CN114638799A - 一种颅内动脉瘤的自动检测系统及方法 - Google Patents

一种颅内动脉瘤的自动检测系统及方法 Download PDF

Info

Publication number
CN114638799A
CN114638799A CN202210243346.9A CN202210243346A CN114638799A CN 114638799 A CN114638799 A CN 114638799A CN 202210243346 A CN202210243346 A CN 202210243346A CN 114638799 A CN114638799 A CN 114638799A
Authority
CN
China
Prior art keywords
contour data
disease
processor
data
angiogram
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
Application number
CN202210243346.9A
Other languages
English (en)
Other versions
CN114638799B (zh
Inventor
王思伦
黄建淳
龙智朋
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.)
Shenzhen Cheying Doctor Group Co ltd
Original Assignee
Shenzhen Cheying Doctor Group Co ltd
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 Shenzhen Cheying Doctor Group Co ltd filed Critical Shenzhen Cheying Doctor Group Co ltd
Priority to CN202210243346.9A priority Critical patent/CN114638799B/zh
Publication of CN114638799A publication Critical patent/CN114638799A/zh
Application granted granted Critical
Publication of CN114638799B publication Critical patent/CN114638799B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2455—Query execution
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20116—Active contour; Active surface; Snakes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30096—Tumor; Lesion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明一种颅内动脉瘤的自动检测系统包括相互连接的服务器和移动终端；所述移动终端包括图像获取模块；所述图像获取模块能够获取患者的第一血管造影图；所述服务器包括数据库和处理器；所述数据库中存储有第一疾病、与所述第一疾病对应的第一疾病等级；所述处理器能够通过图片识别法输出第一疾病或正常信号，通过数据对比法输出第一疾病等级。本发明能够自动检测颅内动脉瘤这个疾病，能够给医生参考，防止误诊的情况发生，同时，患者能够在做完血管造影术后马上得知患有的疾病与疾病等级，从而能够使患者重视疾病，加快治疗进度，拯救患者生命，保证患者的健康安全。

Description

一种颅内动脉瘤的自动检测系统及方法
技术领域
本发明涉及一种医疗领域，特别是涉及一种颅内动脉瘤的自动检测系统。
背景技术
颅内动脉瘤多为发生在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。任何年龄可发病，多数好发于40至60岁中老年女性。造成颅内动脉瘤的病因尚不甚清楚，多数学者认为颅内动脉瘤是在颅内动脉管壁局部的先天性缺陷和腔内压力增高的基础上引起，高血压、脑动脉硬化、血管炎与动脉瘤的发生与发展有关。颅内动脉瘤好发于脑底动脉环(Willis环)上，其中80％发生于脑底动脉环前半部。
目前检测颅内动脉瘤的金标准为DSA-数字减影血管成像，现有技术中，颅内动脉瘤信息一般是由医生根据影像学随访结果，结合医生的经验给出的结果，这种方法缺乏客观依据，且受客观因素的影响较大。这种方法，因无法提前预测颅内动脉瘤的信息而导致不能提前治疗，增加了动脉瘤破裂的风险。
因此，目前亟需一种能够自动检测颅内动脉瘤的、减少破裂风险的、保障患者生命安全的、辅助医生诊断的一种内动脉瘤的自动检测系统。
发明内容
本发明要解决的技术问题是提供一种能够自动检测颅内动脉瘤的、减少破裂风险的、保障患者生命安全的、辅助医生诊断的一种内动脉瘤的自动检测系统。
本发明一种颅内动脉瘤的自动检测系统，包括相互连接的服务器和移动终端；
所述移动终端包括图像获取模块；
所述图像获取模块能够获取患者的第一血管造影图；
所述服务器包括数据库和处理器；
所述数据库中存储有第一疾病、与所述第一疾病对应的第一疾病等级；
所述处理器能够通过图片识别法输出第一疾病或正常信号，通过数据对比法输出第一疾病等级。
本发明一种颅内动脉瘤的自动检测系统，其中图像识别法包括:
所述数据库中还存储有第一距离d1、第一连线f，所述第一连线f为一条水平的线；所述处理器能够获取所述第一血管造影图中每个像素数据的灰度值，并将灰度值大于等于第一预设灰度值的像素数据剔除，将剔除后的所述第一血管造影图输出为第二血管造影图；
所述处理器能够获取所述第二血管造影图的第一轮廓数据、第二轮廓数据，所述第一轮廓数据位于所述第二轮廓数据的左侧；所述处理器将所述第一轮廓数据和所述第二轮廓数据上每间隔第一距离d1设置一条所述第一连线f；所述处理器判断所述第一轮廓数据和所述第二轮廓数据能否连续第一预设阈值次将所述第一连线f分割成至少两段有左端点和右端点的第一线段；
若能，则将所述第一轮廓数据和/或第二轮廓数据输出为第三轮廓数据，将第一条被分割成至少两段的所述第一连线f中的第一线段的长度大于等于第一预设长度的第一线段输出为第二连线gi；
所述处理器将所述第一距离d1通过第一算法输出为第二距离d2，并以第二距离d2在第二连线gi的上侧由下至上在所述第三轮廓数据上设置多条第三连线p、在所述第二连线gi下侧由上至下在所述第三轮廓数据上设置多条第三连线p，所述第三连线p与所述第一连线f平行，所述处理器能够获取所述第二连线gi下侧的最后一个被分割的所述第三连线p并输出为第四连线q1，所述处理器能够获取所述第二连线gi上侧的最后一个被分割的所述第三连线p，并输出为第五连线q2，并将所述第四连线q1与所述第五连线q2之间的多个所述第三连线p被所述第三轮廓数据分割成的有左端点和右端点的线段输出为第二线段；
所述处理器判断所述第三轮廓数据是由所述第一轮廓数据输出还是由第二轮廓数据输出；
若所述第三轮廓数据由第一轮廓数据输出的，则所述处理器由左至右将所述第二线段中的第奇数个第二线段与所述第三轮廓数据的交点输出为动脉瘤点；
若所述第三轮廓数据由第二轮廓数据输出的，则所述处理器由右至左将所述第二线段中的第奇数个第二线段与所述第三轮廓数据的交点输出为动脉瘤点；
所述处理器将多个所述动脉瘤点按照所述第三轮廓数据的轨迹构成第四轮廓数据，并输出第一疾病；
若不能，则输出正常信号。
本发明一种颅内动脉瘤的自动检测系统，其中“所述处理器能够获取所述第二血管造影图的第一轮廓数据、第二轮廓数据”的步骤为：所述数据库中存储有动脉轮廓，将所述第一血管造影图与存储的动脉轮廓对比，将最接近动脉轮廓的所述第一血管造影图中轮廓输出为第一轮廓数据和第二轮廓数据。
本发明一种颅内动脉瘤的自动检测系统，其中“所述处理器能够获取所述第二血管造影图的第一轮廓数据、第二轮廓数据”的步骤为：数据库中存储有正常人的血管造影图、还存储有第一区域网格，所述第一区域网格能够正常人的血管造影图中的毛细血管部分和动脉部分划分开，所述处理器根据所述第一区域网格占正常人的血管造影图的比例，将所述第一血管造影图按照第一区域网格占正常人的血管造影图的比例进行划分，将第一血管造影图中毛细血管的区域剔除，并获取所述动脉区域的轮廓输出为第一轮廓数据和第二轮廓数据。
本发明一种颅内动脉瘤的自动检测系统，其中移动终端与所述服务器的连接方式为无线连接。
本发明一种颅内动脉瘤的自动检测系统，其中移动终端为电脑、手机、平板电脑。
本发明一种颅内动脉瘤的自动检测系统，其中所述第一疾病为颅内动脉瘤。
本发明一种颅内动脉瘤的自动检测系统，其中所述第一血管造影图的像素为1920*1080。
本发明一种颅内动脉瘤的自动检测系统的检测方法，包括如下步骤：
存储有第一疾病、与所述第一疾病对应的第一疾病等级；
获取患者的第一血管造影图；
所述处理器能够通过图片识别法输出第一疾病或正常信号，通过数据对比法输出第一疾病等级。
本发明一种颅内动脉瘤的自动检测系统与现有技术不同之处在于本发明一种颅内动脉瘤的自动检测系统通过所述处理器通过图片识别法识别出患者患有颅内动脉瘤的疾病或患者身体正常的信号，在通过数据对比法能够输出患者的颅内动脉瘤的疾病等级，从而能够自动检测颅内动脉瘤这个疾病，能够给医生参考，防止误诊的情况发生，同时，患者能够在做完血管造影术后马上得知患有的疾病与疾病等级，从而能够使患者重视疾病，加快治疗进度，拯救患者生命，保证患者的健康安全。
下面结合附图对本发明的一种颅内动脉瘤的自动检测系统作进一步说明。
附图说明
图1是一种颅内动脉瘤的自动检测系统的流程图；
图2是一种颅内动脉瘤的自动检测系统的动脉轮廓图；
图3是分割第一轮廓数据示意图；
图4是分割第二轮廓数据示意图；
图5是第三轮廓数据与第三连线p的示意图；
图6是第四轮廓数据示意图；
图7是第一血管造影图。
具体实施方式
如图1～7所示，参见图1、7，一种颅内动脉瘤的自动检测系统，包括相互连接的服务器和移动终端；
所述移动终端包括图像获取模块；
所述图像获取模块能够获取患者的第一血管造影图；
所述服务器包括数据库和处理器；
所述数据库中存储有第一疾病、与所述第一疾病对应的第一疾病等级；
所述处理器能够通过图片识别法输出第一疾病或正常信号，通过数据对比法输出第一疾病等级。
本发明通过所述处理器通过图片识别法识别出患者患有颅内动脉瘤的疾病或患者身体正常的信号，在通过数据对比法能够输出患者的颅内动脉瘤的疾病等级，从而能够自动检测颅内动脉瘤这个疾病，能够给医生参考，防止误诊的情况发生，同时，患者能够在做完血管造影术后马上得知患有的疾病与疾病等级，从而能够使患者重视疾病，加快治疗进度，拯救患者生命，保证患者的健康安全。
其中，所述第一疾病为颅内动脉瘤。
其中，所述第一血管造影图中患者的动脉的走向为由下到上。
其中，所述移动终端和所述服务器的连接方式为无线连接。
本发明通过上述无线连接的移动终端和服务器能够是移动远程观看到患者的图像和疾病信息，比较方便并且人性化。
其中，所述移动终端为电脑、手机、平板电脑。
优选的，参见图2-7，所述图像识别法包括
所述数据库中还存储有第一距离d1、第一连线f，所述第一连线f为一条水平的线；所述处理器能够获取所述第一血管造影图中每个像素数据的灰度值，并将灰度值大于等于第一预设灰度值的像素数据剔除，将剔除后的所述第一血管造影图输出为第二血管造影图；
所述处理器能够获取所述第二血管造影图的第一轮廓数据、第二轮廓数据，所述第一轮廓数据位于所述第二轮廓数据的左侧；所述处理器将所述第一轮廓数据和所述第二轮廓数据上每间隔第一距离d1设置一条所述第一连线f；所述处理器判断所述第一轮廓数据和所述第二轮廓数据能否连续第一预设阈值次将所述第一连线f分割成至少两段有左端点和右端点的第一线段；
若能，则将所述第一轮廓数据和/或第二轮廓数据输出为第三轮廓数据，将第一条被分割成至少两段的所述第一连线f中的第一线段的长度大于等于第一预设长度的第一线段输出为第二连线gi；
所述处理器将所述第一距离d1通过第一算法输出为第二距离d2，并以第二距离d2在第二连线gi的上侧由下至上在所述第三轮廓数据上设置多条第三连线p、在所述第二连线gi下侧由上至下在所述第三轮廓数据上设置多条第三连线p，所述第三连线p与所述第一连线f平行，所述处理器能够获取所述第二连线gi下侧的最后一个被分割的所述第三连线p并输出为第四连线q1，所述处理器能够获取所述第二连线gi上侧的最后一个被分割的所述第三连线p，并输出为第五连线q2，并将所述第四连线q1与所述第五连线q2之间的多个所述第三连线p被所述第三轮廓数据分割成的有左端点和右端点的线段输出为第二线段；
所述处理器判断所述第三轮廓数据是由所述第一轮廓数据输出还是由第二轮廓数据输出；
若所述第三轮廓数据由第一轮廓数据输出的，则所述处理器由左至右将所述第二线段中的第奇数个第二线段与所述第三轮廓数据的交点输出为动脉瘤点；
若所述第三轮廓数据由第二轮廓数据输出的，则所述处理器由右至左将所述第二线段中的第奇数个第二线段与所述第三轮廓数据的交点输出为动脉瘤点；
所述处理器将多个所述动脉瘤点按照所述第三轮廓数据的轨迹构成第四轮廓数据，并输出第一疾病；
若不能，则输出正常信号。
本发明首先通过获取患者的血管造影图像，将图像灰度大的像素剔除，这样能够直接筛选出患者的颅内动脉位置，将患者的颅内动脉按照第一距离d1进行多端分割，先筛查出动脉瘤的大概位置，在将动脉瘤的大概位置通过第二距离d2再次精细分割，最终输出动脉瘤的轮廓数据，若能够输出动脉瘤的轮廓数据则证明患者患有颅内动脉瘤，从而输出第一疾病数据，若不能够输出动脉瘤的轮廓数据，则证明患者没有患有颅内动脉瘤，从而输出正常信号。
其中，所述第一预设灰度值为0-10，优选为5。
其中，所述第一连线d和所述第三连线p均为没有两端点的连线，换句话说，两端均为射线。
其中，所述第一预设长度为0.2-0.8mm，优选为0.5mm。
其中，所述第一距离d1的单位为mm，数值为0.5mm-1mm，优选为0.8mm。
本发明由于患者的颅内动脉血管瘤的最小尺寸小于5mm，因此本发明将所述第一距离d1设置成0.8mm，能够通过第一连线f将所述颅内动脉血管瘤多次分割。
其中，所述第一预设次数c为2-+∞次，优选为3次。
本发明通过将所述第一预设次数设置成3次能够避免由于血管弯曲造成误判，只有连续分割三次才能确认是颅内动脉瘤，从而使系统运算的更加准确。
其中，所述第一血管造影图的像素为1920*1080。
其中，所述第一血管造影图中的脑血管与患者脑子中的血管比例为1：1。
其中，获取所述第一轮廓数据和所述第二轮廓数据的步骤还可为：所述数据库中存储有动脉轮廓，将所述第一血管造影图与存储的动脉轮廓对比，将最接近动脉轮廓的所述第一血管造影图中轮廓输出为第一轮廓数据和第二轮廓数据。
本发明通过提前存储动脉轮廓的形状，与患者的血管造影图中做对比，能够比较准确的将患者的动脉轮廓提取出来。
其中，获取所述第一轮廓数据和所述第二轮廓数据的步骤的变形还可为：数据库中存储有正常人的血管造影图、还存储有第一区域网格，所述第一区域网格能够正常人的血管造影图中的毛细血管部分和动脉部分划分开，所述处理器根据所述第一区域网格占正常人的血管造影图的比例，将所述第一血管造影图按照第一区域网格占正常人的血管造影图的比例进行划分，将第一血管造影图中毛细血管的区域剔除，并获取所述动脉区域的轮廓输出为第一轮廓数据和第二轮廓数据。
本发明通过提前存储正常人的所述血管造影图并将其按照毛细血管和动脉血管进行划分，计算划分比例，再将这个比例放在患者的血管造影图中，将患者的血管造影图中的毛细血管剔除，剩下的部分就是动脉血管，从而能够提取轮廓。
其中，获取所述第一轮廓数据和所述第二轮廓数据也为现有技术，可通过图像识别软件完成。
例如，由于患者脑动脉造影图的颜色为比毛细血管的颜色要深，因此通过剔除灰度值较大的像素，能够只保留患者的脑动脉，如图2所示，通过灰度对比能够将患者的脑动脉获取出来，并能够获取脑动脉的轮廓，左面的轮廓为第一轮廓数据，右面的轮廓为第二轮廓数据，将第一轮廓数据和所述第二轮廓数据每隔0.8mm设置一个第一连线f，对比图3和图4来看，明显观察到图4中的第二轮廓数据能够将所述第一连线f分割成有左端点和右端点的线段，因此能够知道患者的颅内动脉瘤长在了第二轮廓数据的一侧，因此将所述第二轮廓数据输出为第三轮廓数据，并将第一个被分割的第一连线f中的第一线段长度大于0.5mm的那一段，输出为第二连线，由图5可知，第一个被分割的第一连线f具有左端点和右端点的第一线段有两条，长度超过0.5mm的只有一条，也就是第二连线为图5中的g1，接着通过第一计算法计算出d2为0.2mm，以0.2mm为间隔在g1的上部分由下至上设置多个第三连线p，以0.2mm为间隔在g1的下部分由上至下设置多个第三连线p，并将最下端被第三轮廓数据分割的输出为q1，将最上端的被第三轮廓数据分割的输出为q2，由于第三连线p也被第三轮廓数据分割成两个具有左端点和右端点的第二线段，并且患者的所述第三轮廓数据是由第二轮廓数据输出的，则将两个所述第二线段中的奇数个，也就是第一个所述第一线段与所述第三轮廓数据交点输出为动脉瘤点，参见图6，将这些动脉瘤点按照第三轮廓数据的连线输出为第四轮廓数据，也就是颅内动脉瘤的轮廓数据，当系统检测到有动脉瘤的轮廓数据时，输出第一疾病，也就是输出患者患有颅内动脉瘤。
优选的，参见图5，所述第一计算法为
所述处理器能够获取所述第三轮廓数据连续将所述第一连线f分割的第一条数c，根据所述第一距离d1和第一公式输出第二距离d2；
Figure BDA0003543721500000101
本发明通过上述公式可知，d1为已知的常数，
Figure BDA0003543721500000102
为单调递减的函数，其中c为不断变化的未知数，c越大证明动脉瘤的面积越大，因此，再次分割的第二距离d1的精度不必过于精密，所以c越大，
Figure BDA0003543721500000103
越小，d2的值越大，从而减小系统的运算和检测时间，又由于c越小证明患者的动脉瘤的面积越小，因此，需要再次分割的第二距离d2更加精密，因此，c越小，
Figure BDA0003543721500000104
的值越大，d2的值越小，从而能够将患者的动脉瘤的轮廓精密的勾勒出来。
例如，由图3可知，所述第一连线f中虚线的是被分割的，因此可知，有3条被分割了，则c为3，通过上述公式可知，
Figure BDA0003543721500000105
优选的，所述数据对比法为
所述数据库中存储有与多个第二长度范围，所述第二长度范围为不同大小的颅内动脉瘤的最高点与最低点的距离、存储有多个第二长度范围对应的第一疾病等级；
所述处理器获取所述第四轮廓数据的最高点与最低点，并将最高点与最低点用直线连接，构成第三距离d3；
所述处理器输出与所述第三距离d3对应的所述第二长度范围对应的所述第一预选疾病等级，根据所述等级判断法将所述第一预选疾病等级输出为第一疾病等级至移动终端。
本发明通过计算将患者的颅内动脉瘤的最高点与最低点连接起来，计算患者颅内动脉瘤的长度，从而得知患者的颅内动脉瘤的大小，并与数据库中存储的不同颅内动脉瘤的大小做对比，从而输出与颅内动脉瘤大小对应的疾病等级。
其中，所述等级判断法为将所述第一预选疾病数据直接输出为第一疾病等级。
第二长度范围(mm) 动脉瘤类别 第一预选疾病等级
(0，5] 小型动脉瘤 一级
(5，10] 中型动脉瘤 二级
(10，25] 大型动脉瘤 三级
(25，∞] 巨大型动脉瘤 四级
例如，由图5可知，d3的长度为5.8mm，则对应的第二长度范围为(5，10]，因此可知患者长了一个中型动脉瘤，为二级。
优选的，所述等级判断法包括:
所述数据库中存储有第一录入模块，所述第一录入模块能够获取患者的年龄信息、疾病信息；
所述数据库中存储有与所述年龄信息对应的年龄指数r、与疾病信息对应的疾病指数y、第一预选疾病等级对应疾病等级指数k并根据第二公式输出颅内动脉瘤的权重值T；
T＝2[ln(r+1)+3(2k+y)]*1％ 第二公式；
所述处理器判断权重值T是否大于第一预设百分比阈值；
若是，则将所述第一长度范围减小第一修正常数，将所述第一预选疾病等级输出为第一疾病等级并上传至移动终端；
若否，则直接将所述第一预选疾病数据输出为第一疾病数据并上传至移动终端。
本发明通过所述患者的年龄、疾病、第一预选疾病等级确定患者的动脉瘤的破裂几率，由于老年人的血管比较脆弱，当年龄到达一定程度血管脆弱程度都差不多，因此患者的年龄越大破裂的几率越大，所以权重值越大，但随着年龄的不断增长，破裂几率基本稳定，由于ln(r+1)为单调递增且后期逐渐平稳的函数，因此其能够反应出年龄对权重值的影响，由于患者患有高血压等疾病会增加血流速度，从而引发血管破裂的几率较大，因此占有较大的权重，当患者颅内动脉瘤的权重值大于75％时，将所述第一长度范围减少第一修正常数，从而增大患者的疾病等级，使患者能够及时救治。
第二长度范围(mm) 动脉瘤类别 第一疾病等级
(0，3] 小型动脉瘤 一级
(3，7] 中型动脉瘤 二级
(7，22] 大型动脉瘤 三级
(22，∞] 巨大型动脉瘤 四级
其中，所述第一修正常数为2。
其中，所述第一百分比阈值为60％-90％，优选为75％。
Figure BDA0003543721500000121
Figure BDA0003543721500000131
疾病信息 疾病指数y
高血压 5
动脉硬化 3
第一预选疾病等级 疾病等级指数k
一级 3
二级 3.8
三级 4.2
四级 5
例如，患者年龄为66岁，患有高血压，第一预选疾病等级为一级，颅内动脉瘤的大小为4.8mm，没有通过等级判断法判断之前为一级，通过上述公式可知权重值T为0.78，也就是78％，大于第一预设百分比75％，因此这名患者的疾病等级为二级，应该重视治疗。
本发明一种颅内动脉瘤的自动检测系统的检测方法，包括如下步骤：
步骤一、存储有第一疾病、与所述第一疾病对应的第一疾病等级；
步骤二、获取患者的第一血管造影图；
步骤三、所述处理器能够通过图片识别法输出第一疾病或正常信号，通过数据对比法输出第一疾病等级。
以上所述的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案作出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (9)

1.一种颅内动脉瘤的自动检测系统，其特征在于：包括相互连接的服务器和移动终端；
所述移动终端包括图像获取模块；
所述图像获取模块能够获取患者的第一血管造影图；
所述服务器包括数据库和处理器；
所述数据库中存储有第一疾病、与所述第一疾病对应的第一疾病等级；
所述处理器能够通过图片识别法输出第一疾病或正常信号，通过数据对比法输出第一疾病等级。
2.根据权利要求1所述的一种颅内动脉瘤的自动检测系统，其特征在于所述图像识别法包括:
所述数据库中还存储有第一距离d1、第一连线f，所述第一连线f为一条水平的线；所述处理器能够获取所述第一血管造影图中每个像素数据的灰度值，并将灰度值大于等于第一预设灰度值的像素数据剔除，将剔除后的所述第一血管造影图输出为第二血管造影图；
所述处理器能够获取所述第二血管造影图的第一轮廓数据、第二轮廓数据，所述第一轮廓数据位于所述第二轮廓数据的左侧；所述处理器将所述第一轮廓数据和所述第二轮廓数据上每间隔第一距离d1设置一条所述第一连线f；所述处理器判断所述第一轮廓数据和所述第二轮廓数据能否连续第一预设阈值次将所述第一连线f分割成至少两段有左端点和右端点的第一线段；
若能，则将所述第一轮廓数据和/或第二轮廓数据输出为第三轮廓数据，将第一条被分割成至少两段的所述第一连线f中的第一线段的长度大于等于第一预设长度的第一线段输出为第二连线gi；
所述处理器将所述第一距离d1通过第一算法输出为第二距离d2，并以第二距离d2在第二连线gi的上侧由下至上在所述第三轮廓数据上设置多条第三连线p、在所述第二连线gi下侧由上至下在所述第三轮廓数据上设置多条第三连线p，所述第三连线p与所述第一连线f平行，所述处理器能够获取所述第二连线gi下侧的最后一个被分割的所述第三连线p并输出为第四连线q1，所述处理器能够获取所述第二连线gi上侧的最后一个被分割的所述第三连线p，并输出为第五连线q2，并将所述第四连线q1与所述第五连线q2之间的多个所述第三连线p被所述第三轮廓数据分割成的有左端点和右端点的线段输出为第二线段；
所述处理器判断所述第三轮廓数据是由所述第一轮廓数据输出还是由第二轮廓数据输出；
若所述第三轮廓数据由第一轮廓数据输出的，则所述处理器由左至右将所述第二线段中的第奇数个第二线段与所述第三轮廓数据的交点输出为动脉瘤点；
若所述第三轮廓数据由第二轮廓数据输出的，则所述处理器由右至左将所述第二线段中的第奇数个第二线段与所述第三轮廓数据的交点输出为动脉瘤点；
所述处理器将多个所述动脉瘤点按照所述第三轮廓数据的轨迹构成第四轮廓数据，并输出第一疾病；
若不能，则输出正常信号。
3.根据权利要求2所述的一种颅内动脉瘤的自动检测系统，其特征在于：“所述处理器能够获取所述第二血管造影图的第一轮廓数据、第二轮廓数据”的步骤为：所述数据库中存储有动脉轮廓，将所述第一血管造影图与存储的动脉轮廓对比，将最接近动脉轮廓的所述第一血管造影图中轮廓输出为第一轮廓数据和第二轮廓数据。
4.根据权利要求2所述的一种颅内动脉瘤的自动检测系统，其特征在于：“所述处理器能够获取所述第二血管造影图的第一轮廓数据、第二轮廓数据”的步骤为：数据库中存储有正常人的血管造影图、还存储有第一区域网格，所述第一区域网格能够正常人的血管造影图中的毛细血管部分和动脉部分划分开，所述处理器根据所述第一区域网格占正常人的血管造影图的比例，将所述第一血管造影图按照第一区域网格占正常人的血管造影图的比例进行划分，将第一血管造影图中毛细血管的区域剔除，并获取所述动脉区域的轮廓输出为第一轮廓数据和第二轮廓数据。
5.根据权利要求3或4所述的一种颅内动脉瘤的自动检测系统，其特征在于：所述移动终端与所述服务器的连接方式为无线连接。
6.根据权利要求5所述的一种颅内动脉瘤的自动检测系统，其特征在于：所述移动终端为电脑、手机、平板电脑。
7.根据权利要求6所述的一种颅内动脉瘤的自动检测系统，其特征在于：所述第一疾病为颅内动脉瘤。
8.根据权利要求7所述的一种颅内动脉瘤的自动检测系统，其特征在于：所述第一血管造影图的像素为1920*1080。
9.基于权利要求1-8所述的一种颅内动脉瘤的自动检测系统的检测方法，其特征在于包括如下步骤：
存储有第一疾病、与所述第一疾病对应的第一疾病等级；
获取患者的第一血管造影图；
所述处理器能够通过图片识别法输出第一疾病或正常信号，通过数据对比法输出第一疾病等级。
CN202210243346.9A 2022-03-11 2022-03-11 一种颅内动脉瘤的自动检测系统 Active CN114638799B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210243346.9A CN114638799B (zh) 2022-03-11 2022-03-11 一种颅内动脉瘤的自动检测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210243346.9A CN114638799B (zh) 2022-03-11 2022-03-11 一种颅内动脉瘤的自动检测系统

Publications (2)

Publication Number Publication Date
CN114638799A true CN114638799A (zh) 2022-06-17
CN114638799B CN114638799B (zh) 2023-03-21

Family

ID=81947938

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210243346.9A Active CN114638799B (zh) 2022-03-11 2022-03-11 一种颅内动脉瘤的自动检测系统

Country Status (1)

Country Link
CN (1) CN114638799B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115227274A (zh) * 2022-09-19 2022-10-25 南京邮电大学 基于深度学习的动脉瘤检测方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080118127A1 (en) * 2006-11-22 2008-05-22 General Electric Company Methods and apparatus for detecting aneurysm in vasculatures
JP2015144725A (ja) * 2014-02-03 2015-08-13 株式会社東芝 医用画像処理装置
JP2016146996A (ja) * 2015-02-13 2016-08-18 東芝メディカルシステムズ株式会社 医用画像処理装置および医用画像処理装置における医用画像表示方法
JP2018000981A (ja) * 2017-08-23 2018-01-11 東芝メディカルシステムズ株式会社 動脈瘤破裂リスク解析プログラム及びシステム
CN109919961A (zh) * 2019-02-22 2019-06-21 北京深睿博联科技有限责任公司 一种用于颅内cta图像中动脉瘤区域的处理方法及装置
CN109924956A (zh) * 2019-04-19 2019-06-25 广州新脉科技有限公司 一种颅内动脉瘤图像的形态学参数的测量方法及装置
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
CN112784928A (zh) * 2021-02-10 2021-05-11 昆明同心医联科技有限公司 Dsa影像识别方法、装置及存储介质
CN113066061A (zh) * 2021-03-24 2021-07-02 同心医联科技（北京）有限公司 一种基于mra的动脉瘤检测方法、系统、终端及介质
CN113436166A (zh) * 2021-06-24 2021-09-24 深圳市铱硙医疗科技有限公司 基于磁共振血管造影数据的颅内动脉瘤检测方法及系统

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080118127A1 (en) * 2006-11-22 2008-05-22 General Electric Company Methods and apparatus for detecting aneurysm in vasculatures
JP2015144725A (ja) * 2014-02-03 2015-08-13 株式会社東芝 医用画像処理装置
JP2016146996A (ja) * 2015-02-13 2016-08-18 東芝メディカルシステムズ株式会社 医用画像処理装置および医用画像処理装置における医用画像表示方法
JP2018000981A (ja) * 2017-08-23 2018-01-11 東芝メディカルシステムズ株式会社 動脈瘤破裂リスク解析プログラム及びシステム
CN109919961A (zh) * 2019-02-22 2019-06-21 北京深睿博联科技有限责任公司 一种用于颅内cta图像中动脉瘤区域的处理方法及装置
CN109924956A (zh) * 2019-04-19 2019-06-25 广州新脉科技有限公司 一种颅内动脉瘤图像的形态学参数的测量方法及装置
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
CN112784928A (zh) * 2021-02-10 2021-05-11 昆明同心医联科技有限公司 Dsa影像识别方法、装置及存储介质
CN113066061A (zh) * 2021-03-24 2021-07-02 同心医联科技（北京）有限公司 一种基于mra的动脉瘤检测方法、系统、终端及介质
CN113436166A (zh) * 2021-06-24 2021-09-24 深圳市铱硙医疗科技有限公司 基于磁共振血管造影数据的颅内动脉瘤检测方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
朱栋梁 等: "数字减影血管造影实时三维路径图技术在颅内动脉瘤介入栓塞术中的应用", 《实用医技杂志》 *
苏显球 等: "脑动脉CTA与MRA对颅内动脉瘤的诊断价值", 《海南医学》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115227274A (zh) * 2022-09-19 2022-10-25 南京邮电大学 基于深度学习的动脉瘤检测方法
CN115227274B (zh) * 2022-09-19 2022-11-25 南京邮电大学 基于深度学习的动脉瘤检测系统

Also Published As

Publication number Publication date
CN114638799B (zh) 2023-03-21

Similar Documents

Publication Publication Date Title
CN111340789B (zh) 眼底视网膜血管识别及量化方法、装置、设备及存储介质
CN112716446B (zh) 高血压性视网膜病变的病变特征的测量方法及测量系统
US11490963B2 (en) Route selection assistance system, recording medium on which route selection assistance program is recorded, route selection assistance method, and diagnosis method
CN111415321B (zh) 动脉瘤破裂风险检测装置及设备
CN109924956B (zh) 一种颅内动脉瘤图像的形态学参数的测量方法及装置
CN109273074B (zh) 一种用于医疗图像的网络模型调整方法及设备
CN112883962A (zh) 眼底图像识别方法、装置、设备、存储介质以及程序产品
CN114638799B (zh) 一种颅内动脉瘤的自动检测系统
CN111696100A (zh) 基于眼底影像确定吸烟程度的方法及设备
CN114096993A (zh) 图像分割置信度确定
KR20170128236A (ko) 두개내압의 비-침습적 평가 방법 및 장치
CN107767874A (zh) 一种婴儿啼哭声识别提示方法及系统
CN116579954B (zh) 一种超高清内窥镜图像智能增强方法
Krishnamoorthy et al. Regression model-based feature filtering for improving hemorrhage detection accuracy in diabetic retinopathy treatment
CN109009000A (zh) 一种主动脉夹层破口位置的检测方法
KR102361354B1 (ko) 관상동맥 조영 영상에서 심장 협착증 질병 정보 제공 방법
CN115222674A (zh) 基于多维特征融合的颅内动脉瘤破裂风险的检测装置
US20220061920A1 (en) Systems and methods for measuring the apposition and coverage status of coronary stents
CN111582366B (zh) 图像处理方法、装置及设备
CN113361482A (zh) 核性白内障识别方法、装置、电子设备以及存储介质
CN117495817A (zh) 一种腔镜下血管异常图像判断方法及装置
CN116309264A (zh) 造影图像判定方法及造影图像判定装置
CN112862831A (zh) 对抗网络生成方法和眼底荧光造影图像无灌注区分割方法
CN116385812B (zh) 图像分类方法及装置、电子设备及存储介质
CN118571492B (zh) 基于组织边界影响的主动脉夹层患者并发症风险预测模型

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