		短轴VSOR	0.01
远端段SWD最小值	0.11
		远端段SWD下四分位数	0.15
1cm段SWD下四分位数	0.05
		1cm段SWD最大值	0.37

对术前参数集进行LASSO回归发现，系数非零的参数有3个，其和对应的系数表如表2所示。

表2.术前参数集LASSO回归选择参数和相关系数

变量	系数
		常量	0.13
迂曲度	1.45
		周长最小值	-0.04
长轴最小值	-0.04

进一步的，对模型做出简化，其包括：

对LASSO回归选择出的参数进行多元加权逻辑回归，通过逐步向后方法进行参数选择并结合AIC准则作为停止规则最终决定纳入预测模型的参数，经过多元加权逻辑回归选择的变量，以及对应的Wald值，优势比以及优势比的置信区间和p值如表3所示，最终构建风险概率预测公式如式(10)所示。

表3.多元逻辑回归结果

进一步的，本发明通过如图13和图14所示的诺莫图(Nomogram)量化每一个病人的血管再撕裂的发生风险概率，以将其高效地应用于临床。其中，图14为PM-2模型的诺莫图，图13为PM-1模型的诺莫图。

在进行上述数据分析时，可借助统计分析软件如R 3.6.3进行。

S5对构建的预测模型的预测性能进行评估。

进一步的，可通过校准度检验(校准度曲线)，区分度检验(受试者工作特征曲线)和临床应用性(临床决策曲线)评价模型的准确性，分别包括在训练集和测试集上的评估。

具体如：

S51在训练集上对两个模型进行校准度的评估

使用校准曲线和Hosmer-Lemeshow统计量进行校准度评估。其中，两个模型在训练集上的校准曲线如图15所示。两个模型在训练集上的Hosmer-Lemeshow统计量分别为PM-2：p＝0.916和PM-1：p＝0.241。

通过上述评估可以看出：两个模型在训练集上校准性能表现良好，但模型PM-2的校准度优于模型PM-1。

进一步获得PM-2和PM-1两个模型在训练集上的C指数，其值分别为0.96(95％CI:0.93-0.99)和0.8(95％CI:0.68-0.92)，经过bootstrapping计算后，两个模型的C指数分别为0.95和0.77。

S52在测试集上对两个模型的预测性进行比较

使用校准度曲线和计算了Hosmer-Lemeshow统计量对模型的校准度进行评估。其中，两个模型在测试集上的校准度曲线如图16所示。两个模型在训练集上的Hosmer-Lemeshow统计量分别为PM-2：p＝0.914和PM-1：p＝0.209。

进一步的，PM-2和PM-1两个模型在测试集上的C指数分别为0.97(95％CI:0.94-1.00)和0.85(95％CI:0.62-0.94)。

基于以上数据，绘制两个模型在测试集上的ROC曲线，如图17所示，可以看出在校准度和区分度的比较上，PM-2预测性能明显优于PM-1模型。

进一步的，基于以上数据，绘制两个模型在测试集上的决策曲线，如图18所示。结果表明PM-2模型的决策能力是最优的。如果以风险概率50％作为分界值判断患者是否有发生血管再撕裂的可能性，两个模型的统计量如表4所示。可以看出在进行术前血管再撕裂的预测性能评估方面，PM-2模型的预测准确度和有效性都优于PM-1模型。

表4.模型预测性能统计量

上述预测方法可通过如附图19所示的系统和图20所示的设备完成。

具体的，其中系统主要包括以下4个模块：预处理模块，主要基于患者医学影像数据获得术前三维血管模型，和基于虚拟支架仿真算法获得虚拟术后血管模型；特征参数提取模块，实现基于三维术前血管模型和虚拟术后血管模型的自动参数测量获取；风险预测系统构建模块，使用上述统计分析方法对所测量的参数进行统计分析并确定风险因素变量和相关系数，最终构建介入术后血管再撕裂风险预测模型；模型预测性能评估模块，测试模型预测的准确性和有效性。

其中设备包括：处理器，存储器，总线和通信接口，且处理器、通信接口和存储器通过总线连接；处理器用于执行存储器中存储的计算机程序，所述计算机程序执行时可实现本发明的介入术后血管再撕裂风险预测方法。

以上实施方式仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施方式。凡属于本发明思路下的技术方案均属于本发明的保护范围。应该指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下的改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.介入术后血管再撕裂风险预测方法，其特征在于：所述方法包括通过术前的血管的参数集，及经添加虚拟支架的仿真过程获得的虚拟术后的血管的参数集构建基于风险概率的预测模型，所述血管的参数集基于三维血管模型获得。

2.根据权利要求1所述的风险预测方法，其特征在于：所述术前的血管的参数集包括以下参数：术前的血管截面的面积平均值、周长平均值、等效直径平均值、长轴长度平均值、短轴长度平均值、长轴与短轴的长度比平均值、面积最小值、周长最小值、等效直径最小值、长轴长度最小值、短轴长度最小值、远端与近端血管的面积锥度比、远端与近端血管的周长锥度比、远端与近端血管的等效直径锥度比、远端与近端血管的长轴锥度比、远端与近端血管的短轴锥度比、远端与近端血管的长轴与短轴的长度比的锥度比，和血管迂曲度这18个参数。

3.根据权利要求1所述的风险预测方法，其特征在于：所述虚拟术后的血管的参数包括以下36个参数：

整个支架区域的血管截面扩张比，所述截面扩张比包括面积扩张比、周长扩张比、等效直径扩张比、长轴扩张比、短轴扩张比及长轴与短轴的长度比的扩张比；

整个支架区域的血管、血管远端段和血管远端1cm段的以下参数：所述血管壁位移量的最小值、下四分位数、中位数值、上四分位数和最大值；所述血管壁周向应力的最小值、下四分位数、中位数、上四分位数和最大值。

4.根据权利要求3所述的风险预测方法，其特征在于：所述扩张比通过如下的模型获得：

其中，X_vir-dis表示虚拟支架术后的远端血管参数，X_pre-dis表示术前的远端血管参数；

和/或，

所述血管壁周向应力通过如下的模型获得：

其中，C₁、D₁、D₂表示血管壁组织材料常数；λ表示周向拉伸比，其通过如下的模型获得：

其中，R表示术前血管壁上的点与其中心点之间的距离；ΔD表示该点的血管壁位移量。

5.根据权利要求1所述的风险预测方法，其特征在于：所述参数集的获取包括：

获得所述整个支架区域的血管模型的STL文件；

自文件中提取出整个支架区域的血管中心线坐标，并在中心线上进行均匀插值，得到多个插值点；

获得所述中心线在每个插值点处的切向量，及与该切向量相互垂直的截取面，通过插值点所在的截取面对所述三维血管模型进行分层截取，得到多个血管截面；

获得每个截取面与血管模型相交的三角形面片，及交点的坐标；

根据交点坐标，获得每个血管截面的参数及血管整体参数。

6.根据权利要求5所述的风险预测方法，其特征在于：通过以下过程获得部分血管截面参数：

在每层截面上，将所述插值点与每个相交的三角形面片的两个交点相连，形成多个三角形，将所述多个三角形面积进行加和，获得血管模型在该截面上的截面面积；

在每层截面上，将每一个相交的三角形面片的两个交点之间的距离进行加和，获得血管模型在该截面上的周长；

在每层截面上，将获得的所有交点坐标，通过三维仿射变换变换至与其对应的截取面上，在变换后的平面上进行网格插值，并通过主成分分析获得网格插值后的平面上的两个主成分方向，通过对两个主成分方向的点的计算，获得血管模型在该截面上的长轴和短轴；

并通过以下过程获得部分血管整体参数：

根据整个支架区域的血管的两个端部中心点之间的距离，得到所述端部直线长度；

根据每两个相邻血管截面上的中心点的之间的距离的加和，得到血管的曲线长度；

通过所述直线长度与所述曲线长度的比获得所述迂曲度。

7.根据权利要求1所述的风险预测方法，其特征在于：所述预测模型通过对所述参数集中的参数的LASSO回归及加权多远逻辑回归分析获得，并通过基于校准曲线、受试者工作曲线及临床决策曲线的校准度检验、区分度检验及临床应用性检验的评价进行准确性评价与调整。

8.根据权利要求7所述的风险预测方法，其特征在于：所述风险预测模型为：

PM-1：Risk＝α₁A1+α₂A2+α₃A3+C1，和/或PM-2：Risk＝β₁B1+β₂A2+β₃A3+C2，

其中，A1、A2、A3表示术前参数集中的血管截面周长最小值、长轴最小值和血管迂曲度，B1、B2、B3表示术后参数集中的血管截面短轴扩张比、远端段血管壁位移量最小值和远端1cm段血管壁位移量最大值；α₁、α₂、α₃、β₁、β₂、β₃表示相关系数；

优选的，所述风险预测模型为所述模型PM-2；

优选的，所述风险预测模型为：PM-1：Risk＝0.13+1.45·A1-0.04·A2-0.04·A3，和/或PM-2：Risk＝-4.28+0.01·Bl+0.01·B2+0.37·B3。

9.介入术后血管再撕裂风险预测系统，其特征在于：包括：

基于患者医学影像数据获得术前三维血管模型，和基于虚拟支架仿真算法获得虚拟术后血管模型的预处理模块；

对术前三维血管模型和虚拟术后的血管模型进行参数自动测量的特征参数提取模块；

通过LASSO回归及加权多远逻辑回归分析对获得的参数进行筛选，并确定风险因素变量和相关系数，构建介入术后血管再撕裂风险预测模型的构建模块；

对构建出的预测模型进行准确性和有效性测试的性能评估模块。

10.介入术后血管再撕裂风险预测设备，其特征在于：包括：存储器、处理器、总线和通信接口；所述处理器、通信接口和存储器通过总线连接；所述存储器用于存储可实现权利要求1-8中任一项所述的风险预测方法的程序，所述处理器用于执行所述存储器内的程序。

Images