CN115690044A - 一种用于颅内动脉瘤栓塞术的术前检测方法 - Google Patents
一种用于颅内动脉瘤栓塞术的术前检测方法 Download PDFInfo
- Publication number
- CN115690044A CN115690044A CN202211344903.2A CN202211344903A CN115690044A CN 115690044 A CN115690044 A CN 115690044A CN 202211344903 A CN202211344903 A CN 202211344903A CN 115690044 A CN115690044 A CN 115690044A
- Authority
- CN
- China
- Prior art keywords
- target
- intracranial
- image
- determining
- simulation model
- 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
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供了一种用于颅内动脉瘤栓塞术的术前检测方法,其包括:获取第一颅内影像,并对第一颅内影像进行分析,确定目标病灶位置,且基于目标病灶位置确定栓塞术的目标影响范围;将目标影响范围在第一颅内影像中进行标注并分割,获得第二颅内影像;获取第二颅内影像的位置特征点,并基于位置特征点构建三维模拟模型;对三维模拟模型进行分析,并基于分析结果完成对颅内动脉瘤栓塞术的术前检测。通过对第一颅内影像进行分析,确定目标病灶位置,并根据目标病灶位置确定目标影响范围,并进行分割确定第二颅内影像,从而缩小分析范围,提高在术前检测的效率,通过构建第二颅内影像的三维模拟模型,为术前检测提供便利,提高术前检测的准确性。
Description
技术领域
本发明涉及图像处理技术领域,特别涉及一种用于颅内动脉瘤栓塞术的术前检测方法。
背景技术
正常外周动脉血管局限性扩张成囊状,称动脉瘤,动脉瘤瘤壁较正常血管壁薄弱且弹性较差,易破裂出血导致失血性休克,如动脉瘤破裂发生于颅内动脉,患者多表现为剧烈头痛、肢体瘫痪甚至意识丧失,此外,瘤腔内血流长期处于涡流状态,容易继发血栓,因此,周围动脉瘤如不治疗危险性极高;
随着医疗技术的不断发展,动脉瘤栓塞逐渐成为外周动脉瘤治疗的重要方式,动脉瘤介入栓塞时多使用微导管超选入动脉瘤腔内,通过微导管输送弹簧圈进行动脉瘤瘤腔填塞,从而达到封闭动脉瘤的目的,但是,在进行动脉瘤瘤腔填塞时,只能通过实时影像对动脉瘤情况进行了解,在面对突发情况时一旦决策失误,将会造成严重的后果;
因此,本发明提供了一种用于颅内动脉瘤栓塞术的术前检测方法。
发明内容
本发明提供一种用于颅内动脉瘤栓塞术的术前检测方法,用以通过获取第一颅内影像,并对第一颅内影像进行分析,从而确定目标病灶位置,其次通过目标病灶位置确定目标影响范围,并进行分割确定第二颅内影像,从而缩小分析范围,提高在术前检测的效率,通过构建第二颅内影像的三维模拟模型,可以为术前检测提供便利,并且提高术前检测的准确性。
本发明提供了一种用于颅内动脉瘤栓塞术的术前检测方法,包括:
步骤1:获取第一颅内影像,并对第一颅内影像进行分析,确定目标病灶位置,且基于目标病灶位置确定栓塞术的目标影响范围;
步骤2:将目标影响范围在第一颅内影像中进行标注并分割,获得第二颅内影像;
步骤3:获取第二颅内影像的位置特征点,并基于第二颅内影像的位置特征点构建三维模拟模型;
步骤4:对三维模拟模型进行分析,并基于分析结果完成对颅内动脉瘤栓塞术的术前检测。
优选的,一种用于颅内动脉瘤栓塞术的术前检测方法,步骤1中,获取第一颅内影像,并对第一颅内影像进行分析,确定目标病灶位置,包括:
采集第一颅内影像,同时,将第一颅内影像进行等间隔划分,获得子第一颅内影像;
分别确定每个子第一颅内影像的像素点分布特征,并基于每个子第一颅内影像的像素点分布特征确定子第一颅内影像相对应的子特征向量;
在子特征向量集中挑选众数子特征向量集,并锁定除众数子特征向量集之外剩余子特征向量,且将剩余子特征向量集作为目标集,其中,众数子特征向量集中每个子特征向量均一致;
确定目标集中每个子特征向量对应的子第一颅内影像,并将每个子第一颅内影像在第一颅内影像中进行映射,同时,基于映射结果确定目标病灶以及目标病灶所对应的目标病灶位置。
优选的,一种用于颅内动脉瘤栓塞术的术前检测方法,基于映射结果确定目标病灶位置之后,还包括:
对目标病灶进行读取,确定目标病灶的第一图像特征;
在预设图像库中提取目标病灶样本,并获取目标病灶样本的第二图像特征;
获取第一图像特征与第二图像特征的目标相似度,并将所述目标相似度与预设相似度进行比较,判断所述目标病灶是否正确;
当目标相似度等于或大于预设相似度时,则判定所述目标病灶正确;
否则,则判定所述目标病灶不正确,并重新确定所述目标病灶。
优选的,一种用于颅内动脉瘤栓塞术的术前检测方法,步骤1中,基于目标病灶位置确定栓塞术的目标影响范围,其特征在于,包括:
在第一颅内影像中对目标病灶位置进行读取,获取目标病灶位置对应的病灶形状,同时,根据病灶形状确定目标病灶位置对应的区域特征;
在预设手术管理库中调取栓塞术的目标文本,并基于目标文本确定栓塞术的执行特征;
根据区域特征与执行特征,确定正常区域与目标病灶位置的最低安全距离,并根据最低安全距离确定栓塞术的目标影响范围。
优选的,一种用于颅内动脉瘤栓塞术的术前检测方法,步骤2中,将目标影响范围在第一颅内影像中进行标注并分割,获得第二颅内影像,包括:
对目标影响范围进行读取,确定目标影响范围的边界轮廓像素点,并将目标影响范围的边界轮廓像素点在第一颅内影像中进行标注;
基于标注结果确定图像切割点,同时,根据图像切割点将目标影响范围在第一颅内影像中进行分割;
基于分割结果,获得第二颅内影像。
优选的,一种用于颅内动脉瘤栓塞术的术前检测方法,步骤3中,获取第二颅内影像的位置特征点,并基于第二颅内影像的位置特征点构建三维模拟模型,包括:
获取第二颅内影像,并基于第二颅内影像确定颅内动脉瘤与血管组织的相对位置,且基于相对位置确定颅内的结构特征;
获取动脉瘤栓塞术的执行要求,并基于执行要求确定待选取特征点数量,且基于待选取特征点数量根据颅内的结构特征确定位置特征点;
调用预设平面图像空间转换网络基于位置特征点对第二颅内影像进行二维到三维的空间转换,得到立体颅内影像,并基于立体颅内影像分别确定颅内颅骨、血管组织以及动脉瘤组织;
分别对颅内颅骨、血管组织以及动脉瘤组织进行扫描,得到颅内颅骨、血管组织以及动脉瘤组织对应的第一点云数据、第二点云数据以及第三点云数据,并将第一点云数据、第二点云数据以及第三点云数据依次输入深度学习网络进行第一建模、第二建模以及第三建模,得到第一三维模型、第二三维模型以及第三三维模型;
将第一三维模型、第二三维模型以及第三三维模型进行综合,并基于位置特征点对综合结果进行特征点配准,得到三维模拟模型;
基于预设服务器接收模型对接请求,并基于对接请求获取三维模拟模型的模型参数,且基于模型参数确定三维模拟模型的目标类型;
基于目标类型确定与三维模拟模型对接的目标设备,并基于三维模拟模型的模型参数对目标设备对三维模拟模型的检测流程进行配置,且基于配置结果完成对三维模拟模型的构建与对接。
优选的,一种用于颅内动脉瘤栓塞术的术前检测方法,基于配置结果完成对三维模拟模型的构建与对接,包括:
基于预设历史数据库调取历史三维模拟模型,并基于调取结果构建数据调用进程,且基于数据调用进程向目标设备发送检测请求;
当目标设备做出接收响应后,基于数据调用进程为历史三维模拟模型分配调用标识,并基于调用标识向目标设备发送调用指引信息;
基于调用指引信息对目标设备对历史三维模拟模型的调用进程进行第一监测,且在目标设备完成对历史三维模拟模型调用后,对目标设备对历史三维模拟模型的处理进程进行第二监测,并得到目标监测结果;
将目标检测结果与历史颅内影像对应的标准结果进行比较;
若目标检测结果与标准结果一致时,判定对目标设备与三维模拟模型之间的检测流程构建合格,否则,判定对目标设备与三维模拟模型之间的检测流程构建不合格,并对检测流程进行优化。
优选的,一种用于颅内动脉瘤栓塞术的术前检测方法,步骤4中,对三维模拟模型进行分析,包括:
获取构建的三维模拟模型,并对三维模拟模型进行读取,确定在三维模拟模型中目标病灶的第一形态特征,同时,确定除目标病灶所在区块以外的第二形态特征;
基于第一形态特征以及第二形态特征确定颅内动脉瘤的目标形态学参数,并将目标形态学参数作为第一数据,同时,基于三维模拟模型确定颅内动脉瘤的目标血流动态数据,并将目标血流动态数据作为第二数据;
获取患者的身份信息,并基于身份信息从预设医疗数据库中提取患者的历史就医数据,并基于历史就医数据确定所述第一数据的第一权重以及第二数据的第二权重;
将所述第一数据、第一权重、第二数据以及第二权重输入预设动脉瘤风险评估模型进行评估,得到颅内动脉瘤的风险评估值,并基于风险评估值确定进行颅内动脉瘤栓塞术的风险等级,同时,基于风险评估结果确定目标注意位置;
基于所述风险等级从预设手术方案库中匹配目标手术方案,并基于目标注意位置对目标手术方案中与目标注意位置相对应的手术步骤进行优化,且基于优化结果得到颅内动脉瘤栓塞术最终的手术规划方案。
优选的,一种用于颅内动脉瘤栓塞术的术前检测方法,基于风险评估结果确定目标注意位置,包括:
获取对颅内动脉瘤的风险评估结果,并基于风险评估结果确定对颅内动脉瘤进行栓塞术时,颅内动脉瘤不同位置对应的可执行风险评估值,其中,颅内动脉瘤在进行栓塞术时需要进行手术的位置不唯一;
将各可执行风险评估值与预设风险阈值进行比较,并基于比较结果确定可执行风险评估值大于预设风险阈值的异常手术位置,且将异常手术位置判定为目标注意位置。
优选的,一种用于颅内动脉瘤栓塞术的术前检测方法,还包括:
基于对三维模拟模型进行分析,确定目标病灶的空间特征;
根据目标病灶的空间特征并结合目标病灶的理论扩散系数,构建目标病灶的病灶体积扩散函数;
基于病灶体积扩散函数评估在进行栓塞术时目标病灶的病灶变化体积,并根据执行颅内动脉瘤栓塞术所允许的最长手术时间,确定执行颅内动脉瘤栓塞术的风险评估系数;
并基于风险评估系数评估执行当前颅内动脉瘤栓塞术的风险等级,并根据评估结果生成评估报告传输至报告接收终端。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例中一种用于颅内动脉瘤栓塞术的术前检测方法的流程图;
图2为本发明实施例中一种用于颅内动脉瘤栓塞术的术前检测方法中步骤1的流程图
图3为本发明实施例中一种用于颅内动脉瘤栓塞术的术前检测方法中步骤2的流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
实施例1:
本实施例提供了一种用于颅内动脉瘤栓塞术的术前检测方法,如图1所示,包括:
步骤1:获取第一颅内影像,并对第一颅内影像进行分析,确定目标病灶位置,且基于目标病灶位置确定栓塞术的目标影响范围;
步骤2:将目标影响范围在第一颅内影像中进行标注并分割,获得第二颅内影像;
步骤3:获取第二颅内影像的位置特征点,并基于第二颅内影像的位置特征点构建三维模拟模型;
步骤4:对三维模拟模型进行分析,并基于分析结果完成对颅内动脉瘤栓塞术的术前检测。
该实施例中,第一颅内影像可以是基于CT等技术手段获取的目标患者的颅内影像。
该实施例中,目标病灶位置可以是目标患者颅内动脉瘤位置。
该实施例中,目标影响范围可以是在进行颅内动脉瘤栓塞术时对颅内动脉瘤周围进行手术时误处理的区域或面积。
该实施例中,第二颅内影响可以是在第一颅内影像中将目标影响范围以及目标病灶位置进行标记后,并根据标记结果将目标影响范围对应的图像区域从第一颅内影像中分割出来,其中,目标影像范围中包含颅内动脉瘤位置。
该实施例中,位置特征点可以是第二颅内影像中能够代表颅内结构特征或病灶位置与正常细胞之间的位置关系的像素点,比如:边缘轮廓像素点等、颅内血管的交界像素点等。
该实施例中,三维模拟模型可以是基于第二颅内影像的位置特征点在计算机中进行3D建模后确定的三维模拟模型。
该实施例中,对三维模拟模型进行分析,可以是通过计算机对第二颅内影像进行结构分析,确定颅内动脉瘤附近的血管特征(如:血管分布、血管走向以及血管粗细等),从而确定在进行颅内动脉瘤栓塞术中是否会有干扰因子,其中,干扰因子例如可以是干扰颅内动脉瘤栓塞术正常进行的情况,一般例如:血管分布或者血管走向对目标病灶位置的遮挡。
上述技术方案的有益效果是:通过获取第一颅内影像,并对第一颅内影像进行分析,从而确定目标病灶位置,其次通过目标病灶位置确定目标影响范围,并进行分割确定第二颅内影像,从而缩小分析范围,提高在术前检测的效率,通过构建第二颅内影像的三维模拟模型,可以为术前检测提供便利,并且提高术前检测的准确性。
实施例2:
在实施例1的基础上,本实施例提供了一种用于颅内动脉瘤栓塞术的术前检测方法,步骤1中,获取第一颅内影像,并对第一颅内影像进行分析,确定目标病灶位置,包括:
采集第一颅内影像,同时,将第一颅内影像进行等间隔划分,获得子第一颅内影像;
分别确定每个子第一颅内影像的像素点分布特征,并基于每个子第一颅内影像的像素点分布特征确定子第一颅内影像相对应的子特征向量;
在子特征向量集中挑选众数子特征向量集,并锁定除众数子特征向量集之外剩余子特征向量,且将剩余子特征向量集作为目标集,其中,众数子特征向量集中每个子特征向量均一致;
确定目标集中每个子特征向量对应的子第一颅内影像,并将每个子第一颅内影像在第一颅内影像中进行映射,同时,基于映射结果确定目标病灶以及目标病灶所对应的目标病灶位置。
该实施例中,子第一颅内影像可以是将第一颅内影像进行等间隔划分后得到的每一颅内影像块,是第一颅内影像的一部分。
该实施例中,像素点分布特征可以是每个子第一颅内影像中像素点的行数、列数以及不同像素点的明暗情况。
该实施例中,子特征向量可以是根据像素点分布特征确定的,用于表征对应子第一颅内图像的图像特点。
该实施例中,众数子特征向量集可以是所有子第一颅内影像对应的子特征向量中取值相同且占总子特征向量数据最大比值的子特征向量。
该实施例中,目标集即为所有子第一颅内影像对应的子特征向量中除去众数子特征向量集后对应的子特征向量。
该实施例中,众数子特征向量集可以是所有子第一颅内影像中能够表征患者颅内正常的区域。
该实施例中,目标病灶可以是第一颅内影像中表征的患者的患病部位。
上述技术方案的有益效果是:通过采集第一颅内影像,并对采集到的第一颅内影像进行分割并分析,实现对第一颅内影像中的正常区域以及异常区域进行准确锁定,并根据锁定结果实现对目标病灶以及目标病灶位置进行准确有效的判断,从而便于根据目标病灶以及目标病灶位置对目标影像范围进行确定,提高了术前检测的实用性。
实施例3:
在实施例2的基础上,本实施例提供了一种用于颅内动脉瘤栓塞术的术前检测方法,基于映射结果确定目标病灶位置之后,还包括:
对目标病灶进行读取,确定目标病灶的第一图像特征;
在预设图像库中提取目标病灶样本,并获取目标病灶样本的第二图像特征;
获取第一图像特征与第二图像特征的目标相似度,并将所述目标相似度与预设相似度进行比较,判断所述目标病灶是否正确;
当目标相似度等于或大于预设相似度时,则判定所述目标病灶正确;
否则,则判定所述目标病灶不正确,并重新确定所述目标病灶。
该实施例中,第一图像特征可以是目标病灶对应的图像特点,具体可以是目标病灶的面积等特征。
该实施例中,预设图像库是提前设定好的,用于存储不同的目标病灶样本,其中,目标病灶样本是提起获取到的。
该实施例中,第二图像特征可以是目标病灶样本对应的特征,具体可以是目标病灶样本中病灶对应的面积等特征。
该实施例中,目标相似度可以是用于表征第一图像特征与第二图像特征之间的相似程度,目标相似度越大表明第一图像特征和第二图像特征越相似。
该实施例中,预设相似度是提前设定好的。
上述技术方案的有益效果是:通过对目标病灶进行分析,且将目标并遭与预设图像库中存储的目标病灶样本进行比对,实现通过目标病灶样本对获取道德目标病灶进行比对,从而提高了对目标病灶确定的准确率,从而保障了颅内动脉瘤栓塞术的术前检测的可靠性以及准确性。
实施例4:
在实施例1的基础上,本实施例提供了一种用于颅内动脉瘤栓塞术的术前检测方法,如图2所示,步骤1中,基于目标病灶位置确定栓塞术的目标影响范围,其特征在于,包括:
步骤101:在第一颅内影像中对目标病灶位置进行读取,获取目标病灶位置对应的病灶形状,同时,根据病灶形状确定目标病灶位置对应的区域特征;
步骤102:在预设手术管理库中调取栓塞术的目标文本,并基于目标文本确定栓塞术的执行特征;
步骤103:根据区域特征与执行特征,确定正常区域与目标病灶位置的最低安全距离,并根据最低安全距离确定栓塞术的目标影响范围。
该实施例中,区域特征可以是目标病灶位置对应的目标病灶的形状以及面积等特征。
该实施例中,预设手术管理库是提前设定好的,用于存储动脉瘤栓塞术对应的手术内容文本。
该实施例中,目标文本可以是动脉瘤栓塞术操作过程中包含的执行步骤以及每一执行步骤对应的执行内容。
该实施例中,执行特征可以是执行动脉瘤栓塞术手术时具体执行顺序、执行速度等。
该实施例中,最低安全距离可以是表征在执行动脉瘤栓塞术,病灶位置与正常区域最低需要保持的距离。
上述技术方案的有益效果是:通过对第一颅内影像中的目标病灶位置进行分析,实现对目标病灶的区域特征进行准确有效的分析,其次,根据分析结果确定与之匹配的栓塞术的目标文本,并对目标文本进行分析,实现对执行特征进行准确有效的分析,最后根据区域特征以及执行特征实现对栓塞术的目标影响范围进行准确可靠的分析,保障了对颅内动脉瘤栓塞术的术前检测的准确性以及可靠性。
实施例5:
在实施例1的基础上,本实施例提供了一种用于颅内动脉瘤栓塞术的术前检测方法,如图3所示,步骤2中,将目标影响范围在第一颅内影像中进行标注并分割,获得第二颅内影像,包括:
步骤201:对目标影响范围进行读取,确定目标影响范围的边界轮廓像素点,并将目标影响范围的边界轮廓像素点在第一颅内影像中进行标注;
步骤202:基于标注结果确定图像切割点,同时,根据图像切割点将目标影响范围在第一颅内影像中进行分割;
步骤203:基于分割结果,获得第二颅内影像。
该实施例中,边界轮廓像素点可以是目标影像范围的边界包含的多个像素点。
该实施例中,图像切割点可以是表征在第一颅内影像中目标影像范围和正常区域的分别线对应的分割点。
上述技术方案的有益效果是:通过对目标影像范围进行分析,并根据分析结果实现将第一颅内影像中的目标影像范围与正常区域的边界线进行准确确认,从而实现根据边界线对第一颅内影像中的目标影像范围进行准确分割,从而现实对第二颅内影像进行准确有效的获取,为实现对颅内动脉瘤栓塞术的术前检测提供了便利与保障。
实施例6:
在实施例1的基础上,本实施例提供了一种用于颅内动脉瘤栓塞术的术前检测方法,步骤3中,获取第二颅内影像的位置特征点,并基于第二颅内影像的位置特征点构建三维模拟模型,包括:
获取第二颅内影像,并基于第二颅内影像确定颅内动脉瘤与血管组织的相对位置,且基于相对位置确定颅内的结构特征;
获取动脉瘤栓塞术的执行要求,并基于执行要求确定待选取特征点数量,且基于待选取特征点数量根据颅内的结构特征确定位置特征点;
调用预设平面图像空间转换网络基于位置特征点对第二颅内影像进行二维到三维的空间转换,得到立体颅内影像,并基于立体颅内影像分别确定颅内颅骨、血管组织以及动脉瘤组织;
分别对颅内颅骨、血管组织以及动脉瘤组织进行扫描,得到颅内颅骨、血管组织以及动脉瘤组织对应的第一点云数据、第二点云数据以及第三点云数据,并将第一点云数据、第二点云数据以及第三点云数据依次输入深度学习网络进行第一建模、第二建模以及第三建模,得到第一三维模型、第二三维模型以及第三三维模型;
将第一三维模型、第二三维模型以及第三三维模型进行综合,并基于位置特征点对综合结果进行特征点配准,得到三维模拟模型;
基于预设服务器接收模型对接请求,并基于对接请求获取三维模拟模型的模型参数,且基于模型参数确定三维模拟模型的目标类型;
基于目标类型确定与三维模拟模型对接的目标设备,并基于三维模拟模型的模型参数对目标设备对三维模拟模型的检测流程进行配置,且基于配置结果完成对三维模拟模型的构建与对接。
该实施例中,相对位置可以是表征动脉瘤在血管中的位置情况,具体可以是处于血管的哪一段等。
该实施例中,结构特征可以是表征动脉瘤在颅内,与颅内血管以及其他组织之间的结构关系。
该实施例中,执行要求可以是在进行动脉瘤栓塞术时需要实现的目的以及在执行动脉瘤栓塞术时包含的手术步骤等。
该实施例中,待选取特征点可以是在进行动脉瘤栓塞术时作为参考或者时作为观察的位置点。
该实施例中,待选取特征点数量可以是在进行动脉瘤栓塞术时需要参考的点的个数。
该实施例中,预设平面图像空间转换网络是提前设定好的,用于将平面图像转换为相应的三维立体图像。
该实施例中,立体颅内影像可以是通过预设平面图像空间转换网络对第二颅内影像进行空间转换后得到的三维立体影像。
该实施例中,第一点云数据、第二点云数据以及第三点云数据分别是颅内颅骨、血管组织以及动脉瘤组织对应的外表面的点集合。
该实施例中,第一建模、第二建模以及第三建模可以是通过深度学习网络分别对颅内颅骨、血管组织以及动脉瘤组织对应的第一点云数据、第二点云数据以及第三点云数进行处理,从而实现对三者分别进行相应的建模,得到三者对应的立体模型。
该实施例中,第一三维模型、第二三维模型以及第三三维模型可以分别是颅内颅骨、血管组织以及动脉瘤组织对应的三维立体模型。
该实施例中,将第一三维模型、第二三维模型以及第三三维模型进行综合可以是根据三者在颅内的位置情况对三者进行有机结合,从而实现对三维模拟模型的构建。
该实施例中,预设服务器是提前设定好的,用于将构建好的三维模拟模型与对应的分析或处理设备进行对接,从而便于实现对构建的三维模拟模型进行相应的分析,实现对应的术前检测。
该实施例中,模型参数可以是三维模拟模型的规格以及三维模拟模型对应的种类等。
该实施例中,目标类型可以是表征三维模拟模型对应的实体的类别,具体可以是颅内或是胸腔等器官对应的模拟模型。
该实施例中,目标设备可以是对三维模拟模型进行分析的医疗设备。
上述技术方案的有益效果是:通过对第二颅内影像进行分析,并根据分析结果在第二颅内影像中选取对应的特征点,且根据特征点实现将第二颅内影像转换为对应的立体颅内影像,通过对立体颅内影像进行分析,实现对颅内的颅骨、血管组织以及动脉瘤组织对应的点云数据数据进行准确有效的获取,为实现构建三维模拟模型提供了便利,最后,通过深度学习网络对获取到的丹云数据进行处理,实现对第二颅内影像对应的三维模拟模型进行准确可靠的构建,并将构建好的三维模拟模型对对应的目标设备进行对接,从而实现对三维模拟模型进行准确可靠的分析,保障了对颅内动脉瘤栓塞术的术前检测的准确性以及可靠性。
实施例7:
在实施例6的基础上,本实施例提供了一种用于颅内动脉瘤栓塞术的术前检测方法,基于配置结果完成对三维模拟模型的构建与对接,包括:
基于预设历史数据库调取历史三维模拟模型,并基于调取结果构建数据调用进程,且基于数据调用进程向目标设备发送检测请求;
当目标设备做出接收响应后,基于数据调用进程为历史三维模拟模型分配调用标识,并基于调用标识向目标设备发送调用指引信息;
基于调用指引信息对目标设备对历史三维模拟模型的调用进程进行第一监测,且在目标设备完成对历史三维模拟模型调用后,对目标设备对历史三维模拟模型的处理进程进行第二监测,并得到目标监测结果;
将目标检测结果与历史颅内影像对应的标准结果进行比较;
若目标检测结果与标准结果一致时,判定对目标设备与三维模拟模型之间的检测流程构建合格,否则,判定对目标设备与三维模拟模型之间的检测流程构建不合格,并对检测流程进行优化。
该实施例中,预设历史数据库是提前设定好的,用于存储不同类型的颅内动脉瘤模型。
该实施例中,历史三维模拟模型可以是不同情况下的颅内动脉瘤模型,存储在预设历史数据库中。
该实施例中,数据调用进程可以是用于表征目标设备与构建好的三维模拟模型之间的对接流程。
该实施例中,调用标识可以是表征不同历史三维模拟模型对应的目标设备,即表征不同历史三维模拟模型的身份信息。
该实施例中,调用指引信息可以是为目标设备提供调用相应历史三维模拟模型的提示,便于目标设备对相应的历史三维模拟模型进行相应的调用。
该实施例中,第一监测可以是监测目标设备对对应的历史三维模拟模型的调用情况,用于判断目标模型是否对历史三维模拟模型进行准确可靠的调用。
该实施例中,第二监测可以是用于监测目标设备对调用后的历史三维模拟模型的处理情况,用于判断目标设备是否能够对历史三维模拟模型进行准确可靠的检测。
该实施例中,目标监测结果可以是对目标设备对历史三维模拟模型的抵用过程以及处理过程进行监测后得到的监测结果。
该实施例中,标准结果可以是历史三维模拟模型对应的颅内动脉瘤对应的实际风险程度,具体可以是动脉瘤破裂的风险程度等。
上述技术方案的有益效果是:通过从预设历史数据库中调取相应的历史三维模拟模型,并将历史三维模拟模型与对应的目标设备进行对接,且对对接的流程以及目标设备对相应历史三维模拟模型的处理过程进行监测,实现对目标设备对三维模拟模型的处理进程进行准确有效的校验,从而保障了对构建的三维模拟模型分析的准确率,提高术前检测的可靠性。
实施例8:
在实施例1的基础上,本实施例提供了一种用于颅内动脉瘤栓塞术的术前检测方法,步骤4中,对三维模拟模型进行分析,包括:
获取构建的三维模拟模型,并对三维模拟模型进行读取,确定在三维模拟模型中目标病灶的第一形态特征,同时,确定除目标病灶所在区块以外的第二形态特征;
基于第一形态特征以及第二形态特征确定颅内动脉瘤的目标形态学参数,并将目标形态学参数作为第一数据,同时,基于三维模拟模型确定颅内动脉瘤的目标血流动态数据,并将目标血流动态数据作为第二数据;
获取患者的身份信息,并基于身份信息从预设医疗数据库中提取患者的历史就医数据,并基于历史就医数据确定所述第一数据的第一权重以及第二数据的第二权重;
将所述第一数据、第一权重、第二数据以及第二权重输入预设动脉瘤风险评估模型进行评估,得到颅内动脉瘤的风险评估值,并基于风险评估值确定进行颅内动脉瘤栓塞术的风险等级,同时,基于风险评估结果确定目标注意位置;
基于所述风险等级从预设手术方案库中匹配目标手术方案,并基于目标注意位置对目标手术方案中与目标注意位置相对应的手术步骤进行优化,且基于优化结果得到颅内动脉瘤栓塞术最终的手术规划方案。
该实施例中,第一形态特征可以是表征三维模拟模型中目标病灶的形状以及在血管组织中的分布情况等。
该实施例中,第二形态特征可以是表征正常区域对应的形状以及与目标病灶之间的位置关系等。
该实施例中,目标形态学参数可以是表征颅内动脉瘤形状等具体情况的参数。
该实施例中,第一数据可以是颅内动脉瘤的形态学参数。
该实施例中,目标血流动态数据可以是颅内血管组织中血流的血流速度以及血流流向等参数。
该实施例中,第二数据可以是颅内动脉瘤的血流情况等参数。
该实施例中,预设医疗数据库是提前设定好的,用于存储不同患者在一定时间段内的历史就医信息。
该实施例中,历史就医信息可以是患者在医院内就诊时,确诊过的历史病例情况。
该实施例中,第一权重和第二权重分别可以是表征第一数据和第二数据在进行动脉瘤栓塞术的术前检测中所占的比重。
该实施例中,预设动脉瘤风险评估模型时提前训练好的,用于对采集到的数据进行分析,从而确保对动脉瘤栓塞术的术前检测进行有效的进行。
该实施例中,风险评估值用于表征颅内动脉瘤的危险情况,风险评估值越大表明颅内动脉瘤的危险洗漱越高。
该实施例中,目标注意位置可以是在进行动脉瘤栓塞术时需要着重注意的位置。
该实施例中,预设手术方案库是提前设定好的,用于存储不同的手术方案。
该实施例中,目标手术方案可以是适用于当前动脉瘤栓塞术的手术方案。
上述技术方案的有益效果是:通过对构建的三维模拟模型进行分析,实现对颅内的动脉瘤的形态参数以及血流动态数据进行准确有效的获取,其次,通过患者的历史就医信息对动脉瘤的目标形态学参数以及目标血流动态数据的权重进行准确可靠的确定,从而实现根据权重对颅内动脉瘤的栓塞术进行准确有可靠的分析,保障了对动脉瘤具体情况掌握的可靠性,最后通过分析结果对动脉瘤栓塞术的手术方案进行优化,提高了动脉瘤栓塞术的术前检测的实用性。
实施例9:
在实施例8的基础上,本实施例提供了一种用于颅内动脉瘤栓塞术的术前检测方法,基于风险评估结果确定目标注意位置,包括:
获取对颅内动脉瘤的风险评估结果,并基于风险评估结果确定对颅内动脉瘤进行栓塞术时,颅内动脉瘤不同位置对应的可执行风险评估值,其中,颅内动脉瘤在进行栓塞术时需要进行手术的位置不唯一;
将各可执行风险评估值与预设风险阈值进行比较,并基于比较结果确定可执行风险评估值大于预设风险阈值的异常手术位置,且将异常手术位置判定为目标注意位置。
该实施例中,可执行风险评估值可以是表征对颅内动脉瘤进行栓塞术时不同位置的危险系数。
该实施例中,预设风险阈值是提前设定好的,用于衡量不同位置的风险是否超出预期要求。
该实施例中,异常手术位置可以是可执行风险评估值大于预设风险阈值的手术位置。
上述技术方案的有益效果是:通过对颅内动脉瘤的风险评估结果进行分析,实现对不同手术位置的可执行风险评估值进行准确可靠的分析,从而便于对颅内动脉瘤中需要着重注意的手术位置进行准确有效的锁定,便于实现根据目标注意位置对手术方案进行优化,从而保障了术前检测的实用性。
实施例10:
在实施例1的基础上,还包括:
基于对三维模拟模型进行分析,确定目标病灶的空间特征,并根据目标病灶的空间特征并结合目标病灶的理论扩散系数,构建目标病灶的病灶体积扩散函数,基于病灶体积扩散函数评估在进行栓塞术时目标病灶的病灶变化体积,并根据执行颅内动脉瘤栓塞术所允许的最长手术时间,计算执行颅内动脉瘤栓塞术的风险评估系数,具体过程,包括:
对三维模拟模型进行分析,确定目标病灶的空间特征,并基于空间特征确定目标病灶的边缘点,同时,根据边缘点获取目标病灶在每一个平面的面积,同时,选取最大平面的作为参考面;
基于目标病灶的生物特征,获取目标病灶的理论扩散系数,并根据目标病灶的理论扩散系数以及目标病灶的参考面,构建目标病灶的病灶体积随理论扩散系数进行扩散的扩散函数;
其中,V(ζ)表示目标病灶的病灶体积随理论扩散系数进行扩散的扩散函数;ζ表示理论扩散系数;a表示参考面在坐标系中的最小自变量;b表示参考面在坐标系中的最大自变量;f(x1)表示参考面中的上曲面函数;f(x2)表示参考面中的下曲面函数;x1表示参考面中的上曲面函数的自变量;x2表示参考面中的下曲面函数的自变量;dx表示对自变量求积分;H表示在目标病灶中距离参考面最远顶点与参考面的垂直距离;i表示除目标病灶以外的当前个立体块;si表示第i个立体块的底面积;hi表示第i个立体块的高;
基于目标病灶的病灶体积随理论扩散系数进行扩散的函数,估计在进行栓塞术时目标病灶的病灶变化体积;
根据病灶变化体积计算进行颅内动脉瘤栓塞术的风险系数;
其中,μ表示颅内动脉瘤栓塞术的风险系数;Vvary表示病灶变化体积;λ表示进行栓塞术的理论速度;T表示执行栓塞术所允许的最长手术时间;ξ表示患者身体特征影响系数,且取值范围为(0.012,0.013);P表示进行颅内动脉瘤栓塞术的历史事故概率;
获取参数系数,并将风险系数与参考系数进行比较,并根据比较结果确定进行颅内动脉瘤栓塞术的风险等级;
当风险系数小于参考系数时,则判定颅内动脉瘤栓塞术的风险等级为低等;
当风险系数等于参考系数时,则判定颅内动脉瘤栓塞术的风险等级为中等;
否则,则判定颅内动脉瘤栓塞术的风险等级为高等。
基于颅内动脉瘤栓塞术的风险等级生成风险等级报告,并将风险等级报告发送至报告接收终端。
该实施例中,历史事故概率可以是根据大数据确定颅内动脉瘤栓塞术失败案例占总案例的个数。
该实施例中,由于目标病灶多为不规则立体块,因此,采用切补法获取目标病灶的病灶体积,即将目标病灶的参考面作为底面,距离参考面的最远顶点与参考面的垂直距离作为高,计算规则立体块,然后再减去除目标病灶以外的多个立体块的体积,获得目标病灶最终的体积。
该实施例中,参考系数可以是根据多次实验获得的,用来衡量进行颅内动脉瘤的风险等级。
该实施例中,身体特征影响系数可以是患者的年龄、性别以及血压等身体状况对进行颅内动脉瘤手术时所造成的影响因子。
该实施例中,理论扩散系数可以是基于颅内动脉瘤的变化规则,确定的颅内动脉瘤随时间变化的变化系数,其中,理论扩散系数随具体情况在变化,但在从颅内动脉瘤栓塞术的术前检测到栓塞术过程中,理论扩散系数为具体不变的数值。
上述技术方案的有益效果是:通过对颅内动脉瘤对应的目标病灶的扩散函数进行准确有效的计算,且根据计算结果实现对颅内动脉瘤的风险系数进行准确可靠的计算,便于及时有效的了解到患者当前颅内动脉瘤的风险情况,从而便于有选择性的制定相应的手术,提高了动脉栓塞术的安全系数。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种用于颅内动脉瘤栓塞术的术前检测方法,其特征在于,包括:
步骤1:获取第一颅内影像,并对第一颅内影像进行分析,确定目标病灶位置,且基于目标病灶位置确定栓塞术的目标影响范围;
步骤2:将目标影响范围在第一颅内影像中进行标注并分割,获得第二颅内影像;
步骤3:获取第二颅内影像的位置特征点,并基于第二颅内影像的位置特征点构建三维模拟模型;
步骤4:对三维模拟模型进行分析,并基于分析结果完成对颅内动脉瘤栓塞术的术前检测。
2.根据权利要求1所述的一种用于颅内动脉瘤栓塞术的术前检测方法,其特征在于,步骤1中,获取第一颅内影像,并对第一颅内影像进行分析,确定目标病灶位置,包括:
采集第一颅内影像,同时,将第一颅内影像进行等间隔划分,获得子第一颅内影像;
分别确定每个子第一颅内影像的像素点分布特征,并基于每个子第一颅内影像的像素点分布特征确定子第一颅内影像相对应的子特征向量;
在子特征向量集中挑选众数子特征向量集,并锁定除众数子特征向量集之外剩余子特征向量,且将剩余子特征向量集作为目标集,其中,众数子特征向量集中每个子特征向量均一致;
确定目标集中每个子特征向量对应的子第一颅内影像,并将每个子第一颅内影像在第一颅内影像中进行映射,同时,基于映射结果确定目标病灶以及目标病灶所对应的目标病灶位置。
3.根据权利要求2所述的一种用于颅内动脉瘤栓塞术的术前检测方法,其特征在于,基于映射结果确定目标病灶位置之后,还包括:
对目标病灶进行读取,确定目标病灶的第一图像特征;
在预设图像库中提取目标病灶样本,并获取目标病灶样本的第二图像特征;
获取第一图像特征与第二图像特征的目标相似度,并将所述目标相似度与预设相似度进行比较,判断所述目标病灶是否正确;
当目标相似度等于或大于预设相似度时,则判定所述目标病灶正确;
否则,则判定所述目标病灶不正确,并重新确定所述目标病灶。
4.根据权利要求1所述的一种用于颅内动脉瘤栓塞术的术前检测方法,其特征在于,步骤1中,基于目标病灶位置确定栓塞术的目标影响范围,其特征在于,包括:
在第一颅内影像中对目标病灶位置进行读取,获取目标病灶位置对应的病灶形状,同时,根据病灶形状确定目标病灶位置对应的区域特征;
在预设手术管理库中调取栓塞术的目标文本,并基于目标文本确定栓塞术的执行特征;
根据区域特征与执行特征,确定正常区域与目标病灶位置的最低安全距离,并根据最低安全距离确定栓塞术的目标影响范围。
5.根据权利要求1所述的一种用于颅内动脉瘤栓塞术的术前检测方法,其特征在于,步骤2中,将目标影响范围在第一颅内影像中进行标注并分割,获得第二颅内影像,包括:
对目标影响范围进行读取,确定目标影响范围的边界轮廓像素点,并将目标影响范围的边界轮廓像素点在第一颅内影像中进行标注;
基于标注结果确定图像切割点,同时,根据图像切割点将目标影响范围在第一颅内影像中进行分割;
基于分割结果,获得第二颅内影像。
6.根据权利要求1所述的一种用于颅内动脉瘤栓塞术的术前检测方法,其特征在于,步骤3中,获取第二颅内影像的位置特征点,并基于第二颅内影像的位置特征点构建三维模拟模型,包括:
获取第二颅内影像,并基于第二颅内影像确定颅内动脉瘤与血管组织的相对位置,且基于相对位置确定颅内的结构特征;
获取动脉瘤栓塞术的执行要求,并基于执行要求确定待选取特征点数量,且基于待选取特征点数量根据颅内的结构特征确定位置特征点;
调用预设平面图像空间转换网络基于位置特征点对第二颅内影像进行二维到三维的空间转换,得到立体颅内影像,并基于立体颅内影像分别确定颅内颅骨、血管组织以及动脉瘤组织;
分别对颅内颅骨、血管组织以及动脉瘤组织进行扫描,得到颅内颅骨、血管组织以及动脉瘤组织对应的第一点云数据、第二点云数据以及第三点云数据,并将第一点云数据、第二点云数据以及第三点云数据依次输入深度学习网络进行第一建模、第二建模以及第三建模,得到第一三维模型、第二三维模型以及第三三维模型;
将第一三维模型、第二三维模型以及第三三维模型进行综合,并基于位置特征点对综合结果进行特征点配准,得到三维模拟模型;
基于预设服务器接收模型对接请求,并基于对接请求获取三维模拟模型的模型参数,且基于模型参数确定三维模拟模型的目标类型;
基于目标类型确定与三维模拟模型对接的目标设备,并基于三维模拟模型的模型参数对目标设备对三维模拟模型的检测流程进行配置,且基于配置结果完成对三维模拟模型的构建与对接。
7.根据权利要求6所述的一种用于颅内动脉瘤栓塞术的术前检测方法,其特征在于,基于配置结果完成对三维模拟模型的构建与对接,包括:
基于预设历史数据库调取历史三维模拟模型,并基于调取结果构建数据调用进程,且基于数据调用进程向目标设备发送检测请求;
当目标设备做出接收响应后,基于数据调用进程为历史三维模拟模型分配调用标识,并基于调用标识向目标设备发送调用指引信息;
基于调用指引信息对目标设备对历史三维模拟模型的调用进程进行第一监测,且在目标设备完成对历史三维模拟模型调用后,对目标设备对历史三维模拟模型的处理进程进行第二监测,并得到目标监测结果;
将目标检测结果与历史颅内影像对应的标准结果进行比较;
若目标检测结果与标准结果一致时,判定对目标设备与三维模拟模型之间的检测流程构建合格,否则,判定对目标设备与三维模拟模型之间的检测流程构建不合格,并对检测流程进行优化。
8.根据权利要求1所述的一种用于颅内动脉瘤栓塞术的术前检测方法,其特征在于,步骤4中,对三维模拟模型进行分析,包括:
获取构建的三维模拟模型,并对三维模拟模型进行读取,确定在三维模拟模型中目标病灶的第一形态特征,同时,确定除目标病灶所在区块以外的第二形态特征;
基于第一形态特征以及第二形态特征确定颅内动脉瘤的目标形态学参数,并将目标形态学参数作为第一数据,同时,基于三维模拟模型确定颅内动脉瘤的目标血流动态数据,并将目标血流动态数据作为第二数据;
获取患者的身份信息,并基于身份信息从预设医疗数据库中提取患者的历史就医数据,并基于历史就医数据确定所述第一数据的第一权重以及第二数据的第二权重;
将所述第一数据、第一权重、第二数据以及第二权重输入预设动脉瘤风险评估模型进行评估,得到颅内动脉瘤的风险评估值,并基于风险评估值确定进行颅内动脉瘤栓塞术的风险等级,同时,基于风险评估结果确定目标注意位置;
基于所述风险等级从预设手术方案库中匹配目标手术方案,并基于目标注意位置对目标手术方案中与目标注意位置相对应的手术步骤进行优化,且基于优化结果得到颅内动脉瘤栓塞术最终的手术规划方案。
9.根据权利要求8所述的一种用于颅内动脉瘤栓塞术的术前检测方法,其特征在于,基于风险评估结果确定目标注意位置,包括:
获取对颅内动脉瘤的风险评估结果,并基于风险评估结果确定对颅内动脉瘤进行栓塞术时,颅内动脉瘤不同位置对应的可执行风险评估值,其中,颅内动脉瘤在进行栓塞术时需要进行手术的位置不唯一;
将各可执行风险评估值与预设风险阈值进行比较,并基于比较结果确定可执行风险评估值大于预设风险阈值的异常手术位置,且将异常手术位置判定为目标注意位置。
10.根据权利要求1所述的一种用于颅内动脉瘤栓塞术的术前检测方法,其特征在于,还包括:
基于对三维模拟模型进行分析,确定目标病灶的空间特征;
根据目标病灶的空间特征并结合目标病灶的理论扩散系数,构建目标病灶的病灶体积扩散函数;
基于病灶体积扩散函数评估在进行栓塞术时目标病灶的病灶变化体积,并根据执行颅内动脉瘤栓塞术所允许的最长手术时间,确定执行颅内动脉瘤栓塞术的风险评估系数;
并基于风险评估系数评估执行当前颅内动脉瘤栓塞术的风险等级,并根据评估结果生成评估报告传输至报告接收终端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211344903.2A CN115690044A (zh) | 2022-10-31 | 2022-10-31 | 一种用于颅内动脉瘤栓塞术的术前检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211344903.2A CN115690044A (zh) | 2022-10-31 | 2022-10-31 | 一种用于颅内动脉瘤栓塞术的术前检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115690044A true CN115690044A (zh) | 2023-02-03 |
Family
ID=85045909
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211344903.2A Pending CN115690044A (zh) | 2022-10-31 | 2022-10-31 | 一种用于颅内动脉瘤栓塞术的术前检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115690044A (zh) |
-
2022
- 2022-10-31 CN CN202211344903.2A patent/CN115690044A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109907732B (zh) | 一种颅内动脉瘤破裂风险的评估方法及系统 | |
CN109069014B (zh) | 用于估计在冠状动脉中的健康管腔直径和狭窄定量的系统和方法 | |
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 | |
US9355450B2 (en) | Apparatus and method for utilizing mammogram images for verification | |
JP3928978B1 (ja) | 医用画像処理装置、医用画像処理方法及びプログラム | |
CN107833248B (zh) | 医学图像扫描方法及医学影像设备 | |
EP3474765B1 (en) | Systems and methods for intraoperative spinal level verification | |
US8768436B2 (en) | Coronary artery angiography image processing method to detect occlusion and degree effect of blood vessel occlusion to an organ | |
EP3490482B1 (en) | System and method for verification of fiducial correspondence during image-guided surgical procedures | |
US20130303900A1 (en) | Method and apparatus for processing of stroke ct scans | |
US9558427B2 (en) | Shape similarity measure for body tissue | |
US11900252B2 (en) | System and method for evaluating the performance of a user in capturing an ultrasound image of an anatomical region | |
US20190274620A1 (en) | Method for diagnosing scoliosis using spatial coordinates of body shape and computer program therefor | |
US20230177681A1 (en) | Method for determining an ablation region based on deep learning | |
CN111986254B (zh) | 一种靶区轮廓的分析方法、装置、存储介质及电子设备 | |
Tutino et al. | Landmark-based shape analysis on middle cerebral intracranial aneurysms: a geometric morphometrics approach to infer natural history | |
CN115690044A (zh) | 一种用于颅内动脉瘤栓塞术的术前检测方法 | |
CN109903271B (zh) | 胎盘植入b超图像特征提取与验证方法 | |
CN111144163B (zh) | 基于神经网络的静脉与动脉识别系统 | |
US10182782B2 (en) | Evaluation apparatus, evaluation method, and evaluation program | |
CN114782443A (zh) | 基于数据增强的动脉瘤风险评估的装置和存储介质 | |
KR102360615B1 (ko) | 내시경 영상에 대한 복수의 의료 영상 판독 알고리듬들을 이용하는 의료 영상 판독 지원 장치 및 방법 | |
CN113611390A (zh) | 胸腔镜肺癌切除术中转开胸风险诊断预测模型及构建系统 | |
WO2020227794A1 (pt) | Método e sistema automático de análise de imagem de mamografia e método de treinamento de rede neural profunda | |
CN117671284B (zh) | 侵入性胎盘植入影像特征ai智能提取系统 |
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 |