CN114271939A - 动脉瘤手术规划方法、装置、电子设备及可读存储介质 - Google Patents
动脉瘤手术规划方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN114271939A CN114271939A CN202111299082.0A CN202111299082A CN114271939A CN 114271939 A CN114271939 A CN 114271939A CN 202111299082 A CN202111299082 A CN 202111299082A CN 114271939 A CN114271939 A CN 114271939A
- Authority
- CN
- China
- Prior art keywords
- aneurysm
- tumor
- blood vessel
- vessel
- carrying
- 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
- 206010002329 Aneurysm Diseases 0.000 title claims abstract description 192
- 238000000034 method Methods 0.000 title claims abstract description 79
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 206010028980 Neoplasm Diseases 0.000 claims abstract description 92
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 87
- 238000010968 computed tomography angiography Methods 0.000 claims abstract description 34
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 34
- 238000004458 analytical method Methods 0.000 claims abstract description 19
- 230000002792 vascular Effects 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 20
- 238000004088 simulation Methods 0.000 claims description 18
- 238000005520 cutting process Methods 0.000 claims description 13
- 230000000694 effects Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 9
- 230000008602 contraction Effects 0.000 claims description 7
- 238000011478 gradient descent method Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000012952 Resampling Methods 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 20
- 238000005259 measurement Methods 0.000 abstract description 8
- 238000003745 diagnosis Methods 0.000 abstract description 5
- 238000002601 radiography Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 18
- 238000004590 computer program Methods 0.000 description 11
- 201000008450 Intracranial aneurysm Diseases 0.000 description 5
- 230000017531 blood circulation Effects 0.000 description 4
- 239000002872 contrast media Substances 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000010102 embolization Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000035699 permeability Effects 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 208000032382 Ischaemic stroke Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000001627 cerebral artery Anatomy 0.000 description 1
- 238000007428 craniotomy Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000013152 interventional procedure Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000009417 prefabrication Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000000472 traumatic effect Effects 0.000 description 1
- 208000019553 vascular disease Diseases 0.000 description 1
Images
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请公开了一种动脉瘤手术规划方法、装置、电子设备及可读存储介质，其所述方法包括：获取目标患者的CT血管造影图像；基于卷积神经网络模型，从CT血管造影图像识别出动脉瘤；对载有动脉瘤的载瘤血管进行重建，得到所述载瘤血管三维模型；对载瘤血管三维模型进行几何分析，得到动脉瘤和所述载瘤血管的几何结构特征；根据动脉瘤的几何结构特征，模拟出首发弹簧圈，以对动脉瘤填塞；根据载瘤血管的几何结构特征，模拟出血管支架，以对载瘤血管填塞。本申请涵盖了动脉瘤诊断和治疗一体化的过程，能够根据患者的CT造影图像，能够实现动脉瘤和载瘤血管的自动测量，并通过模拟出合适弹簧圈和血管支架，为手术规划提供有力的基础。
Description
技术领域
本申请涉及医疗技术领域，具体涉及一种动脉瘤手术规划方法、装置、电子设备及可读存储介质。
背景技术
颅内动脉瘤是一种严重威胁人类健康的疾病，具有很高的发病率。尽管在诊断和治疗方面已经有了很大进展，但动脉瘤一旦破裂，其致残率、病死率仍然很高，该病总病死率约为40％～50％。颅内动脉瘤是人类脑动脉的永久性扩张，据估计在30-75岁人群的患病率为3.5％至7％。与其他血管疾病(例如缺血性中风)相比，年轻人通常会受到影响。此外，多达30％的患者患有不止一个动脉瘤，这甚至增加了病例数，并具有破裂的潜在风险。
颅内动脉瘤的治疗主要依靠手术的方法来进行治疗手术方法，主要包括两种，第一种为传统的开颅手术，找到颅内动脉瘤使用动脉瘤夹将其夹闭。具体是在动脉瘤颈部放置一个金属夹，立即阻止任何血液流入囊中。然而，夹子仍留在头部内，在干预过程中存在受伤的风险。第二种可以采取血管介入的方法使用弹簧圈将动脉瘤进行致密栓塞。通过导管将弹簧圈引入动脉瘤，使其体积减少，导致进入血液的流速降低，理想情况下导致动脉瘤完全闭塞。实践中需要对动脉瘤放入多个弹簧圈进行栓塞，其中第一个弹簧圈(首发弹簧圈)的选择非常重要，负责整个动脉瘤弹簧圈的整体框架和成篮。然而由于重力和血流动力，弹簧圈可能不会一直保留在动脉瘤中，弹簧圈脱落可能导致载瘤动脉阻塞。因此，目前临床会用血管支架辅助弹簧圈进行栓塞。血管支架被部署在动脉瘤瘤颈位置，血管支架的低孔隙率大大减少了流入动脉瘤囊的血液，另一个优势降低穿孔风险，血管支架的初步结果显示完全闭塞率高，手术风险低。临床上一般推荐患者采取血管介入的方法来进行治疗，特别是血管支架辅助弹簧圈栓塞，相对来说创伤较小，患者恢复速度快，但费用较高。
动脉瘤血管介入手术治疗过程中，由于动脉瘤识别和测量的差异性，导致不同医生对于同一动脉瘤的同一指标测量差异较大，测量的准确性和可重复性较差，影响治疗效果。所有测量都是医生手工测量和评估，也会增加医生的工作量，降低了医生工作效率。同时，所有血管介入手术都是基于医生主观经验来选择，没有对手术结果进行评估。
发明内容
为解决上述问题，本申请实施例提供了一种动脉瘤手术规划方法、装置、电子设备及可读存储介质。
第一方面，提供了一种动脉瘤手术规划方法，所述方法包括：
获取目标患者的CT血管造影图像；
基于卷积神经网络模型，从所述CT血管造影图像识别出动脉瘤；
对载有动脉瘤的载瘤血管进行重建，得到所述载瘤血管三维模型；
对所述载瘤血管三维模型进行几何分析，得到所述动脉瘤和所述载瘤血管的几何结构特征；
根据所述动脉瘤的几何结构特征，模拟出首发弹簧圈，以对所述动脉瘤填塞；
根据所述载瘤血管的几何结构特征，模拟出血管支架，以对所述载瘤血管填塞。
可选的，在上述方法中，所述基于卷积神经网络模型，从所述CT血管造影图像识别出动脉瘤，包括：
使所述CT造影图像进入所述卷积神经网络模型，以识别动脉瘤；其中，所述卷积神经网络模型是通过下述方法训练的：
基于收缩路径，缩小所述CT造影图像的图像大小，以获取所述CT造影图像的上下文信息；
基于扩展路径，对缩小后的CT造影图像进行重采样，得到所述CT造影图像的全像素分辨率图像；
基于向前传播，确定所述基于所述卷积神经网络模型的每像素或然预测输出集；
根据所述每像素或然预测输出集与已注释的动脉瘤图像，确定损失函数；
基于向前传播，根据所述损失函数，通过最陡梯度下降法，对所述卷积神经网络模型进行参数值更新。
可选的，在上述方法中，所述对载有动脉瘤的载瘤血管进行重建，得到所述载瘤血管三维模型，包括：
对所述CT血管造影图形进行预处理，以消除伪影图像偏差；
对预处理后的CT血管造影图像进行管状增强滤波处理；
根据所述CT血管造影图像中各体素的原始数据以及管状增强滤波结果，确定所述载瘤血管的中心线；
围绕所述载瘤血管的中心线，建立所述载瘤血管三维模型。
可选的，在上述方法中，所述对所述载瘤血管三维模型进行几何分析，得到所述载瘤血管上的动脉瘤的几何结构特征，包括：
对所述载瘤血管三维模型的表面建立网格，并使所述网格的平均单元质量指数达到预设值；
采用平行切割平面，对所述载瘤血管上的动脉瘤进行切割；
根据切割得到的动脉瘤，确定所述动脉瘤的多维尺寸指标，作为所述动脉瘤的几何结构特征。
可选的，在上述方法中，所述根据所述动脉瘤的几何结构特征，模拟出首发弹簧圈，以对动脉瘤填塞，包括：
创建颈部的虚拟表面，在所述虚拟表面预留一小孔，所述小孔连接动脉瘤；
根据所述动脉瘤的几何结构特征，模拟出圆柱形结构的初始首发弹簧圈；
将所述初始首发弹簧圈包裹在微导管中；
使包裹有初始首发弹簧圈的微导管通过所述小孔，进入所述动脉瘤的囊中，并使所述初始首发弹簧圈回弹至自然状态，得到模拟动脉瘤；
根据所述模拟动脉瘤与所述动脉瘤的几何特征比对结果，对所述初始首发弹簧圈进行微调，得到首发弹簧圈。
可选的，在上述方法中，所述基于所述载瘤血管的几何结构特征，模拟出血管支架，以对所述载瘤血管填塞，包括：
围绕所述载瘤血管的中心线模拟出多个形点；
基于所述多个形点，建立虚拟血管支架；
使所述血管支架依赖于三变量三谐波样条的自由形式变形，以确定所述虚拟血管支架的变形参数；
根据所述虚拟血管支架的变形效果，对所述变形参数进行迭代更新，直到达到收敛要求，以模拟出血管支架。
可选的，在上述方法中，所述基于所述多个形点，建立虚拟血管支架，包括：
建立虚拟血管支架，所述虚拟血管支架为包含所述多个形点的圆柱体；
假设所述虚拟血管支架的密集网状结构被假定为多孔介质，通过向控制流动方程添加动量源项，以模拟虚拟血管支架的孔隙度，其中，所述动量源项包括：粘性损失项和惯性损失项。
第二方面，提供了一种动脉瘤手术规划装置，所述装置包括：
获取单元，用于获取目标患者的CT血管造影图像；
识别单元，用于基于卷积神经网络模型，从所述CT血管造影图像识别出动脉瘤；
重建单元，用于对载有动脉瘤的载瘤血管进行重建，得到所述载瘤血管三维模型；
分析单元，用于对所述载瘤血管三维模型进行几何分析，确定所述动脉瘤和所述载瘤血管的几何结构特征；
第一模拟单元，用于根据所述动脉瘤的几何结构特征，模拟出首发弹簧圈，以对所述动脉瘤填塞；
第二模拟单元，用于根据所述载瘤血管的几何结构特征，模拟出血管支架，以对所述载瘤血管填塞。
第三方面，本申请实施例还提供了一种电子设备，包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行上述任一的方法。
第四方面，本申请实施例还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一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行上述任一的方法。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：
本申请涵盖了动脉瘤诊断和治疗一体化的过程，能够根据患者的CT造影图像，能够实现动脉瘤和载瘤血管的自动测量，并通过模拟出合适弹簧圈和血管支架，为手术规划提供有力的基础，为临床医生提供辅助治疗决策，弥补了现有技术的不足之处。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1示出根据本申请的一个实施例的动脉瘤手术规划方法的流程示意图；
图2示出了本申请的一个实施例的对动脉瘤识别的流程示意图；
图3(包括图3-a～图3-c)示出了根据本申请的一个动脉瘤识别的结果示；意图；
图4(包括图4-a～图4-d)示出了根据本申请的一个实施例的对动脉瘤进行几何分析的示意图；
图5示出了根据本申请的一个实施例的首发弹簧圈的模拟过程的示意图；
图6示出了根据本申请的一个实施例的模拟血管直接的示意图；
图7示出根据本申请的一个实施例的动脉瘤手术规划装置的结构示意图；
图8为本申请实施例中一种电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
以下结合附图，详细说明本申请各实施例提供的技术方案。
本申请的构思在于，本申请针对动脉瘤治疗过程中遇到的难题，提供了一种动脉瘤手术规划方法，在该方法中，涵盖了动脉瘤诊断和治疗一体化的过程，其中包括动脉瘤的识别、测量、手术规划等，为动脉瘤的治疗提供了可靠的依据。
图1示出根据本申请的一个实施例的动脉瘤手术规划的流程示意图，从图1可以看出，本申请至少包括步骤S110～步骤S160：
步骤S110：获取目标患者的CT血管造影图像。
CT血管造影图像是通过对患者进行CT血管造影手术得来，在CT血管造影手术中获得的通常是CT血管造影影像，而影像是由一帧一帧图像组成的，在本申请中，只需要一张或者几张CT血管造影影像的关键帧即可，这里记为CT血管造影图像，需要说明的是，在本申请的一些实施例中，对CT血管造影影像有一定的格式要求，如影像数据必须符合DICOM格式。
步骤S120：基于卷积神经网络模型，从所述CT血管造影图像识别出动脉瘤。
对于动脉瘤的识别可参考现有技术中的图像识别中的任意一种，卷积神经网络模型由于出色的识别效果，常用图像中的目标物体或人体的识别。在本申请的一些实施例中，推荐使用一种U-Net的20层神经网络训练得到的卷积神经网络模型。图2示出了本申请的一个实施例的对动脉瘤识别的流程示意图，从图2可以看出，卷积神经网络模型由20层神经网络组成，输入为目标患者的CT血管造影图像，在输出中，会在CT血管造影图像标注出动脉瘤病灶。
步骤S130：对载有动脉瘤的载瘤血管进行重建，得到所述载瘤血管三维模型。
然后对载有动脉瘤的载瘤血管进行重建，本申请的一些实施例给出了一种自动提取CT血管造影图像特征和载瘤血管重建的方法，主要包括三个步骤：图像预处理、图像提取、后处理和重建。经过预处理和增强，定向每个体素都可以计算；然后根据血管方向提取中心线和血管权重；最后，我们对结果进行后处理，进行血管重建，最终得到所述载瘤血管三维模型。
步骤S140：对所述载瘤血管三维模型进行几何分析，得到所述动脉瘤和所述载瘤血管的几何结构特征。
为了后续的模拟过程，需要先确定动脉瘤和载瘤血管的几何结构特征，以动脉瘤为例，几何结构特征包括但不限于多维尺寸特征等，如一维尺寸指标动脉瘤长径、动脉瘤高度、瘤颈直径等；二维指标尺寸比、瘤颈比等；三维指标体积、表面积等。
对于载瘤血管，包括但不限于载瘤血管的粗细、走向、形状等等。
通过对所述载瘤血管三维模型进行几何分析即可得到上述信息。
步骤S150：根据所述动脉瘤的几何结构特征，模拟出首发弹簧圈，以对所述动脉瘤填塞。
弹簧圈是用来填塞动脉瘤的，尤其是首发弹簧圈是极为重要的。本申请根据动脉瘤的几何结构特征，模拟出首发弹簧圈，能够更加贴合目标患者的个性化需求，极大程度上降低了医生选择何种规格的弹簧圈作为首发弹簧圈的时间和难度。
需要说明的是，在实际应用中，弹簧圈通常都是预制好的，各种不同型号和规格的，本申请的一些实施例中，根据动脉瘤的几何结构特征，模拟出一种首发弹簧圈，然后在多个预制好的弹簧圈中，选择一种与模拟的首发弹簧圈最为相似的一种作为首发弹簧圈。或者在模拟的过程中，直接模拟出一种与预制的一致的弹簧圈作为首发弹簧圈。
步骤S160：根据所述载瘤血管的几何结构特征，模拟出血管支架，以对所述载瘤血管填塞。
除了首发弹簧圈外，还需要血管支架对载瘤血管进行填塞。本申请还可以根据载瘤血管的几何结构特征，模拟出血管支架，以辅助首发弹簧圈。
基于首发弹簧圈和血管支架的模拟结果，可以辅助医生进行手术规划，选择更为精准的手术器械。
由图1所示的方法可以看出，本申请涵盖了动脉瘤诊断和治疗一体化的过程，能够根据患者的CT造影图像，能够实现动脉瘤和载瘤血管的自动测量，并通过模拟出合适弹簧圈和血管支架，为手术规划提供有力的基础，为临床医生提供辅助治疗决策，弥补了现有技术的不足之处。
在本申请的一些实施例中，该卷积神经网络模型是通过下述方法训练的：基于收缩路径，缩小所述CT造影图像的图像大小，以获取所述CT造影图像的上下文信息；基于扩展路径，对缩小后的CT造影图像进行重采样，得到所述CT造影图像的全像素分辨率图像；基于向前传播，确定所述基于所述卷积神经网络模型的每像素或然预测输出集；根据所述每像素或然预测输出集与已注释的动脉瘤图像，确定损失函数；基于向前传播，根据所述损失函数，通过最陡梯度下降法，对所述卷积神经网络模型进行参数值更新。
U-net是一个卷积神经网络，它由收缩和扩展路径以及将收缩和扩展路径的特征组合起来的连接路径组成。当图像特征图通过连续层时，收缩路径减小了图像特征图的大小，避开像素相关的局部信息以获得更大规模的上下文信息。扩展路径对来自收缩路径的低分辨率信息进行上采样，最终重新建立输入图像的全像素分辨率。卷积神经网络的训练过程包括前向传播和后向传播的连续迭代。前向传播涉及将输入图像纳入网络，最终返回对应的每像素或然预测输出集，即位于动脉瘤内。将此输出与用户注释的病灶图像进行比较会产生一个损失，这里计算为负骰子系数，它测量用户注释的动脉瘤图像和卷积神经网络预测的图像之间的重叠：
其中，Loss表示损失函数，D为骰子系数。
反向传播使用损失函数通过最陡梯度下降法更新参数值，最速下降的方向是通过计算公式：
最小化损失的更新过程是通过Adam优化算法执行的，在本申请的一些实施例中，步长为1×10-5。初始权重是随机选择的，均值为0。卷积神经网络调整权重的方差以产生与有效训练兼容的激活函数。如图3所示，图3(包括图3-a～图3-c)示出了根据本申请的一个动脉瘤识别的结果示意图，本申请的卷积神经网络模型能够准确识别动脉瘤。
在本申请的一些实施例中，在上述方法中，所述对载有动脉瘤的载瘤血管进行重建，得到所述载瘤血管三维模型，包括：对所述CT血管造影图形进行预处理，以消除伪影图像偏差；对预处理后的CT血管造影图像进行管状增强滤波处理；根据所述CT血管造影图像中各体素的原始数据以及管状增强滤波结果，确定所述载瘤血管的中心线；围绕所述载瘤血管的中心线，建立所述载瘤血管三维模型。
当血液中含有造影剂时，在血管血液流动中捕获动态CT血管造影图像(增强CTA图像)。在造影剂通过血管时，CT强度显示高值，之后随着造影剂的消失逐渐还原到正常状态效果。为了捕捉造影剂的整个过程，使用了最大强度投影融合来整合所有数据，但是动态CTA图像经常受到伪影造成的数据错误的影响，包括患者动作造成的伪影，总是以强度非均匀性为性能。在本申请的一些实施例中，通过增加一个阈值来改进最大强度投影处理参数，处理强度的突变。如果一个体素的时间梯度超过阈值时，它将不会被投射。利用该方程计算了不同时间内相同位置的每个体素的梯度：
增加适当的阈值ξ被设置为最大值并消除误差图像。方程是：
I(v)＝Max(I(v，ti))，ΔIi＜ξ，v∈R3；
为了提取血管特征，采用多尺度管状滤波器，用于增强数据中不同半径的管状结构。三维医学影像将影像视为影像函数I(x,y,z)，并进行二阶推导泰勒展开。
其中X0为体素，
为图像函数的一阶导数，H(x0)为二阶导数。二阶导数反映了图像的曲率，它等于梯度的变化。每个体素都有六个不同的二阶导数维数，形成Hessian矩阵：
Hessian矩阵H可由特征方程求解，结果是三个特征值(它们的绝对值为λ1<λ2<λ3)和它们的对应特征向量(E1,E2,E3)。不同的结构有自己的特点规则在三个特征值中。血管增强公式为：
其中D是图像的维数，α，β和c控制Frangi过滤器。在这个函数中，RA区分了片状和线状，RB表示与斑点状结构的偏离，S表示与斑点状结构的区别任何结构。这样每个体素都有自己的原始数据和管状增强滤波结果，用于计算中心线的初始方程:
M(x，y，z)＝Fmix(x，y，z)·I(x，y，z)·mask(x，y，z)；
其中Fmix为多尺度管状增强滤波的结果，I为原始密度，mask是去除原始数据中多余部分的函数。结果是定义为归一化后的初始数据M，取M中的每个体素值为血管的概率。我们选择一个体素其值为M中的全局最大值，并将其标记为初始位置。然后，根据体素的最优尺度和方向设置搜索区域，进行搜索中心线体素，提取一条中心线后，三维区域生长可以发现整个血管部分。通过迭代发现不同的M新全局最大值，可以提取下一条中心线。通过迭代上述过程来搜索中心线，使用阈值M为终止条件控制整个血管中心线的提取。根据上述条件，通过搜索引入后处理动态搜索区域SR(x,y,z)内的目标点，由位置定义P(x,y,z)，方向D(x,y,z)，半径r(x,y,z)和当前端点的搜索参数点：
SR(x，y，z)＝P(x，y，z)+D(x，y，z)·r(x，y，z)·spi；
搜索参数spi是一个变量值，它以固定的步长增加。如果在搜索区域中有目标点，则重新连接。否则，将连接到更大的搜索下一个迭代区域。继续使用相同的方法，提取另一条中心线。通过该中心线，进行血管的重建计算，完成载瘤血管的三维重建。
在本申请的一些实施例中，在上述方法中，所述对所述载瘤血管三维模型进行几何分析，得到所述载瘤血管上的动脉瘤的几何结构特征，包括：对所述载瘤血管三维模型的表面建立网格，并使所述网格的平均单元质量指数达到预设值；采用平行切割平面，对所述载瘤血管上的动脉瘤进行切割；根据切割得到的动脉瘤，确定所述动脉瘤的多维尺寸指标，作为所述动脉瘤的几何结构特征。
在几何分析的过程中，具体操作可包括但不限于网格细化、动脉瘤提取、并计算各种尺寸和形状指标。如最初重建的表面网格通常包含一些低质量的体素，不真实的尖角和肿块。网格的平均单元质量指数在脑动脉瘤表面为0.374。元素质量指标Q是三角形的归一化AR元素：
其中，ρ是内径(最大圆的半径，可以内接在三角形内)和h_max最长三角形的边和0<Q≤1(等边三角形)。之后对质量指标进行提升，达到0.816。动脉瘤是通过使用平行切割平面，并将两面分开。分割采用了保守的平滑参数，这种方法有助于去除尖锐的角，同时保留真实的几何特征。孤立的动脉瘤网格用于所有后续的几何分析，基于分割结果，计算一维尺寸指标动脉瘤长径、动脉瘤高度、瘤颈直径等；二维指标尺寸比、瘤颈比等；三维指标体积、表面积等。图4(包括图4-a～图4-d)示出了根据本申请的一个实施例的对动脉瘤进行几何分析的示意图，从图4可以看出，首先，对网格进行构建或者加密，然后采用一个水平面，将动脉瘤进行切割，然后对切割后的动脉瘤进行几何模拟和分析，得到动脉瘤的各项几何参数。
对于载瘤血管的几何特征，由于已经模拟出载瘤血管的三维模型，所以采用通用方法即可获取，在这里不再赘述。
在本申请的一些实施例中，所述根据所述动脉瘤的几何结构特征，模拟出首发弹簧圈，包括：创建颈部的虚拟表面，在所述虚拟表面预留一小孔，所述小孔连接动脉瘤；根据所述动脉瘤的几何结构特征，模拟出圆柱形结构的初始首发弹簧圈；将所述初始首发弹簧圈包裹在微导管中；使包裹有初始首发弹簧圈的微导管通过所述小孔，进入所述动脉瘤的囊中，并使所述初始首发弹簧圈回弹至自然状态，得到模拟动脉瘤；根据所述模拟动脉瘤与所述动脉瘤的几何特征比对结果，对所述初始首发弹簧圈进行微调，得到首发弹簧圈。
具体的，可参考图5，图5示出了根据本申请的一个实施例的首发弹簧圈的模拟过程的示意图，从图5可以看出，首先通过在颈部平面上创建虚拟表面，在其上创建了一个小孔以允许插入微导管。由于大多数临床弹簧圈都是预成型的，根据真实弹簧圈模拟了预成型弹簧圈。生成了这个弹簧圈的几何中心线，假设弹簧圈是连续的圆柱形结构，这是真实血管的合理简化。在本申请的一些实施例中，为弹簧圈分配了具有类似于铂的各向同性材料特性关系，其密度为0.0213g/mm3，杨氏模量为7.5GPa，泊松比为0.39。在部署到动脉瘤之前，将模拟出的预成型的弹簧圈包装到一个虚拟的微导管中。微导管与动脉瘤的近端对齐，并指定位移边界条件，将弹簧圈从其无应力的预成型配置拉入微导管。之后，将弹簧圈部署到动脉瘤囊中。垂直于颈部平面表面，微导管和封装弹簧圈通过虚拟颈部平面中的孔略微向前推进。假设微导管和动脉瘤是刚性的，并在模拟过程中受到约束。在本申请的一些实施例中，弹簧圈对弹簧圈和弹簧圈对动脉瘤接触的摩擦系数分别定义为0.2和0.4。在模拟进入动脉瘤过程中拉直弹簧圈产生的内部应变能导致弹簧圈在进入动脉瘤囊时弹回其自然复杂的形状。然后将含有弹簧圈模型的动脉瘤与原始重建的动脉瘤模型比对，当二者匹配良好之后，对应弹簧圈尺寸作为模拟结果可以输出给用户作为参考；若一次模拟过程中，二者匹配效果不好，则可对模拟出的首发弹簧圈进行调整，以达到比较理想的效果。
在本申请的一些实施例中，在上述方法中，所述基于所述载瘤血管的几何结构特征，模拟出血管支架，以辅助所述首发弹簧圈对所述载瘤血管填塞，包括：围绕所述载瘤血管的中心线模拟出多个形点；基于所述多个形点，建立虚拟血管支架；使所述血管支架依赖于三变量三谐波样条的自由形式变形，以确定所述虚拟血管支架的变形参数；根据所述虚拟血管支架的变形效果，对所述变形参数进行迭代更新，直到达到收敛要求，以模拟出血管支架。其中，所述基于所述多个形点，建立虚拟血管支架，包括：建立虚拟血管支架，所述虚拟血管支架为包含所述多个形点的圆柱体；假设所述虚拟血管支架的密集网状结构被假定为多孔介质，通过向控制流动方程添加动量源项，以模拟虚拟血管支架的孔隙度，其中，所述动量源项包括：粘性损失项和惯性损失项。
具体的，在本申请的一些实施例中，使用基于自由形式变形的非刚性配准进行部署。首先，围绕所需血管段的中心线创建单纯形点，粗略的大尺度变形使支架遵循从血管数据中提取的平滑中心线曲线。其次，创建虚拟血管支架网，为了模拟产生的孔隙度，分流器的密集网状结构被假定为多孔介质。通过向控制流动方程添加动量源项，在数值上考虑该介质。该源由两项组成：粘性损失项和惯性损失项，它们与速度成比例地影响压力梯度。公式为：
其中包括对动量的描述，其中三个空间坐标i＝x，y，z，速度大小v，渗透率α，惯性阻力系数C2，以及材料特性动态粘度μ和密度ρ。虚拟支架部署时最具挑战性的任务是获取适当的系数值渗透率α和惯性阻力系数C2，这些数值可以通过实验获得。血管支架变形依赖于基于三变量三谐波样条的自由形式变形，为确定变形参数，支架模型由圆柱形几何体代替，通过支架网格的迭代计算，最后更新网格位置直到算法收敛，完成血管支架的模拟并输出最终结果。具体效果可参考图6，图6示出了根据本申请的一个实施例的模拟血管直接的示意图，从图6可以看出，通过多次迭代，可以得到效果理想的虚拟血管支架。
图7示出根据本申请的一个实施例的动脉瘤手术规划装置的结构示意图，从图7可以看出，该装置700包括：
获取单元710，用于获取目标患者的CT血管造影图像；
识别单元720，用于基于卷积神经网络模型，从所述CT血管造影图像识别出动脉瘤；
重建单元730，用于对载有动脉瘤的载瘤血管进行重建，得到所述载瘤血管三维模型；
分析单元740，用于对所述载瘤血管三维模型进行几何分析，确定所述动脉瘤和所述载瘤血管的几何结构特征；
第一模拟单元750，用于根据所述动脉瘤的几何结构特征，模拟出首发弹簧圈，以对所述动脉瘤填塞；
第二模拟单元760，用于根据所述载瘤血管的几何结构特征，模拟出血管支架，以对所述载瘤血管填塞。在本申请的一些实施例中，在上述装置中，识别单元720，用于使所述CT造影图像进入所述卷积神经网络模型，以识别动脉瘤；其中，所述卷积神经网络模型是通过下述方法训练的：基于收缩路径，缩小所述CT造影图像的图像大小，以获取所述CT造影图像的上下文信息；基于扩展路径，对缩小后的CT造影图像进行重采样，得到所述CT造影图像的全像素分辨率图像；基于向前传播，确定所述基于所述卷积神经网络模型的每像素或然预测输出集；根据所述每像素或然预测输出集与已注释的动脉瘤图像，确定损失函数；基于向前传播，根据所述损失函数，通过最陡梯度下降法，对所述卷积神经网络模型进行参数值更新。
在本申请的一些实施例中，在上述装置中，重建单元730，用于对所述CT血管造影图形进行预处理，以消除伪影图像偏差；对预处理后的CT血管造影图像进行管状增强滤波处理；根据所述CT血管造影图像中各体素的原始数据以及管状增强滤波结果，确定所述载瘤血管的中心线；围绕所述载瘤血管的中心线，建立所述载瘤血管三维模型。
在本申请的一些实施例中，在上述装置中，分析单元740，用于对所述载瘤血管三维模型的表面建立网格，并使所述网格的平均单元质量指数达到预设值；采用平行切割平面，对所述载瘤血管上的动脉瘤进行切割；根据切割得到的动脉瘤，确定所述动脉瘤的多维尺寸指标，作为所述动脉瘤的几何结构特征。
在本申请的一些实施例中，在上述装置中，第一模拟单元750，用于创建颈部的虚拟表面，在所述虚拟表面预留一小孔，所述小孔连接动脉瘤；根据所述动脉瘤的几何结构特征，模拟出圆柱形结构的初始首发弹簧圈；将所述初始首发弹簧圈包裹在微导管中；使包裹有初始首发弹簧圈的微导管通过所述小孔，进入所述动脉瘤的囊中，并使所述初始首发弹簧圈回弹至自然状态，得到模拟动脉瘤；根据所述模拟动脉瘤与所述动脉瘤的几何特征比对结果，对所述初始首发弹簧圈进行微调，得到首发弹簧圈。
在本申请的一些实施例中，在上述装置中，第二模拟单元760，用于围绕所述载瘤血管的中心线模拟出多个形点；基于所述多个形点，建立虚拟血管支架；使所述血管支架依赖于三变量三谐波样条的自由形式变形，以确定所述虚拟血管支架的变形参数；根据所述虚拟血管支架的变形效果，对所述变形参数进行迭代更新，直到达到收敛要求，以模拟出血管支架。
在本申请的一些实施例中，在上述装置中，第二模拟单元760，用于建立虚拟血管支架，所述虚拟血管支架为包含所述多个形点的圆柱体；假设所述虚拟血管支架的密集网状结构被假定为多孔介质，通过向控制流动方程添加动量源项，以模拟虚拟血管支架的孔隙度，其中，所述动量源项包括：粘性损失项和惯性损失项。
需要说明的是，上述的动脉瘤手术规划装置可一一实现上述动脉瘤手术规划方法，这里不再赘述。
图8是本申请的一个实施例电子设备的结构示意图。请参考图8，在硬件层面，该电子设备包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是ISA(Industry Standard Architecture，工业标准体系结构)总线、PCI(PeripheralComponent Interconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图8中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上动脉瘤手术规划装置。处理器，执行存储器所存放的程序，并具体用于执行以下操作：
获取目标患者的CT血管造影图像；
基于卷积神经网络模型，从所述CT血管造影图像识别出动脉瘤；
对载有动脉瘤的载瘤血管进行重建，得到所述载瘤血管三维模型；
对所述载瘤血管三维模型进行几何分析，得到所述动脉瘤和所述载瘤血管的几何结构特征；
根据所述动脉瘤的几何结构特征，模拟出首发弹簧圈，以对所述动脉瘤填塞；
根据所述载瘤血管的几何结构特征，模拟出血管支架，以对所述载瘤血管填塞。
上述如本申请图7所示实施例揭示的动脉瘤手术规划装置执行的方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(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。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
该电子设备还可执行图7中动脉瘤手术规划装置执行的方法，并实现动脉瘤手术规划装置在图7所示实施例的功能，本申请实施例在此不再赘述。
本申请实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的电子设备执行时，能够使该电子设备执行图7所示实施例中动脉瘤手术规划装置执行的方法，并具体用于执行：
获取目标患者的CT血管造影图像；
基于卷积神经网络模型，从所述CT血管造影图像识别出动脉瘤；
对载有动脉瘤的载瘤血管进行重建，得到所述载瘤血管三维模型；
对所述载瘤血管三维模型进行几何分析，得到所述动脉瘤和所述载瘤血管的几何结构特征；
根据所述动脉瘤的几何结构特征，模拟出首发弹簧圈，以对所述动脉瘤填塞；
根据所述载瘤血管的几何结构特征，模拟出血管支架，以对所述载瘤血管填塞。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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。
本申请是参照根据本申请实施例的方法、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，磁带磁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。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请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，本申请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。
以上所述仅为本申请的实施例而已，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 (10)
1.一种动脉瘤手术规划方法，其特征在于，所述方法包括：
获取目标患者的CT血管造影图像；
基于卷积神经网络模型，从所述CT血管造影图像识别出动脉瘤；
对载有动脉瘤的载瘤血管进行重建，得到所述载瘤血管三维模型；
对所述载瘤血管三维模型进行几何分析，得到所述动脉瘤和所述载瘤血管的几何结构特征；
根据所述动脉瘤的几何结构特征，模拟出首发弹簧圈，以对所述动脉瘤填塞；
根据所述载瘤血管的几何结构特征，模拟出血管支架，以对所述载瘤血管填塞。
2.根据权利要求1所述的方法，其特征在于，所述基于卷积神经网络模型，从所述CT血管造影图像识别出动脉瘤，包括：
使所述CT造影图像进入所述卷积神经网络模型，以识别动脉瘤；其中，所述卷积神经网络模型是通过下述方法训练的：
基于收缩路径，缩小所述CT造影图像的图像大小，以获取所述CT造影图像的上下文信息；
基于扩展路径，对缩小后的CT造影图像进行重采样，得到所述CT造影图像的全像素分辨率图像；
基于向前传播，确定所述基于所述卷积神经网络模型的每像素或然预测输出集；
根据所述每像素或然预测输出集与已注释的动脉瘤图像，确定损失函数；
基于向前传播，根据所述损失函数，通过最陡梯度下降法，对所述卷积神经网络模型进行参数值更新。
3.根据权利要求1所述的方法，其特征在于，所述对载有动脉瘤的载瘤血管进行重建，得到所述载瘤血管三维模型，包括：
对所述CT血管造影图形进行预处理，以消除伪影图像偏差；
对预处理后的CT血管造影图像进行管状增强滤波处理；
根据所述CT血管造影图像中各体素的原始数据以及管状增强滤波结果，确定所述载瘤血管的中心线；
围绕所述载瘤血管的中心线，建立所述载瘤血管三维模型。
4.根据权利要求1所述的方法，其特征在于，所述对所述载瘤血管三维模型进行几何分析，得到所述载瘤血管上的动脉瘤的几何结构特征，包括：
对所述载瘤血管三维模型的表面建立网格，并使所述网格的平均单元质量指数达到预设值；
采用平行切割平面，对所述载瘤血管上的动脉瘤进行切割；
根据切割得到的动脉瘤，确定所述动脉瘤的多维尺寸指标，作为所述动脉瘤的几何结构特征。
5.根据权利要求1所述的方法，其特征在于，所述根据所述动脉瘤的几何结构特征，模拟出首发弹簧圈，以对动脉瘤填塞，包括：
创建颈部的虚拟表面，在所述虚拟表面预留一小孔，所述小孔连接动脉瘤；
根据所述动脉瘤的几何结构特征，模拟出圆柱形结构的初始首发弹簧圈；
将所述初始首发弹簧圈包裹在微导管中；
使包裹有初始首发弹簧圈的微导管通过所述小孔，进入所述动脉瘤的囊中，并使所述初始首发弹簧圈回弹至自然状态，得到模拟动脉瘤；
根据所述模拟动脉瘤与所述动脉瘤的几何特征比对结果，对所述初始首发弹簧圈进行微调，得到首发弹簧圈。
6.根据权利要求1所述的方法，其特征在于，所述基于所述载瘤血管的几何结构特征，模拟出血管支架，以对所述载瘤血管填塞，包括：
围绕所述载瘤血管的中心线模拟出多个形点；
基于所述多个形点，建立虚拟血管支架；
使所述血管支架依赖于三变量三谐波样条的自由形式变形，以确定所述虚拟血管支架的变形参数；
根据所述虚拟血管支架的变形效果，对所述变形参数进行迭代更新，直到达到收敛要求，以模拟出血管支架。
7.根据权利要求6所述的方法，其特征在于，所述基于所述多个形点，建立虚拟血管支架，包括：
建立虚拟血管支架，所述虚拟血管支架为包含所述多个形点的圆柱体；
假设所述虚拟血管支架的密集网状结构被假定为多孔介质，通过向控制流动方程添加动量源项，以模拟虚拟血管支架的孔隙度，其中，所述动量源项包括：粘性损失项和惯性损失项。
8.一种动脉瘤手术规划装置，其特征在于，所述装置包括：
获取单元，用于获取目标患者的CT血管造影图像；
识别单元，用于基于卷积神经网络模型，从所述CT血管造影图像识别出动脉瘤；
重建单元，用于对载有动脉瘤的载瘤血管进行重建，得到所述载瘤血管三维模型；
分析单元，用于对所述载瘤血管三维模型进行几何分析，确定所述动脉瘤和所述载瘤血管的几何结构特征；
第一模拟单元，用于根据所述动脉瘤的几何结构特征，模拟出首发弹簧圈，以对所述动脉瘤填塞；
第二模拟单元，用于根据所述载瘤血管的几何结构特征，模拟出血管支架，以对所述载瘤血管填塞。
9.一种电子设备，包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行权利要求1～7中任一项所述的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行权利要求1～7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111299082.0A CN114271939A (zh) | 2021-11-04 | 2021-11-04 | 动脉瘤手术规划方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111299082.0A CN114271939A (zh) | 2021-11-04 | 2021-11-04 | 动脉瘤手术规划方法、装置、电子设备及可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114271939A true CN114271939A (zh) | 2022-04-05 |
Family
ID=80868851
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111299082.0A Pending CN114271939A (zh) | 2021-11-04 | 2021-11-04 | 动脉瘤手术规划方法、装置、电子设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114271939A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115147390A (zh) * | 2022-07-19 | 2022-10-04 | 昆明同心医联科技有限公司 | 基于深度学习的推荐栓塞动脉瘤的弹簧圈的方法及装置 |
| CN115944389A (zh) * | 2023-03-14 | 2023-04-11 | 杭州脉流科技有限公司 | 弹簧圈模拟植入的方法和计算机设备 |
| CN116525121A (zh) * | 2023-07-05 | 2023-08-01 | 昆明同心医联科技有限公司 | 栓塞动脉瘤的首发弹簧圈推荐模型建立方法及其应用 |
| CN116741387A (zh) * | 2023-06-26 | 2023-09-12 | 强联智创（北京）科技有限公司 | 由计算机实施的介入耗材的模拟方法及相关产品 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102010040944A1 (de) * | 2010-09-17 | 2012-03-22 | Siemens Aktiengesellschaft | Verfahren zur Bestimmung hämodynamischer Flussparameter von Blutgefäßen mit angiographischen CT-Bilddaten und CT-System |
| US20120323547A1 (en) * | 2011-06-20 | 2012-12-20 | Siemens Corporation | Method for intracranial aneurysm analysis and endovascular intervention planning |
| 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 |
| CN112741691A (zh) * | 2020-12-31 | 2021-05-04 | 杭州脉流科技有限公司 | 弹簧圈盘绕支架释放的模拟方法、装置、计算机设备和存储介质 |
| CN113240654A (zh) * | 2021-05-20 | 2021-08-10 | 吉林大学 | 一种多维度特征融合的颅内动脉瘤检测方法 |
-
2021
- 2021-11-04 CN CN202111299082.0A patent/CN114271939A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102010040944A1 (de) * | 2010-09-17 | 2012-03-22 | Siemens Aktiengesellschaft | Verfahren zur Bestimmung hämodynamischer Flussparameter von Blutgefäßen mit angiographischen CT-Bilddaten und CT-System |
| US20120323547A1 (en) * | 2011-06-20 | 2012-12-20 | Siemens Corporation | Method for intracranial aneurysm analysis and endovascular intervention planning |
| 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 |
| CN112741691A (zh) * | 2020-12-31 | 2021-05-04 | 杭州脉流科技有限公司 | 弹簧圈盘绕支架释放的模拟方法、装置、计算机设备和存储介质 |
| CN113240654A (zh) * | 2021-05-20 | 2021-08-10 | 吉林大学 | 一种多维度特征融合的颅内动脉瘤检测方法 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115147390A (zh) * | 2022-07-19 | 2022-10-04 | 昆明同心医联科技有限公司 | 基于深度学习的推荐栓塞动脉瘤的弹簧圈的方法及装置 |
| CN115944389A (zh) * | 2023-03-14 | 2023-04-11 | 杭州脉流科技有限公司 | 弹簧圈模拟植入的方法和计算机设备 |
| CN116741387A (zh) * | 2023-06-26 | 2023-09-12 | 强联智创（北京）科技有限公司 | 由计算机实施的介入耗材的模拟方法及相关产品 |
| CN116525121A (zh) * | 2023-07-05 | 2023-08-01 | 昆明同心医联科技有限公司 | 栓塞动脉瘤的首发弹簧圈推荐模型建立方法及其应用 |
| CN116525121B (zh) * | 2023-07-05 | 2023-09-26 | 昆明同心医联科技有限公司 | 栓塞动脉瘤的首发弹簧圈推荐模型建立方法及其应用 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114271939A (zh) | 动脉瘤手术规划方法、装置、电子设备及可读存储介质 | |
| WO2018001099A1 (zh) | 一种血管提取方法与系统 | |
| US9830427B2 (en) | Method for intracranial aneurysm analysis and endovascular intervention planning | |
| JP6878439B2 (ja) | 体部の３次元モデル | |
| US20210272274A1 (en) | Method and system for measuring morphological parameters of an intracranial aneurysm image | |
| CN114170134B (zh) | 基于颅内dsa影像的狭窄评估方法及装置 | |
| CN111008984A (zh) | 医学影像中正常器官的轮廓线自动勾画方法及系统 | |
| WO2021038202A1 (en) | Computerised tomography image processing | |
| CN109509177B (zh) | 一种脑部影像识别的方法及装置 | |
| CN109448004B (zh) | 一种基于中心线的颅内血管图像的截取方法及系统 | |
| CN108475443B (zh) | 血管结构的合成表示 | |
| KR20190084380A (ko) | 2차원 x-선 조영영상의 혈관 구조 추출 방법, 이를 수행하기 위한 기록매체 및 장치 | |
| JP2007501069A (ja) | 視覚化のための仮想的器官展開処理方法 | |
| US8768045B2 (en) | Method for acquiring a 3D image dataset freed of traces of a metal object | |
| WO2021190656A1 (zh) | 眼底图像黄斑中心定位方法及装置、服务器、存储介质 | |
| JP7055872B2 (ja) | 二次元／三次元画像コレジストレーションのためにコンピュータによって実現される情報処理方法、プログラム、医用画像分析システム、および、放射線療法治療システム | |
| KR102372046B1 (ko) | 인공지능 기술을 이용한 혈관 구조 추출 방법, 이를 수행하기 위한 기록 매체 및 장치 | |
| CN109447963A (zh) | 一种脑部影像识别的方法及装置 | |
| CN111815766A (zh) | 基于2d-dsa图像重建血管三维模型处理方法及系统 | |
| KR20220141205A (ko) | 이미지 처리 방법 및 장치 | |
| US20180218514A1 (en) | Determining a complexity value of a stenosis or a section of a vessel | |
| KR102204371B1 (ko) | 다중시기 측부혈류 영상을 생성하기 위한 학습 방법 및 기계 학습을 이용한 다중시기 측부혈류 영상 생성 방법 | |
| CN115565667A (zh) | Cto介入治疗成功率的预测方法、装置、设备及介质 | |
| CN113724203B (zh) | 应用于oct图像中目标特征分割的模型训练方法及装置 | |
| CN113616226A (zh) | 一种血管分析方法、系统、设备及存储介质 |
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 |