CN115553737A - 动脉瘤破裂状态识别系统以及医疗辅助系统 - Google Patents
动脉瘤破裂状态识别系统以及医疗辅助系统 Download PDFInfo
- Publication number
- CN115553737A CN115553737A CN202211256424.5A CN202211256424A CN115553737A CN 115553737 A CN115553737 A CN 115553737A CN 202211256424 A CN202211256424 A CN 202211256424A CN 115553737 A CN115553737 A CN 115553737A
- Authority
- CN
- China
- Prior art keywords
- aneurysm
- satisfied
- judging whether
- hemodynamic
- parameters
- 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
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/02007—Evaluating blood vessel condition, e.g. elasticity, compliance
- A61B5/02014—Determining aneurysm
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/02028—Determining haemodynamic parameters not otherwise provided for, e.g. cardiac contractility or left ventricular ejection fraction
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Animal Behavior & Ethology (AREA)
- Cardiology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Physiology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Vascular Medicine (AREA)
- Neurosurgery (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本申请公开了一种动脉瘤破裂状态识别系统以及医疗辅助系统,其中所述识别系统包括:形态学处理模块,用于采集血管造影并通过3D重建得到目标三维图像,并根据所述目标三维图像获取动脉瘤的形态学变量参数;血流动力学模块,用于基于CFD模拟获取所述动脉瘤的血流动力学参数;机器学习模块,用于基于有监督的决策树算法的随机森林分类器模型,对不同动脉瘤分类模型的分类结果进行评估,得到识别结果,其中所述动脉瘤分类模型的输入至少包括如下之一的参数:血流动力学参数、形态学变量参数。通过本申请的系统,基于有监督ML算法的随机森林分类器模型,以脑动脉瘤的形态学变量和血流动力学参数作为输入,建立了脑动脉瘤破裂状态的分类模型。本申请还提供了一种医疗辅助系统。
Description
技术领域
本申请涉及计算机视觉、医疗技术领域,具体而言,涉及一种动脉瘤破裂状态识别系统以及医疗辅助系统。
背景技术
脑动脉瘤是大脑动脉管壁的异常隆起,其破裂可导致蛛网膜下腔出血(subarachnoid hemorrhage,SAH),死亡率较高。SAH患者中有15-35%的动脉瘤患者出现多发性颅内动脉瘤,对于有多个动脉瘤的SAH患者,确定哪一个导致SAH非常重要,由于误诊而未经治疗但破裂的动脉瘤可能很快再次破裂。临床医生通常根据动脉瘤的大小、位置和形状来评估破裂状态。通常认为小于10mm的动脉瘤破裂风险较低,无需治疗,而少数小动脉瘤的破裂使得其治疗尤为复杂。
然而,相关技术中对于脑动脉瘤破裂的影响因素和机制仍不清楚。对于没有发生SAH的患者,预测哪些动脉瘤容易破裂以及是否需要手术是至关重要的。然而,预测多发性脑动脉瘤患者的破裂风险然是临床医生面临的巨大挑战。
相关技术中的研究均采用了类似的技术来评估破裂状态,如假设检验、线性相关和多元逻辑回归,但很少关注机器学习(machine learning,ML)算法。近年来,ML在各个领域得到了广泛的应用,并得到了迅速的发展。临床医学中使用ML方法的研究也在增加,尤其是诊断放射学。
有研究表明,诊断腹主动脉瘤(abdominal aortic aneurysm,AAA)破裂状态的参数性能因分类器而异。ML算法分为两大类:有监督学习算法和无监督学习算法。在有监督学习中,将成对的输入和输出提供给算法,从而找到从输入生成输出的方法,这项技术能够预测结果、对各种数据进行分类以及从数据中检测错误,已开始被应用于医学领域。相反,在无监督学习中,只有输入是已知的,没有已知的输出提供给算法,通常用于更好地理解和探索数据。
针对相关技术中医生仅凭借对影像学检查的视觉评估很难准确判断脑动力的破裂状态,且由于存在个体主观性和医生个人经验的差异容易造成较大的误差的问题,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动脉瘤破裂状态识别系统以及医疗辅助系统,以解决问题。
为了实现上述目的,根据本申请的一个方面,提供了一种动脉瘤破裂状态识别系统
根据动脉瘤破裂状态识别系统,包括:
形态学处理模块,用于采集血管造影并通过3D重建得到目标三维图像,并根据所述目标三维图像获取动脉瘤的形态学变量参数;
血流动力学模块,用于基于CFD模拟获取所述动脉瘤的血流动力学参数;
机器学习模块,用于基于有监督的决策树算法的随机森林分类器模型,对不同动脉瘤分类模型的分类结果进行评估,得到识别结果,其中所述动脉瘤分类模型的输入至少包括如下之一的参数:血流动力学参数、形态学变量参数。
进一步地,所述动脉瘤分类模型包括:具有所述血流动力学参数的第一分类模型、具有所述形态学变量参数的第二分类模型以及具有所述血流动力学参数和所述形态学变量参数的第三分类模型,
对不同动脉瘤分类模型的分类结果进行评估,并根据所述第三分类模型得到识别结果。
进一步地,所述形态学处理模块中的形态学变量参数至少包括如下之一:动脉瘤大小、动脉瘤表面积、动脉瘤体积、长宽比、尺寸比、瓶颈因子、非球形指数、波动指数、动脉瘤角、血流角、血管角。
进一步地,所述血流动力学模块中的血流动力学参数至少包括如下之一:舒张壁剪切力DWSS、收缩壁剪切力SWSS、时间平均壁剪切力TAWSS、振荡剪切指数OSI、相对停留时间RRT、动脉瘤形成指数AFI。
进一步地,所述识别结果包括状态估计结果,所述机器学习模块中的随机森林分类器模型采用破裂或未破裂动脉瘤的配对,作为同一患者的多个动脉瘤的不同状态估计结果。
进一步地,所述机器学习模块,还用于
通过所述随机森林分类器模型,将输入数据从根节点定向到其中一个叶节点;
当案例数据输入到决策树中时,根节点首先检查输入案例的某个形态学变量;
如果符合,模型将进一步检查左侧子节点的血流动力学参数;
如果形态学变量不符合,则转移至右侧节点,检查其他血流动力学参数。其中,所述随机森林模型的预测结果由决策树预测结果中的投票结果确定的。
进一步地,所述机器学习模块,还用于
根据形态学变量参数中的筛选结果,判断是否满足所述舒张壁剪切力DWSS;
如果满足,则判断是否满足所述收缩壁剪切力SWSS;
如果不满足,则判断是否满足所述时间平均壁剪切力TAWSS;
如果满足所述收缩壁剪切力SWSS,则通过判断是否满足所述振荡剪切指数OSI判断动脉瘤是否破裂;
如果不满足所述收缩壁剪切力SWSS,则通过判断是否满足所述相对停留时间RRT判断动脉瘤是否破裂;
如果判断不满足所述时间平均壁剪切力TAWSS,则判断是否满足动脉瘤形成指数AFI判断动脉瘤是否破裂。
进一步地,所述机器学习模块,还用于
判断当前数据是否满足所述动脉瘤大小;
如果满足,则判断是否满足动脉瘤表面积;
如果不满足,则判断是否满足动脉瘤体积;
如果满足所述动脉瘤表面积,则判断是否满足所述长宽比,如果不满足所述动脉瘤表面积,则判断是否满足所述尺寸比;
如果满足所述动脉瘤体积,则判断是否满足所述瓶颈因子,如果不满足所述动脉瘤体积,则判断是否满足所述非球形指数;
如果满足所述瓶颈因子,则判断是否满足所述波动指数;
如果不满足所述瓶颈因子,则判断是否满足所述动脉瘤角;
如果满足所述非球形指数,则判断是否满足所述血流角;
如果不满足所述非球形指数,则判断是否满足所述血管角;
根据所述长宽比、所述尺寸比、所述波动指数、所述动脉瘤角、所述血流角、所述血管角判断动脉瘤是否破裂。
进一步地,所述机器学习模块,还用于对所述DWSS、所述SWSS、所述TAWSS以及所述RRT通过在母血管处评估的相同数量进行归一化,其中,血流通过母血管以预设角度注入动脉瘤。
为了实现上述目的,根据本申请的另一个方面,提供了一种医疗辅助系统,包括所述的动脉瘤破裂状态识别系统。
本申请实施例中的系统,至少具有如下的技术效果:
动脉瘤破裂状态识别系统中的形态学处理模块采集血管造影并通过3D重建得到目标三维图像,并根据所述目标三维图像获取动脉瘤的形态学变量参数,动脉瘤破裂状态识别系统中的血流动力学模块基于CFD模拟获取所述动脉瘤的血流动力学参数。并且动脉瘤破裂状态识别系统中的机器学习模块于基于有监督的决策树算法的随机森林分类器模型,对不同动脉瘤分类模型的分类结果进行评估,得到识别结果。通过形态学处理以及血流动力学建立随机森林分类器模型,并根据模型的输出结果作为动脉瘤破裂状态识别的依据。
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动脉瘤破裂状态识别系统结构示意图;
图2是根据本申请实施例的动脉瘤破裂状态识别系统的实现原理示意图;
图3是根据本申请实施例的动脉瘤破裂状态识别系统中动脉瘤角度示意图;
图4是根据本申请实施例的动脉瘤破裂状态识别系统中脑动脉瘤几何模型示意图;
图5(a)是根据本申请实施例的动脉瘤破裂状态识别系统中仅具有形态学变量的识别流程示意图;
图5(b)是根据本申请实施例的动脉瘤破裂状态识别系统中仅具有血流动力学参数的的识别流程示意图;
图5(c)是根据本申请实施例的动脉瘤破裂状态识别系统中采用形态学变量以及血流动力学参数的识别流程示意图。
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。
发明人研究时发现,由于脑动脉瘤的破裂状态被证明与一些形态学指标相关,如长宽比、非球形指数等。血流动力学如血管壁剪切力(wall shear stress,WSS)等在脑动脉瘤的发病机制中也起着关键作用。形态学因素和血流动力学可以互为因果,即几何形状决定血流动力学,血流动力学影响病理,最终促进动脉瘤的形成,并最终影响血管形状。高强度的WSS会驱动壁细胞介导的破坏性重塑,产生小而薄壁的半透明动脉瘤,而低WSS会导致炎症-细胞介导的破坏性重塑,导致大而厚壁的动脉瘤。因此,利用形态学变量和血流动力学参数,可以评估脑动脉瘤的破裂状态。例如,建立logistic回归模型,用振荡剪切指数(oscillatory shear indexOSI)、时间平均壁剪切力(time-averaged wall shearstress,TAWSS)和动脉瘤的尺寸比(size ratio,SR)来评估脑动脉瘤破裂的可能性,也可以使用能量损失、表面涡流分数、低WSS面积比和舒张壁剪切力等指标。
此外,除了形态学变量和血流动力学参数外,还可以纳入人口学变量。通过计算流体力学(computational fluid dynamic,CFD)模拟,可以计算各种形态学和血流动力学指标,进而使用不同的技术评估破裂状态,如逻辑回归、破裂风险评分以及视觉评估。CFD已被应用于评估脑动脉瘤的发病机制,为了更好地了解破裂状态、破裂风险和动脉瘤的生长,一些血流动力学参数如WSS等已被证明与脑动脉瘤破裂状态高度相关,但尚未充分验证每个血流动力学参数的贡献程度。动脉瘤的形态学也与其破裂风险显著相关,但每个形态学变量的作用程度尚未阐明。
基于上述,本申请实施例中的系统应用有监督ML算法,以脑动脉瘤的形态学变量和血流动力学参数作为输入,破裂状态作为期望输出,旨在建立破裂状态的分类模型,并评估每个形态学变量或血流动力学参数对破裂状态的重要性。
如图1所示,本申请实施例中的动脉瘤破裂状态识别系统100,具体包括:形态学处理模块110、血流动力学模块120以及机器学习模块130,且各个模块中的实现原理如图2所示,其中,
所述形态学处理模块110,用于采集血管造影并通过3D重建得到目标三维图像,并根据所述目标三维图像获取动脉瘤的形态学变量参数。
根据所述形态学处理模块110采集血管造影并通过3D重建得到目标三维图像,之后再根据所述目标三维图像获取动脉瘤的形态学变量参数。
示例性地,可以使用Phillips Integris Allura系统获得脑血管造影旋转采集,以30帧/秒的速度180°旋转成像。
之后,在专用Phillips工作站上,使用各向同性体素将相应的100个投影图像重建为3D数据集。该文件以VRML格式导出到3DSMax软件进行数据清洗,并以STL格式导出到3DDoctor软件。
接着,使用3D Doctor软件,使用B样条从不同的剖切面对轮廓进行参数化,获得轮廓并以IGES格式导出到Rhinoceros软件。在计算机辅助设计(Computer Aided Design,CAD)软件中,生成非均匀有理B样条(non-uniform rational B-spline,NURBS)曲面并对不同曲面进行粘贴,以创建囊状动脉瘤血管的三维几何图形。
最后,几何体以STEP格式从Rhinoceros导出到网格生成器Gambit,并使用四面体元素生成非结构化网格。这种重建方法速度较快,且算子对最终几何体的影响最小。
作为本实施例中的优选,所述形态学处理模块中的形态学变量参数至少包括如下之一:动脉瘤大小、动脉瘤表面积、动脉瘤体积、长宽比、尺寸比、瓶颈因子、非球形指数、波动指数、动脉瘤角、血流角、血管角。
对于所述动脉瘤的形态学变量参数,每个动脉瘤均记录多个形态学特征:动脉瘤大小(H)、动脉瘤表面积(surface,S)、动脉瘤体积(volume,V)、长宽比(aspect ratio,AR)、尺寸比(size ratio,SR)、瓶颈因子(bottleneck factor,BNF)、非球形指数(nonsphericity index,NSI)、波动指数(undulation index,UI)、动脉瘤角(α_A)、血流角(α_F)和血管角(α_V)。H是从动脉瘤颈部到动脉瘤穹隆的最大距离。S为动脉瘤表面积,V为动脉瘤体积。AR定义为H除以颈部直径,SR定义为H与母血管直径之比,BNF定义为动脉瘤宽度与颈部直径之比。NSI的计算公式如下:
其中V为动脉瘤体积,S为动脉瘤表面积。UI计算公式如下:
其中,V_ch是凸面外壳,是完全包围动脉瘤的所有凸出点形成的最小体积。α_A定义为动脉瘤颈部与动脉瘤最高处之间的角度,α_F定义为动脉瘤最高处与母血管之间的角度,α_V定义为母血管与动脉瘤颈部平面之间的角度,具体如图3所示。
所述血流动力学模块120,用于基于CFD模拟获取所述动脉瘤的血流动力学参数。
作为本实施例中的优选,所述血流动力学模块中的血流动力学参数至少包括如下之一:舒张壁剪切力DWSS、收缩壁剪切力SWSS、时间平均壁剪切力TAWSS、振荡剪切指数OSI、相对停留时间RRT、动脉瘤形成指数AFI。
所述血流动力学模块120基于CFD模拟获取所述动脉瘤的血流动力学参数,为了获得血流动力学参数,需要进行血流模拟及几何建模。
具体而言,为评估同一患者多个脑动脉瘤的不同破裂状态,采用的破裂-未破裂动脉瘤的配对可能是探索动脉瘤破裂潜在指标的合理比较模型,因为在同一名患者中共享成对动脉瘤的相同流入边界条件有助于消除因个体差异而产生的不确定性。
示例性地,如图4所示为两名患者在破裂前的4个脑动脉瘤的图像。第一位患者A在大脑中动脉(middle cerebral artery,MCA)形成两个动脉瘤。一个位于上游MCA,另一个位于下游距离较短处。第二名患者B有两个动脉瘤,分别位于前交通动脉(anteriorcommunicating artery,ACA)和MCA。
计算以下几何参数:最大动脉瘤直径(Dmax);口平面平均直径(Dostium);动脉瘤高度与开口直径的长宽比,尺寸比定义为动脉瘤在母血管直径上的最大高度。
优选地,使用开源血管建模工具包(vascular modeling toolkit,VMTK)中基于梯度的水平集分割算法提取脑动脉瘤和血管的患者特定解剖模型,并通过VMTK的Taubin过滤器进一步平滑处理。
之后,为尽可能多地描述血管几何特征,将出口处每个血管的直径延长10倍,以减少边界伪影。
示例性地,使用ANSYS网格划分软件包对动脉瘤模型进行网格划分。
为了选择合适的网格密度,对动脉瘤WSS收敛性进行检查,对1000到3000个单元格/mm3的范围进行了测试,获得使用非结构化四面体网格的1500个单元格/mm3的WSS收敛。最大单元格边缘大小设置为0.2mm,根据模型的不同,单元格总数在300000至2500000之间。
使用CFD求解器ANSYS Fluent,通过PISO方案进行血流模拟。速度和压力分别采用二阶迎风格式和二阶格式进行插值。使用二阶隐式公式对时间进行离散,时间步长设置为Δt=0.0005s。
在血流入口设置Womersley速度剖面,曲线通过平均不同患者的血流脉冲获得,血流脉冲使用多普勒超声在颈内动脉中测量。在血流出口处设置一个压力脉冲,强度在80-120mmHg之间振荡。
在血管壁设置无滑移条件。流动建模为层流,壁假设为刚性。血流按照卡森流变模式进行测定:
其中,τ0=0.009Pa,μ0=0.0035Pa·s,m=100,密度为1065kg/m3,计算两个0.85s的心动周期,并根据第二个周期的结果进行分析。
基于CFD模拟获取所述动脉瘤的血流动力学参数,即计算每个动脉瘤的6个血流动力学参数:
舒张壁剪切力(diastolic WSS,DWSS)
收缩壁剪切力(systolic WSS,SWSS)
时间平均壁剪切力(time-averaged WSS,TAWSS)
振荡剪切指数(oscillatory shear index,OSI)
相对停留时间(relative residence time,RRT)
动脉瘤形成指数(aneurysm formation index,AFI)。
DWSS和SWSS分别计算为动脉瘤表面舒张期最小值和收缩期峰值处的WSS平均值。TAWSS计算为:
其中T是单个心动周期的总时间。OSI计算如下:
RRT计算为:
最后,获得的AFI为
所述机器学习模块130,用于基于有监督的决策树算法的随机森林分类器模型,对不同动脉瘤分类模型的分类结果进行评估,得到识别结果,其中所述动脉瘤分类模型的输入至少包括如下之一的参数:血流动力学参数、形态学变量参数。
通过所述机器学习模块130,采用有监督的决策树算法的随机森林分类器模型,对不同动脉瘤分类模型的分类结果进行评估。
作为本实施例中的优选,所述动脉瘤分类模型包括:具有所述血流动力学参数的第一分类模型、具有所述形态学变量参数的第二分类模型以及具有所述血流动力学参数和所述形态学变量参数的第三分类模型,
对不同动脉瘤分类模型的分类结果进行评估,并根据所述第三分类模型得到识别结果。
通过结合形态学变量和基于CFD模拟的血流动力学参数,基于有监督ML算法构建随机森林分类模型对脑动脉瘤进行多方面动态评估并判断破裂状态,大大提高了模型稳定性和准确性,使得结果输出更为稳健,具有较高的临床应用价值。
作为本实施例中的优选,所述识别结果包括状态估计结果,所述机器学习模块中的随机森林分类器模型采用破裂或未破裂动脉瘤的配对,作为同一患者的多个动脉瘤的不同状态估计结果。
具体实施时,作为一种有监督的ML算法,在本申请的实施例中采用决策树集合中的随机森林(random forest,RF)分类模型。RF模型是许多决策树模型的集合,每个决策树模型都具有树状结构。本专利中将形态学变量和血流动力学参数作为输入,并创建了三个分类模型,分别为:模型1仅具有形态学变量,模型2仅具有血流动力学参数,模型3同时具有形态学变量和血流动力学参数。
经过实验验证,使用形态学变量的模型1的准确性高于仅使用血流动力学参数的模型2,具有形态学和血流动力学参数的模型3对破裂状态的分类最为准确,表明在形态学分析中加入血流动力学因素可以更准确地对破裂状态进行分类,且相比于医生手动分类具有更高的准确性。
作为本实施例中的优选,所述机器学习模块,还用于通过所述随机森林分类器模型,将输入数据从根节点定向到其中一个叶节点;当案例数据输入到决策树中时,根节点首先检查输入案例的某个形态学变量;如果符合,模型将进一步检查左侧子节点的血流动力学参数;如果形态学变量不符合,则转移至右侧节点,检查其他血流动力学参数。其中,所述随机森林模型的预测结果由决策树预测结果中的投票结果确定的。
具体实施时,图5(a)、图5(b)以及图5(c)为模型1、模型2和模型3的RF决策树构造示例。通过决策树将输入样本从根节点定向到其中一个叶节点。当案例数据输入到决策树中时,根节点首先检查输入案例的某个形态学变量。如果符合,模型将进一步检查左侧子节点的血流动力学参数。如果形态学变量不符合,则转移至右侧节点,检查其他血流动力学参数。以此类推,最终对脑动脉瘤破裂状态进行判断。随机森林模型的预测结果由决策树预测结果的多数投票给出。
此外,在模型创建过程中,根据模型评估确定随机森林中的随机状态,使用从0至99(以1为增量)以达到每个分类模型中的最高精度。根据使用75至1025棵树的模型评估,以50棵树为增量确定树的数量。使用基尼系数评估模型分割的质量。在寻找最佳分割时要考虑的特征数量(即形态学变量和/或血流动力学参数)被设置为每个模型中参数总数的平方根。留一交叉验证用于评估模型的泛化性能,选择其中一个数据点作为测试集,其余数据点作为每个分割的训练集。准确度由正确分类数除以所有样本数计算得出。每个特征的重要性通过基尼系数的平均减少量来计算。在三个分类模型中,根据测试集的预测结果计算混淆矩阵,并计算留一交叉验证中所有拆分的平均值评估破裂状态分类的准确性和每个特征的重要性。
作为本实施例中的优选,所述机器学习模块130,还用于根据形态学变量参数中的筛选结果,判断是否满足所述舒张壁剪切力DWSS;如果满足,则判断是否满足所述收缩壁剪切力SWSS;如果不满足,则判断是否满足所述时间平均壁剪切力TAWSS;如果满足所述收缩壁剪切力SWSS,则通过判断是否满足所述振荡剪切指数OSI判断动脉瘤是否破裂;如果不满足所述收缩壁剪切力SWSS,则通过判断是否满足所述相对停留时间RRT判断动脉瘤是否破裂;如果判断不满足所述时间平均壁剪切力TAWSS,则判断是否满足动脉瘤形成指数AFI判断动脉瘤是否破裂。
具体实施时,图5(c)所示,当案例数据输入到决策树中时,根节点首先检查输入案例的某个形态学变量;如果符合,模型将进一步检查左侧子节点的血流动力学参数;如果形态学变量不符合,则转移至右侧节点,检查其他血流动力学参数。
作为本实施例中的优选,所述机器学习模块130,还用于判断当前数据是否满足所述动脉瘤大小;如果满足,则判断是否满足动脉瘤表面积;如果不满足,则判断是否满足动脉瘤体积;如果满足所述动脉瘤表面积,则判断是否满足所述长宽比,如果不满足所述动脉瘤表面积,则判断是否满足所述尺寸比;如果满足所述动脉瘤体积,则判断是否满足所述瓶颈因子,如果不满足所述动脉瘤体积,则判断是否满足所述非球形指数;如果满足所述瓶颈因子,则判断是否满足所述波动指数;如果不满足所述瓶颈因子,则判断是否满足所述动脉瘤角;如果满足所述非球形指数,则判断是否满足所述血流角;如果不满足所述非球形指数,则判断是否满足所述血管角;根据所述长宽比、所述尺寸比、所述波动指数、所述动脉瘤角、所述血流角、所述血管角判断动脉瘤是否破裂。
作为本实施例中的优选,所述机器学习模块130,还用于对所述DWSS、所述SWSS、所述TAWSS以及所述RRT通过在母血管处评估的相同数量进行归一化,其中,血流通过母血管以预设角度注入动脉瘤。
此外,本申请的实施例中还提供了医疗辅助系统,包括所述的动脉瘤破裂状态识别系统,其中,所述动脉瘤破裂状态识别系统包括
形态学处理模块,用于采集血管造影并通过3D重建得到目标三维图像,并根据所述目标三维图像获取动脉瘤的形态学变量参数;
血流动力学模块,用于基于CFD模拟获取所述动脉瘤的血流动力学参数;
机器学习模块,用于基于有监督的决策树算法的随机森林分类器模型,对不同动脉瘤分类模型的分类结果进行评估,得到识别结果,其中所述动脉瘤分类模型的输入至少包括如下之一的参数:血流动力学参数、形态学变量参数。
通过所述医疗辅助系统,与医生主观评估相比,本申请中所构建的随机森林分类模型可以更准确地对多发脑动脉瘤破裂状态进行判断,从而辅助医生及时制订治疗方案,减少高风险手术的同时避免贻误最佳治疗时机。
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)
1.一种动脉瘤破裂状态识别系统,其特征在于,所述系统包括:
形态学处理模块,用于采集血管造影并通过3D重建得到目标三维图像,并根据所述目标三维图像获取动脉瘤的形态学变量参数;
血流动力学模块,用于基于CFD模拟获取所述动脉瘤的血流动力学参数;
机器学习模块,用于基于有监督的决策树算法的随机森林分类器模型,对不同动脉瘤分类模型的分类结果进行评估,得到识别结果,其中所述动脉瘤分类模型的输入至少包括如下之一的参数:血流动力学参数、形态学变量参数。
2.根据权利要求1所述的系统,其特征在于,所述动脉瘤分类模型包括:具有所述血流动力学参数的第一分类模型、具有所述形态学变量参数的第二分类模型以及具有所述血流动力学参数和所述形态学变量参数的第三分类模型,
对不同动脉瘤分类模型的分类结果进行评估,并根据所述第三分类模型得到识别结果。
3.根据权利要求2所述的系统,其特征在于,所述形态学处理模块中的形态学变量参数至少包括如下之一:动脉瘤大小、动脉瘤表面积、动脉瘤体积、长宽比、尺寸比、瓶颈因子、非球形指数、波动指数、动脉瘤角、血流角、血管角。
4.根据权利要求2所述的系统,其特征在于,所述血流动力学模块中的血流动力学参数至少包括如下之一:舒张壁剪切力DWSS、收缩壁剪切力SWSS、时间平均壁剪切力TAWSS、振荡剪切指数OSI、相对停留时间RRT、动脉瘤形成指数AFI。
5.根据权利要求1所述的系统,其特征在于,所述识别结果包括状态估计结果,所述机器学习模块中的随机森林分类器模型采用破裂或未破裂动脉瘤的配对,作为同一患者的多个动脉瘤的不同状态估计结果。
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
通过所述随机森林分类器模型,将输入数据从根节点定向到其中一个叶节点;
当案例数据输入到决策树中时,根节点首先检查输入案例的某个形态学变量;
如果符合,模型将进一步检查左侧子节点的血流动力学参数;
如果形态学变量不符合,则转移至右侧节点,检查其他血流动力学参数,其中,所述随机森林模型的预测结果由决策树预测结果中的投票结果确定的。
7.根据权利要求6所述的系统,其特征在于,所述机器学习模块,还用于
根据形态学变量参数中的筛选结果,判断是否满足所述舒张壁剪切力DWSS;
如果满足,则判断是否满足所述收缩壁剪切力SWSS;
如果不满足,则判断是否满足所述时间平均壁剪切力TAWSS;
如果满足所述收缩壁剪切力SWSS,则通过判断是否满足所述振荡剪切指数OSI判断动脉瘤是否破裂;
如果不满足所述收缩壁剪切力SWSS,则通过判断是否满足所述相对停留时间RRT判断动脉瘤是否破裂;
如果判断不满足所述时间平均壁剪切力TAWSS,则判断是否满足动脉瘤形成指数AFI判断动脉瘤是否破裂。
8.根据权利要求6所述的系统,其特征在于,所述机器学习模块,还用于
判断当前数据是否满足所述动脉瘤大小;
如果满足,则判断是否满足动脉瘤表面积;
如果不满足,则判断是否满足动脉瘤体积;
如果满足所述动脉瘤表面积,则判断是否满足所述长宽比,如果不满足所述动脉瘤表面积,则判断是否满足所述尺寸比;
如果满足所述动脉瘤体积,则判断是否满足所述瓶颈因子,如果不满足所述动脉瘤体积,则判断是否满足所述非球形指数;
如果满足所述瓶颈因子,则判断是否满足所述波动指数;
如果不满足所述瓶颈因子,则判断是否满足所述动脉瘤角;
如果满足所述非球形指数,则判断是否满足所述血流角;
如果不满足所述非球形指数,则判断是否满足所述血管角;
根据所述长宽比、所述尺寸比、所述波动指数、所述动脉瘤角、所述血流角、所述血管角判断动脉瘤是否破裂。
9.根据权利要求6所述的系统,其特征在于,所述机器学习模块,还用于对所述DWSS、所述SWSS、所述TAWSS以及所述RRT通过在母血管处评估的相同数量进行归一化,其中,血流通过母血管以预设角度注入动脉瘤。
10.一种医疗辅助系统,其特征在于,包括如权利要求1至9任一项所述的动脉瘤破裂状态识别系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211256424.5A CN115553737A (zh) | 2022-10-13 | 2022-10-13 | 动脉瘤破裂状态识别系统以及医疗辅助系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211256424.5A CN115553737A (zh) | 2022-10-13 | 2022-10-13 | 动脉瘤破裂状态识别系统以及医疗辅助系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115553737A true CN115553737A (zh) | 2023-01-03 |
Family
ID=84745295
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211256424.5A Pending CN115553737A (zh) | 2022-10-13 | 2022-10-13 | 动脉瘤破裂状态识别系统以及医疗辅助系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115553737A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116092680A (zh) * | 2023-03-08 | 2023-05-09 | 成都工业学院 | 基于随机森林算法的腹主动脉瘤早期预测方法及系统 |
CN117323578A (zh) * | 2023-12-01 | 2024-01-02 | 深圳恩多克医疗有限公司 | 一种红外治疗仪智能控制方法及系统 |
-
2022
- 2022-10-13 CN CN202211256424.5A patent/CN115553737A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116092680A (zh) * | 2023-03-08 | 2023-05-09 | 成都工业学院 | 基于随机森林算法的腹主动脉瘤早期预测方法及系统 |
CN116092680B (zh) * | 2023-03-08 | 2023-06-09 | 成都工业学院 | 基于随机森林算法的腹主动脉瘤早期预测方法及系统 |
CN117323578A (zh) * | 2023-12-01 | 2024-01-02 | 深圳恩多克医疗有限公司 | 一种红外治疗仪智能控制方法及系统 |
CN117323578B (zh) * | 2023-12-01 | 2024-01-30 | 深圳恩多克医疗有限公司 | 一种红外治疗仪智能控制方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115553737A (zh) | 动脉瘤破裂状态识别系统以及医疗辅助系统 | |
JP7505093B2 (ja) | 患者の血流特性を決定するためのコンピュータで実行する方法、システム、及び非一時的コンピュータ可読媒体 | |
Trucco et al. | Modeling the tortuosity of retinal vessels: does caliber play a role? | |
WO2017047819A1 (ja) | 血管形状分析装置、その方法、及びそのコンピュータソフトウェアプログラム | |
JP2011520503A (ja) | 自動陥凹乳頭比測定システム | |
CN111415321B (zh) | 动脉瘤破裂风险检测装置及设备 | |
Armanious et al. | Age-net: An MRI-based iterative framework for brain biological age estimation | |
EP2830480A2 (en) | Volumetric analysis of pathologies | |
Sharif et al. | Medical image classification based on artificial intelligence approaches: a practical study on normal and abnormal confocal corneal images | |
Samant et al. | Evaluation of artificial neural networks in prediction of essential hypertension | |
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 | |
CN114010157A (zh) | 血管斑块风险预测方法、装置、设备及介质 | |
da Cruz et al. | Enabling autonomous medical image data annotation: A human-in-the-loop reinforcement learning approach | |
Mu et al. | Automatic segmentation of abdominal aortic aneurysms from CT angiography using a context-aware cascaded U-Net | |
Sen et al. | A comparison of medical image segmentation methods for cerebral aneurysm computational hemodynamics | |
US20230377151A1 (en) | Aortic aneurysm growth rate prediction from geometric analysis | |
Dueñas-Pamplona et al. | Reduced-order models of wall shear stress patterns in the left atrial appendage from a data-augmented atrial database | |
CN115546123A (zh) | 基于机器学习的腹主动脉瘤破裂风险的预测系统 | |
KR102483122B1 (ko) | 태아 신경계의 질환을 결정하기 위한 시스템 및 방법 | |
Al-Azzawi | Automatic Recognition System of Infant Cry based on F-Transform | |
Hassanin et al. | Automatic localization of Common Carotid Artery in ultrasound images using Deep Learning | |
Amuthadevi et al. | Development of fuzzy approach to predict the fetus safety and growth using AFI | |
Faris | Cataract Eye Detection Using Deep Learning Based Feature Extraction with Classification | |
Parra-Mora et al. | Explainable deep learning-based epiretinal membrane classification-an empirical comparison of seven interpretation methods | |
Abhang et al. | Impact of Interstitial Lung Diseases and COVID-19 on the body |
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 |