一种主动脉弓再缩窄的预后方法及系统技术方案

本发明专利技术提出一种主动脉弓再缩窄预后方法及系统，涉及心脏疾病预后的技术领域，解决了当前依赖治疗经验进行主动脉弓再缩窄的预后方法忽略主动脉弓的图像的特征数据，导致预后效果不佳的问题，获取三维CT心脏图像，构建分割数据神经网络模型并训练，将三维CT心脏图像输入训练好的分割数据神经网络模型进行分割，从分割结果中提取三维主动脉弓图像的中心线，然后在测量点对待测量部位进行测量，得到图像的特征数据，基于选择的特征数据构建回归模型，利用回归模型对待检测实验数据进行评估，本发明专利技术不依赖治疗经验，结合经计算机分割得出的主动脉弓图像上的特征数据去评估主动脉弓再缩窄预后检测情况，预后效果好。预后效果好。预后效果好。

【技术实现步骤摘要】
一种主动脉弓再缩窄的预后方法及系统


[0001]本专利技术涉及心脏疾病预后的
，特别涉及一种主动脉弓再缩窄预后方法及系统。

技术介绍

[0002]主动脉缩窄是指主动脉局限狭窄，管腔缩小，造成血流量减少，是较为常见的先心病，约占所有先心病的4
‑
8％。随着外科技术的发展，目前主动脉缩窄的外科疗效总体较为满意，由于低年龄低体重、弓严重发育不良、主动脉弓的重建方式以及伴发复杂畸形等固有危险因素，术后主动脉弓再缩窄并不少见。主动脉弓再缩窄是导致远期高血压的重要因素，严重影响主动脉弓缩窄患者的远期预后。
[0003]现有对主动脉缩窄评估的方法，主要利用机器学习模型对心脏CT图像进行分割，得到主动脉图像，然后对主动脉图像进行测量，将测量得到心脏CT图像的特征数据进行计算，得出主动脉直径比，根据主动脉直径比来评估主动脉缩窄的严重程度，但是无法评估主动脉弓发生再次缩窄的情况，目前对于主动脉弓再缩窄的预后研究有限，且引起主动脉弓再缩窄疾病的特征尚不清楚，主动脉弓再缩窄的预后主要依据传统的医学临床数据来进行，依赖治疗经验，但忽视了主动脉弓图像上的特征数据，导致预后效果不佳。

技术实现思路

[0004]为解决当前依赖治疗经验进行主动脉弓再缩窄的预后方法忽略主动脉弓的图像的特征数据，导致预后效果不佳的问题，本专利技术提出一种主动脉弓再缩窄的预后方法及系统，不依赖治疗经验，结合经计算机分割得出的主动脉弓图像上的特征数据去评估主动脉弓再缩窄预后检测情况，预后效果好。
[0005]为了达到上述技术效果，本专利技术的技术方案如下：
[0006]一种主动脉弓再缩窄预后方法，包括以下步骤：
[0007]S1.获取一定数量的三维CT心脏图像并划分，得到第一图像数据集和第二图像数据集；
[0008]S2.构建分割数据神经网络模型，利用第一图像数据集对分割数据神经网络模型进行训练，得到训练好的分割数据神经网络模型；
[0009]S3.将第二图像数据集中的三维CT心脏图像输入训练好的分割数据神经网络模型，输出第二图像数据集中的三维CT心脏图像的分割结果；
[0010]S4.从分割结果中提取心脏的三维主动脉弓图像，并在三维主动脉弓图像中提取中心线；
[0011]S5.确定三维主动脉弓图像中待测量部位，在中心线采集待测量部位的测量点，然后在测量点对待测量部位进行测量，得到S3中所述的三维CT心脏图像的特征数据，对特征数据进行预处理；
[0012]S6.获取志愿者的生理特征数据，将其作为医学临床的特征数据，将医学临床的特
征数据与三维CT心脏图像的特征数据合并，从合并的特征数据中选择评估主动脉弓再缩窄预后的特征数据；
[0013]S7.利用选择的特征数据构建回归模型；
[0014]S8.获取待检测实验数据，将待检测实验数据输入构建的回归模型，对主动脉弓再缩窄预后情况进行检测，并对主动脉弓再缩窄预后检测情况进行评估。
[0015]在本技术方案中，首先将一定数量的三维CT心脏图像划分为第一图像数据集和第二图像数据集，并构建分割数据神经网络模型，利用第一图像数据集对分割数据神经网络模型进行训练，得到分割准确率高的分割数据神经网络模型，然后将第二图像数据集中的三维CT心脏图像输入分割数据神经网络模型进行分割，从分割结果中提取心脏的三维主动脉弓图像，在三维主动脉弓图像中提取中心线，在中心线采集待测量部位的测量点进行测量，得到第二图像数据集中的三维CT心脏图像的特征数据，避免忽略主动脉弓的图像的特征数据，导致预后效果不佳的弊端，将三维CT心脏图像的特征数据与医学临床的特征数据合并，对合并的特征数据进行选择，再利用选择的特征数据构建回归模型，由于合并的特征数据较多，因此选择出有效的特征数据能够使回归模型的回归效果好，对主动脉弓再缩窄预后情况的检测精度高，最后利用回归模型对待检测实验数据进行主动脉弓再缩窄预后情况的检测，并评估主动脉弓再缩窄预后检测情况，本方案不依赖治疗经验，而是结合经计算机分割得出的主动脉弓图像上的特征数据去评估主动脉弓再缩窄预后检测情况，预后效果好。
[0016]优选地，在步骤S2中，分割数据神经网络模型训练的具体步骤为：
[0017]S21.将第一图像数据集中的三维CT心脏图像的尺寸统一采样至同一尺寸；
[0018]S22.设置训练的批次数目batchsize、学习率及训练轮次n，将同一尺寸的三维CT心脏图像输入构建的分割数据神经网络模型；
[0019]S23.利用梯度下降的训练方法对分割数据神经网络模型进行训练，在训练轮次达到n时，输出训练好的分割数据神经网络模型。
[0020]优选地，在步骤S4中，提取中心线步骤为：
[0021]S41.由三维主动脉弓图像确定主动脉弓的血管位置；
[0022]S42.将主动脉弓的血管骨架化；
[0023]S43.基于骨架化后的血管，明确血管的中心，确定沿着血管走向中心的若干条线，将若干线均设为中心线。
[0024]在此，三维主动脉弓图像中有多条血管，对血管位置进行确定，便于找到中心线提取的目标，由于分割出来的三维主动脉弓图像的血管中间镂空，因此需要骨架化主动脉弓的血管，便于从主动脉弓的血管中提取出中心线。
[0025]优选地，在步骤S5中，所述待测量部位为升主动脉、近端主动脉、远端主动脉、峡部部位、缩窄部位以及降主动脉部位，起到了明确测量部位的作用。
[0026]优选地，在步骤S5中，所述测量点的采集步骤包括：
[0027]S51.获取三维主动脉弓图像中沿横截面积最大的血管走向的某一中心线的起点和终点，根据起点和终点之间的血管走向，确定起点和终点之间的连接路径，将该连接路径设为三维主动脉弓图像中中心线的主干路径，主干路径在三维主动脉弓图像中由多个体素点构成；
[0028]S52.获取主干路径上所有体素点，确定与每一个体素点相连的中心线的条数，即体素点的度，并在每一个体素点上获取与该体素点相连的血管的横截面积；
[0029]S53.将与每一个体素点相连的血管的横截面积进行比较，得到在主干路径上横截面积最小体素的点；
[0030]S54.将起点设为升主动脉的测量点，将终点设为降主动脉部位的测量点，采集所有在主干路径上度为n的体素点，将所有在主干路径上度为n的体素点分别设为近端主动脉部位、远端主动脉部位及峡部部位的测量点，将在主干路径上横截面积最小的点设为缩窄部位的测量点。
[0031]在此，升主动脉、近端主动脉、远端主动脉、峡部部位、缩窄部位以及降主动脉部位均有对应的测量点，测量点的采集便于在上述测量部位进行三维CT心脏图像的特征数据的测量，使得测量精度更准确，得到可靠的三维CT心脏图像的特征数据的测量。
[0032]优选地，在步骤S5中，所述测量步骤为在升主动脉部位、近端主动脉部位、远端主动脉部位、峡部部位、缩窄部位和降主动脉部位的位置上获取血管的切面，利用sobel算子提取血管的切面的轮廓，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种主动脉弓再缩窄的预后方法，其特征在于，包括以下步骤：S1.获取一定数量的三维CT心脏图像并划分，得到第一图像数据集和第二图像数据集；S2.构建分割数据神经网络模型，利用第一图像数据集对分割数据神经网络模型进行训练，得到训练好的分割数据神经网络模型；S3.将第二图像数据集中的三维CT心脏图像输入训练好的分割数据神经网络模型，输出第二图像数据集中的三维CT心脏图像的分割结果；S4.从分割结果中提取心脏的三维主动脉弓图像，并在三维主动脉弓图像中提取中心线；S5.确定三维主动脉弓图像中待测量部位，在中心线采集待测量部位的测量点，然后在测量点对待测量部位进行测量，得到S3中所述的三维CT心脏图像的特征数据，对特征数据进行预处理；S6.获取志愿者的生理特征数据，将其作为医学临床的特征数据，将医学临床的特征数据与三维CT心脏图像的特征数据合并，从合并的特征数据中选择评估主动脉弓再缩窄预后的特征数据；S7.利用选择的特征数据构建回归模型；S8.获取待检测实验数据，将待检测实验数据输入构建的回归模型，对主动脉弓再缩窄预后情况进行检测，并对主动脉弓再缩窄预后检测情况进行评估。2.根据权利要求1所述的主动脉弓再缩窄的预后方法，其特征在于，在步骤S2中，分割数据神经网络模型训练的具体步骤为：S21.将第一图像数据集中的三维CT心脏图像的尺寸统一采样至同一尺寸；S22.设置训练的批次数目batchsize、学习率及训练轮次n，将同一尺寸的三维CT心脏图像输入构建的分割数据神经网络模型；S23.利用梯度下降的训练方法对分割数据神经网络模型进行训练，在训练轮次达到n时，输出训练好的分割数据神经网络模型。3.根据权利要求1所述的主动脉弓再缩窄的预后方法，其特征在于，在步骤S4中，提取中心线步骤为：S41.由三维主动脉弓图像确定主动脉弓的血管位置；S42.将主动脉弓的血管骨架化；S43.基于骨架化后的血管，明确血管的中心，确定沿着血管走向中心的若干条线，将若干线均设为中心线。4.根据权利要求3所述的主动脉弓再缩窄的预后方法，其特征在于，在步骤S5中，所述待测量部位为升主动脉、近端主动脉、远端主动脉、峡部部位、缩窄部位以及降主动脉部位。5.根据权利要求4所述的主动脉弓再缩窄的预后方法，其特征在于，在步骤S5中，所述测量点的采集步骤包括：S51.获取三维主动脉弓图像中沿横截面积最大的血管走向的某一中心线的起点和终点，根据起点和终点之间的血管走向，确定起点和终点之间的连接路径，将该连接路径设为三维主动脉弓图像中中心线的主干路径，主干路径在三维主动脉弓图像中由多个体素点构成；S52.获取主干路径上所有体素点，确定与每一个体素点相连的中心线的条数，即体素
点的度，并在每一个体素点上获取与该体素点相连的血管的横截面积；S53.将与每一个体素点相连的血管的横截面积进行比较，得到在主干路径上横截面积最小体素的点；S54.将...

【专利技术属性】
技术研发人员：甘孟坤，潘丹，曾安，杨宝瑶，张逸群，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：