CN117438092B - 颅内动脉瘤破裂风险预测装置、计算机设备和存储介质 - Google Patents
颅内动脉瘤破裂风险预测装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN117438092B CN117438092B CN202311754915.7A CN202311754915A CN117438092B CN 117438092 B CN117438092 B CN 117438092B CN 202311754915 A CN202311754915 A CN 202311754915A CN 117438092 B CN117438092 B CN 117438092B
- Authority
- CN
- China
- Prior art keywords
- blood vessel
- dimensional
- model
- vessel
- 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 58
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 225
- 230000011218 segmentation Effects 0.000 claims abstract description 112
- 206010028980 Neoplasm Diseases 0.000 claims abstract description 86
- 230000000004 hemodynamic effect Effects 0.000 claims abstract description 56
- 230000000877 morphologic effect Effects 0.000 claims abstract description 54
- 206010002329 Aneurysm Diseases 0.000 claims abstract description 46
- 238000012937 correction Methods 0.000 claims abstract description 14
- 238000000034 method Methods 0.000 claims description 33
- 238000012545 processing Methods 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 230000001537 neural effect Effects 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000004088 simulation Methods 0.000 claims description 9
- 239000002131 composite material Substances 0.000 claims description 5
- 230000017531 blood circulation Effects 0.000 claims description 4
- 238000012502 risk assessment Methods 0.000 abstract description 10
- 230000000875 corresponding effect Effects 0.000 description 25
- 238000004364 calculation method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000002792 vascular Effects 0.000 description 5
- 230000000747 cardiac effect Effects 0.000 description 4
- 238000007917 intracranial administration Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000010968 computed tomography angiography Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 208000031238 Intracranial haemangioma Diseases 0.000 description 1
- 208000032851 Subarachnoid Hemorrhage Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Radiology & Medical Imaging (AREA)
- Data Mining & Analysis (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Fluid Mechanics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Computer Graphics (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本申请涉及一种颅内动脉瘤破裂风险评估装置、计算机设备和存储介质,通过将获取与颅内动脉瘤相关的血管三维影像数据,并以三维切片形式进行显示,将其称为血管三维切片模态,基于血管三维影像数据构建初始血管树,并利用血管三维切片模态对初始血管树进行初步校正得到第一血管树重构模型,基于得到的第一血管树重构模型以及血管三维切片模块得到的精准的瘤腔分割数据以及管腔分割数据,利用这两个分割数据对血管三维影像数据进行三维血管重构得到精准的动脉瘤血管三维模型,并基于该精准模型进行形态学参数以及血流动力学参数的计算,根据这两个参数对动脉瘤破裂进行风险预测。采用本装置在提高效率的同时保证的预测结果的准确性。
Description
技术领域
本申请涉及医学影像处理技术领域,特别是涉及一种颅内动脉瘤破裂风险预测装置、计算机设备和存储介质。
背景技术
颅内动脉瘤是指颅内动脉壁的异常膨出,总体患病率大约为3%~5%。尽管大多数颅内动脉瘤终生未发生破裂,然而一旦破裂引发蛛网膜下腔出血,其致死率可达40%。因此,及时地筛查与评估动脉瘤的破裂风险尤为重要。
动脉瘤的破裂风险通常与患者的临床特征、动脉瘤的形态学特征以及血流动力学特征存在较强的相关性。
目前临床场景中的形态学评估主要是基于二维图像的人工测量,其测量结果与动脉瘤的真实三维几何存在偏差。此外,不同的评估人员之间对影像视角的选择以及测量位置的选择也存在差异。因此人工测量手段存在准确性低和可重复性低的问题。而针对动脉瘤的血流动力学评估仅限于学术领域。主要原因在于血流动力学仿真对临床医生或者技师来说具有较高的技术门槛。
发明内容
基于此,有必要针对上述技术问题,提供一种能够基于精准构建脉瘤模型进行破裂风险评估的能够自动且高效的颅内动脉瘤破裂风险评估装置、计算机设备和存储介质。
一种颅内动脉瘤破裂风险预测装置,所述装置包括处理器,配置为:
获取与颅内动脉瘤相关的血管三维影像数据,将所述血管三维影像数据以三维切片形式进行显示,并将其称为血管三维切片模态;
基于所述血管三维影像数据构建初始血管树模型,利用所述血管三维切片模态对所述初始血管树模型进行初步校正得到第一血管树重构模型;
在所述血管三维切片模态中的瘤腔内部区域、瘤腔与血管分界位置区域中选取体数据元素,以选取的体数据元素所在位置为波源构建球面波传播模型,并对其进行求解得到相应体数据元素的传播区域,根据所述传播区域得到瘤腔分割数据;
根据感兴趣血管分支对所述第一血管树重构模型进行裁剪得到第二血管树模型,对基于所述第二血管树模型提取的血管中心线坐标以及血管沿线半径进行处理得到管腔分割数据;
利用所述瘤腔分割数据以及管腔分割数据进行重构,得到感兴趣区域的开口血管三维模型;
在所述开口血管三维模型上分别进行计算,得到关于感兴趣区域血管的形态学参数以及血流动力学参数;
根据所述形态学参数以及血流动力学参数对动脉瘤破裂进行风险预测,得到风险预测结果。
在其中一实施例中,利用所述血管三维切片模态对所述初始血管树模型进行初步校正得到第一血管树重构模型包括:
计算初始分割参数对应的体数据元素三维坐标,并将其在所述血管三维切片模态中对应的体数据元素进行高亮显示;
以所述血管三维影像数据中的像素数据为参照,同时根据所述血管三维切片模态中高亮体数据元素对所述初始分割参数进行调整;
在对所述初始分割参数进行调整的过程中,根据改变后的分割参数对初始血管树模型以及高亮体数据元素进行实时调整,以确定分割参数;
根据确定后的分割参数得到所述第一血管树重构模型。
在其中一实施例中,在所述血管三维切片模态中的瘤腔内部区域、瘤腔与血管分界位置区域中选取体数据元素,以选取的体数据元素所在位置为波源构建球面波传播模型,并对其进行求解得到相应体数据元素的传播区域包括:
提取选取的体数据元素对应的三维坐标,并根据瘤腔内部区域、瘤腔与血管分界位置区域选取的体数据元素对应的三维坐标分别构建对应的第一坐标集合以及第二坐标集合;
基于所述血管三维切片模态得到体数据像素值矩阵,并计算该矩阵中每一个体数据像素值的倒数,得到体数据像素值倒数矩阵;
根据所述第一坐标集合和第二坐标集合中每一个体数据元素坐标以及体数据像素值倒数矩阵构建得到所述球面波传播模型。
在其中一实施例中,对所述球面波传播模型进行求解得到相应体数据元素的传播区域包括:
对所述球面波传播模型采用有限差分法进行求解后得到所述第一坐标集合和第二坐标集合中每一个体数据元素坐标为波源向各所述体数据元素发送球面波后达到的时间;
针对所述第一坐标集合和第二坐标集合中每一个体数据元素坐标提取最小时间,将小于或等于所述最小时间的体数据元素作为对应体数据元素坐标的传播区域。
在其中一实施例中,对基于所述第二血管树模型提取的血管中心线坐标以及血管沿线半径进行处理得到管腔分割数据包括:
利用所述血管中心线坐标以及血管沿线半径进行处理得到初始管腔分割数据;
利用水平集算法对所述初始管腔分割数据进行迭代演化得到所述管腔分割数据。
在其中一实施例中,利用所述瘤腔分割数据以及管腔分割数据进行重构,得到感兴趣区域的开口血管三维模型包括:
对所述瘤腔分割数据以及管腔分割数据进行布尔运算,得到多分支分割数据;
根据所述多分支分割数据以及行进立方体算法对所述血管三维影像数据进行处理,得到闭口血管三维模型;
对闭口血管三维模型进行自动开口裁剪,得到所述开口血管三维模型。
在其中一实施例中,在所述开口三维血管模型上分别进行计算,得到关于感兴趣区域血管的形态学参数以及血流动力学参数包括:
在所述开口血管三维模型上通过确定瘤颈切割线以及瘤颈平面的法向得到瘤颈平面,利用所述瘤颈平面对所述闭口血管三维模型上的瘤腔表面进行分离后,计算形态学参数;
基于所述开口血管三维模型进行血流动力学仿真,得到不同时刻在开口血管三维模型上血流速度和压力分布,并进行动画显示,再根据所述瘤颈平面计算血流动力学参数。
在其中一实施例中,根据所述形态学参数以及血流动力学参数对动脉瘤破裂进行风险预测包括:
将所述形态学参数以及血流动力学参数进行结合后作为神经学习网络的输入,利用神经学习网络预测颅内动脉瘤与破裂颅内动脉瘤的复合相似分数,将所述相似分数作为颅内动脉瘤破裂的风险预测结果;
或,分别将所述形态学参数以及血流动力学参数分别作为神经学习网络的输入,利用神经学习网络预测颅内动脉瘤与破裂颅内动脉瘤的形态学相似分数以及血流动力学相似分数,将所述形态学相似分数以及血流动力学相似分数作为颅内动脉瘤破裂的风险预测结果。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取与颅内动脉瘤相关的血管三维影像数据,将所述血管三维影像数据以三维切片形式进行显示,并将其称为血管三维切片模态;
基于所述血管三维影像数据构建初始血管树模型,利用所述血管三维切片模态对所述初始血管树模型进行初步校正得到第一血管树重构模型;
在所述血管三维切片模态中的瘤腔内部区域、瘤腔与血管分界位置区域中选取体数据元素,以选取的体数据元素所在位置为波源构建球面波传播模型,并对其进行求解得到相应体数据元素的传播区域,根据所述传播区域得到瘤腔分割数据;
根据感兴趣血管分支对所述第一血管树重构模型进行裁剪得到第二血管树模型,对基于所述第二血管树模型提取的血管中心线坐标以及血管沿线半径进行处理得到管腔分割数据;
利用所述瘤腔分割数据以及管腔分割数据进行重构,得到感兴趣区域的开口血管三维模型;
在所述开口血管三维模型上分别进行计算,得到关于感兴趣区域血管的形态学参数以及血流动力学参数;
根据所述形态学参数以及血流动力学参数对动脉瘤破裂进行风险预测,得到风险预测结果。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取与颅内动脉瘤相关的血管三维影像数据,将所述血管三维影像数据以三维切片形式进行显示,并将其称为血管三维切片模态;
基于所述血管三维影像数据构建初始血管树模型,利用所述血管三维切片模态对所述初始血管树模型进行初步校正得到第一血管树重构模型;
在所述血管三维切片模态中的瘤腔内部区域、瘤腔与血管分界位置区域中选取体数据元素,以选取的体数据元素所在位置为波源构建球面波传播模型,并对其进行求解得到相应体数据元素的传播区域,根据所述传播区域得到瘤腔分割数据;
根据感兴趣血管分支对所述第一血管树重构模型进行裁剪得到第二血管树模型,对基于所述第二血管树模型提取的血管中心线坐标以及血管沿线半径进行处理得到管腔分割数据;
利用所述瘤腔分割数据以及管腔分割数据进行重构,得到感兴趣区域的开口血管三维模型;
在所述开口血管三维模型上分别进行计算,得到关于感兴趣区域血管的形态学参数以及血流动力学参数;
根据所述形态学参数以及血流动力学参数对动脉瘤破裂进行风险预测,得到风险预测结果。
上述颅内动脉瘤破裂风险评估装置、计算机设备和存储介质,通过将获取与颅内动脉瘤相关的血管三维影像数据,并以三维切片形式进行显示,并将其称为血管三维切片模态,基于血管三维影像数据构建初始血管树模型,并利用血管三维切片模态对初始血管树模型进行初步校正得到第一血管树重构模型,之后在基于得到的第一血管树重构模型以及血管三维切片模块得到的精准的瘤腔分割数据以及管腔分割数据,利用这两个分割数据对血管三维影像数据进行三维血管重构得到精准的动脉瘤血管三维模型,并基于该精准模型进行形态学参数以及血流动力学参数的计算,最后根据这两个参数对动脉瘤破裂进行风险预测,在本装置中,将动脉瘤风险预测的过程进行流程化,只需要对其输入与颅内动脉瘤相关的血管三维影像数据,就可得到其中颅内动脉瘤的风险预测结果,由于其中,在对血管进行重构的过程,并不需要人工操作,其流程可重复性强且重构得到的模型精准的对三维数据中的颅内血管瘤进行了还原,使得后续得到的破裂风险预测结果有较高的参考性,以辅助医护工作者的后续工作。
附图说明
图1为一个实施例中颅内动脉瘤破裂风险评估装置中实施的步骤流程示意图;
图2为一个实施例中第一血管树重构模型的示意图;
图3为一个实施例中对第一血管树重构模型进行剪裁的前后变化示意图;
图4为一个实施例中在闭口血管三维模型上确定切割线的示意图;
图5为一个实施例中开口血管三维模型自动延长后得到第三血管树模型示意图;
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
如图1所示,提供了一种实施于颅内动脉瘤破裂风险评估装置中的步骤流程,具体包括以下步骤:
步骤S100,获取与颅内动脉瘤相关的血管三维影像数据,将所述血管三维影像数据以三维切片形式进行显示,并将其称为血管三维切片模态;
步骤S110,基于所述血管三维影像数据构建初始血管树模型,利用所述血管三维切片模态对所述初始血管树模型进行初步校正得到第一血管树重构模型;
步骤S120,在所述血管三维切片模态中的瘤腔内部区域、瘤腔与血管分界位置区域中选取体数据元素,以选取的体数据元素所在位置为波源构建球面波传播模型,并对其进行求解得到相应体数据元素的传播区域,根据所述传播区域得到瘤腔分割数据;
步骤S130,根据感兴趣血管分支对所述第一血管树重构模型进行裁剪得到第二血管树模型,对基于所述第二血管树模型提取的血管中心线坐标以及血管沿线半径进行处理得到管腔分割数据;
步骤S140,利用所述瘤腔分割数据以及管腔分割数据进行重构,得到感兴趣区域的开口血管三维模型;
步骤S150,在开口三维血管模型上分别进行计算,得到关于感兴趣区域血管的形态学参数以及血流动力学参数;
步骤S160,根据所述形态学参数以及血流动力学参数对动脉瘤破裂进行风险预测,得到风险预测结果。
在本实施例中,借助血管三维切片模块,不断对图像分割数据进行优化,分别得到适合于感兴趣区域中瘤腔区域和管腔区域的分割数据,并根据这两个分割数据进一步的得到整个感兴趣区域的血管分支分割数据,再利用该数据对原始的血管三维影像数据中的各区域像素值进行精准的二值化处理后,重构得到精准的颅内血管三维模型,之后在基于这个精准的颅内血管三维模型计算形态学参数以及血流动力学参数,并根据这两个参数对颅内血管瘤破裂风险进行预测,从而得到准确的分险预测结果,以辅助医护人员后续工作。整个风险预测该流程步骤操作及处理简单可靠,其中在进行三维血管的重构过程中也不需要人工进行操作,使其具有可重复性,同时预测结果准确性高。
在步骤S100中,待进行模型重构的血管为颅内血管,一般是与颅内动脉瘤相关的血管。血管三维影像数据包括但不限于DSA(数字剪影血管造影)、CTA(CT血管造影)以及MRA(磁共振成像)的三维影像序列。该血管三维影像数据中包括多帧在一段时间内对目标进行扫描得到的多帧图像。通过读取血管三维影像数据中的影像体数据进行三维切片显示,也就是将血管三维影像数据以三维切片形式进行显示。
在步骤S110中,基于血管三维影像数据构建初始血管树模型包括:根据预设的初始分割参数对血管三维影像数据中的各帧图像进行二值化处理,接着对二值化处理后的血管三维影像数据采用立体算法得到初始血管树模型。
接着,利用血管三维切片模态对初始血管树模型进行初步校正得到第一血管树重构模型。其中血管三维切片模态中的每一层切片均由相邻的多帧血管三维影像数据构成,并由空间上相邻的多个像素点构建体数据元素。血管三维切片模态保留有真实的血管数据,所以,在本实施例中,借助血管三维切片模块对初始血管树模型进行校正,实际上是对初始分割参数进行校正优化,最后再根据优化后的初始分割参数进行重构得到第一血管树重构模型。
具体的,利用血管三维切片模态对所述初始血管树模型进行初步校正得到第一血管树重构模型包括:在血管三维切片模态中,可以在各层切片中进行移动,在移动过程中,计算初始分割参数对应的体数据元素三维坐标,并通过该三维坐标在血管三维切片模态中定位到对应的体数据元素,同时将其进行高亮显示,以血管三维影像数据中的像素数据为参照,同时根据血管三维切片模态中高亮体数据元素对所述初始分割参数进行调整。其中,高亮后的体数据元素表示初始血管模型与血管三维切片模态的相交轮廓,借助该相交轮廓对预设的初始分割参数是否合理,同时对其进行调整。
在对初始分割参数进行调整的过程中,根据改变后的分割参数对初始血管树模型以及高亮体数据元素进行实时调整,以确定分割参数。由于,调整过程中对分割参数会进行实时调整,同时,初始血管模型与血管三维切片模态的相交轮廓也会相应变化,通过对变化后呈现的相交轮廓进行判断,直至相交轮廓基本位于切片中血管与背景的分界位置,以确定最终的分割参数。
最后,根据确定后的分割参数得到第一血管树重构模型。其具体过程与构建初始血管模型相同,利用确定后的分割参数对血管三维影像数据中每一帧图像进行二值化处理后,采用立体算法得到第一血管树重构模型,如图2所示。
在步骤S120和步骤S130中,基于血管三维切片模态以及第一血管树重构模型分别得到瘤腔分割数据以及管腔分割数据。由于,瘤腔大多呈球状,而血管腔大多呈管状,所以分别采用不同的方法对这两个部分进行分割,以便得到更为精准的分割数据。
在本实施例中,基于血管三维切片模态获取瘤腔分割数据时,在血管三维切片模态中的瘤腔内部区域、瘤腔与血管分界位置区域中分别选取体数据元素,再以选取的体数据元素所在位置为波源构建球面波传播模型。
具体的,在血管三维切片模态中分别提取瘤腔内部区域以及瘤腔与血管分界位置区域中的体数据元素,并且提取选取的体数据元素对应的三维坐标,并根据不同区域将选取的体数据元素对应的三维坐标,分别构建对应的第一坐标集合以及第二坐标集合,同时基于血管三维切片模态得到体数据像素值矩阵,并计算该矩阵中每一个体数据像素值的倒数,得到体数据像素值倒数矩阵,根据第一坐标集合和第二坐标集合中每一个体数据元素坐标以及体数据像素值倒数矩阵构建得到球面波传播模型。
在本实施例中,第一坐标集合以及第二坐标集合中均至少包含一个三维坐标数据。
在本实施例中,对球面波传播模型进行求解得到相应体数据元素的传播区域包括:对球面波传播模型进行求解后得到第一坐标集合和第二坐标集合中每一个体数据元素坐标为波源向各体数据元素发送球面波后达到的时间,并针对第一坐标集合和第二坐标集合中每一个体数据元素坐标提取最小时间,将小于或等于血管三维切片模态中最小时间的体数据元素作为对应体数据元素坐标的传播区域。当存在多个小于最小时间的体元素是,则根据多个体数据元素得到传播区域。
在本实施例中,对球面波传播模型采用有限差分法进行求解。
在其中一实施例中,基于血管三维切片模态获取瘤腔分割数据具体过程为:
令第一坐标集合中的第i个坐标为波源S_i所在坐标,接着计算体数据像素值矩阵中每一个元素的倒数,得到体数据像素值倒数矩阵M,假设从波源S_i发出的球面波到达任意体数据元素j所需的时间为,定义/>(球面波传播模型),然后利用有限差分法求解得到T_ij,计算第二坐标集合中所有坐标所对应的体数据元素的T_ij并取最小值。遍历所有体数据元素的T_ij,小于等于最小值的体数据元素作为波源S_i的传播区域,对第一坐标集合中的其它坐标进行上述同样操作,得到其它传播区域。最后对所有传播区域进行并集操作,作为瘤腔区域,从而可得瘤腔分割数据。
在本实施例中,基于第一血管树重构模型得到管腔分割参数时,先在第一血管树模型的基础上根据感兴趣的血管分支进行开口剪裁,在这一步中,也就是再第一血管树模型上选取感兴趣的分支血管段将其裁剪后得到第二血管树模型,其裁剪的过程,如图3所示。
进一步的,基于第二血管树模型提取的血管中心线坐标以及血管沿线半径进行处理得到管腔分割数据包括:利用血管中心线坐标以及血管沿线半径进行处理得到初始管腔分割数据,再利用水平集算法对初始管腔分割数据进行迭代演化得到管腔分割数据。
在步骤S140中,利用瘤腔分割数据以及管腔分割数据进行重构,得到感兴趣区域的开口血管三维模型包括:对瘤腔分割数据以及管腔分割数据进行布尔运算,得到多分支分割数据,根据多分支分割数据以及行进立方体算法对血管三维影像数据进行处理,得到闭口血管三维模型,在这一环节中,利用多分支分割数据对血管三维影像数据中每一帧图像进行二值化处理后,再通过立方体算法得到闭口血管三维模型。接着,对闭口血管三维模型进行自动开口裁剪,得到开口血管三维模型。其中,闭口血管三维模型以及开口血管三维模型均为感兴趣区域的血管三维模型。
在步骤S150,在开口三维血管模型上分别进行计算,得到关于感兴趣区域血管的形态学参数以及血流动力学参数包括:在开口血管三维模型上通过确定瘤颈切割线以及瘤颈平面的法向得到瘤颈平面,利用所述瘤颈平面对所述闭口血管三维模型上的瘤腔表面进行分离后,计算形态学参数。基于开口血管三维模型进行血流动力学仿真,得到不同时刻在开口血管三维模型上血流速度和压力分布,并进行动画显示,再根据瘤颈平面计算血流动力学参数。
进一步的,在根据开口血管三维模型计算形态学参数时,在开口血管三维模型的动脉瘤瘤腔表面任意位置选择一点,然后将模型转动至合适视角,并在瘤颈位置画一条直线,记该直线为切割线,如图4所示。切割线与垂直于显示屏幕的矢量进行叉乘后得到瘤颈平面的法向。切割线位于瘤颈平面内,因此,利用瘤颈平面法向以及切割线得到瘤颈平面。再利用瘤颈平面自动对瘤腔表面进行分离及选中,自动计算得到形态学参数。
具体的,形态学参数包括:动脉瘤入流角、动脉瘤倾角、血管角、动脉瘤最大高度、动脉瘤中部直径、动脉瘤颈直径、载瘤动脉直径、动脉瘤垂直高度、动脉瘤表面积、动脉瘤体积、size ratio(尺寸比)、aspect ratio(长短比)、bottle-neck ratio(体颈比)、椭圆指数、非球形指数、动脉瘤形态不规则指数等。
在本实施例中,在进行形态学参数的计算过程,可通过调整视角以及切割线对瘤颈平面进行调整,并实时更新形态学参数的计算结果。
进一步的,在根据开口三维血管模型计算血流动力学参数时:利用开口三维血管模型的血管几何数据,对入口和出口进行自动延长,延长后得到第三血管树模型,其过程如图5所示。
接着,自动识别第三血管树模型的血管入口,根据血管入口对应的解剖学分段,确定入口流量。根据流量守恒定律以及血管出口截面尺寸,确定出口流量。可选的,可进一步利用血管出入口的截面尺寸及流量,获得血管出入口的血流速度。对第三血管树模型进行自动网格划分,然后利用有限体积法或者有限元法进行计算流体力学仿真计算。经过多个心动周期的计算后仿真结果趋于稳定。提取最后一个心动周期的计算结果作为最终仿真结果。所述计算结果为最后一个心动周期内不同时刻的速度分布与压力分布。上述整个仿真过程实现完全的自动化过程。
利用仿真得到的不同时刻的速度分布与压力分布,计算得到第三血管树模型表面的血流动力学参数分布及动画,其中,第三血管树模型表面的血流动力学参数分布包括:压力分布动画、WSS分布动画、OSI分布动画。此外,计算得到管腔内的流线分布、迹线动画、粒子动画、速度等值面动画。
在这里需要进行说明的是,动画是指参数分布在一个心动周期内随时间的变化效果。对于粒子动画,可以调整粒子的密度。对于迹线动画,可以调整迹线的密度及长度。对于速度等值面动画,可以调整速度等值面的显示范围。
利用求解形态学参数时得到的瘤颈表面,计算动脉瘤瘤腔的血流动力学参数,包括:动脉瘤平均WSS、标准化动脉瘤平均WSS、载瘤动脉平均WSS、动脉瘤最大WSS、高WSS区域面积占比、动脉瘤OSI、动脉瘤最大OSI、动脉瘤相对滞留时间、动脉瘤WSSG、动脉瘤梯度振荡因子、低WSS区域面积占比以及动脉瘤最小WSS。
在步骤S160中,根据所述形态学参数以及血流动力学参数对动脉瘤破裂进行风险预测包括:将形态学参数以及血流动力学参数进行结合后作为神经学习网络的输入,利用神经学习网络预测颅内动脉瘤与破裂颅内动脉瘤的复合相似分数,将复合相似分数作为颅内动脉瘤破裂的风险预测结果。
或,分别将形态学参数以及血流动力学参数分别作为神经学习网络的输入,利用神经学习网络预测颅内动脉瘤与破裂颅内动脉瘤的形态学相似分数以及血流动力学相似分数,将形态学相似分数以及血流动力学相似分数作为颅内动脉瘤破裂的风险预测结果。
还可以,同时根据复合相似分数、形态学相似分数以及血流动力学相似分数作为分险预测结果。
上述颅内动脉瘤破裂风险评估装置中,其流程步骤从影像读取到三维重构、形态学计算、血流动力学计算到动脉瘤破裂风险预测实现了对整个分析流程的简化,并同时保证提高了风险预测结果的准确性,有效辅助了后续医护人员的后续工作。
应该理解的是,虽然图1的步骤流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
同时,上述颅内动脉瘤破裂风险评估装装置中的各个步骤可全部或部分通过软件、硬件及其组合来实现。上述各步骤可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一些实施例中,颅内动脉瘤破裂风险评估装置可以是专用智能装置,或通用智能装置,例如,为图像数据采集和图像数据处理任务定制的计算机,或者置于云端的服务器。基于颅内动脉瘤破裂风险评估装置还可以被集成到图像采集装置中。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种实施于颅内动脉瘤破裂风险评估装置中的步骤方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取与颅内动脉瘤相关的血管三维影像数据,将所述血管三维影像数据以三维切片形式进行显示,并将其称为血管三维切片模态;
基于所述血管三维影像数据构建初始血管树模型,利用所述血管三维切片模态对所述初始血管树模型进行初步校正得到第一血管树重构模型;
在所述血管三维切片模态中的瘤腔内部区域、瘤腔与血管分界位置区域中选取体数据元素,以选取的体数据元素所在位置为波构建球面波传播模型,并对其进行求解得到相应体数据元素的传播区域,根据所述传播区域得到瘤腔分割数据;
根据感兴趣血管分支对所述第一血管树重构模型进行裁剪得到第二血管树模型,对基于所述第二血管树模型提取的血管中心线坐标以及血管沿线半径进行处理得到管腔分割数据;
利用所述瘤腔分割数据以及管腔分割数据进行重构,得到感兴趣区域的开口血管三维模型;
在所述开口血管三维模型上分别进行计算,得到关于感兴趣区域血管的形态学参数以及血流动力学参数;
根据所述形态学参数以及血流动力学参数对动脉瘤破裂进行风险预测,得到风险预测结果。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取与颅内动脉瘤相关的血管三维影像数据,将所述血管三维影像数据以三维切片形式进行显示,并将其称为血管三维切片模态;
基于所述血管三维影像数据构建初始血管树模型,利用所述血管三维切片模态对所述初始血管树模型进行初步校正得到第一血管树重构模型;
在所述血管三维切片模态中的瘤腔内部区域、瘤腔与血管分界位置区域中选取体数据元素,以选取的体数据元素所在位置为波源构建球面波传播模型,并对其进行求解得到相应体数据元素的传播区域,根据所述传播区域得到瘤腔分割数据;
根据感兴趣血管分支对所述第一血管树重构模型进行裁剪得到第二血管树模型,对基于所述第二血管树模型提取的血管中心线坐标以及血管沿线半径进行处理得到管腔分割数据;
利用所述瘤腔分割数据以及管腔分割数据进行重构,得到感兴趣区域的开口血管三维模型;
在所述开口血管三维模型上分别进行计算,得到关于感兴趣区域血管的形态学参数以及血流动力学参数;
根据所述形态学参数以及血流动力学参数对动脉瘤破裂进行风险预测,得到风险预测结果。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种颅内动脉瘤破裂风险预测装置,其特征在于,所述装置包括处理器,配置为:
获取与颅内动脉瘤相关的血管三维影像数据,将所述血管三维影像数据以三维切片形式进行显示,并将其称为血管三维切片模态;
基于所述血管三维影像数据构建初始血管树模型,利用所述血管三维切片模态对所述初始血管树模型进行初步校正得到第一血管树重构模型;
在所述血管三维切片模态中的瘤腔内部区域、瘤腔与血管分界位置区域中选取体数据元素,以选取的体数据元素所在位置为波源构建球面波传播模型,并对其进行求解得到相应体数据元素的传播区域,根据所述传播区域得到瘤腔分割数据;
根据感兴趣血管分支对所述第一血管树重构模型进行裁剪得到第二血管树模型,对基于所述第二血管树模型提取的血管中心线坐标以及血管沿线半径进行处理得到管腔分割数据;
利用所述瘤腔分割数据以及管腔分割数据进行重构,得到感兴趣区域的开口血管三维模型;
在所述开口血管三维模型上分别进行计算,得到关于感兴趣区域血管的形态学参数以及血流动力学参数;
根据所述形态学参数以及血流动力学参数对动脉瘤破裂进行风险预测,得到风险预测结果。
2.根据权利要求1所述的颅内动脉瘤破裂风险预测装置,其特征在于,利用所述血管三维切片模态对所述初始血管树模型进行初步校正得到第一血管树重构模型包括:
计算初始分割参数对应的体数据元素三维坐标,并将其在所述血管三维切片模态中对应的体数据元素进行高亮显示;
以所述血管三维影像数据中的像素数据为参照,同时根据所述血管三维切片模态中高亮体数据元素对所述初始分割参数进行调整;
在对所述初始分割参数进行调整的过程中,根据改变后的分割参数对初始血管树模型以及高亮体数据元素进行实时调整,以确定分割参数;
根据确定后的分割参数得到所述第一血管树重构模型。
3.根据权利要求1所述的颅内动脉瘤破裂风险预测装置,其特征在于,在所述血管三维切片模态中的瘤腔内部区域、瘤腔与血管分界位置区域中选取体数据元素,以选取的体数据元素所在位置为波源构建球面波传播模型,并对其进行求解得到相应体数据元素的传播区域包括:
提取选取的体数据元素对应的三维坐标,并根据瘤腔内部区域、瘤腔与血管分界位置区域选取的体数据元素对应的三维坐标分别构建对应的第一坐标集合以及第二坐标集合;
基于所述血管三维切片模态得到体数据像素值矩阵,并计算该矩阵中每一个体数据像素值的倒数,得到体数据像素值倒数矩阵;
根据所述第一坐标集合和第二坐标集合中每一个体数据元素坐标以及体数据像素值倒数矩阵构建得到所述球面波传播模型。
4.根据权利要求3所述的颅内动脉瘤破裂风险预测装置,其特征在于,对所述球面波传播模型进行求解得到相应体数据元素的传播区域包括:
对所述球面波传播模型采用有限差分法进行求解后得到所述第一坐标集合和第二坐标集合中每一个体数据元素坐标为波源向各所述体数据元素发送球面波后达到的时间;
针对所述第一坐标集合和第二坐标集合中每一个体数据元素坐标提取最小时间,将小于或等于所述最小时间的体数据元素作为对应体数据元素坐标的传播区域。
5.根据权利要求1所述的颅内动脉瘤破裂风险预测装置,其特征在于,对基于所述第二血管树模型提取的血管中心线坐标以及血管沿线半径进行处理得到管腔分割数据包括:
利用所述血管中心线坐标以及血管沿线半径进行处理得到初始管腔分割数据;
利用水平集算法对所述初始管腔分割数据进行迭代演化得到所述管腔分割数据。
6.根据权利要求1所述的颅内动脉瘤破裂风险预测装置,其特征在于,利用所述瘤腔分割数据以及管腔分割数据进行重构,得到感兴趣区域的开口血管三维模型包括:
对所述瘤腔分割数据以及管腔分割数据进行布尔运算,得到多分支分割数据;
根据所述多分支分割数据以及行进立方体算法对所述血管三维影像数据进行处理,得到闭口血管三维模型;
对所述闭口血管三维模型进行自动开口裁剪,得到所述开口血管三维模型。
7.根据权利要求6所述的颅内动脉瘤破裂风险预测装置,其特征在于,在所述开口血管三维模型上分别进行计算得到关于感兴趣区域血管的形态学参数以及血流动力学参数包括:
在所述开口血管三维模型上通过确定瘤颈切割线以及瘤颈平面的法向得到瘤颈平面,利用所述瘤颈平面对所述闭口血管三维模型上的瘤腔表面进行分离后,计算形态学参数;
基于所述开口血管三维模型进行血流动力学仿真,得到不同时刻在开口血管三维模型上血流速度和压力分布,并进行动画显示,再根据所述瘤颈平面,计算血流动力学参数。
8.根据权利要求1所述的颅内动脉瘤破裂风险预测装置,其特征在于,根据所述形态学参数以及血流动力学参数对动脉瘤破裂进行风险预测包括:
将所述形态学参数以及血流动力学参数进行结合后作为神经学习网络的输入,利用神经学习网络预测颅内动脉瘤与破裂颅内动脉瘤的复合相似分数,将所述相似分数作为颅内动脉瘤破裂的风险预测结果;
或,分别将所述形态学参数以及血流动力学参数分别作为神经学习网络的输入,利用神经学习网络预测颅内动脉瘤与破裂颅内动脉瘤的形态学相似分数以及血流动力学相似分数,将所述形态学相似分数以及血流动力学相似分数作为颅内动脉瘤破裂的风险预测结果。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行一种颅内动脉瘤破裂风险预测方法,所述方法包括:
获取与颅内动脉瘤相关的血管三维影像数据,将所述血管三维影像数据以三维切片形式进行显示,并将其称为血管三维切片模态;
基于所述血管三维影像数据构建初始血管树模型,利用所述血管三维切片模态对所述初始血管树模型进行初步校正得到第一血管树重构模型;
在所述血管三维切片模态中的瘤腔内部区域、瘤腔与血管分界位置区域中选取体数据元素,以选取的体数据元素所在位置为波源构建球面波传播模型,并对其进行求解得到相应体数据元素的传播区域,根据所述传播区域得到瘤腔分割数据;
根据感兴趣血管分支对所述第一血管树重构模型进行裁剪得到第二血管树模型,对基于所述第二血管树模型提取的血管中心线坐标以及血管沿线半径进行处理得到管腔分割数据;
利用所述瘤腔分割数据以及管腔分割数据进行重构,得到感兴趣区域的开口血管三维模型;
在所述开口血管三维模型上分别进行计算,得到关于感兴趣区域血管的形态学参数以及血流动力学参数;
根据所述形态学参数以及血流动力学参数对动脉瘤破裂进行风险预测,得到风险预测结果。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现一种颅内动脉瘤破裂风险预测方法,所述方法包括:
获取与颅内动脉瘤相关的血管三维影像数据,将所述血管三维影像数据以三维切片形式进行显示,并将其称为血管三维切片模态;
基于所述血管三维影像数据构建初始血管树模型,利用所述血管三维切片模态对所述初始血管树模型进行初步校正得到第一血管树重构模型;
在所述血管三维切片模态中的瘤腔内部区域、瘤腔与血管分界位置区域中选取体数据元素,以选取的体数据元素所在位置为波源构建球面波传播模型,并对其进行求解得到相应体数据元素的传播区域,根据所述传播区域得到瘤腔分割数据;
根据感兴趣血管分支对所述第一血管树重构模型进行裁剪得到第二血管树模型,对基于所述第二血管树模型提取的血管中心线坐标以及血管沿线半径进行处理得到管腔分割数据;
利用所述瘤腔分割数据以及管腔分割数据进行重构,得到感兴趣区域的开口血管三维模型;
在所述开口血管三维模型上分别进行计算,得到关于感兴趣区域血管的形态学参数以及血流动力学参数;
根据所述形态学参数以及血流动力学参数对动脉瘤破裂进行风险预测,得到风险预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311754915.7A CN117438092B (zh) | 2023-12-20 | 2023-12-20 | 颅内动脉瘤破裂风险预测装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311754915.7A CN117438092B (zh) | 2023-12-20 | 2023-12-20 | 颅内动脉瘤破裂风险预测装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117438092A CN117438092A (zh) | 2024-01-23 |
CN117438092B true CN117438092B (zh) | 2024-03-22 |
Family
ID=89552004
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311754915.7A Active CN117438092B (zh) | 2023-12-20 | 2023-12-20 | 颅内动脉瘤破裂风险预测装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117438092B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108335304A (zh) * | 2018-02-07 | 2018-07-27 | 华侨大学 | 一种腹部ct扫描序列图像的主动脉瘤分割方法 |
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 |
CN109924956A (zh) * | 2019-04-19 | 2019-06-25 | 广州新脉科技有限公司 | 一种颅内动脉瘤图像的形态学参数的测量方法及装置 |
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 |
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 |
KR20210072952A (ko) * | 2019-12-10 | 2021-06-18 | 한양대학교 에리카산학협력단 | 동맥류 파열 예측 장치 및 방법 |
CN113066583A (zh) * | 2021-03-30 | 2021-07-02 | 昆明同心医联科技有限公司 | 动脉瘤破裂风险预测方法、装置及存储介质 |
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 |
CN115984305A (zh) * | 2022-12-30 | 2023-04-18 | 杭州脉流科技有限公司 | 颅内动脉瘤血管模型的生成方法和计算机可读存储介质 |
WO2023190348A1 (ja) * | 2022-03-29 | 2023-10-05 | 株式会社カネカ | 予測システム、予測装置、および予測方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2723670A1 (en) * | 2007-05-15 | 2008-11-20 | Centre Hospitalier De L'universite De Montreal | A method for tracking 3d anatomical and pathological changes in tubular-shaped anatomical structures |
-
2023
- 2023-12-20 CN CN202311754915.7A patent/CN117438092B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108335304A (zh) * | 2018-02-07 | 2018-07-27 | 华侨大学 | 一种腹部ct扫描序列图像的主动脉瘤分割方法 |
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 |
CN109924956A (zh) * | 2019-04-19 | 2019-06-25 | 广州新脉科技有限公司 | 一种颅内动脉瘤图像的形态学参数的测量方法及装置 |
KR20210072952A (ko) * | 2019-12-10 | 2021-06-18 | 한양대학교 에리카산학협력단 | 동맥류 파열 예측 장치 및 방법 |
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 |
CN113066583A (zh) * | 2021-03-30 | 2021-07-02 | 昆明同心医联科技有限公司 | 动脉瘤破裂风险预测方法、装置及存储介质 |
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 |
WO2023190348A1 (ja) * | 2022-03-29 | 2023-10-05 | 株式会社カネカ | 予測システム、予測装置、および予測方法 |
CN115984305A (zh) * | 2022-12-30 | 2023-04-18 | 杭州脉流科技有限公司 | 颅内动脉瘤血管模型的生成方法和计算机可读存储介质 |
Non-Patent Citations (1)
Title |
---|
Complementary Roles of Dynamic Contrast-Enhanced MR Imaging and Postcontrast Vessel Wall Imaging in Detecting High-Risk Intracranial Aneurysms;Qi, H etal;《AMERICAN JOURNAL OF NEURORADIOLOGY》;20190328;第40卷(第3期);490-496 * |
Also Published As
Publication number | Publication date |
---|---|
CN117438092A (zh) | 2024-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9984465B1 (en) | Method and system for analyzing blood flow condition | |
CN110168613B (zh) | 用于使用降阶模型和机器学习估计血流特性的系统和方法 | |
US9830427B2 (en) | Method for intracranial aneurysm analysis and endovascular intervention planning | |
CN106887000B (zh) | 医学图像的网格化处理方法及其系统 | |
US11127138B2 (en) | Automatic detection and quantification of the aorta from medical images | |
US20100130878A1 (en) | Systems, apparatus and processes for automated blood flow assessment of vasculature | |
US20080137921A1 (en) | Analyzing lesions in a medical digital image | |
US10861158B2 (en) | Method and system for acquiring status of strain and stress of a vessel wall | |
Villa-Uriol et al. | Toward integrated management of cerebral aneurysms | |
US20230310085A1 (en) | Systems and methods for estimation of blood flow using response surface and reduced order modeling | |
US11600379B2 (en) | Systems and methods for generating classifying and quantitative analysis reports of aneurysms from medical image data | |
US11152122B2 (en) | System and method for evaluating vascular risks | |
Gharleghi et al. | Deep learning for time averaged wall shear stress prediction in left main coronary bifurcations | |
CN112446867A (zh) | 血流参数的确定方法、装置、设备及存储介质 | |
CN116681716B (zh) | 颅内血管感兴趣区域分割方法、装置、设备和存储介质 | |
CN116503395B (zh) | 针对宽颈动脉瘤的形态学参数自动得到方法、装置和设备 | |
CN117438092B (zh) | 颅内动脉瘤破裂风险预测装置、计算机设备和存储介质 | |
CN116128895A (zh) | 医学图像分割方法、装置和计算机可读存储介质 | |
CN115546089A (zh) | 医学图像分割方法、病理图像处理方法、装置、设备 | |
CN114820480A (zh) | 动脉瘤类型识别方法、装置和计算机设备 | |
CN117830513A (zh) | 颅内感兴趣区域的血管三维模型生成方法、装置和设备 | |
CN116524003B (zh) | 获得分叉部动脉瘤形态学参数的方法和装置 | |
US20230237647A1 (en) | Ai driven longitudinal liver focal lesion analysis | |
US20230036757A1 (en) | Concurrent display of hemodynamic parameters and damaged brain tissue | |
Chlebiej et al. | Customizable tubular model for n-furcating blood vessels and its application to 3D reconstruction of the cerebrovascular system |
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 |