CN115424729A - 一种微导管虚拟介入的路径模拟方法 - Google Patents

一种微导管虚拟介入的路径模拟方法 Download PDF

Info

Publication number
CN115424729A
CN115424729A CN202210920657.4A CN202210920657A CN115424729A CN 115424729 A CN115424729 A CN 115424729A CN 202210920657 A CN202210920657 A CN 202210920657A CN 115424729 A CN115424729 A CN 115424729A
Authority
CN
China
Prior art keywords
intervention
blood vessel
potential field
point
path
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.)
Withdrawn
Application number
CN202210920657.4A
Other languages
English (en)
Inventor
陈磊
郑传胜
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.)
Tongji Medical College of Huazhong University of Science and Technology
Original Assignee
Tongji Medical College of Huazhong University of Science and Technology
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 Tongji Medical College of Huazhong University of Science and Technology filed Critical Tongji Medical College of Huazhong University of Science and Technology
Priority to CN202210920657.4A priority Critical patent/CN115424729A/zh
Publication of CN115424729A publication Critical patent/CN115424729A/zh
Withdrawn legal-status Critical Current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
    • G16H50/50—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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
    • A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
    • A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
    • A61B2034/101—Computer-aided simulation of surgical operations
    • A61B2034/105—Modelling of the patient, e.g. for ligaments or bones
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
    • A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
    • A61B2034/107—Visualisation of planned trajectories or target regions
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
    • A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
    • A61B2034/108—Computer aided selection or customisation of medical implants or cutting guides

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Surgery (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Urology & Nephrology (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Robotics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了一种微导管虚拟介入的路径模拟方法，包括以下步骤：在所述样本血管的介入端口处与目标患处利用人工势场法构建人工势场模型，并基于人工势场模型与随机树搜索对样本血管进行介入路径的规划得到样本血管的微导管虚拟介入路径；将样本血管的微导管虚拟介入路径进行逐点的血管特征采集和介入位置特征采集，并利用CNN神经网络基于血管特征和介入位置特征进行模型训练得到表征血管特征和介入位置特征映射关系的介入路径规划模型。本发明利用模型训练得到表征血管特征和介入位置特征映射关系的介入路径规划模型，对人工势场模型与随机树搜索进行规划步骤精简和准确性保留，实现通过血管特征进行介入位置的确定，提高路径规划效率。

Description

一种微导管虚拟介入的路径模拟方法
技术领域
本发明涉及医疗器械技术领域，具体涉及一种微导管虚拟介入的路径模拟方法。
背景技术
颅内动脉瘤，又称脑血管瘤，其是由颅内动脉内腔异常扩张而形成动脉壁的一种瘤状突起，是一种常见的血管性疾病。颅内动脉瘤可分为非破裂动脉瘤和破裂动脉瘤，绝大部分的颅内动脉瘤为非破裂动脉瘤，非破裂动脉瘤的年破裂率仅为0.05％。然而，非破裂动脉瘤一旦破裂便会引发自发性蛛网膜下隙出血，进而演变成破裂动脉瘤，破裂动脉瘤的致死致残率超过50％，严重威胁患者的生命。
目前，颅内动脉瘤的最常见且最广泛使用的治疗方法是微导管介入，主要通过手术的方式将相应的微导管送达动脉瘤内。在手术之前，最重要的环节之一就是微导管虚拟介入，其目的是辅助医生在手术之前预测微导管在患者血管中的行进路径，进而辅助医生判断微导管是否能够顺利进入到病患处，同时也是微导管准确塑性的关键因素，人工规划的主观随机性强，难以保证微导管介入路径的准确性。
发明内容
本发明的目的在于提供一种微导管虚拟介入的路径模拟方法，以解决现有技术中人工规划的主观随机性强，难以保证微导管介入路径的准确性的技术问题。
为解决上述技术问题，本发明具体提供下述技术方案：
一种微导管虚拟介入的路径模拟方法，其特征在于，包括以下步骤：
步骤S1、选取一组历史病例的介入血管作为样本血管，在所述样本血管的介入端口处与目标患处利用人工势场法构建人工势场模型，并基于人工势场模型与随机树搜索对样本血管进行介入路径的规划得到样本血管的微导管虚拟介入路径，所述介入血管为可用于微导管虚拟介入治疗使用的人体血管；
步骤S2、将样本血管的微导管虚拟介入路径进行逐点的血管特征采集和介入位置特征采集，并利用CNN神经网络基于血管特征和介入位置特征进行模型训练得到表征血管特征和介入位置特征映射关系的介入路径规划模型；
步骤S3、将目标对象的介入血管进行逐点的血管特征采集，并利用介入路径规划模型基于目标对象的所述血管特征进行预测得到目标对象的介入血管中逐点的介入位置特征，基于介入位置特征得到目标对象的微导管虚拟介入路径。
作为本发明的一种优选方案，所述在所述样本血管的介入端口处与目标患处利用人工势场法构建人工势场模型，包括：
将目标患处作为微导管的引力源，构建目标患处对微导管的引力势场，所述引力势场的模型函数为：
Figure BDA0003777392910000021
式中，Ui,attr表征为第i个样本血管中引力势场的势场强度，Kattr表征为引力势场的比例系数，Di,R表征为微导管在第i个样本血管中的位置坐标，Di,g表征为第i个样本血管中目标患处的位置坐标；
将在样本血管中位于微导管前置方向且长度为预设长度的血管壁周向离散分割多个血管点，将血管点作为微导管的斥力源，构建血管点对微导管的斥力势场，所述斥力势场的模型函数为：
Figure BDA0003777392910000031
式中，Ui,j,rep表征为第i个样本血管中第j个血管点构成的斥力势场的势场强度，Krep表征为斥力势场的比例系数，di,j表征为第i个样本血管中第j个血管点的位置坐标与微导管的位置坐标间的欧几里得距离，d0表征的血管点影响距离，j为计量常数；
基于引力势场和斥力势场构建出所述人工势场模型，所述人工势场模型的模型函数为：
Figure BDA0003777392910000032
式中，Ui,O表征为第i个样本血管中人工势场的势场强度，M表征为第i 个样本血管的斥力势场矢量总和；
其中，所述人工势场方向为引力势场方向和斥力势场方向的矢量合力方向。
作为本发明的一种优选方案，所述基于人工势场模型与随机树搜索对样本血管进行介入路径的规划得到样本血管的微导管虚拟介入路径，包括：
由样本血管的介入端口处建立出朝向目标患处的搜索随机树，并在随机树拓展过程中基于随机函数生成多个随机采样点；
利用人工势场模型确定搜索随机树的各个随机采样点的选取概率，并将最大选取概率对应的随机采样点进行拓展生长得到搜索随机树的最新拓展节点，直至最新拓展节点与目标患处的搜索距离小于预设距离；
将搜索随机树中表征介入端口的节点、拓展节点和表征目标患处的节点进行逐点连接并进行B样条曲线平滑得到所述样本血管的微导管虚拟介入路径。
作为本发明的一种优选方案，所述选取概率的确定包括：
获取搜索随机树的随机采样点，并依次量化每个所述随机采样点与搜索随机树上一拓展节点间的方向作为随机方向；
利用所述人工势场模型以目标患处计算出随机树上一拓展节点的人工势场方向，依次计算随机方向与人工势场方向的方向夹角以作为对应随机采样点的选取概率，并将最大选取概率对应的随机采样点进行拓展生长得到随机树的最新拓展节点，所述拓展节点选取概率的计算公式为：
Figure BDA0003777392910000041
Figure BDA0003777392910000042
式中，Pk表征为第k个随机采样点的选取概率，θk表征为第k个随机方向与人工势场方向的方向夹角，
Figure BDA0003777392910000043
表征为人工势场方向上由随机树上一拓展节点与目标患处构成的方向矢量，
Figure BDA0003777392910000044
表征为第k个随机方向上由随机树上一拓展节点与第k个随机采样点构成的方向矢量，Sold表征为随机树上一拓展节点的位置坐标；O表征为搜索目标终点的位置坐标，Xk表征为第k 个随机采样点的位置坐标，所述第k个随机方向与第k个随机采样点相对应， k为计量常数。
作为本发明的一种优选方案，所述各个样本血管中位置坐标进行归一化处理。
作为本发明的一种优选方案，所述将样本血管的微导管虚拟介入路径进行逐点的血管特征采集和介入位置特征采集，包括：
将样本血管进行等间距划分得到多个特征采集点，并将在多个特征采集点分别获取血管特征和介入位置特征，所述介入位置特征为特征采集点在中微导管虚拟介入路径中对应的路径点位置坐标；
其中，过特征采集点向微导管虚拟介入路径作垂线，并将所述垂线与微导管虚拟介入路径的交点作为特征采集点对应的路径点。
作为本发明的一种优选方案，所述利用CNN神经网络基于血管特征和介入位置特征进行模型训练得到表征血管特征和介入位置特征映射关系的介入路径规划模型，包括：
将血管特征作为CNN神经网络的输入项，将介入位置特征作为CNN神经网络的输出项，利用CNN神经网络对所述输入项和所述输出项进行模型训练得到所述介入路径规划模型，所述介入路径规划模型的模型函数为：
P＝CNN(F)；
式中，P为介入位置特征的函数标识符，F为血管特征的函数标识符，CNN 为CNN神经网络的函数标识符。
作为本发明的一种优选方案，所述将目标对象的介入血管进行逐点的血管特征采集，包括：
将目标对象的介入血管进行等距离划分得到多个特征采集点，并在各个特征采集点处获取血管特征。
作为本发明的一种优选方案，所述基于介入位置特征得到目标对象的微导管虚拟介入路径，包括：
将目标对象的各个特征采集点处获取血管特征依次输入至介入路径规划模型中，由介入路径规划模型依次输出各个特征采集点处的介入位置特征；
将目标对象的各个介入位置特征进行逐点连接并进行B样条曲线平滑得到目标对象的微导管虚拟介入路径。
作为本发明的一种优选方案，所述特征采集点的等距离划分包括：
设定基础划分数量，并将样本血管/介入血管依据基础划分数量进行等距离划分得到一组基础采集点，统计一组基础采集点的离散度，所述离散度的计算公式为：
Figure BDA0003777392910000061
式中，σ表征为基础采集点的离散度，HL表征为第L个基础采集点的位置坐标，
Figure BDA0003777392910000062
表征为所有基础采集点的位置坐标平均值，m为基础划分数量；
将离散度与预设离散度进行比较，其中，
若离散度小于预设离散度，则将基础划分数量作为特征采集点的等距离划分数量；
若离散度大于或等于预设离散度，则将
Figure BDA0003777392910000063
作为特征采集点的等距离划分数量，σO为预设离散度。
本发明与现有技术相比较具有如下有益效果：
本发明利用人工势场模型与随机树搜索对样本血管进行介入路径的规划得到微导管虚拟介入路径，避免人为规划的主观性，提高规划可信度，在样本血管的微导管虚拟介入路径中利用CNN神经网络基于血管特征和介入位置特征进行模型训练得到表征血管特征和介入位置特征映射关系的介入路径规划模型，对人工势场模型与随机树搜索进行规划步骤精简和准确性保留，实现通过血管特征进行介入位置的确定，提高路径规划效率。
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。
图1为本发明实施例提供的微导管虚拟介入的路径模拟方法流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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。
如图1所示，本发明提供了一种微导管虚拟介入的路径模拟方法，其特征在于，包括以下步骤：
步骤S1、选取一组历史病例的介入血管作为样本血管，在所述样本血管的介入端口处与目标患处利用人工势场法构建人工势场模型，并基于人工势场模型与随机树搜索对样本血管进行介入路径的规划得到样本血管的微导管虚拟介入路径，所述介入血管为可用于微导管虚拟介入治疗使用的人体血管；
所述在所述样本血管的介入端口处与目标患处利用人工势场法构建人工势场模型，包括：
将目标患处作为微导管的引力源，构建目标患处对微导管的引力势场，所述引力势场的模型函数为：
Figure BDA0003777392910000071
式中，Ui,attr表征为第i个样本血管中引力势场的势场强度，Kattr表征为引力势场的比例系数，Di,R表征为微导管在第i个样本血管中的位置坐标，Di,g表征为第i个样本血管中目标患处的位置坐标；
将在样本血管中位于微导管前置方向且长度为预设长度的血管壁周向离散分割多个血管点，将血管点作为微导管的斥力源，构建血管点对微导管的斥力势场，所述斥力势场的模型函数为：
Figure BDA0003777392910000072
式中，Ui,j,rep表征为第i个样本血管中第j个血管点构成的斥力势场的势场强度，Krep表征为斥力势场的比例系数，di,j表征为第i个样本血管中第j个血管点的位置坐标与微导管的位置坐标间的欧几里得距离，d0表征的血管点影响距离，j为计量常数；
基于引力势场和斥力势场构建出所述人工势场模型，所述人工势场模型的模型函数为：
Figure BDA0003777392910000081
式中，Ui,O表征为第i个样本血管中人工势场的势场强度，M表征为第i 个样本血管的斥力势场矢量总和；
其中，所述人工势场方向为引力势场方向和斥力势场方向的矢量合力方向。
所述基于人工势场模型与随机树搜索对样本血管进行介入路径的规划得到样本血管的微导管虚拟介入路径，包括：
由样本血管的介入端口处建立出朝向目标患处的搜索随机树，并在随机树拓展过程中基于随机函数生成多个随机采样点；
利用人工势场模型确定搜索随机树的各个随机采样点的选取概率，并将最大选取概率对应的随机采样点进行拓展生长得到搜索随机树的最新拓展节点，直至最新拓展节点与目标患处的搜索距离小于预设距离；
将搜索随机树中表征介入端口的节点、拓展节点和表征目标患处的节点进行逐点连接并进行B样条曲线平滑得到所述样本血管的微导管虚拟介入路径。
所述选取概率的确定包括：
获取搜索随机树的随机采样点，并依次量化每个所述随机采样点与搜索随机树上一拓展节点间的方向作为随机方向；
利用所述人工势场模型以目标患处计算出随机树上一拓展节点的人工势场方向，依次计算随机方向与人工势场方向的方向夹角以作为对应随机采样点的选取概率，并将最大选取概率对应的随机采样点进行拓展生长得到随机树的最新拓展节点，所述拓展节点选取概率的计算公式为：
Figure BDA0003777392910000091
Figure BDA0003777392910000092
式中，Pk表征为第k个随机采样点的选取概率，θk表征为第k个随机方向与人工势场方向的方向夹角，
Figure BDA0003777392910000093
表征为人工势场方向上由随机树上一拓展节点与目标患处构成的方向矢量，
Figure BDA0003777392910000094
表征为第k个随机方向上由随机树上一拓展节点与第k个随机采样点构成的方向矢量，Sold表征为随机树上一拓展节点的位置坐标；O表征为搜索目标终点的位置坐标，Xk表征为第k 个随机采样点的位置坐标，所述第k个随机方向与第k个随机采样点相对应， k为计量常数。
利用人工势场法在介入血管中进行微导管虚拟介入路径的规划，人工势场在路径规划方面具有较广泛的应用，并能取得较高的规划精度，因此应用于微导管虚拟介入路径的规划中，利用其在控制和传感误差上的鲁棒性，能够使得在规划微导管虚拟介入路径过程中具有实时性高，规划速度快，精度高的效果，避免人为规划造成的主观随机性。
步骤S2、将样本血管的微导管虚拟介入路径进行逐点的血管特征采集和介入位置特征采集，并利用CNN神经网络基于血管特征和介入位置特征进行模型训练得到表征血管特征和介入位置特征映射关系的介入路径规划模型；
所述各个样本血管中位置坐标进行归一化处理。
所述将样本血管的微导管虚拟介入路径进行逐点的血管特征采集和介入位置特征采集，包括：
将样本血管进行等间距划分得到多个特征采集点，并将在多个特征采集点分别获取血管特征和介入位置特征，所述介入位置特征为特征采集点在中微导管虚拟介入路径中对应的路径点位置坐标；
其中，过特征采集点向微导管虚拟介入路径作垂线，并将所述垂线与微导管虚拟介入路径的交点作为特征采集点对应的路径点。
所述利用CNN神经网络基于血管特征和介入位置特征进行模型训练得到表征血管特征和介入位置特征映射关系的介入路径规划模型，包括：
将血管特征作为CNN神经网络的输入项，将介入位置特征作为CNN神经网络的输出项，利用CNN神经网络对所述输入项和所述输出项进行模型训练得到所述介入路径规划模型，所述介入路径规划模型的模型函数为：
P＝CNN(F)；
式中，P为介入位置特征的函数标识符，F为血管特征的函数标识符，CNN 为CNN神经网络的函数标识符。
在样本血管中利用人工势场和随机树搜索得到微导管虚拟介入路径，每个样本血管均对应与一个规划速度快精度高的微导管虚拟介入路径，此时路径规划的内涵是血管特征(血管弯曲度、宽度、与目标患处的距离等)由人工势场法得到势场特征，再由势场特征与随机树结合得到介入位置特征，利用模型对血管特征和介入位置特征进行模型训练时，可直接得到血管特征与介入位置特征的关联关系，因此后续只需要在样本血管各个特征采集点的血管特征通过模型预测得到特征采集点对应的路径点，将所有路径点进行连接得到最终的微导管虚拟介入路径，精简计算量，提高路径规划效率，同时由于模型训练的样本来自于人工势场和随机树搜索得到的路径，由此训练而成的介入路径规划模型会保存有人工势场和随机树搜索的规划精度和实时性，从而实现利用介入路径规划模型对人工势场和随机树搜索的优化提炼，提高效率的同时保障规划精度和实时性。
步骤S3、将目标对象的介入血管进行逐点的血管特征采集，并利用介入路径规划模型基于目标对象的所述血管特征进行预测得到目标对象的介入血管中逐点的介入位置特征，基于介入位置特征得到目标对象的微导管虚拟介入路径。
所述将目标对象的介入血管进行逐点的血管特征采集，包括：
将目标对象的介入血管进行等距离划分得到多个特征采集点，并在各个特征采集点处获取血管特征。
所述基于介入位置特征得到目标对象的微导管虚拟介入路径，包括：
将目标对象的各个特征采集点处获取血管特征依次输入至介入路径规划模型中，由介入路径规划模型依次输出各个特征采集点处的介入位置特征；
将目标对象的各个介入位置特征进行逐点连接并进行B样条曲线平滑得到目标对象的微导管虚拟介入路径。
所述特征采集点的等距离划分包括：
设定基础划分数量，并将样本血管/介入血管依据基础划分数量进行等距离划分得到一组基础采集点，统计一组基础采集点的离散度，所述离散度的计算公式为：
Figure BDA0003777392910000111
式中，σ表征为基础采集点的离散度，HL表征为第L个基础采集点的位置坐标，
Figure BDA0003777392910000112
表征为所有基础采集点的位置坐标平均值，m为基础划分数量；
将离散度与预设离散度进行比较，其中，
若离散度小于预设离散度，则将基础划分数量作为特征采集点的等距离划分数量；
若离散度大于或等于预设离散度，则将
Figure BDA0003777392910000113
作为特征采集点的等距离划分数量，σO为预设离散度。
在进行等距离划分时，计算样本血管在划分后的各个特征采集点的离散度，离散度越高说明该样本血管的线条复杂性越高，则样本血管中能提供的样本数据丰富性越高，因此对离散度越高的样本血管的特征采集点划分数量进行提高，从而获得更丰富的样本数据，即在该样本血管中获得更多的特征采集点，使得训练出的模型适配性和准确度更强。
本发明利用人工势场模型与随机树搜索对样本血管进行介入路径的规划得到微导管虚拟介入路径，避免人为规划的主观性，提高规划可信度，在样本血管的微导管虚拟介入路径中利用CNN神经网络基于血管特征和介入位置特征进行模型训练得到表征血管特征和介入位置特征映射关系的介入路径规划模型，对人工势场模型与随机树搜索进行规划步骤精简和准确性保留，实现通过血管特征进行介入位置的确定，提高路径规划效率。
以上实施例仅为本申请的示例性实施例，不用于限制本申请，本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内，对本申请做出各种修改或等同替换，这种修改或等同替换也应视为落在本申请的保护范围内。

Claims (10)

1.一种微导管虚拟介入的路径模拟方法，其特征在于，包括以下步骤：
步骤S1、选取一组历史病例的介入血管作为样本血管，在所述样本血管的介入端口处与目标患处利用人工势场法构建人工势场模型，并基于人工势场模型与随机树搜索对样本血管进行介入路径的规划得到样本血管的微导管虚拟介入路径，所述介入血管为可用于微导管虚拟介入治疗使用的人体血管；
步骤S2、将样本血管的微导管虚拟介入路径进行逐点的血管特征采集和介入位置特征采集，并利用CNN神经网络基于血管特征和介入位置特征进行模型训练得到表征血管特征和介入位置特征映射关系的介入路径规划模型；
步骤S3、将目标对象的介入血管进行逐点的血管特征采集，并利用介入路径规划模型基于目标对象的所述血管特征进行预测得到目标对象的介入血管中逐点的介入位置特征，基于介入位置特征得到目标对象的微导管虚拟介入路径。
2.根据权利要求1所述的一种微导管虚拟介入的路径模拟方法，其特征在于：所述在所述样本血管的介入端口处与目标患处利用人工势场法构建人工势场模型，包括：
将目标患处作为微导管的引力源，构建目标患处对微导管的引力势场，所述引力势场的模型函数为：
Figure FDA0003777392900000011
式中，Ui,attr表征为第i个样本血管中引力势场的势场强度，Kattr表征为引力势场的比例系数，Di,R表征为微导管在第i个样本血管中的位置坐标，Di,g表征为第i个样本血管中目标患处的位置坐标；
将在样本血管中位于微导管前置方向且长度为预设长度的血管壁周向离散分割多个血管点，将血管点作为微导管的斥力源，构建血管点对微导管的斥力势场，所述斥力势场的模型函数为：
Figure FDA0003777392900000021
式中，Ui,j,rep表征为第i个样本血管中第j个血管点构成的斥力势场的势场强度，Krep表征为斥力势场的比例系数，di,j表征为第i个样本血管中第j个血管点的位置坐标与微导管的位置坐标间的欧几里得距离，d0表征的血管点影响距离，j为计量常数；
基于引力势场和斥力势场构建出所述人工势场模型，所述人工势场模型的模型函数为：
Figure FDA0003777392900000022
式中，Ui,O表征为第i个样本血管中人工势场的势场强度，M表征为第i个样本血管的斥力势场矢量总和；
其中，所述人工势场方向为引力势场方向和斥力势场方向的矢量合力方向。
3.根据权利要求2所述的一种微导管虚拟介入的路径模拟方法，其特征在于：所述基于人工势场模型与随机树搜索对样本血管进行介入路径的规划得到样本血管的微导管虚拟介入路径，包括：
由样本血管的介入端口处建立出朝向目标患处的搜索随机树，并在随机树拓展过程中基于随机函数生成多个随机采样点；
利用人工势场模型确定搜索随机树的各个随机采样点的选取概率，并将最大选取概率对应的随机采样点进行拓展生长得到搜索随机树的最新拓展节点，直至最新拓展节点与目标患处的搜索距离小于预设距离；
将搜索随机树中表征介入端口的节点、拓展节点和表征目标患处的节点进行逐点连接并进行B样条曲线平滑得到所述样本血管的微导管虚拟介入路径。
4.根据权利要求3所述的一种微导管虚拟介入的路径模拟方法，其特征在于：所述选取概率的确定包括：
获取搜索随机树的随机采样点，并依次量化每个所述随机采样点与搜索随机树上一拓展节点间的方向作为随机方向；
利用所述人工势场模型以目标患处计算出随机树上一拓展节点的人工势场方向，依次计算随机方向与人工势场方向的方向夹角以作为对应随机采样点的选取概率，并将最大选取概率对应的随机采样点进行拓展生长得到随机树的最新拓展节点，所述拓展节点选取概率的计算公式为：
Figure FDA0003777392900000031
Figure FDA0003777392900000032
式中，Pk表征为第k个随机采样点的选取概率，θk表征为第k个随机方向与人工势场方向的方向夹角，
Figure FDA0003777392900000033
表征为人工势场方向上由随机树上一拓展节点与目标患处构成的方向矢量，
Figure FDA0003777392900000034
表征为第k个随机方向上由随机树上一拓展节点与第k个随机采样点构成的方向矢量，Sold表征为随机树上一拓展节点的位置坐标；O表征为搜索目标终点的位置坐标，Xk表征为第k个随机采样点的位置坐标，所述第k个随机方向与第k个随机采样点相对应，k为计量常数。
5.根据权利要求4所述的一种微导管虚拟介入的路径模拟方法，其特征在于：所述各个样本血管中位置坐标进行归一化处理。
6.根据权利要求4所述的一种微导管虚拟介入的路径模拟方法，其特征在于：所述将样本血管的微导管虚拟介入路径进行逐点的血管特征采集和介入位置特征采集，包括：
将样本血管进行等间距划分得到多个特征采集点，并将在多个特征采集点分别获取血管特征和介入位置特征，所述介入位置特征为特征采集点在中微导管虚拟介入路径中对应的路径点位置坐标；
其中，过特征采集点向微导管虚拟介入路径作垂线，并将所述垂线与微导管虚拟介入路径的交点作为特征采集点对应的路径点。
7.根据权利要求6所述的一种微导管虚拟介入的路径模拟方法，其特征在于，所述利用CNN神经网络基于血管特征和介入位置特征进行模型训练得到表征血管特征和介入位置特征映射关系的介入路径规划模型，包括：
将血管特征作为CNN神经网络的输入项，将介入位置特征作为CNN神经网络的输出项，利用CNN神经网络对所述输入项和所述输出项进行模型训练得到所述介入路径规划模型，所述介入路径规划模型的模型函数为：
P＝CNN(F)；
式中，P为介入位置特征的函数标识符，F为血管特征的函数标识符，CNN为CNN神经网络的函数标识符。
8.根据权利要求7所述的一种微导管虚拟介入的路径模拟方法，其特征在于，所述将目标对象的介入血管进行逐点的血管特征采集，包括：
将目标对象的介入血管进行等距离划分得到多个特征采集点，并在各个特征采集点处获取血管特征。
9.根据权利要求8所述的一种微导管虚拟介入的路径模拟方法，其特征在于，所述基于介入位置特征得到目标对象的微导管虚拟介入路径，包括：
将目标对象的各个特征采集点处获取血管特征依次输入至介入路径规划模型中，由介入路径规划模型依次输出各个特征采集点处的介入位置特征；
将目标对象的各个介入位置特征进行逐点连接并进行B样条曲线平滑得到目标对象的微导管虚拟介入路径。
10.根据权利要求9所述的一种微导管虚拟介入的路径模拟方法，其特征在于，所述特征采集点的等距离划分包括：
设定基础划分数量，并将样本血管/介入血管依据基础划分数量进行等距离划分得到一组基础采集点，统计一组基础采集点的离散度，所述离散度的计算公式为：
Figure FDA0003777392900000051
式中，σ表征为基础采集点的离散度，HL表征为第L个基础采集点的位置坐标，
Figure FDA0003777392900000053
表征为所有基础采集点的位置坐标平均值，m为基础划分数量；
将离散度与预设离散度进行比较，其中，
若离散度小于预设离散度，则将基础划分数量作为特征采集点的等距离划分数量；
若离散度大于或等于预设离散度，则将
Figure FDA0003777392900000052
作为特征采集点的等距离划分数量，σO为预设离散度。
CN202210920657.4A 2022-08-02 2022-08-02 一种微导管虚拟介入的路径模拟方法 Withdrawn CN115424729A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210920657.4A CN115424729A (zh) 2022-08-02 2022-08-02 一种微导管虚拟介入的路径模拟方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210920657.4A CN115424729A (zh) 2022-08-02 2022-08-02 一种微导管虚拟介入的路径模拟方法

Publications (1)

Publication Number Publication Date
CN115424729A true CN115424729A (zh) 2022-12-02

Family

ID=84196751

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210920657.4A Withdrawn CN115424729A (zh) 2022-08-02 2022-08-02 一种微导管虚拟介入的路径模拟方法

Country Status (1)

Country Link
CN (1) CN115424729A (zh)

Similar Documents

Publication Publication Date Title
US7371067B2 (en) Simulation method for designing customized medical devices
JP6637975B2 (ja) 血液透析アクセスのシミュレーションと最適化のためのシステム及び方法
Korenevsky et al. Design of network-based fuzzy knowledge bases for medical decision-making support systems
US11461895B2 (en) Automatic identification and processing of anatomical structures in an anatomical map
US20050187461A1 (en) System and method for facilitating cardiac intervention
WO2021083275A1 (zh) 动脉夹层手术评估方法、装置、电子设备及存储介质
CN110604616B (zh) 一种基于图搜索的介入手术路径规划方法、系统及电子设备
CN111312375A (zh) 虚拟冠脉手术的搭桥分析方法、系统、介质及设备
CN109938836A (zh) 一种血管介入机器人手术中的自动无标记的引导导丝方法
WO2021031355A1 (zh) 测量无波形期压力、比率方法、装置、系统及存储介质
CN115424729A (zh) 一种微导管虚拟介入的路径模拟方法
CN115565667A (zh) Cto介入治疗成功率的预测方法、装置、设备及介质
JP6968617B2 (ja) ディスプレイ上でのプローブ画像とシース画像の位置合わせ
CN112382397A (zh) 基于桥血管的模型构建方法、装置、设备及存储介质
CN115985491B (zh) 一种介入式心室导管泵的医学信息处理系统
US11534201B2 (en) Artificial intelligence-based cannula surgery diagnostic device
CN113616336B (zh) 手术机器人仿真系统、仿真方法及可读存储介质
CN113506270B (zh) 一种处理下腔静脉图像的方法、系统及存储介质
CN109452971B (zh) 一种导管在血管内的行进路线模拟方法、装置及设备
TW201740369A (zh) 可藉音頻技術獲得瘻管窄化程度之程式產品以及儲存有所述程式產品之電腦可讀取媒體
US20220346878A1 (en) System and method, for training an interventionalist to perform an invasive percutaneous intervention or an endoscopic intervention
CN113033121B (zh) 门静脉高压经颈静脉肝内门体分流术支架直径的选择方法
CN116825356B (zh) 多关联手术并发症风险评估方法、系统及计算设备
CN116525071A (zh) 基于压力漂移评估主动脉夹层远端重塑的系统
US20230210600A1 (en) Microcatheter path generation method, shaping method of mandrel, computer equipment, readable storage medium and program product

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20221202