CN113744883A - 一种预测颅内动脉瘤破裂模型的构建方法及该装置 - Google Patents

一种预测颅内动脉瘤破裂模型的构建方法及该装置 Download PDF

Info

Publication number
CN113744883A
CN113744883A CN202111108850.XA CN202111108850A CN113744883A CN 113744883 A CN113744883 A CN 113744883A CN 202111108850 A CN202111108850 A CN 202111108850A CN 113744883 A CN113744883 A CN 113744883A
Authority
CN
China
Prior art keywords
model
aneurysm
data
rupture
intracranial
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
Application number
CN202111108850.XA
Other languages
English (en)
Inventor
袁金龙
黄晨蕾
李真保
李小宁
赵心同
冯蕾
吴德刚
赖年升
夏大勇
张兵兵
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.)
Yijishan Hospital of Wannan Medical College
First Affiliated Hospital of Wannan Medical College
Original Assignee
First Affiliated Hospital of Wannan Medical College
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 First Affiliated Hospital of Wannan Medical College filed Critical First Affiliated Hospital of Wannan Medical College
Priority to CN202111108850.XA priority Critical patent/CN113744883A/zh
Publication of CN113744883A publication Critical patent/CN113744883A/zh
Pending legal-status Critical Current

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
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/06—Measuring blood flow
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/48—Diagnostic techniques
    • A61B8/488—Diagnostic techniques involving Doppler signals
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
    • A61B8/5223—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for extracting a diagnostic or physiological parameter from medical diagnostic data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • 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
    • 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
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Theoretical Computer Science (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Surgery (AREA)
  • Biophysics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Primary Health Care (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Epidemiology (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Graphics (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Algebra (AREA)
  • Computing Systems (AREA)
  • Fluid Mechanics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Hematology (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明公开了一种颅内动脉瘤破裂预测模型的构建方法，其包括以下步骤：S1、从待预测患者颅内动脉瘤破裂组和未破裂组两组数据中，筛选出满足预测条件患者的三维影像数据模型；S2、根据所述三维影像数据模型，获取Dicom格式或者STL格式文件三维数据模型，如果是Dicom格式文件，可采用Mimics 10.0转化为STL格式文件，后采用Gemagic studio 2013对所述STL格式文件三维数据模型进行处理，获得动脉瘤模型和载瘤动脉模型。本发明运用破裂后交通镜像颅内动脉瘤的模型，并分析破裂侧和未破裂侧的形态学和血流动力学的不同，得出尽管AR、NWSS、平均WSS、LSA是IAs破裂状态的独立风险因素，但SR是与IAs破裂最相关的参数，并且得出SR>1.96动脉瘤破裂风险高。

Description

一种预测颅内动脉瘤破裂模型的构建方法及该装置
技术领域
本发明涉及一种预测颅内动脉瘤破裂模型的构建方法及该装置。
背景技术
形态学和血流动力学参数与颅内动脉瘤(Intracranial aneurysms,IAs)破裂有关，控制这些参数可以帮助我们识别破裂风险特征，破裂镜像后交通动脉瘤(posteriorcommunicating artery aneurysms,PComAAs)是在同一个病人的两侧颈内动脉后交通段有一个破裂后交通动脉瘤和一个未破裂后交通动脉瘤，可以提供理想的内部控制。首先，由于镜像破裂PComAAs一个破裂，另一个未破裂是来自同一个病人，临床参数的影响可能分别被平衡。其次，镜像破裂PComAAs位于两侧的后交通动脉，因此，这可以排除位置对IAs破裂的影响。第三，为了提高计算流体力学的精度，需要个性化的边界条件。然而，作为一项回顾性研究，获得个性化的边界条件是困难的，所以用同一病人一个破裂和另一个未破裂的破裂镜像PComAAs进行研究可以得到更准确的结果。
随着无创脑血管检查的发展和普及，未破裂颅内动脉瘤(unrupturedintracranial aneurysms,UIAs)越来越容易被检查出，其发病率约为3％～7％。IAs的破裂是蛛网膜下腔出血(subarachnoid hemorrhage SAH)的主要原因，其能导致巨大的死亡率和致残率。由于UIAs破裂的风险相对较低，以及无论是血管内介入栓塞或者显微夹闭治疗都可能导致手术并发症，因此应该平衡破裂风险和手术并发症的发生率。综上所述，预测动脉瘤破裂的风险和筛选高破裂风险动脉瘤进行进一步治疗是有必要的。
目前，尚未有准确的方法通过对数据的处理，获得更为准确的处理结果，如何构建一种方法和模型以提高对数据处理的准确性，是亟待要解决的技术问题。
发明内容
为此，本发明提供一种预测颅内动脉瘤破裂模型的构建方法及该装置。
为了实现上述目的，本发明提供如下技术方案：
本发明实施例提供一种颅内动脉瘤破裂预测模型的构建方法，所述方法包括以下步骤：
S1、从待预测患者颅内动脉瘤破裂组和未破裂组两组数据中，筛选出满足预测条件患者的三维影像数据模型；
S2、根据所述三维影像数据模型，获取Dicom格式或者STL格式文件三维数据模型，如果是Dicom格式文件采用Mimics 10.0转化为STL格式文件，后采用Gemagic studio 2013对所述STL格式文件三维数据模型进行处理，获得动脉瘤模型和载瘤动脉模型；
S3、对所述动脉瘤模型和载瘤动脉模型进行测量，获得动脉瘤模型和载瘤动脉模型的形态学数据模型；
S4、采用ANSYS ICEM CFD16.0对所述动脉瘤模型和载瘤模型进行网格划分，以cfx-5文件格式导出，并通过Ansys CFX-Pre进行条件设置，输出动脉瘤和载瘤动脉模型的def文件格式数据模型；
S5、根据所述动脉瘤和载瘤动脉模型的def文件格式数据模型，通过Ansys CFX进行运算，运算的800步的结果在Matlab 2014b平均化，利用ANSYS CFX-post 16.0，获得血流动力学数据模型；
S6、以动脉瘤模型和载瘤动脉模型的形态学数据模型、血流动力学数据模型，形成所述颅内动脉瘤破裂预测模型。
本发明的一个实施例中，所述形态学数据包括2D组形态学数据以及3D组形态学数据；
所述2D组形态学数据为大小、大小比、长宽比、瓶颈因子、深宽比、射入角、载瘤动脉夹角、动脉瘤倾斜角、规则与否、分叉与否、胚胎型大脑后与否；
所述3D组形态学数据包括椭圆度指数、波动指数和非球形指数。
本发明的一个实施例中，所述血流动力学数据包括定性血流动力学数据和定量血流动力学数据；
所述定量血流动力学数据包括归一化、平均WSS、低WSS面积比、剪切震荡指数和相对滞留时间；
所述定性血流动力学数据包括血流模式的稳定性、射入流的集中程度、冲击域的大小。
本发明的一个实施例中，所述采用Gemagic studio 2013对所述STL格式文件三维数据模型进行处理包括：
删除钉状物设为40，近端至少保留到动脉瘤有一个弯曲，远端保留10mm。
本发明的一个实施例中，所述步骤S4中，网格的最大值设为0.3mm，
所述动脉瘤模型至少要创建100万个有限元四面体网格。
本发明的一个实施例中，所述步骤S4中，所述Ansys CFX-Pre进行条件设置包括：
将颅内血管壁设置为刚性壁，血液的流动模式设置为层流，血液性质设置为不可压缩的牛顿流体，密度设置为1.05×103Kg/m3，粘度设置为0.00345Pa·s；
将0.8s的心动周期划分为标准的800步，每步所经历的时间为0.001s；
入口条件是wprof方程曲线。
本发明还提供一种用于颅内动脉瘤破裂预测模型的构建装置，所述构建装置包括：
筛选模块，用于从待预测患者颅内动脉瘤破裂组和未破裂组两组数据中，筛选出满足预测条件患者的三维影像数据模型；
动脉瘤模型和载瘤动脉模型构建模块，用于根据所述三维影像数据模型，获取Dicom格式或者STL格式文件三维数据模型，如果是Dicom格式文件，采用Mimics 10.0转化为STL格式文件，后采用Gemagic studio 2013对所述Dicom格式或者STL格式文件三维数据模型进行处理，获得动脉瘤模型和载瘤动脉模型；
形态学数据模型构建模块，用于对所述动脉瘤模型和载瘤动脉模型进行测量，获得动脉瘤模型和载瘤动脉模型的形态学数据模型；
动脉瘤和载瘤动脉模型的def文件格式数据模型构建模块，用于采用ANSYS ICEMCFD16.0对所述动脉瘤模型和载瘤模型进行网格划分，以cfx-5文件格式导出，并通过AnsysCFX-Pre进行条件设置，输出动脉瘤和载瘤动脉模型的def文件格式数据模型；
血流动力学数据模型构建模块，用于根据所述动脉瘤和载瘤动脉模型的def文件格式数据模型，通过Ansys CFX进行运算，运算的800步的结果在Matlab 2014b平均化，利用ANSYS CFX 16.0-post，获得血流动力学数据模型；
颅内动脉瘤破裂预测模型构建模块，用于以动脉瘤模型和载瘤动脉模型的形态学数据模型、血流动力学数据模型，形成所述颅内动脉瘤破裂预测模型。
本发明的一个实施例中，所述采用Gemagic studio 2013对所述STL格式文件三维数据模型进行处理包括：
删除钉状物设为40，近端至少保留到动脉瘤有一个弯曲，远端保留10mm；
所述步骤S4中，网格的最大值设为0.3mm；
所述动脉瘤模型至少要创建100万个有限元四面体网格；
所述Ansys CFX-Pre进行条件设置包括：
将颅内血管壁设置为刚性壁，血液的流动模式设置为层流，血液性质设置为不可压缩的牛顿流体，密度设置为1.05×103Kg/m3，粘度设置为0.00345Pa·s；
将0.8s的心动周期划分为标准的800步，每步所经历的时间为0.001s；
入口条件是wprof方程曲线。
本发明还提供一种用于颅内动脉瘤破裂预测模型，所述预测模型采用上述所述的颅内动脉瘤破裂预测模型的构建方法构建而成。
本发明具有如下优点：
本发明采用预测颅内动脉瘤破裂模型的构建方法构建的模型，运用破裂后交通镜像颅内动脉瘤的模型，并分析破裂侧和未破裂侧的形态学和血流动力学的不同，得出尽管AR、NWSS、平均WSS、LSA是IAs破裂状态的独立风险因素，但SR是与IAs破裂最相关的参数，并且得出SR>1.96动脉瘤破裂风险高。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对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。显而易见地，下面描述中的附图仅仅是示例性的，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，还可以根据提供的附图引伸获得其它的实施附图。
本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。
图1为本发明实施例提供的典型破裂镜像PComAAs的图像；
图2为本发明实施例提供的典型破裂镜像PComAAs中WSS的分布图；
图3为本发明实施例提供的所有独立危险因素的受试者操作特征(ROC)曲线图；
图4为本发明实施例提供的血流动力学的运算过程图；
图5为本发明实施例提供的wprof方程曲线图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，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。
实施例1
本发明提供一种颅内动脉瘤破裂预测模型的构建方法，方法包括以下步骤：
S1、从待预测患者颅内动脉瘤破裂组和未破裂组两组数据中，筛选出满足预测条件患者的三维影像数据模型(例如：三维CTA，MRA或者DSA图像模型；
S2、根据三维影像数据模型，获取Dicom格式或者STL格式文件三维数据模型，例如，将待测患者的动脉瘤影像的三维CTA、MRA或者DSA图像从PCAS系统或者是DSA工作站中以Dicom或者是STL文件格式导出，但是如以Dicom数据导出，须使用Mimics 10.0将dicom数据转化为STL文件。获得的Dicom格式或者STL文件格式，采用Gemagic studio 2013对STL格式文件三维数据模型进行平滑与裁剪处理，处理标准是使动脉瘤的形态接近于原始动脉瘤的形态。处理过程包括根据本发明的要求，一般将删除钉状物设为40，近端至少保留到动脉瘤有一个弯曲，远端一般保留10mm。
S3、对动脉瘤模型和载瘤动脉模型进行测量，获得动脉瘤模型和载瘤动脉模型的形态学数据模型；形态学数据包括2D组形态学数据以及3D组形态学数据；其中，2D组形态学数据为大小、大小比、长宽比、瓶颈因子、深宽比、射入角、载瘤动脉夹角、动脉瘤倾斜角、规则与否、分叉与否、胚胎型大脑后动脉与否；3D组形态学数据包括椭圆度指数、波动指数和非球形指数。
S4、采用ANSYS ICEM CFD(ANSYS，美国)对动脉瘤模型和载瘤动脉模型进行网格划分，并通过Ansys CFX-Pre进行条件设置，输出动脉瘤和载瘤动脉模型的def文件格式数据模型；
网格的最大值设为0.3mm，动脉瘤模型至少要创建100万个有限元非结构四面体网格。
Ansys CFX-Pre进行条件设置包括：将出口条件设置为零压力出口，颅内血管壁设置为刚性壁，血液的流动模式设置为层流，血液性质设置为不可压缩的牛顿流体(满足Navier-Stokes方程和连续性方程)，密度(ρ)设置为1.05×103Kg/m3，粘度(μ)设置为0.00345Pa·s；将0.8s的心动周期划分为标准的800步，每步所经历的时间为0.001s；为获得较稳定的数据，共模拟3个心动周期，取最后一个周期作为输出结果。设置完成后以def文件格式导出。
经超声多普勒测得一名健康成人整个心动周期颈内动脉的速度波形，然后运用Matlab 2014b(MathWorks,美国)计算出整个心动周期血液流动曲线，并转化为wprof方程曲线，并将入口条件设为wprof方程曲线。曲线图如图5所示。
S5、根据动脉瘤和载瘤动脉模型的def文件格式数据模型，通过Ansys CFX(ANSYS，美国)进行运算，运算的800步的结果在Matlab 2014b(MathWorks，美国)平均化，利用ANSYSCFX-post 16.0(ANSYS，美国)，获得血流动力学数据模型；该血流动力学数据模型展示，血流动力参数及图像得到WSS，OSI等血流动力学参数结果。
其中，血流动力学数据包括定性血流动力学数据和定量血流动力学数据；定量血流动力学数据包括归一化、平均WSS、低WSS面积比、剪切震荡指数和相对滞留时间；定性血流动力学数据包括血流模式的稳定性、射入流的集中程度、冲击域的大小。
S6、以动脉瘤模型和载瘤动脉模型的形态学数据模型、血流动力学数据模型，形成颅内动脉瘤破裂预测模型。
利用该颅内动脉瘤破裂预测模型，依据形态学数据模型、血流动力学数据模型进行多因素logistic回归分析确定独立危险因素，进行待预测患者的工作特征曲线(receiver operator characteristic curve,ROC曲线)，计算所有独立危险因素的ROC曲线下面积(AUC)，用于评估可预测性并确定最佳阈值。
实施例2
本发明提供一种用于颅内动脉瘤破裂预测模型的构建装置，该构建装置包括：
筛选模块，用于从待预测患者颅内动脉瘤破裂组和未破裂组两组数据中，筛选出满足预测条件患者的三维影像数据模型；
动脉瘤模型和载瘤动脉模型构建模块，用于根据三维影像数据模型，获取Dicom格式或者STL格式文件三维数据模型，如果是Dicom格式文件，可采用Mimics 10.0转化为STL格式文件，后采用Gemagic studio 2013对STL格式文件三维数据模型进行处理，获得动脉瘤模型和载瘤动脉模型，采用Gemagic studio 2013对STL格式文件三维数据模型进行处理包括：删除钉状物设为40，近端至少保留到动脉瘤有一个弯曲，远端保留10mm；步骤S4中，网格的最大值设为0.3mm，动脉瘤模型至少要创建100万个有限元四面体网格。
Ansys CFX-Pre进行条件设置包括：将颅内血管壁设置为刚性壁，血液的流动模式设置为层流，血液性质设置为不可压缩的牛顿流体，密度设置为1.05×103Kg/m3，粘度设置为0.00345Pa·s；将0.8s的心动周期划分为标准的800步，每步所经历的时间为0.001s；入口条件是wprof方程曲线。
形态学数据模型构建模块，用于对动脉瘤模型和载瘤动脉模型进行测量，获得动脉瘤模型和载瘤动脉模型的形态学数据模型；
动脉瘤模型和载瘤动脉模型的def文件格式数据模型构建模块，用于采用ANSYSICEM CFD16.0对所述动脉瘤模型和载瘤模型进行网格划分，以cfx-5文件格式导出，并通过Ansys CFX-Pre进行条件设置，输出动脉瘤和载瘤动脉模型的def文件格式数据模型；
血流动力学数据模型构建模块，用于根据动脉瘤和载瘤动脉模型的def文件格式数据模型，通过Ansys CFX进行运算，运算的800步的结果在Matlab2014b平均化，利用ANSYSCFX-post 16.0，获得血流动力学数据模型；
颅内动脉瘤破裂预测模型构建模块，用于以动脉瘤模型和载瘤动脉模型的形态学数据模型、血流动力学数据模型，形成颅内动脉瘤破裂预测模型。
实施例3
本实施例提供一种用于颅内动脉瘤破裂预测模型，该预测模型采用上述任一颅内动脉瘤破裂预测模型的构建方法构建而成。
该模型运用在医学领域中的神经外科中颅内动脉瘤破裂风险的预测，并分析破裂侧和未破裂侧的形态学和血流动力学的不同，得出尽管AR、NWSS、平均WSS、LSA是IAs破裂状态的独立风险因素，但SR是与IAs破裂最相关的参数，并且得出SR>1.96动脉瘤破裂风险高。
临床试验例
利用本发明的颅内动脉瘤破裂预测模型进行预测：
1、材料和方法，皖南医学院研究伦理委员会根据《赫尔辛基宣言》批准了这项研究。研究对象均来自芜湖市皖南医学院第一附属医院神经外科。受试者及其家属提供了知情同意书。
2、病例选择，数据库包括影像资料和病例资料。2013年1月至2019年12月，我院连续诊治78例破裂镜像PComAAs患者。所有破裂的镜像PComAAs患者入院后均经CT或DSA确诊。
排出标准：
1)无蛛网膜下腔出血史或破裂部位难以辨认；
2)梭形或夹层，真菌性动脉瘤和真性后交通动脉瘤；
3)三维DSA成像不符合CFD分析。
纳入标准：
1)破裂的囊性镜像PcomAAs，一侧破裂，另一侧未破裂。
2)DSA图像质量满足CFD分析
最终，72例144个PComAAs患者被分为两组(破裂动脉瘤组和未破裂动脉瘤组)，如图1所示，一例典型破裂镜像后交通动脉瘤的图像。72例镜像PComAAs破裂患者的临床特征见表1所示。
表1
Figure BDA0003273376090000101
Figure BDA0003273376090000111
3、影像学资料，使用DSA(西门子，德国，Artis-zee-Floor VC14)共获得144个3D模型。造影剂延迟1秒进行旋转造影，共旋转360°造影共获得266帧。相应的266幅图像在syngox workplace工作站上重建成三维模型，获得三维影像数据模型，并以STL格式导出。用经颅多普勒技术获得一例健康人的脉搏波速度波形。然后利用matlab14.0软件(MathWorks，Natick，MA，US)计算出整个心动周期的平均血流速度波形图。
4、个体化动脉瘤模型的建立
从工作站syngox workplace工作站导出的STL在GEOMAGIC STUDIO 2013(Geomagic,Morrisville,North Carolina)中进行分段和平滑处理。然后，将表面数据导入ICEM CFD 16.0(ANSYS,Canonsburg,Pennsylvania,US)中进行网格的创建。最大单元大小为0.3mm，所有表面数据进行网格划分。然后使用CFX 16.0(ANSYS Inc.,USA)在层流、不可压缩和牛顿血液流动的假设下求解控制流动的Navier-Stokes公式。
将动脉瘤壁设置为无滑移边界条件的刚性壁，血液密度和粘度系数分别假设为1050kg/m3和0.00345Pa/s。
入口条件设置为健康个体的经颅多普勒获得的一个周期的流速，出口条件统一设定为无应力条件，静态压力为0，将整个心动周期的0.8s离散为0.001s时间步长进行数值模拟，模拟三个心动周期，以最后一个周期为输出，获得稳定的数据。
5、根据三维影像数据模型，获取Dicom格式或者STL格式文件三维数据模型，8个血液动力学因素被分为定性和定量因素血流动力学参数。测量了五个定量血流动力学参数，包括归一化(normalized wall shear stress,NWSS)、平均WSS、低WSS面积比(low stressarea,LSA％)、剪切震荡指数(oscillatory shear index,OSI)和相对滞留时间(Relativeresidence time,RRT)。平均WSS，即时间平均WSS，代表整个心动周期中每个点的合并WSS。其阈值为0～20pa。
其中，OSI是一个无量纲的参数，被定义为测量在心动周期中WSS的方向性变化。阈值为0到0.2。RRT反映了血流在管壁附近的停留时间。阈值为0～1.0s。三个血流动力学参数均采用Xiang等人的方法计算。NWSS表示动脉瘤的WSS由载瘤动脉的WSS归一化。LSA以指低于10％载瘤动脉平均WSS的瘤体的面积。LSA％是由LSA占整个动脉瘤壁面积的百分比值。Cebral等人描述了定性的血流动力学参数，如血流模式的稳定性、射入流的集中程度、冲击域大小等，并由两位神经外科医生根据CFD分析的经验进行了计算。血流模式的稳定性是指在心动周期内维持稳定的血流模式。相反，不稳定的血流意味着在心动周期中血流模式发生了变化。与动脉瘤颈相比，集中流入射流在主流向上较细或狭窄。小的冲击域是冲击域面积小于动脉瘤面积50％。相反，它被称为一个大的冲击域。
本步骤中，如图4所示，血流动力学的运算过程为图4中A代表从Siemens Artiszee Floor平板数字减影血管造影机输出的三维原始资料，在工作站中以STL文件格式输出。图4中B是将从工作站重建的STL文件导入GEOMAGIC STUDIO 2013(Geomagic，美国)中进行平滑处理，输出接近于动脉瘤形态的STL模型。C是网格划分的模拟图。经修减的动脉瘤的STL文件导入ANSYS ICEM CFD 16.0(ANSYS，美国)进行网格划分，网格的最大值设为0.3mm。最终以cfx5的文件格式导出。图4中D是动脉瘤边界条件的设置。入口条件是wprof方程曲线。经超声多普勒测得一名健康成人整个心动周期颈内动脉的速度波形，然后运用Matlab2014b计算出整个心动周期血液流动曲线，并转化为wprof方程曲线。出口条件设置为零压力出口。血液性质设置为不可压缩的牛顿流体，密度(ρ)和粘度(μ)分别设置为1.05×103Kg/m3，0.00345Pa·s。动脉瘤壁设置为无滑移边界条件的刚性壁。最终以def文件格式导出。图4中E，def.文件格式在ANSYS CFX(ANSYS，美国)中的运算过程。图4中F是CFX-Post里输出的结果。颜色越红代表数值越大。
6、对动脉瘤模型和载瘤动脉模型进行测量，获得动脉瘤模型和载瘤动脉模型的形态学数据模型，以及采用ANSYS ICEM CFD 16.0(ANSYS，美国)对动脉瘤模型和载瘤动脉模型进行网格划分，并通过Ansys CFX-Pre进行条件设置，输出动脉瘤和载瘤动脉模型的def文件格式数据模型；
本发明测量了14个先前定义的形态学参数。所有形态学参数分为2D组和3D组。11个二维参数包括大小、大小比(size ratio,SR)、长宽比(aspect ratio,AR)、瓶颈因子(bottleneck factor,BNF)、深宽比(depth/width ratio,HWR)、射入角(inflow angle,InA)、载瘤动脉夹角(vessel angle,VA)、动脉瘤倾斜角(aneurysm inclination angle,AIA)、规则与否、分叉与否，胚胎型大脑后(fetal-type posterior cerebral artery，FPCA)与否。
除二维形态参数外，其他三个三维变量，椭圆度指数(ellipticity index，EI)、波动指数(undulation index，UI)和非球形指数(non-sphericity index，NSI)均采用Lv等人的方法计算。
FPCA是指完全起源于颈内动脉或与基底动脉有轻微连接的大脑后动脉。
7、以动脉瘤模型和载瘤动脉模型的形态学数据模型、血流动力学数据模型，形成颅内动脉瘤破裂预测模型，依据形态学数据模型、血流动力学数据模型进行多因素logistic回归分析确定独立危险因素，进行ROC曲线分析，计算所有独立风险因素的ROC曲线下面积(AUC)，用于评估可预测性并确定最佳阈值。
所有数据均采用SPSS统计版本20.0(SPSS,Inc.,Chicago,Illinois,US)进行分析。分类变量采用χ2检验比较差异。对于正态分布参数，数据描述为均值±标准差。对于离散分布的参数，数据描述为中位数和四分位数。采用双尾独立t检验分析了未破裂和破裂PComAAs各参数的差异。
当p值小于0.05时，差异具有统计学意义。采用多元logistic回归分析进一步评价单变量分析中的统计显著变量，以识别独立的危险因素，并对独立风险因素进行ROC分析，以获得截断值，如图3所示。
8、结果，镜像破裂PComAAs破裂共72例，其中，女性57例，男性12例。被分为破裂组和未破裂组。患者年龄区间34～83岁，平均58.18±11.22岁。在临床特征方面，有6人(8.33％)吸烟，8人(11.11％)饮酒。家族史方面，SAH家族史7例(9.72％)，动脉瘤家族史15例(15.28％)。高血压29例(40.28％)，高脂血症23例(31.94％)，糖尿病10例(13.89％)，动脉粥样硬化15例(20.83％)，脑梗死史5例(6.94％)，冠心病12例(16.67％)。根据Hunt-Hess量表，Ⅰ级5例(6.94％)，Ⅱ级47例(65.28％)，Ⅲ级14例(19.45％)，Ⅳ级6例(8.33％)。
72例镜像破裂PComAAs患者的临床特征见表1。
(1)形态学参数，
如表2所示，破裂组的大小、AR、SR和InA明显大于未破裂组(分别为P<0.001、P<0.001、P<0.001和P＝0.029；表2)。然而，BNF、HWR、VA、AIA、EI、UI、FPCA和NSI在两组间无显著差异，如表2所示。
表2
Figure BDA0003273376090000141
Figure BDA0003273376090000151
破裂组BNF、HWR、VA、EI、UI、FPCA、NSI均高于未破裂组。然而，AIA的差异的结果恰恰相反。破裂组较未破裂组更易出现不规则形状和分叉的动脉瘤，但差异无统计学意义。如表2所示，形态学参数的单变量统计分析结果。
(2)血流动力学因素
本发明共重建了144个患者特异性后交通动脉瘤模型。图2显示了一例典型破裂镜像PComAAs中WSS的分布图。与未破裂组相比，破裂组的定量血流动力学参数的NWSS和平均WSS显著降低。相反，破裂组的LSA％明显高于未破裂组。虽然，结果显示破裂组的OSI和RRT通常高于破裂组，但差异无统计学意义，如表3所示。
两组间的血流动力学定性参数差异无统计学意义。尽管与未破裂组相比，破裂动脉瘤可能具有不稳定的流动模式、集中的射入流和较小的冲击域，但结果都未达到统计学意义。如表3所示。如图2所示，一列代表性破裂镜像PComAA的WSS分布。表3为血流动力学参数的单变量统计分析结果。
表3
Figure BDA0003273376090000152
Figure BDA0003273376090000161
(3)多元Logistic回归与ROC分析
为确定预测破裂风险的独立参数，对重要的形态学参数(大小、AR、SR、InA)和血流动力学参数(NWSS、平均WSS、LSA％)进行多变量logistic回归分析。
如表4所示，两个形态学参数(AR和SR)和三个血流动力学参数(NWSS、平均WSS和LSA)是预测IAs破裂的独立预测因子。结果显示AR、SR、LSA增加了IAs破裂的风险。NWSS、平均WSS与IAs破裂呈负相关。如表4所示，表4为多元logistic回归分析结果。
表4
Figure BDA0003273376090000162
为确定IAs破裂的最佳阈值，对独立危险因素进行ROC分析。虽然AR(0.751)、NWSS(0.755)、平均WSS和LSA(0.778)有可接受的AUC值，但只有SR(0.803)具有较高的可接受AUC值。SR阈值为1.96。如图3所示，所有独立危险因素的受试者操作特征(ROC)曲线。
形态学和血流动力学参数与IAs破裂有关，控制这些参数可以帮助识别破裂风险特征。破裂的镜像PComAAs是在同一个病人的两侧颈内动脉后交通段有一个破裂后交通动脉瘤和一个未破裂后交通动脉瘤，可以提供理想的内部控制。首先，由于镜像破裂PComAAs一个破裂，另一个未破裂是来自同一个病人，临床参数的影响可能别平衡。其次，镜像破裂PComAAs位于后交通动脉两侧，因此，这可以排除位置对IAs破裂的影响。
在发明中，收集了72个破裂镜像PComAAs，分析14个形态学参数和8个血流动力学参数，目的是确定与IAs破裂的风险特征。结果显示虽然AR、NWSS、平均WSS、LSA是IAs破裂状态的独立风险因素，但SR是与IAs破裂最相关的参数。
本发明证明SR是与IAs破裂相关的最重要参数，本发明实施例证实SR的阈值为1.96。
随着AR的增加，动脉瘤的高度变大，或颈部变小，使得动脉瘤内的血流流动模式复杂以及血流速度变得缓慢。这些因素都可能引发动脉瘤管壁的炎症改变，然后增加破裂的风险。以前的研究证实，在AR的阈值在0.98～1.6之间，而本发明的AR值为1.32，正好在这个范围内。
WSS在IAs的发生、发展和破裂中起着重要作用。WSS是粘性血液与血管壁的摩擦力。WSS可以转化为生物信号。这些信号通过内皮细胞上的机械感受器调节血管壁的基因表达和细胞功能。对于镜像动脉瘤的CFD血流动力学研究，多数研究表明较高的LSA与IAs的破裂风险有关。
本发明表明，无论是IAs有没有分叉，较高的LSA和较低的WSS与动脉瘤破裂有关。低WSS可通过触发动脉粥样硬化和炎症途径使内皮细胞退化，最终导致IAs破裂。
在破裂的镜像PComAAs中，形态学参数可能受前哨痉挛的影响。形态学参数的改变可导致血流动力学参数的改变。血管痉挛影响血管形态(载瘤动脉)通常发生在蛛网膜下腔出血的第五天。本发明研究的所有破裂的镜像PcomAAs均在蛛网膜下腔出血后48小时内经DSA确诊。因此，血管痉挛很少影响形态学和血流动力学参数的计算。
虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。
参考文献
1.Li MH,Chen SW,Li YD,Chen YC,Cheng YS,Hu DJ,Tan HQ,Wu Q,Wang W,SunZK,Wei XE,Zhang JY,Qiao RH,Zong WH,Zhang Y,Lou W,Chen ZY,Zhu Y,Peng DR,DingSX,Xu XF,Hou XH,Jia WP.Prevalence of unruptured cerebral aneurysms in Chineseadults aged 35 to 75 years:a cross-sectional study.Ann Intern Med.(2013)159:514-521.doi:10.7326/0003-4819-159-8-201310150-00004.
2.Vlak MH,Algra A,Brandenburg R,Rinkel GJ.Prevalence of unrupturedintracranial aneurysms,with emphasis on sex,age,comorbidity,country,and timeperiod:a systematic review and meta-analysis.Lancet Neurol.(2011)10:626-636.doi:10.1016/S1474-4422(11)70109-0.
3.Morita A,Kirino T,Hashi K,Aoki N,Fukuhara S,Hashimoto N,Nakayama T,Sakai M,Teramoto A,Tominari S,Yoshimoto T.The natural course of unrupturedcerebral aneurysms in a Japanese cohort.N Engl J Med.(2012)366:2474-2482.doi:10.1056/NEJMoa1113260.
4.Wiebers DO,Whisnant JP,Huston J,Meissner I,Brown RD,Piepgras DG,Forbes GS,Thielen K,Nichols D,O'Fallon WM,Peacock J,Jaeger L,Kassell NF,Kongable-Beckman GL,Torner JC.Unruptured intracranial aneurysms:naturalhistory,clinical outcome,and risks of surgical and endovasculartreatment.Lancet.(2003)362:103-110.doi:10.1016/s0140-6736(03)13860-3.
5.Xiang J,Natarajan SK,Tremmel M,Ma D,Mocco J,Hopkins LN,Siddiqui AH,Levy EI,Meng H.Hemodynamic-morphologic discriminants for intracranialaneurysm rupture.Stroke.(2011)42:144-1452.doi:10.1161/STROKEAHA.110.592923.
6.Yuan J,Huang C,Li Z,Jiang X,Lai N,Wang X,Zhao X,Wu D,Liu J,Xia D,Fang X.Hemodynamic and Morphological Analysis of Mirror Aneurysms Prior toRupture.Neuropsychiatr Dis Treat.(2020)16:1339-1347.doi:10.2147/NDT.S254124.
7.Yuan J,Li Z,Jiang X,Lai N,Wang X,Zhao X,Wu D,Liu J,Xia D,Huang C,Fang X.Hemodynamic and Morphological Differences Between Unruptured Carotid-Posterior Communicating Artery Bifurcation Aneurysms and InfundibularDilations of the Posterior Communicating Artery.Front Neurol.(2020)11:741.doi:10.3389/fneur.2020.00741.
8.Lv N,Yu Y,Xu J,Karmonik C,Liu J,Huang Q.Hemodynamic andmorphological characteristics of unruptured posterior communicating arteryaneurysms with oculomotor nerve palsy.J Neurosurg.(2016)125:264-268.doi:10.3171/2015.6.JNS15267.
9.Cebral JR,Mut F,Weir J,Putman C.Quantitative characterization ofthe hemodynamic environment in ruptured and unruptured brain aneurysms.AJNRAm J Neuroradiol.(2011)32:145-151.doi:10.3174/ajnr.A2419.
10.Meissner I,Torner J,Huston J,Rajput ML,Wiebers DO,Jones LK,BrownRD.Mirror aneurysms:a reflection on natural history.J Neurosurg.(2012)116:1238-1241.doi:10.3171/2012.1.JNS11779.
11.Tian Z,Zhang Y,Jing L,Liu J,Zhang Y,and Yang,X.Rupture RiskAssessment for Mirror Aneurysms with Different Outcomes in the SamePatient.Front Neurol.(2016)7:219.doi:10.3389/fneur.2016.00219.
12.Liu HJ,Zhou H,Lu DL,Jiao YB,Chen SF,Cheng J,Yao XJ,Ren JY,Li SF,Liu W,Gao JC,Yue Y,Xu JX,Zhang PN,Feng YG.Intracranial Mirror Aneurysm:Epidemiology,Rupture Risk,New Imaging,Controversies,and TreatmentStrategies.World Neurosurg.(2019)127:165-175.doi:10.1016/j.wneu.2019.03.275.
13.Byrne G,Mut F,Cebral JR.Quantifying the large-scale hemodynamicsof intracranial aneurysms.AJNR Am J Neuroradiol.(2014)35:333-338.doi:10.3174/ajnr.A3678.
14.Tremmel M,Dhar S,Levy EI,Mocco J,Meng H.Influence of intracranialaneurysm-to-parent vessel size ratio on hemodynamics and implication forrupture:results from a virtual experimental study.Neurosurgery.(2009)64:622-630；discussion 630-1.doi:10.1227/01.NEU.0000341529.11231.69.
15.Ujiie H,Tachibana H,Hiramatsu O,Hazel AL,Matsumoto T,Ogasawara Y,Nakajima H,Hori T,Takakura K,Kajiya F.Effects of size and shape(aspect ratio)on the hemodynamics of saccular aneurysms:a possible index for surgicaltreatment of intracranial aneurysms.Neurosurgery.(1999)45:119-129；discussion129-30.doi:10.1097/00006123-199907000-00028.
16.Nader-Sepahi A,Casimiro M,Sen J,and Kitchen N D.Is aspect ratio areliable predictor of intracranial aneurysm rupture？Neurosurgery.(2004)54:1343-1347；discussion 1347-1348.doi:10.1227/01.neu.0000124482.03676.8b.
17.Morgan MK,Jonker B,Finfer S,Harrington T,Dorsch NW.Aggressivemanagement of aneurysmal subarachnoid haemorrhage based on a papaverineangioplasty protocol.J Clin Neurosci.(2000)7:305-8.doi:10.1054/jocn.1999.0224.

Claims (9)

1.一种颅内动脉瘤破裂预测模型的构建方法，其特征在于，所述方法包括以下步骤：
S1、从待预测患者颅内动脉瘤破裂组和未破裂组两组数据中，筛选出满足预测条件患者的三维影像数据模型；
S2、根据所述三维影像数据模型，获取Dicom格式或者STL格式文件三维数据模型，如果是Dicom格式文件采用Mimics 10.0转化为STL格式文件，后采用Gemagic studio 2013对所述STL格式文件三维数据模型进行处理，获得动脉瘤模型和载瘤动脉模型；
S3、对所述动脉瘤模型和载瘤动脉模型进行测量，获得动脉瘤模型和载瘤动脉模型的形态学数据模型；
S4、采用ANSYS ICEM CFD16.0对所述动脉瘤模型和载瘤模型进行网格划分，以cfx-5文件格式导出，并通过Ansys CFX-Pre进行条件设置，输出动脉瘤和载瘤动脉模型的def文件格式数据模型；
S5、根据所述动脉瘤和载瘤动脉模型的def文件格式数据模型，通过Ansys CFX进行运算，运算的800步的结果在Matlab 2014b平均化，利用ANSYS CFX-post 16.0，获得血流动力学数据模型；
S6、以动脉瘤模型和载瘤动脉模型的形态学数据模型、血流动力学数据模型，形成所述颅内动脉瘤破裂预测模型。
2.如权利要求1所述的颅内动脉瘤破裂预测模型的构建方法，其特征在于，
所述形态学数据包括2D组形态学数据以及3D组形态学数据；
所述2D组形态学数据为大小、大小比、长宽比、瓶颈因子、深宽比、射入角、载瘤动脉夹角、动脉瘤倾斜角、规则与否、分叉与否、胚胎型大脑后与否；
所述3D组形态学数据包括椭圆度指数、波动指数和非球形指数。
3.如权利要求1所述的颅内动脉瘤破裂预测模型的构建方法，其特征在于，
所述血流动力学数据包括定性血流动力学数据和定量血流动力学数据；
所述定量血流动力学数据包括归一化、平均WSS、低WSS面积比、剪切震荡指数和相对滞留时间；
所述定性血流动力学数据包括血流模式的稳定性、射入流的集中程度、冲击域的大小。
4.如权利要求1所述的颅内动脉瘤破裂预测模型的构建方法，其特征在于，
所述采用Gemagic studio 2013对所述STL格式文件三维数据模型进行处理包括：
删除钉状物设为40，近端至少保留到动脉瘤有一个弯曲，远端保留10mm。
5.如权利要求1所述的颅内动脉瘤破裂预测模型的构建方法，其特征在于，
所述步骤S4中，网格的最大值设为0.3mm，
所述动脉瘤模型至少要创建100万个有限元四面体网格。
6.如权利要求1所述的颅内动脉瘤破裂预测模型的构建方法，其特征在于，
所述步骤S4中，所述Ansys CFX-Pre进行条件设置包括：
将颅内血管壁设置为刚性壁，血液的流动模式设置为层流，血液性质设置为不可压缩的牛顿流体，密度设置为1.05×103Kg/m3，粘度设置为0.00345Pa·s；
将0.8s的心动周期划分为标准的800步，每步所经历的时间为0.001s；
入口条件是wprof方程曲线。
7.一种用于颅内动脉瘤破裂预测模型的构建装置，其特征在于，所述构建装置包括：
筛选模块，用于从待预测患者颅内动脉瘤破裂组和未破裂组两组数据中，筛选出满足预测条件患者的三维影像数据模型；
动脉瘤模型和载瘤动脉模型构建模块，用于根据所述三维影像数据模型，获取Dicom格式或者STL格式文件三维数据模型，如果是Dicom格式文件，采用Mimics 10.0转化为STL格式文件，后采用Gemagic studio 2013对所述Dicom格式或者STL格式文件三维数据模型进行处理，获得动脉瘤模型和载瘤动脉模型；
形态学数据模型构建模块，用于对所述动脉瘤模型和载瘤动脉模型进行测量，获得动脉瘤模型和载瘤动脉模型的形态学数据模型；
动脉瘤和载瘤动脉模型的def文件格式数据模型构建模块，用于采用ANSYS ICEMCFD16.0对所述动脉瘤模型和载瘤模型进行网格划分，以cfx-5文件格式导出，并通过AnsysCFX-Pre进行条件设置，输出动脉瘤和载瘤动脉模型的def文件格式数据模型；
血流动力学数据模型构建模块，用于根据所述动脉瘤和载瘤动脉模型的def文件格式数据模型，通过Ansys CFX进行运算，运算的800步的结果在Matlab 2014b平均化，利用ANSYS CFX 16.0-post，获得血流动力学数据模型；
颅内动脉瘤破裂预测模型构建模块，用于以动脉瘤模型和载瘤动脉模型的形态学数据模型、血流动力学数据模型，形成所述颅内动脉瘤破裂预测模型。
8.如权利要求7所述的用于颅内动脉瘤破裂预测模型的构建装置，其特征在于，
所述采用Gemagic studio 2013对所述STL格式文件三维数据模型进行处理包括：
删除钉状物设为40，近端至少保留到动脉瘤有一个弯曲，远端保留10mm；
所述步骤S4中，网格的最大值设为0.3mm；
所述动脉瘤模型至少要创建100万个有限元四面体网格；
所述Ansys CFX-Pre进行条件设置包括：
将颅内血管壁设置为刚性壁，血液的流动模式设置为层流，血液性质设置为不可压缩的牛顿流体，密度设置为1.05×103Kg/m3，粘度设置为0.00345Pa·s；
将0.8s的心动周期划分为标准的800步，每步所经历的时间为0.001s；
入口条件是wprof方程曲线。
9.一种用于颅内动脉瘤破裂预测模型，其特征在于，所述预测模型采用权利要求1-6中任一所述的颅内动脉瘤破裂预测模型的构建方法构建而成。
CN202111108850.XA 2021-09-22 2021-09-22 一种预测颅内动脉瘤破裂模型的构建方法及该装置 Pending CN113744883A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111108850.XA CN113744883A (zh) 2021-09-22 2021-09-22 一种预测颅内动脉瘤破裂模型的构建方法及该装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111108850.XA CN113744883A (zh) 2021-09-22 2021-09-22 一种预测颅内动脉瘤破裂模型的构建方法及该装置

Publications (1)

Publication Number Publication Date
CN113744883A true CN113744883A (zh) 2021-12-03

Family

ID=78740277

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111108850.XA Pending CN113744883A (zh) 2021-09-22 2021-09-22 一种预测颅内动脉瘤破裂模型的构建方法及该装置

Country Status (1)

Country Link
CN (1) CN113744883A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116919374A (zh) * 2023-07-19 2023-10-24 西安交通大学 颅内动脉瘤及载瘤动脉内血流动力学参数评估方法及系统
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

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
WO2021098768A1 (zh) * 2019-11-22 2021-05-27 强联智创（北京）科技有限公司 一种动脉瘤破裂风险评估方法及系统
CN113066583A (zh) * 2021-03-30 2021-07-02 昆明同心医联科技有限公司 动脉瘤破裂风险预测方法、装置及存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
WO2021098768A1 (zh) * 2019-11-22 2021-05-27 强联智创（北京）科技有限公司 一种动脉瘤破裂风险评估方法及系统
CN113066583A (zh) * 2021-03-30 2021-07-02 昆明同心医联科技有限公司 动脉瘤破裂风险预测方法、装置及存储介质

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
YUAN ET AL.: "Hemodynamic and Morphological Analysis of Mirror Aneurysms Prior to Rupture", 《NEUROPSYCHIATRIC DISEASE AND TREATMENT》, vol. 16, 31 December 2020 (2020-12-31), pages 2 - 3 *
YUAN ET AL.: "Hemodynamic and Morphological Parameters of Ruptured Mirror Posterior Communicating Artery Aneurysms", 《FRONTIERS IN NEUROLOGY》, vol. 12, 27 September 2021 (2021-09-27) *
徐瑾瑜等: "破裂与未破裂镜像后交通动脉瘤形态与血流动力学分析", 《中国微侵袭神经外科杂志》, no. 09, 20 September 2013 (2013-09-20) *
温凌字等: "基于形态学分析的后交通动脉瘤破裂风险评分预测模型", 《介入放射学杂志》, vol. 27, no. 10, 31 October 2018 (2018-10-31), pages 919 *
王晖等: "直径≤7 mm颅内动脉瘤破裂的危险因素分析和预测模型构建", 《中国脑血管病杂志》, no. 10, 18 October 2018 (2018-10-18) *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116919374A (zh) * 2023-07-19 2023-10-24 西安交通大学 颅内动脉瘤及载瘤动脉内血流动力学参数评估方法及系统
CN116919374B (zh) * 2023-07-19 2024-04-12 西安交通大学 颅内动脉瘤及载瘤动脉内血流动力学参数评估方法及系统
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
CN113744883A (zh) 一种预测颅内动脉瘤破裂模型的构建方法及该装置
Kulcsár et al. Hemodynamics of cerebral aneurysm initiation: the role of wall shear stress and spatial wall shear stress gradient
Berg et al. A review on the reliability of hemodynamic modeling in intracranial aneurysms: why computational fluid dynamics alone cannot solve the equation
Lindgren et al. Irregular shape of intracranial aneurysm indicates rupture risk irrespective of size in a population-based cohort
Evju et al. A study of wall shear stress in 12 aneurysms with respect to different viscosity models and flow conditions
Sugiyama et al. Relative residence time prolongation in intracranial aneurysms: a possible association with atherosclerosis
Lee et al. A fluid–structure interaction study using patient-specific ruptured and unruptured aneurysm: The effect of aneurysm morphology, hypertension and elasticity
Weddell et al. Hemodynamic analysis in an idealized artery tree: differences in wall shear stress between Newtonian and non-Newtonian blood models
Xu et al. Influence of aging-induced flow waveform variation on hemodynamics in aneurysms present at the internal carotid artery: A computational model-based study
Shin et al. Comparison of potential risks between intracranial and extracranial vertebral artery dissections
Sen et al. Image segmentation methods for intracranial aneurysm haemodynamic research
Khan et al. On the prevalence of flow instabilities from high-fidelity computational fluid dynamics of intracranial bifurcation aneurysms
Sofia et al. Cardiac surveillance for early detection of late subclinical cardiac dysfunction in childhood cancer survivors after anthracycline therapy
Can et al. Morphological parameters associated with middle cerebral artery aneurysms
Li et al. Predictive modelling of thrombus formation in diabetic retinal microaneurysms
Jia et al. Combination of magnetic resonance angiography and computational fluid dynamics may predict the risk of stroke in patients with asymptomatic carotid plaques
Omodaka et al. Influence of surface model extraction parameter on computational fluid dynamics modeling of cerebral aneurysms
Fukuda et al. Differences in cerebral aneurysm rupture rate according to arterial anatomies depend on the hemodynamic environment
Asadbeygi et al. Predicting hemodynamic indices in coronary artery aneurysms using response surface method: An application in Kawasaki disease
Kancheva et al. Imaging markers of intracranial aneurysm development: a systematic review
Yuan et al. Hemodynamic and morphological parameters of ruptured mirror posterior communicating artery aneurysms
Adekanmi et al. Utilization of uterine and umbilical artery doppler in the second and third trimesters to predict adverse pregnancy outcomes: a Nigerian experience
Wu et al. Advancement in the haemodynamic study of intracranial aneurysms by computational fluid dynamics
Xu et al. Morphological and hemodynamic risk factors for the rupture of proximal anterior cerebral artery aneurysms (A1 segment)
Kang et al. Numerical investigation of carotid stenosis in three-dimensional aortic-cerebral vasculature: Pulsatility index, resistive index, time to peak velocity, and flow characteristics

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