CN117838066B - Evar术后支架相关并发症风险预测方法和系统 - Google Patents
Evar术后支架相关并发症风险预测方法和系统 Download PDFInfo
- Publication number
- CN117838066B CN117838066B CN202410257031.9A CN202410257031A CN117838066B CN 117838066 B CN117838066 B CN 117838066B CN 202410257031 A CN202410257031 A CN 202410257031A CN 117838066 B CN117838066 B CN 117838066B
- Authority
- CN
- China
- Prior art keywords
- model
- complication
- related complication
- risk
- constructing
- 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
- 238000000034 method Methods 0.000 title claims abstract description 61
- 230000000004 hemodynamic effect Effects 0.000 claims abstract description 78
- 208000007474 aortic aneurysm Diseases 0.000 claims abstract description 58
- 230000017531 blood circulation Effects 0.000 claims abstract description 46
- 230000002980 postoperative effect Effects 0.000 claims abstract description 39
- 238000003709 image segmentation Methods 0.000 claims abstract description 29
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 28
- 238000005516 engineering process Methods 0.000 claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 13
- 239000012530 fluid Substances 0.000 claims abstract description 12
- 238000010801 machine learning Methods 0.000 claims abstract description 10
- 238000013058 risk prediction model Methods 0.000 claims description 16
- 238000013527 convolutional neural network Methods 0.000 claims description 13
- 238000003384 imaging method Methods 0.000 claims description 12
- 238000004088 simulation Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 230000009514 concussion Effects 0.000 claims description 8
- 238000002372 labelling Methods 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 239000008280 blood Substances 0.000 claims description 7
- 210000004369 blood Anatomy 0.000 claims description 7
- 230000020411 cell activation Effects 0.000 claims description 7
- 210000002889 endothelial cell Anatomy 0.000 claims description 7
- 230000003993 interaction Effects 0.000 claims description 7
- 230000008321 arterial blood flow Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000000877 morphologic effect Effects 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000010168 coupling process Methods 0.000 claims description 4
- 239000007787 solid Substances 0.000 claims description 4
- 230000006399 behavior Effects 0.000 claims description 3
- 238000011960 computer-aided design Methods 0.000 claims description 3
- 230000008878 coupling Effects 0.000 claims description 3
- 238000005859 coupling reaction Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000011156 evaluation Methods 0.000 abstract description 4
- 208000007536 Thrombosis Diseases 0.000 description 12
- 238000010968 computed tomography angiography Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 230000008439 repair process Effects 0.000 description 9
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 8
- 210000001367 artery Anatomy 0.000 description 7
- 230000008859 change Effects 0.000 description 7
- 201000010099 disease Diseases 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 206010002329 Aneurysm Diseases 0.000 description 6
- 208000031481 Pathologic Constriction Diseases 0.000 description 5
- 238000006073 displacement reaction Methods 0.000 description 5
- 230000036262 stenosis Effects 0.000 description 5
- 208000037804 stenosis Diseases 0.000 description 5
- 208000001750 Endoleak Diseases 0.000 description 4
- 206010028980 Neoplasm Diseases 0.000 description 4
- 206010064396 Stent-graft endoleak Diseases 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000007774 longterm Effects 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000009278 visceral effect Effects 0.000 description 4
- 210000003090 iliac artery Anatomy 0.000 description 3
- 210000003692 ilium Anatomy 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 201000002818 limb ischemia Diseases 0.000 description 3
- 238000004393 prognosis Methods 0.000 description 3
- 230000035882 stress Effects 0.000 description 3
- 238000001356 surgical procedure Methods 0.000 description 3
- 210000001835 viscera Anatomy 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000002224 dissection Methods 0.000 description 2
- 230000004907 flux Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 208000015181 infectious disease Diseases 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000007310 pathophysiology Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 208000025494 Aortic disease Diseases 0.000 description 1
- 102100033620 Calponin-1 Human genes 0.000 description 1
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 208000035473 Communicable disease Diseases 0.000 description 1
- 208000036828 Device occlusion Diseases 0.000 description 1
- 206010018852 Haematoma Diseases 0.000 description 1
- 101000945318 Homo sapiens Calponin-1 Proteins 0.000 description 1
- 206010022562 Intermittent claudication Diseases 0.000 description 1
- 201000008982 Thoracic Aortic Aneurysm Diseases 0.000 description 1
- 208000025865 Ulcer Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 238000004873 anchoring Methods 0.000 description 1
- 239000003146 anticoagulant agent Substances 0.000 description 1
- 229940127219 anticoagulant drug Drugs 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 208000024980 claudication Diseases 0.000 description 1
- 230000015271 coagulation Effects 0.000 description 1
- 238000005345 coagulation Methods 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000004064 dysfunction Effects 0.000 description 1
- 230000010102 embolization Effects 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 210000000987 immune system Anatomy 0.000 description 1
- 238000002513 implantation Methods 0.000 description 1
- 230000002458 infectious effect Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 230000003907 kidney function Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 210000001363 mesenteric artery superior Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 230000017074 necrotic cell death Effects 0.000 description 1
- 230000001613 neoplastic effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 210000002254 renal artery Anatomy 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 231100000397 ulcer Toxicity 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及EVAR术后支架相关并发症风险预测方法和系统，包括：基于机器学习算法，自动分割主动脉瘤目标区域图像，得到图像分割结果；通过三维影像重建技术构建血管三维几何模型，将图像分割结果输入血管三维几何模型，仿真EVAR术后血流特性，得到血流动力学参数；根据血流动力学参数与术后相关并发症风险之间的相关性，预测患者的相关并发症风险；是一套基于深度学习的人工智能结合计算流体力学的多科学交叉评估体系，可用于EVAR术前选择和术后风险预测，以指导康复、防范未然，及时发现风险等。
Description
技术领域
本发明涉及人工智能领域，特别是涉及一种EVAR术后支架相关并发症风险预测方法和系统。
背景技术
随着人民生活生活水平不断提高，社会老龄化进程加速，不良的生活方式随之增多，心血管疾病发病率逐年上升，是慢性病防控工作面临的巨大挑战之一。其中，主动脉瘤(Aortic Aneurysm，AA)是一种病情凶险、发病隐匿的主动脉疾病，AA 在65 岁以上人群中发病率高达 9%，一旦破裂其致死率可高达65%，是严重威胁老年人健康的一种疾病。
目前主动脉瘤腔内修复术（Endovascular aneurysm repair, EVAR）因其创伤小、恢复快，术后 30 天内并发症和死亡率均低于开放手术，现已成为治疗 AA 的首选方法。随着腔内微创治疗的理念普及，以及 EVAR 技术的进步，越来越多的在以往被视为解剖条件较为“复杂”的近肾、肾上主动脉瘤也采用了包括开窗动脉瘤腔内修复术（Fenestratedendovascular aortic repair，FEVAR）、分支动脉瘤腔内修复术（Branched endovascularaortic repair, BEVAR）或平行支架技术(Parallelendograft technique, PEGT)等改进型的 EVAR 方式进行治疗。虽然越来越多的患者在改进型的 EVAR 术后获益，但是这些EVAR 技术本身有其自身特点的缺陷尚无有效手段克服或预防，支架相关并发症如分支支架血栓形成或闭塞（Stent-graft Occlusion，SGO）所造成内脏器官/肢体缺血或支架内漏（Endoleak）等。远期来看，术后分支支架闭塞导致的器官/肢体缺血，是 EVAR 患者术后进行二次手术的重要原因之一。由于支架相关并发症的隐匿性，术后需要密切CT 血管造影（CTA）随访，及早发现潜在的并发症是提高患者远期生存率及治疗效率的关键。然而，对于接受 EVAR 治疗的老年患者人群，频繁 CTA 所导致患者放射暴露和肾功能损害问题不容忽视。
因此，如何提供一种切实可行的方法及早发现与预测EVAR 术后支架相关并发症，是该领域亟待解决的技术问题之一。
发明内容
为解决上述技术问题，本发明提供一种EVAR术后支架相关并发症风险预测方法，包括：
S1：基于机器学习算法，自动分割主动脉瘤目标区域图像，得到图像分割结果；
S2：通过三维影像重建技术构建血管三维几何模型，将图像分割结果输入血管三维几何模型，仿真EVAR术后血流特性，得到血流动力学参数；
S3：根据血流动力学参数与术后相关并发症风险之间的相关性，预测患者的相关并发症风险。
进一步地，步骤S1，包括：
S11：获取主动脉瘤患者影像学数据，构建样本集；
S12：对样本集进行人工标注，标定相关形态学数据，以训练卷积神经网络图像识别模型，得到训练后的图像识别模型；
S13：获取当前主动脉瘤患者影像学数据，输入图像识别模型，得到图像分割结果。
进一步地，步骤S2，包括：
S21：构建主动脉瘤的血流动力学数字模型；
S22：构建血管壁模型；
S23：将模型导入图像处理软件，模拟获得主动脉瘤的全心动周期动脉血流模型；
S24：在图像处理软件中，利用计算机辅助设计的方法在主动脉瘤模型基础上建立不同腔内治疗方法的治疗模型，并求解得到血流动力学参数。
进一步地，S21，具体为：将已处理分析的 3D 模型数据导入流体力学分析软件，依据解剖学特征和人体血液特点设立边界条件，结合有限元分析法，通过 Mimics 图像处理软件进行简化，综合使用三维阈值分割三维区域增长及部分二维手动图像编辑操作，初步构建主动脉瘤的血流动力学数字模型；
或/和，S22，具体为：运用 FLUENT /Geomagic Studio 9 图像处理软件进行流-固耦合计算，构建血管壁模型；
或/和，S23，具体为：模型的内表面对应于支架移植物的内表面，采用刚性壁面设定；采用流体结构相互作用的方法捕捉血流和支架移植物之间的相互作用，并分析所发生的应力和应变；将模型文件导入图像处理软件，设置应用参数，模拟获得主动脉瘤的全心动周期动脉血流模型；
或/和，S24中，动力学参数，包括：血流速度、时均壁面剪切力、血流震荡指数、相对滞留时间、内皮细胞激活潜力和血流螺旋强度的任意一个或多个。
进一步地，血流动力学参数，包括：正向参数和负向参数，采用公式（1），计算相关并发症风险值：
（1）
其中，C表示相关并发症风险值，表示第/>个正向参数的参数值，/>表示第/>个正向参数的权重系数；/>表示b个负向参数的参数值，/>表示第/>个负向参数的权重系数；/>表示正向参数的数量，/>表示负向参数的数量；
或，根据正向参数是否高于高设定阈值，或负向参数是否低于负设定阈值，判定相关并发症等级；
或，基于神经网络方法，构建反映血流动力学参数与术后相关并发症风险之间相关性的预测模型，以根据当前患者的血流动力学参数，预测其相关并发症风险。
进一步地，预测模型为：双通道预测模型：第一通道，基于非监督式学习而构建，以患者血流动力学参数为输入，相关并发症概率为输出；第二通道，基于监督式学习而构建，以患者血流动力学参数为输入，相关并发症相似度为输出。
进一步地，第一通道，基于非监督式学习而构建，包括：
通过非监督式学习方法，构建以患者血流动力学参数为输入，相关并发症概率为输出的潜在未知相关并发症风险预测模型；
将已发生相关并发症事实的先前患者的血流动力学参数，构建历史行为数据集，以此训练潜在未知相关并发症风险预测模型，提取相关并发症规律的可能性，输出相关并发症概率；
或/和，第二通道，基于监督式学习而构建，包括：
通过监督式学习方法，构建以患者血流动力学参数为输入，相关并发症相似度为输出的已知相关并发症风险预测模型；
将未发生相关并发症事实和已发生相关并发症事实的先前患者的血流动力学参数，进行标注，构建样本集，以此训练已知相关并发症风险预测模型，提取各类别的相似性，输出相关并发症相似度。
进一步地，预测模块中，相关并发症风险，具体为：
若相关并发症概率和相关并发症相似度，均大于对应设定阈值，则判定相关并发症风险等级为高；
若相关并发症概率和相关并发症相似度，均小于对应设定阈值，则判定相关并发症风险等级为低；
若相关并发症概率和相关并发症相似度，其一大于对应设定阈值，另一小于对应设定阈值，则判定相关并发症风险等级为待定。
进一步地，若相关并发症风险等级为待定，则根据公式（2）计算相关并发症风险综合值；
若相关并发症风险综合值大于对应设定阈值，则判定相关并发症风险等级为高；
若相关并发症风险综合值小于对应设定阈值，则判定相关并发症风险等级为低；
（2）
其中，P为相关并发症风险；分别为相关并发症概率和相关并发症相似度；分别为相关并发症概率和相关并发症相似度的权重。
另一方面，本发明还提供一种EVAR术后支架相关并发症风险预测系统，包括：
图像分割模块，用于基于机器学习算法，自动分割主动脉瘤目标区域图像，得到图像分割结果；
仿真模块，用于通过三维影像重建技术构建血管三维几何模型，将图像分割结果输入血管三维几何模型，仿真EVAR术后血流特性，得到血流动力学参数；
预测模块，用于根据血流动力学参数与术后相关并发症风险之间的相关性，预测患者的相关并发症风险。
本发明提供一种EVAR术后支架相关并发症风险预测方法和系统，是一套基于深度学习的人工智能结合计算流体力学的多科学交叉评估体系。第一方面，由于传统人工分割处理图像非常耗时费力，不具备临床应用型，因此建立一套基于机器学习算法的自动分割方式，通过深度学习算法快速识别影像数据，得到图像分割结果；第二方面，基于三维影像重建和计算流体技术，将自动化处理后标准化的图像分割结果，即影像数据导入个体化的三维几何模型，得到该患者对应的血流动力学参数；第三方面探究支架相关并发症的特异性血流动力参数和病理生理学机制，最终形成 EVAR 术后风险预测方法，以评估术后相关并发症的风险，综合评估 EVAR 术后的再干预风险与预后转归，以期做到并发症的及早发现与及早治疗，使接受 EVAR 手术的主动脉瘤患者，获得更好的远期获益。区别于传统 CTA影像学评估 EVAR 术后主动脉瘤的管腔变化变化、内脏分支动脉的血流变化、髂支的通畅性等研究方法需要耗费大量的人工费时费力，该方案三方面提高其预测效率和准确性。
附图说明
图1为本发明EVAR术后支架相关并发症风险预测方法的一个实施例流程图；
图2为样本集中一个样本的示意图；
图3为样本集中另一个样本的示意图；
图4为样本集中另一个样本的示意图；
图5为图像分割子图的一个实施例的示意图；
图6为血管三维几何模型的一个实施例的示意图；
图7为血流动力学参数中壁面剪切力云图；
图8为血流动力学参数中瘤体内速度流线图；
图9为血流动力学参数中速度流线图；
图10为血流动力学参数中速度矢量图；
图11为血流动力学参数中速度云图；
图12为血流动力学参数中压力云图；
图13为血流动力学参数中壁面剪切力图；
图14为血流动力学参数中流速流线图；
图15为血流动力学参数中流速矢量图；
图16为血流动力学参数中壁面剪切力云图；
图17为血流动力学参数中夹层内速度流线图；
图18为血流动力学参数中夹层破口出速度矢量图。
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的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明，若本发明实施例中有涉及方向性指示，诸如上、下、左、右、前、后……，则该方向性指示仅用于解释在某一特定姿态下，各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。另外，若本发明实施例中有涉及“第一、第二”、“S1、S2”、“步骤一、步骤二”等的描述，则该类描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量或者表明方法的执行顺序等，本领域技术人员可以理解的凡是在发明技术构思下，不违背其发明要点的，都应该列入本发明的保护范围。
如图1 所示，本发明提供一种EVAR术后支架相关并发症风险预测方法，包括：
S1：基于机器学习算法，自动分割主动脉瘤目标区域图像，得到图像分割结果；具体的，该机器学习算法可采用图像分割的任意结构形式，通过神经网络模型训练，以得到当前患者的图像分割结果。优选的，可选但不仅限于包括：
S11：获取主动脉瘤患者影像学数据，如图2-4所示，构建样本集；
S12：对样本集进行人工标注，标定相关形态学数据，以训练卷积神经网络图像识别模型（CNN），得到训练后的图像识别模型；
S13：获取当前主动脉瘤患者影像学数据，输入图像识别模型，得到图像分割结果。
具体的，可选但不仅限于采用双向队列研究：
步骤S11中，可选但不仅限于，回顾性部分获取128 例接受主动脉瘤腔内修复术治疗（EVAR）的主动脉瘤（AA）患者，回顾性分析主动脉瘤患者的临床及影像学资料，构建样本集；其中 80 例纳入训练数据集，48 例纳入验证集；更为具体的，该影像学资料，可选但不仅限于为原始 CTA 或 MRA 图像以 DICOM（Digitalimaging and Communications inMedicine）格式的扫描图像文件。更为具体的，还可选但不仅限于对其进行预处理，示例的，可选但不仅限于包括：标准化（图像标注化、体素大小标准化、立体像素值标准化），移走工作台和未加工区域、调整图像大小、图像增强、得到512*512切片图像、下采样得到128*128*256图像等，得到图像分割子图，如图5所示。
更为具体的，为进一步完善后续步骤的预测和验证，
1、该样本集中数据的纳入标准，可选但不仅限于包括：
a) 确诊主动脉瘤（有症状未破裂，AA最大直径≥4.0 cm或无症状AA最大直径≥5.0 cm；包括肾下/近肾/旁肾主动脉瘤）
b) 胸主动脉瘤(Crawford V和VI型)；
c) 接受择期EVAR手术治疗（包括但不限于开窗支架（fEVAR），分支支架（bEVAR）、平行支架技术（PSG）、台上改装的覆膜支架系统（PMSGs））；
d) 至少接受一支分支动脉的腔内重建术（双侧肾动脉、肠系膜上动脉、腔干动脉以及髂内动脉），伴或不伴有接受其它腔内辅助技术（裸支架结合弹簧栓塞术、覆膜支架植入术）
e) 术前和术后3月、6月和1年均需完整主动脉CTA或MRA影像数据，且获取数据的检查具有一致性；
f) 随访时间至少1年。
2、该样本集中数据的排除标准，可选但不仅限于包括：
a) 确诊合并免疫系统或遗传家族性主动脉瘤疾病；
b) 确诊活动性感染疾病或感染性动脉瘤；
c) 主动脉壁间血肿/夹层及穿透性溃疡等非典型主动瘤样疾病；
d) 破裂主动脉瘤
e) 血液系统疾病/凝血功能异常的基因表达/术前或术后1年内使用抗凝血药物
f) 合并内脏动脉动脉瘤/夹层/狭窄
g) 多层裸支架治疗的主动脉瘤
h) 开放式手术修复的主动脉瘤
3、观察参数和随访计划
观察参数：
首要结局参数为：1.出现支架相关并发症（覆膜支架移植物内漏、闭塞、血栓形成或移位断裂）；2.未出现支架相关并发症。
次要结局参数为：1.主动脉瘤类型；2.瘤颈角度及受累内脏分支个数；3.EVAR手术具体手术分型；4.分支支架并发症类型和内漏分型；5.瘤体是否持续增大。
4、流体力学分析参数，可选但不仅限于包括：血流速度、时均壁面剪切力（TAWSS）、血流震荡指数(OSI)、相对滞留时间（RRT）、内皮细胞激活潜力(ECAP)和血流螺旋强度h等。流体力学部分将与临床预后部分结合，分析流体力学参数与支架移植物内漏、狭窄、血栓形成、闭塞之间的对应关系即EVAR术后不同支架移植物节段的血流特征（如压力、剪切力、涡流、脉搏陡峭度、血流峰线和速度、管壁位移）与相关并发症之间的关系。
随访计划
监测时间点：分别为术前基线状态、术后3月、6月、12月分别采集CTA/MRA/DSA影像及相关临床实验室检查采评估EVAR术后。
步骤S12，采用人工分割的手段，可选但不仅限于标定瘤腔、支架移植物、内脏动脉分支支架和髂支的容积；颈部长度；颈部直径；肾上角和肾下角；主动脉长度；左右髂骨长度；左右髂骨直径；颈部直径与右髂动脉直径；以及颈部直径与左髂动脉直径等的任意一个或多个形态学数据，用以训练卷积神经网络图像识别模型（CNN），再通过验证集，以验证CNN 模型识别 EVAR 术后形态学识别的准确性和匹配度，不断优化更新CNN模型的参数，得到训练后的CNN模型。更为优选的，可选但不仅限于采用循序渐进的方法，依次以 CNN1（单任务模型）—CNN2（多任务模型）—CNN3（系列多任务模型）训练深度学习图像识别算法，得到训练后的CNN模型，进行后续图像分割。
步骤S13，可选但不仅限于在前瞻性部分，使用已训练成熟的 CNN 模型自动分割和处理 40 例 AA 患者的 CTA 或 MRA 数据，后续将前瞻性部分的数据用于校正和检验流体力学预测模型对 EVAR 并发症发生的准确性。回顾性与前瞻性队列均依据 EVAR 手术方式不同进行适当分组（共计纳入 168 例），根据分组不同对患者进行术后至少 1 年的定期随访，对各组患者进行术前、术后血管容积、支架或血栓容积等容积通量的影像学检测，建立 EVAR 术后支架移植物与管腔形态学随时间梯度的变化趋势影像数据档案，以预测和验证本发明相关并发症风险预测方法的准确性。
S2：通过三维影像重建技术构建血管三维几何模型，将图像分割结果输入血管三维几何模型，仿真EVAR术后血流特性，得到血流动力学参数。
具体的，可选但不仅限于通过三维影像重建技术构建真实的血管三维几何模型，如图6所示，然后利用流-固耦合的方法（指当血液在动脉血管中流动时，流体压力使血管产生变形，而血管的变形又反过来影响血液流动的特性）从患者个体化病例参数，对EVAR术后复杂血管内的血流特性进行仿真研究。通过图像处理技术、CAD重建手段、计算流体力学方法和放射影像学技术（MRA或CTA），建立EVAR的计算机仿真模型，模拟管道内的流动形态细节和分析壁面剪切力、壁面压力、血管壁位移和能量损失等，得到血流动力学参数；示例的，如图7-18所示。
更为具体的，步骤S2，可选但不仅限于包括：
S21：构建主动脉瘤的血流动力学数字模型；具体的，可选但不仅限于，将已处理分析的 3D 模型数据导入流体力学分析软件（ANSYS FLUENT），依据解剖学特征和人体血液特点设立边界条件，结合有限元分析法，通过 Mimics 图像处理软件进行简化，综合使用三维阈值分割三维区域增长及部分二维手动图像编辑操作，初步构建主动脉瘤的血流动力学数字模型；
S22：构建血管壁模型。具体的，可选但不仅限于，运用 FLUENT /Geomagic Studio9 图像处理软件进行流-固耦合计算（设定血液为粘性的不可压缩的牛顿流体，其流动为层流，血管壁具有弹性并与管腔内血液之间存在力学相互作用），构建血管壁模型；
S23：将模型导入图像处理软件，如：ANSYS Workbench图像处理软件，模拟获得主动脉瘤的全心动周期动脉血流模型；具体的：模型的内表面对应于支架移植物的内表面，采用刚性壁面设定；采用流体结构相互作用（FSI）的方法捕捉血流和支架移植物之间的相互作用，并分析所发生的应力和应变；将模型文件导入图像处理软件，设置应用参数，模拟获得主动脉瘤的全心动周期动脉血流模型；
S24：在ANSYS Workbench 图像处理软件中，利用计算机辅助设计的方法在主动脉瘤模型基础上建立不同腔内治疗方法的治疗模型，并求解得到血流动力学参数。
优选的，该血流动力学参数，可选但不仅限于包括：血流速度、时均壁面剪切力（TAWSS）、血流震荡指数(OSI)、相对滞留时间（RRT）、内皮细胞激活潜力(ECAP)和血流螺旋强度 h 等。分析参数与支架移植物狭窄、血栓形成、闭塞之间的关系：EVAR 术后不同支架移植物节段的血流特征（如压力、剪切力、涡流、脉搏陡峭度、血流峰线和速度、管壁位移）与相关并发症之间的关系。
S3：根据血流动力学参数与术后相关并发症风险之间相关性，预测当前患者的相关并发症风险。
优选的，血流动力学参数，可选但不仅限于包括：血流速度、时均壁面剪切力（TAWSS）、血流震荡指数(OSI)、相对滞留时间（RRT）、内皮细胞激活潜力(ECAP)和血流螺旋强度 h等，可选但不仅限于基于原则：低流速、低TAWSS、高OSI、高RRT等一系列特异性血流动力学参数改变时，提示分支动脉内覆膜支架移植物有较高的血栓形成和闭塞风险，预测当前患者的相关并发症风险。
值得注意的，该血流动力学参数的具体示例，仅为示例说明，但并不以此为限，可选但不仅限于包括：正向参数和负向参数，以高值导致相关并发症的参数为正向参数，如高OSI、高RRT，以低值导致相关并发症的参数为负向参数，如低流速、低TAWSS，采用公式（1），计算相关并发症风险，（1）
（1）
其中，C表示相关并发症风险，表示第/>个正向参数的参数值，/>表示第/>个正向参数的权重系数；/>表示b个负向参数的参数值，/>表示第/>个负向参数的权重系数；/>表示正向参数的数量，/>表示负向参数的数量。在相关并发症风险，高于高设定阈值时，判定为高风险，在相关并发症风险，小于低设定阈值时，判定为低风险；在相关并发症风险，不小于低设定阈值，也不高于高设定阈值时，判定为中风险。
在另一个优选实施例中，血流动力学参数包括：正向参数和负向参数，根据正向参数是否高于高设定阈值，或负向参数是否低于负设定阈值，判定相关并发症等级。
在另一个优选实施例中，可选但不仅限于基于神经网络方法，构建反映血流动力学参数与术后相关并发症风险之间相关性的预测模型，以根据当前患者的血流动力学参数，预测其相关并发症风险。
具体的，该预测模型的具体结构，可采用现有技术的任意方式，其着重点在于构建血流动力学参数与术后相关并发症风险的相关性，为患者的术前选择、术后康复、后期保养、定期回诊等提供坚实依据和保障，以便开展恰当的术前选择、康复计划、做到提前预防、及时预警，以降低患者相关并发症风险，为病人及其家属造福。
在一个优选实施例中，预测模型，可选但不仅限于为：双通道预测模型：第一通道，基于非监督式学习而构建，以患者血流动力学参数为输入，相关并发症概率为输出；第二通道，基于监督式学习而构建，以患者血流动力学参数为输入，相关并发症相似度为输出。
具体的，A：第一通道，基于非监督式学习而构建，包括：
A1：通过非监督式学习方法，构建以患者血流动力学参数为输入，相关并发症概率为输出的潜在未知相关并发症风险预测模型；
具体的，该潜在未知相关并发症风险预测模型，可选但不仅限于采用任意形式的预测模型结构而构建。优选的，包括p层(水平方向)，每层包括q个神经元(竖直方向)，并对应每个神经元配置权重系数和偏置项系数，表征患者血流动力学参数。优选的，血流动力学参数，可选但不仅限于包括：血流速度、时均壁面剪切力（TAWSS）、血流震荡指数(OSI)、相对滞留时间（RRT）、内皮细胞激活潜力(ECAP)和血流螺旋强度 h等。示例的，潜在未知相关并发症风险预测模型，包括4层，每层代表患者的血流速度、时均壁面剪切力（TAWSS）、血流震荡指数(OSI)、相对滞留时间（RRT），每层包括q个神经元，具体为每层数据的元素个数，代表该层数据的特征。更为具体的，可选但不仅限于以Lij表示第i个隐藏层的第j个神经元的输出，以Wijk对应Lij的权重系数，以bijk对应Lij的偏置项系数。其中，i、j、k均为正整数，1≤i≤p，1≤j≤q，1≤k≤ri，其中，k为当前第i个隐藏层前一层第k个元素输出对应的系数，ri为第i个隐藏层前一层的元素总个数。更为具体的，预测模型中的激活函数，可选但不仅限于为sigmod函数。
A2：模型训练步骤：
具体的，可选但不仅限于根据医疗系统数据或经过调查问卷统计，示例的步骤S11中构建的样本集，将已发生相关并发症事实的先前患者的血流动力学参数，构建历史行为数据集，以此训练潜在未知相关并发症风险预测模型，提取相关并发症规律的可能性，输出相关并发症概率；
更为具体的，相关并发症概率，可选但不仅限于用概率值m表示，并可选但不仅限于对其设定范围取值，以判断该相关并发症的风险等级。示例的，可选但不仅限于将概率值m分为若干等级，如低相关并发症概率、中相关并发症概率、高相关并发症概率等，该等级的具体数量、每个等级的具体阈值划分情况可根据实际情况而任意设定。更为具体的，还可选但不仅限于将某个或某几个级别的相关并发症概率，视为预警概率，如将高相关并发症概率视为预警概率，触发预警模块、重点关注，或进行二次手术。
B：第二通道，基于监督式学习而构建，包括：
B1：通过监督式学习方法，构建以患者血流动力学参数为输入，相关并发症相似度为输出的已知相关并发症风险预测模型。具体的，该已知相关并发症风险预测模型，可选但不仅限于采用任意形式的预测模型方法。优选的，包括输入层、多层卷积层、融合层和输出层；从上而下、从下而上提取患者的血流动力学参数，通过特征融合，以输出患者的相关并发症相似度。
B2：模型训练步骤：
同样的，可选但不仅限于将未发生相关并发症事实和已发生相关并发症事实的先前患者的血流动力学参数，进行标注，构建样本集，以此训练已知相关并发症风险预测模型，提取各类别的相似性，输出相关并发症相似度；
具体的，该标注，可选但不仅限于包括：患者未发生相关并发症、支架移植物狭窄、血栓形成、闭塞等，该标签可选但不仅限于用数值表示，如用0-3表示上述四种情况；后面三种情况，可统称为患者发生相关并发症，根据预设权重，求和表示这三种情况的患病相似度；也可分别输出各种情况的相似度。
更为具体的，可选但不仅限于将样本集的一部分作为训练集，另一部分作为验证集；示例的，可选但不仅限于按照8:2分为两组，该分组比例可由本领域技术人员而任意设定，其中的4/5用来进行模型训练，剩余的1/5对模型评估效果进行验证，经过反复修改模型后生成最终的效果满足要求的已知相关并发症风险预测模型。
更为具体的，该相关并发症特征相似度，可选但不仅限于用相似度值n表示。与概率值m相同的，可对相似度值n设定范围取值，以判断患者的相关并发症风险等级。同样的，可选但不将相似度值n分为若干等级，如低相关并发症特征相似度、中相关并发症特征相似度、高相关并发症特征相似度等，该等级的具体数量、每个等级的具体阈值划分情况可根据实际情况而任意设定。更为具体的，还可选但不仅限于将某个或某几个级别的相关并发症特征相似度，视为预警相似度，如将高相关并发症特征相似度视为预警相似度，触发预警模块，进行二次手术。
在该实施例中，给出了预测模型的一个优选实施例，其基于两个层面，第一通道基于非监督式学习而构建，根据患者血流动力学参数，提取其与相关并发症概率之间的非线性关系；第二通道基于监督式学习，根据患者血流动力学参数，提取其与相关并发症相似度之间的非线性关系；通过相关并发症概率和相关并发症相似度，共同反映相关并发症风险，能进一步提高该预测模型的预测准确性。
更为优选的，由于预测模型，采用双通道预测模型而构建，输出相关并发症概率和相关并发症相似度，共同表征相关并发症风险；优选的，预测模块中，该相关并发症风险，可选但不仅限于为：
若相关并发症概率和相关并发症相似度，均大于对应设定阈值，则判定相关并发症风险等级为高；
若相关并发症概率和相关并发症相似度，均小于对应设定阈值，则判定相关并发症风险等级为低；
若相关并发症概率和相关并发症相似度，其一大于对应设定阈值，另一小于对应设定阈值，则根据公式（2）计算相关并发症风险综合值，若相关并发症风险综合值大于对应设定阈值，则判定相关并发症风险等级为高；若相关并发症风险综合值小于对应设定阈值，则判定相关并发症风险等级为低；具体的，该设定阈值，可由本领域技术人员任意设定；该相关并发症概率、相关并发症相似度的设定阈值，可相同，也可各自独立设定为不同。
（2）
其中，P为相关并发症风险；分别为相关并发症概率和相关并发症相似度。优选的，可选但不仅限于先进行归一化处理，再代入公式计算相关并发症风险，以提高评估精确度；/>分别为相关并发症概率和相关并发症相似度的权重。在该实施例中，给出了根据相关并发症概率和相关并发症相似度，具体如何判定相关并发症风险的一个优选实施例，但并不以此为限，该预测模型的关键在于从规律的可能性——患病概率；和患病的相似性——患病相似度；两个角度出发，共同表征相关并发症风险。
更为优选的，血流动力学参数与术后相关并发症风险之间相关性，可选但不仅限于基于原则：低流速、低TAWSS、高OSI、高RRT等一系列特异性血流动力学参数改变时，提示分支动脉内覆膜支架移植物有较高的血栓形成和闭塞风险。优选表示为：低流速、低TAWSS、高OSI、高RRT的任意一个或多个参数发生时，表示术后相关并发症风险高。示例的，可选但不仅限于表示为：
综上，本发明提供一种EVAR术后支架相关并发症风险预测方法，是一套基于深度学习的人工智能结合计算流体力学的多科学交叉评估体系。第一方面，由于传统人工分割处理图像非常耗时费力，不具备临床应用型，因此建立一套基于机器学习算法的自动分割方式，通过深度学习算法快速识别影像数据，得到图像分割结果；第二方面，基于三维影像重建和计算流体技术，将自动化处理后标准化的图像分割结果，即影像数据导入个体化的三维几何模型，得到该患者对应的血流动力学参数；第三方面探究支架相关并发症的特异性血流动力参数和病理生理学机制，最终形成 EVAR 术后风险预测方法，以评估术后相关并发症的风险，综合评估 EVAR 术后的再干预风险与预后转归，以期做到并发症的及早发现与及早治疗，使接受 EVAR 手术的主动脉瘤患者，获得更好的远期获益。区别于传统 CTA影像学评估 EVAR 术后主动脉瘤的管腔变化变化、内脏分支动脉的血流变化、髂支的通畅性等研究方法需要耗费大量的人工费时费力，该方案三方面提高其预测效率和准确性。
优选的，该方法，可选但不仅限于用于术前方案选择以及术后风险评估和预测。术前，可行的主动脉瘤腔内治疗术几何实验数字模拟系统，可选但不仅限于包括开窗支架技术（fEVAR）、分支支架技术（bEVAR）、平行支架技术（PSG）、台上改装的覆膜支架系统（PMSGs））等，采用本发明的术后支架相关并发症风险预测方法，可预先预测、对比分析多种改进型的主动脉瘤腔内修复术式，在 EVAR 术后结合流体力学分析结果，探究多种 EVAR改进治疗方式之间的差异，寻求能够显著降低现行支架隔绝术后由分支支架血栓形成/闭塞所导致的内脏器官/肢体缺血；髂支闭塞导致的臀肌跛行/坏死，动脉瘤扩张等 EVAR 术后支架相关并发症风险的有效改进措施；尤其是运用 CTA 影像血管容积通量和计算流体力学仿真模拟等方法检测不同技术处理方式下主动脉瘤受累分支血管通畅性、支架移植物血栓化程度、支架移植物受到的血流动力学作用、主动脉瘤体的变化，从临床症状学、影像形态学和血流动力学多方面评估不同术式对于改善 EVAR 后支架相关并发症的疗效提前评估各方案的术后情况，探讨几种腔内技术治疗后在体血管心动周期内脉动流体分布的力学特征，如：血流速度、时均壁面剪切力（TAWSS）、血流震荡指数(OSI)、相对滞留时间（RRT）、内皮细胞激活潜力(ECAP)和血流螺旋强度 h等，并比较不同处理技术的血流动力学参数变化，评估当前诊疗方案的合理性，以恰当的选择合理的手术方案，如：术中每个患者个体性的支架选择、手术方式和手术锚定位置等，因为这些选择都会影响术后的支架构型和血流动力学环境，覆膜支架植入人体后，血管与支架间的壁面应力会变得复杂，这些复杂的流体力学改变将导致更加复杂生物力学改变，并最终导致支架的塌陷、狭窄、血栓形成和闭塞，导致手术失败；在血流动力学影响下也可能发生内漏、位移、断裂、脱落等问题，进一步引起术后 AA 再扩张、破裂以及分支支架血栓、闭塞的风险。
术后，跟踪获取术后影像图像，如手术后、3个月、6个月、9个月等，采用本发明的术后支架相关并发症风险预测方法，实时预测其并发症风险，以提前干预和治疗，防患于未然，为患者及其家属提供更到位的康复计划，最终形成 EVAR 术后风险预测和干预评估。
另一方面，本发明还提供一种EVAR术后支架相关并发症风险预测系统，用于实现上述任意的方法，包括：
图像分割模块，用于基于机器学习算法，自动分割主动脉瘤目标区域图像，得到图像分割结果；
仿真模块，用于通过三维影像重建技术构建血管三维几何模型，将图像分割结果输入血管三维几何模型，仿真EVAR术后血流特性，得到血流动力学参数；
预测模块，用于根据血流动力学参数与术后相关并发症风险之间的相关性，预测患者的相关并发症风险。
值得注意的，该EVAR术后支架相关并发症风险预测系统基于上述EVAR术后支架相关并发症风险预测方法而构建，其技术特征的组合和技术效果，在此不再赘述，该系统以实现上述预测方法。以上所述实施例仅表达了本发明的几种实施方式，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，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (7)
1.一种EVAR术后支架相关并发症风险预测方法，其特征在于，包括：
S1：基于机器学习算法，自动分割主动脉瘤目标区域图像，得到图像分割结果；
S2：通过三维影像重建技术构建血管三维几何模型，将图像分割结果输入血管三维几何模型，仿真EVAR术后血流特性，得到血流动力学参数；
S3：基于神经网络方法，构建反映血流动力学参数与术后相关并发症风险之间相关性的预测模型，以根据当前患者的血流动力学参数，预测其相关并发症风险；具体预测模型为：双通道预测模型：
第一通道，基于非监督式学习而构建，以患者血流动力学参数为输入，相关并发症概率为输出；
第二通道，基于监督式学习而构建，以患者血流动力学参数为输入，相关并发症相似度为输出；
若相关并发症概率和相关并发症相似度，均大于对应设定阈值，则判定相关并发症风险等级为高；
若相关并发症概率和相关并发症相似度，均小于对应设定阈值，则判定相关并发症风险等级为低；
若相关并发症概率和相关并发症相似度，其一大于对应设定阈值，另一小于对应设定阈值，则判定相关并发症风险等级为待定。
2.根据权利要求1所述的方法，其特征在于，步骤S1，包括：
S11：获取主动脉瘤患者影像学数据，构建样本集；
S12：对样本集进行人工标注，标定相关形态学数据，以训练卷积神经网络图像识别模型，得到训练后的图像识别模型；
S13：获取当前主动脉瘤患者影像学数据，输入图像识别模型，得到图像分割结果。
3.根据权利要求1所述的方法，其特征在于，步骤S2，包括：
S21：构建主动脉瘤的血流动力学数字模型；
S22：构建血管壁模型；
S23：将模型导入图像处理软件，模拟获得主动脉瘤的全心动周期动脉血流模型；
S24：在图像处理软件中，利用计算机辅助设计的方法在主动脉瘤模型基础上建立不同腔内治疗方法的治疗模型，并求解得到血流动力学参数。
4.根据权利要求3所述的方法，其特征在于，
S21，具体为：将已处理分析的 3D 模型数据导入流体力学分析软件，依据解剖学特征和人体血液特点设立边界条件，结合有限元分析法，通过 Mimics 图像处理软件进行简化，综合使用三维阈值分割三维区域增长及部分二维手动图像编辑操作，初步构建主动脉瘤的血流动力学数字模型；
或/和，S22，具体为：运用 FLUENT /Geomagic Studio 9 图像处理软件进行流-固耦合计算，构建血管壁模型；
或/和，S23，具体为：模型的内表面对应于支架移植物的内表面，采用刚性壁面设定；采用流体结构相互作用的方法捕捉血流和支架移植物之间的相互作用，并分析所发生的应力和应变；将模型文件导入图像处理软件，设置应用参数，模拟获得主动脉瘤的全心动周期动脉血流模型；
或/和，S24中，动力学参数，包括：血流速度、时均壁面剪切力、血流震荡指数、相对滞留时间、内皮细胞激活潜力和血流螺旋强度的任意一个或多个。
5.根据权利要求1-4任意一项所述的方法，其特征在于，
第一通道，基于非监督式学习而构建，包括：
通过非监督式学习方法，构建以患者血流动力学参数为输入，相关并发症概率为输出的潜在未知相关并发症风险预测模型；
将已发生相关并发症事实的先前患者的血流动力学参数，构建历史行为数据集，以此训练潜在未知相关并发症风险预测模型，提取相关并发症规律的可能性，输出相关并发症概率；
或/和，第二通道，基于监督式学习而构建，包括：
通过监督式学习方法，构建以患者血流动力学参数为输入，相关并发症相似度为输出的已知相关并发症风险预测模型；
将未发生相关并发症事实和已发生相关并发症事实的先前患者的血流动力学参数，进行标注，构建样本集，以此训练已知相关并发症风险预测模型，提取各类别的相似性，输出相关并发症相似度。
6.根据权利要求5所述的方法，其特征在于，若相关并发症风险等级为待定，则根据公式（2）计算相关并发症风险综合值；
若相关并发症风险综合值大于对应设定阈值，则判定相关并发症风险等级为高；
若相关并发症风险综合值小于对应设定阈值，则判定相关并发症风险等级为低；
（2）
其中，P为相关并发症风险；分别为相关并发症概率和相关并发症相似度；分别为相关并发症概率和相关并发症相似度的权重。
7.一种EVAR术后支架相关并发症风险预测系统，其特征在于，用于实现权利要求1-6任意一项所述的风险预测方法，包括：
图像分割模块，用于基于机器学习算法，自动分割主动脉瘤目标区域图像，得到图像分割结果；
仿真模块，用于通过三维影像重建技术构建血管三维几何模型，将图像分割结果输入血管三维几何模型，仿真EVAR术后血流特性，得到血流动力学参数；
预测模块，用于基于神经网络方法，构建反映血流动力学参数与术后相关并发症风险之间相关性的预测模型，以根据当前患者的血流动力学参数，预测其相关并发症风险。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410257031.9A CN117838066B (zh) | 2024-03-07 | 2024-03-07 | Evar术后支架相关并发症风险预测方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410257031.9A CN117838066B (zh) | 2024-03-07 | 2024-03-07 | Evar术后支架相关并发症风险预测方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117838066A CN117838066A (zh) | 2024-04-09 |
| CN117838066B true CN117838066B (zh) | 2024-05-17 |
Family
ID=90546853
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410257031.9A Active CN117838066B (zh) | 2024-03-07 | 2024-03-07 | Evar术后支架相关并发症风险预测方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117838066B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112617770A (zh) * | 2020-12-28 | 2021-04-09 | 首都医科大学附属北京天坛医院 | 基于人工智能的颅内动脉瘤风险预测方法及相关装置 |
| CN113538463A (zh) * | 2021-07-22 | 2021-10-22 | 强联智创（北京）科技有限公司 | 一种动脉瘤分割方法、装置以及设备 |
| RU2768150C1 (ru) * | 2020-12-14 | 2022-03-23 | Федеральное государственное бюджетное образовательное учреждение высшего образования «Тамбовский государственный технический университет» (ФГБОУ ВО «ТГТУ») | Способ оценки факторов риска разрыва церебральной аневризмы после установки потоконаправляющего стента |
| CN115222674A (zh) * | 2022-07-01 | 2022-10-21 | 天津大学 | 基于多维特征融合的颅内动脉瘤破裂风险的检测装置 |
| CN116188336A (zh) * | 2023-04-17 | 2023-05-30 | 柏意慧心(杭州)网络科技有限公司 | 基于血管造影的心肌病形态学计算方法、装置及存储介质 |
| CN116919374A (zh) * | 2023-07-19 | 2023-10-24 | 西安交通大学 | 颅内动脉瘤及载瘤动脉内血流动力学参数评估方法及系统 |
| CN117012395A (zh) * | 2023-08-04 | 2023-11-07 | 浙江大学 | 一种主动脉夹层的血流动力学参数计算方法和系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10575822B2 (en) * | 2014-01-10 | 2020-03-03 | Philips Image Guided Therapy Corporation | Detecting endoleaks associated with aneurysm repair |
| KR20210013557A (ko) * | 2018-05-18 | 2021-02-04 | 내셔널 유니버시티 오브 아일랜드, 갈웨이 | 신체 루멘의 박리 장치 |
-
2024
- 2024-03-07 CN CN202410257031.9A patent/CN117838066B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2768150C1 (ru) * | 2020-12-14 | 2022-03-23 | Федеральное государственное бюджетное образовательное учреждение высшего образования «Тамбовский государственный технический университет» (ФГБОУ ВО «ТГТУ») | Способ оценки факторов риска разрыва церебральной аневризмы после установки потоконаправляющего стента |
| CN112617770A (zh) * | 2020-12-28 | 2021-04-09 | 首都医科大学附属北京天坛医院 | 基于人工智能的颅内动脉瘤风险预测方法及相关装置 |
| CN113538463A (zh) * | 2021-07-22 | 2021-10-22 | 强联智创（北京）科技有限公司 | 一种动脉瘤分割方法、装置以及设备 |
| CN115222674A (zh) * | 2022-07-01 | 2022-10-21 | 天津大学 | 基于多维特征融合的颅内动脉瘤破裂风险的检测装置 |
| CN116188336A (zh) * | 2023-04-17 | 2023-05-30 | 柏意慧心(杭州)网络科技有限公司 | 基于血管造影的心肌病形态学计算方法、装置及存储介质 |
| CN116919374A (zh) * | 2023-07-19 | 2023-10-24 | 西安交通大学 | 颅内动脉瘤及载瘤动脉内血流动力学参数评估方法及系统 |
| CN117012395A (zh) * | 2023-08-04 | 2023-11-07 | 浙江大学 | 一种主动脉夹层的血流动力学参数计算方法和系统 |
Non-Patent Citations (2)
| Title |
|---|
| Hemodynamic Parameters Predict In-stent Thrombosis After Multibranched Endovascular Repair of Complex Abdominal Aortic Aneurysms: A Retrospective Study of Branched Stent-Graft Thrombosis;Ming-Yuan Liu 等;frontiers in Cardiovascular medicine;20210423;1-11 * |
| Prediction, pattern recognition and modelling of complications post-endovascular infra renal aneurysm repair by artificial intelligence;Ali Kordzadeh 等;Vascular;20200824;1-12 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117838066A (zh) | 2024-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106037710B (zh) | 在医学成像中合成数据驱动的血液动力学测定 | |
| Pepe et al. | Detection, segmentation, simulation and visualization of aortic dissections: a review | |
| US10483006B2 (en) | Learning based methods for personalized assessment, long-term prediction and management of atherosclerosis | |
| CN112489047B (zh) | 一种基于深度学习的盆骨及其动脉血管的多层级分割方法 | |
| CN110638438B (zh) | 用于对血流储备分数的基于机器学习的评估的方法和系统 | |
| EP2963574B1 (en) | Method and system for prediction of post-stenting hemodynamic metrics for treatment planning of arterial stenosis | |
| US10748451B2 (en) | Methods and systems for generating fluid simulation models | |
| CN108962381B (zh) | 用于动脉粥样硬化的个性化评定、长期预测和管理的基于学习的方法 | |
| JP2019512131A (ja) | 画像ベースの患者固有の血流力学的モデルにおいて解像されていない血管を特定してモデル化するためのシステム及び方法 | |
| Hong et al. | Automatic detection, segmentation and classification of abdominal aortic aneurysm using deep learning | |
| EP4018415A1 (en) | Computerised tomography image processing | |
| CN116630334B (zh) | 用于多分段血管实时自动分割方法、装置、设备及介质 | |
| 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 | |
| Habijan et al. | Abdominal aortic aneurysm segmentation from ct images using modified 3d u-net with deep supervision | |
| Auricchio et al. | A clinically applicable stochastic approach for noninvasive estimation of aortic stiffness using computed tomography data | |
| RU2768150C1 (ru) | Способ оценки факторов риска разрыва церебральной аневризмы после установки потоконаправляющего стента | |
| López-Linares et al. | Image-based 3D characterization of abdominal aortic aneurysm deformation after endovascular aneurysm repair | |
| CN117838066B (zh) | Evar术后支架相关并发症风险预测方法和系统 | |
| US20210346097A1 (en) | Systems and methods for predicting thrombosis for heart valve replacements | |
| CN115068171A (zh) | 设计与评估瓣膜的方法和装置 | |
| Bodur et al. | Semi-automatic aortic aneurysm analysis | |
| Arman et al. | Intracranial hemorrhage classification from ct scan using deep learning and bayesian optimization | |
| GB2599682A (en) | Aortic aneurysm growth rate prediction from geometric analysis | |
| Egger et al. | A software system for stent planning, stent simulation and follow-up examinations in the vascular domain | |
| EP4123581A2 (en) | Method for automatic segmentation of coronary sinus |
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 |