栓塞动脉瘤的首发弹簧圈推荐模型建立方法及其应用技术

本申请实施例公开了一种栓塞动脉瘤的首发弹簧圈推荐模型建立方法及其应用，栓塞动脉瘤的首发弹簧圈推荐模型建立方法包括S1、获取多个数据样本，初始化每个数据样本的样本权重；S2、将深度神经网络分解机条件输入当前深度神经网络分解机模型进行处理，获得当前深度神经网络分解机模型；S3、将数据样本划分到当前深度神经网络分解机模型的各个树的中间节点上，得到多个具有异质性的数据组；S4、利用各个中间节点的数据，进行训练并更新样本权重；S5、根据更新后的样本权重，将深度神经网络分解机条件输入下一个深度神经网络分解机模型进行处理，循环执行步骤S2至S5；S6、进行模型参数优化，获得栓塞动脉瘤的首发弹簧圈推荐模型。型。型。

【技术实现步骤摘要】
栓塞动脉瘤的首发弹簧圈推荐模型建立方法及其应用


[0001]本申请涉及医学图像处理
，具体涉及一种栓塞动脉瘤的首发弹簧圈推荐模型建立方法及其应用。

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，中国人群发病率约为3.5%
‑
7%，中国预计有4000
‑
7000万人患有颅内动脉瘤。颅内动脉瘤是指颅内动脉管壁上出现异常膨出，极易诱发蛛网膜下腔出血。目前临床尚未完全明确颅内动脉瘤的发病机制，血管炎、脑动脉硬化以及高血压可能是其危险因素，一旦颅内动脉瘤发生破裂，将给患者的生命安全带来严重威胁。因此，临床加强对颅内破裂动脉瘤的治疗非常重要。
[0003]颅内动脉瘤多由脑部动脉血管异常膨出所致，通常无明显症状，随着瘤体增大可逐渐增大对血管及神经组织压迫作用，引起头晕、视物模糊等症状，若不及时治疗，颅内动脉瘤一旦发生破裂，还可威胁患者生命。目前血管内介入为治疗颅内动脉瘤常用方式，具有入路简单、创伤小等特点，通过弹簧圈栓塞，可减少血流对瘤体血管冲击，促使破裂动脉瘤形成血栓愈合，达到治愈目的。
[0004]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，避免错误的选择导致的动脉瘤残留。
[0005]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，但是，目前动脉瘤栓塞手术时术前规划和术中的首发弹簧圈无法进行模拟和选择，使得在栓塞治疗时难以做到完全栓塞、致密栓塞，造成耗材浪费，手术时间长，手术并发症较多，预后生活质量降低的问题。

技术实现思路

[0006]本申请实施例的目的在于提供一种栓塞动脉瘤的首发弹簧圈推荐模型建立方法及其应用，用以解决现有技术中的动脉瘤栓塞手术时术前规划和术中的首发弹簧圈无法进行模拟和选择，使得在栓塞治疗时难以做到完全栓塞、致密栓塞，造成耗材浪费，手术时间长，手术并发症较多，预后生活质量降低的问题。
[0007]为实现上述目的，本申请实施例提供一种栓塞动脉瘤的首发弹簧圈推荐模型建立方法，包括：S1、获取包括动脉瘤尺寸信息和弹簧圈尺寸信息的训练数据的多个数据样本，初始化每个所述数据样本的样本权重；S2、将包括所述数据样本的深度神经网络分解机条件输入当前深度神经网络分解机模型进行处理，以利用所述数据样本和所述样本权重进行模型参数优化，获得预测首发弹簧圈推荐信息的所述当前深度神经网络分解机模型；
S3、将所述数据样本划分到所述当前深度神经网络分解机模型的各个树的中间节点上，以每个树的所述中间节点上的所述数据样本作为一个数据组，得到多个具有异质性的所述数据组；S4、利用各个所述中间节点的数据，执行每个所述中间节点分支的深度神经网络分解机模型进行训练并更新所述样本权重；S5、根据更新后的所述样本权重，将所述深度神经网络分解机条件输入下一个所述深度神经网络分解机模型进行处理，回到步骤S2循环执行步骤S2至S5，直至达到迭代轮次上限；S6、将所述深度神经网络分解机条件输入最终的所述深度神经网络分解机模型进行处理利用所述数据样本进行模型参数优化，获得预测所述首发弹簧圈推荐信息的可平衡异质性样本组的目标深度神经网络分解机模型，作为栓塞动脉瘤的所述首发弹簧圈推荐模型。
[0008]可选地，所述中间节点分支的深度神经网络分解机模型的结构包括：最底层输入层、中间层和最上层；其中所述最底层输入层包括患者的所述动脉瘤尺寸信息特征和所述弹簧圈尺寸信息特征，所述中间层将原始输入转换为密集表达，所述最上层包括分解机和深度神经网络子模型，最后所述分解机和深度神经网络子模型的结果整合到树的中间节点。
[0009]可选地，所述深度神经网络分解机模型的结果取决于所述分解机和深度神经网络子模型两个部分的结果：
[0010]其中，是公式等于，X表示推算出的弹簧圈圈数，和是所述分解机和深度神经网络子模型的输出结果，y是输出的结果；其中所述分解机子模型能够有效学习一阶特征和二阶特征交互，具体来说，相互作用特征和的参数是其对应的潜在向量和的内积，分解机子模型的定义是：
[0011]其中是向量和的内积，是潜在向量的维数，为分解机子模型的可学习参数，，表示动脉瘤的一级线圈和二级线圈的大小；所述深度神经网络子模型的目的是学习特征之间的高阶交互，由连续和稀疏值组成，引入嵌入层将输入压缩成低维度度向量，嵌入层的输出表示为：
[0012]其中，E表示每层的输出结果，为第个域的嵌入，为域的个数，然后，将嵌入深度神经网络，看作是深度神经网络的第0个输出，其中，所述深度神经网络的过程表示为：
[0013]公式中，为激活函数，、、为第层深度神经网络子模型的输出值、模型权值和偏差，最后得到高阶相互作用表示，其中为所述深度神经网络子模型的隐藏层，所述深度神经网络子模型的预测结果为：
[0014]其中，是S型函数，和是所述深度神经网络子模型的预测层的可学习参数，为预测的弹簧圈结果推荐。
[0015]可选地，所述利用各个所述中间节点的数据，执行每个所述中间节点分支的深度神经网络分解机模型进行训练并更新所述样本权重，包括：在训练过程中，以异质性的所述数据组为单位对所述数据样本施加样本加权，以更新所述样本权重，使得所有所述数据组中的样本权重和相等，保持异质性的所述数据组样本量均衡。
[0016]可选地，所述保持异质性的所述数据组样本量均衡，包括：如果经过所述深度神经网络分解机划分后共有个所述数据组，第个数据组包含个样本，那么第个数据组的第个样本的权重为:
[0017]那么，数据组中样本的权重和满足，
[0018]从而，实现异质性的所述数据组的样本均衡。
[0019]为实现上述目的，本申请还提供一种栓塞动脉瘤的首发弹簧圈推荐方法，包括：获取待推荐栓塞动脉瘤的所述首发弹簧圈的患者的个人基本信息和动脉瘤尺寸信息，并输入映射矩阵，通过上述任一项所述的栓塞动脉瘤的首发弹簧圈推荐模型建立方法所建立的所述首发弹簧圈推荐模型，对栓塞动脉瘤的所述首发弹簧圈进行预测和推荐，并输出显示包括直径和长度的首发弹簧圈尺寸信息。
[0020]可选地，所述获取待推荐栓塞动脉瘤的所述首发弹簧圈的患者的动脉瘤尺寸信息，包括：获取所述患者的包括动脉瘤数据的医学影像；利用通过UN
‑
Net的20层神经网络训练获得的动脉瘤识别算法对医学影像进行处理，得到动脉瘤的识别结果；
基于所述识别结果得到所述动脉瘤尺寸信息。
[0021]可选地，所述基于所述识别结果得到所述动脉瘤尺寸信息，包括：使用通过围绕穹顶轴旋转所述识别结果中的动脉瘤图像的方法测量所述动脉瘤尺寸信息中的长度、宽度、宽径、横径、高度及瘤颈直径；利用公式：，得到所述动脉瘤尺寸信息中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种栓塞动脉瘤的首发弹簧圈推荐模型建立方法，其特征在于，包括：S1、获取包括动脉瘤尺寸信息和弹簧圈尺寸信息的训练数据的多个数据样本，初始化每个所述数据样本的样本权重；S2、将包括所述数据样本的深度神经网络分解机条件输入当前深度神经网络分解机模型进行处理，以利用所述数据样本和所述样本权重进行模型参数优化，获得预测首发弹簧圈推荐信息的所述当前深度神经网络分解机模型；S3、将所述数据样本划分到所述当前深度神经网络分解机模型的各个树的中间节点上，以每个树的所述中间节点上的所述数据样本作为一个数据组，得到多个具有异质性的所述数据组；S4、利用各个所述中间节点的数据，执行每个所述中间节点分支的深度神经网络分解机模型进行训练并更新所述样本权重；S5、根据更新后的所述样本权重，将所述深度神经网络分解机条件输入下一个所述深度神经网络分解机模型进行处理，回到步骤S2循环执行步骤S2至S5，直至达到迭代轮次上限；S6、将所述深度神经网络分解机条件输入最终的所述深度神经网络分解机模型进行处理利用所述数据样本进行模型参数优化，获得预测所述首发弹簧圈推荐信息的可平衡异质性样本组的目标深度神经网络分解机模型，作为栓塞动脉瘤的所述首发弹簧圈推荐模型。2.根据权利要求1所述的栓塞动脉瘤的首发弹簧圈推荐模型建立方法，其特征在于，所述中间节点分支的深度神经网络分解机模型的结构包括：最底层输入层、中间层和最上层；其中所述最底层输入层包括患者的所述动脉瘤尺寸信息特征和所述弹簧圈尺寸信息特征，所述中间层将原始输入转换为密集表达，所述最上层包括分解机和深度神经网络子模型，最后所述分解机和深度神经网络子模型的结果整合到树的中间节点。3.根据权利要求2所述的栓塞动脉瘤的首发弹簧圈推荐模型建立方法，其特征在于，所述深度神经网络分解机模型的结果取决于所述分解机和深度神经网络子模型两个部分的结果：，其中，是公式等于，X表示推算出的弹簧圈圈数，和是所述分解机和深度神经网络子模型的输出结果，y是输出的结果；其中所述分解机子模型能够有效学习一阶特征和二阶特征交互，具体来说，相互作用特征和的参数是其对应的潜在向量和的内积，分解机子模型的定义是：，其中是向量和的内积，是潜在向量的维数，为分
解机子模型的可学习参数，，表示动脉瘤的一级线圈和二级线圈的大小；所述深度神经网络子模型的目的是学习特征之间的高阶交互，由连续和稀疏值组成，引入嵌入层将输入压缩成低维度度向量，嵌入层的输出表示为：，其中，E表示每层的输出结果，为第个域的嵌入，为域的个数，然后，将嵌入深度神经网络，看作是深度神经网络的第0个输出，其中，所述深度神经网络的过程表示为：，公式中，为激活函数，、、...

【专利技术属性】
技术研发人员：刘伟奇，马学升，陈金钢，徐鹏，赵友源，陈磊，
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：