基于深度学习推荐弹簧圈栓塞高风险动脉瘤方法技术

本公开实施例公开了基于深度学习推荐弹簧圈栓塞高风险动脉瘤方法。具体包括以下方法：在CAT上获取DICOM格式的待处理动脉瘤医学影像数据，并将DICOM格式的待处理动脉瘤医学影像转换为NII.GZ格式的待预测动脉瘤医学影像；通过UN

【技术实现步骤摘要】
基于深度学习推荐弹簧圈栓塞高风险动脉瘤方法


[0001]本专利技术涉及人工智能算法辅助医学
，具体涉及一种基于深度学习推荐弹簧圈栓塞高风险动脉瘤方法。

技术介绍

[0002]颅内动脉瘤是导致蛛网膜下腔出血的主要原因，全世界每年有近50万人死于颅内动脉瘤，中国人群发病率约为5％。目前高风险未破裂颅内动脉瘤定义是指：(1)同一影像学检查至少1个方向生长≥1.0mm，(2)同一影像学检查2个方向生长≥0.5mm，(3)动脉瘤形态发生改变(即由规则形态改变为不规则形态；由于动脉瘤破裂出血后危害性极大，有约四分之一的病人经过治疗后仍会出现预后不佳的情况，因此早期对动脉瘤进行治疗尤其关键。
[0003]动脉瘤血管内栓塞治疗的适应证和栓塞材料密切相关，20世纪80年代多采用可脱性球囊，主要用于栓塞的一些无法手术夹闭的动脉瘤，球囊很难适应动脉瘤不规则的形状，有可能撑破动脉瘤，引起动脉瘤破裂。此后，弹簧圈用于动脉瘤栓塞，但其可靠性差，一旦推出微导管则不能回撤，易发生意外栓塞。近年来，新型可脱弹簧圈的应用，使动脉瘤栓塞治疗有了很大的发展，栓塞指征不断扩大，疗效明显提高，由于其优越的性能，被认为是栓塞动脉瘤最佳材料。国外有报道90％的颅内动脉瘤可通过栓塞治疗。介入栓塞术具有手术创伤小、恢复快的特点，因此根据患者高风险未破裂动脉瘤的形态学特点及破裂潜能进行术前弹簧圈手术规划，降低手术风险及并发症的出现。目前梭形动脉瘤的治疗方案首选血管内介入，当动脉瘤周围涉及重要血管分支时手术风险明显增大。因此，基于动脉瘤的血管形态及血流动力学基础，个性化的弹簧圈选择规划是目前神经外科医生面对的临床难题。动脉瘤的复发和栓塞的致密度是密切相关的，栓塞程度的评估通过测定脑血管造影下未充盈区域占动脉瘤腔的比例，最佳的动脉瘤栓塞，应达到囊内致密填塞，但是达到这种致密栓塞需要合理规划手术过程中每个弹簧圈的选择，避免错误的选择后导致的动脉瘤残留。随着血管内栓塞技术不断提高及临床新型材料的应用，动脉瘤栓塞术治疗效果显著，已被临床认可，要选择优质的栓塞材料，提高手术操作水平，在栓塞治疗时尽量做到完全栓塞、致密栓塞，同时加强管理及时发现问题，可有效减少动脉瘤栓塞术后复发，提高手术治疗效果。目前的神经外科医生急需要一款辅助手术辅助推荐弹簧圈的方法，可以术前根据高风险未破裂动脉瘤的血管形态推荐首发弹簧圈，选择一个个性化的手术治疗方案，提高患者的治疗效果及预后生活质量。
[0004]综上所述，现有的血管内栓塞技术存在在栓塞治疗时无法做到完全栓塞和致密栓塞，以及错误的选择弹簧圈后导致的动脉瘤残留的问题。

技术实现思路

[0005]本专利技术实施例的目的在于提供一种基于深度学习推荐弹簧圈栓塞高风险动脉瘤方法，用以解决现有的血管内栓塞技术存在在栓塞治疗时无法做到完全栓塞和致密栓塞，以及错误的选择弹簧圈后导致的动脉瘤残留的问题。
[0006]为实现上述目的，本专利技术实施例提供一种基于深度学习推荐弹簧圈栓塞高风险动脉瘤方法，方法包括以下步骤：
[0007]在CAT上获取DICOM格式的待处理动脉瘤医学影像数据，针对获取DICOM格式的待处理动脉瘤医学影像对非必要的数据进行删除，并将DICOM格式的待处理动脉瘤医学影像转换为NII.GZ格式的待预测动脉瘤医学影像；
[0008]通过UN
‑
Net的20层神经网络训练对动脉瘤医学影像中的载瘤动脉图像和动脉瘤图像进行重建和分割，得到动脉瘤识别算法；
[0009]通过UP3预设路径规划的动脉瘤识别算法输入，获取弹簧圈的规格；
[0010]通过UP3预设路径规划模拟弹簧圈栓塞过程；
[0011]通过UP3预设路径规划的动脉瘤识别算法生成弹簧圈的3D表面模型，计算旋转弹簧圈的尺寸和弹簧圈型号，生成预测弹簧圈。
[0012]进一步地，神经网络训练具体过程包括前向传播和后向传播的连续迭代；
[0013]前向传播是将输入的载瘤动脉图像和动脉瘤图像纳入网络，最终得到载瘤动脉图像对应的每像素或然预测输出集和动脉瘤图像对应的每像素或然预测输出集；
[0014]后向传播是使用损失函数通过最陡梯度下降法更新参数值，通过计算得到最速下降的方向和通过Adam优化算法执行最小化损失的更新过程。
[0015]进一步地，将载瘤动脉图像对应的每像素或然预测输出集和动脉瘤图像对应的每像素或然预测输出集分别与对应的用户注释的病灶载瘤动脉图像和动脉瘤图像进行对比计算分析，计算负骰子系数。
[0016]进一步地，通过UP3预设路径规划的动脉瘤识别算法，获取弹簧圈的规格具体过程为：
[0017]通过三维有序向量Φ确定弹簧圈线圈规格，从器材数据库中获取弹簧圈的具体参数，整个弹簧圈展开后，使用PTC Creo 4.0.将弹簧圈展开后的中心线数据模拟到三维圆柱形模型中。
[0018]进一步地，三维有序向量Φ的计算公式为：
[0019][0020]其中，为预成型第i段的矢量方向，n
coil
为沿线圈长度的总段数。
[0021]进一步地，通过UP3预设路径规划模拟弹簧圈栓塞过程具体过程包括：
[0022]选择弹簧圈头端的起始点和起始方向，通过计算动脉瘤体积的中心点得到起始点起始方向为从动脉瘤瘤颈部中心点指向动脉瘤体积中心的单位向量，沿起始点和起始方向依次向动脉瘤内填塞弹簧圈，当弹簧圈i段添加到弹簧圈i
‑
1段的前端时，弹簧圈i段和弹簧圈i
‑
1段之间的角度与和之间的角度相同，在弹簧圈线圈头端与动脉瘤瘤壁或其他现有弹簧圈线圈段发生碰撞的情况下，按照碰撞算法避免碰撞，旋转弹簧圈头端，直到避免碰撞动脉瘤壁，完成弹簧圈栓塞。
[0023]进一步地，弹簧圈栓塞过程的计算公式为：
[0024][0025]其中，为第i个弹簧圈段头部的位置向量，R为用于解决碰撞的旋转矩阵。
[0026]进一步地，碰撞算法包括计算动脉瘤壁和弹簧圈之间碰撞次数以及弹簧圈和其他现有弹簧圈碰撞次数；
[0027]计算动脉瘤壁和弹簧圈之间碰撞次数的具体过程为：
[0028]计算每个动脉瘤顶点和第i个弹簧圈线圈头部之间的距离；
[0029]标记对应顶点接近弹簧圈的第i个线圈段，预成型的长度和线圈半径之和的两倍作为弹簧圈最后的长度选择；
[0030]分析弹簧圈i段与每个动脉瘤标记面的碰撞情况，并将弹簧圈第i段上线圈与动脉瘤碰撞的总数报告为
[0031]计算弹簧圈在栓塞动脉瘤时发生瘤壁碰撞次数。
[0032]进一步地，计算弹簧圈和其他弹簧圈碰撞次数的具体过程为：
[0033]计算当前段h
i
的头部与之前的弹簧圈头部之间的距离d；
[0034]弹簧圈的段落为d
j
≤4r
coil
，计算弹簧圈的两段之间的最小距离，定义为当弹簧圈和动脉瘤壁发生了碰撞；
[0035]计算弹簧圈与动脉瘤壁模拟发生碰撞时的情况；
...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习推荐弹簧圈栓塞高风险动脉瘤方法，其特征在于，方法包括以下步骤：在CAT上获取D ICOM格式的待处理动脉瘤医学影像数据，针对获取DICOM格式的待处理动脉瘤医学影像对非必要的数据进行删除，并将DICOM格式的待处理动脉瘤医学影像转换为NII.GZ格式的待预测动脉瘤医学影像；通过UN
‑
Net的20层神经网络训练对动脉瘤医学影像中的载瘤动脉图像和动脉瘤图像进行重建和分割，得到动脉瘤识别算法；通过UP3预设路径规划的动脉瘤识别算法输入，获取弹簧圈的规格；通过UP3预设路径规划模拟弹簧圈栓塞过程；通过UP3预设路径规划的动脉瘤识别算法生成弹簧圈的3D表面模型，计算旋转弹簧圈的尺寸和弹簧圈型号，生成预测弹簧圈。2.如权利要求1所述的基于深度学习推荐弹簧圈栓塞高风险动脉瘤方法，其特征在于，神经网络训练具体过程包括前向传播和后向传播的连续迭代；前向传播是将输入的载瘤动脉图像和动脉瘤图像纳入网络，最终得到载瘤动脉图像对应的每像素或然预测输出集和动脉瘤图像对应的每像素或然预测输出集；后向传播是使用损失函数通过最陡梯度下降法更新参数值，通过计算得到最速下降的方向和通过Adam优化算法执行最小化损失的更新过程。3.如权利要求2所述的基于深度学习推荐弹簧圈栓塞高风险动脉瘤方法，其特征在于，将载瘤动脉图像对应的每像素或然预测输出集和动脉瘤图像对应的每像素或然预测输出集分别与对应的用户注释的病灶载瘤动脉图像和动脉瘤图像进行对比计算分析，计算负骰子系数。4.如权利要求1所述的基于深度学习推荐弹簧圈栓塞高风险动脉瘤方法，其特征在于，通过UP3预设路径规划的动脉瘤识别算法，获取弹簧圈的规格具体过程为：通过三维有序向量Φ确定弹簧圈线圈规格，从器材数据库中获取弹簧圈的具体参数，整个弹簧圈展开后，使用PTC Creo 4.0.将弹簧圈展开后的中心线数据模拟到三维圆柱形模型中。5.如权利要求4所述的基于深度学习推荐弹簧圈栓塞高风险动脉瘤方法，其特征在于，三维有序向量Φ的计算公式为：其中，为预成型第i段的矢量方向，n
coil
为沿线圈长度的总段数。6.如权利要求1所述的基于深度学习推荐弹簧圈栓塞高风险动脉瘤方法，其特征在于，通过UP3预设路径规划模拟弹簧圈栓塞过程具体过程...

【专利技术属性】
技术研发人员：刘伟奇，陈磊，马学升，陈金钢，徐鹏，赵友源，
申请(专利权)人：昆明同心医联科技有限公司，
类型：发明
国别省市：