CN114357842A - 模拟颅内动脉瘤腔内新型血流干扰装置植入的方法及系统 - Google Patents

Abstract

本申请提供了一种模拟颅内动脉瘤腔内新型血流干扰装置植入的方法、系统、计算机可读存储介质及处理器，该方法包括构建颅内动脉瘤模型；获取原始参数；至少采用颅内动脉瘤模型新型血流干扰装置模型和原始参数，模拟动脉瘤腔内血流干扰装置植入过程，得到形态学模拟结果，基于形态学模拟结果进行血流动力学分析，得到血流动力学参数；利用形态学以及血流动力学结果对颅内动脉瘤腔内血流干扰装置的介入手术效果进行评估。通过模拟动脉瘤腔内血流干扰装置弥补了现有技术中无法模拟动脉瘤内血流干扰装置的空白，并且通过减少计算量，从而降低计算成本，能够实现手术过程的实时模拟，在短时间内实现手术过程的多次迭代计算，为术前或术中规划提供快速的模拟预测结果。

Description

模拟颅内动脉瘤腔内新型血流干扰装置植入的方法及系统

技术领域

本申请涉及医疗技术领域，具体而言，涉及一种模拟颅内动脉瘤腔内新型血流干扰装置植入的方法、系统、计算机可读存储介质及处理器。

背景技术

颅内动脉瘤，又称脑血管瘤，形成颅内动脉管壁上的异常膨出，是造成蛛网膜下腔出血的首位病因。在脑血管意外中，仅次于脑血栓和高血压脑出血，位居第三。据统计，我国每100个成年人中，就有约7个是动脉瘤携带者。动脉瘤破裂出血的危险性极大，数分钟至数小时可以致人死亡。第一次出血达到百分之三十的死亡率，第二次破裂出血，死亡率达到百分之七十，第三次破裂出血，死亡率几乎百分之百。位于血管分叉处的宽颈脑动脉瘤的有效治疗仍然是一个重大的挑战。

针对颅内虚拟支架的模拟，一方面很多研究重点聚焦于支架展开过程中支架与血管壁之间的相互作用力，以及置入支架后血管内血流的预测，所以大部分学者会选择使用有限元分析方法，关注支架的具体形态变化以及每一个金属网格局部张力以及通过血液动力学分析来获取血流的计算信息，虽然此种方法能够获得支架展开的细节，准确性和有效性也已经被认可，但是，此种方法需要消耗大量的计算时间和计算数据资源，不能够为临床提供实时指导。

另一方面在现有的技术中模拟颅内动脉瘤的方案中都是将导流器部署在动脉瘤外达到一个分流的效果。随着新型的颅内动脉瘤治疗方法的出现如Cerus Endovascular的产品Contour Neurovascular Systems或，越来越多的公司尝试将血流干扰装置植入颅内动脉瘤内达到阻止血流流入的功能，这些装置瞄准的是动脉瘤的瘤颈，而不是脆弱的动脉瘤瘤顶。在动脉瘤囊的瘤颈处，通过单个装置植入物提供分流和阻流的组合。现有技术无法对此类植入颅内动脉瘤内的新型血流干扰装置进行模拟。

发明内容

本申请的主要目的在于提供一种模拟颅内动脉瘤腔内新型血流干扰装置的方法、系统、计算机可读存储介质及处理器，以解决现有技术中采用有限元模拟虚拟支架算成本较高的问题以及填补现有技术无法模拟颅内动脉瘤腔内新型血流干扰装置植入的空白。

为了实现上述目的，根据本申请的一个方面，提供了一种模拟颅内动脉瘤腔内新型血流干扰装置植入的方法，该方法包括：构建颅内动脉瘤模型和颅内动脉瘤腔内血流干扰装置模型；获取原始参数，所述原始参数包括至少以下之一：颅内血流干扰装置大小以及长度、颅内血流干扰装置的膨胀程度、颅内血流干扰装置的初始位置；至少采用所述颅内动脉瘤模型、所述颅内动脉瘤腔内血流干扰装置和所述原始参数，模拟动脉瘤腔内血流干扰装置植入过程，得到模拟结果，所述模拟结果包括形态学参数，所述形态学参数包括至少以下之一：颅内动脉瘤内壁应力、颅内动脉瘤管壁位移；基于所述模拟结果进行血流动力学分析，得到血流动力学参数，所述血流动力学参数至少包括血流干扰装置模型植入后的血流量衰减、颅内动脉瘤内壁应力；根据所述形态学参数和所述血流动力学参数评估植入结果。

进一步地，构建颅内动脉瘤模型包括：获取颅内动脉瘤的图像数据，所述图像数据包括CTA图像、DSA图像、MRI核磁共振图像；根据所述图像数据构建所述颅内动脉瘤模型。构建颅内动脉瘤腔内血流干扰装置模型包括，通过Micro-CT扫描的方法获得血流干扰装置的结构信息再转换成常用的3D模型文件类型如STL或OBJ的文件格式。

进一步地，至少采用所述颅内动脉瘤模型、所述新型颅内动脉瘤腔内血流干扰装置模型和所述原始参数，模拟动脉瘤腔内血流干扰装置植入过程，得到模拟结果包括：从所述三维图像中提颅内动脉瘤内的中心线；控制血流干扰装置沿所述中心线在颅内动脉瘤模型中移动至所述血流干扰装置的初始位置；控制血流干扰装置逐渐膨胀，且获取所述血流干扰装置处于完全膨开状态时的所述形态学参数。

进一步地，从所述三维图像中提取出颅内动脉瘤内的中心线包括采用骨架法或者用Delauna三角剖分算法找到最短路径从所述三维图像或模型中提取出所述颅内动脉瘤的中心线。

进一步地，获取所述新型颅内动脉瘤腔内血流干扰装置处于完全膨开状态时的所述形态学参数包括：对所述颅内动脉瘤模型进行网格化处理，得到第一计算网格模型；对所述血流干扰装置模型进行网格化处理，得到第二计算网格模型；采用实时模拟算法，应用所述原始参数、所述第一计算网格模型和所述第二计算网格模型，计算得到所述形态学参数。

进一步地，所述颅内动脉瘤模型为三维几何模型，对所述颅内动脉瘤模型进行网格化处理，得到第一计算网格模型包括：对所述三维几何模型进行阈值分割，得到所述颅内动脉瘤的边界；基于所述颅内动脉瘤的边界提取所述三维几何模型；将所述模型转换为三维计算网格，多个所述三维计算网格构成所述第一计算网格模型。

进一步地，根据所述形态学参数和所述血流动力学参数优化所述原始参数包括：根据所述颅内动脉瘤内壁应力、颅内动脉瘤管壁位移；根据所述流入动脉瘤内的血流量，动脉瘤内管壁剪切应力；作为评价指标，经过迭代运算不断优化所述原始参数。

根据本申请的另一方面，提供了一种模拟颅内动脉瘤腔内新型血流干扰装置的系统，该系统包括：构建模块、获取模块、模拟模块、分析模块和优化模块，构建模块用于构建颅内动脉瘤模型和新型颅内动脉瘤腔内血流干扰装置模型；获取模块用于获取原始参数，所述原始参数包括至少以下之一：颅内血流干扰装置大小以及长度、颅内血流干扰装置的膨胀程度、颅内血流干扰装置的初始位置；模拟模块用于至少采用所述颅内动脉瘤模型、所述新型颅内动脉瘤腔内血流干扰装置模型和所述原始参数，模拟动脉瘤腔内血流干扰装置植入过程，得到模拟结果，所述模拟结果包括形态学参数，所述形态学参数包括至少以下之一：颅内动脉瘤内壁应力、颅内动脉瘤管壁位移；分析模块用于基于所述模拟结果进行血流动力学分析，得到血流动力学参数，所述血流动力学参数至少包括动脉瘤内的血流量，动脉瘤内管壁剪切应力；优化模块，用于根据所述形态学参数和所述血流动力学参数优化所述原始参数。

根据本申请的另一方面，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包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行上述任意一种所述的方法。

根据本申请的另一方面，还提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述任意一种所述的方法。

应用本申请的技术方案，通过构建颅内动脉瘤模型和颅内动脉瘤腔内血流干扰装置模型；获取原始参数；至少采用颅内动脉瘤模型、颅内动脉瘤腔内血流干扰装置模型和原始参数，模拟动脉瘤腔内血流干扰装置植入过程，得到模拟结果，模拟结果包括形态学参数；基于模拟结果进行血流动力学分析，得到血流动力学参数，血流动力学参数至少包括脉瘤内的血流量，动脉瘤内管壁剪切应力；根据形态学参数和血流动力学参数优化原始参数，来减少计算量，从而降低计算成本，解决现有技术中采用有限元模拟虚拟支架算成本较高的问题以及填补现有技术无法模拟颅内动脉瘤腔内新型血流干扰装置植入的方法的空白，能够实现手术过程的实时模拟，为术前或术中规划提供快速的模拟预测结果。

附图说明

构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，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示出了根据本申请实施例的模拟颅内动脉瘤腔内新型血流干扰装置植入方法的流程图；

图2示出了根据本申请实施例的模拟颅内动脉瘤腔内新型血流干扰装置植入系统的示意图。

图3示出了根据本申请实施例的模拟新型血流干扰装置的植入过程的示意图。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，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，都应当属于本申请保护的范围。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或模块的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或模块，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块。

应该理解的是，当元件(诸如层、膜、区域、或衬底)描述为在另一元件“上”时，该元件可直接在该另一元件上，或者也可存在中间元件。而且，在说明书以及权利要求书中，当描述有元件“连接”至另一元件时，该元件可“直接连接”至该另一元件，或者通过第三元件“连接”

至该另一元件。

正如背景技术所述现有技术中采用有限元模拟存在计算成本高，导致无法快速给出预测结果的缺点的问题，以及现有技术无法模拟颅内动脉瘤腔内新型血流干扰装置植入的方法。为了解决现有技术中的问题，本申请的实施例提供了一种模拟颅内动脉瘤腔内新型血流干扰装置植入的方法方法、装置、计算机可读存储介质及处理器。

根据本申请的实施例，提供了一种模拟颅内动脉瘤腔内新型血流干扰装置植入的方法。

图1是根据本申请实施例的模拟颅内动脉瘤腔内新型血流干扰装置植入方法的流程图。如图1所示，该方法包括以下步骤：

步骤S101，构建颅内动脉瘤模型和颅内动脉瘤腔内血流干扰装置模型；

步骤S102，获取原始参数，上述原始参数包括至少以下之一：颅内血流干扰装置大小以及长度、颅内血流干扰装置的膨胀程度、颅内血流干扰装置的初始位置；

步骤S103，至少采用上述颅内动脉瘤模型、上述血流干扰装置模型和上述原始参数，模拟动脉瘤腔内血流干扰装置植入过程，得到模拟结果，上述模拟结果包括形态学参数，上述形态学参数包括至少以下之一：颅内动脉瘤内壁应力、颅内动脉瘤管壁位移；

步骤S104，基于上述模拟结果进行血流动力学分析，得到血流动力学参数，上述血流动力学参数至少包括流入动脉瘤内的血流量，动脉瘤内管壁剪切应力；

步骤S105，根据上述形态学参数和上述血流动力学参数优化上述原始参数。

上述步骤，通过先构建颅内动脉瘤模型和颅内动脉瘤腔内血流干扰装置模型，再获取原始参数，之后至少采用上述颅内动脉瘤模型、上述颅内动脉瘤腔内血流干扰装置模型和上述原始参数，模拟动脉瘤腔内血流干扰装置植入过程，得到模拟结果，进而基于上述模拟结果进行血流动力学分析，得到血流动力学参数，最后根据上述形态学参数和上述血流动力学参数优化上述原始参数，即通过减少计算量，从而降低计算成本，进而解决了现有技术中采用有限元模拟计算成本较高的问题并且实现颅内动脉瘤腔内血流干扰装置的模拟，能够实现手术过程的实时模拟，为术前或术中规划提供快速的模拟预测结果。

需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

在本申请的一种实施例中，构建颅内动脉瘤模型包括：获取颅内动脉瘤模型的图像数据，上述图像数据包括三维图像；根据上述图像数据构建上述颅内动脉瘤模型模型，即通过包含三维图像，来成功构建精确的颅内动脉瘤模型。

在本申请的一种实施例中，至少采用上述颅内动脉瘤模型、上述血流干扰装置模型和上述原始参数，模拟动脉瘤腔内血流干扰装置植入过程，得到模拟结果包括：从上述三维图像中提取出颅内动脉瘤的中心线；控制血流干扰装置沿上述中心线在上述颅内动脉瘤模型中移动至上述血流干扰装置的初始位置；控制上述血流干扰装置逐渐膨胀，且获取上述血流干扰装置处于完全膨开状态时的上述形态学参数，通过先提取出颅内动脉瘤的中心线，再控制血流干扰装置沿上述中心线在上述颅内动脉瘤模型中移动至上述血流干扰装置的初始位置，最后控制上述血流干扰装置逐渐膨胀，且获取上述血流干扰装置处于完全膨开状态时的上述形态学参数，以实现对血流干扰装置植入过程的精准模拟。

在本申请的一种实施例中，从上述三维图像中提取颅内动脉瘤内的中心线包括采用骨架法从上述三维图像中提取出上述主颅内动脉瘤的中心线，保证提取出上述颅内动脉瘤的中心线准确度，从而为后续得出模拟结构的精确度做好保障。当然，本领域技术人员可以选用除骨架法以外的方法提取中心线，例如采用水平集分割算法。

在本申请的一种实施例中，获取上述血流干扰装置处于完全膨开状态时的上述形态学参数包括：对上述颅内动脉瘤模型进行网格化处理，得到第一计算网格模型；对上述血流干扰装置模型进行网格化处理，得到第二计算网格模型；采用最优化算法，应用上述原始参数、上述第一计算网格模型和上述第二计算网格模型，计算得到上述形态学参数，通过采用最优化算法，应用上述原始参数、上述第一计算网格模型和上述第二计算网格模型，计算得到上述形态学参数，得以确保上述形态学参数的准确度。

在本申请的一种实施例中，上述颅内动脉瘤模型为三维几何模型，对上述颅内动脉瘤模型进行网格化处理，得到第一计算网格模型包括：对上述三维几何模型进行半阈值分割，得到上述颅内动脉瘤的边界；基于上述颅内动脉瘤的边界提取上述三维几何模型；将上述模型转换为计算网格，多个上述三维计算网格构成上述第一计算网格模型，通过基于上述颅内动脉瘤的边界提取上述三维几何模型；将上述几何模型转换为三维计算网格，多个上述三维计算网格构成上述第一计算网格模型，保证第一计算网格模型的准确度，便于后续计算过程。

在本申请的一种实施例中，根据上述形态学参数和上述血流动力学参数优化上述原始参数包括：根据上述颅内动脉瘤内壁应力、颅内动脉瘤管壁位移、流入动脉瘤内的血流量，动脉瘤内管壁剪切应力；将上述参数作为评价指标，经过迭代运算不断优化上述原始参数，实现了手术过程的实时模拟的目的，从而使后续为术前或术中规划提供快速的模拟预测结果。当然，也可以将血流干扰装置植入深度稳定性作为评价指标，血流干扰装置植入深度稳定性可以表征血流干扰装置否有滑落的风险，当然，本领域技术人员可以根据实际情况选择其他评价指标。

本申请实施例还提供了一种模拟新型颅内动脉瘤腔内血流干扰装置的系统，需要说明的是，本申请实施例的模拟新型颅内动脉瘤腔内血流干扰装置可以用于执行本申请实施例所提供的用于模拟新型颅内动脉瘤腔内血流干扰装置的方法。以下对本申请实施例提供的模拟新型颅内动脉瘤腔内血流干扰装置的系统进行介绍。

图2是根据本申请实施例的模拟新型颅内动脉瘤腔内血流干扰装置系统的示意图。如图2所示，该装置包括：构建模块10、获取模块20、模拟模块30、分析模块40和优化模块50，构建模块10用于构建颅内动脉瘤模型和血流干扰装置模型；获取模块20用于获取原始参数，上述原始参数包括至少以下之一：血流干扰装置的尺寸大小、血流干扰装置的膨胀程度、血流干扰装置的初始位置；模拟模块30用于至少采用上述颅内动脉瘤模型、上述血流干扰装置模型和上述原始参数，模拟血流干扰装置置换过程，得到模拟结果，上述模拟结果包括形态学参数，上述形态学参数包括至少以下之一：颅内动脉瘤内壁应力、颅内动脉瘤管壁位移；分析模块40用于基于上述模拟结果进行血流动力学分析，得到血流动力学参数，上述血流动力学参数至少包括流入动脉瘤内的血流量，动脉瘤内管壁剪切应力；优化模块50，用于根据上述形态学参数和上述血流动力学参数优化上述原始参数。

上述装置，先通过构建模块构建颅内动脉瘤模型和血流干扰装置模型，获取模块再获取原始参数，之后模拟模块至少采用上述颅内动脉瘤模型、上述血流干扰装置模型和上述原始参数，模拟血流干扰装置置换过程，得到模拟结果，进而分析模块基于上述模拟结果进行血流动力学分析，得到血流动力学参数，最后优化模块根据上述形态学参数和上述血流动力学参数优化上述原始参数，即通过减少计算量，从而降低计算成本，进而解决了现有技术中采用有限元模拟计算成本较高的问题，并且实现新型颅内动脉瘤腔内血流干扰装置模拟，能够达成手术过程的实时模拟，为术前或术中规划提供快速的模拟预测结果。

在本申请的一种实施例中，构建模块包括第一获取模块和构建模块，第一获取模块用于获取颅内动脉瘤的图像数据，上述图像数据包括患者特异性的颅内CTA图像、DSA图像、MRI核磁共振图像；构建模块用于根据上述图像数据构建上述颅内动脉瘤模型，即通过包含颅内动脉瘤的图像数据，来成功构建出上述颅内动脉瘤模型，便于观察。

在本申请的一种实施例中，模拟模块包括第一处理模块、第二处理模块和第二获取模块，第一处理模块用于从上述三维图像中提取出颅内动脉瘤的中心线；第二处理模块用于控制血流干扰装置沿上述中心线在上述颅内动脉瘤模型中移动至上述血流干扰装置的初始位置；第二获取模块用于控制上述血流干扰装置逐渐膨胀，且获取上述血流干扰装置处于完全膨开状态时的上述形态学参数，通过先提取出颅内动脉瘤的中心线，再控制血流干扰装置沿上述中心线在上述颅内动脉瘤模型中移动至上述血流干扰装置的初始位置，最后控制上述血流干扰装置逐渐膨胀，且获取上述血流干扰装置处于完全膨开状态时的上述形态学参数，以实现对血流干扰装置置换过程的精准模拟。

在本申请的一种实施例中，第一处理模块包括第一处理子模块模块，第一处理子模块用于采用骨架法从上述三维图像中提取出上述颅内动脉瘤的中心线，保证提取出上述颅内动脉瘤的中心线准确度，从而为后续得出模拟结构的精确度做好保障。当然，本领域技术人员可以选用除骨架法以外的方法提取中心线，例如采用水平集分割算法。

在本申请的一种实施例中，第二获取模块包括第二处理子模块、第三处理子模块和计算子模块，第二处理子模块用于对上述颅内动脉瘤模型进行网格化处理，得到第一计算网格模型；第三处理子模块用于对上述血流干扰装置模型进行网格化处理，得到第二计算网格模型；计算子模块用于采用弹簧质点算法，应用上述原始参数、上述第一计算网格模型和上述第二计算网格模型，计算得到上述形态学参数，通过采用弹簧质点算法，应用上述原始参数、上述第一计算网格模型和上述第二计算网格模型，计算得到上述形态学参数，得以确保上述形态学参数的准确度。

在本申请的一种实施例中，第二处理子模块包括第四处理子模块、第五处理子模块和构建子模块，第四处理子模块用于对上述三维几何模型进行阈值分割，得到上述颅内动脉瘤的边界；第五处理子模块用于基于上述颅内动脉瘤的边界提取上述三维几何模型模块；构建子模块用于将上述模型模块转换为三维计算网格，多个上述三维计算网格构成上述第一计算网格模型，通过基于上述颅内动脉瘤的边界提取上述三维几何模型；将上述模型转换为三维计算网格，多个上述三维计算网格构成上述第一计算网格模型，保证第一计算网格模型的准确度，便于后续计算过程。

在本申请的一种实施例中，优化模块包括第一确定模块、第二确定模块和优化模块，第一确定模块用于根据上述颅内动脉瘤内壁应力、颅内动脉瘤管壁位移；第二确定模块用于根据上述流入动脉瘤内的血流量，动脉瘤内管壁剪切应力；优化模块用于将上述颅内动脉瘤内壁应力、颅内动脉瘤管壁位移、流入动脉瘤内的血流量、动脉瘤内管壁剪切应力作为评价指标，经过迭代运算不断优化上述原始参数，实现了手术过程的实时模拟的目的，从而使后续为术前或术中规划提供快速的模拟预测结果。当然，也可以将血流干扰装置植入深度稳定性作为评价指标，血流干扰装置植入深度稳定性可以表征血流干扰装置否有滑落的风险，当然，本领域技术人员可以根据实际情况选择其他评价指标。

所述模拟颅内动脉瘤腔内新型血流干扰装置的系统包括处理器和存储器，上述构建模块、获取模块、模拟模块、分析模块和优化模块等均作为程序模块存储在存储器中，由处理器执行存储在存储器中的上述程序模块来实现相应的功能。

处理器中包含内核，由内核去存储器中调取相应的程序模块。内核可以设置一个或以上，通过调整内核参数来解决现有技术中采用有限元模拟计算成本较高的问题。

存储器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)，存储器包括至少一个存储芯片。

本发明实施例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包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行所述模拟一种新型颅内动脉瘤腔内血流干扰装植入方法。

本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述模拟一种新型颅内动脉瘤腔内血流干扰装植入方法。

本发明实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现至少以下步骤：构建颅内动脉瘤模型和血流干扰装置模型；获取原始参数，所述原始参数包括至少以下之一：颅内血流干扰装置大小以及长度、颅内血流干扰装置的膨胀程度、颅内血流干扰装置的初始位置；至少采用所述颅内动脉瘤模型、所述血流干扰装置模型和所述原始参数，模拟血流干扰装置植入过程，得到模拟结果，所述模拟结果包括形态学参数，所述形态学参数包括至少以下之一：颅内动脉瘤内壁应力、颅内动脉瘤管壁位移；基于所述模拟结果进行血流动力学分析，得到血流动力学参数，所述血流动力学参数至少包括流入动脉瘤内的血流量，动脉瘤内管壁剪切应力；根据所述形态学参数和所述血流动力学参数优化所述原始参数。本文中的设备可以是服务器、PC、PAD、手机等。

本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行原始有至少如下方法步骤的程序：构建颅内动脉瘤模型和血流干扰装置模型；获取原始参数，所述原始参数包括至少以下之一：

颅内血流干扰装置大小以及长度、颅内血流干扰装置的膨胀程度、颅内血流干扰装置的初始位置；至少采用所述颅内动脉瘤模型、所述血流干扰装置模型和所述原始参数，模拟血流干扰装置置换过程，得到模拟结果，所述模拟结果包括形态学参数，所述形态学参数包括至少以下之一：颅内动脉瘤内壁应力、颅内动脉瘤管壁位移；基于所述模拟结果进行血流动力学分析，得到血流动力学参数，所述血流动力学参数至少包括流入动脉瘤内的血流量，动脉瘤内管壁剪切应力；根据所述形态学参数和所述血流动力学参数优化所述原始参数。

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。

存储器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)。存储器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，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

实施例

本实施例涉及一种颅内动脉瘤腔内新型血流干扰装置植入模拟的计算方案，该方案包括如下步骤：

步骤1：通过医疗设备(如CT,DSA,MRI,超声等)获得颅内动脉瘤的图像数据；

步骤2：通过Micro-CT扫描的方法获得新型血流干扰装置的结构信息再转换成常用的3D模型文件类型如STL或OBJ的文件格式。；

步骤3：根据步骤1获得的三维图像(0-1二值图)，二值图像是指将图像上的每一个像素只有两种可能的取值或灰度等级状态，颅内动脉瘤所占区域为1其他区域为0，通过半阈值自动分割重建的方法重建出术前血管模型并以STL格式导出；

步骤4：根据步骤3获得的颅内动脉瘤STL模型，将模型添加一个厚度0.6m然后转换为三维计算网格；

步骤5：通过扫描的方式获得血流干扰装置的模型并且建立计算网格，即对所述颅内动脉瘤模型进行网格化处理，得到第一计算网格模型，对所述血流干扰装置模型进行网格化处理，得到第二计算网格模型；

步骤6：根据步骤1获得的三维图像，通过图像处理方法(如骨架法)提取出颅内动脉瘤的中心线；

步骤7：选定系统的初始参数(如血流干扰装置的尺寸大小：s，血流干扰装置的膨胀程度:r，血流干扰装置位置:p，颅内动脉瘤非线性本构模型：W等)，将参数作为输入；

步骤8：根据步骤7获得的初始参数、第一计算网格模型和所述第二计算网格模型，使用交替方向乘子法(ADMM)优化算法来求解隐式时间积分的方法，模拟血流干扰装置沿6获得的中心线运动到颅内动脉瘤，然后逐渐膨开，并与颅内动脉瘤血管壁相互接触的力学过程，获得血流干扰装置完全膨开后各部分的形态。模拟质点在三维空间上的位置变化的计算公式为：

Mv(t+Δt)＝Mv(t)+fext(t)Δt+f(t+Δt)Δt

其中M为网格质点质量，v为质点的速度，t为时间Δt为时间步长，f_ext(t)为外力f(t)为系统质点上受到的力，f(t+Δt)为Δt时间步后系统上的质点受到的力，v(t+Δt)为Δt时间步后系统质点的速度。将该隐式时间积分转化为最优化的公式为：

其中x(t+Δt)为系统质点在Δt的时间步内的新位移

为预测未来时间步Δt的位移。W为能量密度函数，该函数用来模拟血管壁和分流器的材料性质。颅内动脉瘤血管壁的非线性本构模型可以用拟合过的Mooney-Rivlin模型。

Mooney-Rivlin模型中的c₁₀与c₀₁为常数通过对颅内血管组织的拉升实验获得。同理血流干扰装置的的材料性质也可以通过实验获得与其对应的能量密度函数W1。该最优化的公式将通过乘法器的交替方向法(ADMM)求解获得质点在Δt的时间步内的新位移x(t+Δt)。碰撞力F的公式为：F_col＝k_cd；其中，k_c是碰撞力的弹簧弹性；碰撞判定的条件d为：||d||＜d_max；其中，d_max是碰撞开始检测的最大距离，2物体之间的距离小于d_max判定发生碰撞；判定碰的距离是1mm。

对新型血流干扰装置膨开模拟涉及到将血流干扰装置沿着轴向方向分成N层，每一层为n1,n2,n3,n4,n5……nN.根据需要模拟的膨胀百分比从血流干扰装置内部对对应的层施加一个力Fin，该力的大小由对器材的拉伸实验确定。如需要要模拟50％膨开的效果则Fin作用在n1-n(1+N)/2层上对应的模拟结果为新型血流干扰装置膨开50％的模拟结果。

步骤9：从步骤8获得的计算结果提取形态学参数(如颅内动脉瘤内壁应力F，颅内动脉瘤管壁位移d2，)；

步骤10：将步骤8获得的模拟结果(包括模拟膨开后的血流干扰装置，以及在里的作用下的颅内动脉瘤管壁形态)作为输入进行血流动力学的计算(颅内动脉瘤远端主血管作为进口，颅内动脉瘤远端分支出口。通过FVM，输入为前面提到的模型以及患者特异性的进口血流流速血压进行血流模拟并且从计算结果中提取血流动力学参数(如动脉瘤颈部流量q等)，其中FVM(Finite Volume Method)是有限体积法，将计算域划分成若干规则或不规则形状的模块或控制体，是计算出通过每个控制边界沿法向输入(出)的流量和动量通量后，对每个控制体分别进行流量和动量平衡计算，便于得到计算时段末各控制体平均压力和流速；

步骤11：根据9获得的形态学参数以及10获得的血流动力学参数(瓣周漏的流量q)，定义指标γ＝a1·d+a2·F+a3·q；a1、a2、a3指的是每一项参数的权重，体现重要程度的参数可以是a1＝0.3、a1＝0.4、a1＝0.3；

步骤12：根据11获得的指标评价手术模拟结果，并确定下一次系统参数的优化方案，调整系统输入参数重复步骤8-11直至获得最优的模拟结果，最后根据最终优化出的系统参数指定实际的手术方案。

上述步骤，通过减少计算量，从而降低计算成本，进而解决了现有技术中采用有限元模拟计算成本较高的问题，能够实现手术过程的实时模拟，在短时间内实现手术过程的多次迭代计算，为术前或术中规划提供快速的模拟预测结果。

从以上的描述中，可以看出，本申请上述的实施例实现了如下技术效果：

1)、本申请的模拟颅内动脉瘤腔内新型血流干扰装置植入的方法，通过先构建颅内动脉瘤模型和血流干扰装置模型，再获取原始参数，之后至少采用所述颅内动脉瘤模型、所述血流干扰装置模型和所述原始参数，模拟血流干扰装置置换过程，得到模拟结果，进而基于所述模拟结果进行血流动力学分析，得到血流动力学参数，最后根据所述形态学参数和所述血流动力学参数优化所述原始参数，即通过减少计算量，从而降低计算成本，进而解决了现有技术中采用有限元模拟计算成本较高的问题，以及填补现有技术无法模拟颅内动脉瘤腔内新型血流干扰装置植入的方法的空白，能够实现手术过程的实时模拟，在短时间内实现手术过程的多次迭代计算，为术前或术中规划提供快速的模拟预测结果。

2)、本申请的模拟颅内动脉瘤腔内新型血流干扰装置植入的系统，先通过构建模块构建颅内动脉瘤模型和血流干扰装置模型，获取模块再获取原始参数，之后模拟模块至少采用上述颅内动脉瘤模型、上述血流干扰装置模型和上述原始参数，模拟血流干扰装置置换过程，得到模拟结果，进而分析模块基于上述模拟结果进行血流动力学分析，得到血流动力学参数，最后优化模块根据上述形态学参数和上述血流动力学参数优化上述原始参数，即通过减少计算量，从而降低计算成本，进而解决了现有技术中计算成本较高的问题，以及填补现有技术无法模拟颅内动脉瘤腔内新型血流干扰装置植入的方法的空白，能够实现手术过程的实时模拟，为术前或术中规划提供快速的模拟预测结果。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种模拟颅内动脉瘤腔内新型血流干扰装置植入的方法，其特征在于，包括：

构建颅内动脉瘤模型以及颅内动脉瘤腔内血流干扰装置模型；

获取原始参数，所述原始参数包括至少以下之一：颅内血流干扰装置长度、颅内血流干扰装置膨开程度百分比、颅内血流干扰装置位置；

至少采用所述颅内动脉瘤模型、所述颅内动脉瘤腔内血流干扰装置模型和所述原始参数，模拟颅内动脉瘤腔内新型血流干扰装置植入的方法模型植入过程，得到模拟结果，所述模拟结果包括形态学参数，所述形态学参数包括至少以下之一：颅内动脉瘤内壁应力、颅内动脉瘤管壁位移；

基于所述模拟结果进行血流动力学分析，得到血流动力学参数，所述血流动力学参数至少包括流入动脉瘤内的血流量，动脉瘤内管壁剪切应力；

根据所述形态学参数和所述血流动力学参数评估手术结果。

2.根据权利要求1所述的方法，其特征在于，构建颅内动脉瘤模型，包括：

获取颅内动脉瘤的图像数据，所述图像数据包括CTA图像、DSA图像、MRI核磁共振图像；根据所述图像数据构建所述颅内动脉瘤模型。

3.根据权利要求2所述的方法，其特征在于，至少采用所述颅内动脉瘤模型、所述颅内动脉瘤腔内血流干扰装置模型和所述原始参数，模拟颅内动脉瘤腔内新型血流干扰装置植入的方法模型植入过程，得到模拟结果，包括：

从所述三维图像中提取出颅内动脉瘤的中心线；

控制血流干扰装置沿所述中心线在所述颅内动脉瘤模型中移动至所述血流干扰装置的初始位置；

根据膨开百分比控制所述血流干扰装置由最逐渐膨胀，且获取所述血流干扰装置处于完全膨开并于颅内动脉瘤内壁贴合状态下的所述形态学参数。

4.根据权利要求3所述的方法，其特征在于，从所述图像数据中提取出颅内动脉瘤的中心线，包括：

采用骨架法或Delaunay三角剖分算法从所述三维图像或者模型中提取出所述颅内动脉瘤的中心线。

5.根据权利要求3所述的方法，其特征在于，获取所述血流干扰装置处于完全膨开状态时的所述形态学参数，包括：

对所述颅内动脉瘤模型进行网格化处理，得到第一计算网格模型；

对所述血流干扰装置模型进行网格化处理，得到第二计算网格模型；

采用最优化算法，应用所述原始参数、所述第一计算网格模型和所述第二计算网格模型，计算得到所述形态学参数。

6.根据权利要求5所述的方法，其特征在于，所述颅内动脉瘤模型为三维几何模型，对所述颅内动脉瘤模型进行网格化处理，得到第一计算网格模型，包括：

对所述三维几何模型进行阈值分割，得到所述颅内动脉瘤的边界；

通过半阈值自动分割重建的方法重建出术前血管模型并以STL格式导出；

基于所述颅内动脉瘤的模型提取模块网格并将所述模块转换为计算网格，该计算网格构成所述第一计算网格模型。

7.根据权利要求1至6中任一项所述的方法，其特征在于，根据所述形态学参数和所述血流动力学参数优化所述原始参数，包括：

根据所述颅内动脉瘤内应力以及动脉瘤位移判断是否有颅内动脉瘤破裂风险；

根据所述动脉瘤颈部流量确定血流干扰装置模型植入后的血流量衰减以及颅内动脉瘤壁剪切应力；

将所述颅内动脉瘤内应力以及动脉瘤位和血流干扰装置模型植入后的血流量衰减以及动脉瘤壁剪切应力作为评价指标，经过迭代运算不断优化所述原始参数。

8.一种模拟颅内动脉瘤腔内新型血流干扰装置植入的系统，其特征在于，包括：

构建模块，用于构建颅内动脉瘤模型和血流干扰装置模型；

获取模块，用于获取原始参数，所述原始参数包括至少以下之一：颅内血流干扰装置大小以及长度、颅内血流干扰装置的膨胀程度、颅内血流干扰装置的初始位置；

模拟模块，用于至少采用所述颅内动脉瘤模型、所述颅内血流干扰装置模型和所述原始参数，模拟颅内动脉瘤腔内新型血流干扰装置植入过程，得到模拟结果，所述模拟结果包括形态学参数，所述形态学参数包括至少以下之一：颅内动脉瘤内壁应力、颅内动脉瘤管壁位移；

分析模块，用于基于所述模拟结果进行血流动力学分析，得到血流动力学参数，所述血流动力学参数至少包括流入动脉瘤内的血流量，动脉瘤内管壁剪切应力；

优化模块，用于根据所述形态学参数和所述血流动力学参数优化所述原始参数。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至7中任意一项所述的方法。

10.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至7中任意一项所述的方法。

Images