血管内线圈规格制造技术

一种提供用于在线圈栓塞手术中治疗动脉瘤的血管内线圈的血管内线圈规格的计算机实现的方法，包括：将X射线图像数据(110)输入(S120)到神经网络(130，230)中，X射线图像数据包括一个或多个包括动脉瘤(120)的X射线图像，神经网络被训练以根据该X射线图像数据(110)来预测用于治疗动脉瘤(120)的血管内线圈的血管内线圈数据(140，150)；以及输出(S130)血管内线圈数据(140，150)以提供血管内线圈规格。150)以提供血管内线圈规格。150)以提供血管内线圈规格。

【技术实现步骤摘要】
【国外来华专利技术】血管内线圈规格


[0001]本公开涉及提供一种用于在线圈栓塞手术中治疗动脉瘤的血管内线圈规格。公开了一种计算机实现的方法、一种处理装置、一种系统和一种计算机程序产品。

技术介绍

[0002]动脉瘤在动脉壁的薄弱点处形成，并以动脉内的隆起部或膨胀部的形式表现出来。有破裂风险的动脉瘤需要治疗，以避免内出血和/或出血性中风。血管内线圈栓塞术是用于治疗颅内脑动脉瘤的常用手术，因为它以微创方式执行且失败率低。这种手术包含将可变形的线材插入，该线材在动脉瘤内形成“线圈(coils)”，以改变动脉瘤内血流动力学，尤其是血流量和进入动脉瘤的血流速度。线圈的作用是降低动脉瘤壁上的剪应力，并促进动脉瘤内血栓形成，这最终可使动脉瘤相对于血管封闭。
[0003]动脉瘤内血流动力学取决于几个解剖学因素，如动脉瘤的类型，例如是否分叉、相对于血流的动脉瘤位置或角度、母血管的曲率、动脉瘤颈部直径等。动脉瘤内血流动力学也受手术因素的影响，如线圈填塞密度和残余动脉瘤体积。低线圈填塞密度可导致动脉瘤复通(recanalization)和复发(recurrence)，而高线圈填塞密度可增加动脉瘤破裂的风险。一般来说，20
‑
25％的线圈填塞密度被接受以防止较小动脉瘤的复通，但较大动脉瘤可能需要在30
‑
55％的范围内的较高的线圈填塞密度，以降低复通的风险。线圈填塞密度受动脉瘤特性(如动脉瘤尺寸、其颈部直径等)以及线圈的物理性质(如线圈类型、结构、材料、涂层、刚度、直径等)的影响。
[0004]血管内线圈数据通常被用于指定线圈。血管内线圈通常由其类型(即：框架线圈、填充线圈和整理线圈)来定义以及由其材料来定义。线圈栓塞术开始于插入一个或多个框架线圈，以填充动脉瘤囊的周边，从而稳定结构，以便随后插入填充线圈。填充线圈通常较短较小，且填塞在框架线圈内。最后，插入整理线圈以完成治疗。整理线圈通常是最柔软、最短的线圈类型。线圈主要由生物相容的惰性材料制成，如镍钛诺、铂、镍、铱和钨，并有不同的涂层材料可供采用。典型的线圈涂层包括裸铂、聚合物涂覆的“Matrix”和亲水性凝胶涂覆的“HydroCoil”。涂层材料可对动脉瘤复发有影响。如本文所用的，术语“特性(characteristics)”是指线圈类型及其材料。
[0005]血管内线圈也可由各种“参数”来定义。这些参数定义了线圈长度、环直径和线圈刚度。用于血管内栓塞的线圈有不同的结构可供采用，包括股线、初级绕组和次级绕组。众所周知，软而小的线圈适用于治疗小动脉瘤，而较硬的线圈一般用于治疗大的囊状动脉瘤。血管内线圈特性和血管内线圈参数一起表示血管内线圈数据。
[0006]然而，指定正确的血管内线圈以及正确的血管内线圈组合以对不同动脉瘤进行最佳栓塞可能具有挑战性。有多种线圈可供采用。大多数线圈是为框住球形动脉瘤设计的。用于长圆形动脉瘤的框架策略可与用于球形动脉瘤的那些有很大不同。动脉瘤的几何形状和框架策略之间的不匹配会导致动脉瘤壁的应力增加，且在动脉瘤的颈部上形成稳定的线圈篮的过程中带来困难。了解这些差异以及最适合特定动脉瘤的特性是确保有效栓塞和成功
手术结果的关键因素。然而，积累这种知识需要在不同的血管内动脉瘤治疗技术方面的多年的医生经验。
[0007]因此，需要一种改进的指定用于在线圈栓塞术中治疗动脉瘤的血管内线圈的方法。

技术实现思路

[0008]根据本公开的第一方面，提供了一种计算机实施的方法，该方法提供了用于在线圈栓塞手术中治疗动脉瘤的血管内线圈的血管内线圈规格。该方法包括：
[0009]接收X射线图像数据，该X射线图像数据包括一个或多个包括动脉瘤的X射线图像；
[0010]将X射线图像数据输入神经网络，该神经网络被训练以根据X射线图像数据来预测用于治疗动脉瘤的血管内线圈的血管内线圈数据；以及
[0011]输出血管内线圈数据以提供血管内线圈规格。
[0012]根据本公开的第二方面，提供了一种训练神经网络的计算机实现的方法，该神经网络用于提供用于在线圈栓塞手术中治疗动脉瘤的血管内线圈的血管内线圈规格。该方法包括：
[0013]接收X射线图像训练数据，该X射线图像训练数据包括一个或多个包括动脉瘤的X射线图像；
[0014]接收基准真值血管内线圈规格数据，其表示被用于治疗X射线图像训练数据中的动脉瘤的血管内线圈的血管内线圈数据；
[0015]将接收到的X射线图像训练数据输入到神经网络中，并基于损失函数来调整神经网络的参数，损失函数表示由神经网络预测的血管内线圈数据与由接收到基准真值血管内线圈规格数据表示的、用于治疗X射线图像训练数据中的动脉瘤的血管内线圈的血管内线圈数据之间的差值。
[0016]根据参照附图作出的以下示例描述，本公开的另外的方面、特征和优点将变得明显。
附图说明
[0017]图1示出了包括动脉瘤120的示例X射线图像。
[0018]图2是根据本公开的一些方面的提供用于在线圈栓塞手术中治疗动脉瘤的血管内线圈规格的示例方法的流程图。
[0019]图3是示出了根据本公开的一些方面的提供用于在线圈栓塞手术中治疗动脉瘤的血管内线圈规格的第一示例神经网络130的示意图。
[0020]图4是示出了根据本公开的一些方面的提供用于在线圈栓塞手术中治疗动脉瘤的血管内线圈规格的第二示例神经网络130的示意图。
[0021]图5是示出了根据本公开的一些方面的提供用于在线圈栓塞手术中治疗动脉瘤的血管内线圈规格的第三示例神经网络230的示意图。
[0022]图6是根据本公开的一些方面的训练神经网络的示例方法的流程图，该神经网络用于提供用于在线圈栓塞手术中治疗动脉瘤的血管内线圈规格。
[0023]图7是示出了根据本公开的一些方面的训练神经网络130的示例方法的示意图，该
神经网络用于提供用于在线圈栓塞手术中治疗动脉瘤的血管内线圈规格。
[0024]图8是示出了根据本公开的一些方面的提供用于在线圈栓塞手术中治疗动脉瘤的血管内线圈规格的示例系统300的示意图。
具体实施方式
[0025]参照以下描述和附图来提供本公开的实施例。在该描述中，出于解释的目的，阐述了某些实施例的许多具体细节。说明书中提到的“一个示例”、“一个实施例”或类似的语言是指与该示例相关地描述的特征、结构或特性被包括在至少该一个示例内。还应理解的是，与一个示例相关地描述的特征也可被用于另一个示例中，且为简洁起见，不一定在每个示例中重复所有特征。例如，与计算机实现的方法相关地描述的特征可以以相对应的方式在处理装置、系统和计算机程序产品中实现。
[0026]在以下描述中，将提到涉及线圈栓塞手术的计算机实现的方法。这里提到的是脑内的线圈栓塞手术。然而，可理解的是，本文描述的提供血管内线圈规格的方法，可以应用于指定用于在脉管系统的其他区域(例如胸主动脉、腹主动脉、颈部、卵巢、臂部或腿部等)内的线圈栓塞手术中治疗动脉瘤的血管内线圈。
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种提供用于在线圈栓塞手术中治疗动脉瘤的血管内线圈的血管内线圈规格的计算机实现的方法，所述方法包括：接收(S110)X射线图像数据(110)，所述X射线图像数据(110)包括一个或多个包括动脉瘤(120)的X射线图像；将所述X射线图像数据(110)输入(S120)到神经网络(130，230)中，所述神经网络被训练以根据所述X射线图像数据(110)来预测用于治疗所述动脉瘤(120)的血管内线圈的血管内线圈数据(140，150)；以及输出(S130)所述血管内线圈数据(140,150)以提供所述血管内线圈规格。2.根据权利要求1所述的计算机实现的方法，其中，所述X射线图像数据(110)包括一个或多个X射线荧光透视图像，和/或一个或多个造影剂增强的X射线图像。3.根据权利要求1或权利要求2所述的计算机实现的方法，其中，所述X射线图像数据(110)包括多个X射线图像，并且所述X射线图像i)包括所述动脉瘤(120)的多个不同的观察角度和/或ii)表示在所述线圈栓塞手术期间的不同时间步长。4.根据权利要求1
‑
3中的任一项所述的计算机实现的方法，其中，所述方法包括：在将所述X射线图像数据(110)输入(S120)到神经网络(130，230)中之前，分割(S140)所述X射线图像数据(110)以识别所述动脉瘤(120)；以及将所述X射线图像数据(110)输入(S120)到神经网络(130，230)中包括将经过分割的所述X射线图像数据(110)输入到所述神经网络中。5.根据权利要求1所述的计算机实现的方法，其中，所述血管内线圈数据(140，150)包括：用于治疗所述动脉瘤(120)的一个或多个血管内线圈参数(140)，和/或用于治疗所述动脉瘤(120)的血管内线圈的一个或多个特性(150)；其中，所述一个或多个血管内线圈参数(140)选自以下组：线圈长度、线圈直径、线圈刚度和线圈环直径；以及其中，所述血管内线圈的所述特性(150)选自以下组：线圈类型和线圈材料。6.根据权利要求1所述的计算机实现的方法，其中，所述神经网络(130，230)通过以下方式被训练以预测所述血管内线圈的所述血管内线圈数据(140，150)：接收(S210)X射线图像训练数据(210)，所述X射线图像训练数据(210)包括一个或多个包括动脉瘤(120)的X射线图像；接收(S220)基准真值血管内线圈规格数据(220)，其表示被用于治疗所述X射线图像训练数据(210)中的所述动脉瘤(120)的血管内线圈的血管内线圈数据；将接收到的所述X射线图像训练数据(210)输入(S230)到所述神经网络(130，230)中，并基于损失函数来调整(S240)所述神经网络(130，230)的参数，所述损失函数表示由所述神经网络(130，230)预测的所述血管内线圈数据(140，150)与由接收到的所述基准真值血管内线圈规格数据(220)表示的、被用于治疗所述X射线图像训练数据(210)中的所述动脉瘤(120)的所述血管内线圈的所述血管内线圈数据之间的差值。7.根据权利要求6所述的计算机实现的方法，其中，所述神经网络(130，230)被训练以根据所述X射线图像数据(110)和表示所述X射线图像数据(110)中的所述动脉瘤(120)的体积图像数据(160)来预测用于治疗所述动脉瘤(120)的所述血管内线圈的所述血管内线圈数据(140，150)；以及所述神经网络(130，230)进一步通过以下方式被训练以预测所述血管
内线圈的所述血管内线圈数据(140，150)：接收(S250)体积图像训练数据(260)，其表示所述X射线图像训练数据(210)中的所述动脉瘤(120)；将接收到的所述体积图像训练数据(260)输入(S260)到所述神经网络(130，230)中；以及根据接收到的所述X射线图像训练数据(210)和接收到的所述体积图像训练数据(260)来预测(S270)用于治疗所述动脉瘤(120)的所述血管内线圈的所述血管内线圈数据(140，150)。8.根据权利要求6或权利要求7所述的计算机实现的方法，其中，所述神经网络(130，230)被进一步训练以根据与所述X射线图像数据(110)中的所述动脉瘤(120)相对应的患者数据(170)来预测用于...

【专利技术属性】
技术研发人员：L，
申请(专利权)人：皇家飞利浦有限公司，
类型：发明
国别省市：