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技术方案

本发明专利技术公开了颅内动脉瘤及载瘤动脉内血流动力学评估方法参数及系统，涉及生物流体力学及人工智能技术领域，该方法包括：获取待评估患者的临床多模态影像数据，使用影像分割神经网络模型对评估影像进行自动分割及自动三维重建，获得颅内动脉瘤及载瘤动脉内腔的三维模型，基于三维模型对其几何形态学参数进行自动测量与评估，结合几何形态学参数及边界条件使用基于机器学习的血流动力学计算代理模型与评估代理模型进行计算分析，获得破裂风险分级结果；本发明专利技术通过神经网络模型，基于患者颅内动脉瘤几何形态学参数对其血流动力学参数进行预测及风险评估，从而缩短了血流动力学参数的计算时间，提高了对颅内动脉瘤进行相关分析和预测的效率。析和预测的效率。析和预测的效率。

【技术实现步骤摘要】
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


[0001]本专利技术属于生物流体力学及人工智能
，具体涉及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。

技术介绍

[0002]由颅内动脉瘤(IA)破裂导致的蛛网膜下腔出血致死致残率极高。开展基于个体化三维模型的颅内动脉瘤内血流动力学及力学环境的分析，不仅有助于厘清其破裂的风险因素，亦可为该疾病的临床精准诊治提供有益参考。
[0003]目前针对IA血流动力学参数的获取主要依赖于计算流体动力学仿真模拟(CFD)，在给定的边界条件下获得IA的速度场及压力场的仿真结果。然而对颅内动脉瘤患者进行个体化CFD建模仿真的计算成本非常高，即便利用高性能的计算资源通常也需要数小时的迭代来保证模型的准确性。此外，由于每位患者的动脉瘤发生部位及大小各异，每个IA的CFD建模仿真均需单独进行。因此CFD的高计算成本限制了其在IA血流动力学仿真模拟中的临床使用。
[0004]因此，需要一种能够降低计算成本、简单快速地对动脉瘤血流动力学及力学环境进行个体化评估的方法。

技术实现思路

[0005]针对现有技术中对颅内动脉瘤患者进行个体化CFD建模仿真的计算成本较高的问题，本专利技术提供了一种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，将原本具有相当计算成本的问题转化为快速的神经网络模型的预测过程，实现了IA血流动力学参数的快速准确评估，从而解决现有技术存在CFD的高计算成本限制了其在IA血流动力学仿真模拟中的临床使用的问题。
[0006]一种颅内动脉瘤及载瘤动脉内血流动力学参数评估方法，包括以下步骤：
[0007]获取待评估患者的临床多模态影像数据；
[0008]使用影像分割神经网络模型对临床多模态影像数据进行自动分割；
[0009]采用多层面重建技术对自动分割结果进行自动三维重建，根据三维重建的结果构建颅内动脉瘤及载瘤动脉内腔的三维模型；
[0010]基于三维模型对颅内动脉瘤及载瘤动脉内腔几何形态学参数进行自动测量与评估；
[0011]将获得的几何形态学参数以及由超声、压力导丝获取的边界条件输入至基于机器学习的血流动力学计算代理模型中进行计算；采用基于机器学习的血流动力学评估代理模型对计算结果进行评估分析；
[0012]根据评估分析结果对颅内动脉瘤及载瘤动脉中的破裂高风险区域进行标注，并根据标注结果对破裂风险进行分级。
[0013]进一步地，还包括：对所述影像分割神经网络模型进行训练，具体包括以下步骤：
[0014]收集已有病例的临床颅内CTA影像数据；
[0015]对影像数据中的颅内动脉瘤及载瘤动脉进行三维标注，并构建颅内动脉瘤及载瘤动脉数据集；
[0016]对颅内动脉瘤及载瘤动脉数据集进行预处理，并划分为训练集和测试集；
[0017]将训练集输入深度神经网络模型中进行训练；
[0018]对训练好的深度神经网络模型在测试集上进行性能测试，达到预设精度，获得训练好的影像分割神经网络模型。
[0019]进一步地，所述根据三维重建的结果构建颅内动脉瘤及载瘤动脉内腔的三维模型，具体包括以下步骤：
[0020]对待评估患者的临床多模态影像数据进行图像预处理操作；
[0021]将处理后的待评估患者的临床多模态影像数据输入影像分割神经网络模型进行颅内动脉瘤及载瘤动脉内腔的自动分割；
[0022]采用多层面重建技术对自动分割结果进行自动三维重建，获得待评估患者包括颅内动脉瘤及载瘤动脉内腔的三维模型。
[0023]进一步地，所述基于三维模型对其几何形态学参数进行自动测量与评估，具体包括：
[0024]使用基于从颅内动脉瘤及载瘤动脉几何结构提取的几何特征而训练的经训练的基于机器学习的几何形态学参数测量代理模型，基于所提取的动脉瘤及载瘤动脉个体化三维模型的几何特征来自动测量与评估其几何形态学参数；
[0025]其中，所述几何形态学参数包括但不限于瘤径、瘤高、瘤宽、流入角、流出角、非球形指数、椭圆指数、长宽比。
[0026]进一步地，所述将获得的几何形态学参数以及由超声、压力导丝获取的边界条件输入至基于机器学习的血流动力学计算代理模型中进行计算，具体步骤包括：
[0027]由待评估患者的多普勒超声影像数据及压力导丝方式获取载流动脉流量及血压、血流流速边界条件；
[0028]将获得的几何形态学参数及载流动脉流量及血压、血流流速边界条件输入血流动力学计算代理模型，获得颅内动脉瘤及载瘤动脉内血流动力学的自动评估结果。
[0029]进一步地，所述基于机器学习的血流动力学计算代理模型的构建，包括以下步骤：
[0030]基于已有病例的CTA及多普勒超声影像数据提取颅内动脉瘤及载瘤动脉个体化三维模型及其边界条件；
[0031]对所述颅内动脉瘤及载瘤动脉个体化三维模型的几何形态学参数进行自动测量与评估；
[0032]根据个体化三维模型的几何形态学参数及边界条件对颅内动脉瘤及载瘤动脉进行CFD仿真模拟及不确定性分析，获取目标血流动力学参数，将CFD仿真结果转换为高密度的三维点云形式；
[0033]构建颅内动脉瘤及载瘤动脉的几何形态学参数和血流动力学参数数据库；
[0034]将包含颅内动脉瘤及载瘤动脉的边界条件、几何形态学参数和血流动力学参数的数据集输入基于深度神经网络的血流动力学计算代理模型进行训练，使血流动力学计算代理模型学习颅内动脉瘤及载瘤动脉在一定边界条件下几何形态学参数和血流动力学参数
之间的关系特征。
[0035]进一步地，所述基于机器学习的血流动力学评估代理模型的构建，包括以下步骤：
[0036]收集患者在颅内动脉瘤未破裂时的颅内临床多模态影像数据及其临床信息；其中，所述患者包含颅内动脉瘤发生破裂及未发生破裂的颅内动脉瘤患者；
[0037]基于患者的CTA及多普勒超声影像数据获取颅内动脉瘤及载瘤动脉个体化三维模型及其边界条件；
[0038]基于颅内动脉瘤及载瘤动脉的个体化三维模型及其边界条件进行血流动力学的CFD仿真模拟；
[0039]基于临床信息及血流动力学仿真结果标注颅内动脉瘤及载瘤动脉的破裂高风险区域及风险等级；
[0040]构建颅内动脉瘤及其载瘤动脉的血流动力学参数及其破裂高风险区域及风险等级数据库，并将其随机划分为训练集和测试集；
[0041]将训练集输入深度神经网络进行训练，使血流动力学评估代理模型代理模型学习颅内动脉瘤及其载瘤动脉的血流动力学参数及其破裂风险之间的关系特征。
[0042]进一步地，一种颅内动脉瘤及载瘤动脉内血流动力学参数评估方法的评估系统，包括：
[0043]数据获取模块，用于获取待评估患者的临床多模态影像数据；
[0044]影像处理模块，用于使用影像分割神经网络模型对临床多模态影像数据进行自动分割；
[0045]三维模型构建模块，用于采用多层面重建技术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种颅内动脉瘤及载瘤动脉内血流动力学参数评估方法，其特征在于，包括以下步骤：获取待评估患者的临床多模态影像数据；使用影像分割神经网络模型对临床多模态影像数据进行自动分割；采用多层面重建技术对自动分割结果进行自动三维重建，根据三维重建的结果构建颅内动脉瘤及载瘤动脉内腔的三维模型；基于三维模型对颅内动脉瘤及载瘤动脉内腔几何形态学参数进行自动测量与评估；将获得的几何形态学参数以及由超声、压力导丝获取的边界条件输入至基于机器学习的血流动力学计算代理模型中进行计算；采用基于机器学习的血流动力学评估代理模型对计算结果进行评估分析；根据评估分析结果对颅内动脉瘤及载瘤动脉中的破裂高风险区域进行标注，并根据标注结果对破裂风险进行分级。2.根据权利要求1所述的一种颅内动脉瘤及载瘤动脉内血流动力学参数评估方法，其特征在于，还包括：对所述影像分割神经网络模型进行训练，具体包括以下步骤：收集已有病例的临床颅内CTA影像数据；对影像数据中的颅内动脉瘤及载瘤动脉进行三维标注，并构建颅内动脉瘤及载瘤动脉数据集；对颅内动脉瘤及载瘤动脉数据集进行预处理，并划分为训练集和测试集；将训练集输入深度神经网络模型中进行训练；对训练好的深度神经网络模型在测试集上进行性能测试，达到预设精度，获得训练好的影像分割神经网络模型。3.根据权利要求2所述的一种颅内动脉瘤及载瘤动脉内血流动力学参数评估方法，其特征在于，所述根据三维重建的结果构建颅内动脉瘤及载瘤动脉内腔的三维模型，具体包括以下步骤：对待评估患者的临床多模态影像数据进行图像预处理操作；将处理后的待评估患者的临床多模态影像数据输入影像分割神经网络模型进行颅内动脉瘤及载瘤动脉内腔的自动分割；采用多层面重建技术对自动分割结果进行自动三维重建，获得待评估患者包括颅内动脉瘤及载瘤动脉内腔的三维模型。4.根据权利要求3所述的一种颅内动脉瘤及载瘤动脉内血流动力学参数评估方法，其特征在于，所述基于三维模型对其几何形态学参数进行自动测量与评估，具体包括：使用基于从颅内动脉瘤及载瘤动脉几何结构提取的几何特征而训练的经训练的基于机器学习的几何形态学参数测量代理模型，基于所提取的动脉瘤及载瘤动脉个体化三维模型的几何特征来自动测量与评估其几何形态学参数；其中，所述几何形态学参数包括瘤径、瘤高、瘤宽、流入角、流出角、非球形指数、椭圆指数、长宽比。5.根据权利要求1所述的一种颅内动脉瘤及载瘤动脉内血流动力学参数评估方法，其特征在于，所述将获得的几何形态学参数以及由超声、压力导丝获取的边界条件输入至基于机器学习的血流动力学计算代理模型中进行计算，具体步骤包括：
由待评估患者的多普勒超声影像数据及压力导丝方式获取载流动脉流量及血压、血流流速边界条件；将获得的几何形态学参数及载流动脉流量及血压、血流流速边界条件输入血流动力学计算代理模型，获得颅内动脉瘤及载瘤动脉内血流动力学的自动评估结果。6.根据权利要求5所述的一种颅内动脉瘤及载瘤动脉内血流动力学参数评估方法，其特征在于，所述基于机器学习的血流动力学计算代理模型的构建，包括以下步骤：基于已有病例的CTA及多普勒超声影像数据提取颅内动脉瘤及载瘤动脉个体化三维模型及其边界条件；对所述颅内动脉瘤及载瘤动脉个体化三维模型的几何形态学参数进行自动测量与评估；根据个体化三维模型的几何形态学参数及边界条件对颅内动脉瘤及载瘤动脉进行CFD仿真模拟及不确定性分析，获取目标血流动力学参数，将CFD仿真结果转换为高密度的三维点云形式；构建颅内动脉瘤及载瘤动脉的几何形态学参...

【专利技术属性】
技术研发人员：朱光宇，罗雪琪，杨婷婷，颜格，杨健，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：