CN113133827A - 对颅内动脉瘤手术进行术前预估方法、系统、终端及介质 - Google Patents
对颅内动脉瘤手术进行术前预估方法、系统、终端及介质 Download PDFInfo
- Publication number
- CN113133827A CN113133827A CN202110371115.1A CN202110371115A CN113133827A CN 113133827 A CN113133827 A CN 113133827A CN 202110371115 A CN202110371115 A CN 202110371115A CN 113133827 A CN113133827 A CN 113133827A
- Authority
- CN
- China
- Prior art keywords
- aneurysm
- blood flow
- model
- flow model
- postoperative
- 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.)
- Granted
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
- A61B2034/101—Computer-aided simulation of surgical operations
Landscapes
- Health & Medical Sciences (AREA)
- Surgery (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Robotics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开的颅内动脉瘤手术进行术前预估方法,包括:从患者的3D‑DSA影像数据中分割得到每个动脉瘤血管的几何形状的表面表示;对每个动脉瘤血管进行未处理和用模型化手术植入物处理,将虚拟手术支架模拟植入动脉瘤的几何形状;对网格进行网格依赖测试;计算壁面剪切力对应于动脉瘤模型植入前后的动脉瘤压力和垂直于动脉瘤平面的速度,并在收缩峰进行比较,输出术前血流模型和术后血流模型;根据术后血流模型导出术后数值,计算出动脉瘤口的表面积与相应亲代动脉的剩余周向表面积的比值;根据术前血流模型和术后血流模型导出参数,根据参数和比值评估术后得分。该方法能对颅内动脉瘤手术前进行术后预测评估,为医生提供可靠有效的辅助判断。
Description
技术领域
本发明涉及计算机技术领域,具体涉及一种对颅内动脉瘤手势进行术前预估方法、系统、终端及介质。
背景技术
颅内动脉瘤(Intracranial aneurysm,IAs)是神经外科中常见的脑血管疾病,是颅内血管瘤由于结构异常引起的血管病理变化,发生率为4%–6%。显微外科手术显着降低了动脉瘤性蛛网膜下腔出血和严重的脑血管痉挛和脑肿胀的风险。但是,对于分叉和复杂的动脉瘤的治疗中,应考虑颅内动脉瘤颈部弯曲表面的空间配置。其涉及多项问题,对颅内动脉瘤形态不适宜的患者贸然进行手术可能导致高达60%的颅内动脉瘤患者在术后患有脑缺血。尽管大多数缺血性病变乃无症状,但在选择性动脉瘤修复后可能会导致细微的认知功能障碍。颅内动脉瘤介入手术治疗后,部分患者可出现血液粘稠度增高,当头部血管狭窄痉挛时,血流速度减慢,可使头部血管有梗塞的风险。患者可出现偏瘫,失语,智力障碍,运动障碍等。颅内动脉瘤修复过程中引起缺血的事件包括脑组织回缩,血管的球囊闭塞,夹闭传入血管,治疗过程中血栓形成或血栓栓塞等。干预的颅内动脉瘤治疗过程中保护大脑的有效性是有争议的。为此,不仅在手术过程中需要对此进行监控,还需要在术前时就进行预测与评估。因此要求此类算法评估应该是安全的,精密的,可控制的,具有成本效益的,并且在神经外科手术或神经放射学干预措施中进行管理时,应在临床手术和干预措施中切实可行。越来越多的计算资源使数值方法在神经血管疾病研究中的应用越来越广泛。特别地,在脑动脉瘤中进行了基于图像的血流动力学模拟,以估计个体破裂的可能性或在治疗计划期间提供帮助。但是,由于在建模过程中进行了大量简化,因此对获得的结果的信任仍然受到医生的限制。所以目前并无一项现行临床技术可提供类似指标。
颅内的复杂动脉瘤的手术非常具有挑战性。某些情况不适用于血管内技术或直接钳夹的病变可能需要旁路手术并闭塞动脉瘤。对于手术治疗的动脉瘤的愈合机制目前知之甚少。同术后平稳愈合的患者相比,术后愈合状况较差的患者的治疗后流入率、治疗后动脉瘤血流的平均速度、心率和颈部比率等数值均明显更高。手术干预旨在将血流从IA囊转移开,引起血流淤滞并最终导致IA的血栓闭塞。这说明有相当一部分颅内动脉瘤患者并不适合进行手术治疗。现行临床可以使用各种旁路技术,但是尚未开发出用于对这些病变进行分类并确定最佳旁路策略的算法方法。
发明内容
针对现有技术中的缺陷,本发明提供一种对颅内动脉瘤手术进行术前预估方法、系统、终端及介质,能够在颅内动脉瘤手术前对术后恢复进行预测评估,医生可根据评估结果判断患者是否适合进行手术。
第一方面,本发明实施例提供的一种对颅内动脉瘤手术进行术前预估方法,包括以下步骤:
从患者的3D-DSA影像数据中分割得到每个动脉瘤血管的几何形状的表面表示;
对每个动脉瘤血管进行未处理和用模型化手术植入物处理,将虚拟手术支架模拟植入动脉瘤的几何形状;
对未处理模型和模拟术后模型的网格进行网格依赖测试;
计算壁面剪切力对应于动脉瘤模型植入前后的动脉瘤压力和垂直于动脉瘤平面的速度,并在收缩峰进行比较,输出术前血流模型和术后血流模型;
根据术后血流模型导出术后数值,计算出动脉瘤口的表面积与相应亲代动脉的剩余周向表面积的比值;
根据术前血流模型和术后血流模型导出参数,根据参数和比值评估术后得分。
第二方面,本发明实施例提供的一种对颅内动脉瘤手术进行术前预估系统,包括:影像数据分割模块、模拟支架植入模块、网格依赖测试模块、模型生成模块、分析模块和评估模块,
所述影像数据分割模块用于从患者的3D-DSA影像数据中分割得到每个动脉瘤血管的几何形状的表面表示;
所述模拟支架植入模块对每个动脉瘤血管进行未处理和用模型化手术植入物处理,将虚拟手术支架模拟植入动脉瘤的几何形状;
所述网格依赖测试模块用于对未处理模型和模拟术后模型的网格进行网格依赖测试;
所述模型生成模块用于计算壁面剪切力对应于动脉瘤模型植入前后的动脉瘤压力和垂直于动脉瘤平面的速度,并在收缩峰进行比较,输出术前血流模型和术后血流模型;
所述分析模块用于根据术后血流模型导出术后数值,计算出动脉瘤口的表面积与相应亲代动脉的剩余周向表面积的比值;
所述评估模块用于根据术前血流模型和术后血流模型导出参数,根据参数和比值评估术后得分。
第三方面,本发明实施例提供的一种智能终端,包括处理器、输入设备、输出设备和存储器,所述处理器、输入设备、输出设备和存储器相互连接,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行上述实施例描述的方法。
第四方面,本发明实施例提供的一种计算机可读存储介质,所述计算机存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行上述实施例描述的方法。
本发明的有益效果:
本发明实施例提供的一种对颅内动脉瘤手术进行术前预估方法、系统、终端及介质,通过颅内动脉瘤形态学和血流动力学的结合,对颅内动脉瘤手术前进行术后预测评估,为医生提供可靠有效的辅助判断。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中,类似的元件或部分一般由类似的附图标记标识。附图中,各元件或部分并不一定按照实际的比例绘制。
图1示出了本发明第一实施例所提供的一种对颅内动脉瘤手术进行术前预估方法的流程图;
图2示出了本发明第一实施例中的患者DSA影像图;
图3示出了本发明第一实施例中的术前WSS分布图;
图4示出了本发明第一实施例中的术后WSS分布预测图;
图5示出了本发明第一实施例中的术后患者动脉瘤状况预测图;
图6示出了本发明第二实施例所提供的一种对颅内动脉瘤手术进行术前预估系统的结构框图;
图7示出了本发明第三实施例所提供的一种智能终端的结构框图。
具体实施方式
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。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
需要注意的是,除非另有说明,本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
如图1所示,示出了本发明第一实施例所提供的一种对颅内动脉瘤手术进行术前预估方法的流程图,方法包括以下步骤:
S1:从患者的3D-DSA影像数据中分割得到每个动脉瘤血管的几何形状的表面表示;
S2:对每个动脉瘤血管进行未处理和用模型化手术植入物处理,将虚拟手术支架模拟植入动脉瘤的几何形状;
S3:对未处理模型和模拟术后模型的网格进行网格依赖测试;
S4:计算壁面剪切力对应于动脉瘤模型植入前后的动脉瘤压力和垂直于动脉瘤平面的速度,并在收缩峰进行比较,输出术前血流模型和术后血流模型;
S5:根据术后血流模型导出术后数值,计算出动脉瘤口的表面积与相应亲代动脉的剩余周向表面积的比值;
S6:根据术前血流模型和术后血流模型导出参数,根据参数和比值评估术后得分。
在本方法所使用的3D动脉瘤的几何形状均从3D数字减影影像造影(DigitalSubstraction Angiography,DSA)图像中获得,如图2所示,图2代表患者特定动脉瘤的3D数字减影影像造影图像上的交叉,该图显示了用于计算的口表面面积(虚线内)和圆周主动脉面积(实线内)。D 1和D 2分别在测量载瘤血管直线的近端和远端直径。本方法首先使用Geomagic Studio软件对3D数字减影影像造影图像进行了分割和平滑处理,然后将表面几何形状另存为壁切应力格式文件。使用开放源码软件包血管建模工具套件对手术前获得的颅内动脉瘤3D-DSA图像进行分割,以获得每个动脉瘤的血管几何形状的表面表示。由于缺乏足够的成像分辨率和伪像识别,为了在每个动脉瘤的计算模型中部署术后设备,本方法使用了虚拟支架植入工作流程。为了准确表示对特定患者的治疗,将手术设备的实际规格(直径和长度)导入工作流程中。为了获得血液动力学相关指标,本方法运行了基于图像的计算流体动力学模拟。对于每个动脉瘤进行了两个模拟:未处理和用模型化手术植入物处理。
本方法用模型化手术植入物处理的过程包括3个步骤:(1)预处理,在该过程中,分离父血管,并创建单形网格以使血管沿其中心线最适合特定于容器的初始化;(2)扩展单纯形网格,使展开的单纯形网格与父脉管壁相吻合;(3)后处理,其中本方法将模拟手术支架映射到已部署的单纯形网格上,并将导线扫描成3D结构。部署的模拟手术支架通过ICEM软件纳入动脉瘤的几何形状。与现有的流矢量分裂(Flux vector splitting,FVS)算法相比,本方法在特定于血管的快速初始化和自适应扩张力方面都改进了FVS,可以提高支架植入模拟的效率和准确性。
在本方法中采用对未处理模型和模拟术后模型的网格进行网格依赖测试,以确保仿真的稳定性。最终的网格分别包含未处理模型和模拟术后模型的约100万和500万个四面体单元。血液在本方法中被设定成是不可压缩的牛顿流体,密度为1.06g/cm3,粘度为0.04g/cm/秒。在瞬态分析中,根据正常人多普勒超声并且应用了防滑边界条件。然后,使用计算流体动力学(Computational fluid dynamics,CFD)CFD模拟过程中针对出口处规定的p=10000Pa的压降计算沿亲动脉和动脉瘤的压力分布。在脉动条件下按比例调整流量波形以达到15达因/厘米的平均入口壁面剪切力(Wall shear stress,WSS)。非稳态流动解决方案在时间上提前了,每个周期使用1000个时间步长进行2个周期,并采用了完全隐式方案和有效的求解算法。第二个周期的结果用于表征动脉瘤的血流动力学。计算WSS对应于动脉瘤模型植入前后的动脉瘤压力和垂直于动脉瘤平面的速度,并在收缩峰进行比较。而后输出术前血流模型,如图3所示。在置入模拟手术支架前的流线显示血液进入动脉瘤的远端颈部(箭头所指处)对颈总动脉内血流波形的叠加,设置脉动流边界条件。其中假定血管壁是刚性的,而在对颅内动脉瘤进行模拟支架植入后,如图4,动脉瘤的WSS明显降低,模拟手术支架将其进行了阻断。同时,由于WSS与速度梯度相关,因此减少了动脉瘤壁上的WSS。WSS是颅内动脉瘤开始,生长和破裂过程中的关键血流动力学因素,模拟手术支架置入后的WSS的变化是本方法进行术后评估指标的关键参考数值。
而根据图5,对两个代表性动脉瘤进行手术治疗预测。右图显示了这两种情况的6个月后的术后结果。顶部动脉瘤完全闭塞(箭头所指处),而底部动脉瘤在IA中持续残留。该方法使用预处理的3D DSA图像生成3D动脉瘤模型,然后分别使用虚拟支架植入和血液动力学建模,形态,血流和特性用作训练机器学习算法的特征。
然后,本方法使用了一项较为少见的参数进行手术预测,动脉瘤口的表面积与相应亲代动脉的剩余周向表面积的比值γ。
该比值γ定义为重建的动脉瘤口表面面积(Aostium)除以其母血管(Avessel)的圆周部分的面积。通过在亲代血管的动脉瘤孔口表面的近端和远端绘制两个平面来确定亲代血管的圆周截面。代表动脉瘤口表面面积和血管面积的区域显示在代表性的侧壁动脉瘤中。结果表明,具有较高γ的动脉瘤不易接受单次手术治疗,可能需要交替/辅助治疗范例。γ的预测能力很高,并且先前已描述了相关形态参数(大小,颈部直径,体积,长宽比)。
根据术前血流模型与术后血流模型得到参数之后,便进行术后评估得分测算。
该方法根据特征选择产生了七个变量的组合,这些变量具有良好的交叉验证准确性,本方法标记了术后评估得分(颅内动脉瘤直径、金属覆盖率(Metal coverage rate,MCR)、孔密度、亲代动脉直径比、WSS、侧支动脉和动脉瘤口的表面积与相应亲代动脉的剩余周向表面积的比值)。得分大于-6可使术后预测能力最大化,其中灵敏度为87%(95%CI为79%至95%)和特异性为82%(95%CI为64%至96%)。准确性为86%(95%CI为79%至94%)。在测试样品中,敏感性和特异性分别为89%(95%CI 77%至98%)和60%(95%CI33%至86%)。准确性为81%(95%CI为69%至91%)。试用结果的曲线下面积为0.848,验证结果的曲线下面积为0.953。以此可知本方法在准确性,灵敏度同特异性上均具有相当高的水平,且量表均具有良好的预后价值。
由于动脉瘤手术对旁路等血管具有不确定性,其要考虑的要素包括从动脉瘤横切出的小脑后下动脉分支以便重新植入,或切除动脉瘤段以重新吻合小脑后下动脉。同时医生还需考虑危险因素,诊断,初步管理,防止再出血的医疗和手术管理,延迟性脑缺血和血管痉挛的管理,脑积水的治疗,医学并发症的治疗和早期康复等各类因素。现今这些都需要医生术前的个人临床判断,即在不知道术后恢复状况的情况下对其进行的破坏性的创伤。而本方法可有效填补当前临床上的该领域空白,可以为颅内动脉瘤的术后恢复进行预测,提供给医生可靠有效的辅助,而临床医生可以根据预测结果选择是否进行手术。结果表明,根据本方法所包含的七种已研究的术后评估变量,对重要参数进行了单变量统计分析,而后血液动力学和相关参数的算法可达90%的预测准确率。其含义有两个方面:1)本方法使用的所有变量(不仅是统计上有意义的参数)包含了现有临床未考虑的潜在形态学因素和血液动力学因素来进行更好的结果分类。2)本方法所使用的血流动力学模型可以精确的预估患者术后的恢复状况。在临床使用中,由于本技术是自动执行算法模拟,因此医生无需进行其他耗时或随机的流程。此外,本方法对患者的数目并无上限限制,并且会自动替换相应的值,而不是依据数据库中的统计试验和错误计算。本方法针对患者特定数据的计算分析,可以使临床医生更好地计划和分类以适当治疗颅内动脉瘤,以避免颅内动脉瘤患者发生血栓栓塞或其他术后不良事件。相比于传统的影像诊断分析流程,本方法所使用的策略更具优势,能够更好的辅助临床制定患者个性化手术与治疗方案,为预后评估提供有力的证据。同时还可以侧面评估医护人员的工作量和承载压力,从而节省医疗资源和费用。
本发明第一实施例提供的一种对颅内动脉瘤手术进行术前预估方法,通过颅内动脉瘤形态学和血流动力学的结合,对颅内动脉瘤手术前进行术后预测评估,为医生提供可靠有效的辅助判断。
在上述的第一实施例中,提供了一种对颅内动脉瘤手术进行术前预估方法,与之相对应的,本申请还提供一种对颅内动脉瘤手术进行术前预估系统。请参考图2,其为本发明第二实施例提供的一种对颅内动脉瘤手术进行术前预估系统的结构框图。由于装置实施例基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。
如图6所示,示出了本发明第二实施例提供了一种对颅内动脉瘤手术进行术前预估系统的结构框图,该系统包括:影像数据分割模块、模拟支架植入模块、网格依赖测试模块、模型生成模块、分析模块和评估模块,所述影像数据分割模块用于从患者的3D-DSA影像数据中分割得到每个动脉瘤血管的几何形状的表面表示;所述模拟支架植入模块对每个动脉瘤血管进行未处理和用模型化手术植入物处理,将虚拟手术支架模拟植入动脉瘤的几何形状;所述网格依赖测试模块用于对未处理模型和模拟术后模型的网格进行网格依赖测试;所述模型生成模块用于计算壁面剪切力对应于动脉瘤模型植入前后的动脉瘤压力和垂直于动脉瘤平面的速度,并在收缩峰进行比较,输出术前血流模型和术后血流模型;所述分析模块用于根据术后血流模型导出术后数值,计算出动脉瘤口的表面积与相应亲代动脉的剩余周向表面积的比值;所述评估模块用于根据术前血流模型和术后血流模型导出参数,根据参数和比值评估术后得分。
其中,模拟支架植入模块包括预处理单元、扩展单元和后处理单元,所述预处理单元用于分离父血管,并创建单纯形网格;所述扩展单元用于扩展单纯形网格,使展开的单纯形网格与父脉血管壁相吻合;所述后处理单元用于将模拟手术支架映射到已部署的单纯形网格上,并将导线扫描成3D结构,将部署的模拟手术支架植入动脉瘤的几何形状。
其中,模拟支架植入模块还包括手术设备参数输入单元,所述手术设备参数输入单元用于输入实际手术设备参数。
以上,为本发明第二实施例提供的一种对颅内动脉瘤手术进行术前预估系统的实施例说明。
本发明第二实施例提供的一种对颅内动脉瘤手术进行术前预估系统,通过颅内动脉瘤形态学和血流动力学的结合,对颅内动脉瘤手术前进行术后预测评估,为医生提供可靠有效的辅助判断。
如图7所示,示出了本发明第三实施例提供的一种智能终端的结构框图,该终端包括处理器、输入设备、输出设备和存储器,所述处理器、输入设备、输出设备和存储器相互连接,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行上述实施例描述的方法。
应当理解,在本发明实施例中,所称处理器可以是中央处理单元(CentralProcessing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,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。
输入设备可以包括触控板、指纹采传感器(用于采集用户的指纹信息和指纹的方向信息)、麦克风等,输出设备可以包括显示器(LCD等)、扬声器等。
该存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据。存储器的一部分还可以包括非易失性随机存取存储器。例如,存储器还可以存储设备类型的信息。
具体实现中,本发明实施例中所描述的处理器、输入设备、输出设备可执行本发明实施例提供的方法实施例所描述的实现方式,也可执行本发明实施例所描述的系统实施例的实现方式,在此不再赘述。
在本发明还提供一种计算机可读存储介质的实施例,所述计算机存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行上述实施例描述的方法。
所述计算机可读存储介质可以是前述实施例所述的终端的内部存储单元,例如终端的硬盘或内存。所述计算机可读存储介质也可以是所述终端的外部存储设备,例如所述终端上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。进一步地,所述计算机可读存储介质还可以既包括所述终端的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的终端和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露终端和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接,也可以是电的,机械的或其它的形式连接。
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,其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (8)
1.一种对颅内动脉瘤手术进行术前预估方法,其特征在于,包括以下步骤:
从患者的3D-DSA影像数据中分割得到每个动脉瘤血管的几何形状的表面表示;
对每个动脉瘤血管进行未处理和用模型化手术植入物处理,将虚拟手术支架模拟植入动脉瘤的几何形状;
对未处理模型和模拟术后模型的网格进行网格依赖测试;
计算壁面剪切力对应于动脉瘤模型植入前后的动脉瘤压力和垂直于动脉瘤平面的速度,并在收缩峰进行比较,输出术前血流模型和术后血流模型;
根据术后血流模型导出术后数值,计算出动脉瘤口的表面积与相应亲代动脉的剩余周向表面积的比值;
根据术前血流模型和术后血流模型导出参数,根据参数和比值评估术后得分。
2.根据权利要求1所述的方法,其特征在于,所述对每个动脉瘤血管进行用模型化手术植入物处理具体包括:
分离父血管,并创建单纯形网格;
扩展单纯形网格,使展开的单纯形网格与父脉血管壁相吻合;
将模拟手术支架映射到已部署的单纯形网格上,并将导线扫描成3D结构,将部署的模拟手术支架植入动脉瘤的几何形状。
3.根据权利要求1所述的方法,其特征在于,所述将虚拟手术支架模拟植入动脉瘤的几何形状的步骤之后还包括导入手术设备的实际规格。
4.一种对颅内动脉瘤手术进行术前预估方法统,其特征在于,包括:影像数据分割模块、模拟支架植入模块、网格依赖测试模块、模型生成模块、分析模块和评估模块,
所述影像数据分割模块用于从患者的3D-DSA影像数据中分割得到每个动脉瘤血管的几何形状的表面表示;
所述模拟支架植入模块对每个动脉瘤血管进行未处理和用模型化手术植入物处理,将虚拟手术支架模拟植入动脉瘤的几何形状;
所述网格依赖测试模块用于对未处理模型和模拟术后模型的网格进行网格依赖测试;
所述模型生成模块用于计算壁面剪切力对应于动脉瘤模型植入前后的动脉瘤压力和垂直于动脉瘤平面的速度,并在收缩峰进行比较,输出术前血流模型和术后血流模型;
所述分析模块用于根据术后血流模型导出术后数值,计算出动脉瘤口的表面积与相应亲代动脉的剩余周向表面积的比值;
所述评估模块用于根据术前血流模型和术后血流模型导出参数,根据参数和比值评估术后得分。
5.根据权利要求4所述的系统,其特征在于,所述模拟支架植入模块包括预处理单元、扩展单元和后处理单元,
所述预处理单元用于分离父血管,并创建单纯形网格;
所述扩展单元用于扩展单纯形网格,使展开的单纯形网格与父脉血管壁相吻合;
所述后处理单元用于将模拟手术支架映射到已部署的单纯形网格上,并将导线扫描成3D结构,将部署的模拟手术支架植入动脉瘤的几何形状。
6.根据权利要求4所述的系统,其特征在于,所述模拟支架植入模块还包括手术设备参数输入单元,所述手术设备参数输入单元用于输入实际手术设备参数。
7.一种智能终端,包括处理器、输入设备、输出设备和存储器,所述处理器、输入设备、输出设备和存储器相互连接,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,其特征在于,所述处理器被配置用于调用所述程序指令,执行如权利要求1-3任一项所述的方法。
8.一种计算机可读存储介质,其特征在于,所述计算机存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行如权利要求1-3任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110371115.1A CN113133827B (zh) | 2021-04-07 | 2021-04-07 | 对颅内动脉瘤手术进行术前预估方法、系统、终端及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110371115.1A CN113133827B (zh) | 2021-04-07 | 2021-04-07 | 对颅内动脉瘤手术进行术前预估方法、系统、终端及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113133827A true CN113133827A (zh) | 2021-07-20 |
CN113133827B CN113133827B (zh) | 2022-08-05 |
Family
ID=76810614
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110371115.1A Active CN113133827B (zh) | 2021-04-07 | 2021-04-07 | 对颅内动脉瘤手术进行术前预估方法、系统、终端及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113133827B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113648059A (zh) * | 2021-08-26 | 2021-11-16 | 上海联影医疗科技股份有限公司 | 手术规划评估方法、计算机设备和存储介质 |
CN114287954A (zh) * | 2021-12-13 | 2022-04-08 | 杭州脉流科技有限公司 | 颅内血管狭窄的功能学评估方法、系统、电子设备及介质 |
CN114692390A (zh) * | 2022-03-09 | 2022-07-01 | 强联智创(北京)科技有限公司 | 一种体内装置植入仿真方法、装置以及设备 |
CN116211463A (zh) * | 2023-05-05 | 2023-06-06 | 杭州脉流科技有限公司 | 一种编织支架虚拟套叠装置 |
CN116267783A (zh) * | 2022-11-29 | 2023-06-23 | 重庆医科大学附属第二医院 | 一种血管修复中血管支架植入小鼠模型的构建方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107049484A (zh) * | 2017-01-21 | 2017-08-18 | 绍兴市人民医院 | 基于dsa数据的颅内动脉瘤3d模型打印方法 |
CN107049487A (zh) * | 2017-03-30 | 2017-08-18 | 向建平 | 颅内动脉瘤治疗的模拟方法及控制装置 |
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 |
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 |
CN109925056A (zh) * | 2019-04-09 | 2019-06-25 | 广州新脉科技有限公司 | 一种颅内动脉瘤虚拟支架的植入方法及装置 |
US20190216338A1 (en) * | 2016-06-08 | 2019-07-18 | Oxford University Innovation Limited | Aortic aneurysm progression |
CN110782988A (zh) * | 2019-11-04 | 2020-02-11 | 北京理工大学 | 颅内动脉瘤虚拟支架诊疗系统及其诊疗方法 |
CN111671556A (zh) * | 2020-04-14 | 2020-09-18 | 北京市神经外科研究所 | 动脉瘤血管支架及其构造方法 |
-
2021
- 2021-04-07 CN CN202110371115.1A patent/CN113133827B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190216338A1 (en) * | 2016-06-08 | 2019-07-18 | Oxford University Innovation Limited | Aortic aneurysm progression |
CN107049484A (zh) * | 2017-01-21 | 2017-08-18 | 绍兴市人民医院 | 基于dsa数据的颅内动脉瘤3d模型打印方法 |
CN107049487A (zh) * | 2017-03-30 | 2017-08-18 | 向建平 | 颅内动脉瘤治疗的模拟方法及控制装置 |
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 |
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 |
CN109925056A (zh) * | 2019-04-09 | 2019-06-25 | 广州新脉科技有限公司 | 一种颅内动脉瘤虚拟支架的植入方法及装置 |
CN110782988A (zh) * | 2019-11-04 | 2020-02-11 | 北京理工大学 | 颅内动脉瘤虚拟支架诊疗系统及其诊疗方法 |
CN111671556A (zh) * | 2020-04-14 | 2020-09-18 | 北京市神经外科研究所 | 动脉瘤血管支架及其构造方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113648059A (zh) * | 2021-08-26 | 2021-11-16 | 上海联影医疗科技股份有限公司 | 手术规划评估方法、计算机设备和存储介质 |
CN113648059B (zh) * | 2021-08-26 | 2023-09-29 | 上海联影医疗科技股份有限公司 | 手术规划评估方法、计算机设备和存储介质 |
CN114287954A (zh) * | 2021-12-13 | 2022-04-08 | 杭州脉流科技有限公司 | 颅内血管狭窄的功能学评估方法、系统、电子设备及介质 |
CN114692390A (zh) * | 2022-03-09 | 2022-07-01 | 强联智创(北京)科技有限公司 | 一种体内装置植入仿真方法、装置以及设备 |
CN114692390B (zh) * | 2022-03-09 | 2024-03-29 | 强联智创(北京)科技有限公司 | 一种体内装置植入仿真方法、装置以及设备 |
CN116267783A (zh) * | 2022-11-29 | 2023-06-23 | 重庆医科大学附属第二医院 | 一种血管修复中血管支架植入小鼠模型的构建方法 |
CN116211463A (zh) * | 2023-05-05 | 2023-06-06 | 杭州脉流科技有限公司 | 一种编织支架虚拟套叠装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113133827B (zh) | 2022-08-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113133827B (zh) | 对颅内动脉瘤手术进行术前预估方法、系统、终端及介质 | |
Pepe et al. | Detection, segmentation, simulation and visualization of aortic dissections: a review | |
CN110782988B (zh) | 颅内动脉瘤虚拟支架模拟方法 | |
US10758125B2 (en) | Enhanced personalized evaluation of coronary artery disease using an integration of multiple medical imaging techniques | |
CN111415321B (zh) | 动脉瘤破裂风险检测装置及设备 | |
CN113066061B (zh) | 一种基于mra的动脉瘤检测方法、系统、终端及介质 | |
Castro et al. | Hemodynamics and rupture of terminal cerebral aneurysms | |
Munshi et al. | The application of computational modeling for risk prediction in type B aortic dissection | |
CN109671066A (zh) | 一种基于头颅ct影像的脑梗死判断的方法及系统 | |
WO2021098768A1 (zh) | 一种动脉瘤破裂风险评估方法及系统 | |
Zhang et al. | Towards optimal flow diverter porosity for the treatment of intracranial aneurysm | |
Detmer et al. | Extending statistical learning for aneurysm rupture assessment to Finnish and Japanese populations using morphology, hemodynamics, and patient characteristics | |
Cebral et al. | Subject-specific modeling of intracranial aneurysms | |
Egger et al. | Modeling and visualization techniques for virtual stenting of aneurysms and stenoses | |
CN116096330A (zh) | 用于分析冠状动脉狭窄的医学图像处理方法和系统 | |
WO2017179256A1 (ja) | 核医学画像からの生理的集積の自動除去及びct画像の自動セグメンテーション | |
CN113592764A (zh) | 识别和分割不同模态不同解剖部位动脉瘤的系统和方法 | |
Cosentino et al. | Computational modeling of bicuspid aortopathy: Towards personalized risk strategies | |
García et al. | A deep learning model for brain vessel segmentation in 3DRA with arteriovenous malformations | |
Larrabide et al. | An image segmentation method based on a discrete version of the topological derivative | |
KR102095731B1 (ko) | 딥러닝 기반의 보조 진단 시스템의 mra 영상 학습 방법 및 혈관 병변 보조 진단 방법 | |
Vilalta-Alonso et al. | Correlation between Hemodynamic Stresses and Morphometric Indices as a Predictor Potential of Abdominal Aortic Aneurysm Rupture | |
Mamatyukov et al. | Comprehensive research of human brain hemodynamics: Clinical monitoring and computer simulations | |
TWI790179B (zh) | 心導管影像辨識及評估方法 | |
Sarrami Foroushani | In-silico clinical trials for assessment of intracranial flow diverters |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |