CN113129301A - 一种颅内动脉瘤手术规划的预测方法、装置以及设备 - Google Patents
一种颅内动脉瘤手术规划的预测方法、装置以及设备 Download PDFInfo
- Publication number
- CN113129301A CN113129301A CN202110512908.0A CN202110512908A CN113129301A CN 113129301 A CN113129301 A CN 113129301A CN 202110512908 A CN202110512908 A CN 202110512908A CN 113129301 A CN113129301 A CN 113129301A
- Authority
- CN
- China
- Prior art keywords
- blood vessel
- tree
- acquiring
- directed
- network
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9027—Trees
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
-
- 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
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
-
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Surgery (AREA)
- Urology & Nephrology (AREA)
- Quality & Reliability (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本说明书实施例公开了一种颅内动脉瘤手术规划的预测方法、装置以及设备,属于医学影像和计算机技术领域。所述方法包括:基于待处理的颅脑影像数据,进行三维重建,获取重建后的血管图像;基于所述重建后的血管图像,采用二叉树法,获取血管中心线网络的树状结构;基于所述待处理颅脑影像数据的动脉瘤参数、载瘤动脉参数及所述血管中心线网络的树状结构,获取待介入支架的支架型号及所述待介入支架的释放位置。采用本说明书实施例提供的方法,能够自动实现待介入支架的选型,自动确定待介入支架的释放位置,为临床应用提供参考。
Description
技术领域
本说明书涉及医学影像及计算机技术领域,尤其涉及一种颅内动脉瘤手术规划的预测方法、装置以及设备。
背景技术
颅内动脉瘤,又称脑血管瘤,多为发生在颅内动脉管壁上的异常膨出,是造成蛛网膜下腔出血的首位病因,在脑血管意外中,仅次于脑血栓和高血压脑出血,位居第三。颅内动脉瘤分为非破裂动脉瘤和破裂动脉瘤,其中,大部分的颅内动脉瘤为非破裂动脉瘤,然而非破裂动脉瘤一旦破裂,会引发自发性蛛网膜下隙出血,变成破裂动脉瘤,其致死致残率超过50%,严重威胁患者生命。
血流导向装置(flow diverter,FD)作为颅内动脉瘤治疗的划时代产品,广泛应用于大、巨大、到中、小尺寸范围的颅内动脉瘤。目前,血流导向装置亦即密网支架包括PED(Pipeline embolization device,Pipeline栓塞装置),SFD(Silk flow divertingstent),FRED,Surpass,Tubridge等,其中的典型代表为PED,是一种钴铬镍合金支架系统,为近年来上市的新型血管内栓塞辅助装置。血流导向装置支架的选型及释放位置,对于颅内动脉瘤的治疗效果至关重要。
目前,临床中,介入支架的选型及释放起始点的选择,均采用人工方法进行选择,效率较低,而且释放起始点的选择往往依赖操作者的经验,误差较大。
因此,需要一种新的预测方法,能够自动实现待介入支架的选型,自动确定待介入支架的释放位置,为临床应用提供参考,提高颅内动脉瘤的治疗效果。
发明内容
本说明书实施例提供一种颅内动脉瘤手术规划的预测方法、装置以及设备,用于解决以下技术问题:现有技术中,介入支架的选型及释放起始点的选择,均采用人工方法进行选择,效率较低,而且释放起始点的选择往往依赖操作者的经验,误差较大,影响颅内动脉瘤的治疗效果。
为解决上述技术问题,本说明书实施例是这样实现的:
本说明书实施例提供的一种颅内动脉瘤手术规划的预测方法,包括:
基于待处理的颅脑影像数据,进行三维重建,获取重建后的血管图像;
基于所述重建后的血管图像,采用二叉树法,获取血管中心线网络的树状结构;
基于所述待处理颅脑影像数据的动脉瘤参数、载瘤动脉参数及所述血管中心线网络的树状结构,获取待介入支架的支架型号及所述待介入支架的释放位置。
进一步地,所述基于所述重建后的血管图像,采用二叉树法,获取血管中心线网络的树状结构,具体包括:
基于所述重建后的血管图像,获取所述血管图像的拓扑结构;
基于所述血管图像的拓扑结构,生成有向树;
基于所述有向树,获取所述血管中心线网络的树状结构。
进一步地,所述基于所述血管图像的拓扑结构,生成有向树,具体包括:
基于所述血管图像的拓扑结构,获取待处理的影像数据中的血管段的起点坐标和终点坐标;
基于所述起点坐标和/或终点坐标,设置树的根节点坐标,遍历计算所述血管图像的拓扑结构,生成有向树。
进一步地,所述基于所述有向树,获取所述血管中心线网络的树状结构,具体包括:
遍历所述有向树,获取血管网络节点的链接顺序;
基于所述血管网络节点的链接顺序,将所述有向树中的血管网络的中心点转换为图形结构,获取所述血管中心线网络的树状结构。
进一步地,所述遍历所述有向树,获取血管网络节点的链接顺序,进一步包括:
遍历所述有向树,确定所述有向树中的各个节点是否存在子节点;
若存在子节点,在剔除和所述根节点相同的节点。
进一步地,所述有向树包括坐标和/或分叉点的ID,所述有向树是存有所述血管中心线网络的树状结构的容器。
本说明书实施例还提供一种颅内动脉瘤手术规划的预测装置,所述装置包括:
三维重建模块,基于待处理的颅脑影像数据,进行三维重建,获取重建后的血管图像;
树状结构生成模块,基于所述重建后的血管图像,采用二叉树法,获取血管中心线网络的树状结构;
预测模块,基于所述待处理颅脑影像数据的动脉瘤参数、载瘤动脉参数及所述血管中心线网络的树状结构,获取待介入支架的支架型号及所述待介入支架的释放位置。
进一步地,所述基于所述重建后的血管图像,采用二叉树法,获取血管中心线网络的树状结构,具体包括:
基于所述重建后的血管图像,获取所述血管图像的拓扑结构;
基于所述血管图像的拓扑结构,生成有向树;
基于所述有向树,获取所述血管中心线网络的树状结构。
进一步地,所述基于所述血管图像的拓扑结构,生成有向树,具体包括:
基于所述血管图像的拓扑结构,获取待处理的影像数据中的血管段的起点坐标和终点坐标;
基于所述起点坐标和/或终点坐标,设置树的根节点坐标,遍历计算所述血管图像的拓扑结构,生成有向树。
进一步地,所述基于所述有向树,获取所述血管中心线网络的树状结构,具体包括:
遍历所述有向树,获取血管网络节点的链接顺序;
基于所述血管网络节点的链接顺序,将所述有向树中的血管网络的中心点转换为图形结构,获取所述血管中心线网络的树状结构。
进一步地,所述遍历所述有向树,获取血管网络节点的链接顺序,进一步包括:
遍历所述有向树,确定所述有向树中的各个节点是否存在子节点;
若存在子节点,在剔除和所述根节点相同的节点。
进一步地,所述有向树包括坐标和/或分叉点的ID,所述有向树是存有所述血管中心线网络的树状结构的容器。
本说明书实施例还提供一种电子设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
基于待处理的颅脑影像数据,进行三维重建,获取重建后的血管图像;
基于所述重建后的血管图像,采用二叉树法,获取血管中心线网络的树状结构;
基于所述待处理颅脑影像数据的动脉瘤参数、载瘤动脉参数及所述血管中心线网络的树状结构,获取待介入支架的支架型号及所述待介入支架的释放位置。
本说明书实施例基于待处理的颅脑影像数据,进行三维重建,获取重建后的血管图像;基于所述重建后的血管图像,采用二叉树法,获取血管中心线网络的树状结构;基于所述待处理颅脑影像数据的动脉瘤参数、载瘤动脉参数及所述血管中心线网络的树状结构,获取待介入支架的支架型号及所述待介入支架的释放位置,从而能够自动实现待介入支架的选型,自动确定待介入支架的释放位置,为临床应用提供参考。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获取其他的附图。
图1为本说明书实施例提供的一种颅内动脉瘤手术规划的预测方法的示意图;
图2为本说明书实施例提供的一种血管中心线网络的树状结构的生成示意图;
图3为本说明书实施例提供的近端释放点及远端释放点的示意图;
图4为本说明书实施例提供的一种颅内动脉瘤手术规划的预测装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书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申请一部分实施例,而不是全部的实施例。基于本说明书实施例,本领域普通技术人员在没有作出创造性劳动前提下所获取的所有其他实施例,都应当属于本申请保护的范围。
血流导向装置用于颅内动脉瘤的治疗,选择合适的支架的型号及合适的释放位置,对于血流导向装置用于颅内动脉瘤的治疗至关重要。
图1为本说明书实施例提供的一种颅内动脉瘤手术规划的预测方法的示意图,该模拟方法包括:
步骤S101:基于待处理的颅脑影像数据,进行三维重建,获取重建后的血管图像。
在本说明书实施例中,待处理的颅脑影像数据为CTA(CT angiography,CT血管成像),MRA(magnetic resonance angiography,磁共振血管造影),DSA(Digitalsubtraction angiography,数字减影血管造影)中的任意一种;待处理的颅脑影像数据可以为二维影像数据,也可以为三维影像数据;待处理的颅脑影像数据需要转换为DICOM格式,以便于后续进行处理。
在本说明书实施例中,基于待处理的颅脑影像数据,进行三维重建,获取重建后的血管图像,是将待处理的影像数据通过阈值分割的方法提取血管数据,对提取的血管数据进行表面重建获取的。获取重建后的血管图像的具体方法并不构成对本申请的限定。
步骤S103:基于所述重建后的血管图像,采用二叉树法,获取血管中心线网络的树状结构。
在本说明书实施例中,按一定的规则和顺序走遍二叉树的所有结点,使每一个结点都被访问一次,而且只被访问一次。由于二叉树是非线性结构,因此,获取血管中心线网络的树状结构,实质上是将二叉树的各个结点转换成为一个线性序列来表示。
在本说明书实施例中,所述基于所述重建后的血管图像,采用二叉树法,获取血管中心线网络的树状结构,具体包括:
基于所述重建后的血管图像,获取所述血管图像的拓扑结构;
基于所述血管图像的拓扑结构,生成有向树;
基于所述有向树,获取所述血管中心线网络的树状结构。
在本说明书的一个实施例中,血管图像的拓扑结构的获取可以通过vkt方法,亦可以通过其它方法获取血管图像的拓扑结构。血管图像的拓扑结构的获取方法仅为本说明书实施例的示意性说明,并不构成对本申请的限定。
获取血管图像的拓扑结构后,相当于获取了一些杂乱无章的点。为了后续获取血管中心线网络的树状结构,需要进一步将血管图像的拓扑结构生成有向树。
在本说明书实施例中,所述基于所述血管图像的拓扑结构,生成有向树,具体包括:
基于所述血管图像的拓扑结构,获取待处理的影像数据中的血管段的起点坐标和终点坐标;
基于所述起点坐标和/或终点坐标,设置树的根节点坐标,遍历计算所述血管图像的拓扑结构,生成有向树。
在本说明书实施例中,遍历计算血管图像的拓扑结构,生成有向树,实质上是按照一定的顺序,将血管图像的拓扑结构的各个节点均访问一次,且只访问一次。在本说明书实施例中,可以采用先遍历左子树,再遍历右子树的顺序。
遍历计算血管图像的拓扑结构,生成有向树时,标识各个分叉点时,采用分叉点遍历完后再遍历下一个分叉点。
在本说明书实施例中,获取待处理的影像数据中的血管段的起点坐标和终点坐标时,除了考虑主血管段,还考虑了分支血管段,因此,在本说明书实施例中,待处理的影像数据中的血管段的起点坐标和终点坐标,包括待处理的影像数据中的主血管段的起点坐标和终点坐标,待处理的影像数据中的分支血管段的起点坐标和终点坐标。
在本说明书实施例中,所述有向树包括坐标和/或分叉点的ID,所述有向树是存有所述血管中心线网络的树状结构的容器。分叉点的ID起到标识的作用。
获取的有向树包括坐标和/或分叉点的坐标,可以实现对每个坐标点的标注,从而可以利用标注的坐标点按照顺序进行连接。
获取有向树后,进一步可以获得血管中心线网络的树状结构。在本说明书实施例中,所述基于所述有向树,获取所述血管中心线网络的树状结构,具体包括:
遍历所述有向树,获取血管网络节点的链接顺序;
基于所述血管网络节点的链接顺序,将所述有向树中的血管网络的中心点转换为图形结构,获取所述血管中心线网络的树状结构。
遍历所述有向树,获取血管网络节点的链接顺序时,可能会存在网络节点的问题。因此,在本说明书实施例中,所述遍历所述有向树,获取血管网络节点的链接顺序,进一步包括:
遍历所述有向树,确定所述有向树中的各个节点是否存在子节点;
若存在子节点,在剔除和所述根节点相同的节点。
在具体实施例中,计算当前子节点中的坐标是正序还是倒序,然后剔除和根节点相同的节点。
为了进一步理解本说明书实施例的血管中心线网络的树状结构的获取过程,图2为本说明书实施例提供的一种血管中心线网络的树状结构的生成示意图。如图2所示,A为根节点,A点所在的坐标为树的根节点坐标,B、C、D、E、F、G、H、I为子节点,B、C、D、E、F、G、H、I点所在的坐标为子节点坐标。生成的有向树,即为标注有1、2、3、4等顺序号的各个节点。有向树中包括分叉点的ID,如ID=2,即为B点的ID,用于标识B点。生成的血管网络的结构,即为图2所示的结构。
步骤S105:基于所述待处理颅脑影像数据的动脉瘤参数、载瘤动脉参数及所述血管中心线网络的树状结构,获取待介入支架的支架型号及所述待介入支架的释放位置。
在本说明书实施例中,所述动脉瘤参数包括:动脉瘤瘤颈中心点及瘤颈长度;
所述载瘤动脉参数包括:载瘤动脉中心线,载瘤动脉中心线上的点的半径、载瘤动脉的近端点及载瘤动脉的远端点。
在本说明书实施例中,动脉瘤参数及载瘤动脉参数的获取是将待处理的影像数据通过阈值分割的方法提取血管数据,对提取的血管数据进行表面重建,进一步分割动脉瘤,获取动脉瘤参数及载瘤动脉参数。动脉瘤参数及载瘤动脉参数的获取的具体方法,并不构成对本申请的限定。
在本说明书实施例中,载瘤动脉参数是基于血管中心线网络的树状结构获得的参数,也可以是基于待处理的影像数据获取的载瘤动脉参数,经血管中心线网络的树状结构校正后获得的参数。载瘤动脉参数的获取方式并不构成对本申请的限定。
在本说明书实施例中,获取待介入支架的支架型号及所述待介入支架的释放位置,具体包括:
基于所述动脉瘤参数中的瘤颈中心点及瘤颈直径,获取所述待介入支架的释放位置、远端释放点和近端释放点;
为了进一步理解获取所述待介入支架的释放位置、远端释放点和近端释放点,图3为本说明书实施例提供的近端释放点及远端释放点的示意图,在本说明书实施例中,将载瘤动脉片段的中心线的端点中,距离心脏远的一端作为远端,距离心脏近的一端作为近端。以获取的瘤颈中心点开始,以瘤颈半径作为距离,获取瘤颈点。进一步,从瘤颈点开始选取待介入支架的释放点。
需要特别说明的是,待介入支架为所有可用于血流导向装置的支架。待介入支架的型号的选取可以手动选取,也可以从耗材数据库中自动选取。在具体实施例中,耗材数据库中包含有主要的支架的相关数据,并可以根据市场上的支架的具体型号进行更新。耗材数据库的具体构成并不构成对本申请的限定。
本说明书实施例提供的预测方法,能够自动实现待介入支架的选型,自动确定待介入支架的释放位置,为临床应用提供参考。
上述内容详细说明了一种颅内动脉瘤手术规划的预测方法,与之相应的,本说明书还提供了一种颅内动脉瘤手术规划的预测装置,如图4所示。图4为本说明书实施例提供的一种颅内动脉瘤手术规划的预测装置的示意图,该模拟装置包括:
三维重建模块401,基于待处理的颅脑影像数据,进行三维重建,获取重建后的血管图像;
树状结构生成模块403,基于所述重建后的血管图像,采用二叉树法,获取血管中心线网络的树状结构;
预测模块405,基于所述待处理颅脑影像数据的动脉瘤参数、载瘤动脉参数及所述血管中心线网络的树状结构,获取待介入支架的支架型号及所述待介入支架的释放位置。
进一步地,所述基于所述重建后的血管图像,采用二叉树法,获取血管中心线网络的树状结构,具体包括:
基于所述重建后的血管图像,获取所述血管图像的拓扑结构;
基于所述血管图像的拓扑结构,生成有向树;
基于所述有向树,获取所述血管中心线网络的树状结构。
进一步地,所述基于所述血管图像的拓扑结构,生成有向树,具体包括:
基于所述血管图像的拓扑结构,获取待处理的影像数据中的血管段的起点坐标和终点坐标;
基于所述起点坐标和/或终点坐标,设置树的根节点坐标,遍历计算所述血管图像的拓扑结构,生成有向树。
进一步地,所述基于所述有向树,获取所述血管中心线网络的树状结构,具体包括:
遍历所述有向树,获取血管网络节点的链接顺序;
基于所述血管网络节点的链接顺序,将所述有向树中的血管网络的中心点转换为图形结构,获取所述血管中心线网络的树状结构。
进一步地,所述遍历所述有向树,获取血管网络节点的链接顺序,进一步包括:
遍历所述有向树,确定所述有向树中的各个节点是否存在子节点;
若存在子节点,在剔除和所述根节点相同的节点。
进一步地,所述有向树包括坐标和/或分叉点的ID,所述有向树是存有所述血管中心线网络的树状结构的容器。
本说明书实施例还提供一种电子设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
基于待处理的颅脑影像数据,进行三维重建,获取重建后的血管图像;
基于所述重建后的血管图像,采用二叉树法,获取血管中心线网络的树状结构;
基于所述待处理颅脑影像数据的动脉瘤参数、载瘤动脉参数及所述血管中心线网络的树状结构,获取待介入支架的支架型号及所述待介入支架的释放位置。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、电子设备、非易失性计算机存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本说明书实施例提供的装置、电子设备、非易失性计算机存储介质与方法是对应的,因此,装置、电子设备、非易失性计算机存储介质也具有与对应方法类似的有益技术效果,由于上面已经对方法的有益技术效果进行了详细说明,因此,这里不再赘述对应装置、电子设备、非易失性计算机存储介质的有益技术效果。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device, PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书实施例可提供为方法、系统、或计算机程序产品。因此,本说明书实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带式磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (13)
1.一种颅内动脉瘤手术规划的预测方法,其特征在于,所述方法包括:
基于待处理的颅脑影像数据,进行三维重建,获取重建后的血管图像;
基于所述重建后的血管图像,采用二叉树法,获取血管中心线网络的树状结构;
基于所述待处理颅脑影像数据的动脉瘤参数、载瘤动脉参数及所述血管中心线网络的树状结构,获取待介入支架的支架型号及所述待介入支架的释放位置。
2.如权利要求1所述的方法,其特征在于,所述基于所述重建后的血管图像,采用二叉树法,获取血管中心线网络的树状结构,具体包括:
基于所述重建后的血管图像,获取所述血管图像的拓扑结构;
基于所述血管图像的拓扑结构,生成有向树;
基于所述有向树,获取所述血管中心线网络的树状结构。
3.如权利要求2所述的方法,其特征在于,所述基于所述血管图像的拓扑结构,生成有向树,具体包括:
基于所述血管图像的拓扑结构,获取待处理的影像数据中的血管段的起点坐标和终点坐标;
基于所述起点坐标和/或终点坐标,设置树的根节点坐标,遍历计算所述血管图像的拓扑结构,生成有向树。
4.如权利要求2所述的方法,其特征在于,所述基于所述有向树,获取所述血管中心线网络的树状结构,具体包括:
遍历所述有向树,获取血管网络节点的链接顺序;
基于所述血管网络节点的链接顺序,将所述有向树中的血管网络的中心点转换为图形结构,获取所述血管中心线网络的树状结构。
5.如权利要求4所述的方法,其特征在于,所述遍历所述有向树,获取血管网络节点的链接顺序,进一步包括:
遍历所述有向树,确定所述有向树中的各个节点是否存在子节点;
若存在子节点,在剔除和所述根节点相同的节点。
6.如权利要求2所述的方法,其特征在于,所述有向树包括坐标和/或分叉点的ID,所述有向树是存有所述血管中心线网络的树状结构的容器。
7.一种颅内动脉瘤手术规划的预测装置,其特征在于,所述装置包括:
三维重建模块,基于待处理的颅脑影像数据,进行三维重建,获取重建后的血管图像;
树状结构生成模块,基于所述重建后的血管图像,采用二叉树法,获取血管中心线网络的树状结构;
预测模块,基于所述待处理颅脑影像数据的动脉瘤参数、载瘤动脉参数及所述血管中心线网络的树状结构,获取待介入支架的支架型号及所述待介入支架的释放位置。
8.如权利要求7所述的装置,其特征在于,所述基于所述重建后的血管图像,采用二叉树法,获取血管中心线网络的树状结构,具体包括:
基于所述重建后的血管图像,获取所述血管图像的拓扑结构;
基于所述血管图像的拓扑结构,生成有向树;
基于所述有向树,获取所述血管中心线网络的树状结构。
9.如权利要求8所述的装置,其特征在于,所述基于所述血管图像的拓扑结构,生成有向树,具体包括:
基于所述血管图像的拓扑结构,获取待处理的影像数据中的血管段的起点坐标和终点坐标;
基于所述起点坐标和/或终点坐标,设置树的根节点坐标,遍历计算所述血管图像的拓扑结构,生成有向树。
10.如权利要求8所述的装置,其特征在于,所述基于所述有向树,获取所述血管中心线网络的树状结构,具体包括:
遍历所述有向树,获取血管网络节点的链接顺序;
基于所述血管网络节点的链接顺序,将所述有向树中的血管网络的中心点转换为图形结构,获取所述血管中心线网络的树状结构。
11.如权利要求10所述的装置,其特征在于,所述遍历所述有向树,获取血管网络节点的链接顺序,进一步包括:
遍历所述有向树,确定所述有向树中的各个节点是否存在子节点;
若存在子节点,在剔除和所述根节点相同的节点。
12.如权利要求8所述的装置,其特征在于,所述有向树包括坐标和/或分叉点的ID,所述有向树是存有所述血管中心线网络的树状结构的容器。
13.一种电子设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
基于待处理的颅脑影像数据,进行三维重建,获取重建后的血管图像;
基于所述重建后的血管图像,采用二叉树法,获取血管中心线网络的树状结构;
基于所述待处理颅脑影像数据的动脉瘤参数、载瘤动脉参数及所述血管中心线网络的树状结构,获取待介入支架的支架型号及所述待介入支架的释放位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110512908.0A CN113129301A (zh) | 2021-05-11 | 2021-05-11 | 一种颅内动脉瘤手术规划的预测方法、装置以及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110512908.0A CN113129301A (zh) | 2021-05-11 | 2021-05-11 | 一种颅内动脉瘤手术规划的预测方法、装置以及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113129301A true CN113129301A (zh) | 2021-07-16 |
Family
ID=76781905
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110512908.0A Pending CN113129301A (zh) | 2021-05-11 | 2021-05-11 | 一种颅内动脉瘤手术规划的预测方法、装置以及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113129301A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113539443A (zh) * | 2021-08-06 | 2021-10-22 | 北京市神经外科研究所 | 一种预测动脉瘤闭塞的方法、装置以及设备 |
CN114648514A (zh) * | 2022-03-30 | 2022-06-21 | 中国人民解放军总医院第二医学中心 | 一种脑动脉定位提取方法、装置、电子设备及存储介质 |
CN114663362A (zh) * | 2022-03-04 | 2022-06-24 | 强联智创(北京)科技有限公司 | 一种融合方法、装置以及设备 |
CN116227233A (zh) * | 2023-05-04 | 2023-06-06 | 杭州脉流科技有限公司 | 非均匀支架在血管中展开长度估计方法、装置及设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103247073A (zh) * | 2013-04-18 | 2013-08-14 | 北京师范大学 | 基于树状结构的三维脑血管模型构造方法 |
CN106446360A (zh) * | 2016-09-08 | 2017-02-22 | 天津大学 | 基于显微ct测量的缺损颅骨组织工程血管支架参数化设计方法 |
CN108765385A (zh) * | 2018-05-14 | 2018-11-06 | 广东药科大学 | 一种双源ct冠状动脉自动提取方法 |
CN110378923A (zh) * | 2019-07-25 | 2019-10-25 | 杭州健培科技有限公司 | 一种智能肺部气管树分割提取和分级的方法与装置 |
CN110490040A (zh) * | 2019-05-30 | 2019-11-22 | 浙江理工大学 | 一种识别dsa冠状动脉图像中局部血管狭窄程度的方法 |
CN111863263A (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 |
-
2021
- 2021-05-11 CN CN202110512908.0A patent/CN113129301A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103247073A (zh) * | 2013-04-18 | 2013-08-14 | 北京师范大学 | 基于树状结构的三维脑血管模型构造方法 |
CN106446360A (zh) * | 2016-09-08 | 2017-02-22 | 天津大学 | 基于显微ct测量的缺损颅骨组织工程血管支架参数化设计方法 |
CN108765385A (zh) * | 2018-05-14 | 2018-11-06 | 广东药科大学 | 一种双源ct冠状动脉自动提取方法 |
CN110490040A (zh) * | 2019-05-30 | 2019-11-22 | 浙江理工大学 | 一种识别dsa冠状动脉图像中局部血管狭窄程度的方法 |
CN110378923A (zh) * | 2019-07-25 | 2019-10-25 | 杭州健培科技有限公司 | 一种智能肺部气管树分割提取和分级的方法与装置 |
CN111863263A (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 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113539443A (zh) * | 2021-08-06 | 2021-10-22 | 北京市神经外科研究所 | 一种预测动脉瘤闭塞的方法、装置以及设备 |
CN114663362A (zh) * | 2022-03-04 | 2022-06-24 | 强联智创(北京)科技有限公司 | 一种融合方法、装置以及设备 |
CN114663362B (zh) * | 2022-03-04 | 2024-03-29 | 强联智创(北京)科技有限公司 | 一种融合方法、装置以及设备 |
CN114648514A (zh) * | 2022-03-30 | 2022-06-21 | 中国人民解放军总医院第二医学中心 | 一种脑动脉定位提取方法、装置、电子设备及存储介质 |
CN114648514B (zh) * | 2022-03-30 | 2022-11-29 | 中国人民解放军总医院第二医学中心 | 一种脑动脉定位提取方法、装置、电子设备及存储介质 |
CN116227233A (zh) * | 2023-05-04 | 2023-06-06 | 杭州脉流科技有限公司 | 非均匀支架在血管中展开长度估计方法、装置及设备 |
CN116227233B (zh) * | 2023-05-04 | 2023-07-14 | 杭州脉流科技有限公司 | 非均匀支架在血管中展开长度估计方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113129301A (zh) | 一种颅内动脉瘤手术规划的预测方法、装置以及设备 | |
CN109493348B (zh) | 一种颅内动脉瘤图像的形态学参数的测量方法及系统 | |
CN109345585B (zh) | 一种颅内动脉瘤图像的形态学参数的测量方法及系统 | |
CN109448003B (zh) | 一种颅内动脉血管图像分割方法及系统 | |
CN109389637B (zh) | 一种颅内动脉瘤图像的形态学参数的测量方法及系统 | |
CN109472823B (zh) | 一种颅内动脉瘤图像的形态学参数的测量方法及系统 | |
CN111081378B (zh) | 一种动脉瘤破裂风险评估方法及系统 | |
CN109448004B (zh) | 一种基于中心线的颅内血管图像的截取方法及系统 | |
CN111863263B (zh) | 一种模拟方法、装置以及设备 | |
CN109584997B (zh) | 一种颅内动脉瘤图像的形态学参数的测量方法及系统 | |
CN109584169A (zh) | 一种基于中心线的颅内血管图像的截取方法及系统 | |
CN111127428A (zh) | 一种基于颅脑影像数据的目标区域的提取方法及系统 | |
CN115083612A (zh) | 一种用于手术规划的弹簧圈模拟方法、装置及设备 | |
Berg et al. | Virtual stenting for intracranial aneurysms: A risk-free, patient-specific treatment planning support for neuroradiologists and neurosurgeons | |
CN109447967B (zh) | 一种颅内动脉瘤图像的分割方法及系统 | |
CN111785381B (zh) | 一种支架模拟方法、装置以及设备 | |
CN111105404B (zh) | 一种基于颅脑影像数据的目标位置的提取方法及系统 | |
CN112927815B (zh) | 一种预测颅内动脉瘤信息的方法、装置以及设备 | |
CN114692390B (zh) | 一种体内装置植入仿真方法、装置以及设备 | |
CN111862062B (zh) | 一种中心线优化的方法、装置以及设备 | |
CN111223089A (zh) | 一种动脉瘤的检测方法、装置及计算机可读存储介质 | |
CN111863262B (zh) | 一种模拟方法、装置以及设备 | |
CN113539443A (zh) | 一种预测动脉瘤闭塞的方法、装置以及设备 | |
CN112734726B (zh) | 一种血管造影的分型方法、装置以及设备 | |
CN110517244B (zh) | 一种基于dsa图像的定位方法及系统 |
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 |