CN116919374B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN116919374B CN116919374B CN202310888512.5A CN202310888512A CN116919374B CN 116919374 B CN116919374 B CN 116919374B CN 202310888512 A CN202310888512 A CN 202310888512A CN 116919374 B CN116919374 B CN 116919374B
- Authority
- CN
- China
- Prior art keywords
- aneurysm
- intracranial
- hemodynamic
- carrying
- 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.)
- Active
Links
- 201000008450 Intracranial aneurysm Diseases 0.000 title claims abstract description 138
- 206010002329 Aneurysm Diseases 0.000 title claims abstract description 80
- 210000001367 artery Anatomy 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000017531 blood circulation Effects 0.000 title claims description 25
- 230000000004 hemodynamic effect Effects 0.000 claims abstract description 108
- 238000011156 evaluation Methods 0.000 claims abstract description 50
- 238000004364 calculation method Methods 0.000 claims abstract description 32
- 238000010801 machine learning Methods 0.000 claims abstract description 32
- 238000003062 neural network model Methods 0.000 claims abstract description 25
- 238000003709 image segmentation Methods 0.000 claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 238000001361 intraarterial administration Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 25
- 238000004088 simulation Methods 0.000 claims description 20
- 230000003993 interaction Effects 0.000 claims description 14
- 206010028980 Neoplasm Diseases 0.000 claims description 13
- 238000007917 intracranial administration Methods 0.000 claims description 12
- 238000002372 labelling Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 12
- 230000036772 blood pressure Effects 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 5
- 238000011056 performance test Methods 0.000 claims description 5
- 238000013076 uncertainty analysis Methods 0.000 claims description 3
- 208000010392 Bone Fractures Diseases 0.000 abstract description 3
- 206010017076 Fracture Diseases 0.000 abstract description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 239000013060 biological fluid Substances 0.000 abstract description 2
- 238000012502 risk assessment Methods 0.000 abstract 1
- 239000003795 chemical substances by application Substances 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 3
- 210000004204 blood vessel Anatomy 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000002604 ultrasonography Methods 0.000 description 3
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 208000032851 Subarachnoid Hemorrhage Diseases 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
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
- A61B5/026—Measuring blood flow
-
- 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
-
- 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
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/501—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of the head, e.g. neuroimaging or craniography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/507—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for determination of haemodynamic parameters, e.g. perfusion CT
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5229—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image
- A61B6/5247—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image combining images from an ionising-radiation diagnostic technique and a non-ionising radiation diagnostic technique, e.g. X-ray and ultrasound
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
- A61B8/0808—Detecting organic movements or changes, e.g. tumours, cysts, swellings for diagnosis of the brain
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
- A61B8/0833—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving detecting or locating foreign bodies or organic structures
- A61B8/085—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving detecting or locating foreign bodies or organic structures for locating body or organic structures, e.g. tumours, calculi, blood vessels, nodules
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
- A61B8/0891—Detecting organic movements or changes, e.g. tumours, cysts, swellings for diagnosis of blood vessels
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
- A61B8/5238—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for combining image data of patient, e.g. merging several images from different acquisition modes into one image
- A61B8/5261—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for combining image data of patient, e.g. merging several images from different acquisition modes into one image combining images from different diagnostic modalities, e.g. ultrasound and X-ray
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Optics & Photonics (AREA)
- High Energy & Nuclear Physics (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Neurology (AREA)
- Signal Processing (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Vascular Medicine (AREA)
- Fuzzy Systems (AREA)
- Evolutionary Computation (AREA)
- Hematology (AREA)
- Cardiology (AREA)
- Neurosurgery (AREA)
- Mathematical Physics (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了颅内动脉瘤及载瘤动脉内血流动力学评估方法参数及系统，涉及生物流体力学及人工智能技术领域，该方法包括：获取待评估患者的临床多模态影像数据，使用影像分割神经网络模型对评估影像进行自动分割及自动三维重建，获得颅内动脉瘤及载瘤动脉内腔的三维模型，基于三维模型对其几何形态学参数进行自动测量与评估，结合几何形态学参数及边界条件使用基于机器学习的血流动力学计算代理模型与评估代理模型进行计算分析，获得破裂风险分级结果；本发明通过神经网络模型，基于患者颅内动脉瘤几何形态学参数对其血流动力学参数进行预测及风险评估，从而缩短了血流动力学参数的计算时间，提高了对颅内动脉瘤进行相关分析和预测的效率。
Description
技术领域
本发明属于生物流体力学及人工智能技术领域，具体涉及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。
背景技术
由颅内动脉瘤(IA)破裂导致的蛛网膜下腔出血致死致残率极高。开展基于个体化三维模型的颅内动脉瘤内血流动力学及力学环境的分析，不仅有助于厘清其破裂的风险因素，亦可为该疾病的临床精准诊治提供有益参考。
目前针对IA血流动力学参数的获取主要依赖于计算流体动力学仿真模拟(CFD)，在给定的边界条件下获得IA的速度场及压力场的仿真结果。然而对颅内动脉瘤患者进行个体化CFD建模仿真的计算成本非常高，即便利用高性能的计算资源通常也需要数小时的迭代来保证模型的准确性。此外，由于每位患者的动脉瘤发生部位及大小各异，每个IA的CFD建模仿真均需单独进行。因此CFD的高计算成本限制了其在IA血流动力学仿真模拟中的临床使用。
因此，需要一种能够降低计算成本、简单快速地对动脉瘤血流动力学及力学环境进行个体化评估的方法。
发明内容
针对现有技术中对颅内动脉瘤患者进行个体化CFD建模仿真的计算成本较高的问题，本发明提供了一种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，将原本具有相当计算成本的问题转化为快速的神经网络模型的预测过程，实现了IA血流动力学参数的快速准确评估，从而解决现有技术存在CFD的高计算成本限制了其在IA血流动力学仿真模拟中的临床使用的问题。
一种颅内动脉瘤及载瘤动脉内血流动力学参数评估方法，包括以下步骤：
获取待评估患者的临床多模态影像数据；
使用影像分割神经网络模型对临床多模态影像数据进行自动分割；
采用多层面重建技术对自动分割结果进行自动三维重建，根据三维重建的结果构建颅内动脉瘤及载瘤动脉内腔的三维模型；
基于三维模型对颅内动脉瘤及载瘤动脉内腔几何形态学参数进行自动测量与评估；
将获得的几何形态学参数以及由超声、压力导丝获取的边界条件输入至基于机器学习的血流动力学计算代理模型中进行计算；采用基于机器学习的血流动力学评估代理模型对计算结果进行评估分析；
根据评估分析结果对颅内动脉瘤及载瘤动脉中的破裂高风险区域进行标注，并根据标注结果对破裂风险进行分级。
进一步地，还包括：对所述影像分割神经网络模型进行训练，具体包括以下步骤：
收集已有病例的临床颅内CTA影像数据；
对影像数据中的颅内动脉瘤及载瘤动脉进行三维标注，并构建颅内动脉瘤及载瘤动脉数据集；
对颅内动脉瘤及载瘤动脉数据集进行预处理，并划分为训练集和测试集；
将训练集输入深度神经网络模型中进行训练；
对训练好的深度神经网络模型在测试集上进行性能测试，达到预设精度，获得训练好的影像分割神经网络模型。
进一步地，所述根据三维重建的结果构建颅内动脉瘤及载瘤动脉内腔的三维模型，具体包括以下步骤：
对待评估患者的临床多模态影像数据进行图像预处理操作；
将处理后的待评估患者的临床多模态影像数据输入影像分割神经网络模型进行颅内动脉瘤及载瘤动脉内腔的自动分割；
采用多层面重建技术对自动分割结果进行自动三维重建，获得待评估患者包括颅内动脉瘤及载瘤动脉内腔的三维模型。
进一步地，所述基于三维模型对其几何形态学参数进行自动测量与评估，具体包括：
使用基于从颅内动脉瘤及载瘤动脉几何结构提取的几何特征而训练的经训练的基于机器学习的几何形态学参数测量代理模型，基于所提取的动脉瘤及载瘤动脉个体化三维模型的几何特征来自动测量与评估其几何形态学参数；
其中，所述几何形态学参数包括但不限于瘤径、瘤高、瘤宽、流入角、流出角、非球形指数、椭圆指数、长宽比。
进一步地，所述将获得的几何形态学参数以及由超声、压力导丝获取的边界条件输入至基于机器学习的血流动力学计算代理模型中进行计算，具体步骤包括：
由待评估患者的多普勒超声影像数据及压力导丝方式获取载流动脉流量及血压、血流流速边界条件；
将获得的几何形态学参数及载流动脉流量及血压、血流流速边界条件输入血流动力学计算代理模型，获得颅内动脉瘤及载瘤动脉内血流动力学的自动评估结果。
进一步地，所述基于机器学习的血流动力学计算代理模型的构建，包括以下步骤：
基于已有病例的CTA及多普勒超声影像数据提取颅内动脉瘤及载瘤动脉个体化三维模型及其边界条件；
对所述颅内动脉瘤及载瘤动脉个体化三维模型的几何形态学参数进行自动测量与评估；
根据个体化三维模型的几何形态学参数及边界条件对颅内动脉瘤及载瘤动脉进行CFD仿真模拟及不确定性分析，获取目标血流动力学参数，将CFD仿真结果转换为高密度的三维点云形式；
构建颅内动脉瘤及载瘤动脉的几何形态学参数和血流动力学参数数据库；
将包含颅内动脉瘤及载瘤动脉的边界条件、几何形态学参数和血流动力学参数的数据集输入基于深度神经网络的血流动力学计算代理模型进行训练，使血流动力学计算代理模型学习颅内动脉瘤及载瘤动脉在一定边界条件下几何形态学参数和血流动力学参数之间的关系特征。
进一步地，所述基于机器学习的血流动力学评估代理模型的构建，包括以下步骤：
收集患者在颅内动脉瘤未破裂时的颅内临床多模态影像数据及其临床信息；其中，所述患者包含颅内动脉瘤发生破裂及未发生破裂的颅内动脉瘤患者；
基于患者的CTA及多普勒超声影像数据获取颅内动脉瘤及载瘤动脉个体化三维模型及其边界条件；
基于颅内动脉瘤及载瘤动脉的个体化三维模型及其边界条件进行血流动力学的CFD仿真模拟；
基于临床信息及血流动力学仿真结果标注颅内动脉瘤及载瘤动脉的破裂高风险区域及风险等级；
构建颅内动脉瘤及其载瘤动脉的血流动力学参数及其破裂高风险区域及风险等级数据库，并将其随机划分为训练集和测试集；
将训练集输入深度神经网络进行训练，使血流动力学评估代理模型代理模型学习颅内动脉瘤及其载瘤动脉的血流动力学参数及其破裂风险之间的关系特征。
进一步地，一种颅内动脉瘤及载瘤动脉内血流动力学参数评估方法的评估系统，包括：
数据获取模块，用于获取待评估患者的临床多模态影像数据；
影像处理模块，用于使用影像分割神经网络模型对临床多模态影像数据进行自动分割；
三维模型构建模块，用于采用多层面重建技术对自动分割结果进行自动三维重建，根据三维重建的结果构建颅内动脉瘤及载瘤动脉内腔的三维模型；
参数获取模块，用于基于三维模型对颅内动脉瘤及载瘤动脉内腔几何形态学参数进行自动测量与评估；
云端计算评估模块，用于将获得的几何形态学参数以及由超声、压力导丝获取的边界条件输入至基于机器学习的血流动力学计算代理模型中进行计算，采用基于机器学习的血流动力学评估代理模型对计算结果进行评估分析；
分级模块，用于根据评估分析结果对颅内动脉瘤及载瘤动脉中的破裂高风险区域进行标注，并根据标注结果对破裂风险进行分级。
进一步地，还包括：
用户交互终端，用于接收并展示血流动力学参数的计算评估结果；
云端存储模块，用于接收并保存所述临床影像数据以及血流动力学参数计算评估结果；所述云端存储模块包括：
第一通信单元，用于与所述用户交互终端、云端计算评估模块进行数据传输；
分布式存储单元，用于对所接收的数据进行分布式存储；
数据分配管理单元，用于监控所述分布式存储单元的存储情况，并将所接收的数据进行任务分解及分配至所述分布式存储单元中的存储设备。
进一步地，所述云端计算评估模块包括：
第二通信单元，用于与所述用户交互终端、云端存储模块进行数据传输；
并行计算单元，用于对所述临床影像数据进行处理，提取待评估患者的颅内动脉瘤及载瘤动脉内腔的个体化三维模型，根据所述颅内动脉瘤及载瘤动脉几何形态及边界条件，利用血流动力学计算代理模型与血流动力学评估代理模型计算评估血流动力学参数；其中，所述并行计算单元采用并行计算方式对拆分后的多个任务进程进行同时计算；
计算资源管理单元，用于监控所述并行计算单元的计算资源占用情况，并将所接收的数据进行任务分解及分配至所述并行计算单元中的计算设备。
本发明提供了一种颅内动脉瘤及载瘤动脉内血流动力学评估方法及系统，具备以下有益效果：
本发明采用一种机器学习方法，基于IA的几何形态学参数对其血流动力学参数进行预测，将原本具有相当计算成本的问题转化为快速的神经网络模型的预测过程，实现了IA血流动力学参数的准确快速评估。其中，本发明的方法与系统首先获取待评估患者的临床多模态影像数据，并使用已训练好的影像分割神经网络模型对待评估影像进行自动分割及自动三维重建，获得待评估患者包括颅内动脉瘤及载瘤动脉内腔的个体化三维模型，从而基于个体化三维模型对其几何形态学参数进行自动测量与评估，并结合几何形态学参数及由超声、压力导丝等手段获取的载流动脉流量、血压等边界条件，使用经训练的基于机器学习的血流动力学计算代理模型对颅内动脉瘤及载瘤动脉内血流动力学进行快速计算，最后采用经训练的基于机器学习的血流动力学评估代理模型对计算得到的血流动力学计算结果进行分析，并对颅内动脉瘤及载瘤动脉中的破裂高风险区域进行标注，获得破裂风险分级结果，实现目标血流动力学参数准确快速的个体化评估。
与传统方法相比，本发明方法及系统不仅可以准确地预测出动脉瘤及载瘤动脉的血流动力学参数，为临床精准诊疗提供有益参考，而且本方法通过机器学习方法大大缩短了计算时间和计算复杂度，降低了其在临床使用中的计算成本。
附图说明
图1是本发明实施例提供的一种基于机器学习及多模态影像的颅内动脉瘤血流动力学参数评估方法的流程示意图；
图2是本发明实施例提供的血流动力学参数计算代理模型的构建流程示意图；
图3是本发明实施例提供的一种基于机器学习及多模态影像的颅内动脉瘤血流动力学参数评估系统的示意图。
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。
参阅图1，本发明实施例提供了一种基于机器学习及多模态影像的颅内动脉瘤血流动力学参数评估方法，包括以下步骤：
步骤1，获取待评估患者的临床多模态影像数据，具体包括：
患者的颅内CTA、多普勒超声等多模态临床影像数据；
步骤2，使用已训练好的影像分割神经网络模型对待评估影像进行自动分割及自动三维重建，获得待评估患者包括颅内动脉瘤及载瘤动脉内腔的个体化三维模型，具体包括：
对获取的患者颅内多模态临床影像数据进行灰度变换、正则化等图像预处理操作，接着输入训练好的影像分割神经网络模型进行颅内动脉瘤及载瘤动脉内腔的自动分割，并采用多层面重建技术对自动分割结果进行自动三维重建，获得待评估患者包括颅内动脉瘤及载瘤动脉内腔的个体化三维模型。
其中，已训练好的影像分割神经网络模型的获取具体步骤包括：
收集已有病例的临床颅内多模态影像数据，对其中的颅内动脉瘤及载瘤动脉进行三维标注，将颅内动脉瘤及及载瘤动脉从背景区域中提取出来，并将样本随机划分为训练集及测试集，并对其进行裁剪、灰度变换、旋转、翻转等图像预处理，输入3DUNet神经网络模型进行训练，对训练好的深度神经网络模型在测试集上进行性能测试，达到预设精度，获得训练好的影像分割神经网络模型。
步骤3，基于个体化三维模型对其几何形态学参数进行自动测量与评估，具体包括：
使用基于从颅内动脉瘤及载瘤动脉几何结构提取的几何特征而训练的经训练的基于机器学习的几何形态学参数测量代理模型，基于所提取的动脉瘤及载瘤动脉个体化三维模型的几何特征来自动测量与评估其几何形态学参数。
其中，几何形态学参数包括但不限于瘤径、瘤高、瘤宽、流入角、流出角、非球形指数、椭圆指数、长宽比等。
步骤4，结合步骤3获得的几何形态学参数及由超声、压力导丝等手段获取的载流动脉流量、血压等边界条件，使用经训练的基于机器学习的血流动力学计算代理模型对颅内动脉瘤及载瘤动脉内血流动力学进行快速计算，具体包括：
由待评估患者的多普勒超声影像数据及压力导丝等方式获取载流动脉流量及血压、血流流速等边界条件；将步骤3获得的几何形态学参数及载流动脉流量及血压、血流流速等边界条件输入经训练的血流动力学计算代理模型，获得颅内动脉瘤及载瘤动脉内血流动力学的自动快速评估结果；
其中，经训练的基于机器学习的血流动力学计算代理模型的构建流程示意图参阅图2，具体步骤包括：
收集患者在颅内动脉瘤未破裂时的颅内临床多模态影像数据及其临床信息；其中，患者包含颅内动脉瘤发生破裂及未发生破裂的颅内动脉瘤患者。
基于已有病例的CTA及多普勒超声影像数据提取颅内动脉瘤及载瘤动脉个体化三维模型及其边界条件。
对颅内动脉瘤及载瘤动脉个体化三维模型的几何形态学参数进行自动测量与评估；根据个体化三维模型的几何形态学参数及边界条件对颅内动脉瘤及载瘤动脉进行CFD仿真模拟及不确定性分析，获取目标血流动力学参数，将CFD仿真结果转换为高密度的三维点云形式；
基于临床信息及血流动力学仿真结果标注颅内动脉瘤及载瘤动脉的破裂高风险区域及风险等级；
构建颅内动脉瘤及载瘤动脉的几何形态学参数和血流动力学参数数据库；构建颅内动脉瘤及其载瘤动脉的血流动力学参数及其破裂高风险区域及风险等级数据库，并将其随机划分为训练集和测试集；
将包含颅内动脉瘤及载瘤动脉的边界条件、几何形态学参数和血流动力学参数的数据集输入基于深度神经网络的血流动力学计算代理模型进行训练，使血流动力学计算代理模型学习颅内动脉瘤及载瘤动脉在一定边界条件下几何形态学参数和血流动力学参数之间的关系特征；
将训练好的血流动力学计算代理模型在测试集上进行性能测试，当达到预设精度时，即获得基于颅内动脉瘤几何形态学参数的血流动力学计算代理模型，否则，则调整模型的相关参数，直至达到预设精度。
基于机器学习的血流动力学计算代理模型包含输入层、编码器、解码器、输出层。
其中，输入层包含三个输入通道。其中，第一输入通道用于输入颅内动脉瘤及载瘤血管三维模型各点的空间坐标，以获取模型的全局几何特征；第二输入通道用于输入颅内动脉瘤及载瘤血管的几何形态学参数及边界条件，以获取血流动力学计算的约束条件；第三输入通道用于输入颅内动脉瘤及载瘤血管三维模型各点的空间坐标对应的血流动力学参数三维空间分量，以获取模型血流动力学参数分布的局部特征。
编码器通过全连接层、最大池化层提取输入信息的特征，并通过权值共享三个输入通道的信息，将三个输入通道中全局特征和局部特征的向量连接起来，实现全局特征和局部特征的整合，从而提取模型几何形态学特征的全局特征及模型血流动力学特征的局部特征之间的相关性。
解码器通过全连接层、反向插值和跨层连接实现提取特征的逐级上采样操作，实现血流动力学参数预测结果的回传。
输出层用于输出血流动力学参数预测结果。
步骤5，采用经训练的基于机器学习的血流动力学评估代理模型对步骤4得到的血流动力学计算结果进行分析，并对颅内动脉瘤及载瘤动脉中的破裂高风险区域进行标注，对破裂风险进行分级，具体包括：
将步骤4所得的血流动力学计算结果输入经训练的基于机器学习到的血流动力学评估代理模型，对计算结果进行自动分析，并输出颅内动脉瘤及载瘤动脉中的破裂高风险区域标注结果；根据临床医师共同制定的破裂风险分级结果，对破裂风险进行分级，最后输出完整的包含患者信息及血流动力学参数评估结果的报告；
其中，基于机器学习的血流动力学评估代理模型的获取步骤包括：
收集患者在颅内动脉瘤未破裂时的颅内临床多模态影像数据及其临床信息；其中，患者包含颅内动脉瘤发生破裂及未发生破裂的颅内动脉瘤患者；
基于患者的CTA及多普勒超声影像数据获取颅内动脉瘤及载瘤动脉个体化三维模型及其边界条件；
基于颅内动脉瘤及载瘤动脉的个体化三维模型及其边界条件进行血流动力学的CFD仿真模拟；
基于临床信息及血流动力学仿真结果标注颅内动脉瘤及载瘤动脉的破裂高风险区域及风险等级；
构建颅内动脉瘤及其载瘤动脉的血流动力学参数及其破裂高风险区域及风险等级数据库，并将其随机划分为训练集和测试集；
将训练集输入深度神经网络进行训练，使血流动力学评估代理模型学习颅内动脉瘤及其载瘤动脉的血流动力学参数及其破裂风险之间的关系特征；
将训练好的血流动力学评估代理模型在测试集上进行性能测试，使模型根据输入的血流动力学参数自动标注破裂高风险区域及风险等级，当达到预设精度时，即获得基于颅内动脉瘤几何形态学参数的血流动力学评估代理模型，否则，则调整模型的相关参数，直至达到预设精度。
参阅图3，本发明实施例提供了一种基于机器学习的颅内动脉瘤血流动力学参数评估系统，包括用户交互终端、云端存储模块、云端计算评估模块；其中，
用户交互终端获取待评估患者的临床影像数据，并发送至云端存储模块；
云端存储模块接收并保存所述临床影像数据，并将其发送至云端计算评估模块；
云端计算评估模块接收临床影像数据，并对临床影像数据进行处理，提取待评估患者的颅内动脉瘤及载瘤动脉内腔的个体化三维模型，根据颅内动脉瘤及载瘤动脉几何形态及边界条件，利用模型快速计算及评估血流动力学参数，并将血流动力学参数计算评估结果发送至云端存储模块；
云端存储模块接收并保存血流动力学参数计算评估结果，并发送至用户交互终端；
用户交互终端接受并展示血流动力学参数计算评估结果。
用户交互终端、云端存储模块、云端计算评估模块依次通过互联网进行连接。
本发明提供的系统可以基于临床颅内影像数据对不同患者进行个体化血流动力学参数评估，临床颅内影像数据为来自CTA、MRA、DSA、超声影像或其他类型的医学影像数据。
云端存储模块主要用于影像资料及相关计算结果的接收并存储，可以包括：
通信单元，用于与用户交互终端、云端计算评估模块进行数据传输；
分布式存储单元，用于对所接收的数据进行分布式存储；
数据分配管理单元，用于监控所述分布式存储单元的存储情况，并将所接收的数据进行任务分解及分配至分布式存储单元中合适的存储设备。
云端计算评估模块主要用于影像数据的处理、模型的训练、以及血流动力学参数的计算评估，可以包括：
通信单元，用于与用户交互终端、云端存储模块进行数据传输；
并行计算单元，用于对临床影像数据进行处理，提取待评估患者的颅内动脉瘤及载瘤动脉内腔的个体化三维模型，根据颅内动脉瘤及载瘤动脉几何形态及边界条件，利用模型快速计算及评估血流动力学参数；其中，并行计算单元采用并行计算方式对拆分后的多个任务进程进行同时计算；
计算资源管理单元，用于监控并行计算单元的计算资源占用情况，并将所接收的数据进行任务分解及分配至并行计算单元中合适的计算设备。
用户交互终端面向用户需求，用于上传待评估患者影像资料并展示血流动力学参数计算及评估结果。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (5)
1.一种颅内动脉瘤及载瘤动脉内血流动力学参数评估方法，其特征在于，包括以下步骤：
获取待评估样本的临床多模态影像数据；
使用影像分割神经网络模型对临床多模态影像数据进行自动分割；其中，对所述影像分割神经网络模型进行训练，具体包括以下步骤：收集已有病例的临床颅内CTA影像数据；对影像数据中的颅内动脉瘤及载瘤动脉进行三维标注，并构建颅内动脉瘤及载瘤动脉数据集；对颅内动脉瘤及载瘤动脉数据集进行预处理，并划分为训练集和测试集；将训练集输入深度神经网络模型中进行训练；对训练好的深度神经网络模型在测试集上进行性能测试，达到预设精度，获得训练好的影像分割神经网络模型；
采用多层面重建技术对自动分割结果进行自动三维重建，根据三维重建的结果构建颅内动脉瘤及载瘤动脉内腔的三维模型；所述根据三维重建的结果构建颅内动脉瘤及载瘤动脉内腔的三维模型，具体包括以下步骤：对待评估样本的临床多模态影像数据进行图像预处理操作；将处理后的待评估样本的临床多模态影像数据输入影像分割神经网络模型进行颅内动脉瘤及载瘤动脉内腔的自动分割；采用多层面重建技术对自动分割结果进行自动三维重建，获得待评估样本包括颅内动脉瘤及载瘤动脉内腔的三维模型；
基于三维模型对颅内动脉瘤及载瘤动脉内腔几何形态学参数进行自动测量与评估；
将获得的几何形态学参数以及由超声、压力导丝获取的边界条件输入至基于机器学习的血流动力学计算代理模型中进行计算；所述将获得的几何形态学参数以及由超声、压力导丝获取的边界条件输入至基于机器学习的血流动力学计算代理模型中进行计算，具体步骤包括：由待评估样本的多普勒超声影像数据及压力导丝方式获取载流动脉流量及血压、血流流速边界条件；将获得的几何形态学参数及载流动脉流量及血压、血流流速边界条件输入血流动力学计算代理模型，获得颅内动脉瘤及载瘤动脉内血流动力学的自动评估结果；所述基于机器学习的血流动力学计算代理模型的构建包括以下步骤：基于已有病例的CTA及多普勒超声影像数据提取颅内动脉瘤及载瘤动脉个体化三维模型及其边界条件；对所述颅内动脉瘤及载瘤动脉个体化三维模型的几何形态学参数进行自动测量与评估；根据个体化三维模型的几何形态学参数及边界条件对颅内动脉瘤及载瘤动脉进行CFD仿真模拟及不确定性分析，获取目标血流动力学参数，将CFD仿真结果转换为高密度的三维点云形式；构建颅内动脉瘤及载瘤动脉的几何形态学参数和血流动力学参数数据库；将包含颅内动脉瘤及载瘤动脉的边界条件、几何形态学参数和血流动力学参数的数据集输入基于深度神经网络的血流动力学计算代理模型进行训练，使血流动力学计算代理模型学习颅内动脉瘤及载瘤动脉在一定边界条件下几何形态学参数和血流动力学参数之间的关系特征；
采用基于机器学习的血流动力学评估代理模型对计算结果进行评估分析；所述基于机器学习的血流动力学评估代理模型的构建包括以下步骤：收集样本在颅内动脉瘤未破裂时的颅内临床多模态影像数据及其临床信息；其中，所述样本包含颅内动脉瘤发生破裂及未发生破裂的颅内动脉瘤样本；基于样本的CTA及多普勒超声影像数据获取颅内动脉瘤及载瘤动脉个体化三维模型及其边界条件；基于颅内动脉瘤及载瘤动脉的个体化三维模型及其边界条件进行血流动力学的CFD仿真模拟；基于临床信息及血流动力学仿真结果标注颅内动脉瘤及载瘤动脉的破裂高风险区域及风险等级；构建颅内动脉瘤及其载瘤动脉的血流动力学参数及其破裂高风险区域及风险等级数据库，并将其随机划分为训练集和测试集；将训练集输入深度神经网络进行训练，使血流动力学评估代理模型代理模型学习颅内动脉瘤及其载瘤动脉的血流动力学参数及其破裂风险之间的关系特征；
根据评估分析结果对颅内动脉瘤及载瘤动脉中的破裂高风险区域进行标注，并根据标注结果对破裂风险进行分级。
2.根据权利要求1所述的一种颅内动脉瘤及载瘤动脉内血流动力学参数评估方法，其特征在于，所述基于三维模型对其几何形态学参数进行自动测量与评估，具体包括：
使用基于从颅内动脉瘤及载瘤动脉几何结构提取的几何特征而训练的经训练的基于机器学习的几何形态学参数测量代理模型，基于所提取的动脉瘤及载瘤动脉个体化三维模型的几何特征来自动测量与评估其几何形态学参数；
其中，所述几何形态学参数包括瘤径、瘤高、瘤宽、流入角、流出角、非球形指数、椭圆指数、长宽比。
3.一种基于权利要求1所述的颅内动脉瘤及载瘤动脉内血流动力学参数评估方法的评估系统，其特征在于，包括：
数据获取模块，用于获取待评估样本的临床多模态影像数据；
影像处理模块，用于使用影像分割神经网络模型对临床多模态影像数据进行自动分割；
三维模型构建模块，用于采用多层面重建技术对自动分割结果进行自动三维重建，根据三维重建的结果构建颅内动脉瘤及载瘤动脉内腔的三维模型；
参数获取模块，用于基于三维模型对颅内动脉瘤及载瘤动脉内腔几何形态学参数进行自动测量与评估；
云端计算评估模块，用于将获得的几何形态学参数以及由超声、压力导丝获取的边界条件输入至基于机器学习的血流动力学计算代理模型中进行计算，采用基于机器学习的血流动力学评估代理模型对计算结果进行评估分析；
分级模块，用于根据评估分析结果对颅内动脉瘤及载瘤动脉中的破裂高风险区域进行标注，并根据标注结果对破裂风险进行分级。
4.根据权利要求3所述的一种颅内动脉瘤及载瘤动脉内血流动力学参数评估方法的评估系统，其特征在于，还包括：
用户交互终端，用于接收并展示血流动力学参数的计算评估结果；
云端存储模块，用于接收并保存所述临床多模态影像数据以及血流动力学参数计算评估结果；所述云端存储模块包括：
第一通信单元，用于与所述用户交互终端、云端计算评估模块进行数据传输；
分布式存储单元，用于对所接收的数据进行分布式存储；
数据分配管理单元，用于监控所述分布式存储单元的存储情况，并将所接收的数据进行任务分解及分配至所述分布式存储单元中的存储设备。
5.根据权利要求4所述的一种颅内动脉瘤及载瘤动脉内血流动力学参数评估方法的评估系统，其特征在于，所述云端计算评估模块包括：
第二通信单元，用于与所述用户交互终端、云端存储模块进行数据传输；
并行计算单元，用于对所述临床多模态影像数据进行处理，提取待评估样本的颅内动脉瘤及载瘤动脉内腔的个体化三维模型，根据所述颅内动脉瘤及载瘤动脉几何形态及边界条件，利用血流动力学计算代理模型与血流动力学评估代理模型计算评估血流动力学参数；其中，所述并行计算单元采用并行计算方式对拆分后的多个任务进程进行同时计算；
计算资源管理单元，用于监控所述并行计算单元的计算资源占用情况，并将所接收的数据进行任务分解及分配至所述并行计算单元中的计算设备。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310888512.5A CN116919374B (zh) | 2023-07-19 | 2023-07-19 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310888512.5A CN116919374B (zh) | 2023-07-19 | 2023-07-19 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116919374A CN116919374A (zh) | 2023-10-24 |
| CN116919374B true CN116919374B (zh) | 2024-04-12 |
Family
ID=88387324
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310888512.5A Active CN116919374B (zh) | 2023-07-19 | 2023-07-19 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116919374B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117838066B (zh) * | 2024-03-07 | 2024-05-17 | 首都医科大学附属北京友谊医院 | Evar术后支架相关并发症风险预测方法和系统 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010207531A (ja) * | 2009-03-12 | 2010-09-24 | Toshiba Corp | Ｍｒｉ装置及びデータ処理装置 |
| CN106473731A (zh) * | 2016-10-25 | 2017-03-08 | 北京工业大学 | 基于个性化冠状动脉分支血流量的ffrct计算方法 |
| 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 |
| CN109907732A (zh) * | 2019-04-09 | 2019-06-21 | 广州新脉科技有限公司 | 一种颅内动脉瘤破裂风险的评估方法及系统 |
| CN109961850A (zh) * | 2019-03-19 | 2019-07-02 | 肖仁德 | 一种评估颅内动脉瘤破裂风险的方法、装置、计算机设备 |
| WO2020083374A1 (en) * | 2018-10-26 | 2020-04-30 | Union Strong (Beijing) Technology Co. Ltd. | Method and system for measuring morphological parameters of an intracranial aneurysm image |
| CN112200914A (zh) * | 2020-10-10 | 2021-01-08 | 上海海事大学 | 数值模拟三维重建还原的载瘤动脉预测颅内动脉瘤发生的方法 |
| CN112535466A (zh) * | 2020-12-16 | 2021-03-23 | 成都全景恒升科技有限公司 | 一种基于血管影像的血流储备分数计算方法 |
| CN113077435A (zh) * | 2021-03-30 | 2021-07-06 | 昆明同心医联科技有限公司 | 基于血流动力学的动脉瘤分析方法及装置 |
| CN113143306A (zh) * | 2021-03-31 | 2021-07-23 | 广东医科大学附属医院 | 一种用于颅内动脉瘤cfd诊断可视化设备 |
| CN113744883A (zh) * | 2021-09-22 | 2021-12-03 | 皖南医学院第一附属医院（皖南医学院弋矶山医院） | 一种预测颅内动脉瘤破裂模型的构建方法及该装置 |
| CN114400098A (zh) * | 2022-02-18 | 2022-04-26 | 佛山科学技术学院 | 一种基于血流动力学分析的线性模型构建方法及系统 |
| CN114881975A (zh) * | 2022-05-10 | 2022-08-09 | 王硕 | 预测动脉瘤破裂潜能的系统、方法、电子设备及介质 |
| CN115546123A (zh) * | 2022-09-20 | 2022-12-30 | 同心智医科技(北京)有限公司 | 基于机器学习的腹主动脉瘤破裂风险的预测系统 |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5175552B2 (ja) * | 2004-12-17 | 2013-04-03 | コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ | 動脈瘤の三次元モデルから動脈瘤の物理特性を予測するためのシステム及び方法 |
| US20060184066A1 (en) * | 2005-02-15 | 2006-08-17 | Baylor College Of Medicine | Method for aiding stent-assisted coiling of intracranial aneurysms by virtual parent artery reconstruction |
| US20160203288A1 (en) * | 2012-06-18 | 2016-07-14 | The Research Foundation For The State University Of New York | Systems and Methods for Identifying Historical Vasculature Cases |
| US9675301B2 (en) * | 2012-10-19 | 2017-06-13 | Heartflow, Inc. | Systems and methods for numerically evaluating vasculature |
| US9629563B2 (en) * | 2013-09-04 | 2017-04-25 | Siemens Healthcare Gmbh | Method and system for functional assessment of renal artery stenosis from medical images |
| US9336354B1 (en) * | 2014-11-04 | 2016-05-10 | Heartflow, Inc. | Systems and methods for simulation of hemodialysis access and optimization |
| US10595790B2 (en) * | 2014-12-16 | 2020-03-24 | Siemens Healthcare Gmbh | Method and system for personalized non-invasive hemodynamic assessment of renal artery stenosis from medical images |
| IL246009B (en) * | 2016-06-02 | 2018-11-29 | Ezer Haim | A system and method for monitoring the condition of a cerebral aneurysm |
| WO2020000102A1 (en) * | 2018-06-27 | 2020-01-02 | Opsens Inc. | Hybrid image-invasive-pressure hemodynamic function assessment |
| GB201813170D0 (en) * | 2018-08-13 | 2018-09-26 | Univ Sheffield | Volumetric blood flow |
| CN109493348B (zh) * | 2018-10-26 | 2021-11-26 | 强联智创（北京）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系统 |
-
2023
- 2023-07-19 CN CN202310888512.5A patent/CN116919374B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010207531A (ja) * | 2009-03-12 | 2010-09-24 | Toshiba Corp | Ｍｒｉ装置及びデータ処理装置 |
| CN106473731A (zh) * | 2016-10-25 | 2017-03-08 | 北京工业大学 | 基于个性化冠状动脉分支血流量的ffrct计算方法 |
| 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 |
| WO2020083374A1 (en) * | 2018-10-26 | 2020-04-30 | Union Strong (Beijing) Technology Co. Ltd. | Method and system for measuring morphological parameters of an intracranial aneurysm image |
| CN109961850A (zh) * | 2019-03-19 | 2019-07-02 | 肖仁德 | 一种评估颅内动脉瘤破裂风险的方法、装置、计算机设备 |
| CN109907732A (zh) * | 2019-04-09 | 2019-06-21 | 广州新脉科技有限公司 | 一种颅内动脉瘤破裂风险的评估方法及系统 |
| CN112200914A (zh) * | 2020-10-10 | 2021-01-08 | 上海海事大学 | 数值模拟三维重建还原的载瘤动脉预测颅内动脉瘤发生的方法 |
| CN112535466A (zh) * | 2020-12-16 | 2021-03-23 | 成都全景恒升科技有限公司 | 一种基于血管影像的血流储备分数计算方法 |
| CN113077435A (zh) * | 2021-03-30 | 2021-07-06 | 昆明同心医联科技有限公司 | 基于血流动力学的动脉瘤分析方法及装置 |
| CN113143306A (zh) * | 2021-03-31 | 2021-07-23 | 广东医科大学附属医院 | 一种用于颅内动脉瘤cfd诊断可视化设备 |
| CN113744883A (zh) * | 2021-09-22 | 2021-12-03 | 皖南医学院第一附属医院（皖南医学院弋矶山医院） | 一种预测颅内动脉瘤破裂模型的构建方法及该装置 |
| CN114400098A (zh) * | 2022-02-18 | 2022-04-26 | 佛山科学技术学院 | 一种基于血流动力学分析的线性模型构建方法及系统 |
| CN114881975A (zh) * | 2022-05-10 | 2022-08-09 | 王硕 | 预测动脉瘤破裂潜能的系统、方法、电子设备及介质 |
| CN115546123A (zh) * | 2022-09-20 | 2022-12-30 | 同心智医科技(北京)有限公司 | 基于机器学习的腹主动脉瘤破裂风险的预测系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116919374A (zh) | 2023-10-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108550388B (zh) | 基于血管造影的计算血管血流参数的装置和系统 | |
| CN106980899B (zh) | 预测血管树血管路径上的血流特征的深度学习模型和系统 | |
| CN110866914B (zh) | 脑动脉瘤血流动力学指标的评估方法、系统、设备及介质 | |
| US11207045B2 (en) | Systems and methods for estimating healthy lumen diameter and stenosis quantification in coronary arteries | |
| US11538161B2 (en) | Systems and methods for determining blood vessel conditions | |
| CN108038848B (zh) | 基于医学影像序列斑块稳定性指标的快速计算方法及系统 | |
| CN108305246B (zh) | 基于医学图像预测血流特征的装置及系统 | |
| CN106056126A (zh) | 医学成像中的斑块易损性评定 | |
| CN116919374B (zh) | 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 | |
| WO2013031741A1 (ja) | 血流性状診断のためのシステム、その方法及びコンピュータソフトウエアプログラム | |
| CN107665737A (zh) | 血管壁应力应变状态获取方法、计算机可读介质及系统 | |
| Gharleghi et al. | Deep learning for time averaged wall shear stress prediction in left main coronary bifurcations | |
| CN115330669A (zh) | 预测解剖结构的疾病量化参数的计算机实现的方法、系统及存储介质 | |
| CN113077435A (zh) | 基于血流动力学的动脉瘤分析方法及装置 | |
| Djukic et al. | 3D reconstruction of patient-specific carotid artery geometry using clinical ultrasound imaging | |
| CN113643317B (zh) | 基于深度几何演化模型的冠状动脉分割方法 | |
| Rygiel et al. | CenterlinePointNet++: A New Point Cloud Based Architecture for Coronary Artery Pressure Drop and vFFR Estimation | |
| Eulzer et al. | Instantaneous Visual Analysis of Blood Flow in Stenoses Using Morphological Similarity | |
| US20240062370A1 (en) | Mechanics-informed quantitative flow analysis of medical images of a tubular organ | |
| CN118161134A (zh) | 一种血管功能评估方法及系统 | |
| KR20230153166A (ko) | 초음파 이미지 분석 장치 및 방법 | |
| Pham et al. | Pattern analysis of imaging markers in abdominal aortic aneurysms | |
| CN117198510A (zh) | 基于影像学的血管模拟干预评估系统 | |
| RU2496409C2 (ru) | Способ формирования многомерного образа состояния сердечно-сосудистой системы и его визуализации | |
| CN116849702A (zh) | 一种基于三维超声心动图的肾脏健康状况的评价方法及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |