CN114266767A - 颅内动脉瘤图像的形态学参数的测量方法及装置 - Google Patents
颅内动脉瘤图像的形态学参数的测量方法及装置 Download PDFInfo
- Publication number
- CN114266767A CN114266767A CN202210104156.9A CN202210104156A CN114266767A CN 114266767 A CN114266767 A CN 114266767A CN 202210104156 A CN202210104156 A CN 202210104156A CN 114266767 A CN114266767 A CN 114266767A
- Authority
- CN
- China
- Prior art keywords
- aneurysm
- parent artery
- neck
- intracranial
- blood
- 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
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种颅内动脉瘤图像的形态学参数的测量方法及装置,能够通过机器学习自动识别载瘤动脉血管名称以及与该载瘤动脉相交的至少两根血管的名称,在自动识别出血管名称后,根据临床学知识库可以自动识别载瘤动脉中的血液在载瘤动脉与两根血管相交位置之间的血液流向,即可以自动识别出载瘤动脉上与两根血管相交的两个位置上的定位点之间的上下游关系,无需人工手动在载瘤血管的上游和下游给出两点定位点来确定血流流向,提高测量的自动化程度。
Description
技术领域
本发明涉及脑部图像处理技术领域,特别涉及一种颅内动脉瘤图像的形态学参数的测量方法及装置。
背景技术
颅内动脉瘤是一种脑血管病理性的扩张,在成年人中的发病率为3%~5%。颅内动脉瘤主要发生在40~60岁,女性发病率高于男性,同时20%~30%的患者有多发动脉瘤。颅内动脉瘤一旦破裂将会导致蛛网膜下腔出血(SAH),而其中高达35%的患者预后不良[1]。动脉瘤第一次破裂会有25%的人有生命危险,原因是一旦破裂会导致广泛的蛛网膜下腔出血,导致严重脑损伤。包括广泛脑血管痉挛(导致重要脑组织功能受损),脑内血肿,颅内压力增高诱发脑疝(脑疝可导致突然昏迷,呼吸心跳停止)等,都会威胁生命。颅内早期发现动脉瘤并对其进行测量,评估破裂风险,在临床中这有利于对未破裂的动脉瘤制定手术治疗决定[2]。而颅内动脉瘤形态学改变可以反映其发生、增长、破裂的过程,动脉瘤参数与制定治疗计划、预测破裂风险等紧密相关,因此,颅内动脉瘤的形态学测量是临床诊治的基础。目前,颅内动脉瘤的测量分为传统的人工测量与创新的自动测量,随着智能技术的发展,自动测量已显现出越来越重要的地位[3]。
自动测量的优势主要体现在针对同一动脉瘤进行多次测量的结果可具有良好的一致性,如授权公告号为CN109345585B、CN109493348B、CN109472780B、CN109389637B等四篇中国专利文献分别公开的颅内动脉瘤图像的形态学参数的测量方法。上述的颅内动脉瘤图像的形态学参数的测量方法虽然能够一定程度上实现自动测量,但仍然需辅以部分人工手动操作(即需要手动选择种子点和定位点),测量的自动化程度有待提高。
发明内容
本发明的目的在于至少解决现有技术中存在的技术问题之一,提供一种颅内动脉瘤图像的形态学参数的测量方法及装置,能够自动识别出血管中血液的流动方向,提高测量的自动化程度。
第一方面,本发明提供了一种颅内动脉瘤图像的形态学参数的测量方法,所述方法包括:
将分割好的血管骨架图像输入到名称模型中确定相应血管的血管名称;其中,所述名称模型为使用多组训练数据通过机器学习训练得到的,所述多组训练数据中的每一组训练数据包括:分割好的血管骨架图像和用来标识该血管的血管名称的标识信息;
根据载瘤动脉的血管名称、与所述载瘤动脉相交的至少两根血管的血管名称以及所述至少两根血管与载瘤动脉相交的位置确定载瘤动脉的血流流向;
根据所述载瘤动脉的血液流向,计算颅内动脉瘤图像相应的形态学参数。
第二方面本发明提供了一种颅内动脉瘤图像的形态学参数的测量装置,所述装置包括:
名称确定模块,用于将分割好的血管骨架图像输入到名称模型中确定相应血管的血管名称;其中,所述名称模型为使用多组训练数据通过机器学习训练得到的,所述多组训练数据中的每一组训练数据包括:分割好的血管骨架图像和用来标识该血管的血管名称的标识信息;
流向确定模块,用于根据载瘤动脉的血管名称、与所述载瘤动脉相交的至少两根血管的血管名称以及所述至少两根血管与载瘤动脉相交的位置确定载瘤动脉的血流流向;
形态学计算模块,用于根据所述载瘤动脉的血液流向,计算颅内动脉瘤图像相应的形态学参数。
第三方面,本发明实施例提供一种电子设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如本发明第一方面实施例中任一项所述的一种颅内动脉瘤图像的形态学参数的测量方法。
第四方面,本发明实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如本发明第一方面实施例中任一项所述的一种颅内动脉瘤图像的形态学参数的测量方法。
相较于现有技术中,需要人工手动在载瘤血管的上游和下游给出两点定位点来确定血流流向的方案;本发明中提供的一种颅内动脉瘤图像的形态学参数的测量方法及装置,能够通过机器学习自动识别载瘤动脉血管名称以及与该载瘤动脉相交的至少两根血管的名称,在自动识别出血管名称后,根据临床学知识库可以自动识别载瘤动脉中的血液在载瘤动脉与两根血管相交位置之间的血液流向,即可以自动识别出载瘤动脉上与两根血管相交的两个位置上的定位点之间的上下游关系,无需人工手动在载瘤血管的上游和下游给出两点定位点来确定血流流向,提高测量的自动化程度。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
下面结合附图和实施例对本发明进一步地说明;
图1为一个实施例中颅内动脉瘤图像的形态学参数的测量方法的流程示意。
图2为一个实施例中颅内动脉瘤图像的形态学参数的测量方法的流程示意。
图3为一个实施例中颅内动脉瘤图像的形态学参数的测量方法的流程示意。
图4为一个实施例中颅内动脉瘤图像的形态学参数的测量方法的流程示意。
图5为一个实施例中颅内动脉瘤图像的形态学参数的测量装置的结构框图。
图6为一个实施例中动脉瘤位于载瘤动脉之外的示意图。
图7为一个实施例中动脉瘤位于载瘤动脉之内的示意图。
图8为一个实施例中动脉瘤位于载瘤动脉之内的示意图。
图9为一个实施例中计算机设备的结构框图。
附图标记:
110、名称确定模块;120、流向确定模块;130、形态学计算模块;61、第一血管;62、第二血管;63、第三血管。
具体实施方式
本部分将详细描述本发明的具体实施例,本发明之较佳实施例在附图中示出,附图的作用在于用图形补充说明书文字部分的描述,使人能够直观地、形象地理解本发明的每个技术特征和整体技术方案,但其不能理解为对本发明保护范围的限制。
本文引用的非专利文献如下:
[1]王超,孙超.颅内动脉瘤的研究进展[J].中华神经外科杂志,2017,33(8):4.
[2]Sichtermann,Faron,Sijben,et al.Deep Learning-Based Detection ofIntracranial Aneurysms in 3D TOF-MRA.[J].AJNR.American journal ofneuroradiology,2018.
[3]中国医师协会神经介入专业委员会,中国颅内动脉瘤计划研究组,张鸿祺,等.颅内动脉瘤影像学判读专家共识[J].中国脑血管病杂志,2021,18(7):13.
需要说明的是,本发明对授权公告号为CN109345585B、CN109493348B、CN109472780B、CN109389637B等四篇中国专利文献分别公开的颅内动脉瘤图像的形态学参数的测量方法的进一步改进,其中一方面的目的是能够自动识别出血管中血液的流动方向,提高测量的自动化程度。
上述的一系列专利方法在执行颅内动脉瘤图像的分割流程时,需要通过人工识别出血流流向,从而需要分别在载瘤血管的上下游分别选取出两点定位点,在完成颅内动脉瘤图像的分割之后,才能够实现自动的形态学参数的测量。显然现有技术中存在着自动化程度不高的问题,因此本发明对现有技术进行了改进,提供了一种颅内动脉瘤图像的形态学参数的测量方法及装置。
下面,将通过几个具体的实施例对本发明实施例提供的一种颅内动脉瘤图像的形态学参数的测量方法进行详细介绍和说明。
如图1所示,在一个实施例中,提供了一种颅内动脉瘤图像的形态学参数的测量方法。本实施例主要以该方法应用于计算机设备来举例说明。该计算机设备具体可以是终端或服务器。
参照图1,该颅内动脉瘤图像的形态学参数的测量方法具体包括如下步骤:
步骤S202,将分割好的血管骨架图像输入到名称模型中确定相应血管的血管名称;其中,所述名称模型为使用多组训练数据通过机器学习训练得到的,所述多组训练数据中的每一组训练数据包括:分割好的血管骨架图像和用来标识该血管的血管名称的标识信息。
可以理解的是,TOF-MRA(Time of flight-MRA)基于流入增强效应无需注射对比剂的无创MRA亮血成像技术,是临床应用最广泛的MRA技术。TOF MRA主要用于头颈部血管和下肢血管的成像。通过TOF MRA成像技术可以获取原始DICOM数据,如何从原始DICOM数据中识别出载瘤动脉以及分割出载瘤动脉的血管骨架属于现有技术,此处不再赘述。
进一步的,本实施例以分割好的血管骨架图像作为输入、以医生手动标注的各血管及血管名称为输出,通过机器学习方式训练名称模型。具体的,从提取的血管骨架图像中随机提取80×80×80的图像块通过数据增强完成旋转、缩放、翻转等操作以提高样本的丰富性来作为输入,医生手动标注的各个血管及血管名称为输出,随后通过初始化的Mask R-CNN实例分割网络进行训练模型。通过损失函数计算分割结果与金标准之间的误差,并利用反向传播和随机梯度下降(SGD)算法最小化损失函数,优化网络权重。随后利用名称模型进行推理将待预测的血管骨架图像输入训练好的名称模型,得到各个血管对应的血管名称。
步骤S204,根据载瘤动脉的血管名称、与所述载瘤动脉相交的至少两根血管的血管名称以及所述至少两根血管与载瘤动脉相交的位置确定载瘤动脉的血流流向;
具体的,步骤S204具体包括:
步骤S2041,根据载瘤动脉(即载瘤血管)的血管名称,从临床学知识库中确定各根血管与载瘤动脉相交的位置沿载瘤动脉的血液流向对应的上下游关系。
步骤S2042,根据与所述载瘤动脉相交的至少两根血管的血管名称、所述至少两根血管与载瘤动脉相交的位置以及所述上下游关系确定载瘤动脉的血流流向。
在一个示例中,如图6所示,根据临床学知识库可知,第二血管62(本示例中第二血管62为载瘤血管)存在两条相交的血管,分别为第一血管61和第三血管63,根据临床学知识库可知第二血管62的血流流向如图中带箭头的虚线的指向,即先流经第一血管61再流经第三血管63,第一血管61与第二血管62相交的位置位于第三血管63与第二血管62相交位置的上游。显然,参照授权公告号为CN109345585B的专利的说明书[0065]段可知,本实施例中可以通过计算机直接在第二血管62上与第一血管61相交的位置任意选取一个点作为上游的定位点,在第二血管62上与第三血管63相交的位置任意选取一个点作为下游的定位点,从而代替现有技术中需要人工来识别血流流向从而选取上下游定位点的方案。
步骤S206,根据所述载瘤动脉的血液流向,计算颅内动脉瘤图像相应的形态学参数。
可知,通过步骤S204自动选取上下游的定位点之后,可以参照授权公告号为CN109345585B的专利中的方法分割颅内动脉瘤图像,从而完成后续的计算颅内动脉瘤图像相应的形态学参数的操作。
相较于现有技术中,需要人工手动在载瘤血管的上游和下游给出两点定位点来确定血流流向的方案;本发明中提供的一种颅内动脉瘤图像的形态学参数的测量方法及装置,能够通过机器学习自动识别载瘤动脉血管名称以及与该载瘤动脉相交的至少两根血管的名称,在自动识别出血管名称后,根据临床学知识库可以自动识别载瘤动脉中的血液在载瘤动脉与两根血管相交位置之间的血液流向,即可以自动识别出载瘤动脉上与两根血管相交的两个位置上的定位点之间的上下游关系,无需人工手动在载瘤血管的上游和下游给出两点定位点来确定血流流向,提高测量的自动化程度。
可以理解的是,本发明作为对授权公告号为CN109345585B、CN109493348B、CN109472780B、CN109389637B等四篇中国专利文献分别公开的颅内动脉瘤图像的形态学参数的测量方法的进一步改进,本发明中测量的形态学参数在包括上述专利公开的参数的基础上,还进一步提出了新的参数测量方法,对于上述专利已经公开的参数本文不再赘述,以下提供了更丰富的反映了血流动力学参数的测量方法,使得医生能够通过计算机技术更加便捷准确进行动脉瘤破裂风险的判断。
参照图2,在分割完颅内动脉瘤图像之后,所述计算颅内动脉瘤图像相应的形态学参数,具体包括:
步骤S302,利用分割的颅内动脉瘤图像生成颅内动脉瘤表面,计算动脉瘤瘤颈中心,具体包括:利用分割的颅内动脉瘤图像生成颅内动脉瘤表面,所述颅内动脉瘤表面与所述载瘤血管表面相交,交集即为瘤颈。
步骤S304,根据所述瘤颈,计算该瘤颈的空间几何中心,以该几何中心作为动脉瘤瘤颈中心。
步骤S306,将所述瘤颈边缘与载瘤动脉相交的两个点的连线,作为参考线。
步骤S308,根据动脉瘤瘤颈中心与动脉瘤直径远端的位置关系确定常规侧边瘤在载瘤动脉弯曲段的位置。
如图6所示,其示出了相同形态的动脉瘤生长在载瘤动脉弯曲段的不同位置时的状态,其对应的入射角度可能是相同的。(入射角度的定义参见文献[3],入射角度是指载瘤动脉中心线与动脉瘤最大径方向所呈的平面投影夹角。)如图所示,对于位于弯曲段外弧位置的动脉瘤而言,其动脉瘤瘤颈中心为B点,其瘤颈边缘与载瘤动脉相交的两个点分别为A和C,其入射角度为θ。对于位于弯曲段内弧位置的动脉瘤而言,其动脉瘤瘤颈中心为B’点,其瘤颈边缘与载瘤动脉相交的两个点分别为A’和C’,其入射角度为θ’。载瘤动脉中心线为图6中第二血管62内部的带箭头的虚线,关于载瘤动脉中心线的提取详见授权公告号为CN109345585B的专利,此处不再赘述。一般来说,由于血管是弯曲的,以载瘤动脉中心线上的切线方向作为此处血流流向。θ’约等于θ,在通过计算机自动测量动脉瘤的形态学参数时,由于现有技术中一般只考虑入射角度的大小,认为入射角度过大时破裂风险较高,应该及时采取栓塞等手术治疗手段,当计算机认为入射角度较小时,会给出破裂风险较低的提示。
可以理解的是,当动脉瘤位于弯曲段的内弧位置时,虽然入射角度较大,但是由于血流在弯曲位置处具有继续向外弧方向流动的惯性,所以内弧处的动脉瘤受到的冲击力会比外弧小;反过来说,当动脉瘤位于弯曲段的外弧位置时,虽然入射角度较小,但是由于血流在弯曲位置处具有继续向外弧方向流动的惯性,所以外弧处的动脉瘤受到的冲击力会比较大。入射角在动脉瘤形态学参数中是动脉瘤破裂的独立危险因素,其具有统计学意义,例如根据统计结果得到破裂的多组动脉瘤中其入射角范围为(135.6±10.2)°,未破裂的多组动脉瘤中其入射角范围为(114.2±12.2)°,那么在利用计算机自动测量动脉瘤形态学参数时,现有技术仅会对入射角范围为(135.6±10.2)°的动脉瘤病情进行高风险提醒,而入射角范围为(114.2±12.2)°的动脉瘤病情,可能容易被医生忽略,若入射角范围为(114.2±12.2)°的动脉瘤位于弯曲位置的外弧处,则其受到的冲击力也会导致动脉瘤存在很高的破裂风险,此时容易耽误病人的治疗。之所以存在上述问题,是由于现有技术中计算机在进行入射角的统计学分析时,并未将动脉瘤位于血管弯曲位置的内弧处或外弧处所受冲击力不同作为分析因素考虑进去。即现有技术中都只能够向医生提供入射角度这一单一的参数,计算机测量形态学参数时无法对动脉瘤在弯曲段的位置进行判断;即使医生考虑到弯曲位置这一因素后,医生后期诊断时仍然需要通过人工方式查看动脉瘤图像才能够发现动脉瘤在弯曲段的位置,这无疑增加了医生的工作量;并且当医生需要进行大量动脉瘤图像查看时,也很容易由于连续作业导致疲倦而忽略,存在安全隐患。而本发明则考虑到了上述问题,提供了一种能够自动测量出动脉瘤位于动脉弯曲段位置的方法,在识别出动脉瘤位于动脉弯曲段位置之后还可以控制报警装置发出警报信号,提醒医生及时注意。具体而言,警报信号可以是在终端显示器上显示的一段文字,该文字的内容包括载瘤动脉的血管名称,其用于提示动脉瘤位于相应载瘤动脉弯曲段的外侧,便于医生及时得知是哪根血管;例如“请注意,动脉瘤位于XX血管弯曲段的外侧,破裂风险较高,请做进一步核实!”。并且当检测到动脉瘤的入射角虽然处于未破裂的多组动脉瘤的入射角范围内,但是当检测到该动脉瘤位于血管弯曲段的外侧时,仍然会发出警报信号;例如“请注意,动脉瘤的入射角范围处于未破裂组范围,但是动脉瘤位于XX血管弯曲段的外侧,请进一步判断破裂风险!”。进一步的,当动脉瘤位于血管弯曲段的外弧位置时,如果检测到动脉瘤的入射角虽然位于破裂组范围之外,但是与破裂组范围下限值相差小于阈值时(例如可以是5°),也会发出警报信号。
确定常规侧边瘤在载瘤动脉弯曲段的位置之前需要先确定动脉瘤是否位于弯曲段。具体为:
沿着血流流向做垂直于载瘤动脉中心线的截面,当该截面经过与所述瘤颈相交的第一个点时,记录此时截面与载瘤动脉中心线的交点P2作为中间端点,该截面沿着血流流向继续沿着载瘤动脉中心线向前移动,当该截面经过与所述瘤颈相交的最后一个点时,记录当前点P3为末端点。再从中间端点开始逆着血流流向在载瘤动脉中心线上移动一段距离取一个点P1作为首端点。判断首端点P1、中间端点P2和末端点P3三点是否共线,若三点不共线则说明动脉瘤位于弯曲段。需要说明的是,此处从中间端点开始逆着血流流向在载瘤动脉中心线上移动一段距离取一个点作为首端点的原因是,当血流从P1流向P2时,由于血流具有惯性,如果P1、P2、P3三点不共线,从P1流向P2的血液必然会由于惯性作用而冲击到动脉瘤中。所以通过本实施例提供的方法,即使动脉瘤的开口位于血管的直线段上,但是其上游邻近位置为弯曲段,则也认为从P1流向P2的血液必然会由于惯性作用而冲击到动脉瘤中,此时该方法将位于直线段的动脉瘤也判断位于弯曲段,提高了判断的精度。可以理解的是,P2和P3由于血流具有惯性,P1到P2的长度可以根据临床经验设置,此处不做限制。
在另一个实施例中,在确定P1、P2、P3之后,由于载瘤动脉中心线的曲率是已知的,因此可以直接计算P1至P3经过的载瘤动脉中心线的曲率。一个示例中,P1至P3经过的载瘤动脉中心线的各处曲率均不为0时,则意味着动脉瘤开口的上游是弯曲段的,此时判断动脉瘤位于弯曲段。另一个示例中,P1至P2经过的载瘤动脉中心线的各点曲率不为0,P2至P3经过的载瘤动脉中心线的各点曲率为0(即动脉瘤位于直线段)时,则意味着动脉瘤开口的上游是弯曲段的,则也认为动脉瘤位于弯曲段。
步骤S308具体如下:
当动脉瘤瘤颈中心与动脉瘤直径远端位于参考线同一侧时,常规侧边瘤在载瘤动脉弯曲段的外弧位置。
可以理解的是,动脉瘤直径的定义可参照授权公告号为CN109389637B的专利公开的内容,此处不再赘述。在确定动脉瘤直径之后,规定动脉瘤直径的两端分别为近端和远端,其中近端为动脉瘤瘤颈中心,远端为动脉瘤上与瘤颈中心点连线的最大值的点。如图6所示,B点为动脉瘤瘤颈中心,B点与动脉瘤直径远端位于参考线AC同一侧,则判定常规侧边瘤在载瘤动脉弯曲段的外弧位置。
当动脉瘤瘤颈中心与动脉瘤直径远端位于参考线的两侧时,常规侧边瘤在载瘤动脉弯曲段的内弧位置。同理,B’点为动脉瘤瘤颈中心,B’点与动脉瘤直径远端位于参考线AC的两侧,则判定常规侧边瘤在载瘤动脉弯曲段的内弧位置。
本实施例中,提供了能够测量出动脉瘤中的常规侧边瘤在载瘤动脉弯曲段的位置的方法,考虑到当载瘤动脉中的血液流经弯曲段时,由于惯性作用,血液会在弯曲段存在一个向外弧方向的冲击力,因此对于常规侧边瘤而言,当入射角度相同时,位于外弧位置的动脉瘤会承受更大的冲击力,破裂风险更大,因此在诊断的时候不仅需要考虑入射角度,还得考虑动脉瘤在弯曲段的位置,以便为动脉瘤破裂风险评估提供更精确的参数。
可以理解的是,如图7和图8所示,破裂的内膜可引起血管壁内血肿形成,进而可能形成位于载瘤动脉内的动脉瘤。显然对于该类型的动脉瘤其形态学的测量方法与现有技术也存在不同。以下提供了两个实施例来说明对该类型的动脉瘤的形态学参数的测量方法。
在一个实施例中,如图3所示,所述计算颅内动脉瘤图像相应的形态学参数,还包括:(载瘤动脉内各处的血流流向为载瘤动脉中心线从上游到下游延伸时的切线方向,即图7和8中带箭头的虚线)
步骤402,检测到动脉瘤直径远端位于载瘤动脉内时,将从动脉瘤瘤颈中心指向动脉瘤直径远端的方向作为生长方向。
步骤404,计算载瘤动脉内瘤颈位置处的血流流向与生长方向所成夹角,作为血流阻碍角。
如图7所示,该示例中,载瘤动脉内的血流流向由下至上,载瘤动脉中的动脉瘤则是斜向下生长(即逆着血流流向生长),此时血流阻碍角为β。根据力学分析,当血液冲击在动脉瘤的外壁上时,会由于动脉瘤外壁表面与血流流向的角度而导致动脉瘤外壁表面受到的冲击力大小不同。当血流流向与动脉瘤外壁表面完全平行时冲击力最小,垂直时冲击力最大。如图7所示,反映在血流阻碍角上就是,β越大动脉瘤外壁受到的冲击力越大。
本实施例中,考虑到动脉瘤位于载瘤动脉内的情况,当动脉瘤位于载瘤动脉内时,动脉瘤的生长方向会决定动脉瘤受到的血流冲击力的大小。显然当动脉瘤顺着瘤颈位置处的血流流向生长时(即血流阻碍角较小),血流作用于动脉瘤表面的冲击力分量小,破裂风险较低;而当动脉瘤逆着瘤颈位置处的血流流向生长时(即血流阻碍角较大),血流作用于动脉瘤表面的冲击力分量大,破裂风险较高。因此在诊断的时候通过分析血流阻碍角,能够为动脉瘤破裂风险评估提供更精确的参数。
参照图8,在一个实施例中,所述计算颅内动脉瘤图像相应的形态学参数,还包括:
步骤502,检测到动脉瘤直径远端位于载瘤动脉内时,做同时经过载瘤动脉的载瘤动脉中心线和所述动脉瘤直径远端的截面。
步骤504,将在所述截面上的动脉瘤面积与载瘤动脉面积之比,作为血流阻碍比。
做垂直于载瘤动脉中心线的截面,如图8所示,当截面DD’经过动脉瘤直径远端时,此时计算截面上的动脉瘤面积与载瘤动脉面积之比作为血流阻碍比。可以理解的是,血流阻碍比反映了动脉瘤对于血流的阻碍程度,血流阻碍比越大则阻碍程度越高,不仅动脉瘤破裂风险高,而且由于整个载瘤动脉的压力升高,对于载瘤动脉也存在损伤的隐患。现有技术中医生想要载瘤动脉内的动脉瘤对载瘤动脉的阻碍情况一般需要人工操作分割好的血管骨架三维图像在多个视角观察动脉瘤与载瘤动脉横截面积的占比,存在很多不便。而本实施例中,在判断出动脉瘤位于载瘤动脉内之后,会自动计算血流阻碍比,方便了医生后续的诊断。
可以理解的是,如何判断动脉瘤位于载瘤动脉的内部还是外部属于现有技术,例如,可以在识别出动脉瘤对应的像素之后,通过比较动脉瘤对应的像素与载瘤动脉的空间坐标关系来判读动脉瘤位于载瘤动脉内部还是外部,此处不再赘述。
本实施例中,考虑到动脉瘤位于载瘤动脉内的情况,当动脉瘤位于载瘤动脉内时,除了血流阻碍角会影响到血液对动脉瘤的冲击力之外,如果动脉瘤的最大横截面积位置阻碍的血流过大也会造成局部血液增高,导致动脉瘤外壁和血管壁受到压力增高,破裂风险提高。因此在诊断的时候通过分析血流阻碍比,能够为动脉瘤破裂风险评估提供更精确的参数。
另一方面,如图5所示,本实施例还提供了一种颅内动脉瘤图像的形态学参数的测量装置,所述装置包括:
名称确定模块110,用于将分割好的血管骨架图像输入到名称模型中确定相应血管的血管名称;其中,所述名称模型为使用多组训练数据通过机器学习训练得到的,所述多组训练数据中的每一组训练数据包括:分割好的血管骨架图像和用来标识该血管的血管名称的标识信息;
流向确定模块120,用于根据载瘤动脉的血管名称、与所述载瘤动脉相交的至少两根血管的血管名称以及所述至少两根血管与载瘤动脉相交的位置确定载瘤动脉的血流流向;
形态学计算模块130,用于根据所述载瘤动脉的血液流向,计算颅内动脉瘤图像相应的形态学参数。
在一个实施例中,所述流向确定模块120还用于:
根据载瘤动脉的血管名称,从临床学知识库中确定各根血管与载瘤动脉相交的位置沿载瘤动脉的血液流向对应的上下游关系;
根据与所述载瘤动脉相交的至少两根血管的血管名称、所述至少两根血管与载瘤动脉相交的位置以及所述上下游关系确定载瘤动脉的血流流向。
在一个实施例中,所述形态学计算模块130,还用于:
利用分割的颅内动脉瘤图像生成颅内动脉瘤表面,计算动脉瘤瘤颈中心,具体包括:利用分割的颅内动脉瘤图像生成颅内动脉瘤表面,所述颅内动脉瘤表面与所述载瘤血管表面相交,交集即为瘤颈;
根据所述瘤颈,计算该瘤颈的空间几何中心,以该几何中心作为动脉瘤瘤颈中心;
将所述瘤颈边缘与载瘤动脉相交的两个点的连线,作为参考线;
根据动脉瘤瘤颈中心与动脉瘤直径远端的位置关系确定常规侧边瘤在载瘤动脉弯曲段的位置:
当动脉瘤瘤颈中心与动脉瘤直径远端位于参考线同一侧时,常规侧边瘤在载瘤动脉弯曲段的外弧位置;
当动脉瘤瘤颈中心与动脉瘤直径远端位于参考线的两侧时,常规侧边瘤在载瘤动脉弯曲段的内弧位置。
在一个实施例中,所述形态学计算模块130,还用于:
检测到动脉瘤直径远端位于载瘤动脉内时,将从动脉瘤瘤颈中心指向动脉瘤直径远端的方向作为生长方向;
计算载瘤动脉内瘤颈位置处的血流流向与生长方向所成夹角,作为血流阻碍角。
在一个实施例中,其特征在于,所述形态学计算模块130,还用于:
检测到动脉瘤直径远端位于载瘤动脉内时,做同时经过载瘤动脉的载瘤动脉中心线和所述动脉瘤直径远端的截面;
将在所述截面上的动脉瘤面积与载瘤动脉面积之比,作为血流阻碍比。
可以理解的是,本发明的装置实施例与方法实施例基于相同的发明构思,此处不再赘述。
图9示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是终端(或服务器)。如图9所示,该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统,还可存储有计算机程序,该计算机程序被处理器执行时,可使得处理器实现颅内动脉瘤图像的形态学参数的测量方法。该内存储器中也可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行颅内动脉瘤图像的形态学参数的测量方法。本领域技术人员可以理解,图9中示出的结构,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,本申请提供的颅内动脉瘤图像的形态学参数的测量装置可以实现为一种计算机程序的形式,计算机程序可在如图9所示的计算机设备上运行。计算机设备的存储器中可存储组成该颅内动脉瘤图像的形态学参数的测量装置的各个程序模块,比如,图5所示的名称确定模块110、流向确定模块120和形态学计算模块130。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的颅内动脉瘤图像的形态学参数的测量方法中的步骤。
例如,图9所示的计算机设备可以通过如图5所示的颅内动脉瘤图像的形态学参数的测量装置中的名称确定模块110执行将分割好的血管骨架图像输入到名称模型中确定相应血管的血管名称的步骤。通过流向确定模块120执行根据载瘤动脉的血管名称、与所述载瘤动脉相交的至少两根血管的血管名称以及所述至少两根血管与载瘤动脉相交的位置确定载瘤动脉的血流流向的步骤。通过形态学计算模块130执行根据所述载瘤动脉的血液流向,计算颅内动脉瘤图像相应的形态学参数的步骤。
在一个实施例中,提供了一种电子设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时执行上述颅内动脉瘤图像的形态学参数的测量方法的步骤。此处颅内动脉瘤图像的形态学参数的测量方法的步骤可以是上述各个实施例的颅内动脉瘤图像的形态学参数的测量方法中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行上述颅内动脉瘤图像的形态学参数的测量方法的步骤。此处颅内动脉瘤图像的形态学参数的测量方法的步骤可以是上述各个实施例的颅内动脉瘤图像的形态学参数的测量方法中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRA)、存储器总线(Rambus)直接RAM(RDRA)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
Claims (10)
1.一种颅内动脉瘤图像的形态学参数的测量方法,其特征在于,所述方法包括:
将分割好的血管骨架图像输入到名称模型中确定相应血管的血管名称;其中,所述名称模型为使用多组训练数据通过机器学习训练得到的,所述多组训练数据中的每一组训练数据包括:分割好的血管骨架图像和用来标识该血管的血管名称的标识信息;
根据载瘤动脉的血管名称、与所述载瘤动脉相交的至少两根血管的血管名称以及所述至少两根血管与载瘤动脉相交的位置确定载瘤动脉的血流流向;
根据所述载瘤动脉的血液流向,计算颅内动脉瘤图像相应的形态学参数。
2.根据权利要求1所述的一种颅内动脉瘤图像的形态学参数的测量方法,其特征在于,所述根据载瘤动脉的血管名称、与所述载瘤动脉相交的至少两根血管的血管名称以及所述至少两根血管与载瘤动脉相交的位置确定载瘤动脉的血流流向,具体包括:
根据载瘤动脉的血管名称,从临床学知识库中确定各根血管与载瘤动脉相交的位置沿载瘤动脉的血液流向对应的上下游关系;
根据与所述载瘤动脉相交的至少两根血管的血管名称、所述至少两根血管与载瘤动脉相交的位置以及所述上下游关系确定载瘤动脉的血流流向。
3.根据权利要求1所述的一种颅内动脉瘤图像的形态学参数的测量方法,其特征在于,所述计算颅内动脉瘤图像相应的形态学参数,包括:
利用分割的颅内动脉瘤图像生成颅内动脉瘤表面,计算动脉瘤瘤颈中心,具体包括:利用分割的颅内动脉瘤图像生成颅内动脉瘤表面,所述颅内动脉瘤表面与所述载瘤血管表面相交,交集即为瘤颈;
根据所述瘤颈,计算该瘤颈的空间几何中心,以该几何中心作为动脉瘤瘤颈中心;
将所述瘤颈边缘与载瘤动脉相交的两个点的连线,作为参考线;
根据动脉瘤瘤颈中心与动脉瘤直径远端的位置关系确定常规侧边瘤在载瘤动脉弯曲段的位置:
当动脉瘤瘤颈中心与动脉瘤直径远端位于参考线同一侧时,常规侧边瘤在载瘤动脉弯曲段的外弧位置;
当动脉瘤瘤颈中心与动脉瘤直径远端位于参考线的两侧时,常规侧边瘤在载瘤动脉弯曲段的内弧位置。
4.根据权利要求1所述的一种颅内动脉瘤图像的形态学参数的测量方法,其特征在于,所述计算颅内动脉瘤图像相应的形态学参数,包括:
检测到动脉瘤直径远端位于载瘤动脉内时,将从动脉瘤瘤颈中心指向动脉瘤直径远端的方向作为生长方向;
计算载瘤动脉内瘤颈位置处的血流流向与生长方向所成夹角,作为血流阻碍角。
5.根据权利要求1至4任一项所述的一种颅内动脉瘤图像的形态学参数的测量方法,其特征在于,所述计算颅内动脉瘤图像相应的形态学参数,包括:
检测到动脉瘤直径远端位于载瘤动脉内时,做同时经过载瘤动脉的载瘤动脉中心线和所述动脉瘤直径远端的截面;
将在所述截面上的动脉瘤面积与载瘤动脉面积之比,作为血流阻碍比。
6.一种颅内动脉瘤图像的形态学参数的测量装置,其特征在于,所述装置包括:
名称确定模块,用于将分割好的血管骨架图像输入到名称模型中确定相应血管的血管名称;其中,所述名称模型为使用多组训练数据通过机器学习训练得到的,所述多组训练数据中的每一组训练数据包括:分割好的血管骨架图像和用来标识该血管的血管名称的标识信息;
流向确定模块,用于根据载瘤动脉的血管名称、与所述载瘤动脉相交的至少两根血管的血管名称以及所述至少两根血管与载瘤动脉相交的位置确定载瘤动脉的血流流向;
形态学计算模块,用于根据所述载瘤动脉的血液流向,计算颅内动脉瘤图像相应的形态学参数。
7.根据权利要求6所述的一种颅内动脉瘤图像的形态学参数的测量装置,其特征在于,所述流向确定模块还用于:
根据载瘤动脉的血管名称,从临床学知识库中确定各根血管与载瘤动脉相交的位置沿载瘤动脉的血液流向对应的上下游关系;
根据与所述载瘤动脉相交的至少两根血管的血管名称、所述至少两根血管与载瘤动脉相交的位置以及所述上下游关系确定载瘤动脉的血流流向。
8.根据权利要求6所述的一种颅内动脉瘤图像的形态学参数的测量装置,其特征在于,所述形态学计算模块,还用于:
利用分割的颅内动脉瘤图像生成颅内动脉瘤表面,计算动脉瘤瘤颈中心,具体包括:利用分割的颅内动脉瘤图像生成颅内动脉瘤表面,所述颅内动脉瘤表面与所述载瘤血管表面相交,交集即为瘤颈;
根据所述瘤颈,计算该瘤颈的空间几何中心,以该几何中心作为动脉瘤瘤颈中心;
将所述瘤颈边缘与载瘤动脉相交的两个点的连线,作为参考线;
根据动脉瘤瘤颈中心与动脉瘤直径远端的位置关系确定常规侧边瘤在载瘤动脉弯曲段的位置:
当动脉瘤瘤颈中心与动脉瘤直径远端位于参考线同一侧时,常规侧边瘤在载瘤动脉弯曲段的外弧位置;
当动脉瘤瘤颈中心与动脉瘤直径远端位于参考线的两侧时,常规侧边瘤在载瘤动脉弯曲段的内弧位置。
9.根据权利要求6所述的一种颅内动脉瘤图像的形态学参数的测量装置,其特征在于,所述形态学计算模块,还用于:
检测到动脉瘤直径远端位于载瘤动脉内时,将从动脉瘤瘤颈中心指向动脉瘤直径远端的方向作为生长方向;
计算载瘤动脉内瘤颈位置处的血流流向与生长方向所成夹角,作为血流阻碍角。
10.根据权利要求6至9任一项所述的一种颅内动脉瘤图像的形态学参数的测量装置,其特征在于,所述形态学计算模块,还用于:
检测到动脉瘤直径远端位于载瘤动脉内时,做同时经过载瘤动脉的载瘤动脉中心线和所述动脉瘤直径远端的截面;
将在所述截面上的动脉瘤面积与载瘤动脉面积之比,作为血流阻碍比。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210104156.9A CN114266767B (zh) | 2022-01-27 | 2022-01-27 | 颅内动脉瘤图像的形态学参数的测量方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210104156.9A CN114266767B (zh) | 2022-01-27 | 2022-01-27 | 颅内动脉瘤图像的形态学参数的测量方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114266767A true CN114266767A (zh) | 2022-04-01 |
CN114266767B CN114266767B (zh) | 2022-08-23 |
Family
ID=80833376
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210104156.9A Active CN114266767B (zh) | 2022-01-27 | 2022-01-27 | 颅内动脉瘤图像的形态学参数的测量方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114266767B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120201446A1 (en) * | 2009-07-15 | 2012-08-09 | Mayo Foundation For Medical Education And Research | Computer-aided detection (cad) of intracranial aneurysms |
CN103892818A (zh) * | 2012-12-28 | 2014-07-02 | 吴健康 | 一种无创中心动脉血压测量方法和设备 |
CN103917165A (zh) * | 2011-08-26 | 2014-07-09 | Ebm株式会社 | 用于血流性状诊断的系统、其方法及计算机软件程序 |
CN109345585A (zh) * | 2018-10-26 | 2019-02-15 | 强联智创(北京)科技有限公司 | 一种颅内动脉瘤图像的形态学参数的测量方法及系统 |
CN109389637A (zh) * | 2018-10-26 | 2019-02-26 | 强联智创(北京)科技有限公司 | 一种颅内动脉瘤图像的形态学参数的测量方法及系统 |
CN109472780A (zh) * | 2018-10-26 | 2019-03-15 | 强联智创(北京)科技有限公司 | 一种颅内动脉瘤图像的形态学参数的测量方法及系统 |
CN109493348A (zh) * | 2018-10-26 | 2019-03-19 | 强联智创(北京)科技有限公司 | 一种颅内动脉瘤图像的形态学参数的测量方法及系统 |
CN110827242A (zh) * | 2019-10-23 | 2020-02-21 | 华中科技大学 | 一种基于卷积神经网络的颅内动脉瘤检测方法及系统 |
CN110866914A (zh) * | 2019-11-21 | 2020-03-06 | 北京冠生云医疗技术有限公司 | 脑动脉瘤血流动力学指标的评估方法、系统、设备及介质 |
US20200085318A1 (en) * | 2016-06-02 | 2020-03-19 | Aneuscreen Ltd. | Method and system for monitoring a condition of cerebral aneurysms |
-
2022
- 2022-01-27 CN CN202210104156.9A patent/CN114266767B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120201446A1 (en) * | 2009-07-15 | 2012-08-09 | Mayo Foundation For Medical Education And Research | Computer-aided detection (cad) of intracranial aneurysms |
CN103917165A (zh) * | 2011-08-26 | 2014-07-09 | Ebm株式会社 | 用于血流性状诊断的系统、其方法及计算机软件程序 |
CN103892818A (zh) * | 2012-12-28 | 2014-07-02 | 吴健康 | 一种无创中心动脉血压测量方法和设备 |
US20200085318A1 (en) * | 2016-06-02 | 2020-03-19 | Aneuscreen Ltd. | Method and system for monitoring a condition of cerebral aneurysms |
CN109345585A (zh) * | 2018-10-26 | 2019-02-15 | 强联智创(北京)科技有限公司 | 一种颅内动脉瘤图像的形态学参数的测量方法及系统 |
CN109389637A (zh) * | 2018-10-26 | 2019-02-26 | 强联智创(北京)科技有限公司 | 一种颅内动脉瘤图像的形态学参数的测量方法及系统 |
CN109472780A (zh) * | 2018-10-26 | 2019-03-15 | 强联智创(北京)科技有限公司 | 一种颅内动脉瘤图像的形态学参数的测量方法及系统 |
CN109493348A (zh) * | 2018-10-26 | 2019-03-19 | 强联智创(北京)科技有限公司 | 一种颅内动脉瘤图像的形态学参数的测量方法及系统 |
CN110827242A (zh) * | 2019-10-23 | 2020-02-21 | 华中科技大学 | 一种基于卷积神经网络的颅内动脉瘤检测方法及系统 |
CN110866914A (zh) * | 2019-11-21 | 2020-03-06 | 北京冠生云医疗技术有限公司 | 脑动脉瘤血流动力学指标的评估方法、系统、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114266767B (zh) | 2022-08-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210322102A1 (en) | Systems and methods of processing images to determine patient-specific plaque progression based on the processed images | |
US10456094B2 (en) | Systems and methods for numerically evaluating vasculature | |
CN109069014B (zh) | 用于估计在冠状动脉中的健康管腔直径和狭窄定量的系统和方法 | |
Shum et al. | Quantitative assessment of abdominal aortic aneurysm geometry | |
Ma et al. | Three-dimensional geometrical characterization of cerebral aneurysms | |
US20180243033A1 (en) | Systems and Methods for Identifying Anatomically Relevant Blood Flow Characteristics in a Patient | |
Piccinelli et al. | Automatic neck plane detection and 3D geometric characterization of aneurysmal sacs | |
CN113066061B (zh) | 一种基于mra的动脉瘤检测方法、系统、终端及介质 | |
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 | |
WO2015184169A1 (en) | Systems and methods for reporting blood flow characteristics | |
CN111415321B (zh) | 动脉瘤破裂风险检测装置及设备 | |
WO2009056147A1 (en) | Method for calculating pressures in a fluid stream through a tube section, especially a blood vessel with atherosclerotic plaque | |
JPWO2017047819A1 (ja) | 血管形状分析装置、その方法、及びそのコンピュータソフトウェアプログラム | |
CN110223781B (zh) | 一种多维度斑块破裂风险预警系统 | |
CN113077887B (zh) | 大脑白质病变自动化定量分析系统与判读方法 | |
CN114881975A (zh) | 预测动脉瘤破裂潜能的系统、方法、电子设备及介质 | |
CN114898882A (zh) | 基于超声对右心功能进行评估的方法和系统 | |
CN114266767B (zh) | 颅内动脉瘤图像的形态学参数的测量方法及装置 | |
CN113180824A (zh) | 用于微导管塑形的塑形针形态模拟方法、装置、计算机设备和存储介质 | |
CN113995388B (zh) | 血流储备分数计算方法、装置、电子设备及可读存储介质 | |
Berkowitz | Development of metrics to describe cerebral aneurysm morphology | |
Niemann et al. | Classification of cardiac cohorts based on morphological and hemodynamic features derived from 4D PC-MRI data | |
Juchler | Shape-based analysis of intracranial aneurysms | |
Valencia Muñoz | Characterization of intracranial aneurysms in middle cerebral artery (MCA) | |
Hsu | Medical Imaging Techniques for Characterizing Cerebral Angioarchitecture |
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 |