CN115546123A - 基于机器学习的腹主动脉瘤破裂风险的预测系统 - Google Patents

基于机器学习的腹主动脉瘤破裂风险的预测系统 Download PDF

Info

Publication number
CN115546123A
CN115546123A CN202211147309.4A CN202211147309A CN115546123A CN 115546123 A CN115546123 A CN 115546123A CN 202211147309 A CN202211147309 A CN 202211147309A CN 115546123 A CN115546123 A CN 115546123A
Authority
CN
China
Prior art keywords
image
module
aortic aneurysm
wall
abdominal aortic
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
Application number
CN202211147309.4A
Other languages
English (en)
Inventor
刘伟奇
马学升
陈金钢
徐鹏
赵友源
陈磊
庞盼
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.)
Tongxin Zhiyi Technology Beijing Co ltd
Original Assignee
Tongxin Zhiyi Technology Beijing 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 Tongxin Zhiyi Technology Beijing Co ltd filed Critical Tongxin Zhiyi Technology Beijing Co ltd
Priority to CN202211147309.4A priority Critical patent/CN115546123A/zh
Publication of CN115546123A publication Critical patent/CN115546123A/zh
Pending legal-status Critical Current

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/64—Three-dimensional objects
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本申请公开了基于机器学习的腹主动脉瘤破裂风险的预测系统，其中所述系统包括病灶区域3D重建模型模块，形态学参数模块，有限元素分析模块，血流动力学参数模块，临床数据模块，机器学习模块。通过本申请建立机器学习模型，融入多种因素预测AAA破裂风险，实现了对腹主动脉瘤破裂风险的预测。

Description

基于机器学习的腹主动脉瘤破裂风险的预测系统
技术领域
本申请涉及计算机图像处理、医疗技术领域，具体而言，涉及一种基于机器学习的腹主动脉瘤破裂风险的预测系统。
背景技术
腹主动脉瘤(abdominal aortic aneurysm，AAA)是一种主要表现为腹主动脉壁局部呈肿瘤状扩张的常见疾病，这种腹主动脉壁的扩张通常为不可逆扩张，扩张后腹主动脉的直径通常超过正常值的50％。AAA多发于老年男性且没有明显症状，往往因其他原因进行查体才被偶然发现，如果未及时治疗，持续扩张的AAA存在很高的破裂风险。据统计，AAA择期手术导致的死亡率已远远低于10％，AAA破裂则是AAA患者的主要死因。AAA最常见的并发症即为主动脉的破裂，AAA破裂是一种极其危重的情况，较大的动脉瘤比较小的动脉瘤扩张速度更快，常见症状表现为低血压、腰腹疼痛、呕血便血，AAA患者一旦发生主动脉破裂，循环状态将逐渐恶化，从而患者将迅速进入大出血休克状态，往往可造成高达90％的死亡率，因此，在破裂前诊断AAA将显得尤为重要。
AAA常用的检查手段包括体格检查及影像学检查，影像学检查包括腹部X光片、彩色多普勒超声、CTA等。超声检查是筛查AAA的金标准，对于怀疑有症状或破裂的AAA患者，应行腹部和骨盆的CTA检查，与彩超相比，CTA可显示AAA全貌及周边组织关系，也成为临床最常用的检查手段。对于筛查/诊断为AAA的患者，其后续管理核心为对AAA的监测及必要的手术干预。手术治疗仍为临床经典的治疗方式，手术治疗的指征是根据估计的破裂风险、估计的手术风险和估计的患者预期寿命推导出来的，是否对AAA进行有选择性的手术治疗主要还是由其破裂风险所决定，临床上判断AAA的破裂风险通常依据血管的“最大直径原则”(即5.0-5.5cm)，然而据报道，有直径小于既定标准的AAA患者发生过主动脉破裂，而直径大于既定标准的患者，仍有无需进行手术干预的情况出现。因此，确定AAA患者瘤体的多种破裂风险因素以及对AAA的监测是极其重要且必要的。
在AAA中观察到主动脉直径在破裂和破裂之前的快速扩张，与它们的初始大小无关，这表明动脉瘤的大小，无论其实际意义如何，可能不是唯一有用的决定风险的因素。
在AAA破裂的危险因素评价中，吸烟史也是最重要的危险因素之一，其他危险因素还包括性别、年龄、高血压、慢性阻塞性肺病、高血脂症和其他疾病家族史。除此之外，AAA的扩张率、管壁的峰值应力和动脉瘤的真实几何形态变化等因素在评估AAA破裂风险的过程中均发挥着十分重要的作用。
此外，在AAA监测方面，相关研究普遍集中在应用数值模拟方法来计算分析，虽然既往研究中多次强调准确量化分析破裂风险因素的重要性，但是到目前为止，仍然没有相应的方法可以提供可靠的分析结果，尤其是针对特殊病人个体。至今，仍然没有一个可靠全面的标准可以准确判断AAA破裂风险并为临床治疗提供实质性的帮助。
针对相关技术中缺少一种可融入多种破裂风险因素的、且用于评估AAA破裂可能性或预测未来AAA增长的个性化全包预测系统的问题，目前尚未提出有效的解决方案。
发明内容
本申请的主要目的在于提供一种基于机器学习的腹主动脉瘤破裂风险的预测系统，以解决预测系统预测结果不准确的问题。
为了实现上述目的，根据本申请的一个方面，提供了一种基于机器学习的腹主动脉瘤破裂风险的预测系统。
根据本申请的基于机器学习的腹主动脉瘤破裂风险的预测系统包括：
病灶区域3D重建模型模块，用于对医学影像数据进行图像分割后，建立腹主动脉瘤的3D模型；
形态学参数模块，用于根据所述病灶区域3D重建模型模块，确定所述腹主动脉瘤的形态学指标，所述形态学指标至少包括如下之一：腹主动脉的形状、腹主动脉的大小；
有限元素分析模块，用于根据所述病灶区域3D重建模型模块，确定所述腹主动脉瘤的壁应力和/或腹主动脉瘤的应变结果室壁厚度；
血流动力学参数模块，用于根据所述病灶区域3D重建模型模块以及所述有限元素分析模块，建立主动脉瘤破裂的临界状态分析模型，所述临界状态用于表征所述主动脉瘤壁内的应力超过组织的抗拉强度的状态；
临床数据模块，用于采集患者的健康记录数据和/或生活习惯数据；
机器学习模块，用于根据所述形态学参数模块、所述血流动力学参数模块以及所述临床数据模块，建立机器学习模型，用以预测腹主动脉瘤破裂风险。
进一步地，所述病灶区域3D重建模型模块，还用于
通过医学影像数据中扫描矩阵或切片厚度的增强CTA获得DICOM格式的图像；
将所述DICOM格式图像导入VESSEG模型对图像进行分割，所述分割结果包括至少包括如下之一：流明分割、外壁分割、内壁分割；
识别并分割所述腹主动脉中每个横截面的管腔、外壁、内壁边界的形态，并计算出形态对应的相关参数。
进一步地，所述有限元素分析模块，还用于，根据FEA模型，对具有均匀壁厚或患者特定壁厚变化的血管管系统进行建模。
进一步地，所述系统还包括几何量化模块，还用于
计算用于表征每个腹主动脉瘤的大小、形状以及壁厚的指标，将分割图图像经过几何量化后得到定量几何特征，其中所述指标至少包括如下之一：腹主动脉瘤3D尺寸、腹主动脉瘤形状特征，腹主动脉瘤的表面曲率、量化腹主动脉瘤的壁厚分布。
进一步地，所述血流动力学参数模块，还用于
利用管腔内的壁应力预测腹主动脉瘤的破裂；
根据下述公式计算腹动脉瘤壁运动与血流的耦合通畅：
Figure BDA0003855375490000041
其中，
Figure BDA0003855375490000042
ρf、P、u、ug分别代表流体密度、压力、流体速度以及移动坐标速度，u-ug代表流体相对于移动坐标的相对速度。
进一步地，所述机器学习模块，还用于
使用Bestfirst进行特征选择，所述特征至少包括如下之一：最大直径、血管壁的峰值应力、腹主动脉瘤的扩张速度、高血压的存在、基于流动介导的扩张、凸起位置、血管壁的峰值应力位置、心房颤动的存在、慢性阻塞性肺疾病的存在、腹部肿瘤的存在、血管紧张素转化酶的量、吸烟状况、性别。
进一步地，所述病灶区域3D重建模型模块，还用于将所述DICOM格式图像导入VESSEG模型对图像进行流明分割，
通过手动选择管腔内的单个样本点，之后通过检测数据集中每个图像的梯度来识别管腔边界；
从原始图像计算梯度图像，并初始化默认阈值水平以确定梯度图像大于阈值的区域，然后将包含样本点的最大连接区域标记为流明区域；
根据先前分割的平均值验证第一个切片之后，再对每个切片进行分割，并在需要时自动修改阈值。
进一步地，所述病灶区域3D重建模型模块，还用于将所述DICOM格式图像导入VESSEG模型对图像进行外壁分割，
先通过中值滤波器裁剪图像到接近瘤体的区域，作为中值图像；
然后使用平均滤波器对所述中值图像进行平滑处理；
最后采用轮廓函数，生成图像强度的轮廓或等值线阵列，并从可能的轮廓中进行选择。
进一步地，所述病灶区域3D重建模型模块，还用于将所述DICOM格式图像导入VESSEG模型对图像进行内壁分割，
使用平面fielding增强输入图像的对比度；
将输入图像采用两种分割算法分别并行处理，一端采用强度直方图且另一端采用根据图像集自身特征训练的神经网络。
进一步地，所述血流动力学参数模块，还用于其他参数以及所述利用管腔内的壁应力，预测腹主动脉瘤的破裂，其中其他参数至少包括如下之一：管壁抗拉强度、动脉瘤长度、患者特有的搏动速度、压力边界条件。
在本申请实施例中基于机器学习的腹主动脉瘤破裂风险的预测系统，通过病灶区域3D重建模型模块，形态学参数模块，有限元素分析模块，血流动力学参数模块，临床数据模块以及机器学习模块，融入多种因素预测AAA破裂风险，结合机器学习算法，实现了对腹主动脉瘤破裂风险的预测。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图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是根据本申请实施例的基于机器学习的腹主动脉瘤破裂风险的预测系统中实现原理示意图；
图2是根据本申请实施例的基于机器学习的腹主动脉瘤破裂风险的预测系统的结构示意图；
图3是根据本申请实施例的基于机器学习的腹主动脉瘤破裂风险的预测系统中VESSEG流程图；
图4是根据优选本申请实施例的基于机器学习的腹主动脉瘤破裂风险的预测系统中FEA模型工作原理示意图；
图5是根据优选本申请实施例的基于机器学习的腹主动脉瘤破裂风险的预测系统中WALL模块工作过程示意图。
具体实施方式
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单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，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单元。
在本申请中，术语“上”、“下”、“左”、“右”、“前”、“后”、“顶”、“底”、“内”、“外”、“中”、“竖直”、“水平”、“横向”、“纵向”等指示的方位或位置关系为基于附图所示的方位或位置关系。这些术语主要是为了更好地描述本申请及其实施例，并非用于限定所指示的装置、元件或组成部分必须具有特定方位，或以特定方位进行构造和操作。
并且，上述部分术语除了可以用于表示方位或位置关系以外，还可能用于表示其他含义，例如术语“上”在某些情况下也可能用于表示某种依附关系或连接关系。对于本领域普通技术人员而言，可以根据具体情况理解这些术语在本申请中的具体含义。
此外，术语“安装”、“设置”、“设有”、“连接”、“相连”、“套接”应做广义理解。例如，可以是固定连接，可拆卸连接，或整体式构造；可以是机械连接，或电连接；可以是直接相连，或者是通过中间媒介间接相连，又或者是两个装置、元件或组成部分之间内部的连通。对于本领域普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。
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。
如图1所示，本申请实施例中额预测系统，通过动脉瘤形态学、血流动力学指标，结合机器学习算法，实现了对腹主动脉瘤破裂风险的预测，如图1所示，主要分为以下几个模块。
(1)3D AAA建设
对于AAA的临床管理，图像分析方法已被证明是非常宝贵的。主动脉的形状和大小，即形态学指标，对于AAA的诊断、手术计划和术后评估是极其必要的。同时动脉瘤的血管壁的峰值应力、AAA的扩张速度、舒张压、流动介导的扩张(FMD，内皮功能标志物)等因素，即血流动力学指标及生物力学因素对于动脉瘤破裂也将至关重要。
(2)有限元素分析
由于使用理想化形状可产生最准确的壁应力和应变结果室壁厚度，综合通过对目标人群特定几何形状网格敏感性的分析，综合考虑生成FEA模型，以对具有精确均匀壁厚或患者特定壁厚变化的血管系统进行建模。
(3)几何量化
通过计算代表每个动脉瘤的大小、形状和壁厚的指数，将分割图像用于定量几何特征。这些指标包括3D尺寸和形状特征，以及用于量化AAA的表面曲率和壁厚分布的指标。
(4)计算流体动力学(CFD)模型
从生物力学的角度，利用管腔内的壁应力可以更准确地预测AAA的破裂。将AAA的临界状态定义为动脉瘤壁内的机械应力超过组织的抗拉强度。其他参数如管壁抗拉强度、动脉瘤长度、患者特有的搏动速度和压力边界条件也在AAA破裂过程中发挥重要作用。这些参数的组合变化影响AAA破裂的生物力学。因此，为了解释几个参数在本质上是对一个患者特定问题的贡献，计算方法可以发挥至关重要的作用。
(5)ML(Machine Learn)模型
示例性的，由J48决策树算法生成的，其输出分类包括两组，一组有破裂风险，标记为0；另一组无破裂风险，标记为1。
通过获得了66名患者的CTA图像，对其中55名患者的数据集进行五重交叉研究，评估了训练研究的性能；将剩余的11名对应的数据集(未用于训练或交叉验证)用于评估模型性能。
结果显示，本申请实施例中的算法可以实现56％交叉验证准确率、45％测试集准确率。为了进一步改善误差，优化了流程，可以在预处理步骤中，对特征缩放和均值归一化处理，以提高ML模型的速度及精准度。
如图2所示，是根据本申请实施例的基于机器学习的腹主动脉瘤破裂风险的预测系统200的结构示意图，其中包括：
病灶区域3D重建模型模块210，用于对医学影像数据进行图像分割后，建立腹主动脉瘤的3D模型。
3D几何重建和有限元素分析是将AAA相关模型及时带入临床的必要工具。创建模型的三维重建首先需要对AAA图像进行分割。虽然可以应用手动分割，但是，手动分割耗时且重复率低。本技术可提高分割的速度和准确性，减少了计算时间。
形态学参数模块220，用于根据所述病灶区域3D重建模型模块，确定所述腹主动脉瘤的形态学指标，所述形态学指标至少包括如下之一：腹主动脉的形状、腹主动脉的大小。
根据所述所述病灶区域3D重建模型模块，进一步确定出所述腹主动脉瘤的形态学指标中的腹主动脉的形状以及腹主动脉的大小。
有限元素分析模块230，用于根据所述病灶区域3D重建模型模块，确定所述腹主动脉瘤的壁应力和/或腹主动脉瘤的应变结果室壁厚度。
由于使用理想化形状可产生最准确的壁应力和应变结果室壁厚度，综合通过对目标人群特定几何形状网格敏感性的分析，综合考虑生成FEA模型，以对具有精确均匀壁厚或患者特定壁厚变化的血管系统进行建模。
血流动力学参数模块240，用于根据所述病灶区域3D重建模型模块以及所述有限元素分析模块，建立主动脉瘤破裂的临界状态分析模型，所述临界状态用于表征所述主动脉瘤壁内的应力超过组织的抗拉强度的状态。
作为本实施例中的优选，所述血流动力学参数模块240，还用于其他参数以及所述利用管腔内的壁应力，预测腹主动脉瘤的破裂，其中其他参数至少包括如下之一：管壁抗拉强度、动脉瘤长度、患者特有的搏动速度、压力边界条件。
从生物力学的角度，利用管腔内的壁应力可以更准确地预测AAA的破裂。将AAA的临界状态定义为动脉瘤壁内的机械应力超过组织的抗拉强度。其他参数如管壁抗拉强度、动脉瘤长度、患者特有的搏动速度和压力边界条件也在AAA破裂过程中发挥重要作用。这些参数的组合变化影响AAA破裂的生物力学临床数据模块250，用于采集患者的健康记录数据和/或生活习惯数据。
机器学习模块260，用于根据所述形态学参数模块、所述血流动力学参数模块以及所述临床数据模块，建立机器学习模型，用以预测腹主动脉瘤破裂风险。
作为本实施例中的优选，所述机器学习模块260，还用于使用Bestfirst进行特征选择，所述特征至少包括如下之一：最大直径、血管壁的峰值应力、腹主动脉瘤的扩张速度、高血压的存在、基于流动介导的扩张、凸起位置、血管壁的峰值应力位置、心房颤动的存在、慢性阻塞性肺疾病的存在、腹部肿瘤的存在、血管紧张素转化酶的量、吸烟状况、性别。
对于所述机器学习模块260，使用Bestfirst选择了前期获得的13个特征：最大直径、血管壁的峰值应力、AAA的扩张速度、高血压的存在、FMD、凸起位置、血管壁的峰值应力位置、心房颤动的存在、慢性阻塞性肺疾病的存在、腹部肿瘤的存在、血管紧张素转化酶的量、吸烟状况、性别，采用面积下(AUC)对上述工作特征(ROC)进行分析。且实验证实使用BestFirst特征选择的优势显而易见，综合捕捉AAA行为的几个特定参数(形态学指标、血流动力学指标)的组合更适合评估AAA严重性，实现对其破裂风险的精准预测。
结果显示，本申请实施例中的算法可以实现56％交叉验证准确率、45％测试集准确率。
此外，为了进一步改善误差，进一步优化了流程，在预处理步骤中，对特征缩放和均值归一化处理，以提高ML模型的速度及精准度，如下：
确保所有特征数据都固定在(-1,1)的范围内：
Figure BDA0003855375490000101
其中，xi-new为特征i的值，
Figure BDA0003855375490000102
为所有特征i值的平均值，Si为特征i值的标准差；
然后导入所有特征数据，使用Bestfirst进行特征选择，目的是更准确地识别将AAA群体区分为分类组的特征，以减少过度拟合，提高整体分类器性能，结果显示，本申请实施例中的算法可以实现76％交叉验证准确率、82％测试集准确率。单独使用已被用作，标准的直径大小作为ML模型的唯一特征，这一单一特征可以产生71％交叉验证准确率、64％测试集准确率。
本申请实施例中的基于机器学习的腹主动脉瘤破裂风险的预测系统200，将对临床诊疗方面提供质的帮助，不仅可实现对AAA破裂的预测，同时减轻医生负担，做到了计算机与临床的同步发展。考虑到在腹主动脉瘤破裂的危险因素评价中，每一个因素都极为重要，瘤体的直径被认为是关键性因素，临床普遍依据“最大直径原则”(即5.0-5.5cm)对患者进行评估，医生根据主动脉的破裂风险选择性对AAA患者进行手术治疗，当瘤体直径为6cm以上时，瘤体具有极高的破裂危险性，此类瘤体是手术的绝对适应证。然而在AAA破裂风险的预测方面，仅靠单一的影像学检查支撑，将显得过于薄弱，临床医生的承载负担也随之变重。
作为本实施例中的优选，所述病灶区域3D重建模型模块210，还用于通过医学影像数据中扫描矩阵或切片厚度的增强CTA获得DICOM格式的图像；将所述DICOM格式图像导入VESSEG模型对图像进行分割，所述分割结果包括至少包括如下之一：流明分割、外壁分割、内壁分割；识别并分割所述腹主动脉中每个横截面的管腔、外壁、内壁边界的形态，并计算出形态对应的相关参数。
进一步地，如图3所示，具体实施时，DICOM格式的图像是使用以下成像参数的增强CTA获得的。之后将DICOM格式图像导入VESSEG模型体系中，使用cific对图像进行分割，最后识别腹主动脉每个横截面的管腔、外壁和内壁边界，分割计算出形态对应的相关参数。
作为本实施例中的优选，所述有限元素分析模块230，还用于，根据FEA模型，对具有均匀壁厚或患者特定壁厚变化的血管管系统进行建模。
具体实施时，由于使用理想化形状可产生最准确的壁应力和应变结果室壁厚度，综合通过对目标人群特定几何形状网格敏感性的分析，综合考虑生成FEA模型，以对具有精确均匀壁厚或患者特定壁厚变化的血管系统进行建模。
进一步地，如图4所示，包括：表面提取细化：通过利用CGAL从体积数据中提取表面网格。
壁挤压：利用WALL-E模块通过沿局部表面法线偏移作为输入的表面网格来创建分层体积网格。计算局部节点法线方向，对直接邻域中的小平面法线方向进行平均，做到挤压过程中对壁厚进行节点到节点的控制，如图5所示。
对于内壁表面网格上的每个表面节点，单位法向向量由下述公式计算：
Figure BDA0003855375490000111
其中，
Figure BDA0003855375490000112
是所考虑节点的单位节点法线(节点j)，Ne是节点j周围q阶邻域
Figure BDA0003855375490000113
内的元素数量，
Figure BDA0003855375490000114
是第i个元素的单位法线。
多域网格分化：网格质量评估和导出：网格质量模块提供了关于以下三个质量指标的统计信息①雅可比行列式；②条件编号；③项指标。
AAA网状中的导出模块是可以以多种可用格式自定义导出网格的，例如用于有限元分析(FEA)或流固耦合(FSI)建模的多域体积网格、用于FEA的壁体网格、用于FEA的流明体积网格CFD模拟、用于3D表面几何表征的三角测量、立体光刻(STL)模型等。
作为本实施例中的优选，所述系统还包括几何量化模块(未示出)，还用于计算用于表征每个腹主动脉瘤的大小、形状以及壁厚的指标，将分割图图像经过几何量化后得到定量几何特征，其中所述指标至少包括如下之一：腹主动脉瘤3D尺寸、腹主动脉瘤形状特征，腹主动脉瘤的表面曲率、量化腹主动脉瘤的壁厚分布。
具体实施时，腹主动脉瘤3D尺寸、腹主动脉瘤形状特征，腹主动脉瘤的表面曲率、量化腹主动脉瘤的壁厚分布等指标用于量化AAA的表面曲率和壁厚分布的指标。
作为本实施例中的优选，所述血流动力学参数模块240，还用于利用管腔内的壁应力预测腹主动脉瘤的破裂；根据下述公式计算腹动脉瘤壁运动与血流的耦合通畅：
Figure BDA0003855375490000121
其中，
Figure BDA0003855375490000122
ρf、P、u、ug分别代表流体密度、压力、流体速度以及移动坐标速度，u-ug代表流体相对于移动坐标的相对速度。
具体实施时，从生物力学的角度，利用管腔内的壁应力可以更准确地预测AAA的破裂。将AAA的临界状态定义为动脉瘤壁内的机械应力超过组织的抗拉强度。其他参数如管壁抗拉强度、动脉瘤长度、患者特有的搏动速度和压力边界条件也在AAA破裂过程中发挥重要作用。
这些参数的组合变化影响AAA破裂的生物力学。因此，为了解释几个参数在本质上是对一个患者特定问题的贡献，计算方法可以发挥至关重要的作用。大多数流体动力都基于下述公式，构成了描述流体流动的基础。
Figure BDA0003855375490000131
Figure BDA0003855375490000132
其中，u是速度，P是压力，ρ是流体的密度，f作用在流体上的体力。
采用下述公式计算动脉瘤壁运动与血流的耦合通常：
Figure BDA0003855375490000133
Figure BDA0003855375490000134
ρf、P、u、ug分别代表流体密度、压力、流体速度和移动坐标速度。u-ug代表流体相对于移动坐标的相对速度。
在预测风险时，为了有更准确的监测和决策效果，对AAA行为的几个特定参数(形态学指标、血流动力学指标)进行组合，真正意义上实现了对AAA破裂风险的精准预测以及评估AAA严重性，做到风险与预测同步进行，相信本技术可以更好地表征临床相关决策。同时，也验证了在对AAA监测过程中，直径大小不再是单一的金标准，形态学指标、血流动力学相关指标与临床数据的结合，对AAA的管理也极为重要，体现出了多种特征结合机器学习技术在精准医学新时代的价值。
作为本实施例中的优选，所述病灶区域3D重建模型模块210，还用于将所述DICOM格式图像导入VESSEG模型对图像进行流明分割，通过手动选择管腔内的单个样本点，之后通过检测数据集中每个图像的梯度来识别管腔边界；从原始图像计算梯度图像，并初始化默认阈值水平以确定梯度图像大于阈值的区域，然后将包含样本点的最大连接区域标记为流明区域；根据先前分割的平均值验证第一个切片之后，再对每个切片进行分割，并在需要时自动修改阈值。
具体实施时，流明分割：当CT扫描过程涉及使用造影剂时，管腔分割效果最好，因为这会增加管腔和周围结构之间的强度梯度。该过程需要两个简单的操作；对于自动管腔分割，仅通过手动选择管腔内的单个样本点，然后程序继续通过检测数据集中每个图像的足够梯度来识别管腔边界。从原始图像计算梯度图像，并初始化默认阈值水平以确定梯度图像大于阈值的区域。然后将包含样本点的最大连接区域标记为流明区域，根据先前分割的平均值验证第一个切片之后，再对每个切片进行分割，并在需要时自动修改阈值。如果无法找到阈值的最佳值，或者如果算法检测到不正确的管腔边界，可以通过手动选择管腔边界边缘上的点来提供第二个阈值。每个数据集很少需要第二个阈值。
作为本实施例中的优选，所述病灶区域3D重建模型模块210，还用于将所述DICOM格式图像导入VESSEG模型对图像进行外壁分割，先通过中值滤波器裁剪图像到接近瘤体的区域，作为中值图像；然后使用平均滤波器对所述中值图像进行平滑处理；最后采用轮廓函数，生成图像强度的轮廓或等值线阵列，并从可能的轮廓中进行选择。
具体实施时，外壁分割：首先裁剪图像到接近瘤体的区域。应用中值滤波器，因为它减少了噪声同时保留了边缘。过滤器的每个输出像素都包含裁剪图像中相应像素周围邻域中的中值。然后使用大小为3的平均滤波器对中值图像进行平滑处理。应用轮廓函数，将图像处理为类似于地形图，以生成图像强度的轮廓或等值线阵列，然后从可能的轮廓中进行选择。
作为本实施例中的优选，所述病灶区域3D重建模型模块210，还用于将所述DICOM格式图像导入VESSEG模型对图像进行内壁分割，使用平面fielding增强输入图像的对比度；将输入图像采用两种分割算法分别并行处理，一端采用强度直方图且另一端采用根据图像集自身特征训练的神经网络。
具体实施时，内壁分割：使用平面fielding来增强输入图像的对比度，随后图像被两个分割算法并行处理:①一端，使用强度直方图，②另一端，为一个根据图像集本身特征训练的神经网络。本申请实施例中的优势是使用背景均质化函数和一个特别的裁剪函数，将被处理的区域缩小到一个狭窄的环形区域周围已经分段管腔区域。人工提取背景样本、血栓样本和管腔区域样本，构建神经网络处理所需的特征向量，对神经网络进行训练。
上述计算方法使患者特异性分析成为可能，这一特征对于了解特定患者AAA的进展至关重要。然而，每个患者都有自己独特的解剖结构和病理生理结构，它们影响材料特性和边界条件，从而显著影响他们的治疗。因此，本技术通过联合机器学习模型，可以弥合转译研究和结果研究之间的差距，从而改善医疗服务质量。
通过本申请实施例中的系统，至少解决了如下之一的技术问题：
(1)解决了手动分割耗时且重复率低，提高了图像分割的速度和准确性。
(2)解决了因监测不及时，AAA患者主动脉破裂后，只能选择急诊手术治疗的局限性，避免手术的高失败率，提高AAA患者总体生存率，一定程度上可减轻医生的负担。
(3)解决了AAA破裂危险因素的单一性，算法中除了含有瘤体大小这单一特征，还融入了多方面危险因素，包括但不限于动脉壁峰值应力与壁组织强度之间的平衡以及动脉壁自身的生物力学变化等，提高了预测个体AAA严重程度的准确性。
(4)解决了无法预测个体患者AAA生长速率的弊端，实现了个体患者独立的个性化分层设计。
(5)在准确量化分析破裂风险因素过程中，相关技术中没有相应方法可以提供可靠的分析结果。
显然，本领域的技术人员应该明白，上述的本申请的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本申请不限制于任何特定的硬件和软件结合。
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)

1.一种基于机器学习的腹主动脉瘤破裂风险的预测系统，其特征在于，所述系统包括：
病灶区域3D重建模型模块，用于对医学影像数据进行图像分割后，建立腹主动脉瘤的3D模型；
形态学参数模块，用于根据所述病灶区域3D重建模型模块，确定所述腹主动脉瘤的形态学指标，所述形态学指标至少包括如下之一：腹主动脉的形状、腹主动脉的大小；
有限元素分析模块，用于根据所述病灶区域3D重建模型模块，确定所述腹主动脉瘤的壁应力和/或腹主动脉瘤的应变结果室壁厚度；
血流动力学参数模块，用于根据所述病灶区域3D重建模型模块以及所述有限元素分析模块，建立主动脉瘤破裂的临界状态分析模型，所述临界状态用于表征所述主动脉瘤壁内的应力超过组织的抗拉强度的状态；
临床数据模块，用于采集患者的健康记录数据和/或生活习惯数据；
机器学习模块，用于根据所述形态学参数模块、所述血流动力学参数模块以及所述临床数据模块，建立机器学习模型，用以预测腹主动脉瘤破裂风险。
2.根据权利要求1所述的系统，其特征在于，所述病灶区域3D重建模型模块，还用于
通过医学影像数据中扫描矩阵或切片厚度的增强CTA获得DICOM格式的图像；
将所述DICOM格式图像导入VESSEG模型对图像进行分割，所述分割结果包括至少包括如下之一：流明分割、外壁分割、内壁分割；
识别并分割所述腹主动脉中每个横截面的管腔、外壁、内壁边界的形态，并计算出形态对应的相关参数。
3.根据权利要求1所述的系统，其特征在于，所述有限元素分析模块，还用于，根据FEA模型，对具有均匀壁厚或患者特定壁厚变化的血管管系统进行建模。
4.根据权利要求3所述的系统，其特征在于，所述系统还包括几何量化模块，还用于
计算用于表征每个腹主动脉瘤的大小、形状以及壁厚的指标，将分割图图像经过几何量化后得到定量几何特征，其中所述指标至少包括如下之一：腹主动脉瘤3D尺寸、腹主动脉瘤形状特征，腹主动脉瘤的表面曲率、量化腹主动脉瘤的壁厚分布。
5.根据权利要求1所述的系统，其特征在于，所述血流动力学参数模块，还用于
利用管腔内的壁应力预测腹主动脉瘤的破裂；
根据下述公式计算腹动脉瘤壁运动与血流的耦合通畅：
Figure FDA0003855375480000021
其中，
Figure FDA0003855375480000022
ρf、P、u、ug分别代表流体密度、压力、流体速度以及移动坐标速度，u-ug代表流体相对于移动坐标的相对速度。
6.根据权利要求1所述的系统，其特征在于，所述机器学习模块，还用于
使用Bestfirst进行特征选择，所述特征至少包括如下之一：最大直径、血管壁的峰值应力、腹主动脉瘤的扩张速度、高血压的存在、基于流动介导的扩张、凸起位置、血管壁的峰值应力位置、心房颤动的存在、慢性阻塞性肺疾病的存在、腹部肿瘤的存在、血管紧张素转化酶的量、吸烟状况、性别。
7.根据权利要求2所述的系统，其特征在于，所述病灶区域3D重建模型模块，还用于将所述DICOM格式图像导入VESSEG模型对图像进行流明分割，
通过手动选择管腔内的单个样本点，之后通过检测数据集中每个图像的梯度来识别管腔边界；
从原始图像计算梯度图像，并初始化默认阈值水平以确定梯度图像大于阈值的区域，然后将包含样本点的最大连接区域标记为流明区域；
根据先前分割的平均值验证第一个切片之后，再对每个切片进行分割，并在需要时自动修改阈值。
8.根据权利要求1所述的系统，其特征在于，所述病灶区域3D重建模型模块，还用于将所述DICOM格式图像导入VESSEG模型对图像进行外壁分割，
先通过中值滤波器裁剪图像到接近瘤体的区域，作为中值图像；
然后使用平均滤波器对所述中值图像进行平滑处理；
最后采用轮廓函数，生成图像强度的轮廓或等值线阵列，并从可能的轮廓中进行选择。
9.根据权利要求1所述的系统，其特征在于，所述病灶区域3D重建模型模块，还用于将所述DICOM格式图像导入VESSEG模型对图像进行内壁分割，
使用平面fielding增强输入图像的对比度；
将输入图像采用两种分割算法分别并行处理，一端采用强度直方图且另一端采用根据图像集自身特征训练的神经网络。
10.根据权利要求5所述的系统，其特征在于，所述血流动力学参数模块，还用于其他参数以及所述利用管腔内的壁应力，预测腹主动脉瘤的破裂，其中其他参数至少包括如下之一：管壁抗拉强度、动脉瘤长度、患者特有的搏动速度、压力边界条件。
CN202211147309.4A 2022-09-20 2022-09-20 基于机器学习的腹主动脉瘤破裂风险的预测系统 Pending CN115546123A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211147309.4A CN115546123A (zh) 2022-09-20 2022-09-20 基于机器学习的腹主动脉瘤破裂风险的预测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211147309.4A CN115546123A (zh) 2022-09-20 2022-09-20 基于机器学习的腹主动脉瘤破裂风险的预测系统

Publications (1)

Publication Number Publication Date
CN115546123A true CN115546123A (zh) 2022-12-30

Family

ID=84726635

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211147309.4A Pending CN115546123A (zh) 2022-09-20 2022-09-20 基于机器学习的腹主动脉瘤破裂风险的预测系统

Country Status (1)

Country Link
CN (1) CN115546123A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116919374A (zh) * 2023-07-19 2023-10-24 西安交通大学 颅内动脉瘤及载瘤动脉内血流动力学参数评估方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116919374A (zh) * 2023-07-19 2023-10-24 西安交通大学 颅内动脉瘤及载瘤动脉内血流动力学参数评估方法及系统
CN116919374B (zh) * 2023-07-19 2024-04-12 西安交通大学 颅内动脉瘤及载瘤动脉内血流动力学参数评估方法及系统

Similar Documents

Publication Publication Date Title
US20210338333A1 (en) Systems and methods for treatment planning based on plaque progression and regression curves
Shum et al. Quantitative assessment of abdominal aortic aneurysm geometry
JP5159242B2 (ja) 診断支援装置、診断支援装置の制御方法、およびそのプログラム
JP2019512131A (ja) 画像ベースの患者固有の血流力学的モデルにおいて解像されていない血管を特定してモデル化するためのシステム及び方法
CN111415321B (zh) 动脉瘤破裂风险检测装置及设备
CN113066574A (zh) 基于神经网络的动脉瘤破裂预测方法、装置及存储介质
JP2013010009A (ja) 診断支援装置、診断支援装置の制御方法、およびそのプログラム
Brutti et al. Deep learning to automatically segment and analyze abdominal aortic aneurysm from computed tomography angiography
CN115546123A (zh) 基于机器学习的腹主动脉瘤破裂风险的预测系统
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
CN110892448B (zh) 用于动脉钙化的检测和量化的方法
Archana et al. Classification of plaque in carotid artery using intravascular ultrasound images (IVUS) by machine learning techniques
ES2954322T3 (es) Método para la detección y cuantificación de la calcificación arterial
US20230277156A1 (en) Ultrasound method
Jalalahmadi Design of a comprehensive modeling, characterization, rupture risk assessment and visualization pipeline for Abdominal Aortic Aneurysms
CN115205239A (zh) 一种动脉瘤稳定性的评估方法及系统
WO2023095105A1 (en) System and method for evaluation of image quality
CN116681890A (zh) 一种基于目标检测的血管狭窄病变识别方法及其应用
CN115496719A (zh) 基于深度学习的腹主动脉瘤识别方法及装置、存储介质、电子装置
CN114255207A (zh) 用于确定重要性评分的方法和系统

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