CN113066583A - 动脉瘤破裂风险预测方法、装置及存储介质 - Google Patents
动脉瘤破裂风险预测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN113066583A CN113066583A CN202110339888.1A CN202110339888A CN113066583A CN 113066583 A CN113066583 A CN 113066583A CN 202110339888 A CN202110339888 A CN 202110339888A CN 113066583 A CN113066583 A CN 113066583A
- Authority
- CN
- China
- Prior art keywords
- aneurysm
- rupture
- risk
- model
- features
- 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
Images
Classifications
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
- A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
-
- 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
-
- 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
- A61B5/0263—Measuring blood flow using NMR
-
- 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
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/24—Fluid dynamics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/41—Medical
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physiology (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Cardiology (AREA)
- Epidemiology (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Vascular Medicine (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Databases & Information Systems (AREA)
- Radiology & Medical Imaging (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Computer Graphics (AREA)
- Neurosurgery (AREA)
- Hematology (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明提供一种动脉瘤破裂风险预测方法、装置及存储介质,包括:获取多个连续的3D磁共振血管造影图像数据;基于所述3D磁共振血管造影图像数据对动脉瘤分割及建立3D三角网格模型;基于动脉瘤分割结果和3D三角网格模型获得血流动力学参数、常规形态学特征以及放射学特征;获取基因数据和临床特征,基于所述血流动力学参数、常规形态学特征、放射学特征、基因数据以及临床特征获得动脉瘤破裂风险的预测结果。本发明提供的技术方案,基于血流动力学参数、常规形态学特征、放射学特征、基因数据以及临床特征几个方面得到动脉瘤破裂风险的预测结果,使得预测结果更加的准确。
Description
技术领域
本发明涉及动脉瘤预测技术,尤其涉及一种动脉瘤破裂风险预测方法、装置及存储介质。
背景技术
颅内动脉瘤发病率为3%-7%,诊断性医学成像水平的提高使得未破裂动脉瘤的更容易被发现,虽然大多数动脉瘤仍无症状且从不破裂,但当动脉瘤出现破裂时会导致出血性中风,可导致高达65%的死亡率,并因此带来不可挽回的结果和巨大的经济负担。鉴于破裂的灾难性后果,识别易破裂的动脉瘤以及判断其稳定性对制定未破裂动脉瘤的治疗方案很重要,尤其是小动脉瘤。未破裂的小动脉瘤会在出现动脉瘤性蛛网膜下腔出血而被治疗。然而,每一种治疗方式都存在一定的风险。与预防破裂的治疗方案相关的风险已经超过了每年约1%的动脉瘤自然破裂风险,被错误归类为未来破裂风险较低的高危动脉瘤如果不进行治疗,也会给患者带来危险。因此,对动脉瘤破裂风险的评估对于决定是否进行治疗或保守观察至关重要。
形态学和临床特征与动脉瘤的稳定性密切相关。许多形态学参数(如尺寸比、长宽比、高宽比等)主要是在二维投影中测量的,不同的评分者或投影可能会使测量结果有所不同。基于这些因素的风险评价方法应运而生,但其预测性能有限。为了克服这些缺点,为了拥有一个高灵敏度的动脉瘤破裂风险的评估模型,建立一个全面的高预测性能的模型尤为重要。放射组学是一种新兴的分析技术,它从图像中提取特征,并以数据驱动的方式进行分析。它已被证明在癌症预后、放射治疗和癌症遗传学评估等许多领域都是有用的。目前,放射组学特征在动脉瘤分层中的应用还不多见。之前研究中包含的形状特征只是从图像中提取的特征中的一小部分,仍然有许多特征,如一阶直方图和二阶纹理特征,还没有被利用。研究表明易破裂的动脉瘤显示出特定的纹理特征,可能间接地反映了动脉瘤内的血流动力学。血流动力学参数与动脉瘤破裂有关,然而,大多数对动脉瘤血流动力学的研究都采用了基于假定的血流特性的计算机模拟。
与颅内动脉瘤破裂的发病机制有关的基因研究越来越受到人们的重视。有研究探索了破裂和未破裂的动脉瘤的基因表达谱存在差异,确定了总共159个差异表达基因和几个关键的生物学过程,包括细胞粘附、肌肉系统、免疫系统和炎症反应等。很少有研究采取基因手段进行动脉瘤破裂风险的评估。
在医学领域,人工智能已被用于癌症成像,辅助癌症的准确检测、定性和监测,特别是肺癌、脑癌、乳腺癌和前列腺癌。人工智能在动脉瘤检测、风险分层和预测中的初步应用也已被报道。
机器学习模型在医学分类和预测方面表现出了强大的能力,能快速的处理大量数据,放射组学能够以自动方式从各种图像模式生成大量纹理派生特征,这使得它成为机器学习和医学信息学研究的一个有吸引力的工具,目前还没有将放射组学和基因组学与机器学习相结合应用于预测动脉瘤破裂风险的研究。
发明内容
本发明实施例提供动一种动脉瘤破裂风险预测方法、装置及存储介质,基于机器学习,将血流动力学参数、常规形态学特征、放射学特征、基因数据以及临床特征几个方面得到动脉瘤破裂风险的预测结果,使得预测结果更加的准确。
本发明实施例的第一方面,提供一种动脉瘤破裂风险预测方法,包括:
获取多个连续的3D磁共振血管造影图像数据;
基于所述3D磁共振血管造影图像数据对动脉瘤分割及建立3D三角网格模型;
基于动脉瘤分割结果和3D三角网格模型获得血流动力学参数、常规形态学特征以及放射学特征;
获取基因数据和临床特征,基于所述血流动力学参数、常规形态学特征、放射学特征、基因数据以及临床特征获得动脉瘤破裂风险的预测结果。
可选地,在第一方面的一种可能实现方式中,所述基因数据包括Toll样受体3(TLR3)、纤维连接蛋白1(FN1)、淀粉样蛋白前体蛋白(APP)、核β输出因子1(Nxf1)以及信号转导和转录激活因子3(STAT3)。
可选地,在第一方面的一种可能实现方式中,所述基于所述3D磁共振血管造影图像数据对动脉瘤分割及建立3D三角网格模型包括:
通过快速行进方法对所述3D磁共振血管造影图像数据进行处理,获得快速而粗略的分割,基于血管增强滤波器的速度用于边界表面演化,快速行进算法的输出产生名为动作图的函数图像;
嵌入函数的零水平集,采用非收缩算法对重建的模型进行平滑处理,使用边折叠和对角线交换优化三角剖分,交互截断血管并挤出边界;
将解剖模型用作支撑面,使用推进前沿方法生成有限元网格,进行重新三角剖分,生成四面体单元的区域;
生成动脉瘤和载瘤血管在内的3D体积数据,对于每个分割的表面,将动脉瘤穹顶与周围血管隔离得到处理后的3D三角网格模型。
可选地,在第一方面的一种可能实现方式中,所述基于动脉瘤分割结果和3D三角网格模型获得血流动力学参数、常规形态学特征以及放射学特征包括:
所述血流动力学计算参数包括血流的最大流速,通过以下公式获得血流的最大流速,
其中,ρ为血流的密度、v为血流的速度、P为血流的压力和μ为血流的动态粘度。
可选地,在第一方面的一种可能实现方式中,所述基于动脉瘤分割结果和3D三角网格模型获得血流动力学参数、常规形态学特征以及放射学特征包括:
对每个动脉瘤定义对应的动脉瘤颈平面;
获取与所述动脉瘤颈平面相距一个血管直径处的横断面得到载瘤血管平面;
基于所述动脉瘤颈平面、载瘤血管平面以及动脉瘤得到常规形态学特征。
可选地,在第一方面的一种可能实现方式中,所述基于所述3D磁共振血管造影图像数据对动脉瘤分割及建立3D三角网格模型包括:
基于PyRadiology软件对分割后的动脉瘤和载瘤血管进行特征提取,包括形状特征、一阶直方图特征以及纹理特征。
可选地,在第一方面的一种可能实现方式中,基于所述血流动力学参数、常规形态学特征、放射学特征、基因数据以及临床特征获得动脉瘤破裂风险的预测结果包括:
预先训练GLM-LASSO模型,将所述血流动力学参数、常规形态学特征、放射学特征、基因数据以及临床特征作为输入获得动脉瘤破裂风险的预测结果。
本发明实施例的第二方面,提供一种动脉瘤破裂风险预测装置,包括:
数据获取模块,用于获取多个连续的3D磁共振血管造影图像数据;
分割-建立模块,用于基于所述3D磁共振血管造影图像数据对动脉瘤分割及建立3D三角网格模型;
参数-特征获取模块,基于动脉瘤分割结果和3D三角网格模型获得血流动力学参数、常规形态学特征以及放射学特征;
预测模块,用于获取基因数据和临床特征,基于所述血流动力学参数、常规形态学特征、放射学特征、基因数据以及临床特征获得动脉瘤破裂风险的预测结果。
可选地,在第二方面的一种可能实现方式中,所述基因数据包括Toll样受体3(TLR3)、纤维连接蛋白1(FN1)、淀粉样蛋白前体蛋白(APP)、核β输出因子1(Nxf1)以及信号转导和转录激活因子3(STAT3)。
本发明实施例的第三方面,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,所述计算机程序被处理器执行时用于实现本发明第一方面及第一方面各种可能设计的所述方法。
本发明提供的技术方案、模型,包括来自不同方面(放射学、基因学、血流动力学、常规形态学、临床特征)的各种建议的危险因素,基于一个大的患者队列,建模初期排除了每种因素之间的共线性,识别独立变量和显著变量,将最终变量纳入本模型,本模型在内部取得了非常好的效果,是目前包含危险因素最全面的预测模型,可反映破裂与未破裂动脉瘤之间的差异性。本模型在临床应用之前,已使用前瞻性、多中心设计进行了外部验证,准确性达98%以上,体现了本模型的严谨性和普遍适用性。
并且,还引入了从放射组学中提取的特征,这些特征是从图像中衍生出来的,更客观、更逼真。本模型将动脉瘤和载瘤血管从磁共振血管造影图像中分割出来。每个动脉瘤的特征由放射组学PyRadiology软件自动提取预测动脉瘤稳定性的决定因素,并结合动脉瘤常规形态学、血流动力学、基因学和临床特征构建机器学习模型来分析数据的复杂关系,预测颅内动脉瘤的破裂风险。
附图说明
图1为动脉瘤破裂风险预测方法的第一种实施方式的流程图;
图2为模型构建的流程图;
图3为3D三角网格模型的结构示意图;
图4为常规形态学特征进行提取的示意图;
图5为放射学特征提取的示意图;
图6为动脉瘤破裂风险预测装置的第一种实施方式的结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
应当理解,在本发明的各种实施例中,各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
应当理解,在本发明中,“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解,在本发明中,“多个”是指两个或两个以上。“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“包含A、B和C”、“包含A、B、C”是指A、B、C三者都包含,“包含A、B或C”是指包含A、B、C三者之一,“包含A、B和/或C”是指包含A、B、C三者中任1个或任2个或3个。
应当理解,在本发明中,“与A对应的B”、“与A相对应的B”、“A与B相对应”或者“B与A相对应”,表示B与A相关联,根据A可以确定B。根据A确定B并不意味着仅仅根据A确定B,还可以根据A和/或其他信息确定B。A与B的匹配,是A与B的相似度大于或等于预设的阈值。
取决于语境,如在此所使用的“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
形态学和血流动力学已被证明与动脉瘤破裂有关,还有其他危险因素,包括相关基因表达、某些临床特征,如高血压、高血脂、饮酒和吸烟等。基于这些危险因素,各种风险评价方法应运而生。然而,很多评估方法仅包含了动脉瘤某方面的特征,预测能力有限,本模型旨在从多方面来评估动脉瘤破裂的风险,建立一个精准的预测模型。
有研究表明基于放射组学的机器学习模型可以用来预测动脉瘤破裂,与传统的形态学特征相比,放射组学中的形状特征可以显著提高预测能力。然而,放射组学还包括一阶直方图特征和纹理特征。这些特征可反应所测体素的对称性、均匀性以及局部强度分布变化,并可在强度水平可感知或可测量的空间变化,它被视为一个灰度级,是一种视觉感知的图像局部特征的综合。本模型旨在纳入一阶直方图和纹理特征来进一步提高预测性能。
目前普遍认为动脉瘤的形成与进展与遗传有关,有研究已经评估了与动脉瘤破裂发病机制有关的基因,已经确定了部分相关的危险因素。有人进行了全面的生物信息学分析来进一步筛选与动脉瘤破裂相关的关键基因,发现15种相关基因可能在IA破裂中起关键作用,但目前还没有评估方法将这些关键基因也加入破裂评估模型。
过多的特征会增加模型的复杂性,并且众多特征之间还存在线性相关,当自变量之间存在共线性时,模型的参数会变得极其不稳定,很难确切区分每个自变量对因变量的影响,模型的预测能力会下降,限制其在临床环境中的实际应用,这是目前动脉瘤风险预测模型普遍面临的难题。为了解决这个问题,建模初期,采用逐步回归法从共线性的自变量中筛选出对因变量影响较为显著的若干个变量,把对因变量贡献不大的自变量排除在模型之外,从而建立最优的回归模型,不仅克服了共线性问题,而且使得模型得到简化。除此之外,本模型使用了重复的十次交叉验证来减少过拟合,这已被证明即使在较小的数据集也是稳定的和有代表性的。套索回归是利用正则化方法在Logistic回归的基础上发展而来的,正则化可以将次要特征的系数缩小到零,并去除冗余特征。
本发明提供一种动脉瘤破裂风险预测方法,如图1所示其流程图包括:
步骤S10、获取多个连续的3D磁共振血管造影图像数据;
步骤S20、基于所述3D磁共振血管造影图像数据对动脉瘤分割及建立3D三角网格模型;
步骤S30、基于动脉瘤分割结果和3D三角网格模型获得血流动力学参数、常规形态学特征以及放射学特征;
步骤S40、获取基因数据和临床特征,基于所述血流动力学参数、常规形态学特征、放射学特征、基因数据以及临床特征获得动脉瘤破裂风险的预测结果。
在一个实施例中,基因数据包括Toll样受体3(TLR3)、纤维连接蛋白1(FN1)、淀粉样蛋白前体蛋白(APP)、核β输出因子1(Nxf1)以及信号转导和转录激活因子3(STAT3)。
如图2所示,本发明将套索(LASSO)模型定义的重要特征引入广义线性回归(GLM),建立GLM-LASSO模型,模型由以下特征组成:Toll样受体3(TLR3)、纤维连接蛋白1(FN1)、淀粉样蛋白前体蛋白(APP)、核β输出因子1(Nxf1)、信号转导和转录激活因子3(STAT3)、最大流速、长宽比(Aspect Ratio)、高度宽度比(Height/Width)、瓶颈因素(bottleneckfactor)、尺寸比(Size Ratio)、球形、平坦度、表面积/体积比、灰度共生矩阵最大概率(GLCM Max Probability)、灰度级带矩阵区域百分比(GLSZM Zone Percentage)、灰度共生矩阵最大相关系数(GLCM MCC)、高血压、高血脂、前交通动脉瘤和颈内动脉瘤。
收集患者的外周血标本,进行5种基因检测,包括Toll样受体3(TLR3)、纤维连接蛋白1(FN1)、淀粉样蛋白前体蛋白(APP)、核β输出因子1(Nxf1)和信号转导和转录激活因子3(STAT3)。
在一个实施例中,步骤S20包括:
通过快速行进方法对所述3D磁共振血管造影图像数据进行处理,获得快速而粗略的分割,基于血管增强滤波器的速度用于边界表面演化,快速行进算法的输出产生名为动作图的函数图像;
嵌入函数的零水平集,采用非收缩算法对重建的模型进行平滑处理,使用边折叠和对角线交换优化三角剖分,交互截断血管并挤出边界;
将解剖模型用作支撑面,使用推进前沿方法生成有限元网格,进行重新三角剖分,生成四面体单元的区域;
生成动脉瘤和载瘤血管在内的3D体积数据,对于每个分割的表面,将动脉瘤穹顶与周围血管隔离得到处理后的3D三角网格模型。
动脉瘤及载瘤血管的分割、血流动力学参数的计算:收集连续3D磁共振血管造影图像数据,进行准确的图像处理和形态学分析。对源图像进行动脉瘤和载瘤血管分割及体积重建。使用两阶段分割算法:在第一阶段,通过快速行进方法获得快速而粗略的分割,基于血管增强滤波器的速度用于边界表面演化,快速行进算法的输出产生名为动作图的函数图像,此函数显示动脉瘤及其周围血管边缘附近跳跃的时间值。这使得我们可以简单地使用动作图的阈值来提取动脉瘤的预分割;在第二阶段,该预分割被用作测地线活动区域模型的初始化,预分割将图像域划分成对应于血管和背景的区域,每个区域的灰度值直方图由高斯分布建模,基于这些描述符的传播速度被用在表面演化方程中,水平集算法用于跟踪嵌入函数的运动。最后的分割是嵌入函数的零水平集,该方法最近已被引入并得到广泛验证。然后使用非收缩算法对重建的模型进行平滑处理,使用边折叠和对角线交换优化三角剖分,交互截断血管并挤出边界,最小化动脉瘤区域内边界条件的影响。然后将解剖模型用作支撑面,使用推进前沿方法生成有限元网格,该方法首先对表面进行重新三角剖分,然后到生成四面体单元的区域。曲面特征(如脊线和角点)被自动检测并保留在有限元网格中,产生动脉瘤和载瘤血管在内的3D体积数据,对于每个分割的表面,将动脉瘤穹顶与周围血管隔离,并将其表示为3D三角网格模型,其中3D三角网格模型如图3所示。即可用于常规形态学参数提取,以捕捉动脉瘤的大小、延长和形状不规则性,也可用于血流动力学参数的计算。不同的血流动力学变量与破裂有关,描述了流动的复杂性、时间稳定性、表面力和流入强度。
在一个实施例中,步骤S30包括:
所述血流动力学计算参数包括血流的最大流速,通过以下公式获得血流的最大流速,
其中,ρ为血流的密度、v为血流的速度、P为血流的压力和μ为血流的动态粘度。
在一个实施例中,步骤S30包括:
对每个动脉瘤定义对应的动脉瘤颈平面;
获取与所述动脉瘤颈平面相距一个血管直径处的横断面得到载瘤血管平面;
基于所述动脉瘤颈平面、载瘤血管平面以及动脉瘤得到常规形态学特征。
常规形态学特征的提取:为每个动脉瘤定义相应的颈平面,动脉瘤颈平面(NeckPlane):尽量选择在动脉瘤囊从载瘤血管向外突出的位置。在流入的载瘤血管上,也选择了与动脉瘤颈相距一个血管直径处的横断面(Parent Vessel Plane)。从三个表面(动脉瘤、颈平面、载瘤血管平面)自动提取尺寸特征,如图4所示,动脉瘤大小(Size Maximum)定义为动脉瘤表面上任何两点之间可容纳在动脉瘤穹顶内的最大距离;最大高度(HeightMaximum)是指瘤颈中心与动脉瘤表面之间可容纳的最大距离;动脉瘤最大宽度(WidthMaximum)被定义为与最大高度正交的最大距离,这是所有横截面上与动脉瘤最大高度正交的最大直径;平均颈部尺寸(Neck Average)计算为从颈部几何中心到颈部边界的平均距离的两倍;平均载瘤血管大小(Parent Vessel Size)计算为从载瘤血管横截面几何中心到载瘤血管平面边界的平均距离的两倍。利用这些尺寸特征进一步计算以下比值:(1)长宽比(Aspect Ratio)作为最大高度值与平均颈部尺寸之间的比率,(2)高宽比(Height/Width)作为最大高度值与最大宽度值之间的比率,(3)瓶颈因素(bottleneck factor)作为最大宽度与平均颈部尺寸之间的比率,(4)尺寸比(Size Ratio)作为最大高度与载瘤血管大小之间的比率。选取的这些特征在文献中被广泛用于评估破裂风险。
在一个实施例中,基于所述3D磁共振血管造影图像数据对动脉瘤分割及建立3D三角网格模型包括:
基于PyRadiology软件对分割后的动脉瘤和载瘤血管进行特征提取,包括形状特征、一阶直方图特征以及纹理特征。
用PyRadiology软件对已经分割好的动脉瘤和载瘤血管进行自动提取放射学特征,包括形状特征(Shape)、一阶直方图特征(Histogram)、纹理特征(Texture),如图5所示。形状特征是描述动脉瘤大小的特征,包含常规形态学参数中没有包含的额外信息;一阶直方图描述与动脉瘤内的体素强度分布有关的特征,可反应所测体素的对称性、均匀性以及局部强度分布变化;纹理特征是描述体素空间分布强度等级的特征。当自变量之间存在共线性时,模型的参数会变得极其不稳定,模型得预测能力会下降,很难确切区分每个自变量对因变量得影响。通过建模初期的回归分析,我们纳入了5个对动脉瘤稳定性最重要的放射学特征,包括球形、平坦度、表面积/体积比、灰度共生矩阵最大概率(GLCM MaxProbability)、灰度级带矩阵区域百分比(GLSZM Zone Percentage)、灰度共生矩阵最大相关系数(GLCM MCC)。
在一个实施例中,步骤S30包括:
预先训练GLM-LASSO模型,将所述血流动力学参数、常规形态学特征、放射学特征、基因数据以及临床特征作为输入获得动脉瘤破裂风险的预测结果。
GLM-LASSO模型为预测动脉瘤稳定性的最佳模型,模型包含的特征除上述基因学、血流动力学、常规形态学、放射学特征外,还包括具有重要意义的临床危险因素:高血压、高血脂、前交通动脉瘤和颈内动脉瘤。本模型去除冗余特征可以简化模型,提高模型的可解释性,便于在临床环境中的实际应用。本模型发现附使用放射组学衍生的特征和基因学特征可以更好地预测动脉瘤的破裂。破裂组灰度共生矩阵最大概率显著高于未破裂组(P<0.001),灰度共生矩阵描述了相邻体素具有相似强度级别的概率分布。灰度共生矩阵最大概率越高,表明某一纹理模式在动脉瘤区域中越显著。灰度大小区域矩阵量化图像中的灰度区域(具有相似体素强度的区域)。灰度级带矩阵区域百分比显著低于未破裂组(P<0.001),百分比值越低,意味着更高的不均一性。因此,这两个纹理特征表明,易破裂的动脉瘤与体素强度的高度异质性相关,并且似乎显示出特定的纹理模式。本模型表现出极佳的预测性能,在测试数据中,能100%区分破裂动脉瘤及未破裂动脉瘤病例,接收器工作特性(ROC)曲线下的面积(AUC)达到0.98,较其他模型有明显的提高。一旦发现动脉瘤,需要准确地了解患者动脉瘤破裂的风险,本模型提供了精准的预测模型,为医生和患者共同做出适当的治疗决定提供关键信息。
本发明提供的技术方案、模型包括至少以下的优势:
1、本发明提供的模型包括来自不同方面(放射学、基因学、血流动力学、常规形态学、临床特征)的各种建议的危险因素,基于一个大的患者队列,建模初期排除了每种因素之间的共线性,识别独立变量和显著变量,将最终变量纳入本模型,本模型在内部取得了非常好的效果,是目前包含危险因素最全面的预测模型,可反映破裂与未破裂动脉瘤之间的差异性。本模型在临床应用之前,已使用前瞻性、多中心设计进行了外部验证,准确性达98%以上,体现了本模型的严谨性和普遍适用性。
2、用于建模采用的训练病例进行了长达5年的随访期,可以适用于预测动脉瘤的长期稳定性。对于在随访中破裂的动脉瘤,由于破裂后的动脉瘤形态可能会改变,建模时仅使用破裂前半年内的3D磁共振血管造影图像,这使得它更准确,更适用于实际情况。
3、PyRadiomics是一种自动成像处理工具,用于逐个像素地提取对象特征,包括基于体素强度和基于形状的参数,能够评估图像的形状(大小、体积、球度等)以及图像特征(如模式和体素强度变化),已被证明在病理病变研究中具有重要价值。放射组学的自动化方面允许从T2加权图像中提取每个肿瘤特有的数千个特征,具有一步法、不依赖于操作者的优点。放射组学与机器学习相结合可为颅内动脉瘤的风险管理提供一种新的方法。在模型不仅纳入常规形态学特征,还从PyRadiology(自动成像处理工具)中自动提取的有重要意义的放射学特征,大大降低了测量中的主观影响。有研究表明,许多放射组学特征是相互关联和冗余的。建立本模型初期,对这些特征进行了检验,并纳入了5个对动脉瘤稳定性最重要的放射学特征,简化模型,提高模型的可解释性,证明了这些重要特征可以显著提高模型的预测性能,便于在临床环境中的实际应用。
4、本模型通过初步筛选及回归分析,最终纳入了以下5种关键基因:Toll样受体3(TLR3)、纤维连接蛋白1(FN1)、淀粉样蛋白前体蛋白(APP)、核β输出因子1(Nxf1)和信号转导和转录激活因子3(STAT3),使得预测模型性能有了明显提高,首次将基因学用于动脉瘤破裂风险的评估模型中。
5、动脉瘤的大小作为最直观简单的数据,被认为是预测其稳定性的重要因素之一。有研究发现小于3mm、5mm和7mm的未破裂动脉瘤的年破裂率分别为0%、0.5%和1%,虽然破裂率不高,但是一旦破裂,总的28天病死率为42%。未破裂颅内动脉瘤的国际研究建议外科治疗的动脉瘤大小阈值在7mm至10mm之间,虽然动脉瘤大小仍是决定治疗方案时考虑最多的特征,但仍有许多动脉瘤破裂的大小<7mm。区分动脉瘤的稳定性是非常有意义的,尤其是在小动脉瘤,因此动脉瘤的大小远远不足以进行危险分层。本模型发现不规则指数平坦度是影响动脉瘤稳定性重要因素,其重要性超出动脉瘤大小。本模型的特点在于对小动脉瘤破裂风险的预测准确性达95%以上,这是目前其他预测模型无法达到的。除此之外,我们还发现高血压患者动脉瘤的球形性和平坦度较低,这些结果提示了高血压可能影响动脉瘤的不规则性,高血压诱导的平滑肌细胞表型改变可能是这一发现的原因。高血压可诱导动脉瘤壁重构,使其变得更加不规则,最终促进动脉瘤的生长和破裂。这一结果支持高血压参与动脉瘤生长和破裂的概念,阐述了血压控制在预防动脉瘤破裂中的重要性。
6、人工智能已经被应用于颅内动脉瘤的检测、风险管理和治疗计划。本发明中的机器学习模型预测方面表现出了强大的能力,能快速的处理大量数据,放射组学能够以自动方式从各种图像模式生成大量纹理派生特征,这使得它成为机器学习和医学信息学研究的一个有吸引力的工具。本模型首次将放射组学和基因组学与机器学习相结合应用于预测动脉瘤破裂风险的评估,并体现良好的评估性能。
本发明实施例的第二方面,提供一种动脉瘤破裂风险预测装置,如图6所示,包括:
数据获取模块,用于获取多个连续的3D磁共振血管造影图像数据;
分割-建立模块,用于基于所述3D磁共振血管造影图像数据对动脉瘤分割及建立3D三角网格模型;
参数-特征获取模块,基于动脉瘤分割结果和3D三角网格模型获得血流动力学参数、常规形态学特征以及放射学特征;
预测模块,用于获取基因数据和临床特征,基于所述血流动力学参数、常规形态学特征、放射学特征、基因数据以及临床特征获得动脉瘤破裂风险的预测结果。
可选地,在第二方面的一种可能实现方式中,所述基因数据包括Toll样受体3(TLR3)、纤维连接蛋白1(FN1)、淀粉样蛋白前体蛋白(APP)、核β输出因子1(Nxf1)以及信号转导和转录激活因子3(STAT3)。
其中,可读存储介质可以是计算机存储介质,也可以是通信介质。通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。计算机存储介质可以是通用或专用计算机能够存取的任何可用介质。例如,可读存储介质耦合至处理器,从而使处理器能够从该可读存储介质读取信息,且可向该可读存储介质写入信息。当然,可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(ApplicationSpecific Integrated Circuits,简称:ASIC)中。另外,该ASIC可以位于用户设备中。当然,处理器和可读存储介质也可以作为分立组件存在于通信设备中。可读存储介质可以是只读存储器(ROM)、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本发明还提供一种程序产品,该程序产品包括执行指令,该执行指令存储在可读存储介质中。设备的至少一个处理器可以从可读存储介质读取该执行指令,至少一个处理器执行该执行指令使得设备实施上述的各种实施方式提供的方法。
在上述终端或者服务器的实施例中,应理解,处理器可以是中央处理单元(英文:Central Processing Unit,简称:CPU),还可以是其他通用处理器、数字信号处理器(英文:Digital Signal Processor,简称:DSP)、专用集成电路(英文:Application SpecificIntegrated Circuit,简称:ASIC)等。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。结合本发明所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种动脉瘤破裂风险预测方法,其特征在于,包括:
获取多个连续的3D磁共振血管造影图像数据;
基于所述3D磁共振血管造影图像数据对动脉瘤分割及建立3D三角网格模型;
基于动脉瘤分割结果和3D三角网格模型获得血流动力学参数、常规形态学特征以及放射学特征;
获取基因数据和临床特征,基于所述血流动力学参数、常规形态学特征、放射学特征、基因数据以及临床特征获得动脉瘤破裂风险的预测结果。
2.根据权利要求1所述的动脉瘤破裂风险预测方法,其特征在于,
所述基因数据包括Toll样受体3(TLR3)、纤维连接蛋白1(FN1)、淀粉样蛋白前体蛋白(APP)、核β输出因子1(Nxf1)以及信号转导和转录激活因子3(STAT3)。
3.根据权利要求1所述的动脉瘤破裂风险预测方法,其特征在于,
所述基于所述3D磁共振血管造影图像数据对动脉瘤分割及建立3D三角网格模型包括:
通过快速行进方法对所述3D磁共振血管造影图像数据进行处理,获得快速而粗略的分割,基于血管增强滤波器的速度用于边界表面演化,快速行进算法的输出产生名为动作图的函数图像;
嵌入函数的零水平集,采用非收缩算法对重建的模型进行平滑处理,使用边折叠和对角线交换优化三角剖分,交互截断血管并挤出边界;
将解剖模型用作支撑面,使用推进前沿方法生成有限元网格,进行重新三角剖分,生成四面体单元的区域;
生成动脉瘤和载瘤血管在内的3D体积数据,对于每个分割的表面,将动脉瘤穹顶与周围血管隔离得到处理后的3D三角网格模型。
5.根据权利要求1所述的动脉瘤破裂风险预测方法,其特征在于,
所述基于动脉瘤分割结果和3D三角网格模型获得血流动力学参数、常规形态学特征以及放射学特征包括:
对每个动脉瘤定义对应的动脉瘤颈平面;
获取与所述动脉瘤颈平面相距一个血管直径处的横断面得到载瘤血管平面;
基于所述动脉瘤颈平面、载瘤血管平面以及动脉瘤得到常规形态学特征。
6.根据权利要求1所述的动脉瘤破裂风险预测方法,其特征在于,
所述基于所述3D磁共振血管造影图像数据对动脉瘤分割及建立3D三角网格模型包括:
基于PyRadiology软件对分割后的动脉瘤和载瘤血管进行特征提取,包括形状特征、一阶直方图特征以及纹理特征。
7.根据权利要求1所述的动脉瘤破裂风险预测方法,其特征在于,
基于所述血流动力学参数、常规形态学特征、放射学特征、基因数据以及临床特征获得动脉瘤破裂风险的预测结果包括:
预先训练GLM-LASSO模型,将所述血流动力学参数、常规形态学特征、放射学特征、基因数据以及临床特征作为输入获得动脉瘤破裂风险的预测结果。
8.一种动脉瘤破裂风险预测装置,其特征在于,包括:
数据获取模块,用于获取多个连续的3D磁共振血管造影图像数据;
分割-建立模块,用于基于所述3D磁共振血管造影图像数据对动脉瘤分割及建立3D三角网格模型;
参数-特征获取模块,基于动脉瘤分割结果和3D三角网格模型获得血流动力学参数、常规形态学特征以及放射学特征;
预测模块,用于获取基因数据和临床特征,基于所述血流动力学参数、常规形态学特征、放射学特征、基因数据以及临床特征获得动脉瘤破裂风险的预测结果。
9.根据权利要求8所述的动脉瘤破裂风险预测装置,其特征在于,
所述基因数据包括Toll样受体3(TLR3)、纤维连接蛋白1(FN1)、淀粉样蛋白前体蛋白(APP)、核β输出因子1(Nxf1)以及信号转导和转录激活因子3(STAT3)。
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,所述计算机程序被处理器执行时用于实现权利要求1至8任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110339888.1A CN113066583A (zh) | 2021-03-30 | 2021-03-30 | 动脉瘤破裂风险预测方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110339888.1A CN113066583A (zh) | 2021-03-30 | 2021-03-30 | 动脉瘤破裂风险预测方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113066583A true CN113066583A (zh) | 2021-07-02 |
Family
ID=76564532
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110339888.1A Pending CN113066583A (zh) | 2021-03-30 | 2021-03-30 | 动脉瘤破裂风险预测方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113066583A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113593678A (zh) * | 2021-08-03 | 2021-11-02 | 北京安德医智科技有限公司 | 基于血管影像补全的脑卒中分型方法及装置 |
CN113744883A (zh) * | 2021-09-22 | 2021-12-03 | 皖南医学院第一附属医院(皖南医学院弋矶山医院) | 一种预测颅内动脉瘤破裂模型的构建方法及该装置 |
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 |
CN114224484A (zh) * | 2021-12-13 | 2022-03-25 | 杭州脉流科技有限公司 | 颅内动脉瘤的表面区域定位方法、装置、计算机设备和存储介质 |
CN115227274A (zh) * | 2022-09-19 | 2022-10-25 | 南京邮电大学 | 基于深度学习的动脉瘤检测方法 |
EP4231230A1 (en) | 2022-02-18 | 2023-08-23 | Median Technologies | Method and system for computer aided diagnosis based on morphological characteristics extracted from 3-dimensional medical images |
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 (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108550189A (zh) * | 2018-05-03 | 2018-09-18 | 苏州润迈德医疗科技有限公司 | 基于造影图像和流体力学模型的微循环阻力指数计算方法 |
CN111415321A (zh) * | 2018-12-19 | 2020-07-14 | 上海联影医疗科技有限公司 | 动脉瘤破裂风险检测装置及设备 |
-
2021
- 2021-03-30 CN CN202110339888.1A patent/CN113066583A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108550189A (zh) * | 2018-05-03 | 2018-09-18 | 苏州润迈德医疗科技有限公司 | 基于造影图像和流体力学模型的微循环阻力指数计算方法 |
CN111415321A (zh) * | 2018-12-19 | 2020-07-14 | 上海联影医疗科技有限公司 | 动脉瘤破裂风险检测装置及设备 |
Non-Patent Citations (2)
Title |
---|
LIANG WEI 等: "Integrated analysis of microarray data to identify the genes critical for the rupture of intracranial aneurysm", ONCOLOGY LETTERS, vol. 15, pages 4951 - 4957 * |
QINGLIN LIU: "Prediction of Aneurysm Stability Using a Machine Learning Model Based on PyRadiomics-Derived Morphological Features", STROKE, vol. 50, pages 2314 - 2321 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113593678A (zh) * | 2021-08-03 | 2021-11-02 | 北京安德医智科技有限公司 | 基于血管影像补全的脑卒中分型方法及装置 |
CN113744883A (zh) * | 2021-09-22 | 2021-12-03 | 皖南医学院第一附属医院(皖南医学院弋矶山医院) | 一种预测颅内动脉瘤破裂模型的构建方法及该装置 |
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 |
CN114224484A (zh) * | 2021-12-13 | 2022-03-25 | 杭州脉流科技有限公司 | 颅内动脉瘤的表面区域定位方法、装置、计算机设备和存储介质 |
CN114224484B (zh) * | 2021-12-13 | 2023-05-30 | 杭州脉流科技有限公司 | 颅内动脉瘤的表面区域定位方法、装置、计算机设备和存储介质 |
EP4231230A1 (en) | 2022-02-18 | 2023-08-23 | Median Technologies | Method and system for computer aided diagnosis based on morphological characteristics extracted from 3-dimensional medical images |
WO2023156290A1 (en) | 2022-02-18 | 2023-08-24 | Median Technologies | Method and system for computer aided diagnosis based on morphological characteristics extracted from 3-dimensional medical images |
CN115227274A (zh) * | 2022-09-19 | 2022-10-25 | 南京邮电大学 | 基于深度学习的动脉瘤检测方法 |
CN115227274B (zh) * | 2022-09-19 | 2022-11-25 | 南京邮电大学 | 基于深度学习的动脉瘤检测系统 |
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 |
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 |
---|---|---|
CN113066583A (zh) | 动脉瘤破裂风险预测方法、装置及存储介质 | |
Santos et al. | Artificial intelligence, machine learning, computer-aided diagnosis, and radiomics: advances in imaging towards to precision medicine | |
Halder et al. | Lung nodule detection from feature engineering to deep learning in thoracic CT images: a comprehensive review | |
US10470734B2 (en) | Characterizing lung nodule risk with quantitative nodule and perinodular radiomics | |
JP7113916B2 (ja) | 定量的イメージングを利用するための方法およびシステム | |
Ahirwar | Study of techniques used for medical image segmentation and computation of statistical test for region classification of brain MRI | |
US10176408B2 (en) | Systems and methods for analyzing pathologies utilizing quantitative imaging | |
Mahapatra | Analyzing training information from random forests for improved image segmentation | |
Lassen et al. | Robust semi-automatic segmentation of pulmonary subsolid nodules in chest computed tomography scans | |
Albalawi et al. | Classification of breast cancer mammogram images using convolution neural network | |
US9424460B2 (en) | Tumor plus adjacent benign signature (TABS) for quantitative histomorphometry | |
Ashwin et al. | Efficient and reliable lung nodule detection using a neural network based computer aided diagnosis system | |
US20100067754A1 (en) | Computer-aided detection and classification of suspicious masses in breast imagery | |
EP2791901A1 (en) | Probability mapping for visualisation and analysis of biomedical images | |
Mabrouk et al. | Fully automated computer-aided diagnosis system for micro calcifications cancer based on improved mammographic image techniques | |
Mehmood et al. | An efficient computerized decision support system for the analysis and 3D visualization of brain tumor | |
Moreno et al. | Study of medical image processing techniques applied to lung cancer | |
Ivantsits et al. | Detection and analysis of cerebral aneurysms based on X-ray rotational angiography-the CADA 2020 challenge | |
CN115457361A (zh) | 分类模型获取方法、表达类别确定方法、装置、设备及介质 | |
WO2022225794A1 (en) | Systems and methods for detecting and characterizing covid-19 | |
Kavitha et al. | Volumetric analysis framework for accurate segmentation and classification (VAF-ASC) of lung tumor from CT images | |
CN114119447A (zh) | 肺结节多属性分类模型的构建方法、系统、介质及装置 | |
CN112862785B (zh) | Cta影像数据识别方法、装置及存储介质 | |
CN112862786B (zh) | Cta影像数据处理方法、装置及存储介质 | |
CN115457069A (zh) | 一种基于图像的特征提取和预后模型建立方法及装置 |
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 |